CN113135114A - 一种电动车辆的充电提醒方法及装置 - Google Patents

Abstract

本发明公开了一种电动车辆的充电提醒方法，包括：获取车辆的当前停车信息；将当前停车信息输入至出行预测模型进行处理，得到本次出行的预测终点信息；根据当前停车信息、本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息；其中，出行预测模型是基于历史出行数据中的停车信息与相应的终点信息进行机器学习训练确定的，历史出行数据中的停车信息对应的终点信息与当前停车信息对应的预测终点信息属于同一位置信息。本发明还公开了一种电动车辆的充电提醒装置。采用本发明，能够将电动车辆的使用过程中的出行和充电相互关联，从出行规律中找出应对的充电策略，能够更加及时进而增强用户体验。

Description

一种电动车辆的充电提醒方法及装置

技术领域

本发明涉及电动车辆驾驶领域，特别涉及一种电动车辆的充电提醒方法及装置。

背景技术

现阶段充电提醒的主要方案是，根据车辆行进中的路线，以及预测可能的总电耗，判断剩余SOC能否完成本次出行，并在行进中的不同的SOC阶段提醒用户充电并推荐附近的充电桩。运用这种提醒方法，每次出行需要车载端数据上传数据以及云端服务器计算更新结果，再反馈到本地，需占用较多的本地网络资源、消耗大量时间用于数据传输以及云端服务器计算资源要求较高，并且只是在用户可能遇到电量不足的情况下提供的提醒服务，导致充电行为过于临时，可能存在的充电桩排队等情况，未能有效消除用户电量焦虑感，用户体验提升的有限。

另外，现阶段充电提醒还通过目的地预测进行提醒，主要有两种方式。其一是根据车辆行进中的轨迹，结合车辆行驶的历史数据，预测车辆的目的地，这种预测方式，需车主行驶一段时间后才能进行预测，及时性差，同时占用本地存储，消耗本地计算和带宽资源，还有预测模型更新慢等问题。无法结合充电行为数据，提前提供充电提醒等功能。其二是根据车辆的历史出行数据，终点采用了DBSCAN密度聚类算法，聚类的中心作为目的地，有效的将历史轨迹数据进行特征抽取后，封装为稀疏向量，输入到逻辑回归模型中训练得到车辆目的地预测模型，根据出发起点的位置、具体出发时分、上午或下午、星期几以及一年中的第几周的特征来预测目的地，保证预测的及时性，但是聚类过程频繁计算地球坐标系中的空间距离，计算资源要求较高，并且目的地还只是GPS坐标，如果要结合充电数据，需再次计算充电位置与目的地的空间距离，判断是否在一定范围内才能关联起来，计算过程繁杂。同样无法有效结合充电行为数据，提前提供充电提醒等功能。

发明内容

为解决上述技术问题，第一方面，本发明公开了一种电动车辆的充电提醒方法，所述方法包括：

获取车辆的当前停车信息；

将所述当前停车信息输入至所述出行预测模型进行处理，得到本次出行的预测终点信息；

根据所述当前停车信息、所述本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息；

其中，所述出行预测模型是基于历史出行数据中的停车信息与相应的终点信息进行机器学习训练确定的，所述历史出行数据中的停车信息对应的终点信息与所述当前停车信息对应的预测终点信息属于同一位置信息。

进一步的，所述将所述当前停车信息输入至所述出行预测模型进行处理，得到本次出行的预测终点信息包括：

根据所述当前停车信息得到本次出行的时间信息和起点信息；所述当前停车信息包括当前停车的位置信息和时间信息；

将所述本次出行的时间信息和起点信息输入至所述出行预测模型进行处理，得到所述本次出行的预测终点信息。

进一步的，所述根据所述当前停车信息、所述本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息包括：

根据所述本次出行的预测终点信息与所述本次出行的起点信息，判断本次出行的预测终点和起点之间的距离是否大于第一预设值；

若本次出行的预测终点和起点之间的距离不大于第一预设值，则在预设时间前向用户发送对应的充电提醒信息；

若本次出行的预测终点和起点之间的距离大于第一预设值，从历史出行数据中获取含有位置的历史充电信息，并根据所述历史充电信息向用户发送对应的充电提醒信息。

进一步的，所述若本次出行的预测终点和起点之间的距离大于第一预设值，从历史出行数据中获取含有位置的历史充电信息，并根据所述历史充电信息向用户发送对应的充电提醒信息包括：

从历史出行数据中获取含有位置的历史充电信息；

对所述历史充电信息的位置进行编码，并根据编码后的位置信息将所述历史充电信息与所述历史出行轨迹信息进行关联；

比较所述历史出行轨迹中不同位置的充电行为信息，所述充电行为信息包括充电快慢方式、出行耗电量和停靠时间；

根据所述充电行为信息向用户发送对应的充电提醒信息。

进一步的，所述方法还包括：

将所述本次出行的预测终点信息输入至所述出行预测模型得到下次出行的预测终点信息；

根据所述本次出行的预测终点信息、所述下次出行的预测终点信息和本次出行后的预测剩余电量，向用户发送对应的预约充电提醒信息。

进一步的，所述根据所述本次出行的预测终点信息、所述下次出行的预测终点信息和本次出行后的预测剩余电量，向用户发送对应的预约充电提醒信息包括：

根据所述下次出行的预测终点信息和所述本次出行的预测终点信息获取下次出行的历史耗电信息；

若所述下次出行的历史耗电信息小于所述本次出行后的预测剩余电量，则向用户发送预约充电提醒信息。

进一步的，所述方法还包括：

根据所述下次出行的预测终点信息和所述本次出行的预测终点信息，获取历史到达时间和历史停靠时间；

根据所述历史到达时间和历史停靠时间，向用户发送预约对应的充电桩和充电时间段的提醒信息。

进一步的，在所述获取车辆的当前停车信息之前，还包括：

获取车辆的历史出行信息；

从所述历史出行信息中提取车辆的历史停车信息；

根据所述历史停车信息得到历史出行轨迹信息和历史出行时间信息；所述历史出行轨迹信息包括历史出行的起点信息和终点信息，所述历史出行时间信息包括与所述历史出行轨迹信息对应的星期几信息、节假日信息和周次信息；

根据所述历史出行轨迹信息和历史出行时间信息训练得到所述出行预测模型。

进一步的，所述根据所述历史出行轨迹信息和历史出行时间信息训练得到所述出行预测模型包括：

根据所述历史出行的起点信息、星期几信息、节假日信息和周次信息计算得到输入特征向量；

根据所述输入特征向量计算得到对应终点信息的概率值；

根据所述概率值确定终点信息，并生成所述出行预测模型。

第二方面，本发明还提供了一种电动车辆的充电提醒装置，所述装置包括：

当前停车信息获取模块，用于获取车辆的当前停车信息，

本次出行的预测终点信息获取模块，用于将所述当前停车信息输入至所述出行预测模型进行处理，得到本次出行的预测终点信息；

充电提醒模块，用于根据所述当前停车信息、所述本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息；

其中，所述出行预测模型是基于历史出行数据中的停车信息与相应的终点信息进行机器学习训练确定的，所述历史出行数据中的停车信息对应的终点信息与所述当前停车信息对应的预测终点信息属于同一位置信息。

第三方面，本发明还提供了一种电动车辆的充电提醒设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序、所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述任一所述的电动车辆的充电提醒方法。

第四方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述任一所述的电动车辆的充电提醒方法。

采用上述技术方案，本发明具有如下有益效果：能够将电动车辆的使用过程中的出行和充电相互关联，从出行规律中找出应对的充电策略，相比于在行进过程中预测提醒更加及时，相比于只预测目的地更加能够充分发挥出历史出行规律的价值，进而增强用户体验。另外，通过线上大数据平台存储和计算，随着数据量的增长和丰富，出行的规律也越来越明显，充电策略也越准确，系统体验也越好。而越来越准确的充电策略不仅能帮用户节约时间和金钱，同时能间接帮助商用充电桩更加科学高效的运用社会电力资源。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种电动车辆的充电提醒方法；

图2为本发明实施例提供的一种出行预测模型训练方法；

图3为本发明实施例提供的一种出行预测模型具体训练方法；

图4为本发明实施例所述步骤S400的一种实施方式；

图5为本发明实施例所述步骤S600的一种实施方式；

图6为本发明实施例所述步骤S620的一种实施方式；

图7为本发明实施例所述步骤S630的一种实施方式；

图8为本发明实施例提供的另一种电动车辆的充电提醒方法；

图9为本发明实施例所述步骤S900的一种实施方式；

图10为本发明实施例所述步骤S900的一种实施方式；

图11为本发明实施例提供的一种电动车辆的充电提醒装置的结构示意图；

图12为本发明实施例提供的另一种电动车辆的充电提醒装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

请参阅图1，图1是本发明实施例提供的一种电动车辆的充电提醒方法，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括：

S200：获取车辆的当前停车信息。

本说明实施例中，车辆的停车是指熄火停车，可以理解为车辆完成一次行程后熄火停车至某一位置。具体的，所述当前停车信息可以包括停车位置信息和时间信息。

S400：将所述当前停车信息输入至所述出行预测模型进行处理，得到本次出行的预测终点信息。

在一些可行的实施方式中，所述出行预测模型可以为基于历史出行数据中的停车信息与相应的终点信息进行机器学习训练确定的，所述历史出行数据中的停车信息对应的终点信息与所述当前停车信息对应的预测终点信息属于同一位置信息。

在一些可行的实施方式中，如图2所示，在所述步骤S200之前，还可以包括：

S110：获取车辆的历史出行信息。

S120：从所述历史出行信息中提取车辆的历史停车信息。

在本发明实施例中，可以按照一定频率收集车辆的历史出行信息。比如，车联网可以按照每隔10s的频率收集车辆的历史出行数据，并从历史出行数据中提取出历史停车信息。可以理解的是，所述历史停车信息可以包括历史停车位置、停车时间和与该停车位置和该停车时间相关联的预计出行轨迹。比如，用户在周一下班后将车辆停在自家停车位上，在周二早上用户会出行去上班，那么自家停车位即为上述停车位置，周一即为上述停车时间，周二早上出行上班的轨迹即为预计出行轨迹。又比如，用户在周五下班后将车辆停在自家停车位上，在周六早上用户会去另一处地方，那么自家停车位为上述停车位置，周五为上述停车时间，周六早上去该处地方的轨迹为预计出行轨迹。在实际实施时，可以根据不同的停车位置信息，比如自家停车位、某一停车场的停车位或某一区域的停车位；和不同的停车时间，比如星期几、一年中的某一周、某一节假日的前一天；对应出不同的预计出行轨迹。

S130：根据所述历史停车信息得到历史出行轨迹信息和历史出行时间信息。

在本发明实施例中，所述历史出行轨迹信息可以包括历史出行的起点信息和终点信息，所述历史出行时间信息可以包括与所述历史出行轨迹信息对应的星期几信息、节假日信息和周次信息。

S140：根据所述历史出行轨迹信息和历史出行时间信息训练得到所述出行预测模型。

在本发明实施方式中，可以将历史出行的起点信息和历史出行时间信息作为出行预测模型的输入信息，将相应的历史出行的终点信息作为输出信息对所述出行预测模型进行训练。

在一些可行的实施方式中，如图3所示，对所述步骤S104中对出行预测模型的训练过程可以具体包括：

S141：根据所述历史出行的起点信息、星期几信息、节假日信息和周次信息计算得到输入特征向量；

S142：根据所述输入特征向量计算得到对应终点信息的概率值；

S143：根据所述概率值确定终点信息，并生成所述出行预测模型。

在具体实施时，获取历史出行的起点信息和终点信息作为历史出行轨迹的代表点，并通过H3的编码方式对所述历史出行的起点信息和终点信息进行编码。根据历史出行终点信息的编码，可以按照不同的车辆识别号VIN和H3编码分组统计出行的轨迹次数，得到对应车辆识别号下轨迹次数最多的H3，并作为常去目的地。同时将历史出行轨迹的起点和终点的编码、星期几、是否为节假日、一年中的第几周等数据，进行提取并封装成为历史轨迹的特征向量。

进一步的，对历史轨迹的特征向量经过去重、剔除异常点和缺失点等预处理之后，将目的地作为响应变量，其他特征向量作为自变量，通过机器学习分类算法中的逻辑回归的算法，训练和调优得到出行预测模型。本发明实施例中逻辑回归的函数可以为：

其中，f(x)是输出结果，即目的地的判别；x是输入的特征向量，

所述x又具体为：x＝ax₁+x₂+cx₃+x₄+ε，其中，其中x₁表示起点H3编码、x₂表示星期几、x₃表示是否节假日、x₄表示一年中的第几周、ε表示额外常数偏差项。可以理解的是，模型中的x₁反映了位置的信息，x₂、x₃、x₄反应出用户出行的时间规律。在实际实施时，历史数据可以通过梯度下降的交叉熵训练得到最优的a、b、c、d和ε的参数，得到的结果x按照上述逻辑回归函数生成出行预测模型。

在一些可行的实施方式中，如图4所示，所述步骤S400可以包括：

S410：根据所述当前停车信息得到本次出行的时间信息和起点信息；

S420：将所述本次出行的时间信息和起点信息输入至所述出行预测模型进行处理，得到所述本次出行的预测终点信息。

在具体实施时，所述当前停车信息可以包括当前停车的位置信息和时间信息；根据所述当前停车的位置信息和时间信息可以得到本次出行的时间信息和起点信息。比如，用户在周一下班后将车辆停在自家停车位上，在周二早上用户会出行去上班，则当前停车的位置信息为自家停车位，当前停车的时间信息为周一；则根据该位置信息和时间信息可以得到本次出行的起点信息为自家停车位，时间信息为周二，进一步还可以得到该周二为一年中第几周的周二，该周二是否为节假日等信息。

进一步根据该本次出行的时间信息和起点信息可以得到出行预测模型的输入特征向量，经过出行预测模型便可得到本次出行的预测终点。通过用户的历史出行数据可以基于用户的使用习惯对本次出行的终点进行预测，预测的结果更贴合用户的使用习惯，从而能够从用户的习惯出发对用户进行相应的充电提醒。

S600：根据所述当前停车信息、所述本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息。

在一些可行的实施方式中，如图5所示，所述步骤S600可以包括：

S610：根据所述本次出行的预测终点信息与所述本次出行的起点信息，判断本次出行的预测终点和起点之间的距离是否大于第一预设值；

S620：若本次出行的预测终点和起点之间的距离不大于于第一预设值，则在预设时间前向用户发送对应的充电提醒信息；

S630：若本次出行的预测终点和起点之间的距离大于第一预设值，从历史出行数据中获取含有位置的历史充电信息，并根据所述历史充电信息向用户发送对应的充电提醒信息。

在具体实施时，可以通过判断本次出行的预测终点和起点之间的距离是否大于第一预设值确定本次出行是近距离出行还是远程出行，由此根据出行的远近可以向用户发送对应的充电提醒信息。

比如，若判断出本次出行是近距离出行，则可以向用户推送日常充电提醒，比如慢充充电提醒。在具体提醒时，可以通过以下方式进行提醒。

在一些可行的实施方式中，如图6所示，所述步骤S620可以包括：

S621：若本次出行的预测终点和起点之间的距离小于第一预设值，则判断判断当前剩余电量是否小于第二预设值；

S622：若当前剩余电量小于第二预设值，则在预设时间前向用户发送对应的充电提醒信息。

在具体实施时，比如当前剩余电量较低且停靠时间很晚，用户仍然选择慢充时，可以提醒用户选择更为合理的快充方式。

若判断出本次出行是远距离出行，在具体提醒时，则可以通过以下方式向用户发送充电提醒信息。

在一些可行的实施方式中，如图7所示，所述步骤S630可以包括：

S631：从历史出行数据中获取含有位置的历史充电信息；

S632：对所述历史充电信息的位置进行编码，并根据编码后的位置信息将所述历史充电信息与所述历史出行轨迹信息进行关联；

S633：比较所述历史出行轨迹中不同位置的充电行为信息，所述充电行为信息包括充电快慢方式、出行耗电量和停靠时间；

S634：根据所述充电行为信息向用户发送对应的充电提醒信息。

在具体实施时，可以通过车联网采集相应的历史充电数据，并提取含有位置的历史充电信息。以及，可以按照H3编码的方式对位置进行编码，H3的编码具有唯一性，从而可以根据位置编码结果将历史充电信息和历史出行轨迹信息进行关联，计算得到不同位置的充电快慢的方式、出行的耗电量以及停靠的时间等充电行为数据。根据充电行为数据，从多个特征中排列组合得到相应的充电规则。比如，在历史的快慢充比例中，慢充的占比较高的可判定为个人充电桩，并提取出常去位置的充电规则。另外，所述位置可以是历史出行轨迹的起点、终点或轨迹中的任一位置。

在处理出行和充电行为中的GPS数据，采用H3这种全球经纬度坐标唯一编码方式。由于编码是唯一的，可作为关联主键，因此能方便快捷的将出行行为数据和充电行为数据关联起来，同样的任何带有GPS的数据均可以以此关联，可增量式的丰富数据内容。

在一些可行的实施方式中，如图8所示，所述电动车辆的充电提醒方法还包括：

S700：将所述本次出行的预测终点信息输入至所述出行预测模型得到下次出行的预测终点信息；

S900：根据所述本次出行的预测终点信息、所述下次出行的预测终点信息和本次出行后的预测剩余电量，向用户发送对应的预约充电提醒信息。

在一些可行的实施方式中，如图9所示，所述步骤S900还可以包括：

S911：根据所述下次出行的预测终点信息和所述本次出行的预测终点信息获取下次出行的历史耗电信息；

S912：若所述下次出行的历史耗电信息小于所述本次出行后的预测剩余电量，则向用户发送预约充电提醒信息。

在一些可行的实施方式中，如图10所示，所述步骤S900还可以包括：

S921：根据所述下次出行的预测终点信息和所述本次出行的预测终点信息，获取历史到达时间和历史停靠时间；

S922：根据所述历史到达时间和历史停靠时间，向用户发送预约对应的充电桩和充电时间段的提醒信息。

在具体实施时，本次出行是远距离出行时可以包括出行前的充电提醒和远程目的地的充电提醒。其中，出行前的充电提醒可以理解为，在判断出第二天是远程出行时，需提醒用户在前一晚充电；并依据前一晚的剩余SOC和停靠的时间点，对应的提供充电分快慢充两种方式的提醒。具体的，当SOC较低且停靠时间很晚，而用户在个人充电桩上依然选择慢充，应当提醒用户选择更为合理的快充方式；当SOC较高或者停靠时间较早，如果用户选择在个人充电桩上快充，应当提醒用户选择更为合理的慢充方式。这样不仅能减少用户金钱的浪费，同时还能帮助客户优化更为合理的充电方式，增强用户体验。以及，远程目的地的充电提醒则可以理解为，用户在到达远程目的地的过程中会消耗大量的电量，因此在路途中或者到达目的地后，需要再次充电。根据历史消耗电量情况、历史到达时间、历史停靠时间等信息，提醒用户在出发前提前预约充电桩以及充电时间段，防止在相对少的停靠时间内，无法获得足够的充电时间，用户体验差。

其中提醒的充电时间段可以采用如下的算法：

提醒的充电时间段＝半小时±历史到达时间+历史停靠时间±半小时。

在充电时间较短时，为了不影响后续出行，充电提醒统一按照快充的方式，能够避免用户无意识的以慢充方式充电。从而不仅能进一步地提升用户体验，还能帮助商业充电桩更加科学高效的运用社会电力资源。

另外，本发明实施例中的在预设时间前向用户发送对应的充电提醒信息中的预设时间可以优选为本次出行的前一晚。

本发明的实施例能够将电动车辆的使用过程中的出行和充电是相互关联，从出行规律中找出应对的充电策略，相比于在行进过程中预测提醒更加及时，相比于只预测目的地更加能够充分发挥出历史出行规律的价值，进而增强用户体验。另外，通过线上大数据平台存储和计算，随着数据量的增长和丰富，出行的规律也越来越明显，充电策略也越准确，系统体验也越好。而越来越准确的充电策略不仅能帮用户节约时间和金钱，同时能间接帮助商用充电桩更加科学高效的运用社会电力资源。

本发明实施例还提供了一种电动车辆的充电提醒装置，如图11所示，所述装置100包括：

当前停车信息获取模块101，用于获取车辆的当前停车信息，

本次出行的预测终点信息获取模块102，用于将所述当前停车信息输入至所述出行预测模型进行处理，得到本次出行的预测终点信息；

充电提醒模块103，用于根据所述当前停车信息、所述本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息；

其中，所述出行预测模型是基于历史出行数据中的停车信息与相应的终点信息进行机器学习训练确定的，所述历史出行数据中的停车信息对应的终点信息与所述当前停车信息对应的预测终点信息属于同一位置信息。

在一些可行的实施方式中，如图12所示，所述装置还包括：

下次出行的预测终点信息获取模块104，用于将所述本次出行的预测终点信息输入至所述出行预测模型得到下次出行的预测终点信息；

预约提醒信息发送模块105，用于根据所述本次出行的预测终点信息、所述下次出行的预测终点信息和本次出行后的预测剩余电量，向用户发送对应的预约充电提醒信息。

本发明实施例还提供了一种电动车辆的充电提醒设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序、所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述任一所述的电动车辆的充电提醒方法。

本发明实施例还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述任一所述的电动车辆的充电提醒方法。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、系统和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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)

1.一种电动车辆的充电提醒方法，其特征在于，所述方法包括：

获取车辆的当前停车信息；

将所述当前停车信息输入至所述出行预测模型进行处理，得到本次出行的预测终点信息；

根据所述当前停车信息、所述本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息；

其中，所述出行预测模型是基于历史出行数据中的停车信息与相应的终点信息进行机器学习训练确定的，所述历史出行数据中的停车信息对应的终点信息与所述当前停车信息对应的预测终点信息属于同一位置信息。

2.根据权利要求1所述的电动车辆的充电提醒方法，其特征在于，所述将所述当前停车信息输入至所述出行预测模型进行处理，得到本次出行的预测终点信息包括：

根据所述当前停车信息得到本次出行的时间信息和起点信息；所述当前停车信息包括当前停车的位置信息和时间信息；

将所述本次出行的时间信息和起点信息输入至所述出行预测模型进行处理，得到所述本次出行的预测终点信息。

3.根据权利要求2所述的电动车辆的充电提醒方法，其特征在于，所述根据所述当前停车信息、所述本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息包括：

根据所述本次出行的预测终点信息与所述本次出行的起点信息，判断本次出行的预测终点和起点之间的距离是否大于第一预设值；

若本次出行的预测终点和起点之间的距离不大于第一预设值，则在预设时间前向用户发送对应的充电提醒信息；

若本次出行的预测终点和起点之间的距离大于第一预设值，从历史出行数据中获取含有位置的历史充电信息，并根据所述历史充电信息向用户发送对应的充电提醒信息。

4.根据权利要求3所述的电动车辆的充电提醒方法，其特征在于，所述若本次出行的预测终点和起点之间的距离大于第一预设值，从历史出行数据中获取含有位置的历史充电信息，并根据所述历史充电信息向用户发送对应的充电提醒信息包括：

从历史出行数据中获取含有位置的历史充电信息；

对所述历史充电信息的位置进行编码，并根据编码后的位置信息将所述历史充电信息与所述历史出行轨迹信息进行关联；

比较所述历史出行轨迹中不同位置的充电行为信息，所述充电行为信息包括充电快慢方式、出行耗电量和停靠时间；

根据所述充电行为信息向用户发送对应的充电提醒信息。

5.根据权利要求1所述的电动车辆的充电提醒方法，其特征在于，所述方法还包括：

将所述本次出行的预测终点信息输入至所述出行预测模型得到下次出行的预测终点信息；

根据所述本次出行的预测终点信息、所述下次出行的预测终点信息和本次出行后的预测剩余电量，向用户发送对应的预约充电提醒信息。

6.根据权利要求5所述的电动车辆的充电提醒方法，其特征在于，所述根据所述本次出行的预测终点信息、所述下次出行的预测终点信息和本次出行后的预测剩余电量，向用户发送对应的预约充电提醒信息包括：

根据所述下次出行的预测终点信息和所述本次出行的预测终点信息获取下次出行的历史耗电信息；

若所述下次出行的历史耗电信息小于所述本次出行后的预测剩余电量，则向用户发送预约充电提醒信息。

7.根据权利要求5所述的电动车辆的充电提醒方法，其特征在于，所述方法还包括：

根据所述下次出行的预测终点信息和所述本次出行的预测终点信息，获取历史到达时间和历史停靠时间；

根据所述历史到达时间和历史停靠时间，向用户发送预约对应的充电桩和充电时间段的提醒信息。

8.根据权利要求1所述的电动车辆的充电提醒方法，其特征在于，在所述获取车辆的当前停车信息之前，还包括：

获取车辆的历史出行信息；

从所述历史出行信息中提取车辆的历史停车信息；

根据所述历史停车信息得到历史出行轨迹信息和历史出行时间信息；所述历史出行轨迹信息包括历史出行的起点信息和终点信息，所述历史出行时间信息包括与所述历史出行轨迹信息对应的星期几信息、节假日信息和周次信息；

根据所述历史出行轨迹信息和历史出行时间信息训练得到所述出行预测模型。

9.根据权利要求8所述的电动车辆的充电提醒方法，其特征在于，所述根据所述历史出行轨迹信息和历史出行时间信息训练得到所述出行预测模型包括：

根据所述历史出行的起点信息、星期几信息、节假日信息和周次信息计算得到输入特征向量；

根据所述输入特征向量计算得到对应终点信息的概率值；

根据所述概率值确定终点信息，并生成所述出行预测模型。

10.一种电动车辆的充电提醒装置，其特征在于，所述装置包括：

当前停车信息获取模块，用于获取车辆的当前停车信息，

本次出行的预测终点信息获取模块，用于将所述当前停车信息输入至所述出行预测模型进行处理，得到本次出行的预测终点信息；

充电提醒模块，用于根据所述当前停车信息、所述本次出行的预测终点信息和车辆的当前剩余电量，在预设时间前向用户发送对应的充电提醒信息；

其中，所述出行预测模型是基于历史出行数据中的停车信息与相应的终点信息进行机器学习训练确定的，所述历史出行数据中的停车信息对应的终点信息与所述当前停车信息对应的预测终点信息属于同一位置信息。

Images