基于XGBoost算法的用户换电行为预测值计算方法技术

本发明专利技术公开了基于XGBoost算法的用户换电行为预测值计算方法，包括以下步骤：S1、获取车辆能耗样本、用户使用电池因素特征样本、用户现有电池状态样本；S2、对静态能耗、骑行能耗进行求和得到车辆总能耗数据；S3、用户现有电池状态样本包括剩余电量，若小于30％则预测值为1并结束；若大于等于80％则预测值为0并结束；若大于等于30％且小于80％则转到S4；S4、将车辆总能耗数据、用户使用电池因素特征样本、用户现有电池状态样本输入到XGboost预测模型中进行预测得到预测值。本发明专利技术能够高效、多维度考虑换电的可能性，提升用户换电行为预测值计算的准确性，从而为后续给用户配送电池提供更好的前置信息。好的前置信息。好的前置信息。

【技术实现步骤摘要】
基于XGBoost算法的用户换电行为预测值计算方法


[0001]本专利技术涉及换电
，尤其涉及基于XGBoost算法的用户换电行为预测值计算方法。

技术介绍

[0002]一线城市交通拥堵，使得电动车短途出行成为用户主要出行方式，但因用户平日充电时经常存在不规范行为导致火灾事故时有发生，迫使国家出台政策，不允许用户在楼道内、地下室、室内等场所自行拉线进行充电，而要求集中到专用充电桩处充电。而有些小区因害怕充电桩存在安全隐患，同样不允许小区内设置充电桩，导致用户充电困难。
[0003]因此目前出现了一些电池换电柜，使得用户可以在电池即将缺电时通过换电柜换取电量充足的电池直接使用，免去了用户自行充电的问题，消除了小区内充电带来的安全隐患。但这依旧需要用户自行将电动车骑行到换电柜处对电池进行更换，需要用户付出中途来回骑行的时间，而若商家主动向用户配送电池，又无法很好地预估用户需要换电的可能性，因此需要进行改进。

技术实现思路

[0004]本专利技术针对现有技术中存在的无法很好地预估用户需要换电的可能性等缺陷，提供了新的基于XGBoost算法的用户换电行为预测值计算方法。
[0005]为了解决上述技术问题，本专利技术通过以下技术方案实现：
[0006]基于XGBoost算法的用户换电行为预测值计算方法，包括以下步骤：
[0007]S1、获取车辆能耗样本、用户使用电池因素特征样本、用户现有电池状态样本；
[0008]S2、所述车辆能耗样本包括静态能耗、骑行能耗，对静态能耗、骑行能耗进行求和，得到车辆总能耗数据；
[0009]S3、所述用户现有电池状态样本包括剩余电量，若剩余电量小于30％，则给出预测值为1，并结束预测值计算方法；若剩余电量大于等于80％，则给出预测值为0，并结束预测值计算方法；若剩余电量大于等于30％且小于80％，则跳转到步骤S4；
[0010]S4、所述用户使用电池因素特征样本包括行驶里程数据、平均每日使用频次，将车辆总能耗数据、用户使用电池因素特征样本、用户现有电池状态样本输入到XGboost预测模型中进行预测，从而得到预测值。
[0011]作为优选，上述所述的基于XGBoost算法的用户换电行为预测值计算方法，所述车辆总能耗数据的计算方法为：
[0012]获取电动车处于静止状态下的电流值I
静态
，获取电动车处于骑行状态下的电流值I
骑行
，并通过以下公式进行计算：
[0013][0014]其中，Δ
t
为时间的微分，I
静态
Δ
t
为一秒的静态能耗，I
骑行
Δ
t
为一秒的骑行能耗，C
n
为单位分钟的静态能耗、骑行能耗之和，从而得到车辆总能耗数据。
[0015]作为优选，上述所述的基于XGBoost算法的用户换电行为预测值计算方法，所述行驶里程数据通过以下方法得到：获取电动车实际骑行的总次数，获取电动车历史骑行的平均里程，并将电动车实际骑行的总次数乘以电动车历史骑行的平均里程从而得到所述行驶里程数据。
[0016]作为优选，上述所述的基于XGBoost算法的用户换电行为预测值计算方法，所述平均每日使用频次数据通过以下方法得到：获取电动车历史每日使用频次、电动车历史使用天数，将电动车历史每日使用频次相加后除以电动车历史使用天数从而得到所述平均每日使用频次。
[0017]作为优选，上述所述的基于XGBoost算法的用户换电行为预测值计算方法，所述用户使用电池因素特征样本还包括平均每月换电次数、平均每日用电时长。
[0018]作为优选，上述所述的基于XGBoost算法的用户换电行为预测值计算方法，所述平均每月换电次数通过以下方法得到：获取电动车历史每月换电次数、电动车历史使用月份数，将电动车历史每月换电次数相加后除以电动车历史使用月份数从而得到所述平均每月换电次数。
[0019]作为优选，上述所述的基于XGBoost算法的用户换电行为预测值计算方法，所述平均每日用电时长通过以下方法得到：获取电动车历史每日用电时长、电动车历史使用天数，将电动车历史每日用电时长相加后除以电动车历史使用天数从而得到所述平均每日用电时长。
[0020]作为优选，上述所述的基于XGBoost算法的用户换电行为预测值计算方法，所述用户现有电池状态样本还包括电池健康度数据，若所述电池健康度数据小于95％时，则给出预测值为1，并结束预测值计算方法；若所述电池健康度数据大于等于95％时，将所述电池健康度数据输入到XGboost预测模型中进行预测。
[0021]作为优选，上述所述的基于XGBoost算法的用户换电行为预测值计算方法，所述用户现有电池状态样本还包括电池循环容量衰减率，若所述电池循环容量衰减率大于60％时，则给出预测值为1，并结束预测值计算方法；若所述电池循环容量衰减率小于等于60％时，将所述电池循环容量衰减率输入到XGboost预测模型中进行预测。
[0022]本专利技术的有益效果为：本专利技术通过获取车辆能耗样本、用户使用电池因素特征样本、用户现有电池状态样本，能够涵盖电动车车辆自身的能耗情况、用户对电池的使用情况、电池自身的状态情况，也即涵盖了静态能耗、骑行能耗、剩余电量、电池健康度数据、电池循环容量衰减率、行驶里程数据、平均每日使用频次、平均每月换电次数、平均每日用电时长这些影响因素，从而通过XGboost预测模型高效、多维度考虑电动车车辆换电的可能性，提升用户换电行为预测值计算的准确性，从而为后续给用户配送电池提供更好的前置信息。
附图说明
[0023]图1为本专利技术的流程图。
具体实施方式
[0024]下面结合附图1和具体实施方式对本专利技术作进一步详细描述，但它们不是对本发
明的限制：
[0025]基于XGBoost算法的用户换电行为预测值计算方法，包括以下步骤：
[0026]S1、获取车辆能耗样本、用户使用电池因素特征样本、用户现有电池状态样本；
[0027]S2、所述车辆能耗样本包括静态能耗、骑行能耗，对静态能耗、骑行能耗进行求和，得到车辆总能耗数据；
[0028]S3、所述用户现有电池状态样本包括剩余电量，若剩余电量小于30％，则给出预测值为1，并结束预测值计算方法；若剩余电量大于等于80％，则给出预测值为0，并结束预测值计算方法；若剩余电量大于等于30％且小于80％，则跳转到步骤S4；
[0029]S4、所述用户使用电池因素特征样本包括行驶里程数据、平均每日使用频次，将车辆总能耗数据、用户使用电池因素特征样本、用户现有电池状态样本输入到XGboost预测模型中进行预测，从而得到预测值。
[0030]作为优选，所述车辆总能耗数据的计算方法为：
[0031]获取电动车处于静止状态下的电流值I
静态
，获取电动车处于骑行状态下的电流值I
骑行
，并通过以下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于XGBoost算法的用户换电行为预测值计算方法，其特征在于，包括以下步骤：S1、获取车辆能耗样本、用户使用电池因素特征样本、用户现有电池状态样本；S2、所述车辆能耗样本包括静态能耗、骑行能耗，对静态能耗、骑行能耗进行求和，得到车辆总能耗数据；S3、所述用户现有电池状态样本包括剩余电量，若剩余电量小于30％，则给出预测值为1，并结束预测值计算方法；若剩余电量大于等于80％，则给出预测值为0，并结束预测值计算方法；若剩余电量大于等于30％且小于80％，则跳转到步骤S4；S4、所述用户使用电池因素特征样本包括行驶里程数据、平均每日使用频次，将车辆总能耗数据、用户使用电池因素特征样本、用户现有电池状态样本输入到XGboost预测模型中进行预测，从而得到预测值。2.根据权利要求1所述的基于XGBoost算法的用户换电行为预测值计算方法，其特征在于：所述车辆总能耗数据的计算方法为：获取电动车处于静止状态下的电流值I
静态
，获取电动车处于骑行状态下的电流值I
骑行
，并通过以下公式进行计算：其中，Δ
t
为时间的微分，I
静态
Δ
t
为一秒的静态能耗，I
骑行
Δ
t
为一秒的骑行能耗，C
n
为单位分钟的静态能耗、骑行能耗之和，从而得到车辆总能耗数据。3.根据权利要求1所述的基于XGBoost算法的用户换电行为预测值计算方法，其特征在于：所述行驶里程数据通过以下方法得到：获取电动车实际骑行的总次数，获取电动车历史骑行的平均里程，并将电动车实际骑行的总次数乘以电动车历史骑行的平均里程从而得到所述行驶里程数据。4.根据权利要求1所述的基于XGB...

【专利技术属性】
技术研发人员：倪捷，盛刚祥，薛剑存，金君耀，朱日昭，谢雄宇，
申请(专利权)人：浙江绿源电动车有限公司，
类型：发明
国别省市：