要求一：连续时间模型构建与验证

智能手机电池耗电建模 - 代码实现思路详解

一、总体思路概述

本代码实现了一个基于连续时间微分方程的智能手机电池耗电模型。核心思想是从能量守恒出发，建立SOC（电量状态）随时间变化的微分方程，并通过实际数据进行参数估计和模型验证。

核心方程：dSOC/dt = -100 × P_total / (E × η_age)

其中：SOC为电量百分比，P_total为总功耗（瓦特），E为电池能量（瓦时），η_age为老化系数。

实现流程总览：

步骤	内容	目的
步骤1	数据预处理	加载数据、时间转换、创建指示变量、添加电池参数
步骤2	放电周期识别	从连续数据中分离出独立的放电过程
步骤3	线性回归估计	通过OLS获得功耗参数的初始估计值
步骤4	非线性优化	使用ODE求解器精确优化参数
步骤5	模型验证	对比预测与实际SOC，计算误差指标
步骤6	可视化	生成验证图表，展示模型性能

二、步骤1：数据预处理

2.1 数据加载与合并

代码首先加载四个CSV数据文件，并进行合并：

battery.csv：包含电池电量(level)、状态(status)、时间戳(time)等信息

bluetooth.csv：包含蓝牙连接检测信息(detected)

participant_info.csv：包含用户信息、手机型号(model)、使用习惯(phone_use)、手机年龄(phone_age)

通过pid（用户ID）和time字段将这些数据合并为一个完整的数据集。

2.2 时间处理

将时间戳转换为相对小时数，便于后续的微分方程求解：

hours = (time - time_min).total_seconds() / 3600

2.3 创建指示变量

根据原始数据创建模型所需的状态指示变量：

变量	含义	计算方式
S	屏幕活跃状态	status包含'in use'则为1，否则为0
B	蓝牙连接状态	detected不为'None Detected'则为1，否则为0
U	用户使用强度	根据phone_use映射：<30min→0.1, 30min-1h→0.3, 1-2h→0.5, 2-3h→0.7, >3h→1.0

2.4 添加电池参数

根据手机型号查表获取电池规格参数：

Q (容量)：电池容量，单位mAh

V (电压)：标称电压，单位V

E (能量)：电池能量 = Q × V / 1000，单位Wh

2.5 计算老化系数

电池老化会降低有效容量，通过老化系数η_age来修正：

η_age = 1 - α × T_age

其中α=0.08为年衰减率，T_age为手机使用年限（根据phone_age字段映射得到）。

三、步骤2：放电周期识别

由于原始数据是连续记录的，包含多次充放电过程，需要识别出独立的放电周期用于模型训练。

识别规则：当SOC上升超过5%时，认为发生了充电事件，标记为新周期的开始。每个周期至少需要5个数据点才被认为是有效周期。

这一步骤的作用是将长时间序列数据分割为多个独立的放电实验，每个周期都可以用于模型训练和验证。

四、步骤3-4：参数估计

4.1 功耗模型

总功耗被分解为多个组件：

P_total = P_base + P_active × S + P_BT × B + P_usage × U

参数	物理含义
P_base	基础功耗：设备待机时的最小功耗
P_active	屏幕活跃功耗：屏幕点亮和活跃使用时的额外功耗
P_BT	蓝牙功耗：蓝牙连接时的额外功耗
P_usage	使用强度功耗：与用户日常使用强度相关的功耗

4.2 方法A：线性回归初估

将微分方程离散化后，可以转化为线性回归问题：

Y = -dSOC × E × η_age / (100 × dt) ≈ P_active × S + P_BT × B + P_usage × U

通过OLS（普通最小二乘法）可以快速获得参数的初始估计值。这一步为后续的非线性优化提供良好的起点。

4.3 方法B：非线性最小二乘优化

以OLS结果为初值，使用L-BFGS-B优化算法最小化预测误差：

目标函数 = Σ(SOC_actual - SOC_pred)² / N

其中SOC_pred通过求解ODE（常微分方程）得到。优化过程中对参数设置了合理的边界约束，确保物理意义的合理性。

4.4 ODE求解过程

对于每个放电周期，使用scipy.integrate.odeint求解微分方程：

1. 创建状态变量的插值函数S(t), B(t), U(t)，使得连续时间求解成为可能

2. 以周期起始SOC为初始条件

3. 在给定时间点上积分求解，得到预测的SOC曲线

4. 将预测值裁剪到[0, 100]范围内

五、步骤5：模型验证

使用优化后的参数，对每个放电周期进行预测，并计算误差指标：

指标	公式	含义
RMSE	√[Σ(actual-pred)²/N]	均方根误差，单位%
MAE	Σ|actual-pred|/N	平均绝对误差，单位%

通过对比多个放电周期的误差，可以评估模型在不同条件下的表现，识别模型的优势和局限性。

六、步骤6：可视化输出

代码生成两类可视化图表：

6.1 单周期详细验证图（4子图）

图1 - SOC对比图：实际SOC vs 预测SOC随时间变化曲线

图2 - 误差图：预测误差(实际-预测)随时间变化，显示RMSE和MAE

图3 - 状态变量图：S(t), B(t), U(t)三个状态变量的时间序列

图4 - 瞬时功率图：估计的总功率P_total(t)随时间变化

6.2 所有周期综合验证图

将所有放电周期的实际和预测SOC曲线绑制在同一张图上，便于整体评估模型性能。每个周期用不同颜色区分，实线表示实际值，虚线表示预测值。

七、代码结构总结

整个代码实现遵循"从简单到复杂"的建模原则：

1. 首先建立基于能量守恒的连续时间微分方程框架

2. 将功耗分解为可解释的物理组件

3. 使用两阶段参数估计（线性回归 + 非线性优化）确保稳定收敛

4. 通过多周期验证评估模型泛化能力

5. 生成丰富的可视化输出便于结果解释

这种实现方式满足了题目对"连续时间模型"的核心要求，避免了纯离散拟合或黑箱机器学习方法，同时保持了模型的物理可解释性。