[论文解读] AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for Electric Vehicle Charging Station Availability Forecasting

Ruikang Luo, Yaofeng Song+3 more|arXiv (Cornell University)|Sep 7, 2022

Transportation and Mobility Innovations被引用 4

一句话总结

该论文提出AST-GIN，一种新颖的深度学习模型，通过整合图卷积网络与Informer架构，并引入属性增强编码，以建模时空依赖关系及动态/静态外部因素，实现对电动汽车（EV）充电站可用性的预测。基于邓迪市的真实数据进行评估，AST-GIN在90分钟预测中准确率较基线模型最高提升11.54%，在120分钟预测中提升8.97%，达到当前最先进性能。

ABSTRACT

Electric Vehicle (EV) charging demand and charging station availability forecasting is one of the challenges in the intelligent transportation system. With the accurate EV station situation prediction, suitable charging behaviors could be scheduled in advance to relieve range anxiety. Many existing deep learning methods are proposed to address this issue, however, due to the complex road network structure and comprehensive external factors, such as point of interests (POIs) and weather effects, many commonly used algorithms could just extract the historical usage information without considering comprehensive influence of external factors. To enhance the prediction accuracy and interpretability, the Attribute-Augmented Spatial-Temporal Graph Informer (AST-GIN) structure is proposed in this study by combining the Graph Convolutional Network (GCN) layer and the Informer layer to extract both external and internal spatial-temporal dependence of relevant transportation data. And the external factors are modeled as dynamic attributes by the attribute-augmented encoder for training. AST-GIN model is tested on the data collected in Dundee City and experimental results show the effectiveness of our model considering external factors influence over various horizon settings compared with other baselines.

研究动机与目标

• 解决在复杂时空动态与外部影响下准确预测电动汽车充电站可用性的挑战。
• 克服现有模型未能综合集成天气、兴趣点（POI）及昼夜模式等全面外部因素的局限性。
• 开发一个统一的深度学习框架，能够同时建模静态属性（如POI类型）与动态属性（如天气、时间）以及时空依赖关系。
• 通过显式地将外部属性编码至模型的注意力机制与消息传递机制中，提升预测的鲁棒性与可解释性。
• 利用邓迪市的真实世界数据，在多个预测时域上验证模型的有效性。

提出的方法

• 提出一种属性增强的空间-时间图Informer网络（AST-GIN），结合图卷积网络（GCN）建模空间依赖关系与Informer架构高效捕捉长程时间依赖。
• 引入属性增强单元（A2Unit），动态将天气、昼夜时段、POI类型等外部因素编码至节点嵌入表示中。
• 利用图卷积层捕捉充电站之间的拓扑关系，将充电站建模为时空图中的节点。
• 采用Informer的多头自注意力机制并结合因子化注意力设计，高效建模长程时间依赖。
• 通过历史使用数据、外部属性与空间图结构端到端训练模型，以预测未来可用性。
• 应用归一化与残差连接以稳定训练过程，并提升在不同预测时域上的泛化能力。

实验结果

研究问题

• RQ1 统一的深度学习模型是否能有效捕捉电动汽车充电站使用数据中的时空依赖关系？
• RQ2 动态与静态外部因素（如天气与POI类型）在多大程度上提升了预测准确率？
• RQ3 与忽略外部因素的模型相比，属性增强编码的集成如何提升模型性能？
• RQ4 AST-GIN在短、中、长时预测时域上是否均保持优越性能？
• RQ5 AST-GIN在真实世界传感器数据的噪声与扰动下是否表现出强鲁棒性？

主要发现

• AST-GIN在所有预测时域中均取得最高准确率，在90分钟时域达到0.8388的准确率，较最佳基线模型（STTN）提升11.54%。
• 在120分钟时域中，AST-GIN准确率达到0.7507，较最佳基线模型（STTN）高出8.97%。
• 静态与动态外部因素的组合表现最佳，尤其在短期预测（如30–90分钟）中，准确率提升最为显著。
• 在长期预测（120分钟）中，组合因素与单一因素类型之间的性能差距缩小，表明时间模式对预测结果的影响超过外部属性。
• 扰动分析证实AST-GIN具有强鲁棒性，其性能在高斯噪声注入下保持稳定，表明具备优异的抗噪能力。
• 可视化结果表明，AST-GIN在不同预测时域下均能稳定跟踪真实值，展现出优异且一致的时间序列预测能力。