【技术实现步骤摘要】
本专利技术涉及新能源汽车市场和退役动力电池预测，尤其涉及基于多维特征ml的城市级退役动力电池量预测方法及系统。
技术介绍
1、随着全球气候变化和环境保护的双重压力，新能源汽车作为减少温室气体排放和推动能源转型的关键工具，其发展受到全球范围内的重视。动力电池是新能源汽车的核心，虽然当动力电池的能量衰减至70%-80%以下时，基本无法满足出行需求，但仍具备较高的回收利用价值。由于通过回收动力电池中的关键金属，不仅可以补充材料供给，还可以有效降低资源开采带来的环境影响，因此动力电池的循环利用受到广泛关注。由于城市间在产业结构、资源禀赋、经济发展水平、交通需求和政策效果上存在显著差异，分区域预测退役动力电池量可以提供更精细化的数据支持。
2、本专利专利技术人在实现本专利技术实施新能源汽车上险量预测方法的过程中，至少发现现有技术中存在如下技术问题：
3、（1）数据维度单一：现有技术大多基于历史单维数据对退役动力电池量进行预测。例如，现有技术没有对新能源汽车的类型进行细致区分，特别是没有区分乘用车和商用车，而乘用车和商用车在使用目的、用户群体、市场需求规律等方面存在很大差异；现有技术没有区分电池类型，每种电池的装机量随着市场、技术、气候、消费者需求的变动占比量会持续更新。现有技术中单一维度的数据无法全面反映退役动力电池实际退役重量和电容量情况，导致预测结果不准确。
4、（2）未考虑城市特征差异：现有技术基于省级或国家层面进行预测，没有充分考虑到各城市之间在经济发展水平、人口结构、政策环境等方面存在的显著差
5、（3）模型单一且适用性差：现有技术采用的线性回归模型核心假设基于数据的平稳性与线性关系，依赖历史规律来构建预测框架，在从宏观到微观的尺度转换中，模型暴露出显著的适配性问题。
6、（4）模型缺乏动态适应性：现有预测模型在面对市场环境的快速变化时，无法及时调整模型参数和结构，难以准确预测这些变化对新能源汽车上险量的影响，缺乏动态适应性。
7、综上，现有退役动力电池量预测方法无法满足实际需求。
技术实现思路
1、本专利技术实施例提供一种基于多维特征ml的城市级退役动力电池量预测方法及系统，解决了现有退役动力电池量预测方法无法满足实际需求的问题。
2、本专利技术实施例一方面提供一种基于多维特征ml的城市级退役动力电池量预测方法，包括：
3、获取预设时间段内新能源汽车上险量和n种城市特征值构建数据集；
4、对所述n种城市特征值进行分析，确定影响新能源汽车上险量的城市关键特征值及其权重值；
5、根据所述城市关键特征值及其权重值筛选数据集，并利用筛选后的数据集训练多种调优的机器学习模型；
6、评估各机器学习模型的预测性能，分别为预测乘用车和商用车上险量选取最佳模型；
7、将未来城市关键特征值输入最佳模型以预测新能源汽车上险量；
8、基于预测的新能源汽车上险量，利用新能源汽车的电池类型占比和电池特性，结合weibull寿命分布，预测城市级退役动力电池量。
9、可选的，所述n种城市特征值包括城市人口数量、城市gdp、城镇化率、百度指数、城市新能源汽车推广补贴金额。
10、可选的，对所述n种城市特征值进行分析确定影响新能源汽车上险量的城市关键特征值的方法具体为聚类分析法，确定城市关键特征的权重值的方法具体为主成分分析法。
11、可选的，所述机器学习模型包括lstm模型、随机森林模型、xgboost模型、ann模型和堆叠回归模型，所述调优的方法具体为贝叶斯优化法或超参数调优法。
12、可选的，所述评估各机器学习模型的预测性能采用的评估指标包括均方误差、决定系数。
13、可选的，所述未来城市关键特征值包括未来城市gdp、未来城市人口数量、未来城镇化率、未来百度指数、未来城市新能源汽车推广补贴金额。
14、可选的，所述电池类型具体包括乘用车纯电型、乘用车混电型、商用车纯电型、商用车混电型配套下的lfp电池、ncm111电池、ncm523电池、ncm622电池、ncm811电池、nca电池所组成的24种类型；所述电池特性具体包括电池寿命、电池重量、电池容量。
15、另一方面，本专利技术实施例还提供一种基于多维特征ml的城市级退役动力电池量预测系统，包括：
16、获取模块，用于获取预设时间段内新能源汽车上险量和n种城市特征值构建数据集；
17、确定模块，用于对所述n种城市特征值进行分析，确定影响新能源汽车上险量的城市关键特征值及其权重值；
18、训练模块，用于根据所述城市关键特征值及其权重值筛选数据集，并利用筛选后的数据集训练多种调优的机器学习模型；
19、选取模块，用于评估各机器学习模型的预测性能，分别为预测乘用车和商用车上险量选取最佳模型；
20、处理模块，用于将未来城市关键特征值输入最佳模型以预测新能源汽车上险量，再基于预测的新能源汽车上险量，利用新能源汽车的电池类型占比和电池特性，结合weibull寿命分布，预测城市退役动力电池量。
21、第三方面，本专利技术实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述实施例中一种基于多维特征ml的城市级退役动力电池量预测方法的步骤。
22、第四方面，本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述实施例中一种基于多维特征ml的城市级退役动力电池量预测方法的步骤。
23、本专利技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
24、首先，在数据处理与分析方面，通过对n种城市特征值的综合考量，突破了传统仅依靠单一或少量数据维度进行新能源汽车上险量预测的局限。通过确定城市关键特征值，能够精准地识别出不同城市中对新能源汽车上险量起关键作用的因素，有效减少了数据的冗余和无关信息干扰。同时，确定各关键特征的权重值，进一步突出了重要因素在预测模型中的影响力，使得模型输入数据更具针对性和代表性，为后续的精准预测奠定了坚实基础。
25、其次，在模型构建与训练环节，采用了多种机器学习模型，并对其进行调优。经过调优后的最佳模型，决定系数皆提升0.85以上，均方误差降低接近于0。
26、再者，在预测的精准性和实用性上，分别针对乘用车和商用车进行模型评估和最佳模型选取，充分考虑了这两类车型在城市特征方面的差异。本专利技术经过多组严格的交叉验证和时间序列分析实验。在不同的未来城市关键特征值数据中，均取得了稳定可靠的预测结果。这使得预测结果能够更加贴合实际市场中不同车型的上险情况，进而获取准确的每年消费者对新能源汽车的需求量。
<本文档来自技高网...【技术保护点】
1.一种基于多维特征ML的城市级退役动力电池量预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述N种城市特征值包括城市人口数量、城市GDP、城镇化率、百度指数、城市新能源汽车推广补贴金额。
3.如权利要求1所述的方法，其特征在于，对所述N种城市特征值进行分析确定影响新能源汽车上险量的城市关键特征值的方法具体为聚类分析法，确定城市关键特征的权重值的方法具体为主成分分析法。
4.如权利要求1所述的方法，其特征在于，所述机器学习模型包括LSTM模型、随机森林模型、XGBoost模型、ANN模型和堆叠回归模型，所述调优的方法具体为贝叶斯优化法或超参数调优法。
5.如权利要求1所述的方法，其特征在于，所述评估各机器学习模型的预测性能采用的评估指标包括均方误差、决定系数。
6.如权利要求1所述的方法，其特征在于，所述未来城市关键特征值包括未来城市GDP、未来城市人口数量、未来城镇化率、未来百度指数、未来城市新能源汽车推广补贴金额。
7.如权利要求1所述的方法，其特征在于，所述电池类型具体包括乘用车
8.一种基于多维特征ML的城市级退役动力电池量预测系统，其特征在于，包括:
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于多维特征ml的城市级退役动力电池量预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述n种城市特征值包括城市人口数量、城市gdp、城镇化率、百度指数、城市新能源汽车推广补贴金额。
3.如权利要求1所述的方法，其特征在于，对所述n种城市特征值进行分析确定影响新能源汽车上险量的城市关键特征值的方法具体为聚类分析法，确定城市关键特征的权重值的方法具体为主成分分析法。
4.如权利要求1所述的方法，其特征在于，所述机器学习模型包括lstm模型、随机森林模型、xgboost模型、ann模型和堆叠回归模型，所述调优的方法具体为贝叶斯优化法或超参数调优法。
5.如权利要求1所述的方法，其特征在于，所述评估各机器学习模型的预测性能采用的评估指标包括均方误差、决定系数。
6.如权利要求1所述的方法，其特征在于，所述未来城市关键...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。