Deep Learning Based Distributed Meta-Learning for Fast and Accurate Online Adaptive Powertrain Fuel Consumption Modeling
Notice bibliographique
Résumé
Connected vehicle-based distributed meta-regression (CV-DMR) algorithms from our previous work facilitate online adaptive microscopic fuel consumption modeling, which can support model-based vehicle and powertrain control (MB-VPC) for fuel-efficient vehicle operations. By taking advantage of accessible online computational resources from connected vehicles (CVs) and CV remote data center, CV-DMR can adapt the microscopic fuel consumption model to an unseen driving condition with limited training data. However, the computational complexity of obtaining the normalized feature map in CV-DMR during training is high. It can take long time to adapt the model to a new driving condition, especially when the new driving condition is considerably different from the pre-learnt driving conditions. To reduce the computational complexity of learning/training, we propose to apply deep neural networks as the model representation method and newly design efficient deep learning based CV-supported distributed meta-learning (CV-DML) algorithms for adaptive fuel consumption modeling. To further generalize the model and reduce model adaptation time, the concept of meta-suggestion is newly proposed in CV-DML. Substantial proof-of-concept experiments are conducted with steady-state and transient vehicle engine data to evaluate the model performance in terms of model prediction accuracy, model adaptation speed, and fuel saving. Compared to the physical model and non-CV-supported model adaptation, the prediction accuracy of CV-DML is improved by 34%–87% and 17%–30%, respectively. Due to the improved accuracy, up to 9.4% of fuel is saved. To achieve the same the prediction accuracy and fuel saving, the model adaptation of CV-DML is 18 to 1,300 times faster than that of CV-DMR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».