考虑到减少碳足迹，各国推广电动汽车已经是势在必行，但是根据众多调查研究显示，很多人还是喜欢燃油车，是因为燃油车里程高，加油方便。

民众对电动汽车的接受度依然没有达到预期，对电动汽车的担忧主要表现在充电和里程上。充电站缺乏，充电时间长，续航里程较短。解决的办法是在全国范围内建立更多的充电站，在技术层面上加速电池充电时间短及电池高容量的研发。

根据最新报道，上个月， 特斯拉Model S使用能量密度为416wh/L的改装电池行驶，续航里程已经达到了1200km/充电，这是在比较理想的道路条件下实现的。但是实际上由于范围限制，即便如此高的续航里程，也无法克服现实条件下诸如高速驾驶、极端天气、山区地形或牵引拖车等因素所需的剩余能量。这些因素可能会导致超过 35%的额定范围损失，从而在公路旅行中造成不便和焦虑。

一般来说，普通电动汽车会显示一个与剩余行驶距离、剩余距离等相关的度量值，但是这个值是比较粗糙的，它只是粗略地基于电池的能量消耗来预测的里程，跟实际情况可能有很大的差异。

打个比方，某人要去A地点，距离有600km，如果电动汽车的里程刚好可以达到600km，而在A地点也有充电站，这种情况下，是去还是不去呢？

相信很多人会犹豫，即使里程能达到700km，还是无法立刻下定决心，因为电池的消耗除了与驾驶动力有关，还与天气路况有关，开空调以及行驶速度都会影响电池的耗电量。

韩国的一个科研团队，基于这个难题新开发了一种提高距离预测精度的机器学习方法来缓解电动汽车的里程焦虑。

他们将智能交通路况、导航平台显示的车辆信息、预测的天气状况，以及要使用的车辆的系统状态包括电池的充电状态、辅助电力负载和室外温度输入一个称为LSTM的长短期记忆网络里，再与另外一个深度学习网络DNN一起组成一个LSTM-DNN混合模型来训练能量平衡关系，预测电动汽车电池的能量消耗，并考虑当前电池的可用能量，将能量平衡关系转化为电动汽车里程预测。

为了训练这个模型，他们利用一年1000小时左右，也就是16万公里左右的驾驶数据集，并以每40分钟为单位对电动汽车的电池能耗和里程预测进行评价，结果表明，这个模型的预测精确度达到 了2~3公里的误差范围。

有了这个模型，每次出行前，只需要在系统中输入从A地点到B地点的地址，系统就会根据路上的车辆信息，交通情况以及天气室外温度，公路情况，车辆本身的电池状况进行一个综合的运算，再给出一个精确的电池续航里程，另外系统还会显示路途中哪个地方会有充电站，帮助电动车车主做出出行决定。

论文的作者表示会继续完善他们的系统，以期能使用在未来的电动汽车上。

根据文献统计，去年北京的大部分电动汽车的行驶范围仅限于市区，这在很大程度上限制了用车自由，设想一下，电动汽车如果搭载了这个系统，车主出行了然于胸，还会那么焦虑么？