电动汽车充电需求时空建模

准确预测电动汽车（EV）充电需求对于电网管理和基础设施规划至关重要。然而，该领域仍依赖于旧有的基准，例如 Palo Alto (2020) 数据集，这些基准无法反映现代充电网络的规模和行为多样性。为解决此问题，我们引入了一个在苏格兰各地收集的大规模纵向数据集（2022-2025），并将其作为开放基准发布给社区。基于该数据集，我们将电动汽车充电需求建模为时空潜在高斯场，并通过集成嵌套拉普拉斯近似（INLA）进行近似贝叶斯推断。由此产生的模型在一个统一的概率框架内共同捕捉了空间依赖性、时间动态和协变量效应。在站点级预测任务中，我们的方法与机器学习基线相比取得了具有竞争力的预测精度，同时额外提供了原则性的不确定性量化和可解释的时空分解特性，这些特性对于风险感知的基础设施规划至关重要。