一种基于联邦学习的电动汽车充电设施推荐方法及系统转让专利
申请号 : CN202010778276.8
文献号 : CN111897800B
文献日 : 2021-06-22
发明人 : 王晓慧 , 安宁钰 , 郑晓崑 , 梁潇
申请人 : 全球能源互联网研究院有限公司 , 国家电网有限公司
摘要 :
权利要求 :
1.一种基于联邦学习的电动汽车充电设施推荐方法,其特征在于,包括:获取桩特征数据集以及车特征数据集,所述桩特征数据集为从桩运营数据平台数据中提取的与充电桩运营相关的桩特征构成的集合,所述车特征数据集为从车企数据平台数据中提取的与车充电相关的车特征构成的集合;
采用联邦推荐算法对所述桩特征数据集和所述车特征数据集进行联邦训练,得到联邦推荐模型;
获取待推荐充电桩列表中所有充电桩对应的当前桩特征数据集和当前车特征数据集;
将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型,得到推荐结果;
所述桩特征包括用户标识,所述车特征包括车标识,所述采用联邦推荐算法对所述桩特征数据集和所述车特征数据集进行联邦训练,得到联邦推荐模型,包括:将同一充电过程所对应的桩特征中的用户标识和车特征中对应的车标识进行实体对齐,得到对齐后的桩特征和车特征;
采用对齐后的桩特征对所述桩特征数据集进行更新,并采用对齐后的车特征对所述车特征数据集进行更新;
将更新后的桩特征数据集和车特征数据集进行联邦训练,得到所述联邦推荐模型;
将更新后的桩特征数据集和车特征数据集进行联邦训练,得到所述联邦推荐模型,包括:
步骤S231:根据特征关联关系,将所述桩特征数据集分解为桩自有特征及交叉特征,将所述车特征数据集分解为车自有特征及所述交叉特征;
步骤S232:将所述交叉特征分解为桩侧特征和车侧特征;
步骤S233:利用预设联邦推荐模型分别计算车自有特征及车侧特征对应的预估值、损失函数值及车特征梯度,并根据所述预估值分别计算桩自有特征及桩侧特征对应的损失函数值及桩特征梯度;
步骤S234:根据所述车特征梯度及所述桩特征梯度对所述预设联邦推荐模型的参数进行更新,并返回所述步骤S233,直至满足预设训练要求。
2.根据权利要求1所述的基于联邦学习的电动汽车充电设施推荐方法,其特征在于,所述将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型,得到推荐结果,包括:将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型,得到待推荐充电桩列表中所有充电桩对应的预测值;
对所述预测值进行从大到小的排序;
根据排序结果得到所述推荐结果。
3.一种基于联邦学习的电动汽车充电设施推荐系统,其特征在于,包括:第一采集模块,用于获取桩特征数据集以及车特征数据集,所述桩特征数据集为从桩运营数据平台数据中提取的与充电桩运营相关的桩特征构成的集合,所述车特征数据集为从车企数据平台数据中提取的与车充电相关的车特征构成的集合;
模型训练模块,用于采用联邦推荐算法对所述桩特征数据集和所述车特征数据集进行联邦训练,得到联邦推荐模型;
第二采集模块,用于获取待推荐充电桩列表中所有充电桩对应的当前桩特征数据集和当前车特征数据集;
处理模块,用于将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型,得到推荐结果;
所述桩特征包括用户标识,所述车特征包括车标识,所述模型训练模块,包括:对齐子模块,用于将同一充电过程所对应的桩特征中的用户标识和车特征中对应的车标识进行实体对齐,得到对齐后的桩特征和车特征;
更新子模块,用于采用对齐后的桩特征对所述桩特征数据集进行更新,并采用对齐后的车特征对所述车特征数据集进行更新;
训练子模块,用于将更新后的桩特征数据集和车特征数据集进行联邦训练,得到所述联邦推荐模型;
所述训练子模块,包括:
第一分解单元,用于根据特征关联关系,将所述桩特征数据集分解为桩自有特征及交叉特征,将所述车特征数据集分解为车自有特征及所述交叉特征;
第二分解单元,用于将所述交叉特征分解为桩侧特征和车侧特征;
计算单元,用于利用预设联邦推荐模型分别计算车自有特征及车侧特征对应的预估值、损失函数值及车特征梯度,并根据所述预估值分别计算桩自有特征及桩侧特征对应的损失函数值及桩特征梯度;
更新单元,用于所述车特征梯度及所述桩特征梯度对所述预设联邦推荐模型的参数进行更新,并返回所述计算单元,直至满足预设训练要求。
4.根据权利要求3所述的基于联邦学习的电动汽车充电设施推荐系统,其特征在于,所述处理模块,包括:
输入子模块,用于将当前桩特征数据集及当前车特征数据集输入所述联邦推荐模型,得到待推荐充电桩列表中所有充电桩对应的预测值;
排序子模块,用于对所述预测值进行从大到小的排序;
推荐子模块,用于根据排序结果得到所述推荐结果。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1‑2任一所述的基于联邦学习的电动汽车充电设施推荐方法。
6.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1‑2任一所述的基于联邦学习的电动汽车充电设施推荐方法。
说明书 :
一种基于联邦学习的电动汽车充电设施推荐方法及系统
技术领域
背景技术
电设施运营商开始建设自己的运营数据平台,接入桩侧数据,为用户提供充电设施推荐服
务,但是当前对充电设施的状态分析和推荐主要依赖于桩侧数据,没有考虑到用户的个性
化需求。另外具备电动汽车用户侧数据的车企,对于用户数据使用,也没有与充电设施推荐
等方面的需求进行关联,使得桩侧运营数据平台无法得知所有汽车用户的用户数据。因此,
现有的为用户提供充电设施的推荐方法,难以实现用户对充电设施的个性化推荐需求。
发明内容
设施推荐方法及系统。
数据中提取的与车充电相关的车特征构成的集合;采用联邦推荐算法对所述桩特征数据集
和所述车特征数据集进行联邦训练,得到联邦推荐模型;获取待推荐充电桩列表中所有充
电桩对应的当前桩特征数据集和当前车特征数据集;将当前桩特征数据集及当前车特征数
据集输入所述联邦推荐模型,得到推荐结果。
括:将同一充电过程所对应的桩特征中的用户标识和车特征中对应的车标识进行实体对
齐,得到对齐后的桩特征和车特征;采用对齐后的桩特征对所述桩特征数据集进行更新,并
采用对齐后的车特征对所述车特征数据集进行更新;将更新后的桩特征数据集和车特征数
据集进行联邦训练,得到所述联邦推荐模型。
特征及交叉特征,将所述车特征数据集分解为车自有特征及所述交叉特征;步骤S232:将所
述交叉特征分解为桩侧特征和车侧特征;步骤S233:利用预设联邦推荐模型分别计算车自
有特征及车侧特征对应的预估值、损失函数值及车特征梯度,并根据所述预估值分别计算
桩自有特征及桩侧特征对应的损失函数值及桩特征梯度;步骤S234:根据所述车特征梯度
及所述桩特征梯度对所述预设联邦推荐模型的参数进行更新,并返回所述步骤S233,直至
满足预设训练要求。
型,得到待推荐充电桩列表中所有充电桩对应的预测值;对所述预测值进行从大到小的排
序;根据排序结果得到所述推荐结果。
运营数据平台数据中提取的与充电桩运营相关的桩特征构成的集合,所述车特征数据集为
从车企数据平台数据中提取的与车充电相关的车特征构成的集合;模型训练模块,用于采
用联邦推荐算法对所述桩特征数据集和所述车特征数据集进行联邦训练,得到联邦推荐模
型;第二采集模块,用于获取待推荐充电桩列表中所有充电桩对应的当前桩特征数据集和
当前车特征数据集;处理模块,用于将当前桩特征数据集及当前车特征数据集输入所述联
邦推荐模型,得到推荐结果。
应的车标识进行实体对齐,得到对齐后的桩特征和车特征;更新子模块,用于采用对齐后的
桩特征对所述桩特征数据集进行更新,并采用对齐后的车特征对所述车特征数据集进行更
新;训练子模块,用于将更新后的桩特征数据集和车特征数据集进行联邦训练,得到所述联
邦推荐模型。
及所述交叉特征;第二分解单元,用于将所述交叉特征分解为桩侧特征和车侧特征;计算单
元,用于利用预设联邦推荐模型分别计算车自有特征及车侧特征对应的预估值、损失函数
值及车特征梯度,并根据所述预估值分别计算桩自有特征及桩侧特征对应的损失函数值及
桩特征梯度;更新单元,用于所述车特征梯度及所述桩特征梯度对所述预设联邦推荐模型
的参数进行更新,并返回所述计算单元,直至满足预设训练要求。
值;排序子模块,用于对所述预测值进行从大到小的排序;推荐子模块,用于根据排序结果
得到所述推荐结果。
的基于联邦学习的电动汽车充电设施推荐方法。
所述计算机指令,从而执行本发明实施例第一方面所述的基于联邦学习的电动汽车充电设
施推荐方法。
的桩特征构成的集合,车特征数据集为从车企数据平台数据中提取的与车充电相关的车特
征构成的集合;采用联邦推荐算法对桩特征数据集和车特征数据集进行联邦训练,得到联
邦推荐模型;获取待推荐充电桩列表中所有充电桩对应的当前桩特征数据集和当前车特征
数据集;将当前桩特征数据集及当前车特征数据集输入联邦推荐模型,得到推荐结果。通过
采用联邦推荐算法对桩特征数据集和车特征数据集进行联邦训练,得到联邦推荐模型,实
现了桩运营数据平台数据和车企数据平台数据的融合使用,扩充了模型特征,丰富了推荐
算法的可用相关维度,实现了对充电设施的个性化推荐。
附图说明
附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前
提下,还可以根据这些附图获得其他的附图。
具体实施方式
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,都属于本发明保护的范围。
车充电设施推荐方法包括如下步骤:
数据中提取的与车充电相关的车特征构成的集合。
征数据集可分别由桩运营数据平台和车企数据平台根据自身平台数据提取,以避免平台数
据的外泄,保护数据隐私和安全。其中,桩数据运营平台针对桩数据运营平台的历史数据提
取桩特征数据集,用于支撑桩的状态分析及推荐,车企数据平台针对车企数据平台的历史
数据提取车特征数据集,用于支撑电动汽车充电服务的个性化推荐。电动汽车政府监管平
台或其他相关的公认可信的第三方平台作为协调方,用于管理后续联邦学习过程中的密钥
以及特征的汇总。本发明实施例中,桩特征数据集包括:桩数据特征、用户特征和订电特征,
车特征数据集包括:车静态特征、车充电特征和行车特征。
用充电支付方式、车类型、续航里程、电池容量等用户特征;充电桩标识、桩平均每小时充电
次数、平均每小时充电费用、平均每小时充电电量、平均每次充电的费用、平均每次充电的
时长,经纬度、投运时间、充电类型(直流、交流)、停车费、服务费、所属充电站标识、充电站
功率、所属区域,充电站附近餐饮数量、体育设施数量、生活服务数量、购物场所数量等桩数
据特征。另外,桩运营数据平台还提取订单特征,包括充电用户标识、充电桩标识、充电起止
时间、充电时段、充电电量、充电电费、充电服务费等。
开)、平均速度、功率等行车特征;以及利用车辆的间隔5s的位置、充电比例(充电通常充到
SOC,state of charge)、充电状态以及行车状态上报信息,提取出基于车的车充电特征(包
含车标识、模糊充电开始时间、模糊充电结束时间、充电的位置)。
生成,将充电订单中的桩周边3KM范围内且在充电开始时间时处于空闲状态的桩纳入负样
本集合,补充上与对应正样本相同的用户标识、用户特征和订单特征,但桩数据特征替换为
该负样本桩的特征,然后标记样本标签为0。
充电位置(经度、纬度)、充电开始时间(截止到分)、充电时长(分钟)4个特征,可以唯一性确
定一条充电订单,因此通过哈希算法(SM3、SHA1、SHA224、SHA256、SHA384、SHA512等哈希算
法均可以,仅以此为例,不以此为限,桩运营数据平台与车企数据平台约定好一致即可),生
成样本ID(Hid):Hid=H(充电开始时间,经度,维度,充电时长)。为了便于联邦训练时的实
体对齐,桩运营数据平台和车企数据平台获取的充电起止时间、充电时长均保留到分钟维
度。
己的样本ID集合,假设二者分别有样本数mcp、mvp个。具体的实体对齐过程如下:
e
的加密乘上hid的哈希运算:Ei=randi*H(hidi),其中,Ei为运算结果,Hidi为第i个样本,
randi为第i个样本生成的随机数,i∈{1,2,……,mcp}。
对自己的样本ID集合进行哈希后用私钥签名再哈希得到Fj:Fj=H((H(Hidj))),其中,Hidj
为第j个样本,j∈{1,2,……,mvp}。之后,车企数据平台将计算得到的结果Di和Fj传回给桩
运营数据平台。
推断得到共有的ID集合。双方可以根据共有ID集合推断出用户标识和车标识的对应关系,
即可得到对齐后的桩特征和车特征。通过采用RSA算法、哈希算法,设计实现了不具备共同
类型标识情况下的安全实体对齐,减少了信息交互次数,降低了数据泄露的可能性,保障了
用户的隐私安全。
据集更新过程以及车特征数据集更新过程。
平台部分的特征,例如用户标识即为桩自有特征;车自有特征为全部在车企数据平台部分
的特征,例如车标识即为车自有特征;交叉特征为桩运营数据平台与车企数据平台部分两
方之间交叉的特征,例如充电起止时间、充电时段等两方均有的特征即为交叉特征。通过采
用因子分解机算法将桩特征数据集分解成桩自有特征及交叉特征,将车特征数据集分解为
车自有特征及交叉特征,相比于单一的分类算法,增加了交叉特征的学习,提升了推荐算法
的精准度。
函数值及桩特征梯度。
特征对应的损失函数值及桩特征梯度。上述关于预估值、损失函数及特征梯度的计算方法
均为现有技术,在此不再进行赘述。
平台。第三方平台完成解密后,并汇总计算车特征梯度和桩特征梯度。之后将更新后的车特
征梯度和桩特征梯度加对应的安全聚合掩码后分别发给车企数据平台、桩运营数据平台。
车企数据平台、桩运营数据平台去除掩码后更新模型,并返回步骤S233,直至满足预设训练
要求。本发明实施例中,采用基于同态加密、安全聚合的方式由第三方平台进行特征计算汇
总和模型参数传递,实现了数据不离开本地的情况下的推荐算法的联邦训练和联邦推理,
保护了用户隐私。
第三方平台计算前后两轮的整体损失的差值小于第二预设阈值;或者轮数大于第二预设轮
数进行控制,其中,第一预设阈值、第二预设阈值、第一轮数及第二轮数可以根据实际需要
进行设置,本发明并不以此为限。当模型满足预设训练要求后,训练完成,得到最终的联邦
推荐模型。
有的充电桩,构成待推荐充电桩列表,然后获取待推荐充电桩列表中所有充电桩对应的当
前桩特征数据集和当前车特征数据集。
表中的充电桩标识,利用联邦推荐模型,计算桩自有特征及交叉特征,并将计算结果加密发
给第三方平台。同时,桩运营数据平台将该用户标识对应的Hid列表发送给车企数据平台。
车企数据平台方根据桩运营数据平台发送的Hid列表,对应到车标识,利用车特征,计算车
自有特征及交叉特征,并将计算结果加密发给第三方平台。第三方平台汇总所有特征计算,
得到预测值,将预测值加密发送给桩运营数据平台。
的充电桩进行排序,输出排序结果。
根据预设数量从排序结果中取排序前N(如N=10)的充电桩进行推荐等,本发明并不以此为
限。
的桩特征构成的集合,车特征数据集为从车企数据平台数据中提取的与车充电相关的车特
征构成的集合;采用联邦推荐算法对桩特征数据集和车特征数据集进行联邦训练,得到联
邦推荐模型;获取待推荐充电桩列表中所有充电桩对应的当前桩特征数据集和当前车特征
数据集;将当前桩特征数据集及当前车特征数据集输入联邦推荐模型,得到推荐结果。通过
采用联邦推荐算法对桩特征数据集和车特征数据集进行联邦训练,得到联邦推荐模型,实
现了桩运营数据平台数据和车企数据平台数据的融合使用,扩充了模型特征,丰富了推荐
算法可用相关维度,实现了对充电设施的个性化推荐。
企数据平台数据中提取的与车充电相关的车特征构成的集合。详细内容参见上述方法实施
例中步骤S1的相关描述,在此不再赘述。
赘述。
赘述。
从桩运营数据平台数据中提取的与充电桩运营相关的桩特征构成的集合,车特征数据集为
从车企数据平台数据中提取的与车充电相关的车特征构成的集合;采用联邦推荐算法对桩
特征数据集和车特征数据集进行联邦训练,得到联邦推荐模型;获取待推荐充电桩列表中
所有充电桩对应的当前桩特征数据集和当前车特征数据集;将当前桩特征数据集及当前车
特征数据集输入联邦推荐模型,得到推荐结果。通过采用联邦推荐算法对桩特征数据集和
车特征数据集进行联邦训练,得到联邦推荐模型,实现了桩运营数据平台数据和车企数据
平台数据的融合使用,扩充了模型特征,丰富了推荐算法可用相关维度,实现了对充电设施
的个性化推荐。
中步骤S21的相关描述,在此不再赘述。
述,在此不再赘述。
中步骤S231的相关描述,在此不再赘述。
的损失函数值及桩特征梯度。详细内容参见上述方法实施例中步骤S233的相关描述,在此
不再赘述。
相关描述,在此不再赘述。
步骤S41的相关描述,在此不再赘述。
为例。
(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field‑
Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等芯片,或者上述各类芯片的组合。
过运行存储在存储器62中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能
应用以及数据处理,即实现上述方法实施例中的基于联邦学习的电动汽车充电设施推荐方
法。
器62可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器
件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器62可选包括相对于处
理器61远程设置的存储器,这些远程存储器可以通过网络连接至处理器61。上述网络的实
例包括但不限于互联网、企业内部网、企业内网、移动通信网及其组合。
序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存
储记忆体(Read‑Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪
存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid‑State
Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或
变动仍处于本发明创造的保护范围之中。