基于真实世界多模态数据集成的时空图卷积网络用于电动车充电需求预测
机器学习
2025-11-10 v3
摘要
交通运输仍是温室气体排放的主要贡献者，凸显了向如电动汽车（EV）等可持续替代方案的转型的紧迫性。然而，充电基础设施的空间分布不均且使用呈不规则，给电网稳定性和投资规划带来挑战。本研究引入TW-GCN，一种时空预测框架，融合图卷积网络与时序模型，预测美国田纳西州的电动车充电需求。我们利用真实的交通流量、天气情况以及来自美国最大电动车基础设施公司之一的专有数据，捕捉空间依赖性和时序动态。广泛实验显示，中期（3小时）预测在响应性和稳定性之间取得最佳平衡，1DCNN consistently优于其他时序模型。区域分析显示，东部、中部和西部田纳西州的预测准确率存在差异，这反映了站点密度、人口和当地需求变动性如何影响模型性能。该提出的TW-GCN框架推动了数据驱动智能在电动车基础设施规划中的融合，支持可持续出行转型和韧性电网管理。
引用
@article{arxiv.2510.09048,
title = {Spatio-Temporal Graph Convolutional Networks for EV Charging Demand Forecasting Using Real-World Multi-Modal Data Integration},
author = {Jose Tupayachi and Mustafa C. Camur and Kevin Heaslip and Xueping Li},
journal= {arXiv preprint arXiv:2510.09048},
year = {2025}
}