Comparison of Support Vector Regression and Random Forest Regression Performance in Vehicle Fuel Consumption Prediction
Notice bibliographique
Résumé
Predicting vehicle fuel consumption is an important aspect in improving energy efficiency and supporting sustainable transportation. This study aims to compare the performance of Support Vector Regression (SVR) and Random Forest Regression (RFR) algorithms in predicting combined vehicle fuel consumption (COMBINED, a combination of 55% urban and 45% highway). The Canadian government's Fuel Consumption Ratings dataset was used, with 2015-2023 data (9,185 entries) for training and testing, and 2024 data (764 entries) for further testing. Pre-processing involved StandardScaler for numerical features and OneHotEncoder for categorical features, followed by hyperparameter optimization using Grid Search, resulting in optimal parameters: SVR (C=100, epsilon=0.5, gamma=1) and RFR (n_estimators=200, max_depth=None, min_samples_split=2). Results show RFR is superior with R2 0.8845, RMSE 0.9671, and MAE 0.6566, compared to SVR with R2 0.8648, RMSE 1.0462, and MAE 0.7150. Evaluation on 2024 data and visualization of error distribution corroborate the superiority of RFR. This study concludes RFR is more effective for COMBINED prediction, although SVR is competitive post-optimization, and contributes to the selection of machine learning models for green vehicle technology.
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) | 0,000 | 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 ».