(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210987401.5 (22)申请日 2022.08.17 (71)申请人 上海电机学院 地址 200240 上海市闵行区江川路690号 (72)发明人 黄启帆　刘三明　孙维斌　董浩　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 廖程 (51)Int.Cl. G06N 7/00(2006.01) G06N 20/00(2019.01) G06Q 10/04(2012.01) G06F 17/16(2006.01) G06F 16/909(2019.01) (54)发明名称 一种基于三链马尔科夫模型的电动汽车数 量预测方法 (57)摘要 本发明涉及一种基于三链马尔科夫模型的 电动汽车数量预测方法， 包括： 获取电动汽车出 行时间、 天气、 出发地、 目的地的信息数据， 通过 数据预处理筛选出有效数据； 将有效数据按照设 定时间段划分为多组数据； 对多组数据进行统计 处理， 得到状态转移频数矩阵； 求解计算得到总 的状态转移概率矩阵， 即某一时刻下电动汽车即 将到达地点的概率分布情况； 构建得到三链马尔 科夫模型； 根据当前时间段电动汽汽 车在不同地 点的数量、 以及相应的状态转移概率， 结合三链 马尔科夫模型， 计算下一时间段电动汽车的数 量。 与现有技术相比， 本发明充分考虑电动汽车 出行时间以及天气对随机 路径的影 响， 通过构建 三链马尔科夫模 型， 能有效提高预测各地点电动 汽车数量的精准 性。 权利要求书3页 说明书6页 附图1页 CN 115456180 A 2022.12.09 CN 115456180 A 1.一种基于三链马尔科 夫模型的电动汽车 数量预测方法， 其特 征在于， 包括以下步骤： S1、 获取电动汽车 出行时间、 天气、 出发地、 目的地的信息数据； S2、 对获取的信息数据进行 预处理， 筛选出有效数据； S3、 将有效数据按照设定时间段划分为多组数据； S4、 对多组数据进行统计处理， 分别统计各组数据中从指定地点、 时间、 天气到另一指 定地点、 时间、 天气状态下 所有电动汽车的数量， 进 而得到状态转移频 数矩阵； 通过求解计算， 得到总的状态转移概率矩阵， 即得到某一时刻下电动汽车即将到达地 点的概率分布情况； 由此构建得到三链马尔科夫模型， 所述三链马尔科夫模型考虑了时间和天气对电动汽 车出行链的影响； S5、 根据当前时间段电动汽汽车在不同地点的数量、 以及相应的状态转移概率， 结合三 链马尔科 夫模型， 计算得到下一时间段电动汽车的数量。 2.根据权利要求1所述的一种基于三链马尔科夫模型的电动汽车数量预测方法， 其特 征在于， 所述步骤S2具体是采用邻近均值法对获取的信息数据进行预处理， 以对数据缺失 值和异常值进行补全。 3.根据权利要求1所述的一种基于三链马尔科夫模型的电动汽车数量预测方法， 其特 征在于， 所述 步骤S3具体是将有效数据划分为对应于一天24个时间段的24组数据。 4.根据权利要求3所述的一种基于三链马尔科夫模型的电动汽车数量预测方法， 其特 征在于， 所述 步骤S4具体包括以下步骤： S41、 通过对电动汽车每天的出行目的地、 时间变化、 出行天气数据进行筛选统计， 求解 出电动汽车的目的地 集合、 出行时间集 合以及出 行天气集 合； S42、 求解初始状态概率分布， 所述初始状态概率分布具体为电动汽车初始出行时的状 态概率分布矩阵； S43、 分别求解电动汽车出行时间的状态转移概率矩阵、 电动汽车出行天气的状态转移 概率矩阵； S44、 求解三链马尔科 夫模型t时刻出 行路径状态转移概 率矩阵。 5.根据权利要求4所述的一种基于三链马尔科夫模型的电动汽车数量预测方法， 其特 征在于， 所述 步骤S41中电动汽车的目的地 集合具体为： 其中， SX为电动汽车访问次数超过设定阈值的目的地 集合， n为目的地的总数目； 电动汽车的出 行时间集 合具体为： 其中， TY为电动汽车的出 行时间集 合， m＝24， m为出 行时间段的总数目； 电动汽车的出 行天气集 合具体为： 其中， RZ为电动汽车的出 行天气集 合， K为出 行天气的类别总数目。 6.根据权利要求5所述的一种基于三链马尔科夫模型的电动汽车数量预测方法， 其特 征在于， 所述步骤S42中初始状态概率分布包括电动汽车初始出行时所处位置的概率分布权　利　要　求　书 1/3 页 2 CN 115456180 A 2矩阵、 电动汽车初始出行时间的概率分布矩阵、 电动汽车初始出行时天气状态的概率分布 矩阵。 7.根据权利要求6所述的一种基于三链马尔科夫模型的电动汽车数量预测方法， 其特 征在于， 所述电动汽车初始出 行时所处位置的概 率分布矩阵具体为： 其中， π1为电动汽车初始出行时所处位置的概率分布矩阵， 为电动汽车初 始出行时所 处位置 的概率； 电动汽车初始出 行时间的概 率分布矩阵具体为： 其中， π2为电动汽车初始出行时间的概率分布矩阵， 为电动汽车初始出行时间为Ti2 的概率； 电动汽车初始出 行时天气状态的概 率分布矩阵具体为： 其中， π3为电动汽车初始出行时天气状态的概率分布矩阵， 为电动汽车初始出行时 天气状态为 的概率。 8.根据权利要求7所述的一种基于三链马尔科夫模型的电动汽车数量预测方法， 其特 征在于， 所述 步骤S43中电动汽车 出行时间的状态转移概 率矩阵具体为： 其中， A2为电动汽车出行时间的状态转移概率矩阵， 为电动汽车出行时的时间由Ti2 变成 的状态转移概 率； 电动汽车 出行天气的状态转移概 率矩阵具体为： 其中， A3为电动汽车出行天气的状态转移概率矩阵， 为电动汽车出行时的天气由 变成 的状态转移概 率。 9.根据权利要求8所述的一种基于三链马尔科夫模型的电动汽车数量预测方法， 其特 征在于， 所述 步骤S44具体包括以下步骤： S441、 建立各个目的地之间各个时间段的状态转移概 率集合A1； S442、 根据上个时刻的出行时间状态分布概率矩阵以及上个时刻的出行天气状态分布 概率矩阵， 分别令矩阵中最大元素值为1、 其他元素值为0， 以对应得到第一矩阵和第二矩 阵； S443、 将状态转移概率集合A1中各个矩阵依次与第一矩阵、 第二矩阵相乘， 得到新的状 态转移矩阵集合 S444、 根据新的状态转移矩阵集合 即可得到t时刻的出行路径状态转移概率矩阵权　利　要　求　书 2/3 页 3 CN 115456180 A 3