EnergyMamba: An Uncertainty-Aware Graph-Enhanced Selective State Space Model for Energy Consumption Prediction
Florida State University(佛罗里达州立大学)
提出EnergyMamba框架,通过图增强选择性状态空间模型(GE-Mamba)和自适应序列分位数回归(AS-CQR)模块,实现时空联合建模与不确定性量化,在能耗预测中提升准确率约5%、不确定性量化约6%。
2026-05-30 cs.AI cs.LG
Comparison of Forecasting Methods of House Electricity Consumption for Honda Smart Home
Eastern Mediterranean University(东地中海大学)
建筑物的用电量占城市能源消耗的主要部分。电力消耗预测有助于开发家庭能源管理系统,从而在未来设计出更可持续的房屋,并减少能源消耗总量。建筑物中的能源性能受到许多因素的影响,如环境温度,湿度和各种电气设备。因此,多变量预测方法比单变量预测方法更可取。本田灵巧家庭美国数据集被选中,以比较三种方法,最大限度地减少预测误差,MAE和RMSE:人工神经网络,支持向量回归,和模糊规则为基础的回归系统,通过构建许多模型,为每种方法的多变量数据集在不同的时间。比较表明,支持向量回归机是一种优越的方法。
2022-08-11 cs.AI cs.LG
Uncertainty-Aware Prediction of Battery Energy Consumption for Hybrid Electric Vehicles
Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校)
本文针对混合动力汽车里程焦虑问题,提出一种基于真实世界电池属性数据的机器学习方法,通过降低预测不确定性,在能耗预测准确性和可靠性上优于传统物理化学模型。
2023-04-17 cs.LG cs.SY eess.SY
Privacy-Aware Energy Consumption Modeling of Connected Battery Electric Vehicles using Federated Learning
Dublin City University(都柏林城市大学);University of Birmingham(伯明翰大学)
针对联网BEV能耗建模的数据隐私问题,本研究采用FedAvg、FedPer等联邦学习方法,基于10辆BEV的模拟真实驾驶数据实验,实现FedAvg-LSTM模型MAE最高降67.84%,在保障隐私的同时提升了能耗预测性能。
2023-12-12 cs.AI cs.CR cs.LG
Time-Aware Validation of Machine Learning Fuel Consumption Models: Evidence from 1\,Hz Operational Data, CCGS \textit{Sir Wilfrid Laurier}
National Research Council Canada(加拿大国家研究委员会);Memorial University of Newfoundland(纽芬兰纪念大学)
针对船舶燃油消耗模型验证的时间泄漏问题,采用时间序列交叉验证等方法,结合CCGS Sir Wilfrid Laurier号的1Hz运行数据,评估回归模型与物理基线的性能,为燃油消耗模型的可靠验证提供方案。
2026-08-18 cs.LG
Deep Reinforcement Learning Based Dynamic Route Planning for Minimizing Travel Time
College of Electronics and Information Engineering, Tongji University(同济大学电子与信息工程学院)
路线规划在交通运输中非常重要。现有的工作集中在寻找最短路径解决方案或使用安全和能源消耗等指标来确定规划。值得注意的是,大多数这些研究依赖于道路网络的先验知识,这在某些情况下可能是不可用的。本文设计了一种基于深度强化学习(DRL)的行人路径规划算法。我们使用行程时间消耗作为度量,并通过预测道路网络中的行人流量来规划路线。我们把一个智能机器人放在虚拟地图上。与以往的研究不同,我们的方法假设智能体不需要任何关于道路网络的先验信息,而仅仅依赖于与环境的相互作用。我们提出了一种动态可调整的路线规划(DARP)算法,其中代理通过决斗的深度Q网络学习策略,以避免拥挤的道路。仿真结果表明,与传统的最短路径规划算法相比,DARP算法在拥塞情况下节省了52%的时间。
2020-11-03 cs.AI cs.LG cs.SY
Socially Aware Music Recommendation: A Multi-Modal Graph Neural Networks for Collaborative Music Consumption and Community-Based Engagement
University of Maryland(马里兰大学)
本文提出多模态图神经网络MM-GNN,通过无融合深度互学习、异构图社交建模和情感感知嵌入,实现社交感知的个性化音乐推荐,并在基准数据集上显著超越现有方法。
2025-09-13 cs.IR cs.LG cs.MM
EC-NAS: Energy Consumption Aware Tabular Benchmarks for Neural Architecture Search
University of Copenhagen(哥本哈根大学);Department of Computer Science(计算机科学系);Department of Neuroscience(神经科学系)
本文提出EC-NAS,一个包含架构能耗数据的开源表格基准,结合代理模型预测能耗,通过多目标优化算法在能耗与准确率间取得平衡,促进节能型深度学习模型的设计。
2024-03-22 cs.LG stat.ML
Sequence Aware SAC Control for Engine Fuel Consumption Optimization in Electrified Powertrain
针对串联式混合动力卡车发动机控制,提出基于SAC并融合GRU和决策变换器的序列感知强化学习框架,在HFET循环燃油节省接近动态规划,且在未见驾驶循环上优于前馈网络方法。
2025-08-06 cs.AI cs.LG cs.SY
Energy awareness in low precision neural networks
Department of Electrical Engineering, Technion(以色列理工学院电气工程系);Habana Labs, Intel(英特尔哈瓦那实验室);Technion(以色列理工学院);Intel(英特尔);Habana Labs(哈瓦那实验室)
功耗是在终端设备上部署深度神经网络(DNN)的主要障碍。用于降低功耗的现有方法依赖于相当一般的原理,包括避免乘法运算以及权重和激活的积极量化。然而,这些方法没有考虑网络中每个模块消耗的精确功率,因此不是最佳的。在本文中,我们为DNN中的所有算术运算在各种工作条件下开发了精确的功耗模型。我们揭示了迄今为止被忽视的几个重要因素。基于我们的分析,我们提出了PANN(功耗感知神经网络),一种简单的方法,用于通过低功耗固定精度变体来近似任何全精度网络。我们的方法可以应用于预先训练的网络,也可以在训练过程中使用,以提高性能。与以前的方法相比,PANN只会导致精度的轻微下降。网络的全精度版本,即使在2位量化变体的功率预算下工作。此外,我们的方案能够在部署时无缝地遍历功率-精度权衡,这是现有量化方法的主要优势,这些方法受限于特定的位宽。
2022-02-06 cs.CV cs.LG
EDCompress: Energy-Aware Model Compression for Dataflows
Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局高性能计算研究院)
边缘设备要求低能耗、低成本和小形状因子。为了在边缘设备上有效地部署卷积神经网络(CNN)模型,能量感知模型压缩变得极其重要。然而,现有的工作并没有很好地研究这个问题,因为缺乏考虑的多样性,在硬件架构的低功耗类型。在本文中,我们提出了EDCompress,能量感知的模型压缩方法的各种数据流。它可以有效地降低各种边缘设备的能耗,具有不同的功耗类型。考虑到模型压缩过程的本质,我们将优化过程转化为一个多步问题,并采用强化学习算法进行求解。实验表明,EDCompress可以在VGG-16、MobileNet、LeNet-5网络中分别提高20倍、17倍、37倍的能量效率,而精度损失可以忽略不计。EDCompress还可以在能耗方面为特定神经网络找到最佳的卷积类型,这可以指导CNN模型在硬件系统上的部署。
2020-07-11 cs.LG stat.ML
Conv1D Energy-Aware Path Planner for Mobile Robots in Unstructured Environments
University of Surrey(萨里大学);UK Atomic Energy Authority(英国原子能管理局)
驱动能耗在移动机器人在具有挑战性的环境中的导航中起着重要作用,特别是如果它们在有限的车载电源下无人值守。本文报告的第一个结果的能量感知路径规划,它可以提供估计的驱动能量消耗和能量回收的机器人穿越复杂的不平坦的地形。利用自监督学习方法估计轨迹上的能量,其中机器人自主学习如何将感知的地形点云与能量消耗和恢复相关联。该方法的一个新的特点是使用一维卷积神经网络来分析地形顺序在相同的时间顺序,因为它会经历的机器人移动时。所提出的方法的性能进行评估,在模拟从真实的自然场景收集的数字地形模型,并与启发式的基于倾斜的能量模型进行比较。我们证明了我们的方法的好处,增加了66.8%的整体预测r2得分,并减少了5.5%的驾驶能源消耗超过规划的路径。
2021-04-04 cs.LG cs.RO
A Reinforcement Learning Approach for Performance-aware Reduction in Power Consumption of Data Center Compute Nodes
Vanderbilt University(范德堡大学);Argonne National Laboratory(阿贡国家实验室)
本文提出基于 PPO 的强化学习功耗封顶方法,结合 Argo NRM 与 Intel RAPL,依据实时功耗和应用心跳控制处理器供电,并在 STREAM 基准上验证其可兼顾节能与性能。
2023-08-15 cs.AR cs.DC cs.LG
Data-Efficient Energy-Aware Participant Selection for UAV-Enabled Federated Learning
Université Amar Telidji de Laghouat(拉格瓦特阿马尔·泰利德吉大学);Carleton University(卡尔顿大学);École de Technologie Supérieure(高等技术学院)
针对无人机边缘联邦学习中的数据冗余与能耗约束,提出DEEPS参与者选择策略,利用SSIM得分和功耗概况选择参与者,提升模型准确率、训练效率与能耗表现。
2023-08-14 cs.AI cs.LG cs.NI
EnergyVis: Interactively Tracking and Exploring Energy Consumption for ML Models
Georgia Institute of Technology(佐治亚理工学院)
大型机器学习(ML)模型的出现提高了从计算机视觉到自然语言等各种建模任务的最新(SOTA)性能。随着ML模型的规模不断增加,它们各自的能耗和计算需求也在增加。然而,跟踪、报告和比较能源消耗的方法仍然有限。我们介绍了EnergyVis,一个用于ML模型的交互式能耗跟踪器。EnergyVis由多个协调视图组成,使研究人员能够交互式地跟踪,可视化和比较关键能耗和碳足迹指标(千瓦时和二氧化碳)的模型能耗,帮助用户探索可能减少碳足迹的替代部署位置和硬件。EnergyVis旨在通过在模型训练期间交互式地突出过度的能源使用,以及通过提供替代训练选项来减少能源使用,来提高人们对计算可持续性的认识。
2021-03-30 cs.AI cs.HC cs.LG
Scheduling Algorithms for Federated Learning with Minimal Energy Consumption
Univ. Bordeaux(波尔多大学);CNRS(法国国家科学研究中心);Bordeaux INP(波尔多国立理工学院);Inria(法国国家信息与自动化研究所);LaBRI(波尔多计算机科学实验室)
联邦学习(FL)为在异构移动或边缘设备上协作训练机器学习模型提供了机会,同时保持本地数据的私密性。随着其采用的增加,越来越多的人关注其经济和环境成本(对于其他机器学习技术也是如此)。不幸的是,由于能量最小化通常被作为次要目标,所以很少有人做工作来优化其能量消耗或二氧化碳或等效物的排放。在本文中,我们研究了通过控制工作负载分布来最小化异构设备上FL训练的能量消耗的问题。我们将其建模为最小成本FL调度问题,这是一个总成本最小化问题,具有相同的,独立的,和原子任务,必须分配给异构资源与任意成本函数。我们提出了一个伪多项式最优解决方案的问题的基础上,以前未探索的多选择最小值-费用最大背包包装问题。我们还提供了四个算法的情况下,成本函数单调增加,并遵循相同的行为。这些解决方案同样适用于其他类型的成本最小化,并在其他一维数据划分问题。
2022-09-13 cs.AI cs.DC cs.DS
DVFS-Aware DNN Inference on GPUs: Latency Modeling and Performance Analysis
Beijing National Research Center for Information Science and Technology(北京信息科学国家研究中心);Department of Electronic Engineering, Tsinghua University(清华大学电子工程系)
针对GPU上DNN推理,提出DVFS感知延迟模型,精确刻画推理时间,较CPU-DVFS模型显著降低推理延迟与能耗。
2025-06-20 cs.LG cs.NI
Energy-aware Scheduling of Jobs in Heterogeneous Cluster Systems Using Deep Reinforcement Learning
University of Southern California(南加州大学)
从便携式嵌入式系统到计算机集群系统,能耗是设计计算设备时最关键的问题之一。此外,在过去的十年中,集群系统已经越来越多地成为流行的平台来运行计算密集型的实时应用程序,其中的性能是非常重要的。然而,由于实时工作负载的不同特点,开发通用的作业调度解决方案,有效地解决能源消耗和性能的实时集群系统是一个具有挑战性的问题。在本文中,受到将深度强化学习应用于资源管理问题的最新进展的启发,我们提出了Deep-EAS调度器,该调度器可以为具有不同特征的工作负载学习有效的能量感知调度策略,而无需最初了解任何关于手头调度任务的信息。结果表明,Deep-EAS收敛速度快,性能优于标准的手动调整算法,特别是在重负载条件下。
2019-12-11 cs.DC cs.LG
Towards Energy-Aware Federated Learning on Battery-Powered Clients
Queen Mary University of London(伦敦玛丽女王大学);Assiut University(艾斯尤特大学)
联邦学习(FL)是人工智能的一个新兴分支,它有助于边缘设备协同训练全局机器学习模型,而无需集中数据,并且默认情况下具有隐私性。然而,尽管取得了显著进步,但这一模式也带来了各种挑战。具体而言,在大规模部署中,客户端异构性是影响培训质量(如准确性,公平性和时间)的标准。此外,这些电池受限的设备的能源消耗在很大程度上是未开发的,并限制了广泛采用FL。为了解决这个问题,我们开发了EAFL,一种能量感知FL选择方法,考虑能源消耗,以最大限度地提高异构目标设备的参与。EAFL是一种功率感知训练算法,它选择具有较高电池电量的客户端,并能够最大限度地提高系统效率。我们的设计共同最大限度地减少了准确时间,并最大限度地提高了设备上的剩余电池电量。EAFL将测试模型的准确率提高了85%,将客户端的丢弃率降低了2.45 $\times$。
2022-08-25 cs.DC cs.LG
Optimizing the energy consumption of spiking neural networks for neuromorphic applications
aiCTX AG(aiCTX公司)
在过去的几年中,脉冲神经网络已经被证明与常规卷积神经网络表现相当。几项工作已经提出了将预先训练的CNN转换为尖峰CNN而不显著牺牲性能的方法。我们首先证明了CNN的量化感知训练可以提高SNN的准确性。将CNN转换为尖峰CNN的好处之一是利用SNN的稀疏计算,从而以较低的能耗执行等效计算。在这里,我们提出了一个有效的优化策略,训练尖峰网络在较低的能量消耗,同时保持类似的准确性水平。我们展示了MNIST-DVS和CIFAR-10数据集上的结果。
2020-05-04 cs.LG cs.NE q-bio.NC
Combination of Convolutional Neural Network and Gated Recurrent Unit for Energy Aware Resource Allocation
Ayandegan Institute of Higher Education(阿扬德甘高等教育学院);Islamic Azad University(伊斯兰阿扎德大学)
云计算服务模式已经经历了快速的增长,并且低效率的资源使用被认为是云数据中心高能耗的最大原因之一。旨在减少能耗的云数据中心中的资源分配已经使用虚拟机(VM)的实时迁移及其合并到少量物理机(PM)中来进行。然而,选择适当的VM进行迁移是一个重要的挑战。为了解决这个问题,可以根据用户请求的模式将VM分类为对延迟敏感或不敏感的类别,然后可以选择合适的VM进行迁移。在本文中,卷积神经网络(CNN)和门控递归单元(GRU)的组合用于Microsoft Azure数据集中的VM分类。由于该数据集中的大多数VM都被标记为对延迟不敏感,因此迁移该组中的更多VM不仅可以降低能耗,还可以减少违反服务水平协议(SLA)的情况。实证结果表明,该模型的预测准确率为95.18,明显优于其他模型。
2021-06-23 cs.DC cs.LG cs.NI