Step-by-step decomposition model-based charging station utilization rate prediction method and system

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。

请参考图1，本发明为一种基于逐级分解模型的充电站利用率预测方法，其包括：

步骤S100：采集历史上充电站利用率数据，以及相应的天气数据和日期数据，作为原始数据；步骤S200：对原始数据进行预处理；

步骤S300：构建用于充电站利用率预测的逐级分解预测模型并基于原始数据对逐级分解预测模型进行训练，其中，逐级分解预测模型包括：深层信息融合层和残差分解预测层；

原始数据作为输入数据输入至深层信息融合层中，深层信息融合层运用注意力编码方法对输入数据中耦合信息进行深度提取及融合，得到信息融合序列并输入至残差分解预测层；

残差分解预测层使用残差分解的方法对当前层输入数据进行逐级分解，每级得到不同细粒度的预测序列和残差序列，最后将所有层级的预测序列和末层经过全连接层的残差序列进行加和得到最终预测结果；

步骤S400：将待测时间段前的历史充电站利用率数据、天气数据和日期数据，输入至训练好的逐级分解预测模型中，得到未来预设时间内的充电站利用率预测值。

下面分别对图1中的各个步骤进行具体说明。

在步骤S100中，采集历史上充电站利用率数据，以及相应的天气数据和日期数据，作为原始数据；

本实施例中，天气数据和日期数据构成了影响因素数据。其中，天气数据选择对出行影响较大的两个因素，即温度数据和能见度数据。日期数据精确到月份和日期，同时在其后加入节假日标签。其中月份和日期分别进行12位和31位的独热编码，节假日标签根据的节假日种类数量进行对应位数的独热编码。假设是共有10种节假日，则节假日独热编码的位数为10。将月份，日期和节假日的独热编码依次串接在一起，并在其后补0，使得日期数据的长度与后续送入模型的时间序列长度一致。预测目标是利用历史数据预测未来24个时间点的充电站利用率，每两个时间点间的时间间隔为15分钟，即预测未来3小时的充电站利用率情况。

在步骤S200中，对原始数据进行预处理；

本实施例中，数据预处理包括数据清洗和归一化操作。需要说明的是，原始数据中的日期数据仅仅是一个特征标签，用于帮助预测模型捕获利用率时间序列的长周期特征和非常规时间特征，故不需要对其进行数据清洗和归一化操作。

其中，数据清洗包括对原始数据中的利用率数据和天气数据中异常值的修正和对缺失值的填补。判断利用率数据和天气数据中异常值的方法为3sigma准则，其公式表达如下：

其中，x_n,t表示第n天t时刻的值，表示第n天的所有时刻的均值，σ表示第n天所有时刻的标准差。对于符合上式的点，将其判断为异常值点，并取其所在日期的均值为异常值点赋值修正，修正异常值的公式如下：

其中，x_n,t′为修正后的第n天t时刻的值，表示第n天的所有采样时刻的均值。

对于利用率数据和天气数据中的缺失值，若缺失值点的数量大于等于一天中记录点数量的三分之一，则丢弃当日数据；若缺失点数量小于一天的记录点数量的三分之一，则根据其同一天前后两个时刻的数据和前后两天的同时刻数据来填补缺失值，填补缺失值公式如下：

其中，x_n,t′为填补后的第n天t时刻的值，x_n+1,t和x_n-1,t分别为第n+1天和第n-1天t时刻的值，x_n,t+1和x_n,t-1分别为第n天t+1时刻和t-1时刻的值。α₁和α₂为权重系数，且两者之和应等于1。

完成利用率数据和天气数据的异常值修正和缺失值填补后，还需要对各类数据分别进行归一化操作，从而消除不同类别数据间量纲的影响，提升预测模型的准确性。归一化处理方法采用min-max归一化方法，对于任意一组数据归一化公式如下：

其中，表示第n天t时刻的归一化值，d_n,t表示数据清洗后第n天t时刻的值，maxd_n和mind_n分别表示数据清洗后第n天所有时刻中的最大值和最小值。

在步骤S300中，构建逐级分解预测模型并训练。

逐级分解预测模型的网络结构如图2所示，主要包括：深层信息融合层和残差分解预测层。其中，深层信息融合层运用注意力编码方法，实现了对多类别输入数据中耦合信息的深度提取及融合，输出得到了信息融合序列。信息融合序列表征了输入数据的典型特征，因此可以加速后续预测层的收敛，并使预测结果更加精确。残差分解预测层使用残差分解的方法对该层输入数据进行逐级分解，每级通过分解模块得到不同细粒度的预测序列和残差序列，最后将所有层级的预测序列和末层经过全连接层的残差序列进行加和得到最终预测结果。这种逐级残差分解的设计模式，完成了大尺度感受野逐渐向小尺度感受野递进的学习过程，从而充分挖掘了输入数据的内在规律，提升了预测结果的准确性。

在预处理后的数据中，取预测时段前96个时间点(时间点间隔为15分钟，总共为24小时)的历史充电站利用率数据，以及相应的温度数据、能见度数据和日期数据，共有4类特征，即逐级分解模型的输入为一个长度为96，维度为4的序列。

先将模型的输入序列送入深层信息融合层中，以得到信息融合序列。深层信息融合层的网络结构如图3所示。深层信息融合层会在输入序列的第一个位置插入一个基于标准正态分布随机初始化的标志序列，其作用在于：使用注意力编码方法进行信息融合时，由于标志序列不包含任何偏向性信息且独立于原输入数据，故在注意力编码输出序列中提取与标志序列同一位置的序列进行后续处理，可以保证深层信息融合层输出的信息融合序列具有全局性和可靠性。

其中，深层信息融合层中的注意力编码方法具体为：先将包含标志序列的长度为96，维度为5的输入序列分别乘以三个不同的大小为5*5的参数矩阵，分别得到查询矩阵Q，键矩阵K和值矩阵V，接着将查询矩阵Q和键矩阵K相乘得到注意力矩阵，然后将注意力矩阵通过softmax函数进行归一化，再将归一化注意力矩阵乘以值矩阵V，得到注意力编码方法的输出序列。注意力编码过程用公式表示为：

O＝Softmax(Q·K^T)·V

其中，O代表注意力编码方法的输出序列，Q，K，V分别代表查询矩阵，键矩阵和值矩阵。

注意力编码方法可以通过输入序列间充分的数据交互，学习到不同序列间的相关性，而标志序列的引入，使其能够得到原输入序列间普适性的相关性关系，即完成了对输入数据的信息融合。

最后，提取该序列第一个位置的子序列，并将其送入全连接层以进一步提取深层信息，便得到了深层信息融合层输出的长度为96的信息融合序列。

再将信息融合序列送入残差分解预测层中，以得到最终的预测结果，设预测结果的时间长度为24(时间间隔为15分钟，总共6小时)。

残差分解预测层的网络结构图如图4所示。本实施例中残差分解预测层由3个层级组件构成，每个层级组件的输出包括层级预测序列(长度为24)和层间残差序列(长度为96)两部分。每个层级组件的输入为前一层级组件输出的层级残差序列(层级组件1的输入为信息融合序列)，最后将所有层级组件输出的层级预测序列和末层输出的经过全连接层重构的层间残差序列相加，便得到了最终的预测结果。

本实施例中层级组件由4个分解模块构成，每个分解模块的输出包括模块预测序列(长度为24)和模块回溯序列(长度为96)两部分。每个分解模块的输入为前一分解模块输入序列与前一分解模块输出的模块回溯序列的残差(分解模块1的输入为对应的层级输入序列)，最后将所有的分解模块输出的模块预测序列相加，便得到了层级组件输出的层级预测序列；而最后一个分解模块的输入与该分解模块输出的模块回溯序列的残差，即层级组件输出的层间残差序列。

分解模块是残差分解预测层的基本组成单元，其主要由一维卷积、多层感知机和插值函数组成。分解模块的输入先经过一维卷积进行降采样，从而实现对模块输入序列特定感受野范围的感知；接着将降采样后的序列分别通过两个不同的多层感知机，从而将其重构为两组用于后续插值运算的参数序列θ_f和θ_b；最后将上述两组参数序列带入插值函数中，分别将两组参数序列扩展至模型输出的预测长度24和模型输入的长度96，即得到模块预测序列和模块回溯序列。

其中，降采样操作根据层级组件位置的不同而设置不同的采样倍数，具体为：位置越是靠前的层级组件，其内分解模块的降采样倍数越大。降采样的实现方法为：通过控制一维卷积中卷积核的步长来实现降采样，步长越大，则降采样的倍数越大。在本实施例中，层级组件1，2，3各自分解模块内的降采样倍数为16，8，4。为减少模型的运算量，本实施例的插值函数选择最简单的最邻近插值法。层级组件1，2，3各自分解模块内对模块预测序列和模块回溯序列的插值倍数分别为4，2，1和16，8，4。

残差分解预测层的架构主要实现了两个功能，一是通过控制分解模块中降采样倍数的不同，完成了模块输入序列中感受野的逐渐细化，即预测序列细粒度的不断提升；二是通过在分解模块间反复进行残差再分解，做到了由多个层级组件构成的渐进式学习，即后面的模块学习前面模块未学的内容。由上述两点，残差分解预测层实现了逐级分解模型整体预测性能的提升。

完成逐级分解预测模型的构建后，将均方误差作为模型的损失函数，其公式如下：

其中，Loss为损失函数值，y_t为第t时刻充电站利用率的预测值，为第t时刻充电站利用率的真实值。t的取值范围为1～24，代表未来24个时间点(时间间隔15分钟，总共3小时)。

通过梯度下降算法，模型中的参数将不断迭代更新，从而使损失函数值不断降低，当损失函数值几乎不再变化，说明预测模型已经收敛，训练过程结束，模型的参数固定。

步骤4：由模型预测未来充电站利用率：

将预测时间段前96个时间点的历史充电站利用率数据，天气数据和日期数据，输入至逐级分解模型，输出得到长度为24的预测序列，即未来3小时(每15分钟预测一次)的充电站利用率预测值。

在其他实施例中，本发明还提供一种基于逐级分解模型的充电站利用率预测系统，包括存储器和处理器；其中，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现上述的基于逐级分解模型的充电站利用率预测方法。

在其他实施例中，本发明还提供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上述的基于逐级分解模型的充电站利用率预测方法。

本发明未涉及部分均与现有技术相同或采用现有技术加以实现。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。