[发明专利]车辆充电时间预测方法、装置、设备及介质

权利要求书

1.一种车辆充电时间预测方法，其特征在于，包括：

获取车辆充电数据集，所述车辆充电数据集包括车辆充电数据、充电桩设备数据以及车辆充电时长形成标签变量；

对所述车辆充电数据集进行归一化处理，获得归一化数据集；

对所述归一化数据集内的变量进行因子相关性分析，进而构建用于目标变量分类的逻辑回归分类器；

根据所述归一化数据集训练所述逻辑回归分类器，得到多分类的归一化指数函数为预测模型；

将待测的目标车辆当前充电参数输入所述预测模型，获得所述目标车辆的剩余充电时长。

2.根据权利要求1所述的车辆充电时间预测方法，其特征在于，对所述车辆充电数据集进行归一化处理之前，还包括：

确定所述车辆充电数据集各自所对应的缺失变量的个数；

将所述缺失变量的个数大于或等于预设缺失阈值的变量进行删除，同时，对所述缺失变量的个数小于预设缺失阈值的变量进行均值填充，以使所述车辆充电数据集完成数据预处理。

3.根据权利要求2所述的车辆充电时间预测方法，其特征在于，对所述车辆充电数据集进行归一化处理，包括：

对所述车辆充电数据集内数值变量进行归一化处理，得到第一归一化数据集，所述车辆充电数据为数值变量；

利用哑变量生成算法对所述车辆充电数据集内分类变量进行归一化处理，得到第二归一化数据集，所述充电桩设备数据的部分字段与标签变量均为分类变量；所述第一归一化数据集与所述第二归一化数据集构成同一维度的所述归一化数据集。

4.根据权利要求1所述的车辆充电时间预测方法，其特征在于，对所述归一化数据集内的变量进行因子相关性分析，进而构建用于目标变量分类的逻辑回归分类器，包括：

将所述归一化数据集内的变量进行因子相关性分析，得到自变量与因变量；

利用所述自变量与所述因变量构建逻辑回归分类器，计算变量系数Beta和R²，其中，所述因变量为分类变量，Beta用于表征各变量对充电时长的影响力，R²用于表征各变量对充电时长的预测结果的可信度；

式中，通过对L(θ)求取最小值确定变量系数Beta，y_t是真实标签，是预测标签，是标签的平均值；α是截距，y是标签变量，θ表示截距和变量系数的向量组合，X表示分类变量，θ^T为θ的转置矩阵。

5.根据权利要求4所述的车辆充电时间预测方法，其特征在于，根据所述归一化数据集训练所述逻辑回归分类器，得到多分类的归一化指数函数为预测模型，包括：

将所述归一化数据集内携带标签变量的数据作为训练集，利用所述训练集训练所述逻辑回归分类器；其中，所述逻辑回归分类器的目标函数为：

P(y＝1|x:θ)＝g(θ^T*[1,x])

P(y＝0|x:θ)＝1-g(θ^T*[1,x])

使用以下多分类归一化指数函数识别样本X的类别；

式中，w_c为第c类的权重向量，类标签y∈{1,2,…,C}有C个取值，X为样本，是多类别的预测标签；

采用交叉熵作为损失函数，并利用随机梯度下降算法，迭代计算权重向量，得到训练完成的预测模型。

6.根据权利要求5所述的车辆充电时间预测方法，其特征在于，所述逻辑回归分类器的风险函数为：

其中，N个训练样本采用C维one-hot向量来表示类别标签，对于类别c，向量表示为：y＝[I(1＝c),...,I(C＝c)]^T。

7.根据权利要求1所述的车辆充电时间预测方法，其特征在于，所述车辆充电数据包括目标车辆充电的平均温度、平均电流、平均电压、电池起始充电剩余容量与电池终止充电剩余容量；所述充电桩设备数据包括充电桩运营商、充电桩地理位置、充电桩额定电流、充电桩额定电压、充电桩累计电量、充电桩接入车辆列表信息、充电接口累计电量以及三相电流电压。