In this work, an extension of the federated averaging algorithm, FedAvg-Gaussian, is applied to train probabilistic neural networks. The performance advantage of probabilistic prediction models is demonstrated and it is shown that federated learning can improve driving range prediction. Using probabilistic predictions, routing and charge planning based on destination attainability can be applied. Furthermore, it is shown that probabilistic predictions lead to reduced travel time.
Umfang: XX, 155 S.
Preis: 39.00 €
These are words or phrases in the text that have been automatically identified by the Named Entity Recognition and Disambiguation service, which provides Wikipedia () and Wikidata () links for these entities.
Thorgeirsson, A. 2024. Probabilistic Prediction of Energy Demand and Driving Range for Electric Vehicles with Federated Learning. Karlsruhe: KIT Scientific Publishing. DOI: https://doi.org/10.5445/KSP/1000171796
Dieses Buch wurde im Open Access Format publiziert. Es gelten die Bestimmungen der Creative Commons Attribution 4.0 Lizenz (falls nicht anders vermerkt). Sie berechtigt die uneingeschränkte Nutzung, Vervielfältigung und Verbreitung in jeglichen Medien, solange das Werk angemessen zitiert wird. Das Urheberrecht behalten die Autorinnen und Autoren.
Dieses Buch ist Peer reviewed. Informationen dazu finden Sie hier
Veröffentlicht am 3. September 2024
Englisch
192
Paperback | 978-3-7315-1371-1 |