Prognoza czasu wykonywania zadań przez pracowników floty pojazdów dla planowania pracy floty pojazdów elektrycznych pod kątem ich ładowania

• Autorzy: Kopyt Marcin , Baczyński Dariusz , Gulczyński Tomasz

Identyfikatory

DOI

10.15199/48.2024.08.10

Warianty tytułu

EN

Forecast of task execution time by vehicle fleet employees for electric vehicle fleet work planning with regard to charging

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia analizę statystyczną zmiennych wejściowych służących potencjalnie do stworzenia modeli prognoz czasu wykonywania zadań przez pracowników korzystających z floty pojazdów. Po wyborze różnych kombinacji zmiennych wejściowych wykonano prognozy za pomocą metod uczenia maszynowego, w tym sztucznych sieci neuronowych, lasów losowych i drzew decyzyjnych gradientowo wzmacnianych. Zakończenie artykułu stanowią wnioski z wykonanych badań oraz ocena przewidywanej użyteczności prognoz czasu wykonywania zadań w potencjalnej optymalizacji pracy floty pojazdów elektrycznych, w tym ich ładowania.

EN

The paper presents statistical analysis of input variables potentially useful for prediction of task execution time by vehicle fleet -using employees. After selection of inputs combinations machine learning was used for forecasts. Among others artificial neural networks, random forests and gradient boosted decision trees. Summary of the paper consists of conclusions, including the assessment of expected usefulness of predictions of task completion time for potential optimization of EV fleet work management including charging.

Słowa kluczowe

PL

pojazd elektryczny; optymalizacja floty pojazdów; uczenie maszynowe

EN

electric vehicle; vehicle fleet optimization; machine learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 8
• Strony: 44--47
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Kopyt Marcin

• Politechnika Warszawska, Instytut Elektroenergetyki, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-7398-1901

autor

Baczyński Dariusz

• Politechnika Warszawska, Instytut Elektroenergetyki, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-9052-9159

autor

Gulczyński Tomasz

• Globema Sp. z o.o, ul. Wita Stwosza 22, 02-661 Warszawa, Polska

Bibliografia

• [1] Franceschetti, A., Honhon, D., Laporte, G., Van Woensel, T., Fransoo, J. C., Strategic fleet planning for city logistics, Transportation Research Part B: Methodological, Volume 95, 2017, 19-40, ISSN 0191-2615,
• [2] Hiermann, G., Puchinger, J., Ropke, S., Hartl, R. F. The Electric Fleet Size and Mix Vehicle Routing Problem with Time Windows and Recharging Stations, European Journal of Operational Research, Volume 252, Issue 3, 2016, 995-1018, ISSN 0377-2217.
• [3] Al-dal'ain, R., Celebi, D. Planning a mixed fleet of electric and conventional vehicles for urban freight with routing and replacement considerations, Sustainable Cities and Society, Volume 73, 2021, 103105, ISSN 2210-6707,
• [4] Gong, Huanhuan et al. A New Filter Feature Selection Algorithm for Classification Task by Ensembling Pearson Correlation Coefficient and Mutual Information. Engineering applications of artificial intelligence 131 (2024): 107865. Print.
• [5] Shi, Zhanhui et al. Identifying Reliability High-Correlated Gates of Logic Circuits With Pearson Correlation Coefficient. IEEE transactions on circuits and systems. II, Express briefs (2024): 1. Print.
• [6] Haji Seyed Asadollah, Seyed Babak et al. An Intelligent Approach for Estimating Aeration Efficiency in Stepped Cascades: Optimized Support Vector Regression Models and Mutual Information Theory. Soft computing (Berlin, Germany) 26.24 (2022): 13969-13984. Print.
• [7] Xu, Weichao et al. A Comparative Analysis of Spearman's Rho and Kendall's Tau in Normal and Contaminated Normal Models. Signal processing 93.1 (2013): 261-276. Print. https://doi.org/10.3390/en15249657
• [8] Kornbrot, Diana. “Point Biserial Correlation.” Wiley StatsRef: Statistics Reference Online (2014): Wiley StatsRef: Statistics Reference Online, 2014. Print.
• [9] Noorunnahar, Mst, Arman Hossain Chowdhury, and Farhana Arefeen Mila. A Tree Based eXtreme Gradient Boosting (XGBoost) Machine Learning Model to Forecast the Annual Rice Production in Bangladesh. PloS one 18.3 (2023): e0283452. Print.
• [10] Gono, Dylan Norbert, Herlina Napitupulu, and Firdaniza Firdaniza. Silver Price Forecasting Using Extreme Gradient Boosting (XGBoost) Method. Mathematics (Basel) 11.18 (2023): 3813. Print.
• [11] Moore, P. J., T. J. Lyons, and J. Gallacher. Random Forest Prediction of Alzheimer’s Disease Using Pairwise Selection from Time Series Data. PloS one 14.2 (2019): e0211558. Print.
• [12] Gupta, Sonal, Deepankar Chakrabarty, and Rupesh Kumar. Predicting Indian Electricity Exchange-Traded Market Prices: SARIMA and MLP Approach. OPEC energy review 47.4 (2023): 271-286. Print.
• [13] Piotrowski, P.; Rutyna, I.; Baczyński, D.; Kopyt, M. Evaluation Metrics for Wind Power Forecasts: A Comprehensive Review and Statistical Analysis of Errors. Energies 2022, 15, 9657.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).