基于 Transformer 的实时到离开建模以实现 EV 电池延迟充电
机器学习
2025-12-11 v2 人工智能
摘要
电动车（EVs）是可持续出行的关键，但其锂离子电池（LIBs）在维持较高状态充电（SOC）期间会加速老化。这可以通过延迟充满电（full charging）至离开前来缓解，这需要准确预测用户的离开时间。在本工作中，我们提出一种基于 Transformer 的实时到事件（TTE）模型用于准确预测 EV 的离开时间。我们的做法将每一天表示为 TTE 序列，通过将时间离散化为基于网格的 token。与之前主要依赖历史模式中时间依赖性的方法不同，我们的方法利用流式情境信息来预测离开时间。在针对 93 名用户和被动智能手机数据的真实世界研究中评估结果表明，我们的方法有效捕捉个体例行程序中不规则的离开模式，优于基线模型。这些结果突显了 \ours 算法在实际部署中的潜力及其对可持续交通系统的贡献。
关键词
引用
@article{arxiv.2512.07723,
title = {Enabling Delayed-Full Charging Through Transformer-Based Real-Time-to-Departure Modeling for EV Battery Longevity},
author = {Yonggeon Lee and Jibin Hwang and Alfred Malengo Kondoro and Juhyun Song and Youngtae Noh},
journal= {arXiv preprint arXiv:2512.07723},
year = {2025}
}
备注
16 pages, 9 figures, AAAI'26 (accepted)