CN116029329A - 一种焦虑里程值预测方法、装置、系统以及存储介质 - Google Patents
一种焦虑里程值预测方法、装置、系统以及存储介质 Download PDFInfo
- Publication number
- CN116029329A CN116029329A CN202310115798.3A CN202310115798A CN116029329A CN 116029329 A CN116029329 A CN 116029329A CN 202310115798 A CN202310115798 A CN 202310115798A CN 116029329 A CN116029329 A CN 116029329A
- Authority
- CN
- China
- Prior art keywords
- anxiety
- mileage
- original
- value
- positions
- 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
- 208000019901 Anxiety disease Diseases 0.000 title claims abstract description 273
- 230000036506 anxiety Effects 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 144
- 239000011164 primary particle Substances 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000008602 contraction Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012106 screening analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012352 Spearman correlation analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种焦虑里程值预测方法、装置、系统以及存储介质，属于数据预测领域，方法包括：S1：对原始电动汽车行驶数据进行数据清洗得到清洗后行驶数据；S2：对清洗后行驶数据进行筛选分析得到里程焦虑数据集；S3：将里程焦虑数据集进行划分得到里程焦虑训练集和里程焦虑测试集；S4：根据里程焦虑训练集对训练模型进行训练得到原始预测模型。本发明相较于现有的焦虑里程值预测方法，克服了传统焦虑里程值预测方法的工作量大、易陷入局部最优以及对电动汽车驾驶员预测识别差的缺陷，能够准确的预测电动汽车驾驶员的焦虑里程，解决了现有的电动汽车驾驶员焦虑里程值预测不足的问题。
Description
技术领域
本发明主要涉及数据预测技术领域，具体涉及一种焦虑里程值预测方法、装置、系统以及存储介质。
背景技术
目前，国内外已有一些关于里程焦虑的研究。关于里程焦虑的成因，Franke认为，研究人员对电动汽车出行者的里程体验缺乏科学认识，无法正确衡量出行者的实际心理焦虑程度，他提出“舒适里程”的概念来解决里程体验的感知问题。一些学者从识别范围焦虑的方向进行了相关探索。李宗华研究了纯电动汽车用户里程焦虑对用户使用行为的影响，提出了一种基于车联网大数据用户使用行为的里程焦虑程度判定模型。也有学者对影响续驶里程的主要因素进行了研究。根据研究，除了当前SOC（指的是当前电量占额定电量的比例）外，与电池容量的提高相比，电动车驾驶员更希望准确地预测剩余的行驶里程。由于里程焦虑普遍存在于电动车用户中，关于里程焦虑的研究显得意义重大。Rauh Nadine等人通过测试调研，得出里程焦虑的程度与用户驾驶经验丰富程度具备一定的关联性。
也有学者对影响续驶里程的主要因素进行了研究。根据研究，除了当前SOC（指的是当前电量占额定电量的比例）外，与电池容量的提高相比，电动车驾驶员更希望准确地预测剩余的行驶里程。空调是电动汽车中最大的配件能耗之一，因此空调是否开启以及功率大小对续驶里程的预测有重要影响。同样，电池的影响也至关重要。在较低温度下，电池的充放电容量低于常温，内阻呈非线性增长，电池消耗更多能量，限制了电动汽车的续驶里程。谢驰等人基于里程焦虑因素考虑了交通网络均衡问题。王涛等人考虑了基于里程焦虑的充电站选址模型。
综上所述，可以看到每一个电动车用户都或多或少的存在里程焦虑，无论是电动汽车开发商还是电动车用户都对里程焦虑格外关心，因此对里程焦虑的研究就有重大意义。纵观国内外研究，研究者更多的是基于里程焦虑做相关的研究应用，利用里程焦虑更好地服务用户，而基于电动汽车历史数据研究电动汽车驾驶员其焦虑里程的预测相对而言较少。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种焦虑里程值预测方法、装置、系统以及存储介质。
本发明解决上述技术问题的技术方案如下：一种焦虑里程值预测方法，包括如下步骤：
S1：导入多个原始电动汽车行驶数据，并对所有所述原始电动汽车行驶数据进行数据清洗，得到多个清洗后行驶数据；
S2：对所有所述清洗后行驶数据进行筛选分析，得到里程焦虑数据集；
S3：将所述里程焦虑数据集进行划分，得到里程焦虑训练集和里程焦虑测试集；
S4：构建训练模型，根据所述里程焦虑训练集对所述训练模型进行训练，得到原始预测模型；
S5：根据所述里程焦虑测试集对所述原始预测模型进行测试，得到目标预测模型；
S6：导入待预测电动汽车行驶数据，通过所述目标预测模型对所述待预测电动汽车行驶数据进行预测，得到焦虑里程值的预测结果。
本发明解决上述技术问题的另一技术方案如下：一种焦虑里程值预测装置，包括：
数据清洗模块，用于导入多个原始电动汽车行驶数据，并对所有所述原始电动汽车行驶数据进行数据清洗，得到多个清洗后行驶数据；
筛选分析模块，用于对所有所述清洗后行驶数据进行筛选分析，得到里程焦虑数据集；
划分模块，用于将所述里程焦虑数据集进行划分，得到里程焦虑训练集和里程焦虑测试集；
模型训练模块，用于构建训练模型，根据所述里程焦虑训练集对所述训练模型进行训练，得到原始预测模型；
模型测试模块，用于根据所述里程焦虑测试集对所述原始预测模型进行测试，得到目标预测模型；
预测结果获得模块，用于导入待预测电动汽车行驶数据，通过所述目标预测模型对所述待预测电动汽车行驶数据进行预测，得到焦虑里程值的预测结果。
基于上述一种焦虑里程值预测方法，本发明还提供一种焦虑里程值预测系统。
本发明解决上述技术问题的另一技术方案如下：一种焦虑里程值预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的焦虑里程值预测方法。
基于上述一种焦虑里程值预测方法，本发明还提供一种计算机可读存储介质。
本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的焦虑里程值预测方法。
本发明的有益效果是：通过对原始电动汽车行驶数据的数据清洗得到清洗后行驶数据，对清洗后行驶数据的筛选分析得到里程焦虑数据集，将里程焦虑数据集的划分得到里程焦虑训练集和里程焦虑测试集，根据里程焦虑训练集对训练模型的训练得到原始预测模型，根据里程焦虑测试集对原始预测模型的测试得到目标预测模型，通过目标预测模型对待预测电动汽车行驶数据的预测得到焦虑里程值的预测结果，相较于现有的焦虑里程值预测方法，本发明克服了传统焦虑里程值预测方法的工作量大、易陷入局部最优以及对电动汽车驾驶员预测识别差的缺陷，能够准确的预测电动汽车驾驶员的焦虑里程，解决了现有的电动汽车驾驶员焦虑里程值预测不足的问题。
附图说明
图1为本发明实施例提供的一种焦虑里程值预测方法的流程示意图；
图2为本发明实施例提供的一种焦虑里程值预测装置的模块框图。
实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的一种焦虑里程值预测方法的流程示意图。
如图1所示，一种焦虑里程值预测方法，包括如下步骤：
S1：导入多个原始电动汽车行驶数据，并对所有所述原始电动汽车行驶数据进行数据清洗，得到多个清洗后行驶数据；
S2：对所有所述清洗后行驶数据进行筛选分析，得到里程焦虑数据集；
S3：将所述里程焦虑数据集进行划分，得到里程焦虑训练集和里程焦虑测试集；
S4：构建训练模型，根据所述里程焦虑训练集对所述训练模型进行训练，得到原始预测模型；
S5：根据所述里程焦虑测试集对所述原始预测模型进行测试，得到目标预测模型；
S6：导入待预测电动汽车行驶数据，通过所述目标预测模型对所述待预测电动汽车行驶数据进行预测，得到焦虑里程值的预测结果。
应理解地，对所有原始电动汽车历史行驶数据（即所述原始电动汽车行驶数据）进行数据清洗，将含有缺失值的数据删除、将因信号差而乱码的数据删除和将不合理的数据舍弃，最终得到多个中间电动汽车历史行驶数据（即所述清洗后行驶数据）。
具体地，焦虑里程影响因素众多，且这些因素与焦虑里程之间呈现出非线性关系。应用PSO-BP解决非线性回归问题时，通过研究特征因素选择适合的特征数据，利用数据分析研究焦虑里程与其影响因素之间的关系。将改进的PSO算法用于优化PSO-BP神经网络初始权值和阈值，以提高焦虑里程预测的收敛速度，避免陷入局部最优值。将测试集（即所述里程焦虑测试集）输入到上述训练好的预测网络模型（即所述原始预测模型）中，获取焦虑里程预测值和评价指标。
应理解地，根据焦虑里程预测优化模型（即所述目标预测模型）对待预测数据（即所述待预测电动汽车行驶数据）进行预测处理，得到焦虑里程数据的预测结果（即焦虑里程值的预测结果）。
上述实施例中，通过对原始电动汽车行驶数据的数据清洗得到清洗后行驶数据，对清洗后行驶数据的筛选分析得到里程焦虑数据集，将里程焦虑数据集的划分得到里程焦虑训练集和里程焦虑测试集，根据里程焦虑训练集对训练模型的训练得到原始预测模型，根据里程焦虑测试集对原始预测模型的测试得到目标预测模型，通过目标预测模型对待预测电动汽车行驶数据的预测得到焦虑里程值的预测结果，相较于现有的焦虑里程值预测方法，本发明克服了传统焦虑里程值预测方法的工作量大、易陷入局部最优以及对电动汽车驾驶员预测识别差的缺陷，能够准确的预测电动汽车驾驶员的焦虑里程，解决了现有的电动汽车驾驶员焦虑里程值预测不足的问题。
可选地，作为本发明的一个实施例，所述清洗后行驶数据包括行驶里程、与所述行驶里程对应的行驶里程位置以及电动汽车运行参数；
所述S2的过程包括：
按照所述行驶里程从小到大的顺序对所有所述电动汽车运行参数进行排序，得到多个排序后汽车运行参数；
根据预设充电状态信息对多个所述排序后汽车运行参数进行筛选，并将筛选后得到的排序后汽车运行参数所对应行驶里程位置作为充电点，从而得到多个充电点；
根据预设汽车状态信息对多个所述排序后汽车运行参数进行筛选，并将筛选后得到的排序后汽车运行参数所对应行驶里程位置作为启动点，从而得到多个启动点；
将各个所述充电点的前一启动点作为焦虑点，从而得到多个焦虑点；
分别将各个所述充电点所对应行驶里程与各个所述焦虑点所对应行驶里程作差，得到各个所述焦虑点的焦虑里程；
将所有所述焦虑点的焦虑里程以及所有所述焦虑点对应的电动汽车运行参数作为待处理里程焦虑数据集；
利用皮尔逊相关系数分析方法对所述待处理里程焦虑数据集中所述焦虑点的焦虑里程以及所述焦虑点对应的电动汽车运行参数进行筛选，得到里程焦虑数据集。
应理解地，对目标焦虑里程数据（即所述待处理里程焦虑数据集）通过斯皮尔曼相关分析进行特征提取，并集合适当的特征数据构建目标焦虑里程数据集（即所述里程焦虑数据集）。
具体地，利用得到的中间电动汽车历史行驶数据（即所述清洗后行驶数据），根据充电状态数据变化（即所述预设充电状态信息）标记电动汽车的充电点，根据汽车状态数据变化等（即所述预设汽车状态信息）标记电动汽车的启动点，标记充电点前一启动点为焦虑点，并计算焦虑点到充电点的行驶里程作为焦虑里程，最终记录电动汽车焦虑点时的数据（即所述电动汽车运行参数）与其对应的焦虑里程制作为目标焦虑里程原始数据集（即所述待处理里程焦虑数据集）。
应理解地，对收集到的特征数据（即所述待处理里程焦虑数据集）进行斯皮尔曼相关系数分析，选取相关系数合适的特征数据制作成数据集，共制作4524份数据（即所述里程焦虑数据集）。
上述实施例中，对所有清洗后行驶数据进行筛选分析得到里程焦虑数据集，能够提取有效的数据，并选取相关系数合适的数据，能够准确的预测电动汽车驾驶员的焦虑里程，解决了现有的电动汽车驾驶员焦虑里程值预测不足的问题。
可选地，作为本发明的一个实施例，所述S4的过程包括：
S41：构建PSO-BP神经网络模型；
S42：从所述PSO-BP神经网络模型中获得多个原始粒子位置以及多个与所述原始粒子位置对应原始初速度，分别对各个所述原始粒子位置以及与各个所述原始粒子位置对应原始初速度进行初始化处理，对应得到各个所述原始粒子位置的初始化粒子位置以及与各个所述原始粒子位置对应的初始化初速度；
S43：根据各个所述原始粒子位置的初始化粒子位置对所述PSO-BP神经网络模型进行参数更新，对应得到各个所述原始粒子位置的更新后模型；
S44：根据所述里程焦虑训练集对各个所述原始粒子位置的更新后模型进行训练，得到各个所述原始粒子位置的多个焦虑里程预测值；
S45：导入与各个所述焦虑里程预测值对应的焦虑里程实际值，根据各个所述原始粒子位置的多个焦虑里程预测值以及焦虑里程实际值进行初始适应度值的计算，得到各个所述原始粒子位置的初始适应度值；
S46：根据所有所述原始粒子位置、所有所述原始粒子位置的初始适应度值以及所有所述原始粒子位置所对应的初始化初速度进行目标适应度值的分析，得到目标适应度值，并将所述目标适应度值对应的更新后模型作为原始预测模型。
应理解地，构建训练模型，用改进PSO-BP算法根据所述焦虑里程数据集（即所述里程焦虑训练集）得到焦虑里程预测优化模型（即所述原始预测模型）。
应理解地，构建PSO-BP神经网络模型。
应理解地，基于支持的改进的PSO-BP算法，利用该PSO-BP训练模型（即所述PSO-BP神经网络模型）对训练集（即所述里程焦虑训练集）进行训练。设置粒子数、最大迭代次数、惯性权重、学习因子等一系列参数。
具体地，维度设置：在BP神将网络和粒子群算法中建立映射关系：建立与神经网络权重和阈值数相等的粒子群搜索空间，将权重、阈值与粒子在搜索空间中的维度值一一对应，搜索空间维度的计算公式如下：
式中，
为搜索空间维度；
表示输入层到隐含层的权值个数；
表示
个隐含层节点；
表示隐含层到输出层的权值个数；
表示输出层神经元个数。初始化所有粒子的位置（即所述原始粒子位置）和初速度（即所述原始初速度），计算粒子此时的适应度（即所述初始适应度值），并记录粒子此时的位置，寻找当前粒子的个体最优与全局最优值。
上述实施例中，根据里程焦虑训练集对训练模型进行训练得到原始预测模型，相较于现有的焦虑里程值预测方法，本发明克服了传统焦虑里程值预测方法的工作量大、易陷入局部最优以及对电动汽车驾驶员预测识别差的缺陷，能够准确的预测电动汽车驾驶员的焦虑里程。
可选地，作为本发明的一个实施例，所述S45的过程包括：
导入与各个所述焦虑里程预测值对应的焦虑里程实际值；
基于第一式，根据各个所述原始粒子位置的多个焦虑里程预测值以及焦虑里程实际值进行初始适应度值的计算，得到各个所述原始粒子位置的初始适应度值，所述第一式为：
，
其中，
为初始适应度值，
为焦虑里程预测值的个数，
为第
个焦虑里程实际值，
为第
个焦虑里程预测值。
应理解地，适应度函数的计算公式如下：
式中，N为样本个数；
为焦虑里程实际值，
为焦虑里程预测值。
上述实施例中，基于第一式根据焦虑里程预测值以及焦虑里程实际值进行初始适应度值的计算得到初始适应度值，为后续数据处理奠定基础，能够准确的预测电动汽车驾驶员的焦虑里程，解决了现有的电动汽车驾驶员焦虑里程值预测不足的问题。
可选地，作为本发明的一个实施例，所述S46的过程包括：
S461：获取当前迭代次数，筛选所有迭代次数中所有所述原始粒子位置的初始适应度值的最小值，筛选后得到全局最优适应度值，并将所述全局最优适应度值对应的原始粒子位置作为全局最优粒子位置；
S462：筛选所有迭代次数中各个所述原始粒子位置的初始适应度值的最小值，筛选后对应得到各个所述原始粒子位置的个体最优适应度值，并将所述原始粒子位置的个体最优适应度值对应的初始化初速度作为所述原始粒子位置的个体最优初速度，且将所述原始粒子位置的个体最优适应度值对应的原始粒子位置作为所述原始粒子位置的个体最优粒子位置；
S463：判断当前迭代次数是否等于预设次数，若否，则执行S464-S466；若是，则执行S467；
S464：根据所述全局最优适应度值、所述全局最优粒子位置、各个所述原始粒子位置的个体最优适应度值、个体最优粒子位置以及个体最优初速度进行粒子位置的更新，得到各个所述原始粒子位置的更新后粒子位置；
S465：根据各个所述原始粒子位置的更新后粒子位置以及个体最优初速度进行初速度的更新，得到各个所述原始粒子位置的更新后初速度；
S466：将所述原始粒子位置的更新后粒子位置作为下一迭代次数的所述原始粒子位置的初始化粒子位置，并将所述原始粒子位置的更新后初速度作为下一迭代次数的所述原始粒子位置的初始化初速度，且返回S43；
S467；将所述全局最优适应度值作为目标适应度值，并将所述目标适应度值对应的更新后模型作为原始预测模型。
应理解地，将粒子的适应度（即所述初始适应度值）与个体最优（即所述个体最优适应度值）以及全局最优（即所述全局最优适应度值）作比较。若粒子的适应度（即所述初始适应度值）小于个体最优（即所述个体最优适应度值）, 则将当前值作为个体最优值（即所述个体最优适应度值）；若当前的全局最优值（即所述全局最优适应度值）大于粒子群的个体最优值（即所述个体最优适应度值），则该粒子群的全局最优值（即所述全局最优适应度值）即为此时的个体最优值（即所述个体最优适应度值）。
具体地，对粒子的速度和位置进行更新，将PSO算法通过更新位置（即所述更新后粒子位置）和速度（即所述更新后初速度）获得的最优个体当作BP神经网络的初始权值和阈值来训练BP神经网络，并在网络训练达到最大迭代次数（即所述预设次数）时，结束训练，然后将结果输出，否则更新粒子位置与速度，继续迭代直至训练结束。
上述实施例中，根据原始粒子位置、初始适应度值以及初始化初速度进行目标适应度值分析得到目标适应度值，并将目标适应度值对应的更新后模型作为原始预测模型，相较于现有的焦虑里程值预测方法，本发明克服了传统焦虑里程值预测方法的工作量大、易陷入局部最优以及对电动汽车驾驶员预测识别差的缺陷，能够准确的预测电动汽车驾驶员的焦虑里程。
可选地，作为本发明的一个实施例，所述S464的过程包括：
基于第二式，根据所述全局最优适应度值、所述全局最优粒子位置、各个所述原始粒子位置的个体最优适应度值、个体最优粒子位置以及个体最优初速度进行粒子位置的更新，得到各个所述原始粒子位置的更新后粒子位置，所述第二式为：
其中，
，
，
其中，
，
其中，
为第
次迭代次数的第
个原始粒子位置的更新后粒子位置，
为收缩因子，
为当前迭代次数，
为第
次迭代次数的惯性权重，
为第
次迭代次数的第
个原始粒子位置的个体最优初速度，
和
均为加速因子，且
>0，
>0，
和
均为取值范围为[0,1]的随机函数，
为第
次迭代次数的第
个原始粒子位置的个体最优适应度值，
为第
次迭代次数的第
个原始粒子位置的个体最优粒子位置，
为全局最优适应度值，
为全局最优粒子位置，
为收缩系数，
为总加速因子，
为惯性权重最大值，
为惯性权重最小值，
为预设次数。
具体地，利用PSO算法对神经网络模型中的参数进行更新，其模型中存在一个含有n个粒子的种群X，其中
。令该种群中的第i个粒子在D维空间中对应的一个向量为
，该向量即为第i个粒子在D维空间中的位置，需要根据目标函数计算该粒子位置
的适应度值。让第i个粒子的速度对应的向量为
，则该粒子个体极值的向量可表示为
，种群 X 群体极值的向量可表示为
。个体极值和群体极值通过下列公式计算更新粒子的速度和位置，公式为：
式中，
为当前速度；d = 1,2,L,D；i = 1,2,L,n；k为迭代次数；
、
表示加速因子，且
>0，
>0；
、
表示取值范围为[0,1]随机函数。
对粒子群算法做进一步的改进，更好地确定局部最优和全局最优的搜索比例，更快更好地更新参数，将惯性权重引入到基本PSO算法中，以提高粒子群的搜索性能，引入惯性权重后粒子速度的更新公式为：
式中，
为惯性权重，
为粒子群在d维空间中飞行时的最大速度。
使用惯性权值能明显提高算法的收敛速度。
的计算公式为：
式中，
为惯性权重的最大值，
为惯性权重的最小值，k为当前迭代次数，gen为总迭代次数。
对粒子群算法做进一步的改进，消除粒子速度边界的限制，加快PSO算法的收敛，更快更好地更新参数，将收缩因子引入基本PSO算法中，收缩因子能够改变加速因子
和
的值，从而改变粒子的速度。引入收缩因子后粒子速度的更新公式为：
式中，
为收缩因子，
为总加速因子，
>4，K为收缩系数。
构建改进的PSO-BP神经网络模型，改进PSO算法的具体实施过程是将惯性权重和收缩因子进行整合，惯性权重的计算采用上述惯性权值的计算公式，收缩因子的计算采用上述引入收缩因子后粒子速度的更新公式，惯性权重和收缩因子引入后得到改进 PSO 算法速度更新公式如下：
改进PSO算法的具体实施过程是将惯性权重和收缩因子进行整合，惯性权重的计算采用上述公式，收缩因子的计算采用上述公式，惯性权重和收缩因子引入后得到改进PSO 算法速度更新公式如下：
上述实施例中，基于第二式根据全局最优适应度值、全局最优粒子位置、个体最优适应度值、个体最优粒子位置以及个体最优初速度的粒子位置更新得到更新后粒子，提高了粒子群的搜索性能以及算法的收敛速度，消除了粒子速度边界的限制，加快了PSO算法的收敛，更快更好地更新了参数。
可选地，作为本发明的一个实施例，所述S465的过程包括：
基于第三式，根据各个所述原始粒子位置的更新后粒子位置以及个体最优初速度进行初速度的更新，得到各个所述原始粒子位置的更新后初速度，所述第三式为：
其中，
为第
次迭代次数的第
个原始粒子位置的更新后初速度，
为第
次迭代次数的第
个原始粒子位置的更新后粒子位置，
为第
次迭代次数的第
个原始粒子位置的个体最优初速度。
上述实施例中，基于第三式根据更新后粒子位置以及个体最优初速度进行初速度更新得到更新后初速度，相较于现有的焦虑里程值预测方法，本发明克服了传统焦虑里程值预测方法的工作量大、易陷入局部最优以及对电动汽车驾驶员预测识别差的缺陷，能够准确的预测电动汽车驾驶员的焦虑里程。
可选地，作为本发明的另一个实施例，本发明还包括：
根据焦虑里程数据的预测结果，转化为焦虑值，在城市的时间、空间维度上进行分析，研究出合适的充电桩寻址方案，具体为：
根据焦虑里程数据的预测结果，转化为焦虑值，电动汽车在城市内的单次出行里程大多不超过一百公里，因此焦虑里程与焦虑值得转换如下式所示：
式中，
为焦虑值，
焦虑里程预测值。
在城市的时间、空间维度上进行分析，研究出合适的充电桩寻址方案。可以对某城市进行网格分化，得到多个网格区域，对识别出的焦虑的电动车驾驶员在某时刻对其所在网格区域进行直观化的数值展示，最后可以得到该区域历史和当前的区域焦虑值，并对重点区域在时间维度上深入分析研究。
应理解地，根据焦虑里程数据的预测结果，转化为焦虑值，在城市的时间、空间维度上进行分析，研究出合适的充电桩寻址方案。可以对某城市进行网格分化，得到多个网格区域，对识别出的焦虑的电动车驾驶员在某时刻对其所在网格区域进行直观化的数值展示，最后可以得到该区域历史和当前的区域焦虑值，并对重点区域在时间维度上深入分析研究。
可选地，作为本发明的另一个实施例，本发明选用均方根误差（RMSE）和平均百分比误差（MAPE）作为评估模型性能的指标，其计算方法如下式所示。RMSE、MAPE值越小，表示模型的预测性能越好，表一为模型误差对比表。
表1
由上表可知，本发明基于改进BP神经网络模型，引入粒子群算法，得到PSO-BP神经网络模型，可对电动汽车驾驶员的当前焦虑里程进行预测，再对PSO算法进行引入惯性权重和收缩因子，得到改进的PSO算法模型。司机的焦虑里程即可直观的反映当前司机的里程焦虑值，也可通过特定算法将焦虑里程百分化为该里程焦虑值，再做处理服务于充电桩寻址工作等。本发明利用改进的PSO优化算法模型PSO-BP进行预测，实验结果显示，本发明预测模型精度要优于同类预测模型，并可直接应用于充电桩寻址，为将来优化充电桩的规划布局等均有指导和参考意义。
可选地，作为本发明的另一个实施例，本发明将所述里程焦虑数据集分为训练集和测试集。再将训练集8:2的比例分为训练集和测试集，最终形成焦虑里程训练集、焦虑里程验证集以及焦虑里程测试集。
可选地，作为本发明的另一个实施例，本发明还包括：
将所有目标里程焦虑数据制作成数据集，并将所述数据集随机分成训练集、测试集和验证集。
构建PSO-BP神经网络模型，适应度函数，计算公式如下：
式中，N为样本个数；
为焦虑里程实际值，
为焦虑里程预测值。
设置粒子数、最大迭代次数、惯性权重、学习因子等一系列参数。初始化所有粒子的位置和初速度，计算粒子此时的适应度，并记录粒子此时的位置，寻找当前粒子的个体最优与全局最优值；
将粒子的适应度与个体最优以及全局最优作比较。若粒子的适应度小于个体最优, 则将当前值作为个体最优值；若当前的全局最优值大于粒子群的个体最优值，则该粒子群的全局最优值即为此时的个体最优值；
利用PSO算法对神经网络模型中的参数进行更新，其模型中存在一个含有 n个粒子的种群X，其中
。令该种群中的第i个粒子在D维空间中对应的一个向量为
，该向量即为第i个粒子在D维空间中的位置，需要根据目标函数计算该粒子位置
的适应度值。让第i个粒子的速度对应的向量为
，则该粒子个体极值的向量可表示为
，种群 X 群体极值的向量可表示为
。个体极值和群体极值通过下列公式计算更新粒子的速度和位置，公式为：
式中，
为当前速度；d = 1,2,L,D；i = 1,2,L,n；k为迭代次数；
、
表示加速因子，且
>0，
>0；
、
表示取值范围为[0,1]随机函数。
将PSO算法通过更新位置和速度获得的最优个体当作BP神经网络的初始权值和阈值来训练BP神经网络，并在网络训练达到最大迭代次数时，结束训练，然后将结果输出，否则更新粒子位置与速度，继续迭代直至训练结束；
基于所述支持的PSO-BP算法，利用上述的PSO-BP算法构建的训练模型，按照预设的迭代训练次数，利用该PSO-BP训练模型对训练集进行训练。
可选地，作为本发明的另一个实施例，本发明通过研究了各种因素对纯电动汽车驾驶员里程焦虑的影响，提出了一种基于电动车驾驶员的历史行驶数据的焦虑里程预测模型，将电动汽车最后一段从启动到充电的里程记为焦虑里程，并记录起点初始时段内的特征数据制作数据集。通过改进的PSO-BP的焦虑里程预测模型预测焦虑里程，基于其焦虑里程预测模型，可将里程焦虑数值化，进行充电桩寻址方向的研究。对某一城市内的电动汽车用户在某一时刻进行焦虑里程预测，并转换为焦虑值，在该城市的时间和空间维度上进行研究分析，最后进行充电桩寻址建设。
可选地，作为本发明的另一个实施例，本发明从电动汽车服务器中获取电动汽车历史行驶数据，电动汽车充电时标记为充电点，充电点的前一次启动时标记为焦虑点。将电动汽车最后一段从启动到充电的里程记为焦虑里程，并记录焦虑点初始时段内的数据得到目标焦虑里程数据。对所有原始电动汽车目标焦虑里程数据进行数据清洗，得到目标焦虑里程原始数据集；对目标汽车数据通过斯皮尔曼相关分析进行特征提取，并集合多个目标汽车数据的特征点构建焦虑里程数据集；构建训练模型，并根据目标汽车数据集对训练模型进行训练，得到焦虑里程预测模型；根据目标汽车数据集对预测模型进行优化处理，得到焦虑里程预测优化模型；根据焦虑里程预测优化模型对待预测焦虑里程数据进行预测处理，得到焦虑里程的预测结果；将其转换为焦虑值，在该城市的时间和空间维度上进行研究分析，最后进行充电桩寻址的研究。本发明提出的一种电动汽车驾驶员焦虑里程值预测的方法，能代替传统的焦虑里程值预测方法，通过对大量的电动汽车数据进行实时预测和分析，效率高，稳定性强，准确率高，能更好地预测电动汽车驾驶员焦虑里程值。
图2为本发明实施例提供的一种焦虑里程值预测装置的模块框图。
可选地，作为本发明的另一个实施例，如图2所示，一种焦虑里程值预测装置，包括：
数据清洗模块，用于导入多个原始电动汽车行驶数据，并对所有所述原始电动汽车行驶数据进行数据清洗，得到多个清洗后行驶数据；
筛选分析模块，用于对所有所述清洗后行驶数据进行筛选分析，得到里程焦虑数据集；
划分模块，用于将所述里程焦虑数据集进行划分，得到里程焦虑训练集和里程焦虑测试集；
模型训练模块，用于构建训练模型，根据所述里程焦虑训练集对所述训练模型进行训练，得到原始预测模型；
模型测试模块，用于根据所述里程焦虑测试集对所述原始预测模型进行测试，得到目标预测模型；
预测结果获得模块，用于导入待预测电动汽车行驶数据，通过所述目标预测模型对所述待预测电动汽车行驶数据进行预测，得到焦虑里程值的预测结果。
可选地，本发明的另一个实施例提供一种焦虑里程值预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的焦虑里程值预测方法。该系统可为计算机等系统。
可选地，本发明的另一个实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的焦虑里程值预测方法。
需要说明的是，在本文中，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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种焦虑里程值预测方法，其特征在于，包括如下步骤：
S1：导入多个原始电动汽车行驶数据，并对所有所述原始电动汽车行驶数据进行数据清洗，得到多个清洗后行驶数据；
S2：对所有所述清洗后行驶数据进行筛选分析，得到里程焦虑数据集；
S3：将所述里程焦虑数据集进行划分，得到里程焦虑训练集和里程焦虑测试集；
S4：构建训练模型，根据所述里程焦虑训练集对所述训练模型进行训练，得到原始预测模型；
S5：根据所述里程焦虑测试集对所述原始预测模型进行测试，得到目标预测模型；
S6：导入待预测电动汽车行驶数据，通过所述目标预测模型对所述待预测电动汽车行驶数据进行预测，得到焦虑里程值的预测结果。
2.根据权利要求1所述的焦虑里程值预测方法，其特征在于，所述清洗后行驶数据包括行驶里程、与所述行驶里程对应的行驶里程位置以及电动汽车运行参数；
所述S2的过程包括：
按照所述行驶里程从小到大的顺序对所有所述电动汽车运行参数进行排序，得到多个排序后汽车运行参数；
根据预设充电状态信息对多个所述排序后汽车运行参数进行筛选，并将筛选后得到的排序后汽车运行参数所对应行驶里程位置作为充电点，从而得到多个充电点；
根据预设汽车状态信息对多个所述排序后汽车运行参数进行筛选，并将筛选后得到的排序后汽车运行参数所对应行驶里程位置作为启动点，从而得到多个启动点；
将各个所述充电点的前一启动点作为焦虑点，从而得到多个焦虑点；
分别将各个所述充电点所对应行驶里程与各个所述焦虑点所对应行驶里程作差，得到各个所述焦虑点的焦虑里程；
将所有所述焦虑点的焦虑里程以及所有所述焦虑点对应的电动汽车运行参数作为待处理里程焦虑数据集；
利用皮尔逊相关系数分析方法对所述待处理里程焦虑数据集中所述焦虑点的焦虑里程以及所述焦虑点对应的电动汽车运行参数进行筛选，得到里程焦虑数据集。
3.根据权利要求1所述的焦虑里程值预测方法，其特征在于，所述S4的过程包括：
S41：构建PSO-BP神经网络模型；
S42：从所述PSO-BP神经网络模型中获得多个原始粒子位置以及多个与所述原始粒子位置对应原始初速度，分别对各个所述原始粒子位置以及与各个所述原始粒子位置对应原始初速度进行初始化处理，对应得到各个所述原始粒子位置的初始化粒子位置以及与各个所述原始粒子位置对应的初始化初速度；
S43：根据各个所述原始粒子位置的初始化粒子位置对所述PSO-BP神经网络模型进行参数更新，对应得到各个所述原始粒子位置的更新后模型；
S44：根据所述里程焦虑训练集对各个所述原始粒子位置的更新后模型进行训练，得到各个所述原始粒子位置的多个焦虑里程预测值；
S45：导入与各个所述焦虑里程预测值对应的焦虑里程实际值，根据各个所述原始粒子位置的多个焦虑里程预测值以及焦虑里程实际值进行初始适应度值的计算，得到各个所述原始粒子位置的初始适应度值；
S46：根据所有所述原始粒子位置、所有所述原始粒子位置的初始适应度值以及所有所述原始粒子位置所对应的初始化初速度进行目标适应度值的分析，得到目标适应度值，并将所述目标适应度值对应的更新后模型作为原始预测模型。
4.根据权利要求3所述的焦虑里程值预测方法，其特征在于，所述S45的过程包括：
导入与各个所述焦虑里程预测值对应的焦虑里程实际值；
基于第一式，根据各个所述原始粒子位置的多个焦虑里程预测值以及焦虑里程实际值进行初始适应度值的计算，得到各个所述原始粒子位置的初始适应度值，所述第一式为：
其中，
为初始适应度值，
为焦虑里程预测值的个数，
为第
个焦虑里程实际值，
为第
个焦虑里程预测值。
5.根据权利要求3所述的焦虑里程值预测方法，其特征在于，所述S46的过程包括：
S461：获取当前迭代次数，筛选所有迭代次数中所有所述原始粒子位置的初始适应度值的最小值，筛选后得到全局最优适应度值，并将所述全局最优适应度值对应的原始粒子位置作为全局最优粒子位置；
S462：筛选所有迭代次数中各个所述原始粒子位置的初始适应度值的最小值，筛选后对应得到各个所述原始粒子位置的个体最优适应度值，并将所述原始粒子位置的个体最优适应度值对应的初始化初速度作为所述原始粒子位置的个体最优初速度，且将所述原始粒子位置的个体最优适应度值对应的原始粒子位置作为所述原始粒子位置的个体最优粒子位置；
S463：判断当前迭代次数是否等于预设次数，若否，则执行S464-S466；若是，则执行S467；
S464：根据所述全局最优适应度值、所述全局最优粒子位置、各个所述原始粒子位置的个体最优适应度值、个体最优粒子位置以及个体最优初速度进行粒子位置的更新，得到各个所述原始粒子位置的更新后粒子位置；
S465：根据各个所述原始粒子位置的更新后粒子位置以及个体最优初速度进行初速度的更新，得到各个所述原始粒子位置的更新后初速度；
S466：将所述原始粒子位置的更新后粒子位置作为下一迭代次数的所述原始粒子位置的初始化粒子位置，并将所述原始粒子位置的更新后初速度作为下一迭代次数的所述原始粒子位置的初始化初速度，且返回S43；
S467；将所述全局最优适应度值作为目标适应度值，并将所述目标适应度值对应的更新后模型作为原始预测模型。
6.根据权利要求5所述的焦虑里程值预测方法，其特征在于，所述S464的过程包括：
基于第二式，根据所述全局最优适应度值、所述全局最优粒子位置、各个所述原始粒子位置的个体最优适应度值、个体最优粒子位置以及个体最优初速度进行粒子位置的更新，得到各个所述原始粒子位置的更新后粒子位置，所述第二式为：
其中，
，
，
其中，
，
其中，
为第
次迭代次数的第
个原始粒子位置的更新后粒子位置，
为收缩因子，
为当前迭代次数，
为第
次迭代次数的惯性权重，
为第
次迭代次数的第
个原始粒子位置的个体最优初速度，
和
均为加速因子，且
>0，
>0，
和
均为取值范围为[0,1]的随机函数，
为第
次迭代次数的第
个原始粒子位置的个体最优适应度值，
为第
次迭代次数的第
个原始粒子位置的个体最优粒子位置，
为全局最优适应度值，
为全局最优粒子位置，
为收缩系数，
为总加速因子，
为惯性权重最大值，
为惯性权重最小值，
为预设次数。
7.根据权利要求5所述的焦虑里程值预测方法，其特征在于，所述S465的过程包括：
基于第三式，根据各个所述原始粒子位置的更新后粒子位置以及个体最优初速度进行初速度的更新，得到各个所述原始粒子位置的更新后初速度，所述第三式为：
其中，
为第
次迭代次数的第
个原始粒子位置的更新后初速度，
为第
次迭代次数的第
个原始粒子位置的更新后粒子位置，
为第
次迭代次数的第
个原始粒子位置的个体最优初速度。
8.一种焦虑里程值预测装置，其特征在于，包括：
数据清洗模块，用于导入多个原始电动汽车行驶数据，并对所有所述原始电动汽车行驶数据进行数据清洗，得到多个清洗后行驶数据；
筛选分析模块，用于对所有所述清洗后行驶数据进行筛选分析，得到里程焦虑数据集；
划分模块，用于将所述里程焦虑数据集进行划分，得到里程焦虑训练集和里程焦虑测试集；
模型训练模块，用于构建训练模型，根据所述里程焦虑训练集对所述训练模型进行训练，得到原始预测模型；
模型测试模块，用于根据所述里程焦虑测试集对所述原始预测模型进行测试，得到目标预测模型；
预测结果获得模块，用于导入待预测电动汽车行驶数据，通过所述目标预测模型对所述待预测电动汽车行驶数据进行预测，得到焦虑里程值的预测结果。
9.一种焦虑里程值预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的焦虑里程值预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的焦虑里程值预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310115798.3A CN116029329A (zh) | 2023-02-15 | 2023-02-15 | 一种焦虑里程值预测方法、装置、系统以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310115798.3A CN116029329A (zh) | 2023-02-15 | 2023-02-15 | 一种焦虑里程值预测方法、装置、系统以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116029329A true CN116029329A (zh) | 2023-04-28 |
Family
ID=86091162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310115798.3A Pending CN116029329A (zh) | 2023-02-15 | 2023-02-15 | 一种焦虑里程值预测方法、装置、系统以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029329A (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
| US20140278104A1 (en) * | 2013-03-13 | 2014-09-18 | Ford Global Technologies, Llc | Electric vehicle emergency recharge assistance |
| CN107139762A (zh) * | 2017-06-05 | 2017-09-08 | 吉林大学 | 一种电动汽车优化充电控制方法及其系统 |
| CN107199903A (zh) * | 2017-05-31 | 2017-09-26 | 国网山东省电力公司莱芜供电公司 | 一种电动汽车接入配电网的智能充电策略 |
| JP2018133844A (ja) * | 2017-02-13 | 2018-08-23 | 株式会社日立製作所 | Ｅｖ充放電制御装置 |
| CN108764634A (zh) * | 2018-04-24 | 2018-11-06 | 河海大学 | 一种考虑充电需求增长的电动汽车充电站动态规划方法 |
| CN109447233A (zh) * | 2018-11-09 | 2019-03-08 | 山东大学 | 电动汽车充放电调度方法及系统 |
| CN110288212A (zh) * | 2019-06-14 | 2019-09-27 | 石家庄铁道大学 | 基于改进的mopso的电动出租车新建充电站选址方法 |
| CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
| US20210331601A1 (en) * | 2020-04-23 | 2021-10-28 | Yanshan University | Dispatching method and system for electric vehicle battery swapping station |
| US20220188729A1 (en) * | 2020-12-10 | 2022-06-16 | Honda Motor Co., Ltd. | System and method for placement optimization of public electric vehicle charging stations using telematics data |
| CN114707292A (zh) * | 2022-01-21 | 2022-07-05 | 东北电力大学 | 含电动汽车配电网电压稳定性分析方法 |
| CN114819370A (zh) * | 2022-05-09 | 2022-07-29 | 国网浙江省电力有限公司 | 基于改进混合算法的电动汽车充电站选址定容方法及装置 |
| CN114880806A (zh) * | 2022-05-25 | 2022-08-09 | 国网天津市电力公司 | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 |
| US20220283240A1 (en) * | 2021-03-04 | 2022-09-08 | Wuhan University | Method and system for estimating state of health of battery pack |
| CN115544900A (zh) * | 2022-11-28 | 2022-12-30 | 深圳联友科技有限公司 | 一种基于Shap算法分析电动车续航里程影响因素的方法 |
| CN115656840A (zh) * | 2022-12-27 | 2023-01-31 | 武汉工程大学 | 电池充电剩余时间的预测方法、装置、系统以及存储介质 |
-
2023
- 2023-02-15 CN CN202310115798.3A patent/CN116029329A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278104A1 (en) * | 2013-03-13 | 2014-09-18 | Ford Global Technologies, Llc | Electric vehicle emergency recharge assistance |
| CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
| JP2018133844A (ja) * | 2017-02-13 | 2018-08-23 | 株式会社日立製作所 | Ｅｖ充放電制御装置 |
| CN107199903A (zh) * | 2017-05-31 | 2017-09-26 | 国网山东省电力公司莱芜供电公司 | 一种电动汽车接入配电网的智能充电策略 |
| CN107139762A (zh) * | 2017-06-05 | 2017-09-08 | 吉林大学 | 一种电动汽车优化充电控制方法及其系统 |
| CN108764634A (zh) * | 2018-04-24 | 2018-11-06 | 河海大学 | 一种考虑充电需求增长的电动汽车充电站动态规划方法 |
| CN109447233A (zh) * | 2018-11-09 | 2019-03-08 | 山东大学 | 电动汽车充放电调度方法及系统 |
| CN110288212A (zh) * | 2019-06-14 | 2019-09-27 | 石家庄铁道大学 | 基于改进的mopso的电动出租车新建充电站选址方法 |
| CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
| US20210331601A1 (en) * | 2020-04-23 | 2021-10-28 | Yanshan University | Dispatching method and system for electric vehicle battery swapping station |
| US20220188729A1 (en) * | 2020-12-10 | 2022-06-16 | Honda Motor Co., Ltd. | System and method for placement optimization of public electric vehicle charging stations using telematics data |
| US20220283240A1 (en) * | 2021-03-04 | 2022-09-08 | Wuhan University | Method and system for estimating state of health of battery pack |
| CN114707292A (zh) * | 2022-01-21 | 2022-07-05 | 东北电力大学 | 含电动汽车配电网电压稳定性分析方法 |
| CN114819370A (zh) * | 2022-05-09 | 2022-07-29 | 国网浙江省电力有限公司 | 基于改进混合算法的电动汽车充电站选址定容方法及装置 |
| CN114880806A (zh) * | 2022-05-25 | 2022-08-09 | 国网天津市电力公司 | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 |
| CN115544900A (zh) * | 2022-11-28 | 2022-12-30 | 深圳联友科技有限公司 | 一种基于Shap算法分析电动车续航里程影响因素的方法 |
| CN115656840A (zh) * | 2022-12-27 | 2023-01-31 | 武汉工程大学 | 电池充电剩余时间的预测方法、装置、系统以及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| HAN LIU ET AL.: "Research and Application of Range Anxiety in Electric Vehicle Drivers", 《PROCEEDINGS OF THE 3RD ASIA-PACI CONFERENCE ON IMAGE PROCESSING，ELECTRONICS AND COMPUTERS》, pages 525 - 529 * |
| 张洪涛 等: "改进PSO优化LSSVM的锂电池SOC估算模型", 《华侨大学学报》, vol. 42, no. 2, pages 245 - 250 * |
| 蔡主希: "《智能风控与反欺诈 体系算法与实践》", 机械工业出版社, pages: 27 - 28 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bi et al. | Estimating remaining driving range of battery electric vehicles based on real-world data: A case study of Beijing, China | |
| CN107909179B (zh) | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 | |
| CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
| CN105849998A (zh) | 电力需求预测装置、供电系统、电力需求预测方法及程序 | |
| CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
| CN112381313B (zh) | 充电桩地址的确定方法和装置 | |
| CN113780665B (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 | |
| CN104239496A (zh) | 一种结合模糊权重相似性度量和聚类协同过滤的方法 | |
| CN116572799B (zh) | 基于深度学习的动力电池荷电续航预测方法、系统及终端 | |
| CN106777169A (zh) | 一种基于车联网数据的用户出行喜好分析方法 | |
| CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
| CN114511154A (zh) | 一种基于时空复杂图卷积网络的交通流预测方法 | |
| CN115871450A (zh) | 一种基于物联网的新能源汽车智能控制方法及系统 | |
| CN108830414B (zh) | 一种电动汽车商用充电区的负荷预测方法 | |
| CN115759462A (zh) | 一种电动汽车用户的充电行为预测方法、装置及电子设备 | |
| CN116804706A (zh) | 一种电动汽车锂电池温度预测方法及装置 | |
| CN117400785A (zh) | 纯电续航里程的预测方法、装置、电子设备及车辆 | |
| CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
| CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
| CN116125289A (zh) | 基于局部电压片段和集成学习的锂电池健康状态估计方法 | |
| CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
| CN117390867A (zh) | 一种能耗评估方法、装置、电子设备以及介质 | |
| CN116029329A (zh) | 一种焦虑里程值预测方法、装置、系统以及存储介质 | |
| CN114492169B (zh) | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 | |
| CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230428 |
|
| RJ01 | Rejection of invention patent application after publication |