CN112101738A - 任务信息生成方法、装置、电子设备和可读存储介质 - Google Patents
任务信息生成方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112101738A CN112101738A CN202010844881.0A CN202010844881A CN112101738A CN 112101738 A CN112101738 A CN 112101738A CN 202010844881 A CN202010844881 A CN 202010844881A CN 112101738 A CN112101738 A CN 112101738A
- Authority
- CN
- China
- Prior art keywords
- information
- historical
- time
- characteristic information
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims description 24
- 230000006403 short-term memory Effects 0.000 claims description 17
- 230000007787 long-term memory Effects 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 7
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例提供了一种任务信息生成方法、装置、电子设备和可读存储介质，涉及计算机技术领域，在本发明实施例中，电子设备可以基于目标电车的属性特征信息，以及多个电车的历史特征信息确定预测需求电量，其中，历史特征信息和属性特征信息均包括硬件信息和时空信息，硬件信息可以作为每一辆电车耗电量预测值的内在影响因素，时空信息可以作为每一辆电车耗电量预测值的外在影响因素，因此，当电子设备结合内在影响因素和外在影响因素进行电量预测时，可以准确确定目标电车的预测需求电量，进而电子设备可以基于准确的预测需求电量判断是否生成任务信息，进而提高工作人员的工作效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种任务信息生成方法、装置、电子设备和可读存储介质。
背景技术
目前，越来越多的人选择共享电车作为出行方式，因此，越来越多的共享电车被配置到城市的各个区域，同时，由于共享电车以电能作为动力源，以电池储存电能，所以当共享电车的电池电量过低时，共享电车需要进行充电或者更换电池。
为了统一管理大量的共享电车，现有技术中设置了一个电量阈值，每当出现电池电量低于该电量阈值的共享电车时，电子设备会生成充电订单或者换电工单，工作人员在接单后，可以在夜间对共享电车进行充电或者更换电池。
然而，由于各种客观因素(例如共享电车的车型、电池的寿命等)，会使得每辆共享电车的耗电速度不同，进而在工作人员对共享电车进行充电或者更换电池时，会存在电量剩余充足的共享电车，也会存在断电很久的共享电车，使得充电或者更换电池的工作效率降低。
发明内容
有鉴于此，本发明实施例提供一种任务信息生成方法、装置、电子设备和可读存储介质，以提高确定预测需求电量的准确率，进而提高工作人员的工作效率。
第一方面，提供了一种任务信息生成方法，所述方法应用于电子设备，所述方法包括：
获取目标电车的属性特征信息，所述属性特征信息包括所述目标电车的当前时空信息和硬件信息；
根据所述属性特征信息，确定第一预设时间段的历史特征信息，所述历史特征信息包括多个电车的历史时空信息和硬件信息；
基于所述历史特征信息和所述属性特征信息，确定所述目标电车的预测需求电量，所述预测需求电量用于表征所述目标电车未来预设时长内耗电量的预测值；以及
响应于所述目标电车的当前可用电量小于或等于所述预测需求电量，生成任务信息，所述任务信息用于指示对所述目标电车进行充电或更换电池。
可选的，所述当前时空信息包括当前时间信息和/或当前空间信息，所述当前时间信息用于表征与当前时间相关的信息，所述当前空间信息用于表征与当前空间相关的信息；
所述根据所述属性特征信息，确定第一预设时间段的历史特征信息，包括：
基于所述当前时空信息，确定第一预设时间段的历史特征信息。
可选的，所述当前时间信息包括第一时间，所述第一预设时间段包括多个时间周期；
所述基于所述当前时空信息，确定第一预设时间段的历史特征信息，包括：
根据所述第一时间，确定各时间周期中与所述第一时间对应的第二时间；以及
根据所述第二时间，从数据库中获取从所述第二时间出发的多个电车的历史特征信息。
可选的，所述当前空间信息包括停车位置；
所述基于所述当前时空信息，确定第一预设时间段的历史特征信息，包括：
根据所述停车位置，从数据库中获取在所述第一时间段以及所述停车位置出发的多个电车的历史特征信息。
可选的，所述基于所述当前时空信息，确定第一预设时间段的历史特征信息，包括：
根据所述当前时空信息，从数据库中获取从所述第二时间以及所述停车位置出发的多个电车的历史特征信息。
可选的，所述基于所述历史特征信息和所述属性特征信息，确定所述目标电车的预测需求电量，包括：
对所述属性特征信息进行预处理，确定待输入数据，所述预处理至少包括信息筛选和向量化处理；以及
将所述待输入数据和所述历史特征信息输入预先训练的耗电量预测模型，确定所述预先训练的耗电量预测模型输出的预测需求电量。
可选的，
所述硬件信息包括：车况信息和电池信息，所述车况信息包括车型信息、车辆健康度信息、使用时长和保修次数，所述电池信息包括电池型号、电池健康度信息、电池充电次数和电池使用时长；
所述历史时空信息包括：历史时间信息和历史空间信息，所述历史时间信息用于表征与历史时间相关的历史信息，所述历史空间信息用于表征与多个停车点相关的历史信息。
可选的，所述方法还包括：
获取训练集，所述训练集至少包括第二预设时间段的历史特征信息和预设时刻的属性特征信息；
将所述第二预设时间段的历史特征信息，以及所述预设时刻的属性特征信息作为训练样本输入耗电量预测模型，确定所述耗电量预测模型的输出；以及
基于所述训练样本的标注和所述耗电量预测模型的输出，对所述耗电量预测模型的模型参数进行更新。
可选的，所述耗电量预测模型包括：嵌入层、长短期记忆网络和稠密层，所述嵌入层用于特征提取，所述长短期记忆网络用于根据嵌入层提取的特征进行计算，所述稠密层用于根据所述长短期记忆网络的计算结果输出电量预测值。
第二方面，提供了一种任务信息生成装置，所述装置应用于电子设备，所述装置包括：
第一获取模块，用于获取目标电车的属性特征信息，所述属性特征信息包括所述目标电车的当前时空信息和硬件信息；
第一确定模块，用于根据所述属性特征信息，确定第一预设时间段的历史特征信息，所述历史特征信息包括多个电车的历史时空信息和硬件信息；
第二确定模块，用于基于所述历史特征信息和所述属性特征信息，确定所述目标电车的预测需求电量，所述预测需求电量用于表征所述目标电车未来预设时长内耗电量的预测值；以及
生成模块，用于响应于所述目标电车的当前可用电量小于或等于所述预测需求电量，生成任务信息，所述任务信息用于指示对所述目标电车进行充电或更换电池。
可选的，所述当前时空信息包括当前时间信息和/或当前空间信息，所述当前时间信息用于表征与当前时间相关的信息，所述当前空间信息用于表征与当前空间相关的信息；
所述第一确定模块，具体用于：
基于所述当前时空信息，确定第一预设时间段的历史特征信息。
可选的，所述当前时间信息包括第一时间，所述第一预设时间段包括多个时间周期；
所述第一确定模块，具体还用于：
根据所述第一时间，确定各时间周期中与所述第一时间对应的第二时间；以及
根据所述第二时间，从数据库中获取从所述第二时间出发的多个电车的历史特征信息。
可选的，所述当前空间信息包括停车位置；
所述第一确定模块，具体还用于：
根据所述停车位置，从数据库中获取在所述第一时间段以及所述停车位置出发的多个电车的历史特征信息。
可选的，所述第一确定模块，具体还用于：
根据所述当前时空信息，从数据库中获取从所述第二时间以及所述停车位置出发的多个电车的历史特征信息。
可选的，所述第二确定模块，具体用于：
对所述属性特征信息进行预处理，确定待输入数据，所述预处理至少包括信息筛选和向量化处理；以及
将所述待输入数据和所述历史特征信息输入预先训练的耗电量预测模型，确定所述预先训练的耗电量预测模型输出的预测需求电量。
可选的，
所述硬件信息包括：车况信息和电池信息，所述车况信息包括车型信息、车辆健康度信息、使用时长和保修次数，所述电池信息包括电池型号、电池健康度信息、电池充电次数和电池使用时长；
所述历史时空信息包括：历史时间信息和历史空间信息，所述历史时间信息用于表征与历史时间相关的历史信息，所述历史空间信息用于表征与多个停车点相关的历史信息。
可选的，所述装置还包括：
第二获取模块，用于获取训练集，所述训练集至少包括第二预设时间段的历史特征信息和预设时刻的属性特征信息；
第三确定模块，用于将所述第二预设时间段的历史特征信息，以及所述预设时刻的属性特征信息作为训练样本输入耗电量预测模型，确定所述耗电量预测模型的输出；以及
更新模块，用于基于所述训练样本的标注和所述耗电量预测模型的输出，对所述耗电量预测模型的模型参数进行更新。
可选的，所述耗电量预测模型包括：嵌入层、长短期记忆网络和稠密层，所述嵌入层用于特征提取，所述长短期记忆网络用于根据嵌入层提取的特征进行计算，所述稠密层用于根据所述长短期记忆网络的计算结果输出电量预测值。
第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
通过本发明实施例，硬件信息可以作为每一辆电车耗电量预测值的内在影响因素，时空信息可以作为每一辆电车耗电量预测值的外在影响因素，由于历史特征信息和属性特征信息均包括硬件信息和时空信息，因此，当电子设备结合内在影响因素和外在影响因素进行电量预测时，可以准确确定目标电车的预测需求电量，进而电子设备可以基于准确的预测需求电量判断是否生成任务信息，进而提高工作人员的工作效率。
附图说明
通过以下参照附图对本发明实施例的描述，本发明实施例的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1为本发明实施例提供的一种任务信息生成***的示意图；
图2为本发明实施例提供的一种任务信息生成方法的流程图；
图3为本发明实施例提供的一种耗电量预测模型的示意图；
图4为本发明实施例提供的另一种任务信息生成方法的流程图；
图5为本发明实施例提供的另一种任务信息生成方法的流程图；
图6为本发明实施例提供的一种任务信息生成装置的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
如图1所示，图1为本发明实施例提供的一种任务信息生成方法的示意图，该示意图中包括：目标电车11、服务端12、数据库13和电子设备14。
其中，目标电车11可以是共享电单车、共享电车等车辆，图1中所示的目标电车11仅为举例说明，本发明实施例对目标电车11的种类不做限定。
服务端12可以作为运营平台，其可以通过网络与目标电车11进行通信，进而获取目标电车11的属性特征信息，属性特征信息用于表征目标电车11的时空、硬件等信息。
数据库13可以是存储数据的服务器，其可以通过网络与电子设备14进行通信，另外，数据库13可以存储历史特征信息，历史特征信息可以包括多个电车历史的时空、硬件等信息。
电子设备14可以是终端或者服务器，其中，终端可以是智能手机、平板电脑或者个人计算机(Personal Computer，PC)等，服务器可以是单个服务器、也可以是以分布式方式配置的服务器集群。
具体的，电子设备14在进行任务信息生成时，可以获取目标电车11的属性特征信息，然后根据该属性特征信息，从数据库13中获取第一预设时间段的历史特征信息，然后基于历史特征信息和属性特征信息，确定目标电车的预测需求电量，进而根据预测需求电量判断是否需要生成任务信息。
需要说明的，图1所示的***仅为本发明实施例提供的举例说明，在实际应用中，服务端12、数据库13和电子设备14对应的功能可以由单个服务器或者服务器集群实现。
下面将结合具体实施方式，对本发明实施例提供的一种任务信息生成方法进行详细的说明，如图2所示，具体步骤如下：
在步骤100，获取目标电车的属性特征信息。
其中，属性特征信息包括目标电车的当前时空信息和硬件信息。
在步骤200，根据属性特征信息，确定第一预设时间段的历史特征信息。
其中，历史特征信息包括多个电车的历史时空信息和硬件信息。
在步骤300，基于历史特征信息和属性特征信息，确定目标电车的预测需求电量。
其中，预测需求电量用于表征目标电车未来预设时长内耗电量的预测值。
在步骤400，响应于目标电车的当前可用电量小于或等于预测需求电量，生成任务信息。
其中，任务信息用于指示对目标电车进行充电或更换电池。
通过本发明实施例，硬件信息可以作为每一辆电车耗电量预测值的内在影响因素，时空信息可以作为每一辆电车耗电量预测值的外在影响因素，由于历史特征信息和属性特征信息均包括硬件信息和时空信息，因此，当电子设备结合内在影响因素和外在影响因素进行电量预测时，可以准确确定目标电车的预测需求电量，进而电子设备可以基于准确的预测需求电量判断是否生成任务信息，进而提高工作人员的工作效率。
进一步的，硬件信息包括：车况信息和电池信息，利用车况相关的信息和电池相关的信息，可以作为预测目标电车未来预设时长内耗电量的一个侧面。
其中，车况信息可以包括车型信息、车辆健康度信息、使用时长和保修次数等和电车本身属性以及使用情况相关的信息。
其中，车型信息可以用于确定电车的标准耗电速度，车辆健康度信息、使用时长和保修次数等信息可以作为电车的个体属性，间接预测电车的耗电情况。
电池信息可以包括电池型号、电池健康度信息、电池充电次数和电池使用时长等和电池本身属性以及使用情况相关的信息。
其中，电池信号可以用于识别电池的种类、使用寿命等信息，电池健康度信息、电池充电次数和电池使用时长等信息可以用于间接判断电池可以继续使用的时长。
历史时空信息包括：历史时间信息和历史空间信息。
其中，历史时间信息用于表征与历史时间相关的历史信息，历史空间信息用于表征与多个停车点相关的历史信息。
例如，历史时间信息可以表征多个电车中，每个电车每个时间周期(时间周期的单位可以为天或者小时等)的耗电情况，以及每个时间周期对应的天气情况。
历史空间信息可以表征多个电车中，每个电车每次行程的出发位置和耗电量，以及各个地区(该地区可以是一个城市的多个分区)的天气情况。
在一个可选的应用场景中，共享电单车A为目标电车，电子设备可以获取共享电单车A的属性特征信息，以及多个共享电单车最近30天的历史特征信息。
其中，该多个共享电单车可以全部与共享电单车A为同一车型，也可以部分与共享电单车A为同一车型，本发明实施例不做限定。
进而，电子设备可以基于共享电单车A的属性特征信息，以及多个共享电单车最近30天的历史特征信息，预测共享电单车A未来24小时的预测需求电量。
若共享电单车A的当前可用电量小于预测需求电量，则电子设备可以生成任务信息。
需要说明的，在实际应用中，每辆共享电单车会保留一部分备用电量并设置一个缺电阈值(一般情况下，缺电阈值与备用电量的数值相同)，当共享电单车的剩余电量小于缺电阈值时，该共享电单车将不能被开启。
在实际应用中，可以通过电量计(coulomb counter)确定电车电池中的剩余电量，其原理是根据法拉第定律，用电极上发生反应的物质的量可以精确计算出通过电路的电量。
本发明实施例中当前可用电量＝剩余电量-备用电量，若共享电单车A的当前可用电量小于等于预测需求电量，则表征共享电单车A在未来24小时内可能会用尽当前可用电量，进而共享电单车A需要充电或者更换电池。
可选的，当前时空信息可以包括当前时间信息和/或当前空间信息。利用时间相关的信息和空间相关的信息，可以作为预测目标电车未来预设时长内耗电量的另一个侧面。其中，当前时间信息用于表征与当前时间相关的信息，当前空间信息用于表征与当前空间相关的信息。
进而，步骤200可以为：基于当前时空信息，确定第一预设时间段的历史特征信息。
在一种实施方式中，当前时间信息包括第一时间(例如，当前时刻)，第一预设时间段包括多个时间周期。
进而，电子设备可以根据第一时间，确定各时间周期中与第一时间对应的第二时间；以及根据第二时间，从数据库中获取从第二时间出发的多个电车的历史特征信息。
例如，在一个应用场景中，目标电车为共享电单车B，第一时间为19:00，第一预设时间段为30天，时间周期为1天。
当电子设备获取共享电单车B的属性特征信息后，可以根据第一时间(19:00)，确定最近30天中每一天的19:00(第二时间)，进而从数据库获取每天19:00出发的共享电单车的历史特征信息。
通过本发明实施例，由于时间是影响目标电车预测需求电量的外在因素之一(时间维度的外在因素)，例如，早晚高峰时段是用车高峰时段，在此时段中目标电车的电量会迅速减少，而夜间时段的用车频率很低，在此时段中目标电车的电量损耗速度会很慢。
因此，当电子设备基于从第二时间出发的多个电车的历史特征信息进行预测时，可以从时间维度上更准确的预测目标电车的预测需求电量。
在一种实施例中，当前空间信息包括停车位置。
进而，电子设备可以根据停车位置，从数据库中获取在第一时间段以及停车位置出发的多个电车的历史特征信息。
例如，在一个应用场景中，目标电车为共享电单车B，停车位置为地铁站出口a，第一预设时间段为30天。
当电子设备获取共享电单车B的属性特征信息后，可以从数据库获取最近30天中，从地铁站出口a出发的共享电单车的历史特征信息。
在实际应用中，为了保证有足够的历史特征信息，停车位置一般表征一个适当范围的停车区域。
例如，若停车位置对应地铁站出口a，则停车位置可以是以地铁站出口a为中心，半径200米的圆形区域。
再例如，若停车位置对应地铁站出口a，则停车位置也可以是地铁站出口a附近多个共享电单车停车点或者共享电车停车位的集合。
通过本发明实施例，由于停车位置是影响目标电车预测需求电量的外在因素之一(空间维度的外在因素)，例如，地铁站出口、公交站附近以及写字楼附近等停车位置是用车高频地段，而路边等停车位置是用车低频地段。
因此，当电子设备基于从某个特定提车位置出发的多个电车的历史特征信息进行预测时，可以从空间维度上更准确的预测目标电车的预测需求电量。
在一种实施例中，结合上述两个电子设备确定第一预设时间段的历史特征信息的实施例，电子设备可以根据当前时空信息，从数据库中获取从第二时间以及停车位置出发的多个电车的历史特征信息。
例如，在一个应用场景中，目标电车为共享电单车B，第一时间为19:00，第一预设时间段为30天，时间周期为1天，停车位置为地铁站出口a。
当电子设备获取共享电单车B的属性特征信息后，可以根据第一时间(19:00)，确定最近30天中每一天的19:00(第二时间)。
进而，电子设备可以从数据库获取最近30天中，每天19:00从地铁站出口a出发的共享电单车的历史特征信息。
在本发明实施例中，时间是影响目标电车预测需求电量的时间维度因素，停车位置是影响目标电车预测需求电量的空间维度因素，因此，电子设备同时基于时间维度的因素以及空间维度的因素预测目标电车的预测需求电量时，可以使得预测需求电量更加准确。
当电子设备确定历史特征信息和属性特征信息后，可以基于历史特征信息和属性特征信息，确定目标电车的预测需求电量。
具体的，在一种可实现方式中，可以对属性特征信息进行预处理，确定待输入数据；以及将待输入数据和历史特征信息输入预先训练的耗电量预测模型，确定预先训练的耗电量预测模型输出的预测需求电量。
其中，预处理至少包括信息筛选和向量化处理，在实际应用中，由于属性特征信息是电子设备获取的实时数据，因此，属性特征数据中可能包含无用的数据，为了减轻电子设备在预测电量时的运算压力，电子设备可以对属性特征信息进行预处理，以清除无用的数据并对有用的数据进行向量化处理。
在一种实施例中，耗电量预测模型可以包括嵌入层(embedding layer)、长短期记忆网络(Long Short-Term Memory，LSTM)和稠密层(dense layer)。
其中，嵌入层可以通过编码的方式(例如one-hot编码)将数据转化为向量，然后创建嵌入矩阵，使得每个数据对应的向量变小，更加利于计算，因此，在本发明实施例中，嵌入层可以用于对属性特征信息或者历史特征信息进行特征提取。
长短期记忆网络是一种人工神经网络，其包括多个特征节点对特征进行计算，适合于处理和预测时间序列中间隔和延迟非常长的重要事件，在本发明实施例中，长短期记忆网络可以用于根据嵌入层提取的特征进行计算，并确定电量预测值。
稠密层与每个特征节点相连，其可以根据每个特征的权重确定最终的输出结果，在本发明实施例中，稠密层用于根据长短期记忆网络的计算结果输出电量预测值。
如图3所示，图3为本发明实施例提供的一种耗电量预测模型的示意图，该示意图展示了耗电量预测模型处理特征信息的过程。
在图3中，耗电量预测模型包括：嵌入层1、嵌入层2、嵌入层3、嵌入层4、长短期记忆网络和稠密层。
特征信息包括：时间信息、空间信息、车况信息和电池信息。
需要说明的，在实际应用中，时间信息可以包括当前时间信息和历史时间信息，空间信息可以包括当前空间信息和历史空间信息，车况信息包括目标电车的车况信息和多个电车的车况信息，电池信息包括目标电车的电池信息和多个电车的电池信息。
具体的，电子设备可以将时间信息输入嵌入层1，将空间信息输入嵌入层2，将车况信息输入嵌入层3，将电池信息输入嵌入层4。
耗电量预测模型的嵌入层1-4可以针对特征信息进行特征提取，然后，将特征提取后的数据输入长短期记忆网络。
长短期记忆网络可以根据嵌入层1-4提取的特征进行计算，并将计算结果输入稠密层。
稠密层可以根据长短期记忆网络的计算结果确定预测需求电量，并输出预测需求电量。
更进一步的，结合图3所示的内容，本发明实施例提供一种任务信息生成方法的流程图，如图4所示，具体包括以下步骤：
在步骤41，从服务端获取目标电车的属性特征信息。
其中，服务端可以是与目标电车建立了网络连接的服务器，在实际应用中，服务端可以是共享电单车的运营平台。
在步骤42，对属性特征信息进行预处理。
其中，预处理过程可以包括信息筛选和向量化处理。
在步骤43，从数据库获取第一预设时间段的历史特征信息。
电子设备获取属性特征信息后，可以根据所述属性特征信息，确定第一预设时间段的历史特征信息。
具体的，电子设备可以基于当前时间信息和/或当前空间信息，确定第一预设时间段的历史特征信息。
在步骤44，将属性特征信息和历史特征信息输入预先训练的耗电量预测模型。
其中，预先训练的耗电量预测模型可以是图2所示的耗电量预测模型。
在步骤45，确定预先训练的耗电量预测模型输出的预测需求电量。
在步骤46，判断预测需求电量是否大于等于目标电车当前可用电量，若是，则执行步骤47，若否，则结束。
在步骤47，生成任务信息。
其中，电子设备可以向服务端发送该任务信息，以使得服务端将该任务信息下发到任务接收端(例如运维工作人员的智能手机)。
结合图3和图4，车况信息和电池信息可以作为每一辆电车耗电量预测值的内在影响因素，时间信息和空间信息可以作为每一辆电车耗电量预测值的外在影响因素，由于历史特征信息和属性特征信息均包括硬件信息和时空信息，因此，当电子设备结合内在影响因素和外在影响因素进行电量预测时，可以准确确定目标电车的预测需求电量，进而电子设备可以基于准确的预测需求电量判断是否生成任务信息，进而提高工作人员的工作效率。
在一种实施例中，电子设备可以对耗电量预测模型进行训练，如图5所示，具体包括以下步骤：
在步骤51，获取训练集。
其中，训练集至少包括第二预设时间段的历史特征信息和预设时刻的属性特征信息。
例如，电子设备可以获取第X天15:00(预设时刻)的属性特征信息，以及第X天之前最近30天(第二预设时间段)的历史特征信息。
在步骤52，将第二预设时间段的历史特征信息，以及预设时刻的属性特征信息作为训练样本输入耗电量预测模型，确定耗电量预测模型的输出。
其中，电子设备基于第二预设时间段的历史特征信息和预设时刻的属性特征信息，确定耗电量预测模型输出的过程可以参考上述步骤41-步骤47，本发明实施例在此处不做赘述。
在步骤53，基于训练样本的标注和耗电量预测模型的输出，对耗电量预测模型的模型参数进行更新。
在实际应用中，电子设备可以基于反向传播算法(Backpropagation algorithm，BP)对耗电量预测模型的模型参数进行更新。
通过本发明实施例，可以将训练后的耗电量预测模型推广至线上，电子设备可以基于本发明实施例提供的任务信息生成方法判断是否需要生成任务信息，例如，电子设备可以每隔1个小时进行一次电量预测以及是否需要生成任务信息判断，可以提高工作人员的工作效率。
基于相同的技术构思，本发明实施例还提供了一种任务信息生成装置，如图6所示，该装置包括：第一获取模块61、第一确定模块62、第二确定模块63和生成模块64；
第一获取模块61，用于获取目标电车的属性特征信息，属性特征信息包括目标电车的当前时空信息和硬件信息；
第一确定模块62，用于根据属性特征信息，确定第一预设时间段的历史特征信息，历史特征信息包括多个电车的历史时空信息和硬件信息；
第二确定模块63，用于基于历史特征信息和属性特征信息，确定目标电车的预测需求电量，预测需求电量用于表征目标电车未来预设时长内耗电量的预测值；以及
生成模块64，用于响应于目标电车的当前可用电量小于或等于预测需求电量，生成任务信息，任务信息用于指示对目标电车进行充电或更换电池。
可选的，当前时空信息包括当前时间信息和/或当前空间信息，当前时间信息用于表征与当前时间相关的信息，当前空间信息用于表征与当前空间相关的信息；
第一确定模块62，具体用于：
基于当前时空信息，确定第一预设时间段的历史特征信息。
可选的，当前时间信息包括第一时间，第一预设时间段包括多个时间周期；
第一确定模块62，具体还用于：
根据第一时间，确定各时间周期中与第一时间对应的第二时间；以及
根据第二时间，从数据库中获取从第二时间出发的多个电车的历史特征信息。
可选的，当前空间信息包括停车位置；
第一确定模块62，具体还用于：
根据停车位置，从数据库中获取在第一时间段以及停车位置出发的多个电车的历史特征信息。
可选的，第一确定模块62，具体还用于：
根据当前时空信息，从数据库中获取从第二时间以及停车位置出发的多个电车的历史特征信息。
可选的，第二确定模块63，具体用于：
对属性特征信息进行预处理，确定待输入数据，预处理至少包括信息筛选和向量化处理；以及
将待输入数据和历史特征信息输入预先训练的耗电量预测模型，确定预先训练的耗电量预测模型输出的预测需求电量。
可选的，
硬件信息包括：车况信息和电池信息，车况信息包括车型信息、车辆健康度信息、使用时长和保修次数，电池信息包括电池型号、电池健康度信息、电池充电次数和电池使用时长；
历史时空信息包括：历史时间信息和历史空间信息，历史时间信息用于表征与历史时间相关的历史信息，历史空间信息用于表征与多个停车点相关的历史信息。
可选的，该装置还包括：第二获取模块、第三确定模块和更新模块；
第二获取模块，用于获取训练集，训练集至少包括第二预设时间段的历史特征信息和预设时刻的属性特征信息；
第三确定模块，用于将第二预设时间段的历史特征信息，以及预设时刻的属性特征信息作为训练样本输入耗电量预测模型，确定耗电量预测模型的输出；以及
更新模块，用于基于训练样本的标注和耗电量预测模型的输出，对耗电量预测模型的模型参数进行更新。
可选的，耗电量预测模型包括：嵌入层、长短期记忆网络和稠密层，嵌入层用于特征提取，长短期记忆网络用于根据嵌入层提取的特征进行计算，稠密层用于根据长短期记忆网络的计算结果输出电量预测值。
通过本发明实施例，硬件信息可以作为每一辆电车耗电量预测值的内在影响因素，时空信息可以作为每一辆电车耗电量预测值的外在影响因素，由于历史特征信息和属性特征信息均包括硬件信息和时空信息，因此，当电子设备结合内在影响因素和外在影响因素进行电量预测时，可以准确确定目标电车的预测需求电量，进而电子设备可以基于准确的预测需求电量判断是否生成任务信息，进而提高工作人员的工作效率。
图7是本发明实施例的电子设备的示意图。如图7所示，图7所示的电子设备为通用地址查询装置，其包括通用的计算机硬件结构，其至少包括处理器71和存储器72。处理器71和存储器72通过总线73连接。存储器72适于存储处理器71可执行的指令或程序。处理器71可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器71通过执行存储器72所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线73将上述多个组件连接在一起，同时将上述组件连接到显示控制器74和显示装置以及输入/输出(I/O)装置75。输入/输出(I/O)装置75可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置75通过输入/输出(I/O)控制器76与***相连。
本领域的技术人员应明白，本发明的实施例可提供为方法、装置(设备)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读存储介质(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。
本发明是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以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，该指令装置实现流程图一个流程或多个流程中指定的功能。
也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中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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 (20)
1.一种任务信息生成方法，其特征在于，所述方法包括：
获取目标电车的属性特征信息，所述属性特征信息包括所述目标电车的当前时空信息和硬件信息；
根据所述属性特征信息，确定第一预设时间段的历史特征信息，所述历史特征信息包括多个电车的历史时空信息和硬件信息；
基于所述历史特征信息和所述属性特征信息，确定所述目标电车的预测需求电量，所述预测需求电量用于表征所述目标电车未来预设时长内耗电量的预测值；以及
响应于所述目标电车的当前可用电量小于或等于所述预测需求电量，生成任务信息，所述任务信息用于指示对所述目标电车进行充电或更换电池。
2.根据权利要求1所述的方法，其特征在于，所述当前时空信息包括当前时间信息和/或当前空间信息，所述当前时间信息用于表征与当前时间相关的信息，所述当前空间信息用于表征与当前空间相关的信息；
所述根据所述属性特征信息，确定第一预设时间段的历史特征信息，包括：
基于所述当前时空信息，确定第一预设时间段的历史特征信息。
3.根据权利要求2所述的方法，其特征在于，所述当前时间信息包括第一时间，所述第一预设时间段包括多个时间周期；
所述基于所述当前时空信息，确定第一预设时间段的历史特征信息，包括：
根据所述第一时间，确定各时间周期中与所述第一时间对应的第二时间；以及
根据所述第二时间，从数据库中获取从所述第二时间出发的多个电车的历史特征信息。
4.根据权利要求3所述的方法，其特征在于，所述当前空间信息包括停车位置；
所述基于所述当前时空信息，确定第一预设时间段的历史特征信息，包括：
根据所述停车位置，从数据库中获取在所述第一时间段以及所述停车位置出发的多个电车的历史特征信息。
5.根据权利要求4所述的方法，其特征在于，所述基于所述当前时空信息，确定第一预设时间段的历史特征信息，包括：
根据所述当前时空信息，从数据库中获取从所述第二时间以及所述停车位置出发的多个电车的历史特征信息。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于所述历史特征信息和所述属性特征信息，确定所述目标电车的预测需求电量，包括：
对所述属性特征信息进行预处理，确定待输入数据，所述预处理至少包括信息筛选和向量化处理；以及
将所述待输入数据和所述历史特征信息输入预先训练的耗电量预测模型，确定所述预先训练的耗电量预测模型输出的预测需求电量。
7.根据权利要求1所述的方法，其特征在于，
所述硬件信息包括：车况信息和电池信息，所述车况信息包括车型信息、车辆健康度信息、使用时长和保修次数，所述电池信息包括电池型号、电池健康度信息、电池充电次数和电池使用时长；
所述历史时空信息包括：历史时间信息和历史空间信息，所述历史时间信息用于表征与历史时间相关的历史信息，所述历史空间信息用于表征与多个停车点相关的历史信息。
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取训练集，所述训练集至少包括第二预设时间段的历史特征信息和预设时刻的属性特征信息；
将所述第二预设时间段的历史特征信息，以及所述预设时刻的属性特征信息作为训练样本输入耗电量预测模型，确定所述耗电量预测模型的输出；以及
基于所述训练样本的标注和所述耗电量预测模型的输出，对所述耗电量预测模型的模型参数进行更新。
9.根据权利要求6所述的方法，其特征在于，所述耗电量预测模型包括：嵌入层、长短期记忆网络和稠密层，所述嵌入层用于特征提取，所述长短期记忆网络用于根据嵌入层提取的特征进行计算，所述稠密层用于根据所述长短期记忆网络的计算结果输出电量预测值。
10.一种任务信息生成装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标电车的属性特征信息，所述属性特征信息包括所述目标电车的当前时空信息和硬件信息；
第一确定模块，用于根据所述属性特征信息，确定第一预设时间段的历史特征信息，所述历史特征信息包括多个电车的历史时空信息和硬件信息；
第二确定模块，用于基于所述历史特征信息和所述属性特征信息，确定所述目标电车的预测需求电量，所述预测需求电量用于表征所述目标电车未来预设时长内耗电量的预测值；以及
生成模块，用于响应于所述目标电车的当前可用电量小于或等于所述预测需求电量，生成任务信息，所述任务信息用于指示对所述目标电车进行充电或更换电池。
11.根据权利要求10所述的装置，其特征在于，所述当前时空信息包括当前时间信息和/或当前空间信息，所述当前时间信息用于表征与当前时间相关的信息，所述当前空间信息用于表征与当前空间相关的信息；
所述第一确定模块，具体用于：
基于所述当前时空信息，确定第一预设时间段的历史特征信息。
12.根据权利要求11所述的装置，其特征在于，所述当前时间信息包括第一时间，所述第一预设时间段包括多个时间周期；
所述第一确定模块，具体还用于：
根据所述第一时间，确定各时间周期中与所述第一时间对应的第二时间；以及
根据所述第二时间，从数据库中获取从所述第二时间出发的多个电车的历史特征信息。
13.根据权利要求12所述的装置，其特征在于，所述当前空间信息包括停车位置；
所述第一确定模块，具体还用于：
根据所述停车位置，从数据库中获取在所述第一时间段以及所述停车位置出发的多个电车的历史特征信息。
14.根据权利要求13所述的装置，其特征在于，所述第一确定模块，具体还用于：
根据所述当前时空信息，从数据库中获取从所述第二时间以及所述停车位置出发的多个电车的历史特征信息。
15.根据权利要求10-14任一项所述的装置，其特征在于，所述第二确定模块，具体用于：
对所述属性特征信息进行预处理，确定待输入数据，所述预处理至少包括信息筛选和向量化处理；以及
将所述待输入数据和所述历史特征信息输入预先训练的耗电量预测模型，确定所述预先训练的耗电量预测模型输出的预测需求电量。
16.根据权利要求10所述的装置，其特征在于，
所述硬件信息包括：车况信息和电池信息，所述车况信息包括车型信息、车辆健康度信息、使用时长和保修次数，所述电池信息包括电池型号、电池健康度信息、电池充电次数和电池使用时长；
所述历史时空信息包括：历史时间信息和历史空间信息，所述历史时间信息用于表征与历史时间相关的历史信息，所述历史空间信息用于表征与多个停车点相关的历史信息。
17.根据权利要求15所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取训练集，所述训练集至少包括第二预设时间段的历史特征信息和预设时刻的属性特征信息；
第三确定模块，用于将所述第二预设时间段的历史特征信息，以及所述预设时刻的属性特征信息作为训练样本输入耗电量预测模型，确定所述耗电量预测模型的输出；以及
更新模块，用于基于所述训练样本的标注和所述耗电量预测模型的输出，对所述耗电量预测模型的模型参数进行更新。
18.根据权利要求15所述的装置，其特征在于，所述耗电量预测模型包括：嵌入层、长短期记忆网络和稠密层，所述嵌入层用于特征提取，所述长短期记忆网络用于根据嵌入层提取的特征进行计算，所述稠密层用于根据所述长短期记忆网络的计算结果输出电量预测值。
19.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-9中任一项所述的方法。
20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010844881.0A CN112101738A (zh) | 2020-08-20 | 2020-08-20 | 任务信息生成方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010844881.0A CN112101738A (zh) | 2020-08-20 | 2020-08-20 | 任务信息生成方法、装置、电子设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112101738A true CN112101738A (zh) | 2020-12-18 |
Family
ID=73753258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010844881.0A Pending CN112101738A (zh) | 2020-08-20 | 2020-08-20 | 任务信息生成方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101738A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112550059A (zh) * | 2020-12-24 | 2021-03-26 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能换电方法及*** |
| CN112949948A (zh) * | 2021-04-28 | 2021-06-11 | 北京理工大学 | 电动汽车分时段换电需求区间预测的集成学习方法及*** |
| CN113043863A (zh) * | 2021-03-12 | 2021-06-29 | 联合汽车电子有限公司 | 车辆充电方法及***、可读存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013015933A (ja) * | 2011-07-01 | 2013-01-24 | Mitsubishi Electric Corp | 車両予約管理装置、車両予約管理システム、車両予約管理装置の車両予約管理方法および車両予約管理プログラム |
| CN102905928A (zh) * | 2010-06-03 | 2013-01-30 | 日产自动车株式会社 | 车辆用的信息提示装置及方法 |
| JP2016143245A (ja) * | 2015-02-02 | 2016-08-08 | トヨタ自動車株式会社 | サーバ装置および予約受付方法 |
| 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 |
| CN107554330A (zh) * | 2017-08-25 | 2018-01-09 | 四川现代汽车有限公司 | 一种电动汽车电池能量管理方法 |
| CN110414728A (zh) * | 2019-07-19 | 2019-11-05 | 上海博泰悦臻网络技术服务有限公司 | 新能源车辆的电量消耗预测方法、***、及电子设备 |
| CN111191839A (zh) * | 2019-12-26 | 2020-05-22 | 上海钧正网络科技有限公司 | 一种换电预测方法和***及存储介质 |
| CN111209979A (zh) * | 2020-04-21 | 2020-05-29 | 摩拜(北京)信息技术有限公司 | 监控车辆电压的方法、装置及电子设备 |
-
2020
- 2020-08-20 CN CN202010844881.0A patent/CN112101738A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102905928A (zh) * | 2010-06-03 | 2013-01-30 | 日产自动车株式会社 | 车辆用的信息提示装置及方法 |
| JP2013015933A (ja) * | 2011-07-01 | 2013-01-24 | Mitsubishi Electric Corp | 車両予約管理装置、車両予約管理システム、車両予約管理装置の車両予約管理方法および車両予約管理プログラム |
| JP2016143245A (ja) * | 2015-02-02 | 2016-08-08 | トヨタ自動車株式会社 | サーバ装置および予約受付方法 |
| 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 |
| CN107554330A (zh) * | 2017-08-25 | 2018-01-09 | 四川现代汽车有限公司 | 一种电动汽车电池能量管理方法 |
| CN110414728A (zh) * | 2019-07-19 | 2019-11-05 | 上海博泰悦臻网络技术服务有限公司 | 新能源车辆的电量消耗预测方法、***、及电子设备 |
| CN111191839A (zh) * | 2019-12-26 | 2020-05-22 | 上海钧正网络科技有限公司 | 一种换电预测方法和***及存储介质 |
| CN111209979A (zh) * | 2020-04-21 | 2020-05-29 | 摩拜(北京)信息技术有限公司 | 监控车辆电压的方法、装置及电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112550059A (zh) * | 2020-12-24 | 2021-03-26 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能换电方法及*** |
| CN112550059B (zh) * | 2020-12-24 | 2022-08-23 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能换电方法及*** |
| CN113043863A (zh) * | 2021-03-12 | 2021-06-29 | 联合汽车电子有限公司 | 车辆充电方法及***、可读存储介质及电子设备 |
| CN112949948A (zh) * | 2021-04-28 | 2021-06-11 | 北京理工大学 | 电动汽车分时段换电需求区间预测的集成学习方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112215502B (zh) | 一种电池的调度补给方法、装置、电子设备以及存储介质 | |
| CN112101738A (zh) | 任务信息生成方法、装置、电子设备和可读存储介质 | |
| Liu et al. | Optimal charging strategy for large-scale electric buses considering resource constraints | |
| Yang et al. | Deploying battery swap stations for shared electric vehicles using trajectory data | |
| JP6952957B2 (ja) | 交換可能エネルギー貯蔵装置に対する需要を予測するためのシステムおよび方法 | |
| CN109501630A (zh) | 一种电动汽车充电方案实时推荐方法及*** | |
| Yang et al. | EV charging behaviour analysis and modelling based on mobile crowdsensing data | |
| Qi et al. | How long a passenger waits for a vacant taxi--large-scale taxi trace mining for smart cities | |
| CN110210652A (zh) | 一种轨道交通站点客流控制方法及装置 | |
| JP6890069B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| JP2023103268A (ja) | 電気車充電ステーションを用いたバッテリー性能管理システム及び方法 | |
| CN110570656B (zh) | 定制公共交通线路方法及装置 | |
| CN107909508A (zh) | 一种配电变压器负荷异常告警方法 | |
| CN103514488B (zh) | 基于组合预测模型的电力***短期负荷预测装置及方法 | |
| CN114692419A (zh) | 一种城市轨道交通***数字孪生建模方法及其*** | |
| CN110222892B (zh) | 乘客的下车站点预测方法及装置 | |
| CN110949151B (zh) | 一种车用bms充放电控制*** | |
| Yamaguchi et al. | Real-time prediction for future profile of car travel based on statistical data and greedy algorithm | |
| CN113112795B (zh) | 一种路况预测方法、装置及设备 | |
| CN111507554A (zh) | 一种服务资源调度方法、装置、设备及存储介质 | |
| US20200342468A1 (en) | Method for forecasting power consumption | |
| CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
| CN113869545A (zh) | 预测无人驾驶有轨电车的耗电量的方法和*** | |
| Sun et al. | Analysis of bus trip characteristics and demand forecasting based on NARX neural network model | |
| CN111652420A (zh) | 一种实时的负荷预测*** |
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 |