基于锚定集成的贝叶斯不确定性量化用于可靠EV电力消耗预测
机器学习
2025-11-11 v1
摘要
准确的EV电力估计是实现续航预测和能源管理的关键，但实践者既需要点预测的准确性，又需要可信赖的不确定性。我们提出一种锚定-集成长短期记忆（LSTM）模型，采用Student-t似然分布同时捕捉epistemic（模型）和aleatoric（数据）不确定性。锚定方法施加高斯权重先验（MAP训练），实现类似后验的多样性而无需测试时抽样，t-head提供重尾鲁棒性和闭式预测区间。利用车辆运动学时间序列（如速度、电机转速），我们的模型取得了强大的准确性：RMSE 3.36 +/- 1.10，MAE 2.21 +/- 0.89，R-squared = 0.93 +/- 0.02，解释方差0.93 +/- 0.02，并提供接近名义覆盖率的良好校准不确定性区间。与竞争基线（Student-t MC dropout；带/不带锚定的分位数回归）相比，我们的方法在保持相同覆盖率的同时匹配或改进log-score，同时产生更锐利的区间。对于实际部署至关重要的是，在每个集成成员上进行单次确定性推断（或权重平均坍缩），消除了蒙特卡洛延迟。结果是一个紧凑、在理论上有据可循的估计器，将准确性、校准与系统效率相结合，为生产EV能源管理中的可靠续航估计和决策提供支持。
引用
@article{arxiv.2511.06538,
title = {Bayesian Uncertainty Quantification with Anchored Ensembles for Robust EV Power Consumption Prediction},
author = {Ghazal Farhani and Taufiq Rahman and Kieran Humphries},
journal= {arXiv preprint arXiv:2511.06538},
year = {2025}
}