| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.24 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This thesis endeavours to discern the primary variables influencing pricing differentials among electric vehicle manufacturers. Leveraging advanced machine learning algorithms, the study scrutinizes the impact of fifteen distinct features that potentially contribute to pricing variations. The models are meticulously trained and constructed on a comprehensive dataset, subsequently tested on an independent sample to ascertain optimal precision and accuracy metrics. While too many studies have successfully implemented this innovative methodology within the domain of internal combustion vehicles, its application to the electric vehicle domain remains a nascent area of inquiry. This pioneering approach, coupled with the evolving landscape of machine learning, holds the promise of delivering dual benefits: affording companies the ability to establish an appropriate pricing spectrum for their vehicles, and providing consumers with access to value-added electric vehicles. The study incorporates a diverse set of regression techniques, including Multiple Linear Regression, Support Vector Machine, Random Forest Regression, Decision Trees and XGBoost Regression. The target variable under consideration is price, characterized by its continuous nature. Consequently, the utilization and implementation of regression methodologies exclusively aligns with the nature of the output variable. In the domain of electric vehicles (EVs), research focused on employing machine learning for pricing determination has been relatively limited in its momentum and significance within the automotive industry. Despite the anticipated proliferation of these battery-powered vehicles driven by global imperatives for carbon neutrality, their widespread adoption is still in its early stages in the 21st century.
Esta tese procura identificar as principais variáveis que influenciam os diferenciais de preço no consumidor final entre veículos elétricos. Recorrendo a modelos avançados de aprendizagem automática, este estudo analisa o impacto nesse preço de quinze características distintas dos referidos veículos. Os modelos foram meticulosamente estimados com recurso a uma base de dados exaustiva e testados numa sub-amostra distinta de modo a otimizar a precisão e a exatidão das predições. Esta metodologia tem vindo a ser aplicada ao estudo dos preços dos veículos tradicionais com motor de combustão interna, mas não tanto no caso dos veículos elétricos. Quando conciliada com a evolução dos métodos de aprendizagem automática, esta abordagem pode, por um lado, suportar o processo de fixação de preços por parte dos fabricantes e, por outro lado, informar os consumidores finais, facilitando o respetivo processo de compra de veículos elétricos. Este estudo incorpora um conjunto de técnicas de regressão, nomeadamente, regressão linear múltipla, vetores de suporte, florestas aleatórias, árvores de decisão e boosting. A variável dependente é o preço no consumidor final, caraterizando-se pelo seu caráter numérico e contínuo. Assim, a adoção de técnicas de regressão é coerente com a natureza da variável explicada. No âmbito dos veículos elétricos, a investigação com recurso a métodos de aprendizagem automática é ainda muito limitada. Apesar de se vislumbrar a proliferação deste tipo de veículos por questões de neutralidade carbónica, a sua adoção está ainda numa fase preliminar em pleno século XXI.
Esta tese procura identificar as principais variáveis que influenciam os diferenciais de preço no consumidor final entre veículos elétricos. Recorrendo a modelos avançados de aprendizagem automática, este estudo analisa o impacto nesse preço de quinze características distintas dos referidos veículos. Os modelos foram meticulosamente estimados com recurso a uma base de dados exaustiva e testados numa sub-amostra distinta de modo a otimizar a precisão e a exatidão das predições. Esta metodologia tem vindo a ser aplicada ao estudo dos preços dos veículos tradicionais com motor de combustão interna, mas não tanto no caso dos veículos elétricos. Quando conciliada com a evolução dos métodos de aprendizagem automática, esta abordagem pode, por um lado, suportar o processo de fixação de preços por parte dos fabricantes e, por outro lado, informar os consumidores finais, facilitando o respetivo processo de compra de veículos elétricos. Este estudo incorpora um conjunto de técnicas de regressão, nomeadamente, regressão linear múltipla, vetores de suporte, florestas aleatórias, árvores de decisão e boosting. A variável dependente é o preço no consumidor final, caraterizando-se pelo seu caráter numérico e contínuo. Assim, a adoção de técnicas de regressão é coerente com a natureza da variável explicada. No âmbito dos veículos elétricos, a investigação com recurso a métodos de aprendizagem automática é ainda muito limitada. Apesar de se vislumbrar a proliferação deste tipo de veículos por questões de neutralidade carbónica, a sua adoção está ainda numa fase preliminar em pleno século XXI.
Description
Keywords
Machine learning Electric vehicles Multiple linear regression Support vector machines Random forest regression Decision trees XGBoost regression Aprendizagem automática Veículos elétricos Regressão linear múltipla Vetores de suporte Florestas aleatórias Árvores de decisão Regressão XGBoost