Исследователи предлагают новый подход, позволяющий осуществлять обучение непосредственно на устройстве в системах электромобилей с ограниченными ресурсами для непрерывной адаптации предварительно обученных моделей прогнозирования заряда батареи к новым, ранее не встречавшимся данным.

  • Метод преобразует существующие предварительно обученные модели в адаптируемые версии, сохраняющие критически важные знания о гиперпараметрах из начального обучения.
  • В исследовании рассматриваются как стратегии адаптации моделей в онлайн-режиме, так и в офлайн-режиме для прогнозирования временных рядов.
  • Результаты показывают снижение средней абсолютной ошибки до 7.49% при адаптации в онлайн-режиме и до 14.88% при использовании техник адаптации в офлайн-режиме.

Этот подход подчеркивает существенную пользу адаптации непосредственно на устройстве, что приводит к улучшению прогнозов заряда батареи по сравнению с развертыванием неадаптированных моделей в реальных условиях.