CN110888908B - 一种可持续深度学习的充电站/桩推荐系统及推荐方法 - Google Patents
一种可持续深度学习的充电站/桩推荐系统及推荐方法 Download PDFInfo
- Publication number
- CN110888908B CN110888908B CN201911064357.5A CN201911064357A CN110888908B CN 110888908 B CN110888908 B CN 110888908B CN 201911064357 A CN201911064357 A CN 201911064357A CN 110888908 B CN110888908 B CN 110888908B
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- pile
- charging station
- recommendation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 43
- 230000003068 static effect Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 claims 1
- 239000003344 environmental pollutant Substances 0.000 claims 1
- 231100000719 pollutant Toxicity 0.000 claims 1
- 238000013480 data collection Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种可持续深度学习的充电站/桩推荐系统及推荐方法,通过将可持续深度学习机制引入充电站/桩推荐系统,有效利用随时间不断变化的电动车辆、充电站/桩数据、用户数据、第三方数据等多元数据进行动态推荐,使充电站/桩得到充分利用,合理匹配车桩,为电动车辆推荐最佳充电站/桩,提高充电站/桩资源的利用率,有效解决电动车辆充电难的问题。
Description
技术领域
本发明涉及物联网技术领域,特别是涉及一种可持续深度学习的充电站/桩推荐系统及推荐方法。
背景技术
为实现城市节能减排,电动车辆数量现已突破200万辆,近年一直保持70%以上的复合增长率。由于充电站需要占用城市土地使用面积,充电桩需要大功率电力供应,导致充电基础设施建设相对较缓,电动车辆数量的增长速度远高于充电桩,车桩之间的缺口不断扩大;同时,与传统油车类似,当前电动车辆的充电方式普遍采用即到即充模式,未采用基于大数据的充电桩推荐方法,与传统油车加油时长3到5分钟不同,电动车辆采用了大电池容量,采用快充方式充满电一般需要2小时到4小时,而慢充则长达6小时到8小时,即到即充模式导致了充电桩的使用不均衡,即一部分充电桩长期高负荷使用,而另一部分充电桩较少使用,造成充电桩资源的浪费;因此,车桩之间的巨大缺口、多达数小时的充电时长和充电桩资源使用的不均衡大幅度增加了即到即充模式下用户等待时间,导致用户充电体验差。
现有研究有基于大数据分析挖掘的充电桩推荐模型方法,由于研究一般早于工程实现,这些研究都没有在现实中应用;当前的充电桩推荐模型方法都是静态模型,即基于一段时间(比如半年)内的充电站/桩数据、电动车辆数据、交通路况数据等,构建充电桩推荐模型的样本数据,运用机器学习/深度学习方法,构建充电桩推荐静态模型,形成模型参数,并面向电动车辆推荐合适的充电站/充电桩。这种方法存在模型过时问题,因为过去一段时间训练的模型,随着时间窗口的变化,数据已经发生变化,模型已经无法适用于现有的情况,即模型不具备在时间窗口上的泛化能力;当然,静态模型可以随着数据在新的时间段窗口的更新,不断进行重新训练,但是这会引发时间窗口大小选择导致的负面效果,若窗口定的太长(比如半年),则模型在窗口周期内的效果会很快变差;若窗口定的太短(比如1天),需要耗费大量的数据采集时间以及模型训练时间。
综上,就电动车辆充电而言,现有实现方案无法实现数据随时间窗口变化的充电站/桩自适应合理推荐,无法实现充电站/桩的使用效率最大化。
发明内容
本发明的目的是提供一种可持续深度学习的充电站/桩推荐系统及推荐方法,能够实现充电站/桩的使用效率最大化。
为了解决上述技术问题,本发明一实施例提供一种可持续深度学习的充电站/桩推荐系统,其特征在于,包括:
充电站/桩数据采集与传输子系统,包括:
充电桩数据采集模块,用于实时采集充电桩数据;
充电站数据采集模块,用于实时采集充电站数据;
充电桩/站数据传输模块,用于将所述充电桩数据和所述充电站数据传输至充电推荐计算子系统;
充电APP子系统,包括:
车辆数据采集模块,用于采集电动车辆数据;
用户数据采集模块,用于采集充电用户数据;
车辆及用户数据传输模块,用于将所述电动车辆数据和所述充电用户数据传输至充电推荐计算子系统;
推荐数据接收模块、推送及反馈模块、反馈数据传输模块;
第三方数据采集与传输子系统,包括:
第三方数据采集模块,用于采集第三方数据;其中,所述第三方数据包括交通路况数据、天气数据和环境数据;
第三方数据传输模块,用于将所述第三方数据传输至充电推荐计算子系统;
充电推荐计算子系统,包括:
多源数据接收模块,用于接收所述充电站/桩数据采集与传输子系统、所述充电APP子系统和所述第三方数据采集与传输子系统传输的数据;
多源数据存储模块,用于将所述多源数据接收模块获取的数据按类别实时写入多源数据库;
数据初处理模块,用于读取多源数据库中的数据并对进行数据初处理,得到初处理数据;
集合筛选模块,用于读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合;
动态推荐模块,用于接收所述待选充电站/桩集合和所述初处理数据,针对时间窗口内不断变化的充电站数据、充电桩数据、电动车辆数据、充电用户数据、交通路况数据、天气数据和环境数据,引入可持续深度学习机制,建立充电站/桩动态推荐模型,计算充电站/桩推荐度,计算出充电站/桩推荐列表,并将该列表数据传输所述推荐数据接收模块,以使所述推荐数据接收模块将该列表数据传输至所述推送及反馈模块,进而获取使所述反馈数据传输模块的用户反馈数据,并将该用户反馈数据传输至知识库中进行知识更新,实现可持续动态推荐。
其中,所述充电桩数据分为静态数据和动态数据;其中,
充电桩静态数据,主要有充电桩所在的充电站、所在充电站地理位置、充电功率、充电方式、电流类型和额定电流大小;
充电桩动态数据,包括当前工作状态和当前充电电流;
所述充电站数据分为静态数据和动态数据;
充电站静态数据,包括充电站地理位置、面积、总停车位数量和总充电桩数量;
充电站动态数据,包括当前可用停车位数量和当前可用充电桩数量。
其中,所述车辆数据,包括电动车辆当前位置、电池容量、额定充电电流、电池剩余电量、充电方式、充电电流类型、充电功率、行驶方向、行驶速度、行驶坡度和已连续行驶时长;
所述充电用户数据,包括预设目的地、用户基本信息、和用户历史操作。
其中,所述第三方数据,为通过高德地图、百度地图和/或墨迹天气的开放API的接口调用;
所述第三方数据的数据结构为:
交通路况:城市名称;城区编码;道路名称;路段名称;路段长度;路段平均速度,路段拥堵状态,该路段最大速度,预计通过时间,时间戳;
天气:经度;纬度;天气情况(晴/雨/雪等),温度,湿度,风力,风向,时间戳;
环境:经度;纬度;空气质量指数,PM2.5浓度(μg/m3),一氧化碳浓度(μg/m3),首要污染物,时间戳。
其中,所述多源数据库,用于接收多源数据存储模块传输的多源数据,并采用MySQL/Oracle/Redis数据库存储结构化数据,采用MongoDB数据库存储非结构化数据。
其中,所述数据初处理模块,用于读取多源数据库中的数据并对进行数据初处理,包括:
读取每个充电桩/站的过去一段时间周期Tlast的历史数据;
其中,集合筛选模块,用于读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合,包括:
判断充电用户是否需要充电;
若是,则计算预计充电位置,并根据预计充电位置,扫描预设范围内的所有充电站/桩,为初始待选充电站/桩集合;
对初始待选充电站/桩集合内的充电站/桩与本次推荐任务中车辆数据进行匹配:
判断额定电流是否与本次接收推荐的车辆额定电流一致;
判断充电方式是否与本次接收推荐的车辆充电方式一致;
判断交直流是否一致;
若上述三个判断结果均为肯定,则将该充电站/桩列入待选充电站/桩集合。
本发明一实施例还提供一种可持续深度学习的充电站/桩推荐方法,包括:
将获取的多源数据写入本地多源数据库,其中,所述多源数据包括充电桩数据、电站数据、电动车辆数据、充电用户数据和第三方数据,所述第三方数据包括交通路况数据、天气数据和环境数据;
读取多源数据库中的数据进行数据初处理,得到初处理数据;
读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合;
根据所述待选充电站/桩集合和所述初处理数据,采用深度神经网络进行动态推荐计算,计算出充电站/桩推荐列表;
将该列表数据推送至充电用户终端或车辆终端,并在完成充电后获取用户反馈数据,并根据所述用户反馈数据更新本地知识库中,实现可持续动态推荐。
本发明提供的一种可持续深度学习的充电站/桩推荐系统及推荐方法,通过将可持续深度学习机制引入充电站/桩推荐系统,有效利用随时间不断变化的电动车辆、充电站/桩数据、用户数据、第三方数据等多源数据进行动态推荐,使充电站/桩得到充分利用,合理匹配车桩,为电动车辆推荐最佳充电站/桩,提高充电站/桩资源的利用率,有效解决电动车辆充电难的问题。
附图说明
图1是本发明实施例中的一种可持续深度学习的充电站/桩推荐系统的结构框图;
图2是本发明实施例中的一种可持续深度学习的充电站/桩推荐系统部署示意图;
图3是本发明实施例中的一种可持续深度学习的充电站/桩推荐方法的流程图;
图4是本发明实施例中的充电动态推荐模块的算法流程的示意图。
图5是本发明实施例中的为车主用户提供充电站/桩推荐服务的示意图。
具体实施方式
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,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本发明解决的技术问题是可持续深度学习的充电站/桩推荐模型问题,当前的现状是车桩数量差距大、车桩匹配不合理、车桩数据易变化、充电桩使用不均衡。而当前的充电站/桩推荐模型仅面向电动车辆进行充电站/桩的静态推荐,未考虑数据随时间窗口的变化,当时间窗口变化时,推荐模型的推荐效果会变差,推荐模型不具备可持续学习能力。本发明将可持续深度学习机制引入充电站/桩推荐系统,有效利用随时间不断变化的电动车辆、充电站/桩数据、用户数据、第三方数据等多源数据进行动态推荐,使充电站/桩得到充分利用,合理匹配车桩,为电动车辆推荐最佳充电站/桩,提高充电站/桩资源的利用率,有效解决电动车辆充电难的问题。
请参阅图1。
本发明一个实施例提供的一种可持续深度学习的充电站/桩推荐系统,其特征在于,包括:
充电站/桩数据采集与传输子系统,包括:
充电桩数据采集模块,用于实时采集充电桩数据(由安装在充电桩上的传感器采集);
其中,所述充电桩数据分为静态数据和动态数据;其中,
充电桩静态数据,主要有充电桩所在的充电站、所在充电站地理位置、充电功率(单位:A·H)、充电方式(常规充电/快速充电)、电流类型(AC/DC)、额定电流大小(单位:A)等;
充电桩动态数据,包括当前工作状态(充电中/空闲/故障)、当前充电电流(单位:A)等;
充电站数据采集模块,用于实时采集充电站数据(由安装在充电站上的传感器采集);
其中,所述充电站数据分为静态数据和动态数据;
充电站静态数据,包括充电站地理位置、面积单位:m2)、总停车位数量和总充电桩数量;
充电站动态数据,包括当前可用停车位数量和当前可用充电桩数量。
充电桩/站数据传输模块,用于将所述充电桩数据和所述充电站数据传输至充电推荐计算子系统(在充电桩/站上安装网络传输模块(例如wifi、4G、5G模块等));
充电APP子系统,包括:
车辆数据采集模块,用于采集电动车辆数据(可通过APP连接汽车自带传感器);
其中,所述车辆数据,包括电动车辆当前位置、电池容量(单位:A·H)、额定充电电流(单位:A)、电池剩余电量(单位:%)、充电方式(常规充电/快速充电)、充电电流类型(AC/DC)、充电功率(单位:KW)、行驶方向、行驶速度(单位:km/h)、行驶坡度(单位:%)、已连续行驶时长(单位:min)等。
用户数据采集模块,用于采集充电用户数据;
其中,所述充电用户数据,包括预设目的地、(用户身份、驾龄、用户偏好)以及用户历史操作(历史充电选择)等。
车辆及用户数据传输模块,用于将所述电动车辆数据和所述充电用户数据传输至充电推荐计算子系统;
推荐数据接收模块、推送及反馈模块、反馈数据传输模块;
在具体的实施例当中,推送及反馈模块:将接收到的推荐数据推送至用户,用户做出自主选择后达到指定充电站/桩,完成充电操作后,对充电过程做出反馈。一种可使用的实施例为:充电APP接收推荐数据,并将其推送给用户,并由用户做出自主选择,在用户做出选择后,自动规划当前位置到达用户所选充电站/桩的行驶路线并开始导航,用户点击“开始导航”接收服务,并按规划路线到达对应充电站/桩进行充电;在充电完成后,用户对推荐结果做出反馈,反馈数据内容可包含充电站/桩满意度、充电价格满意度、充电时间满意度等。
除此之外,充电APP子系统还负责在充电站/桩推荐的整个过程完成后将用户评价反馈至充电推荐计算子系统的可持续深度学习动态推荐模型,更新模型知识库,以实现可持续动态推荐。
第三方数据采集与传输子系统,包括:
第三方数据采集模块,用于采集第三方数据;其中,所述第三方数据包括交通路况数据、天气数据和环境数据(例如pm2.5、风向、风速);
其中,所述第三方数据,为通过高德地图、百度地图和/或墨迹天气的开放API的接口调用;
所述第三方数据的数据结构为:
交通路况:城市名称;城区编码;道路名称;路段名称;路段长度;路段平均速度,路段拥堵状态,该路段最大速度,预计通过时间,时间戳;
天气:经度;纬度;天气情况(晴/雨/雪等),温度,湿度,风力,风向,时间戳;
环境:经度;纬度;空气质量指数,PM2.5浓度(μg/m3),一氧化碳浓度(μg/m3),首要污染物,时间戳。
第三方数据传输模块,用于将所述第三方数据传输至充电推荐计算子系统;
充电推荐计算子系统,包括:
多源数据接收模块,用于接收所述充电站/桩数据采集与传输子系统、所述充电APP子系统和所述第三方数据采集与传输子系统传输的数据;
多源数据存储模块,用于将所述多源数据接收模块获取的数据按类别实时写入多源数据库;
其中,所述多源数据库,用于接收多源数据存储模块传输的多源数据,并采用MySQL/Oracle/Redis数据库存储结构化数据,采用MongoDB数据库存储非结构化数据。
数据初处理模块,用于读取多源数据库中的数据并对进行数据初处理,得到初处理数据;
其中,所述数据初处理模块,用于读取多源数据库中的数据并对进行数据初处理,包括:
读取每个充电桩/站的过去一段时间周期Tlast的历史数据;
具体的,读取多源数据库中的数据并对其进行数据初处理,包括计算出每个充电站/桩在最近一段时间周期内的历史使用率和充电高峰时间段等,并将其处理结果传输至可持续深度学习动态推荐模块;在一种实施例中,可以进行如下操作:以充电桩为例,读取每个充电桩的过去一段时间周期Tlast的数据,根据获取的历史数据,对每个充电桩定义充电桩历史使用率其中T为过去一个月该充电桩的正常运行时间,Tu为该充电桩的总使用时间。通过将充电桩历史使用率纳入推荐因素,可有针对性地将用户推荐到实时使用率较低的充电桩,因此可以防止充电桩负载不均衡和用户等待时间过长,一来避免了充电桩的负载不均衡,二来可以让用户即来即充,提升用户体验。
集合筛选模块,用于读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合;
其中,集合筛选模块,用于读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合,包括:
判断充电用户是否需要充电;
若是,则计算预计充电位置,并根据预计充电位置,扫描预设范围内的所有充电站/桩,为初始待选充电站/桩集合;
对初始待选充电站/桩集合内的充电站/桩与本次推荐任务中车辆数据进行匹配:
判断额定电流是否与本次接收推荐的车辆额定电流一致;
判断充电方式是否与本次接收推荐的车辆充电方式一致;
判断交直流是否一致;
若上述三个判断结果均为肯定,则将该充电站/桩列入待选充电站/桩集合。
在一优选实施例当中,在一种实施例中,可以采用如下操作:
i.首先判断用户是否需要充电:通过采集到的电动车辆实时剩余电量、交通路况数据计算所对应的续驶里程,根据电动车辆当前位置数据及用户数据中预设目的地数据计算所需行驶里程。根据续航里程和所需行驶里程的关系确定在前往目的地过程中是否需要充电。由于路况多变,续航里程计算存在误差,可选择的,可以设定电量的盈余,默认规定盈余量在10%-15%,具体分为下面两种情况:
A.若续航里程大于所需行驶里程,则未产生充电需求,因此无需充电推荐,直接以当前位置为起始点,目的地为终点进行路径规划,导航到目的地即可;
B.若续驶里程小于等于所需行驶里程,则产生充电需求;进入步骤ii。
ii.针对于有充电需求的用户,首先计算预计充电位置:根据i中的电动车辆实时剩余电量、交通路况数据计算当前最长行驶路径,对于该路径上的每一个点Pi(Pi∈(P1,P2,P3...Pn)),以Pi为圆心,以R1为半径(例如可预设5公里),扫描出一个范围Si,分布在S1∪S2∪S3...∪Sn范围内的所有充电站/桩即为待选充电站/桩集合(排除掉正在检修状态的充电站/桩和已停止运营的充电站/桩),接着对该集合内的充电站/桩与本次推荐任务中车辆数据进行匹配,在一个可使用的实施例中,对集合中每一个充电桩(充电站则一一对比该站中所有的充电桩),可进行如下操作:
a)判断额定电流是否与本次接收推荐的车辆额定电流一致;
b)判断充电方式是否与本次接收推荐的车辆充电方式一致;
c)判断交直流是否一致;
d)以上a,b,c三点要求均一致的,放进待选充电站/桩集合。
动态推荐模块,用于接收所述待选充电站/桩集合和所述初处理数据,针对时间窗口内不断变化的充电站数据、充电桩数据、电动车辆数据、充电用户数据、交通路况数据、天气数据和环境数据,引入可持续深度学习机制,建立充电站/桩动态推荐模型,计算充电站/桩推荐度,计算出充电站/桩推荐列表,并将该列表数据传输所述推荐数据接收模块,以使所述推荐数据接收模块将该列表数据传输至所述推送及反馈模块,进而获取使所述反馈数据传输模块的用户反馈数据,并将该用户反馈数据传输至本地知识库中进行知识更新,实现可持续动态推荐。
可以理解的是,接收待选充电站/桩集合和初处理数据,针对时间窗口内不断变化的充电站、充电桩、电动车辆、充电用户、交通路况、天气、环境等多源数据,引入可持续深度学习机制,建立充电站/桩动态推荐模型,计算充电站/桩推荐度,计算出充电站/桩推荐列表,并将该列表数据传输至充电APP的推荐数据接收模块;除此以外,该模块在用户做出充电反馈后会接收充电APP子系统传输的用户反馈数据,并将其传输至模型的知识库中进行知识更新,从而实现可持续动态推荐。
请参阅图2,图2是本发明实施例中的一种可持续深度学习的充电站/桩推荐系统部署示意图。
系统由充电站/桩数据采集与传输子系统、第三方数据采集与传输子系统、充电推荐计算子系统和充电APP子系统组成,分别由充电桩站/桩网关、车辆及用户数据采集与传输服务器、第三方数据采集与传输服务器、多源数据接收服务器、多源数据库服务器、数据处理与筛选服务器、动态推荐计算服务器、充电桩APP组成,其中,
1)充电站/桩网关:部署充电站/桩数据采集和信息传输子系统的充电站数据采集模块、充电桩数据采集模块、充电站/桩数据传输模块,实现充电站/桩数据采集,并将其传输至充电推荐计算子系统的多源数据接收服务器。
2)车辆及用户数据采集与传输服务器:部署充电APP子系统的车辆数据采集模块、用户数据采集模块、车辆及用户数据传输模块,负责采集车辆和用户数据,并将传输至充电推荐计算子系统的多源数据接收服务器。
3)第三方数据采集与传输服务器:部署第三方数据采集与传输子系统的第三方数据采集模块和第三方数据传输模块,采集第三方数据并将其传输至充电推荐计算子系统的多源数据接收服务器。
4)多源数据接收服务器:部署充电推荐计算子系统的多源数据接收模块、多源数据存储模块,负责接收多源数据并将其存储至多源数据库服务器中。
5)多源数据库服务器:部署多源数据库,负责保存充电站/桩数据、车辆数据、用户数据和第三方数据。
6)数据初处理与筛选服务器:部署充电推荐计算子系统的数据初处理模块和集合筛选模块;读取多源数据库中的充电站/桩数据、车辆数据、用户数据和第三方数据,对其进行数据初处理和集合筛选,并将其传输至动态推荐计算服务器。
7)动态推荐计算服务器:部署动态推荐模块,接收数据初处理与筛选服务器传送的处理数据和待选充电站/桩集合,利用动态推荐模块计算出推荐列表,结合充电站/桩历史使用率,计算出最终推荐列表,并将推荐列表传送至充电APP。
8)充电APP:部署充电APP子系统的推荐数据接收、推送及反馈、反馈数据传输模块。提供友好的用户交互界面并接收用户反馈,将反馈传输至动态推荐模块,使动态推荐模块可以实现知识库更新,从而实现充电站/桩的持续动态推荐。
以上2)-7)服务器均支持以集群方式部署,实现对高并发用户的弹性支撑。
本发明一实施例还提供一种可持续深度学习的充电站/桩推荐方法,包括:
将获取的多源数据写入多源数据库,其中,所述多源数据包括充电桩数据、电站数据、电动车辆数据、充电用户数据和第三方数据,所述第三方数据包括交通路况数据、天气数据和环境数据;
读取多源数据库中的数据进行数据初处理,得到初处理数据;
读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合;
根据所述待选充电站/桩集合和所述初处理数据,采用深度神经网络进行动态推荐计算,计算出充电站/桩推荐列表;
将该列表数据推送至充电用户终端或车辆终端,并在完成充电后获取用户反馈数据,并根据所述用户反馈数据更新本地知识库中,实现可持续动态推荐。
请参阅图3,具体的,所述可持续深度学习的充电站/桩推荐方法,包括充电站/桩数据收集子流程、车辆与用户数据收集子流程、第三方数据收集子流程、推荐与反馈子流程。
充电站/桩数据收集子流程:包括充电站/桩数据采集、充电站/桩数据传输、充电站/桩数据收集、充电站/桩数据入库等4个步骤,具体为:
充电站/桩数据采集:充电站/桩数据采集与传输子系统的充电站数据采集模块和充电桩数据采集模块分别采集充电站数据和充电桩数据,可以通过部署在充电站和充电桩上的传感器进行数据采集。
充电站/桩数据传输:充电站/桩数据采集与传输子系统的充电站/桩数据传输模块将采集到的充电站/桩信息传输到充电桩推荐计算子系统的多源数据接收模块。
充电站/桩数据收集:接收充电站/桩数据并将其传输至充电推荐计算子系统的多源数据存储模块。
充电站/桩数据入库:接收充电站/桩数据并按数据类型分别将数据写入多源数据库,例如,将结构化数据写入结构化数据库,将非结构化数据写入非结构化数据库。
车辆与用户数据收集子流程:包括车辆数据采集、用户数据采集、车辆与用户数据收集、车辆与用户数据入库等4个步骤,其中车辆数据采集和用户数据采集可以并行,具体为:
车辆数据采集:充电APP子系统的车辆数据采集模块采集车辆的信息,采集方式可以利用车辆已有的传感器,通过连接车辆的T-BOX或OBD接口来获得;或者也可以通过在车辆上新增传感器来获得。
用户数据采集:充电APP子系统的用户数据采集模块采集用户数据,用户数据包括用户属性、历史充电记录、用户充电偏好、历史充电行为、用户拥有车辆情况等,一种可以使用的数据格式为:{用户ID,用户性别,用户驾龄,用户所属区域、用户充电次数、用户充电平均时长、用户拥有车辆列表:[车辆1ID,车辆2ID,车辆3ID…]}。
车辆与用户数据收集:将车辆和用户数据传输至充电推荐计算子系统的多源数据接收模块。
车辆与用户数据入库:接收车辆和用户数据,并将其写入多源数据库,例如,将结构化数据写入结构化数据库,将非结构化数据写入非结构化数据库。
第三方信息收集子流程:包括第三方信息采集、第三方数据收集、第三方数据入库等3个步骤,具体为:
第三方信息采集:第三方数据采集与传输子系统的第三方数据采集模块采集第三方数据,主要包括路况、天气、环境数据等,这些数据可通过第三方软件服务的API获取,比如通过高德地图/百度地图实时路况API、墨迹天气API等进行采集,采集频率可以设置为一个可调整的时间间隔,例如可设置为每隔5分钟采集1次。
第三方数据收集:第三方数据传输模块将采集到的第三方数据传输至充电推荐计算子系统的多源数据接收模块。
第三方数据入库:接收第三方数据并将其传输至多源数据存储模块并将第三方数据写入多源数据库。
推荐与反馈子流程:包括数据初处理、充电桩/站集合筛选、动态推荐、推荐列表推送、数据反馈、历史知识更新等6个步骤,具体为:
数据初处理:充电推荐计算子系统的数据初处理模块读取多源数据库存储的充电站/桩数据、车辆数据、用户数据和第三方数据,然后对以上数据进行初处理,每个充电站/桩历史使用率和一个月每个充电站/桩的充电高峰时间段等,并将处理数据传输至充电推荐计算子系统的动态推荐模块。
充电站/桩集合筛选:接收处理数据,并计算出待选充电站/桩集合,将该集合传送至充电推荐计算子系统的动态推荐模块。
动态推荐计算:接收待选充电站/桩集合和初处理后的数据,利用具有终身学习能力的深度神经网络根据历史知识以及当前数据(待选充电站/桩集合等)计算出推荐列表。
推荐列表推送:动态推荐模块将推荐列表传输至充电APP子系统的推荐数据接收模块。
推荐数据接收:充电APP子系统的推荐数据接收模块接收充电站/桩推荐列表,然后传输至充电APP的推送及反馈模块,用户基于充电站/桩推荐列表自主选择合适的充电站/桩,并到所选的充电站/桩进行充电。
充电数据反馈:在完成充电后对充电过程进行反馈,将反馈数据传输至充电推荐计算子系统的动态推荐模块。
历史知识更新:接收用户反馈,对模型知识库进行更新,通过知识库的更新学习历史知识,从而优化推荐能力。具体可进行如下操作:
充电推荐计算子系统将本次任务情况更新进入模型知识库,累积本次学习到的知识,对深度神经网络的神经元之间的参数进行优化,每一次完成充电桩/站推荐任务,知识库就会进行更新,模拟人知识的积累,对新知识的学习是在过去知识的基础上进行的,而不是每一次优化都要利用大数据集对模型进行长时间的重新训练。通过知识库的更新,使得模型特征提取能力更强,泛化能力更优,推荐效果更好,从而实现可持续学习的不断优化的充电站/桩推荐能力。
请参阅图4。
在本发明一优选实施例中,以第t次推荐任务为例:
输入多源数据库中的多源数据,然后根据多源数据中的车辆数据、交通路况等第三方数据判断是否会产生充电需求,若产生充电需求,则执行下一步;否则无需推荐,直接结束流程。
对充电站/桩数据进行数据初处理,计算出充电站/桩历史使用率O=(O1,O2,O3,…);并筛选产生本次推荐任务的待选充电站/桩集合C=(C1,C2,C3,…),对于C中的每一个充电站/桩,Ci=(车桩/站距离,预计充电时间,预计充电等待时间,预计充电费用,预计路上耗电量,预计充电时刻,预计路上耗电时间等影响用户充电体验的数据)。
可持续深度学习推荐模型获取历史知识库中的知识和待选充电站/桩集合数据,针对本次推荐任务建立预测模型Y=F(X,θ(t))(其中θ(t)=Ls(t),L是所有任务(0,1,2,…t-1)间共享的隐模型分量,其中s(t)是稀疏的(即只使用L矩阵里的少数基向量),X为输入;Y为输出即推荐结果),然后令待选充电站/桩集合为输入,根据此预测模型得到推荐列表R1。
对待选充电站/桩集合按照历史使用率从低到高排序进行排序,产生推荐列表R2。
引入优先级权重因子w(0≤w≤1),综合R1,R2,取R3=R1·w+R2·(1-w),R3即为最终的推荐列表。
用户接收推荐服务后对本次推荐进行反馈,将此次反馈定义为Losst。
将此次推荐任务使用的原始数据、最终模型、中间结果和更新的共享任务基L保存进历史知识库;对知识库进行更新。
算法结束。
请参阅图5。
在本发明一优选实施例中,为车主用户提供充电站/桩推荐服务的一种具体实施例如下:
包括充电多源数据采集、充电推荐计算、推送推荐列表给用户APP、接收推荐并使用、充电用户反馈、充电推荐计算模型优化等6个步骤;具体如下:
S1、充电多源数据采集:采集充电站/桩数据、车辆数据、用户数据和第三方数据,并传输到充电推荐计算子系统;
S2、充电推荐计算:充电推荐计算子系统对获取的多源数据进行初处理,并进行充电站/桩的筛选,然后根据初处理数据和待选充电站/桩集合计算推荐列表;
S3、推送推荐列表给用户APP:充电推荐计算子系统将推荐列表推送给充电APP;
S4、接收推荐并使用:用户从推荐列表中选择充电站/桩,并到选择的充电站/桩进行充电;
S5、充电用户反馈:用户对本次推荐的充电站/桩及使用情况进行反馈,反馈数据传输至充电推荐计算子系统;
S6、充电推荐计算模型优化:充电推荐计算子系统更新知识库,累积本次学习到的知识,对深度神经网络的神经元之间的参数进行优化,通过知识库的更新,实现不断优化动态可持续推荐。
实施上述实施例的有益效果:
1)具备可持续学习能力的动态推荐模型:相比较于经典的充电桩推荐算法,在利用深度学习自动提取特征的能力的基础上,通过引入多元动态学习规则,可实现终身自主学习能力;随着推荐任务和知识的积累,模型可自主演化并进行知识更新。利用其可持续学习能力,推荐模型自动调整特征权值,实现充电站/桩的自动智能推荐。
2)支持多源数据的综合推荐:基于充电站、充电桩、电动车辆、充电用户、交通路况、天气、环境等多维度数据,综合进行推荐,考虑因素更多,模型更全面,使得充电桩推荐更有针对性,更合理。
3)多目标优化推荐:充电桩推荐不单单考虑用户的最短服务时间,也将充电桩使用率纳入考虑因素,从而在满足用户最短充电时间的基础上,使得充电站/桩使用更加均衡,资源配置更合理。
综上,基于充电站、充电桩、电动车辆、充电用户、交通路况、天气、环境等数据,建立基于可持续深度学习的充电站动态推荐模型,动态推荐最优的充电站/桩给用户,并随着用户行为和数据的动态变化,实现推荐模型的持续自动优化,相比于传统的即到即充模式、静态推荐或车主自主选择充电站等方式,有效提高了充电站/桩的利用率。通过充电站推荐调度,为用户自动推荐充电站,降低用户等待时间,提高充电站使用率,提升用户体验和充电站/桩效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种可持续深度学习的充电站/桩推荐系统,其特征在于,包括:
充电站/桩数据采集与传输子系统,包括:
充电桩数据采集模块,用于实时采集充电桩数据;
充电站数据采集模块,用于实时采集充电站数据;
充电桩/站数据传输模块,用于将所述充电桩数据和所述充电站数据传输至充电推荐计算子系统;
充电APP子系统,包括:
车辆数据采集模块,用于采集电动车辆数据;
用户数据采集模块,用于采集充电用户数据;
车辆及用户数据传输模块,用于将所述电动车辆数据和所述充电用户数据传输至充电推荐计算子系统;
推荐数据接收模块、推送及反馈模块、反馈数据传输模块;
第三方数据采集与传输子系统,包括:
第三方数据采集模块,用于采集第三方数据;其中,所述第三方数据包括交通路况数据、天气数据和环境数据;
第三方数据传输模块,用于将所述第三方数据传输至充电推荐计算子系统;
充电推荐计算子系统,包括:
多源数据接收模块,用于接收所述充电站/桩数据采集与传输子系统、所述充电APP子系统和所述第三方数据采集与传输子系统传输的数据;多源数据存储模块,用于将所述多源数据接收模块获取的数据按类别实时写入多源数据库;
数据初处理模块,用于读取多源数据库中的数据并对进行数据初处理,得到初处理数据;
集合筛选模块,用于读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合;
动态推荐模块,用于接收所述集合筛选模块筛选出来的待选充电站/桩集合和所述初处理数据,针对时间窗口内不断变化的充电站数据、充电桩数据、电动车辆数据、充电用户数据、交通路况数据、天气数据和环境数据,引入可持续深度学习机制,建立充电站/桩动态推荐模型,计算充电站/桩推荐度,计算出充电站/桩推荐列表,并将该列表数据传输所述充电APP子系统的推荐数据接收模块,以使所述推荐数据接收模块将该列表数据传输至所述推送及反馈模块,进而获取使所述反馈数据传输模块的用户反馈数据,并将该用户反馈数据传输至本地知识库中进行知识更新,实现可持续动态推荐;
其中,所述推送及反馈模块,用于将推荐数据接收模块接收的推荐数据推送给用户,以供用户做出自主选择,并在用户做出选择后,自动规划当前位置到达用户所选充电站/桩的行驶路线,以使用户接收开始导航服务,并按规划路线到达对应充电站/桩进行充电,以及在充电完成后,对推荐结果做出反馈;
反馈数据传输模块,用于将用户评价反馈至充电推荐计算子系统的充电站/桩动态推荐模型,以更新模型知识库;
所述数据初处理模块,还用于计算每个充电站/桩在最近一段时间周期内的历史使用率和充电高峰时间段;
所述集合筛选模块,用于读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合,包括:
判断充电用户是否需要充电;
若是,则计算预计充电位置,并根据预计充电位置,扫描预设范围内的所有充电站/桩,为初始待选充电站/桩集合,具体包括:
根据有充电需求用户的电动车辆实时剩余电量、交通路况数据计算当前最长行驶路径;
以当前最长行驶路径上的每一个点为圆心,按照预设半径,分别扫描出对应的范围,并将所有扫描得到的范围内的所有正常运行的充电站/桩作为所述初始待选充电站/桩集合;
动态推荐模块,还用于根据所述充电站/桩动态推荐模型,得到对应的第一推荐列表,以及对待选充电站/桩集合内的所有充电站/桩按照历史使用率从低到高进行排序,得到第二推荐列表,并对所述第一推荐列表和第二推荐列表进行加权平均,得到最终推荐列表;
所述充电站/桩动态推荐模型表示为:
Y=F(X,θ(t))
θ(t)=Ls(t)
其中,t表示推荐任务的序号,L表示所有任务间共享的隐模型分量,s(t)表示只使用L矩阵里的少数基向量的稀疏的矩阵,X和Y分别表示输入和输出;所述充电站/桩动态推荐模型的预测损失根据用户接收最终推荐列表后对本次推荐的反馈确定。
2.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统,其特征在于,
所述充电桩数据分为静态数据和动态数据;其中,
充电桩静态数据,主要有充电桩所在的充电站、充电站所在地理位置、充电功率、充电方式、电流类型和额定电流大小;
充电桩动态数据,包括当前工作状态和当前充电电流;
所述充电站数据分为静态数据和动态数据;
充电站静态数据,包括充电站地理位置、面积、总停车位数量和总充电桩数量;
充电站动态数据,包括当前可用停车位数量和当前可用充电桩数量。
3.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统,其特征在于,
所述车辆数据,包括电动车辆当前位置、电池容量、额定充电电流、电池剩余电量、充电方式、充电电流类型、充电功率、行驶方向、行驶速度、行驶坡度和已连续行驶时长;
所述充电用户数据,包括预设目的地、用户基本信息、和用户历史操作。
4.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统,其特征在于,所述第三方数据,为通过高德地图、百度地图和/或墨迹天气的开放API的接口调用;
所述第三方数据的数据结构为:
交通路况:城市名称;城区编码;道路名称;路段名称;路段长度;路段平均速度,路段拥堵状态,路段最大速度,预计通过时间,时间戳;
天气:经度;纬度;天气情况,温度,湿度,风力,风向,时间戳;
环境:经度;纬度;空气质量指数,PM2.5浓度,一氧化碳浓度,首要污染物,时间戳。
5.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统,其特征在于,所述多源数据库,用于接收多源数据存储模块传输的多源数据,并采用MySQL/Oracle/Redis数据库存储结构化数据,采用MongoDB数据库存储非结构化数据。
7.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统,其特征在于,集合筛选模块,用于读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合,包括:
对初始待选充电站/桩集合内的充电站/桩与本次推荐任务中车辆数据进行匹配:
判断额定电流是否与本次接收推荐的车辆额定电流一致;
判断充电方式是否与本次接收推荐的车辆充电方式一致;
判断交直流是否一致;
若上述三个判断结果均为肯定,则将该充电站/桩列入待选充电站/桩集合。
8.一种可持续深度学习的充电站/桩推荐方法,其特征在于,应用于如权利要求1-7任一所述的持续深度学习的充电站/桩推荐系统,包括:
将获取的多源数据写入多源数据库,其中,所述多源数据包括充电桩数据、电站数据、电动车辆数据、充电用户数据和第三方数据,所述第三方数据包括交通路况数据、天气数据和环境数据;
读取多源数据库中的数据进行数据初处理,得到初处理数据;
读取多源数据库中的数据,计算出本次推荐任务的待选充电站/桩集合;
根据所述待选充电站/桩集合和所述初处理数据,采用深度神经网络进行动态推荐计算,计算出充电站/桩推荐列表;
将该列表数据推送至充电用户终端或车辆终端,并在完成充电后获取用户反馈数据,并根据所述用户反馈数据更新本地知识库中,实现可持续动态推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064357.5A CN110888908B (zh) | 2019-11-01 | 2019-11-01 | 一种可持续深度学习的充电站/桩推荐系统及推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064357.5A CN110888908B (zh) | 2019-11-01 | 2019-11-01 | 一种可持续深度学习的充电站/桩推荐系统及推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110888908A CN110888908A (zh) | 2020-03-17 |
CN110888908B true CN110888908B (zh) | 2022-06-28 |
Family
ID=69746786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911064357.5A Active CN110888908B (zh) | 2019-11-01 | 2019-11-01 | 一种可持续深度学习的充电站/桩推荐系统及推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110888908B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523722B (zh) * | 2020-04-20 | 2022-04-12 | 武汉大学 | 一种基于深度强化学习的智能充电站优化选择系统 |
JP2021179811A (ja) * | 2020-05-13 | 2021-11-18 | トヨタ自動車株式会社 | 配車装置、車両および端末 |
CN112115350A (zh) * | 2020-08-27 | 2020-12-22 | 上海电享信息科技有限公司 | 一种智慧城市充电智能推荐方法和系统 |
CN114516278B (zh) * | 2020-11-18 | 2023-09-05 | 比亚迪股份有限公司 | 充电桩推荐方法、装置、系统以及存储介质 |
CN112606727A (zh) * | 2020-12-31 | 2021-04-06 | 上海电享信息科技有限公司 | 充电方案推荐方法和充电方案推荐系统 |
CN112874369B (zh) * | 2021-01-12 | 2022-08-05 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
CN112766525B (zh) * | 2021-01-15 | 2022-12-09 | 上海钧正网络科技有限公司 | 一种为电助力车换电的方法、装置及设备 |
CN113111297A (zh) * | 2021-03-26 | 2021-07-13 | 苏州斯瑞威新能源科技有限公司 | 充电桩功率自动优化方法及装置 |
CN113362460B (zh) * | 2021-04-28 | 2022-08-30 | 北京理工大学 | 全域新能源汽车充电地图构建与推荐方法 |
CN113505150A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦(北京)科技有限公司 | 一种充电站信息的推送方法、服务器、介质及计算机设备 |
CN113306429B (zh) * | 2021-07-30 | 2022-07-08 | 深圳嘉信立诚科技有限公司 | 一种用于新能源汽车的充电系统及方法 |
TWI829017B (zh) * | 2021-10-04 | 2024-01-11 | 國立陽明交通大學 | 智能車輛充放電系統及其方法 |
WO2023087108A1 (en) * | 2021-11-17 | 2023-05-25 | Datametrex Electric Vehicle Solutions Inc. | Systems, methods, and devices for determining optimal electric car charging stations |
CN116620096A (zh) * | 2023-06-25 | 2023-08-22 | 陆琨 | 一种新能源汽车安全充电控制方法 |
CN117407607B (zh) * | 2023-12-15 | 2024-03-08 | 长春汽车工业高等专科学校 | 一种基于大数据的新能源汽车状态提取方法及系统 |
CN117689188B (zh) * | 2024-02-04 | 2024-04-26 | 江西驴充充物联网科技有限公司 | 基于大数据的用户充电策略优化系统及方法 |
CN117875672B (zh) * | 2024-03-11 | 2024-06-04 | 云南山高新能源有限公司 | 电动车充电站管理系统 |
CN118003947B (zh) * | 2024-04-10 | 2024-05-31 | 深圳市奥福德电子科技有限公司 | 一种充电桩动态负载均衡系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220781B (zh) * | 2017-06-26 | 2020-09-29 | 北京中电普华信息技术有限公司 | 一种充电设施使用率评估方法及装置 |
CN108458716B (zh) * | 2018-02-02 | 2023-04-18 | 北京交通大学 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
CN109228952A (zh) * | 2018-10-30 | 2019-01-18 | 四川洪诚电气科技有限公司 | 一种基于功率智能调配的充电桩充电系统和方法 |
CN110225081B (zh) * | 2019-04-30 | 2022-04-29 | 广州大学 | 充电桩信息推送系统及方法 |
-
2019
- 2019-11-01 CN CN201911064357.5A patent/CN110888908B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110888908A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110888908B (zh) | 一种可持续深度学习的充电站/桩推荐系统及推荐方法 | |
Zhou et al. | Location optimization of electric vehicle charging stations: Based on cost model and genetic algorithm | |
Shukla et al. | An optimization framework for cost effective design of refueling station infrastructure for alternative fuel vehicles | |
Zhang et al. | Remaining driving range estimation of electric vehicle | |
CN110225081B (zh) | 充电桩信息推送系统及方法 | |
CN109177802B (zh) | 一种基于无线通信的电动汽车有序充电系统及其方法 | |
CN103854472A (zh) | 出租车云智能调度方法及系统 | |
CN109376935A (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
CN111080018A (zh) | 一种基于道路交通环境的智能网联汽车车速预测方法 | |
CN113085655B (zh) | 一种车载电动汽车综合服务系统 | |
Rafique et al. | Potential for electric vehicle adoption in Australia | |
CN107194605B (zh) | 能源消耗估计系统及方法 | |
CN110837973B (zh) | 一种基于交通出行数据的人类出行选择信息挖掘方法 | |
Borysova et al. | Priorities of marketing, competitiveness, and innovative development of transport service providers under sustainable urban development | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
CN116029411A (zh) | 一种基于物联网的智慧城市区域管理方法和系统 | |
Pei et al. | A recommendation algorithm about choosing travel means for urban residents in intelligent traffic system | |
Zhu et al. | Solar photovoltaic generation for charging shared electric scooters | |
Shi et al. | Deep q-network based route scheduling for transportation network company vehicles | |
CN112115350A (zh) | 一种智慧城市充电智能推荐方法和系统 | |
Song et al. | Learning electric vehicle driver range anxiety with an initial state of charge-oriented gradient boosting approach | |
CN112884420B (zh) | 一种智慧物流查询系统及方法 | |
CN110674990B (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN116797126A (zh) | 一种基于双层规划的农村末端物流选址-路径规划方法 | |
CN110674988A (zh) | 一种基于电动汽车出行大数据的城区充电站规划方法 |
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 |