arXiv cs.AI· Jiawei Li, Fang Liu, Wei Zhang, Zuming Liu, Man-Fai Ng, Zhi Wei Seh·· 9 天前AI 评分18
Sera：融合知识与 LLM 的语义表示聚合框架，实现可靠可解释的电池健康预测
Sera: Semantic Representation Aggregation with Knowledge and LLM for Reliable and Interpretable Battery Health Forecasting
AI 导读
Sera 是一个语义表示聚合框架，通过规则知识与 LLM 解读从电池时序中提取退化语义，与时间模型表示经门控聚合，在主流基准上预测误差最高降低 37.3%。反事实分析显示预测响应与关键退化描述符含义一致，验证了其可解释性。
正文 · AI 翻译
摘要：电池健康状态（SoH）预测对电池管理很重要，但由于非线性退化和电池间的异质性，仍然具有挑战性。现有的数据驱动方法主要使用时序模型从数值电池时间序列中学习，而更高层次的退化特征往往没有被显式表示。然而，这些特征可以为退化提供指导，以支持可靠的预测，并使退化的影响更具可解释性。在本文中，我们提出了 \textsc{Sera}，一个\underline{语}义\underline{表}示\underline{聚}合框架，用退化语义补充时序建模。在电池领域专业知识的指导下，\textsc{Sera} 从时间序列中提取退化语义，并使用基于规则的知识和基于 LLM 的解释构建两种互补表示。这些表示被独立编码，并通过门控聚合与时序模型学习到的表示相结合。在主流基准上跨多个预测范围和不同时序模型的实验表明，\textsc{Sera} 持续提升预测性能，相比时序基线最多可将预测误差降低 37.3\%，并增强了泛化能力。反事实分析考察了预测如何响应退化语义的变化，以评估可解释性。结果表明，在测试的各个预测范围上，预测响应与关键退化描述符的含义一致。总之，这些发现表明，结构化的退化语义和有效的聚合可以提高预测准确性，并为先进电池管理支持可靠且可解释的电池健康预测。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11567 [cs.LG] |
| （或 arXiv:2610.11567v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11567 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Fang Liu [查看电子邮件]
[v1]
2026年10月8日星期四 09:25:01 UTC（251 KB）
来源：arXiv cs.AI · arxiv.org