CN117035285A - 基于大数据线上实时推荐方式引导用户进行换电的方法 - Google Patents
基于大数据线上实时推荐方式引导用户进行换电的方法 Download PDFInfo
- Publication number
- CN117035285A CN117035285A CN202310916500.9A CN202310916500A CN117035285A CN 117035285 A CN117035285 A CN 117035285A CN 202310916500 A CN202310916500 A CN 202310916500A CN 117035285 A CN117035285 A CN 117035285A
- Authority
- CN
- China
- Prior art keywords
- user
- battery
- site
- big data
- real
- 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 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 238000013500 data storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
- G06F16/275—Synchronous replication
-
- 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
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于大数据线上实时推荐方式引导用户进行换电的方法,采集用户取电量、行驶路径、电池、换电柜信息,并记录每个换电柜站点的电池库存情况;根据大数据分析,找出每小时取出电量低的用户人群和电池库存丰富的换电站点;根据收集到的数据,对用户建立模型,每个用户的模型包含对每个站点的期望奖励和置信区间;对于每个用户的每个站点,计算置信上界作为选择依据;对近一段时间内换不到满电的用户,选择置信上界最高的站点作为推荐站点;生成短链接触达用户引导其换电操作。本发明能够根据大数据统计分析每小时取出电量低的用户人群和电池库存丰富的换电柜站点,在常去换电柜附近或行驶路径附近实时推荐给用户最优站点进行电池更换。
Description
技术领域
本发明属于换电柜换电技术领域,尤其涉及基于大数据线上实时推荐方式引导用户进行换电的方法。
背景技术
二轮车换电行业中,电池闲置率较高,而传统的人工选择换电站的方式费时费力,无法做到智能化引导用户前往附近电池电量较高的换电柜,增加了电池闲置率和无法满足用户换电量需求。为了解决上述问题,本发明基于大数据和人工智能技术,开发了基于大数据线上实时推荐方式引导用户进行换电的方法。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供基于大数据线上实时推荐方式引导用户进行换电的方法,能够根据大数据统计分析每小时取出电量低的用户人群和电池库存丰富的换电柜站点,在常去换电柜附近或行驶路径附近实时推荐给用户最优站点进行电池更换。
技术方案:为实现上述目的,本发明的基于大数据线上实时推荐方式引导用户进行换电的方法,具体步骤如下:
步骤S1:采集用户取电量、行驶路径、电池、换电柜信息,并记录每个换电柜站点的电池库存情况;
步骤S2:将采集的信息以实时接入或离线同步方式存入到大数据库;
步骤S3:根据大数据分析,找出每小时取出电量低的用户人群和电池库存丰富的换电站点;
步骤S4:根据收集到的数据,对用户建立模型,每个用户的模型包含对每个站点的期望奖励和置信区间:
对于每个用户u和站点i,期望奖励表示为E,期望奖励为对用户i在站点u上获得满电的概率的估计;
对于每个用户u和站点i,置信区间表示为CI,置信区间为对期望奖励的不确定性范围估计;
步骤S5:初始化每个用户对每个站点的初始期望奖励E和置信区间CI:
对于用户u,若去过站点i,初始期望奖励设置为合适的定值;
对于用户u,若未去过站点i,初始置信区间设置为正无穷大,表示对初始奖励估计的不确定性;
步骤S6:对于每个用户u的每个站点i,计算置信上界作为选择依据;
步骤S7:用户换电后,根据是否成功换到满电计算实际奖励,并利用贝叶斯定理进行更新用户对推荐站点的奖励估计值和置信区间;
步骤S8:对于近一段时间内换不到满电的用户,选择置信上界最高的站点作为推荐站点;
步骤S9:选定置信上界最高的站点为推送给用户的潜在的高可用站点,即推荐站点,将该站点信息的链接通过短链服务进行封装,生成一个短链接,利用push和短信相结合的方式将该短链接触达用户;
步骤S10:用户在手持终端点开短链接,根据短链接页面信息的指引到达指定站点,并引导用户进行换电操作。
进一步地,在步骤S1中,采集电池的信息内容包括电池编号、经度、纬度、电量百分比以及当前容量,采集换电柜的信息内容包括柜子编号、柜子格号、操作时间、操作类型、电池编号、操作用户ID以及电池电量。
进一步地,步骤S3的大数据分析时,需要先对数据进行预处理,预处理包括去除重复数据、处理缺失值、处理异常值、数据格式转换、特征选择、特征转换和数据集划分。
进一步地,数据集划分包括划分训练集和测试集,具体为:将清洗后的数据集划分为训练集和测试集,用于模型训练和评估。
进一步地,数据预处理后,进行数据分析,分析过程为:
a)计算每小时取出电量的平均值:根据用户ID和时间戳,计算每小时取出电量的平均值,以便找出低取电量的用户人群;
b)计算电池库存的统计指标:对于每个换电柜站点,计算电池库存的平均值、中位数以及总量统计指标,以找出库存丰富的站点。
进一步地,在步骤S6中,置信上界的计算公式为:
UCB(t)=E(t)+c*sqrt(ln(t)/N(t))
其中,UCB(t)是在时间步t选择该站点的置信上界,E(t)是该站点在时间步t的期望奖励估计,N(t)是在时间步t该站点的被选择次数,c是探索系数,用于控制探索的程度。
进一步地,在步骤S7中,利用贝塔分布来表示期望奖励的不确定性,表示为Beta,其中a和b是分布的参数;
观测数据为成功换到满电的次数为k,失败次数为n-k,其中n是总次数;
根据贝叶斯定理,计算后验分布来更新期望奖励的估计:后验分布的参数为a'=a+k和b'=b+(n-k),使用更新后的后验分布来计算期望奖励的估计值,使用分布的均值或中位数;
期望奖励的估计值为E=a'/(a'+b');
置信区间CI=[q_low,q_high],其中q_low和q_high分别是后验分布的下分位数和上分位数。
进一步地,在步骤S9中,push通知为主要通知渠道,短信通知为补充通知渠道,短信通知能够提高通知的可见性和到达率。
有益效果:本发明能够根据大数据统计分析每小时取出电量低的用户人群和电池库存丰富的换电柜站点,在常去换电柜附近或行驶路径附近实时推荐给用户最优站点进行电池更换,使调度效率得到了提高,增大了用户去除电量,降低了电池闲置率。
附图说明
附图1为发明的方法步骤框图;
附图2为数据储存中的实时接入方式的结构框图;
附图3为数据储存中的离线同步方式的结构框图;
附图4为用户在不同站点的期望和置信区间的示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1所示,基于大数据线上实时推荐方式引导用户进行换电的方法,具体步骤如下:
步骤S1:采集用户取电量、行驶路径、电池、换电柜信息,并记录每个换电柜站点的电池库存情况。
在步骤S1中,采集电池的信息内容包括电池编号、经度、纬度、电量百分比以及当前容量,采集换电柜的信息内容包括柜子编号、柜子格号、操作时间、操作类型、电池编号、操作用户ID以及电池电量。
步骤S2:将采集的信息以实时接入或离线同步方式存入到大数据库。
数据储存方式一:实时接入,如附图2所示,
数据格式:
属性 | 释义 | 备注 |
imei | 设备的IEMI | |
protocol_type | 上报协议类型 | |
message | 设备上报内容 | 未处理消息 |
topic | 设备心跳来源 |
(1)数据中心通过开发配置Flink任务,确认上报协议以及消息通道;
(2)数据中心接受对应kafka推送数据;
(3)数据中心将原始数据进行储存;
(4)数据中心同时对接收的消息根据预定的协议解析完成储存过程。
数据储存方式二:离线同步,如附图3所示,
配置数据源和目标源:在配置中心中配置同步的数据源和目标源,包括数据源类型、连接信息、表名等。
定义同步任务:根据业务需要,定义要同步的数据源和目标源、数据列、同步起止位置等。
生成数据同步脚本:根据任务定义生成对应的数据同步脚本。
执行数据同步:按照生成的脚本执行数据同步操作,将指定源数据同步到目标数据源中。
步骤S3:根据大数据分析,找出每小时取出电量低的用户人群和电池库存丰富的换电站点。
步骤S3的大数据分析时,需要先对数据进行预处理,预处理包括去除重复数据、处理缺失值、处理异常值、数据格式转换、特征选择、特征转换和数据集划分。
1、去除重复数据:检查数据中是否存在重复的记录,如果有重复数据,则进行去重操作,保留唯一的记录。
2、处理缺失值:检查数据中是否存在缺失值,可以采取以下策略处理缺失值:
2.1、删除缺失值:如果缺失值的比例很小,可以选择删除包含缺失值的记录。
2.2、填充缺失值:根据特征的类型和数据分布,采用均值、中位数、众数,插值法方法填充缺失值。
3、处理异常值:检查数据中是否存在异常值,可以使用以下方法处理异常值:
3.1、删除异常值:如果异常值的数量很少,可以选择删除包含异常值的记录;
3.2、替换异常值:根据数据的分布特征,将异常值替换为合理的值。
4、数据格式转换:将数据转换为适合分析的格式,将日期时间字段转换为时间戳或特定的时间格式。
5、特征选择:
5.1、选择与目标相关的特征:根据分析目标,选择与每小时取出电量和电池库存相关的特征,如用户ID、时间戳等;
5.2、剔除不相关特征:剔除存在与分析目标无关或冗余的特征,以减少数据维度和复杂性。
6、特征转换:
6.1、时间戳转换:如果时间戳以不同的格式或粒度提供,将其转换为所需的小时级别的时间戳;
6.2、特征编码:对于分类变量,使用标签编码将其转换为数值表示,以便在后续分析中使用。
7、数据集划分:
数据集划分包括划分训练集和测试集,具体为:将清洗后的数据集划分为训练集和测试集,用于模型训练和评估。
数据预处理后,进行数据分析,分析过程为:
a)计算每小时取出电量的平均值:根据用户ID和时间戳,计算每小时取出电量的平均值,以便找出低取电量的用户人群;
b)计算电池库存的统计指标:对于每个换电柜站点,计算电池库存的平均值、中位数以及总量统计指标,以找出库存丰富的站点。
步骤S4:如附图4所示,根据收集到的数据,对用户建立模型,每个用户的模型包含对每个站点的期望奖励和置信区间:
对于每个用户u和站点i,期望奖励表示为E(u,i),期望奖励为对用户i在站点u上获得满电的概率的估计;
对于每个用户u和站点i,置信区间表示为CI(u,i),置信区间为对期望奖励的不确定性范围估计;
步骤S5:初始化每个用户对每个站点的初始期望奖励E(u,i)和置信区间CI(u,i):
对于用户u,若去过站点i,初始期望奖励设置为合适的定值;
对于用户u,若未去过站点i,初始置信区间设置为正无穷大,表示对初始奖励估计的不确定性;
步骤S6:对于每个用户u的每个站点i,计算置信上界作为选择依据。
在步骤S6中,置信上界的计算公式为:
UCB(t)=E(t)+c*sqrt(ln(t)/N(t))
其中,UCB(t)是在时间步t选择该站点的置信上界,E(t)是该站点在时间步t的期望奖励估计,N(t)是在时间步t该站点的被选择次数,c是探索系数,用于控制探索的程度。
步骤S7:用户换电后,根据是否成功换到满电计算实际奖励,并利用贝叶斯定理进行更新用户对推荐站点的奖励估计值和置信区间。
在步骤S7中,利用贝塔分布来表示期望奖励的不确定性,表示为Beta(a,b),其中a和b是分布的参数;
观测数据为成功换到满电的次数为k,失败次数为n-k,其中n是总次数;
根据贝叶斯定理,计算后验分布来更新期望奖励的估计:后验分布的参数为a'=a+k和b'=b+(n-k),使用更新后的后验分布来计算期望奖励的估计值,使用分布的均值或中位数;
期望奖励的估计值为E(u,i)=a'/(a'+b');
置信区间CI(u,i)=[q_low,q_high],其中q_low和q_high分别是后验分布的下分位数和上分位数。
步骤S8:对于近一段时间内换不到满电的用户,选择置信上界最高的站点作为推荐站点;
步骤S9:选定置信上界最高的站点为推送给用户的潜在的高可用站点,即推荐站点,将该站点信息的链接通过短链服务进行封装,生成一个短链接,利用push和短信相结合的方式将该短链接触达用户。
在步骤S9中,push通知为主要通知渠道,短信通知为补充通知渠道,短信通知能够提高通知的可见性和到达率。
push通知:使用应用内的push通知功能,将推送内容和短链一并发送给用户,推送内容应包括推荐的站点、预估取到的电量以及使用短链查看详情的引导。
短信通知:可以将短信作为补充渠道,向用户发送换电的通知,包括推送内容的摘要和短链。
步骤S10:用户在手持终端点开短链接,根据短链接页面信息的指引到达指定站点,并引导用户进行换电操作。
用户打开应用并进行换电操作,详情如下:
(Ⅰ)导航到换电页面:当用户点击推送通知或短信中的短链时,应用可以直接导航用户到应用中的换电页面,以减少用户的操作步骤和提高用户体验;
(Ⅱ)提供清晰界面和指导:在换电页面上,应用界面显示附近的换电站点、站点的剩余电量、距离和导航选项等,这样,用户可以方便地选择合适的换电站点,并通过导航功能快速到达;
(Ⅲ)引导用户进行换电操作:应用界面显示站点的空闲格口、指示用户正确的使用方式,并提供操作反馈,确保用户成功进行换电操作。
本发明的优点总结如下:
1)能够根据大数据统计分析每小时取出电量低的用户人群和电池库存丰富的换电柜站点,在常去换电柜附近或行驶路径附近实时推荐给用户最优站点进行电池更换,使调度效率得到了提高;
2)用户取出电量平均提高10%左右,实时推荐更优的换电站点,可以有效的引导用户完成更多的电池更换,提升用户的使用体验和效果;
3)换电柜站点闲置电池下降5%左右,优化电池更换流程,使得电池闲置率下降,提高了二轮车换电行业的效率和服务水平。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.基于大数据线上实时推荐方式引导用户进行换电的方法,其特征在于:具体步骤如下:
步骤S1:采集用户取电量、行驶路径、电池、换电柜信息,并记录每个换电柜站点的电池库存情况;
步骤S2:将采集的信息以实时接入或离线同步方式存入到大数据库;
步骤S3:根据大数据分析,找出每小时取出电量低的用户人群和电池库存丰富的换电站点;
步骤S4:根据收集到的数据,对用户建立模型,每个用户的模型包含对每个站点的期望奖励和置信区间:
对于每个用户u和站点i,期望奖励表示为E(u,i),期望奖励为对用户i在站点u上获得满电的概率的估计;
对于每个用户u和站点i,置信区间表示为CI(u,i),置信区间为对期望奖励的不确定性范围估计;
步骤S5:初始化每个用户对每个站点的初始期望奖励E(u,i)和置信区间CI(u,i):
对于用户u,若去过站点i,初始期望奖励设置为合适的定值;
对于用户u,若未去过站点i,初始置信区间设置为正无穷大,表示对初始奖励估计的不确定性;
步骤S6:对于每个用户u的每个站点i,计算置信上界作为选择依据;
步骤S7:用户换电后,根据是否成功换到满电计算实际奖励,并利用贝叶斯定理进行更新用户对推荐站点的奖励估计值和置信区间;
步骤S8:对于近一段时间内换不到满电的用户,选择置信上界最高的站点作为推荐站点;
步骤S9:选定置信上界最高的站点为推送给用户的潜在的高可用站点,即推荐站点,将该站点信息的链接通过短链服务进行封装,生成一个短链接,利用push和短信相结合的方式将该短链接触达用户;
步骤S10:用户在手持终端点开短链接,根据短链接页面信息的指引到达指定站点,并引导用户进行换电操作。
2.根据权利要求1所述的基于大数据线上实时推荐方式引导用户进行换电的方法,其特征在于:在步骤S1中,采集电池的信息内容包括电池编号、经度、纬度、电量百分比以及当前容量,采集换电柜的信息内容包括柜子编号、柜子格号、操作时间、操作类型、电池编号、操作用户ID以及电池电量。
3.根据权利要求1所述的基于大数据线上实时推荐方式引导用户进行换电的方法,其特征在于:步骤S3的大数据分析时,需要先对数据进行预处理,预处理包括去除重复数据、处理缺失值、处理异常值、数据格式转换、特征选择、特征转换和数据集划分。
4.根据权利要求3所述的基于大数据线上实时推荐方式引导用户进行换电的方法,其特征在于:数据集划分包括划分训练集和测试集,具体为:将清洗后的数据集划分为训练集和测试集,用于模型训练和评估。
5.根据权利要求3所述的基于大数据线上实时推荐方式引导用户进行换电的方法,其特征在于:数据预处理后,进行数据分析,分析过程为:
a)计算每小时取出电量的平均值:根据用户ID和时间戳,计算每小时取出电量的平均值,以便找出低取电量的用户人群;
b)计算电池库存的统计指标:对于每个换电柜站点,计算电池库存的平均值、中位数以及总量统计指标,以找出库存丰富的站点。
6.根据权利要求1所述的基于大数据线上实时推荐方式引导用户进行换电的方法,其特征在于:在步骤S6中,置信上界的计算公式为:
UCB(t)=E(t)+c*sqrt(ln(t)/N(t))
其中,UCB(t)是在时间步t选择该站点的置信上界,E(t)是该站点在时间步t的期望奖励估计,N(t)是在时间步t该站点的被选择次数,c是探索系数,用于控制探索的程度。
7.根据权利要求1所述的基于大数据线上实时推荐方式引导用户进行换电的方法,其特征在于:在步骤S7中,利用贝塔分布来表示期望奖励的不确定性,表示为Beta(a,b),其中a和b是分布的参数;
观测数据为成功换到满电的次数为k,失败次数为n-k,其中n是总次数;
根据贝叶斯定理,计算后验分布来更新期望奖励的估计:后验分布的参数为a'=a+k和b'=b+(n-k),使用更新后的后验分布来计算期望奖励的估计值,使用分布的均值或中位数;
期望奖励的估计值为E(u,i)=a'/(a'+b');
置信区间CI(u,i)=[q_low,q_high],其中q_low和q_high分别是后验分布的下分位数和上分位数。
8.根据权利要求1所述的基于大数据线上实时推荐方式引导用户进行换电的方法,其特征在于:在步骤S9中,push通知为主要通知渠道,短信通知为补充通知渠道,短信通知能够提高通知的可见性和到达率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310916500.9A CN117035285B (zh) | 2023-07-25 | 2023-07-25 | 基于大数据线上实时推荐方式引导用户进行换电的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310916500.9A CN117035285B (zh) | 2023-07-25 | 2023-07-25 | 基于大数据线上实时推荐方式引导用户进行换电的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035285A true CN117035285A (zh) | 2023-11-10 |
CN117035285B CN117035285B (zh) | 2024-04-12 |
Family
ID=88601429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310916500.9A Active CN117035285B (zh) | 2023-07-25 | 2023-07-25 | 基于大数据线上实时推荐方式引导用户进行换电的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035285B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180238698A1 (en) * | 2017-02-22 | 2018-08-23 | Robert D. Pedersen | Systems And Methods Using Artificial Intelligence For Routing Electric Vehicles |
CN110619091A (zh) * | 2019-08-14 | 2019-12-27 | 深圳易马达科技有限公司 | 一种推荐换电柜的方法及终端设备 |
CN111602159A (zh) * | 2018-03-20 | 2020-08-28 | 本田技研工业株式会社 | 服务器以及管理*** |
CN112477635A (zh) * | 2020-11-30 | 2021-03-12 | 浙江吉利控股集团有限公司 | 一种电池的电量补充方法、装置、设备及存储介质 |
CN114692927A (zh) * | 2020-12-31 | 2022-07-01 | 奥动新能源汽车科技有限公司 | 换电站推荐方法、***、电子设备和存储介质 |
CN115359646A (zh) * | 2022-08-18 | 2022-11-18 | 网电楚创智慧能源湖北有限公司 | 一种基于车载终端的换电车辆调度方法及*** |
CN115431830A (zh) * | 2022-08-04 | 2022-12-06 | 广东易积网络股份有限公司 | 一种面向快递企业的电池换电***、方法及存储介质 |
-
2023
- 2023-07-25 CN CN202310916500.9A patent/CN117035285B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180238698A1 (en) * | 2017-02-22 | 2018-08-23 | Robert D. Pedersen | Systems And Methods Using Artificial Intelligence For Routing Electric Vehicles |
CN111602159A (zh) * | 2018-03-20 | 2020-08-28 | 本田技研工业株式会社 | 服务器以及管理*** |
CN110619091A (zh) * | 2019-08-14 | 2019-12-27 | 深圳易马达科技有限公司 | 一种推荐换电柜的方法及终端设备 |
CN112477635A (zh) * | 2020-11-30 | 2021-03-12 | 浙江吉利控股集团有限公司 | 一种电池的电量补充方法、装置、设备及存储介质 |
CN114692927A (zh) * | 2020-12-31 | 2022-07-01 | 奥动新能源汽车科技有限公司 | 换电站推荐方法、***、电子设备和存储介质 |
CN115431830A (zh) * | 2022-08-04 | 2022-12-06 | 广东易积网络股份有限公司 | 一种面向快递企业的电池换电***、方法及存储介质 |
CN115359646A (zh) * | 2022-08-18 | 2022-11-18 | 网电楚创智慧能源湖北有限公司 | 一种基于车载终端的换电车辆调度方法及*** |
Non-Patent Citations (1)
Title |
---|
张文昕 等: "基于强化学习的电动汽车换电站实时调度策略优化", 《电力自动化设备》, vol. 42, no. 10, 31 October 2022 (2022-10-31), pages 134 - 141 * |
Also Published As
Publication number | Publication date |
---|---|
CN117035285B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8983671B2 (en) | Data collecting apparatus and data collecting method | |
CN103747523A (zh) | 一种基于无线网络的用户位置预测***和方法 | |
CN115640914A (zh) | 一种智慧燃气储气优化方法、物联网***、装置及介质 | |
Unterluggauer et al. | Short‐term load forecasting at electric vehicle charging sites using a multivariate multi‐step long short‐term memory: A case study from Finland | |
Shipman et al. | We got the power: Predicting available capacity for vehicle-to-grid services using a deep recurrent neural network | |
CN109146129A (zh) | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 | |
CN117035285B (zh) | 基于大数据线上实时推荐方式引导用户进行换电的方法 | |
CN112766599A (zh) | 一种基于深度强化学习的智能运维方法 | |
CN107896159A (zh) | 变电站运维绩效评价的***和方法 | |
CN116090702B (zh) | 一种基于物联网的erp数据智能监管***及方法 | |
CN116599160A (zh) | 新能源场站集群主动感知方法、***和新能源场站 | |
CN115860278A (zh) | 一种基于数据分析的电机组装生产管理方法及*** | |
CN114143822B (zh) | 流量管理方法、运营管理平台、充电桩及存储介质 | |
CN101441454A (zh) | 一种低频减载及拉路序位在线监视实现方法 | |
CN112560325B (zh) | 换电业务的预测方法、***、设备及存储介质 | |
CN113642248A (zh) | 定位设备剩余使用时间的评估方法及装置 | |
CN112800102A (zh) | 告警相关性计算方法、装置及计算设备 | |
CN112925831A (zh) | 基于云计算服务的大数据挖掘方法及大数据挖掘服务*** | |
CN116993085B (zh) | 基于换电电荷消耗算法提升电池利用效率的方法 | |
CN112895967B (zh) | 换电里程的剩余使用时间的预测方法、***、介质及设备 | |
CN115963408B (zh) | 储能电站单体电池故障预警***及方法 | |
CN117853274B (zh) | 一种基于大数据的新能源汽车充电桩运行数据分析管理*** | |
CN117913996B (zh) | 一种基于数据分析的配电柜运行智能监测管理方法及*** | |
CN107465531A (zh) | 发电调度方法及装置 | |
CN114021023B (zh) | 一种基于图卷积神经网络的电量视角推荐方法及*** |
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 |