[发明专利]基于长短期记忆网络的用户离家时间预测方法

权利要求书

1.一种基于长短期记忆网络的用户离家时间预测方法，其特征是包括下列步骤：

步骤1：用户的历史出行数据的记录；

步骤2：分别对用户历史回家时间和历史离家时间、这二类数据进行归一化处理，历史初始SOC以及历史目标SOC因为取值处于0到1的区间，无需进行归一化处理；

步骤3：对历史数据进行分组，按照常见电动汽车基本参数对应选取输入量和输出量；每组输入量应有9个输入元素，包括预测日一周前离家时间-上一个出行日内离家时间-预测日一周前回家时间-上一个出行日内回家时间-预测日回家时间-预测日一周前初始SOC-上一个出行日内初始SOC-预测日初始SOC-目标SOC-SOC_tar；

步骤4：对步骤3中产生的数据组按式(13)和式(14)进行分组：

式中，Input_i和Output_i分别是第i组训练数据中的输入量和输出量；表示该用户在当前充电周期内的离家时间预测值；用户的出行以周为单位，表示上一个出行日内离家时间；表示预测日一周前离家时间；表示该用户当前充电周期内的回家时间；表示上一个出行日内回家时间；表示预测日一周前回家时间；表示该用户在当前充电周期内的初始SOC；表示上一个出行日内初始SOC；表示预测日一周前初始SOC；SOC_tar表示该用户的目标SOC；

步骤5：对LSTM网络进行参数设置并对预测网络进行训练；

(1).根据过去一周内的出行数据，按照式(13)选取数据作为输入量；按照式(14)选取数据作为输出量；

(2).按照80％的比例选取每位用户的出行数据作为训练组，以后20％作为测试组；

(3).以含有100天出行数据的用户为例，其中80天为训练数据，考虑到需要利用前一周的数据，故应该从第八天开始预测，故该用户的预测数据共有73组；利用这73组数据对该用户的LSTM预测模型进行训练并完成对模型的训练；

(4).后20天的检测组数据同样进行预测，同时记录这20组中每一组的预测情况，以均方根误差作为指标对模型进行评估；

步骤6：用户离家时间的预测值的获取；

步骤7：特殊情况应对。

2.根据权利要求1所述的基于长短期记忆网络的用户离家时间预测方法，其特征是：所述步骤1中，当电动汽车接入充电桩后，将用户的回家时间以及通过电动汽车的BMS系统获取的初始SOC以及目标SOC记录到该用户的历史出行数据中。

3.根据权利要求1所述的基于长短期记忆网络的用户离家时间预测方法，其特征是：所述步骤2中，可通过下式进行归一化处理：

式中，x表示原始的历史数据；min(x)表示该类历史数据中最小的值；max(x)表示该类历史数据中最大的值；x′表示归一化后的历史数据。

4.根据权利要求1所述的基于长短期记忆网络的用户离家时间预测方法，其特征是：所述步骤6中，按式(13)将预测日的回家时间、初始SOC和目标SOC以及部分历史数据输入预测模型中，得到用户离家时间的预测值。

5.根据权利要求1所述的基于长短期记忆网络的用户离家时间预测方法，其特征是：对于用户而言是已知的特殊情况下，用户设置的离家时间可能比预测值更加可靠，所以考虑到用户可能存在特殊的出行需求，为避免因预测值不准确而影响用户的出行，对于其设置时间与预测时间之差的绝对值超过2小时的用户，将其预测离家时间用设置的离家时间代替。