論文の概要: A Hybrid Tucker-LSTM Tensor Network Model for SOC Prediction in Electric Vehicles

• arxiv url: http://arxiv.org/abs/2605.13200v1
• Date: Wed, 13 May 2026 08:54:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.928389
• Title: A Hybrid Tucker-LSTM Tensor Network Model for SOC Prediction in Electric Vehicles
• Title（参考訳）: 電気自動車におけるSOC予測のためのハイブリッドタッカーLSTMテンソルネットワークモデル
• Authors: Han Wang, Ying Wang, Bing Wang,
• Abstract要約: 本稿では,タッカーテンソル分解とLSTMネットワークを組み合わせた新しいハイブリッド手法を提案する。 入力は充電状態、走行距離、電圧、電流、細胞差分、時間的特徴である。 Tucker - LSTMはすべてのメトリクスでベースラインを上回っます。
• 参考スコア（独自算出の注目度）: 6.45905442274659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate state of charge estimation is critical for the success of electric vehicle battery management strategies, but it is well known that conventional estimators suffer from two fundamental shortcomings: cumulative errors that grow over time and reliance on simplified battery models that do not reflect real world dynamics. Therefore, this paper presents a novel hybrid approach combining Tucker tensor decomposition with LSTM networks, using full - lifecycle EV field data for SOC prediction. The inputs are charge status, mileage, voltage, current, cell differentials, and temporal features. Tucker decomposition is skillfully used to reduce dimensionality while maintaining the temporal structure, hence allowing a direct, fair comparison with standard LSTM. The result is unequivocal: Tucker - LSTM outperforms the baseline on all metrics, with MSE dropping 70.5\% (from 21.07 to 6.22 ), MAE improving 48.7\% (from 3.37\% to 1.73\%), RMSE falling from 4.59\% to 2.49\%, and $R^2$ rising from 0.918 to 0.976. Since the experimental results demonstrably demonstrate that tensor decomposition compresses high-dimensional battery data very well without loss of predictive fidelity, this paper naturally opens up a new direction for tensor-based analytics in electric vehicle battery management.
• Abstract（参考訳）: 充電の正確な状態は、電気自動車のバッテリー管理戦略の成功には不可欠であるが、従来の推定器は、時間とともに増加する累積誤差と、実世界のダイナミクスを反映しない単純化されたバッテリーモデルに頼っているという2つの根本的な欠点に悩まされていることはよく知られている。 そこで本稿では,SOC予測のためのフルライフサイクルEVフィールドデータを用いて,タッカーテンソル分解とLSTMネットワークを組み合わせた新しいハイブリッド手法を提案する。 入力は充電状態、走行距離、電圧、電流、細胞差分、時間的特徴である。 タッカー分解は時間構造を維持しながら寸法を小さくするために巧みに用いられ、通常のLSTMと直接的に公正に比較できる。 Tucker - LSTM はすべての指標でベースラインを上回り、MSE は 70.5 % (21.07 から 6.22 )、MAE は 48.7 % (3.37 % から 1.73 %)、RMSE は 4.59 % から 2.49 % に、R^2$ は 0.918 から 0.976 に上昇した。 実験の結果, テンソルの分解は予測精度を損なうことなく高次元の電池データを非常によく圧縮することを示したので, 電気自動車のバッテリー管理におけるテンソル解析の新しい方向性を自然に開ける。

関連論文リスト

• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
  本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。 また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。 AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-01-29T09:16:05Z)
• A Conditional Diffusion Model for Probabilistic Prediction of Battery Capacity Degradation [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-20T10:56:28Z)
• Physics-informed mixture of experts network for interpretable battery degradation trajectory computation amid second-life complexities [15.698670286581597]
  PIMOEは、部分的なフィールドアクセス可能な信号を用いて1サイクルでバッテリー劣化軌跡を計算する。 77の条件と67,902サイクルにわたる207個のバッテリーで検証されている。
  論文  参考訳（メタデータ） (2025-06-21T16:26:59Z)
• Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
  本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。 動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
  論文  参考訳（メタデータ） (2025-04-25T10:24:45Z)
• A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles [1.393499936476792]
  我々は,Scientific Machine Learningフレームワークを用いて,電池劣化の予測と長期予測を行う新しい手法を提案する。 我々は、予測と予測の両方が実用的な条件を反映していることを保証するために、地中真実データを組み込んだ。 我々のアプローチは、エネルギーシステムの持続可能性に貢献し、よりクリーンで責任あるエネルギーソリューションへの世界的移行を加速させる。
  論文  参考訳（メタデータ） (2024-10-18T09:57:59Z)
• Transformer Multivariate Forecasting: Less is More? [42.558736426375056]
  本稿では,実行効率を最適化しながら予測精度を高めるために冗長な情報を削減することに焦点を当てる。 このフレームワークは、5つの最先端(SOTA)モデルと4つの多様な実世界のデータセットによって評価される。 PCA+Crossformer(PCA+Crossformer)は平均平方誤差(MSE)を33.3%減らし、平均で49.2%減らす。
  論文  参考訳（メタデータ） (2023-12-30T13:44:23Z)
• Multistep Electric Vehicle Charging Station Occupancy Prediction using Mixed LSTM Neural Networks [1.3706331473063877]
  本稿では,従来の帯電状態列と時間的特徴を併用した長期記憶ニューラルネットを提案する。 このモデルは、イギリスのダンディーのオープンデータポータルから得られたEV充電データに基づいて、最先端の機械学習とディープラーニングのアプローチと比較される。 その結果,提案手法は1ステップ(10分)で99.99%,81.87%の精度で1ステップ(10分)先進6ステップ(1時間)の精度で予測し,ベンチマーク手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-09T11:10:14Z)
• On Minimum Word Error Rate Training of the Hybrid Autoregressive Transducer [40.63693071222628]
  ハイブリッド自己回帰変換器(HAT)の最小単語誤り率(MWER)訓練について検討する。 約3万時間のトレーニングデータを用いた実験から,MWERトレーニングがHATモデルの精度を向上させることを示す。
  論文  参考訳（メタデータ） (2020-10-23T21:16:30Z)
• Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
  電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。 我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。 このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
  論文  参考訳（メタデータ） (2020-07-06T16:10:54Z)

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。