本训练数据主要应用场景是电动自行车电池未来容量变化趋势预测。通过采集和处理电动自行车电池核心历史数据，结合MLP多层感知机进行训练学习，实现对电动自行车电池容量未来变化趋势的精准预测，这对有效实现电动自行车电池健康管理具有重要作用，具备一定的决策参考价值。
1. 数据来源 采集了电动自行车电池的电流、电压、荷电状态（SOC）、温度、时间等关键字段数据。 2. 数据处理 对上述电池原始数据进行数据集划分、异常值清洗、分段差值变化检测与阈值标记；对电压/电流数据进行电压分段、电压压差值计算、电流中值计算、充放电区分；通过delta soc计算模型得到电池能量数据。 3. 模型训练 将电池能量数据与温度数据通过MLP多层感知机（神经网络）进行模型训练。不断优化MLP模型结构，减少训练过程中的损失值，直到损失值不再有明显改善。 4. 模型评估 使用训练精确度、 最终损失值、每步损失值对电动自行车电池容量变化预测结果进行评估，全面量化模型的预测效果。 5. 数据应用 上述AI模型训练数据可以应用到电动自行车电池健康管理场景下，通过对电池历史数据的训练，实现对电池未来容量下降趋势的精准预测。
| 字段名 | 类型 | 描述 |
|---|---|---|
上传时间(时间戳) |
-- | -- |
电流(A) |
-- | -- |
电压(mV) |
-- | -- |
当前电量(Wh) |
-- | -- |
荷电状态soc(%) |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 上传时间(时间戳) | 1672116527 |
| 电流(A) | 0 |
| 电压(mV) | 68050 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/5127225