CN115705515A - 用于预测电动车辆充电点利用率的方法、设备和计算机程序产品 - Google Patents

Abstract

本文中所描述的实施例涉及预测电动车辆(EV)充电点的利用率。方法可包含：接收EV充电点的多个候选位置的指示；确定所述多个候选位置的静态地图特征；将所述多个候选位置和静态地图特征输入到机器学习模型中，其中针对现有EV充电点位置、现有EV充电点静态地图特征和现有EV充电点利用率来训练所述机器学习模型；基于所述机器学习模型来确定所述多个候选位置处的EV充电点的预测利用率；以及生成包含所述多个候选位置的地图表示，其中所述多个候选位置中的候选位置基于所述候选位置处的EV充电点的相应预测利用率来进行视觉区分。

Description

用于预测电动车辆充电点利用率的方法、设备和计算机程序 产品

技术领域

本公开的示例实施例涉及标识新的电动车辆(EV)充电点的位置，更具体地，涉及预测电动车辆充电点的利用率以提高建设EV充电点的投资回报率。

背景技术

电动车辆(EV)的采用已变得广泛，预测未来几年会继续强劲增长。EV通常是高效的，并且在行驶时几乎不产生任何排放物。然而，大多数国家中可用的EV充电基础设施大大落后于石油燃料基础设施，并且难以跟上EV的采用率。所需的公共EV充电基础设施需要大量投资以跟上不断增长的EV数目。

消费者将高效充电站使用机会不足列为购买EV的第三大严重障碍，仅次于EV价格和充电后的EV行驶里程。随着EV价格下降(在存在或不存在政府补贴的情况下)和行驶里程增加，充电站的可用性可能很快成为EV采用增加方面的最大障碍。

可用的充电基础设施包含过少的充电点，其中存在过多需求、充电器损坏、高费率(成本)，并且存在对如何支付以及为车辆充电需要多长时间的困扰。充电基础设施是EV的广泛采用所面临的最大挑战之一。然而，解决方案不是在地理上以均等散布方式散布新的充电站或简单地将充电站放置在EV充电点缺乏区中，而是在最需要充电点的地方建立新的充电点。

发明内容

根据本文描述的示例实施例提供了一种方法、设备和计算机程序产品，用于标识新电动车辆(EV)充电点的位置，并且更具体地说，用于预测电动车辆充电点的利用率。准确的预测可提高可设计和运行新电网以为EV充电点供电的效率。在一些示例中，此类预测还可提高建设EV充电点的投资回报率。实施例提供了一种通过地理空间数据处理、回归分析和有监督机器学习来预测EV充电点利用率的方法、设备和计算机程序产品。根据示例实施例，提供一种设备，其包含至少一个处理器和至少一个存储器，所述至少一个存储器包含计算机程序代码，所述至少一个存储器和计算机程序代码被配置成通过所述处理器使所述设备至少：标识现有电动车辆(EV)充电点和其相应位置；确定所述现有EV充电点的所述位置的静态地图特征；确定所述现有EV充电点的利用率；针对所述现有EV充电点的所述位置的所述静态地图特征和所述现有EV充电点的所述利用率训练机器学习模型；提供候选位置和与所述候选位置相关联的静态地图特征；以及基于所述机器学习模型使用所述候选位置和与所述候选位置相关联的所述静态地图特征，确定所述候选位置处EV充电点的预测利用率。

根据一些实施例，还使所述设备确定所述现有EV充电点的所述位置的动态特征，其中使所述设备针对所述现有EV充电点的所述位置的所述静态地图特征和所述现有EV充电点的所述利用率训练所述机器学习模型包含使所述设备针对所述现有EV充电点的所述位置的所述静态地图特征和所述动态特征以及所述现有EV充电点的所述利用率训练所述机器学习模型，并且其中使所述设备将所述候选位置和与所述候选位置相关联的静态地图特征输入到所述机器学习模型包含使所述设备将所述候选位置、与所述候选位置相关联的所述静态地图特征以及与所述候选位置相关联的动态特征输入到所述机器学习模型中。

与候选位置相关联的一些实施例的静态地图特征和与候选位置相关联的动态特征形成候选位置向量，其中所述候选位置向量被输入到所述机器学习模型。在一些实施例中，候选位置的静态地图特征包含以下中的一个或多个：关注点(POI)类别与候选位置的接近度、POI类别相对于候选位置的密度、接近候选位置的道路功能类别，或接近候选位置的人口密度。在一些实施例中，候选位置的动态地图特征包含以下中的一个或多个：接近候选位置的交通密度、接近候选位置的天气、接近候选位置的人口估计值、事件信息、当日时间、星期几或一年中的季节。

根据一些实施例，还使所述设备：将EV充电点的多个候选位置和与所述候选位置相关联的静态地图特征输入到所述机器学习模型；基于所述机器学习模型，确定EV充电点的多个候选位置处的EV充电点的预测利用率；并且基于其对应位置处的EV充电点的相应预测利用率来对EV充电点的多个候选位置进行排序。还使一些实施例的设备基于排序的EV充电点的多个候选位置来从EV充电点的多个候选位置中标识选定位置，以及提供在所述选定位置处建立EV充电点的建议。还使一些实施例的设备生成涵盖所述多个候选位置的地图表示，以及基于对应位置处的EV充电点的预测利用率而提供所述多个候选位置的视觉区别。

本文中所描述的实施例包含一种具有至少一个非暂时性计算机可读存储介质的计算机程序产品，所述至少一个非暂时性计算机可读存储介质中存储有计算机可执行程序代码部分，所述计算机可执行程序代码部分包含程序代码指令，所述程序代码指令被配置成：接收EV充电点的候选位置的指示；确定所述候选位置的静态地图特征；使用机器学习模型处理所述候选位置和静态地图特征，其中针对现有EV充电点位置、现有EV充电点静态地图特征和现有EV充电点利用率来训练所述机器学习模型；以及基于所述机器学习模型，确定所述候选位置处EV充电点的预测利用率。

一些实施例的计算机程序产品还包含程序代码指令以确定候选位置的动态特征，其中还针对现有EV充电点动态特征来训练所述机器学习模型。在一些实施例中，与候选位置相关联的静态地图特征和与候选位置相关联的动态特征形成候选位置向量，其中所述候选位置向量被输入到所述机器学习模型。在一些实施例中，候选位置的静态地图特征包含以下中的一个或多个：关注点(POI)类别与候选位置的接近度、POI类别相对于候选位置的密度、接近候选位置的道路功能类别，或接近候选位置的人口密度。在一些实施例中，候选位置的动态地图特征包含以下中的一个或多个：接近候选位置的交通密度、接近候选位置的天气、接近候选位置的人口估计值、事件信息、当日时间、星期几或一年中的季节。

一些实施例的计算机程序产品还包含程序代码指令以：将EV充电点的多个候选位置和与所述候选位置相关联的静态地图特征输入到机器学习模型；基于所述机器学习模型确定EV充电点的多个候选位置处的EV充电点的预测利用率；以及基于其对应位置处的EV充电点的相应预测利用率来对EV充电点的多个候选位置进行排序。实施例任选地包含程序代码指令以：基于排序的EV充电点的多个候选位置来从EV充电点的多个候选位置中标识选定位置；以及提供在所述选定位置处建立EV充电点的建议。一些实施例的计算机程序产品还包含程序代码指令以：生成涵盖所述多个候选位置的地图表示；以及基于对应位置处的EV充电点的预测利用率而提供所述多个候选位置的视觉区别。

本文提供的实施例包含一种方法，其包含：接收EV充电点的多个候选位置的指示；确定所述多个候选位置的静态地图特征；使用机器学习模型处理所述多个候选位置和静态地图特征，其中针对现有EV充电点位置、现有EV充电点静态地图特征和现有EV充电点利用率来训练所述机器学习模型；基于所述机器学习模型来确定所述多个候选位置处的EV充电点的预测利用率；以及生成包含所述多个候选位置的地图表示，其中所述多个候选位置中的候选位置基于所述候选位置处的EV充电点的相应预测利用率来进行视觉区分。

一些实施例的方法包含基于其对应位置处的EV充电点的相应预测利用率来对EV充电点的多个候选位置进行排序。在一些实施例中，使用一个或多个突出效果以表示对应位置处的EV充电点的预测利用率来对多个候选位置中的候选位置进行视觉区分。在一些实施例中，多个候选位置中的候选位置的静态地图特征形成所述候选位置的候选位置向量，其中所述候选位置向量被输入到机器学习模型以确定所述候选位置处的EV充电点的预测利用率。

本文提供的实施例包含一种设备，其包含：用于接收EV充电点的多个候选位置的指示的构件；用于确定所述多个候选位置的静态地图特征的构件；用于将所述多个候选位置和静态地图特征输入到机器学习模型中的构件，其中针对现有EV充电点位置、现有EV充电点静态地图特征和现有EV充电点利用率来训练所述机器学习模型；用于基于所述机器学习模型来确定所述多个候选位置处的EV充电点的预测利用率的构件；以及用于生成包含所述多个候选位置的地图表示的构件，其中所述多个候选位置中的候选位置基于所述候选位置处的EV充电点的相应预测利用率来进行视觉区分。

一些实施例的设备包含用于基于其对应位置处的EV充电点的相应预测利用率来对EV充电点的多个候选位置进行排序的构件。在一些实施例中，使用一个或多个突出效果以表示对应位置处的EV充电点的预测利用率来对多个候选位置中的候选位置进行视觉区分。在一些实施例中，多个候选位置中的候选位置的静态地图特征形成所述候选位置的候选位置向量，其中所述候选位置向量被输入到机器学习模型以确定所述候选位置处的EV充电点的预测利用率。

根据另一方面，提供一种计算机实施的方法，其包括：接收电动车辆“EV”充电点的多个候选位置的指示；确定所述多个候选位置的静态地图特征；使用机器学习模型处理所述多个候选位置和静态地图特征，针对现有EV充电点位置、现有EV充电点静态地图特征和现有EV充电点利用率来训练所述机器学习模型；基于所述机器学习模型，确定所述多个候选位置中的每个候选位置处的相应EV充电点的相应预测利用率；以及生成包括所述多个候选位置的地图表示，其中所述多个候选位置中的候选位置基于每个候选位置处的相应EV充电点的相应预测利用率来进行视觉区分。

在一些示例中，可基于其相应位置处的EV充电点的相应预测利用率来对EV充电点的多个候选位置进行排序。

在一些示例中，可使用一个或多个突出效果以表示对应位置处的EV充电点的相应预测利用率来对所述多个候选位置中的候选位置进行视觉区分。

在一些示例中，所述多个候选位置中的候选位置的静态地图特征可形成所述候选位置的候选位置向量，其中所述候选位置向量可被输入到所述机器学习模型以确定所述候选位置处的EV充电点的预测利用率。

一些示例可包含针对所述多个侯选位置中的每个侯选位置生成站点值，其中每个站点值可基于相应侯选位置处的EV充电点的相应预测利用率。

一些示例可包含针对所述多个候选位置中的每个候选位置生成推荐数目的EV充电点，其中EV充电点的所述数目可基于相应候选位置处的EV充电点的相应预测利用率。

根据另一方面，提供一种计算机实施的方法，其包括：标识现有电动车辆“EV”充电点和其相应位置；确定所述现有EV充电点的位置的静态地图特征；确定所述现有EV充电点的利用率；针对所述现有EV充电点的位置的静态地图特征和所述现有EV充电点的利用率来训练机器学习模型；以及提供经过训练的机器学习模型以用于预测侯选位置处的EV充电点的利用率。

一些示例可包含提供候选位置和与所述候选位置相关联的静态地图特征；以及基于机器学习模型使用所述候选位置和与所述候选位置相关联的静态地图特征来确定所述候选位置处的EV充电点的预测利用率。

一些示例可包含确定现有EV充电点的位置的动态特征，其中针对所述现有EV充电点的位置的静态地图特征和所述现有EV充电点的利用率训练机器学习模型可包括针对所述现有EV充电点的位置的静态地图特征和动态特征以及所述现有EV充电点的利用率来训练所述机器学习模型，并且将所述候选位置和与所述候选位置相关联的静态地图特征输入到所述机器学习模型可包括将所述候选位置、与所述候选位置相关联的所述静态地图特征以及与所述候选位置相关联的动态特征输入到所述机器学习模型。

在一些示例中，与所述候选位置相关联的静态地图特征和与所述候选位置相关联的动态特征可形成候选位置向量，其中所述候选位置向量可被输入到所述机器学习模型。

在一些示例中，所述候选位置的静态地图特征可包括以下中的一个或多个：关注点(POI)类别与所述候选位置的接近度、POI类别相对于所述候选位置的密度、接近所述候选位置的道路功能类别，或接近所述候选位置的人口密度。

在一些示例中，所述候选位置的动态地图特征可包括以下中的一个或多个：接近所述候选位置的交通密度、接近所述候选位置的天气、接近所述候选位置的人口估计值、事件信息、当日时间、星期几或一年中的季节。

一些示例可包括将EV充电点的多个候选位置和与所述候选位置相关联的静态地图特征输入到机器学习模型；基于所述机器学习模型，确定EV充电点的多个候选位置处的EV充电点的预测利用率；以及基于其对应位置处的EV充电点的相应预测利用率来对EV充电点的多个候选位置进行排序。

一些示例可包括基于排序的EV充电点的多个候选位置来从EV充电点的多个候选位置中标识选定位置；以及提供在所述选定位置处建立EV充电点的建议。

一些示例可包括生成涵盖多个候选位置的地图表示；以及基于对应位置处的EV充电点的预测利用率而提供所述多个候选位置的视觉区别。

根据其它方面，可提供一种设备或计算机程序，其被配置成执行本文公开的任一方法。

根据另一方面，可提供一种计算机程序产品，其包括至少一个非暂时性计算机可读存储介质，所述至少一个非暂时性计算机可读存储介质中存储有计算机可执行程序代码部分，所述计算机可执行程序代码部分包括程序代码指令，所述程序代码指令当在处理器上执行时被配置成执行本文公开的任一方法。

本文描述的实施例包含其中存储有计算机可执行程序代码部分的计算机程序产品，所述计算机可执行程序代码部分包含程序代码指令，所述程序代码指令被配置成执行本文公开的任一方法。

本文描述的实施例包含其中存储有计算机可执行程序代码部分的非暂时性计算机可读存储介质，所述计算机可执行程序代码部分包括程序代码指令，所述程序代码指令当在处理器上执行时被配置成执行本文公开的任一方法。

根据另一方面，可提供经过训练的机器学习产品，以用于基于候选位置处的EV充电点的预测利用率来标识EV充电点的候选位置。

附图说明

由此在概括描述了本公开的示例实施例之后，现在将参考附图，附图未必按比例绘制，并且其中：

图1示出根据本公开的示例实施例的通信图；

图2是根据本公开的示例实施例的可特定地配置成用于预测EV充电点利用率的设备的框图；

图3示出根据本公开的示例实施例的将位置数据转换为站点值的原理示意图。

图4是根据本公开的示例实施例的基于有监督机器学习模型来预测EV充电点利用率的方法的消息流程图；

图5示出根据本公开的示例实施例的用于预测EV充电点利用率的机器学习模型的训练的另一示例实施例；

图6示出根据本公开的示例实施例的充电点属性的表；

图7示出根据本公开的示例实施例的基于EV充电点的预测利用率来对EV充电点的候选位置进行视觉区分的方法；以及

图8是根据本公开的示例实施例的基于有监督机器学习模型来预测EV充电点利用率的方法的流程图。

具体实施方式

现在将在下文中参考附图更全面地描述本公开的一些实施例，在附图中示出了本发明的一些但不是全部实施例。实际上，本发明的各种实施例可以以许多不同的形式实施，并且不应当被解释为限于在本文阐述的实施例；相反，提供这些实施例是为了使本公开满足适用的法律要求。相同的附图标记始终指代相同的元件。如本文所使用的，术语“数据”、“内容”、“信息”和类似术语可以可互换地用来指代能够根据本发明的实施例被传输、接收和/或存储的数据。因此，任何此类术语的使用不应视为限制本公开实施例的范围。

在由内燃机驱动的车辆的发展初期，燃料的可用性具有挑战性，并将这些车辆的行驶范围限制在基于车辆可携带的燃料量而可行驶的距离内。逐渐地，建造了石油加油站以适应大规模生产的车辆的新兴时代。最终，石油加油站变得无处不在，从而允许旅行者驾驶车辆到公路可到达的几乎任何位置，而不必担心沿途在何处可获得燃料。处于相对发展初期的电动车辆(EV)正经历着与内燃机驱动车辆发展初期相同的问题。充电站尚未普及，而在大多数区域，需求超过供应量。EV充电基础设施尚未跟上许多国家中EV的快速发展和增长，从而阻碍了EV市场的采用和增长。

电动车辆的广泛采用几乎是不可避免的，而汽车制造商准备在未来越来越近的最后期限前将其整个车型阵容转换为EV。这些汽车制造商的目标值得称赞；然而，这些最后期限可能会受阻于EV充电基础设施。在制造商准备转向和/或增加EV的生产的情况下，足够充电基础设施的缺乏可能会阻碍这些规划。且不说充电源电力是可再生的，由于EV在行驶时产生即使有也较少的排放物，因此推迟采用EV取代内燃机驱动的车辆——尽管其效率不断提高——可能会推迟必要的总体减排。因此，需要稳健而有效的充电基础设施来确保充电点的可用性不会阻碍EV的广泛采用。

虽然可基于其它充电点的地理散布和接近度来选择EV充电点，但此类方法并没有解决可用性和利用率问题。本文提供的实施例提供了一种基于通过地理空间数据处理、回归分析和有监督机器学习预测的EV充电点利用率来预测在何处安置EV充电点的方法。本发明的实施例至少部分地基于EV充电点的利用率来确立EV充电点将最有效并被高效利用并且还可提供最大投资回报率(ROI)的位置。EV充电点的这种战略定位可带来高效和有效的EV充电点基础设施，其中充电点被置于最有可能被使用并对消费者具有最高实用性的地方。找出EV充电点利用率将最高的位置允许以使利用率最大化的有条不紊的方式增建EV充电基础设施，由此最有效地促进EV的采用。

为了预测EV充电点利用率，可使用图1中所示的***。图1示出了用于实施本文所描述的示例实施例的***的示例实施例的通信图。图1的所示实施例包含服务提供商116、通过网络112与地图数据库108等地理地图数据库进行数据通信的处理服务器102、一个或多个移动装置114，以及OEM 104(原始设备制造商)。例如，移动装置114可与车辆相关联、耦合或以其它方式集成，例如处于车辆的头部单元、信息娱乐单元或高级驾驶员辅助***(ADAS)中。可提供额外的、不同的或更少的部件。例如，许多移动装置114可与网络112连接。服务提供商116可包含计算机***和***运营商的网络。处理服务器102可包含地图数据库108，例如远程地图服务器。网络可为有线通信网络、无线通信网络或者有线和无线通信网络的任何组合，例如蜂窝、Wi-Fi、因特网、局域网等。

OEM 104可包含被配置成从对应于所述OEM的车辆或装置接收探测数据的服务器和数据库。例如，如果OEM是某一品牌的汽车，则该制造商的每辆汽车(例如，移动装置114)都可向OEM 104提供探测数据以供处理。所述探测数据可通过专有加密或对于OEM是唯一的加密进行加密。OEM可以是某个品牌的车辆或装置的制造商或服务提供商。例如，车辆的用户(例如，驾驶员或乘员)携带的移动装置可具有特定品牌或服务(例如，移动提供商)，其中OEM可对应于所述特定品牌或服务。OEM可任选地包含订户订用的服务提供商，其中移动装置114可以是此类订户。尽管在图1中被描绘为OEM 104，但其它实体可按本文相对于OEM所描述的相同方式起作用。例如，独立的基于位置的服务提供商或其它实体可按本文相对于OEM描述的相同方式参与和起促成作用。由此，图1中所示的OEM 104不限于原始设备制造商，而是可以是如本文相对于OEM所描述而参与的任何实体。

OEM 104可提供来自与相应OEM相关联的多个探测器或装置的汇总移动数据。以此方式，OEM 104可以是可向服务提供商116提供大量信息以用于预测EV充电点利用率的数据源。此外，OEM可匿名化来自与OEM相关联或订用OEM的服务的探测器或装置的数据。匿名化移动数据可按不透露移动数据源的方式匿名化，但仍可提供关于移动数据可如何促进EV充电点利用率分析的有价值的深度见解。例如，OEM可提供探测数据点，包含车辆的位置(例如，纬度和经度或地图匹配的位置)和充电电平或可用电池续航量(battery range)。如下文进一步描述，此类信息可提供对车辆电池电量基本耗尽的位置的深度见解。

OEM 104还可提供各个车辆的充电状态信息。虽然这些信息可能很容易从OEM获得，但此数据可来自其它来源，例如在车辆上运行的应用程序、车辆驾驶员/车主使用的服务，或可获得并共享车辆的充电状态信息的其它服务提供商。电池充电电平(例如，在充电开始和结束时)可用于确定车辆可能需要什么、可能需要充电多长时间，并且在一些示例中还可更好地指示充电点的潜在ROI。本文所描述的充电点利用率预测可用于帮助预测ROI；然而，EV充电点的实际ROI取决于收入，所述收入基于能源价格(千瓦时)和通过充电点提供的能源量。即使对于单一车辆，所提供的能源量也可能随时间改变。可取决于正在充电的车辆以及电池容量的接近程度而向车辆递送不同量的能源。当电池接近容量(例如，满容量的80％以上)时，充电速度或提供给车辆的能源量会降低。来自车辆传感器或充电细节记录的数据可帮助预测通过电网供应的能源。作为充电点的百分比工作周期的充电点利用率对于了解需要充电点的位置来说很重要；然而，由于充电时间与分配的电量并非直接相关，因此利用率与ROI并非必然完全相关。

可从OEM或其它服务提供商接收的与EV有关的信息包含OEM车辆细节，例如电池容量、充电类型(例如，连接器、充电兼容性)等。EV信息还可包含传感器数据，其可包含轨迹信息(例如起点和目的地)、轨迹或行驶开始和结束时的电池充电电平、家庭充电事件(例如，包含持续时间、递送的能源、时间、电池电量)、停车事件等。这些信息可例如通过OEM匿名化，因为个人标识信息对于确定本文所描述的EV充电点利用率来说不是必要的。然而，一般位置信息可有助于标识充电事件发生的位置、车辆行程开始和结束的位置等。

根据一些实施例，OEM 104可包含充电点服务提供商或充电点信息服务。充电点服务提供商(例如，电力/燃料公司)或充电点信息服务(例如，充电点查找应用程序)可以是丰富数据的来源，其可告知充电点利用率、使用充电点的车辆的充电状态、历史充电点信息(例如，价格、利用率、每日/每周/季节性波动等)以及与充电点相关联的可用于训练能够预测候选位置处的充电点利用率的机器学***以及流经电网不同部分的支持EV充电点所需的电能量。

地图数据库108可包含节点数据、道路段数据或连线数据，关注点(POI)数据等。地图数据库108还可包含制图数据、路线数据和/或机动数据。根据一些示例实施例，路段数据记录可为表示道路、街道或路径的连线或区段，如可用于计算路线或记录的路线信息以确定一个或多个个性化路线。节点数据可为与路段数据的相应连线或区段对应的端点。道路连线数据和节点数据可表示例如由车辆、汽车、卡车、公共汽车、摩托车和/或其它实体使用的道路网络。

任选地，例如，除了车辆道路记录数据之外或代替所述车辆道路记录数据，地图数据库108可含有路径区段和节点数据记录或可以表示行人路径或区域的其它数据。道路/连线区段和节点可以与属性相关联，例如地理坐标、街道名称、地址范围、速度限制、交叉路口转弯限制和其它导航相关属性，以及POI，例如加油站、酒店、餐馆、博物馆、体育馆、办公室、汽车修理店、建筑物、商店、公园等。地图数据库108可以包含关于POI及其在POI记录中的相应位置的数据。地图数据库108可包含关于例如城市、城镇或其它社区等地方以及例如水、山脉等其它地理特征的数据。此类地点或特征数据可为POI数据的部分，或者可与POI或POI数据记录(例如用于显示或表示城市位置的数据点)相关联。另外，地图数据库108可包含与POI数据记录或地图数据库108的其它记录相关联的事件数据(例如，交通事件、建造活动、计划事件、非计划事件等)。

地图数据库108可由例如地图开发者等内容提供商维护。举例来说，地图开发者可收集地理数据以生成并增强地图数据库108。地图开发者可使用不同的方式来收集数据。这些方式可包含从其它来源(如市政当局或相应的地理当局)获取数据。另外，例如，地图开发者可雇用现场人员乘车沿着整个地理区域的道路行进，以观察关于道路的特征和/或记录信息。而且，例如航空或卫星摄影等遥感可以用于直接地或通过如本文所描述的机器学习生成地图几何结构。

地图数据库108可为以有助于更新、维护和开发的格式存储的主地图数据库。例如，主地图数据库或主地图数据库中的数据可呈Oracle空间格式或其它空间格式，例如用于开发或生产目的。Oracle空间格式或开发/生产数据库可以编译成递送格式，例如地理数据文件(GDF)格式。可以编译或进一步编译呈生产和/或递送格式的数据以形成可以在终端用户导航装置或***中使用的地理数据库产品或数据库。

例如，可编译地理数据(例如编译成平台规范格式(PSF)格式)以组织和/或配置数据以用于通过导航装置，例如通过移动装置114等，来执行导航相关功能和/或服务，例如路线计算、路线导引、地图显示、速度计算、距离和行进时间功能，以及其它功能。导航相关功能可以对应于车辆导航、行人导航或其它类型的导航。虽然本文描述的示例实施例大体上涉及车辆行进，但示例实施例可被实施用于沿着骑行道的自行车行进、沿着海上导航路线的船舶行进等。产生最终用户数据库的编译可由不同于地图开发者的一方或实体来执行。例如，导航装置开发者或其它最终用户装置开发者等地图开发者的客户可以递送格式对接收到的地图数据库执行编译，以产生一个或多个已编译的导航数据库。

如上文所提及，服务器侧地图数据库108可以是主地理数据库，但在替代实施例中，客户端侧地图数据库108可表示可在最终用户装置(例如，移动装置114)中使用或与所述最终用户装置一起使用以提供导航和/或地图相关功能的已编译的导航数据库。例如，地图数据库108可与移动装置114一起使用以向最终用户提供导航特征。在此情况下，地图数据库108可被下载或存储在可通过无线或有线连接例如经由处理服务器102和/或网络112等访问地图数据库108的最终用户装置(移动装置114)上。

在一个实施例中，移动装置114可以是车载导航***，例如ADAS、个人导航装置(PND)、便携式导航装置、蜂窝电话、智能电话、个人数字助理(PDA)、手表、相机、计算机和/或可执行例如数字路线规划和地图显示等导航相关功能的其它装置。根据一些示例实施例，最终用户可将移动装置114用于导航和地图功能，例如导引和地图显示等，以及用于基于一个或多个计算和记录的路线来确定一个或多个个性化路线或路段。

ADAS可用于提高驾驶的舒适性、效率、安全性和总体满意度。此类高级驾驶员辅助***的示例包含半自动驾驶辅助特征，例如自适应前灯瞄准、自适应巡航控制、车道偏离警告和控制、弯道警告、速度限制通知、危险警告、预测巡航控制、自适应换档控制等。ADAS的其它示例可包含用于完全自主控制车辆以沿道路网络驾驶车辆而无需驾驶员输入的规定。这些高级驾驶员辅助***中的一些在车辆中使用多种传感器机构来确定车辆的当前状态和车辆前方道路的当前状态。这些传感器机构可包含雷达、红外、超声波和视觉定向传感器，例如图像传感器和光距和测距(LiDAR)传感器。此外，ADAS可报告电动车辆的充电状态以及充电事件和位置。

一些高级驾驶辅助***可采用数字地图数据。此类***可以被称为地图增强型ADAS。可以在高级驾驶员辅助***中使用数字地图数据，以提供关于道路网络、道路几何结构、道路状况的信息以及与车辆周围的道路和环境相关联的其它信息。与某些传感器不同，数字地图数据不受例如雾、雨或雪之类的环境状况的影响。另外，数字地图数据可以提供不可由传感器可靠提供的有用信息，例如曲率、坡度、堤、不由标牌、车道限制指示的速度限制等。另外，数字地图数据可以很好地提供超出驾驶员视野的预测能力，以确定车辆前方、拐角处、山丘上或障碍物之外的道路。因此，对于一些高级驾驶辅助***，数字地图数据可为有用的并且有时是必要的补充。在完全自动驾驶车辆的示例实施例中，ADAS使用数字地图数据来确定沿道路网络行驶的路径，使得需要道路的准确表示，例如交叉路口的准确表示和通过其中的转弯操纵。

例如当服务提供商充当OEM 104时，处理服务器102可直接或间接地从移动装置114接收探测数据。任选地，例如当移动装置114向OEM 104提供探测数据并且OEM向服务提供商116提供探测数据的某些元素时，服务提供商116可间接地从移动装置114接收探测数据。OEM 104可在将数据提供给服务提供商116之前匿名化探测数据或以其它方式处理探测数据以维护移动装置114的用户的隐私。移动装置114可以包含一个或多个检测器或传感器作为内置或嵌入到移动装置114内部或在所述移动装置内部的定位***。替代地，移动装置114使用通信信号来确定位置。移动装置114可从例如全球定位***(GPS)、伽利略定位***(Galileo)等全球导航卫星***(GNSS)、蜂窝塔定位方法、接入点通信指纹识别等定位***接收位置数据。服务器102可直接或间接地接收被配置成描述移动装置的位置的传感器数据，或移动装置114的控制器可从移动装置114的定位***接收所述传感器数据。移动装置114还可以包含用于跟踪移动装置运动(例如旋转、速度或加速度)的***。也可以使用定位***来确定运动信息。移动装置114可以使用检测器和传感器来提供指示车辆位置的数据。此车辆数据(本文也称为“探测数据”)可以由能够确定必要信息并将所述必要信息提供给远程实体的任何装置来收集。移动装置114是可以被用作探测器以收集车辆的探测数据的装置的一个示例。

更具体地说，探测数据(例如由移动装置114收集)可表示车辆在相应时间点的位置，并且可在车辆沿着路线行进时在路线起点、目的地或沿着路线的沿途点处收集。一些示例实施例的探测数据可包含车辆的充电状态。根据下面描述的示例实施例，其中探测数据来自沿着道路行驶的机动车辆，该探测数据可包含但不限于位置数据(例如纬度、经度位置和/或高度、GNSS坐标，与射频识别(RFID)标签相关联的接近读数)等)、驾驶的速率(例如速度)、驾驶的方向(例如航向、基本方向等)、装置标识符(例如车辆标识符、用户标识符等)、与数据收集相关联的时间戳等。移动装置114可为能够收集上述探测数据的任何装置。移动装置114的一些示例可以包含专用车辆制图设备、导航***、例如电话或个人数据助理之类的移动装置等。此外，此探测数据可包含电池充电电平或关于探测数据源的其它背景信息，其可向服务提供商116提供输入以用于确立EV充电点在何处将是最有益的以及在一些情况中此类EV充电点在何处将提供最大ROI。

处理服务器102和/或OEM 104的示例实施例可体现在如图2所示的设备中。如图2中所示的设备可根据本公开的示例实施例具体配置，以用于通过地理空间数据处理、回归分析和有监督机器学习来预测EV充电点利用率。所述设备可以包含处理器202、存储器装置204、通信接口206和用户接口208或以其它方式与之进行通信。在一些实施例中，处理器(和/或协处理器或者辅助处理器或以其它方式与所述处理器相关联的任何其它处理电路***)可以经由总线与存储器装置进行通信以在设备的部件中传递信息。存储器装置可为非暂时性的并且可以包含例如一个或多个易失性和/或非易失性存储器。换句话说，例如，存储器装置可为电子存储装置(例如，计算机可读存储介质)，所述电子存储装置包括被配置成存储可由机器(例如计算装置，如处理器202)检索的数据(例如，比特)的门。存储器装置可被配置成存储信息、数据、内容、应用程序、指令等，以使得设备能够执行根据本发明的示例实施例的各种功能。例如，存储器装置可被配置成缓冲输入数据以由处理器处理。另外或替代地，存储器装置可以被配置成存储指令以供处理器执行。

处理器202可以用许多不同的方式来体现。例如，处理器可体现为各种硬件处理构件中的一个或多个，例如协处理器、微处理器、控制器、数字信号处理器(DSP)、有或无随附DSP的处理元件，或各种其它处理电路***，所述处理电路***包含集成电路，例如ASIC(专用集成电路)、FPGA(现场可编程门阵列)、微控制器单元(MCU)、硬件加速器、专用计算机芯片等。因而，在一些实施例中，处理器可包含被配置成独立地执行的一个或多个处理核心。多核处理器可在单个物理封装体内实现多重处理。另外或替代地，处理器可以包含经由总线串联配置的一个或多个处理器，以实现独立执行指令、流水线和/或多线程。

在示例实施例中，处理器202可以被配置成执行存储于存储器装置204中或以其它方式可供处理器访问的指令。可替代地或此外，处理器可被配置成执行硬编码功能性。因而，无论是通过硬件方法或软件方法还是通过其组合配置，处理器可表示能够在相应配置时执行根据本发明的实施例的操作的实体(例如，物理地体现在电路***中)。因此，例如，在处理器体现为ASIC、FPGA等时，处理器可为用于执行本文中所描述的操作的被具体地配置的硬件。可替代地，作为另一示例，在处理器体现为软件指令的执行器时，指令可具体地配置处理器以在指令被执行时执行本文中所描述的算法和/或操作。然而，在一些情况下，所述处理器可以是处理器专用装置(例如，移动终端或固定计算装置)，所述处理器专用装置被配置成通过由用于执行本文所描述的算法和/或操作的指令进一步配置处理器来采用本发明的实施例。除了别的以外，处理器可包含时钟、算术逻辑单元(ALU)和被配置成支持处理器的操作的逻辑门。

示例实施例的设备200还可以包含通信接口206，所述通信接口可为任何构件，例如以硬件或硬件与软件的组合实现的装置或电路***，其被配置成从与所述设备进行通信的通信装置接收数据和/或向所述通信装置传输数据，以便促进与一个或多个用户设备104等进行通信。在此方面，通信接口可以包含例如用于实现与无线通信网络进行通信的天线(或多个天线)和支持硬件和/或软件。另外或替代地，通信接口可以包含用于与天线交互以使信号经由天线发射或以处理经由天线接收的信号的接收的电路***。在一些环境中，通信接口可以替代地或者也支持有线通信。因而，例如，通信接口可以包含通信调制解调器和/或用于支持经由电缆、数字用户线(DSL)、通用串行总线(USB)或其它机构进行通信的其它硬件和/或软件。

设备200还可包含用户接口208，所述用户接口继而可与处理器202进行通信，以向用户提供输出并且在一些实施例中接收用户输入的指示。因而，用户接口可以包含显示器，并且在一些实施例中，还可以包含键盘、鼠标、操纵杆、触摸屏、触摸区域、软键、一个或多个麦克风、多个扬声器或其它输入/输出机构。在一个实施例中，处理器可以包括用户接口电路***，所述用户接口电路***被配置成控制例如显示器之类的一个或多个用户接口元件的至少一些功能，并且在一些实施例中控制多个扬声器、振铃器、一个或多个麦克风等的至少一些功能。处理器和/或包括处理器的用户接口电路***可以被配置成通过存储在处理器可访问的存储器(例如，存储器装置204等)上的计算机程序指令(例如，软件和/或固件)来控制一个或多个用户接口元件的一个或多个功能。

如上文所论述，EV充电基础设施需要大幅改进和扩展，以满足道路上EV数量迅速增加的需求。本文中所描述的实施例提供了一种方法，通过该方法可在最受益于EV充电点的位置最有效地部署和开发EV充电点，并且EV充电点将享有最大的利用率。实施例将位置数据转换成反映潜在EV充电点的位置的相对得分的站点值，其中所述相对分数提供该位置处EV充电点的预测利用率的指示。特定站点的站点值可基于该位置处EV充电点的预测利用率。相对高的得分反映相对高的预测利用率，而相对低的得分反映相对低的预测利用率。EV充电点的预测利用率还可用于设计为EV充电点供电的电力网络的变化。有利的是，这可提供更高效的可更好地支持新的EV充电点的电力网络。

图3示出根据本文提供的示例实施例的将位置数据转换成站点值的原理的示意图，其中站点值包含预测的EV充电点利用率的指示。如所示，在210处收集位置数据，包含位置参考和一些资产、地点或事件。这例如通过如上文所描述的移动装置114和/或OEM 104收集。在212处，利用通过地理空间处理从一个或多个位置数据集导出的关于特定站点的信息来收集站点深度见解。站点深度见解包含提供有关特定位置的信息的任何形式的信息，范围从接近站点的关注点到人口密度或如下所述的其它有用信息。站点深度见解可包含与位置相关联的静态地图特征和与位置相关联的动态特征。在214处标识站点值驱动因素，包含对从一个或多个相关深度见解推导出的一个或多个度量的预测。这些值驱动因素是总体站点值和/或性能的关键组成部分。在216处使用通过业务逻辑从底层驱动因素推导出的站点业务值或得分来确立站点值，如下文进一步详述。以此方式，位置数据用于生成站点值以预测相应位置的EV充电点的利用率。在其它示例中，可针对每个候选位置生成推荐数目的EV充电点。推荐的EV充电点数目可基于该位置处EV充电点的预测利用率。如果至少在某个阈值时间段内，特定位置的预测利用率超过单个EV充电点容量的100％，则可选择推荐数目以确保至少在阈值时间段内满足预测利用率。例如，如果预测利用率为280％，则推荐的充电点数目可能为3。

图4示出图3的过程，其中在数据库208处接收和处理位置数据，所述数据库可与图1的服务提供商116的地图数据库108相关。在220处生成与位置数据中的站点相关的深度见解，并在222处提供以用于回归分析，以使用被告知EV充电点的历史性能记录、这些EV充电点的利用率和与相应EV充电点的站点相关的信息的回归分析来确认/验证假设或使假设无效。如果在回归分析中没有发现相关性，则返回结果以在220处生成另一假设。如果关于深度见解的假设得到确认，则在226处为有监督机器学习提供相关深度见解以及EV充电点的历史性能记录224(例如，利用率)以优化预测模型。在226处通过机器学习优化的预测模型会提供性能预测模型，其用于基于关于站点的信息和来自所述信息的深度见解来预测给定位置处的EV充电点的利用率。

例如位置数据库208和/或地图数据库108中的位置数据包含现有EV充电点、其它相关关注点(POI，例如零售店、娱乐场所、餐馆、旅游景点或人们可能会寻找的任何其它位置)、交通模式和道路网络地图的综合数据库。与充电点相关联的数据还可包含位置细节、充电模式(例如，直流电、单相/多相交流电等)、包含无线感应充电在内的插头类型、连接器的数目等。充电点利用率信息可能无法通过位置数据库获得，但可通过充电点服务提供商或信息服务获得。充电点利用率信息可包含使用时间窗、递送的千瓦时、连接的车辆数目、使用的插头标准、空闲/非活动时间窗、递送的充电模式、递送的电压、车辆充电状态等。这些信息可呈通过API查询访问的静态数据的形式，或者可以是来自充电点服务的实时流式传输数据。通过空间处理和高级路由算法，位置数据被转换为站点深度见解，例如EV充电替代方案、高速公路可达性、POI接近度等，如220处所示。通过222处的回归分析，确定哪些站点深度见解与EV充电点利用率显著相关。历史充电点利用率的综合记录可用作有监督机器学习的输入，以确定深度见解和最准确地预测EV充电点利用率的加权因子的组合。由于EV充电点利用率决定了ROI和对购买EV的公众的益处，因此将利用率确立为站点值。

本文提供的实施例确定静态地图数据或特征和动态数据或特征中的信息输入很可能且影响EV充电点的性能(利用率)，并且这些信息输入用于预测给定位置处的EV充电点的利用率。可对这些位置进行评分和/或排序，以确定EV充电点在其中将受益于最高利用率的最有效位置。虽然目前可基于对电网的访问、汽车交通量和与其它EV充电点相关的历史信息来选择EV充电点，但本文描述的实施例获得了确定EV充电点的预测利用率的关键输入，并使用这些输入来测评安装EV充电点的位置。此外，这些输入可能因位置而异，其中被认为与一个地区(例如农村地区)的EV充电点利用率高度相关的输入子集(静态和动态信息)可能与被认为与城市或郊区区域中EV充电点的利用率高度相关的输入子集不同。

与EV充电点相关联的静态地图特征可包含例如充电点所在或最容易进入的道路的功能类别以及与更重要的功能类别的道路的接近度等特征，例如受限出入高速公路和表明更多交通量将经过EV充电点附近的多车道道路。其它静态地图特征可包含能够在预定半径或旅行时间内进行家庭充电的住宅单元数目、某一旅行时间或距离内的EV充电替代方案、POI接近度、POI类型、POI密度、停车可用性、EV密度(例如，通过注册)等。静态数据还可包含EV模型的数据库以及EV模型在某个区域中的相应密度。EV模型的数据库可包含电池容量、充电特性(充电类型、插头类型等)，这些信息可告知哪种类型的EV充电点对某个区域可能最有利。静态信息可任选地包含充电点竞争(例如，充电替代方案的数目)。静态和动态地图特征可对应于距某个位置(例如，充电点位置或候选位置)阈值距离内的路段或连线的道路网络属性。所述距离可用时间(例如，到所述位置的行进时间)、直线距离、行进距离等来测量。静态地图特征距某个位置(例如，距充电点的候选位置)的距离可使用反向等值线过程计算，以更好地限定从各个点到该位置的可达性。例如，为了有助于实现用于车辆的易下/易上高速公路站点，比起可能更远离高速公路但很容易地从出口达到的候选位置，也许更不大可能利用邻近高速公路但不靠近高速公路出口的快速充电站的候选位置。这适用于所有静态地图特征，因为靠近大型购物中心的充电点可能是合乎需要的；然而，如果该充电点与购物中心被高速公路或其它巨大的障碍物隔开，则购物中心对于充电点的相对价值可能会降低。

本文中所描述的实施例使得例如EV制造商、充电点制造商、市政当局等EV充电点规划者能够确定新EV充电点的最佳位置，包含可能在具有低于其最优数目的充电点数目的位置添加EV充电点。实施例确定需要静态地图数据中和动态数据中的哪些信号或数据元素来预测EV充电点的性能。相关地图特征限定向量，并且所述向量可以是时间的函数。对于带有时间分量的包含静态和动态特征的向量，由***生成，所述***学习使用中的EV充电点与相关静态和动态地图特征之间的关系以告知模型。所述模型经过训练以基于选定位置推断和估计候选EV充电点的充电点利用率。此模型可用于基于候选EV充电点的利用率来对候选EV充电点进行排序，其中较高利用率等同于较高得分和可能较大ROI。充电点提供的千瓦时可以是充电点利用率的有用度量，因为充电成本基于千瓦时。通过确定将使该位置利用率更高的因素组合，可改进现有EV充电点(例如，提高利用率)。例如，如果靠近咖啡店的充电点提高了利用率，则可通过补贴或展示共生商业计划来激励咖啡店开设在现有充电点附近。

根据本文中所描述的实施例，对于现有EV充电点来说，用于预测充电点利用率的***输入包含：容量、地图和道路属性(例如，道路类别)、停车可用性、交通数据(例如，每天经过充电点附近的车辆)、车道属性、预定义距离阈值内的POI、其POI类别、动态交通数据、动态天气数据、动态人口数据等。使用关于多个EV充电点的所有这些可用信息，影响相应充电点利用率的输入可通过机器学习来习得。EV充电点的候选位置可基于EV充电点的预测利用率进行评分和/或排序。当没有提供候选位置时，可通过本文中所描述的实施例来标识最优位置。此外，可基于利用率为EV充电点制定商业案例，以确定ROI。

本文所定义的特征向量地图是基于一组地图属性的区域结构描述。此类向量可包含例如以下属性：POI类别接近度和密度(例如，餐馆、电影院、商店、健身室/健身房等)、街道的功能类别、与高速公路的接近度、与公园或其它地图特征的接近度、建筑物覆盖面、建筑物的楼层数、人口密度、POI类型等。这些向量可用于确定静态地图数据和动态数据中的哪些信号与EV充电点的性能相关。

示例实施例的过程从位置数据开始，所述位置数据例如来自位置数据库208或地图数据库108，其中所述位置数据包含如上文所描述的静态地图特征。获得动态数据，例如该路段级别的交通数据、天气、当日时间、一年中的季节等，作为额外输入。针对具有EV充电点的位置或站点，使用EV充电点的利用率和每个充电点的静态和动态数据来执行有监督机器学习。这限定了EV充电点的利用率以及关于相应站点的所有相关信息。标识与EV充电点利用率相关的数据特征，使得所述数据特征可用于预测选定站点处的EV充电点利用率。输入具有如上文所描述的地图特征和时间分量的新向量。基于向量，实施例输出对应于所述向量的位置处的时间分量的预测充电点利用率。对于给定的充电点，由于输入数据中的模式可能会改变，因此使用率可能会随着时间的推移因依赖关系而改变。例如，某个位置的充电点利用率可能为25％；然而，在工作时间内，该利用率可能接近100％。

图5示出用于预测EV充电点利用率的机器学习模型训练的另一示例实施例。如所示，在线300上方存在训练部分，且在线300下方存在推断部分。位置数据308包含各种信息，例如区域的EV注册、车辆所有权、交通信息、道路网络信息、土地使用、人口密度、车辆访问者统计数据(例如，非居民车辆)、POI类型和密度、EV充电点、EV充电点覆盖范围、住宅充电点等。充电点历史306包含对基于现有充电点的标识(CP_id)、位置(纬度、经度)、日期和时间(例如，时间戳)、车辆状态(例如，使用充电点的车辆的充电状态)和充电点状态(例如，提供给车辆的千瓦时数)的使用。在310处，汇总充电事件历史信息以确立相应充电点的利用率。位置数据308和来自汇总310的充电点利用率被用作特征生成312的输入。此外，在314处，候选充电点(CCP_id)和它们的相应位置(纬度、经度)用作特征生成的输入。所述特征生成基于位置数据308标识静态地图特征和动态特征，并在316处输出静态特征和动态特征以及对应的使用。候选充电点特征在特征生成312处被标识并且在318处作为候选充电点标识符连同相应的静态和动态特征一起输出。

机器学习模型使用大量数据和数据类型进行训练。对于充电事件和现有EV充电点，充电点的属性可包含在地图/位置数据308和/或充电事件历史306中。这些充电点属性的示例反映在图6的表中，该表描绘了充电点属性和其相应定义。这些属性不是限制性的，而是可在如本文所描述的机器学习模型中使用的充电点属性的示例。

位置数据308还可包含与作为静态信息的位置有关的各种信息。位置数据可指示充电点是否沿着各种功能类别的道路定位(或在预定义距离内)。位置数据可指示到最近的高速公路或主要道路的距离或行进时间。位置数据可提供特定位置处充电点的竞争压力的指示，例如预定距离内(例如，步行十分钟内)的住宅充电点的数目。位置数据还可提供在预定义的行进时间和/或行进距离范围内的充电替代方案的数目的指示，其中靠近某个位置的充电选项越少，该位置处EV充电点的预测利用率越会增大。位置数据可包含吸引力因素，例如POI接近度、充电成本、该区域内人们的平均停留时间、附近的EV充电事件数目和其持续时间等。位置的动态特征可包含一天中不同时间里在某个位置的预定距离内的EV以及该区域内的EV范围。与EV相关联的静态地图数据可包含注册在某个位置的预定距离内的EV的数目、注册在该位置的邮政编码内的EV的数目等。这种基于位置的信息可用于训练机器学习模型，并用作与EV充电点的候选位置相关联的输入元素，以获得候选位置处EV充电点的预测利用率的准确估计值。

在320处，机器学习模型使用来自316的静态和动态特征的集合以及与所述静态和动态特征的集合对应的使用进行训练。此训练使不同的静态和动态的特征与EV充电点利用率相关。一些特征会对充电点利用率产生负面影响，而其它特征则会对充电点利用率产生积极影响。例如，由于许多EV驾驶员可能会选择在家中为车辆充电，因此居民密集的郊区中的充电点的利用率可能相对较低。在322处，模型描述了将特征集合与EV充电点利用率相关的函数。使用此信息并使用318处的候选充电点特征集合作为输入，可在324处进行推断以在326处确定预测的候选充电点利用率。此预测的候选充电点利用率可用于确立候选EV充电点的ROI并确定此类充电点的商业案例。此外，候选充电点可基于利用率进行排序，或另外基于其使用预测利用率估计的ROI来进行排序。

根据本文中所描述的示例实施例，确定EV充电点的候选位置的ROI包含对候选位置处EV充电点的预测利用率的分析、构建EV充电点的成本(包含连接到电网，其中成本可以是资源量，例如所需额外电网基础设施的量)、与位置相关联的土地成本、所述位置处的电费率、EV充电点的维护，以及可优化利用率的有竞争力的价格点。在评估具有最大利用率的EV充电点的位置时，可考虑这些因素中的每一者。虽然EV充电点利用率很重要，但如果在一个位置安装和维护EV充电点的成本相对于另一位置明显较高，则即使利用率相对较低也可能优选安装/维护成本较低的位置。虽然EV充电点可根据利用率进行排序，但实施例还可基于ROI分析对EV充电点进行排序，当权衡在何处定位新的EV充电点时，所述ROI分析会将所有这些考虑因素考虑在内。确定新EV充电点的位置可用于确定电网基础设施的有效改造或升级。

除了确定给定位置的EV充电点的预测利用率之外，实施例可使用机器学习模型来通过标识具有高利用率的一个区域中的位置、确定与此类位置相关联的静态地图特征和动态特征、随后在另一区域中寻找具有类似静态地图特征和动态特征的位置来预测将具有相对高的EV充电点利用率的位置。静态地图特征和动态特征可说明交叉口等道路网络特征上游和/或下游的交通密度，也可说明现有EV充电点利用率之间的相关性，因此可与确定新EV充电点的利用率相关。例如，如果第一个城市中靠近零售商店和餐馆密集区域的EV充电点具有高利用率，则另一个城市中靠近零售商店和餐馆密集区域的区域可能是具有预测的高利用率的EV充电点的良好候选对象。操作者可例如在用户界面上限定地理区域，其中所述用户界面可返回反映所述地理区域内的位置处的预测利用率的地理区域热图概览。所述地理区域内的位置可基于候选充电点的可用性来标识，或者位置可随机覆盖在地理区域上。针对这些位置中的每个位置，机器学习模型生成预测充电点利用率，并通过图形用户界面元件指示。例如，颜色范围可标识预测充电点利用率，其中绿色指示相对高的预测利用率，而红色指示相对低的利用率。可使用阈值利用率，低于所述阈值利用率的位置不被考虑为候选充电点位置。使用此类阈值，可仅示出地理区域内满足最小预测充电点利用率的位置。

除了标识预测的充电点利用率之外，实施例可提供最有可能带来最大投资回报率的充电点属性的指示。例如，基于从区域中的充电点习得的行为，也许某个特定品牌的EV充电点会更成功并且在该区域具有更高的利用率。再次参考图6的表格，EV充电点可具有推荐的属性以最大化利用率，并且不同的充电点属性可用于推荐预测是最成功的EV充电点的不同方面。实施例可基于每千瓦时的价格或成本、营业时间、支付类型、可用的连接器类型、充电容量等来预测利用率。

本文提供的示例实施例训练机器学习模型以标识与影响EV充电点利用率的位置相关联的静态和动态特征，并使用这些标识的特征来预测EV充电点候选位置处的EV充电点利用率。机器学习迭代地测评哪些特征是重要的，并找到定义所述特征的最佳方式。使用有监督机器学习会确保考虑到特征组合，从而产生最优预测算法。除了有助于充电点的利用率的个别特征的权重之外，这使得能够对特征的相互作用进行加权。

本公开的实施例可向用户提供关于多个候选位置处的EV充电点的预测利用率的信息以告知用户可在何处找到最优位置。在一些示例中，地图可划分为网格，其中网格的每个元素都是候选位置。因此，候选位置可以任何网格平铺形式覆盖地图的整个区域。在其它示例中，地图可含有候选位置，所述候选位置覆盖仅构成总地图区域子集的地图限定区域。在此类情况下，候选位置可包括可安装EV充电点的可用站点，其可包含现有市区和/或市郊绿地站点。图7示出包含EV充电点的多个候选位置的地图表示的示例实施例，其中候选位置基于由本文描述的模型生成的所述候选位置的预测EV充电点利用率来进行视觉区分。如所示，地理区域的地图400中包含多个候选位置(410到430)。每个候选位置可由本文描述的机器学习模型处理，其中位置的特征(例如，位置的静态地图特征和/或动态特征)由机器学习模型用于基于预测利用率的度量来预测EV充电点在相应候选位置处将表现如何。图7的候选位置被示为基于其预测利用率而进行视觉区分。例如，候选位置410和候选位置415显示有浅色阴影，指示这些位置处的EV充电点的预测利用率将相对较低。候选位置420和候选位置425显示有较深阴影，指示这些位置处的EV充电点的预测利用率将高于候选位置410和415的预测利用率。这可归因于侯选位置与更繁忙的道路或为更重要的功能类别的道路接近，这些道路由地图400中的粗线示出。候选位置430以所示候选位置中最暗的阴影表示，示出候选位置430处的EV充电点的预测利用率是所示候选位置中最高的。这可归因于该位置处于行驶更频繁的道路的交汇处。虽然在图6中使用阴影程度来对候选位置进行视觉区分，但可使用任何类型的视觉区别，例如突出显示、位置标记的亮度、位置标记的颜色或可传达相应候选位置处的充电点的预测利用率的程度或度量的任何视觉区别。

根据本文提供的示例实施例，机器学习模型可修改为包含尚未实施的EV充电点以及它们的预测利用率，以确定此类充电点将如何影响现有的EV充电点，以及确定额外充电点的位置。以此方式，可为机器学习模型人为地生成学习数据，以合并规划的但尚未在线的EV充电点，以辅助更快速地开发高效和有效的EV充电基础设施。

图8示出描绘根据本公开的示例实施例的方法的流程图。将理解的是，流程图的每一框和流程图中的框的组合可通过各种构件来实施，例如硬件、固件、处理器、电路***和/或与包含一个或多个计算机程序指令的软件的执行相关联的其它通信装置。举例而言，上文所描述的程序中的一个或多个可由计算机程序指令体现。在这方面，体现上文所描述的程序的计算机程序指令可由采用本发明实施例的设备的存储器装置204来存储并通过所述设备的处理器202来执行。如将理解的，可将任何此类计算机程序指令加载到计算机或其它可编程设备(例如，硬件)上以生产机器，使得所得到的计算机或其它可编程设备实施流程图框中指定的功能。这些计算机程序指令还可以存储在计算机可读存储器中，其可以以计算机或其它可编程设备按照特定方式运行，使得存储在计算机可读存储器中的所述指令产生协议，所述协议的执行实施流程图框中所指定的功能。计算机程序指令还可以加载到计算机或其它可编程设备上，以使得在计算机或其它可编程设备上执行一系列操作以产生计算机实施的过程，使得在计算机或其它可编程设备上执行的指令提供用于实施流程图框中指定的功能的操作。

因此，流程图的框支持用于执行指定功能的用于执行指定功能的构件的组合和用于执行指定功能的操作的组合。还将理解的是，流程图的一个或多个框以及流程图中的框的组合可通过执行指定功能的基于专用硬件的计算机***或专用硬件和计算机指令的组合来实施。

图8示出了确定候选位置处EV充电点的预测利用率的方法。在所示实施例中，在510处，接收电动车辆(EV)充电点的多个候选位置的指示。在520处，接收多个候选位置的静态地图特征。这些静态地图特征可包含例如以下中的一个或多个：关注点(POI)类别与候选位置的接近度、POI类别相对于候选位置的密度、接近候选位置的道路功能类别，或接近候选位置的人口密度。在530处，多个候选位置和对应的静态地图特征被输入到机器学习模型中。使用现有EV充电点位置、现有EV充电点静态地图特征和现有EV充电点利用率来训练示例实施例的机器学习模型。在540处，基于机器学习模型确定多个位置中的每个位置处的充电点的预测利用率。在550处，生成包含多个候选位置的地图表示，其中基于多个候选位置中的候选位置处的EV充电点的相应预测利用率来对所述候选位置进行视觉区分。

在示例实施例中，用于执行上述图8的方法的设备可包括被配置成执行上文所描述的操作(510到550)中的一些或每个操作的处理器(例如，处理器202)。例如，处理器可以被配置成通过执行硬件实施的逻辑功能、执行存储的指令或执行用于执行操作中的每一个的算法来执行操作(510到550)。替代地，设备可包括用于执行上文所描述的操作中的每一个的构件。在此方面，根据示例实施例，用于执行操作510到550的构件的实例可包括例如处理器202和/或用于执行指令或执行用于处理如上文所描述的信息的算法的装置或电路。

得益于前文描述和相关联图式中呈现的教示，本发明相关领域中的技术人员将了解本文中阐述的本发明的许多修改和其它实施例。因此，应理解，本发明不应限于所公开的具体实施例，并且修改和其它实施例旨在包含在所附权利要求的范围内。此外，尽管前述描述和相关联的附图在元件和/或功能的某些示例组合的上下文中描述了示例实施例，但是应理解的是，在不脱离所附权利要求的范围的情况下，可通过替代性实施例提供元件和/或功能的不同组合。在此方面，例如，如可在所附权利要求中的一些中所阐述的，还设想了与上文明确描述的组合不同的元件和/或功能组合。尽管本文采用了具体术语，但其仅用于一般性和描述性意义，而不是出于限制的目的。

Claims (15)

1.一种计算机实施的方法，其包括：

接收电动车辆“EV”充电点的多个候选位置的指示；

确定所述多个候选位置的静态地图特征；

使用机器学习模型处理所述多个候选位置和静态地图特征，针对现有EV充电点位置、现有EV充电点静态地图特征和现有EV充电点利用率来训练所述机器学习模型；

基于所述机器学习模型，确定所述多个候选位置中的每个侯选位置处相应EV充电点的相应预测利用率；以及

生成包含所述多个候选位置的地图表示，其中基于所述多个候选位置中的所述候选位置中的每个侯选位置处的所述相应EV充电点的所述相应预测利用率来对所述候选位置进行视觉区分。

2.根据权利要求1所述的方法，其还包括：

基于其对应位置处的EV充电点的相应预测利用率来对EV充电点的所述多个候选位置进行排序。

3.根据权利要求1所述的方法，其中使用一个或多个突出效果以表示所述对应位置处的EV充电点的所述相应预测利用率来对所述多个候选位置中的候选位置进行视觉区分。

4.根据权利要求1所述的方法，其中所述多个候选位置中的候选位置的所述静态地图特征形成所述候选位置的候选位置向量，其中所述候选位置向量被输入到所述机器学习模型以确定所述候选位置处的EV充电点的所述预测利用率。

5.根据权利要求1所述的方法，其还包括以下一个或多个：

针对所述多个侯选位置中的所述侯选位置中的每个侯选位置生成站点值，其中每个站点值基于所述相应侯选位置处的EV充电点的所述相应预测利用率；以及

针对所述多个候选位置中的所述侯选位置中的每个候选位置生成推荐数目的EV充电点，其中EV充电点的所述数目基于所述相应候选位置处的EV充电点的所述相应预测利用率。

6.一种计算机实施的方法，其包括：

标识现有电动车辆“EV”充电点和其相应位置；

确定所述现有EV充电点的所述位置的静态地图特征；

确定所述现有EV充电点的利用率；

针对所述现有EV充电点的所述位置的所述静态地图特征和所述现有EV充电点的所述利用率来训练机器学习模型；以及

提供经过训练的所述机器学习模型以用于预测侯选位置处的EV充电点的利用率。

7.根据权利要求6所述的方法，其还包括：

提供候选位置和与所述候选位置相关联的静态地图特征；以及

基于所述机器学习模型使用所述候选位置和与所述候选位置相关联的所述静态地图特征来确定所述候选位置处的EV充电点的预测利用率。

8.根据权利要求7所述的方法，其还包括确定所述现有EV充电点的所述位置的动态特征，

其中针对所述现有EV充电点的所述位置的所述静态地图特征和所述现有EV充电点的所述利用率训练所述机器学习模型包括针对所述现有EV充电点的所述位置的所述静态地图特征和动态特征以及所述现有EV充电点的所述利用率来训练所述机器学习模型，并且

将所述候选位置和与所述候选位置相关联的静态地图特征输入到所述机器学习模型包括将所述候选位置、与所述候选位置相关联的所述静态地图特征以及与所述候选位置相关联的动态特征输入到所述机器学习模型。

9.根据权利要求8所述的方法，其中与所述候选位置相关联的所述静态地图特征和与所述候选位置相关联的所述动态特征形成候选位置向量，其中所述候选位置向量被输入到所述机器学习模型。

10.根据权利要求9所述的方法，其中所述候选位置的所述静态地图特征包括以下中的一个或多个：关注点(POI)类别与所述候选位置的接近度、POI类别相对于所述候选位置的密度、接近所述候选位置的道路功能类别，或接近所述候选位置的人口密度。

11.根据权利要求10所述的方法，其中所述候选位置的所述动态地图特征包括以下中的一个或多个：接近所述候选位置的交通密度、接近所述候选位置的天气、接近所述候选位置的人口估计值、事件信息、当日时间、星期几或一年中的季节。

12.根据权利要求6所述的方法，其还包括：

将EV充电点的多个候选位置和与所述候选位置相关联的静态地图特征输入到所述机器学习模型；

基于所述机器学习模型，确定EV充电点的所述多个候选位置处的EV充电点的预测利用率；以及

基于其对应位置处的EV充电点的相应预测利用率来对EV充电点的所述多个候选位置进行排序。

13.根据权利要求12所述的方法，其还包括：

基于排序的EV充电点的所述多个候选位置来从EV充电点的所述多个候选位置中标识选定位置；以及

提供在所述选定位置处建立EV充电点的建议。

14.根据权利要求12所述的方法，其还包括：

生成涵盖所述多个候选位置的地图表示；以及

基于对应位置处的EV充电点的预测利用率而提供所述多个候选位置的视觉区别。

15.一种设备或计算机程序，其被配置成执行任一前述权利要求所述的方法。

Images