【限时免费】 UrbanEV：首个大规模电动汽车充电行为开源数据集与预测工具包发布

UrbanEV：首个大规模电动汽车充电行为开源数据集与预测工具包发布

项目背景与意义

随着全球电动汽车(EV)保有量的快速增长，城市充电基础设施的规划与管理面临着前所未有的挑战。准确预测充电需求对于电网负荷平衡、充电站优化布局以及用户服务体验提升都具有重要意义。然而，现有研究往往受限于数据获取难度，缺乏具有足够时空粒度的真实充电行为数据集。

UrbanEV项目由中山大学智能系统实验室主导，联合香港理工大学等机构共同开发，旨在填补这一空白。该项目首次公开了中国深圳地区的大规模电动汽车充电行为数据集，并配套发布了完整的预测模型工具包，为交通电气化、智慧城市和能源管理领域的研究提供了宝贵资源。

数据集核心特点

数据规模与覆盖范围

UrbanEV数据集采集自2022年9月至2023年2月期间深圳市的公共充电设施，具有以下显著特点：

1. 空间覆盖全面：原始数据包含1,682个公共充电站，24,798个充电桩，覆盖331个交通分区。经过清洗后的基准数据集包含1,362个充电站和17,532个充电桩，对应275个交通分区。

2. 时间分辨率精细：原始数据以5分钟为最小时间单元记录充电状态，同时提供聚合后的1小时分辨率数据，满足不同研究需求。

3. 多维特征丰富：数据集不仅包含基础的充电量信息，还整合了丰富的时空特征，如地理位置、时间戳、天气条件等上下文信息。

数据质量与处理

研究团队对原始数据进行了严格的质量控制：

• 异常值检测与处理：采用统计方法和领域知识识别并修正异常充电记录
• 缺失值填补：结合时空相关性进行合理插补
• 数据标准化：统一不同来源的数据格式和单位
• 隐私保护：对敏感信息进行匿名化处理

清洗后的数据集更适合机器学习模型训练，同时保留了原始数据的统计特性。

技术工具包组成

UrbanEV项目不仅提供数据，还开源了完整的预测模型实现，包括：

传统时间序列模型

• 自回归(AR)模型
• 差分整合移动平均自回归(ARIMA)模型

基础机器学习模型

• 全连接神经网络(FCNN)
• 长短期记忆网络(LSTM)

图神经网络模型

• 图卷积网络(GCN)
• 时空图卷积网络(ASTGCN)

前沿Transformer架构

• 多种基于注意力机制的时空预测变体

工具包采用模块化设计，支持快速模型比较和扩展。所有代码都经过优化，可在普通计算设备上高效运行。

应用场景与价值

UrbanEV数据集和工具包在多个领域具有广泛应用前景：

1. 城市充电设施规划：帮助相关机构科学评估充电需求分布，优化基础设施投资

2. 电网负荷管理：支持电力公司预测充电高峰，制定合理的电价策略和调度方案

3. 用户行为研究：揭示电动汽车用户的充电习惯和偏好，为服务创新提供依据

4. 算法基准测试：为时空预测领域的研究者提供标准化的评估平台

学术贡献与影响

UrbanEV项目已经产生了多项高水平研究成果，相关论文发表在IEEE智能交通系统汇刊、Sustainable Cities and Society等权威期刊。这些工作探索了物理信息神经网络、自然语言处理辅助预测等创新方法，推动了充电行为预测领域的技术进步。

项目团队特别注重开源精神，采用CC0 1.0通用许可，最大限度降低使用门槛。数据集和代码的完整文档、示例和教程都随发布包提供，方便研究者快速上手。

未来发展方向

UrbanEV项目将持续更新和维护，计划中的改进包括：

• 扩展数据覆盖时间和空间范围
• 增加更多上下文特征(如节假日、特殊事件)
• 开发更高效的在线学习算法
• 构建交互式可视化分析平台

UrbanEV的发布标志着电动汽车充电行为研究进入了一个新阶段，为智慧城市和可持续交通发展提供了重要技术支撑。研究团队欢迎各界人士参与项目共建，共同推动交通电气化技术的进步。