由于全球能源危机和气候变化，减少化石燃料消耗和实现碳中和已成为许多政府共同目标，全力发展电动车在节能减排方面意义重大。目前充电基础设施缺乏、供需不平衡等充电便利性问题仍然是购买电动车的一大障碍，此外充电需求高周期性和不稳定性，给电网带来巨大压力。因此，准确预测充电站的充电需求对促进电动车发展至关重要，应用意义总结为三点：第一，电动车用户可获得充电站可用信息，满足异质性充电需求；第二，充电站运营商可进行多时间尺度运营调度，保证充电设施高利用率；第三，电网系统可进行智能调频、削峰填谷，保证电网平稳运行。
    本研究提出一种自适应时空图递归网络模型（Adaptive Spatial-Temporal Graph Recurrent Network，ASTRN）来预测不同充电站点的电动车充电短时需求，即预测每个充电站未来几个小时所需服务的电动车数量。具体而言，首先通过动态的图嵌入矩阵自适应地学习图邻接关系；然后利用递归模型提取时序特征，并利用卷积结构实现多步预测；此外还设计了图嵌入映射模块以进一步学习图嵌入特征。本研究使用一个北京市大规模真实的电动汽车车辆轨迹数据集，包含超过76,000辆私人电动汽车，用于模型训练和验证。采用平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）三个指标对模型进行评估。引入10个基线模型用于模型预测效果对比，分别是历史平均模型（History Average，HA）、随机森林（Random Forest，RF)、支持向量机（Support Vector Regression，SVR）、图卷积网络（Graph Convolutional Network，GCN）、时间图卷积网络（Temporal Graph Convolutional Network，TGCN）、门控神经单元（Gated Recurrent Unit，GRU)、时空图卷积网络（Spatio-Temporal Graph Convolutional Network，STGCN）、图波网络（GraphWave Net，GWNet)、多变量时序图神经网络（Multivariate Time Series Graph Neural Networks，MTGNN）和自适应图卷积循环网络（Adaptive Graph Convolutional Recurrent Network，AGCRN）。
    未来3个小时和6个小时的充电需求预测结果显示，与最近流行的时空预测方法相比，所提出的模型在电动车充电短时需求方面具有更高的预测精度和稳定性能（表1）。此外，我们还通过消融实验分析并验证了每个模块的有效性，并比较不同超参数组合下的模型性能。总结而言，所构建的模型不依赖预定义的地理空间关系，自适应图嵌入矩阵可以很好的根据时间特征挖掘充电站空间邻接关系，并且所获取空间关系表征好于预定义的地理空间关系。

电动车充电需求预测；深度学习模型；电动车