CN114118547A - 电动车公共充电站排队等待时间估算方法及*** - Google Patents
电动车公共充电站排队等待时间估算方法及*** Download PDFInfo
- Publication number
- CN114118547A CN114118547A CN202111346535.0A CN202111346535A CN114118547A CN 114118547 A CN114118547 A CN 114118547A CN 202111346535 A CN202111346535 A CN 202111346535A CN 114118547 A CN114118547 A CN 114118547A
- Authority
- CN
- China
- Prior art keywords
- data
- station
- time
- queuing
- electric 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.)
- Pending
Links
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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电动车公共充电站排队等待时间估算方法及***,所述方法包括:基于车辆行驶上报数据进行离线计算构建先验知识,基于所述先验知识,根据获取的监控数据、桩运行数据以及用户行为数据生成电动车公共充电站排队等待时间在线预测模型;获取用户充电查询实时请求,从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入所述电动车公共充电站排队等待时间在线预测模型,通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数并反馈给用户。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种电动车公共充电站排队等待时间估算方法及***。
背景技术
全国新能源汽车保有量达到600万辆,充电桩保有量共有200万左右,车桩比为3:1,距离国家规划的1:1的车桩比还有一定的距离。由此影响,在写字楼,高速公路充电站,特定时间,会有一定的排队情况,给用户带来了较差的充电体验。
根据经验,目前市场上与充电相关的APP,如E充电,特来电,星星充电等,全部APP只包含剩余可用桩数量,没有一家透出场站排队情况。除此之外,这些APP也没有把该因素纳入到排序策略中。因此用户在使用APP做充电决策的时候,较容易遇到推荐的站点排队的情况,尤其是节假日上的高速公路,高峰期的写字楼。
目前现有的充电排队长度和时间预测文献,更多的聚焦于通过汽车剩余电量,充电站功率,汽车流量等因素,动态的模拟充电汽车排队时长,排队车数量。但是此类模拟,离实际应用场景差距较大,没办法实时给用户确定的拥堵信息,减少用户排队时间。
发明内容
本发明的目的在于提供一种电动车公共充电站排队等待时间估算方法及***,旨在解决现有技术中的上述问题。
本发明提供一种电动车公共充电站排队等待时间估算方法,包括:
基于车辆行驶上报数据进行离线计算构建先验知识,基于所述先验知识,根据获取的监控数据、桩运行数据以及用户行为数据生成场站维度的电动车公共充电站排队等待时间在线预测模型;
获取用户充电查询实时请求,从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入所述电动车公共充电站排队等待时间在线预测模型,通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数并反馈给用户
本发明提供一种电动车公共充电站排队等待时间估算***,包括:
构建模块,用于基于车辆行驶上报数据进行离线计算构建先验知识,基于所述先验知识,根据获取的监控数据、桩运行数据以及用户行为数据生成场站维度的电动车公共充电站排队等待时间在线预测模型;
预测模块,用于获取用户充电查询实时请求,从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入所述电动车公共充电站排队等待时间在线预测模型,通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数并反馈给用户
采用本发明实施例,可以实时得到场站当下的排队时间,排队的车辆数的预测结果,降低用户无效充电决策,提升用户使用体验。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的电动车公共充电站排队等待时间估算方法的流程图;
图2是本发明实施例的电动车公共充电站排队等待时间估算方法的原理示意图;
图3是本发明实施例的智能充电桩的示意图;
图4是本发明实施例的普通充电桩的示意图;
图5是本发明实施例的进行模型训练的示意图;
图6是本发明实施例的模型预测的示意图;
图7是本发明实施例的电动车公共充电站排队等待时间估算***的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。此外,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例,提供了一种电动车公共充电站排队等待时间估算方法,图1是本发明实施例的电动车公共充电站排队等待时间估算方法的流程图,如图1所示,根据本发明实施例的电动车公共充电站排队等待时间估算方法具体包括:
步骤101,基于车辆行驶上报数据进行离线计算构建先验知识,基于所述先验知识,根据获取的监控数据、桩运行数据以及用户行为数据生成场站维度的电动车公共充电站排队等待时间在线预测模型;步骤101具体包括如下处理:
以场站ID和时间ID为组合维度,通过场站ID特征、时间相关特征、监控挖掘特征、桩、站的运行数据、用户行为数据、以及评论数据构造训练集合的特征数据;
确定离线计算的目标为:使用上报数据,估计时间单位内,排除充电车辆后,场站范围内最大拥有车辆;使用摄像头数据,检测场内除去充电车辆后的其他排队车辆;使用上报数据和摄像头数据检测出来的排队车辆做加权求和;
基于训练集合,使用历史T-180到T-1天的数据集,关联这段时间内的特征数据,并根据所述目标的生成规则,生成训练数据;
使用第T日的训练数据,生成验证数据集;
将所述训练数据按照站维度以一定比例进行切割为训练集合和测试集合,其中,所述一定比例保证每个场站的训练集合的数据数量大于预定阈值;
根据所述训练集合,使用回归算法进行模型训练,通过所述测试集合进行模型测试,生成待验证的电动车公共充电站排队等待时间在线预测模型;
根据所述验证数据集对所述电动车公共充电站排队等待时间在线预测模型进行验证,得到最终的电动车公共充电站排队等待时间在线预测模型。
步骤102,获取用户充电查询实时请求,从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入所述电动车公共充电站排队等待时间在线预测模型,通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数并反馈给用户。其中,所述排队拥堵指数具体包括:场站拥堵等级及对应的拥堵时长,其中,所述场站拥堵等级具体包括:代表不拥堵的绿色等级、中度拥堵的黄色等级、以及严重拥堵的红色等级。
步骤102具体包括如下处理:
获取用户充电查询实时请求,从所述用户充电查询实时请求中获取站ID和充电时间ID;
基于所述站ID和充电时间ID获取到相应特征,并从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入到所述电动车公共充电站排队等待时间在线预测模型进行预测;
通过所述电动车公共充电站排队等待时间在线预测模型输出该场站该时间内的排队车辆和排队时间。
在本发明实施例中,在通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数之后,通过对待选充电站重新排序,把个性化结果反馈给所述用户。
本发明实施例解决了用户实际在充电过程遇到的充电拥堵,排队的问题。在本发明的一个实施例中,提出三个等级和一个***,三个颜色等级是红色,黄色和绿色,用来标识当下场站的拥堵状态,拥堵时间是多少。一个***是用来计算拥堵等级,通过引入车联上报数据,场站监控数据,桩运行数据和用户行为数据,计算场站的拥堵等级。
以下结合附图,对本发明实施例的上述技术方案进行详细说明。
在本发明实施例中,为解决排队等待时间的估算问题,首先设定场站的三级拥堵颜色体系,如表1所示:
表1
颜色 | 等待车辆 | 平均等待时间 |
绿色 | 0辆 | 小于1min |
黄色 | 1-3辆 | 1min-30min |
红色 | 大于4辆 | 30min以上 |
在本发明实施例中,三级拥堵体系用来表示场站拥堵的不同状态。在一个实施例中,绿色表示通顺状态,在该状态下,用户不需要等待,可以直接充电,该状态下,平均等待时间小于1min;黄色表示少许拥堵,在该状态下,用户前方通常有1-3量车的等待,大约等位半小时以内,如果周围充电桩较少,且车电量较低,建议等待;红色表示排队拥挤状态,该状态下,前方有超过4辆车等待,用户等待时间超过30分钟,建议转移到其他充电桩充电。
在本发明实施例中,根据场站内可用数据,提供如图2所示的排队估算时间***:充电桩排队时间预测***总共分为三部分:基础数据、离线计算以及在线计算。基础数据是模型计算和特征生成所需要使用的数据源,通常为领域数据,通过ETL过程加工成可用的数据宽表。离线计算用来进行大规模特征和模型的加工计算,其中,数据层面主要是聚合场站维度的数据,生成历史上场站拥堵情况的维度表。模型层面的加工主要是根据历史监控数据、桩运行数据以及用户行为数据,生成在线预测模型。在线计算是根据用户选址过程中的实时交互行为等,实时计算待选充电站的排队拥堵指数,拥堵时长等指标,然后通过影响排序的方式,影响用户的决策。
智能充电桩如图3所示,普通充电桩如图4所示,目前市场上的公共充电站可以分为两种,智能充电站和普通充电站,其中智能充电站安装了桩摄像头和地锁。普通充电站只有厂站摄像头,用来保证厂站设备的安全。通过上述两套监控体系,可以获取到场站周围车辆信息。其中场站摄像头能提供更大范围的监控,更大的场站覆盖率,因此作为首选摄像头。从摄像头获取到视频数据后,通过级联计算的方式,获取到附近排队车数量。
图5是本发明实施例的进行模型训练的示意图,如图5所示,首先训练集合数据,使用历史T-180到T-1天的数据集,关联这段时间内的特征,然后根据目标的生成规则,生成训练数据。然后使用第T日的数据,生成验证数据集。将训练集按照站维度进行8:2的切割,保证每个站,至少5条训练数据。使用回归对于模型进行训练,训练的评测指标为RMSE。使用上一步生成的模型对于验证集进行验证,验证的评测指标为RMSE。
图6是本发明实施例的模型预测的示意图,如图6所示,请求必须包含站ID和充电时间ID。随后,通过站ID和充电时间ID获取到相应特征。使用已经训练好的模型进行预测。最后输出该场站,该时间内的排队车辆和排队时间。
下面对上述涉及到的各种数据进行详细说明。
1.车辆上报数据:
电动车通过内置TBOX,把车辆相关的行驶数据,三电***状态,用户驾驶***台。由于是车机企业自行上报,因此平台数据延迟性较高,不适合作实时特征。但是由于车辆行驶热力数据,准确性较高,因此适合参与训练离线模型。
2.监控数据:
通过智能充电站和普通充电站两套监控体系,可以获取到场站周围车辆信息。其中场站摄像头能提供更大范围的监控,更大的场站覆盖率,因此作为首选摄像头。从摄像头获取到视频数据后,通过级联计算的方式,获取到附近排队车数量。由于图像数据处理较为复杂,级联计算流程较长,因此使用难度较高。但是图像数据可以实时记录场站内的情况,因此较为重要。
3.桩运行数据:
目前国网e充电***内部可以收集到车辆和桩全部交互数据,包括:进场时间,插枪时间,开始充电时间,结束充电时间,拔枪时间,离场时间等。利用这些车桩交互数据,可以判断桩是否处于连续充电,并计算连续充电时间,以此来推测当时场站内的排队情况。但是充电数据本身维度单一,只有结合其他数据,才能估计排队时间。
4.用户行为数据:
e充电app使用客户,车辆用途不同,有私家车,运营车等。每个人使用app的充电规律不同,通过挖掘用户的充电规律,预判某个场站的拥堵情况。比如,挖掘运营车客户,预判哪些场站不需要排队;分析用户app操作路径,确定拥堵场站状况;使用用户评论,确定场站拥堵情况等。由于是隐性数据,且数据较为稀疏,因此预测的准确性较低,可以作为其他预测方案的补充。
综上所属,可以利用车辆行驶数据,构建先验知识,利用监控数据,充电数据和用户实时性行为,训练场站维度的训练特征,然后使用回归模型进行计算。
下面对离线计算过程进行详细说明,其中,***离线计算过程分为特征构造和目标构造:
1、特征构造方法
对于充电时间进行划分,如表2所示:
表2
定义 | 划分方式 |
节假日 | 当年的节假日 |
周六日 | 除去节假日的其他周六日 |
平常日 | 除去节假日和周六日外的其他时间 |
在本发明实施例中,以场站ID,时间ID为组合维度,构造训练集合,特征主要为场站ID特征,可以直接作为特征带入,用来解决场站的bias;时间相关特征;上报数据组成的特征,包含当天,昨天,上周同一天,上个月同一天以及上年同一天;监控挖掘特征,主要是车数量,包含当天,昨天,上周同一天,上个月同一天以及上年同一天;桩、站的运行数据,包含当天,昨天,上周同一天,上个月同一天以及上年同一天;用户行为数据,包含当天,昨天,上周同一天,上个月同一天以及上年同一天;评论数据,包含当天,昨天,上周同一天,上个月同一天以及上年同一天。
2、目标构造方法
使用上报数据,估计时间单位内,排除充电车辆后,场站范围内最大拥有车辆。使用摄像头数据,检测场内除去充电车辆后的其他排队车辆;使用上报数据和摄像头数据检测出来的排队车辆做加权求和。
综上所述,借助于本发明实施例的技术方案,能够完成场站拥堵指标的计算,为用户充电决策提供数据参考,提升产品的用户体验。
***实施例
根据本发明实施例,提供了一种电动车公共充电站排队等待时间估算***,图7是本发明实施例的电动车公共充电站排队等待时间估算***的示意图,如图7所示,根据本发明实施例的电动车公共充电站排队等待时间估算***具体包括:
构建模块70,用于基于车辆行驶上报数据进行离线计算构建先验知识,基于所述先验知识,根据获取的监控数据、桩运行数据以及用户行为数据生成场站维度的电动车公共充电站排队等待时间在线预测模型;
所述构建模块70具体用于:
以场站ID和时间ID为组合维度,通过场站ID特征、时间相关特征、监控挖掘特征、桩、站的运行数据、用户行为数据、以及评论数据构造训练集合的特征数据;
确定离线计算的目标为:使用上报数据,估计时间单位内,排除充电车辆后,场站范围内最大拥有车辆;使用摄像头数据,检测场内除去充电车辆后的其他排队车辆;使用上报数据和摄像头数据检测出来的排队车辆做加权求和;
基于训练集合,使用历史T-180到T-1天的数据集,关联这段时间内的特征数据,并根据所述目标的生成规则,生成训练数据;
使用第T日的训练数据,生成验证数据集;
将所述训练数据按照站维度以一定比例进行切割为训练集合和测试集合,其中,所述一定比例保证每个场站的训练集合的数据数量大于预定阈值;
根据所述训练集合,使用回归算法进行模型训练,通过所述测试集合进行模型测试,生成待验证的电动车公共充电站排队等待时间在线预测模型;
根据所述验证数据集对所述电动车公共充电站排队等待时间在线预测模型进行验证,得到最终的电动车公共充电站排队等待时间在线预测模型。
预测模块72,用于获取用户充电查询实时请求,从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入所述电动车公共充电站排队等待时间在线预测模型,通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数并反馈给用户。其中,所述排队拥堵指数具体包括:场站拥堵等级及对应的拥堵时长,其中,所述场站拥堵等级具体包括:代表不拥堵的绿色等级、中度拥堵的黄色等级、以及严重拥堵的红色等级。
所述预测模块72具体用于:
获取用户充电查询实时请求,从所述用户充电查询实时请求中获取站ID和充电时间ID;
基于所述站ID和充电时间ID获取到相应特征,并从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入到所述电动车公共充电站排队等待时间在线预测模型进行预测;
通过所述电动车公共充电站排队等待时间在线预测模型输出该场站该时间内的排队车辆和排队时间。
所述预测模块72进一步用于:
在通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数之后,通过对待选充电站重新排序,把个性化结果反馈给所述用户。
本发明实施例是与上述方法实施例对应的***实施例,各个模块的具体操作可以参照方法实施例的描述进行理解,在此不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (10)
1.一种电动车公共充电站排队等待时间估算方法,其特征在于,包括:
基于车辆行驶上报数据进行离线计算构建先验知识,基于所述先验知识,根据获取的监控数据、桩运行数据以及用户行为数据生成场站维度的电动车公共充电站排队等待时间在线预测模型;
获取用户充电查询实时请求,从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入所述电动车公共充电站排队等待时间在线预测模型,通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数并反馈给用户。
2.根据权利要求1所述的方法,其特征在于,所述排队拥堵指数具体包括:场站拥堵等级及对应的拥堵时长,其中,所述场站拥堵等级具体包括:代表不拥堵的绿色等级、中度拥堵的黄色等级、以及严重拥堵的红色等级。
3.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
在通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数之后,通过对待选充电站重新排序,把个性化结果反馈给所述用户。
4.根据权利要求1所述的方法,其特征在于,基于车辆行驶上报数据进行离线计算构建先验知识,基于所述先验知识,根据获取的监控数据、桩运行数据以及用户行为数据生成场站维度的电动车公共充电站排队等待时间在线预测模型具体包括:
以场站ID和时间ID为组合维度,通过场站ID特征、时间相关特征、监控挖掘特征、桩、站的运行数据、用户行为数据、以及评论数据构造训练集合的特征数据;
确定离线计算的目标为:使用上报数据,估计时间单位内,排除充电车辆后,场站范围内最大拥有车辆;使用摄像头数据,检测场内除去充电车辆后的其他排队车辆;使用上报数据和摄像头数据检测出来的排队车辆做加权求和;
基于训练集合,使用历史T-180到T-1天的数据集,关联这段时间内的特征数据,并根据所述目标的生成规则,生成训练数据;
使用第T日的训练数据,生成验证数据集;
将所述训练数据按照站维度以一定比例进行切割为训练集合和测试集合,其中,所述一定比例保证每个场站的训练集合的数据数量大于预定阈值;
根据所述训练集合,使用回归算法进行模型训练,通过所述测试集合进行模型测试,生成待验证的电动车公共充电站排队等待时间在线预测模型;
根据所述验证数据集对所述电动车公共充电站排队等待时间在线预测模型进行验证,得到最终的电动车公共充电站排队等待时间在线预测模型。
5.根据权利要求1所述的方法,其特征在于,获取用户充电查询实时请求,从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入所述电动车公共充电站排队等待时间在线预测模型,通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数并反馈给用户具体包括:
获取用户充电查询实时请求,从所述用户充电查询实时请求中获取站ID和充电时间ID;
基于所述站ID和充电时间ID获取到相应特征,并从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入到所述电动车公共充电站排队等待时间在线预测模型进行预测;
通过所述电动车公共充电站排队等待时间在线预测模型输出该场站该时间内的排队车辆和排队时间。
6.一种电动车公共充电站排队等待时间估算***,其特征在于,包括:
构建模块,用于基于车辆行驶上报数据进行离线计算构建先验知识,基于所述先验知识,根据获取的监控数据、桩运行数据以及用户行为数据生成场站维度的电动车公共充电站排队等待时间在线预测模型;
预测模块,用于获取用户充电查询实时请求,从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入所述电动车公共充电站排队等待时间在线预测模型,通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数并反馈给用户。
7.根据权利要求6所述的***,其特征在于,所述排队拥堵指数具体包括:场站拥堵等级及对应的拥堵时长,其中,所述场站拥堵等级具体包括:代表不拥堵的绿色等级、中度拥堵的黄色等级、以及严重拥堵的红色等级。
8.根据权利要求6所述的***,其特征在于,所述预测模块进一步用于:
在通过所述电动车公共充电站排队等待时间在线预测模型实时计算待选充电站的排队拥堵指数之后,通过对待选充电站重新排序,把个性化结果反馈给所述用户。
9.根据权利要求6所述的***,其特征在于,所述构建模块具体用于:
以场站ID和时间ID为组合维度,通过场站ID特征、时间相关特征、监控挖掘特征、桩、站的运行数据、用户行为数据、以及评论数据构造训练集合的特征数据;
确定离线计算的目标为:使用上报数据,估计时间单位内,排除充电车辆后,场站范围内最大拥有车辆;使用摄像头数据,检测场内除去充电车辆后的其他排队车辆;使用上报数据和摄像头数据检测出来的排队车辆做加权求和;
基于训练集合,使用历史T-180到T-1天的数据集,关联这段时间内的特征数据,并根据所述目标的生成规则,生成训练数据;
使用第T日的训练数据,生成验证数据集;
将所述训练数据按照站维度以一定比例进行切割为训练集合和测试集合,其中,所述一定比例保证每个场站的训练集合的数据数量大于预定阈值;
根据所述训练集合,使用回归算法进行模型训练,通过所述测试集合进行模型测试,生成待验证的电动车公共充电站排队等待时间在线预测模型;
根据所述验证数据集对所述电动车公共充电站排队等待时间在线预测模型进行验证,得到最终的电动车公共充电站排队等待时间在线预测模型。
10.根据权利要求6所述的***,其特征在于,所述预测模块具体用于:
获取用户充电查询实时请求,从所述用户充电查询实时请求中获取站ID和充电时间ID;
基于所述站ID和充电时间ID获取到相应特征,并从候选电动车公共充电站中获取到过去一段时间的监控数据、桩运行数据和用户请求前的查询行为,将上述数据输入到所述电动车公共充电站排队等待时间在线预测模型进行预测;
通过所述电动车公共充电站排队等待时间在线预测模型输出该场站该时间内的排队车辆和排队时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111346535.0A CN114118547A (zh) | 2021-11-15 | 2021-11-15 | 电动车公共充电站排队等待时间估算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111346535.0A CN114118547A (zh) | 2021-11-15 | 2021-11-15 | 电动车公共充电站排队等待时间估算方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118547A true CN114118547A (zh) | 2022-03-01 |
Family
ID=80395267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111346535.0A Pending CN114118547A (zh) | 2021-11-15 | 2021-11-15 | 电动车公共充电站排队等待时间估算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118547A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115775032A (zh) * | 2023-02-14 | 2023-03-10 | 清华大学 | 一种综合排队理论和外部成本的电动汽车充电预约方法 |
CN116862209A (zh) * | 2023-09-05 | 2023-10-10 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及*** |
-
2021
- 2021-11-15 CN CN202111346535.0A patent/CN114118547A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115775032A (zh) * | 2023-02-14 | 2023-03-10 | 清华大学 | 一种综合排队理论和外部成本的电动汽车充电预约方法 |
CN116862209A (zh) * | 2023-09-05 | 2023-10-10 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及*** |
CN116862209B (zh) * | 2023-09-05 | 2023-12-01 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872535B (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
US20160335377A1 (en) | Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program | |
JP6010133B2 (ja) | 属性データ区間の分類 | |
CN111523968B (zh) | 拼单方法和设备 | |
US20160343011A1 (en) | Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program | |
US20180357893A1 (en) | Uncertainty modeling in traffic demand prediction | |
CN114118547A (zh) | 电动车公共充电站排队等待时间估算方法及*** | |
CN113287124A (zh) | 用于搭乘订单派遣的***和方法 | |
WO2021208535A1 (zh) | 基于自动特征分组的推荐方法及装置 | |
CN114331542A (zh) | 一种电动汽车充电需求预测方法及装置 | |
CN112182430A (zh) | 一种地点推荐的方法、装置、电子设备及存储介质 | |
CN111352712A (zh) | 云计算任务跟踪处理方法、装置、云计算***及服务器 | |
CN115221795A (zh) | 容量预测模型的训练方法、预测方法、装置、设备及介质 | |
CN108416619B (zh) | 一种消费间隔时间预测方法、装置及可读存储介质 | |
Ishiguro et al. | Taxi demand forecast using real-time population generated from cellular networks | |
CN115993991A (zh) | 一种业务决策方法、装置及设备 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
CN113899381A (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN113191514B (zh) | 一种访客车辆信息预约审核方法及*** | |
CN114399107A (zh) | 一种交通状态感知信息的预测方法及*** | |
Pedersen et al. | Generating geospatially realistic driving patterns derived from clustering analysis of real EV driving data | |
CN113835988B (zh) | 指标信息预测方法及*** | |
CN115578854B (zh) | 收费站车辆排队长度预测方法、装置、设备及存储介质 | |
CN115905847A (zh) | 负样本选取方法、***、可读存储介质及电子设备 | |
Bae et al. | Calibration of car-following models using a dual genetic algorithm with central composite design |
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 |