电动汽车能耗真相：2000位车主数据大揭秘

三、相关性分析

预处理和清理之后，数据共有6个变量。除了我们关心的续航，还有电池容量、已行驶里程、所在地平均气温、拥堵指数和地形起伏度这5个可能会影响续航的因素。

但实际有没有影响，如何影响？

利用DTEmpower的相关热力图输出6个变量之间的相关系数。

相关系数为正，表示变量之间呈正相关；相关系数为负，则为负相关。同时，相关系数越大，表示两变量间相关性越强。

可以看出，影响电车续航的因素中，除了众所周知的电池容量，最明显的就是平均气温了。

在统计的温度区间，可认为气温越高电车续航越长。因为低温会减缓电化学反应速度，增大电池内阻。

实际销售市场也符合此规律。

2024年，东北黑吉辽的电车销售占比只有38%，是东北老铁不喜欢电车吗？

非也。同为东北四省之一的海南，电车占比就达到了58%。

除此之外，相关性分析还能得到结论：

1. 汽车已行驶里程和续航之间的相关系数接近0，可认为在分析的里程内，未见明显的电池老化。

2. 拥堵指数和续航之间的相关系数接近0，可认为电车续航对拥堵不敏感，适合市区通勤。

以上内容已回答了开篇的疑问。

若更进一步分析，还可基于DTEmpower做回归建模。

通过电池容量、气温、拥堵指数等参数预测电动车续航，为个人购车以及车企研发提供依据。

四、回归建模

以续航为输出值，其余变量为输入值，通过回归建模寻找输入输出之间的关系。

回归算法采用Ridge、Linear、GBDT和RandomForest四个算法，训练之后做精度对比。

经对比，认为GBDT模型在多个指标上表现最好，可实现较高的预测精度。  

注：

MAPE为“平均绝对百分比误差”，越小表示精度越高；

NRMSE为“标准化均方根误差”，越小表示精度越高；

R2取值范围为[0,1]，越接近1表示精度越高。

精度指标显示，基于车主公开数据的回归建模切实可行，但精度尚有提升空间。

分析认为主要原因是数据量不足，虽然总量为2000条，但平均到每个城市，数据量还是偏少，影响建模精度，甚至出现异常结果。

例如相关热力图显示汽车续航和地形起伏度相关性约等于0，这就略显异常。

虽然电车有能量回收机制，但地形起伏度与续航之间还是应呈负相关关系。即道路起伏应会增加电车能耗，尽管增加比例低于油车。

五、未来展望

1. 本文分析仅基于元Plus这一款电车，欠缺普适性。同时，若能和某一款油车对比，分析结果将更具价值。我们正尝试寻觅一款油车，若寻觅失败，您就当我没说。
2. 本案例为抛砖引玉。汽车研发企业往往有足够多的数据，无论是统计数据还是试验数据，都可大幅提高建模精度，让数据服务于研发。

例如：通过收集电动车电池电压、行驶速度、行驶坡度、加速踏板幅度、所在地天气等信息，实时分析，找到影响电耗的主要因素。为车辆优化及司机改进驾驶习惯提供依据，做到车企、司机和汽车三者间的良性互动。