CN104732234B - 基于充电履历的充电站挖掘中的去噪方法 - Google Patents

Abstract

本发明提出了一种基于充电履历的充电站挖掘中的去噪方法，其步骤包括：1)获取充电履历，即获得产生自待识别充电站的所有充电履历；2)再聚类，即对待识别充电站的所有充电履历进行聚类；3)扩展类，对再聚类后的符合密度要求的类进行合并形成多个小类；4)计算各小类概率，即根据各小类的半径以及所有充电履历的方差依次计算各满足条件的类的概率；5)检验，假设该类出现符合正态分布，计算该类出现的概率，如果概率不符合要求则可以判断该类为噪声。

Description

基于充电履历的充电站挖掘中的去噪方法

技术领域

本发明涉及利用充电履历挖掘充电站过程中对噪声的识别方法，特别是涉及一种对从电动汽车的充电履历中挖掘、提取新建充电站POI数据的处理过程，属于导航、电子地图、智能交通系统和数据挖掘的交叉领域。

背景技术

为了解决能源匮乏、污染严重等问题，各国都在大力发展新能源汽车，而在各种新能源汽车中，发展电动汽车已经成为最为现实且最具应用前景的发展方向。而充电站作为电动汽车重要的基础配套设施，在电动汽车推广过程中起着决定性的作用。然而，基于传统技术采集的充电站数据往往存在更新不及时、数据滞后严重、充电站位置不准确等一系列问题，这极大影响了电动汽车的推广普及。随着ITS技术的发展，从电动汽车的充电履历信息中，利用数据挖掘技术，提取新建充电站数据，成为一种快捷、有效的手段。然而，电动汽车的充电履历中存在大量噪声数据，从而会导致提取的充电站偏离真实充电站的位置，甚至提取了错误的充电站，这种错误，会极大的降低用户的使用体验。

相关名词解释：

1.电动汽车

指混合动力汽车和纯电动汽车等可以通过插电方式充电并以电力驱动行驶的汽车。

2.充电履历

指电动汽车记录下来的充电行为信息，一般包括充电的开始、结束时间、充电位置、电池电量信息和充电类型等信息。

3.充电站

类似于加油站，可以为电动汽车补充电力的站点，包括大型充电站和充电桩。充电桩可部署在停车场、小区、私人住宅等区域。

4.待识别充电站

即通过初步聚类，已经识别为可能是可以进行充电的地点，但是不明确是否由于是噪声导致，需要进一步识别判断的充电站。

发明内容

本发明所要解决的问题是：提供基于充电履历的充电站挖掘中的去噪声方法，使用该方法可以比较有效的对待识别充电站进一步识别，去除噪声后可以去除一些由于噪声提取的错误的充电站，从而得到更为准确的充电站信息。

本发明所采用的技术方案的步骤包括：

1)获取充电履历；取出一个待识别充电站，将用以发现该充电站的所有充电履历取出,并计算出该组充电履历的方差α。

2)再聚类：对待识别充电站的每一充电履历都按一个较小的半径重新聚类。

3)扩展类：对再聚类后的小类按照密度是否符合要求进行扩展合并，组成新的类。具体包括：

31)将再聚类后的各个类按照包含充电履历多少进行排序；

32)对密度符合要求即该类所包含的充电履历数量大于阀值λ₁的进行扩展合并，组成新的类；

4)计算类正态分布的概率：分别计算扩展后各满足条件类是正态分布的概率。具体包括如下：

41)按照包含充电履历的个数从大到小依次判断各类，判断该类所包含的充电履历个数是否大于阀值λ₂，如果大于则进行后续操作，否则结束。

42)计算该类的中心位置，并计算该类充电履历中离中心位置最远的充电履历到中心位置的距离β，记待识别充电站到该类中心位置的距离为ε。

43)判断类的中心位置是否落在待识别充电站一倍方差α范围之内,如果是，则出现该类的概率P₁＝β²/α²*0.6826，否则，P₁＝β²/(3α²)*0.2718。

44)如果P₁大于阀值则返回步骤41)继续下一个小类的处理，否则继续步骤5)操作。

5)检验：根据概率统计计算出在待识别充电的所有充电履历中出现该类的概率判断该类是否噪声或者是另一个充电站。具体包括如下：

51)假设待识别充电的所有充电履历符合正态分布，计算该类出现的概率P₂。m为待识别充电站所包含的充电履历数量,n为当前处理的类所包含的充电履历数量，如果P₂小于阈值，则转到步骤52)，否则，保留该类,返回步骤41)；

52)判断该类是否满足生成一个待识别充电站的条件，如果满足则将该类单独作为一个待识别充电站，如果不满足则将该类作为噪声在待识别充电站的充电履历中移除。

53)所有的小类处理完毕后，如果仍然保留的充电履历满足生成充电站的条件则将该待识别充电站作为已确定充电站，否则将该充电站识别为无法确定充电站。

本发明的优点是：能够有效的识别充电履历中的噪声，从而有效降低提取充电站的错误率和误差，进而有效提升电动汽车用户使用充电站时的用户体验。

附图说明

图1是本发明的去噪声方法的整体流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体实施方式对本发明作进一步的详细描述。

如图1所示，本发明的实现方式，

1)获取充电履历：取出一个待识别充电站，记作STATION，将用以发现该充电站的所有充电履历取出，将充电履历分别记为Point1,point2,...,pointn，n为充电履历的数量,并计算出该组充电履历的坐标方差α。

2)再聚类：对待识别充电站的所有充电履历按照一个较小的半径γ聚类，对各个聚类分别记为GROUP1，GROUP2,...,GROUPn，n为充电履历的数量。具体包括：

21)取出一条充电履历数据，记作POINT，以POINT的位置为圆心，以γ(γ值的选取不宜过大，过大容易把噪声加入进来，本处实施中γ值采取的是10米)为半径画圆，将该圆内所有充电履历记作GROUP，计算GROUP内所包含的充电履历的记录数，记作N。

依次取出每一条充电履历，分别记作POINT_1,POINT_2…POINT_N(N为充电履历的记录数)，以它们为圆心，以γ为半径作圆，将该圆内所包含的所有充电履历作为一个整体分别记为：

GROUP_1,GROUP_2…GROUP_n，每个GROUP分别包含的充电履历数记为num1,num2…numn(num1到numn一一对应GROUP_1到GROUP_n的充电履历数量)。

3)扩展类：对再聚类后的小类按照密度是否符合要求进行扩展合并，组成新的类。具体步骤为：

31)对GROUP_1,GROUP_2…GROUP_n，按照它们所包含的充电履历数num1,num2…numn从大到小进行排序；

32)判断31)中的所有GROUP是否都经过处理，如果是，转到步骤4),否则，转到步骤33)。

33)取31)中未处理的GROUP中充电履历数最大的GROUP记作GROUP A，判断GROUP A的N的值是否大于阀值α，α的取值越大被误判为是噪声的充电履历越多，本实施中我们取α的值为3，如果是，转到步骤34)；否则将GROUPA中的全部充电履历从GROUP_1到GROUP_n中全部删除，返回步骤31)。

34)依次取出GROUP A中的充电履历，记作POINT A，判断以POINT A为圆心的GROUP的N值是否大于阀值λ₁，λ₁的值为3，如果是，则将GROUP中所有的充电履历全部加入到GROUPA中，否则将GROUP以及GROUP所包含的充电履历从GROUP_1,GROUP_2…GROUP_n中删除。

35)判断GROUP A中所有充电履历是否都都经过步骤34)的处理，如果是，将GROUPA所包含的充电履历从GROUP_1,GROUP_2…GROUP_n中删除，转到步骤31)，否则返回步骤34)。

4)计算类正态分布的概率：计算扩展后各类是正态分布的概率。具体包括步骤为：

41)依次取扩展后包含充电履历数最多的类，记为EXTEND_A，包含的充电履历数记为m。判断m是否大于阀值λ₂，λ₂值太小不具有统计意义，本实施中取λ₂值为5，如果是，转到步骤42)，否则转到步骤53)。

42)计算EXTEND_A的中心位置记为POINT_MID，将充电履历中离POINT_MID距离最远的充电履历记为POINT_MAX，将POINT_MID到POINT_MAX的距离记为β，记待识别充电站STATION到POINT_MID的距离为ε。

43)判断ε<α如果是，则出现该类的概率P₁＝β²/α²*0.6826，否则，P₁＝β²/(3α²)*0.2718。

44)如果P₁大于阀值ζ，ζ值越大，说明EXTEND_A越靠近STATION且均匀分布，本实施中取值为0.9，则返回步骤41)继续下一个扩展类的处理，否则转到步骤5)继续处理。

5)检验：根据概率统计计算出在STATION的所有充电履历中出现EXTEND_A的概率来判断EXTEND_A是否噪声或者是另一个充电站。具体步骤为：

51)计算出现EXTEND_A的概率P₂，P₂由以下公式计算：

m为待识别充电站所包含的充电履历数量,n为当前处理的类所包含的充电履历数量，如果P₂小于阈值φ，φ值越大过滤掉的充电履历越多，φ值越小噪声被识别的几率越小，本实施中φ值取0.0005，则转到步骤52)，否则，保留EXTEND_A，返回步骤41)。

52)判断EXTEND_A是否满足生成一个待识别充电站的条件，如果满足则将EXTEND_A单独作为一个待识别充电站，如果不满足则将EXTEND_A作为噪声在STATION的充电履历中移除。返回步骤41)。

53)所有的类处理完毕后，如果去除噪声后仍然保留的充电履历满足生成充电站的条件则将STATION作为已确定充电站，否则将STATION识别为无法确定充电站。

以上所述，仅是用以说明本发明的具体实施案例而已，并非用以限定本发明的可实施范围，举凡本领域熟练技术人员在未脱离本发明所指示的精神与原理下所完成的一切等效改变或修饰，仍应由本发明权利要求的范围所覆盖。

Claims (3)

1.基于充电履历的充电站挖掘中的去噪方法，以在利用聚类方法从充电履历中挖掘充电站过程中识别为充电站的一组充电履历为处理对象，利用该组充电履历的统计特征，识别该组充电履历中哪些是噪声，从而使充电站的提取变得更加准确，其特征在于包括以下步骤：

1)获取充电履历：取出一个待识别充电站，将用以发现该充电站的所有充电履历取出，并计算出该组充电履历的方差α；

2)再聚类：对待识别充电站的每一充电履历都按一个半径为10米重新聚类；

3)扩展类：对再聚类后的小类按照密度是否符合要求进行扩展合并，组成新的类；

4)计算类正态分布的概率：分别计算扩展后各满足条件类是正态分布的概率；具体步骤为：

41)按照包含充电履历的个数从大到小依次判断各类，判断该类所包含的充电履历个数是否大于阀值λ₂，如果大于则进行后续操作，否则结束；

42)计算该类的中心位置，并计算该类充电履历中离中心位置最远的充电履历到中心位置的距离β，记待识别充电站到该类中心位置的距离为ε；

43)判断类的中心位置是否落在待识别充电站一倍方差α范围之内,如果是，则出现该类的概率P₁＝β²/α²*0.6826，否则，P₁＝β²/(3α²⁾*0.2718；

44)如果P₁大于阀值则返回41)继续下一个类的处理，否则继续步骤5)的操作；

5)检验：根据概率统计计算出在待识别充电的所有充电履历中出现该类的概率判断该类是否噪声或者是另一个充电站。

2.根据权利要求1所述的基于充电履历的充电站挖掘中的去噪方法，其特征在于所述步骤3)的具体步骤为：

31)将再聚类后的各个类按照包含充电履历多少进行排序；

32)对密度符合要求即该类所包含的充电履历数量大于阀值λ₁的进行扩展合并，组成新的类。

3.根据权利要求1所述的基于充电履历的充电站挖掘中的去噪方法，其特征在于所述步骤5)的具体步骤为：

51)假设待识别充电的所有充电履历符合正态分布，计算该类出现的概率P₂，m为待识别充电站所包含的充电履历数量,n为当前处理的类所包含的充电履历数量，如果P₂小于阈值，则转到步骤52)，否则，保留该类,返回步骤41)；

52)判断该类是否满足生成一个待识别充电站的条件，如果满足则将该类单独作为一个待识别充电站，如果不满足则将该类作为噪声在待识别充电站的充电履历中移除；

53)所有的小类处理完毕后，如果仍然保留的充电履历满足生成充电站的条件，则将该待识别充电站作为已确定充电站，否则将该充电站识别为无法确定充电站。