Energy Consumption Prediction Model for Electric Buses Considering Actual Quantifiable Features
Notice bibliographique
Résumé
Accurate prediction of electric bus energy consumption is a key step to realize the orderly planned charging of electric buses. Meanwhile, to address the problem that the current electric bus energy consumption prediction model is not conducive to realistic application, this paper proposes an energy consumption prediction model that considers actual electric bus operation data to predict trip energy consumption. First, based on the operation data of six routes in Beijing, the influencing factors of electric bus energy consumption are summarized, including route name, travel direction, weekday and nonweekday, operation time, vehicle number, and driver’s name. Secondly, the energy consumption influencing factors were used to extract trip energy consumption features, including departure moment features, vehicle performance features, and driver attribute features. A new simple method is proposed to deal with un‐ordered characteristic data to solve the problem of quantifying the influencing factors. The energy consumption prediction model considering actual quantifiable features utilizes the concept of distance to identify several historical trips that have characteristics most similar to the predicted trip in terms of energy consumption. The new prediction model is essentially a machine learning model based on k ‐means clustering algorithm, which leverages feature extraction and data analysis to make predictions. Finally, the real data are used to predict the energy consumption of different routes and different driving directions on weekdays, respectively. The energy consumption prediction error is as low as 7.112%, and the prediction results are compared with other traditional prediction models, and the model accuracy is high.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».