本申请提供一种充电站推荐模型训练方法、装置、设备及存储介质。该方法包括：获取充电站有向图以及充电站辅助信息有向图；通过图神经网络Node2Vec算法，分别对所述充电站有向图以及所述充电站辅助信息有向图进行采样，获得训练数据，所述训练数据包括充电站序列和充电站辅助信息序列；根据所述训练数据，对充电站推荐模型进行训练，得到训练完成的充电站推荐模型。本申请的方法，解决了现有技术因为不考虑用户历史信息和充电站辅助信息的充电站推荐方法，导致的推荐充电站不符合用户需求的问题。题。题。
【技术实现步骤摘要】
充电站推荐模型训练方法、装置、设备及存储介质
[0001]本申请涉及车辆技术，尤其涉及一种充电站推荐模型训练方法、装置、设备及存储介质。
技术介绍
[0002]作为全球碳减排、碳中和的重要抓手，新能源汽车的高速发展在交通领域优化能源结构，降低石化能源的消耗做出极其重要的贡献。
[0003]新能源汽车的电量主要来源于市电电网。许多的城市为了方便人们日常出行，开始加大力度的建设公共的新能源汽车充电站。用户在想要使用充电站时，通过智能终端查询可以进行充电的新能源充电站，此时可以进行新能源汽车充电站的推荐。目前国内对于新能源汽车充电站推荐方法较为简单，往往是按照需要充电的新能源汽车到目标充电站的距离从近到远进行排序。但是影响用户选择充电站的因素除了距离，还有例如充电站的运营商和充电价格等。
[0004]现有技术没有考虑影响用户选择充电站的不同因素，没有针对用户的不同需求进行推荐，并且忽略了用户的历史充电行为中的有用信息。
技术实现思路
[0005]本申请提供一种充电站推荐模型训练方法、装置、设备及存储介质，用以解决现有技术因为不考虑用户历史信息和充电站辅助信息的充电站推荐方法，导致的推荐充电站不符合用户需求的问题。
[0006]一方面，本申请提供一种充电站推荐模型训练方法，包括：
[0007]获取充电站有向图以及充电站辅助信息有向图；
[0008]通过图神经网络Node2Vec算法，分别对所述充电站有向图以及所述充电站辅助信息有向图进行采样，获得训练数据，所述训练数据包括充电站序列和充电站辅助信息序列；
[0009]根据所述训练数据，对充电站推荐模型进行训练，得到训练完成的充电站推荐模型。
[0010]可选地，所述获取充电站有向图以及充电站辅助信息有向图，包括：
[0011]获取多个用户的充电信息，每个所述充电信息包括所述用户在不同充电站的充电顺序以及每个所述充电站对应的充电站辅助信息；
[0012]根据每个用户在不同充电站的充电顺序，得到所述充电站有向图；
[0013]根据每个充电站对应的充电站辅助信息及所述充电顺序，得到所述充电站辅助信息有向图；
[0014]其中，所述充电站有向图和所述充电站辅助信息有向图的边的权重是根据充电次数决定的。
[0015]可选地，所述通过图神经网络Node2Vec算法，分别对所述充电站有向图以及所述充电站辅助信息有向图进行采样，获得训练数据，包括：
[0016]针对所述充电站有向图或所述充电站辅助信息有向图，确定路径长度K；
[0017]随机选择有向图中的任一节点为初始节点，执行节点选择流程以获取下一节点，并重复执行节点选择流程，直至达到路径长度K，得到充电站序列或充电站辅助信息序列；
[0018]其中，所述节点选择流程具体为：根据有向图的同质结构性参数和有向图的边的权重，通过图神经网络Node2Vec算法，选择下一节点。
[0019]可选地，所述根据所述训练数据，对充电站推荐模型进行训练，得到训练完成的充电站推荐模型，包括：
[0020]根据所述充电站序列，对所述充电站推荐模型进行训练，得到第一隐向量矩阵；
[0021]根据所述充电站辅助信息序列，对所述充电站推荐模型进行训练，得到第二隐向量矩阵；
[0022]根据所述第一隐向量矩阵和所述第二隐向量矩阵的融合处理结果，得到训练完成的充电站推荐模型。
[0023]可选地，所述根据所述充电站序列，对所述充电站推荐模型进行训练，得到第一隐向量矩阵，包括：
[0024]根据所述充电站序列，获取中心输入输出样本对，所述中心输入输出样本对为所述充电站序列中相邻的两个节点；
[0025]初始化隐向量矩阵，根据所述中心输入输出样本对的编码向量，提取所述隐向量矩阵的第一隐向量和第二隐向量，所述第一隐向量为中心输入对应的隐向量，所述第二隐向量为除了中心输入以外输入对应的隐向量；
[0026]根据所述第一隐向量和所述第二隐向量，得到所述第一隐向量矩阵；
[0027]其中，所述第二隐向量矩阵与所述第一隐向量矩阵获取方式相同。
[0028]可选地，所述根据所述第一隐向量和所述第二隐向量，得到所述第一隐向量矩阵，包括：
[0029]根据所述第一隐向量和所述第二隐向量，获得相似度矩阵；
[0030]根据相似度矩阵和激活函数获得概率分布矩阵；
[0031]根据损失函数和所述概率分布矩阵更新所述隐向量矩阵，直至损失函数的损失值达到预设值。
[0032]可选地，所述充电站推荐模型为Skip
‑
gram模型。
[0033]另一方面，本申请提供一种充电站推荐方法，包括：
[0034]获取终端设备发送的充电请求；
[0035]获取所述终端设备对应的用户在预设时间内使用过的充电站；
[0036]将所述充电站输入至充电站推荐模型，得到所述充电站推荐模型输出的推荐充电站，其中，所述充电站推荐模型采用如权利要求1至7任一项所述的方法训练得到的。
[0037]第三方面，本申请提供一种充电站推荐模型训练装置，包括：
[0038]获取模块，用于获取充电站有向图以及充电站辅助信息有向图；
[0039]采样模块，用于通过图神经网络Node2Vec算法，分别对所述充电站有向图以及所述充电站辅助信息有向图进行采样，获得训练数据，所述训练数据包括充电站序列和充电站辅助信息序列；
[0040]训练模块，用于根据所述训练数据，对充电站推荐模型进行训练，得到训练完成的
充电站推荐模型。
[0041]可选地，获取模块还具体用于：
[0042]获取多个用户的充电信息，每个所述充电信息包括所述用户在不同充电站的充电顺序以及每个所述充电站对应的充电站辅助信息；
[0043]根据每个用户在不同充电站的充电顺序，得到所述充电站有向图；
[0044]根据每个充电站对应的充电站辅助信息及所述充电顺序，得到所述充电站辅助信息有向图；
[0045]其中，所述充电站有向图和所述充电站辅助信息有向图的边的权重是根据充电次数决定的。
[0046]可选地，采样模块还具体用于：
[0047]针对所述充电站有向图或所述充电站辅助信息有向图，确定路径长度K；
[0048]随机选择有向图中的任一节点为初始节点，执行节点选择流程以获取下一节点，并重复执行节点选择流程，直至达到路径长度K，得到充电站序列或充电站辅助信息序列；
[0049]其中，所述节点选择流程具体为：根据有向图的同质结构性参数和有向图的边的权重，通过图神经网络Node2Vec算法，选择下一节点。
[0050]可选地，训练模块还具体用于：
[0051]根据所述充电站序列，对所述充电站推荐模型进行训练，得到第一隐向量矩阵；
[0052]根据所述充电站辅助信息序列，对所述充电站推荐模型进行训练，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种充电站推荐模型训练方法，其特征在于，包括：获取充电站有向图以及充电站辅助信息有向图；通过图神经网络Node2Vec算法，分别对所述充电站有向图以及所述充电站辅助信息有向图进行采样，获得训练数据，所述训练数据包括充电站序列和充电站辅助信息序列；根据所述训练数据，对充电站推荐模型进行训练，得到训练完成的充电站推荐模型。2.根据权利要求1所述的方法，其特征在于，所述获取充电站有向图以及充电站辅助信息有向图，包括：获取多个用户的充电信息，每个所述充电信息包括所述用户在不同充电站的充电顺序以及每个所述充电站对应的充电站辅助信息；根据每个用户在不同充电站的充电顺序，得到所述充电站有向图；根据每个充电站对应的充电站辅助信息及所述充电顺序，得到所述充电站辅助信息有向图；其中，所述充电站有向图和所述充电站辅助信息有向图的边的权重是根据充电次数决定的。3.根据权利要求2所述的方法，其特征在于，所述通过图神经网络Node2Vec算法，分别对所述充电站有向图以及所述充电站辅助信息有向图进行采样，获得训练数据，包括：针对所述充电站有向图或所述充电站辅助信息有向图，确定路径长度K；随机选择有向图中的任一节点为初始节点，执行节点选择流程以获取下一节点，并重复执行节点选择流程，直至达到路径长度K，得到充电站序列或充电站辅助信息序列；其中，所述节点选择流程具体为：根据有向图的同质结构性参数和有向图的边的权重，通过图神经网络Node2Vec算法，选择下一节点。4.根据权利要求1所述的方法，其特征在于，所述根据所述训练数据，对充电站推荐模型进行训练，得到训练完成的充电站推荐模型，包括：根据所述充电站序列，对所述充电站推荐模型进行训练，得到第一隐向量矩阵；根据所述充电站辅助信息序列，对所述充电站推荐模型进行训练，得到第二隐向量矩阵；根据所述第一隐向量矩阵和所述第二隐向量矩阵的融合处理结果，得到训练完成的充电站推荐模型。5.根据权利要求1所述的方法，其特征在于，所述根据所述充电站序列，对所述充电站推荐模型进行训练，得到第一隐向量矩阵，包括：根据所述充电站序列，获取中心输入输出样本对，所述中心输入输出样本对为所述充电站序列中相邻的两个节点；初始化隐向...
【专利技术属性】
技术研发人员：周驰，陈勇，郑来伟，徐东进，
申请(专利权)人：浙江吉利控股集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。