机构名称：
¥ 1.0
摘要 - 电池电动汽车（BEV）在现代城市越来越重要，因为它们有可能减少空气污染。对他们的精确和实时估计，对于有效的行程规划和选择性的车辆系统至关重要，这可以减轻驾驶范围焦虑并降低能源成本。随着公众对数据隐私的认识的提高，采用了在BEV能源消耗建模背景下保护数据隐私的方法至关重要。联合学习（FL）是一种有希望的解决方案，可以通过允许本地数据保留在设备上，而仅与中央服务器共享模型更新，从而减轻向第三方传播敏感信息的风险。我们的工作研究了使用FLED方法（例如FedAvg和Fedper）的潜力，以改善BEV能源消耗预测，同时保持用户隐私。，我们使用模拟现实世界驱动条件下的10个BEV的数据进行了实验。我们的结果表明，FedAvg-LSTM模型在预测结果的MAE值中降低了高达67.84％。此外，我们探索了各种现实世界情景，并讨论了在这种情况下如何采用FL方法。我们的发现表明，FL方法可以有效地改善BEV能源消耗预测的性能，同时保持用户隐私。索引术语 - 填充学习，电动汽车，能源消耗建模，边缘云计算，数字双胞胎，隐私意识
使用联合电池电力汽车使用联合电池的隐私感知能源消耗
主要关键词
相关文件推荐
