《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》:An explainable prediction framework for electric-taxi charging demand: Evidence from Shanghai, China
编辑推荐:
可解释扩散图神经网络XAI-DiffNet通过多语义小世界图融合地理 adjacency、功能相似性、出行流及历史充电关联,分离短程局部扩散与长程全局扩散,结合多尺度解释器量化时空贡献,在上海20,000辆电出租车数据上使预测误差降低18%。研究表明时间动态主导预测贡献,高需求集群和交通枢纽具有系统性影响。
作者:施同同、涂美婷、李叶、多米尼克·格鲁耶
教育部直属同济大学道路与交通工程重点实验室,中国上海曹安路4800号,201804
摘要
实现城市共享出行的电气化需要准确的、可解释的充电需求预测,以支持可持续的交通和能源管理。现有模型依赖于简化的空间假设,缺乏可解释性。本研究开发了一种可解释的扩散图神经网络(XAI-DiffNet)用于城市充电系统。该模型构建了一个多语义的小世界图,整合了地理邻近性、功能相似性、出行流量和历史充电相关性,并应用多尺度解释器来量化时空贡献。利用上海20,000辆电动出租车的数据,当启用基于解释的噪声过滤时,该模型的预测误差最多可降低18%。结果表明,时间动态对预测的贡献大于空间结构,高需求集群和主要交通枢纽集中了结构影响力。这些发现有助于协调充电调度和城市能源网格的针对性基础设施规划。
引言
向电动汽车(EVs)的转型推动了可持续的城市出行(Cui等人,2025年)。电动出租车(ETs)以其高使用率和集中式车队管理而成为城市EV活动的重要组成部分。它们的密集服务模式将充电需求集中在特定区域和时间段,导致局部负荷峰值(Cai等人,2023年)。准确预测这些需求有助于电网调度、站点安排和车队路线的运营决策(Shang等人,2025b;Zhang等人,2020年;Zhang等人,2025b)。即使预测准确性的适度提高也能降低变压器过载风险,改善日前电力市场的竞价策略(Cai等人,2024年),并减少车辆排队和空驶现象(Bhat等人,2025年)。因此,可靠的时空预测ET充电需求是协调能源管理和基础设施运营的基础(Zhang等人,2023年)。
城市充电需求反映了出行流量、土地利用结构和网络可达性(Zhang等人,2024c)。当需求在相邻站点之间转移或由于功能联系导致远距离地区同步激增时,会出现空间相关性(Song和Hu,2026年)。一种常见的建模策略是将城市划分为网格,并应用卷积神经网络(CNNs)来捕捉空间交互(Li等人,2025年)。基于网格的CNNs假设规则的欧几里得结构,强调局部邻近性,这限制了它们表示不规则充电基础设施和由出行驱动的非局部依赖性的能力(Kuang等人,2024年;Shang等人,2025a)。图神经网络(GNNs)通过建模非欧几里得空间关系解决了这一问题。结合循环模块,GNNs能够捕捉联合的时空依赖性(Kuang等人,2024年;Wang等人,2023a)。现有的GNNs使用基于距离的邻接矩阵、功能相似性或需求相关性来构建空间图(Batic等人,2025年;Kim和Kim,2024年)。
尽管取得了这些进展,但仍存在两个局限性。首先,大多数基于GNN的模型主要依赖于基于邻近性的邻接性,假设空间相似性随距离衰减。城市系统表现出由通勤流量、土地利用互补性和社会经济互动驱动的非局部相关性(Kuang等人,2024年;Song和Hu,2026年)。实证研究表明,基础设施和出行网络通常表现出小世界特征,即密集的局部聚类通过长距离捷径相连(Ma等人,2011年;Neal,2018年;Shang等人,2025a)。尽管提出了结合需求相似性的异构图构建方法(Wang等人,2023a),但这些设计通常将多种关系汇总到一个图中,而没有区分局部和长距离效应。因此,地理扩散和语义捷径的不同作用仍然相互交织,限制了在旅行条件变化下的结构可解释性和鲁棒性(Kuang等人,2024年)。
其次,基于GNN的预测模型提供的透明度有限(Yuan等人,2022年)。交通规划不仅需要准确的预测,还需要理解其结构驱动因素。目前尚不清楚哪些空间边、时间滞后或区域集群主导了预测的激增,预测对邻里扰动的敏感性如何,以及哪些节点对整个网络的准确性有不成比例的影响。解决这些问题需要在多个尺度上进行可解释性分析,从单个特征到子图结构和系统级依赖性。
鉴于这些研究空白,我们提出了一个基于GNN的新型学习框架,用于城市规模的ET充电需求预测,该框架将高精度预测与多尺度可解释性有机结合(如图1所示)。在这里,充电需求被定义为每个城市行政区在每个时间间隔内ETs消耗的总充电能量(千瓦时)。该框架的目标有两个:a)捕捉驱动城市充电需求的复杂多尺度时空动态;b)提供与城市语义和决策需求相一致的可操作、可解释的见解。本研究的主要贡献如下:
(1)我们提出了基于可解释人工智能的扩散图神经网络(XAI-DiffNet),它结合了双通道扩散图循环网络(DC-DGRN)和集成的解释生成器。DC-DGRN将空间传播分为两条平行路径:一条用于紧凑社区内的短距离局部扩散,另一条用于由出行流量和社会经济互动驱动的长距离全局扩散。
(2)我们设计了一种受小世界拓扑启发的多语义融合算法。该算法整合了异构关系图,包括物理邻近性、地理距离、功能相似性、出行流量和历史需求相关性。两种稀疏化策略选择性地保留长距离跨区域边,同时保持局部聚类,从而能够明确建模密集社区和非局部捷径。
(3)我们开发了一个多尺度解释生成器,通过扰动时间特征、空间边和区域子图来量化它们对预测准确性的贡献。在微观层面上,通过反向传播优化可学习的扰动掩码,以最小化扰动输入上的预测误差,高保真地识别关键时空特征。在介观层面上,融合图通过选择性地扰动邻居特征来评估节点的预测性能如何依赖于其k跳邻居,从而量化局部子图结构及其对空间扰动的韧性。在宏观层面上,对整个社区簇的扰动评估了系统影响,识别出对其可靠性对整个网络准确性有显著影响的关键枢纽。
(4)在上海20,000辆ET的数据集上的实验表明,XAI-DiffNet在预测准确性方面优于所有基线模型,而其解释生成器作为学习到的噪声过滤器,可将误差降低1%–18%。多尺度分析得出三个发现:(i) 在微观层面上,最近的时间步骤主导短期预测,而在更长的时间范围内,早期步骤变得重要;(ii) 在介观层面上,当屏蔽邻居特征时,边缘节点的鲁棒性增强,而中间环簇在局部屏蔽下误差增加了多达40%,暴露了它们对小世界干扰的脆弱性;(iii) 在宏观层面上,高需求区域和主要交通枢纽成为系统瓶颈,其可靠性对整个网络的准确性有不成比例的影响。
本文的其余部分结构如下:第2节回顾了城市需求预测和GNN可解释性。第3节详细介绍了所提出的方法。第4节展示了实验结果。第5节总结了研究。
章节摘录
文献综述
本节分为四个部分。第2.1节正式定义了充电需求并明确了其多尺度问题表述。第2.2节回顾了用于充电需求预测的主要方法论范式。第2.3节考察了现有的基于图的预测模型解释方法。第2.4节进行了讨论。
方法论
本节描述了所提出的XAI-DiffNet框架(图3)。第3.1节定义了预测任务和符号。第3.2节构建了多语义融合小世界网络。第3.3节介绍了DC-DGRN架构。第3.4节介绍了多尺度解释生成器。缩写列表(表B.1)和关键符号(表B.2–B.2)见附录B。
数据集
我们在来自中国上海的高分辨率ET充电需求数据集上验证了所提出的框架。上海是一个拥有广泛充电基础设施的密集大都市区(图5a)。该数据集来源于2023年9月大约20,000辆ET的轨迹记录,覆盖了224个行政区(乡镇和街道)。记录包括车辆行驶/充电状态、电量变化和电池容量。我们汇总了原始数据
政策建议
基于上海的实证分析结果,提出了一系列有针对性的政策建议,以改善充电基础设施规划、运营调度和电网协调。
(1) 将可解释的多语义预测整合到充电网络管理中。在实际操作中,电网调度员和车队管理者往往由于容量分配不当的高风险而犹豫采用“黑箱”模型进行多兆瓦负载管理。
CRediT作者贡献声明
施同同:撰写——原始草案、方法论、形式分析、概念化。涂美婷:撰写——审稿与编辑、方法论、资金获取、数据整理、概念化。李叶:撰写——审稿与编辑、监督、资源协调。多米尼克·格鲁耶:撰写——审稿与编辑、监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。