CN113344277A - 预测模型训练方法、状态更新方法、装置、设备和介质 - Google Patents
预测模型训练方法、状态更新方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113344277A CN113344277A CN202110672041.5A CN202110672041A CN113344277A CN 113344277 A CN113344277 A CN 113344277A CN 202110672041 A CN202110672041 A CN 202110672041A CN 113344277 A CN113344277 A CN 113344277A
- Authority
- CN
- China
- Prior art keywords
- charging station
- data
- track
- electric quantity
- vehicle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 48
- 238000005065 mining Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 8
- 230000003203 everyday effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 17
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/04—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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本公开提供了一种用于充电站的状态预测模型训练方法、状态更新方法、装置、设备、介质和程序产品，涉及数据处理领域，尤其涉及智能交通、大数据和深度学习技术。具体实现方案为：从车辆的历史数据中获取轨迹数据和电量数据；根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据挖掘样本特征，并根据所述样本特征构造样本数据，其中，所述样本特征用于描述与充电站是否可用有关的因素；利用所述样本数据训练状态预测模型，其中，所述状态预测模型用于对充电站是否可用的状态进行预测。本公开能够有效地利用状态预测模型提升地图中充电站状态信息的自动化更新效率和准确性。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及智能交通、大数据和深度学习技术，具体涉及一种预测模型训练方法、状态更新方法、装置、设备、介质和程序产品。
背景技术
随着我国新能源车的保有量不断增加，作为支撑新能源汽车发展的重要基础设施，充电桩行业迎来快速发展。
在地图类APP中，每个充电站是一个POI(point of interest)，每个充电站POI包括名称、位置、状态、充电桩数目、功率、空闲数目等动静态数据。充电站的状态描述了充电站的开放与关闭状态，状态信息若不及时更新，则将极大影响充电站的使用效率以及用户的充电体验。
发明内容
本公开提供了一种用于充电站的状态预测模型训练方法、状态更新方法、装置、设备、介质和程序产品，以提高充电站信息的自动化更新效率和准确性。
根据本公开的一方面，提供了一种用于充电站的状态预测模型训练方法，包括：
从车辆的历史数据中获取轨迹数据和电量数据；
根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据挖掘样本特征，并根据所述样本特征构造样本数据，其中，所述样本特征用于描述与充电站是否可用有关的因素；
利用所述样本数据训练状态预测模型，其中，所述状态预测模型用于对充电站是否可用的状态进行预测。
根据本公开的另一方面，提供了一种用于充电站的状态更新方法，包括：
获取设定时间段内车辆的轨迹数据和电量数据；
根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据进行特征挖掘，得到充电站特征；
利用如本公开任意实施例所述的方法训练的状态预测模型，根据所述充电站特征预测充电站的状态；
根据预测结果更新所述充电站的状态。
根据本公开的另一方面，提供了一种用于充电站的状态预测模型训练装置，包括：
历史数据获取模块，用于从车辆的历史数据中获取轨迹数据和电量数据；
样本数据构造模块，用于根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据挖掘样本特征，并根据所述样本特征构造样本数据，其中，所述样本特征用于描述与充电站是否可用有关的因素；
模型训练模块，用于利用所述样本数据训练状态预测模型，其中，所述状态预测模型用于对充电站是否可用的状态进行预测。
根据本公开的另一方面，提供了一种用于充电站的状态更新装置，包括：
数据获取模块，用于获取设定时间段内车辆的轨迹数据和电量数据；
特征挖掘模块，用于根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据进行特征挖掘，得到充电站特征；
状态预测模块，用于利用如本公开任意实施例所述的装置训练的状态预测模型，根据所述充电站特征预测充电站的状态；
状态更新模块，用于根据预测结果更新所述充电站的状态。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任意实施例所述的用于充电站的状态预测模型训练方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本公开任意实施例所述的用于充电站的状态预测模型训练方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任意实施例所述的用于充电站的状态预测模型训练方法。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任意实施例所述的用于充电站的状态更新方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本公开任意实施例所述的用于充电站的状态更新方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任意实施例所述的用于充电站的状态更新方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的一种用于充电站的状态预测模型训练方法的示意图；
图2是根据本公开实施例的一种用于充电站的状态预测模型训练方法的示意图；
图3是根据本公开实施例的一种用于充电站的状态更新方法的示意图；
图4是根据本公开实施例的一种用于充电站的状态预测模型训练装置的结构示意图；
图5是根据本公开实施例的一种用于充电站的状态更新装置的结构示意图；
图6是用来实现本公开实施例的用于充电站的状态预测模型训练方法的电子设备的框图；
图7是根据本公开实施例的车辆前往充电站充电的轨迹示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例的用于充电站的状态预测模型训练方法的流程示意图，本实施例可适用于对地图上的充电站状态进行更新的情况，涉及数据处理领域，尤其涉及智能交通、大数据和深度学习技术。该方法可由一种用于充电站的状态预测模型训练装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：
S101、从车辆的历史数据中获取轨迹数据和电量数据。
具体的，由于充电站通常建设在道路两旁、地下停车场或小区内，用户驾车前往充电站充电在轨迹上表现为驶离道路、进入充电站、充电、离开充电站、驶入道路的模式。如图7是根据本公开实施例的车辆前往充电站充电的轨迹示意图。图7描述了车辆前往充电站(station)的充电轨迹，车辆前往路线A->G旁的充电站进行充电，从B点驶离道路前往station，经C点从D点进入station，从E点离开station，从F点驶入道路继续行程。整个轨迹包括驶离道路、进入充电站停车并充电、充完电后离开充电站、再次驶入道路继续行程。
通常，当用户前往充电站充电时，发现充电站不可用便会离开充电站，这时车机的电量不会增加；当发现充电站可用时，用户可以选择充电，充电后车辆电量增加，而且如果等待充电车辆较多则需要排队等候充电；当然，当发现充电站可用时，用户也可以选择离开不充电，这时电量依然不会增加。因此，如果车辆进入充电站前的电量小于离开充电站时的电量，则表明用户在充电站进行了充电行为，可以认为该充电站是可用的；而如果车辆进入充电站前的电量大于或等于离开充电站时的电量，则表明用户未在该充电站充电，原因可能是该充电站不可用，或者因其他原因导致用户自行离开，例如排队时间过长、附近还有其他充电站等。
综上可知，充电站是否可用，至少可以通过分析车辆的轨迹以及车辆电量的变化来确定，因此，轨迹数据和电量数据与充电站是否可用密切相关。
S102、根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据挖掘样本特征，并根据样本特征构造样本数据，其中，样本特征用于描述与充电站是否可用有关的因素。
S103、利用样本数据训练状态预测模型，其中，状态预测模型用于对充电站是否可用的状态进行预测。
其中，所述状态预测模型例如可以是二分类模型，利用该状态预测模型预测充电站的状态，并给出充电站可用或不可用的状态预测结果。因此，用于训练模型的样本数据中包括正样本和负样本，其中，正样本表示充电站可用，负样本表示充电站不可用，并都具有相应的充电站可用或充电站不可用的样本标注信息。训练时，将带有样本标注信息的样本数据作为模型的输入对模型进行训练，训练过程中得到的预测结果会不断接近标注的真值。样本数据中的样本特征用于描述与充电站是否可用有关的因素，需要通过数据挖掘来获取。
具体的，如上所述，轨迹数据和电量数据与充电站是否可用密切相关。相应的，若要确定前往某个充电站充电的车辆的轨迹，还需要与路网相关联，而且单纯的轨迹数据也可能包含噪声，与路网关联后的轨迹信息则更加精确。此外，充电站本身的属性，例如充电桩的数量或者充电站的位置和费用等属性信息，可以用来分析该充电站的服务能力，包括是否经常需要排队或者充电效率，以及用户在该充电站充电的意愿等，这些因素都与车辆未在该充电站充电的原因有关联。因此，上述路网数据和充电站的属性也与充电站是否可用密切相关。于是，本公开实施例根据路网数据、充电站的属性数据以及轨迹数据和电量数据挖掘样本特征，根据样本特征构造样本数据。
其中，样本特征的种类不唯一，以达到从多个角度对充电站是否可用的因素进行描述的目的。这些因素例如可以包括充电站服务能力强、充电站所属区域内的其他充电站数量很少、某时段内充电站周围需要充电的车辆过多、离开充电站时车辆电量值普遍变化不大、到达充电站时车辆普遍电量过低、车辆在充电站的停留时间以及用户对充电站的搜索热度等。丰富的样本特征可以提高模型的训练效果，让模型对与充电站是否可用有关联的特征进行充分地学习，继而提高模型预测的准确性。需要说明的是，本公开实施例对样本特征的具体内容不做任何限定，可以用来描述与充电站是否可用有关的因素的特征，都可以用在本公开实施例中。
在一种实施方式中，样本数据可以通过样本向量的方式来表征，充电站在不同时刻的不同状态都可以作为一个样本，同时，某充电站在当前某状态下也可以对应有多个样本，每个样本均由特征向量和样本标注构成，作为该样本的样本向量，而丰富的训练数据，可以提高模型的训练效果。如果某充电站在某时刻的状态是可用的，那么该样本的样本标注可以为“1”，表示标注正样本，如果状态为不可用，则可以标注为“0”，表示标注为负样本。每个样本向量中包括多个维度的数据，样本标注可以作为其中的一个维度，而不同种类的样本特征则作为样本向量中的其他各个维度。多个不同的样本向量之间可以是其中的某一个维度或多个维度的特征不同。实施时，可以将每个样本向量进行归一化等处理，处理后的数据作为模型的输入，以对模型进行训练。
状态预测模型可以采用Wide+Deep+Recurrent的经典结构，其中，Wide模块的输入为归一化的连续特征和编码后的离散特征，该模块用于学习输入特征与目标变量的直接线性关系，具有较强的记忆能力；Deep模块的输入为归一化的连续特征与离散特征经过embedding后的低维稠密向量表示，该模块用于学习数据背后的抽象关系，具有较强的泛化能力；Recurrent模块的输入为序列特征，用于捕捉时间序列数据与目标变量的关系。另外，对于时间相关的序列特征，需要根据时间进行权重衰减，越久远的特征权重越低，越近的时间序列特征权重越高。当然，本公开对状态预测模型的模型结构不做任何限定。
本公开实施例的技术方案，从路网数据、充电站的属性数据以及轨迹数据和电量数据中挖掘样本特征，并构造出样本数据，利用样本数据训练出能够对充电站的状态进行预测的状态预测模型，从而有效地利用模型提升地图中充电站状态信息的自动化更新效率和准确性，避免受到三方合作数据质量、用户反馈覆盖低等影响，提高充电站状态更新效率，提升地图用户相关充电站服务体验。
图2是根据本公开实施例的用于充电站的状态预测模型训练方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：
S201、从车辆的历史数据中获取轨迹数据和电量数据。
S202、将轨迹数据中的每个轨迹点映射到路网上，得到轨迹匹配路网数据。
由于车辆是在道路上行驶的，GPS点受到精度以及周围建筑物的影响可能存在漂移，通过路网匹配算法(MapMatch)，将轨迹中的所有轨迹点映射到路网上，即可得到轨迹匹配路网数据，将方便融合轨迹所在道路的属性，进而从全局或者局部角度来描述整个导航过程，例如经过的红绿灯数目、道路的长度、所经过道路的平均车道数等特征，都可以通过后续的数据分析和特征挖掘获取到。
S203、将电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上，得到电量匹配轨迹数据。
电量匹配轨迹即通过采样时间戳将电量值赋值到每个轨迹点上，将方便从中获取轨迹上不同位置时车辆的电量变化特点等特征信息。
具体的，在一种实施方式中，将电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上，可以包括：确定轨迹匹配路网数据的轨迹采样频率，以及电量数据的电量采样频率；如果电量采样频率与轨迹采样频率相同，则可以直接将电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上；如果电量采样频率与所述轨迹采样频率不相同，则通过降采样使之相同后，再将调整后的电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上。通过上述过程，可以提高电量匹配轨迹的准确性。
此外，在另一种实施方式中，如果电量采样频率低于轨迹采样频率，则可以先将电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上，然后对未赋值的轨迹点的电量数据，根据该轨迹点周围轨迹点所赋电量进行平滑处理；如果电量采样频率高于轨迹采样频率，则可以直接对电量数据进行降采样，使电量的采样频率与轨迹采样频率相同，然后再将降采样后的电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上。
S204、根据路网数据、充电站的属性数据和电量匹配轨迹数据挖掘样本特征。
其中，所述样本特征至少包括充电站属性、充电站历史信息、临近道路信息和充电站周围的区域信息。接下来对每一类样本特征进行详细描述。
1、充电站属性包括如下中至少之一：充电桩数目、功率或费用。
具体的，充电桩数目越多，表明该充电站的服务能力越强，用户排队的可能性就越低，用户因为无法忍受排队而离开的概率也越低，用户离开充电站与进入充电站相比电量无增加时，指向该充电站不可用的概率也越高。同理，充电桩功率越高，则充电越快，车流量可能就越高。充电站的费用越低，用户前往该充电站充电的意愿可能就越强。因此，通过分析充电站的属性，能够直接或间接地确定车辆在该充电站充电或未充电的原因，继而作为描述充电站的状态是否可用的因素。
2、充电站历史信息包括经过当前充电站的车辆轨迹发生之前设定时间段内的如下信息中至少之一：每天的轨迹量、每天车辆经过当前充电站前后的电量变化数据。
此外，充电站历史信息还可以包括：经过当前充电站的车辆轨迹发生之前设定时间段内，每天对当前充电站的搜索热度。
具体的，针对确定出的正样本和负样本，根据轨迹即可确定出经过该正样本和负样本的充电站的车辆，然后确定该轨迹发生之前设定时间段内，每天的轨迹量、每天车辆经过当前充电站前后的电量变化数据。其中，设定时间段例如可以是过去一周，本公开对此不作任何限定。
在充电站历史信息中，离开充电站与进入充电站相比的电量变化能在一定程度反应车辆是否充电。而进入与离开该充电站的轨迹量越高，该充电站的样本越多，那么经过该充电站的车辆中，离开与进站之间的电量差无变化时，则指向该充电站不可用就越强烈。此外，该充电站的搜索热度越高，说明前往该充电站充电的车辆可能越多，反馈可能也越多。可见，通过分析充电站历史信息，也能够直接或间接地确定车辆在该充电站充电或未充电的原因，继而作为描述充电站的状态是否可用的因素。
3、临近道路信息包括如下中至少之一：当前充电站临近道路的等级、时段电动车流量、经过当前充电站的车辆轨迹发生之前设定时间段内每天的电动车流量，或时段到达当前充电站时车辆的电量均值。
具体的，临近道路是指进入或者离开充电站的道路，临近道路电动车流量越大，表明前往充电站进行充电的车量可能越多；到达临近道路的车辆电量越低，则用户充电的诉求越强烈；临近道路等级越高，例如国道、省道旁边的服务区充电站要比乡镇道路旁的充电站车流多。
4、区域信息包括如下中至少之一：当前充电站附近设定范围内的普通车流量、电动车流量、其他充电站数目，或所述其他充电站中与当前充电站相距的最小距离。
此外，区域信息还可以包括：当前充电站附近设定范围内的区域热度。
具体的，充电站附近设定范围例如可以是充电站周围5km、10km或15km的范围内，本公开对区域的大小不做任何限定。在区域信息中，充电站附近的充电站数目越多，越可能将充电需求分流；最近的充电站距离越近，用户在该充电站排队的意愿可能越低，进而充电行为可能越少。同理，该区域的热度、车流量都能反映该充电站所在区域(例如商场、公园)的充电可能性。
综上，将样本特征分为充电站属性、充电站历史信息、临近道路信息和充电站周围的区域信息四个类别，在设定好每类特征的具体特征内容后，根据路网数据、充电站的属性数据和电量匹配轨迹数据进行数据处理和数据挖掘，确定出每个样本在每类特征下的具体特征内容。但需要说明的是，上述列举的每类特征的具体特征内容，都仅为示例，实施时，可以选择每类特征下的某一个特征内容或任意个特征内容的组合。此外，本公开实施例对不同类别的具体特征内容不做任何限定，不脱离本公开技术构思且能够用于描述与充电站是否可用有关的因素的特征内容，都属于本公开保护的范畴。
还需要说明的是，虽然车辆未在充电站充电的原因有很多，然而，通过样本特征的挖掘，可以让模型充分学习到负样本中与充电站不可用有关的因素，从而在预测时，从未充电的行为中甄别出是否是由于充电站不可用而未进行充电，从而更加准确地对充电站的状态进行预测。
S205、利用样本数据训练状态预测模型，其中，所述状态预测模型用于对充电站是否可用的状态进行预测。
本公开实施例的技术方案，根据路网数据、充电站的属性数据以及轨迹数据和电量数据挖掘样本特征，并根据样本特征构造样本数据，从而训练出能够准确预测充电站状态的状态预测模型，有效地利用模型提升地图中充电站状态信息的自动化更新效率和准确性，避免受到三方合作数据质量、用户反馈覆盖低等影响，提高充电站状态更新效率，提升地图用户相关充电站服务体验。
图3是根据本公开实施例的用于充电站的状态更新方法的流程示意图，本实施例可适用于对地图上的充电站状态进行更新的情况，涉及数据处理领域，尤其涉及智能交通、大数据和深度学习技术。该方法可由一种用于充电站的状态更新装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图3所示，该方法具体包括如下：
S301、获取设定时间段内车辆的轨迹数据和电量数据。
S302、根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据进行特征挖掘，得到充电站特征。
S303、利用如本公开任意实施例所述的用于充电站的状态预测模型训练方法训练的状态预测模型，根据所述充电站特征预测充电站的状态；
S304、根据预测结果更新所述充电站的状态。
其中，充电站特征至少包括充电站属性、充电站历史信息、临近道路信息和充电站周围的区域信息。更具体而言，该充电站特征与本公开任意实施例所述的样本特征中的具体内容相同，此处不再赘述。
本公开实施例的技术方案，有效地利用模型提升地图中充电站状态信息的自动化更新效率和准确性，避免受到三方合作数据质量、用户反馈覆盖低等影响，及时从轨迹与电量数据中捕获到充电站的可用状态信息，提高充电站状态更新效率，提升地图用户相关充电站服务体验。
图4是根据本公开实施例的用于充电站的状态预测模型训练装置的结构示意图，本实施例可适用于对地图上的充电站状态进行更新的情况，涉及数据处理领域，尤其涉及智能交通、大数据和深度学习技术。该装置可实现本公开任意实施例所述的用于充电站的状态预测模型训练方法。如图4所示，该装置400具体包括：
历史数据获取模块401，用于从车辆的历史数据中获取轨迹数据和电量数据；
样本数据构造模块402，用于根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据挖掘样本特征，并根据所述样本特征构造样本数据，其中，所述样本特征用于描述与充电站是否可用有关的因素；
模型训练模块403，用于利用所述样本数据训练状态预测模型，其中，所述状态预测模型用于对充电站是否可用的状态进行预测。
可选的，所述样本数据构造模块402包括：
轨迹匹配单元，用于将所述轨迹数据中的每个轨迹点映射到路网上，得到轨迹匹配路网数据；
电量赋值单元，用于将所述电量数据中的每个采样点的电量值赋值到所述轨迹匹配路网数据中的每个轨迹点上，得到电量匹配轨迹数据；
样本特征挖掘单元，用于根据路网数据、充电站的属性数据和所述电量匹配轨迹数据挖掘样本特征。
可选的，所述电量赋值单元具体用于：
确定所述轨迹匹配路网数据的轨迹采样频率，以及所述电量数据的电量采样频率；
如果所述电量采样频率与所述轨迹采样频率相同，则将所述电量数据中的每个采样点的电量值赋值到所述轨迹匹配路网数据中的每个轨迹点上；
如果所述电量采样频率与所述轨迹采样频率不相同，则通过降采样使之相同后，再将调整后的电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上。
可选的，所述样本特征至少包括充电站属性、充电站历史信息、临近道路信息和充电站周围的区域信息。
可选的，所述充电站属性包括如下中至少之一：充电桩数目、功率或费用；
所述充电站历史信息包括经过当前充电站的车辆轨迹发生之前设定时间段内的如下信息中至少之一：每天的轨迹量、每天车辆经过当前充电站前后的电量变化数据；
所述临近道路信息包括如下中至少之一：当前充电站临近道路的等级、时段电动车流量、经过当前充电站的车辆轨迹发生之前设定时间段内每天的电动车流量，或时段到达当前充电站时车辆的电量均值；
所述区域信息包括如下中至少之一：当前充电站附近设定范围内的普通车流量、电动车流量、其他充电站数目，或所述其他充电站中与当前充电站相距的最小距离。
可选的，所述充电站历史信息还包括：经过当前充电站的车辆轨迹发生之前设定时间段内，每天对当前充电站的搜索热度；
所述区域信息还包括：当前充电站附近设定范围内的区域热度。
可选的，所述状态预测模型为二分类模型。
上述产品可执行本公开任意实施例所提供的用于充电站的状态预测模型训练方法，具备执行方法相应的功能模块和有益效果。
图5是根据本公开实施例的用于充电站的状态更新装置的结构示意图，本实施例可适用于对地图上的充电站状态进行更新的情况，涉及数据处理领域，尤其涉及智能交通、大数据和深度学习技术。该装置可实现本公开任意实施例所述的用于充电站的状态更新方法。如图5所示，该装置500具体包括：
数据获取模块501，用于获取设定时间段内车辆的轨迹数据和电量数据；
特征挖掘模块502，用于根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据进行特征挖掘，得到充电站特征；
状态预测模块503，用于利用如本公开任意实施例所述的用于充电站的状态预测模型训练装置训练的状态预测模型，根据所述充电站特征预测充电站的状态；
状态更新模块504，用于根据预测结果更新所述充电站的状态。
上述产品可执行本公开任意实施例所提供的用于充电站的状态更新方法，具备执行方法相应的功能模块和有益效果。
需要说明的是，本公开的技术方案中，所涉及的轨迹等用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如用于充电站的状态预测模型训练方法。例如，在一些实施例中，用于充电站的状态预测模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用于充电站的状态预测模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于充电站的状态预测模型训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作***、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
此外，根据本申请的实施例，本申请还提供了另一种电子设备、另一种可读存储介质和另一种计算机程序产品，用于执行本申请任意实施例所述的用于充电站的状态更新方法的一个或多个步骤。其具体的结构和程序代码可参见如图6所示的实施例的内容描述，此处不再赘述。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (22)
1.一种用于充电站的状态预测模型训练方法，包括：
从车辆的历史数据中获取轨迹数据和电量数据；
根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据挖掘样本特征，并根据所述样本特征构造样本数据，其中，所述样本特征用于描述与充电站是否可用有关的因素；
利用所述样本数据训练状态预测模型，其中，所述状态预测模型用于对充电站是否可用的状态进行预测。
2.根据权利要求1所述的方法，其中，所述根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据挖掘样本特征，包括：
将所述轨迹数据中的每个轨迹点映射到路网上，得到轨迹匹配路网数据；
将所述电量数据中的每个采样点的电量值赋值到所述轨迹匹配路网数据中的每个轨迹点上，得到电量匹配轨迹数据；
根据路网数据、充电站的属性数据和所述电量匹配轨迹数据挖掘样本特征。
3.根据权利要求2所述的方法，其中，所述将所述电量数据中的每个采样点的电量值赋值到所述轨迹匹配路网数据中的每个轨迹点上，包括：
确定所述轨迹匹配路网数据的轨迹采样频率，以及所述电量数据的电量采样频率；
如果所述电量采样频率与所述轨迹采样频率相同，则将所述电量数据中的每个采样点的电量值赋值到所述轨迹匹配路网数据中的每个轨迹点上；
如果所述电量采样频率与所述轨迹采样频率不相同，则通过降采样使之相同后，再将调整后的电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上。
4.根据权利要求1所述的方法，其中，所述样本特征至少包括充电站属性、充电站历史信息、临近道路信息和充电站周围的区域信息。
5.根据权利要求4所述的方法，其中，
所述充电站属性包括如下中至少之一：充电桩数目、功率或费用；
所述充电站历史信息包括经过当前充电站的车辆轨迹发生之前设定时间段内的如下信息中至少之一：每天的轨迹量、每天车辆经过当前充电站前后的电量变化数据；
所述临近道路信息包括如下中至少之一：当前充电站临近道路的等级、时段电动车流量、经过当前充电站的车辆轨迹发生之前设定时间段内每天的电动车流量，或时段到达当前充电站时车辆的电量均值；
所述区域信息包括如下中至少之一：当前充电站附近设定范围内的普通车流量、电动车流量、其他充电站数目，或所述其他充电站中与当前充电站相距的最小距离。
6.根据权利要求5所述的方法，其中，
所述充电站历史信息还包括：经过当前充电站的车辆轨迹发生之前设定时间段内，每天对当前充电站的搜索热度；
所述区域信息还包括：当前充电站附近设定范围内的区域热度。
7.根据权利要求1所述的方法，其中，所述状态预测模型为二分类模型。
8.一种用于充电站的状态更新方法，包括：
获取设定时间段内车辆的轨迹数据和电量数据；
根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据进行特征挖掘，得到充电站特征；
利用如权利要求1-7中任一项所述的方法训练的状态预测模型，根据所述充电站特征预测充电站的状态；
根据预测结果更新所述充电站的状态。
9.一种用于充电站的状态预测模型训练装置，包括：
历史数据获取模块，用于从车辆的历史数据中获取轨迹数据和电量数据；
样本数据构造模块，用于根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据挖掘样本特征，并根据所述样本特征构造样本数据，其中，所述样本特征用于描述与充电站是否可用有关的因素；
模型训练模块，用于利用所述样本数据训练状态预测模型，其中，所述状态预测模型用于对充电站是否可用的状态进行预测。
10.根据权利要求9所述的装置，其中，所述样本数据构造模块包括：
轨迹匹配单元，用于将所述轨迹数据中的每个轨迹点映射到路网上，得到轨迹匹配路网数据；
电量赋值单元，用于将所述电量数据中的每个采样点的电量值赋值到所述轨迹匹配路网数据中的每个轨迹点上，得到电量匹配轨迹数据；
样本特征挖掘单元，用于根据路网数据、充电站的属性数据和所述电量匹配轨迹数据挖掘样本特征。
11.根据权利要求10所述的装置，其中，所述电量赋值单元具体用于：
确定所述轨迹匹配路网数据的轨迹采样频率，以及所述电量数据的电量采样频率；
如果所述电量采样频率与所述轨迹采样频率相同，则将所述电量数据中的每个采样点的电量值赋值到所述轨迹匹配路网数据中的每个轨迹点上；
如果所述电量采样频率与所述轨迹采样频率不相同，则通过降采样使之相同后，再将调整后的电量数据中的每个采样点的电量值赋值到轨迹匹配路网数据中的每个轨迹点上。
12.根据权利要求9所述的装置，其中，所述样本特征至少包括充电站属性、充电站历史信息、临近道路信息和充电站周围的区域信息。
13.根据权利要求12所述的装置，其中，
所述充电站属性包括如下中至少之一：充电桩数目、功率或费用；
所述充电站历史信息包括经过当前充电站的车辆轨迹发生之前设定时间段内的如下信息中至少之一：每天的轨迹量、每天车辆经过当前充电站前后的电量变化数据；
所述临近道路信息包括如下中至少之一：当前充电站临近道路的等级、时段电动车流量、经过当前充电站的车辆轨迹发生之前设定时间段内每天的电动车流量，或时段到达当前充电站时车辆的电量均值；
所述区域信息包括如下中至少之一：当前充电站附近设定范围内的普通车流量、电动车流量、其他充电站数目，或所述其他充电站中与当前充电站相距的最小距离。
14.根据权利要求13所述的装置，其中，
所述充电站历史信息还包括：经过当前充电站的车辆轨迹发生之前设定时间段内，每天对当前充电站的搜索热度；
所述区域信息还包括：当前充电站附近设定范围内的区域热度。
15.根据权利要求9所述的装置，其中，所述状态预测模型为二分类模型。
16.一种用于充电站的状态更新装置，包括：
数据获取模块，用于获取设定时间段内车辆的轨迹数据和电量数据；
特征挖掘模块，用于根据路网数据、充电站的属性数据以及所述轨迹数据和电量数据进行特征挖掘，得到充电站特征；
状态预测模块，用于利用如权利要求9-15中任一项所述的装置训练的状态预测模型，根据所述充电站特征预测充电站的状态；
状态更新模块，用于根据预测结果更新所述充电站的状态。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的用于充电站的状态预测模型训练方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的用于充电站的状态预测模型训练方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的用于充电站的状态预测模型训练方法。
20.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求8所述的用于充电站的状态更新方法。
21.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求8所述的用于充电站的状态更新方法。
22.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求8所述的用于充电站的状态更新方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110672041.5A CN113344277B (zh) | 2021-06-17 | 2021-06-17 | 预测模型训练方法、状态更新方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110672041.5A CN113344277B (zh) | 2021-06-17 | 2021-06-17 | 预测模型训练方法、状态更新方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113344277A true CN113344277A (zh) | 2021-09-03 |
| CN113344277B CN113344277B (zh) | 2024-03-12 |
Family
ID=77475970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110672041.5A Active CN113344277B (zh) | 2021-06-17 | 2021-06-17 | 预测模型训练方法、状态更新方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344277B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102022115793A1 (de) | 2022-06-24 | 2024-01-04 | Lade Gmbh | System zum Bereitstellen elektrischer Energie für Elektrofahrzeuge, Ladevorrichtung für Elektrofahrzeuge und Verfahren zum Betreiben einer solchen |
| US20240037444A1 (en) * | 2022-07-29 | 2024-02-01 | Here Global B.V. | Apparatus and methods for predicting improper parking events within electric vehicle charging locations |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011156776A2 (en) * | 2010-06-10 | 2011-12-15 | The Regents Of The University Of California | Smart electric vehicle (ev) charging and grid integration apparatus and methods |
| CN104281129A (zh) * | 2014-09-19 | 2015-01-14 | 安徽旗翔科技发展有限公司 | 一种电动汽车智能充放电物联网云综合集成*** |
| CN104778263A (zh) * | 2015-04-23 | 2015-07-15 | 储盈新能源科技（上海）有限公司 | 一种电动车充电站***仿真数据挖掘方法 |
| US20180373268A1 (en) * | 2017-06-27 | 2018-12-27 | Veniam, Inc. | Systems and methods for managing fleets of autonomous vehicles to optimize electric budget |
| US20200218270A1 (en) * | 2019-01-07 | 2020-07-09 | Wing Aviation Llc | Using machine learning techniques to estimate available energy for vehicles |
| CN112193112A (zh) * | 2020-10-16 | 2021-01-08 | 安徽继远软件有限公司 | 一种电动汽车充电场站充电桩智能管理方法及装置 |
| CN112433122A (zh) * | 2020-11-23 | 2021-03-02 | 广州橙行智动汽车科技有限公司 | 充电桩可用状态检测方法、装置、设备及存储介质 |
| CN112862183A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 充电难度的预测方法、模型的训练方法、装置以及设备 |
-
2021
- 2021-06-17 CN CN202110672041.5A patent/CN113344277B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011156776A2 (en) * | 2010-06-10 | 2011-12-15 | The Regents Of The University Of California | Smart electric vehicle (ev) charging and grid integration apparatus and methods |
| CN104281129A (zh) * | 2014-09-19 | 2015-01-14 | 安徽旗翔科技发展有限公司 | 一种电动汽车智能充放电物联网云综合集成*** |
| CN104778263A (zh) * | 2015-04-23 | 2015-07-15 | 储盈新能源科技（上海）有限公司 | 一种电动车充电站***仿真数据挖掘方法 |
| US20180373268A1 (en) * | 2017-06-27 | 2018-12-27 | Veniam, Inc. | Systems and methods for managing fleets of autonomous vehicles to optimize electric budget |
| US20200218270A1 (en) * | 2019-01-07 | 2020-07-09 | Wing Aviation Llc | Using machine learning techniques to estimate available energy for vehicles |
| CN112193112A (zh) * | 2020-10-16 | 2021-01-08 | 安徽继远软件有限公司 | 一种电动汽车充电场站充电桩智能管理方法及装置 |
| CN112433122A (zh) * | 2020-11-23 | 2021-03-02 | 广州橙行智动汽车科技有限公司 | 充电桩可用状态检测方法、装置、设备及存储介质 |
| CN112862183A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 充电难度的预测方法、模型的训练方法、装置以及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 郑强;赵丽平;周林;: "电动汽车充电站综合监控***设计", 电气自动化, no. 04 * |
| 龚钢军;安晓楠;陈志敏;张帅;文亚凤;吴秋新;苏畅;: "基于SAE-ELM的电动汽车充电站负荷预测模型", 现代电力, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102022115793A1 (de) | 2022-06-24 | 2024-01-04 | Lade Gmbh | System zum Bereitstellen elektrischer Energie für Elektrofahrzeuge, Ladevorrichtung für Elektrofahrzeuge und Verfahren zum Betreiben einer solchen |
| US20240037444A1 (en) * | 2022-07-29 | 2024-02-01 | Here Global B.V. | Apparatus and methods for predicting improper parking events within electric vehicle charging locations |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113344277B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11305780B2 (en) | Road condition status prediction method, device, and server, and storage medium | |
| Ye et al. | A method for driving route predictions based on hidden Markov model | |
| CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
| CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
| CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
| Liu et al. | Deep learning enabled vehicle trajectory map‐matching method with advanced spatial–temporal analysis | |
| CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
| CN112069635A (zh) | 一种换电柜的部署方法、装置、介质及电子设备 | |
| CN115060249A (zh) | 电子地图的构建方法、装置、设备和介质 | |
| CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
| CN114625744A (zh) | 电子地图的更新方法和装置 | |
| CN113901341A (zh) | 导航信息提示方法、装置、介质及程序产品 | |
| CN112862183A (zh) | 充电难度的预测方法、模型的训练方法、装置以及设备 | |
| CN113837455B (zh) | 打车方法、装置、电子设备和可读存储介质 | |
| CN112541021B (zh) | 路线评估方法、风景区游览预估时长计算方法及装置 | |
| CN113344278A (zh) | 电量预测方法、装置、设备、存储介质和程序产品 | |
| CN111060122B (zh) | 一种导航信息共享方法及装置 | |
| CN114218504A (zh) | 阻断路段识别方法、装置、电子设备及存储介质 | |
| Fanani et al. | Bus Arrival Prediction-to Ensure Users not to Miss the Bus | |
| CN113902002B (zh) | 用于训练站点出入口确定模型的方法和装置 | |
| CN114719878B (zh) | 车辆导航方法和装置、***、电子设备、计算机介质 | |
| CN114659534A (zh) | 导航路径通行时间处理方法、装置、设备、介质及产品 | |
| CN117037484A (zh) | 车辆位置确定方法、车辆位置确定模型的训练方法及设备 | |
| CN116935689A (zh) | 行驶时间预测方法、行驶时间预测模型的训练方法、设备及介质 | |
| CN114781714A (zh) | 路线推送、模型训练方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |