CN107133678A - 基于用户历史行为的补能时长预测方法 - Google Patents
基于用户历史行为的补能时长预测方法 Download PDFInfo
- Publication number
- CN107133678A CN107133678A CN201710158965.7A CN201710158965A CN107133678A CN 107133678 A CN107133678 A CN 107133678A CN 201710158965 A CN201710158965 A CN 201710158965A CN 107133678 A CN107133678 A CN 107133678A
- Authority
- CN
- China
- Prior art keywords
- complementary energy
- history
- duration
- loading
- expected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于用户历史行为的补能时长预测方法,该方法包括:将所获取的用户的当前补能请求信息,与所存储的该用户的各条历史补能数据进行匹配;依据匹配结果从历史补能数据中选定历史补能时长作为该用户当前补能请求所需的补能时长。本发明可有效避免补能服务在时间轴上形成波峰,从而在不增设补能资源的情况下有效避免了因波峰时段的存在影响用户补能体验的问题。
Description
技术领域
本发明涉及车辆补能技术领域,并且更具体地,本发明涉及一种基于用户历史行为的补能时长预测方法。
背景技术
代客加电限时服务可以让客户享受到良好的加电体验。其具体服务模式为,当客户提交加电请求后,系统安排人员在承诺的时间(例如一小时)内为该客户的车辆完成加电并送还该车辆。但实际情况中客户的加电请求在时间轴上的分配是极不均匀的,容易在某些时段形成波峰,某些时段形成波谷。这样一来,如果想要保证客户可以体验到良好的加电体验,就必须增设加电资源,包括服务人员和加电设备,这无疑增加了系统的运营成本。因此,如何在不增加系统运营成本的前提下,有效避免因加电服务的波峰时段的存在影响用户的加电体验就成了相关技术人员亟待解决的问题。
发明内容
为了解决现有技术中的上述问题,即为了解决现有加电方式若想有效避免因为波峰时段的存在影响用户的加电体验,必须增设加电资源,从而增大了运营成本的问题。本发明提出了一种基于用户历史行为的补能时长预测方法,该方法包括:
将所获取的用户的当前补能请求信息,与所存储的该用户的各条历史补能数据进行匹配;依据匹配结果从历史补能数据中选定历史补能时长作为该用户当前补能请求所需的补能时长。
优选地,各条历史补能数据由设定的补能因子构成,该组补能因子包括:对应的历史补能请求信息中各因素、车辆返还时间与发还后首次使用的间隔时长、返还后首次行驶目的地、实际补能服务时长。
优选地,从历史补能数据中选定历史补能时长,方法为:
步骤A1,确定用户当前补能请求信息中的匹配因子,匹配因子为各补能因子和/或补能因子的组合,然后分别执行以下步骤:
步骤A11,从历史补能数据中筛选出与所选定的匹配因子相匹配的所有历史补能数据;依据所筛选出的各条历史补能数据中实际补能服务时长,按照预设的一组预期补能时长对所筛选出的各条历史补能数据进行二次分组;步骤A12,对二次分组后的各组历史补能数据,采用公式分组计算各匹配因子基于不同预期补能时长的契合度权值;其中M为二次分组后的各组历史补能数据的条数,N为所存储的对应用户历史补能数据的总条数,为所选定的匹配因子预设的影响度权值。
步骤A2,分别对各预期补能时长对应的步骤A1中获取的用户当前补能请求信息中各匹配因子的契合度权值求和,得到每个预期补能时长的第一权值。
步骤A3,根据每个预期补能时长的第一权值,从历史补能数据中选定历史补能时长。
优选地,从历史补能数据中选定历史补能时长,其方法进一步包括:步骤A3中,将每个预期补能时长的第一权值与对应的预期补能时间的负荷预测度权值相加获得第二权值,然后根据第二权值,从历史补能数据中选定历史补能时长;其中,预期补能时间的负荷预测度权值的计算方法包括:
步骤B1,按照预设的一组预期补能时长,以及用户当前补能请求信息,计算对应的一组预期补能时间;步骤B2,计算预期补能时间的计划资源负荷度和历史资源负荷度;计划资源负荷度依据所有补能资源在预期补能时间对应的时间段内计划服务时间和可用总服务时间的比值的大小划分为Q个等级;历史资源负荷度依据所有补能资源在预期补能时间对应的时间段内历史实际服务时间和历史可用总服务时间的比值的大小划分为Q个等级;步骤B3,将各补能时长对应的历史资源负荷度和计划资源负荷度分别组合得到数组{X,Y}作为对应补能时长的补能资源负荷度,其中X表示计划资源负荷度的等级,Y表示历史资源负荷度的等级;步骤B4,将补能资源负荷度按照计划资源负荷度的等级进行从大到小排列,然后再对计划资源负荷度的等级相同的补能资源负荷度按照历史资源负荷度的等级从大到小排列,并依照排列的顺序从小到大赋予不同的权值。
优选地,从历史补能数据中选定历史补能时长,其方法进一步包括:按照每一预期补能时长的第二权值的降序对所有预期补能时长进行排序,形成预期补能时长列表发送至用户端进行选择;当接收到用户端反馈的选择指令后,选取所述选择指令对应的预期补能时长为所选定的选定历史补能时长。
优选地,计划资源负荷度和历史资源负荷度从大到小分为第一等级、第二等级、第三等级。
优选地,计算预期补能时间的计划资源负荷度,方法为:确定所有补能资源在预期补能时间对应的时间段内计划服务时间和可用总服务时间的比值r1;当r1大于预定区间的上限值时对应计划资源负荷度为第一等级,当r1位于预定区间内时对应计划资源负荷度为第二等级,当r1小于预定区间的下限值时对应计划资源负荷度为第三等级。
优选地,计算预期补能时间的历史资源负荷度,方法为:确定所有补能资源在预期补能时间对应的时间段内历史实际服务时间和历史可用总服务时间的比值r2;当r2大于预定区间的上限值时对应历史资源负荷度为第一等级,当r2位于预定区间内时对应历史资源负荷度为第二等级,当r2小于预定区间的下限值时对应历史资源负荷度为第三等级。
优选地,补能请求信息中的因素与历史数据中的历史补能请求信息中的因素一致,包括:补能请求时间、补能请求地点、待补能车辆续航里程。
优选地,历史补能数据中的补能因子还包括设定的其它影响补能服务时长的因素。
优选地,设定的其它影响补能服务时长的因素包括天气情况。
优选地,补能资源包括位置固定补能资源、和/或移动补能资源。
优选地,补能资源为充电资源、和/或换电资源。
本发明提出的基于用户历史行为的补能时长预测方法,通过将所获取的用户的当前补能请求信息,与所存储的该用户的各条历史补能数据进行匹配;依据匹配结果从历史补能数据中选定历史补能时长作为该用户当前补能请求所需的补能时长。可以有效避免加电服务在时间轴上形成波峰,从而在不增设加电资源的情况下有效避免了因波峰时段的存在影响用户加电体验的问题。
方案1、一种基于用户历史行为的补能时长预测方法,其特征在于,所述方法包括:
将所获取的用户的当前补能请求信息,与所存储的该用户的各条历史补能数据进行匹配;
依据匹配结果从历史补能数据中选定历史补能时长作为该用户当前补能请求所需的补能时长。
方案2、如方案1所述的方法,其特征在于,各条所述历史补能数据由设定的补能因子构成,该组补能因子包括:对应的历史补能请求信息中各因素、车辆返还时间与发还后首次使用的间隔时长、返还后首次行驶目的地、实际补能服务时长。
方案3、如方案2所述的方法,其特征在于,所述从历史补能数据中选定历史补能时长,方法为:
步骤A1,确定用户当前补能请求信息中的匹配因子,所述匹配因子为各补能因子和/或补能因子的组合,然后分别执行以下步骤:
步骤A11,从历史补能数据中筛选出与所选定的匹配因子相匹配的所有历史补能数据;依据所筛选出的各条历史补能数据中实际补能服务时长,按照预设的一组预期补能时长对所筛选出的各条历史补能数据进行二次分组;
步骤A12,对所述二次分组后的各组历史补能数据,采用公式分组计算各匹配因子基于不同预期补能时长的契合度权值;其中M为所述二次分组后的各组历史补能数据的条数,N为所存储的对应用户历史补能数据的总条数,为所选定的匹配因子预设的影响度权值;
步骤A2,分别对各预期补能时长对应的步骤A1中获取的用户当前补能请求信息中各匹配因子的契合度权值求和,得到每个预期补能时长的第一权值;
步骤A3,根据所述每个预期补能时长的第一权值,从历史补能数据中选定历史补能时长。
方案4、如方案3所述的方法,其特征在于,所述从历史补能数据中选定历史补能时长,其方法进一步包括:
步骤A3中,将每个预期补能时长的第一权值与对应的预期补能时间的负荷预测度权值相加获得第二权值,然后根据第二权值,从历史补能数据中选定历史补能时长;
其中,所述预期补能时间的负荷预测度权值的计算方法包括:
步骤B1,按照所述预设的一组预期补能时长,以及用户当前补能请求信息,计算对应的一组预期补能时间;
步骤B2,计算预期补能时间的计划资源负荷度和历史资源负荷度;所述计划资源负荷度依据所有补能资源在预期补能时间对应的时间段内计划服务时间和可用总服务时间的比值的大小划分为Q个等级;所述历史资源负荷度依据所有补能资源在预期补能时间对应的时间段内历史实际服务时间和历史可用总服务时间的比值的大小划分为Q个等级;
步骤B3,将各补能时长对应的历史资源负荷度和计划资源负荷度分别组合得到数组{X,Y}作为对应补能时长的补能资源负荷度,其中X表示计划资源负荷度的等级,Y表示历史资源负荷度的等级;
步骤B4,将补能资源负荷度按照计划资源负荷度的等级进行从大到小排列,然后再对计划资源负荷度的等级相同的补能资源负荷度按照历史资源负荷度的等级从大到小排列,并依照排列的顺序从小到大赋予不同的权值。
方案5、如方案4所述的方法,其特征在于,所述从历史补能数据中选定历史补能时长,其方法进一步包括:
按照每一预期补能时长的第二权值的降序对所有预期补能时长进行排序,形成预期补能时长列表发送至用户端进行选择;
当接收到用户端反馈的选择指令后,选取所述选择指令对应的预期补能时长为所选定的选定历史补能时长。
方案6、如方案4所述的方法,其特征在于,所述计划资源负荷度和历史资源负荷度从大到小分为第一等级、第二等级、第三等级。
方案7、如方案6所述的方法,其特征在于,所述计算预期补能时间的计划资源负荷度,方法为:
确定所有补能资源在预期补能时间对应的时间段内计划服务时间和可用总服务时间的比值r1;
当r1大于预定区间的上限值时对应计划资源负荷度为第一等级,当r1位于预定区间内时对应计划资源负荷度为第二等级,当r1小于预定区间的下限值时对应计划资源负荷度为第三等级。
方案8、如方案6所述的方法,其特征在于,所述计算预期补能时间的历史资源负荷度,方法为:
确定所有补能资源在预期补能时间对应的时间段内历史实际服务时间和历史可用总服务时间的比值r2;
当r2大于预定区间的上限值时对应历史资源负荷度为第一等级,当r2位于预定区间内时对应历史资源负荷度为第二等级,当r2小于预定区间的下限值时对应历史资源负荷度为第三等级。
方案9、如方案1至8任一项所述的方法,其特征在于,所述补能请求信息中的因素与历史数据中的历史补能请求信息中的因素一致,包括:补能请求时间、补能请求地点、待补能车辆续航里程。
方案10、如方案2至8任一项所述的方法,其特征在于,所述历史补能数据中的补能因子还包括设定的其它影响补能服务时长的因素。
方案11、如方案10所述的方法,其特征在于,所述设定的其它影响补能服务时长的因素包括天气情况。
方案12、如方案4至8任一项所述的方法,其特征在于,所述补能资源包括位置固定补能资源、和/或移动补能资源。
方案13、如方案12所述的方法,其特征在于,所述的补能资源为充电资源、和/或换电资源。
附图说明
图1为本发明第一实施例中的基于用户历史行为的补能时长预测方法的流程示意图;
图2为本发明第二实施例中的基于用户历史行为的补能时长预测方法的流程示意图;
图3为以一小时为时间间隔的每一时间段及其对应的补能资源负荷度的示意图;
图4为实际情况中补能时间的调整示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明是基于代客加电限时服务的优化问题而提出的技术方案,为了在有效避免加电服务在时间轴上形成波峰,从而在不增设加电资源的情况下有效避免了因波峰时段的存在影响用户加电体验的问题,但该技术方案并不局限于代客加电领域,在常规的电动汽车用户自加电领域,也可以对加电时长进行有效的预测,从而对电动汽车用户以及加电资源进行有效的统筹调度。
为了更清楚地对本发明技术方案进行清晰地描述,下面基于代客加电的具体模式,通过多个实施例进行详细说明。
第一实施例
请参阅图1,图1示出了本发明的第一实施例中的基于用户历史行为的补能时长预测方法的流程示意图,具体步骤如下:
S101,将所获取的用户的当前补能请求信息,与所存储的该用户的各条历史补能数据进行匹配。
补能请求信息中包含多个影响补能时长的因素,具体地,在本实施例中,补能请求信息中包含以下因素:补能请求时间、补能请求地点、待补能车辆续航里程。当然可以理解的是,本实施例并不限定补能请求信息中因素的具体数量,也不限定补能请求信息中因素的具体类型。
而用户对应的每条历史补能数据则包含了该用户的一条历史补能请求信息以及该条历史补能请求信息对应的车辆返还时间与发还后首次使用的间隔时长、返还后首次行驶目的地、实际代客补能服务时长以及其它影响代客补能服务时长的因素。所述设定的其它影响代客补能服务时长的因素包括天气情况。当然可以理解的是,本实施例并不限定历史补能数据中包含的具体因素。
本实施例中补能服务具体为加电服务,且默认以往代客加电服务都满足了用户的加电体验。因而本实施例中是通过将用户当前的加电请求信息与该用户对应的各条历史补能数据进行匹配来预测用户所期望的加电时长。具体地,本实施例中采用以下匹配规则:
仅匹配因子A:从历史补能数据中找出和当前补能请求信息中的因子A相匹配的历史补能数据。根据每一相匹配的历史补能数据中的实际代客加电服务时长Gap(即实际加电完成时间点与加电请求时间点的间隔),以一定时间段为单位(比如1小时)对所有相匹配的历史补能数据进行分类。
基于公式我们即可以得到基于因子A,用户对于本次加电服务时长的契合度为1小时的权值AGap=1,其中M为和因子A相匹配且Gap为1小时的历史补能数据的条数,N为所存储的对应用户历史补能数据的总条数,为根据因子A对补能时长的影响所确定的因子A的影响度权值。
依此类推,基于加电请求中的因子B,因子C…因子F等其他因子,我们可以得到类似的权值BGap=1,CGap=1…FGap=1等。然后将基于不同的因子且Gap值为1小时的权值进行累加得到预期加电时长为1小时的权值SUMGap=1,如下列式子所示:SUMGap=1=AGap=1+FGap=1+…+FGap=1。同样地,我们还可以得到其他预期加电时长的权值SUMGap=2,SUMGap=3…SUMGap=n等。权值越大意味着所对应的预期加电时长和用户真正期望的加电时长的契合度越高。
S102,依据匹配结果从历史补能行为数据中选定历史代客补能时长作为该用户当前补能请求所需的代客补能时长。
当通过步骤101确定了每一预期代客加电时长的权值后,即可知道每一预期加电时长和用户真正期望的加电时长的契合度。此时可以根据每一预期时长对应的契合度重新编排对应用户的加电服务。但实际情况中,在重新编排时应考虑避过资源紧张的时间段,这样才能有效地在所有代客加电服务中达到削弱加电服务的波峰时段的效果。
因此,基于上述原因,还需进一步根据每一时间段内的加电资源的使用程度确定各时间段的加电资源负荷度,资源负荷度越大表示加电资源越紧张,此外为了便于后续计算,还需为每一资源负荷度分配权值,其中资源负荷度越大对应的权值越小。最后将每个预期补能时长的权值与对应的预期补能时间的负荷预测度权值相加得到权值的和值。
在得到权值的和值后,我们可以直接选取和值最大的值对应的预期加电时长作为对应用户真正期望的加电时长。当然考虑到用户可能由于一些特殊原因,导致此次期望加电时长和以往有差异,也为了充分保证所选时长符合用户需求,本实施例中是通过相加后的和值的降序对所有时长排序后显示给用户,然后根据用户的选择最终确定此次的代客加电时长。
本实施例提出的基于用户历史行为的补能时长预测方法,通过将所获取的用户的当前补能请求信息,与所存储的该用户的各条历史补能数据进行匹配;依据匹配结果从历史补能数据中选定历史代客补能时长作为该用户当前补能请求所需的代客补能时长。可以有效避免代客补能服务在时间轴上形成波峰,从而在不增设补能资源的情况下有效避免了因波峰时段的存在影响用户补能体验的问题。
第二实施例
请参阅图2,图2示出了本发明的第二实施例中的基于用户历史行为的补能时长预测方法的流程示意图,具体步骤如下:
S201,确定用户当前补能请求信息中的匹配因子。
本实施例中补能请求信息具体包括补能请求时间A、补能请求地点B、待补能车辆续航里程C,车辆返还时间与发还后首次使用的间隔时长D、返还后首次行驶目的地E、天气情况F等因子。对于以上因子,系统会从影响“用户期望补能时间点”的角度出发,为每一因子赋予不同的权值,各因子的权值相加的和为100%。当然可以理解的是,本实施例并不限定补能请求信息所包含的因子的具体数量,也不限定补能请求信息所包含的因子的具体类型。
而匹配因子则为补能请求信息中各代客补能因子和/或代客补能因子组合。本实施例中以单一代客补能因子作为匹配因子来说明匹配过程,当然可以理解的是,本实施例并不限定匹配因子的具体形式。
S202,从历史补能数据中筛选出与匹配因子相匹配的所有历史补能数据并对筛选出的历史补能数据二次分组。
系统记录每次代客补能服务对应的补能请求信息中各因子的实际值以及实际代客补能服务时长Gap值,形成历史补能数据。其中每条历史补能数据的形式如下:
S历史n=[A历史n,B历史n,C历史n,D历史n,E历史n,F历史n,Gap历史n]
式中S历史n表示第n条历史补能数据,A历史n、B历史n、C历史n、D历史n,E历史n,、F历史n分别表示第n条历史补能数据对应的补能请求信息中的因子A、B、C、D、E、F的实际值,Gap历史n表示第n条历史补能数据对应的Gap的值。例如对于历史补能数据中的第一条数据的各因子值,系统记录如下:A历史1=周一,8:00am至9:00am之间,其表示第一条历史补能数据中的补能请求时间A的值为“周一,8:00am至9:00am之间”,类似的系统还会记录其他因子的实际值,例如B历史1=嘉宁荟、C历史1=80km、D历史1=3小时、E历史1=安拓路、F历史1=大雨。同时系统还会记录其对应的实际代客补能服务时长Gap历史1=2小时。
本实施例中是依据所筛选出的各条历史补能数据中实际代客补能服务时长,按照预设的一组预期补能时长对所筛选出的各条历史补能数据进行二次分组。其中预设的一组预期补能时长可以根据实际情况确定,在本实施例中,以一小时为间隔确定上述的一组预期补能时长,也即通过本实施例中预设的一组预期补能时长对筛选出的各条历史补能数据进行二次分组后,每组的预期补能时长为1小时,2小时…n小时。
S203,对二次分组后的各组历史补能数据,分组计算各匹配因子基于不同预期补能时长的契合度权值。
本实施例中,采用下列方式分组计算各匹配因子基于不同预期补能时长的契合度权值:
以匹配因子为因子A,预期补能时长为1小时为例进行说明,基于公式我们即可以得到基于因子A,用户对于本次加电服务时长的契合度为1小时的权值AGap=1,其中M为和因子A相匹配且Gap为1小时的历史补能数据的条数,N为所存储的对应用户历史补能数据的总条数,为根据因子A对补能时长的影响所确定的因子A的影响度权值。同样地,对于其他预期补能时长,基于因子A我们可以得到类似的权值AGap=2,AGap=3…AGap=n等。依此类推,基于补能请求信息中的其他因子,我们可以依次得到类似的权值BGap=1,BGap=2…BGap=n;CGap=1,CGap=2…CGap=n;DGap=1,DGap=2…DGap=n;EGap=1,EGap=2…EGap=n;FGap=1,FGap=2…FGap=n。
S204,对各预期补能时长对应的补能请求信息中各匹配因子的契合度权值求和,得到每个预期补能时长的第一权值。
上述步骤是将基于不同匹配因子且预期补能时长相同的各权值相加得到上述的第一权值。例如预期时长为1小时对应的第一权值SUMGap=1通过下式得到,以此类推,我们可以得到其他预期补能时长对应的类似权值:SUMGap=2,SUMGap=3…SUMGap=n。
SUMGap=1=AGap=1+BGap=1+…+FGap=1
上述第一权值表示对应预期补能时长和用户真正期望的补能时长的契合度,第一权值越大表示对应的预期补能时长和用户真正期望的补能时长的契合度越高。
但实际应用场景中为了在重新编排代客补能服务的时间时可以有效削弱服务中波峰的存在,不能仅考虑预期补能时长和用户真正期望的补能时长的契合度,还应该考虑到在全部服务时间内,按照预设间隔(例如1小时)确定的每一时间段内的补能资源的负荷度,也即每一时间段内的补能资源的使用紧张程度。从而在满足用户期望的前提下将对应用户的补能服务安排到补能资源负荷度较低的时间段内。因此为了实现上述效果需执行下列步骤。
S205,按照预设的一组预期补能时长,以及用户当前补能请求信息,计算对应的一组预期补能时间。
步骤205中的预设的一组预期补能时长和步骤202中的预设的一组预期补能时长一致,也即其为以一小时为间隔确定的一组预期补能时长。由于补能请求信息中包含补能请求时间,因此根据补能请求时间就可以确定每一预期补能时长对应的预期补能时间,也即确定在哪个时间点为客户提供补能服务。
S206,计算预期补能时间的补能资源负荷度,将补能资源负荷度从大到小排列,并按排列顺序从小到大赋予不同的权值。
本实施例中补能资源负荷度由计划补能资源负荷度和历史补能资源负荷度共同决定。计划资源负荷度由系统实时更新,依据所有补能资源在预期补能时间对应的时间段内计划服务时间和可用总服务时间的比值的大小划分为Q个等级;历史资源负荷度依据所有补能资源在预期补能时间对应的时间段内历史实际服务时间和历史可用总服务时间的比值的大小划分为Q个等级。
具体地,本实施例中计划资源负荷度和历史资源负荷度从大到小分为第一等级、第二等级、第三等级(为了便于描述,依次通过H、M、L进行表示)。并分别通过以下方式确定预期补能时间的计划资源负荷度和历史资源负荷度:
确定所有补能资源在预期补能时间对应的时间段内计划服务时间和可用总服务时间的比值r1;当r1大于预定区间的上限值时对应计划资源负荷度为H,当r1位于预定区间内时对应计划资源负荷度为M,当r1小于预定区间的下限值时对应计划资源负荷度为L。
确定所有补能资源在预期补能时间对应的时间段内历史实际服务时间和历史可用总服务时间的比值r2;当r2大于预定区间的上限值时对应历史资源负荷度为H,当r2位于预定区间内时对应历史资源负荷度为M,当r2小于预定区间的下限值时对应历史资源负荷度为L。
当确定了计划补能资源负荷度的等级和历史补能资源负荷度的等级后,将各代客补能时长对应的历史资源负荷度和计划资源负荷度分别组合得到的数组{X,Y}作为对应代客补能时长的补能资源负荷度,其中X表示计划资源负荷度的等级,Y表示历史负荷度的等级。如图3所示,时间轴以一小时为间隔划分为多个时间段,每一时间段上方的数组表示对应时间段的补能资源负荷度。
确定了补能资源负荷度后,为了方便后续的计算过程,还需为每一补能资源负荷度赋予相应的权值,本实施例中通过以下方式为补能资源负荷度赋予权值,首先将补能资源负荷度按照计划资源负荷度的等级进行从大到小排列,然后再对计划资源负荷度的等级相同的补能资源负荷度按照历史资源负荷度的等级从大到小排列。经上述排列后,补能资源负荷度按照从大到小的顺序如下:{H,H},{H,M},{H,L},{M,H},{M,M},{L,H},{M,L},{L,M},{L,L}。依照上述排列顺序为每一补能资源负荷度从小到大赋予不同的权值。这样一来,补能资源负荷度越大对应的权值则越小。
S207,将每个预期补能时长的第一权值与对应的预期补能时间的负荷预测度权值相加获得第二权值。
第二权值为对应的预期补能时长与用户真正期望的补能时长的契合度以及该预期补能时长对应的补能资源负荷度叠加后的结果。第二权值越大说明对应的预期补能时长越容易使用户得到良好的补能服务。
S208,按照每一预期补能时长的第二权值的降序对所有预期补能时长进行排序,并发送至用户端进行选择。
通过第二权值的降序对所有预期补能时长进行排序后,会形成预期补能时长的选择列表,该列表中越是处于上层的预期补能时长就越符合上述要求。此时用户可以结合自身需求在上述列表中选择一预期补能时长作为本次代客补能服务的补能服务时长。
S209,当接收到用户端反馈的选择指令后,选取所述选择指令对应的预期补能时长为所选定的选定历史代客补能时长。
本实施例中用户的补能请求不会重新调整进入对应补能资源负荷度为{H,H},{H,M},{H,L}的时间区域。下面以代客加电服务来具体说明对用户补能请求的具体调整过程,如图4所示,A点为用户的加电请求时间点,B、C、D为通过上述方式确定的期望加电时间点,且B、C、D和用户真正期望的加电时间点的契合度依次递减。每一时间点上方的数组代表对应时间点的加电资源负荷度,显然依照上述调整规则,虽然B点与用户真正期望的加电时间点的契合度最高,但由于B点对应的加电资源负荷度为{H,H},因此该用户的加电请求不会被调整到B点对应的时间点,而是应该优先调整到C点对应的时间点。
本实施例提出的基于用户历史行为的补能时长预测方法,通过将所获取的用户的当前补能请求信息,与所存储的该用户的各条历史补能数据进行匹配;依据匹配结果从历史补能数据中选定历史代客补能时长作为该用户当前补能请求所需的代客补能时长。可以有效避免代客补能服务在时间轴上形成波峰,从而在不增设补能资源的情况下有效避免了因波峰时段的存在影响用户补能体验的问题。
本发明应用于电动汽车用户自加电领域时,与现有常规的电动汽车用户自加电方式的区别之处在于需要待补能车辆在出发前发送补能请求信息,通过本发明所述方法基于发送补能请求信息的时间、以及历史补能数据等信息进行补能时长预测。
本发明的基于用户历史行为的补能时长预测方法中的补能可以为加电、加气、加油等,而且也不局限于车辆能源的代客补充,还可以应用于其他需要取、送操作的领域,比如代客洗衣(取待洗衣物送至洗衣房,洗衣房洗衣烘干,送回至客户处)等。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于用户历史行为的补能时长预测方法,其特征在于,所述方法包括:
将所获取的用户的当前补能请求信息,与所存储的该用户的各条历史补能数据进行匹配;
依据匹配结果从历史补能数据中选定历史补能时长作为该用户当前补能请求所需的补能时长。
2.如权利要求1所述的方法,其特征在于,各条所述历史补能数据由设定的补能因子构成,该组补能因子包括:对应的历史补能请求信息中各因素、车辆返还时间与发还后首次使用的间隔时长、返还后首次行驶目的地、实际补能服务时长。
3.如权利要求2所述的方法,其特征在于,所述从历史补能数据中选定历史补能时长,方法为:
步骤A1,确定用户当前补能请求信息中的匹配因子,所述匹配因子为各补能因子和/或补能因子的组合,然后分别执行以下步骤:
步骤A11,从历史补能数据中筛选出与所选定的匹配因子相匹配的所有历史补能数据;依据所筛选出的各条历史补能数据中实际补能服务时长,按照预设的一组预期补能时长对所筛选出的各条历史补能数据进行二次分组;
步骤A12,对所述二次分组后的各组历史补能数据,采用公式分组计算各匹配因子基于不同预期补能时长的契合度权值;其中M为所述二次分组后的各组历史补能数据的条数,N为所存储的对应用户历史补能数据的总条数,为所选定的匹配因子预设的影响度权值;
步骤A2,分别对各预期补能时长对应的步骤A1中获取的用户当前补能请求信息中各匹配因子的契合度权值求和,得到每个预期补能时长的第一权值;
步骤A3,根据所述每个预期补能时长的第一权值,从历史补能数据中选定历史补能时长。
4.如权利要求3所述的方法,其特征在于,所述从历史补能数据中选定历史补能时长,其方法进一步包括:
步骤A3中,将每个预期补能时长的第一权值与对应的预期补能时间的负荷预测度权值相加获得第二权值,然后根据第二权值,从历史补能数据中选定历史补能时长;
其中,所述预期补能时间的负荷预测度权值的计算方法包括:
步骤B1,按照所述预设的一组预期补能时长,以及用户当前补能请求信息,计算对应的一组预期补能时间;
步骤B2,计算预期补能时间的计划资源负荷度和历史资源负荷度;所述计划资源负荷度依据所有补能资源在预期补能时间对应的时间段内计划服务时间和可用总服务时间的比值的大小划分为Q个等级;所述历史资源负荷度依据所有补能资源在预期补能时间对应的时间段内历史实际服务时间和历史可用总服务时间的比值的大小划分为Q个等级;
步骤B3,将各补能时长对应的历史资源负荷度和计划资源负荷度分别组合得到数组{X,Y}作为对应补能时长的补能资源负荷度,其中X表示计划资源负荷度的等级,Y表示历史资源负荷度的等级;
步骤B4,将补能资源负荷度按照计划资源负荷度的等级进行从大到小排列,然后再对计划资源负荷度的等级相同的补能资源负荷度按照历史资源负荷度的等级从大到小排列,并依照排列的顺序从小到大赋予不同的权值。
5.如权利要求4所述的方法,其特征在于,所述从历史补能数据中选定历史补能时长,其方法进一步包括:
按照每一预期补能时长的第二权值的降序对所有预期补能时长进行排序,形成预期补能时长列表发送至用户端进行选择;
当接收到用户端反馈的选择指令后,选取所述选择指令对应的预期补能时长为所选定的选定历史补能时长。
6.如权利要求4所述的方法,其特征在于,所述计划资源负荷度和历史资源负荷度从大到小分为第一等级、第二等级、第三等级。
7.如权利要求6所述的方法,其特征在于,所述计算预期补能时间的计划资源负荷度,方法为:
确定所有补能资源在预期补能时间对应的时间段内计划服务时间和可用总服务时间的比值r1;
当r1大于预定区间的上限值时对应计划资源负荷度为第一等级,当r1位于预定区间内时对应计划资源负荷度为第二等级,当r1小于预定区间的下限值时对应计划资源负荷度为第三等级。
8.如权利要求6所述的方法,其特征在于,所述计算预期补能时间的历史资源负荷度,方法为:
确定所有补能资源在预期补能时间对应的时间段内历史实际服务时间和历史可用总服务时间的比值r2;
当r2大于预定区间的上限值时对应历史资源负荷度为第一等级,当r2位于预定区间内时对应历史资源负荷度为第二等级,当r2小于预定区间的下限值时对应历史资源负荷度为第三等级。
9.如权利要求1至8任一项所述的方法,其特征在于,所述补能请求信息中的因素与历史数据中的历史补能请求信息中的因素一致,包括:补能请求时间、补能请求地点、待补能车辆续航里程。
10.如权利要求2至8任一项所述的方法,其特征在于,所述历史补能数据中的补能因子还包括设定的其它影响补能服务时长的因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710158965.7A CN107133678B (zh) | 2017-03-16 | 2017-03-16 | 基于用户历史行为的补能时长预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710158965.7A CN107133678B (zh) | 2017-03-16 | 2017-03-16 | 基于用户历史行为的补能时长预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133678A true CN107133678A (zh) | 2017-09-05 |
CN107133678B CN107133678B (zh) | 2020-05-15 |
Family
ID=59721137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710158965.7A Active CN107133678B (zh) | 2017-03-16 | 2017-03-16 | 基于用户历史行为的补能时长预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133678B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095384A1 (zh) * | 2017-11-20 | 2019-05-23 | 深圳市尚佳能源网络有限责任公司 | 一种能源分配调度方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055217A (zh) * | 2010-10-27 | 2011-05-11 | 国家电网公司 | 电动汽车有序充电控制方法及系统 |
CN102436607A (zh) * | 2011-11-10 | 2012-05-02 | 山东大学 | 电动汽车换电站充电功率的多时间尺度决策方法 |
CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及系统 |
CN103915869A (zh) * | 2014-03-10 | 2014-07-09 | 贾英昊 | 一种基于移动设备的电动汽车智能充电系统及方法 |
CN105551150A (zh) * | 2016-02-03 | 2016-05-04 | 江西师范大学 | 互联网+智能公共自行车交通管理系统及预约调度方法 |
CN105610218A (zh) * | 2016-01-22 | 2016-05-25 | 石家庄科林电气股份有限公司 | 一种电动汽车智能充电的协调控制方法 |
US20160275400A1 (en) * | 2015-03-19 | 2016-09-22 | Microsoft Technology Licensing, Llc | Device Charging Discovery Service |
CN106356922A (zh) * | 2016-08-31 | 2017-01-25 | 南方电网科学研究院有限责任公司 | 充电站的充电控制方法和系统 |
CN106451684A (zh) * | 2016-12-08 | 2017-02-22 | 华为技术有限公司 | 一种智能控制无线充电的方法、设备及其系统 |
-
2017
- 2017-03-16 CN CN201710158965.7A patent/CN107133678B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055217A (zh) * | 2010-10-27 | 2011-05-11 | 国家电网公司 | 电动汽车有序充电控制方法及系统 |
CN102436607A (zh) * | 2011-11-10 | 2012-05-02 | 山东大学 | 电动汽车换电站充电功率的多时间尺度决策方法 |
CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及系统 |
CN103915869A (zh) * | 2014-03-10 | 2014-07-09 | 贾英昊 | 一种基于移动设备的电动汽车智能充电系统及方法 |
US20160275400A1 (en) * | 2015-03-19 | 2016-09-22 | Microsoft Technology Licensing, Llc | Device Charging Discovery Service |
CN105610218A (zh) * | 2016-01-22 | 2016-05-25 | 石家庄科林电气股份有限公司 | 一种电动汽车智能充电的协调控制方法 |
CN105551150A (zh) * | 2016-02-03 | 2016-05-04 | 江西师范大学 | 互联网+智能公共自行车交通管理系统及预约调度方法 |
CN106356922A (zh) * | 2016-08-31 | 2017-01-25 | 南方电网科学研究院有限责任公司 | 充电站的充电控制方法和系统 |
CN106451684A (zh) * | 2016-12-08 | 2017-02-22 | 华为技术有限公司 | 一种智能控制无线充电的方法、设备及其系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095384A1 (zh) * | 2017-11-20 | 2019-05-23 | 深圳市尚佳能源网络有限责任公司 | 一种能源分配调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107133678B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Langbroek et al. | When do you charge your electric vehicle? A stated adaptation approach | |
DE112017003022T5 (de) | Verwaltungssystem für elektrische Leistung | |
WO2020199558A1 (zh) | 一种电动汽车充电站最优建设数量和选址方案规划方法 | |
DE112017007909T5 (de) | Dynamische routenbestimmungen für ein fahrzeug | |
Dey et al. | Economic emission dispatch on unit commitment-based microgrid system considering wind and load uncertainty using hybrid MGWOSCACSA | |
CN112016771B (zh) | 基于电动汽车需求预测的移动充电桩调度方法及系统 | |
CN109978293A (zh) | 一种多任务智能排班方法、装置、设备和存储介质 | |
CN111126740B (zh) | 共享汽车充电调度方法、电子设备及存储介质 | |
CN114970944B (zh) | 一种基于多智能体强化学习的订单匹配和车辆重定位方法 | |
CN113435968B (zh) | 网约车派单方法、装置、电子设备及存储介质 | |
DE102017205968A1 (de) | Verfahren zum Koordinieren eines Leistungsaustauschs zwischen einer Vielzahl von technischen Kleineinheiten und einem elektrischen Übertragungsnetz | |
CN112550044B (zh) | 充电站负荷调整方法、系统、装置、设备和存储介质 | |
CN106204937A (zh) | 一种阶梯计价的租车费用计算系统及方法 | |
CN108596484A (zh) | 一种基于网点属性分析的共享汽车调度方法和系统 | |
CN111179506A (zh) | 共享充电桩自助充电系统及共享充电桩的推荐方法 | |
Fescioglu-Unver et al. | Feedback controlled resource management model for express service in electric vehicle charging stations | |
CN112418734A (zh) | 一种电动汽车充电负荷分配方法 | |
CN109615260A (zh) | 确定充电桩的安装地址的方法 | |
Sánchez-Martínez et al. | Optimal allocation of vehicles to bus routes using automatically collected data and simulation modelling | |
CN107133678A (zh) | 基于用户历史行为的补能时长预测方法 | |
CN109409691A (zh) | 一种无能量存储单元的能量收集嵌入式系统作业调度方法 | |
CN112002142B (zh) | 一种基于浮动价格的共享停车泊位分配系统及方法 | |
CN111244990B (zh) | 一种配电网v2g辅助服务日前调度方法 | |
CN116853048A (zh) | 用于共享电动汽车和微电网的协同控制方法及控制系统 | |
CN106682766A (zh) | 充电桩的布局方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |