[发明专利]一种基于联邦学习的电动汽车充电设施推荐方法及系统

权利要求书

1.一种基于联邦学习的电动汽车充电设施推荐方法，其特征在于，包括：

获取桩特征数据集以及车特征数据集，所述桩特征数据集为从桩运营数据平台数据中提取的与充电桩运营相关的桩特征构成的集合，所述车特征数据集为从车企数据平台数据中提取的与车充电相关的车特征构成的集合；

采用联邦推荐算法对所述桩特征数据集和所述车特征数据集进行联邦训练，得到联邦推荐模型；

获取待推荐充电桩列表中所有充电桩对应的当前桩特征数据集和当前车特征数据集；

将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型，得到推荐结果；

所述桩特征包括用户标识，所述车特征包括车标识，所述采用联邦推荐算法对所述桩特征数据集和所述车特征数据集进行联邦训练，得到联邦推荐模型，包括：

将同一充电过程所对应的桩特征中的用户标识和车特征中对应的车标识进行实体对齐，得到对齐后的桩特征和车特征；

采用对齐后的桩特征对所述桩特征数据集进行更新，并采用对齐后的车特征对所述车特征数据集进行更新；

将更新后的桩特征数据集和车特征数据集进行联邦训练，得到所述联邦推荐模型；

将更新后的桩特征数据集和车特征数据集进行联邦训练，得到所述联邦推荐模型，包括：

步骤S231：根据特征关联关系，将所述桩特征数据集分解为桩自有特征及交叉特征，将所述车特征数据集分解为车自有特征及所述交叉特征；

步骤S232：将所述交叉特征分解为桩侧特征和车侧特征；

步骤S233：利用预设联邦推荐模型分别计算车自有特征及车侧特征对应的预估值、损失函数值及车特征梯度，并根据所述预估值分别计算桩自有特征及桩侧特征对应的损失函数值及桩特征梯度；

步骤S234：根据所述车特征梯度及所述桩特征梯度对所述预设联邦推荐模型的参数进行更新，并返回所述步骤S233，直至满足预设训练要求。

2.根据权利要求1所述的基于联邦学习的电动汽车充电设施推荐方法，其特征在于，所述将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型，得到推荐结果，包括：

将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型，得到待推荐充电桩列表中所有充电桩对应的预测值；

对所述预测值进行从大到小的排序；

根据排序结果得到所述推荐结果。

3.一种基于联邦学习的电动汽车充电设施推荐系统，其特征在于，包括：

第一采集模块，用于获取桩特征数据集以及车特征数据集，所述桩特征数据集为从桩运营数据平台数据中提取的与充电桩运营相关的桩特征构成的集合，所述车特征数据集为从车企数据平台数据中提取的与车充电相关的车特征构成的集合；

模型训练模块，用于采用联邦推荐算法对所述桩特征数据集和所述车特征数据集进行联邦训练，得到联邦推荐模型；

第二采集模块，用于获取待推荐充电桩列表中所有充电桩对应的当前桩特征数据集和当前车特征数据集；

处理模块，用于将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型，得到推荐结果；

所述桩特征包括用户标识，所述车特征包括车标识，所述模型训练模块，包括：

对齐子模块，用于将同一充电过程所对应的桩特征中的用户标识和车特征中对应的车标识进行实体对齐，得到对齐后的桩特征和车特征；

更新子模块，用于采用对齐后的桩特征对所述桩特征数据集进行更新，并采用对齐后的车特征对所述车特征数据集进行更新；

训练子模块，用于将更新后的桩特征数据集和车特征数据集进行联邦训练，得到所述联邦推荐模型；

所述训练子模块，包括：

第一分解单元，用于根据特征关联关系，将所述桩特征数据集分解为桩自有特征及交叉特征，将所述车特征数据集分解为车自有特征及所述交叉特征；

第二分解单元，用于将所述交叉特征分解为桩侧特征和车侧特征；

计算单元，用于利用预设联邦推荐模型分别计算车自有特征及车侧特征对应的预估值、损失函数值及车特征梯度，并根据所述预估值分别计算桩自有特征及桩侧特征对应的损失函数值及桩特征梯度；

更新单元，用于所述车特征梯度及所述桩特征梯度对所述预设联邦推荐模型的参数进行更新，并返回所述计算单元，直至满足预设训练要求。