CN116542005A - 基于深度学习的换电柜网络布局方法、系统、装置及介质 - Google Patents

基于深度学习的换电柜网络布局方法、系统、装置及介质 Download PDF

Info

Publication number
CN116542005A
CN116542005A CN202310821603.7A CN202310821603A CN116542005A CN 116542005 A CN116542005 A CN 116542005A CN 202310821603 A CN202310821603 A CN 202310821603A CN 116542005 A CN116542005 A CN 116542005A
Authority
CN
China
Prior art keywords
cabinet
battery
data
deep learning
falling
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
CN202310821603.7A
Other languages
English (en)
Other versions
CN116542005B (zh
Inventor
李朝
刘玄武
肖劫
任国奇
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.)
Hangzhou Yugu Technology Co ltd
Original Assignee
Hangzhou Yugu Technology Co ltd
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 Hangzhou Yugu Technology Co ltd filed Critical Hangzhou Yugu Technology Co ltd
Priority to CN202310821603.7A priority Critical patent/CN116542005B/zh
Publication of CN116542005A publication Critical patent/CN116542005A/zh
Application granted granted Critical
Publication of CN116542005B publication Critical patent/CN116542005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的换电柜网络布局方法、系统、装置及介质，根据换电柜的当前特征数据获取所述换电柜的原始特征向量，以及目标点位的落柜标签；确定所述原始特征向量和所述落柜标签之间的相关性系数，并根据所述相关性系数进行特征选择，获取输入数据；采用基于所述换电柜的历史特征数据预先训练好的深度学习网络模型，根据所述输入数据获取预测标签；基于所述预测标签和所述换电柜的点位特征参数，确定所述目标点位的换电柜落柜数量。本发明充分利用多重特征维度信息获取换电柜网络可行性点位的落柜数量，既减小了换电柜网络点位预测的偏差，也减小了由于历史因素信息缺失比较严重时，影响到推荐的落柜点位数量的总体误差。

Description

基于深度学习的换电柜网络布局方法、系统、装置及介质
技术领域
本发明涉及一种换电柜网络布局技术领域，尤其涉及一种基于深度学习的换电柜网络布局方法、系统、装置及介质。
背景技术
为了为外卖骑手提供便捷的服务，在各城市各区域的车行、门店和商圈进行换电柜安置。目前换电柜安置采用以城市维度的客观经验来输出换电柜网络布局方案，此种方法需要进行前期调研，根据调研结果进行换电柜网络布局，但是会存在前期调研的不充分、信息不准确。
现有的根据深度学习数据模型输出的换电柜网络布局方案对换电柜安置能够起到智能化和数字化作用，避免基于以城市维度的客观经验造成信息不准确。但是目前的深度学习数据模型输出的换电柜网络布局方案还是会存在预测不准确的缺陷，进而影响换电柜网络布局方案的有效性。
发明内容
本发明的目的在于提供一种基于深度学习的换电柜网络布局方法、系统、装置及介质，解决了现有技术中基于以城市维度的客观经验造成信息不准确，存在预测不准确的缺陷，进而影响换电柜网络布局方案的有效性的问题。
本发明第一方面提供一种基于深度学习的换电柜网络布局方法，包括：
根据换电柜的当前特征数据获取换电柜的原始特征向量，以及目标点位的落柜标签，当前特征数据包括换电柜的位置信息和换电柜的使用信息，落柜标签用于表征目标点位是否设置换电柜；
确定原始特征向量和落柜标签之间的相关性系数，并根据相关性系数进行特征选择，获取输入数据；
采用基于换电柜的历史特征数据预先训练好的深度学习网络模型，根据输入数据获取预测标签；
基于预测标签和换电柜的点位特征参数，确定目标点位的换电柜落柜数量，点位特征参数包括路径推荐参数和电池供应参数。
作为优选，当前特征数据包括用户与换电柜交互特征数据、换电柜特征数据和骑手信息特征数据。
作为优选，根据相关性系数进行特征选择，获取输入数据包括：
根据相关性系数从大到小的顺序对原始特征向量中的特征进行排序；
根据预设数量和排序从原始特征向量中选择相关性系数高的特征作为输入数据。
作为优选，基于预测标签和换电柜的点位特征参数，确定目标点位的换电柜落柜数量，点位特征参数包括路径推荐参数和电池供应参数包括：
获取目标点位处换电柜的路径推荐参数和电池供应参数，并对路径推荐参数和电池供应参数进行数据归一化，获取对应的路径推荐分数值和电池供应分数值；
根据预测标签、路径推荐分数值和电池供应分数值，确定目标点位的综合分数；
将综合分数按照区间划分等级，根据等级获取对应换电柜落柜数量。
作为优选，确定原始特征向量和落柜标签之间的相关性系数之前，方法还包括：
在设定周期中，按照预设时间间隔，确定目标点位处换电柜的当前特征数据存在缺失的目标时刻；
根据目标时刻的相邻时刻对应的当前特征数据，进行前向填充或后向填充，得到目标时刻对应的特征数据。
作为优选，确定原始特征向量和落柜标签之间的相关性系数之前，方法还包括：
在设定经纬度范围内，按照预设时间间隔，确定当前特征数据中每个经纬度处的换电柜落柜数量；
根据预设时间间隔内每个时间点，采用线性增加的方式更新每个经纬度坐标值，得到更新后的特征数据。
作为优选，确定原始特征向量和落柜标签之间的相关性系数之前，方法还包括：
对当前特征数据进行数据精度压缩处理和/或数据标准化处理。
本发明第二方面提供一种基于深度学习的换电柜网络布局系统，包括：
数据获取模块，用于根据换电柜的当前特征数据获取换电柜的原始特征向量，以及目标点位的落柜标签，当前特征数据包括换电柜的位置信息和换电柜的使用信息，落柜标签用于表征目标点位是否设置换电柜；
特征数据选择模块，用于确定原始特征向量和落柜标签之间的相关性系数，并根据相关性系数进行特征选择，获取输入数据；
预测标签输出模块，用于采用基于换电柜的历史特征数据预先训练好的深度学习网络模型，根据输入数据获取预测标签；
落柜数量输出模块，用于基于预测标签和换电柜的点位特征参数，确定目标点位的换电柜落柜数量，点位特征参数包括路径推荐参数和电池供应参数。
本发明第三方面提供一种基于深度学习的换电柜网络布局装置，包括存储器和一个或多个处理器，存储器中存储有可执行代码，一个或多个处理器执行可执行代码时，用于实现上述任一项的基于深度学习的换电柜网络布局方法。
本发明第四方面提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述任一项的基于深度学习的换电柜网络布局方法。
本发明的有益效果至少包括：本发明充分利用多重特征维度信息，包括换电柜网络布局前期收集到的特征信息，以及后续换电柜网络布局运营情况的特征信息，获取换电柜网络可行性点位的落柜数量，既减小了换电柜网络点位预测的偏差，也减小了由于历史因素信息缺失比较严重时，影响到推荐的落柜点位数量的总体误差，进而能够在现实复杂环境换电柜网络布局中给出智能化的建议。
附图说明
图1为本发明实施例提供的基于深度学习的换电柜网络布局方法的流程示意图；
图2为本发明实施例提供的确定相关性系数之前数据填充处理的流程示意图；
图3为本发明实施例提供的确定相关性系数之前数据标签处理的流程示意图；
图4为本发明实施例提供的获取输入数据的流程示意图；
图5为本发明实施例提供的确定换电柜落柜数量的流程示意图；
图6为本发明实施例提供的基于深度学习的换电柜网络布局系统的框图；
图7为本发明实施例提供的电子设备的内部结构示意图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
显而易见地，下面描述中的附图仅仅是本发明的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本发明应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本发明揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本发明公开的内容不充分。
在本发明中提及“实施例”意味着，结合实施例描述的特定持征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本发明所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本发明所涉及的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明所涉及的”一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本发明所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本发明所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本发明所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本发明所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
图1为本发明实施例提供的基于深度学习的换电柜网络布局方法的流程示意图，如图1所示，该方法包括以下步骤：
步骤S101、根据换电柜的当前特征数据获取换电柜的原始特征向量，以及目标点位的落柜标签，当前特征数据包括换电柜的位置信息和换电柜的使用信息，落柜标签用于表征目标点位是否设置换电柜。
当前特征数据包括用户与换电柜交互特征数据、换电柜特征数据和骑手信息特征数据。
在步骤S101中换电柜的当前特征数据可通过大数据平台获取得到，并对采集到的数据进行清洗，去除无效数据、重复数据等，通过数据分析和挖掘技术，提取出原始特征向量以及目标点位的落柜标签。例如，针对用户与换电柜交互特征数据所提取到的原始特征向量为用户使用换电柜的频率、持续时间、时间、地点等；针对换电柜特征数据所提取到的原始特征向量为换电柜的地理分布、换电订单数量、电池电量、故障率、维护周期等；针对骑手信息特征数据所提取到的原始特征向量为骑行习惯、换电习惯、换电频率等，本实施例尽可能多的提取到相关特征数据，此处不再一一赘述。目标点位的落柜标签在本发明实施例中采用标签1表示目标点位设置有换电柜，标签0表示目标点位未设置换电柜。
步骤S102、确定原始特征向量和落柜标签之间的相关性系数，并根据相关性系数进行特征选择，获取输入数据。
步骤S102中确定原始特征向量和落柜标签之间的相关性系数的计算公式采用：
其中，X为包括各个维度的原始特征向量，Y为落柜标签，标签1表示目标点位设置有换电柜，标签0表示目标点位未设置换电柜，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。相关系数的值域在[-1,1]之间。当相关系数越接近1时，说明两个变量之间的正线性关系越强；当相关系数越接近-1时，说明两个变量之间的负线性关系越强；当相关系数接近0时，说明两个变量之间不存在线性关系。
在步骤S102之前，该方法还包括数据预处理，数据预处理可以提高采集到的当前特征数据的质量和准确性，增加当前特征数据的多样性和全面性，方便预处理后得到的原始特征向量和落柜标签的使用和分析，提高模型的准确性和效率，从而更好地支持数据分析和应用。
图2为本发明实施例提供的确定相关性系数之前数据填充处理的流程示意图，如图2所示，在图1所示流程的基础上，在步骤S102之前，该方法还包括以下步骤：
步骤S201、在设定周期中，按照预设时间间隔，确定目标点位处换电柜的当前特征数据存在缺失的目标时刻。
步骤S202、根据目标时刻的相邻时刻对应的当前特征数据，进行前向填充或后向填充，得到目标时刻对应的特征数据。
前向填充指在序列数据前面填充一定长度的特定值或0；而后向填充则是在序列数据后面填充一定长度的特定值或0，本发明实施例中确定当前特征数据存在缺失的目标时刻t后，若采用前向填充，则将t+1时刻的当前特征数据填充至缺失的目标时刻t内；若采用后向填充，则将t-1时刻的当前特征数据填充至缺失的目标时刻t内。从而保持当前特征数据的完整性，便于处理和计算，进而提高后续深度学习网络模型的训练效率，提高深度学习网络模型的精度。
图3为本发明实施例提供的确定相关性系数之前数据标签处理的流程示意图，如图3所示，在图1所示流程的基础上，在步骤S102之前，该方法还包括以下步骤：
步骤S301、在设定经纬度范围内，按照预设时间间隔，确定当前特征数据中每个经纬度处的换电柜落柜数量。
步骤S302、根据预设时间间隔内每个时间点，采用线性增加的方式更新每个经纬度坐标值，得到更新后的特征数据。
更新每个经纬度坐标值，能够保证在经纬度范围内落柜标签的完整性。例如，如表1所示经纬度范围划分表。
表1 经纬度范围划分表
经度 纬度 F1 F2 F3 F4 落柜数量
T 120.1 31.1 - - - - 1
T+1 121.1 32.1 - - - - 0
T+2 122.1 33.1 - - - - 1
由表1可知，设定经纬度范围：经度(120.1,122.1)，纬度(31.1,33.1)；记录下每个经纬度出现过的落柜数量，但是记录的这个过程是按时间线进行的，也就是说，每个经纬度随着时间的推移不断增加。即增加的方式为线性增加，预设时间间隔内每增加一个时间单位，某个经纬度坐标值增加一个常量，本申请实施例中该常量设置为1，除了经纬度和落柜数量之外，还有一些其他的特征F1、F2、F3、F4，其中包括但不限于电池电量信息、换电订单次数信息、骑手经常换电柜子、高峰期使用电池数、在线电池数、电池容量、格口数量、节假日与否、电价、套餐价格、经度、维度、省份、城市和区域。
可选的，在步骤S102之前，该方法还包括对当前特征数据进行数据精度压缩处理和/或数据标准化处理。
数据精度压缩处理通常是指在不影响数据整体趋势的前提下，对数据进行降低精度的处理。这种处理可以节省存储空间和传输带宽，同时也可以加快数据处理速度和减少计算负载。数据精度压缩处理的方法有很多，常见的包括截断、四舍五入、量化等方式，本申请实施例中的当前特征数据均采用保留小数点后两位的浮点数类型。
常见的标准化方法包括最小-最大标准化、z-score标准化、小数定标标准化等。本申请实施例采用数据归一化，将数据范围放缩至高斯0-1分布。消除数据中的量纲影响，避免不同变量之间的值域差异对分析结果造成的影响，进而加快深度学习网络模型训练速度，并抑制极大值和极小值对深度学习网络模型产生较大的影响。
图4为本发明实施例提供的获取输入数据的流程示意图，如图2所示，在图1所示流程的基础上，步骤S102包括以下步骤：
步骤S401、根据相关性系数从大到小的顺序对原始特征向量中的特征进行排序。
步骤S402、根据预设数量和排序从原始特征向量中选择相关性系数高的特征作为输入数据。本申请实施例中选取相关性系数top24维特征用于深度学习网络模型。
继续参照图1，在步骤S102之后执行步骤S103。
步骤S103、采用基于换电柜的历史特征数据预先训练好的深度学习网络模型，根据输入数据获取预测标签。
步骤S103中使用MLP全连接神经网络和SELF-ATTENTION自注意力机制构建的深度学习网络模型，该模型有三层神经网络，分别是输入层、隐藏层和输出层。可选地，输入层有24个神经元，隐藏层有16个神经元，输出层有2个神经元。该模型用于进行二分类任务，其中0表示不需要落柜，1表示需要落柜。
输入层和隐藏层以及隐藏层和输出层之间采用Relu激活函数进行激活，输出层后衔接Softmax激活函数；SELF-ATTENTION自注意力机制用于构建交叉网络层，其中，header数量为1。SELF-ATTENTION自注意力机制的引入可以使网络更加关注重要的特征，将不重要的特征或噪声特征进行选择性遗忘，从而提高深度学习网络模型的精度和泛化能力。在这个深度学习网络模型中，引入注意力机制的目的就是让24种特征相互交叉构建新的特征，并探究目标标签与这些特征之间的深层次关联关系，从而提高深度学习网络模型的性能。
在对深度学习网络模型的训练阶段，需要构建模型的Loss函数和优化器Optimizer。本发明实施例采用二值交叉熵损失函数Binary Cross Entropy（BCE）：Loss=-yilog(pi)-(1-yi)log(1-pi)
其中，yi表示预测标签，0或1，pi表示预测标签的概率。
最终目标是最小化Loss函数，并输出预测标签yi。为了达到这个目标，需要采用Adam优化器作为优化器Optimizer，并将学习率learning_rate设置为0.0002。将历史特征数据分割成训练集和验证集，其中80%的数据用于训练集，剩余20%的数据用于验证集。最后对深度学习网络模型进行多回合的训练，直到验证集预估准确率达到最大，得到训练好的深度学习网络模型。
步骤S104、基于预测标签和换电柜的点位特征参数，确定目标点位的换电柜落柜数量，点位特征参数包括路径推荐参数和电池供应参数。
在步骤S104中采用的路径推荐参数为热门路径分数，对于热门路径分数可以通过数据分析、机器学习等方法来计算。具体来说，可以收集用户的历史订单数据，通过对用户历史订单的分析，可以得出哪些路径是最热门的，即被用户选择的概率最高的路径。然后，可以根据这些数据来计算每个路径的分数，从而得出最热门的路径。
采用的电池供应参数为供不应求电池数，可通过调查电池换电柜市场情况：可以通过线上和线下调查的方式，了解电池换电柜的市场需求和供应情；或分析电池换电柜价格走势：电池换电柜价格的变化往往反映了其供需状况。如果电池换电柜价格持续上涨，说明供不应求，反之则说明供过于求等等。
图5为本发明实施例提供的确定换电柜落柜数量的流程示意图，如图5所示，在图1所示流程的基础上，步骤S104包括以下步骤：
步骤S501、获取目标点位处换电柜的路径推荐参数和电池供应参数，并对路径推荐参数和电池供应参数进行数据归一化，获取对应的路径推荐分数值和电池供应分数值。
采用softmax函数将路径推荐参数和电池供应参数缩放至值为[0,1]。
步骤S502、根据预测标签、路径推荐分数值和电池供应分数值，确定目标点位的综合分数。
综合分数的计算公式为：score=softmax(softmax(h)*w1+softmax(b)*w2+...+softmax(l)*wn)*100；
其中，h为路径推荐分数，b为电池供应分数，l为其他点位特征参数，w1、w2、...、wn是对应点位特征参数的权重，最终计算获得的综合分数值域为[0,100]。需要说明的是，根据具体场景和使用需求选择其他点位特征，若无其他点位特征参数，则仅依据路径推荐分数和电池供应分数确定点位的综合分数即可。
步骤S503、将综合分数按照区间划分等级，根据等级获取对应换电柜落柜数量。
在步骤S503中将综合分数60-80划分为1星，80-90划分为2星，90-100划分为3星，根据等级从大到小进行排序输出推荐等级，并根据等级获取对应换电柜落柜数量，3星推荐目标点位的换电柜落柜数量为3台，2星推荐目标点位的换电柜落柜数量为2台，1星推荐目标点位的换电柜落柜数量为1台。
通过步骤S101至步骤S104，本发明充分利用多重特征维度信息，包括换电柜网络布局前期收集到的特征信息，以及后续换电柜网络布局运营情况的特征信息，获取换电柜网络可行性点位的落柜数量，既减小了换电柜网络点位预测的偏差，也减小了由于历史因素信息缺失比较严重时，影响到推荐的落柜点位数量的总体误差，进而能够在现实复杂环境换电柜网络布局中给出智能化的建议。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了基于深度学习的换电柜网络布局系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6为本发明实施例提供的基于深度学习的换电柜网络布局系统的框图，如图6所示，该系统包括：
数据获取模块601，用于根据换电柜的当前特征数据获取换电柜的原始特征向量，以及目标点位的落柜标签，当前特征数据包括换电柜的位置信息和换电柜的使用信息，落柜标签用于表征目标点位是否设置换电柜。
在一个实施例中，当前特征数据包括用户与换电柜交互特征数据、换电柜特征数据和骑手信息特征数据。
在一个实施例中，确定原始特征向量和落柜标签之间的相关性系数之前，系统还包括执行如下操作：
在设定周期中，按照预设时间间隔，确定目标点位处换电柜的当前特征数据存在缺失的目标时刻。
根据目标时刻的相邻时刻对应的当前特征数据，进行前向填充或后向填充，得到目标时刻对应的特征数据。
在一个实施例中，确定原始特征向量和落柜标签之间的相关性系数之前，系统还包括执行如下操作：
在设定经纬度范围内，按照预设时间间隔，确定当前特征数据中每个经纬度处的换电柜落柜数量。
根据预设时间间隔内每个时间点，采用线性增加的方式更新每个经纬度处的换电柜落柜数量，得到更新后的特征数据。
在一个实施例中，确定原始特征向量和落柜标签之间的相关性系数之前，系统还包括执行如下操作：
对当前特征数据进行数据精度压缩处理和/或数据标准化处理。
特征数据选择模块602，用于确定原始特征向量和落柜标签之间的相关性系数，并根据相关性系数进行特征选择，获取输入数据。
在一个实施例中，特征数据选择模块602包括执行如下步骤：
确定原始特征向量和落柜标签之间的相关性系数。
根据相关性系数从大到小的顺序对原始特征向量中的特征进行排序。
根据预设数量和排序从原始特征向量中选择相关性系数高的特征作为输入数据。
预测标签输出模块603，用于采用基于换电柜的历史特征数据预先训练好的深度学习网络模型，根据输入数据获取预测标签。
落柜数量输出模块604，用于基于预测标签和换电柜的点位特征参数，确定目标点位的换电柜落柜数量，点位特征参数包括路径推荐参数和电池供应参数。
在一个实施例中，落柜数量输出模块604还包括执行如下步骤：
获取目标点位处换电柜的路径推荐参数和电池供应参数，并对路径推荐参数和电池供应参数进行数据归一化，获取对应的路径推荐分数值和电池供应分数值。
根据预测标签、路径推荐分数值和电池供应分数值，确定目标点位的综合分数。
将综合分数按照区间划分等级，根据等级获取对应换电柜落柜数量。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了基于深度学习的换电柜网络布局装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述任一项方法实施例中的步骤。
可选地，上述基于深度学习的换电柜网络布局装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的基于深度学习的换电柜网络布局方法，本发明实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意基于深度学习的换电柜网络布局方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于深度学习的换电柜网络布局方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图7为本发明实施例提供的电子设备的内部结构示意图，如图7所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图7所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现基于深度学习的换电柜网络布局方法，数据库用于存储数据。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种基于深度学习的换电柜网络布局方法，其特征在于，包括：
根据换电柜的当前特征数据获取所述换电柜的原始特征向量，以及目标点位的落柜标签，所述当前特征数据包括所述换电柜的位置信息和所述换电柜的使用信息，所述落柜标签用于表征所述目标点位是否设置换电柜；
确定所述原始特征向量和所述落柜标签之间的相关性系数，并根据所述相关性系数进行特征选择，获取输入数据；
采用基于所述换电柜的历史特征数据预先训练好的深度学习网络模型，根据所述输入数据获取预测标签；
基于所述预测标签和所述换电柜的点位特征参数，确定所述目标点位的换电柜落柜数量，所述点位特征参数包括路径推荐参数和电池供应参数。
2.根据权利要求1所述的基于深度学习的换电柜网络布局方法，其特征在于，所述当前特征数据包括用户与换电柜交互特征数据、换电柜特征数据和骑手信息特征数据。
3.根据权利要求1所述的基于深度学习的换电柜网络布局方法，其特征在于，所述根据所述相关性系数进行特征选择，获取输入数据包括：
根据所述相关性系数从大到小的顺序对所述原始特征向量中的特征进行排序；
根据预设数量和所述排序从所述原始特征向量中选择所述相关性系数高的特征作为输入数据。
4.根据权利要求1所述的基于深度学习的换电柜网络布局方法，其特征在于，所述基于所述预测标签和所述换电柜的点位特征参数，确定所述目标点位的换电柜落柜数量，所述点位特征参数包括路径推荐参数和电池供应参数包括：
获取所述目标点位处所述换电柜的路径推荐参数和电池供应参数，并对所述路径推荐参数和所述电池供应参数进行数据归一化，获取对应的路径推荐分数值和电池供应分数值；
根据所述预测标签、所述路径推荐分数值和所述电池供应分数值，确定所述目标点位的综合分数；
将所述综合分数按照区间划分等级，根据所述等级获取对应所述换电柜落柜数量。
5.根据权利要求1所述的基于深度学习的换电柜网络布局方法，其特征在于，所述确定所述原始特征向量和所述落柜标签之间的相关性系数之前，所述方法还包括：
在设定周期中，按照预设时间间隔，确定所述目标点位处所述换电柜的当前特征数据存在缺失的目标时刻；
根据所述目标时刻的相邻时刻对应的所述当前特征数据，进行前向填充或后向填充，得到所述目标时刻对应的特征数据。
6.根据权利要求1所述的基于深度学习的换电柜网络布局方法，其特征在于，所述确定所述原始特征向量和所述落柜标签之间的相关性系数之前，所述方法还包括：
在设定经纬度范围内，按照预设时间间隔，确定所述当前特征数据中每个经纬度处的换电柜落柜数量；
根据所述预设时间间隔内每个时间点，采用线性增加的方式更新每个经纬度坐标值，得到更新后的特征数据。
7.根据权利要求1-6任一项所述的基于深度学习的换电柜网络布局方法，其特征在于，所述确定所述原始特征向量和所述落柜标签之间的相关性系数之前，所述方法还包括：
对所述当前特征数据进行数据精度压缩处理和/或数据标准化处理。
8.一种基于深度学习的换电柜网络布局系统，其特征在于，包括：
数据获取模块，用于根据换电柜的当前特征数据获取所述换电柜的原始特征向量，以及目标点位的落柜标签，所述当前特征数据包括所述换电柜的位置信息和所述换电柜的使用信息，所述落柜标签用于表征所述目标点位是否设置换电柜；
特征数据选择模块，用于确定所述原始特征向量和所述落柜标签之间的相关性系数，并根据所述相关性系数进行特征选择，获取输入数据；
预测标签输出模块，用于采用基于所述换电柜的历史特征数据预先训练好的深度学习网络模型，根据所述输入数据获取预测标签；
落柜数量输出模块，用于基于所述预测标签和所述换电柜的点位特征参数，确定所述目标点位的换电柜落柜数量，所述点位特征参数包括路径推荐参数和电池供应参数。
9.一种基于深度学习的换电柜网络布局装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-7中任一项所述的基于深度学习的换电柜网络布局方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-7中任一项所述的基于深度学习的换电柜网络布局方法。
CN202310821603.7A 2023-07-06 2023-07-06 基于深度学习的换电柜网络布局方法、系统、装置及介质 Active CN116542005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310821603.7A CN116542005B (zh) 2023-07-06 2023-07-06 基于深度学习的换电柜网络布局方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310821603.7A CN116542005B (zh) 2023-07-06 2023-07-06 基于深度学习的换电柜网络布局方法、系统、装置及介质

Publications (2)

Publication Number Publication Date
CN116542005A true CN116542005A (zh) 2023-08-04
CN116542005B CN116542005B (zh) 2023-10-10

Family

ID=87447511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310821603.7A Active CN116542005B (zh) 2023-07-06 2023-07-06 基于深度学习的换电柜网络布局方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN116542005B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116878535A (zh) * 2023-09-05 2023-10-13 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069635A (zh) * 2020-09-01 2020-12-11 上海钧正网络科技有限公司 一种换电柜的部署方法、装置、介质及电子设备
US20210264272A1 (en) * 2018-07-23 2021-08-26 The Fourth Paradigm (Beijing) Tech Co Ltd Training method and system of neural network model and prediction method and system
WO2022120665A1 (zh) * 2020-12-09 2022-06-16 电子科技大学 一种基于深度学习的电容缺陷智能检测方法
WO2022143802A1 (zh) * 2020-12-31 2022-07-07 奥动新能源汽车科技有限公司 换电站排队车辆的数量识别方法、系统、设备及介质
CN115630219A (zh) * 2022-09-09 2023-01-20 中国工商银行股份有限公司 推荐模型的训练方法、装置和计算机设备
CN115684939A (zh) * 2022-10-21 2023-02-03 上海玖行能源科技有限公司 基于机器学习的电池充电异常状态监测方法及监测系统
CN116028605A (zh) * 2023-01-03 2023-04-28 北京百度网讯科技有限公司 逻辑表达式生成方法、模型训练方法、装置及介质
CN116245015A (zh) * 2023-01-09 2023-06-09 四川通信科研规划设计有限责任公司 基于深度学习的数据变化趋势预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210264272A1 (en) * 2018-07-23 2021-08-26 The Fourth Paradigm (Beijing) Tech Co Ltd Training method and system of neural network model and prediction method and system
CN112069635A (zh) * 2020-09-01 2020-12-11 上海钧正网络科技有限公司 一种换电柜的部署方法、装置、介质及电子设备
WO2022120665A1 (zh) * 2020-12-09 2022-06-16 电子科技大学 一种基于深度学习的电容缺陷智能检测方法
WO2022143802A1 (zh) * 2020-12-31 2022-07-07 奥动新能源汽车科技有限公司 换电站排队车辆的数量识别方法、系统、设备及介质
CN115630219A (zh) * 2022-09-09 2023-01-20 中国工商银行股份有限公司 推荐模型的训练方法、装置和计算机设备
CN115684939A (zh) * 2022-10-21 2023-02-03 上海玖行能源科技有限公司 基于机器学习的电池充电异常状态监测方法及监测系统
CN116028605A (zh) * 2023-01-03 2023-04-28 北京百度网讯科技有限公司 逻辑表达式生成方法、模型训练方法、装置及介质
CN116245015A (zh) * 2023-01-09 2023-06-09 四川通信科研规划设计有限责任公司 基于深度学习的数据变化趋势预测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘苑红;王卓;苏剑;: "基于支持向量机的配电网设施可靠性参数预测方法", 电力信息与通信技术, no. 06 *
彭曙蓉;黄士峻;李彬;郑国栋;张恒;: "基于深度学习分位数回归模型的充电桩负荷预测", 电力系统保护与控制, no. 02 *
牟洪波;王世伟;戚大伟;倪海明;: "基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别", 森林工程, no. 04 *
王翔;: "基于标签分布学习森林的电价概率预测", 计算机时代, no. 05 *
翁国庆;龚阳光;舒俊鹏;黄飞腾;: "基于聚类LSTM深度学习模型的主动配电网电能质量预测", 高技术通讯, no. 07 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116878535A (zh) * 2023-09-05 2023-10-13 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统
CN116878535B (zh) * 2023-09-05 2023-12-12 杭州宇谷科技股份有限公司 一种基于混合时序网络的智能换电引导方法和系统

Also Published As

Publication number Publication date
CN116542005B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN110264270B (zh) 一种行为预测方法、装置、设备和存储介质
CN116542005B (zh) 基于深度学习的换电柜网络布局方法、系统、装置及介质
CN110689190A (zh) 一种电网负荷预测方法、装置及相关设备
CN113536097B (zh) 基于自动特征分组的推荐方法及装置
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
CN111768034A (zh) 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法
CN111815432A (zh) 金融服务风险预测方法及装置
Rahman et al. Deep learning-based predictive caching in the edge of a network
CN117132591B (zh) 一种基于多模态信息的电池数据处理方法和系统
CN114021837A (zh) 基于混合机器学习和空间地址匹配的区域用电量预测方法
CN115618101A (zh) 基于负反馈的流媒体内容推荐方法、装置及电子设备
CN112801712B (zh) 一种广告投放策略的优化方法及装置
CN117148197A (zh) 一种基于集成Transformer模型的锂离子电池寿命预测方法
Abdelaziz et al. Convolutional neural network with genetic algorithm for predicting energy consumption in public buildings
CN111680712A (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN115309996A (zh) 一种基于多路召回的信息推荐方法及系统
CN114757441A (zh) 一种负荷预测方法及相关装置
CN116862078A (zh) 一种换电套餐用户逾期的预测方法、系统、装置及介质
CN116468116A (zh) 模型搜索方法、装置、芯片、电子设备及计算机存储介质
CN113537607B (zh) 停电预测方法
CN117436500B (zh) 一种基于对比学习的电池数据处理模型的无监督训练方法
CN112990826A (zh) 一种短时物流需求预测方法、装置、设备及可读存储介质
CN116541601B (zh) 提升推荐系统近线召回能力的方法、装置、设备及介质
CN118674017B (zh) 模型训练方法、内容推荐方法、装置及电子设备
CN117933693B (zh) 一种新能源商用车经营风险分析方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Li Chao

Inventor after: Liu Xuanwu

Inventor after: Xiao Jie

Inventor after: Ren Guoqi

Inventor before: Li Chao

Inventor before: Liu Xuanwu

Inventor before: Xiao Jie

Inventor before: Ren Guoqi

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant