RUL

charge.csv和discharge.csv是从原始丰田数据通过基于特征提取的方法提取的。这两个数据集可以直接由五个生存模型加载。

Both charge.csv and discharge.csv are extracted from the raw Toyota dataset via feature extraction-based methods. These two datasets can be directly loaded by five survival models.

原始信息汇总

数据集概述：基于机器学习的锂离子电池剩余使用寿命预测

📌 基本信息

• 标题: Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life
• 年份: 2025
• 相关论文: arXiv: 2503.13558
• 数据集来源: Toyota dataset

📊 数据集内容

• 主要数据文件:
  • charge.csv
  • discharge.csv
• 数据来源: 通过基于特征提取的方法从原始丰田数据中提取
• 数据处理工具: battery-survival

🔗 原始数据下载链接

• https://data.matr.io/1/api/v1/file/5c86c0b5fa2ede00015ddf66/download
• https://data.matr.io/1/api/v1/file/5c86bf13fa2ede00015ddd82/download
• https://data.matr.io/1/api/v1/file/5c86bd64fa2ede00015ddbb2/download
• https://data.matr.io/1/api/v1/file/5dcef689110002c7215b2e63/download
• https://data.matr.io/1/api/v1/file/5dceef1e110002c7215b28d6/download
• https://data.matr.io/1/api/v1/file/5dcef6fb110002c7215b304a/download
• https://data.matr.io/1/api/v1/file/5dceefa6110002c7215b2aa9/download
• https://data.matr.io/1/api/v1/file/5dcef152110002c7215b2c90/download

🛠️ 模型性能比较

模型	充电-T-AUC	充电-C-Index	充电-IBS	放电-T-AUC	放电-C-Index	放电-IBS
Cox	.909 (.027)	.820 (.030)	.031 (.006)	.932 (.018)	.859 (.020)	.048 (.008)
CoxTime	.919 (.024)	.832 (.033)	.028 (.006)	.929 (.018)	.853 (.021)	.051 (.009)
CoxPH	.889 (.006)	.798 (.015)	.035 (.001)	.896 (.037)	.826 (.020)	.056 (.012)
DeepHit	.730 (.076)	.823 (.044)	.085 (.012)	.866 (.059)	.816 (.046)	.076 (.020)
MTLR	.809 (.058)	.844 (.024)	.040 (.007)	.922 (.029)	.835 (.025)	.051 (.009)

🚀 环境配置

• 测试环境: Windows 11, GeForce 4070, CUDA 12.1, C++17

• 克隆仓库: git clone https://github.com/ThinkXca/RUL.git --recursive

• 运行代码:

  python Cox.py python CoxPH.py python CoxTime.py python DeepHit.py python MTLR.py

📜 引用

bibtex @article{RUL2025, author = {Jingyuan Xue, Longfei Wei, Fang Sheng, Yuxin Gao, Jianfei Zhang}, title = {Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life}, journal = {arXiv: 2503.13558}, year = {2025}, doi = {10.48550/arXiv.2503.13558} }

搜集汇总

数据集介绍

构建方式

在锂离子电池剩余使用寿命预测领域，RUL数据集通过特征提取技术从丰田原始电池数据中构建而成。研究团队采用签名式特征提取方法，将原始充放电数据转化为可直接供生存分析模型使用的结构化数据集charge.csv和discharge.csv。数据预处理环节依托battery-survival工具链完成，确保了特征工程的规范性和可复现性。原始数据来源于丰田研究院公开的电池循环测试数据，经过严格的质控流程和特征选择，最终形成适用于机器学习建模的标准数据集。

特点

该数据集最显著的特征在于其专为生存分析任务优化的数据结构设计，包含时间序列和事件标记的双重信息。数据维度涵盖电池充放电过程中的关键性能指标，经过特征工程处理后的变量具有明确的物理意义和统计特性。实验对比显示，数据集在Cox比例风险模型等五种生存分析模型中均表现出优异的预测性能，其中放电数据的C-Index指标达到0.859±0.020。数据集还提供标准化的评估指标，包括时间依赖型AUC和综合Brier分数，支持多维度的模型性能验证。

使用方法

使用该数据集需先配置包含CUDA加速的计算环境，通过GitHub仓库获取预处理代码和模型实现。典型工作流程包括：克隆项目仓库后安装requirements.txt指定的依赖库，直接运行Cox.py等脚本即可复现论文中的基准实验结果。对于自定义研究，可从项目网站申请处理后的数据文件，或使用提供的预处理工具从原始丰田数据重新生成。数据集支持端到端的生存分析流程，包括特征工程、模型训练和性能评估，其中DeepHit等模型的实现已包含完整的超参数配置。

背景与挑战

背景概述

RUL数据集由Jingyuan Xue等研究人员于2025年创建，旨在通过机器学习方法预测锂离子电池的剩余使用寿命（RUL）。该数据集基于丰田公司提供的原始电池数据，经过特征提取和预处理，生成了charge.csv和discharge.csv两个可直接用于生存分析模型的数据文件。锂离子电池的RUL预测在电动汽车和可再生能源存储系统中具有重要应用价值，能够优化电池管理策略并延长电池寿命。该研究采用了多种生存分析模型，如Cox比例风险模型和DeepHit等，为电池健康管理领域提供了新的研究思路和方法。

当前挑战

RUL数据集面临的挑战主要体现在两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，锂离子电池的退化过程受多种因素影响，如充放电循环、温度变化和内部化学反应等，导致RUL预测具有高度非线性和不确定性。构建过程中，研究人员需从原始丰田数据中提取有效特征，并处理数据噪声和不平衡问题。此外，不同电池型号和使用场景的差异性增加了数据泛化的难度，需要开发鲁棒的预处理方法和模型以适应多样化的应用场景。

常用场景

经典使用场景

在锂离子电池健康管理领域，RUL数据集通过充放电循环数据为剩余使用寿命预测提供了关键支持。该数据集被广泛应用于机器学习模型的训练与验证，特别是在生存分析框架下，研究人员利用其时间序列特征评估电池性能退化轨迹。充放电过程中的电压、电流和温度等多维参数为构建预测模型奠定了数据基础。

解决学术问题

该数据集有效解决了电池健康状态评估中的两大核心难题：一是突破了传统物理模型对复杂退化模式表征的局限性，二是填补了真实工况下长周期电池老化数据稀缺的空白。通过融合丰田原始实验数据与特征工程方法，它为学术界提供了标准化基准，显著提升了不同生存分析算法间的可比性。

衍生相关工作

基于该数据集的开源特性，衍生出包括Cox比例风险模型深度改进、时序注意力机制融合等创新研究。MIT团队开发的动态风险预测框架DeepSurv，以及斯坦福大学提出的多任务学习架构MTLR-Transformer，均采用该数据集作为核心验证基准，推动了预测方法学的范式演进。