充电站推荐方法、装置、电子设备及可读存储介质

技术领域

本申请涉及新能源汽车技术领域，尤其涉及一种充电站推荐方法、装置、电子设备及可读存储介质。

背景技术

随着新能源汽车的发展，越来越多的人开始了解并购买新能源汽车，而且许多城市为了方便市民的日常出行，开始大力建设公共的新能源汽车充电站。用户在想要通过充电站进行充电时，通常可以通过车载的智能终端或移动终端查询可以进行充电的充电站，车载的智能终端或移动终端可以针对用户进行推荐。

目前针对新能源汽车的充电站进行推荐的方案较为简单，往往是按照新能源汽车到充电站距离从近到远进行排序，而忽略了充电场站本身的特征和用户的个人偏好。例如有的用户喜欢交流充电桩而有的用户喜欢直流充电桩；有的用户喜欢高品质的充电站，而有的用户喜欢价格低廉的充电站等等。

发明内容

本申请提供一种充电站推荐方法，所述方法包括：

响应于目标用户发起的充电站查询请求，获取所述目标用户的用户特征，以及与所述目标用户对应的至少一个候选充电站的充电站特征；

将所述用户特征和所述充电站特征输入训练完成的预测模型，以使所述预测模型基于所述用户特征和所述充电站特征预测所述目标用户在各个候选充电站处充电的概率；

基于所述概率从所述至少一个候选充电站中确定出与所述目标用户对应的推荐充电站，并面向所述目标用户输出所述推荐充电站。

可选的，基于所述概率从所述至少一个候选充电站中确定出与所述目标用户对应的推荐充电站，包括：

将所述至少一个所述概率最高的预设数量的候选充电站确定为与所述目标用户对应的推荐充电站；或者，

将所述至少一个候选充电站中所述概率大于预设阈值的候选充电站确定为与所述目标用户对应的推荐充电站。

可选的，所述充电站查询请求包括所述目标用户的用户标识；

所述获取所述目标用户的用户特征，以及与所述目标用户对应的至少一个候选充电站的充电站特征，包括：

基于所述目标用户标识，获取所述目标用户的用户特征以及与所述用户标识对应的至少一个候选充电站的充电站标识；

基于所述至少一个充电站标识获取充电站特征。

可选的，所述方法还包括：

获取训练样本集；所述训练样本集包括若干被标注了标签的训练样本；其中，所述训练样本包括历史用户特征和历史充电站特征；所述标签用于指示与所述历史用户特征对应的用户是否在与所述历史充电站特征对应的充电站处充电；

基于所述训练样本集对所述预测模型进行有监督训练，直至所述预测模型收敛。

可选的，获取若干被标注了标签的训练样本集，包括：

获取用户的历史充电行为，从所述历史充电行为中提取若干由用户标识以及充电站标识组成的二元组；

基于所二元组中的所述用户标识和所述充电站标识，分别获取历史用户特征以及历史充电站特征；

将一个二元组中的用户标识和充电站标识分别对应的用户特征和充电站特征确定为一个训练样本。

基于所述至少一个训练样本生成训练样本集。

可选的，所述将所述至少一个训练样本确定为训练样本集，包括：

对所述至少一个正训练样本进行随机欠采样，以获得正训练样本集；其中，所述正训练样本为被标注了指示所述历史用户特征对应的用户在与所述历史充电站特征对应的充电站处充电的标签的训练样本；

对所述至少一个负训练样本进行随机过采样，以获得负训练样本集；其中，所述负训练样本为被标注了指示所述历史用户特征对应的用户没有在与所述历史充电站特征对应的充电站处充电的标签的训练样本；

将所述正训练样本集和所述负训练样本集，确定为训练样本集。

可选的，所述预测模型包括SENet层和门控层、全连接层的机器学习模型。

可选的，所述基于所述训练样本集对所述预测模型进行有监督训练，包括：

将所述训练样本集中的训练样本输入所述SENet层，以得到所述SENet层输出的针对所述训练样本中的用户特征以及所述充电站点特征分别对应的特征权重；

将所述特征权重输入所述门控层，以使所述门控层针对所述特征权重进行权重调节，以得到所述门控层输出的所述特征权重高于预设阈值的用户特征以及充电站点特征；

将所述特征权重高于预设阈值的用户特征以及充电站点特征输入全连接层，以得到所述全连接层输出的用户前往所述至少一个充电站点进行充电的充电概率。

可选的，所述直至所述预测模型收敛，包括：

当所述预测模型对应的损失函数收敛时，确定所述预测推荐模型收敛；和/或，

将所述验证样本集输入所述预测模型；其中，所述验证样本集包括若干被标注了目标用户在各个候选充电站处充电的真实概率的验证样本；

将所述预测模型的输出的用户在各个候选充电站处充电的预测概率，与所述验证样本集标注的真实概率进行匹配，并生成评价指标，基于所述评价指标确定所述预测模型收敛。

本申请还提供一种充电站推荐装置，所述装置包括：

充电站查询单元，用于响应于目标用户发起的充电站查询请求，获取所述目标用户的用户特征，以及与所述目标用户对应的至少一个候选充电站的充电站特征；

模型预测单元，用于将所述用户特征和所述充电站特征输入训练完成的预测模型，以使所述预测模型基于所述用户特征和所述充电站特征预测所述目标用户在各个候选充电站处充电的概率；

充电站推荐单元，用于基于所述概率从所述至少一个候选充电站中确定出与所述目标用户对应的推荐充电站，并面向所述目标用户输出所述推荐充电站。

本申请还提供一种电子设备，包括通信接口、处理器、存储器和总线，所述通信接口、所述处理器和所述存储器之间通过总线相互连接；

所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行上述方法。

本申请还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机器可读指令，所述机器可读指令在被处理器调用和执行时，实现上述方法。

在以上实施例记载的方案中，基于训练完成的预测模型，结合用户特征和充电站特征，计算用户在各个候选充电站处充电的概率，可以快速有效的推荐用户想要的推荐站点，提升用户在充电站进行充电时的充电体验。

附图说明

图1是一示例性的实施例示出的一种充电站推荐方法的流程示意图。

图2是一示例性的实施例示出的一种预测模型示意图。

图3是一示例性的实施例示出的一种充电站推荐装置所在电子设备的硬件结构图。

图4是一示例性的实施例示出的一种充电站推荐装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

目前，针对新能源汽车的充电站进行推荐的方案较为简单，往往是按照新能源汽车到充电站距离从近到远进行排序。如果只是按照距离远近来对用户需求的目标充电站进行排序，往往会给与充电站距离相近，但不同的用户，带来相同的体验，但是在实际应用中不同用户之间，对于去充电站往往有不同的需求，只按照距离远近来进行推荐的话很显然是难以满足不同用户的多种需求。

同时，由于充电站本身以及用户的个人偏好通常隐含了许多有用的信息，如果只按照距离远近进行充电站的图鉴，很显然是忽略了用户的个人偏好以及充电站本身具有的特点。

推荐系统是指根据用户的需求、兴趣等,将用户感兴趣的信息，产品等推荐给用户的个性化信息推送系统。一个优秀的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关系,让用户对推荐产生依赖。

近年来,随着机器学习和深度学习等领域的发展,越来越多深度学习的模型应用在各种推荐场景之中，并且取得了非常不错的效果。

因此，本申请提出一种结合用户特征与充电站特征，基于预训练的预测模型计算用户在各个候选充电站处充电的概率，并针对用户进行充电站推荐的技术方案。

在实现时，可以响应于目标用户发起的充电站查询请求，获取所述目标用户的用户特征，以及与所述目标用户对应的至少一个候选充电站的充电站特征；

将所述用户特征和所述充电站特征输入训练完成的预测模型，以使所述预测模型基于所述用户特征和所述充电站特征预测所述目标用户在各个候选充电站处充电的概率；

基于所述概率从所述至少一个候选充电站中确定出与所述目标用户对应的推荐充电站，并面向所述目标用户输出所述推荐充电站。

在以上实施例记载的方案中，基于训练完成的预测模型，结合用户特征和充电站特征，计算用户在各个候选充电站处充电的概率，可以快速有效的推荐用户想要的推荐站点，提升用户在充电站进行充电时的充电体验。

请参见图1，图1是一示例性实施例提供的一种充电站推荐方法的流程示意图。所述方法可以包括以下步骤：

步骤102，响应于目标用户发起的充电站查询请求，获取所述目标用户的用户特征，以及与所述目标用户对应的至少一个候选充电站的充电站特征。

在本说明书中，用户可以通过新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端等等，发起充电站查询请求。其中，用户发起充电站查询请求的方式，在本说明书中不做具体限定，例如，用户可以通过车载的智能终端，通过手动输入或语音输入等方式，发起充电站查询请求。又例如，用户也可以通过新能源汽车搭载的自定义功能按钮，通过使用功能按钮发送充电站查询请求。

例如，在实际应用中，用户可以唤醒新能源汽车的智能语音输入系统，并输入“我需要充电”，由新能源汽车的车载智能终端自动生成充电站查询请求，并查询充电站。

所述充电站查询请求也可以由新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端在检测到新能源汽车电量不足时，自动发起，或是向用户弹出对话窗口，由用户确认是否发起。其中，新能源汽车可以具有默认的电量不足阈值，例如可以是电量剩余10％或20％时，认为新能源汽车电量不足；也可以由用户手动设定电量不足阈值。当新能源汽车的车载的智能终端检测到新能源汽车剩余电量低于所述阈值时，可以自动发起充电站查询请求，并查询充电站。

例如，在实际应用中，新能源汽车的车载的智能终端在检测到新能源汽车电量不足时，可以通过新能源汽车的车载智能显示屏，向用户弹出对话窗口，询问用户是否需要车辆充电，当用户确认需要充电后，自动生成充电站查询请求。

在本说明书中，用户特征可以包括用户的各项基础信息，例如用户的性别、用户的年龄、用户的所在城市等等。用户特征还可以包括用户的车辆信息，例如用户车辆的车牌号，用户车辆的车辆型号，用户车辆的充电次数等等。用户特征还可以包括用户的历史充电次数，用户的历史充电的充电站等等。需要说明的是，在不同的应用场景下，需要获取的用户特征也并不完全一致，可以获取上述用户特征的一种或多种，在本说明书中不做具体限定。

在本说明书中，候选充电站可以包括用户历史充电行为中充过电的充电站，也可以包括基于用户的位置信息，基于位置信息确定的目标当前所在位置附近的充电站。

其中，所述充电站特征可以包括充电站的所在城市、充电站中直流充电枪数量、充电站中交流充电枪数量、充电站中充电枪的额定功率、充电站的运营商、充电站最近一段时间内的充电次数等等、需要说明的是，在不同的应用场景下，需要获取的充电站特征也并不完全一致，可以获取上述充电站特征的一种或多种，在本说明书中不做具体限定。

在一种实施方式中，充电站查询请求可以包括所述目标用户的用户标识。并基于所述目标用户标识，获取所述目标用户的用户特征以及与所述用户标识对应的至少一个候选充电站的充电站标识。

在本说明书中，所述用户标识可以是用户的身份证号码，用户的新能源汽车的车牌号码，用户的新能源汽车的VIN(Vehicle IdentificATion Number，车辆识别代码)码等等，在本说明中不做具体限定。

用户可以通过新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端预先录入用户的身份标识，以由所述新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端在生成充电请求时，自动获取用户的身份标识。也可以由新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端，在生成充电请求前获取用户的授权，当用户授权通过后，再自动获取用户的身份标识。新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端还可以在生成充电请求前，弹出相应的对话窗口，由用户手动填入用户的身份标识。

例如，在实际应用中，新能源汽车的车载的智能终端可以通过车载智能显示屏，向用户弹出对话窗口，“请输入身份信息”，由用户输入身份信息后，再生成充电请求，并进行后续的充电站推荐。

新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端在获取用户充电请求中的用户标识后，可以基于所述用户标识获取上述用户特征，与所述用户标识对应的至少一个候选充电站的充电站标识。

其中，可以由车载的智能终端，或是与新能源汽车进行网络互连的移动终端通过本地存储的用户特征数据库，基于所述用户标识获取上述用户特征。也可以通过车载的智能终端，或是与新能源汽车进行网络互连的移动终端向服务器发送用户特征获取请求，所述服务器存储了用户特征数据库，由服务器基于用户标识获取上述用户特征并返回给本地。

所述用户特征数据库可以由用户预先进行输入其中至少一项或多项用户特征，例如用户的性别，年龄等。也可以由车载的智能终端，或是与新能源汽车进行网络互连的移动终端在用户使用新能源汽车时，经过用户授权后自动获取其中至少一项或多项用户特征，例如用户车辆的充电次数等等。

在本说明书中，充电站标识可以是充电站的id，充电站的地理位置坐标，或是基于充电站的地理位置坐标生成的唯一标识码等等用于唯一的标识充电站的任意形式的编码，在本说明书中不做具体限定。

在获取到用户的用户标识后，车载的智能终端，或是与新能源汽车进行网络互连的移动终端还可以获取与所述用户标识对应的至少一个充电站标识。

新能源汽车车载的智能终端，或是与新能源汽车进行网络互连的移动终端可以通过本地存储的用户的历史充电信息，基于用户的用户标识，获取用户的历史充电站的标识。也可以向服务器发送历史充电信息获取请求，所述服务器存储了用户的历史充电信息，由服务器基于用户标识获取相应的历史充电站的标识，并返回给本地。

新能源汽车车载的智能终端，或是与新能源汽车进行网络互连的移动终端还可以通过获取车辆的当前位置信息，并基于位置信息获取当前位置附近的充电站，并生成与所述用户标识对应的至少一个充电站标识。

例如，新能源汽车车载的智能终端，或是与新能源汽车进行网络互连的移动终端可以获取当前车辆所在位置周围3km内的全部充电站，并生成与所述用户标识对应的至少一个充电站标识。

需要说明的是，所述充电站标识既可以包含通过用户的历史充电行为获取的充电站标识，也可以包含通过用户的新能源车辆所在位置获取的充电站标识，在本说明书中不做限定。

新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端在获取与所述用户标识对应的至少一个充电站标识后，可以基于所述至少一个充电站标识分别获取上述充电站特征。

其中，可以由车载的智能终端，或是与新能源汽车进行网络互连的移动终端通过本地存储的充电站特征数据库，基于所述充电站标识获取上述充电站特征。也可以通过车载的智能终端，或是与新能源汽车进行网络互连的移动终端向服务器发送充电站特征获取请求，所述服务器存储了充电站特征数据库，由服务器基于充电站标识获取上述充电特征并返回给本地。

所述充电特征数据库可以由用户预先进行输入其中至少一项或多项用户特征，例如充电站所在城市等。也可以由车载的智能终端，或是与新能源汽车进行网络互连的移动终端通过互联网等方式自动获取其中至少一项或多项充电站特征，例如充电站的运营商、充电站最近一段时间内的充电次数等等。

步骤104，将所述用户特征和所述充电站特征输入训练完成的预测模型，以使所述预测模型基于所述用户特征和所述充电站特征预测所述目标用户在各个候选充电站处充电的概率。

在本说明书中，所述预测模型可以包括任意用于预测目标用户在候选充电站出充电进行充电的机器学习模型、神经网络模型等，在本说明书中不做具体限定。

将所述用户特征和所述充电站特征输入预测模型后，所述预测模型可以基于所述用户特征和所述充电站特征预测所述目标用户在各个候选充电站处充电的概率。

例如，新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端在分别获取用户特征，以及充电站A、充电站B和充电站C的特征后，可以预测目标用户在充电站A进行充电的概率为40％，在充电站B进行充电的概率为60％，在充电站C进行充电的概率为80％。

在一种实施方式中，可以预先训练上述预测模型，以供所述新能源汽车车载的智能终端，或是与新能源汽车进行网络互连的移动终端进行充电站推荐。

在训练上述预测模型之前，可以获取训练样本集。其中，所述训练样本集可以包括若干被标注了标签的训练样本。其中，所述训练样本包括历史用户特征和历史充电站特征。所述标签用于指示与所述历史用户特征对应的用户是否在与所述历史充电站特征对应的充电站处充电。

获取训练样本集后，可以基于所述训练样本集对所述预测模型进行有监督训练，直至所述预测模型收敛。

在本说明书中，历史用户特征和历史充电站特征和上述用户特征以及充电站特征基本内容相同，在此处不再赘述。

历史用户特征和历史充电站特征可以从用户的历史充电行为进行提取。所述用户的历史充电行为可以包括所述用户在至少一个充电站进行充电的行为，还可以包括所述用户在车载的智能终端，或是与新能源汽车进行网络互连的移动终端的地图等应用程序浏览充电站时，浏览过但没选择进行充电的行为等等。

基于历史用户特征和历史充电站特征，可以生成训练样本集。其中，生成训练样本集的方式，在本说明书中不做具体限定。例如，可以只从用户历史充电的充电站中选择部分充电站，并提取历史用户特征和历史充电站特征生成训练样本集；也可以既从用户历史充电的充电站中选择部分充电站，同时也从用户可能浏览过但没选择过的充电站中选择部分充电站，并提取历史用户特征和历史充电站特征生成训练样本集。

在一种实施方式中，可以获取用户的历史充电行为，并从所述历史充电行为中提取若干由用户标识以及充电站标识组成的二元组；基于所二元组中的所述用户标识和所述充电站标识，分别获取历史用户特征以及历史充电站特征；将一个二元组中的用户标识和充电站标识分别对应的用户特征和充电站特征确定为一个训练样本；基于所述至少一个训练样本生成训练样本集。

在本说明书中，二元组可以包括用户标识以及充电站标识。例如，由用户身份证号码和充电站id组成的二元组。

针对用户的一次历史充电行为，可以提取一个或多个由用户标识以及充电站标识组成的对应关系。例如，用户在进行充电之前，浏览了充电站A、充电站B以及充电站C，并选择了前往充电站C进行充电。那么可以分别生成由该用户的用户标识以及充电站A的充电站标识组成的对应关系，由该用户的用户标识以及充电站B的充电站标识组成的对应关系，由该用户的用户标识以及充电站C的充电站标识组成的对应关系。

基于所述对应关系中的用户标识以及充电站标识，可以分别提取相应的用户特征以及充电站特征。提取用户特征以及充电站特征可以参考前文，在此不再赘述。

基于所述对应关系中的用户标识以及充电站标识，提取相应的用户特征以及充电站特征之后，可以将一个二元组中的用户标识和充电站标识分别对应的用户特征和充电站特征确定为一个训练样本。在生成训练样本之后，可以基于至少一个训练样本生成训练样本集，以输入所述预测模型进行训练。

在一种实施方式中，所述训练样本被标注了标签，其中所述标签用于指示与所述历史用户特征对应的用户是否在与所述历史充电站特征对应的充电站处充电。

在生成样本集之前，可以将标签为所述历史用户特征对应的用户在与所述历史充电站特征对应的充电站处充电的训练样本设置为正训练样本；将标签为所述历史用户特征对应的用户没有在与所述历史充电站特征对应的充电站处充电的训练样本设置负训练样本。对所述至少一个正训练样本进行随机欠采样，以获得正训练样本集；并对所述至少一个负训练样本进行随机过采样，以获得负训练样本集，将所述正训练样本集和所述负训练样本集，确定为训练样本集。

由于用户没选择过的充电站，并不一定意味着用户不喜欢这个充电站，可能由于多种原因造成推荐偏差，因此将用户选择过的充电站作为正样本，并进行欠采样，将用户没有选择过的充电站作为负样本，并进行过采样，使得训练样本更加均衡，有效降低偏差，提高预测模型的表达能力和泛化能力。

在一种实施方式中，所述预测模型可以包括SENet(Squeeze-and-ExcitationNetwork)层、门控层以及全连接层的机器学习模型。

其中，SEnet层可以用于将训练样本中的用户特征以及所述充电站特征转化为对应的特征权重。所述SEnet层可以包括两个阶段，压缩阶段以及激发阶段。在压缩阶段，可以针对每个用户特征以及所述充电站特征对应的特征向量进行压缩与信息汇总。而在激发阶段，可以通过MLP(Multilayer Perceptron，多层感知器)，动态的判断哪些特征重要，哪些特征不重要，并针对每个特征生成相应的特征权重，并将原始的特征向量，生成具有特征权重的向量。

所述门控层可以针对特征权重进行权重调节，并可以将所述特征权重高于预设阈值的用户特征以及充电站特征筛选出来。门控层可以包含多个门控机制的神经网络层，门控机制可以相当于调节阀，可以控制信息流量的流入程度。通过门控机制调整特征权重的输入和输出，针对重要性较高的用户特征以及充电站特征进行提权，针对重要性较低的用户特征以及充电站特征进行降权，从而筛选出所述特征权重高于预设阈值的用户特征以及充电站特征。

所述全连接层，可以将门控层筛选出的特征权重高于预设阈值的用户特征以及充电站特征，进一步计算用户在各个候选充电站处充电的概率。

请参见图2，图2是一示例性实施例示出的一种预测模型示意图，如图2所示，模型的输入部分可以是用户特征以及充电站特征，在输入SENet层之前，可以针对用户特征以及充电站特征生成对应的嵌入向量，也即Input Eembedding，由SEnet层针对嵌入向量生成每个特征对应的权重，得到每个特征及其权重的嵌入向量，也即SENet Eembedding。进一步的，将每个特征对应的权重对应的嵌入向量输入门控层，以由门控层针对重要性较高的用户特征以及充电站特征进行提权，针对重要性较低的用户特征以及充电站特征进行降权，从而筛选出所述特征权重高于预设阈值的用户特征以及充电站特征。需要说明的是，门控层可以根据实际需要，具有1层或N层，在本说明书中不做具体限定。筛选出所述特征权重高于预设阈值的用户特征以及充电站特征，可以将用户特征以及充电站特征输入全连接层，以由全连接层基于特征进一步计算目标用户在各个候选充电站处充电的概率。

在一种实施方式中，可以通过损失函数确定模型是否收敛，也可以通过验证样本集确定模型是否收敛。

当所述预测函数对应的损失函数收敛时，可以确定所述预测模型收敛。其中，所述损失函数是用于衡量模型预测值与真实值之间差距的函数，损失函数的值越小越好。在实际应用中，可以使用0-1损失函数(Zero-one Loss)、感知损失函数(Perceptron Loss)、平方损失函数(Square Loss)等等，在本说明书中不做具体限定。

还可以将验证样本集输入所述预测模型；其中，所述验证样本集包括若干被标注了目标用户在各个候选充电站处充电的真实概率的验证样本；

将所述预测模型的输出的用户在各个候选充电站处充电的预测概率，与所述验证样本集标注的真实概率进行匹配，并生成评价指标，基于所述评价指标确定所述预测模型收敛。

在本说明书中，验证样本集是指被标注了目标用户在各个候选充电站处充电的真实概率的验证样本。例如，某个验证样本包括用户的用户特征以及充电站特征，被标注了用户在充电站处充电的概率为小于50％。

通过将验证样本集输入所述预测模型，得到所述预测模型输出的用户在各个候选充电站处充电的预测概率。如果所述预测概率与样本标注的真实概率越接近，说明模型的训练效果越好。

基于模型的预测概率以及样本的真实概率可以生成评价指标，其中，所述评价指标用于评判所述模型是否收敛。例如，当验证样本集中70％的验证样本对应的预测概率与真实概率之间误差小于10％，可以认为预测模型收敛。所述评价指标可以根据实际需要使用各种评分函数，在本说明书中不做具体限定。

步骤106，基于所述概率从所述至少一个候选充电站中确定出与所述目标用户对应的推荐充电站，并面向所述目标用户输出所述推荐充电站。

由所述预测模型基于所述用户特征和所述充电站特征预测所述目标用户在各个候选充电站处充电的概率后，可以基于所述概率从所述至少一个候选充电站中确定出与所述目标用户对应的推荐充电站，并面向所述目标用户输出所述推荐充电站。

例如，可以通过新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端的显示屏，将所述概率最大的一个或多个充电站，通过降序排列，以列表的形式，向用户进行输出。

在一种实施方式中，可以将至少一个所述概率最高的预设数量的候选充电站确定为与所述目标用户对应的推荐充电站。

例如，目标用户在充电站A和充电站B的充电概率均为80％，可以将充电站A和充电站B确定为目标用户对应的推荐充电站。

也可以将至少一个候选充电站中所述概率大于预设阈值的候选充电站确定为与所述目标用户对应的推荐充电站。其中，预设阈值可以由新能源汽车的车载的智能终端，或是与新能源汽车进行网络互连的移动终端默认设置，也可以由用户手动设置，在本说明书中不做具体限定。

例如，预设阈值可以是70％，目标用户在充电站A和充电站B的充电概率均为80％，在充电站C充电概率均为70％，可以将充电站A、充电站B和充电站点C都确定为目标用户对应的推荐充电站。

与上述充电站推荐方法的实施例对应的，本说明书还提供了充电站推荐装置的实施例。

请参见图3，图3是一示例性的实施例示出的一种充电站推荐装置所在电子设备的硬件结构图。在硬件层面，该设备包括处理器302、内部总线304、网络接口306、内存308以及非易失性存储器310，当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现，比如由处理器302从非易失性存储器310中读取对应的计算机程序到内存308中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

请参见图4，图4是一示例性的实施例示出的一种充电站推荐装置的框图。充电站推荐装置可以应用于图3所示的电子设备中，以实现本说明书的技术方案。其中，上述充电站推荐装置可以包括：

充电站查询单元402，用于响应于目标用户发起的充电站查询请求，获取所述目标用户的用户特征，以及与所述目标用户对应的至少一个候选充电站的充电站特征；

模型预测单元404，用于将所述用户特征和所述充电站特征输入训练完成的预测模型，以使所述预测模型基于所述用户特征和所述充电站特征预测所述目标用户在各个候选充电站处充电的概率；

充电站推荐单元406，用于基于所述概率从所述至少一个候选充电站中确定出与所述目标用户对应的推荐充电站，并面向所述目标用户输出所述推荐充电站。

在本实例中，充电站推荐单元406，进一步用于将所述至少一个所述概率最高的预设数量的候选充电站确定为与所述目标用户对应的推荐充电站；或者，

将所述至少一个候选充电站中所述概率大于预设阈值的候选充电站确定为与所述目标用户对应的推荐充电站。

在本实例中，所述充电站查询请求包括所述目标用户的用户标识；充电站查询单元402，进一步用于基于所述目标用户标识，获取所述目标用户的用户特征以及与所述用户标识对应的至少一个候选充电站的充电站标识；

基于所述至少一个充电站标识获取充电站特征。

在本实例中，所述方法还包括：

模型训练单元，用于获取训练样本集；所述训练样本集包括若干被标注了标签的训练样本；其中，所述训练样本包括历史用户特征和历史充电站特征；所述标签用于指示与所述历史用户特征对应的用户是否在与所述历史充电站特征对应的充电站处充电；

基于所述训练样本集对所述预测模型进行有监督训练，直至所述预测模型收敛。

在本实例中，所述模型训练单元，进一步用于获取用户的历史充电行为，从所述历史充电行为中提取若干由用户标识以及充电站标识组成的二元组；

基于所二元组中的所述用户标识和所述充电站标识，分别获取历史用户特征以及历史充电站特征；

将一个二元组中的用户标识和充电站标识分别对应的用户特征和充电站特征确定为一个训练样本。

基于所述至少一个训练样本生成训练样本集。

在本实例中，所述模型训练单元，进一步用于对所述至少一个正训练样本进行随机欠采样，以获得正训练样本集；其中，所述正训练样本为被标注了指示所述历史用户特征对应的用户在与所述历史充电站特征对应的充电站处充电的标签的训练样本；

对所述至少一个负训练样本进行随机过采样，以获得负训练样本集；其中，所述负训练样本为被标注了指示所述历史用户特征对应的用户没有在与所述历史充电站特征对应的充电站处充电的标签的训练样本；

将所述正训练样本集和所述负训练样本集，确定为训练样本集。

在本实例中，所述预测模型包括SENet层和门控层、全连接层的机器学习模型。

在本实例中，所述模型训练单元，进一步用于将所述训练样本集中的训练样本输入所述SENet层，以得到所述SENet层输出的针对所述训练样本中的用户特征以及所述充电站点特征分别对应的特征权重；

将所述特征权重输入所述门控层，以使所述门控层针对所述特征权重进行权重调节，以得到所述门控层输出的所述特征权重高于预设阈值的用户特征以及充电站点特征；

将所述特征权重高于预设阈值的用户特征以及充电站点特征输入全连接层，以得到所述全连接层输出的用户前往所述至少一个充电站点进行充电的充电概率。

在本实例中，所述模型训练单元，进一步用于当所述预测模型对应的损失函数收敛时，确定所述预测推荐模型收敛；和/或，

将所述验证样本集输入所述预测模型；其中，所述验证样本集包括若干被标注了目标用户在各个候选充电站处充电的真实概率的验证样本；

将所述预测模型的输出的用户在各个候选充电站处充电的预测概率，与所述验证样本集标注的真实概率进行匹配，并生成评价指标，基于所述评价指标确定所述预测模型收敛。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例只是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本说明书还提供了一种计算机可读存储介质的实施例。所述计算机可读存储介质存储有机器可读指令，所述机器可读指令在被处理器调用和执行时，可以实现本说明书中任意一个实施例提供的所述充电站推荐方法。

本说明书实施例提供的计算机可读存储介质具体可以包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随机存储器)、EPROM(Erasable Programmable Read-OnlyMemory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable ProgrammableRead-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光纤卡片。也就是，可读存储介质包括可以存储或传输信息的可读介质。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

在一个典型的配置中，计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。