关注序列：利用序列模型预测电池使用寿命
机器学习
2019-10-08 v2 机器学习
摘要
我们使用斯坦福大学发布的 124 个电池的数据，首先尝试解决二分类问题，即在仅给定前 5 个循环数据的情况下判断电池是“好”还是“坏”（即是否会持续超过某一循环数阈值），以及给定前 100 个循环数据确定电池将持续的确切循环数的预测问题。我们从纯数据驱动的角度处理该问题，希望使用深度学习来学习斯坦福团队手工设计的数据序列中的模式。对于这两个问题，我们使用了类似的深度网络设计，包括可选的 1-D 卷积、LSTM、可选的注意力（Attention）层，随后是全连接层以产生输出。对于分类任务，我们取得了极具竞争力的结果，验证准确率超过 90%，测试准确率为 95%，而当前领先模型的测试准确率为 97.5%。对于预测任务，我们也取得了有竞争力的结果，测试 MAPE 误差为 12.5%，而当前领先模型（Severson 等，2019）实现的 MAPE 误差为 9.1%。
引用
@article{arxiv.1910.01347,
title = {Pay Attention: Leveraging Sequence Models to Predict the Useful Life of Batteries},
author = {Samuel Paradis and Michael Whitmeyer},
journal= {arXiv preprint arXiv:1910.01347},
year = {2019}
}
备注
6 pages, 7 figures, 5 tables