充电行为分类方法、装置、终端及存储介质制造方法及图纸

本申请公开了一种充电行为分类方法、装置、终端及存储介质，方法包括：获取车辆的充电行为数据；将充电行为数据进行加权，得到加权后的充电行为数据；基于加权后的充电行为数据，确定车辆的充电行为类别。本发明专利技术通过将充电行为数据进行加权，使高维度输入的充电行为数据降维，提高了电动汽车用户的充电行为类别识别的准确度。识别的准确度。识别的准确度。

【技术实现步骤摘要】
充电行为分类方法、装置、终端及存储介质


[0001]本申请涉及计算机
，具体而言，涉及一种充电行为分类方法、装置、终端及存储介质。

技术介绍

[0002]中国电动汽车用户的充电行为有：不管是节假日还是非节假日、或者不同的车辆用途的用户，其充电高峰时段比较集中，基本都在凌晨和早晨时间，以及用户选择直流充电的次数远大于交流充电等。针对电动汽车用户的充电行为类别进行识别，有利用对电动汽车的发展。
[0003]目前，针对电动汽车用户的充电行为类别的判断，主要是先采集数据以获取到车辆的充电行为数据，此数据包括如平均充电终止电量、频率最大的充电终止电量范围、充电终止电量的标准差等参数。然后通过车辆的充电行为数据实现电动汽车用户的充电行为类别的识别。
[0004]但在，上述方法中的车辆的充电行为数据无法真实地反映充电行为特征，导致判断电动汽车用户的充电行为类别准确度低。

技术实现思路

[0005]本申请的主要目的在于提供一种充电行为分类方法、装置、终端及存储介质，以解决相关技术中存在的判断电动汽车用户的充电行为类别准确度低的问题。
[0006]为了实现上述目的，第一方面，本申请提供了一种充电行为分类方法，包括：
[0007]获取车辆的充电行为数据；
[0008]将充电行为数据进行加权，得到加权后的充电行为数据；
[0009]基于加权后的充电行为数据，确定车辆的充电行为类别。
[0010]在一种可能的实现方式中，充电行为数据通过概率矩阵表示，概率矩阵的列用于表征多个电量区间，概率矩阵的行用于表征车辆的充电行为在多个电量区间中的任一电量区间的概率。
[0011]在一种可能的实现方式中，将充电行为数据进行加权，得到加权后的充电行为数据，包括：
[0012]获取对称矩阵；
[0013]将概率矩阵与对称矩阵相乘，得到加权后的充电行为数据。
[0014]在一种可能的实现方式中，基于加权后的充电行为数据，确定车辆的充电行为类别，包括：
[0015]将加权后的充电行为数据输入训练后的自组织映射网络中，得到加权后的充电行为数据对应的充电行为类别概率；
[0016]利用聚类算法对充电行为类别概率进行聚类分析，得到目标分类结果；
[0017]从目标分类结果中选取概率密度最大的充电行为类别作为车辆的充电行为类别。
[0018]在一种可能的实现方式中，将加权后的充电行为数据输入训练后的自组织映射网络中，得到加权后的充电行为数据对应的充电行为类别概率之前，还包括：
[0019]获取初始自组织映射网络和训练数据；
[0020]利用训练数据对初始自组织映射网络进行训练，待达到预设阈值，得到训练后的自组织映射网络。
[0021]在一种可能的实现方式中，方法还包括：
[0022]将充电行为数据和加权后的充电行为数据分别输入训练后的自组织映射网络中，得到充电行为数据对应的充电行为类别概率和加权后的充电行为数据对应的充电行为类别概率；
[0023]利用聚类算法分别对充电行为数据对应的充电行为类别概率和加权后的充电行为数据对应的充电行为类别概率进行聚类分析，得到第一分类结果和第二分类结果，其中，第二分类结果与目标分类结果相同；
[0024]分别基于第一分类结果和第二分类结果，确定第一充电行为类别和第二充电行为类别，其中，第二充电行为类别为车辆的充电行为类别。
[0025]在一种可能的实现方式中，方法还包括：
[0026]获取车辆的原始充电行为类别；
[0027]将第一充电行为类别、第二充电行为类别与原始充电行为类别进行比对，得到比对结果，其中，比对结果用于验证第一充电行为类别、第二充电行为类别与原始充电行为类别的一致性。
[0028]第二方面，本专利技术实施例提供了一种充电行为分类装置，包括：
[0029]获取模块，用于获取车辆的充电行为数据；
[0030]加权模块，用于将充电行为数据进行加权，得到加权后的充电行为数据；
[0031]分类模块，用于基于加权后的充电行为数据，确定车辆的充电行为类别。
[0032]第三方面，本专利技术实施例提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上任一种充电行为分类方法的步骤。
[0033]第四方面，本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上任一种充电行为分类方法的步骤。
[0034]本专利技术实施例提供了一种充电行为分类方法、装置、终端及存储介质，包括：先获取车辆的充电行为数据，然后将充电行为数据进行加权，得到加权后的充电行为数据，再基于加权后的充电行为数据，确定车辆的充电行为类别。本专利技术通过将充电行为数据进行加权，使高维度输入的充电行为数据降维，提高了电动汽车用户的充电行为类别识别的准确度。
附图说明
[0035]构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0036]图1是本专利技术实施例提供的一种充电行为分类方法的实现流程图；
[0037]图2是本专利技术实施例提供的比对结果的示意图；
[0038]图3是本专利技术实施例提供的一种充电行为分类装置的结构示意图；
[0039]图4是本专利技术实施例提供的终端的示意图。
具体实施方式
[0040]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0041]本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
[0042]应当理解，在本专利技术的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本专利技术实施例的实施过程构成任何限定。
[0043]应当理解，在本专利技术中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0044]应当理解，在本专利技术中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种充电行为分类方法，其特征在于，包括：获取车辆的充电行为数据；将所述充电行为数据进行加权，得到加权后的充电行为数据；基于所述加权后的充电行为数据，确定所述车辆的充电行为类别。2.如权利要求1所述充电行为分类方法，其特征在于，所述充电行为数据通过概率矩阵表示，所述概率矩阵的列用于表征多个电量区间，所述概率矩阵的行用于表征车辆的充电行为在所述多个电量区间中的任一电量区间的概率。3.如权利要求2所述充电行为分类方法，其特征在于，所述将所述充电行为数据进行加权，得到加权后的充电行为数据，包括：获取对称矩阵；将所述概率矩阵与所述对称矩阵相乘，得到加权后的充电行为数据。4.如权利要求1所述充电行为分类方法，其特征在于，所述基于所述加权后的充电行为数据，确定所述车辆的充电行为类别，包括：将所述加权后的充电行为数据输入训练后的自组织映射网络中，得到所述加权后的充电行为数据对应的充电行为类别概率；利用聚类算法对所述充电行为类别概率进行聚类分析，得到目标分类结果；从所述目标分类结果中选取概率密度最大的充电行为类别作为所述车辆的充电行为类别。5.如权利要求4所述充电行为分类方法，其特征在于，所述将所述加权后的充电行为数据输入训练后的自组织映射网络中，得到所述加权后的充电行为数据对应的充电行为类别概率之前，还包括：获取初始自组织映射网络和训练数据；利用训练数据对所述初始自组织映射网络进行训练，待达到预设阈值，得到所述训练后的自组织映射网络。6.如权利要求4所述充电行为分类方法，其特征在于，所述方法还包括：将所述充电行为数据和所述加权后的充电行为数...

【专利技术属性】
技术研发人员：韩铮，曹斌，
申请(专利权)人：东软睿驰汽车技术沈阳有限公司，
类型：发明
国别省市：