CN112418524A - 充电站可用状态的预测方法、装置、设备和存储介质 - Google Patents
充电站可用状态的预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112418524A CN112418524A CN202011324754.4A CN202011324754A CN112418524A CN 112418524 A CN112418524 A CN 112418524A CN 202011324754 A CN202011324754 A CN 202011324754A CN 112418524 A CN112418524 A CN 112418524A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- charging station
- user
- probability
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 230000003862 health status Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请公开了一种充电站可用状态的预测方法，预测方法包括：根据用户的充电请求获取预定范围内的充电站及充电站的数据，然后根据训练好的模型和数据预测充电站能够进行充电的概率，最后根据概率生成充电站推荐列表以供用户参考。本申请实施方式的预测方法，根据训练好的模型和数据预测充电站能够进行充电的概率，可以有效地为用户在搜索充电站时提供充电站的可用状态信息。进一步地，根据概率生成充电站推荐列表以供用户参考，便于用户根据推荐列表判断并选择最佳充电站前往充电，提升了用户的使用体验。本申请还公开了一种充电站可用状态的预测装置、设备和存储介质。
Description
技术领域
本申请涉及车辆技术领域，特别涉及一种充电站可用状态的预测方法、预测装置、预测设备和计算机存储介质。
背景技术
随着新能源汽车的普及，相关技术中，电动汽车的车主通过各种渠道搜索充电站时往往是在地图中搜索充电站点，然后导航前往以进行充电。然而，地图中并无充电桩可用状态的标记，甚至可能导致用户达到充电站后才发现该充电站内无充电桩可用，用户使用体验较差。如何及时有效地为用户在搜索阶段提供充电站的可用状态信息成为亟待解决的问题。
发明内容
有鉴于此，本申请的实施例提供了一种充电站可用状态的预测方法、预测装置、预测设备和计算机存储介质。
本申请提供了一种充电站可用状态的预测方法包括：
根据用户的充电请求获取预定范围内的充电站及所述充电站的数据；
根据训练好的模型和所述数据预测所述充电站能够进行充电的概率；和
根据所述概率生成充电站推荐列表以供用户参考。
在某些实施方法中，所述根据用户的充电请求获取预定范围内的充电站及所述充电站的数据包括：
根据预定条件将所述预定范围内的充电站划分为多个子集合；
所述根据训练好的模型和所述数据预测所述充电站能够进行充电的概率包括：
根据所述训练好的模型预测每个所述子集合中的充电站能够进行充电的概率；
所述根据所述概率生成充电站推荐列表以供用户参考包括：
对每个子集合中的充电站根据所述概率的预测结果进行排序以生成所述推荐列表。
在某些实施方法中，所述根据用户的充电请求获取预定范围内的充电站及所述充电站的数据包括：
根据用户的充电请求获取所述数据并对所述数据进行预处理以得到检测数据。
在某些实施方法中，所述数据包括车辆充电数据和充电站数据，所述根据用户的充电请求获取所述数据并对所述数据进行预处理以得到检测数据包括：
对所述充电站数据进行去重和筛选处理；
对处理后的充电站数据和所述车辆充电数据进行特征提取以得到所述检测数据。
在某些实施方法中，所述预测方法还包括：
监控用户根据所述推荐列表选择的充电站内充电桩的占用状态；
若所述充电桩全部处于被占用状态，发出提示信息以对用户进行预警提示。
在某些实施方法中，所述预测方法还包括：
根据梯度下降树算法和逻辑回归分析建立所述模型；
利用充电站的历史数据对所述模型进行训练以得到所述训练好的模型。
在某些实施方法中，所述预测方法还包括：
周期性获取预设时间内充电站的车辆充电数据和充电站数据并对所述车辆充电数据和充电站数据进行预处理以得到训练数据；
根据所述训练数据对所述训练好的模型进行再训练和测试；
根据测试结果对所述训练好的模型进行更新。
本申请还提供了一种充电站可用状态的预测装置包括：
获取模块，用于根据用户的充电请求获取预定范围内的充电站及所述充电站的数据；
预测模块，用于根据训练好的模型和所述数据预测所述充电站能够进行充电的概率；和
处理模块，用于根据所述概率生成充电站推荐列表以供用户参考。
本申请还提供了一种充电站可用状态的预测设备，所述设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的充电站可用状态的预测方法。
本申请还提供了一种计算机程序的非易失性计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，实现所述的充电站可用状态的预测方法。
本申请实施方式的充电站可用状态的预测方法、预测装置、预测设备和计算机存储介质，根据用户的充电请求获取预定范围内的充电站及充电站的数据，然后根据训练好的模型和数据预测充电站能够进行充电的概率，可以有效地为用户在搜索充电站时提供充电站的可用状态信息。进一步地，根据概率生成充电站推荐列表以供用户参考，便于用户根据推荐列表判断并选择最佳充电站前往充电，提升了用户的使用体验。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解。
图1是本申请某些实施方法充电站可用状态的预测方法流程示意图；
图2是本申请某些实施方法充电站可用状态的预测装置模块图；
图3是本申请某些实施方式的充电站可用状态的预测设备模块示意图；
图4是本申请某些实施方式的存储介质与处理器连接的模块示意图；
图5是本申请某些实施方法充电站可用状态的预测方法流程示意图；
图6是本申请某些实施方法充电站可用状态的预测方法流程示意图；
图7是本申请某些实施方法充电站可用状态的预测方法流程示意图；
图8是本申请某些实施方法充电站可用状态的预测方法流程示意图；
图9是本申请某些实施方法充电站可用状态的预测方法流程示意图；
图10是本申请某些实施方法充电站可用状态的预测方法流程示意图；
图11是本申请某些实施方法充电站可用状态的预测方法建模流程示意图；
图12是本申请某些实施方法充电站可用状态的预测方法推荐列表示意图。
具体实施方法
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
请参阅图1，一种充电站可用状态的预测方法，包括：
S10：根据用户的充电请求获取预定范围内的充电站及充电站的数据；
S20：根据训练好的模型和数据预测充电站能够进行充电的概率；
S30：根据概率生成充电站推荐列表以供用户参考。
请参阅图2，本申请实施方式还提供了一种充电站可用状态的预测装置100，本申请实施方式的充电站可用状态的预测方法可以由充电站可用状态的预测装置100实现。充电站可用状态的预测装置100包括获取模块110、预测模块120和处理模块130。S10可以由获取模块110实现，S20可以由预测模块120实现。S30可以由处理模块130实现。或者说，获取模块110用于根据用户的充电请求获取预定范围内的充电站及充电站的数据。预测模块120用于根据训练好的模型和数据预测充电站能够进行充电的概率。处理模块130用于根据概率生成充电站推荐列表以供用户参考。
请参阅图3，本申请实施方法还提供了一种充电站可用状态的预测设备200，预测设备200包括一个或者多个处理器20、存储器30；和一个或多个程序32，其中一个或多个程序32被存储在存储器30中，并且被一个或多个处理器20执行，程序32被处理器20执行上述充电站可用状态的预测方法的指令。
请参阅图4，本申请实施方式还提供了一种非易失性计算机可读存储介质40，可读存储介质40存储有计算机程序42，当计算机程序42被一个或多个处理器20执行时，使得处理器20执行上述的充电站可用状态的预测方法。
在一些实施方式中，预测设备200可以是手机、电脑等。
在一些实施方式中，预测装置100可以是预测设备200的一部分。或者说，预测设备200包括预测装置100。
在一些实施方式中，预测装置100可以是一定方式组装以具有前述功能的分立元件、或者是以集成电路形式存在具有前述功能的芯片、又或者是在计算机上运行时使得计算机具有前述功能的计算机软件代码段。
在一些实施方式中，作为硬件，预测装置100可以是独立或者作为额外增加的外围元件加装到计算机或者计算机系统。预测装置100也可以集成到计算机或者计算机系统，例如，预测装置100是预测设备200的一部分时，预测装置100可以集成到处理器20上。
在一些预测装置100是预测设备200的一部分的实施方式中，作为软件，预测装置100对应的代码段可以存储于存储器30上通过处理器20执行实现前述功能。或者说预测装置100包括前述的一个或多个程序，又或者说前述的一个或多个程序包括检测装置10。
在一些实施方式中，计算机可读存储介质40可以是内置在预测设备200的存储介质，例如可以是存储器30，也可以是能够插拔地插接在预测设备200的存储介质，例如SD卡等。
请进一步结合图3，在一些实施方式中，预测设备200还可以包括通信模块50，预测设备200通过通信模块50将预测处理完成的数据输出，和/或，从外部设备获取预测设备200将要处理的数据，例如，通信模块50与多辆车辆进行无线通信时从多辆车辆中获取到车辆充电相关的车辆数据和充电站数据，或者，通信模块50从服务器中获取所有相关的车辆充电相关的车辆数据和充电站数据。
随着新能源汽车的普及，越来越多的电动汽车投入生产使用。电车车主通过各种渠道搜索充电站来给电动汽车充电是电动汽车一项重要的日常行为。同时也有越来越多的停车场、加油站或服务区设立了充电站，站内有一个到多个充电桩以方便电动汽车充电。
当电车车主(下称为用户)需要给电动汽车充电时，会利用智能设备或车载导航等工具搜索充电站，当接收到搜索请求时，本实施方式可选取预定范围内的充电站来进行搜索并获取充电站以及充电站的数据。此处的选取方式可采用位置服务相关算法如GeoHash算法。GeoHash算法可以将二维的经纬度转换成字符串，通过GeoHash算法可以有效计算出距离车辆当前位置的距离范围。而预定范围是可预设的值，单位是长度单位如公里。例如选取当前车辆周围20公里范围内的充电站作为候选集充电站来进行搜索。
如此，通过预设选取范围可以提供有效范围内的充电站给用户，同时也可减轻过大范围内数据库的搜索量。
进一步地，当对预定范围内的充电站搜索完成后，将搜索出的充电站列入候选集充电站，并对候选集充电站的数据进行下一步处理。此处的数据包括但不限于充电站静态和实时的数据以及充电站的车辆充电数据。其中，充电站的静态数据包括充电站点的位置信息如经纬度、快慢充电桩数量等。充电站的实时数据包括充电启动成功与否、空闲快慢充电桩数量等。充电站的车辆充电数据则包括在此充电站进行充电操作的车辆相关数据及充电状态等相关信息，例如充电站在历史时间内成功充电的次数、充电车辆数、充电的度数时长等。
当获取了候选集充电站的数据后，可利用机器学习模型对数据进行相应处理及计算，从而预测出候选集充电站当前能够成功充电的概率。其中，模型是指用于对检测数据进行计算并预测的一种机器学习模型，通过大量的充电站的历史车辆充电数据和充电站历史数据训练而形成。历史的数据来源于各充电桩大量的真实充电站的数据样本。其中，充电站的历史车辆充电数据包括了在此充电站进行历史充电操作的车辆相关数据及充电状态相关信息。例如充电站在历史时间内成功充电的次数、充电车辆数、充电的度数时长等。而充电站历史数据则包含了充电站的历史静态数据和历史实时数据。充电站的历史静态数据包括充电站点的位置信息如经纬度、快慢充电桩(按照功率大小来定义充电速度的快慢)数量等。充电站的历史实时数据则包括历史当前充电启动成功与否、历史当前空闲快慢充电桩数量等。
具体地，当实时的充电站车辆充电数据和充电站数据数据输入模型后，模型会利用相关算法计算预测出该充电站能够进行充电的概率。比如充电站S1经过模型预测后可成功充电的概率为80％。需要说明的是，用户每一次搜索都会对充电站能够进行充电的概率重新进行实时的计算预测。
进一步地，可根据模型预测的概率生成充电站推荐列表以供用户参考，例如生成一个界面显示的列表返回给用户。其中，列表包括但不限于充电站名称、当前可用充电桩数量、与当前位置距离范围，及此充电站当前可成功充电的概率。例如，充电站名称“建国门大厦地下停车场负3楼充电站”、当前可用充电桩数量“5”、与当前位置距离范围“3.5km”，此充电站当前可成功充电的概率“100％”。如此，用户可以根据成功率的排序从高到低，再结合距离远近或者个人喜好等综合因素有效地选择最佳的充电站导航前往充电。此处，对于概率的进一步理解，如当概率＝100％时，此充电站有空闲且有效的充电桩可以充电。而当概率<100％，则可能是因为当前充电站的充电桩一部分已经被占用，或有无法成功充电的历史等因素，会导致此充电站可能无法成功充上电。例如，请参阅图10，推荐列表中可包括但不限于“充电站”，用来列出充电站的具体站点名称，“距离”列出此充电站与当前位置的距离长度，“成功充电概率”列出模型计算预测出的此充电站当前可以成功充电的概率，“可用充电桩”表示此充电站内可用的充电桩数量。而“筛选”则可以按照距离范围排序如0-6km，6-12km，及12-20km或者按照成功充电概率来排序等供用户进行选择筛选，距离范围仅为示意性说明，不构成对本申请的限制。如图12所示，当前显示为按照距离从近到远排列。根据各充电站对应的距离和成功充电概率，充电站1距离当前位置500m，有足够的可用充电桩，且概率为100％，用户可以得到充电站1是距离当前位置最近的可以成功充电概率最高的充电站，通过相应界面操作即可导航前往。更进一步地，亦可在界面的推荐列表上对概率进行相应的提示，如“按照成功充电的概率从大到小进行选择”。
综上所述，本申请实施方式的充电站可用状态的预测方法、预测装置、预测设备和计算机存储介质，根据用户的充电请求获取预定范围内的充电站及充电站的数据，及根据训练好的模型和数据预测充电站能够进行充电的概率，可以有效地为用户在搜索充电站时提供充电站的可用状态信息。进一步地，根据概率生成充电站推荐列表以供用户参考，便于用户根据推荐列表判断并选择最佳充电站前往充电，提升了用户的使用体验。
请参阅图5，在某些实施方法中，S10包括：
S101：根据预定条件将预定范围内的充电站划分为多个子集合；
S102：根据模型预测每个子集合中的充电站能够进行充电的概率；
S103：对每个子集合中的充电站根据概率的预测结果进行排序以生成推荐列表。
在某些实施方法中，处理器20用于根据预定条件将预定范围内的充电站划分为多个子集合，及根据模型预测每个子集合中的充电站能够进行充电的概率，以及对每个子集合中的充电站根据概率的预测结果进行排序以生成推荐列表。
在某些实施方法中，S101可以由获取模块110实现，S102可以由预测模块120实现，S103可以由处理模块130实现。或者说，获取模块110用于根据预定条件将预定范围内的充电站划分为多个子集合，预测模块120用于根据模型预测每个子集合中的充电站能够进行充电的概率，处理模块130用于对每个子集合中的充电站根据概率的预测结果进行排序以生成推荐列表。
具体地，当用户搜索充电站时，可利用位置服务相关算法如GeoHash算法选取预定范围内的充电站来进行搜索。例如预定范围为20公里，选取用户当前位置周围20公里的充电站作为候选集，然后将此候选集划分为多个子集合，例如将20公里划分为三个子集合，分别是0-6公里、6-12公里、及12-20公里。
进一步地，模型可按照距离远近顺序，对每个子集合中的充电站进行成功充电的概率预测。例如，用户当前位置O距离20km(公里)范围内有充电站S1(S1-O＝7km)、充电站S2(S2-O＝2km)、充电站S3(S3-O＝10km)、充电站S4(S4-O＝11km)、充电站S5(S5-O＝15km)、充电站S6(S6-O＝1km)、充电站S7(S7-O＝16km)及充电站S8(S8-O＝6km)。其中S1-O＝7km表示充电站S1距离用户当前位置O的距离为7公里，同理其余充电站。那么按照子集合的划分可以将此8个充电站划分为子集合1(0-6公里)包含S2、S6及S8，子集合2(6-12公里)包含S1、S3及S4，子集合3(12-20公里)包含S5和S7。模型预测会根据子集合的划分进行顺序预测，即先后顺序为S6、S2、S8、S1、S3、S4、S7、S5。当计算预测出充电站成功充电的概率后，同一子集合内的站点按照该概率进行排序，最终三个子集合的站点有序地合并在一起形成最终的推荐列表。可按照概率进行第一排序，其次按照距离进行第二排序，或者按照概率和距离进行综合排序。
请参阅图6，在某些实施方法中，S10还包括：
S104：根据用户的充电请求获取数据并对数据进行预处理以得到检测数据。
在某些实施方法中，处理器20用于根据用户的充电请求获取数据并对数据进行预处理以得到检测数据。
在某些实施方法中，S104可以由获取模块110实现。或者说，获取模块110用于根据用户的充电请求获取数据并对数据进行预处理以得到检测数据。
具体地，当前的充电站数据获取渠道较多，获取出来的充电站及其数据有很多问题，其中包括故障的充电站、异常的数据、或重复的数据等。而这些数据如果直接进入模型预测会影响预测的准确率及效率。如此，通过对获取的数据做一个预先处理，可以提高模型的准确率及减少运算量。
请参阅图7，在某些实施方法中，S104包括：
S1041：对充电站数据进行去重和筛选处理；
S1042：对处理后的充电站数据和车辆充电数据进行特征提取以得到检测数据；
在某些实施方法中，处理器20用于对充电站数据进行去重和筛选处理，以及对处理后的充电站数据和车辆充电数据进行特征提取以得到检测数据。
在某些实施方法中，S1041及S1042可以由获取模块110实现。或者说，获取模块110用于对充电站数据进行去重和筛选处理，以及对处理后的充电站数据和车辆充电数据进行特征提取以得到检测数据。
具体地，在获取数据后，对所获取的数据做预处理，预处理包括但不限于对对充电站数据进行去重、筛选以及对处理后的充电站数据和车辆充电数据进行特征提取。
可以理解地，由于当前的充电站数据获取渠道较多，获取的充电站数据往往存在各种异常状态的问题，如充电站属性的值明显异常或者字段缺失较多，距离上偏移很大的充电站，及发生故障或者不对外开放的充电站等。其中，属性值明显异常可包括位置信息的经度、纬度不在中国范围内，或者经度取值不在-180°至180°范围内、和或纬度不在-90°至90°范围内等。另外，一个充电站有很多个字段包括地址、名称、经纬度、充电桩数量、价格等，若超过60％的字段缺失则可认为字段缺失较多。数据进行预处理时，对于属性的值明显异常或者字段缺失较多的充电站会直接从获取的充电站候选集中删除。对于距离上偏移很大的站点，利用充电站的中文地址反查位置信息的经纬度，并计算该经纬度与充电站数据中自带的经纬度的距离，如果距离差异较大如超出1公里范围，则从获取的充电站候选集中删除。同理，对于发生故障或者不对外开放的充电站，也从获取的充电站候选集中删除。
除了充电站数据的异常状态问题，获取的数据往往还存在重复的问题，很多有不同信息的充电站数据可能指向的是同一个充电站。对于这种可能存在重复充电站的情况，预处理时会利用站点的经纬度、充电站名和站点地址等数据进行分析处理。如果多个不同信息的充电站属于同一个充电站，则保留一个充电站数据，其余重复的从获取的充电站候选集中删除。反之如果多个不同信息的充电站经过分析后确是不同的充电站，则可对充电站信息进行相应补充并保留在候选集中。
如此，对获取数据进行筛选和去重，减少了后续的数据处理量，提升了数据处理效率，并且，有助于后续建模过程中减少过拟合的现象，提高预测精度。
进一步地，对筛选和去重处理后的充电站数据以及充电站的车辆充电数据进行特征提取，如此可得到用于后续模型预测的检测数据。其中，对充电站的车辆充电数据的特征提取包括但不限于充电站在历史时间内如近180、90、30、7、3天成功充电的次数、充电车辆数、充电的度数、充电的时长、出现充电相关故障信号的车辆PV数也即是当天在此充电站充电的所有车次总数、UV数也即是当天在此充电站充电的不同车辆总数及比例，历史时间内如近180、90、30、7、3天所有用户利用车载地图导航前往充电站并成功充上电的次数与比例等。而对处理后的充电站数据的特征提取包括但不限于充电站的静态数据及实时数据。其中充电站的静态数据的特征提取包括但不限于充电站位置信息的经纬度、快慢充电桩数量等。充电站的实时数据包括但不限于充电桩状态跳变、启动成功与否、空闲的快慢充电桩数量、心跳等实时数据，据此进行特征提取出历史时间内如近180、90、30、7、3天站点的启动成功率、空闲率、占用率、离线率等。
如此，对筛选和去重处理后的充电站数据以及充电站的车辆充电数据进行特征提取后，可得到用于后续模型预测的输入变量即检测数据。
请参阅图8，在某些实施方法中，充电站可用状态的预测方法还包括：
S40：监控用户根据推荐列表选择的充电站内充电桩的占用状态；
S50：若充电桩全部处于被占用状态，发出提示信息以对用户进行预警提示。
在某些实施方法中，处理器20用于监控用户根据推荐列表选择的充电站内充电桩的占用状态，若充电桩全部处于被占用状态，发出提示信息以对用户进行预警提示。
在某些实施方法中，S40和S50可以由处理模块130实现。或者说，处理模块130用于监控用户根据推荐列表选择的充电站内充电桩的占用状态，若充电桩全部处于被占用状态，发出提示信息以对用户进行预警提示。
具体地，当用户从推荐列表中选择了某充电站并前往充电时，可自动开启对用户选择的充电站的实时状态进行监控，监控内容可包括充电站内充电桩的占用状态包括空闲充电桩数量等信息，直至用户到达充电站并开始充电。在此过程中，一旦检测到该充电站点所有充电桩全部被占用，会对用户进行预警提示，例如进行语音播报，提醒用户谨慎前往。
如此，通过实时监控可以进一步保障用户能够在前往充电的途中也可以获取所选充电站的充电桩占用状态，如果该充电站点所有充电桩全部被占用，用户收到提示后可重新进行搜索选择下一个合适的充电站。从而使得用户从搜索到成功充上电的整个过程可以得到更大限度地保障，进一步提升用户的体验。
请参阅图9，在某些实施方法中，充电站可用状态的预测方法还包括：
S60：根据梯度下降树算法和逻辑回归分析建立模型；
S70：利用充电站的历史数据对模型进行训练以得到训练好的模型。
在某些实施方法中，处理器20用于根据梯度下降树算法和逻辑回归分析建立模型，及利用充电站的历史数据对模型进行训练以得到训练好的模型。
在某些实施方法中，S60和S70可以由预测模块120实现。或者说，预测模块120用于根据梯度下降树算法和逻辑回归分析建立模型，及利用充电站的历史数据对模型进行训练以得到训练好的模型。
本实施方式中，采用机器学习建模来建立模型对充电站能够进行充电的概率进行预测。用机器学习建模对数据进行相应处理及计算，从而预测出各充电站当前能够成功充电的概率。所述的模型可包括人工智能技术中用于对检测数据进行计算并预测的机器学习模型，通过大量的充电站的历史车辆充电数据和充电站历史数据训练而形成。
具体地，可通过梯度下降树算法(Gradient Boost Decision Tree,GBDT)得到概率模型，梯度下降树算法是一种通过采用加法模型(即基函数的线性组合)，以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法，用于对真实分布拟合。然后从生成的多棵树中提取出区分性较强的组合特征，再将这些组合特征与原先那些单一特征融合，最后用逻辑回归分析(Logistic Regression，LR)拟合这些样本和特征。即通过GBDT作为树模型具有的路径去构建组合特征，并将组合特征作为LR的输入，从而达到GBDT+LR的融合使用。
请参阅图9，在建模阶段，以用户发起导航前往充电站这一事件作为样本，模型会采集大量的充电站的历史车辆充电数据和充电站历史数据，然后对充电站的数据进行筛选和去重预处理。将采集的充电站的历史车辆充电数据和预处理后的充电站数据作为训练数据进行特征提取，这些特征作为输入变量导入GBDT+LR方法进行机器学习建模。进一步，在模型的训练阶段，将大量真实的训练数据导入到通过梯度下降树算法构建的概率模型中，进行训练以对概率模型不断进行完善，同时会利用部分真实的训练数据对训练好的模型进行测试。例如对于充电站上传的数据，预处理后会抽取70％的数据用做模型训练，30％的数据用做模型测试。如果测试通过，该模型成为持久化存储模型即训练好的模型，反之如果不通过，则继续训练直至测试通过。如此，后续能够使用该训练好的模型来实际预测充电站能够进行充电的概率。
请参阅图10，在某些实施方法中，充电站可用状态的预测方法还包括：
S80：周期性获取预设时间内充电站的车辆充电数据和充电站数据并对车辆充电数据和充电站数据进行预处理以得到训练数据；
S90：根据训练数据对训练好的模型进行再训练和测试；
S100：根据测试结果对训练好的模型进行更新。
在某些实施方法中，处理器20用于周期性获取预设时间内充电站的车辆充电数据和充电站数据并对车辆充电数据和充电站数据进行预处理以得到训练数据，及根据训练数据对训练好的模型进行再训练和测试，以及根据测试结果对训练好的模型进行更新。
在某些实施方法中，S80、S90及S100可以由预测模块120实现。或者说，预测模块120用于周期性获取预设时间内充电站的车辆充电数据和充电站数据并对车辆充电数据和充电站数据进行预处理以得到训练数据，及根据训练数据对训练好的模型进行再训练和测试，以及根据测试结果对训练好的模型进行更新。
需要说明的是，预设时间是指处理器预先设定好的时间，预设时间可定义为7天、15天或30天甚至更久，也即是，预设时间的设定不设限制。周期时长可以与预设时间相同也可不同，例如，预设时间为7天，周期时长也为7天，则每隔七天，则获取在七天内获取的所有车辆充电相关的历史使用数据。
具体地，本实施方式中对持久化存储模型即训练好的模型进行周期性的更新，对预定时间内所有的车辆充电数据和充电站数据进行筛选以及特征提取处理从而得到检测数据。然后根据测试数据对模型进行周期性的再训练和测试，得到新的持久化存储模型模型。模型的训练过程同建模过程，请参阅图11。得到新的训练好的模型后，对原有模型进行替换得到更新的模型并持久化存储。例如，充电站的数据可每时每刻自动上传，然后每隔预设时间如7天，在已有训练好的模型M1的同时，本实施方式会对过去7天的数据进行处理，并抽取70％的数据做模型再训练，30％的数据做新模型测试，当再次训练好的模型M2通过测试后，会用M2替换M1进行实际预测并持久化存储。到预设时间周期7天后再进行下一轮模型更新训练。
如此，当充电站或环境因素变化时，通过模型的不断更新训练可以提高模型预测的准确率。
综上所述，本申请实施方式的充电站可用状态的预测方法、预测装置、预测设备和计算机存储介质，根据用户的充电请求获取预定范围内的充电站及充电站的数据，通过在预定范围内进行子集合的划分可以对充电站进行距离上的划分。进一步地，根据训练好的模型和数据预测充电站能够进行充电的概率，此概率从人工智能模型数据计算预测上为用户提供了较为准确的充电站可用状态的信息。最终根据概率生成充电站推荐列表以供用户参考，以及对用户根据推荐列表选择的充电站内充电桩的占用状态进行监控，使得用户可以更有效地判断并选择最佳充电站前往充电，从而有效地保障了用户从搜索到前往充电进行成功充电的整个过程，进一步提升了用户的使用体验。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所申请的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上实施例仅表达了本申请的几种实施方法，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种充电站可用状态的预测方法，其特征在于，包括：
根据用户的充电请求获取预定范围内的充电站及所述充电站的数据；
根据训练好的模型和所述数据预测所述充电站能够进行充电的概率；和
根据所述概率生成充电站推荐列表以供用户参考。
2.根据权利要求1所述的预测方法，其特征在于，所述根据用户的充电请求获取预定范围内的充电站及所述充电站的数据包括：
根据预定条件将所述预定范围内的充电站划分为多个子集合；
所述根据训练好的模型和所述数据预测所述充电站能够进行充电的概率包括：
根据所述训练好的模型预测每个所述子集合中的充电站能够进行充电的概率；
所述根据所述概率生成充电站推荐列表以供用户参考包括：
对每个子集合中的充电站根据所述概率的预测结果进行排序以生成所述推荐列表。
3.根据权利要求1所述的预测方法，其特征在于，所述根据用户的充电请求获取预定范围内的充电站及所述充电站的数据还包括：
根据用户的充电请求获取所述数据并对所述数据进行预处理以得到检测数据。
4.根据权利要求3所述的预测方法，其特征在于，所述数据包括车辆充电数据和充电站数据，所述根据用户的充电请求获取所述数据并对所述数据进行预处理以得到检测数据包括：
对所述充电站数据进行去重和筛选处理；
对处理后的充电站数据和所述车辆充电数据进行特征提取以得到所述检测数据。
5.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
监控用户根据所述推荐列表选择的充电站内充电桩的占用状态；
若所述充电桩全部处于被占用状态，发出提示信息以对用户进行预警提示。
6.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
根据梯度下降树算法和逻辑回归分析建立所述模型；
利用充电站的历史数据对所述模型进行训练以得到所述训练好的模型。
7.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
周期性获取预设时间内充电站的车辆充电数据和充电站数据并对所述车辆充电数据和充电站数据进行预处理以得到训练数据；
根据所述训练数据对所述训练好的模型进行再训练和测试；
根据测试结果对所述训练好的模型进行更新。
8.一种充电站可用状态的预测装置，其特征在于，包括：
获取模块，用于根据用户的充电请求获取预定范围内的充电站及所述充电站的数据；
预测模块，用于根据训练好的模型和所述数据预测所述充电站能够进行充电的概率；和
处理模块，用于根据所述概率生成充电站推荐列表以供用户参考。
9.一种充电站可用状态的预测设备，其特征在于，所述设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1-7任一项所述的充电站可用状态的预测方法。
10.一种计算机程序的非易失性计算机可读存储介质，其特征在于，当所述计算机程序被一个或多个处理器执行时，实现权利要求1-7任一项所述的充电站可用状态的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324754.4A CN112418524A (zh) | 2020-11-23 | 2020-11-23 | 充电站可用状态的预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324754.4A CN112418524A (zh) | 2020-11-23 | 2020-11-23 | 充电站可用状态的预测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418524A true CN112418524A (zh) | 2021-02-26 |
Family
ID=74778147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011324754.4A Pending CN112418524A (zh) | 2020-11-23 | 2020-11-23 | 充电站可用状态的预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418524A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113320427A (zh) * | 2021-08-03 | 2021-08-31 | 车主邦（北京）科技有限公司 | 一种节能减排的充电导航方法及装置 |
| CN113505151A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦（北京）科技有限公司 | 一种节能减排的充电站显示方法及电子设备 |
| CN113808289A (zh) * | 2021-09-15 | 2021-12-17 | 上海氢巅能源信息科技有限公司 | 基于分布式能源服务图的充电停车方法和存储介质 |
| WO2023087108A1 (en) * | 2021-11-17 | 2023-05-25 | Datametrex Electric Vehicle Solutions Inc. | Systems, methods, and devices for determining optimal electric car charging stations |
| US11913797B2 (en) | 2021-11-18 | 2024-02-27 | Honda Motor Co., Ltd. | Systems and methods for selecting a charging entity based on occupancy status |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2020
- 2020-11-23 CN CN202011324754.4A patent/CN112418524A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505151A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦（北京）科技有限公司 | 一种节能减排的充电站显示方法及电子设备 |
| CN113320427A (zh) * | 2021-08-03 | 2021-08-31 | 车主邦（北京）科技有限公司 | 一种节能减排的充电导航方法及装置 |
| CN113808289A (zh) * | 2021-09-15 | 2021-12-17 | 上海氢巅能源信息科技有限公司 | 基于分布式能源服务图的充电停车方法和存储介质 |
| WO2023087108A1 (en) * | 2021-11-17 | 2023-05-25 | Datametrex Electric Vehicle Solutions Inc. | Systems, methods, and devices for determining optimal electric car charging stations |
| US11913797B2 (en) | 2021-11-18 | 2024-02-27 | Honda Motor Co., Ltd. | Systems and methods for selecting a charging entity based on occupancy status |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418524A (zh) | 充电站可用状态的预测方法、装置、设备和存储介质 | |
| CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
| CN108829778B (zh) | 充电桩智能推荐方法、装置和系统 | |
| US20220136844A1 (en) | Systems and methods for assessment of a rideshare trip | |
| CN111532166A (zh) | 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质 | |
| CN105677793A (zh) | 地点数据库的建立和候选乘车地点的推荐方法及装置 | |
| CN110852499A (zh) | 回收故障车辆的方法和装置 | |
| CN102298608A (zh) | 信息处理装置、信息处理方法和程序 | |
| WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
| CN111127130B (zh) | 基于用户偏好的能源站点推荐方法、存储介质和电子设备 | |
| CN111612122A (zh) | 实时需求量的预测方法、装置及电子设备 | |
| CN112598169B (zh) | 交通运行态势评估方法、系统及装置 | |
| CN115718802A (zh) | 一种故障诊断方法、系统、设备及存储介质 | |
| CN110458214B (zh) | 驾驶员更换识别方法和装置 | |
| CN113253722B (zh) | 电动车充电路径规划方法、装置及系统 | |
| CN112433122A (zh) | 充电桩可用状态检测方法、装置、设备及存储介质 | |
| CN111325437A (zh) | 异常行驶行为的识别方法、装置以及电子设备 | |
| CN110753298A (zh) | 一种定位方法及其装置、设备和存储介质 | |
| CN111899061A (zh) | 订单推荐方法、装置、设备及存储介质 | |
| CN114954129A (zh) | 充电站信息的推荐方法、装置、电子终端及存储介质 | |
| CN113807560B (zh) | 一种物流成本预测方法、装置、电子设备以及存储介质 | |
| CN110553657A (zh) | 一种基于聊天机器人的导航方法及系统 | |
| CN115330281B (zh) | 智慧城市新能源汽车充电服务方法、系统、装置和介质 | |
| WO2023241388A1 (zh) | 模型训练方法及装置、补能意图识别方法及装置、设备、介质 | |
| Treboux et al. | A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
| RJ01 | Rejection of invention patent application after publication |