一种充电设备选址方法及装置与流程

本申请涉及新能源应用技术领域，尤其涉及一种充电设备选址方法及装置。

背景技术：

近年来，随着电动车辆产业的扩张，电动汽车、电动摩托、电瓶车等形式多样的电动车辆逐渐增多，相应的，充电桩、充电站等充电设备的建设需求也越来越大。现阶段通常从城市配套措施建设的角度对充电设备进行建设规划，如将充电设备安装在加油站、地铁站、车站等地。但由于这类充电设备安装位置往往与电动车辆的日常停放位置不相吻合，因此往往造成充电设备使用率低，同时电动车辆停放地充电设备供不应求的问题，可见这种充电设备选址方式并不能很好的满足电动车辆的日常充电需求。

技术实现要素：

有鉴于此，本申请提供一种充电设备选址方法及装置，基于反映电动车辆停放位置的位置数据集，利用聚类算法对位置数据进行区域划分并确定充电设备的安装位置，从而合理布局充电设备以满足电动车辆的充电需求。

为实现上述目的，本申请提供技术方案如下：

根据本申请的第一方面，提出了一种充电设备选址方法，所述方法包括：

根据充电设备选址需求所指示的区域范围构建位置数据集，所述位置数据集中包含所述区域范围内的s台电动车辆分别对应的s个停放位置数据，其中s≥1；

从备选聚类算法中进行选择，并利用选定的聚类算法对所述位置数据集中的s个停放位置数据进行聚类处理，以将所述s个停放位置数据划分为n个地址簇，其中n≤s；

分别确定各个地址簇对应的选址区域，并将各选址区域确定为充电设备的安装位置。

根据本申请的第二方面，提出了一种充电设备选址装置，所述装置包括：

位置数据集构建单元，用于根据充电设备选址需求所指示的区域范围构建位置数据集，所述位置数据集中包含所述区域范围内的s台电动车辆分别对应的s个停放位置数据，其中s≥1；

地址簇划分单元，用于从备选聚类算法中进行选择，并利用选定的聚类算法对所述位置数据集中的s个停放位置数据进行聚类处理，以将所述s个停放位置数据划分为n个地址簇，其中n≤s；

安装位置确定单元，用于分别确定各个地址簇对应的选址区域，并将各选址区域确定为充电设备的安装位置。

根据本申请的第三方面，提出了一种电子设备，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为实现如上述第一方面方案中任一项所述方法的步骤。

根据本申请的第四方面，提出了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述第一方面方案中任一项所述方法的步骤。

由以上技术方案可见，本申请首先基于电动车辆的停放位置数据构建位置数据集，然后利用聚类算法将位置数据集中的所有停放位置数据进行区域划分，最后以划分得到的各区域作为充电设备的安装位置。该方法使得确定出的充电设备的安装位置能够与电动车辆的日常停放位置相吻合，因此这种采用该方法选择的充电设备安装位置能够一定程度上解决电动车辆停放位置附近充电设备供不应求的问题，从而更好的满足电动车辆的日常充电需求。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一示例性实施例示出的一种充电设备选址方法的流程图。

图2是本申请一示例性实施例示出的另一种充电设备选址方法的流程图。

图3是本申请一示例性实施例示出的一种利用k-means聚类算法划分地址簇的流程图。

图4是本申请一示例性实施例示出的位置数据集对应区域范围内各功能区域划分示意图。

图5是本申请一示例性实施例示出的一种合并数据的充电设备选址方法流程图。

图6是本申请一示例性实施例示出的一种合并数据的充电设备选址方法中各步骤对应状态示意图。

图7是本申请一示例性实施例示出的一种在地址簇内确定充电设备安装位置的示意图。

图8是本申请一示例性实施例示出的一种合并地址簇的充电设备选址方法流程图。

图9是本申请一示例性实施例示出的一种合并地址簇的充电设备选址方法中各步骤对应状态示意图。

图10是本申请一示例性实施例示出的电子设备的结构示意图。

图11是本申请一示例性实施例示出的一种充电设备选址装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”、“上述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一预设距离也可以被称为第二预设距离，类似地，第二预设距离也可以被称为第一预设距离。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在相关技术中，安装充电设备时通常基于城市配套基础设施进行选址，例如直接安装在加油站、地铁站、车站等集中式的交通设施附近，但电动车辆的日常停放位置往往并不在这些地方，因此这些地方的充电设备往往供大于求；但是停车场、可停车道路边等电动车辆经常停放地的充电设备反而布局较少，因此对于电动车辆来说停车位置附近的充电设备往往供不应求，可见这种不合理的充电设备选址方式导致电动车辆充电不便。

因此，本申请提出一种充电设备选址方法及装置，以解决相关技术中存在的上述不足。为对本申请进行进一步说明，提供下列实施例。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请保护的范围。为后续表述简洁，下文解释性语言中使用“电动车辆”统一简称为“车辆”。

图1是本申请一示例性实施例示出的一种充电设备选址方法的流程图。如图1所示，该方法可以包括以下步骤：

步骤101，创建位置数据集。

在构建数据集之前，首先确定充电设备选址需求所指示的区域范围，然后根据该区域范围内不同区域的主要社会功能划分为不同功能区域，再在不同功能区域中分别采集数据以构建数据集。

充电设备选址需求所指示的区域范围可能有多种形式，如某座城市的城区范围，某城市城区的某一区域范围、某一区域内的某几条街道范围等，对于具体的确定方式及确定出的具体形式，本申请并不进行限制。

对于采集到的某一区域范围内表示车辆停放位置的停放位置数据，将所有停放位置数据标注在对应区域范围内的相应位置处，从而创建包含s台车辆分别对应的s个数据点的位置数据集，其中s≥1。

需要说明的是，因为采集的是车辆处于停放状态时的位置数据，因此可以先判断车辆的是否处于停放状态，如利用车辆驻车手刹状态、车辆驻停时长、车内摄像头检测不到驾驶员的时长、行车记录仪记录画面和/或车辆一卡通上传的信息等车辆状态信息进行判断，或利用道路监控信息、交通监控信息等环境信息进行判断，本申请对此并不进行限制。

采集的停放位置数据可以为车辆的经纬度信息，停放位置数据的采集方式可以有多种，如从车辆的gps信息中提取、从车辆的北斗导航信息中提取、从车辆一卡通上传的车辆信息中提取和/或从车辆本身或车辆内电子设备所连接网络的定位信息中提取。当然，若前述判断车辆知否处于停放状态所用的信息中即包含车辆的位置信息，则也可以直接从上述信息中直接提取车辆的停放位置数据。

在采集到某一区域范围内的车辆的停放位置数据后，可以直接将所有停放位置数据匹配到地图中，也可以先将所有停放位置数据均转换为对于该区域内某一标志点的相对坐标，再将所有相对位置数据的相对坐标匹配到地图中。上述标志点可以为城市中心点或区域内标志性建筑物的经纬度等；上述地图可以为百度地图、高德地图、谷歌地图或交管部门的交通地图等，本申请对此并不进行限制。

步骤102，使用聚类算法将位置数据集中的停放位置数据划分为多个地址簇。

针对构建的位置数据集，利用聚类算法进行聚类，以将该位置数据集中的s个停放位置数据对应的s个数据点划分为n个地址簇。首先，从备选聚类算法中选择合适于对位置数据点进行聚类处理的聚类算法，备选聚类算法可以为k-means算法、k-medoids算法或clarans算法等，本申请下文图3所述实施例主要对采用k-means算法进行聚类划分的具体步骤尽心详细介绍。

需要说明的是，本申请中涉及到的任一簇、地址簇或功能地址簇，都唯一对应一个簇中心。本申请中所提及的任一簇、地址簇或功能地址簇的簇中心，是指该簇、地址簇或功能地址簇中所有数据点的平均值。

步骤103，剔除各地址簇中的边缘数据点。

对于划分得到的任一地址簇而言，地址簇内的多个数据点可能较为分散，因此，可以将个别距离簇中心的较远的边缘数据点剔除，以避免该地址簇内的所有数据点到簇中心的距离之和过大。可以判断某地址簇内某一数据点到其他数据点的距离之和是否大于预设距离、判断某一数据点到簇中心的距离是否大于预设距离，上述距离大于对应预设距离的数据点即为边缘数据点。当然，该步骤是可选步骤，需要根据具体情况决定是否进行该步骤。

步骤104，确定各地址簇中充电设备的安装地址。

在确定的各地址簇中，选定充电设备的具体安装位置，作为一示例性实施例，可以选择该地址簇的簇中心作为安装位置；作为另一示例性实施例，可以将该地址簇叠合至该地址簇对应区域范围的场景模型中，以判断该地址簇的簇中心是否可作为充电设备的安装位置；若不可作为充电设备的安装位置，将该地址簇内距离所述簇中心最近的可安装位置作为所述充电设备的安装位置。

步骤105，确定各地址簇中充电设备的安装数量。

在划分完成地址簇或将地址簇中的边缘数据点剔除之后，可以确定各地址簇中充电设备的安装数量。对于某一地址簇，作为一示例性实施方式，可以先确定该地址簇内充电设备的安装地址，再确定安装数量；或者，作为另一示例性实施例，可以先确定该地址簇内充电设备的安装数量，再确定安装地址。换言之，在需要确定充电设备的安装数量的情况下，“确定安装地址”与“确定安装数量”并不存在必然的先后顺序，可以根据实际情况进行调整。

图2是本申请一示例性实施例示出的另一种充电设备选址方法的流程图。如图2所示，该方法可以包括以下步骤：

步骤201，根据充电设备选址需求所指示的区域范围构建位置数据集，所述位置数据集中包含所述区域范围内的s台电动车辆分别对应的s个停放位置数据，其中s≥1。

在构建数据集之前，首先确定欲构建的位置数据集对应的区域范围，然后将该区域范围内的不同区域划分为不同功能区域，再在不同功能区域中分别采集数据以构建数据集。

在一实施例中，可以按照功能属性将位置数据集对应的区域范围划分为不同的功能区域，如将城市区域划分为商业区(商业街、商场等)、办公区(产业园、办公楼群等)、居住区(小区、别墅区等)、休闲区(公园、湖泊等)等多个功能区域。当然，也可以对上述功能区域进行更细粒度的划分，如将商业区分为早晨活跃商业区(菜市场等)，白天活跃商业区(商场等)和晚间活跃商业区(夜市等)，以便提高采集车辆停放位置数据的精准度。但需要说明的是，某一功能区并非仅限于进行该功能对应的活动，如商业区内也可能包括部分住宅，居住区内可能也存在休闲场所等，换言之，各功能区域之间可能在地理空间上存在重叠。

在所述位置数据集对应的区域范围包含多类功能区域的情况下，在一实施例中，分别采集各类功能区域中电动车辆的停放位置数据，然后将各功能区域中采集的停放位置数据进行合并，以构建位置数据集；在另一实施例中，分别采集各类功能区域中电动车辆的停放位置数据，然后分别构建针对各功能区域的功能位置数据集。

可以在不同采集时刻分别采集不同功能区域内车辆的停放位置数据，如在工作日上午11:00或下午3:00采集办公区的停放位置数据，非工作日上午11:00或下午3:00采集休闲区和商业区的停放位置数据，任一天凌晨02:00采集居住区的停放位置数据等。但对于任一功能区域，其数据采集时刻都应属于通过分析该类功能区域内电动车辆的历史停放数据确定的集中停放时段，以保证在该该功能区域中的车辆大多处于停放状态的时刻进行数据采集。另外，对于某一类功能区域内的停放位置数据采集，可以仅采集一次某时刻的数据，也可以在多天内每天都采集同一时刻的数据，然后计算平均值作为构建位置数据集的数据，以降低数据采集的误差。

步骤202，从备选聚类算法中进行选择，并利用选定的聚类算法对所述位置数据集中的s个停放位置数据进行聚类处理，以将所述s个停放位置数据划分为n个地址簇，其中n≤s。

利用聚类算法将位置数据集中的所有停放位置数据划分为不同的簇。

在一实施例中，采用k-means进行地址簇划分：将所述s个停放位置数据中的n个停放位置数据作为初始簇中心，以将所述s个停放位置数据划分至n个簇，使每个停放位置数据与所归属簇的初始簇中心的距离小于与其他初始簇中心的距离；迭代所述n个簇，直到迭代所得的簇与前次迭代所得的簇相同；其中，任一次迭代包括：分别计算前次迭代所得n个簇中的停放位置数据的平均值，以得到n个当前簇中心；将所述s个停放位置数据划分至n个簇，使每个停放位置数据与所归属簇的当前簇中心的距离小于与其他当前簇中心的距离；在迭代所得的簇与前次迭代所得的簇相同的情况下，将迭代所得的n个簇记为所述位置数据集对应的地址簇。

在另一实施例中，在将位置数据集对应的区域范围划分为多类功能区域的情况下，针对每类功能区域分别构建位置数据集；利用聚类算法分别对各类功能区域中的停放位置数据进行聚类处理，以将同一类功能区域中的所述停放位置数据划分为至少一个功能地址簇；对于属于不同类功能区域的相近的多个功能地址簇，将其中包含停放位置数据非最多的功能地址簇剔除，并合并各类功能区域对应的其余功能地址簇；其中，若两功能地址簇的簇中心之间的距离小于第一预设距离或分别属于两功能地址簇的两停放位置数据之间的距离小于第二预设距离，则认为两功能地址簇相近。

在另一实施例中，在将所述s个停放位置数据划分为n个地址簇的情况下，依次计算各地址簇内所有停放位置数据与各自簇中心的距离，将所述距离大于预设距离的停放位置数据从该地址簇内剔除。

步骤203，分别确定各个地址簇对应的选址区域，并将各选址区域确定为充电设备的安装位置。

对于任一地址簇，确定充电设备安装位置的方式可以有多种：在本实施例中，作为一示例性实施方式，将该地址簇的簇中心作为充电设备的安装位置；或者，作为另一示例性实施方式，将该地址簇叠合至该地址簇对应区域范围的场景模型中，以判断该地址簇的簇中心是否可作为充电设备的安装位置；若不可作为充电设备的安装位置，则将该地址簇对应选址区域内距离所述簇中心最近的可安装位置作为所述充电设备的安装位置。

在一实施例中，在将所述s个停放位置数据划分为n个地址簇的情况下，确定各地址簇内充电设备的安装数量，其中，任一地址簇内的所述安装数量与该地址簇中包含的停放位置数据的个数呈正相关。作为一示例性实施方式，各地址簇内充电设备的安装数量之比等于各地址簇中包含的停放位置数据的个数之比；如某商业区的一地址簇c1内有30个数据点，某居住区的一地址簇c2内有20个数据点，则在c1内安装15个充电设备，c2内安装10个充电设备；当然也可以根据实际情况在c1内安装6个充电设备，c2内安装4个充电设备。

作为另一示例性实施方式，根据车辆的充电时长、地址簇对应区域的大小和/或地址簇所述功能区域的类型等因素，确定各地址簇内充电设备的安装数量之比与各地址簇中包含的停放位置数据的个数之比；如某商业区的一地址簇c1内有30个数据点，某居住区的一地址簇c2内有20个数据点，则因为商业区内通常是临时充电，充电时间短，因此在c1内安装10个充电设备，c2内安装10个充电设备。

与步骤202的实施例相对应，在将位置数据集对应的区域范围划分为多类功能区域的情况下，针对每类功能区域分别构建的功能位置数据集，利用聚类算法分别对各功能位置数据集中的停放位置数据进行处理，以将同一类功能区域中的所述停放位置数据划分为至少一个功能地址簇；对于属于不同类功能区域的相近的多个功能地址簇，将所述各功能地址簇内的充电设备数量均按照预设比例减少；或者，将所述多个功能地址簇中部分地址簇内的充电设备数量按照预设比例减少。

由前述步骤102和不步骤202可知，本申请所述充电设备选址方法中，可以使用多种聚类算法进行地址簇划分。下面结合图3，利用k-means聚类算法，对任一位置数据集中的所有停放位置数据划分地址簇的具体过程进行介绍。图3是本申请一示例性实施例示出的一种利用k-means聚类算法划分地址簇的流程图。如图3所示，该方法可以包括以下步骤：

步骤301，选取n个初始簇中心。

位置数据集中包含的任一停放位置数据，均可视为一个数据点，选取的初始簇中心n的具体取值可以根据需要安装的充电设备的大小、功率、车辆的类型比例(如该区域中电动汽车和电瓶车的占比)和/或位置数据集中数据点的个数等确定。

可以有多种方式在所有数据点中选取n个初始簇中心，作为一示例性实施方式，根据所有数据点的分布状况在其中选择n个数据点作为初始簇中心，选取的任一初始簇中心应该距离其附近的其他数据点尽量近；也就是说，在所有数据点可以人为的粗略分为多个部分时，在每个部分中至少选择一个数据点作为初始簇中心，以尽量减少聚类过程中的迭代次数，从而加快选址过程。作为另一示例性实施方式，可以在所有数据点中均匀或随机选择n个数据点作为初始簇中心，以尽量减少聚类过程的人为干预。通过上述方式选取得到n个初始簇中心z01，z02，z03……z0n。

步骤302，将各数据点划分至与其距离最近的初始簇中心对应的簇内。

对于位置数据集中的任一数据点p，依次计算该点p到n个初始簇中心zp01，zp02，zp03……zp0n的距离lp01，lp02，lp03……lp0n，然后进行比较，将该数据点p划分至最小距离对应的初始簇中心所归属的簇，即若min(lp01，lp02，lp03……lp0n)＝lp0i，则数据点p归属于初始聚类中心i对应的簇。

依次对位置数据集中的所有数据点按照上述方法进行划分，将各数据点均划分到对应的簇中，得到n个当前簇。

步骤303，将当前簇内停放位置数据的平均值作为新的簇中心。

对于计算得到的任一当前簇，计算该簇内所有数据点的平均值，并将该平均值作为该簇新的簇中心。可以理解的是，无论数据点的具体数值是车辆停放位置的经纬度该是对于某一标志点的相对坐标，其都应该是多维数组(如二维的经度和纬度，三维的经度、纬度和海拔，三维的东西向距离、南北向距离和相对高度等)，则上述平均值是由各数据点相应维度分别计算出的平均值构成的新的坐标数据点。依次对位置数据集中的n个当前簇按照上述方法进行计算，得到n个新的簇中心。

步骤304，将各数据点划分至与其距离最近的新的簇中心对应的簇内。

对于任一数据点，将该数据点划分至最小距离对应的新的簇中心所归属的簇。具体划分过程参见上述步骤302，上述过程完成后，得到n个簇。步骤304-步骤305的过程可以进行多次迭代计算，直到步骤305中满足聚类停止条件。

步骤305，判断是否满足聚类停止条件。

在上述步骤304得到n个簇的情况下，判断此时是否满足聚类停止条件。聚类停止条件可以有下述多个，满足其中任一条件即认为满足聚类停止条件。

停止条件一：迭代所得的簇与前次迭代所得的簇相同。

若仅进行一次步骤303-步骤304的迭代过程，所得n个簇中数据点与步骤302所得的n个当前簇中数据点相同，则认为满足停止条件一；

若进行多次步骤303-步骤304的迭代过程，最后一次迭代所得n个簇中的数据点与前一次迭代所得n个当前簇中的数据点相同，则认为满足停止条件一。

停止条件二：迭代过程中的簇中心与前次迭代过程中的簇中心相同。

若仅进行一次步骤303-步骤304的迭代过程，步骤303中计算所得n个新的簇中心与步骤301选取的n个初始簇中心相同，则认为满足停止条件二；

若进行多次步骤303-步骤304的迭代过程，最后一次迭代计算所得n个新的簇中心与前一次迭代计算所得n个新的簇中心相同，则认为满足停止条件二。

根据上述条件进行判断，若满足任一聚类停止条件，则转入步骤306；否则，若不满足任何聚类停止条件，则转入步骤303开始下一次迭代。

步骤306，将当前的n个簇作为n个地址簇

在上述迭代过程停止后，将计算得到的n个簇作为n个地址簇，即聚类结果。

由前述步骤101和步骤201的实施例可见，位置数据集可以有多种构建方式，且不同构建方式对应的后续选址过程也不尽相同。下面以图4所示的区域范围为对象，分别结合图5-图7和图8-图9对其中两种构建方式下及其对应的后续选址过程进行详细说明。

图4是本申请一示例性实施例示出的位置数据集对应区域范围内各功能区域划分示意图。如图4所示，该区域范围内具有多栋民用建筑和商用建筑，根据各自的功能属性，将整个区域范围划分为两类功能区域：办公区(a1和a2)、居住区(b1和b2)。各停放位置数据在后续图中以黑色圆点表示。

图5是本申请一示例性实施例示出的一种合并数据的充电设备选址方法流程图；图6是本申请一示例性实施例示出的一种合并数据的充电设备选址方法中各步骤对应状态示意图。如图5所示，该方法可以包括以下步骤：

步骤501，分别采集不同功能区域的车辆停放位置数据。

按照划分的功能区域，分别采集不同功区域内的车辆停放位置数据，获得多个功能位置数据集。将整个区域范围划分为办公区和居住区两类功能区域，分别在某工作日凌晨02:00采集居住区a1和a2的停放数据，上午11:00采集办公区b1和b2的停放位置数据，将采集到的停放位置数据分别以数据点的形式标注在对应位置处，得到两功能位置数据集，参见图6(a)和图6(b)。上述各具体采集时间可以根据情况做出调整，并不仅限于上述时刻。

步骤502，将各类功能区域内采集的数据进行合并。

将分别采集的居住区数据点与办公区数据点对应的两功能位置数据集进行合并，以获得完整位置数据集，参见图6(c)。

步骤503，使用聚类算法划分地址簇。

选取4个初始簇中心，按照图3所示的k-means聚类算法，对完整位置数据集中的所有数据点划分地址簇，最终得到4个地址簇，聚类结果参见图6(d)。需要说明的是，因为初始簇中心的个数即等于聚类结果中地址簇的个数，所以初始簇中心个数的确定较为重要，该实施例仅是示例性的，不应认为初始簇中心的个数就等于功能区域的个数，实际应用时应根据实际情况确定初始簇中心的个数。

步骤504，分别剔除各地址簇中的边缘数据点。

为描述简洁，将“功能区域a1对应的地址簇”记为“a1簇”，其他功能区域类似。

在一实施例中，计算a1簇内所有数据点到该簇的簇中心za1的距离，然后判断各数据点对应的上述距离是否大于预设距离da1：若大于da1，则将该数据点从簇a1中剔除；否则，若不大于da1，则将该数据点保留在簇a1中。其中，预设距离可以基于功能区域的功能类型、功能区域附近的交通状况等信息进行确定，如确定da1＝2km，或db1＝5km等。上述距离计算过程可以采用欧氏距离算公式：假设p点经纬度为p(xp，yp)，簇中心经纬度为o(xo，yo)，则p点到簇中心o点的距离为：也可以将各数据点与对应区域的场景模型相叠合，对于任一数据点，计算该数据点到簇中心的最短路程，将该数据点到簇中心的最短路程作为二者之间的距离。

在另一实施例中，依次计算a1簇内所有数据点到其他数据点的距离之和，并将上述距离之和大于预设值的数据点从a1从中剔除，保留其余数据点。

在图6(d)中，a1簇，b1簇和b2簇中均不存在可剔除数据点，而a2簇中数据点p1和p2到簇中心za2的距离大于预设距离za2，因此将数据点p1和p2剔除，并重新计算剔除后的a2簇对应的范围，参见图6(e)。

当然，步骤504是可选步骤，需要根据具体情况决定是否进行该步骤。

步骤505，确定各地址簇内充电设备的安装位置。

地址簇中充电设备的安装位置有多种确定方式，在本实施例中，作为一示例性实施例，可以直接计算该地址簇的簇中心，并将该簇中心作为充电设备的安装位置。

作为另一示例性实施例，可以将该地址簇叠合至该地址簇对应区域范围的场景模型中，以判断该地址簇的簇中心是否可作为充电设备的安装位置；若不可安装，则将该地址簇内距离所述簇中心最近的可安装位置作为所述充电设备的安装位置。某区域范围的场景模型中包含该区域范围内建筑、道路、树木等场景与其各自位置间的对应关系。图7是本申请一示例性实施例示出的一种在地址簇内确定充电设备安装位置的示意图。如图7(a)所示，将计算出的b1簇与功能区域b1的场景模型进行叠合，发现簇中心zb1恰好位于一栋商业建筑中，显然无法安装充电设备，因此将距离zb1最近的位于建筑外的可安装位置tb1，选为功能区域b1内充电设备的最终安装位置，参见图7(b)，上述四个地址簇对应的充电设备的最终安装位置参见图6(f)。

步骤506，确定各地址簇内充电设备的安装数量。

通过聚类算法或剔除数据点后得到的整个区域范围内的所有地址簇，可能存在属于不同功能区域的相近地址簇，也可能各地址簇均不相近；对于存在属于不同功能区域的地址簇相近的情况下确定充电设备安装数量的具体方式，参见下述步骤805-步骤807。

在如图6(f)所示的各地址簇均不相近的情况下，任一地址簇内的所述安装数量与该地址簇中包含的停放位置数据的个数呈正相关。作为一示例性实施方式，各地址簇内充电设备的安装数量之比等于各地址簇中包含的停放位置数据的个数之比。

作为另一示例性实施方式，各上述停放位置数据的个数与重点设备的安装数量之间的对应关系根据车辆的充电时长、地址簇对应区域的大小和/或地址簇所述功能区域的类型确定。步骤506是可选步骤，需要根据具体情况决定是否进行该步骤。

图8是本申请一示例性实施例示出的一种合并地址簇的充电设备选址方法流程图。图9是本申请一示例性实施例示出的一种合并地址簇的充电设备选址方法中各步骤对应状态示意图。如图8所示，该方法可以包括以下步骤：

步骤801，分别采集不同功能区域的车辆停放位置数据。

具体采集过程参见前述步骤501，采集得到两个功能位置数据集，参见图9(a)和图9(b)。

步骤802，对各功能数据集中的数据分别使用聚类算法划分地址簇划分。

按照前述图3所示的聚类处理方法分别对两功能位置数据集中的数据点划分地址簇，得到a1簇和a2簇，以及b1簇和b2簇，参见图9(c)和图9(d)。需要说明的是，图3所述的聚类过程以完整的位置数据集为对象进行说明，在该步骤的一次计算过程中，所使用聚类算法的计算对象是某一功能位置数据集，具体的计算过程与图3所示并无本质差别。

步骤803，分别剔除各地址簇中的边缘数据点。

分别将各地址簇中的部分数据点剔除，剔除操作的具体方式参见步骤504，此处不再赘述，最终分别获得剔除数据后的a1簇和a2簇，以及b1簇和b2簇，分别参见图9(e)和图9(f)。

步骤804，将各类功能区域对应的地址簇进行合并。

将聚类处理获得的两功能地址簇进行合并，参见图9(g)。

步骤805，对相近的地址簇进行处理。

合并之后属于不同功能区域的地址簇之间可能相近，所谓“相近”，可以包括两种情况：两地址簇的簇中心之间的距离小于第一预设距离；或者，分别属于两地址簇的两个数据点之间的距离小于第二预设距离。对于相近的两地址簇，将其中包含数据点较多的记为大地址簇，其中包含数据点较少的记为小地址簇。

对于簇中心之间的距离小于第一预设距离的两地址簇，在一示例性实施例中，可以将两地址簇合并为一个地址簇，重新计算新的地址簇的簇中心或直接将原来两簇中心的中点作为合并后地址簇的簇中心；在另一示例性实施例中，可以将小地址簇删除，仅保留大地址簇；在另一实施中，两地址簇均原样保留。

对于存在距离小于第二预设距离的分别属于两地址簇的数据点的两地址簇，将距离小于第二预设距离的分别属于两地址簇的所有数据点记为边缘数据点。在一示例性实施例中，将边缘数据点分配给大地址簇；在另一示例性实施例中，将边缘数据点全部删除，保留两地址簇的其余数据点；在另一实施中，两地址簇均原样保留。

步骤806，确定各地址簇内充电设备的安装位置；步骤807，确定各地址簇内充电设备的安装数量。因为步骤805中的地址簇处理方式同时影响后续充电设备的安装位置与安装数量，因此将步骤806和步骤807合并说明：

对应于步骤805中的地址簇处理方式，确定各地址簇中充电设备的安装位置的方式也有所不同：对于非相近地址簇、步骤805中合并后的地址簇、保留的大地址簇、分配边缘数据点后的大地址簇或删除边缘数据点后的大地址簇，确定各地址簇内充电设备的安装位置的具体实现实现方式参见步骤505，此处不再赘述。

相应的，在一实施例中，对于非相近地址簇、步骤805中合并后的地址簇、保留的大地址簇、分配边缘数据点后的大地址簇或删除边缘数据点后的大地址簇，可以按照各地址簇内包含数据点的个数，等比例确定各安装位置处安装的充电设备数量；

在另一实施例中，对于步骤805中分配边缘数据点后的大地址簇或删除边缘数据点后的大地址簇，可以在按照包含的数据量等比例确定充电设备的数量后，仅按照预设比例减少小地址簇中充电设备的安装数量。无论采用何种方式，都应保证任一地址簇内的所述安装数量与该地址簇中包含的停放位置数据的个数呈正相关。

对于簇中心之间的距离小于第一预设距离的两地址簇，若两地址簇均原样保留，在一示例性实施例中，将两地址簇的簇中心连线的终点作为充电设备的安装位置；相应的，可以在按照包含的数据量等比例确定充电设备的数量后，按照预设比例减少分别减少大地址簇和小地址簇中充电设备的安装数量。

图10是本申请一示例性实施例示出的电子设备的结构示意图。如图10所示，在硬件层面，该电子设备包括处理器1001、内部总线1002、网络接口1003、内存1004以及非易失性存储器1005，当然还可能包括其他业务所需要的硬件。处理器1001从非易失性存储器1005中读取对应的计算机程序到内存1004中并运行，在逻辑层面上形成充电设备选址装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

图11是本申请一示例性实施例示出的一种充电设备选址装置的框图。请参见图11，在软件实施方式中，该充电设备选址装置可以包括位置数据集构建单元1101、地址簇划分单元1102和安装位置确定单元1103。其中：

位置数据集构建单元1101，用于根据充电设备选址需求所指示的区域范围构建位置数据集，所述位置数据集中包含所述区域范围内的s台电动车辆分别对应的s个停放位置数据，其中s≥1；

地址簇划分单元1102，用于从备选聚类算法中进行选择，并利用选定的聚类算法对所述位置数据集中的s个停放位置数据进行聚类处理，以将所述s个停放位置数据划分为n个地址簇，其中n≤s；

安装位置确定单元1103，用于分别确定各个地址簇对应的选址区域，并将各选址区域确定为充电设备的安装位置。

可选的，所述位置数据集构建单元1101，具体用于：在所述位置数据集对应的区域范围包含多类功能区域的情况下，分别在不同时刻采集各类功能区域中电动车辆的停放位置数据，其中任一类功能区域对应的采集时刻属于通过分析该类功能区域内电动车辆的历史停放数据确定的集中停放时段；

将从各类功能区域采集到的停放位置数据进行合并，以得到所述位置数据集。

可选的，所述位置数据集构建单元1101，具体用于：在将所述区域范围划分为多类功能区域的情况下，针对每类功能区域分别构建位置数据集；

相应的，所述地址簇划分单元1102，具体用于：利用选定的聚类算法分别对各类功能区域中的停放位置数据进行聚类处理，以将同一类功能区域中的所述停放位置数据划分为至少一个功能地址簇；对于属于不同类功能区域的相近的多个功能地址簇，将其中包含停放位置数据非最多的功能地址簇剔除，并合并各类功能区域对应的其余功能地址簇；其中，若两功能地址簇的簇中心之间的距离小于第一预设距离或分别属于两功能地址簇的两停放位置数据之间的距离小于第二预设距离，则认为所述两功能地址簇相近。

可选的，所述地址簇划分单元1102，具体用于：将所述s个停放位置数据中的n个停放位置数据作为初始簇中心，以将所述s个停放位置数据划分至n个簇，使每个停放位置数据与所归属簇的初始簇中心的距离小于与其他初始簇中心的距离；

迭代所述n个簇，直到迭代所得的簇与前次迭代所得的簇相同；其中，任一次迭代包括：分别计算前次迭代所得n个簇中的停放位置数据的平均值，以得到n个当前簇中心；将所述s个停放位置数据划分至n个簇，使每个停放位置数据与所归属簇的当前簇中心的距离小于与其他当前簇中心的距离；

在迭代所得的簇与前次迭代所得的簇相同的情况下，将迭代所得的n个簇记为所述位置数据集对应的地址簇。

可选的，所述充电设备选址装置还包括：

剔除单元1103，用于在将所述s个停放位置数据划分为n个地址簇的情况下，对于其中任一地址簇，依次计算该地址簇内所有停放位置数据与该地址簇的簇中心的距离，将所述距离大于预设距离的停放位置数据从该地址簇内剔除；

安装数量确定单元1105，用于在将所述s个停放位置数据划分为n个地址簇的情况下，确定各地址簇内充电设备的安装数量，其中，任一地址簇内的所述安装数量与该地址簇中包含的停放位置数据的个数呈正相关。

可选的，所述安装位置确定单元1104，具体用于：对于任一地址簇，

将该地址簇的簇中心作为充电设备的安装位置；或者，

将该地址簇叠合至该地址簇对应区域范围的场景模型中，以判断该地址簇的簇中心是否可作为充电设备的安装位置；若不可作为充电设备的安装位置，则将该地址簇对应选址区域内距离所述簇中心最近的可安装位置作为所述充电设备的安装位置。

可选的，所述位置数据集构建单元1101，具体用于：在将位置数据集对应的区域范围划分为多类功能区域的情况下，针对每类功能区域分别构建位置数据集；

相应的，所述地址簇划分单元，具体用于：利用选定的聚类算法分别对各类功能区域中的停放位置数据进行聚类处理，以将同一类功能区域中的所述停放位置数据划分为至少一个功能地址簇；对于属于不同类功能区域的相近的多个功能地址簇，将所述各功能地址簇内的充电设备数量均按照预设比例减少；或者，将所述多个功能地址簇中部分地址簇内的充电设备数量按照预设比例减少；其中，若两功能地址簇的簇中心之间的距离小于第一预设距离或分别属于两功能地址簇的两停放位置数据之间的距离小于第二预设距离，则认为所述两功能地址簇相近。

上述装置中各个单元的功能和作用的实现过程详见上述方法中对应步骤的实现过程，在此不再赘述。在一个典型的配置中，电子设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

对于上述装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。