【技术实现步骤摘要】
本申请涉及新能源，特别是涉及一种换电预测模型的训练方法、应用方法和系统。
技术介绍
1、传统的电池换电系统一般基于电池剩余电量和/或电池容量来进行电动车电池的更换，如随机从换电柜中选取一颗电量最高的电池进行更换，或者优选一颗电池和容量双高的电池进行更换，但在实际的电动车换电场景下，电池推荐是一个很复杂的问题，单纯基于电池剩余电量和/或电池容量来判断电池是否适用于骑手的方案是不合理的，容易导致电池资源不能得到充分的利用。
2、而随着机器学习技术的不断发展，也出现了一些基于机器学习模型来进行换电推荐的方案，如申请号为201911386061.5的专利公开了一种换电预测方法，具体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，可见该方案不仅在判断是否需要换电上考虑的因素依旧偏少，并且没有公开如何进行换电电池的推荐。
3、目前针对相关技术中如何合理进行换电电池的推荐的问题，尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种换电预测模型的训练方法、应用方法和系统，以至少解决相关技术中如何合理进行换电电池的推荐的问题。
2、第一方面，本申请实施例提供了一种换电预测模型的训练方法，所述方法包括：
3、构建换电状态特征，所述换电状态特征基于电池基本特征、用户基本特征和交互性特征；
4、构建换电动作特征，所述换电动作特征通过对所述电池基本特征进行连续性特征的离散化处理；
5、构建训练数据集，所
6、基于所述训练数据集,完成所述换电预测模型的训练。
7、在其中一些实施例中，所述构建训练数据集包括：
8、通过预设聚类算法对所述换电状态特征进行聚类，得到有限个换电状态特征；通过所述预设聚类算法对所述换电动作特征进行聚类，得到有限个换电动作特征；
9、基于所述有限个换电状态特征、所述有限个换电动作特征和奖励值特征，构建用于模型训练的训练数据集。
10、在其中一些实施例中，所述构建换电状态特征包括：
11、通过图网络结构提取电池基本特征、用户基本特征和交互性特征；
12、基于电池基本特征、用户基本特征和交互性特征，构建得到换电状态特征。
13、在其中一些实施例中，所述完成换电预测模型的训练包括：
14、将所述训练数据集，输入到换电预测模型中的深度学习网络和强化学习网络；
15、通过预设损失函数反馈调节所述深度学习网络和所述强化学习网络的参数，直至所述预设损失函数的值最小，完成所述换电预测模型的训练。
16、在其中一些实施例中，将所述训练数据集，输入到换电预测模型中的深度学习网络和强化学习网络包括：
17、将所述训练数据集的80%作为训练数据集和20%作为测试数据集，输入到换电预测模型中的深度学习网络和强化学习网络，其中，所述深度学习网络为mlp全连接神经网络，所述强化学习网络为q learning算法网络。
18、在其中一些实施例中，通过预设损失函数反馈调节所述深度学习网络和所述强化学习网络的参数，直至所述预设损失函数的值最小，完成所述换电预测模型的训练包括：
19、以均方差损失函数来衡量所述换电预测模型的预测输出和真实输出之间的差异，通过优化器反馈调节所述深度学习网络和所述强化学习网络的参数，以使所述均方差损失函数的值最小，完成换电预测模型的训练，其中，所述优化器为adam优化器。
20、在其中一些实施例中，在基于所述换电状态特征、所述换电动作特征和奖励值特征，构建用于模型训练的训练数据集之前，所述方法包括：
21、在用户归还电池后，以问卷调查的形式获取用户的使用体验，基于所述使用体验得到奖励值特征。
22、在其中一些实施例中，在基于电池基本特征、用户基本特征和交互性特征，构建得到换电状态特征之前，所述方法包括：
23、获取电池基本特征、用户基本特征和交互性特征，其中，所述电池基本特征包括电池电芯数量、电池电量、电池容量、电池soc值、电池温度和电池电芯间电压差，所述用户基本特征包括性别、年龄和出生地，交互性特征包括电池累计使用电量和电池骑行里程数。
24、第二方面，本申请实施例提供了一种换电预测模型的应用方法，所述方法的执行基于上述第一方面任一项所述训练方法得到的换电预测模型，所述方法包括：
25、基于实时获取的用户基本信息和换电柜中的电池基本信息，通过所述换电预测模型选出目标电池，其中，所述目标电池用于给用户进行换电。
26、第三方面，本申请实施例提供了一种换电预测模型的系统，其特征在于，所述系统用于实现上述第一方面任一项所述训练方法，所述系统包括：
27、所述模型训练模块，用于训练换电预测模型；
28、所述模型应用模块，用于通过所述换电预测模型选出目标电池，其中，所述目标电池用于给用户进行换电。
29、相比于相关技术，本申请实施例提供的一种换电预测模型的训练方法、应用方法和系统，其中，该训练方法通过基于电池基本特征、用户基本特征和交互性特征，构建得到换电状态特征；对电池基本特征进行连续性特征的离散化，构建得到换电动作特征；基于换电状态特征、换电动作特征和奖励值特征，构建用于模型训练的训练数据集，其中，奖励值特征通过问卷调查的形式获得；基于训练数据集，完成换电预测模型的训练，首次实现了基于图网络结构的换电预测模型的训练，通过该模型能够实时准确输出契合用户需求的换电电池，解决了如何合理进行换电电池的推荐的问题。
本文档来自技高网...【技术保护点】
1.一种换电预测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述构建训练数据集包括：
3.根据权利要求1所述的方法，其特征在于，所述构建换电状态特征包括：
4.根据权利要求1所述的方法，其特征在于，所述完成换电预测模型的训练包括：
5.一种换电预测模型的应用方法，其特征在于，所述方法的执行基于权利要求1至4任一项所述训练方法得到的换电预测模型，所述方法包括：
6.一种换电预测模型的系统，其特征在于，所述系统用于实现权利要求1至4任一项所述训练方法，所述系统包括：
【技术特征摘要】
1.一种换电预测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述构建训练数据集包括：
3.根据权利要求1所述的方法，其特征在于，所述构建换电状态特征包括：
4.根据权利要求1所述的方法，其特征在于，所述完成...
【专利技术属性】
技术研发人员：李朝，刘玄武，任国奇，胡始昌，杨斌，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：
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。