CN112560325A - 换电业务的预测方法、系统、设备及存储介质 - Google Patents

换电业务的预测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN112560325A
CN112560325A CN201910908111.5A CN201910908111A CN112560325A CN 112560325 A CN112560325 A CN 112560325A CN 201910908111 A CN201910908111 A CN 201910908111A CN 112560325 A CN112560325 A CN 112560325A
Authority
CN
China
Prior art keywords
service
swapping
battery
target
swapping service
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
Application number
CN201910908111.5A
Other languages
English (en)
Other versions
CN112560325B (zh
Inventor
姚林
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.)
Aulton New Energy Automotive Technology Co Ltd
Original Assignee
Aulton New Energy Automotive Technology 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 Aulton New Energy Automotive Technology Co Ltd filed Critical Aulton New Energy Automotive Technology Co Ltd
Priority to CN201910908111.5A priority Critical patent/CN112560325B/zh
Publication of CN112560325A publication Critical patent/CN112560325A/zh
Application granted granted Critical
Publication of CN112560325B publication Critical patent/CN112560325B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种换电业务的预测方法、系统、设备及存储介质，所述预测方法包括：获取一预设区域内所有换电站一预设时间段内的换电业务数据；从换电业务数据中提取多个换电业务变量；以多个换电业务变量作为训练数据，训练得到换电业务量预测模型；换电业务预测模型以换电业务变量为输入，以换电业务量为输出；获取预设区域内的未来任一日期的目标换电业务变量；将目标换电业务变量输入换电业务量预测模型，输出目标换电业务量。基于深度学习算法对历史的换电业务数据进行训练，训练得到换电业务量预测模型，从而能够实现对换电站未来任一天的换电业务量的预测，进而有效指导换电站的后续业务展开。

Description

换电业务的预测方法、系统、设备及存储介质
技术领域
本发明属于换电站的换电业务预测领域，特别涉及一种换电业务的预测方法、系统、设备及存储介质。
背景技术
换电模式与插充模式相比，其具有快速便捷、有利于电池的维护管理、便于集中调度和统一管理、有利于电网的优化运行等诸多优点。随着电动汽车的大规模应用及其基础设施的不断建设，换电站的充电策略优化已成为亟需解决的问题。现有换电站的充换电业务呈现出复杂非线性、强不确定性、强耦合性等特点，基于传统建模、预测策略对换电站的业务量的预测存在诸多局限性，若不能合理有效的对未来的业务需求进行提前预知并做好准备，一定程度上制约了换电站的长远发展。
发明内容
本发明要解决的技术问题是为了克服现有技术中基于传统建模、预测策略对换电业务预测存在局限性的缺陷，提供一种换电业务的预测方法、系统、设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
一种换电业务的预测方法，所述预测方法包括：
获取一预设区域内所有换电站一预设时间段内的换电业务数据；
从所述换电业务数据中提取多个换电业务变量；
以所述多个换电业务变量作为训练数据，训练得到换电业务量预测模型；所述换电业务预测模型以换电业务变量为输入，以换电业务量为输出；
获取所述预设区域内的未来任一日期的目标换电业务变量；
将所述目标换电业务变量输入所述换电业务量预测模型，输出目标换电业务量。
较佳地，所述换电业务量预测模型的输出还包括换电业务变量的权重，所述将所述目标换电业务变量输入所述换电业务量预测模型，输出目标换电业务量的步骤具体包括：
将所述目标换电业务变量输入所述换电业务预测模型；
输出所述目标换电业务变量的目标权重和目标换电基础量；
根据所述目标权重和所述目标换电基础量计算得到所述目标换电业务量。
较佳地，所述以所述多个换电业务变量作为训练数据，训练得到换电业务量预测模型的步骤中，基于多元线性回归算法训练得到所述换电业务量预测模型。
较佳地，所述获取所述预设区域内的未来任一日期的目标换电业务变量的步骤具体包括：
预设一仿真模型；
基于所述换电业务数据和所述仿真模型生成所述目标换电业务变量。
较佳地，所述预测方法根据以下公式求解所述目标换电业务量，具体包括：
Figure BDA0002213886510000021
Figure BDA0002213886510000022
Figure BDA0002213886510000023
其中，yi为第i天的目标换电业务量，
Figure BDA0002213886510000024
为第i天的目标换电基础量，
Figure BDA0002213886510000025
为第i天中第n个目标换电业务变量的目标权重。
较佳地，所述换电业务变量包括单日度电里程、电池健康度、换电站负荷率、时间、气象、节假日、营销活动、用户偏好中的任意一个，所述用户偏好数据包括用户特征、消费行为、换电站信息、换电习惯和换电偏好中的至少一个；
所述目标换电业务量包括目标换电公里数、目标换电电量和目标换电订单数中的任意一个。
一种换电业务的预测系统，所述预测系统包括换电业务数据获取模块、换电业务变量提取模块、训练模块、目标换电业务变量获取模块和目标数据获取模块；
所述换电业务数据获取模块用于获取一预设区域内所有换电站一预设时间段内的换电业务数据；
所述换电业务变量提取模块用于从所述换电业务数据中提取多个换电业务变量；
所述训练模块用于以所述多个换电业务变量作为训练数据，训练得到换电业务量预测模型；所述换电业务预测模型以换电业务变量为输入，以换电业务量为输出；
所述目标换电业务变量获取模块用于获取所述预设区域内的未来任一日期的目标换电业务变量；
所述目标数据获取模块用于将所述目标换电业务变量输入所述换电业务量预测模型，输出目标换电业务量。
较佳地，所述换电业务量预测模型的输出还包括换电业务变量的权重，所述目标数据获取模块包括输入单元、输出单元和目标换电业务量计算单元；
所述输入单元用于将所述目标换电业务变量输入所述换电业务预测模型；
所述输出单元用于输出所述目标换电业务变量的目标权重和目标换电基础量；
所述目标换电业务量计算单元用于根据所述目标权重和所述目标换电基础量计算得到所述目标换电业务量。
较佳地，所述训练模块用于基于多元线性回归算法训练得到所述换电业务量预测模型。
较佳地，所述目标换电业务变量获取模块包括预设单元；
所述预设单元用于预设一仿真模型；
所述目标换电业务变量获取模块用于基于所述换电业务数据和所述仿真模型生成所述目标换电业务数据。
较佳地，所述预测系统根据以下公式求解所述目标换电业务量，具体包括：
Figure BDA0002213886510000041
Figure BDA0002213886510000042
Figure BDA0002213886510000043
其中，yi为第i天的目标换电业务量，
Figure BDA0002213886510000044
为第i天的目标换电基础量，
Figure BDA0002213886510000045
为第i天中第n个目标换电业务变量的目标权重。
较佳地，所述换电业务变量包括单日度电里程、电池健康度、换电站负荷率、时间、气象、节假日、营销活动、用户偏好中的任意一个，所述用户偏好数据包括用户特征、消费行为、换电站信息、换电习惯和换电偏好中的至少一个；
所述目标换电业务量包括目标换电公里数、目标换电电量和目标换电订单数中的任意一个。
一种电子设备，包括存储器、处理器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的换电业务的预测方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的换电业务的预测方法的步骤。
本发明的积极进步效果在于：对于换电站业务数据的复杂、多变量场景的问题，基于深度学习算法对历史的换电业务数据进行训练，训练得到换电业务量预测模型，从而能够实现对换电站未来任一天的换电业务量的预测，进而有效指导换电站的后续业务展开。
附图说明
图1为本发明实施例1的换电业务的预测方法的流程图。
图2为本发明实施例1的换电业务的预测方法中步骤50的流程图。
图3为本发明实施例1的换电业务的预测方法中步骤40的流程图。
图4为本发明实施例2的换电业务的预测系统的模块示意图。
图5为本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
一种换电业务的预测方法，如图1所示，预测方法包括：
步骤10、获取一预设区域内所有换电站一预设时间段内的换电业务数据；
步骤20、从换电业务数据中提取多个换电业务变量；换电业务变量包括单日度电里程、电池健康度、换电站负荷率、时间、气象、节假日、营销活动、用户偏好中的任意一个或多个，用户偏好数据包括用户特征、消费行为、换电站信息、换电习惯和换电偏好中的至少一个；
需要说明的是，在对用户进行分析时，可以通过对交易类数据的分析，建立用户分析模型，提供立体的用户画像，用户画像主要包括客户特征、消费行为、换电站信息、习惯和偏好等用户信息，进而可以识别差异化用户特征、制定用户个性化标签、建立价值衡量指标，从而精细划分用户群体、归类用户行为偏好特征、精确识别用户价值。
步骤30、以多个换电业务变量作为训练数据，训练得到换电业务量预测模型；换电业务预测模型以换电业务变量为输入，以换电业务量为输出；具体的，可以基于多元线性回归算法训练得到换电业务量预测模型。
需要说明的是，在获取换电业务数据之后，可以使用降噪模块对数据进行筛选过滤，对其中的坏点(异常数据)进行剔除，另外，对获取的大量换电业务数据，可以按照设定比例(如4：1)，分别获取训练集和测试集，基于训练集进行模型训练，在测试集的基础上对模型进行优化调整。
步骤40、获取预设区域内的未来任一日期的目标换电业务变量；
步骤50、将目标换电业务变量输入换电业务量预测模型，输出目标换电业务量。
其中，换电业务量预测模型的输出还包括换电业务变量的权重，如图2所示，步骤50具体包括：
步骤501、将目标换电业务变量输入换电业务预测模型；
步骤502、输出目标换电业务变量的目标权重和目标换电基础量；
步骤503、根据目标权重和目标换电基础量计算得到目标换电业务量。目标换电业务量包括目标换电公里数、目标换电电量和目标换电订单数中的任意一个。
本实施例中，如图3所示，步骤40具体包括：
步骤401、预设一仿真模型；
步骤402、基于换电业务数据和仿真模型生成目标换电业务变量。
需要说明的是，仿真模型主要是基于历史数据对未来某天的换电业务变量进行生成，其中部分换电业务变量可以直接或基于现有的数据进行间接获取，比如节假日、时间、营销活动、天气等，而关于换电站的相关数据，可以基于现有的历史数据基于预测算法进行预测获取。
本实施例中，预测方法根据以下公式求解目标换电业务量，具体包括：
Figure BDA0002213886510000061
Figure BDA0002213886510000062
Figure BDA0002213886510000063
其中，yi为第i天的目标换电业务量，
Figure BDA0002213886510000064
为第i天的目标换电基础量，
Figure BDA0002213886510000065
为第i天中第n个目标换电业务变量的目标权重。
本实施例中，对于换电站业务数据的复杂、多变量场景的问题，基于多元线性回归算法对历史的换电业务数据进行训练，训练得到换电业务量预测模型，从而能够实现对换电站未来任一天的换电业务量的预测，进而有效指导换电站的后续业务展开。
实施例2
一种换电业务的预测系统，如图4所示，预测系统包括换电业务数据获取模块1、换电业务变量提取模块2、训练模块3、目标换电业务变量获取模块4和目标数据获取模块5；
换电业务数据获取模块1用于获取一预设区域内所有换电站一预设时间段内的换电业务数据；
换电业务变量提取模块2用于从换电业务数据中提取多个换电业务变量；换电业务变量包括单日度电里程、电池健康度、换电站负荷率、时间、气象、节假日、营销活动、用户偏好中的任意一个或多个，用户偏好数据包括用户特征、消费行为、换电站信息、换电习惯和换电偏好中的至少一个；
需要说明的是，在对用户进行分析时，可以通过对交易类数据的分析，建立用户分析模型，提供立体的用户画像，用户画像主要包括客户特征、消费行为、换电站信息、习惯和偏好等用户信息，进而可以识别差异化用户特征、制定用户个性化标签、建立价值衡量指标，从而精细划分用户群体、归类用户行为偏好特征、精确识别用户价值。
训练模块3用于以多个换电业务变量作为训练数据，训练得到换电业务量预测模型；换电业务预测模型以换电业务变量为输入，以换电业务量为输出；具体的，可以基于多元线性回归算法训练得到换电业务量预测模型。
需要说明的是，在获取换电业务数据之后，可以使用降噪模块对数据进行筛选过滤，对其中的坏点(异常数据)进行剔除，另外，对获取的大量换电业务数据，可以按照设定比例(如4：1)，分别获取训练集和测试集，基于训练集进行模型训练，在测试集的基础上对模型进行优化调整。
目标换电业务变量获取模块4用于获取预设区域内的未来任一日期的目标换电业务变量；
目标数据获取模块5用于将目标换电业务变量输入换电业务量预测模型，输出目标换电业务量。
其中，换电业务量预测模型的输出还包括换电业务变量的权重，参见图4，目标数据获取模块5包括输入单元51、输出单元52和目标换电业务量计算单元53；
输入单元51用于将目标换电业务变量输入换电业务预测模型；
输出单元52用于输出目标换电业务变量的目标权重和目标换电基础量；
目标换电业务量计算单元53用于根据目标权重和目标换电基础量计算得到目标换电业务量。目标换电业务量包括目标换电公里数、目标换电电量和目标换电订单数中的任意一个。
本实施例中，参见图4，目标换电业务变量获取模块4包括预设单元41；
预设单元41用于预设一仿真模型；
目标换电业务变量获取模块4用于基于换电业务数据和仿真模型生成目标换电业务数据。
需要说明的是，仿真模型主要是基于历史数据对未来某天的换电业务变量进行生成，其中部分换电业务变量可以直接或基于现有的数据进行间接获取，比如节假日、时间、营销活动、天气等，而关于换电站的相关数据，可以基于现有的历史数据基于预测算法进行预测获取。
本实施例中，预测系统根据以下公式求解目标换电业务量，具体包括：
Figure BDA0002213886510000081
Figure BDA0002213886510000082
Figure BDA0002213886510000083
其中，yi为第i天的目标换电业务量，
Figure BDA0002213886510000084
为第i天的目标换电基础量，
Figure BDA0002213886510000085
为第i天中第n个目标换电业务变量的目标权重。
本实施例中，对于换电站业务数据的复杂、多变量场景的问题，基于多元线性回归算法对历史的换电业务数据进行训练，训练得到换电业务量预测模型，从而能够实现对换电站未来任一天的换电业务量的预测，进而有效指导换电站的后续业务展开。
实施例3
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现实施例1或2的换电业务的预测方法。
图5为本实施例提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备90的框图。图5显示的电子设备90仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备90可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备90的组件可以包括但不限于：至少一个处理器91、至少一个存储器92、连接不同系统组件(包括存储器92和处理器91)的总线93。
总线93包括数据总线、地址总线和控制总线。
存储器92可以包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。
存储器92还可以包括具有一组(至少一个)程序模块924的程序工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理。
电子设备90也可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备90还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备90的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备90使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1或2的换电业务的预测方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1或2的换电业务的预测方法的步骤。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (14)

1.一种换电业务的预测方法，其特征在于，所述预测方法包括：
获取一预设区域内所有换电站一预设时间段内的换电业务数据；
从所述换电业务数据中提取多个换电业务变量；
以所述多个换电业务变量作为训练数据，训练得到换电业务量预测模型；所述换电业务预测模型以换电业务变量为输入，以换电业务量为输出；
获取所述预设区域内的未来任一日期的目标换电业务变量；
将所述目标换电业务变量输入所述换电业务量预测模型，输出目标换电业务量。
2.如权利要求1所述的换电业务的预测方法，其特征在于，所述换电业务量预测模型的输出还包括换电业务变量的权重，所述将所述目标换电业务变量输入所述换电业务量预测模型，输出目标换电业务量的步骤具体包括：
将所述目标换电业务变量输入所述换电业务预测模型；
输出所述目标换电业务变量的目标权重和目标换电基础量；
根据所述目标权重和所述目标换电基础量计算得到所述目标换电业务量。
3.如权利要求1所述的换电业务的预测方法，其特征在于，所述以所述多个换电业务变量作为训练数据，训练得到换电业务量预测模型的步骤中，基于多元线性回归算法训练得到所述换电业务量预测模型。
4.如权利要求1所述的换电业务的预测方法，其特征在于，所述获取所述预设区域内的未来任一日期的目标换电业务变量的步骤具体包括：
预设一仿真模型；
基于所述换电业务数据和所述仿真模型生成所述目标换电业务变量。
5.如权利要求1所述的换电业务的预测方法，其特征在于，所述预测方法根据以下公式求解所述目标换电业务量，具体包括：
Figure FDA0002213886500000011
Figure FDA0002213886500000012
Figure FDA0002213886500000013
其中，yi为第i天的目标换电业务量，
Figure FDA0002213886500000021
为第i天的目标换电基础量，
Figure FDA0002213886500000022
为第i天中第n个目标换电业务变量的目标权重。
6.如权利要求2所述的换电业务的预测方法，其特征在于，所述换电业务变量包括单日度电里程、电池健康度、换电站负荷率、时间、气象、节假日、营销活动、用户偏好中的任意一个，所述用户偏好数据包括用户特征、消费行为、换电站信息、换电习惯和换电偏好中的至少一个；
所述目标换电业务量包括目标换电公里数、目标换电电量和目标换电订单数中的任意一个。
7.一种换电业务的预测系统，其特征在于，所述预测系统包括换电业务数据获取模块、换电业务变量提取模块、训练模块、目标换电业务变量获取模块和目标数据获取模块；
所述换电业务数据获取模块用于获取一预设区域内所有换电站一预设时间段内的换电业务数据；
所述换电业务变量提取模块用于从所述换电业务数据中提取多个换电业务变量；
所述训练模块用于以所述多个换电业务变量作为训练数据，训练得到换电业务量预测模型；所述换电业务预测模型以换电业务变量为输入，以换电业务量为输出；
所述目标换电业务变量获取模块用于获取所述预设区域内的未来任一日期的目标换电业务变量；
所述目标数据获取模块用于将所述目标换电业务变量输入所述换电业务量预测模型，输出目标换电业务量。
8.如权利要求7所述的换电业务的预测系统，其特征在于，所述换电业务量预测模型的输出还包括换电业务变量的权重，所述目标数据获取模块包括输入单元、输出单元和目标换电业务量计算单元；
所述输入单元用于将所述目标换电业务变量输入所述换电业务预测模型；
所述输出单元用于输出所述目标换电业务变量的目标权重和目标换电基础量；
所述目标换电业务量计算单元用于根据所述目标权重和所述目标换电基础量计算得到所述目标换电业务量。
9.如权利要求7所述的换电业务的预测系统，其特征在于，所述训练模块用于基于多元线性回归算法训练得到所述换电业务量预测模型。
10.如权利要求7所述的换电业务的预测系统，其特征在于，所述目标换电业务变量获取模块包括预设单元；
所述预设单元用于预设一仿真模型；
所述目标换电业务变量获取模块用于基于所述换电业务数据和所述仿真模型生成所述目标换电业务数据。
11.如权利要求7所述的换电业务的预测系统，其特征在于，所述预测系统根据以下公式求解所述目标换电业务量，具体包括：
Figure FDA0002213886500000031
Figure FDA0002213886500000032
Figure FDA0002213886500000033
其中，yi为第i天的目标换电业务量，
Figure FDA0002213886500000034
为第i天的目标换电基础量，
Figure FDA0002213886500000035
为第i天中第n个目标换电业务变量的目标权重。
12.如权利要求8所述的换电业务的预测系统，其特征在于，所述换电业务变量包括单日度电里程、电池健康度、换电站负荷率、时间、气象、节假日、营销活动、用户偏好中的任意一个，所述用户偏好数据包括用户特征、消费行为、换电站信息、换电习惯和换电偏好中的至少一个；
所述目标换电业务量包括目标换电公里数、目标换电电量和目标换电订单数中的任意一个。
13.一种电子设备，包括存储器、处理器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6任一项所述的换电业务的预测方法。
14.一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，所述程序被处理器执行时实现权利要求1至6任一项所述的换电业务的预测方法的步骤。
CN201910908111.5A 2019-09-25 2019-09-25 换电业务的预测方法、系统、设备及存储介质 Active CN112560325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910908111.5A CN112560325B (zh) 2019-09-25 2019-09-25 换电业务的预测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910908111.5A CN112560325B (zh) 2019-09-25 2019-09-25 换电业务的预测方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112560325A true CN112560325A (zh) 2021-03-26
CN112560325B CN112560325B (zh) 2024-06-07

Family

ID=75029313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910908111.5A Active CN112560325B (zh) 2019-09-25 2019-09-25 换电业务的预测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112560325B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236653A (zh) * 2023-11-13 2023-12-15 北京国电通网络技术有限公司 基于业务量预测的车辆调度方法、装置、电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016169515A1 (zh) * 2015-04-23 2016-10-27 苏州宝时得电动工具有限公司 电动车辆能量补充系统、方法和设备
CN107274008A (zh) * 2017-05-26 2017-10-20 上海蔚来汽车有限公司 电动汽车充换电需求量预测方法、存储设备及系统
CN107341582A (zh) * 2017-08-09 2017-11-10 上海蔚来汽车有限公司 换电站服务能力预测方法及系统
CN108596399A (zh) * 2018-05-04 2018-09-28 国家邮政局邮政业安全中心 快递业务量预测的方法、装置、电子设备及存储介质
CN110163713A (zh) * 2019-01-28 2019-08-23 腾讯科技（深圳）有限公司 一种业务数据处理方法、装置以及相关设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016169515A1 (zh) * 2015-04-23 2016-10-27 苏州宝时得电动工具有限公司 电动车辆能量补充系统、方法和设备
CN107274008A (zh) * 2017-05-26 2017-10-20 上海蔚来汽车有限公司 电动汽车充换电需求量预测方法、存储设备及系统
CN107341582A (zh) * 2017-08-09 2017-11-10 上海蔚来汽车有限公司 换电站服务能力预测方法及系统
CN108596399A (zh) * 2018-05-04 2018-09-28 国家邮政局邮政业安全中心 快递业务量预测的方法、装置、电子设备及存储介质
CN110163713A (zh) * 2019-01-28 2019-08-23 腾讯科技（深圳）有限公司 一种业务数据处理方法、装置以及相关设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王森;郭萌;聂规划;徐尚英;代四广;: "到点式服务模式电动汽车电池需求预测", 数学的实践与认识, no. 10 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236653A (zh) * 2023-11-13 2023-12-15 北京国电通网络技术有限公司 基于业务量预测的车辆调度方法、装置、电子设备

Also Published As

Publication number Publication date
CN112560325B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN102779223B (zh) 短期电力负荷预测的方法及装置
EP2456076A1 (en) Analysis of large data sets using distributed polynominal interpolation
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN105740975A (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN101442561A (zh) 一种基于支持向量机的网格监控方法
Shayesteh et al. Scenario reduction, network aggregation, and DC linearisation: which simplifications matter most in operations and planning optimisation?
CN110619407B (zh) 对象销量的预测方法及系统、电子设备和存储介质
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN118052424B (zh) 物料分配方法、装置、电子设备及存储介质
CN112308335A (zh) 一种基于xgboost算法的短期电价预测方法及装置
CN114444782A (zh) 企业资产的管理方法、装置、存储介质及计算机设备
CN112560325B (zh) 换电业务的预测方法、系统、设备及存储介质
CN112782584B (zh) 电池电量的剩余使用额度的预测方法、系统、介质及设备
CN116090234A (zh) 一种设备运行状态的节能方法、装置、设备及存储介质
Guo et al. Load prediction of multi‐type electric vehicle charging stations based on secondary decomposition and feature selection
CN114417598A (zh) 数字孪生电网组件化映射方法、装置及电子设备
CN112895967B (zh) 换电里程的剩余使用时间的预测方法、系统、介质及设备
Liu et al. RETRACTED ARTICLE: Research on intelligent operation and maintenance of power systems in manufacturing enterprises based on digital twin technology
CN117235519B (zh) 能源数据处理方法、装置及存储介质
Johra et al. IEA EBC Annex 81–Data-Driven Smart Buildings: Building-to-Grid Applications
US20240070160A1 (en) Data processing method and electronic device
Moumen et al. A Machine Learning Approach to Residential Energy Prediction Using Large-Scale Datasets in MongoDB
CN118152870A (zh) 一种基于组合模型的配电网供电可靠性预测方法及系统
CN116248503A (zh) 云网络分类成本评估方法、装置、存储介质与电子设备
CN117291311A (zh) 一种耗电量预估方法及装置、电子设备、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