本文提出了一种基于深度神经网络（ENN）的集成学习方法，旨在减少交通工具能效预测中的不确定性并输出不确定性度量，该方法在公开的车辆能源数据集（VED）上表现出了高的预测性能和预测不确定性度量。

Apr, 2023

该研究提出了一种 Meta-Pec 的个性化车辆能耗估计框架，通过机器学习和 spatiotemporal 行为学习等方法获取个性化的驾驶行为数据，进而实现对车辆能耗的准确预测。

Jun, 2023

该研究使用贝叶斯方法建模道路片段的能量消耗，开发了一个在线学习框架并分析了 Thompson 采样和 Upper Confidence Bound 等探索策略，将在线学习框架扩展到多车自适应导航。最后，使用卢森堡 SUMO 交通数据集进行多个实际实验以证明我们方法的性能。

Mar, 2020

该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

Sep, 2023

电池电动车（BEV）在现代城市中具有越来越重要的意义，它们有潜力减少空气污染。精确和实时地估计其能量消耗对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和降低能量成本。随着公众对数据隐私的意识增强，在 BEV 能量消耗建模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，通过允许本地数据保留在设备上，并仅与中央服务器共享模型更新，从而降低了向第三方揭示敏感信息的风险。我们的研究调查了使用 FL 方法如 FedAvg 和 FedPer 来改进 BEV 能量消耗预测同时保持用户隐私的潜力。我们使用来自 10 辆 BEV 在模拟真实驾驶条件下的数据进行实验。我们的结果表明，FedAvg-LSTM 模型在预测结果的 MAE 值上实现了最多 67.84％的降低。此外，我们探索了各种真实世界情景，并讨论了如何在这些情况下使用 FL 方法。我们的研究结果表明，FL 方法可以在保持用户隐私的同时有效提高 BEV 能量消耗预测的性能。

Dec, 2023

基于贝叶斯神经网络和传感器数据，本研究针对电池健康监测和终端寿命预测进行建模，在实验中验证了建议模型的有效性，预测误差率平均值为 13.9%，对特定测试电池可降至 2.9%；同时，预测结果包含可量化的确定性信息，从电池初始到中期使用阶段提高了 66%，提高了电池技术的实际应用价值。

Apr, 2024

这篇论文介绍了一种电动汽车充电站（EVCS）模型，它考虑到现实世界的约束条件，如插槽功率限制、合同阈值超过惩罚或电动汽车（EVs）的早期断开连接。我们提出了一个对 EVCS 控制问题的不确定性建模，并实施了两种多级随机规划方法，利用用户提供的信息，即模型预测控制和两阶段随机规划。该模型解决了充电会话开始和结束时间以及能源需求的不确定性。基于停留时间相关的随机过程的用户行为模型提高了成本降低同时保持客户满意度。通过使用真实数据集进行为期 22 天的模拟，展示了两种提出的方法与两种基准的优势。考虑到更多的不确定性情景进行优化，两阶段方法表现出对早期断开连接的鲁棒性。优先考虑用户满意度而非电力成本的算法在两个用户满意度指标上相对于行业标准基准提高了 20% 和 36%。此外，在实现理论上的最佳基准时，该算法在成本和用户满意度之间达到了 94% 和 84% 的用户满意度表现，并仅出现 3% 的相对成本增加 - 放宽了无先见性约束。

Feb, 2024

本文提出了 LSTM-BNN 在存在电动汽车时进行家庭负载预测的方法，并检验了 COVID-19 大流行对该模型的影响，结果表明该方法能够提高预测精度并得出预测间隔。

Jun, 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

本研究开发了一种新的微聚类深度神经网络（MCDNN）算法，通过学习电动汽车行程和充电数据来预测充电事件，为电力负荷聚合器和电力管理者提供充电站和电力容量的有效分配。数值发现表明，所提出的 MCDNN 在预测充电事件方面比支持向量机、k 最近邻、决策树和其他基于神经网络的模型更有效。

Jul, 2023