Luxgen S3的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

Luxgen S3進入發燒排行的影片

以實車數據建構電動車剩餘里程之深度學習預測模型

為了解決Luxgen S3的問題，作者黃薇甄 這樣論述：

近年來，隨著油價上漲和環保意識抬頭，電動車的市場在台灣蓬勃發展。相較於傳統油車，電動車具備更高的能源效率並且對於環境的污染相對較少。然而國人對於電動車的購買以及使用依然有些許的隱憂，其中包含充電樁設立數量不足、對於電池電量消耗的不熟悉、過長的充電時間以及行駛里程上的限制，而上述的問題都會造成電動車駕駛者對於剩餘里程的焦慮，不確定剩餘電量是否能到達目的地。本研究之目標在於發展深度學習的模型來預測電動車剩餘里程，以得到更精準的剩餘里程預估來緩解駕駛者的焦慮。本研究所採用的預測模型包括支持向量回歸 (Support vector regression, SVR)、人工神經網路 (Artificia

l neural network, ANN)、遞迴神經網路 (Recurrent neural network, RNN) 以及其延伸長短期記憶網路 (Long short-term memory, LSTM)。預測模型的輸入資料主要參考車輛物理模型以及輔助系統耗電，包括剩餘電量、車速、坡度、加速度、風速、天氣、空調系統的設定、車燈開啟狀態等，預測模型之輸出則為單位時間耗電量，再結合車速可得到單位耗電量可行駛的里程，以剩餘電量除以單位電量里程 (unit energy mileage)，即可預估剩餘里程。前述模型以華創車電提供之5台LUXGEN S3 EV電動車在夏季的行駛資料進行訓練，結果顯

示，各模型對單位電耗里程之預測以2-time-step LSTM 模型預測結果最佳，其餘依次為1-time-step LSTM、2-time-step RNN、1-time-step RNN、ANN，SVR模型殿後，平均絕對百分比誤差分別為12.3%、15.7%、27.9%、31.3%、35.7%以及41.4%，顯見以2-time-step LSTM 模型預測單位耗電里程最具可行性。本研究亦對2-time-step LSTM 進行參數分析，發現：1. 當車速在20至100 km/h之間，可行駛里程隨車速遞增; 2. 當剩餘電量遞減，單位電量里程隨之遞增; 3. 當車輛加速度變化越劇烈，可行駛里

程遞減。最後，本研究提出兩種向駕駛者提供電池用電情況的情境。第一種情境是將預估之剩餘里程即時通知駕駛者，但為了避免預估之剩餘里程隨駕駛情況變化而上下振盪，可對預估里程取移動平均。第二種情境適用於駕駛者已有既定行程，依據旅程路徑及當時情況，可利用前述模型預測整趟旅程所需的耗電量。這兩種資訊應有助於駕駛者了解電動車狀況，並有助於緩解其焦慮。