Extended Vehicle Energy Dataset (eVED)

扩展车辆能源数据集（eVED）是由查尔姆斯理工大学和西安理工大学合作创建的大型数据集，用于深入学习车辆行程能源消耗分析。该数据集包含超过2200万条记录，涵盖了车辆行驶的GPS坐标、速度限制、道路坡度等多种外部信息。创建过程中，研究团队通过校准原始VED数据中的GPS轨迹记录，并结合地理信息系统（QGIS）、Overpass API、Open Street Map API和Google Maps API提取相关属性。eVED数据集的应用领域包括车辆行为分析、交通动态分析以及能源效率路线规划等，旨在为学术界和工业界的汽车技术发展提供支持。

The Extended Vehicle Energy Dataset (eVED) is a large-scale dataset co-developed by Chalmers University of Technology and Xi'an University of Technology, targeting deep learning-driven analysis of vehicle trip energy consumption. This dataset contains over 22 million records, encompassing a wide range of external information such as GPS coordinates, speed limits, and road gradients collected during vehicle trips. During its development, the research team calibrated the GPS trajectory records from the original VED dataset, and extracted relevant attributes by leveraging Geographic Information System (QGIS), Overpass API, OpenStreetMap API, and Google Maps API. The eVED dataset has applications in areas such as vehicle behavior analysis, traffic dynamics analysis, and energy-efficient route planning, and is intended to support the advancement of automotive technology across both academic and industrial sectors.

搜集汇总

数据集介绍

构建方式

在交通能源分析领域，数据集的构建精度直接影响研究深度。Extended Vehicle Energy Dataset (eVED) 的构建始于对原始车辆能量数据集（VED）中GPS坐标的校准，采用隐马尔可夫模型（HMM）进行地图匹配，将噪声干扰的原始坐标精准映射至实际道路段。随后，基于校准后的GPS轨迹，通过整合地理信息系统（QGIS）、OpenStreetMap API、Overpass API及Google Maps Elevation API等多源数据，系统提取了道路高程、速度限制、交叉口、公交站点及各类交通焦点要素等外部属性，最终形成了包含超过1200万条丰富记录的大规模增强数据集。

特点

eVED数据集的核心特点在于其多维度的属性丰富性与高精度空间信息。该数据集不仅保留了原始VED中的车辆内部运行参数，如速度、发动机转速等，更深度融合了道路高程、双向速度限制、交叉口分布、公交站点位置以及交通信号灯等多种外部环境要素。这些属性通过精确的GPS校准确保了空间一致性，为车辆能耗与交通动态分析提供了全面而可靠的数据基础。其大规模、多源异构的数据结构特别适合深度学习模型对数据充分性与复杂性的高要求。

使用方法

eVED数据集为车辆能耗与交通行为研究提供了灵活的应用框架。研究者可通过其公开的GitHub仓库获取数据与代码，直接加载结构化文件进行探索性分析。数据集支持多种研究场景，例如基于统计方法的行程能耗估算、结合速度限制与时间维度的交通张力分析，以及利用长短时记忆网络（LSTM）等深度学习模型进行车辆速度区间预测。使用时可依据具体任务筛选相关特征列，并借助提供的校准后GPS坐标关联外部地理信息，以构建定制化的机器学习或深度学习管道。

背景与挑战

背景概述

在交通能源研究领域，车辆能耗分析对于推动节能路线规划与交通动态优化具有关键意义。然而，长期以来，公开的大规模车辆能耗数据集稀缺，尤其是缺乏具备丰富外部环境属性的数据资源，这限制了深度学习等数据驱动方法的深入应用。Extended Vehicle Energy Dataset (eVED) 由查尔姆斯理工大学等机构的研究团队于2022年发布，作为原始车辆能量数据集（VED）的增强版本，其核心研究目标在于通过整合高精度GPS坐标与多元外部地理信息（如道路限速、高程、交叉口等），构建一个适用于深度学习的大规模、多特征车辆行程能耗数据集，以促进车辆行为与交通动态的精细化分析。

当前挑战

eVED数据集致力于解决车辆能耗预测与交通行为分析中的关键挑战，即如何准确关联车辆内部运行数据与外部道路环境因素，以提升能耗模型的精确性与泛化能力。在构建过程中，研究团队面临两大主要挑战：一是原始VED数据中的GPS坐标因传感器噪声干扰而存在显著偏差，难以直接与外部地图信息匹配；二是需从多源地理信息系统（如OpenStreetMap、Google Maps API）中高效提取并融合海量外部属性（包括高程、限速、交叉口等），确保数据的一致性与完整性。这些挑战通过隐马尔可夫模型地图匹配与自动化数据校准流程得以克服，为深度学习方法提供了高质量的数据基础。

常用场景

经典使用场景

在智能交通与车辆能源管理领域，Extended Vehicle Energy Dataset (eVED) 作为一项增强型大规模数据集，其经典应用场景集中于深度学习驱动的车辆行程能耗预测与分析。通过整合高精度GPS坐标与丰富的外部道路属性，如限速、海拔、交叉口及公交站点等信息，该数据集为构建复杂的神经网络模型提供了充分的数据支撑。研究者能够利用eVED中的时序轨迹记录，训练模型以精准估算不同驾驶条件下的能量消耗，从而优化路径规划策略，提升交通系统的能源效率。

解决学术问题

eVED数据集有效应对了车辆能源研究中数据稀缺与特征不足的学术挑战。传统数据集往往缺乏外部环境属性，难以深入解析道路基础设施对能耗的影响。eVED通过地图匹配与多源数据融合，引入了限速、坡度、交通信号等关键特征，使得学者能够探究车辆行为与交通动态之间的复杂关联。这不仅促进了基于统计的能耗估计方法的发展，还为深度学习模型提供了高质量的训练素材，推动了车辆能源分析领域向更精细化、多维度研究方向迈进。

衍生相关工作

基于eVED数据集，学术界已衍生出一系列经典研究工作，涵盖了车辆能耗预测、交通张力分析与深度学习模型构建等多个方向。例如，利用统计方法估算行程能耗的研究展示了数据在能源规划中的直接应用价值；针对限速条件下车速分布的深入分析，揭示了交通拥堵的时间模式与成因；此外，采用长短期记忆网络（LSTM）仅基于公开信息进行车速估计的探索，为隐私保护下的智能交通模型开发提供了新思路。这些工作共同拓展了车辆大数据在能源与交通领域的应用边界。