通过聚类与预测模型实现可持续的电动车普及：英国西米德兰兹和东北部的最优充电基础设施

为何更智能的充电对日常司机很重要

从汽油车转向电动车可以带来更清洁的空气和更低的使用成本，但前提是司机能找到便捷且可靠的充电地点。本研究考察了英格兰两个地区真实的电动车车主如何使用与充电，并利用先进的数据工具来设计更合理的充电网络。通过理解谁在驾驶电动车、他们如何充电以及最关心的是什么，这项工作展示了城市和地区如何部署充电桩，使对普通司机而言是顺畅的体验而非令人沮丧或有风险的选择。

两个地区，多种电动车故事

研究者聚焦于来自东北部和西米德兰兹的256名电动车车主，这两个地区在收入、聚居模式和交通网络上存在差异。大多数受访者为在职成年人，通常受教育水平较高且收入高于平均水平，但西米德兰兹样本中高收入家庭更多。两地的人主要拥有纯电动车而非插电式混合动力车，且大多数人只开了几年电动车，这反映了近年来电动车销售的激增。不同地区购买电动车的原因有所不同：在东北部，节省成本是主要驱动，而在西米德兰兹，环保动机占更大比重，尽管金钱因素仍然重要。这些差异表明，“一刀切”的政策可能忽视不同社区的动机。

人们实际如何充电与出行

日常充电行为呈现出惊人的规律性。两地大多数司机每周充电一次或两次，日常行驶距离相对适中，通常在10到30公里之间。超过100公里的长途日常出行很少见。需要充电时，85%的人更倾向于快充直流充电桩，尤其是在电量低时。人们通常只愿意为充电多走短距离：大多数受访者最多愿意走3公里，很少有人愿意超过9公里。等待时间是主要痛点。很多人希望等待少于20分钟才有空闲充电桩，只有少数人能接受更长的排队时间。充电通常在傍晚或夜间进行，此时电价较低、道路更安静，充电时长常为三到六小时，显示出的是有计划的常规充电而非临时紧急充电。

对用户分组并预测他们的需求

为超越简单的平均值，作者构建了一个名为 ISE‑CAP 的一体化平台。首先，他们使用聚类技术将每个地区的司机按充电频率、行驶里程以及愿意等待或绕行的程度分为三大类。一些簇代表高使用者，他们行驶距离较长并更依赖公共充电；另一些则主要是在家充电、行程较短且可预测的用户。接着，团队训练计算模型来预测充电行为，例如充电会持续多长时间，使用的输入包括行驶模式、收入、教育与充电偏好等。这些模型在研究样本内表现出很高的准确性，尤其是在更紧凑的东北部，那里行为更为一致且充电网络更集中。

真正影响充电点选择的因素

研究者进一步问：哪些因素在选择充电点时真正起作用？通过可解释建模方法，他们发现两地普遍突出的三项特征是：充电所需时间、充电桩是否实时可用以及费用高低。到充电点的距离也很重要，但人们对到达后发现所有插头都被占用这一情况特别敏感。许多司机依赖手机应用或车载系统查看哪些充电点有空，开放式评论的词云分析也反复呼吁“更多站点”、更好的维护和更可靠的服务。简言之，司机想要快速、附近且值得信赖的充电桩，且价格要让人觉得公平。

从数据到更好的充电布局

最后，ISE‑CAP 平台用于计算机模拟，以测试新充电桩的最佳部署位置。模型权衡了预测需求、人们为到达充电点需要行驶的距离以及额外充电负荷对电网的影响。通过大量模拟运行，系统找到了能减少平均到充电点行驶距离同时将电网压力控制在合理范围内的布局。尽管这些优化结果尚未在现实中验证，但它们展示了如何将问卷洞见、预测模型与试验式模拟结合起来，为每个地区量身定制、而非仅依据全国平均值的更智能基础设施规划提供指导。

这对电动车驾驶的未来意味着什么

对普通读者而言，核心信息是电动车的成功不仅仅在于增加充电桩数量，而在于为实际使用者在合适地点放置合适类型的充电器。研究表明，大多数现有电动车司机希望获得快速、附近、可靠的充电点，并能清楚地知道是否空闲，这些偏好在不同收入水平和布局的地区之间存在细微差别。通过将用户按行为类型分组、预测需求并解释影响选择的关键因素，ISE‑CAP 框架为地方议会、公用事业公司和规划者提供了一种实用方法，以设计方便且公平的充电网络。如果在更大规模的数据上推广并进一步完善，这类数据驱动的规划可以使电动车拥有变得更顺畅、更便宜并更具吸引力，推动向更清洁交通的转变。

引用: Cavus, M., Wang, S., Deb, S. et al. Sustainable EV adoption with clustering and predictive modelling for optimal charging infrastructure in the West Midlands and North East UK. Sci Rep 16, 14457 (2026). https://doi.org/10.1038/s41598-026-43106-6

关键词: 电动汽车, 充电基础设施, 智慧城市, 用户行为, 机器学习