CN116070738A - 基于轨迹预测的城市移动充电桩的迁移方法和系统 - Google Patents
基于轨迹预测的城市移动充电桩的迁移方法和系统 Download PDFInfo
- Publication number
- CN116070738A CN116070738A CN202211597873.6A CN202211597873A CN116070738A CN 116070738 A CN116070738 A CN 116070738A CN 202211597873 A CN202211597873 A CN 202211597873A CN 116070738 A CN116070738 A CN 116070738A
- Authority
- CN
- China
- Prior art keywords
- track
- user
- mobile charging
- urban mobile
- subinterval
- 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 47
- 238000013508 migration Methods 0.000 title claims abstract description 43
- 230000005012 migration Effects 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000036962 time dependent 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开了一种基于轨迹预测的城市移动充电桩的迁移方法。该方法通过获取用户终端分散的位置信息，经过向量化处理后构建轨迹嵌入序列，获得基于轨迹嵌入序列的出行轨迹表。将出行轨迹表中用户的历史轨迹T分割为的n个片段轨迹，以片段轨迹相似度进行轨迹分组，确定不同分组中用户的地址偏好概率，根据用户充电的地址偏好概率以及轨迹置信度，预测用户的出行的完整轨迹，根据完整轨迹确定任意用户途径子区间的选址期望值，选择出行轨迹表中期望最高的地点作为推荐的城市移动充电桩选址位置。本发明还公开了一种用于实现基于轨迹预测的城市移动充电桩迁移方法的迁移系统。
Description
技术领域
本发明涉及数据处理技术，尤其涉及一种基于轨迹预测的城市移动充电桩的迁移方法和系统。
背景技术
现有技术中，对于移动充电桩等服务类设施的迁移选址方法主要采用分布核密度确定需求点，通过筛选后确定密度最高的覆盖点。例如，在文献《基于服务需求的出租汽车服务站选址方法》（叶臻等，交通运输部科学研究院，2019）中就提出了一种通过核密度估计法确定出租车服务站选址的方法。再例如，CN202010351142.8公开了一种充电桩选址布设方法及系统，通过地理识别技术确定周边环境的分布情况，从而确定最高效率的选址。上述技术手段在轨迹预测过程中都需要较大样本容量的位置数据作为支撑，预测细粒度局限于“位置点”，而非“位置轨迹”。因此，现有技术希望围绕用户的移动终端，依靠有限的位置信息的基础上，基于片段轨迹尽可能精确地识别车辆的轨迹。进一步的，现有技术希望通过聚类分组的方法，根据车辆移动的与偏好进行高效的轨迹预测，提供一种城市移动充电桩的选址方法。
发明内容
针对上述问题，本发明提供了一种基于轨迹预测的城市移动充电桩的迁移方法和系统，通过调用用户车辆终端有限的位置信息，根据用户车辆中片段轨迹相似度作为分组标准，结合用户个人信息为轨迹预测提供一置信度条件，通过轨迹分组与地址偏好概率预测车辆的出行轨迹，并根据出行轨迹中重合的地点区域作为移动充电桩的选址推荐点。
本申请的发明目的可通过以下技术方案实现：
一种基于轨迹预测的城市移动充电桩的迁移方法，包括以下步骤：
步骤1：确定城市移动充电桩的寻址区间，调取该寻址区间的地理空间数据，根据地理空间数据将寻址区间分割为多个子区间；
步骤2：调取多个用户终端设备的位置信息和时间信息，提取空间特征向量与时间特征向量，生成一轨迹嵌入序列；
步骤3：将轨迹嵌入序列映射至地理空间数据，生成至少一个的用户出行轨迹表，出行轨迹表存储至用户数据库，出行轨迹表包含用户与时间相关的历史轨迹T；
步骤4：将子区间分为访问频率大于基准频率的第一子区间以及访问频率小于等于基准频率的第二子区间，轨迹预测单元将用户的历史轨迹T分割为n个片段轨迹，T={Ti｜i≤n}，每个片段轨迹Ti仅与唯一的第一子区间相交；
步骤5：根据任意用户终端设备的多个片段轨迹确定任意用户的轨迹函数f(Ti)，通过损失函数比对至少两个用户的轨迹函数的相似度，相似度高的用户轨迹单独分组，记录各个组中用户的地址偏好概率；
步骤6：调用用户的属性参数，根据用户的属性参数为历史轨迹T的任意片段轨迹设置轨迹置信度KTi预测用户完整轨迹；
步骤7：统计多个子区间内用户完整轨迹的数量，确定各个子区间的选址期望值；
步骤8：将选址期望值最大的子区间作为一城市移动充电桩的目标地址，若城市移动充电桩分配完毕，进入步骤9，否则进入步骤8；
步骤9：根据目标地址与选定子区间的欧式距离，调整任意未被选定子区间的选址期望值，返回至步骤7；
步骤10：根据目标地址将全部城市移动充电桩的迁移至对应的子区间。
在本发明中，在步骤8中，选取与子区间距离最小的未被选取的城市移动充电桩。
在本发明中，寻址区间通过将城市移动充电桩的迁移地点位置信息的离散向量转变为低维度向量进行表示，寻址区间内包含城市移动充电桩迁移地点位置的地理空间数据。
在本发明中，轨迹嵌入序列由空间特征向量以及时间特征向量共同组成，其中，空间特征向量标识为用户的地理坐标，包括经度、纬度、所属行政规划区三个变量组成，时间特征向量为用户访问各个验码位置签到的时间值，相应的时间值与位置信息共同构成时间矩阵。
在本发明中，时间矩阵基于空间特征向量与时间特征向量的重参数化方法获得，地点位置信息中包含时间矩阵中的隐层向量，隐层向量为周边的其他地点的空间特征向量以及时间特征向量的提取提供位置拓扑关系。
在本发明中，出行轨迹表为用户终端定位的位置信息与时间构成的集合，轨迹云终端为共享数据服务器，通过无线网络通信协议构成的云存储终端设备。
在本发明中，基于移动形状复杂度、 用户访问频次、时间阈值将用户历史轨迹T分割成片段轨迹。
在本发明中，基于用户的出行轨迹表中属性参数的出现频率确定轨迹置信度KTn。
在本发明中，属性参数至少包含用户的家庭住址、工作地址，根据用户的属性参数赋予该用户对应轨迹下的轨迹置信度KTn。
一种基于轨迹预测的城市移动充电桩的迁移系统，该迁移系统用于所述基于轨迹预测的城市移动充电桩的迁移方法，该迁移系统包括用户数据库、轨迹获取单元、数据处理单元、数据分析单元、轨迹预测单元、指令发送单元，
用户数据库存储多个用户的属性参数；
轨迹获取单元调取该寻址区间的地理空间数据并生成n个片段轨迹；
数据处理单元根据任意用户终端设备的的多个片段轨迹确定任意用户的轨迹函数；
数据分析单元统计多个子区间内用户完整轨迹的数量，确定各个子区间的选址期望值；
轨迹预测单元基于用户的属性参数设置轨迹置信度，预测用户完整轨迹；
指令发送单元确定各个子区间的选址期望值，并基于选址期望值确定城市移动充电桩的目标地址。
实施本发明的基于轨迹预测的城市移动充电桩的迁移方法和系统，具有以下有益效果：通过获取用户的位置信息，符合应用实际，数据可得性较高；将用户历史轨迹分割为片段轨迹，以片段轨迹进行识别，减少了复杂的计算过程，成本能够得到有效控制；按照用户地址偏好概率分组进行轨迹预测，并引入用户个人信息作为置信度标准，可以提高轨迹预测在有限样本容量下的精确度，基于该方法的城市移动充电桩迁移后的选址地点更加符合地区车辆的出行习惯，提升城市移动充电桩的迁移后的辐射率与覆盖率。
附图说明
图1为本发明的基于轨迹预测的城市移动充电桩的迁移方法的流程图；
图2为本发明通过轨迹嵌入序列构建的动态拓扑结构示意图；
图3为本发明不同偏好点以及其片段轨迹预测结果示意图；
图4为本发明的基于轨迹预测的城市移动充电桩的迁移系统的框图。
具体实施方式
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。
现有技术下，城市移动充电桩的建设选址一般是根据城市常住人口密度，公共场所人员聚集密度进行选择，这种选址方法的主观倾向明显，建成后的城市移动充电桩辐射密度与覆盖率都无法得到保障。本发明通过轨迹预测的方式获取区域居民的出行轨迹，将通过用户终端获取的分散、集中的位置数据信息转变为轨迹路线图，根据轨迹分布完成移动充电桩的迁移。本发明通过基于历史轨迹的迭代算法，选择不同的子区间作为迁移目标，可以实现不同区域内的移动充电桩的周期性迁移。相对于现有的那些固定选址的充电桩，本发明更能适应用户密度发生变化的情形。
实施例一
本实施例详述的一种基于轨迹预测的城市移动充电桩的迁移方法和系统，用于实现现有城市移动充电桩迁移最佳选址的推荐。参照图1，该方法包括以下步骤：
步骤1：确定城市移动充电桩的寻址区间，轨迹获取单元调取该寻址区间的地理空间数据，根据地理空间数据将寻址区间分割为多个子区间。
寻址区间为所选取城市移动充电桩规定的范围，寻址区间信息预先设定以边界经纬度的方式输入轨迹预测单元进行处理。轨迹获取单元通过服务终端平台调取所确定寻址区间的地理空间数据，以栅格的形式将寻址区间划分为多个子区间，栅格密度决定了最终迁移目标地点的精确度，栅格密度越大则最终迁移目标地点的精确度更高。本实施例中，栅格数量为寻址区间在地理空间中比例面积的0.1%。
步骤2：获取用户终端的GPRS定位信息，通过API接口接入数据终端平台，调用用户终端位置的地址与时间信息，提取用户位置的空间特征向量与时间特征向量，生成一轨迹嵌入序列。
步骤3：将轨迹嵌入序列映射至地理空间数据，生成至少一个的用户出行轨迹表，出行轨迹表存储至用户数据库，出行轨迹表包含用户与时间相关的历史轨迹T。由于位置信息及位置对应的时间点可以通过数据终端平台获取的，但是轨迹预测的时间与地点均是未知的，因此，在对用户轨迹进行预测之前，需要提取用户位置的时间特征与空间特征，参照图2，所述时间特征向量与空间特征向量的提取具体包括以下三个步骤：
步骤31：调用城市公共区域数据，提取用户位置点的访问时间与地理位置，利用变分自编码器构建时间向量，通过对用户与位置的时间特征域空间特征相连接，构建对应的时空特征；
步骤32：将用户的时间特征映射到城市地理空间，签到验码位置与用户的动态拓扑结构如图2所示，若用户对位置有地点信息记录，则两节点连线；
步骤33：系统平台根据上述步骤，生成至少一个的用户出行轨迹表，出行轨迹表中包括签到验码地点在城市内的空间特征、签到验码位置与用户的动态拓扑结构、用户在特定时间内的历史轨迹T，出行轨迹表存储至用户数据库。
在本实施例中，用户在某一特定时间段内所产生的历史轨迹为T={T1,T2,…,Tn}，定义Qij表示用户A在特定时间戳tj所获取的位置信息，j∈[1,n]，Qij包含签到验码地点的经度、维度以及行政区划，当用户在系统端签到成功之后，记录一个链接情况。
特殊的，对于未知用户产生的多条历史轨迹，并没有在用户端的地点信息数据，或者用户端所记录的地点信息数据过少，存在多条轨迹未链接的情况，构建未链接轨迹集合Ti={T1,T2,…,Tm}，建立用户集合U={u1,u2,…,un}，(m＞n)，将未链接轨迹集合建立与用户集合之间的映射关系Ti→U。
步骤4：将子区间分为访问频率大于基准频率的第一子区间以及访问频率小于等于基准频率的第二子区间，轨迹预测单元将用户的历史轨迹T分割为n个片段轨迹，T={Ti｜i≤n}，每个片段轨迹Ti仅与唯一的第一子区间相交。
用户历史轨迹T分割成片段轨迹基于三种方法作为标准进行处理，包括移动形状复杂度的划分机制、签到验码点访问频次的划分机制、时间阈值的划分机制，不同的历史轨迹T分割方法得到的片段轨迹数量与属性均不相同。本实施例优选的分割片段轨迹的划分机制选择时间阈值作为历史轨迹的分割标准，设置的时间阈值为5小时。
在本实施例中，将城市区域内的所有地点中，统计位置频次占比前20%设置为第二子区间，统计位置频次占比大于前20%的设置为第一子区间，第二子区间构成用户轨迹分组的标准之一，第一子区间对轨迹分组不具有参考价值。参照图3，子区间中访问频率占基准频率后10%的定义为噪声区间，若多个相邻网格区域内存在若干个噪声区间，则将若干个噪声点的集合视作第二子区间。轨迹预测过程中，第二子区间中包含的片段轨迹包含多个片段轨迹集合。
步骤5：轨迹预测单元根据任意用户终端设备的的多个片段轨迹确定任意用户的轨迹函数f(Ti)，通过损失函数比对至少两个用户的轨迹函数的相似度，相似度高的用户轨迹单独分组，记录各个组中用户的地址偏好概率。其中，在时间区间[a,b]内，损失函数Loss(f(x1),f(x2),…,f(xn))=a b[f(x1)-f(x2)-…-f(xn)]2dx；
将历史轨迹T划分为多个片段轨迹Tn，片段轨迹在轨迹嵌入序列中构成与时间相关的多变量函数，通过对片段的比较确定用户轨迹函数的相似度。由于轨迹是无序的，将片段轨迹置入轨迹嵌入序列所得到的轨迹函数f(Tn)也会是离散的。本实施例优选的一种通过损失函数比较多条轨迹函数损失值α的方式，定义在[a,b]区间内，轨迹函数损失值α=Loss(f(x1),f(x2),…,f(xn))/b-a，将函数损失值α与0的偏移程度作为轨迹函数相似度的标准，损失值α偏移0的程度越大，所对比的轨迹函数相似度越低，反之，所对比的轨迹函数相似度越低。
步骤6：轨迹预测单元调用用户的属性参数，根据用户的属性参数为历史轨迹T的任意片段轨迹设置轨迹置信度KTi，按照各个组中用户的地址偏好概率与轨迹置信度KTi预测用户完整轨迹。
在本实施例中，用户终端通过API接口接入数据终端平台，调用用户的个人信息，所述个人信息包括家庭地址、工作地址，利用长短期记忆网络(LSTM)与循环门单元(GRU)计算用户个人信息的属性参数，比较用户出行轨迹表中属性参数的出现频率，确定轨迹置信度KTn的系数值，该系数值为第二子区间中的用户地点信息是否为用户的租住地址或工作地址，得到的概率在二项分布中转换为权重系数，将该权重系数作为轨迹置信度KTn的系数值。在LSTM模型中，采用激活sigmoid函数对签到位置的片段轨迹进行密度属性点标识，在神经网络的tanh层中，输出门可以对用户签到验码位置包含的状态信息进行定义，所述状态信息包括栅格化处理后的时空特征参数。在此基础上构建轨迹与用户之间的链接，保存用户历史轨迹、经过的子区间，通过softmax函数完成用户与完整预测轨迹的映射。
步骤7：统计多个子区间内用户完整轨迹的数量，确定各个子区间的选址期望值。其中，轨迹预测单元遍历所有的出行轨迹表，若出行轨迹表中某个子区间在所有出行轨迹表中存在至少一次的重合，则记录一次该子区间的频次，计算多个子区间在出行轨迹表中的重合频次，根据重合频次赋予子区间一期望值，按照期望值排序作为推荐的城市移动充电桩的迁移地点。
步骤8：将选址期望值最大的子区间作为一城市移动充电桩的目标地址，若城市移动充电桩分配完毕，进入步骤9，否则进入步骤8。本实施例可以采用数据栈结构，依次排列城市移动充电桩，选取与子区间距离最小的未被选取的城市移动充电桩。该方法可以保证需要移动充电桩的子区间可以选择到最近的移动充电桩，降低移动充电桩的移动距离。
本实施例优选的区域地点编码方式，通过对城市空间地图进行5位栅格化处理，按照二维空间中地区的经纬度数据值编码成相应的字符串，对于不同的编码程度，其表示的范围区间不同，字符串越长，那么则说明字符串相似的表示距离更近。
步骤9：根据目标地址与选定子区间的欧式距离，调整任意未被选定子区间的选址期望值，返回至步骤7。
在本实施例中，目标地址周边子区间与预测后的用户轨迹相交次数为频次大小，按照频次为各个子区间选址赋予一期望值，特殊的，若用户出行轨迹预测的样本容量较少，或子区间中与预测轨迹相交频次较低，多个城市移动充电桩的迁移选址无法一次完成。基于子区间与目标地址之间的欧氏距离长度，尽可能选取目标地址与子区间距离较近的目标地址进行二次分配。
步骤10：根据目标地址将全部城市移动充电桩的迁移至对应的子区间，完成城市移动充电桩的迁移过程。
参照图4，一种基于轨迹预测的城市移动充电桩的迁移系统包括轨迹获取单元、轨迹预测单元、轨迹预测单元、用户数据库，其中，用户数据库包含轨迹获取单元、轨迹预测单元与轨迹预测单元中的全部信息，轨迹获取单元通过终端平台调用用户的位置信息数据，终端平台基于用户的家庭住址、工作单位为 轨迹预测单元为任意轨迹分配置信度通过调用终端平台基于用户的家庭住址、工作地址等相关信息。
实施例二
如图4，本实施例的这种基于轨迹预测的城市移动充电桩的迁移系统，用于实所述基于轨迹预测的城市移动充电桩的迁移方法。该迁移系统包括用户数据库、轨迹获取单元、数据处理单元、数据分析单元、轨迹预测单元、指令发送单元。用户数据库存储多个用户的属性参数；轨迹获取单元调取该寻址区间的地理空间数据并生成n个片段轨迹；数据处理单元根据任意用户终端设备的的多个片段轨迹确定任意用户的轨迹函数。数据分析单元统计多个子区间内用户完整轨迹的数量，确定各个子区间的选址期望值。轨迹预测单元基于用户的属性参数设置轨迹置信度，预测用户完整轨迹。指令发送单元确定各个子区间的选址期望值，并基于选址期望值确定城市移动充电桩的目标地址。
实施例三
本实施例进一步公开了本发明的用户出行地址偏好概率的预测方法。该方法利用修正轨迹函数与轨迹置信度判断确定用户出行地址偏好概率的预测，在此基础上确定城市移动充电桩的迁移至对应的子区间内的选址期望值。
在本实施例中，由于用户地址偏好概率与其分组并不是固定的，并且受到时间的影响相对较大。优选的，统计地址偏好概率概率，通过时间感知的衰减函数对地址偏好概率随时间变化的相对重要性，在本实施例中，对于用户从任意一偏好点X到达另一任意偏好点Y，地址偏好概率模型，其中，t为出行中历史轨迹的起始时间，ti与tj分别为用户在偏好点X与偏好点Y上传位置信息之后，系统终端收到成功链接的时间，M为用户从X偏好点访问Y偏好点的次数，N为用户在历史轨迹T中访问X偏好点的次数，ρ为时间感知的衰减函数中的超参数。
根据任意分组内的地址偏好概率模型，用户下一步未知的出行地点只能是其历史轨迹T中所经历过的地点，但是并不排除有定位数据较少，轨迹数据过于稀疏的情况，在这种情况下，本模型会按照轨迹分组结果主导进行轨迹预测。在本实施例中，为了尽可能避免这一问题的出现，系统可以按照多次预测结果与实际结果的比较优化个人偏好模型。从X偏好点到Y偏好点的期望γ是不断调整的。预测模型为：，其中，ρ为时间感知的衰减函数中的超参数，γ=[γ0,γ1,γ2]T，s为系统通过个人偏好模型观察各个用户历史轨迹所得到的矩阵，为个人偏好模型构建的个人偏好矩阵。
为了达到更好的预测效果，本发明对预测模型进行不断优化，通过接入终端平台，可以获取大量的用户历史轨迹数据，为模型的优化提供了良好的数据样本。在本实施例中，选择用户三个月的轨迹数据作为训练样本，分为工作日训练样本与节假日训练样本，模型可以在经过训练之后，按照当前时间矩阵中的日期参数，分工作日与节假日进行轨迹预测。
以上所述仅为本发明的较佳实施例而已，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，等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，包括以下步骤：
步骤1：确定城市移动充电桩的寻址区间，调取该寻址区间的地理空间数据，根据地理空间数据将寻址区间分割为多个子区间；
步骤2：调取多个用户终端设备的位置信息和时间信息，提取空间特征向量与时间特征向量，生成一轨迹嵌入序列；
步骤3：将轨迹嵌入序列映射至地理空间数据，生成至少一个的用户出行轨迹表，出行轨迹表存储至用户数据库，出行轨迹表包含用户与时间相关的历史轨迹T；
步骤4：将子区间分为访问频率大于基准频率的第一子区间以及访问频率小于等于基准频率的第二子区间，轨迹预测单元将用户的历史轨迹T分割为n个片段轨迹，T={Ti｜i≤n}，每个片段轨迹Ti仅与唯一的第一子区间相交；
步骤5：根据任意用户终端设备的的多个片段轨迹确定任意用户的轨迹函数f(Ti)，通过损失函数比对至少两个用户的轨迹函数的相似度，相似度高的用户轨迹单独分组，记录各个组中用户的地址偏好概率；
步骤6：调用用户的属性参数，根据用户的属性参数为历史轨迹T的任意片段轨迹设置轨迹置信度KTi预测用户完整轨迹；
步骤7：统计多个子区间内用户完整轨迹的数量，确定各个子区间的选址期望值；
步骤8：将选址期望值最大的子区间作为一城市移动充电桩的目标地址，若城市移动充电桩分配完毕，进入步骤9，否则进入步骤7；
步骤9：根据目标地址与选定子区间的欧式距离，调整任意未被选定子区间的选址期望值；
步骤10：根据目标地址将全部城市移动充电桩的迁移至对应的子区间。
2.根据权利要求1所述的基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，在步骤8中，选取与子区间距离最小的未被选取的城市移动充电桩。
3.根据权利要求1所述的基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，寻址区间通过将城市移动充电桩的迁移地点位置信息的离散向量转变为低维度向量进行表示，寻址区间内包含城市移动充电桩迁移地点位置的地理空间数据。
4.根据权利要求1所述的基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，轨迹嵌入序列由空间特征向量以及时间特征向量共同组成，其中，空间特征向量标识为用户的地理坐标，包括经度、纬度、所属行政规划区三个变量组成，时间特征向量为用户访问各个验码位置签到的时间值，相应的时间值与位置信息共同构成时间矩阵。
5.根据权利要求4所述的基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，时间矩阵基于空间特征向量与时间特征向量的重参数化方法获得，地点位置信息中包含时间矩阵中的隐层向量，隐层向量为周边的其他地点的空间特征向量以及时间特征向量的提取提供位置拓扑关系。
6.根据权利要求1所述的基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，出行轨迹表为用户终端定位的位置信息与时间构成的集合，轨迹云终端为共享数据服务器，通过无线网络通信协议构成的云存储终端设备。
7.根据权利要求1所述的基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，基于移动形状复杂度、 用户访问频次、时间阈值将用户历史轨迹T分割成片段轨迹。
8.根据权利要求1所述的基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，基于用户的出行轨迹表中属性参数的出现频率确定轨迹置信度KTn。
9.根据权利要求1所述的基于轨迹预测的城市移动充电桩的迁移方法，其特征在于，属性参数至少包含用户的家庭住址、工作地址，根据用户的属性参数赋予该用户对应轨迹下的轨迹置信度KTn。
10.一种根据权利要求1所述的用于实现基于轨迹预测的城市移动充电桩迁移方法的迁移系统，其特征在于，该迁移系统包括用户数据库、轨迹获取单元、数据处理单元、数据分析单元、轨迹预测单元、指令发送单元，
用户数据库存储多个用户的属性参数；
轨迹获取单元调取该寻址区间的地理空间数据并生成n个片段轨迹；
数据处理单元根据任意用户终端设备的多个片段轨迹确定任意用户的轨迹函数；
数据分析单元统计多个子区间内用户完整轨迹的数量，确定各个子区间的选址期望值；
轨迹预测单元基于用户的属性参数设置轨迹置信度，预测用户完整轨迹；
指令发送单元确定各个子区间的选址期望值，并基于选址期望值确定城市移动充电桩的目标地址。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597873.6A CN116070738A (zh) | 2022-12-14 | 2022-12-14 | 基于轨迹预测的城市移动充电桩的迁移方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597873.6A CN116070738A (zh) | 2022-12-14 | 2022-12-14 | 基于轨迹预测的城市移动充电桩的迁移方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116070738A true CN116070738A (zh) | 2023-05-05 |
Family
ID=86174077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211597873.6A Pending CN116070738A (zh) | 2022-12-14 | 2022-12-14 | 基于轨迹预测的城市移动充电桩的迁移方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070738A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117979225A (zh) * | 2024-03-29 | 2024-05-03 | 北京大也智慧数据科技服务有限公司 | 健身步道的选址方法、装置、存储介质及电子设备 |
-
2022
- 2022-12-14 CN CN202211597873.6A patent/CN116070738A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117979225A (zh) * | 2024-03-29 | 2024-05-03 | 北京大也智慧数据科技服务有限公司 | 健身步道的选址方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
| CN107872808B (zh) | 一种wlan站址预测分析方法及装置 | |
| Bao et al. | Spatial analysis of bikeshare ridership with smart card and POI data using geographically weighted regression method | |
| CN102332210A (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
| CN108564391A (zh) | 一种考虑主客观信息的共享电动汽车需求预测方法及系统 | |
| CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
| CN112784491B (zh) | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 | |
| CN116437291B (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
| CN112785029A (zh) | 一种基于深度聚类模型的充电站用电量预测方法 | |
| CN112954623B (zh) | 一种基于手机信令大数据的居民入住率估算方法 | |
| CN110659769A (zh) | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 | |
| CN116546521A (zh) | 一种基于数字孪生技术的移动通信网络覆盖优化方法 | |
| CN116070738A (zh) | 基于轨迹预测的城市移动充电桩的迁移方法和系统 | |
| CN110059860A (zh) | 一种城市的公共充电站位置布局多目标优化方法 | |
| Jamil et al. | Taxi passenger hotspot prediction using automatic ARIMA model | |
| CN114723480B (zh) | 一种针对乡村旅游的客流量预测方法及货物调度系统 | |
| CN117041992A (zh) | 基于5g技术实现城市基站构建方法及电子设备 | |
| CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| CN116680586A (zh) | 一种基于访问概率的城市居民活动空间访问模式分析方法 | |
| CN116257704A (zh) | 一种基于用户时空行为与社交信息的兴趣点推荐方法 | |
| CN115660157A (zh) | 智慧城市充电桩建造规划方法和物联网系统、装置及介质 | |
| CN115640756A (zh) | 一种基于多源数据的停车需求预测模型、方法及其应用 | |
| CN115330069A (zh) | 信息处理方法及装置 | |
| CN114943407A (zh) | 区域规划方法、装置、设备、可读存储介质及程序产品 |
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 |