近年来,由于人们环保意识的增强,各国都在大力发展电动汽车,越来越多的人选择电动汽车出行,相应的基础设施即公共充电桩的数量也随之与日俱增。当大量的电动汽车在居民用电高峰期时无序接入充电桩充电,会引起局部电网负荷过载的问题。已有企业开始结合电网需求引导数据平台建立充电桩的物联网系统,对充电桩的供电时间进行分时定价激励用户避免用电高峰期,但如何引导电动汽车用户规避用电高峰期又同时不削弱充电桩的利用率成为急需解决的问题。因此,设计一种应用于充电桩推荐模型合适的、精度高的算法是解决此问题的关键。本文将深度学习和传统的协同过滤方法相结合,并利用特征融合的方式,对现有算法进行改进,有效缓解了数据的稀疏性和隐性特征难以捕捉的问题,引导电动汽车用户规避用电高峰期,提高了充电桩的利用率。本文主要研究工作如下:(1)针对现有神经协同过滤方法对嵌入向量的潜在信息发掘不全面的问题,本文提出了结合多种特征融合方法的神经协同过滤框架的充电桩Top-N推荐算法。通过对用户和物品的嵌入向量使用不同的特征融合方法,从而使不同方法发掘的信息相互弥补,使模型可以更好的发现用户与物品之间的交互关系。实验结果表明,与单特征融合方法相比较,多种特征融合方法结合可以有效地提高模型发掘用户与物品交互关系的能力,对推荐系统的性能有较多的提升。(2)目前神经协同过滤方法采用的神经网络学习模型较为简单,无法充分地从用户-物品交互数据中学习复杂的高阶非线性隐性特征,本文提出了融合多层感知器-深度残差网络(Multiple layer perceptron-Deep residual network,MLP-DRN)的神经协同过滤模型的充电桩Top-N推荐算法。此方法在结合多种特征融合方法的神经协同过滤框架基础上修改神经网络学习模型,融合MLP-DRN的神经协同过滤模型加深了网络深度,实验结果表明,此模型大大提高了对用户与物品隐性特征的整体拟合能力,从而更好地提高充电桩Top-N推荐准确性。