論文の概要: Statistical learning for accurate and interpretable battery lifetime
prediction
- arxiv url: http://arxiv.org/abs/2101.01885v1
- Date: Wed, 6 Jan 2021 06:05:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 07:09:10.028509
- Title: Statistical learning for accurate and interpretable battery lifetime
prediction
- Title(参考訳): 正確な電池寿命予測のための統計的学習
- Authors: Peter M. Attia, Kristen A. Severson, Jeremy D. Witmer
- Abstract要約: バッテリー寿命予測のためのシンプルで正確で解釈可能なデータ駆動モデルを開発した。
我々のアプローチは、新しいデータセットのモデルを迅速にトレーニングし、より高度な機械学習メソッドのパフォーマンスをベンチマークするためにも使用できます。
- 参考スコア(独自算出の注目度): 1.738360170201861
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven methods for battery lifetime prediction are attracting increasing
attention for applications in which the degradation mechanisms are poorly
understood and suitable training sets are available. However, while advanced
machine learning and deep learning methods offer high performance with minimal
feature engineering, simpler "statistical learning" methods often achieve
comparable performance, especially for small training sets, while also
providing physical and statistical interpretability. In this work, we use a
previously published dataset to develop simple, accurate, and interpretable
data-driven models for battery lifetime prediction. We first present the
"capacity matrix" concept as a compact representation of battery
electrochemical cycling data, along with a series of feature representations.
We then create a number of univariate and multivariate models, many of which
achieve comparable performance to the highest-performing models previously
published for this dataset. These models also provide insights into the
degradation of these cells. Our approaches can be used both to quickly train
models for a new dataset and to benchmark the performance of more advanced
machine learning methods.
- Abstract(参考訳): 劣化メカニズムの理解が不十分で,適切なトレーニングセットが利用できるアプリケーションでは,データ駆動によるバッテリー寿命予測が注目されている。
しかしながら、高度な機械学習とディープラーニングの手法は、最小限の機能エンジニアリングでハイパフォーマンスを提供する一方で、より単純な"統計学習"の方法は、特に小さなトレーニングセットにおいて、同等のパフォーマンスを達成し、物理的および統計的な解釈性も提供する。
本研究では,バッテリ寿命予測のためのシンプルで正確で解釈可能なデータ駆動モデルを開発するために,先述したデータセットを用いた。
まず、電池電気化学サイクルデータのコンパクトな表現として「容量行列」の概念を一連の特徴表現とともに提示する。
次に、多数の単変量モデルと多変量モデルを作成し、その多くが、以前このデータセットで公開された最高のパフォーマンスモデルに匹敵するパフォーマンスを達成する。
これらのモデルはまた、これらの細胞の分解に関する洞察を与える。
我々のアプローチは、新しいデータセットのモデルを迅速にトレーニングし、より高度な機械学習メソッドのパフォーマンスをベンチマークするためにも使用できます。
関連論文リスト
- Forecasting Lithium-Ion Battery Longevity with Limited Data
Availability: Benchmarking Different Machine Learning Algorithms [3.4628430044380973]
この研究は、従来の機械学習とディープラーニングの両方で、さまざまな機械学習アルゴリズムの相対的なパフォーマンスを比較することを目的としている。
統計的データに基づいて手工芸品を投入した14種類の機械学習モデルについて検討した。
深層学習モデルは、特に生の限られたデータに対して不適切な性能を示すことが観察された。
論文 参考訳(メタデータ) (2023-12-10T00:51:50Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - Quick-Tune: Quickly Learning Which Pretrained Model to Finetune and How [62.467716468917224]
本稿では,最適事前学習モデルとハイパーパラメータを共同で探索し,微調整する手法を提案する。
本手法は,一連のデータセット上で,事前学習したモデルの性能に関する知識を伝達する。
得られたアプローチによって、新しいデータセットの正確な事前学習モデルを迅速に選択できることを実証的に実証する。
論文 参考訳(メタデータ) (2023-06-06T16:15:26Z) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳(メタデータ) (2023-05-31T13:25:26Z) - Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for
Long-term Battery Degradation Forecasting [0.9208007322096533]
電気自動車のバッテリーの寿命や寿命の予測は、決定的かつ困難な問題だ。
多数のアルゴリズムが、バッテリ管理システムが収集したデータから利用できる機能を組み込んでいる。
この制限を克服できる高精度な手法を開発した。
論文 参考訳(メタデータ) (2022-12-03T12:59:51Z) - On Measuring the Intrinsic Few-Shot Hardness of Datasets [49.37562545777455]
トレーニング済みのモデルに対して、データセットに固有の数ショットの硬さを示す。
そこで我々は,数発の学習が可能な直感をとらえる,シンプルで軽量な尺度"Spread"を提案する。
我々の測定基準は、既存の硬さの概念に比べて数発の硬さを考慮し、計算が8~100倍高速である。
論文 参考訳(メタデータ) (2022-11-16T18:53:52Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳(メタデータ) (2022-10-11T10:20:31Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - BERT WEAVER: Using WEight AVERaging to enable lifelong learning for
transformer-based models in biomedical semantic search engines [49.75878234192369]
We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。
WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
論文 参考訳(メタデータ) (2022-02-21T10:34:41Z) - A Meta-learning Approach to Reservoir Computing: Time Series Prediction
with Limited Data [0.0]
本研究では,実験プロセスから適切なモデル構造を自動的に抽出するデータ駆動型手法を提案する。
簡単なベンチマーク問題に対して,我々のアプローチを実証する。
論文 参考訳(メタデータ) (2021-10-07T18:23:14Z) - Battery Model Calibration with Deep Reinforcement Learning [5.004835203025507]
バッテリーモデルのキャリブレーションパラメータを確実かつ効率的に推測するための強化学習ベースのフレームワークを実装します。
このフレームワークは、観測から現実ギャップを補うために、計算モデルパラメータのリアルタイム推論を可能にする。
論文 参考訳(メタデータ) (2020-12-07T19:26:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。