面向电动汽车能耗建模的分数阶联邦学习
机器学习
2026-02-16 v1
摘要
连接电动汽车（BEV）上的联邦学习面临严重的不稳定性问题，主要由于间歇性连接、时间可变的客户端参与以及由多样化运行条件引起的显著客户端间差异。传统的FedAvg及许多先进方法在这些现实约束下会出现过度漂移并导致收敛性能下降。本文引入Fractional-Order Roughness-Informed Federated Averaging（FO-RI-FedAvg），这是一种轻量且模块化的FedAvg扩展，通过两种互补的客户端侧机制提升稳定性：（i）自适应粗糙度感知的诱导正则化，根据本地损失景观的粗糙度动态调节对全局模型的拉力；（ii）非整数阶局部优化，引入短期记忆以平滑冲突的更新方向。该方法保留标准FedAvg的服务器聚合，仅添加元素级操作且开销可 amortize，且允许独立切换各组件。我们在两个真实世界的BEV能耗预测数据集（VED及其扩展版本eVED）上进行实验，结果表明FO-RI-FedAvg在准确率和收敛稳定性方面均优于强大的联邦基线，尤其在客户端参与率降低时表现更为突出。
关键词
引用
@article{arxiv.2602.12567,
title = {Fractional Order Federated Learning for Battery Electric Vehicle Energy Consumption Modeling},
author = {Mohammad Partohaghighi and Roummel Marcia and Bruce J. West and YangQuan Chen},
journal= {arXiv preprint arXiv:2602.12567},
year = {2026}
}
备注
This manuscript is under review in IEEE Transactions on Transportation Electrification