充电桩盈利预测算法、盈利概率预测算法的制作方法

1.本发明属于汽车充电运营管理技术领域，涉及充电桩运营风险评估技术，具体涉及一种基于回归模型的电动汽车充电桩亏损风险预测系统。


背景技术：

2.随着电动汽车的普及，电动充电桩也随即部署在城市的各个地点、场所中，但由于相比于传统内燃机汽车，电动汽车的保有量在市场上依旧比较上。因此，目前电动汽车的充电费用依旧较高，而且对于充电桩运营企业而言，充电桩的部署不仅要耗费大量的人力物力，据相关资料显示，一个普通桩的成本均价在5千-2万人民币，一个快充桩成本普遍超过10万。
3.除了前期的投入，日常维护的费用也是相当大的一笔开支，因此，要如何保证电动汽车充电桩处于盈利状态，是充电桩运营企业需要考虑的重要问题之一。电动汽车充电桩要实现盈利，其受到多方面因素的影响，例如充电桩所处区域是否对用户而言较为方便、充电桩是否支持快充、充电桩单次充电收费方案以及天气、温度等情况都会对用户是否使用充电桩造成影响，从而影响充电桩运营企业的营收。
4.为了使得相关运营企业对于充电桩的营收、亏损风险有一个较为准确的预测，以帮助其及时调整运营策略，本方案中发明了一种基于回归模型的电动汽车充电桩亏损风险预测系统。该系统可以实现对于充电桩营收、亏损的风险分析，借助于回归模型，可以将风险具体化为百分比数据，并对存在亏损可能性的充电桩进行预警，以帮助企业减少风险。


技术实现要素：

5.本发明的目的在于至少部分的解决背景技术中所涉及的现有充电桩运营风险无法把控，以及预测算法不合理等问题。
6.本发明的目的之一在于提供一种充电桩盈利预测算法，其特征在于，具有，
7.充电桩特征数据chi；
8.充电桩在时刻t的营收情况y；
9.其中，chi表示为，
[0010][0011]
其中，ci为便捷参数，用于表示充电桩所处区域对用户而言的方便程度；
[0012]
其中，fi为快充参数，用于表示充电桩对快充的支持性；
[0013]
其中，ei为费用参数，用于表示用户对充电桩当前充电的收费方案接受度；
[0014]
其中，wi为天气参数，用于表示充电桩所在区域的天气对充电行为的友好情况；
[0015]
其中，ti为温度参数，用于表示充电桩所在环境温度对充电行为的友好情况；
[0016]
其中，充电桩特征数据chi在时刻t的营收情况y表示为，
[0017]
y＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*tiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；
[0018]
其中，μi表示回归模型中的参数，由模型训练学习而得到。
[0019]
优选的，特征数据chi，表示为，
[0020]
chi＝{ci,fi,ei,wi,ti}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)。
[0021]
优选的，公式(2)变化为，
[0022]
ln(y)＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*tiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023]
其中，对数函数ln()用于约束y的取值范围。
[0024]
本发明的目的之一在于提供一种盈利概率预测算法，其特征在于，
[0025]
权利要求1-3之任一项权利要求所述的充电桩盈利预测算法；
[0026]
充电桩的亏损风险定义为p，充电桩实现盈利的可能性为1-p，描述充电桩chi在时刻t的营收情况y，即：
[0027][0028]
公式(4)改写为：
[0029][0030]
根据公式(6)求解得充电桩的亏损风险p为：
[0031][0032]
优选的，回归模型算法具有损失函数loss()；
[0033]
其中，损失函数loss()的阈值为λ；
[0034]
以损失函数loss()的值小于阈值λ为条件结束对于模型的训练，获取回归模型μi的参数值，并生成定制模型；
[0035]
其中，
[0036]
loss()＝-ω*log(p)-(1-ω)*log(1-p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)；
[0037]
其中，ω为比例系数，当ω＝1时，loss()＝-log(p)；
[0038]
其中，当ω＝0时，loss()＝-log(1-p)。
[0039]
优选的，总损失函数由m个充电桩的损失叠加为，
[0040][0041]
优选的，m取值范围为关联区域充电桩总数m的10％-35％；
[0042]
其中，关联区域为指定的目标区域；且，
[0043]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的前1/3位置；且，
[0044]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的中间1/3位置；且，
[0045]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的后1/3
位置。
[0046]
优选的，m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的前1/5位置；且，
[0047]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的中间1/5位置；且，
[0048]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的后1/5位置。
[0049]
优选的，距离阈值s0；
[0050]
时间阈值t0；
[0051]
便捷参数ci表示为，ci＝0.5
·
(t0/t)
·
(s0/s)；
[0052]
其中，s为用户到充电桩的行车距离；
[0053]
其中，t为用户到充电桩的行车时间。
[0054]
优选的，具有距离阈值s0确定步骤；
[0055]
确定包括，
[0056]
a1、设置多个距离值选项；
[0057]
a2、随机抽取用户参与调查；
[0058]
a3、获取用户可接受的最大行车距离值选项；
[0059]
a4、以最大行车距离值选项区间内的一值作为距离阈值s0。
[0060]
本发明的显著进步性至少体现在：本方案中的电动汽车充电桩亏损风险预测基于回归模型进行分析，相比于现有技术中的方案，考虑了更多可能相关的因素，而不是只依赖于简单的收入、支出数据分析。因此，本方案中发明的电动汽车亏损预测方案，可以有效帮助企业预防亏损、实现营收。回归模型的引入实现了可以对一些定量进行数学描述，其可以帮助人们研究因变量与自变量之间的因果关系，例如一个较为简单的先验性知识：充电桩单次收费方案较为优惠，则会吸引人们前来充电，因此该充电桩实现盈利的可能性就较大；而又例如当城市面临极端天气环境，例如过高、过低气温的影响，则人们外出频次减少，则充电桩亏损的可能性就较大，此时应当及时调整充电桩的运营策略，以避免后知后觉而造成亏损。
附图说明
[0061]
图1示出了盈利概率预测算法的流程图；
[0062]
图2示出了定制模型的生成与使用的流程图；
[0063]
图3示出了获取便捷参数的流程图。
具体实施方式
[0064]
下面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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施方式，都属于本发明保护的范围。
[0065]
结合图1-3所示，本发明提供如下实施例：
[0066]
实施例1：
[0067]
充电桩盈利预测算法，其特征在于，具有，
[0068]
充电桩特征数据chi；
[0069]
充电桩在时刻t的营收情况y；
[0070]
其中，chi表示为，
[0071][0072]
其中，ci为便捷参数，用于表示充电桩所处区域对用户而言的方便程度；
[0073]
其中，fi为快充参数，用于表示充电桩对快充的支持性；
[0074]
其中，ei为费用参数，用于表示用户对充电桩当前充电的收费方案接受度；
[0075]
其中，wi为天气参数，用于表示充电桩所在区域的天气对充电行为的友好情况；
[0076]
其中，ti为温度参数，用于表示充电桩所在环境温度对充电行为的友好情况；
[0077]
由于这五种参数相互之间存在关联，考虑对本发明后续的盈利概率预测模型的影响，每种数据的度量方式和数据范围均不同，其关联为弱相关，数据的表征能力较弱。因此，为了提高初始数据的表征能力，本发明对这五种参数进行变量的标定以及参数的范围量化。
[0078]
比如，对用户而言的方便程度从0-1表示为极其不方便和非常方便，可根据充电桩所在的位置进行打分，例如0.5表示位置较为合理；充电桩是否支持快充取值0或者1，分别表示是或者否；充电桩单次充电收费方案从0-1表示为非常便宜和非常昂贵，可根据充电桩的收费情况进行打分，例如0.5表示为收费较为合理；充电桩所在区域的天气情况从0-1表示为非常恶劣和非常舒适，可根据充电桩所在环境情况进行打分，例如0.5表示天气情况较为良好；充电桩所在环境的温度情况从0-1表示为非常寒冷和非常炎热，可根据充电桩所在环境情况进行打分，例如0.5表示温度情况适中。
[0079]
其中，充电桩特征数据chi在时刻t的营收情况y表示为，
[0080]
y＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*tiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；
[0081]
其中，μi表示回归模型中的参数，由模型训练学习而得到。
[0082]
随着充电桩的需求量逐渐增加，生活中能够经常看见充电桩，但目前仍有部分充电桩处于不工作状态。充电桩除了前期的投入，日常维护的费用也是相当大的一笔开支，因此很多充电桩因不能盈利而被运营企业抛弃。荒废的充电桩还会误导很多消费者来此充电，最后无功而返。电动汽车充电桩盈利情况受多方面因素的影响，只考虑单一因素很难长期盈利。
[0083]
在本实施例中，本发明提供的充电桩盈利预测算法，综合考虑多方面因素对充电桩盈利情况的影响，包括充电桩所处区域是否对用户而言较为方便、充电桩是否支持快充、充电桩单次充电收费方案以及天气、温度等因素，据这n(n＝5)项因素来分析充电桩的营收情况y。需要说明的是，本发明采用但不限于使用上述五种标准对其进行分析，不同的城市、环境存在其他可能的影响因素，因此,可动态调整n的数值，同样适用于本发明中提出的模
型进行分析。
[0084]
基于回归模型进行分析预测，充电桩特征数据chi在时刻t的营收情况y表示为，y＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*ti。相比于现有技术中的方案，考虑了更多可能相关的因素，而不是只依赖于简单的收入、支出数据分析。本发明可以实现对充电桩营收情况进行预测，在此基础上，对存在亏损可能性的充电桩进行预警，以帮助企业减少风险。
[0085]
实施例2：
[0086]
特征数据chi，表示为，
[0087]
chi＝{ci,fi,ei,wi,ti}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)。
[0088]
公式(2)变化为，
[0089]
ln(y)＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*tiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0090]
其中，对数函数ln()用于约束y的取值范围。
[0091]
在本实施例中，通过引入对数函数来约束y的取值范围，将影响充电桩收入的潜在因素进行量化，以便通过回归模型来进行风险预测，根据相关数据证明，采用对数函数进行约束后的函数描述，其准确度可提高1％-1.5％个百分点，风险预测准确度可达到80％。
[0092]
实施例3：
[0093]
盈利概率预测算法，其特征在于，
[0094]
权利要求1-3之任一项权利要求所述的充电桩盈利预测算法；
[0095]
充电桩的亏损风险定义为p，充电桩实现盈利的可能性为1-p，描述充电桩chi在时刻t的营收情况y，即：
[0096][0097]
公式(4)改写为：
[0098][0099]
根据公式(6)求解得充电桩的亏损风险p为：
[0100][0101]
在本实施例中，本发明将亏损风险p以百分比的形式表示为有多大的概率会产生亏损、有多大的概率会实现盈利。在模型的训练过程中，得到回归模型μi的参数值，则可以完成对于充电桩的亏损风险p的计算。根据预测得到的亏损风险p及时调整充电桩的运营策略，以避免后知后觉而给企业造成亏损。
[0102]
实施例4：
[0103]
回归模型算法具有损失函数loss()；
[0104]
其中，损失函数loss()的阈值为λ；
[0105]
以损失函数loss()的值小于阈值λ为条件结束对于模型的训练，获取回归模型μi的参数值，并生成定制模型；
[0106]
其中，
[0107]
loss()＝-ω*log(p)-(1-ω)*log(1-p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)；
[0108]
其中，ω为比例系数，当ω＝1时，loss()＝-log(p)；
[0109]
其中，当ω＝0时，loss()＝-log(1-p)。
[0110]
在本实施例中，由于充电桩的盈利与亏损也受到其他外在因素的影响，例如社会经济效应等，为了更加精准地对这种亏损风险进行定义，本发明中引入配比系数ω，定义回归模型的损失函数以完成模型的训练。回归模型通过迭代的方式进行训练，当损失函数loss()的值小于定义的阈值λ时，就结束对于模型的训练，得到回归模型μi的参数值。
[0111]
实施例5：
[0112]
总损失函数由m个充电桩的损失叠加为，
[0113][0114]
在本实施例中，如图1-2所示本方案的优选方案之一，训练模型时，用m个充电桩的数据参与模型训练，充电桩chi对应的特征数据为{ci,fi,ei,wi,ti}，其对应的营收数据为yi，亏损风险为pi因此，损失函数需要将m个充电桩的损失进行叠加：
[0115][0116]
当定义好回归模型的损失函数后，当损失函数loss()的值小于定义的阈值λ时，就结束模型训练。此时，回归模型中的参数μi固化不再改变，带入公式(7)中求解该充电桩的亏损风险p以及充电桩实现盈利的可能性为1-p。
[0117]
一个可能的例子：充电桩的亏损风险p＝0.8，盈利风险则为1-p＝1-0.8＝0.2，因此说明该充电桩存在亏损风险。在发明中，将亏损和盈利的临界值定为0.5，即当亏损风险p大于0.5时，说明该充电桩有亏损风险，此时应该及时提示运营企业调整运营策略；而当盈利的可能性为1-p大于0.5时，则说明该充电桩运营状况良好。
[0118]
实施例6：
[0119]
m取值范围为关联区域充电桩总数m的10％-35％；
[0120]
其中，关联区域为指定的目标区域；且，
[0121]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的前1/3位置；且，
[0122]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的中间1/3位置；且，
[0123]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的后1/3位置。
[0124]
在本实施例中，m取值范围为关联区域充电桩总数m的10％-35％，在不增加工作量的情况下，训练数据能够真实反映该区域充电桩真实运营情况。其中所在区域的ci取值在全部ci取值升序排列的前、中、后1/3位置分别至少取1个充电桩的数据。能够保证训练数据分布的均匀性。
[0125]
实施例7：
[0126]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的前1/5位置；且，
[0127]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的中间1/5位置；且，
[0128]
m个充电桩中至少1个充电桩所在区域的ci取值位于全部ci取值升序排列的后1/5位置。
[0129]
在本实施例中，其中所在区域的ci取值在全部ci取值升序排列的前、中、后1/5位置分别至少取1个充电桩的数据。能够保证训练数据分布的均匀性与广泛性。
[0130]
实施例8：
[0131]
距离阈值s0；
[0132]
时间阈值t0；
[0133]
便捷参数ci表示为，ci＝0.5
·
(t0/t)
·
(s0/s)；
[0134]
其中，s为用户到充电桩的行车距离；
[0135]
其中，t为用户到充电桩的行车时间。
[0136]
在本实施例中，如图3所示，本方案的优选方案之一，以用户到充电桩的行车距离s、用户到充电桩的行车时间t、距离阈值s0、时间阈值t0这4种数据来确定便捷参数。行车距离与行车时间是客户优先考虑是否便捷的因素，通过行车距离与行车时间来定义便捷参数，更加贴合实际情况，从而使训练出来的模型准确率更高。
[0137]
实施例9：
[0138]
具有距离阈值s0确定步骤；
[0139]
确定包括，
[0140]
a1、设置多个距离值选项；
[0141]
a2、随机抽取用户参与调查；
[0142]
a3、获取用户可接受的最大行车距离值选项；
[0143]
a4、以最大行车距离值选项区间内的一值作为距离阈值s0。
[0144]
在本实施例中，通过设置多个距离值选项，随机抽取用户参与调查，获取用户可接受的最大行车距离值选项，以最大行车距离值选项区间内的一值作为距离阈值s0。在某一区域调查得到的距离阈值s0体现该区域的真实情况，面对不同的区域调查得到不同的距离阈值s0，通过该确定距离阈值s0的方法，使得训练数据具有广泛性、多样性，从而使训练得到的模型更加稳定。
[0145]
在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了使于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。其中，“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。
[0146]
在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0147]
在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部
的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0148]
在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0149]
在本发明的实施例的描述中，需要理解的是，
“‑”
和“～”表示的是两个数值之同的范围，并且该范围包括端点。例如:“a-b”表示大于或等于a，且小于或等于b的范围。“a～b”表示大于或等于a，且小于或等于b的范围。
[0150]
最后还应该说明的是，尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。