CN109146129A - 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 - Google Patents
充电桩群推荐方法、可用桩预测、结果获取方法及控制器 Download PDFInfo
- Publication number
- CN109146129A CN109146129A CN201810719498.5A CN201810719498A CN109146129A CN 109146129 A CN109146129 A CN 109146129A CN 201810719498 A CN201810719498 A CN 201810719498A CN 109146129 A CN109146129 A CN 109146129A
- Authority
- CN
- China
- Prior art keywords
- pile group
- controller
- charging pile
- specified
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 155
- 238000012549 training Methods 0.000 claims description 45
- 230000003542 behavioural effect Effects 0.000 claims description 36
- 230000003068 static effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明提供了一种充电桩群推荐方法、可用桩预测和结果获取方法及控制器，充电桩群推荐方法包括：第一控制器利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果；第二控制器发送请求信息，请求信息包括指定区域和指定时间；第一控制器接收第二控制器发送的请求信息并利用第一预测结果生成第二预测结果，并将第二预测结果发送至第二控制器，第二预测结果包括指定桩群的属性信息和指定桩群在指定时间内的可用桩信息；第二控制器接收第二预测结果并对第二预测结果进行展示。本发明提供的技术方案能够使用户获得指定区域内的充电桩群在指定时间内的可用桩信息，便于用户充电，提高用户的体验度。
Description
技术领域
本发明属于电动汽车配电技术领域，具体提供一种充电桩群推荐方法、可用桩预测、结果获取方法及控制器。
背景技术
随着环境和能源问题地日益凸显，人们需要更为环保的能源利用方式，以出行为例，更为环保的电动汽车已经走入人们的生活。电动汽车发展，推动了电动汽车的配电设施，即充电桩群的建设，而充电桩群的建设与电动汽车市场之间是相辅相成的，因此，充电桩群的建设，对电动汽车市场的发展具有促进作用。
目前，很多公司或者机构都有自己的充电桩群，可向各公司的电动汽车提供充电服务，同时，很多提供场地服务的公司或者机构也针对自己的充电桩群提供了查询服务，以便于用于方便快捷地获知行车附近及行车路线上的充电桩群情况。但是，目前市场上的充电桩群查询服务都只能提供各自的充电桩群的实时信息，这会经常导致车主查看的时候某一个充电桩群是可以充电的，但是真正到达该充电桩群的时候，发现已经没有空位置了，这不仅浪费了用户的时间，而且降低了用户的体验度。
相应地，本领域需要一种能够预测桩群未来可用桩个数的方法来解决上述问题。
发明内容
为了解决现有技术中的上述问题，即为了解决现有充电桩群的查询服务只能提供实时信息查询，从而容易导致查询结果为具有可用桩，而到达后没有空余位置可供充电的问题，本发明提供了一种充电桩群的推荐方法，包括：第一控制器利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，其中，所述预测模型是利用至少一个所述充电桩群的历史信息训练得到的；第二控制器向所述第一控制器发送请求信息，所述请求信息包括指定区域和指定时间，所述特定区域包括所述指定区域，所述未来一段时间包括所述指定时间；所述第一控制器接收所述请求信息；所述第一控制器利用所述第一预测结果生成第二预测结果，并将所述第二预测结果发送至所述第二控制器，所述第二预测结果包括指定桩群的属性信息和所述指定桩群在所述指定时间内的可用桩信息，其中，所述指定桩群位于所述指定区域内，所述指定桩群的所述属性信息至少包括所述指定桩群的位置信息；所述第二控制器接收所述第二预测结果，并选择性地对所述第二预测结果进行展示。
在上述推荐方法的优选技术方案中，“所述第一控制器利用所述第一预测结果生成第二预测结果”的步骤包括：所述第一控制器根据所述请求信息，从所述第一预测结果中提取所述指定桩群的可用桩信息及所述指定桩群的属性信息作为所述第二预测结果。
在上述推荐方法的优选技术方案中，所述特定区域为所述指定区域，所述未来一段时间为所述指定时间。
在上述推荐方法的优选技术方案中，所述预测模型通过机器学习方法训练获得，包括如下步骤：获取至少一个所述充电桩群的历史数据，并对所述历史数据进行分析，以获得所述充电桩群的静态特征和动态特征；从所述静态特征和所述动态特征中，筛选出所述充电桩群的训练数据；对所述训练数据进行训练以获得所述预测模型。
在上述推荐方法的优选技术方案中，所述预测模型的训练过程还包括：在获得所述预测模型后，对所述预测模型进行测评。
在上述推荐方法的优选技术方案中，“对所述预测模型进行测评”的步骤包括：利用所述预测模型对各所述充电桩群在第一预测时间内的可用桩个数进行预测，以获得测评信息，所述第一预测时间为获得所述预测模型之后的一个时间段；获取所述第一预测时间内的各所述充电桩群内可用桩的真实信息；将所述真实信息与所述测评信息进行对比，以获得所述预测模型的测评结果。
在上述推荐方法的优选技术方案中，所述静态特征包括：所述充电桩群所在的位置、供应商、充电桩个数、营业时间、商圈和人流量。
在上述推荐方法的优选技术方案中，所述动态特征包括：日期、时段和/或天气。
在上述推荐方法的优选技术方案中，所述动态特征还包括短期出行政策信息。
在上述推荐方法的优选技术方案中，所述推荐方法还包括：所述第一控制器获取报修信息，并将具有所述报修信息的所述充电桩群作为报修桩群，若所述指定桩群包括所述报修桩群，将所述报修信息添加至所述第二预测结果。
在上述推荐方法的优选技术方案中，所述预测模型的训练过程还包括：获取未来一个周期内的各所述充电桩群的真实信息，并将所述未来一段时间的各所述充电桩群的真实信息作为新的所述历史数据，用于获得更新的所述预测模型，其中，所述未来一个周期是指所述预测模型相邻两次更新之间的时间。
在上述推荐方法的优选技术方案中，所述推荐方法还包括：若所述第二控制器接收到的所述第二预测结果中各所述指定桩群的可用桩个数均为零，则所述第二控制器向所述第一控制器重新发送所述请求信息，重新发送的所述请求信息包括新的所述指定区域和新的所述指定时间。
在另一个方面，本发明提供一种充电桩群可用桩预测方法，由第一控制器执行并且包括如下步骤：利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，其中，所述预测模型是利用至少一个所述充电桩群的历史信息训练得到的；接收第二控制器发送的请求信息，所述请求信息包括指定区域和指定时间，所述特定区域包括所述指定区域，所述未来一段时间包括所述指定时间；利用所述第一预测结果生成第二预测结果，并将所述第二预测结果发送至所述第二控制器，所述第二预测结果包括指定桩群的属性信息和所述指定桩群在所述指定时间内的可用桩信息，其中，所述指定桩群位于所述指定区域内，所述指定桩群的所述属性信息至少包括所述指定桩群的位置信息。
在上述预测方法的优选技术方案中，“利用所述第一预测结果生成第二预测结果”的步骤包括：根据所述请求信息，从所述第一预测结果中提取所述指定桩群的可用桩信息及所述指定桩群的属性信息作为所述第二预测结果。
在上述预测方法的优选技术方案中，所述特定区域为所述指定区域，所述未来一段时间为所述指定时间。
在上述预测方法的优选技术方案中所述预测模型的训练过程包括如下步骤：获取至少一个所述充电桩群的历史数据，并对所述历史数据进行分析，以获得所述充电桩群的静态特征和动态特征；从所述静态特征和所述动态特征中，筛选出所述充电桩群的训练数据；对所述训练数据进行训练以获得所述预测模型。
在上述预测方法的优选技术方案中，所述预测模型的训练过程还包括：在获得所述预测模型后，对所述预测模型进行测评。
在上述预测方法的优选技术方案中，“对所述预测模型进行测评”的步骤包括：利用所述预测模型对各所述充电桩群在第一预测时间内的可用桩个数进行预测，以获得测评信息，所述第一预测时间为获得所述预测模型之后的一个时间段；获取所述第一预测时间内的各所述充电桩群内可用桩的真实信息；将所述真实信息与所述测评信息进行对比，以获得所述预测模型的测评结果。
在上述预测方法的优选技术方案中，所述静态特征包括：所述充电桩群所在的位置、供应商、充电桩个数、营业时间、商圈和人流量。
在上述预测方法的优选技术方案中，所述动态特征包括：日期、时段和/或天气。
在上述预测方法的优选技术方案中，所述动态特征还包括短期出行政策信息。
在上述预测方法的优选技术方案中，所述预测方法还包括：获取报修信息，并将具有所述报修信息的所述充电桩群作为报修桩群，若所述指定桩群包括所述报修桩群，将所述报修信息发送至所述第二控制器。
在上述预测方法的优选技术方案中，所述预测模型的训练过程还包括：获取未来一个周期内的各所述充电桩群的真实信息，并将所述未来一段时间的各所述充电桩群的真实信息作为新的所述历史数据，用于获得更新的所述预测模型，其中，所述未来一个周期是指所述预测模型相邻两次更新之间的时间。
在又一个方面，本发明提供一种充电桩群可用桩预测结果获取方法，由第二控制器执行并且包括如下步骤：向第一控制器发送请求信息，所述请求信息包括指定区域和指定时间；接收所述第一控制器发送的第二预测结果，并选择性地对所述第二预测结果进行展示。
在上述预测结果获取方法的优选技术方案中，所述预测结果获取方法还包括：若接收到的所述第二预测结果中各所述指定桩群的可用桩个数均为零，则向所述第一控制器重新发送所述请求信息，重新发送的所述请求信息包括新的所述指定区域和新的所述指定时间。
在另又一个方面，本发明提供了一种第一控制器，该第一控制器是上述任一项充电桩群可用桩预测方法中所述的第一控制器并且包括处理器和存储器，所述存储器中存储有多条指令，所述处理器适于加载所述指令以用于执行上述的任意一种充电桩群可用桩预测方法。
在又一个方面，本发明提供了一种第二控制器，该第二控制器是上述任一项充电桩群可用桩预测结果获取方法中所述的第二控制器并且包括处理器和存储器，所述存储器中存储有多条指令，所述处理器适于加载所述指令以用于执行上述的任意一种充电桩群可用桩预测结果获取方法。
本领域技术人员能够理解的是，在本发明的技术方案中，通过预测模型对至少一个充电桩群的可用桩个数进行预测，能够便于用户获得指定区域内的充电桩群在指定时间内的可用桩信息及指定区域内的充电桩群的属性信息，由于属性信息至少包括位置信息，从而方便用户在指定时间、指定地点内找到可用桩进行充电，避免了车主查看的时候某一个充电桩群是可以充电的，但是真正到达该充电桩群的时候，发现已经没有空位置的情况；当然，也可以将预测的结果发给提供充电服务的公司或者机构的调度终端，也能够方便提供充电服务的公司或者机构对充电服务进行调度，从而能够更好地为用户提供充电服务。
方案1、一种充电桩群的推荐方法，其特征在于，包括如下步骤：
第一控制器利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，其中，所述预测模型是利用至少一个所述充电桩群的历史信息训练得到的；
第二控制器向所述第一控制器发送请求信息，所述请求信息包括指定区域和指定时间，所述特定区域包括所述指定区域，所述未来一段时间包括所述指定时间；
所述第一控制器接收所述请求信息；
所述第一控制器利用所述第一预测结果生成第二预测结果，并将所述第二预测结果发送至所述第二控制器，所述第二预测结果包括指定桩群的属性信息和所述指定桩群在所述指定时间内的可用桩信息，其中，所述指定桩群位于所述指定区域内，所述指定桩群的所述属性信息至少包括所述指定桩群的位置信息；
所述第二控制器接收所述第二预测结果，并选择性地对所述第二预测结果进行展示。
方案2、根据方案1所述的充电桩群的推荐方法，其特征在于，“所述第一控制器利用所述第一预测结果生成第二预测结果”的步骤包括：所述第一控制器根据所述请求信息，从所述第一预测结果中提取所述指定桩群的可用桩信息及所述指定桩群的属性信息作为所述第二预测结果。
方案3、根据方案1所述的充电桩群的推荐方法，其特征在于，所述特定区域为所述指定区域，所述未来一段时间为所述指定时间。
方案4、根据方案1-3中任一项所述的充电桩群的推荐方法，其特征在于，所述预测模型的训练过程包括如下步骤：
获取至少一个所述充电桩群的历史数据，并对所述历史数据进行分析，以获得所述充电桩群的静态特征和动态特征；
从所述静态特征和所述动态特征中，筛选出所述充电桩群的训练数据；
对所述训练数据进行训练以获得所述预测模型。
方案5、根据方案4所述的充电桩群的推荐方法，其特征在于，所述预测模型的训练过程还包括：在获得所述预测模型后，对所述预测模型进行测评。
方案6、根据方案5所述的充电桩群的推荐方法，其特征在于，“对所述预测模型进行测评”的步骤包括：
利用所述预测模型对各所述充电桩群在第一预测时间内的可用桩个数进行预测，以获得测评信息，所述第一预测时间为获得所述预测模型之后的一个时间段；
获取所述第一预测时间内的各所述充电桩群内可用桩的真实信息；
将所述真实信息与所述测评信息进行对比，以获得所述预测模型的测评结果。
方案7、根据方案4所述的充电桩群的推荐方法，其特征在于，所述静态特征包括：所述充电桩群所在的位置、供应商、充电桩个数、营业时间、商圈和人流量。
方案8、根据方案4所述的充电桩群的推荐方法，其特征在于，所述动态特征包括：日期、时段和/或天气。
方案9、根据方案8所述的充电桩群的推荐方法，其特征在于，所述动态特征还包括短期出行政策信息。
方案10、根据方案1所述的充电桩群的推荐方法，其特征在于，所述推荐方法还包括：所述第一控制器获取报修信息，并将具有所述报修信息的所述充电桩群作为报修桩群，若所述指定桩群包括所述报修桩群，将所述报修信息发送至所述第二控制器。
方案11、根据方案4所述的充电桩群的推荐方法，其特征在于，所述预测模型的训练过程还包括：获取未来一个周期内的各所述充电桩群的真实信息，并将所述未来一段时间的各所述充电桩群的真实信息作为新的所述历史数据，用于获得更新的所述预测模型，其中，所述未来一个周期是指所述预测模型相邻两次更新之间的时间。
方案12、根据方案3所述的充电桩群的推荐方法，其特征在于，所述推荐方法还包括：若所述第二控制器接收到的所述第二预测结果中各所述指定桩群的可用桩个数均为零，则所述第二控制器向所述第一控制器重新发送所述请求信息，重新发送的所述请求信息包括新的指定区域和新的指定时间。
方案13、一种充电桩群可用桩预测方法，其特征在于，由第一控制器执行并且包括如下步骤：
利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，其中，所述预测模型是利用至少一个所述充电桩群的历史信息训练得到的；
接收第二控制器发送的请求信息，所述请求信息包括指定区域和指定时间，所述特定区域包括所述指定区域，所述未来一段时间包括所述指定时间；
利用所述第一预测结果生成第二预测结果，并将所述第二预测结果发送至所述第二控制器，所述第二预测结果包括指定桩群的属性信息和所述指定桩群在所述指定时间内的可用桩信息，其中，所述指定桩群位于所述指定区域内，所述指定桩群的所述属性信息至少包括所述指定桩群的位置信息。
方案14、根据方案13所述的充电桩群可用桩预测方法，其特征在于，“利用所述第一预测结果生成第二预测结果”的步骤包括：根据所述请求信息，从所述第一预测结果中提取所述指定桩群的可用桩信息及所述指定桩群的属性信息作为所述第二预测结果。
方案15、根据方案13所述的充电桩群可用桩预测方法，其特征在于，所述特定区域为所述指定区域，所述未来一段时间为所述指定时间。
方案16、根据方案13-15中任一项所述的充电桩群可用桩预测方法，其特征在于，所述预测模型的训练过程包括如下步骤：
获取至少一个所述充电桩群的历史数据，并对所述历史数据进行分析，以获得所述充电桩群的静态特征和动态特征；
从所述静态特征和所述动态特征中，筛选出所述充电桩群的训练数据；
对所述训练数据进行训练以获得所述预测模型。
方案17、根据方案16所述的充电桩群可用桩预测方法，其特征在于，所述预测模型的训练过程还包括：在获得所述预测模型后，对所述预测模型进行测评。
方案18、根据方案17所述的充电桩群可用桩预测方法，其特征在于，“对所述预测模型进行测评”的步骤包括：
利用所述预测模型对各所述充电桩群在第一预测时间内的可用桩个数进行预测，以获得测评信息，所述第一预测时间为获得所述预测模型之后的一个时间段；
获取所述第一预测时间内的各所述充电桩群内可用桩的真实信息；
将所述真实信息与所述测评信息进行对比，以获得所述预测模型的测评结果。
方案19、根据方案17所述的充电桩群可用桩预测方法，其特征在于，所述静态特征包括：所述充电桩群所在的位置、供应商、充电桩个数、营业时间、商圈和人流量。
方案20、根据方案17所述的充电桩群可用桩预测方法，其特征在于，所述动态特征包括：日期、时段和/或天气。
方案21、根据方案20所述的充电桩群可用桩预测方法，其特征在于，所述动态特征还包括短期出行政策信息。
方案22、根据方案13所述的充电桩群可用桩预测方法，其特征在于，所述预测方法还包括：
获取报修信息，并将具有所述报修信息的所述充电桩群作为报修桩群，若所述指定桩群包括所述报修桩群，将所述报修信息发送至所述第二控制器。
方案23、根据方案16所述的充电桩群可用桩预测方法，其特征在于，所述预测模型的训练过程还包括：获取未来一个周期内的各所述充电桩群的真实信息，并将所述未来一段时间的各所述充电桩群的真实信息作为新的所述历史数据，用于获得更新的所述预测模型，其中，所述未来一个周期是指所述预测模型相邻两次更新之间的时间。
方案24、一种充电桩群可用桩预测结果获取方法，其特征在于，由第二控制器执行并且包括如下步骤：
向第一控制器发送请求信息，所述请求信息包括指定区域和指定时间；
接收所述第一控制器发送的第二预测结果，并选择性地对所述第二预测结果进行展示。
方案25、根据方案24所述的充电桩群可用桩预测结果获取方法，其特征在于，所述预测结果获取方法还包括：若接收到的所述第二预测结果中各所述指定桩群的可用桩个数均为零，则向所述第一控制器重新发送所述请求信息，重新发送的所述请求信息包括新的指定区域和新的指定时间。
方案26、一种第一控制器，所述第一控制器是方案13-23中任一项所述的第一控制器并且包括处理器和存储器，所述存储器中存储有多条指令，其特征在于，所述处理器适于加载所述指令以执行如方案13-23 中任一项所述的充电桩群可用桩预测方法。
方案27、一种第二控制器，所述第二控制器是方案24-25中任一项所述的第二控制器并且包括处理器和存储器，所述存储器中存储有多条指令，其特征在于，所述处理器适于加载所述指令以执行如方案24-25 中任一项所述的充电桩群可用桩预测结果获取方法。
附图说明
图1为本发明实施例中的一种充电桩群推荐方法的流程示意图。
图2为本发明实施例中的另一种充电桩群推荐方法的流程示意图。
图3为本发明实施例中获得预测模型的流程图。
图4为本发明实施例中对预测模型测评的流程图。
图5为本发明实施例中的一种充电桩群可用桩预测方法的流程图。
图6为本发明实施例中的一种充电桩群可用桩预测方法的流程图。
图7为本发明实施例中的一种充电桩群可用桩预测结果获取方法的流程图。
图8为本发明实施例中的一种第一控制器与第二控制器的连接结构示意图。
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。本领域技术人员可以根据需要对其作出调整，以便适应具体的应用场合。
对于电动汽车来说，建立与之配套的充电服务是促进电动汽车发展的必要措施。目前，很多为电动汽车提供充电服务的公司或者机构都有自己的充电桩群，可向各公司的电动汽车提供充电服务，同时，很多提供充电服务的公司或者机构也针对自己的充电桩群提供了查询服务，以便于用户方便快捷地获知行车附近及行车路线上的充电桩群情况。但是，目前市场上的充电桩群查询服务都只能提供各自的充电桩群的实时信息，这会导致车主查看的时候某一个充电桩群是可以充电的，但是真正到达该充电桩群的时候，发现已经没有空位置了，这不仅浪费了用户的时间，也降低了用户的体验度。
为了解决上述技术问题，本发明提供了一种充电桩群的推荐方法、可用桩预测和结果获取方法及其装置，该充电桩群的推荐方法，包括：第一控制器利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，其中，预测模型是利用至少一个充电桩群的历史信息训练得到的；第二控制器向第一控制器发送请求信息，请求信息包括指定区域和指定时间，特定区域包括指定区域，未来一段时间包括指定时间；第一控制器接收请求信息；第一控制器利用第一预测结果生成第二预测结果，并将第二预测结果发送至第二控制器，第二预测结果包括指定桩群的属性信息和指定桩群在指定时间内的可用桩信息，其中，指定桩群位于指定区域内，指定桩群的属性信息至少包括指定桩群的位置信息。
在本发明中，第一控制器可以为提供可用桩推荐服务的服务器，第二控制器可以为个人终端或者提供充电服务的公司或者结果的调度终端，其中，个人终端可以是手机、平板电脑等移动终端，也可以是车机等车载终端。
该方法是通过对各充电桩群的历史数据进行处理以获得预测模型，再通过预测模型对未来一段时间内各充电桩群的可用桩个数进行预测，从而实现用户对指定区域的充电桩群在指定时间内的可用桩信息的获取，也能够使提供充电服务的公司或机构对未来一段时间内的可用桩信息进行掌握，以便于更好地实现对充电服务的调度。
以上是本发明的核心思想，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。
图1为本发明实施例中的一种充电桩群推荐方法的流程示意图。请参见图1，该充电桩群的推荐方法，包括如下步骤：
步骤S101：第一控制器利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果。其中，预测模型是利用至少一个充电桩群的历史信息训练得到的，充电桩群的数量越多，各充电桩群的历史信息越多，训练得到的预测模型的准确度也就越高。需要说明的是，本发明中所说的“至少一个充电桩群”可以指一个、两个或者多个，充电桩群的个数并不限制本发明；本发明中所说的“未来一段时间”是以进行预测的时间为标准的，例如，进行预测的时间为2018年4月23日上午7点整进行预测，那么“未来一段时间”是指上述进行预测的时间之后的一段时间，例如：2018年4月23日上午7点至2018年4月24日上午 7点这一段时间，当然，这仅是示例性说明，并不用于限定“未来一段时间”的起始和终止时刻，也不用于限定“未来一段时间”的时长。在本实施例中，特定区域可以是与行政划分关联的，例如，特定区域可以是省、市、区县等，这是因为，第一控制器为了能够快速地为第二控制器提供信息，可以对某个省、市或者区县内的各充电桩进行预测。
步骤S102：第二控制器向第一控制器发送请求信息，请求信息包括指定区域和指定时间，特定区域包括指定区域，未来一段时间包括指定时间。在本实施例中，特定区域包括指定区域，在一些实施方式中，特定区域可以是某个城市，指定区域可以是某个行政区，例如特定区域可以是北京市，指定区域可以是东城区；在另一些实施方式中，特定区域与指定区域可以是相同的，例如特定区域可以是北京市，指定区域也是北京市。在本实施例中，未来一段时间包括指定时间，例如，第一控制器预测了未来24小时内各充电桩群的可用桩信息，而第二控制器向第一控制器发送的指定时间可能仅是上午10点至晚上10点之间，当然，第二控制器向第一控制器发送的指定时间也可以是未来24小时。
步骤S103：第一控制器接收请求信息。
步骤S104：第一控制器根据请求信息，从第一预测结果中，提取指定桩群的可用桩信息及指定桩群的属性信息作为第二预测结果，并将第二预测结果发送至第二控制器，其中，指定桩群位于指定区域内，指定桩群的属性信息至少包括指定桩群的位置信息。
步骤S105：第二控制器接收第二预测结果，并选择性地对第二预测结果进行展示。需要说明的是，本发明中所说的“选择性地”是指第二控制器可以对第二预测结果进行展示，以便于用户根据第二预测结果进行后续操作；当然，第二控制器也可以不对第二预测结果进行展示，而是直接利用第二预测结果进行导航，以使用户能够到达指定桩群处。
在本发明中，第一控制器可以是提供充电桩群推荐服务的服务器，第二控制器可以是手机、平板电脑、车机等个人终端，第二控制器也可以是提供充电服务的公司或者结果的调度终端，通常情况下，本实施例中的推荐方法较为适合第一服务器与提供充电服务的公司或者机构的调度终端之间的交互，这是因为调度终端通常需要对较大范围内的充电服务进行调度，例如，某个调度终端需要对一个城市的己方的各充电桩群的充电服务进行调度，因此，向第一控制器发送的请求信息中，指定区域的范围及指定时间的长度通常较大，如果第一控制器在接收请求信息后再进行预测，则第一控制器的运算量较大，不利于缩短第一控制器的反馈时间。当然，用户的个人终端也可以采用本实施例中的方法实现与第一控制器的交互，本实施例对此并不做限定。
在本实施例中，第一控制器先进行预测以获得第一预测结果，第一控制器能够根据第二控制器的请求，从第一预测结果中提取第二预测结果，并将第二预测结果向第二控制器发送，使得第一控制器能够更快地向第二控制器反馈预测结果，而且能够负载更大的访问量。
需要说明的是，上述实施例仅是示例性说明，并未对个步骤的执行顺序进行限定，实际上，在不脱离本发明核心思想的情况下，本领域技术人员可以对上述实施例的各步骤进行组合和拆分，也可以对各步骤的顺序进行调整，均在本发明的保护范围内。例如：“第一控制器接收请求信息”可以与“第一控制器利用第一预测结果生成第二预测结果，并将第二预测结果发送至第二控制器”组合为一个步骤；“第一控制器利用第一预测结果生成第二预测结果，并将第二预测结果发送至第二控制器”可以拆分为“第一控制器利用第一预测结果生成第二预测结果”和“第一控制器将第二预测结果发送至第二控制器”；“第二控制器接收第二预测结果，并选择性地对第二预测结果进行展示”可以拆分为“第二控制器接收第二预测结果”和“第二控制器选择性地对第二预测结果进行展示”等。本发明中的各步骤顺序也可以进行调整，例如，本发明可以先执行“第一控制器接收请求信息”，再执行“第一控制器利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果”，关于该执行顺序，以下结合附图进行详细说明。
图2为本发明实施例中的另一种充电桩群推荐方法的流程示意图。请参见图2，该充电桩群的推荐方法，该方法包括如下步骤：
步骤S201：第二控制器向第一控制器发送请求信息，请求信息包括指定区域和指定时间。例如，用户开车行驶在北京市东市区的A处，车辆具有充电需求，因此，将以A处为中心，5公里范围内的区域作为指定区域，将未来0.5-1小时作为指定时间，向第一控制器发送请求信息。当然，上述指定时间和指定区域仅是示例性说明，并不用于限制本实施例。
步骤S202：第一控制器接收请求信息。
步骤S203：第一控制器利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果。其中，预测模型是利用至少一个充电桩群的历史信息训练得到的，充电桩群的数量越多，各充电桩群的历史信息越多，训练得到的预测模型的准确度也就越高。在本实施例中，将指定区域作为特定区域，将指定时间作为未来一段时间，即第一控制器根据用户的第二控制器的请求进行预测，该预测具有较强的针对性。
步骤S204：第一控制器将第一预测结果作为第二预测结果，并将第二预测结果发送至第二控制器，其中，指定桩群位于指定区域内，指定桩群的属性信息至少包括指定桩群的位置信息。
步骤S205：第二控制器接收第二预测结果，并选择性地对第二预测结果进行展示。需要说明的是，本发明中所说的“选择性地”是指第二控制器可以对第二预测结果进行展示，以便于用户根据第二预测结果进行后续操作；当然，第二控制器也可以不对第二预测结果进行展示，而是直接利用第二预测结果进行导航，以使用户能够到达指定桩群处。
在本发明中，第一控制器可以是提供充电桩群推荐服务的服务器，第二控制器可以是手机、平板电脑、车机等个人终端，第二控制器也可以是提供充电服务的公司或者结果的调度终端，通常情况下，本实施例提供的推荐方法主要用于第一控制器与用户的个人终端之间的交互，用户的个人终端可以是用户的个人移动终端，也可以是车机等车载终端。这是因为用户的行车路线具有多样性，指定区域可能跨越城市或者城市内的区县，而且，指定区域通常范围较小，且指定时间长度也较小，因此，第一控制器的运算量并不会过大，使得能够在较大的访问量下实现对用户个人终端请求信息的快速反馈。
在本实施例中，第二控制器为用户的个人终端，第一控制器能够根据用户的个人终端的请求，实时地进行预测，并将预测结果发送至用户的个人终端，便于用户在有充电需求时，能够及时了解自己周围各充电桩群的可用桩信息，能够在指定时间内到达具有可用桩的充电桩群进行充电，避免了查询时有可用桩而实际到达后没有可用桩的情况，方便了用户的充电需求，提高了用户的体验度。
基于上述推荐方法的实施例，优选地，当第二控制器为用户的用户的个人终端时，若第二控制器接收到的第二预测结果中各指定桩群的可用桩个数均为零，则用户的个人终端向第一控制器重新发送请求信息，重新发送的请求信息包括新的指定区域和新的指定时间。通常，新的指定区域和新的指定时间中，至少有一项的范围大于之前请求信息中的限定，例如，将指定区域扩大到以A处为中心，半径110 公里的范围，也可以将指定时间扩大到未来10分钟至未来2小时之内，以便用户能够获得最佳的充电时间及充电地点。
基于上述推荐方法的实施例，可选地，指定桩群的属性信息还包括提供充电服务的公司或者机构的信息和指定桩群的充电功率等信息，以便于用户进行选择。
基于上述推荐方法的实施例，可选地，第一控制器对各充电桩群的可用桩的预测可以按照设定的时间间隔进行，例如，可以设定每小时更新一次预测结果，也可以选择每15分钟更新一次预测结果，当然，预测的时间间隔可以根据具体应用环境进行设定。
基于上述推荐方法的实施例，可选地，当部分充电桩群或者充电桩发生故障时，第一控制器可以获取报修信息，并将具有报修信息的充电桩群作为报修桩群，若指定桩群包括报修桩群，将报修信息发送至第二控制器。在本发明中，报修信息包括充电桩群是否发生断电及充电桩群内是否有充电桩发生故障等。需要说明的是，“获取报修信息”可以在任何步骤之前或是之后进行，“将报修信息发送至第二控制器”，可以在接收请求信息后发送。通过获取及向第二控制器发送报修信息，能够使用户避开发生故障的充电桩群及充电桩，进一步提供用户的体验度。
图3为本发明实施例中获得预测模型的流程图。请参见图 3，预测模型可以通过机器学习方法训练获得，预测模型的训练过程包括如下步骤：
步骤S301：获取至少一个充电桩群的历史数据，并对历史数据进行分析，以获得充电桩群的静态特征和动态特征。静态特征包括：充电桩群所在的位置、供应商、充电桩个数、营业时间、商圈和人流量等，这些特征相对稳定，对某一固定区域来说，对可用桩的数量的影响是相对稳定的。动态特征包括日期、时段和/或天气，动态特征是变化的，对未来可用桩的预测影响较大，动态特征可以是单独的，也可将动态特征进行组合。
步骤S302：从静态特征和动态特征中，筛选出充电桩群的训练数据。训练数据是指与静态特征和动态特征相关的数据，即充电桩群历史数据中在不同特征及特征组合下的可用桩数量信息。例如，可以按照表1中的特征及特征的组合筛选训练数据。
表1.充电桩群的动态特征表
步骤S303：对训练数据进行训练以获得预测模型。利用训练数据进行迭代处理，以挖掘出一个高精度的预测模型。在本发明中，可以采用梯度提升树算法(GradientBoosting Decison Tree，GBDT)、线性回归算法(LR)和支持向量机算法(support vectormachines，SVM) 等方法进行训练，也可以采用长短期记忆网络(Long Short-Term Memory，LSTM)等深度学习的方法进行训练，以获得预测模型。在上述几种方法中，优选GBDT算法，这是因为GBDT算法的准确率高，而且算法本身描述的是数据的具体分布，如果数据本身分布变化较小，那么训练的模型就不需要频繁更新，只需要更新特征就可以了，有利于预测模型的后期维护。
需要说明的是，步骤S301中获得静态特征和动态特征，可以同步进行，也可以先获取静态特征，再获取动态特征，或者先获得动态特征，再获得静态特征。
对于预测模型的训练来说，可选地，动态特征还包括短期出行政策信息，例如：某些城市举行重大会议、文艺表演或重大赛事等，会对部分区域进行交通管制，会造成这些城市中部分区域车辆较少，而其他区域的车辆可能较多，也会对充电桩群中可用桩的数量造成影响，将短期出行政策信息添加到动态特征后，能够进一步提高预测模型的预测精度。
对于预测模型的训练来说，优选地，预测模型的训练过程还包括：步骤S304：对预测模型进行测评。通过根据测评结果对预测模型的预测的准确率进行了解，也方便对预测模型进行修改，以提高预测模型的预测精度。
图4为本发明实施例中对预测模型测评的流程图。请参见图4，进一步地，对预测模型进行测评可以采用如下方式，该测评方法包括：
步骤S3041：利用预测模型对各充电桩群在第一预测时间内的可用桩个数进行预测，以获得测评信息，第一预测时间为获得预测模型之后的一个时间段。例如，预测模型于2017年6月30日完成，将可2017年7月1日至2017年7月12日作为第一预测时间，采用预测模型对该第一预测时间内某一区域内的各充电桩群进行预测。
S3042：获取第一预测时间内的各充电桩群内可用桩的真实信息。真实信息是指第一预测时间内的各充电桩群的真实的可用桩个数。
S3043：将真实信息与测评信息进行对比，以获得预测模型的测评结果。具体地，可以采用均方误差(RMSE)、绝对误差(MAE)、绝对误差百分比(MAPE)和绝对误差百分比的中位数(Median MAPE) 来对真实信息与测评信息进行对比。其中：
Median MAPE是绝对误差百分比(MAPE)的中位数，根据MAPE的计算结果而确定。
其中，i为任意一个充电桩群的编号；n特定区域内充电桩群的总数；observedi是指编号为i的充电桩群的真实信息，真实信息是指可用桩的真实个数；predictedi是指编号为i的充电桩群的测评信息，测评信息是指通过预测模型获得的可用桩的预测个数。
通过上述指标对真实信息与测评信息进行对比，获得的测评结果，获得了如下数据：
表2.测评结果表
如表2所示，在指定日期，即从每一行的数据来看，预测模型在RMSE、MAE、MAPE和Median MAPE上都实现了很低的误差。以MAPE和Median MAPE为例对测评结果进行说明，MAPE平均在1％左右，这个表示，假如桩群平均有100个可用桩，而预测结果在99～101 之间；本预测模型所用数据的充电桩群中，按照分布来看，95％的桩群的总共可用桩的数量都在10以内。而Median MAPE都为0表示50％的桩群预测结果和真实结果完全一致。
请继续参考表2，观察预测模型随着时间在各个指标的表现，由于预测模型本身没有更新，只更新测试数据集中的特征，从表2 中可以看出，预测模型并不会随着时间的推进而效果变差，这也印证了，充电桩群数据的分布是比较稳定的，预测模型能够非常高精度的描述该份数据的分布。
为了解决上述问题，本发明实施例还提供了一种充电桩群可用桩预测方法，该预测方法由第一控制器执行并且包括如下步骤：利用预测模型对至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，其中，预测模型是利用至少一个充电桩群的历史信息训练得到的；接收第二控制器发送的请求信息，请求信息包括指定区域和指定时间，特定区域包括指定区域，未来一段时间包括指定时间；利用第一预测结果生成第二预测结果，并将第二预测结果发送至第二控制器，第二预测结果包括指定桩群的属性信息和指定桩群在指定时间内的可用桩信息，其中，指定桩群位于指定区域内，指定桩群的属性信息至少包括指定桩群的位置信息。
需要说明的是，充电桩群可用桩预测方法，可以对某个区域进行预测，再根据请求信息发送第二预测结果，也可以根据请求信息对指定地点指定时间内的充电桩群的可用桩进行预测，以下结合附图进行详细说明。
图5为本发明实施例中的一种充电桩群可用桩预测方法的流程图。请参见图5，该充电桩群可用桩预测方法，由第一控制器执行，对某个区域进行预测，再根据请求信息生成并发送第二预测结果，该方法包括如下步骤：
步骤S401：利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，第一预测结果包括特定区域内的各充电桩群在未来一段时间内的可用桩信息。其中，预测模型是利用至少一个充电桩群的历史信息训练得到的，充电桩群的数量越多，各充电桩群的历史信息越多，训练得到的预测模型的准确度也就越高。在本发明中，未来一段时间可以是一天，可以是一周，也可以是设定的任何时间。
步骤S402：接收第二控制器发送的请求信息，请求信息包括指定区域和指定时间。特定区域包括指定区域，未来一段时间包括指定时间。在本实施例中，特定区域包括指定区域，在一些实施方式中，特定区域可以是某个城市，指定区域可以是某个行政区，例如特定区域可以是北京市，指定区域可以是东城区；在另一些实施方式中，特定区域与指定区域可以是相同的，例如特定区域可以是北京市，指定区域也是北京市。在本实施例中，未来一段时间包括指定时间，例如，第一控制器预测了未来24小时内各充电桩群的可用桩信息，而第二控制器向第一控制器发送的指定时间可能仅是上午10点至晚上10 点之间，当然，第二控制器向客户端发送的指定时间也可以是未来24 小时。
步骤S403：根据请求信息，从第一预测结果中，提取指定桩群的可用桩信息及指定桩群的属性信息作为第二预测结果，并将第二预测结果发送至第二控制器。
本实施例提供的充电桩群可用桩预测方法，通过预测模型对未来一段时间的充电桩群的可用桩个数进行预测，并根据请求信息向第二控制器发送第二预测结果，由于第一控制器在接收到请求信息之前就已经进行预测，能够避免因同时请求量过大造成的第一控制器处理负载过大的问题；而在接收到请求信息后进行从第一预测结果中提取出第二预测结果即可，处理简单快速，以便于以最快的速度向第二控制器发送第二预测结果。
图6为本发明实施例中的一种充电桩群可用桩预测方法的流程图。请参见图6，该充电桩群可用桩预测方法，由第一控制器执行，对某个区域进行预测，再根据请求信息发送第二预测结果，该方法包括如下步骤：
步骤S501：接收第二控制器发送的请求信息，请求信息包括指定区域和指定时间。例如，用户开车行驶在北京市东市区的A 处，车辆具有充电需求，因此，将以A处为中心，5公里范围内的区域作为指定区域，将未来0.5-1小时作为指定时间，向第一控制器发送请求信息。当然，上述指定时间和指定区域仅是示例性说明，并不用于限制本实施例。
步骤S502：利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，第一预测结果包括特定区域内的各充电桩群在未来一段时间内的可用桩信息。其中，预测模型是利用至少一个充电桩群的历史信息训练得到的，充电桩群的数量越多，各充电桩群的历史信息越多，训练得到的预测模型的准确度也就越高。在本实施例中，将指定区域作为特定区域，将指定时间作为未来一段时间，即第一控制器根据用户的第二控制器的请求进行预测，该预测具有较强的针对性。
步骤S503：将第一预测结果作为第二预测结果，并将第二预测结果发送至第二控制器，其中，指定桩群位于指定区域内，指定桩群的属性信息至少包括指定桩群的位置信息。
本实施例提供的充电桩群可用桩预测方法，通过预测模型第一控制器能够根据第二控制器的请求，实时地进行预测，并将预测结果发送至客户的第二控制器，便于用户在有充电需求时，能够及时了解自己周围各充电桩群的可用桩信息，能够在指定时间内到达具有可用桩的充电桩群进行充电，而且根据请求信息进行预测，预测结果更具有针对性。
基于上述可用桩预测方法的实施例，可选地，指定桩群的属性信息还包括提供充电服务的公司或者机构的信息和指定桩群的充电功率等信息，以便于用户进行选择。
基于上述可用桩预测方法的实施例，可选地，第一控制器对各充电桩群的可用桩的预测可以按照设定的时间间隔进行，例如，可以设定每小时更新一次预测结果，也可以选择每15分钟更新一次预测结果，当然，预测的时间间隔可以根据具体应用环境进行设定。
基于上述可用桩预测方法的实施例，可选地，当部分充电桩群或者充电桩发生故障时，第一控制器可以获取报修信息，并将具有报修信息的充电桩群作为报修桩群，若指定桩群包括报修桩群，将报修信息发送至第二控制器。在本发明中，报修信息包括充电桩群是否发生断电及充电桩群内是否有充电桩发生故障等。需要说明的是，“获取报修信息”可以在任何步骤之前或是之后进行，“将报修信息发送至第二控制器”，可以在接收请求信息后发送。通过获取及向第二控制器发送报修信息，能够使用户避开发生故障的充电桩群及充电桩，进一步提供用户的体验度。
对于充电桩群可用桩预测方法来说，预测模型也可以是通过机器学习方法训练获得，具体的训练过程请参见上述充电桩群推荐方法中对预测模型训练的描述，此处不作重复描述。
为了解决上述问题，本发明实施例还提供了一种充电桩群可用桩预测结果获取方法，由第二控制器执行，以下进行详细说明。
图7为本发明实施例中的一种充电桩群可用桩预测结果获取方法的流程图。请参见图7，该方法包括如下步骤：
步骤S601：第二控制器向第一控制器发送请求信息，请求信息包括指定区域和指定时间。
步骤S602：第二控制器接收第一控制器发送的第二预测结果，并选择性地对第二预测结果进行展示。
基于上述预测结果获取方法的实施例，可选地，对第二预测结果进行展示，可以采用将第二预测结果中的各充电桩群按照与用户的距离最近、可最快到达、可用桩的数量多少以及可用桩的充电功率大小进行排序，再将排序后的第二预测结果进行展示。
基于上述预测结果获取方法的实施例，第二控制器可以是调度第二控制器，也可以是用户的第二控制器，调度第二控制器通过发送请求信息，方便调度第二控制器对指定区域内的充电服务进行调度，用户的第二控制器通过发送请求信息，对接收到的第二预测结果进行展示，方便用户获得指定区域指定时间内的可用充电桩信息，能够更方便地找到可用充电桩，避免了查询时有可用桩而实际到达后没有可用桩的情况，方便了用户的充电需求，提高了用户的体验度。
基于上述预测结果获取方法的实施例，优选地，当第二控制器为用户的第二控制器时，若第二控制器接收到的第二预测结果中各指定桩群的可用桩个数均为零，则第二控制器向第一控制器重新发送请求信息，重新发送的请求信息包括新的指定区域和新的指定时间。通常，新的指定区域和新的指定时间中，至少有一项的范围大于之前请求信息中的限定，以提高在指定区域指定时间内具有可用桩的概率。
为了解决上述问题，本发明实施例还提供了一种第一控制器，该第一控制器是上述任一项充电桩群可用桩预测方法的实施例中所述的第一控制器并且包括处理器和存储器，该存储器中存储有多条指令，该处理器适于加载上述指令以执行上述任一实施例中的充电桩群可用桩预测方法。该第一控制器可以服务器，并且该第一控制器能够实现上述任意一种充电桩群可用桩预测方法的有益效果，在此不作赘述。
为了解决上述问题，本发明实施例还提供了一种第二控制器，该第二控制器是上述任一项充电桩群的预测结果获取方法的实施例中所述的第二控制器并且包括处理器和存储器，该存储器中存储有多条指令，该处理器适于加载上述指令以执行上述任一实施例中的充电桩群可用桩预测结果获取方法。该第二控制器可以是客户终端也可以是调度终端，其中，客户终端可以为手机、平板电脑等移动终端，也可以是车机。该第二控制器能够实现上述任意一种充电桩群可用桩预测结果获取方法的有益效果，在此不作赘述。
图8为本发明实施例中的一种第一控制器与第二控制器的连接结构示意图。请参见图8，在一些具体的方式中，互相关联的第一控制器1和第二控制器2进行交互以实现向用户推荐可用桩信息。
请继续参见图8，第一控制器1的存储器包括离线处理模块101、存储模块102、建模模块103和预测服务模块104。离线处理模块101，通过离线pipeline处理和分析历史数据，以获得静态特征和动态特征，其中，离线pipeline基于spark计算引擎与oozie调度服务；存储模块102对静态特征和动态特征进行存储，存储模块具有存储量大的优点，能够处理高并发的情况，且要求延时低；建模模块103能够从静态特征和动态特征中筛选出训练数据，并利用训练数据训练出预测模型；预测服务模块104利用预测模型对特定区域内的各充电桩群在未来一段时间可用桩信息的预测，并实现与第二控制器2的交互。需要说明的是，虽然图8中仅示出了一个第二控制器2，但这仅是为了表明第一控制器1与第二控制器2之间的交互原理，事实上，第一控制器1能够同时与至少一个第二控制器2之间实现交互，即同时接收至少一个第二控制器2发送的请求信息，并根据这些请求信息将第二预测结果发送至对应的第二控制器2。在本实施例中，上述模块可以是实体模块也可以是能够实现其功能的虚拟模块，本实施例对此并不做限定。需要说明的是该实施例仅是示例性说明，并不用于限制第一控制器的具体结构。
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)
1.一种充电桩群的推荐方法，其特征在于，包括如下步骤：
第一控制器利用预测模型对特定区域内的至少一个充电桩群在未来一段时间内的可用桩个数进行预测，以获得第一预测结果，其中，所述预测模型是利用至少一个所述充电桩群的历史信息训练得到的；
第二控制器向所述第一控制器发送请求信息，所述请求信息包括指定区域和指定时间，所述特定区域包括所述指定区域，所述未来一段时间包括所述指定时间；
所述第一控制器接收所述请求信息；
所述第一控制器利用所述第一预测结果生成第二预测结果，并将所述第二预测结果发送至所述第二控制器，所述第二预测结果包括指定桩群的属性信息和所述指定桩群在所述指定时间内的可用桩信息，其中，所述指定桩群位于所述指定区域内，所述指定桩群的所述属性信息至少包括所述指定桩群的位置信息；
所述第二控制器接收所述第二预测结果并选择性地对所述第二预测结果进行展示。
2.根据权利要求1所述的充电桩群的推荐方法，其特征在于，“所述第一控制器利用所述第一预测结果生成第二预测结果”的步骤包括：
所述第一控制器根据所述请求信息，从所述第一预测结果中提取所述指定桩群的可用桩信息及所述指定桩群的属性信息作为所述第二预测结果。
3.根据权利要求1所述的充电桩群的推荐方法，其特征在于，所述特定区域为所述指定区域，所述未来一段时间为所述指定时间。
4.根据权利要求1-3中任一项所述的充电桩群的推荐方法，其特征在于，所述预测模型的训练过程包括如下步骤：
获取至少一个所述充电桩群的历史数据，并对所述历史数据进行分析，以获得所述充电桩群的静态特征和动态特征；
从所述静态特征和所述动态特征中，筛选出所述充电桩群的训练数据；
对所述训练数据进行训练以获得所述预测模型。
5.根据权利要求4所述的充电桩群的推荐方法，其特征在于，所述预测模型的训练过程还包括：
在获得所述预测模型后，对所述预测模型进行测评。
6.根据权利要求5所述的充电桩群的推荐方法，其特征在于，“对所述预测模型进行测评”的步骤包括：
利用所述预测模型对各所述充电桩群在第一预测时间内的可用桩个数进行预测，以获得测评信息，所述第一预测时间为获得所述预测模型之后的一个时间段；
获取所述第一预测时间内的各所述充电桩群内可用桩的真实信息；
将所述真实信息与所述测评信息进行对比，以获得所述预测模型的测评结果。
7.根据权利要求4所述的充电桩群的推荐方法，其特征在于，所述静态特征包括：所述充电桩群所在的位置、供应商、充电桩个数、营业时间、商圈和人流量。
8.根据权利要求4所述的充电桩群的推荐方法，其特征在于，所述动态特征包括：日期、时段和/或天气。
9.根据权利要求8所述的充电桩群的推荐方法，其特征在于，所述动态特征还包括短期出行政策信息。
10.根据权利要求1所述的充电桩群的推荐方法，其特征在于，所述推荐方法还包括：
所述第一控制器获取报修信息，并将具有所述报修信息的所述充电桩群作为报修桩群，若所述指定桩群包括所述报修桩群，将所述报修信息发送至所述第二控制器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810719498.5A CN109146129A (zh) | 2018-07-03 | 2018-07-03 | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810719498.5A CN109146129A (zh) | 2018-07-03 | 2018-07-03 | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109146129A true CN109146129A (zh) | 2019-01-04 |
Family
ID=64799807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810719498.5A Pending CN109146129A (zh) | 2018-07-03 | 2018-07-03 | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146129A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414750A (zh) * | 2019-08-28 | 2019-11-05 | 哈尔滨工程大学 | 一种基于深度增强学习的电动汽车实时充电站选择方法 |
| CN111428137A (zh) * | 2020-03-25 | 2020-07-17 | 全球能源互联网研究院有限公司 | 一种电动汽车充电设施的推荐方法及推荐装置 |
| CN111461287A (zh) * | 2020-02-25 | 2020-07-28 | 上海大学 | 一种基于残差图卷积的共享单车空闲车桩预测方法 |
| CN112381313A (zh) * | 2020-11-23 | 2021-02-19 | 国网北京市电力公司 | 充电桩地址的确定方法和装置 |
| CN112433122A (zh) * | 2020-11-23 | 2021-03-02 | 广州橙行智动汽车科技有限公司 | 充电桩可用状态检测方法、装置、设备及存储介质 |
| CN112632380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 |
| CN113505149A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦（北京）科技有限公司 | 一种推荐充电站的方法、服务器、介质及计算机设备 |
| CN116911583A (zh) * | 2023-09-14 | 2023-10-20 | 深圳永泰数能科技有限公司 | 一种电动汽车充电站设备的规划方法、系统及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104121921A (zh) * | 2014-07-01 | 2014-10-29 | 王玉娇 | 一种电动车充电导航方法、系统及相关设备 |
| CN104937650A (zh) * | 2012-12-21 | 2015-09-23 | 泊知港有限公司 | 用于定位可用停车位的系统及方法 |
| US20150294228A1 (en) * | 2014-04-11 | 2015-10-15 | Nissan North America, Inc. | System and method of predicting future demand of a charging station |
| US20150294329A1 (en) * | 2014-04-11 | 2015-10-15 | Nissan North America, Inc. | System and method of predicting usage of a charging station |
| CN106447129A (zh) * | 2016-10-31 | 2017-02-22 | 北京小飞快充网络科技有限公司 | 一种基于快速充电桩的高效率的充电站推荐方法 |
| CN106503869A (zh) * | 2016-11-14 | 2017-03-15 | 东南大学 | 一种基于站点短时需求预测的公共自行车动态调度方法 |
| US9747797B1 (en) * | 2016-03-25 | 2017-08-29 | Conduent Business Services, Llc | Method and system for predicting availability of parking spot in parking area |
| CN107239846A (zh) * | 2016-03-29 | 2017-10-10 | 中兴通讯股份有限公司 | 停车场泊位预测处理方法及装置 |
| CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
| CN108133619A (zh) * | 2018-02-06 | 2018-06-08 | 百度在线网络技术（北京）有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
-
2018
- 2018-07-03 CN CN201810719498.5A patent/CN109146129A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104937650A (zh) * | 2012-12-21 | 2015-09-23 | 泊知港有限公司 | 用于定位可用停车位的系统及方法 |
| US20150294228A1 (en) * | 2014-04-11 | 2015-10-15 | Nissan North America, Inc. | System and method of predicting future demand of a charging station |
| US20150294329A1 (en) * | 2014-04-11 | 2015-10-15 | Nissan North America, Inc. | System and method of predicting usage of a charging station |
| CN104121921A (zh) * | 2014-07-01 | 2014-10-29 | 王玉娇 | 一种电动车充电导航方法、系统及相关设备 |
| US9747797B1 (en) * | 2016-03-25 | 2017-08-29 | Conduent Business Services, Llc | Method and system for predicting availability of parking spot in parking area |
| CN107239846A (zh) * | 2016-03-29 | 2017-10-10 | 中兴通讯股份有限公司 | 停车场泊位预测处理方法及装置 |
| CN106447129A (zh) * | 2016-10-31 | 2017-02-22 | 北京小飞快充网络科技有限公司 | 一种基于快速充电桩的高效率的充电站推荐方法 |
| CN106503869A (zh) * | 2016-11-14 | 2017-03-15 | 东南大学 | 一种基于站点短时需求预测的公共自行车动态调度方法 |
| CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
| CN108133619A (zh) * | 2018-02-06 | 2018-06-08 | 百度在线网络技术（北京）有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
Non-Patent Citations (4)
| Title |
|---|
| 刘典; 张飞舟: "城市停车场实时车位获取与分配研究", 《计算机工程与应用》 * |
| 卜凡鹏，田世明，高晶晶，齐林海: "一种基于协同过滤的电动汽车充电推荐方法", 《科技导报》 * |
| 汤杰; 区洁容; 黄智超: "停车场空位数变化特征及其动态预测控制模型", 《科技传播》 * |
| 肖裕民; 黄仁福; 敖谷昌: "多区域停车诱导系统的总体设计及实现方式探讨", 《产业与科技论坛》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414750A (zh) * | 2019-08-28 | 2019-11-05 | 哈尔滨工程大学 | 一种基于深度增强学习的电动汽车实时充电站选择方法 |
| CN110414750B (zh) * | 2019-08-28 | 2022-04-05 | 哈尔滨工程大学 | 一种基于深度增强学习的电动汽车实时充电站选择方法 |
| CN111461287A (zh) * | 2020-02-25 | 2020-07-28 | 上海大学 | 一种基于残差图卷积的共享单车空闲车桩预测方法 |
| CN111428137A (zh) * | 2020-03-25 | 2020-07-17 | 全球能源互联网研究院有限公司 | 一种电动汽车充电设施的推荐方法及推荐装置 |
| CN111428137B (zh) * | 2020-03-25 | 2021-06-11 | 全球能源互联网研究院有限公司 | 一种电动汽车充电设施的推荐方法及推荐装置 |
| WO2021189745A1 (zh) * | 2020-03-25 | 2021-09-30 | 全球能源互联网研究院有限公司 | 电动汽车充电设施的推荐方法、装置、计算机设备及存储介质 |
| CN112381313A (zh) * | 2020-11-23 | 2021-02-19 | 国网北京市电力公司 | 充电桩地址的确定方法和装置 |
| CN112433122A (zh) * | 2020-11-23 | 2021-03-02 | 广州橙行智动汽车科技有限公司 | 充电桩可用状态检测方法、装置、设备及存储介质 |
| CN112632380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 |
| CN113505149A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦（北京）科技有限公司 | 一种推荐充电站的方法、服务器、介质及计算机设备 |
| CN116911583A (zh) * | 2023-09-14 | 2023-10-20 | 深圳永泰数能科技有限公司 | 一种电动汽车充电站设备的规划方法、系统及介质 |
| CN116911583B (zh) * | 2023-09-14 | 2023-12-22 | 深圳永泰数能科技有限公司 | 一种电动汽车充电站设备的规划方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146129A (zh) | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 | |
| An et al. | Battery-swapping facility planning for electric buses with local charging systems | |
| Yang et al. | Optimal planning of swapping/charging station network with customer satisfaction | |
| Cardone et al. | The participact mobile crowd sensing living lab: The testbed for smart cities | |
| CN103218709B (zh) | 智能日程管理方法、系统及云端服务器 | |
| Liu et al. | Electric vehicles en-route charging navigation systems: Joint charging and routing optimization | |
| US20180096606A1 (en) | Method to control vehicle fleets to deliver on-demand transportation services | |
| Kumar et al. | A novel simulated-annealing based electric bus system design, simulation, and analysis for Dehradun Smart City | |
| Rajamoorthy et al. | A novel intelligent transport system charging scheduling for electric vehicles using Grey Wolf Optimizer and Sail Fish Optimization algorithms | |
| Amirhosseini et al. | Scheduling charging of hybrid-electric vehicles according to supply and demand based on particle swarm optimization, imperialist competitive and teaching-learning algorithms | |
| Cocca et al. | Free floating electric car sharing design: Data driven optimisation | |
| CN106664254A (zh) | 优化移动网络中的网络流量管理 | |
| Charisis et al. | DRT route design for the first/last mile problem: model and application to Athens, Greece | |
| CN108985896A (zh) | 拼车方法、拼车路线的推荐方法、装置、介质及电子设备 | |
| Bedogni et al. | A route planner service with recharging reservation: Electric itinerary with a click | |
| Fernández et al. | Bike3S: A tool for bike sharing systems simulation | |
| Sun et al. | A graphical game approach to electrical vehicle charging scheduling: Correlated equilibrium and latency minimization | |
| Zhou et al. | E-sharing: Data-driven online optimization of parking location placement for dockless electric bike sharing | |
| Narayan et al. | A dynamic pricing system for electric vehicle charging management using reinforcement learning | |
| Wang et al. | Modeling and optimization of multiaction dynamic dispatching problem for shared autonomous electric vehicles | |
| Liu et al. | Learning an effective charging scheme for mobile devices | |
| Guan et al. | Bi-level optimization for customized bus routing serving passengers with multiple-trips based on state–space–time network | |
| Mo et al. | Towards an optimal bus frequency scheduling: When the waiting time matters | |
| Helmus et al. | A validated agent-based model for stress testing charging infrastructure utilization | |
| Quintana et al. | Robust ebuses charging location problem |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200921 Address after: Susong Road West and Shenzhen Road North, Hefei Economic and Technological Development Zone, Anhui Province Applicant after: Weilai (Anhui) Holding Co.,Ltd. Address before: 30 Floor of Yihe Building, No. 1 Kangle Plaza, Central, Hong Kong, China Applicant before: NIO NEXTEV Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |