预测模型构建方法和相关装置与流程

本申请涉及智能车技术领域，尤其涉及一种预测模型构建方法和相关装置。

背景技术：

在能源危机和气候变化的背景下，电动汽车、混合动力汽车以及其他电动代步工具相关产业得到快速发展。可以想象，以动力电池(特别是锂电池)为动力来源的代步工具将成为未来人们出行工具的主流。汽车的充电时间信息作为一个重要的提升用户体验的功能是汽车的必备功能。

由于汽车充电时间和很多因素相关而且呈现出复杂的非线性关系，因此难以在汽车本地利用预测模型进行充电时间预测。因此，基于充电样本数据，采用大数据+机器学习的方式，在远程服务器集中训练建立充电电压电流等特征与充电时间关系模型(即充电时间预测模型)的方式得到了流行。通常，如果一款汽车的保有量以数十万记，加上历史充电信息数据和数据重采样的方法，对于一款汽车的充电时间预测机器学习模型的样本可达上亿条。同时，由于不同型号电池的特性不同，因此需要对每个型号的电池都建立相应的模型，加上训练和更新的计算消耗，即使是在云端计算资源丰富的条件下也需要较长的时间，对于实现这样一个并非很复杂的功能来说性价比不高。因此，需要研究性价比更高、资源开销更小的方法。

技术实现要素：

本申请实施例公开了一种预测模型构建方法和相关装置，采用分布式训练预测模型，通过利用终端设备的计算资源来减少远程服务端设备的资源消耗，能够有效提高整体的资源利用率。

第一方面，本申请实施例提供了一种预测模型构建方法，该方法包括：终端设备采集第一数据，所述第一数据为实现预测任务所需的数据；所述终端设备将第一特征数据输入至第一预测模型进行预测处理以得到第一子更新数据；所述第一特征数据为对所述第一数据进行特征提取得到的特征数据；所述第一预测模型用于实现所述预测任务；所述终端设备将所述第一子更新数据发送给远程服务端设备，所述第一子更新数据用于所述远程服务端设备更新所述第一预测模型以得到第二预测模型。

终端设备可以是电动汽车、电动自行车、手机、平板电脑等可执行预测任务(例如预测电池完成充电所需的时长)的设备。示例性的，终端设备为安装有可充电电池的电动汽车，所述第一数据为电动汽车采集的可充电电池在充电过程中的充电数据。例如充电数据可包括电动汽车的已行驶里程、当前电池电荷状态(stateofcharge，soc)、电池温度、时间、充电电压、充电电流、电池型号等。示例性的，所述预测任务为预测所述终端设备上的可充电电池充满电所需的时长。示例性的，所述第一子更新数据为利用将第一特征数据输入至第一预测模型进行预测处理得到的预测结果(例如预测的充电时长)和真实结果(例如真实的充电时长)，计算得到的第一预测模型的损失函数的梯度；所述第一子更新数据可用于更新所述第一预测模型。可选的，所述第一子更新数据用于与多个其他子更新数据被合并处理得到第一更新数据，该第一更新数据用于所述远程服务端设备更新所述第一预测模型以得到第二预测模型。一个完整的训练预测模型的过程的举例如下：100个终端设备将各自得到的用于更新第一预测模型的第一子更新数据发送至远程服务端设备；该远程服务端设备利用这些第一子更新数据来更新第一预测模型以得到第二预测模型；该远程服务端设备将该第二预测模型发送给该100个终端设备；该100个终端设备将各自得到的用于更新第二预测模型的第二子更新数据发送至该远程服务端设备；该远程服务端设备利用这些第二子更新数据来更新第二预测模型以得到第三预测模型；依此类推，最终远程服务端设备训练得到目标预测模型(即收敛的预测模型)。在实际应用中，终端设备往往有大量闲置的计算资源，将一部分预测模型的训练操作交由终端设备完成，可以有效利用终端设备闲置的计算资源，并减少远程服务端设备的资源消耗。

本申请实施例中，终端设备完成一部分模型训练任务(即执行训练预测模型的部分操作)，远程服务端设备完成另一部模型训练任务，可以减少远程服务端设备的资源消耗，并有效提高整体的资源利用率。

在一个可选的实现方式中，所述终端设备包括可充电电池，所述第一数据包括所述终端设备采集的所述可充电电池的第m次充电过程的充电数据；所述终端设备将第一特征数据输入至第一预测模型进行预测处理以得到第一子更新数据包括：所述终端设备将所述第一特征数据输入至所述第一预测模型进行预测处理，得到第一充电时长；所述第一充电时长为利用所述第一预测模型预测的所述第m次充电过程的时长；利用所述第一充电时长和第二充电时长，计算得到所述第一预测模型的损失函数的梯度；所述第二充电时长为所述第m次充电所用的时长，所述第一预测模型的损失函数的梯度包含于所述第一子更新数据。

第一充电时长为第一预测模型利用由可充电电池的第m次充电过程的充电数据提取的特征数据，预测的第m次充电的时长，第二充电时长为第m次充电真实的充电时长。可选的，利用所述第一充电时长和第二充电时长，计算得到所述第一预测模型的损失函数的梯度的公式如下：

其中，表示第一预测模型的损失函数的梯度，xik表示第一特征数据，t表示第一充电时长，θ表示第一预测模型的参数向量，l(xik,t,θ)表示第一预测模型预测得到的第一充电时长对应的损失值，k表示第m次充电过程的充电数据的编号。可选的，其中，tik表示第一充电时长，表示第二充电时长。在该实现方式中，利用第一充电时长和第二充电时长，可以快速、准确地计算得到用于更新第一预测模型的梯度，进而提高训练第一预测模型的效率。

在一个可选的实现方式中，所述终端设备将第一特征数据输入至第一预测模型进行预测处理以得到第一子更新数据之前，所述方法还包括：所述终端设备接收来自所述远程服务端设备的第一预测模型信息，所述第一预测模型信息包括所述第一预测模型或者所述第一预测模型信息用于构建所述第一预测模型。

在该实现方式中，终端设备接收来自远程服务端设备的第一预测模型信息，以便于利用该第一预测模型信息快速、准确地构建第一预测模型，实现简单。

在一个可选的实现方式中，所述终端设备将所述第一子更新数据发送给远程服务端设备之后，所述方法还包括：所述终端设备接收来自所述远程服务端设备的第二预测模型信息，所述第二预测模型信息包括所述第二预测模型或者所述第二预测模型信息用于构建所述第二预测模型；根据所述第二预测模型信息将所述第一预测模型更新为所述第二预测模型。

第一预测模型可以理解为初始化的预测模型，第二预测模型可以理解经过至少一次迭代更新的预测模型。在该实现方式中，终端设备将第一预测模型更新为第二预测模型，可以使得终端设备上的预测模型与远程服务端设备上的预测模型保持一致，以便于远程服务端设备利用来自终端设备的子更新数据更新远程服务端设备上的预测模型。

在一个可选的实现方式中，所述方法还包括：所述终端设备向所述远程服务端设备发送电池充电时间预测服务请求；所述终端设备接收来自所述远程服务端设备的充电时间预测结果；所述充电时间预测结果包括所述终端设备中的可充电电池完成充电所需的时长。

由于远程服务端设备通常具备终端设备无法比拟的计算优势，远程服务端设备可以更快更准确地预测终端设备中的可充电电池完成充电所需的时长。在该实现方式中，终端设备通过向远程服务端设备发送电池充电时间预测服务请求，来获得可充电电池完成充电所需的时长，可以快速得到较准确的充电时长预测结果。

在一个可选的实现方式中，所述方法还包括：所述终端设备接收来自所述远程服务端设备的目标预测模型信息，所述目标预测模型信息包括所述目标预测模型或者所述目标预测模型信息用于构建所述目标预测模型；所述终端设备利用所述目标预测模型预测所述可充电电池完成充电所需的充电时长。

在该实现方式中，终端设备利用目标预测模型预测可充电电池完成充电所需的充电时长，不必占用远程服务端设备的计算资源，还能减少信令交互。

在一个可选的实现方式中，所述目标预测模型为所述远程服务端设备利用两个或两个以上第一子更新数据训练所述第一预测模型得到的，所述两个或两个以上第一子更新数据包含所述第一子更新数据且来自两个或两个以上设备。

目标预测模型为远程服务端设备训练第一预测模型，最终得到的预测模型，即收敛的预测模型。在实际应用中，远程服务端设备可以利用来自不同终端设备的子更新数据来更新第一预测模型，既可以将一些计算任务转给终端设备完成，又能通过这种并行的方式加快训练预测模型的速度。

第二方面，本申请实施例提供了另一种预测模型构建方法，该方法包括：远程服务端设备接收两个或两个以上第一子更新数据，所述两个或两个以上第一子更新数据来自两个或两个以上终端设备；所述两个或两个以上第一子更新数据为所述两个或两个以上终端设备利用第一预测模型训练得到的，所述第一预测模型用于实现预测任务；所述远程服务端设备利用所述两个或两个以上第一子更新数据更新所述第一预测模型，得到第二预测模型。

本申请实施例中，远程服务端设备利用两个或两个以上第一子更新数据更新第一预测模型，得到第二预测模型，可以减少自身计算资源的消耗。

在一个可选的实现方式中，所述两个或两个以上第一子更新数据包括来自第一终端设备的第一子更新数据，所述第一子更新数据由所述第一终端设备将第一特征数据输入至所述第一预测模型进行预测处理的预测结果得到，所述第一特征数据为对所述第一终端设备采集的第一数据进行特征提取得到的特征数据，所述第一终端设备包括可充电电池，所述第一数据包括所述终端设备采集的所述可充电电池的第m次充电过程的充电数据。

在一个可选的实现方式中，所述第一子更新数据包括所述第一终端设备利用第一充电时长和第二充电时长，计算得到的所述第一预测模型的损失函数的梯度；所述第一充电时长为所述第m次充电所用的时长，所述第二充电时长为所述第一终端设备将所述第一特征数据输入至所述第一预测模型进行预测处理，预测得到的充电时长。

在该实现方式中，利用第一充电时长和第二充电时长，可以快速、准确地计算得到用于更新第一预测模型的梯度，进而提高训练第一预测模型的效率。

在一个可选的实现方式中，所述两个或两个以上第一子更新数据包括至少两个梯度，所述至少两个梯度中的每个梯度由所述两个或两个以上终端设备中的任一个终端设备利用基于所述第一预测模型预测得到的充电时长和真实充电时长计算得到；所述远程服务端设备利用所述两个或两个以上第一子更新数据更新所述第一预测模型，得到第二预测模型包括：所述远程服务端设备对所述至少两个梯度进行梯度聚合，得到第一聚合梯度；所述远程服务端设备利用所述第一聚合梯度更新所述第一预测模型，得到所述第二预测模型。

可选的，远程服务端设备对所述至少两个梯度进行梯度聚合可采用的公式如下：

其中，表示第一聚合梯度，表示编号为i的终端设备上传的梯度，n表示进行梯度聚合的梯度的数量，n为大于1的整数。在该实现方式中，通过梯度聚合的方式对来自不同终端设备的梯度进行聚合，并利用得到的第一聚合梯度更新第一预测模型，以便于更新后的预测模型适用于各终端设备。

在一个可选的实现方式中，所述远程服务端设备接收两个或两个以上第一子更新数据之前，所述方法还包括：所述远程服务端设备向所述两个或两个以上终端设备发送第一预测模型信息，所述第一预测模型信息包括所述第一预测模型或者所述第一预测模型信息用于构建所述第一预测模型。

在该实现方式中，远程服务端设备向所述两个或两个以上终端设备发送第一预测模型信息，以便于终端设备利用该第一预测模型信息快速、准确地构建第一预测模型，实现简单、信令消耗少。

在一个可选的实现方式中，所述远程服务端设备利用所述两个或两个以上第一子更新数据更新所述第一预测模型，得到第二预测模型之后，所述方法还包括：所述远程服务端设备向所述两个或两个以上终端设备发送第二预测模型信息，所述第二预测模型信息包括所述第二预测模型或者所述第二预测模型信息用于构建所述第二预测模型。

在该实现方式中，远程服务端设备向所述两个或两个以上终端设备发送第二预测模型信息，可以使得终端设备上的预测模型与远程服务端设备上的预测模型保持一致，这样远程服务端设备才能利用来自终端设备的子更新数据来更新远程服务端设备上的预测模型。

在一个可选的实现方式中，所述远程服务端设备利用所述两个或两个以上第一子更新数据更新所述第一预测模型，得到第二预测模型之后，所述方法还包括：所述远程服务端设备接收来自第一终端设备或移动设备的电池充电时间预测服务请求，所述移动设备和所述第一终端设备具备绑定关系；所述远程服务端设备通过所述第二预测模型预测所述第一终端设备中的可充电电池完成充电所需的时长，得到充电时间预测结果；所述远程服务端设备向所述第一终端设备或所述移动设备发送所述充电时间预测结果。可选的，第一终端设备为电动汽车、电动自行车等电动代步工具。移动设备为手机、平板电脑、可穿戴设备等具备通信功能的设备。

在该实现方式中，远程服务端设备在接收到来自第一终端设备或移动设备的电池充电时间预测服务请求后，向第一终端设备发送充电时间预测结果，可以使得终端设备及时得到充电时长的预测结果。

第三方面，本申请实施例提供了一种终端设备，包括：数据采集单元，用于集第一数据，所述第一数据为实现预测任务所需的数据；信息计算单元，用于将第一特征数据输入至第一预测模型进行预测处理以得到第一子更新数据；所述第一特征数据为对所述第一数据进行特征提取得到的特征数据；所述第一预测模型用于实现所述预测任务；信息交互单元，用于将所述第一子更新数据发送给远程服务端设备，所述第一子更新数据用于所述远程服务端设备更新所述第一预测模型以得到第二预测模型。

在一个可选的实现方式中，所述终端设备包括可充电电池，所述第一数据包括所述终端设备采集的所述可充电电池的第m次充电过程的充电数据；所述信息计算单元，具体用于将所述第一特征数据输入至所述第一预测模型进行预测处理，得到第一充电时长；所述第一充电时长为利用所述第一预测模型预测的所述第m次充电过程的时长；利用所述第一充电时长和第二充电时长，计算得到所述第一预测模型的损失函数的梯度；所述第二充电时长为所述第m次充电所用的时长，所述第一预测模型的损失函数的梯度包含于所述第一子更新数据。

在一个可选的实现方式中，所述信息交互单元，还用于接收来自所述远程服务端设备的第一预测模型信息，所述第一预测模型信息包括所述第一预测模型或者所述第一预测模型信息用于构建所述第一预测模型。

在一个可选的实现方式中，所述信息交互单元，还用于接收来自所述远程服务端设备的第二预测模型信息，所述第二预测模型信息包括所述第二预测模型或者所述第二预测模型信息用于构建所述第二预测模型；所述信息计算单元，还用于根据所述第二预测模型信息将所述第一预测模型更新为所述第二预测模型。

在一个可选的实现方式中，所述设备还包括：服务请求单元，用于生成电池充电时间预测服务请求；所述信息交互单元，用于向所述远程服务端设备发送所述电池充电时间预测服务请求；接收来自所述远程服务端设备的充电时间预测结果；所述充电时间预测结果包括所述终端设备中的可充电电池完成充电所需的时长。

在一个可选的实现方式中，所述信息交互单元，还用于接收来自所述远程服务端设备的目标预测模型信息，所述目标预测模型信息包括所述目标预测模型或者所述目标预测模型信息用于构建所述目标预测模型；所述信息计算单元，还用于利用所述目标预测模型预测所述可充电电池完成充电所需的充电时长。

在一个可选的实现方式中，所述目标预测模型为所述远程服务端设备利用两个或两个以上第一子更新数据训练所述第一预测模型得到的，所述两个或两个以上第一子更新数据包含所述第一子更新数据且来自两个或两个以上设备。

第四方面，本申请实施例提供了一种远程服务端设备，包括：信息交互单元，用于接收两个或两个以上第一子更新数据，所述两个或两个以上第一子更新数据来自两个或两个以上终端设备；所述两个或两个以上第一子更新数据为所述两个或两个以上终端设备利用第一预测模型训练得到的，所述第一预测模型用于实现预测任务；模型构建单元，用于利用所述两个或两个以上第一子更新数据更新所述第一预测模型，得到第二预测模型。

在一个可选的实现方式中，所述两个或两个以上第一子更新数据包括来自第一终端设备的第一子更新数据，所述第一子更新数据由所述第一终端设备将第一特征数据输入至所述第一预测模型进行预测处理的预测结果得到，所述第一特征数据为对所述第一终端设备采集的第一数据进行特征提取得到的特征数据，所述第一终端设备包括可充电电池，所述第一数据包括所述终端设备采集的所述可充电电池的第m次充电过程的充电数据。

在一个可选的实现方式中，所述第一子更新数据包括所述第一终端设备利用第一充电时长和第二充电时长，计算得到的所述第一预测模型的损失函数的梯度；所述第一充电时长为所述第m次充电所用的时长，所述第二充电时长为所述第一终端设备将所述第一特征数据输入至所述第一预测模型进行预测处理，预测得到的充电时长。

在一个可选的实现方式中，所述两个或两个以上第一子更新数据包括至少两个梯度，所述至少两个梯度中的每个梯度由所述两个或两个以上终端设备中的任一个终端设备利用基于所述第一预测模型预测得到的充电时长和真实充电时长计算得到；所述模型构建单元，具体用于对所述至少两个梯度进行梯度聚合，得到第一聚合梯度；利用所述第一聚合梯度更新所述第一预测模型，得到所述第二预测模型。

在一个可选的实现方式中，所述信息交互单元，还用于向所述两个或两个以上终端设备发送第一预测模型信息，所述第一预测模型信息包括所述第一预测模型或者所述第一预测模型信息用于构建所述第一预测模型。

在一个可选的实现方式中，所述信息交互单元，还用于向所述两个或两个以上终端设备发送第二预测模型信息，所述第二预测模型信息包括所述第二预测模型或者所述第二预测模型信息用于构建所述第二预测模型。

在一个可选的实现方式中，所述信息交互单元，还用于接收来自第一终端设备或移动设备的电池充电时间预测服务请求，所述移动设备和所述第一终端设备具备绑定关系；预测服务单元，用于通过所述第二预测模型预测所述可充电电池完成充电所需的时长，得到充电时间预测结果；所述信息交互单元，还用于向所述第一终端设备发送所述充电时间预测结果。

第五方面，本申请实施例提供了一种预测系统，其特征在于，包括第一方面及可选的实现方式所述的终端设备，以及第二方面及可选的实现方式所述的远程服务端设备。

在一个可选的实现方式中，所述终端设备为部署有车载系统和可充电电池的电动汽车，所述远程服务端设备为单服务器或服务器集群。

第六方面，本申请实施例提供一种终端设备，所述终端设备包括处理器和存储器，所述存储器用于存储程序；所述处理器用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行上述第一方面中所述的预测模型构建方法。

第七方面，本申请实施例提供一种远程服务端设备，所述远程服务端备包括处理器和存储器，所述存储器用于存储程序；所述处理器用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行上述第二方面中所述的预测模型构建方法。

第八方面，本申请实施例提供一种可读存储介质，所述可读存储介质用于存储指令，当所述指令被执行时，使得上述第一方面所述的方法被实现。

第九方面，本申请实施例提供一种可读存储介质，所述可读存储介质用于存储指令，当所述指令被执行时，使得上述第二方面所述的方法被实现。

第十方面，本申请实施例提供一种包括指令的计算机程序产品，当所述指令被执行时，使得上述第一方面所述的方法被实现。

第十一方面，本申请实施例提供一种包括指令的计算机程序产品，当所述指令被执行时，使得上述第二方面所述的方法被实现。

附图说明

为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。

图1为本申请实施例提供的一种充电时间预测系统的架构示意图；

图2为本申请实施例提供的一种预测模型的更新方法流程示意图；

图3为本申请实施例提供的一种预测模型构建方法流程图；

图4为本申请实施例提供的另一种预测模型构建方法流程图；

图5为本申请实施例提供的另一种预测模型构建方法流程图；

图6为本申请实施例提供的一种预测方法流程图；

图7为本申请实施例提供的另一种预测方法流程图；

图8为本申请实施例提供的又一种预测方法流程图；

图9为本申请实施例提供的一种终端设备的结构示意图；

图10为本申请实施例提供的一种远程服务端设备的结构示意图；

图11为本申请实施例提供的一种终端设备的结构示意图；

图12为本申请实施例提供的一种服务器的结构示意图。

具体实施方式

本申请的说明书实施例和权利要求书及上述附图中的术语“第一”、“第二”、和“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。“和/或”用于表示在其所连接的两个对象之间选择一个或全部。例如“a和/或b”表示a、b或a+b。

如背景技术上述，当前研究需要相比于采集大量数据在云端(对应于远程服务端设备)进行集中式训练来构建充电时间预测模型的方法，效率更高、资源开销更小的方法。本申请实施例提供了一种预测模型构建方法和相关装置，既适用于构建充电时间预测模型，也可适用于构建其他类似的基于机器学习的预测模型，例如，适用于构建用于实现电动自行车等所有基于动力电池驱动的代步工具的电池相关预测服务的预测模型。下面首先介绍本申请实施例提供的预测模型构建方法所使用的预测模型构建场景。

预测模型构建场景：远程服务端设备下发初始化的预测模型至多个终端设备(例如电动汽车)，利用多个终端设备的计算能力，完成预测模型构建的部分工作。同时，多个终端设备的工作结果由远程服务端设备汇总处理，完成预测模型的建立工作。应理解，本申请实施例提供的预测模型构建方法适用于任意远程服务端设备和终端设备可配合完成构建预测模型的场景。在一些实施例中，远程服务端设备构建预测模型之后，可将训练好的预测模型发送给各终端设备，各终端设备利用训练好的预测模型来实现预测任务。在一些实施例中，远程服务端设备构建预测模型之后，终端设备可向远程服务端发送预测服务请求，远程服务端设备利用训练好的预测模型进行预测，并将预测结果发送终端设备。

本申请实施例提供的预测模型构建方法是分布式建立预测模型的方法。在构建预测模型的过程中，终端设备和远程服务端各完成一部分计算任务，能够有效利用终端设备闲置的计算资源，提高整体的资源利用率。

下面主要以构建充电时间预测模型为例，来介绍如何本申请实施例提供的预测模型构建方法。图1为本申请实施例提供的一种充电时间预测系统的架构示意图。如图1所示，充电时间预测系统包括车载系统(对应于终端设备，例如电动汽车)和远程服务系统(对应于远程服务端设备，例如服务器或服务器集群)两部分。车载系统主要包括以下功能单元：数据采集单元，用于采集车辆状态数据(包括充电状态数据)；信息交互单元，用于发送数据至远程服务系统和/或接收来自远程服务系统的数据；信息计算单元，用于实现数据计算；服务请求单元，用于向远程服务系统请求功能服务。远程服务系统主要包括以下功能单元：信息交互单元，用于发送数据至车载系统和/或接收来自车载系统的数据；数据分析单元，用于实现数据分析功能，例如对来自多个终端设备的子更新数据进行汇总；数据存储单元，用于存储数据；充电时间预测模型构建单元，用于构建充电时间预测模型；充电预测服务单元，用于提供充电预测服务。下面介绍图1中的充电时间预测系统如何构建充电时间预测模型的主要流程。

示例性的，整个充电时间预测系统的工作流程如下：

1、远程服务系统初始化充电时间预测模型(对应于第一预测模型)，并下发至汽车端(对应于终端设备)。

2、汽车端的采集系统(对应于数据采集单元)进行充电相关数据采集(包括但不限于：已行驶里程、当前电池soc、电池温度、时间、充电电压、充电电流、电池型号等)。

3、车载系统计算充电时间预测模型更新所需要的模型更新信息(对应于第一子更新数据)，并将模型更新信息发送至远程服务系统，远程服务系统利用模型更新信息对充电时间预测模型进行更新。后续再详述车载系统计算充电时间预测模型更新所需要的模型更新信息的实现方式以及远程服务系统利用模型更新信息对充电时间预测模型进行更新的实现方式。

4、充电时间预测模型收敛之后，远程服务系统将充电时间预测模型下发至汽车端供本地使用。或者，汽车端和移动设备(例如手机)向远程服务系统发送服务请求，远程服务系统利用构建好的充电时间预测模型向汽车端提供充电时间预测服务。

示例性的，本申请实施例中的充电时间预测模型为一种非线性函数：

t＝f(x,θ)(1)；

其中，t为充电时长，x为特征向量，例如由充电电流，充电电压，充电温度，充电电荷变化量等充电特征构成，θ为充电时间预测模型的参数向量。举例来说，x可定义为：x＝[里程数、最大电池温度、最低电池温度、平均充电电池温度、充电开始电压、充电结束电压、充电平均电流、充电最小电流、充电开始soc]。

示例性的，充电时间预测模型的参数向量θ的更新方式如下：

其中，i表示车辆编号，k表示充电数据编号，α为学习率，l(x,t,θ)表示充电时间预测模型的输出值(即充电时长预测结果)和实际值(即真实的充电时长)的惩罚函数(也称损失函数)，为损失函数关于θ的梯度。

下面结合图2来详述充电时间预测模型的更新流程，即训练充电时间预测模型的流程。图2为本申请实施例提供的一种预测模型的更新方法流程示意图。如图2所示，该预测模型的更新方法可包括：

201、远程服务端设备将第一预测模型信息发送至汽车(对应于终端设备)。

第一预测模型信息包括第一预测模型(即初始的充电时间预测模型)或者用于构建第一预测模型。

在一些实施例中，远程服务端设备可定义某个型号电池的充电时间预测模型的结构(对应于第一预测模型)，包括充电特征、模型参数等，并下发至汽车端。在实际应用中，远程服务端设备定义某个型号电池的充电时间预测模型的结构之后，可将该充电时间预测模型的结构发送至多个安装有该型号电池的汽车端。

202、汽车采集充电数据，并对采集的充电数据进行特征提取以得到特征数据(对应于第一特征数据)。

示例性的，汽车采集充电数据，包括电动汽车远程服务与管理系统技术规范gb/t32960规定的数据以及汽车厂家自定义数据，然后进行充电特征数据提取。

203、汽车计算第一预测模型的损失函数的梯度(对应于第一子更新数据)，并发送至远程服务端设备。

应理解，本申请实施例中汽车可在本地进行模型更新信息计算，并发送至远程服务端设备。可选的，步骤203的实现方式如下：将第一特征数据输入至第一预测模型进行预测处理，得到第一充电时长；利用上述第一充电时长和第二充电时长，计算得到上述第一预测模型的损失函数的梯度；上述第二充电时长为上述第m次充电所用的时长，上述第一预测模型的损失函数的梯度包含于上述第一子更新数据。示例性的，第一特征数据为汽车对采集到的第m次充电过程的充电数据进行特征提取得到的特征数据。可选的，利用上述第一充电时长和第二充电时长，计算得到上述第一预测模型的损失函数的梯度的公式如下：

其中，表示第一预测模型的损失函数的梯度，xik表示第一特征数据，t表示第一充电时长，θ表示第一预测模型的参数向量，l(xik,t,θ)表示第一预测模型预测得到的第一充电时长对应的损失值。可选的，其中，tik表示第一充电时长，表示第二充电时长。在实际应用中，多个汽车将各自计算得到的第一预测模型的损失函数的梯度发送至远程服务端设备。由于不同汽车提取到的特征数据不同，不同汽车向远程服务端设备发送的第一预测模型的损失函数的梯度不同。

204、远程服务端设备对至少两个梯度进行梯度聚合，得到第一聚合梯度。

可选的，远程服务端设备利用公式对来自所有车辆的梯度进行梯度聚合，i表示车辆的编号。应理解，远程服务端设备对来自多个汽车的模型更新信息进行汇总，不需要自己计算模型更新信息。

205、远程服务端设备利用第一聚合梯度更新第一预测模型，得到第二预测模型。

可选的，远程服务端设备利用公式(2)更新第一预测模型，得到第二预测模型。

206、远程服务端设备将第二预测模型信息发送至汽车(对应于终端设备)。

第二预测模型信息包括第二预测模型(即更新后的充电时间预测模型)或者用于构建第二预测模型。

207、汽车将第一预测模型更新为第二预测模型，并计算第二预测模型的损失函数的梯度。

应理解，步骤201至步骤206为更新第一预测模型得到第二预测模型的过程，汽车和远程服务端设备可多次执行类似步骤201至步骤206的操作，直到预测模型收敛以得到目标预测模型，即训练好的充电时间预测模型。步骤201至步骤206为更新第一预测模型得到第二预测模型的过程，汽车和远程服务端设备每执行一次类似步骤201至步骤206的操作，可完成一次对预测模型的更新以及汽车和远程服务端设备上的预测模型的同步。

本申请实施例中，通过在汽车端进行部分模型更新信息计算，不需要将数据发送至远程服务端设备进行集中训练计算，因此，可以有效降低远程服务端设备的计算负担，同时也减少了网络资源的消耗。

前述实施例描述了构建(或者称为训练)充电时间预测模型的方法流程。实际上，本申请实施例提供的预测模型构建方法不仅能够用于构建充电时间预测模型，还可以用于构建其他基于机器学习的预测模型。下面先描述在构建预测模型的过程中，终端设备(对应于汽车)执行的方法流程。

图3为本申请实施例提供的一种预测模型构建方法流程图。如图3所示，该方法包括：

301、终端设备采集第一数据，上述第一数据为实现预测任务所需的数据。

示例性的，终端设备为包括可充电电池的电动汽车，上述第一数据包括上述终端设备采集的上述可充电电池的第m次充电过程的充电数据，m为大于0的整数。步骤301对应于图2中的步骤202。

302、终端设备将第一特征数据输入至第一预测模型进行预测处理以得到第一子更新数据。

上述第一特征数据为对上述第一数据进行特征提取得到的特征数据；上述第一预测模型用于实现上述预测任务。可选的，终端设备在执行步骤302之前，可对上述第一数据进行特征提取以得到上述第一特征数据。可选的，终端设备将第一特征数据输入至第一预测模型进行预测处理以得到第一子更新数据的方式如下：上述终端设备将上述第一特征数据输入至上述第一预测模型进行预测处理，得到第一充电时长；上述第一充电时长为利用上述第一预测模型预测的上述第m次充电过程的时长；利用上述第一充电时长和第二充电时长，计算得到上述第一预测模型的损失函数的梯度；上述第二充电时长为上述第m次充电所用的时长，上述第一预测模型的损失函数的梯度包含于上述第一子更新数据。

可选的，终端设备在执行步骤302之前，可接收来自上述远程服务端设备的第一预测模型信息，上述第一预测模型信息包括上述第一预测模型或者上述第一预测模型信息用于构建上述第一预测模型；根据第一预测模型信息，构建上述第一预测模型。

303、终端设备将上述第一子更新数据发送给远程服务端设备。

上述第一子更新数据用于上述远程服务端设备更新上述第一预测模型以得到第二预测模型。步骤302和步骤303对应于图2中的步骤203。

步骤301至步骤303描述了终端设备向远程服务端设备发送一次子更新数据的流程，在实际应用中，终端设备还会接收到远程服务端设备发送的预测模型信息，并多次向远程服务端设备发送子更新数据。可选的，终端设备还可以执行如下操作：

304、终端设备接收来自上述远程服务端设备的第二预测模型信息。

上述第二预测模型信息包括上述第二预测模型或者上述第二预测模型信息用于构建上述第二预测模型。第二预测模型为上述远程服务端设备利用两个或两个以上第一子更新数据更新上述第一预测模型得到的。

305、终端设备将上述第一预测模型更新为第二预测模型。

306、终端设备将第二特征数据输入至第二预测模型进行预测处理以得到第二子更新数据。

上述第二特征数据为对第二数据进行特征提取得到的特征数据；上述第二数据包括上述终端设备采集的上述可充电电池的第g次充电过程的充电数据，g为大于0的整数且不等于m。步骤306的实现方式可与步骤302的实现方式类似，这里不再赘述。

307、终端设备将上述第二子更新数据发送给远程服务端设备。

应理解，终端设备还可以多次执行类似步骤304至步骤307的操作，直到远程服务端设备上的预测模型收敛。本申请实施例仅描述了一个终端设备执行的操作，在实际应用中，通常有多个终端设备执行类似的方法流程。

本申请实施例中，终端设备完成一部分模型训练任务(即执行训练预测模型的部分操作)，远程服务端设备完成另一部模型训练任务，可以减少远程服务端设备的资源消耗，并有效提高整体的资源利用率。

下面来描述在构建预测模型的过程中，远程服务端设备(对应于服务器或服务器集群)执行的方法流程。

图4为本申请实施例提供的另一种预测模型构建方法流程图。如图4所示，该方法包括：

401、远程服务端设备接收两个或两个以上第一子更新数据。

上述两个或两个以上第一子更新数据来自两个或两个以上终端设备；上述两个或两个以上第一子更新数据为上述两个或两个以上终端设备利用第一预测模型训练得到的，上述第一预测模型用于实现预测任务。示例性的，上述两个或两个以上第一子更新数据包括来自第一终端设备的第一子更新数据，上述第一子更新数据由上述第一终端设备将第一特征数据输入至上述第一预测模型进行预测处理的预测结果得到，上述第一特征数据为对上述第一终端设备采集的第一数据进行特征提取得到的特征数据，上述第一终端设备包括可充电电池，上述第一数据包括上述终端设备采集的上述可充电电池的第m次充电过程的充电数据。示例性的，上述第一子更新数据包括上述第一终端设备利用第一充电时长和第二充电时长，计算得到的上述第一预测模型的损失函数的梯度；上述第一充电时长为上述第m次充电所用的时长，上述第二充电时长为上述第一终端设备将上述第一特征数据输入至上述第一预测模型进行预测处理，预测得到的充电时长。

402、远程服务端设备利用上述两个或两个以上第一子更新数据更新上述第一预测模型，得到第二预测模型。

上述两个或两个以上第一子更新数据包括至少两个梯度，所述至少两个梯度中的每个梯度由上述两个或两个以上终端设备中的任一个终端设备利用上述第一预测模型预测得到的充电时长和真实充电时长计算得到。步骤402一种可选的实现方式如下：上述远程服务端设备对上述至少两个梯度进行梯度聚合，得到第一聚合梯度；上述远程服务端设备利用上述第一聚合梯度更新上述第一预测模型，得到上述第二预测模型。步骤402对应于图2中的步骤204和步骤205。

步骤401和步骤402为远程服务端设备对第一预测模型进行更新得到第二预测模型的方法流程。在实际应用中，远程服务端设备往往需要对第一预测模型进行多次更新，才能得到收敛的预测模型。远程服务端设备还可执行如下步骤：

403、远程服务端设备向终端设备发送第二预测模型信息。

上述第二预测模型信息包括上述第二预测模型或者上述第二预测模型信息用于构建上述第二预测模型。步骤403对应于图2中的步骤206。

404、远程服务端设备接收两个或两个以上第二子更新数据。

上述两个或两个以上第二子更新数据来自两个或两个以上终端设备；上述两个或两个以上第二子更新数据为上述两个或两个以上终端设备利用第二预测模型训练得到的，上述第二预测模型为上述远程服务端设备利用上述两个或两个以上第一子更新数据更新第一预测模型得到的。

405、远程服务端设备利用上述两个或两个以上第二子更新上述第二预测模型，得到第三预测模型。

应理解，远程服务端设备可多次执行类似步骤403至步骤405的操作，直到预测模型收敛。

本申请实施例中，远程服务端设备利用两个或两个以上第一子更新数据更新第一预测模型，得到第二预测模型，可以减少自身计算资源的消耗。

图3和图4分别描述了终端设备和远程服务端设备在构建预测模型的过程所执行的方法流程。下面介绍在构建预测模型的过程中，终端设备和远程服务端设备的交互流程。

图5为本申请实施例提供的另一种预测模型构建方法流程图。如图5所示，该方法包括：

501、远程服务端设备向至少两个终端设备发送第一预测模型信息。

远程服务端设备上存储第一预测模型。上述第一预测模型信息包括上述第一预测模型或者上述第一预测模型信息用于构建上述第一预测模型。

502、终端设备根据第一预测模型信息，构建第一预测模型。

503、终端设备采集实现预测任务所需的第一数据，并对第一数据进行特征提取以得到第一特征数据。

504、终端设备将第一特征数据输入至第一预测模型进行预测处理以得到第一子更新数据。

步骤504的实现方式可与步骤302的实现方式相同。

505、终端设备将上述第一子更新数据发送给远程服务端设备。

应理解，远程服务端设备与多个终端设备进行信息交互，各终端设备执行类似的操作。举例来说，终端设备1通过执行步骤501至步骤504将第一子更新数据1发送至远程服务端设备，终端设备2通过执行步骤501至步骤504将第一子更新数据2发送至远程服务端设备，终端设备n通过执行步骤501至步骤504将第一子更新数据n发送至远程服务端设备。

506、远程服务端设备利用上述两个或两个以上第一子更新数据更新上述第一预测模型，得到第二预测模型。

步骤506的实现方式可与步骤402的实现方式相同。

507、远程服务端设备向至少两个终端设备发送第二预测模型信息。

上述第二预测模型信息包括上述第二预测模型或者上述第二预测模型信息用于构建上述第二预测模型。

508、终端设备将上述第一预测模型更新为上述第二预测模型。

应理解，各终端设备均将第一预测模型更新为第二预测模型，以保证终端设备和远程服务端设备上的预测模型是相同的。步骤501至步骤508描述了将第一预测模型更新为第二预测模型的方法流程，在实际应用中，终端设备和远程服务端设备可以多次执行步骤501至步骤508类似的操作来更新第二预测模型，直到预测模型收敛。

本申请实施例中，终端设备完成一部分模型训练任务(即执行训练预测模型的部分操作)，远程服务端设备完成另一部模型训练任务，可以减少远程服务端设备的资源消耗，并有效提高整体的资源利用率。

前述实施例描述构建预测模型方法流程。下面来介绍一个构建充电时间预测模型的举例。

假定当前有100辆同型号电池的车辆需要使用电池充电时间预测服务，远程服务端设备确定的充电时间预测模型为线性回归模型，即t＝f(x,θ)；其中，x＝[x1,x2，x3，x4，x5，x6，x7，x8，x9]，x1-x9依次对应[里程数、最大电池温度、最低电池温度、平均充电电池温度、充电开始电压、充电结束电压、充电平均电流、充电最小电流、充电开始soc]。相应的有θ＝[θ1,θ2，θ3，θ4，θ5，θ6，θ7，θ8，θ9]。

示例性的，充电时间预测模型的损失函数l定义如下：

其中，tik表示编号为i的车辆利用编号为k的充电数据预测得到的充电时长(对应于第一充电时长)，表示为编号为k的充电数据记载的编号为i的车辆的充电时长(对应于第二充电时长)。

具体的构建预测模型方法流程如下：

1)、远程服务端设备在确定或获得充电时间预测模型之后，通过信息交互单元将充电时间预测模型信息(对应于第一预测模型信息)下发至每个汽车端。

2)、汽车端通过信息交互单元接收充电时间预测模型信息之后，在每次充电完成之后，利用数据采集单元和信息计算单元对本次充电过程的充电数据进行提取和计算，即获得x。

3)、当x提取计算完成之后，汽车端利用信息计算单元计算当前车辆的本地模型更新信息(对应于第一子更新数据)示例性的，汽车端中的信息计算单元采用上述公式(3)计算当前车辆的本地模型更新信息。

4)、汽车端通过信息交互单元将本地模型更新信息发送至远程服务端设备。

5)、远程服务端设备通过信息交互单元接收所有车辆的本地模型更新信息之后，利用数据分析单元将本地模型更新信息汇总。示例性的，汇总本地模型更新信息的公式如下：

其中，表示编号为i的车辆发送的本地模型更新信息，为汇总的本地模型更新信息(对应于第一聚合梯度)。

6)、远程服务端设备利用汇总的本地模型更新信息更新充电时间预测模型。

示例性的，远程服务端设备利用汇总的本地模型更新信息更新充电时间预测模型的公式如下：

其中，公式左边的θ表示更新后的充电时间预测模型的参数，公式右边的θ表示更新前的充电时间预测模型的参数，表示汇总的本地模型更新信息。

7)、远程服务端设备通过信息交互单元将更新后的充电时间预测模型的信息(对应于第二预测模型信息)下发至每个汽车端。

8)、重复执行步骤2)至7)，直到充电时间预测模型收敛。

前述实施例描述构建预测模型的方法流程。下面介绍几种终端设备通过构建的预测模型实现预测任务的方法。图6为本申请实施例提供的一种预测方法流程图。如图6所示，该方法可包括：

601、远程服务端设备接收来自终端设备的预测服务请求。

上述预测服务请求携带有上述远程服务端设备完成预测服务所需的数据。示例性的，远程服务端设备接收来自终端设备的电池充电时间预测服务请求；上述电池充电时间预测服务请求携带有预测上述第一终端设备中的可充电电池完成充电所需时长的数据。

602、远程服务端设备通过预测模型进行预测，得到预测结果。

示例性的，远程服务端设备将预测服务请求携带的特征数据或者由预测服务请求携带的充电数据提取的特征数据输入至预测模型进行预测处理，得到充电时间预测结果。

603、终端设备接收到来自远程服务端设备的预测结果。

604、终端设备输出上述预测结果。

示例性的，终端设备为电动汽车，电动汽车在汽车仪表上显示上述预测结果或者通过语音输出上述预测结果。

本申请实施例中，终端设备通过向远程服务端设备发送预测服务请求来实现预测任务，能够及时得到预测结果，并且自身消耗的计算资源和存储资源较少。

图7为本申请实施例提供的一种预测方法流程图。如图7所示，该方法可包括：

701、远程服务端设备接收来自移动设备的预测服务请求。

上述预测服务请求携带有上述远程服务端设备完成预测服务所需的数据。示例性的，远程服务端设备接收来自移动设备的电池充电时间预测服务请求；上述电池充电时间预测服务请求携带有预测上述移动设备绑定的终端设备(例如电动汽车)中的可充电电池完成充电所需时长的数据。可选的，移动设备例如手机，与终端设备进行信息交互以获取预测上述移动设备绑定的终端设备(例如电动汽车)中的可充电电池完成充电所需时长的数据；进而向远程服务端设备发送预测服务请求。

702、远程服务端设备通过预测模型进行预测，得到预测结果。

示例性的，远程服务端设备将预测服务请求携带的特征数据或者由预测服务请求携带的充电数据提取的特征数据输入至预测模型进行预测处理，得到充电时间预测结果。

703、终端设备接收到来自远程服务端设备的预测结果。

704、终端设备输出上述预测结果。

本申请实施例中，用户通过移动终端向远程服务端设备发送预测服务请求来实现预测任务，能够及时得到预测结果，并且自身消耗的计算资源和存储资源较少。

图8为本申请实施例提供的一种预测方法流程图。如图8所示，该方法可包括：

801、远程服务端设备将目标预测模型信息发送给终端设备。

上述目标预测模型信息包括上述目标预测模型或者上述目标预测模型信息用于构建上述目标预测模型。

802、终端设备利用上述目标预测模型信息构建目标预测模型。

803、终端设备利用上述目标预测模型实现预测任务。

示例性的，电动汽车(对应于终端设备)将由充电数据提取的特征数据输入至目标预测模型进行预测处理，得到预测的充电时长。

本申请实施例中，终端设备自身利用目标预测模型实现预测任务，不需要与远程服务端进行信息交互即可完成预测任务(即不需要绑定固定的服务商)，信令消耗少，灵活性强。

由前述实施例可知，终端设备可以通过远程服务端设备实现预测服务；也可以下载预测模型至本地(即终端设备)，并利用预测模型在本地实现预测服务。

下面结合终端设备的结构示意图来描述终端设备中的各单元在构建预测模型的过程中所实现的功能。图9为本申请实施例提供的一种终端设备的结构示意图。如图9所示，终端设备包括：

数据采集单元901，用于集第一数据，上述第一数据为实现预测任务所需的数据；

信息计算单元902，用于将第一特征数据输入至第一预测模型进行预测处理以得到第一子更新数据；上述第一特征数据为对上述第一数据进行特征提取得到的特征数据；上述第一预测模型用于实现上述预测任务；

信息交互单元903，用于将上述第一子更新数据发送给远程服务端设备，上述第一子更新数据用于上述远程服务端设备更新上述第一预测模型以得到第二预测模型。

在一个可选的实现方式中，上述终端设备包括可充电电池，上述第一数据包括上述终端设备采集的上述可充电电池的第m次充电过程的充电数据；

信息计算单元902，具体用于将上述第一特征数据输入至上述第一预测模型进行预测处理，得到第一充电时长；上述第一充电时长为利用上述第一预测模型预测的上述第m次充电过程的时长；

利用上述第一充电时长和第二充电时长，计算得到上述第一预测模型的损失函数的梯度；上述第二充电时长为上述第m次充电所用的时长，上述第一预测模型的损失函数的梯度包含于上述第一子更新数据。

在一个可选的实现方式中，信息交互单元903，还用于接收来自上述远程服务端设备的第一预测模型信息，上述第一预测模型信息包括上述第一预测模型或者上述第一预测模型信息用于构建上述第一预测模型。

在一个可选的实现方式中，信息交互单元903，还用于接收来自上述远程服务端设备的第二预测模型信息，上述第二预测模型信息包括上述第二预测模型或者上述第二预测模型信息用于构建上述第二预测模型；

信息计算单元902，还用于将上述第一预测模型更新为上述第二预测模型。

在一个可选的实现方式中，上述设备还包括：

服务请求单元904，用于生成电池充电时间预测服务请求；

信息交互单元903，用于向上述远程服务端设备发送上述电池充电时间预测服务请求；接收来自上述远程服务端设备的充电时间预测结果；上述充电时间预测结果为上述远程服务端设备响应上述电池充电时间预测服务请求所预测的上述终端设备中的可充电电池完成充电所需的时长。

在一个可选的实现方式中，信息交互单元903，还用于接收来自上述远程服务端设备的目标预测模型信息，上述目标预测模型信息包括上述目标预测模型或者上述目标预测模型信息用于构建上述目标预测模型；

信息计算单元902，还用于利用上述目标预测模型预测上述可充电电池完成充电所需的充电时长。

在一个可选的实现方式中，上述目标预测模型为上述远程服务端设备利用两个或两个以上第一子更新数据训练上述第一预测模型得到的，上述两个或两个以上第一子更新数据包含上述第一子更新数据且来自两个或两个以上设备。

下面结合远程服务端设备的结构示意图来描述远程服务端设备中的各单元在构建预测模型的过程中所实现的功能。图10为本申请实施例提供的一种远程服务端设备的结构示意图。如图10所示，远程服务端设备包括：

信息交互单元1001，用于接收两个或两个以上第一子更新数据，上述两个或两个以上第一子更新数据来自两个或两个以上终端设备；上述两个或两个以上第一子更新数据为上述两个或两个以上终端设备利用第一预测模型训练得到的，上述第一预测模型用于实现预测任务；

模型构建单元1002(对应于充电时间预测模型构建单元)，用于利用上述两个或两个以上第一子更新数据更新上述第一预测模型，得到第二预测模型。

在一个可选的实现方式中，上述两个或两个以上第一子更新数据包括来自第一终端设备的第一子更新数据，上述第一子更新数据由上述第一终端设备将第一特征数据输入至上述第一预测模型进行预测处理的预测结果得到，上述第一特征数据为对上述第一终端设备采集的第一数据进行特征提取得到的特征数据，上述第一终端设备包括可充电电池，上述第一数据包括上述终端设备采集的上述可充电电池的第m次充电过程的充电数据。

在一个可选的实现方式中，上述第一子更新数据包括上述第一终端设备利用第一充电时长和第二充电时长，计算得到的上述第一预测模型的损失函数的梯度；上述第一充电时长为上述第m次充电所用的时长，上述第二充电时长为上述第一终端设备将上述第一特征数据输入至上述第一预测模型进行预测处理，预测得到的充电时长。

在一个可选的实现方式中，上述两个或两个以上第一子更新数据包括至少两个梯度，所述至少两个梯度中的每个梯度由上述两个或两个以上终端设备中的任一个终端设备利用上述第一预测模型预测得到的充电时长和真实充电时长计算得到；

模型构建单元1002，具体用于对上述至少两个梯度进行梯度聚合，得到第一聚合梯度；利用上述第一聚合梯度更新上述第一预测模型，得到上述第二预测模型。

在一个可选的实现方式中，信息交互单元1001，还用于向上述两个或两个以上终端设备发送第一预测模型信息，上述第一预测模型信息包括上述第一预测模型或者上述第一预测模型信息用于构建上述第一预测模型。

在一个可选的实现方式中，信息交互单元1001，还用于向上述两个或两个以上终端设备发送第二预测模型信息，上述第二预测模型信息包括上述第二预测模型或者上述第二预测模型信息用于构建上述第二预测模型。

在一个可选的实现方式中，信息交互单元1001，还用于接收来自第一终端设备或移动设备的电池充电时间预测服务请求；上述电池充电时间预测服务请求携带有预测上述第一终端设备中的可充电电池完成充电所需时长的数据，上述移动设备和上述第一终端设备具备绑定关系；上述设备还包括：

预测服务单元1003，用于通过上述第二预测模型预测上述可充电电池完成充电所需的时长，得到充电时间预测结果；

信息交互单元1001，还用于向上述第一终端设备发送上述充电时间预测结果。

应理解以上终端设备和远程服务端设备的各个单元的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。例如，以上各个单元可以为单独设立的处理元件，也可以集成同一个芯片中实现，此外，也可以以程序代码的形式存储于控制器的存储元件中，由处理器的某一个处理元件调用并执行以上各个单元的功能。此外各个单元可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个单元可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。该处理元件可以是通用处理器，例如中央处理器(英文：centralprocessingunit，简称：cpu)，还可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(英文：application-specificintegratedcircuit，简称：asic)，或，一个或多个微处理器(英文：digitalsignalprocessor，简称：dsp)，或，一个或者多个现场可编程门阵列(英文：field-programmablegatearray，简称：fpga)等。

图11为本申请实施例提供的一种终端设备的结构示意图。如图11所示，该终端设备110包括处理器1101、存储器1102和通信接口1103；该处理器1101、存储器1102和通信接口1103通过总线相互连接。图11中的终端设备可以为前述实施例中的终端设备，例如电动汽车。

存储器1102包括但不限于是随机存储记忆体(randomaccessmemory，ram)、只读存储器(read-onlymemory，rom)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，eprom)、或便携式只读存储器(compactdiscread-onlymemory，cdrom)，该存储器1102用于相关指令及数据。通信接口1103用于接收和发送数据。通信接口1103可实现图9中信息交互单元903的功能。

处理器1101可以是一个或多个中央处理器(centralprocessingunit，cpu)，在处理器1101是一个cpu的情况下，该cpu可以是单核cpu，也可以是多核cpu。具体的，处理器1101可实现图9中信息计算单元902和服务请求单元904的功能。图11中的终端设备还可以包括用于采集终端设备的状态数据(例如充电状态数据)的采集单元。

该电子设备110中的处理器1101用于读取该存储器1102中存储的程序代码，执行前述实施例中的预测模型构建方法。

图12是本申请实施例提供的一种服务器1200的结构示意图，该服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessingunits，cpu)1222(例如，一个或一个以上处理器)和存储器1232，一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中，存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1222可以设置为与存储介质1230通信，在服务器1200上执行存储介质1230中的一系列指令操作。服务器1200可以为本申请提供的远程服务端设备。

服务器1200还可以包括一个或一个以上电源1226，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1258，和/或，一个或一个以上操作系统1241，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。

上述实施例中由远程服务端设备所执行的步骤可以基于该图12所示的服务器结构。具体的，中央处理器1222可实现图10中模型构建单元1002和预测服务单元1003的功能。线或无线网络接口1250可实现信息交互单元1001的功能。

在本申请的实施例中提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现前述实施例所提供的预测模型构建方法。

本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述实施例所提供的预测模型构建方法。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。