Pesquisadores introduzem uma abordagem inovadora que permite o aprendizado no dispositivo em sistemas de veículos elétricos com recursos limitados, adaptando continuamente modelos de previsão de bateria pré-treinados a novos dados não vistos.
- O método transforma modelos pré-treinados existentes em versões adaptáveis que retêm conhecimento crítico de hiperparâmetros do treinamento inicial.
- O estudo investiga estratégias de adaptação de modelos online e offline para previsão de séries temporais.
- Os resultados mostram reduções no erro absoluto médio de até 7,49% com adaptação online e 14,88% com técnicas de adaptação offline.
Essa abordagem destaca o benefício substancial da adaptação no dispositivo, resultando em previsões aprimoradas da carga da bateria em comparação com implantações de modelos não adaptados em cenários do mundo real.