尽管电动汽车市场增长迅速,但由于电动汽车电池容量有限和充电不便,大众仍然普遍担心电动汽车的用户体验。现有的与电动汽车服务相关的研究工作大多都假定所需的数据是已知的,并忽略了实践中的数据缺失问题。一旦所需数据无法及时获得,依赖于充电桩数据的在线智能服务会遭受显著的性能损失,而此类问题在多数据源、跨运营商应用的情景下十分常见。另一方面,作为化石燃料车辆的绿色替代品,电动车被全世界许多政府大力推广。构建高效的充电桩网络已成为各国政府和制造商提高电动汽车普及率的关键任务。精心策划的充电站点可以以更低的成本为更多的电动汽车用户服务,并提高用户的满意度。然而,大多数用于电动汽车充电站的现有规划方法主要基于燃油车的交通数据(例如交通流量和停车位置),电动车的充电行为模式往往被忽略,导致低效网络布局,不能很好的服务现有电动车用户。本文关注充电基础设施和充电桩网络信息基础设施的建设问题。我们首次系统地研究了充电桩网络中的数据推断问题。我们提出了一种新颖的解决方案来推断实时充电桩使用状态。我们的方法不仅利用了充电桩之间的空间和时间关联,还考虑了用户行为。该推断算法基于蒙特卡罗最大似然估计模型和吉布斯抽样理论。我们完整实现了该系统并通过真实世界的数据集对其进行评估。实验结果表明,我们的方法可达到94%的总体推断准确度,分别比两种替代方法好14%和11%。我们还进行了案例研究以评估端到端服务体验的改进。结果表明,我们的方法可以进一步降低充电桩推荐应用中的时间成本,并且在最好的情况下使得用户满意度比替代方法提高44%。此外,我们提出并实现一种新算法来估算充电需求和规划新的充电站建设方案。我们呈现和分析了北京官方电动车公共服务平台开发的手机应用的使用数据和北京充电桩网络中的充电事件数据。通过分析和建模用户的充电桩搜索行为、充电站导航行为以及充电桩事件,我们提出了一种基于贝叶斯推断的算法来融合三个模型以估计充电需求。最后,我们以北京作为目标城市实现了一个参考系统,并通过大量实验来展示我们系统的性能。