基于端云协同的智能锂电池主动式信息推送方法和装置制造方法及图纸

本发明专利技术公开了一种基于端云协同的智能锂电池主动式信息推送方法和装置，获取所述电池

【技术实现步骤摘要】
基于端云协同的智能锂电池主动式信息推送方法和装置


[0001]本申请涉及一种数据处理
，尤其涉及一种基于端云协同的智能锂电池主动式信息推送方法和装置
。

技术介绍

[0002]在电动自行车共享充电柜换电解决方案背景下，需要给用户反馈电池等异常信息给用户
。
传统的方式可以分为三种：端上直接计算
、
云上直接计算和端云协同计算
。
端上直接计算是指在端设备上采集用户的行为信息，通过模型推理计算得到反馈信息，并直接在端设备上输出反馈结果
。
然而，这种方法受限于端设备的计算能力，无法获取全局的信息，可能导致模型准确性不足
。
云上直接计算则是将端上采集的用户信息上传至云端进行统一的计算，并将计算结果下发至端上进行反馈
。
尽管解决了计算能力不足的问题，但大量的信息上传会带来频繁的通讯和大量的带宽消耗
。
而端云协同计算是指将复杂任务的计算放在云端完成，将简单任务的计算放在端上完成
。
然而，这种方式存在一个缺陷，即端上计算和云上计算是独立的，各自计算的信息缺乏有机结合，从而影响整体结果的精度
。
导致推送信息不准确或延迟的问题
。

技术实现思路

[0003]本申请的目的在于提供一种基于端云协同的智能锂电池主动式信息推送方法和装置，以至少解决相关技术中在推送信息预测不准确
、
延迟以及效率低下的问题
。
[0004]本申请第一方面提供基于端云协同的智能锂电池主动式信息推送方法，应用于主动式信息推送系统，所述系统包括电池
BMS
终端
、
用户终端和云端服务器，所述方法具体应用于所述云端服务器，包括：获取所述电池
BMS
终端确定的当前电池信息嵌入向量，以及获取所述用户终端确定的当前用户信息嵌入向量；基于获取的当前电池特征数据和当前用户特征数据，确定当前用户电池交互异构网络；采用基于预先训练好的图神经网络模型，根据所述当前用户电池交互异构网络确定目标用户电池交互嵌入向量；基于所述当前电池信息嵌入向量
、
所述当前用户信息嵌入向量和所述目标用户电池交互嵌入向量，采用预先训练好的多视图融合模型获取推送信息
。
[0005]在一个实施例中，所述获取所述电池
BMS
终端确定的当前电池信息嵌入向量，包括：获取基于预先训练好的第一神经网络模型，针对所述电池
BMS
终端采集的当前电池特征数据确定的所述当前电池信息嵌入向量；所述获取所述用户终端确定的当前用户信息嵌入向量，包括：获取基于预先训练好的第二神经网络模型，针对所述用户终端采集的当前用户特
征数据确定的所述当前用户信息嵌入向量
。
[0006]在一个实施例中，所述当前电池特征数据通过所述电池
BMS
终端采集上传，包括电池端预设时间段内的平均骑行距离
、
最大骑行距离
、
单位
SOC
骑行距离
、
单位电压骑行距离和最大骑行速度；所述当前用户特征数据通过所述用户终端采集上传，包括用户端预设时间段内的平均骑行距离
、
最大骑行距离
、
单位
SOC
骑行距离
、
单位电压骑行距离
、
平均时速
、
最大骑行速度
。
[0007]在一个实施例中，所述基于获取的当前电池特征数据和当前用户特征数据，确定当前用户电池交互异构网络，包括：根据所述当前电池特征数据和所述当前用户特征数据之间的使用关系，确定当前边集合；根据所述当前电池特征数据和所述当前用户特征数据，确定当前节点集合；根据所述当前节点集合和所述当前边集合构建的网络，确定所述当前用户电池交互异构网络
。
[0008]在一个实施例中，所述方法还包括获取图神经网络模型，具体包括：基于获取的历史电池特征数据和历史用户特征数据，确定历史用户电池交互异构网络；根据所述历史用户电池交互异构网络进行转换处理，确定历史用户电池交互同构网络；基于所述历史用户电池交互同构网络，对所述图神经网络模型进行训练，直至满足第一预设条件，得到所述预先训练好的图神经网络模型
。
[0009]在一个实施例中，所述基于所述历史用户电池交互同构网络，对所述图神经网络模型进行训练，直至满足第一预设条件，得到所述预先训练好的图神经网络模型，包括：基于所述图神经网络模型中的权重参数，对所述历史用户电池交互同构网络中的原始节点特征属性进行邻居聚合处理，得到用户电池交互嵌入向量；根据所述用户电池交互嵌入向量和所述权重参数，确定预测节点特征属性；根据所述原始节点特征属性和所述预测节点特征属性，确定重构误差；采用反向传播算法，对所述权重参数进行优化，直至所述重构误差满足预设值，得到所述预先训练好的图神经网络模型
。
[0010]在一个实施例中，所述权重参数包括第一权重参数
、
第二权重参数和第三权重参数；所述得到用户电池交互嵌入向量，包括：根据所述历史用户电池交互同构网络中的原始节点特征属性和所述第一权重参数，确定一阶邻居聚合；根据所述一阶邻居聚合和所述第二权重参数，确定二阶邻居聚合；根据所述二阶邻居聚合和所述第三权重参数，确定用户电池交互嵌入向量
。
[0011]在一个实施例中，所述权重参数还包括第四权重参数；所述确定预测节点特征属性，包括：根据所述用户电池交互嵌入向量和所述第四权重参数，确定预测节点特征属性
。
[0012]在一个实施例中，所述方法还包括获取多视图融合模型，具体包括：
根据获取的历史电池信息嵌入向量
、
历史用户信息嵌入向量和历史用户电池交互嵌入向量，通过所述多视图融合模型得到输出值，所述多视图融合模型采用第一损失函数构建；使用所述多视图融合模型中的解码器对所述输出值进行解码，得到预测推送信息；根据所述预测推送信息和预先设定的真实推送信息，采用第二损失函数确定差异值；根据所述输出值和所述差异值构建的总损失函数，使用梯度下降算法和反向传播算法对所述多视图融合模型进行调参，直至所述总损失函数收敛，得到所述预先训练好的多视图融合模型
。
[0013]本申请第二方面提供一种基于端云协同的智能锂电池主动式信息推送装置，应用于主动式信息推送系统，所述系统包括电池
BMS
终端
、
用户终端和云端服务器，所述装置具体应用于所述云端服务器，包括：当前嵌入向量获取模块，用于获取所述电池
BMS
终端确定的当前电池信息嵌入向量，以及获取所述用户终端确定的当前用户信息嵌入向量；交互异构网络获取模块，用于基于获取的当前电池特征数据和当前用户特征数据，确定当前用户电池交互异构网络；交互嵌入向量获取模块，用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于端云协同的智能锂电池主动式信息推送方法，其特征在于，应用于主动式信息推送系统，所述系统包括电池
BMS
终端
、
用户终端和云端服务器，所述方法具体应用于所述云端服务器，包括：获取所述电池
BMS
终端确定的当前电池信息嵌入向量，以及获取所述用户终端确定的当前用户信息嵌入向量；基于获取的当前电池特征数据和当前用户特征数据，确定当前用户电池交互异构网络；采用基于预先训练好的图神经网络模型，根据所述当前用户电池交互异构网络确定目标用户电池交互嵌入向量；基于所述当前电池信息嵌入向量
、
所述当前用户信息嵌入向量和所述目标用户电池交互嵌入向量，采用预先训练好的多视图融合模型获取推送信息
。2.
根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法，其特征在于，所述获取所述电池
BMS
终端确定的当前电池信息嵌入向量，包括：获取基于预先训练好的第一神经网络模型，针对所述电池
BMS
终端采集的当前电池特征数据确定的所述当前电池信息嵌入向量；所述获取所述用户终端确定的当前用户信息嵌入向量，包括：获取基于预先训练好的第二神经网络模型，针对所述用户终端采集的当前用户特征数据确定的所述当前用户信息嵌入向量
。3.
根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法，其特征在于，所述当前电池特征数据通过所述电池
BMS
终端采集上传，包括电池端预设时间段内的平均骑行距离
、
最大骑行距离
、
单位
SOC
骑行距离
、
单位电压骑行距离和最大骑行速度；所述当前用户特征数据通过所述用户终端采集上传，包括用户端预设时间段内的平均骑行距离
、
最大骑行距离
、
单位
SOC
骑行距离
、
单位电压骑行距离
、
平均时速
、
最大骑行速度
。4.
根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法，其特征在于，所述基于获取的当前电池特征数据和当前用户特征数据，确定当前用户电池交互异构网络，包括：根据所述当前电池特征数据和所述当前用户特征数据之间的使用关系，确定当前边集合；根据所述当前电池特征数据和所述当前用户特征数据，确定当前节点集合；根据所述当前节点集合和所述当前边集合构建的网络，确定所述当前用户电池交互异构网络
。5.
根据权利要求1所述的基于端云协同的智能锂电池主动式信息推送方法，其特征在于，所述方法还包括获取图神经网络模型，具体包括：基于获取的历史电池特征数据和历史用户特征数据，确定历史用户电池交互异构网络；根据所述历史用户电池交互异构网络进行转换处理，确定历史用户电池交互同构网络；
基于所述历史用户电池交互同构网络，对所述图神经网络模型进行训练，直至满足第一预设条件，得到所述预先训练好的图神经网络模型<...

【专利技术属性】
技术研发人员：李朝，黄家明，杨建燮，肖劼，
申请(专利权)人：杭州宇谷科技股份有限公司，
类型：发明
国别省市：