准确预测剩余使用寿命（RUL）对于锂离子储能应用中的可靠电池管理和高性价比维护至关重要。本研究提出了一种基于数值循环特征进行电池 RUL 预测的防泄漏学习框架，重点在于通过群组感知划分（group-aware splitting）实现对未知电池的真实泛化能力。核心贡献在于构建了在 GroupKFold 下训练的严谨折外（OOF）Stacking 集成模型，既防止了来自同一电池样本间的信息泄露，又使有效的元学习器（meta-learner）能够融合多种不同的学习器。研究在 Kaggle 公开的 Battery RUL 数据集上进行了实验，并使用互补的回归评估指标（R²、MAE、RMSE）以及稳健的百分比误差（sMAPE、WAPE）评估了性能。结果表明，所提出的 Stacking 方法（带有 Meta-XGBoost 的 OOF GroupKFold）取得了最佳的综合性能（R² = 0.999550，MAE = 5.297907，RMSE = 6.834146，sMAPE = 3.080569，WAPE = 0.958618），优于包括 XGBoost 和 Random Forest 在内的强基线模型。这些研究结果证实，防泄漏的群组感知 Stacking 可以显著提高实际部署环境中电池 RUL 预测的准确性和稳定性。
Ajarmeh et al. (Thu,) 对该问题进行了研究。