CN115292609A - 充电站地址推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种充电站地址推荐方法、装置、设备及存储介质，充电站地址推荐方法包括：确定预设的区域地图上的第一待建设站点信息；将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；基于所述订单量数据，确定推荐场站地址信息。本申请属于电动汽车领域，在训练站点订单量预测模型时加入样本的特征权重进行训练，并基于此模型对待建设站点进行订单量预测，以此提高了充电场站的地址推荐的准确性。

Description

充电站地址推荐方法、装置、设备及存储介质

技术领域

本申请涉及电动汽车领域，尤其涉及一种充电站地址推荐方法、装置、设备及存储介质。

背景技术

随着国内新能源汽车行业的发展，公共的新能源汽车充电站也在大力建设。现有技术中在建站前期没有完备的商业数据支撑，单纯由业务人员线下沟通拜访，并通过简单的策略进行建站选址，往往落地后出现充电量小，订单量少，甚至无人问津的情况，充电站选址的准确性低。加之部分充电服务提供商建站地址偏远，导致后期维护麻烦，大都出现烂尾的结局。既浪费了公共土地资源，又浪费了硬件基础设施资源，因而，准确推荐出符合用户需求的充电站建站地址是对广大的新能源汽车行业上下游企业来说具有重大的意义。

发明内容

本申请的主要目的在于提供一种充电站地址推荐方法、装置、设备及存储介质，旨在解决现有技术中充电站选址的准确性低的技术问题。

为实现以上目的，本申请提供一种充电站地址推荐方法，所述充电站地址推荐方法包括：

确定预设的区域地图上的第一待建设站点信息；

将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；

基于所述订单量数据，确定推荐场站地址信息。

可选地，所述基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据的步骤，包括：

基于所述订单量预测模型，确定所述第一待建设站点信息的多个特征向量；

确定各所述特征向量的特征权重；

将所述特征向量的各特征权重进行层级的交叉拟合，得到所述订单量数据。

可选地，所述将所述特征向量的各权重进行层级的交叉拟合，得到所述订单量数据的步骤，包括：

基于各所述特征向量的特征权重，构建权重初始树；

将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重；

重复所述将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重的步骤，直到交叉拟合至所述权重初始树的最下层，得到所述订单量数据。

可选地，所述确定预设的区域地图上的第一待建设站点信息的步骤，包括：

获取所述区域地图上充电场站预设范围内的信息点POI、充电场站的历史充电信息以及充电场站辅助信息；

基于所述POI，确定所述区域地图上的第二待建设站点信息；

基于所述历史充电信息和所述充电场站辅助信息，对所述第二待建设站点信息进行筛选，确定所述第一待建设站点信息。

可选地，所述基于所述历史充电信息和所述充电场站辅助信息，对所述第二待建设站点信息进行筛选，确定所述第一待建设站点信息的步骤，包括：

基于所述历史充电信息和所述充电场站辅助信息，进行充电行为预估，得到站点建设的相关度系数；

基于所述相关度系数，对所述第二待建设站点信息进行筛选，得到所述第一待建设站点信息。

可选地，所述确定预设的区域地图上的第一待建设站点信息的步骤之前，所述方法包括：

获取站点信息样本和所述站点信息样本的订单量标签；

基于预设的特征权重分析，确定所述站点信息样本的特征权重；

基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型。

可选地，所述基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型的步骤，包括：

将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据；

将所述预测订单量数据与所述站点信息样本的订单量标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到所述订单量预测模型。

本申请还提供一种充电站地址推荐装置，所述充电站地址推荐装置包括：

确定模块，用于确定预设的区域地图上的第一待建设站点信息；

预测模块，用于将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；

推荐模块，用于基于所述订单量数据，确定推荐场站地址信息。

本申请还提供一种充电站地址推荐设备，所述充电站地址推荐设备包括：存储器、处理器以及存储在存储器上的用于实现所述充电站地址推荐方法的程序，

所述存储器用于存储实现充电站地址推荐方法的程序；

所述处理器用于执行实现所述充电站地址推荐方法的程序，以实现所述充电站地址推荐方法的步骤。

本申请还提供一种存储介质，所述存储介质上存储有实现充电站地址推荐方法的程序，所述实现充电站地址推荐方法的程序被处理器执行以实现所述充电站地址推荐方法的步骤。

本申请提供的一种充电站地址推荐方法、装置、设备及存储介质，与现有技术中充电站选址的准确性低相比，在本申请中，确定预设的区域地图上的第一待建设站点信息；将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；基于所述订单量数据，确定推荐场站地址信息。即在本申请中，训练站点订单量预测模型时加入样本的特征权重进行训练，并基于此模型对待建设站点进行订单量预测，以此提高了充电场站的地址推荐的准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本申请充电站地址推荐方法第一实施例的流程示意图；

图3为本申请充电站地址推荐方法第一实施例的模块示意图；

图4为本申请充电站地址推荐方法的区域地图展示模块示意图；

图5为本申请充电站地址推荐方法的住宅数特征散点示意图；

图6为本申请充电站地址推荐方法的充电场站数特征散点示意图；

图7为本申请充电站地址推荐方法的订单量特征散点示意图；

图8为本申请充电站地址推荐方法第二实施例的模型训练流程示意图；

图9为本申请充电站地址推荐方法第二实施例的模型应用流程示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

如图1所示，图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。

本申请实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及充电站地址推荐程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的充电站地址推荐程序。

参照图2，本申请实施例提供一种充电站地址推荐方法，所述充电站地址推荐方法包括：

步骤S100，确定预设的区域地图上的第一待建设站点信息；

步骤S200，将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；

步骤S300，基于所述订单量数据，确定推荐场站地址信息。

在本实施例中，具体的应用场景可以是：

在建站前期没有完备的商业数据支撑，单纯由业务人员线下沟通拜访，并通过简单的策略进行建站选址，往往落地后出现充电量小，订单量少，甚至无人问津的情况，充电站选址的准确性低。

具体步骤如下：

步骤S100，确定预设的区域地图上的第一待建设站点信息；

在本实施例中，充电站地址推荐方法应用于充电站地址推荐装置。

在本实施例中，区域地图是指系统反映某一区域内的自然、经济基本情况和区域特点的地图，区域可以是指政治行政区域，(如省、城市)，也可以是城市中区、县、街道、村等，还可以是自然或经济区域，如洲、地区、经济区、流域、高原、自然保护区，在本实施例中区域通常是指城市，预设的区域地图即已预获取的区域地图，可以是通过第三方引擎获取，也可以是自行上传区域地图信息获取的。

在本实施例中，所述第一待建设站点信息为具有建设充电站条件的地点以及地点所包含的信息，所述第一待建设站点具体为当前区域地图所对应的区域潜在场所的序列集合，待建设站点可以是停车场(包括地上停车场和地下停车场)，也可以是待建设的空地，其中，地点所包含的信息包括周边的设施、建筑等距离待建设站点的信息，例如居民楼、商场、超市、第三方充电站点等。

在本实施例中，参照图4，装置是基于地图引擎，以3km为单位，构建蜂窝网状结构区域。其中，箭头形状图标为所述第一待建设站点，地图上还包含了第三方充电站、家用充电桩等站点以及距离信息。

具体地，所述步骤S100，包括以下步骤S110-S130：

步骤S110，获取所述区域地图上充电场站预设范围内的信息点POI、充电场站的历史充电信息以及充电场站辅助信息；

在本实施例中，所述区域地图上充电场站为已建设好的充电场站点，充电场站预设范围内的信息点POI为充电场站周边的POI相关数据，POI指地图上的信息点，也为兴趣点，传统的地理信息采集方法需要地图测绘人员采用精密的测绘仪器去获取一个兴趣点的经纬度然后再标记下来。对一个地理信息系统来说，POI的数量在一定程度代表着整个系统的价值。每个POI包含四方面信息，名称、类别、坐标、分类，全面的POI讯息是丰富导航地图的必备资讯，及时的POI兴趣点能提醒用户路况的分支及周边建筑的详尽信息，也能方便导航中查到所需要的各个地方，选择最为便捷和通畅的道路来进行路径规划。

在本实施例中，充电场站的历史充电信息为人员到相应充电场站进行充电的相关信息，包括人员流量、充电时长、电量用度等信息；所述充电场站辅助信息为充电场站的相关辅助信息，包括充电价格、七日内订单量、POI等信息。

在本实施例中，装置获取所述区域地图上充电场站预设范围内的信息点POI、充电场站的历史充电信息以及充电场站辅助信息的方式可以是通过内部业务策略数据规则，整合由第三方合规渠道获取；也可以是通过线下调研上传至装置所获取的。

步骤S120，基于所述POI，确定所述区域地图上的第二待建设站点信息；

在本实施例中，由于所述POI包含了充电场站周边的设施、建筑等兴趣点信息，将其中具有建设充电站条件的地点全部标记为所述第二待建设站点，以此最终确定所述区域地图上的第二待建设站点信息。

步骤S130，基于所述历史充电信息和所述充电场站辅助信息，对所述第二待建设站点信息进行筛选，确定所述第一待建设站点信息。

在本实施例中，装置将其中所述第二待建设站点信息根据所述历史充电信息和所述充电场站辅助信息进行筛选，将其中更符合建设运营条件的待建设站点确定为所述第一待建设站点，并确定所述第一待建设站点信息。

具体地，所述步骤S130，包括以下步骤S131-S132：

步骤S131，基于所述历史充电信息和所述充电场站辅助信息，进行充电行为预估，得到站点建设的相关度系数；

步骤S132，基于所述相关度系数，对所述第二待建设站点信息进行筛选，得到所述第一待建设站点信息。

在本实施例中，将POI结合用户画像、充电习惯等维度模型，过滤那些已存在场站的地标点位，结合同一个区域的充电热度情况，进行用户充电行为预估，测算相关度系数，得到站点建设的相关度系数，并基于所述相关度系数，筛选得到所述第一待建设站点信息。例如，A站点周边的充电站历史充电信息以及辅助信息为具有大量第三方站点，且用户充电订单量少，则判断A站点不符合建设条件，筛除A站点。

基于所述步骤S100，确定预设的区域地图上的第一待建设站点信息的步骤之前，所述方法包括以下步骤A100-A300：

步骤A100，获取站点信息样本和所述站点信息样本的订单量标签；

在本实施例中，所述站点信息样本为历史建设充电站点的信息样本集合，为历史数据；所述站点信息样本的订单量标签为充电站点建设后所得到的对应所述站点信息样本的充电订单量的标签，装置获取站点信息样本和所述站点信息样本的订单量标签的方式可以是从历史数据库中获取的，也可以是自行上传以获取的。

步骤A200，基于预设的特征权重分析，确定所述站点信息样本的特征权重；

在本实施例中，装置基于预设的特征权重分析，确定所述站点信息样本的特征权重，其中，特征权重分析为自行设定的数据，例如，站点信息样本A包含信息有住宅数6、第三方站点数为5，住宅特征的权重为0.5，第三方站点的权重为0.4。

步骤A300，基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型。

在本实施例中，装置基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型。

在本实施例中，模型训练还可以采用随机森林(RandomForestRegressor)算法，结合特征工程抽象出各个维度的Vector，通过对抗网络(GAN)生成后续模型训练所需的训练样本，即站点信息样本。同时根据多维度综合计算，绘制出特征散点图，参照图5、6、7，其中，图5为住宅数的特征散点图，图6为3km内充电站点数的特征散点图，图7为订单量的特征散点图，从中可以看出充电站点的周边住宅数与充电站点的订单量成正比，充电站点的周边充电站点数在前半段的数量内与充电站点的订单量成正比，到达顶点后，与充电站点的订单量成反比，即在一定数量充电站点时，充电的供不应求，与充电站点的订单量成正比，到达顶点后供过于求，与充电站点的订单量成反比，即证明了充电场站的辅助信息和用户的充电历史行为更能体现用户的需求，在训练过程中加入样本的特征权重进行训练，特征权重中包含充电场站的辅助信息和用户的充电历史行为信息，以此提高了充电场站的地址推荐的准确性。

具体地，所述步骤A300，包括以下步骤A310-A340：

步骤A310，将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据；

在本实施例中，装置将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据，所述待训练模型为初始的预测模型，预测订单量数据为待训练模型处理所述站点信息样本后所得到的预测订单量数据，若订单量数据与所述站点信息样本的订单量标签相符合，则说明预测的订单量数据正确，若订单量数据与所述站点信息样本的订单量标签不符合，则说明预测的订单量数据准确度不足，则要进行下一步迭代，提高模型的预测准确度。

步骤A320，将所述预测订单量数据与所述站点信息样本的订单量标签进行差异计算，得到误差结果；

在本实施例中，将所述预测订单量数据与所述站点信息样本的订单量标签进行差异计算，得到误差结果，即验证训练中的模型所得到的结果是否与已知的结果相一致，并进行结果之间的差异计算，得到误差结果。

步骤A330，基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

在本实施例中，由于模型训练后的结果与实际的结果存在误差，允许误差结果在预设的误差阈值范围内，以此进一步判断所述误差结果是否满足预设误差阈值范围指示的误差标准。

步骤A340，若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到所述订单量预测模型。

在本实施例中，在本实施例中，若所述误差结果未满足所述预设误差阈值范围指示的误差标准，则表示模型在此次训练中误差存在过大，则将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据的步骤，即进行迭代训练，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到满足精度条件的所述订单量预测模型，以此提高模型预测的准确性。

步骤S200，将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；

在本实施例中，装置将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，训练站点订单量预测模型时加入样本的特征权重进行训练，并基于此模型对待建设站点进行订单量预测，以此提高了充电场站的地址推荐的准确性。

具体地，所述步骤S200，包括以下步骤S210-S230：

步骤S210，基于所述订单量预测模型，确定所述第一待建设站点信息的多个特征向量；

在本实施例中，装置基于所述订单量预测模型，确定所述第一待建设站点信息的多个特征向量，即每一待建设站点信息中都包含着多个特征向量，特征向量的数量为预设数量，特征向量包含待建设站点预设范围内的住宅数、第三方充电站等。

步骤S220，确定各所述特征向量的特征权重；

在本实施例中，同上步骤A200，装置确定各所述特征向量的特征权重。

步骤S230，将所述特征向量的各特征权重进行层级的交叉拟合，得到所述订单量数据。

在本实施例中，装置基于所述订单量预测模型，将所述特征向量的各特征权重进行层级的交叉拟合，得到所述订单量数据，其中，交叉拟合是将不同向量通过各自的特征权重进行计算，得到下一层级的特征权重。

具体地，所述步骤S230，包括以下步骤S231-S233：

步骤S231，基于各所述特征向量的特征权重，构建权重初始树；

在本实施例中，装置基于各所述特征向量的特征权重，构建权重初始树，初始树中的一条边表示第一个顶点(例如第一个充电场站)在A特征维度下的权重，边的粗细程度表达了权重的重要性程度，自左至右排列，下一级子节点为第一级特征维度下权重的交叉结果，依次类推，产生纵深为n的深度特征网络树结构。

步骤S232，将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重；

在本实施例中，装置将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重，例如第一层特征权重有5个，在交叉拟合后，得到下一层的特征权重为4个。

步骤S233，重复所述将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重的步骤，直到交叉拟合至所述权重初始树的最下层，得到所述订单量数据。

在本实施例中，装置重复所述将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重的步骤，直到交叉拟合至所述权重初始树的最下层，得到所述订单量数据，例如，第一层特征权重有5个，在交叉拟合后，得到下一层的特征权重为4个，重复交叉拟合，直到第五层特征权重为1个。

步骤S300，基于所述订单量数据，确定推荐场站地址信息。

在本实施例中，装置基于所述订单量数据，确定推荐场站地址信息，其中，订单量数据为所述区域地图中每个第一待建设站点的预测订单量数据，基于所述订单量数据大小，从大到小的顺序，进行待建设站点排序，将排序在预设数量前的待建设站点设置为推荐场站，并确定所述推荐场站的地址信息。

在本实施例中，装置包含显示区域地图界面，用户可以通过点击定位地图上的坐标点位，装置计算周边3km的POI信息，结合区域信息，计算出预估的订单量数据，便于评估该点位是否合适建站。

本申请提供的一种充电站地址推荐方法、装置、设备及存储介质，与现有技术中充电站选址的准确性低相比，在本申请中，确定预设的区域地图上的第一待建设站点信息；将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；基于所述订单量数据，确定推荐场站地址信息。即在本申请中，训练站点订单量预测模型时加入样本的特征权重进行训练，并基于此模型对待建设站点进行订单量预测，以此提高了充电场站的地址推荐的准确性。

基于上述的第一实施例，本申请还提供另一实施例，参照图8和图9，所述充电站地址推荐方法包括：

获取站点信息样本，并对所述站点信息样本进行数据清洗，建立样本数据维度；

提取所述站点信息样本，并计算特征相关性，即特征权重；

基于所述站点信息样本和特征权重，对待训练模型进行模型训练，学习特征规律以及交叉特征计算和结果拟合，输出预测订单量结果；

完成模型训练并上线系统展示模块；

用户手动选择所述展示模块的待建设站点，装置获取相应的待建设站点信息，其中，待建设站点信息包括周边POI信息和停车场信息等；

将所述待建设站点信息输入至订单量预测模型，得到订单量预测数据；

根据订单量预测数据对待建设站点进行从大到小排序，得到排序前十的待建设站点，即推荐站点信息。

本申请还提供一种充电站地址推荐装置，参照图3，所述充电站地址推荐装置包括：

确定模块10，用于确定预设的区域地图上的第一待建设站点信息；

预测模块20，用于将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；

推荐模块30，用于基于所述订单量数据，确定推荐场站地址信息。

可选地，所述预测模块20，包括：

特征向量确定模块，用于基于所述订单量预测模型，确定所述第一待建设站点信息的多个特征向量；

特征权重确定模块，用于确定各所述特征向量的特征权重；

交叉模块，用于将所述特征向量的各特征权重进行层级的交叉拟合，得到所述订单量数据。

可选地，所述交叉模块，包括：

初始树构建模块，用于基于各所述特征向量的特征权重，构建权重初始树；

交叉拟合模块，用于将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重；

重复模块，用于重复所述将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重的步骤，直到交叉拟合至所述权重初始树的最下层，得到所述订单量数据。

可选地，所述确定模块10，包括：

获取模块，用于获取所述区域地图上充电场站预设范围内的信息点POI、充电场站的历史充电信息以及充电场站辅助信息；

第二待建设站点信息确定模块，用于基于所述POI，确定所述区域地图上的第二待建设站点信息；

筛选模块，用于基于所述历史充电信息和所述充电场站辅助信息，对所述第二待建设站点信息进行筛选，确定所述第一待建设站点信息。

可选地，所述筛选模块，包括：

行为预估模块，用于基于所述历史充电信息和所述充电场站辅助信息，进行充电行为预估，得到站点建设的相关度系数；

相关度筛选模块，用于基于所述相关度系数，对所述第二待建设站点信息进行筛选，得到所述第一待建设站点信息。

可选地，所述充电站地址推荐装置还包括：

样本获取模块，用于获取站点信息样本和所述站点信息样本的订单量标签；

样本权重确定模块，用于基于预设的特征权重分析，确定所述站点信息样本的特征权重；

训练模块，用于基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型。

可选地，所述训练模块，包括：

预测模块，用于将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据；

差异计算模块，用于将所述预测订单量数据与所述站点信息样本的订单量标签进行差异计算，得到误差结果；

判断模块，用于基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

迭代训练模块，用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到所述订单量预测模型。

本申请充电站地址推荐装置具体实施方式与上述充电站地址推荐方法各实施例基本相同，在此不再赘述。

参照图1，图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，该充电站地址推荐设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

本领域技术人员可以理解，图1中示出的充电站地址推荐设备结构并不构成对充电站地址推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及充电站地址推荐程序。操作系统是管理和控制充电站地址推荐设备硬件和软件资源的程序，支持充电站地址推荐程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与充电站地址推荐系统中其它硬件和软件之间通信。

在图1所示的充电站地址推荐设备中，处理器1001用于执行存储器1005中存储的充电站地址推荐程序，实现上述任一项所述的充电站地址推荐方法的步骤。

本申请充电站地址推荐设备具体实施方式与上述充电站地址推荐方法各实施例基本相同，在此不再赘述。

本申请还提供一种存储介质，所述存储介质上存储有实现充电站地址推荐方法的程序，所述实现充电站地址推荐方法的程序被处理器执行以实现如下所述充电站地址推荐方法：

确定预设的区域地图上的第一待建设站点信息；

将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；

基于所述订单量数据，确定推荐场站地址信息。

可选地，所述基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据的步骤，包括：

基于所述订单量预测模型，确定所述第一待建设站点信息的多个特征向量；

确定各所述特征向量的特征权重；

将所述特征向量的各特征权重进行层级的交叉拟合，得到所述订单量数据。

可选地，所述将所述特征向量的各权重进行层级的交叉拟合，得到所述订单量数据的步骤，包括：

基于各所述特征向量的特征权重，构建权重初始树；

将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重；

重复所述将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重的步骤，直到交叉拟合至所述权重初始树的最下层，得到所述订单量数据。

可选地，所述确定预设的区域地图上的第一待建设站点信息的步骤，包括：

获取所述区域地图上充电场站预设范围内的信息点POI、充电场站的历史充电信息以及充电场站辅助信息；

基于所述POI，确定所述区域地图上的第二待建设站点信息；

基于所述历史充电信息和所述充电场站辅助信息，对所述第二待建设站点信息进行筛选，确定所述第一待建设站点信息。

可选地，所述基于所述历史充电信息和所述充电场站辅助信息，对所述第二待建设站点信息进行筛选，确定所述第一待建设站点信息的步骤，包括：

基于所述历史充电信息和所述充电场站辅助信息，进行充电行为预估，得到站点建设的相关度系数；

基于所述相关度系数，对所述第二待建设站点信息进行筛选，得到所述第一待建设站点信息。

可选地，所述确定预设的区域地图上的第一待建设站点信息的步骤之前，所述方法包括：

获取站点信息样本和所述站点信息样本的订单量标签；

基于预设的特征权重分析，确定所述站点信息样本的特征权重；

基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型。

可选地，所述基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型的步骤，包括：

将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据；

将所述预测订单量数据与所述站点信息样本的订单量标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到所述订单量预测模型。

本申请存储介质具体实施方式与上述充电站地址推荐方法各实施例基本相同，在此不再赘述。

本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的充电站地址推荐方法的步骤。

本申请计算机程序产品的具体实施方式与上述充电站地址推荐方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

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。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种充电站地址推荐方法，其特征在于，所述充电站地址推荐方法包括：

确定预设的区域地图上的第一待建设站点信息；

将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；

基于所述订单量数据，确定推荐场站地址信息。

2.如权利要求1所述的充电站地址推荐方法，其特征在于，所述基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据的步骤，包括：

基于所述订单量预测模型，确定所述第一待建设站点信息的多个特征向量；

确定各所述特征向量的特征权重；

将所述特征向量的各特征权重进行层级的交叉拟合，得到所述订单量数据。

3.如权利要求2所述的充电站地址推荐方法，其特征在于，所述将所述特征向量的各权重进行层级的交叉拟合，得到所述订单量数据的步骤，包括：

基于各所述特征向量的特征权重，构建权重初始树；

将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重；

重复所述将所述权重初始树当前层的各特征权重进行交叉拟合，得到下一层预设数量的特征权重的步骤，直到交叉拟合至所述权重初始树的最下层，得到所述订单量数据。

4.如权利要求1所述的充电站地址推荐方法，其特征在于，所述确定预设的区域地图上的第一待建设站点信息的步骤，包括：

获取所述区域地图上充电场站预设范围内的信息点POI、充电场站的历史充电信息以及充电场站辅助信息；

基于所述POI，确定所述区域地图上的第二待建设站点信息；

基于所述历史充电信息和所述充电场站辅助信息，对所述第二待建设站点信息进行筛选，确定所述第一待建设站点信息。

5.如权利要求4所述的充电站地址推荐方法，其特征在于，所述基于所述历史充电信息和所述充电场站辅助信息，对所述第二待建设站点信息进行筛选，确定所述第一待建设站点信息的步骤，包括：

基于所述历史充电信息和所述充电场站辅助信息，进行充电行为预估，得到站点建设的相关度系数；

基于所述相关度系数，对所述第二待建设站点信息进行筛选，得到所述第一待建设站点信息。

6.如权利要求1所述的充电站地址推荐方法，其特征在于，所述确定预设的区域地图上的第一待建设站点信息的步骤之前，所述方法包括：

获取站点信息样本和所述站点信息样本的订单量标签；

基于预设的特征权重分析，确定所述站点信息样本的特征权重；

基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型。

7.如权利要求6所述的充电站地址推荐方法，其特征在于，所述基于所述站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对预设的待训练模型进行迭代训练，得到具有满足精度条件的所述订单量预测模型的步骤，包括：

将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据；

将所述预测订单量数据与所述站点信息样本的订单量标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述站点信息样本和所述站点信息样本的特征权重输入至所述待训练模型，得到预测订单量数据的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到所述订单量预测模型。

8.一种充电站地址推荐装置，其特征在于，所述充电站地址推荐装置包括：

确定模块，用于确定预设的区域地图上的第一待建设站点信息；

预测模块，用于将所述第一待建设站点信息输入至预设的订单量预测模型，基于所述订单量预测模型，对所述第一待建设站点信息进行订单量预测处理，得到订单量数据，其中，所述订单量预测模型是基于站点信息样本、所述站点信息样本的特征权重以及所述站点信息样本的订单量标签，对待训练模型进行训练得到的；

推荐模块，用于基于所述订单量数据，确定推荐场站地址信息。

9.一种充电站地址推荐设备，其特征在于，所述充电站地址推荐设备包括：存储器、处理器以及存储在存储器上的用于实现所述充电站地址推荐方法的程序，

所述存储器用于存储实现充电站地址推荐方法的程序；

所述处理器用于执行实现所述充电站地址推荐方法的程序，以实现如权利要求1至7中任一项所述充电站地址推荐方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有实现充电站地址推荐方法的程序，所述实现充电站地址推荐方法的程序被处理器执行以实现如权利要求1至7中任一项所述充电站地址推荐方法的步骤。

Images