本申请涉及计算机,特别涉及一种货车换电站选址分析方法、系统、介质及电子设备。
背景技术:
1、目前重卡的保有量仅占整体汽车保有量的3%,但是其二氧化碳排放量却占据整体汽车的47%;推出新能源重卡是实现高效减排极具潜力的突围路线,但是新能源重卡的充电、换电设施不完善,一直是用户选择新能源重卡的阻碍。因此在考虑货车短途倒运场景中新能源货车换电站建设和运营成为的基础上,合理选址是保障换电站运营的关键。
2、相关技术中,通常会根据市政规划的需求来确定选址,然而根据市政规划的需求来确定选址和场站规模时,该选址思路以市政规划为导向没有考虑实际的用户充电需求,从而会造成货车换电站的资源浪费,进一步提升了货车换电站的闲置水平。
技术实现思路
1、本申请实施例提供了一种货车换电站选址分析方法、系统、介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
2、第一方面,本申请实施例提供了一种货车换电站选址分析方法,方法包括:
3、获取待分析线路的线路分析结果,线路分析结果包括待分析线路的车辆分析结果、企业分析结果以及poi地理位置分析结果;
4、将待分析线路的车辆分析结果、企业分析结果以及poi地理位置分析结果输入预先训练的线路选址评分模型中,输出待分析线路的充电站建设分值;
5、在充电站建设分值大于预设阈值的情况下,将待分析线路确定为能够建设换电站的线路。
6、可选的,按照以下步骤生成预先训练的线路选址评分模型,包括:
7、获取每个新能源货车在预设周期内的轨迹数据;
8、根据每个新能源货车的轨迹数据,确定多个热点线路;
9、构建每个热点线路的车辆分析结果、企业分析结果以及poi地理位置分析结果,以生成每个热点线路的第一模型因子;
10、根据已存在换电站的目标线路,生成每个目标线路对应的第二模型因子;
11、根据每个热点线路的第一模型因子与每个目标线路对应的第二模型因子进行数据标注并合并,得到模型数据集;
12、构建基于线性回归的回归模型,以及将基于线性回归的回归模型作为线路选址评分模型;
13、根据模型数据集对线路选址评分模型进行机器学习,生成预先训练的线路选址评分模型。
14、可选的,根据每个新能源货车的轨迹数据,确定多个热点线路,包括:
15、将每个新能源货车的轨迹数据按照时间的先后顺序进行聚合、抽稀以及裁剪处理,得到待分析的多条运行线路;
16、统计每条运行线路在预设时间段内的车流量;
17、将每条运行线路在预设时间段内的车流量进行排序,以确定出多条运行线路中车流量排名在预设排名内的线路;
18、将确定出的车流量排名在预设排名内的线路作为多个热点路线。
19、可选的,构建每个热点线路的车辆分析结果、企业分析结果以及poi地理位置分析结果,以生成每个热点线路的第一模型因子,包括:
20、分析每个热点线路上的运力分布数据,以确定每个热点线路的整体规模和增长趋势,得到每个热点线路的车辆分析结果;
21、分析每个热点线路上运营综合值排名在预设排名内的运营企业分布,得到每个热点线路的企业分析结果;
22、分析每个热点线路周围预设范围内的货运企业以及已有货车换电站的数量及位置,得到每个热点线路的poi地理位置分析结果;
23、根据每个热点线路的线路标识、每个热点线路的总里程、每个热点线路的车辆分析结果、每个热点线路的企业分析结果以及每个热点线路的地理位置分析结果,建立每个热点路线的第一模型因子。
24、可选的,根据已存在换电站的目标线路,生成每个目标线路对应的第二模型因子,包括:
25、获取已存在换电站的目标线路;
26、提取每个目标线路的货车换电站数据;
27、根据每个目标线路的货车换电站数据,生成每个目标线路对应的第二模型因子。
28、可选的,根据模型数据集对线路选址评分模型进行机器学习,生成预先训练的线路选址评分模型,包括:
29、将模型数据集中预设百分比的数据作为训练集输入线路选址评分模型中,输出线路选址评分模型的损失值;
30、当损失值到达最小时,生成预先训练的线路选址评分模型;或者,当损失值未到达最小时,采用梯度下降算法最小化线路选址评分模型的损失函数,以更新线路选址评分模型的模型权重参数;
31、将模型数据集中预设百分比的数据作为测试集输入线路选址评分模型中,输出测试集对应的充电站建设分值;
32、根据测试集对应的充电站建设分值以及测试集标注的实际标签,计算线路选址评分模型的模型指标,模型指标包括准确率、精度、召回率;
33、当准确率、精度、召回率符合预设条件时,将预先训练的线路选址评分模型部署到实际应用场景。
34、可选的,每个热点线路的运力分布数据包括运营车辆数、车型分布、品牌分布、车龄分布以及热点停靠区域数量;运营企业分布包括企业数、车辆保有量、总运营里程、单车日均里程、常跑线路分布、大本营分布以及大本营类型分布。
35、第二方面,本申请实施例提供了一种货车换电站选址分析系统,系统包括:
36、线路分析结果获取模块,用于获取待分析线路的线路分析结果,线路分析结果包括待分析线路的车辆分析结果、企业分析结果以及poi地理位置分析结果;
37、充电站建设分值判断模块,用于将待分析线路的车辆分析结果、企业分析结果以及poi地理位置分析结果输入预先训练的线路选址评分模型中,输出待分析线路的充电站建设分值;
38、线路判断模块,用于在充电站建设分值大于预设阈值的情况下,将待分析线路确定为能够建设换电站的线路。
39、第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
40、第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
41、本申请实施例提供的技术方案可以包括以下有益效果:
42、在本申请实施例中,本申请通过融合车辆分析结果、企业分析结果以及poi地理位置分析结果,结合预先通过机器学习算法得到的模型确定能够建设换电站的线路,该分析结果以基础数据出发,能够从数据角度表征路线的实际运行情况,使得基于模型分析的结果可信度高,避免了建设的货车换电站会出现资源浪费,降低了货车换电站的闲置水平。
43、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
1.一种货车换电站选址分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,按照以下步骤生成预先训练的线路选址评分模型,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据所述每个新能源货车的所述轨迹数据,确定多个热点线路,包括:
4.根据权利要求2所述的方法,其特征在于,所述构建每个热点线路的车辆分析结果、企业分析结果以及poi地理位置分析结果,以生成每个热点线路的第一模型因子,包括:
5.根据权利要求2所述的方法,其特征在于,所述根据已存在换电站的目标线路,生成每个目标线路对应的第二模型因子,包括:
6.根据权利要求2所述的方法,其特征在于,根据所述模型数据集对所述线路选址评分模型进行机器学习,生成预先训练的线路选址评分模型,包括:
7.根据权利要求4所述的方法,其特征在于,所述每个热点线路的运力分布数据包括运营车辆数、车型分布、品牌分布、车龄分布以及热点停靠区域数量;所述运营企业分布包括企业数、车辆保有量、总运营里程、单车日均里程、常跑线路分布、大本营分布以及大本营类型分布。
8.一种货车换电站选址分析系统,其特征在于,所述系统包括:
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项所述的方法。
10.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。