图神经网络与双层优化在公平的电动汽车充电基础设施规划中的应用 Javier Alexander Guerrero Silva, Jorge Ivan Romero Gelvez, Sebastian Zapata

《Energies》:Graph Neural Networks and Bi-Level Optimization for Equitable Electric Vehicle Charging Infrastructure Planning Javier Alexander Guerrero Silva, Jorge Ivan Romero Gelvez and Sebastian Zapata

【字体: 大 中 小 】 时间:2026年04月21日 来源:Energies 3.2

编辑推荐:

  摘要:在数据受限的城市中,注重公平的电动汽车(EV)充电规划仍然是一项挑战。本研究通过结合时空图神经网络(ST-GNNs)、EVI-Pro Lite需求估算和词典式双层优化,开发了一个综合框架,并将其应用于哥伦比亚的波哥大(人口830万)。利用家庭出行调查数据(12500户家庭,

  摘要:在数据受限的城市中,注重公平的电动汽车(EV)充电规划仍然是一项挑战。本研究通过结合时空图神经网络(ST-GNNs)、EVI-Pro Lite需求估算和词典式双层优化,开发了一个综合框架,并将其应用于哥伦比亚的波哥大(人口830万)。利用家庭出行调查数据(12500户家庭,分布在142个区域),估算了各区域的优先级得分和特定场所的 时间权重。EVI-Pro Lite模拟预测到2025年需要10,870个充电站(7352个用于住宅区,2739个用于工作场所,779个用于公共区域)。在分配阶段,第一层确保了优先级与需求的匹配,而第二层在接近最优的第一层合规性条件下,减少了区域间的不平等。最终分配结果在充电站的布局上保持了较高的优先级一致性(Spearman ?? =0.799,?? <10?31),而优先级与可及性之间的关联较弱(Spearman ?? =0.320,?? =1.04 ×10?4),这与第二阶段的公平性再分配目标一致。公平性指标也有所改善(Hansen Gini系数=0.433;最低50%人口的Lorenz份额=0.204)。平均Hansen可及性达到了296.630(标准差248.099;最低值为1.126)。这些发现表明,在充电微观数据有限的城市中,仍可以制定出可重复的、注重公平的EV基础设施规划。

1. 引言与文献综述
电动汽车正迅速从小众技术发展为大众市场产品。根据国际能源署(IEA)的数据,2022年全球电动汽车销量超过了1000万辆,占新车销量的14%,预计到2023年这一数字将上升至1400万辆,约占全球市场的18%[1]。后续报告显示,2023年的销量确实接近1400万辆,全球电动汽车保有量也扩大到了约4000万辆[2]。2024年这一增长趋势持续:销量超过1700万辆,电动汽车的市场份额首次超过了20%,全球电动汽车总量接近5800万辆。IEA进一步预测,2025年的销量将超过2000万辆,占全球汽车销量的四分之一以上[3]。

充电基础设施也在同步发展,但发展速度和地点并不均匀。全球公共充电点数量从2022年底的270万个增加到了2023年底的390万个,2024年新增了超过130万个公共充电桩[2,3]。尽管如此,这些基础设施的空间分布仍然不均衡。长期以来,可及性一直被认为是交通规划中的公平性问题[4]。早期充电点集中在高收入区域,部分原因是这些地区更早采用了电动汽车,但这种集中现象仍导致低收入社区存在结构性访问障碍[5,6]。最近的研究还指出,充电设施的可靠性也存在差异——这进一步强调了将公平性作为主要规划目标的必要性,而不仅仅是事后考虑的因素[7]。

这种模式在拉丁美洲城市尤为明显,那里的制度限制、预算不足以及空间数据的不完整性使得基于证据的规划变得复杂[8]。尽管波哥大拥有雄心勃勃的可持续交通政策框架,但仍面临这些挑战。该市的《可持续安全交通计划》(Plan de Movilidad Sostenible y Segura)由区级交通秘书处(Secretaría Distrital de Movilidad, SDM)制定,提出了到2035年的长期愿景,包括脱碳交通、多模式交通、更安全的出行方式以及减少地域、社会和性别不平等[9]。

最近关于EV充电规划的研究从单层设施选址模型转向了双层建模,以更好地捕捉基础设施决策与用户行为之间的互动[10]。在这些模型中,规划者在上层确定设施的位置和容量,而用户在下层通过充电和路线选择来响应这些决策。这种结构很有价值,但大多数文献仍存在两个局限性:首先,许多研究依赖的高度汇总的需求数据与数据稀缺环境中的实际日常出行行为关联性较弱;其次,公平性评估通常在优化之后进行,而不是直接纳入目标结构中。

最近的研究提高了行为的真实性(例如,等待效应和充电选择均衡问题[11,12],还有一些研究将交通和电力系统的互动整合到双层规划框架中,或者对时空充电负荷不确定性进行了建模[13,14,15,16]。然而,基于公平性的评估和实证分析表明,除非在优化过程中明确保护分配标准,否则访问差距可能会持续存在[17,18,19]。这激发了我们设计的出发点:将基于出行行为的优先级划分与模型中的第二阶段公平性目标相结合,而不仅仅是事后报告。

最佳的充电基础设施规划需要详细的驾驶模式、停车位置、停留时间和充电行为数据。在电动汽车市场成熟的高收入国家,这些数据越来越多地来自大规模GPS遥测和联网车辆数据[20]。但在拉丁美洲城市,这类数据很少见,因为电动汽车数量有限、机构间数据共享不足,加之隐私限制,难以获取车辆级别的详细信息。在这种情况下,家庭出行调查仍然是重建出行需求时空组织的关键信息来源。波哥大2023年的出行调查(Em-2023)提供了大约12500户家庭的详细出行记录,这些家庭分布在142个交通和移动分析单元(UTAMs)中,包括出行起点和终点、出行时间、出行时长及相关社会经济特征,但它不包含直接的充电会话、充电站选择或电池电量信息。因此,无法直接预测实际的充电需求。为此,Em-2023数据与基于活动的基础设施估算框架[21]和时空图学习模型结合使用,从而在数据稀缺的环境中推导出基于行为的空间分配信号。

图神经网络(GNNs)为解决这一数据挑战提供了方法。这些架构将城市区域表示为图,节点对应于社区,边表示空间关系,从而能够从网络结构化数据中学习信息[22,23]。图卷积网络汇总来自空间邻居的信息[23],长短期记忆(LSTM)层捕捉时间模式[24],注意力机制根据不同的充电类型对不同时间段进行差异化加权[25,26]。关键在于,家庭出行调查包含了足够的信息,可以通过适当的方法学习到有意义的充电基础设施优先级。我们开发了一种端到端的方法,将时空GNN的输出与注重公平的优化结合起来。首先,利用波哥大的家庭出行调查数据构建GNN,为142个UTAM区域生成优先级得分;其次,根据波哥大的实际情况校准EVI-Pro Lite模拟,估算不同场所类型的充电基础设施需求[21];最后,解决一个词典式双层优化问题:第一层根据GNN生成的优先级分配充电站,第二层在接近最优的第一层合规性条件下,减少区域间的Hansen可及性不平等。整个流程完全可重复,并专为数据受限的城市设计,尤其是在充电需求数据有限或不可用的情况下。

2. 文献综述与定位
电动汽车(EV)充电基础设施的研究已经从技术描述发展到综合规划框架。早期研究阐明了一级充电、二级充电和直流快充在运营上的差异及其对基础设施设计和电网交互的影响[27,28]。实证和综述工作进一步表明,充电设施类型、快充可用性和用户偏好会影响充电行为和采用率[29,30]。后来的综合研究将这些技术置于更广泛的电动出行和能源系统转型背景中[31]。在此基础上,大量优化文献探讨了充电站的位置选择和容量确定。代表性方法包括最大化覆盖范围选址[32]、考虑路线可行性和续航焦虑的流量补充模型[33],以及结合配电网约束的综合选址-规模模型[34]。最近的综述表明,该领域涵盖了选址、规模确定、升级、不确定性及运营等方面的内容,并越来越强调结合数学规划、GIS和数据驱动方法的混合框架[35]。相关的研究还指出,基础设施需求对关于利用率、充电接入、车辆类型和本地出行行为的假设非常敏感,尤其是在代表性不足的地区[36]。

因此,需求表示已成为EV基础设施规划中的核心问题。基于活动的工具如EVI-Pro Lite能够将出行路线和车辆属性转换为按位置和时间段划分的充电事件,这在缺乏大规模遥测数据的情境中特别有用[21]。最近的综合框架将需求估算直接与选址决策和电网可行性分析联系起来,允许在单一工作流程中评估预测、充电站布局和电力系统影响[37,38]。同时,机器学习方法在充电需求预测方面也取得了快速进展。循环模型如LSTM被用于短期站点级预测[39],基于图的深度学习方法则通过显式表示站点或城市区域之间的空间依赖性来扩展这种方法[40,41]。补充性的预测研究还预测了不同用户群体的时空采纳趋势,以支持前瞻性基础设施规划[42]。最近的系统化综述确认了该领域研究的快速发展和其在数据来源、目标和评估设置方面的多样性[43]。对于规划应用而言,这意味着仅依靠预测性能是不够的,还需要将预测结果转化为透明且可操作的空间分配规则。

第二类文献关注交通公平性和可及性。可及性评估强调,基础设施的评估不仅要考虑其提供的数量,还要考虑谁能够从中受益。Hansen的引力可及性度量形式化了一种观点,即可及性随着附近机会的增加而增加,随着距离的增加而减少[44],后续研究进一步完善了可及性分析,考虑了土地使用、交通交互和替代服务指标[45]。实证研究表明,如果没有明确的公平性目标,交通投资可能会加剧空间不平等[8]。在电动汽车领域,最近的研究记录了充电设施密度、可靠性和可及性在不同收入、种族和城市形态梯度上的差异[7,46]。系统综述也指出,处于不利地位的社区往往面临更长的出行距离、更低的站点质量和更高的充电设施可用性不确定性,即使区域容量看似充足[17]。这些文献越来越强调应将公平性直接纳入选址和分配模型中,而不仅仅是事后的诊断工具[18,19,47,48]。

与此同时,图神经网络(GNNs)作为一种强大的框架,可用于具有明确空间结构的城市系统建模[49]。GNNs通过邻居聚合更新节点表示,适用于道路网络、交通系统和区域邻接图[22,23]。相关的发展还包括图卷积方法在关系推理和矩阵补全中的应用,展示了图基表示学习在稀疏环境中的灵活性[50]。在交通领域,最具影响力的研究将图表示与时间建模相结合。扩散卷积循环神经网络(DCRNNs)将图扩散与循环序列学习结合用于交通预测[51],时空图卷积网络(STGCNs)引入了全卷积的时空模块[52],图WaveNet展示了适应性依赖学习可以捕捉超出固定邻接矩阵的潜在空间关系[53]。交通预测和智能交通系统的综述一致认为,当需要同时建模空间依赖性、时间动态和多源交互时,GNNs尤其有效[54,55,56,57]。最近,GNNs还被提出作为战略交通模型的替代方案,将其适用范围从短期预测扩展到规划支持[58]。

这些发展为EV应用提供了重要支持。时空GNNs已被用于预测城市区域的充电需求[40]。其他最近的研究使用自适应图循环架构直接从数据中学习站点间的潜在关系[59],基于注意力的图模型捕捉区域充电负荷变化[60,61],混合深度学习方法则根据区域行为模式预测充电需求[41]。这些研究共同表明,图基学习非常适合EV基础设施规划,因为充电需求本质上是时空相关的,并受到网络结构的强烈影响。

为了更清晰地定位本研究,区分了三个互补的研究方向:第一个方向关注需求预测和估算,主要目标是根据出行和车辆数据预测充电负荷、事件或基础设施总需求;第二个方向关注设施选址和容量分配,优化模型确定在技术和政策约束下应部署充电设施的位置和规模;第三个方向强调注重公平的规划,将可及性和分配正义明确作为优化目标,而不仅仅是事后诊断工具。

大多数现有研究一次只连接这两个方向中的两个。预测研究往往在制定空间分配决策之前就结束了,而分配研究则经常依赖于外生或简化的需求输入,然后在优化后评估公平性。本文的核心贡献是将这三个组成部分整合到一个针对数据受限城市的连贯工作流程中:EVI-Pro Lite 提供场地级别的总配额[21],ST-GNN 从 EM-2023 中学习空间优先级和时间场地结构,而词汇表式双层模型在直接最小化可访问性不平等的同时保留了与需求相关的优先级。这一定位明确了新颖之处不在于单一模型模块的孤立存在,而在于需求表示、分配逻辑和公平性目标之间的明确耦合。

本手册的其余部分组织如下:第 2 节介绍数据来源和方法。第 3 节报告实证发现并整合讨论内容。第 4 节以结论、实际意义和简要的局限性结束。

2. 材料与方法
2.1. 研究区域和空间单元
本研究聚焦于哥伦比亚的波哥大,这是一个大约 1587 平方公里的大都市区,划分为 142 个交通与移动性分析单元(西班牙语:Unidades de Transporte y Análisis de Movilidad,UTAMs),这些单元构成了分析的基本空间单位。使用由移动性区秘书处(西班牙语:Secretaría Distrital de Movilidad,SDM)提供的官方 UTAM 2023 多边形层,该层可通过 EM-2023 分区下载页面(“Shapefile UTAM”[62])获取。本研究中使用的数据集版本对应于 2026 年 3 月 26 日访问的 EM-2023 版本;其可用性通过 SDM 观测站门户公开,而长期托管和许可条件由 SDM 条款规定。该文件使用 GeoPandas(v0.14.4)[63] 加载,然后重新投影到两个坐标参考系统(CRS)中:(i) WGS84(EPSG:4326)用于基于网络的可视化和地图导出,(ii) MAGNA-SIRGAS/Colombia Bogotá(EPSG:3116)用于面积、距离和邻接性计算。

从 EPSG:3116 中的 UTAM 几何形状计算每个区域的面积(平方公里)和质心坐标。然后使用 scipy.spatial.distance_matrix 获得 UTAM 质心之间的完整成对距离矩阵,并转换为公里。这个矩阵 ?? =(???????) 在第 2.5 节的优化模型的可访问性函数中使用,其中 ??????? 表示需求区域 i 和基础设施区域 j 之间的网络无关的直线距离。使用欧几里得距离有两个实际原因:(i) 在 UTAM 分辨率下,没有公开可用的基于场所和时期的一致的城市内起点-终点旅行时间矩阵;(ii) 欧几里得距离使核计算保持透明且完全可复制。因此,这被视为一种简约的近似方法,其局限性和扩展在第 4 节中进行了明确讨论。

空间邻接性使用 Queen 相邻性进行编码:如果两个区域至少共享一个边界点,则认为它们是邻居。这一标准应用于 UTAM 多边形以构建二进制邻接矩阵 ??,随后对其进行归一化以用于图形卷积处理(第 2.4.1 节)。图 1 显示了研究区域和整个分析中使用的 UTAM 分区。图 1. 波哥大研究区域和 UTAM 分区。142 个 UTAM 多边形构成了图神经网络和优化模型中使用的城市图的节点。

2.2. 数据来源
我们的方法整合了三个主要数据来源(表 1):
- 家庭旅行调查 EM-2023:波哥大 2023 年的移动性调查(西班牙语:Encuesta de Movilidad,EM-2023)提供了大约 12,500 户家庭(约 45,000 人)的日常出行详细信息。出行被地理编码到 UTAMs,并汇总以获得按小时划分的起点和终点流量,随后按人口进行归一化。EM-2023 还包括合并到 UTAM 层的社会经济变量(人口、收入、就业、土地利用指标)。
- ANDEMOS 车辆登记:使用 ANDEMOS(2017–2023)的七年电动车注册数据来描述波哥大电动车 adoption 的时间增长和空间分布。这些数据用于电动车车队的预测和 EVI-Pro Lite 的校准(第 2.3 节)。
- GIS 和辅助数据:UTAM 2023 形状文件(EM-2023 分区,SDM 观测站门户)提供了构建城市图、计算距离和推导可访问性指标所需的空间边界和几何形状[62]。人口普查、地籍和税务记录用于通过人口和社会经济变量丰富 UTAM 属性。

表 1. 本研究中使用的关键数据来源摘要。

2.3. 使用 EVI-Pro Lite 进行电动车基础设施需求估计
为了根据场所类型推导出全市的充电基础设施需求,实施了由美国科罗拉多州戈尔登的国家可再生能源实验室(National Renewable Energy Laboratory)开发的 EVI-Pro Lite 方法论[21]。EVI-Pro Lite 是一种基于活动的模拟方法,它将日常出行路线转换为合成电动车车队的充电事件,考虑了车辆特性、充电接入和一天中的不同时间行为。本研究中使用的主要输出是按场所所需的充电港数量(住宅、工作场所、公共),这作为后续分配模型必须空间分配的外生基础设施“预算”。

模拟根据波哥大的具体情况进行了校准,使用以下数据:
- 到 2025 年电动车车队预测为 5200 辆车,其中 BEV 占 60%,PHEV 占 40%;
- 来自 EM-2023 的日常出行模式,包括出行起始和结束时间、出行持续时间和起点-终点 UTAMs;
- 充电可用性假设:70% 的车辆具有住宅充电接入,40% 具有工作场所充电接入,以及 public 充电的通用行为接入;
- 代表性的电池容量、效率和车队充电状态管理策略;
- 波哥大的季节性温度剖面(8–20 °C),以反映气候对能源消费的影响。

由于波哥大尚未发布关于家庭和工作场所级别的私人充电设施可用性的验证微观数据系列,因此 70%/40% 的接入假设被视为基线规划先验,而不是固定的经验常数。这些值在敏感性协议(第 2.3 节)中故意进行了压力测试,以避免对单一接入模式的过度依赖,并使引入的配额变化明确化[21,36]。为了提高可重复性,表 2 报告了本研究中使用的基线 EVI-Pro Lite 参数化。这些基线值遵循文献中报告的典型 EVI-Pro Lite 和充电基础设施设置[21,27]。

模拟运行一个合成年份,对工作日/周末的日常路线进行采样,并根据停车时间和接入假设将充电事件分配到住宅、工作场所和公共场所。汇总模拟天数后得到按场所(以及报告时按动力系统)所需的充电港数量。在本手册中,这些需求被视为优化阶段的硬性配额 ????:双层分配模型必须在决定如何在 UTAM 区域内分配充电港时精确满足场所总数(第 2.5 节)。这种任务的分离——(i) 通过基于行为的模拟估计总体基础设施需求;(ii) 在明确的公平性目标下空间分配这些需求——确保公平性的改进源自接入的重新分配,而不是改变总体基础设施需求。

2.4. 用于充电优先级的图形神经网络模型
本研究通过学习 UTAM 到 UTAM 流量中的时空模式,直接从家庭旅行调查中得出邻里级别的充电优先级。实现了一个时空图神经网络(ST-GNN),结合了图形卷积(用于空间依赖性)、长短期记忆(LSTM)层(用于时间序列建模)和加性注意力机制(用于小时级加权)。该模型为每个 UTAM 区域产生两个输出:(i) 一个标量优先级得分;(ii) 一个 24 小时的注意力轮廓,后者随后被聚合为双层分配模型使用的场所特定权重。所提出的框架不直接预测观察到的充电需求,因为波哥大没有大规模的充电行为数据。相反,它利用嵌入在起点-终点调查中的空间和时间结构,学习了一个基于流动性的相对充电优先级的代理。

2.4.1. 城市结构的图形表示
波哥大的 UTAM 系统被表示为一个空间图:??=(??,?),其中节点集 ?? 对应于 UTAM 区域,边集 ? 捕捉它们之间的空间邻接关系。在最终实现中,图包含 |??| =142 个节点,即研究区域中的每个 UTAM 区域一个节点。

首先使用 Queen 类型的相邻性构建空间边,因此如果两个区域的多边形相接触或相交,则认为它们是邻居。当相邻性太稀疏而无法稳定传递消息时,应用 k 最近邻居备用方案(?? =6)到 UTAM 质心。这确保了图形卷积的支持,同时保留了邻里结构。尽管概念图是无向的,但在实现中使用的是具有双向方向的边,遵循标准的 GNN 练习。

根据标准的图形卷积公式,空间传播依赖于具有自循环的对称归一化邻接矩阵:???=???1/2?(??+??)????1/2,(1),其中 ?? 是邻接矩阵,?? 是单位矩阵,?? 是度矩阵。方程式(1)中的归一化防止了特征幅度随节点度的变化而扩大,并在训练期间提高了数值稳定性[23]。

2.4.2. 从调查流量构建特征
使用 EM-2023 家庭旅行调查,按 UTAM 起点、UTAM 目的和一天中的小时汇总移动活动。对于每个区域 i 和小时 ? ∈{0,…,23},构建一个紧凑的特征向量 ??????∈?3,定义为 ??????=[orig????,?dest????,?total????],其中 orig???? 表示在小时 h 开始于区域 i 的出行次数,dest???? 表示在小时 h 结束于区域 i 的出行次数。

通过堆叠每个区域的 24 小时特征向量,得到时空输入张量 ??∈?|??|×24×3,(3),作为模型输入。方程式(2)和(3)定义了训练中使用的完整输入表示。图 3 可视化了结果的 UTAM 图,包括节点集和 ST-GNN 中使用的空间邻接关系。图 3. 波哥大 UTAM 网络的图形表示。点代表 UTAM 区域节点,线段代表在 Queen 相邻性下的邻接边,必要时使用 k-NN 备用方案到质心。因为波哥大缺乏足够空间分辨率的观察到的充电需求数据,模型使用基于流动性的代理目标进行训练。具体来说,对于每个区域 i,定义了一个标量强度标签,作为平均每小时的总活动量:????=124?23∑?=0total????。(4)这个目标(方程式(4)捕捉了与每个区域相关的平均日常流动性强度,并为从调查数据中学习空间和时间结构提供了持续的监督信号。因此,该模型应被视为基于流动性模式的优先级机制,而不是实现电动车充电需求的直接预测器。时空图神经网络(ST-GNN)架构

提出的ST-GNN框架如图4所示,采用了一种分层架构,旨在捕捉相邻UTAM区域之间的空间依赖性以及24小时周期内的时间变化。工作流程分为三个连续阶段:空间特征提取、时间序列建模和基于注意力的评分回归。图4展示了ST-GNN的总体架构。空间图卷积、时间LSTM编码和基于注意力的回归生成UTAM优先级和时间权重输出。

### 空间特征提取(GCN)

为了考虑UTAM网络的拓扑结构,每小时? ∈{0,…,23}都会独立应用空间信息传递。设???∈?|??|×3表示第h小时的节点特征矩阵。对于每个小时片段,模型应用一个两层图卷积网络(GCN)[23],通过ReLU激活函数实现:???=GCN2(??(GCN1(???,??)),??),其中???∈?|??|×??(5)。方程(5)将原始的移动性特征转换为通过图结构编码的潜在嵌入。

### 时间序列建模(LSTM)

然后将每小时的空间嵌入序列{??0,??1,…,??23}视为每个区域的时间信号。为了捕捉小时间的依赖性和日常时间结构,模型使用一个单层长短期记忆(LSTM)网络[24]。对于每个区域i,LSTM处理空间表示序列{????,?}23?=0,并产生相应的隐藏状态序列????,?∈???(其中?? =32是时间隐藏维度)。因此,完整的时间输出为????=[????,0,????,1,…,????,23](6)。

### 时间注意力与标量回归

由于并非所有小时对充电优先级的贡献都相等,模型在LSTM隐藏状态上应用了一个加性注意力机制[26]。该组件学习每个区域的小时特定重要性权重。注意力公式如下:????,?=tanh(??????,?)(7),????,?=???????,?(8),????,?=exp(????,?)∑23?′=0exp(????,?′)(9)。其中??和??是可训练参数,????,?是未归一化的注意力分数,????,?是分配给第h小时区域i的归一化重要性。每个区域的加权上下文向量计算为????=∑?=0????,?????,?(10)。这个向量总结了整个白天该区域的空间时间移动性特征。最后,通过一个小型的多层感知器(MLP)将上下文向量映射到标量输出:score??=??(????)(11),其中??(·)表示最终的回归头。得到的标量分数??被解释为区域i的原始充电优先级信号,而24个注意力权重????,?提供了可解释的时间重要性分布。方程(6)-(11)端到端描述了时间和注意力组件。

为了补充图4,表4总结了实施中使用的块级架构配置。

### 优先级和场所权重提取

ST-GNN流程的最终阶段将模型输出转换为可以直接用于优化模型的规划变量。具体来说,对于每个UTAM区域i,网络生成一个标量原始分数score??和一个24小时注意力分布????,?。这些输出被转换为两个量:(i)一个归一化的空间优先级指数????,它捕捉了每个区域的相对重要性;以及(ii)场所特定权重???????,它以适合基础设施分配的形式总结了学习到的移动性信号的时间结构。

### 空间优先级归一化

为了使142个UTAM区域的分数具有可比性,原始输出分数??通过最小-最大归一化缩放到单位区间:????=score???min??2score??max??2score???min??2score??+??(12),其中?? >0是一个为数值稳定性引入的小常数。结果指数???? ∈[0,1]保留了区域的相对排序,并被解释为优化模型第一级中使用的基于移动性的充电优先级。

### 时间聚合到场所窗口

注意力系数????,?指示每个小时h对区域i最终优先级分数的相对贡献。为了将这些小时级信号与EVI-Pro Lite中使用的充电类别联系起来,24小时注意力分布被聚合到三个与典型充电机会相关的操作窗口:????,res=∑?∈{22,23,0,1,2,3,4,5}????,?(夜间/住宅),????,work=∑?=8????,?(白天/工作场所),????,pub=∑?=18????,?(晚上/公共)(15)。这些聚合量为每个区域提供了可解释的时间特征,并将学习到的注意力结构与场所特定的充电情境联系起来。

### 场所权重构建

由于聚合的窗口分数在场所类型上没有约束必须总和为一,因此需要对它们进行逐行归一化以获得凸组合:???????=???????∑??′∈?????????′,??={res,work,pub}(16)。因此,权重???????代表了在ST-GNN学习到的时间移动性模式条件下,场所类型v在区域i中的相对重要性。

### 训练程序

ST-GNN在整个UTAM图上进行端到端训练,使用由移动性派生的区域级目标????。模型使用Adam算法进行优化,学习率为10^-3,权重衰减为10^-4。训练最小化了每个区域的预测优先级分数和目标值之间的平均绝对误差(MAE):?=1|??|∑??∈??|score???????|(17)。因此,ST-GNN的训练目标完全由方程(17)指定。

训练过程运行1500个时代,并使用固定的随机种子以确保可重复性。由于模型是在整个UTAM图上估计的,并不是传统的样本外预测模型,其在本研究中的作用是学习稳定的时空移动性强度的潜在表示,这些表示可以转化为指向规划的充电优先级指标。

训练完成后,工作流程导出两个用于后续分析和优化的结果文件:(i)priority_utam_scores.csv,包含原始分数priority_score和归一化指数priority_norm;以及(ii)temporal_attention_by_utam.csv,包含每个UTAM区域的24小时注意力分布。这些输出随后用于推导出双层充电基础设施分配模型所需的场所权重和优先级目标。

### 符号总结

表5定义了优化公式中使用的主要符号和参数。

### 双层词典式优化模型

充电端口通过一个结合需求准确性和公平性改进的词典式双层优化模型分配到波哥大的UTAM区域。设I表示UTAM区域集合,|??| =142,V表示场所类型集合:??={res,work,pub}。决策变量是在区域?? ∈??为场所类型?? ∈??安装的充电端口整数数量:???????∈?+。该模型旨在依次解决两个规划目标。第一层保留了ST-GNN学习到的移动性派生的优先级结构,而第二层在不大幅偏离第一层解决方案的情况下改善了区域间的可访问性公平性。

### 硬性场所特定配额

使用EVI-Pro Lite估计的总体充电需求作为硬性约束。对于每个场所类型v,分配的端口总数必须等于外生配额????:∑??∈?????????=????????∈??(18)。这些约束确保优化在空间上重新分配充电基础设施,而不改变需求估计阶段确定的城市整体基础设施总量。

### 第一层:保留优先级的分配

ST-GNN为分配模型提供两个输入:一个归一化的区域级优先级分数???? ∈[0,1],以及一组场所特定的时间权重???????,其中∑??∈????????? =1对于每个区域i。使用这些量,为每个区域和场所定义了一个与优先级成比例的分配份额:???????=max(10^-6,????)??????????∑??∈??max(10^-6,????)??????????,???∈??,??∈??(19),其中??是一个控制优先级放大强度的调节参数。相应的目标端口数量为???????=????????????(20)。第一层优化最小化了整数分配???????与这些目标值之间的总绝对偏差:min(∑??∈??∑??∈??|???????????????|(21)。方程(19)和(20)定义了优先级成比例的目标,方程(21)定义了第一层的偏差度量。

为了获得线性混合整数公式,引入了辅助的非负变量??????? ≥0,使得???????≥???????????????,???????≥???????????????,???∈??,??∈??(22)。然后可以将第一层问题写为min(∑??∈??∑??∈?????????)(23)。方程(22)线性化了绝对偏差,方程(23)是解决的MILP目标。设??★表示这一第一层目标的最优值。

### 第二层:通过Hansen可访问性改进公平性

在获得最佳的保留优先级的分配后,第二层寻求减少区域间的可访问性不平等。对于每个需求区域i,定义Hansen类型的可访问性为????=∑??∈??????????∑??∈??exp(????????/????)???????(24),其中???????是区域i和j的质心之间的直线距离,????是场所特定的距离衰减参数。方程(24)遵循Hansen可访问性逻辑[44],捕捉到一个区域的充电基础设施也可能通过空间溢出使附近区域受益的事实,这种益处的大小随距离减小而减小。

通过最小化可访问性成对绝对差的总和来实现公平性:min(∑??
为了线性化目标,引入了辅助变量??????? ≥0,对于所有??
第二层的解决受到在层次1获得的优先级结构的近似最优性条件的约束。具体来说,总偏差从优先级成比例的目标受到∑??∈??∑??∈?????????≤(1+??)3??★的限制(28),其中?? >0是一个小的松弛参数。这个条件允许第二层为了可能的更大公平性改进而在优先级合规性上做出有限的牺牲。

在报告中实现的实施中,?? =0.05被设定,这将第二阶段的优先级降低限制在5%以内。这个值被选为一个政策可解释的折中方案:足够大以实现有意义的公平性收益,但又足够小以保持原始的优先级顺序作为主要信号。通过方程(28)执行耦合约束。

词典结构因此区分了两个政策相关的目标:首先,根据移动性派生的需求信号分配基础设施;其次,更公平地在区域间重新分配可访问性,同时保持与初始分配逻辑的接近。

模型使用Pyomo[64]实现,并使用开源MILP求解器解决,以CBC为主要求解器,GLPK作为备用。距离核是根据UTAM质心矩阵和场所特定的衰减参数计算得出的:??res=3km,??work=5km,??pub=2km。这些值反映了住宅、工作场所和公共充电机会的不同有效覆盖范围。解释为指数核时,它们对应于衰减距离的一半,即????3ln2:大约2.08公里(住宅)、3.47公里(工作场所)和1.39公里(公共)。较大的工作场所参数捕获了更长的常规通勤覆盖范围,而较短的公共参数代表了更局部的机会主义充电行为。模型的最终输出是整数分配矩阵(???????),它指定了分配给每个UTAM区域和场所类型的充电端口数量。图5总结了结果的双层优化结构,包括输入、决策层次和输出。

### 实现工作流程和可重复性

图6总结了端到端的工作流程。EM-2023、ANDEMOS和UTAM GIS数据在UTAM层进行清洗、合并和聚合。得到的GeoDataFrame既用于运行EVI-Pro Lite模拟(产生城市范围的充电配额),也用于训练时空GNN(产生充电优先级分数和场所特定权重)。这些输出用于驱动双层优化模型,该模型产生遵循优先级的分配(第一层),然后改善可访问性公平性(第二层)。所有代码都是使用开源库(GeoPandas、PyTorch、PyTorch Geometric、Pyomo)在Python中实现的。

### 结果和讨论

### ST-GNN训练和优先级提取结果

图7显示了训练损失随时代的演变。在优化的早期和中期阶段,MAE稳步下降,然后过渡到更平滑的收敛状态。尽管仍有轻微的波动,但整体轨迹表明模型从UTAM级别的移动性张量中学习了稳定的空间和时间规律性,而不是拟合一个嘈杂或不稳定的表示。由于独立的充电会话标签不可用,因此ST-GNN的输出验证是针对EM-2023观测到的移动性真实数据进行的,而不是针对观测到的充电需求。因此,使用了模式级的一致性检查:(i)与高观测到的起始地-目的地活动区域的空间一致性(方程(4);(ii)学习到的注意力峰值与观测到的高活动窗口之间的时间一致性;以及(iii)与更简单的移动性基线的比较。这应被解释为对移动性衍生优先级的结构验证,而不是对实际充电会话的直接验证。除了收敛性诊断之外,通过与同一EM-2023张量派生出的更简单参考模型的比较,还阐明了ST-GNN的作用:(i)仅基于汇总行程总数的直接移动性强度指数;(ii)使用全市范围内的场所共享的固定窗口时间启发式方法,而不需要UTAM特定的关注度。这些基线作为透明度检查是有用的,但它们无法同时表示UTAM图上的邻域传播和特定区域的小时权重。因此,ST-GNN不仅被用作行程强度的平滑器,还作为一种表示学习步骤,生成了两个相互关联的规划信号:一个空间优先级分数和异构场所权重。因此,该模型应被解释为一个面向规划的相对结构提取器,而不是一个黑盒需求预测器。在数据受限的情况下,这一区别非常重要:目标是从具有有限直接充电观测数据的调查数据中恢复可操作的时空模式,然后以可控和可解释的方式将这些模式传播到优化阶段。

训练完成后,该模型为每个UTAM区域输出两个结果:一个标量优先级分数和一个24小时的时间注意力剖面。注意力向量提供了小时级重要性的可解释表示,使我们能够检查移动性活动在多大程度上对学习到的充电优先级信号有最大贡献。图8报告了最高优先级UTAM区域的注意力剖面。在波哥大,最明显的峰值集中在傍晚和夜间时段,这表明学习到的信号与住宅区和一天结束时的居住机会密切相关。图8显示了五个最高优先级UTAM区域的每小时注意力剖面。学习到的24小时权重表明了移动性在多大程度上对充电优先级有贡献。UTAM620用标记显示出来,因为其剖面与UTAM600有较大的重叠。为了能够在研究区域进行空间比较,原始优先级分数通过最小-最大缩放进行了标准化,以获得指数???? ∈[0,1]。图9展示了最终的标准化UTAM优先级地图。空间模式明显不均匀:一小部分区域集中了最高的值,而城市的大部分区域仍然处于较低的范围内。这表明ST-GNN并不是推断出一个统一的需求表面,而是从观测到的时空移动性结构中识别出一个差异显著的充电优先级地理分布。图9显示了标准化后的UTAM充电优先级地图。图中包含了波哥大UTAM区域的标准化ST-GNN优先级分数分布(附有大致的公里刻度尺)。最高优先级的区域主要分布在波哥大的中部和北部,这与调查数据中捕获的移动性强度以及网络学习到的时间权重一致。这些标准化分数构成了后续优化阶段使用的主要需求侧信号,在那里它们在词典分配模型的第一层中得到保留,并受到控制性的放松。

3.2. 双层分配和公平性结果
词典优化将EVI-Pro配额精确地分配到不同类型的场所,共分配了7352个住宅端口、2739个工作场所端口和779个公共端口,全市范围内总计10,870个充电端口。第一层优化通过优先级比例目标保持了ST-GNN的优先级结构,而第二层则通过空间溢出来重新分配可达性,以减少Hansen可达性表面的不平等。最终分配在安装容量方面与学习到的优先级分数高度一致。如图10所示,????与总安装端口之间的Spearman等级相关性为?? =0.799(?? =9.99 ×10?33),表明优化后的分配继续反映了由移动性衍生的优先级排序。然而,优先级与Hansen可达性之间的相关性下降到?? =0.320(?? =1.04 ×10?4;图11),这揭示了第二阶段公平性调整的效果:可达性不再仅仅是优先级排名的简单反映,因为模型考虑了场所特定的距离衰减和区域间的溢出效应。这种相关性是基于所有场所类型的总安装端口计算的。不应将其解释为意味着各个场所类别的排名保持不变。由于住宅、工作场所和公共充电的配额量存在显著差异,场所特定的相关性可能会有所不同,尤其是对于像公共充电这样的稀疏类别。

最终的可达性分配虽然仍然不平等,但比原始端口分配更加分散。Hansen可达性的基尼系数为0.433,图12中的洛伦兹曲线显示,最低50%的区域占总可达性的0.204。表6总结了主要的定量结果。平均Hansen可达性达到296.630(95%置信区间为255.823–337.437),标准差为248.099,最低值为1.126。相比之下,总端口分配更加集中,基尼系数为0.733,表明可达性目标在一定程度上平滑了由设施物理集中引起的不平等。图12显示了双层分配下的Hansen可达性洛伦兹曲线。最低50%的区域占总可达性的0.204。表6总结了双层解决方案的主要指标(Hansen可达性、优先级对齐度和不确定性边际)。同时,较大的分散度(SD/mean =0.836)表明优化后仍然存在显著的不平等。这似乎反映了波哥大固有的核心-外围空间结构以及建模简化(固定场所配额、欧几里得阻抗和省略的网格/土地成本约束)。

这些结果的一个有用启示是,获得最高可达性的区域不一定就是获得最多的充电点的区域。在最终解决方案中,最大的安装总量集中在少数几个高优先级的UTAM区域,但最高的Hansen可达性是在受益于邻近设施累积溢出的中心位置区域实现的。这证实了第二阶段可达性目标将解决方案的空间意义从“充电点的位置”转变为“实际体验到的接入位置”。

主要统计量的不确定性边际如下:Spearman(????,端口)=0.799(95%置信区间:0.730–0.852;?? =9.99 ×10?33);Spearman(????,Hansen可达性)=0.320(95%置信区间:0.164–0.460;?? =1.04 ×10?4);平均Hansen可达性=296.630(95%置信区间为255.823–337)。

3.3. 空间分配模式
图13显示了按场所类型划分的最终分配空间分布。总端口地图显示,基础设施在北部-中心城市走廊和一系列高优先级区域的紧凑中心集群中高度集中。这种模式与学习到的ST-GNN优先级一致,但按场所类型的分解提供了额外的结构信息。住宅端口是分布最广的类别,工作场所端口更多地集中在高可达性和就业导向的区域,而公共端口则更加选择性分配,反映了较小的配额和优化模型引入的更精确的场所特定权重。

3.4. 综合讨论
提出的框架区分了电动汽车基础设施研究中经常混淆的两个规划目标:一是使充电能力与由移动性衍生的相对需求信号对齐,二是在尊重该信号后提高接入的领土公平性。词典结构明确了这一区分。在当前案例中,最终解决方案保持了学习到的优先级分数与安装充电能力之间的强单调关系,这通过????与总端口之间的Spearman相关性?? =0.799得到了反映。这证实了即使在第二阶段进行公平性调整后,第一层优化仍然有效保留了ST-GNN学习到的空间结构。同时,保持优先级并不等同于保持服务接入的相同排名。优先级与Hansen可达性之间的相关性降至?? =0.320,表明第二层优化改变了有效接入的地理分布。如果目标仅仅是遵循优先级比例目标,最终地图将在很大程度上再现ST-GNN输出的集中模式。一旦引入了可达性均衡,解决方案在地理上变得更加分散,因为每个安装的端口不仅对其所在区域有贡献,还通过距离衰减核对其周边区域也有贡献。因此,优化不仅决定了充电点的位置,还决定了如何重新分配可达性收益。

最终Hansen可达性的基尼系数为0.433,而总端口分配的基尼系数为0.733,表明物理基础设施比它所产生的可达性更加集中。这一差距证实了基于可达性的评估对公平性分析的重要性,因为位于中心的充电点可以改善多个相邻区域的接入情况,而这些溢出效应在简单的区域级端口计数中被忽略了。洛伦兹结果也是一致的:最低50%的区域占总Hansen可达性的0.204。尽管存在不平等,但可达性仍然比原始端口分配 weniger 集中,表明第二阶段的目标在一定程度上补偿了学习到的优先级中的两极分化。空间结果还揭示了集中与覆盖之间的有意义紧张关系。不成比例的端口分配给了一小部分高优先级的UTAM区域,特别是在北部-中心和城市中心结构中,这与ST-GNN信号和观测到的移动性强度一致。然而,场所特定的分解表明,模型并没有简化为纯粹基于核心的策略。住宅端口几乎遍布整个城市,而工作场所和公共端口则更具选择性且更加集中。这种模式在行为上是合理的,并表明时间注意力场所权重不仅仅是在分配配额,它们在最终分配中引入了行为上的差异化。

从方法论的角度来看,这些结果支持了在数据受限环境中结合基于调查的表示学习与考虑可达性的优化的价值。波哥大尚未拥有大规模的公开充电需求数据,这种限制通常会阻止规划者构建详细的需求表面。ST-GNN通过从起始地-目的地流量和一天中的时间结构中提取相对优先级模式来部分解决这一限制。然后,优化模型将这些学习到的优先级转化为在固定场所配额下的政策相关基础设施计划。这种流程对于那些没有详细电动汽车遥测数据但可以获取家庭出行调查和GIS图层的城市特别有用。此外,修订还加强了模型鲁棒性的解释,在两个层面上都得到了加强。在需求估计方面,第2.3节中的场景协议阐明了车队规模、BEV/PHEV组成和充电接入假设如何在空间分配之前调整场所配额。在优化方面,参数选择具有明确的政策解释性:??控制了允许的优先级精确度偏差,而????在可达性核中编码了场所特定的空间覆盖范围。这种分离有助于区分总基础设施需求的不确定性和重新分配中的规范性选择。同时,结果也强调了规划问题的规范性。如果更加强调第一层精度,将会产生与学习到的优先级更加集中的分配;而如果更加强调第二层可达性均衡,则会将接入更加分散到各个区域。因此,词典耦合中的放松参数具有明确的政策解释:它定义了为了获得更公平的可达性分配,允许偏离估计需求信号的多少程度。在实际规划中,这个参数可以通过利益相关者协商来确定,而不仅仅是基于技术调整。总体而言,研究结果表明,公平的电动汽车(EV)充电配置不应该被抽象地视为效率和公平之间的选择。相反,它应该被理解为在保持基于行为需求代理与重新分配城市网络中基础设施产生的可访问性之间的结构化权衡。这里开发的双层框架提供了一种透明的方式来形式化这种权衡,并产生出既符合流动性分析视角也符合公平性视角的分配结果。

3.5. 最小数据要求和可转移性
为了加强其他数据受限城市的可重复性声明,总结了一份实用的最小输入清单。至少,该框架需要以下要素:(i)带有质心/邻接关系的区域多边形层;(ii)按小时划分的家庭出行调查数据或等效的OD活动数据;(iii)城市级别的EV采用预测,至少包括BEV/PHEV的比例;(iv)关于不同场所充电access的具体假设。没有这四个要素,ST-GNN + EVI-Pro + 双层框架就无法一致地运行。

将这种方法转移到另一个城市可以分为五个步骤:(1)将分区数据和调查记录统一到通用的地理空间键中;(2)构建等效于UTAM的图/张量输入;(3)根据当地车队和充电访问条件校准EVI-Pro的假设;(4)训练ST-GNN以得出本地优先级和场所权重;(5)在本地选定的公平性和政策参数下解决词典式分配问题。这一序列明确了哪些组件是设计上可移植的,哪些需要重新校准。

4. 结论
本研究提出了一个用于资源受限城市中公平EV充电规划的可重复框架。该方法结合了ST-GNN优先级排序、EVI-Pro Lite需求估计以及词典式双层优化。应用于波哥大时,该框架保持了基于流动性的优先级结构(Spearman ?? =0.799, ?? <10?31),而在公平性调整后,优先级与可访问性之间的关系较弱(Spearman ?? =0.320, ?? =1.04 ×10?4)。总体而言,可访问性的公平性得到了改善(Hansen Gini系数 =0.433;最低50%人群的Lorenz份额 =0.204)。

主要的实际意义在于,规划者不需要在需求精确度和公平性之间作出纯粹定性的选择:这种权衡可以被明确化、参数化并且可审计。这对拉丁美洲城市尤其重要,因为这些城市虽然有家庭调查数据,但公开的充电微观数据仍然有限。在解释这些发现时,应考虑几个限制因素:优先级信号仍然是基于流动性的代理指标,而不是实际观察到的充电会话;基础设施部署被建模为静态的一步决策;使用欧几里得阻抗代替网络旅行时间;并且没有明确建模实施约束,如电网容量、土地可用性、分区和安装成本等。因此,未来的工作应优先考虑多期部署、基于网络的阻抗校准以及可行性约束和社会脆弱性指标的整合。

补充材料
处理后的数据集、训练好的模型权重、优化代码和图表生成脚本都存储在一个公开的GitHub仓库中(项目仓库:https://github.com/jorgeiv500/bogota-ev-charging-gnn-bilevel,访问日期为2026年4月9日)。受隐私保护的原始家庭出行调查数据不能公开共享,但可以为研究目的向波哥大的地区交通秘书处(西班牙语:Secretaría Distrital de Movilidad)申请获取。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号