电动汽车性能中的电池电芯配置影响：基于 XGBoost 的分类及 SHAP 可解释性分析
机器学习
2026-03-03 v1
摘要
随着电动汽车 (EV) 市场对动态性能和快速充电的持续关注，电池配置正快速演进。尽管如此，当前文献常忽视电池配置与电动汽车性能之间复杂的非线性关系。为填补这一空白，本研究提出一种机器学习框架，将 EV 加速度性能划分为 High（<= 4.0 秒）、Mid（4.0 - 7.0 秒）和 Low（> 7.0 秒）。该研究采用包含 276 个 EV 样本的预处理数据集，使用极端梯度提升 (XGBoost) 分类器，实现 87.5% 的预测准确率、0.968 的 ROC-AUC 和 0.812 的 MCC。为确保工程透明度，采用 SHapley Additive exPlanations (SHAP) 进行解释分析。结果表明，电芯数量增加 initially 提升动力输出，但其质量和复杂度最终削弱性能收益。因此，这些发现表明，电池配置在电动汽车中必须在系统复杂性和体系结构配置之间进行平衡，以实现并保持最佳车辆性能。
引用
@article{arxiv.2603.01275,
title = {The Impact of Battery Cell Configuration on Electric Vehicle Performance: An XGBoost-Based Classification with SHAP Interpretability},
author = {Santanam Wishal and Louis Filiepe Tio Jansel and Matthew Abednego Inkiriwang and Jason Sebastian},
journal= {arXiv preprint arXiv:2603.01275},
year = {2026}
}
备注
12 pages, 7 figures, 3 tables