Data-Efficient Vehicular Fuel Rate Estimation Via Transfer Learning Using a Nonlinear-Autoregressive-Exogenous Neural Network
Notice bibliographique
Résumé
Fuel estimation is crucial for intelligent transportation systems to minimize fuel consumption, thereby reducing costs and environmental impacts. However, developing accurate data-driven fuel-estimation models requires extensive data, which is usually costly and time-consuming to collect for feet systems with a large number of vehicles. This paper presents an inductive transfer learning (TL) method for fuel rate estimation to alleviate the large fuel data measurement requirement. First, a dynamic neural network based on the Nonlinear Auto-Regressive Exogenous (NARX) approach is trained for a Peterbilt 579 class 8 haul truck as the base model, using on-road fuel consumption measured data. Afterward, using the TL method, the developed fuel-estimation model is leveraged to three different vehicles with various engine sizes and types, including a Ford F-350, a hybrid Ford Fusion, and a turbocharged Ford Escape. Extensive analyses illustrated that the transferred target models require training data as minimal as 3% (3km) of the total data used for training the base model to achieve prediction accuracy comparable to the base model. Moreover, compared to developed conventional models, the TL-based target models for the Ford Fusion, Ford Escape, and Ford F-350 demonstrate average improvements of 70%, 71%, and 73% in terms of Mean Absolute Error (MAE), Rooted Mean Squared Error (RMSE), and training time, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».