CN115122977A - 电动汽车充电站的检测、表征和呈现 - Google Patents
电动汽车充电站的检测、表征和呈现 Download PDFInfo
- Publication number
- CN115122977A CN115122977A CN202111559667.1A CN202111559667A CN115122977A CN 115122977 A CN115122977 A CN 115122977A CN 202111559667 A CN202111559667 A CN 202111559667A CN 115122977 A CN115122977 A CN 115122977A
- Authority
- CN
- China
- Prior art keywords
- charging
- charging station
- stations
- charging stations
- 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
- 238000012512 characterization method Methods 0.000 title description 3
- 238000001514 detection method Methods 0.000 title description 2
- 230000004044 response Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
- B60L53/665—Methods related to measuring, billing or payment
-
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3811—Point data, e.g. Point of Interest [POI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3844—Data obtained from position sensors only, e.g. from inertial navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
一种系统包括存储设备和一个或多个用于检测、表征和呈现电动车辆充电站的处理器。处理器确定充电站是未记录的充电站;记录的充电站是已知充电站数据集的一部分。计算置信度得分以指示充电站是否是公共充电站。响应于置信度得分大于第一预定阈值,未记录的充电站被记录为公共充电站。响应于置信度得分小于第一预定阈值并且大于第二预定阈值,未记录的充电站被添加到充电站列表中以进行调查。响应于置信度得分小于第二预定阈值,未记录的充电站被记录为私人充电站。
Description
技术领域
本公开涉及用于基于用户的充电模式来检测、表征和呈现电动车辆的充电站的系统、存储介质和方法。
背景技术
各种类型的汽车,如电动汽车(EV)、增程式电动汽车(EREV)和混合动力电动汽车(HEV),都配备了需要定期充电的能量存储系统。能量存储系统可以通过连接到诸如AC电源线的电源来充电。应该注意的是,使用AC电源线充电的任何机动车辆在这里被称为“电动车辆”。
发明内容
根据一个或多个实施例,系统包括由机器可读指令配置的存储设备和一个或多个硬件处理器,用于检测、表征和呈现电动车辆的充电站。一个或多个硬件处理器被配置成确定在充电会话期间使用的充电站是未记录的充电站。记录的充电站是已知充电站的数据集的一部分。一个或多个硬件处理器还被配置成使用预测模型来确定充电站是公共充电站的置信度得分。预测模型使用与充电站相关联的一个或多个属性来确定置信度得分。一个或多个硬件处理器还被配置为响应于置信度得分大于第一预定阈值,将未记录的充电站添加到已知充电站的数据集中作为公共充电站。一个或多个硬件处理器还被配置为响应于置信度得分小于第一预定阈值并且大于第二预定阈值,将未记录的充电站添加到要调查的充电站列表中。一个或多个硬件处理器还被配置为响应于置信度得分小于第二预定阈值,将未记录的充电站添加到已知充电站的数据集中作为私人充电站。
在一个或多个实施例中,一个或多个硬件处理器还被配置成响应于来自第一电动车辆的请求,使用已知充电站的数据集来识别特定地理区域中的一个或多个公共充电站。
在一个或多个实施例中,地理区域对应于第一电动车辆的计划路线。在一个或多个实施例中,充电站由第一电动车辆或第二电动车辆使用。
在一个或多个实施例中,一个或多个硬件处理器还被配置为响应于在充电会话期间第二充电站正在被使用并且第二充电站是记录的充电站,使用与第二充电站相关联的一个或多个属性来训练预测模型。
在一个或多个实施例中,一个或多个硬件处理器还被配置成确定在充电会话期间使用的充电站在要调查的充电站列表上。此外,硬件处理器使用预测模型,使用与充电站相关联的不同属性集来确定充电站是公共充电站的置信度得分。
在一个或多个实施例中,一个或多个硬件处理器还被配置为使用聚类算法将充电站关联为充电站集群的一部分,其中基于充电站的地理属性来执行聚类。
根据一个或多个实施例,非瞬态计算机可读存储介质包括可由一个或多个处理器执行的指令,以执行用于检测、表征和呈现电动车辆充电站的方法。该方法包括由处理器确定在充电会话期间使用的充电站是未记录的充电站,其中记录的充电站是已知充电站数据集的一部分。该方法还包括由处理器使用预测模型确定充电站是公共充电站的置信度得分,其中预测模型使用与充电站相关联的一个或多个属性来确定置信度得分。该方法还包括响应于置信度得分大于第一预定阈值,由处理器将未记录的充电站添加到已知充电站的数据集中作为公共充电站。该方法还包括,响应于置信度得分小于第一预定阈值并且大于第二预定阈值,由处理器将未记录的充电站添加到要调查的充电站列表中。该方法还包括,响应于置信度得分小于第二预定阈值,由处理器将未记录的充电站作为私人充电站添加到已知充电站的数据集中。
在一个或多个实施例中,该方法还包括响应于来自第一电动车辆的请求,由处理器使用已知充电站的数据集来识别特定地理区域中的一个或多个公共充电站。在一个或多个实施例中,地理区域对应于第一电动车辆的计划路线。
在一个或多个实施例中,充电站由第一电动车辆或第二电动车辆使用。
在一个或多个实施例中,响应于第二充电站在充电会话期间正在被使用,并且第二充电站是记录的充电站,使用一个或多个属性的预测模型与第二充电站相关联。
在一个或多个实施例中,该方法还包括由处理器确定在充电会话期间使用的充电站在要调查的充电站列表上。此外,作为响应,处理器使用预测模型,使用与充电站相关联的不同属性集来确定充电站是公共充电站的置信度得分。
在一个或多个实施例中,该方法还包括由处理器使用聚类算法将充电站关联为充电站集群的一部分,其中基于充电站的地理属性来执行聚类。
根据一个或多个实施例,用于检测、表征和呈现电动车辆充电站的计算机实现的方法包括由处理器确定在充电会话期间使用的充电站是未记录的充电站,其中记录的充电站是已知充电站数据集的一部分。该方法还包括由处理器使用预测模型确定充电站是公共充电站的置信度得分,其中预测模型使用与充电站相关联的一个或多个属性来确定置信度得分。该方法还包括响应于置信度得分大于第一预定阈值,由处理器将未记录的充电站添加到已知充电站的数据集中作为公共充电站。该方法还包括,响应于置信度得分小于第一预定阈值并且大于第二预定阈值,由处理器将未记录的充电站添加到要调查的充电站列表中。该方法还包括,响应于置信度得分小于第二预定阈值,由处理器将未记录的充电站作为私人充电站添加到已知充电站的数据集中。
在一个或多个实施例中,该方法还包括响应于来自第一电动车辆的请求,由处理器使用已知充电站的数据集来识别特定地理区域中的一个或多个公共充电站。该地理区域对应于第一电动车辆的计划路线。在一个或多个实施例中,充电站由第一电动车辆或第二电动车辆使用。
在一个或多个实施例中,该方法还包括响应于在充电会话期间第二充电站正在被使用,并且第二充电站是记录的充电站,由处理器使用与第二充电站相关联的一个或多个属性来训练预测模型。
在一个或多个实施例中,该方法还包括由处理器确定在充电会话期间使用的充电站在要调查的充电站列表上。此外,该方法包括作为响应,由处理器使用预测模型,使用与充电站相关联的不同属性集来确定充电站是公共充电站的置信度得分。
当结合附图时,根据以下详细描述,本公开的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
其他特征、优点和细节仅作为示例出现在以下详细描述中,详细描述参考附图。
图1示出了被配置用于检测、表征和向电动车辆的用户呈现充电站的系统;
图2示出了根据一个或多个实施例的方法的示例流程图;
图3描绘了根据一个或多个实施例的方法;
图4描绘了根据一个或多个实施例检测到的充电站集群的示例场景;
图5描绘了根据一个或多个实施例的用于检测、表征和呈现电动车辆充电站的方法的操作流程;
图6描绘了描绘根据一个或多个实施例的用于呈现电动车辆充电站的方法的操作流程;和
图7描绘了根据实施例的计算机系统。
具体实施方式
以下描述本质上仅仅是示例性的,并不旨在限制本公开、其应用或其用途。应当理解,在所有附图中,相应的附图标记表示相似或相应的部件和特征。如此处所使用的,术语模块指的是处理电路,其可以包括专用集成电路(ASIC)、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适的组件。
图1示出了系统100,其被配置用于检测、表征和向电动车辆的用户呈现充电站。电动车辆110(“车辆”)的用户102被呈现一个或多个充电站120的信息。
在一个或多个实施例中,充电站的信息经由通信设备104呈现给用户102。通信设备104可以是电话、平板计算机、膝上型计算机、台式计算机或任何其他通信设备。通信设备104可以包括一个或多个处理单元,例如微处理器和可以执行一个或多个计算机可执行指令的其他这样的处理单元。通信设备104还可以包括存储这种计算机可执行指令和/或用于执行计算机可执行指令的其他数据的一个或多个存储设备。
在一个或多个实施例中,信息通过车辆110的信息娱乐系统112呈现给用户102。信息娱乐系统112可以包括一个或多个处理单元,例如发动机控制单元、微处理器和其他可以执行一个或多个计算机可执行指令的处理单元。信息娱乐系统112还可以包括存储这种计算机可执行指令和/或用于执行计算机可执行指令的其他数据的一个或多个存储设备。
在一个或多个实施例中,信息娱乐系统112可以访问一个或多个传感器114。信息娱乐系统112可以例如使用相应传感器的应用编程接口114来访问来自传感器114的数据。传感器114可以包括位置传感器,例如提供关于车辆110的地理位置的信息的全球定位系统(GPS)。传感器114可以包括检测车辆110的电池中的电荷量的电池传感器。传感器114可以包括充电站传感器,其识别用于给车辆110充电的充电站120的一个或多个属性。
充电站120的属性可以包括唯一的站标识符、充电速度(充电水平)、瓦数、会话费用、时间费用、每千瓦时费用、超过时间限制的处罚以及其他这样的属性。
当用户102使用充电站120给车辆110充电时,信息娱乐系统112在数据集125中记录充电会话。充电会话数据集125存储在远离车辆110的位置。应当理解,信息娱乐系统112可以维护记录在充电会话数据集125中的充电会话数据的本地副本。此外,应当注意,信息娱乐系统112可以在充电期间或之后将充电会话数据记录在充电会话数据集125中。信息娱乐系统112经由通信网络150访问充电会话数据集125,通信网络150例如是WIFI网络、蜂窝网络或任何其他类型的通信网络或其组合。
充电会话数据集125是存储多个充电会话数据条目的数据库。虽然图1描绘了充电会话数据集125从单个车辆110接收数据,但是在一些实施例中,充电会话数据集125从几个车辆110接收充电会话数据条目。
表1描绘了根据一个或多个实施例的充电会话数据集。充电会话数据集125中的每个条目代表一个充电会话。每个条目包括与充电会话相关联的识别信息,例如充电会话的唯一标识符、充电站120的唯一标识符、车辆110的唯一标识符、发起充电的用户102的唯一标识符等。此外,每个条目包括与充电会话相关联的几个属性,例如充电站120的一个或多个属性、执行充电的时间、执行充电的位置、充电站120的地理环境等。应当理解,表1中所示的属性数量和条目数量是说明性的,并且在这里描述的技术方案的实施例中,这些数量可以变化。
表1
当向车辆110的用户102呈现沿着计划路线的可用充电站120时,现有系统基于由第三方定期更新的数据库来确定充电站。然而,随着不同的供应商安装新的充电站,这些数据库可能已经过时,并且不包括实际上可能对用户102可用的充电站。在某些情况下,从数据库中了解“缺失”的充电站可以改善路线规划,例如,改善时间节约和减少里程焦虑。这里描述的实施例通过收集和分析充电会话数据集125来检测在现有数据库中不明显的充电站,从而解决了这样的技术挑战。在一个或多个实施例中,这种分析通过采用机器学习技术来执行。
现有系统的技术挑战还包括可用数据依赖于对数据库的手动更新。此外,现有数据库中的充电站数据通常由第三方提供,例如充电站的提供商,并且可能不准确。在某些情况下,充电站数据不容易访问,因为这种数据由第三方托管,并且访问取决于第三方的数据库、可访问性等。这里描述的实施例通过在一个或多个车辆110使用一个或多个充电站时促进充电会话数据集125自动更新来解决这样的技术挑战。根据一个或多个实施例,基于来自充电会话数据集125的使用模式和其他属性数据,分析这种充电会话数据以表征充电站。此外,充电站数据和所学习的特性经由设备104和/或信息娱乐系统112呈现给用户102(或任何其他用户)。这里描述的实施例增强了数据库中已经存在的充电站的文档,并帮助记录任何未记录的充电站。
此外,这里描述的实施例便于基于充电会话数据自动识别公共充电站。现有的数据库和/或充电站属性没有明确提供这样的信息。“公共”充电站是可由任何用户102使用的充电站,并且位于公共位置,例如商场、购物中心、休息区、停车区或任何其他公共可到达的位置。此外,这里描述的实施例还促进充电站120的表征,例如基于平均充电时间和其他属性,以促进为用户102规划优化的充电计划。此外,在一个或多个实施例中,计算设备130更新关于记录的站点的不准确数据。例如,未被列为“快速充电器”但分析了来自充电会话数据集125的数据的记录的充电站表明,它实际上是快速的。
再次参考图1,计算设备130可以访问充电会话数据集125。计算设备130可以是服务器计算机、膝上型计算机、平板计算机、台式计算机或包括与一个或多个存储设备耦合的一个或多个处理单元的任何其他这样的设备。处理单元执行存储在存储设备上的一个或多个计算机可执行指令。在一个或多个实施例中,处理单元执行计算机可执行指令来实现这里描述的一个或多个方法。
计算设备130分析充电会话数据集125。计算设备130基于该分析更新充电站数据集140。
表2描绘了根据一个或多个实施例的充电站数据集。充电站数据集140包括多个条目,每个条目代表相应的充电站(例如充电站120)。每个条目包括与充电站120相关联的识别信息,例如充电站120的唯一标识符。此外,每个条目包括与充电站相关联的几个属性。这些属性可以包括提供商名称/标识、充电价格表、充电速度、充电位置(GPS坐标)、充电水平等。
表2
站ID | 属性1 | 属性2 | 属性3 | … | 公共/私人 | 集群ID |
此外,属性包括充电站120的地理环境。例如,表3包括可以为充电站120的地理环境捕获的属性列表。应当理解,来自表3的属性列表是示例性的,并且在其他实施例中可以使用其他属性(即,附加的/不同的属性)。
表3
基于包括充电站120的条目的充电会话数据集125,计算机设备130确定充电站120是否是充电站集群的一部分。一旦确定,计算机设备130就修改充电站数据集140以包括这种集群的标识(例如,集群ID)。此外,计算机设备130还基于充电会话数据集125确定充电站120是公共充电站还是私人充电站。计算机设备130相应地更新充电站数据集140中的相应条目,以指示这样的发现(例如,公共/私人)。应当注意,充电会话数据集125包括对应于充电站120的一个或多个充电会话的条目。每个充电会话数据可以来自不同的车辆。
如图1所示,计算机设备130可以便于在充电站数据集140中维护三个单独的充电站列表。第一列表142包括记录的充电站,它们是已知的公共充电站;第二列表144包括记录的充电站,它们是已知的私人充电站;第三列表146包括要调查的充电站列表(即,如果是公共/私人的,则不知道)。应当注意,尽管列表142、144、146在图1中被描绘为单独的框,但是在一些实施例中,列表可以被维护为具有指示确定的至少一个属性(例如,公共/私有)的单个数据集(例如,充电站数据集140)的一部分。在其他实施例中,三个列表142、144、146可以单独维护。
图2示出根据一个或多个实施例的方法200的示例流程图。方法200可以包括在框202,由计算机设备130确定在车辆110的充电会话期间使用的充电站120是未记录的充电站。“记录的充电站”是已知充电站的充电站数据集140的一部分。在一个或多个实施例中,如果充电站数据集140中不存在充电站120的唯一标识符,则充电站120可以被认为是未记录的充电站。
替代地,或者另外,确定充电站是否不匹配包括对充电站120执行聚类。图3描绘了根据一个或多个实施例的方法300。方法300包括在框302访问充电会话数据集125并执行聚类算法以确定包括在充电会话数据集125中的充电站120的一个或多个集群。聚类算法可以是已知的算法,例如基于密度的带噪声应用的空间聚类(DBSCAN)或任何其他这样的算法。所使用的聚类算法的类型不影响由这里的实施例提供的技术解决方案的方面。
图4描绘了根据一个或多个实施例检测到的充电站集群的示例场景。聚类算法使用充电站120的一个或多个空间属性来确定哪些充电站120形成集群410。空间属性包括地理位置,以确定哪些充电站120属于同一集群410。
再次参考图3,方法300包括在框304确定每个集群的简档。例如,如表4所示,计算机设备130累积集群410的各种特性。
这些特征可以包括已经在集群410中的充电站充电的车辆的唯一标识符、集群410中的快速充电站的数量、集群410中的平均充电持续时间、集群410中的平均充电价格等。应当注意,被认为在同一集群410中的充电站120可以来自不同的提供商(例如,电力公司、充电站安装公司等)。计算机设备130使用来自充电会话数据集125的数据来累积特性。在一个或多个实施例中,计算机设备130还分析并填充特性,例如在一天中的不同时间、一周中的不同天充电站的占用率等。
表4
此外,在框306,计算机设备130累积集群410的地理环境。表5描绘了根据一个或多个实施例的集群的地理环境的示例。
地理环境可以包括集群410周围的地理特性,例如可用的便利设施。例如,咖啡馆、餐馆、洗手间、长椅以及当车辆110在集群410中的充电站120之一充电时用户102可以利用的其他这样的设施。计算机设备130通过使用诸如“开放街道地图”之类的应用编程接口或提供这种数据的第三方的其他这种服务器来查询附加服务提供商(未示出),来积累集群410的地理环境。
表5
使用集群410的位置来查询第三方服务器。在一个或多个实施例中,集群410的质心被确定并用作查询的位置。集群410的质心可以通过计算集群410的充电站120跨越的地理区域的质心来确定。替代地,质心被确定为集群的充电站120,其具有来自大于(或小于)预定阈值的特性的一个或多个值。例如,集群410中占用率最高的充电站120可以被认为是质心。任何其他特性可用于确定集群410的质心。
返回参考图2中的流程图,在一个或多个实施例中,如果充电站120不是任何现有集群410的一部分,则方法200确定(在框202)在分析充电会话数据集125时遇到的充电站120是否是未记录的充电站。如果充电站120是有文档记录的充电站(即,是集群410的一部分或者已经被更早地描述),则充电站被用来训练预测模型,该预测模型被用来确定充电站是公共的还是私有的。
预测模型可以是由计算机设备130实现的基于机器学习的模型。例如,计算机设备130可以使用诸如决策树、逻辑回归、随机森林、神经网络或任何其他机器学习技术来实现预测模型。应当注意,所使用的预测模型的类型不影响这里描述的技术解决方案的方面。预测模型被训练以输出置信度得分,该置信度得分表示集群410或充电站120是公共充电站(或私人充电站)的概率。预测模型被训练成基于由计算机设备130累积的一个或多个特性和/或地理环境来输出置信度得分。预测模型是预先训练的。在一些实施例中,随着方法200的执行,预测模型被连续训练。
方法200包括在框204,由计算机设备130使用预测模型确定集群410是公共充电站的置信度得分。预测模型使用与充电站120相关联的一个或多个属性来确定置信度得分。
方法200可以包括在框206,响应于置信度得分大于第一预定阈值,由计算机设备130将未记录的充电站添加到已知充电站的数据集中作为公共充电站。如本文所述,通过将其记录为第一列表142的一部分,充电站被记录为已知的公共充电站。在框208,计算机设备130响应于置信度得分小于第一预定阈值并且大于第二预定阈值,将未记录的充电站添加到充电站的第三列表146以进行调查。此外,在框210,响应于置信度得分小于第二预定阈值,计算机设备130将未记录的充电站添加到已知私人充电站的第二列表144。
由计算机设备130以这种方式维护的充电站数据集140用于响应来自用户102的一个或多个请求。在一个或多个实施例中,用户102可以例如沿着特定路线、在特定地理区域等寻找一个或多个充电站。用户102可以经由设备104和/或信息娱乐系统112来寻求这样的结果。
这里描述的一个或多个实施例解决的技术挑战还包括响应于来自用户102的请求,向用户102呈现一个或多个充电站120。技术挑战包括识别用户102对于所提供的请求更喜欢的特定类型的充电站,而无需用户明确提供他/她在充电站120中正在寻找的属性。用户102寻求的属性可以基于他/她的位置、一天中的时间、一周中的某一天等而变化。这里描述的实施例有助于学习建议一个或多个充电站120的技术解决方案,充电站120具有调谐到用户102的一个或多个偏好的属性,其中这些偏好被自动确定。例如,这里的实施例可以了解到,在早晨期间,用户102更喜欢在位于咖啡馆附近的快速充电站停下来。因此,当在早上向用户102建议充电站时,满足这些条件的充电站被给予更多的权重。
图1描绘了呈现给用户102的结果160。结果160可以包括一个或多个充电站120及其属性的列表,其响应于搜索充电站的请求而被呈现给用户102。结果160可以通过信息娱乐系统112和/或设备104呈现给用户。结果160基于由计算机设备130维护的充电站数据集140。在一个或多个实施例中,结果160由计算机设备130生成。替换地或另外地,结果160由计算机设备、信息娱乐设备112或设备104或其组合生成。
图5描绘了根据一个或多个实施例的用于检测、表征和呈现电动车辆充电站的方法的操作流程。方法500包括,在框510,预处理充电会话数据集125。预处理可以包括解析、句法分析、语义分析和其他这样的操作,以确保充电会话数据集125中的数据可以被机器分析。预处理还可以包括诸如数据标准化、数据简化、数据离散化和数据采样等操作以及其他预处理操作。此外,在一个或多个实施例中,预处理可以包括将充电会话数据集125中的一个或多个数据字段从一种格式转换成另一种格式。
然后,在框520,分析预处理数据以执行聚类。该聚类可以导致充电站的一个或多个现有集群410被更新。替代地,或者另外,基于充电会话数据集125中的充电站来识别新的集群410。
在框530,确定集群410的特性。特定集群410的特性是基于来自使用该集群410的多个车辆110的充电会话从充电会话数据集125确定的。地理特性通过使用一个或多个第三方服务提供商的应用编程接口来确定。在一个或多个实施例中,基于特性更新用于聚类数据的参数。
在框540,通过预测模型分析一个或多个集群410,以确定每个集群410是公共充电站还是私人充电站。预测模型是基于已知公共和私人充电站的一个或多个特性训练的预训练机器学习模型。充电站数据集140基于从充电会话数据集125检测到的集群410的特性来更新。
在框550,更新的充电站数据集140用于响应来自用户102的关于充电站的任何查询。在一个或多个实施例中,充电站数据集140用于提供关于充电站的查询的结果160,例如识别沿着特定路线的充电站。
在一个或多个实施例中,响应用户的查询包括监视和使用用户关于充电会话的行为125。例如,分析特定用户102的充电会话,以确定用户102在给车辆110充电时表现出的特定偏好。例如,在用户102已经为车辆110执行的多个充电会话中,识别充电会话的特定属性和用于这种充电会话的充电站120。在一个或多个实施例中,另一机器学习模型被训练来识别这样的用户偏好。
图6描绘了描绘根据一个或多个实施例的用于呈现电动车辆充电站的方法的操作流程。方法600包括在框602,训练作为机器学习模型的用户行为模型。用户行为模型可以基于任何机器学习技术,如神经网络、逻辑回归等。通过针对用户102具体执行的充电会话监控充电会话数据集125来训练用户行为模型。用户行为模型被训练成识别充电会话的各种特性,以基于特定的空间和时间上下文数据来识别当对车辆110充电时用户102的特定偏好。空间上下文数据包括用户102的位置,用户102从该位置选择特定的充电站120。时间上下文数据包括一天中的时间、一周中的日期等,在该时间用户102选择特定的充电站120。用户行为模型用于确定空间和时间上下文数据与用户102选择的充电站120(或集群410)的特性之间的相关性。例如,对充电站120的预定附近区域内的附近设施进行排序,以确定这些设施对用户102的重要性(例如,附近的洗手间、咖啡馆等)。
在框604,用户行为模型学习的用户102偏好被用于从充电站的数据集140中识别一个或多个充电站120。在一个或多个实施例中,响应于来自用户102的查询,识别充电站120(或集群410)。替代地,或者另外,响应于车辆110的充电水平低于预定阈值(例如,20%、15%等),识别充电站120。在其他实施例中,响应于车辆110中剩余的预测可驾驶电荷低于预定阈值(例如,50英里、30英里等),识别充电站120。
在框606,识别这种充电站120的结果160经由设备104和/或信息娱乐系统112被提供给用户102。此外,在框608,还基于充电站数据集140来确定所识别的充电站120的类型(公共/私人),并将其显示给用户102。使用这里描述的预测模型来确定充电站120的类型。
现在转到图7,根据一个实施例总体示出了计算机系统700。计算机系统700可以是电子计算机框架,包括和/或采用任意数量的计算设备和网络以及利用各种通信技术的组合,如本文所述。计算机系统700可以是容易扩展的、可扩展的和模块化的,具有独立于其他特征改变到不同服务或重新配置一些特征的能力。计算机系统700可以是例如服务器、台式计算机、膝上型计算机、平板计算机或智能手机。在一些示例中,计算机系统700可以是云计算节点。计算机系统700可以在由计算机系统执行的计算机系统可执行指令(例如程序模块)的一般上下文中描述。通常,程序模块可以包括例程、程序、对象、组件、逻辑、数据结构等等,它们执行特定的任务或实现特定的抽象数据类型。计算机系统700可以在分布式云计算环境中实践,其中任务由通过通信网络链接的远程处理设备来执行。在分布式云计算环境中,程序模块可以位于本地和远程计算机系统存储介质中,包括存储器存储设备。
如图7所示,计算机系统700具有一个或多个中央处理单元(CPU)701a、701b、701c等(统称为处理器701)。处理器701可以是单核处理器、多核处理器、计算集群或任何数量的其他配置。处理器701,也称为处理电路,经由系统总线702耦合到系统存储器703和各种其他组件。系统存储器703可以包括只读存储器(ROM)704和随机存取存储器(RAM)705。ROM704耦合到系统总线702,并且可以包括控制计算机系统700的某些基本功能的基本输入/输出系统(BIOS)。RAM是耦合到系统总线702的读写存储器,供处理器701使用。系统存储器703在操作期间为所述指令的操作提供临时存储空间。系统存储器703可以包括随机存取存储器(RAM)、只读存储器、闪存或任何其他合适的存储系统。
计算机系统700包括耦合到系统总线702的输入/输出(I/O)适配器706和通信适配器707。I/O适配器706可以是与硬盘708和/或任何其他类似组件通信的小型计算机系统接口(SCSI)适配器。I/O适配器706和硬盘708在这里统称为大容量存储器710。
用于在计算机系统700上执行的软件711可以存储在大容量存储器710中。大容量存储器710是处理器701可读的有形存储介质的一个例子,其中软件711被存储为由处理器701执行的指令,以使计算机系统700运行,如下面参考各个附图所述。这里更详细地讨论了计算机程序产品和这种指令的执行的例子。通信适配器707将系统总线702与网络712互连,网络712可以是外部网络,使得计算机系统700能够与其他这样的系统通信。在一个实施例中,系统存储器703的一部分和大容量存储器710共同存储操作系统,该操作系统可以是协调图7所示的各种组件的功能的任何合适的操作系统。
额外的输入/输出设备被示为通过显示适配器715和接口适配器716连接到系统总线702。在一个实施例中,适配器706、707、715和716可以连接到一个或多个I/O总线,这些总线通过中间总线桥(未示出)连接到系统总线702。显示器719(例如,屏幕或显示监视器)通过显示适配器715连接到系统总线702,显示适配器715可以包括用于提高图形密集型应用的性能的图形控制器和视频控制器。键盘、鼠标、触摸屏、一个或多个按钮、扬声器等,可以经由接口适配器716互连到系统总线702,接口适配器716可以包括例如将多个设备适配器集成到单个集成电路中的超级I/O芯片。用于连接外围设备(如硬盘控制器、网络适配器和图形适配器)的合适的I/O总线通常包括通用协议,如外围组件互连(PCI)。因此,如图7中所配置的,计算机系统700包括处理器701形式的处理能力,以及包括系统存储器703和大容量存储器710的存储能力,诸如按钮、触摸屏的输入装置,以及包括扬声器723和显示器719的输出能力。
在一些实施例中,通信适配器707可以使用任何合适的接口或协议来传输数据,例如因特网小型计算机系统接口等。网络712可以是蜂窝网络、无线电网络、广域网(WAN)、局域网(LAN)或因特网等。外部计算设备可以通过网络712连接到计算机系统700。在一些示例中,外部计算设备可以是外部网络服务器或云计算节点。
应当理解,图7的框图并不旨在指示计算机系统700包括图7所示的所有组件。相反,计算机系统700可以包括图7中未示出的任何适当的更少或额外的组件(例如,额外的存储器组件、嵌入式控制器、模块、额外的网络接口等)。此外,本文中关于计算机系统700描述的实施例可以用任何适当的逻辑来实现,其中在各种实施例中,本文中所指的逻辑可以包括任何适当的硬件(例如,处理器、嵌入式控制器或专用集成电路等)、软件(例如,应用程序等)、固件或硬件、软件和固件的任何适当组合。
虽然已经参考示例性实施例描述了上述公开,但是本领域技术人员将理解,在不脱离其范围的情况下,可以进行各种改变,并且等同物可以替代其元件。此外,在不脱离本公开的基本范围的情况下,可以进行许多修改以使特定情况或材料适应本公开的教导。因此,意图是本公开不限于所公开的特定实施例,而是将包括落入本申请范围内的所有实施例。
Claims (10)
1.一种系统,包括:
存储设备;和
由机器可读指令配置的一个或多个硬件处理器,用于检测、表征和呈现电动车辆的充电站,所述一个或多个硬件处理器被配置为:
确定在充电会话期间使用的充电站是未记录的充电站,其中记录的充电站是已知充电站的数据集的一部分;
使用预测模型确定充电站是公共充电站的置信度得分,其中所述预测模型使用与充电站相关联的一个或多个属性来确定置信度得分;
响应于所述置信度得分大于第一预定阈值,将所述未记录的充电站添加到已知充电站的数据集中作为公共充电站;
响应于所述置信度得分小于所述第一预定阈值并且大于第二预定阈值,将所述未记录的充电站添加到要调查的充电站的列表中;和
响应于所述置信度得分小于所述第二预定阈值,将所述未记录的充电站作为私人充电站添加到已知充电站的数据集中。
2.根据权利要求1所述的系统,其中,所述一个或多个硬件处理器还被配置成响应于来自第一电动车辆的请求,使用已知充电站的数据集来识别特定地理区域中的一个或多个公共充电站。
3.根据权利要求2所述的系统,其中,所述特定地理区域对应于所述第一电动车辆的计划路线。
4.根据权利要求2所述的系统,其中,所述充电站由所述第一电动车辆或第二电动车辆使用。
5.根据权利要求1所述的系统,其中,所述一个或多个硬件处理器还被配置为响应于在充电会话期间第二充电站正在被使用,并且所述第二充电站是记录的充电站,使用与第二充电站相关联的一个或多个属性来训练所述预测模型。
6.根据权利要求1所述的系统,其中,所述一个或多个硬件处理器还被配置成:
确定在充电会话期间使用的充电站在要调查的充电站的列表上;和
作为响应,使用预测模型,使用与充电站相关联的不同属性集来确定充电站是公共充电站的置信度得分。
7.根据权利要求1所述的系统,其中,所述一个或多个硬件处理器还被配置为使用聚类算法将所述充电站关联为充电站的集群的一部分,其中所述聚类是基于所述充电站的地理属性来执行的。
8.一种非瞬态计算机可读存储介质,包括可由一个或多个处理器执行的指令,以执行用于检测、表征和呈现电动车辆充电站的方法,所述方法包括:
由所述一个或多个处理器确定在充电会话期间使用的充电站是未记录的充电站,其中记录的充电站是已知充电站数据集的一部分;
由所述一个或多个处理器使用预测模型来确定所述充电站是公共充电站的置信度得分,其中所述预测模型使用与所述充电站相关联的一个或多个属性来确定所述置信度得分;
响应于所述置信度得分大于第一预定阈值,由一个或多个处理器将未记录的充电站添加到已知充电站的数据集中作为公共充电站;
响应于所述置信度得分小于所述第一预定阈值且大于第二预定阈值,由一个或多个处理器将未记录的充电站添加到要调查的充电站列表中;和
响应于所述置信度得分小于所述第二预定阈值,由一个或多个处理器将未记录的充电站作为私人充电站添加到已知充电站的数据集中。
9.根据权利要求8所述的计算机可读存储介质,其中,所述方法还包括响应于来自第一电动车辆的请求,由所述一个或多个处理器使用已知充电站的数据集来识别特定地理区域中的一个或多个公共充电站。
10.根据权利要求8所述的计算机可读存储介质,其中,所述方法还包括:响应于在充电会话期间第二充电站被正在使用,并且所述第二充电站是记录的充电站,使用与第二充电站相关联的一个或多个属性来训练所述预测模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/215,576 US20220318859A1 (en) | 2021-03-29 | 2021-03-29 | Detection, characterization, and presentation of charging stations for electric vehicles |
US17/215,576 | 2021-03-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115122977A true CN115122977A (zh) | 2022-09-30 |
Family
ID=83192354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111559667.1A Pending CN115122977A (zh) | 2021-03-29 | 2021-12-20 | 电动汽车充电站的检测、表征和呈现 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220318859A1 (zh) |
CN (1) | CN115122977A (zh) |
DE (1) | DE102021131858A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230417571A1 (en) * | 2022-06-28 | 2023-12-28 | Microsoft Technology Licensing, Llc | Identifying vehicle filling stations and generating related visual indications |
CN116923168B (zh) * | 2023-06-21 | 2024-04-26 | 上海旋荣科技股份有限公司 | 基于变电站联网的充电桩电能调度系统及其调度方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5760625B2 (ja) * | 2011-04-13 | 2015-08-12 | トヨタ自動車株式会社 | センターサーバー及びこれを含む充電施設登録システム |
US9180783B1 (en) * | 2011-04-22 | 2015-11-10 | Penilla Angel A | Methods and systems for electric vehicle (EV) charge location color-coded charge state indicators, cloud applications and user notifications |
JP2015036884A (ja) * | 2013-08-13 | 2015-02-23 | 日産自動車株式会社 | 充電施設判断方法、充電施設判断装置、及び充電施設の判断システム |
US20210065073A1 (en) * | 2019-08-14 | 2021-03-04 | Honda Motor Co., Ltd. | System and method for presenting electric vehicle charging options |
US11361362B2 (en) * | 2019-08-16 | 2022-06-14 | Salesforce, Inc. | Method and system utilizing ontological machine learning for labeling products in an electronic product catalog |
-
2021
- 2021-03-29 US US17/215,576 patent/US20220318859A1/en active Pending
- 2021-12-02 DE DE102021131858.0A patent/DE102021131858A1/de active Pending
- 2021-12-20 CN CN202111559667.1A patent/CN115122977A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102021131858A1 (de) | 2022-09-29 |
US20220318859A1 (en) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115122977A (zh) | 电动汽车充电站的检测、表征和呈现 | |
KR101482756B1 (ko) | 의미적 지역을 기반으로 검색어를 추천하는 방법 및 시스템 | |
WO2012159093A2 (en) | Discovering nearby places based on automatic query | |
WO2017088161A1 (en) | Recommending car/passenger resources for user according to mobility habits | |
WO2016164607A1 (en) | Inferring venue visits using semantic information | |
US11574208B2 (en) | Predicting refueling information for a client device | |
KR20190124524A (ko) | 관심장소 추천 방법 및 관심장소 추천 시스템 | |
US20210049913A1 (en) | Stop purpose classification for vehicle fleets | |
US20210350635A1 (en) | Determining vehicle service timeframes based on vehicle data | |
US11639857B2 (en) | Objective generation of a point of interest score based on quantities of user stops | |
KR20210005450A (ko) | 한계 대기 시간에 기초한 차량 방법, 시스템 및 프로그램 | |
CN107767153A (zh) | 一种数据处理方法及装置 | |
JP2019160320A (ja) | 位置基盤情報探索方法およびシステム | |
JP6089764B2 (ja) | 活動状況処理装置及び活動状況処理方法 | |
JP2004325371A (ja) | 経路案内用サーバ、経路案内用端末、経路案内システム、方法、およびプログラム | |
US11904717B2 (en) | Intelligent preconditioning for high voltage electric vehicle batteries | |
US20220027413A1 (en) | Inline search query refinement for navigation destination entry | |
CN111898624B (zh) | 定位信息的处理方法、装置、设备及存储介质 | |
CN110990714B (zh) | 一种用户行为意图预测方法和装置 | |
US20190317874A1 (en) | Application usage estimation device and rule formulation device | |
CN112883291B (zh) | 目的地位置的推荐方法、装置和服务器 | |
Tran et al. | Automatic identification of points of interest in global navigation satellite system data: A spatial temporal approach | |
Wang et al. | Predicting human mobility from region functions | |
JP7067350B2 (ja) | 情報処理装置および情報処理方法 | |
JP2017191500A (ja) | 携帯端末に対して地点情報を提供する装置、方法、およびプログラム |
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 |