Исследователи предлагают метод обучения на устройстве, который позволяет электромобилям непрерывно адаптировать предварительно обученные модели прогнозирования энергопотребления батареи к новым, ранее не встречавшимся распределениям данных. Этот подход преобразует существующие модели в адаптивные версии, сохраняя критически важные знания гиперпараметров из начального обучения и обеспечивая непрерывное обновление в системах с ограниченными ресурсами.
- В исследовании рассматриваются как стратегии онлайн-адаптации моделей, так и офлайн-адаптации для электромобилей.
- Техники онлайн-адаптации обеспечивают снижение средней абсолютной ошибки до 7,49%.
- Техники офлайн-адаптации обеспечивают снижение средней абсолютной ошибки до 14,88%.
- Результаты показывают значительное улучшение показателей прогнозирования для различных моделей и временных горизонтов.
Это исследование подчеркивает существенную пользу адаптации на устройстве, приводящую к улучшению прогнозов энергопотребления батареи по сравнению с развертыванием неадаптированных моделей в реальных сценариях использования электромобилей.