• Part of
    Ubiquity Network logo
    Interesse beim KIT-Verlag zu publizieren? Informationen für Autorinnen und Autoren

    Online lesen
  • No readable formats available
  • Stochastic Range Estimation Algorithms for Electric Vehicles using Data-Driven Learning Models

    Stefan Scheubner

    Band 96 von Karlsruher Schriftenreihe Fahrzeugsystemtechnik
     Download

    This work aims at improving the energy consumption forecast of electric vehicles by enhancing the prediction with a notion of uncertainty. The algorithm itself learns from driver and traffic data in a training set to generate accurate, driver-individual energy consumption forecasts.

    Umfang: X, 159 S.

    Preis: 43.00 €

    Wikipedia Concepts

    These are words or phrases in the text that have been automatically identified by the Named Entity Recognition and Disambiguation service, which provides Wikipedia () and Wikidata () links for these entities.

    Metrics:

    Konversationen


    Empfohlene Zitierweise
    Scheubner, S. 2022. Stochastic Range Estimation Algorithms for Electric Vehicles using Data-Driven Learning Models. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.5445/KSP/1000143200
    Scheubner, S., 2022. Stochastic Range Estimation Algorithms for Electric Vehicles using Data-Driven Learning Models. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.5445/KSP/1000143200
    Scheubner, S. Stochastic Range Estimation Algorithms for Electric Vehicles Using Data-driven Learning Models. KIT Scientific Publishing, 2022. DOI: https://doi.org/10.5445/KSP/1000143200
    Scheubner, S. (2022). Stochastic Range Estimation Algorithms for Electric Vehicles using Data-Driven Learning Models. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.5445/KSP/1000143200
    Scheubner, Stefan. 2022. Stochastic Range Estimation Algorithms for Electric Vehicles Using Data-driven Learning Models. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.5445/KSP/1000143200




    Export to:




    Lizenz

    Dieses Buch wurde im Open Access Format publiziert. Es gelten die Bestimmungen der Creative Commons Attribution 4.0 Lizenz (falls nicht anders vermerkt). Sie berechtigt die uneingeschränkte Nutzung, Vervielfältigung und Verbreitung in jeglichen Medien, solange das Werk angemessen zitiert wird. Das Urheberrecht behalten die Autorinnen und Autoren.

    Peer Review Informationen

    Dieses Buch ist Peer reviewed. Informationen dazu finden Sie hier

    Weitere Informationen

    Veröffentlicht am 3. Juni 2022

    Sprache

    Englisch

    Seitenanzahl:

    192

    ISBN
    Paperback 978-3-7315-1166-3

    DOI
    https://doi.org/10.5445/KSP/1000143200