充电桩智能推荐方法、装置和系统制造方法及图纸

本发明专利技术涉及一种充电桩智能推荐方法、装置和系统，所述方法包括获取预设距离范围内的充电桩的预测参数；根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；选择可用概率符合预设需求的充电桩进行推荐。本发明专利技术能够为车主智能推荐可用性高的充电桩，提升推荐充电桩的准确度，节约车主找桩时间，提升用户的充电体验。

【技术实现步骤摘要】
充电桩智能推荐方法、装置和系统
本专利技术涉及电动汽车充电
，尤其涉及一种充电桩智能推荐方法、装置和系统。
技术介绍
随着传统化石能源消耗带来的供应压力以及尾气的污染，在环保以及清洁能源概念的大趋势下，电动汽车对环境影响相对传统燃油汽车较小，因此电动汽车近几年呈现了井喷式发展。随着电动汽车的大量普及，基础充电设施必也不可少，充电桩站点也越来越多，通过广泛设置充电桩，能够更为有效的解决新能源汽车的出行距离的限制，进一步提高出行的便利性。当用户有充电需求时，需要查找当前区域的充电桩，用户通常打开充电桩站点地图中显示的充电桩站点的位置来选择充电桩。但是，用户无法根据充电桩站点位置获知充电桩的可用性情况，所选择的充电桩可能会出现油车占位或充电桩不可用等情况，用户到达所选充电桩后无法进行充电，导致用户寻找可用充电桩花费时间长，用户的充电体验差，因此，如何实现为用户智能推荐可用性高的充电桩，成为亟待解决的技术问题。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种充电桩智能推荐方法、装置和系统，为车主智能推荐可用性高的充电桩，提升推荐充电桩的准确度，节约了车主找桩时间，提升了用户的充电体验。为了解决上述技术问题，根据本专利技术一方面，提供了一种充电桩智能推荐方法，包括:获取预设距离范围内的充电桩的预测参数；根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；选择可用概率符合预设需求的充电桩进行推荐。进一步的，所述获取距离预设范围内的充电桩的预测参数，包括以下步骤：获取用户找桩请求和用户当前位置信息；设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合；获取所述充电桩集合中每个充电桩的预测参数。进一步的，所述预测参数包括：充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，充电桩与周边桩使用频率的差值。进一步的，所述充电桩与周边桩使用频率的差值的获取方法为：分别获取所述充电桩集合中的每个充电桩在预设时间周期内的使用频率；设置第二搜索半径，获取所述充电桩集合中的每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率；将所述所述充电桩集合中的每个充电桩在预设时间周期内的使用频率，减去对应的的第二搜索半径范围内的所有充电桩的平均使用频率，得到所述充电桩集合中的每个充电桩与周边桩使用频率的差值。进一步的，所述根据所述预测参数获取所述预设范围内的每个充电桩的可用概率P可用，通过公式(1)进行计算：P可用＝g(θ0+θ1Dn+θ2Tn+θ3Bn)(1)其中，θ0，θ1，θ2，θ3为系数，Dn为充电桩最后一次使用时长，Tn为充电桩最后一次使用完毕的时间，Bn为充电桩与周边桩使用频率的差值。进一步的，所述方法还包括以下步骤：获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用；将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ0，θ1，θ2，θ3。进一步的，将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ0，θ1，θ2，θ3，包括以下步骤：将公式(1)变换得到公式(2)：P可用＝θTx(2)其中，θ为系数矩阵，T为预测参数矩阵；根据公式(2)构造预测函数(3)：对于输入x分类结果为可用和不可用的概率分别为:P(y＝1|x；θ)＝hθ(x)(4)P(y＝0|x；θ)＝1-hθ(x)(5)其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；根据公式(4)和公式(5)得到代价函数：其中，m为训练样本的个数,i表示第i个样本，i＝1,2,3…m；根据公式(6)和公式(7)得到代价函数的最小参数：其中，j为正整数，表示第j次训练，α表示机器学习速率，通过上述步骤计算出系数θ0，θ1，θ2，θ3。进一步的，所述方法还包括，建立云端服务器，所述云端服务器采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数。根据本专利技术另一方面，提供了一种充电桩智能推荐装置，包括:参数获取模块，用于获取预设距离范围内的充电桩的预测参数；可用概率计算模块，用于根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；充电桩推荐模块，用于选择可用概率符合预设需求的充电桩进行推荐。进一步的，所述参数获取模块包括：信息获取单元，用于获取用户找桩请求和用户当前位置信息；充电桩预选单元，用于设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合；预测参数获取单元，用于获取所述充电桩集合中每个充电桩的预测参数。进一步的，所述预测参数包括：充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，充电桩与周边桩使用频率的差值。进一步的，所述预测参数获取单元包括：第一频率获取子单元，用于分别获取所述充电桩集合中的每个充电桩在预设时间周期内的使用频率；第二频率获取子单元，用于设置第二搜索半径，获取所述充电桩集合中的每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率；频率差值计算单元，用于将所述所述充电桩集合中的每个充电桩在预设时间周期内的使用频率，减去每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率，得到所述充电桩集合中的每个充电桩与周边桩使用频率的差值。进一步的，所述可用概率计算模块用于根据所述预测参数获取所述预设范围内的每个充电桩的可用概率P可用，通过公式(1)进行计算：P可用＝g(θ0+θ1Dn+θ2Tn+θ3Bn)(1)其中，θ0，θ1，θ2，θ3为系数，Dn为充电桩最后一次使用时长，Tn为充电桩最后一次使用完毕的时间，Bn为充电桩与周边桩使用频率的差值。进一步的，所述装置还包括机器学习模块，包括：样本参数获取单元，用于获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用；机器学习单元，用于将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ0，θ1，θ2，θ3。进一步的，所述机器学习单元包括：第一学习子单元，用于将公式(1)变换得到公式(2)：P可用＝θTx(2)其中，θ为系数矩阵，T为预测参数矩阵；第二学习子单元，用于根据公式(2)构造预测函数(3)：第三学习子单元，用于对于输入x分类结果为可用和不可用的概率分别为:P(y＝1|x；θ)＝hθ(x)(4)P(y＝0|x；θ)＝1-hθ(x)(5)其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；第四学习子单元，用于根据公式(4)和公式(5)得到代价函数：其中，m为训练样本的个数,i表示第i个样本，i＝1,2,3…m；第五学习子单元，用于根据公式(6)和公式(7)得到代价函数的最小参数：其中，j为正整数，表示第j次训练，α表示机器学习速率，第六学习子单元，用于根据公式(8)最终计算出系数θ0，θ1，θ2，θ3。根据本专利技术又一方面，提供了一种充电桩智能推荐系统，包括:所述的充电桩智能推荐装置和云端服务器，所述云端服务器用于采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数；所述装置从所述云端服务器获取所述预测参数。据本专利技术又一方面，提供一种控制本文档来自技高网...

【技术保护点】
1.一种充电桩智能推荐方法，其特征在于：包括:获取预设距离范围内的充电桩的预测参数；根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；选择可用概率符合预设需求的充电桩进行推荐。

【技术特征摘要】
1.一种充电桩智能推荐方法，其特征在于：包括:获取预设距离范围内的充电桩的预测参数；根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；选择可用概率符合预设需求的充电桩进行推荐。2.根据权利要求1所述的充电桩智能推荐方法，其特征在于：所述获取距离预设范围内的充电桩的预测参数，包括以下步骤：获取用户找桩请求和用户当前位置信息；设置第一搜索半径，获取所述用户当前位置的所述第一搜索半径范围内状态为可用的充电桩集合；获取所述充电桩集合中每个充电桩的预测参数。3.根据权利要求1或2所述的充电桩智能推荐方法，其特征在于：所述预测参数包括：充电桩最后一次使用时长，充电桩最后一次使用完毕的时间，本充电桩与周边桩使用频率的差值。4.根据权利要求3所述的充电桩智能推荐方法，其特征在于：所述充电桩与周边桩使用频率的差值的获取方法为：分别获取所述充电桩集合中的每个充电桩在预设时间周期内的使用频率；设置第二搜索半径，获取所述充电桩集合中的每个充电桩的第二搜索半径范围内的所有充电桩的平均使用频率；将所述所述充电桩集合中的每个充电桩在预设时间周期内的使用频率，减去对应的的第二搜索半径范围内的所有充电桩的平均使用频率，得到所述充电桩集合中的每个充电桩与周边桩使用频率的差值。5.根据权利要求3所述的充电桩智能推荐方法，其特征在于：所述根据所述预测参数获取所述预设范围内的每个充电桩的可用概率P可用，通过公式(1)进行计算：P可用＝g(θ0+θ1Dn+θ2Tn+θ3Bn)(1)其中，θ0，θ1，θ2，θ3为系数，Dn为充电桩最后一次使用时长，Tn为充电桩最后一次使用完毕的时间，Bn为充电桩与周边桩使用频率的差值。6.根据权利要求5所述的充电桩智能推荐方法，其特征在于：所述方法还包括以下步骤：获取预设时间段内用户对充电桩标注的可用性结果以及对应的预测参数，所述可用性结果包括可用和不可用，对应标注为可用和不可用；将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ0，θ1，θ2，θ3。7.根据权利要求6所述的充电桩智能推荐方法，其特征在于：将所述可用性结果以及对应的预测参数作为样本训练集进行机器学习，计算出系数θ0，θ1，θ2，θ3，包括以下步骤：将公式(1)变换得到公式(2)：P可用＝θTx(2)其中，θ为系数矩阵，T为预测参数矩阵；根据公式(2)构造预测函数(3)：对于输入x分类结果为可用和不可用的概率分别为:P(y＝1|x；θ)＝hθ(x)(4)P(y＝0|x；θ)＝1-hθ(x)(5)其中，y＝1表示输入x分类结果为可用，y＝0表示输入x分类结果为不可用；根据公式(4)和公式(5)得到代价函数：其中，m为训练样本的个数,i表示第i个样本，i＝1,2,3…m；根据公式(6)和公式(7)得到代价函数的最小参数：其中，j为正整数，表示第j次训练，α表示机器学习速率，通过上述步骤计算出系数θ0，θ1，θ2，θ3。8.根据权利要求1所述的充电桩智能推荐方法，其特征在于：所述方法还包括，建立云端服务器，所述云端服务器采集并存储充电桩的实时数据和历史数据，所述实时数据和历史数据包括所述预测参数。9.一种充电桩智能推荐装置，其特征在于：包括:参数获取模块，用于获取预设距离范围内的充电桩的预测参数；可用概率计算模块，用于根据所述预测参数获取所述预设范围内的每个充电桩的可用概率；充电桩推荐模块，用于选择可用概率符合预设需求的充电桩进行推荐。10.根据权利要求9所述的充电桩智能推荐装置，其特征在于：所述参数获取模...

【专利技术属性】
技术研发人员：夏沙，
申请(专利权)人：蔚来汽车有限公司，
类型：发明
国别省市：中国香港,81