文献

J-GLOBAL ID：202002218930124948   整理番号：20A0266446

バス経路を持つプラグインハイブリッド電気自動車のための畳込みニューラルネットワークベースの駆動サイクル予測法【JST・京大機械翻訳】

A Convolutional Neural Network-Based Driving Cycle Prediction Method for Plug-in Hybrid Electric Vehicles With Bus Route

著者 (3件)： Chen Zheng (School of Sciences, Ningbo University of Technology, Ningbo, China) ,  Yang Chao (School of Mechanical Engineering, Beijing Institute of Technology, Beijing, China) ,  Fang Shengnan (State Key Laboratory of Automotive Safety and Energy, Tsinghua University, Beijing, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 3255-3264  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 運転サイクル予測はハイブリッド電気自動車(HEV)のエネルギー管理戦略(EMS)において重要な役割を果たす。本論文は,畳込みニューラルネットワーク(CNN)に基づく駆動サイクル予測法を研究した。最初に,k-形状クラスタリング法を用いて,6つの異なるタイプに駆動サイクルデータをグループ化した。さらに,この方法を,クラスタリング駆動サイクルにしばしば用いられるk-平均アルゴリズムと比較した。第二に,CNNを採用して,k-Shapeクラスタ化の結果に基づいて,種々のタイプの駆動サイクルを予測した。いくつかの基本的特徴を選択して,人間の経験の支援なしでネットワークの入力を構築した。訓練ニューラルネットワークのプロセスにおいて,より正確に駆動サイクルの情報を記述することができるいくつかの高レベル特性を抽出して,深いニューラルネットワークを構築して,それは従来の実験ベースの駆動サイクル予測方法と異なった。次に,提案方法のより良い性能を,従来の機械学習方法との比較を行うことによって例示した。最後に,深い学習に基づくプラグインハイブリッド電気バス(PHEB)のための適応エネルギー管理戦略を与えて,シミュレーション結果は提案方法の有効性を証明した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 有効性 ,  *予測技法 ,  *ニューラルネットワーク ,  クラスタ化 ,  エネルギー管理 ,  機械学習 ,  シミュレーション ,  アルゴリズム ,  *ネットワーク ,  *ハイブリッド自動車
準シソーラス用語： クラスタリング法 ,  運転サイクル ,  *畳込みニューラルネットワーク ,  *プラグイン , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  音声処理  (JE05000E)

タイトルに関連する用語 (7件)： バス ,  経路 ,  プラグイン ,  ハイブリッド電気自動車 ,  畳込みニューラルネットワーク ,  サイクル ,  予測法