研究人员提出了一种端侧学习方法，使电动汽车能够持续将预训练的电池功率预测模型适应于新的、未见过的数据分布。该方法将现有模型转化为可适应版本，在保留初始训练关键超参数知识的同时，能够在资源受限的系统中实现持续更新。
- 该研究调查了电动汽车的在线和离线模型适应策略。
- 在线适应技术实现了高达7.49%的平均绝对误差降低。
- 离线适应技术实现了高达14.88%的平均绝对误差降低。
- 结果表明，在各种模型和时间范围内，预测性能均有显著提升。
这项研究强调了端侧适应的巨大优势，与未适应模型部署相比，在真实电动汽车场景中增强了电池功率预测。