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。

该文介绍了一种解码干预框架，利用评论家评估生成的令牌适当性，并在动态影响下选择令牌。实验结果表明该框架优于基准线，达到最先进方法水平。