CN112069635A - 一种换电柜的部署方法、装置、介质及电子设备 - Google Patents
一种换电柜的部署方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN112069635A CN112069635A CN202010902008.2A CN202010902008A CN112069635A CN 112069635 A CN112069635 A CN 112069635A CN 202010902008 A CN202010902008 A CN 202010902008A CN 112069635 A CN112069635 A CN 112069635A
- Authority
- CN
- China
- Prior art keywords
- data
- city
- grid
- determining
- cabinets
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000005611 electricity Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 79
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 8
- 239000002609 medium Substances 0.000 description 28
- 230000008859 change Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种换电柜的部署方法、装置、介质及电子设备。该方法包括：若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；根据所述城市等级确定换电柜数量；获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。通过采用本方案，可以提高换电柜部署的效果。
Description
技术领域
本发明涉及物联网技术领域，尤其涉及一种换电柜的部署方法、装置、介质及电子设备。
背景技术
随着共享出行的发展，在全国各个大、中型城市兴起的共享单车几乎随处可见，同时助力车的出现更加方便了中距离出行。由于助力车需要定时更换低电电池的特性，使得如何合理布局电池充电点显的尤为重要。
对于现在助力车的换电点有多种模式，如仓库模式，充电桩模式，人为携带模式等，早期的仓库模式在助力车发展的早期阶段起到了十分重要的作用，但是随着规模的不断扩大，其自身的缺点显得尤为突出，主要体现在以下三点：一，仓库模式的仓库一般布局在城市偏远地带，对城市助力车缺电响应较为缓慢；二，仓库模式受限于运维人员运力，通常几十块电池几十公里的换电路程，满足不了众多小电量换电的需求；三，需要大型仓库和管理人员来管理。在早期，换电柜的布设是纯按人工经验部署，出现耗时长，空间统筹能力弱，响应慢等问题。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是，人工部署换电柜造成的诸多问题。为此，本方案提供一种换电柜的部署方法、装置、介质及电子设备。换电柜是相对于仓库的集中式的分布式布局，主要分散布局在城市的空间中，为助力车换电提供“短频快”的换电支持。本方案采用有理论支撑及机器学习的换电柜选址方法，同时根据运营数据不断的迭代模型，使得换电柜的选址更加精准。
为实现上述目的，本发明提供了一种换电柜的部署方法、装置、介质及电子设备。
在本发明的较佳实施方式中，本申请实施例提供了一种换电柜的部署方法，所述方法包括：
若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；
根据所述城市等级确定换电柜数量；
获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；
根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。
进一步的，在将所述特征数据输入至预测模型之前，所述方法还包括：
根据所述城市等级，以及对各城市等级预先训练得到的各城市等级的候选预测模型，确定所述预测模型。
进一步的，所述预测模型的训练过程包括：
获取当前级别城市的换电数据、订单数据以及用户数据，作为训练样本；
根据预设地理空间分割规则，得到地理空间分割后的网格；并确定所述网格中训练样本的特征数据；
根据所述网格中训练样本的特征数据对构建的初始模型进行训练，得到预测模型。
进一步的，所述换电布置数据包括：
所述网格中的换电柜数值比例。
进一步的，所述根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果的步骤，包括：
根据所述换电柜数量与所述网格中的换电柜数值比例，确定网格中的换电柜的部署结果；
遍历所有网格，以得到所述当前城市的换电柜的部署结果。
进一步的，在所述根据所述网格中训练样本的特征数据对构建的初始模型进行训练之前，所述方法还包括：
获取网格中的地图分类信息；
提取网格中地图分类信息中数量满足预设条件的目标信息分类，作为网格的特征数据。
进一步的，所述确定所述网格中训练样本的特征数据，包括：
将所述订单数据以及用户数据映射至所述网格，以确定所述网格中训练样本的特征数据。
在本发明的另一较佳实施方式中，本申请实施例提供了一种换电柜的部署装置，该装置包括：
城市等级确定模块，用于若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；
换电柜数量确定模块，用于根据所述城市等级确定换电柜数量；
换电布置数据输出模块，用于获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；
部署结果确定模块，用于根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。
进一步的，所述装置还包括：
预测模型选择模块，用于根据所述城市等级，以及对各城市等级预先训练得到的各城市等级的候选预测模型，确定所述预测模型。
可选的，所述装置还用于：
进一步的，所述预测模型的训练过程包括：
获取当前级别城市的换电数据、订单数据以及用户数据，作为训练样本；
根据预设地理空间分割规则，得到地理空间分割后的网格；并确定所述网格中训练样本的特征数据；
根据所述网格中训练样本的特征数据对构建的初始模型进行训练，得到预测模型。
进一步的，所述换电布置数据包括：
所述网格中的换电柜数值比例。
进一步的，在所述根据所述网格中训练样本的特征数据对构建的初始模型进行训练之前，所述装置还用于：
获取网格中的地图分类信息；
提取网格中地图分类信息中数量满足预设条件的目标信息分类，作为网格的特征数据。
进一步的，所述确定所述网格中训练样本的特征数据，包括：
将所述订单数据以及用户数据映射至所述网格，以确定所述网格中训练样本的特征数据。
在本发明的另一较佳实施方式中，本申请实施例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如本申请实施例所述的换电柜的部署方法。
在本发明的另一较佳实施方式中，本申请实施例提供了一种电子设备，包括存储器，处理器及存储在所述存储器上并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的换电柜的部署方法。
本发明提供的技术方案具有以下技术效果：
本发明适用于助力车换电柜的部署操作的情况，本发明采用的是智能选址的方式，其中利用到了机器学习模型以及其他统计分析手段，可以辅助确定换电柜的部署方案，为城市助力车换电选址提供了重要的技术支撑。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本申请实施例提供的换电柜的部署方法的流程图；
图2是本申请实施例提供的换电柜的部署过程的示意图；
图3是本申请实施例提供的换电柜的部署装置的示意图；
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
为了阐释的目的而描述了本发明的一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。
图1是本申请实施例提供的换电柜的部署方法的流程图，本实施例可适用于换电柜部署的情况。
如图1所示，所述换电柜的部署方法包括：
S110、若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级。
其中，可以是在智能手机，智能电脑以及其他电子设备上设置有输入界面或者点选界面，当检测到工作人员在客户端输入某一城市作为当前城市的情况下，确定为检测到当前城市换电数据预测需求。本方案中，可以是由前端设备与服务器进行交互完成的换电柜的部署工作，也就是说，前端设备可以独立完成，也可以是在获取部分或者全部数据之后，交由服务器完成，并返回前端设备步骤的执行结果。
可以理解的，所输入的城市可以是某省，某直辖市，某市，某地级市以及某县级市等等，除了键入之外，还可以是通过点选，圈定等方式来确定。由于在国内针对各个不同的城市已经进行了城市等级的划分，因此，可以在确定当前城市之后，确定当前城市所属的城市等级。例如，城市等级可以包括一级城市、二级城市、三级城市等。具体地，可以将人口数量较大的直辖市、省会城市归为一级城市；其他的人口数量处于相同范围内的城市可以按照不同的划分范围归为不同的城市等级。在本实施例中，可以按照人口数量将城市分为7个等级。
S120、根据所述城市等级确定换电柜数量。
其中，可以理解的，由于不同的城市等级，其用户的数量，助力车的使用数量以及助力车的订单数量都是不同的，由于预先已经分别按照城市的一些规模参数划分了多个等级，此处以7个等级为例，则可以根据当前城市的城市等级，确定属于7个等级中的第4个等级，则可以根据第4个级别对应的换电柜需求数量，来确定当前城市的换电柜数量。
例如，7个等级中第4个等级的换电柜数量是10000台，第3个等级的换电柜数量是15000台，第5个等级的换电柜数量是8000台，则可以根据该城市等级来确定换电柜的数量。可以理解的，该数量可以是固定的数值，也可以是范围值，此处不做限定。
S130、获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据。
助力车可以是采用蓄电池供电，使得用户可在骑行过程中采用助力设备进行骑行。换电数据可以是某一个或者是全部换电柜接收的换电次数。具体的，用户归还并取走一个电池，此为一个换电次数。订单数据可以是助力车的接收订单情况的数据，如日订单量，周订单量以及月订单量等。用户数据可以是用户数量。
可以理解的，预测模型可以是根据采集的样本的换电数据、订单数据以及用户数据进行训练得到的。该预测模型输出的可以是换电布置数据。换电布置数据可以是各运维网格的换电柜布置比例。
在本实施例中，可选的，在所述特征数据输入至预测模型之前，所述方法还包括：根据所述城市等级，以及对各城市等级预先训练得到的各城市等级的候选预测模型，确定所述预测模型。
其中，可以理解的，预测模型是根据城市的等级的不同来分别训练的，所选用的特征可以是相同的，即都是换电数据、订单数据以及用户数据这样的特征，但是为了避免不同等级的城市的特征数据相差过大，导致模型对大小城市的兼容性较差，采用分别训练的方式，即，每一等级的城市均对应一个预测模型，可以提高模型的输出数据的准确性。
在本实施例中，可选的，所述预测模型的训练过程包括：
获取当前级别城市的换电数据、订单数据以及用户数据，作为训练样本；
根据预设地理空间分割规则，得到地理空间分割后的网格；并确定所述网格中训练样本的特征数据；
根据所述网格中训练样本的特征数据对构建的初始模型进行训练，得到预测模型。
其中，当前级别城市可以是一个城市，也可以是多个城市属于同一级别的城市。确定训练样本之后，可以按照预设地理空间分割规则，对城市内的地理空间进行划分。具体的，可以是等间距的划分，例如每500米长，400米宽的矩形划分为一个网格，还可以按照其他方式划分，例如按照道路来划分。
划分网格之后，确定网格中的训练样本特征数据。具体的，可以根据网格的范围与特征数据的位置来确定。如可以确定当前网格中存在4个换电柜，一周内存在100个订单数据，以及存在30个用户，其中，订单数据可以是助力车的接收订单情况的数据，如日订单量，周订单量以及月订单量等。
确定网格的特征数据之后，根据所述网格中训练样本的特征数据对构建的初始模型进行训练，得到预测模型。其中，初始模型可以采用机器学习模型，如BP网络(Back-ProPagation Network)又称反向传播神经网络，其可以通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。
在上述各技术方案的基础上，可选的，所述确定所述网格中训练样本的特征数据，包括：
将所述订单数据以及用户数据映射至所述网格，以确定所述网格中训练样本的特征数据。
其中，订单数据和用户数据具有位置不固定的特点，因此，可以将订单数据和用户数据按照订单发起位置映射到网格，或者按照统计一段时间内网格内存在的用户数量来确定，如一周内此网格中出现的用户的数量。由此，可以将订单数据以及用户数据映射至所述网格，从而反映出本网格中对换电柜的需求情况。
在上述各技术方案的基础上，可选的，所述换电布置数据包括：所述网格中的换电柜数值比例。
数值比例可以是在某一个网格中的换电柜总数在整个当前城市中的换电柜总数的占比，如整体的数量10000台，某一个网格中的数值比例为0.01，那么该网格中的换电柜数量就是100台，所有网格的换电柜的数值比例之和即为1。
在本实施例中，可选的，所述根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果的步骤，包括：
根据所述换电柜数量与所述网格中的换电柜数值比例，确定网格中的换电柜的部署结果；
遍历所有网格，以得到所述当前城市的换电柜的部署结果。
其中，由于数据是以网格为单位输入的，因此，可以在输入数据之后，根据输出的换电柜数值比例，确定当前网格的换电柜的部署结果。进而可以遍历所有的网格，以得到当前城市的换电柜的部署结果。
S140、根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。
可以根据换电柜的需求数量，例如，当前城市现阶段需要10000台换电柜，然后根据各个网格的换电布置数据，例如每个点位布置的数值比例，确定换电柜的部署结果。通过这样的设置，就可以科学的对换电柜的部署位置以及部署方式进行确认，避免因为人为部署，与实际的使用需求存在偏差，不利于对所部属的换电柜的使用效率的提升。
在上述各技术方案的基础上，在所述根据所述网格中训练样本的特征数据对构建的初始模型进行训练之前，所述方法还包括：
获取网格中的地图分类信息；
提取网格中地图分类信息中数量满足预设条件的目标信息分类，作为网格的特征数据。
其中，地图分类信息可以是根据地图数据中，各个网格中各种建筑物或者场所的分类信息。例如，在当前网格内存在1个学校，10个餐厅，3个写字楼。地图分类信息可以包括共160多个分类结果。分类信息的划分方式可以是预先设定的，可以通过读取地图数据中的内容来确定地图中各个位置的场所类型，再根据预先确定的划分方式进行划分。在确定各个网格中的地图分类信息之后，可以将当前城市中网格中某一地图分类信息数量从多到少的顺序进行排序，确定数量超过当前分类信息的预设数值的，作为有价值的特征，从而可以确定各个网格中地图分类信息的这一特征。例如所有网格中，写字楼的数量是有多有少的，我们可以以写字楼的数量中位数作为预设数值，超过中位数的认为是有效的，低于中位数的认为是没有意义的，那么超过中位数的，就在该网格中保留写字楼这一特征，低于中位数的可以不计算该网格中写字楼的这一特征，从而，可以实现对地图分类信息的筛选，确保实际使用的作为特征的地图分类信息的数量能够对助力车的使用起到作用。
本实施例提供的技术方案，若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；根据所述城市等级确定换电柜数量；获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。通过采用本方案，可以提高换电柜部署的效果。
在上述各技术方案的基础上，可选的，所述采用所述预测模型，确定输出的换电布置数据，包括：采用所述预测模型，确定输出的换电柜需求；对当前城市的网格按照预测结果进行排序，并根据各网格的预测结果，确定各网格的换电布置数据。其中，根据一个城市的预算，助力车的车辆数，当前城市的订单水平，换电柜的格口数，充电时常，估算一个城市在现阶段需要多少柜子总数。按照预测值的从大到小，分为4，3，2，1的比例来分配总的柜子。本方案通过这样的设置，可以充分利用模型对数据结果预测的准确性，同时模型可以逐渐的迭代更新，提高对换电需求的预测结果的准确性。
本方案中，可以是按照面积的大小，以及按照各个行政区块的大小进行划分。例如以道路划分。其中网格特征数据，可以是表现出当前网格的一定特征信息的数据。
在本实施例中，可选的，根据预设地理空间分割规则，得到地理空间分割后的网格，包括：
根据geohash方法得到地理空间分割后的网格。
其中，geohash的最简单的解释就是：将一个经纬度信息，转换成一个可以排序，可以比较的字符串编码。
geohash有以下几个特点：
首先，geohash用一个字符串表示经度和纬度两个坐标。某些情况下无法在两列上同时应用索引，利用geohash，只需在一列上应用索引即可。
其次，geohash表示的并不是一个点，而是一个矩形区域。比如编码wx4g0ec19，它表示的是一个矩形区域。使用者可以发布地址编码，既能表明自己位于例如北海公园附近，又不至于暴露自己的精确坐标，有助于隐私保护。
第三，编码的前缀可以表示更大的区域。例如wx4g0ec1，它的前缀wx4g0e表示包含编码wx4g0ec1在内的更大范围。这个特性可以用于附近地点搜索。首先根据用户当前坐标计算geohash(例如wx4g0ec1)然后取其前缀进行查询(SELECT*FROM place WHERE geohashLIKE'wx4g0e％')，即可查询附近的所有地点。
本方案，采用geohash比直接用经纬度，可以实现高效划分的目的。
在本实施例中，可选的，所述geohash方法的精度为geohash6。其中，geohash6可以表示6位编码的geohash方法，通过采用6位编码的geohash方法，可以更加高效。
在本实施例中，可选的，所述geohash方法的网格为长900米、宽600米的矩形网格。
可以理解的，通过geohash方法的分割，可以得到为长900米、宽600米的矩形网格。通过这样的设置，可以更加准确的实现对城市的网格划分。
图2是本申请实施例提供的换电柜的部署过程的示意图，如图2所示：
第一步：根据助力车的空间换电数据，和现有助力车订单数据，用户数据，地理位置数据，建立拟合关系，为了实现各个指标的数据同步，需要将地理空间进行分割。地理空间分割是采用geohash方法，精度是geohash6，网格的宽约900米，高约600米。可以理解的，图中的geohash7是与geohash6采用不同的粒度得到的结果。
在进行地理空间分割之后，将助力车的订单数据及用户数据打到网格上，实现网格数据的同步，同时将POI数据按照中类进行筛选，提取数量前160类，将每一类的数量当作一个特征，并与特定的geohash6网格进行关联。
由于不同等级的城市之间在需求，POI，订单等数据表现较大差异，需要按照一定的逻辑对城市进行分类，本发明中按照人口将城市分等级7类，每个等级城市分别获取上一个步骤的特征，进行模型训练。
采用机器学习模型，将上述160多个特征与换电数据进行关联并训练，最后保存各个等级的预测模型。
第二步，根据当前城市的投车预算，助力车的车辆数，当前城市的订单水平，换电柜的格口数，充电时长，估算当前城市在现阶段需要多少柜子总数。
第三步，按照预测值的从大到小，分为4，3，2，1的空间递减比例分配总的柜子。
最后，通过接口的形式暴露给相关的业务，实现实时请求实时回应的效果。
具体的，可以在前端设备输入相关的信息之后，通过接口的形式将运算结果返回给用户，以实现根据请求，可以实时返回目标城市的换电柜的部署结果的效果。
本发明的共享助力车换电柜智能选址充分考虑了用户订单，换电量，周围POI类别，换电柜的总量，换电柜的型号等因素，通过空间和规模这二者的关系，建立一定的标准参考，并通过模型训练，最后采用空间递减比例来布局换电柜的空间分布，为城市助力车换电选址提供了重要的技术支撑。
图3是本申请实施例提供的换电柜的部署装置的示意图，如图3所示，所述换电柜的部署装置包括：
城市等级确定模块310，用于若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；
换电柜数量确定模块320，用于根据所述城市等级确定换电柜数量；
换电布置数据输出模块330，用于获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；
部署结果确定模块340，用于根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。
进一步的，所述装置还包括：
预测模型选择模块，用于根据所述城市等级，以及对各城市等级预先训练得到的各城市等级的候选预测模型，确定所述预测模型。
可选的，所述装置还用于：
进一步的，所述预测模型的训练过程包括：
获取当前级别城市的换电数据、订单数据以及用户数据，作为训练样本；
根据预设地理空间分割规则，得到地理空间分割后的网格；并确定所述网格中训练样本的特征数据；
根据所述网格中训练样本的特征数据对构建的初始模型进行训练，得到预测模型。
进一步的，所述预测模型的输出结果包括：
所述网格中的换电柜数值比例。
进一步的，在所述根据所述网格中训练样本的特征数据对构建的初始模型进行训练之前，所述装置还用于：
获取网格中的地图分类信息；
提取网格中地图分类信息中数量满足预设条件的目标信息分类，作为网格的特征数据。
进一步的，所述确定所述网格中训练样本的特征数据，包括：
将所述订单数据以及用户数据映射至所述网格，以确定所述网格中训练样本的特征数据。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种换电柜的部署方法，该方法包括：
若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；
根据所述城市等级确定换电柜数量；
获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；
根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。
进一步的，在将所述特征数据输入至预测模型之前，所述方法还包括：
根据所述城市等级，以及对各城市等级预先训练得到的各城市等级的候选预测模型，确定所述预测模型。
进一步的，所述预测模型的训练过程包括：
获取当前级别城市的换电数据、订单数据以及用户数据，作为训练样本；
根据预设地理空间分割规则，得到地理空间分割后的网格；并确定所述网格中训练样本的特征数据；
根据所述网格中训练样本的特征数据对构建的初始模型进行训练，得到预测模型。
进一步的，所述换电布置数据包括：
所述网格中的换电柜数值比例。
进一步的，在所述根据所述网格中训练样本的特征数据对构建的初始模型进行训练之前，所述方法还包括：
获取网格中的地图分类信息；
提取网格中地图分类信息中数量满足预设条件的目标信息分类，作为网格的特征数据。
进一步的，所述确定所述网格中训练样本的特征数据，包括：
将所述订单数据以及用户数据映射至所述网格，以确定所述网格中训练样本的特征数据。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的换电柜的部署方法的操作，还可以执行本申请任意实施例所提供的换电柜的部署方法中的相关操作。
图4是本申请实施例提供的一种电子设备的结构示意图。下面参考图4，其示出了适于用来实现本申请实施例的电子设备400的结构示意图。本申请实施例中的电子设备可以是用来提供信息展示功能的电子设备。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他电子设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本申请实施例的方法中限定的上述功能。
需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行：
若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；
根据所述城市等级确定换电柜数量；
获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；
根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。
进一步的，在将所述特征数据输入至预测模型之前，所述方法还包括：
根据所述城市等级，以及对各城市等级预先训练得到的各城市等级的候选预测模型，确定所述预测模型。
进一步的，所述预测模型的训练过程包括：
获取当前级别城市的换电数据、订单数据以及用户数据，作为训练样本；
根据预设地理空间分割规则，得到地理空间分割后的网格；并确定所述网格中训练样本的特征数据；
根据所述网格中训练样本的特征数据对构建的初始模型进行训练，得到预测模型。
进一步的，所述换电布置数据包括：
所述网格中的换电柜数值比例。
进一步的，在所述根据所述网格中训练样本的特征数据对构建的初始模型进行训练之前，所述方法还包括：
获取网格中的地图分类信息；
提取网格中地图分类信息中数量满足预设条件的目标信息分类，作为网格的特征数据。
进一步的，所述确定所述网格中训练样本的特征数据，包括：
将所述订单数据以及用户数据映射至所述网格，以确定所述网格中训练样本的特征数据。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在乘客计算机上执行、部分地在乘客计算机上执行、作为一个独立的软件包执行、部分在乘客计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到乘客计算机，或者，可以连接到外部计算机。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种换电柜的部署方法，其特征在于，所述方法包括：
若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；
根据所述城市等级确定换电柜数量；
获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；
根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。
2.如权利要求1所述的方法，其特征在于，在将所述特征数据输入至预测模型之前，所述方法还包括：
根据所述城市等级，以及对各城市等级预先训练得到的各城市等级的候选预测模型，确定所述预测模型。
3.如权利要求2所述的方法，其特征在于，所述预测模型的训练过程包括：
获取当前级别城市的换电数据、订单数据以及用户数据，作为训练样本；
根据预设地理空间分割规则，得到地理空间分割后的网格；并确定所述网格中训练样本的特征数据；
根据所述网格中训练样本的特征数据对构建的初始模型进行训练，得到所述预测模型。
4.如权利要求3所述的方法，其特征在于，所述换电布置数据包括：
所述网格中的换电柜数值比例。
5.如权利要求4所述的方法，其特征在于，所述根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果的步骤，包括：
根据所述换电柜数量与所述网格中的换电柜数值比例，确定网格中的换电柜的部署结果；
遍历所有网格，以得到所述当前城市的换电柜的部署结果。
6.如权利要求3所述的方法，其特征在于，在所述根据所述网格中训练样本的特征数据对构建的初始模型进行训练之前，所述方法还包括：
获取网格中的地图分类信息；
提取网格中地图分类信息中数量满足预设条件的目标信息分类，作为网格的特征数据。
7.如权利要求3所述的方法，其特征在于，所述确定所述网格中训练样本的特征数据，包括：
将所述订单数据以及用户数据映射至所述网格，以确定所述网格中训练样本的特征数据。
8.一种换电柜的部署装置，其特征在于，所述装置包括：
城市等级确定模块，用于若检测到当前城市换电数据预测需求，则确定当前城市所属的城市等级；
换电柜数量确定模块，用于根据所述城市等级确定换电柜数量；
换电布置数据输出模块，用于获取所述当前城市的换电数据、订单数据以及用户数据，作为特征数据，并将所述特征数据输入至预测模型，确定输出的换电布置数据；
部署结果确定模块，用于根据所述换电柜数量与所述换电布置数据，确定换电柜的部署结果。
9.如权利要求8所述的装置，其特征在于，所述装置还包括：
预测模型选择模块，用于根据所述城市等级，以及对各城市等级预先训练得到的各城市等级的候选预测模型，确定所述预测模型。
10.一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如权利要求1-7中任一项所述的换电柜的部署方法。
11.一种电子设备，包括存储器，处理器及存储在所述存储器上并可在所述处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的换电柜的部署方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010902008.2A CN112069635B (zh) | 2020-09-01 | 2020-09-01 | 一种换电柜的部署方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010902008.2A CN112069635B (zh) | 2020-09-01 | 2020-09-01 | 一种换电柜的部署方法、装置、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112069635A true CN112069635A (zh) | 2020-12-11 |
| CN112069635B CN112069635B (zh) | 2024-05-14 |
Family
ID=73666094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010902008.2A Active CN112069635B (zh) | 2020-09-01 | 2020-09-01 | 一种换电柜的部署方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069635B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112752292A (zh) * | 2020-12-29 | 2021-05-04 | 上海掌门科技有限公司 | 一种基于wifi热点进行城市等级预测的方法与设备 |
| CN113077181A (zh) * | 2021-04-22 | 2021-07-06 | 上海钧正网络科技有限公司 | 一种停车站点设置方法、装置、介质及电子设备 |
| CN116542005A (zh) * | 2023-07-06 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 基于深度学习的换电柜网络布局方法、系统、装置及介质 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120203726A1 (en) * | 2011-02-09 | 2012-08-09 | Diego Klabjan | Information systems and methods for deployment of charging infrastructure in support of electric vehicles |
| CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及系统 |
| CN103323225A (zh) * | 2013-06-21 | 2013-09-25 | 国家电网公司 | 一种气体绝缘配电柜机械强度预测装置及方法 |
| CN106980924A (zh) * | 2017-03-08 | 2017-07-25 | 蔚来汽车有限公司 | 基于需求预测的电动车充换电资源推荐方法及装置 |
| CN107025518A (zh) * | 2017-03-20 | 2017-08-08 | 中国电力科学研究院 | 一种电动汽车充电站规划方法及装置 |
| CN108229788A (zh) * | 2017-12-01 | 2018-06-29 | 国网北京市电力公司 | 充换电站的布点方法及装置、存储介质、处理器 |
| CN207955390U (zh) * | 2018-03-19 | 2018-10-12 | 沈阳亚太顺和陶瓷技术有限公司 | 车用直流快充和交流慢充自动转换充电装置 |
| CN109583654A (zh) * | 2018-12-03 | 2019-04-05 | 北京科东电力控制系统有限责任公司 | 一种城市电动汽车公共充电网络分析方法及装置 |
| WO2019076069A1 (zh) * | 2017-10-20 | 2019-04-25 | 蔚来汽车有限公司 | 用于确定换电站电池充电策略的方法和装置 |
| CN110422148A (zh) * | 2019-08-02 | 2019-11-08 | 上海钧正网络科技有限公司 | 自动换电柜及换电方法和系统 |
| CN110579218A (zh) * | 2019-08-14 | 2019-12-17 | 深圳易马达科技有限公司 | 一种规划更换电池路径的方法及终端 |
| CN110619091A (zh) * | 2019-08-14 | 2019-12-27 | 深圳易马达科技有限公司 | 一种推荐换电柜的方法及终端设备 |
| CN110674988A (zh) * | 2019-09-23 | 2020-01-10 | 国网上海市电力公司 | 一种基于电动汽车出行大数据的城区充电站规划方法 |
| CN110889029A (zh) * | 2018-08-17 | 2020-03-17 | 北京京东金融科技控股有限公司 | 城市目标推荐方法和装置 |
| CN111105564A (zh) * | 2019-09-30 | 2020-05-05 | 上海钧正网络科技有限公司 | 车辆共享电池更换方法、装置、计算机设备和存储介质 |
| CN111098749A (zh) * | 2019-09-30 | 2020-05-05 | 上海钧正网络科技有限公司 | 电池更换方法、装置、计算机设备和计算机可读存储介质 |
| CN111210158A (zh) * | 2020-01-14 | 2020-05-29 | 上海钧正网络科技有限公司 | 目标地址确定方法、装置、计算机设备和存储介质 |
| CN111488213A (zh) * | 2020-04-16 | 2020-08-04 | 中国工商银行股份有限公司 | 容器部署方法及装置、电子设备和计算机可读存储介质 |
| CN111598261A (zh) * | 2020-04-13 | 2020-08-28 | 安徽正兴和光电科技有限公司 | 一种基于云计算的电网维护管理系统 |
-
2020
- 2020-09-01 CN CN202010902008.2A patent/CN112069635B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120203726A1 (en) * | 2011-02-09 | 2012-08-09 | Diego Klabjan | Information systems and methods for deployment of charging infrastructure in support of electric vehicles |
| CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及系统 |
| CN103323225A (zh) * | 2013-06-21 | 2013-09-25 | 国家电网公司 | 一种气体绝缘配电柜机械强度预测装置及方法 |
| CN106980924A (zh) * | 2017-03-08 | 2017-07-25 | 蔚来汽车有限公司 | 基于需求预测的电动车充换电资源推荐方法及装置 |
| CN107025518A (zh) * | 2017-03-20 | 2017-08-08 | 中国电力科学研究院 | 一种电动汽车充电站规划方法及装置 |
| WO2019076069A1 (zh) * | 2017-10-20 | 2019-04-25 | 蔚来汽车有限公司 | 用于确定换电站电池充电策略的方法和装置 |
| CN108229788A (zh) * | 2017-12-01 | 2018-06-29 | 国网北京市电力公司 | 充换电站的布点方法及装置、存储介质、处理器 |
| CN207955390U (zh) * | 2018-03-19 | 2018-10-12 | 沈阳亚太顺和陶瓷技术有限公司 | 车用直流快充和交流慢充自动转换充电装置 |
| CN110889029A (zh) * | 2018-08-17 | 2020-03-17 | 北京京东金融科技控股有限公司 | 城市目标推荐方法和装置 |
| CN109583654A (zh) * | 2018-12-03 | 2019-04-05 | 北京科东电力控制系统有限责任公司 | 一种城市电动汽车公共充电网络分析方法及装置 |
| CN110422148A (zh) * | 2019-08-02 | 2019-11-08 | 上海钧正网络科技有限公司 | 自动换电柜及换电方法和系统 |
| CN110579218A (zh) * | 2019-08-14 | 2019-12-17 | 深圳易马达科技有限公司 | 一种规划更换电池路径的方法及终端 |
| CN110619091A (zh) * | 2019-08-14 | 2019-12-27 | 深圳易马达科技有限公司 | 一种推荐换电柜的方法及终端设备 |
| CN110674988A (zh) * | 2019-09-23 | 2020-01-10 | 国网上海市电力公司 | 一种基于电动汽车出行大数据的城区充电站规划方法 |
| CN111105564A (zh) * | 2019-09-30 | 2020-05-05 | 上海钧正网络科技有限公司 | 车辆共享电池更换方法、装置、计算机设备和存储介质 |
| CN111098749A (zh) * | 2019-09-30 | 2020-05-05 | 上海钧正网络科技有限公司 | 电池更换方法、装置、计算机设备和计算机可读存储介质 |
| CN111210158A (zh) * | 2020-01-14 | 2020-05-29 | 上海钧正网络科技有限公司 | 目标地址确定方法、装置、计算机设备和存储介质 |
| CN111598261A (zh) * | 2020-04-13 | 2020-08-28 | 安徽正兴和光电科技有限公司 | 一种基于云计算的电网维护管理系统 |
| CN111488213A (zh) * | 2020-04-16 | 2020-08-04 | 中国工商银行股份有限公司 | 容器部署方法及装置、电子设备和计算机可读存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112752292A (zh) * | 2020-12-29 | 2021-05-04 | 上海掌门科技有限公司 | 一种基于wifi热点进行城市等级预测的方法与设备 |
| CN112752292B (zh) * | 2020-12-29 | 2023-08-25 | 上海掌门科技有限公司 | 一种基于wifi热点进行城市等级预测的方法与设备 |
| CN113077181A (zh) * | 2021-04-22 | 2021-07-06 | 上海钧正网络科技有限公司 | 一种停车站点设置方法、装置、介质及电子设备 |
| CN113077181B (zh) * | 2021-04-22 | 2022-11-18 | 上海钧正网络科技有限公司 | 一种停车站点设置方法、装置、介质及电子设备 |
| CN116542005A (zh) * | 2023-07-06 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 基于深度学习的换电柜网络布局方法、系统、装置及介质 |
| CN116542005B (zh) * | 2023-07-06 | 2023-10-10 | 杭州宇谷科技股份有限公司 | 基于深度学习的换电柜网络布局方法、系统、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112069635B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Multiscale identification of urban functional polycentricity for planning implications: An integrated approach using geo-big transport data and complex network modeling | |
| CN112069635B (zh) | 一种换电柜的部署方法、装置、介质及电子设备 | |
| US9671237B1 (en) | Optimized generation of navigation instructions based on computed parking probability values | |
| Shen et al. | Discovering spatial and temporal patterns from taxi-based Floating Car Data: A case study from Nanjing | |
| EP3186662B1 (en) | Measuring traffic speed in a road network | |
| Zheng | Urban computing | |
| CN104508507A (zh) | 位置的自适应聚类 | |
| CN109887272A (zh) | 一种交通人流量的预测方法及装置 | |
| CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
| CN110362640B (zh) | 一种基于电子地图数据的任务分配方法及装置 | |
| Zou et al. | Estimation of travel time based on ensemble method with multi-modality perspective urban big data | |
| Bellini et al. | Real-time traffic estimation of unmonitored roads | |
| CN110555432A (zh) | 一种兴趣点处理方法、装置、设备和介质 | |
| Bandt et al. | Building a spatial decision support system for tourism and infrastructure planning: Τechnical solution and data integration challenges | |
| Berntzen et al. | Smart Cities, Big Data and Smart Decision-making-Understanding" Big Data" in Smart City Applications | |
| CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
| CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
| US11060879B2 (en) | Method, system, and computer program product for generating synthetic demand data of vehicle rides | |
| Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations | |
| CN116205370A (zh) | 一种基于地区大数据的电动汽车续航里程预测方法及装置 | |
| Duan et al. | Influence of the built environment on taxi travel demand based on the optimal spatial analysis unit | |
| CN115063175A (zh) | 店铺服务范围划定方法、系统、计算机设备及存储介质 | |
| Zhao et al. | Identifying the collaborative scheduling areas between ride-hailing and traditional taxi services based on vehicle trajectory data | |
| CN110177339B (zh) | 一种od矩阵构建方法及装置 | |
| CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 |
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 |