CN119476618A 基于电动两轮车流量的无历史数据区域换电站部署方法 （重庆大学）

基于电动两轮车流量的无历史数据区域换本发明公开了一种基于电动两轮车流量的基于对已部署换电站区域历史数据的分析结果建使换电站数量和两轮车区域流量之间的相关性与换电站覆盖范围达到最大平衡的换电站部的过程中调用训练好的生成模型根据目标区域的区域特征数据和环境数据同步生成电动两轮2S3：为目标区域构建使换电站数量和两轮车区域流其中，在逐步求解的过程中，调用训练好的生成模型根据目标2.如权利要求1所述的基于电动两轮车流量的无历史数据区域换电站部署方法，其特S202：将区域特征数据和环境数据输入流量估S204：将构建的城市知识图谱和采样的噪声数据输3.如权利要求2所述的基于电动两轮车流量的无历史数据区域换电站部署方法，其特流量估计器的输出为预测区域流量p;将区域特征数据与预测区域流量分别经过全4.如权利要求3所述的基于电动两轮车流量的无历史数据区域换电站部署方法，其特t表示附加修改原始的去噪扩散概率模型，使得各个区域生成的噪声35.如权利要求2所述的基于电动两轮车流量的无历史数据区域换电站部署方法，其特6.如权利要求2所述的基于电动两轮车流量的无历史数据区域换电站部署方法，其特知识增强时空模块包括空间模块和时间模块；空间模块采用17.如权利要求2所述的基于电动两轮车流量的无历史数据区域换电站部署方法，其特8.如权利要求2所述的基于电动两轮车流量的无历史数据区域换电站部署方法，其特S211：将目标区域的区域特征数据输入流量估S213：将采样的噪声数据输入到训练好的去9.如权利要求1所述的基于电动两轮车流量的无历史数据区域换电站部署方法，其特4S404：当新解Snew满足换电站部署优化问题的成本约束时：调用生成模型生成当前解Scurrent和新解Snew的电动两轮车流量，再带入换电站部署优化问题的目标函数中计算当前解Scurrent的目标函数值R(s.mma)以及新解Snew的目标函数值R(sm):标函数中计算最优解S*的目标函数值R(S"):当满足R(S.ma)>R(S")时，更新最优解S*56析结果结合去噪扩散概率模型构建并训练生成模型，从而在目标区域生成电动两轮车流[0023]S204：将构建的城市知识图谱和采样的噪声数据输入去[0027]流量估计器的输出为预测区域流量p:将区域特征数据与预测区域流量分别经7市知识图谱经过TuckER转换为城市知识图谱嵌入作为注意力机制的Query，来指导融合过8解Scurrent和新解Snew的电动两轮车流量，再带入换电站部署优化问题的目标函数中计算当前解Scurrent的目标函数值R(s.men)以及新解Snew的目标函数值R(s.):[0064]S406：若满足随机数则接受新解Scurrent←题的目标函数中计算最优解S*的目标函数值R(S"):当满足R(S.am)>R(S")时，更新最[0068]本发明中基于电动两轮车流量的无历史数据区域换电站部署方法与现有技术相[0069]本发明基于对已部署换电站区域历史数据的分析结果结合去噪扩散概率模型构电动两轮车流量生成中能够捕捉复杂的区域特征9域换电站部署的实用性。其次由于生成模型在训练过程中学习的是从噪声到数据的映射，从而更好的适用于各区域之间的流量差异显著[0070]本发明构建了使换电站数量和两轮车区域流量之间的相关性与换电站覆盖范围而提高换电站部署优化问题求解的准确性和效率。其次模拟退火算法具有较快的收敛速[0076]图4为不同时间尺度下电动两轮车流量的时间分布：(a)为小时分布，(b)为日分施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施[0089]S2：基于对已部署换电站区域历史数据的分析结果结合去噪扩散概率模型[0095]本发明基于对已部署换电站区域历史数据的分析结果结合去噪扩散概率模型构电动两轮车流量生成中能够捕捉复杂的区域特征域换电站部署的实用性。其次由于生成模型在训练过程中学习的是从噪声到数据的映射，从而更好的适用于各区域之间的流量差异显著[0096]本发明构建了使换电站数量和两轮车区域流量之间的相关性与换电站覆盖范围而提高换电站部署优化问题求解的准确性和效率。其次模拟退火算法具有较快的收敛速[0105]1)区域流量的空间分布具有高度不均衡性。图3可视化了成都市经过路网划分后不同区域平均每天的电动两轮车流量大小。流量在不同区域之间呈现出明显的聚集特征，时还与POI的密度和种类相关，这些特征分别反映了区域对用户的吸引力以及其整体繁荣噪声ε将原始数据x0映射到一个更简单的先验分布(标准正态分布)；一个去噪推断的完全噪声数据符合均值为流量估计器输出的预测区域流量的正态分布，即噪声数据x,~N(j,I)。函数为流量估计器的输出为预测区域流量p:将区域特征数据与预测区域流基于DiffWave模型构建，将DiffWave模型中的双向扩张卷积块被替换为知识增强时空模[0129]本实施例中，知识增强时空模块能够更好地在该场景下[0133]双向膨胀卷积模块：这是DiffWave模型中的一个独特模块，与WaveNet的架构不[0140]S204：将构建的城市知识图谱和采样的噪声数据输入去表在一天中第t个时间间隔内的电动两轮车流量大小(即入流和出流的均值)，反映了该时i个区v,],Flow=*u:第i个区域第t个时段的电动两轮车流量；ut表示电动车区域流量在不同时段的影响因子，[0175]本实施例中，使用模拟退火算法来解决换电站部署优化解Scurrent和新解Snew的电动两轮车流量，再带入换电站部署优化问题的目标函数中计算当前解Scurrent的目标函数值R(s.m)以及新解Snew的目标函数值R(s.):[0183]S405：判断是否满足R(sim.)>R(samm):若是，则接受新解Scurrent←Snew；否则执接受新解：若满足随机数题的目标函数中计算最优解S*的目标函数值R(S"):当满足R(S.ma)>R(S")时，更新最[0188]最