論文の概要: Forecasting Lithium-Ion Battery Longevity with Limited Data
Availability: Benchmarking Different Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2312.05717v1
- Date: Sun, 10 Dec 2023 00:51:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 19:13:45.644752
- Title: Forecasting Lithium-Ion Battery Longevity with Limited Data
Availability: Benchmarking Different Machine Learning Algorithms
- Title（参考訳）: データ可用性を制限したリチウムイオン電池寿命予測: 異なる機械学習アルゴリズムのベンチマーク
- Authors: Hudson Hilal and Pramit Saha
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.4628430044380973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the use of Lithium-ion batteries continues to grow, it becomes
increasingly important to be able to predict their remaining useful life. This
work aims to compare the relative performance of different machine learning
algorithms, both traditional machine learning and deep learning, in order to
determine the best-performing algorithms for battery cycle life prediction
based on minimal data. We investigated 14 different machine learning models
that were fed handcrafted features based on statistical data and split into 3
feature groups for testing. For deep learning models, we tested a variety of
neural network models including different configurations of standard Recurrent
Neural Networks, Gated Recurrent Units, and Long Short Term Memory with and
without attention mechanism. Deep learning models were fed multivariate time
series signals based on the raw data for each battery across the first 100
cycles. Our experiments revealed that the machine learning algorithms on
handcrafted features performed particularly well, resulting in 10-20% average
mean absolute percentage error. The best-performing algorithm was the Random
Forest Regressor, which gave a minimum 9.8% mean absolute percentage error.
Traditional machine learning models excelled due to their capability to
comprehend general data set trends. In comparison, deep learning models were
observed to perform particularly poorly on raw, limited data. Algorithms like
GRU and RNNs that focused on capturing medium-range data dependencies were less
adept at recognizing the gradual, slow trends critical for this task. Our
investigation reveals that implementing machine learning models with
hand-crafted features proves to be more effective than advanced deep learning
models for predicting the remaining useful Lithium-ion battery life with
limited data availability.
- Abstract（参考訳）: リチウムイオン電池の使用が拡大するにつれて、リチウムイオン電池の寿命を予測できることがますます重要になっている。
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異なる機械学習アルゴリズムの相対的性能を比較して、最小限のデータに基づいてバッテリーサイクル寿命予測のための最高のパフォーマンスアルゴリズムを決定することを目的としている。
統計的データに基づいて,14種類の機械学習モデルを用いて手作りの機能を入力し,テストのために3つの特徴群に分割した。
ディープラーニングモデルでは,標準的なリカレントニューラルネットワークの構成,ゲート型リカレントユニット,アテンション機構のない長期記憶など,さまざまなニューラルネットワークモデルをテストした。
ディープラーニングモデルは、最初の100サイクルで各バッテリーの生データに基づいて、多変量時系列信号を供給した。
実験の結果,手作り機能を用いた機械学習アルゴリズムは特に良好であり,平均絶対パーセンテージ誤差は10～20%であった。
最も優れたアルゴリズムはランダムフォレスト回帰器であり、9.8%の平均絶対パーセンテージ誤差を与えた。
従来の機械学習モデルは、一般的なデータセットのトレンドを理解する能力に優れていた。
一方,深層学習モデルでは,生の限られたデータに対して,特に性能が低かった。
中間範囲のデータ依存を捉えることにフォーカスした gru や rnns のようなアルゴリズムは、このタスクにとって重要で緩やかな傾向を認識するのにあまり適していなかった。
本研究により,手作り機能付き機械学習モデルの実装は,データ可用性に制限のあるリチウムイオン電池寿命を予測するための高度なディープラーニングモデルよりも有効であることが判明した。
関連論文リスト
- Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。
モデルは最初、公開データセットを使用してスクラッチからトレーニングされ、典型的なネットワーク動作を学習する。
我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
論文 参考訳（メタデータ） (2024-09-30T17:51:54Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-08T05:44:06Z) - 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) - Benchmarking Learning Efficiency in Deep Reservoir Computing [23.753943709362794]
我々は、機械学習モデルがトレーニングデータからいかに早く学習するかを測定するために、データ効率の指標とともに、ますます困難なタスクのベンチマークを導入する。
我々は、RNN、LSTM、Transformersなどの確立された逐次教師付きモデルの学習速度を、貯水池計算に基づく比較的知られていない代替モデルと比較する。
論文 参考訳（メタデータ） (2022-09-29T08:16:52Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳（メタデータ） (2022-09-01T17:05:20Z) - PROMISSING: Pruning Missing Values in Neural Networks [0.0]
本稿では,ニューラルネットワークの学習と推論の段階において,欠落値(PROMISSing)を抽出する,シンプルで直感的かつ効果的な手法を提案する。
実験の結果, ProMISSing は様々な計算手法と比較して予測性能が良くなることがわかった。
論文 参考訳（メタデータ） (2022-06-03T15:37:27Z) - LCS: Learning Compressible Subspaces for Adaptive Network Compression at
Inference Time [57.52251547365967]
本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。
構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。
我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
論文 参考訳（メタデータ） (2021-10-08T17:03:34Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Statistical learning for accurate and interpretable battery lifetime
prediction [1.738360170201861]
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。
論文 参考訳（メタデータ） (2021-01-06T06:05:24Z) - Fast, Accurate, and Simple Models for Tabular Data via Augmented
Distillation [97.42894942391575]
本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。
我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
論文 参考訳（メタデータ） (2020-06-25T09:57:47Z)
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。