신뢰할 수 있는 전기차 (EV) 충전 인프라는 지속 가능하고 저탄소인 도시의 초석이지만, 폭염, 폭우, 습도와 같은 도시 기후 스트레스는 장비 결함 위험을 점점 더 높이고 도시 에너지 및 모빌리티 서비스의 회복력을 저해하고 있습니다. 운영 방식을 사후 수리에서 예방적 유지보수 (preventive maintenance)로 전환하려면 정확하고 미래 지향적인 결함 위험 예측이 필요하며, 이는 물리적, 행동적, 맥락적, 역사적 신호의 이질적인 시간 규모와 수 주간의 예측 기간으로 인해 복잡한 작업입니다. 우리는 기후 회복력이 있는 충전 자산 관리를 위한 해석 가능한 의사결정 지원 시스템을 형성하는 특징 제어형 동적 스태킹 앙상블 (feature-governed dynamic stacking ensemble)인 FGDSE를 개발했습니다. 이 모델은 이질적인 신호들을 네 가지 특징군 (feature families)으로 분할하고, 각 신호를 데이터와 일치하는 귀납적 편향 (inductive bias)을 가진 도메인 전문가에게 할당하며, 단기 펄스와 장기 열화 (degradation)를 위한 두 개의 딥 템포럴 전문가 (deep temporal experts)를 추가합니다. 그런 다음 기간별 게이팅 메커니즘 (horizon-wise gating mechanism)이 적응형 가중치를 학습하여 1일에서 30일 동안의 일일 결함 위험을 예측합니다. SHAP 기여도 (SHAP attribution)와 X-learner는 확률적 출력을 사후 수준의 처치 효과 (post-level treatment effects)를 포함하는 인과적 의사결정 지원으로 확장합니다. 13개 스테이션의 25개월 치 데이터를 대상으로 한 실험에서 FGDSE는 10일 이상의 기간에서 12개의 베이스라인을 능가하였고, AUC 감소가 단 3.2포인트에 불과한 상태로 30일 시점에서 약 85%의 매크로 재현율 (macro-recall)을 유지하였으며, 결함 이력에서 기후 스트레스로 주도권이 변화함을 보여주었습니다. 이 모델은 시간이 지남에 따라 인과적 효과가 증폭되는 유일한 노출 요인으로 폭염을 식별하였고, 약 30%의 포스트를 열에 민감한 것으로 표시하였으며, 도시 모빌리티 회복력을 강화하고 저탄소 이동을 유지하는 기후 적응형 유지보수를 위한 정량적 임계값을 제공합니다.