基于多视角多时间尺度超图的电动汽车充电预测框架
机器学习
2025-12-01 v1 人工智能
摘要
准确的电动汽车（EV）充电需求预测对于维持电网稳定运行和主动参与电力市场至关重要。现有预测方法，特别是基于图神经网络的方法，往往仅能建模站点之间的二元关系，无法捕捉城市充电网络中固有的复杂、群组性动力学。为此，我们发展一种新型预测框架 HyperCast，利用超图的表征能力来建模 EV 充电模式中隐藏的高阶时空依赖性。HyperCast 集成了多视角超图，既捕捉静态地理邻近性，又捕捉基于需求的动态功能相似性，同时融合多时间尺度输入以区分近期趋势与周周期性。该框架采用专门的超时空块和量身定制的跨注意力机制有效地融合来自这些异构来源的信息：视角和时间尺度。广泛的实验表明，HyperCast 在四个公开数据集上显著优于广泛的SOTA基线，充分证明了对充电行为的集体化建模对于实现更精准预测的有效性。
引用
@article{arxiv.2511.22072,
title = {A Multi-View Multi-Timescale Hypergraph-Empowered Spatiotemporal Framework for EV Charging Forecasting},
author = {Jinhao Li and Hao Wang},
journal= {arXiv preprint arXiv:2511.22072},
year = {2025}
}
备注
14 pages