在电动汽车（EVs）中，自适应电力管理需要准确的电力预测。尽管深度学习模型在这一领域的时间序列预测中表现优异，但当数据分布与训练数据不同时，其性能往往会下降。我们提出了一种新方法，使得在资源受限的电动汽车系统中可以实现设备端学习，持续适应预训练的电池预测模型以应对新出现的数据。
我们通过将现有的预训练模型转化为可适应版本，保留其初始训练中的关键超参数知识。我们全面调查了在线和离线模型适应策略。我们的结果显示，在不同模型和时间范围内，预测性能显著提升，在线和离线适应技术分别实现了平均绝对误差下降高达 7.49% 和 14.88%。本研究突显了设备端适应的重大优势，使电池功率预测在实际电动汽车场景中优于未适应模型的部署。
博主点评： 该研究展示了在电动汽车领域中，如何通过设备端学习提升电池功率预测的准确性，具有较高的应用价值。随着电动汽车技术的不断进步，这种自适应方法将为智能电力管理提供更多可能性。