基于联邦学习的电动汽车网络能源需求预测
信号处理
2019-09-04 v1 机器学习
摘要
在本文中，我们提出使用最先进的机器学习新方法，旨在预测电动汽车（EV）网络的能源需求。这些方法可以学习并发现复杂隐藏特征的相关性，以提高预测精度。首先，我们提出一种基于能源需求学习（EDL）的预测方案，其中充电站提供商（CSP）从所有充电站（CSs）收集信息，然后执行 EDL 算法以预测所考虑区域的能源需求。然而，该方法需要 CSs 与 CSP 之间频繁的数据共享，从而给 EVs 和 CSs 带来通信开销和隐私问题。为解决此问题，我们提出联邦能源需求学习（FEDL）方法，其允许 CSs 在不泄露真实数据集的情况下共享信息。具体而言，CSs 只需将其训练好的模型发送给 CSP 进行处理。在这种情况下，我们可以显著降低通信开销并有效保护 EV 用户的数据隐私。为了进一步提高 FEDL 的有效性，我们随后通过在对 EV 网络应用 EDL 算法之前将 CSs 分组为簇，引入了一种新的基于聚类的 EDL 方法。通过实验结果，我们表明所提方法与其他基线机器学习算法相比，可将能源需求预测精度提高至多 24.63%，并将通信开销降低 83.4%。
引用
@article{arxiv.1909.00907,
title = {Energy Demand Prediction with Federated Learning for Electric Vehicle Networks},
author = {Yuris Mulya Saputra and Dinh Thai Hoang and Diep N. Nguyen and Eryk Dutkiewicz and Markus Dominik Mueck and Srikathyayani Srikanteswara},
journal= {arXiv preprint arXiv:1909.00907},
year = {2019}
}
备注
6 pages, 4 figures, the paper has been accepted on IEEE GLOBECOM Conference 2019