Para peneliti memperkenalkan metode pembelajaran di perangkat yang memungkinkan kendaraan listrik secara terus-menerus menyesuaikan model prediksi daya baterai yang telah dilatih sebelumnya terhadap distribusi data baru yang belum pernah dilihat. Pendekatan ini mengubah model yang ada menjadi versi yang dapat diadaptasi yang mempertahankan pengetahuan hiperparameter kritis dari pelatihan awal sambil memungkinkan pembaruan berkelanjutan dalam sistem dengan sumber daya terbatas.
- Studi ini menyelidiki strategi adaptasi model daring dan luring untuk kendaraan listrik.
- Teknik adaptasi daring mencapai pengurangan kesalahan absolut rata-rata hingga 7,49%.
- Teknik adaptasi luring mencapai pengurangan kesalahan absolut rata-rata hingga 14,88%.
- Hasil menunjukkan peningkatan signifikan dalam kinerja peramalan di berbagai model dan cakrawala waktu.
Studi ini menyoroti manfaat substansial dari adaptasi di perangkat, yang menghasilkan prediksi daya baterai yang lebih baik dibandingkan dengan penyebaran model yang tidak diadaptasi dalam skenario kendaraan listrik dunia nyata.