CN117094535B - 基于人工智能的能源补给管理方法及系统 - Google Patents

基于人工智能的能源补给管理方法及系统 Download PDF

Info

Publication number
CN117094535B
CN117094535B CN202311353515.5A CN202311353515A CN117094535B CN 117094535 B CN117094535 B CN 117094535B CN 202311353515 A CN202311353515 A CN 202311353515A CN 117094535 B CN117094535 B CN 117094535B
Authority
CN
China
Prior art keywords
target
replenishment
data
feature
energy supply
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
CN202311353515.5A
Other languages
English (en)
Other versions
CN117094535A (zh
Inventor
黄汉斌
江东妹
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.)
Shenzhen Nengshu Technology Co ltd
Original Assignee
Shenzhen Nengshu 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 Shenzhen Nengshu Technology Co ltd filed Critical Shenzhen Nengshu Technology Co ltd
Priority to CN202311353515.5A priority Critical patent/CN117094535B/zh
Publication of CN117094535A publication Critical patent/CN117094535A/zh
Application granted granted Critical
Publication of CN117094535B publication Critical patent/CN117094535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，公开了一种基于人工智能的能源补给管理方法及系统，用于实现智能化的能源补给管理。方法包括：对历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；进行曲线转换和特征提取，得到多个目标补给特征；通过极大祖先图贪婪搜索算法进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；通过预置的局部推断算法，对目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；根据多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；基于每个目标补给特征的补给影响强度和补给影响方向，创建目标能源补给站的目标能源补给管理策略。

Description

基于人工智能的能源补给管理方法及系统
技术领域
本发明涉及人工智能领域，尤其涉及一种基于人工智能的能源补给管理方法及系统。
背景技术
随着社会的不断发展，能源补给站作为保障交通运输、能源供应的关键基础设施，其管理效率对于交通系统和能源体系的稳定运行至关重要。
然而，传统的能源补给站管理方式存在一系列问题，包括拥堵、资源浪费、运营效率低等。传统方法通常基于经验和规则，无法灵活地适应复杂多变的城市交通和能源需求模式，导致了能源补给站在高峰时段的拥堵、效率低下等问题。
发明内容
本发明提供了一种基于人工智能的能源补给管理方法及系统，用于实现智能化的能源补给管理。
本发明第一方面提供了一种基于人工智能的能源补给管理方法，所述基于人工智能的能源补给管理方法包括：
获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；
对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线转换和特征提取，得到多个目标补给特征；
通过预置的极大祖先图贪婪搜索算法，对所述多个目标补给特征进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；
通过预置的局部推断算法，对所述目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；
根据所述多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；
基于每个目标补给特征的补给影响强度和补给影响方向，创建所述目标能源补给站的目标能源补给管理策略。
结合第一方面，在本发明第一方面的第一种实现方式中，所述获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据，包括：
通过预置的云监控平台，获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行属性标签提取，得到车辆流量标签、时段标签及拥堵时长标签；
将所述车辆流量标签、所述时段标签及所述拥堵时长标签输入预置的标签数据聚类模型，并通过所述标签数据聚类模型的第一移动密度函数对所述历史能源补给数据进行聚类中心计算，得到对应的多个第一标签聚类中心；
对所述历史能源补给数据与所述多个第一标签聚类中心进行距离计算，得到每个第一标签聚类中心的多个数据点距，并对每个第一标签聚类中心的多个数据点距进行平均值计算，得到对应的平均点距；
通过所述平均点距对所述第一移动密度函数进行搜索半径参数调整，得到目标搜索半径参数，并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到第二移动密度函数；
通过所述第二移动密度函数对所述历史能源补给数据进行聚类中心计算，得到对应的多个第二标签聚类中心，并通过所述多个第二标签聚类中心对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据。
结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线转换和特征提取，得到多个目标补给特征，包括：
分别对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线拟合，生成对应的车辆流量曲线、补给时段曲线及拥堵时长曲线；
计算所述车辆流量曲线的多个流量特征值，并计算所述补给时段曲线的多个时段特征值，以及计算所述拥堵时长曲线的多个时长特征值；
通过预置的第一均值函数计算所述车辆流量曲线的流量目标值，并通过预置的第二均值函数计算所述补给时段曲线的时段目标值，以及通过预置的第三均值函数计算所述拥堵时长曲线的时长目标值；
分别对所述多个流量特征值和所述流量目标值进行比较，得到多个第一比较结果，并根据所述多个第一比较结果生成对应的多个第一补给特征；
分别对所述多个时段特征值和所述时段目标值进行比较，得到多个第二比较结果，并根据所述多个第二比较结果生成对应的多个第二补给特征；
分别对所述多个时长特征值和所述时长目标值进行比较，得到多个第三比较结果，并根据所述多个第三比较结果生成对应的多个第三补给特征；
对所述多个第一补给特征、所述多个第二补给特征及所述多个第三补给特征进行集合转换，得到多个目标补给特征。
结合第一方面，在本发明第一方面的第三种实现方式中，所述通过预置的极大祖先图贪婪搜索算法，对所述多个目标补给特征进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型，包括：
通过预置的极大祖先图贪婪搜索算法进行网络初始化，得到初始化网络结构；
从所述初始化网络结构中选取初始搜索节点，并根据所述初始搜索节点对所述多个目标补给特征进行贪婪搜索，得到每个目标补给特征对应的最大祖先节点；
基于每个目标补给特征对应的最大祖先节点，建立每个目标补给特征的边缘依赖关系；
基于所述边缘依赖关系，对所述初始化网络结构进行因果路径优化，生成目标因果网络模型。
结合第一方面，在本发明第一方面的第四种实现方式中，所述通过预置的局部推断算法，对所述目标因果网络模型进行局部关系分析，得到多个因果效应评估结果，包括：
基于所述目标因果网络模型选取多个目标局部变量，并分别设定每个目标局部变量对应的干预信息；
通过预置的局部推断算法，根据每个目标局部变量对应的干预信息对所述目标因果网络模型进行参数调整，得到调整后的因果网络模型；
根据所述调整后的因果网络模型对所述多个目标局部变量进行变量关系更新，得到多个变量关系信息；
根据所述多个变量关系信息生成对应的多个因果效应评估结果。
结合第一方面，在本发明第一方面的第五种实现方式中，所述根据所述多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向，包括：
对所述多个因果效应评估结果进行方向判定，确定每个目标补给特征的补给影响方向；
对所述多个因果效应评估结果进行强度计算，得到每个目标补给特征的初始影响强度；
对所述多个因果效应评估结果进行动态权重分配，得到对应的目标动态权重；
基于所述目标动态权重，对每个目标补给特征的初始影响强度进行加权运算，得到每个目标补给特征的补给影响强度。
结合第一方面，在本发明第一方面的第六种实现方式中，所述基于每个目标补给特征的补给影响强度和补给影响方向，创建所述目标能源补给站的目标能源补给管理策略，包括：
对每个目标补给特征的补给影响强度和补给影响方向进行特征编码，得到多个特征编码数据；
对所述多个特征编码数据进行矩阵转换，得到目标特征编码矩阵；
将所述目标特征编码矩阵输入预置的能源补给管理分析模型，其中，所述能源补给管理分析模型包括：双向长短时记忆网络、门限循环网络及全连接网络；
通过所述双向长短时记忆网络对所述目标特征编码矩阵进行隐藏特征提取，得到目标隐藏特征矩阵；
通过所述门限循环网络，对所述目标隐藏特征矩阵进行特征权重分析，得到目标特征权重矩阵；
将所述目标特征权重矩阵输入所述全连接网络进行能源补给管理预测，得到目标预测数据；
基于所述目标预测数据，从预置的能源补给管理策略列表中匹配所述目标能源补给站的目标能源补给管理策略。
本发明第二方面提供了一种基于人工智能的能源补给管理系统，所述基于人工智能的能源补给管理系统包括：
获取模块，用于获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；
转换模块，用于对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线转换和特征提取，得到多个目标补给特征；
构建模块，用于通过预置的极大祖先图贪婪搜索算法，对所述多个目标补给特征进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；
分析模块，用于通过预置的局部推断算法，对所述目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；
处理模块，用于根据所述多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；
创建模块，用于基于每个目标补给特征的补给影响强度和补给影响方向，创建所述目标能源补给站的目标能源补给管理策略。
本发明第三方面提供了一种基于人工智能的能源补给管理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的能源补给管理设备执行上述的基于人工智能的能源补给管理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于人工智能的能源补给管理方法。
本发明提供的技术方案中，对历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；进行曲线转换和特征提取，得到多个目标补给特征；通过极大祖先图贪婪搜索算法进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；通过预置的局部推断算法，对目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；根据多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；基于每个目标补给特征的补给影响强度和补给影响方向，创建目标能源补给站的目标能源补给管理策略，本发明通过对历史数据进行曲线转换和特征提取，能够提取多个目标补给特征，从而实现对能源补给站运营的更精准化管理，以及不同因素对站点运营的影响。运用极大祖先图贪婪搜索算法构建因果关系网络模型，能够更全面地分析目标补给特征之间的依赖关系，揭示潜在的因果关系。通过局部推断算法和深度学习模型，可以实现对目标因果网络模型的智能化分析，得到多个因果效应评估结果。通过动态权重分配，可以灵活地调整不同因果效应的权重，使其能够更好地适应变化的环境。通过引入深度学习模型，双向长短时记忆网络和门限循环网络，能够更好地捕捉时间序列数据中的模式和趋势。提高了对未来运营趋势的预测准确性。通过根据每个目标补给特征的补给影响强度和补给影响方向，创建目标能源补给站的个性化管理策略，有助于根据站点的实际情况和需求，制定更贴近实际的管理决策，进而实现了智能化的能源补给管理。
附图说明
图1为本发明实施例中基于人工智能的能源补给管理方法的一个实施例示意图；
图2为本发明实施例中曲线转换和特征提取的流程图；
图3为本发明实施例中特征依赖关系分析和因果关系网络构建的流程图；
图4为本发明实施例中局部关系分析的流程图；
图5为本发明实施例中基于人工智能的能源补给管理系统的一个实施例示意图；
图6为本发明实施例中基于人工智能的能源补给管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的能源补给管理方法及系统，用于实现智能化的能源补给管理。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于人工智能的能源补给管理方法的一个实施例包括：
S101、获取目标能源补给站的历史能源补给数据，并对历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；
可以理解的是，本发明的执行主体可以为基于人工智能的能源补给管理系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器通过预置的云监控平台来获取目标能源补给站的历史能源补给数据。这些数据包括了各种关键信息，如补给车辆的流量、补给时段和拥堵时长等。这些数据以原始形式存在，需要进行属性标签提取，以便进一步的处理和分析。标签提取可以包括将数据点与特定属性进行关联，例如将车辆流量数据标记为“车辆流量标签”，将时段数据标记为“时段标签”，将拥堵时长数据标记为“拥堵时长标签”。例如，一个目标能源补给站的历史数据集包括了不同日期和时段的能源补给情况。通过云监控平台，服务器提取出每次补给的车辆流量、补给时段和拥堵时长信息，并将它们标记为相应的属性标签。服务器将所得的标签数据输入预置的标签数据聚类模型。这个模型旨在将相似的数据点聚集在一起，以便进一步的分析。通过模型中的第一移动密度函数，服务器计算历史能源补给数据的聚类中心。这些聚类中心代表了不同的补给情况，具有相似的特征。例如，本实施例中，标签数据聚类模型会将历史能源补给数据分成不同的组，每个组代表一种补给情况。例如，服务器会得到多个第一标签聚类中心，每个中心代表一个不同的车辆流量、时段和拥堵时长的组合。服务器计算每个中心与其所包含的数据点之间的距离。这些距离用于进一步优化聚类过程。然后，服务器计算每个第一标签聚类中心的多个数据点距的平均值，以获得对应的平均点距。例如，对于每个第一标签聚类中心，服务器计算它包含的数据点与中心的距离，并计算这些距离的平均值。这个平均点距反映了每个聚类中心内部数据点之间的相似度。通过平均点距，服务器进行搜索半径参数的调整，以更好地适应数据的分布。这个参数调整有助于确保服务器不会过度聚类或过少聚类数据。之后，服务器用目标搜索半径参数替换第一移动密度函数的初始搜索半径参数，从而生成第二移动密度函数。例如，如果平均点距较大，说明数据点之间的分散度较高，服务器需要增加搜索半径参数，以更好地捕捉相似数据点。反之，如果平均点距较小，说明数据点之间的相似度较高，服务器减小搜索半径参数。通过第二移动密度函数，服务器计算第二标签聚类中心，这些中心反映了不同的数据点组合。然后，通过这些第二标签聚类中心，服务器对历史能源补给数据进行进一步的数据集分类，以得到补给车辆的流量数据、补给时段数据和拥堵时长数据。例如，第二标签聚类中心代表了不同的能源补给情况，例如高流量、低流量、高时段、低时段等。通过这些标签，服务器将历史数据中的不同补给情况划分出来，从而获得各种补给车辆的流量、时段和拥堵时长数据。
S102、对补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线转换和特征提取，得到多个目标补给特征；
具体的，服务器对补给车辆的流量数据、补给时段数据和拥堵时长数据进行曲线拟合，生成对应的车辆流量曲线、补给时段曲线和拥堵时长曲线。曲线拟合可以使用各种数学模型和算法，例如多项式拟合、指数拟合、线性拟合等，来拟合原始数据并生成平滑的曲线。例如，对于车辆流量数据，服务器使用多项式拟合生成流量曲线，如将不同时间点的流量数据连接起来形成连续的曲线。针对每个曲线，计算多个特征值。对于车辆流量曲线，可以计算流量的均值、最大值、最小值、标准差等统计特征。对于补给时段曲线，可以计算时段的均值、峰值时段、非高峰时段的比例等特征。对于拥堵时长曲线，可以计算拥堵时长的总和、平均拥堵时长、拥堵时段的数量等特征。例如，对于车辆流量曲线，服务器计算出一天中的平均流量、最高流量和最低流量等特征值。使用预置的第一均值函数、第二均值函数和第三均值函数，分别计算车辆流量曲线的流量目标值、补给时段曲线的时段目标值和拥堵时长曲线的时长目标值。这些目标值可以根据业务需求来确定，通常反映了补给站的运营目标。例如，假设服务器的目标是确保补给站在高峰时段有足够的流量来满足需求。在这种情况下，服务器使用第一均值函数计算出高峰时段的平均流量目标值。将计算得到的特征值与目标值进行比较，得到多个比较结果。根据这些比较结果，生成对应的多个第一补给特征、第二补给特征和第三补给特征。这些特征可以反映曲线数据与目标值之间的关系，从而有助于优化补给管理策略。例如，如果计算得到的平均流量高于高峰时段的平均流量目标值，那么可以生成一个第一补给特征，表示在高峰时段补给站的流量表现良好。将多个第一补给特征、第二补给特征和第三补给特征进行集合转换，得到多个目标补给特征。这些目标补给特征综合了曲线拟合、特征计算、目标值计算和比较等步骤的结果，为后续的能源补给管理提供了有力的信息和指导。例如，基于多个第一补给特征、第二补给特征和第三补给特征，可以生成目标补给特征，例如“高峰时段流量充足”、“拥堵时长符合目标”等。
S103、通过预置的极大祖先图贪婪搜索算法，对多个目标补给特征进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；
需要说明的是，使用预置的极大祖先图贪婪搜索算法进行网络初始化。在这一步，服务器创建一个初始网络结构，该结构包含了各个目标补给特征之间的潜在依赖关系。例如，假设服务器有三个目标补给特征：A、B和C。在初始化网络结构时，会创建如下的初始关系：A→B、B→C，表示A对B有影响，B对C有影响。从初始化网络结构中选取初始搜索节点，这些节点将用于启动贪婪搜索算法。对于每个初始搜索节点，进行贪婪搜索以确定每个目标补给特征对应的最大祖先节点。在这一步，服务器逐步扩展每个目标补给特征的依赖路径。例如，如果服务器选择节点A作为初始搜索节点，然后对A进行贪婪搜索，会发现A的最大祖先节点是节点D，即A→D。对于B和C，也会进行类似的搜索，得到它们各自的最大祖先节点。基于每个目标补给特征对应的最大祖先节点，建立每个目标补给特征的边缘依赖关系。边缘依赖关系表示了每个特征与其最大祖先节点之间的直接依赖关系，即边缘关系。例如，本实施例中，如果A的最大祖先节点是D，则可以建立A与D之间的边缘依赖关系，即A→D。对于B和C，也会建立相应的边缘依赖关系。基于所建立的边缘依赖关系，对初始化网络结构进行因果路径优化，生成目标因果网络模型。这一步骤旨在识别潜在的因果关系，并进一步完善网络结构，以确保因果路径的正确性和合理性。例如，在优化过程中，如果发现某些依赖关系是虚假的或不相关的，可以将其删除，从而得到更准确的因果网络模型。例如，如果在优化过程中发现B并不直接受A的影响，可以将A→B的关系删除。
S104、通过预置的局部推断算法，对目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；
具体的，从目标因果网络模型中选取多个目标局部变量。这些目标局部变量是服务器希望进行因果效应评估的关键变量。然后，为每个目标局部变量设定相应的干预信息。这些干预信息可以是实际的操作或设定的假设干预，用于模拟不同情境下的因果效应。例如，假设服务器的目标因果网络模型包括了补给站的运营成本、补给车辆数量和用户满意度等变量。服务器选择用户满意度作为目标局部变量，并设定两个干预信息：（1）提高补给车辆数量；（2）降低运营成本。通过预置的局部推断算法，根据每个目标局部变量对应的干预信息，对目标因果网络模型进行参数调整。目的是模拟干预对于网络模型的影响，从而得到调整后的因果网络模型，反映了不同干预情境下的因果效应。例如，对于用户满意度这个目标局部变量，服务器根据第一个干预信息（提高补给车辆数量）和第二个干预信息（降低运营成本），分别调整网络模型中与补给车辆数量和运营成本相关的参数。基于调整后的因果网络模型，对目标局部变量进行变量关系更新。这一步骤通过分析网络模型中的因果关系，确定不同变量之间的相互作用和影响关系，从而生成多个变量关系信息。例如，对于用户满意度这个目标局部变量，服务器发现它与补给车辆数量和运营成本之间存在复杂的关系。通过分析网络模型，服务器更新这些关系，例如确定提高补给车辆数量会提高用户满意度，而降低运营成本也会提高用户满意度。根据更新后的变量关系信息，生成对应的多个因果效应评估结果。这些评估结果反映了不同因果关系和干预情境下的效应，可以用于指导决策和优化能源补给管理策略。例如，基于更新后的关系信息，服务器得出结论，提高补给车辆数量对用户满意度有正向影响，而降低运营成本也对用户满意度有正向影响。因此，服务器建议在提高补给车辆数量和降低运营成本方面采取措施以提高用户满意度。
S105、根据多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；
具体的，对多个因果效应评估结果进行方向判定，以确定每个目标补给特征的补给影响方向。目的是确定特征之间的因果关系是正向还是负向。正向表示一个特征的增加会导致另一个特征的增加，负向表示一个特征的增加会导致另一个特征的减少。例如，假设服务器有两个目标补给特征，A和B，经过因果效应评估后发现A→B，表示A对B有正向影响，A增加会导致B增加。对多个因果效应评估结果进行强度计算，得到每个目标补给特征的初始影响强度。这一步骤用于量化特征之间的因果关系的程度，通常使用数值来表示影响的强度。例如，对于上述示例中的A→B的关系，服务器计算出A对B的影响强度为0.8，表示A的变化对B有较强的正向影响。对多个因果效应评估结果进行动态权重分配，得到对应的目标动态权重。这一步骤考虑了不同因果关系的重要性和可信度，从而为每个因果关系分配适当的权重。例如，假设服务器有多个因果效应评估结果，其中某些结果具有较高的可信度，而其他结果不太可靠。在这种情况下，服务器为可信度较高的结果分配较高的权重，以反映它们对补给影响强度的贡献。基于目标动态权重，对每个目标补给特征的初始影响强度进行加权运算，得到每个目标补给特征的补给影响强度。这一步骤考虑了不同因果关系的权重，从而生成最终的补给影响强度。例如，假设服务器有两个因果关系A→B和C→D，根据动态权重分配，A→B的权重为0.7，C→D的权重为0.5。如果A对B的初始影响强度为0.8，C对D的初始影响强度为0.6，那么最终A对B的补给影响强度为0.7*0.8=0.56，C对D的补给影响强度为0.5*0.6=0.3。
S106、基于每个目标补给特征的补给影响强度和补给影响方向，创建目标能源补给站的目标能源补给管理策略。
具体的，对每个目标补给特征的补给影响强度和补给影响方向进行特征编码。这一步骤将数值化补给影响强度和方向信息，得到多个特征编码数据。例如，假设服务器有三个目标补给特征：A、B和C，分别有对应的补给影响强度和方向信息。对于A，的编码是（强度：0.8，方向：正向），对于B，编码是（强度：0.6，方向：正向），对于C，编码是（强度：0.3，方向：负向）。将所述多个特征编码数据进行矩阵转换，得到目标特征编码矩阵。这一步骤将特征编码数据组织成矩阵的形式，以便后续的处理和分析。将目标特征编码矩阵输入预置的能源补给管理分析模型。这个分析模型通常包括双向长短时记忆网络（Bidirectional LSTM）、门限循环网络（GRU）以及全连接网络等，用于处理和分析特征编码数据。例如，能源补给管理分析模型可以是一个深度神经网络，接受目标特征编码矩阵作为输入。通过双向长短时记忆网络对目标特征编码矩阵进行隐藏特征提取。这一步骤旨在从特征编码数据中提取潜在的隐藏特征，以更好地表示数据的复杂关系。例如，双向长短时记忆网络可以学习到目标特征编码数据中的时序关系和依赖关系，从而提取隐藏特征。通过门限循环网络对目标隐藏特征矩阵进行特征权重分析。这一步骤用于确定不同隐藏特征的权重，以反映其对能源补给管理的重要性。例如，门限循环网络可以分析隐藏特征之间的相关性，从而为每个隐藏特征分配权重，反映其在能源补给管理中的影响力。将目标特征权重矩阵输入全连接网络进行能源补给管理预测。这一步骤旨在根据权重和隐藏特征进行预测，以制定合适的能源补给策略。例如，全连接网络可以使用特征权重和隐藏特征来生成目标预测数据，这些数据可以指导能源补给管理策略的制定。基于目标预测数据，从预置的能源补给管理策略列表中匹配目标能源补给站的目标能源补给管理策略。根据预测结果选择最适合的策略，以优化能源补给站的管理和运营。例如，如果根据预测数据得出应提高补给量的结论，那么从策略列表中选择相应的策略，如增加补给站的能源供应频率或数量。
本发明实施例中，对历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；进行曲线转换和特征提取，得到多个目标补给特征；通过极大祖先图贪婪搜索算法进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；通过预置的局部推断算法，对目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；根据多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；基于每个目标补给特征的补给影响强度和补给影响方向，创建目标能源补给站的目标能源补给管理策略，本发明通过对历史数据进行曲线转换和特征提取，能够提取多个目标补给特征，从而实现对能源补给站运营的更精准化管理，以及不同因素对站点运营的影响。运用极大祖先图贪婪搜索算法构建因果关系网络模型，能够更全面地分析目标补给特征之间的依赖关系，揭示潜在的因果关系。通过局部推断算法和深度学习模型，可以实现对目标因果网络模型的智能化分析，得到多个因果效应评估结果。通过动态权重分配，可以灵活地调整不同因果效应的权重，使其能够更好地适应变化的环境。通过引入深度学习模型，双向长短时记忆网络和门限循环网络，能够更好地捕捉时间序列数据中的模式和趋势。提高了对未来运营趋势的预测准确性。通过根据每个目标补给特征的补给影响强度和补给影响方向，创建目标能源补给站的个性化管理策略，有助于根据站点的实际情况和需求，制定更贴近实际的管理决策，进而实现了智能化的能源补给管理。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过预置的云监控平台，获取目标能源补给站的历史能源补给数据，并对历史能源补给数据进行属性标签提取，得到车辆流量标签、时段标签及拥堵时长标签；
（2）将车辆流量标签、时段标签及拥堵时长标签输入预置的标签数据聚类模型，并通过标签数据聚类模型的第一移动密度函数对历史能源补给数据进行聚类中心计算，得到对应的多个第一标签聚类中心；
（3）对历史能源补给数据与多个第一标签聚类中心进行距离计算，得到每个第一标签聚类中心的多个数据点距，并对每个第一标签聚类中心的多个数据点距进行平均值计算，得到对应的平均点距；
（4）通过平均点距对第一移动密度函数进行搜索半径参数调整，得到目标搜索半径参数，并将第一移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到第二移动密度函数；
（5）通过第二移动密度函数对历史能源补给数据进行聚类中心计算，得到对应的多个第二标签聚类中心，并通过多个第二标签聚类中心对历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据。
具体的，服务器通过预置的云监控平台获取目标能源补给站的历史能源补给数据。这些数据包括补给车辆的流量、补给时段以及拥堵时长等信息。例如，云监控平台可以收集目标能源补给站过去一年的补给数据，包括每辆车的补给量、补给时间和拥堵情况。对历史能源补给数据进行属性标签提取，得到车辆流量标签、时段标签以及拥堵时长标签。这一步骤将数据中的各个属性进行标记，以便后续的处理和分析。例如，对于历史能源补给数据，提取出车辆流量标签（例如，高、中、低流量）、时段标签（例如，早上、下午、晚上）以及拥堵时长标签（例如，无拥堵、轻度拥堵、重度拥堵）。将车辆流量标签、时段标签及拥堵时长标签输入预置的标签数据聚类模型。这个聚类模型用于将数据标签进行聚类分析，得到一组第一标签聚类中心。例如，使用聚类算法（如K均值聚类）对标签数据进行分组，得到不同车辆流量、时段和拥堵时长的聚类中心。通过标签数据聚类模型的第一移动密度函数对历史能源补给数据进行聚类中心计算，得到多个第一标签聚类中心。然后，对每个第一标签聚类中心的多个数据点距离进行平均值计算，得到平均点距。例如，对于每个车辆流量标签聚类中心，计算该聚类中心下数据点的平均点距离，以确定数据点的分布密度。通过平均点距对第一移动密度函数进行搜索半径参数调整，得到目标搜索半径参数。这个搜索半径参数将用于后续的数据集分类。例如，根据平均点距离，确定搜索半径参数，以便更好地捕捉数据点的分布特征。搜索半径的调整可以使得聚类更精确。通过第二移动密度函数对历史能源补给数据进行聚类中心计算，得到对应的多个第二标签聚类中心。然后，使用目标搜索半径参数对历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据。例如，根据第二移动密度函数和目标搜索半径参数，将历史能源补给数据分为不同的数据集，每个数据集代表一个特定的车辆流量、时段和拥堵时长组合。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、分别对补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线拟合，生成对应的车辆流量曲线、补给时段曲线及拥堵时长曲线；
S202、计算车辆流量曲线的多个流量特征值，并计算补给时段曲线的多个时段特征值，以及计算拥堵时长曲线的多个时长特征值；
S203、通过预置的第一均值函数计算车辆流量曲线的流量目标值，并通过预置的第二均值函数计算补给时段曲线的时段目标值，以及通过预置的第三均值函数计算拥堵时长曲线的时长目标值；
S204、分别对多个流量特征值和流量目标值进行比较，得到多个第一比较结果，并根据多个第一比较结果生成对应的多个第一补给特征；
S205、分别对多个时段特征值和时段目标值进行比较，得到多个第二比较结果，并根据多个第二比较结果生成对应的多个第二补给特征；
S206、分别对多个时长特征值和时长目标值进行比较，得到多个第三比较结果，并根据多个第三比较结果生成对应的多个第三补给特征；
S207、对多个第一补给特征、多个第二补给特征及多个第三补给特征进行集合转换，得到多个目标补给特征。
具体的，服务器分别对补给车辆的流量数据、补给时段数据以及拥堵时长数据进行曲线拟合。这可以采用不同的数学模型，如多项式回归、指数拟合或移动平均法来实现。曲线拟合有助于捕捉数据的趋势和周期性。例如，对于流量数据，使用多项式回归来拟合数据，以获得车辆流量曲线。对于时段数据，可以使用指数拟合来获得补给时段曲线。对于拥堵时长数据，可以采用移动平均法来平滑曲线。在拟合曲线后，计算每个曲线的多个特征值。这些特征值可以包括均值、方差、峰度、偏度等统计特征，以及与曲线形状相关的特征。例如，对于车辆流量曲线，可以计算均值、峰值流量、流量波动等特征。对于补给时段曲线，可以计算平均时段、最长时段等特征。对于拥堵时长曲线，可以计算拥堵时长的平均值、峰值等特征。通过预置的第一均值函数计算车辆流量曲线的流量目标值，并通过预置的第二均值函数计算补给时段曲线的时段目标值，以及通过预置的第三均值函数计算拥堵时长曲线的时长目标值。例如，对于车辆流量曲线，使用第一均值函数计算出预期的流量目标值，代表了补给站在某个时刻应有的车辆流量。同样，对于补给时段曲线和拥堵时长曲线，可以使用第二和第三均值函数计算出目标值。将特征值与目标值进行比较，以生成多个第一、第二和第三补给特征。这些特征可以反映补给站的性能和运营情况。例如，如果车辆流量曲线的均值与流量目标值相差较小，则生成一个第一补给特征，指示补给站的流量维持在目标水平。类似地，如果补给时段曲线的最长时段与时段目标值相符，生成一个第二补给特征。如果拥堵时长曲线的峰值拥堵时长较短，生成一个第三补给特征，表示补给站的拥堵情况较低。将生成的多个第一、第二和第三补给特征进行集合转换，得到多个目标补给特征。这些特征可以综合反映补给站的性能和影响因素，为后续的能源补给管理策略提供重要信息。例如，将所有生成的特征组合成一个特征向量，代表了目标补给特征，该向量可以用于后续的分析和决策。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、通过预置的极大祖先图贪婪搜索算法进行网络初始化，得到初始化网络结构；
S302、从初始化网络结构中选取初始搜索节点，并根据初始搜索节点对多个目标补给特征进行贪婪搜索，得到每个目标补给特征对应的最大祖先节点；
S303、基于每个目标补给特征对应的最大祖先节点，建立每个目标补给特征的边缘依赖关系；
S304、基于边缘依赖关系，对初始化网络结构进行因果路径优化，生成目标因果网络模型。
具体的，服务器通过预置的极大祖先图贪婪搜索算法进行网络初始化。这一步骤的目的是创建一个初始的因果图网络结构，以便后续的分析。例如，假设服务器有多个目标补给特征，如车辆流量、补给时段和拥堵时长。初始化网络可以包括这些特征以及它们之间的一些随机连接。从初始化的网络结构中选取一个或多个初始搜索节点，这些节点将用于进行贪婪搜索。初始搜索节点可以是与目标补给特征相关的节点。例如，对于车辆流量特征，初始搜索节点可以是与流量相关的节点，如天气、道路状况等。使用贪婪搜索算法，从初始搜索节点开始，逐步向前搜索，以确定每个目标补给特征对应的最大祖先节点。在搜索过程中，考虑因果关系，以找到最相关的节点。例如，对于车辆流量特征，从与流量相关的初始节点开始，搜索的祖先节点，如时间、交通信号、特殊事件等。确定最大祖先节点，如时间，表示时间是影响车辆流量的重要因素。基于每个目标补给特征对应的最大祖先节点，建立每个目标补给特征的边缘依赖关系。这些依赖关系反映了每个特征与其祖先节点之间的因果关系。例如，对于车辆流量特征，建立与时间节点的边缘依赖关系，表示时间对车辆流量有因果影响。基于已建立的边缘依赖关系，对初始化网络结构进行因果路径优化。这一步骤旨在识别并强调与目标补给特征相关的主要因果路径。例如，如果在车辆流量特征的因果路径中，时间节点被识别为主要因果因素，则网络结构会强调时间节点与车辆流量之间的连接。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、基于目标因果网络模型选取多个目标局部变量，并分别设定每个目标局部变量对应的干预信息；
S402、通过预置的局部推断算法，根据每个目标局部变量对应的干预信息对目标因果网络模型进行参数调整，得到调整后的因果网络模型；
S403、根据调整后的因果网络模型对多个目标局部变量进行变量关系更新，得到多个变量关系信息；
S404、根据多个变量关系信息生成对应的多个因果效应评估结果。
具体的，服务器从目标因果网络模型中选择多个目标局部变量。这些变量是服务器希望评估其因果效应的关键因素。目标局部变量通常与服务器关心的决策或问题相关。例如，假设服务器的目标局部变量包括车辆流量、补给时段、拥堵时长等。为每个目标局部变量设定干预信息。这些信息描述了服务器希望如何改变或干预每个变量，以评估其对其他变量的因果影响。干预信息可以是定量或定性的。例如，对于车辆流量，服务器希望评估增加某个特定时段的补给是否会增加流量。在这种情况下，干预信息可以是“增加补给时段”。使用预置的局部推断算法，根据每个目标局部变量的干预信息对目标因果网络模型进行参数调整。服务器会改变模型中相关节点之间的权重或条件概率，以反映服务器的干预。例如，如果服务器干预了补给时段，局部推断算法会相应地调整模型中补给时段节点与其他节点的关系权重，以模拟干预效果。根据调整后的因果网络模型，更新多个目标局部变量之间的变量关系。这反映了在进行干预后，变量之间的新因果关系。例如，在调整后的模型中，会观察到增加补给时段导致车辆流量增加的变量关系。基于多个变量关系信息，生成对应的多个因果效应评估结果。这些结果将反映服务器的干预对目标局部变量和其他相关变量的影响。例如，根据模型的更新，服务器得出结论，增加补给时段会显著增加车辆流量，同时对拥堵时长没有明显影响。这就是因果效应评估的结果。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）对多个因果效应评估结果进行方向判定，确定每个目标补给特征的补给影响方向；
（2）对多个因果效应评估结果进行强度计算，得到每个目标补给特征的初始影响强度；
（3）对多个因果效应评估结果进行动态权重分配，得到对应的目标动态权重；
（4）基于目标动态权重，对每个目标补给特征的初始影响强度进行加权运算，得到每个目标补给特征的补给影响强度。
具体的，对于每个目标补给特征，通过分析多个因果效应评估结果，确定其补给影响方向。服务器确定该特征对其他相关变量的影响是正向还是负向。例如，假设评估结果表明增加补给时段导致车辆流量增加，则补给影响方向为正向。计算每个目标补给特征的初始影响强度，这是在没有考虑权重的情况下，该特征对其他相关变量的影响程度。例如，如果评估结果显示增加补给时段导致车辆流量增加了100辆车，那么初始影响强度可以设定为+100。为了更准确地考虑不同因果效应的重要性，进行动态权重分配。为每个因果效应赋予一个权重，反映其在整体影响中的相对重要性。权重可以根据先验知识、数据分析或领域专家的建议进行分配。例如，如果在车辆流量中，增加补给时段的因果效应被认为更重要，那么可以为该效应赋予较高的权重。基于动态权重，对每个目标补给特征的初始影响强度进行加权运算，以计算最终的补给影响强度。这考虑了不同因果效应的重要性，并将其整合到一个综合的度量中。例如，如果增加补给时段的因果效应在车辆流量中被认为是最重要的，并且被赋予较高的权重，那么最终的补给影响强度将根据该效应的强度和权重来计算。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对每个目标补给特征的补给影响强度和补给影响方向进行特征编码，得到多个特征编码数据；
（2）对多个特征编码数据进行矩阵转换，得到目标特征编码矩阵；
（3）将目标特征编码矩阵输入预置的能源补给管理分析模型，其中，能源补给管理分析模型包括：双向长短时记忆网络、门限循环网络及全连接网络；
（4）通过双向长短时记忆网络对目标特征编码矩阵进行隐藏特征提取，得到目标隐藏特征矩阵；
（5）通过门限循环网络，对目标隐藏特征矩阵进行特征权重分析，得到目标特征权重矩阵；
（6）将目标特征权重矩阵输入全连接网络进行能源补给管理预测，得到目标预测数据；
（7）基于目标预测数据，从预置的能源补给管理策略列表中匹配目标能源补给站的目标能源补给管理策略。
具体的，对每个目标补给特征的补给影响强度和补给影响方向进行编码。这可以使用数字或标志符号表示，以便计算机能够理解和处理。例如，假设有两个目标补给特征，一个是车辆流量的补给影响强度为+100，方向为正向；另一个是补给时段的补给影响强度为-50，方向为负向。这可以编码为（+100，1）和（-50，-1）。将每个目标补给特征的编码放入矩阵中，形成目标特征编码矩阵。每一行表示一个目标补给特征的编码。将目标特征编码矩阵输入预置的能源补给管理分析模型，该模型可以包括双向长短时记忆网络（Bi-LSTM）、门限循环网络（GRU）以及全连接网络（FCN）等。这些模型用于提取隐藏特征、分析特征权重和进行能源补给管理预测。通过双向长短时记忆网络（Bi-LSTM）等深度学习模型，从目标特征编码矩阵中提取隐藏特征，得到目标隐藏特征矩阵。例如，目标隐藏特征矩阵包含了根据编码信息提取的潜在特征表示。使用门限循环网络（GRU）等模型，对目标隐藏特征矩阵进行特征权重分析，以确定哪些特征对于能源补给管理的预测更具重要性。这将产生目标特征权重矩阵。将目标特征权重矩阵输入全连接网络（FCN）等模型，进行能源补给管理的预测。这将生成目标预测数据，该数据可以用于制定具体的补给管理策略。例如，通过模型预测，服务器得到未来某个时间段内的能源需求预测结果。基于目标预测数据，从预置的能源补给管理策略列表中匹配最适合的策略。这可以是根据预测的需求来选择合适的补给时间和数量。例如，如果预测显示未来几小时内车辆流量将急剧增加，系统可以自动匹配合适的补给时间，以满足这一需求。
上面对本发明实施例中基于人工智能的能源补给管理方法进行了描述，下面对本发明实施例中基于人工智能的能源补给管理系统进行描述，请参阅图5，本发明实施例中基于人工智能的能源补给管理系统一个实施例包括：
获取模块501，用于获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；
转换模块502，用于对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线转换和特征提取，得到多个目标补给特征；
构建模块503，用于通过预置的极大祖先图贪婪搜索算法，对所述多个目标补给特征进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；
分析模块504，用于通过预置的局部推断算法，对所述目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；
处理模块505，用于根据所述多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；
创建模块506，用于基于每个目标补给特征的补给影响强度和补给影响方向，创建所述目标能源补给站的目标能源补给管理策略。
通过上述各个组成部分的协同合作，对历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；进行曲线转换和特征提取，得到多个目标补给特征；通过极大祖先图贪婪搜索算法进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；通过预置的局部推断算法，对目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；根据多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；基于每个目标补给特征的补给影响强度和补给影响方向，创建目标能源补给站的目标能源补给管理策略，本发明通过对历史数据进行曲线转换和特征提取，能够提取多个目标补给特征，从而实现对能源补给站运营的更精准化管理，以及不同因素对站点运营的影响。运用极大祖先图贪婪搜索算法构建因果关系网络模型，能够更全面地分析目标补给特征之间的依赖关系，揭示潜在的因果关系。通过局部推断算法和深度学习模型，可以实现对目标因果网络模型的智能化分析，得到多个因果效应评估结果。通过动态权重分配，可以灵活地调整不同因果效应的权重，使其能够更好地适应变化的环境。通过引入深度学习模型，双向长短时记忆网络和门限循环网络，能够更好地捕捉时间序列数据中的模式和趋势。提高了对未来运营趋势的预测准确性。通过根据每个目标补给特征的补给影响强度和补给影响方向，创建目标能源补给站的个性化管理策略，有助于根据站点的实际情况和需求，制定更贴近实际的管理决策，进而实现了智能化的能源补给管理。
上面图5从模块化功能实体的角度对本发明实施例中的基于人工智能的能源补给管理系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于人工智能的能源补给管理设备进行详细描述。
图6是本发明实施例提供的一种基于人工智能的能源补给管理设备的结构示意图，该基于人工智能的能源补给管理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于人工智能的能源补给管理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于人工智能的能源补给管理设备600上执行存储介质630中的一系列指令操作。
基于人工智能的能源补给管理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于人工智能的能源补给管理设备结构并不构成对基于人工智能的能源补给管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于人工智能的能源补给管理设备，所述基于人工智能的能源补给管理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于人工智能的能源补给管理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于人工智能的能源补给管理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，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。
所述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所述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（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种基于人工智能的能源补给管理方法，其特征在于，所述基于人工智能的能源补给管理方法包括：
获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；具体包括：通过预置的云监控平台，获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行属性标签提取，得到车辆流量标签、时段标签及拥堵时长标签；将所述车辆流量标签、所述时段标签及所述拥堵时长标签输入预置的标签数据聚类模型，并通过所述标签数据聚类模型的第一移动密度函数对所述历史能源补给数据进行聚类中心计算，得到对应的多个第一标签聚类中心；对所述历史能源补给数据与所述多个第一标签聚类中心进行距离计算，得到每个第一标签聚类中心的多个数据点距，并对每个第一标签聚类中心的多个数据点距进行平均值计算，得到对应的平均点距；通过所述平均点距对所述第一移动密度函数进行搜索半径参数调整，得到目标搜索半径参数，并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到第二移动密度函数；通过所述第二移动密度函数对所述历史能源补给数据进行聚类中心计算，得到对应的多个第二标签聚类中心，并通过所述多个第二标签聚类中心对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；
对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线转换和特征提取，得到多个目标补给特征；具体包括：分别对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线拟合，生成对应的车辆流量曲线、补给时段曲线及拥堵时长曲线；计算所述车辆流量曲线的多个流量特征值，并计算所述补给时段曲线的多个时段特征值，以及计算所述拥堵时长曲线的多个时长特征值；通过预置的第一均值函数计算所述车辆流量曲线的流量目标值，并通过预置的第二均值函数计算所述补给时段曲线的时段目标值，以及通过预置的第三均值函数计算所述拥堵时长曲线的时长目标值；分别对所述多个流量特征值和所述流量目标值进行比较，得到多个第一比较结果，并根据所述多个第一比较结果生成对应的多个第一补给特征；分别对所述多个时段特征值和所述时段目标值进行比较，得到多个第二比较结果，并根据所述多个第二比较结果生成对应的多个第二补给特征；分别对所述多个时长特征值和所述时长目标值进行比较，得到多个第三比较结果，并根据所述多个第三比较结果生成对应的多个第三补给特征；对所述多个第一补给特征、所述多个第二补给特征及所述多个第三补给特征进行集合转换，得到多个目标补给特征；
通过预置的极大祖先图贪婪搜索算法，对所述多个目标补给特征进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；具体包括：通过预置的极大祖先图贪婪搜索算法进行网络初始化，得到初始化网络结构；从所述初始化网络结构中选取初始搜索节点，并根据所述初始搜索节点对所述多个目标补给特征进行贪婪搜索，得到每个目标补给特征对应的最大祖先节点；基于每个目标补给特征对应的最大祖先节点，建立每个目标补给特征的边缘依赖关系；基于所述边缘依赖关系，对所述初始化网络结构进行因果路径优化，生成目标因果网络模型；
通过预置的局部推断算法，对所述目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；具体包括：基于所述目标因果网络模型选取多个目标局部变量，并分别设定每个目标局部变量对应的干预信息；通过预置的局部推断算法，根据每个目标局部变量对应的干预信息对所述目标因果网络模型进行参数调整，得到调整后的因果网络模型；根据所述调整后的因果网络模型对所述多个目标局部变量进行变量关系更新，得到多个变量关系信息；根据所述多个变量关系信息生成对应的多个因果效应评估结果；
根据所述多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；具体包括：对所述多个因果效应评估结果进行方向判定，确定每个目标补给特征的补给影响方向；对所述多个因果效应评估结果进行强度计算，得到每个目标补给特征的初始影响强度；对所述多个因果效应评估结果进行动态权重分配，得到对应的目标动态权重；基于所述目标动态权重，对每个目标补给特征的初始影响强度进行加权运算，得到每个目标补给特征的补给影响强度；
基于每个目标补给特征的补给影响强度和补给影响方向，创建所述目标能源补给站的目标能源补给管理策略；具体包括：对每个目标补给特征的补给影响强度和补给影响方向进行特征编码，得到多个特征编码数据；对所述多个特征编码数据进行矩阵转换，得到目标特征编码矩阵；将所述目标特征编码矩阵输入预置的能源补给管理分析模型，其中，所述能源补给管理分析模型包括：双向长短时记忆网络、门限循环网络及全连接网络；通过所述双向长短时记忆网络对所述目标特征编码矩阵进行隐藏特征提取，得到目标隐藏特征矩阵；通过所述门限循环网络，对所述目标隐藏特征矩阵进行特征权重分析，得到目标特征权重矩阵；将所述目标特征权重矩阵输入所述全连接网络进行能源补给管理预测，得到目标预测数据；基于所述目标预测数据，从预置的能源补给管理策略列表中匹配所述目标能源补给站的目标能源补给管理策略。
2.一种基于人工智能的能源补给管理系统，其特征在于，所述基于人工智能的能源补给管理系统包括：
获取模块，用于获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；具体包括：通过预置的云监控平台，获取目标能源补给站的历史能源补给数据，并对所述历史能源补给数据进行属性标签提取，得到车辆流量标签、时段标签及拥堵时长标签；将所述车辆流量标签、所述时段标签及所述拥堵时长标签输入预置的标签数据聚类模型，并通过所述标签数据聚类模型的第一移动密度函数对所述历史能源补给数据进行聚类中心计算，得到对应的多个第一标签聚类中心；对所述历史能源补给数据与所述多个第一标签聚类中心进行距离计算，得到每个第一标签聚类中心的多个数据点距，并对每个第一标签聚类中心的多个数据点距进行平均值计算，得到对应的平均点距；通过所述平均点距对所述第一移动密度函数进行搜索半径参数调整，得到目标搜索半径参数，并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到第二移动密度函数；通过所述第二移动密度函数对所述历史能源补给数据进行聚类中心计算，得到对应的多个第二标签聚类中心，并通过所述多个第二标签聚类中心对所述历史能源补给数据进行数据集分类，得到补给车辆的流量数据、补给时段数据及拥堵时长数据；
转换模块，用于对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线转换和特征提取，得到多个目标补给特征；具体包括：分别对所述补给车辆的流量数据、补给时段数据及拥堵时长数据进行曲线拟合，生成对应的车辆流量曲线、补给时段曲线及拥堵时长曲线；计算所述车辆流量曲线的多个流量特征值，并计算所述补给时段曲线的多个时段特征值，以及计算所述拥堵时长曲线的多个时长特征值；通过预置的第一均值函数计算所述车辆流量曲线的流量目标值，并通过预置的第二均值函数计算所述补给时段曲线的时段目标值，以及通过预置的第三均值函数计算所述拥堵时长曲线的时长目标值；分别对所述多个流量特征值和所述流量目标值进行比较，得到多个第一比较结果，并根据所述多个第一比较结果生成对应的多个第一补给特征；分别对所述多个时段特征值和所述时段目标值进行比较，得到多个第二比较结果，并根据所述多个第二比较结果生成对应的多个第二补给特征；分别对所述多个时长特征值和所述时长目标值进行比较，得到多个第三比较结果，并根据所述多个第三比较结果生成对应的多个第三补给特征；对所述多个第一补给特征、所述多个第二补给特征及所述多个第三补给特征进行集合转换，得到多个目标补给特征；
构建模块，用于通过预置的极大祖先图贪婪搜索算法，对所述多个目标补给特征进行特征依赖关系分析和因果关系网络构建，生成目标因果网络模型；具体包括：通过预置的极大祖先图贪婪搜索算法进行网络初始化，得到初始化网络结构；从所述初始化网络结构中选取初始搜索节点，并根据所述初始搜索节点对所述多个目标补给特征进行贪婪搜索，得到每个目标补给特征对应的最大祖先节点；基于每个目标补给特征对应的最大祖先节点，建立每个目标补给特征的边缘依赖关系；基于所述边缘依赖关系，对所述初始化网络结构进行因果路径优化，生成目标因果网络模型；
分析模块，用于通过预置的局部推断算法，对所述目标因果网络模型进行局部关系分析，得到多个因果效应评估结果；具体包括：基于所述目标因果网络模型选取多个目标局部变量，并分别设定每个目标局部变量对应的干预信息；通过预置的局部推断算法，根据每个目标局部变量对应的干预信息对所述目标因果网络模型进行参数调整，得到调整后的因果网络模型；根据所述调整后的因果网络模型对所述多个目标局部变量进行变量关系更新，得到多个变量关系信息；根据所述多个变量关系信息生成对应的多个因果效应评估结果；
处理模块，用于根据所述多个因果效应评估结果，确定每个目标补给特征的补给影响强度和补给影响方向；具体包括：对所述多个因果效应评估结果进行方向判定，确定每个目标补给特征的补给影响方向；对所述多个因果效应评估结果进行强度计算，得到每个目标补给特征的初始影响强度；对所述多个因果效应评估结果进行动态权重分配，得到对应的目标动态权重；基于所述目标动态权重，对每个目标补给特征的初始影响强度进行加权运算，得到每个目标补给特征的补给影响强度；
创建模块，用于基于每个目标补给特征的补给影响强度和补给影响方向，创建所述目标能源补给站的目标能源补给管理策略；具体包括：对每个目标补给特征的补给影响强度和补给影响方向进行特征编码，得到多个特征编码数据；对所述多个特征编码数据进行矩阵转换，得到目标特征编码矩阵；将所述目标特征编码矩阵输入预置的能源补给管理分析模型，其中，所述能源补给管理分析模型包括：双向长短时记忆网络、门限循环网络及全连接网络；通过所述双向长短时记忆网络对所述目标特征编码矩阵进行隐藏特征提取，得到目标隐藏特征矩阵；通过所述门限循环网络，对所述目标隐藏特征矩阵进行特征权重分析，得到目标特征权重矩阵；将所述目标特征权重矩阵输入所述全连接网络进行能源补给管理预测，得到目标预测数据；基于所述目标预测数据，从预置的能源补给管理策略列表中匹配所述目标能源补给站的目标能源补给管理策略。
3.一种基于人工智能的能源补给管理设备，其特征在于，所述基于人工智能的能源补给管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的能源补给管理设备执行如权利要求1所述的基于人工智能的能源补给管理方法。
4.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1所述的基于人工智能的能源补给管理方法。
CN202311353515.5A 2023-10-19 2023-10-19 基于人工智能的能源补给管理方法及系统 Active CN117094535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311353515.5A CN117094535B (zh) 2023-10-19 2023-10-19 基于人工智能的能源补给管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311353515.5A CN117094535B (zh) 2023-10-19 2023-10-19 基于人工智能的能源补给管理方法及系统

Publications (2)

Publication Number Publication Date
CN117094535A CN117094535A (zh) 2023-11-21
CN117094535B true CN117094535B (zh) 2024-01-16

Family

ID=88783710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311353515.5A Active CN117094535B (zh) 2023-10-19 2023-10-19 基于人工智能的能源补给管理方法及系统

Country Status (1)

Country Link
CN (1) CN117094535B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455918B (zh) * 2023-12-25 2024-03-26 深圳市辉熙智能科技有限公司 基于图像分析的防堵送料方法及系统
CN118378708B (zh) * 2024-06-26 2024-09-17 合肥工业大学 蕴含潜在变量的数据集中因果结构学习方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991710A (zh) * 2019-11-18 2020-04-10 腾讯科技（深圳）有限公司 为能源补给站确定布置位置的方法及相关设备
CN112217888A (zh) * 2020-10-10 2021-01-12 腾讯科技（深圳）有限公司 一种车辆的能源补给控制方法及装置
CN116341845A (zh) * 2023-03-10 2023-06-27 酷哇科技有限公司 环卫车辆资源自动预警与智能补给方法及系统
CN116681186A (zh) * 2023-08-03 2023-09-01 深圳友讯达科技股份有限公司 一种基于智能终端的用电质量分析方法及装置
CN116890689A (zh) * 2023-09-08 2023-10-17 深圳市瑞凯诺科技有限公司 基于车辆识别的充电控制方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10288439B2 (en) * 2017-02-22 2019-05-14 Robert D. Pedersen Systems and methods using artificial intelligence for routing electric vehicles

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991710A (zh) * 2019-11-18 2020-04-10 腾讯科技（深圳）有限公司 为能源补给站确定布置位置的方法及相关设备
CN112217888A (zh) * 2020-10-10 2021-01-12 腾讯科技（深圳）有限公司 一种车辆的能源补给控制方法及装置
CN116341845A (zh) * 2023-03-10 2023-06-27 酷哇科技有限公司 环卫车辆资源自动预警与智能补给方法及系统
CN116681186A (zh) * 2023-08-03 2023-09-01 深圳友讯达科技股份有限公司 一种基于智能终端的用电质量分析方法及装置
CN116890689A (zh) * 2023-09-08 2023-10-17 深圳市瑞凯诺科技有限公司 基于车辆识别的充电控制方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN117094535A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN117094535B (zh) 基于人工智能的能源补给管理方法及系统
Csikós et al. Traffic speed prediction method for urban networks—An ANN approach
CN112734135B (zh) 一种电力负荷预测方法、智能终端及计算机可读存储介质
CN111950622B (zh) 基于人工智能的行为预测方法、装置、终端及存储介质
CN106485089B (zh) 谐波用户典型工况的区间参数获取方法
CN117725537A (zh) 实时计量数据处理平台
CN115146764A (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN116110234B (zh) 基于人工智能的车流量预测方法、装置及其应用
CN112651534A (zh) 一种预测资源供应链需求量的方法、装置及存储介质
CN118151020B (zh) 一种电池安全性能的检测方法及系统
CN111932302A (zh) 一种区域中业务站点数量的确定方法、装置、设备及系统
Safdarian et al. Multiclass learning-aided temporal decomposition and distributed optimization for power systems
CN104217296A (zh) 一种上市公司绩效综合评价方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Cao et al. Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM
KR20200112495A (ko) 상권 분석 서비스 제공 서버 및 그 방법
Khodaverdian et al. Combination of convolutional neural network and gated recurrent unit for energy aware resource allocation
CN116578858A (zh) 基于图神经网络的空压机故障预测与健康度评价方法及系统
US20230209367A1 (en) Telecommunications network predictions based on machine learning using aggregated network key performance indicators
KR102664053B1 (ko) 기계학습 기반 선로부하 예측모델 해석 장치 및 방법
CN114463978A (zh) 一种基于轨道交通信息处理终端的数据监测方法
CN113191527A (zh) 一种基于预测模型进行人口预测的预测方法及装置
CN117113148B (zh) 基于时序图神经网络的风险识别方法、装置及存储介质
CN118245638B (zh) 基于泛化模型的图数据预测方法、装置、设备及存储介质
CN116957166B (zh) 一种基于鸿蒙系统的隧道交通情况预测方法及系统

Legal Events

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