【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packages
- python : pandas 处理时间序列数据，matplotlib & seaborn 进行可视化和EDA
- Rstudio : 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 df
- p-value=<2e-16
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 | 5小时 | 10 小时 |
|---|---|---|
| 10小时内发生了充电行为 | 47.3% | 74.5% |
| 10 小时内未充电 | 78.1% | 62.5% |