CN112561322A - 一种基于机器学习的充电桩选址方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的充电桩选址方法，其特征在于，包括线上模型识别单元、线下模型识别单元和反馈优化单元；为了实现充电桩选址的智能决策，本发明将对已建成的充电桩数据进行分析，获取其属性特征如各时间段的人流量、车流量、区域属性等特征，将此数据与充电桩的使用频率、使用时段进行关联分析，建立机器学习算法分类模型；同时考虑到已建成的充电桩数据偏少，本发明还将利用未建充电桩的地址及其属性特征，与已建成的充电桩数据结合，利用tri‑traing算法，将无标签的数据充分学习利用，从而来提升模型的准确率，达到实际运用的性能。

Description

一种基于机器学习的充电桩选址方法

技术领域

本发明涉及物联网领域，具体涉及一种基于机器学习的充电桩选址方法。

背景技术

近年来随着环保和节能概念的推广，更多的人愿意购买和使用电动汽车作为出行的工具之一。同时为了保障用户出行，充电桩建设规模也在扩大，并从最开始的粗放型建设向精细化运营转变。在此过程中出现电动汽车用户出行时经常找不到合适的充电桩的问题，严重影响用户的出行体验。而另一方面充电桩运营企业却存在大量充电桩建成后使用率太低而亏本的情况。一边是电动车用户找不到充电桩，另一边是建好充电桩却没人用而亏本，这是典型的需求与供应错配的现象，即充电桩没有建在人们需要的地方。

目前大部分运营商进行充电站选址时，大部分还是经验主义，或者简单的从传统的成本、位置等角度去考虑，这样得出的结果并非十分准备，因为譬如位置，人/车流的数据，如果放在不同的周期维度(日/周/月/年)可能得出的结果是完全不一样，这时候如果不接触智能化技术，是做不到大范围的计算的。

发明内容

本发明的目的在于提供一种基于机器学习的充电桩选址方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于机器学习的充电桩选址方法，包括线上模型识别单元和线下模型识别单元；

一、所述线上模型识别单元包括以下步骤：

S1、收集待识别预测的充电桩地址及其相关特征数据；相关特征数据例如：充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等。

S2、根据训练阶段构造好的特征工程，将收集的特征数据处理并整理成对应格式；

S3、然后利用已训练线下的模型预测结果

二、所述线下模型识别单元包括以下步骤：

(1)构建分类模型所需要的特征维度。特征维度包括充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等。

(2)数据采集。此部分包括获取充电桩地址的数据，除了在(1)中所构建的维度数据，还包括充电桩使用频率及使用时间段的数据；获取非充电桩的数据，也就是没有建立充电桩的地址的数据，只包括(1)中所构建的维度数据。

(3)特征工程。此部分即是对数据进行处理，去除对模型无用，影响模型准确率的特征；筛选及构造出对模型有用，能提高模型准确率的特征。

(4)定义充电桩等级分类。由于充电桩本身的运营数据，即其使用时间和使用频率为离散数据，因此需要建立一定的规则来量化充电桩的等级标签，来作为模型学习的目标。

(5)训练地址等级分类模型。tri-traing算法的训练步骤如下，假设有标签的充电桩地址数据为L，无标签的地址数据为U：

(i)对L采样三批子数据集S，分别训练3个有差异的基分类器

(ii)对于其中一个基分类器j，另外两个分类器预测L及U，在U中挑选出其中预测结果相同的样本C_j，作为新的有标签数据加入到分类器j的训练集中,即L_i＝S_j∪C_j，并假设上一轮的训练子集为L_j；计算当前轮的误差率

也就是另外两个分类器的预测结果同时预测错误的比例，并假设上一轮误差率为z'_j；最后，若z'_j|L'_j|>z_j|L_j|，则后续利用新的L_i'重新训练分类器j，如果

则在L_j中，随机采样

个样本，则后续利用这s个样本重新训练分类器j；其余情况则分类器此轮不训练。

(iii)为3个基分类器分别执行步骤(ii)，并各自利用新数据集重新训练模型。

(iiii)重复步骤(ii)、(iii)，直到3个基分类器收敛。

最后，3个基分类器训练完成后，预测新的样本时利用投票法作为最终的预测结果。

进一步地，所述线下模型识别单元中的步骤5中所述投票法即为：训练完成后，将各个分类器得到的结果进行汇总，选择得票最多的那个结果为预测结果。

进一步地，所述线下模型识别单元中的步骤5中定义充电桩等级分类：

考虑因素：1)充电桩本身的运营数据，即其使用时间和使用频率为离散数据；2)特征维度数据：包括充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等；

等级分类具体为：1-5级，十分制；

建立评分模型设计的具体参数包括：每个因素影响充电桩选址的大小概率和每个因素本身的分布率。

优选地，选址方法还包括反馈单元，反馈单元即利用线上模型识别单元反馈的运营结果，反馈至下模型训练部分，不断优化调整线下模型识别单元的模型。

与现有技术相比，本发明的有益效果是：

为了实现充电桩选址的智能决策，本发明将对已建成的充电桩数据进行分析，获取其属性特征如各时间段的人流量、车流量、区域属性等特征，将此数据与充电桩的使用频率、使用时段进行关联分析，建立机器学习算法分类模型；同时考虑到已建成的充电桩数据偏少，本发明还将利用未建充电桩的地址及其属性特征，与已建成的充电桩数据结合，利用tri-traing算法，将无标签的数据充分学习利用，从而来提升模型的准确率，达到实际运用的性能。

附图说明

图1为本发明的工作流程图。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

下面详细描述本专利的实施例，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，仅用于解释本专利，而不能理解为对本专利的限制。

一种基于机器学习的充电桩选址方法，包括线上模型识别单元和线下模型识别单元；

一、所述线上模型识别单元包括以下步骤：

S1、收集待识别预测的充电桩地址及其相关特征数据；相关特征数据例如：充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等。

S2、根据训练阶段构造好的特征工程，将收集的特征数据处理并整理成对应格式；

S3、然后利用已训练线下的模型预测结果

二、所述线下模型识别单元包括以下步骤：

(1)构建分类模型所需要的特征维度。特征维度包括充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等。

(2)数据采集。此部分包括获取充电桩地址的数据，除了在(1)中所构建的维度数据，还包括充电桩使用频率及使用时间段的数据；获取非充电桩的数据，也就是没有建立充电桩的地址的数据，只包括(1)中所构建的维度数据。

(3)特征工程。此部分即是对数据进行处理，去除对模型无用，影响模型准确率的特征；筛选及构造出对模型有用，能提高模型准确率的特征。

(4)定义充电桩等级分类。由于充电桩本身的运营数据，即其使用时间和使用频率为离散数据，因此需要建立一定的规则来量化充电桩的等级标签，来作为模型学习的目标。

(5)训练地址等级分类模型。tri-traing算法的训练步骤如下，假设有标签的充电桩地址数据为L，无标签的地址数据为U：

(i)对L采样三批子数据集S，分别训练3个有差异的基分类器

(ii)对于其中一个基分类器j，另外两个分类器预测L及U，在U中挑选出其中预测结果相同的样本C_j，作为新的有标签数据加入到分类器j的训练集中,即L_i＝S_j∪C_j，并假设上一轮的训练子集为L_j；计算当前轮的误差率

也就是另外两个分类器的预测结果同时预测错误的比例，并假设上一轮误差率为z'_j；最后，若z'_j|L'_j|>z_j|L_j|，则后续利用新的L_i'重新训练分类器j，如果

则在L_j中，随机采样

个样本，则后续利用这s个样本重新训练分类器j；其余情况则分类器此轮不训练。

(iii)为3个基分类器分别执行步骤(ii)，并各自利用新数据集重新训练模型。

(iiii)重复步骤(ii)、(iii)，直到3个基分类器收敛。

最后，3个基分类器训练完成后，预测新的样本时利用投票法作为最终的预测结果。

进一步地，所述线下模型识别单元中的步骤5中所述投票法即为：训练完成后，将各个分类器得到的结果进行汇总，选择得票最多的那个结果为预测结果。

进一步地，所述线下模型识别单元中的步骤5中定义充电桩等级分类：

考虑因素：1)充电桩本身的运营数据，即其使用时间和使用频率为离散数据；2)特征维度数据：包括充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等；

等级分类具体为：1-5级，十分制；

建立评分模型设计的具体参数包括：每个因素影响充电桩选址的大小概率和每个因素本身的分布率。

优选地，选址方法还包括反馈单元，反馈单元即利用线上模型识别单元反馈的运营结果，反馈至下模型训练部分，不断优化调整线下模型识别单元的模型。

在线下模型训练单元的步骤五这一步，本发明实际上是使用了一种叫半监督学习的算法模型，它可以有效的利用无标签的数据来提升模型的识别效果，因此，若替换成其他半监督学习算法，尽管模型性能会有差异，但也能实现类似的效果。

以上的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。

Claims (4)

1.一种基于机器学习的充电桩选址方法，其特征在于，包括线上模型识别单元和线下模型识别单元；

一、所述线上模型识别单元包括以下步骤：

S1、收集待识别预测的充电桩地址及其相关特征数据；相关特征数据例如：充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等。

S2、根据训练阶段构造好的特征工程，将收集的特征数据处理并整理成对应格式；

S3、然后利用已训练线下的模型预测结果

二、所述线下模型识别单元包括以下步骤：

(1)构建分类模型所需要的特征维度。特征维度包括充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等。

(2)数据采集。此部分包括获取充电桩地址的数据，除了在(1)中所构建的维度数据，还包括充电桩使用频率及使用时间段的数据；获取非充电桩的数据，也就是没有建立充电桩的地址的数据，只包括(1)中所构建的维度数据。

(3)特征工程。此部分即是对数据进行处理，去除对模型无用，影响模型准确率的特征；筛选及构造出对模型有用，能提高模型准确率的特征。

(4)定义充电桩等级分类。由于充电桩本身的运营数据，即其使用时间和使用频率为离散数据，因此需要建立一定的规则来量化充电桩的等级标签，来作为模型学习的目标。

(5)训练地址等级分类模型。tri-traing算法的训练步骤如下，假设有标签的充电桩地址数据为L，无标签的地址数据为U：

(i)对L采样三批子数据集S，分别训练3个有差异的基分类器；

(ii)对于其中一个基分类器j，另外两个分类器预测L及U，在U中挑选出其中预测结果相同的样本C_j，作为新的有标签数据加入到分类器j的训练集中,即L_i＝S_j∪C_j，并假设上一轮的训练子集为L_j；计算当前轮的误差率

也就是另外两个分类器的预测结果同时预测错误的比例，并假设上一轮误差率为z'_j；最后，若z'_j|L'_j|>z_j|L_j|，则后续利用新的L_i'重新训练分类器j，如果

则在L_j中，随机采样

个样本，则后续利用这s个样本重新训练分类器j；其余情况则分类器此轮不训练；

(iii)为3个基分类器分别执行步骤(ii)，并各自利用新数据集重新训练模型；

(iiii)重复步骤(ii)、(iii)，直到3个基分类器收敛；

最后，3个基分类器训练完成后，预测新的样本时利用投票法作为最终的预测结果。

2.根据权利要求1所述的一种基于机器学习的充电桩选址方法，其特征在于，

所述线下模型识别单元中的步骤5中所述投票法即为：训练完成后，将各个分类器得到的结果进行汇总，选择得票最多的那个结果为预测结果。

3.根据权利要求1所述的一种基于机器学习的充电桩选址方法，其特征在于，

所述线下模型识别单元中的步骤5中定义充电桩等级分类：

考虑因素：1)充电桩本身的运营数据，即其使用时间和使用频率为离散数据；2)特征维度数据：包括充电站附近的餐厅、酒店、旅游景点的数量、规模、距离等属性，以及各时间段的人流量、车流量等；

等级分类具体为：1-5级，十分制；

建立评分模型设计的具体参数包括：每个因素影响充电桩选址的大小概率和每个因素本身的分布率。

4.根据权利要求1所述的一种基于机器学习的充电桩选址方法，其特征在于，所述选址方法还包括反馈单元，反馈单元即利用线上模型识别单元反馈的运营结果，反馈至下模型训练部分，不断优化调整线下模型识别单元的模型。

Images