一种换电预测方法和系统及存储介质技术方案

本发明专利技术提供一种换电预测方法，包括以下步骤：采集与换电相关的一个或多个特征；根据预设的算法处理特征，得到特征提取结果；基于特征提取结果，分别得到预计被骑行概率和预计被骑行时长；以及基于预计被骑行概率、预计被骑行时长和当前电池电量，判断是否需要换电。本发明专利技术创新性地将multi‑task思想和DeepFM算法相结合，应用到共享电瓶车换电池问题，选用合理的深度学习模型和较为精确的特征数据，两步骤衔接，端到端预测直租车电池是否需要更换，挖掘隐藏在数据背后的重要特征，将各种因素的影响充分发挥，为共享电瓶车是否需要更换电池给出合理方案。

A method, system and storage medium for power change prediction

【技术实现步骤摘要】
一种换电预测方法和系统及存储介质
本专利技术涉及电动车换电领域，尤其涉及一种共享电动车电量是否需要换电池的实时预测方法和系统。
技术介绍
随着互联网技术的发展，在全国各个大城市兴起共享电瓶车，共享电瓶车以其省力好骑，优惠方便受到大众认可。但随着共享电瓶车的投放数目增长和共享电瓶业务的日趋成熟，共享电瓶车的换电服务需要越来越多的人力资源。不合理的换电方案也会造成大量的人力资源浪费和电量浪费。究竟共享电瓶车的电量在剩余多少时是应该被换电池的，而这个剩余电量又该如何去计算。由此可以看出，共享电瓶车何时需要换电是一个较为复杂的场景，需要去深入研究的。目前，一些方案是使用全部一刀切的规则，即不管电瓶车其他状态，只要该车的电量低于一个阈值时，运维人员就会把电池换掉。只用了规则，并没有用任何算法去预测电池是否需要更换。这种方案缺乏很多思考，有诸多弊端，最终应该实现的目标是‘供需平衡’，所谓‘供’即电池的剩余能提供电量，而‘需’是用户需要使用电量。而现在一刀切的方案只考虑了供给而没有考虑需求。影响用户需求的因素有很多，比如电瓶车所处的地理位置，周围用户活跃程度；当前时刻，距离高峰期的时间；天气晴朗状况，用户是否会选择电瓶车出行；电池所处的生命周期，新电池和旧电池在剩余电量相同时能骑行的距离是不同的；不同城市由于地理状况和交通情况等造成用户骑行习惯骑行距离有很大的不同；此外天气温度对电池电量消耗及下降速度也会有较大影响。由此可以看出人工利用先验知识进行地址选择会导致两个问题：一是基本依赖于相关工作人员自身的业务能力，该人员的个人知识和认知的主观因素会直接决定收益；二是人工选择难以捕捉特征之间、特征与收益之间深层次的关联。预测是否更换电池是有效对特征交互建模得出结果，有些特征交互可以很容易理解，因此特征工程的可以人工设计出来。然而，绝大部分特征都是隐藏在数据背后，难以形成先验知识，只能通过机器学习自动生成。因此，本领域的技术人员致力于研发一种能够准确预测共享电瓶车此刻是否应该被换电的方法和系统。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术的目的在于提供一种能及时准确预测共享电瓶车电池电量需要更换及协助运维维修人员去为电瓶车更换电池的方法。而本专利技术的技术方案利用了神经网络算法从而能够在技术上支持并实现准确预测。为实现上述目的，本专利技术提供了一种换电预测方法和系统，基于一种multi-task思想，利用DeepFM算法进行共享电瓶车电量是否需要换电池的实时预测，目标是用算法预测电池是否应该更换，能使共享电瓶车电量在降低成本的基础上发挥最大商业价值。其中，multi-task是指给定m个学习任务，其中所有或一部分任务是相关但并不完全一样的，多任务学习的目标是通过使用这m个任务中包含的知识来帮助提升各个任务的性能。Wide&DeepLearning是Google提出的一种深度模块和广度模块结合的神经网络模型，将宽线性模型(WideModel)和深度神经网络模型(DeepModel)结合，二者并连的结构设计。Wide端使用常见的LR模型，将常见的离散特征、低维特征组合作为输入，实现了模型的记忆能力。Deep端将离散特征通过embedding方法转化成稠密特征向量输入，实际上实现了tag向量的模糊查询，扩充了模型的泛化能力。WideforMemorization，wide侧记住的是历史数据中那些常见、高频的模式。根据人工经验、业务背景，将有价值的、显而易见的特征及特征组合输入wide侧。DeepforGeneration，deep侧通过embedding将tag向量化，变tag的精确匹配，为tag向量的模糊查询，因而模型具备良好的“扩展”能力。DeepFM是基于谷歌的经典论文Wide&Deeplearning基础上，通过将原论文的wide侧的逻辑回归(LR)部分替换成FM，克服了原有模型依然需要对低维特征做特征工程的缺点，得到一个端到端(endtoend)的深度学习模型。DeepFM将WideandDeep模型中的Wide侧的LR替换成FM，克服了原有模型依然需要对低维特征做特征工程的缺点，实现了一个无需任何人工特征工程的endtoend模型。DeepFM在wide侧和deep侧共享了embedding的特征向量。DeepFM在企业数据集和公开数据集上都取得不错的效果，本专利技术正是借鉴该方法并创新地应用于共享电瓶车行业的换电场景中。其中，FM模型是一种特征组合方法，通过对每一维特征的隐向量内积来提取特征组合，但因为计算复杂度的原因，一般只用到二阶特征组合。本专利技术创新性地将multi-task思想和DeepFM算法相结合，应用到共享电瓶车换电池问题，选用合理的深度学习模型和较为精确的特征数据，为共享电瓶车是否需要更换电池给出合理方案。在本专利技术的较佳实施方式中，本专利技术提供一种换电预测方法，包括以下步骤：采集与换电相关的一个或多个特征；根据预设的算法处理特征，得到特征提取结果；以及基于特征提取结果，分别得到预计被骑行概率和预计被骑行时长。在一些实施例中，可选的，还包括：基于预计被骑行概率、预计被骑行时长和当前电池电量，判断是否需要换电。在一些实施例中，可选的，判断是否需要换电的步骤包括：利用DNN处理预计被骑行概率、预计被骑行时长和当前电池电量，并使用Sigmoid激活，以得到分类结果分数，其中，分类结果分数大于换电阈值表示不需要换电，以及分类结果分数小于等于换电阈值表示需要换电。在一些实施例中，可选的，换电阈值为0.5。在一些实施例中，可选的，利用包含两个隐含层的DNN处理预计被骑行概率、预计被骑行时长和当前电池电量。在一些实施例中，可选的，根据预设的算法处理特征的步骤包括：将特征分为类别特征和数值特征；对类别特征进行onehot编码；以及对onehot编码后得到的数据进行embedding操作，以使得类别特征能够作为数值特征使用。在一些实施例中，可选的，根据预设的算法处理特征的步骤包括：利用FM处理特征，得到第一处理结果；利用DNN处理特征，得到第二处理结果；以及合并第一处理结果和第二处理结果，得到特征提取结果。在一些实施例中，可选的，使用concat方法合并第一处理结果和第二处理结果。在一些实施例中，可选的，得到预计被骑行概率的步骤包括：利用DNN处理特征提取结果，并使用Sigmoid激活。在一些实施例中，可选的，得到预计被骑行时长的步骤包括：利用DNN处理特征提取结果，并使用线性激活。在一些实施例中，可选的，利用包含两个隐含层的DNN处理特征提取结果。在一些实施例中，可选的，利用DNN处理特征提取结果的步骤包括：使用网格搜索和交叉验证进行训练。在一些实施例中，可选的，特征包括：与车辆本身硬件特性相关的特征，包括以下一种或多种特征：车辆总投放时长、电池投放时长、电池版本、车辆软硬件版本、过去一天中开锁成功率、过去一天开锁失败错误码；与车辆所在环境相关的特征，包括以下一本文档来自技高网...

【技术保护点】
1.一种换电预测方法，其特征在于，包括以下步骤：/n采集与换电相关的一个或多个特征；/n根据预设的算法处理所述特征，得到特征提取结果；以及/n基于所述特征提取结果，分别得到预计被骑行概率和预计被骑行时长。/n

【技术特征摘要】
1.一种换电预测方法，其特征在于，包括以下步骤：
采集与换电相关的一个或多个特征；
根据预设的算法处理所述特征，得到特征提取结果；以及
基于所述特征提取结果，分别得到预计被骑行概率和预计被骑行时长。


2.如权利要求1所述的换电预测方法，其特征在于，还包括：
基于所述预计被骑行概率、所述预计被骑行时长和当前电池电量，判断是否需要换电。


3.如权利要求2所述的换电预测方法，其特征在于，所述判断是否需要换电的步骤包括：利用DNN处理所述预计被骑行概率、所述预计被骑行时长和当前电池电量，并使用Sigmoid激活，以得到分类结果分数，其中，所述分类结果分数大于换电阈值表示不需要换电，以及所述分类结果分数小于等于所述换电阈值表示需要换电。


4.如权利要求3所述的换电预测方法，其特征在于，所述换电阈值为0.5。


5.如权利要求3所述的换电预测方法，其特征在于，利用包含两个隐含层的DNN处理所述预计被骑行概率、所述预计被骑行时长和当前电池电量。


6.如权利要求1所述的换电预测方法，其特征在于，所述根据预设的算法处理所述特征的步骤包括：
将所述特征分为类别特征和数值特征；
对所述类别特征进行onehot编码；以及
对onehot编码后得到的数据进行embedding操作，以使得所述类别特征能够作为数值特征使用。


7.如权利要求1所述的换电预测方法，其特征在于，所述根据预设的算法处理所述特征的步骤包括：
利用FM处理所述特征，得到第一处理结果；
利用DNN处理所述特征，得到第二处理结果；以及
合并所述第一处理结果和所述第二处理结果，得到所述特征提取结果。


8.如权利要求7所述的换电预测方法，其特征在于，使用concat方法合并所述第一处理结...

【专利技术属性】
技术研发人员：杨磊，黄茗，
申请(专利权)人：上海钧正网络科技有限公司，
类型：发明
国别省市：上海;31