(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111413408.8 (22)申请日 2021.11.25 (71)申请人 合肥工业大 学设计院 （集团） 有限公 司 地址 230000 安徽省合肥市屯溪路193号 (72)发明人 汪春　张卫华　李理　赵世　祝凯　 吴丛　 (74)专利代理 机构 合肥正则元起专利代理事务 所(普通合伙) 3416 0 代理人 李浩宇 (51)Int.Cl. G06Q 10/04(2012.01) G08G 1/14(2006.01) (54)发明名称 基于停车大数据的区域公共停车场充电需 求预测方法 (57)摘要 本发明公开了基于停车大数据的区域公共 停车场充电需求预测方法， 属于公用事业技术领 域， 具体方法包括： 步骤一： 获取新能源车辆停 车、 充电和运行数据， 划分研究范围； 步骤二： 建 立统一数据接入平台， 获取研究范围内行驶的新 能源车辆行驶的原始数据和停车数据； 步骤三： 建立非营运车辆充电需求预测模型和营运车辆 充电需求预测模型； 步骤四： 获取公共停车场新 能源车辆停车和充电数据， 通过 非营运车辆充电 需求预测模型和营运车辆充电需求预测模型对 非营运车辆和营运车辆充电需求进行预测； 步骤 五： 对非营运车辆和营运车辆充电需求的预测数 据进行评价， 并根据评价结果对非营运车辆充电 需求预测模型和营运车辆充电需求预测模型进 行再学习。 权利要求书3页 说明书8页 附图2页 CN 114139794 A 2022.03.04 CN 114139794 A 1.基于停车 大数据的区域公共停车场充电需求预测方法， 其特 征在于， 具体方法包括： 步骤一： 获取新能源车辆停车、 充电和运行 数据， 划分研究范围； 步骤二： 建立统一数据接入平台， 获取研究范围内行驶的新能源车辆行驶的原始数据 和停车数据； 步骤三： 建立非营运车辆充电需求预测模型和营运车辆充电需求预测模型； 步骤四： 获取公共停车场新能源车辆停车和充电数据， 通过非营运车辆充电需求预测 模型和营运车辆充电需求预测模型对非营运车辆和营运车辆充电需求进行 预测； 步骤五： 对非营运车辆和营运车辆充电需求的预测数据进行评价， 并根据评价结果对 非营运车辆充电需求预测模型和营运车辆充电需求预测模型进行 再学习。 2.根据权利要求1所述的基于停车大数据的区域公共停车场充电需求预测方法， 其特 征在于， 划分研究范围的方法包括： 获取城市平面图， 识别城市干路和天然屏障， 根据城市 干路和天然屏障划分最小 单元， 根据新能源车辆停车、 充电和运行数据， 对城区每个最小 单 元进行新能源车辆热点分析和聚类， 基于聚类规则将最小单元进行合并， 确定研究范围边 界。 3.根据权利要求2所述的基于停车大数据的区域公共停车场充电需求预测方法， 其特 征在于， 基于层次聚类的研究范围划分方法如下： SA1： 输入： 待聚类样本集合D＝{x1,x2,...,xi,...,xn}， 聚类数； xi是第i个最小单元的 特征向量， i∈[1,n]， n为城区单元总个数； 为第i个最小单元在统计 时段 内的平均停车 数量， 为第i个最小单 元内车辆的平均停车时长； SA2： 将样本集中的所有的样本点都当作一个独立的类簇， 计算两两类簇之间的距离d (Ci,Cj)， d(Ci,Cj)满足： SA3： 寻找距离最近的两个聚类簇Cp和Cq， 判断聚类簇Cp 和Cq是否小于最大停车服 务半径Rpark， 若是， 合并聚类簇 Cp和Cq为新的聚类簇 Cg； SA4： 重新计算 新的聚类簇 Cg与其他所有类之间的距离； SA5： 重复SA 2‑SA4， 直到所有类最后合并成一类， 即为研究范围。 4.根据权利要求1所述的基于停车大数据的区域公共停车场充电需求预测方法， 其特 征在于， 步骤三中建立非营运车辆充电需求预测模型和营运车辆充电需求预测模型的具体 训练步骤如下： 输入： 训练集 ， 最大迭代次数M； 对于非营运车辆预测模型来说， xi＝[S,T,t,E,P]i， yi为第i辆非营运车辆充电需求； 对于营运车辆预测模型来说， xi＝[S,E,A]i， yi为第i辆营运车辆充电需求； 输出： 训练完成的非营运车辆和营运车辆充电需求预测模型。 5.根据权利要求4所述的基于停车大数据的区域公共停车场充电需求预测方法， 其特 征在于， 输出训练完成的非营运车辆和营运车辆充电需求预测模型的方法包括：权　利　要　求　书 1/3 页 2 CN 114139794 A 2SB1： 网络参数初始化： 设定输入层的节点个数为n， 隐藏层的节点个数为l， 输出层的节 点个数为m； 输入层到隐藏层的权重ωij， 隐藏层到输出层的权重为ωjk， 输入层到隐藏层的 偏置为aj， 隐藏层到输出层的偏置为bk； 学习速率为 η， 激励函数为g(x)； 其中， 激励函数g(x) 取Sigmoid函数， 计算公式： SB2： 计算网络隐藏层输出Hj， 计算公式： SB3： 计算网络 输出层输出Ok， 计算公式： SB4： 计算网络误差项E， 计算公式： SB5： 更新权值ωij和ωjk， 计算公式： SB6： 更新输入层到隐藏层的偏置aj和隐藏层到输出层的偏置bk， 计算公式： 步骤SB1‑SB6中的i， j， k均为整数， i∈[1,n]， j∈[1,l]， k∈[1,m ]； SB7： 判断迭代次数是否大于最大学习次数M， 若是， 则停止训练； 反之， 重复SB1 ‑SB6， 直 至满足迭代 停止条件。 6.根据权利要求5所述的基于停车大数据的区域公共停车场充电需求预测方法， 其特 征在于， SB4中ek＝Yk‑Ok， Yk为期望输出。 7.根据权利要求1所述的基于停车大数据的区域公共停车场充电需求预测方法， 其特 征在于， 步骤五中根据评价结果对非营运车辆充电需求预测模型和营运车辆充电需求预测 模型进行 再学习的方法包括： 构建后评价指标体系， 确定各指标的后评价标准， 根据非营运车辆和营运车辆充电需 求的预测数据和按预测实施后的实际数据， 进行需求预测的后评价， 并根据后评价结果对 预测模型参数进行重新标定， 整合为自学习 数据， 将自学习 数据输入到对应的非营运车辆 充电需求预测模型或营运车辆充电需求预测模型中进行 再学习。 8.根据权利要求7所述的基于停车大数据的区域公共停车场充电需求预测方法， 其特 征在于， 分层后评价过程包括： 利用遗传算法， 对预测模型的参数进行优化， 优化参数包括： 输入层和隐藏层连接权值 ωij、 隐藏层偏置值aj、 隐藏层与输出层连接权值ωjk， 输出层偏置值bk， 参数优化调整步骤 如下： SC1： 种群初始化： 利用实数编码方法， 对初始化的神经网络参数优化集合进行编码处权　利　要　求　书 2/3 页 3 CN 114139794 A 3