文献荐读：CHARGED全球城市电动汽车充电需求数据集论文发表

张天仪 2025-10-12 14:00 山东

标题

A City-scale and Harmonized Dataset for Global Electric Vehicle Charging Demand Analysis.

《用于全球电动汽车充电需求分析的城市规模和协调数据集》

发表时间

2025.7.17

作者

Zihan Guo, Linlin You, Rui Zhu, Yan Zhang & Chau Yuen.

期刊

Scientific data Nature

DOI

10.1038/s41597-025-05584-7

摘要

随着全球范围内对电动汽车(EV) 的政策和市场支持力度不断加大，分析电动汽车充电需求对于联合优化交通和能源系统至关重要。然而，现有的公共数据集通常存在全球覆盖范围有限、时间分辨率粗糙和特征可用性狭窄等问题。本文，我们提出了CHARGED，这是一个用于全球电动汽车充电需求分析的城市规模统一数据集。CHARGED 包含 2023 年 4 月 1 日至 9 月 30 日的每小时记录，涵盖六大洲六个代表性城市（包括阿姆斯特丹、约翰内斯堡、洛杉矶、墨尔本、圣保罗和深圳）约 12,000 个充电桩。每个条目都包含核心充电指标（时长、充电量、电价和服务价格）以及丰富的辅助信息（天气变量、地理空间属性和多级静态描述符）。CHARGED 填补了现有空白，提供了时空特征对齐、多源信息协调的标准化数据。技术验证表明，CHARGED 有潜力支持深入描述用户充电需求，并推动更先进的机器学习模型的研究，特别是那些能够在不同城市环境中进行迁移学习的模型。

背景与摘要

随着城市空气质量和能源安全压力的日益增大，电动汽车(EV) 已成为实现低碳和可持续出行的重要手段。尽管电动汽车在全球范围内的普及速度不断加快，但充电基础设施的发展尚未达到最佳状态，无法以经济高效的方式满足日益增长的电动汽车充电需求。因此，城市交通和能源系统面临着巨大的压力。一方面，消费者对充电便利性、速度和可靠性的期望不断提高；另一方面，电网运营商和政策制定者也在努力确保供需平衡。因此，为了构建通用的研究基础，迫切需要一个能够从全球视角系统地描述电动汽车充电行为的科学数据集。这些数据对于提升充电桩定位、动态能源分配、实时交通诱导等应用的智能化和自主化至关重要，同时也对指导城市基础设施的发展、智能电网的升级、智能交通系统的演进等也至关重要。

为了将这些应用付诸实践，如何利用电动汽车充电数据进行精准预测成为一个关键挑战。一般而言，传统的时间序列方法，例如自回归移动平均法（ARIMA），在支持具有高度规律性的预测方面具有一定优势，但当面对非线性样本时，可能会变得效率低下。为了克服这些缺点，深度学习相关方法，尤其是融合空间上下文和辅助特征的方法得到了广泛的研究，它们不仅在捕捉局部充电行为方面表现出卓越的能力，而且在跨多个时间尺度建模全局依赖关系方面也表现出色。近年来，基于快速工程或基于标记化的优化等技术，用于时间序列预测的基础模型展现出卓越的开箱即用泛化能力，只需进行少量架构修改或参数微调，即可捕捉细粒度波动和长期趋势。

为了支持这些数据驱动模型的研究，高质量的数据集至关重要。尽管已经发布了一些公共电动汽车充电数据集（代表性示例见表1），但它们通常只能支持专注于融合单一或同质来源信息的模型研究，并且缺乏测试相关模型在处理异构环境（例如不同城市）数据时的适应性，也无法在这些模型之间进行迁移学习以进一步提高其泛化能力。因此，需要一个标准数据集来保存不同城市的数据，这些城市在经济发展、出行模式、电动汽车普及率、基础设施完备度和天气多样性方面存在高度异质性。

表1: 注意，N/A 代表未明确提供的信息，Aux. 代表是否有任何辅助功能。

因此，我们推出了CHARGED，一个用于全球电动汽车充电需求分析的城市规模统一数据集。CHARGED 的构建基于三个核心目标。首先，它旨在通过整合全球代表性城市的电动汽车充电数据和辅助信息来填补现有的数据缺口。其次，它旨在提供时空特征一致、多源信息协调一致的标准化数据。最后，CHARGED 旨在提供一个通用的基础，提供必要且丰富的内容，以支持研究如何应用联邦元学习和检索增强生成等新技术来推进全球电动汽车充电需求的分析。

方法

数据概述

CHARGED 数据涵盖 2023 年 4 月 1 日至 9 月 30 日期间从 11,953 个充电桩收集的 510,877,797 条原始充电记录。经过数据清理和协调后，这些数据被汇总，形成4,280 个充电桩聚类生成的每小时充电记录。除了电动汽车充电数据（例如充电时长、充电量、电价（电动汽车充电费用）和服务价格（停车费和超时费等附加费用）外，CHARGED 还包含天气变量（温度、降水量、能见度和其他影响因素）、功能属性（充电桩周围的兴趣点 (POI)、站点间距离）以及静态描述符（充电桩、站点和城市级别的分层数据）等信息。通过提供统一、多尺度且注释丰富的全球数据集，CHARGED 可以支持对电动汽车充电行为的细粒度分析，并支持模型通用性研究，从而推动下一代智能电动汽车和能源管理系统的发展。

为了便于对全球电动汽车充电行为进行全面分析，我们根据多维度标准选择了六个具有代表性的城市，每个大洲各一个，这些标准包括数据可用性（拥有连续、属性丰富且细粒度充电记录的城市）、地理多样性（来自各大洲以确保广泛适用性的城市）、经济多样性（跨越不同经济发展阶段的城市）和区域代表性（人口众多、充电站点网络广泛且电动汽车普及率高的城市）。各城市的统计数据如表2所示。原始数据涵盖各城市城区范围内的公共电动汽车充电桩，数据收集自2023年4月1日至9月30日半年期间各地区的开放在线平台，包括ChargePoint（https://www.chargepoint.com/）、Chargefox（https://www.chargefox.com/）、ChargePocket（https://www.chargestations.co.za/cp/Index.aspx）、充电吧App（https://apps.apple.com/cn/app/id1071506659）和Tupi（https://tupinambaenergia.com.br/）。这些开放平台允许用户查询各城市公共电动汽车充电桩的状态，检索充电功率、状态、电价等属性，以及地址、经纬度等地理信息。此外，为了进一步支持城市电动汽车充电行为的时空分析，我们还收集了辅助数据，例如来自 OpenStreetMap（https://www.openstreetmap.org/）的每个城市边界内的 POI，其中包括 POI 类型及其对应的地理坐标等详细信息；以及来自 Visual Crossing API（https://www.visualcrossing.com/）的天气数据，其中包含每个城市的气象站点测量数据，其中包括温度、降水和能见度等参数。

表2: 报告中显示了每个城市的土地面积（平方公里，根据城市边界数据计算得出）、人口以及已收集的充电记录总数、充电桩数量和充电站点数量。需要注意的是，充电站点是通过对已记录的充电桩进行地理聚类生成的。

数据清理

如图1 所示，为了使收集到的异构充电数据可供进一步使用，我们设计并实现了以下数据清理工作流程：

1.解析。原始充电记录被解析并转换为标准化模式，其中包含预定义字段，包括时间戳、站点标识符、瞬时功率、额定功率、状态代码和地理坐标。充电时长和充电量根据插头级状态和功率生成。由于每个充电桩的记录可能包含多个充电插头，因此每个时间戳的总充电时长计算为标记为“充电”的插头数量。收集每个插头在每个时间戳的瞬时功率，并将其乘以其对应的时长来计算充电量。然而，由于原始数据无法完全捕捉瞬时功率波动，这种计算可能会引入一些偏差。因此，我们实施了细粒度的采样频率，在没有瞬时功率的情况下用额定功率代替，以便更接近实际充电量。需要注意的是，额定功率的使用仅出现在MEL记录的子集中，所占比例微乎其微。由于我们的下游处理流程包含异常值检测和校正，因此未对这些情况应用额外的调整因子。此外，对于缺少电价或服务价格信息的记录，我们将根据从原始数据中检索到的定价规则进行填充。对于没有任何服务价格的充电器，则使用零值。

2.过滤。数据过滤在空间和时间上均进行。首先，将地理坐标重新投影到统一的参考系统，并排除位于其所在城市行政边界之外的任何记录。其次，由于原始记录可能包含目标时间段之外的历史条目，因此仅保留研究窗口内的记录。需要注意的是，捕捉季节性特征通常需要一整年的数据。由于数据完整性和质量的限制，CHARGED仅涵盖六个月的时间，这可能会限制其捕捉季节性模式的能力，尤其是在气温变化明显的地区。尽管如此，该时间窗口仍然有效地揭示了充电行为的变化，并支持短期和长期预测以及跨领域知识迁移等任务。相应的验证将在下一节中介绍。

3.去噪。为了缓解数据质量问题，我们实施了一套自动去噪程序，以协调空间不一致性和数值异常。对于空间不一致性，例如，一个充电桩在不同时间戳可能出现在略有不同的经纬度值下，我们计算了每个充电桩观测经纬度的平均值，然后以此质心作为其地理位置。同时，对于数值异常，首先将不可信的充电时长或充电量测量值（例如负值）设置为缺失值。然后，将任何位于第一四分位数以下或第三四分位数以上，且四分位距超过四倍的剩余值识别为异常值23，并同样将其归类为缺失值。

4.归类。为了处理在去噪过程中标记的缺失值以及数据收集过程中无意遗漏的缺失值，我们设计了一种在单个充电桩层面运行的归类策略。时间插值以时间戳为索引，通过填充根据索引计算的近似值和该插值点周围的实际值来实现。对于无法直接插值的长缺失序列或边界片段，我们采用线性插值，并进行前向和后向填充，从而确保数据集的无缝连续性和完整性。两种插值方法分别占总数据的10.70%和0.99%。

图1: 数据清理（a）和数据协调（b）的总体工作流程。原始记录通过依次应用解析、过滤、去噪和插补进行清理。清理后的充电器级数据随后通过时间对齐、空间形式化和数据整合，协调成统一的站点级数据集。此图由 Iconfont (https://www.iconfont.cn) 提供的图形元素创建。

数据协调

如图1 所示，为了实现跨大洲不同城市的数据统一，我们进一步通过三个步骤协调了清理后的数据，以确保数据的一致性：

时间对齐

由于网络延迟，记录的采样时间略有偏差，因此原始时间戳向下舍入到最接近的五分钟间隔。对于同一充电桩和时间戳的任何重复记录，我们通过取相关指标（例如充电时长和充电量）的平均值进行合并。虽然协调世界时(UTC) 通常用于时间对齐，但我们保留了每个城市的当地时区，以便更好地捕捉其固有的时间分布。为了进一步平滑高频噪声，我们将五分钟分辨率的数据汇总到每小时的分组中，方法是将充电时长和充电量等参数相加，并对电价和服务价格等变量求平均值。

空间形式化

为了更好地表示现实世界的电动汽车充电基础设施布局，我们将虚拟充电站定义为相邻物理充电桩的空间集群。因此，我们实施了一种自适应空间聚合策略，将充电桩点分组，并生成虚拟站点，将地理信息整合成连贯的单元。具体而言，主要任务是确定定义充电站点内相邻充电桩的规则。因此，通过计算所有充电桩之间的两两测地线距离，我们为每个城市创建了一个一维距离数组。通过对该数组进行排序，将其一阶差分中的最大跳跃用作相邻半径。此过程得出六个城市的平均半径为47.37 米，其中墨尔本 32.96 米，苏州市 34.97 米，约翰内斯堡 40.29 米，深圳 41.95 米，阿姆斯特丹 47.36 米，洛阿市 86.70 米。然后，对于每个城市，我们应用DBSCAN 算法，以其相应的半径作为参数来确定连通性，从而将充电桩聚集到充电站点中。请注意，每个生成的充电站点的地理位置是其集群成员的经纬度的平均值，其在城市中的地理位置如图2 所示。此外，在每个充电站点内，充电时长和充电量均通过求和进行汇总，而电力和服务价格则被平均以准备每小时的记录。

图2: 六个城市充电桩及其生成的充电站点的空间分布。充电桩用橙色实心圆圈表示，充电站点用绿色空心圆圈表示。为了详细阐述聚类关系，AMS 的插图突出显示了一个由一排 16 个充电桩组成的站点，解释了将它们聚类为单个充电站点背后的原理。需要注意的是，CHARGED 数据库中大多数城市的数据都覆盖了全市。然而，对于少数城市（例如圣保罗和约翰内斯堡），CHARGED 目前仅包含一些较低级别行政区域的数据。因此，我们也使用了城市级地图进行可视化，并在完整数据可用后补充数据集。

数据整合

每个城市的数据被构建为四大模块：充电数据、天气变量、功能属性和静态描述符。充电数据（包括时长、充电量、电价和服务价格）在经过时空协调后，被重组为单独的矩阵，并以每小时时间戳和充电站点标识符为索引。然后，城市级天气变量（例如温度、降水量和能见度）在同一小时网格上进行归一化，以确保与充电数据在时间上完全一致。同时，我们准备了以兴趣点(POI) 及其站点间距离矩阵表示的功能属性，这些属性具有时不变性，并在每个城市的所有站点之间共享。最后，静态描述符由充电桩、站点和城市级别的统计指标组成，这些指标仅针对具有有效数据的实体进行计算，并以平面表格式存储。通过这四个组件的交叉映射和时空对齐，我们生成了一个连贯、语义统一且全局一致的数据集。表3提供了一些关键特征的相关统计数据。

表3: 在充电站点层面，报告充电时长、充电量、平均功率、基于簇的覆盖范围和覆盖面积。在城市层面，报告温度、降水量、能见度、站点间距离和兴趣点 (POI) 数量。每个特征均显示最大值、最小值、平均值、中位数、第一四分位数和第三四分位数以及标准差。

数据记录

数据集可在GitHub (https://github.com/IntelligentSystemsLab/CHARGED) 和 Zenodo获取。各城市数据集存放在单独的目录中，每个城市目录包含两个版本的数据：一个是完整的版本，另一个是排除充电时长和充电量为零的充电站点（假设该站点由于没有充电需求而处于非活动状态）。所有类型的数据均以逗号分隔值(*.csv) 格式保存，以方便使用。包含文件概述和数据字段定义的描述以 Markdown (*.md) 文件的形式保存在根目录中。此外，我们还提供了一套全面的 Python (*.py) 脚本，为数据预处理、模型训练和部署提供标准化接口和示例。 CHARGED 通常包含以下文件：

1.(duration.csv、volume.csv、e_price.csv 和 s_price.csv) 提供站点级每小时充电数据，包括充电时长（以小时为单位）、充电量（以千瓦时为单位）、电价和服务价格。价格以各城市当地货币记录，无需单位转换。

2.(weather.csv) 包含 19 个城市级气象变量，以小时为单位，均以公制单位表示。

3.(distance.csv) 是功能属性文件的一部分，表示通过 WGS-84 椭球测地线算法计算的距离矩阵，其中行和列均由唯一站点标识符索引，从而生成以公里为单位的对称矩阵。

4.(poi.csv) 是功能属性文件的一部分，用于存储各城市收集到的 POI。它包含 POI 类型和地理坐标。这些类型涵盖了 OpenStreetMap 主要功能下的所有子类别，所提供的坐标使用户能够灵活地探索各种 POI 集成策略，例如空间缓冲、关联匹配和过滤条件。

5.(chargers.csv、sites.csv 和 info.csv) 提供三个层级的静态描述符，即充电桩、站点和城市。它包含唯一标识符、层级关系、地理空间数据和充电统计数据，均以平面表格式存储。

6.(README.md) 提供位于根目录中的全面数据集概述，包括文件描述、字段名称、数据类型、单位和语义定义。

7.(*.py 脚本) 实现标准化接口和示例，并组织到根目录中的 api/ 和 example/ 子目录中。

技术验证

为了验证CHARGED在电动汽车充电需求分析中的效率和有效性，我们以每小时充电量预测为代表性任务，开展了一项多视角评估。选择充电量作为评估指标，是因为与充电时长相比，充电量能够更好地捕捉充电过程中的功率波动和能源需求，并更有效地支持下游应用场景。核心目标包括以下四个方面：1）验证其对需求预测的支持；2）评估其辅助功能带来的性能提升；3）探索其支持知识转移的能力；4）研究其在基础模型上的应用。通过这些任务，我们旨在展示CHARGED的高质量和实用价值。

共评估了15个预测模型，涵盖以下三类：1）传统统计时间序列模型，包括自回归模型(AR)11和ARIMA12方法； 2）新颖的深度学习模型，包括 FreTS、ConvTimeNet (CTN)、SegRNN和 MultiPatchFormer (MPF)，这些模型基于多层感知器 (MLP)、卷积神经网络 (CNN)、循环神经网络 (RNN) 和 Transformer 等模型架构设计；3）时间序列预测基础模型，取自三大主流模型系列，包括亚马逊的 Chronos-T5、Salesforce 的 Moirai-1.1-R和 AutonLab 的 Moment-1，每个系列选取三种模型大小。

为确保公平，评估在相同的实验设置和固定的随机种子下进行。此外，模型性能采用六种广泛接受的回归指标进行衡量，包括平均绝对误差(MAE)、均方根误差 (RMSE)、相对绝对误差 (RAE)、中位数绝对误差 (MedAE)、R 平方 (R2) 和解释方差得分 (EVS)。

支持充电需求预测的结果

此评估组件专门用于评估短期预测性能。数据按8:1:1 的比例分为训练、验证和测试子集。模型采用 12 小时的输入窗口（12 个时间步长）来预测下一小时的值。此外，模型进行了 50 轮训练，并通过基于月份的六折交叉验证策略进行评估，指标报告为所有测试集的平均值。

表4展示了不同模型在多个城市的预测效果。值得注意的是，传统的时间序列模型（例如AR和ARIMA）仅依赖于历史充电量，其表现始终不佳。这凸显了线性自回归和统计方法在捕捉现代城市环境中观察到的复杂充电行为方面的不足。相比之下，像CTN和SegRNN这样融合空间信息并支持非线性时间建模的模型则展现出显著的性能提升。这些结果证实了利用时空信息支持需求预测的有效性和稳健性。此外，一些先进的模型，例如利用多尺度分段时间建模策略的MPF和融合频域变换的FreTS，取得了最佳或次优的结果。它们在高波动性场景下捕捉趋势的能力凸显了它们在时间序列振荡模式建模方面的优势。总而言之，CHARGED的小时时空分辨率为预测任务提供了丰富的基础。该数据集不仅支持稳健的需求预测，还能够实现有效的非线性时空建模。未来的工作可能会探索开发专用模块，以更好地捕捉隐藏在充电行为中的时空依赖性，从而进一步提高相关模型的预测准确性和泛化能力。

表4: 该研究涵盖了两个传统统计时间序列模型和四个新型深度学习模型在六个代表性城市的测试结果。能够同时利用时间和空间特征的模型，其表现始终优于其他同类模型，凸显了CHARGED模型固有的显著时空依赖性。

辅助特征的使用

本实验采用与第一个实验相同的训练和评估设置，但仅使用FreTS 作为代表模型来研究辅助特征对预测性能的影响。此外，本次评估考虑了七种辅助特征配置。首先，基线设置（标记为None）不包含任何辅助特征。其次，将以下特征之一（即电价 (pe)、服务价格 (ps)、温度 (T)、降水量 (P) 和能见度 (V)）单独添加到基线设置中，形成五种特定于特征的设置。最后，完整设置（All）表示以上所有五个辅助特征均与基线设置一起使用。

表5 总结了不同城市和配置的结果。结果表明，在大多数城市中，添加辅助特征通常会显著提高预测性能，这表明它们在影响电动汽车充电行为方面具有实际意义。值得注意的是，由于目前可用的天气数据仅限于城市级别，因此可能无法准确捕捉各个充电站点的当地气象条件。虽然可以观察到一些性能提升，但更精细的空间分辨率天气数据无疑将增强需求分析，一旦此类数据可用，CHARGED 模型也会相应地更新。此外，不同城市对特定特征的敏感度也有所不同。例如，纳入 P 值可获得 AMS 的最佳性能，而纳入 pe 值则可在 LOA 的所有指标上获得最佳结果，这反映了不同城市充电行为模式的异质性。有趣的是，在某些情况下，纳入所有辅助特征会导致性能下降，这凸显了即使拥有如此丰富的信息，选择合适的特征和建模仍然至关重要。总体而言，CHARGED 中丰富的空间、经济和行为描述符为高级非线性和多模态时空建模提供了强有力的支持。

表5: 我们测试了七种辅助特征集配置，其中省略了JHB、MEL和SPO的服务价格(ps)结果。结果表明，使用不同的辅助特征会带来不同程度的性能提升。这些发现证实了CHARGED提供的辅助特征在支持有效时间序列预测方面的价值。

* – ：省略了未包含ps的城市的结果。

支持知识迁移的潜力

在本次评估中，我们采用了联邦学习（Federated Learning），该技术能够在数据所有者之间实现协作学习并保护隐私，以评估CHARGED对迁移学习的支持能力。我们假设每个数据源都是一个客户端，并创建了三个测试场景：1）在跨城市换乘场景中，每个城市都充当一个客户端，深圳作为测试客户端，其余城市作为训练客户端；2）在同城跨站点换乘场景中，深圳所有充电站点按8:2的比例划分为训练客户端和测试客户端；3）在城际跨站点换乘场景中，每个城市选择30个站点，按8:2的比例划分为训练客户端和测试客户端。在所有场景中，模型都经过100轮训练，然后对每个测试客户端进行20轮自适应微调，其中50%的测试客户端数据用于微调，剩余50%用于评估。请注意，报告的指标是所有测试客户端的平均性能。

图3 展示了三种知识迁移场景中训练和适应阶段的性能曲线。总体而言，MAE 随着训练轮次的增加而显著下降，并在几轮适应轮次后迅速趋于稳定。尽管测试客户端各不相同，但跨场景比较通常可以发现，更细粒度和层次化的迁移策略会产生更平滑的收敛曲线，这表明全局模型能够更有效地捕捉可泛化的特征。然而，随着适应轮次的继续，某些场景会出现性能波动和轻微下降，表明存在过拟合的迹象。该实验展示了CHARGED 在异构知识迁移方面的价值和潜力，并揭示了与新技术集成的可能性，以进一步提升模型的预测能力及其在处理异构场景方面的适应性。

图3: 使用CHARGED在三种知识迁移场景下的性能表现，包括跨城市迁移（a）、同城跨站点迁移（b）和城际跨站点迁移（c）。在训练和适应阶段均追踪了MAE的变化。曲线进行了最小-最大归一化处理，并在各子图的左上角标注了相应的极值。结果表明，在训练和适应阶段，MAE均显著降低，从而验证了CHARGED在支持迁移学习方面的有效性。

在基础模型上的应用

为了测试CHARGED在长期充电量预测方面的性能，我们分别在小规模、基准规模和大规模三个模型系列（Chronos-T5、Moirai-1.1-R和Moment-1）的基础模型上进行了相关实验。为了不失一般性，我们在站点级别对SZH进行了零样本推断，以基于前五个月的每日分辨率数据预测下个月的每日需求。图4展示了每个模型的回归拟合结果，预测点紧密聚集在理想直线y = x周围，表明预测误差最小，系统性偏差可忽略不计。具体而言，EVS和R2值进一步证实了这些模型能够捕捉几乎所有时间变化和趋势。这些发现不仅证明了基础模型在时间序列预测中出色的零样本性能，也凸显了CHARGED提供的每小时和全市数据集在增强模型泛化能力方面的关键作用。

图4: 长期充电量预测的预测值与实际值的回归分析。在每个子图中，红色实线表示线性回归拟合，黑色虚线表示理想的 y = x 参考值，阴影带表示回归置信区间。标注了 EVS 和 R2 以量化预测准确性。子图 (a–c)、(d–f) 和 (g–i) 分别对应于 Chronos-T5、Moirai-1.1-R 和 Moment-1 模型系列，分别在小规模、基础规模和大规模下进行评估，以基于五个月的历史数据进行提前一个月的零样本充电量预测。这些基础模型明显的零样本能力进一步说明了 CHARGED 能够捕捉到丰富的时间结构。

小结

• 研究目的：建立全球统一、城市尺度的电动汽车充电需求数据集，用于能源–交通系统研究。

• 数据集内容：涵盖六大洲六座城市、近 5.1 亿条充电记录，时间跨度 6 个月。

• 数据特征：包含充电量、价格、天气、地理属性等多维信息。

• 处理流程：通过清洗、聚类、插补与时间空间对齐，形成标准化站点级数据。

• 实验验证：测试多种预测模型，发现时空特征和辅助变量可显著提升预测精度。

• 迁移学习结果：模型可在跨城市场景中有效迁移并保持性能。

• 创新点：首次实现全球范围、多城市、统一标准的 EV 充电需求开放数据集。

• 局限与展望：时间覆盖短、天气数据分辨率低，未来将扩展城市和时间范围。

本期编辑：张天仪，英属哥伦比亚大学

跳转微信打开