Para el problema de predicción de la carga de carga de vehículos eléctricos urbanos bajo la influencia de múltiples factores, se propuso un modelo de fusión de redes de convolución gráfica espaciotemporal y atención multicanal (STGC-SENet). Este modelo construye un módulo de extracción de segmentos temporales periódicos para obtener características periódicas a corto plazo, diarias y semanales, realiza modelado sincrónico de dependencias temporales y correlación topológica espacial mediante convolución gráfica espaciotemporal, introduce una capa de atención de canal SE para recalibrar los canales de características multifactoriales y reforzar dinámicamente las características clave. Los experimentos basados en datos reales muestran que el error absoluto medio de STGC-SENet disminuyó en 3.36, 0.56 y 1.10 respectivamente en comparación con modelos base como LSTM, MSTGCN y ASTGCN. En cuanto a la sensibilidad a los factores, la inclusión del factor periódico diario mejoró más significativamente la predicción en comparación con segmentos temporales recientes y semanales. Bajo la entrada histórica de carga de carga, la incorporación del número de estaciones de carga y el precio de la electricidad en tiempo real logró la mejor predicción, con una reducción del error absoluto medio general a 5.08, mientras que la incorporación del número de estaciones y factores meteorológicos no produjo una mejora significativa en el rendimiento de la predicción.

vehículos eléctricos;carga de carga;fusión de múltiples factores;correlación espaciotemporal;red de convolución gráfica;atención multicanal