1. 赛题拆解与建模思路

1.1 拿到题目先看什么

先说结论：这道题表面在问“电池能撑多久”，实际在问“电池的衰减曲线到底长什么样”。第一问的落点是单块电池的容量退化模型，但它不像中学物理那样给你一个公式往里代数据，而是要你从测量数据里把规律“挖”出来。所以开局第一件事不是急着写代码，而是把题目给的数据格式、变量含义、时间尺度全部列清楚。

我翻了一下题目原文，关键词集中在“连续时间建模”“智能手机电池”“充电周期与容量保持率”。结合参赛经验，这种题型的潜台词是：用尽可能少的假设，建立一个能预测未来容量的数学结构，并且要在论文里把“为什么选这个结构”讲明白。评审最反感的写法是“因为AIC最小所以选了它”，这不算理由，至少不是充分的理由。

1.2 完整解题思路：从数据清洗到模型落地

整个第一问可以拆成四层：

第一层：数据清洗与单位统一。题目给的原始记录往往包含充电起始时间、结束时间、充电前后电量百分比、循环编号。你需要先把“循环”定义清楚——是按充电次数算，还是按完整充放电周期算？这道题用的是连续时间观测，所以每一行数据对应一个时间点，而不是每一次循环对应一行。这个差别直接决定后续特征怎么构造。

第二层：特征构造。连续时间建模的核心特征是“相对时间差”和“累积循环数”。你不能直接用绝对时间戳做输入，因为手机电池的衰减跟日历时间、充放电次数同时相关。我当时的做法是构造三个特征：距首次使用的小时数、累积等效循环数、最近30天内的平均放电深度。第三个特征属于自己加的，因为题目没有直接给，但放电深度对容量衰减的影响在前人文献里已经很明确。

第三层：模型选择。第一问不需要上深度学习，一个带随机效应的非线性混合模型就够用了。具体形式可以用指数衰减加线性漂移：

C(t) = C0 * exp(-a * N(t)) - b * t + ε

其中C(t)是t时刻的可用容量，N(t)是等效循环数，a是循环老化系数，b是日历老化系数，ε是测量噪声。这种形式的优势在于参数都有物理意义，画出来的拟合曲线也好看，更重要的是——你能在论文里解释每一个参数的取值范围为什么合理。

第四层：预测与验证。拿前80%的时间数据做训练，后20%做验证。注意这里不能随机切分，必须按时间顺序切，否则泄漏问题会让你的误差小得假。

1.3 为什么选混合效应模型而不是纯机器学习

我见过不少队伍一上来就XGBoost、LSTM，最后结果分很低。原因不是模型不够强，而是忽略了这道题的核心诉求：解释性。MCM评审看重的从来不只是预测精度，而是你是否理解数据生成机制。混合效应模型的优势在于，它可以捕捉“同一型号电池之间的个体差异”——有些电池天生衰减快，有些慢，这种差异用固定效应表达不了，必须引入随机截距和随机斜率。

实际计算时，我推荐用Python的statsmodels或者R的nlme包。如果你对贝叶斯熟悉，用PyMC做后验采样会更出彩，但耗时也高。对于三天的比赛，我建议先用极大似然估计快速出一个结果，如果时间富余再补贝叶斯。

2. 第一问核心代码实现

2.1 代码结构总览

# 核心库 import numpy as np import pandas as pd from scipy.optimize import curve_fit from scipy.stats import norm import statsmodels.api as sm import statsmodels.formula.api as smf import matplotlib.pyplot as plt

我只用了这几个库，没有引入任何花哨的依赖。比赛环境里装包是个玄学问题，越少依赖越稳。下面的代码是基于常见模拟数据格式写的，如果你的数据字段不同，改列名即可，逻辑不用动。

2.2 数据预处理：把“离散循环”转为“连续状态”

df = pd.read_csv('battery_data.csv', parse_dates=['timestamp']) # 按设备分组，计算相对时间（小时） df['device_id'] = df['device_id'].astype(str) df = df.sort_values(['device_id', 'timestamp']).reset_index(drop=True) # 为每台设备计算首次记录时间 first_time = df.groupby('device_id')['timestamp'].transform('min') df['hours_since_start'] = (df['timestamp'] - first_time).dt.total_seconds() / 3600.0 # 计算等效循环数：从记录中的累计能量吞吐量推算 # 假设一次完整循环 = 从0%充到100%再放空 df['charge_fraction'] = df['charged_percent'] / 100.0 df['cumulative_charge'] = df.groupby('device_id')['charge_fraction'].cumsum() df['equivalent_cycles'] = df['cumulative_charge'].round(0)

这里有个细节：为什么用累积充电百分比的累加而不是直接数充电次数？因为连续时间观测里，用户可能充到80%就拔掉，下一次又从40%开始充。这些“部分循环”对电池老化的影响不能忽略，等效循环数的本质是把部分循环折算成完整循环，这是电池研究里常用的安时积分法思想的简化版。

2.3 建立衰减模型：双机制叠加

def battery_decay(t, C0, alpha, beta): """ 容量衰减模型： C(t) = C0 - alpha * t - beta * sqrt(t) C0: 初始容量（mAh） alpha: 日历老化线性系数（mAh/hour） beta: 循环老化系数（mAh / sqrt(hour)） """ return C0 - alpha * t - beta * np.sqrt(t)

我解释一下为什么用sqrt(t)而不是t。很多电池文献里，容量衰减与循环数的平方根近似成正比，这是因为活性锂损失受扩散过程控制。直接用线性项，后期残差会呈现明显的弯曲；用平方根项，拟合曲线在长周期阶段更贴近真实趋势。当然你也可以在模型里同时放sqrt项和线性项，但参数辨识度会变差，容易过拟合。

2.4 分组拟合与参数提取

results = [] for device, group in df.groupby('device_id'): t = group['hours_since_start'].values y = group['measured_capacity'].values # 初始猜测：C0取第一天的平均容量 p0 = [np.mean(group.loc[group['hours_since_start'] < 24, 'measured_capacity']), 0.001, 0.1] try: popt, pcov = curve_fit(battery_decay, t, y, p0=p0, bounds=([0, 0, 0], [np.inf, np.inf, np.inf]), maxfev=10000) se = np.sqrt(np.diag(pcov)) # 标准误 results.append({ 'device_id': device, 'C0': popt[0], 'alpha': popt[1], 'beta': popt[2], 'C0_se': se[0], 'alpha_se': se[1], 'beta_se': se[2], 'rmse': np.sqrt(np.mean((battery_decay(t, *popt) - y) ** 2)) }) except RuntimeError: print(f'Device {device} 拟合失败，跳过')

这里最关键的坑是初始值。如果你把p0全设成0，curve_fit很容易陷入局部最优，甚至直接报错。我的建议是先画一张原始数据散点图，肉眼判断初始容量和衰减速率，再填初始值。这个“先画图再拟合”的习惯能帮你省下大量排查时间。

2.5 绘制拟合曲线

fig, ax = plt.subplots(1, 2, figsize=(12, 4)) for device in list(results['device_id'])[:6]: group = df[df['device_id'] == device] t = group['hours_since_start'].values y = group['measured_capacity'].values ax[0].scatter(t, y, s=8, alpha=0.5, label=device) t_smooth = np.linspace(0, t.max(), 200) ax[0].plot(t_smooth, battery_decay(t_smooth, results.loc[results['device_id']==device, 'C0'].values[0], results.loc[results['device_id']==device, 'alpha'].values[0], results.loc[results['device_id']==device, 'beta'].values[0]), linewidth=2) ax[0].set_xlabel('时间 (小时)') ax[0].set_ylabel('容量 (mAh)') ax[0].set_title('容量衰减拟合曲线') ax[0].legend(fontsize=6) # 残差图 residuals = [] for device in results['device_id']: group = df[df['device_id'] == device] pred = battery_decay(group['hours_since_start'].values, results.loc[results['device_id']==device, 'C0'].values[0], results.loc[results['device_id']==device, 'alpha'].values[0], results.loc[results['device_id']==device, 'beta'].values[0]) residuals.extend((group['measured_capacity'].values - pred).tolist()) ax[1].hist(residuals, bins=30, edgecolor='white') ax[1].axvline(0, color='black', linestyle='--', linewidth=0.8) ax[1].set_xlabel('残差 (mAh)') ax[1].set_title('残差分布直方图') plt.tight_layout() plt.savefig('fit_result.png', dpi=200) plt.show()

残差图一定要画。如果残差呈现钟形且均值在0附近，说明模型假设基本成立；如果残差随着时间变大而呈现喇叭状，说明方差稳定性的假设被破坏了，你需要考虑加权拟合或者对数变换。

3. 参数解释与模型可解释性分析

3.1 C0、alpha、beta分别代表什么

C0不是用来凑数的常数项，它的物理意义是电池出厂时的实际可用容量。你可能会发现C0比标称容量略低，这太正常了，因为电池在出厂后、用户拿到手之前，已经经历了一段日历老化。

alpha的单位是mAh/小时，它反映的是“时间本身对电池的伤害”。即使你把手机放在抽屉里半年不用，容量也会下降，这就是日历老化。而beta对应循环老化，它跟充电次数强相关。两种老化机制在论文里要有明确的区分，因为后面的题目很可能要求你分别控制变量做优化。

3.2 如何向评审展示模型的合理性

我在论文里加了三个验证：

第一，残差的正态性检验。用Shapiro-Wilk检验，p值大于0.05说明残差基本正态，模型没有被系统性误差主导。

第二，交叉验证的MAE和RMSE。我把后20%时间作为验证集，算出MAE在30mAh以内，换算成相对误差大约3%。这个数字不算惊艳，但作为物理模型的精度已经够用了。

第三，参数稳定性。随机抽取50%的数据重拟合，看alpha和beta的波动范围。如果波动很小，说明参数辨识度高，模型没有过度参数化。

4. 常见问题与排查技巧实录

4.1 曲线拟合报错“Optimal parameters not found”

这个错误90%是初值给得离谱。我见过有人把C0设成1000，实际数据是4500，那curve_fit在参数空间里挖不到极小值点，自然就报错。解决手段是先画数据概览图，从图上读取最大最小值、衰减趋势，再设置初始值。另一个手段是缩小bounds范围，把alpha限制在[0,0.01]之间，beta限制在[0,1]之间，帮助优化器收敛。

4.2 数据时间戳不连续，出现跨天缺失

手机日志不是每时每刻都在记录充电状态，经常出现凌晨3点到早上7点没有记录。如果直接把缺失时间段删掉，那么“hours_since_start”这列会跳变，模型会误以为这段时间经历了一个巨大的时间差。正确做法是：既然我们建模的是连续时间过程，那么缺失期间的老化仍然在发生，不能删。数据清洗时应保留时间索引，让缺失值以NaN占位，拟合时自动忽略NaN即可，但计算相对时间时要用完整时间差。

4.3 同一台设备出现“容量回升”现象

锂电池容量测量值本来就有波动，温度高的时候内阻低、测出来容量偏高，温度低的时候偏低。所以你在散点图上会看到局部波动，甚至偶尔一次性测量值比前一次高很多。这时候不要惊慌，更不要为了追求光滑而把数据点硬删掉。保留这些点，模型拟合时它们只是作为噪声出现，对总体趋势影响不大。

4.4 如何防止参数过拟合

一个办法是正则化。如果你用的是sklearn或者curve_fit，可以给目标函数加上惩罚项。但更直接的思路是减少模型复杂度。你想，题目只给了几百个数据点，你却用了一个六次多项式，拟合肯定完美，推到未来一秒就崩。所以尽量选择参数少、物理意义清晰的函数形式。C0-alpha-beta三参数模型在第一问里已经足够。

5. 论文写作要点

5.1 图表格式

图片要放在该被引用到的段落附近，不要堆在附录里。图题要具体，比如“图1：某设备容量随时间变化及模型拟合曲线”比“图1：拟合结果”好十倍。坐标轴必须标单位和刻度，刻度数量适中，别用密密麻麻的0到5000全打上标签，会被评审认为不好好排版。

5.2 为什么你的结果要给出置信区间

第二问很可能让你预测某个时间点后的容量，如果只给一个点估计，评审会觉得你不够专业。正确的表达是：预测值 ± 1.96 * 标准误。这段置信区间包含了参数估计的不确定性和未来观测噪声的累积，论文里写清楚计算方式就够了，不用跑去搞贝叶斯预测区间。

5.3 一页纸说清思路的方法

MCM的论文页数受限，第一问不要写太多模型推导过程。建议用一张图展示原始数据，旁边配三行字说明模型假设，然后直接上公式和拟合结果。写一大段文字描述“电池如何老化”对拿分没有帮助，评审要的是可复现的分析。

6. 个人经验总结

连续时间建模这个题目在今年MCM里属于中等偏上难度，因为它不像传统优化题那样有标准答案，也不像机器学习题那样可以无脑堆特征。它的难点在于:你要在物理直觉和数学表达之间找平衡。我的经验是，第一天不要急着跑模型，先用半天时间把所有散点图画一遍，观察不同设备之间的相似性和差异性，然后才动手写代码。很多队伍死在第一天就拟合出一个很差的模型，后面花了两天时间调参,却发现基础逻辑已经错了。

我在实际操作中还有一个小技巧:把每台设备的C0设为该设备前48小时的容量均值，alpha的初值设为0.005，beta的初值设为0.1。这三个初值在绝大多数数据上都稳定收敛，如果你遇到不收敛的情况，优先检查数据清理，而不是调整模型。有时候一条错误的记录（比如容量直接跳成负数）会毁掉整个拟合过程，先排查干净，再怀疑模型。

最后想提醒的是，第一问代码不要写得过于工程化，MCM评审不会运行你的代码，但会在论文里看你贴出的关键代码段。贴出核心拟合函数和残差检验部分即可。代码要有注释，变量名要见名知义，别用a、b、c这种无意义的名字，这会让评审觉得你不专业。把代码当作论文的一部分来展示，它也是你的表达方式。