本研究提出了一种基于注意力的电动车充电需求预测方法（AHMDF），有效解决了传统模型在捕捉空间关系和时间特征方面的不足。该方法结合地理聚类超图和多变量门控变换器，考虑了静态和动态影响，实验结果表明其在多个数据集上优于其他模型，突显了动态影响在城市区域预测中的重要性。

该论文提出了一种名为PAG的新方法，利用图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。