一种纯电动公交车充电等候时长的预测方法及装置与流程

1.本发明涉及新能源车辆技术领域，具体涉及一种纯电动公交车充电等候时长的预测方法及装置。


背景技术：

2.公交车辆是城市公共交通的重要组成部分，纯电动公交车无污染、噪声低，对低碳交通有重要意义，其广泛应用是实现节能环保的重要途径。但目前纯电动公交车的续驶里程较短，在运营过程中需要经常进行充电。纯电动公交车充电站一般位于公交场站内部，方便公交车在运营后进行充电。一般来说，场站公交车充电桩配置的数量能够满足一般行驶条件下公交车的充电需求，而当行驶条件改变，如遇到交通拥堵或极寒天气导致单趟运营能耗升高时，公交车的充电频率也随之升高，场站内出现公交车充电排队的现象。上述问题的出现极大的影响了公交车辆的运营效率，给人民群众的出行带来了极大的不便为了解决公交车充电排队的问题，需要对公交车的充电等候现状进行准确评估并进行预测，现有技术中对公交车的充电等候时间的计算主要是通过收集排队高峰期内司机对等候时间的描述，主观性强，准确率低，无法全面准确的定量化评估排队等候时间。现有技术对充电等候时长并无预测方法，无法根据车辆排班对充电等候时长进行预估，易引起充电排队。


技术实现要素：

3.针对现有技术中的问题，本发明实施例提供一种纯电动公交车充电等候时长的预测方法及装置，能够至少部分地解决现有技术中存在的问题。
4.一方面，本发明提出一种纯电动公交车充电等候时长的预测方法，包括：获取车辆调度记录数据或车辆调度计划，所述车辆调度记录数据包括车辆到站时间，所述车辆调度计划包括预计到站时间；将所述车辆调度记录数据或车辆调度计划数据输入充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长；其中，所述充电等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
5.进一步的，所述车辆充电等候数据还包括：温度数据，所述温度数据为所述到站时间当日的平均温度，通过归一化计算得出；所述车辆充电等候数据样本中还包括温度数据，所述温度数据为所述到站时间当日的平均温度，通过归一化计算得出。
6.进一步的，所述归一化计算的公式为：t
’ꢀ
=t-μ/σ其中，t为所述到站时间或所述开始充电时间当日的温度值，t’为所述温度值的归
一化值，μ为数据集中温度的均值，σ为数据集中温度的标准差。
7.进一步的，所述基于车辆充电等候数据样本集训练获得所述充电等候时长预测模型的步骤包括：获取车辆充电等候数据样本集；基于所述车辆充电等候数据样本集对神经网络模型进行训练，获得所述充电等候时长预测模型。
8.进一步的，所述充电等候时长通过以下步骤获得：根据所述开始充电时间对车辆充电场景进行判断，获得车辆充电场景判断结果；根据所述车辆充电场景判断结果、所述到站时间和所述开始充电时间对所述充电等候时长进行计算。
9.进一步的，所述根据所述车辆到站时间及对应的开始充电时间的记录数量对车辆充电场景进行判断，获得车辆充电场景判断结果包括：若判断获知所述车辆本次到站时间及车辆下次到站时间之间的开始充电时间记录数量大于一条，则所述车辆充电场景为第一充电场景；若判断获知所述车辆本次到站时间及车辆下次到站时间之间的开始充电时间记录数量为一条，则所述车辆充电场景为第二充电场景。
10.进一步的，所述根据所述车辆充电场景判断结果、所述到站时间和所述开始充电时间对所述充电等候时长进行计算，包括：若所述车辆充电场景判断结果为第一充电场景，所述充电等候时长为第一条所述开始充电时间与所述到站时间之间的差值；若所述车辆充电场景判断结果为第二充电场景，所述充电等候时长为所述开始充电时间与所述到站时间之间的差值。
11.进一步的，所述将所述车辆调度记录数据或车辆调度计划数据输入充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长包括：若判断获知所述车辆调度记录或车辆调度计划数据的对应日期为工作日，则将所述车辆调度记录数据或车辆调度计划数据输入第一充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长；其中，所述第一充电等候时长预测模型是基于车辆充电等候数据样本集训练获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
12.若判断获知所述车辆调度记录数据或车辆调度计划数据的对应日期为非工作日，则将所述车辆调度记录数据或车辆调度计划数据输入第二充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长；其中，所述第二充电等候时长预测模型是基于车辆充电等候数据样本集训练获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
13.进一步的，所述基于车辆充电等候数据样本集训练获得所述第一充电等候时长预测模型和所述第二充电等候时长预测模型，包括：将所述车辆充电等候数据样本集中的所述车辆充电等候数据样本按照时间进行
分类，获得第一车辆充电等候数据样本集和第二车辆充电等候数据样本集；其中，所述第一车辆充电等候数据样本集包括工作日的车辆充电等候数据样本，所述第二车辆充电等候数据样本集包括非工作日的车辆充电等候数据样本；使用所述第一车辆充电等候数据样本集对神经网络模型进行训练，获得所述第一充电等候时长预测模型；使用所述第二车辆充电等候数据样本集对神经网络模型进行训练，获得所述第二充电等候时长预测模型。
14.另一方面，本发明提供一种纯电动公交车充电等候时长的预测装置，包括：获取单元，用于获取车辆调度记录数据或车辆调度计划数据，所述车辆调度记录数据包括车辆到站时间，所述车辆调度计划包括预计到站时间；预测单元，用于将所述车辆调度记录数据或车辆调度计划数据输入充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长；其中，所述充电等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
15.再一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述纯电动公交车充电等候时长的预测方法的步骤。
16.又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述纯电动公交车充电等候时长的预测方法的步骤。
17.本发明实施例提供的纯电动公交车充电等候时长的预测方法及装置，包括：获取车辆调度记录数据，所述车辆调度记录数据包括车辆到站时间；将所述车辆调度记录数据输入充电等候时长预测模型，输出所述车辆调度记录数据对应的充电等候时长；其中，所述充电等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。通过对车辆运营数据与充电数据的处理分析，实现纯电动公交车的充电等候时长的准确计算，并利用机器学习的方法，对纯电动车到站后的充电等候时间进行准确的预测，实现对纯电动车辆充电排队现状的评估，进而提高纯电动公交车运营效率。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1是本发明一实施例提供的纯电动公交车充电等候时长的预测方法的流程示意图。
19.图2是本发明一实施例提供的基于车辆充电等候数据样本集训练获得充电等候时长预测模型的流程示意图。
20.图3是本发明一实施例提供的获取充电等候时长的流程示意图。
21.图4是本发明实施例提供的车辆运营过程中的典型充电场景示意图。
22.图5是本发明实施例提供的充电等待时长的算法流程示意图。
23.图6是本发明一实施例提供的纯电动公交车充电等候时长的预测方法的流程示意图。
24.图7是本发明一实施例提供的基于车辆充电等候数据样本集训练获得充电等候时长预测模型的流程示意图。
25.图8是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图。
26.图9是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图。
27.图10是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图。
28.图11是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图。
29.图12是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图。
30.图13为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
31.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
32.本发明实施例提供的纯电动公交车充电等候时长的预测方法的执行主体包括但不限于计算机。
33.图1是本发明一实施例提供的纯电动公交车充电等候时长的预测方法的流程示意图，如图1所示，本发明实施例提供的纯电动公交车充电等候时长的预测方法，包括：s101：获取车辆调度记录数据或车辆调度计划，所述车辆调度记录数据包括车辆到站时间，所述车辆调度计划包括预计到站时间；该步骤中，当车辆到站后，获取车辆调度记录数据，在实际运营开始前，获取车辆调度计划。
34.具体的，所述车辆调度记录数据储存于调度系统，所述调度系统会实时记录并储存车辆到站时间等数据，当车辆到达场站后，从所述调度系统中调取需要的所述车辆调度记录数据。所述车辆调度计划储存于调度系统，所述调度系统会储存制定的调度计划，包括车辆预计到站时间。
35.具体的，所述车辆调度记录数据中包括车辆到站时间，所述的车辆调度计划包括预计到站时间。
36.s102：将所述车辆调度记录数据或车辆调度计划数据输入充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长；其中，所述充电
等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
37.该步骤中，将从调度系统中获取的所述车辆调度记录数据或车辆调度计划数据输入充电等候时长预测模型进行充电等候时长的预测，所述充电等候时长预测模型是通过车辆充电等候数据样本集训练后得到的。
38.具体的，在从调度系统中获取车辆到站时间数据后，将所述车辆到站时间输入充电等候时长预测模型，经过所述充电等候时长预测模型的处理，可以得到所述车辆到站时间所对应的充电等候时长，所述充电等候时长，用于对车辆进行运营调度，根据车辆充电等候时长确定车辆到达场站后的后续安排。
39.具体的，所述充电等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集由多个车辆充电等候数据样本构成，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。所述车辆到站时间和所述充电开始时间储存于调度系统和充电系统内。
40.具体的，所述充电等候时长是通过所述车辆到站时间和所述充电开始时间计算得到的。将上述车辆完成一次充电周期内的所述车辆到站时间、所述充电开始时间和计算得到的对应的所述充电等候时长作为一组车辆充电等候数据样本，从调度系统和充电系统中获取相应数量的车辆充电等候数据样本组成所述车辆充电等候数据样本集，所述车辆充电等候数据样本集包括的车辆充电等候数据样本的数量根据实际需要进行设置，本发明实施例不做限定。所述充电等候时长的具体计算过程，见下文所述，此处不进行赘述。
41.本发明实施例提供的纯电动公交车充电等候时长的预测方法，能够通过对车辆运营数据与充电数据的处理分析，实现纯电动公交车的充电等候时长的准确计算，并利用机器学习的方法，对纯电动车到站后的充电等候时间进行准确的预测，实现对纯电动车辆充电排队现状的评估，进而提高纯电动公交车运营效率。
42.在上述各个实施例的基础上，进一步的，所述车辆充电等候数据还包括：温度数据，所述温度数据为所述到站时间当日的平均温度，通过归一化计算得出；所述车辆调度记录数据样本中还包括温度数据，所述温度数据为所述到站时间当日的平均温度，通过归一化计算得出。
43.具体的，由于车辆行驶条件和充电条件发生改变时，车辆充电的频率和充电时间都会产生相应变化，从而影响车辆充电等候时长。
44.例如，当车辆运行环境和/或充电环境的气温降低时，车辆运行的耗电量增加，进而导致车辆充电频率增加，车辆在运营过程中需要频繁充电；在低温环境下，车辆在场站内的充电时间增加等，都会对车辆充电等候时长产生影响。
45.具体的，基于包括温度数据的所述车辆充电等候数据样本训练得到的充电等候时长预测模型，在对充电等待时长进行预测时，从调度系统中获取车辆到站时间和所述车辆到站时间所对应的温度数据，输入所述充电等候时长预测模型，输出对应的车辆等候时长预测结果。
46.具体的，在所述车辆调度记录数据和所述车辆调度记录数据样本中加入温度数据，在对模型进行训练时，考虑了温度对车辆充电的影响，在使用基于包括温度数据的所述
车辆充电等候数据样本训练得到的充电等候时长预测模型对车辆充电等候时长进行预测时，由于输入了车辆到站时间对应的温度数据，可以降低由于温度变化对电池充电的影响，进而导致对充电等候时长预测带来的干扰，增加了充电等候时长预测的准确度。
47.具体的，所述车辆到站时间包括到站日期和到站时刻。
48.例如，所述车辆到站时间格式为2021年11月1日17时30分。
49.具体的，所述温度数据根据所述车辆到站时间中的到站日期确定，所述温度数据为所述到站日期对应的当日平均气温。
50.具体的，为了便于对温度数据进行计算，对所述到站日期对应的当日平均气温进行归一化计算得到所述温度数据。
51.在上述各个实施例的基础上，进一步的，所述归一化计算的公式为：t
’ꢀ
=t-μ/σ其中，t为所述到站时间或所述开始充电时间当日的温度值，t’为所述温度值的归一化值，μ为车辆充电等候数据集中所有温度值的均值，σ为车辆充电等候数据集中所有温度值的标准差。
52.图2是本发明一实施例提供的基于车辆调度记录数据样本集训练获得充电等候时长预测模型的流程示意图，在上述各个实施例的基础上，进一步的，所述基于车辆充电等候数据样本集训练获得所述充电等候时长预测模型的步骤包括：s201：获取车辆充电等候数据样本集；在该步骤中，获取适量的车辆充电等候数据样本组成车辆充电等候数据样本集。
53.具体的，从调度系统和充电系统中获取车辆到站时间、充电开始时间，通过所述车辆到站时间、所述充电开始时间对车辆等候时长进行计算，获得所述车辆等候时长，得到所述车辆充电等候数据样本，将多个所述车辆充电等候数据样本组成车辆充电等候数据样本集。
54.具体的，所述充电等候时长的具体计算过程，见下文所述，此处不进行赘述。
55.s202：基于所述车辆充电等候数据样本集对神经网络模型进行训练，获得所述充电等候时长预测模型。
56.在该步骤中，使用所述车辆充电等候数据样本集对神经网络模型进行训练，得到充电等候时长预测模型。
57.具体的，将所述车辆充电等候数据样本集中的每个车辆到站时间作为训练模型的输入数据，将所述车辆充电等候数据样本集中的每个充电等候时长作为训练模型的输出，对训练模型进行训练。
58.进一步的，步骤s201还可以从调度系统中获取车辆到站时间、充电开始时间，通过所述车辆到站时间、所述充电开始时间对车辆等候时长进行计算，获得所述车辆等候时长，并根据所述车辆到站时间，获得对应的温度数据，得到所述车辆充电等候数据样本，将多个所述车辆充电等候数据样本组成车辆充电等候数据样本集。
59.具体的，所述充电等候时长的具体计算过程，见下文所述，此处不进行赘述。
60.在上述步骤s202的基础上，进一步的，还可以将包含温度数据的所述车辆充电等候数据样本集中的每个车辆到站时间和对应的温度数据作为训练模型的输入数据，将所述车辆充电等候数据样本集中的每个充电等候时长作为训练模型的输出，对训练模型进行训
练。通过加入到站时间对应的温度数据对训练模型进行训练，可以降低由于温度变化对车辆能耗和电池充电的影响，进而导致对充电等候时长预测带来的干扰，增加了充电等候时长预测的准确度。
61.优选的，所述神经网络模型可以采用长短时记忆神经网络模型。
62.图3是本发明一实施例提供的获取充电等候时长的流程示意图，在上述各个实施例的基础上，进一步的，所述充电等候时长通过以下步骤获得：s301：根据所述开始充电时间对车辆充电场景进行判断，获得车辆充电场景判断结果；该步骤中，根据充电开始时间对车辆充电场景进行判断。
63.具体的，由于实际运营中存在多次充电的情况，例如，在一个充电桩处充电中断后又继续充电；在一个充电桩处充电后又转移至另一个充电桩处充电等。每次充电后，调度系统都会记录一次充电开始时间，因此，每个所述车辆充电等候数据样本中的充电开始时间可能为多个。
64.具体的，根据每个所述车辆充电等候数据样本中的充电开始时间的数量对充电场景进行判断，获得充电场景判断结果。
65.图4为本发明实施例提供的车辆运营过程中的典型充电场景示意图，其中，ta（time of arrival)表示车辆到站时间，tc（time of charging）表示充电开始时间，如图4所示，以车辆在运营过程中的典型充电场景为例，对步骤s301进行说明：如图4所示，参见图中ta1、ta2和tc1,车辆存在两条不间断的车辆到站时间记录ta1和ta2，并且在ta2时刻后产生了充电开始时间记录tc1。上述场景表示车辆在ta1时刻第一次到达场站后，并未进行充电，而是直接开始下一轮运营，在该轮运营结束后于ta2时刻到达场站，此时由于电量不足，需要对车辆进行充电，在等待了一定时间后，在tc1时刻开始充电，直至充电完成后投入运营，即车辆多次运营后进行一次充电后继续投入运营。
66.继续以图4为例，如图4所示,参见图中ta5、tc2、tc3，车辆在ta5时刻到站后产生了两条不间断的充电开始时间记录tc2和tc3。上述场景表示车辆在ta5时刻到达场站后，开始排队等待充电，在tc2时刻时，开始了本次到站后的第一次充电，从tc2时刻充电了一定时间后，由于充电桩中断充电后重新连接进行充电或者由于场站内进行车辆充电调度导致更换其他充电桩进行充电等原因，车辆在tc3时刻继续开始充电，充电完成后投入运营。即车辆运营结束后进行多次充电后再次投入运营。
67.继续以图4为例，如图4所示,参见图中ta6、tc4,车辆在ta6时刻到达场站并排队等待充电一段时间后，在tc4时刻，开始本次到站后第一次充电，在充电完成后投入运营，即车辆一次运营结束后进行一次充电后再次投入运营，由于本场景下车辆到达场站后仅进行一次充电即投入运营，本场景可以视为上述多次运营后进行一次充电后继续投入运营的场景集合的子集。
68.s302：根据所述车辆充电场景判断结果、所述到站时间和所述开始充电时间对所述充电等候时长进行计算。
69.该步骤中，根据s301中对充电场景的判断结果，使用所述到站时间和所述开始充电时间计算充电等候时长具体的，充电等候时长为所述充电开始时间与所述到站时间之间的差值。
70.在上述各个实施例的基础上，进一步的，所述根据所述车辆到站时间及对应的开始充电时间的记录数量对车辆充电场景进行判断，获得车辆充电场景判断结果包括：若判断获知所述车辆本次到站时间及车辆下次到站时间之间的开始充电时间记录数量大于一条，则所述车辆充电场景为第一充电场景；若判断获知所述车辆本次到站时间及车辆下次到站时间之间的开始充电时间记录数量为1条，则所述车辆充电场景为第二充电场景。
71.具体的，若判断获知一个车辆充电等候数据样本中的开始充电时间大于一个且所述各个开始充电时间之间不存在其他车辆到站时间的记录，则表明车辆到站后多次进行充电，出现多个充电开始时间是由于车辆出现在一个充电桩处充电时中断后又继续充电的或者出现在一个充电桩处充电后又前往另一充电桩处进行充电等多次充电的情况，判定此时车辆的充电场景为第一充电场景。
72.具体的，若判断获知一个车辆充电等候数据样本中仅存在一条开始充电时间，则表明车辆到站后在一个充电桩处进行充电，并且完成整个充电流程，不存在多次充电的情况，判定此时车辆的充电场景为第二充电场景。
73.继续以图4为例，如图4所示,参见图中ta5、tc2、tc3部分内容，即前述车辆运营结束后进行多次充电后再次投入运营的场景，由于此时车辆的充电场景中包含多条充电开始时间记录，因此此时的车辆充电场景为第一充电场景。
74.仍以图4为例，参见图中ta1、ta2和tc1部分内容，即前述车辆多次运营后进行一次充电后继续投入运营的场景，此时车辆的充电场景中仅有一条充电开始时间记录tc1，因此此时的车辆充电场景为第二充电场景。
75.参见图4中的ta6、tc4,部分内容，即即车辆一次运营结束后进行一次充电后再次投入运营的场景，如前所述，本场景可以视为上述多次运营后进行一次充电后继续投入运营的场景集合的子集，因此此时的车辆充电场景为也第二充电场景。
76.在上述各个实施例的基础上，进一步的，所述根据所述车辆充电场景判断结果、所述到站时间和所述开始充电时间对所述充电等候时长进行计算，包括：若所述车辆充电场景判断结果为第一充电场景，所述充电等候时长为第一个所述开始充电时间与所述到站时间之间的差值；若所述车辆充电场景判断结果为第二充电场景，所述充电等候时长为所述开始充电时间与所述到站时间之间的差值。
77.具体的，若判断获知车辆充电场景为第一充电场景，该组车辆充电等候数据样本是车辆到站后进行多次充电的数据样本，充电等候时长计算中的开始充电时间取多个充电开始时间中最早出现的开始充电时间。
78.具体的，若判断获知车辆充电场景为第二充电场景，该组车辆调度记录数据样本是车辆到站后只进行一次充电的数据样本，此时充电等候时长计算中的开始充电时间为该次充电的开始充电时间。
79.图5为本发明实施例提供的充电等待时长的算法流程示意图，其中，taj（time of arrival)表示车辆到站时间，j=1
…
n；tci（time of charging）表示充电开始时间，i=1
…
n；“《”代表前一个时间早于后一个时间，
ꢀ“
》”代表前一个时间晚于后一个时间。
80.如图5所示，对于第一次充电tc1，若tc1《ta2，则说明车辆运营一次之后即去充电，
属于第二充电场景中运营一次后即进行一次充电，由此可得第一次充电等待时间为tc1与ta1的时间差值（t1=tc
1-ta1），等候时间值t1为到达时间ta1的等待时长；若tc1》ta2，则说明车辆在运营一次之后并没有充电，而是继续投入运营，tc1》ta3、tc1》ta4时同理，即多次运营且并未进行充电。直到有tc1《ta
j+1
，则说明在运营j次后充了第一次电，可得第一次充电等待时间t1=tc
1-taj，该等候时间值t1为到达时间taj的充电等候时长；对与后续进行的充电，当tci《 ta
j+1
，说明第i-1次充电后车辆并未投入运营，而是紧接着进行了第i次充电，属于运营结束后进行多次充电后再次投入运营的第一充电场景，这次的充电记录产生可能是由于充电中断继续充电，或者是由于两个充电枪进行充电的分别记录，因此第i次充电开始时间的记录并不用于计算充电等待时间。
81.对于最后一次充电，如果属于运营结束后进行多次充电后再次投入运营的第一充电场景，则没有对应的充电等待时长；如果属于运营一次或多次之后进行一次充电的第二充电场景，则当tci》taj》tc
i-1
时，说明车辆在第j次运营后充电，第i次充电等待时长为ti=tc
i-taj。
82.通过对车辆到站后进行依次充电或者多次充电的场景进行判断后，根据不同充电场景计算充电等候时长，使得充电等候时长的计算更加准确，使用更准确的充电等候时长对模型进行训练，提高了对充电等候时长预测的准确性，从而更高效地对车辆进行运营调度。
83.图6是本发明一实施例提供的纯电动公交车充电等候时长的预测方法的流程示意图，在上述各个实施例的基础上，进一步的，所述将所述车辆调度记录数据输入充电等候时长预测模型，输出所述车辆调度记录数据对应的充电等候时长包括：s601：若判断获知所述车辆调度记录数据或车辆调度计划数据的对应日期为工作日，则将所述车辆调度记录数据或车辆调度计划数据输入第一充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长；其中，所述第一充电等候时长预测模型是基于的车辆充电等候数据样本集训练获得的，所述的车辆充电等候数据样本集中包括的车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长；该步骤中，判断获知所述车辆调度记录数据的对应日期为工作日，将所述车辆调度记录数据输入用于预测工作日的充电等候时长的第一充电等候时长预测模型进行充电等候时长的预测，输出所述车辆调度记录数据对应的充电等候时长。
84.具体的，若判断获知所述车辆调度记录数据的对应日期为工作日，则将所述车辆调度记录数据输入第一充电等候时长预测模型，对工作日的充电等候时长进行预测，输出所述车辆调度记录数据对应的充电等候时长；其中，所述第一充电等候时长预测模型是使用工作日的车辆充电等候数据样本集训练获得的，所述车辆充电等候数据样本集中包括工作日的车辆充电等候数据样本，每个所述工作日的车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
85.s602：若判断获知所述车辆调度记录数据或车辆调度计划数据的对应日期为非工作日，则将所述车辆调度记录数据或车辆调度计划数据输入第二充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长；其中，所述第二充电等候时长预测模型是基于车辆充电等候数据样本集训练获得的，所述车辆充电等候数据
样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
86.该步骤中，判断获知所述车辆调度记录数据的对应日期为非工作日，将所述车辆调度记录数据输入用于预测非工作日的充电等候时长的第二充电等候时长预测模型进行充电等候时长的预测，输出所述车辆调度记录数据对应的充电等候时长。
87.具体的，若判断获知所述车辆调度记录数据的对应日期为非工作日，则将所述车辆调度记录数据输入第二充电等候时长预测模型，对非工作日的充电等候时长进行预测，输出所述第二车辆调度记录数据对应的充电等候时长；其中，所述第二充电等候时长预测模型是使用非工作日的车辆充电等候数据样本集训练获得的，所述非工作日的车辆充电等候数据样本集中包括非工作日的车辆充电等候数据样本，每个所述非工作日的车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
88.具体的，公交车辆在工作日和周末的运营特点不同，工作日时对公交车辆运力需求较高，公交车辆运营次数频繁；而在周末时由于对公交车辆运力需求较低，公交车辆运行频率较低。因此将所述车辆调度记录数据按照日期进行拆分，将所述工作日和所述非工作日的充电等候时长分别使用相对应的充电等候时长预测模型进行预测，提高了预测结果的准确性。
89.图7是本发明一实施例提供的基于车辆充电等候数据样本集训练获得充电等候时长预测模型的流程示意图，在上述各个实施例的基础上，进一步的，所述基于车辆充电等候数据样本集训练获得所述第一充电等候时长预测模型和所述第二充电等候时长预测模型，包括：s701：将所述车辆充电等候数据样本集中的所述车辆充电等候数据样本按照时间进行分类，获得第一车辆充电等候数据样本集和第二车辆充电等候数据样本集；其中，所述第一车辆充电等候数据样本集包括工作日的车辆充电等候数据样本，所述第二车辆充电等候数据样本集包括非工作日的车辆充电等候数据样本；该步骤中，车辆充电等候数据样本集中的所述车辆充电等候数据样本按照时间进行分类。
90.具体的，将所述车辆充电等候数据样本集中的所述车辆充电等候数据样本根据到站时间对应的日期是工作日或者非工作日进行分类，获得第一车辆充电等候数据样本集，即工作日的车辆充电等候数据样本集和第二车辆充电等候数据样本集，即非工作日的车辆充电等候数据样本集。
91.例如，所述到站时间对应的日期为2021年12月27日星期一，则所述到站时间所在的车辆充电等候数据样本应当属于第一车辆充电等候数据样本集，即工作日的车辆充电等候数据样本集。
92.再例如，所述到站时间对应的日期为2021年12月26日星期日，则所述到站时间所在的车辆充电等候数据样本应当属于第二车辆充电等候数据样本集，即非工作日的车辆充电等候数据样本集。
93.s702：使用所述第一车辆充电等候数据样本集对神经网络模型进行训练，获得所述第一充电等候时长预测模型；使用所述第二车辆充电等候数据样本集对神经网络模型进行训练，获得所述第二充电等候时长预测模型。
94.该步骤中，使用按照时间进行分类的车辆充电等候数据样本组成的车辆充电等候数据样本集对神经网络模型进行模型训练，获得对应的充电等候时长预测模型。
95.具体的，使用第一车辆充电等候数据样本集，即工作日的车辆充电等候数据样本集对神经网络模型进行训练，得到第一充电等候时长预测模型，即工作日的充电等候时长预测模型。
96.具体的，使用第二车辆充电等候数据样本集，即非工作日的车辆充电等候数据样本集对神经网络模型进行训练，得到第二充电等候时长预测模型，即非工作日的充电等候时长预测模型。
97.优选的，所述神经网络模型可以采用长短时记忆神经网络模型。
98.通过分别使用基于工作日的车辆调度数据集训练得到的第一充电等候时长预测模型和使用基于非工作日的车辆调度数据集训练得到的第二充电等候时长预测模型对工作日和非工作日的车辆等候时长进行预测，根据公交车工作日和非工作日运行的特点，选取不同的充电等候时长预测模型进行预测，提高了车辆等候时长预测的准确性。
99.图8是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图，如图8所示，本发明实施例提供的纯电动公交车充电等候时长的预测装置包括获取单元801用于获取车辆调度记录数据或车辆调度计划数据，所述车辆调度记录数据包括车辆到站时间，所述车辆调度计划数据包括车辆计划到站时间；预测单元802，用于将所述车辆调度记录数据或车辆调度计划数据输入充电等候时长预测模型，输出所述车辆调度记录数据或车辆调度计划数据对应的充电等候时长；其中，所述充电等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。其中：获取单元801在车辆到站后，获取车辆调度记录数据。
100.预测单元802将从调度系统中获取的所述车辆调度记录数据输入充电等候时长预测模型进行充电等候时长的预测，所述充电等候时长预测模型是通过车辆充电等候数据样本集训练后得到的。
101.图9是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图，如图9所示，在上述各个实施例的基础上，进一步的，所述纯电动公交车充电等候时长的预测装置还包括充电等候时长预测模型训练单元，所述充电等候时长预测模型训练单元包括获取子单元901，用于获取车辆充电等候数据样本集；训练子单元702，用于基于车辆充电等候数据样本集对神经网络模型进行训练，获得所述充电等候时长预测模型。其中：获取子单元901从调度系统中获取适量的车辆调度数据样本组成车辆充电等候数据样本集。
102.训练子单元902基于所述车辆充电等候数据样本集对神经网络模型进行训练，获得所述充电等候时长预测模型。
103.图10是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图，如图10所示，在上述各个实施例的基础上，进一步的，获取子单元901还包括充电等候时长计算单元，所述充电等候时长计算单元包括场景判断子单元1001，用于根据所述开始充电时间对车辆充电场景进行判断，获得车辆充电场景判断结果；计算子单元1002，用于根
据所述车辆充电场景判断结果、所述到站时间和所述开始充电时间对所述充电等候时长进行计算。其中：场景判断子单元1001根据充电开始时间对车辆充电场景进行判断。
104.计算子单元1002根据所述车辆充电场景判断结果、所述到站时间和所述开始充电时间对所述充电等候时长进行计算。
105.图11是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图，如11所示，在上述各个实施例的基础上，进一步的，预测单元802包括第一预测子单元8021，用于判断获知所述车辆调度记录数据的对应日期为工作日，则将所述车辆调度记录数据输入第一充电等候时长预测模型，输出所述车辆调度记录数据对应的充电等候时长；其中，所述第一充电等候时长预测模型是基于车辆调度记录数据样本集训练获得的，所述车辆调度记录数据样本集中包括车辆调度记录数据样本，每个所述车辆调度记录数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长；第二预测子单元8022，用于判断获知所述车辆调度记录数据的对应日期为非工作日，则将所述车辆调度记录数据输入第二充电等候时长预测模型，输出所述第二车辆调度记录数据对应的充电等候时长；其中，所述第二充电等候时长预测模型是基于车辆充电等候数据样本集训练获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。其中：第一预测子单元8021判断获知所述车辆调度记录数据的对应日期为工作日，将所述车辆调度记录数据输入用于预测工作日的充电等候时长的第一充电等候时长预测模型进行充电等候时长的预测，输出所述车辆调度记录数据对应的充电等候时长。
106.第二预测子单元8022判断获知所述车辆调度记录数据的对应日期为非工作日，将所述车辆调度记录数据输入用于预测非工作日的充电等候时长的第二充电等候时长预测模型进行充电等候时长的预测，输出所述车辆调度记录数据对应的充电等候时长。
107.图12是本发明一实施例提供的纯电动公交车充电等候时长的预测装置的结构示意图，如图12所示，在上述各个实施例的基础上，进一步的，所述充电等候时长预测模型训练单元还包括分类子单元1201，用于将所述车辆充电等候数据样本集中的所述车辆充电等候数据样本按照时间进行分类，获得第一车辆充电等候数据样本集和第二车辆充电等候数据样本集；其中，所述第一车辆充电等候数据样本集包括工作日的车辆充电等候数据样本，所述第二车辆充电等候数据样本集包括非工作日的车辆充电等候数据样本；分类子单元1201将车辆充电等候数据样本集中的所述车辆充电等候数据样本按照时间进行分类。
108.训练子单元902使用分类子单元1201分类后的车辆充电等候数据样本集分别对神经网络模型进行训练，获得相应的充电等候时长预测模型。
109.本发明实施例提供的服务器的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
110.图13为本发明一实施例提供的电子设备的实体结构示意图，如图13所示，该电子设备可以包括：处理器(processor)1301、通信接口(communications interface)1302、存储器(memory)1103和通信总线1304，其中，处理器1301，通信接口1302，存储器1303通过通信总线1304完成相互间的通信。处理器1301可以调用存储器1303中的逻辑指令，以执行如
下方法：获取车辆调度记录数据，所述车辆调度记录数据包括车辆到站时间；将所述车辆调度记录数据输入充电等候时长预测模型，输出所述车辆调度记录数据对应的充电等候时长；其中，所述充电等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
111.此外，上述的存储器1303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
112.本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取车辆调度记录数据，所述车辆调度记录数据包括车辆到站时间；将所述车辆调度记录数据输入充电等候时长预测模型，输出所述车辆调度记录数据对应的充电等候时长；其中，所述充电等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
113.本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取车辆调度记录数据，所述车辆调度记录数据包括车辆到站时间；将所述车辆调度记录数据输入充电等候时长预测模型，输出所述车辆调度记录数据对应的充电等候时长；其中，所述充电等候时长预测模型是基于车辆充电等候数据样本集训练后获得的，所述车辆充电等候数据样本集中包括车辆充电等候数据样本，每个所述车辆充电等候数据样本中包括车辆到站时间、至少一个开始充电时间和充电等候时长。
114.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
115.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
116.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
117.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
118.在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
119.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。