Pour le problème de prédiction de la charge de recharge des véhicules électriques urbains sous l'influence de multiples facteurs, un modèle fusionnant la convolution de graphes spatio-temporels et un réseau d'attention multi-canaux (STGC-SENet) est proposé. Ce modèle construit un module d'extraction de segments temporels périodiques pour capturer les caractéristiques cycliques à court terme, jour et semaine, réalise une modélisation synchronisée des dépendances temporelles et des liens topologiques spatiaux via la convolution de graphes spatio-temporels, introduit une couche d'attention de canal SE pour recalibrer les canaux de caractéristiques multifactoriels et renforce dynamiquement les caractéristiques clés. Les expériences basées sur des données réelles montrent que l'erreur absolue moyenne de STGC-SENet diminue respectivement de 3,36, 0,56 et 1,10 par rapport aux modèles de référence LSTM, MSTGCN et ASTGCN. En termes de sensibilité aux facteurs, l'ajout du facteur cyclique journalier améliore le plus significativement la prédiction par rapport aux segments temporels récents et hebdomadaires. Avec les entrées historiques de charge de recharge, l'intégration du nombre de bornes de recharge et du prix de l'électricité en temps réel permet d'obtenir la meilleure prédiction, l'erreur absolue moyenne globale tombant à 5,08, tandis que l'intégration du nombre de bornes et des facteurs météorologiques n'apporte pas d'amélioration significative.

véhicules électriques;charge de recharge;fusion de facteurs multiples;corrélation spatio-temporelle;réseau de convolution de graphes;attention multi-canaux