MTML-EV：面向跨区域城市电动汽车充电基础设施管理的多目标元学习

《Sustainable Cities and Society》：MTML-EV: Multi-target meta-learning for cross-zone urban electric vehicle charging infrastructure management

　　

摘要
电动汽车（EV）的迅速普及正在重塑城市流动性和能源系统，加剧了充电基础设施管理的挑战，包括拥堵、空间需求不均和电网压力。应对这些挑战需要在近实时运营和短期规划视野内，对多个充电系统状态进行可靠预测，特别是针对历史数据有限的新部署或演变区域。现有的城市电动汽车充电预测方法通常侧重于单个充电系统变量，且对以往未见区域的适应能力有限。为了解决这一局限性，本文提出了 MTML-EV，一种多目标元学习框架，该框架联合预测 1 小时、6 小时和 12 小时预测视野内的充电占用率、能源需求和电价。MTML-EV 将每个交通区域制定为一个学习任务，并利用基于一阶模型无关元学习（FOMAML）优化的基于 BiGRU 的时间编码器，学习可迁移的时间表示，从而实现对以往未见区域的快速适应。在 UrbanEV 基准上的广泛实验评估了 MTML-EV 在多个预测视野和未见区域适应场景下的表现，并与深度学习、混合及基于 Transformer 的基线模型进行了对比。对于未见区域的提前 1 小时预测，与最强的 Transformer 基线相比，MTML-EV 将能源需求的均方根误差（RMSE）降低了 7.5%，将电价降低了 59%，同时保持了高精度的占用率预测。跨多个未见区域划分的额外鲁棒性分析表明，这些性能提升在变化的区域配置下保持稳定，而可解释性分析证实该模型依赖于有意义的时间、充电相关和上下文因素。总体而言，结果证明了 MTML-EV 在异构城市条件下进行多目标跨区域预测的有效性，突出了可迁移时间表示对于自适应电动汽车充电基础设施管理的价值。

引言
过去十年中，全球电动汽车（EV）采用的加速已成为可持续城市发展策略的核心支柱。最近的国际评估报告指出，电动汽车销售和充电基础设施部署在多元市场中持续增长，这加强了城市基于证据的规划和运营智能的紧迫性（国际能源署 (IEA), 2025, Muratori 等, 2021）。虽然电气化提供了明确的环境和社会效益，但也带来了新的运营挑战，包括充电拥堵、空间需求分布不均以及城市能源系统压力增加（Muratori 等, 2021, Waqar 等, 2026）。因此，准确预测多个预测视野内的城市电动汽车充电系统状态的能力已成为可持续城市的关键推动力，支持智能充电服务、高效基础设施规划和韧性城市能源管理（Hussain 等, 2021, Yaghoubi 等, 2024）。

为应对这些挑战，越来越多的研究侧重于使用数据驱动方法进行城市电动汽车充电预测。最近的研究探讨了机器学习和深度学习技术，以在站点、区域和城市规模上建模时间充电模式（Wang, Zhuge 等, 2023, Waqar 等, 2025）。包括循环网络和基于 Transformer 的模型在内的先进神经架构，在捕捉非线性动态和时间依赖性方面表现出强劲性能（Waqar 等, 2026, Wu 等, 2022）。与此同时，结合图结构的时空方法日益突出，利用空间相邻性、交通区域和充电网络拓扑来提高城市环境中的预测准确性（Kim 和 Kim, 2024, Wang 等, 2023）。这些发展近年来显著推进了城市电动汽车充电预测。然而，实际的基础设施管理不仅需要可靠的下一小时预测，还需要跨短期规划视野（例如提前几小时到 12 小时）的预测，以支持拥堵缓解、人员配置和电网感知运营决策。

尽管取得了这些进展，大多数现有研究仍集中于预测单个充电相关变量，通常是充电负荷或能耗。然而，实际的城市电动汽车充电基础设施管理本质上是多维的。充电占用率反映了基础设施的可用性和拥堵情况，充电能源主导着电网负荷和峰值压力，而电价代表了一种随时间变化的经济信号，可以影响充电行为和运营规划。独立建模这些变量可能导致不一致或次优的决策（Kuang, Zhang 等, 2024, Liu 等, 2021）。尽管最近的研究探索了自适应和多任务预测方法，但许多现有方法仍侧重于单目标预测或空间依赖建模，而没有明确解决在历史数据有限的情况下对以往未见城市区域的快速适应。这些局限性促使开发了一种自适应多目标元学习框架，能够在异构城市充电条件下实现稳健的跨区域泛化。

由于土地使用、人口密度、出行行为和充电基础设施可用性的差异，城市电动汽车充电基础设施的使用在不同交通区域表现出显著的异质性。在实践中，城市不断扩展充电网络，引入历史观察有限或不可用的新城市区域。传统深度学习模型假设训练和部署环境共享相似的数据分布，往往无法有效泛化到这些未见区域（Waqar 等, 2026, Yaghoubi 等, 2024）。这一局限性对可持续城市尤为关键，因为在不同社区间公平和高效地管理充电基础设施至关重要，且不准确的预测会加剧拥堵和资源失衡。此外，实时运营和短期规划都需要多视野预测。

元学习作为一种有前景的范式，通过使模型能够在相关任务中学习可迁移表示，从而应对数据稀缺和分布偏移。最近的调查和方法论研究表明，元学习可以显著提高时空预测问题中的数据效率和适应性（Hospedales 等, 2021）。在电动汽车充电领域，元学习和联邦元学习的早期应用已显示出在具有偏差或孤立数据的区域或充电站之间适应预测器的潜力（Chen 等, 2024, You, Chen 等, 2024）。然而，大多数现有方法仍强调单输出预测（例如仅占用率或仅总需求），并未明确解决在历史数据有限的情况下对以往未见城市区域的快速适应。这促使需要一个统一的多目标元学习框架，能够联合建模运营、需求相关和经济充电状态，同时为动态城市电动汽车充电系统实现稳健的少样本适应和跨区域泛化。

尽管多任务学习和元学习推进了城市电动汽车充电预测，但对于实际的充电基础设施管理，仍有一些挑战存在。首先，现有的多目标充电模型通常作为全局预测器进行训练，没有明确解决对以往未见城市区域的泛化问题，限制了其在动态城市环境中的应用（Shang 等, 2025）。其次，用于电动汽车充电预测的基于元学习的方法主要侧重于单个输出，如充电占用率或总需求，尽管城市充电系统本质上是多维的，其中占用率、能源需求和电价共同影响运营决策（Chen 等, 2024, You, Chen 等, 2024）。第三，许多研究依赖于随机或基于时间的评估协议，这可能会通过让模型在训练期间接触到共享的区域模式来高估性能，而不是评估对历史数据有限的完全未见区域的适应。因此，在联合预测运营、需求相关和经济充电状态的同时，实现对以往未见交通区域的稳健少样本适应和多视野泛化，仍然 largely 未得到探索。

为了解决上述挑战，本研究提出了 MTML-EV，一种用于跨区域分布偏移下城市电动汽车充电基础设施管理的多目标元学习框架。主要贡献总结如下：
•我们提出了 MTML-EV，一个统一的多目标 FOMAML（一阶模型无关元学习）框架，该框架采用轻量级的基于 BiGRU 的时间编码器来学习可迁移的时间表示，并支持跨异构交通区域的快速少样本适应。
•我们在统一框架内联合预测三个关键充电系统状态（占用率、能源需求和电价），为实现充电基础设施运营和规划的跨视野（1 小时、6 小时和 12 小时）一致预测提供了可能。
•我们将每个交通区域制定为单独的学习任务，并设计了一种区域级元学习协议，明确评估对历史观察有限的以往未见区域的适应和泛化。
•我们在统一的元学习设置下，针对多样化的深度学习、混合和基于 Transformer 的预测主干进行了广泛的基准测试，辅以鲁棒性、统计显著性和可解释性分析，以全面评估模型的性能和可靠性。
•我们通过支持可用性规划、拥堵感知管理和电网感知运营决策，证明了多目标元学习在城市电动汽车充电基础设施管理中的实用价值。

本文的其余部分组织如下。第 2 节回顾了城市电动汽车充电预测、迁移学习（TL）和元学习的相关工作。第 3 节介绍了 UrbanEV 数据集、问题形式化以及提出的 MTML-EV 框架，包括基于 BiGRU 的基础学习器和 FOMAML 优化策略。第 4 节描述了实验设置并报告了结果，包括多视野预测性能、基线对比、消融研究、少样本适应分析、鲁棒性评估、统计验证和可解释性分析。第 5 节讨论了实际意义、压力测试和可扩展性考虑、局限性以及未来研究方向。最后，第 6 节总结了本文，附录总结了研究中使用的缩写。

部分片段
元学习与自适应电动汽车充电预测
最近的研究越来越多地采用元学习来解决城市电动汽车充电预测中的分布偏移、数据稀缺和快速适应问题。异步联邦元学习已应用于孤立和偏差数据分布下的充电站占用率预测（Chen 等, 2024），而 FMGCN (You, Chen 等, 2024) 结合时空图学习与联邦元学习，以改善跨异构区域的区域充电需求预测

问题形式化与基于区域的子任务
本研究基于 UrbanEV 数据集，这是中国深圳用于电动汽车充电分析和预测的大规模城市基准（Li 等, 2025）。UrbanEV 包含 2022 年 9 月至 2023 年 2 月期间收集的 1682 个公共充电站和 24,798 个充电桩的记录，分辨率为 5 分钟。我们直接利用原始 UrbanEV 研究提供的处理后的每小时区域级基准数据集，其中进行了数据清洗、缺失值插补、异常值处理和时间...

实验设置与评估指标
所有实验均在统一设置下进行，以确保在不同预测视野下对 MTML-EV 进行公平评估。所提出的框架在 1 小时、6 小时和 12 小时提前预测方面进行了评估。模型架构、元学习配置和训练协议在所有实验中保持不变，仅改变预测视野以评估不同时间尺度下的预测性能。所有实验使用的硬件和软件环境为

主要发现
实验结果表明，所提出的多目标元学习框架在异构区域条件下实现了城市电动汽车充电基础设施管理的强劲且一致的性能。在所有评估设置中，基于 FOMAML 的方法配合基于 BiGRU 的时间编码器始终优于深度学习、混合和基于 Transformer 的基线，特别是在以往未见交通区域进行预测时。对于提前 1 小时的预测，它将均方根误差（RMSE）降低了

结论
本文提出了 MTML-EV，一种用于跨区域分布偏移下城市电动汽车充电基础设施管理的多目标元学习框架。该框架在 1 小时、6 小时和 12 小时视野内联合预测充电占用率、能源需求和电价，支持近实时运营和短期规划。通过将每个交通区域制定为学习任务，MTML-EV 能够使用有限的...对以往未见区域实现快速适应。

CRediT 作者贡献声明
Muhammad Waqar：写作 – 审查与编辑，写作 – 初稿，可视化，验证，软件，方法论，调查，数据管理，概念化。Yong-Woon Kim：验证，监督，资源，调查，形式分析，数据管理，概念化。Yung-Cheol Byun：监督，资源，项目管理，方法论，资金获取，形式分析，概念化。

关于在写作过程中使用生成式 AI 和 AI 辅助技术的声明
在准备本手稿期间，作者利用 ChatGPT 和 Perplexity 作为语言模型工具，协助起草和润色文本。使用这些工具后，作者根据需要审查和编辑了内容，并对出版物的内容承担全部责任。

资助声明
本研究通过济州 ANCHOR 中心获得 ANCHOR 计划支持，该计划由韩国教育部 (MOE) 和韩国济州特别自治道资助（2026-ANCHOR-17-001），本研究还获得了韩国政府 (MSIT) 资助的韩国国立研究基金会 (NRF) 赠款（RS-2026-25470261）。

利益冲突声明
作者声明，他们没有已知的竞争财务利益或个人关系可能影响本报告中工作的出现。

Muhammad Waqar|Yong-Woon Kim|Yung-Cheol Byun
电子工程系，信息技术学院，济州国立大学，韩国济州市，63243