CN109711913A - 一种电动汽车供需差预测方法和充电桩布局规划方法 - Google Patents

Abstract

本发明涉及一种电动汽车供需差预测方法和充电桩布局规划方法。该电动汽车供需差预测方法包括：从原始数据中抽取相关数据并构造特征；使用信息增益率对特征进行排序，生成特征排序表；对特征排序表进行倒序筛选，生成不同数据缺失程度的特征子集；针对不同数据缺失程度的特征子集，利用改进的回归树算法生成相应的子回归树模型；按照线性回归模型进行整合，学习出各个子回归树模型的参数；使用线性回归的投票策略进行集成，得到集成学习回归树模型，进行车辆供需差的预测。然后依据车辆供需差来计算出充电桩布局模型。本发明采用时间复杂度较低、准确率较高的集成学习回归树，能够解决存在数据缺失情况下充电桩布局规划的问题。

Description

一种电动汽车供需差预测方法和充电桩布局规划方法

技术领域

本发明属于电动汽车充电桩布局规划相关技术领域，涉及机器学习与数据挖掘领域，具体涉及是一种电动汽车供需差预测方法和充电桩布局规划方法。

背景技术

随着生活水平的提高，人们对出行的需求大大提高，越来越多的人购置新能源汽车出行，而充电桩的布局就是一个需要关注核心问题。充电桩的布局往往与车辆的需求量息息相关，车辆供需紧张的地方又深刻地反映着充电桩的需求热点。某地区如果被预测车辆需求量较高，则应该布局更多充电桩来刺激该地区的电动车消费。通过对车辆需求建模，转化为充电桩布局模型，可以有效合理地为充电桩布局规划提供参考。

然而，车辆需求建模中，预测车辆供需差是一个具有挑战性的任务，主要是有两个原因：(1)很难推导出充电桩布局时车辆供需差和其他特征之间的潜在模式。在现实生活中，不同的情景可能导致供给远远低于需求的现象。这些情况可能是恶劣的天气，假日聚会，周末娱乐和高峰时间等，但是很难确定这些情况如何影响出租车的供需关系。(2)更麻烦的是，提供的训练数据集由于数据采集设备故障或存储介质故障可能会引起大量缺失值。而处理的时候，要么通过一些规则直接填充这些缺失的值，要么简单地忽略它们，将使得预测结果偏离真实情况。

目前与该任务相关的成果并不是太多。而且大部分相关工作不满足该预测任务的要求。例如文献“Zhang X,Liu Y.The city taxi quantity prediction via GM-BP model[C]//IEEE International Conference on Cyber Technology in Automation,Control,and Intelligent Systems.IEEE,2015.”仅考虑车的数量和乘客热点。尽管文献“Chang HW,Tai Y C,Chen H W,et al.iTaxi:Context-Aware Taxi Demand Hotspots PredictionUsing Ontology and Data Mining Approaches[J].2008.”考虑了需求和供给，但没有预测供需差的具体数值。几乎所有以前的论文工作/研究工作只使用GPS数据和车辆数量等较少的特征来构建模型，其缺乏有效性。文献“Moreira-Matias L,Gama J,Ferreira M,etal.On Predicting the Taxi-Passenger Demand:A Real-Time Approach[C]//EncontroPortuguês de Inteligência Artificial.2013:54-65.”使用历史GPS数据来识别乘客的地理分布，但只能在短时间内预测车辆供应的热度。文献“Hai Y,Yan W L,Wong S C,etal.Amacroscopic taxi model for passenger demand,taxi utilization and level ofservices[J].Transportation,2000,27(3):317-340.”也仅仅只是推断一般需求与供给之间的联合方程，却有很多的数据限制，同时有着较高的错误率。

以上文献均是基于单独的热点或者车辆的数量(供给)或者乘客数量(需求)考虑车辆供需差的问题，但目前并没有一个完善的设计可以解决充电桩布局时需要考虑的车辆供需差问题，并同时解决缺失值的问题。

更多的，获得了供需差以后，如何转化为充电桩布局规划问题的模型，也是车辆供需差与充电桩规划相映射的数学问题，需要周全建模。本发明旨在可以弹性调整参数时进行数学建模，并且不影响布局的全局兼容性。

发明内容

本发明主要解决电动汽车充电桩布局规划的问题，克服现有技术存在的不足，提出一种电动汽车供需差预测方法和充电桩布局规划方法，采用时间复杂度较低、准确率较高的集成学习回归树，解决存在数据缺失情况下充电桩布局规划的问题。

本发明使用的数据集是真实出租车平台数据。本发明首次提出缺失数据集上的车辆需求量的预测方法，并首次将车辆供需关系用于充电桩布局规划。

本发明的技术方案分为两大部分，首先采用集成学习回归树模型预测车辆的供需差，然后依据车辆供需差来计算充电桩布局模型，实现充电桩布局规划。

本发明的构建集成学习回归树模型以预测车辆的供需差的方法，其步骤为：

1)进行数据抽取并构造特征。

数据抽取是指从杂乱的原始数据(如移动端数据、出租车GPS数据等)中，抽取出与方法或者预测目标相关的一系列数据，并且进行适当数据清洗。构造特征是指是从已抽取的数据中，组合使用多组或者单独使用一组数据作为特征来用于预测最终结果。构造的特征包括订单、天气、交通、POI(城市建筑兴趣点)等等。

2)对1)中生成的特征使用信息增益率进行排序，生成特征排序表；

3)使用贪心向前搜索算法对2)中生成的特征排序表进行倒序筛选，生成不同数据缺失程度的特征子集；

4)针对3)中得到的不同数据缺失程度的特征子集，利用改进的回归树算法生成相应的子回归树模型；

5)将4)中生成的多个不同的子回归树模型，按照线性回归模型进行整合，学习出各个子回归树模型的参数；

6)依据5)中学习出的各个子回归树模型的参数，使用线性回归的投票策略进行集成，以最终得到的集成学习回归树模型作为最终的整合模型，进行车辆供需差的预测。所述线性回归的投票策略将线性回归形成的参数作为每个子回归树模型的权重。

本发明的依据车辆供需差来计算出弹性充电桩布局模型从而实现充电桩布局规划的方法，其步骤为：

1)网格化城市地图，以1km为单位，形成粒度适中的网格化地图，同网格内最多布局定量(设为n)的充电桩。

2)设计线性分段函数模型。

其解释为：

a)如果网格内车辆供需差gap≥200，在该区域布局n个充电桩；

b)如果网格内车辆供需差200>gap≥20，在该区域布局(为向上取整符)个充电桩；

c)如果网格内车辆供需差20>gap≥10，在该区域布局常数c个充电桩

d)如果网格内车辆供需差gap<10，在该区域不布局任何充电桩。

3)根据网格化的车辆供需差，通过步骤2)计算充电桩需求量，构建相应的充电桩布局。

进一步的，所述信息增益率在不同数据缺失程度状况下对各特征进行计算。

进一步的，所述贪心向前搜索算法为基于特征工程的前向删除算法。

进一步的，所述改进的回归树算法采用现有的梯度提升方法来进行收敛，并使用CART剪枝方法(Classification and regression tree剪枝方法，即分类回归树剪枝法)对回归树进行剪枝。

进一步的，线性回归模型中采用最小二乘法或梯度下降法进行参数学习。

进一步的，所述弹性是指充电桩布局模型可以在规划预算中进行有效的滑动(滑动是指根据参数的调整，整个函数模型都可以进行变化以适应不同的策略需求)，而不影响布局的全局兼容性，其中参数n和c皆由城市经济状况差异与充电桩需求量来确定。

与现有技术相比，本发明的积极效果为：

本发明首次提出缺失数据集上的车辆需求量的预测方法，并首次将车辆供需关系用于充电桩布局规划。针对数据缺失问题，对原始数据的缺失性与相关性进行了分离排序处理，生成不同数据稀疏的数据子集；其次，提出了集成学习回归树的方法，在集成学习框架的基础上，使用回归树对子集数据进行了多层处理，提高了车辆供需差预测的准确性。最后对经济与便捷两方面的弹性区间进行了充分考虑，提出了基于车辆供需差的充电桩布局规划模型。上述方法通过实验验证了其有效性。

附图说明

图1是本发明的充电桩布局的规划方法的流程图，并与传统的方法进行了对比。

图2是本发明的集成学习回归树模型(ELRT模型)的架构图。

图3是实验结果对比图。

具体实施方式

以下结合实施例和附图对本发明做进一步详细说明。

本发明主要涉及充电桩布局时车辆供需差的预测与充电桩布局数学模型，主要内容包括：

1.特征提取

原始收集数据较为冗余与繁杂，但与车辆供需差主要相关的特征包括订单、天气、交通、POI数据等，特征提取的方法是提取时间上的前序数据以构造时序模型。因为该模型为回归树模型，可以处理时序数据，构造成时序模型。

本步骤对算法的准确性至关重要，影响模型损失函数的形成。

上述特征中，订单为出租车平台的订单数据，主要覆盖了一张订单的基本信息，包括这张订单的乘客，以及接单的司机(driver_id＝NULL表示driver_id为空，即这个订单没有司机应答)，及出发地，目的地，价格和时间。天气主要表示整个城市的每天间隔10分钟段的天气情况。其中的weather字段表示天气的实时描述信息，而温度以摄氏温度表示，PM2.5为实时空气污染指数。交通主要表示区域中道路的总体拥堵情况，其中主要包括不同时间段不同区域的不同拥堵情况的路段数，其中的拥堵级别是越大越拥堵。POI为信息点特征，主要表征区域的地域属性，由其中所含的不同类别设施的数量表示，如2#1:22表示在此区域中含有类别为2#1的设施22个，2#1表示一级类别为2，二级类别为1，例如休闲娱乐#剧院，购物#家电数码，运动健身#其他等等。

2.特征排序生成多个数据子集

这一步骤是采用启发式的信息增益率。按照计算出的信息增益率算出特征和结果(预测出的供需差结果)的相关性，按照降序排序来生成不同数据缺失程度的特征子集，从而处理缺失值存在时造成的损失。

同时生成特征子集的时候也要考虑数据的缺失性，过于缺失则舍弃，通过实验方法选出判断是否“过于缺失”的阈值。

本步骤是训练数据生成的核心部分，对于集成学习框架是必须经过的筛选步骤。

3.ELRT(Ensemble Learning Regression Tree，集成学习回归树)算法

本步骤处理的数据集是前一阶段根据缺失程度不同组合出来的特征子集，通过改进的回归树算法分别对每个子集数据进行处理生成相应的子回归树模型后，使用Linear回归的方法，给每个子树赋予权值，最终获得结果。图2是本发明的集成学习回归树模型(ELRT模型)的架构图。

本步骤所采用的改进的回归树算法是受文献“Jerome H.Friedman.Greedyfunction approximation:A gradient boosting machine.Annals of Statistics,29(5):1189–1232,2000.”的启发。在最后形成回归树时，并不返回以最小公共祖先节点为根的整棵子树，而是会进行剪枝步骤，只返回阈值满足条件的的子树的直系祖先节点，并使用梯度提升方法快速收敛。

本步骤中的Linear回归即是最通用的线性回归方法。

本步骤是集成学习框架的核心概念，使用回归树在其框架上进行实例构建来集成学习。

4.充电桩布局数学模型

本步骤利用适粒度网格化地图，对每个网格构建线性分段函数模型来计算需要建造的充电桩个数。

本步骤是联结区域车辆高需求与充电桩布局规划模型的核心步骤。

图1是本发明一种充电桩布局的规划方法的流程图，并与传统方法进行了对比。其中左侧为传统方法，其首先对原始数据进行预处理与数据清洗，得到简单特征，然后采用机器学习方法得到结果模型。右侧为本发明的方法，其主要步骤为：

1)进行数据抽取并构造特征，构造的特征包括订单、天气、交通、POI(城市建筑兴趣点)等等。

2)对1)中生成的特征使用信息增益率对特征进行排序，生成特征排序表。

该步骤采用的信息增益率排序方法，包括以下步骤：

a)计算训练数据集D的信息经验熵；

b)针对每个原数据集中的特征Fi，计算其对于数据集D的经验条件熵；

c)计算Fi相对于D的信息增益；

d)计算Fi相对于D的信息增益率；

e)然后对Fi进行信息增益率的排序。

3)使用贪心向前搜索算法对2)中生成的特征排序表进行倒序筛选(即图2中的“向前生成方法”)，生成不同数据缺失程度的特征子集合。

该步骤采用的向前贪心搜索方法，包括以下步骤：

a)初始化排序特征集为空；

b)对于每个特征Fi，如果其稀疏程度高于人为设定阈值(可以根据验证集测试得出最优解)，将删去Fi的特征集加入到排序特征集；

c)返回排序特征集。

4)针对3)中得到的不同数据缺失程度的特征子集合，利用改进的回归树算法生成相应的回归树模型。

5)将4)中生成的多个不同的回归树模型，按照线性回归模型进行整合，学习出各个子模型的参数。

6)依据5)中学习出的各个子回归树模型的参数，使用线性回归的投票策略进行集成，以最终得到的集成学习回归树模型作为最终的整合模型，进行车辆供需差的预测。

7)网格化城市地图，以1km为单位，形成粒度适中的网格化地图，同网格内最多布局定量(设为n)的充电桩。

8)设计线性分段函数模型，并根据具体的预算，设定n值与c值。

9)根据网格化的车辆供需差，通过8)的线性分段函数模型计算充电桩需求量，规划相应的充电桩布局。

预测某地区车的供需量差可以有效为电动汽车充电桩的布局提供指导。同时，预测车的需求量差是一个全新、重要且具有挑战性的问题。现有工作单方面考虑需求或供应，或者仅仅使用了少量简单的规则，并只通过了少量数据验证，却不能精确预测供需差。更重要的是，现有工作没有解决缺失值的问题。本发明引入了一种集成学习回归树(ELRT)来预测车辆供需差。主要贡献在于：(1)本方法同时考虑了需求和供给，以预测它们之间的差距。(2)为了处理缺失值，本方法率先提出了一种集成学习框架，并且在其框架上使用回归树进行实例构建，可以在不同的数据缺失情况下集成学习不同的回归树模型。(3)提出了一个可以根据预算弹性调整布局的数学模型。与现有技术在大规模真实数据集上相比，本发明的方法其效果更加优秀。

图3是实验结果对比图。其中，横坐标为是否使用集成方法，纵坐标为是否使用回归树，SMAPE表示对称绝对平均百分比误差，MAE表示平均绝对误差。第一象限中为本发明的集成学习回归树方法(ELRT)。第二象限中为回归树方法(RT)。第三象限中包含逻辑回归方法(LR)、支持向量机方法(SVM)、线性回归方法(LinearR)、统计平均值方法(Statistics)。第四象限中包含集成学习支持向量机方法(ELSVM)、集成学习逻辑回归方法(RLLR)、集成学习线性回归方法(ELLinearR)。由图3可以看出，本发明的集成学习回归树方法(ELRT)取得了最优秀的SMAPE/MAE(0.272/2.923)，说明本发明方法对于数据缺失问题有着更优秀的效果，从而能够更好地解决出租车供需差问题。

本发明中模型的分界点为可滑动参数，使用其它数值是为了应对不同的策略，比如提高分界点，会使得布局充电桩更为松散。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (10)

1.一种电动汽车供需差预测方法，其特征在于，包括以下步骤：

1)从原始数据中抽取与预测电动汽车供需差相关的数据，并根据抽取的数据构造特征；

2)使用信息增益率对构造的特征进行排序，生成特征排序表；

3)使用贪心向前搜索算法对特征排序表进行倒序筛选，生成不同数据缺失程度的特征子集；

4)针对不同数据缺失程度的特征子集，利用改进的回归树算法生成相应的子回归树模型；

5)将生成的多个不同的子回归树模型按照线性回归模型进行整合，学习出各个子回归树模型的参数；

6)依据学习出的各个子回归树模型的参数，使用线性回归的投票策略进行集成，得到集成学习回归树模型，通过该集成学习回归树模型进行车辆供需差的预测。

2.如权利要求1所述的方法，其特征在于，步骤1)构造的特征包括：订单、天气、交通、POI。

3.如权利要求2所述的方法，其特征在于，所述订单为出租车平台的订单数据；所述天气为整个城市的每天间隔若干分钟的天气情况；所述交通为区域中道路的总体拥堵情况，包括不同时间段不同区域的不同拥堵情况的路段数；所述POI表征区域的地域属性，用所含的不同类别设施的数量表示。

4.如权利要求1所述的方法，其特征在于，步骤2)所述信息增益率在不同数据缺失程度状况下对各特征进行计算。

5.如权利要求1所述的方法，其特征在于，步骤3)所述贪心向前搜索算法为基于特征工程的前向删除算法。

6.如权利要求1所述的方法，其特征在于，步骤4)所述改进的回归树算法采用梯度提升方法来进行收敛，并使用CART剪枝方法对回归树进行剪枝。

7.如权利要求1所述的方法，其特征在于，步骤5)所述线性回归模型采用最小二乘法或梯度下降法进行参数学习。

8.一种电动汽车充电桩布局规划方法，其特征在于，包括以下步骤：

1)网格化城市地图，形成粒度适中的网格化地图，同网格内最多布局定量的充电桩；

2)采用权利要求1至7中任一权利要求所述方法预测各网格内的电动汽车供需差，得到网格化的车辆供需差；

3)根据网格化的车辆供需差构建线性分段函数模型，根据该线性分段函数模型得到各网格内布局的充电桩数量。

9.如权利要求8所述的方法，其特征在于，所述线性分段函数模型为：

其含义为：

a)如果网格内车辆供需差gap≥200，在该区域布局n个充电桩；

b)如果网格内车辆供需差200>gap≥20，在该区域布局个充电桩；

c)如果网格内车辆供需差20>gap≥10，在该区域布局常数c个充电桩，

d)如果网格内车辆供需差gap<10，在该区域不布局任何充电桩。

10.如权利要求8或9所述的方法，其特征在于，所述线性分段函数模型能够进行滑动以适应不同的策略需求，而不影响布局的全局兼容性，其中参数n和c由城市经济状况差异与充电桩需求量来确定。