Аннотация. В данной статье решается задача прогнозирования состояния загруженности зарядной станции в течение определенного промежутка времени. Прогнозируемые данные дадут возможность планировать время зарядки, выбирать для конкретного рассматриваемого автомобиля наиболее выгодную и удобную зарядную станцию, что приведет к сокращению времени и улучшению качества получаемой услуги, уменьшению очередей и заторов на зарядных станциях, снижению нагрузки на электрические и транспортные системы. В ходе исследования был проведен анализ данных на основании датасета о сеансах зарядки электромобилей г. Данди, описаны признаки, влияющие на длительность зарядки электромобиля. Предлагаемая модель прогнозирования состоит из комбинированной рекуррентной нейронной сети LSTM и нейронной сети прямого распространения. Сравнение результатов эффективности работы предлагаемой модели, по метрикам качества Accuracy и F1score, с аналогичными существующими разработками показывают эффективность и обоснованность применения предлагаемого метода прогнозирования. Ввиду общих физических законов функционирования транспортной и электрической систем, а также универсальности зарядных устройств, результаты сравнения рассматриваемой в данной статье модели с аналогичными работами будут актуальны при использовании аналогичных датасетов.

Annotation. This article solves the problem of predicting the occupancy state of a charging station over a certain period of time. The predicted data will make it possible to plan charging times, select the most profitable and convenient charging station for the specific vehicle in question, which in turn will lead to a reduction in time and an improvement in the quality of the service received, a reduction in queues and congestion at charging stations, and a reduction in the load on electrical and transport systems. During the study, data analysis was carried out based on a dataset of charging sessions for electric vehicles in the city of Dundee, and characteristics affecting the charging time of an electric vehicle were described. The proposed forecasting model consists of a combined LSTM recurrent neural network and a feedforward neural network. Comparison of the performance results of the proposed model, according to the Accuracy and F1score quality metrics, with similar existing developments shows the effectiveness and validity of the proposed forecasting method. In view of the general physical laws of the functioning of transport and electrical systems, as well as the universality of chargers, the results of comparing the model discussed in this article with similar works will be relevant when using similar datasets.