高性能電動汽車（EV）的動力系統在賽道上運行時，熱管理是確保性能和可靠性的關鍵挑戰。由於內部温度在實驗室之外幾乎無法直接觀測，且基於實驗室標準駕駛循環校準的模型在真實賽道負載下往往表現不佳，預測熱波動變得尤為困難。這種從實驗室到賽道的領域偏移（domain shift）問題，正是本文研究的核心。
研究團隊提出了一種基於共形預測（conformal prediction）的方法，旨在提供無分佈假設的不確定性界限。他們實現了集成批量預測區間（EnbPI）技術，這是一種適用於自相關時間序列的留一法自助集成共形方法。該方法在真實的CALCE鋰離子電池循環測試數據（採用A123 SP20電池和FUDS循環）上進行了校準。
為了評估該方法在真實協變量偏移下的表現，研究者使用了另一組真實的CALCE測試條件（US06高速公路駕駛循環，環境温度45°C）。結果表明，未加權的EnbPI在實驗室分佈內達到了標稱的95%覆蓋率（實際測量為95.00%），但在真實偏移條件下，覆蓋率急劇下降至70.13%。這直觀地反映了領域偏移對預測可靠性的嚴重影響。
針對這一問題，團隊引入了一種加權EnbPI程序。該程序結合了EnbPI的集成殘差和密度比加權（基於Tibshirani等人2019年的工作），通過概率域分類器估計密度比。這一改進將覆蓋率恢復至72.42%。雖然提升幅度不大，但作者誠實地報告了這一適度的進步，並明確指出這並非一個完美的解決方案。
進一步地，研究團隊將校準後的模型應用於真實的2023年一級方程式賽車（F1）遙測數據（蒙扎和銀石賽道，車手VER），作為無監督的分佈外診斷工具。由於公開的賽道遙測數據中不包含內部熱通道信息，他們僅報告了無監督標誌率：蒙扎賽道為65.6%，銀石賽道為58.0%，遠高於實驗室分佈內的5%基準率。同時，他們指出標誌與剎車/DRS區域之間的關聯並不一致。
論文總結認為，共形域適應是一個有前景但尚未完全解決該問題的工具，並詳細闡述了其不足之處。這項研究為電動汽車賽車動力系統的熱預測提供了新的思路，但實際應用仍需要更深入的研究。