May, 2023

物联网能源服务中的能量损失预测

PDF
TL;DR本论文提出了一种称为 Energy Loss Prediction（ELP）的框架，用于估计共享众包能源服务中的能量损失。 提出了一种名为 Easeformer 的新型基于注意力机制的算法，用于在共享能源环境中预测物联网设备的电池电量，从而估计能量损失。 通过实验验证，该框架优于现有方法。
energy loss predictioncrowdsourcingiot deviceseaseformerwireless energy datasets
发现论文，激发创造
  • 物联网无线充电效率监测

    本文提出了一个使用机器学习算法（XGBoost 和神经网络）的能量预估框架，以预测无线充电设备实际接收到的能量水平。收集了真实的无线能量数据集进行训练和测试，结果表明神经网络模型比 XGBoost 模型更准确。

    Mar, 2023

  • ecoBLE：蓝牙低功耗的低计算能耗预测框架

    通过测量结果，我们的框架能够对不同的蓝牙低功耗节点的能耗进行预测，其平均绝对百分比误差为 12％，预测模型的尺寸比现有的能耗预测模型小五倍，具有可比较的准确度。

    Aug, 2023

  • 基于强化学习的物联网系统中多接入控制和能量收集电池预测

    本文研究小型 IoT 系统中的能量收集、访问控制和电池预测问题，提出了基于强化学习和深度 Q 网络的三种算法，实验结果表明这些算法在性能上比现有基准方法更优秀。

    May, 2018

  • 电动汽车网络联邦学习能源需求预测

    本文介绍了使用机器学习技术预测电动汽车网络的能量需求的方法，包括一种使用聚类和联邦学习的方法，以减少通信开销和保护数据隐私。实验结果表明，与其他基线机器学习算法相比，我们的方法可以提高能量需求预测的准确性高达 24.63％，并降低 83.4％的通信开销。

    Sep, 2019

  • 揭示深度学习的能效：边缘设备上的测量、预测和评分

    本研究通过测量、预测和评分等三个方面的研究，揭示了边缘设备中深度学习的能量消耗特征，并设计了基于内核级能量数据集的边缘设备上的内核级能量预测器，最后引入了两个评分指标，旨在将复杂的边缘设备功耗和能量消耗数据转化为易于理解的形式，以推动边缘计算中的可持续发展思维。

    Oct, 2023

  • 自组织低功耗物联网网络：一种分布式学习方法

    本研究通过自学习、分布式学习的方法，适应环境，使物联网设备之间的通信参数最大程度优化，实现能源效率和通信可靠性的提高，并与中心化方式进行对比，结果显示本方法能显著提升物联网通信的能源效率和可靠性，在低成本和低功耗的物联网应用中具有很好的应用前景。

    Jul, 2018

  • 基于能源感知的早期退出实现可持续的边缘智能

    提出了一种基于动态早停止和能量感知策略的边缘智能系统，用于解决深度学习模型在能源受限设备上的能耗问题，实现高效、精准的推理，与传统的能量不感知策略相比，精度和服务率分别提高了至多 25% 和 35%。

    May, 2023

  • NeuralPower: 预测和部署高效卷积神经网络

    本研究提出基于稀疏多项式回归的逐层预测框架 NeuralPower，以准确预测在任何 GPU 平台上部署的卷积神经网络的能耗和运行时间。同时，我们还提出了 “能耗 - 精度比”（EPR）指标，以帮助机器学习者选择更能平衡能耗和预测准确度的 CNN 架构。实验结果表明，该框架可以提高预测精度高达 68.5％，且可以在不同 GPU 平台和深度学习软件工具上得到验证。

    Oct, 2017

  • 电动汽车能量需求预测学习系统的高效设计

    通过跨地理分散的电动汽车充电站和联邦学习的高效变种，结合最新进展的 Transformer 架构，提出了一种通信高效的时间序列预测模型，具有与其他模型相媲美的性能，但在训练过程中消耗更低的数据速率。

    Sep, 2023

  • 无线传感器网络中基于预测的数据降低调查

    本研究分析并归类了旨在为无线传感器网络设计的基于预测的数据降低机制，并提出了一种基于网络约束、预测方法特性和监测数据的系统性选择方案。最后，我们讨论了未来挑战和开放研究方向。

    Jul, 2016