ST-EVCDP

这是一个关于公共电动汽车充电桩的时空充电需求预测的实际数据集，涵盖了18,061个公共充电桩的数据，包括坐标、充电器数量、占用情况和价格等信息。数据集用于学术研究，支持区域电动汽车充电需求预测。

This is a real-world dataset for spatio-temporal charging demand forecasting of public electric vehicle (EV) charging piles. It covers data from 18,061 public charging piles, including information such as coordinates, number of chargers, occupancy status and pricing. This dataset is intended for academic research and supports regional EV charging demand forecasting.

原始信息汇总

数据集概述

数据集名称

• ST-EVCDP (Shenzhen)

数据集描述

• 该数据集用于时空电动汽车充电需求预测，涵盖了2022年6月19日至7月18日期间深圳市的公共充电桩数据。数据包括充电桩的实时状态（空闲或占用）、坐标、充电器数量、占用情况及价格等信息。

数据集内容

• 时间范围：2022年6月19日至7月18日
• 数据粒度：充电站级别
• 覆盖充电桩数量：18,061个
• 时间戳数量：8640个
• 图结构节点数：247个（交通区域）
• 图结构边数：1006条（相邻关系）

文件列表

• adj.csv：相邻矩阵，表示交通区域间的相邻关系。
• distance.csv：节点间距离。
• information.csv：基础信息，包括充电桩容量、经纬度、是否位于中央商务区及是否采用时间定价。
• occupancy.csv：实时充电占用情况。
• duration.csv：实时充电持续时间，单位为小时。
• volume.csv：实时充电量，单位为千瓦时。
• price.csv：实时充电价格。
• time.csv：研究期间的时间戳。
• Shenzhen.qgz：深圳市地图文件。

数据集应用

• 数据集支持多种模型进行时空电动汽车充电需求预测，包括PAG、LSTM、GCN-LSTM和GAT-LSTM等。

引用信息

• 引用论文：Qu, H., Kuang, H., Li, J., & You, L. (2023). A physics-informed and attention-based graph learning approach for regional electric vehicle charging demand prediction. IEEE Transactions on Intelligent Transportation Systems.

更新记录

• 2024年5月30日：ST-EVCDP-V2数据集正在编译中，将尽快发布。
• 2024年5月14日：论文已被IEEE T-ITS接受。
• 2024年5月12日：上传了研究区域的天气条件数据。
• 2024年3月15日：上传了研究区域的充电持续时间和体积数据。

AI搜集汇总

数据集介绍

构建方式

ST-EVCDP数据集的构建基于深圳市公开的移动应用程序，该应用程序提供充电桩的实时可用性信息。数据涵盖了2022年6月19日至2022年7月18日期间，深圳市18,061个公共充电桩的运营情况，时间间隔为5分钟，共8640个时间戳。此外，数据集还包括了247个交通区域的图结构数据，以及57个采用时间定价方案的区域。ST-EVCDP-v2版本进一步扩展，覆盖了2022年9月至2023年9月的一年时间，包含1,682个充电站的详细信息，如坐标、占用率、充电时长、电量和价格，时间间隔为1小时。

使用方法

使用ST-EVCDP数据集进行研究时，用户可以通过提供的CSV文件获取充电桩的实时状态、占用率、充电时长、电量和价格等信息。数据集还包含了深圳市的图结构数据和天气数据，这些都可以用于构建和训练预测模型。例如，用户可以使用物理信息和注意力机制的图学习方法（PAG）进行时空充电需求预测。此外，数据集的代码库中还提供了LSTM、GCN-LSTM和GAT-LSTM等代表性方法的实现，用户可以根据需要选择和调整模型。

背景与挑战

背景概述

在智能交通系统与可持续城市发展的交汇点上，时空电动车辆充电需求预测（ST-EVCDP）数据集应运而生。该数据集由香港理工大学Haohao Qu教授及其团队于2024年创建，旨在为电动车辆充电需求的时空预测提供真实世界的数据支持。通过整合深圳地区18,061个公共充电桩的实时数据，该数据集不仅涵盖了充电桩的占用状态、充电时长和电量消耗等关键信息，还纳入了气象数据和电价方案，为研究者提供了一个全面的研究平台。这一数据集的发布，标志着电动车辆充电行为研究进入了一个新的阶段，为智能交通系统的优化和城市可持续发展提供了重要的数据支撑。

当前挑战

尽管ST-EVCDP数据集为电动车辆充电需求预测提供了丰富的数据资源，但其构建和应用过程中仍面临诸多挑战。首先，数据的高维度和复杂性使得模型训练和预测变得困难，尤其是在处理时空相关性和动态电价影响时。其次，数据集的更新和扩展过程中，如何确保数据的实时性和准确性，以及如何处理数据隐私和安全问题，都是亟待解决的难题。此外，随着电动车辆数量的快速增长，充电需求的动态变化和不确定性也为预测模型的稳定性和可靠性带来了挑战。这些问题的解决，不仅需要先进的数据处理技术，还需要跨学科的合作与创新。

常用场景

经典使用场景

在智能交通系统领域，ST-EVCDP数据集被广泛用于时空电动车辆充电需求预测。通过整合深圳地区的充电桩实时数据，该数据集为研究人员提供了一个详尽的平台，用于开发和验证基于物理信息和注意力机制的图学习模型。这些模型能够精确预测区域内的电动车辆充电需求，从而优化充电基础设施的布局和管理。

解决学术问题

ST-EVCDP数据集解决了电动车辆充电需求预测中的关键学术问题，包括如何有效整合时空数据、如何处理动态定价策略对充电行为的影响，以及如何利用图结构数据进行区域充电需求的精细化预测。这些问题的解决不仅提升了预测模型的准确性，还为智能交通系统的可持续发展提供了理论支持。

实际应用

在实际应用中，ST-EVCDP数据集被用于优化电动车辆充电站的运营策略，通过预测充电需求，运营商可以更有效地调度资源，减少等待时间，提高用户满意度。此外，该数据集还被用于城市规划，帮助决策者合理布局充电基础设施，以适应未来电动车辆的增长需求。

数据集最近研究

最新研究方向

在电动汽车充电需求预测领域，ST-EVCDP数据集的最新研究方向主要集中在利用大型语言模型（LLMs）进行充电需求的预测。这一研究方向的提出，标志着从传统的物理模型和图学习方法向更高级的计算模型转变。通过将充电需求预测问题转化为自然语言处理任务，研究者们能够更精确地捕捉和预测电动汽车充电行为的复杂性。此外，研究还探讨了电价变化对充电行为的影响，揭示了电价作为关键因素在充电需求预测中的重要性。这些研究不仅提升了预测模型的准确性和实用性，也为城市可持续发展和智能交通系统的优化提供了新的视角和方法。