蒙特利尔电动汽车充电会话数据集

本研究利用蒙特利尔电动汽车充电会话数据集，该数据集包含了蒙特利尔地区充电网络中90%的充电站数据，为充电站运营商提供了丰富的充电行为信息。数据集通过结合地理信息系统（GIS）数据，进一步丰富了充电站周边环境和设施的信息，为充电站选址优化提供了有力的支持。

This study utilizes the Montreal Electric Vehicle Charging Session Dataset, which covers 90% of the charging stations in the Montreal regional charging network and provides abundant charging behavior information for charging station operators. By integrating Geographic Information System (GIS) data, the dataset further enriches the information on the surrounding environment and facilities of charging stations, offering strong support for the optimization of charging station siting.

搜集汇总

数据集介绍

构建方式

蒙特利尔电动汽车充电会话数据集是基于加拿大魁北克省蒙特利尔市的真实充电会话数据构建而成。数据来源于Circuit Électrique充电网络运营商，涵盖了2018年1月至2022年8月间的充电会话记录。数据集通过会员卡识别用户，排除了访客账户，并利用GIS数据补充了充电站周边设施信息。构建过程中采用了严格的用户分类标准，区分了私人用户、共享车辆用户和租赁用户，确保数据质量与研究目标的契合性。

特点

该数据集具有显著的地理空间特性，包含736个Level 2和19个Level 3充电站的精确位置信息。其独特之处在于覆盖了魁北克省90%的公共充电站，并整合了OpenStreetMap的设施数据。数据集捕捉了充电时长、能量传输量、启停时间等关键指标，并首次在揭示偏好研究中纳入周边设施影响分析。特别值得注意的是，数据集通过面板数据形式记录了用户的重复充电行为，为研究用户偏好异质性提供了坚实基础。

使用方法

该数据集主要应用于离散选择模型估计，支持多项Logit和混合Logit模型分析。使用时需注意区分Level 2和Level 3充电行为的不同特征。建议采用五折交叉验证方法进行模型评估，重点关注距离、家庭邻近度、充电接口数量等核心变量。在优化充电网络布局时，可将估计的效用函数嵌入p-median或最大最小化等设施选址模型。使用前应过滤距离异常值（前2%的远距离会话），并考虑COVID-19疫情期间数据异常时段。

背景与挑战

背景概述

蒙特利尔电动汽车充电会话数据集由蒙特利尔大学和魁北克水电研究所的研究人员于2025年创建，旨在通过揭示偏好研究优化电动汽车充电站的选址。该数据集基于魁北克省Circuit Électrique充电网络的真实充电会话数据，覆盖了该省90%的充电站，并结合了OpenStreetMap的地理信息系统数据，以分析充电站周边的便利设施。研究团队通过离散选择模型预测用户对充电站的选择行为，重点关注用户与充电站的距离、家庭区域的邻近性以及充电站插座数量等因素。该数据集为城市内充电网络的优化设计提供了重要支持，推动了电动汽车充电基础设施的智能化布局。

当前挑战

该数据集面临的挑战主要包括两方面：首先，在解决领域问题方面，如何准确预测用户对充电站的选择行为是一个复杂问题，需要考虑多种因素如距离、便利设施等，且用户偏好的高变异性增加了建模难度；其次，在数据构建过程中，研究人员需处理大量真实充电会话数据，过滤无效或异常会话，同时整合多源地理信息数据，确保数据质量和一致性。此外，如何将离散选择模型无缝集成到充电网络优化框架中，也是一个关键的技术挑战。

常用场景

经典使用场景

蒙特利尔电动汽车充电会话数据集为研究电动汽车充电站选择行为提供了独特的真实偏好数据。该数据集通过整合充电会话记录与地理信息系统数据，支持离散选择模型估计，特别适用于分析用户在选择充电站时对距离、家庭邻近性和充电站容量等关键因素的敏感性。

解决学术问题

该数据集有效解决了电动汽车充电基础设施规划中的关键学术问题，包括充电站需求预测模型的构建和验证。通过揭示用户偏好异质性，数据集支持混合logit模型的应用，克服了传统多项式logit模型在捕捉个体差异方面的局限，为充电网络优化提供了更精确的行为基础。

衍生相关工作

该数据集衍生出多个重要研究方向，包括将离散选择模型嵌入充电网络优化框架的研究（如Lamontagne等2023年工作），以及充电行为异质性对城市规划影响的探讨。后续研究还扩展了数据集在机器学习预测模型中的应用，虽然这类模型在同时优化多站点选址时仍存在局限性。