UrbanEV: An Open Benchmark Dataset for Urban Electric Vehicle Charging Demand Prediction

Paper

发布日期: 2026-10-26

充电桩被占着，究竟意味着多少用电需求？

论文名片｜Han Li、Haohao Qu、Xiaojun Tan、Linlin You、Rui Zhu、Wenqi Fan，UrbanEV: An Open Benchmark Dataset for Urban Electric Vehicle Charging Demand Prediction，Scientific Data，2025，12：523，2025 年 3 月 28 日发表。论文原文 · 数据 · 代码与说明。

假设你正为下一小时的充电服务做准备。司机想知道哪里有空桩，运营者想知道哪些区域会拥挤，电网则更关心会消耗多少电。三个问题看起来都叫充电需求，却不能用同一个数字回答：一个桩显示忙碌，不代表它始终按额定功率输电。

UrbanEV 把深圳公共充电平台的信息整理成可用于预测的城市数据。它同时提供占用、累计使用时长、估计电量、价格、天气和空间关系。理解这份基准的关键，是分清直接记录的状态、根据状态推算的使用，以及模型可以预测的对象。

先说结论

原始范围为 1,682 座公共充电站、24,798 个充电桩；清洗并筛选后，主要预测数据保留 275 个交通小区、1,362 座站和 17,532 个桩。站与桩不能混称。
数据覆盖 2022 年 9 月至 2023 年 2 月，共六个月；五分钟状态记录被整理为小时级区域序列，共 4,344 个时间点。
电量主要由使用时长乘以桩额定功率估计，并非电表实测。另一个固定 11 kW 的版本也是替代估计，不能当作已验证的真实电量。
复杂模型在若干指标上表现较好，但并非所有指标都获胜；加入天气和价格也不必然提高预测，更不能据此证明价格对用户行为的因果效应。

数据里的站、桩和区域，分别是什么？

研究通过供司机查找公共充电设施的移动平台，每五分钟记录可用状态、额定功率、费用与位置。一个站点可以包含多个桩；交通小区则把同一区域的站和桩汇总，便于研究相邻区域之间的联系。

图 1：深圳公共充电设施的初始覆盖

图 1｜这些记录来自城市的哪些地方？

这张图没有字母子图。底图呈现深圳空间单元，颜色为初始 24,798 个桩的核密度，单位是每平方公里桩数，颜色更深表示设施更密集。它展示的是采集覆盖与设施密度，不是该时刻的充电负荷，也不是最终 275 个区域的筛选结果。来源：原论文 Fig. 1。

其他资料包括两处气象站的温度、气压和相对湿度，以及兴趣点（point of interest，POI）、区域面积、道路长度、中心点距离和邻接关系。天气序列对所有区域共享，不能据此精确表示每个充电点自己的微气候。

原论文表 1 把 UrbanEV 与其他充电数据比较，突出城市尺度、较多桩位以及价格和空间背景的组合。这个贡献是增加研究条件，不意味着平台覆盖了深圳所有公共与私人充电设施。

一个忙碌状态，怎样变成时长和电量？

论文的规则是，两次相邻记录都为忙碌时，将相应片段视作活跃充电；累加使用桩数与五分钟间隔得到时长，再乘额定功率估计电量。区域内多个桩同时使用，因此一个小时里累计桩时可以超过一小时：十个桩各用半小时就是五桩时，不能读成某一辆车充了五小时。

小时聚合也分两类。时长和电量是累计量，在一小时内相加；占用率和价格则取指定时刻的瞬时值，不是这一小时全部五分钟记录的均值。因此，用占用率直接推算平均利用率时，要先核对采样口径。

作者仓库说明进一步区分：占用从可用性出发，包含不可用或忙碌的桩；时长与电量则从使用角度统计活跃充电。占用、时长、电量相关，却不是可以互换的字段。

电量的边界尤其重要。车辆实际功率可能受电量状态、车型、充电曲线和设施限制影响；平台忙碌状态乘额定功率，可能高估真实供电。volume-11kW.csv 用固定 11 kW 替换部分功率作为另一种估计，它不是逐车测量或对全部直流充电功率的事实描述。

为什么只保留部分区域，又怎样处理错误？

研究删除负收费、忙闲数量与总桩数不一致等异常记录，将其视为缺失；先向前填充，再用向后填充处理序列开端缺口。对部分指标使用四倍四分位距阈值识别离群点，再以相邻有效值均值替换。与常见的 1.5 倍阈值相比，四倍设置保留了更多原始极值，但仍可能改变真实峰值。

初始空间聚合得到 331 个区域，再排除占用率方差低于 0.001，或零值比例超过 30% 的区域，最终保留 275 个。这使预测基准更集中于有明显变化和使用活动的区域，也意味着不能把结果直接推广到低使用率或长期闲置区域。

图 2：筛选区域及其空间关系

图 2｜怎样把一座城市变成可学习的空间网络？

（a）区域级充电桩数量分布，绿色深浅表示桩数，标记指出存在分时定价的区域；这不是预测误差地图。

（b）中心商务区局部放大，显示相邻交通小区及其编号。

（c）把局部区域转成节点图，一跳与两跳表示沿邻接关系跨过一个或两个区域，不是开车一公里或两公里。

（d）部分邻近区域中心点的距离矩阵，单位为米；数值为欧氏距离，不是道路行程时间。全部四个面板共同解释聚合与空间特征，不能把区域编号当作站点编号。来源：原论文 Fig. 2。

原论文表 2 给出区域指标的分布。占用字段的数值在 0–1 范围内，即比例；表中虽用百分号标记，0.24 应先理解为 24%，而不是 0.24%。价格字段也需留意：正文数据说明曾写每小时，作者仓库则明确电价与服务费单位为元／kWh。复用时应以具体文件说明统一单位，不能把时间分辨率误当计价单位。

模型预测得好，证明了哪些事情？

论文以小时数据做预测评测，采用按月份扩展的时间序列交叉验证：逐折增加月份，在各折中以 80% 训练、10% 验证、10% 测试。评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和相对绝对误差（RAE）。不同指标对低值和极值的重视不同，排名可能变化。

区域占用预测比较了直接沿用最近值、AR、ARIMA、全连接网络、LSTM、图模型及两种较新的时间序列模型。原论文表 3 的四个预测长度为 3、6、9、12 小时，下面列出跨长度平均结果；占用比例的误差均还原到 0–1 尺度。

模型	平均 RMSE	平均 MAE	平均 MAPE
最近值 LO	0.1309	0.0783	43.02%
LSTM	0.1028	0.0679	43.99%
GCN-LSTM	0.0953	0.0658	43.59%
TimesNet	0.0954	0.0599	35.20%
TimeXer	0.0924	0.0561	32.74%

例如，TimeXer 的平均 MAE 为 0.0561，表示占用比例的绝对误差约 5.61 个百分点，不是总体预测准确率为 94.39%。它相对 LO 改善了表中这些平均指标，但短期 MAPE 上，LO 的 3 小时结果 25.39% 仍低于 TimeXer 的 26.13%。

这些结果支持数据中存在可学习的时间与空间结构，也提供统一比较任务。不过，模型能更好预测由状态规则和功率假设生成的序列，并不反过来证明估计电量已等于电表真值。

单个节点的预测，所有指标都是同一个赢家吗？

原论文表 4 比较单节点上的占用、时长与电量预测。TimeXer 的 RMSE 分别为 0.07、2.73 小时、43.66 kWh，MAE 分别为 0.05、2.04 小时、33.81 kWh，多个指标较好；时长仍应按节点累计使用量理解。

但表内存在明确反例：占用 MAPE 中 AR 为 0.11、TimeXer 为 0.29；电量 MAPE 中 LO 为 0.58、TimeXer 为 0.66。在这些小数比例指标下，值越小越好。因而，不能照搬正文对 TimeXer 在所有指标上都最优的概括。选模型应对照实际任务的误差代价，也应核对零值附近 MAPE 的实现方式。

把天气和费用都加进去，就会预测得更好吗？

表 5 做的是预测特征组合试验：比较气压、温度、湿度、电价和服务费单独或组合加入后的表现。它并没有随机改变价格或天气，因此不是价格弹性或用户行为的因果实验。

在四个模型的平均 RMSE 上，不加外部特征为 0.0899，加入温度与电价的组合为 0.0888；五项全加则为 0.0902。改善幅度不大，也没有因此证明所有模型都受益。具体到 TimeXer，不加特征的 RMSE 为 0.0795，全加为 0.0863，反而变差。

这也提醒我们，表 3 与表 5 的基线数值并不完全相同，不能未经实验设置核对，就拿其中一行拼成新的统一排行榜。没有误差区间与重复运行的完整信息时，细小差别应作为该设置下的结果描述，而不是某种特征永远有用的结论。

作者把价格组合表现较好解释为用户关注总费用，把温度影响解释为出行和充电需求变化。这些解释具有行为直觉，但预测增益本身不足以排除分时价格、日周期、季节和其他共同变化因素。

这份基准适合怎样使用？

UrbanEV 适合检验区域充电序列预测、空间邻接建模与外部特征融合。它同时提供小时和五分钟版本、区域几何、背景变量及代码；读者可以对照研究目标选择占用或使用量，而不是把所有任务统称为电网负荷预测。

有三项边界尤其实际。首先，六个月覆盖的是深圳公共平台的一段时期，并非完整全年或其他城市的分布。其次，前后向填充和相邻均值替换会改变突变，预测评估应核查预处理是否跨过训练测试分界；面向实时预测时不能使用当时尚未发生的数据填补过去。最后，区域筛选移除了大量低变化和高零值单元，因此难点可能与全市新建、低利用率站点不同。

一句话总结

UrbanEV 为城市充电预测提供了丰富且可复用的共同基准，而占用、累计使用与估计电量的区别，决定了预测结果究竟能服务什么问题。

核心来源

Li, H., Qu, H., Tan, X., You, L., Zhu, R., & Fan, W. (2025). UrbanEV: An Open Benchmark Dataset for Urban Electric Vehicle Charging Demand Prediction. Scientific Data, 12, 523. DOI: 10.1038/s41597-025-04874-4。两张完整主图与表内比较数值均来自该论文。
Dryad 数据及作者仓库说明：另核对价格单位、占用与使用量区别及替代电量文件。