Key points are not available for this paper at this time.
In diesem Papier präsentieren wir einen Ansatz der ensemble gestapelten Generalisierung (ESG) zur besseren Vorhersage des Energieverbrauchs von Elektrofahrzeugen (EVs). ESG ist eine gewichtete Kombination mehrerer Basisregressionsmodelle zu einem Meta-Regressor, was die Vorhersage des Modells verbessert und die Modellvarianz im Vergleich zu einem einzelnen Regressormodell verringert. Für die aktuelle Studie entwickeln wir ESG, indem wir drei einzelne Basis-Maschinenlernalgorithmen kombinieren, d.h. Entscheidungsbaum (DT), Zufallswald (RF) und K-Nearest Neighbor (KNN), um den Energieverbrauch der EVs vorherzusagen. Um die Herausforderung der Vorhersage des Energieverbrauchs von EVs anzugehen, wurden die Daten aus der Präfektur Aichi, Japan, gesammelt, indem die digitale Höhenkarte mit langfristigen GPS-Tracking-Daten kombiniert wurde. Der Energieverbrauch der EVs in Bezug auf die Energieeffizienz (kWh/km) wurde unter Verwendung mehrerer wichtiger Variablen wie durchschnittlicher Reisegeschwindigkeit (km/h), Reisestrecke, nächtliche Beleuchtung, Nutzung des Klimaanlage (A/C), Heizungsverhältnis und Straßenneigung geschätzt. Es wurden mehrere statistische Bewertungsmetriken verwendet, um die Leistung der vorgeschlagenen Methoden zu bewerten. Die Vorhersageergebnisse zeigen, dass ESG robuster in der Vorhersage des Energieverbrauchs von EVs ist und andere Modelle übertroffen hat, indem es akzeptablere Werte für die vorgeschlagenen Bewertungsmetriken erzeugt hat. Die Ergebnisse zeigen weiter, dass die Genauigkeit der prädiktiven Modelle für den Energieverbrauch von EVs durch die Anwendung von Stacking-Techniken angemessen erreicht werden kann. Die Erkenntnisse dieser Studie könnten Entscheidungsträgern und Praktikern wichtige Leitlinien für die geplante Entwicklung und die optimale Platzierung von EV-Ladeinfrastrukturen in städtischen Gebieten bieten.
Ullah et al. (Fri,) untersuchten diese Frage.