本研究利用生成式对抗网络，学习电动汽车充电过程的分布规律，为电网运营商应对交通运输领域向低碳化方向的转型提供一种新型的数据仿真方法.

Aug, 2021

本研究基于强化学习算法，从车辆装载容量、时间窗口、能量供应等多个因素出发，在大规模客户和配电站环境下，构建了满足多个系统目标的电动车路由模型，并通过实验证明，该方法不但在速度上快于混合整数线性规划和遗传算法元启发式算法，而且结果质量接近最优解。

Apr, 2022

该论文提出了一种新的Eco-PiNN物理信息神经网络框架来解决环保通行费用估算问题，通过采用物理信息解码器、基于注意力的上下文信息编码器和物理信息正则化等三个创新点，成功地提高了环保通行费用估算的准确性。

Jan, 2023

本文针对电动汽车普及带来的电力网承载压力问题，提出了一种面向大规模网络化电动车充电站的预定管理程序，运用数据驱动的优化框架，结合深度学习和近似算法技术，实现电动车用户总体福利最大化，有效提高电网稳定性和效率，取得了比两种典型调度算法更好的效果，为进一步探索奠定了基础。

May, 2023

本篇研究论文提出了一种基于概率数据驱动的新方法，用于对电池电动车的行程级能量消耗进行估计，该方法综合考虑了各种车辆动力学，驾驶员行为和环境因素，采用了概率神经网络进行建模和模型不确定性测量，并有机地融合驾驶员行为因素以提高模型的准确性，在试验中取得了相对误差的均值 9.3% 的表现。

Jul, 2023

现代交通规划依赖于准确的人员和车辆出行预测，本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力，利用全国家庭交通调查数据集，开发并训练了一个深度学习模型，取得了98%的人员出行预测准确率和96%的车辆出行估计准确率，从而显示了深度学习在这个领域的优势。

Aug, 2023

通过预测与控制数据采集时机，利用历史数据重构完整数据文件，以延长系统寿命并提高估计准确性。

Jan, 2024

预测电动汽车（EV）充电事件对于负载调度和能源管理至关重要，本研究使用历史智能电表数据开发了一种家庭充电预测方法，借鉴非侵入式负载监测（NILM）的概念，通过基于自注意力机制的变压器模型，提供了未来EV充电事件的预测信息，本方法在一分钟间隔提供高达96.81％的准确性，适用于网格运营商的实际需求。

Mar, 2024

本文研究了带有时间窗约束的异构电动车路径问题，并提出了一种基于深度强化学习的方法（Edge-DIRECT），通过增强的图表示和双注意力解码器来有效解决该问题。实验结果表明，Edge-DIRECT在解决质量和执行时间方面优于现有的方法，并展现了与其他主要启发式方法相比具有竞争性的性能。

Jun, 2024

本研究解决了电动汽车充电需求预测中的数据局限性问题，提出了一种基于深度多量级时间卷积网络（MQ-TCN）的方法，以实现不同地点充电站之间知识的有效转移。该模型在充电负荷预测方面取得了显著进展，证明了在数据稀缺的情况下，仍能实现高达96.88%的预测准确率，对未来的充电站规划和电力管理具有重要影响。

Sep, 2024