电动汽车充电需求的深度时空预测

电动汽车可以提供低碳排放解决方案，以扭转不断上升的排放趋势。 然而，这要求用于满足需求的能源是绿色的。 为了满足这一要求，准确预测充电需求至关重要。 短期和长期充电需求预测将有助于更好地优化电网和未来的基础设施扩展。
   在本文中，我们建议使用公开可用的数据来预测电动汽车充电需求。 为了模拟充电站之间复杂的时空相关性，我们认为时间图卷积模型最适合捕捉相关性。 与其他预测方法相比，所提出的时间图卷积网络为短期和长期预测提供了最准确的预测。

在整篇论文中，我们一直主张使用公开数据来预测电动汽车充电需求。 基于实验结果，图卷积网络与其他方法相比具有优越的预测性能。 特别是，我们看到图卷积网络模型可以比普通卷积神经网络更好地捕捉充电站网络的空间和时间相关性。
   这项工作中提出的模型假设了充电站网络的已知扩展。 在未来的工作中，我们将合并动态演化的图。 此外，先前的需求预测研究表明，观察到的需求可能会受到审查，例如，通过充电站的最大容量或竞争充电服务的需求损失，这使得真正的需求是潜在的。 存在各种处理审查数据的方法，我们打算在未来的工作中探索这些方法（Biganzoli 等人，2002；Greene，2005；Gammelli 等人，2020）。
   我们希望结果和论点鼓励研究人员使用公开数据来研究电动汽车充电需求。 特别是，我们鼓励电动汽车充电的研究人员和利益相关者使用图卷积网络来预测电动汽车充电需求。 我们相信这里提供的方法可以帮助扩大电动汽车充电基础设施并帮助扭转不断上升的排放趋势。

https://download.csdn.net/download/cooc89/82495481