充电桩运营状况预测方法、装置、存储介质及电子设备与流程

1.本发明涉及数据分析技术领域，具体而言，涉及一种充电桩运营状况预测方法、装置、存储介质及电子设备。


背景技术：

2.随着我国电动汽车产业的蓬勃发展，电动汽车的配套设施，如充电站和充电桩，已经如雨后春笋般再全国各地建设起来。充电桩属于高投资，回报周期较长的产业。前期充电桩的服务商需要投入大量资金，然后经过一段时间的运营，通过满足汽车充电需求中收取电费和服务费等方式实现盈利。为了快速建设充电桩，形成规模效应，不少服务商选择采用融资租赁或者借贷的方式。而作为融资租赁公司，面对这类新型客户，不仅仅需要在租前对该企业还款能力经行考察，也需要在租后环节监控其经营情况和还款能力的变动，以免因为服务商经营不良，导致的还款逾期情况。
3.相关技术中通过人工定期查看账单收入等数据进行预警，然而通过人工定期查看充电桩经营状况的方式，无法精准的对已出现经营异常或将要出现经营异常的充电桩进行监控和预测。


技术实现要素：

4.本发明实施例提供了一种充电桩运营状况预测方法、装置、存储介质及电子设备，以至少解决相关技术中无法精准的对已出现经营异常或将要出现经营异常的充电桩进行监控和预测的技术问题。
5.根据本发明实施例的一个方面，提供了一种充电桩运营状况预测方法，包括：获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；基于所述属性信息、营收数据和用电量构建运营状况预测模型；根据所述运营状况预测模型筛选出所述目标服务商；在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置。
6.根据本发明实施例的另一方面，还提供了一种充电桩运营状况预测装置，包括：第一获取单元，用于获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；构建单元，用于基于所述属性信息、营收数据和用电量构建运营状况预测模型；第一确定单元，用于根据所述运营状况预测模型筛选出所述目标服务商；预警单元，用于在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置。
7.根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的充电桩运营状况预测方法。
8.根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述充电桩运营状况预测方法。
9.在本发明实施例中，采用了获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；基于所述属性信息、营收数据和用电量构建运营状况预测模型；根据所述运营状况预测模型筛选出所述目标服务商；在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置的方法，在上述方法中，由于通过运营状态预测模块筛选出目标服务商，并根据当前服务商匹配的目标服务商对应的预测营收数据判断当前服务商是否会出现经营异常现象，不仅能够根据目标服务商基于所述多个充电桩服务商的平均营收数据和预设的安全系数，确定当前充电桩服务商未来时间段内的预测营收数据，而且能够及时精准的对已出现经营异常或将要出现经营异常的充电桩服务商进行监控和预测，进而解决了相关技术中无法精准的对已出现经营异常或将要出现经营异常的充电桩进行监控和预测的技术问题。
附图说明
10.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
11.图1是根据本发明实施例的一种可选的充电桩运营状况预测方法的应用环境的示意图；
12.图2是根据本发明实施例的另一种可选的充电桩运营状况预测方法的应用环境的示意图；
13.图3是根据本发明实施例的一种可选的充电桩运营状况预测方法的流程示意图；
14.图4是根据本发明实施例的另一种可选的充电桩运营状况预测方法的流程示意图；
15.图5是根据本发明实施例的一种可选的数据处理装置的结构示意图；
16.图6是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
17.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
18.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于
清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
19.根据本发明实施例的一个方面，提供了一种充电桩运营状况预测方法，可选地，作为一种可选地实施方式，上述充电桩运营状况预测方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括：与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互，终端设备102中运行有充电桩运营状况预测应用程序。上述终端设备102中包括人机交互屏幕1022，处理器1024及存储器1026。人机交互屏幕1022用于显示历史时间段内多个充电桩服务商的属性信息、营收数据和用电量；处理器1024用于获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量。存储器1026用于存储上述历史时间段内多个充电桩服务商的属性信息、营收数据和用电量。
20.此外，服务器106中包括数据库1062及处理引擎1064，数据库1062中用于存储历史时间段内多个充电桩服务商的属性信息、营收数据和用电量。处理引擎1064用于获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；基于所述属性信息、营收数据和用电量构建运营状况预测模型；根据所述运营状况预测模型筛选出所述目标服务商；在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置。
21.在一个或多个实施例中，本技术上述充电桩运营状况预测方法可以应用于图2所示的应用环境中。如图2所示，用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作，从而获取经营异常的充电桩的异常预警信息。
22.可选地，上述终端设备102和用户设备204包括但不限于为手机、机顶盒、电视、平板电脑、笔记本电脑、pc机，车载电子设备，可穿戴设备等终端，上述网络104可以包括但不限于无线网络或有线网络。其中，该无线网络包括：wifi及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
23.作为一种可选地实施方式，如图3所示，本发明实施例提供了一种充电桩运营状况预测方法，包括如下步骤：
24.s302，获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域。
25.在本发明实施例中，例如，包括但不限于获取多家充电桩服务商从当前时间节点之前的半年或一年时间内的营收数据，以及用电量；这里历史时间段可以根据需要设置任意时长的时间段。
26.s304，基于所述属性信息、营收数据和用电量构建运营状况预测模型。
27.这里，构建运营状况预测模型包括但不限于从历史时间段内选择出一个或多个服务商作为目标服务商。
28.s306，根据所述运营状况预测模型筛选出所述目标服务商。
29.在本发明实施例中，通过运营状况预测模型确定出目标服务商后，计算目标服务商每个月的平均营收，以及目标服务商中的每个月最低营收的服务商的营收数据。
30.s308，在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置。
31.这里，安全系数包括但不限于根据当前服务商对风险的承受能力和风控要求进行设置。例如当平均营收为1万元/月时，a服务商对风控没有特殊要求，那安全系数可以设置为1，则最低营收触发1万元/月时预警机制。但是对b服务商，风控严格，设置的安全系数为1.5，则最低营收触发1.5万元/月时，就触发预警机制。本发明实施例中的预警机制包括但不限于通过充电桩管理系统中的弹窗提醒，邮件，或微信公众号信息进行预警。
32.在本发明实施例中，采用了获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；基于所述属性信息、营收数据和用电量构建运营状况预测模型；根据所述运营状况预测模型筛选出所述目标服务商；在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置的方法，在上述方法中，由于通过运营状态预测模块用于筛选目标服务商，不仅能够根据目标服务商基于所述多个充电桩服务商的平均营收数据和预设的安全系数，确定当前充电桩服务商未来时间段内的预测营收数据，而且能够及时精准的对已出现经营异常或将要出现经营异常的充电桩服务商进行监控和预测，进而解决了相关技术中无法精准的对已出现经营异常或将要出现经营异常的充电桩进行监控和预测的技术问题。
33.在一个或多个实施例中，所述基于所述属性信息、营收数据和用电量构建运营状况预测模型，包括：
34.以时间点为横坐标，营收数据为纵坐标构建二维坐标系。
35.在本发明实施例中，营收数据也可以通过用电量和电费之间的关系来换算成以用电量为纵坐标的二维坐标系。
36.根据历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，在所述二维坐标系中确定所述多个充电桩服务商在多个维度下的变化曲线。
37.这里，例如以区域或行业为维度可以筛选出相应维度的充电桩服务商在上述二维坐标系中的变化曲线。
38.将每个维度下多个充电桩服务商的变化曲线进行二阶聚类分析，得到每个变化曲线对应的拟合优度，并将拟合优度大于第一预设阈值的变化曲线对应的充电桩服务商集合作为参考服务商。
39.这里，将所得同类型平滑曲线，如营收数据-行业曲线进行二阶聚类分析，可以获得不同曲线的相关性函数和拟合优度，即r2值，选取r2》0.8的曲线，作为目标波动曲线模型，即代表该维度下的参考服务商。
40.拟合优度检验是用来检验观测数与依照某种假设或分布模型计算得到的理论数之间一致性的一种统计假设检验，以便判断该假设或模型是否与实际观测数相吻合。拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数(亦称确定系数)r2。r2最大值为1。r2的值越接近1，说明回归直线对观测值的拟合程度越好，换言之，该预测模型计算得到的理论数与观测数一致性越高，模型预测准确度越高；反之，r2的值越小，
说明回归直线对观测值的拟合程度越差。这里，拟合优度的公式为yi代表波动曲线模型中的模拟值，其均值为拟合值为也即回归直线上的点。
41.在一实施例中，将每个维度下多个充电桩服务商的变化曲线进行二阶聚类分析之前，包括但不限于将每个维度下的多个充电桩服务商的变化曲线进行聚类，剔除掉异常的变化曲线。
42.将所有维度的参考服务商的并集作为所述目标服务商，其中，所述目标服务商对应的变化曲线的曲线波动有效性在第二阈值范围内；在获取到所述目标服务商的情况下，确定得到所述运营状况预测模型。
43.为了避免单个维度下获取的参考服务商会出现偏差，这里可以将所有维度下的参考服务商的并集，即多个服务商作为目标服务商。
44.在一个或多个实施例中，所述充电桩运营状况预测，还包括：
45.获取所述参考服务商对应的变化曲线中相邻的波峰和波谷的时间跨度t，以及相邻的波峰和波谷之间的营收数据差值k。
46.在本发明实施例中，通过计算历史时间段内的每个相邻的波峰和波谷的时间跨度t，以及相邻的波峰和波谷之间的营收数据差值k，再将每个t值和k值输入到拟合优度的公式中，可以得到波动有效性值。
47.根据所述t并基于拟合优度的相关性函数得到第一周期波动有效性值；
48.这里，第一波动有效性值λ1＝r2(t)，y
t
为待拟和数值，均值为拟合值为
49.根据所述k并基于拟合优度的相关性函数得到第二周期波动有效性值；这里，第一波动有效性值λ2＝r2(t)，yk为待拟和数值，均值为拟合值为
50.将所述第一周期波动有效性值和第二周期波动有效性值的乘积作为所述曲线波动有效性。λ＝λ1×
λ2。
51.在一个或多个实施例中，所述充电桩运营状况预测，还包括：
52.确定所有维度的参考服务商对应的变化曲线的曲线波动有效性；
53.将所述曲线波动有效性在第二阈值范围内的参考服务商作为目标服务商。
54.这里第二阈值范围可以为接近0.6的数值范围，也就是说当λ接近0.6时，可以将当前参考服务商作为目标服务商。
55.在一个或多个实施例中，所述将每个维度下多个充电桩服务商的变化曲线进行二阶聚类分析，包括以下至少之一：
56.将营收数据与行业维度下多个充电桩服务商的变化曲线进行二阶聚类分析；
57.将营收数据与区域维度下多个充电桩服务商的变化曲线进行二阶聚类分析。
58.在一个或多个实施例中，所述将每个维度下多个充电桩服务商的变化曲线进行二阶聚类分析，还包括以下至少之一：
59.将用电量与行业维度下多个充电桩服务商的变化曲线进行二阶聚类分析；
60.将用电量与区域维度下多个充电桩服务商的变化曲线进行二阶聚类分析。
61.在一个或多个实施例中，所述根据所述运营状况预测模型筛选出所述目标服务商，包括：
62.确定与当前服务商匹配的目标服务商；
63.将与所述当前服务商匹配的目标服务商的平均营收数据作为所述当前服务商的预测营收数据。根据所述当前服务商所属的行业和/或区域，匹配通过所述运营状况预测模型得到的目标服务商，得到预测模板服务商。
64.在一个或多个实施例中，所述确定与当前服务商匹配的目标服务商，包括：
65.获取所述当前服务商所属的行业和/或区域；
66.将与所述当前服务商具有相同行业和/或区域的目标服务商确定为与所述当前服务商匹配的目标服务商通过物联网设备获取历史时间段内多个充电桩服务商的用电量。
67.在一实施例中，将所述预测模板服务商的最低营收数据，作为未来时间段内所述当前服务商的预测营收数据，在当前服务商的营收小于该预测营收数据时，输出异常预警信息。
68.在一个或多个实施例中，所述获取历史时间段内多个充电桩服务商的用电量，包括：
69.通过物联网设备获取历史时间段内多个充电桩服务商的用电量。
70.在本发明实施例中，通过将物联网计量设备设置在充电桩上，可以实时获取各个充电桩服务商的用电量，通过用电量可以换算相应的营收值。
71.目前仅可以通过对门店的退单情况或者是新用户的退单情况进行线下跟踪识别，线下有针对性的验证包括：电话核实、走访调查、暗访等方法，上述通过人工进行核实的方法不仅无法及时获知跳单行为，而且线下追踪验证成本较大。
72.为了解决上述技术问题，基于上述实施例，如图4所示，在一应用实施例中，上述的充电桩运营状况预测方法还包括如下步骤：
73.s402，在租赁设备上安装物联网设备，如云拍电表等。
74.s404，通过物联网设备获取充电桩服务商实时用电量，计算用电情况和收入情况。
75.s406，对获取的历史数据，通过预设算法进行处理，建立预测模型。
76.s408，结合模型和适合的充电桩服务站当月的充电量数据和营收数据，即可预测该充电桩服务商在未来一段时间(如未来三周或三个月)的用电量情况和收入情况，同时设置合理的用电波动阈值。
77.s410，当该服务商在未来一段时间(如未来三周或三个月)的用电量或者营收的预测值偏离阈值，则触发提醒到租赁公司人员，则租赁公司人员可以根据实际情况进行提前干预。因此，可以达到提前预警，对尚未发生风险的资产提前预警。
78.本发明实施例通过给充电桩加装某一类物联网设备获取每个充电桩实时的用电量，根据电价预估出充电桩实际营收额。结合每年这些营收数据、行业数据的波动规律，进行算法分析，预测接下来一段时间营收数据，将预测的营收数据与设定的目标值进行对比，当预测值偏离目标值的范围，即判断经营异常，并触发预警。
79.在本发明实施例中，因为不同行业每年的用电情况呈现一定的相似性和循环波动
性，因此通过对历史数据曲线拟合来预测未来时间段服务商的营收趋势。
80.在一个或多个实施例中，上述步骤s406中包括如下步骤：
81.s1，选取行业、区域、收入数据、用电量数据，作为输入参数，建立预测模型。将已有的若干条(如1000家)服务商的过去1年的营收数据和用电量数据按照行业、区域绘制月度变动的曲线，则可以得到若干条营收数据-行业、营收数据-区域、用电量-行业、用电量-区域曲线。
82.s2，将所得同类型平滑曲线，如营收数据-行业曲线进行二阶聚类分析，可以获得不同曲线的相关性函数和拟合优度(即，r2值)，选取r2》0.8的曲线，作为典型波动曲线模型，即代表该服务商的营收数据-行业曲线的典型性较高。
83.s3，将典型性曲线进行波动性的回测，即将每个波峰波谷的时间跨度(t)和波峰波谷差值(k)进行比较，得到周期波动有效性λ1＝r2(t)，λ2＝r2(k)，综合波动有效性为λ＝λ1
×
λ2，选择合适的λ参数阈值，则可以找到典型性高且波动有效性高的服务商，即可认为可以用高波动曲线模型预测接下来一段时间(如接下来6个月)的营收数据。同理，可将营收数据-区域、用电量-行业、用电量-区域曲线做相同处理，得到目标服务商。
84.此外，为了提高拟合优度的准确率，也可以将按月统计改为按周或按日统计。
85.s4，取目标服务商本月的营收数据、用电量，带入过去的波动曲线模型，则可以预测当前服务商接下来一段时间(如接下来6个月)的营收数据。
86.s5，根据目标服务商的平均营收和安全系数，设置营收数据的正常波动阈值。若当前服务商的营收数据预测值脱离正常波动阈值，则认为当前服务商将存在无法按时还款等异常情况，即发出报警信息。
87.本发明实施例通过给充电桩加装某一类物联网设备获取每个充电桩实时的用电量，根据电价预估出充电桩实际营收额。结合每年这些营收数据、行业数据的波动规律，进行算法分析，预测接下来一段时间营收数据，将预测的营收数据与设定的目标值进行对比，当预测值偏离目标值的范围，即判断当前充电桩服务商经营异常，并触发预警。
88.本发明实施例采用物联网设备通过建立预测模型，能够预测细分行业细分公司的未来用电量和营收数据，评估服务商的还款能力和逾期可能性，并提前预警。可以解决租赁公司在已经发生了实质性预期才介入的监控延迟的问题，也可以大大提供租赁公司对充电桩和充电桩类资产的监控水平，减少还款逾期情况的发生。
89.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
90.根据本发明实施例的另一个方面，还提供了一种用于实施上述充电桩运营状况预测方法的充电桩运营状况预测装置。如图5所示，该装置包括：
91.第一获取单元502，用于获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；
92.构建单元504，用于基于所述属性信息、营收数据和用电量构建运营状况预测模型；
93.第一确定单元506，用于根据所述运营状况预测模型筛选出所述目标服务商；
94.预警单元508，用于在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置。
95.在本发明实施例中，采用了获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；基于所述属性信息、营收数据和用电量构建运营状况预测模型；根据所述运营状况预测模型筛选出所述目标服务商；在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置的方法，在上述方法中，由于通过运营状态预测模块用于筛选目标服务商，不仅能够根据目标服务商基于所述多个充电桩服务商的平均营收数据和预设的安全系数，确定当前充电桩服务商未来时间段内的预测营收数据，而且能够及时精准的对已出现经营异常或将要出现经营异常的充电桩服务商进行监控和预测，进而解决了相关技术中无法精准的对已出现经营异常或将要出现经营异常的充电桩进行监控和预测的技术问题。
96.在一个或多个实施例中，所述构建单元，包括：
97.构建模块，用于以时间点为横坐标，营收数据为纵坐标构建二维坐标系；
98.第一确定模块，用于根据历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，在所述二维坐标系中确定所述多个充电桩服务商在多个维度下的变化曲线；
99.分析确定模块，用于将每个维度下多个充电桩服务商的变化曲线进行二阶聚类分析，得到每个变化曲线对应的拟合优度，并将拟合优度大于第一预设阈值的变化曲线对应的充电桩服务商集合作为参考服务商；
100.第二确定模块，用于将所有维度的参考服务商的并集作为所述目标服务商；在获取到所述目标服务商的情况下，确定得到所述运营状况预测模型，其中，所述目标服务商对应的变化曲线的曲线波动有效性在第二阈值范围内。
101.在一个或多个实施例中，所述充电桩运营状况预测装置，还包括：
102.第二获取单元，用于获取所述参考服务商对应的变化曲线中相邻的波峰和波谷的时间跨度t，以及相邻的波峰和波谷之间的营收数据差值k；
103.第二确定单元，用于根据所述t并基于拟合优度的相关性函数得到第一周期波动有效性值；
104.第三确定单元，用于根据所述k并基于拟合优度的相关性函数得到第二周期波动有效性值；
105.第四确定单元，用于将所述第一周期波动有效性值和第二周期波动有效性值的乘积作为所述曲线波动有效性。
106.在一个或多个实施例中，所述充电桩运营状况预测装置，还包括：
107.第五确定单元，用于确定所有维度的参考服务商对应的变化曲线的曲线波动有效性；
108.第六确定单元，用于将所述曲线波动有效性在第二阈值范围内的参考服务商作为目标服务商。
109.在一个或多个实施例中，所述分析确定模块，包括以下至少之一：
110.第一分析子单元，用于将营收数据与行业维度下多个充电桩服务商的变化曲线进行二阶聚类分析；
111.第二分析子单元，用于将营收数据与区域维度下多个充电桩服务商的变化曲线进行二阶聚类分析。
112.在一个或多个实施例中，所述第一确定单元506，包括：
113.第三确定模块，用于确定与当前服务商匹配的目标服务商；
114.第四确定模块，用于将与所述当前服务商匹配的目标服务商的平均营收数据作为所述当前服务商的预测营收数据。根据所述当前服务商所属的行业和/或区域，匹配通过所述运营状况预测模型得到的目标服务商，得到预测模板服务商；
115.第五确定模块，用于将所述预测模板服务商的平均营收数据，作为未来时间段内所述当前服务商的预测营收数据。
116.在一个或多个实施例中，所述第三确定模块，包括：
117.获取子单元，用于获取所述当前服务商所属的行业和/或区域；
118.确定子单元，用于将与所述当前服务商具有相同行业和/或区域的目标服务商确定为与所述当前服务商匹配的目标服务商通过物联网设备获取历史时间段内多个充电桩服务商的用电量。
119.在一个或多个实施例中，所述第一获取单元502，包括：
120.获取模块，用于通过物联网设备获取历史时间段内多个充电桩服务商的用电量。
121.根据本技术实施例的又一个方面，还提供了一种用于实施上述充电桩运营状况预测方法的电子设备，该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图6所示，该电子设备包括存储器602和处理器604，该存储器602中存储有计算机程序，该处理器604被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
122.可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
123.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
124.s1，获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；
125.s2，基于所述属性信息、营收数据和用电量构建运营状况预测模型；
126.s3，根据所述运营状况预测模型筛选出所述目标服务商；
127.s4，在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置。
128.可选地，本领域普通技术人员可以理解，图6所示的结构仅为示意，电子装置电子设备也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图6其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图6中所示更多或者更少的组件(如网络接口等)，或者具有与图6所示不同的配置。
129.其中，存储器602可用于存储软件程序以及模块，如本技术实施例中的充电桩运营状况预测方法和装置对应的程序指令/模块，处理器604通过运行存储在存储器602内的软
件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的充电桩运营状况预测方法。存储器602可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器602可进一步包括相对于处理器604远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器602具体可以但不限于用于存储充电桩服务商的营收数据和用电量。作为一种示例，如图6所示，上述存储器602中可以但不限于包括上述数据处理装置中第一获取单元502、构建单元504、确定单元506及预警单元508。此外，还可以包括但不限于上述数据处理装置中的其他模块单元，本示例中不再赘述。
130.可选地，上述的传输装置606用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置606包括一个网络适配器(network interface controller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置606为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
131.此外，上述电子设备还包括：显示器608，用于显示充电桩服务商的营收数据和用电量；和连接总线610，用于连接上述电子设备中的各个模块部件。
132.在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(p2p，peer to peer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
133.在一个或多个实施例中，本技术还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述充电桩运营状况预测方法。其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
134.可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
135.s1，获取历史时间段内多个充电桩服务商的属性信息、营收数据和用电量，所述属性信息包括充电桩服务商所属行业和区域；
136.s2，基于所述属性信息、营收数据和用电量构建运营状况预测模型；
137.s3，根据所述运营状况预测模型筛选出所述目标服务商；
138.s4，在与当前服务商匹配的目标服务商对应的预测营收数据超出预设范围的情况下，输出异常预警信息；其中，所述预设范围为根据所述当前服务商的安全系数而设置。
139.可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
140.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
141.上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
142.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
143.在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
144.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。
145.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，也可以采用软件功能单元的形式实现。
146.以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。