近年来，电动车辆 (EVs) 的电池技术一直备受关注，重点是开发新的电池材料和化学成分，然而准确预测电池参数，如充电状态 (SOC) 和温度，对于构建先进的电池管理系统 (BMS) 仍然是一项挑战。鉴于将这些辅助参数整合到传统模型中的困难，建议采用数据驱动的方法，通过利用多头注意力和并行化友好架构的时间序列转换器 (TSTs) 和 LSTM 模型研究。还开发了新颖的 TST 架构，包括编码器 TST + 解码器 LSTM 和混合式 TST-LSTM，并与现有模型进行比较。使用一组包含宝马 i3 (60 Ah) 的 72 次行驶记录的数据集来解决 EV 中的电池寿命预测问题，旨在创建准确的 TST 模型，将环境、电池、车辆驾驶和加热电路数据纳入，以预测未来时间步骤的 SOC 和电池温度。

Aug, 2023

本文提出了一种基于迁移学习的深度网络框架，用于从可用的末端使用测量值计算给定灵活恒温负载集合的虚拟电池状态，并从中提取一阶虚拟电池模型参数，以解决在实际应用中仅有有关末端使用测量的信息而无法获得单个负载模型和参数的问题。在不同的空调和热水器集合上，验证了该框架的有效性。

Oct, 2018

通过引入 End of Life (EOL) 和 Equivalent Cycle Life (ECL) 作为生成 AI 模型的条件，该研究开发了一种经过改进的条件变分自编码器（RCVAE），通过将数据预处理成准视频格式，实现了电化学数据的综合合成，可以生成特定的电化学数据用于 EOL 和 ECL 的超定监督条件。此方法为用户提供了综合的电化学数据集，开创了锂电池数据人工合成的新研究领域，并可以基于详细的合成数据计算各种电池状态指标，为锂电池性能预测提供了新的视角和可能性。

Apr, 2024

本文提出一种基于数据驱动和模型驱动方法相结合的混合方法来进行电池健康估计，并证明其计算效率高、数据适用性强以及对不同操作条件具有鲁棒性。实验结果表明该方法能够准确预测电池容量和内阻，为了解电池在实际应用中的老化问题提供了新机遇。

Apr, 2023

利用多个去噪模块的力量，本研究提出了一种新方法，用于准确预测锂离子电池的剩余寿命 (RUL)，并通过去噪自编码器和小波去噪器生成编码 / 分解表示，然后通过专用的自注意力变换编码器进行处理，通过 NASA 和 CALCE 数据集上的大量实验证明，我们能够在多种噪声模式下表征广谱的健康指标估计，而且我们报告的误差指标与最近文献中的最佳结果持平或更好。

Sep, 2023

本研究采用贝叶斯集成学习方法，结合神经网络和贝叶斯建模概念，预测锂离子电池容量衰减，同时量化电池设计和老化过程所带来的不确定性，实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。

May, 2024

本文介绍了一种用于运输网络中估算出发时间的图神经网络模型，该模型使用了 MetaGradients 等算法优化方法，经过实际生产和现实情景分析的验证，在 Sydney 等城市的应用中相较之前的基础模型获得了显著的预测值准确度提高（最高达 40%）。

Aug, 2021

本文提出了一种名为 PoGeVon 的模型，基于 VAE，利用基于随机游走的节点位置嵌入和多任务学习的三阶段预测，对存在节点特征和图结构上的缺失值的网络化时间序列进行了精确的缺失值预测和图结构重构。

May, 2023

本文提出了一种名为 SVGA 的结构化变分图自编码器方法，通过结构化变分推理建模变量的先验分布，并将概率推理和图神经网络相结合，实现了对缺失节点特征的高精度估计。

Jun, 2022

为了解决图聚类中的关键问题：特性随机性和特性漂移，本文提出了一种 GAE 聚类方法，并提出采样和操作符，以提高聚类效果和鲁棒性。

Jul, 2021