CN115759887A - 一种基于多维度的充电站选址智能测评方法及系统 - Google Patents

一种基于多维度的充电站选址智能测评方法及系统 Download PDF

Info

Publication number
CN115759887A
CN115759887A CN202310035891.3A CN202310035891A CN115759887A CN 115759887 A CN115759887 A CN 115759887A CN 202310035891 A CN202310035891 A CN 202310035891A CN 115759887 A CN115759887 A CN 115759887A
Authority
CN
China
Prior art keywords
factor
internal
charging station
external
site selection
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.)
Granted
Application number
CN202310035891.3A
Other languages
English (en)
Other versions
CN115759887B (zh
Inventor
杜双育
姜磊
郑静楠
马苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Brilliant Data Analytics Inc
Original Assignee
Brilliant Data Analytics Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Brilliant Data Analytics Inc filed Critical Brilliant Data Analytics Inc
Priority to CN202310035891.3A priority Critical patent/CN115759887B/zh
Publication of CN115759887A publication Critical patent/CN115759887A/zh
Application granted granted Critical
Publication of CN115759887B publication Critical patent/CN115759887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Meter Arrangements (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能决策领域，揭露一种基于多维度的充电站选址智能测评方法及系统，所述方法包括：识别待测评充电站的业务场景，以查询待测评充电站的充电站分布网格，从充电站分布网格中筛选出与待测评充电站具有同类型的历史充电站；识别历史充电站的选址影响因子，将选址影响因子划分为内部影响因子和外部影响因子，识别内部影响因子和外部影响因子之间的因子关联关系；基于内部影响因子、外部影响因子及因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型；采集待测评充电站的当前选址因子，根据当前选址因子，计算待测评充电站的选址评分，以确定待测评充电站的选址结果。本发明可以提高充电站选址的精准性。

Description

一种基于多维度的充电站选址智能测评方法及系统
技术领域
本发明涉及智能决策领域，尤其涉及一种基于多维度的充电站选址智能测评方法及系统。
背景技术
充电站的选址是指在满足车主多方面需求的同时，尽量考虑后期增值服务的建设，以使收益最大化。
随着电动汽车数量的快速增长，实际生活中由于充电站的选址不当造成的问题日趋凸显，如在充电需求方面，用户无法在附近找到充电站，给生活和出行带来了极大的不便；在充电站运营方面，充电设施大规模建设，但充电站利用率却很低，极大地浪费了社会资源。
目前充电站的选址大都采用建立单一的充电站选址智能测评模型来确定充电站选址结果，而没有综合多维度测评模型的多维特征，从而导致充电站选址的精准性不高。
发明内容
本发明提供一种基于多维度的充电站选址智能测评方法及系统，其主要目的在于提高充电站选址的精准性。
为实现上述目的，本发明提供的一种基于多维度的充电站选址智能测评方法，包括：
识别待测评充电站的业务场景，根据所述业务场景，查询所述待测评充电站的充电站分布网格，并从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站；
识别所述历史充电站的选址影响因子，将所述选址影响因子划分为内部影响因子和外部影响因子，并识别所述内部影响因子和所述外部影响因子之间的因子关联关系；
基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型；
采集所述待测评充电站的当前选址因子，根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分，以基于所述选址评分，确定所述待测评充电站的选址结果。
可选地，所述识别所述内部影响因子和所述外部影响因子之间的因子关联关系，包括：
利用下述公式计算所述内部影响因子和所述外部影响因子之间的相关系数：
Figure 811075DEST_PATH_IMAGE001
其中，
Figure 774352DEST_PATH_IMAGE002
表示内部影响因子和外部影响因子之间的相关系数，
Figure 664947DEST_PATH_IMAGE003
表示 内部影响因子和外部影响因子之间的协方差，
Figure 196423DEST_PATH_IMAGE004
表示内部影响因子的标准差，
Figure 539680DEST_PATH_IMAGE005
表示外部 影响因子的标准差，
Figure 290336DEST_PATH_IMAGE006
表示内部影响因子，
Figure 35438DEST_PATH_IMAGE007
表示外部影响因子；
根据所述相关系数，构建所述内部影响因子和所述外部影响因子的相关矩阵；
根据所述相关矩阵，识别所述内部影响因子和所述外部影响因子之间的因子关联关系。
可选地，所述基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型，包括：
构建所述内部影响因子和所述外部影响因子的因子评分体系和因子影响权重；
识别所述内部影响因子和所述外部影响因子对应的历史充电站，基于所述因子评分体系、所述因子影响权重及所述因子关联关系，计算所述历史充电站的因子评测得分；
从预构建的多源数据库中，以预构建的第一比例随机选取训练样本，从所述内部影响因子和所述外部影响因子中，以预构建的第二比例随机选取影响因子特征；
根据所述训练样本和所述影响因子特征及所述选址评测得分，构建所述历史充电站的选址决策树；
基于所述选址决策树，构建所述历史充电站的选址随机森林；
根据所述选址随机森林，确定训练好的充电站选址测评模型。
可选地，所述构建所述内部影响因子和所述外部影响因子的因子评分体系和因子影响权重，包括：
构建所述内部影响因子和所述外部影响因子的树状层次结构，根据所述树状层次结构，构建所述内部影响因子和所述外部影响因子的因子评分体系及定量化标度；
根据所述定量化标度,分别构建所述内部影响因子和所述外部影响因子的内因判断矩阵和外因判断矩阵，根据所述内因判断矩阵和外因判断矩阵，分别计算所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重，根据所述内部因子权重和所述外部因子权重，确定所述内部影响因子和所述外部影响因子的因子影响权重。
可选地，所述根据所述内因判断矩阵和外因判断矩阵，分别计算所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重，包括：
对所述内因判断矩阵和所述外因判断矩阵进行列规范化处理，得到规范内因矩阵和规范外因矩阵，对所述规范内因矩阵和所述规范外因矩阵进行权重行规范处理，得到内因权重向量和外因权重向量；
根据所述内因权重向量和所述外因权重向量，利用下述公式计算所述规范内因矩阵和所述规范外因矩阵的内因最大特征值和外因最大特征值：
Figure 737815DEST_PATH_IMAGE008
Figure 693001DEST_PATH_IMAGE009
Figure 873447DEST_PATH_IMAGE010
Figure 473055DEST_PATH_IMAGE011
其中，
Figure 956120DEST_PATH_IMAGE012
，
Figure 273969DEST_PATH_IMAGE013
分别表示规范内因矩阵和规范外因矩阵的内因最大特征值和 外因最大特征值，
Figure 523685DEST_PATH_IMAGE014
，
Figure 102434DEST_PATH_IMAGE015
分别表示规范内因矩阵和规范外因矩阵，
Figure 881034DEST_PATH_IMAGE016
分别表示内 因权重向量和外因权重向量,
Figure 686179DEST_PATH_IMAGE017
，
Figure 579399DEST_PATH_IMAGE018
分别表示规范内因矩阵与内因权重向量 乘积的第
Figure DEST_PATH_IMAGE019
个向量分量、规范外因矩阵与外因权重向量乘积的第
Figure 888020DEST_PATH_IMAGE019
个向量分量，
Figure 227735DEST_PATH_IMAGE020
，
Figure 254597DEST_PATH_IMAGE021
分别表 示内因权重向量的第
Figure 580536DEST_PATH_IMAGE019
个向量分量和外因权重向量的第
Figure 884609DEST_PATH_IMAGE019
个向量分量，
Figure 270591DEST_PATH_IMAGE022
，
Figure 784749DEST_PATH_IMAGE023
分别表示规范内因 矩阵的行列数量和规范外因矩阵的行列数量；
根据所述内因最大特征值，计算所述规范内因矩阵的内因一致性比率，及根据所述外因最大特征值，计算所述规范外因矩阵的外因一致性比率，在所述内因一致性比率和所述外因一致性比率小于预设阈值时，识别所述内因权重向量和所述外因权重向量中的每个分量作为所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重。
可选地，所述根据所述内因最大特征值，计算所述规范内因矩阵的内因一致性比率，包括：
利用下述公式计算所述规范内因矩阵的内因一致性指标：
Figure 39013DEST_PATH_IMAGE024
其中，
Figure 322227DEST_PATH_IMAGE025
表示规范内因矩阵的内因一致性指标，
Figure 879110DEST_PATH_IMAGE026
表示规范内因矩阵的内因最 大特征值，
Figure 254466DEST_PATH_IMAGE027
表示规范内因矩阵的行列数量。
根据所述内因一致性指标，利用下述公式计算所述规范内因矩阵的内因一致性比率：
Figure 922207DEST_PATH_IMAGE028
其中，
Figure 325507DEST_PATH_IMAGE029
表示规范内因矩阵的内因一致性比率，
Figure 177925DEST_PATH_IMAGE025
表示规范内因矩阵的内因一致 性指标，
Figure 401096DEST_PATH_IMAGE030
表示随机一致性指标，可通过查询预设的
Figure 872529DEST_PATH_IMAGE030
统计表得到。
可选地，所述基于所述因子评分体系、所述因子影响权重及所述因子关联关系，计算所述历史充电站的因子评测得分，包括：
识别所述历史充电站的内部影响因子和外部影响因子，基于所述因子评分体系，确定所述内部影响因子的内部因子评分和所述外部影响因子的外部因子评分，识别所述因子关联关系的因子相关系数；
根据所述内部因子评分、所述因子影响权重中的内部因子权重及所述因子相关系数，利用下述公式计算所述历史充电站的内部因子评测得分：
Figure 5701DEST_PATH_IMAGE031
其中，
Figure 169966DEST_PATH_IMAGE032
表示历史充电站的内部因子评测得分，
Figure 880433DEST_PATH_IMAGE033
表示内部因子评分，
Figure 14611DEST_PATH_IMAGE034
表示内部 因子权重，
Figure 392503DEST_PATH_IMAGE035
表示与当前内部因子相关的第
Figure 196511DEST_PATH_IMAGE019
个外部因子的相关系数，
Figure 36684DEST_PATH_IMAGE019
表示与当前内部因子 相关的外部因子的序号，
Figure 849920DEST_PATH_IMAGE027
表示与当前内部因子相关的外部因子的数量；
根据所述外部因子评分、所述因子影响权重中的外部因子权重，利用下述公式计算所述历史充电站的外部因子评测得分：
Figure 816739DEST_PATH_IMAGE036
其中，
Figure 447440DEST_PATH_IMAGE037
表示历史充电站的外部因子评测得分，
Figure 132499DEST_PATH_IMAGE038
表示外部因子评分，
Figure 483846DEST_PATH_IMAGE039
表示外 部因子权重；
根据所述内部因子评测得分和所述外部因子评测得分，确定所述历史充电站的因子评测得分。
可选地，所述根据所述训练样本和所述影响因子特征及所述选址评测得分，构建所述历史充电站的选址决策树，包括：
计算所述训练样本在每个所述影响因子特征的信息增益，利用预设的增益阈值，在所述信息增益大于所述增益阈值时，聚合所述信息增益对应的所述影响因子特征为候选因子特征；
计算所述候选因子特征的信息增益率，将所述信息增益率最大的所述候选因子特征作为根节点；
从所述影响因子特征中删去所述根节点，得到更新因子特征，返回计算所述训练样本在每个所述更新因子特征的信息增益，得到中间节点；
从所述更新因子特征中删去所述中间节点，得到再更新因子特征，返回计算所述训练样本在每个所述再更新因子特征的信息增益，得到叶子节点；
根据所述根节点、所述中间节点、所述叶子节点及所述选址评测得分，构建所述历史充电站的选址决策树。
可选地，所述计算所述训练样本在每个所述影响因子特征的信息增益，包括：
利用下述公式计算所述训练样本在每个所述影响因子特征的信息增益：
Figure 446117DEST_PATH_IMAGE040
Figure 123086DEST_PATH_IMAGE041
Figure 29862DEST_PATH_IMAGE042
其中，
Figure 309534DEST_PATH_IMAGE043
表示训练样本
Figure 516524DEST_PATH_IMAGE044
在影响因子特征
Figure DEST_PATH_IMAGE045
上的信息增益，
Figure 207137DEST_PATH_IMAGE046
表示训练样 本
Figure 866789DEST_PATH_IMAGE044
的信息熵，
Figure DEST_PATH_IMAGE047
表示在影响因子特征
Figure 418993DEST_PATH_IMAGE045
下训练样本
Figure 214911DEST_PATH_IMAGE044
的条件熵，
Figure 968103DEST_PATH_IMAGE048
表示对训练样本第
Figure 990417DEST_PATH_IMAGE019
个目标分类结果的概率，
Figure 752836DEST_PATH_IMAGE049
表示影响因子特征的第
Figure 668840DEST_PATH_IMAGE050
个分类特征，
Figure 451988DEST_PATH_IMAGE051
表示属于影响因子特征 的第
Figure 86232DEST_PATH_IMAGE050
个分类特征的训练样本数量，
Figure 386763DEST_PATH_IMAGE052
表示训练样本总数量，
Figure 528245DEST_PATH_IMAGE019
表示目标分类结果的序号，
Figure 623240DEST_PATH_IMAGE027
表 示目标分类结果的数量，
Figure 744779DEST_PATH_IMAGE050
表示影响因子特征
Figure 708056DEST_PATH_IMAGE045
的分类特征的序号，k表示影响因子特征B的 分类特征的数量，
Figure DEST_PATH_IMAGE053
表示以2为底的对数符号。
为了解决上述问题，本发明还提供一种基于多维度的充电站选址智能测评系统，所述系统包括：
分布网格查询模块，用于识别待测评充电站的业务场景，根据所述业务场景，查询所述待测评充电站的充电站分布网格，并从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站；
因子关联关系识别模块，用于识别所述历史充电站的选址影响因子，将所述选址影响因子划分为内部影响因子和外部影响因子，并识别所述内部影响因子和所述外部影响因子之间的因子关联关系；
选址测评模型生成模块，用于基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型；
选址结果确定模块，用于采集所述待测评充电站的当前选址因子，根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分，以基于所述选址评分，确定所述待测评充电站的选址结果。
可以看出，本发明实施例通过识别待测评充电站的业务场景可以确定充电站选址的测评环境，根据所述业务场景，查询所述待测评充电站的充电站分布网格可以确定待测评充电站的分布区域及所述分布区域内充电站点运营潜在影响因素，从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站可以为后续提取充电站运营的潜在影响因子提供参考，通过识别所述历史充电站的选址影响因子为后续测评充电站选址优劣的重要参考特征，将所述选址影响因子划分为内部影响因子和外部影响因子可以确定由自身充电站的建设条件决定的内部影响因子和由充电站的外部条件决定的外部影响因子，并为后续建立两者之间的关联关系以构建充电站的选址测评模型；其次，本发明实施例通过识别所述内部影响因子和所述外部影响因子之间的因子关联关系确定充电站选址的内部影响因子与外部影响因子之间的综合关联关系，以为后续更准确的构建充电站选址测评模型。3通过基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练可以得到最终训练好的充电站选址测评模型，以对后续充电站选址进行更准确的测评；进一步地，本发明实施例通过采集所述待测评充电站的当前选址因子可以得到待测评充电站的当前评测数据，根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分可以得到待测评充电站的选址评测得分，为属地充电场站智能选址和运营商提供服务。基于所述选址评分，确定所述待测评充电站的选址结果可以得到最终的待测评充电站的选址测评结果，满足属地及运营商的选址建站需求，实现高效精准选址。因此，本发明实施例提出的一种基于多维度的充电站选址智能测评方法，可以提高充电站选址的精准性。
附图说明
图1为本发明一实施例提供的基于多维度的充电站选址智能测评方法的流程示意图；
图2为本发明一实施例提供的基于多维度的充电站选址智能测评系统的模块示意图；
本发明目的的实现、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发明，并不用于限定本发明。
本发明实施例提供一种基于多维度的充电站选址智能测评方法。所述基于多维度的充电站选址智能测评方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于多维度的充电站选址智能测评方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于多维度的充电站选址智能测评方法的流程示意图。在本发明实施例中，所述基于多维度的充电站选址智能测评方法包括：
S1、识别待测评充电站的业务场景，根据所述业务场景，查询所述待测评充电站的充电站分布网格，并从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站。
本发明实施例中，所述业务场景是指通过用户与产品的交互过程使得产品或服务满足用户需求或解决用户问题的空间环境，其可通过对待测评充电站业务需求和需求目标进行分析识别。其中，所述待测评充电站是指即将被测评的由三台及三台以上的电动汽车非车载充电机和（或）交流充电桩组成（其中至少有一台非车载充电机），既能够为电动汽车提供充电和（或）电池更换服务，还能够在电动汽车充电过程中对动力蓄电池和充电机进行状态监控的场所。
本发明实施例通过根据所述业务场景，查询所述待测评充电站的充电站分布网格可以确定待测评充电站的分布区域及所述分布区域内充电站点运营潜在影响因素。
进一步地，作为本发明的一个实施例，所述根据所述业务场景，查询所述待测评充电站的充电站分布网格，包括：根据预构建的多源数据库，构建充电站的地理分布图，利用空间索引算法，将所述地理分布图划分为若干六边形网格；根据所述六边形网格，构建充电站分布网；识别所述待测评充电站的地址，在所述多源数据库中查询所述地址对应的地理坐标，在所述充电站分布网中查询所述地理坐标所在的对应所述六边形网格，将所述六边形网格作为所述待测评充电站的充电站分布网格。其中，所述多源数据库是通过融合车联网平台国网站点运营数据、政府平台其他竞争运营商数据、地图外部环境商圈数据和地理坐标数据、车辆管理平台车主信息数据构建的数据库。其中，所述空间索引算法是指将地球空间划分成可识别的单元，并能将经纬度编码成六边形的网格索引的算法。
进一步地，本发明实施例通过从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站可以为后续提取充电站运营的潜在影响因子提供参考。其中，充电站类型是指根据充电方式的不同，将充电站划分的不同类别，如慢速充电桩、快速充电站以及电池更换站。
进一步地，作为本发明的一个可选实施例，所述从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站可通过识别所述待测评充电站的类型，并在所述充电站分布网格中查询所述类型对应的历史充电站实现。
S2、识别所述历史充电站的选址影响因子，将所述选址影响因子划分为内部影响因子和外部影响因子，并识别所述内部影响因子和所述外部影响因子之间的因子关联关系。
本发明实施例通过识别所述历史充电站的选址影响因子为后续测评充电站选址优劣的重要参考特征。其中，所述选址影响因子是指为提高充电站收益而在衡量某个特定指标时影响充电站选址效果增加的变量，如周边竞争充电站点密度、周边商圈密度、停车场密度、住宅密度、周边充电站点利用率、停车费、区域道路拥堵度等选址影响因子。
进一步地，作为本发明的一个可选实施例，所述识别所述历史充电站的选址影响因子，包括：识别所述历史充电站的业务场景，根据所述业务场景，分析所述历史充电站的业务需求和业务目标；根据所述业务需求和所述业务目标，构建所述历史充电站的选址影响指标；根据所述选址影响指标，分析所述选址影响指标的构成因素，识别所述构成因素中的选址影响因子。其中，所述选址影响指标是衡量充电站选址优劣的目标参数，是预期中打算达到的指数、规格、标准，其一般用数据表示，如环境热度、需求潜力、竞争强度、建设条件及投入产出等选址影响指标。
进一步地，本发明实施例通过将所述选址影响因子划分为内部影响因子和外部影响因子可以确定由自身充电站的建设条件决定的内部影响因子和由充电站的外部条件决定的外部影响因子，并为后续建立两者之间的关联关系以构建充电站的选址测评模型，其可通过分析影响因子的来源实现。
进一步地，本发明实施例通过识别所述内部影响因子和所述外部影响因子之间的因子关联关系可以确定充电站选址的内部影响因子与外部影响因子之间的综合关联关系，以为后续更准确的构建充电站选址测评模型。
进一步地，作为本发明的一个可选实施例，所述识别所述内部影响因子和所述外部影响因子之间的因子关联关系，包括：
利用下述公式计算所述内部影响因子和所述外部影响因子之间的相关系数：
Figure 67493DEST_PATH_IMAGE001
其中，
Figure 598969DEST_PATH_IMAGE002
表示内部影响因子和外部影响因子之间的相关系数，
Figure 552013DEST_PATH_IMAGE003
表示 内部影响因子和外部影响因子之间的协方差，
Figure 459926DEST_PATH_IMAGE004
表示内部影响因子的标准差，
Figure 64082DEST_PATH_IMAGE005
表示外部 影响因子的标准差，
Figure 766459DEST_PATH_IMAGE006
表示内部影响因子，
Figure 597012DEST_PATH_IMAGE007
表示外部影响因子；
根据所述相关系数，构建所述内部影响因子和所述外部影响因子的相关矩阵；
根据所述相关矩阵，识别所述内部影响因子和所述外部影响因子之间的因子关联关系。
S3、基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型。
本发明实施例通过基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练可以得到最终训练好的充电站选址测评模型，以对后续充电站选址进行更准确的测评。
进一步地，作为本发明的一个可选实施例，所述基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型，包括：构建所述内部影响因子和所述外部影响因子的因子评分体系和因子影响权重；识别所述内部影响因子和所述外部影响因子对应的历史充电站，基于所述因子评分体系、所述因子影响权重及所述因子关联关系，计算所述历史充电站的因子评测得分；从预构建的多源数据库中，以预构建的第一比例随机选取训练样本，从所述内部影响因子和所述外部影响因子中，以预构建的第二比例随机选取影响因子特征；根据所述训练样本和所述影响因子特征及所述选址评测得分，构建所述历史充电站的选址决策树；基于所述选址决策树，构建所述历史充电站的选址随机森林；根据所述选址随机森林，确定训练好的充电站选址测评模型。
其中，所述选址决策树是在已知各种情况发生概率的基础上，通过构成充电站的选址决策树来评价项目风险，判断选址可行性的决策分析方法和直观运用概率分析的一种图解法。所述选址随机森林是一个包含多个选址决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。
进一步地，作为本发明的一个可选实施例，所述构建所述内部影响因子和所述外部影响因子的因子评分体系和因子影响权重，包括：构建所述内部影响因子和所述外部影响因子的树状层次结构，根据所述树状层次结构，构建所述内部影响因子和所述外部影响因子的因子评分体系及定量化标度；根据所述定量化标度,分别构建所述内部影响因子和所述外部影响因子的内因判断矩阵和外因判断矩阵，根据所述内因判断矩阵和外因判断矩阵，分别计算所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重，根据所述内部因子权重和所述外部因子权重，确定所述内部影响因子和所述外部影响因子的因子影响权重。
进一步地，作为本发明的可选实施例，所述根据所述树状层次结构，构建所述内部影响因子和所述外部影响因子的因子评分体系及定量化标度可以通过提取充电站选址的业务目标，并根据所述树状层次结构和所述业务目标，采用专家打分、用户问卷等方式构建所述内部影响因子和所述外部影响因子的因子评分体系；所述定量化标度可运用专家打分将所有所述内部影响因子和所述外部影响因子两两比较确定，如表示两个因子相比同样重要标度为1，表示两个因子相比一个因子比另一个因子稍微重要标度为3等等。
进一步地，作为本发明的一个可选实施例，所述根据所述内因判断矩阵和外因判断矩阵，分别计算所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重，包括：
对所述内因判断矩阵和所述外因判断矩阵进行列规范化处理，得到规范内因矩阵和规范外因矩阵，对所述规范内因矩阵和所述规范外因矩阵进行权重行规范处理，得到内因权重向量和外因权重向量；
根据所述内因权重向量和所述外因权重向量，利用下述公式计算所述规范内因矩阵和所述规范外因矩阵的内因最大特征值和外因最大特征值：
Figure 43037DEST_PATH_IMAGE008
Figure 750967DEST_PATH_IMAGE009
Figure 624246DEST_PATH_IMAGE010
Figure 942094DEST_PATH_IMAGE011
其中，
Figure 785285DEST_PATH_IMAGE012
，
Figure 504980DEST_PATH_IMAGE013
分别表示规范内因矩阵和规范外因矩阵的内因最大特征值和 外因最大特征值，
Figure 549159DEST_PATH_IMAGE014
，
Figure 964091DEST_PATH_IMAGE015
分别表示规范内因矩阵和规范外因矩阵，
Figure 751919DEST_PATH_IMAGE016
分别表示内 因权重向量和外因权重向量,
Figure 326119DEST_PATH_IMAGE017
，
Figure 665834DEST_PATH_IMAGE018
分别表示规范内因矩阵与内因权重向量 乘积的第
Figure 427116DEST_PATH_IMAGE019
个向量分量、规范外因矩阵与外因权重向量乘积的第
Figure 18635DEST_PATH_IMAGE019
个向量分量，
Figure 558594DEST_PATH_IMAGE020
，
Figure 944576DEST_PATH_IMAGE021
分别表 示内因权重向量的第
Figure 724313DEST_PATH_IMAGE019
个向量分量和外因权重向量的第
Figure 978577DEST_PATH_IMAGE019
个向量分量，
Figure 996211DEST_PATH_IMAGE022
，
Figure 818674DEST_PATH_IMAGE023
分别表示规范内因 矩阵的行列数量和规范外因矩阵的行列数量；
根据所述内因最大特征值，计算所述规范内因矩阵的内因一致性比率，及根据所述外因最大特征值，计算所述规范外因矩阵的外因一致性比率，在所述内因一致性比率和所述外因一致性比率小于预设阈值时，识别所述内因权重向量和所述外因权重向量中的每个分量作为所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重。
其中，所述预设阈值是指一个效应能够产生的临界值，可设定为0.1。
可选地，所述根据所述内因最大特征值，计算所述规范内因矩阵的内因一致性比率，包括：
利用下述公式计算所述规范内因矩阵的内因一致性指标：
Figure 695494DEST_PATH_IMAGE024
其中，
Figure 363236DEST_PATH_IMAGE025
表示规范内因矩阵的内因一致性指标，
Figure 500956DEST_PATH_IMAGE026
表示规范内因矩阵的内因最 大特征值，
Figure 618954DEST_PATH_IMAGE027
表示规范内因矩阵的行列数量。
根据所述内因一致性指标，利用下述公式计算所述规范内因矩阵的内因一致性比率：
Figure 842125DEST_PATH_IMAGE028
其中，
Figure 313557DEST_PATH_IMAGE029
表示规范内因矩阵的内因一致性比率，
Figure 945265DEST_PATH_IMAGE025
表示规范内因矩阵的内因一致 性指标，
Figure 843951DEST_PATH_IMAGE030
表示随机一致性指标，可通过查询预设的
Figure 554418DEST_PATH_IMAGE030
统计表得到。
可选地，所述外因一致性比率与所述内因一致性比率的实现方法相同，在此不再赘述。
进一步地，作为本发明的一个可选实施例，所述基于所述因子评分体系、所述因子影响权重及所述因子关联关系，计算所述历史充电站的因子评测得分，包括：
识别所述历史充电站的内部影响因子和外部影响因子，基于所述因子评分体系，确定所述内部影响因子的内部因子评分和所述外部影响因子的外部因子评分，识别所述因子关联关系的因子相关系数；
根据所述内部因子评分、所述因子影响权重中的内部因子权重及所述因子相关系数，利用下述公式计算所述历史充电站的内部因子评测得分：
Figure 954175DEST_PATH_IMAGE031
其中，
Figure 66487DEST_PATH_IMAGE032
表示历史充电站的内部因子评测得分，
Figure 136075DEST_PATH_IMAGE033
表示内部因子评分，
Figure 474783DEST_PATH_IMAGE034
表示内部 因子权重，
Figure 288018DEST_PATH_IMAGE035
表示与当前内部因子相关的第
Figure 254837DEST_PATH_IMAGE019
个外部因子的相关系数，
Figure 619960DEST_PATH_IMAGE019
表示与当前内部因子 相关的外部因子的序号，
Figure 570598DEST_PATH_IMAGE027
表示与当前内部因子相关的外部因子的数量。
根据所述外部因子评分、所述因子影响权重中的外部因子权重，利用下述公式计算所述历史充电站的外部因子评测得分：
Figure 921945DEST_PATH_IMAGE036
其中，
Figure 379821DEST_PATH_IMAGE037
表示历史充电站的外部因子评测得分，
Figure 56790DEST_PATH_IMAGE038
表示外部因子评分，
Figure 963567DEST_PATH_IMAGE039
表示外 部因子权重；
根据所述内部因子评测得分和所述外部因子评测得分，确定所述历史充电站的因子评测得分。
进一步地，作为本发明的一个可选实施例，所述根据所述训练样本和所述影响因子特征及所述选址评测得分，构建所述历史充电站的选址决策树，包括：计算所述训练样本在每个所述影响因子特征的信息增益，利用预设的增益阈值，在所述信息增益大于所述增益阈值时，聚合所述信息增益对应的所述影响因子特征为候选因子特征；计算所述候选因子特征的信息增益率，将所述信息增益率最大的所述候选因子特征作为根节点；从所述影响因子特征中删去所述根节点，得到更新因子特征，返回计算所述训练样本在每个所述更新因子特征的信息增益，得到中间节点；从所述更新因子特征中删去所述中间节点，得到再更新因子特征，返回计算所述训练样本在每个所述再更新因子特征的信息增益，得到叶子节点；根据所述根节点、所述中间节点、所述叶子节点及所述选址评测得分，构建所述历史充电站的选址决策树。其中，所述增益阈值是指遵循决策树的构建原则，随着决策树深度的增加，节点的熵值下降程度的临界值。
可选地，所述计算所述训练样本在每个所述影响因子特征的信息增益，包括：
利用下述公式计算所述训练样本在每个所述影响因子特征的信息增益：
Figure 243238DEST_PATH_IMAGE040
Figure 450229DEST_PATH_IMAGE041
Figure 766940DEST_PATH_IMAGE042
其中，
Figure 301958DEST_PATH_IMAGE043
表示训练样本
Figure 260687DEST_PATH_IMAGE044
在影响因子特征
Figure 322184DEST_PATH_IMAGE054
上的信息增益，
Figure 200010DEST_PATH_IMAGE046
表示训练样 本
Figure 346958DEST_PATH_IMAGE044
的信息熵，
Figure 578219DEST_PATH_IMAGE047
表示在影响因子特征
Figure 868123DEST_PATH_IMAGE054
下训练样本
Figure 57796DEST_PATH_IMAGE044
的条件熵，
Figure 692040DEST_PATH_IMAGE048
表示对训练样本第
Figure 851626DEST_PATH_IMAGE019
个目标分类结果的概率，
Figure 622136DEST_PATH_IMAGE049
表示影响因子特征的第
Figure 717131DEST_PATH_IMAGE050
个分类特征，
Figure 714037DEST_PATH_IMAGE051
表示属于影响因子特征 的第
Figure 552680DEST_PATH_IMAGE050
个分类特征的训练样本数量，
Figure 443275DEST_PATH_IMAGE052
表示训练样本总数量，
Figure 833805DEST_PATH_IMAGE019
表示目标分类结果的序号，
Figure 177062DEST_PATH_IMAGE027
表 示目标分类结果的数量，
Figure 84975DEST_PATH_IMAGE050
表示影响因子特征
Figure 941329DEST_PATH_IMAGE054
的分类特征的序号，
Figure 643706DEST_PATH_IMAGE055
数量，
Figure 474259DEST_PATH_IMAGE053
表示以2为底的对数符号。
可选地，所述计算所述候选因子特征的信息增益率，包括：
利用下述公式计算所述候选因子特征的信息增益率：
Figure 513759DEST_PATH_IMAGE056
其中，
Figure 378947DEST_PATH_IMAGE057
表示训练样本
Figure 252225DEST_PATH_IMAGE044
在候选因子特征的信息增益率，
Figure 570074DEST_PATH_IMAGE043
表 示训练样本
Figure 163997DEST_PATH_IMAGE044
在候选因子特征
Figure 883691DEST_PATH_IMAGE045
上的信息增益，
Figure 786925DEST_PATH_IMAGE058
表示候选因子特征
Figure 592070DEST_PATH_IMAGE045
的信息熵，
Figure 379898DEST_PATH_IMAGE044
表示训 练样本，
Figure 62421DEST_PATH_IMAGE045
表示候选因子特征。
进一步地，作为本发明的一个可选实施例，所述根据所述选址随机森林，确定训练好的充电站选址测评模型，包括：查询所述选址随机森林的选址决策树及所述选址决策树包含的影响因子特征对应的决策树影响因子，识别所述决策树影响因子在所述选址决策树中的决策树因子得分；识别历史充电站的选址影响因子，根据所述决策树因子得分，计算所述选址影响因子的因子评测得分，根据所述因子评测得分，确定训练好的充电站选址测评模型。
可选地，所述根据所述决策树因子得分，计算所述选址影响因子的因子评测得分可通过计算所述决策树因子得分的均值实现。
S4、采集所述待测评充电站的当前选址因子，根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分，以基于所述选址评分，确定所述待测评充电站的选址结果。
本发明实施例通过采集所述待测评充电站的当前选址因子可以得到待测评充电站的当前评测数据，所述当前选址因子可通过查询所述待测评充电站的分布网格及预构建的多源数据库得到。
进一步地，本发明实施例通过根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分可以得到待测评充电站的选址评测得分，为属地充电场站智能选址和运营商提供服务。
进一步地，作为本发明的一个可选实施例，所述根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分，包括：获取所述训练好的充电站选址测评模型对应的选址随机森林，计算所述当前选址因子在所述选址随机森林中每个选址决策树的决策树因子得分；计算所述决策树因子得分的平均值，并将所述平均值作为因子评测得分，对所述因子评测得分进行累加求和处理，得到所述待测评充电站的选址评分。
进一步地，本发明实施例通过基于所述选址评分，确定所述待测评充电站的选址结果可以得到最终的待测评充电站的选址测评结果，满足属地及运营商的选址建站需求，实现高效精准选址。
进一步地，作为本发明的一个可选实施例，所述基于所述选址评分，确定所述待测评充电站的选址结果，包括：在所述选址评分大于预构建的评分阈值时，判定所述待测评充电站选址合理；在所述选址评分不大于预构建的评分阈值时，判定所述待测评充电站选址不合理。其中，所述评分阈值是指在测评充电站选址合理性时的评分临界值。
可以看出，本发明实施例通过识别待测评充电站的业务场景可以确定充电站选址的测评环境，根据所述业务场景，查询所述待测评充电站的充电站分布网格可以确定待测评充电站的分布区域及所述分布区域内充电站点运营潜在影响因素，从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站可以为后续提取充电站运营的潜在影响因子提供参考，通过识别所述历史充电站的选址影响因子为后续测评充电站选址优劣的重要参考特征，将所述选址影响因子划分为内部影响因子和外部影响因子可以确定由自身充电站的建设条件决定的内部影响因子和由充电站的外部条件决定的外部影响因子，并为后续建立两者之间的关联关系以构建充电站的选址测评模型；其次，本发明实施例通过识别所述内部影响因子和所述外部影响因子之间的因子关联关系确定充电站选址的内部影响因子与外部影响因子之间的综合关联关系，以为后续更准确的构建充电站选址测评模型。3通过基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练可以得到最终训练好的充电站选址测评模型，以对后续充电站选址进行更准确的测评；进一步地，本发明实施例通过采集所述待测评充电站的当前选址因子可以得到待测评充电站的当前评测数据，根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分可以得到待测评充电站的选址评测得分，为属地充电场站智能选址和运营商提供服务。基于所述选址评分，确定所述待测评充电站的选址结果可以得到最终的待测评充电站的选址测评结果，满足属地及运营商的选址建站需求，实现高效精准选址。因此，本发明实施例提出的一种基于多维度的充电站选址智能测评方法，可以提高充电站选址的精准性。
如图2所示，是本发明基于多维度的充电站选址智能测评系统的功能模块图。
本发明所述基于多维度的充电站选址智能测评系统100可以安装于电子设备中。根据实现的功能，所述基于多维度的充电站选址智能测评系统可以包括分布网格查询模块101、因子关联关系识别模块102、选址测评模型生成模块103以及选址结果确定模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述分布网格查询模块101，用于识别待测评充电站的业务场景，根据所述业务场景，查询所述待测评充电站的充电站分布网格，并从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站；
所述因子关联关系识别模块102，用于识别所述历史充电站的选址影响因子，将所述选址影响因子划分为内部影响因子和外部影响因子，并识别所述内部影响因子和所述外部影响因子之间的因子关联关系；
所述选址测评模型生成模块103，用于基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型；
所述选址结果确定模块104，用于采集所述待测评充电站的当前选址因子，根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分，以基于所述选址评分，确定所述待测评充电站的选址结果。
详细地，本发明实施例中所述基于多维度的充电站选址智能测评系统100中的所述各模块在使用时采用与上述的图1中所述的基于多维度的充电站选址智能测评方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于多维度的充电站选址智能测评方法，其特征在于，所述方法包括：
识别待测评充电站的业务场景，根据所述业务场景，查询所述待测评充电站的充电站分布网格，并从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站；
识别所述历史充电站的选址影响因子，将所述选址影响因子划分为内部影响因子和外部影响因子，并识别所述内部影响因子和所述外部影响因子之间的因子关联关系；
基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型；
采集所述待测评充电站的当前选址因子，根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分，以基于所述选址评分，确定所述待测评充电站的选址结果。
2.如权利要求1所述的基于多维度的充电站选址智能测评方法，其特征在于，所述识别所述内部影响因子和所述外部影响因子之间的因子关联关系，包括：
利用下述公式计算所述内部影响因子和所述外部影响因子之间的相关系数：
Figure 147531DEST_PATH_IMAGE001
其中，
Figure 71625DEST_PATH_IMAGE002
表示内部影响因子和外部影响因子之间的相关系数，
Figure 705868DEST_PATH_IMAGE003
表示内部影 响因子和外部影响因子之间的协方差，
Figure 131033DEST_PATH_IMAGE004
表示内部影响因子的标准差，
Figure 635964DEST_PATH_IMAGE005
表示外部影响因 子的标准差，
Figure 996538DEST_PATH_IMAGE006
表示内部影响因子，
Figure 226400DEST_PATH_IMAGE007
表示外部影响因子；
根据所述相关系数，构建所述内部影响因子和所述外部影响因子的相关矩阵；
根据所述相关矩阵，识别所述内部影响因子和所述外部影响因子之间的因子关联关系。
3.如权利要求1所述的基于多维度的充电站选址智能测评方法，其特征在于，所述基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型，包括：
构建所述内部影响因子和所述外部影响因子的因子评分体系和因子影响权重；
识别所述内部影响因子和所述外部影响因子对应的历史充电站，基于所述因子评分体系、所述因子影响权重及所述因子关联关系，计算所述历史充电站的因子评测得分；
从预构建的多源数据库中，以预构建的第一比例随机选取训练样本，从所述内部影响因子和所述外部影响因子中，以预构建的第二比例随机选取影响因子特征；
根据所述训练样本和所述影响因子特征及选址评测得分，构建所述历史充电站的选址决策树；
基于所述选址决策树，构建所述历史充电站的选址随机森林；
根据所述选址随机森林，确定训练好的充电站选址测评模型。
4.如权利要求3所述的基于多维度的充电站选址智能测评方法，其特征在于，所述构建所述内部影响因子和所述外部影响因子的因子评分体系和因子影响权重，包括：
构建所述内部影响因子和所述外部影响因子的树状层次结构，根据所述树状层次结构，构建所述内部影响因子和所述外部影响因子的因子评分体系及定量化标度；
根据所述定量化标度,分别构建所述内部影响因子和所述外部影响因子的内因判断矩阵和外因判断矩阵，根据所述内因判断矩阵和外因判断矩阵，分别计算所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重，根据所述内部因子权重和所述外部因子权重，确定所述内部影响因子和所述外部影响因子的因子影响权重。
5.如权利要求4所述的基于多维度的充电站选址智能测评方法，其特征在于，所述根据所述内因判断矩阵和外因判断矩阵，分别计算所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重，包括：
对所述内因判断矩阵和所述外因判断矩阵进行列规范化处理，得到规范内因矩阵和规范外因矩阵，对所述规范内因矩阵和所述规范外因矩阵进行权重行规范处理，得到内因权重向量和外因权重向量；
根据所述内因权重向量和所述外因权重向量，利用下述公式计算所述规范内因矩阵和所述规范外因矩阵的内因最大特征值和外因最大特征值：
Figure 65043DEST_PATH_IMAGE008
Figure 955639DEST_PATH_IMAGE009
Figure 611748DEST_PATH_IMAGE010
Figure 689426DEST_PATH_IMAGE011
其中，
Figure 331759DEST_PATH_IMAGE012
，
Figure 952228DEST_PATH_IMAGE013
分别表示规范内因矩阵和规范外因矩阵的内因最大特征值和外因 最大特征值，
Figure 654605DEST_PATH_IMAGE014
，
Figure 219578DEST_PATH_IMAGE015
分别表示规范内因矩阵和规范外因矩阵，
Figure 790237DEST_PATH_IMAGE016
分别表示内因权 重向量和外因权重向量,
Figure 655425DEST_PATH_IMAGE017
，
Figure 263123DEST_PATH_IMAGE018
分别表示规范内因矩阵与内因权重向量乘积 的第
Figure 692224DEST_PATH_IMAGE019
个向量分量、规范外因矩阵与外因权重向量乘积的第
Figure 941940DEST_PATH_IMAGE019
个向量分量，
Figure 396055DEST_PATH_IMAGE020
，
Figure 564868DEST_PATH_IMAGE021
分别表示内 因权重向量的第
Figure 104434DEST_PATH_IMAGE019
个向量分量和外因权重向量的第
Figure 892261DEST_PATH_IMAGE019
个向量分量，
Figure 76249DEST_PATH_IMAGE022
，
Figure 291330DEST_PATH_IMAGE023
分别表示规范内因矩阵 的行列数量和规范外因矩阵的行列数量；
根据所述内因最大特征值，计算所述规范内因矩阵的内因一致性比率，及根据所述外因最大特征值，计算所述规范外因矩阵的外因一致性比率；
在所述内因一致性比率和所述外因一致性比率小于预设阈值时，识别所述内因权重向量和所述外因权重向量中的每个分量作为所述内部影响因子和所述外部影响因子的内部因子权重和外部因子权重。
6.如权利要求5所述的基于多维度的充电站选址智能测评方法，其特征在于，所述根据所述内因最大特征值，计算所述规范内因矩阵的内因一致性比率，包括：
利用下述公式计算所述规范内因矩阵的内因一致性指标：
Figure 583771DEST_PATH_IMAGE024
其中，
Figure 768764DEST_PATH_IMAGE025
表示规范内因矩阵的内因一致性指标，
Figure 463051DEST_PATH_IMAGE026
表示规范内因矩阵的内因最大特征 值，
Figure 849033DEST_PATH_IMAGE027
表示规范内因矩阵的行列数量；
根据所述内因一致性指标，利用下述公式计算所述规范内因矩阵的内因一致性比率：
Figure 471513DEST_PATH_IMAGE028
其中，
Figure 601143DEST_PATH_IMAGE029
表示规范内因矩阵的内因一致性比率，
Figure 149936DEST_PATH_IMAGE025
表示规范内因矩阵的内因一致性指 标，
Figure 706819DEST_PATH_IMAGE030
表示随机一致性指标，通过查询预设的
Figure 567328DEST_PATH_IMAGE030
统计表得到。
7.如权利要求3所述的基于多维度的充电站选址智能测评方法，其特征在于，所述基于所述因子评分体系、所述因子影响权重及所述因子关联关系，计算所述历史充电站的因子评测得分，包括：
识别所述历史充电站的内部影响因子和外部影响因子，基于所述因子评分体系，确定所述内部影响因子的内部因子评分和所述外部影响因子的外部因子评分，识别所述因子关联关系的因子相关系数；
根据所述内部因子评分、所述因子影响权重中的内部因子权重及所述因子相关系数，利用下述公式计算所述历史充电站的内部因子评测得分：
Figure 500649DEST_PATH_IMAGE031
其中，
Figure 903948DEST_PATH_IMAGE032
表示历史充电站的内部因子评测得分，
Figure 241520DEST_PATH_IMAGE033
表示内部因子评分，
Figure 730270DEST_PATH_IMAGE034
表示内部因子 权重，
Figure 467282DEST_PATH_IMAGE035
表示与当前内部因子相关的第
Figure 584143DEST_PATH_IMAGE019
个外部因子的相关系数，
Figure 482828DEST_PATH_IMAGE019
表示与当前内部因子相关 的外部因子的序号，
Figure 458875DEST_PATH_IMAGE027
表示与当前内部因子相关的外部因子的数量；
根据所述外部因子评分、所述因子影响权重中的外部因子权重，利用下述公式计算所述历史充电站的外部因子评测得分：
Figure 839391DEST_PATH_IMAGE036
其中，
Figure 951703DEST_PATH_IMAGE037
表示历史充电站的外部因子评测得分，
Figure 286870DEST_PATH_IMAGE038
表示外部因子评分，
Figure 609267DEST_PATH_IMAGE039
表示外部因 子权重；
根据所述内部因子评测得分和所述外部因子评测得分，确定所述历史充电站的因子评测得分。
8.如权利要求3所述的基于多维度的充电站选址智能测评方法，其特征在于，所述根据所述训练样本和所述影响因子特征及所述选址评测得分，构建所述历史充电站的选址决策树，包括：
计算所述训练样本在每个所述影响因子特征的信息增益，利用预设的增益阈值，在所述信息增益大于所述增益阈值时，聚合所述信息增益对应的所述影响因子特征为候选因子特征；
计算所述候选因子特征的信息增益率，将所述信息增益率最大的所述候选因子特征作为根节点；
从所述影响因子特征中删去所述根节点，得到更新因子特征，返回计算所述训练样本在每个所述更新因子特征的信息增益，得到中间节点；
从所述更新因子特征中删去所述中间节点，得到再更新因子特征，返回计算所述训练样本在每个所述再更新因子特征的信息增益，得到叶子节点；
根据所述根节点、所述中间节点、所述叶子节点及所述选址评测得分，构建所述历史充电站的选址决策树。
9.如权利要求8所述的基于多维度的充电站选址智能测评方法，其特征在于，所述计算所述训练样本在每个所述影响因子特征的信息增益，包括：
利用下述公式计算所述训练样本在每个所述影响因子特征的信息增益：
Figure 422502DEST_PATH_IMAGE040
Figure 389321DEST_PATH_IMAGE041
Figure 770755DEST_PATH_IMAGE042
其中，
Figure 455814DEST_PATH_IMAGE043
表示训练样本
Figure 807161DEST_PATH_IMAGE044
在影响因子特征
Figure 18699DEST_PATH_IMAGE045
上的信息增益，
Figure 695668DEST_PATH_IMAGE046
表示训练样本
Figure 602444DEST_PATH_IMAGE044
的信息熵，
Figure 396963DEST_PATH_IMAGE047
表示在影响因子特征
Figure 338374DEST_PATH_IMAGE045
下训练样本
Figure 920665DEST_PATH_IMAGE044
的条件熵，
Figure 704950DEST_PATH_IMAGE048
表示对训练样本第
Figure 398100DEST_PATH_IMAGE019
个目 标分类结果的概率，
Figure 459597DEST_PATH_IMAGE049
表示影响因子特征的第
Figure 88155DEST_PATH_IMAGE050
个分类特征，
Figure 235103DEST_PATH_IMAGE051
表示属于影响因子特征的第
Figure 731943DEST_PATH_IMAGE050
个分类特征的训练样本数量，
Figure 772581DEST_PATH_IMAGE052
表示训练样本总数量，
Figure 696674DEST_PATH_IMAGE019
表示目标分类结果的序号，
Figure 911011DEST_PATH_IMAGE027
表示目 标分类结果的数量，
Figure 805018DEST_PATH_IMAGE050
表示影响因子特征
Figure 919736DEST_PATH_IMAGE045
的分类特征的序号，k表示影响因子特征B的分类 特征的数量，
Figure 608206DEST_PATH_IMAGE053
表示以2为底的对数符号。
10.一种基于多维度的充电站选址智能测评系统，其特征在于，所述系统包括：
分布网格查询模块，用于识别待测评充电站的业务场景，根据所述业务场景，查询所述待测评充电站的充电站分布网格，并从所述充电站分布网格中筛选出与所述待测评充电站具有同类型的历史充电站；
因子关联关系识别模块，用于识别所述历史充电站的选址影响因子，将所述选址影响因子划分为内部影响因子和外部影响因子，并识别所述内部影响因子和所述外部影响因子之间的因子关联关系；
选址测评模型生成模块，用于基于所述内部影响因子、所述外部影响因子以及所述因子关联关系，对预构建的充电站选址测评模型进行训练，得到训练好的充电站选址测评模型；
选址结果确定模块，用于采集所述待测评充电站的当前选址因子，根据所述当前选址因子，利用所述训练好的充电站选址测评模型计算所述待测评充电站的选址评分，以基于所述选址评分，确定所述待测评充电站的选址结果。
CN202310035891.3A 2023-01-10 2023-01-10 一种基于多维度的充电站选址智能测评方法及系统 Active CN115759887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310035891.3A CN115759887B (zh) 2023-01-10 2023-01-10 一种基于多维度的充电站选址智能测评方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310035891.3A CN115759887B (zh) 2023-01-10 2023-01-10 一种基于多维度的充电站选址智能测评方法及系统

Publications (2)

Publication Number Publication Date
CN115759887A true CN115759887A (zh) 2023-03-07
CN115759887B CN115759887B (zh) 2023-05-16

Family

ID=85348939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310035891.3A Active CN115759887B (zh) 2023-01-10 2023-01-10 一种基于多维度的充电站选址智能测评方法及系统

Country Status (1)

Country Link
CN (1) CN115759887B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918461A (zh) * 2019-01-28 2019-06-21 北京瓴域航空技术研究院有限公司 一种多维度的网格空域应用方法及系统
US20210237609A1 (en) * 2019-03-29 2021-08-05 Jiangsu University A method to plan the optimal construction quantity and site selection scheme of electric vehicle charging stations
WO2021212725A1 (zh) * 2020-04-21 2021-10-28 烽火通信科技股份有限公司 一种人像识别算法性能评测方法和装置
CN114626762A (zh) * 2022-04-28 2022-06-14 北京建筑大学 移动换电网络选址方法、电池调度方法、装置及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918461A (zh) * 2019-01-28 2019-06-21 北京瓴域航空技术研究院有限公司 一种多维度的网格空域应用方法及系统
US20210237609A1 (en) * 2019-03-29 2021-08-05 Jiangsu University A method to plan the optimal construction quantity and site selection scheme of electric vehicle charging stations
WO2021212725A1 (zh) * 2020-04-21 2021-10-28 烽火通信科技股份有限公司 一种人像识别算法性能评测方法和装置
CN114626762A (zh) * 2022-04-28 2022-06-14 北京建筑大学 移动换电网络选址方法、电池调度方法、装置及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JING GUO: "New Method of Energy Charging Station Site Selection based on Fuzzy Evaluation" *
程龙: "城市公共自行车租赁点选址及调度模型研究" *

Also Published As

Publication number Publication date
CN115759887B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
Ali et al. A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making
CN113723810B (zh) 基于图数据库的电网建模方法
CN111461410B (zh) 一种基于迁移学习的空气质量的预测方法及装置
CN107730115A (zh) 一种基于ahp的多源位置轨迹数据的质量评估方法
CN108345908A (zh) 电网数据的分类方法、分类设备及存储介质
CN108805471A (zh) 基于复合系统作用关系分析的水资源承载能力评价方法
CN116437291B (zh) 一种基于手机信令的文化圈规划方法和系统
CN104915897A (zh) 一种电网规划评价业务的计算机实现方法
CN108898273B (zh) 一种基于形态分析的用户侧负荷特征聚类评价方法
CN118171035B (zh) 人流热力的预警方法及装置、电子设备和存储介质
Zhuang et al. Integrating a deep forest algorithm with vector‐based cellular automata for urban land change simulation
CN114881430A (zh) 一种基于网络地图服务的社区生活便利度评价方法
CN106993296A (zh) 终端的性能评估方法及装置
CN111159559A (zh) 根据用户需求和用户行为构建推荐引擎的方法
CN112767126A (zh) 基于大数据的抵押物评级方法和装置
CN113516229A (zh) 面向群智感知系统的可信用户优化选择方法
CN115759887B (zh) 一种基于多维度的充电站选址智能测评方法及系统
CN116862209A (zh) 一种新能源汽车充电设施管理方法及系统
CN115829209A (zh) 基于碳路径的绿色智能仓库环保质量分析方法及装置
CN113850346B (zh) Mec环境下多维属性感知的边缘服务二次聚类方法及系统
CN115691140A (zh) 一种汽车充电需求时空分布的分析与预测方法
CN113837913A (zh) 一种村镇耕地资源承载力关键阈值确定方法及装置
CN113643079B (zh) 一种基于格网粒子画像确定人群规模的方法及设备
CN113326883B (zh) 充电站功率利用率预测模型的训练方法、装置及介质
CN118333245B (zh) 基于空间大数据的公共安全视频监控点位布局方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant