使用机器学习预测电动汽车充电行为

作为智能城市应用中智能交通的重要支柱，电动汽车（EV）因其在减少温室气体排放方面的贡献而越来越受欢迎。然而，面临的一个主要挑战是大规模电动汽车部署带来的电网基础设施压力。解决方案在于利用智能调度算法来管理日益增长的公共充电需求。使用数据驱动工具和机器学习算法来学习电动汽车充电行为可以改善调度算法。研究人员专注于使用历史充电数据预测行为，如出发时间和能量需求。然而，天气、交通和附近事件等变量在很大程度上被忽视，但它们可能提供有意义的表示，并提供更好的预测。因此，在本文中，我们提出结合历史充电数据、天气、交通和事件数据，使用流行的机器学习算法（包括随机森林、支持向量机、XGBoost和深度神经网络）来预测电动汽车会话持续时间和能量消耗。通过集成学习模型实现最佳预测性能，会话持续时间和能量消耗的SMAPE评分分别为9.9%和11.6%，这超越了现有文献中的相关研究。在这两项预测中，我们展示了与以前同一数据集的工作相比的显著改进，并强调交通和天气信息对充电行为预测的重要性。