Предложена модель слияния пространственно-временной графовой свёртки и многоканальной сети внимания (STGC-SENet) для задачи прогнозирования нагрузки на зарядку электромобилей в городах под воздействием множества факторов. Модель включает модуль извлечения периодических временных сегментов для получения периодических признаков в масштабах ближайшего времени, дня и недели, реализует синхронное моделирование временной зависимости и пространственно-топологической связи с помощью пространственно-временной графовой свёртки, вводит SE-слой каналов внимания для перенастройки многоканальных признаков и динамического усиления ключевых признаков. Эксперименты на реальных данных показали, что средняя абсолютная ошибка модели STGC-SENet уменьшилась на 3.36, 0.56 и 1.10 по сравнению с базовыми моделями LSTM, MSTGCN и ASTGCN соответственно. По чувствительности к факторам добавление дневного периодического фактора оказало наиболее значительное улучшение прогноза по сравнению с недавними и недельными сегментами. При вводе исторической нагрузки на зарядку наилучшие результаты прогнозирования достигаются с учётом занятости зарядных столбов и текущей цены на электроэнергию, общий средний абсолютный прогноз ошибки снизился до 5.08, тогда как добавление количества зарядных столбов и метеоусловий не приносит заметного улучшения.

электромобили;нагрузка зарядки;интеграция факторов;пространственно-временные связи;графовая свёрточная сеть;многоканальное внимание