CN115293846A - 一种基于协同过滤的用户充电桩推荐方法及设备 - Google Patents
一种基于协同过滤的用户充电桩推荐方法及设备 Download PDFInfo
- Publication number
- CN115293846A CN115293846A CN202210901063.9A CN202210901063A CN115293846A CN 115293846 A CN115293846 A CN 115293846A CN 202210901063 A CN202210901063 A CN 202210901063A CN 115293846 A CN115293846 A CN 115293846A
- Authority
- CN
- China
- Prior art keywords
- user
- charging pile
- interaction
- charging
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 title claims abstract description 22
- 230000003993 interaction Effects 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 230000006399 behavior Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 1
- 230000002452 interceptive effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于协同过滤的用户充电桩推荐方法及设备，其特征在于，根据时空因素对用户与充电桩的交互行为进行分组，并根据不同分组分别采用协同神经网络计算充电桩推荐列表，所述方法包括步骤：基于用户与充电桩的交互信息获取用户与充电桩的交互情况与交互地理位置并生成用户对充电桩及充电桩对用户的二值化矩阵；将所述二值化矩阵作为输入向量导入所述协同神经网络中计算对用户的充电桩推荐列表；将所述对用户的充电桩推荐列表与用户当前SOC告警位置进行匹配后推荐符合所述当前SOS告警位置条件的充电桩。可使充电桩的推荐更符合用户的个性化选择需求。
Description
技术领域
本发明涉及智能推荐技术领域，特别涉及一种基于协同过滤的用户充电桩推荐方法及设备。
背景技术
近年来，越来越多的电动车型进入市场，相应的公共充电桩的数量也随之与日俱增，由于充电桩收费及快慢充问题，用户在SOC告警时会无法快速选择充电桩。
相关技术通过获取预设距离范围内的充电桩的预测参数，根据预测参数获取范围内的每个充电桩的可用概率，对可用概率负荷需求的充电桩进行推荐。但相关技术仅能预测出某些充电桩是否可用从而影响用户选择，难以满足用户的个性化选择需求。例如用户选择充电桩时可能期望更省钱而对时间成本上相对不在意，或者期望省时间而对费用上相对不在意等。
发明内容
本发明实施例提供一种基于协同过滤的用户充电桩推荐方法及设备，可使充电桩的推荐更符合用户的个性化选择需求。
一方面，本发明实施例提供了一种基于协同过滤的用户充电桩推荐方法，其特征在于，根据时空因素对用户与充电桩的交互行为进行分组，并根据不同分组分别采用协同神经网络计算充电桩推荐列表，所述方法包括步骤：
基于用户与充电桩的交互信息获取用户与充电桩的交互情况与交互地理位置并生成用户对充电桩及充电桩对用户的二值化矩阵；
将所述二值化矩阵作为输入向量导入所述协同神经网络中计算对用户的充电桩推荐列表；
将所述对用户的充电桩推荐列表与用户当前SOC告警位置进行匹配后推荐符合所述当前SOS告警位置条件的充电桩。
一些实施例中，所述交互情况包括产生交互与未产生交互；
所述生成用户对充电桩及充电桩对用户的二值化矩阵，包括步骤：
在同一分组下根据所述交互地理位置，将用户对充电桩及充电桩对用户的交互情况分别用one-hot编码的二值化向量表示，并分别记为用户向量和充电桩向量，且
所述用户向量包含该用户对所述交互地理位置的所有充电桩的交互情况，
所述充电桩向量包含该充电桩对所有用户的交互情况。
一些实施例中，将所述二值化矩阵作为输入向量导入所述协同神经网络中计算对用户的充电桩推荐列表，包括步骤：
将所述用户向量与所述充电桩向量共同作为输入层向量导入所述协同神经网络的embedding层进行矩阵分解获取稠密向量；
基于所述协同神经网络的NCF预测模型将所述稠密向量映射成预测分数，且所述NCF预测模型表示为：
根据所述预测分数确定对用户的充电桩推荐列表。
一些实施例中，在所述根据所述预测分数确定对用户的充电桩推荐列表之前，还包括步骤：
设定预测目标值并通过最小化所述预测目标值与所述预测分数之间的均方误差对所述NCF预测模型进行训练。
一些实施例中，所述通过最小化所述预测目标值与所述预测分数之间的均方误差对所述NCF预测模型进行训练，包括步骤：
根据第一公式设置目标函数，所述第一公式包括：
其中，yui为预测目标值，
为预测分数，L为目标函数，y表示用户和充电桩的交互行为生成的交互矩阵中的观测数据，且y-表示所述观测数据的负样本；
求解所述目标函数获取所述NCF预测模型的最佳参数值。
一些实施例中，将用户最近一次或多次交互行为作为所述预测目标值。
一些实施例中，所述根据时空因素对用户与充电桩的交互行为进行分组，包括步骤：
进行按区域分组，其用于根据区域划分将属于同一区域内用户与充电桩的交互行为分在同一大组；
在所述按区域分组后，可选择地进行按不同时间区间分组，且所述按不同时间区间分组包括将属于同一时间区间内用户与充电桩的交互行为分在同一小组；
将大组或小组的分组情况作为最终的分组结果。
一些实施例中，将所述对用户的充电桩推荐列表与用户当前SOC告警位置进行匹配后推荐符合所述当前SOS告警位置条件的充电桩，包括步骤：
获取用户的当前SOC告警位置；
基于所述充电桩推荐列表计算用户与各推荐充电桩的距离；
按照用户剩余电量可达距离范围在所述各推荐充电桩中筛选出符合所述当前SOS告警位置的充电桩进行推送。
一些实施例中，将所述对用户的充电桩推荐列表与用户当前SOC告警位置进行匹配后推荐符合所述当前SOS告警位置条件的充电桩，包括步骤：
若所述当前SOC告警位置为用户从未去过的区域，则收集用户当前位置信息，并根据用户当前位置信息查找对应的区域分组，并按照对应区域分组下的充电桩推荐列表进行推荐。
另一方面，本发明实施例还提供一种设备，其特征在于，所述设备包括：至少一个处理器；以及与所述至少一个处理器耦合的存储器，所述存储器包含有存储于其中的指令，所述指令在被所述处理器加载并执行，以实现方法实施例中任一项所述的方法。
本发明实施例可根据时空因素对用户与充电桩的交互行为进行分组，并根据不同分组分别采用协同神经网络计算充电桩推荐列表，可根据地理位置或时间条件(例如季节、时段)等因素进行分组并分别计算推荐列表，可减少CPU负荷并增强算法精准度。同时，将地理位置(包括城市、区域)等影响用户选择的诸多重要因素作为输入的权重因子纳入神经网络的算法中，可在用户于陌生位置SOC告警时推送用户喜欢的充电桩列表。在计算完推荐充电桩列表后，会将列表与用户SOC告警位置进行匹配，剔除掉用户到不了的充电桩，再进行推送。可使充电桩的推荐更符合用户选择逻辑，结果更精确。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于协同过滤的用户充电桩推荐方法的流程示意图；
图2为本发明实施例提供的协同神经网络示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于协同过滤的用户充电桩推荐方法，包括步骤：
S100:基于用户与充电桩的交互信息获取用户与充电桩的交互情况与交互地理位置并生成用户对充电桩及充电桩对用户的二值化矩阵；
S200:将所述二值化矩阵作为输入向量导入所述协同神经网络中计算对用户的充电桩推荐列表；
S300:将所述对用户的充电桩推荐列表与用户当前SOC告警位置进行匹配后推荐符合所述当前SOS告警位置条件的充电桩。
需要说明的是，在S100之前，根据时空因素对用户与充电桩的交互行为进行分组，该推荐方法是根据不同分组分别采用协同神经网络计算充电桩推荐列表。时空因素可以理解为时间和/或空间因素，时间因素可包括季节因素或时段因素等，空间因素可包括地理位置因素，例如将不同的城市作为分组的地理位置因素。
S100中用户与充电桩的交互信息来源于由TSP(Telematics Service Provider，汽车远程服务提供商)上传的电动车充电历史数据，且该历史数据经过筛选组合后得到充电分析基础数据，认为基础数据已经经过解析、标准化、异常值处理等数据清洗过程，已屏蔽掉杂项无用信息。
可以理解的是，S200中的协同神经网络可以是如图2所示的多层神经网络，其用于根据用户与用户间的相似程度计算出用户对充电桩的喜好度并以此作为推荐结果(充电桩推荐列表)。一方面通过减少不定变量的方式计算出用户的喜好，另一方面也避免了只靠充电桩信息来推送而导致忽略用户的主观选择性。
需要说明的是，S300中SOC是指电动车剩余电量state of charge，表示电池继续工作的能力。
本发明实施例，根据时空因素对用户与充电桩的交互行为进行分组，并根据不同分组分别采用协同神经网络计算充电桩推荐列表，可根据地理位置或时间条件(例如季节、时段)等因素进行分组并分别计算推荐列表，可减少CPU负荷并增强算法精准度。同时，将地理位置(包括城市、区域)等影响用户选择的诸多重要因素作为输入的权重因子纳入神经网络的算法中，可在用户于陌生位置SOC告警时推送用户喜欢的充电桩列表。在计算完推荐充电桩列表后，会将列表与用户SOC告警位置进行匹配，剔除掉用户到不了的充电桩，再进行推送。可使充电桩的推荐更符合用户选择逻辑，结果更精确。
进一步地，根据时空因素对用户与充电桩的交互行为进行分组，包括步骤：
S001:进行按区域分组，其用于根据区域划分将属于同一区域内用户与充电桩的交互行为分在同一大组；
S002:在所述按区域分组后，可选择地进行按不同时间区间分组，且所述按不同时间区间分组包括将属于同一时间区间内用户与充电桩的交互行为分在同一小组；
S003:将大组或小组的分组情况作为最终的分组结果。
可以理解的是，S001与S002的分组方式可以任取其一，也可以递进的方式先S001分组后在该大组分组的情况下进行S002的小组分组并最终将小组分组作为分组结果。
在一个具体的实施例中，进行了三次分组，第一次按照不同的城市(即区域)进行拆分，在此分组结果上进行第二次分组，按照充电时段(例如白天充电或晚上充电)进行分组，在此基础上还进行第三次分组即再按照季节(如夏或冬)进行分组，并将最终的分组情况作为分组结果进行后续的计算。
本发明实施例考虑到在将每个用户与每个充电桩进行计算时，由于用户数与充电桩数的数量较大(针对100万台车和10万个充电桩的案例)需要将100万×10万的矩阵作为输入进行后续计算，从而导致CPU负荷过大的问题。提出分组并针对各种影响用户喜好度的因素进行合理化分组，可有效降低CPU负荷的同时提高计算准确度。
一些实施例中，交互情况包括产生交互与未产生交互；S100中生成用户对充电桩及充电桩对用户的二值化矩阵，包括步骤:
在同一分组下根据所述交互地理位置，将用户对充电桩及充电桩对用户的交互情况分别用one-hot编码的二值化向量表示，并分别记为用户向量和充电桩向量，其中，用户向量包含该用户对所述交互地理位置的所有充电桩的交互情况，充电桩向量包含该充电桩对所有用户的交互情况。
一个具体的实施例中，用户与充电桩产生交互记为1，未产生交互记为0，可得出用户X1对于该地理位置充电桩(Y1,Y2,Y3,…,Yn)的交互表示为(1,0,0,…,1)；同理可得出充电桩Y1与用户(X1,X2,X3,…,Xn)的交互表示为(0,1,0,…,1)，由于用户不可能与所有充电桩产生交互，所以如上向量中为0的数值很多，即为稀疏向量。
一些实施例中，S200中将所述二值化矩阵作为输入向量导入所述协同神经网络中计算对用户的充电桩推荐列表，包括步骤：
S210:将所述用户向量与所述充电桩向量共同作为输入层向量导入所述协同神经网络的embedding层进行矩阵分解获取稠密向量；
S220:基于所述协同神经网络的NCF预测模型将所述稠密向量映射成预测分数，且所述NCF预测模型表示为：
S230:根据所述预测分数确定对用户的充电桩推荐列表。
需要说明的是，如图2所示的多层神经网络(即协同神经网络)，最下面是输入层，分别包含了两个特征向量
和
它们分别用来描述用户u和充电桩i；输入仅由一个用户向量和一个充电桩向量构成，它们分别是以one-hot编码的二值化稀疏向量。输入层上面的是Embedding层，它是一个全连接层，用于将输入层的二值化稀疏向量映射成一个稠密向量。它所获得的用户(充电桩)的稠密向量可看作用来描述用户(充电桩)的潜在特征向量。接着将用户和充电桩的embedding层输出向量(稠密向量)送入多层神经网络的NCF预测模型中，其包括神经协同过滤层(Neural CF Layer)，它用于将潜在特征向量映射成预测分数(Score)。神经协同过滤层中的每一层可以被认为是用来发掘用户-充电桩交互中的某些隐含结构。神经协同过滤层的输出层(Layer X)的维度决定了模型的能力。最终的输出是预测分数
可优选地，筛选用户近半年的充电交互数据，统计用户在半年内所到过的地理位置，计算在各个位置与充电桩的交互次数，按次数多少进行位置的权重排序，在协同神经网络中将位置权重带入进行计算，以达到减少CPU负荷并增强算法精准度的目的。
一些实施例中，S300之前，还包括：
S240：设定预测目标值并通过最小化所述预测目标值与所述预测分数之间的均方误差对所述NCF预测模型进行训练。
进一步地，S240包括步骤：
S241：根据第一公式设置目标函数，所述第一公式包括：
其中，yui为预测目标值，
为预测分数，，L为目标函数，y表示用户和充电桩的交互行为生成的交互矩阵中的观测数据，且y-表示所述观测数据的负样本；
S242:求解所述目标函数获取所述NCF预测模型的最佳参数值。
可优选地，将用户最近一次交互行为作为所述预测目标值.
可以理解的是，根据用户对充电桩的最近一次或多次选择打标签，将该标签作为算法预测的目标值，对于预测出的结果，首先判断该次标签是否出现在结果列表中，其次判断该标签在列表中出现的顺序是否靠前，以此达到预测精准的目的。
本发明实施例中涉及的目标值以及其他权重可根据不断积累的电动车充电数据进行反复迭代修正。
一些实施例中，S300包括步骤：
S310:获取用户的当前SOC告警位置；
S320:基于所述充电桩推荐列表计算用户与各推荐充电桩的距离；
S330:按照用户剩余电量可达距离范围在所述各推荐充电桩中筛选出符合所述当前SOS告警位置的充电桩进行推送。
本发明实施例，将匹配列表中充电桩位置与用户SOC告警位置进行匹配，计算两者距离，排除掉剩余SOC不可达的充电桩，剩余列表中充电桩即为给用户的推荐充电桩。
一些实施例中，S300对用户进行推送时，若所述当前SOC告警位置为用户从未去过的区域，则收集用户当前位置信息，并根据用户当前位置信息查找对应的区域分组，并按照对应区域分组下的充电桩推荐列表进行推荐。
可以理解的是，虽然用户当前位置为未去过的区域，但由于本发明实施例中计算充电桩推荐列表时，已经将地理位置因素作为权重因子纳入协同神经网络的算法中，因此，任一陌生区域中其他用户的喜好度已可以被计算出来。因此可将该区域分组下的计算结果(充电桩推荐列表)直接应用到此用户即可。
一些实施例中，预测后对于该车辆接下来SOC告警时，将会在驾驶员驾驶期间主动推送“感兴趣的充电桩”的提醒，当车辆驾驶人员在车端选择“感兴趣的充电桩”提醒列表时，向用户推送预测的充电桩列表，给用户提供充电选项。
本发明技术方案带来的有益效果包括：
本发明根据用户与充电桩的交互数据结合协同神经网络预测用户对还未交互过的充电桩的喜好程度，更加匹配用户的主观性选择，另外按照本方法提供的充电桩推荐可以在用户于陌生位置SOC告警时推送用户喜欢的充电桩，同时本方法可通过不断输入数据反复迭代优化模型推荐结果。
相较于相关技术针对一个平台(例如一个超市)对应多个用户来进行计算，无地理上和时间上的区别，仅需考虑用户和商品之间的关联度，本发明实施例并不能只考虑用户与充电桩的互动，还将地理位置(如城市)作为影响用户选择的一个重要因素，纳入后续的计算中。且在计算完推荐充电桩列表后，会将列表与用户SOC告警位置进行匹配，剔除掉用户到不了的充电桩，再进行推送。可使充电桩的推荐更符合用户选择逻辑，结果更精确。
另一方面，本发明实施例还提供一种设备，其包括：至少一个处理器；以及与所述至少一个处理器耦合的存储器，所述存储器包含有存储于其中的指令，所述指令在被所述处理器加载并执行，以实现方法实施例中任一项所述的方法。
可以理解的是，该设备能够实现前述方法实施例中任一方法所能达到的技术效果，其技术效果的范围是相当的。
在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，在本发明中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于协同过滤的用户充电桩推荐方法，其特征在于，根据时空因素对用户与充电桩的交互行为进行分组，并根据不同分组分别采用协同神经网络计算充电桩推荐列表，所述方法包括步骤：
基于用户与充电桩的交互信息获取用户与充电桩的交互情况与交互地理位置并生成用户对充电桩及充电桩对用户的二值化矩阵；
将所述二值化矩阵作为输入向量导入所述协同神经网络中计算对用户的充电桩推荐列表；
将所述对用户的充电桩推荐列表与用户当前SOC告警位置进行匹配后推荐符合所述当前SOS告警位置条件的充电桩。
2.如权利要求1所述的一种基于协同过滤的用户充电桩推荐方法，其特征在于，所述交互情况包括产生交互与未产生交互；
所述生成用户对充电桩及充电桩对用户的二值化矩阵，包括步骤：
在同一分组下根据所述交互地理位置，将用户对充电桩及充电桩对用户的交互情况分别用one-hot编码的二值化向量表示，并分别记为用户向量和充电桩向量，且
所述用户向量包含该用户对所述交互地理位置的所有充电桩的交互情况，
所述充电桩向量包含该充电桩对所有用户的交互情况。
3.如权利要求2所述的一种基于协同过滤的用户充电桩推荐方法，其特征在于，将所述二值化矩阵作为输入向量导入所述协同神经网络中计算对用户的充电桩推荐列表，包括步骤：
将所述用户向量与所述充电桩向量共同作为输入层向量导入所述协同神经网络的embedding层进行矩阵分解获取稠密向量；
基于所述协同神经网络的NCF预测模型将所述稠密向量映射成预测分数，且所述NCF预测模型表示为：
根据所述预测分数确定对用户的充电桩推荐列表。
4.如权利要求3所述的一种基于协同过滤的用户充电桩推荐方法，其特征在于，在所述根据所述预测分数确定对用户的充电桩推荐列表之前，还包括步骤：
设定预测目标值并通过最小化所述预测目标值与所述预测分数之间的均方误差对所述NCF预测模型进行训练。
5.如权利要求4所述的一种基于协同过滤的用户充电桩推荐方法，其特征在于，所述通过最小化所述预测目标值与所述预测分数之间的均方误差对所述NCF预测模型进行训练，包括步骤：
根据第一公式设置目标函数，所述第一公式包括：
其中，yui为预测目标值，
为预测分数，L为目标函数，y表示用户和充电桩的交互行为生成的交互矩阵中的观测数据，且y-表示所述观测数据的负样本；
求解所述目标函数获取所述NCF预测模型的最佳参数值。
6.如权利要求4所述的一种基于协同过滤的用户充电桩推荐方法，其特征在于，将用户最近一次或多次交互行为作为所述预测目标值。
7.如权利要求1所述的一种基于协同过滤的用户充电桩推荐方法，其特征在于，所述根据时空因素对用户与充电桩的交互行为进行分组，包括步骤：
进行按区域分组，其用于根据区域划分将属于同一区域内用户与充电桩的交互行为分在同一大组；
在所述按区域分组后，可选择地进行按不同时间区间分组，且所述按不同时间区间分组包括将属于同一时间区间内用户与充电桩的交互行为分在同一小组；
将大组或小组的分组情况作为最终的分组结果。
8.如权利要求1所述的一种基于协同过滤的用户充电桩推荐方法，其特征在于，将所述对用户的充电桩推荐列表与用户当前SOC告警位置进行匹配后推荐符合所述当前SOS告警位置条件的充电桩，包括步骤：
获取用户的当前SOC告警位置；
基于所述充电桩推荐列表计算用户与各推荐充电桩的距离；
按照用户剩余电量可达距离范围在所述各推荐充电桩中筛选出符合所述当前SOS告警位置的充电桩进行推送。
9.如权利要求1所述的一种基于协同过滤的用户充电桩推荐方法，其特征在于，将所述对用户的充电桩推荐列表与用户当前SOC告警位置进行匹配后推荐符合所述当前SOS告警位置条件的充电桩，包括步骤：
若所述当前SOC告警位置为用户从未去过的区域，则收集用户当前位置信息，并根据用户当前位置信息查找对应的区域分组，并按照对应区域分组下的充电桩推荐列表进行推荐。
10.一种设备，其特征在于，所述设备包括：至少一个处理器；以及与所述至少一个处理器耦合的存储器，所述存储器包含有存储于其中的指令，所述指令在被所述处理器加载并执行，以实现如权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210901063.9A CN115293846A (zh) | 2022-07-28 | 2022-07-28 | 一种基于协同过滤的用户充电桩推荐方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210901063.9A CN115293846A (zh) | 2022-07-28 | 2022-07-28 | 一种基于协同过滤的用户充电桩推荐方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115293846A true CN115293846A (zh) | 2022-11-04 |
Family
ID=83825186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210901063.9A Pending CN115293846A (zh) | 2022-07-28 | 2022-07-28 | 一种基于协同过滤的用户充电桩推荐方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115293846A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117176547A (zh) * | 2023-08-17 | 2023-12-05 | 鸿图百奥科技(广州)有限公司 | 一种通信设备的管控方法及系统 |
| WO2024239494A1 (zh) * | 2023-05-25 | 2024-11-28 | 东风汽车集团股份有限公司 | 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132608A (zh) * | 2020-09-15 | 2020-12-25 | 北京慧辰资道资讯股份有限公司 | 基于电力物联网大数据的充电服务智能推荐方法及装置 |
| CN112150238A (zh) * | 2020-09-07 | 2020-12-29 | 湖北工业大学 | 一种基于深度神经网络的商品推荐方法及系统 |
| CN113505151A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦（北京）科技有限公司 | 一种节能减排的充电站显示方法及电子设备 |
-
2022
- 2022-07-28 CN CN202210901063.9A patent/CN115293846A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150238A (zh) * | 2020-09-07 | 2020-12-29 | 湖北工业大学 | 一种基于深度神经网络的商品推荐方法及系统 |
| CN112132608A (zh) * | 2020-09-15 | 2020-12-25 | 北京慧辰资道资讯股份有限公司 | 基于电力物联网大数据的充电服务智能推荐方法及装置 |
| CN113505151A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦（北京）科技有限公司 | 一种节能减排的充电站显示方法及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| XIANGNAN HE: "Neural Collaborative Filtering", 2017 INTERNATIONAL WORLD WIDE WEB CONFERENCE COMMITTEE, 26 August 2017 (2017-08-26), pages 1 - 10 * |
| 吴敏: "深度学习框架下充电桩的个性化推荐算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 August 2020 (2020-08-15), pages 18 - 25 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024239494A1 (zh) * | 2023-05-25 | 2024-11-28 | 东风汽车集团股份有限公司 | 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统 |
| CN117176547A (zh) * | 2023-08-17 | 2023-12-05 | 鸿图百奥科技(广州)有限公司 | 一种通信设备的管控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
| Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
| CN111428137B (zh) | 一种电动汽车充电设施的推荐方法及推荐装置 | |
| CN111127130B (zh) | 基于用户偏好的能源站点推荐方法、存储介质和电子设备 | |
| CN115293846A (zh) | 一种基于协同过滤的用户充电桩推荐方法及设备 | |
| Hu et al. | Crowdsourcing-based real-time urban traffic speed estimation: From trends to speeds | |
| CN111310055A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
| US12078498B2 (en) | Personalized mobility as a service | |
| US12163796B2 (en) | Method for predicting the destination location of a vehicle | |
| JP2009521665A (ja) | オープン・ワールド・モデリング法およびクローズド・ワールド・モデリング法を用いて部分的軌跡から目的地を予測する方法 | |
| US20230051766A1 (en) | Method, apparatus, and computer program product for predicting electric vehicle charge point utilization | |
| CN113971893B (zh) | 一种车位推荐方法、装置及存储介质 | |
| CN109425356A (zh) | 路径推测装置、路径推测方法以及计算机可读介质 | |
| TWI591492B (zh) | Energy consumption estimation system and method | |
| CN115330281B (zh) | 智慧城市新能源汽车充电服务方法、系统、装置和介质 | |
| US20230351477A1 (en) | Merchant Selection Model for Dynamic Management of Add-Ons for Delivery Service Orders | |
| US20230052733A1 (en) | Method, apparatus, and computer program product for predicting electric vehicle charge point utilization | |
| Irio et al. | A comparative evaluation of probabilistic and deep learning approaches for vehicular trajectory prediction | |
| Mishra et al. | Exploratory data analysis for electric vehicle driving range prediction: insights and evaluation | |
| CN118274862B (zh) | 基于Bi-LSTM-attention神经网络的多目的地路径规划方法 | |
| Priya et al. | Optimizing the Selection of Intermediate Charging Stations in EV Routing Through Neuro-Fuzzy Logic | |
| CN115131987B (zh) | 停车位推荐方法、装置、计算机设备和存储介质 | |
| CN117744950B (zh) | 出行需求分析方法、装置、设备及存储介质 | |
| CN115865714B (zh) | 用网需求预测及网络调度方法 | |
| Tang et al. | Who Will Travel With Me? Personalized Ranking Using Attributed Network Embedding for Pooling |
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 |