Pátek , 4 Červenec 2025
Domů Programování Dojezd elektromobilu & strojové učení
ProgramováníPythonStrojové učení

Dojezd elektromobilu & strojové učení

blank
blank

Vytvoříme jednoduchý model strojového učení, který předpovídá dojezd elektromobilu na základě okolní teploty. Předpokládejme, že máme k dispozici trénovací data, kde každý záznam obsahuje okolní teplotu a odpovídající dojezd elektromobilu.

Pro tuto ukázkovou simulaci vytvoříme umělá trénovací data, která budou demonstrovat lineární závislost mezi teplotou a dojezdem – tedy s rostoucí teplotou bude rostoucí i dojezd.

Použijeme jednoduchý lineární regresní model pomocí TensorFlow a Keras.

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# Vytvoření umělých trénovacích dat
temperatures = np.linspace(-20, 40, 100)  # teploty od -20 do 40 stupňů
ranges = temperatures * 3 + 100  # předpokládaný dojezd elektromobilu

# Přidání náhodného šumu do dat
ranges += np.random.normal(0, 10, ranges.shape)

# Definice a kompilace modelu
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1, input_shape=(1,)))
model.compile(optimizer='adam', loss='mse')

# Trénování modelu
model.fit(temperatures, ranges, epochs=50)

# Predikce dojezdu pro teplotu 20 stupňů
predicted_range = model.predict([20])
print(f'Předpovězený dojezd pro teplotu 20 stupňů: {predicted_range}')

# Vizualizace dat a předpovědí modelu
plt.scatter(temperatures, ranges, label='Trénovací data')
plt.plot(temperatures, model.predict(temperatures), 'r-', label='Předpověď modelu')
plt.xlabel('Teplota (°C)')
plt.ylabel('Dojezd (km)')
plt.legend()
plt.show()

Tento kód vytvoří lineární regresní model, který se snaží najít nejlepší způsob, jak popsat vztah mezi teplotou a dojezdem. Poté, co je model natrénovaný, můžeme ho použít k předpovědi dojezdu pro zadanou teplotu.

Zde je ukázka výstupu našeho vzorového příkladu:

blank

Shrnutí: Tento program demonstruje, jak lze pomocí metody strojového učení nazvané lineární regrese předpovědět dojezd elektromobilu na základě okolní teploty. Program vytváří umělá trénovací data, která demonstrují lineární závislost mezi teplotou a dojezdem – s rostoucí teplotou roste i dojezd. Trénovací data jsou poté použita k natrénování modelu lineární regrese, který je implementován pomocí knihovny TensorFlow.

Model lineární regrese je jednoduchý typ prediktivního statistického modelu, který se snaží popsat vztah mezi dvěma proměnnými lineární funkcí. V tomto případě model popisuje vztah mezi okolní teplotou (nezávislou proměnnou) a dojezdem elektromobilu (závislou proměnnou).

Po natrénování modelu je možné ho použít k předpovědi dojezdu pro zadanou teplotu. Program také vizualizuje trénovací data a předpovědi modelu na grafu. Tímto způsobem může uživatel snadno zjistit, jak dobře model předpovídá dojezd na základě teploty.

Tento příklad je základním ukazatelem možností strojového učení v praxi a lze jej dále rozšířit o další proměnné, například stav baterie nebo rychlost jízdy, které by mohly také ovlivnit dojezd elektromobilu.

Zanechte komentář

Napsat komentář

Související články

blank
ProgramováníUmělá inteligence

Runway Game Worlds: Vytvářejte video hry s generativní AI

Runway Game Worlds: Vytvářejte video hry s generativní AI bez nutnosti programování...

blank
ProgramováníPython

PyCharm JetBrains IDE vývojové prostředí

🚀 Úvod PyCharm je špičkové integrované vývojové prostředí (IDE) od společnosti JetBrains,...

blank
Kvízy a testyStrojové učeníUmělá inteligence

Jak vytvořit vlastní model ChatGPT

🛠️ Jak vytvořit vlastní model „ChatGPT“ Vytvoření vlastního konverzačního modelu na bázi...

blank
Kvantové počítačeStrojové učeníUmělá inteligence

Kvantové strojové učení

⚛️ Úvod do kvantového strojového učeníKvantové strojové učení (Quantum Machine Learning, QML)...

blank
×
Avatar
PetrPikora.com
AI Chatbot
Ahoj! Jak vám mohu pomoci?
 

Používáním tohoto chatbota souhlasíte se shromažďováním a používáním vašich dat, jak je uvedeno v našich Zásadách ochrany osobních údajů. Vaše údaje budou použity pouze jako pomoc s vaším dotazem.