【技术实现步骤摘要】
一种纯电动车的换电需求预测及实时换电站的推荐方法
[0001]本专利技术涉及车联网补能
,尤其涉及一种纯电动车的换电需求预测及实时换电站的推荐方法
。
技术介绍
[0002]换电模式作为目前纯电动车的电能补充方式之一,本质上属于一种变相的充电模式,但是与一般的充电模式相比,它具有换电时间短,每次可以通过慢充方式保障动力电池有更长的使用寿命,更方便回收再利用动力电池等优势
。
[0003]目前换电模式还没有成为纯电动车电能补充的主流方式,由于换电模式本质上属于一种变相的充电模式,类比于目前业界存在的采用基于规则的办法来预测用户是否具有充电意图的方法,可以认为行业内现有预测用户是否具有换电需求的方法主要是基于规则的办法,采用剩余电量
、
换电周期等字段,来预测用户是否具有换电需求,这有很大不足之处,因为是否对车辆充电,不仅跟车辆的剩余电量
、
换电周期等字段有关,也跟购车天数
、
历史换电时剩余电量等特征数据相关
。
即通过现有的充电预测的方式无法精准预测用户是否有换电需求
。
技术实现思路
[0004]本专利技术目的是针对
技术介绍
中存在的采用现有的充电需求预测方式难以精准预测用户是否有换电需求的问题,提出一种纯电动车的换电需求预测及实时换电站的推荐方法
。
[0005]本专利技术的技术方案:一种纯电动车的换电需求预测及实时换电站的推荐方法,包括以下步骤:
[0006]S1、 />定义换电需求:一辆纯电动车完成的一个行程是一次换电事件的直接前序行程,则认为在此行程中该车的用户具有换电需求,反之则认为没有换电需求;
[0007]S2、
数据来源及提取:考虑到跟用户换电需求可能相关的字段,获取了跟用户属性相关的字段,跟车辆本身相关的数据字段,跟车辆行程相关数据,跟车辆换电相关的数据,跟时间和天气相关的数据;
[0008]S3、
数据的预处理和特征工程:通过探索性数据分析,空值的填补,字段数据的计算转换,连续型数据的分箱处理,类别型变量的独热编码后,最后转换得到的特征包括用户属性类特征,车辆维度类特征,用户驾驶行为特征,用户历史换电习惯特征,时间类特征和天气类特征;
[0009]S4、
构建机器学习或深度学习模型:使用特征字段数据,运用
lightgbm
或
dnn
模型进行训练,最后构建换电需求预测模型;
[0010]S5、
换电需求判断:获取用户驾驶车辆对应的实时状态特征数据,将其输入到已构建的换电需求预测模型中,判断用户是否有换电需求;
[0011]S6、
为有换电需求的用户推荐换电站
。
[0012]优选的,
S2
中,跟用户属性相关的字段包括性别和年龄;跟车辆本身相关的数据字段包括车辆品牌
、
动力电池类型
、
购车时间和动力电池的
SOH
;跟车辆行程相关数据包括行程
id、
车架号
vin、
行程开始时间
、
行程结束时间
、
行程开始时的车辆总里程
、
行程结束时的车辆总里程
、
行程开始时的剩余电量和行程结束时的剩余电量;跟车辆换电相关的数据包括车架号
vin、
换电开始时间
、
换电结束时间
、
换电开始时的旧电池的剩余电量和换电结束时新电池的剩余电量;跟时间和天气相关的数据包括当前时间点
、
当前环境温度和当前是否雨雪天气
。
[0013]优选的,
S3
中,用户属性类特征包括用户年龄和用户性别;车辆维度类特征博爱库车辆品牌
、
动力电池类型
、
动力电池的
SOH
和购车时间;用户驾驶行为特征包括车辆的当前剩余电量
、
到当前时间点为止最近
60、90、180
天内的百公里电耗和到当前时间点车辆的总行驶里程;用户历史换电习惯特征包括最近一次换电事件结束时的剩余电量
、
历史最近半年相邻两次换电事件间隔小时的中位数
、
历史最近半年每次换电事件开始时的剩余电量中位数
、
最近一次换电事件结束时距离当前时间点的小时数
、
最近一次换电事件结束到当前时间点车辆的行驶里程
、
历史最近半年相邻两次换电事件的间隔里程中位数和当前位置跟最常去的换电站之间的距离;时间类特征包括当前日期是否属于工作日
、
当前时间点所属月份
、
当前时间点所属时间段和当前时间点所属时间段;天气类特征包括当前环境温度和当前是否雨雪天气
。
[0014]优选的,
S5
中,若模型输出为1,则认为用户在当前时间点有换电需求;若模型输出为0,则认为用户在当前时间点没有换电需求
。
[0015]优选的,
S6
中,对于预测到在当前位置有换电需求的用户,获取到附近一定范围内的换电站信息,以及根据历史换电偏好的维度数据对一定范围内的换电站进行排序,将排序分数排在前面的若干换电站通过车载终端推送给用户
。
[0016]与现有技术相比,本专利技术具有如下有益的技术效果:相对于运用剩余电量
、
换电周期
、
换电里程这些字段,并通过基于规则的办法来预测是否具有换电需求来说,采用机器学习模型运用驾驶纯电动车的用户属性数据
、
驾驶行为数据以及所驾驶车辆本身的属性等字段数据来预测用户是否具有换电需求,它的预测结果更精准,而且适用性更好
。
附图说明
[0017]图1为本专利技术一种实施例的流程图;
具体实施方式
[0018]实施例一
[0019]如图1所示,本专利技术提出的一种纯电动车的换电需求预测及实时换电站的推荐方法,包括以下步骤:
[0020]S1、
定义换电需求:一辆纯电动车完成的一个行程是一次换电事件的直接前序行程,则认为在此行程中该车的用户具有换电需求,反之则认为没有换电需求;
[0021]S2、
数据来源及提取:考虑到跟用户换电需求可能相关的字段,获取了跟用户属性相关的字段,跟车辆本身相关的数据字段,跟车辆行程相关数据,跟车辆换电相关的数据,跟时间和天气相关的数据;
[0022]S3、
数据的预处理和特征工程:通过探索性数据分析,空值的填补,字段数据的计算转换,连续型数据的分箱处理,类别型变量的独热编码后,最后转换得到的特征包括用户属性类特征,车辆维度类特征,用户驾驶行为特征,用户历史换电习惯特征,时间类特征和天气类特征;
[0023]S4、
构建机器学习本文档来自技高网...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种纯电动车的换电需求预测及实时换电站的推荐方法,其特征在于,包括以下步骤:
S1、
定义换电需求:一辆纯电动车完成的一个行程是一次换电事件的直接前序行程,则认为在此行程中该车的用户具有换电需求,反之则认为没有换电需求;
S2、
数据来源及提取:考虑到跟用户换电需求可能相关的字段,获取了跟用户属性相关的字段,跟车辆本身相关的数据字段,跟车辆行程相关数据,跟车辆换电相关的数据,跟时间和天气相关的数据;
S3、
数据的预处理和特征工程:通过探索性数据分析,空值的填补,字段数据的计算转换,连续型数据的分箱处理,类别型变量的独热编码后,最后转换得到的特征包括用户属性类特征,车辆维度类特征,用户驾驶行为特征,用户历史换电习惯特征,时间类特征和天气类特征;
S4、
构建机器学习或深度学习模型:使用特征字段数据,运用
lightgbm
或
dnn
模型进行训练,最后构建换电需求预测模型;
S5、
换电需求判断:获取用户驾驶车辆对应的实时状态特征数据,将其输入到已构建的换电需求预测模型中,判断用户是否有换电需求;
S6、
为有换电需求的用户推荐换电站
。2.
根据权利要求1所述的纯电动车的换电需求预测及实时换电站的推荐方法,其特征在于,
S2
中,跟用户属性相关的字段包括性别和年龄;跟车辆本身相关的数据字段包括车辆品牌
、
动力电池类型
、
购车时间和动力电池的
SOH
;跟车辆行程相关数据包括行程
id、
车架号
vin、
行程开始时间
、
行程结束时间
、
行程开始时的车辆总里程
、
行程结束时的车辆总里程
、
行程开始时的剩余电量和行程结束时的剩余电量;跟车辆换电相关的数据包括车架号
vin、
换电开始时间
、
换电结束时间
、
技术研发人员:邹斐,武秀根,
申请(专利权)人:长城汽车股份有限公司,
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。