[论文解读] Multistep Electric Vehicle Charging Station Occupancy Prediction using Mixed LSTM Neural Networks.

Tai-Yu Ma, Sébastien Faye|arXiv (Cornell University)|Jun 10, 2021

Electric Vehicles and Infrastructure参考文献 36被引用 5

一句话总结

本文提出一种混合长短期记忆（LSTM）神经网络，分别处理历史充电状态序列和时间相关特征，以预测电动汽车（EV）充电站未来6个时间步（60分钟）内的占用情况。该模型在1步（10分钟）预测中达到99.99%的准确率，在6步预测中达到81.87%，分别比基线方法高出22.4%和6.2%。

ABSTRACT

Public charging station occupancy prediction plays key importance in developing a smart charging strategy to reduce electric vehicle (EV) operator and user inconvenience. However, existing studies are mainly based on conventional econometric or time series methodologies with limited accuracy. We propose a new mixed long short-term memory neural network incorporating both historical charging state sequences and time-related features for multistep discrete charging occupancy state prediction. Unlike the existing LSTM networks, the proposed model separates different types of features and handles them differently with mixed neural network architecture. The model is compared to a number of state-of-the-art machine learning and deep learning approaches based on the EV charging data obtained from the open data portal of the city of Dundee, UK. The results show that the proposed method produces very accurate predictions (99.99% and 81.87% for 1 step (10 minutes) and 6 step (1 hour) ahead, respectively, and outperforms the benchmark approaches significantly (+22.4% for one-step-ahead prediction and +6.2% for 6 steps ahead). A sensitivity analysis is conducted to evaluate the impact of the model parameters on prediction accuracy.

研究动机与目标

• 提升多步电动汽车（EV）充电站占用率预测的准确性，超越传统计量经济学和时间序列方法。
• 通过混合神经网络架构，将历史充电状态序列与时间相关特征分别处理，以克服现有LSTM模型的局限性。
• 通过更精确的占用率预测，开发智能充电策略，减少对电动汽车运营商和用户造成的不便。
• 利用真实世界电动汽车充电数据，评估所提模型与先进机器学习和深度学习方法的性能表现。
• 通过敏感性分析，评估模型超参数对预测准确率的影响。

提出的方法

• 所提模型采用混合LSTM神经网络架构，通过独立的子网络分别处理不同类型输入特征——历史充电状态序列和时间相关特征，随后融合其输出结果。
• 模型基于英国邓迪市开放数据门户收集的真实电动汽车充电数据进行训练，涵盖多个充电站。
• 时间相关特征（如一天中的小时、星期几、季节性等）被显式编码，并与序列化充电状态数据分开处理。
• 该架构使模型能够捕捉充电行为中的长期依赖关系，同时适应昼夜和每周的周期性时间模式。
• 采用多步离散预测框架，以10分钟为间隔，预测未来最多60分钟的占用状态。
• 使用标准评估指标，将模型与多种基线方法（包括标准LSTM、GRU及传统机器学习模型）进行对比。

实验结果

研究问题

• RQ1 是否可通过分别处理历史充电序列和时间相关特征的混合LSTM架构，提升多步电动汽车充电站占用率预测的准确性？
• RQ2 在1步和6步预测时间范围内，所提模型相较于先进机器学习与深度学习方法的表现如何？
• RQ3 通过敏感性分析，关键模型超参数对预测性能的影响如何？
• RQ4 时间特征的整合在多大程度上提升了深度学习模型在电动汽车充电占用率预测中的预测能力？

主要发现

• 所提混合LSTM模型在1步（10分钟）预测中达到99.99%的准确率，相比基线模型高出22.4%。
• 在6步（60分钟）预测中，模型准确率达到81.87%，比次优基线方法高出6.2%。
• 由于能够有效解耦并分别处理不同类型的特征，该模型在不同预测时间范围内展现出更优的泛化能力和鲁棒性。
• 敏感性分析表明，学习率和LSTM单元数量等超参数对预测准确率有显著影响，最优参数设置可实现最高性能。
• 时间相关特征（如一天中的小时、星期几）的整合显著提升了预测准确率，证实其在建模时间动态中的重要性。
• 结果表明，混合架构设计在多步电动汽车充电占用率预测中，相比标准LSTM或集成模型，能实现更准确且更稳定的预测。