通过使用多尺度时空增强模型（MSTEM），本研究在电动汽车充电站（EVCS）的精确负载预测方面提出了一种解决方案，该模型通过多尺度图神经网络以及回归学习组件和残差融合机制的整合，能够准确捕捉电动汽车充电行为的非线性、不同站点之间的空间相互作用以及使用模式的复杂时间变化，并在实际数据集上验证了其优越性。

May, 2024

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

这篇论文介绍了一种电动汽车充电站（EVCS）模型，它考虑到现实世界的约束条件，如插槽功率限制、合同阈值超过惩罚或电动汽车（EVs）的早期断开连接。我们提出了一个对 EVCS 控制问题的不确定性建模，并实施了两种多级随机规划方法，利用用户提供的信息，即模型预测控制和两阶段随机规划。该模型解决了充电会话开始和结束时间以及能源需求的不确定性。基于停留时间相关的随机过程的用户行为模型提高了成本降低同时保持客户满意度。通过使用真实数据集进行为期 22 天的模拟，展示了两种提出的方法与两种基准的优势。考虑到更多的不确定性情景进行优化，两阶段方法表现出对早期断开连接的鲁棒性。优先考虑用户满意度而非电力成本的算法在两个用户满意度指标上相对于行业标准基准提高了 20% 和 36%。此外，在实现理论上的最佳基准时，该算法在成本和用户满意度之间达到了 94% 和 84% 的用户满意度表现，并仅出现 3% 的相对成本增加 - 放宽了无先见性约束。

Feb, 2024

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

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

通过网络挖掘数据，本文提出一种可解释的模型来研究不同兴趣点距离充电站的影响，帮助城市规划师寻找电动汽车充电站的有效位置。

Mar, 2022

使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。

Oct, 2023

本文提出了一个名为 Master 的框架，它采用深度强化学习方法，以智能化的方式推荐公共可用的电动汽车充电站，并联合考虑各种长期时空因素，包括充电基础设施、未来潜在的充电竞争等等。经过广泛的实验评估，Master 相对于九个基准方法具有最佳的综合性能。

Feb, 2021

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