XiaoMi-AI文件搜索系统
World File Search System性能度量
性能度量定量指标提高运输绩效•往返和细分市场旅行时间•前进时间表•交叉点延迟•n
Performance Measure Quantitative Metrics Improve Transit Performance • Roundtrip & Segment travel time • Headway schedule • Intersection delay • Number of stops for red-light Enhance Citywide System • Number of messages received and stored • Predictive algorithm accuracy Reduce Greenhouse gas emissions • Idling time savings • Stop dwell time • Number of transit riders • Corridor and side-street congestion Increase Safety of the System • Corridor crash KSI Increase运输安全•按时性能•交通骑士的数量•交叉路口的过境人员延迟图2绩效措施
锂离子电池中经验开路电压建模的性能分析，第1部分：性能度量
摘要 - 对电荷状态（OCV-SOC）特征的开路电压对于电池管理系统至关重要。使用OCV-SOC曲线，可以实时估算SOC和电池容量。准确的SOC和容量信息对于执行大多数电池管理功能很重要，以确保安全，高效且可靠的电池组电源系统。文献中已经报道了许多方法，以改善SOC估计和电池容量估计。这些方法着眼于各种估计和过滤技术，以减少由于滞后和放松效应而导致的测量噪声和不确定性的影响。即使所有现有的SOC估计方法都取决于OCV-SOC的表征，但很少关注OCV-SOC表征错误的可能性以及OCV-SOC曲线对SOC和容量估计的不确定性的影响。在本文中，这是一系列三篇论文的第一部分，讨论了整个电池管理系统中OCV-SOC建模误差的效果。OCV-SOC曲线中不确定性的不同来源包括细胞间变化，温度变化，老化漂移，周期速率效应，曲线拟合误差和测量/估计误差。建议的不确定性模型可以纳入电池管理系统中，以提高其安全性，性能和可靠性。索引项 - OCV-SOC建模，OCV建模，OCV-SOC表征，OCV表征，锂离子电池，电荷估计，电池管理系统。
大脑年龄预测中的性能度量评估
图1应用于（i）预测的年龄（上排）和（ii）脑年龄三角洲（底行）的年龄偏差校正的示例。（a）预测年龄与真实年龄之间未经校正的关联。橙色线显示了用于建模年龄偏差的线性拟合。（b）使用拟合中的系数（图A中的橙色线）以纠正预测年龄后的预测年龄与真实年龄之间的关系。（c）校正的三角洲计算为校正的预测年龄真实年龄，该年龄没有年龄依赖性。（d）脑年龄三角洲与真实年龄之间未校正的关系，橙色线显示线性拟合适用于对年龄偏差进行建模。负斜率是由于X轴上的真实年龄与Y轴负面的真实年龄之间的抗相关性，这是因为负面的真实年龄是Delta的一部分（预测的年龄真实年龄）。（e）根据图D中的校正计算得出的校正三角洲，该校正没有年龄依赖性。（f）使用校正的Delta +真实年龄计算得出的预测年龄。因此，通过对预测的年龄值进行校正获得的校正三角洲给出了等效的结果，以纠正增量值本身的年龄（de Lange＆Cole，2020年），因为增量值包含预测值为真实年龄。图C和e = 1.00