电动汽车充电资源预估方法、装置、设备及介质

技术领域

本发明涉及充电管理技术领域，具体涉及一种电动汽车充电资源预估方法、装置、设备及介质。

背景技术

随着电动汽车行业的发展，越来越多的用户倾向于选择智能化水平的电动汽车。用户的激增也带来了大量的补能需求，随之充电资源的建设也在如火如荼地开展，在这样的背景下，如何建好充电资源、建对充电资源成了各新能源车企、补能建设企业等的重要研究课题。

而充电资源的预估是其中最为关键的一环，它可以用来评估充电资源选址的好坏，帮助做选址决策，提升充电资源建设企业的长期经营效益；另一方面，它可以评估已有充电资源的经营状况，帮助充电资源经营主体动态调整营销策略；同时，它也能表现用户的需求量和区域充电资源的供需关系，提升用户的补能体验。可见，充电资源的预估系统对建设企业、经营方以及用户都至关重要。

传统的充电资源预估方法使用一些从经济学上变体的专家规则，而充电资源预估和多方面因素有关并且关系错综复杂，有充电资源的具体兴趣点POI位置竞争力、场站规模(7kW和超充的枪数)、体验竞争力、周围的场站经营状态等方面，专家规则不能准确地体现这些因素之间内在关联，同时，用户的常驻点也是散落在地图上的不同位置，用户需求与充电场站的关系是难以用专家规则来量化的。

相应地，本领域需要一种新的电动汽车充电资源预估方法来解决上述问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何精准的预估电动汽车在不同场景下的充电资源用量的技术问题的一种电动汽车充电资源预估方法、装置、设备及介质。

在第一方面，提供一种电动汽车充电资源预估方法，所述方法包括：

获取待预估充电资源相关信息，或，获取所述待预估充电资源相关信息与预估需求；

将所述待预估充电资源相关信息或所述待预估充电资源相关信息与所述预估需求输入训练好的充电资源预估模型，得到充电资源预估结果；

其中所述训练好的充电资源预估模型包括充电资源特征库、用户常驻点位特征库、特征提取模块、语义信息融合模块和时间序列特征提取模块。

在上述电动汽车充电资源预估方法的一个技术方案中，所述待预估充电资源相关信息至少包括周边充电资源数据、用户常驻点位数据、待预估充电资源自有数据；所述获取待预估充电资源相关信息至少包括：

基于所述待预估充电资源的周边业态属性确定召回的周边充电资源的召回圈大小；

基于所述召回圈的大小获取所述待预估充电资源的所述周边充电资源数据；

基于所述待预估充电资源的位置获取预设边长的正方形范围内的所述用户常驻点位数据。

在上述电动汽车充电资源预估方法的一个技术方案中，所述预估场景包括选址预估需求和经营预估需求，所述将所述将待预估充电资源相关信息与预估需求输入训练好的充电资源预估模型，得到充电资源预估结果包括：

当所述预估场景需求为选址预估需求时，将所述选址预估需求和所述待预估充电资源相关信息输入训练好的所述充电资源预估模型，得到待预估充电资源的选址预估结果；

当所述预估场景需求为所述经营预估需求时，将所述经营预估需求和所述待预估充电资源相关信息输入训练好的所述充电资源预估模型，得到待预估充电资源的经营预估结果。

在上述电动汽车充电资源预估方法的一个技术方案中，所述方法包括至少基于以下步骤对所述充电资源预估模型进行训练：

获取训练样本数据集，其中所述训练样本数据集包括训练样本充电资源特征库和训练样本用户常驻点位特征库；

基于所述训练样本数据集对所述充电资源预估模型中的所述特征提取模块、所述语义信息融合模块和所述时间序列特征提块进行训练；

当所述充电资源预估模型计算收敛至预设误差值时，完成所述充电资源预估模型训练。

在上述电动汽车充电资源预估方法的一个技术方案中，所述获取训练样本数据集包括：

基于训练样本中所有充电资源的画像信息构建所述训练样本充电资源特征库；

基于训练样本中所有用户的画像信息构建所述训练样本用户常驻点位特征库。

在上述电动汽车充电资源预估方法的一个技术方案中，所述特征提取模块包括周边充电资源特征提取模块、用户需求特征提取模块和充电资源自有特征提取模块，所述基于所述训练样本数据集对所述充电资源预估模型中的所述特征提取模块、所述语义信息融合模块和所述时间序列特征提取模块进行训练包括：

基于所述周边充电资源特征提取模块、所述用户需求特征提取模块和所述充电资源自有特征提取模块分别对所述训练样本数据进行特征提取，以得到周边充电资源语义信息、用户需求语义信息和充电资源自有语义信息；

基于所述语义信息融合模块对所述周边充电资源语义信息、所述用户需求语义信息和所述充电资源自有语义信息进行语义信息融合，以得到融合语义信息；

基于所述时间序列特征提取模块对所述融合语义信息进行特征提取，得到所述充电资源预估结果。

在上述电动汽车充电资源预估方法的一个技术方案中，所述基于所述周边充电资源特征提取模块、所述用户需求特征提取模块和所述充电资源自有特征提取模块分别对所述待训练样本数据进行特征提取，以得到周边充电资源语义信息、用户需求语义信息和充电资源自有语义信息包括：

以训练样本中待评估充电资源的每个所述周边充电资源为节点构造一个图拓扑；基于每个所述周边充电资源特征构成特征矩阵X、基于每个所述周边充电资源特征之间的距离倒数构成邻接矩阵A；基于所述特征矩阵X和所述邻接矩阵A获取所述周边充电资源语义信息；

和/或，

基于每个所述用户常驻点位构造一个需求热力伪图像；基于卷积层提取特征、基于线性整流层做激活、基于池化层做下采样；基于全连接层获取所述用户需求语义信息；

和/或，

对每个所述训练样本中待评估充电资源自有特征做特征编码；基于所述全连接层获取所述充电资源自有语义信息。

在第二方面，提供一种电动汽车充电资源预估装置，所述装置包括：

获取模块，其被配置成获取待预估充电资源相关信息，或，获取所述待预估充电资源相关信息与预估需求；

输入模块，其被配置成将所述待预估充电资源相关信息或所述待预估充电资源相关信息与所述预估需求输入训练好的充电资源预估模型，得到充电资源预估结果。

在第三方面，提供一种计算机设备，该计算机设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述电动汽车充电资源预估方法的技术方案中任一项技术方案所述的电动汽车充电资源预估方法。

在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述电动汽车充电资源预估方法的技术方案中任一项技术方案所述的电动汽车充电资源预估方法。

本发明上述一个或多个技术方案，至少具有如下一种或多种

有益效果：

在实施本发明的技术方案中，首先获取待预估充电资源相关信息，或，获取待预估充电资源相关信息与预估需求，然后将待预估充电资源相关信息或待预估充电资源相关信息与预估需求输入训练好的充电资源预估模型，得到充电资源预估结果，其中训练好的充电资源预估模型包括充电资源特征库、用户常驻点位特征库、特征提取模块、语义信息融合模块和时间序列特征提取模块。通过上述实施方式，能够基于训练好的充电资源预估模型，准确地从时间和空间上对不同场景下的充电资源用量进行预估，具有较好的鲁棒性和预估精度，同时还具有较高的工程应用价值和泛化性。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：

图1是根据本发明的一个实施例的电动汽车充电资源预估方法的主要步骤流程示意图；

图2是根据本发明的一个实施例的获取待预估充电资源相关信息的主要步骤流程示意图；

图3是根据本发明的一个实施例的充电资源预估方法的主要流程示意图；

图4是根据本发明的一个实施例的充电资源预估模型训练方法的主要步骤流程示意图；

图5是根据本发明的一个实施例的训练充电资源预估模型中的特征提取模块、语义信息融合模块和时间序列特征提取模块的方法的主要步骤流程示意图；

图6是根据本发明的一个实施例的周边充电资源图拓扑示意图；

图7是根据本发明的一个实施例的用户需求热力伪图像示意图；

图8是根据本发明的一个实施例的电动汽车充电资源预估方法整体框架示意图；

图9是根据本发明的一个实施例的电动汽车充电资源预估装置的主要结构框图；

图10是根据本发明的一个电子设备实施例的主要结构示意图。

附图标记列表：

901：获取模块；902：输入模块；1001：处理器；1002：存储装置。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

传统的充电资源预估方法使用一些从经济学上变体的专家规则，而充电资源预估和多方面因素有关并且关系错综复杂，有充电资源的POI位置竞争力、场站规模(7kW和超充的枪数)、体验竞争力、周围的场站经营状态等方面，专家规则不能准确地体现这些因素之间内在关联，同时，用户的常驻点也是散落在地图上的不同位置，用户需求与充电场站的关系是难以用专家规则来量化的。针对上述问题，本发明提供了一种电动汽车充电资源预估方法、装置、设备及介质。

参阅附图1，图1是根据本发明的一个实施例的电动汽车充电资源预估方法的主要步骤流程示意图。如图1所示，本发明实施例中的电动汽车充电资源预估方法主要包括下列步骤S101至步骤S102。

步骤S101：获取待预估充电资源相关信息，或，获取所述待预估充电资源相关信息与预估需求。

步骤S102：将待预估充电资源相关信息或待预估充电资源相关信息与预估需求输入训练好的充电资源预估模型，得到充电资源预估结果。

在一些实施方式中，训练好的充电资源预估模型包括充电资源特征库、用户常驻点位特征库、特征提取模块、语义信息融合模块和时间序列特征提取模块。

通过上述步骤S101至步骤102所述的方法，能够基于训练好的充电资源预估模型，准确地从时间和空间上对不同场景下的充电资源用量进行预估，具有较好的鲁棒性和预估精度，同时还具有较高的工程应用价值和泛化性。

下面对上述步骤S101至步骤S102作进一步说明。

在上述步骤S101一些实施方式中，待预估充电资源相关信息至少包括周边充电资源数据、用户常驻点位数据、待预估充电资源自有数据。

进一步，参阅附图2，图2是根据本发明的一个实施例的获取待预估充电资源相关信息的主要步骤流程示意图。如图2所示，在步骤S101中，获取待预估充电资源相关信息至少包括下列步骤S1011至步骤S1013。

步骤S1011：基于待预估充电资源的周边业态属性确定召回的周边充电资源的召回圈大小。

在一些实施方式中，待预估充电资源的周边业态属性包括POI业态属性，每个POI业态属性对应着不同的召回圈大小。

其中，POI为兴趣点，指地图数据中每个位置点的具体信息，包含名称、类别、经度纬度、附近的商铺信息等。

步骤S1012：基于召回圈的大小获取待预估充电资源的周边充电资源数据。

在一些实施方式中，待预估充电资源的周边充电资源数据包括周边充电资源的名称、类别、经度纬度等。

步骤S1013：基于待预估充电资源的位置获取预设边长的正方形范围内的用户常驻点位数据。

需要指出的是，正方形的边长是本领域技术人员在实际应用过程中根据实际需要进行设定的，此处不作限定。

在一些实施方式中，获取的周边充电资源数据、用户常驻点位数据、待预估充电资源自有数据之后，可以由上述数据构成三条序列，在进行充电资源预估时，由动态时窗滑动每个充电资源的周边充电资源历史序列信息、用户常驻点位历史序列信息和充电资源自有历史序列信息得到预估结果。比如，由动态时窗滑动上一周的三条历史序列信息进行预估，得到未来两天的充电资源预估结果。

以上是对步骤S101的进一步说明，下面继续对步骤S102作进一步说明。

在上述步骤S102的一些实施方式中，预估场景包括选址预估需求或经营预估需求，进一步，将待预估充电资源相关信息与预估需求输入训练好的充电资源预估模型，得到充电资源预估结果。

在一些实施方式中，当预估场景需求为选址预估需求时，将选址预估需求和待预估充电资源相关信息输入训练好的充电资源预估模型，得到待预估充电资源的选址预估结果。

具体的，当用户输入的预估场景需求为选址预估时，则显示需要输入潜在充电资源的不同功率枪数、经纬度位置、POI业态属性，充电资源预估模型会根据充电资源特征中最差的经营表现对应的经营特征组合，比如最差的充电成功率等和最佳的经营表现对应的经营特征组合，分别经过推理和计算，向用户展示待预估场站的最差预估结果和最佳预估结果。

当预估场景需求为经营预估需求时，将待预估充电资源相关信息和经验预估需求输入训练好的充电资源预估模型，得到经营预估结果。

具体的，当用户输入的预估场景需求为经营预估时，显示需要输入充电资源名称以及潜在充电的价格参数区间，充电资源预估模型获取的充电资源自有特征的经营类特征，来自于充电资源特征库中充电资源对应的经营特征，向用户展示价格参数区间内不同价格的预估结果。

在一些实施方式中，参阅附图3，图3是根据本发明的一个实施例的充电资源预估方法的主要流程示意图。如图3所示，进行充电资源预估时，用户首先输入预估场景需求，进一步，根据预估场景需求输入待预估充电资源相关信息，基于充电资源特征库和用户常驻点位特征库进行特征提取后，通过充电资源预估模型进行相关的推理计算，得到相应的充电资源预估结果。

进一步，参阅附图4，图4是根据本发明的一个实施例的充电资源预估模型训练方法的主要步骤流程示意图。如图4所示，本发明实施例中的对充电资源预估模型进行训练的方法主要包括下列步骤S401至步骤S403。

步骤S401：获取训练样本数据集。

其中，训练样本数据集包括训练样本充电资源特征库和训练样本用户常驻点位特征库。

在一些实施方式中，可以基于训练样本中所有充电资源的画像信息构建训练样本充电资源特征库；基于训练样本中所有用户的画像信息构建训练样本用户常驻点位特征库。

进一步，所有充电资源的画像信息包括所有充电资源的经纬度位置、不同功率类型枪数、不同功率类型枪的日充电订单数、车位类型、峰谷平价格、充电成功率、充电场站占位率、不同功率类型枪的实际充电速度、不同功率枪的占用率、POI业态类型等特征。其中功率类型以充电枪的额定充电功率分为慢、中、快三种功率类型。

所有用户的画像信息包括用户常驻点位的经纬度、用户常驻点位的笛卡尔坐标和用户历史180天的充电订单数。

步骤S402：基于训练样本数据集对充电资源预估模型中的特征提取模块、语义信息融合模块和时间序列特征提取模块进行训练。

在一些实施方式中，特征提取模块包括周边充电资源特征提取模块、用户需求特征提取模块和充电资源自有特征提取模块。

进一步，参阅附图5，图5是根据本发明的一个实施例的训练充电资源预估模型中的特征提取模块、语义信息融合模块和时间序列特征提取模块的方法的主要步骤流程示意图。如图5所示，步骤S402至少包括下列步骤S4021至步骤S4023。

步骤S4021：基于周边充电资源特征提取模块、用户需求特征提取模块和充电资源自有特征提取模块分别对训练样本数据进行特征提取，以得到周边充电资源语义信息、用户需求语义信息和充电资源自有语义信息。

进一步，在一些实施方式中，基于周边充电资源特征提取模块得到周边充电资源语义信息包括：

(1)以训练样本中待评估充电资源的每个周边充电资源为节点构造一个图拓扑；

(2)基于每个周边充电资源特征构成特征矩阵X、基于每个周边充电资源特征之间的距离倒数构成邻接矩阵A；

(3)基于特征矩阵X和邻接矩阵A获取周边充电资源语义信息。

参阅附图6，图6是根据本发明的一个实施例的周边充电资源图拓扑示意图。如图6所示，以每个周边充电资源为节点，可以构造一个非欧式的图拓扑。

由每个周边充电资源特征构成特征矩阵X，特征矩阵X中的元素包括周边充电资源不同功率类型的日单枪日充电订单数、与待预估充电资源的距离归一化值、不同功率类型枪数、车位类型、峰谷平价格、充电成功率、充电场站占位率、不同功率类型枪的实际充电速度、不同功率枪的占用率、POI业态类型等。

其中，与待预估充电资源的距离归一化值是通过计算每个待预估充电资源和所述周边充电资源的距离，并除以召回圈半径得到的。

进一步，由每个周边充电资源特征相互之间的距离倒数表达它们之间的关联，构成了邻接矩阵A。需要说明的是，当两个充电资源超过了预设距离后，邻接矩阵A的元素为0。本领域技术人员在实际应用过程中均可以根据实际需要设置预设距离，此处不作限定。

周边充电资源特征提取模型由两层图卷积神经网络GCN和全连接网络串联组成，周边充电资源的特征矩阵X和邻接矩阵A经过特征提取模型计算，就会得到周边充电资源的拓扑语义信息α。

需要说明的是，在上述方法中，周边充电资源特征提取模块由两层图卷积神经网络GCN和全连接网络串联组成只是示意性说明，其中，图卷积层可替换为其他各种形式的图卷积层，包括但不限于图注意力网络、归纳学习GraphSAGE等，只要在不违背本发明方案技术构思的基础上，本领域技术人员在实际应用过程中均可以根据实际需要进行选择，此处不作限定。

以上是基于周边充电资源特征提取模块得到周边充电资源语义信息的相关内容。

在一些实施方式中，基于用户需求特征提取模块得到用户需求语义信息包括：

(1)基于每个用户常驻点位构造一个需求热力伪图像；

(2)基于卷积层提取特征、基于线性整流层做激活、基于池化层做下采样；

(3)基于全连接层获取用户需求语义信息。

具体的，参阅附图7，图7是根据本发明的一个实施例的用户需求热力伪图像示意图。如图7所示，根据每个用户常驻点位构造的需求热力伪图像的每个像素大小为ε，以每个用户常驻点位的像素位置为中心，其中，热力伪图像上每个用户常驻点产生的热力值大小为：

其中，x、y为用户常驻点的笛卡尔坐标值，x

进一步，将每个用户常驻点产生的热力值相互叠加，构成一个热力伪图像。

用户需求特征提取模型由一个由1个卷积层、2个线性整流ReLu层、一个池化层以全连接层组成，热力伪图像经卷积层提取特征，经ReLu层做激活输入到池化层做下采样操作，最后经全连接层得到用户需求的拓扑语义信息β。

需要说明的是，在上述方法中，用户需求特征提取模块由一个由1个卷积层、2个线性整流ReLu层、一个池化层以全连接层组成只是示意性说明，其中卷积层可替换为各种形式的卷积层，包括但不限于分组卷积、可分离卷积、空洞卷积、深度卷积等，只要在不违背本发明方案技术构思的基础上，本领域技术人员在实际应用过程中均可以根据实际需要进行选择，此处不作限定。

以上是基于用户需求特征提取模块得到用户需求语义信息的相关内容。

在一些实施方式中，基于充电资源自有特征提取模块得到充电资源自有语义信息包括：

(1)对每个训练样本中待评估充电资源自有特征做特征编码；

(2)基于全连接层获取充电资源自有语义信息。

具体的，对充电资源自有特征做特征编码时，充电资源自有特征包括不同功率类型枪数、车位类型、峰谷平价格、充电成功率、充电场站占位率、不同功率类型枪的实际充电速度、不同功率枪的占用率、POI业态类型等。

充电资源自有特征提取模块内的模型由一个全连接层组成，经过全连接层后可以得到充电资源自有的语义信息γ。

以上是对步骤S4021的进一步说明，下面继续对步骤S4022作进一步说明。

步骤S4022：基于语义信息融合模块对周边充电资源语义信息、用户需求语义信息和充电资源自有语义信息进行语义信息融合，以得到融合语义信息。

在一些实施方式中，语义信息融合模块是将周边充电资源语义信息α、用户需求语义信息β和充电资源自有语义信息γ作拼接处理获得融合语义信息λ＝[α,β,γ]。

步骤S4023：基于时间序列特征提取模块对融合语义信息λ进行特征提取，得到充电资源预估结果。

在一些实施方式中，时间序列特征提取模块对周边充电资源语义信息α、用户需求语义信息β、充电资源自有语义信息γ和融合语义信息λ的序列点做特征提取，得到融合语义信息序列Ψ＝[λ

进一步，基于两层循环神经RNN网络层，对融合语义信息序列进行特征提取，最后经输出节点为3的全连接层分别预估出充电资源在慢、中、快3种功率类型下的用量预估结果。

需要说明的是，在上述方法中，时间序列特征提取模块使用RNN网络层只是示意性说明，其中RNN网络层可替换为长短期记忆网络LSTM、门控循环单元GRU、双向长短时记忆网络Bi-LSTM、双向循环神经网络Bi-RNN等网络单元；网络架构中可以添加避免过拟合的层，包括但不限于正则化、dropout(dropout是指在深度学习网络的训练过程中，按照一定的概率将一部分神经网络单元暂时从网络中丢弃，相当于从原始的网络中找到一个更瘦的网络)，只要在不违背本发明方案技术构思的基础上，本领域技术人员在实际应用过程中均可以根据实际需要进行选择，此处不作限定。

在完成步骤步骤S4023后，即完成了步骤S402，下面继续对步骤S403作进一步说明。

步骤S403：当充电资源预估模型计算收敛至预设误差值时，完成充电资源预估模型训练。

在一些实施方式中，基于训练样本数据集对上述特征提取模块、语义信息融合模块和时间序列特征提取模块进行端对端训练，直到模型计算收敛到最小误差值，最终可以把最优权重参数的模型保存到指定的文件中，以使得在进行充电资源预估时，根据用户输入的待预估充电资源相关信息和/或预估需求加载具有最优权重参数的模型文件用于充电资源预估。

上述对充电资源预估模型进行训练的方法采用误差反向传播梯度下降方法，其中，损失函数为均方根误差函数。需要说明的是，只要在不违背本发明方案技术构思的基础上，本领域技术人员在实际应用过程中均可以根据实际需要选择训练方法，此处不作限定。

在完成模型的训练后，就可以基于模型和用户的需求对充电资源进行预估，参阅附图8，图8是根据本发明的一个实施例的电动汽车充电资源预估方法整体框架示意图。如图8所示，基于周边充电资源特征提取模块、用户需求特征提取模块和充电资源自有特征提取模块，对充电资源特征库和用户常驻点位特征库进行特征提取，然后基于语义信息融合模块和时间序列特征提取模块进行语义融合和特征提取，以完成对充电资源预估模型的训练，进一步，当用户有预估需求时，输入待预估充电资源的信息和/或预估需求，充电资源预估模型基于输入信息得到充电资源预估结果。

需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。

进一步，本发明还提供了一种电动汽车充电资源预估装置。参阅附图9，图9是根据本发明的一个实施例的电动汽车充电资源预估装置的主要结构框图。如图9所示，本发明实施例中的电动汽车充电资源预估装置主要包括获取模块901和输入模块902。在一些实施例中，获取模块901可以被配置成获取待预估充电资源相关信息，或，获取所述待预估充电资源相关信息与预估需求。输入模块902可以被配置成将待预估充电资源相关信息或待预估充电资源相关信息与预估需求输入训练好的充电资源预估模型，得到充电资源预估结果。一个实施方式中，具体实现功能的描述可以参见步骤S101至步骤S102所述。

进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。

本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。

上述电动汽车充电资源预估装置以用于执行图1所示的电动汽车充电资源预估方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，电动汽车充电资源预估装置的具体工作过程及有关说明，可以参考电动汽车充电资源预估方法的实施例所描述的内容，此处不再赘述。

本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。

进一步，本发明还提供了一种电子设备。参阅附图10，图10是根据本发明的一个电子设备实施例的主要结构示意图。如图10所示，本发明实施例中的电子设备主要包括处理器1001和存储装置1002，存储装置1002可以被配置成存储执行上述方法实施例的电动汽车充电资源预估方法的程序，处理器1001可以被配置成用于执行存储装置1002中的程序，该程序包括但不限于执行上述方法实施例的电动汽车充电资源预估方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。

在本发明的一些可能的实施方式中，电子机设备可以包括多个处理器1001和多个存储装置1002。而执行上述方法实施例的电动汽车充电资源预估方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器1001加载并运行以执行上述方法实施例的电动汽车充电资源预估方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置1002中，每个处理器1001可以被配置成用于执行一个或多个存储装置1002中的程序，以共同实现上述方法实施例的电动汽车充电资源预估方法，即每个处理器1001分别执行上述方法实施例的电动汽车充电资源预估方法的不同步骤，来共同实现上述方法实施例的电动汽车充电资源预估方法。

上述多个处理器1001可以是部署于同一个设备上的处理器，例如上述电子设备可以是由多个处理器组成的高性能设备，上述多个处理器1001可以是该高性能设备上配置的处理器。此外，上述多个处理器1001也可以是部署于不同设备上的处理器，例如上述电子设备可以是服务器集群，上述多个处理器1001可以是服务器集群中不同服务器上的处理器；上述电子设备可以是驾驶设备集群，上述多个处理器1001可以是驾驶设备集群中不同驾驶设备上的处理器。

进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的电动汽车充电资源预估方法的程序，该程序可以由处理器加载并运行以实现上述电动汽车充电资源预估方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。

至此，已经结合附图所示的一个实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。