CN113642248A - 定位设备剩余使用时间的评估方法及装置 - Google Patents
定位设备剩余使用时间的评估方法及装置 Download PDFInfo
- Publication number
- CN113642248A CN113642248A CN202111003057.3A CN202111003057A CN113642248A CN 113642248 A CN113642248 A CN 113642248A CN 202111003057 A CN202111003057 A CN 202111003057A CN 113642248 A CN113642248 A CN 113642248A
- Authority
- CN
- China
- Prior art keywords
- positioning
- time
- residual
- equipment
- sample
- 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 48
- 238000005265 energy consumption Methods 0.000 claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000009434 installation Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术，提供一种定位设备剩余使用时间的评估方法及评估装置，所述方法包括以下步骤：获取定位设备的定位特征参数；基于所述定位特征参数，确定所述定位设备的定位总次数和能耗曲线；所述能耗曲线表征所述定位设备的剩余定位次数与剩余电量之间的对应关系；根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间。本发明有利于准确评估定位设备的剩余使用时间，从而在合适情况下及时更换定位设备，避免过早更换设备造成电量浪费或者过晚更换设备造成无法正常执行定位功能。本发明可以对定位设备的租赁和更换进行更加有效的监管，降低租赁成本，提高租赁公司对于定位设备的监管能力。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种定位设备剩余使用时间的评估方法及装置。
背景技术
电池储能单元已广泛应用于诸多领域的应用场景，其中融资租赁业务是电池储能单元应用的重要场景之一。特别是面向乘用车、商用车、工程机械等可移动类资产，通过内置电池储能单元的定位设备对资产进行定位追踪，以提供风控及资产处置抓手，已成为行业通用做法。
目前租赁行业所普遍使用的非智能定位设备具有小型化、结构简单等特征。现有技术对于这类非智能定位设备的电池电量监控手段为：定位设备内置定位计数器用于记录实际定位冲程次数(定位冲程指设备激活、收星、位置解算、基站通讯、静默这一次定位循环)，并与设备厂实验室环境下设备全生命周期中可支持的定位冲程总次数相除，得出设备模拟剩余电量(SOC)，实现定位设备的电量监控。
然而，由于真实工作环境与实验室环境相差较大，导致通过上述方法计算的模拟剩余电量误差率很高，并由此影响到对定位设备剩余使用时间的准确评估，从而出现过早或过迟更换定位设备的情况，为定位设备租赁行业带来很多不必要的困扰。
发明内容
本发明的目的是提供一种准确、可靠的用于评估非智能定位设备剩余使用时间的技术方案，以解决现有技术中存在的上述问题。
为实现上述目的，本发明提供一种定位设备剩余使用时间的评估方法，包括以下步骤：
获取定位设备的定位特征参数；
基于所述定位特征参数，确定所述定位设备的能耗曲线；所述能耗曲线表征所述定位设备的剩余定位次数与剩余电量之间的对应关系；
根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间。
根据本发明提供的定位设备剩余使用时间的评估方法，所述基于所述定位特征参数，确定所述定位设备的能耗曲线的步骤包括：
将所述定位特征参数输入经机器学习训练的能耗预测模型，以输出所述定位设备在多个不同剩余定位次数下分别对应的剩余电量；
根据所述定位设备在多个不同剩余定位次数下分别对应的剩余电量计算所述能耗曲线。
根据本发明提供的定位设备剩余使用时间的评估方法，所述根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间的步骤包括：
根据所述定位总次数、所述第一定位频率和所述已使用时间确定所述定位设备的剩余定位次数；
根据所述剩余定位次数和所述第一定位频率的比例关系确定所述定位设备的剩余使用时间。
根据本发明提供的定位设备剩余使用时间的评估方法，所述能耗预测模型通过以下步骤训练得到：
获取多个样本定位设备对应的多组历史定位参数，每组所述历史定位参数包括所述样本定位设备的样本品牌、样本型号、样本第一定位频率、样本设备安装地、样本环境参数、样本定位总次数以及多个不同样本剩余定位次数下分别对应的样本剩余电量；
将所述样本品牌、样本型号、样本第一定位频率、样本设备安装地、样本环境参数作为输入数据，将所述样本定位总次数以及多个不同样本剩余定位次数下分别对应的样本剩余电量作为输出数据训练神经网络模型，以使所述神经网络模型满足收敛条件；
确定收敛条件下所述神经网络模型中各个隐变量的权重参数，以得到所述能耗预测模型。
根据本发明提供的定位设备剩余使用时间的评估方法，所述方法还包括：
获取所述定位设备的预期租赁时间；
根据所述预期租赁时间和所述剩余使用时间之间的关系，对所述第一定位频率进行调整。
根据本发明提供的定位设备剩余使用时间的评估方法，所述根据所述预期租赁时间和所述剩余使用时间之间的关系，对所述第一定位频率进行调整的步骤包括：
根据所述预期租赁时间确定所述定位设备的剩余租赁时间；
将所述剩余租赁时间与所述剩余使用时间相减，以获得所述定位设备的租赁期覆盖偏差；
根据已租赁时间相对于所述预期租赁时间的占比，获得所述定位设备的租赁时间比；
根据所述租赁期覆盖偏差和所述租赁时间比，确定所述第一定位频率的调整方式。
根据本发明提供的定位设备剩余使用时间的评估方法，所述根据所述租赁期覆盖偏差和所述租赁时间比，确定所述第一定位频率的调整方式的步骤包括：
将所述租赁期覆盖偏差和所述租赁时间比输入经过机器学习训练的定位频率预测模型，以输出预测的最佳定位频率；
在所述最佳定位频率与所述第一定位频率之间的差值大于第一阈值的情况下，用所述最佳定位频率更新所述第一定位频率。
为实现上述目的，本发明还提供一种定位设备剩余使用时间的评估装置，包括：
参数获取模块，适用于获取定位设备的定位特征参数；
能耗曲线模块，适用于基于所述定位特征参数，确定所述定位设备的能耗曲线；所述能耗曲线表征所述定位设备的剩余定位次数与剩余电量之间的对应关系；
剩余评估模块，适用于根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间。
为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以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方法的步骤。
为实现上述目的，本发明还提供计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供的定位设备剩余使用时间的评估方法及装置，不依赖于实验室数据及参数表，特别适用于租赁行业普遍使用的非智能定位设备。本发明基于各设备的定位特征参数，例如实际工况及历史上报定位数据等，结算成更贴近实际的能耗曲线，通过能耗曲线可以精准确定非智能定位设备在不同剩余电量下对应的剩余定位次数，并由此准确评估定位设备的剩余使用时间。这样就可以做到在剩余使用时间达到预设阈值的情况下及时更换定位设备，避免过早更换设备造成电量浪费或者过晚更换设备造成无法正常执行定位功能，从而可以对定位设备的租赁和更换进行更加有效的监管，降低租赁成本，提高租赁公司对于定位设备的监管能力。
附图说明
图1为本发明的定位设备剩余使用时间的评估方法实施例一的流程图；
图2为本发明实施例一的三种不同定位设备对应的能耗曲线图；
图3为本发明实施例一的能耗预测模型的训练过程示意图；
图4为本发明实施例一中对第一定位频率进行调整的示意性流程图；
图5为本发明的剩余使用时间的评估装置实施例一的程序模块示意图；
图6为本发明的剩余使用时间的评估装置实施例一的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
实施例一
请参阅图1，本实施例提出一种定位设备剩余使用时间的评估方法，包括以下步骤：
S100:获取定位设备的定位特征参数；所述定位特征参数包括所述定位设备的品牌、型号、额定定位总次数、第一定位频率、设备安装地、环境参数中的任意几种组合。
其中，定位设备的品牌与生产厂商相关；定位设备的型号与安装方式、供电能力等数据相关；额定定位总次数指的是在实验室条件下该定位设备充满电时的预计定位总次数；第一定位频率是预设的该定位设备在一个周期内执行定位冲程的次数(定位冲程包括定位设备从激活、收星、位置解算、基站通讯，最终到静默的完整定位循环)，例如第一定位频率设置为每天10次；设备安装地是指该定位设备具体使用时的经纬度位置信息；环境参数包括设备安装地所对应的温度、湿度、风力等气象信息。
S200:基于所述定位特征参数，确定所述定位设备的能耗曲线；所述能耗曲线表征所述定位设备的剩余定位次数与剩余电量之间的对应关系。
可以理解，定位设备每执行一次定位冲程，则需要消耗一定的电量。理论上，当电量为零时，则剩余次数也为零。能耗曲线用于在不同的剩余电量下能够执行的定位次数，通常其为非线性曲线。例如可以将定位设备的总电量划分为100份，分别用数字0、1、2……100表示。图2示出了三种不同定位设备对应的能耗曲线图。从图2可以看出，横坐标为剩余电量百分比，纵坐标为剩余定位次数。图2的三条能耗曲线中，第一条曲线最高定位次数1800次，第二条曲线最高定位次数1200次，第三条曲线最高定位次数900次。其中第一条曲线和第二条曲线的能耗降低比较正常，剩余电量最终均下降到0；然而第三条曲线在剩余电量超过30％的情况下，剩余定位次数直接跌到0，说明该第三条能耗曲线存在异常。可见，正确绘制能耗曲线对于预估定位设备的剩余定位次数有着至关重要的影响。
在一个示例中，可以根据各类型定位设备在实际工况中的历史统计值绘制上述能耗曲线。例如根据定位设备内部计数器的计数值确定已进行的实际定位次数；在每次定位冲程结束后，利用电压表、电流表等测量仪器测量定位设备所剩余的实际电量，这样可以获得准确的定位次数数值和实际电量数值。根据上述准确数值绘制能耗曲线图，则可以保证能耗曲线图更加符合实际工况。
在另一个示例中，还可以通过机器学习的方法预测剩余定位次数和剩余电量之间的预测数值，并根据预测数值自动生成预测能耗曲线。例如，将上述定位特征参数输入经机器学习训练的能耗预测模型，以输出所述定位设备在多个不同剩余定位次数下分别对应的剩余电量；根据所述定位设备在多个不同剩余定位次数下分别对应的剩余电量计算所述能耗曲线。本领域技术人员理解，通过选择合适的机器学习模型，并通过大量历史样本进行训练以得到能耗预测模型，同样可以保证较高的准确率。
S300:根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间。
可以理解，除了具有固定定位频率(上文中的第一定位频率)的定位设备之外，某些定位设备的定位频率可能是不固定的，例如根据位置变化触发定位冲程。对于不固定定位频率类型的设备，可统计一段周期内(如一周或一旬)该定位设备的日均定位次数(该周期内定位设备的定位总次数除以周期天数)，并根据各类型设备的能耗曲线，精准的评估设备在实际工作环境下的剩余使用时间：
剩余使用时间(天)＝能耗曲线对应的剩余可定位次数/日均定位次数
上述剩余使用时间可以用天、小时、分等不同的计量单位进行表示，本实施例对此不做限制。
通过上述步骤，本实施例利用该能耗曲线方法与实验室环境数据相比，根据设备实际工况及该类设备能耗曲线得出的设备剩余使用时间，更符合实际使用环境要求。通过该方法评估可最大程度上弥补厂家实验偏差造成的设备可用定位次数/可用时间这一性能“损失”，得出的预计可工作时间更为精准，且可避免因内置设备计数器重置导致的电量虚标等，造成的设备不便要的更换或电量不精准带来的监管缺失。
如上文所述，可以通过机器学习的方法预测剩余定位次数和剩余电量之间的预测数值，并根据预测数值自动生成预测能耗曲线。如图3所示，本实施例的能耗预测模型可以通过以下步骤训练得到：
S310:获取多个样本定位设备对应的多组历史定位参数，每组所述历史定位参数包括所述样本定位设备的样本品牌、样本型号、样本第一定位频率、样本设备安装地、样本环境参数、样本定位总次数以及多个不同样本剩余定位次数下分别对应的样本剩余电量。其中，样本剩余定位次数可以根据样本定位设备中计数器的计数值计算得到，样本剩余电量可以利用电压表、电流表等测量仪器测量定位设备所剩余的实际电量。
S320:将所述样本品牌、样本型号、样本第一定位频率、样本设备安装地、样本环境参数作为输入数据，将所述样本定位总次数以及多个不同样本剩余定位次数下分别对应的样本剩余电量作为输出数据训练神经网络模型，以使所述神经网络模型满足收敛条件。该神经网络模型可以是卷积神经网络、残差神经网络、多层感知机、深度学习神经网络等网络结构中的任一种，本实施例对此不做限制。
S330:确定收敛条件下所述神经网络模型中各个隐变量的权重参数，以得到所述能耗预测模型。
通过上述方法可以得到准确性较高的能耗预测模型，该模型基于输入的定位特征参数，可以输出多个不同剩余定位次数下分别对应的剩余电量，并进一步自动生成能耗曲线。可以极大提高能耗曲线的生成效率及其准确度。
请进一步参阅图1，本实施例提出的定位设备剩余使用时间的评估方法还包括以下步骤：
S400:获取所述定位设备的预期租赁时间。预期租赁时间指的是该定位设备从起租日起到退租日止的整体租赁时长，例如一个月、三个月、半年等，与不同租户的实际需求相关。
S500:根据所述预期租赁时间和所述剩余使用时间之间的关系，对所述第一定位频率进行调整。
如前所述，第一定位频率是预设的在一个周期内的定位次数。可以理解，第一定位频率越高，定位设备的电能消耗越快。因此，在预期租赁时间已确定的情况下，本领与技术人员需要保证定位设备的电能消耗速率与剩余时间相对应，从而实现在预期租赁时间内对定位次数的合理运用。如果第一定位频率太高，会造成预期租赁时间尚未到达而定位设备的电能已经消耗殆尽的情况；反之，第一定位频率太低，则会造成预期租赁时间已满而定位设备的尚有大量未使用的电能。可见，无论是第一定位频率太高还是太低，都会给定位设备的租赁用户造成损失。图4为本发明实施例中对第一定位频率进行调整的示意性流程图。如图4所示，步骤S500包括：
S510:根据所述预期租赁时间确定所述定位设备的剩余租赁时间。例如预期租赁时间为三个月，目前已使用一个月，则剩余租赁时间为两个月。
S520:将所述剩余租赁时间与所述剩余使用时间相减，以获得所述定位设备的租赁期覆盖偏差。
如前所述，通过步骤S300可以评估定位设备的剩余使用时间。进一步，用剩余租赁时间与剩余使用时间相减即可得到该定位设备的租赁期覆盖偏差。可以理解，租赁期覆盖偏差越小，越有利于保障租赁用户的利益。
S530:根据已租赁时间相对于所述预期租赁时间的占比，获得所述定位设备的租赁时间比。例如预期租赁时间3个月，已租赁时间1个月，则该定位设备的租赁时间比为1/3＝33.3％。
S540:根据所述租赁期覆盖偏差和所述租赁时间比，确定所述第一定位频率的调整方式。
可以理解，对于特定的租赁期覆盖偏差和特定的租赁时间比，可以根据经验获得最佳定位频率，以保证在预期租赁时间期满时，定位设备的电能恰好消耗完毕。表1示出了根据租赁期覆盖偏差和租赁时间比对第一定位频率进行不同的分级处理策略，包括不处理、接受当前第一定位频率、对第一定位频率自动优化、更换定位设备等。
| 分级 | 租赁期覆盖偏差 | 已完成租赁时间比 | 处理策略 |
| 级别1 | 无偏差 | / | 不处理 |
| 级别2 | <3个月 | >＝60％ | 接受 |
| 级别3 | <3个月 | <60％ | 自动优化 |
| 级别4 | [3个月,6个月] | <30％ | 更换 |
| 级别5 | [3个月,6个月] | >＝30％ | 自动优化 |
| 级别6 | >6个月 | / | 更换 |
| …… |
表1
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在一个示例中，可以通过大数据处理技术中的机器学习方法训练定位频率预测模型，该预测模型根据输入的租赁期覆盖偏差和租赁时间比，自动输出最佳定位频率。其中，定位频率预测模型可以通过大量的样本频率数据进行训练，这些样本频率数据事先通过人工计算确定了基于特定样本租赁期覆盖偏差和样本租赁时间比之下的样本定位频率。可以通过提督下降发进行迭代，从而确定定位频率预测模型中各个隐变量的权重值。
进一步，在获得最佳定位频率的基础上，可以将最佳定位频率与第一定位频率之间的差值与预设的第一阈值进行比较；若差值大于第一阈值，用最佳定位频率替换第一定位频率；若差值小于或等于第一阈值，保持第一定位频率不变。
上述步骤有利于支持不同租赁公司风险偏好下的分级处理策略，从而在很大程度上减少需要更换的定位设备的数量，极大降低更换设备所带来的联系客户、原设备拆卸、新设备安装等带来的一系列成本等的基础上，提升租赁公司整体上对移动类资产监管的效能。
请继续参阅图5，示出了一种定位设备剩余使用时间的评估装置，在本实施例中，剩余使用时间的评估装置50可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述剩余使用时间的评估方法。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述剩余使用时间的评估装置50在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：
参数获取模块51，适用于获取定位设备的定位特征参数；
能耗曲线模块52，适用于基于所述定位特征参数，确定所述定位设备的能耗曲线；所述能耗曲线表征所述定位设备的剩余定位次数与剩余电量之间的对应关系；
剩余评估模块53，适用于根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间。
本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备60至少包括但不限于：可通过系统总线相互通信连接的存储器61、处理器62，如图6所示。需要指出的是，图6仅示出了具有组件61-62的计算机设备60，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器61(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器61可以是计算机设备60的内部存储单元，例如该计算机设备60的硬盘或内存。在另一些实施例中，存储器61也可以是计算机设备60的外部存储设备，例如该计算机设备60上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器61还可以既包括计算机设备60的内部存储单元也包括其外部存储设备。本实施例中，存储器61通常用于存储安装于计算机设备60的操作系统和各类应用软件，例如实施例一的剩余使用时间的评估装置50的程序代码等。此外，存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制计算机设备60的总体操作。本实施例中，处理器62用于运行存储器61中存储的程序代码或者处理数据，例如运行剩余使用时间的评估装置50，以实现实施例一的剩余使用时间的评估方法。
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储剩余使用时间的评估装置50，被处理器执行时实现实施例一的剩余使用时间的评估方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
流程图中或在此以其它方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
本技术领域的普通技术人员可以理解，实现上述实施例方法携带的全部或部分步骤是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介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种定位设备剩余使用时间的评估方法，其特征在于，包括以下步骤：
获取定位设备的定位特征参数；
基于所述定位特征参数，确定所述定位设备的能耗曲线；所述能耗曲线表征所述定位设备的剩余定位次数与剩余电量之间的对应关系；
根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间。
2.根据权利要求1所述的定位设备剩余使用时间的评估方法，其特征在于，所述基于所述定位特征参数，确定所述定位设备的能耗曲线的步骤包括：
将所述定位特征参数输入经机器学习训练的能耗预测模型，以输出所述定位设备在多个不同剩余定位次数下分别对应的剩余电量；
根据所述定位设备在多个不同剩余定位次数下分别对应的剩余电量计算所述能耗曲线。
3.根据权利要求1或2所述的定位设备剩余使用时间的评估方法，其特征在于，所述根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间的步骤包括：
根据所述定位总次数、所述第一定位频率和所述已使用时间确定所述定位设备的剩余定位次数；
根据所述剩余定位次数和所述第一定位频率的比例关系确定所述定位设备的剩余使用时间。
4.根据权利要求2所述的定位设备剩余使用时间的评估方法，其特征在于，所述能耗预测模型通过以下步骤训练得到：
获取多个样本定位设备对应的多组历史定位参数，每组所述历史定位参数包括所述样本定位设备的样本品牌、样本型号、样本第一定位频率、样本设备安装地、样本环境参数、样本定位总次数以及多个不同样本剩余定位次数下分别对应的样本剩余电量；
将所述样本品牌、样本型号、样本第一定位频率、样本设备安装地、样本环境参数作为输入数据，将所述样本定位总次数以及多个不同样本剩余定位次数下分别对应的样本剩余电量作为输出数据训练神经网络模型，以使所述神经网络模型满足收敛条件；
确定收敛条件下所述神经网络模型中各个隐变量的权重参数，以得到所述能耗预测模型。
5.根据权利要求1所述的定位设备剩余使用时间的评估方法，其特征在于，所述方法还包括：
获取所述定位设备的预期租赁时间；
根据所述预期租赁时间和所述剩余使用时间之间的关系，对所述第一定位频率进行调整。
6.根据权利要求5所述的定位设备剩余使用时间的评估方法，其特征在于，所述根据所述预期租赁时间和所述剩余使用时间之间的关系，对所述第一定位频率进行调整的步骤包括：
根据所述预期租赁时间确定所述定位设备的剩余租赁时间；
将所述剩余租赁时间与所述剩余使用时间相减，以获得所述定位设备的租赁期覆盖偏差；
根据已租赁时间相对于所述预期租赁时间的占比，获得所述定位设备的租赁时间比；
根据所述租赁期覆盖偏差和所述租赁时间比，确定所述第一定位频率的调整方式。
7.根据权利要求6所述的定位设备剩余使用时间的评估方法，其特征在于，所述根据所述租赁期覆盖偏差和所述租赁时间比，确定所述第一定位频率的调整方式的步骤包括：
将所述租赁期覆盖偏差和所述租赁时间比输入经过机器学习训练的定位频率预测模型，以输出预测的最佳定位频率；
在所述最佳定位频率与所述第一定位频率之间的差值大于第一阈值的情况下，用所述最佳定位频率更新所述第一定位频率。
8.一种定位设备剩余使用时间的评估装置，其特征在于，包括：
参数获取模块，适用于获取定位设备的定位特征参数；
能耗曲线模块，适用于基于所述定位特征参数，确定所述定位设备的能耗曲线；所述能耗曲线表征所述定位设备的剩余定位次数与剩余电量之间的对应关系；
剩余评估模块，适用于根据所述定位设备的已使用时间和所述能耗曲线，评估所述定位设备的剩余使用时间。
9.一种计算机设备，包括存储器、处理器以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7任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111003057.3A CN113642248B (zh) | 2021-08-30 | 2021-08-30 | 定位设备剩余使用时间的评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111003057.3A CN113642248B (zh) | 2021-08-30 | 2021-08-30 | 定位设备剩余使用时间的评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642248A true CN113642248A (zh) | 2021-11-12 |
| CN113642248B CN113642248B (zh) | 2023-11-07 |
Family
ID=78424464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111003057.3A Active CN113642248B (zh) | 2021-08-30 | 2021-08-30 | 定位设备剩余使用时间的评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642248B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115599963A (zh) * | 2022-11-29 | 2023-01-13 | 深圳大学（Cn） | 基于深度学习优化的浅层地热高效利用储存系统与方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010194125A (ja) * | 2009-02-25 | 2010-09-09 | Ishida Co Ltd | 電子表示システムおよび電子表示システム用のサーバ |
| JP2015212848A (ja) * | 2014-05-01 | 2015-11-26 | トヨタ自動車株式会社 | 電力消費行動推定装置 |
| CN109493476A (zh) * | 2018-11-05 | 2019-03-19 | 珠海格力电器股份有限公司 | 一种智能门锁开锁次数的预测方法、评估系统及智能门锁 |
| CN110222906A (zh) * | 2019-06-17 | 2019-09-10 | 北京嘀嘀无限科技发展有限公司 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
| US20200175216A1 (en) * | 2018-12-04 | 2020-06-04 | Google Llc | Generating integrated circuit floorplans using neural networks |
| CN111475987A (zh) * | 2020-04-02 | 2020-07-31 | 重庆大学 | 一种基于sae和on-lstm的齿轮剩余寿命的预测方法 |
| CN112070301A (zh) * | 2020-09-07 | 2020-12-11 | 广东电网有限责任公司电力调度控制中心 | 一种用户用电量调整方法、系统及设备 |
| CN112862160A (zh) * | 2020-11-03 | 2021-05-28 | 淮安中科晶上智能网联研究院有限公司 | 一种基于深度学习的电单车剩余里程估计方法及系统 |
| CN113034059A (zh) * | 2021-05-19 | 2021-06-25 | 北京国电通网络技术有限公司 | 异常电力信息定位方法、装置、电子设备和计算机介质 |
| CN113094978A (zh) * | 2021-03-20 | 2021-07-09 | 北京化工大学 | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 |
-
2021
- 2021-08-30 CN CN202111003057.3A patent/CN113642248B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010194125A (ja) * | 2009-02-25 | 2010-09-09 | Ishida Co Ltd | 電子表示システムおよび電子表示システム用のサーバ |
| JP2015212848A (ja) * | 2014-05-01 | 2015-11-26 | トヨタ自動車株式会社 | 電力消費行動推定装置 |
| CN109493476A (zh) * | 2018-11-05 | 2019-03-19 | 珠海格力电器股份有限公司 | 一种智能门锁开锁次数的预测方法、评估系统及智能门锁 |
| US20200175216A1 (en) * | 2018-12-04 | 2020-06-04 | Google Llc | Generating integrated circuit floorplans using neural networks |
| CN110222906A (zh) * | 2019-06-17 | 2019-09-10 | 北京嘀嘀无限科技发展有限公司 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
| CN111475987A (zh) * | 2020-04-02 | 2020-07-31 | 重庆大学 | 一种基于sae和on-lstm的齿轮剩余寿命的预测方法 |
| CN112070301A (zh) * | 2020-09-07 | 2020-12-11 | 广东电网有限责任公司电力调度控制中心 | 一种用户用电量调整方法、系统及设备 |
| CN112862160A (zh) * | 2020-11-03 | 2021-05-28 | 淮安中科晶上智能网联研究院有限公司 | 一种基于深度学习的电单车剩余里程估计方法及系统 |
| CN113094978A (zh) * | 2021-03-20 | 2021-07-09 | 北京化工大学 | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 |
| CN113034059A (zh) * | 2021-05-19 | 2021-06-25 | 北京国电通网络技术有限公司 | 异常电力信息定位方法、装置、电子设备和计算机介质 |
Non-Patent Citations (1)
| Title |
|---|
| 吴海洋等: "基于改进安时法的蓄电池剩余电量预测模型研究", 《计算机与数字工程》, no. 5, pages 260 - 264 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115599963A (zh) * | 2022-11-29 | 2023-01-13 | 深圳大学（Cn） | 基于深度学习优化的浅层地热高效利用储存系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642248B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113361139A (zh) | 一种基于数字孪生的产线仿真滚动优化系统及方法 | |
| CN112747416B (zh) | 空调系统能耗预测方法及装置 | |
| CN102955876A (zh) | 动态备件管理的系统和方法 | |
| CN113050018A (zh) | 基于数据驱动评估结果变化趋势的电压互感器状态评估方法及系统 | |
| CN115587673B (zh) | 一种电压互感器误差状态预测方法及系统 | |
| CN102446135A (zh) | 软件质量的检测方法 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| CN116579496A (zh) | 基于大数据的园区短期负荷预测方法 | |
| CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
| CN116882804A (zh) | 一种智能电力监控方法及系统 | |
| CN114460529A (zh) | 一种电能表误差在线评估方法、装置、设备及存储介质 | |
| CN115508770A (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
| CN114528951A (zh) | 一种配网线路单线图异常诊断分析方法、系统及装置 | |
| CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
| Yang et al. | Probabilistic revenue analysis of microgrid considering source-load and forecast uncertainties | |
| CN109190749A (zh) | 一种用于智能电表寿命的预测方法及装置 | |
| CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
| CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
| CN113962751A (zh) | 电力套餐的零售价格预测方法、装置及存储介质 | |
| CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
| CN112381436A (zh) | 逐时电负荷生成方法、装置、电子设备及存储介质 | |
| CN112036622B (zh) | 一种基于图谱分析确定配电终端运行状态的方法及系统 | |
| US20240311936A1 (en) | Method for gas supply deployment of smart gas pipeline network and internet of things system thereof | |
| CN117237034B (zh) | 度电成本确定方法、装置、计算机设备及存储介质 | |
| CN118572757B (zh) | 一种基于数字孪生的智能储能系统调控与运维方法及设备 |
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 | ||
| GR01 | Patent grant |