通过少样本预测发现电动车充电站原型：美国全国首次研究
机器学习
2025-11-19 v2
摘要
交通工具去碳化依赖大规模电动汽车 (EV) 采纳，这需要准确理解充电行为，以确保基础设施具有成本效益和抗网格风险。现有工作受限于小规模数据集、基于简单邻近关系的时序依赖建模以及对站点历史数据有限的泛化能力。为克服这些限制，本工作提出一种将聚类与少样本预测集成以发现站点原型的框架，利用新构建的大规模充电需求数据集。结果表明，基于站点原型的专家模型在预测不可见站点的需求方面优于全局基准。在建立预测绩效为基础的设施分段的基础上，我们生成的可操作见解使运营商能够降低成本、优化能源和定价策略，并支持对气候目标至关重要的电网韧性。
引用
@article{arxiv.2510.26910,
title = {Discovering EV Charging Site Archetypes Through Few Shot Forecasting: The First U.S.-Wide Study},
author = {Kshitij Nikhal and Lucas Ackerknecht and Benjamin S. Riggan and Phillip Stahlfeld},
journal= {arXiv preprint arXiv:2510.26910},
year = {2025}
}
备注
Tackling Climate Change with Machine Learning: Workshop at NeurIPS 2025