Privacy-Aware Energy Consumption Modeling of Connected Battery Electric Vehicles using Federated Learning

要約

バッテリー電気自動車 (BEV) は、大気汚染を軽減する可能性があるため、現代の都市においてますます重要になっています。
効果的な旅程計画と車両システムの最適化には、車両のエネルギー消費量を正確かつリアルタイムに推定することが不可欠であり、これにより航続可能距離の不安を軽減し、エネルギーコストを削減できます。
データ プライバシーに対する一般の意識が高まるにつれ、BEV のエネルギー消費モデリングの観点からデータ プライバシーを保護するアプローチを採用することが重要になります。
Federated Learning (FL) は、ローカル データをデバイス上に残し、モデルの更新のみを中央サーバーと共有することで、機密情報が第三者に公開されるリスクを軽減する有望なソリューションです。
私たちの研究では、FedAvg や FedPer などの FL 手法を使用して、ユーザーのプライバシーを維持しながら BEV のエネルギー消費予測を改善する可能性を調査しています。
10台のBEVからのデータを使用し、実際の走行条件を模擬して実験を実施しました。
私たちの結果は、FedAvg-LSTM モデルが予測結果の MAE 値で最大 67.84\% の削減を達成したことを示しています。
さらに、さまざまな現実世界のシナリオを調査し、そのような場合に FL 手法をどのように使用できるかについて議論しました。
私たちの調査結果は、FL 手法がユーザーのプライバシーを維持しながら、BEV のエネルギー消費予測のパフォーマンスを効果的に向上できることを示しています。

要約(オリジナル)

Battery Electric Vehicles (BEVs) are increasingly significant in modern cities due to their potential to reduce air pollution. Precise and real-time estimation of energy consumption for them is imperative for effective itinerary planning and optimizing vehicle systems, which can reduce driving range anxiety and decrease energy costs. As public awareness of data privacy increases, adopting approaches that safeguard data privacy in the context of BEV energy consumption modeling is crucial. Federated Learning (FL) is a promising solution mitigating the risk of exposing sensitive information to third parties by allowing local data to remain on devices and only sharing model updates with a central server. Our work investigates the potential of using FL methods, such as FedAvg, and FedPer, to improve BEV energy consumption prediction while maintaining user privacy. We conducted experiments using data from 10 BEVs under simulated real-world driving conditions. Our results demonstrate that the FedAvg-LSTM model achieved a reduction of up to 67.84\% in the MAE value of the prediction results. Furthermore, we explored various real-world scenarios and discussed how FL methods can be employed in those cases. Our findings show that FL methods can effectively improve the performance of BEV energy consumption prediction while maintaining user privacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google