LAD-BNet：用于边缘设备实时能源预测的延迟感知双分支网络
机器学习
2025-12-09 v2 机器学习
摘要
边缘设备上的实时能源预测是智能电网优化与智能建筑面临的一项重大挑战。我们提出了 LAD-BNet（延迟感知双分支网络），这是一种针对 Google Coral TPU 边缘推理优化的创新神经架构。我们的混合方法将一个专门用于显式利用时间延迟的分支与一个具有空洞卷积的时间卷积网络（TCN）相结合，实现了对短期与长期依赖关系的同步捕获。在 10 分钟时间分辨率的真实能源消耗数据上进行测试，LAD-BNet 在 1 小时预测范围下实现了 14.49% 的 MAPE，在 Edge TPU 上的推理时间仅为 18ms，相比 CPU 实现了 8-12 倍的加速。多尺度架构使得预测可长达 12 小时，且性能退化可控。我们的模型相比 LSTM 基线提升了 2.39%，相比纯 TCN 架构提升了 3.04%，同时维持了 180MB 的内存占用，适合嵌入式设备的限制。这些结果为实时能源优化、需求管理与运营规划中的工业应用铺平了道路。
引用
@article{arxiv.2511.10680,
title = {LAD-BNet: Lag-Aware Dual-Branch Networks for Real-Time Energy Forecasting on Edge Devices},
author = {Jean-Philippe Lignier},
journal= {arXiv preprint arXiv:2511.10680},
year = {2025}
}
备注
27 pages, in French language. 10 tables, 26 references. Submitted to Energy and AI