Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Engage Grants Program

Université Laval

$25,000.00

Modèles prédictifs de la consommation et des temps de recharge des véhicules électriques reposant sur l'analyse des données

FY 2018-19

Summary
Taxelco offre un service de taxi haut de gamme entièrement électrique. La plus faible autonomie des véhicules*électriques (par rapport à un véhicule thermique) impose de faire une gestion serrée de la charge. Or, l'énergie*nécessaire est fortement influencée par différents facteurs tels que la vitesse du véhicule, le style de conduite, la*température, le dénivelé de la route, etc. Au moment de choisir quel véhicule affecter à la course, il est*nécessaire de prévoir le plus précisément possible la consommation associée au déplacement. Il est également*nécessaire de prévoir le temps de recharge le plus précisément possible, car c'est un intrant du processus*d'affectation des véhicules.*Dans le cadre de ce projet, nous allons développer deux modèles prédictifs. Le premier (1) permet de prédire*la consommation (énergie) nécessaire pour aller d'un point A à un point B. Il tient notamment compte de la*vitesse, de l'itinéraire emprunté (dénivelé), de l'état de santé de la batterie et des conditions météo. Le second*modèle (2) permet de prédire le temps de recharge nécessaire pour faire passer la batterie d'un pourcentage X à*un pourcentage Y.*Ces deux modèles seront ""entraînés"" à partir des données empiriques cumulées dans les entrepôts de données*de l'entreprise depuis sa mise en service. En utilisant une approche de validation croisée, nous serons à même*d'évaluer la capacité prédictive de ces modèles. Nous les comparerons également aux heuristiques*présentement utilisées par l'entreprise.*L'entreprise pourra intégrer ces modèles au sein de ses processus. Une meilleure prévision permettra de*réduire la marge de sécurité utilisée dans le processus d'affectation des véhicules, et donc d'augmenter le taux*d'utilisation des véhicule et leur rentabilité.
Program
Engage Grants Program
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
523218-2018
Name nom
Gaudreault, Jonathan
Department département
Informatique et de génie logiciel
Organization id
51
Institution établissement
Université Laval
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2018
Competition year année de concours
2018
Award amount
25000
Program id
EGP
Program name en
Engage Grants Program
Program name fr
Programme de subventions d'engagement partenariat
Group en
Research partnerships programs
Group fr
Programmes de partenariat
Committee code
1552
Committee name en
Quebec Internal Decision Committee
Committee name fr
Comité de décision interne pour le Québec
Area of application code
700
Area of application group en
Transportation systems and services
Area of application group fr
Services et systèmes de transport
Area of application en
Transportation systems and services
Area of application fr
Services et systèmes de transport
Research subject code
1603
Research subject group en
Industrial engineering
Research subject group fr
Génie industriel
Research subject en
Logistics
Research subject fr
Logistique
Partie
1
Nb partie
1
Application title
Modèles prédictifs de la consommation et des temps de recharge des véhicules électriques reposant sur l'analyse des données
Keyword
NSERC
Application summary
Taxelco offre un service de taxi haut de gamme entièrement électrique. La plus faible autonomie des véhicules*électriques (par rapport à un véhicule thermique) impose de faire une gestion serrée de la charge. Or, l'énergie*nécessaire est fortement influencée par différents facteurs tels que la vitesse du véhicule, le style de conduite, la*température, le dénivelé de la route, etc. Au moment de choisir quel véhicule affecter à la course, il est*nécessaire de prévoir le plus précisément possible la consommation associée au déplacement. Il est également*nécessaire de prévoir le temps de recharge le plus précisément possible, car c'est un intrant du processus*d'affectation des véhicules.*Dans le cadre de ce projet, nous allons développer deux modèles prédictifs. Le premier (1) permet de prédire*la consommation (énergie) nécessaire pour aller d'un point A à un point B. Il tient notamment compte de la*vitesse, de l'itinéraire emprunté (dénivelé), de l'état de santé de la batterie et des conditions météo. Le second*modèle (2) permet de prédire le temps de recharge nécessaire pour faire passer la batterie d'un pourcentage X à*un pourcentage Y.*Ces deux modèles seront ""entraînés"" à partir des données empiriques cumulées dans les entrepôts de données*de l'entreprise depuis sa mise en service. En utilisant une approche de validation croisée, nous serons à même*d'évaluer la capacité prédictive de ces modèles. Nous les comparerons également aux heuristiques*présentement utilisées par l'entreprise.*L'entreprise pourra intégrer ces modèles au sein de ses processus. Une meilleure prévision permettra de*réduire la marge de sécurité utilisée dans le processus d'affectation des véhicules, et donc d'augmenter le taux*d'utilisation des véhicule et leur rentabilité.