一种基于联邦学习的电动汽车充电设施推荐方法及系统

摘要

本发明公开了一种基于联邦学习的电动汽车充电设施推荐方法及系统，该方法包括：获取桩特征数据集以及车特征数据集，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，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。通过实施本发明，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，实现了对充电设施的个性化推荐。

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

[0001] 本发明涉及物联网技术领域，具体涉及一种基于联邦学习的电动汽车充电设施推荐方法及系统。

背景技术

[0002] 随着新能源技术的发展，电动汽车的市场占有率越来越高，充电设施的数量也随之持续增长。然而据统计，当前各运营商的充电服务设施的利用率普遍低于15％。因此各充
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

[0003] 因此，本发明要解决的技术问题在于克服现有技术中的充电设施推荐方法难以实现用户对充电设施的个性化推荐需求的缺陷，从而提供一种基于联邦学习的电动汽车充电
设施推荐方法及系统。

[0004] 第一方面，本发明实施例提供一种基于联邦学习的电动汽车充电设施推荐方法，包括：

[0005] 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。

[0006] 在一实施例中，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。

[0007] 在一实施例中，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。

[0008] 在一实施例中，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。

[0009] 第二方面，本发明实施例提供一种基于联邦学习的电动汽车充电设施推荐系统，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。

[0010] 在一实施例中，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。

[0011] 在一实施例中，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。

[0012] 在一实施例中，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。

[0013] 第三方面，本发明实施例提供一种计算机可读存储介质，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。

[0014] 第四方面，本发明实施例提供一种计算机设备，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。

[0015] 本发明技术方案，具有如下优点：

[0016] 本发明提供的基于联邦学习的电动汽车充电设施推荐方法，通过获取桩特征数据集以及车特征数据集，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，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

[0017] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的
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。

[0018] 图1为本发明实施例中基于联邦学习的电动汽车充电设施推荐方法的一个具体示例的流程图；

[0019] 图2为本发明实施例中基于联邦学习的电动汽车充电设施推荐方法涉及的相关平台；

[0020] 图3为本发明实施例中基于联邦学习的电动汽车充电设施推荐方法的另一个具体示例的流程图；

[0021] 图4为本发明实施例中基于联邦学习的电动汽车充电设施推荐方法的另一个具体示例的流程图；

[0022] 图5为本发明实施例中基于联邦学习的电动汽车充电设施推荐方法的另一个具体示例的流程图；

[0023] 图6为本发明实施例中基于联邦学习的电动汽车充电设施推荐系统的一个具体示例的原理框图；

[0024] 图7为本发明实施例中模型训练模块的一个具体示例的原理框图；

[0025] 图8为本发明实施例中训练子模块的一个具体示例的原理框图；

[0026] 图9为本发明实施例中处理模块的一个具体示例的原理框图；

[0027] 图10为本发明实施例提供的计算机设备一个具体示例的组成图。

具体实施方式

[0028] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术
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。

[0029] 在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0030] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

[0031] 本发明实施例提供一种基于联邦学习的电动汽车充电设施推荐方法，具体的充电设施以充电桩为例进行说明，仅以此为例，不以此为限。如图1所示，基于联邦学习的电动汽
车充电设施推荐方法包括如下步骤：

[0032] 步骤S1：获取桩特征数据集以及车特征数据集，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，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。

[0033] 在一具体实施例中，如图2所示，电动汽车充电设施推荐涉及到的平台，包括：桩运营数据平台、车企数据平台以及第三方平台。在实际应用中，上述的桩特征数据集以及车特
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。

[0034] 具体地，桩运营数据平台，主要提取用户标识、平均每周充电费用、平均每周充电电量、最近一周充电费用、最近一周充电电量、最近3次进行充电的桩标识、用户注册地、常
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。

[0035] 车企数据平台，主要提取特征包括车标识、电动汽车续航里程、车辆电池容量、充电接口类型、车辆类型、用途(是否有运营性质)等车静态特征；驾驶习惯(空调开关是否常
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)。

[0036] 桩运营数据平台还从订单特征中提取标签，用于显示充电桩是否处于充电状态。具体地，显示的充电订单，标记样本标签为1，作为数据集的正样本。负样本采用启发式策略
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。

[0037] 步骤S2：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。

[0038] 在一具体实施例中，如图3所示，上述步骤S2中得到联邦推荐模型具体包括如下步骤：

[0039] 步骤S21：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。

[0040] 在本发明实施例中，在联邦训练过程中，由于桩运营数据平台的ID是用户标识，而车企数据平台的ID是车标识，为了实现实体的对齐，需要生成统一的样本ID。具体地，通过
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。

[0041] 在实际应用中，上述实体对齐的过程可以通过两个平台之间交互完成，以进一步避免数据的外泄，保障数据安全，并且提高效率。桩运营数据平台、车企数据平台均拥有自
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：

[0042] 首先，桩运营数据平台生成RSA密钥对，将公钥(e,n)发送给车企数据平台，自己保留私钥(d,n)。桩运营数据平台对于自己样本ID集合中的ID生成随机数列表。然后做随机数
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}。

[0043] 桩运营数据平台将Ei传回给车企数据平台，车企数据平台对Ei进行解密得到Di，并d
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。

[0044] 最后，桩运营数据平台将{H(Di/randi)|i＝1,2,……,mcp}和Fj取交集，即可得到两边共有的样本ID集合。桩运营数据平台将交集发回给车企数据平台，车企数据平台也可以
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。

[0045] 步骤S22：采用对齐后的桩特征对桩特征数据集进行更新，并采用对齐后的车特征对车特征数据集进行更新。

[0046] 在本发明实施例中，桩运营数据平台根据对齐后的桩特征保留Hid列表和用户标识的映射，车企数据平台根据对齐后的车特征保留Hid和车标识的映射，至此完成桩特征数
据集更新过程以及车特征数据集更新过程。

[0047] 步骤S23：将更新后的桩特征数据集和车特征数据集进行联邦训练，得到联邦推荐模型。

[0048] 在本发明实施例中，如图4所示，将更新后的桩特征数据集和车特征数据集进行联邦训练，得到联邦推荐模型，包括如下步骤：

[0049] 步骤S231：根据特征关联关系，将桩特征数据集分解为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。

[0050] 具体地，基于联邦学习的因子分解机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。其中，桩自有特征为全部在桩运营数据
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。

[0051] 步骤S232：将交叉特征分解为桩侧特征和车侧特征。

[0052] 具体地，将两方之间交叉的特征在桩运营数据平台的部分分解为桩侧特征，将两方之间交叉的特征在车企数据平台的部分分解为车侧特征。

[0053] 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。

[0054] 具体地，车企数据平台计算自己部分的预估值、损失函数值、车特征梯度，并发给桩运营数据平台，桩运营数据平台根据车企数据平台发送的预估值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。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。

[0055] 步骤S234：根据车特征梯度及桩特征梯度对预设联邦推荐模型的参数进行更新，并返回步骤S233，直至满足预设训练要求。

[0056] 具体地，车企数据平台将加密并加了安全聚合掩码的车特征梯度发给第三方平台，桩运营数据平台将加密并加了安全聚合掩码的桩特征梯度以及损失函数值发给第三方
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。

[0057] 其中，预设训练要求包括：桩运营数据平台计算前后两轮的桩自有特征及车侧特征对应的损失函数差值小于第一预设阈值；或者轮数大于第一预设轮数进行控制；或者由
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。

[0058] 步骤S3：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。

[0059] 在一具体实施例中，充电桩的推荐请求通常是由用户通过桩运营数据平台发起。桩运营数据平台基于发起用户的用户标识、当前的位置，首先拉取预设范围(如5KM)内的所
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。

[0060] 步骤S4：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。

[0061] 在一具体实施例中，如图5所示，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，包括如下步骤：

[0062] 步骤S41：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，得到待推荐充电桩列表中所有充电桩对应的预测值。

[0063] 在本发明实施例中，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时，桩运营数据平台从当前桩特征数据集及当前车特征数据集获取该用户标识和充电桩列
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。

[0064] 步骤S42：对预测值进行从大到小的排序。

[0065] 在本发明实施例中，桩运营数据平台将第三方平台汇总发送的预测值进行解密后得到的是推荐预测值，假设该预测值的数值范围[0,1]，按推荐预测值逆序将充电桩列表中
的充电桩进行排序，输出排序结果。

[0066] 步骤S43：根据排序结果得到推荐结果。

[0067] 在本发明实施例中，根据排序结果得到针对用户的个性化推荐结果，其排序结果首位即为最佳推荐结果，当然，用户也可自由选择推荐结果列表中的充电设施。同时也可以
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。

[0068] 本发明提供的基于联邦学习的电动汽车充电设施推荐方法，通过获取桩特征数据集以及车特征数据集，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，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。

[0069] 本发明实施例还提供一种基于联邦学习的电动汽车充电设施推荐系统，如图6所示，包括：

[0070] 第一采集模块1，用于获取桩特征数据集以及车特征数据集，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，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。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。

[0071] 模型训练模块2，用于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。详细内容参见上述方法实施例中步骤S2的相关描述，在此不再
赘述。

[0072] 第二采集模块3，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。详细内容参见上述方法实施例中步骤S3的相关描述，在此不再
赘述。

[0073] 处理模块4，用于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。详细内容参见上述方法实施例中步骤S4的相关描述，在此不再赘述。

[0074] 本发明提供的基于联邦学习的电动汽车充电设施推荐系统，通过应用基于联邦学习的电动汽车充电设施推荐方法，获取桩特征数据集以及车特征数据集，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，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。

[0075] 在一具体实施例中，桩特征包括用户标识，车特征包括车标识，模型训练模块2，如图7所示，包括：

[0076] 对齐子模块21，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。详细内容参见上述方法实施例
中步骤S21的相关描述，在此不再赘述。

[0077] 更新子模块22，用于采用对齐后的桩特征对桩特征数据集进行更新，并采用对齐后的车特征对车特征数据集进行更新。详细内容参见上述方法实施例中步骤S22的相关描
述，在此不再赘述。

[0078] 训练子模块23，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，得到联邦推荐模型。详细内容参见上述方法实施例中步骤S23的相关描述，在此不再赘述。

[0079] 在一具体实施例中，如图8所示，训练子模块23，包括：

[0080] 第一分解单元231，用于根据特征关联关系，将桩特征数据集分解为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。详细内容参见上述方法实施例
中步骤S231的相关描述，在此不再赘述。

[0081] 第二分解单元232，用于将交叉特征分解为桩侧特征和车侧特征。详细内容参见上述方法实施例中步骤S232的相关描述，在此不再赘述。

[0082] 计算单元233，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。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。

[0083] 更新单元234，用于车特征梯度及桩特征梯度对预设联邦推荐模型的参数进行更新，并返回计算单元，直至满足预设训练要求。详细内容参见上述方法实施例中步骤S234的
相关描述，在此不再赘述。

[0084] 在一具体实施例中，如图9所示，处理模块4，包括：

[0085] 输入子模块41，用于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，得到待推荐充电桩列表中所有充电桩对应的预测值。详细内容参见上述方法实施例中
步骤S41的相关描述，在此不再赘述。

[0086] 排序子模块42，用于对预测值进行从大到小的排序。详细内容参见上述方法实施例中步骤S42的相关描述，在此不再赘述。

[0087] 推荐子模块43，用于根据排序结果得到推荐结果。详细内容参见上述方法实施例中步骤S43的相关描述，在此不再赘述。

[0088] 本发明实施例提供一种计算机设备，如图10所示，该设备可以包括处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图10以通过总线连接
为例。

[0089] 处理器61可以为中央处理器(Central Processing Unit，CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路
(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。

[0090] 存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器61通
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。

[0091] 存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储
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。

[0092] 一个或者多个模块存储在存储器62中，当被处理器61执行时，执行如图1‑5所示实施例中的基于联邦学习的电动汽车充电设施推荐方法。

[0093] 上述计算机设备具体细节可以对应参阅图1‑5所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

[0094] 本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中，该程
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。

[0095] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或
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。