Para peneliti memperkenalkan pendekatan baru yang memungkinkan pembelajaran di perangkat pada sistem kendaraan listrik dengan sumber daya terbatas untuk secara terus-menerus menyesuaikan model prediksi baterai yang telah dilatih sebelumnya dengan data baru yang belum pernah dilihat.
- Metode ini mengubah model pra-pelatihan yang ada menjadi versi yang dapat diadaptasi yang mempertahankan pengetahuan hiperparameter kritis dari pelatihan awal.
- Studi ini menyelidiki strategi adaptasi model daring dan luring untuk peramalan deret waktu.
- Hasilnya menunjukkan pengurangan kesalahan absolut rata-rata hingga 7,49% dengan adaptasi daring dan 14,88% dengan teknik adaptasi luring.
Pendekatan ini menyoroti manfaat substansial dari adaptasi di perangkat, yang menghasilkan prediksi daya baterai yang lebih baik dibandingkan dengan penerapan model yang tidak diadaptasi dalam skenario dunia nyata.