2023年7月17日发(作者：)

【数据分析报告】中国上海电动汽车⾏驶和充电⾏为分析数据50辆纯电动汽车 (BEV) 和50辆混合动⼒汽车 (PHEV) 长达1年的跟踪数据，包含没分钟汽车的活动， 电池电量，⾏驶⾥程，位置信息等。但没有汽车使⽤者的信息。⼯具和⽅法Model使⽤的是survival analysis ⾥最常⽤的 Cox ⽐例风险模型，模型包含了time-dependent co-variate 和 recurrent event使⽤的packagespython : pandas 处理时间序列数据，matplotlib & seaborn 进⾏可视化和EDARstudio : survival# EDA 注：除scatterplot外，所有图表中橙⾊代表纯电动汽车BEV, 蓝⾊代表混合动⼒汽车 PHEV。 **充电时间** 【求助： 有的时候插⼊图床后格式就不对了，语法不起作⽤，像这样，有没有解决⽅法？？】

Finding: 纯电动汽车 (BEV) 更倾向于在⽩天充电，这可能意味着车主倾向于更积极地利⽤公共充电设施。每次充电开始时的参数

Finding: 与混合动⼒车 (PHEV) 相⽐，BEV 开始充电时的电池电量偏⾼，⾃从上次充电的累计⾏驶距离偏短，这可能意味着BEV车主会更担⼼车⼦没电，由于电池是BEV的唯⼀能源，车⼦将⽆法⾏驶。空间活动范围 Finding: BEV he PHEV 的 Average Nearest Neighbor Distance (NND) 分别是0.028和0.078 km。BEV 空间活动范围数据点更密集，个体⽔平上趋向群集。⽐例风险模型模型变量：时间（⼀天中的时刻），季节，⾏驶距离，电池电量，车型（纯电池还是混合动⼒），以及车型对其他变量的附加影响 （interaction)。Model statistics:Likelihood ratio test=18891 on 23 dfp-value=<2e-16#### 模型参数的诠释结果 **时间**Interpretation: PHEV倾向于深夜充电，BEV经常⽩天/傍晚充电⾏驶距离Interpretation: 实际上随着⾏驶距离的增加, PHEV的充电倾向不升反降，尤其是在超出electric range之后。汽车充电概率的模拟仿真survival curves 给出了在模拟的数据下（⾏驶距离，时间，汽车电量等），截⽌⾄时间 t (hour) 汽车不充电的概率。城市中⼼活动指数：图中的index（最⼤4，最⼩0，整数）是通过汽车的⼀年经纬度数据点以及上海市中⼼城区范围计算出的⼀个城市中⼼活动指数。index值越⾼，说明这辆车越经常在中⼼城区活动。

Interpretation: 可以看到BEV越常在中⼼活动越不常充电，相反，PHEV越常在中⼼活动越倾向于充电，这是为什么呢？下图标出了上海市公共充电设施的地点，⿊⾊框为市中⼼的⼤概范围，可以看出⼤部分公共充电设施密集分布于市中⼼。对于只能依靠电池⾏驶的BEV车主来说，市中⼼密集的充电设施缓解了电池耗尽的恐慌，因此在不必要情况下他们选择暂时不充电。对于可以燃油的PHEV来说，假如充电设施难以找到，车主可能选择不充电，燃油⾏驶，⽽当车⼦在市中⼼，有充⾜的充电机会，这会⿎励PHEV车主多充电。Interpretation： ⾏驶同样距离后PHEV更倾向于充电，说明⾏驶距离对PHEV的影响更为强烈，但是超出电动⾏驶范围后（70km），即使距离翻倍（160km）PHEV的充电意愿也没有很⼤变化。Interpretation: 较低的电池电量会导致安全感降低，车主更倾向于充电。但同样的，超出电动⾏驶范围后，PHEV不再对电池电量敏感，因为此时汽车已经不以电池为驱动能源。充电⾏为预测使⽤上⼀节的survival curve可以进⾏充电⾏为的预测，使⽤random binomial （概率为survival curve提⾼的不充电概率）随机抽样决定充电是否发⽣。预测的具体⽬标是距离上次充电结束 x ⼩时内汽车是否会充电。预测准确度如下表：真实发⽣的情况10⼩时内发⽣了充电⾏为10 ⼩时内未充电5⼩时47.3%78.1%10 ⼩时74.5%62.5%