Resumen:La creciente adopción de vehículos eléctricos (EV) requiere una comprensión de su comportamiento de conducción para mejorar la seguridad del tráfico y desarrollar sistemas de conducción inteligentes. Este estudio compara modelos clásicos y de aprendizaje automático para el comportamiento de seguimiento de vehículos eléctricos. Los modelos clásicos incluyen el modelo de controlador inteligente (IDM), el modelo de velocidad óptima (OVM), la velocidad relativa de velocidad óptima (OVRV) y un modelo CACC simplificado, mientras que el enfoque de aprendizaje automático emplea un regresor de bosque aleatorio. Utilizando un conjunto de datos del mundo real de un vehículo eléctrico que sigue a un vehículo con motor de combustión interna (ICE) en diversas condiciones de conducción, calibramos los parámetros del modelo clásico minimizando el RMSE entre las predicciones y los datos reales. El modelo Random Forest predice la aceleración utilizando el espaciado, la velocidad y el tipo de espacio como entradas. Los resultados demuestran la precisión superior de Random Forest, logrando RMSE de 0,0046 (brecha media), 0,0016 (brecha larga) y 0,0025 (brecha extra larga). Entre los modelos basados en física, CACC obtuvo el mejor rendimiento, con un RMSE de 2,67 para intervalos largos. Estos hallazgos resaltan el rendimiento del modelo de aprendizaje automático en todos los escenarios. Estos modelos son valiosos para simular el comportamiento de los vehículos eléctricos y analizar la dinámica del tráfico de autonomía mixta en entornos integrados de vehículos eléctricos.
Publicado originalmente en export.arxiv.org el 28 de octubre de 2025.
Ver fuente original
