全球电动汽车充电需求分析的城际标准化数据集CHARGED构建与应用

为解决全球电动汽车(EV)充电需求分析中数据覆盖不足、时间分辨率低和特征缺失等问题，研究人员开发了CHARGED数据集，整合了六大洲12,000个充电桩的时序数据，并融合气象、地理等多源信息。该数据集支持充电行为深度表征和跨城市迁移学习研究，为智能交通与能源系统优化提供标准化基础。

　　

随着全球碳中和进程加速，电动汽车(EV)已成为城市低碳交通的核心载体。然而，充电基础设施的规划与运营仍面临严峻挑战：充电需求时空分布高度动态化，现有数据集存在地理覆盖局限、时间粒度粗糙等问题，严重制约了智能调度算法的开发。更棘手的是，不同城市因经济水平、气候条件差异导致充电行为模式迥异，传统单一城市数据集难以支撑跨区域知识迁移。这一瓶颈使得充电桩布局优化、电网动态调配等关键应用缺乏普适性解决方案。

中山大学智能系统工程学院的Zihan Guo、Linlin You等联合国际团队在《Scientific Data》发表了突破性研究。团队构建了全球首个城际标准化EV充电数据集CHARGED，覆盖阿姆斯特丹、约翰内斯堡等六大洲代表城市2023年4-9月的510,877,797条记录。通过独创的时空对齐与多源数据融合技术，该数据集首次实现了充电核心指标(时长、电量、电价)与19项气象参数、POI地理属性的跨城市标准化整合。

研究采用四阶段技术路线：1) 从ChargePoint等开放平台获取原始数据，经解析、去噪后建立统一数据模式；2) 基于DBSCAN算法以47.37米平均半径聚类充电桩生成4,280个虚拟站点；3) 整合OpenStreetMap的POI数据和Visual Crossing的气象数据；4) 开发联邦学习框架验证跨城市迁移学习性能。

数据记录

研究团队通过地理聚类将11,953个充电桩聚合为4,280个站点，表2显示深圳(SZH)站点数达1,445个居首。数据验证显示，站点级聚合显著提升了时空分析效率，如洛杉矶(LOA)86.7米聚类半径有效捕获了城市多中心结构特征。

技术验证

表4对比显示，融合时空特征的MultiPatchFormer(MPF)模型在SZH的R²达0.997，较传统ARIMA提升37.2%。图3揭示跨城市迁移学习场景中，模型经20轮适应后MAE降低63.8%，证实数据集的异构性可有效促进知识迁移。

辅助特征价值

表5结果表明电价(p_e)对洛杉矶预测准确率提升最显著(MAE↓4.7%)，而阿姆斯特丹(AMS)则对降水(P)最敏感。值得注意的是，全特征组合在某些城市引发性能下降，提示需开发自适应特征选择算法。

基础模型适配性

Chronos-T5大型模型在零样本条件下实现EVS=0.942，证明数据集蕴含可迁移的时序规律。这种"预训练-预测"范式为快速部署城市级充电管理系统提供新思路。

该研究创建了EV充电分析领域首个具备全球代表性的基准数据集，其三大创新价值尤为突出：1) 通过独创的时空对齐技术解决跨城市数据异构性问题，如采用动态半径DBSCAN聚类适应不同城市形态；2) 首次证实充电行为与气象、POI等跨域特征的强关联性，为多模态学习奠定基础；3) 搭建联邦学习验证框架，证明知识迁移可降低小城市数据需求。这些突破不仅助力充电需求精准预测，更推动交通-能源协同优化从单点研究迈向全球普适解决方案开发。未来工作可扩展至寒冷城市冬季数据，进一步验证季节性模式迁移能力。