CN117171503B - 一种电池充电时间智能预测方法 - Google Patents

Abstract

本发明涉及数字数据处理技术领域，提出了一种电池充电时间智能预测方法，包括：获取电池充电时间的时间序列；根据时间序列中数据的变化规律获取每个数据点的环境干扰充电指数，根据时间序列的平稳性分布特征获取每个数据点的电池充电优良指数；每个数据点的电池充电优良指数及环境干扰充电指数获取每个数据点的充电状态稳定度，根据每个数据点的充电状态稳定度获取平滑系数；根据平滑系数获取电池充电时间序列的预测结果，根据电池充电时间序列的预测结果对手机充电时间进行调整。本发明提高了预测模型的泛化能力，提高了预测结果的准确性。

Description

一种电池充电时间智能预测方法

技术领域

本发明涉及数字数据处理技术领域，具体涉及一种电池充电时间智能预测方法。

背景技术

锂离子电池是一种常用的电池，它具备重量轻、容量大以及无记忆性等优点，在电子产品、新能源等领域应用十分广泛。比如，生活中常用的手机，手机中的电池一般为锂离子电池，锂离子电池的优良性会影响手机的使用性能。在手机的使用过程中，由于充电中的损耗，锂离子电池出现老化会导致充电时间发生较大的变化，极大的影响手机的使用性能。因此，对电池充电时间的预测，可以追踪电池的健康状况，评估产品的好坏。

随着数据处理领域的发展，往往通过近期的电池充电时间数据来预测将来的电池充电时间，从而实时地追踪电池的健康状况。比如，BP神经网络预测算法，普遍应用于对时间序列数据的预测上。但是，由于电池充电时间一般存在较小的波动，数据丰富程度较低，泛化能力较低，预测精度较差。又如三次指数平滑算法，常用于对具有线性趋势以及季节特征的时间序列数据进行预测。但是，传统的三次指数平滑算法中的平滑系数往往是根据预先设定的经验值直接确定的，而经验值的确定方式出现的误差较大，得到的预测效果较差。

发明内容

本发明提供一种电池充电时间智能预测方法，以解决预测效果较差的问题，所采用的技术方案具体如下：

本发明一个实施例一种电池充电时间智能预测方法，该方法包括以下步骤：

获取电池充电时间数据的时间序列；

根据电池充电时间序列中每个数据点的记录时间获取每个数据点的近邻序列；根据每个数据点的近邻序列获取电池充电时间序列中每个数据点的环境干扰充电指数；根据电池充电时间序列获取平稳变化序列，根据平稳变化序列中的突变点获取变化特征序列；根据平稳变化序列及变化特征序列获取平稳变化序列中每个数值点的差值序列；根据平稳变化序列中每个数值点的差值序列获取电池充电时间序列中每个数据点的电池充电优良指数；

根据电池充电时间序列中每个数据点的电池充电优良指数及环境干扰充电指数获取电池充电时间序列中每个数据点的充电状态稳定度；根据电池充电时间序列中每个数据点的充电状态稳定度获取平滑系数；

采用三次指数平滑算法基于平滑系数参数得到电池充电时间序列中电池充电时间预测值，根据电池充电时间序列中电池充电时间预测值对手机充电时间进行调整。

优选的，所述根据电池充电时间序列中每个数据点的记录时间获取每个数据点的近邻序列的方法为：

以电池充电时间序列中每个数据点为中心数据点，将中心数据点的记录时间最近的第一预设参数次记录时间的数据点作为中心数据点的近邻数据点，将所述近邻数据点按照时间升序的顺序组成的序列作为每个数据点的近邻序列。

优选的，所述根据每个数据点的近邻序列获取电池充电时间序列中每个数据点的环境干扰充电指数的方法为：

根据数据点的近邻序列之间的相关性获取电池充电时间序列中每个数据点的近邻序列内每个数据点的近邻序列相关性指数；

将电池充电时间序列中每个数据点作为目标点，获取目标点的近邻序列内每个数据点的数值与目标点的近邻序列内所有数据点的数据均值之间的差值的绝对值，将所述差值的绝对值与目标点的近邻序列内每个数据点的近邻序列相关性指数之间的乘积在目标点的近邻序列上的累加和作为第一乘积因子；

将电池充电时间序列中每个数据点的近邻序列内数据的变异系数与第一乘积因子的乘积的归一化结果作为电池充电时间序列中每个数据点的环境干扰充电指数。

优选的，所述根据数据点的近邻序列之间的相关性获取电池充电时间序列中每个数据点的近邻序列内每个数据点的近邻序列相关性指数的方法为：

式中，表示电池充电时间序列中第i个数据点的近邻序列内第j个数据点的近邻序列相关性指数，/>表示电池充电时间序列中第i个数据点的近邻序列内数据点的数目，j、g分别表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点，/>和/>分别表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点的近邻序列，表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点的近邻序列之间的皮尔逊相关系数，/>表示关于j和g之间相等关系的一种判断准则，/>为误差常数。

优选的，所述根据电池充电时间序列获取平稳变化序列，根据平稳变化序列中的突变点获取变化特征序列的方法为：

获取电池充电时间序列中每个数据点数值与下一个数据点数值之间的差值，将所述差值按照时间升序的顺序组成的序列作为充电时间差分序列；

获取充电时间差分序列中数据点的数据均值，根据所述数据均值增添到充电时间差分序列末尾得到平稳变化序列；

利用序列分割算法获取平稳变化序列中的突变数据点，将平稳变化序列中的最大值、最小值以及突变数据点数值按照数据升序的顺序组成的序列作为变化特征序列。

优选的，所述根据平稳变化序列及变化特征序列获取平稳变化序列中每个数值点的差值序列的方法为：

对于平稳变化序列中每个数据点，获取数据点与变化特征序列中所有数据点之间的差值，将所述差值按照由小到大的顺序组成的序列作为数据点的差值序列。

优选的，所述根据平稳变化序列中每个数值点的差值序列获取电池充电时间序列中每个数据点的电池充电优良指数的具体方法为：

对于平稳变化序列中每个数据点，将平稳变化序列中数据点的上一个数据点和下一个数据点作为数据点的相邻数据点；根据每个数据点与其相邻数据点的差值序列之间的差异获取平稳变化序列中每个数据点与其相邻数据点之间的差异指数；

对于平稳变化序列中每个数据点，将以自然常数为底数，以平稳变化序列中每个数据点与其相邻数据点之间的差异指数为指数的负映射结果作为分子；

将平稳变化序列中每个数据点的差值序列与其相邻数据点的差值序列之间的度量距离，将所述度量距离与误差常数的和作为分母；

将分子与分母的比值在数据点的相邻数据点上的累加和作为电池充电时间序列中每个数据点的电池充电优良指数。

优选的，所述根据每个数据点与其相邻数据点的差值序列之间的差异获取平稳变化序列中每个数据点与其相邻数据点之间的差异指数的方法为：

式中，表示平稳变化序列中第i个数据点与其第s个相邻数据点之间的差异指数，/>表示每个差值序列中数据的数目，/>表示平稳变化序列中第i个数据点的差值序列中第q个数据点的数值，/>表示平稳变化序列中第i个数据点的第s个相邻数据点的差值序列中第q个数据点的数值。

优选的，所述根据电池充电时间序列中每个数据点的电池充电优良指数及环境干扰充电指数获取电池充电时间序列中每个数据点的充电状态稳定度的方法为：

对于电池充电时间序列中每个数据点，获取以自然常数为底数，以数据点的环境干扰充电指数为指数的负映射结果，将所述负映射结果与数据点的电池充电优良指数之间的乘积的归一化结果作为电池充电时间序列中每个数据点的充电状态稳定度。

优选的，所述根据电池充电时间序列中每个数据点的充电状态稳定度获取平滑系数的方法为：

获取以自然常数为底数，以每个数据点的充电状态稳定度为指数的负映射结果，将所述负映射结果在电池充电时间序列的长度上的累加和的平均化结果作为平滑系数。

本发明的有益效果是：本发明根据电池充电时间序列中数据的变化特征计算环境干扰充电指数，同时根据电池充电时间序列平稳分布特征获取电池充电优良指数，结合环境干扰充电指数以及电池充电优良指数计算充电状态稳定度，进而根据充电状态稳定度得到平滑系数。其有益效果在于，结合电池充电状态得到平滑系数，使平滑系数更加符合电池充电状态的变化，提高预测模型的泛化能力，得到更加准确的预测效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种电池充电时间智能预测方法的流程示意图；

图2为本发明一个实施例所提供的一种电池充电时间智能预测方法的具体实施流程图。

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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

请参阅图1，其示出了本发明一个实施例提供的一种电池充电时间智能预测方法流程图，该方法包括以下步骤：

步骤S001，获取电池充电时间数据的时间序列。

本发明以锂离子电池手机为例，通过获取近期多次的充电时间数据，从而对锂离子电池的充电时间进行预测。本发明以某个品牌的锂离子电池手机，从首次使用开始，记录之后半年内的每次的电池充电时间，将电池充电时间按照记录时间的先后顺序组成的序列作为电池充电时间序列。为了提高数据的准确性，避免数据缺失以及连续性较差的电池充电时间对后续预测造成的影响，在此对电池充电时间序列中时间序列数据进行数据清洗，数据清洗为公知技术，不做多余赘述。

至此，得到电池充电时间数据的电池充电时间序列。

步骤S002，根据电池充电时间序列中的近邻序列获取环境干扰充电指数，根据电池充电时间序列的平稳性特征获取电池充电优良指数。

基于上述处理，得到了手机的电池充电时间序列，本发明的具体实施流程图如图2所示。将手机的电池充电时间序列记为A：

式中，A表示手机的电池充电时间序列，n表示手机的电池充电时间序列的长度，表示手机的第1次充电所用的充电时间，/>表示手机的第n次充电所用的充电时间。

由于手机的电池充电时间受到环境影响的结果较大，在不同时间段内手机电池的充电时间不同，比如充电口灰尘导致充电口与充电线的接触不良，会使电池充电时间变长；手机边充电边工作，同样会使电池充电时间变长。因此，在正常情况下，随着时间的连续性变化，相邻多次的电池充电时间之间具有较强的相关性，但是由于电池充电环境的影响，极有可能导致电池充电时间的异常。

基于上述的分析，为了更加清楚的说明环境对电池充电时间的影响，在此根据手机的电池充电时间序列，以每个数据点为中心数据点，将以中心数据点的记录时间最近的k次记录时间的数据点按照记录时间的先后顺序组成的序列作为每个数据点的近邻序列，k的经验取值为10。

计算手机的电池充电时间序列中每个数据点的环境干扰充电指数：

式中，表示关于j和g之间相等关系的一种判断准则，/>表示电池充电时间序列中第i个数据点的近邻序列内第j个数据点的近邻序列相关性指数，/>表示电池充电时间序列中第i个数据点的近邻序列内数据点的数目，j、g分别表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点，/>和/>分别表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点的近邻序列，/>表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点的近邻序列之间的皮尔逊相关系数，/>为误差常数，避免分母为0，经验取值为0.01，/>表示电池充电时间序列中第i个数据点的环境干扰充电指数，/>表示归一化函数，/>表示电池充电时间序列中第i个数据点的近邻序列内第j个数据点的数值，/>表示电池充电时间序列中第i个数据点的近邻序列内数据的均值，/>表示电池充电时间序列中第i个数据点的近邻序列内数据的变异系数。

电池充电时间序列中第i个数据点的近邻序列内第j个数据点的近邻序列与第g个数据点的近邻序列之间的皮尔逊相关系数越小，电池充电时间序列中第i个数据点的近邻序列内第j个数据点的近邻序列相关性指数/>越大，第一乘积因子越大，说明电池充电时间序列中局部的相关性变化越大，越有可能为环境因素导致电池充电时间出现异常，则数据点的环境干扰充电指数越大。同时，电池充电时间序列中第i个数据点的近邻序列内第j个数据点的数值与数据均值之间的差异/>越大，第一乘积因子/>越大，且电池充电时间序列中第i个数据点的近邻序列内数据的变异系数/>越大，说明数据点的近邻序列内电池充电时间的变化越大，即电池充电时间出现的异常情况越明显，越有可能为环境因素对充电时间产生的干扰，则数据点的环境干扰充电指数越大。

此外，电池充电时间序列的平稳分布特征能够较好地反映环境对手机电池充电产生的干扰。为了避免原始电池充电时间序列中数据大小对平稳分布的影响，将电池充电时间序列中的每个数据点的数值与下一个数据点的数值作差，将数值作差的结果按照电池充电时间序列中时间升序的顺序组成的序列作为充电时间差分序列，以此避免数值大小对平稳性分析造成的影响。

充电时间差分序列中可以初步的观察到数据的平稳性分布特征，为了更加清楚的获取每个数据位置的平稳性分布特征，由于充电时间差分序列是通过原始电池充电时间序列中每相邻两个数据之间作差得到的，即充电时间差分序列中数据的数目比电池充电时间序列中数据的数目少1个。同时，为了使充电时间差分序列中数据的数目与电池充电时间序列中数据的数目相等，将充电时间差分序列中数据均值添加到充电时间差分序列的末尾，对充电时间差分序列进行增添数据，将增添数据后的序列记为平稳变化序列。

进一步地，为了获取每个数据位置的平稳性分布特征，在此利用BG分割算法获取平稳变化序列中的突变数据点，BG分割算法为公知技术，不做多余赘述。由于平稳分布序列中的最大值与最小值一定程度上也能反映电池充电时间序列中的局部变化情况，由此将平稳变化序列中的突变数据点数值、最大值以及最小值按照数值由小到大的顺序且相同数值连续排列的方式组成的序列作为变化特征序列。

具体地，基于上述的分析，根据平稳变化序列以及变化特征序列，通过计算平稳变化序列中每个数据点与变化特征序列中所有数据点之间的差值，将平稳变化序列中每个数据点所获的差值按照由小到大的顺序组成的序列作为平稳变化序列中每个数据点差值序列。由此，为了便于后续平稳性的计算，将平稳变化序列中每个数据点的上一个数据点以及下一个数据点作为每个数据点的相邻数据点，则平稳变化序列中数据点的相邻数据点的数目为1或者2，即平稳变化序列中第1个数据点与最后一个数据点的相邻数据点数目为1，其他数据点的相邻数据点数目为2。

计算手机的电池充电时间序列中每个数据点的电池充电优良指数：

式中，表示平稳变化序列中第i个数据点与其第s个相邻数据点之间的差异指数，/>表示每个差值序列中数据的数目，/>表示平稳变化序列中第i个数据点的差值序列中第q个数据点的数值，/>表示平稳变化序列中第i个数据点的第s个相邻数据点的差值序列中第q个数据点的数值，/>表示手机的电池充电时间序列中第i个数据点的电池充电优良指数，/>表示手机的电池充电时间序列中第i个数据点的相邻数据点的数目，/>表示/>距离函数，/>表示平稳变化序列中第i个数据点的差值序列，/>表示平稳变化序列中第i个数据点的第s个相邻数据点的差值序列，/>为误差常数，避免分母为0，经验取值为0.01。

平稳变化序列中第i个数据点的差值序列中第q个数据点的数值与其第s个相邻数据点的差值序列中第q个数据点的数值之间的差异越大，差异指数/>越大，说明最近几次手机电池充电时间的差异越大，一定程度上说明受环境影响程度越大，电池充电时间序列的平稳性越差，则电池充电优良指数越小。同时，平稳变化序列中第i个数据点的差值序列与其第s个相邻数据点的差值序列之间的/>距离越大，说明相邻数据点的差值序列之间的相似度越低，越有可能为环境导致手机电池充电时间发生改变，则电池充电优良指数越小。

步骤S003，基于电池充电优良指数以及环境干扰充电指数获取充电状态稳定度，根据充电状态稳定度自适应平滑系数。

电池充电优良指数在电池充电时间序列的角度上反映了局部数据的平稳性信息，而局部数据的平稳性信息一定程度上反映电池的充电性能信息。由此，为了获取更加准确的平滑系数，在此根据电池充电优良指数，同时结合环境干扰充电指数，计算手机的电池充电时间序列中每个数据点的充电状态稳定度：

式中，表示手机的电池充电时间序列中第i个数据点的充电状态稳定度，为归一化函数，/>表示手机的电池充电时间序列中第i个数据点的电池充电优良指数，/>表示手机的电池充电时间序列中第i个数据点的环境干扰充电指数。

电池充电时间序列中第i个数据点的电池充电优良指数越大，说明数据平稳性越强，一定程度上说明电池的充电状态越稳定，则充电状态稳定度/>越大。同时，电池充电时间序列中第i个数据点的环境干扰充电指数/>越小，说明手机电池充电的过程中受到环境影响的程度越小，数据的平稳性越强，则充电状态稳定度/>越大。

充电状态稳定度一定程度上衡量的是手机电池在反复充电过程中充电状态的稳定程度，电池的充电状态的稳定程度越大，电池充电时间序列的平稳分布能力越强，在此利用指数平滑算法对时间序列进行预测，时间序列平稳分布能力越强，其平滑系数应选择的较小，平稳分布能力越弱，其平滑系数应选择的较大。

在此，根据手机的电池充电时间序列中每个数据点的充电状态稳定度，计算平滑系数：

式中，为平滑系数，/>表示电池充电时间序列的长度，/>表示电池充电时间序列中第i个数据点的充电状态稳定度。

充电状态稳定度越大，说明手机电池充电过程中受环境影响越小，时间序列的平稳性越强，则平滑系数/>越小。

至此，得到指数平滑算法中的平滑系数。

步骤S004，利用三次指数平滑算法获取电池充电时间序列的预测结果，根据预测结果对充电时间进行调整。

根据所述平滑系数，将电池充电时间序列作为三次指数平滑算法的输入，将预测的第(n+1)次电池充电时间作为算法的输出。根据第(n+1)次电池充电时间的输出结果，若预测结果是趋势性的，说明电池使用的损耗程度较大；若预测结果是不具备趋势性的，说明电池使用的损耗程度较小。根据电池充电时间的预测结果对手机的充电时间进行调整，即此时手机的电池充电时间需要低于电池充电时间的预测值，以此避免手机长时间的充电对电池造成进一步的损坏。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。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 (4)

1.一种电池充电时间智能预测方法，其特征在于，该方法包括以下步骤：

获取电池充电时间数据的时间序列；

根据电池充电时间序列中每个数据点的记录时间获取每个数据点的近邻序列；根据每个数据点的近邻序列获取电池充电时间序列中每个数据点的环境干扰充电指数；根据电池充电时间序列获取平稳变化序列，根据平稳变化序列中的突变点获取变化特征序列；根据平稳变化序列及变化特征序列获取平稳变化序列中每个数值点的差值序列；根据平稳变化序列中每个数值点的差值序列获取电池充电时间序列中每个数据点的电池充电优良指数；

根据电池充电时间序列中每个数据点的电池充电优良指数及环境干扰充电指数获取电池充电时间序列中每个数据点的充电状态稳定度；根据电池充电时间序列中每个数据点的充电状态稳定度获取平滑系数；

采用三次指数平滑算法基于平滑系数参数得到预测时刻的电池充电时间的预测值，根据预测时刻的电池充电时间的预测结果对手机充电时间进行调整；

所述根据每个数据点的近邻序列获取电池充电时间序列中每个数据点的环境干扰充电指数的方法为：根据数据点的近邻序列之间的相关性获取电池充电时间序列中每个数据点的近邻序列内每个数据点的近邻序列相关性指数；将电池充电时间序列中每个数据点作为目标点，获取目标点的近邻序列内每个数据点的数值与目标点的近邻序列内所有数据点的数据均值之间的差值的绝对值，将所述差值的绝对值与目标点的近邻序列内每个数据点的近邻序列相关性指数之间的乘积在目标点的近邻序列上的累加和作为第一乘积因子；将电池充电时间序列中每个数据点的近邻序列内数据的变异系数与第一乘积因子的乘积的归一化结果作为电池充电时间序列中每个数据点的环境干扰充电指数；

所述根据电池充电时间序列获取平稳变化序列，根据平稳变化序列中的突变点获取变化特征序列的方法为：获取电池充电时间序列中每个数据点数值与下一个数据点数值之间的差值，将所述差值按照时间升序的顺序组成的序列作为充电时间差分序列；获取充电时间差分序列中数据点的数据均值，根据所述数据均值增添到充电时间差分序列末尾得到平稳变化序列；利用序列分割算法获取平稳变化序列中的突变数据点，将平稳变化序列中的最大值、最小值以及突变数据点数值按照数据升序的顺序组成的序列作为变化特征序列；

所述根据平稳变化序列及变化特征序列获取平稳变化序列中每个数值点的差值序列的方法为：对于平稳变化序列中每个数据点，获取数据点与变化特征序列中所有数据点之间的差值，将所述差值按照由小到大的顺序组成的序列作为数据点的差值序列；

所述根据平稳变化序列中每个数值点的差值序列获取电池充电时间序列中每个数据点的电池充电优良指数的具体方法为：对于平稳变化序列中每个数据点，将平稳变化序列中数据点的上一个数据点和下一个数据点作为数据点的相邻数据点；根据每个数据点与其相邻数据点的差值序列之间的差异获取平稳变化序列中每个数据点与其相邻数据点之间的差异指数；对于平稳变化序列中每个数据点，将以自然常数为底数，以平稳变化序列中每个数据点与其相邻数据点之间的差异指数为指数的负映射结果作为分子；获取平稳变化序列中每个数据点的差值序列与其相邻数据点的差值序列之间的度量距离，将所述度量距离与误差常数的和作为分母；将分子与分母的比值在数据点的相邻数据点上的累加和作为电池充电时间序列中每个数据点的电池充电优良指数；

所述根据电池充电时间序列中每个数据点的电池充电优良指数及环境干扰充电指数获取电池充电时间序列中每个数据点的充电状态稳定度的方法为：对于电池充电时间序列中每个数据点，获取以自然常数为底数，以数据点的环境干扰充电指数为指数的负映射结果，将所述负映射结果与数据点的电池充电优良指数之间的乘积的归一化结果作为电池充电时间序列中每个数据点的充电状态稳定度；

所述根据电池充电时间序列中每个数据点的充电状态稳定度获取平滑系数的方法为：获取以自然常数为底数，以每个数据点的充电状态稳定度为指数的负映射结果，将所述负映射结果在电池充电时间序列的长度上的累加和的平均化结果作为平滑系数。

2.根据权利要求1所述的一种电池充电时间智能预测方法，其特征在于，所述根据电池充电时间序列中每个数据点的记录时间获取每个数据点的近邻序列的方法为：

以电池充电时间序列中每个数据点为中心数据点，将中心数据点的记录时间最近的第一预设参数次记录时间的数据点作为中心数据点的近邻数据点，将所述近邻数据点按照时间升序的顺序组成的序列作为每个数据点的近邻序列。

3.根据权利要求1所述的一种电池充电时间智能预测方法，其特征在于，所述根据数据点的近邻序列之间的相关性获取电池充电时间序列中每个数据点的近邻序列内每个数据点的近邻序列相关性指数的方法为：

式中，表示电池充电时间序列中第i个数据点的近邻序列内第j个数据点的近邻序列相关性指数，/>表示电池充电时间序列中第i个数据点的近邻序列内数据点的数目，j、g分别表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点，/>和/>分别表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点的近邻序列，表示电池充电时间序列中第i个数据点的近邻序列内第j个、第g个数据点的近邻序列之间的皮尔逊相关系数，/>表示关于j和g之间相等关系的一种判断准则，/>为误差常数。

4.根据权利要求1所述的一种电池充电时间智能预测方法，其特征在于，所述根据每个数据点与其相邻数据点的差值序列之间的差异获取平稳变化序列中每个数据点与其相邻数据点之间的差异指数的方法为：

式中，表示平稳变化序列中第i个数据点与其第s个相邻数据点之间的差异指数，/>表示每个差值序列中数据的数目，/>表示平稳变化序列中第i个数据点的差值序列中第q个数据点的数值，/>表示平稳变化序列中第i个数据点的第s个相邻数据点的差值序列中第q个数据点的数值。