本发明涉及新能源汽车充电桩,尤其涉及一种基于智能网联数据的充电桩推荐系统及方法。
背景技术:
1、据中国汽车工业协会数据,2022年我国新能源汽车行业产销量分别完成705.8万辆和688.7万辆,同比分别增长96.9%和93.4%,连续8年保持全球第一。截至2022年底,国内车桩比为5:2,充电桩数量仍十分紧张。
2、目前市面大多方案都是通过计算车桩之间的距离和空闲状态进行充电桩查询。而我们则利用红旗车辆的车况信息,采用自定义的驾驶行为算法计算不同情况下电量消耗率,充电桩分时价格数据、车型信息,购车时间,以及出行数据及路线数据推算出评分最高的充电桩信息。利用推送技术将适合用户的充电桩推荐给用户。
3、目前一般业务都是展示充电桩的空闲状态,由用户自行选择充电桩,给予用户信息相对单一。
技术实现思路
1、本发明的目的是提供一种基于智能网联数据的充电桩推荐系统及方法,以解决如何为用户推荐最优充电桩,提高车主用电管理的科学性、实惠性的技术问题。
2、本发明是采用以下技术方案实现的:一种基于智能网联数据的充电桩推荐系统,包括特征提取模块、模型建立模块、模型应用模块和模型修正模块,其中,
3、特征提取模块,整合用户出行和充电习惯数据,并结合机器学习算法,完成数据特征抽取,得到具体的用户特征数据;
4、模型建立模块,根据用户的历史特征数据,进行分类与用户画像标签分析,建立推荐模型;
5、模型应用模块,将用户行为特征输入推荐模型,进行行程预测,并根据用户历史出行和充电数据,计算出充电策略,进行排序并推荐给用户;
6、模型修正模块,根据用户反馈或用户是否充电结果,对推荐模型进行修正。
7、进一步的,所述用户特征数据包括用车频率、驾驶风格、出行习惯、充电数据和充电桩营销活动规律中的一种或多种,其中,
8、用车频率,根据用户网联车车辆行驶数据,分析判断用户用车频率;
9、驾驶风格,根据用户网联车驾驶行为数据,分析车主的用车行为,包括急加速、急减速、常用档位和油门踏板次数;
10、出行习惯,根据用户网联车驾驶行为数据,分析月车型天数、日均里程、早晚高峰出行里程和早晚高峰出行时长;
11、充电数据,根据网联车充电数据与充电桩位置数据,分析判断具体充电情况;
12、充电桩营销活动规律,根据充电桩营销活动数据,分析充电桩营销活动计划与活动规律,在匹配推荐中,增加预测因素占比。
13、进一步的,模型建立模块采用k-means聚类分析法对用户进行分类,并根据用户历史数据建立推荐模型,所述推荐模型首先根据用户驾驶行为日志,随机将历史数据的70%作为训练样本,剩余30%作为验证,采用gdbt决策树进行模型训练,数据准确率大于80%,得到用户行程预测结果,并用时间序列算法,进行周期性分析,得到用户周期性行程预测结果。
14、进一步的,所述推荐模型根据用户行为特征与行程预测,预估用户电量可支持天数,并标注近t日需要充电用户,然后根据用户历史出行和充电数据,计算用户与充电桩的亲密度,最后接入充电站活动数据,结合用户预测行程当前油量支撑天数以及用户车型相关油耗情况,计算出最佳充电策略,进行排序,并对用户进行推荐。
15、一种基于智能网联数据的充电桩推荐方法,包括如下步骤:
16、s1:对用户行程进行判断,并合并一日内的多次行程数据,完成用户单日行为统计;
17、s2:根据用户历史数据,进行分类与用户画像标签分析,对用户进行分类;
18、s3:根据用户历史数据建立推荐模型,进行分析,并预测用户行程;
19、s4:根据用户行为特征与行程预测,预估用户电量可支持天数,标注近t日需要充电用户,并计算用户与充电桩的亲密度;
20、s5:接入充电站活动数据,结合用户预测行程当前油量支撑天数以及用户车型相关油耗情况,计算出最佳充电策略,进行排序,并对用户进行推荐。
21、进一步的,还包括如下步骤:
22、s6:根据用户反馈情况,或者根据统计用户是否充电情况,进行推荐成功率统计分析,反馈并修正推荐模型,优化参数。
23、进一步的,步骤s1包括如下子步骤:
24、s11:将车机上报的总线数据及实时车况利用spark和flink 技术进行实时计算判断行程数据,判断标准:预设时间内无车况上报,或者有下线时间,两种情况标记为一段行程;
25、s12:统计一次行程内相关车况数据,包括里程数、耗电量、急加速次数、急转弯次数、超速次数、未系安全带事件、疲劳驾驶事件和长时间未掌控方向盘中的一种或多种;
26、s13:通过合并一日内的多次行程数据,完成车主单日行为统计,统计内容包括当日驾驶时长、当日行驶里程、当日平均电耗、当日评价车速、当日充电时长、当日充电电量、当日充电次数和空调平均运行时长中的一种或多种。
27、进一步的,步骤s3具体为:根据用户历史数据建立推荐模型,并取预设时间段内的驾驶行为日志,随机将历史数据的70%作为训练样本,剩余30%作为验证,采用gdbt决策树进行算法训练,数据准确率大于80%,得到用户行程预测结果,并采用时间序列算法,进行周期性分析,得到用户周期性行程预测结果。
28、本发明的有益效果在于:
29、本发明集合多维度数据,设计智能算法,科学准确预判最优充电时间、选择价格最优的充电桩,最优的行驶路线,实现车主用户科学用电,获取最佳优惠,降低养车成本。
30、本发明实现了车辆自动研判馈电时间,用电消耗等信息,如结合车联网的用户数据,车辆数据,出行数据,充电桩运营数据,则可以为车主提供科学、精准、优惠的充电提醒与充电桩推荐,提高车主用电管理的科学性、实惠性。
1.一种基于智能网联数据的充电桩推荐系统,其特征在于,包括特征提取模块、模型建立模块、模型应用模块和模型修正模块,其中,
2.如权利要求1所述的一种基于智能网联数据的充电桩推荐系统,其特征在于,所述用户特征数据包括用车频率、驾驶风格、出行习惯、充电数据和充电桩营销活动规律中的一种或多种,其中,
3.如权利要求1所述的一种基于智能网联数据的充电桩推荐系统,其特征在于,模型建立模块采用k-means聚类分析法对用户进行分类,并根据用户历史数据建立推荐模型,所述推荐模型首先根据用户驾驶行为日志,随机将历史数据的70%作为训练样本,剩余30%作为验证,采用gdbt决策树进行模型训练,数据准确率大于80%,得到用户行程预测结果,并用时间序列算法,进行周期性分析,得到用户周期性行程预测结果。
4.如权利要求3所述的一种基于智能网联数据的充电桩推荐系统,其特征在于,所述推荐模型根据用户行为特征与行程预测,预估用户电量可支持天数,并标注近t日需要充电用户,然后根据用户历史出行和充电数据,计算用户与充电桩的亲密度,最后接入充电站活动数据,结合用户预测行程当前油量支撑天数以及用户车型相关油耗情况,计算出最佳充电策略,进行排序,并对用户进行推荐。
5.一种基于智能网联数据的充电桩推荐方法,其特征在于,包括如下步骤:
6.如权利要求5所述的一种基于智能网联数据的充电桩推荐方法,其特征在于,还包括如下步骤:
7.如权利要求5所述的一种基于智能网联数据的充电桩推荐方法,其特征在于,步骤s1包括如下子步骤:
8.如权利要求5所述的一种基于智能网联数据的充电桩推荐方法,其特征在于,步骤s3具体为:根据用户历史数据建立推荐模型,并取预设时间段内的驾驶行为日志,随机将历史数据的70%作为训练样本,剩余30%作为验证,采用gdbt决策树进行算法训练,数据准确率大于80%,得到用户行程预测结果,并采用时间序列算法,进行周期性分析,得到用户周期性行程预测结果。