[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

说明书

本发明公开了一种基于联邦学习的电动汽车充电设施推荐方法及系统，该方法包括：获取桩特征数据集以及车特征数据集，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，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桩特征数据集和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联邦推荐模型，得到推荐结果。通过实施本发明，实现了桩运营数据平台数据和车企数据平台数据的融合使用，扩充了模型特征，实现了对充电设施的个性化推荐。

技术领域

本发明涉及物联网技术领域，具体涉及一种基于联邦学习的电动汽车充电设施推荐方法及系统。

背景技术

随着新能源技术的发展，电动汽车的市场占有率越来越高，充电设施的数量也随之持续增长。然而据统计，当前各运营商的充电服务设施的利用率普遍低于15％。因此各充电设施运营商开始建设自己的运营数据平台，接入桩侧数据，为用户提供充电设施推荐服务，但是当前对充电设施的状态分析和推荐主要依赖于桩侧数据，没有考虑到用户的个性化需求。另外具备电动汽车用户侧数据的车企，对于用户数据使用，也没有与充电设施推荐等方面的需求进行关联，使得桩侧运营数据平台无法得知所有汽车用户的用户数据。因此，现有的为用户提供充电设施的推荐方法，难以实现用户对充电设施的个性化推荐需求。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的充电设施推荐方法难以实现用户对充电设施的个性化推荐需求的缺陷，从而提供一种基于联邦学习的电动汽车充电设施推荐方法及系统。

第一方面，本发明实施例提供一种基于联邦学习的电动汽车充电设施推荐方法，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。