《Frontiers in Artificial Intelligence》：A systematic literature review exploring the application of deep learning in electric vehicles from 2015 to 2025
编辑推荐：
引言：电动汽车（EV）凭借其可靠性、灵活性、简单性和可扩展性，正迅速获得普及和全球认可。该论文对电动汽车与深度学习交叉领域的研究进行了系统文献综述，旨在识别当前进展并探索其未来可扩展性的潜力。方法：最终综述合成阶段共纳入2015至2025年的92篇出版物。这些
引言：电动汽车（EV）凭借其可靠性、灵活性、简单性和可扩展性，正迅速获得普及和全球认可。该论文对电动汽车与深度学习交叉领域的研究进行了系统文献综述，旨在识别当前进展并探索其未来可扩展性的潜力。方法：最终综述合成阶段共纳入2015至2025年的92篇出版物。这些工作被归类为五个关键主题：电动汽车与深度学习的数据驱动研究、电动汽车的社会整合、电动汽车普及的影响、软件考量以及深度学习带来的挑战与解决方案。关键的是，本次合成的范围扩展至涵盖2025和2026年的最先进框架，评估了深度学习在车辆级机械安全系统（如机器学习驱动的制动混合策略优化再生能量捕获）和车队级性能物流（如神经网络驱动的预测性维护优化）中的双重足迹。结果：深入讨论了每个主题的发现及其对研究和实践的影响。此外，对研究趋势的描述性分析显示：（1）每年出版物数量稳步增长；（2）多数贡献来自中国；（3）多种深度学习方法被应用于解决电动汽车行业中的各种挑战；（4）在电动汽车领域开发、测试和部署深度学习技术及算法存在显著机遇。讨论：研究结果突显了深度学习在电动汽车领域日益增长的应用，并展示了持续开发、测试和部署深度学习技术与算法以支持未来电动汽车进步和可扩展性的重大机遇。
**引言**
该论文指出，向可再生能源的转型推动了汽车和技术领域新部门的产生。电动汽车技术是一个发展中的主题，具有降低运营成本、实现可持续发展目标和清洁能源消耗等优势。论文聚焦于性能评估、运营效率与稳定性、资源需求与可扩展性、安全与隐私特性以及适用性与局限性等类别，以分析电动汽车和深度学习对汽车行业及整个社区的影响。这促进了服务提供商运营效率的提升、利益相关者成本的降低、电网负担的减轻、深度学习在复杂时间序列中的验证、时间特征与数据特性的重要性、实际应用的可扩展性，并为未来研究与发展奠定基础。系统文献综述（SLR）旨在考察该领域研究优先级的各种方式，以适应持续改进标准和技术进步速度的需求。电动汽车作为碳中性交通手段，可被视为储能设备，为微电网提供机遇和服务。电池容量的需求增长带来了挑战，尤其是锂离子电池的限制，导致电动汽车销量下降并引发转型摩擦。荷电状态（SoC）因精确估计充放电时间的需求而成为重要话题。该论文旨在探索深度学习在电动汽车中的应用——新兴趋势与未来方向。研究发现的第一部分基于出版年份、出版类型与渠道、第一作者所属国家、研究设计、所用算法与技术、面临的限制、抽样方法与样本量、研究人群与参与者人口统计以及未来方向等属性对样本文章进行特征化。第二部分对文章中的研究主题进行综合与分类。该研究通过对过去十年电动汽车与深度学习交叉领域提供聚焦且综合的合成，补充了现有系统文献综述。与先前独立考察这些领域或聚焦特定技术子领域的综述不同，该综述整合了跨多个国家和应用背景的研究，呈现当前发展的全面视图。通过综合不同地理和技术背景下的趋势、应用和主题模式，该研究突显了电动汽车技术和深度学习在全球范围内的演变方式，并识别了跨区域和研究领域的合作与知识交流机会。
**方法**
该研究采用PRISMA（系统综述和荟萃分析优先报告条目）框架指导SLR过程，该框架包含识别、筛选和纳入三个阶段。搜索词“电动汽车+深度学习”被输入七个数据库（Google Scholar、Web of Science、IEEE Explorer、Compendex/Engineering Village、ERIC、ScienceDirect和Wiley Online Library）。在初步检索后，为了更全面地综述相关数据，纳入了涉及不同特定深度学习形式（如深度Q学习（DQN）和深度强化学习（DRL））的文章。搜索策略优先考虑概念特异性，使用核心术语“电动汽车”和“深度学习”来捕捉两者的交叉研究。通过迭代筛选过程（包括向后和向前滚雪球法）增强覆盖范围，识别引用特定深度学习技术（如神经网络、深度强化学习）的额外相关研究。该综述遵循PRISMA指南以确保透明度和严谨性，并针对搜索策略进行了调整以支持聚焦且概念一致的范畴。
**数据收集**
图1展示了SLR的完整文章选择过程。根据七个排除标准（EC）剔除文章：EC1：发表于2015年之前；EC2：未均衡关注直接影响电动汽车和深度学习的因素；EC3：短论文或进展中工作；EC4：非英语文章；EC5：低质量论文；EC6：同一搜索引擎的相同文章；EC7：无法获取全文。从七个数据库使用一个搜索词“电动汽车AND深度学习”检索到369篇文章。第一阶段根据标题进行广泛筛选，要求标题明确包含“电动汽车+深度学习”或直接相关术语。第二阶段进行摘要级评估，审查概念一致性。第三阶段进行全文审查与严格排除，剔除进展中研究或仅有扩展摘要的论文。最终筛选后，92篇论文满足所有基线标准并纳入文献综合。此外，同行评审过程中推荐的最新论文也被整合。第二和第三作者独立审计所选文章，通过交叉验证达成一致共识。
**数据分析**
作者遵循六步流程对92篇文章进行综合与意义构建。为确保一致性，第一和第三作者独立审查了初始子集（n=10），比较评估并通过讨论解决分歧。达成一致后，剩余研究均分并独立审查。使用Cohen's Kappa评估评分者间信度，值为0.86，表明高度一致。为支持效率，使用了AI工具（如Google NotebookLM）进行初步摘要，但仅作为初始参考，每个摘要均经作者仔细核对全文以确保准确性。所有编码、分类和主题合成均由作者手动完成，独立于AI工具。ChatGPT仅用于改善语言清晰度和可读性，未参与数据解释或分析决策。这些步骤确保了分析的透明性、可重复性和作者驱动性。每篇文章记录的信息包括：出版年份、出版类型与渠道、研究问题、第一作者所属国家、研究方法、利益相关者、研究焦点与研究方法、研究人群与参与者人口统计、抽样方法与样本量范围、研究发现、算法/技术、研究意义、局限性、未来工作以及调查与评估方法。第一作者基于所有94篇文章的比较生成代码，最终形成五个主题：电动汽车与深度学习研究数据结果、电动汽车社会整合的影响、电动汽车社会整合、软件影响以及电动汽车使用深度学习的挑战与解决方案。最初生成了24个代码，通过进一步审查和聚类，由第一和第二作者共同分析出最佳主题描述。主题分类采用归纳迭代方法，与反思性主题分析一致。代码从数据中生成并逐步分组为更广泛模式，经过审查和细化以形成连贯的主题。鉴于主题的跨学科性质，主题并非互斥，而是代表相互关联的领域，单篇文章可能贡献于多个主题。数据分析分为两部分：第一部分使用描述性统计考察92篇文章的趋势；第二部分呈现五个主题的定性分析。
**优势与局限性**
该SLR通过评估趋势和当前知识状态，提供了电动汽车与深度学习研究的整体图景。每个主题都附有对实践和研究的启示，为从业者和研究人员提供具体指导。研究发现极大地扩展了对该领域的理解，帮助汇总现有研究优势并指出未来研究机会。局限性包括：基于排除标准选择的最终92篇文章未包含质量或信息独特性指标；使用了七个数据库但可能仍存在遗漏；排除了进展中论文、短论文和技术报告；搜索词聚焦于特定兴趣领域，可能排除了其他相关主题；未包含2015年之前和2025年7月之后的文章；仅限英语文章，可能只代表全球出版物的一部分。该综述未采用正式的风险偏倚或质量评分框架，因为主要目标是提供研究趋势和主题模式的广泛合成，而非评估个别研究的方法学严谨性。相反，使用了结构化纳入和排除标准以确保相关性和基线质量，但所有研究被平等对待，无论方法学严谨性如何，这被视为一个局限性。
**研究发现**
首先呈现了2015至2025年间各种深度学习技术在解决电动汽车行业挑战中的详细总结及其对社区的影响。此外，提供了对最终92篇文章综合后识别的五个主题的描述、示例研究以及研究和实践启示。
**与出版趋势相关的描述性发现**
- **每年出版物数量**：2015至2025年间，每年出版物数量总体增加，2015至2018年逐渐增长，2019年激增，2022年达到高峰，2023年下降，2024至2025年再次下降，部分原因是2025年仅覆盖前5个月。
- **出版类型与渠道**：92篇文章中，53.3%为期刊文章，46.7%为会议文章，1.1%为系统综述。多数文章由IEEE（44.6%）出版，其次为MDPI（20.7%）、Elsevier（9.8%）、IET（6.5%）等。
- **第一作者所属国家**：第一作者来自25个国家，其中中国占35.2%，印度占17.2%，美国占9%，伊朗占4.9%，其他国家占比较小。
- **研究焦点与研究方法**：四种主要研究类型：社会整合（65.2%）、基础研究（20.7%）、软件/新技术开发与实施（8.7%）和文献综述（5.4%）。研究方法包括定性、定量、定性与定量结合以及描述性研究。
- **研究人群与参与者人口统计**：35篇文章涉及社区参与，57篇未直接涉及，5篇为系统综述。52篇文章既非人口相关也非系统综述。38%直接涉及社区的文章在解决挑战方面更准确。
- **抽样方法与样本量**：软件/新技术类研究倾向于使用较小样本量，而社会整合等研究依赖较大样本量。发现了通过增加样本量提高结果可泛化性的机会。
- **电动汽车应用中深度学习模型的比较分析**：跨研究合成显示，约60-70%的研究采用基于时间序列的模型，特别是LSTM和GRU架构。LSTM常用于荷电状态估计和电池健康预测，GRU在降低计算复杂度方面表现类似。CNN主要用于空间或图像任务，深度强化学习（DRL）应用于优化任务。局限性包括评估指标差异大、依赖模拟数据集、缺乏标准化基准。
**主题分析：描述、示例与启示**
五个主题定义为：电动汽车与深度学习数据研究（28篇文章）、电动汽车社会整合（86篇文章）、软件影响（39篇文章）、电动汽车社会整合的影响（59篇文章）以及电动汽车使用深度学习的挑战与解决方案（42篇文章）。主题并非互斥，文章可能映射到多个主题。
- **主题1：电动汽车与深度学习数据研究**：聚焦于数据处理、模型优化和设计评估，包括故障检测、真实世界应用测试和模拟。示例研究（Li等，2018）开发了脑启发本体感觉系统，利用深度递归神经网络（DRNN）估计车辆状态；Trivedi等（2022）提出了基于深度学习（DL）和区块链的故障检测框架，使用卷积神经网络（CNN）和长短期记忆网络（LSTM）。研究启示：未来需要在线学习以适应实时变化；实践启示：成功验证了脑启发系统，并提出了改进数据收集和利用的路径。
- **主题2：软件影响**：57篇文章关注模型优化和软件开发，22篇涉及网络安全。示例研究（George and Sivraj，2021）开发了基于深度学习（DL）的驾驶范围预测系统，使用双向长短期记忆网络（Bi-LSTM）实现高精度；Shafee等（2020）研究了虚假荷电状态（SoC）报告的影响，并提出了门控循环单元（GRU）检测器以高准确率检测说谎车辆。研究启示：数据集可用于能量需求预测，但存在模拟局限；实践启示：增强了网络安全，提出了混合物联网架构。
- **主题3：电动汽车社会整合**：88篇文章聚焦于能源管理、荷电状态估计、运营效率、电网整合和电池硬件管理。示例研究（Alhazmi，2024）提出了扩散卷积递归神经网络（DCRNN）与支持向量机递归特征消除（SVM-RFE）的混合模型，用于荷电状态（SoC）估计；Alansari等（2024）提出了SACGX模型用于充电基础设施最优布局。研究启示：提高预测精度和整合混合技术；实践启示：集成LSTM到模型预测控制（MPC）框架中实现实时能量管理，以及机器学习制动混合策略（Milojevi?等，2026）将再生能量回收率从30%提升至50%。
- **主题4：电动汽车社会整合的影响**：18篇文章关注可再生能源利用、成本最小化和可持续发展目标（SDGs）。示例研究（Sotoudeh and Hom Chaudhuri，2023）提出了学习型分层控制框架，联合优化驾驶循环和动力总成能量管理；Ma等（2022）综述了深度强化学习（DRL）和区块链在电动汽车优化调度中的应用。研究启示：需要大量真实数据，并整合深度学习与大数据；实践启示：深度神经网络（DNN）模型预测控制（MPC）显著降低了在线计算需求，同时保持燃油效率。
- **主题5：电动汽车使用深度学习的挑战与解决方案**：81篇文章关注故障诊断、网络安全和电网整合。示例研究（Basnet and Ali，2020）开发了基于深度学习的入侵检测系统（IDS）用于电动汽车充电站（EVCS），检测拒绝服务（DoS）攻击，LSTM准确率超过99%；Kaplan等（2021）使用LSTM检测电机故障；Rasheed等（2023）提出了改进监督学习（ISL）深度神经网络（DNN）用于负载预测。研究启示：将故障诊断扩展到车到网（V2G）技术，并探索图神经网络（GNN）和Transformer；实践启示：LSTM在故障检测中优于其他方法，且基于LSTM的入侵检测系统在检测DoS攻击方面表现出色。
**讨论与结论**
该研究通过提供深度学习方法的结构化分析比较，超越了描述性报告，突显了方法论模式、性能趋势和评估实践中的关键差距。发现应被解释为基于模式的探索性综合，而非研究质量或有效性的比较评估。尽管五个主题截然不同，但若干论文考察了跨主题交叉点，例如Duan等（2023）结合了软件开发和电网整合。描述性分析进一步强调了测试和部署现有技术的能力。未来工业应用将转向实时集成生产系统，包括增强车载计算能力、主动电网管理、低成本的先进驾驶辅助系统（ADAS）、数字孪生技术和可解释人工智能（XAI）。尽管深度学习在电动汽车中应用日益增长，但仍存在数据依赖性、缺乏标准化基准、计算复杂性和模型可解释性有限等局限性。总之，该SLR涵盖了2015至2025年的文章，从七个数据库检索到683篇文章，最终纳入92篇。识别了改进电动汽车使用体验的指南，包括改善充电基础设施、电池管理、安全控制、模型优化、可持续发展目标（SDGs）实现以及故障诊断等。研究发现，深度学习正从孤立模拟向真实世界机械和物流部署快速迁移，例如全连接神经网络（FCNN）和LSTM解耦车队物流优化，以及随机森林（RF）解决非线性车辆动力学以提升再生效率。这些多领域调整证实了未来电动汽车可扩展性依赖于深度学习同时解决微观机械安全边界和宏观物流基础设施的能力。
