高性能電気自動車（EV）のパワートレインにおいて、トラック走行時の熱管理は性能と信頼性を確保する上で重要な課題である。内部温度はラボの外ではほとんど観測できず、ラボの標準運転サイクルで較正されたモデルは実際のトラック負荷に対してうまく機能しないため、熱変動の予測は特に困難である。このラボからトラックへのドメインシフト問題が、本論文の研究核心である。
研究チームは、分布に依存しない不確実性境界を提供する共形予測に基づく手法を提案した。彼らはアンサンブルバッチ予測区間（EnbPI）技術を実装した。これは自己相関時系列向けのリーブワンアウトブートストラップアンサンブル共形手法である。この手法は実際のCALCEリチウムイオン電池サイクルテストデータ（A123 SP20セル、FUDSサイクル使用）で較正された。
実際の共変量シフト下での性能を評価するため、別の実際のCALCEテスト条件（US06高速道路運転スケジュール、環境温度45°C）を使用した。結果、加重なしEnbPIは分布内で名目95%のカバレッジ（実測95.00%）を達成したが、実際のシフト下ではカバレッジが70.13%に急落した。これはドメインシフトが予測信頼性に与える深刻な影響を如実に示している。
この問題に対処するため、研究チームは加重EnbPI手順を導入した。この手順はEnbPIのアンサンブル残差と密度比重み付け（Tibshiraniら、2019年の研究に基づく）を組み合わせ、確率的ドメイン分類器で密度比を推定する。この改良によりカバレッジは72.42%に回復した。改善幅は控えめだが、著者らはこの適度な進歩を正直に報告し、完全な解決策ではないことを明確にしている。
さらに、研究チームは較正済みモデルを実際の2023年F1テレメトリデータ（モンツァとシルバーストン、ドライバーVER）に適用し、教師なし分布外診断ツールとして使用した。公開トラックサイドテレメトリには内部熱チャネルが存在しないため、教師なしフラグ率のみを報告：モンツァ65.6%、シルバーストン58.0%であり、分布内の5%ベースレートを大幅に上回る。同時に、フラグとブレーキング/DRSゾーンとの関連に一貫性がないことを指摘している。
論文は、共形ドメイン適応は有望だがこの問題に対して部分的にしか解決されていないツールであると結論付け、その不足点を詳細に説明している。この研究はEVモータースポーツパワートレインの熱予測に新たな視点を提供するが、実際の応用にはさらなる研究が必要である。