CN113112001A - 一种充电数据处理方法、装置和电子设备 - Google Patents

一种充电数据处理方法、装置和电子设备 Download PDF

Info

Publication number
CN113112001A
CN113112001A CN202110358225.4A CN202110358225A CN113112001A CN 113112001 A CN113112001 A CN 113112001A CN 202110358225 A CN202110358225 A CN 202110358225A CN 113112001 A CN113112001 A CN 113112001A
Authority
CN
China
Prior art keywords
charging
network module
user
information
parameter
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
CN202110358225.4A
Other languages
English (en)
Other versions
CN113112001B (zh
Inventor
陈少梦
戴桂婷
甘谊昂
周文杰
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202110358225.4A priority Critical patent/CN113112001B/zh
Publication of CN113112001A publication Critical patent/CN113112001A/zh
Application granted granted Critical
Publication of CN113112001B publication Critical patent/CN113112001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/0645—Rental transactions; Leasing transactions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明实施例公开了一种充电数据处理方法、装置和电子设备，通过获取包括目标用户第一信息和第二信息的充电请求，将第一信息输入至第一网络模块中进行处理，获得第一特征向量，将第二信息输入至第二网络模块中进行处理，获得第二特征向量，对第一特征向量和第二特征向量进行处理，获得目标用户的充电参数，根据充电参数执行对应的充电操作，由此，本实施例通过采用不同的网络模块来对不同属性的用户信息进行处理，可以提高充电参数的准确性，以使得基于充电参数所采用的充电模式更符合用户端和充电服务端的需求，进而减小资源浪费，保障用户端和充电服务端的权益。

Description

一种充电数据处理方法、装置和电子设备
技术领域
本发明涉及计算机技术领域，更具体地，涉及一种充电数据处理方法、装置和电子设备。
背景技术
目前，电动汽车、电瓶车、智能手机等设备的电池续航能力有时并不能满足需求，因此设立公共充电设备的需求也越来越大。
在现有技术中，对于所有用户，一般采用相同的充电模式进行充电，例如先充后付或者先付后充模式，未充分考虑用户自身的属性，例如偏好属性、信用属性等，由此，在先付后充模式中，可能用户时间充电未结束但由于急事需要离开而造成的资源浪费等情况，在先充后付模式中，可能导致充电资源(例如充电线等)丢失、用户充电结束未付款等造成充电服务端损失的情况。
发明内容
有鉴于此，本发明实施例提供一种充电数据处理方法、装置和电子设备，以通过采用不同的网络模块来对不同属性的用户信息进行处理，可以提高充电参数的准确性，以使得基于充电参数所采用的充电模式更符合用户端和充电服务端的需求，进而减小资源浪费，保障用户端和充电服务端的权益。
第一方面，本发明实施例提供了一种充电数据处理方法，所述方法包括：
获取充电请求，所述充电请求包括目标用户对应的第一信息和第二信息，所述第一信息至少包括用户基本信息，所述第二信息至少包括用户充电记录；
将所述第一信息输入至第一网络模块中进行处理，获得第一特征向量；
将所述第二信息输入至第二网络模块中进行处理，获得第二特征向量；
对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数；
根据所述充电参数执行对应的充电操作。
第二方面，本发明实施例提供了一种充电数据处理装置，所述装置包括：
请求获取单元，被配置为获取充电请求，所述充电请求包括目标用户对应的第一信息和第二信息，所述第一信息至少包括用户基本信息，所述第二信息至少包括用户充电记录；
第一向量获取单元，被配置为将所述第一信息输入至第一网络模块中进行处理，获得第一特征向量；
第二向量获取单元，被配置为将所述第二信息输入至第二网络模块中进行处理，获得第二特征向量；
参数获取单元，被配置为对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数；
执行单元，被配置为根据所述充电参数执行对应的充电操作。
第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如本发明实施例第一方面所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时以实现如本发明实施例第一方面所述的方法。
第五方面，本发明实施例提供一种计算机程序产品，其上存储计算机程序指令，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如本发明实施例第一方面所述的方法。
本发明实施例通过获取包括目标用户第一信息和第二信息的充电请求，将第一信息输入至第一网络模块中进行处理，获得第一特征向量，将第二信息输入至第二网络模块中进行处理，获得第二特征向量，对第一特征向量和第二特征向量进行处理，获得目标用户的充电参数，根据充电参数执行对应的充电操作。由此，本实施例通过采用不同的网络模块来对不同属性的用户信息进行处理，可以提高充电参数的准确性，以使得基于充电参数所采用的充电模式更符合用户端和充电服务端的需求，进而减小资源浪费，保障用户端和充电服务端的权益。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的充电数据处理方法的流程图；
图2是本发明实施例的充电数据处理模型的示意图；
图3是本发明实施例的lightgbm网络模块的示意图；
图4是本发明实施例的gru网络模块的示意图；
图5是本发明实施例的浅层神经网络模块的示意图；
图6是本发明实施例的模型训练方法的流程图；
图7是本发明实施例的充电数据处理装置的示意图；
图8是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
应理解，本实施例的充电数据处理方法可以应用于任意共享充电应用场景中，本实施例主要以电动汽车充电应用场景为例进行说明。同时，在本实施例中应用的所有信息均获得了用户的使用授权。
图1是本发明实施例的充电数据处理方法的流程图。如图1所示，
步骤S110，获取充电请求。其中，充电请求包括目标用户对应的第一信息和第二信息。第一信息至少包括用户基本信息，第二信息至少包括用户充电记录。
在一种可选的实现方式中，用户可以通过用户终端中的应用程序等发送充电请求，也可以通过操作充电场所提供的设备(例如充电桩上设置的设备等)发送充电请求，本实施例并不对此进行限制。
在一种可选的实现方式中，第一信息为非时序数据，用户基本信息可以包括用户年龄、性别、和/或常采用的充电模式(先充后付或先付后充等)等基本情况。可选的，第一信息还包括电池使用年限、充电设备使用年限等信息。可选的，若充电设备为车辆，则第一信息还可以包括车辆里程等信息。可选的，若充电设备为网约车，则第一信息还可以包括历史接单情况、当前接单情况、和/或乘客评价等信息。应理解，第一信息并不限制于上述信息，与充电相关的所有非时序数据均可应用于本实施例中。
在另一种可选的实现方式中，第二信息为时序数据，例如用户充电记录等。可选的，第二信息可以包括最近预定时间段内的用户充电记录。其中预定时间段可以为一个月、半年、或一年等，本实施例并不对此进行限制。
可选的，本实施例以一天(00:00-24:00)为一个时间节点，将用户在一个时间节点的充电行为确定为一个充电特征。由此，一个目标用户的充电特征X可以表示为[xt0,xt1,xt2,…]，xti用于表征第i天的充电特征，i为大于0的整数。可选的，充电特征包括一个时间节点的充电次数、各次充电行为的充电时间、对应的充电金额、充电时长、和/或充电结束时充电设备的电量等。可选的，充电特征可以为基于充电时间、对应的充电金额、充电时长、和/或充电结束时充电设备的电量等等形成的向量。可选的，可以通过bert模型确定各充电特征，应理解，充电特征也可以通过数字的进制转换等进行确定，本实施例并不对充电特征的确定方式进行限制。
应理解，本实施例并不对时间节点的时间长度进行限制，其还可以为半天(例如00:00-12:00,12:00-24:00)，两天等。
在其他可选的实现方式中，可以将一次充电行为作为一个充电特征，充电特征包括该次充电行为的充电时间、对应的充电金额、充电时长、和/或充电结束时充电设备的电量等。
步骤S120，将第一信息输入至第一网络模块中进行处理，获得第一特征向量。
在一种可选的实现方式中，第一网络模块为基于提升树框架的模型。可选的，在本实施例中，将包括上述部分或全部非时序数据的第一信息输入至第一网络模块中进行处理，获取各子树的叶子节点数值，以确定第一特征向量。
可选的，第一网络模块为lightgbm(Light Gradient Boosting Machine，梯度提升树)网络。其他基于提升树框架的模型，例如GBDT(Gradient Boosting Decision Tree)网络等也可应用于本实施例中，本实施例并不对此进行限制。
步骤S130，将第二信息输入至第二网络模块中进行处理，获得第二特征向量。
在一种可选的实现方式中，第二网络模块为基于循环神经网络框架的网络。可选的，在本实施例中，将包括用户充电记录等时序数据的第二信息输入至第二网络模块中，将第二网络模块的所有输出进行组合以确定第二特征向量。
可选的，第二网络模块为gru网络。应理解，其他基于循环神经网络框架的模型，例如LSTM(Long Short-Term Memory，长短时记忆网络)等均可应用于本实施例中，本实施例并不对此进行限制。
应理解，步骤S120和步骤S130可以同时执行，也可以先后执行，本实施例并不对步骤S120和步骤S130的执行顺序进行限制。
步骤S140，对第一特征向量和第二特征向量进行处理，获得目标用户的充电参数。
步骤S150，根据充电参数执行对应的充电操作。
在一种可选的实现方式中，将第一特征向量和第二特征向量进行拼接，获得目标向量，将目标向量输入至第三网络模块中进行处理，以获得充电参数。
可选的，假设第一特征向量为50维向量，第二特征向量为30维，则拼接后的目标向量为80维向量。例如，假设第一特征向量为[v11,v12,…,v1m]，第二特征向量为[v21,v22,…,v2n]，则目标向量可以为[v11,v12,…v1m,v21,v22,…,v2n]。其中，n、m均为大于0的整数。应理解，本实施例并不对向量拼接的各向量顺序进行限制，上述示例获得的目标向量也可以为[v21,v22,…,v2n,v11,v12,…v1m]。
可选的，第三网络模块为神经网络(neural network，nn)。在本实施例中，并不对第三网络模块的神经网络层数进行限制。可选的，第三网络模块可以采用浅层神经网络(One hidden layer Neural Network)，以降低数据计算量，提高数据处理效率。
可选的，将目标向量输入至第三网络模块中进行处理，获得用户信用参数，根据用户信用参数确定充电参数，或者根据用户信用参数和用户模式偏好参数确定充电参数。进一步可选的，用户模式偏好参数可以根据用户预先设置的偏好模式，或者用户历史充电记录所采用的充电模式确定，本实施例并不对此进行限制。由此，基于用户信用参数确定充电参数，并基于充电参数执行对应的充电操作，也即基于充电参数选择对应的充电模式进行充电，可以在满足用户端的充电需求的情况下，使得充电服务端的权益得到保障。
在一种可选的实现方式中，充电参数表征用户信用参数。在本实施例中，预先设置有参数阈值。步骤S150可以包括：响应于目标用户的充电参数大于或等于该参数阈值，根据第一充电模式执行对应的充电操作，响应于目标用户的充电参数小于预设的参数阈值，根据第二充电模式执行对应的充电操作。可选的，在本实施例中，第一充电模式为先充后付模式，也即先充电，充电完成后执行付款操作。第二充电模式为先付后充模式，也即先购买预定时间或者预定电能的电，再执行充电操作。
可选的，用户信用参数越高，也即其信用度越好，其充电参数也越高，更推荐采用先充后付的充电模式。用户信用参数越低，也即其信用度越低，可能发生过充电后未付款行为，因此，为了保障充电服务端的权益，使得产生过逃单行为或频繁产生逃单的用户根据先付款后充电的模式执行充电操作。由此，可以避免信用参数较高的用户因意外情况导致所购电未用完造成资源浪费的情况，保障了用户权益，提高了用户体验感。同时对用户信用度越好的用户根据先充后付模式执行充电操作，或者对信用度较差的用户根据先付后充模式执行充电操作，使得充电服务端的权益也能够得到保障。
在另一种可选的实现方式中，充电参数表征用户信用参数和用户模式偏好参数，可以记为[c1,c2]，其中c1为用户信用参数，c2为用户模式偏好参数。可选的，用户模式偏好参数为第一值表征用户偏好先充后付模式，用户模式偏好参数为第二值表征用户偏好先付后充模式。可选的，步骤S150可以包括：响应于充电参数大于或等于预设的参数阈值，且用户模式偏好参数为第一值，根据第一充电模式执行对应的充电操作，响应于充电参数小于预设的参数阈值，或者充电参数大于或等于预设的参数阈值，且用户模式偏好参数为第二值，根据第二充电模式执行对应的充电操作。
在具体用场景中，有些用户虽然信用参数很高，但是为了避免充电结束后忘记付款或者其他情况，其更偏好先付款后充电的模式。因此，本实施例通过采用用户信用参数和用户模式偏好参数来确定充电模式，在保障用户端和充电服务端权益的同时，提高了用户体验感。
在本实施例中，基于模型确定的充电参数仅仅用于确定用户本次充电所要采用的充电模式，也即确定用户采用先充电后付款模式或者先付款后充电模式。应理解，不同的充电模式在相同的充电场景(例如在同一电动汽车充电站)的充电费用定价是相同的，不会因不同的充电模式产生价格差异。例如，假设充电定价为x元/小时，则无论采用哪种充电模式，若充电时长为1小时，其费用均为x元。
本发明实施例通过获取包括目标用户第一信息和第二信息的充电请求，将第一信息输入至第一网络模块中进行处理，获得第一特征向量，将第二信息输入至第二网络模块中进行处理，获得第二特征向量，对第一特征向量和第二特征向量进行处理，获得目标用户的充电参数，根据充电参数执行对应的充电操作，由此，本实施例通过采用不同的网络模块来对不同属性的用户信息进行处理，可以提高充电参数的准确性，以使得基于充电参数所采用的充电模式更符合用户端和充电服务端的需求，进而减小资源浪费，保障用户端和充电服务端的权益。
图2是本发明实施例的充电数据处理模型的示意图。本实施例的充电数据处理模型包括第一网络模块、第二网络模块和第三网络模块。可选的，本实施例以第一网络模块为lightgbm网络，第二网络模块为gru网络，第三网络模块为浅层神经网络为例进行说明。
如图2所示，充电数据处理模型2包括lightgbm网络模块21、gru网络模块22和浅层神经网络模块23。
图3是本发明实施例的lightgbm网络模块的示意图。在本实施例中，将用户信息中的非时序数据输入至lightgbm网络模块21中进行处理，获取lightgbm网络模块21的各子树的叶子节点数值，以确定第一特征向量。如图3所示，lightgbm网络模块21包括多个子树211、212等，将各子树的叶子节点的输出进行组合形成第一特征向量。可选的，用户信息中的非时序数据可以包括用户姓名或标识、年龄、性别、充电电池和/或充电设备的使用年限等，若充电设备为网约车，用户信息中的非时序数据还可以包括当前接单情况、历史接单情况、司机驾龄、当天行驶里程、和/或历史行驶里程等。
图4是本发明实施例的gru网络模块的示意图。在本实施例中，将用户信息中的时序数据输入至gru网络模块22中进行处理，将gru网络模块22的所有输出进行组合以确定第二特征向量。其中，用户信息中的时序数据包括用户充电记录。如图4所示，gru网络模块22包括多个循环单元cell-0、cell-0、cell-2等，假设时序数据为[xt0,xt1,xt2,…]，将时序数据[xt0,xt1,xt2,…]输入至gru网络模块22进行处理，获得各循环单元的输出[yt0,yt1,yt2,…]，以确定第二特征向量。
图5是本发明实施例的浅层神经网络模块的示意图。应理解，图5中的浅层神经网络仅仅是示例性的，其并不对浅层神经网络的层数进行限制。在本实施例中，将第一特征向量和第二特征向量拼接后作为目标向量输入至浅层神经网络模块23中进行处理，输出用户信用参数。如图5所示，浅层神经网络23包括多层全连接层、relu激活层和sigmoid激活层，以对目标向量中的特征进行组合分析，以获取用户信用参数。可选的，浅层神经网络模块23对用户信用进行打分，以获取用户信用参数。在其他可选的实现方式中，浅层神经网络模块23执行分类任务，用户信用参数的值可以为1或0。在获取的用户信用参数的值为1时表征该目标用的信用度高于某一阈值，在获取的用户信用参数的值为0时表征该目标用的信用度不高于某一阈值。由此，可以基于用户信用参数来执行对应的充电操作，从而保障用户端和充电服务端的权益。
本实施例通过采用lightgbm网络模块和gru网络模块分别对非时序数据和时序数据进行处理，并经由浅层神经网络对用lightgbm网络模块和gru网络模块22的输出结果进行分析，以获取充电参数，由此，可以提高获取的充电参数的准确性，以使得基于充电参数所采用的充电模式更符合用户端和充电服务端的需求，进而减小资源浪费，保障用户端和充电服务端的权益。
图6是本发明实施例的模型训练方法的流程图。如图6所示，本实施例的充电数据处理模型的模型训练方法包括以下步骤：
步骤S210，根据第一训练集中的用户样本及标签训练第一网络模块。可选的，将第一训练集中的用户样本的非时序数据输入至第一网络模块中，并基于预定的损失函数和各用户样本标签调节第一网络模块的参数，直至损失函数最小化，固定第一网络模块的参数。
步骤S220，根据第二训练集中的用户样本及标签训练第二网络模块。可选的，将第二训练集中的用户样本的时序数据输入至第二网络模块中，并基于预定的损失函数和各用户样本标签调节第二网络模块的参数，直至损失函数最小化，固定第二网络模块的参数。
步骤S230，固定第一网络模块和第二网络模块的参数，根据第三训练集中的用户样本及标签训练所述第三网络模块。可选的，将第三训练集中的用户样本的非时序数据输入至第一网络模块进行处理，获取各用户样本对应的第一特征向量，将第三训练集中的用户样本的时序数据输入至第二网络模块进行处理，获取各用户样本对应的第二特征向量，将各用户样本对应的第一特征向量和第二特征向量拼接后输入至第三网络模块中进行处理，并基于预定的损失函数和各用户样本标签调节第三网络模块的参数，直至损失函数最小化，固定第三网络模块的参数。
可选的，在本实施例中，用户样本的标签可以为守信(例如标注为1)、不守信(例如标注为0)。由此，本实施例可以分别对第一网络模块、第二网络模块和第三网络模块执行二分类训练。可选的，预定的损失函数可以为binary cross entropy(二分类的交叉熵)损失函数。应理解，本实施例并不对各网络模块的损失函数进行限制。
在一种可选的实现方式中，用于训练第一网络模块的第一训练集和用于训练第二网络模块的第二训练集中的用户样本可以相同也可以不相同。可选的，在第一训练集合第二训练集中的用户样本相同时，第一训练集与用于训练第三网络模块的第三训练集中的用户样本不同，以防止过拟合。
本实施例根据第一训练集中的用户样本及标签训练第一网络模块，根据第二训练集中的用户样本及标签训练第二网络模块，固定第一网络模块和所述第二网络模块的参数，根据第三训练集中的用户样本及标签训练第三网络模块。由此，可以提高训练完成后的充电数据处理模型能够更准确地确定目标用户的信用参数，从而使得基于目标用户的信用参数确定的充电参数更准确，进而可以使得基于充电参数所采用的充电模式更符合用户端和充电服务端的需求，以减小资源浪费，保障用户端和充电服务端的权益。
图7是本发明实施例的充电数据处理装置的示意图。如图7所示，本实施例的充电数据处理装置7包括请求获取单元71、第一向量获取单元72、第二向量获取单元73、参数获取单元74和执行单元75。
请求获取单元71被配置为获取充电请求，所述充电请求包括目标用户对应的第一信息和第二信息，所述第一信息至少包括用户基本信息，所述第二信息至少包括用户充电记录。第一向量获取单元72被配置为将所述第一信息输入至第一网络模块中进行处理，获得第一特征向量。第二向量获取单元73被配置为将所述第二信息输入至第二网络模块中进行处理，获得第二特征向量。参数获取单元74被配置为对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数。执行单元75被配置为根据所述充电参数执行对应的充电操作。可选的，所述第一信息为非时序数据，所述第二信息为时序数据。可选的，所述第一网络模块为lightgbm网络模块。可选的，所述第二网络模块为gru网络模块。
在一种可选的实现方式中，参数获取单元74包括目标向量获取单元和参数获取子单元。目标向量获取单元被配置为将所述第一特征向量和所述第二特征向量进行拼接，获得目标向量。参数获取子单元被配置为将所述目标向量输入至第三网络模块中进行处理，以获得所述充电参数。可选的，所述第三网络模块为神经网络模块。
在一种可选的实现方式中，所述充电参数表征用户信用参数，执行单元75包括第一执行子单元和第二执行子单元。第一执行子单元，被配置为响应于所述充电参数大于或等于预设的参数阈值，根据第一充电模式执行对应的充电操作。第二执行子单元，被配置为响应于所述充电参数小于预设的参数阈值，根据第二充电模式执行对应的充电操作。
在一种可选的实现方式中，所述充电参数表征用户信用参数和用户模式偏好参数，执行单元75包括第三执行子单元、第四执行子单元和第五子单元。第三执行子单元被配置为响应于所述充电参数大于或等于预设的参数阈值，且所述用户模式偏好参数为第一值，根据第一充电模式执行对应的充电操作。第四执行子单元被配置为响应于所述充电参数小于预设的参数阈值，根据第二充电模式执行对应的充电操作。第五执行子单元被配置为响应于所述充电参数大于或等于预设的参数阈值，且所述用户模式偏好参数为第二值，根据第二充电模式执行对应的充电操作。
在一种可选的实现方式中，用于训练所述第一网络模块的第一训练集和用于训练所述第二网络模块的第二训练集中的用户样本相同，所述第一训练集与用于训练所述第三网络模块的第三训练集中的用户样本不同。
在一种可选的实现方式中，所述装置还包括训练单元，所述训练单元包括第一训练子单元、第二训练子单元和第三训练子单元。第一训练子单元被配置为根据第一训练集中的用户样本及标签训练所述第一网络模块。第二训练子单元被配置为根据第二训练集中的用户样本及标签训练所述第二网络模块。第三训练子单元被配置为固定所述第一网络模块和所述第二网络模块的参数，根据第三训练集中的用户样本及标签训练所述第三网络模块。
本发明实施例通过获取包括目标用户第一信息和第二信息的充电请求，将第一信息输入至第一网络模块中进行处理，获得第一特征向量，将第二信息输入至第二网络模块中进行处理，获得第二特征向量，对第一特征向量和第二特征向量进行处理，获得目标用户的充电参数，根据充电参数执行对应的充电操作，由此，本实施例通过采用不同的网络模块来对不同属性的用户信息进行处理，可以提高充电参数的准确性，以使得基于充电参数所采用的充电模式更符合用户端和充电服务端的需求，进而减小资源浪费，保障用户端和充电服务端的权益。
图8是本发明实施例的电子设备的示意图。如图8所示，电子设备8为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器81和存储器82。处理器81和存储器82通过总线83连接。存储器82适于存储处理器81可执行的指令或程序。处理器81可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器81通过执行存储器82所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线83将上述多个组件连接在一起，同时将上述组件连接到显示控制器84和显示装置以及输入/输出(I/O)装置85。输入/输出(I/O)装置85可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置85通过输入/输出(I/O)控制器86与系统相连。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述部分或全部的方法实施例。
本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开了一种TS1、一种充电数据处理方法，所述方法包括：
获取充电请求，所述充电请求包括目标用户对应的第一信息和第二信息，所述第一信息至少包括用户基本信息，所述第二信息至少包括用户充电记录；
将所述第一信息输入至第一网络模块中进行处理，获得第一特征向量；
将所述第二信息输入至第二网络模块中进行处理，获得第二特征向量；
对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数；
根据所述充电参数执行对应的充电操作。
TS2、根据TS1所述的方法，对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数包括：
将所述第一特征向量和所述第二特征向量进行拼接，获得目标向量；
将所述目标向量输入至第三网络模块中进行处理，以获得所述充电参数。
TS3、根据TS1或TS2所述的方法，所述充电参数表征用户信用参数，根据所述充电参数执行对应的充电操作包括：
响应于所述充电参数大于或等于预设的参数阈值，根据第一充电模式执行对应的充电操作；
响应于所述充电参数小于预设的参数阈值，根据第二充电模式执行对应的充电操作。
TS4、根据TS1或TS2所述的方法，所述充电参数表征用户信用参数和用户模式偏好参数，根据所述充电参数执行对应的充电操作包括：
响应于所述充电参数大于或等于预设的参数阈值，且所述用户模式偏好参数为第一值，根据第一充电模式执行对应的充电操作；
响应于所述充电参数小于预设的参数阈值，根据第二充电模式执行对应的充电操作；
响应于所述充电参数大于或等于预设的参数阈值且所述用户模式偏好参数为第二值，根据第二充电模式执行对应的充电操作。
TS5、根据TS2所述的方法，用于训练所述第一网络模块的第一训练集和用于训练所述第二网络模块的第二训练集中的用户样本相同，所述第一训练集与用于训练所述第三网络模块的第三训练集中的用户样本不同。
TS6、根据TS5所述的方法，所述第一网络模块、所述第二网络模块和所述第三网络模块通过以下步骤训练：
根据第一训练集中的用户样本及标签训练所述第一网络模块；
根据第二训练集中的用户样本及标签训练所述第二网络模块；
固定所述第一网络模块和所述第二网络模块的参数，根据第三训练集中的用户样本及标签训练所述第三网络模块。
TS7、根据TS1或TS2所述的方法，所述第一信息为非时序数据，所述第二信息为时序数据。
TS8、根据TS1-TS7中任一项所述的方法，所述第一网络模块为lightgbm网络模块。
TS9、根据TS1-TS8中任一项所述的方法，所述第二网络模块为gru网络模块。
本发明实施例公开了TS10、一种充电数据处理装置，所述装置包括：
请求获取单元，被配置为获取充电请求，所述充电请求包括目标用户对应的第一信息和第二信息，所述第一信息至少包括用户基本信息，所述第二信息至少包括用户充电记录；
第一向量获取单元，被配置为将所述第一信息输入至第一网络模块中进行处理，获得第一特征向量；
第二向量获取单元，被配置为将所述第二信息输入至第二网络模块中进行处理，获得第二特征向量；
参数获取单元，被配置为对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数；
执行单元，被配置为根据所述充电参数执行对应的充电操作。
TS11、根据TS10所述的装置，所述参数获取单元包括：
目标向量获取单元，被配置为将所述第一特征向量和所述第二特征向量进行拼接，获得目标向量；
参数获取子单元，被配置为将所述目标向量输入至第三网络模块中进行处理，以获得所述充电参数。
TS12、根据TS10或TS11所述的装置，所述充电参数表征用户信用参数，所述执行单元包括：
第一执行子单元，被配置为响应于所述充电参数大于或等于预设的参数阈值，根据第一充电模式执行对应的充电操作；
第二执行子单元，被配置为响应于所述充电参数小于预设的参数阈值，根据第二充电模式执行对应的充电操作。
TS13、根据TS10或TS11所述的装置，所述充电参数表征用户信用参数和用户模式偏好参数，所述执行单元包括：
第三执行子单元，被配置为响应于所述充电参数大于或等于预设的参数阈值，且所述用户模式偏好参数为第一值，根据第一充电模式执行对应的充电操作；
第四执行子单元，被配置为响应于所述充电参数小于预设的参数阈值，根据第二充电模式执行对应的充电操作；
第五执行子单元，被配置为响应于所述充电参数大于或等于预设的参数阈值，且所述用户模式偏好参数为第二值，根据第二充电模式执行对应的充电操作。
TS14、根据TS11所述的装置，用于训练所述第一网络模块的第一训练集和用于训练所述第二网络模块的第二训练集中的用户样本相同，所述第一训练集与用于训练所述第三网络模块的第三训练集中的用户样本不同。
TS15、根据TS14所述的装置，所述装置还包括训练单元，所述训练单元包括：
第一训练子单元，被配置为根据第一训练集中的用户样本及标签训练所述第一网络模块；
第二训练子单元，被配置为根据第二训练集中的用户样本及标签训练所述第二网络模块；
第三训练子单元，被配置为固定所述第一网络模块和所述第二网络模块的参数，根据第三训练集中的用户样本及标签训练所述第三网络模块。
TS16、根据TS10或TS11所述的装置，所述第一信息为非时序数据，所述第二信息为时序数据。
TS17、根据TS10-TS16中任一项所述的装置，所述第一网络模块为lightgbm网络模块。
TS18、根据TS10-TS17中任一项所述的装置，所述第二网络模块为gru网络模块。
本发明实施例公开了TS19、一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如TS1-9中任一项所述的方法。
本发明实施例公开了20、一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如TS1-TS9任一项所述的方法。
本发明实施例公开了21、一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如TS1-TS9中任一项所述的方法。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种充电数据处理方法，其特征在于，所述方法包括：
获取充电请求，所述充电请求包括目标用户对应的第一信息和第二信息，所述第一信息至少包括用户基本信息，所述第二信息至少包括用户充电记录；
将所述第一信息输入至第一网络模块中进行处理，获得第一特征向量；
将所述第二信息输入至第二网络模块中进行处理，获得第二特征向量；
对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数；
根据所述充电参数执行对应的充电操作。
2.根据权利要求1所述的方法，其特征在于，对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数包括：
将所述第一特征向量和所述第二特征向量进行拼接，获得目标向量；
将所述目标向量输入至第三网络模块中进行处理，以获得所述充电参数。
3.根据权利要求1或2所述的方法，其特征在于，所述充电参数表征用户信用参数，根据所述充电参数执行对应的充电操作包括：
响应于所述充电参数大于或等于预设的参数阈值，根据第一充电模式执行对应的充电操作；
响应于所述充电参数小于预设的参数阈值，根据第二充电模式执行对应的充电操作。
4.根据权利要求2所述的方法，其特征在于，用于训练所述第一网络模块的第一训练集和用于训练所述第二网络模块的第二训练集中的用户样本相同，所述第一训练集与用于训练所述第三网络模块的第三训练集中的用户样本不同。
5.根据权利要求4所述的方法，其特征在于，所述第一网络模块、所述第二网络模块和所述第三网络模块通过以下步骤训练：
根据第一训练集中的用户样本及标签训练所述第一网络模块；
根据第二训练集中的用户样本及标签训练所述第二网络模块；
固定所述第一网络模块和所述第二网络模块的参数，根据第三训练集中的用户样本及标签训练所述第三网络模块。
6.根据权利要求1或2所述的方法，其特征在于，所述第一信息为非时序数据，所述第二信息为时序数据。
7.一种充电数据处理装置，其特征在于，所述装置包括：
请求获取单元，被配置为获取充电请求，所述充电请求包括目标用户对应的第一信息和第二信息，所述第一信息至少包括用户基本信息，所述第二信息至少包括用户充电记录；
第一向量获取单元，被配置为将所述第一信息输入至第一网络模块中进行处理，获得第一特征向量；
第二向量获取单元，被配置为将所述第二信息输入至第二网络模块中进行处理，获得第二特征向量；
参数获取单元，被配置为对所述第一特征向量和所述第二特征向量进行处理，获得所述目标用户的充电参数；
执行单元，被配置为根据所述充电参数执行对应的充电操作。
8.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如权利要求1-6中任一项所述的方法。
CN202110358225.4A 2021-04-01 2021-04-01 一种充电数据处理方法、装置和电子设备 Active CN113112001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110358225.4A CN113112001B (zh) 2021-04-01 2021-04-01 一种充电数据处理方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110358225.4A CN113112001B (zh) 2021-04-01 2021-04-01 一种充电数据处理方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113112001A true CN113112001A (zh) 2021-07-13
CN113112001B CN113112001B (zh) 2024-06-14

Family

ID=76713394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110358225.4A Active CN113112001B (zh) 2021-04-01 2021-04-01 一种充电数据处理方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113112001B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190377979A1 (en) * 2017-08-30 2019-12-12 Tencent Technology (Shenzhen) Company Limited Image description generation method, model training method, device and storage medium
WO2020134478A1 (zh) * 2018-12-29 2020-07-02 北京灵汐科技有限公司 一种人脸识别方法、特征提取模型的训练方法及其装置
CN111831630A (zh) * 2019-12-30 2020-10-27 北京骑胜科技有限公司 数据处理方法、装置、电子设备和计算机可读存储介质
CN112116024A (zh) * 2020-09-28 2020-12-22 北京嘀嘀无限科技发展有限公司 用户分类模型的方法、装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190377979A1 (en) * 2017-08-30 2019-12-12 Tencent Technology (Shenzhen) Company Limited Image description generation method, model training method, device and storage medium
WO2020134478A1 (zh) * 2018-12-29 2020-07-02 北京灵汐科技有限公司 一种人脸识别方法、特征提取模型的训练方法及其装置
CN111831630A (zh) * 2019-12-30 2020-10-27 北京骑胜科技有限公司 数据处理方法、装置、电子设备和计算机可读存储介质
CN112116024A (zh) * 2020-09-28 2020-12-22 北京嘀嘀无限科技发展有限公司 用户分类模型的方法、装置、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
余臻;宁宣熙;李保珍;朱庆华;: "社会化标注系统中用户需求偏好的一种获取方法", 南京航空航天大学学报, no. 01 *
卜凡鹏;田世明;高晶晶;齐林海;: "一种基于协同过滤的电动汽车充电推荐方法", 科技导报, no. 21 *

Also Published As

Publication number Publication date
CN113112001B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN109145982A (zh) 驾驶员的身份识别方法及装置、存储介质、终端
US20190324805A1 (en) Method, apparatus and computer program product for resource scheduling
CN108806302A (zh) 一种车辆调度方法及装置
CN112435469A (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
CN113746696A (zh) 网络流量预测方法、设备、存储介质及装置
CN111949795A (zh) 工单自动分类方法及装置
CN113178024A (zh) 基于人工智能的融合型车载智能存储系统及方法
CN113516239A (zh) 模型训练方法、装置、存储介质及电子设备
CN112528160A (zh) 智能推荐、模型训练方法、装置、电子设备及存储介质
CN113112857A (zh) 智慧停车场车辆停放引导方法及人工智能服务器
CN109978058B (zh) 确定图像分类的方法、装置、终端及存储介质
CN114612011A (zh) 一种风险防控决策方法及装置
CN113472860A (zh) 大数据和数字化环境下的业务资源分配方法及服务器
CN113112001A (zh) 一种充电数据处理方法、装置和电子设备
CN110543699B (zh) 共享车辆出行数据仿真、共享车辆调度方法、装置及设备
CN111178558B (zh) 网约车订单处理方法及装置、计算机设备和可读存储介质
CN111754261A (zh) 一种车辆出租意愿的评估方法、装置及终端设备
CN113508606A (zh) 根据噪声多模态数据自动确定针对兴趣点的最优运输服务位置
CN115271102A (zh) 一种机器学习引擎的任务导向的优先级方法及系统
CN111260383B (zh) 注册概率预估方法及装置、概率预估模型构建方法及装置
CN114237182A (zh) 机器人调度方法及系统
CN111445371A (zh) 运输路线生成方法、装置、计算机设备和存储介质
CN112861951B (zh) 一种图像神经网络参数的确定方法及电子设备
CN111932035B (zh) 基于多模型的数据处理方法、装置及分类建模的方法
CN116749819A (zh) 一种换电数据处理方法、装置和电子设备

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