CN109087127A - 一种电动汽车充电用户的行为特征分析方法及装置 - Google Patents
一种电动汽车充电用户的行为特征分析方法及装置 Download PDFInfo
- Publication number
- CN109087127A CN109087127A CN201810755332.9A CN201810755332A CN109087127A CN 109087127 A CN109087127 A CN 109087127A CN 201810755332 A CN201810755332 A CN 201810755332A CN 109087127 A CN109087127 A CN 109087127A
- Authority
- CN
- China
- Prior art keywords
- electric car
- user
- charge user
- car charge
- charging
- 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.)
- Pending
Links
- 230000003542 behavioural effect Effects 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000011160 research Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims description 41
- 230000005611 electricity Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 235000012054 meals Nutrition 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000009897 systematic effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电动汽车充电用户的行为特征分析方法及装置，涉及电动汽车充电技术领域。方法包括：获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。本发明通过对电动汽车充电用户的相关数据进行整理，并借助大数据技术的聚类算法(如K‑means)能够方便快捷的进行电动汽车充电用户的行为特征分析。
Description
技术领域
本发明涉及电动汽车充电技术领域，尤其涉及一种电动汽车充电用户的行为特征分析方法及装置。
背景技术
目前，随着新能源技术的逐渐发展，电动汽车已经在人们出行方式中占有一定比例。而在出行过程中，电动汽车经常需要进行充电，以补充电动汽车的电力能源。因此，在电动汽车应用广泛的地区(例如我国冀北地区)，需要大量设置充电桩等设施。
为了满足各地区的用户需求，电动汽车的充电企业需要掌握用户的充电数据，因此需要进行充电用户行为特征研究，目前的主要研究手段是依赖于从车联网管理平台提取数据，其中包括充电桩档案、各地区充电交易数据等。这些数据一般只涉及用户的充电***、充电量、交易金额、交易方式、交易时间、交易桩号等，欠缺对用户充电行为的准确描述。目前，正确识别充电站用户或电动汽车用户的行为特征，对于运营企业提高运营效率、提升运维服务质量、引导用户充电行为，都具有重要意义。而如何方便快捷的进行电动汽车充电用户的行为特征分析已经成为一个亟待解决的问题。
发明内容
本发明的实施例提供一种电动汽车充电用户的行为特征分析方法及装置，以实现方便快捷的进行电动汽车充电用户的行为特征分析。
为达到上述目的，本发明采用如下技术方案：
一种电动汽车充电用户的行为特征分析方法，包括：
获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；
根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
进一步的，该电动汽车充电用户的行为特征分析方法，还包括：
向不同的用户行为特征类中的用户推送预先设置的电动汽车充电服务内容，以便于电动汽车充电用户根据电动汽车充电服务内容进行业务办理和信息获取。
具体的，所述获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据，包括：
获取研究范围内的各电动汽车充电用户的相关数据，所述相关数据中的各个项目包括：在一预设周期的充电总电量、充电总次数、在各个预设站点的充电次数、在工作日的充电次数、在周末的充电次数、在节假日的充电次数以及在每天各预设时间段的充电次数；
获取各电动汽车充电用户中的相关数据中的一项目的最大值Smax和最小值Smin；
根据所述最大值Smax和最小值Smin将各电动汽车充电用户中的相关数据中的一项目的值S原进行标准化处理，得到S原对应的标准化数据S标准；其中，
具体的，所述根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类，包括：
步骤1、将各电动汽车充电用户划分到预先设置的K类中；
步骤2、根据各电动汽车充电用户的标准化数据，求取预先设置的K类的平均值其中，其中，为各电动汽车充电用户的标准化数据中的第i个项目的平均值，p为电动汽车充电用户的标准化数据中的项目总数；n为研究范围内的电动汽车充电用户总数；xji为第j个电动汽车充电用户的标准化数据中的第i个项目的值；
步骤3、遍历各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)，以确定各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)与各预先设置的K类的的欧氏距离；
步骤4、将各电动汽车充电用户重新分配到欧氏距离最小的一类中，并重新计算K类的平均值；在步骤4后返回执行步骤3，直至各电动汽车充电用户当前所在的类的欧氏距离最小；
步骤5、若一类中的电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比小于预先设置的百分比阈值，则删除该类，保留电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比大于等于预先设置的百分比阈值的类，作为用户行为特征类。
另外，所述向不同的用户行为特征类中的用户推送预先设置的电动汽车充电服务内容，以便于电动汽车充电用户根据电动汽车充电服务内容进行业务办理和信息获取，包括：
向不同的用户行为特征类中的用户推送不同的电动汽车充电服务内容；所述电动汽车充电服务内容包括充电分段计价优惠服务内容、电动汽车充电套餐服务内容、附近景区信息、周边配套服务信息、附近沿途充电站信息以及新增站点情况信息中的一种或多种。
一种电动汽车充电用户的行为特征分析装置，包括：
数据标准化处理单元，用于获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；
聚类单元，用于根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
进一步的，该电动汽车充电用户的行为特征分析装置，还包括：
服务内容推送单元，用于向不同的用户行为特征类中的用户推送预先设置的电动汽车充电服务内容，以便于电动汽车充电用户根据电动汽车充电服务内容进行业务办理和信息获取。
此外，所述数据标准化处理单元，具体用于：
获取研究范围内的各电动汽车充电用户的相关数据，所述相关数据中的各个项目包括：在一预设周期的充电总电量、充电总次数、在各个预设站点的充电次数、在工作日的充电次数、在周末的充电次数、在节假日的充电次数以及在每天各预设时间段的充电次数；
获取各电动汽车充电用户中的相关数据中的一项目的最大值Smax和最小值Smin；
根据所述最大值Smax和最小值Smin将各电动汽车充电用户中的相关数据中的一项目的值S原进行标准化处理，得到S原对应的标准化数据S标准；其中，
此外，所述聚类单元，具体用于：
步骤1、将各电动汽车充电用户划分到预先设置的K类中；
步骤2、根据各电动汽车充电用户的标准化数据，求取预先设置的K类的平均值其中，其中，为各电动汽车充电用户的标准化数据中的第i个项目的平均值，p为电动汽车充电用户的标准化数据中的项目总数；n为研究范围内的电动汽车充电用户总数；xji为第j个电动汽车充电用户的标准化数据中的第i个项目的值；
步骤3、遍历各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)，以确定各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)与各预先设置的K类的的欧氏距离；
步骤4、将各电动汽车充电用户重新分配到欧氏距离最小的一类中，并重新计算K类的平均值；在步骤4后返回执行步骤3，直至各电动汽车充电用户当前所在的类的欧氏距离最小；
步骤5、若一类中的电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比小于预先设置的百分比阈值，则删除该类，保留电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比大于等于预先设置的百分比阈值的类，作为用户行为特征类。
此外，所述服务内容推送单元，具体用于：
向不同的用户行为特征类中的用户推送不同的电动汽车充电服务内容；所述电动汽车充电服务内容包括充电分段计价优惠服务内容、电动汽车充电套餐服务内容、附近景区信息、周边配套服务信息、附近沿途充电站信息以及新增站点情况信息中的一种或多种。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；
根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
一种计算机设备，包括存储器、处理器及存储在存储上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；
根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
本发明实施例提供的一种电动汽车充电用户的行为特征分析方法及装置，首先获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；之后，根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。可见，本发明通过对电动汽车充电用户的相关数据进行整理，并借助大数据技术的聚类算法(如K-means)能够方便快捷的进行电动汽车充电用户的行为特征分析。
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为本发明实施例提供的一种电动汽车充电用户的行为特征分析方法的流程图一；
图2为本发明实施例提供的一种电动汽车充电用户的行为特征分析方法的流程图二；
图3为本发明实施例提供的一种电动汽车充电用户的行为特征分析装置的结构示意图。
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。
如图1所示，本发明实施例提供一种电动汽车充电用户的行为特征分析方法，包括：
步骤101、获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据。
步骤102、根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
本发明实施例所涉及的模型聚类算法可以采用K-means聚类算法，K-means聚类算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。
本发明实施例提供的一种电动汽车充电用户的行为特征分析方法，首先获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；之后，根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。可见，本发明通过对电动汽车充电用户的相关数据进行整理，并借助大数据技术的聚类算法(如K-means)能够方便快捷的进行电动汽车充电用户的行为特征分析。
为了使本领域的技术人员更好的了解本发明，下面列举一个更为详细的实施例，如图2所示，本发明实施例提供一种电动汽车充电用户的行为特征分析方法，包括：
步骤201、获取研究范围内的各电动汽车充电用户的相关数据，所述相关数据中的各个项目包括：在一预设周期的充电总电量、充电总次数、在各个预设站点的充电次数、在工作日的充电次数、在周末的充电次数、在节假日的充电次数以及在每天各预设时间段的充电次数。
此处的研究范围内的各电动汽车充电用户一般是指私家车等大众群体，而并非电动公交车用户，因为公交车充电不具有代表性。例如，此处采用2016年10月1日至2017年9月30日冀北地区的电动汽车充电用户(不包括公交充电站)的交易数据。
该相关数据中的各个项目可以如下表1所示，其包括：在一预设周期的充电总电量Dl、充电总次数Dc、在各个预设站点的充电次数(例如各高速站点Zg、城市站点Zs、北京相关站点Zb、承德市站点Zc、城际高速站点Zj、廊坊市站点Zl、秦皇岛市站点Zq、唐山市站点Zt、张家口市站点Zz，此处仅以上述站点为例，还可以包括很多其他预设站点，此处不再赘述)、在工作日的充电次数Tg、在周末的充电次数Tz、在节假日的充电次数Tj(例如春节假期的充电次数，国庆节假期的充电次数等)以及在每天各预设时间段的充电次数(例如，每天中00：00至03:59、04：00至07:59、08：00至11:59、12：00至15:59、16：00至19:59和20：00至23:59的充电次数)。
表1：
步骤202、获取各电动汽车充电用户中的相关数据中的一项目的最大值Smax和最小值Smin。
步骤203、根据所述最大值Smax和最小值Smin将各电动汽车充电用户中的相关数据中的一项目的值S原进行标准化处理，得到S原对应的标准化数据S标准。
其中，
通过标准化数据处理，可将例如上述表1中的各项目的数据的量纲进行统一，避免不同数量级之间的数据进行聚类时造成的不准确。
步骤204、将各电动汽车充电用户划分到预先设置的K类中。
例如，可以采用穷举的方式，令K＝1，并逐渐增大K值，分别进行聚类分析，最终可得到电动汽车充电领域中的合适类别数量。
步骤205、根据各电动汽车充电用户的标准化数据，求取预先设置的K类的平均值
其中，其中，为各电动汽车充电用户的标准化数据中的第i个项目的平均值，p为电动汽车充电用户的标准化数据中的项目总数；n为研究范围内的电动汽车充电用户总数；xji为第j个电动汽车充电用户的标准化数据中的第i个项目的值。
步骤206、遍历各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)，以确定各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)与各预先设置的K类的的欧氏距离。
步骤207、将各电动汽车充电用户重新分配到欧氏距离最小的一类中，并重新计算K类的平均值。
在步骤207后返回执行步骤206，直至各电动汽车充电用户当前所在的类的欧氏距离最小。
步骤208、若一类中的电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比小于预先设置的百分比阈值，则删除该类，保留电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比大于等于预先设置的百分比阈值的类，作为用户行为特征类。
例如，K＝6时，假如有16012个电动汽车充电用户，其中1类为5497个，2类为4769个，3类为5744个，4类为1个，5类为1个，6类为0个，则很明显第4、5、6类中的用户数量很小，可以忽略不计，将4、5、6类上述，仅保留1、2、3类。
该百分比阈值可以选取1％、2％、3％等，但不仅局限于此。
步骤209、向不同的用户行为特征类中的用户推送不同的电动汽车充电服务内容；所述电动汽车充电服务内容包括充电分段计价优惠服务内容、电动汽车充电套餐服务内容、附近景区信息、周边配套服务信息、附近沿途充电站信息以及新增站点情况信息中的一种或多种。
下面列举一个详细的数据实例：
基于2016年10月至2017年9月冀北交易数据，经过数据的标准化处理，使用K-means模型对在冀北地区使用过充电桩的16012个用户进行聚类分析。K的设定、以及最终应该产生多少类是任何聚类模型的一个难题。一个可行的方法是对给定的一组K的值进行实验，使得类中的元素个数相对比较平衡，结合专业知识来选择最终的类数。
初步K-means聚类结果：
为了覆盖潜在的类数，我们对K＝1至15进行K-means聚类分析，最终选择K＝6的聚类结果，再进一步确定最终类数。K＝6的聚类结果如表2。
表2 初步聚类类别和用户数
| 类别 | 1 | 2 | 3 | 4 | 5 | 6 |
| 成员数 | 5497 | 4769 | 5744 | 1 | 1 | 0 |
从初步聚类结果来看，类别4、5、6包含的成员数只有1个或没有，对于这3个类别可以不去关注。因此，初步得到3个比较平衡的类别1、2、3。下面分别从高速使用、充电量、充电次数、充电时间方面比较这3个类别。
表3 三类用户比较
由表3可知，第1、2类用户高速站充电使用较为频繁，第3类用户很少使用高速站充电。因此，初步定义这3个类别分别为高速一级客户、高速二级客户、城市客户。第1、3类用户的年人均充电电量远高于第2用户。但三类用户的平均充电量都比较显著、充电时间主要就集中在8:00-20:00之间，需要进一步关注。
第一类用户为高速一级用户，共有5497人,约占冀北用户群的34.33％，大部分用户高速使用率高且使用次数高。数量维度为年人均，高速使用比较高；充电电量及充电次数在三类用户中最高，微高于第三类用户。
第二类用户为高速二级用户，约占冀北用户群的29.78％，大部分用户高速使用率高，但使用次数低，共有4769人。数量维度为年人均，高速使用比高；充电电量及充电次数在三类用户中最低，且远低于其他类用户。
第三类用户为城市用户，约占冀北用户群的35.87％，大部分用户高速使用率低，但使用次数高，共有5744人。数量维度为年人均，高速使用比低，接近于0；充电电量及充电次数与第一类用户相似，微低于第一类用户。
表4 三类客户节假日、站点比较：
从表4可以看出，高速一级用户工作日使用次数：周末使用次数：节日使用次数≈3.3：2.0：1；8-19：59时间段使用次数高；站点使用情况，北京相关高速远高于其他站类型。
高速二级用户工作日使用次数：周末使用次数：节日使用次数≈3.7：2.3：1；8-19：59时间段使用次数高；站点使用情况，北京相关高速远高于其他站类型。
城市用户工作日使用次数：周末使用次数：节日使用次数≈10.6：4.9：1；12-19：59时间段使用次数高；站点使用情况，廊坊市站点远高于其他站类型。
用户特征：
例如，上述最终形成3类不同的用户行为特征类：
高速一级客户，多数为跨城办公用户。其充电行为的主要特征为在京津冀地区工作日充电电量较大且充电次数较多，充电站使用频繁人群，而且在北京相关站点、城际高速站点常有充电。对于高速一级客户，可向其推送分段计价服务内容或套餐服务内容。通过分时段、分地段，或工作日节假日等多种形式的组合套餐，给客户提供一定程度的优惠，来更好第吸引客户，提高服务质量。
高速二级客户，多数为过路用户、游玩用户。其特征是充电量、充电次数不大，但充电的站点分布相对均匀、分散。对于高速二级客户，可推送附近景区信息、周边服务(餐饮等)、附近沿途充电站。从而此处可以从客户的兴趣点出发，不仅可以有效地服务客户，也可以和周边景区和其它服务业进行合作，发现新型服务模式。
城市客户，基本上是城市居民用户、同城上上班族。其特点是工作日充电次数相对多，但充电站点不太均匀。对于城市客户，可以推送附近低频使用站点并给与优惠、推送新增站点情况等。通过此种方式可以引导客户以优惠价格使用低频站点，尤其推荐一些附近新增站点。这不仅可以减少客户等候时间，也充分使用了充电网络资源。
另外，根据本发明实施例提供的电动汽车充电用户的行为特征分析，可以在充电高频的城市站点周围，增加充电站点。在整个充电网络***种，各个站点的使用频数相差很大。比如，廊坊地区的站点使用次数远高于其它站点。这就需要在该地区的高频站点附近增设新站点，使得站点网络布局更加合理。
本发明实施例提供的一种电动汽车充电用户的行为特征分析方法，首先获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；之后，根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。可见，本发明通过对电动汽车充电用户的相关数据进行整理，并借助大数据技术的聚类算法(如K-means)能够方便快捷的进行电动汽车充电用户的行为特征分析。
对应于上述图1和图2所示的方法实施例，如图3所示，本发明实施例还提供一种电动汽车充电用户的行为特征分析装置，包括：
数据标准化处理单元31，用于获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据。
聚类单元32，用于根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
进一步的，如图3所示，该电动汽车充电用户的行为特征分析装置，还包括：
服务内容推送单元33，用于向不同的用户行为特征类中的用户推送预先设置的电动汽车充电服务内容，以便于电动汽车充电用户根据电动汽车充电服务内容进行业务办理和信息获取。
此外，该数据标准化处理单元31，具体用于：
获取研究范围内的各电动汽车充电用户的相关数据，所述相关数据中的各个项目包括：在一预设周期的充电总电量、充电总次数、在各个预设站点的充电次数、在工作日的充电次数、在周末的充电次数、在节假日的充电次数以及在每天各预设时间段的充电次数。
获取各电动汽车充电用户中的相关数据中的一项目的最大值Smax和最小值Smin。
根据所述最大值Smax和最小值Smin将各电动汽车充电用户中的相关数据中的一项目的值S原进行标准化处理，得到S原对应的标准化数据S标准；其中，
此外，该聚类单元32，具体用于执行：
步骤1、将各电动汽车充电用户划分到预先设置的K类中。
步骤2、根据各电动汽车充电用户的标准化数据，求取预先设置的K类的平均值其中，其中，为各电动汽车充电用户的标准化数据中的第i个项目的平均值，p为电动汽车充电用户的标准化数据中的项目总数；n为研究范围内的电动汽车充电用户总数；xji为第j个电动汽车充电用户的标准化数据中的第i个项目的值。
步骤3、遍历各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)，以确定各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)与各预先设置的K类的的欧氏距离。
步骤4、将各电动汽车充电用户重新分配到欧氏距离最小的一类中，并重新计算K类的平均值；在步骤4后返回执行步骤3，直至各电动汽车充电用户当前所在的类的欧氏距离最小。
步骤5、若一类中的电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比小于预先设置的百分比阈值，则删除该类，保留电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比大于等于预先设置的百分比阈值的类，作为用户行为特征类。
此外，该服务内容推送单元33，具体用于：
向不同的用户行为特征类中的用户推送不同的电动汽车充电服务内容；所述电动汽车充电服务内容包括充电分段计价优惠服务内容、电动汽车充电套餐服务内容、附近景区信息、周边配套服务信息、附近沿途充电站信息以及新增站点情况信息中的一种或多种。
本发明实施例提供的一种电动汽车充电用户的行为特征分析装置，首先获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；之后，根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。可见，本发明通过对电动汽车充电用户的相关数据进行整理，并借助大数据技术的聚类算法(如K-means)能够方便快捷的进行电动汽车充电用户的行为特征分析。
另外，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据。
根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
另外，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据。
根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种电动汽车充电用户的行为特征分析方法，其特征在于，包括：
获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；
根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
2.根据权利要求1所述的电动汽车充电用户的行为特征分析方法，其特征在于，还包括：
向不同的用户行为特征类中的用户推送预先设置的电动汽车充电服务内容，以便于电动汽车充电用户根据电动汽车充电服务内容进行业务办理和信息获取。
3.根据权利要求2所述的电动汽车充电用户的行为特征分析方法，其特征在于，所述获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据，包括：
获取研究范围内的各电动汽车充电用户的相关数据，所述相关数据中的各个项目包括：在一预设周期的充电总电量、充电总次数、在各个预设站点的充电次数、在工作日的充电次数、在周末的充电次数、在节假日的充电次数以及在每天各预设时间段的充电次数；
获取各电动汽车充电用户中的相关数据中的一项目的最大值Smax和最小值Smin；
根据所述最大值Smax和最小值Smin将各电动汽车充电用户中的相关数据中的一项目的值S原进行标准化处理，得到S原对应的标准化数据S标准；其中，
4.根据权利要求3所述的电动汽车充电用户的行为特征分析方法，其特征在于，所述根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类，包括：
步骤1、将各电动汽车充电用户划分到预先设置的K类中；
步骤2、根据各电动汽车充电用户的标准化数据，求取预先设置的K类的平均值其中，其中，为各电动汽车充电用户的标准化数据中的第i个项目的平均值，p为电动汽车充电用户的标准化数据中的项目总数；n为研究范围内的电动汽车充电用户总数；xji为第j个电动汽车充电用户的标准化数据中的第i个项目的值；
步骤3、遍历各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)，以确定各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)与各预先设置的K类的的欧氏距离；
步骤4、将各电动汽车充电用户重新分配到欧氏距离最小的一类中，并重新计算K类的平均值；在步骤4后返回执行步骤3，直至各电动汽车充电用户当前所在的类的欧氏距离最小；
步骤5、若一类中的电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比小于预先设置的百分比阈值，则删除该类，保留电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比大于等于预先设置的百分比阈值的类，作为用户行为特征类。
5.根据权利要求4所述的电动汽车充电用户的行为特征分析方法，其特征在于，向不同的用户行为特征类中的用户推送预先设置的电动汽车充电服务内容，以便于电动汽车充电用户根据电动汽车充电服务内容进行业务办理和信息获取，包括：
向不同的用户行为特征类中的用户推送不同的电动汽车充电服务内容；所述电动汽车充电服务内容包括充电分段计价优惠服务内容、电动汽车充电套餐服务内容、附近景区信息、周边配套服务信息、附近沿途充电站信息以及新增站点情况信息中的一种或多种。
6.一种电动汽车充电用户的行为特征分析装置，其特征在于，包括：
数据标准化处理单元，用于获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；
聚类单元，用于根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
7.根据权利要求6所述的电动汽车充电用户的行为特征分析装置，其特征在于，还包括：
服务内容推送单元，用于向不同的用户行为特征类中的用户推送预先设置的电动汽车充电服务内容，以便于电动汽车充电用户根据电动汽车充电服务内容进行业务办理和信息获取。
8.根据权利要求7所述的电动汽车充电用户的行为特征分析装置，其特征在于，所述数据标准化处理单元，具体用于：
获取研究范围内的各电动汽车充电用户的相关数据，所述相关数据中的各个项目包括：在一预设周期的充电总电量、充电总次数、在各个预设站点的充电次数、在工作日的充电次数、在周末的充电次数、在节假日的充电次数以及在每天各预设时间段的充电次数；
获取各电动汽车充电用户中的相关数据中的一项目的最大值Smax和最小值Smin；
根据所述最大值Smax和最小值Smin将各电动汽车充电用户中的相关数据中的一项目的值S原进行标准化处理，得到S原对应的标准化数据S标准；其中，
9.根据权利要求8所述的电动汽车充电用户的行为特征分析装置，其特征在于，所述聚类单元，具体用于：
步骤1、将各电动汽车充电用户划分到预先设置的K类中；
步骤2、根据各电动汽车充电用户的标准化数据，求取预先设置的K类的平均值其中，其中，为各电动汽车充电用户的标准化数据中的第i个项目的平均值，p为电动汽车充电用户的标准化数据中的项目总数；n为研究范围内的电动汽车充电用户总数；xji为第j个电动汽车充电用户的标准化数据中的第i个项目的值；
步骤3、遍历各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)，以确定各电动汽车充电用户的标准化数据xj＝(xj1,xj2,...,xjp)与各预先设置的K类的的欧氏距离；
步骤4、将各电动汽车充电用户重新分配到欧氏距离最小的一类中，并重新计算K类的平均值；在步骤4后返回执行步骤3，直至各电动汽车充电用户当前所在的类的欧氏距离最小；
步骤5、若一类中的电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比小于预先设置的百分比阈值，则删除该类，保留电动汽车充电用户占研究区域内的电动汽车充电用户总数的百分比大于等于预先设置的百分比阈值的类，作为用户行为特征类。
10.根据权利要求9所述的电动汽车充电用户的行为特征分析装置，其特征在于，所述服务内容推送单元，具体用于：
向不同的用户行为特征类中的用户推送不同的电动汽车充电服务内容；所述电动汽车充电服务内容包括充电分段计价优惠服务内容、电动汽车充电套餐服务内容、附近景区信息、周边配套服务信息、附近沿途充电站信息以及新增站点情况信息中的一种或多种。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：
获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；
根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
12.一种计算机设备，包括存储器、处理器及存储在存储上并可在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程序时实现以下步骤：
获取研究范围内的各电动汽车充电用户的相关数据，并对所述相关数据中的各个项目进行标准化处理，得到标准化数据；
根据模型聚类算法，对所述标准化数据进行处理，将研究范围内的各电动汽车充电用户划分为多个用户行为特征类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810755332.9A CN109087127A (zh) | 2018-07-11 | 2018-07-11 | 一种电动汽车充电用户的行为特征分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810755332.9A CN109087127A (zh) | 2018-07-11 | 2018-07-11 | 一种电动汽车充电用户的行为特征分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109087127A true CN109087127A (zh) | 2018-12-25 |
Family
ID=64837603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810755332.9A Pending CN109087127A (zh) | 2018-07-11 | 2018-07-11 | 一种电动汽车充电用户的行为特征分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109087127A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934473A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电健康指数评分方法、装置、终端设备及存储介质 |
| CN110263069A (zh) * | 2019-05-27 | 2019-09-20 | 华东师范大学 | 新能源使用行为的时序特征隐含因素抽取和刻画方法及*** |
| CN111680933A (zh) * | 2020-06-29 | 2020-09-18 | 北京中电普华信息技术有限公司 | 用电行为的分析方法、装置、可读介质以及设备 |
| CN112036602A (zh) * | 2020-07-24 | 2020-12-04 | 国网安徽省电力有限公司经济技术研究院 | 一种集成人机智能的5g电动汽车充电预测方法和*** |
| CN113544009A (zh) * | 2019-04-05 | 2021-10-22 | 矢崎总业株式会社 | 充电装置预订***、通信终端以及服务器装置 |
| CN113723993A (zh) * | 2021-08-17 | 2021-11-30 | 广东新能通科技有限公司 | 一种充电桩的电子优惠券发放方法、装置和*** |
| CN114261312A (zh) * | 2020-09-16 | 2022-04-01 | 蓝谷智慧(北京)能源科技有限公司 | 一种动力电池充电过程监控方法、装置及设备 |
| CN116756638A (zh) * | 2023-08-17 | 2023-09-15 | 广东电网有限责任公司汕头供电局 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825232A (zh) * | 2016-03-15 | 2016-08-03 | 国网北京市电力公司 | 对电动汽车用户进行分类的方法及装置 |
-
2018
- 2018-07-11 CN CN201810755332.9A patent/CN109087127A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825232A (zh) * | 2016-03-15 | 2016-08-03 | 国网北京市电力公司 | 对电动汽车用户进行分类的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| *** 等: "共享模式下的充电桩引导与充电价格研究", 《电网技术》 * |
| 李雪梅 等: "电动汽车充电用户行为特征研究", 《中国市场》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934473A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电健康指数评分方法、装置、终端设备及存储介质 |
| CN113544009A (zh) * | 2019-04-05 | 2021-10-22 | 矢崎总业株式会社 | 充电装置预订***、通信终端以及服务器装置 |
| CN110263069A (zh) * | 2019-05-27 | 2019-09-20 | 华东师范大学 | 新能源使用行为的时序特征隐含因素抽取和刻画方法及*** |
| CN111680933A (zh) * | 2020-06-29 | 2020-09-18 | 北京中电普华信息技术有限公司 | 用电行为的分析方法、装置、可读介质以及设备 |
| CN111680933B (zh) * | 2020-06-29 | 2023-04-18 | 北京中电普华信息技术有限公司 | 用电行为的分析方法、装置、可读介质以及设备 |
| CN112036602A (zh) * | 2020-07-24 | 2020-12-04 | 国网安徽省电力有限公司经济技术研究院 | 一种集成人机智能的5g电动汽车充电预测方法和*** |
| CN114261312A (zh) * | 2020-09-16 | 2022-04-01 | 蓝谷智慧(北京)能源科技有限公司 | 一种动力电池充电过程监控方法、装置及设备 |
| CN113723993A (zh) * | 2021-08-17 | 2021-11-30 | 广东新能通科技有限公司 | 一种充电桩的电子优惠券发放方法、装置和*** |
| CN116756638A (zh) * | 2023-08-17 | 2023-09-15 | 广东电网有限责任公司汕头供电局 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
| CN116756638B (zh) * | 2023-08-17 | 2023-11-14 | 广东电网有限责任公司汕头供电局 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109087127A (zh) | 一种电动汽车充电用户的行为特征分析方法及装置 | |
| Faridimehr et al. | A stochastic programming approach for electric vehicle charging network design | |
| CN109359682B (zh) | 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法 | |
| DE102013202059B4 (de) | LADEINFRASTRUKTUR FÜR ELEKTROFAHRZEUGE (EVs) MIT OPTIMALER STANDORTWAHL FÜR LADESTATIONEN | |
| CN110225081A (zh) | 充电桩信息推送***及方法 | |
| He et al. | Evaluation of city-scale built environment policies in New York City with an emerging-mobility-accessible synthetic population | |
| Abdalrahman et al. | A survey on PEV charging infrastructure: Impact assessment and planning | |
| KR20190054122A (ko) | 셔틀버스 노선의 처리 방법, 장치, 기기 및 컴퓨터 저장 매체 | |
| Hung et al. | Optimal routing for electric vehicle service systems | |
| CN109697637A (zh) | 对象类别确定方法、装置、电子设备及计算机存储介质 | |
| US20180349412A1 (en) | Non-linear systems and methods for destination selection | |
| CN103634807A (zh) | Wifi数据热点小区数据监测方法、wlan部署排序方法及装置 | |
| Eisel et al. | Finding suitable locations for charging stations | |
| CN109902848A (zh) | 班车站点规划的方法和装置 | |
| CN111311193B (zh) | 公共服务资源的配置方法和装置 | |
| Jung et al. | Effects of charging infrastructure and non-electric taxi competition on electric taxi adoption incentives in New York City | |
| Yang et al. | Fleet sizing and charging infrastructure design for electric autonomous mobility-on-demand systems with endogenous congestion and limited link space | |
| CN110427442A (zh) | 新能源车充电记录的信息查询方法以及装置 | |
| Lu et al. | Demand-responsive transport for students in rural areas: A case study in vulkaneifel, germany | |
| CN106850777A (zh) | 推送信息的方法和装置 | |
| Moradipari et al. | Pricing differentiated services in an electric vehicle public charging station network | |
| CN107493579B (zh) | 一种高校无线网建设前规划方法和装置 | |
| CN113393109B (zh) | 电动汽车充电负荷计算方法 | |
| Huang et al. | An analysis of the taxi-sharing organizing and pricing | |
| von Meier | Ev infrastructure planning and grid impact assessment: a case for Mexico |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |
|
| RJ01 | Rejection of invention patent application after publication |