从成熟城市到新兴城市：通过领域对抗神经网络实现电网级电动汽车充电站优先级的跨城市传输

中国城市充电基础设施跨域迁移学习框架构建与验证

　　

夏云芹|王世亮

东南大学建筑学院，中国江苏省南京市210096

摘要

电动汽车（EV）的普及正在加速，这使得部署充电基础设施的地点和时机问题变得尤为紧迫。现有的研究主要集中在单个城市，且缺乏能够捕捉建设节奏的时间标签，这限制了研究成果在新兴城市的普遍适用性。我们开发了一个跨城市迁移学习框架，首先根据气候和地理特征对中国城市进行分类，并将迁移限制在同类城市之间。在该框架中，我们选择了深圳→东莞和北京→郑州这两个具有相似发展水平但发展状况不同的城市作为测试案例。通过在不同网格分辨率（200/500/700米）下的验证，我们确认500米为最佳分辨率。利用500米网格上的多源城市特征以及基于多年建设数据生成的五级部署紧迫性标签，我们训练了一个领域对抗神经网络（DANN）来预测充电基础设施的优先级，并在城市和街道样本层面进行了外部验证。该框架在跨城市迁移任务中的表现优于现有方法（平均宏观F1分数提升约8%）；在预算有限的情况下（前10%的部署成本），该框架能够准确预测出超过60%的明年新增充电设施的位置，且这些设施通常位于交通干道和公共/商业走廊附近。这种可复制的流程——从全国范围的城市异质性分析到聚类，再到对抗性迁移，最后进行双尺度验证——为新兴城市的充电设施部署提供了空间优先级排序和筛选依据；对更多不同城市对的进一步验证仍是未来的研究方向。

引言

电气化转型使得充电基础设施的部署地点和优先级选择成为城市治理和空间规划的核心议题（Kchaou-Boujelben, 2021; Ahmad et al., 2022; Yuvaraj et al., 2024）。中国城市在发展阶段和电动汽车普及率方面存在显著差异（Feng et al., 2024; Hu et al., 2024），因此将成熟城市的有效经验转移到新兴城市对于减少选址的试错和提高投资效率至关重要。然而，不同城市在功能结构（Xia et al., 2021; Chen & Zhu, 2022）、交通可达性（Gallotti & Barthelemy, 2014; Tu & Zhang, 2022; Wang et al., 2023）以及气候-地理环境（Liu et al., 2015）方面的巨大差异导致了充电设施布局的空间异质性和时间演化上的差异，这对跨城市迁移学习提出了挑战。因此，我们需要一个在有限标签条件下仍能保持可迁移性、可解释性和易操作性的网格级优先级排序框架。为减少源域和目标域之间的结构差异，我们建议在微观预测之前先建立城市分类体系，并将迁移限制在同一类别的城市对之间。

现有研究主要沿着两条方法路径发展。第一条路径遵循基于机制和优化的方法。例如，利用GIS技术优化充电站的覆盖范围（K?os & Sierpiński, 2023），或者开发预测性规划框架以在不确定性下平衡效率和公平性（Guo & Wang, 2023）。这类研究（如基于驾驶员活动的覆盖模型Pan et al., 2020，以及针对武汉案例提出的动态需求优化Liu et al., 2025）提供了清晰且易于解释的框架，特别适合在单一城市或区域内进行深度优化。然而，传统优化方法在面对复杂的跨城市场景时存在局限性。尽管这些方法机制透明，但它们通常难以处理大规模、多源的时空网格数据，且优化过程高度依赖于局部参数和特定场景假设，导致其在不同城市间的适应性和泛化能力有限。

随着大数据技术的普及，数据驱动和机器学习方法为充电基础设施布局预测提供了新的途径。另一条研究路径采用数据驱动的方法，利用多源数据直接从历史规律中学习充电需求的分布模式。例如，有研究开发了用于分析充电设施布局空间公平性的机器学习框架（Roy & Law, 2022），还有研究将多源数据与本地空间模型结合，深入分析充电需求的决定因素及其空间影响（Zhang et al., 2025）。这些方法在单一城市尺度上展现了较高的预测潜力。

然而，数据驱动方法在跨城市迁移和时间预测方面存在明显不足。它们的成功往往依赖于目标城市丰富的本地标签进行模型训练，其预测结果通常是静态的横截面分析或短期预测，缺乏对建设节奏的明确定义（Feng et al., 2024; Tang et al., 2024; Wu et al., 2025）。因此，这些方法无法直接且可靠地将成熟城市的有效经验转移到标签稀缺的新兴城市。

尽管有研究尝试整合GIS、机器学习和多标准决策制定（Cai et al., 2025），但目前仍缺乏一个适用于跨城市应用、同时考虑宏观异质性的系统级框架。综合现有研究，我们发现三个关键问题：（1）缺乏城市分类体系——源域和目标域在气候-地理尺度上没有约束，难以从源头控制分布变化；（2）缺乏时间语义标签——标签主要是静态的存在/缺失或横截面密度，无法编码“建设节奏/升级路径”，从而限制了未来一年的预测和优先级排序；（3）缺乏外部有效性和效用评估——评估通常仅基于内部指标（如分类准确率），无法与下一年的新增设施进行外部比较，也无法量化在预算限制下的规划收益，这削弱了政策的实用性和可实施性。

为解决这些问题，我们提出了一种综合流程：首先分析全国范围内的城市异质性；然后利用气候-地理因素建立城市分类体系；接着进行对抗性领域迁移（DANN）；最后进行双尺度外部验证。我们识别了全国311个城市在宏观层面的异质性和需求特征，并利用这些信息进行分类；在源城市，我们根据2022年至2024年的变化构建了五级“部署紧迫性”时间标签（0–4），并利用DANN将成熟城市的网格级优先级信息迁移至新兴城市；最后，我们进行城市尺度的年度对比（与2025年的新增设施相比）和街道尺度的证据链审计，以量化在特定限制下的效果、收益和设施分布，从而得到可解释、可复制且可行的优先设施清单和实施路径。

我们的主要贡献包括：（1）建立了包含同一类别城市分类和对抗性迁移的综合框架，以实现城市间充电设施的优先级迁移；（2）定义了一个动态的时间性部署紧迫性标签，为优化建设节奏提供指导；（3）实现了高精度的跨城市迁移，并通过可解释性分析揭示了规划相关的阈值效应；（4）设计了城市-街道双尺度验证方法，以量化模型效果并支持实施路径的制定。

本文的其余部分结构如下：第2节介绍数据和方法论；第3节报告全国分析、城市分类、迁移学习效果和验证结果；第4节讨论机制、相关工作和实际应用；第5节总结并展望未来方向。整体工作流程如图1所示。

数据来源和预处理

在全国375个地级城市中，根据统一的统计定义和缺失率阈值，选取了311个有效城市，并汇编了2019–2024年的城市级统计数据：充电站数量（现有/新增）、传统和新能源汽车拥有量、加油站和停车设施数量、不变价格GDP、居民人口以及气象指标（每月最高/最低温度、平均昼夜温差等）。

全国范围的结果：空间异质性和相关性

（1）热模式和空间异质性的识别

图3显示，在311个城市中，发展水平、汽车服务和气候条件存在明显的东部-西部及沿海-内陆差异，东部和沿海地区的数值较高。居民人口、GDP和人均GDP的高值集中在长江三角洲、珠江三角洲和京津冀地区，形成了连续的带状集群；同时，车辆拥有量也呈现出类似的分布特征。

讨论

本研究聚焦于电气化转型中的核心规划问题——“在哪里部署充电基础设施以及何时优先进行建设”——特别是在标签数据有限的新兴城市。为此，我们提出了一个综合框架，结合了全国范围内的异质性分析、基于气候/地理的城市分类、对抗性领域迁移和双尺度验证。

结论

为应对新兴城市中充电基础设施数据稀缺和选址经验不足的问题，本研究提出了一个跨城市迁移学习框架，该框架将宏观层面的先验信息与微观层面的预测相结合。通过全国范围内的异质性分析、基于气候-地理的城市分类、基于DANN的迁移学习和双尺度验证，我们实现了从成熟城市到新兴城市的充电设施部署的精确网格级优先级排序。

作者贡献声明

夏云芹：负责撰写初稿、可视化展示、软件开发、方法论设计、数据整理和概念构建。王世亮：负责审稿与编辑、项目监督、资金筹集、正式分析及概念构思。

利益冲突声明

作者声明没有已知的可能影响本文研究的财务利益冲突或个人关系。

致谢

本研究未获得任何公共部门、商业机构或非营利组织的特定资助。