CN111428137B - 一种电动汽车充电设施的推荐方法及推荐装置 - Google Patents

一种电动汽车充电设施的推荐方法及推荐装置 Download PDF

Info

Publication number
CN111428137B
CN111428137B CN202010219408.3A CN202010219408A CN111428137B CN 111428137 B CN111428137 B CN 111428137B CN 202010219408 A CN202010219408 A CN 202010219408A CN 111428137 B CN111428137 B CN 111428137B
Authority
CN
China
Prior art keywords
charging
candidate
user
charging facility
candidate charging
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
Application number
CN202010219408.3A
Other languages
English (en)
Other versions
CN111428137A (zh
Inventor
王晓慧
郑晓崑
梁潇
马慧远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Global Energy Interconnection Research Institute, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010219408.3A priority Critical patent/CN111428137B/zh
Publication of CN111428137A publication Critical patent/CN111428137A/zh
Priority to PCT/CN2020/106495 priority patent/WO2021189745A1/zh
Application granted granted Critical
Publication of CN111428137B publication Critical patent/CN111428137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Power Engineering (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种电动汽车充电设施的推荐方法及推荐装置，所述方法包括：响应于客户端发送的充电设施推荐请求，获取电动汽车的当前状态信息；基于所述当前状态信息获取候选充电设施列表；计算所述候选充电设施列表中的每个候选充电设施的用户接受概率；基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施列表发送至所述客户端。本发明推荐的候选充电设施更加符合用户预期，可以提高候选充电设施的命中率。

Description

一种电动汽车充电设施的推荐方法及推荐装置
技术领域
本发明涉及智能推荐技术领域，具体涉及一种电动汽车充电设施的推荐方法及推荐装置。
背景技术
随着新能源技术的发展，电动汽车的市场占有率越来越高，充电设施的数量也随之持续增长。然而据统计，当前各运营商的充电服务设施的利用率普遍低于15％。现有的充电设施推荐系统一般依据最短距离、最低充电费用等单一因素作为推荐充电设施的衡量指标，无法针对用户喜好等特征进行有针对性地精准推荐。另外，现有的推荐系统只能实现基本的找桩功能，对用户实际是否到达所推荐桩以及充电行为等后续数据并未收集监测，缺乏有效反馈。
实际运营中，离桩距离、电桩运行状态、充电等待时长、充电分时段价格、用户充电偏好、充电队伍长短、客户评价等因素均会影响驾驶人员对充电设施的选择。因此，如何提供一种综合考虑多种因素的电动设施推荐方案，从而提升充电设施推荐服务的使用体验和推荐命中率，并兼顾充电设施整体使用率的提高和使用频率的平衡，引导充电汽车的有序充电，成为本领域技术人员亟待解决的问题。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的上述缺陷，从而提供一种推荐准确率更高的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。
为此，根据本发明的一个方面，提供一种电动汽车充电设施的推荐方法，包括以下步骤：
响应于客户端发送的充电设施推荐请求，获取电动汽车的当前状态信息；
基于所述当前状态信息获取候选充电设施列表；
计算所述候选充电设施列表中的每个候选充电设施的用户接受概率；
基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施发送至所述客户端。
根据本发明提供的推荐方法，其中，所述获取电动汽车的当前状态信息包括：获取所述电动汽车的当前用户信息、当前位置信息、当前时间信息和充电接口类型信息；
所述基于所述当前状态信息获取候选充电设施列表的步骤包括：
将与所述电动汽车的当前位置的距离在第一阈值之内、符合所述充电接口类型的空闲充电设施作为所述候选充电设施，添加到所述列表中；
将符合所述当前用户的偏好的充电设施作为所述候选充电设施，添加到所述列表中。
根据本发明提供的推荐方法，其中，所述基于所述当前状态信息获取候选充电设施列表的步骤还包括：
将符合与所述当前用户相似的其他用户的偏好的充电设施作为所述候选充电设施，添加到所述列表中；其中所述与所述当前用户相似的其他用户包括与所述当前用户的相似度大于第二阈值的用户。
根据本发明提供的推荐方法，其中，所述计算所述候选充电设施列表中的每个候选充电设施的用户接受概率的步骤包括：
通过概率模型计算每个所述候选充电设施的用户接受概率；
其中所述概率模型是基于用户充电行为特征、充电设施运营特征和配电网状态特征进行训练得到的。
根据本发明提供的推荐方法，其中，所述概率模型包括输入层、嵌入层、因子分解机层、深度神经网络层和输出层；
所述输入层用于接收充电记录特征，所述充电记录特征包括时间、地点、目标用户ID、目标充电设施ID、目标用户对应的用户特征、目标充电设施对应的运营特征和配电网状态特征；
所述嵌入层用于对来自所述输入层的充电记录特征进行降维处理，以得到目标特征；
所述因子分解机层用于对所述目标特征进行因子分解机运算，得到第一运算结果；
所述深度神经网络层用于对所述目标特征进行深度神经网络运算，得到第二运算结果；
所述输出层用于对所述第一运算结果和所述第二运算结果进行基于sigmoid函数的融合运算，以得到候选充电设施被所述用户接受的概率值。
根据本发明提供的推荐方法，其中，所述基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施发送至所述客户端的步骤包括：
按照所述用户接受概率从高到低的顺序对所述候选充电设施进行预排序；
基于与所述候选充电设施相关的充电设施运营特征和配电网状态特征获取所述候选充电设施的推荐优先级，根据所述推荐优先级对所述候选充电设施在所述列表中的顺序进行重新排列；
按照重新排列后的顺序将所述候选充电设施发送至所述客户端。
根据本发明提供的推荐方法，其中，在所述按照重新排列后的顺序将所述候选充电设施发送至所述客户端的步骤之前，还包括：
判断所述候选充电设施是否与其它客户端存在推荐冲突；
当所述候选充电设施与其它客户端存在推荐冲突时，根据随机分配算法或KM算法确定是否将所述候选充电设施发送至所述客户端。
根据本发明的另一方面，还提供了一种电动汽车充电设施的推荐装置，包括：
推荐请求响应单元，适用于响应于客户端发送的充电设施推荐请求，获取电动汽车的当前状态信息；
候选列表单元，适用于基于所述当前状态信息获取候选充电设施列表；
概率计算单元，适用于计算所述候选充电设施列表中的每个候选充电设施的用户接受概率；
排序单元，适用于基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施发送至所述客户端。
根据本发明再一方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
根据本发明又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明技术方案，具有如下优点：
(1)本发明首先基于电动汽车的状态信息获取候选充电设施列表，并根据用户接受度对列表中的候选充电设施进行排序，排序靠前的候选充电设施更加符合用户预期，从而可以提高推荐的充电设施的命中率。
(2)本发明基于用户充电行为特征、充电设施运营特征和配电网状态特征等多种离线特征对概率模型进行训练，从而可以计算出每个候选充电设施的用户接受度。与传统方法相比，不再依赖手动单一条件筛选推荐，而是增强了多项用户个性化推荐的内容，提高了推荐智能性，用户体验更优。
(3)本发明提出的概率模型采用深度神经网络和因式分解机结合的方法，对用户特征及充电设施特征的解析更深入，且解决了稀疏特征问题，使得运算效率和推荐准确度更高。
(3)本发明解耦合了离线特征处理和概率模型训练计算过程，系统化实现了实时推荐功能，推荐效率更快，准确度更高。
(4)本发明在概率模型的基础上融合了推荐调度策略，考虑多用户同时刻同位置的推荐冲突，采用多种算法进行组合优化，使得本发明进行充电设施推荐时可信度更高，实用性更强。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1中电动汽车充电设施的推荐方法的一个具体示例的流程图；
图2示出了根据本发明实施例1中获取候选充电设施列表的一个具体示例的流程图；
图3示出了本发明实施例1中的概率模型的一个具体示例的结构示意图；
图4示出了本发明实施例1中对候选充电设施进行排序的一个具体示例的流程图；
图5为本发明实施例2中电动汽车充电设施的推荐装置的一个具体示例的原理框图；
图6为本发明实施例3中的电动汽车充电设施的推荐装置的硬件结构示意图。
具体实施方式
下面将结合附图对本发明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他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种电动汽车充电装置的推荐方法，如图1所示，包括如下步骤：
S1:响应于客户端发送的充电设施推荐请求，获取电动汽车的当前状态信息。其中所述当前状态信息包括当前用户信息、当前位置信息、当前时间信息和充电接口类型信息。上述当前用户信息可以是用户ID，上述当前位置信息可以是客户端发出推荐请求时该电动汽车所处的地理位置，上述当前时间信息可以是客户端发出推荐请求时的具体时刻，上述充电接口类型信息可以是上述充电汽车对应的充电接口的种类。
S2:基于所述当前状态信息获取候选充电设施列表。候选充电设施指的是当前可供用户选择的充电设施，当充电设置包括多个时，以列表的形式展示。上述候选充电设施及基于当前状态信息确定的，即基于当前用户信息、当前位置信息、当前时间信息和充电接口类型信息。
S3:计算所述候选充电设施列表中的每个候选充电设施的用户接受概率。候选充电设施的用户接受概率指的是当前用户选择该候选充电设施进行充电的概率。该用户接受概率可以是0到1之间的任意值，用户接受概率越高，表明当前用户选择该候选充电设施进行充电的可能性越大；用户接受概率越低，表明当前用户选择该候选充电设施进行充电的可能性越小。
S4:基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施列表发送至所述客户端。上述用户接受概率可以是对所有候选充电设施进行排序的唯一指标，也可以是对所有候选充电设施进行排序的其中一个指标。例如，可以只按照用户接受概率从高到低的顺序进行排序，也可以按照用户接受概率的高低和距离的远近这两个指标共同进行排序，其中每个指标占有一定的权重值。总之，本发明对于具体根据多少个指标进行排序并不限制，只要是考虑了用户接受概率的排序方式都在本发明的保护范围之内。
本发明首先基于电动汽车的状态信息获取候选充电设施列表，并根据用户接受度对列表中的候选充电设施进行排序，排序靠前的候选充电设施更加符合用户预期，从而可以提高推荐的充电设施的命中率。
图2示出了根据本发明实施例1中获取候选充电设施列表的一个具体示例的流程图。如图2所示，步骤S2可以包括：
S21:将与所述电动汽车的当前位置的距离在第一阈值之内、符合所述充电接口类型的空闲充电设施作为所述候选充电设施，添加到所述列表中。上述第一阈值可以根据实际情况进行设置，例如当剩余电量较多时，该第一阈值可以相对较大，例如5公里；当剩余电量较少时，该第一阈值可以相对较小，例如2公里。本步骤中添加的候选充电设施主要与车辆运行情况相关，对于不同的用户具有普遍适用性。
S22:将符合所述当前用户的偏好的充电设施作为所述候选充电设施，添加到所述列表中。符合所述当前用户的偏好的充电设施可以是用户曾经使用过的充电设施、当前用户关注过的充电设施或者当前用户进行过评价的充电设施等。本步骤中添加的候选充电设施与用户的具体充电行为有关，具有特定性。
本发明将与车辆运行情况相关的充电设施和于用户充电行为相关的充电设施均添加到候选充电设施列表中，同时兼顾了充电需求的普遍性和特定性，有利于为用户提供更加匹配的充电设备，提高用户体验。
示例性地，请继续参阅图2，所述步骤S2还包括：
S23:将符合与所述当前用户相似的其他用户的偏好的充电设施作为所述候选充电设施，添加到所述列表中；其中所述与所述当前用户相似的其他用户包括与所述当前用户的相似度大于第二阈值的用户。
本示例中可以通过余弦相似度计算公式来计算当前用户与其它用户之间的相似度。具体公式如下：
Figure BDA0002425548190000091
公式(1)中的A和B分别表示当前用户的充电行为特征和其它用户的充电行为特征。用户的充电行为特征具体可包括静态的用户配置特征以及用户行为习惯特征，其中用户配置特征包括电动汽车续航里程、车辆电池容量、充电接口类型等，用户行为习惯特征包括驾驶习惯(空调开关是否常开)、充电比例(充电通常充到的SOC，state of charge)、常用支付方式、车辆类型(是否有运营性质)等。对不同用户的上述特征进行one-hot编码并进行归一化、差分化处理后分别作为特征A和特征B计算余弦相似度，就可以得到当前用户和其他用户之间的相似度。通过公式(1)计算得到的cosθ值越大，表明两个用户之间的相似度越高。
通过计算当前用户与其它用户之间的相似度，可以对有相似行为习惯和车辆特征的用户推荐其可能适用的充电设施。例如当前用户为用户M，经计算用户N与用户M的相似度较大，例如大于第二阈值0.7，那么就可以把符合用户N偏好的充电设施添加到用户M的候选充电设施列表中。这样可以为用户提供更多的可能感兴趣的充电设施，提升用户体验。
示例性地，步骤S3包括：
通过概率模型计算每个所述候选充电设施的用户接受概率；其中所述概率模型是基于用户充电行为特征、充电设施运营特征和配电网状态特征进行训练得到的。
本发明中的概率模型用于计算当前用户对特定候选充电设施的接受概率，即选择该特征候选冲垫设施进行充电的可能性。该概率模型基于从大量历史充电记录中提取到的用户充电行为特征、充电设施运营特征和配电网状态特征进行训练得到的。用户充电行为特征已在上文中进行了描述。充电设施运营特征包括静态的充电桩类型(直流快充、交流慢充、e精灵)、运营商(自营、非自营)、充电站类型(对外开放、内部站)、充电站功率、经纬度、站地址及区域类型、投运时间、服务费、停车费，附近美食、购物、影院、酒店、洗手间数量等；以及平均每次充电时长、平均日(周)充电次数、平均日(周)充电电量、用户评分等特征。配电网状态特征表征特定充电设施对配电网的影响，包括负荷特征变化模式、电流电压波动、谐波污染指数等特征。
例如，一条历史充电记录中包括用户M在某时间去了位于某地理位置的充电设施P进行充电。当利用该条历史充电记录对概率模型进行训练时，可以提取用户M的充电行为特征、充电设施P的运营特征以及充电设施P在充电时的配电网状态特征作为输入数据，将用户M选择充电设施P的概率作为真值数据训练概率模型。以上历史充电记录中已知用户M选择了充电设施P进行充电，那么作为真值数据的概率可以为1；如果用户M没有选择充电设施P进行充电，那么作为真值数据的概率可以为0。这样，经过训练后的概率模型最终可以输出某特定用户选择某特定充电设施的概率值，该概率值位于0-1之间。
基于用户充电行为特征、充电设施运营特征和配电网状态特征对概率模型进行训练，不再依赖传统的手动单一条件筛选确定用户的接受概率，而是增强了多项用户个性化特征，提高了计算接受概率的智能性，用户体验更优。
图3示出了本发明实施例1中的概率模型的结构示意图。如图3所示，概率模型包括输入层、嵌入层、因子分解机(FM)层、深度神经网络(DNN)层和输出层。
上述输入层用于接收充电记录特征，所述充电记录特征包括时间、地点、特定用户ID、特定充电设施ID、特定用户对应的用户充电行为特征、特定充电设施对应的运营特征和配电网状态特征。这部分内容已经在上文中进行了具体描述。其中输入层中的每一个field对应一条完整的充电记录特征。上述嵌入层用于对来自所述输入层的充电记录特征进行降维处理，以得到目标特征。上述因子分解机(FM)层用于对所述目标特征进行因子分解机运算，得到第一运算结果。上述深度神经网络(DNN)层用于对所述目标特征进行深度神经网络运算，得到第二运算结果。上述输出层用于对所述第一运算结果和所述第二运算结果进行基于sigmoid函数的融合运算，以得到候选充电设施被所述用户接受的概率值。
其中yFM是因子分解机层的输出，其计算方式如下：
Figure BDA0002425548190000121
x是输入的特征向量，w是一阶特征权重。<w,x>是点积计算。Vi是为了求解二阶特征的权重引入的辅助向量。
深度神经网络层采用rula函数作为激活函数，该层的输出用yDNN表示。
输出层的输出结果为：
Figure BDA0002425548190000122
利用sigmoid函数，将FM层的第一运算结果和DNN层的第二运算结果做融合计算。
本发明提出的概率模型采用深度神经网络和因式分解机结合的方法，对用户特征及充电设施特征的解析更深入，且解决了稀疏特征问题，使得运算效率和推荐准确度更高。
图4示出了本发明实施例1中对候选充电设施进行排序的一个具体示例的流程图。如图4所示，步骤S4包括：
S41:按照所述用户接受概率从高到低的顺序对所述候选充电设施进行预排序。例如，候选充电设施M1的用户接受概率为0.5，候选充电设施M2的用户接受概率为0.8，候选充电设施M3的用户接受概率为0.7，则候选充电设施预排序的顺序为：M2、M3、M1。
S42:基于与所述候选充电设施相关的充电设施运营特征和配电网状态特征获取所述候选充电设施的推荐优先级，根据所述推荐优先级对所述候选充电设施在所述列表中的顺序进行重新排列。充电设施运营特征和配电网状态特征中包含的具体内容已在上文中进行了详细描述。可根据实际需求根据上述特征中的不同内容指定推荐优先级，包括将充电时长作为一级优先级，将充电费用作为二级优先级，等等。对于上文提到的候选充电设施M1、M2和M3，假设三个充电设施的充电费用相同，M1的充电时间远小于M2和M3的充电时间，则根据充电时间进行重新排序后候选充电设施的顺序为：M1、M2、M3。
S43:按照重新排列后的顺序将所述候选充电设施列表发送至所述客户端。例如，按照M1、M2、M3的顺序向客户端发送候选充电设施列表。排在列表前面的候选充电设施为用户最有可能选择的充电设施。
同时结合用户接受概率和推荐优先级对候选充电设施进行排序，可以使得候选充电设施的排列顺序更加符合用户实际需求，从而提高推荐准确率，改善客户体验。
示例性地，在步骤S43之前，还包括：
判断所述候选充电设施是否与其它客户端存在推荐冲突；
当所述候选充电设施与其它客户端存在推荐冲突时，根据随机分配算法或KM算法确定是否将所述候选充电设施发送至所述客户端。
本示例适用于多个客户端在同时刻同位置发出推荐请求的情况，例如用户N1和用户N2在同时刻同位置发出推荐请求，经计算充电设施P同时可作为用户N1和用户N2的候选充电设施。如果将充电设施P同时推荐给用户N1和用户N2，那么就会产生推荐冲突。本示例要解决的就是将充电设施P推荐给用户N1还是用户N2的问题。在实际操作中可以根据高峰时期和低峰时期的不同分别采用不同的算法解决解决推荐冲突问题。例如在低峰时期采用随机分配算法，对于高峰时期利用KM(Kuhn-Munkras)算法解决最优权值匹配问题。
本发明在概率模型的基础上融合了推荐调度策略，考虑多用户同时刻同位置的推荐冲突，采用多种算法进行组合优化，使得本发明进行充电设施推荐时可信度更高，实用性更强。
实施例2
本施例提供一种电动汽车充电设施的推荐装置500，如图5所示，包括推荐请求响应单元510、候选列表单元520、概率计算单元530和排序单元540。其中：
推荐请求响应单元510适用于响应于客户端发送的充电设施推荐请求，获取电动汽车的当前状态信息；
候选列表单元520适用于基于所述当前状态信息获取候选充电设施列表；
概率计算单元530适用于计算所述候选充电设施列表中的每个候选充电设施的用户接受概率；
排序单元540适用于基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施发送至所述客户端。
上述推荐装置500可以基于电动汽车的状态信息获取候选充电设施列表，并根据用户接受度对列表中的候选充电设施进行排序，排序靠前的候选充电设施更加符合用户预期，从而可以提高推荐的充电设施的命中率。
实施例3
本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图6所示。需要指出的是，图6仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备20的内部存储单元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如实施例二的推荐装置500的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行电动汽车充电设施的推荐装置500，以实现实施例一的电动汽车充电设施的推荐方法。
实施例4
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储电动汽车充电设施的推荐装置500，被处理器执行时实现实施例一的电动汽车充电设施的推荐方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种电动汽车充电设施的推荐方法，其特征在于，包括以下步骤：
响应于客户端发送的充电设施推荐请求，获取电动汽车的当前状态信息；
基于所述当前状态信息获取候选充电设施列表；
计算所述候选充电设施列表中的每个候选充电设施的用户接受概率；
基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施列表发送至所述客户端；
所述计算所述候选充电设施列表中的每个候选充电设施的用户接受概率的步骤包括：
通过概率模型计算每个所述候选充电设施的用户接受概率；
其中所述概率模型是基于用户充电行为特征、充电设施运营特征和配电网状态特征进行训练得到的；
所述概率模型包括输入层、嵌入层、因子分解机层、深度神经网络层和输出层；
所述输入层用于接收充电记录特征，所述充电记录特征包括时间、地点、目标用户ID、目标充电设施ID、目标用户对应的用户特征、目标充电设施对应的运营特征和配电网状态特征；
所述嵌入层用于对来自所述输入层的充电记录特征进行降维处理，以得到目标特征；
所述因子分解机层用于对所述目标特征进行因子分解机运算，得到第一运算结果；
所述深度神经网络层用于对所述目标特征进行深度神经网络运算，得到第二运算结果；
所述输出层用于对所述第一运算结果和所述第二运算结果进行基于sigmoid函数的融合运算，以得到候选充电设施被所述用户接受的概率值。
2.根据权利要求1所述的推荐方法，其特征在于，所述获取电动汽车的当前状态信息包括：获取所述电动汽车的当前用户信息、当前位置信息、当前时间信息和充电接口类型信息；
所述基于所述当前状态信息获取候选充电设施列表的步骤包括：
将与所述电动汽车的当前位置的距离在第一阈值之内、符合所述充电接口类型的空闲充电设施作为所述候选充电设施，添加到所述列表中；
将符合所述当前用户的偏好的充电设施作为所述候选充电设施，添加到所述列表中。
3.根据权利要求2所述的推荐方法，其特征在于，所述基于所述当前状态信息获取候选充电设施列表的步骤还包括：
将符合与所述当前用户相似的其他用户的偏好的充电设施作为所述候选充电设施，添加到所述列表中；其中所述与所述当前用户相似的其他用户包括与所述当前用户的相似度大于第二阈值的用户。
4.根据权利要求1所述的推荐方法，其特征在于，所述基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施列表发送至所述客户端的步骤包括：
按照所述用户接受概率从高到低的顺序对所述候选充电设施进行预排序；
基于与所述候选充电设施相关的充电设施运营特征和配电网状态特征获取所述候选充电设施的推荐优先级，根据所述推荐优先级对所述候选充电设施在所述列表中的顺序进行重新排列；
按照重新排列后的顺序将所述候选充电设施列表发送至所述客户端。
5.根据权利要求4所述的推荐方法，其特征在于，在所述按照重新排列后的顺序将所述候选充电设施列表发送至所述客户端的步骤之前，还包括：
判断所述候选充电设施是否与其它客户端存在推荐冲突；
当所述候选充电设施与其它客户端存在推荐冲突时，根据随机分配算法或KM算法确定是否将所述候选充电设施发送至所述客户端。
6.一种电动汽车充电设施的推荐装置，其特征在于，包括：
推荐请求响应单元，适用于响应于客户端发送的充电设施推荐请求，获取电动汽车的当前状态信息；
候选列表单元，适用于基于所述当前状态信息获取候选充电设施列表；
概率计算单元，适用于计算所述候选充电设施列表中的每个候选充电设施的用户接受概率；
排序单元，适用于基于所述用户接受概率对所述候选充电设施列表中的所有候选充电设施进行排序，并将排序后的候选充电设施发送至所述客户端；
所述概率计算单元还适用于通过概率模型计算每个所述候选充电设施的用户接受概率；
其中所述概率模型是基于用户充电行为特征、充电设施运营特征和配电网状态特征进行训练得到的；
所述概率模型包括输入层、嵌入层、因子分解机层、深度神经网络层和输出层；
所述输入层用于接收充电记录特征，所述充电记录特征包括时间、地点、目标用户ID、目标充电设施ID、目标用户对应的用户特征、目标充电设施对应的运营特征和配电网状态特征；
所述嵌入层用于对来自所述输入层的充电记录特征进行降维处理，以得到目标特征；
所述因子分解机层用于对所述目标特征进行因子分解机运算，得到第一运算结果；
所述深度神经网络层用于对所述目标特征进行深度神经网络运算，得到第二运算结果；
所述输出层用于对所述第一运算结果和所述第二运算结果进行基于sigmoid函数的融合运算，以得到候选充电设施被所述用户接受的概率值。
7.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
CN202010219408.3A 2020-03-25 2020-03-25 一种电动汽车充电设施的推荐方法及推荐装置 Active CN111428137B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010219408.3A CN111428137B (zh) 2020-03-25 2020-03-25 一种电动汽车充电设施的推荐方法及推荐装置
PCT/CN2020/106495 WO2021189745A1 (zh) 2020-03-25 2020-08-03 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010219408.3A CN111428137B (zh) 2020-03-25 2020-03-25 一种电动汽车充电设施的推荐方法及推荐装置

Publications (2)

Publication Number Publication Date
CN111428137A CN111428137A (zh) 2020-07-17
CN111428137B true CN111428137B (zh) 2021-06-11

Family

ID=71548654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010219408.3A Active CN111428137B (zh) 2020-03-25 2020-03-25 一种电动汽车充电设施的推荐方法及推荐装置

Country Status (2)

Country Link
CN (1) CN111428137B (zh)
WO (1) WO2021189745A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111897800B (zh) * 2020-08-05 2021-06-22 全球能源互联网研究院有限公司 一种基于联邦学习的电动汽车充电设施推荐方法及系统
CN112183888B (zh) * 2020-10-26 2024-05-17 南京明德产业互联网研究院有限公司 一种基于链路预测的充电站推荐的方法、装置和系统
CN112297934B (zh) * 2020-11-16 2022-08-12 国网北京市电力公司 充电站处理方法、装置、存储介质及处理器
CN115630978B (zh) * 2022-12-23 2023-03-31 广州市交通规划研究院有限公司 一种基于人口就业分布的多交通设施选址方法
CN116228295A (zh) * 2023-03-02 2023-06-06 深圳市蜂蜗科技有限公司 一种充电桩的智能推荐方法及系统
CN117852725B (zh) * 2024-03-06 2024-05-24 国网北京市电力公司 一种电动汽车虚拟储能集群调度目标协同优化方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102709984A (zh) * 2012-06-13 2012-10-03 清华大学 一种基于智能交通系统的电动汽车充电路径规划方法
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
CN107133841A (zh) * 2017-04-20 2017-09-05 深圳充电网科技有限公司 一种充电桩站点推荐方法和装置
CN108829778A (zh) * 2018-05-30 2018-11-16 蔚来汽车有限公司 充电桩智能推荐方法、装置和系统
CN109146129A (zh) * 2018-07-03 2019-01-04 蔚来汽车有限公司 充电桩群推荐方法、可用桩预测、结果获取方法及控制器
CN110727855A (zh) * 2019-08-28 2020-01-24 广东工业大学 一种基于改进因子分解机的个性化推荐方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8862404B2 (en) * 2013-03-13 2014-10-14 Ford Global Technologies, Llc Electric vehicle emergency recharge assistance
CN108959603B (zh) * 2018-07-13 2022-03-29 北京印刷学院 基于深度神经网络的个性化推荐系统及方法
CN110457589B (zh) * 2019-08-19 2020-05-12 上海新共赢信息科技有限公司 一种车辆推荐方法、装置、设备及存储介质
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102709984A (zh) * 2012-06-13 2012-10-03 清华大学 一种基于智能交通系统的电动汽车充电路径规划方法
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
CN107133841A (zh) * 2017-04-20 2017-09-05 深圳充电网科技有限公司 一种充电桩站点推荐方法和装置
CN108829778A (zh) * 2018-05-30 2018-11-16 蔚来汽车有限公司 充电桩智能推荐方法、装置和系统
CN109146129A (zh) * 2018-07-03 2019-01-04 蔚来汽车有限公司 充电桩群推荐方法、可用桩预测、结果获取方法及控制器
CN110727855A (zh) * 2019-08-28 2020-01-24 广东工业大学 一种基于改进因子分解机的个性化推荐方法

Also Published As

Publication number Publication date
CN111428137A (zh) 2020-07-17
WO2021189745A1 (zh) 2021-09-30

Similar Documents

Publication Publication Date Title
CN111428137B (zh) 一种电动汽车充电设施的推荐方法及推荐装置
US11586992B2 (en) Travel plan recommendation method, apparatus, device and computer readable storage medium
EP3506188A1 (en) Systems and methods for dynamically allocating exchangeable energy storage devices from charging stations
CN111310055A (zh) 一种信息推荐方法、装置、电子设备及存储介质
JP2023501318A (ja) バッテリーサービス提供システム及び方法
US11346676B2 (en) System and method for ranking in alternative destination recommendation on ridesharing platforms
CN115643285A (zh) 智慧城市停车场推荐方法和物联网系统、装置、存储介质
US20220188851A1 (en) Multi-objective distributional reinforcement learning for large-scale order dispatching
US20210201214A1 (en) System and method for recommending bidding bundle options in bidding-based ridesharing
CN111899061B (zh) 订单推荐方法、装置、设备及存储介质
CN109272360B (zh) 一种广告智能推荐方法、系统及装置
EP3262596A1 (en) Systems and methods for managing networked vehicle resources
CN112989188B (zh) 推荐订单的确定方法、装置和服务器
US11904717B2 (en) Intelligent preconditioning for high voltage electric vehicle batteries
CN117114156A (zh) 充电站匹配方法、装置、电子设备及存储介质
CN111612493B (zh) 一种用户分群方法及装置
CN115330281B (zh) 智慧城市新能源汽车充电服务方法、系统、装置和介质
CN112541797A (zh) 一种车辆推送信息的生成方法及服务器
CN111833595B (zh) 共享汽车辅助车辆配置方法、电子设备及存储介质
CN112101576B (zh) 分布式设备使用机器学习模型聚合系统
CN115042654A (zh) 充电站的排位充电方法及装置、存储介质、终端
CN114896482A (zh) 一种模型训练和补能意图识别方法、装置、设备及介质
CN111507753A (zh) 信息推送方法、装置和电子设备
US11973847B2 (en) Intelligent ticketing and data offload planning for connected vehicles
CN111222729B (zh) 服务类型确定方法、装置、电子设备和存储介质

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