智慧城市新能源汽车充电服务方法、系统、装置和介质与流程

1.本说明书涉及新能源汽车服务领域，特别涉及智慧城市新能源汽车充电服务方法、系统、装置和介质。


背景技术：

2.汽车出行是一种普遍使用的出行方式，随着新能源技术的发展，新能源汽车逐渐走进汽车出行的市场。新能源汽车需要充电使用，目前新能源汽车的充电方式主要依靠街头的公共充电桩。这种充电方式存在需要长时间排队才能开始充电的情况。同时也存在充电桩故障的可能，给用户的出行造成不便。
3.因此，希望提供一种智慧城市新能源汽车充电服务方法和物联网系统。可以为用户选择最佳充电桩，提高新能源汽车充电服务的质量，减少用户排队等待时间，提升用户的使用体检。


技术实现要素：

4.本说明书一个或多个实施例提供一种智慧城市新能源汽车充电服务方法。基于智慧城市新能源汽车充电服务物联网系统实现。所述智慧城市新能源汽车充电服务物联网系统包括用户平台、服务平台、充电桩管理平台；所述方法由所述充电桩管理平台执行。所述方法包括：基于所述服务平台通过所述用户平台获取用户的充电请求，其中，所述充电请求包括所述用户的汽车的剩余电量和所述用户的定位位置；基于所述充电请求，确定候选充电桩；基于所述候选充电桩的排队信息和前往所述候选充电桩的时间信息，对所述候选充电桩进行排序，确定目标充电桩；预测所述目标充电桩的故障率，其中，所述故障率用于确定所述目标充电桩的推荐信息；以及基于所述服务平台通过所述用户平台，将所述推荐信息反馈给所述用户。
5.本说明书实施例之一提供一种智慧城市新能源汽车充电服务物联网系统，包括用户平台、服务平台、充电桩管理平台。所述充电桩管理平台被配置为执行以下操作：基于所述服务平台通过所述用户平台获取用户的充电请求，其中，所述充电请求包括所述用户的汽车的剩余电量和所述用户的定位位置。基于所述充电请求，确定候选充电桩；基于所述候选充电桩的排队信息和前往所述候选充电桩的时间信息，对所述候选充电桩进行排序，确定目标充电桩；预测所述目标充电桩的故障率，其中，所述故障率用于确定所述目标充电桩的推荐信息；以及基于所述服务平台通过所述用户平台，将所述推荐信息反馈给所述用户。
6.本说明书实施例之一提供一种智慧城市新能源汽车充电服务装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如上述任一实施例所述的智慧城市新能源汽车充电服务方法。
7.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述任一项所述的智慧城市新
能源汽车充电服务方法。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：图1是根据本说明书一些实施例所示的智慧城市新能源汽车充电服务物联网系统的应用场景示意图；图2是根据本说明书一些实施例所示的智慧城市新能源汽车充电服务物联网系统图；图3是根据本说明书一些实施例所示的智慧城市新能源汽车充电服务方法的示例性流程图；图4是根据本说明书一些实施例所示的基于知识图谱，确定目标充电桩的故障率的示例性示意图；图5是根据本说明书一些实施例所示的基于排序结果确定目标充电桩的示例性流程图；图6是根据本说明书一些实施例所示的确定推荐信息的示例性流程图。
具体实施方式
9.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
10.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
11.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
12.图1是根据本说明书一些实施例所示的智慧城市新能源汽车充电服务物联网系统的应用场景示意图。在一些实施例中，应用场景100可以包括处理设备110、网络120、存储设备130、充电桩140以及终端150。
13.在一些实施例中，应用场景100中的组件可以经由网络120以实现彼此连接和/或通信。例如，处理设备110可以通过网络120连接到存储设备130。
14.在一些实施例中，处理设备110可以处理与智慧城市新能源汽车充电服务物联网系统的应用场景100有关的信息和/或数据，以执行本说明书中描述的一个或以上功能。例如，处理设备110可以基于充电请求，确定候选充电桩。在一些实施例中，处理设备110可以
包括一个或以上处理引擎。处理设备110可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果，并基于这些数据、信息和/或处理结果执行程序指令，以执行本说明书中描述的一个或以上功能。
15.网络120可以包括提供能够促进智慧城市新能源汽车充电服务物联网系统的信息和/或数据交换的任何合适的网络。智慧城市新能源汽车充电服务物联网系统的一个或多个组件之间可以通过网络120交换信息和/或数据。例如，网络120可以基于服务平台通过用户平台，将推荐信息反馈给用户。
16.存储设备130可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储从处理设备110、终端150等获得的数据和/或信息。例如，存储器设备130可以存储充电请求、推荐信息等。在一些实施例中，存储器设备130可以设置在处理设备110中。
17.充电桩140可以指各种可以给用户的汽车提供充电服务的充电桩。例如，充电桩140可以包括位于不同区域的多个充电桩。
18.终端150可以是用户使用的终端设备。在一些实施例中，终端150可以包括移动设备150-1、平板电脑150-2、笔记本电脑150-3等或其任意组合。移动设备150-1可以通过网络120与服务平台中的其他组件交互。
19.图2是根据本说明书一些实施例所示的智慧城市新能源汽车充电服务物联网系统图。如图2所示，物联网系统200包括用户平台210、服务平台220、充电桩管理平台230、传感网络平台240和对象平台250。
20.在一些实施例中，用户可以通过用户平台210输入充电请求。用户平台可以将关于目标充电桩的推荐信息反馈给用户。用户平台210可以与服务平台220进行交互。例如，将用户的充电请求指令下发至服务平台220、接收服务平台220上传的目标充电桩的推荐信息等。
21.在一些实施例中服务平台220可以与充电桩管理平台230进行交互。例如，下发用户的充电请求指令至充电桩管理平台230、接收充电桩管理平台230上传的目标充电桩的推荐信息等。服务平台220可以与用户平台210进行交互。例如，接收用户平台210下发的用户的充电请求指令、上传目标充电桩的推荐信息至用户平台210。
22.在一些实施例中，充电桩管理平台230可以设置有一个管理总平台数据库和多个管理分平台（包括自有管理分平台数据库）。多个管理分平台分别存储和处理传感网络平台240发送的不同类型的数据。管理总平台数据库对多个管理分平台的数据进行汇总后存储和处理，并传输数据至服务平台220。
23.在一些实施例中，多个管理分平台可以基于城市区域进行划分。各管理分平台从传感网络平台总数据库接收各区域内的充电桩的相关信息，并进行处理和运行管理。
24.在一些实施例中，充电桩管理平台230可以与传感网络平台240进行交互。例如，接收传感网络平台总数据库上传的相应各个区域处理后的充电桩的相关信息、下发获取各个区域充电桩的相关信息的指令至传感网络平台总数据库。
25.在一些实施例中，充电桩管理平台230可以与服务平台220进行交互。例如，接收服务平台220下发的用户的充电请求指令。管理平台总数据库可以将汇总处理后的数据上传至服务平台。
26.在一些实施例中，充电桩管理平台被配置为基于服务平台通过用户平台获取用户的充电请求。基于充电请求，确定候选充电桩；基于候选充电桩的排队信息和前往候选充电桩的时间信息，对候选充电桩进行排序，确定目标充电桩；预测目标充电桩的故障率，其中，故障率用于确定目标充电桩的推荐信息；以及基于服务平台通过用户平台，将推荐信息反馈给用户。
27.在一些实施例中，充电桩管理平台进一步被配置为基于多个管理分平台确定候选充电桩。管理总平台数据库基于候选充电桩的排队信息和前往候选充电桩的时间信息，对候选充电桩进行排序，确定目标充电桩。
28.在一些实施例中，充电桩管理平台进一步被配置为获取知识图谱。基于知识图谱，确定目标充电桩的故障率。
29.在一些实施例中，充电桩管理平台进一步被配置为获取候选充电桩的第一基本信息和用户的充电画像；基于排队信息、时间信息、第一基本信息、充电画像中的至少一种，通过排序模型确定排序结果；基于排序结果，确定目标充电桩。
30.在一些实施例中，充电桩管理平台进一步被配置为执行以下操作：基于行程需求信息，确定第一子推荐信息；基于故障率，确定第二子推荐信息；基于第一子推荐信息和第二子推荐信息，确定推荐信息。
31.在一些实施例中，传感网络平台240可以设置有一个传感网络总平台数据库和多个传感网络分平台（包括自有数据库）。多个传感网络分平台可以分别存储和处理对象平台250发送的不同类型或不同接收对象的数据。传感网络总平台数据库可以对多个传感网络分平台的数据进行汇总后存储和处理，并传输数据至充电桩管理平台230。充电桩的相关信息可以直接到对应的传感网络分平台进行处理和运行管理。
32.在一些实施例中，传感网络平台240可以与对象平台250进行交互。传感网络分平台获取对象平台中的部署在各个城市区域的充电桩的相关信息。例如，接收对象平台250上传的各区域充电桩的相关信息、下发获取各区域充电桩的相关信息的指令至对象平台。传感网络平台240可以与充电桩管理平台230进行交互。例如，接收充电桩管理平台下发的获取各区域充电桩相关信息的指令。又例如，上传传感网络总平台数据库的对应区域的充电桩的相关数信息至各对应的管理分平台。传感网络分平台可以与多个管理分平台相似，根据城市区域进行划分。多个管理分平台可以与传感网络分平台一一对应。
33.在一些实施中，将充电桩的相关信息先经过传感网络分平台处理，再汇总到总数据库，可以减少整个传感网络平台的数据处理压力，避免数据杂乱而造成大负荷作业。
34.在一些实施例中，对象平台250可以被配置为充电桩。对象平台250可以与传感网络平台240进行交互。例如，接收传感网络分平台下发的获取充电桩的相关信息的指令、上传充电桩的相关信息至相应的传感网络分平台。
35.对象平台可以用于获取充电桩的相关信息。并将充电桩的相关信息基于传感网络平台传递至多个管理分平台，以使多个管理分平台基于充电桩的相关信息确定候选充电桩。
36.图3是根据本说明书一些实施例所示的智慧城市新能源汽车充电服务方法的示例性流程图。在一些实施例中，流程300可以由充电桩管理平台230执行。
37.步骤310，基于服务平台通过用户平台获取用户的充电请求，其中，充电请求包括
用户的汽车的剩余电量和用户的定位位置。
38.充电请求是指用户对于汽车充电的请求。充电请求还可以包括用户的汽车的剩余电量和用户的定位位置等。剩余电量可以在汽车仪表盘中显示。定位位置可以通过汽车装载的gps、用户终端等定位装置获得。
39.在一些实施例中，服务平台可以通过各种方式从用户平台获取用户的充电请求。例如，基于汽车的剩余电量小于阈值，用户平台可以主动向服务平台发送充电请求。阈值可以由用户平台预设。又例如，服务平台还可以基于用户的充电请求操作来获取充电请求。例如，当用户通过点击操作按钮发送充电请求给服务平台。
40.步骤320，基于充电请求，确定候选充电桩。
41.候选充电桩是指汽车剩余电量乘以安全系数后的电量能够满足用户行驶到充电桩位置的充电桩。安全系数可以提前预设，例如，安全系数为0.9等。
42.在一些实施例中，充电桩管理平台可以基于多个管理分平台确定候选充电桩，并通过多个管理分平台传递至管理总平台数据库。
43.在一些实施例中，充电桩管理平台可以通过多种方式确定候选充电桩。例如，可以基于用户充电请求确定车辆剩余电量乘以安全系数能去到的最大位置，基于最大位置确定候选充电桩的分布情况。
44.在一些实施例中，充电桩管理平台还可以根据用户的历史选择确定候选充电桩。例如，可以根据用户的定位位置，对一定范围内用户的历史选择的各个充电桩的次数进行排序。将与选择次数较多的充电桩相似的充电桩确定为候选充电桩。
45.步骤330，基于候选充电桩的排队信息和前往候选充电桩的时间信息，对候选充电桩进行排序，确定目标充电桩。
46.排队信息可以包括当前排队车辆数、预计排队时间、排队过程中充电桩电量使用情况等。在一些实施例中，可以根据充电桩及其他用户终端获取排队信息。排队信息可以根据实际排队情况进行实时更新。
47.时间信息是指从用户当前位置到达候选充电桩位置所需的时间。时间信息可以根据道路交通情况、汽车剩余电量、汽车型号等信息确定。
48.在一些实施例中，可以通过多种方式对候选充电桩进行排序。例如，可以根据时间信息由短到长对候选充电桩进行排序，又例如，可以根据排队车辆的由少到多进行排序。关于对候选充电桩进行排序的详细说明，可以参见图5。
49.目标充电桩是指从候选充电桩中确定的作为推荐给用户的充电桩。
50.在一些实施例中，可以通过多种方式确定目标充电桩。例如，可以根据候选充电桩的排序结果，将排序靠前的候选充电桩确定为目标充电桩。又例如，可以根据用户的个性化选择从候选充电桩中确定目标充电桩。关于确定目标充电桩的更多说明可以参见图5。
51.步骤340，预测目标充电桩的故障率，其中，故障率用于确定目标充电桩的推荐信息。
52.故障率是指充电桩发生故障的概率。在一些实施例中，故障率可以基于充电桩的型号、使用时间、使用次数等信息确定。
53.在一些实施例中，可以通过各种方式预测故障率。例如，可以根据同类型号充电桩的故障情况预测目标充电桩的故障率。又例如，可以根据历史发生故障的充电桩的使用时
间、次数等信息预测目标充电桩的故障率。关于预测目标充电桩的故障率的详细说明可以参见图4。
54.推荐信息是指目标充电桩的推荐信息。推荐信息可以包括推荐分数、推荐情况等内容。推荐信息可以通过数值或文本等形式表示。推荐情况可以表示为不推荐、一般推荐、推荐等。
55.在一些实施例中，可以通过多种方式确定推荐信息。例如，故障率和推荐信息负相关。故障率越大，推荐分数越低。关于确定推荐信息的更多说明，可以参见图6。
56.步骤350，基于服务平台通过用户平台，将推荐信息反馈给用户。
57.在一些实施例中，服务平台可以将推荐信息发送给用户平台。进而通过用户平台将推荐信息传递给用户终端，并在用户终端上显示推荐信息。
58.基于新能源汽车充电服务方法，向用户推荐合适的充电桩，可以减少排队时间，尽可能避免充电桩故障的情况。从而提高充电效率，满足充电需求，提升用户的出行体验。
59.图4是根据本说明书一些实施例所示的基于知识图谱，确定目标充电桩的故障率的示例性示意图。在一些实施例中，流程400可以由充电桩管理平台230执行。
60.步骤410，获取知识图谱。
61.知识图谱可以反映各个充电桩的特征以及各个充电桩之间的关系。
62.在一些实施例中，知识图谱可以包括节点和边。节点可以包括充电桩等。如图4所示，节点包括充电桩1、2、3、m、n等。节点特征可以包括充电桩的故障率等。边可以用于连接相似度大于预设阈值的两个节点。相似度可以指两个节点之间的相似程度。预设阈值可以指两个节点之间的相似度的最小值。
63.充电桩管理平台可以根据实际需求，预先设定预设阈值和/或调整预设阈值的大小。当两个节点之间的相似度大于预设阈值时，两个节点之间存在边。如图4所示，充电桩1和2之间（相似度大于预设阈值）存在边411。边的边特征可以包括被边连接的两个节点的相似度。
64.在一些实施例中，充电桩管理平台230可以基于各个充电桩的相关信息，获取知识图谱。例如，可以基于各个充电桩的相关信息，相似度大于预设阈值的充电桩连接成边，进而获取知识图谱。关于充电桩的相关信息的更多内容可以参见图3。
65.在一些实施例中，充电桩管理平台可以通过多种方式确定两个节点之间的相似度。例如，充电桩管理平台可以基于各个充电桩的相关信息，确定两个节点之间的相似度。两个充电桩的相关信息中相同或相似的信息越多，两个节点之间的相似度越大。
66.在一些实施例中，充电桩管理平台可以基于充电桩的生产厂商、充电桩型号、充电桩的使用时长、充电桩的充电时长、故障次数等中的至少一种，构建每个充电桩的充电桩向量。充电桩管理平台可以基于充电桩向量，确定两个节点之间的相似度。
67.充电桩的相关信息可以包括充电桩的基本信息、位置信息、历史故障信息、被用户使用的历史充电信息、当前排队信息、预约信息、充电桩的充电时长等。充电桩的基本信息可以包括类型、型号、生产厂商、故障率等。充电桩的位置信息可以包括不同的充电桩的位置分布。充电桩可以根据预设规则被配置身份标识（如id编号），便于对充电桩进行管理。在一些实施例中，充电桩包括定位装置，用于获取充电桩的位置。充电桩包括摄像装置可以用于采集实时图像信息。
68.充电桩的相关信息可以通过充电桩向量进行表示。
69.在一些实施例中，管理分平台可以基于充电桩的相关信息，构建每个充电桩的充电桩向量。关于管理分平台如何基于传感网络分平台通过对象平台获取不同城市区域的充电桩的相关信息的更多内容可以参见图2。
70.在一些实施例中，充电桩管理平台可以计算任意两个充电桩向量的向量距离，基于向量距离确定任意两个充电桩的相似度。其中，向量距离可以包括余弦距离、欧式距离、或汉明距离等。
71.基于充电桩向量确定相似度，可以提高相似度的准确性。可以为用户选择最佳的目标充电桩，提升用户的使用体检。
72.在一些实施例中，充电桩管理平台可以迭代更新知识图谱。其中，迭代更新的更新条件可以包括定期和/或充电桩发生故障，迭代更新可以基于以下公式进行确定x'=x σaiyi。
73.在一些实施例中，充电桩管理平台可以在满足更新条件时迭代更新知识图谱。更新条件可以包括定期或实时更新、某些特定条件等。充电桩管理平台可以更新知识图谱中全部或部分节点的充电桩的故障率。例如，某节点充电桩发生故障时，可以更新与该节点所属的类型相同的充电桩节点的故障率。某些特定条件可以包括充电桩发生故障、充电桩报废等。
74.在一些实施例中，可以通过公式（1）迭代更新。
75.x'=x σaiyi（1）其中，x'为更新后的故障率，x为更新前的故障率，yi为邻度节点的故障率，ai是邻度节点与该充电桩节点之间的相似度。邻度节点可以指与该充电桩节点连接的节点。邻度可以理解为两个节点间的最短路径中涉及的边的数量。例如，邻度可以为1、2等。
76.如图4所示，充电桩m与3之间的邻度为1。充电桩m与n之间的邻度为2。邻度的大小可以提前预设。当邻度为2时，邻度节点与该充电桩节点之间的相似度ai可以基于对应的两个边的相似度加权求和确定，其中，不同边的相似度的权重可以提前预设。
77.在第一轮迭代中，更新前的故障率、邻度节点的故障率可以是提前确定的。关于如何确定故障率可以参见图3。邻度节点与该充电桩节点之间的相似度可以是提前预设的。
78.又例如，可以通过公式（2）迭代更新。
79.x'=α*x β*σaiyi（2）其中，α为更新前的故障率对应的权重系数。β为邻度节点的故障率和邻度节点与该充电桩节点之间的相似度之间的乘积总和对应的权重系数。α和β可以根据实际需求进行预设。
80.通过不断的迭代更新知识图谱，可以确保知识图谱准确性，进而可以进一步确保目标充电桩的故障率的准确性，有利于进一步确保推荐信息的准确性，提升用户的使用体检。
81.步骤420，基于知识图谱，确定目标充电桩的故障率。
82.在一些实施例中，充电桩管理平台可以基于节点特征确定目标充电桩的故障率。例如，充电桩管理平台可以将知识图谱中的目标充电桩节点对应的节点特征（故障率）确定为目标充电桩的故障率。当知识图谱被更新时，目标充电桩的故障率为更新后的故障率。
83.基于知识图谱，确定目标充电桩的故障率，可以提高故障率的准确性，利于确保推荐信息的准确性，提升用户的使用体检。
84.图5是根据本说明书一些实施例所示的基于排序结果确定目标充电桩的示例性流程图。在一些实施例中，流程500可以由充电桩管理平台230执行。
85.步骤510，获取候选充电桩的第一基本信息和用户的充电画像。
86.第一基本信息可以反映与候选充电桩相关的信息。第一基本信息可以包括充电桩的生产厂商、充电桩型号、充电桩所在位置等。
87.用户的充电画像指可以表征用户选择充电桩倾向的信息。例如，用户的充电画像可以包括用户历史充电行为表征的信息、用户倾向于选择哪种充电桩的信息等。
88.在一些实施例中，充电桩管理平台可以通过多种方式获取第一基本信息。例如，可以通过候选充电桩对应的id，进而通过对应的管理分平台数据库获取第一基本信息。
89.在一些实施例中，充电桩管理平台可以通过多个管理分平台数据库获取用户的历史充电数据。充电桩管理平台可以对用户的历史充电数据进行统计。充电桩管理平台可以将统计数据确定为用户的充电画像。
90.在一些实施例中，用户的充电画像可以通过用户特征向量进行表示。
91.在一些实施例中，充电桩管理平台可以获取用户的第二基本信息和用户的历史充电数据。充电桩管理平台可以基于第二基本信息和历史充电数据，通过特征提取模型提取用户特征向量，其中，特征提取模型为机器学习模型。
92.用户的第二基本信息可以指与用户有关的信息。例如，用户的新能源汽车的型号、用户选择充电桩的习惯等。
93.在一些实施例中，充电桩管理平台可以通过多种方式获取用户的第二基本信息。例如，管理分平台数据库存储用户的第二基本信息。充电桩管理平台可以通过用户对应的id，通过管理分平台数据库确定用户的第二基本信息。
94.用户特征向量可以表示与用户充电相关的特征。
95.特征提取模型可以为机器学习模型。特征提取模型的类型可以包括神经网络、深度神经网络、卷积神经网络等，模型类型的选择可视具体情况而定。
96.在一些实施例中，特征提取模型的输入可以包括用户的第二基本信息和用户的历史充电数据等。特征提取模型的输出可以包括用户特征向量。
97.在一些实施例中，可以基于多组训练样本及标签，训练得到特征提取模型。每组训练样本包括样本用户的第二基本信息和样本用户的历史充电数据。标签为用户的样本用户特征向量。训练数据可以基于历史数据获取，训练数据的标签可以通过人工标注或自动标注的方式确定。
98.在一些实施例中，特征提取模型的训练过程可以包括基于预测模型，训练得到特征提取模型。其中，预测模型包括特征提取层和判断层。基于特征提取层输出的第一用户对应的第一用户特征向量和第二用户对应的第二用户特征向量，判断层判断第一用户和第二用户选择的充电桩的相似度。
99.预测模型指可以基于两个用户的相关信息预测两个用户选择的充电桩的相似度的模型。预测模型可以为机器学习模型。
100.特征提取层可以基于第二基本信息和历史充电数据，提取用户特征向量。例如，特
征提取层可以基于第一用户的第二基本信息和历史充电数据，输出第一用户特征向量。基于第二用户的第二基本信息和历史充电数据，输出第二用户特征向量。判断层可以基于两个用户对应的用户特征向量，判断两个用户选择的充电桩之间的相似度。在一些实施例中，预测模型可以和排序模型相似，例如，深度神经网络模型。关于排序模型的更多说明可以参见步骤520。
101.在一些实施例中，可以基于训练样本及标签，训练预测模型得到特征提取模型。例如，可以通过特征提取层和判断层联合训练，将训练后的特征提取层确定为特征提取模型。
102.在一些实施例中，训练样本可以分为两组。第一组训练样本包括多对训练数据。每一对训练数据为相近位置（如1公里以内等）发起充电请求的两个用户分别对应用户的第二基本信息和历史充电数据。标签为两个用户发起充电请求后选择的充电桩的相似度。第二组训练样本包括多对训练数据。每一对训练数据为两个用户的第二基本信息之间的相似度大于相似度阈值的两个用户的第二基本信息和历史充电数据。标签为两个用户历史充电数据之后的时间选择的充电桩的相似度。
103.通过分组对比训练，可以提高训练效率和特征提取模型输出的准确度。预测模型的训练结果可以保证特征提取模型输出的特征向量和用户的充电画像有关。
104.通过特征提取模型提取用户特征向量，可以提高用户特征向量的准确性。进而可以保证用户的充电画像的准确性，有利于后续确保确定的目标充电桩的准确性。
105.步骤520，基于排队信息、时间信息、第一基本信息、充电画像中的至少一种，通过排序模型确定排序结果，其中，排序模型为机器学习模型。
106.排序模型522指可以对候选充电桩对于用户的优先顺序进行排序的模型。排序模型可以为机器学习模型。在一些实施例中，排序模型的类型可以包括神经网络、深度神经网络、卷积神经网络等，模型类型的选择可视具体情况而定。
107.在一些实施例中，排序模型的输入521可以包括候选充电桩的排队信息、前往候选充电桩的时间信息、候选充电桩的第一基本信息、用户的充电画像等中的至少一种。排序模型的输出可以包括排序结果523。
108.在一些实施例中，排序模型可以包括第一特征提取层和排序层。
109.在一些实施例中，第一特征提取层的输入可以包括排队信息、时间信息、第一基本信息、充电画像等中的至少一种。第一特征提取层的输出可以包括候选充电桩特征、用户特征等，上述特征可以通过特征向量进行表示。例如，用户特征可以通过用户特征向量进行表示，关于用户特征向量的更多内容可以参见步骤510。
110.在一些实施例中，排序层的输入可以包括候选充电桩特征、用户特征等。排序层的输出可以包括排序结果。
111.在一些实施例中，可以基于多组训练样本及标签，通过第一特征提取层和判断层联合训练，得到排序模型。
112.在一些实施例中，每组训练样本包括样本排队信息、样本时间信息、样本第一基本信息、样本充电画像等中的至少一种。标签为样本排序结果。训练数据可以基于历史数据获取，训练数据的标签可以通过人工标注或自动标注的方式确定。
113.步骤530，基于排序结果，确定目标充电桩。
114.在一些实施例中，充电桩管理平台可以基于排序结果，确定目标充电桩。例如，可
以将排序结果中的前几名的候选充电桩确定为目标充电桩。
115.通过排序模型，确定目标充电桩，可以提高确定的目标充电桩的准确性，进一步确保后续确定的推荐信息的准确性，提升用户的使用体验。
116.图6是根据本说明书一些实施例所示的确定推荐信息的示例性流程图。在一些实施例中，流程600可以由充电桩管理平台230执行。
117.步骤610，基于行程需求信息，确定第一子推荐信息。
118.行程需求信息是指用户的行程需求。行程需求信息可以包括用户的出行目的、期望出行时间等信息。例如，行程需求信息可以是去位置a吃饭、购物、去某一医院，或者期望半小时内、九点之前到达目的等。
119.第一子推荐信息是指与行程需求信息相关的推荐信息。例如，第一子推荐信息可以包括目标充电桩满足行程需求信息的情况（如目标充电桩的位置距离位置a的远近等）。
120.在一些实施例中，充电桩管理平台可以基于行程需求信息，确定第一子推荐信息。例如，行程需求信息为去位置a吃饭，充电桩管理平台可以根据位置a与目标充电桩的位置的距离远近确定第一子推荐信息。距离位置a较近的目标充电桩1的推荐分数较高（如90），距离位置a较远的目标充电桩2的推荐分数较低（如70）。
121.在一些实施例中，充电桩管理平台可以基于推荐模型对行程需求信息和目标充电桩的位置信息和环境信息进行处理，确定第一子推荐信息。其中，推荐模型为机器学习模型。
122.位置信息和环境信息是指目标充电桩的位置信息和环境信息。环境信息可以包括目标充电桩周围的人流量、交通复杂情况、道路设施情况等信息。
123.推荐模型用于确定目标充电桩的第一子推荐信息。在一些实施例中，推荐模型的输入可以包括行程需求信息、目标充电桩的位置信息以及环境信息。推荐模型的输出可以为第一子推荐信息。在一些实施例中，推荐模型可以包括多个输入层和一个输出层。不同的输入层用于处理不同的输入信息。各个输入层的输出分别为输入信息对应的特征向量。输出层的输入为多个输入信息对应的多个特征向量，输出层的输出作为第一子推荐信息。
124.在一些实施例中，多个输入层和一个输出层可以是单独训练。
125.在一些实施例中，多个输入层的训练数据可以分别是多组带标签的训练样本。训练样本可以分别是样本历史行程需求信息或样本历史目标充电桩的位置信息或样本历史环境信息。训练样本可以基于历史数据获取。多个输入层的训练样本的标签分别为行程特征向量或位置特征向量或环境特征向量。标签可以通过存储设备中存储的历史特征向量获得，也可以通过人工标注获得。
126.在一些实施例中，输出层的训练数据可以是多组带标签的训练样本。训练样本可以是样本行程特征向量、样本位置特征向量和环境特征向量。训练样本可以来源于存储设备中存储的上述特征向量。输出层的训练样本的标签为样本第一子推荐信息。
127.在一些实施例中，多个输入层和一个输出层可以是通过联合训练获得。
128.在一些实施例中，推荐模型可以基于大量带有标签的训练数据训练多个输入层和一个输出层。通过训练更新多个输入层和一个输出层的参数，当训练的模型满足预设条件时，获取训练好的多个输入层和一个输出层。其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值等。
129.根据推荐模型确定第一子推荐信息，可以使第一子推荐信息更加贴合用户的需求，提升确定目标充电桩的准确度。
130.步骤620，基于故障率，确定第二子推荐信息。
131.第二子推荐信息是指与故障率相关的推荐信息。
132.在一些实施例中，充电桩管理平台可以根据目标充电桩的故障率确定第二子推荐信息。例如，故障率为30%的目标充电桩1的第二子推荐信息可以是推荐分数为65。又例如，故障率小于5%的目标充电桩2的第二子推荐信息可以是推荐分数为95等。
133.步骤630，基于第一子推荐信息和第二子推荐信息，确定推荐信息。
134.在一些实施例中，充电桩管理平台可以对第一子推荐信息和第二子推荐信息进行处理，确定推荐信息。例如，充电桩管理平台可以将第一子推荐信息和第二子推荐信息进行合并处理，将合并后的子推荐信息确定为推荐信息。示例性的，目标充电桩1的第一子推荐信息的推荐分数为90，第二子推荐信息的推荐分数为65。可以确定关于目标充电桩1的推荐信息为推荐分数90 65，距离位置a很近，目标充电桩较易发生故障。
135.在一些实施例中，充电桩管理平台可以获取知识图谱的迭代次数；基于迭代次数，确定第一子推荐信息的第一权重和第二子推荐信息的第二权重；基于第一子推荐信息和第二子推荐信息和第一权重和第二权重，确定推荐信息。
136.迭代次数是指知识图谱的迭代次数。关于知识图谱和迭代的详细说明可以参见图4。
137.第一权重是指第一子推荐信息的权重。第二权重是指第二子推荐信息的权重。权重反映第一子推荐信息和第二子推荐信息对于确定推荐信息的重要程度。在一些实施例中，第一权重和第二权重可以预先设置。随着知识图谱迭代次数的增加，第二子推荐信息的第二权重逐渐增大。
138.在一些实施例中，可以根据第一子推荐信息和第二子推荐信息的加权结果来确定推荐信息。例如，目标充电桩2的第一子推荐信息包括推荐分数70，第一权重0.7，第二子推荐信息包括推荐分数95，第二权重0.3，加权结果为77.5。关于目标充电桩2的推荐信息为推荐分数77.5，距离位置a较远，目标充电桩不易发生故障。
139.根据行程需求信息和故障率确定目标充电桩的推荐信息，可以选择更加合适的目标充电桩，提高用户的使用体验。
140.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
141.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。