TW202345081A - 電動載具的充電需求預估方法及其預估系統 - Google Patents
電動載具的充電需求預估方法及其預估系統 Download PDFInfo
- Publication number
- TW202345081A TW202345081A TW111117514A TW111117514A TW202345081A TW 202345081 A TW202345081 A TW 202345081A TW 111117514 A TW111117514 A TW 111117514A TW 111117514 A TW111117514 A TW 111117514A TW 202345081 A TW202345081 A TW 202345081A
- Authority
- TW
- Taiwan
- Prior art keywords
- real
- charging
- data
- time data
- historical data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims description 51
- 238000007405 data analysis Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 25
- 238000012384 transportation and delivery Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000008676 import Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 240000005860 Portulaca grandiflora Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001062093 Homo sapiens RNA-binding protein 15 Proteins 0.000 description 1
- 102100029244 RNA-binding protein 15 Human genes 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Images
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一種電動載具的充電需求預估方法,包括:基於固定週期取得電動載具的即時資料;確認即時資料的隸屬群聚(cluster),其中隸屬群聚由多筆歷史資料構成,每一筆歷史資料分別記錄有一筆營運率(operation percentage);於隸屬群聚的營運率的基準值(ground truth)非為一個預設值時,將即時資料匯入隸屬群聚所對應的預估模型;由預估模型預估即時資料的營運率;及,基於預估的營運率設定充電旗標。
Description
本發明涉及電動載具,尤其涉及電動載具的充電需求的預估方法,以及使用此預估方法的預估系統。
隨著環保意識的抬頭,電動載具開始受到市場的青睞。並且,隨著基礎建設(例如充電樁)的持續擴展,電動載具在市場中逐漸的普及化。
一般來說,當電動載具需要充電時,駕駛人會直接前往最近或是最方便的充電站。然而,駕駛人常常在抵達充電站後才發現有其他電動載具正在充電中,因而只能再尋找其他的充電站。
為解決上述問題,目前市場上已有部分服務(例如透過手機APP或是車用系統提供的服務)可以即時監控充電站的狀態,使得駕駛人能夠於手機或車用系統上直接查看周圍的充電站是否有空的充電樁。藉此,駕駛人可以在確定有空的充電樁後再前往充電。
惟,一般駕駛人並不會對充電行程進行提前規劃,且一個區域內的不同駕駛人並不會對各自的充電行程進行整體分配。因此,仍然會發生駕駛人需要充電時找不到可以使用的充電樁的情況。
若駕駛人將電動載具做為商務用途(例如用於送貨),則當找不到可以使用的充電樁時,將會造成送貨的延遲,進而導致商業上的損失。並且,在充電樁的數量不足的現今,若能藉由提前規劃充電行程來滿足不同駕駛人的充電需求,將可提昇電動載具的使用效率,並且提高一般大眾對於電動載具的使用意願。
本發明提供一種電動載具的充電需求預估方法及其預估系統,係可基於電動載具的即時資料來預估電動載具是否具有或即將具有充電需求,藉此讓駕駛人能提前規劃充電行程。
於本發明的一個實施例中,上述充電需求預估方法包括下列步驟:
a)基於一週期取得一電動載具的一即時資料,其中該即時資料至少包括一剩餘電量及一位置資訊;
b)將該即時資料與複數群聚(cluster)進行比對以確認該即時資料的一隸屬群聚,其中該複數群聚分別包含規則性相似的多筆歷史資料,並且每一筆該歷史資料分別記錄一營運率(Operation Percentage, OP);
c)於該隸屬群聚的該營運率的一基準值(ground truth)並非為一預設值時,將該即時資料匯入該隸屬群聚對應的一預估模型,其中該預估模型記錄該剩餘電量及一距離與該營運率的一對應關係,其中該距離為基於該位置資訊所計算的該電動載具與最近的一充電樁間的一距離;
d)該預估模型預估該即時資料對應的該營運率;及
e)於該營運率符合一充電條件時針對該電動載具設定一充電旗標。
於本發明的一個實施例中,上述充電需求預估系統包括:
一傳輸單元,與一電動載具通訊連接,基於一週期接收該電動載具的一即時資料,其中該即時資料至少包括一剩餘電量及一位置資訊;
一資料庫,記錄複數群聚,其中各該群聚分別包含多筆歷史資料,並且各該歷史資料分別記錄一營運率;
一處理單元,電性連接該傳輸單元及該資料庫,並且包括:
複數預估模型,分別對應至該複數群聚,並且記錄該剩餘電量及一距離與該營運率間的一對應關係,其中該距離為基於該位置資訊所計算的該電動載具與最近的一充電樁間的一距離;及
一即時資料分析模組,將該即時資料與該複數群聚進行比對以確認該即時資料的一隸屬群聚,並且於該隸屬群聚的該營運率的一基準值並非為一預設值時,將該即時資料匯入該隸屬群聚對應的該預估模型以預估該即時資料對應的該營運率;及
一旗標設定單元,電性連接該處理單元,於該即時資料的該營運率符合一充電條件時針對該電動載具設定一充電旗標。
本發明利用大量的歷史資料建構預估模型,並藉由電動載具的即時資料以及預估模型來預估電動載具的充電需求,藉此提醒駕駛人進行充電。如此一來,可以避免駕駛人臨時要充電卻找不到可用的充電樁的問題,進而提昇駕駛人的充電體驗。
茲就本發明之一較佳實施例,配合圖式,詳細說明如後。
請參閱圖1,為本發明的預估系統的方塊圖的具體實施例。如圖1所示,本發明揭露了一種電動載具的充電需求預估系統(下面將於說明書中簡稱為預估系統1),預估系統1至少包括處理單元11,以及與處理單元11電性連接的資料庫12、傳輸單元13以及旗標設定單元14,但並不以此為限。
處理單元11可例如為處理器、中央處理單元(Central Processing Unit, CPU)、圖形處理單元(Graphic Processing Unit, GPU)或微控制單元等。處理單元11中記錄有電腦可執行程式碼,當處理單元11執行了電腦可執行程式碼後,可依據欲實現的功能將電腦可執行程式碼虛擬模擬為多個軟體模組(例如,各個軟體模組分別對應至電腦可執行程式碼中的多個副程式)。
於圖1的實施例中,多個軟體模組可例如包括資料處理模組111、正規化模組112、分群模組113、神經網路訓練模組114及即時資料分析模組115等(容後詳述),但不以此為限。
資料庫12可由預估系統1內部的儲存裝置來實現,例如為固態硬碟(Solid State Disk, SSD)、硬碟機(Hard Disk Drive, HDD)、快閃記憶體(FLASH memory)或非揮發性記憶體(Non-volatile Memory)等,或可由預估系統1外接的儲存裝置來實現,例如為外接式硬碟機或雲端儲存空間等。惟,上述僅為本發明的部分具體實施範例,但並不以此為限。
傳輸單元13可為支援各式無線傳輸協定的無線傳輸單元,例如Wi-Fi傳輸單元、藍牙傳輸單元、4G通訊傳輸單元或5G通訊傳輸單元等,但並不以此為限。
本發明中,預估系統1透過傳輸單元13連接網際網路,並且藉由網際網路連接一或多台電動載具2以及一或多台充電樁3。藉此,預估系統1可以在電動載具2以及充電樁3的運作期間持續地接收電動載具2的即時資料。
具體地,本發明的預估系統1的技術功效在於,可持續接收電動載具2的即時資料,並且依據即時資料進行即時分析,以預估電動載具2是否具有或即將具有充電需求。藉由在預估電動載具2具有或即將具有充電需求時提醒駕駛人進行充電,可達到建議駕駛人提前規劃充電行程的效果,避免駕駛人臨時要充電卻找不到可用的充電樁的問題,進而提昇駕駛人的充電體驗。
旗標設定單元14用以針對被判斷為具有或即將具有充電需求的電動載具2設定對應的充電旗標。當電動載具2的充電旗標被設定時,預估系統1即可選擇性地向電動載具2執行與充電相關的輔助動作(例如發出通知,但不以此為限)。
於另一實施例中,旗標設定單元14可包含指定訊息的傳輸單元,用以協助預估系統1透過網際網路將指定訊息發送給特定的對象。本實施例中,預估系統1可透過旗標設定單元14無線連接電動載具2或駕駛人的行動裝置4。當預估系統1判斷電動載具2具有或即將具有充電需求且旗標設定單元14針對電動載具2設定了對應的充電旗標後,預估系統1可基於充電旗標來進一步進行充電推播或充電提示,例如透過旗標設定單元14來將指定訊息傳送至電動載具2並藉由車用影音主機進行播放,或是將指定訊息傳送至行動裝置4並藉由行動裝置4上的應用程式進行播放。藉此,可以達到提醒駕駛人提前規劃充電行程的效果。
於另一實施例中,旗標設定單元14可包含指定訊息的傳輸單元,預估系統1可透過旗標設定單元14無線連接企業資料中心5。於此實施例中,一或多台電動載具2可為商務用途的電動載具(例如用於送貨),並且統一由企業資料中心5進行管理。當預估系統1判斷電動載具2具有或即將具有充電需求且旗標設定單元14針對電動載具2設定了對應的充電旗標後,預估系統1可基於充電旗標來進一步向企業資料中心5進行充電推播或充電提示,例如透過旗標設定單元14來將指定訊息發送至企業資料中心5。企業資料中心5接收預估系統1發送的指定訊息後,可透過內部系統(圖未標示)進行綜合決策後產生建議的充電時間、充電方式或充電地點等充電策略,並且再將此充電策略發送給對應的駕駛人。
透過本發明的預估系統1結合企業資料中心5進行統一管理,可以有效對區域內的所有電動載具的充電行程進行整體的分配,進而提高企業利用電動載具做為商務用途的意願。
請同時參閱圖1及圖2,其中圖2為本發明的預估方法的流程圖的第一具體實施例。本發明進一步揭露了一種電動載具的充電需求預估方法(下面將於說明書中簡稱為預估方法),預估方法主要可應用於如圖1所示的預估系統1上,但不以此為限。
如圖2所示,本發明的預估方法主要包括預估模型訓練程序(步驟S10)、即時資料分析程序(步驟S12)以及旗標設定程序(步驟S14)。預估模型訓練程序用以搜集複數電動載具2的複數歷史資料122,並且基於複數歷史資料122訓練出對應的複數預估模型116。即時資料分析程序用以在任一電動載具2運行時持續接收電動載具2的即時資料,並且利用即時資料以及對應的預估模型116來即時預估電動載具2是否具有或即將具有充電需求。旗標設定程序用以在判斷電動載具2具有或即將具有充電需求時,針對電動載具2設定對應的充電旗標。藉此,預估系統1可以基於充電旗標來選擇性地向指定的目標(例如電動載具2、行動裝置4或企業資料中心5等)進行充電推播或充電提示。
如上所述,預估模型訓練程序是藉由預先搜集的大量歷史資料122來訓練並產生複數預估模型116。然而,隨著電動載具2的運作,實際情況與歷史資料122間的差異可能會越來越大,最後導致預估模型116的準確率下降。
為克服上述問題,本發明的預估方法會持續判斷預估系統1是否符合更新條件(步驟S16),並且於更新條件符合時(例如已經經過一定的執行時間,或已經搜集一定數量的即時資料等),再次執行預估模型訓練程序。藉由新加入的歷史資料122來重新訓練預估模型116,可以令預估模型116的預估結果更貼近電動載具2的實際情況(容後詳述)。
本發明中,預估系統1會在運作過程中持續判斷是否要停止分析(步驟S18),例如,對於使用情境為商務車輛而言,預估系統1會判斷是否到了商務車輛營運的下班時間(即,暫時停止從電動載具2接收即時資料)。若不需要停止分析,則預估系統1持續執行步驟S12、步驟S14及步驟S16,以持續透過即時資料分析程序預估電動載具1的充電需求、透過旗標設定程序設定充電旗標,並且進行充電推播或充電提示,並且判斷是否需要重新訓練預估模型116。反之,當預估系統1判斷需要停止分析時,即可結束本發明的預估方法。
續請同時參閱圖1至圖3,其中圖3為本發明的預估方法的流程圖的第二具體實施例。圖3用以對圖2中的即時資料分析程序做進一步的詳細說明,並且圖3所示的各步驟可由圖1所示的預估系統1來實現。
當一電動載具2於路上行駛時,會持續產生並記錄即時資料,此即時資料包括電動載具2當前的剩餘電量以及位置資訊等。其中,位置資訊可透過電動載具2上的全球定位系統(Global Positioning System, GPS)裝置來獲取。
本發明中,預估系統1可透過傳輸單元13與電動載具2無線連接,並且基於一個指定的週期來從電動載具2持續取得電動載具2的即時資料(步驟S20)。於一實施例中,週期可例如為10秒、20秒、30秒、1分鐘等,但不加以限定。以週期為30秒為例,表示電動載具2每30秒會發送一筆即時資料,而預估系統1可以每30秒從電動載具2接收一筆即時資料。
於一實施例中,上述即時資料還可包括充電狀態,充電狀態記錄電動載具2於發送即時資料的當下處於未充電狀態(例如以字母A代表)或是充電狀態(例如以字母B代表)。預估系統1接收即時資料後,可由處理單元11的即時資料分析模組115來查詢電動載具2的上一筆即時資料中的充電狀態,藉此判斷電動載具2在上一個週期中是否有進行充電(步驟S22)。例如,若上一筆即時資料的充電狀態記錄為A,即時資料分析模組115可判斷電動載具2於上一個週期中沒有進行充電。若上一筆即時資料的充電狀態記錄為B,即時資料分析模組115可判斷電動載具2於上一個週期中有充電。
若電動載具2於上一個週期中有充電,預估系統1即可假設電動載具2當前不再具有充電需求,因此即時資料分析模組115不需要進行分析,並可直接結束本發明的預估方法。若電動載具2於上一個週期中未充電,則即時資料分析模組115繼續執行本發明的預估方法的其他步驟,以分析電動載具2的充電需求。
於另一實施例中,即時資料分析模組115可以不判斷電動載具2在上一個週期中的充電狀態,並直接分析電動載具2的充電需求。上述說明僅為本發明的其中一個具體實施範例,但不以此為限。
於另一實施例中,即時資料分析模組115可在接收即時資料後(或是確定電動載具2於上一個週期中無充電後),判斷即時資料的語意類別(linguistic)(步驟S24)。如圖1所示,本發明的預估系統1為了訓練並產生複數預估模型116,因此會搜集大量歷史資料122,並且藉由模糊分群程序將複數歷史資料122歸納為複數群聚(cluster)121。其中,不同的語意類別分別包含了複數個群聚121。
於一實施例中,上述語意類別可例如包括早上、中午及下午,即時資料分析模組115依據即時資料的接收時間來判斷即時資料的語意類別。
舉例來說,電動載具2可為商務用途的電動載具,並且電動載具2的運作時間為早上八點至下午五點(即,駕駛人的上班時間為早上八點至下午五點),其中八點至十一點對應至早上的語意類別,十一點至兩點對應至中午的語意類別,而兩點至五點對應至下午的語意類別。換言之,預估系統1在八點至十一點間所接收的即時資料的語意類別會被判斷為早上,在十一點至兩點間所接收的即時資料的語意類別會被判斷為中午,而在兩點至五點間所接收的即時資料的語意類別會被判斷為下午。並且,下午五點至隔天早上八點並非電動載具2的運作時間(即,駕駛人的下班時間),預估系統1不會在此段時間內接收到任何的即時資料。
如上所述,在確認了即時資料的語意類別後,即時資料分析模組115將即時資料與此語意類別下包含的複數個群聚121進行比對,以確認即時資料的隸屬群聚(步驟S26)。
具體地,上述複數群聚121是藉由對大量歷史資料122進行模糊分群程序(例如使用模糊C平均(Fuzzy C-Means (FCM))分群演算法)所產生的,因此各個群聚121中分別包含了具備相似規則的複數筆歷史資料122。上述步驟S26的目的在於將即時資料與複數群聚121中的歷史資料122進行比對,找到與即時資料的規則最為相近的一個群聚121,並將這個群聚121做為此即時資料的隸屬群聚。
由於駕駛人在使用電動載具2時,於早上、中午及下午時段的充電行為皆不相同,因此本發明將早上、中午及下午做為不同的語意類別,並且基於語意類別來對歷史資料122以及即時資料進行分類。藉由讓即時資料只與具有相同語意類別的多個群聚121進行比對,可以有效提昇比對結果的準確率。
惟,上述僅為本發明的其中一個具體實施範例。於其他實施例中,即時資料分析模組115也可以不確認即時資料的語意類別,並直接將即時資料與資料庫12中的所有群聚121進行比對。
本發明中,各個群聚121分別包含多筆歷史資料122,並且每一筆歷史資料分別記錄有一個電動載具2的營運率(Operation Percentage, OP)。於一實施例中,營運率為一個大於零並且小於或等於一的數值。若一筆歷史資料122的營運率為一,代表電動載具2於這筆歷史資料121所對應的時間區間中並未充電,並且是完全用於營運(例如執行任務或送貨)。反之,若一筆歷史資料122的營運率小於一,代表電動載具2在這筆歷史資料所對應的時間區間中有充電,而非完全用於營運。
請同時參閱圖4,為本發明的歷史資料的示意圖的具體實施例。如圖4所示,一筆歷史資料7對應至一個時間區間6,並且記錄這個時間區間6內的平均剩餘電量71、與最近的充電樁3間的平均距離72、營運率73以及充電狀態74等資料。
於圖4的實施例中,一台電動載具2(例如ID為1的電動載具2)於一天內可提供二十七筆歷史資料7,這二十七筆歷史資料7分別對應至時間區間1至時間區間27。每一個時間區間6間隔二十分鐘,即,二十七個時間區間6(對應至二十七筆歷史資料7)橫跨九個小時。於上述實施例中,九個小時可例如為商務使用的電動載具2的上班時間。惟,圖4所示者僅為本發明的其中一個具體實施範例,但不以此為限。
如圖4所示,每一筆歷史資料7分別包括對應的時間區間6中產生的多筆連續資料70。具體地,預估系統1可基於一個時間區間6中的多筆連續資料70來計算這個時間區間6內的平均剩餘電量71、平均距離72及營運率73,並且將計算結果儲存成這個時間區間6所對應的歷史資料122。於一實施例中,圖1所示的歷史資料122在經過資料平均化處理後,即為圖4所示的歷史資料7。
於前述實施例中,每一個時間區間6相隔二十分鐘。於圖4的實施例中,每一筆連續資料70的產生間隔為30秒。因此,一筆歷史資料7可包含這個時間區間6內所產生的四十筆連續資料70。惟,上述僅為本發明的其中一個具體實施範例,但不以此為限。
值得一提的是,上述連續資料70的記載內容,可相同於前述即時資料的記載內容。換句話說,當預估系統1持續接收電動載具2的即時資料並且達到一個時間區間6的數量時,可將這些即時資料做為連續資料70儲存至資料庫12中,並且經過計算後產生新的歷史資料122。
如圖4所示,連續資料70的記載內容主要包括電動載具2的剩餘電量(例如:剩餘電量百分比)、位置資訊(例如:經緯度資訊)以及充電狀態,意即,上述即時資料的記載內容亦可包括電動載具2於產生即時資料當下的剩餘電量、位置資訊及充電狀態。圖4的實施例是以充電狀態A表示為電動載具2未充電,並以充電狀態B表示為電動載具2有充電,但並不以此為限。
如上所述,一筆歷史資料7的內容是基於所處時間區間6內的複數筆連續資料70來計算而成,其中,營運率73為一個大於零並且小於或等於一的數值。本發明中,營運率73對應至相同時間區6內的複數筆連續資料70中標示為未充電的充電狀態的比例。
舉例來說,若一筆歷史資料7包含了四十筆連續資料70,並且這四十筆連續資料70的充電狀態皆為A(即,電動載具2在這個時間區間6內完全沒有充電),則這筆歷史資料7的營運率73即可被記錄為1(即,40/40=1)。再例如,若一筆歷史資料7包含了四十筆連續資料70,並且這四十筆連續資料70中有兩筆連續資料70的充電狀態為B(即,電動載具2在這個時間區間6有一分鐘的時間在充電),則這筆歷史資料7的營運率73即可被記錄為0.95(即38/40=0.95)。
藉由計算並記錄每一筆歷史資料7的營運率73,本發明的預估系統1可以對大量的歷史資料7進行分群,並且再藉由機器學習,分別為各個群聚產生對應的預估模型116。藉此,預估系統1在對電動載具2進行即時分析時,只需要取得單一筆的即時資料,就可以預估電動載具2是否具有充電需求,而不需要搜集一整個時間區間6的完整資料。意即,預估系統1可以每30秒預估一次電動載具2的充電需求,而非每二十分鐘才預估一次電動載具2的充電需求。如此一來,可以有效地提升分析的即時性。
回到圖3。於步驟S26中,即時資料分析模組115確認了即時資料的隸屬群聚。接著,即時資料分析模組115判斷隸屬群聚的營運率的基準值(ground truth)是否為一預設值,在本實施例中,預設值為1(步驟S28)。
如上所述,每一個群聚121分別包含了複數筆歷史資料122,而每一筆歷史資料122分別記錄有一個對應的營運率73。當一個群聚121中的所有歷史資料122的營運率73皆為1時,這個群聚121的營運率的基準值即為1。反之,當一個群聚121中包含的複數歷史資料122的至少其中之一的營運率73不是1時,這個群聚121的營運率的基準值就不是1。
本實施例中,預估系統1可將上述預設值設定為1。意即,當即時資料的隸屬群聚的營運率的基準值為1時,即時資料分析模組115可認定隸屬群聚的營運率的基準值符合預設值。反之,當即時資料的隸屬群聚的營運率的基準值不為1時,即時資料分析模組115可認定隸屬群聚的營運率的基準值不符預設值。
若於步驟S28中判斷即時資料的隸屬群聚的營運率的基準值為1,則即時資料分析模組115從即時資料中獲取電動載具2的剩餘電量,並且判斷剩餘電量是否小於預設充電電量(步驟S30)。並且,處理單元11於剩餘電量小於預設充電電量時,控制旗標設定單元14針對電動載具2設定對應的充電旗標(步驟S32)。
如前文所述,若隸屬群聚的營運率的基準值符合預設值為1,代表隸屬群聚中包含的複數歷史資料122的營運率73皆為1,意即,電動載具2於產生這些歷史資料122時沒有充電。由於即時資料的內容與隸屬群聚中的複數歷史資料122相近,因此,可認定電動載具2當前有較高的機率不具有充電需求。本發明中,預估系統1並不會對營運率的基準值為1的群聚121訓練對應的預估模型116。因此,於步驟S30中,即時資料分析模組115依據即時資料中記錄的剩餘電量判斷電動載具2是否有充電需求。
若於步驟S28中判斷隸屬群聚的營運率的基準值不是1,代表電動載具2當前有較高的機率具有充電需求。此時,即時資料分析模組115將即時資料匯入隸屬群聚所對應的預估模型116中(步驟S34),藉此由預估模型116來預估即時資料所對應的營運率。
如前文所述,歷史資料122的營運率對應至相同時間區6內的複數筆連續資料70中標示為未充電的充電狀態的比例。換句話說,單一筆即時資料並無法經由計算來獲得對應的營運率。本發明的預估方法將即時資料匯入預先訓練完成的預估模型116中,以預估這筆即時資料所對應的營運率。藉此,預估系統1可以在取得一筆即時資料後(例如每30秒取得一筆),立即分析電動載具2的充電需求,而不需要等整個時間區間6(例如20分鐘)的資料皆搜集完畢後再進行分析。
在獲得了預估的營運率後,即時資料分析模型115可以判斷即時資料對應的營運率是否符合預設的充電條件(步驟S36),並且於預估的營運率符合充電條件時,控制旗標設定單元14針對電動載具2設定對應的充電旗標(步驟S32)。於一實施例中,即時資料分析模組115是在預估的營運率大於0.2並小於1時,判斷營運率符合充電條件。惟,上述營運率的數值僅為本發明的其中一個具體實施範例,但並不以此為限。
如前文所述,本發明的預估系統1透過大量的歷史資料122來訓練各個群聚121各自對應的預估模型116,其中,各個預估模型116主要記錄了剩餘電量及距離與營運率間的對應關係。藉此,當預估系統1將一筆即時資料匯入對應的預估模型116中後,即可基於即時資料中的剩餘電量及距離來從預估模型116中獲得對應的營運率。
本發明中,上述距離指的是基於即時資料中記錄的位置資訊所計算的電動載具2與最近的充電樁3間的距離。如圖4所示,電動載具2所產生的即時資料中(例如為圖4中的任一筆連續資料70),至少包含了電動載具2的剩餘電量、位置資訊以及充電狀態。預估系統1接收了即時資料後,可以透過地理資訊系統(Geographic Information System, GIS)對電動載具2所在位置的地理資訊進行分析,以獲得距離電動載具2最近的充電樁3的位置資訊。藉此,預估系統1可以基於即時資料中的位置資訊以及最近的充電樁3的位置資訊計算上述距離。
請同時參閱圖4及圖5,其中圖5為本發明的平均距離的示意圖的具體實施例。
如前文所述,本發明中的每一筆歷史資料7分別對應一個時間區間6,並且包含了這個時間區間6中的複數筆連續資料70。其中,每一筆連續資料70中分別記錄了電動載具2於產生連續資料70(相同於上述即時資料)時的位置資訊。
如圖5所示,第一區間61的歷史資料7(下稱第一歷史資料)包含了複數筆連續資料70,並且各連續資料70分別記錄有一個位置資訊81。本發明中,預估系統1依據相同時間區間6(例如第一區間61)中的所有連續資料70的位置資訊81計算一個平均位置82,並且基於上述GIS計算平均位置82與最近的充電樁3間的距離83。於一實施例中,上述距離83為平均位置82與最近的充電樁3間的最短距離,但不以此為限。本發明中,預估系統1將上述距離83記錄為第一歷史資料中的平均距離72。
第二區間62的歷史資料7(下稱第二歷史資料)也包含了複數筆連續資料70,並且各連續資料70分別記錄有一個位置資訊81。相同地,預估系統1依據第二歷史資料中的所有連續資料70的位置資訊81計算一個平均位置82,並且基於上述GIS計算平均位置82與最近的充電樁3間的距離83。並且,預估系統1將此距離83記錄為第二歷史資料中的平均距離72。值得一提的是,電動載具2於運作期間會持續移動,因此在不同的時間區間6中,距離電動載具2最近的充電樁3的位置資訊可能會有所改變。
如前文所述,本發明的預估系統1是基於複數歷史資料122進行機器學習以建立複數預估模型116,因此各個預估模型116中記錄的是剩餘電量及距離與營運率間的對應關係。在執行即時分析時,預估系統1需在取得即時資料後,基於即時資料中記錄的位置資訊計算電動載具2與最近的充電樁3間的距離後,才能將即時資料匯入對應的預估模型116中,以預估對應的營運率。
值得一提的是,於部分的使用場景下,電動載具2可為商務使用的電動載具。於此實施例中,上述即時資料還可記錄電動載具2的剩餘送貨量(Cargo rate)。在即時資料記錄有電動載具2的剩餘送貨量的情況下,上述連續資料70中也會記錄剩餘送貨量,而上述歷史資料122中即可包括對應的時間區間6中的平均剩餘送貨量。於此情況下,上述預估模型116將會記錄剩餘電量、剩餘送貨量及距離與營運率間的對應關係。
上述僅為本發明的其中一個具體實施範例。然而,本發明的電動載具2並不必然為商務用途,因此即時資料中不必然記錄剩餘送貨量,歷史資料122中也不必然記錄時間區間6中的平均剩餘送貨量。
值得一提的是,若電動載具2為商務用途(例如為送貨用),則電動載具2可與商務伺服器(例如圖1所示的企業資料中心5)無線連接。於此情況下,商務伺服器可以指派每日送貨量給電動載具2的駕駛人,而駕駛人在完成一件任務後即可回覆商務伺服器,以更新剩餘送貨量。藉此,電動載具2可以在每一個週期發送給預估系統1的即時資料中夾帶最新的剩餘送貨量,以令預估系統1更準確地分析電動載具2的充電需求。
下面請同時參閱圖1至圖6,其中圖6為本發明的訓練流程圖的第一具體實施例。圖6用以對圖2的預估模型訓練程序做進一步的詳細說明,並且圖2所示的各步驟由圖1所示的預估系統1來實現。透過執行圖6的各步驟,預估系統1可以建立複數預估模型116,以於前述的即時資料分析程序中使用。
如圖6所示,首先,預估系統1的處理單元11透過資料處理模組111來從資料庫12中讀取預先儲存的歷史資料122(步驟S40),其中各歷史資料122分別對應至一個時間區間6,並且至少記錄時間區間6內的平均剩餘電量71、與最近的充電樁3的平均距離72、營運率73及充電狀態74。
如前文所述,每一筆歷史資料122下包括了所處時間區間6中的複數連續資料70(如圖4所示),並且每一筆連續資料70分別記錄了電動載具2當下的剩餘電量、位置資訊及充電狀態。於一實施例中,資料處理模組111在步驟S40中可以在取得了複數連續資料70後,再基於複數連續資料70的內容即時計算每一筆歷史資料122的平均剩餘電量71、平均距離72、營運率73及充電狀態74。其中,營運率73的數值對應至相同時間區間6中的複數筆連續資料70中標示為未充電的充電狀態74的比例。
上述僅為本發明的其中一個具體實施範例。於其他實施例中,處理單元11亦可預先計算每一筆歷史資料122的平均剩餘電量71、平均距離72、營運率73及充電狀態74後,再將歷史資料122儲存至資料庫12中。
值得一提的是,若電動載具2為商務用途的電動載具,則上述連續資料70中還可記錄電動載具2的剩餘送貨量。於此實施例中,上述歷史資料122中還會進一步記錄所處時間區間6中的平均剩餘送貨量。
接著,資料處理模組111依據各歷史資料122的記錄時間分別標記各歷史資料122的語意類別(步驟S42)。於一實施例中,電動載具2主要是商務用途的電動載具,並且上述語意類別可包括涵蓋上班時間的早上、中午及下午,但不以此為限。於此實施例中,語意類別的標記規則可例如為下表所示:
時間區間 | 上班時間 | 語意類別 |
1 | 8點-9點 | 早上 |
2 | ||
3 | ||
4 | 9點-10點 | |
5 | ||
6 | ||
7 | 10點-11點 | |
8 | ||
9 | ||
10 | 11點-12點 | 中午 |
11 | ||
12 | ||
13 | 12點-13點 | |
14 | ||
15 | ||
16 | 13點-14點 | |
17 | ||
18 | ||
19 | 14點-15點 | 下午 |
20 | ||
21 | ||
22 | 15點-16點 | |
23 | ||
24 | ||
25 | 16點-17點 | |
26 | ||
27 |
如上表所示,以上班時間為早上8點至下午5點為例,其中記錄時間在8點至11點間的歷史資料122的語意類別會被標記為早上,記錄時間在11點至14點間的歷史資料122的語意類別會被標記為中午,而記錄時間在14點至17點間的歷史資料122的語意類別會被標記為下午。
並且,於上表的實施例中,每一個時間區間6的間隔為20分鐘。換句話說,對應第一時間區間至第九時間區間的歷史資料122的語意類別會被標記為早上,對應第十時間區間至第十八時間區間的歷史資料122的語意類別會被標記為中午,而對應第十九時間區間至第二十七時間區間的歷史資料122的語意類別會被標記為下午。
惟,上述僅為本發明的其中一個具體實施範例,但並不以此為限。
回到圖6。於步驟S42後,處理單元11透過資料處理模組111完成了複數歷史資料122的語意類別的標記動作。接著,處理單元11透過正規化模組112來對標記完成的複數歷史資料122執行資料正規化(Normalaization)處理(步驟S44)。值得一提的是,於步驟S44中,正規化模組112是基於上述語意類別來對複數歷史資料122執行資料正規化處理。藉此,可以觀察出電動載具2的主要充電時段落在什麼時候。
上述資料正規化處理為資料分析領域的常用技術手段,其技術細節於此不再贅述。
接著,處理單元11透過分群模組113對正規化後的複數歷史資料122執行模糊分群處理(步驟S46),藉此將複數歷史資料122歸納為複數群聚121。
於一實施例中,分群模組113主要是基於上述語意類別來執行模糊C平均分群(Fuzzy C-Means Clustering)演算法,藉此實現模糊分群處理。於執行了模糊分群處理後,分群模組113可以產生複數群聚121,其中各個群聚121分別包括具有相似規則性的複數筆歷史資料122,並且各個語意類別下分別包括複數群聚121。例如,早上的語意類別下包括了二十五個群聚121、中午的語意類別下包括了四十個群聚121,而下午的語意類別下包括了七十個群聚121等。惟,上述僅為本發明的其中一個具體實施範例,但並不以此為限。
本發明的分群模組113不直接對複數歷史資料122執行模糊分群處理,而是先對複數歷史資料122進行語意類別的標記後,再基於語意類別執行模糊分群處理。藉此,可以有效提高分群處理後的複數群聚121的相似性,進而提高預估模型116的訓練準確率。
步驟S46後,處理單元11透過神經網路訓練模組114來基於各個群聚121分別進行機器學習,以對神經網路模型進行訓練並建立對應至各個群聚121的預估模型116(步驟S48)。
舉例來說,若資料庫12中儲存有五十個群聚121,神經網路訓練模組114就會基於這五十個群聚121來執行五十次訓練程序,並且產生五十個預估模型116。換句話說,於步驟S48後,神經網路訓練模組114會為每一個群聚121皆產生一個對應的預估模型116。藉此,當即時資料分析模組115於前述圖3的步驟S26中確認了即時資料的隸屬群聚後,即可將即時資料匯入隸屬群聚所對應的預估模型116中,以立即預估即時資料所對應的營運率。
於一實施例中,神經網路訓練模組114主要是採用前饋神經網路(Feedforward Neural Network, FNN)預測演算法來基於各個群聚121中的複數歷史資料122進行預估模型116的訓練。其中,針對每一個群聚121,神經網路訓練模組114主要可隨機取出複數歷史資料122中70%的資料做為訓練資料(training data),並且將剩餘30%的資料做為測試資料(testing data),藉此完成針對這個群聚121的訓練程序。
步驟S48後,處理單元11即可輸出訓練完成的複數預估模型116(步驟S50)。於一實施例中,複數預估模型116可被儲存於處理單元11或資料庫12中。並且,預估系統1可以基於新的歷史資料122來持續更新這些預估模型116。
本發明中,處理單元11是基於複數歷史資料122來進行訓練程序以建立複數預估模型116,因此各個預估模型116中主要記錄了電動載具2的剩餘電量及與最近的充電樁3間的距離與營運率間的對應關係。若電動載具2為商務用途的電動載具且歷史資料122中記錄有平均剩餘送貨量,則各個預估模型116將會記錄電動載具2的剩餘電量、與最近的充電樁3間的距離以及剩餘送貨量與營運率間的對應關係。惟,上述僅為本發明的具體實施範例,但並不以此為限。
本發明的預估系統1在執行即時資料分析程序以預估電動載具2的充電需求時,會基於指定的週期來持續接收電動載具2的即時資料(例如每30秒接收一筆即時資料)。並且,預估系統1可持續判斷週期是否累計達到一個預設天數(例如十天、三十天等),或是判斷所接收的即時資料是否累計達到一個預設筆數(例如一萬筆、五萬筆等)。
若判斷週期已累計達到預設天數,或是即時資料已累計達到預設筆數,則預估系統1可以將這些累計的即時資料添加至資料庫12中以對歷史資料122進行更新。並且,預估系統1依據更新後的歷史資料122來重新執行步驟S40至步驟S50,以重新訓練複數預估模型116。藉由定期對複數預估模型116重新訓練,可以令複數預估模型116的預估結果更貼近電動載具2的實際狀況。
值得一提的是,當區域內的電動載具2數量或駕駛人數量發生明顯變化時(例如新的商務車隊進駐,或既有的商務車隊擴編等),預估系統1可以選擇性地縮短上述週期。例如,當上述情況發生時,預估系統1可以每十天就將整批新資料加入資料庫12中以對歷史資料122進行更新,並且再重新訓練複數預估模型116。另外,於上述情況發生時,預估系統1亦可考量是否僅使用資料庫12中最近增加的一批新資料來訓練複數預估模型116,藉此確保重新訓練後得到的複數預估模型116的預估結果能夠貼近電動載具2及駕駛人發生明顯變化後的狀況。
如前文所述,複數群聚121是基於模糊分群處理而產生的,因此各個群聚121所包括的複數歷史資料122彼此會具有相似的規則性。若一個群聚121中的複數歷史資料122的營運率全部皆為1,則當一筆即時資料屬於這個群聚時,電動載具2不具有充電需求的機率極高。有鑑於此,預估系統1不需要基於這個群聚121來進行訓練程序,也就是不需要建立這個群聚121所對應的預估模型116。藉此,可以節省預估系統1有限的硬體及軟體資源。
請參閱圖7,為本發明的訓練流程圖的第二具體實施例。本實施例中,預估系統1在訓練預估模型116時,會先透過處理單元11的分群模組113對複數歷史資料122執行模糊分群處理,以獲得每一個語意類別下的多個群聚121(步驟S60)。接著,處理單元11判斷各個群聚121中的多筆歷史資料122的營運率是否皆為1(步驟S62)。
如前文所述,若一筆即時資料隸屬於一個群聚121,並且這個群聚121中的多筆歷史資料122的營運率皆為1時,預估系統1不需要預估這筆即時資料的營運率。反之,若一筆即時資料隸屬於一個群聚121,但這個群聚121中的多筆歷史資料122的營運率並非全部為1時,預估系統1就需要透過對應的預估模型116來預估這筆即時資料的營運率。
有鑑於此,當處理單元11在步驟S62中判斷一個群聚121中的複數歷史資料122的營運率並非全部為1時,即控制神經網路訓練模組114執行圖6所示的步驟S48,以經由訓練程序而建立這個群聚121對應的預估模型116(步驟S64)。而當處理單元11在步驟S62中判斷一個群聚121中的複數歷史資料122的營運率皆為1時,即不執行圖6所示的步驟S48(步驟S66),也就是不建立這個群聚121對應的預估模型116。
接著,處理單元11判斷是否所有群聚121的訓練皆完成(步驟S68),並且於所有群聚121皆訓練完成前,重覆執行步驟S62至步驟S66,以判斷是否需要建立對應的預估模型116。
本發明的預估方法及預估系統可以在接收到電動載具的一筆即時資料後,立即分析電動載具是否具有或即將具有充電需求,因而可以維持分析的即時性。並且,藉由預估系統或企業資料中心的提醒,駕駛人可以提前規劃充電行程,藉此避免臨時要充電卻找不到可用的充電樁的問題。
以上所述僅為本發明之較佳具體實例,非因此即侷限本發明之專利範圍,故舉凡運用本發明內容所為之等效變化,均同理皆包含於本發明之範圍內,合予陳明。
1:預估系統
11:處理單元
111:資料處理模組
112:正規化模組
113:分群模組
114:神經網路訓練模組
115:即時資料分析模組
116:預估模型
12:資料庫
121:群聚
122:歷史資料
13:傳輸單元
14:旗標設定單元
2:電動載具
3:充電樁
4:行動裝置
5:企業資料中心
6:時間區間
61:第一區間
62:第二區間
7:歷史資料
70:連續資料
71:平均剩餘電量
72:平均距離
73:營運率
74:充電狀態
81:位置資訊
82:平均位置
83:距離
S10~S18:預估步驟
S20~S36:預估步驟
S40~S50:訓練步驟
S60~S68:訓練步驟
圖1為本發明的預估系統的方塊圖的具體實施例。
圖2為本發明的預估方法的流程圖的第一具體實施例。
圖3為本發明的預估方法的流程圖的第二具體實施例。
圖4為本發明的歷史資料的示意圖的具體實施例。
圖5為本發明的平均距離的示意圖的具體實施例。
圖6為本發明的訓練流程圖的第一具體實施例。
圖7為本發明的訓練流程圖的第二具體實施例。
S20~S36:預估步驟
Claims (19)
- 一種電動載具的充電需求預估方法,包括: a)基於一週期取得一電動載具的一即時資料,其中該即時資料至少包括一剩餘電量及一位置資訊; b)將該即時資料與複數群聚(cluster)進行比對以確認該即時資料的一隸屬群聚,其中該複數群聚分別包含規則性相似的多筆歷史資料,並且每一筆該歷史資料分別記錄一營運率(Operation Percentage, OP); c)於該隸屬群聚的該營運率的一基準值(ground truth)並非為一預設值時,將該即時資料匯入該隸屬群聚對應的一預估模型,其中該預估模型記錄該剩餘電量及一距離與該營運率的一對應關係,其中該距離為基於該位置資訊所計算的該電動載具與最近的一充電樁間的距離; d)該預估模型預估該即時資料對應的該營運率;及 e)於該營運率符合一充電條件時針對該電動載具設定一充電旗標。
- 如請求項1所述的電動載具的充電需求預估方法,其中該營運率為一大於零並小於或等於一的數值,該步驟e)於該營運率大於0.2並小於1時,判斷該營運率符合該充電條件。
- 如請求項1所述的電動載具的充電需求預估方法,其中該即時資料更包括一充電狀態,並且該充電需求預估方法更包括一步驟a1):該步驟a)後,基於上一筆該即時資料的該充電狀態判斷該電動載具在上一個週期中是否有進行充電,並且於該電動載具在上一個週期中無充電時執行該步驟b)。
- 如請求項1所述的電動載具的充電需求預估方法,其中更包括一步驟a2):該步驟a)後,判斷該即時資料的一語意類別,其中該語意類別下包含複數該群聚,並且該步驟b)是將該即時資料與該語意類別下的該複數群聚進行比對。
- 如請求項4所述的電動載具的充電需求預估方法,其中該語意類別包括早上、中午及下午,該步驟a2)依據該即時資料的一接收時間判斷該即時資料的該語意類別。
- 如請求項1所述的電動載具的充電需求預估方法,其中該電動載具為商務用途的電動載具,該即時資料還包括一剩餘送貨量,並且該預估模型記錄該剩餘電量、該距離以及該剩餘送貨量與該營運率的一對應關係。
- 如請求項1所述的電動載具的充電需求預估方法,其中該歷史資料對應至一時間區間,並且至少記錄該時間區間內的一平均剩餘電量、與最近的一充電樁間的一平均距離、該營運率及一充電狀態,其中該歷史資料是由該時間區間內的複數筆連續資料所計算而成,該營運率為一大於零並小於等於一的數值,並且該營運率對應至該複數連續資料中標示為未充電的該充電狀態的一比例。
- 如請求項7所述的電動載具的充電需求預估方法,其中更包括: f)於該隸屬群聚的該營運率的該基準值為1時,判斷該即時資料中的該剩餘電量是否小於一預設充電電量;及 g)於該剩餘電量小於該預設充電電量時設定該充電旗標。
- 如請求項1所述的電動載具體充電需求預估方法,其中該步驟a)之前更包括下列步驟: a01)取得複數該電動載具的複數該歷史資料,其中各該歷史資料分別記錄一時間區間內的一平均剩餘電量、與最近的一充電樁間的一平均距離、該營運率及一充電狀態,其中該營運率為一大於零並小於或等於一的數值,並且對應至該時間區間內的複數連續資料中標示為未充電的該充電狀態的比例; a02)對依據各該歷史資料的記錄時間分別標記各該歷史資料為複數語意類別的其中之一; a03)該步驟a02)後,對該複數歷史資料執行一資料正規化處理; a04)該步驟a03)後,對該複數歷史資料執行一模糊分群處理,以將該複數歷史資料歸納為該複數群聚,其中各該群聚分別包括複數該歷史資料,並且各該語意類別分別包括複數該群聚;及 a05)分別基於各該群聚對一神經網路模型進行訓練,以分別建立對應至各該群聚的該預估模型。
- 如請求項9所述的電動載具的充電需求預估方法,其中更包括: a06)該步驟a04)後,判斷各該群聚中的該多筆歷史資料的該營運率是否皆為1; a07)於一個該群聚中的該多筆歷史資料的該營運率不是全部為1時,基於該群聚的該多筆歷史資料執行該步驟a05);及 a08)於一個該群聚中的該多筆歷史資料的該營運率皆為1時,不基於該群聚的該多筆歷史資料執行該步驟a05)。
- 如請求項9所述的電動載具的充電需求預估方法,其中更包括: h)判斷該週期是否累計達到一預設天數,或所接收的該即時資料是否累計達到一預設筆數;及 i)於該週期累計達該預設天數或該即時資料累計達該預設筆數時,將累計的該即時資料添加至該歷史資料中,並再次執行該a01)至該步驟a05)。
- 一種電動載具的充電需求預估系統,包括: 一傳輸單元,與一電動載具通訊連接,基於一週期接收該電動載具的一即時資料,其中該即時資料至少包括一剩餘電量及一位置資訊; 一資料庫,記錄複數群聚,其中各該群聚分別包含多筆歷史資料,並且各該歷史資料分別記錄一營運率; 一處理單元,電性連接該傳輸單元及該資料庫,並且包括: 複數預估模型,分別對應至該複數群聚,並且記錄該剩餘電量及一距離與該營運率間的一對應關係,其中該距離為基於該位置資訊所計算的該電動載具與最近的一充電樁間的一距離;及 一即時資料分析模組,將該即時資料與該複數群聚進行比對以確認該即時資料的一隸屬群聚,並且於該隸屬群聚的該營運率的一基準值並非為一預設值時,將該即時資料匯入該隸屬群聚對應的該預估模型以預估該即時資料對應的該營運率;及 一旗標設定單元,電性連接該處理單元,於該即時資料的該營運率符合一充電條件時針對該電動載具設定一充電旗標。
- 如請求項12所述的電動載具的充電需求預估系統,其中該即時資料更包括一充電狀態,該即時資料分析模組先基於上一筆該即時資料的該充電狀態判斷該電動載具在上一個週期中是否有進行充電,並且於該電動載具在上一個週期中無充電時再確認該即時資料的該隸屬群聚。
- 如請求項12所述的電動載具的充電需求預估系統,其中該即時資料分析模組依據該即時資料的一接收時間判斷該即時資料的一語意類別,並且將該即時資料與該語意類別下的該複數群聚進行比對,其中該語意類別包括早上、中午及下午。
- 如請求項12所述的電動載具的充電需求預估系統,其中該電動載具為商務用途的電動載具,該即時資料還包括一剩餘送貨量,並且各該預估模型分別記錄該剩餘電量、該距離以及該剩餘送貨量與該營運率間的一對應關係。
- 如請求項12所述的電動載具的充電需求預估系統,其中該歷史資料對應至一時間區間,並且至少記錄該時間區間內的一平均剩餘電量、與最近的一充電樁間的一平均距離、該營運率及一充電狀態,其中該歷史資料是由該時間區間內的複數連續資料所計算而成,該營運率為一大於零並小於或等於一的數值,並且該營運率對應至該複數連續資料中標示為未充電的該充電狀態的一比例。
- 如請求項16所述的電動載具的充電需求預估系統,其中該即時資料分析模組於該隸屬群聚中的該多筆歷史資料的該營運率皆為1時,判斷該即時資料中的該剩餘電量是否小於一預設充電電量,並且該旗標設定單元於該剩餘電量小於該預設充電電量時設定該充電旗標。
- 如請求項12所述的電動載具體充電需求預估系統,其中該處理單元更包括: 一資料處理模組,取得複數該電動載具的複數該歷史資料,其中各該歷史資料分別記錄一時間區間內的一平均剩餘電量、與最近的一充電樁間的一平均距離、該營運率及一充電狀態,其中該營運率為一大於零並小於或等於一的數值,並且對應至該時間區間內的複數連續資料中標示為未充電的該充電狀態的比例,其中該資料處理模組依據各該歷史資料的記錄時間分別標記各該歷史資料為複數語意類別的其中之一; 一正規化模組,對該複數歷史資料執行一資料正規化處理; 一分群模組,對該複數歷史資料執行一模糊分群處理以將該複數歷史資料歸納為該複數群聚,其中各該語意類別分別包括複數該群聚;及 一神經網路訓練模組,分別基於各該群聚對一神經網路模型進行訓練,以分別建立對應至各該群聚的該預估模型。
- 如請求項18所述的電動載具的充電需求預估系統,其中該處理單元確定各該群聚中的該多筆歷史資料的該營運率,於一個該群聚中的該多筆歷史資料的該營運率不是全部為1時,透過該神經網路訓練模組基於該群聚的該多筆歷史資料進行訓練以建立對應的該預估模型,並且於一個該群聚中的該多筆歷史資料的該營運率皆為1時,不基於該群聚的該多筆歷史資料進行訓練。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111117514A TWI838746B (zh) | 2022-05-10 | 2022-05-10 | 電動載具的充電需求預估方法及其預估系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111117514A TWI838746B (zh) | 2022-05-10 | 2022-05-10 | 電動載具的充電需求預估方法及其預估系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202345081A true TW202345081A (zh) | 2023-11-16 |
TWI838746B TWI838746B (zh) | 2024-04-11 |
Family
ID=89720379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111117514A TWI838746B (zh) | 2022-05-10 | 2022-05-10 | 電動載具的充電需求預估方法及其預估系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI838746B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2745261A1 (en) * | 2011-08-16 | 2014-06-25 | Better Place GmbH | Estimation and management of loads in electric vehicle networks |
CN106980924A (zh) * | 2017-03-08 | 2017-07-25 | 蔚来汽车有限公司 | 基于需求预测的电动车充换电资源推荐方法及装置 |
TWI723566B (zh) * | 2019-10-04 | 2021-04-01 | 映興電子股份有限公司 | 智慧配送離峰電力之營運方法 |
CN113268709A (zh) * | 2021-04-21 | 2021-08-17 | 国网天津市电力公司 | 基于智能体仿真的城市电动汽车充电需求预测方法及系统 |
CN114331542A (zh) * | 2021-12-30 | 2022-04-12 | 智光研究院(广州)有限公司 | 一种电动汽车充电需求预测方法及装置 |
CN114274800B (zh) * | 2021-12-31 | 2024-04-12 | 同济大学 | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 |
-
2022
- 2022-05-10 TW TW111117514A patent/TWI838746B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI838746B (zh) | 2024-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11663915B2 (en) | Dynamic modeling and simulation of an autonomous vehicle fleet using real-time autonomous vehicle sensor input | |
CN111033535B (zh) | 用于乘车订单调度的系统和方法 | |
JP7174069B2 (ja) | 到着推定及び到着アラート作成のための位置更新のスマートシグナリング | |
US9776512B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
CN102498706B (zh) | 一种计算机实现的电力管理方法 | |
CN104346921B (zh) | 基于位置信息的出租车信息通讯服务系统、终端和方法 | |
US20160343011A1 (en) | Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program | |
US11900496B2 (en) | Systems and methods for transport cancellation using data-driven models | |
CN107133697A (zh) | 预估司机接单意愿的方法、装置、设备及存储介质 | |
CN109741621B (zh) | 基于群智感知的停车位信息处理方法、系统和计算机装置 | |
US20210192555A1 (en) | Model-based deep reinforcement learning for dynamic pricing in an online ride-hailing platform | |
US11790289B2 (en) | Systems and methods for managing dynamic transportation networks using simulated future scenarios | |
TWI838746B (zh) | 電動載具的充電需求預估方法及其預估系統 | |
CN114693045A (zh) | 换电站选址方法、系统、电子设备和存储介质 | |
WO2022230644A1 (ja) | 管理システム及び管理方法 | |
US20220335545A1 (en) | System and method for estimating electric vehicle charge needs among a population in a region | |
CN112669603B (zh) | 基于大数据的城市交通协同方法及装置 | |
CN114841451A (zh) | 一种司机出行补贴方法、装置和存储介质 | |
Liu et al. | Efficient bus arrival time prediction based on spark streaming platform | |
CN117877313B (zh) | 基于物联网感知的停车场管理方法及装置 | |
CN117896671B (zh) | 一种蓝牙aoa基站智能管理方法及系统 | |
TWI822018B (zh) | 充電站的部署之優化方法及充電站的規劃系統 | |
US11867524B2 (en) | Automatic prediction of visitations to specified points of interest | |
CN114141043B (zh) | 一种基于大数据的自动代客泊车需求预测方法和装置 | |
TW202301263A (zh) | 電動車之路線管理方法及系統 |