Predicting Vehicle Engine Performance: Assessment of Machine Learning Techniques and Data Imputation
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">The accurate prediction of engine performance maps can guide data-driven optimization of engine technologies to control fuel use and associated emissions. However, engine operational maps are scarcely reported in literature and often have missing data. Assessment of missing-data resilient algorithms in the context of engine data prediction could enable better processing of real-world driving cycles, where missing data is a more pervasive phenomenon. The goal of this study is, therefore, to determine the most effective technique to deal with missing data and employ it in prediction of engine performance characteristics. We assess the performance of two machine learning approaches, namely Artificial Neural Networks (ANNs) and the extreme tree boosting algorithm (XGBoost), in handling missing data. Zero imputation and three statistical methods, specifically K-Nearest Neighbors (KNN), Expectation Maximization (EM) and Multivariate Imputation Chained Equations (MICE), were employed as a pre-processing step with ANN model. The efficiency of each technique was evaluated at various degrees of missing data in the input (25%, 50 and 75%). In addition, the imputation quality of missing data was estimated using Kernel Density Estimation (KDE) and Raw Bias. The ANN model’s ability to predict fuel consumption and thermal efficiency was limited by missing data input with the zero-imputation technique. Among statistical methods coupled with ANN, EM exhibited the least satisfying performance while KNN performed the best. XGBoost with sparsity aware algorithm outperformed other methods by demonstrating the best adaptability to input’s missing information.</div></div>
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».