CN113887811B - 一种充电桩数据管理方法及系统 - Google Patents
一种充电桩数据管理方法及系统 Download PDFInfo
- Publication number
- CN113887811B CN113887811B CN202111191496.1A CN202111191496A CN113887811B CN 113887811 B CN113887811 B CN 113887811B CN 202111191496 A CN202111191496 A CN 202111191496A CN 113887811 B CN113887811 B CN 113887811B
- Authority
- CN
- China
- Prior art keywords
- data
- charging pile
- charging
- prediction
- model
- 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.)
- Active
Links
Images
Classifications
-
- 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"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/30—Constructional details of charging stations
- B60L53/31—Charging columns specially adapted for electric vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
Abstract
本发明公开了一种充电桩数据管理方法及系统,所述方法包括:获得第一企业的第一充电桩分布信息;根据所述第一充电桩分布信息,获得第一特征分布区和第二特征分布区;通过联邦学习方法对所述第一特征分布区和所述第二特征分布区进行模型训练,构建投放预测模型;根据所述投放预测模型,获得所述第一企业的第一预测数据;将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息;根据所述第一决策输出信息对所述可投放预测数据进行投放节点设定,实现所述第一企业的充电桩投放管理。解决了现有技术中存在对于充电桩数据的利用率不够多,无法针对充电桩数据进行有效的投放智能化管理的技术问题。
Description
技术领域
本发明涉及数据管理相关领域,尤其涉及一种充电桩数据管理方法及系统。
背景技术
随着新能源技术的不断研究与发展,从而伴随着新能源车在目前市面上越来越多,并且出售新能源车的厂商和购买新能源车的消费者,都同比大幅增长。新能源车的动能是电,所以,对于新能源车而言,充电桩就类似于它的加油站,目前对于新能源车发展充电桩的管理方面起到至关重要的影响,所以随着新能源车的发展,充电桩的发展也会同步进行,因此,基于充电桩需求的大幅度增长,如何有效对充电桩的数据进行智能化管理是目前急需解决的问题。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在对于充电桩数据的利用率不够多,无法针对充电桩数据进行有效的投放智能化管理的技术问题。
发明内容
本申请实施例通过提供一种充电桩数据管理方法及系统,解决了现有技术中存在对于充电桩数据的利用率不够多,无法针对充电桩数据进行有效的投放智能化管理的技术问题,达到了通过对所充电桩数据进行智能化管理,为企业的充电桩投放管理提供准确的投放决策数据支持,提高充电桩数据管理质量的技术效果。
鉴于上述问题,提出了本申请实施例提供一种充电桩数据管理方法及系统。
第一方面,本申请实施例提供了一种充电桩数据管理方法,其中,所述方法包括:获得第一企业的第一充电桩分布信息;根据所述第一充电桩分布信息,获得第一特征分布区和第二特征分布区;通过联邦学习方法对所述第一特征分布区和所述第二特征分布区进行模型训练,构建投放预测模型;根据所述投放预测模型,获得所述第一企业的第一预测数据,其中,所述第一预测数据为充电桩的可投放预测数据;将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息;根据所述第一决策输出信息对所述可投放预测数据进行投放节点设定,获得投放节点集合;根据所述投放节点集合实现所述第一企业的充电桩投放管理。
另一方面,本申请还提供了一种充电桩数据管理系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一企业的第一充电桩分布信息;第二获得单元,所述第二获得单元用于根据所述第一充电桩分布信息,获得第一特征分布区和第二特征分布区;第一构建单元,所述第一构建单元用于通过联邦学习方法对所述第一特征分布区和所述第二特征分布区进行模型训练,构建投放预测模型;第三获得单元,所述第三获得单元用于根据所述投放预测模型,获得所述第一企业的第一预测数据,其中,所述第一预测数据为充电桩的可投放预测数据;第四获得单元,所述第四获得单元用于将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息;第五获得单元,所述第五获得单元用于根据所述第一决策输出信息对所述可投放预测数据进行投放节点设定,获得投放节点集合;第一管理单元,所述第一管理单元用于根据所述投放节点集合实现所述第一企业的充电桩投放管理。
第三方面,本发明提供了一种充电桩数据管理系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过获得企业的目前的第一充电桩分布信息,并根据所述第一充电桩分布信息对应进行特征分布区域的分析,进而获得第一特征分布区和第二特征分布区,再分别对所述第一特征分布区和所述第二特征分布区进行具体充电桩的数据分析,基于联邦学习的方式进行模型训练,从而构建投放预测模型,其中,所述投放预测模型为充电桩的投放预测模型,进而根据所述投放预测模型获得的第一预测数据进行马尔科夫链的逆向计算,从而根据马尔科夫链获得最后的决策输出信息,并根据输出的决策信息实现投放节点的数据采集,从而根据投放节点对所述第一企业的充电桩进行投放管理的方式,达到了通过对所充电桩数据进行智能化管理,为企业的充电桩投放管理提供准确的投放决策数据支持,提高充电桩数据管理质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种充电桩数据管理方法的流程示意图;
图2为本申请实施例一种充电桩数据管理方法的构建投放预测模型流程示意图;
图3为本申请实施例一种充电桩数据管理方法的获得第一决策输出信息流程示意图;
图4为本申请实施例一种充电桩数据管理方法的高频区域聚类流程示意图;
图5为本申请实施例一种充电桩数据管理系统的结构示意图;
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一构建单元13,第三获得单元14,第四获得单元15,第五获得单元16,第一管理单元17,计算设备90,存储器91,处理器92,输入输出接口93。
具体实施方式
本申请实施例通过提供一种充电桩数据管理方法及系统,解决了现有技术中存在对于充电桩数据的利用率不够多,无法针对充电桩数据进行有效的投放智能化管理的技术问题,达到了通过对所充电桩数据进行智能化管理,为企业的充电桩投放管理提供准确的投放决策数据支持,提高充电桩数据管理质量的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
随着新能源技术的不断研究与发展,从而伴随着新能源车在目前市面上越来越多,并且出售新能源车的厂商和购买新能源车的消费者,都同比大幅增长。新能源车的动能是电,所以,对于新能源车而言,充电桩就类似于它的加油站,目前对于新能源车发展充电桩的管理方面起到至关重要的影响,所以随着新能源车的发展,充电桩的发展也会同步进行,因此,基于充电桩需求的大幅度增长,如何有效对充电桩的数据进行智能化管理是目前急需解决的问题。但解决了现有技术中存在对于充电桩数据的利用率不够多,无法针对充电桩数据进行有效的投放智能化管理的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种充电桩数据管理方法,其中,所述方法包括:获得第一企业的第一充电桩分布信息;根据所述第一充电桩分布信息,获得第一特征分布区和第二特征分布区;通过联邦学习方法对所述第一特征分布区和所述第二特征分布区进行模型训练,构建投放预测模型;根据所述投放预测模型,获得所述第一企业的第一预测数据,其中,所述第一预测数据为充电桩的可投放预测数据;将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息;根据所述第一决策输出信息对所述可投放预测数据进行投放节点设定,获得投放节点集合;根据所述投放节点集合实现所述第一企业的充电桩投放管理。
在介绍了本申请基本原理后,下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题同样适用。
实施例一
如图1所示,本申请实施例提供了一种充电桩数据管理方法,其中,所述方法包括:
步骤S100:获得第一企业的第一充电桩分布信息;
步骤S200:根据所述第一充电桩分布信息,获得第一特征分布区和第二特征分布区;
具体而言,通过对所述第一企业的充电桩进行分布定位,进一步的,充电桩进行定位可以基于充电桩内的GPS实现坐标定位,从而能够对所有的充电桩进行系统化管理,再基于物联网的连接使得便于数据的传输和接收,进而再根据所述第一充电桩的分布信息进行分布区的商圈进行分析,由于充电桩的使用具有多样性,比如社区、高速、公交车站等为不同的新能源车进行便捷充电,且充电桩具有的交互及界面能够为用户提供充电的可选性,因此,根据所述第一充电桩的分布信息进行分布特征的提取后进而获得所述第一特征分布区和所述第二特征分布区,其中,所述第一特征分布区为是通过对所述第一充电桩与对应的分布商圈进行分析后获得的商圈分布密集型的特征划分区域,所述第二特征分区是不同于商圈的具有分布密集性的特征划分区域,从而能够根据不同的特征分布区进行特征地区的数据采集,为之后模型的构建提供准确的基础数据。
步骤S300:通过联邦学习方法对所述第一特征分布区和所述第二特征分布区进行模型训练,构建投放预测模型;
具体而言,基于物联网分别对所述第一特征分布区和所述第二特征分布区中的充电桩使用数据进行采集和分析,根据采集到的数据进行联邦学习,联邦机器学习是一个机器学习框架,能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模,联邦学习作为分布式的机器学习能够对特征数据进行有效的特征重合求取,所述第一企业的对于充电桩数据的投放区域不同,该对应区域的充电桩使用特征与其他区域的充电桩使用特征不相同,为了保证企业的充电桩投放基础决策特征的准确性,从而基于联邦学习的方式实现目前企业的现有模型的优化,从而获得所述投放预测模型,且所述投放预测模型的本质是神经网络模型,进而使得联邦学习后的输入特征数据更加准确和具有代表性,进一步的增加了模型的可使用性能。
步骤S400:根据所述投放预测模型,获得所述第一企业的第一预测数据,其中,所述第一预测数据为充电桩的可投放预测数据;
步骤S500:将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息;
具体而言,通过所述投放预测模型从而对于目前所述第一企业的充电桩进行可投放预测,根据所述投放预测模型获得输出的所述第一预测数据,其中,所述投放预测模型是通过多组训练数据训练获得的模型,具有较高输出准确性。从而将所述可投放预测数据作为目标数据,并与另一数据进行映射关系的构建,比如所述可投放预测数据和投放时间进行映射数据组构建,或者将所述可投放预测数据和投放收益进行映射数据组构建,进而实现所述马尔科夫决策的逆向递推。从而通过反向激励的方式对应构建出逆向递推的映射数据组,获得所述第一决策输出信息。
进一步而言,如图3所示,其中,所述将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息,本申请实施例步骤S500还包括:
步骤S510:获得第一预设期望概率和第一预设收益数据;
步骤S520:将所述可投放预测数据和所述第一预设收益数据作为最终映射数据组,并根据所述第一预设期望概率对马尔科夫决策过程进行逆向计算,获得第一逆向映射数据组;
步骤S530:根据所述第一逆向映射数据组进行N个节点的提取,获得第二逆向映射数据组;
步骤S540:将所述第二逆向映射数据组作为所述第一决策输出信息进行输出。
具体而言,马尔科夫链描述了一种状态序列,其每个状态值取决于前面有限个状态。马尔可夫链是具有马尔可夫性质的随机变量的一个数列。这些变量的范围,即它们所有可能取值的集合,被称为“状态空间”。进一步的,马尔科夫决策过程能够对现有的状态和期望的概率不断完成递推以达到预设的期望概率,从而需要根据目前的第一企业的预测数据为最终的递推输出结果来反向激励,从而获得马尔科夫决策的逆向计算结果,将对应的计算结果作为所述第一决策输出信息。将所述第一预设收益数据和所述可投放预测数据进行数据组的映射构建,且马尔科夫决策的最终预设期望概率给定的情况下,通过将激励条件由正向变为负向实现反向激励,进而获得所述第一逆向映射数据组,再通过对所述第一逆向映射数据组进行节点的量化选取,且根据所述第一预设收益数据确定第一选取节点量即所述N个节点的设定,从而获得所述第二逆向映射数据组进行输出,达到了有效利用马尔科夫逆向决策的方式为企业的充电桩投放管理提供准确的投放决策数据支持,提高充电桩数据管理质量。
步骤S600:根据所述第一决策输出信息对所述可投放预测数据进行投放节点设定,获得投放节点集合;
步骤S700:根据所述投放节点集合实现所述第一企业的充电桩投放管理。
具体而言,由于所述第一决策输出信息为逆向的映射关系组,具有对应的状态分布和状态空间,通过反向激励后获得的所述第一决策输出信息中其映射的数据组的数量为所述投放节点集合的约束条件,其中,所述投放节点集合的数量小于等于所述第一决策输出信息的映射数据组数量,从而能够通过提前预设所述投放节点集合从而能够为企业进行充电桩投放的决策分析,进而实现所述第一企业的充电桩投放的决策管理,达到了保持充电桩的数据高利用化程度,从而实现充电桩的智能化投放管理。
进一步而言,如图2所示,其中,所述根据所述第一连接输出信息,获得第一连接评分信息,本申请实施例步骤S300还包括:
步骤S310:通过对所述第一特征分布区的用户进行充电桩使用数据分析,获得第一特征数据,其中,所述第一特征数据包括第一充电方式和第一充电时长;
步骤S320:通过对所述第二特征分布区的用户进行充电桩使用数据分析,获得第二特征数据,其中,所述第一特征数据包括第二充电方式和第二充电时长;
步骤S330:根据所述第一特征数据和所述第二特征数据分别进行模型训练,获得第一投放预估模型和第二投放预估模型;
步骤S340:根据所述第一投放预估模型和所述第二投放预估模型,获得第一预估参数和第二预估参数;
步骤S350:获得所述第一企业的第一运营模型;
步骤S360:根据所述第一预估参数和所述第二预估参数对所述第一运营模型进行优化,获得所述投放预测模型。
具体而言,通过对所述第一特征分布区的充电桩进行用户使用情况的数据采集,包括充电方式和充电时长,其中,由于充电桩具有交互界面,所述第一特征分布区的用户可以通过交互界面自主选择充电方式和充电时间,其中,从而能够根据其选择的充电方式和充电时长对所述第一特征分布区的用户需求特征进行分析,进一步的,根据所述第一特征数据生成第一训练数据集,根据所述第二特征数据生成第二训练数据集,将所述第一训练数据训练出所述第一特征分布区对应的所述第一投放预估模型,根据所述第一投放预估模型获得第一预估参数;进一步的,将所述第二训练数据训练出所述第二特征分布区对应的第二投放预估模型,并根据所述第二投放预估模型获得第二预估参数。进一步的,获得所述第一企业中由运营数据构建的第一运营模型,将根据所述第一预估参数和所述第二预估参数对所述第一运营模型进行优化,从而获得优化后的所述投放预测模型,进而达到了准确预估投放数据,提高管理质量的技术效果。
进一步而言,其中,本申请实施例步骤S600还包括:
步骤S610:通过对所述第一特征分区进行充电车型分析,获得第一车型信息,通过对所述第二特征分区进行充电车型分析,获得第二车型信息;
步骤S620:根据所述第一车型信息和所述第二车型信息,获得所述第一充电桩的投放电桩类别信息;
步骤S630:根据所述第一充电桩的投放电桩类别进行投放点分析,确定第一预设投放点区域;
步骤S640:将所述第一预设投放点区域作为节点附加数据映射至所述投放节点集合中,其中,所述第一预设投放点区域与所述投放节点集合进行实时更新。
具体而言,通过对所述第一特征分区和所述第二特征分区分别进行充电车型的分析,从而获得对应的车型信息,比如,若特征分区为高速或交通道路,其对应的车型分布中新能源电动车较少,货车、轿车等车型较多,具有一定特征性,若特征分区为居民社区和住宅区,其流通的车型货车、卡车较少且轿车、公交车、电动车较多,针对与轿车和电动车的细化分析还可以通过对住宅区的经济水平和所处路段的繁华程度进行分析。从而能够根据获得的车型信息对应确定其充电桩的投放类别,由于不同的车型其充电桩的使用特征有所不同,因此通过确定其车型的分布状态,进而确定其充电桩的投放点区域,且所述第一预设投放点区域中会随着所述投放节点集合不断更新,从而达到了通过车型信息对投放点区进行限制,进而增加充电桩投放管理的有效性和针对性。
进一步而言,其中,所述根据所述第一充电桩的投放电桩类别进行投放点分析,确定第一预设投放点区域,本申请实施例S630还包括:
步骤S631:通过对所述第一特征分布区的所有充电桩进行用户使用数据采集,获得第一使用间隔时长;
步骤S632:通过对所述第一使用间隔时长进行分析,确定第一高频区域,其中,所述第一高频区域为使用频率较高的区域;
步骤S633:通过对所述第一高频区域进行聚类分析,获得第一聚类区域;
步骤S634:根据所述第一聚类区域,确定所述第一预设投放点区域,其中,所述第一预设投放点区域能够根据所述投放电桩类别对应的车型对所述第一聚类区域中的空置投放点进行标记投放。
具体而言,所述第一预设投放点区域的设定需要通过进一步的根据车型的特征和使用性的紧密性特征进行具体的确定,所述第一使用间隔时长为充电桩数据进行充电的前一次充电和后一次充电的间隔时长,若所述第一使用间隔时长较小,表示具有较高的使用紧密性,进而将充电桩进行标记,根据标记的数据确定出所述第一高频区域,进一步的,再对所述第一高频区域进行聚类分析,从而获得第一聚类区域。进一步的,通过确定车型的方式对控制投放点进行标记投放的过程可以举例来说明,比如,特征分区的公交车较多,可以将在投放的充电桩对于公交车站的预设路线交集处最多的投放点进行公交车空置投放标记,进而能够进一步满足投放需求,实现高质量的充电桩投放管理。
进一步而言,如图4所示,其中,本申请实施例S632还包括:
步骤S6321:通过对所述第一高频区域进行位置采集,获得第一位置坐标集;
步骤S6322:通过对所述第一高频区域的已投放充电桩进行类别和数量分析,获得第一类别信息和第一数量信息;
步骤S6323:分别将所述第一类别信息和所述第一数量信息作为横坐标轴和纵坐标轴,构建第一坐标系;
步骤S6324:将所述第一位置坐标集输入所述第一坐标系中对所述第一高频区域的所有高频区域进行欧式距离计算,并根据欧式距离数据集对所述第一高频区域进行聚类,获得所述第一聚类区域。
具体而言,对于所述第一高频区域进行聚类时,通过对所述第一高频区域中已标记的充电桩进行分析和已投放的数量进行规划,且将充电桩的类别作为横坐标,将所述第一数量信息作为纵坐标实现对所述第一高频区域中充电桩的聚类分析,由于聚类是一种非监督学习方法,它不需要任何形式的标签,而是基于数据本身的结构推测出簇标签。通过聚类分析、特征工程、建模调参的步骤可获得第一聚类结果,所述第一聚类结果为聚类后按相关特征划分的各个簇的数量,通过聚类分析得出所述第一聚类区域,进一步的,再将所述第一位置坐标集输入至坐标系中,其中,所述第一位置坐标集为所述第一高频区域的充电桩位置信息,从而根据构建的直角坐标系进行聚类分析,且进行聚类分析时通过计算其欧式距离,并生成对应的欧式距离数据集,再从所述朴实距离数据集中提取最短的距离实现聚类,从而获得所述第一聚类区域。
进一步而言,其中,本申请实施例S500还包括:
步骤S550:获得第一预设投放时间;
步骤S560:根据所述第一预设投放时间和所述第一预设收益数据,获得第一比例数据组;
步骤S570:将所述第一比例数据组和所述可投放预测数据作为新增映射数据组进行马尔科夫决策过程的逆向计算,获得第三逆向映射数据组;
步骤S580:根据所述第三逆向映射数据组,获得第二决策输出信息。
具体而言,所述第一比例数据组是通过将所述第一预设投放时间和所述第一预设收益数据进行具体的数据分析获得的,能够根据所述第一比例数据组对同时对时间和收益进行表示,再将所述第一比例数据组和所述可投放预测数据进行数据组的映射构建,类似的,由于马尔科夫决策的最终预设期望概率给定的情况下,通过将激励条件由正向变为负向实现反向激励,进从而获得所述第三逆向映射数据组进行输出,达到了通过将投放时间与收益数据结合方式,有效利用马尔科夫逆向决策的方式为企业的充电桩投放管理提供准确的投放决策数据支持,提高决策数据多样性和适用性。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘,移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述的方法。
综上所述,本申请实施例所提供的一种充电桩数据管理方法及系统具有如下技术效果:
1、由于采用了通过获得企业的目前的第一充电桩分布信息,并根据所述第一充电桩分布信息对应进行特征分布区域的分析,进而获得第一特征分布区和第二特征分布区,再分别对所述第一特征分布区和所述第二特征分布区进行具体充电桩的数据分析,基于联邦学习的方式进行模型训练,从而构建投放预测模型,其中,所述投放预测模型为充电桩的投放预测模型,进而根据所述投放预测模型获得的第一预测数据进行马尔科夫链的逆向计算,从而根据马尔科夫链获得最后的决策输出信息,并根据输出的决策信息实现投放节点的数据采集,从而根据投放节点对所述第一企业的充电桩进行投放管理的方式,达到了通过对所充电桩数据进行智能化管理,为企业充电桩投放管理提供准确的投放决策数据支持,提高充电桩数据管理质量的技术效果。
2、由于采用了通过确定其车型的分布状态,进而确定其充电桩的投放点区域,且随着所述投放节点集合不断更新,从而达到了通过车型信息对投放点区进行限制,进而增加充电桩投放管理的有效性和针对性。
3、由于采用了通过将投放时间与收益数据结合方式,有效利用马尔科夫逆向决策的方式为企业的充电桩投放管理提供准确的投放决策数据支持,提高决策数据多样性和适用性。
实施例二
基于与前述实施例中一种充电桩数据管理方法同样发明构思,本发明还提供了一种充电桩数据管理系统,如图5所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一企业的第一充电桩分布信息;
第二获得单元12,所述第二获得单元12用于根据所述第一充电桩分布信息,获得第一特征分布区和第二特征分布区;
第一构建单元13,所述第一构建单元13用于通过联邦学习方法对所述第一特征分布区和所述第二特征分布区进行模型训练,构建投放预测模型;
第三获得单元14,所述第三获得单元14用于根据所述投放预测模型,获得所述第一企业的第一预测数据,其中,所述第一预测数据为充电桩的可投放预测数据;
第四获得单元15,所述第四获得单元15用于将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息;
第五获得单元16,所述第五获得单元16用于根据所述第一决策输出信息对所述可投放预测数据进行投放节点设定,获得投放节点集合;
第一管理单元17,所述第一管理单元17用于根据所述投放节点集合实现所述第一企业的充电桩投放管理。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于通过对所述第一特征分布区的用户进行充电桩使用数据分析,获得第一特征数据,其中,所述第一特征数据包括第一充电方式和第一充电时长;
第七获得单元,所述第七获得单元用于通过对所述第二特征分布区的用户进行充电桩使用数据分析,获得第二特征数据,其中,所述第一特征数据包括第二充电方式和第二充电时长;
第八获得单元,所述第八获得单元用于根据所述第一特征数据和所述第二特征数据分别进行模型训练,获得第一投放预估模型和第二投放预估模型;
第九获得单元,所述第九获得单元用于根据所述第一投放预估模型和所述第二投放预估模型,获得第一预估参数和第二预估参数;
第九获得单元,所述第九获得单元用于根据所述第一投放预估模型和所述第二投放预估模型,获得第一预估参数和第二预估参数;
第十获得单元,所述第十获得单元用于获得所述第一企业的第一运营模型;
第一优化单元,所述第一优化单元用于根据所述第一预估参数和所述第二预估参数对所述第一运营模型进行优化,获得所述投放预测模型。
进一步的,所述系统还包括:
第十一获得单元,所述第十一获得单元用于获得第一预设期望概率和第一预设收益数据;
第一操作单元,所述第一操作单元用于将所述可投放预测数据和所述第一预设收益数据作为最终映射数据组,并根据所述第一预设期望概率对马尔科夫决策过程进行逆向计算,获得第一逆向映射数据组;
第二提取单元,所述第二提取单元用于根据所述第一逆向映射数据组进行N个节点的提取,获得第二逆向映射数据组;
第二操作单元,所述第二操作单元用于将所述第二逆向映射数据组作为所述第一决策输出信息进行输出。
进一步的,所述系统还包括:
第十二获得单元,所述第十二获得单元用于通过对所述第一特征分区进行充电车型分析,获得第一车型信息,通过对所述第二特征分区进行充电车型分析,获得第二车型信息;
第十三获得单元,所述第十三获得单元用于根据所述第一车型信息和所述第二车型信息,获得所述第一充电桩的投放电桩类别信息;
第一确定单元,所述第一确定单元用于根据所述第一充电桩的投放电桩类别进行投放点分析,确定第一预设投放点区域;
第一映射单元,所述第一映射单元用于将所述第一预设投放点区域作为节点附加数据映射至所述投放节点集合中,其中,所述第一预设投放点区域与所述投放节点集合进行实时更新。
进一步的,所述系统还包括:
第一采集单元,所述第一采集单元用于通过对所述第一特征分布区的所有充电桩进行用户使用数据采集,获得第一使用间隔时长;
第二确定单元,所述第二确定单元用于通过对所述第一使用间隔时长进行分析,确定第一高频区域,其中,所述第一高频区域为使用频率较高的区域;
第十四获得单元,所述第十四获得单元用于通过对所述第一高频区域进行聚类分析,获得第一聚类区域;
第三确定单元,所述第三确定单元用于根据所述第一聚类区域,确定所述第一预设投放点区域,其中,所述第一预设投放点区域能够根据所述投放电桩类别对应的车型对所述第一聚类区域中的空置投放点进行标记投放。
进一步的,所述系统还包括:
第二采集单元,所述第二采集单元用于通过对所述第一高频区域进行位置采集,获得第一位置坐标集;
第十五获得单元,所述第十五获得单元用于通过对所述第一高频区域的已投放充电桩进行类别和数量分析,获得第一类别信息和第一数量信息;
分别将所述第一类别信息和所述第一数量信息作为横坐标轴和纵坐标轴,构建第一坐标系;
第十六获得单元,所述第十六获得单元用于将所述第一位置坐标集输入所述第一坐标系中对所述第一高频区域的所有高频区域进行欧式距离计算,并根据欧式距离数据集对所述第一高频区域进行聚类,获得所述第一聚类区域。
进一步的,所述系统还包括:
第四构建单元,所述第四构建单元用于构建第一交叉连接单元,其中,所述第一交叉连接单元用于对所述第一串联项目和所述第一并联项目进行交叉连接;
第十七获得单元,所述第十七获得单元用于获得第一预设投放时间;
第十八获得单元,所述第十八获得单元用于根据所述第一预设投放时间和所述第一预设收益数据,获得第一比例数据组;
第十九获得单元,所述第十九获得单元用于将所述第一比例数据组和所述可投放预测数据作为新增映射数据组进行马尔科夫决策过程的逆向计算,获得第三逆向映射数据组;
第二十获得单元,所述第二十获得单元用于根据所述第三逆向映射数据组,获得第二决策输出信息。
本申请实施例可以根据上述方法示例对网络设备和终端设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个接收模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。通过前述对一种充电桩数据管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种充电桩数据管理系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
图6是本申请的计算设备的示意图。图6所示的计算设备90可以包括:存储器91、处理器92、输入/输出接口93。其中,存储器91、处理器92和输入/输出接口93通过内部连接通路相连,该存储器33用于存储指令,该处理器92用于执行该存储器91存储的指令,以控制输入/输出接口93接收输入的数据和信息,输出操作结果等数据。
图6是本申请另一实施例的计算设备的示意图。图6所示的计算设备90可以包括:存储器91、处理器92、输入/输出接口93。其中,存储器91、处理器92和输入/输出接口93通过内部连接通路相连,该存储器91用于存储指令,该处理器92用于执行该存储器92存储的指令,以控制输入/输出接口93接收输入的数据和信息,输出操作结果等数据。
在实现过程中,上述方法的各步骤可以通过处理器92中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的异常消息的识别方法和/或异常消息识别模型的训练方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器﹑寄存器等本领域成熟的存储介质中。该存储介质位于存储器91,处理器92读取存储器91中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应理解,本申请实施例中,该处理器可以为中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP),专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
应理解,本申请实施例中,该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。处理器的一部分还可以包括非易失性随机存取存储器。例如,处理器还可以存储设备类型的信息。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机,服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line,DSL))或无线(例如红外,无线,微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器,数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(Digital Video Disc,DVD))或者半导体介质(例如,固态硬盘(Solid State Disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种充电桩数据管理方法,其中,所述方法包括:
获得第一企业的第一充电桩分布信息;
根据所述第一充电桩分布信息,获得第一特征分布区和第二特征分布区;
通过联邦学习方法对所述第一特征分布区和所述第二特征分布区进行模型训练,构建投放预测模型;
根据所述投放预测模型,获得所述第一企业的第一预测数据,其中,所述第一预测数据为充电桩的可投放预测数据;
将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息;
根据所述第一决策输出信息对所述可投放预测数据进行投放节点设定,获得投放节点集合;
根据所述投放节点集合实现所述第一企业的充电桩投放管理;
所述方法还包括:
通过对所述第一特征分布区的用户进行充电桩使用数据分析,获得第一特征数据,其中,所述第一特征数据包括第一充电方式和第一充电时长;
通过对所述第二特征分布区的用户进行充电桩使用数据分析,获得第二特征数据,其中,所述第一特征数据包括第二充电方式和第二充电时长;
根据所述第一特征数据和所述第二特征数据分别进行模型训练,获得第一投放预估模型和第二投放预估模型;
根据所述第一投放预估模型和所述第二投放预估模型,获得第一预估参数和第二预估参数;
获得所述第一企业的第一运营模型,所述第一运营模型是由所述第一企业中的运营数据构建的;
根据所述第一预估参数和所述第二预估参数对所述第一运营模型进行优化,获得所述投放预测模型。
2.如权利要求1所述的方法,其中,所述将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息,所述方法还包括:
获得第一预设期望概率和第一预设收益数据;
将所述可投放预测数据和所述第一预设收益数据作为最终映射数据组,并根据所述第一预设期望概率对马尔科夫决策过程进行逆向计算,获得第一逆向映射数据组;
根据所述第一逆向映射数据组进行N个节点的提取,获得第二逆向映射数据组;
将所述第二逆向映射数据组作为所述第一决策输出信息进行输出。
3.如权利要求1所述的方法,其中,所述方法还包括:
通过对所述第一特征分区进行充电车型分析,获得第一车型信息,通过对所述第二特征分区进行充电车型分析,获得第二车型信息;
根据所述第一车型信息和所述第二车型信息,获得所述第一充电桩的投放电桩类别信息;
根据所述第一充电桩的投放电桩类别进行投放点分析,确定第一预设投放点区域;
将所述第一预设投放点区域作为节点附加数据映射至所述投放节点集合中,其中,所述第一预设投放点区域与所述投放节点集合进行实时更新。
4.如权利要求3所述的方法,其中,所述根据所述第一充电桩的投放电桩类别进行投放点分析,确定第一预设投放点区域,所述方法还包括:
通过对所述第一特征分布区的所有充电桩进行用户使用数据采集,获得第一使用间隔时长;
通过对所述第一使用间隔时长进行分析,确定第一高频区域,其中,所述第一高频区域为使用频率较高的区域;
通过对所述第一高频区域进行聚类分析,获得第一聚类区域;
根据所述第一聚类区域,确定所述第一预设投放点区域,其中,所述第一预设投放点区域能够根据所述投放电桩类别对应的车型对所述第一聚类区域中的空置投放点进行标记投放。
5.如权利要求4所述的方法,其中,所述方法还包括:
通过对所述第一高频区域进行位置采集,获得第一位置坐标集;
通过对所述第一高频区域的已投放充电桩进行类别和数量分析,获得第一类别信息和第一数量信息;
分别将所述第一类别信息和所述第一数量信息作为横坐标轴和纵坐标轴,构建第一坐标系;
将所述第一位置坐标集输入所述第一坐标系中对所述第一高频区域的所有高频区域进行欧式距离计算,并根据欧式距离数据集对所述第一高频区域进行聚类,获得所述第一聚类区域。
6.如权利要求2所述的方法,其中,所述方法还包括:
获得第一预设投放时间;
根据所述第一预设投放时间和所述第一预设收益数据,获得第一比例数据组;
将所述第一比例数据组和所述可投放预测数据作为新增映射数据组进行马尔科夫决策过程的逆向计算,获得第三逆向映射数据组;
根据所述第三逆向映射数据组,获得第二决策输出信息。
7.一种充电桩数据管理系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一企业的第一充电桩分布信息;
第二获得单元,所述第二获得单元用于根据所述第一充电桩分布信息,获得第一特征分布区和第二特征分布区;
第一构建单元,所述第一构建单元用于通过联邦学习方法对所述第一特征分布区和所述第二特征分布区进行模型训练,构建投放预测模型;
第三获得单元,所述第三获得单元用于根据所述投放预测模型,获得所述第一企业的第一预测数据,其中,所述第一预测数据为充电桩的可投放预测数据;
第四获得单元,所述第四获得单元用于将所述可投放预测数据作为目标数据进行逆向马尔科夫决策计算,获得第一决策输出信息;
第五获得单元,所述第五获得单元用于根据所述第一决策输出信息对所述可投放预测数据进行投放节点设定,获得投放节点集合;
第一管理单元,所述第一管理单元用于根据所述投放节点集合实现所述第一企业的充电桩投放管理;
第六获得单元,所述第六获得单元用于通过对所述第一特征分布区的用户进行充电桩使用数据分析,获得第一特征数据,其中,所述第一特征数据包括第一充电方式和第一充电时长;
第七获得单元,所述第七获得单元用于通过对所述第二特征分布区的用户进行充电桩使用数据分析,获得第二特征数据,其中,所述第一特征数据包括第二充电方式和第二充电时长;
第八获得单元,所述第八获得单元用于根据所述第一特征数据和所述第二特征数据分别进行模型训练,获得第一投放预估模型和第二投放预估模型;
第九获得单元,所述第九获得单元用于根据所述第一投放预估模型和所述第二投放预估模型,获得第一预估参数和第二预估参数;
第九获得单元,所述第九获得单元用于根据所述第一投放预估模型和所述第二投放预估模型,获得第一预估参数和第二预估参数;
第十获得单元,所述第十获得单元用于获得所述第一企业的第一运营模型;
第一优化单元,所述第一优化单元用于根据所述第一预估参数和所述第二预估参数对所述第一运营模型进行优化,获得所述投放预测模型。
8.一种充电桩数据管理系统,包括至少一个处理器和存储器,所述至少一个处理器与所述存储器耦合,用于读取并执行所述存储器中的指令,以执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191496.1A CN113887811B (zh) | 2021-10-13 | 2021-10-13 | 一种充电桩数据管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191496.1A CN113887811B (zh) | 2021-10-13 | 2021-10-13 | 一种充电桩数据管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113887811A CN113887811A (zh) | 2022-01-04 |
CN113887811B true CN113887811B (zh) | 2022-08-12 |
Family
ID=79002611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111191496.1A Active CN113887811B (zh) | 2021-10-13 | 2021-10-13 | 一种充电桩数据管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887811B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635854A (zh) * | 2018-11-26 | 2019-04-16 | 国网冀北电力有限公司 | 基于马尔科夫链的充电桩故障预测方法及装置 |
CN112102133A (zh) * | 2020-11-16 | 2020-12-18 | 深圳市易博天下科技有限公司 | 基于信息投放的高效招聘方法、装置、系统及电子设备 |
CN113415203A (zh) * | 2021-06-29 | 2021-09-21 | 湖南昌茂电能发展有限公司 | 一种基于物联网的智能充电桩管理系统 |
CN113434483A (zh) * | 2021-06-29 | 2021-09-24 | 无锡四维时空信息科技有限公司 | 一种基于时空大数据的可视化建模方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
CN106355290A (zh) * | 2016-09-21 | 2017-01-25 | 四川大学 | 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统 |
CN108573322A (zh) * | 2018-03-13 | 2018-09-25 | 中联达通广(镇江)新能源科技有限公司 | 一种基于多车型共享换电站动态负荷预测方法 |
JP7057761B2 (ja) * | 2019-02-06 | 2022-04-20 | 株式会社日立製作所 | 計算機システム及び情報の提示方法 |
CN111897800B (zh) * | 2020-08-05 | 2021-06-22 | 全球能源互联网研究院有限公司 | 一种基于联邦学习的电动汽车充电设施推荐方法及系统 |
CN112381313A (zh) * | 2020-11-23 | 2021-02-19 | 国网北京市电力公司 | 充电桩地址的确定方法和装置 |
-
2021
- 2021-10-13 CN CN202111191496.1A patent/CN113887811B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635854A (zh) * | 2018-11-26 | 2019-04-16 | 国网冀北电力有限公司 | 基于马尔科夫链的充电桩故障预测方法及装置 |
CN112102133A (zh) * | 2020-11-16 | 2020-12-18 | 深圳市易博天下科技有限公司 | 基于信息投放的高效招聘方法、装置、系统及电子设备 |
CN113415203A (zh) * | 2021-06-29 | 2021-09-21 | 湖南昌茂电能发展有限公司 | 一种基于物联网的智能充电桩管理系统 |
CN113434483A (zh) * | 2021-06-29 | 2021-09-24 | 无锡四维时空信息科技有限公司 | 一种基于时空大数据的可视化建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113887811A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263242A (zh) | 内容推荐方法、装置、计算机可读存储介质和计算机设备 | |
CN112863172B (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
CN111105628A (zh) | 一种停车场画像构建方法和装置 | |
CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN109308538B (zh) | 成交转化率预测方法及装置 | |
CN112861833B (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN112233428A (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
RU2740708C1 (ru) | Способ обработки результатов радиомониторинга | |
CN113887811B (zh) | 一种充电桩数据管理方法及系统 | |
CN111507541B (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
CN111695820A (zh) | 工程车辆电子联单管理方法、装置、终端及存储介质 | |
CN110807238A (zh) | 一种仿真模型校准方法及相关设备 | |
CN114394099B (zh) | 车辆行驶异常识别方法、装置、计算机设备及存储介质 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
CN112101576B (zh) | 分布式设备使用机器学习模型聚合系统 | |
CN113076451B (zh) | 异常行为识别和风险模型库的建立方法、装置及电子设备 | |
CN111586160B (zh) | 数据处理方法、装置、数据处理设备及存储介质 | |
CN111339468B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN116580564B (zh) | 一种交通流预测方法及装置 | |
CN109615187A (zh) | 一种od矩阵的评估方法、公交负载模拟方法及装置 |
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 |