本文通过综合考虑电压规律成本和保护装置升级等实际方面，在城市系统规划中探讨了电动汽车的充电站布局问题。通过逐步添加限制条件，我们的敏感度分析以及数值结果证明了该方法具有普遍适用性和小的近似误差，并揭示了不同城市之间不同因素的权衡关系。同时，本研究唯一的发现是在充电站的城市系统规划中，考虑到保护装置升级的重要性。

Aug, 2018

本文提出了一个多视图学习框架，使用了 CCA 模型对候选站点进行需求预测，并使用混合填充和覆盖优化框架来解决服务提供商和电动汽车用户之间的竞争关系，通过交替调用背包和集合覆盖算法来解决这些问题，该模型制定的方案使用真实世界数据进行了评估。

Apr, 2016

本文使用深度强化学习方法针对城市区域优化充电站的安置位置与数量，以达到最大化电动车充电设施供应，最小化等待、行程和充电时间，并考虑在家中充电，通过实例实验证明本文方法可以增加电动汽车充电计划的效益，减少等待时间，提高收益，相较于现有基础设施，等待时间可以降低到 97％，收益可以增加达到 497％。

Jun, 2022

该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

Sep, 2023

本文提出一种创新的电动汽车充电需求估算和分段方法，利用基于蜂窝信号数据的邻域细度估算充电需求，并提出一种基于城市兴趣点的分割模型来确定正常、半快、快速充电技术之间的总充电需求的分配，该方法是一种最前沿的方法，可用于城市规划，最后以布鲁塞尔市为例进行了案例研究。

Jun, 2022

气候变化、电动汽车、充电站、用户满意度和最大流问题是这篇研究论文的主要关键词和主题。

Dec, 2023

本文探究了基于地理和用户移动性的机器学习特征在商业成功中的预测能力， 并通过采集自 Foursquare 的数据集在纽约城市中研究了不同商业连锁店的普及程度，揭示了商业的成功与多个因素有关。

Jun, 2013

开发一种基于 QoE 指标的评估框架，通过机器学习模型和数据集预测未来长期的电动汽车充电需求，以实现可靠的可持续充电基础设施扩展。

Dec, 2023

本文通过对普渡大学的 WiFi 访问日志进行分析，提出了基于异构图的方法来编码用户、兴趣点和活动之间的关联，进而联合学习顶点的嵌入表示，证明了基于娱乐数据的建模假设在更丰富的签到数据上效果显著降低。

Sep, 2018

本文提出了一种电动汽车充电的过度停留问题的解决方案，通过设计恰当的 “罚款” 惩罚过度停留者，采用不同的值以满足外部充电需求，从利用率和收入的角度找到最优罚款，实现了通过使用在线学习算法来学习最优罚款的方法，但需要进一步实验验证。

Apr, 2016