研究人员提出了一种新颖的方法，使资源受限的电动汽车系统能够在设备端进行学习，从而持续将预训练的电池预测模型适应于新的、未见过的数据。

  • 该方法将现有的预训练模型转换为可适应的版本，同时保留初始训练中的关键超参数知识。
  • 该研究调查了用于时间序列预测的在线和离线模型适应策略。
  • 结果显示，通过在线适应技术，平均绝对误差降低了高达7.49%，而通过离线适应技术，平均绝对误差降低了14.88%。

这种方法突显了设备端适应的巨大优势，与真实场景中未适应模型的部署相比，电池电量预测得到了增强。