Los investigadores presentan un enfoque novedoso que permite el aprendizaje en el dispositivo en sistemas de vehículos eléctricos con recursos limitados, adaptando continuamente modelos de predicción de baterías preentrenados a nuevos datos no vistos.
- El método transforma los modelos preentrenados existentes en versiones adaptables que retienen el conocimiento crítico de hiperparámetros del entrenamiento inicial.
- El estudio investiga tanto estrategias de adaptación de modelos en línea como fuera de línea para la predicción de series temporales.
- Los resultados muestran reducciones del error absoluto medio de hasta 7.49% con adaptación en línea y 14.88% con técnicas de adaptación fuera de línea.
Este enfoque destaca el beneficio sustancial de la adaptación en el dispositivo, lo que resulta en predicciones mejoradas de la carga de la batería en comparación con implementaciones de modelos no adaptados en escenarios del mundo real.