CN108829778B - 充电桩智能推荐方法、装置和系统 - Google Patents

Abstract

本发明涉及一种充电桩智能推荐方法、装置和系统，所述方法包括获取预设距离范围内的充电桩的预测参数；根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；选择可用概率符合预设需求的充电桩进行推荐。本发明能够为车主智能推荐可用性高的充电桩，提升推荐充电桩的准确度，节约车主找桩时间，提升用户的充电体验。

Description

充电桩智能推荐方法、装置和系统

技术领域

本发明涉及电动汽车充电技术领域，尤其涉及一种充电桩智能推荐方法、装置和系统。

背景技术

随着传统化石能源消耗带来的供应压力以及尾气的污染，在环保以及清洁能源概念的大趋势下，电动汽车对环境影响相对传统燃油汽车较小，因此电动汽车近几年呈现了井喷式发展。随着电动汽车的大量普及，基础充电设施必也不可少，充电桩站点也越来越多，通过广泛设置充电桩，能够更为有效的解决新能源汽车的出行距离的限制，进一步提高出行的便利性。

当用户有充电需求时，需要查找当前区域的充电桩，用户通常打开充电桩站点地图中显示的充电桩站点的位置来选择充电桩。但是，用户无法根据充电桩站点位置获知充电桩的可用性情况，所选择的充电桩可能会出现油车占位或充电桩不可用等情况，用户到达所选充电桩后无法进行充电，导致用户寻找可用充电桩花费时间长，用户的充电体验差，因此，如何实现为用户智能推荐可用性高的充电桩，成为亟待解决的技术问题。

发明内容

本发明所要解决的技术问题在于，提供一种充电桩智能推荐方法、装置和系统，为车主智能推荐可用性高的充电桩，提升推荐充电桩的准确度，节约了车主找桩时间，提升了用户的充电体验。

为了解决上述技术问题，根据本发明一方面，提供了一种充电桩智能推荐方法，包括:

获取预设距离范围内的充电桩的预测参数；

根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；

选择可用概率符合预设需求的充电桩进行推荐。

进一步的，所述获取距离预设范围内的充电桩的预测参数，包括以下步骤：

获取用户找桩请求和用户当前位置信息；

设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合；

获取所述充电桩集合中每个充电桩的预测参数。

进一步的，所述预测参数包括：充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，充电桩与周边桩使用频率的差值。

进一步的，所述充电桩与周边桩使用频率的差值的获取方法为：

分别获取所述充电桩集合中的每个充电桩在预设时间周期内的使用频率；

设置第二搜索半径，获取所述充电桩集合中的每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率；

将所述所述充电桩集合中的每个充电桩在预设时间周期内的使用频率，减去对应的的第二搜索半径范围内的所有充电桩的平均使用频率，得到所述充电桩集合中的每个充电桩与周边桩使用频率的差值。

进一步的，所述根据所述预测参数获取所述预设范围内的每个充电桩的可用概率P_可用，通过公式(1)进行计算：

P_可用＝g(θ₀+θ₁D_n+θ₂T_n+θ₃B_n) (1)

其中，θ₀，θ₁，θ₂，θ₃为系数，D_n为充电桩最后一次使用时长，T_n为充电桩最后一次使用完毕的时间，B_n为充电桩与周边桩使用频率的差值。

进一步的，所述方法还包括以下步骤：

获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用；

将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ₀，θ₁，θ₂，θ₃。

进一步的，将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ₀，θ₁，θ₂，θ₃，包括以下步骤：

将公式(1)变换得到公式(2)：

P_可用＝θ^Tx (2)

其中，θ为系数矩阵，T为预测参数矩阵；

根据公式(2)构造预测函数(3)：

对于输入x分类结果为可用和不可用的概率分别为:

P(y＝1|x；θ)＝h_θ(x) (4)

P(y＝0|x；θ)＝1-h_θ(x) (5)

其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；

根据公式(4)和公式(5)得到代价函数：

其中，m为训练样本的个数,i表示第i个样本，i＝1,2,3…m；

根据公式(6)和公式(7)得到代价函数的最小参数：

其中，j为正整数，表示第j次训练，α表示机器学习速率，

通过上述步骤计算出系数θ₀，θ₁，θ₂，θ₃。

进一步的，所述方法还包括，建立云端服务器，所述云端服务器采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数。

根据本发明另一方面，提供了一种充电桩智能推荐装置，包括:

参数获取模块，用于获取预设距离范围内的充电桩的预测参数；

可用概率计算模块，用于根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；

充电桩推荐模块，用于选择可用概率符合预设需求的充电桩进行推荐。

进一步的，所述参数获取模块包括：

信息获取单元，用于获取用户找桩请求和用户当前位置信息；

充电桩预选单元，用于设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合；

预测参数获取单元，用于获取所述充电桩集合中每个充电桩的预测参数。

进一步的，所述预测参数包括：充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，充电桩与周边桩使用频率的差值。

进一步的，所述预测参数获取单元包括：

第一频率获取子单元，用于分别获取所述充电桩集合中的每个充电桩在预设时间周期内的使用频率；

第二频率获取子单元，用于设置第二搜索半径，获取所述充电桩集合中的每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率；

频率差值计算单元，用于将所述所述充电桩集合中的每个充电桩在预设时间周期内的使用频率，减去每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率，得到所述充电桩集合中的每个充电桩与周边桩使用频率的差值。

进一步的，所述可用概率计算模块用于根据所述预测参数获取所述预设范围内的每个充电桩的可用概率P_可用，通过公式(1)进行计算：

P_可用＝g(θ₀+θ₁D_n+θ₂T_n+θ₃B_n) (1)

其中，θ₀，θ₁，θ₂，θ₃为系数，D_n为充电桩最后一次使用时长，T_n为充电桩最后一次使用完毕的时间，B_n为充电桩与周边桩使用频率的差值。

进一步的，所述装置还包括机器学习模块，包括：

样本参数获取单元，用于获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用；

机器学习单元，用于将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ₀，θ₁，θ₂，θ₃。

进一步的，所述机器学习单元包括：

第一学习子单元，用于将公式(1)变换得到公式(2)：

P_可用＝θ^Tx (2)

其中，θ为系数矩阵，T为预测参数矩阵；

第二学习子单元，用于根据公式(2)构造预测函数(3)：

第三学习子单元，用于对于输入x分类结果为可用和不可用的概率分别为:

P(y＝1|x；θ)＝h_θ(x) (4)

P(y＝0|x；θ)＝1-h_θ(x) (5)

其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；

第四学习子单元，用于根据公式(4)和公式(5)得到代价函数：

其中，m为训练样本的个数,i表示第i个样本，i＝1,2,3…m；

第五学习子单元，用于根据公式(6)和公式(7)得到代价函数的最小参数：

其中，j为正整数，表示第j次训练，α表示机器学习速率，

第六学习子单元，用于根据公式(8)最终计算出系数θ₀，θ₁，θ₂，θ₃。

根据本发明又一方面，提供了一种充电桩智能推荐系统，包括:所述的充电桩智能推荐装置和云端服务器，所述云端服务器用于采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数；所述装置从所述云端服务器获取所述预测参数。

据本发明又一方面，提供一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现所述方法的步骤。

根据本发明又一方面，提供一种计算机可读存储介质，用于存储计算机程序，所述程序在由一计算机或处理器执行时实现所述方法的步骤。

本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明一种充电桩智能推荐方法、装置和系统可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：

本发明结合充电桩当前状态、充电桩历史状态以及周边充电桩的使用状况，智能推荐可用性高的充电桩，提升推荐充电桩的准确度，节约车主找桩时间，提升用户的充电体验。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。

附图说明

图1为本发明一实施例提供充电桩智能推荐方法流程图；

图2(a)为本发明一实施例提供的充电桩智能推荐方法的输入分类结果为可用的概率示意图；

图2(b)为本发明一实施例提供的充电桩智能推荐方法的输入分类结果为不可用的概率示意图；

图3为本发明一实施例提供的充电桩智能推荐装置示意图；

图4为本发明一实施例提供的充电桩智能推荐系统示意图；

图5为本发明又一实施例提供的充电桩智能推荐系统示意图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种充电桩智能推荐方法、装置和系统的具体实施方式及其功效，详细说明如后。

本发明实施例提供了一种充电桩智能推荐方法，如图1所示，包括:

步骤S1、获取预设距离范围内的充电桩的预测参数；

作为一种示例，所述步骤S1包括以下步骤：

步骤S11、获取用户找桩请求和用户当前位置信息；

所述步骤S11中，通过获取用户找桩请求，触发充电桩智能推荐流程，并基于用户当前的位置信息，来为用户推荐附近可用性高的充电桩，其中，用户当前位置信息可通过GPS(Global Positioning System，全球定位系统)等获取。

步骤S12、设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合；

所述步骤S12中，第一搜索半径可根据用户所述地理位置信息，用户车辆参数信息，以及用户需求等因素进行设定。用户当前位置的所述第一搜索半径范围内，即以用户当前位置为中心，距离所述用户当位置的距离小于等于所述第一搜索半径的所有位置范围。作为一种示例，设所获取的充电桩集合为S{S₁,S₂,S₃…S_n},其中，n为正整数。需要说明的是，此时获取的充电桩集合中的充电桩均为可用状态，即不获取充电桩自身故障导致的无法正常使用的充电桩，以提高充电桩智能推荐的效率。但是这些可用状态的充电桩可能出现油车占位等其他因素造成车辆达到后无法充电，因此需要进一步的判断来为用户更为准确地推荐充电桩。

步骤S13、获取所述充电桩集合中每个充电桩的预测参数。

其中，预测参数包括：充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，本充电桩与周边桩使用频率的差值，其中，充电桩最后一次使用时长，记为D₁,D₂,D₃…D_n；充电桩最后一次使用完毕的时间，记为T₁,T₂,T₃…T_n；充电桩与周边桩使用频率的差值，记为B₁,B₂,B₃…B_n。周边桩指的是以本充电桩为中心，预设搜索半径范围内的充电桩，本发明实施例中，预设搜索半径范围为第二搜索半径，第二搜索半径可根据用户所述地理位置信息，用户车辆参数信息，以及用户需求等因素进行设定。用户当前位置的所述第二搜索半径范围内，即以用户当前位置为中心，距离所述用户当位置的距离小于等于所述第二搜索半径的所有位置范围。需要说明的是，第二搜索半径和第一搜索半径之间直接关联，二者是分别根据具体需求来设定的。充电桩最后一次使用时长越长，代表该充电桩本身的可用性较高，可用概率越高；充电桩最后一次使用完毕的时间越晚，代表该充电桩车位被占或其他因素导致的不可用的概率越低，相应的，该充电桩的可用概率越高；本充电桩与周边桩使用频率的差值越小，代表该充电桩相对周围的充电桩的桩使用频率较低，说明该充电桩桩被油车占位的可能性越大，或其他原因导致该充电桩被使用情况越少，该充电桩可用的风险增大，可用概率越低。

作为一种示例，步骤S13中，所述充电桩与周边桩使用频率的差值的获取方法为：

步骤S131、分别获取充电桩集合S中每个桩在预设时间周期内的使用频率，记为f₁,f₂,f₃…f_n；

步骤S132、设置第二搜索半径，获取充电桩集合S中每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率f_a1,f_a2,f_a3…f_an,充电桩集合S中每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率即将每个充电桩的第二搜索半径范围内的所有充电桩各自对应的使用频率求和，再除该充电桩对应的第二搜索半径范围内的充电桩的个数，即获取平均使用频率f_a1,f_a2,f_a3…f_an。

步骤S133、将所述充电桩集合S中每个桩在预设时间周期内的使用频率，减去每个充电桩对应的第二搜索半径范围内的所有充电桩的平均使用频率，得到充电桩集合S中每个充电桩与周边桩使用频率的差值B₁,B₂,B₃…B_n。

作为示例，所述预测参数可通过云端系统来获取，则对应的，所述方法还包括步骤S10、建立云端服务器，所述云端服务器采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数。

步骤S2、根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；

所述步骤S2中，通过公式(1)计算每个充电桩的可用概率P_可用：

P_可用＝g(θ₀+θ₁D_n+θ₂T_n+θ₃B_n) (1)

其中，θ₀，θ₁，θ₂，θ₃为系数，D_n为充电桩最后一次使用时长，T_n为充电桩最后一次使用完毕的时间，B_n为充电桩与周边桩使用频率的差值。

公式(1)中，D_n、T_n、B_n通过上述步骤S1即可获取，θ₀，θ₁，θ₂，θ₃，可根据下述步骤获得：

步骤S21、获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用，本发明实施例中可将可用标注为1，不可用标注为0；

步骤S22、将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ₀，θ₁，θ₂，θ₃。

作为示例，所述步骤S22具体包括以下步骤：

步骤S221、将公式(1)变换得到公式(2)：

P_可用＝θ^Tx (2)

其中，θ为系数矩阵，T为预测参数矩阵；

步骤S222、根据公式(2)构造预测函数(3)：

步骤S223、如图2所示，对于输入x分类结果为类别1(可用)和类别0(不可用)的概率分别为:

P(y＝1|x；θ)＝h_θ(x) (4)

P(y＝0|x；θ)＝1-h_θ(x) (5)

其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；

步骤S224、根据公式(4)和公式(5)得到代价函数：

其中，m为训练样本的个数,i表示第i个样本，i＝1,2,3…m；

步骤S225、根据公式(6)和公式(7)得到代价函数的最小参数：

其中，j为正整数，表示第j次训练，α表示机器学习速率，

通过上述步骤计算出系数θ₀，θ₁，θ₂，θ₃。

然后将通过步骤S1获取的预测参数对应带入相应的公式(1)中，即可得到每个充电桩对应的可用概率。

实际使用中，可根据具体使用需求，以及实际效果，多次选取训练样本集重复上述流程训练数据，从而提高准确度。

步骤S3、在充电桩集合中，选择可用概率符合预设需求的充电桩进行推荐，从而为用户推荐可用性高的充电桩。预设需求可根据具体使用情况来设定，作为示例，可用概率符合预设需求的充电桩可设置为可用概率最大的充电桩，则为用户对应推荐可用概率最大的充电桩。作为另一种示例，作为示例，可用概率符合预设需求的充电桩还可设置为可用概率排名(由高到低排序)前N的充电桩，N为大于等于2的正整数，根据具体应用需求来设定，为用户推荐N个充电桩，用户可从所推荐的N个充电桩中自行选择。

本发明实施例所述方法结合充电桩当前状态、充电桩历史状态以及周边充电桩的使用状况，智能推荐可用性高的充电桩，提升了推荐充电桩的准确度，节约了车主找桩时间，也提升了用户的充电体验。

本发明实施还提供了一种充电桩智能推荐装置，如图3所示，包括参数获取模块1、可用概率计算模块2和充电桩推荐模块3，其中，参数获取模块1用于获取预设距离范围内的充电桩的预测参数；可用概率计算模块2用于根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；充电桩推荐模块3用于选择可用概率符合预设需求的充电桩进行推荐，从而为用户推荐可用性高的充电桩，其中，预设需求可根据具体使用情况来设定，作为示例，可用概率符合预设需求的充电桩可设置为可用概率最大的充电桩，则为用户对应推荐可用概率最大的充电桩。作为另一种示例，作为示例，可用概率符合预设需求的充电桩还可设置为可用概率排名(由高到低排序)前N的充电桩，N为大于等于2的正整数，根据具体应用需求来设定，为用户推荐N个充电桩，用户可从所推荐的N个充电桩中自行选择。作为一种示例，参数获取模块1包括：信息获取单元、充电桩预选单元和预测参数获取单元，其中，信息获取单元用于获取用户找桩请求和用户当前位置信息，信息获取单元可通过获取用户找桩请求，触发充电桩智能推荐流程，并基于用户当前的位置信息，来为用户推荐附近可用性高的充电桩，其中，用户当前位置信息可通过GPS(Global Positioning System，全球定位系统)等获取。充电桩预选单元用于设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合，其中，第一搜索半径可根据用户所述地理位置信息，用户车辆参数信息，以及用户需求等因素进行设定。用户当前位置的所述第一搜索半径范围内，即以用户当前位置为中心，距离所述用户当位置的距离小于等于所述第一搜索半径的所有位置范围。作为一种示例，设所获取的充电桩集合为S{S₁,S₂,S₃…S_n},其中，n为正整数。需要说明的是，此时获取的充电桩集合中的充电桩均为可用状态，即不获取充电桩自身故障导致的无法正常使用的充电桩，以提高充电桩智能推荐的效率。但是这些可用状态的充电桩可能出现油车占位等其他因素造成车辆达到后无法充电。预测参数获取单元用于获取所述充电桩集合中每个充电桩的预测参数，因此需要进一步的判断来更为准确地推荐充电桩。

所述预测参数包括：预测参数包括充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，本充电桩与周边桩使用频率的差值，其中，充电桩最后一次使用时长，记为D₁,D₂,D₃…D_n；充电桩最后一次使用完毕的时间，记为T₁,T₂,T₃…T_n；充电桩与周边桩使用频率的差值，记为B₁,B₂,B₃…B_n。周边桩指的是以本充电桩为中心，预设搜索半径范围内的充电桩，本发明实施例中，预设搜索半径范围为第二搜索半径，第二搜索半径可根据用户所述地理位置信息，用户车辆参数信息，以及用户需求等因素进行设定。用户当前位置的所述第二搜索半径范围内，即以用户当前位置为中心，距离所述用户当位置的距离小于等于所述第二搜索半径的所有位置范围。需要说明的是，第二搜索半径和第一搜索半径无之直接关联，二者是分别根据具体需求来设定的。充电桩最后一次使用时长越长，代表该充电桩本身的可用性较高，可用概率越高；充电桩最后一次使用完毕的时间越晚，代表该充电桩车位被占或其他因素导致的不可用的概率越低，相应的，该充电桩的可用概率越高；本充电桩与周边桩使用频率的差值越小，代表该充电桩相对周围的充电桩的桩使用频率较低，说明该充电桩桩被油车占位的可能性越大，或其他原因导致该充电桩被使用情况越少，该充电桩可用的风险增大，可用概率越低。

作为一种示例，预测参数获取单元包括：第一频率获取子单元、第二频率获取子单元和频率差值计算单元，其中，第一频率获取子单元，用于分别获取每个桩在预设时间周期内的使用频率，记为f₁,f₂,f₃…f_n。第二频率获取子单元，用于设置第二搜索半径，获取充电桩集合S中每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率，f_a1,f_a2,f_a3…f_an,充电桩集合S中每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率即将每个充电桩的第二搜索半径范围内的所有充电桩各自对应的使用频率求和，再除以该充电桩对应的第二搜索半径范围内的充电桩的个数，获取平均使用频率f_a1,f_a2,f_a3…f_an。频率差值计算单元，用于将充电桩集合S中每个桩在预设时间周期内的使用频率，减去充电桩集合S中每个充电桩对应的的第二搜索半径范围内的所有充电桩的平均使用频率，得到充电桩集合S中充电桩与周边桩使用频率的差值B₁,B₂,B₃…B_n。

可用概率计算模块2用于根据所述预测参数获取所述预设范围内的每个充电桩的可用概率P_可用，通过公式(1)进行计算：

P_可用＝g(θ₀+θ₁D_n+θ₂T_n+θ₃B_n) (1)

其中，θ₀，θ₁，θ₂，θ₃为系数，D_n为充电桩最后一次使用时长，T_n为充电桩最后一次使用完毕的时间，B_n为充电桩与周边桩使用频率的差值。

公式(1)中，D_n、T_n、B_n可通过参数获取模块1获取，θ₀，θ₁，θ₂，θ₃，通过机器学习模块获得：因此，所述装置还包括机器学习模块，包括：样本参数获取单元和机器学习单元，其中，样本参数获取单元用于获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用，本发明实施例中可将可用标注为1，不可用标注为0；机器学习单元用于将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ₀，θ₁，θ₂，θ₃。

作为示例，机器学习单元包括第一学习子单元、第二学习子单元、第三学习子单元、第四学习子单元、第五学习子单元和第六学习子单元。其中，第一学习子单元，用于将公式(1)变换得到公式(2)：

P_可用＝θ^Tx (2)

其中，θ为系数矩阵，T为预测参数矩阵。

第二学习子单元，用于根据公式(2)构造预测函数(3)：

第三学习子单元，用于对于输入x分类结果为类别1(可用)和类别0(不可用)的概率分别为:

P(y＝1|x；θ)＝h_θ(x) (4)

P(y＝0|x；θ)＝1-h_θ(x) (5)。

其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；

第四学习子单元，用于根据公式(4)和公式(5)得到代价函数：

其中，m为训练样本的个数,i表示第i个样本，i＝1,2,3…m。

第五学习子单元，用于根据公式(6)和公式(7)得到代价函数的最小参数：

其中，j为正整数，表示第j次训练，α表示机器学习速率。

第六学习子单元，用于根据公式(8)最终计算出系数θ₀，θ₁，θ₂，θ₃。

然后将通过参数获取模块1获取的预测参数对应带入相应的公式(1)中，即可得到每个充电桩对应的可用概率P_可用。

实际使用中，可根据具体使用需求，以及实际效果，多次选取训练样本集重复上述流程训练数据，从而提高准确度。

本发明实施例还提供一种充电桩智能推荐系统，如图4所示，包括:所述充电桩智能推荐装置和云端服务器，所述云端服务器用于采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数；所述装置的参数获取模块1与云端服务器通信连接，从所述云端服务器获取所述预测参数。

本发明实施例还提供一种充电桩智能推荐系统，如图5所示，包括服务器，服务器中设有所述充电桩智能推荐装置，所述服务器可与用户的通信设备通信，将充电桩智能推荐结果发送给通信装置，其中，通信设备可以为手机、平板电脑、手提电脑、智能手表等等。

本发明实施例所述装置和系统结合充电桩当前状态、充电桩历史状态以及周边充电桩的使用状况，智能推荐可用性高的充电桩，提升了推荐充电桩的准确度，节约了车主找桩时间，也提升了用户的充电体验。

本发明实施例还提供一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现所述方法的步骤。

本发明实施例还供一种计算机可读存储介质，用于存储计算机程序，所述程序在由一计算机或处理器执行时实现所述方法的步骤。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (14)

1.一种充电桩智能推荐方法，其特征在于：包括：

获取预设距离范围内的充电桩的预测参数；

根据所述预测参数获取所述预设距离范围内的每个充电桩的可用概率；

选择可用概率符合预设需求的充电桩进行推荐；

所述预测参数包括：充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，本充电桩与周边桩使用频率的差值；

所述充电桩与周边桩使用频率的差值的获取方法为：

分别获取所述充电桩集合中的每个充电桩在预设时间周期内的使用频率；

设置第二搜索半径，获取所述充电桩集合中的每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率；

将所述充电桩集合中的每个充电桩在预设时间周期内的使用频率，减去对应的第二搜索半径范围内的所有充电桩的平均使用频率，得到所述充电桩集合中的每个充电桩与周边桩使用频率的差值。

2.根据权利要求1所述的充电桩智能推荐方法，其特征在于：

所述获取预设距离范围内的充电桩的预测参数，包括以下步骤：

获取用户找桩请求和用户当前位置信息；

设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合；

获取所述充电桩集合中每个充电桩的预测参数。

3.根据权利要求1所述的充电桩智能推荐方法，其特征在于：

所述根据所述预测参数获取预设范围内的每个充电桩的可用概率P_可用，通过公式(1)进行计算：

P_可用＝g(θ₀+θ₁D_n+θ₂T_n+θ₃B_n) (1)

其中，θ₀，θ₁，θ₂，θ₃为系数，D_n为充电桩最后一次使用时长，T_n为充电桩最后一次使用完毕的时间，B_n为充电桩与周边桩使用频率的差值。

4.根据权利要求3所述的充电桩智能推荐方法，其特征在于：

所述方法还包括以下步骤：

获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用；

将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ₀，θ₁，θ₂，θ₃。

5.根据权利要求4所述的充电桩智能推荐方法，其特征在于：

将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ₀，θ₁，θ₂，θ₃，包括以下步骤：

将公式(1)变换得到公式(2)：

P_可用＝θ^Tx (2)

其中，θ为系数矩阵，T为预测参数矩阵；

根据公式(2)构造预测函数(3)：

对于输入x分类结果为可用和不可用的概率分别为：

P(y＝1|x；θ)＝h_θ(x) (4)

P(y＝0|x；θ)＝1-h_θ(x) (5)

其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；

根据公式(4)和公式(5)得到代价函数：

其中，m为训练样本的个数，i表示第i个样本，i＝1，2，3...m；

根据公式(6)和公式(7)得到代价函数的最小参数：

其中，j为正整数，表示第j次训练，α表示机器学习速率，

通过上述步骤计算出系数θ₀，θ₁，θ₂，θ₃。

6.根据权利要求1所述的充电桩智能推荐方法，其特征在于：

所述方法还包括，建立云端服务器，所述云端服务器采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数。

7.一种充电桩智能推荐装置，其特征在于：包括：

参数获取模块，用于获取预设距离范围内的充电桩的预测参数；

可用概率计算模块，用于根据所述预测参数获取所述预设距离范围内的每个充电桩的可用概率；

充电桩推荐模块，用于选择可用概率符合预设需求的充电桩进行推荐；

所述预测参数包括：充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，本充电桩与周边桩使用频率的差值；

所述预测参数获取单元包括：

第一频率获取子单元，用于分别获取所述充电桩集合中的每个充电桩在预设时间周期内的使用频率；

第二频率获取子单元，用于设置第二搜索半径，获取所述充电桩集合中的每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率；

频率差值计算单元，用于将所述充电桩集合中的每个充电桩在预设时间周期内的使用频率，减去每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率，得到所述充电桩集合中的每个充电桩与周边桩使用频率的差值。

8.根据权利要求7所述的充电桩智能推荐装置，其特征在于：

所述参数获取模块包括：

信息获取单元，用于获取用户找桩请求和用户当前位置信息；

充电桩预选单元，用于设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合；

预测参数获取单元，用于获取所述充电桩集合中每个充电桩的预测参数。

9.根据权利要求7所述的充电桩智能推荐装置，其特征在于：

所述可用概率计算模块用于根据所述预测参数获取预设范围内的每个充电桩的可用概率P_可用，通过公式(1)进行计算：

P_可用＝g(θ₀+θ₁D_n+θ₂T_n+θ₃B_n) (1)

其中，θ₀，θ₁，θ₂，θ₃为系数，D_n为充电桩最后一次使用时长，T_n为充电桩最后一次使用完毕的时间，B_n为充电桩与周边桩使用频率的差值。

10.根据权利要求9所述的充电桩智能推荐装置，其特征在于：

所述装置还包括机器学习模块，包括：

样本参数获取单元，用于获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用；

机器学习单元，用于将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ₀，θ₁，θ₂，θ₃。

11.根据权利要求10所述的充电桩智能推荐装置，其特征在于：

所述机器学习单元包括：

第一学习子单元，用于将公式(1)变换得到公式(2)：

P_可用＝θ^Tx (2)

其中，θ为系数矩阵，T为预测参数矩阵；

第二学习子单元，用于根据公式(2)构造预测函数(3)：

第三学习子单元，用于对于输入x分类结果为可用和不可用的概率分别为：

P(y＝1|x；θ)＝h_θ(x) (4)

P(y＝0|x；θ)＝1-h_θ(x) (5)

其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；

第四学习子单元，用于根据公式(4)和公式(5)得到代价函数：

其中，m为训练样本的个数，i表示第i个样本，i＝1，2，3...m；

第五学习子单元，用于根据公式(6)和公式(7)得到代价函数的最小参数：

其中，j为正整数，表示第j次训练，α表示机器学习速率，

第六学习子单元，用于根据公式(8)最终计算出系数θ₀，θ₁，θ₂，θ₃。

12.一种充电桩智能推荐系统，其特征在于：包括如权利要求7至11中任一项所述的充电桩智能推荐装置和云端服务器，所述云端服务器用于采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数；所述装置从所述云端服务器获取所述预测参数。

13.一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现权利要求1至6中任意一项权利要求所述的方法的步骤。

14.一种计算机可读存储介质，用于存储计算机程序，所述程序在由一计算机或处理器执行时实现如权利要求1至6中任意一项权利要求所述的方法的步骤。

Images