CN106779905B - 基于用户行为推荐电池配置的方法及装置 - Google Patents

Abstract

本发明实施例公开了一种基于用户行为推荐电池配置的方法，涉及新能源汽车领域，包括：获取用户驾驶的电动汽车的在途数据，所述在途数据包括在途电池模块信息、充电行为信息和驾驶行为信息其中一个或多个；对所述在途电池模块信息进行筛选，筛选后得出在途特征子集；对所述特征子集进行因子分析，根据分析结果向用户发送新的电池的设置信息，同时向服务器发送用户行为分布信息。本发明还提供一种基于用户行为推荐电池配置的装置，包括：信息采集模块，信息筛选模块，信息分析模块、信息发送模块。根据本发明实施例，实现了能够对用户的真实行为进行概括与描述，并能根据用户需求满足程度对电动汽车设置提供改进方案。

Description

基于用户行为推荐电池配置的方法及装置

技术领域

本发明涉及新能源汽车领域，具体涉及一种基于用户行为推荐电池配置的方法及装置。

背景技术

随着常规资源的不断消耗，新能源的开发与利用日渐受到重视，其中，电动汽车作为新能源汽车被越来越广泛的推广与使用，根据国家相关政策规定，电动汽车上必须安装许多传感器装置，用于采集电动汽车的在途数据的信息。通过这些电动汽车的在途数据信息可以获取及分析出用户的真实驾驶行为以及驾驶偏好，相较于人工分析推测，其反映的用户信息可以更加的真实客观，对电动汽车产品配置更具指导意义。但是由于传感器采集的功能部件的数据的局限性、在途数据的复杂性以及用户行为定义的规则的不确定性，从中提取用户行为偏好需求信息十分复杂，分析结果也比较粗略,无法提供电动汽车电池与电机配置参考。

发明内容

针对现有技术的不足，本发明提供了一种基于用户行为推荐电池配置的方法及装置，解决了由于传感器采集的功能部件的数据的局限性、在途数据的复杂性以及用户行为定义的规则的不确定性，从中提取用户行为偏好需求信息十分复杂，分析结果也比较粗略,无法提供电动汽车电池配置参考的问题。

为实现以上目的，本发明提供了一种基于用户行为推荐电池配置的方法，包括：

获取用户驾驶的电动汽车的在途数据，所述在途数据包括在途电池模块信息、充电行为信息和驾驶行为信息其中一个或多个；

对所述在途电池模块信息进行筛选，筛选后得出在途特征子集；

对所述特征子集进行因子分析，根据分析结果向用户发送新的电池的设置信息，同时向服务器发送用户行为分布信息。

可选的，在对所述特征子集进行因子分析前，还包括：

比较所述在途特征子集与用户基础充电行为和驾驶行为模块信息的信息覆盖度；

如果所述信息覆盖度小于或等于50％，则将用户基础充电行为和驾驶行为模块信息补充到所述在途特征子集缺失的对应信息中。

可选的，在对所述特征子集进行因子分析后，还包括：

根据因子分析结果，对用户进行聚类。

可选的，所述充电行为信息具体包括：

用户充电行为信息子集，所述用户充电行为信息的特征子集为SOC、充电桩插拔状态、剩余能量、剩余时间、车架号、SOC低报警、初始充电SOC、初始充电时间其中一个或多个；

所述驾驶行为信息具体包括：

用户驾驶行为信息子集，所述用户驾驶行为信息的特征子集为电机扭矩、电机转速、车辆速度、档位、续驶里程、SOC、行驶时间、车架号、加速度其中一个或多个。

可选的，所述在途特征子集包括：用户充电行为统计与用户驾驶行为统计。

本发明还提供了一种基于用户行为推荐电池配置的装置，包括：

信息采集模块，获取用户驾驶的电动汽车的在途数据，所述在途数据包括在途电池模块信息、充电行为信息和驾驶行为信息其中一个或多个；

信息筛选模块，对所述在途电池模块信息进行筛选，筛选后得出在途特征子集；

信息分析模块，用于对所述特征子集进行因子分析；

信息发送模块，所述信息发送模块包括：

第一发送模块，所述第一发送模块用于向用户发送新的电池的设置信息；

第二发送模块，所述第二发送模块用于向服务器发送用户行为分布信息。

可选的，还包括：

比较补充模块，用于比较所述在途特征子集与用户基础充电行为和驾驶行为模块信息的信息覆盖度；如果所述信息覆盖度小于或等于50％，则将用户基础充电行为和驾驶行为模块信息补充到所述在途特征子集缺失的对应信息中。

可选的，上述装置，还包括：

聚类模块，用于根据因子分析结果，对用户进行聚类。

可选的，所述充电行为信息具体包括：

用户充电行为信息子集，所述用户充电行为信息的特征子集为SOC、充电桩插拔状态、剩余能量、剩余时间、车架号、SOC低报警、初始充电SOC、初始充电时间其中一个或多个；

所述驾驶行为信息具体包括：

用户驾驶行为信息子集，所述用户驾驶行为信息的特征子集为电机扭矩、电机转速、车辆速度、档位、续驶里程、SOC、行驶时间、车架号、加速度其中一个或多个。

可选的，所述在途特征子集包括：用户充电行为统计与用户驾驶行为统计。

本发明实施例提供的一种基于用户行为推荐电池配置的方法及装置。具备以下有益效果：能够对用户的真实行为进行概括与描述，并能根据用户需求满足程度对电动汽车设置提供改进方案。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例提供的一种基于用户行为推荐电池配置的方法的流程图；

图2为根据本发明实施例提供的一种基于用户行为推荐电池配置的装置的结构框图；

图3为根据本发明实施例提供的一种基于用户行为推荐电池配置的方法得到驾驶行为表图；

图4为根据本发明实施例提供的一种基于用户行为推荐电池配置的方法的主成分分析结果图；

图5为根据本发明实施例提供的一种基于用户行为推荐电池配置的方法的用户类群特征值情况表图；

图6为根据本发明实施例提供的一种基于用户行为推荐电池配置的装置的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于用户行为推荐电池配置的方法，如图1所示，包括：

步骤101：获取用户驾驶的电动汽车的在途数据，所述在途数据包括在途电池模块信息、充电行为信息和驾驶行为信息其中一个或多个；

步骤102：对所述在途电池模块信息进行筛选，筛选后得出在途特征子集；

步骤103：对所述特征子集进行因子分析，根据分析结果向用户发送新的电池的设置信息，同时向服务器发送用户行为分布信息。

在步骤103前，还包括：比较所述在途特征子集与用户基础充电行为和驾驶行为模块信息的信息覆盖度；

如果所述信息覆盖度小于或等于50％，则将用户基础充电行为和驾驶行为模块信息补充到所述在途特征子集缺失的对应信息中。

在步骤103后，还包括：根据因子分析结果，对用户进行聚类。

所述充电行为信息具体包括：

用户充电行为信息子集，所述用户充电行为信息的特征子集为SOC、充电桩插拔状态、剩余能量、剩余时间、车架号、SOC低报警、初始充电SOC、初始充电时间其中一个或多个；

所述驾驶行为信息具体包括：

用户驾驶行为信息子集，所述用户驾驶行为信息的特征子集为电机扭矩、电机转速、车辆速度、档位、续驶里程、SOC、行驶时间、车架号、加速度其中一个或多个。

所述在途特征子集包括：用户充电行为统计与用户驾驶行为统计。

本发明实施例还提供了一种基于用户行为推荐电池配置的装置，如图2所示，包括：

信息采集模块301，用于获取用户驾驶的电动汽车的在途数据，所述在途数据包括在途电池模块信息、充电行为信息和驾驶行为信息其中一个或多个；

信息筛选模块302，用于对所述在途电池模块信息进行筛选，筛选后得出在途特征子集；

信息分析模块303，用于对所述特征子集进行因子分析；

信息发送模块304，所述信息发送模块包括：第一发送模块，所述第一发送模块用于向用户发送新的电池的设置信息；第二发送模块，所述第二发送模块用于向服务器发送用户行为分布信息。其中，所述第二发送模块用于向服务器发送用户行为分布信息，公司侧可从所述服务器上获取相关用户行为信息，并对所述用户行为信息进行分析，以得到分析报告及向用户推荐的配置结果。所述第一发送模块则可向充电行为不良的用户发送有关合理用电的信息等。

还包括：比较补充模块，用于比较所述在途特征子集与用户基础充电行为和驾驶行为模块信息的信息覆盖度；如果所述信息覆盖度小于或等于50％，则将用户基础充电行为和驾驶行为模块信息补充到所述在途特征子集缺失的对应信息中。

还包括：聚类模块，用于根据因子分析结果，对用户进行聚类。

所述充电行为信息具体包括：

用户充电行为信息子集，所述用户充电行为信息的特征子集为SOC、充电桩插拔状态、剩余能量、剩余时间、车架号、SOC低报警、初始充电SOC、初始充电时间其中一个或多个；

所述驾驶行为信息具体包括：用户驾驶行为信息子集，所述用户驾驶行为信息的特征子集为电机扭矩、电机转速、车辆速度、档位、续驶里程、SOC、行驶时间、车架号、加速度其中一个或多个。所述在途特征子集包括：用户充电行为统计与用户驾驶行为统计。

发明上述实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

其中，集成的模块既可以采用硬件的形式实现时，上述信息采集模块301、信息筛选模块302、信息分析模块303和信息发送模块304可以对应实体硬件可以是处理器601，如图6所示。还可以包括存储器602，用于存储处理器601执行的程序代码。

存储器602可以是易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器602也可以是非易失性存储器(英文：non-volatile memory)，例如只读存储器(英文：read-only memory，缩写：ROM)，快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)、或者存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器602可以是上述存储器的组合。

当然，基于用户行为推荐电池配置的装置还可以包括显示器603以及输入/输出接口604，显示器603中可以包括触摸显示屏，用于检测用户的输入，当然显示器603也可以不包括触摸显示屏。用户可以通过输入/输出接口604输入信号给处理器601。其中，处理器601，存储器602、显示器603、输入/输出接口604以及深度摄像头605可以通过总线606连接。其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

信息采集模块301，用于获取用户驾驶的电动汽车的在途数据，所述在途数据包括在途电池模块信息、充电行为信息和驾驶行为信息其中一个或多个；

信息筛选模块302，用于对所述在途电池模块信息进行筛选，筛选后得出在途特征子集；

信息分析模块303，用于对所述特征子集进行因子分析；

信息发送模块304，所述信息发送模块包括：第一发送模块，所述第一发送模块用于向用户发送新的电池的设置信息；第二发送模块，所述第二发送模块用于向服务器发送用户行为分布信息。其中，所述第二发送模块用于向服务器发送用户行为分布信息，公司侧可从所述服务器上获取相关用户行为信息，并对所述用户行为信息进行分析，以得到分析报告及向用户推荐的配置结果。所述第一发送模块则可向充电行为不良的用户发送有关合理用电的信息等。

处理器601，用于执行存储器602存储的程序代码，具体用于执行如下操作：

比较所述在途特征子集与用户基础充电行为和驾驶行为模块信息的信息覆盖度；如果所述信息覆盖度小于或等于50％，则将用户基础充电行为和驾驶行为模块信息补充到所述在途特征子集缺失的对应信息中。

根据因子分析结果，对用户进行聚类。

所述充电行为信息具体包括：

用户充电行为信息子集，所述用户充电行为信息的特征子集为SOC、充电桩插拔状态、剩余能量、剩余时间、车架号、SOC低报警、初始充电SOC、初始充电时间其中一个或多个；

所述驾驶行为信息具体包括：用户驾驶行为信息子集，所述用户驾驶行为信息的特征子集为电机扭矩、电机转速、车辆速度、档位、续驶里程、SOC、行驶时间、车架号、加速度其中一个或多个。所述在途特征子集包括：用户充电行为统计与用户驾驶行为统计。

根据本发明实施例，具有如下优点：能够对用户的真实行为进行概括与描述，并能根据用户需求满足程度对电动汽车设置提供改进方案。

该方法可以通过调用计算机设备执行，该方法可以具体包括：

步骤S1，根据目标问题电池及电机的个性化配置中涉及的用户充电行为与驾驶行为将目标改进模块定义到电动汽车的物理模块。通过比较在途数据的相关特征信息与两功能模块的关系筛选能用于功能模块信息描述的在途数据项作为特征子集。

步骤S2，整理描述电池与电机功能模块的特征，比较电池的功能描述与所选特征子集的信息覆盖度，信息缺失的情况利用专业知识通过对已有在途数据的计算进行添加特征，保证描述信息尽量完整。

步骤S3、将描述电池与电机功能模块的已有在途数据特征进行再次筛选并与添加的特征结合，形成完整的功能模块描述特征子集。为了简化后续分析，根据充电桩插拔状态选择插状态的数据作为用户充电行为的数据即电池功能模块数据、选择档位为1(即电动汽车为行驶状态)的数据作为用户驾驶行为的数据，之后将每个用户的相关行为提取出来作为一条记录。

步骤S4、剔除其中的时间描述的特征，进行因子分析，将多个特征的信息用少数抽象特征表示。根据因子分析结果中抽象特征中所包含原始特征信息的多少将少数抽象特征解释为用户对某功能模块的需求或者偏好，将时间解释为用户使用某一功能模块的时间偏好。

步骤S5、将用户的需求或偏好作为分类依据对用户进行聚类，以用户对充电行为与驾驶行为满足程度的大小或者偏好的大小来判定用户对该功能模块需求或偏好的大小。

步骤S6、将用户的需求或偏好划分为需求满足适度、需求满足不足、需求满足过剩。根据功能模块满足不同类群用户需求的情况提供个性化的电池设置改进意见。

在一些实施例中，步骤S1中可以分解为以下步骤，并得到以下结果：

S1.1、针对电动汽车功能模块进行在途数据特征子集的筛选时首先筛选与电池物理模块相连的传感器采集到的在途数据的特征，在电池功能模块中表现为特征SOC(Stateof Charge)，表示电池的荷电状态，用百分数表示)、充电桩插拔状态、剩余能量，在电机功能模块中表现为特征电机扭矩、电机转速。

S1.2、当S1.1中所选择特征子集信息不足以对功能模块描述完整时，选择描述车辆基础模块信息的特征对信息进行补充。电池功能模块与用户的充电行为与用户使用电动汽车的时间和电动汽车的状态密切相关，步骤S1.1中所选择的特征子集不足以对电池功能模块的全部信息进行描述，所以其次选择基础信息模块信息产生的特征，时间特征用来记录时间、车架号特征用来区分不同的用户。

S1.3、在选择与功能模块直接相连的传感器特征与基础模块特征后仍无法对功能模块表述完整时，选择其余模块的特征数据对信息进行补充。上述选择的特征子集仅能描述电池功能模块的部分功能与用户需求，选择其余功能模块的特征作为信息描述补充。选择SOC低警报(当电量低于30％，电量低警报会响起)、续驶里程特征作为电池剩余电量不足的信息补充，选择车辆速度、档位、续驶里程、SOC特征作为对电机速度与续航能力等的信息补充，最终得到针对电池功能模块与用户驾驶行为模块的两个初始特征子集C₁和J₁。

在一些实施例中，步骤S2中可以分解为以下步骤得到以下结果：

S2.1、了解当电池处于何种状态何时时用户会进行充电，对电池容量的设置非常重要，需要通过已有在途数据车架号、SOC、时间、SOC低警报、充电桩插拔状态进行计算处理得到当电池剩余电量为多少时用户会偏向于进行充电，即添加初始充电SOC、初始充电时间和SOC低引导充电特征。通过车架号识别同一用户，充电桩插拔状态的插拔用于区分电池是否充电，记录当充电桩插拔状态由拔变为插即刚开始充电时电动汽车的SOC此时的时间即为初始充电时间，当充电桩插拔状态为插且SOC低警报为1(即SOC水平低)时即为SOC低引导充电，若已选在途数据中含有相关信息可跳过添加特征步骤直接进行特征子集的选择。

S2.2、用户的驾驶行为反映在用户对加速度的需求，通过在途数据车架号、时间、速度、档位可以通过计算得到用户电动汽车的加速度，即添加加速度特征。通过车架号识别同一个用户，当档位为1即电动汽车为行驶状态时利用加速度公式原理得到用户的加速度，若已选在途数据中含有相关信息可跳过添加特征步骤直接进行特征子集的选择。

在一些实施例中，步骤S3中可以分解为以下步骤得到如图3所示驾驶行为表结果：

S3.1、整理描述电池与用户驾驶行为模块的特征子集信息，得到描述电池的特征子集为：SOC、充电桩插拔状态、剩余能量、时间、车架号、SOC低报警、初始充电SOC、初始充电时间；描述电机的特征子集为：电机扭矩、电机转速、车辆速度、档位、续驶里程、SOC、时间、车架号、加速度。从中筛选描述用户行为的特征，舍弃辅助计算添加特征的相关基本特征，最终结果为，电池的特征子集：SOC、剩余能量、车架号(作为识别用户标识不能舍弃)、SOC低报警、续驶里程、初始充电SOC、初始充电时间；电机的特征子集：电机扭矩、电机转速、车辆速度、续驶里程、SOC、车架号(作为识别用户的标识不能舍弃)、加速度，该步骤形成两个新的特征子集C₂和J₂。

S3.2、对特征进行信息冗余的筛选，即对特征两两进行相关性检验，得到特征SOC与特征剩余能量显著相关，车辆速度与电机转速显著相关，故舍弃剩余能量与电机转速特征，得到描述电池与电机功能模块用户行为的两个特征子集C₃和J₃。

S3.3、为了降低分析问题的复杂性，采取用户相关记录的统计指标代表用户的行为，对用户行为进行简化描述。其中提取电池部分描述用户充电行为的指标为：用户所有初始充电SOC记录的平均数、用户所有初始充电SOC记录的众数(每10％划分为一个区间，采用连续数据的离散化得到出现最多的一个区间作为众数)、用户所有SOC低引导充电记录的平均数、用户所有SOC低引导充电记录的众数、充电时间的众数(每一小时划分为一个区间，采用连续数据的离散化得到出现最多的一个区间作为众数)，将上述统计指标分别记为平均SOC、偏好SOC、平均引导、引导众数、偏好充电时间。同理提取电机部分描述用户驾驶行为的指标：用户所有车辆速度记录的平均数、用户所有加速度记录的平均数、用户所有电机扭矩记录的平均数、用户所有SOC记录的平均数、用户所有续驶里程记录的平均数、用户所有SOC记录的众数(每10％划分为一个区间，采用连续数据的离散化得到出现最多的一个区间作为众数)、用户所有续驶里程记录的平均数、用户所有续驶里程记录的众数(每20公里划分为一个区间，采用连续数据的离散化得到出现最多的一个区间作为众数)、用户所有时间记录的众数(每一小时划分为一个区间，采用连续数据的离散化得到出现最多的一个区间作为众数)，将上述统计指标分别记为平均速度、平均加速度、平均电机扭矩、平均SOC、平均续驶里程、偏好SOC、偏好续驶里程、偏好驾驶时间。该步骤得到描述用户充电行为和驾驶行为的两个统计值特征子集TC和TJ。得到记录用户充电行为的表与记录用户驾驶行为的表，其中每个用户的行为为一条记录。

如图4所示，在一些实施例中，步骤S4中可以分解为以下步骤得到以下结果，

S4.1、剔除数据项中的时间特征，对描述用户充电行为的除时间之外的四个特征首先进行相关性检验，得到特征间无显著相关，接着对特征进行因子分析，四个特征得到两个抽象特征，其中一个抽象特征中包含平均SOC特征与偏好SOC特征的因子载荷较大即所含两个特征信息较多，定义为充电SOC敏感度特征，充电SOC敏感度特征的值越大，表明用户在进行充电行为时的电池的SOC较大，对SOC较为敏感；另一个抽象特征包含平均引导与引导众数的因子载荷较大，定义为电量低警报引导度，当电量低引导度的值越大，用户越倾向于在电量低警报响起时被引导进行充电行为；因子分析中被剔除的偏好充电时间定义为充电时间偏好。在实际应用中，根据因子分析结果的不同也可对因子分析得到的抽象特征进行不同的解释。

S4.2、剔除数据项中的时间特征，对描述用户驾驶行为的除时间之外的七个特征首先进行相关性检验，得到特征间无显著相关，接着对特征进行因子分析，七个特征得到两个抽象特征，其中一个抽象特征中包含平均速度、平均加速度、平均电机扭矩的因子载荷较大，定义为驾驶速度需求，驾驶速度需求的值越大，用户驾驶的速度与加速度越大；另一个抽象特征包含平均SOC、平均续驶里程、偏好SOC、偏好续驶里程的因子载荷较大，定义为续航能力需求，续航能力需求的值越大，用户驾驶时对电动汽车的续航能力需求越大；因子分析中被提出的偏好驾驶时间定义为驾驶时间偏好。在实际应用中也可对因子分析得到的抽象特征进行不同的解释。

在一些实施例中，步骤S5中可以分解为以下步骤得到以下结果：

S5.1、以用户对电动汽车电池与电机的功能需求与偏好为指标对用户分别进行基于充电行为的聚类与基于驾驶行为的聚类，聚类方法采取K均值聚类，考虑目标问题需要与操作可行性将K的范围选定为3-5个，即对用户分类的结果为3-5个类群，将K分别设为2-6进行试验。S5.2、比较不同聚类个数聚类效果的优劣，最终确定聚类个数为n，将用户划分为n个类群，并进行所属标记。n大小确定的规则为：用户聚为n类的类内平均距离与用户聚为n-1类的类内平均距离的差小于用户聚为n-1类的类内平均距离与用户聚为n-2类的类内平均距离的差且大于用户聚为n+1类的类内平均距离与用户聚为n类的类内平均距离的差，即d_n-1-d_n-2>d_n-d_n-1>d_n+1-d_n。

在一些实施例中，步骤S6中可以分解为以下步骤得到如图5结果：

S6.1、分别计算计算所有用户对某一需求或偏好的平均值和聚类后不同类群对某一需求或偏好的平均值，时间偏好除外。

S6.2、根据以下规则对不同类群用户的需求满足程度进行划分，时间偏好数据项除外：(1)需求满足适度的标准为该类群用户某一需求或偏好的平均值为所有用户的平均数*(80％-120％)(2)需求满足不足的标准为该类群用户某一需求或偏好的平均值为所有用户的平均数*(120％以上)(3)需求满足过剩的标准为该类群用户某一需求或偏好的平均值为所有用户的平均数*(80％以下)。

S6.3、针对用户驾驶行为需求与充电行为需求满足不足都应从扩大电池容量入手设置，同时对充电行为不良好的用户发送建议，宣传设置充电提醒、提高续航里程计算准确率等方式引导用户在满足出行需求的条件下合理利用电池容量；

通过本发明实施例，解决了由于传感器采集的功能部件的数据的局限性、在途数据的复杂性以及用户行为定义的规则的不确定性，从中提取用户行为偏好需求信息十分复杂，分析结果也比较粗略,无法提供电动汽车电池与电机配置参考的问题。能够对用户的真实行为进行概括与描述，并能根据用户需求满足程度对电动汽车设置提供改进方案。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于用户行为推荐电池配置的方法，其特征在于，包括：

获取用户驾驶的电动汽车的在途数据，所述在途数据包括在途电池模块信息、充电行为信息和驾驶行为信息其中一个或多个；

对所述在途电池模块信息进行筛选，筛选后得出在途特征子集；

对所述特征子集进行因子分析，根据分析结果向用户发送新的电池的设置信息，同时向服务器发送用户行为分布信息；

所述充电行为信息具体包括：

用户充电行为信息子集，所述用户充电行为信息的特征子集为SOC、充电桩插拔状态、剩余能量、剩余时间、车架号、SOC低报警、初始充电SOC、初始充电时间其中一个或多个；

所述驾驶行为信息具体包括：

用户驾驶行为信息子集，所述用户驾驶行为信息的特征子集为电机扭矩、电机转速、车辆速度、档位、续驶里程、SOC、行驶时间、车架号、加速度其中一个或多个；

在对所述特征子集进行因子分析前，还包括：

比较所述在途特征子集与用户充电行为和驾驶行为信息的信息覆盖度；

如果所述信息覆盖度小于或等于50％，则将用户充电行为和驾驶行为信息补充到所述在途特征子集缺失的对应信息中。

2.如权利要求1所述的方法，其特征在于，在对所述特征子集进行因子分析后，还包括：

根据因子分析结果，对用户进行聚类。

3.如权利要求1所述的方法，其特征在于，所述在途特征子集包括：用户充电行为统计与用户驾驶行为统计。

4.一种基于用户行为推荐电池配置的装置，其特征在于，包括：

信息采集模块，获取用户驾驶的电动汽车的在途数据，所述在途数据包括在途电池模块信息、充电行为信息和驾驶行为信息其中一个或多个；

信息筛选模块，对所述在途电池模块信息进行筛选，筛选后得出在途特征子集；

信息分析模块，用于对所述特征子集进行因子分析；

信息发送模块，所述信息发送模块包括：

第一发送模块，所述第一发送模块用于向用户发送新的电池的设置信息；

第二发送模块，所述第二发送模块用于向服务器发送用户行为分布信息；

用户充电行为信息子集，所述用户充电行为信息的特征子集为SOC、充电桩插拔状态、剩余能量、剩余时间、车架号、SOC低报警、初始充电SOC、初始充电时间其中一个或多个；

所述驾驶行为信息具体包括：

用户驾驶行为信息子集，所述用户驾驶行为信息的特征子集为电机扭矩、电机转速、车辆速度、档位、续驶里程、SOC、行驶时间、车架号、加速度其中一个或多个；

还包括：

比较补充模块，用于比较所述在途特征子集与用户充电行为和驾驶行为信息的信息覆盖度；如果所述信息覆盖度小于或等于50％，则将用户充电行为和驾驶行为信息补充到所述在途特征子集缺失的对应信息中。

5.如权利要求4所述的装置，其特征在于，还包括：

聚类模块，用于根据因子分析结果，对用户进行聚类。

6.如权利要求4所述的装置，其特征在于，所述在途特征子集包括：用户充电行为统计与用户驾驶行为统计。