Interpretable machine learning models for predicting Ebus battery consumption rates in cold climates with and without diesel auxiliary heating
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The global shift towards sustainable and environmentally friendly transportation options has led to the increasing adoption of electric buses (Ebuses). To optimize the deployment and operational strategies of Ebuses, it is imperative to accurately predict their energy consumption under varying conditions, particularly in cold climates where battery life is typically degraded. The exploration of this aspect within the Canadian context has been limited. In addition, we have found that existing models in the literature perform poorly in the Canadian environment, giving rise to the need for new models using Canadian data. This paper focuses on the development, comparison, and evaluation of various data-driven models designed to predict the energy consumption of different Ebuses with different heating technologies under a wide range of climate conditions. We specifically use Canadian data as a good representative of cold climates in general. The results show that the performance of the different bus types varies substantially under the exact same conditions. In addition, tree-based family of models proves to be the most suitable approach for predicting the Ebus consumption rate. The results indicate that the Random Forest method emerges as the superior choice for predicting the energy consumption rate, with a resulting mean absolute error of 0.09-0.1 kWh/km observed across the different models. Furthermore, SHAP analysis shows that the main variables influencing the energy consumption rate depend on the type of heating system (using the battery for heating or using an auxiliary system that utilizes diesel for heating) adopted. • Comparison of Ebuses’ performance with different heating systems is conducted • Variables known in the planning stage are used to build the prediction models • Interpretation of the developed ML models is conducted using the SHAP analysis • Variables affecting the energy consumption are identified for the different Ebuses
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.
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 | 0,000 |
| 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 découle