d-EVD_dual-Electric-Vehicle-Dataset

这是一个包含电动车辆行驶数据的复合数据集，包括电池状态、驾驶条件和外部条件等关键参数，用于训练电池范围预测模型。数据集分为两部分：DEVST由模拟数据组成，DEVRT由真实行驶数据组成。

This is a composite dataset containing driving data of electric vehicles, including key parameters such as battery status, driving conditions, and external conditions, used for training battery range prediction models. The dataset is divided into two parts: DEVST consists of simulated data, while DEVRT comprises real driving data.

原始信息汇总

数据集概述

数据集名称

• d-EVD_dual-Electric-Vehicle-Dataset

数据集目的

• 用于训练模型以准确预测电池续航里程。

数据集组成

1. DEVST (Dataset of Electric Vehicle Synthetic Trips)

   • 数据来源：使用SUMO软件进行的模拟。
   • 模拟条件：包括21条不同路线，每条路线涉及5辆车，3种驾驶风格，3种舒适度，5种乘客数，3种风力情况和3种交通状况。
   • 模拟组合：共计42,525次行程。
   • 访问方式：通过链接填写表格获取。

2. DEVRT (Dataset of Electric Vehicle Real Trips)

   • 数据来源：实际驾驶的两款电动车辆（Dacia Spring和Nissan Leaf）。
   • 数据收集：通过OBD-II设备获取车辆电池数据，使用Weatherapi和Open data euskadi API获取天气和交通数据。
   • 行程次数：5天内每辆车进行了29次城市/非城市行程，总计58次行程。
   • 访问方式：通过链接填写表格获取。

数据集许可证

• Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
• 允许非商业用途的分发、修改和构建，但需注明原作者，且修改后的作品需使用相同许可证。

搜集汇总

数据集介绍

构建方式

该数据集的构建方式独具匠心，分为两个部分：DEVST（合成数据集）和DEVRT（真实数据集）。DEVST通过使用SUMO仿真软件生成，涵盖了21条不同路线，结合了驾驶风格、舒适度、载客量、交通状况和风力等多种变量，共计42,525次模拟行程。DEVRT则基于两辆真实电动车的实际行驶数据，包括Dacia Spring和Nissan Leaf，通过OBD-II设备获取电池数据，并结合Weatherapi和Open data euskadi的API获取天气和交通数据，总计58次行程。

特点

该数据集的显著特点在于其双数据源结构，既包含合成数据又包含真实数据，确保了数据的多维性和广泛适用性。DEVST通过模拟环境提供了大量变量组合，适用于复杂场景下的电池消耗分析。DEVRT则提供了真实世界的行驶数据，具有较高的实际应用价值。此外，数据集涵盖了电池状态、驾驶条件和外部环境等多维度信息，为电池续航预测模型的训练提供了丰富的数据支持。

使用方法

使用该数据集时，用户需分别访问DEVST和DEVRT的链接，填写相应表单以获取数据访问权限。数据集适用于电池续航预测模型的训练与验证，用户可根据需求选择合成或真实数据进行分析。建议用户参考相关文献，了解数据生成和处理的具体过程，以便更好地理解和利用数据集。数据集的使用需遵循CC BY-NC-SA 4.0许可协议，确保非商业用途并注明出处。

背景与挑战

背景概述

随着电动汽车的普及，电池续航能力的预测成为关键技术之一。d-EVD_dual-Electric-Vehicle-Dataset由Vicomtech开发，旨在通过模拟和真实数据集的结合，提供精确的电池续航预测模型训练数据。该数据集包含两个子集：DEVST（模拟数据集）和DEVRT（真实数据集）。DEVST通过SUMO软件模拟了多种驾驶条件和环境因素，生成42525条模拟行程数据；DEVRT则通过两辆不同电动汽车的实际行驶数据，结合天气和交通API，收集了58条真实行程数据。该数据集的创建不仅为电池续航预测提供了丰富的数据支持，还为电动汽车领域的研究提供了新的视角。

当前挑战

d-EVD_dual-Electric-Vehicle-Dataset面临的主要挑战包括：首先，模拟数据与真实数据之间的差异性可能导致模型泛化能力的不足，如何有效融合两类数据以提升预测精度是一大难题。其次，数据集的构建过程中，涉及多种复杂因素的模拟和真实数据的采集，如驾驶风格、舒适度、载客量、风速、交通状况等，这些因素的多样性和不确定性增加了数据处理的复杂性。此外，如何确保数据的质量和一致性，尤其是在真实数据采集过程中，也是一个重要的挑战。

常用场景

经典使用场景

d-EVD_dual-Electric-Vehicle-Dataset的经典使用场景主要集中在电动汽车电池续航预测模型的训练与优化。该数据集通过结合模拟数据（DEVST）和真实行驶数据（DEVRT），提供了丰富的电池状态、驾驶条件及外部环境数据，如速度、地理位置、交通状况和天气等关键参数。这些数据为研究人员和工程师提供了深入分析电池消耗模式的基础，从而能够构建更为精确的电池续航预测模型，提升电动汽车的用户体验。

实际应用

在实际应用中，d-EVD_dual-Electric-Vehicle-Dataset为电动汽车制造商和智能交通系统开发者提供了宝贵的数据支持。通过分析该数据集，企业可以优化电池管理系统，提升电动汽车的续航能力和用户体验。同时，该数据集还可用于开发智能导航系统，根据实时交通和天气状况动态调整行驶策略，从而延长电池寿命。此外，城市规划者和交通管理部门也可利用该数据集优化充电基础设施的布局，提升城市交通的可持续性。

衍生相关工作

基于d-EVD_dual-Electric-Vehicle-Dataset，许多相关研究工作得以展开。例如，有学者利用该数据集开发了更为精确的电池消耗预测模型，进一步提升了电动汽车的续航表现。此外，该数据集还激发了关于电动汽车与智能交通系统集成的研究，推动了自动驾驶技术和车联网的发展。同时，该数据集也为气候变化和能源效率领域的研究提供了新的视角，促进了可持续交通解决方案的探索与实践。