CN109501630B - 一种电动汽车充电方案实时推荐方法及系统 - Google Patents

Abstract

本发明涉及一种电动汽车充电方案实时推荐方法及系统，所述方法包括：获取车辆规划的出行路线沿途的充电站集合；根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站，本发明提供的技术方案，为电动汽车用户提供了智能化的充电服务，减轻了因电动汽车出行过程中的充电问题给用户带来的繁琐操作，进一步提升了电动汽车用户的出行体验。

Description

一种电动汽车充电方案实时推荐方法及系统

技术领域

本发明涉及电动汽车充电领域，具体涉及一种电动汽车充电方案实时推荐方法及系统。

背景技术

随着治理大气污染措施的实行以及石油资源的短缺，电动汽车作为由可充电电池提供动力源的汽车，受到了政府的大力支持。近年来，电动汽车以无污染、噪音小、结构简单、维修方便等优点也受到了广大汽车用户的喜爱。

但是，电动汽车的出行仍面临诸多不便，首先，用户出发前需要了解出行路线是否具备充电条件，其次，用户需要时刻关心车辆电池的剩余电量情况，即使如此，充电站还可能因站内充电车辆已满等情况使车辆无法在规划的站点进行充电。

发明内容

本发明提供一种电动汽车充电方案实时推荐方法及系统，其目的是为电动汽车用户实时提供了智能化的充电服务，减轻了因电动汽车出行过程中的充电问题给用户带来的繁琐操作，进一步提升了电动汽车用户的出行体验。

本发明的目的是采用下述技术方案实现的：

一种电动汽车充电方案实时推荐方法，其改进之处在于，所述方法包括：

获取车辆可用的出行路线沿途的充电站集合；

根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；

利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站。

优选的，所述车辆可用的出行路线由车联网平台根据车辆当前位置和出行目的地从车联网平台上获取。

优选的，所述获取车辆规划的出行路线沿途的充电站集合，包括：

利用距离所述出行路线小于阈值的充电站构建该出行路线沿途的充电站集合。

优选的，所述根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站，包括：

将所述车辆的剩余电量可行驶里程的A％-100％范围内的充电站作为可用充电站，其中， A∈[0,100)，若所述车辆的剩余电量可行驶里程的A％-100％范围内不存在充电站集合中的充电站，则减小A；

其中，A为车辆的剩余电量可行驶里程的百分比。

进一步的，令所述车辆的剩余电量可行驶里程为L，则L-A％L≥20km。

优选的，所述利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站，包括：

将可用充电站的实际充电价格、空闲率、好评度和停车费用作为预先建立的神经网络模型的输入，获取所述可用充电站的推荐指数；

若所述可用充电站的推荐指数大于推荐阈值，则该可用充电站为推荐充电站；

其中，所述预先建立的神经网络模型的训练数据包括：充电站的历史充电价格、历史空闲率、历史好评度、历史停车费用和历史推荐指数，所述预先建立的神经网络模型的激活函数为sigmoid函数。

进一步的，按下式确定充电站的历史推荐指数P：

其中，a为充电站的用户成功充电次数的历史数据，b为充电站被推荐次数的历史数据。

一种电动汽车充电方案实时推荐系统，其改进之处在于，所述系统包括：

获取单元，用于获取车辆可用的出行路线沿途的充电站集合；

第一确定单元，用于根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；

第二确定单元，用于利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站。

优选的，所述车辆可用的出行路线由车联网平台根据车辆当前位置和出行目的地从智能终端软件上获取。

优选的，所述获取单元，包括：

利用距离所述出行路线小于阈值的充电站构建该出行路线沿途的充电站集合。

优选的，所述第一确定单元，包括：

将所述车辆的剩余电量可行驶里程的A％-100％范围内的充电站作为可用充电站，其中， A∈[0,100)，若所述车辆的剩余电量可行驶里程的A％-100％范围内不存在充电站集合中的充电站，则减小A；

其中，A为车辆的剩余电量可行驶里程的百分比。

进一步的，令所述车辆的剩余电量可行驶里程为L，则L-A％L≥20km。

优选的，所述第二确定单元，包括：

获取模块，用于将可用充电站的实际充电价格、空闲率、好评度和停车费用作为预先建立的神经网络模型的输入，获取所述可用充电站的推荐指数；

确定模块，用于若所述可用充电站的推荐指数大于推荐阈值，则该可用充电站为推荐充电站；

其中，所述预先建立的神经网络模型的训练数据包括：充电站的历史充电价格、历史空闲率、历史好评度、历史停车费用和历史推荐指数，所述预先建立的神经网络模型的激活函数为sigmoid函数。

进一步的，按下式确定充电站的历史推荐指数P：

其中，a为充电站的用户成功充电次数的历史数据，b为充电站被推荐次数的历史数据。

本发明的有益效果：

本发明提供的技术方案，通过获取车辆规划的出行路线沿途的充电站集合；根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站，能够为电动汽车用户选择最佳的出行充电方案，为用户实时提供了智能化的充电服务，减轻了因电动汽车出行过程中的充电问题给用户带来的繁琐操作，进一步提升了电动汽车用户的出行体验。

附图说明

图1是本发明一种电动汽车充电方案实时推荐方法的流程图；

图2是本发明一种电动汽车充电方案实时推荐系统的结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作详细说明。

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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供的一种电动汽车充电方案实时推荐方法，如图1所示，包括：

101.获取车辆可用的出行路线沿途的充电站集合；

102.根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；

103.利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站。

例如：本发明提供的一种电动汽车充电方案实时推荐方法是基于车辆网平台的。车联网平台接入的电动汽车充电桩是全球接入数量最多、覆盖最广的平台。

根据推荐充电站，确定出行路线，车辆行驶过程中实时判断车辆能否到达推荐充电站，若否，则重新确定推荐充电站。

所述车辆可用的出行路线由车联网平台根据车辆当前电池剩余电量、车辆充满电可行驶里程以及出行路线上相邻充电站间的距离确定。

具体的，所述步骤101，包括：

利用距离所述出行路线小于阈值的充电站构建该出行路线沿途的充电站集合。

例如：所述出行路线周边的充电站距离该出行路线的距离小于2公里，则将该充电站纳入所述出行路线沿途的充电站集合。

获取车辆可用的出行路线沿途的充电站集合之后，需根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站，因此，所述步骤102，包括：

将所述车辆的剩余电量可行驶里程的A％-100％范围内的充电站作为可用充电站，其中， A∈[0,100)，若所述车辆的剩余电量可行驶里程的A％-100％范围内不存在充电站集合中的充电站，则减小A；

其中，A为车辆的剩余电量可行驶里程的百分比。

例如：车辆的剩余电量可行驶里程为100公里，将所述车辆的剩余电量可行驶里程的 80％-100％范围内的充电站作为可用充电站，即在出行路线上距离车辆当前位置80公里到100 公里范围内的充电站作为可用充电站，若所述车辆的剩余电量可行驶里程的80％-100％范围内不存在充电站集合中的充电站，则减小80％。

令所述车辆的剩余电量可行驶里程为L，则L-A％L≥20km。

根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站之后，需利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站，因此，所述步骤 103，包括：

将可用充电站的实际充电价格、空闲率、好评度和停车费用作为预先建立的神经网络模型的输入，获取所述可用充电站的推荐指数；

若所述可用充电站的推荐指数大于推荐阈值，则该可用充电站为推荐充电站；

其中，所述预先建立的神经网络模型的训练数据包括：充电站的历史充电价格、历史空闲率、历史好评度、历史停车费用和历史推荐指数，所述预先建立的神经网络模型的激活函数为sigmoid函数。

按下式确定充电站的历史推荐指数P：

其中，a为充电站的用户成功充电次数的历史数据，b为充电站被推荐次数的历史数据。

例如：车辆在行驶过程中，车联网平台实时监测车辆的当前位置和车辆电池的剩余电量，同时车联网平台根据车辆剩余电量可行驶里程确定车辆下次充电时间范围；根据所述可用充电站集合中的各充电站的当前充电情况和所述车辆下次充电时间范围内该充电站的历史充电情况，确定所述各站点的空闲率。但车辆因其他事件造成无法按时或车辆剩余电量可行驶里程不足以使车辆到达推荐站点，则根据车辆的当前位置和剩余电量可行驶里程重新确定推荐站点，并提示更改推荐充电站点。

充电站点的好评度从车辆网平台获取，充电站的停车费用为该站点的实际停车费用。

所述推荐指数的范围为[0,1]。

例如：车辆在出行路线沿途充电站第一次充80％的电量，则以上述方法推荐下一个充电站点，直至车辆到达目的地。

一种电动汽车充电方案实时推荐系统，如图2所示，包括：

获取单元，用于获取车辆可用的出行路线沿途的充电站集合；

第一确定单元，用于根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；

第二确定单元，用于利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站。

优选的，所述车辆可用的出行路线由车联网平台根据车辆当前位置和出行目的地从智能终端软件上获取。

优选的，所述获取单元，包括：

利用距离所述出行路线小于阈值的充电站构建该出行路线沿途的充电站集合。

优选的，所述第一确定单元，包括：

将所述车辆的剩余电量可行驶里程的A％-100％范围内的充电站作为可用充电站，其中， A∈[0,100)，若所述车辆的剩余电量可行驶里程的A％-100％范围内不存在充电站集合中的充电站，则减小A；

其中，A为车辆的剩余电量可行驶里程的百分比。

进一步的，令所述车辆的剩余电量可行驶里程为L，则L-A％L≥20km。

优选的，所述第二确定单元，包括：

获取模块，用于将可用充电站的实际充电价格、空闲率、好评度和停车费用作为预先建立的神经网络模型的输入，获取所述可用充电站的推荐指数；

确定模块，用于若所述可用充电站的推荐指数大于推荐阈值，则该可用充电站为推荐充电站；

其中，所述预先建立的神经网络模型的训练数据包括：充电站的历史充电价格、历史空闲率、历史好评度、历史停车费用和历史推荐指数，所述预先建立的神经网络模型的激活函数为sigmoid函数。

进一步的，按下式确定充电站的历史推荐指数P：

其中，a为充电站的用户成功充电次数的历史数据，b为充电站被推荐次数的历史数据。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (4)

1.一种电动汽车充电方案实时推荐方法，其特征在于，所述方法包括：

获取车辆可用的出行路线沿途的充电站集合；

根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；

利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站；

所述根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站，包括：

将所述车辆的剩余电量可行驶里程的A％-100％范围内的充电站作为可用充电站，其中，A∈[0,100)，若所述车辆的剩余电量可行驶里程的A％-100％范围内不存在充电站集合中的充电站，则减小A；

其中，A为车辆的剩余电量可行驶里程的百分比；

令所述车辆的剩余电量可行驶里程为L，则L-A％L≥20km；

所述利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站，包括：

将可用充电站的实际充电价格、空闲率、好评度和停车费用作为预先建立的神经网络模型的输入，获取所述可用充电站的推荐指数；

若所述可用充电站的推荐指数大于推荐阈值，则该可用充电站为推荐充电站；

其中，所述预先建立的神经网络模型的训练数据包括：充电站的历史充电价格、历史空闲率、历史好评度、历史停车费用和历史推荐指数，所述预先建立的神经网络模型的激活函数为sigmoid函数；

按下式确定充电站的历史推荐指数P：

其中，a为充电站的用户成功充电次数的历史数据，b为充电站被推荐次数的历史数据。

2.如权利要求1所述的方法，其特征在于，所述车辆可用的出行路线由车联网平台根据车辆当前位置和出行目的地从车辆网平台上获取。

3.如权利要求1所述的方法，其特征在于，所述获取车辆可用的出行路线沿途的充电站集合，包括：

利用距离所述出行路线小于阈值的充电站构建该出行路线沿途的充电站集合。

4.一种电动汽车充电方案实时推荐系统，其特征在于，所述系统包括：获取单元，用于获取车辆可用的出行路线沿途的充电站集合；

第一确定单元，用于根据车辆的剩余电量可行驶里程确定所述出行路线沿途的充电站集合中的可用充电站；

第二确定单元，用于利用预先建立的神经网络模型在所述可用充电站中确定推荐充电站；

所述车辆可用的出行路线由车联网平台根据车辆当前位置和出行目的地从车联网平台上获取；

所述获取单元，包括：

利用距离所述出行路线小于阈值的充电站构建该出行路线沿途的充电站集合；

所述第一确定单元，包括：

将所述车辆的剩余电量可行驶里程的A％-100％范围内的充电站作为可用充电站，其中，A∈[0,100)，若所述车辆的剩余电量可行驶里程的A％-100％范围内不存在充电站集合中的充电站，则减小A；

令所述车辆的剩余电量可行驶里程为L，则L-A％L≥20km；

所述第二确定单元，包括：

获取模块，用于将可用充电站的实际充电价格、空闲率、好评度和停车费用作为预先建立的神经网络模型的输入，获取所述可用充电站的推荐指数；

确定模块，用于若所述可用充电站的推荐指数大于推荐阈值，则该可用充电站为推荐充电站；

其中，所述预先建立的神经网络模型的训练数据包括：充电站的历史充电价格、历史空闲率、历史好评度、历史停车费用和历史推荐指数，所述预先建立的神经网络模型的激活函数为sigmoid函数；

按下式确定充电站的历史推荐指数P：

其中，a为充电站的用户成功充电次数的历史数据，b为充电站被推荐次数的历史数据。

Images