| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.57 MB | Adobe PDF |
Advisor(s)
Abstract(s)
The electric vehicle use as a reliable and eco-friendly means of transportation has in creased rapidly over the past few years. When choosing an electric vehicle, its driving range capacity is a decisive factor to be taken into account as it minimizes driver’s anxiety while driving. An electric vehicle driving range depends on multiple factors that must be taken into account when attempting its prediction. Machine learning has become a widely used approach for highly complex problems, in which eRange prediction, being one of them, provides benefits such as becoming more accurate, the more the user drives his vehicle. This thesis compares, through standard metrics, implementations of machine learn ing based regression models (Linear regression and Ensemble Stacked Generalization) when training with publicly available datasets. The results of this work show the effects of different training sample sizes on machine learning model’s accuracy and training time, presenting more favorable results for the Linear Regression algorithm, as the algorithm was more resistant to overfitting for commonly trained data. The results can be replicated with the implemented Python application, allowing for future testing and study of the topic.
A utilização veículos elétricos como um meio de transporte confiável e ecológico tem vindo a aumentar nos últimos anos. Ao escolher um veículo elétrico, o range elétrico de condução é um fator decisivo a ser levado em consideração, pois minimiza a ansiedade do utilizador durante a condução. A autonomia de um veículo elétrico depende de vários fatores que devem ser conside rados ao estimar a sua previsão. A aprendizagem automática tem sido uma abordagem amplamente utilizada para problemas altamente complexos, dos quais a previsão da autonomia do veículo, é beneficial para o consumidor ao tornar-se mais preciso quanto mais o veículo é utilizado. Esta tese compara, através de métricas padrão e validação cruzada, implementações de modelos de regressão aprendizagem automática (Linear Regression e Ensemble Stacked Generalization) ao treinar com conjuntos de dados disponíveis publicamente. Os resultados desta tese demonstram as alterações da qualidade de previsão e de tempo de treino que os modelos de aprendizagem automática sofrem quando são usa das configurações dos dados diferentes e demonstrando resultados mais favoráveis para o algoritmo de Linear Regression, pois este demonstra melhor resistência a sobrea justar aos dados mais comuns presentes no conjunto de treino. Utilizando a aplicação desenvolvida em Python, é possível a replicação resultados, promovendo estudos fu turos no tema.
A utilização veículos elétricos como um meio de transporte confiável e ecológico tem vindo a aumentar nos últimos anos. Ao escolher um veículo elétrico, o range elétrico de condução é um fator decisivo a ser levado em consideração, pois minimiza a ansiedade do utilizador durante a condução. A autonomia de um veículo elétrico depende de vários fatores que devem ser conside rados ao estimar a sua previsão. A aprendizagem automática tem sido uma abordagem amplamente utilizada para problemas altamente complexos, dos quais a previsão da autonomia do veículo, é beneficial para o consumidor ao tornar-se mais preciso quanto mais o veículo é utilizado. Esta tese compara, através de métricas padrão e validação cruzada, implementações de modelos de regressão aprendizagem automática (Linear Regression e Ensemble Stacked Generalization) ao treinar com conjuntos de dados disponíveis publicamente. Os resultados desta tese demonstram as alterações da qualidade de previsão e de tempo de treino que os modelos de aprendizagem automática sofrem quando são usa das configurações dos dados diferentes e demonstrando resultados mais favoráveis para o algoritmo de Linear Regression, pois este demonstra melhor resistência a sobrea justar aos dados mais comuns presentes no conjunto de treino. Utilizando a aplicação desenvolvida em Python, é possível a replicação resultados, promovendo estudos fu turos no tema.
Description
Projeto Final para obtenção do Grau de Mestre em Engenharia Informática e de Computadores
Keywords
Electric vehicle Range prediction Machine learning Energy consumption Dataset preprocessing Veículo elétrico Estimação de distância Consumo energético Pré-processamento de datasets
Citation
ALBUQUERQUE, David Alexandre Sousa Gomes – Electric vehicle X driving range predition – EV X DRP. Lisboa: Instituto Superior de Engenharia de Lisboa, 2022. Dissertação de Mestrado.
Publisher
Instituto Superior de Engenharia de Lisboa