充电站空闲度预测方法及装置与流程

1.本发明涉及充电技术服务领域，尤其涉及一种充电站空闲度预测方法及装置。


背景技术：

2.新能源汽车是指使用非常规的车用燃料作为动力来源(或使用常规的车用燃料，但采用新型车载动力装置)，综合车辆的动力控制和驱动方面的先进技术，形成的技术原理先进、具有新技术、新结构的汽车。新能源汽车包括纯电动汽车、增程式电动汽车、混合动力汽车、燃料电池电动汽车以及氢发动机汽车等。其中，纯电动汽车在日常生活中较为普遍。对于纯电动汽车的车主来说，在车辆电量不足时，需要找到充电站为车辆充电。如果车主能够了解充电站目前或者未来一段时间内处于空闲状态的概率，可帮助车主在最短的时间内找到空闲的充电桩，从而解决车主寻找空闲充电桩的痛点，提升用户体验。
3.现有技术中，获取充电站包含的每个充电桩在前一段时间内处于空闲状态的时间比例，然后求取平均值，将该平均值作为该充电站第二天的空闲度。然而，充电站空闲度受多方因素的影响，上述方法得到的空闲度准确度不高。


技术实现要素：

4.本发明提供一种充电站空闲度预测方法及装置，用于提高充电站空闲度预测结果的准确度。
5.第一方面，本发明提供一种充电站空闲度预测方法，包括：根据目标充电站的标识，获取该目标充电站包含的每个目标充电桩对应的第一标签，该第一标签包括以下标签的至少一种：该目标充电站的规模、该目标充电桩的评价得分、该目标充电桩的充电价格、该目标充电桩的充电模式、该目标充电桩对应停车位的停车收费信息、预测的时间段、预测的日期对应的星期属性或预测的日期对应的节假日属性；根据该目标充电站包含的每个目标充电桩对应的第一标签以及预先训练得到的预测模型，确定该目标充电站的空闲度预测结果；输出该空闲度预测结果。
6.第二方面，本发明提供一种充电站空闲度预测装置，包括：接收模块，用于接收用户触发的空闲度查询请求，该空闲度查询请求包括：用户请求查询的目标充电站的标识；获取模块，用于根据该目标充电站的标识，获取该目标充电站包含的每个目标充电桩对应的第一标签，该第一标签包括以下标签的至少一种：该目标充电站的规模、该目标充电桩的评价得分、该目标充电桩的充电价格、该目标充电桩的充电模式、该目标充电桩对应停车位的停车收费信息、预测的时间段、预测的日期对应的星期属性或预测的日期对应的节假日属性；确定模块，用于根据该目标充电站包含的每个目标充电桩对应的第一标签以及预先训练得到的预测模型，确定该目标充电站的空闲度预测结果；输出模块，用于输出该空闲度预测结果。
7.第三方面，本发明提供一种充电桩平台，其上存储有计算机程序，该计算机程序被处理器执行时实现上述充电站空闲度预测方法。
8.第四方面，本发明提供一种终端设备，包括上述充电桩平台。
9.本发明提供的充电桩空闲度预测及装置。一方面，获取现有的所有充电桩的历史空闲度，另一方面，获取所有充电桩的标签，该标签包括：充电站的规模、以往用户对充电桩的评分、充电桩的充电价格和/或充电桩的充电模式等信息。将上述采集到的数据作为样本数据，通过训练获得预测模型，当用户触发了某充电站的空闲度查看请求时，将该充电站包含的每个充电桩的标签输入该预测模型，便可得到该所有充电桩的空闲度预测结果，然后对所有充电桩的空闲度预测结果求取平均，便可得到充电站的空闲度预测结果。由于在模型训练时考虑到了多方面因素对空闲度的影响，因此通过预测模型得到的充电桩的空闲度预测结果更加准确，进而使得充电站的空闲度预测结果也更加准确。
附图说明
10.图1为本发明提供一种可选的系统架构图；
11.图2为本发明提供的充电站空闲度预测方法的实施例一的信令流程图；
12.图3为本发明提供的用户界面图一；
13.图4为本发明提供的用户界面图二；
14.图5为本发明提供的充电站空闲度预测方法的实施例二的流程示意图；
15.图6为本发明提供的充电站空闲度预测装置的结构示意图；
16.图7为本发明提供的服务器的硬件结构示意图。
具体实施方式
17.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.对于电动汽车的车主来说，如果能了解某充电站在未来某段时间的空闲度，可为出行找桩充电提供参考，进而快速找到空闲充电桩，节省了找桩时间。现有技术中，为了得到某充电站的空闲度，会先获取该充电站包含的每个充电桩在前一段时间内处于空闲状态的时间比例，将该时间比例作为对应充电桩的第二天的空闲度，对所有充电桩的空闲度求取平均值，将该平均值作为充电站第二天的空闲度。然而，充电桩的空闲度是受多方面因素的影响，上述方法得到的空闲度准确度不高。
19.图1为本发明提供一种可选的系统架构图。图1所示系统包括：终端设备和服务器。终端设备和服务器无线连接。其中，终端设备可以是手机，平板电脑，智能手表，电视机以及其他具有显示屏的电子设备。作为示例而非限定，该终端设备还可以是可穿戴设备。图1中终端设备用手机示意，服务器可以是实体服务器，也可以是云服务器。
20.可选的，可在终端设备上安装相应的应用软件，用户可通过应用软件触发某充电站的空闲度查询请求，终端设备可将该请求发送给服务器，服务器可通过执行本发明提供的预测方法对充电站的空闲度进行预测，得到预测结果后，服务器可进一步将预测结果输出给终端设备，由终端设备对预测结果渲染显示。
21.充电站内的充电桩的空闲度受多方面因素影响，比如：充电站的规模、以往用户对
充电桩的评分、充电桩的充电价格以及充电桩的充电模式等。而现有技术中，直接将前一段时间内充电桩处于空闲状态的时间比例作为第二天充电桩出现空闲的概率，并未考虑上述多方面因素对充电桩空闲概率的影响，导致现有技术得到的空闲度准确度较低。本发明以此为切入点，一方面，获取现有的所有充电桩的历史空闲度，另一方面，获取所有充电桩的标签，该标签包括：充电站的规模、以往用户对充电桩的评分、充电桩的充电价格和/或充电桩的充电模式等信息。将上述采集到的数据作为样本数据，通过训练获得预测模型，当用户触发了某充电站的空闲度查看请求时，将该充电站包含的每个充电桩的标签输入该预测模型，便可得到该所有充电桩的空闲度预测结果，然后对所有充电桩的空闲度预测结果求取平均，便可得到充电站的空闲度预测结果。由于在模型训练时考虑到了多方面因素对空闲度的影响，并选择了适当的算法，因此通过预测模型得到的充电桩的空闲度预测结果更加准确，进而使得充电站的空闲度预测结果也更加准确。
22.下面结合具体的实施例对本发明提供的充电站空闲度预测方法进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
23.基于图1所示系统架构，图2为本发明提供的充电站空闲度预测方法的实施例一的信令流程图。如图2所示，本实施例提供的充电站空闲度预测方法，包括：
24.s201、终端设备接收用户触发的空闲度查询请求。
25.在一种可能的实现方式中，可以在终端设备上安装用于查询充电站空闲度的应用软件，参见图3所示，该应用软件可展示带有充电站分布情况的地图。图3所示地图上分布的充电站有4个，其标识分别为id1、id2、id3和id4。用户可通过点击地图上分布的充电站的图标来触发该充电站的空闲度查询请求。
26.需要说明的是：用户触发的空闲度查询请求包括用户请求查询的目标充电站的标识，比如：用户通过图3所示操作触发了空闲度查询请求，该空闲度查询请求中包括标识id1。
27.s202、终端设备将空闲度查询请求发送给服务器。
28.s203、服务器根据目标充电站的标识，获取目标充电站包含的每个目标充电桩对应的第一标签。
29.其中，目标充电桩对应的第一标签包括以下标签的至少一种：目标充电桩所在充电站的规模、目标充电桩的评价得分、目标充电桩的充电价格、目标充电桩的充电模式、目标充电桩对应停车位的停车收费信息、预测的时间段、预测的日期对应的星期属性或预测的日期对应的节假日属性。
30.一种可能的实现方式中，服务器中存储有已投入使用的所有充电站包含的充电桩对应的标签，当服务器接收到空闲度查询请求后，根据该空闲度查询请求中目标充电站的标识在存储的所有充电站中进行检索，从而得到目标充电站所包含的每个目标充电桩的评价得分、目标充电桩的充电价格、目标充电桩的充电模式以及目标充电桩对应停车位的停车收费信息等标签。至于预测的时间段、预测的日期对应的星期属性或预测的日期对应的节假日属性，服务器可根据默认设置获取，比如：可将预测时间段设置为未来24小时内每个小时对应的时间段，比如：服务器接收到空闲度查询请求的日期为2020-5-1，时间为12:00，那么服务器可确定预测时间段为从2020-5-1，12:00以后的12:00-13：00、13:00-14:
00、
……
共24个小时。可将预测的日期对应的星期属性设置为服务器接收到空闲度查询请求的日期对应的星期属性，接着上述举例，服务器接收到空闲度查询请求的日期为2020-5-1，2020-5-1为星期五，那么服务器可确定预测的日期对应的星期属性为“星期五”。可将预测的日期对应的节假日属性设置为服务器接收到空闲度查询请求的日期对应的节假日属性，接着上述举例，服务器接收到空闲度查询请求的日期为2020-5-1，2020-5-1是节假日，那么服务器可确定预测的日期对应的节假日属性为“是”。
31.另一种可能的实现方式中，服务器接收到终端设备发送的空闲度查询请求后，向终端设备返回标签输入指令，终端设备接收到给标签输入指令后，通过对话框的形式提示用户填写目标充电桩对应的第一标签，进而将目标充电桩对应的第一标签反馈给服务器。
32.s204、根据目标充电站包含的每个目标充电桩对应的第一标签以及预先训练得到的预测模型，确定目标充电站的空闲度预测结果。
33.首先，根据目标充电站包含的每个目标充电桩对应的第一标签以及预测模型，得到所有目标充电桩的空闲度预测结果。然后，对所有目标充电桩的空闲度预测结果取平均，得到目标充电站的空闲度预测结果。
34.一种可能的实现方式中，服务器接收到空闲度查询请求后，先通过s203得到用户请求查询的目标充电站包含的每个目标充电桩对应的第一标签，然后将目标充电桩对应的第一标签输入预先训练好的预测模型中，便可得到所有目标充电桩的空闲度预测结果。
35.需要说明的是：输入预测模型中的第一标签的维度需要和训练预测模型时使用的标签维度保持一致。比如：训练预测模型时使用的是：充电站的规模、充电桩的评价得分、充电桩的充电价格、充电桩的充电模式、时间段和星期属性这几个维度的标签，那么通过该预测模型对目标充电桩的空闲度进行预测时，输入预测模型的标签需为：目标充电桩所在充电站的规模、目标充电桩的评价得分、目标充电桩的充电价格、目标充电桩的充电模式、预测的时间段和预测的日期对应的星期属性。或者，预先训练的预测模型有多个，每个预测模型训练时使用的维度不同，当接获取到目标充电桩对应的第一标签后，基于该第一标签的维度，选择与该第一标签适用的预测模型进行空闲度预测。
36.s205、服务器将空闲度预测结果输出至终端设备。
37.s206、终端设备显示目标充电站的空闲度预测结果。
38.结合图3所示举例，参见上文描述，服务器可将预测时间段设置为未来24小时内每个小时对应的时间段，则用户通过图3触发id1的空闲度查询请求后，服务器获取id1包含的每个目标充电桩未来24小时内每个小时对应的第一标签，然后，将每个小时对应的第一标签输入预测模型，便可得到每个目标充电桩未来24小时内每个小时的空闲度预测结果，对所有目标充电桩的空闲度预测结果取平均，便可得到充电站未来24小时内每个小时的空闲度预测结果，服务器可进一步对该24小时的空闲度预测结果差值处理，服务器将该预测结果发送给终端设备后，终端设备对其进行渲染显示便可得到图4所示效果，用户可将该结果作为自己出行找桩充电的参考。
39.需要说明的是：s203-s206描述了用户触发了空闲度查询请求后，实时计算对应充电站的空闲度，并反馈给用户的方案。实时计算对计算能力要求比较高，在计算能力有限的情况下，s203-s206还可使用如下方案代替：
40.一种可能的实现方式中，服务器定期对各个充电站的空闲度进行预测，比如：每天
预测一次或者每小时预测一次，然后将空闲度预测结果存储下来，用户触发了用于查询目标充电站的空闲度的查询请求后，直接根据该查询请求从存储的空闲度预测结果中调取即可，降低了对计算能力的要求。
41.另一种可能的实现方式中，当有用户触发空闲度查询请求时，服务器计算对应充电站的空闲度并存储下来，当有其他用户请求查询同一充电站的空闲度时，直接将存储的空闲度反馈给该用户即可。同样可降低对计算能力的要求。
42.需要说明的是：本实施例以图1所示架构为例对本发明提供的方法进行说明，也可完全由终端设备来执行本实施例中的各个步骤，即，s203-s206将服务器作为执行主体仅是一种示例，s203-s206也可由终端设备执行，本实施例在此不做限定。
43.本发明提供的充电站空闲度预测方法，通过预测模型来获取目标充电桩的空闲度预测结果，由于预测模型在训练时考虑到了充电站的规模、充电桩评价得分、充电价格、充电模式以及停车收费信息等多方面因素对空闲度的影响，因此通过预测模型得到的充电桩空闲度预测结果更加准确，基于该充电桩空闲度预测结果得到的充电站空闲度预测也更加准确。
44.下面对服务器确定目标充电站的空闲度预测结果的过程进行详细描述。图5为本发明提供的充电站空闲度预测方法的实施例二的流程示意图。本实施例提供的充电站空闲度预测方法可以由图1中的服务器来执行。如图5所示，本实施例提供的充电站空闲度预测方法包括：
45.s501-s506为模型训练过程：
46.s501、获取n个样本数据。
47.具体的，可获取任一充电桩在预设时间范围内每个小时的历史空闲度；然后获取该充电桩在预设时间范围内每个小时的对应的第二标签，该第二标签包括以下标签中的至少一种：该充电桩所在充电站的规模、该充电桩的评价得分、该充电桩的充电价格、该充电桩的充电模式、该充电桩对应停车位的停车收费信息、历史空闲度对应的时间段、历史空闲度对应的星期属性或历史空闲度对应的节假日属性。可将该充电桩任一小时的历史空闲度和该任一小时对应第二标签确定为一个样本数据。
48.具体的，上述获取充电桩每个小时的历史空闲度的方式可以包括：获取充电桩的状态信息，该状态信息包括：空闲、离网、故障和/或插枪充电状态，所述插枪充电状态包括插枪未充电或插枪充电中；根据所述每个小时的状态信息，确定历史空闲度。
49.下面对获取历史空闲度的方式举例说明：
50.假设，充电桩a在过去一天(2020年4月1日)12:00-13:00的状态信息包括：空闲和故障，其中，12:00-12:30为空闲，12:30-13:00为故障，则充电桩a在2020年4月1日12:00-13:00对应的历史空闲度为50％。
51.下面对第二标签举例说明：
52.过去每个小时都对应一个历史空闲度，同时对应一个第二标签。以上述2020年4月1日12:00-13:00这个时间段为例，假设充电桩a所在充电站的规模为50，充电桩a的评价得分为4，充电桩a的充电价格为20元，充电桩a的充电模式为快充，充电桩a的停车收费为0元，2020年4月1日为星期五，2020年4月1日为节假日。那么充电桩a的第二标签包括：规模(50)，评价得分(4)，充电价格(20)，充电模式(快充)、停车收费(0)、星期属性(星期五)、节假日属
性(节假日)、时间段(12:00-13:00)。
53.那么，参见表1所示，2020年4月1日12:00-13:00这个时间段对应的历史空闲度(50％)和第二标签(规模(50)，评价得分(4)，充电价格(20)，充电模式(快充)、停车收费(0)、星期属性(星期五)、节假日属性(节假日)、时间段(12:00-13:00))便可作为一个样本数据。
54.表1
[0055][0056]
需要说明的是：样本数据时间越久远，通过样本数据训练出来的预测模型预测未来的空闲度准确度越低，因此，在训练预测模型时，可选择时间较近的样本数据，比如：可将预设时间范围设为最近3个月。
[0057]
另外，上述第二标签还可包括：充电桩所在的区域、充电桩对应的运营商、充电桩周围的设施、油车占位频次等。本发明以表1所示8个维度的第二标签为例阐述本发明的方案。
[0058]
s502、采用哈希分流算法将n个样本数据划分为训练组和验证组。
[0059]
一种可能的实现方式中，可先对n个样本数据中每个样本数据的标签进行标准化，然后将标准化后的n个样本数据划分为训练组和验证组。将每个标签标准化为0或1。比如，规模大于15时，可将其标准化为1，小于等于15时，可将其标准化为0；评价得分大于3时，可将其标准化为1，小于等于3时，可将其标准化为0；充电价格大于10时，可将其标准化为1，小于等于10时，可将其标准化为0；充电模式为快充时，可将其标准化为1，充电模式为慢充时，可将其标准化为0；停车收费大于0时，可将其标准化为1，等于0时，可将其标准化为0；星期属性是周末时，可将其标准化为1，非周末时，可将其标准化为0；节假日属性是节假日时，可将其标准化为1，节假日属性是非节假日时，可将其标准化为0；时间段在白天时，将其标准化为1，时间段在晚上时，可将其标准化为0。按照此规则，表1所示样本的第二标签可被标准化为表2所示形式：
[0060]
表2
[0061][0062]
一种可能的实现方式中，在划分训练组和验证组时，首先通过信息摘要算法(md5 message-digest algorithm，简称md5)将n个样本数据对应的充电桩id转化为散列值，然后，将得到的散列值通过哈希运算映射到0-100000的区间，将尾数00-59对应的样本数据归为训练组，将尾数60-99对应的样本数据归为验证组。
[0063]
s503、对训练组和验证组进行均匀性校验，得到均匀性校验结果。
[0064]
s504、根据均匀性校验结果分别对训练组和所述验证组进行调整，得到训练样本
集和验证样本集。
[0065]
具体的，上述根据均匀性校验结果调整训练组和验证组的目的在于，保证任一标签为同一数值的比例在两个组是接近的，比如：规模的值为1的样本数量在训练组所占的比例为80％，上述调整的目标在于，保证规模的值为1的样本数量在验证组所占的比例为75％-85％。
[0066]
需要说明的是：上述比例范围可根据实际情况灵活设定，比如：规模的值为1的样本数量在训练组所占的比例为80％，还可将验证组中规模的值为1的样本数量的比例调整为78％-82％，或者调整为与训练组相同(即80％)，本发明不以此为限制。
[0067]
s505、对神经网络模型中各个标签对应的权重进行初始化后，采用所述训练样本集对神经网络模型进行训练，得到优化后的神经网络模型。
[0068]
一种可能的实现方式中，在权重初始化时，可将神经网络中上述8个维度的标签对应的权重等值设置，即将各个维度的权重均设为0.125。
[0069]
一种可能的实现方式中，在使用训练样本集对神经网络模型进行训练的过程中，可将神经网络模型设置为4层结构，包括：输入层、两层隐藏层和输出层，隐藏层的激活函数为线性整流函数relu，输出层的激活函数为线性函数liner。上述4层结构的神经网络模型所用到的算法可选择前馈神经网络算法，并选择方差代价函数作为反向传播算法的代价函数。
[0070]
s506、采用验证样本集对所述优化后的神经网络模型进行验证，若验证样本集中验证成功的样本数据的比例超过预设值，则将所述优化后的神经网络模型确定为所述预测模型。
[0071]
一种可能的实现方式中，s504得到优化后的神经网络模型后，针对验证样本集中每个样本数据，每个样本数据包含第二标签和真实空闲度，将该样本中的第二标签输入上述神经网络模型，得到对应的预测值后，将该预测值和该样本数据中的真实空闲度进行比较，若误差在5％以内，则认为预测成功。对验证样本集中每个样本数据均做上述操作，如果验证样本集中超过90％的样本数据都预测成功，则将该优化后的神经网络模型确定为预测模型，如果预测成功的比例没有达到90％，则对上述优化后的神经网络模型做进一步的优化，直到预测成功的比例达到90％为止。
[0072]
需要说明的是：上述误差5％以及比例90％的设置均是一种可选的设置，具体数值可根据实际情况设定，本发明不以此为限制。
[0073]
s507、根据目标充电站包含的每个目标充电桩对应的第一标签以及预先训练得到的预测模型，确定目标充电站的空闲度预测结果。
[0074]
参见上文，首先，根据目标充电站包含的每个目标充电桩对应的第一标签以及预测模型，得到所有目标充电桩的空闲度预测结果。然后，对所有目标充电桩的空闲度预测结果取平均，得到目标充电站的空闲度预测结果。需要说明的是：上文获取到样本数据后，对样本数据进行标准化后才进行模型训练，因此，服务器在获取到目标充电桩对应的第一标签后，先将第一标签进行标准化，得到标准化后的第一标签，然后将标准化后的第一标签输入所述预测模型，便得到目标充电桩的空闲度预测结果。
[0075]
本实施例提供的充电站空闲度预测方法，介绍了训练得到预测模型的过程，由于在预测模型的训练过程中考虑了充电站的规模、充电桩评价得分、充电价格、充电模式以及
停车收费信息等多个维度对空闲度的影响，因此，通过该预测模型得到的空闲度预测结果更加准确。
[0076]
图6为本发明提供的充电站空闲度预测装置的结构示意图。如图6所示，本发明提供的充电站空闲度预测装置，包括：
[0077]
接收模块601，用于接收用户触发的空闲度查询请求，所述空闲度查询请求包括：用户请求查询的目标充电站的标识；
[0078]
获取模块602，用于根据所述目标充电站的标识，获取所述目标充电站包含的每个目标充电桩对应的第一标签，所述第一标签包括以下标签的至少一种：所述目标充电站的规模、所述目标充电桩的评价得分、所述目标充电桩的充电价格、所述目标充电桩的充电模式、所述目标充电桩对应停车位的停车收费信息、预测的时间段、预测的日期对应的星期属性或预测的日期对应的节假日属性；
[0079]
确定模块603，用于根据所述目标充电站包含的每个目标充电桩对应的第一标签以及预先训练得到的预测模型，确定所述目标充电站的空闲度预测结果；
[0080]
输出模块604，用于输出所述空闲度预测结果。
[0081]
可选的，上述装置还包括：训练模块605；所述训练模块605用于：
[0082]
获取训练样本集和验证样本集；
[0083]
对神经网络模型中各个标签对应的权重进行初始化后，采用所述训练样本集对神经网络模型进行训练，得到优化后的神经网络模型；
[0084]
采用所述验证样本集对所述优化后的神经网络模型进行验证，若所述验证样本集中验证成功的样本数据的比例超过预设值，则将所述优化后的神经网络模型确定为所述预测模型。
[0085]
可选的，所述训练模块605具体用于：
[0086]
获取任一充电桩在预设时间范围内每个小时的历史空闲度；
[0087]
获取所述充电桩在所述预设时间范围内每个小时对应的第二标签，所述第二标签包括以下标签中的至少一种：所述充电桩所在充电站的规模、所述充电桩的评价得分、所述充电桩的充电价格、所述充电桩的充电模式、所述充电桩对应停车位的停车收费信息、时间段、星期属性或节假日属性；
[0088]
将所述充电桩任一小时的历史空闲度和对应的第二标签确定为一个样本数据。
[0089]
可选的，所述训练模块605具体用于：
[0090]
获取任一充电桩在预设时间范围内每个小时的状态信息，所述状态信息包括：空闲、离网、故障和/或插枪充电状态，所述插枪充电状态包括插枪未充电或插枪充电中；
[0091]
根据所述每个小时的状态信息，确定所述历史空闲度。
[0092]
可选的，所述训练模块605具体用于：
[0093]
对所述n个样本数据中每个样本数据的标签进行标准化；
[0094]
采用哈希分流算法将标准化后的n个样本数据划分为训练组和验证组。
[0095]
可选的，所述确定模块603具体用于：
[0096]
根据所述目标充电站包含的每个目标充电桩对应的第一标签以及所述预测模型，得到所有目标充电桩的空闲度预测结果；
[0097]
对所述所有目标充电桩的空闲度预测结果取平均，得到所述目标充电站的空闲度
预测结果。
[0098]
可选的，所述神经网络模型包括：输入层、两层隐藏层和输出层，所述隐藏层的激活函数为线性整流函数relu，所述输出层的激活函数为线性函数liner。
[0099]
可选的，所述确定模块603还用于：
[0100]
存储所述目标充电站的空闲度预测结果；
[0101]
接收用户触发用于查询所述目标充电站的空闲度的查询请求；
[0102]
根据所述查询请求，调取所述目标充电站的空闲度预测结果。
[0103]
本实施例提供的充电站空闲度预测装置，可用于执行上述任一方法实施例中服务器所执行的步骤，其实现原理和技术效果类似，在此不再赘述。
[0104]
本发明提供一种充电桩平台，该平台上能实现充电站查询、空闲度查询等功能，该充电桩平台上存储有计算机程序，该计算机程序被处理器执行时可实现上述实施例提供的充电站空闲度预测方法。
[0105]
本发明提供一种终端设备，该终端设备包括上述充电桩平台。该终端设备可以是手机，也可以是车机。
[0106]
图7为本发明提供的服务器的硬件结构示意图。如图7所示，本实施例的服务器可以包括：
[0107]
存储器701，用于存储程序指令。
[0108]
处理器702，用于在所述程序指令被执行时实现上述任一方法实施例中服务器所执行的步骤，具体实现原理可参见上述实施例，本实施例此处不再赘述。
[0109]
本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例中服务器所执行的步骤。
[0110]
本发明还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得服务器实施上述任一方法实施例中服务器所执行的步骤。
[0111]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0112]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0113]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0114]
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存
储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-only memory，简称：rom)、随机存取存储器(英文：random access memory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0115]
应理解，本发明所描述的处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0116]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。