Climate-resilient electric vehicle charging infrastructure for sustainable cities: An interpretable causal-ensemble framework for preventive maintenance and low-carbon mobility

📄 arXiv: 2607.21444v1 📥 PDF

作者: Cande Lian, Wentao Zeng, Jiabin Wu, Yiming Bie, Wei Zhou

分类: math.OC, cs.LG

发布日期: 2026-07-23

💡 一句话要点

提出FGDSE框架以提升电动车充电基础设施的气候韧性

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 电动车充电 气候韧性 故障风险预测 预防性维护 动态堆叠集成 可持续城市 低碳出行

📋 核心要点

  1. 现有电动车充电基础设施的维护主要依赖于反应性修复，难以应对气候变化带来的故障风险。
  2. 本文提出FGDSE框架，通过特征驱动的动态堆叠集成方法，实现对故障风险的前瞻性预测，支持预防性维护。
  3. 在25个月的13个充电站数据上，FGDSE超越了12个基线模型，30天的宏观召回率达85%，并揭示了气候压力对故障风险的影响。

📝 摘要（中文）

可靠的电动车充电基础设施是可持续低碳城市的基石，但城市气候压力如极端高温和强降水增加了设备故障风险，削弱了城市能源和出行服务的韧性。本文开发了FGDSE，一个特征驱动的动态堆叠集成框架，旨在通过准确的故障风险预测实现从反应性修复到预防性维护的转变。FGDSE将异构信号划分为四个特征家族，并为每个家族分配相应的领域专家，同时引入深度时间专家以处理短期脉冲和长期退化。实验结果表明，FGDSE在30天的预测中实现了约85%的宏观召回率，且在故障历史与气候压力的影响中，极端高温的因果效应随着时间的推移而增强。

🔬 方法详解

问题定义：本文旨在解决电动车充电基础设施在气候变化背景下的故障风险预测问题。现有方法多依赖历史数据，难以有效应对气候变化带来的多样性和复杂性。

核心思路：FGDSE框架通过将异构信号划分为四个特征家族，并为每个家族分配领域专家，结合深度学习技术，提升故障风险预测的准确性和可解释性。

技术框架：FGDSE整体架构包括信号特征划分、领域专家分配、深度时间专家引入和自适应权重学习四个主要模块。每个模块协同工作，以实现对故障风险的动态预测。

关键创新：FGDSE的核心创新在于其特征驱动的动态堆叠集成方法，能够有效整合多种信号特征，并通过自适应机制优化预测结果，与传统方法相比具有更高的准确性和可解释性。

关键设计：FGDSE采用了SHAP归因和X-learner技术，扩展了概率输出至因果决策支持，关键参数设置包括特征家族的划分标准和深度学习模型的结构设计，确保模型在多时间尺度上的有效性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

FGDSE在30天的预测中实现了约85%的宏观召回率，AUC衰减仅为3.2点，超越了12个基线模型，且揭示了气候压力对故障风险的显著影响，特别是极端高温的因果效应随时间增强。

🎯 应用场景

该研究的潜在应用领域包括城市电动车充电基础设施的管理与维护、智能城市建设以及气候适应性政策制定。通过提升充电设施的气候韧性，能够有效支持低碳出行，促进可持续城市发展。

📄 摘要（原文）

Reliable electric vehicle (EV) charging infrastructure is a cornerstone of sustainable, low-carbon cities, yet urban climate stress such as extreme heat, heavy precipitation, and humidity increasingly raises equipment fault risk and undermines the resilience of urban energy and mobility services. Shifting operation from reactive repair to preventive maintenance depends on accurate, forward-looking fault-risk prediction, a task complicated by the heterogeneous time scales of physical, behavioral, contextual, and historical signals and by forecasting over a multi-week horizon. We develop FGDSE, a feature-governed dynamic stacking ensemble that forms an interpretable decision-support system for climate-resilient charging-asset management. It partitions heterogeneous signals into four feature families, assigns each to a domain expert whose inductive bias matches the data, and adds two deep temporal experts for short-term pulses and long-term degradation; a horizon-wise gating mechanism then learns adaptive weights to forecast daily fault risk over 1 to 30 days. SHAP attribution and an X-learner extend the probabilistic output into causal decision support with post-level treatment effects. On 25 months of data from 13 stations, FGDSE surpasses twelve baselines beyond the ten-day horizon, sustains about 85% macro-recall at 30 days with an AUC decay of only 3.2 points, and reveals a shift of dominance from fault history toward climate stress. It identifies extreme heat as the sole exposure whose causal effect amplifies over time, flagging roughly 30% of posts as heat-sensitive and yielding quantitative thresholds for climate-adaptive maintenance that strengthens urban mobility resilience and sustains low-carbon travel.