高性能电动汽车（EV）的动力系统在赛道上运行时，热管理是确保性能和可靠性的关键挑战。由于内部温度在实验室之外几乎无法直接观测，且基于实验室标准驾驶循环校准的模型在真实赛道负载下往往表现不佳，预测热波动变得尤为困难。这种从实验室到赛道的领域偏移（domain shift）问题，正是本文研究的核心。
研究团队提出了一种基于共形预测（conformal prediction）的方法，旨在提供无分布假设的不确定性界限。他们实现了集成批量预测区间（EnbPI）技术，这是一种适用于自相关时间序列的留一法自助集成共形方法。该方法在真实的CALCE锂离子电池循环测试数据（采用A123 SP20电池和FUDS循环）上进行了校准。
为了评估该方法在真实协变量偏移下的表现，研究者使用了另一组真实的CALCE测试条件（US06高速公路驾驶循环，环境温度45°C）。结果表明，未加权的EnbPI在实验室分布内达到了标称的95%覆盖率（实际测量为95.00%），但在真实偏移条件下，覆盖率急剧下降至70.13%。这直观地反映了领域偏移对预测可靠性的严重影响。
针对这一问题，团队引入了一种加权EnbPI程序。该程序结合了EnbPI的集成残差和密度比加权（基于Tibshirani等人2019年的工作），通过概率域分类器估计密度比。这一改进将覆盖率恢复至72.42%。虽然提升幅度不大，但作者诚实地报告了这一适度的进步，并明确指出这并非一个完美的解决方案。
进一步地，研究团队将校准后的模型应用于真实的2023年一级方程式赛车（F1）遥测数据（蒙扎和银石赛道，车手VER），作为无监督的分布外诊断工具。由于公开的赛道遥测数据中不包含内部热通道信息，他们仅报告了无监督标志率：蒙扎赛道为65.6%，银石赛道为58.0%，远高于实验室分布内的5%基准率。同时，他们指出标志与刹车/DRS区域之间的关联并不一致。
论文总结认为，共形域适应是一个有前景但尚未完全解决该问题的工具，并详细阐述了其不足之处。这项研究为电动汽车赛车动力系统的热预测提供了新的思路，但实际应用仍需要更深入的研究。