CN112632382A - 用于为车辆推荐站点的方法、装置、设备以及存储介质 - Google Patents
用于为车辆推荐站点的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112632382A CN112632382A CN202011566349.3A CN202011566349A CN112632382A CN 112632382 A CN112632382 A CN 112632382A CN 202011566349 A CN202011566349 A CN 202011566349A CN 112632382 A CN112632382 A CN 112632382A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- site
- recommended
- station
- value
- 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 42
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000000875 corresponding effect Effects 0.000 claims abstract description 104
- 230000009471 action Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Social Psychology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本申请公开了为车辆推荐站点的方法、装置、设备以及存储介质。本申请涉及智能驾驶领域。根据本申请的方法包括:在服务器处,接收来自车辆的接入请求;针对接收到的接入请求,从与车辆相关联的多个站点中的每个站点,获取预先训练的推荐模型的对应观察值,对应观察值至少包括与车辆和对应站点的接入相关联的因素;基于对应观察值以及预先训练的推荐模型,确定针对每个站点的对应动作值,对应动作值指示接入请求与对应的每个站点的匹配程度;基于多个站点的对应动作值,确定推荐站点;以及向车辆发送驾驶到推荐站点的指令。根据本申请的方案,在为车辆推荐站点时,可以对环境中的多个站点综合考虑,从而获得全局优化的推荐方案。
Description
技术领域
本公开总体上涉及智能驾驶领域,更具体地涉及一种用于为车辆推荐站点的方法、装置、电子设备以及计算机可读存储介质。
背景技术
在驾驶领域,车辆需要在驾驶途中进行能源的补充。对于以汽油或柴油为动力的燃油车辆而言,需要在油量短缺时驾驶到附近的加油站进行加油。对于以电能作为动力的电动车辆而言,同样需要在电量不足时驾驶到附近的充电站对车辆进行充电。由于电动车辆的续航里程相对较短,相比于燃油车辆而言,这种为电动车辆充电的需求更加迫切。如何使车辆高效地接入站点进行能量补给,从而实现接入效率的整体提升,是设计者期望实现的一个目标。
发明内容
本公开提供了一种用于为车辆推荐站点的方法、装置、电子设备以及计算机可读存储介质。
根据本公开的一方面,提供了一种为车辆推荐站点的方法。该方法包括:在服务器处,接收来自车辆的接入请求;针对接收到的接入请求,从与车辆相关联的多个站点中的每个站点,获取预先训练的推荐模型的对应观察值,对应观察值至少包括与车辆和对应站点的接入相关联的因素;基于对应观察值以及预先训练的推荐模型,确定针对每个站点的对应动作值,对应动作值指示接入请求与对应的每个站点的匹配程度;基于多个站点的对应动作值,确定推荐站点;以及向车辆发送驾驶到推荐站点的指令。
根据本公开的另一方面,提供了一种为车辆推荐站点的装置。该装置包括:请求接收模块,被配置为在服务器处,接收来自车辆的接入请求;观察值获取模块,被配置为针对接收到的接入请求,从与车辆相关联的多个站点中的每个站点,获取预先训练的推荐模型的对应观察值,对应观察值至少包括与车辆和对应站点的接入相关联的因素;动作值确定模块,被配置为基于对应观察值以及预先训练的推荐模型,确定针对每个站点的对应动作值,对应动作值指示接入请求与对应的每个站点的匹配程度;站点推荐模块,被配置为基于多个站点的对应动作值,确定推荐站点;以及指令发送模块,被配置为向车辆发送驾驶到推荐站点的指令。
本申请在推荐站点时,通过环境中的多个站点信息的关联和共享,对不同站点的不同情况综合考虑,从长期全局的视角优化了站点推荐方案。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图;
图2示出了根据本公开的一些实施方式的用于为车辆推荐站点的方法的流程图;
图3示出了根据本公开的一些实施方式的用于确定奖励值的方法的流程图;
图4示出了根据本公开内容的示例性实施方式的用于确定站点的观察值的示意图;
图5示出了根据本公开内容的示例性实施方式的用于为车辆推荐站点的装置的框图;以及
图6示出了能够实施本公开内容的多个实施方式的计算设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
当用户需要对车辆进行能量补给时,用户会向服务器发送请求,以期望获得服务器的优化的推荐。在现有的站点推荐方案中,服务器往往只是简单地为车辆推荐离该车辆距离最近的站点,或者基于当前的路况为该车辆推荐行驶时间最短的站点。这种方案仅关注于单个车辆的单个请求,忽略了整个站点网络中的其他站点以及有类似需求的其他车辆的情况。
然而,不同车辆和不同站点在不同时间和空间中的情况千差万别。例如,当车辆所处的路况不同或者站点中的待能量补给的车辆的排队情况不同时,这会导致车辆的站点推荐策略是不同的。此外,由于在某个空间中对不同车辆的推荐方案之间具有很强的关联性,因此如果仅仅考虑单个请求,会导致整个站点网络陷入局部优化,而无法实现整体网络的优化的效率。
针对上述问题,本公开的实施方式提供了一种为车辆推荐站点的方案。下面将结合图1到图6来具体描述本公开的实施方式。
图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。下面将结合为电动车辆推荐充电站从而对该电动车辆进行充电的场景来描述本公开的实施方式。然而,应该理解的是,这样的描述仅仅是示意性的。本公开的实施方式还可以用于为燃油车辆推荐加油站以对该燃油车辆进行加油等其他场景。具体的场景将不受到本公开的实施方式的限制。
如图1所示,在环境100中,车辆110正处在某个场地上。例如,车辆110可以行驶在交通网络的道路中或者停放在停车场内。在图1的环境中,需要对车辆110进行能量补给。
在本公开的语境下,术语“车辆”可以采用各种形式。车辆110可以是电动车辆、燃油车辆,也可以是采用混合动力的车辆。在一些实施例中,车辆110可以是轿车、卡车、拖车、摩托车或公交车,等等。在一些实施例中,车辆110可以采取例如船舶、飞行器、直升机、火车、农用车辆、娱乐车辆或建筑车辆等形式。在一些实施例中,车辆110可以是家用车辆、运营性质的客运车辆或运营性质的货运车辆,等等。在一些实施例中,车辆110可以是配备一定自主泊车能力的车辆,其中自动驾驶能力可以包括但不限于辅助驾驶能力、半自动驾驶能力、高度自动驾驶能力或者完全自动驾驶能力。
如图1所示,环境100中包括站点120。在本公开的语境下,术语“站点”可以采用各种形式。站点120中包括多个接入点122,以便为车辆110进行能量的补给。在一些实施例中,站点120可以是充电站,其中设置有多个充电桩,从而为电动车辆进行充电。在另一些实施例中,站点120也可以是加油站,其中设置有多个加油枪,为燃油车辆提供加油服务。站点120可以设置在车流量较大的路网中,例如城市道路、高速公路附近,也可以设置在车流量较少的路网中,例如乡村道路附近。站点120的具体形式不受到本公开的实施例的限制。
如图1所示,环境100中包括服务器130。车辆110可以在需要进行能量补给时向服务器130发出接入请求112,以期望得到服务器130关于站点120的推荐。在车辆110为电动车辆的语境中,该接入请求112是该电动车辆向服务器130发出的充电请求。服务器130与车辆110通信,从而能够及时知晓并处理该接入请求112。该服务器130还可以与环境100中的多个站点120通信,从而获知相应站点120的诸如地理位置、充电桩的数目等信息,这样有助于根据站点120的信息针对该接入请求112为车辆110推荐合适的站点120。该服务器130可以根据预先训练的历史推荐数据集的各种数据,基于机器学习模型进行训练,以便为车辆110进行推荐。服务器130可以执行本文中参考图2所描述的过程,从而使得对于站点120的推荐更为准确。
图2示出了根据本公开的一些实施方式的为车辆110推荐站点120的方法200的流程图。方法200可以由服务器130中的各种类型的计算设备执行。
在框202,接收来自车辆110的接入请求112。在一些实施例中,该接入请求112可以是通过车辆110上的人员通过在车辆110上的终端设备发出的。在一些实施例中,该终端设备可以是装载有导航应用程序的手机、平板电脑或者车载导航设备,等等。车辆110上的人员可以通过在导航应用程序上搜索附近充电站或加油站的方式向服务器130发出该接入请求112。在一些实施例中,如果车辆110是无人驾驶的自主车辆,那么车辆110可以根据自身的电量或油量的余量自主地向服务器130发送该接入请求112。
在框204,针对接收到的接入请求112,服务器130从与该车辆110相关联的多个站点120中的每个站点120,获取预先训练的推荐模型的对应观察值。该观察值至少包括与车辆110和对应的站点120的接入相关联的因素。该观察值是推荐模型的输入,推荐模型将基于这些观察值做出推荐决策。
结合图1,该观察值可以从站点120经过通道124发送给服务器130。在一些实施例中,这些因素可以包括对应的站点120的空闲的接入点122的数目。例如,在站点120是充电站的情况下,这些因素可以是该充电站中的空闲充电桩的数目。在另一些实施例中,这些因素也可以例如包括各站点120的接入效率。例如,在站点120是充电站的情形中,该接入效率可以是充电站中的充电桩的充电效率。该观察值也可以从车辆110发送给服务器130。
在一些实施例中,这些因素可以例如包括从车辆110在发出接入请求112所处的位置到各站点120的对应的预计驾驶时间。这里的驾驶时间可以基于站点120的位置、车辆110的当前位置以及在站点120与车辆110之间的路况来确定。在一些实施例中,这些因素还可以例如包括当前的时间。应当理解的是,这里列出的观察值的示例仅仅是示意性的,观察值可以包括其他的因素,只要因素与车辆110是否适合驾驶到站点120进行接入存在关联即可。
在一些实施例中,多个站点120可以是距车辆110在第一距离阈值内的站点。由于这些站点120与车辆110的当前位置相距较近,因此对于车辆110的站点推荐方案具有较强的关联性。
在框206,基于对应的观察值以及预先训练的推荐模型,确定针对每个站点120的对应动作值。动作值是推荐模型关于该观察值的输出。该动作值用来指示接入请求112与对应的每个站点120的匹配程度。在一些实施例中,匹配程度越好,则对应的动作值可以越高。
在框208,基于多个站点120所对应的动作值来确定在当前环境下为车辆110推荐的站点120。在一些实施例中,可以选择各个站点120中的动作值最大的站点作为推荐的站点。
在框210,向该车辆110发送驾驶到该推荐的站点120的指令132。在一些实施例中,如果车辆110上的人员是通过导航应用程序来操作时,那么服务器130将通过该导航应用程序上的提示将指令132发送给该车辆110的人员,从而告知人员应该驾驶到哪个站点120。在这种情况下,车辆110上的人员可以根据导航应用程序的路线推荐驾驶到该推荐的站点120,也可以根据人员自己的判断人为地选择开往该推荐的站点120的路径。本申请对此不做限制。在一些实施例中,如果车辆110是无人驾驶的自主车辆,则服务器130将会把指令132发送给车辆110的中控系统,车辆110将根据当前的交通情况自主选择开往推荐的站点120的合适路径。
根据本公开的实施例,在服务器130接收到车辆110的接入请求112后,可以基于车辆110与相关联的多个站点120的情况,综合考虑这些站点120的当前条件,为车辆110推荐最合适的站点120。
在一些实施例中,不同的站点120可以共享同一个推荐模型,不同站点120的差异将体现在站点120的不同观察值上,在这种情形中,某个站点120在一次学习之后,该推荐模型将得以更新,更新后的推荐模型将适用于环境100中的所有站点120。当然,在其他实施例中,也可以为每个站点120个性化地进行训练,这样,推荐模型的更新和迭代将仅与该站点120自身相关。
在一些实施例中,推荐模型可以是基于历史推荐和与该历史推荐相关的奖励值而训练的,其中奖励值可以是用来评价该历史推荐的接受程度的度量。奖励值可以基于用户对推荐方案中的评价要素来确定。
例如,当用户认为等待时间是评价一种推荐方案的最重要的评价要素,则可以将奖励值设置为基于该等待时间来确定。在这种情形中,针对某个推荐方案,可以基于该方案中的推荐的站点120的接入等待时间来确定针对与该方案的奖励值,这将在下文中进行描述。可以理解的是,在站点120为充电站的情形中,接入等待时间可以视为充电等待时间。
应该理解的是,上面提到的以接入等待时间作为奖励值仅仅是可行的方案中的一种方案。在其他的实施例中,可以将其他因素作为该推荐方案的奖励值。
例如,在一些实施例中,如果采用推荐方案进行充电之后产生的花费较高,这表明该推荐站点120的收费可能是不合理的,相应地,可以为该推荐方案赋予较低的奖励值。在另一些实施例中,如果车辆110是某品牌的电动车辆,车辆110在接入充电之后发现该站点120的充电桩并不能很好地为这种品牌的车辆进行充电,也可以为该推荐方案赋予较低的奖励值。在另一些实施例中,如果车辆110在接入充电之后发现该站点120的充电性能不佳可能导致对车辆110的电瓶造成不良影响,也可以为该推荐方案赋予较低的奖励值。相反地,在其他实施例中,如果车辆110在接入充电之后发现该站点120的服务体验很好,也可以为该推荐方案赋予较高的奖励值。在某些实施例中,这样的奖励值可以基于车辆110对该推荐体验的评分分值来确定。在一些实施例中,还可以将多种评价因素综合考虑,从而得到最终的合理奖励值。
以此方式,基于历史推荐方案的观察值、动作值以及相应的奖励值,通过反复学习迭代,推荐模型可以不断地优化自身的推荐策略。由于神经网络模型的输出结果将随着训练样本数目的增加而变得更加准确,因此随着服务器130处理的接入请求112的次数增多,可以用来训练的模型数据就越丰富。以此方式,推荐模型得以更新,从而使以后的站点推荐更加合理。
在一些实施例中,在某个接入请求112被成功处理(即发出该接入请求112的车辆110按照服务器130的推荐接入所推荐的站点120)之后,作为训练样本的观察值可以包括在处理之后接收到下一个接入请求112时刻的观察值。例如,接入请求112在时刻T1出现,并且在另一个时刻T2被处理,即车辆110在该时刻T2接入推荐的站点120。如果在紧接该时刻T2后的另一个时刻T3出现了首个新的接入请求112,则将时刻T3所对应的观察值也作为该接入请求112的训练值样本。
下面参考图3,图3示出了根据本公开的一些实施方式的用于确定奖励值的方法300的流程图。如图3所示,在框302,服务器130为车辆110发送推荐站点120的指令132。在框304,服务器130可以判断该车辆110在向车辆110发送指令132的第一时刻开始的某个时间阈值内是否接入服务器130所推荐的站点120。在一些实施例中,该时间阈值可以是45分钟。当然,应该理解的是,这里的数值也仅是示意性的,可以根据不同的需求确定相应的时间阈值。
如果返回值为“是”,则表明该车辆110最终采用了服务器130所推荐的方案,这意味着该方案总体上是用户可接受的。在这种情况下,可以基于接入等待时间为该方案赋予奖励值。结合图3,在框306,获取该第一时刻。在框308,服务器130获取车辆110接入所推荐的站点120的时刻。在框310,基于所获取的第一时刻和第二时刻,获取车辆110在推荐的站点120的接入等待时间。在一些实施例中,可以通过第一时刻与第二时刻的差值来确定该接入等待时间。
在框312,基于所确定的接入等待时间,来获取该推荐方案的对应奖励值。在一些实施例中,可以将某个推荐方案中的接入等待时间的负值作为该方案的奖励值。这意味着,接入等待时间越大,则奖励值越小。如果接入等待时间很少,这表明车辆110花费很少的时间就接入该站点120。此时推荐方案可取程度很高,可以为其赋予较大的奖励值。如果接入等待时间过大,则该推荐方案较不可取,因此为该推荐方案施加较小的奖励值,从而对该方案施加一定程度的惩罚。
在框314,将所确定的奖励值与相应的历史推荐相关联。通过这种方式,可以扩充服务器130的训练样本,以便于服务器130进行学习,从而获得更加合理的推荐方案。
继续参考图3,如果在框304处的判断结果为“否”,这意味着车辆110在该时间阈值内并没有采用服务器130推荐的方案。这可能是由于该推荐站点120并没有与该车辆110的型号匹配的接入点或者该推荐站点120难以前往,等等。总之,如果返回值为“否”,这意味着,这样的推荐方案对于用户而言完全是不可取的,因此需要给予评价更低的奖励值。参考图3,在框316,可以基于某个奖励阈值来确定奖励值。例如,可以为该奖励值施加一个数值为-60的奖励阈值。应该理解的是,这里的奖励阈值的数值仅仅是示意性的,而非限制性的。可以基于不同的站点120的实际情况,为该奖励值施加合适的奖励阈值。
根据本公开的实施例,以接入等待时间为目标,通过服务器130的不断强化学习,逐步优化站点的推荐方案。
在一些实施例中,服务器130在获取某个站点120的观察值时,不仅考虑该站点120自身的因素,还会对于该站点120周围的其他站点的因素加以考虑。以此方式,通过对环境100中的多个站点120的综合考虑,可以使得服务器130所提供的方案可以实现对系统中的站点120的观察值的总体考虑。
在一些实现中,站点120的适用于进行模型训练的观察值可以包括针对该站点120的第一观察值、以及与该站点120相距一定距离阈值内的其他站点120的第二观察值。在一些实施例中,第二观察值可以为与其他站点120自身相关联的观察值,该观察值不包括与其他站点120相关的另一些站点的因素的观察值。
下面结合图4来描述根据本公开内容的示例性实施方式的用于确定站点120的观察值的示意图。在图4中,位于中心的站点120可以是图1中的任何一个站点。通过下面结合图4所介绍的过程,站点120向服务器130从站点120接收的观察值可以优化。
在一些实现中,可以根据站点120周围站点与该站点120的关联程度为不同的第二观察值赋予相应的权重。
下面基于公式(1)描述一种可以实现多个站点120之间的信息共享的示意性方法。可以利用空间图G来描述多个站点120的关联。这一空间图G可以用G=(V,E,A)来表示,其中,V是站点120的集合,E是空间图中的边的集合,A表示邻接矩阵。
在一些示意性的实现中,邻接矩阵A中的各元素αij满足以下关系:
其中,dij表示不同的站点120之间的在路网中的距离,β表示距离阈值。
从上述公式(1)可知,只有当dij处于一定的距离阈值β内时,α才不为0。这表明,当两个站点120之间的距离满足一定条件时,才会相互考虑这两个站点120彼此的观察值。
此外,由于在dij≤β的条件下,由于αij的值随着dij的增加而减小,这意味着,与当前站点120的距离越远,则其获得的权重就越小。
其中,Ni是空间图G中与站点120相关联的站点集合,l表示第l次的图卷积操作,I(l>1)是指示函数,当l>1时,该指示函数I(l>1)为1,否则为0。ReLU函数为适用于人工神经网络的线性整流函数,αij可以根据公式(1)计算得出。
通过公式(2)的ReLU函数,当l确定为l1时,服务器130可以确定在距离站点120某一个距离阈值D1内的多个站点120的关联观察值通过调整l,当l确定为l2时,服务器130可以确定在距离站点120另一个距离阈值D2内的其他多个站点120的关联观察值通过将不同距离阈值下的多个关联观察值拼接,可以得到与站点120相关联的多个其他站点120的观察值的集合
通过公式(2)以及(3)得知,可以为与站点120相距一定距离阈值内的其他站点的第二观察值中的每个第二观察值确定相应的权重,并且该权重是与距离相关的。
经由这种方式,在考虑某个站点的观察值时,将与该站点在空间上存在关联的其他站点加以考虑,并且赋予对应的权重,可以便于服务器130根据总体情况给出全局优化的方案。
应该理解的是,这里列出的实现多个站点120之间数据共享的方式仅仅是示意形的,而非限制性的。本领域技术人员可以根据具体的需求使用除ReLU函数之外的其他函数来实现,只要所利用的方法可以将站点120周围的站点的因素考虑在本站点120的观察值中即可。
在上面描述的方案中,奖励值可以根据该车辆110到达推荐的站点120进行充电并且计算接入等待时间得以确定。这意味着从发出接入请求112开始到获得接入等待时间再到下一个接入请求112的时间跨度内会存在多个奖励值。在一些实施例中,服务器130对奖励值的确定可以是考虑了在这个时间跨度内的多个奖励值而动态进行的。
下面基于公式(4)来描述奖励值的一种动态确定方式。
其中,Rt:t+j表示在时间跨度为t到t+j内的综合的奖励值R,γ表示折扣因子,T表示相应的时刻,r表示基于站点110的状态以及相应动作值的奖励值。
在一些实施例中,γ可以是介于0和1之间的实数。由于γ小于1,因此随着当前时刻与接入请求112发出的时刻Tt的差值越大,则的值越小。这意味着,对于在时刻获取的奖励值r,如果该时刻与时刻Tt在时间上相差较远,则为该奖励值r赋予较小的权重。类似地,如果该时刻与时刻Tt在时间上相差较近,则的值越大,这意味着为该对应的奖励值r赋予较大的权重。
以此方式,在确定对应方案的奖励值时,从时间上对与该时刻相关联的其他奖励值综合考虑,从而便于服务器130做出更有利于优化全局效率的方案。
图5示意性示出了根据本公开内容的示例性实施方式的用于为车辆110推荐站点120的装置500的框图。具体地,该装置500包括:请求接收模块502,被配置为在服务器130处,接收来自车辆110的接入请求112;观察值获取模块504,被配置为针对接收到的接入请求112,从与车辆110相关联的多个站点120中的每个站点,获取预先训练的推荐模型的对应观察值,对应观察值至少包括与车辆110和对应站点120的接入相关联的因素;动作值确定模块506,被配置为基于对应观察值以及预先训练的推荐模型,确定针对每个站点120的对应动作值,对应动作值指示接入请求112与对应的每个站点120的匹配程度;站点推荐模块508,被配置为基于多个站点120的对应动作值,确定推荐站点;以及指令发送模块410,被配置为向车辆110发送驾驶到推荐站点120的指令132。
在一些实施例中,预先训练的推荐模型是基于历史推荐及其对应的奖励值而训练的。
在一些实施例中,奖励值基于以下各项中的一项或多项来确定:车辆在推荐站点的接入等待时间、奖励阈值、车辆在推荐站点的花费、车辆的型号与推荐站点的可接入型号的匹配度、推荐站点的站点接入效率和/或车辆对推荐站点的评分。
在一些实施例中,该装置500还包括:奖励值确定模块,被配置为响应于在向车辆发送指令的第一时刻开始的一时间阈值内车辆接入推荐站点,获取第一时刻;获取第二时刻,第二时刻是车辆接入推荐站点的时刻;基于第一时刻和第二时刻,确定车辆在推荐站点的接入等待时间;以及基于接入等待时间,确定奖励值。
在一些实施例中,该装置500还包括:奖励值确定模块,被配置为响应于在向车辆发送指令的第一时刻开始的一时间阈值内车辆未接入推荐站点,基于奖励阈值,确定奖励值。
在一些实施例中,多个站点是距车辆第一距离阈值内的站点。
在一些实施例中,对应观察值包括:针对对应站点的第一观察值;以及针对与对应站点相距第二距离阈值内的其他站点的第二观察值。
在一些实施例中,获取预先训练的推荐模型的对应观察值包括:为第二观察值中的每个第二观察值确定相应的权重。
在一些实施例中,奖励值是基于接入等待时间以及与第一时刻相关联的时刻的奖励值而确定的。
在一些实施例中,确定推荐站点包括:确定多个站点的每个站点的对应动作值;从对应动作值中确定最大的动作值;以及将对应于最大的动作值的站点确定为推荐站点。
在一些实施例中,对应观察值指示:当前的时间;对应站点的空闲接入点的数目;从接入请求发出的位置到对应站点的驾驶时间;和/或对应站点的接入效率。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。图6示出了能够实施本公开的多个实施例的电子设备600的示意性框图。
如图所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200、300,可由处理单元601执行。例如,在一些实施例中,方法200、300可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序被加载到RAM 603并由CPU 601执行时,可以执行上文描述的方法200、300的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户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服务器上执行。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)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
根据本申请实施例的技术方案,将行驶路线划分成需要进行行驶路径判断的小行车环境和无需进行行驶路径判断的直行环境,在车辆到达一个新的停车场时,只需要更换存储的行驶序列,而无需重新对该停车场的停车路线进行学习,这样的方案简单方便,易于量产。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (27)
1.一种为车辆推荐站点的方法,包括:
在服务器处,接收来自所述车辆的接入请求;
针对接收到的所述接入请求,从与所述车辆相关联的多个站点中的每个站点,获取预先训练的推荐模型的对应观察值,所述对应观察值至少包括与所述车辆和对应站点的接入相关联的因素;
基于所述对应观察值以及所述预先训练的推荐模型,确定针对所述每个站点的对应动作值,所述对应动作值指示所述接入请求与对应的所述每个站点的匹配程度;
基于所述多个站点的所述对应动作值,确定推荐站点;以及
向所述车辆发送驾驶到所述推荐站点的指令。
2.根据权利要求1所述的方法,其中所述预先训练的推荐模型是基于历史推荐及其对应的奖励值而训练的。
3.根据权利要求2所述的方法,其中所述奖励值基于以下各项中的一项或多项来确定:所述车辆在所述推荐站点的接入等待时间、奖励阈值、所述车辆在所述推荐站点的花费、所述车辆的型号与所述推荐站点的可接入型号的匹配度、所述推荐站点的站点接入效率和/或所述车辆对所述推荐站点的评分。
4.根据权利要求3所述的方法,还包括:
响应于在向所述车辆发送所述指令的第一时刻开始的一时间阈值内所述车辆接入所述推荐站点,
获取所述第一时刻;
获取第二时刻,所述第二时刻是所述车辆接入所述推荐站点的时刻;
基于所述第一时刻和所述第二时刻,确定所述车辆在所述推荐站点的所述接入等待时间;
基于所述接入等待时间,确定所述奖励值;以及
将所述奖励值与所述历史推荐相关联。
5.根据权利要求3所述的方法,还包括:
响应于在向所述车辆发送所述指令的第一时刻开始的一时间阈值内所述车辆未接入所述推荐站点,
基于所述奖励阈值,确定所述奖励值;以及
将所述奖励值与所述历史推荐相关联。
6.根据权利要求1所述的方法,其中所述多个站点是距所述车辆第一距离阈值内的站点。
7.根据权利要求1所述的方法,其中所述对应观察值包括:
针对对应站点的第一观察值;以及
针对与所述对应站点相距第二距离阈值内的其他站点的第二观察值。
8.根据权利要求7所述的方法,其中获取预先训练的推荐模型的对应观察值包括:
为所述第二观察值中的每个第二观察值确定相应的权重。
9.根据权利要求3所述的方法,所述奖励值是基于所述接入等待时间以及与所述第一时刻相关联的时刻的奖励值而确定的。
10.根据权利要求1所述的方法,其中确定推荐站点包括:
确定所述多个站点的每个站点的所述对应动作值;
从所述对应动作值中确定最大的动作值;以及
将对应于所述最大的动作值的站点确定为所述推荐站点。
11.根据权利要求1所述的方法,其中所述对应观察值指示:
当前的时间;
对应站点的空闲接入点的数目;
从所述接入请求发出的位置到所述对应站点的驾驶时间;和/或
所述对应站点的接入效率。
12.根据权利要求1所述的方法,其中所述站点是充电站。
13.一种为车辆推荐站点的装置,包括:
请求接收模块,被配置为在服务器处,接收来自所述车辆的接入请求;
观察值获取模块,被配置为针对接收到的所述接入请求,从与所述车辆相关联的多个站点中的每个站点,获取预先训练的推荐模型的对应观察值,所述对应观察值至少包括与所述车辆和对应站点的接入相关联的因素;
动作值确定模块,被配置为基于所述对应观察值以及所述预先训练的推荐模型,确定针对所述每个站点的对应动作值,所述对应动作值指示所述接入请求与对应的所述每个站点的匹配程度;
站点推荐模块,被配置为基于所述多个站点的所述对应动作值,确定推荐站点;以及
指令发送模块,被配置为向所述车辆发送驾驶到所述推荐站点的指令。
14.根据权利要求13所述的装置,其中所述预先训练的推荐模型是基于历史推荐及其对应的奖励值而训练的。
15.根据权利要求14所述的装置,其中所述奖励值基于以下各项中的一项或多项来确定:所述车辆在所述推荐站点的接入等待时间、奖励阈值、所述车辆在所述推荐站点的花费、所述车辆的型号与所述推荐站点的可接入型号的匹配度、所述推荐站点的站点接入效率和/或所述车辆对所述推荐站点的评分。
16.根据权利要求15所述的装置,还包括:
奖励值确定模块,被配置为响应于在向所述车辆发送所述指令的第一时刻开始的一时间阈值内所述车辆接入所述推荐站点,
获取所述第一时刻;
获取第二时刻,所述第二时刻是所述车辆接入所述推荐站点的时刻;
基于所述第一时刻和所述第二时刻,确定所述车辆在所述推荐站点的所述接入等待时间;以及
基于所述接入等待时间,确定所述奖励值。
17.根据权利要求15所述的装置,还包括:
奖励值确定模块,被配置为响应于在向所述车辆发送所述指令的第一时刻开始的一时间阈值内所述车辆未接入所述推荐站点,
基于所述奖励阈值,确定所述奖励值。
18.根据权利要求13所述的装置,其中所述多个站点是距所述车辆第一距离阈值内的站点。
19.根据权利要求13所述的装置,其中所述对应观察值包括:
针对对应站点的第一观察值;以及
针对与所述对应站点相距第二距离阈值内的其他站点的第二观察值。
20.根据权利要求19所述的装置,其中获取预先训练的推荐模型的对应观察值包括:
为所述第二观察值中的每个第二观察值确定相应的权重。
21.根据权利要求15所述的装置,所述奖励值是基于所述接入等待时间以及与所述第一时刻相关联的时刻的奖励值而确定的。
22.根据权利要求13所述的装置,其中确定推荐站点包括:
确定所述多个站点的每个站点的所述对应动作值;
从所述对应动作值中确定最大的动作值;以及
将对应于所述最大的动作值的站点确定为所述推荐站点。
23.根据权利要求13所述的装置,其中所述对应观察值指示:
当前的时间;
对应站点的空闲接入点的数目;
从所述接入请求发出的位置到所述对应站点的驾驶时间;和/或
所述对应站点的接入效率。
24.根据权利要求13所述的装置,其中所述站点是充电站。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
27.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011566349.3A CN112632382B (zh) | 2020-12-25 | 2020-12-25 | 用于为车辆推荐站点的方法、装置、设备以及存储介质 |
US17/531,529 US20220082397A1 (en) | 2020-12-25 | 2021-11-19 | Station recommendation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011566349.3A CN112632382B (zh) | 2020-12-25 | 2020-12-25 | 用于为车辆推荐站点的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632382A true CN112632382A (zh) | 2021-04-09 |
CN112632382B CN112632382B (zh) | 2024-04-12 |
Family
ID=75325387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011566349.3A Active CN112632382B (zh) | 2020-12-25 | 2020-12-25 | 用于为车辆推荐站点的方法、装置、设备以及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220082397A1 (zh) |
CN (1) | CN112632382B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107150603A (zh) * | 2017-04-28 | 2017-09-12 | 深圳充电网科技有限公司 | 一种提高充电桩与电动车的匹配度的方法和装置 |
US20200175614A1 (en) * | 2018-11-29 | 2020-06-04 | International Business Machines Corporation | Electric vehicle charging station having reverse tiered discount incentive |
CN111291920A (zh) * | 2020-01-10 | 2020-06-16 | 国网重庆市电力公司电力科学研究院 | 一种考虑多因素多场景的电动汽车充电站推荐方法 |
CN111492386A (zh) * | 2017-11-30 | 2020-08-04 | 北京嘀嘀无限科技发展有限公司 | 一种用于对电动车辆充电的系统和方法 |
CN111523722A (zh) * | 2020-04-20 | 2020-08-11 | 武汉大学 | 一种基于深度强化学习的智能充电站优化选择系统 |
CN111860228A (zh) * | 2020-06-30 | 2020-10-30 | 北京百度网讯科技有限公司 | 用于自主泊车的方法、装置、设备以及存储介质 |
-
2020
- 2020-12-25 CN CN202011566349.3A patent/CN112632382B/zh active Active
-
2021
- 2021-11-19 US US17/531,529 patent/US20220082397A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107150603A (zh) * | 2017-04-28 | 2017-09-12 | 深圳充电网科技有限公司 | 一种提高充电桩与电动车的匹配度的方法和装置 |
CN111492386A (zh) * | 2017-11-30 | 2020-08-04 | 北京嘀嘀无限科技发展有限公司 | 一种用于对电动车辆充电的系统和方法 |
US20200175614A1 (en) * | 2018-11-29 | 2020-06-04 | International Business Machines Corporation | Electric vehicle charging station having reverse tiered discount incentive |
CN111291920A (zh) * | 2020-01-10 | 2020-06-16 | 国网重庆市电力公司电力科学研究院 | 一种考虑多因素多场景的电动汽车充电站推荐方法 |
CN111523722A (zh) * | 2020-04-20 | 2020-08-11 | 武汉大学 | 一种基于深度强化学习的智能充电站优化选择系统 |
CN111860228A (zh) * | 2020-06-30 | 2020-10-30 | 北京百度网讯科技有限公司 | 用于自主泊车的方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220082397A1 (en) | 2022-03-17 |
CN112632382B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10976170B2 (en) | Electric vehicle routing system | |
JP6414760B2 (ja) | 電力需要予測装置、電力供給システム、及び電力需要予測方法 | |
US10473474B2 (en) | System and method for vehicle energy estimation, adaptive control and routing | |
US9776512B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
CN103295074B (zh) | 具有最佳定位的充电站的电动车辆(ev)充电基础设施的方法和系统 | |
US9090255B2 (en) | Hybrid vehicle fuel efficiency using inverse reinforcement learning | |
CN110400015B (zh) | 一种时间估计方法及其装置、设备 | |
CN111452794B (zh) | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 | |
US10157242B2 (en) | Charger arrangement planning supporting apparatus, charger arrangement planning supporting method, and program | |
CN108458716A (zh) | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 | |
CN109795371A (zh) | 基于移动终端路线规划的电动车辆充电提醒方法及装置 | |
CN106326992A (zh) | 一种基于电量匹配的app预约租车系统及方法 | |
CN110816549A (zh) | 能源管理装置、模型管理方法以及计算机程序 | |
EP3556601A1 (en) | Vehicle routing | |
US20180045527A1 (en) | Systems and Methods for Predicting Vehicle Fuel Consumption | |
CN108932553A (zh) | 确定交通工具需求数据的方法及装置 | |
CN113253722B (zh) | 电动车充电路径规划方法、装置及系统 | |
CN112801740A (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 | |
CN114692927A (zh) | 换电站推荐方法、系统、电子设备和存储介质 | |
CN109141448A (zh) | 一种电动车充电站搜索方法及智能车载终端 | |
CN114954129A (zh) | 充电站信息的推荐方法、装置、电子终端及存储介质 | |
CN111966111B (zh) | 基于自动配电的移动充电设备编队控制方法、系统、装置 | |
CN109253734A (zh) | 一种导航路线的生成方法、系统及相关组件 | |
JP2023155476A (ja) | 情報処理システム、情報処理装置、情報処理方法及び情報処理プログラム | |
CN112632382B (zh) | 用于为车辆推荐站点的方法、装置、设备以及存储介质 |
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 |