【技术实现步骤摘要】
本专利技术涉及港口自动化运输，具体而言，涉及一种基于图卷积网络的联邦学习无人车充电预测方法、系统及存储介质。
技术介绍
1、随着自动化技术的快速发展，无人工程车辆在港口物流领域的应用日益广泛。这些无人车辆的高效运行对于港口货物吞吐量和作业效率至关重要。然而，现有的无人车充电调度主要依赖人工决策，缺乏对车辆实时状态的快速响应能力。在需求波动或车辆故障等突发情况下，这种传统方法往往无法提供精确的充电调度，导致能源效率低下和作业延迟。随着国内对数据安全的重视程度不断提升，传统的集中式数据处理模式正面临法律合规的挑战。依据《数据安全法》和《个人信息保护法》等相关法律法规，对数据的收集、处理、存储及跨境传输提出了严格的规范要求，强化了对数据隐私和安全的保护措施。这些规定限制了港口间数据的自由流动，导致了数据孤岛现象，给无人车充电行为的预测分析带来了新的难题。
技术实现思路
1、本专利技术要解决的技术问题是：
2、现有无人车充电预测方法无法提供精确的充电调度，且存在数据孤岛的问题。
...【技术保护点】
1.一种基于图卷积网络的联邦学习无人车充电预测方法，其特征在于，所述方法基于联邦学习模型，所述联邦学习模型包括一个中心服务器和N个客户端，所述N个客户端中包括无人车节点和充电站节点；
2.根据权利要求1所述的基于图卷积网络的联邦学习无人车充电预测方法，其特征在于，S1中所述对数据进行预处理，包括：首先对无人车实时数据进行去噪和缺失值填充，然后剔除与无人车耗电无关的特征值，最后对数据进行数据编码。
3.根据权利要求2所述的基于图卷积网络的联邦学习无人车充电预测方法，其特征在于，S1中缺失值填充的方式包括默认值填充、均值填充以及众数填充。
<...【技术特征摘要】
1.一种基于图卷积网络的联邦学习无人车充电预测方法，其特征在于，所述方法基于联邦学习模型，所述联邦学习模型包括一个中心服务器和n个客户端，所述n个客户端中包括无人车节点和充电站节点；
2.根据权利要求1所述的基于图卷积网络的联邦学习无人车充电预测方法，其特征在于，s1中所述对数据进行预处理，包括：首先对无人车实时数据进行去噪和缺失值填充，然后剔除与无人车耗电无关的特征值，最后对数据进行数据编码。
3.根据权利要求2所述的基于图卷积网络的联邦学习无人车充电预测方法，其特征在于，s1中缺失值填充的方式包括默认值填充、均值填充以及众数填充。
4.根据权利要求1所述的基于图卷积网络的联邦学习无人车充电预测方法，其特征在于，预处理后无人车节点的特征包括：三维空间位置、电池电量、实时速度、任务执行状态、任务类型以及任务执行地点；充电站节点的特征包括：地理坐标和状态。
5.根据权利要求1所述的基于图卷积网络的联邦学习无人车充电预测方法，其特征在于，s2中图结构g的构建中为每条边赋予权重，即针对无人车节点vi与充电站节点vj，通过节点间的物理距离dij计算边权重wij为：
6.根据权利要求1所述的基于图卷...
【专利技术属性】
技术研发人员：尹莉莉，杨琳，张罗刚，叶子，李双翼，马超，黄海，于海宁，吴英东，
申请(专利权)人：哈尔滨理工大学，
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。