大型语言模型时空数据融合框架

将数据级与模型级融合创新整合，为电动汽车充电需求提供精准的短期时空预测，显著优于传统与深度学习方法。

Shang, Yitong · Shang, Wen Long · Cui, Dingsong · Peng, Liu · Chen, H. · 张冬冬 · Runsen, Zhang · 徐铖铖 · Ye, Liu · 王晨曦 · Alhazmi, Mohannad

Information Fusion 2026

参数信息

平均绝对误差（MAE）降低率

15.41 %

平均绝对百分比误差（MAPE）降低率

53.51 %

验证数据集规模

830000

技术优势

预测误差大幅下降

一步超前区级预测中，与领先基线相比，MAE最多降低15.41%，MAPE最多降低53.51%。

融合异构多源特征

通过embedding卷积网络将时间、空间和充电行为特征统一表示，无需手动设计复杂融合机制。

微调成本可控

采用LoRA参数高效微调，在保持预测稳健性的同时大幅减少计算成本。

应用场景

• 电动汽车充电需求预测：提供高精度短期时空预测，支撑充电站规划与运营。
• 智能电网管理：提高预测准确率，优化电网负荷调度与可再生能源整合。
• 时空数据融合：统一融合时间、空间与行为特征，降低多源数据融合难度。
• 大规模预训练模型：利用LLM捕捉全局依赖，结合LoRA降低微调开销。