基于检索增强语言模型的电动汽车充电数据统一变分插补框架

电动汽车 (EV) 基础设施中数据驱动应用（如充电需求预测）的可靠性，取决于完整、高质量充电数据的可用性。然而，现实世界的 EV 数据集常受缺失记录的困扰，且现有插补方法难以应对充电数据复杂、多模态的语境，往往依赖每个站点一个模型的受限范式，忽略了有价值的站点间相关性。为填补这些空白，我们开发了一种新型概率变分插补框架，利用大语言模型与检索增强记忆 (PRAIM) 的能力。PRAIM 采用预训练语言模型将异构数据——涵盖时间序列需求、日历特征与地理空间上下文——编码为统一且语义丰富的表示。该表示通过检索增强记忆动态强化，后者从整个充电网络中检索相关示例，使由变分神经网络架构赋能的单一统一插补模型能够克服数据稀疏性。在四个公开数据集上的大量实验表明，PRAIM 在插补精度及保持原始数据统计分布的能力上均显著优于既有基线，从而在下游预测性能上带来实质性提升。