CN111741261A - 车辆补能意图预测方法、装置以及车辆补能*** - Google Patents

车辆补能意图预测方法、装置以及车辆补能*** Download PDF

Info

Publication number
CN111741261A
CN111741261A CN202010553830.2A CN202010553830A CN111741261A CN 111741261 A CN111741261 A CN 111741261A CN 202010553830 A CN202010553830 A CN 202010553830A CN 111741261 A CN111741261 A CN 111741261A
Authority
CN
China
Prior art keywords
vehicle
energy
monitoring
intention
energy supplementing
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
Application number
CN202010553830.2A
Other languages
English (en)
Inventor
杨磊君
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.)
NIO Co Ltd
Original Assignee
NIO 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 NIO Co Ltd filed Critical NIO Co Ltd
Priority to CN202010553830.2A priority Critical patent/CN111741261A/zh
Publication of CN111741261A publication Critical patent/CN111741261A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Social Psychology (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及车辆补能控制技术领域，具体提供了一种车辆补能意图预测方法、装置以及车辆补能***，旨在解决如何简化车辆补能操作流程的技术问题。为此目的，本发明提供的方法是根据车辆补能区域内的特定监控对象以及发生的特定操作行为在一段时间内的变化状态来预测车辆的补能意图，进而根据预测出的补能意图控制补能设备执行补能操作，无需车辆用户打开手机APP或者小程序等充电验证入口进行身份认证，使车辆用户实现了无感补能，克服了现有技术中充电等车辆补能方式操作繁琐的缺陷。

Description

车辆补能意图预测方法、装置以及车辆补能***
技术领域
本发明涉及车辆补能技术领域，具体涉及一种车辆补能意图预测方法、装置以及车辆补能***。
背景技术
车辆用户在使用充电设备如充电桩为车辆充电时，往往需要车辆用户先提供身份信息进行验证，在验证通过后才能使用充电设备进行充电。目前常规充电过程主要是用户打开手机APP或者小程序等充电验证入口进行身份认证(有的充电场所进行验证)，认证通过后需要扫码点击开启充电，最后启动充电过程。整个充电过程步骤繁琐复杂。如何简化充电操作步骤是急需解决的技术问题。
相应地，本领域需要一种新的充电控制方案来解决上述问题。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何简化车辆补能操作流程的技术问题的车辆补能意图预测方法、装置以及车辆补能***。
第一方面，提供一种车辆补能意图预测方法，该方法包括：
获取车辆补能区域的时序监控数据；
根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为；
根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
在上述车辆补能意图预测方法的一个技术方案中，“根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图”的步骤具体包括：
对每个目标时间节点各自对应的与补能相关的监控对象进行关联性分析，筛选出存在关联关系的监控对象；
根据所述每个目标时间节点各自对应的所述存在关联关系的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
在上述车辆补能意图预测方法的一个技术方案中，“根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为”的步骤具体包括：
基于预设的对象/行为分类模型并根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象，进而根据所述与补能相关的监控对象以及相应的时间先后顺序，分析所述每个时间节点各自对应的与补能相关的对象操作行为。
其中，所述预设的对象/行为分类模型是基于预设的数据样本并利用机器学习算法构建的，所述预设的数据样本包括时序监控数据样本以及所述时序监控数据样本中每个时间节点各自对应的与补能相关的监控对象和对象操作行为。
在上述车辆补能意图预测方法的一个技术方案中，在“预测车辆补能意图”的步骤之后，所述方法还包括：
获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备执行相应的补能操作之后，接收到的操作执行反馈信息；
若所述操作执行反馈信息是成功执行信息，则根据所述时序监控数据以及所述时序监控数据内每个时间节点各自对应的与补能相关的监控对象和对象操作行为对所述预设的数据样本进行数据更新。
在上述车辆补能意图预测方法的一个技术方案中，所述方法还包括：
当所述车辆补能意图是开启补能时，获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备开补能之后，接收到的操作执行反馈信息；
若所述操作执行反馈信息是成功开启补能信息，则将所述存在关联关系的监控对象中的车辆用户监控对象设置为合法用户，随后在补能过程中若预测到的车辆补能意图是停止补能且所述存在关联关系的监控对象中的车辆用户监控对象不是所述合法用户，则输出报警信息。
在上述车辆补能意图预测方法的一个技术方案中，所述时序监控数据包括所述车辆补能区域内的视频监控数据、和/或音频监控数据、和/或补能设备与车辆的通信监控数据。
第二方面，提供一种车辆补能意图预测装置，该装置包括：
监控数据获取模块，其被配置成获取车辆补能区域的时序监控数据；
对象/行为分析模块，其被配置成根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为；
补能意图预测模块，其被配置成根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
在上述车辆补能意图预测装置的一个技术方案中，所述补能意图预测模块包括：
监控对象获取子模块，其被配置成对每个目标时间节点各自对应的与补能相关的监控对象进行关联性分析，筛选出存在关联关系的监控对象；
补能意图预测子模块，其被配置成根据所述每个目标时间节点各自对应的所述存在关联关系的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
在上述车辆补能意图预测装置的一个技术方案中，还包括：
所述对象/行为分析模块被配置成基于预设的对象/行为分类模型并根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象，进而根据所述与补能相关的监控对象以及相应的时间先后顺序，分析所述每个时间节点各自对应的与补能相关的对象操作行为；
其中，所述预设的对象/行为分类模型是基于预设的数据样本并利用机器学习算法构建的，所述预设的数据样本包括时序监控数据样本以及所述时序监控数据样本中每个时间节点各自对应的与补能相关的监控对象和对象操作行为。
在上述车辆补能意图预测装置的一个技术方案中，所述对象操作行为分析模包括数据样本更新子模块；所述数据样本更新子模块被配置成获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备执行相应的补能操作之后，接收到的操作执行反馈信息；若所述操作执行反馈信息是成功执行信息，则根据所述时序监控数据以及所述时序监控数据内每个时间节点各自对应的与补能相关的监控对象和对象操作行为对所述预设的数据样本进行数据更新。
在上述车辆补能意图预测装置的一个技术方案中，所述装置还包括：
报警模块，其被配置成当所述车辆补能意图是开启补能时，获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备开补能之后，接收到的操作执行反馈信息；
若所述操作执行反馈信息是成功开启补能信息，则将所述存在关联关系的监控对象中的车辆用户监控对象设置为合法用户，随后在补能过程中若预测到的车辆补能意图是停止补能且所述存在关联关系的监控对象中的车辆用户监控对象不是所述合法用户，则输出报警信息。
在上述车辆补能意图预测装置的一个技术方案中，所述监控数据获取模块包括：
视频数据获取子模块，其被配置成获取所述车辆补能区域内的视频监控数据；
音频数据获取子模块，其被配置成获取所述车辆补能区域内的音频监控数据；
通信数据获取子模块，其被配置成获取所述车辆补能区域内补能设备与车辆的通信监控数据。
第三方面，提供一种车辆补能***，该***包括后台服务器、设置在车辆补能区域内的补能设备以及上述车辆补能意图预测装置的技术方案中任一项所述的车辆补能意图预测装置；
所述车辆补能意图预测装置被配置成在根据所述车辆补能区域的时序监控数据预测出车辆补能意图后，将预测结果发送至后台服务器；
所述后台服务器被配置成根据所述车辆补能意图控制所述补能设备执行相应的补能操作。
在上述车辆补能***的一个技术方案中，还包括：
所述后台服务器被配置成：
当所述车辆补能意图是开启补能时，根据所述车辆补能意图预测装置发送的所述时序监控数据内每个目标时间节点各自对应的存在关联关系的监控对象，获取车辆监控对象的对象特征；
根据所述车辆监控对象的对象特征判断所述车辆监控对象是否具备补能权限；若具备补能权限，则控制所述补能设备开启补能；若不具备补能权限，则不控制所述补能设备开启补能；
当所述车辆补能意图是停止补能时，控制所述补能设备停止补能。
第三方面，提供一种存储装置，该存储装置其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述车辆补能意图预测方法的技术方案中任一项所述的车辆补能意图预测方法。
第四方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述车辆补能意图预测装置的技术方案中任一项所述的车辆补能意图预测方法。
方案1、一种车辆补能意图预测方法，其特征在于，所述方法包括：
获取车辆补能区域的时序监控数据；
根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为；
根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
方案2、根据方案1所述的车辆补能意图预测方法，其特征在于，“根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图”的步骤具体包括：
对每个目标时间节点各自对应的与补能相关的监控对象进行关联性分析，筛选出存在关联关系的监控对象；
根据所述每个目标时间节点各自对应的所述存在关联关系的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
方案3、根据方案1所述的车辆补能意图预测方法，其特征在于，“根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为”的步骤具体包括：
基于预设的对象/行为分类模型并根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象，进而根据所述与补能相关的监控对象以及相应的时间先后顺序，分析所述每个时间节点各自对应的与补能相关的对象操作行为。
其中，所述预设的对象/行为分类模型是基于预设的数据样本并利用机器学习算法构建的，所述预设的数据样本包括时序监控数据样本以及所述时序监控数据样本中每个时间节点各自对应的与补能相关的监控对象和对象操作行为。
方案4、根据方案3所述的车辆补能意图预测方法，其特征在于，在“预测车辆补能意图”的步骤之后，所述方法还包括：
获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备执行相应的补能操作之后，接收到的操作执行反馈信息；
若所述操作执行反馈信息是成功执行信息，则根据所述时序监控数据以及所述时序监控数据内每个时间节点各自对应的与补能相关的监控对象和对象操作行为对所述预设的数据样本进行数据更新。
方案5、根据方案2所述的车辆补能意图预测方法，其特征在于，所述方法还包括：
当所述车辆补能意图是开启补能时，获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备开补能之后，接收到的操作执行反馈信息；
若所述操作执行反馈信息是成功开启补能信息，则将所述存在关联关系的监控对象中的车辆用户监控对象设置为合法用户，随后在补能过程中若预测到的车辆补能意图是停止补能且所述存在关联关系的监控对象中的车辆用户监控对象不是所述合法用户，则输出报警信息。
方案6、根据方案1至5中任一项所述的车辆补能意图预测方法，其特征在于，所述时序监控数据包括所述车辆补能区域内的视频监控数据、和/或音频监控数据、和/或补能设备与车辆的通信监控数据。
方案7、一种车辆补能意图预测装置，其特征在于，所述装置包括：
监控数据获取模块，其被配置成获取车辆补能区域的时序监控数据；
对象/行为分析模块，其被配置成根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为；
补能意图预测模块，其被配置成根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
方案8、根据方案7所述的车辆补能意图预测装置，其特征在于，所述补能意图预测模块包括：
监控对象获取子模块，其被配置成对每个目标时间节点各自对应的与补能相关的监控对象进行关联性分析，筛选出存在关联关系的监控对象；
补能意图预测子模块，其被配置成根据所述每个目标时间节点各自对应的所述存在关联关系的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
方案9、根据方案7所述的车辆补能意图预测装置，其特征在于，还包括：
所述对象/行为分析模块被配置成基于预设的对象/行为分类模型并根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象，进而根据所述与补能相关的监控对象以及相应的时间先后顺序，分析所述每个时间节点各自对应的与补能相关的对象操作行为；
其中，所述预设的对象/行为分类模型是基于预设的数据样本并利用机器学习算法构建的，所述预设的数据样本包括时序监控数据样本以及所述时序监控数据样本中每个时间节点各自对应的与补能相关的监控对象和对象操作行为。
方案10、根据方案9所述的车辆补能意图预测装置，其特征在于，所述对象操作行为分析模包括数据样本更新子模块；所述数据样本更新子模块被配置成获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备执行相应的补能操作之后，接收到的操作执行反馈信息；若所述操作执行反馈信息是成功执行信息，则根据所述时序监控数据以及所述时序监控数据内每个时间节点各自对应的与补能相关的监控对象和对象操作行为对所述预设的数据样本进行数据更新。
方案11、根据方案8所述的车辆补能意图预测装置，其特征在于，所述装置还包括：
报警模块，其被配置成当所述车辆补能意图是开启补能时，获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备开补能之后，接收到的操作执行反馈信息；
若所述操作执行反馈信息是成功开启补能信息，则将所述存在关联关系的监控对象中的车辆用户监控对象设置为合法用户，随后在补能过程中若预测到的车辆补能意图是停止补能且所述存在关联关系的监控对象中的车辆用户监控对象不是所述合法用户，则输出报警信息。
方案12、根据方案7至11中任一项所述的车辆补能意图预测装置，其特征在于，所述监控数据获取模块包括：
视频数据获取子模块，其被配置成获取所述车辆补能区域内的视频监控数据；
音频数据获取子模块，其被配置成获取所述车辆补能区域内的音频监控数据；
通信数据获取子模块，其被配置成获取所述车辆补能区域内补能设备与车辆的通信监控数据。
方案13、一种车辆补能***，其特征在于，所述***包括后台服务器、设置在车辆补能区域内的补能设备以及方案7至12中任一项所述的车辆补能意图预测装置；
所述车辆补能意图预测装置被配置成在根据所述车辆补能区域的时序监控数据预测出车辆补能意图后，将预测结果发送至后台服务器；
所述后台服务器被配置成根据所述车辆补能意图控制所述补能设备执行相应的补能操作。
方案14、根据方案13所述的车辆补能***，其特征在于，还包括：
所述后台服务器被配置成：
当所述车辆补能意图是开启补能时，根据所述车辆补能意图预测装置发送的所述时序监控数据内每个目标时间节点各自对应的存在关联关系的监控对象，获取车辆监控对象的对象特征；
根据所述车辆监控对象的对象特征判断所述车辆监控对象是否具备补能权限；若具备补能权限，则控制所述补能设备开启补能；若不具备补能权限，则不控制所述补能设备开启补能；
当所述车辆补能意图是停止补能时，控制所述补能设备停止补能。
方案15、一种存储装置，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行方案1至6中任一项所述的车辆补能意图预测方法。
方案16、一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行方案1至6中任一项所述的车辆补能意图预测方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，可以根据车辆补能区域内的特定监控对象以及发生的特定操作行为在一段时间内的变化状态来预测车辆的补能意图(开启补能或停止补能)。具体而言，首先获取并分析车辆补能区域的时序监控数据，根据分析结果获取时序监控数据中每个时间节点各自对应的与补能相关的监控对象(例如：车辆、车辆用户和充电设备等)以及与补能相关的对象操作行为(例如：下车、将充电枪从充电设备上拔下等)，然后根据上述获取到的监控对象、对象操作行为以及相应的时间先后顺序来预测车辆补能意图，最后根据预测到的车辆补能意图控制补能设备执行相应的补能操作(例如：若车辆补能意图是开启补能，则控制补能设备开始对车辆补能)。通过上述步骤，本发明能够根据车辆补能区域内的监控数据快速预测出车辆的补能意图，进而根据预测出的补能意图控制补能设备执行补能操作，无需车辆用户打开手机APP或者小程序等补能验证入口进行身份认证，使车辆用户实现了无感补能，克服了现有技术中充电等车辆补能方式操作繁琐的缺陷。
附图说明
下面参照附图来描述本发明的具体实施方式，附图中：
图1是根据本发明的一个实施例的车辆补能意图预测方法的主要步骤流程示意图；
图2是根据本发明的一个实施例的车辆补能区域的时序视频监控数据的示意图；
图3是根据本发明的一个实施例的车辆补能意图预测装置的主要结构示意图；
图4是本发明的一个实施例的车辆补能***的主要结构示意图；
附图标记列表：
1：补能设备；2：车辆补能意图预测装置；21：监控数据获取模块；22：对象/行为分析模块；23：补能意图预测模块；3：后台服务器；4：车辆补能区域；5：车辆。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
这里先解释本发明涉及到的一些术语。
车辆补能指的是，为车辆补充用于驱动车辆的动力能源如电能。当动力能源是电能时，车辆补能方式包括但不限于：充电和换电。充电指的是利用充电设备直接向车载动力电池进行充电。换电指的是利用换电设备将车辆上已安装的动力电池卸载下来，以及将电池容量大于一定值的动力电池安装到车辆上，这种换电方式能够极大降低补能时间，使车辆快速完成补能。
车辆补能区域指的是，车辆进行补能的区域。例如：车辆补能区域可以是补能站内的补能位区域，该补能位区域包括车辆的停车位以及位于停车位附近的补能设备如充电桩，车辆驶入并停在停车位后可以使用补能设备进行补能。
时序监控数据指的是，按照监控数据的采集时间由先至后的顺序对监控数据进行排列，得到的监控数据的序列数据。
与补能相关的监控对象指的是，在车辆进入车辆补能区域直至离开车辆补能区域的整个过程中，与车辆补能相关的监控对象。例如：与补能相关的监控对象可以包括车辆、车辆用户和补能设备等。
与补能相关的对象操作行为指的是，在车辆进入车辆补能区域直至离开车辆补能区域的整个过程中，监控对象产生的能够影响车辆补能的所有操作行为。例如：与补能相关的对象操作行为可以包括：车辆用户下车、车辆用户将充电枪从充电设备上拔下、车辆用户将充电枪***到车辆充电口内等。
车辆补能意图指的是，车辆要实现的某种补能目的。例如：车辆补能意图可以包括开启补能和停止补能等。
常规的车辆充电方法需要车辆用户打开手机APP或者小程序等充电验证入口进行身份认证，认证通过后需要扫码点击开启充电，最后启动充电过程，整个充电过程步骤繁琐复杂。
在本发明实施例中，可以根据车辆补能区域内的特定监控对象以及发生的特定操作行为在一段时间内的变化状态来预测车辆的补能意图(开启补能或停止补能)。具体而言，首先获取并分析车辆补能区域的时序监控数据，根据分析结果获取时序监控数据中每个时间节点各自对应的与补能相关的监控对象(例如：车辆、车辆用户和充电设备等)，以及与补能相关的对象操作行为(例如：下车、将充电枪从充电设备上拔下等)，然后根据上述获取到的监控对象、对象操作行为以及相应的时间先后顺序来预测车辆补能意图，最后根据预测到的车辆补能意图控制补能设备执行相应的补能操作(例如：若车辆补能意图是开启补能，则控制补能设备开始对车辆补能)。通过上述步骤，本发明能够在车辆进入车辆补能区域后，根据车辆补能区域内的监控数据快速预测出车辆的补能意图，进而根据预测出的补能意图控制补能设备执行补能操作，无需车辆用户打开手机APP或者小程序等补能验证入口进行身份认证，使车辆用户实现了无感补能，克服了现有技术中充电等车辆补能方式操作繁琐的缺陷。
在本发明的一个应用场景中，车辆补能区域是充电站内的充电位区域，该充电位区域包括车辆的停车位以及位于停车位附近的充电桩。充电站通过设置在充电位区域附近的视频监控***获取充电位区域的视频监控数据。如果某个时序监控数据是“车辆驶入充电位区域后车辆驾驶员下车，随后驾驶员将充电枪从充电桩上拔下并***到车辆的充电口上”的视频监控数据，则在对这个时序监控数据进行分析后可以预测出车辆充电意图是开启充电，随后控制充电桩开始对车辆进行充电。
参阅附图1，图1是根据本发明的一个实施例的车辆补能意图预测方法的主要步骤流程示意图。如图1所示，本发明实施例中车辆补能意图预测方法主要包括以下步骤：
步骤S101：获取车辆补能区域的时序监控数据。
本发明是根据车辆补能区域内的特定监控对象(与补能相关的监控对象)以及发生的特定操作行为(与补能相关的对象操作行为)在一段时间内的变化状态来预测车辆的补能意图。然而由于车辆补能区域内存在的一些障碍物可能会干扰监控数据的正常采集，导致一些监控对象以及发生的对象操作行为无法被采集到的，最终影响车辆补能意图的预测准确性。对此，本发明通过采集不同的类型的监控数据，当某个时间节点一部分类型的监控数据缺失时，还可以根据其他类型的监控数据继续分析在当前时间节点车辆补能区域内的监控对象以及发生的对象操作行为，从而保证预测出的车辆补能意图具有较高的准确性。在一个实施方式中，时序监控数据包括但不限于：视频监控数据、音频监控数据，以及补能设备与车辆的通信监控数据。视频监控数据指的利用视频监控设备等采集到的视频数据，音频监控数据指的是利用语音监控设备采集到的音频数据，补能设备与车辆的通信监控数据指的是补能设备与车辆进行某种通信交互后，补能设备和/或车辆发出的交互信息，根据该交互信息能够准确得出补能设备与车辆的具体交互内容，如充电设备向车辆发出开启充电盖指令。
步骤S102：根据时序监控数据中每个时间节点各自对应的监控数据，识别每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为。
在本实施例中可以根据监控数据的类型采取相应的识别算法进行监控对象识别，然后根据识别结果筛选出与补能相关的监控对象。由于不同对象操作行为涉及到的监控对象不同，因而可以根据一段时间内与补能相关的监控对象的连续变化状态，分析在不同的时间节点正在发生的与补能相关的对象操作行为。
在本实施例中若监控数据是视频监控数据，则可以利用图像识别算法对视频监控数据进行对象识别。一个例子：如果视频监控数据的内容是“车辆驶入充电位区域后车辆驾驶员下车且充电位区域设置有灭火器”，利用图像识别算法进行对象识别后可以得到的监控对象包括“车辆、驾驶员和灭火器”，对这些监控对象进行筛选得出与充电相关的监控对象包括“车辆和驾驶员”。若监控数据是音频监控数据，则可以利用语音识别算法对音频监控数据进行对象识别。一个例子：如果音频监控数据的内容是“停止充电”，利用语音识别算法进行对象识别后得出相应的监控对象是“驾驶员”。要说明的是，上述图像识别算法和语音识别算法均是模式识别技术领域中的常规识别算法，为了描述简洁，在此不再赘述。
一个例子：利用图像识别算法进行对象识别的具体步骤可以包括：
步骤11：对视频图像进行灰度化处理。
步骤12：将灰度化处理后的图像划分为多个图像块，将每个图像块划分为多个图像单元。
步骤13：提取每个图像单元内每个像素点(x，y)的水平方向梯度Gx(x，y)、垂直方向梯度Gy(x，y)以及像素值H(x，y)，根据水平方向梯度Gx(x，y)、垂直方向梯度Gy(x，y)以及像素值H(x，y)计算得到每个像素点各自对应的梯度幅值
Figure BDA0002543519130000131
步骤14：根据梯度方向以及梯度幅值获取每个图像单元的各自对应的直方向量图。具体而言，以梯度方向为投票区域(包括0～180°分为N个方向角)，将图像单元内每个像素点各自对应的梯度幅值α(x，y)作为直方图投票权重，根据上述投票区域以及直方图投票权重对每个图像单元进行直方图投票，得到每个图像单元的各自对应的直方向量图，随后对所有的直方向量图进行标准化处理。
步骤15：将每个图像块内的所有标准化处理后的直方向量图进行拼接，得到每个图像块各自对应的特征向量并对特征向量进行降维处理。
步骤16：基于预设的图像识别器并根据视频图像中每个图像块各自对应的特征向量，分析当前视频图像中包含的监控对象的类型(例如：车辆、车辆用户和补能设备)等。其中，预设的图像识别器可以是基于大数据量的视频图像数据并利用机器学习技术领域中的图像识别算法构建的。
要说明的是，虽然本发明仅提供了上述一种利用图像识别算法进行对象识别的具体实施方式。但是本领域技术人员能够理解的是，本发明的保护范围并不限于这一实施方式，在不偏离本发明技术原理的前提下，本领域技术人员可以采用其他图像识别算法进行对象识别，这些特征的更改或替换，均落入本发明的保护范围之内。
在一个实施方式中，可以基于海量繁杂的“与补能相关的对象操作行为”的大数据信息并且利用机器学习算法构建/训练对象/行为分类模型，进而利用该对象/行为分类模型对监控数据进行对象/行为分析。具体而言，在本实施方式中可以按照以下步骤分析时序监控数据中每个时间节点各自对应的与补能相关的监控对象以及对象操作行为：
步骤21：基于预设的数据样本并利用机器学习算法如YOLO(You Only Look Once)算法对预先构建好的对象/行为分类模型进行网络训练。
预设的数据样本包括时序监控数据样本以及时序监控数据样本中每个时间节点各自对应的与补能相关的监控对象和对象操作行为。在本实施方式中的“时序监控数据样本”与前述步骤S101中的“时序监控数据”的具体含义以及包含的数据类型是类似，为了描述简洁，在此不再赘述。
步骤22：利用训练好的对象/行为分类模型并根据时序监控数据中每个时间节点各自对应的监控数据，识别每个时间节点各自对应的与补能相关的监控对象。
步骤23：在识别出每个时间节点各自对应的与补能相关的监控对象之后，继续利用对象/行为分类模型并根据与补能相关的监控对象以及相应的时间先后顺序，分析每个时间节点各自对应的与补能相关的对象操作行为。
要说明的是，上述步骤21-步骤23是一个完整的对象/行为分类模型的训练与使用过程。在一些实施方式中，如果对象/行为分类模型已经训练完成，可以在步骤S101之后忽略步骤21，转而直接执行步骤22-步骤23。
进一步，在一些实施方式中，可以获取一段时间内根据车辆补能意图控制补能设备执行补能操作之后的反馈结果，根据反馈结果对上述预设的数据样本进行样本扩充，以提高数据样本的数据量，然后基于上述数据扩充后的数据样本重新对对象/行为分类模型进行网络训练，以提高对象/行为分类模型的分类准确性。具体而言，可以获取在根据车辆补能意图控制车辆补能区域内的补能设备执行相应的补能操作之后，接收到的操作执行反馈信息。若操作执行反馈信息是成功执行信息，表明预测出的车辆补能意图与实际的车辆补能意图是一致的，则根据时序监控数据以及时序监控数据内每个时间节点各自对应的与补能相关的监控对象和对象操作行为对预设的数据样本进行数据更新。
步骤S103：根据每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
不同的补能意图对应的对象操作行为连续变化状态以及涉及到的监控对象不同，因而可以根据一段时间内与补能相关的监控对象以及对象操作行为的连续变化状态，预测这种连续变化状态所表示的补能意图。一个例子：如果车辆充电意图是开启充电，那么该充电意图对应的对象操作行为连续变化状态包括以下三个状态：
状态1：对象操作行为是车辆用户下车，涉及到的监控对象包括车辆和车辆用户。
状态2：对象操作行为是车辆用户将充电枪从充电设备上拔下，涉及到的监控对象包括车辆用户和充电设备。
状态3：对象操作行为是车辆用户将充电枪***到车辆充电口内，涉及到的监控对象包括车辆和车辆用户。
具体而言，在本实施例中可以按照以下步骤预测车辆补能意图：
步骤S1031：对每个目标时间节点各自对应的与补能相关的监控对象进行关联性分析，筛选出存在关联关系的监控对象。
存在关联关系的监控对象指的是，在根据某个时间节点的监控数据识别监控对象时，每个监控对象对应的监控数据均只是这个时间节点的一部分监控数据(例如：在一个包含车辆和车辆用户的视频画面中，车辆对应的画面仅是这个视频画面的一部分)，那么如果两个监控对象各自对应的监控数据存在交叉或重合的部分，则表示这两个监控对象存在关联关系。如果两个监控对象存在关联关系，则表明这两个监控对象同属于一个对象操作行为，也就是前述对象操作行为涉及到的监控对象。
一个例子：参阅附图2，图2示意性示出了在15:30:01至15:30:31这段时间内某个车辆补能区域的时序视频监控数据。如图2所示，在监控画面X(在15:30:01时刻的监控画面)中，车辆用户的画面以及车辆的画面存在交叉或重合的部分，因而可以确认监控画面X中车辆用户与车辆是存在关联关系的监控对象。在监控画面Y(在15:30:12时刻的监控画面)中，车辆用户手的画面以及充电桩插头的画面存在交叉或重合的部分，因此可以确认在监控画面Y中车辆用户与充电设备是存在关联关系的监控对象。在监控画面Z(在15:30:31时刻的监控画面)中，车辆用户手的画面、充电桩插头的画面以及车辆的画面这三个画面之间均存在交叉或重合的部分，因此可以确认在监控画面Z中车辆用户、充电设备和车辆是存在关联关系的监控对象。
由前述步骤S101所述可知，在本发明实施例中时序监控数据中的监控数据可以是不同类型的监控数据(包括但不限于：视频、音频以及车辆与补能设备的通信数据)，因而在本实施例中可以根据监控数据的类型采取不同的方法对监控对象进行关联性分析。具体而言，当监控数据是视频监控数据时，可以分别提取视频画面中每个监控对象各自对应的画面区域，若两个监控对象的画面区域存在交叉(如图2所示用户手的画面以及充电桩插头的画面存在交叉)，则确认这两个监控对象是存在关联关系的监控对象。当监控数据是音频监控数据时，可以对音频信息进行语义分析，如果两个监控对象对应的语义分析结果存在交互关系，则确认这两个监控对象是存在关联关系的监控对象。一个例子：车辆用户对应的语义分析结果是“请停止充电”，车辆对应的语义分析结果是“车辆已断开充电连接”，由于“请停止充电”以及“车辆已断开充电连接”存在交互关系，因而可以确认车辆用户与车辆是存在关联关系的监控对象。当监控数据是补能设备与车辆的通信监控数据时，该通信监控数据的数据发送方和数据接收方，就是存在关联关系的监控对象。一个例子：如果通信监控数据是充电设备向车辆发出的充电盖开启指令，则可以确认充电设备与车辆是存在关联关系的监控对象。
步骤S1032：根据每个目标时间节点各自对应的存在关联关系的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。参见前述描述可知，在获取到对象操作行为涉及到的监控对象(存在关联关系的监控对象)之后，就可以根据一段时间内与补能相关的监控对象以及对象操作行为的连续变化状态，预测这种连续变化状态所表示的补能意图。
一个例子：在T1-T3时间内与充电相关的监控对象以及对象操作行为的连续变化状态如下表1所示，根据这种连续变化状态可以预测出车辆充电意图是开始充电。
表1
时间节点 存在关联关系的监控对象 监控数据类型 对象操作行为
T1 (车辆用户，车辆) 视频 下车
T2 (车辆用户，充电设备) 视频 拔枪
T3 (车辆，充电设备) 通信 充电盖开启
表1中：视频表示视频监控数据，通信表示车辆与充电设备之间的通信监控数据，下车表示车辆用户下车，拔枪表示车辆用户将充电枪从充电设备上拔下，充电盖开启表示车辆的充电盖开启。
通过上述步骤S101-步骤S103，本发明能够在车辆进入车辆补能区域后，根据车辆补能区域内的监控数据快速预测出车辆的补能意图，进而根据预测出的补能意图控制补能设备执行补能操作，无需车辆用户打开手机APP或者小程序等补能验证入口进行身份认证，使车辆用户实现了无感补能，克服了现有技术中充电等车辆补能方式操作繁琐的缺陷。进一步，本发明还可以在根据时序监控数据识别出车辆用户后对其进行合法性标识，进而在车辆补能过程中判断当前识别出的“车辆用户”是否为上述合法的车辆用户，如果不是合法的车辆用户，则输出报警信息，提醒车辆用户进行检查，防止发生陌生人将补能枪从车上拔下导致车辆被盗或者儿童将补能枪从车上拔下导致儿童发生危险等等。具体而言，在本实施例中可以按照以下步骤进行报警信息输出：在预测出车辆补能意图是开启补能后，获取在根据车辆补能意图控制车辆补能区域内的补能设备开启补能之后，接收到的操作执行反馈信息。如果操作执行反馈信息是成功开启补能信息，表明预测的车辆补能意图与实际的车辆补能意图是一致的，则将存在关联关系的监控对象中的车辆用户监控对象设置为合法用户，随后在补能过程中若预测到的车辆补能意图是停止补能(例如：根据拔枪等行为预测出的停止充电)且存在关联关系的监控对象中的车辆用户监控对象不是上述合法用户(例如：陌生人或上述合法用户的孩子)，则输出报警信息。通过上述描述可知，本发明不仅无需用户打开手机APP或者小程序等补能验证入口进行身份认证，使车辆用户实现了无感补能，还能够在补能过程中防止陌生人盗取车辆，提高了补能安全性。
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
进一步，本发明还提供了一种车辆补能意图预测装置。参阅附图3，图3是根据本发明的一个实施例的车辆补能意图预测装置的主要结构示意图。如图3所示，本发明实施例中车辆补能意图预测装置主要包括监控数据获取模块21、对象/行为分析模块22和补能意图预测模块23。在一些实施例中，监控数据获取模块21、对象/行为分析模块22和补能意图预测模块23中的一个或多个可以合并在一起成为一个模块。在一些实施例中，监控数据获取模块21可以被配置成获取车辆补能区域的时序监控数据。对象/行为分析模块22可以被配置成根据时序监控数据中每个时间节点各自对应的监控数据，识别每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为。补能意图预测模块23可以被配置成根据每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。在一个实施方式中，具体实现功能的描述可以参见步骤S101-步骤S103所述。
在一个实施方式中，补能意图预测模块23包括监控对象获取子模块和补能意图预测子模块。在本实施方式中，监控对象获取子模块可以被配置成对每个目标时间节点各自对应的与补能相关的监控对象进行关联性分析，筛选出存在关联关系的监控对象。补能意图预测子模块可以被配置成根据每个目标时间节点各自对应的存在关联关系的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。在一个实施方式中，具体实现功能的描述可以参见步骤S103所述。
在一个实施方式中，对象/行为分析模块22可以被配置成基于预设的对象/行为分类模型并根据时序监控数据中每个时间节点各自对应的监控数据，识别每个时间节点各自对应的与补能相关的监控对象，进而根据与补能相关的监控对象以及相应的时间先后顺序，分析每个时间节点各自对应的与补能相关的对象操作行为。其中，预设的对象/行为分类模型是基于预设的数据样本并利用机器学习算法构建的，预设的数据样本包括时序监控数据样本以及时序监控数据样本中每个时间节点各自对应的与补能相关的监控对象和对象操作行为。在一个实施方式中，具体实现功能的描述可以参见步骤S102所述。
在一个实施方式中，对象操作行为分析模可以包括数据样本更新子模块。在本实施方式中，数据样本更新子模块可以被配置成获取在根据车辆补能意图控制车辆补能区域内的补能设备执行相应的补能操作之后，接收到的操作执行反馈信息；若操作执行反馈信息是成功执行信息，则根据时序监控数据以及时序监控数据内每个时间节点各自对应的与补能相关的监控对象和对象操作行为对预设的数据样本进行数据更新。在一个实施方式中，具体实现功能的描述可以参见步骤S102所述。
在一个实施方式中，车辆补能意图预测装置可以包括报警模块。在本实施方式中，报警模块可以被配置成当车辆补能意图是开启补能时，获取在根据车辆补能意图控制车辆补能区域内的补能设备开补能之后，接收到的操作执行反馈信息；若操作执行反馈信息是成功开启补能信息，则将存在关联关系的监控对象中的车辆用户监控对象设置为合法用户，随后在补能过程中若预测到的车辆补能意图是停止补能且存在关联关系的监控对象中的车辆用户监控对象不是合法用户，则输出报警信息。在一个实施方式中，具体实现功能的描述可以参见步骤S103所述。
在一个实施方式中，监控数据获取模块21可以包括视频数据获取子模块、音频数据获取子模块和通信数据获取子模块。具体而言，视频数据获取子模块可以被配置成获取车辆补能区域内的视频监控数据。音频数据获取子模块可以被配置成获取车辆补能区域内的音频监控数据。通信数据获取子模块可以被配置成获取车辆补能区域内补能设备与车辆的通信监控数据。在一个实施方式中，具体实现功能的描述可以参见步骤S101所述。
上述车辆补能意图预测装置以用于执行图1所示的车辆补能意图预测方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，车辆补能意图预测装置的具体工作过程及有关说明，可以参考车辆补能意图预测方法的实施例所描述的内容，此处不再赘述。
进一步，本发明还提供了一种车辆补能***。参阅附图4，图4是根据本发明一个实施例的车辆补能***的主要结构示意图。如图4所示，在本实施例中车辆补能***包括后台服务器3、设置在车辆补能区域4内的补能设备1以及上述车辆补能意图预测装置2实施例所述的车辆补能意图预测装置，车辆5可以在车辆补能区域4内停车并补能。车辆补能意图预测装置可以被配置成在根据车辆补能区域4的时序监控数据预测出车辆补能意图后，将预测结果发送至后台服务器3。后台服务器3可以被配置成根据车辆补能意图控制补能设备1执行相应的补能操作。在本实施例中后台服务器3是能够实时进行大数据量处理的服务器，后台服务器3能够存储大量补能设备以及车辆的信息，即使接收到大量的车辆补能意图，也能够快速以及准确地控制相应的补能设备1执行补能操作。
在一个实施方式中，后台服务器3在接收到车辆补能意图且车辆补能意图是开启补能时，会判断相应的车辆是否具备补能权限，如果具备补能权限则控制补能设备1开启补能，如果不具备补能权限则不开启补能。具体而言，当车辆补能意图是开启补能时，根据车辆补能意图预测装置2发送的时序监控数据内每个目标时间节点各自对应的存在关联关系的监控对象，获取车辆监控对象的对象特征。根据车辆监控对象的对象特征判断车辆监控对象是否具备补能权限；若具备补能权限，则控制补能设备1开启补能；若不具备补能权限，则不控制补能设备1开启补能。对象特征指的是能够唯一表明车辆5身份的信息，在本实施例中对象特征是车辆的车牌号，如果监控数据是视频监控数据，则可以利用OCR文字识别等图像识别算法对车辆进行车牌号识别。后台服务器3在接收到车辆补能意图且车辆补能意图是停止补能时，控制补能设备1停止补能。
进一步，一个实施方式中后台服务器3被配置成按照以下步骤判断车辆监控对象是否具备补能权限：
步骤31：根据车辆监控对象的对象特征判断是否存在与该对象特征预先关联的账户信息；若存在账户信息，则转至步骤32；若不存在账户信息，则转至步骤33。
步骤32：根据账户信息判断是否存在预先与该账户信息绑定的补能权限，如果该账户信息绑定有补能权限，则确认当前车辆监控对象具备补能权限。
步骤33：根据当前车辆监控对象的对象特征创建一个新的账户信息并且根据对象特征判断当前车辆监控对象是否为特定对象，若是特定对象，则为该账户信息绑定补能权限，随后转至步骤31；若不是特定对象，则根据对象特征判断是否存在与当前车辆监控对象预先关联的补能付款账户，如果存在补能付款账户，则为账户信息绑定补能权限，随后转至步骤31；如果不存在补能付款账户，则确认当前车辆监控对象不具备补能权限。特定对象可以是在后台服务器中预先设置好的，无论是否具备补能付款账户都可以被赋予补能权限的对象。一个实施方式中，补能付款账户可以是无需车辆用户输入支付密码的账户，从而使用户在整个补能过程中都无需输入任何信息，实现真正的无感补能。
进一步，本发明还提供了一种存储装置。在该存储装置实施例中存储装置可以被配置成存储执行上述方法实施例的车辆补能意图预测方法的程序，该程序可以由处理器加载并运行以实现上述车辆补能意图预测方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该存储装置可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中存储是非暂时性的计算机可读存储介质。
进一步，本发明还提供了一种控制装置。在该控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的车辆补能意图预测方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的车辆补能意图预测方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备，可选的，本发明实施例中控制装置是服务器。
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的***的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是，可以对***中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此，已经结合附图所示的一个实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种车辆补能意图预测方法，其特征在于，所述方法包括：
获取车辆补能区域的时序监控数据；
根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为；
根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
2.根据权利要求1所述的车辆补能意图预测方法，其特征在于，“根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图”的步骤具体包括：
对每个目标时间节点各自对应的与补能相关的监控对象进行关联性分析，筛选出存在关联关系的监控对象；
根据所述每个目标时间节点各自对应的所述存在关联关系的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
3.根据权利要求1所述的车辆补能意图预测方法，其特征在于，“根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为”的步骤具体包括：
基于预设的对象/行为分类模型并根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象，进而根据所述与补能相关的监控对象以及相应的时间先后顺序，分析所述每个时间节点各自对应的与补能相关的对象操作行为。
其中，所述预设的对象/行为分类模型是基于预设的数据样本并利用机器学习算法构建的，所述预设的数据样本包括时序监控数据样本以及所述时序监控数据样本中每个时间节点各自对应的与补能相关的监控对象和对象操作行为。
4.根据权利要求3所述的车辆补能意图预测方法，其特征在于，在“预测车辆补能意图”的步骤之后，所述方法还包括：
获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备执行相应的补能操作之后，接收到的操作执行反馈信息；
若所述操作执行反馈信息是成功执行信息，则根据所述时序监控数据以及所述时序监控数据内每个时间节点各自对应的与补能相关的监控对象和对象操作行为对所述预设的数据样本进行数据更新。
5.根据权利要求2所述的车辆补能意图预测方法，其特征在于，所述方法还包括：
当所述车辆补能意图是开启补能时，获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备开补能之后，接收到的操作执行反馈信息；
若所述操作执行反馈信息是成功开启补能信息，则将所述存在关联关系的监控对象中的车辆用户监控对象设置为合法用户，随后在补能过程中若预测到的车辆补能意图是停止补能且所述存在关联关系的监控对象中的车辆用户监控对象不是所述合法用户，则输出报警信息。
6.根据权利要求1至5中任一项所述的车辆补能意图预测方法，其特征在于，所述时序监控数据包括所述车辆补能区域内的视频监控数据、和/或音频监控数据、和/或补能设备与车辆的通信监控数据。
7.一种车辆补能意图预测装置，其特征在于，所述装置包括：
监控数据获取模块，其被配置成获取车辆补能区域的时序监控数据；
对象/行为分析模块，其被配置成根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象以及与补能相关的对象操作行为；
补能意图预测模块，其被配置成根据所述每个目标时间节点各自对应的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
8.根据权利要求7所述的车辆补能意图预测装置，其特征在于，所述补能意图预测模块包括：
监控对象获取子模块，其被配置成对每个目标时间节点各自对应的与补能相关的监控对象进行关联性分析，筛选出存在关联关系的监控对象；
补能意图预测子模块，其被配置成根据所述每个目标时间节点各自对应的所述存在关联关系的监控对象、对象操作行为以及相应的时间先后顺序，预测车辆补能意图。
9.根据权利要求7所述的车辆补能意图预测装置，其特征在于，还包括：
所述对象/行为分析模块被配置成基于预设的对象/行为分类模型并根据所述时序监控数据中每个时间节点各自对应的监控数据，识别所述每个时间节点各自对应的与补能相关的监控对象，进而根据所述与补能相关的监控对象以及相应的时间先后顺序，分析所述每个时间节点各自对应的与补能相关的对象操作行为；
其中，所述预设的对象/行为分类模型是基于预设的数据样本并利用机器学习算法构建的，所述预设的数据样本包括时序监控数据样本以及所述时序监控数据样本中每个时间节点各自对应的与补能相关的监控对象和对象操作行为。
10.根据权利要求9所述的车辆补能意图预测装置，其特征在于，所述对象操作行为分析模包括数据样本更新子模块；所述数据样本更新子模块被配置成获取在根据所述车辆补能意图控制所述车辆补能区域内的补能设备执行相应的补能操作之后，接收到的操作执行反馈信息；若所述操作执行反馈信息是成功执行信息，则根据所述时序监控数据以及所述时序监控数据内每个时间节点各自对应的与补能相关的监控对象和对象操作行为对所述预设的数据样本进行数据更新。
CN202010553830.2A 2020-06-17 2020-06-17 车辆补能意图预测方法、装置以及车辆补能*** Pending CN111741261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010553830.2A CN111741261A (zh) 2020-06-17 2020-06-17 车辆补能意图预测方法、装置以及车辆补能***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010553830.2A CN111741261A (zh) 2020-06-17 2020-06-17 车辆补能意图预测方法、装置以及车辆补能***

Publications (1)

Publication Number Publication Date
CN111741261A true CN111741261A (zh) 2020-10-02

Family

ID=72649540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010553830.2A Pending CN111741261A (zh) 2020-06-17 2020-06-17 车辆补能意图预测方法、装置以及车辆补能***

Country Status (1)

Country Link
CN (1) CN111741261A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312793A (zh) * 2021-12-31 2022-04-12 上汽大众汽车有限公司 一种轨迹模式的匹配方法、匹配***及计算机可读存储介质
WO2023241388A1 (zh) * 2022-06-14 2023-12-21 中国第一汽车股份有限公司 模型训练方法及装置、补能意图识别方法及装置、设备、介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180157265A1 (en) * 2015-11-04 2018-06-07 Zoox, Inc. Internal safety systems for robotic vehicles
CN109066652A (zh) * 2018-08-07 2018-12-21 宁波智果科技咨询服务有限公司 一种多重监控的充电站***
CN109484237A (zh) * 2018-12-13 2019-03-19 睿驰达新能源汽车科技（北京）有限公司 一种充电方法、***及相关设备
CN109688565A (zh) * 2018-12-11 2019-04-26 广州小鹏汽车科技有限公司 车辆控制方法、装置、服务器及车辆控制***
CN111222867A (zh) * 2019-11-18 2020-06-02 贵安新区配售电有限公司 基于视频识别车牌的电动汽车充电方法及无感支付***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180157265A1 (en) * 2015-11-04 2018-06-07 Zoox, Inc. Internal safety systems for robotic vehicles
CN109066652A (zh) * 2018-08-07 2018-12-21 宁波智果科技咨询服务有限公司 一种多重监控的充电站***
CN109688565A (zh) * 2018-12-11 2019-04-26 广州小鹏汽车科技有限公司 车辆控制方法、装置、服务器及车辆控制***
CN109484237A (zh) * 2018-12-13 2019-03-19 睿驰达新能源汽车科技（北京）有限公司 一种充电方法、***及相关设备
CN111222867A (zh) * 2019-11-18 2020-06-02 贵安新区配售电有限公司 基于视频识别车牌的电动汽车充电方法及无感支付***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田翔 等: "电动汽车传导充电安全性影响因素分析", 中国汽车, no. 12, 15 December 2019 (2019-12-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312793A (zh) * 2021-12-31 2022-04-12 上汽大众汽车有限公司 一种轨迹模式的匹配方法、匹配***及计算机可读存储介质
CN114312793B (zh) * 2021-12-31 2023-07-21 上汽大众汽车有限公司 一种轨迹模式的匹配方法、匹配***及计算机可读存储介质
WO2023241388A1 (zh) * 2022-06-14 2023-12-21 中国第一汽车股份有限公司 模型训练方法及装置、补能意图识别方法及装置、设备、介质

Similar Documents

Publication Publication Date Title
CN106504353B (zh) 车辆收费方法和装置
CN107886582B (zh) 无人值守云停车的无牌车管理装置及控制方法
CN107333292B (zh) 一种sim卡状态判断方法及装置
CN109035041A (zh) 电子装置、车险智能理赔方法及存储介质
CN110046547A (zh) 违章举报方法、***、计算机设备及存储介质
KR102126584B1 (ko) 충전 장치, 충전 장치의 제어 방법 및 충전소 관제 서버
CN111741261A (zh) 车辆补能意图预测方法、装置以及车辆补能***
CN106503666A (zh) 一种安全监控方法、装置及电子设备
CN112819976A (zh) 停车场控制方法和装置
CN112184241B (zh) 一种身份认证的方法及装置
CN110188591A (zh) ***辆的识别方法、装置、计算机设备和存储介质
CN111241873A (zh) 图像翻拍检测方法及其模型的训练方法、支付方法及装置
CN211669680U (zh) 基于etc的停车场收费***
CN110414375A (zh) 低空目标的识别方法、装置、存储介质及电子设备
CN112937353A (zh) 实现即插即充的充电控制方法和***
CN114373189A (zh) 一种行为检测方法、装置、终端设备及存储介质
CN107730966A (zh) 停车场管理***及其实现方法
CN113269307A (zh) 神经网络训练方法以及目标重识别方法
CN110853364B (zh) 数据监控方法和装置
CN109388368B (zh) 人机交互方法、装置、无人车及其存储介质
CN114550492B (zh) 一种车辆信息的处理方法、装置、电子设备及存储介质
US20240163402A1 (en) System, apparatus, and method of surveillance
CN109242005A (zh) 车辆信息的识别方法及装置、存储介质和电子设备
CN115169588A (zh) 电像计算时空轨迹车码关联方法、装置、设备及存储介质
CN108399655A (zh) 用于实施电子付款来支付停车费的方法和设备

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