UrbanEV：城市电动汽车充电需求预测的开源基准数据集，开启智能充电新时代

为解决电动汽车（EV）充电预测领域缺乏优质开源基准数据集的问题，研究人员开展 UrbanEV 数据集相关研究。他们构建涵盖多方面信息的数据集，并通过实验评估多种模型。结果表明该数据集能有效支持 EV 充电需求预测，对推动相关研究与应用意义重大。

　　随着全球对环境保护和可持续发展的重视，电动汽车（EV）的数量呈爆发式增长。国际能源署（IEA）发布的《2024 年全球电动汽车展望》显示，2024 年电动汽车销量有望达到约 1700 万辆，占全球汽车总销量的五分之一以上。这一增长趋势虽然对减少碳排放、改善空气质量意义重大，但也给城市电网和交通基础设施带来了诸多挑战。

在城市中，有限的充电空间让电动汽车用户焦虑不已，他们常常需要花费大量时间寻找充电桩，这不仅增加了停车巡航时间，还加剧了交通拥堵。同时，电动汽车常规的充电行为导致电力消耗不均衡，在高峰时段，这种需求波动会影响电网的稳定性，可能引发电压波动、频率变化等问题，威胁电力供应的可靠性。

为了应对这些挑战，许多智能服务应运而生，如动态定价机制、协作式充电资源分配策略和停车引导系统等。而准确预测电动汽车充电需求是实现这些智能服务的关键。然而，目前相关研究面临数据方面的困境。现有的公开数据集大多存在缺陷，要么仅依赖充电数据，忽略其他潜在影响因素；要么在时间和空间分析上存在不足，无法深入探究电动汽车充电行为；并且不同研究的设置差异大，难以对新技术、框架和模型进行公平比较。这些问题严重阻碍了电动汽车充电预测及相关智能服务在大数据时代的发展。

为填补这一空白，中山大学等机构的研究人员开展了关于 UrbanEV 数据集的研究。他们构建了一个全面的、开源的电动汽车充电数据集，为电动汽车充电需求预测提供了有力支持。该研究成果发表在《Scientific Data》上，对推动电动汽车充电预测和管理领域的发展具有重要意义。

研究人员在构建 UrbanEV 数据集时，运用了多种关键技术方法。数据采集方面，从电动汽车司机使用的移动平台自动收集充电数据，同时从气象站获取深圳的天气数据，通过高德地图编程接口平台提取兴趣点（POI）数据。在数据处理阶段，对原始的充电数据进行初始提取、错误检测与插补、聚合与过滤等操作，将其转化为结构化的时间序列数据；对其他影响因素数据，如天气数据、空间信息等进行整理和计算，使其与充电数据的时空分辨率对齐 。

研究结果主要从以下几个方面展开：

1. 数据记录：研究人员提供了 1 小时分辨率的区域级数据集作为主要数据集，5 分钟分辨率版本也可在 Dryad 存储库获取。数据以逗号分隔值（.csv）文件存储，还提供了相应的头描述文件（.txt）、ArcGIS 格式的几何信息文件，以及用于电动汽车充电预测的基准代码框架（包含 Python 程序文件） 。这些数据涵盖了充电占用率、时长、电量、电价、服务价格、天气数据、空间信息等多方面内容。
2. 技术验证 - 分布预测：研究人员对比了三种传统预测方法、五种深度学习模型和两种基于 Transformer 的预测器。结果显示，基于 Transformer 的模型在捕捉复杂时空交互方面表现卓越，能自适应关注相关时空特征，在预测性能上优于其他模型；传统深度学习模型通过结合非线性时间建模和空间信息，比统计模型的预测准确性有显著提升 。这表明 UrbanEV 数据集具有明显的时空特征，联合建模时空特征可提高预测性能，但数据集的时空特征复杂，需要专门设计模型来有效捕捉。
3. 技术验证 - 节点预测：在节点预测实验中，基于 Transformer 的模型 TimeXer 在所有评估指标上表现最佳，循环模型 LSTM 在充电时长和电量预测方面也有不错的表现。这说明 UrbanEV 数据集提供的充电数据包含丰富的时间特征，可作为可靠的电动汽车充电预测基准数据集 。
4. 技术验证 - 因子实验：研究人员通过因子实验探究了五个特征单独和组合对预测的影响。结果发现，单个特征对预测准确性提升有限，甚至可能降低性能；而特征组合，如气温（Ta）和电价（pe）的组合，能显著提高预测准确性。这表明外部因素如温度和充电成本会影响用户充电决策 。但整合所有五个特征不一定能提高预测准确性，这凸显了开发能处理多维辅助信息的先进预测模型的重要性。

研究结论表明，UrbanEV 数据集涵盖了丰富的电动汽车充电相关信息，包括充电数据、动态因素、空间属性和静态系数等，其具有明显的时空特征。通过对多种模型的评估发现，联合建模时空特征可有效提高预测性能，且特征组合对预测准确性有重要影响 。然而，数据集时空特征的复杂性需要更先进的模型来处理。该研究为电动汽车充电需求预测提供了重要的数据支持和研究思路，有助于推动相关智能服务的发展，促进城市电动汽车充电管理的优化，对实现全球可持续发展目标具有积极意义。同时，研究人员提供的开源数据集和代码框架，方便其他研究者在此基础上进行更深入的研究，进一步推动该领域的发展。