CN114693044A - 换电站选址方法、系统、电子设备和存储介质 - Google Patents
换电站选址方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114693044A CN114693044A CN202011623663.0A CN202011623663A CN114693044A CN 114693044 A CN114693044 A CN 114693044A CN 202011623663 A CN202011623663 A CN 202011623663A CN 114693044 A CN114693044 A CN 114693044A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- address
- area
- station
- 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.)
- Pending
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 66
- 238000010187 selection method Methods 0.000 title claims description 17
- 230000008859 change Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000000875 corresponding effect Effects 0.000 claims description 101
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000005611 electricity Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 208000019901 Anxiety disease Diseases 0.000 description 4
- 230000036506 anxiety Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Traffic Control Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了一种换电站选址方法、系统、电子设备和存储介质,所述方法包括:获取入网车辆的车辆行驶信息;根据所述车辆行驶信息确定所述入网车辆所对应的车辆类型;基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域;根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址。本发明中基于入网车辆的车辆类型获取驾驶用户的潜在居住地址以及车辆常停车地址,获取具有换电需求的换电区域以进行换电站选址,有效地提高了换电站选址的合理性、准确性、效率以及自动化程度,大大地缩短了选址周期,降低了投入成本;同时基于实时更新的数据进行重新计算以生成新的选址信息进行换电站选址,进一步地保证了选址的准确性。
Description
技术领域
本发明涉及电动汽车换电技术领域,特别涉及一种换电站选址方法、系统、电子设备和存储介质。
背景技术
纯电动汽车的换电站作为电动汽车能源补给的重要配套基础设施,直接影响电动汽车行驶的便利性和经济性,如何对电动汽车换电站进行优化布局,实现电动汽车充电的便利性、经济性成为亟待解决的问题。
目前,换电站的选址主要依赖于人工方式进行,这种人工选址方式的工作量大且选址周期长,存在选址效率低等问题。
发明内容
本发明要解决的技术问题是为了克服现有技术中基于人工方式进行换电站选址存在选址效率较低的缺陷,目的在于提供一种换电站选址方法、系统、电子设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种换电站选址方法,所述方法包括:
获取入网车辆的车辆行驶信息;
根据所述车辆行驶信息确定所述入网车辆所对应的车辆类型;
基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域;
根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址。
本实施方式中,根据入网车辆的车辆行驶信息对车辆类型进行划分,再基于车辆类型和车辆行驶信息得到换电区域,进而基于换电区域生成选址信息以进行换电站选址,即基于车辆行驶信息结合车辆类型挖掘出具有换电需求的换电区域,以指导后续建站选址能够有效缩减选址时间,进而提高选址的合理性以及效率。另外还可通过减少人力耗费,降低投入成本。
较佳地,所述车辆行驶信息包括多个车辆定位信息和/或车速信息;所述车辆定位信息包括车辆定位位置及对应的定位时间点;所述车速信息包括车速数值及对应的车速采集时间点;
所述根据所述车辆行驶信息获取所述入网车辆的车辆类型,包括:
根据所述车辆定位信息和/或车速信息,计算所述入网车辆在统计周期内的行驶时长;
在所述行驶时长小于预设时长时,确定所述入网车辆属于目标车辆类型。
本实施方式中,依据入网车辆在统计周期内的行驶时长自动对入网车辆进行分类,以确定属于目标车辆类型的入网车辆,后续便可基于目标车辆类型的车辆特性挖掘出具有换电需求的换电区域,以提高选址的合理性。而且,行驶时长通过车辆定位信息和/或车速信息得到,可在一定程度确保准确性。
较佳地,所述基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域,包括:
基于所述车辆定位信息,获取多个所述统计周期内所述目标车辆类型的入网车辆在每个所述统计周期内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置;
获取多个所述统计周期内同一所述第一车辆定位位置或第二车辆定位位置的累计定位次数;
在所述累计定位次数达到第一设定阈值时,确定所述第一车辆定位位置或第二车辆定位位置为所述目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址;
根据所述潜在居住地址确定具有换电需求的所述换电区域。
本实施方式中,基于驾驶用户的生活习性以及入网车辆在行驶期间才记录车辆定位信息和车速信息的先验知识,根据目标车辆多个统计周期中每个统计周期内最早定位时间点和/或最晚定位时间点对应的车辆定位位置,来推定入网车辆的驾驶用户的潜在居住地址,可以有效提高潜在居住地址的准确性,进而在基于潜在居住地址确定具有换电需求的换电区域时,可有效提高选址结果的准确性以及合理性。
较佳地,所述方法还包括:
基于所述车辆定位信息和/或所述车速信息,获取预设时间段内所述目标车辆类型的入网车辆在不同地点的停留时长;
选取出所述停留时长超过第二设定阈值的地点,作为所述目标车辆类型的入网车辆的车辆常停车地址;
根据所述车辆常停车地址确定具有换电需求的所述换电区域。
本实施方式中,基于换电车辆在一段时间内的定位位置变化情况、车速变化情况确定该入网车辆经常停车的地点,如蹲点等客地点、休息地点、上下客地点等,这些地点也作为驾驶用户具有换电需求的潜在换电地址,进而基于若干个潜在换电地址获取换电区域以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
较佳地,所述基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域,包括:
对所述潜在居住地址,和/或,所述车辆常停车地址进行聚类处理以获取多个聚类簇;其中,每个所述聚类簇对应一个所述换电区域。
本实施方式中,通过对潜在居住地址和/或车辆常停车地址进行聚类处理,以获取不同的换电区域以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
较佳地,所述根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址,包括:
对于每个聚类簇执行以下步骤:
计算所述聚类簇所对应的中心坐标信息;
获取距离所述中心坐标信息小于第三设定阈值的已营业换电站;
确定所述聚类簇对应的换电区域内入网车辆的区域车辆数;
在所述区域车辆数大于所述已营业换电站的负荷车辆数时,则确定所述聚类簇对应的换电区域为未被全面覆盖用户换电需求的目标区域;
根据所述目标区域生成选址信息,以根据所述选址信息进行换电站选址。
本实施方式中,通过比较距离聚类簇的中心位置与设定距离内的已营业换电站能够负荷的车辆数,与聚类簇中实际的区域车辆数之间的差距以确定未被全面覆盖用户换电需求的目标区域,进而生成选址信息以进行换电站选址,能够有效地提高了选址结果的准确性、合理性以及选址效率。
较佳地,所述根据所述目标区域生成选址信息,以根据所述选址信息进行换电站选址,包括:
对于每个所述目标区域,根据每个所述目标区域的区域车辆数和每个所述目标区域的已营业换电站的负荷车辆数,确定未覆盖车辆数;
根据所述未覆盖车辆数对所述目标区域进行选址优先级排序;每个所述目标区域的选址优先级与每个所述目标区域的未覆盖车辆数呈正相关;
根据每个所述目标区域的选址优先级进行换电站选址。
本实施方式中,在选定未完全覆盖换电需求的目标区域后,根据未覆盖车辆数对目标区域进行选址优先级排序,其中未覆盖车辆数越多的目标区域说明该目标区域对换电需求的未覆盖程度越高,则对应的选址优先级越高,反之未覆盖车辆数越少的目标区域说明该目标区域对换电需求的未覆盖程度越低,则对应的选址优先级越低,进而根据选址优先级进行换电站选址,即划分出选址优先级,帮助选址人员缩减选址规划时间,能够尽早地满足更多的驾驶用户的换电需求,有效地提高了选址合理性以及效率。
较佳地,所述根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址,包括:
计算得到每个所述聚类簇所对应的中心坐标信息;
当距离所述中心坐标信息第三设定阈值范围内没有换电站时,则确定当前聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域;
根据所述目标区域生成选址信息,以根据所述选址信息进行换电站选址。
本实施方式中,通过在距离聚类簇的中心位置的设定距离内没有建立换电站时,则将该聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域,进而生成选址信息以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
本发明还提供一种换电站选址系统,所述系统包括:
车辆行驶信息获取模块,用于获取入网车辆的车辆行驶信息;
车辆类型确定模块,用于根据所述车辆行驶信息确定所述入网车辆所对应的车辆类型;
换电区域确定模块,用于基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域;
选址模块,用于根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址。
较佳地,所述车辆行驶信息包括多个车辆定位信息;所述车辆定位信息包括车辆定位位置及对应的定位时间点;
所述车辆类型确定模块包括:
行驶时计算单元,用于根据所述车辆定位信息,计算所述入网车辆在统计周期内的行驶时长;
车辆类型确定单元,用于在所述行驶时长小于预设时长时,确定所述入网车辆属于目标车辆类型。
较佳地,所述换电区域确定模块包括:
定位位置获取单元,用于基于所述车辆定位信息,获取多个所述统计周期内所述目标车辆类型的入网车辆在每个所述统计周期内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置;
定位次数获取单元,用于获取多个所述统计周期内同一所述第一车辆定位位置或第二车辆定位位置的累计定位次数;
潜在居住地址确定单元,用于在所述累计定位次数达到第一设定阈值时,确定所述第一车辆定位位置或第二车辆定位位置为所述目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址;
换电区域确定单元,用于根据所述潜在居住地址确定具有换电需求的所述换电区域。
较佳地,所述系统还包括:
停留时长获取模块,用于基于所述车辆定位信息,获取预设时间段内所述目标车辆类型的入网车辆在不同地点的停留时长;
常停车地址获取模块,用于选取出所述停留时长超过第二设定阈值的地点,作为所述目标车辆类型的入网车辆的车辆常停车地址;
所述换电区域确定模块用于根据所述车辆常停车地址确定具有换电需求的所述换电区域。
较佳地,所述换电区域确定模块还用于对所述潜在居住地址,和/或,所述车辆常停车地址进行聚类处理以获取多个聚类簇;其中,每个所述聚类簇对应一个所述换电区域。
较佳地,所述选址模块包括:
坐标信息计算单元,用于计算所述聚类簇所对应的中心坐标信息;
换电站获取单元,用于获取距离所述中心坐标信息小于第三设定阈值的已营业换电站;
区域车辆数确定单元,用于确定所述聚类簇对应的换电区域内入网车辆的区域车辆数;
目标区域确定单元,用于在所述区域车辆数大于所述已营业换电站的负荷车辆数时,则确定所述聚类簇对应的换电区域为未被全面覆盖用户换电需求的目标区域;
选址单元,用于根据所述目标区域生成选址信息,以根据所述选址信息进行换电站选址。
较佳地,所述选址模块还包括:
未覆盖车辆数获取单元,用于对于每个所述目标区域,根据每个所述目标区域的区域车辆数和每个所述目标区域的已营业换电站的负荷车辆数,确定未覆盖车辆数;
区域排序单元,用于根据所述未覆盖车辆数对所述目标区域进行选址优先级排序;每个所述目标区域的选址优先级与每个所述目标区域的未覆盖车辆数呈正相关;
所述选址单元还用于根据每个所述目标区域的选址优先级进行换电站选址。
较佳地,所述选址模块包括:
坐标信息计算单元,用于计算得到每个所述聚类簇所对应的中心坐标信息;
目标区域确定单元,用于当距离所述中心坐标信息第三设定阈值范围内没有换电站时,则确定当前聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域;
选址单元,用于根据所述目标区域生成选址信息,以根据所述选址信息进行换电站选址。
本发明还提供一种电子设备,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,所述处理器执行计算机程序时实现上述的换电站选址方法。
本发明还提供一种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的换电站选址方法的步骤。
本发明的积极进步效果在于:根据入网车辆的车辆行驶信息对车辆类型进行划分,再基于车辆类型和车辆行驶信息得到换电区域,进而基于换电区域生成选址信息以进行换电站选址,即基于车辆行驶信息结合车辆类型挖掘出具有换电需求的换电区域,以指导后续建站选址能够有效缩减选址时间,进而提高选址的合理性以及效率。另外还可通过减少人力耗费,降低投入成本。
附图说明
图1为本发明实施例1的换电站选址方法的流程图。
图2为本发明实施例2的换电站选址方法的流程图。
图3为本发明实施例3的换电站选址系统的模块示意图。
图4为本发明实施例4的换电站选址系统的模块示意图。
图5为本发明实施例5的实现换电站选址方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的换电站选址方法包括:
S101、获取入网车辆的车辆行驶信息;
其中,车辆行驶信息是车辆行驶过程中相关的信息,包括但不限于车辆位置信息和车辆速度信息等。入网车辆的车辆行驶信息可源自入网车辆的整车控制器,也可通过加装至入网车辆的车辆行驶数据采集装置实时采集。
S102、根据车辆行驶信息确定入网车辆所对应的车辆类型;
S103、基于车辆类型和车辆行驶信息确定具有换电需求的换电区域;
S104、根据换电区域生成选址信息,以根据选址信息进行换电站选址。
本实施例中,根据入网车辆的车辆行驶信息对车辆类型进行划分,再基于车辆类型和车辆行驶信息得到换电区域,进而基于换电区域生成选址信息以进行换电站选址,即基于车辆行驶信息结合车辆类型挖掘出具有换电需求的换电区域,以指导后续建站选址尽量靠近未覆盖用户需求的区域,将选址锁定在一定范围内,能够帮助选址人员有效缩减选址时间,进而提高了选址的合理性以及效率;另外还可通过减少人力耗费,降低投入成本;同时,这样的选址方式下布局的换电站不仅有助于解决用户里程焦虑、降低换电成本,还能提高换电站的收益。
实施例2
如图2所示,本实施例的换电站选址方法是对实施例1的进一步改进,具体地:
当车辆行驶信息包括多个车辆定位信息和/或车速信息,其中车辆定位信息包括车辆定位位置及对应的定位时间点,车速信息包括车速数值及对应的车速采集时间点时,步骤S102包括:
S1021、根据车辆定位信息和/或车速信息,计算入网车辆在统计周期内的行驶时长;
S1022、在行驶时长小于预设时长时,确定入网车辆属于目标车辆类型。
其中,统计周期是进行数据统计的时间段。比如一个或者多个自然日。
具体地,通过入网车辆在一段时间内的车辆定位信息持续发生变化的时长,或者通过该入网车辆的车速持续发生变化的时长来确定入网车辆的在统计周期内的实际行驶时长,并在行驶时长小于预设时长时则确定该入网车辆为符合要求的目标车辆类型。
例如,假设统计周期为一个自然日,预设时长为12小时,那么当入网车辆在一天24小时中的行驶时长小于12个小时,则确定该入网车辆属于目标车辆类型;当入网车辆在一天24小时中的行驶时长高达22小时,则确定该入网车辆不属于目标车辆类型。
本实施方式中,考虑到不同行驶时长的换电车辆对换电地址的需求可能不同,在行驶时长的维度对换电车辆进行分类,筛选出一部分行驶时长小于预设时长的目标车辆类型的入网车辆,比如个人车辆或者单班公交车或者单班出租车等,后续便可基于目标车辆类型的车辆特性挖掘出具有换电需求的换电区域,以提高选址的合理性。而且,行驶时长通过车辆定位信息和/或车速信息得到,可在一定程度确保准确性。
步骤S103包括:
S1031、基于车辆定位信息,获取多个统计周期内目标车辆类型的入网车辆在每个统计周期内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置;
S1032、获取多个统计周期内同一第一车辆定位位置或第二车辆定位位置的累计定位次数;
S1033、在累计定位次数达到第一设定阈值时,确定第一车辆定位位置或第二车辆定位位置为目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址;
S1034、根据潜在居住地址确定具有换电需求的换电区域。
其中,潜在居住地址是预估的驾驶用户可能的居住地址。可以理解,基于驾驶用户的生活习性以及入网车辆在行驶期间才记录车辆定位信息和车速信息的先验知识,有理由认为一段时间内最早/晚定位时间点对应的车辆定位位置是驾驶用户开车出发/停车长时离开的位置,那么可以推定出现次数较多的定位置可能是驾驶用户的居住地址,即潜在居住地址。
在一种具体可实施的方式中,潜在居住地址具体可以是经纬度。
具体地,采用聚类算法对潜在居住地址进行聚类处理以获取多个聚类簇;其中,每个聚类簇对应一个换电区域。比如,将各潜在居住地址映射到一张图中,图中每个点表示一个潜在居住地址,通过密度聚类算法将图中具有足够密度的区域划分为簇,这样便将距离较近的潜在居住地址划分到同一片区,该片区即为一个具有换电需求的换电区域。
本实施方式中,通过入网汽车的定位数据将“近居住地”的用户换电地址需求量化,挖掘尚未覆盖用户需求的区域,指导后续建站选址尽量靠近未覆盖用户需求的区域,能够帮助选址人员缩减选址时间,提高选址有效率。
根据目标车辆每月(或每个季度等)中每天最早定位时间点、最晚定位时间点对应的车辆定位位置以确定入网车辆的驾驶用户的潜在居住地址,进而基于潜在居住地址聚类分析,获取具有换电需求的换电区域以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
在一个可实施的方式中,在步骤S1032后,将各累计定位次数由大到小进行排序,选取位于首位的累计定位次数,当该累计定位次数达到第一设定阈值,获取该累计定位次数对应的车辆定位位置。在该累计定位次数小于第一设定阈值时,可增加统计周期的数量,获取更多统计周期内目标车辆类型的入网车辆在每个统计周期内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置,以确定目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址。这样可以提高潜在居住地址获取的准确性。
例如,假设统计周期为一个自然日,可获取三十个自然日,即一个月内目标车辆类型的入网车辆在每个自然日内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置,以确定目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址。若三十个自然日内累计定位次数均小于或者等于第一设定阈值,则继续获取四十个自然日内目标车辆类型的入网车辆在每个自然日内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置,以确定目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址。
和/或,步骤S103包括:
S1035、基于车辆定位信息和/或车速信息,获取预设时间段内目标车辆类型的入网车辆在不同地点的停留时长;
S1036、选取出停留时长超过第二设定阈值的地点,作为目标车辆类型的入网车辆的车辆常停车地址;
S1037、根据车辆常停车地址确定具有换电需求的换电区域。
具体地,采用聚类算法对车辆常停车地址进行聚类处理以获取多个聚类簇;其中,每个聚类簇对应一个换电区域。
基于换电车辆在一段时间内的定位位置变化情况、车速变化情况确定该入网车辆经常停车的地点,如蹲点等客地点、休息地点、上下客地点等,这些地点也作为驾驶用户具有换电需求的潜在换电地址,进而基于若干个潜在换电地址获取换电区域以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
为了进一步地提高换电站选址的准确度,步骤S103包括:
对潜在居住地址和车辆常停车地址进行聚类处理以获取多个聚类簇;其中,每个聚类簇对应一个换电区域。
本实施例中采用的聚类算法包括但不限于DBSCAN密度聚类算法。
比如,将单班司机潜在居住地(经纬度)映射到一张图上,图中每个点表示一个单班司机居住地,密度聚类算法将图中具有足够密度的区域划分为簇,即距离较近的司机居住地划分到同一片区,并标注每个簇的中心点(如广州天河区体育西路),最后统计每个簇包含的居住地数量。
采用密度聚类算法等聚类算法,对潜在居住地址和/或车辆常停车地址进行聚类处理,以获取不同的换电区域以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
步骤S104中对于每个聚类簇执行以下步骤:
S1041、计算聚类簇所对应的中心坐标信息;
S1042、获取距离中心坐标信息小于第三设定阈值的已营业换电站;
S1043、确定聚类簇对应的换电区域内入网车辆的区域车辆数;
S1044、在区域车辆数大于已营业换电站的负荷车辆数时,则确定聚类簇对应的换电区域为未被全面覆盖用户换电需求的目标区域;
S1045、根据目标区域生成选址信息,以根据选址信息进行换电站选址。
通过比较距离聚类簇的中心位置与设定距离内的已营业换电站能够负荷的车辆数,与聚类簇中实际的区域车辆数之间的差距以确定未被全面覆盖用户换电需求的目标区域,进而生成选址信息以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
另外,在区域车辆数小于或者等于已营业换电站的负荷车辆数时,则确定已有换电站能覆盖用户换电需求的目标区域,该目标区域无需再建站。
具体地,对于每个目标区域,根据每个目标区域的区域车辆数和每个目标区域的已营业换电站的负荷车辆数,确定未覆盖车辆数;
根据未覆盖车辆数对目标区域进行选址优先级排序;每个目标区域的选址优先级与每个目标区域的未覆盖车辆数呈正相关;
根据每个目标区域的选址优先级进行换电站选址。
在选定未完全覆盖换电需求的目标区域后,根据未覆盖车辆数对目标区域进行选址优先级排序,其中未覆盖车辆数越多的目标区域说明该目标区域对换电需求的未覆盖程度越高,则对应的选址优先级越高,反之未覆盖车辆数越少的目标区域说明该目标区域对换电需求的未覆盖程度越低,则对应的选址优先级越低,进而根据选址优先级进行换电站选址,即划分出选址优先级,帮助选址人员缩减选址规划时间,能够尽早地满足更多的驾驶用户的换电需求,有效地提高了选址合理性以及效率。
另外,本实施例的换电站选址方法还包括:
计算得到每个聚类簇所对应的中心坐标信息;
当距离中心坐标信息第三设定阈值范围内没有换电站时,则确定当前聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域;
根据目标区域生成选址信息,以根据选址信息进行换电站选址。
在距离聚类簇的中心位置的设定距离内没有建立换电站时,则将该聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域,进而生成选址信息以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
下面结合实例具体说明本实施例的换电站选址方法的实现过程:
(1)根据入网车辆上安装有车辆行驶数据采集装置采集入网车辆每天在不同时间点对应的定位信息、车速信息等;
(2)根据定位信息对应的变化时长和/或车速信息对应的变化时长,确定入网车辆每天的行驶时长,选择行驶时长小于或者等于12小时的入网车辆对应目标车辆类型;
(3)将入网车辆每天最早的定位位置或者最晚的定位位置作为驾驶用户当天的住所地址,统计一个月中出现频次最高的定位位置并将其作为当前驾驶用户的潜在居住地址;
另外,当出现频次最高的定位位置对应的天数不足预设天数如10天的,则排除该定位位置,以进一步保证潜在居住地址获取的准确性,进而保证后续换电站选址结果的准确度。
(4)将这些潜在居住地址(经纬度)映射到地图上,该地图上每个点表示一个驾驶用户对应的潜在居住地址;采用DBSCAN密度聚类算法对这些潜在居住地址进行聚集性分析,即将距离较近的驾驶用户的潜在居住地划分到同一区域并标注出该聚类簇的中心点位置(如广东天河区体育西路),并统计每个聚类簇所包含的潜在居住地址的数量。
(5)计算聚类簇所对应的中心坐标信息,获取距离中心坐标信息小于第三设定阈值的已营业换电站,确定聚类簇对应的换电区域内入网车辆的区域车辆数,在区域车辆数大于已营业换电站的负荷车辆数时,则确定聚类簇对应的换电区域为未被全面覆盖用户换电需求的目标区域;
其中,对于每个目标区域,根据每个目标区域的区域车辆数和每个目标区域的已营业换电站的负荷车辆数,确定未覆盖车辆数;根据未覆盖车辆数对目标区域进行选址优先级排序;每个目标区域的选址优先级与每个目标区域的未覆盖车辆数呈正相关;根据每个目标区域的选址优先级进行换电站选址;
未覆盖车辆数越多的区域对应的选址优先级越高,反之未覆盖车辆数越少的区域对应的选址优先级越低,进而根据选址优先级进行换电站选址,即划分出选址优先级,帮助选址人员缩减选址规划时间,能够尽早地满足更多的驾驶用户的换电需求,有效地提高了选址合理性以及效率。
另外,计算得到每个聚类簇所对应的中心坐标信息;当距离中心坐标信息第三设定阈值范围内没有换电站时,则确定当前聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域;根据目标区域生成选址信息,以根据选址信息进行换电站选址。在实际建站选址时可以优先考虑在完全未被覆盖用户换电需求的目标区域的附近建立换电站,以尽早满足更多的满足驾驶用户的换电需求。
本实施例中,根据入网车辆的车辆行驶信息对车辆类型进行划分,再基于车辆类型和车辆行驶信息得到换电区域,进而基于换电区域生成选址信息以进行换电站选址,即基于车辆行驶信息挖掘出已有换电站未覆盖用户换电需求的区域,指导后续建站选址尽量靠近未覆盖用户需求的区域,将选址锁定在一定范围内,帮助选址人员缩减选址时间,有效地提高了选址合理性以及效率,大大地缩短了选址周期,降低了投入成本;同时,这样的选址方式下布局的换电站不仅有助于解决用户里程焦虑、降低换电成本,还能提高换电站的收益;基于实时更新的数据进行重新计算以生成新的选址信息进行换电站选址,保证了选址的准确性;在获取潜在居住地址的基础上,进一步获取入网车辆的车辆常停车地址以确定换电区域,进一步地提高了换电站选址的合理性、准确性和效率。
实施例3
如图3所示,本实施例的换电站选址系统包括车辆行驶信息获取模块1、车辆类型确定模块2、换电区域确定模块3和选址模块4。
车辆行驶信息获取模块1用于获取入网车辆的车辆行驶信息;
其中,车辆行驶信息是车辆行驶过程中相关的信息,包括但不限于车辆位置信息和车辆速度信息等。入网车辆的车辆行驶信息可源自入网车辆的整车控制器,也可通过加装至入网车辆的车辆行驶数据采集装置实时采集。
车辆类型确定模块2用于根据车辆行驶信息确定入网车辆所对应的车辆类型;
换电区域确定模块3用于基于车辆类型和车辆行驶信息确定具有换电需求的换电区域;
选址模块4用于根据换电区域生成选址信息,以根据选址信息进行换电站选址。
本实施例中,根据入网车辆的车辆行驶信息对车辆类型进行划分,再基于车辆类型和车辆行驶信息得到换电区域,进而基于换电区域生成选址信息以进行换电站选址,即基于车辆行驶信息结合车辆类型挖掘出具有换电需求的换电区域,以指导后续建站选址尽量靠近未覆盖用户需求的区域,将选址锁定在一定范围内,能够帮助选址人员有效缩减选址时间,进而提高了选址的合理性以及效率;另外还可通过减少人力耗费,降低投入成本;同时,这样的选址方式下布局的换电站不仅有助于解决用户里程焦虑、降低换电成本,还能提高换电站的收益。
实施例4
如图4所示,本实施例的换电站选址系统是对实施例3的进一步改进,具体地:
车辆行驶信息包括多个车辆定位信息和/或车速信息,其中车辆定位信息包括车辆定位位置及对应的定位时间点,所述车速信息包括车速数值及对应的车速采集时间点。
本实施例的车辆类型确定模块2包括行驶时计算单元5和车辆类型确定单元6。
行驶时计算单元5用于根据车辆定位信息和/或车速信息,计算入网车辆在统计周期内的行驶时长;
车辆类型确定单元6用于在行驶时长小于预设时长时,确定入网车辆属于目标车辆类型。
其中,统计周期是进行数据统计的时间段。比如一个或者多个自然日。
具体地,通过入网车辆在一段时间内的车辆定位信息持续发生变化的时长,或者通过该入网车辆的车速持续发生变化的时长来确定入网车辆的在统计周期内的实际行驶时长,并在行驶时长小于预设时长时则确定该入网车辆为符合要求的目标车辆类型、
例如,假设统计周期为一个自然日,预设时长为12小时,那么当入网车辆在一天24小时中的行驶时长小于12个小时,则确定该入网车辆属于目标车辆类型;当入网车辆在一天24小时中的行驶时长高达22小时,则确定该入网车辆不属于目标车辆类型。
本实施方式中,考虑到不同行驶时长的换电车辆对换电地址的需求可能不同,在行驶时长的维度对换电车辆进行分类,筛选出一部分行驶时长小于预设时长的目标车辆类型的入网车辆,比如个人车辆或者单班公交车或者单班出租车等,后续便可基于目标车辆类型的车辆特性挖掘出具有换电需求的换电区域,以提高选址的合理性。而且,行驶时长通过车辆定位信息和/或车速信息得到,可在一定程度确保准确性。
本实施例的换电区域确定模块3包括定位位置获取单元7、定位次数获取单元8、潜在居住地址确定单元9和换电区域确定单元10。
定位位置获取单元7用于基于车辆定位信息,获取多个统计周期内目标车辆类型的入网车辆在每个统计周期内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置;
定位次数获取单元8用于获取多个统计周期内同一第一车辆定位位置或第二车辆定位位置的累计定位次数;
潜在居住地址确定单元9用于在累计定位次数达到第一设定阈值时,确定第一车辆定位位置或第二车辆定位位置为目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址;
换电区域确定单元10用于根据潜在居住地址确定具有换电需求的换电区域。
其中,潜在居住地址是预估的驾驶用户可能的居住地址。可以理解,基于驾驶用户的生活习性以及入网车辆在行驶期间才记录车辆定位信息和车速信息的先验知识,有理由认为一段时间内最早/晚定位时间点对应的车辆定位位置是驾驶用户开车出发/停车长时离开的位置,那么可以推定出现次数较多的定位置可能是驾驶用户的居住地址,即潜在居住地址。
在一种具体可实施的方式中,潜在居住地址具体可以是经纬度。
具体地,采用聚类算法对潜在居住地址进行聚类处理以获取多个聚类簇;其中,每个聚类簇对应一个换电区域。比如,将各潜在居住地址映射到一张图中,图中每个点表示一个潜在居住地址,通过密度聚类算法将图中具有足够密度的区域划分为簇,这样便将距离较近的潜在居住地址划分到同一片区,该片区即为一个具有换电需求的换电区域。
本实施方式中,通过入网汽车的定位数据将“近居住地”的用户换电地址需求量化,挖掘尚未覆盖用户需求的区域,指导后续建站选址尽量靠近未覆盖用户需求的区域,能够帮助选址人员缩减选址时间,提高选址有效率。
根据目标车辆每月(或每个季度等)中每天最早定位时间点、最晚定位时间点对应的车辆定位位置以确定入网车辆的驾驶用户的潜在居住地址,进而基于潜在居住地址聚类分析,获取具有换电需求的换电区域以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
在一个可实施的方式中,在获取多个统计周期内同一第一车辆定位位置或第二车辆定位位置的累计定位次数后,将各累计定位次数由大到小进行排序,选取位于首位的累计定位次数,当该累计定位次数达到第一设定阈值,获取该累计定位次数对应的车辆定位位置。在该累计定位次数小于第一设定阈值时,可增加统计周期的数量,获取更多统计周期内目标车辆类型的入网车辆在每个统计周期内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置,以确定目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址。这样可以提高潜在居住地址获取的准确性。
例如,假设统计周期为一个自然日,可获取三十个自然日,即一个月内目标车辆类型的入网车辆在每个自然日内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置,以确定目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址。若三十个自然日内累计定位次数均小于或者等于第一设定阈值,则继续获取四十个自然日内目标车辆类型的入网车辆在每个自然日内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置,以确定目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址。
本实施例的换电站选址系统包括停留时长获取模块11和常停车地址获取模块12。
停留时长获取模块11用于基于车辆定位信息和/或所述车速信息,获取预设时间段内目标车辆类型的入网车辆在不同地点的停留时长;
常停车地址获取模块12用于选取出停留时长超过第二设定阈值的地点,作为目标车辆类型的入网车辆的车辆常停车地址;
换电区域确定模块3用于根据车辆常停车地址确定具有换电需求的换电区域。具体地,采用聚类算法对车辆常停车地址进行聚类处理以获取多个聚类簇;其中,每个聚类簇对应一个换电区域。
基于换电车辆在一段时间内的定位位置变化情况、车速变化情况确定该入网车辆经常停车的地点,如蹲点等客地点、休息地点、上下客地点等,这些地点也作为驾驶用户具有换电需求的潜在换电地址,进而基于若干个潜在换电地址获取换电区域以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
为了进一步地提高换电站选址的准确度,换电区域确定模块3还用于对潜在居住地址,和/或,车辆常停车地址进行聚类处理以获取多个聚类簇;其中,每个聚类簇对应一个换电区域。
本实施例中采用的聚类算法包括但不限于DBSCAN密度聚类算法。
比如,将单班司机潜在居住地(经纬度)映射到一张图上,图中每个点表示一个单班司机居住地,密度聚类算法将图中具有足够密度的区域划分为簇,即距离较近的司机居住地划分到同一片区,并标注每个簇的中心点(如广州天河区体育西路),最后统计每个簇包含的居住地数量。
采用密度聚类算法等聚类算法,对潜在居住地址和/或车辆常停车地址进行聚类处理,以获取不同的换电区域以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
本实施例中的选址模块4包括坐标信息计算单元13、换电站获取单元14、区域车辆数确定单元15、目标区域确定单元16、未覆盖车辆数获取单元17、区域排序单元18和选址单元19。
坐标信息计算单元13用于计算聚类簇所对应的中心坐标信息;
换电站获取单元14用于获取距离中心坐标信息小于第三设定阈值的已营业换电站;
区域车辆数确定单元15用于确定聚类簇对应的换电区域内入网车辆的区域车辆数;
目标区域确定单元16用于在区域车辆数大于已营业换电站的负荷车辆数时,则确定聚类簇对应的换电区域为未被全面覆盖用户换电需求的目标区域;
选址单元19用于根据目标区域生成选址信息,以根据选址信息进行换电站选址。
通过比较距离聚类簇的中心位置与设定距离内的已营业换电站能够负荷的车辆数,与聚类簇中实际的区域车辆数之间的差距以确定未被全面覆盖用户换电需求的目标区域,进而生成选址信息以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
另外,在区域车辆数小于或者等于已营业换电站的负荷车辆数时,则确定已有换电站能覆盖用户换电需求的目标区域,该目标区域无需再建站。
具体地,未覆盖车辆数获取单元17用于对于每个目标区域,根据每个目标区域的区域车辆数和每个目标区域的已营业换电站的负荷车辆数,确定未覆盖车辆数;
区域排序单元18用于根据未覆盖车辆数对目标区域进行选址优先级排序;每个目标区域的选址优先级与每个目标区域的未覆盖车辆数呈正相关;
选址单元19还用于根据每个目标区域的选址优先级进行换电站选址。
在选定未完全覆盖换电需求的目标区域后,根据未覆盖车辆数对目标区域进行选址优先级排序,其中未覆盖车辆数越多的目标区域说明该目标区域对换电需求的未覆盖程度越高,则对应的选址优先级越高,反之未覆盖车辆数越少的目标区域说明该目标区域对换电需求的未覆盖程度越低,则对应的选址优先级越低,进而根据选址优先级进行换电站选址,即划分出选址优先级,帮助选址人员缩减选址规划时间,能够尽早地满足更多的驾驶用户的换电需求,有效地提高了选址合理性以及效率。
另外,坐标信息计算单元13还用于计算得到每个聚类簇所对应的中心坐标信息;
目标区域确定单元16还用于当距离中心坐标信息第三设定阈值范围内没有换电站时,则确定当前聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域;
选址单元19还用于根据目标区域生成选址信息,以根据选址信息进行换电站选址。
在距离聚类簇的中心位置的设定距离内没有建立换电站时,则将该聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域,进而生成选址信息以进行换电站选址,有效地提高了选址结果的准确性、合理性以及选址效率。
本实施例的换电站选址系统的选址处理过程可参见实施例2中的换电站选址系统的实现过程,因此在此就不再赘述。
本实施例中,根据入网车辆的车辆行驶信息对车辆类型进行划分,再基于车辆类型和车辆行驶信息得到换电区域,进而基于换电区域生成选址信息以进行换电站选址,即基于车辆行驶信息挖掘出已有换电站未覆盖用户换电需求的区域,指导后续建站选址尽量靠近未覆盖用户需求的区域,将选址锁定在一定范围内,帮助选址人员缩减选址时间,有效地提高了选址合理性以及效率,大大地缩短了选址周期,降低了投入成本;同时,这样的选址方式下布局的换电站不仅有助于解决用户里程焦虑、降低换电成本,还能提高换电站的收益;基于实时更新的数据进行重新计算以生成新的选址信息进行换电站选址,保证了选址的准确性;在获取潜在居住地址的基础上,进一步获取入网车辆的车辆常停车地址以确定换电区域,进一步地提高了换电站选址的合理性、准确性和效率。
实施例5
图5为本发明实施例5提供的一种电子设备的结构示意图。电子设备包括存储器、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,处理器执行程序时实现实施例1或2中任意一实施例中的换电站选址方法。图5显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1或2中任意一实施例中的换电站选址方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现实施例1或2中任意一实施例中的换电站选址方法中的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现实施例1或2中任意一实施例中的换电站选址方法中的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (11)
1.一种换电站选址方法,其特征在于,所述方法包括:
获取入网车辆的车辆行驶信息;
根据所述车辆行驶信息确定所述入网车辆所对应的车辆类型;
基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域;
根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址。
2.如权利要求1所述的方法,其特征在于,所述车辆行驶信息包括多个车辆定位信息和/或车速信息;所述车辆定位信息包括车辆定位位置及对应的定位时间点;所述车速信息包括车速数值及对应的车速采集时间点;
所述根据所述车辆行驶信息获取所述入网车辆的车辆类型,包括:
根据所述车辆定位信息和/或车速信息,计算所述入网车辆在统计周期内的行驶时长;
在所述行驶时长小于预设时长时,确定所述入网车辆属于目标车辆类型。
3.如权利要求2所述的方法,其特征在于,所述基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域,包括:
基于所述车辆定位信息,获取多个所述统计周期内所述目标车辆类型的入网车辆在每个所述统计周期内,最早定位时间点对应的第一车辆定位位置,和/或,最晚定位时间点对应的第二车辆定位位置;
获取多个所述统计周期内同一所述第一车辆定位位置或第二车辆定位位置的累计定位次数;
在所述累计定位次数达到第一设定阈值时,确定所述第一车辆定位位置或第二车辆定位位置为所述目标车辆类型的入网车辆的驾驶用户对应的潜在居住地址;
根据所述潜在居住地址确定具有换电需求的所述换电区域。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
基于所述车辆定位信息和/或所述车速信息,获取预设时间段内所述目标车辆类型的入网车辆在不同地点的停留时长;
选取出所述停留时长超过第二设定阈值的地点,作为所述目标车辆类型的入网车辆的车辆常停车地址;
根据所述车辆常停车地址确定具有换电需求的所述换电区域。
5.如权利要求4所述的方法,其特征在于,所述基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域,包括:
对所述潜在居住地址,和/或,所述车辆常停车地址进行聚类处理以获取多个聚类簇;其中,每个所述聚类簇对应一个所述换电区域。
6.如权利要求5所述的方法,其特征在于,所述根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址,包括:
对于每个聚类簇执行以下步骤:
计算所述聚类簇所对应的中心坐标信息;
获取距离所述中心坐标信息小于第三设定阈值的已营业换电站;
确定所述聚类簇对应的换电区域内入网车辆的区域车辆数;
在所述区域车辆数大于所述已营业换电站的负荷车辆数时,则确定所述聚类簇对应的换电区域为未被全面覆盖用户换电需求的目标区域;
根据所述目标区域生成选址信息,以根据所述选址信息进行换电站选址。
7.如权利要求6所述的方法,其特征在于,所述根据所述目标区域生成选址信息,以根据所述选址信息进行换电站选址,包括:
对于每个所述目标区域,根据每个所述目标区域的区域车辆数和每个所述目标区域的已营业换电站的负荷车辆数,确定未覆盖车辆数;
根据所述未覆盖车辆数对所述目标区域进行选址优先级排序;每个所述目标区域的选址优先级与每个所述目标区域的未覆盖车辆数呈正相关;
根据每个所述目标区域的选址优先级进行换电站选址。
8.如权利要求5所述的方法,其特征在于,所述根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址,包括:
计算得到每个所述聚类簇所对应的中心坐标信息;
当距离所述中心坐标信息第三设定阈值范围内没有换电站时,则确定当前聚类簇对应的换电区域为完全未被覆盖用户换电需求的目标区域;
根据所述目标区域生成选址信息,以根据所述选址信息进行换电站选址。
9.一种换电站选址系统,其特征在于,所述系统包括:
车辆行驶信息获取模块,用于获取入网车辆的车辆行驶信息;
车辆类型确定模块,用于根据所述车辆行驶信息确定所述入网车辆所对应的车辆类型;
换电区域确定模块,用于基于所述车辆类型和所述车辆行驶信息确定具有换电需求的换电区域;
选址模块,用于根据所述换电区域生成选址信息,以根据所述选址信息进行换电站选址。
10.一种电子设备,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,其特征在于,所述处理器执行计算机程序时实现权利要求1-8中任一项所述的换电站选址方法。
11.一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1-8中任一项所述的换电站选址方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011623663.0A CN114693044A (zh) | 2020-12-31 | 2020-12-31 | 换电站选址方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011623663.0A CN114693044A (zh) | 2020-12-31 | 2020-12-31 | 换电站选址方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693044A true CN114693044A (zh) | 2022-07-01 |
Family
ID=82135349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011623663.0A Pending CN114693044A (zh) | 2020-12-31 | 2020-12-31 | 换电站选址方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693044A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777517A (zh) * | 2023-07-27 | 2023-09-19 | 苏州德博新能源有限公司 | 一种电池箱位置确定方法 |
CN116843091A (zh) * | 2023-08-30 | 2023-10-03 | 北京阿帕科蓝科技有限公司 | 仓库位置确定方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-31 CN CN202011623663.0A patent/CN114693044A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777517A (zh) * | 2023-07-27 | 2023-09-19 | 苏州德博新能源有限公司 | 一种电池箱位置确定方法 |
CN116777517B (zh) * | 2023-07-27 | 2024-06-04 | 苏州德博新能源有限公司 | 一种电池箱位置确定方法 |
CN116843091A (zh) * | 2023-08-30 | 2023-10-03 | 北京阿帕科蓝科技有限公司 | 仓库位置确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A framework for passengers demand prediction and recommendation | |
US9776512B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
Wei et al. | Multiscale identification of urban functional polycentricity for planning implications: An integrated approach using geo-big transport data and complex network modeling | |
CN106875066A (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及系统 | |
CN114693044A (zh) | 换电站选址方法、系统、电子设备和存储介质 | |
CN113538067B (zh) | 一种基于机器学习的城际网约车需求预测方法及系统 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN110675267A (zh) | 一种根据实时路况进行车险预警的方法及系统 | |
Jiang et al. | CrowdPatrol: A mobile crowdsensing framework for traffic violation hotspot patrolling | |
CN110796323A (zh) | 车辆的调度方法、装置、终端及计算机可读存储介质 | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
CN112990613B (zh) | 人口流动模拟预测方法、装置、设备及介质 | |
du Preez et al. | A quantitative clustering analysis of paratransit route typology and operating attributes in Cape Town | |
CN112069635B (zh) | 一种换电柜的部署方法、装置、介质及电子设备 | |
CN108804507B (zh) | 用户的住址位置确定方法及系统 | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配系统及方法 | |
CN107153891B (zh) | 区域转移调度方法、装置、设备及存储介质 | |
CN114092176A (zh) | 一种基于公交车的城市通勤班车规划方法 | |
CN114693045A (zh) | 换电站选址方法、系统、电子设备和存储介质 | |
Haliem et al. | AdaPool: An adaptive model-free ride-sharing approach for dispatching using deep reinforcement learning | |
CN111143769A (zh) | 一种基于大数据的出行方式分担率的预测方法和预测装置 | |
CN112669604B (zh) | 城市交通调度方法及装置 | |
Wang et al. | ForETaxi: data-driven fleet-oriented charging resource allocation in large-scale electric taxi networks |
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 |