使用联邦学习的联网纯电动汽车隐私感知能耗建模
机器学习
2023-12-18 v1 人工智能
密码学与安全
物理与社会
摘要
纯电动汽车（BEV）因其在减少空气污染方面的潜力，在现代城市中日益重要。对其进行精确且实时的能耗估计，对于有效的行程规划和优化车辆系统至关重要，这可以减少驾驶里程焦虑并降低能源成本。随着公众对数据隐私意识的提高，在 BEV 能耗建模的背景下采用保护数据隐私的方法至关重要。联邦学习（FL）是一种有前景的解决方案，它允许本地数据保留在设备上，仅与中央服务器共享模型更新，从而降低将敏感信息暴露给第三方的风险。我们的工作研究了使用 FedAvg 和 FedPer 等 FL 方法在保持用户隐私的同时改进 BEV 能耗预测的潜力。我们利用在模拟真实世界驾驶条件下的 10 辆 BEV 的数据进行了实验。我们的结果表明，FedAvg-LSTM 模型使预测结果的 MAE 值降低了高达 67.84%。此外，我们探索了各种真实世界场景，并讨论了在这些情况下如何应用 FL 方法。我们的研究结果表明，FL 方法能够在保持用户隐私的同时有效提高 BEV 能耗预测的性能。
引用
@article{arxiv.2312.07371,
title = {Privacy-Aware Energy Consumption Modeling of Connected Battery Electric Vehicles using Federated Learning},
author = {Sen Yan and Hongyuan Fang and Ji Li and Tomas Ward and Noel O'Connor and Mingming Liu},
journal= {arXiv preprint arXiv:2312.07371},
year = {2023}
}
备注
This paper is accepted by IEEE Transactions on Transportation Electrification (TTE) on December 4, 2023. (13 pages, 6 figures, and 6 tables)