| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.01 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Abstract
The use of Electric Vehicles (EV) has increased in recent years. The autonomy of the EV, expressed as its Driving Range (DR) is a key factor. This autonomy depends on several variables related to the vehicle itself as well as with external conditions. An accurate estimation of the DR value at each moment is a challenging task. In this thesis, we address the DR estimation problem using machine learning techniques. We build a dataset with 11 features, for DR estimation, using publicly available EV data. Then, we discuss the use of Machine Learning (ML) Regression techniques to estimate DR, with Linear Regression (LR), Multilayer Perceptron (MLP), and Radial Basis Function (RBF) neural networks. Moreover, we assess the effect of unsupervised dimensionality reduction techniques using feature selection and feature reduction approaches. The experimental results show that the use of both feature selection and feature reduction are useful at reducing the dimensionality of the data, keeping or improving the performance for DR estimation. This study also identifies the top features for DR estimation. The best feature selection method was the Mean-Median approach, while Principal Component Analysis yielded the best results in terms of feature reduction. Among the regression techniques evaluated, linear regression achieved the best overall performance. However, in real-world scenarios, where a larger number of variables may be present, methods such as MLP or RBF might offer better adaptability and robustness.
A utilização de veículos eléctricos (VE) tem aumentado nos últimos anos. A autonomia do VE, expressa na sua autonomia de condução (DR), é um fator-chave. Esta autonomia depende de diversas variáveis relacionadas com o próprio veículo, bem como com as condições externas. Uma estimativa exacta do valor do DR em cada momento é uma tarefa difícil. Neste artigo, construímos um conjunto de dados com 11 caraterísticas para a estimativa da DR, utilizando dados de VE disponíveis publicamente. Em seguida, discutimos a utilização de técnicas de regressão de Aprendizagem Automática (ML) para estimar a DR, com Regressão Linear (LR), Perceptron Multicamada (MLP) e redes neurais de Função de Base Radial (RBF). Além disso, avaliamos o efeito de técnicas de redução de dimensionalidade não supervisionadas utilizando abordagens de seleção e redução de caraterísticas. Os resultados experimentais mostram que a utilização tanto da seleção como da redução de caraterísticas são úteis para reduzir a dimensionalidade dos dados, mantendo ou melhorando o desempenho da estimativa de DR. Este estudo também identifica as principais caraterísticas para a estimativa de DR. O melhor método de seleção de caraterísticas foi a abordagem ML, enquanto a PCA produziu os melhores resultados em termos de redução de caraterísticas. Entre as técnicas de regressão avaliadas, a regressão linear obteve o melhor desempenho global. No entanto, em cenários do mundo real, onde pode estar presente um maior número de variáveis, métodos como o MLP ou o RBF podem oferecer uma melhor adaptabilidade e robustez.
A utilização de veículos eléctricos (VE) tem aumentado nos últimos anos. A autonomia do VE, expressa na sua autonomia de condução (DR), é um fator-chave. Esta autonomia depende de diversas variáveis relacionadas com o próprio veículo, bem como com as condições externas. Uma estimativa exacta do valor do DR em cada momento é uma tarefa difícil. Neste artigo, construímos um conjunto de dados com 11 caraterísticas para a estimativa da DR, utilizando dados de VE disponíveis publicamente. Em seguida, discutimos a utilização de técnicas de regressão de Aprendizagem Automática (ML) para estimar a DR, com Regressão Linear (LR), Perceptron Multicamada (MLP) e redes neurais de Função de Base Radial (RBF). Além disso, avaliamos o efeito de técnicas de redução de dimensionalidade não supervisionadas utilizando abordagens de seleção e redução de caraterísticas. Os resultados experimentais mostram que a utilização tanto da seleção como da redução de caraterísticas são úteis para reduzir a dimensionalidade dos dados, mantendo ou melhorando o desempenho da estimativa de DR. Este estudo também identifica as principais caraterísticas para a estimativa de DR. O melhor método de seleção de caraterísticas foi a abordagem ML, enquanto a PCA produziu os melhores resultados em termos de redução de caraterísticas. Entre as técnicas de regressão avaliadas, a regressão linear obteve o melhor desempenho global. No entanto, em cenários do mundo real, onde pode estar presente um maior número de variáveis, métodos como o MLP ou o RBF podem oferecer uma melhor adaptabilidade e robustez.
Descrição
Palavras-chave
Dimensionality reduction Driving range estimation Electric vehicle Feature reduction Feature selection Machine learning Neural networks Regression Redução da dimensionalidade Estimativa da autonomia Veículo elétrico Redução de caraterísticas Seleção de caraterísticas Aprendizagem automática Redes neuronais Regressão IPL/IDI&CA2024/ML4EP_ISEL