基于电子地图的充电请求发起时间预测方法和装置与流程

本发明涉及充电请求发起时间预测技术领域，尤其涉及一种基于电子地图的充电请求发起时间预测方法和装置。

背景技术：

随着电动汽车的普及和发展，电动汽车的充换电基础设施的合理选址及建设越发重要，直接影响着电动汽车车主的加电体验，而对电动汽车用户加电需求的预测直接影响充换电基础设施的选址及建设的结果，例如充电请求发起时间分布的预测。然而，现有的充电请求发起时间预测多基于人们作息时间规律，上下班时间规律等进行粗略预测，预测精确度低，对充换电建设的指导精度低，用户加电体验差。

随着互联网的发展，人们可获得的数据也越来越多，因此可应用能够反映充电请求发起时间规律的数据来预测充电请求发起时间分布，来提高充电请求发起时间预测的精度和可靠性。

技术实现要素：

本发明所要解决的技术问题在于，提供一种基于电子地图的充电请求发起时间预测方法和装置，电子地图的用户活跃指数和充电请求数呈正相关，因此，通过在选定区域和选定时间内对用户活跃指数进行统计分析，得出充电请求的发起时间分布，提高了充电请求发起时间预测的精度和可靠性。

根据本发明的一方面，提供了一种基于电子地图的充电请求发起时间预测方法，包括：

获取电子地图上多个poi点的用户活跃指数，每个poi点对应一组指数数据，所述指数数据包括不同时间点对应的用户活跃指数；

将每组指数数据进行归一化处理，得到每个poi点对应的用户活跃程度数据；

将所述多个poi点对应的用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据。

进一步的，所述将所述多个poi点对应的用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据，包括以下步骤：

将所述多个poi点对应的用户活跃程度数据进行分类；

对每一类所述用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据。

进一步的，获取电子地图上多个poi点的用户活跃指数包括以下步骤：

选取待预测的地区在地图上对应的多个poi点；

设定时间间隔，根据所述时间间隔将待预测时间段分为多个时间点；

获取每个poi点在每个所述时间点对应的用户活跃指数。

进一步的，将每组指数数据进行归一化处理，得到每个poi点对应的用户活跃程度数据包括以下处理：

以时间为横坐标，用户活跃指数为纵坐标建立坐标系；

获取每组指数数据在所述坐标系上对应的曲线；

保持每条曲线形状不变，调整纵坐标所对应位置，使对每条曲线的曲线积分相等，从而得到每个poi点对应的用户活跃程度数据。

进一步的，将所述多个poi点对应的用户活跃程度数据进行分类包括以下步骤：

将用户充电请求发起地点分为n类，其中，n为大于等于2的整数；

为每类地点设置一组预设用户指数程度数据，并设置对应的相似度阈值；

将所述每组用户活跃程度数据与所述预设用户指数程度数据进行对比，得到相似度；

将所述相似度与对应的相似度阈值进行对比，若高于所述相似度阈值，则将该组用户活跃程度数据划分到对应的地点类别中。

进一步的，所述对每一类所述用户活跃程度数据进行优化处理，包括以下步骤：对每类的多组用户活跃程度数据进行聚类分析，得到每类地点的最终的充电请求时间分布数据。

进一步的，所述每组指数数据采用表格或曲线的方式进行存储。

根据本发明的另一方面，提供了一种基于电子地图的充电请求发起时间预测装置，包括：

获取模块，用于获取电子地图上多个poi点的用户活跃指数，每个poi点对应一组指数数据，所述指数数据包括不同时间点对应的用户活跃指数；

处理模块，用于将每组指数数据进行归一化处理，得到每个poi点对应的用户活跃程度数据；

优化模块，用于将所述多个poi点对应的用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据。

进一步的，所述优化模块包括:

分类子模块，用于将所述多个poi点对应的用户活跃程度数据进行分类；

优化子模块，用于对每一类所述用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据。

进一步的，所述获取模块包括：

poi点获取单元，用于选取待预测的地区在地图上对应的多个poi点；

时间划分单元，用于设定时间间隔，根据所述时间间隔将待预测时间段分为多个时间点；

数据获取单元，用于获取每个poi点在每个所述时间点对应的用户活跃指数。

进一步的，所述处理模块包括：

坐标系建立单元，用于以时间为横坐标，用户活跃指数为纵坐标建立坐标系；

曲线获取单元，用于获取每组指数数据在所述坐标系上对应的曲线；

归一化单元，用于保持每条曲线形状不变，调整纵坐标所对应位置，使对每条曲线的曲线积分相等，从而得到每个poi点对应的用户活跃程度数据。

进一步的，所述分类子模块包括：

地点分类单元，用于将用户充电请求发起地点分为n类，其中，n为大于等于2的整数；

数据预设单元，用于为每类地点设置一组预设用户指数程度数据，并设置对应的相似度阈值；

数据对比单元，用于将所述每组用户活跃程度数据与所述预设用户指数程度数据进行对比，得到相似度；

数据分类单元，用于将所述相似度与对应的相似度阈值进行对比，若高于所述相似度阈值，则将该组用户活跃程度数据划分到对应的地点类别中。

进一步的，所述优化子模块还用于，对每类的多组用户活跃程度数据进行聚类分析，得到每类地点的最终的充电请求时间分布数据。

进一步的，所述每组指数数据采用表格或曲线的方式进行存储。

根据本发明又一方面，提供一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现所述方法的步骤。

根据本发明又一方面，提供一种计算机可读存储介质，用于存储计算机指令，所述指令在由一计算机或处理器执行时实现所述方法的步骤。

本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明一种基于电子地图的充电请求发起时间预测方法和装置可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：

本发明通过电子地图数据对用户充电请求时间分布进行预测，基于互联网大数据得到预测结果，能够更加真实的拟合用户的充换电行为，提高了充电请求发起时间预测的精度和可靠性，从而为电动汽车的充换电基础设施的合理选址及指导充换电建设提供基础，使充换电基础设施选址及充换电建设更加合理，从而提升用户的加电体验。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。

附图说明

图1为本发明一实施例提供基于电子地图的充电请求发起时间预测方法示意图；

图2(a)为本发明一实施例提供的居住地对应的预设用户指数程度数据曲线示意图；

图2(b)为本发明一实施例提供的工作地对应的预设用户指数程度数据曲线示意图；

图2(c)为本发明一实施例提供的目的地对应的预设用户指数程度数据曲线示意图；

图3为本发明一实施例提供的基于电子地图的充电请求发起时间预测结果示意图；

图4为本发明一实施例提供的基于电子地图的充电请求发起时间预测装置的示意图。

主要附图标记说明：

1-获取模块2-处理模块3-优化模块

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种基于电子地图的充电请求发起时间预测方法和装置的具体实施方式及其功效，详细说明如后。

如图1所示，一种基于电子地图的充电请求发起时间预测方法，包括：

步骤s1、获取电子地图上多个poi(信息点，pointofinterest)点的用户活跃指数，每个poi点对应一组指数数据，所述指数数据包括不同时间点对应的用户活跃指数；

其中，用户活跃指数是基于百亿级地理位置数据，用于表征区域人群热度情况的数据，与区域内人群数量、群体活跃度成正比。所述用户活跃指数可直接通过现有的电子地图软件获取。用户发起充电请求的时间分布与所述用户活跃指数呈正相关，因此，通过获取用户活跃指示并进行统计分析，从而得到充电请求发起时间分布。

具体地，获取电子地图上多个poi点的用户活跃指数包括以下步骤：

步骤s11、选取待预测的地区在地图上对应的多个poi点；

例如，待预测的地区为上海地区，则在上海地区对应的地图上选择一部分区域，包含多个poi点。

用户充电请求的发起与时间及地点均有关系，用户充电请求发起时间可以分为两大类：工作日和非工作日。发起地点可以分为三类：居住地、工作地和目的地，其中，居住地可以为小区；工作地可以为写字楼、园区等；目的地可以为医院、学校、商场等。上述待预测区域的多个poi信息点中包含多个居住地、多个工作地和多个目的地。

需要说明的是，用户充电请求的发起时间分类和发起地点分类并不限于此，可根据具体的预测需求和预测目标进行分类。

步骤s12、设定时间间隔，根据所述时间间隔将待预测时间段分为多个时间点；

其中，时间间隔的设定根据具体预测需求进行设定，例如，时间间隔可以设为1小时、30分钟、15分钟等，时间间隔越短，得到的统计数据越多，统计结果也越精确。待预测的时间也根据预测需求进行设定，可以设为24小时，统计一天内该区域的充电请求时间分布，也可以设为早8点到晚8点，设为12小时，统计该时间段内该区域充电请求时间分布。

以下以时间间隔为1小时，待预测时间为24小时，从0点到次日0点为例进行说明：

步骤s13、获取每个poi点在每个所述时间点对应的用户活跃指数。由此可得到每个poi点在0时、1时、2时、3时…22时、23时、次日0时对应的用户活跃指数，将所有获取的数据通过表格或通过坐标系描绘曲线的方式进行存储。

以下以通过坐标系描绘曲线的方式进行说明。

步骤s2、将每组指数数据进行归一化处理，得到每个poi点对应的用户活跃程度数据；

所述步骤s2具体包括以下步骤：

步骤s21、以时间为横坐标，用户活跃指数为纵坐标建立坐标系；

步骤s22、获取每组指数数据在所述坐标系上对应的曲线，从而得到多个曲线；

步骤s23、保持每条曲线形状不变，调整纵坐标所对应位置，使对每条曲线的曲线积分相等，从而得到每个poi点对应的用户活跃程度数据。

通过对每组指数数据进行归一化处理，能够简化计算流程，提高预测结果的准确度。

步骤s3、将所述多个poi点对应的用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据。

步骤s2得到的用户活跃程度数据包括所有用户充电发起地点对应的用户活跃程度数据，因此可按照用户充电发起地点的类型将用户活跃程度数据进行分类，分别进行每一类地点的充电请求发起时间预测。因此步骤s3可包括：

s31、将所述多个poi点对应的用户活跃程度数据进行分类；

所述步骤s31可包括以下步骤：

步骤s311、将用户充电请求发起地点分为3类：居住地、工作地和目的地；

步骤s312、为每类地点设置一组预设用户指数程度数据，并设置对应的相似度阈值；

由于每一类充电请求发起地点的充电时间分布规律差异很大，因此为每类地点设置一组预设用户指数程度数据作为标准，如图2所示，与每组数据进行相似度对比，即可完成分类。

步骤s313、将所述每组用户活跃程度数据与所述预设用户指数程度数据进行对比，得到相似度；

步骤s314、将所述相似度与对应的相似度阈值进行对比，若高于所述相似度阈值，则将该组用户活跃程度数据划分到对应的地点类别中。

通过上述步骤，将所有用户活跃程度数据分为三类，每一类充电请求发起地点对应多组用户活跃程度数据，即对应多条曲线。

s32、对每一类所述用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据。

具体地，对每类的多组用户活跃程度数据进行聚类分析，具体可采用聚类算法中的：clara算法(clusteringlargeapplications，大型应用中的聚类方法)、k-means算法(k-means算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准的k个聚类)、clarans算法(clusteringalgorithmbasedonrandomizedsearch,基于随机搜索的大型应用聚类算法)等。从而得到每类地点的最优充电请求时间分布数据。

最终可以以图3所示的分布曲线或者跟时间相关的表格形式输出的充电请求时间分布预测数据。

本发明所述方法通过电子地图数据对用户充电请求时间分布进行预测，基于互联网大数据得到预测结果，能够更加真实的拟合用户的充换电行为，提高了充电请求发起时间预测的精度和可靠性，从而为电动汽车的充换电基础设施的合理选址及指导充换电建设提供基础，使充换电基础设施选址及充换电建设更加合理，从而提升用户的加电体验。

如图4所示，一种基于电子地图的充电请求发起时间预测装置，包括获取模块1、处理模块2、优化模块3，其中，获取模块1用于获取电子地图上多个poi点的用户活跃指数，每个poi点对应一组指数数据，所述指数数据包括不同时间点对应的用户活跃指数；处理模块2用于将每组指数数据进行归一化处理，得到每个poi点对应的用户活跃程度数据；优化模块3用于将多个poi点对应的用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据。优化模块3又包括分类子模块和优化子模块，其中，分类子模块用于将所述多个poi点对应的用户活跃程度数据进行分类；优化子模块用于对每一类所述用户活跃程度数据进行优化处理，得到最终的充电请求时间分布数据。

其中，用户活跃指数是基于百亿级地理位置数据，用于表征区域人群热度情况的数据，与区域内人群数量、群体活跃度成正比。所述用户活跃指数可直接通过现有的电子地图软件获取。用户发起充电请求的时间分布与所述用户活跃指数呈正相关，因此，通过获取用户活跃指示并进行统计分析，从而得到充电请求发起时间分布。

获取模块1包括poi点获取单元、时间划分单元和数据获取单元，其中，poi点获取单元用于选取待预测的地区在地图上对应的多个poi点；例如，待预测的地区为上海地区，则在上海地区对应的地图上选择一部分区域，包含多个poi点。

用户充电请求的发起与时间及地点均有关系，用户充电请求发起时间可以分为两大类：工作日和非工作日。发起地点可以分为三类：居住地、工作地和目的地，其中，居住地可以为小区；工作地可以为写字楼、园区等；目的地可以为医院、学校、商场等。上述待预测区域的多个poi信息点中包含多个居住地、多个工作地和多个目的地。

需要说明的是，用户充电请求的发起时间分类和发起地点分类并不限于此，可根据具体的预测需求和预测目标进行分类。

时间划分单元用于设定时间间隔，根据所述时间间隔将待预测时间段分为多个时间点；其中，时间间隔的设定根据具体预测需求进行设定，例如，时间间隔可以设为1小时、30分钟、15分钟等，时间间隔越短，得到的统计数据越多，统计结果也越精确。待预测的时间也根据预测需求进行设定，可以设为24小时，统计一天内该区域的充电请求时间分布，也可以设为早8点到晚8点，设为12小时，统计该时间段内该区域充电请求时间分布。以下以时间间隔为1小时，待预测时间为24小时，从0点到次日0点为例进行说明：

数据获取单元用于获取每个poi点在每个所述时间点对应的用户活跃指数。由此可得到每个poi点在0时、1时、2时、3时…22时、23时、次日0时对应的用户活跃指数，将所有获取的数据通过表格或通过坐标系描绘曲线的方式进行存储。

以下以通过坐标系描绘曲线的方式进行说明。

所述处理模块2包括坐标系建立单元、曲线获取单元和归一化单元，其中，坐标系建立单元用于以时间为横坐标，用户活跃指数为纵坐标建立坐标系；曲线获取单元用于获取每组指数数据在所述坐标系上对应的曲线；归一化单元用于保持每条曲线形状不变，调整纵坐标所对应位置，使对每条曲线的曲线积分相等，从而得到每个poi点对应的用户活跃程度数据。通过对每组指数数据进行归一化处理，能够简化计算流程，提高预测结果的准确度。

所述分类子模块包括地点分类单元、数据预设单元、数据对比单元和数据分类单元，其中，地点分类单元用于将用户充电请求发起地点分为3类：居住地、工作地和目的地。数据预设单元用于为每类地点设置一组预设用户指数程度数据，并设置对应的相似度阈值；由于每一类充电请求发起地点的充电时间分布规律差异很大，因此为每类地点设置一组预设用户指数程度数据作为标准，如图2所示，与每组数据进行相似度对比，即可完成分类。数据对比单元用于将所述每组用户活跃程度数据与所述预设用户指数程度数据进行对比，得到相似度；数据分类单元用于将所述相似度与对应的相似度阈值进行对比，若高于所述相似度阈值，则将该组用户活跃程度数据划分到对应的地点类别中。通过所述分类子模块将所有用户活跃程度数据分为三类，每一类充电请求发起地点对应多组用户活跃程度数据，即对应多条曲线。

所述优化子模块还用于，对每类的多组用户活跃程度数据进行聚类分析，得到每类地点的最终的充电请求时间分布数据。

具体地，所述优化子模块对每类的多组用户活跃程度数据进行聚类分析，具体可采用聚类算法中的：clara算法(clusteringlargeapplications，大型应用中的聚类方法)、k-means算法(k-means算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准的k个聚类)、clarans算法(clusteringalgorithmbasedonrandomizedsearch,基于随机搜索的大型应用聚类算法)等。从而得到每类地点的最终的充电请求时间分布数据。

最终优化子模块可以以图3所示的分布曲线或者跟时间相关的表格形式输出的充电请求时间分布预测数据。

本发明所述装置通过电子地图数据对用户充电请求时间分布进行预测，基于互联网大数据得到预测结果，能够更加真实的拟合用户的充换电行为，提高了充电请求发起时间预测的精度和可靠性，从而为电动汽车的充换电基础设施的合理选址及指导充换电建设提供基础，使充换电基础设施选址及充换电建设更加合理，从而提升用户的加电体验。

本发明还提供一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现所述方法的步骤。

本发明还提供一种计算机可读存储介质，用于存储计算机指令，所述指令在由一计算机或处理器执行时实现所述方法的步骤。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。