面向电动汽车能源需求预测的通信高效学习系统设计

Jiacong Xu; Riley Kilfoyle; Zixiang Xiong; Ligang Lu

面向电动汽车能源需求预测的通信高效学习系统设计

机器学习 2023-09-06 v1 信号处理

作者: Jiacong Xu , Riley Kilfoyle , Zixiang Xiong , Ligang Lu

摘要

将机器学习（ML）应用于时间序列能源利用预测问题是一项具有挑战性的任务，其成因多样。其中首要的是能源利用数据集的非同质性以及能源消费者的地理分散性。此外，这些 ML 模型需要大量训练数据与通信开销以开发有效模型。本文中，我们提出一种通信高效的时间序列预测模型，结合了部署于地理分散的一系列 EV 充电站上的最新 transformer 架构进展，以及联邦学习（FL）的一种高效变体，以实现分布式训练。我们的 FL 的时间序列预测性能与通信开销成本同对应模型进行比较，结果表明其在性能相当的同时，训练期间消耗的数据速率显著更低。此外，比较横跨 EV 充电及其他时间序列数据集进行，以证明我们所提模型在能源需求之外的广义时间序列预测中的灵活性。本工作的源代码见于 https://github.com/XuJiacong/LoGTST_PSGF

关键词

通信高效时间序列预测电动汽车 transformer架构联邦学习能源需求分布式训练

引用

@article{arxiv.2309.01297,
  title  = {Communication-Efficient Design of Learning System for Energy Demand Forecasting of Electrical Vehicles},
  author = {Jiacong Xu and Riley Kilfoyle and Zixiang Xiong and Ligang Lu},
  journal= {arXiv preprint arXiv:2309.01297},
  year   = {2023}
}

备注

7 pages, 6 figures

面向电动汽车能源需求预测的通信高效学习系统设计

摘要

关键词

引用

备注

相关论文