[发明专利]一种电动汽车供需差预测方法和充电桩布局规划方法

说明书

本发明涉及一种电动汽车供需差预测方法和充电桩布局规划方法。该电动汽车供需差预测方法包括：从原始数据中抽取相关数据并构造特征；使用信息增益率对特征进行排序，生成特征排序表；对特征排序表进行倒序筛选，生成不同数据缺失程度的特征子集；针对不同数据缺失程度的特征子集，利用改进的回归树算法生成相应的子回归树模型；按照线性回归模型进行整合，学习出各个子回归树模型的参数；使用线性回归的投票策略进行集成，得到集成学习回归树模型，进行车辆供需差的预测。然后依据车辆供需差来计算出充电桩布局模型。本发明采用时间复杂度较低、准确率较高的集成学习回归树，能够解决存在数据缺失情况下充电桩布局规划的问题。

技术领域

本发明属于电动汽车充电桩布局规划相关技术领域，涉及机器学习与数据挖掘领域，具体涉及是一种电动汽车供需差预测方法和充电桩布局规划方法。

背景技术

随着生活水平的提高，人们对出行的需求大大提高，越来越多的人购置新能源汽车出行，而充电桩的布局就是一个需要关注核心问题。充电桩的布局往往与车辆的需求量息息相关，车辆供需紧张的地方又深刻地反映着充电桩的需求热点。某地区如果被预测车辆需求量较高，则应该布局更多充电桩来刺激该地区的电动车消费。通过对车辆需求建模，转化为充电桩布局模型，可以有效合理地为充电桩布局规划提供参考。

然而，车辆需求建模中，预测车辆供需差是一个具有挑战性的任务，主要是有两个原因：(1)很难推导出充电桩布局时车辆供需差和其他特征之间的潜在模式。在现实生活中，不同的情景可能导致供给远远低于需求的现象。这些情况可能是恶劣的天气，假日聚会，周末娱乐和高峰时间等，但是很难确定这些情况如何影响出租车的供需关系。(2)更麻烦的是，提供的训练数据集由于数据采集设备故障或存储介质故障可能会引起大量缺失值。而处理的时候，要么通过一些规则直接填充这些缺失的值，要么简单地忽略它们，将使得预测结果偏离真实情况。

目前与该任务相关的成果并不是太多。而且大部分相关工作不满足该预测任务的要求。例如文献“Zhang X,Liu Y.The city taxi quantity prediction via GM-BP model[C]//IEEE International Conference on Cyber Technology in Automation,Control,and Intelligent Systems.IEEE,2015.”仅考虑车的数量和乘客热点。尽管文献“Chang HW,Tai Y C,Chen H W,et al.iTaxi:Context-Aware Taxi Demand Hotspots PredictionUsing Ontology and Data Mining Approaches[J].2008.”考虑了需求和供给，但没有预测供需差的具体数值。几乎所有以前的论文工作/研究工作只使用GPS数据和车辆数量等较少的特征来构建模型，其缺乏有效性。文献“Moreira-Matias L,Gama J,Ferreira M,etal.On Predicting the Taxi-Passenger Demand:A Real-Time Approach[C]//EncontroPortuguês de Inteligência Artificial.2013:54-65.”使用历史GPS数据来识别乘客的地理分布，但只能在短时间内预测车辆供应的热度。文献“Hai Y,Yan W L,Wong S C,etal.Amacroscopic taxi model for passenger demand,taxi utilization and level ofservices[J].Transportation,2000,27(3):317-340.”也仅仅只是推断一般需求与供给之间的联合方程，却有很多的数据限制，同时有着较高的错误率。

以上文献均是基于单独的热点或者车辆的数量(供给)或者乘客数量(需求)考虑车辆供需差的问题，但目前并没有一个完善的设计可以解决充电桩布局时需要考虑的车辆供需差问题，并同时解决缺失值的问题。