شماره ركورد
27890
پديد آورنده
دياكو شريفي
عنوان
مدل پيشبيني نفوذ خودروهاي الكتريكي با استفاده از روشهاي يادگيري ماشين
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي حمل و نقل
سال تحصيل
1398
تاريخ دفاع
1401/8/29
استاد راهنما
دكتر شهريار افندي زاده
دانشكده
عمران
چكيده
بخش حملونقل بهعنوان يكي از منابع عمده انتشار آلودگي هوا و گازهاي گلخانهاي همواره موردتوجه جوامع مختلف بوده است. بهمنظور كاهش انتشار گازهاي گلخانهاي، استفاده بهينه از منابع انرژي طبيعي و حفاظت از محيطزيست؛ خودروهاي الكتريكي بهعنوان جايگزيني براي خودروهاي بنزيني و ديزلي معرفي شدهاند. پيشبيني ميزان فروش خودروهاي الكتريكي براي ذينفعان مختلف ازجمله توليدكنندگان خودرو، سياستگذاران و ارائهدهندگان سوخت حائز اهميت است. در اين پاياننامه سعي شده است با بكارگيري علم هوش مصنوعي در راستاي جمعآوري دادهها، آماده كردن دادهها و ساخت مدلهاي پيشبيني، ميزان فروش خودروهاي الكتريكي در بازار خودرو برآورد شود. كيفيت و تنوع دادههاي استفاده شده در مدلسازي تأثير زيادي بر كيفيت مدل پيشبيني دارد ولي در اغلب پژوهشهاي پيشين تأثير تعداد محدودي از عوامل تأثيرگذار بر فروش خودروها مورد ارزيابي قرار گرفته است. به همين دليل در اين پژوهش ابتدا با طراحي چندين ربات خزشگر وب (جستوجوگر متن در وب) اين امكان فراهم شده است كه بهصورت خودكار طيف گستردهاي از دادههاي مؤثر بر فروش خودروها جمعآوري شود.. سپس با بكارگيري مدلهاي قدرتمند يادگيري عميق حافظه طولاني كوتاهمدت (LSTM)، حافظه طولاني كوتاهمدت پيچشي (ConvLSTM) سعي شده تا ميزان فروش خودروها برآورد شود. در اين پژوهش براي بهبود عملكرد مدل LSTM، يك مدل تركيبي با ساختاري جديد به اسم «مدل تركيبي LSTM با مدل توجه دوبعدي و شبكه بازگشتي» پيشنهاد داده شده و عملكرد اين مدل با مدلهاي LSTM و ConvLSTM مقايسه شده است. براي بهبود روند مدلسازي، هر سه مدل به صورت مدل يادگيري ماشين خودكار ساخته شدهاند. عملكرد مدلها بر اساس واحدهاي ارزيابي يكسان مورد مقايسه قرار گرفته و نتايج نشان ميدهد مدل تركيبي پيشنهادي عملكرد بهتري داشته است. سپس از مدل تركيبي براي پيشبيني سهم خودروهاي الكتريكي در دستههاي مختلف استفاده شده است. نتايج نشان ميدهد كه مدل تركيبي پيشنهادي عملكرد مناسبي داشته و با مقدار ميانگين قدر مطلق خطاي حدوداً 5/3 درصد توانسته است سهم خودروهاي الكتريكي را بهخوبي پيشبيني كند. براي تحليل بيشتر مدل، عمليات ارزيابي بر اساس رتبهبندي و تحليل حساسيت مدل هم انجام شده و نتايج و نمودارهاي منطقي و معنادار ارائهشده در اين مرحله هم بيانگر عملكرد خوب و كاراي مدل تركيبي پيشنهادي است.
تاريخ ورود اطلاعات
1401/11/23
عنوان به انگليسي
Electric vehicle penetration prediction model using machine learning methods
تاريخ بهره برداري
11/20/2023 12:00:00 AM
دانشجوي وارد كننده اطلاعات
دياكو شريفي
چكيده به لاتين
As a significant source of air pollution and greenhouse gases, the transportation sector has attracted the attention of numerous societies around the globe. In order to reduce greenhouse gas emissions, optimize fossil fuel use, and protect the environment, electric vehicles have been introduced as an alternative to gasoline and diesel cars. Predicting electric vehicle sales is momentous for stakeholders, including car manufacturers, policymakers, and fuel suppliers. This thesis aims to estimate the penetration of electric vehicles in the automotive market by applying the science of artificial intelligence to collect and prepare data and develop prediction models. The data used in the modeling process significantly affects the prediction model's quality, but in most previous research, only a few influencing features on cars sale were examined. In this thesis, several web crawlers were built to collect the required data. Vehicles sale were predicted using Long Short-Term Memory (LSTM) and Convolutional LSTM (ConvLSTM) deep learning models. In this thesis, to enhance LSTM performance, the hybrid model with a new structure called "Hybrid LSTM with two-dimensional Attention and Residual network" has been proposed. In order to improve the modeling process, all three models are built as Automated Machine Learning (AutoML) models. The proposed hybrid model performs better than the other models based on the same evaluation units. In the second step, the proposed hybrid model was used to predict the share of electric vehicles. According to the results, the proposed hybrid model performs well, and it predicts the share of electric cars well with an average MAE of about 3.5%. In order to further analyze the model, ranking and sensitivity analyses were performed. The logical and meaningful results and graphs presented in this stage also indicate that the hybrid model is an efficient and good performer.
كليدواژه هاي فارسي
: خودرو الكتريكي , پيشبيني فروش سريزماني , يادگيري ماشين , شبكه عصبي مصنوعي
كليدواژه هاي لاتين
Electric Vehicles , Time series prediction , Machine Learning , Artificial Neural Network
Author
Diyako Sharifi
SuperVisor
Shahriar Afandizadeh