AST-GIN：用于电动汽车充电站可用性预测的属性增强时空图Informer网络
机器学习
2022-09-09 v1 系统与控制
系统与控制
摘要
电动汽车（EV）充电需求与充电站可用性预测是智能交通系统中的挑战之一。借助准确的EV站点态势预测，可提前安排合适的充电行为以缓解里程焦虑。许多现有深度学习方法被提出以解决此问题，然而，由于复杂的道路网络结构以及综合外部因素（如兴趣点（POIs）和天气影响），许多常用算法仅能提取历史使用信息，而未考虑外部因素的综合影响。为提升预测精度与可解释性，本研究提出属性增强时空图Informer（AST-GIN）结构，通过结合图卷积网络（GCN）层与Informer层来提取相关交通数据的内外部时空依赖。外部因素通过属性增强编码器建模为动态属性进行训练。AST-GIN模型在邓迪市收集的数据上进行了测试，实验结果表明，与其他基线相比，我们的模型在各种预测时长设置下考虑外部因素影响的的有效性。
引用
@article{arxiv.2209.03356,
title = {AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for Electric Vehicle Charging Station Availability Forecasting},
author = {Ruikang Luo and Yaofeng Song and Liping Huang and Yicheng Zhang and Rong Su},
journal= {arXiv preprint arXiv:2209.03356},
year = {2022}
}
备注
10 pages; 17 figures; Under review for IEEE Transaction on Vehicular Technology