CN116878535B - 一种基于混合时序网络的智能换电引导方法和系统 - Google Patents

一种基于混合时序网络的智能换电引导方法和系统 Download PDF

Info

Publication number
CN116878535B
CN116878535B CN202311134737.8A CN202311134737A CN116878535B CN 116878535 B CN116878535 B CN 116878535B CN 202311134737 A CN202311134737 A CN 202311134737A CN 116878535 B CN116878535 B CN 116878535B
Authority
CN
China
Prior art keywords
user
power change
features
power
power conversion
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.)
Active
Application number
CN202311134737.8A
Other languages
English (en)
Other versions
CN116878535A (zh
Inventor
李朝
刘玄武
肖劼
任国奇
胡始昌
杨斌
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 CN202311134737.8A priority Critical patent/CN116878535B/zh
Publication of CN116878535A publication Critical patent/CN116878535A/zh
Application granted granted Critical
Publication of CN116878535B publication Critical patent/CN116878535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/80—Exchanging energy storage elements, e.g. removable batteries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Automation & Control Theory (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请涉及一种种基于混合时序网络的智能换电引导方法，通过从历史换电数据提取换电特征；通过基于换电特征建立的相关性系数图谱，从换电特征中抽取目标换电特征；基于目标换电特征对混合时序网络进行训练，得到续航距离预估模型，其中，混合时序网络包括Lstm_mix网络和MLP网络；通过续航距离预估模型得到预估续航距离，并根据预估续航距离，以及预先获取的用户位置和换电柜位置，生成用户换电引导信息。解决了相关技术中用户换电效率较低的问题，充分考虑到用户个性化换电习惯，贴合大数据分析预估模型，对骑手配送时换电需求作出精准换电点位推荐，为用户提供实时、丰富且准确的换电信息支持。

Description

一种基于混合时序网络的智能换电引导方法和系统
技术领域
本申请涉及大数据技术领域，特别是涉及一种基于混合时序网络的智能换电引导方法、系统、电子设备和存储介质。
背景技术
外卖骑手在骑行过程中，当电池电量低、剩余骑行距离不足时，如何寻找到合适的换电点位进行换电，从而节约配送订单时间以及提升换电效率，是本领域中一项待解决的问题。
相关技术中的电池电量预估系统，由于缺乏大数据的支持，通常无法在电量较低的情况下对剩余骑行距离进行准确的预估，也无法对当前用户最适配的换电点位进行推荐，因此，导致用户的换电效率较低。
目前，针对相关技术中，用户换电效率较低的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种基于混合时序网络的智能换电引导方法、系统、计算机设备和计算机可读存储介质，以至少解决相关技术中用户换电效率较低的问题。
第一方面，本申请实施例提供了一种基于混合时序网络的智能换电引导方法，所述方法包括：
从历史换电数据提取换电特征，其中，所述换电特征包括：用户特征、电池特征和用户-电池交互特征；
通过基于所述换电特征建立的相关性系数图谱，从所述换电特征中抽取目标换电特征；
基于所述目标换电特征对混合时序网络进行训练，得到续航距离预估模型，其中，所述混合时序网络包括Lstm_mix网络和MLP网络；
基于用户换电实时数据，通过所述续航距离预估模型得到预估续航距离，并根据所述预估续航距离，以及预先获取的用户位置和换电柜位置，生成用户换电引导信息。
在其中一些实施例中，基于所述目标换电特征对混合时序网络进行训练包括：
所述Lstm_mix网络的第一特征处理层，对所述目标换电特征进行原始特征提取，得到基准特征；
所述Lstm_mix网络的第二特征处理层，根据所述目标换电特征中各项特征获取交叉隐变量特征，并将所述交叉隐变量特征和所述基准特征混合为组合特征；
所述MLP网络对所述组合特征进行处理，输出与所述目标换电特征对应的续航距离。
在其中一些实施例中，所述MLP网络对所述组合特征进行处理包括：
通过输入层接收所述组合特征，并通过隐藏层对所述组合特征进行特征提取和表示学习，得到第二组合特征；
通过输出层基于所述第二组合特征，输出与任意一个换电特征对应的续航距离。
在其中一些实施例中，所述方法还包括：
将所述目标换电特征划分为训练集和测试集；
以使预设损失函数最小化为约束条件，通过所述训练集对所述混合时序网络进行训练；
通过所述测试集，验证所述混合时序网络的训练效果是否符合预期条件，若是，将所述混合时序网络保存为所述续航距离预估模型。
在其中一些实施例中，据所述预估续航距离，以及预先获取的用户位置和换电柜位置，生成用户换电引导信息包括：
基于所述用户位置和所述电柜位置，获取换电柜和用户之间的间隔距离；
获取所述间隔距离小于所述预估续航距离的换电柜，并将其加入待选换电柜集合；
从所述待选换电柜集合中选择目标换电柜，获取所述目标换电柜的属性信息，并根据所述属性信息和所述目标换电柜的位置信息，生成所述用户换电引导信息。
在其中一些实施例中，从所述待选换电柜集合中选取目标换电柜包括：
在所述待选换电柜集合中，获取各个换电柜的用户使用频次信息；
基于所述使用频次信息，生成所述待选换电柜集合中各个换电柜的优先级信息；
根据所述优先级信息，从所述待选换电柜集合中获取目标换电柜。
在其中一些实施例中，所述历史换电数据包括电池数据、用户数据和用户换电订单数据，所述方法还包括：
根据所述用户换电订单数据中的订单ID，对所述换电特征进行排序，得到时序换电特征；
从所述时序换电特征中滤除异常序列特征；
将所述滤除异常序列特征之后的时序换电特征，进行数据归一化处理，得到预处理后换电特征；
通过基于所述预处理后换电特征建立的相关性系数图谱，从所述预处理后换电特征中抽取目标换电特征。
在其中一些实施例中，所述方法还包括：
获取所述用户换电订单数据对应的实际移动距离；
基于预设相关性系数，构建所述换电特征与所述实际移动距离之间的相关性系数图谱，其中，所述相关性系数通过如下公式表示：
其中是所述预设相关性系数，X表示所述用户特征、所述电池特征和所述用户-电池交互特征构成的多维特征矩阵，Y表示所述所述用户换电订单数据对应的实际移动距离，Cov(X,Y)为X与Y的/>，Var(X)为X的/>，Var(Y)为Y的/>。
第二方面，本申请实施例提供了一种基于混合时序网络的智能换电引导系统，所述系统包括：特征提取模块、模型训练模块和换电引导信息输出模块，其中：
所述特征提取模块用于，从历史换电数据提取换电特征，其中，所述换电特征包括：用户特征、电池特征和用户-电池交互特征，
以及，通过基于所述换电特征建立的相关性系数图谱，从所述换电特征中抽取目标换电特征；
所述模型训练模块用于，基于所述目标换电特征，对预构建的时序lstm_mix网络进行训练，得到续航距离预估模型，其中，所述混合时序网络包括Lstm_mix网络和MLP网络；
所述换电引导信息输出模块用于，通过所述续航距离预估模型得到预估续航距离，并根据所述预估续航距离，以及预先获取的用户位置和换电柜位置，生成用户换电引导信息。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
相比于相关技术，本申请实施例提供的一种基于混合时序网络的智能换电引导方法，通过从历史换电数据提取换电特征；通过基于换电特征建立的相关性系数图谱，从换电特征中抽取目标换电特征；基于目标换电特征对混合时序网络进行训练，得到续航距离预估模型，其中，混合时序网络包括Lstm_mix网络和MLP网络；通过续航距离预估模型得到预估续航距离，并根据预估续航距离，以及预先获取的用户位置和换电柜位置，生成用户换电引导信息。解决了相关技术中用户换电效率较低的问题，充分考虑到用户个性化换电习惯，贴合大数据分析预估模型，对骑手配送时换电需求作出精准换电点位推荐，为用户提供实时、丰富且准确的换电信息支持。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于混合时序网络的只能换电引导方法的流程图；
图2是根据本申请实施例的对换电特征进行预处理的流程图；
图3是根据本申请实施例的选择特征的流程图；
图4是根据本申请实施例的对混合时序网络进行训练的流程图；
图5是根据本申请实施例生成用户换电引导信息的流程图；
图6是根据本申请实施例的一种基于混合时序网络的智能换电引导系统的结构框图；
图7是根据本申请实施例的基于混合时序网络的智能换电引导系统的执行流程示意图；
图8是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请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申请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，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请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，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请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，本申请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，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“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。本申请所涉及的术语“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。本申请所涉及的“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。本申请所涉及的“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。本申请所涉及的术语“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。
相关技术中，某些服务平台并未提供换电引导方案，用户只能通过电车仪表盘观察电池电量数值，粗略判断是否需要更换电池，并且也只能根据实地经验自行导航至特定换电柜点位进行换电操作。
该方案存在几个缺点：骑手在电车仪表盘上专注度较低，电池电量低的情况经常会被忽略，骑手不得不推动电车到特定换电柜位置进行换电；其次，即使骑手已经预判电池电量低情况，但是如果自己实地经验不足，很难找到合适的换电柜点位进行换电，进而降低骑手配送外卖的效率；
或者，提供了续航距离预估的功能，但是，该类方法普遍基于线性回归（）的方法预估续航距离，由于考虑因素不够全面，导致续航距离预估不精确，进而无法准确地提供换电点位，给骑手造成无法及时换电的困扰。
基于上述情况，本申请实施例提供了一种基于混合时序网络的智能换电引导方法、系统、电子设备和存储介质，能够充分利用电池当前所在的复杂环境进行续航距离的准确预估。
第一方面，本申请实施例提供了一种基于混合时序网络的智能换电引导方法，图1是根据本申请实施例的基于混合时序网络的只能换电引导方法的流程图，如图1所示，该方法包括如下步骤：
S101，从历史换电数据提取换电特征，其中，换电特征包括：用户特征、电池特征和用户-电池交互特征；
其中，该历史换电数据包括但不限于是：电池数据、用户数据和换电订单数据，以上数据分别可以是以列表形式保存；另外，该历史换电数据可以保存在大数据平台，也可以保存在本地服务器。
进一步的，提取到的用户特征反映了用户的骑行习惯信息，具体的： 可以但不限于是每个用户在最近的预设时间段内的平均骑行距离、最大骑行距离、单位电压骑行距离、平均骑行速度和最大骑行速度等；
另外，提取到的电池特征则是电池的状态信息，电池特征反映了每个电池在最近的预设时间段内的平均骑行距离、最大骑行距离、单位电压骑行距离和最大骑行速度；
最后，用户-电池特征则表示上述两者特征之间的关联信息。
本实施例中，基于上述多项特征参与模型训练，建了人-电池的异构网络，能够利用人与电池的关联关系，从而使模型的训练效果显著提升。
S102，对换电特征进行预处理，得到预处理后换电特征。
具体的，图2是根据本申请实施例的对换电特征进行预处理的流程图，如图2所示，该流程包括如下步骤S1021至S1022。
步骤S1021，根据用户换电订单数据中的订单ID，对换电特征进行排序，得到时序换电特征；
其中，上述换电订单数据中保存了每次用户每次换电行为对应的时间，本步骤中，按照换电订单对应的时间，将上述用户特征进行时间序列化处理，得到按照时间排列的换电特征。具体的，可以但不限于采用Python编程语言、SQL数据库和Excel实现时间序列化处理。
S1022，从时序换电特征中滤除异常序列特征；
由于用户特征中可能包含大量的与续航距离无关的无用数据，以及残缺的异常数据，本步骤的目的在于从时序化的换电特征中提取有用、完整的数据；
具体的，可采用阈值过滤、移动平均或滑动窗口等方法滤除上述异常序列数据。
S1023，将滤除异常序列特征之后的时序换电特征，进行数据归一化处理，得到预处理后换电特征；
其中，上述数据归一化处理，具体为，将滤除异常序列特征之后的时序换电特征的数据范围放缩为高斯0-1分布。
需要说明的是，本步骤数据归一化的目的是将不同特征之间的数值范围进行统一，使得多种数据在同一个尺度上进行比较和分析，从而提升后续模型训练的的稳定性。
具体的，可以采用如下公式1实现换电特征的归一化处理：其中，x表示原始数据，/>表示数据的均值，/>表示数据的标准差，/>表示x转换后的数据。
通过步骤S1020-S1022，对数据时序化处理、异常值滤除和归一化处理，完成了对换电特征的预处理，提升了用于模型训练的特征数据的有效性。
S103，通过基于换电特征建立的相关性系数图谱，从换电特征中抽取目标换电特征；
本步骤的目的在于从经过预处理之后的特征中，选取最优化的部分特征，即上述目标换电特征，其中，图3是根据本申请实施例的选择特征的流程图，如图3所示，该流程包括如下步骤S1031-S1032：
S1031，获取用户换电订单数据对应的实际移动距离；
S1032，基于预设相关性系数，构建用户特征、电池特征和用户-电池交互特征，与实际移动距离之间的相关性系数图谱，其中，相关性系数通过如下公式表示：其中，/>是预设相关性系数，X表示用户特征、电池特征和用户-电池交互特征构成的多维特征矩阵，Y表示用户换电订单数据对应的实际移动距离，Cov(X,Y)为X与Y的/>，Var(X)为X的/>，Var(Y)为Y的/>。
可选的，通过上述步骤S103，根据构建相关性系数图谱，选取电池特征的top4特征，用户特征的top4特征以及用户-电池交互的top8特征，作为上述目标换电特征。
S104，基于目标换电特征，对混合时序网络进行训练，得到续航距离预估模型，其中，混合时序网络包括Lstm_mix网络和MLP网络；
需要说明的是，混合时序网络由Lstm_mix网络和MLP网络组成，使用Lstm来处理文本序列，并将Lstm的输出连接到MLP中，用于进行续航距离预估的训练任务。本实施例中，结合利用了LSTM对序列数据的处理优势和MLP的模式识别能力，可以提高模型的性能。
其中，图4是根据本申请实施例的对混合时序网络进行训练的流程图，如图4所示，该流程具体包括步骤S1041-S1043：
S1041，Lstm_mix网络通过第一特征处理层，对目标换电特征进行特征提取，得到基准特征；
可以理解，该基准特征是直接观测或提取的原始特征；
S1042，Lstm_mix网络通过第二特征处理层，通过获取目标换电特征中各项特征的交叉关系和上下文信息，得到交叉隐变量特征，并将交叉隐变量特征和基准特征混合为组合特征；
可以理解，该交叉隐变量特征是对基准特征进行非线性组合和转换得到的。通过第二特征处理层得到的交叉隐变量特征可以发现特征之间更复杂的交互关系，捕捉数据中的潜在模式和结构。
本实施例中的Lstm_mix网络，将基准特征维度和交叉隐变量特征混合，构成双倍维度的组合特征，该组合特征不仅包含了特征本身的信息，还包括各项特征之间隐含的关联信息；从而，将该组合特征应用于后续MLP网络训练，可以为MLP网络提供更丰富、更有意义的输入特征。因此，不仅可以加速MLP网络的收敛效果，同时，还能进一步缩小预测值与实际值之间的差异，提升续航距离预估结果的准确性。
S1043，MLP网络对组合特征处理，输出与任意一个换电特征对应的续航距离。
具体的，步骤S1043包括如下步骤：
Step1，MLP网络通过输入层接收组合特征，并通过隐藏层对组合特征进行特征提取和表示学习，得到第二组合特征；
其中，LSTM_mix网络输入的组合特征，包含了电池电量信息和用户行为习惯信息以及两者之间的复杂关联信息。而这些信息可能是高维的、复杂的。本实施例中，通过MLP网络的多个隐藏层，可以学习到数据的抽象特征表示，帮助模型发现输入数据中的关键模式和结构。
具体的，本实施例中，MLP网络的隐藏层由32个神经元构成，分别用于处理4+8+4=16维度的原始基准特征，和lstm第二特征处理层输出的16维度的交叉隐变量特征。
Step2，MLP网络通过输出层基于第二组合特征，输出与任意一个换电特征，对应的续航距离，其中，隐藏层和输出层之间采用Relu激活函数进行激活。
需要说明的是，输出层是本实施例中MLP网络的最后一层，输出层的神经元对应着电池续航距离的预测结果。在该预测任务中，输出层的神经元数量通常是一个标量，用于表示预估的电池续航距离。
另外，隐藏层和输出层之间采需激活函数进行激活，该激活函数主要用于激活神经元、引入非线性变换和增加网络表达能力；可选的，该激活函数是Relu激活函数，能够提升计算效果以及减少梯度消失问题。
另外，为了提升以及验证模型的训练效果，目标换电特征被划分为训练集和测试集，训练过程还包括：
以使预设损失函数最小化为约束条件，通过训练集对混合时序网络进行训练；
可选的，该预设损失函数采用回归损失函数Mean Square Error（MSE），其表达式为如下公式：其中，y_i表示标签label预测值，Y_i表示样本实际值。
通过测试集，验证混合时序网络的训练效果是否预期效果，若是，将混合时序网络保存为续航距离预估模型。
该损失函数的作用是获取模型预测值和测试集中的实际值之间的误差，训练网络的最后目的是使该预设损失函数最小化。当预设损失函数最小化时，即可确定该混合时序网络的训练效果符合预期条件，理论上该种状态的混合时序网络也具备最佳的续航距离预估效果，将该时刻的混合时序网络保存为最后用于实际部署的续航距离预估模型。
通过上述步骤S1041-S1043，实现了对混合时序网络的训练，将LSTM和MLP结合训练，可以在序列数据上充分发挥LSTM的优势，并利用MLP的模式识别能力对LSTM输出进行进一步处理，从而使基于序列数据得到的续航距离预估结果更加准确高效。
S105，通过续航距离预估模型得到预估续航距离，并根据预估续航距离、用户位置和用户位置附近的换电柜位置，生成用户换电引导信息。
具体的，图5是根据本申请实施例生成用户换电引导信息的流程图，如图5所示，该流程包括如下步骤S1051-S1053：
S1051，获取当前状态下的实时电池状态和目标用户的实时用户特征，以及两者之间的用户-电池特征；基于以上特征，通过续航距离预估模型进行预估，得到当前状态下的实时续航距离。
S1052，基于用户位置和电柜位置，获取换电柜和用户之间的间隔距离；
具体的，该用户位置可以通过GPS、北斗等技术获取，通过计算用户位置和用户周围电柜位置的经纬度差异，得到该间隔距离。
S1053，获取间隔距离小于预估续航距离的目标换电柜，并将目标换电柜加入待选换电柜集合；
具体的，基于上述各项间隔距离d_fact，和基于模型预估得到的用户当前状态下的实时续航距离d_pre，获取d_fact<d_pre的目标换电柜，将其加入待选换电柜集合S。
S1043，从待选换电柜集合中选择目标换电柜，获取目标换电柜的属性信息，并根据属性信息生成用户换电引导信息。
具体的，该步骤包括如下步骤Step1-Step3：
Step1，从待选换电柜集合中，获取各个换电柜的用户使用频次信息；
Step2，基于使用频次信息，生成待选换电柜集合中各个换电柜的优先级信息；
Step3，根据优先级信息，从待选换电柜集合中获取目标换电柜，并根据该目标换电柜的位置信息和属性信息生成换电引导信息，具体的，该属性信息可以是换电柜的忙碌程度、可用电源数量和工作人员值班状态等。
该步骤S1042的一个示例性描述如下：
首先，按照用户的使用频次将待选换电柜集合S划分为S1和S2，其中，S1代表最近经常被骑手使用的换电柜点位，s2代表最近不经常被骑手使用的换电柜子点位，s1集合优先级高于s2，如果s1集合为空，则从s2集合中选出最近的换电柜点位，否则从s1集合中选出最近的换电柜点位。
进一步的，当集合s1中同时存在多个间隔距离接近的换电柜时，优先选择使用频次更高的换电柜；
在集合s1中同时存在多个间隔距离接近且使用频次也相同的换电柜时，优先选择近期使用频次更高的换电柜，例如，换电柜P1和P2与用户当前位置的间隔距离接近，且历史使用频次也相同，需进一步获取邻近一周内P1和P2的使用频次，若一周内P1的使用频次大于P2，则优先选择使用P1换电柜。
最后，基于选定的换电柜的位置和该换电柜的属性信息生成用户换电引导信息，并将该引导信息推送至用户客户端；具体的，该客户端可以是APP、Web端等。
用户接收该引导信息之后，还可以进一步的结合地图语音导航和路径规划功能，帮助其根据规划路径，以最短时间到达就近换电柜点位进行换电。
通过上述步骤S101至S105，相比较于相关技术，本方法基于用户特征、电池特征和用户-电池换电特征，训练得到续航距离预估模型，利用该模型进得到更加准确的预估续航距离，最后，基于续航距离和换电柜的位置生成用于指导用户换电的指引信息。充分考虑到用户个性化换电习惯，贴合大数据分析预估模型，对骑手配送时换电需求作出精准换电点位推荐，为用户提供实时、丰富且准确的换电信息支持。
第二方面，本申请实施例还提供了一种于混合时序网络的智能换电引导系统，图6是根据本申请实施例的一种基于混合时序网络的智能换电引导系统的结构框图，如图6所示，该系统包括：特征提取模块60、模型训练模块61和换电引导信息输出模块62，其中：
特征提取模块60用于，从历史换电数据提取换电特征，其中，换电特征包括：用户特征、电池特征和用户-电池交互特征，以及，通过基于换电特征建立的相关性系数图谱，从换电特征中抽取目标换电特征；
具体的，该特征提取模块60还包括预处理模块601，该预处理模块用于用户数据和用户换电订单数据，根据用户换电订单数据中的订单ID，对换电特征进行排序，得到时序换电特征；
以及，从时序换电特征中滤除异常序列特征；将滤除异常序列特征之后的时序换电特征，进行数据归一化处理，得到预处理后换电特征；
该特征提取模块还包括特征抽取模块602，该特征抽取模块用于通过基于预处理后换电特征建立的相关性系数图谱，从预处理后换电特征中抽取目标换电特征，具体的：
该特征抽取模块602，获取用户换电订单数据对应的实际移动距离；并基于预设相关性系数，构建换电特征与实际移动距离之间的相关性系数图谱，其中，相关性系数通过如下公式表示：其中，/>是预设相关性系数，X表示用户特征、电池特征和用户-电池交互特征构成的多维特征矩阵，Y表示用户换电订单数据对应的实际移动距离，Cov(X,Y)为X与Y的/>，Var(X)为X的/>，Var(Y)为Y的/>。
模型训练模块61用于，基于目标换电特征，对预构建的时序lstm_mix网络进行训练，得到续航距离预估模型，其中，混合时序网络包括Lstm_mix网络和MLP网络；
Lstm_mix网络通过第一特征处理层，对目标换电特征进行特征提取，得到基准特征；并通过第二特征处理层，通过获取目标换电特征中各项特征的交叉关系和上下文信息，得到交叉隐变量特征，并将交叉隐变量特征和基准特征混合为组合特征；
MLP网络对组合特征处理，输出任意一个电池状态对应续航距离。
具体的，MLP网络通过输入层接收组合特征，并通过隐藏层对组合特征进行特征提取和表示学习，得到第二组合特征；并通过输出层基于第二组合特征，输出与任意一个用户特征和/或电池特征，对应的续航距离，其中，隐藏层和输出层之间采用Relu激活函数进行激活。
需要说明的是，训练过程中，将目标换电特征划分为训练集和测试集；以使预设损失函数最小化为约束条件，通过训练集对混合时序网络进行训练；并通过测试集，验证混合时序网络的训练效果是否符合预设需求条件，若是，将混合时序网络保存为续航距离预估模型。
换电引导信息63输出模块用于，通过续航距离预估模型得到预估续航距离，并根据预估续航距离、用户位置和用户位置附近的换电柜位置，生成用户换电引导信息。
具体的，该换电引导信息输出模63块包括：待选换电柜确定模块630和目标换电柜选择模块631，其中：
待选换电柜确定模块630，用于基于用户位置和电柜位置，获取换电柜和用户之间的间隔距离；以及，获取间隔距离小于预估续航距离的目标换电柜，并将目标换电柜加入待选换电柜集合；
目标换电柜选择模块631，用于在待选换电柜集合中，获取各个换电柜的用户使用频次信息；基于使用频次信息，生成待选换电柜集合中各个换电柜的优先级信息；根据优先级信息，从待选换电柜集合中获取目标换电柜。
通过上述系统，相比较于相关技术，本系统基于用户特征、电池特征和用户-电池换电特征，训练得到续航距离预估模型，利用该模型进得到更加准确的预估续航距离，最后，基于续航距离和换电柜的位置生成用于指导用户换电的指引信息。充分考虑到用户个性化换电习惯，贴合大数据分析预估模型，对骑手配送时换电需求作出精准换电点位推荐，为用户提供实时、丰富且准确的换电信息支持。
此外，图7是根据本申请实施例的基于混合时序网络的智能换电引导系统的执行流程示意图。
在一个实施例中，图8是根据本申请实施例的电子设备的内部结构示意图，如图8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8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的运行提供环境，计算机程序被处理器执行时以实现一种基于混合时序网络的智能换电引导方法，数据库用于存储数据。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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，本申请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。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于混合时序网络的智能换电引导方法，其特征在于，所述方法包括：
从历史换电数据提取换电特征，其中，所述换电特征包括：用户特征、电池特征和用户-电池交互特征，所述历史换电数据包括电池数据、用户数据和用户换电订单数据；
通过基于所述换电特征建立的相关性系数图谱，从所述换电特征中抽取最优化的部分特征，得到目标换电特征，其中，获取用户换电订单数据对应的实际移动距离，基于预设相关性系数，构建所述换电特征与所述实际移动距离之间的相关性系数图谱；
基于所述目标换电特征对混合时序网络进行训练，得到续航距离预估模型，其中，所述混合时序网络包括Lstm_mix网络和MLP网络；
基于用户换电实时数据，通过所述续航距离预估模型得到预估续航距离，并根据所述预估续航距离，以及预先获取的用户位置和换电柜位置，生成用户换电引导信息；
所述方法还包括：根据所述用户换电订单数据中的订单ID，对所述换电特征进行排序，得到时序换电特征；从所述时序换电特征中滤除异常序列特征；将所述滤除异常序列特征之后的时序换电特征，进行数据归一化处理，得到预处理后换电特征；通过基于所述预处理后换电特征建立的相关性系数图谱，从所述预处理后换电特征中抽取目标换电特征；
所述预设相关性系数通过如下公式表示：
其中，是所述预设相关性系数，X表示所述用户特征、所述电池特征和所述用户-电池交互特征构成的多维特征矩阵，Y表示所述用户换电订单数据对应的实际移动距离，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。
2.根据权利要求1所述的方法，其特征在于，基于所述目标换电特征对混合时序网络进行训练包括：
所述Lstm_mix网络的第一特征处理层，对所述目标换电特征进行原始特征提取，得到基准特征；
所述Lstm_mix网络的第二特征处理层，根据所述目标换电特征中各项特征获取交叉隐变量特征，并将所述交叉隐变量特征和所述基准特征混合为组合特征；
所述MLP网络对所述组合特征进行处理，输出与所述目标换电特征对应的续航距离。
3.根据权利要求2所述的方法，其特征在于，所述MLP网络对所述组合特征进行处理包括：
通过输入层接收所述组合特征，并通过隐藏层对所述组合特征进行特征提取和表示学习，得到第二组合特征；
通过输出层基于所述第二组合特征，输出与任意一个换电特征对应的续航距离。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述方法还包括：
将所述目标换电特征划分为训练集和测试集；
以使预设损失函数最小化为约束条件，通过所述训练集对所述混合时序网络进行训练；
通过所述测试集，验证所述混合时序网络的训练效果是否符合预期条件，若是，将所述混合时序网络保存为所述续航距离预估模型。
5.根据权利要求1所述的方法，其特征在于，根据所述预估续航距离，以及预先获取的用户位置和换电柜位置，生成用户换电引导信息包括：
基于所述用户位置和所述换电柜位置，获取换电柜和用户之间的间隔距离；
获取所述间隔距离小于所述预估续航距离的换电柜，并将其加入待选换电柜集合；
从所述待选换电柜集合中选择目标换电柜，获取所述目标换电柜的属性信息，并根据所述属性信息和所述目标换电柜的位置信息，生成所述用户换电引导信息。
6.根据权利要求5所述的方法，其特征在于，从所述待选换电柜集合中选择目标换电柜包括：
在所述待选换电柜集合中，获取各个换电柜的用户使用频次信息；
基于所述使用频次信息，生成所述待选换电柜集合中各个换电柜的优先级信息；
根据所述优先级信息，从所述待选换电柜集合中获取目标换电柜。
7.一种基于混合时序网络的智能换电引导系统，其特征在于，所述系统包括：特征提取模块、模型训练模块和换电引导信息输出模块，其中：
所述特征提取模块用于，从历史换电数据提取换电特征，其中，所述换电特征包括：用户特征、电池特征和用户-电池交互特征，所述历史换电数据包括电池数据、用户数据和用户换电订单数据，
以及，通过基于所述换电特征建立的相关性系数图谱，从所述换电特征中抽取优化的部分特征，得到目标换电特征，其中，获取用户换电订单数据对应的实际移动距离，基于预设相关性系数，构建所述换电特征与所述实际移动距离之间的相关性系数图谱，根据所述用户换电订单数据中的订单ID，对所述换电特征进行排序，得到时序换电特征；从所述时序换电特征中滤除异常序列特征；将所述滤除异常序列特征之后的时序换电特征，进行数据归一化处理，得到预处理后换电特征；通过基于所述预处理后换电特征建立的相关性系数图谱，从所述预处理后换电特征中抽取目标换电特征；
所述模型训练模块用于，基于所述目标换电特征，对混合时序网络进行训练，得到续航距离预估模型，其中，所述混合时序网络包括Lstm_mix网络和MLP网络；
所述换电引导信息输出模块用于，基于用户换电实时数据，通过所述续航距离预估模型得到预估续航距离，并根据所述预估续航距离，以及预先获取的用户位置和换电柜位置，生成用户换电引导信息；
所述预设相关性系数通过如下公式表示：
其中，是所述预设相关性系数，X表示所述用户特征、所述电池特征和所述用户-电池交互特征构成的多维特征矩阵，Y表示所述用户换电订单数据对应的实际移动距离，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。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
CN202311134737.8A 2023-09-05 2023-09-05 一种基于混合时序网络的智能换电引导方法和系统 Active CN116878535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311134737.8A CN116878535B (zh) 2023-09-05 2023-09-05 一种基于混合时序网络的智能换电引导方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311134737.8A CN116878535B (zh) 2023-09-05 2023-09-05 一种基于混合时序网络的智能换电引导方法和系统

Publications (2)

Publication Number Publication Date
CN116878535A CN116878535A (zh) 2023-10-13
CN116878535B true CN116878535B (zh) 2023-12-12

Family

ID=88257143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311134737.8A Active CN116878535B (zh) 2023-09-05 2023-09-05 一种基于混合时序网络的智能换电引导方法和系统

Country Status (1)

Country Link
CN (1) CN116878535B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407718B (zh) * 2023-12-15 2024-03-26 杭州宇谷科技股份有限公司 一种换电预测模型的训练方法、应用方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014215743A (ja) * 2013-04-24 2014-11-17 本田技研工業株式会社 車両用運転支援装置
DE102014204308A1 (de) * 2014-03-10 2015-09-10 Bayerische Motoren Werke Aktiengesellschaft Reichweitenschätzung für Elektrofahrzeuge
CN110619091A (zh) * 2019-08-14 2019-12-27 深圳易马达科技有限公司 一种推荐换电柜的方法及终端设备
WO2020222373A1 (ko) * 2019-04-30 2020-11-05 영남대학교 산학협력단 실내 측위 장치 및 방법
JP2021047194A (ja) * 2017-11-23 2021-03-25 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド 到着時間を推定するためのシステムおよび方法
CN115060278A (zh) * 2022-05-12 2022-09-16 上海海事大学 基于多目标遗传算法的车辆智能换电导航方法和系统
CN115742855A (zh) * 2022-11-29 2023-03-07 重庆长安汽车股份有限公司 电动汽车剩余里程预测方法、装置、电动汽车及介质
CN116026325A (zh) * 2023-02-16 2023-04-28 西安交通大学 一种基于神经过程与卡尔曼滤波的导航方法及相关装置
CN116541679A (zh) * 2023-07-04 2023-08-04 杭州宇谷科技股份有限公司 电池续航距离的预估方法、系统、电子设备和存储介质
CN116542005A (zh) * 2023-07-06 2023-08-04 杭州宇谷科技股份有限公司 基于深度学习的换电柜网络布局方法、系统、装置及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220391706A1 (en) * 2021-06-02 2022-12-08 Google Llc Training neural networks using learned optimizers

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014215743A (ja) * 2013-04-24 2014-11-17 本田技研工業株式会社 車両用運転支援装置
DE102014204308A1 (de) * 2014-03-10 2015-09-10 Bayerische Motoren Werke Aktiengesellschaft Reichweitenschätzung für Elektrofahrzeuge
JP2021047194A (ja) * 2017-11-23 2021-03-25 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド 到着時間を推定するためのシステムおよび方法
WO2020222373A1 (ko) * 2019-04-30 2020-11-05 영남대학교 산학협력단 실내 측위 장치 및 방법
CN110619091A (zh) * 2019-08-14 2019-12-27 深圳易马达科技有限公司 一种推荐换电柜的方法及终端设备
CN115060278A (zh) * 2022-05-12 2022-09-16 上海海事大学 基于多目标遗传算法的车辆智能换电导航方法和系统
CN115742855A (zh) * 2022-11-29 2023-03-07 重庆长安汽车股份有限公司 电动汽车剩余里程预测方法、装置、电动汽车及介质
CN116026325A (zh) * 2023-02-16 2023-04-28 西安交通大学 一种基于神经过程与卡尔曼滤波的导航方法及相关装置
CN116541679A (zh) * 2023-07-04 2023-08-04 杭州宇谷科技股份有限公司 电池续航距离的预估方法、系统、电子设备和存储介质
CN116542005A (zh) * 2023-07-06 2023-08-04 杭州宇谷科技股份有限公司 基于深度学习的换电柜网络布局方法、系统、装置及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Di Huang ; Chenyu Zhang ; Qiang Li ; 等.Prediction of Solar Photovoltaic Power Generation Based on MLP and LSTM neural networks.2020 IEEE 4th Conference on Energy Internet and Energy System Integration.2021,全文. *
基于时序特征编码的目标战术意图识别算法;欧微;柳少军;贺筱媛;郭圣明;;指挥控制与仿真;38(06);全文 *
换电模式在电动汽车推广中的重要性;张菲，黄祖朋，覃俊桦，等;内燃机与配件(13);全文 *

Also Published As

Publication number Publication date
CN116878535A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN109587713B (zh) 一种基于arima模型的网络指标预测方法、装置及存储介质
Yu et al. Prediction of bus travel time using random forests based on near neighbors
Sun et al. Using Bayesian deep learning to capture uncertainty for residential net load forecasting
Thams et al. Efficient database generation for data-driven security assessment of power systems
Li et al. Building sparse models for traffic flow prediction: An empirical comparison between statistical heuristics and geometric heuristics for Bayesian network approaches
CN116878535B (zh) 一种基于混合时序网络的智能换电引导方法和系统
US20150254554A1 (en) Information processing device and learning method
CN104679743A (zh) 一种确定用户的偏好模式的方法及装置
US9928467B2 (en) Apparatus for forecasting water demand
US9292798B2 (en) Iterative active feature extraction
Ahuja et al. Stock market forecast using sentiment analysis
KR102075743B1 (ko) 신체 성장 예측 모델링 장치 및 방법
Ignatieva et al. Empirical analysis of affine versus nonaffine variance specifications in jump-diffusion models for equity indices
CN113256383B (zh) 保险产品的推荐方法、装置、电子设备及存储介质
CN109636212B (zh) 作业实际运行时间的预测方法
CN113656686A (zh) 一种基于产教融合的任务报告的生成方法及服务系统
CN113642652A (zh) 生成融合模型的方法、装置和设备
US20210231449A1 (en) Deep User Modeling by Behavior
CN114398059A (zh) 参数的更新方法、装置、设备以及存储介质
CN112465250B (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN109615018B (zh) 用户个性化行为评价方法、装置、计算机设备和存储介质
Bermúdez Exponential smoothing with covariates applied to electricity demand forecast
Despontin et al. Macro-economic Planning with Conflicting Goals: Proceedings of a Workshop Held at the Vrije Universiteit of Brussels Belgium, December 10, 1982
CN111899728B (zh) 智能语音助手决策策略的训练方法及装置
CN105117605B (zh) 一种案件预测的装置及方法

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
GR01 Patent grant
GR01 Patent grant