[发明专利]基于深度学习的换电柜网络布局方法、系统、装置及介质

说明书

本发明公开了一种基于深度学习的换电柜网络布局方法、系统、装置及介质，根据换电柜的当前特征数据获取所述换电柜的原始特征向量，以及目标点位的落柜标签；确定所述原始特征向量和所述落柜标签之间的相关性系数，并根据所述相关性系数进行特征选择，获取输入数据；采用基于所述换电柜的历史特征数据预先训练好的深度学习网络模型，根据所述输入数据获取预测标签；基于所述预测标签和所述换电柜的点位特征参数，确定所述目标点位的换电柜落柜数量。本发明充分利用多重特征维度信息获取换电柜网络可行性点位的落柜数量，既减小了换电柜网络点位预测的偏差，也减小了由于历史因素信息缺失比较严重时，影响到推荐的落柜点位数量的总体误差。

技术领域

本发明涉及一种换电柜网络布局技术领域，尤其涉及一种基于深度学习的换电柜网络布局方法、系统、装置及介质。

背景技术

为了为外卖骑手提供便捷的服务，在各城市各区域的车行、门店和商圈进行换电柜安置。目前换电柜安置采用以城市维度的客观经验来输出换电柜网络布局方案，此种方法需要进行前期调研，根据调研结果进行换电柜网络布局，但是会存在前期调研的不充分、信息不准确。

现有的根据深度学习数据模型输出的换电柜网络布局方案对换电柜安置能够起到智能化和数字化作用，避免基于以城市维度的客观经验造成信息不准确。但是目前的深度学习数据模型输出的换电柜网络布局方案还是会存在预测不准确的缺陷，进而影响换电柜网络布局方案的有效性。

发明内容

本发明的目的在于提供一种基于深度学习的换电柜网络布局方法、系统、装置及介质，解决了现有技术中基于以城市维度的客观经验造成信息不准确，存在预测不准确的缺陷，进而影响换电柜网络布局方案的有效性的问题。

本发明第一方面提供一种基于深度学习的换电柜网络布局方法，包括：

根据换电柜的当前特征数据获取换电柜的原始特征向量，以及目标点位的落柜标签，当前特征数据包括换电柜的位置信息和换电柜的使用信息，落柜标签用于表征目标点位是否设置换电柜；

确定原始特征向量和落柜标签之间的相关性系数，并根据相关性系数进行特征选择，获取输入数据；

采用基于换电柜的历史特征数据预先训练好的深度学习网络模型，根据输入数据获取预测标签；

基于预测标签和换电柜的点位特征参数，确定目标点位的换电柜落柜数量，点位特征参数包括路径推荐参数和电池供应参数。

作为优选，当前特征数据包括用户与换电柜交互特征数据、换电柜特征数据和骑手信息特征数据。

作为优选，根据相关性系数进行特征选择，获取输入数据包括：

根据相关性系数从大到小的顺序对原始特征向量中的特征进行排序；

根据预设数量和排序从原始特征向量中选择相关性系数高的特征作为输入数据。

作为优选，基于预测标签和换电柜的点位特征参数，确定目标点位的换电柜落柜数量，点位特征参数包括路径推荐参数和电池供应参数包括：

获取目标点位处换电柜的路径推荐参数和电池供应参数，并对路径推荐参数和电池供应参数进行数据归一化，获取对应的路径推荐分数值和电池供应分数值；

根据预测标签、路径推荐分数值和电池供应分数值，确定目标点位的综合分数；

将综合分数按照区间划分等级，根据等级获取对应换电柜落柜数量。

作为优选，确定原始特征向量和落柜标签之间的相关性系数之前，方法还包括：

在设定周期中，按照预设时间间隔，确定目标点位处换电柜的当前特征数据存在缺失的目标时刻；

根据目标时刻的相邻时刻对应的当前特征数据，进行前向填充或后向填充，得到目标时刻对应的特征数据。

作为优选，确定原始特征向量和落柜标签之间的相关性系数之前，方法还包括：