01
课程导论
电池寿命预测的意义、数据驱动方法概述、课程目标与学习路径。
导论概览
02
锂离子电池基础
电化学原理、关键性能参数（容量、内阻、SOC、SOH）、老化机制。
电化学参数
03
电池测试与数据采集
循环寿命测试、工况测试、数据采集系统与传感器。
测试采集
04
电池数据集介绍
公开数据集（NASA、CALCE、MIT-Stanford）、数据格式与字段含义。
数据集公开
05
数据预处理基础
缺失值处理、异常值检测、数据平滑与滤波。
预处理清洗
06
特征工程（上）
容量衰减曲线、增量容量分析（ICA）、差分电压分析（DVA）。
特征ICA
07
特征工程（下）
统计特征提取（均值、方差、偏度）、时域与频域特征。
统计时频
08
数据标准化与降维
Min-Max标准化、Z-score标准化、主成分分析（PCA）。
标准化降维
09
机器学习基础回顾
监督学习、回归问题、模型评估指标（RMSE、MAE、R²）。
ML基础评估
10
线性回归与正则化
多元线性回归、岭回归、Lasso回归在电池寿命预测中的应用。
回归正则化
11
支持向量回归（SVR）
SVR原理、核函数选择、超参数调优。
SVR核方法
12
集成学习方法
随机森林、梯度提升树（GBDT）、XGBoost在寿命预测中的实战。
集成XGBoost
13
深度学习入门
神经网络基础、激活函数、损失函数、优化器。
深度学习NN
14
循环神经网络（RNN）
RNN原理、时序数据处理、简单RNN实现电池预测。
RNN时序
15
长短期记忆网络（LSTM）
LSTM核心思想、遗忘门与记忆门、LSTM预测模型搭建。
LSTM门控
16
门控循环单元（GRU）
GRU与LSTM对比、GRU模型实战。
GRU对比
17
CNN在时序中的应用
1D-CNN原理、特征提取、CNN-LSTM混合模型。
CNN混合
18
注意力机制与Transformer
自注意力原理、Transformer在时序预测中的应用。
注意力Transformer
19
模型训练技巧
早停法、学习率调度、Dropout、批归一化。
训练技巧
20
超参数优化
网格搜索、随机搜索、贝叶斯优化。
调参优化
21
模型解释性
SHAP值分析、特征重要性排序、部分依赖图。
可解释SHAP
22
不确定性量化
蒙特卡洛Dropout、集成不确定性、预测区间构建。
不确定性区间
23
迁移学习
预训练模型、域自适应、小样本条件下的电池预测。
迁移小样本
24
多任务学习
同时预测容量与内阻、多输出模型设计。
多任务多输出
25
在线学习与自适应更新
模型在线更新策略、概念漂移处理。
在线自适应
26
电池寿命预测系统设计
数据管道、模型服务、监控与告警。
系统工程
27
案例实战（一）
基于NASA数据集的LSTM寿命预测全流程。
NASALSTM
28
案例实战（二）
基于CALCE数据集的多特征融合预测。
CALCE多特征
29
案例实战（三）
基于MIT数据的早期寿命预测。
MIT早期
30
课程总结与前沿展望
当前挑战、未来方向（数字孪生、物理信息神经网络）。
总结前沿