運転者の行動とマッピングデータを統合した個人向け電気自動車エネルギー消費見積もりフレームワーク

arXiv:2604.20764v1 Announce Type: cross 本文は、地図ベースの文脈特徴と運転者固有の速度予測、および物理ベースのエネルギー消費モデルを組み合わせた個人用バッテリー電気自動車 (BEV) エネルギー消費見積もりフレームワークを提示します。本システムは、ルート選択、詳細な道路特徴処理、ルールベースの参照速度生成器、PID 制御器ベースの車両 dynamics サミュレータ、および個別の運転行動を再現するための Bidirectional LSTM モデルを組み合わせます。予測された個人固有の速度プロファイルを準安定逆算エネルギー消費モデルと連携させ、牽引電力、回生ブレーキ、および State-of-Charge (SOC) の変化を計算します。市街地、高速道路、丘陵地帯におけるルートの評価は、提案されたアプローチがインターセクションでの減速、速度制限の追従、道路勾配依存性の応答などの主要な運転者の行動パターンを捕捉でき、また正確な電力と SOC の軌跡を生み出すことを示しています。その結果は、学習された運転者の行動と地図ベースの文脈を組み合わせ、物理ベースのエネルギー消費モデルを使用することで、正確な個人用 BEV SOC 放電プロファイルを生成できる有効性を強調しています。

arXiv:2604.20764v1 Announce Type: cross Abstract: This paper presents a personalized Battery Electric Vehicle (BEV) energy consumption estimation framework that integrates map-based contextual features with driver-specific velocity prediction and physics-based energy consumption modeling. The system combines route selection, detailed road feature processing, a rule-based reference velocity generator, a PID controller-based vehicle dynamics simulator, and a Bidirectional LSTM model trained to reproduce individual driving behavior. The predicted individual-specific velocity profiles are coupled with a quasi-steady backward energy consumption model to compute tractive power, regenerative braking, and State-of-Charge (SOC) evolution. Evaluation across urban, freeway, and hilly routes demonstrates that the proposed approach captures key driver behavioral patterns such as deceleration at intersections, speed-limit tracking, and road grade-dependent responses, while producing accurate power and SOC trajectories. The results highlight the effectiveness of combining learned driver behavior with map-based context and physics-based energy consumption modeling to produce accurate, personalized BEV SOC depletion profiles.