論文の概要: On-Device Adaptive Battery Power Prediction for Electric Vehicles
- arxiv url: http://arxiv.org/abs/2607.09400v1
- Date: Fri, 10 Jul 2026 13:24:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.851929
- Title: On-Device Adaptive Battery Power Prediction for Electric Vehicles
- Title（参考訳）: 電気自動車のオンデバイス適応型バッテリ電力予測
- Abstract要約: 本稿では,リソース制約のあるEVシステムにおけるデバイス上での学習により,事前学習したバッテリー予測モデルを新しい未知のデータに継続的に適応させる手法を提案する。
その結果,様々なモデルおよび時間的地平線における予測性能の大幅な改善が示された。
- 参考スコア（独自算出の注目度）: 0.5314069314483559
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive power management in Electric Vehicles (EVs) requires accurate power prediction. Although deep learning models have emerged as highly effective for time-series forecasting in this domain, their performance is prone to degradation when exposed to data with distributions different from the training data. We introduce a novel approach that enables on-device learning in resource-constrained EV systems to continuously adapt pretrained battery prediction models to new, unseen data. We leverage existing pretrained models by transforming them into adaptable versions that retain critical hyperparameter knowledge from their initial training. We comprehensively investigate both online and offline model adaptation strategies. Our results demonstrate significant improvements in forecasting performance across various models and time horizons, achieving mean absolute error reductions of up to 7.49\% and 14.88\% with online and offline adaptation techniques, respectively. This study highlights the substantial benefit of on-device adaptation, resulting in enhanced battery power predictions than unadapted model deployments in real-world EV scenarios.
- Abstract（参考訳）: 電気自動車(EV)の適応電力管理には正確な電力予測が必要である。
ディープラーニングモデルは、この領域で時系列予測に非常に効果的であるとして現れてきたが、トレーニングデータとは異なる分布を持つデータに露出すると、その性能は劣化しがちである。
本稿では,リソース制約のあるEVシステムにおけるデバイス上での学習により,事前学習したバッテリー予測モデルを新しい未知のデータに継続的に適応させる手法を提案する。
既存の事前訓練モデルを利用して、初期トレーニングから重要なハイパーパラメータの知識を保持する適応可能なバージョンに変換します。
オンラインとオフラインの両方のモデル適応戦略を包括的に調査する。
その結果,オンラインおよびオフラインの適応手法を用いて,平均絶対誤差を7.49 %,平均誤差を14.88 %まで削減した。
この研究は、オンデバイス適応の実質的な利点を強調し、現実のEVシナリオにおける未適応モデルデプロイメントよりも、バッテリ電力の予測が向上した。
関連論文リスト
- Amortized Low-Rank Adaptation for Model-Based Reinforcement Learning [49.3087425299849]
世界モデルでは、エージェントは行動の結果を予測することで計画を立てるが、環境の変化はそれらを不正確なものにすることができる。
既存のアプローチでは、計算コストを表現性(すなわち、あるメソッドが生成できるモデルの範囲)と引き換えにしている。
本稿では、ハイパーネットワークを用いてテスト時にアダプタを生成することで、このトレードオフに対処するCLAWを提案する。
論文 参考訳（メタデータ） (2026-09-10T23:16:40Z) - MetaDAT: Generalizable Trajectory Prediction via Meta Pre-training and Data-Adaptive Test-Time Updating [18.84791793147564]
既存の軌道予測法では, 試験時間における分布変化による性能劣化が顕著である。
高速かつ正確なオンライン適応のための予測器を直接最適化するメタラーニングフレームワークを提案する。
テスト時に、オンライン部分微分とハードサンプル選択に基づいて学習率を動的に調整し、周波数を更新するデータ適応モデル更新機構を導入する。
その結果,提案手法は軌道予測のための最先端の試験時間トレーニング手法を超越し,適応精度が向上することを示した。
論文 参考訳（メタデータ） (2026-03-10T09:34:32Z) - IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。
このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。
その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
論文 参考訳（メタデータ） (2025-05-16T15:55:34Z) - ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。
我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。
実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。
Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文 参考訳（メタデータ） (2024-07-28T19:18:59Z) - Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。
テスト時間フォワード最適化適応法(FOA)を提案する。
FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
論文 参考訳（メタデータ） (2024-04-02T05:34:33Z) - Secure short-term load forecasting for smart grids with
transformer-based federated learning [0.0]
電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。
きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。
本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T15:27:55Z) - A physics-informed and attention-based graph learning approach for
regional electric vehicle charging demand prediction [7.441576351434805]
本稿では,特徴抽出のためのグラフと時間的注意機構の統合を実現する新しい手法を提案する。
中国深センの18,013台のEV充電杭のデータセットによる評価結果から,提案手法はPAGと呼ばれ,最先端の予測性能を達成可能であることが示された。
論文 参考訳（メタデータ） (2023-09-11T06:31:45Z) - An Adaptive Deep Learning Framework for Day-ahead Forecasting of
Photovoltaic Power Generation [0.8702432681310401]
本稿では,従来のデータから一般知識を取得するだけでなく,新たなデータから特定の知識を動的に学習するDLフレームワークである適応LSTM(AD-LSTM)モデルを提案する。
開発したAD-LSTMモデルは,特にコンセプトドリフトの存在下で,オフラインのLSTMモデルよりも高い予測能力を示す。
論文 参考訳（メタデータ） (2021-09-28T02:39:56Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z)
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。