PulseAugur
中
实时 21:53:06
English(EN) Inter-Stop Energy Prediction and Causal Driver Quantification for Dual-Source Trolleybuses via a Time-Aware Tabular Deep Learning Architecture

深度学习模型预测无轨电车能耗及因果因素

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的时序感知表格深度学习框架，用于预测双源无轨电车的能耗。该模型不仅能预测站间能耗，还能量化导致能耗的因果驱动因素。在苏黎世无轨电车数据集上的实验表明，与现有方法相比，该模型显著提高了预测精度，并将再生制动和平均速度等因素确定为关键的节能要素。 AI

影响 这项研究有望为公共交通带来更高效的能源管理系统，降低运营成本和环境影响。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的深度学习架构及其在特定问题领域的应用。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

深度学习模型预测无轨电车能耗及因果因素

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Wentao Zeng (School of Management, Foshan University, Foshan, China a School of Management, Foshan University, Foshan, China, School of Mechanical and Electrical Engineering and Automation, Foshan University, Foshan, China), Zijian Huang (School of Artif… ·

    基于时间感知表格深度学习架构的双源无轨电车停站间能量预测与因果驱动因素量化

    arXiv:2607.11349v1 Announce Type: cross Abstract: Dual-source trolleybuses alternate between overhead catenary supply and on-board battery operation, creating energy-use patterns driven by route attributes, high-frequency trajectories, and hourly weather. Existing models struggle…

  2. arXiv cs.LG TIER_1 English(EN) · Jun Gong ·

    基于时间感知表格深度学习架构的双源无轨电车站间能量预测与因果驱动因素量化

    Dual-source trolleybuses alternate between overhead catenary supply and on-board battery operation, creating energy-use patterns driven by route attributes, high-frequency trajectories, and hourly weather. Existing models struggle to represent these heterogeneous inputs and rarel…

相关实体

相关话题