論文の概要: A Conditional Diffusion Model for Probabilistic Prediction of Battery Capacity Degradation

• arxiv url: http://arxiv.org/abs/2510.17414v1
• Date: Mon, 20 Oct 2025 10:56:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.420035
• Title: A Conditional Diffusion Model for Probabilistic Prediction of Battery Capacity Degradation
• Title（参考訳）: 電池容量劣化の確率予測のための条件拡散モデル
• Authors: Hequn Li, Zhongwei Deng, Chunlin Jiang, Yvxin He andZhansheng Ning,
• Abstract要約: 本稿では,この課題に対処するために,機能工学とディープラーニングを統合したDiffusion U-Net with Attention (CDUA)と呼ばれる新しい手法を提案する。 提案手法では,時系列予測に拡散に基づく生成モデルを用い,注意機構を取り入れて予測性能を向上させる。 実世界の車両データに対する実験的検証により、提案したCDUAモデルは相対平均絶対誤差(MAE)が0.94%、相対平均正方形誤差(RMSE)が1.14%、相対幅が3.74%であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of lithium-ion battery capacity and its associated uncertainty is essential for reliable battery management but remains challenging due to the stochastic nature of aging. This paper presents a novel method, termed the Condition Diffusion U-Net with Attention (CDUA), which integrates feature engineering and deep learning to address this challenge. The proposed approach employs a diffusion-based generative model for time-series forecasting and incorporates attention mechanisms to enhance predictive performance. Battery capacity is first derived from real-world vehicle operation data. The most relevant features are then identified using the Pearson correlation coefficient and the XGBoost algorithm. These features are used to train the CDUA model, which comprises two core components: (1) a contextual U-Net with self-attention to capture complex temporal dependencies, and (2) a denoising network to reconstruct accurate capacity values from noisy observations. Experimental validation on the real-world vehicle data demonstrates that the proposed CDUA model achieves a relative Mean Absolute Error (MAE) of 0.94% and a relative Root Mean Square Error (RMSE) of 1.14%, with a narrow 95% confidence interval of 3.74% in relative width. These results confirm that CDUA provides both accurate capacity estimation and reliable uncertainty quantification. Comparative experiments further verify its robustness and superior performance over existing mainstream approaches.
• Abstract（参考訳）: リチウムイオン電池のキャパシティとそれに伴う不確かさの正確な予測は、信頼性の高い電池管理には不可欠であるが、老化の確率的性質のため依然として困難である。 本稿では,CDUA(Condition Diffusion U-Net with Attention)と呼ばれる新しい手法を提案する。 提案手法では,時系列予測に拡散に基づく生成モデルを用い,注意機構を取り入れて予測性能を向上させる。 バッテリー容量は、まず実際の車両の運転データから導かれる。 最も重要な特徴は、ピアソン相関係数とXGBoostアルゴリズムを用いて同定される。 これらの特徴はCDUAモデルのトレーニングに利用されており、(1)複雑な時間的依存関係をキャプチャするための自己注意型コンテキストU-Net、(2)ノイズの多い観測から正確なキャパシティ値を再構築する認知ネットワークの2つのコアコンポーネントから構成されている。 実世界の車両データに対する実験的検証は、提案したCDUAモデルが相対平均絶対誤差(MAE)が0.94%、相対平均正方形誤差(RMSE)が1.14%、相対幅が3.74%であることを示す。 これらの結果は、CDUAが正確なキャパシティ推定と信頼性のある不確実性定量化の両方を提供することを確認した。 比較実験により、既存の主流アプローチよりも堅牢性と優れた性能が検証される。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Augmented Physics-Based Li-ion Battery Model via Adaptive Ensemble Sparse Learning and Conformal Prediction [1.6874375111244329]
  本研究では,低次リチウムイオン電池モデルの精度を高める適応アンサンブルスパース同定(AESI)フレームワークを提案する。 このアプローチは、拡張単一粒子モデル(ESPM)と進化的アンサンブルスパース学習戦略を統合し、堅牢なハイブリッドモデルを構築する。 種々の動作条件による評価の結果,ハイブリッドモデル(ESPM + AESI)は電圧予測精度を向上し,平均2乗誤差を最大46%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-07-01T01:00:07Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)
• Probabilistic Surrogate Model for Accelerating the Design of Electric Vehicle Battery Enclosures for Crash Performance [0.0]
  本稿では,事故性能に着目した電気自動車用バッテリケースの高速化設計のための確率的サロゲートモデルを提案する。 このモデルは、様々な材料およびプロセスパラメータのサーモフォーミングとクラッシュシミュレーションから生成されたデータを用いて訓練された。 新しいシミュレーションデータに対する検証では、全ての出力変数に対して平均絶対パーセンテージ誤差8.08%でモデルの予測精度を実証した。
  論文  参考訳（メタデータ） (2024-08-06T21:03:16Z)
• A Hybrid Probabilistic Battery Health Management Approach for Robust Inspection Drone Operations [0.0]
  検査ドローンは、アクセシビリティを改善して重要なインフラの信頼性を高めるユビキタスな資産である。 バッテリーは、検査ドローンの全体的な信頼性を判断し、信頼性と堅牢な検査に寄与する重要なコンポーネントである。 本稿では,Li-Po電池の放電終端(EOD)電圧予測のためのハイブリッド確率的手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T09:22:18Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Estimation of Accurate and Calibrated Uncertainties in Deterministic models [0.8702432681310401]
  我々は,決定論的予測を確率論的予測に変換する手法を考案した。 そのためには,そのようなモデルの精度と信頼性(校正)を損なう必要がある。 隠れたノイズを正確に回収できる合成データと、大規模な実世界のデータセットの両方について、いくつかの例を示す。
  論文  参考訳（メタデータ） (2020-03-11T04:02:56Z)

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。