शोधकर्ताओं ने डिवाइस-साइड लर्निंग के लिए एक विधि पेश की है जो इलेक्ट्रिक वाहनों को नए, अज्ञात डेटा वितरणों के लिए पूर्व-प्रशिक्षित बैटरी पावर प्रेडिक्शन मॉडल को निरंतर अनुकूलित करने की अनुमति देती है। यह दृष्टिकोण मौजूदा मॉडल को ऐसे संस्करणों में बदल देता है जो प्रारंभिक प्रशिक्षण से महत्वपूर्ण हाइपरपैरामीटर ज्ञान को बनाए रखते हुए, सीमित संसाधनों वाले सिस्टम में निरंतर अपडेट की सुविधा देते हैं।
- अध्ययन इलेक्ट्रिक वाहनों के लिए ऑनलाइन और ऑफलाइन मॉडल अनुकूलन रणनीतियों का जांच करता है।
- ऑनलाइन अनुकूलन तकनीकें 7.49% तक माध्य निरपेक्ष त्रुटि में कमी प्राप्त करती हैं।
- ऑफलाइन अनुकूलन तकनीकें 14.88% तक माध्य निरपेक्ष त्रुटि में कमी प्राप्त करती हैं।
- परिणाम विभिन्न मॉडल और समय सीमाओं में पूर्वानुमान प्रदर्शन में महत्वपूर्ण सुधार दिखाते हैं।
यह अध्ययन डिवाइस-साइड अनुकूलन के महत्वपूर्ण लाभ को उजागर करता है, जो वास्तविक दुनिया के इलेक्ट्रिक वाहन परिदृश्यों में अनुकूलित न किए गए मॉडल तैनाती की तुलना में बढ़ी हुई बैटरी पावर प्रेडिक्शन का परिणाम देता है।