CN113487762B - 一种编码模型生成方法、充电数据获取方法及装置 - Google Patents

Abstract

本申请实施例公开了一种编码模型生成方法，获取待训练数据集合，该待训练数据集合中包括多个时间段对应的充电数据，将该待训练数据集合输入编码模型，获得第一向量表示集合。将第一向量表示集合输入解码模型，获得第一解码数据集合，该第一解码数据集合中包括各向量表示解码后对应的充电数据。将第一解码数据集合和待训练数据集合进行比较，获得第一损失函数。根据第一损失函数对编码模型的参数进行调整，进而继续对编码模型进行训练，直至第一损失函数满足第一预设条件，获得编码模型。通过上述训练使得编码模型在对充电数据进行编码时，能够对充电数据进行平滑处理以及学习不同时间段的充电数据之间的时序信息，进而对充电数据进行准确编码。

Description

一种编码模型生成方法、充电数据获取方法及装置

技术领域

本申请涉及数据处理技术领域，具体涉及一种编码模型生成方法、充电数据获取方法及装置。

背景技术

随着新能源汽车的不断发展，越来越多的用户使用新能源汽车作为交通工具。其中，新能源汽车主要包括混合动力电动汽车、纯电动汽车、燃料电池电动汽车等。为提高新能源汽车的安全性和使用寿命，需要对汽车中电池包的充电数据进行分析，以便根据充电数据的变化及时发现问题。然而，真实车辆充电数据多为片段数据，几乎无法获取到满充满放下的充电数据。例如，实际应用中，为保证顺利出行，用户通常不会在电池的剩余容量(State of charge，SOC)为0％时才进行充电，充电过程集中在SOC为50％-80％左右。因此，导致无法获取0％-100％的充电数据，缺乏有效数据，导致数据分析结果不准确。

发明内容

有鉴于此，本申请实施例提供一种编码模型生成方法、充电数据获取方法及装置，以获取车辆的完整充电数据，提高后续数据分析结果的准确性。

为解决上述问题，本申请实施例提供的技术方案如下：

在本申请实施例第一方面，提供了一种编码模型生成方法，该方法可以包括：

获取待训练数据集合，所述待训练数据集合包括多个时间段各自对应的充电数据；

将所述待训练数据集合输入编码模型，获得第一向量表示集合，所述第一向量表示集合包括各个时间段的充电数据对应的向量表示；

将所述第一向量表示集合输入解码模型，获得第一解码数据集合，所述第一解码数据集合中包括所述第一向量表示集合中各向量表示解码后对应的充电数据；

根据所述第一解码数据集合以及所述待训练数据集合获得第一损失函数；

根据所述第一损失函数对所述编码模型进行训练，直至所述第一损失函数满足第一预设条件，获得编码模型。

在一种具体的实现方式中，在根据所述第一解码数据集合以及所述待训练数据集合获得第一损失函数后，所述方法还包括：

将所述第一向量表示集合输入辅助任务模型，获得第二损失函数，所述辅助任务模型用于辅助训练所述编码模型；

所述根据所述第一损失函数对所述编码模型训练，指示所述第一损失函数满足预设条件，获得编码模型，包括：

根据所述第一损失函数和所述第二损失函数对所述编码模型进行训练，直至根据所述第一损失函数和所述第二损失函数所构建的联合损失函数满足第二预设条件，获得所述编码模型。

在一种具体的实现方式中，所述将所述第一向量表示集合输入辅助任务模型，获得第二损失函数，包括：

将所述第一向量表示集合输入分类模型，获得分类结果；

根据所述分类结果以及所述第一向量表示集合中各向量表示对应的分类标签获得第二损失函数。

在一种具体的实现方式中，所述第一预设条件为使得损失函数值最小，和/或第二预设条件为损失函数值最小。

在一种具体的实现方式中，所述多个时间段各自对应的充电数据包括针对同一车辆在不同时间段对应的充电数据和/或针对不同车辆在不同时间段对应的充电数据。

在一种具体的实现方式中，针对同一车辆，在预设时间段对应的充电数据的向量表示具有一致性，非预设时间段对应的充电数据的向量表示不具有一致性。

在一种具体的实现方式中，针对不同车辆，同一时段对应的充电数据的向量表示不具有一致性。

在本申请实施例第二方面，提供了一种充电数据获取方法，获取待处理目标数据集合，所述待处理目标数据集合包括多条充电数据，所述多条充电数据之间具有一致性；

将所述待处理目标数据集合输入编码模型，获得第二向量表示集合，所述第二向量表示集合包括各条所述充电数据的向量表示，所述编码模型是根据第一方面方法训练获得的；

将所述第二向量表示集合输入解码模型，获得第二解码数据集合，所述第二解码数据集合中包括各向量表示解码后对应的充电数据；

根据所述第二解码数据集合获得目标充电数据，所述目标充电数据包括满充满放的充电数据。

在一种具体的实现方式中，所述获取待处理目标数据集合，包括：

获取待处理数据集合，所述待处理数据集合包括多条充电数据；

将所述待处理数据集合输入所述编码模型，获得第三向量表示集合，所述第三向量表示集合包括各条所述充电数据的向量表示；

将所述第三向量表示集合输入分类模型，获得分类结果；

根据所述分类结果从所述待处理数据集合中选择属于同一分类结果的待处理数据，构成所述待处理目标数据集合。

在本申请实施例第三方面，提供了一种编码模型生成装置，所述装置包括：

第一获取单元，用于获取待训练数据集合，所述待训练数据集合包括多个时间段各自对应的充电数据；

第二获取单元，用于将所述待训练数据集合输入编码模型，获得第一向量表示集合，所述第一向量表示集合包括各个时间段的充电数据对应的向量表示；

第三获取单元，用于将所述第一向量表示集合输入解码模型，获得第一解码数据集合，所述第一解码数据集合中包括所述第一向量表示集合中各向量表示解码后对应的充电数据；

第四获取单元，用于根据所述第一解码数据集合以及所述待训练数据集合获得第一损失函数；

训练单元，用于根据所述第一损失函数对所述编码模型进行训练，直至根据所述第一损失函数满足第一预设条件，获得所述编码模型。

在本申请实施例第四方面，提供了一种充电数据获取装置，所述装置包括：

第一获取单元，用于获取待处理目标数据集合，所述待处理目标数据集合包括多条充电数据，所述多条充电数据之间具有一致性；

第二获取单元，用于将所述待处理目标数据集合输入编码模型，获得第二向量表示集合，所述第二向量表示集合包括各条所述充电数据的向量表示，所述编码模型是根据第一方面所述的方法训练获得的；

第三获取单元，用于将所述第二向量表示集合输入解码模型，获得第二解码数据集合，所述第二解码数据集合中包括各向量表示解码后对应的充电数据；

第四获取单元，用于根据所述第二解码数据集合获得目标充电数据，所述目标充电数据包括满充满放的充电数据。

在本申请实施例第五方面，提供了一种设备，包括：处理器，存储器；

所述存储器，用于存储计算机可读指令或者计算机程序；

所述处理器，用于读取所述计算机可读指令或所述计算机程序，以使得所述设备实现如第一方面所述的编码模型生成方法，或第二方面所述的充电数据获取方法。

在本申请实施例第六方面，提供了一种计算机可读存储介质，包括指令或计算机程序，当其在计算机上运行时，使得计算机执行第一方面所述的编码模型生成方法，或第二方面所述的充电数据获取方法。

由此可见，本申请实施例具有如下有益效果：

本申请实施例中获取待训练数据集合，该待训练数据集合中包括多个时间段各自对应的充电数据，将该待训练数据集合输入编码模型，获得第一向量表示集合，该第一向量表示集合中包括各个时间段的充电数据对应的向量表示。将第一向量表示集合输入解码模型，获得第一解码数据集合，该第一解码数据集合中包括各向量表示解码后对应的充电数据。根据第一解码数据集合和待训练数据集合进行比较，获得第一损失函数，该第一损失函数用于指示解码获得的数据与原数据之间的差距。根据第一损失函数对编码模型的参数进行调整，进而继续对编码模型进行训练，直至第一损失函数满足第一预设条件，获得编码模型。即，通过上述训练使得编码模型在对充电数据进行编码时，能够对充电数据进行平滑处理以及学习不同时间段的充电数据之间的时序信息，进而可以对充电数据进行准确编码。

另外，为提高编码模型的编码精度，还可以将第一向量表示集合输入辅助任务模型，获得第二损失函数，该辅助任务模型用于辅助训练编码模型。利用第一损失函数和第二损失函数对编码模型进行训练，直至第一损失函数和第二损失函数所构建的联合损失函数满足第二预设条件，从而获得编码模型。

在实际应用时，将待处理的目标数据集合，该待处理目标数据集合包括多条充电数据，该多条充电数据之间具有一致性。将该待处理目标数据集合输入编码模型，获得第二向量表示集合，并将该第二向量表示集合输入解码模型，获得第二解码数据集合。利用第二解码数据集合中的多条充电数据获得目标充电数据，该目标充电数据包括满充满放下的充电数据。也就是，本申请实施例基于短期内充电数据呈现一致性的特点，完成对充电切片内的充电数据进行拼接和补全，从而可以获取接近满充满放下的充电数据，以提高后续数据分析的准确性。

附图说明

图1为本申请实施例提供的一种编码模型生成方法流程图；

图2为本申请实施例提供的一种编码模型生成框架图；

图3为本申请实施例提供的一种充电数据获取方法流程图；

图4为本申请实施例提供的一种编码模型生成装置结构图；

图5为本申请实施例提供的一种充电数据获取装置结构图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。

发明人在对充电数据研究中发现，由于真实车辆的电池包在进行充电时，大多集中在SOC为50％-80％之间，且充电数据多为片段数据，例如，从SOC为30％充电至80％的充电数据、从SOC为50％充电至90％的充电数据等，无法获取到满充满放下(SOC为0％-100％)的充电数据，导致后续的充电数据分析过程受限。

基于此，本申请实施例基于短期内多个充电数据片段呈现一致性的特点，训练编码模型。在训练完成编码模型后，将待处理目标数据集合输入编码模型，以利用该编码模型对待处理目标数据集合中的多条数据进行编码，获得第二向量表示集合。通过编码可以对待处理目标数据集合中的多条数据进行平滑处理，消除异常数据，保证数据的稳定性，同时提取每条数据的时序信息。将第二向量表示集合输入解码模型获得第二解码数据集合，该第二解码数据集合中所包括的多条充电数据为平滑处理后的数据，对第二解码数据集合中的多条数据进行整合获得目标充电数据，该目标充电数据包括满充满放下的充电数据。

为便于理解本申请实施例提供的技术方案，下面将结合附图对编码模型的训练方法以及充电数据获取方法进行说明。

参见图1，该图为本申请实施例提供的一种编码模型生成方法流程图，如图1所示，该方法可以包括：

S101：获取待训练数据集合。

本实施例中，为训练生成编码模型，可以获取包括大量的待训练数据的集合，该待训练数据集合中包括多个时间段各自对应的充电数据。具体地，多个时间段各自对应的充电数据可以为全量车里在一定长度连续时间段内的充电数据，将该充电数据按照预设长度进行拆分，从而形成多车辆多时间段充电数据。其中，多个时间段可以预先设定。例如，第一预设时间段内为第1天-第10天，在该第一预设时间段内车辆进行4次充电，则待训练数据集合中包括4次充电各自对应的充电数据，第二预设时间段为第11天-第20天，在该第二预设时间段内车辆进行3次充电，则待训练数据集合中包括3次充电各自对应的充电数据。其中，充电数据可以是原始电流电压数据，也可以是经过提取后的特征数据，如：电池温度、电池剩余量(State of Charge，SOC)、容量增量分析(Incremental Capacity Analysis，ICA)曲线特征等。

其中，多个时间段对应的充电数据可以包括针对同一车辆在不同时间段对应的充电数据，和/或针对不同车辆在不同时间段对应的充电数据。在预设时间段对应的充电数据的向量表示具有一致性，非预设时间段对应的充电数据的向量表示不具有一致性。其中，预设时间段可以为根据实际业务需求设定的等效时间段。例如，存在车辆A和车辆B，等效时间段为10天，车辆A在第1天-第10天内共充电4次，则获取充电数据A1、A2、A3和A4，则A1-A4的充电数据的向量表示具有一致性；车辆A在第11天和第20天内共充电3次，则获取充电数据A5、A6和A7，则A5-A7的充电数据的向量表示具有一致性。其中，A1-A4中的任意一条充电数据的向量表示与A5-A7中的任意一条充电数据的向量表示不具有一致性。车辆B在第1天-第10天内共充电2次，则获取充电数据B1、B2，则B1和B2的向量表示具有一致性；车辆B在第11天和第20天内共充电7次，则获取充电数据B3、B4、B5、B6、B7、B8和B9，则充电数据B3-B9各自对应的向量表示具有一致性。且充电数据B1-B2中的任意一条充电数据的向量表示与B3-B9中的任意一条充电数据的向量表示之间不具有一致性。

S102：将待训练数据集合输入编码模型，获得第一向量表示集合。

在获得待训练数据集合后，将待训练数据集合输入编码模型，获得第一向量表示集合。其中，第一向量表示集合包括各个时间段的充电数据对应的向量表示。其中，编码模型在对待训练数据集合中的充电数据进行编码时，可以对多条充电数据进行平滑处理，以消除极端异常情况下的充电数据，以保证所提取特征的稳定性。

S103：将第一向量表示集合输入解码模型，获得第一解码数据集合。

S104：根据第一解码数据集合和待训练数据集合获得第一损失函数。

在通过编码模型获得待训练数据集合中每条充电数据对应的向量表示后，将各向量表示输入解码模型，以利用该解码模型对向量表示进行解码，获得解码数据。可以理解的是，由于编码模型对充电数据进行平滑处理后获得向量表示，因此，在利用解码模型对向量表示进行解码获得的解码数据与实际的充电数据之间存在一些差异，根据二者之间的差异获得第一损失函数，该第一损失函数用于反映解码所获得充电数据与待训练数据集合中的充电数据之间的差异大小。也就是，第一损失函数越大，表明解码获得的充电数据与待训练数据集合中的充电数据的差异越大，第一损失函数越小，表明解码说的充电数据与待训练数据结合中的充电数据的差异越小，进一步可以表明编码模型在对充电数据进行编码时，所获得向量表示较为准确。

S105：根据第一损失函数对编码模型进行训练，直至第一损失函数满足第一预设条件，获得编码模型。

在获得第一损失函数后，可以根据第一损失函数对编码模型的参数进行调整，在利用调整的编码模型执行S102-S104，直至所获得第一损失函数满足第一预设条件，表明编码模型的编码准确度较高，则不再对编码模型的参数进行调整，获得编码模型，以利用该编码模型进行后续充电参数的补充。其中，第一预设条件可以根据实际应用情况进行设定，本实施例在此不进行限定。例如，第一预设条件为损失函数值最小，或者损失函数值小于预设阈值等。

在一种应用场景下，为提高编码模型的训练精度，在执行完S104后，还可以执行以下步骤：

A1：将第一向量表示集合输入辅助任务模型，获得第二损失函数，该辅助任务模型用于辅助训练编码模型。

在本实施例中，先将第一向量表示集合输入辅助任务模型，获得辅助任务模型基于第一向量表示集合所获得的结果，进而根据该结果确定第二损失函数，其中，辅助任务模型可以为分类模型，即对输入的第一向量表示集合中的各个第一向量表示进行分类。在获得分类结果后，根据分类结果以及第一向量表示集合中各向量表示对应的分类标签获得第二损失函数。其中，向量表示对应的分类标签用于指示该向量表示实际分类结果。其中，第二损失函数用于反映利用向量表示所获得分类结果与实际分类结果之间的差异。第二损失函数越大，表明分类模型所输出的分类结果与实际分类结果不同，进一步说明编码模型所编码获得向量表示无法表征充电数据的特征，编码不准确。第二损失函数越小，表明分类模型所处的分类结果与实际分类结果相同，则进一步说明编码模型所编码获得向量表示可以准确表征充电数据的特征，编码较为准确。

A2：根据第一损失函数和第二损失函数对编码模型进行训练，直至根据第一损失函数和第二损失函数所构建的联合损失函数满足第二预设条件，获得编码模型。

在获得第一损失函数和第二损失函数后，利用第一损失函数和第二损失函数构建联合损失函数，进而利用该联合损失函数对编码模型进行训练，直至联合损失函数满足第二预设条件，该情况下，表明编码模型的编码效果较为准确，获得最终的编码模型。其中，第二预设条件可以根据实际应用情况进行设定，本实施例在此不进行限定。例如，第二预设条件为损失函数值最小，或者损失函数值小于预设阈值等。

可见，获取待训练数据集合，该待训练数据集合中包括多个时间段各自对应的充电数据，将该待训练数据集合输入编码模型，获得第一向量表示集合，该第一向量表示集合中包括各个时间段的充电数据对应的向量表示。将第一向量表示集合输入解码模型，获得第一解码数据集合，该第一解码数据集合中包括各向量表示解码后对应的充电数据。根据第一解码数据集合以及代理训练数据集合获得第一损失函数，该第一损失函数用于指示解码获得的数据与原数据之间的差距。根据第一损失函数对编码模型的参数进行调整，进而继续对编码模型进行训练，直至第一损失函数满足第一预设条件，获得编码模型。即，通过上述训练使得编码模型在对充电数据进行编码时，能够对充电数据进行平滑处理以及学习不同时间段的充电数据之间的时序信息，进而可以对充电数据进行准确编码。

同时，还可以将第一向量表示集合输入辅助任务模型，以获得第二损失函数。利用第一损失函数和第二损失函数对编码模型进行训练，直至第一损失函数和第二损失函数所构建的联合损失函数满足第二预设条件，从而获得编码模型。即，通过上述训练使得编码模型在对充电数据进行编码时，能够对充电数据进行平滑处理以及学习不同时间段的充电数据之间的时序信息，进而可以对充电数据进行准确编码。

为便于理解编码模型的训练过程，参见图2所示的框架图，该图中包括编码模型201、分类模块202、解码模型203和判断模块204。其中，编码模型201用于对输入的待训练充电数据进行编码获得向量表示，并将该向量表示输入分类模块202中。分类模块202根据向量表示对其进行分类，获得分类结果，并将向量表示的分类结果输入判断模块204，以使得判断模块204根据分类模型202输出的分类结果以及向量表示对应的标签获得第二损失函数。同时，编码模型201还可以将向量表示输入解码模型203中，以使得解码模型203对输入的向量表示进行解码，获得解码数据集合。判断模块204对待训练数据集合中的充电数据和解码数据集合中的解码数据的相似度进行判断，获得第一损失函数，并根据第一损失函数和第二损失函数对编码模型进行调整训练。

其中，编码模型201可以包括两个部分，第一部分是提取充电数据特征的神经网络结构，例如卷积神经网络(Convolutional Neural Networks,，CNN)，这部分的作用有两个，一是消除一些极端异常情况，平滑数据，为了保证数据更稳定的数据和特征，二是可以融合不同时间段内充电的数据，就比如一次充电时40％充到80％，一次充电20％充到60％，该结构可以融合提取到20％-80％的特征数据。第二部分是模型部分，提取充电序列的时序信息。可见，通过本申请实施例提供的方案，不仅可以获取满充满放下的充电数据，还可以去除一些充电数据中的毛刺点，让数据表现更稳定。

在训练完编码模型后，可以根据利用上述编码模型进行充电数据的补全，下面将结合附图进行说明。

参见3，该图为本申请实施例提供的一种充电数据获取方法流程图，如图3所示，该方法可以包括：

S301：获取待处理目标数据集合。

本实施例中，获取真实车辆在实际充电过程中的充电数据片段，即待处理目标数据集合。该待处理数据集合中包括多条充电数据，该多条充电数据之间具有一致性。即，待处理目标数据集合中的多条充电数据为有效时间段内对应的多条充电数据。其中，多条充电数据包括不同SOC范围的充电数据。例如，包括一条或多条SOC为10％-80％的充电数据、包括一条或多条SOC为30％-90％之间的数据、包括一条或多条SOC为20％-60％的充电数据、包括一条或多条SOC为30％-100％的充电数据等。

其中，可以通过以下方式获取待处理目标数据集合：

获得待处理数据集合，该待处理数据集合中包括多条充电数据，该多条充电数据包括非等效时间段内的充电数据；将待处理数据集合输入编码模型，获得第三向量表示集合，该第三向量表示集合包括各条充电数据的向量表示；将第三向量表示集合输入分类模型，获得分类结果；根据分类结果从待处理数据集合中选择属于同一分类结果的待处理数据，构成待处理目标数据集合。其中，属于同一分类结果的待处理数据表明存在一致性的特点。

S302：将待处理目标数据集合输入编码模型，获得第二向量表示集合。

在获得待处理数据集合中，将待处理数据集合中的每条充电数据输入编码模型，获得每条充电数据对应的向量表示，即第二向量表示集合。其中，编码模型是根据图1所述的方法训练获得的。

S303：将第二向量表示集合输入解码模型，获得第二解码数据集合。

其中，第二解码数据集合包括各向量表示解码后对应的充电数据。可以理解的是，由于编码模型可以对输入待处理目标数据集合中的充电数据进行平滑处理，因此解码后获得充电数据较为平滑。

S304：根据第二解码数据集合获得目标充电数据，该目标充电数据包括满充满放下的充电数据。

其中，目标充电数据为一条完整的充电数据，包括SOC从0％-100％的充电数据。例如，第二解码数据集合中的充电数据包括SOC从20％-50％的充电数据、SOC从0％-20％的充电数据、SOC从50％-70％的充电数据以及SOC从70％-100％的充电数据，则将上述充电数据拼接获得SOC从0％-100％的充电数据。对于上述充电数据中存在交集的充电数据，可以求平均获得交集部分对应的充电数据，再进行充电数据拼接。再例如，第二解码数据集合中的充电数据包括SOC从20％-80％的第一充电数据、SOC从50％-90％的第二充电数据，对于交集部分SOC从50％-80％的充电数据，可以将第一充电数据中SOC从50％-80％对应的充电数据和第二充电数据中SOC从50％-80％对应的充电数据进行求平均，将平均值作为SOC从50％-80％的充电数据。或者，将交集中最大的充电数据作为交集部分对应的充电数据。例如，第一充电数据中SOC从50％-80％对应的充电数据大于第二充电数据中SOC从50％-80％对应的充电数据，则将第一充电数据中SOC从50％-80％的充电数据作为SOC从50％-80％的充电数据。

可见，本实施例获取待处理的目标数据集合，该待处理目标数据集合包括多条充电数据，该多条充电数据之间具有一致性。将该待处理目标数据集合输入编码模型，获得第二向量表示集合，并将该第二向量表示集合输入解码模型，获得第二解码数据集合。利用第二解码数据集合中的多条充电数据获得目标充电数据，该目标充电数据包括满充满放下的充电数据。也就是，本申请实施例基于短期内充电数据呈现一致性的特点，完成对充电切片内的充电数据进行拼接和补全，从而可以获取接近满充满放下的充电数据，以提高后续数据分析的准确性。

基于上述方法实施例，本申请实施例提供了一种编码模型生成装置和充电数据获取装置，下面将结合附图进行说明。

参见图4，该图为本申请实施例提供的一种编码模型生成装置结构图，如图4所示，该装置可以包括：

第一获取单元401，用于获取待训练数据集合，所述待训练数据集合包括多个时间段各自对应的充电数据；

第二获取单元402，用于将所述待训练数据集合输入编码模型，获得第一向量表示集合，所述第一向量表示集合包括各个时间段的充电数据对应的向量表示；

第三获取单元403，用于将所述第一向量表示集合输入解码模型，获得第一解码数据集合，所述第一解码数据集合中包括所述第一向量表示集合中各向量表示解码后对应的充电数据；

第四获取单元404，用于根据所述第一解码数据集合以及所述待训练数据集合获得第一损失函数；

训练单元405，用于根据所述第一损失函数对所述编码模型进行训练，直至根据所述第一损失函数满足第一预设条件，获得所述编码模型。

在一种可能的实现方式中，所述装置还包括：第五获取单元；

所述第五获取单元，用于将所述第一向量表示集合输入辅助任务模型，获得第二损失函数，所述辅助任务模型用于辅助训练所述编码模型；

所述训练单元，具体用于根据所述第一损失函数和所述第二损失函数对所述编码模型进行训练，直至根据所述第一损失函数和所述第二损失函数所构建的联合损失函数满足第二预设条件，获得所述编码模型。

在一种可能的实现方式中，所述第五获取单元，具体用于将所述第一向量表示集合输入分类模型，获得分类结果；根据所述分类结果以及所述第一向量表示集合中各向量表示对应的分类标签获得第二损失函数。

在一种可能的实现方式中，所述第一预设条件为损失函数值最小，和/或所述第二预设条件为损失函数值最小。

在一种可能的实现方式中，所述多个时间段各自对应的充电数据包括针对同一车辆在不同时间段对应的充电数据和/或针对不同车辆在不同时间段对应的充电数据。

在一种可能的实现方式中，针对同一车辆，在预设时间段对应的充电数据的向量表示具有一致性，非预设时间段对应的充电数据的向量表示不具有一致性。

在一种可能的实现方式中，针对不同车辆，同一时段对应的充电数据的向量表示不具有一致性。

需要说明的是，本实施例中各个单元的实现可以参见上述方法实施例，本实施例在此不再赘述。

参见图5，该图为本申请实施例提供的一种充电数据获取装置结构图，如图5所示，该装置包括：

第一获取单元501，用于获取待处理目标数据集合，所述待处理目标数据集合包括多条充电数据，所述多条充电数据之间具有一致性；

第二获取单元502，用于将所述待处理目标数据集合输入编码模型，获得第二向量表示集合，所述第二向量表示集合包括各条所述充电数据的向量表示，所述编码模型是根据权利要求1-5任一项方法训练获得的；

第三获取单元503，用于将所述第二向量表示集合输入解码模型，获得第二解码数据集合，所述第二解码数据集合中包括各向量表示解码后对应的充电数据；

第四获取单元504，用于根据所述第二解码数据集合获得目标充电数据，所述目标充电数据包括满充满放的充电数据。

在一种可能的实现方式中，所述第一获取单元501，具体用于获取待处理数据集合，所述待处理数据集合包括多条充电数据；将所述待处理数据集合输入所述编码模型，获得第三向量表示集合，所述第三向量表示集合包括各条所述充电数据的向量表示；将所述第三向量表示集合输入分类模型，获得分类结果；根据所述分类结果从所述待处理数据集合中选择属于同一分类结果的待处理数据，构成所述待处理目标数据集合。

需要说明的是，本实施例中各个单元的实现可以参见上述方法实施例的相关描述，本实施例在此不再赘述。

另外，本申请实施例提过了一种设备，包括：处理器，存储器；

所述存储器，用于存储计算机可读指令或者计算机程序；

所述处理器，用于读取所述计算机可读指令或所述计算机程序，以使得所述设备实现所述的编码模型生成方法，或所述的充电数据获取方法。

本申请实施例提供了一种计算机可读存储介质，包括指令或计算机程序，当其在计算机上运行时，使得计算机执行所述的编码模型生成方法，或所述的充电数据获取方法。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种充电数据获取方法，其特征在于，所述方法包括：

获取待处理目标数据集合，所述待处理目标数据集合包括多条充电数据，所述多条充电数据之间具有一致性；

将所述待处理目标数据集合输入编码模型，获得第二向量表示集合，所述第二向量表示集合包括各条所述充电数据的向量表示；

将所述第二向量表示集合输入解码模型，获得第二解码数据集合，所述第二解码数据集合中包括各向量表示解码后对应的充电数据；

根据所述第二解码数据集合获得目标充电数据，所述目标充电数据包括满充满放的充电数据；

所述编码模型是根据如下步骤训练得到的：

获取待训练数据集合，所述待训练数据集合包括多个时间段各自对应的充电数据；

将所述待训练数据集合输入编码模型，获得第一向量表示集合，所述第一向量表示集合包括各个时间段的充电数据对应的向量表示；

将所述第一向量表示集合输入解码模型，获得第一解码数据集合，所述第一解码数据集合中包括所述第一向量表示集合中各向量表示解码后对应的充电数据；

根据所述第一解码数据集合以及所述待训练数据集合获得第一损失函数；

根据所述第一损失函数对所述编码模型进行训练，直至所述第一损失函数满足第一预设条件，获得所述编码模型，所述编码模型包括提取充电数据特征的神经网络结构，用于融合所述充电数据特征；

在根据所述第一解码数据集合以及所述待训练数据集合获得第一损失函数后，所述方法还包括：

将所述第一向量表示集合输入辅助任务模型，获得第二损失函数，所述辅助任务模型用于辅助训练所述编码模型；

所述根据所述第一损失函数对所述编码模型训练，直至所述第一损失函数满足预设条件，获得编码模型，包括：

根据所述第一损失函数和所述第二损失函数对所述编码模型进行训练，直至根据所述第一损失函数和所述第二损失函数所构建的联合损失函数满足第二预设条件，获得所述编码模型；

所述将所述第一向量表示集合输入辅助任务模型，获得第二损失函数，包括：

将所述第一向量表示集合输入分类模型，获得分类结果；

根据所述分类结果以及所述第一向量表示集合中各向量表示对应的分类标签获得第二损失函数，所述第二损失函数用于表征所述分类结果与实际分类结果的差异。

2.根据权利要求1所述的方法，其特征在于，所述获取待处理目标数据集合，包括：

获取待处理数据集合，所述待处理数据集合包括多条充电数据；

将所述待处理数据集合输入所述编码模型，获得第三向量表示集合，所述第三向量表示集合包括各条所述充电数据的向量表示；

将所述第三向量表示集合输入分类模型，获得分类结果；

根据所述分类结果从所述待处理数据集合中选择属于同一分类结果的待处理数据，构成所述待处理目标数据集合。

3.根据权利要求1所述的方法，其特征在于，所述第一预设条件为损失函数值最小，和/或所述第二预设条件为损失函数最小。

4.根据权利要求1所述的方法，其特征在于，所述多个时间段各自对应的充电数据包括针对同一车辆在不同时间段对应的充电数据和/或针对不同车辆在不同时间段对应的充电数据。

5.一种充电数据获取装置，其特征在于，所述装置包括：

第一获取单元，用于获取待处理目标数据集合，所述待处理目标数据集合包括多条充电数据，所述多条充电数据之间具有一致性；

第二获取单元，用于将所述待处理目标数据集合输入编码模型，获得第二向量表示集合，所述第二向量表示集合包括各条所述充电数据的向量表示；

第三获取单元，用于将所述第二向量表示集合输入解码模型，获得第二解码数据集合，所述第二解码数据集合中包括各向量表示解码后对应的充电数据；

第四获取单元，用于根据所述第二解码数据集合获得目标充电数据，所述目标充电数据包括满充满放的充电数据；

所述编码模型是根据如下步骤训练得到的：

获取待训练数据集合，所述待训练数据集合包括多个时间段各自对应的充电数据；

将所述待训练数据集合输入编码模型，获得第一向量表示集合，所述第一向量表示集合包括各个时间段的充电数据对应的向量表示；

将所述第一向量表示集合输入解码模型，获得第一解码数据集合，所述第一解码数据集合中包括所述第一向量表示集合中各向量表示解码后对应的充电数据；

根据所述第一解码数据集合以及所述待训练数据集合获得第一损失函数；

根据所述第一损失函数对所述编码模型进行训练，直至所述第一损失函数满足第一预设条件，获得所述编码模型，所述编码模型包括提取充电数据特征的神经网络结构，用于融合所述充电数据特征；

在根据所述第一解码数据集合以及所述待训练数据集合获得第一损失函数后，所述步骤还包括：

将所述第一向量表示集合输入辅助任务模型，获得第二损失函数，所述辅助任务模型用于辅助训练所述编码模型；

所述根据所述第一损失函数对所述编码模型训练，直至所述第一损失函数满足预设条件，获得编码模型，包括：

根据所述第一损失函数和所述第二损失函数对所述编码模型进行训练，直至根据所述第一损失函数和所述第二损失函数所构建的联合损失函数满足第二预设条件，获得所述编码模型；

所述将所述第一向量表示集合输入辅助任务模型，获得第二损失函数，包括：

将所述第一向量表示集合输入分类模型，获得分类结果；根据所述分类结果以及所述第一向量表示集合中各向量表示对应的分类标签获得第二损失函数，所述第二损失函数用于表征所述分类结果与实际分类结果的差异。

6.一种设备，其特征在于，包括：处理器，存储器；

所述存储器，用于存储计算机可读指令或者计算机程序；

所述处理器，用于读取所述计算机可读指令或所述计算机程序，以使得所述设备实现如权利要求1-4任一项所述的充电数据获取方法。

Images