Representative driving cycle construction incorporating road grade transitions using a Markov-chain method
Notice bibliographique
Résumé
Driving cycles are needed for vehicle design, fueleconomy analysis, and transportation emission estimation. Despitetheir significant role, conventional driving cycle construction methodsoften fail to capture the full range of real-world driving dynamics,primarily due to their limited consideration of road grade. In thiswork, a Markov Chain-Based (MCB) methodology for constructingrepresentative driving cycles is presented, which integrates extensivereal-world data, including vehicle speed, acceleration, and road grade.By leveraging a sparse transition matrix, our proposed approachenhances computational efficiency and is scalable to large statespaces. Experimental evaluations demonstrate that incorporating roadgrade significantly improves driving cycle representativeness, withthe mean Vehicle Specific Power (VSP) changing from 1.45 to1.44 kW/tonne (a 0.69% decrease), variance increasing from 4.29to 6.15 (a 43.3% increase), and the maximum VSP rising from7.53 to 11.6 kW/tonne (a 54.2% increase). Quantitative assessmentsfurther demonstrate that while average speed and acceleration errorsare maintained within 8.31% and 6.03%, respectively, idling time isunderestimated by 68.7% compared to the experimental data, which isa potential area for future refinement. Overall, the results underscorethat the representative driving cycle incorporating vehicle speed,acceleration, and road grade provides a better foundation for accurateperformance evaluations and emissions analyses. Future research willfocus on further optimizing computational efficiency and extendingthe framework to account for additional variables such as weatherconditions and cold climate effects, helping to contribute to theadvancement of next-generation, eco-friendly transportation systems.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».