走在汽車革命的路上論文書籍站
中國文化大學 觀光事業學系觀光休閒事業碩士在職專班 郭彥谷、郭宗賢所指導 楊莉君的 兩岸海運直航客輪旅客知覺風險、知覺價值與搭乘大眾運輸工具選擇行為之關聯性研究-以中遠之星為例 （2021），提出ix35油耗關鍵因素是什麼，來自於知覺價值、知覺風險、運輸工具、選擇行為、中遠之星。
而第二篇論文國立中興大學 機械工程學系所 盧昭暉所指導 文宏達的 運用AI模式於柴油車實際道路駕駛NOx和CO2的排放預測-以梯度提升回歸、人工神經網路和混合型模型進行特徵值重要性分析 （2021），提出因為有 氮氧化物 (NOx)、二氧化碳 (CO2)排放、柴油車輛、梯度提升回歸、特徵重要性、便攜式排放測量系統、人工神經網路的重點而找出了 ix35油耗的解答。
兩岸海運直航客輪旅客知覺風險、知覺價值與搭乘大眾運輸工具選擇行為之關聯性研究-以中遠之星為例
為了解決ix35油耗 的問題，作者楊莉君 這樣論述：
本研究為兩岸海運直航客輪旅客知覺風險、知覺價值與搭乘大眾運輸工具選擇行為之關聯性研究-以中遠之星為例。研究對象為選擇搭乘中遠之星往來兩岸的旅客，採用量化研究的方法，以問卷調查的方式進行實證調查。總計發放問卷500份，回收396份。經刪除無效問卷後，得有效問卷340份。問卷經整理後發現60%的乘客第一次搭乘兩岸直航船運。其中以參加旅行團共183人占比最大。研究結果發現，旅客的知覺風險對搭乘大眾運輸工具選擇行為具有負向顯著之影響，而知覺價值對搭乘大眾運輸工具選擇行為具有正向顯著之影響。研究之結論將提出對於業界之建議，提供在規畫旅客搭乘海上運輸往來兩岸從事觀光旅遊活動行程安排之參考策略，並提供政府
作為海洋觀光推廣政策之參考。
運用AI模式於柴油車實際道路駕駛NOx和CO2的排放預測-以梯度提升回歸、人工神經網路和混合型模型進行特徵值重要性分析
為了解決ix35油耗 的問題，作者文宏達 這樣論述：
本研究主要是建立以人工智慧(Artificial Intelligence, AI)模型來進行柴油車輛路上實際汙染排放預測的方法，做法是以攜帶型車輛汙染量測系統(Portable Emission Measurement System, PEMS)的實測數據來建模，數據來源是來自團隊的研究發表文章。由於PEMS系統所記錄的量測數據內容多達35項參數，雖然人工智慧技術能處理大量數據，但恐需花費較高的計算成本。因此，經分析這35項參數，發現其中影響氮氧化物(NOx)排放且具有高度相關性的有9項參數特徵值，而影響二氧化碳(CO2)排放，則有8項參數特徵值具高度相關性。為了對人工智慧 AI模型進行準
確、快速的預測，輸入特徵的選擇與模型的選擇一樣重要。本文研究了輸入特徵選擇對實際道路上行駛的輕型柴油車排放模型的影響。然後使用梯度提升回歸(Gradient Boosting Regression, GBR)模型訓練和預測市區場景、郊區和高速公路上實際駕駛柴油車輛的氮氧化物(NOx)、二氧化碳 (CO2)和燃料消耗量的排放。便攜式排放測量系統(Potable Emissions Measurement System, PEMS)系統用於收集車輛和環境條件的數據。車輛在兩條路線上行駛。該模型使用第一條路線數據進行訓練，並用於預測第二條路線的排放。有10個特徵(原來9個特徵值再加上需另外計算的加速
度)與NOx模型相關，9 個特徵(原來8個特徵再加上需另外計算的加速度)與CO2模型相關。對每個特徵的重要性進行排序，並使用不同數量的特徵作為輸入來訓練模型。最佳NOx模型在每種駕駛模式（市區、郊區和高速公路）中的決定係數 (R2) 值為 0.99、0.99 和 0.99。對第二條路線的預測的R2值分別為 0.88、0.89 和 0.96。最佳CO2模型在每種駕駛模式中的R2值分別為 0.98、0.99 和 0.99。對第二條路線的預測的 R2 值分別為 0.79、0.82 和 0.83。NOx模型最重要的特徵是空氣質量流量(g/s)、排氣流量(m3/min)和 CO2 (ppm)，而CO2模
型的重要特徵是排氣流量 (m3/min)和空氣質量流量(g/s)。值得注意的是，基於前三個特徵的回歸模型就可得到非常接近測量數據的預測。本研究還提出了使用其他人工智慧方法來比較預測結果。使用人工神經網路(Artificial Neuron Networks, ANN)用於構建 NOx 模型及使用混合模型用於構建CO2模型，此二模型的輸入特徵值數量均僅採用前三與前四重要的特徵值。根據結果比較，GBR 模型性能均優於其他兩個 AI 模型。關鍵字： 氮氧化物 (NOx)、二氧化碳 (CO2)排放;柴油車輛;梯度提升回歸;特徵重要性;便攜式排放測量系統;人工神經網路