Deep Learning Based Optimization Model for Energy Consumption of New Electric Vehicles
Notice bibliographique
Résumé
The rapid proliferation and increasing adoption of electric vehicles (EVs) have rendered them a fundamental component of intelligent transportation networks, contributing significantly to the reduction of harmful greenhouse gas emissions.The surge in the number of EVs necessitates an equally expanding infrastructure to meet their charging requirements.Accurate prediction of EV charging demand, therefore, is critical to alleviate strain on power systems and associated costs.This study presents a novel hybrid deep learning model aimed at predicting the charging needs of electric vehicles.The Convolutional Neural Network (CNN), an integral part of this model, is employed for data collection.The CNN effectively extracts local features of the data, focuses on localized information, and reduces computational demands.The Bidirectional Gated Recurrent Unit (BGRU) contributes to superior performance with time-series data due to its inherent ability to analyze such data.The Empirical Mode Decomposition (EMD) is used to decompose the input time series data while preserving their characteristics.The parameters of the BGRU prediction model are then fine-tuned using a hybrid Jarratt-Butterfly optimization algorithm (JBOA) model.The innovative EMD-CNN-BGRU predictor is evaluated using the EV charging dataset collected from the Georgia Institute of Technology in Atlanta, Georgia, USA.The simulation results achieved an impressive 98% accuracy in prediction.A comparative analysis with existing methods in the literature reveals the superior predictive metrics of the proposed deep learning neural forecaster for the dataset under consideration.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».