Muster vollmacht für autofahren

Xiaohua, Z., Haitao, M., Xu, X. und Wang, Q. (2008). Parameterdesign für Antriebsstrang und Leistungssimulation des elektrischen Stadtbusses. Proc. IEEE Vehicle Power and Propulsion Conf, Harbin, China. Wu, Q., Nielsen, A. H., Ostergaard, J., Cha, S. T., Marra, F., Chen, Y und Traholt, C.

(2010). Fahrmusteranalyse für die Netzintegrationsstudie für Elektrofahrzeuge (EV). Proc. IEEE PES Innovative Smart Grid Technologies Conf. Europe (ISGT Europe), Göteborg, Schweden. Lee, C. H. und Wu, C.

H. (2015). Eine neuartige Big-Data-Modellierungsmethode zur Verbesserung der Reichweitenschätzung von Elektrofahrzeugen. IEEE Access, 3, 1980–1993. Wangm, R. und Lukic, S. M. (2011). Überprüfung der Vorhersage der Fahrbedingungen und der Fahrstilerkennung basierende Steuerungsalgorithmen für Hybrid-Elektrofahrzeuge. Proc. IEEE Vehicle Power and Propulsion Conf, Chicago, Illinois, USA.

Liaw, B. Y. und Dubarry, M. (2007). Von der Fahrzyklusanalyse bis zum Verständnis der Batterieleistung im realen Betrieb von Elektro-Hybridfahrzeugen. J. Stromquellen 174, 1, 76–88. Smart, J. und Schey, S. (2012).

Batterie-Elektrofahrzeug-Fahr- und Ladeverhalten, das früh im EV-Projekt beobachtet wurde. Int. J. Alternative Antriebsstränge 1, 1, 27–33. Helmbrecht, M., Olaverri-Monreal, C, Bengler, K., Vilimek, R. und Keinath, A. (2014). Wie Elektrofahrzeuge das Fahrverhaltensverhalten beeinflussen. IEEE Intelligent Transportation Systems Magazine 6, 3, 22–32.

Lee, C. H. und Wu, C. H. (2016). Ein datengesteuerter Ansatz zum Erstellen eines erweiterbaren EV-Fahrdatenmodells. Proc. 3rd Multidisciplinary Int. Social Networks Conf. SocialInformatics, Union, New Jersey, USA. Meissner, E.

und Richter, G. (2003). Batterieüberwachung und elektrisches Energiemanagement: Voraussetzung für zukünftige Fahrzeug-Elektrosysteme. J. Stromquellen 116, 1-2, 79–98. Wenn Elektrofahrzeuge (EV) entstehen, ist es wichtig zu verstehen, wie das Fahrverhalten des Fahrers den Stromverbrauch in einem Elektrofahrzeug beeinflusst. Das persönliche Fahrverhalten des Fahrers ist in der Regel sehr ausgeprägt und kann anhand von Fahrmustern nach einigen Fahrzyklen erkannt werden. Dieser Artikel stellt eine Methode vor, die verschiedene maschinelle Lernansätze kombiniert, um das Fahrverhalten von Elektrofahrzeugen zu charakterisieren. Die Fahrmuster werden nach dem vom Batteriemanagementsystem (BMS) überwachten Stromverbrauch in Den persönlichen und EV-Flottenbetrieb modelliert. Zunächst wenden wir einen unbeaufsichtigten Clustering-Ansatz an, um das Verhalten eines Fahrers zu charakterisieren, indem wir Fahrmuster formulieren. Anschließend wurden die resultierenden gruppierten Datensätze verwendet, um maschinelles Lernen basierende Klassifikatoren für die Klassifizierung von Datasets von EV- und EV-Flotten-Fahrmustern zu trainieren.

Die Arbeit zielt darauf ab, eine robuste Lösung zu bieten, um die Eigenschaften bestimmter Arten von Elektrofahrzeugen und deren Fahrerverhalten zu identifizieren, damit Automobilhersteller und Anbieter von EV-Subsystem wertvolle Fahrinformationen für Produktverbesserungen sammeln können. Wang, L. und Wen, X. (1999). DynamischeS Match und Optimierung des Designs von Elektrofahrzeugantrieben. Proc. IEEE Int. Vehicle Electronics Conf. (IVEC`99), Changchun, China. Verwer, S., De Weerdt, M.

und Witteveen, C. (2011). Lernen fahrverhalten durch zeitgezeitende syntaktische Mustererkennung.