Система рекомендаций зарядных станций для электромобилей на основе графовых нейронных сетей и контекстно-ориентированной доработки

Почему важна более умная зарядка

По мере того как электромобили становятся все более распространёнными, поиск удобного места для подключения превращается для многих водителей в ежедневную проблему. Города спешат установить больше зарядных устройств, но многие станции остаются недозанятыми, а водители жалуются на долгие объезды, медленные зарядки или неисправное оборудование. В этом исследовании рассматривается простой, но насущный вопрос: как рекомендовать «правильную» зарядную станцию каждому водителю — близкую, совместимую с его автомобилем и привычками и реально доступную — используя те данные, которые города в действительности сегодня могут собирать?

От разбросанных розеток к более умной сети

Авторы исходят из головоломки, наблюдаемой во многих странах: даже если на бумаге количество зарядок кажется достаточным, водителям всё равно трудно найти удобные места. Станции не всегда расположены там, где находятся машины, многие из них медленные, а некоторые доступны только определённым пользователям. Предыдущие исследования предлагали, где строить новые станции или как прокладывать маршрут с учётом сложных данных в реальном времени, но такие подходы часто зависят от специализированной инфраструктуры, которой у большинства городов нет. Эта работа стремится к более практичной системе рекомендаций, которая может работать на широко доступной информации и при этом давать персонализированные предложения для отдельных водителей.

Обучение компьютера привычкам водителей

В основе системы лежит рекомендательный механизм на графовой основе. В этой схеме каждый водитель и каждая зарядная станция — это узел в сети, а связь проводится, когда водитель использует эту станцию. Класс моделей, известных как графовые нейронные сети, анализирует эту паутину связей, чтобы выявлять закономерности — например, какие группы водителей склонны выбирать похожие станции — и использовать эти закономерности для формирования ранжированного списка перспективных станций для каждого водителя. Поскольку реальные записи о зарядках, привязанные к отдельным лицам, трудно получить по причинам конфиденциальности, команда создала подробный симулятор, моделирующий поведение водителей в столичном регионе Сеула, используя реальные статистические данные о регистрации автомобилей, паттернах поездок, местоположениях зарядных устройств и соотношении быстрых и медленных зарядок. Эти синтетические, но тщательно верифицированные данные позволяют тестировать идеи, не раскрывая чьих-либо персональных историй.

Добавление здравого смысла: расстояние и скорость

Сам по себе графовый модель может предлагать станции, которые статистически выглядят привлекательно, но на практике неудобны — слишком далеко от текущего района водителя или предлагают неподходящую скорость зарядки. Вместо того чтобы перестраивать модель каждый раз при изменениях в городе, авторы добавляют отдельный этап «контекстно-ориентированной доработки», который перестраивает ранжированный список после работы графа. Этот дополнительный модуль отдаёт предпочтение станциям, которые одновременно географически близки и соответствуют предпочтению водителя по быстрой или медленной зарядке. Чтобы реалистично учесть расстояние, команда группирует станции по широте и долготе, объединяя локации, действительно находящиеся рядом, даже если они находятся по разные стороны административной границы. Тесты показывают, что такое кластеризование по географии работает гораздо лучше, чем простые почтовые коды, при выявлении действительно близких станций.

Проверка подхода на практике

Используя сотни тысяч смоделированных взаимодействий водитель—станция и более тридцати тысяч реальных зарядных точек по всей территории Сеульской агломерации, исследователи сравнили несколько современных графовых моделей и затем измерили, насколько улучшали результаты их контекстно-ориентированные доработки. Они обнаружили, что учёт только скорости зарядки давал лишь скромный эффект. Одного только местоположения было больше пользы, особенно когда оно опиралось на новые пространственные кластеры. Но наибольший выигрыш давало сочетание обоих аспектов контекста — где скорее всего находится водитель и какой тип зарядки он предпочитает. В некоторых конфигурациях полнота (recall) правильной станции среди топ-20 предложений улучшалась более чем наполовину по сравнению с использованием только графовой модели, при этом добавлялось лишь около 10–12 процентов дополнительного времени вычислений.

Что это означает для обычных водителей

Для неспециалистов главный вывод таков: более разумное использование уже имеющихся данных может сделать зарядку электромобилей гораздо менее игрой в удачу. Сначала изучая общие паттерны использования станций, а затем быстро перестраивая предложения на основе простых, понятных человеку факторов — расстояния и скорости зарядки — такая система может направлять водителей к практичным вариантам без необходимости постоянного переобучения или интенсивного отслеживания в реальном времени. Хотя текущее исследование сфокусировано на статическом снимке условий и использует смоделированных водителей, та же архитектура может подключать данные в реальном времени о сбоях, очередях или ценах, непрерывно обновляя рекомендации при сохранении конфиденциальности. Короче говоря, работа указывает путь к приложениям для электромобилей, которые больше похожи на полезного помощника, а не на карту разбросанных меток.

Цитирование: Seo, D., Moon, J. & Kwon, HY. Electric vehicle charging station recommendation system based on graph neural network and context-aware refinement. Sci Rep 16, 11284 (2026). https://doi.org/10.1038/s41598-026-41271-2

Ключевые слова: зарядка электромобилей, система рекомендаций, графовые нейронные сети, сервисы на основе местоположения, инфраструктура умного города