[发明专利]一种基于资源分配指标的链路预测方法的充电桩推荐方法

说明书

本发明提出了一种基于资源分配指标的链路预测方法的充电桩推荐方法，属于复杂网络技术领域。本发明的方法基于对路径进行分块的方法构造网络，再利用链路预测的相似性指标，来分析电动车历史轨迹中的移动模式，然后采用资源分配指标(Resource Allocation,RA)输出前K条概率最大的未来轨迹序列作为K条候选路径，最后根据额外移动距离最短原则对K条候选路径确定K个充电桩，把得到的K个充电桩及其优先级推荐给电车用户。

技术领域

本发明涉及一种基于资源分配指标的链路预测方法的充电桩推荐方法，属于复杂网络技术领域。

背景技术

网络中的链路预测是指根据网络中节点的特征或已经存在的边结构特征，预测两个节点间边的存在性。这种预测既包含了对未知链接的预测，也包含了对未来链接(futurelinks)的预测。其中，基于节点相似性的链路预测是链路预测研究的主流方法之一，该类方法的一个重要假设就是，两个节点之间相似性越大，它们之间存在链接的可能性就越大。相似性的定义有很多种，最简单的是基于节点属性的定义。如果两个节点拥有许多共同的特征，就认为这两个节点是相似的。

但是，由于很多情况下获取节点属性信息非常困难，因此在一些系统中基于属性的相似性算法很难实现，例如在线社交网络中用户的个人信息是保密的或者是虚假的。另外一类更加可靠的方法是基于网络结构的相似性，称为结构相似性。据了解，Liben-Nowell和Kleinberg提出了基于网络拓扑结构相似性的定义方法，并将这些指标分为基于节点和基于路径两类，在对大型科学家合作网络进行的实证研究中，发现仅考虑节点共同邻居的方法和Adamic-Adar Index(AA指数)是预测准确性最好的方法；周涛、吕琳媛和张翼成提出采用9种基于局部信息的相似性指标对6种现实网络进行准确性的对比，进一步验证了Liben-Nowell和Kleinberg的研究结果，并提出准确性更高的相似性指标：资源分配指数(resource allocation index)。

每辆出租车上都搭载了全球定位系统，使得推测出租车轨迹成为可能。XUE A Y等对出租车的轨迹使用的是低阶马尔可夫预测方法，但是该方法仅依赖于前面2到3个GPS点，当一条轨迹中相互依赖点的个数较多时，马尔可夫预测方法并不能很好地解决这种轨迹点之间的长期依赖关系。Hochreiter也针对需要解决的长期依赖问题，在RNN的基础上提出了一种LSTM(Long Short-Term Memory)模型，被广泛应用于时间序列数据来解决长期依赖关系。但是RNN预测方法再解决长期依赖过程中，随着数据量的增大，RNN隐藏层对较小的扰动边得十分敏感，较小的扰动会导致RNN中间状态中的错误成分在传播过程中被指数级放大，最终导致预测的准确率不够高。

为了避免上述两种方法分别在应用数据过多或者过少时产生的问题，需要采用一种全新的方法：基于资源分配指标的链路预测的方法进行轨迹预测。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足而提供一种基于资源分配指标的链路预测方法的充电桩推荐方法。

本发明提供一种基于资源分配指标的链路预测方法的充电桩推荐方法，包括以下步骤：

S1、当电动出租车电量低时启动基于资源分配指标的链路预测方法的充电桩推荐系统，该系统包括对历史轨迹的分析单元、对将来轨迹的预测单元，以及基于上述二者的推荐充电桩单元；转至步骤S2；

S2、对车辆历史轨迹进行网格化处理，得到车辆历史轨迹对应的点序列；转至步骤S3；

S3、基于资源分配指标对车辆轨迹进行链路预测，得到车辆未来轨迹序列；转至步骤S4；

S4、基于汽车未来轨迹，选择最合适的充电桩推荐给用户。