本文档属于类型a，即单篇原创研究的学术报告。以下是对该研究的详细介绍：
主要作者与机构
本研究由Haoxuan Kuang、Haohao Qu、Kunxiang Deng和Jun Li共同完成。Haoxuan Kuang和Kunxiang Deng来自中山大学智能系统工程学院的广东省智能交通系统重点实验室，Haohao Qu来自香港理工大学计算学系，Jun Li为通讯作者，同样来自中山大学智能系统工程学院。该研究发表于2024年的《Applied Energy》期刊，文章编号为123059。
学术背景
随着电动汽车（Electric Vehicles, EVs）的普及，城市范围内的电动汽车充电需求预测和定价策略成为了智能充电服务的关键问题。电动汽车的快速增长对充电基础设施和电力供应提出了挑战，尤其是在城市交通系统和电网之间如何平衡充电需求与供应。尽管已有许多深度学习模型在提高预测精度方面取得了显著成果，但现有的模型在经济可解释性和价格调整的溢出效应（spillover effect）方面仍存在不足。因此，本研究旨在提出一种结合物理信息的图学习方法（Physics-Informed Graph Learning Approach），用于准确预测城市范围内的电动汽车充电需求，并辅助制定合理的定价策略。
研究流程
本研究主要分为以下几个步骤：
数据收集与预处理
研究使用了来自中国深圳的18,061个充电桩的数据，时间跨度为2022年6月19日至7月18日。数据包括充电桩的占用状态和价格信息。研究将深圳划分为247个区域，并对每个区域的充电需求进行了统计。数据按时间顺序分为训练集和测试集，比例为7:3。
特征工程模块
该模块通过二维卷积（2D-CNN）将需求数据和价格信息融合，并考虑价格的溢出效应。卷积核的宽度为特征数量（即2），高度和步长为超参数。该模块的输出作为后续图卷积网络（Graph Convolutional Network, GCN）的输入。
时空双注意力模块
该模块通过多头图注意力机制（Graph Attention Network, GAT）和长短期记忆网络（Long Short-Term Memory, LSTM）分别提取空间和时间特征。GAT用于量化相邻区域之间的特征相关性，LSTM用于提取时间序列特征。最终，通过时间注意力机制对时间序列进行加权处理。
物理信息训练模块
该模块基于物理信息神经网络（Physics-Informed Neural Network, PINN），通过预训练、提示和微调三个步骤，使模型能够学习价格与需求之间的关系，并揭示价格弹性（Price Elasticity of Demand, PED）。预训练阶段通过强先验知识引导模型收敛，提示阶段通过弱先验知识引导模型学习数据本身的价格需求规律，微调阶段则仅使用预测损失函数进行高效微调。
模型评估与实验
研究通过四个常用指标（RMSE、MAPE、RAE和MAE）对模型性能进行了评估。结果显示，所提出的PIAST模型在预测精度上平均提升了14.78%，尤其在15分钟预测区间内表现最佳。此外，研究还通过价格调整实验验证了模型的溢出效应和价格弹性。
主要结果
1. 预测精度提升
PIAST模型在四个预测区间（15分钟、30分钟、45分钟和60分钟）内均表现出色，平均预测误差显著低于其他代表性模型。特别是在15分钟预测区间内，PIAST模型的RMSE比之前的PAG模型提升了16.05%。
价格弹性揭示
在训练过程中，模型成功揭示了57个基于时间定价区域的价格弹性。结果显示，深圳的电动汽车充电服务在当前定价策略下呈现低弹性，表明居民对充电价格的变化不敏感。
价格调整实验
通过模拟价格调整实验，研究发现电动汽车用户对价格下降更为敏感，价格下降时的弧弹性（Arc Elasticity）高于价格上涨时。此外，研究还通过模型预测控制（Model Predictive Control, MPC）实验提出了优化价格的建议，显示在中午时段提高价格可以有效减少充电需求。
结论与意义
本研究提出的PIAST模型在电动汽车充电需求预测和定价策略辅助方面具有显著的科学价值和应用价值。首先，模型通过融合价格信息和时空特征，显著提高了预测精度，为智能充电服务提供了可靠的基础。其次，模型揭示了价格弹性，为政府和充电服务企业制定价格策略提供了理论依据。最后，模型对溢出效应的理解有助于制定综合性的价格调整政策，优化城市充电网络和交通系统的整体效率。
研究亮点
1. 高精度预测
PIAST模型在多个预测区间内均表现出色，平均预测误差显著低于现有模型。
经济可解释性
通过PINN训练框架，模型能够揭示价格弹性，增强了模型的经济可解释性。
溢出效应建模
模型成功捕捉了价格调整对相邻区域的溢出效应，为制定综合价格策略提供了支持。
其他有价值的内容
研究还通过开源代码和数据共享，为后续研究提供了便利。此外，研究提出的多步训练框架（预训练、提示和微调）为其他领域的物理信息神经网络应用提供了参考。
本研究通过结合物理信息的图学习方法，不仅提高了电动汽车充电需求预测的精度，还为定价策略的制定提供了科学依据，具有重要的理论和实践意义。