論文の概要: IIP-Mixer:Intra-Inter Patch Mixing Architecture for Battery Remaining Useful Life Prediction
- arxiv url: http://arxiv.org/abs/2403.18379v1
- Date: Wed, 27 Mar 2024 09:17:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 17:37:28.033627
- Title: IIP-Mixer:Intra-Inter Patch Mixing Architecture for Battery Remaining Useful Life Prediction
- Title(参考訳): IIPミクサ:電池残量予測のためのイントラインターパッチ混合アーキテクチャ
- Authors: Guangzai Ye, Li Feng, Jianlan Guo, Yuqiang Chen,
- Abstract要約: Intra-Inter Patch Mixer (IIP-Mixer) と呼ばれる単純なミクサーベースアーキテクチャを提案する。
IIP-Mixerは、他の一般的な時系列フレームワークよりも優れたバッテリRUL予測において、競合的なパフォーマンスを実現している。
- 参考スコア(独自算出の注目度): 2.6024829904078994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately estimating the Remaining Useful Life (RUL) of lithium-ion batteries is crucial for maintaining the safe and stable operation of rechargeable battery management systems. However, this task is often challenging due to the complex temporal dynamics involved. Recently, attention-based networks, such as Transformers and Informer, have been the popular architecture in time series forecasting. Despite their effectiveness, these models with abundant parameters necessitate substantial training time to unravel temporal patterns. To tackle these challenges, we propose a simple MLP-Mixer-based architecture named 'Intra-Inter Patch Mixer' (IIP-Mixer), which is an architecture based exclusively on multi-layer perceptrons (MLPs), extracting information by mixing operations along both intra-patch and inter-patch dimensions for battery RUL prediction. The proposed IIP-Mixer comprises parallel dual-head mixer layers: the intra-patch mixing MLP, capturing local temporal patterns in the short-term period, and the inter-patch mixing MLP, capturing global temporal patterns in the long-term period. Notably, to address the varying importance of features in RUL prediction, we introduce a weighted loss function in the MLP-Mixer-based architecture, marking the first time such an approach has been employed. Our experiments demonstrate that IIP-Mixer achieves competitive performance in battery RUL prediction, outperforming other popular time-series frameworks
- Abstract(参考訳): リチウムイオン電池の残留寿命(RUL)を正確に推定することは、充電可能な電池管理システムの安全かつ安定した運転を維持するために重要である。
しかし、このタスクは複雑な時間的ダイナミクスが関与しているため、しばしば困難である。
近年,Transformer や Informer などの注意型ネットワークが時系列予測において一般的なアーキテクチャとなっている。
有効性にもかかわらず、豊富なパラメータを持つこれらのモデルは、時間的パターンを解明するためにかなりのトレーニング時間を必要とします。
これらの課題に対処するために,我々は,多層パーセプトロン(MLP)のみをベースとしたアーキテクチャである'Intra-Inter Patch Mixer' (IIP-Mixer) という,シンプルなMLP-Mixerアーキテクチャを提案する。
提案したIIP-ミキサーは, パッチ内混合MLP, 短期の局所時間パターン, 長期のグローバル時間パターンをキャプチャするパッチ間混合MLPの2層からなる。
特に,RUL予測における特徴の多様性に対処するため,MLP-Mixerアーキテクチャに重み付き損失関数を導入する。
我々の実験により、IIP-Mixerは、他の一般的な時系列フレームワークよりも優れたバッテリRUL予測において、競争性能を発揮することが示された。
関連論文リスト
- SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。
いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。
本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
論文 参考訳(メタデータ) (2024-04-22T14:06:35Z) - Global Optimality without Mixing Time Oracles in Average-reward RL via Multi-level Actor-Critic [83.85151306138007]
Multi-level Actor-Critic (MAC) フレームワークには、Multi-level Monte Carlo (MLMC) 勾配推定器が組み込まれている。
2次元グリッドワールド目標到達ナビゲーション実験により、MACは従来のPGベースの平均報酬法よりも高い報酬を得られることを示した。
論文 参考訳(メタデータ) (2024-03-18T16:23:47Z) - Random Projection Layers for Multidimensional Time Series Forecasting [34.41467079882721]
RPMixerと呼ばれる全MLP時系列予測アーキテクチャを提案する。
本手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動を利用する。
提案手法は時空間グラフモデルと一般予測モデルの両方を含む代替手法より優れている。
論文 参考訳(メタデータ) (2024-02-16T07:28:59Z) - PowMix: A Versatile Regularizer for Multimodal Sentiment Analysis [71.8946280170493]
本稿では,単相混合型正規化手法の強みを生かした汎用な埋め込み空間正規化器であるPowMixを紹介する。
PowMixはマルチモーダルアーキテクチャの融合段階の前に統合され、テキストとテキストを混合するなどのモダル内混合を容易にし、レギュレータとして機能する。
論文 参考訳(メタデータ) (2023-12-19T17:01:58Z) - Frequency-domain MLPs are More Effective Learners in Time Series
Forecasting [67.60443290781988]
時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。
最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。
本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
論文 参考訳(メタデータ) (2023-11-10T17:05:13Z) - A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis [14.40202378972828]
そこで我々は,MSD-Mixerを提案する。MSD-Mixerは,各レイヤの入力時系列を明示的に分解し,表現することを学ぶマルチスケール分解ミクサーである。
我々は,MSD-Mixerが他の最先端のアルゴリズムよりも効率よく優れていることを示す。
論文 参考訳(メタデータ) (2023-10-18T13:39:07Z) - TSMixer: Lightweight MLP-Mixer Model for Multivariate Time Series
Forecasting [13.410217680999459]
トランスフォーマーは、時系列の相互作用をキャプチャする能力のために時系列予測で人気を博している。
高メモリとコンピューティングの要求は、長期予測にとって重要なボトルネックとなる。
マルチ層パーセプトロン(MLP)モジュールからなる軽量ニューラルネットワークTSMixerを提案する。
論文 参考訳(メタデータ) (2023-06-14T06:26:23Z) - TSMixer: An All-MLP Architecture for Time Series Forecasting [41.178272171720316]
Time-Series Mixer (TSMixer)は、多層パーセプトロン(MLP)を積み重ねた新しいアーキテクチャである。
一般的な学術ベンチマークでは、シンプルな実装TSMixerは専門的な最先端モデルに匹敵する。
我々は、TSMixerの能力に光を流すための様々な分析を行った。
論文 参考訳(メタデータ) (2023-03-10T16:41:24Z) - Beyond Exponentially Fast Mixing in Average-Reward Reinforcement
Learning via Multi-Level Monte Carlo Actor-Critic [61.968469104271676]
本稿では,アクター・アクターとアクター・アクター・アクター・アルゴリズムに埋め込まれた平均報酬に対して,マルチレベルモンテカルロ推定器を用いて混合時間に適応したRL手法を提案する。
不安定な報酬を伴うRL問題において,安定性に要求される技術的条件の緩和効果が,実用上優れた性能に変換されることを実験的に示す。
論文 参考訳(メタデータ) (2023-01-28T04:12:56Z) - MOI-Mixer: Improving MLP-Mixer with Multi Order Interactions in
Sequential Recommendation [40.20599070308035]
トランスフォーマーベースのモデルは、シーケンス長に2次記憶と時間の複雑さを必要とするため、ユーザの長期的関心を抽出することは困難である。
線形メモリと時間複雑性で有名なMLPベースのモデルは、最近、様々なタスクにおいてTransformerと比較して競合する結果を示した。
本稿では,レイヤのメモリと時間の複雑さを維持しながら,任意の順序のインタラクションを表現できる多階インタラクション層を提案する。
論文 参考訳(メタデータ) (2021-08-17T08:38:49Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳(メタデータ) (2021-04-11T16:45:18Z)
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。