买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉长春工业大学申请的专利一种基于树模型的新能源汽车充电电量预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120031258B 。

龙图腾网通过国家知识产权局官网在2025-08-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510502613.3，技术领域涉及：G06Q10/063；该发明授权一种基于树模型的新能源汽车充电电量预测方法是由董吉哲;王梓蘅;陈沛光;高洪尧;李九龙;张雁斌设计研发完成，并于2025-04-22向国家知识产权局提交的专利申请。

本一种基于树模型的新能源汽车充电电量预测方法在说明书摘要公布了：本发明涉及新能源汽车充电电量预测与优化领域，公开了一种基于树模型的新能源汽车充电电量预测方法，旨在解决传统方法在处理复杂非线性、非时序及长尾分布数据时预测精度低、鲁棒性差的问题。该方法先对原始数据预处理，然后构建深度神经网络模型获得初步预测值并计算残差序列；随后利用动态设置方法、动态调节gamma方法及动态混合损失函数方法改良XGBoost残差修正模型，并对残差进行修正，实现基于残差序列统计特性和候选特征对交互信息的自适应参数优化；最终将初步预测值与残差修正值融合，获得最终的充电电量预测值。本方法显著提升新能源汽车充电电量预测的鲁棒性与精度，广泛适用于复杂充电场景的智能预测与优化。

本发明授权一种基于树模型的新能源汽车充电电量预测方法在权利要求书中公布了：1.一种基于树模型的新能源汽车充电电量预测方法，其特征在于，所述方法包括： 步骤1、通过与充电站监控系统的数据采集终端交互，获取新能源汽车充电数据，同时从历史数据存储库中提取一定时间范围内的充电记录，并按时间序列划分为多个时段。对原始数据进行预处理，包括将含日期信息的列转换为数值格式；采用小波分解对目标变量去噪；利用基于四分位数间距和局部异常因子的方法进行异常值检测并剔除离群样本；对数值特征进行归一化处理；对类别特征进行标签编码，所述目标变量为充电电量； 步骤2、构建深度神经网络模型，数值特征输入部分采用一维因果卷积提取多尺度局部时序特征，并结合双向GatedRecurrentUnit捕捉全局时序依赖；对类别特征设有独立嵌入层，将离散变量映射至低维向量空间后与数值特征融合；经全连接层及Dropout层处理后输出新能源汽车充电电量的初步预测结果； 步骤3、计算目标变量与深度神经网络初步预测结果之间的差值，得到残差序列； 步骤4、利用改良的XGBoost残差修正模型对残差进行建模与预测，其改良模型采用动态分裂机制、残差自适应正则化机制以及动态混合损失函数方法，根据输入残差序列的分位数、标准差、偏度、峰度等统计特性自适应调整模型参数，从而实现对残差的精准拟合； 所述动态分裂机制包括： 利用残差序列的统计指标对模型当前残差序列进行分析，确定残差波动程度，并采用下述调节函数： fσ_current＝σ_currentσ_reference 式中，σ_current表示当前残差序列的标准差；σ_reference为预设参考标准差；当fσ_current1时，表明残差波动较大，当fσ_current≤1时，表明残差分布较为集中； 同时，对全部候选特征对与残差之间的交互信息进行评价，其交互信息指标Ifi，fj；r可按下式计算： Ifi，fj；r＝∑x∑yPx，y，rlog{Px，y，r[Px，r·Py，r]} 式中，Px，y，r表示特征fi与fj及残差r的联合概率分布，Px，r与Py，r分别表示fi与r、fj与r的边缘概率分布； 为了将候选特征交互信息指标标准化，并反映其对分裂决策的影响，本发明设有归一化调节函数hI，其可设定为： 式中，Imax为候选特征对中最大互信息值，Iref为预设参考交互信息值；α和β为正的调节参数，用于放大或缩小候选特征对交互效应的影响；当hI1时，表示候选特征对具有较强的交互效应；当hI1时，表示候选特征交互效应较弱； 基于上述调节函数，本发明动态设置max_depth方法的计算公式为： 式中，max_depth表示XGBoost残差修正模型中决策树的最终最大深度；d0表示预设的基础树深度；ω为在残差波动较大下，用于增大树深的基础调整增量；ω′为在残差分布集中下，用于降低树深的基础调整减量；fσ_current为基于残差统计指标的调节函数；hI表示归一化调节函数，用于反映候选特征交互效应的强弱； 通过动态调整机制，在模型训练过程中，可利用外部回调或自定义训练循环，实时更新fσ_current与hI的值，并据此动态调整后续树构造时采用的max_depth参数；该方法既能在残差波动较大且候选特征交互效应显著时增大树深，以增强对尾部数据及复杂非线性关系的拟合能力，又能在残差分布较为集中时降低树深，防止过拟合并节约训练资源，从而提高模型的整体预测精度和泛化能力； 所述残差自适应正则化机制包括： 对初步预测模型产生的残差序列进行统计分析，计算其残差序列的偏度S和峰度K；设定预设基础正则化权重γbase、用于归一化偏度的系数Sscale以及峰度参考值Kref，并定义残差自适应正则化调整函数gS，K，其表达式为： gS，K＝1+a·|S|Sscale+|K-Kref|Kref 式中，a为正的调节系数，用以控制偏度和峰度对调整幅度的影响；S为残差序列的偏度；Sscale表示用于归一化偏度的系数；K为残差序列的峰度；Kref为预设的峰度参考值； 根据调整函数gS，K计算动态正则化权重γdy，其公式为： γdy＝γbasegS，K 式中，γbase为预设基础正则化权重；gS，K表示残差自适应正则化调整函数，其值反映残差分布的异常程度； 通过残差自适应正则化机制，模型可在面对残差分布存在异常值或拖尾现象时，增大gS，K值，从而使γdy降低，以提高模型灵活性；在残差分布平稳时，gS，K值接近1，γdy则趋近于γbase，从而增强正则化效果，有助于提高整体预测的稳定性和泛化能力； 所述动态混合损失函数方法包括： 采用一种动态混合损失函数，该损失函数将均方误差损失与分位数误差损失按残差分布的统计特性动态加权组合，以实现对异常值与常规数据的兼顾拟合；具体地，对于每个样本，其预测残差e定义为实际值与模型预测值之间的差值，动态混合损失函数Le的表达式为： Le＝λ·Lme+1-λ·Lqe 式中，Lme＝e2表示均方误差损失；Lqe＝e·[τ-Je0]表示分位数误差损失，τ为预设分位数，Je0为指示函数，当e0时，Je0＝1，当e≥0时，Je＜0＝0；λ为动态权重，根据残差序列的偏度S与峰度K自动确定，其计算公式为： λ＝1-a·|S-Sref|Sref+|K-Kref|Kref 式中，S表示残差序列的偏度；K表示残差序列的峰度；Sref为预设的偏度参考值；Kref为预设的峰度参考值；a为正的调节系数，用以控制偏度和峰度对调整幅度的影响；当残差分布异常，即|S-Sref|或|K-Kref|较大时，λ值减小，从而使分位数误差损失在混合损失函数中的比重增大，以增强对大残差的鲁棒性；当残差分布平稳时，λ值接近1，使均方误差损失占主导，保证整体预测精度； 在实际训练过程中，对每个数据点分别利用Le计算梯度和Hessian矩阵，其表达式分别为： Ge＝dLede， He＝d2Lede2 式中，Ge为损失函数Le对e的一阶导数；He为损失函数Le对e的二阶导数；当|e|较小时，动态混合损失函数Le的梯度和Hessian矩阵与均方误差损失相近，保证模型在主干数据区间内的平滑收敛；当|e超出预定阈值时，分位数误差损失部分起主导作用，其梯度趋于常数且Hessian矩阵值趋于零，从而有效减弱异常样本对模型训练的干扰，提高整体鲁棒性； 步骤5、将深度神经网络的初步预测结果与改良XGBoost残差修正模型预测出的残差相加，得到新能源汽车充电电量的最终预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长春工业大学，其通讯地址为：130012 吉林省长春市朝阳区延安大街2055号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。