可持续深度学习的充电站/桩推荐系统及推荐方法.pdf

《可持续深度学习的充电站/桩推荐系统及推荐方法.pdf》由会员分享，可在线阅读，更多相关《可持续深度学习的充电站/桩推荐系统及推荐方法.pdf（20页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911064357.5 (22)申请日 2019.11.01 (71)申请人 广州大学 地址 510006 广东省广州市番禺广州大学 城外环西路230号 (72)发明人 刘祥涛张宇田志宏张天乐 殷丽华李超周娜琴 (74)专利代理机构 广州三环专利商标代理有限 公司 44202 代理人 郭浩辉麦小婵 (51)Int.Cl. G06F 16/2457(2019.01) G06Q 50/06(2012.01) (54)发明名称 一种可持续深度学习的充电站/桩推荐系统 及推荐方法 。

2、(57)摘要 本发明公开了一种可持续深度学习的充电 站/桩推荐系统及推荐方法， 通过将可持续深度 学习机制引入充电站/桩推荐系统， 有效利用随 时间不断变化的电动车辆、 充电站/桩数据、 用户 数据、 第三方数据等多元数据进行动态推荐， 使 充电站/桩得到充分利用， 合理匹配车桩， 为电动 车辆推荐最佳充电站/桩， 提高充电站/桩资源的 利用率， 有效解决电动车辆充电难的问题。 权利要求书3页 说明书12页 附图4页 CN 110888908 A 2020.03.17 CN 110888908 A 1.一种可持续深度学习的充电站/桩推荐系统， 其特征在于， 包括： 充电站/桩数据采集与传输子系。

3、统， 包括： 充电桩数据采集模块， 用于实时采集充电桩数据； 充电站数据采集模块， 用于实时采集充电站数据； 充电桩/站数据传输模块， 用于将所述充电桩数据和所述充电站数据传输至充电推荐 计算子系统； 充电APP子系统， 包括： 车辆数据采集模块， 用于采集电动车辆数据； 用户数据采集模块， 用于采集充电用户数据； 车辆及用户数据传输模块， 用于将所述电动车辆数据和所述充电用户数据传输至充电 推荐计算子系统； 推荐数据接收模块、 推送及反馈模块、 反馈数据传输模块； 第三方数据采集与传输子系统， 包括： 第三方数据采集模块， 用于采集第三方数据； 其中， 所述第三方数据包括交通路况数 据、 天。

4、气数据和环境数据； 第三方数据传输模块， 用于将所述第三方数据传输至充电推荐计算子系统； 充电推荐计算子系统， 包括： 多源数据接收模块， 用于接收所述充电站/桩数据采集与传输子系统、 所述充电APP子 系统和所述第三方数据采集与传输子系统传输的数据； 多源数据存储模块， 用于将所述多 源数据接收模块获取的数据按类别实时写入多源数据库； 数据初处理模块， 用于读取多源数据库中的数据并对进行数据初处理， 得到初处理数 据； 集合筛选模块， 用于读取多源数据库中的数据， 计算出本次推荐任务的待选充电站/桩 集合； 动态推荐模块， 用于接收所述集合筛选模块筛选出来的待选充电站/桩集合和所述初 处理数。

5、据， 针对时间窗口内不断变化的充电站数据、 充电桩数据、 电动车辆数据、 充电用户 数据、 交通路况数据、 天气数据和环境数据， 引入可持续深度学习机制， 建立充电站/桩动态 推荐模型， 计算充电站/桩推荐度， 计算出充电站/桩推荐列表， 并将该列表数据传输所述充 电APP子系统的推荐数据接收模块， 以使所述推荐数据接收模块将该列表数据传输至所述 推送及反馈模块， 进而获取使所述反馈数据传输模块的用户反馈数据， 并将该用户反馈数 据传输至本地知识库中进行知识更新， 实现可持续动态推荐。 2.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统， 其特征在于， 所述充电桩数据分为静态数据和动态。

6、数据； 其中， 所述充电桩静态数据， 主要有充电桩所在的充电站、 充电站所在地理位置、 充电功率、 充电方式、 电流类型和额定电流大小； 所述充电桩动态数据， 包括当前工作状态和当前充电电流； 所述充电站数据分为静态数据和动态数据； 所述充电站静态数据， 包括充电站地理位置、 面积、 总停车位数量和总充电桩数量； 所述充电站动态数据， 包括当前可用停车位数量和当前可用充电桩数量。 权利要求书 1/3 页 2 CN 110888908 A 2 3.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统， 其特征在于， 所述车辆数据， 包括电动车辆当前位置、 电池容量、 额定充电电流、 电池剩余电。

7、量、 充电 方式、 充电电流类型、 充电功率、 行驶方向、 行驶速度、 行驶坡度和已连续行驶时长； 所述充电用户数据， 包括预设目的地、 用户基本信息、 和用户历史操作。 4.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统， 其特征在于， 所述第 三方数据， 为通过高德地图、 百度地图和/或墨迹天气的开放API的接口调用； 所述第三方数据的数据结构为： 交通路况； 城市名称， 城区编码， 道路名称， 路段名称， 路段长度， 路段平均速度， 路段 拥堵状态， 该路段最大速度， 预计通过时间， 时间戳； 天气： 经度， 纬度， 天气情况(晴/雨/雪等)， 温度， 湿度， 风力， 风向， 时。

8、间戳； 环境： 经度， 纬度， 空气质量指数， PM2.5浓度( g/m3)， 一氧化碳浓度( g/m3)， 首要污 染物， 时间戳。 5.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统， 其特征在于， 所述多 源数据库， 用于接收多源数据存储模块传输的多源数据， 并采用MySQL/Oracle/Redis数据 库存储结构化数据， 采用MongoDB数据库存储非结构化数据。 6.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统， 其特征在于， 所述数 据初处理模块， 用于读取多源数据库中的数据并对进行数据初处理， 包括： 读取每个充电桩/站的过去一段时间周期Tlast的历史数据；。

9、 根据获取的历史数据， 对每个充电桩/站定义充电桩历史使用率其中， T为过去 一个月该充电桩/站的正常运行时间， Tu为该充电桩/站的总使用时间。 7.根据权利要求1所述的可持续深度学习的充电站/桩推荐系统， 其特征在于， 集合筛 选模块， 用于读取多源数据库中的数据， 计算出本次推荐任务的待选充电站/桩集合， 包括： 判断充电用户是否需要充电； 若是， 则计算预计充电位置， 并根据预计充电位置， 扫描预设范围内的所有充电站/桩， 为初始待选充电站/桩集合； 对初始待选充电站/桩集合内的充电站/桩与本次推荐任务中车辆数据进行匹配： 判断额定电流是否与本次接收推荐的车辆额定电流一致； 判断充电方。

10、式是否与本次接收推荐的车辆充电方式一致； 判断交直流是否一致； 若上述三个判断结果均为肯定， 则将该充电站/桩列入待选充电站/桩集合。 8.一种可持续深度学习的充电站/桩推荐方法， 其特征在于， 包括： 将获取的多源数据写入多源数据库， 其中， 所述多源数据包括充电桩数据、 电站数据、 电动车辆数据、 充电用户数据和第三方数据， 所述第三方数据包括交通路况数据、 天气数据 和环境数据； 读取多源数据库中的数据进行数据初处理， 得到初处理数据； 读取多源数据库中的数据， 计算出本次推荐任务的待选充电站/桩集合； 根据所述待选充电站/桩集合和所述初处理数据， 采用深度神经网络进行动态推荐计 算， 。

11、计算出充电站/桩推荐列表； 权利要求书 2/3 页 3 CN 110888908 A 3 将该列表数据推送至充电用户终端或车辆终端， 并在完成充电后获取用户反馈数据， 并根据所述用户反馈数据更新本地知识库中， 实现可持续动态推荐。 权利要求书 3/3 页 4 CN 110888908 A 4 一种可持续深度学习的充电站/桩推荐系统及推荐方法 技术领域 0001 本发明涉及物联网技术领域， 特别是涉及一种可持续深度学习的充电站/桩推荐 系统及推荐方法。 背景技术 0002 为实现城市节能减排， 电动车辆数量现已突破200万辆， 近年一直保持70以上的 复合增长率。 由于充电站需要占用城市土地使用。

12、面积， 充电桩需要大功率电力供应， 导致充 电基础设施建设相对较缓， 电动车辆数量的增长速度远高于充电桩， 车桩之间的缺口不断 扩大； 同时， 与传统油车类似， 当前电动车辆的充电方式普遍采用即到即充模式， 未采用基 于大数据的充电桩推荐方法， 与传统油车加油时长3到5分钟不同， 电动车辆采用了大电池 容量， 采用快充方式充满电一般需要2小时到4小时， 而慢充则长达6小时到8小时， 即到即充 模式导致了充电桩的使用不均衡， 即一部分充电桩长期高负荷使用， 而另一部分充电桩较 少使用， 造成充电桩资源的浪费； 因此， 车桩之间的巨大缺口、 多达数小时的充电时长和充 电桩资源使用的不均衡大幅度增加。

13、了即到即充模式下用户等待时间， 导致用户充电体验 差。 0003 现有研究有基于大数据分析挖掘的充电桩推荐模型方法， 由于研究一般早于工程 实现， 这些研究都没有在现实中应用； 当前的充电桩推荐模型方法都是静态模型， 即基于一 段时间(比如半年)内的充电站/桩数据、 电动车辆数据、 交通路况数据等， 构建充电桩推荐 模型的样本数据， 运用机器学习/深度学习方法， 构建充电桩推荐静态模型， 形成模型参数， 并面向电动车辆推荐合适的充电站/充电桩。 这种方法存在模型过时问题， 因为过去一段时 间训练的模型， 随着时间窗口的变化， 数据已经发生变化， 模型已经无法适用于现有的情 况， 即模型不具备在。

14、时间窗口上的泛化能力； 当然， 静态模型可以随着数据在新的时间段窗 口的更新， 不断进行重新训练， 但是这会引发时间窗口大小选择导致的负面效果， 若窗口定 的太长(比如半年)， 则模型在窗口周期内的效果会很快变差； 若窗口定的太短(比如1天)， 需要耗费大量的数据采集时间以及模型训练时间。 0004 综上， 就电动车辆充电而言， 现有实现方案无法实现数据随时间窗口变化的充电 站/桩自适应合理推荐， 无法实现充电站/桩的使用效率最大化。 发明内容 0005 本发明的目的是提供一种可持续深度学习的充电站/桩推荐系统及推荐方法， 能 够实现充电站/桩的使用效率最大化。 0006 为了解决上述技术问题。

15、， 本发明一实施例提供一种可持续深度学习的充电站/桩 推荐系统， 其特征在于， 包括： 0007 充电站/桩数据采集与传输子系统， 包括： 0008 充电桩数据采集模块， 用于实时采集充电桩数据； 0009 充电站数据采集模块， 用于实时采集充电站数据； 说明书 1/12 页 5 CN 110888908 A 5 0010 充电桩/站数据传输模块， 用于将所述充电桩数据和所述充电站数据传输至充电 推荐计算子系统； 0011 充电APP子系统， 包括： 0012 车辆数据采集模块， 用于采集电动车辆数据； 0013 用户数据采集模块， 用于采集充电用户数据； 0014 车辆及用户数据传输模块， 。

16、用于将所述电动车辆数据和所述充电用户数据传输至 充电推荐计算子系统； 0015 推荐数据接收模块、 推送及反馈模块、 反馈数据传输模块； 0016 第三方数据采集与传输子系统， 包括： 0017 第三方数据采集模块， 用于采集第三方数据； 其中， 所述第三方数据包括交通路况 数据、 天气数据和环境数据； 0018 第三方数据传输模块， 用于将所述第三方数据传输至充电推荐计算子系统； 0019 充电推荐计算子系统， 包括： 0020 多源数据接收模块， 用于接收所述充电站/桩数据采集与传输子系统、 所述充电 APP子系统和所述第三方数据采集与传输子系统传输的数据； 0021 多源数据存储模块， 。

17、用于将所述多源数据接收模块获取的数据按类别实时写入多 源数据库； 0022 数据初处理模块， 用于读取多源数据库中的数据并对进行数据初处理， 得到初处 理数据； 0023 集合筛选模块， 用于读取多源数据库中的数据， 计算出本次推荐任务的待选充电 站/桩集合； 0024 动态推荐模块， 用于接收所述待选充电站/桩集合和所述初处理数据， 针对时间窗 口内不断变化的充电站数据、 充电桩数据、 电动车辆数据、 充电用户数据、 交通路况数据、 天 气数据和环境数据， 引入可持续深度学习机制， 建立充电站/桩动态推荐模型， 计算充电站/ 桩推荐度， 计算出充电站/桩推荐列表， 并将该列表数据传输所述推荐。

18、数据接收模块， 以使 所述推荐数据接收模块将该列表数据传输至所述推送及反馈模块， 进而获取使所述反馈数 据传输模块的用户反馈数据， 并将该用户反馈数据传输至知识库中进行知识更新， 实现可 持续动态推荐。 0025 其中， 所述充电桩数据分为静态数据和动态数据； 其中， 0026 所述充电桩静态数据， 主要有充电桩所在的充电站、 所在充电站地理位置、 充电功 率、 充电方式、 电流类型和额定电流大小； 0027 所述充电桩动态数据， 包括当前工作状态和当前充电电流； 0028 所述充电站数据分为静态数据和动态数据； 0029 所述充电站静态数据， 包括充电站地理位置、 面积、 总停车位数量和总充。

19、电桩数 量； 0030 所述充电站动态数据， 包括当前可用停车位数量和当前可用充电桩数量。 0031 其中， 所述车辆数据， 包括电动车辆当前位置、 电池容量、 额定充电电流、 电池剩余 电量、 充电方式、 充电电流类型、 充电功率、 行驶方向、 行驶速度、 行驶坡度和已连续行驶时 长； 说明书 2/12 页 6 CN 110888908 A 6 0032 所述充电用户数据， 包括预设目的地、 用户基本信息、 和用户历史操作。 0033 其中， 所述第三方数据， 为通过高德地图、 百度地图和/或墨迹天气的开放API的接 口调用； 0034 所述第三方数据的数据结构为： 0035 交通路况； 城。

20、市名称， 城区编码， 道路名称， 路段名称， 路段长度， 路段平均速度， 路段拥堵状态， 该路段最大速度， 预计通过时间， 时间戳； 0036 天气： 经度， 纬度， 天气情况(晴/雨/雪等)， 温度， 湿度， 风力， 风向， 时间戳； 0037 环境： 经度， 纬度， 空气质量指数， PM2.5浓度( g/m3)， 一氧化碳浓度( g/m3)， 首 要污染物， 时间戳。 0038 其中， 所述多源数据库， 用于接收多源数据存储模块传输的多源数据， 并采用 MySQL/Oracle/Redis数据库存储结构化数据， 采用MongoDB数据库存储非结构化数据。 0039 其中， 所述数据初处理模。

21、块， 用于读取多源数据库中的数据并对进行数据初处理， 包括： 0040 读取每个充电桩/站的过去一段时间周期Tlast的历史数据； 0041根据获取的历史数据， 对每个充电桩/站定义充电桩历史使用率其中， T 为过去一个月该充电桩/站的正常运行时间， Tu为该充电桩/站的总使用时间。 0042 其中， 集合筛选模块， 用于读取多源数据库中的数据， 计算出本次推荐任务的待选 充电站/桩集合， 包括： 0043 判断充电用户是否需要充电； 0044 若是， 则计算预计充电位置， 并根据预计充电位置， 扫描预设范围内的所有充电 站/桩， 为初始待选充电站/桩集合； 0045 对初始待选充电站/桩集合。

22、内的充电站/桩与本次推荐任务中车辆数据进行匹配： 0046 判断额定电流是否与本次接收推荐的车辆额定电流一致； 0047 判断充电方式是否与本次接收推荐的车辆充电方式一致； 0048 判断交直流是否一致； 0049 若上述三个判断结果均为肯定， 则将该充电站/桩列入待选充电站/桩集合。 0050 本发明一实施例还提供一种可持续深度学习的充电站/桩推荐方法， 包括： 0051 将获取的多源数据写入本地多远数据库， 其中， 所述多源数据包括充电桩数据、 电 站数据、 电动车辆数据、 充电用户数据和第三方数据， 所述第三方数据包括交通路况数据、 天气数据和环境数据； 0052 读取多源数据库中的数据。

23、进行数据初处理， 得到初处理数据； 0053 读取多源数据库中的数据， 计算出本次推荐任务的待选充电站/桩集合； 0054 根据所述待选充电站/桩集合和所述初处理数据， 采用深度神经网络进行动态推 荐计算， 计算出充电站/桩推荐列表； 0055 将该列表数据推送至充电用户终端或车辆终端， 并在完成充电后获取用户反馈数 据， 并根据所述用户反馈数据更新本地知识库中， 实现可持续动态推荐。 0056 本发明提供的一种可持续深度学习的充电站/桩推荐系统及推荐方法， 通过将可 持续深度学习机制引入充电站/桩推荐系统， 有效利用随时间不断变化的电动车辆、 充电 说明书 3/12 页 7 CN 11088。

24、8908 A 7 站/桩数据、 用户数据、 第三方数据等多源数据进行动态推荐， 使充电站/桩得到充分利用， 合理匹配车桩， 为电动车辆推荐最佳充电站/桩， 提高充电站/桩资源的利用率， 有效解决电 动车辆充电难的问题。 附图说明 0057 图1是本发明实施例中的一种可持续深度学习的充电站/桩推荐系统的结构框图； 0058 图2是本发明实施例中的一种可持续深度学习的充电站/桩推荐系统部署示意图； 0059 图3是本发明实施例中的一种可持续深度学习的充电站/桩推荐方法的流程图； 0060 图4是本发明实施例中的充电动态推荐模块的算法流程的示意图。 0061 图5是本发明实施例中的为车主用户提供充电。

25、站/桩推荐服务的示意图。 具体实施方式 0062 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述。 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于 本发明中的实施例， 本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例， 都属于本发明保护的范围。 0063 应当理解， 文中所使用的步骤编号仅是为了方便描述， 不作为对步骤执行先后顺 序的限定。 0064 应当理解， 在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而 并不意在限制本发明。 如在本发明说明书和所附权利要求书中所使用的那样， 除非上下文 。

26、清楚地指明其它情况， 否则单数形式的 “一” 、“一个” 及 “该” 意在包括复数形式。 0065 术语 “包括” 和 “包含” 指示所描述特征、 整体、 步骤、 操作、 元素和/或组件的存在， 但并不排除一个或多个其它特征、 整体、 步骤、 操作、 元素、 组件和/或其集合的存在或添加。 0066 术语 “和/或” 是指相关联列出的项中的一个或多个的任何组合以及所有可能组 合， 并且包括这些组合。 0067 本发明解决的技术问题是可持续深度学习的充电站/桩推荐模型问题， 当前的现 状是车桩数量差距大、 车桩匹配不合理、 车桩数据易变化、 充电桩使用不均衡。 而当前的充 电站/桩推荐模型仅面向。

27、电动车辆进行充电站/桩的静态推荐， 未考虑数据随时间窗口的变 化， 当时间窗口变化时， 推荐模型的推荐效果会变差， 推荐模型不具备可持续学习能力。 本 发明将可持续深度学习机制引入充电站/桩推荐系统， 有效利用随时间不断变化的电动车 辆、 充电站/桩数据、 用户数据、 第三方数据等多源数据进行动态推荐， 使充电站/桩得到充 分利用， 合理匹配车桩， 为电动车辆推荐最佳充电站/桩， 提高充电站/桩资源的利用率， 有 效解决电动车辆充电难的问题。 0068 请参阅图1。 0069 本发明一个实施例提供的一种可持续深度学习的充电站/桩推荐系统， 其特征在 于， 包括： 0070 充电站/桩数据采集与。

28、传输子系统， 包括： 0071 充电桩数据采集模块， 用于实时采集充电桩数据(由安装在充电桩上的传感器采 集)； 说明书 4/12 页 8 CN 110888908 A 8 0072 其中， 所述充电桩数据分为静态数据和动态数据； 其中， 0073 所述充电桩静态数据， 主要有充电桩所在的充电站、 所在充电站地理位置、 充电功 率(单位： AH)、 充电方式(常规充电/快速充电)、 电流类型(AC/DC)、 额定电流大小(单位： A)等； 0074 所述充电桩动态数据， 包括当前工作状态(充电中/空闲/故障)、 当前充电电流(单 位： A)等； 0075 充电站数据采集模块， 用于实时采集充电。

29、站数据(由安装在充电站上的传感器采 集)； 0076 其中， 所述充电站数据分为静态数据和动态数据； 0077 所述充电站静态数据， 包括充电站地理位置、 面积单位： m2)、 总停车位数量和总充 电桩数量； 0078 所述充电站动态数据， 包括当前可用停车位数量和当前可用充电桩数量。 0079 充电桩/站数据传输模块， 用于将所述充电桩数据和所述充电站数据传输至充电 推荐计算子系统(在充电桩/站上安装网络传输模块(例如wifi、 4G、 5G模块等)； 0080 充电APP子系统， 包括： 0081 车辆数据采集模块， 用于采集电动车辆数据(可通过APP连接汽车自带传感器)； 0082 其中。

30、， 所述车辆数据， 包括电动车辆当前位置、 电池容量(单位： AH)、 额定充电电 流(单位： A)、 电池剩余电量(单位： )、 充电方式(常规充电/快速充电)、 充电电流类型(AC/ DC)、 充电功率(单位： KW)、 行驶方向、 行驶速度(单位： km/h)、 行驶坡度(单位： )、 已连续行 驶时长(单位： min)等。 0083 用户数据采集模块， 用于采集充电用户数据； 0084 其中， 所述充电用户数据， 包括预设目的地、 (用户身份、 驾龄、 用户偏好)以及用户 历史操作(历史充电选择)等。 0085 车辆及用户数据传输模块， 用于将所述电动车辆数据和所述充电用户数据传输至 。

31、充电推荐计算子系统； 0086 推荐数据接收模块、 推送及反馈模块、 反馈数据传输模块； 0087 在具体的实施例当中， 推送及反馈模块： 将接收到的推荐数据推送至用户， 用户做 出自主选择后达到指定充电站/桩， 完成充电操作后， 对充电过程做出反馈。 一种可使用的 实施例为： 充电APP接收推荐数据， 并将其推送给用户， 并由用户做出自主选择， 在用户做出 选择后， 自动规划当前位置到达用户所选充电站/桩的行驶路线并开始导航， 用户点击 “开 始导航” 接收服务， 并按规划路线到达对应充电站/桩进行充电； 在充电完成后， 用户对推荐 结果做出反馈， 反馈数据内容可包含充电站/桩满意度、 充电。

32、价格满意度、 充电时间满意度 等。 0088 除此之外， 充电APP子系统还负责在充电站/桩推荐的整个过程完成后将用户评价 反馈至充电推荐计算子系统的可持续深度学习动态推荐模型， 更新模型知识库， 以实现可 持续动态推荐。 0089 第三方数据采集与传输子系统， 包括： 0090 第三方数据采集模块， 用于采集第三方数据； 其中， 所述第三方数据包括交通路况 数据、 天气数据和环境数据(例如pm2.5、 风向、 风速)； 说明书 5/12 页 9 CN 110888908 A 9 0091 其中， 所述第三方数据， 为通过高德地图、 百度地图和/或墨迹天气的开放API的接 口调用； 0092 。

33、所述第三方数据的数据结构为： 0093 交通路况； 城市名称， 城区编码， 道路名称， 路段名称， 路段长度， 路段平均速度， 路段拥堵状态， 该路段最大速度， 预计通过时间， 时间戳； 0094 天气： 经度， 纬度， 天气情况(晴/雨/雪等)， 温度， 湿度， 风力， 风向， 时间戳； 0095 环境： 经度， 纬度， 空气质量指数， PM2.5浓度( g/m3)， 一氧化碳浓度( g/m3)， 首 要污染物， 时间戳。 0096 第三方数据传输模块， 用于将所述第三方数据传输至充电推荐计算子系统； 0097 充电推荐计算子系统， 包括： 0098 多源数据接收模块， 用于接收所述充电站/。

34、桩数据采集与传输子系统、 所述充电 APP子系统和所述第三方数据采集与传输子系统传输的数据； 0099 多源数据存储模块， 用于将所述多源数据接收模块获取的数据按类别实时写入多 源数据库； 0100 其中， 所述多源数据库， 用于接收多源数据存储模块传输的多源数据， 并采用 MySQL/Oracle/Redis数据库存储结构化数据， 采用MongoDB数据库存储非结构化数据。 0101 数据初处理模块， 用于读取多源数据库中的数据并对进行数据初处理， 得到初处 理数据； 0102 其中， 所述数据初处理模块， 用于读取多源数据库中的数据并对进行数据初处理， 包括： 0103 读取每个充电桩/站。

35、的过去一段时间周期Tlast的历史数据； 0104根据获取的历史数据， 对每个充电桩/站定义充电桩历史使用率其中， T 为过去一个月该充电桩/站的正常运行时间， Tu为该充电桩/站的总使用时间。 0105 具体的， 读取多源数据库中的数据并对其进行数据初处理， 包括计算出每个充电 站/桩在最近一段时间周期内的历史使用率和充电高峰时间段等， 并将其处理结果传输至 可持续深度学习动态推荐模块； 在一种实施例中， 可以进行如下操作： 以充电桩为例， 读取 每个充电桩的过去一段时间周期Tlast的数据， 根据获取的历史数据， 对每个充电桩定义充 电桩历史使用率其中T为过去一个月该充电桩的正常运行时间，。

36、 Tu为该充电桩的总 使用时间。 通过将充电桩历史使用率纳入推荐因素， 可有针对性地将用户推荐到实时使用 率较低的充电桩， 因此可以防止充电桩负载不均衡和用户等待时间过长， 一来避免了充电 桩的负载不均衡， 二来可以让用户即来即充， 提升用户体验。 0106 集合筛选模块， 用于读取多源数据库中的数据， 计算出本次推荐任务的待选充电 站/桩集合； 0107 其中， 集合筛选模块， 用于读取多源数据库中的数据， 计算出本次推荐任务的待选 充电站/桩集合， 包括： 0108 判断充电用户是否需要充电； 0109 若是， 则计算预计充电位置， 并根据预计充电位置， 扫描预设范围内的所有充电 说明书 。

37、6/12 页 10 CN 110888908 A 10 站/桩， 为初始待选充电站/桩集合； 0110 对初始待选充电站/桩集合内的充电站/桩与本次推荐任务中车辆数据进行匹配： 0111 判断额定电流是否与本次接收推荐的车辆额定电流一致； 0112 判断充电方式是否与本次接收推荐的车辆充电方式一致； 0113 判断交直流是否一致； 0114 若上述三个判断结果均为肯定， 则将该充电站/桩列入待选充电站/桩集合。 0115 在一优选实施例当中， 在一种实施例中， 可以采用如下操作： 0116 i.首先判断用户是否需要充电： 通过采集到的电动车辆实时剩余电量、 交通路况 数据计算所对应的续驶里程，。

38、 根据电动车辆当前位置数据及用户数据中预设目的地数据计 算所需行驶里程。 根据续航里程和所需行驶里程的关系确定在前往目的地过程中是否需要 充电。 由于路况多变， 续航里程计算存在误差， 可选择的， 可以设定电量的盈余， 默认规定盈 余量在1015， 具体分为下面两种情况： 0117 A.若续航里程大于所需行驶里程， 则未产生充电需求， 因此无需充电推荐， 直接以 当前位置为起始点， 目的地为终点进行路径规划， 导航到目的地即可； 0118 B.若续驶里程小于等于所需行驶里程， 则产生充电需求； 进入步骤ii。 0119 ii.针对于有充电需求的用户， 首先计算预计充电位置： 根据i中的电动车辆。

39、实时 剩余电量、 交通路况数据计算当前最长行驶路径， 对于该路径上的每一个点Pi(Pi(P1,P2, P3.Pn)， 以Pi为圆心， 以R1为半径(例如可预设5公里)， 扫描出一个范围Si， 分布在S1S2 S3.Sn范围内的所有充电站/桩即为待选充电站/桩集合(排除掉正在检修状态的充电 站/桩和已停止运营的充电站/桩)， 接着对该集合内的充电站/桩与本次推荐任务中车辆数 据进行匹配， 在一个可使用的实施例中， 对集合中每一个充电桩(充电站则一一对比该站中 所有的充电桩)， 可进行如下操作： 0120 a)判断额定电流是否与本次接收推荐的车辆额定电流一致； 0121 b)判断充电方式是否与本次。

40、接收推荐的车辆充电方式一致； 0122 c)判断交直流是否一致； 0123 d)以上a， b， c三点要求均一致的， 放进待选充电站/桩集合。 0124 动态推荐模块， 用于接收所述待选充电站/桩集合和所述初处理数据， 针对时间窗 口内不断变化的充电站数据、 充电桩数据、 电动车辆数据、 充电用户数据、 交通路况数据、 天 气数据和环境数据， 引入可持续深度学习机制， 建立充电站/桩动态推荐模型， 计算充电站/ 桩推荐度， 计算出充电站/桩推荐列表， 并将该列表数据传输所述推荐数据接收模块， 以使 所述推荐数据接收模块将该列表数据传输至所述推送及反馈模块， 进而获取使所述反馈数 据传输模块的用。

41、户反馈数据， 并将该用户反馈数据传输至本地知识库中进行知识更新， 实 现可持续动态推荐。 0125 可以理解的是， 接收待选充电站/桩集合和初处理数据， 针对时间窗口内不断变化 的充电站、 充电桩、 电动车辆、 充电用户、 交通路况、 天气、 环境等多源数据， 引入可持续深度 学习机制， 建立充电站/桩动态推荐模型， 计算充电站/桩推荐度， 计算出充电站/桩推荐列 表， 并将该列表数据传输至充电APP的推荐数据接收模块； 除此以外， 该模块在用户做出充 电反馈后会接收充电APP子系统传输的用户反馈数据， 并将其传输至模型的知识库中进行 知识更新， 从而实现可持续动态推荐。 说明书 7/12 页。

42、 11 CN 110888908 A 11 0126 请参阅图2， 图2是本发明实施例中的一种可持续深度学习的充电站/桩推荐系统 部署示意图。 0127 系统由充电站/桩数据采集与传输子系统、 第三方数据采集与传输子系统、 充电推 荐计算子系统和充电APP子系统组成， 分别由充电桩站/桩网关、 车辆及用户数据采集与传 输服务器、 第三方数据采集与传输服务器、 多源数据接收服务器、 多源数据库服务器、 数据 处理与筛选服务器、 动态推荐计算服务器、 充电桩APP组成， 其中， 0128 1)充电站/桩网关： 部署充电站/桩数据采集和信息传输子系统的充电站数据采集 模块、 充电桩数据采集模块、 充。

43、电站/桩数据传输模块， 实现充电站/桩数据采集， 并将其传 输至充电推荐计算子系统的多源数据接收服务器。 0129 2)车辆及用户数据采集与传输服务器： 部署充电APP子系统的车辆数据采集模块、 用户数据采集模块、 车辆及用户数据传输模块， 负责采集车辆和用户数据， 并将传输至充电 推荐计算子系统的多源数据接收服务器。 0130 3)第三方数据采集与传输服务器： 部署第三方数据采集与传输子系统的第三方数 据采集模块和第三方数据传输模块， 采集第三方数据并将其传输至充电推荐计算子系统的 多源数据接收服务器。 0131 4)多源数据接收服务器： 部署充电推荐计算子系统的多源数据接收模块、 多源数 。

44、据存储模块， 负责接收多源数据并将其存储至多源数据库服务器中。 0132 5)多源数据库服务器： 部署多源数据库， 负责保存充电站/桩数据、 车辆数据、 用户 数据和第三方数据。 0133 6)数据初处理与筛选服务器： 部署充电推荐计算子系统的数据初处理模块和集合 筛选模块； 读取多源数据库中的充电站/桩数据、 车辆数据、 用户数据和第三方数据， 对其进 行数据初处理和集合筛选， 并将其传输至动态推荐计算服务器。 0134 7)动态推荐计算服务器： 部署动态推荐模块， 接收数据初处理与筛选服务器传送 的处理数据和待选充电站/桩集合， 利用动态推荐模块计算出推荐列表， 结合充电站/桩历 史使用率。

45、， 计算出最终推荐列表， 并将推荐列表传送至充电APP。 0135 8)充电APP： 部署充电APP子系统的推荐数据接收、 推送及反馈、 反馈数据传输模 块。 提供友好的用户交互界面并接收用户反馈， 将反馈传输至动态推荐模块， 使动态推荐模 块可以实现知识库更新， 从而实现充电站/桩的持续动态推荐。 0136 以上2)7)服务器均支持以集群方式部署， 实现对高并发用户的弹性支撑。 0137 本发明一实施例还提供一种可持续深度学习的充电站/桩推荐方法， 包括： 0138 将获取的多源数据写入多源数据库， 其中， 所述多源数据包括充电桩数据、 电站数 据、 电动车辆数据、 充电用户数据和第三方数据。

46、， 所述第三方数据包括交通路况数据、 天气 数据和环境数据； 0139 读取多源数据库中的数据进行数据初处理， 得到初处理数据； 0140 读取多源数据库中的数据， 计算出本次推荐任务的待选充电站/桩集合； 0141 根据所述待选充电站/桩集合和所述初处理数据， 采用深度神经网络进行动态推 荐计算， 计算出充电站/桩推荐列表； 0142 将该列表数据推送至充电用户终端或车辆终端， 并在完成充电后获取用户反馈数 据， 并根据所述用户反馈数据更新本地知识库中， 实现可持续动态推荐。 说明书 8/12 页 12 CN 110888908 A 12 0143 请参阅图3， 具体的， 所述可持续深度学习。

47、的充电站/桩推荐方法， 包括充电站/桩 数据收集子流程、 车辆与用户数据收集子流程、 第三方数据收集子流程、 推荐与反馈子流 程。 0144 充电站/桩数据收集子流程： 包括充电站/桩数据采集、 充电站/桩数据传输、 充电 站/桩数据收集、 充电站/桩数据入库等4个步骤， 具体为： 0145 充电站/桩数据采集： 充电站/桩数据采集与传输子系统的充电站数据采集模块和 充电桩数据采集模块分别采集充电站数据和充电桩数据， 可以通过部署在充电站和充电桩 上的传感器进行数据采集。 0146 充电站/桩数据传输： 充电站/桩数据采集与传输子系统的充电站/桩数据传输模 块将采集到的充电站/桩信息传输到充电。

48、桩推荐计算子系统的多源数据接收模块。 0147 充电站/桩数据收集： 接收充电站/桩数据并将其传输至充电推荐计算子系统的多 源数据存储模块。 0148 充电站/桩数据入库： 接收充电站/桩数据并按数据类型分别将数据写入多源数据 库， 例如， 将结构化数据写入结构化数据库， 将非结构化数据写入非结构化数据库。 0149 车辆与用户数据收集子流程： 包括车辆数据采集、 用户数据采集、 车辆与用户数据 收集、 车辆与用户数据入库等4个步骤， 其中车辆数据采集和用户数据采集可以并行， 具体 为： 0150 车辆数据采集： 充电APP子系统的车辆数据采集模块采集车辆的信息， 采集方式可 以利用车辆已有的。

49、传感器， 通过连接车辆的TBOX或OBD接口来获得； 或者也可以通过在车 辆上新增传感器来获得。 0151 用户数据采集： 充电APP子系统的用户数据采集模块采集用户数据， 用户数据包括 用户属性、 历史充电记录、 用户充电偏好、 历史充电行为、 用户拥有车辆情况等， 一种可以使 用的数据格式为： 用户ID， 用户性别， 用户驾龄， 用户所属区域、 用户充电次数、 用户充电平 均时长、 用户拥有车辆列表： 车辆1ID， 车辆2ID， 车辆3ID。 0152 车辆与用户数据收集： 将车辆和用户数据传输至充电推荐计算子系统的多源数据 接收模块。 0153 车辆与用户数据入库： 接收车辆和用户数据，。

50、 并将其写入多源数据库， 例如， 将结 构化数据写入结构化数据库， 将非结构化数据写入非结构化数据库。 0154 第三方信息收集子流程： 包括第三方信息采集、 第三方数据收集、 第三方数据入库 等3个步骤， 具体为： 0155 第三方信息采集： 第三方数据采集与传输子系统的第三方数据采集模块采集第三 方数据， 主要包括路况、 天气、 环境数据等， 这些数据可通过第三方软件服务的API获取， 比 如通过高德地图/百度地图实时路况API、 墨迹天气API等进行采集， 采集频率可以设置为一 个可调整的时间间隔， 例如可设置为每隔5分钟采集1次。 0156 第三方数据收集： 第三方数据传输模块将采集到。