一种基于生成式的醇基新能源加注点设置优化方法及系统与流程

1.本发明涉及醇基新能源加注技术领域，尤其是涉及一种基于生成式的醇基新能源加注点设置优化方法及系统。


背景技术：

2.在环保理念日益深入人心的今天，醇基燃料车辆的使用越来越广泛。然而，如何有效地设置醇基燃料加注点，以及如何优化车辆的行驶线路，以达到既不浪费资源，又能让车辆得到及时的燃料加注，是一个亟待解决的问题。传统的方法通常依赖人工经验，效率低且容易出错。 除了传统的人工经验方法外，还存在以下方法来设置醇基燃料加注点和优化车辆行驶线路，如：数据驱动方法：利用大数据分析和机器学习技术，根据车辆使用数据、交通信息、燃料消耗模型等进行分析和预测，从而确定最佳的加注点位置和行驶线路。这种方法可以根据实际情况进行自动化决策，并考虑多个因素的综合影响。
3.优化算法方法：应用数学优化算法，如遗传算法、模拟退火算法等，通过建立数学模型和目标函数，从而寻找最优的加注点位置和行驶线路。这种方法可以考虑到多个约束条件，例如加注点的覆盖范围、路线的长度和时间等。
4.实时智能决策方法：利用实时传感器和通信技术，监测车辆和加注点的状态和位置信息，结合实时交通和燃料供应情况，进行实时决策和调整，以优化加注点设置和行驶线路。这种方法可以实现实时的响应和优化，适应动态变化的环境。
5.虽然这些方法具有很多优势，但也存在一些弊端，如：数据需求：上述方法通常需要大量的数据支持，包括车辆使用数据、交通信息、燃料消耗模型等。如果数据不完备或不准确，可能会影响结果的准确性和可靠性。
6.计算复杂性：一些方法需要进行复杂的计算和优化，涉及大规模的数据和复杂的算法。这可能导致计算时间较长或需要高性能的计算资源。
7.实时性要求：在实时智能决策方法中，对实时数据的获取和处理有较高的要求。如果数据延迟或不准确，可能会影响决策的实时性和准确性。
8.综上所述，虽然除了人工经验外还有其他方法来设置醇基燃料加注点和优化车辆行驶线路，但每种方法都有其自身的优缺点。因此，在设计优化系统时需要综合考虑实际需求、数据可用性、计算复杂性和实时性要求等因素，亟需一种基于生成式的醇基新能源加注点设置优化方法及系统。


技术实现要素：

9.为了解决上述提到的问题，本发明提供一种基于生成式的醇基新能源加注点设置优化方法及系统。
10.第一方面，本发明提供的一种基于生成式的醇基新能源加注点设置优化方法，采用如下的技术方案：
一种基于生成式的醇基新能源加注点设置优化方法，包括：获取车辆数据，包括行驶路线、行驶距离和燃料消耗量；构建长短期记忆网络模型；利用长短期记忆网络模型预测输出预测到的燃料需求；构建遗传算法模型；根据预测到的燃料需求和设置的加注点生成资源配置方案；利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解。
11.进一步地，所述利用长短期记忆网络模型预测输出预测到的燃料需求，包括利用长短期记忆网络模型的输入层导入行驶路线、行驶距离和燃料消耗量；通过长短期记忆网络模型的遗忘门输出需要被保留的车辆数据，其中0表示遗忘，1表示保留。
12.进一步地，所述利用长短期记忆网络模型预测输出预测到的燃料需求，还包括利用长短期记忆网络模型的输入门确定需要存储的车辆数据，并将单元状态作为lstm的内部状态。
13.进一步地，所述利用长短期记忆网络模型预测输出预测到的燃料需求，还包括通过长短期记忆网络模型的输出门确定输出的内部状态，通过模型的隐藏状态输出预测的燃料需求。
14.进一步地，所述根据预测到的燃料需求和设置的加注点生成资源配置方案，包括根据预测的燃料需求和设置的加注点，确定每个加注点的加注量和加注时间，以确保车辆在适当的时间和地点得到燃料加注。
15.进一步地，所述利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解，包括利用遗传算法模型对资源配置方案进行适应度评估，并选择高适应度的方案进行繁殖。
16.进一步地，所述利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解，还包括将繁殖后的方案进行交叉和变异后，得到新的方案，作为模型的解。
17.第二方面，一种基于生成式的醇基新能源加注点设置优化系统，包括：数据获取模块，被配置为，获取车辆数据，包括行驶路线、行驶距离和燃料消耗量；预测模块，被配置为，构建长短期记忆网络模型；利用长短期记忆网络模型预测输出预测到的燃料需求；方案配制模块，被配置为，构建遗传算法模型；根据预测到的燃料需求和设置的加注点生成资源配置方案；计算模块，被配置为，利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解。
18.第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于生成式的醇基新能源加注点设置优化方法。
19.第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于生成式的醇基新能源加注点设置优化方法。
20.综上所述，本发明具有如下的有益技术效果：
提高资源利用效率：通过基于生成式的醇基新能源加注点设置优化方法及系统，能够根据车辆的实时需求和行驶路线，合理设置加注点，避免资源的浪费和冗余，提高了醇基新能源的利用效率。
21.优化行驶路线：系统通过智能化计算方法，结合车辆数据和预测的燃料需求，能够生成最优的行驶路线，减少行驶距离和燃料消耗，优化车辆的行驶效率。
22.提供智能化决策支持：系统利用遗传算法模型对资源配置方案进行迭代，找到最优解，通过智能化计算和优化，提供了针对醇基新能源加注点设置的智能化决策支持，帮助用户做出更合理的决策。
23.节约成本和资源：通过优化加注点设置和行驶路线，系统能够减少资源的浪费和损耗，从而降低加注成本，提高资源的利用效率，实现资源的节约。
24.综上所述，本发明的有益效果包括提高资源利用效率、优化行驶路线、提供智能化决策支持以及节约成本和资源等。
附图说明
25.图1是本发明实施例1的一种基于生成式的醇基新能源加注点设置优化方法的流程示意图。
具体实施方式
26.以下结合附图对本发明作进一步详细说明。
27.实施例1参照图1，本实施例的一种智能化竞拍方法，包括以下步骤：获取车辆数据，包括行驶路线、行驶距离和燃料消耗量；构建长短期记忆网络模型；对于长短期记忆网络模型的具体模型结构，通常采用以下形式表示：输入门（input gate）：i_t = sigmoid(w_i [h_(t-1), x_t] + b_i)遗忘门（forget gate）：f_t = sigmoid(w_f [h_(t-1), x_t] + b_f)候选记忆细胞（candidate cell）：c~t = tanh(w_c [h(t-1), x_t] + b_c)记忆细胞（cell state）更新：c_t = f_t * c_(t-1) + i_t * c~_t输出门（output gate）：o_t = sigmoid(w_o [h_(t-1), x_t] + b_o)隐藏状态（hidden state）更新：h_t = o_t * tanh(c_t)其中，i_t、f_t、o_t为门控向量，c_t为记忆细胞，h_t为隐藏状态。[h_(t-1), x_t]表示将上一个时间步的隐藏状态h_(t-1)和当前时间步的输入数据x_t进行拼接。w_i、w_f、w_c、w_o为权重矩阵，b_i、b_f、b_c、b_o为偏置向量。sigmoid函数用于门控向量的激活，
tanh函数用于记忆细胞和隐藏状态的激活。
[0028]
具体的模型结构还涉及网络的层数、神经元的数量、损失函数的选择等。在实际应用中，可以根据具体问题的需求和数据特点进行调整和优化，如增加更多的层、增加更多的神经元，选择适合的损失函数进行模型训练和优化。
[0029]
利用长短期记忆网络模型预测输出预测到的燃料需求；构建遗传算法模型；其中包括：初始化种群：随机生成初始种群，每个个体表示为一个二进制串，表示加注点的选择情况。例如，假设我们有10个加注点，那么一个个体可以表示为长度为10的二进制串，其中1表示选择该加注点，0表示不选择。
[0030]
评估适应度：根据每个个体的加注点选择情况，计算其适应度值。适应度值可以根据加注点的距离、加注点的容量等指标来定义，目标是使得燃料加注的总时间最小化。
[0031]
选择操作：根据适应度值，选择优秀的个体作为父代，进行繁殖操作。常用的选择方法有轮盘赌选择和竞争选择等。
[0032]
交叉操作：从父代个体中随机选择两个个体，通过交叉操作产生新的子代个体。例如，可以使用单点交叉操作，随机选择一个交叉点，在该点之后将两个个体的基因串进行交换。
[0033]
变异操作：对子代个体进行变异操作，以引入新的基因变化。例如，可以随机选择某些位置进行基因的翻转变异，即将1变为0，0变为1。
[0034]
更新种群：将父代个体和子代个体合并为新的种群，并进行下一代的遗传算法迭代。
[0035]
终止条件：根据预设的停止条件，判断是否终止算法。常见的停止条件可以是达到最大迭代次数或适应度达到目标值。
[0036]
通过多代的迭代，遗传算法模型会逐渐收敛到最优解，即最佳的加注点设置方案，使得燃料加注的总时间最小化。在每一代的迭代过程中，根据适应度值进行选择、交叉和变异操作，逐步优化种群的基因组合。
[0037]
根据预测到的燃料需求和设置的加注点生成资源配置方案；利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解。
[0038]
利用长短期记忆网络模型预测输出预测到的燃料需求，包括利用长短期记忆网络模型的输入层导入行驶路线、行驶距离和燃料消耗量；通过长短期记忆网络模型的遗忘门输出需要被保留的车辆数据，其中0表示遗忘，1表示保留；长短期记忆（lstm）网络是一种常用的循环神经网络，用于处理序列数据。在本案例中，我们使用lstm网络来预测燃料需求，并根据遗忘门决定保留或遗忘车辆数据。
[0039]
lstm网络结构：
lstm网络包括输入门、遗忘门、输出门和记忆细胞。其中，遗忘门用于控制记忆细胞中的信息保留和遗忘。具体的公式和计算过程如下：遗忘门（forget gate）的计算：f_t = sigmoid(w_f · [h_(t-1), x_t] + b_f)其中，w_f是权重矩阵，h_(t-1)表示上一个时间步的隐藏状态，x_t是当前时间步的输入，b_f是偏置向量，sigmoid函数用于将输入转换为0到1之间的概率值。
[0040]
输入层导入数据：将行驶路线、行驶距离和燃料消耗量作为lstm网络的输入层数据。假设行驶路线表示为路线编号的序列，行驶距离为实数值，燃料消耗量也为实数值。这些数据会作为lstm网络的输入，在每个时间步输入到网络中。
[0041]
遗忘门输出保留信息：遗忘门的输出f_t表示对车辆数据的遗忘和保留。对于每个时间步，f_t的值为0表示遗忘该车辆数据，为1表示保留该车辆数据。
[0042]
例如，假设我们有10辆车的数据，f_t的向量为[0, 1, 1, 0, 1, 1, 1, 0, 0, 1]，其中0表示对应车辆数据被遗忘，1表示对应车辆数据被保留。
[0043]
以上是lstm网络的一部分，用于根据输入数据预测燃料需求并决定保留或遗忘车辆数据。在实际应用中，可以根据具体情况设计更复杂的网络结构和调整参数，以获得更好的预测效果和信息筛选能力。
[0044]
所述利用长短期记忆网络模型预测输出预测到的燃料需求，还包括利用长短期记忆网络模型的输入门确定需要存储的车辆数据，并将单元状态作为lstm的内部状态。
[0045]
在长短期记忆（lstm）网络中，除了遗忘门外，还有一个重要的部分是单元状态（cell state）。单元状态是lstm网络内部的记忆单元，用于存储和传递信息。
[0046]
在本案例中，利用lstm网络的输入门来确定需要存储的车辆数据，并将单元状态作为lstm的内部状态。具体的过程如下：输入门的计算：输入门（input gate）用于控制哪些数据将会被存储到单元状态中。计算输入门的公式如下：i_t = sigmoid(w_i · [h_(t-1), x_t] + b_i)其中，w_i是权重矩阵，h_(t-1)表示上一个时间步的隐藏状态，x_t是当前时间步的输入，b_i是偏置向量，sigmoid函数用于将输入转换为0到1之间的概率值。
[0047]
单元状态的更新：利用输入门的输出i_t和当前时间步的输入x_t来更新单元状态c_t。更新的公式如下：c_t = i_t · tanh(w_c · [h_(t-1), x_t] + b_c)其中，w_c是权重矩阵，h_(t-1)表示上一个时间步的隐藏状态，x_t是当前时间步的输入，b_c是偏置向量，tanh函数用于对输入进行非线性转换。
[0048]
通过输入门的控制，lstm网络可以选择性地将车辆数据存储到单元状态中，以便在后续的时间步中使用。
[0049]
作为进一步地实施方式，
假设有三辆车的数据，通过输入门的输出为[0.8, 0.5, 0.9]，表示对应车辆数据需要存储。同时，根据输入门的输出，通过公式更新单元状态c_t的值。
[0050]
例如，当前时间步的输入x_t为[路线1, 路线2, 路线3]，上一个时间步的隐藏状态h_(t-1)为[0.2, 0.4, 0.6]，则输入门的输出为[0.8, 0.5, 0.9]。通过公式计算得到更新后的单元状态c_t的值。
[0051]
通过利用输入门和单元状态的更新，lstm网络可以灵活地存储和传递车辆数据的相关信息，以支持燃料需求的预测和后续的优化决策。
[0052]
利用长短期记忆网络模型预测输出预测到的燃料需求，还包括通过长短期记忆网络模型的输出门确定输出的内部状态，通过模型的隐藏状态输出预测的燃料需求。
[0053]
在长短期记忆（lstm）网络中，除了输入门和单元状态，还有一个关键部分是输出门（output gate）。输出门用于控制从单元状态到隐藏状态的信息流动，并决定哪些信息将被输出作为最终的预测结果。
[0054]
在本案例中，利用lstm网络的输出门来确定输出的内部状态，并通过模型的隐藏状态输出预测的燃料需求。具体的过程如下：输出门的计算：输出门（output gate）用于控制从单元状态到隐藏状态的信息流动，以及确定输出的内部状态。计算输出门的公式如下：o_t = sigmoid(w_o · [h_(t-1), x_t] + b_o)其中，w_o是权重矩阵，h_(t-1)表示上一个时间步的隐藏状态，x_t是当前时间步的输入，b_o是偏置向量，sigmoid函数用于将输入转换为0到1之间的概率值。
[0055]
隐藏状态的更新：利用输出门的输出o_t和当前时间步的输入x_t来更新隐藏状态h_t。更新的公式如下：h_t = o_t · tanh(c_t)其中，c_t表示当前时间步的单元状态，tanh函数用于对输入进行非线性转换。
[0056]
通过输出门的控制，lstm网络可以选择性地将单元状态传递到隐藏状态中，并将隐藏状态作为输出的内部状态。
[0057]
燃料需求的预测：通过模型的隐藏状态h_t来预测燃料需求。具体的预测方法可以根据具体需求和模型设计进行选择，例如可以使用全连接层将隐藏状态映射到燃料需求的预测结果。
[0058]
作为进一步地实施方式，假设当前时间步的单元状态为c_t = [0.1, 0.3, 0.2]，输出门的输出为o_t = [0.8, 0.9, 0.7]。根据公式计算得到隐藏状态h_t = [0.08, 0.27, 0.14]，并将隐藏状态作为预测的燃料需求。
[0059]
通过利用输出门和隐藏状态的更新，lstm网络可以灵活地控制信息的流动和输出，从而实现对燃料需求的预测，并输出预测结果作为优化决策的依据。
[0060]
根据预测到的燃料需求和设置的加注点生成资源配置方案，包括：根据预测的燃料需求和设置的加注点，可以生成资源配置方案以满足车辆的燃料需求。具体的步骤如下：
预测燃料需求：通过长短期记忆网络模型预测得到燃料需求的预测值。这个预测值可以是下一个时间段（如下一天、下一周）内车辆的燃料需求量。
[0061]
加注点设置：根据实际情况和需求设置加注点，即确定车辆加注燃料的位置和数量。加注点的设置可以考虑以下因素：车辆的行驶路线、行驶距离、燃料消耗量、加注站点的位置和供应能力等。加注点的设置需要综合考虑车辆的燃料需求和加注站点的情况，以便合理安排加注资源。
[0062]
资源配置方案生成：根据预测的燃料需求和设置的加注点，生成资源配置方案。资源配置方案包括确定每个加注点的加注量和加注时间，以确保车辆在适当的时间和地点得到燃料加注，满足其需求。
[0063]
作为进一步地实施方式，假设预测到的燃料需求为下一天内的燃料需求量为1000升。根据实际情况和需求设置了两个加注点，分别位于a加注站和b加注站。根据预测的燃料需求和加注点的设置，可以生成资源配置方案如下：a加注站：加注量为600升，加注时间为上午10点。
[0064]
b加注站：加注量为400升，加注时间为下午2点。
[0065]
通过这样的资源配置方案，车辆可以在适当的时间和地点进行燃料加注，满足其需求。
[0066]
加注点的设置可以根据实际情况来确定，例如考虑车辆行驶路线上的加注站点、加注站点的供应能力、车辆的燃料消耗量等因素。通过合理设置加注点，可以优化燃料的分配和利用，提高车辆的运行效率和能源利用效率。
[0067]
利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解，包括利用遗传算法模型对资源配置方案进行适应度评估，并选择高适应度的方案进行繁殖。
[0068]
利用遗传算法模型对资源配置方案进行适应度评估和选择高适应度方案进行繁殖的过程如下：适应度评估：对于给定的资源配置方案，需要定义一个适应度函数来评估其优劣。适应度函数的设计应考虑到目标是找到燃料需求最优解的资源配置方案。适应度函数可以基于一些指标进行评估，如总燃料消耗量、燃料利用率等。具体计算过程可以用公式表示，如：适应度 = α * 某指标1 + β * 某指标2 + γ * 某指标3其中，α、β、γ为权重系数，某指标1、某指标2、某指标3为对应的指标值。
[0069]
通过计算适应度函数，可以对每个资源配置方案进行评估，并得到一个适应度值。
[0070]
选择高适应度方案：利用遗传算法的选择操作，从当前种群中选择适应度较高的个体（资源配置方案）作为繁殖的父代。选择操作可以使用轮盘赌选择、锦标赛选择等方法，其中较高适应度的个体有更高的概率被选择为父代。
[0071]
繁殖操作：通过遗传算法的交叉和变异操作，对选择的父代个体进行交叉和变异，生成新的个体（新的资源配置方案）。交叉操作可以通过交换加注量、加注时间等信息来生成新的方案。变异操作可以随机改变某些加注点的加注量或加注时间等。通过交叉和变异操作，可以产生多个新的个体，丰富种群的多样性。
[0072]
通过不断迭代选择、繁殖和更新，遗传算法模型可以在多个代际中逐步优化资源
配置方案的适应度，逼近最优解。最终，找到适应度最高的资源配置方案，即燃料需求最优的方案。
[0073]
作为进一步地实施方式，假设初始种群中有5个资源配置方案，通过适应度评估，计算得到各个方案的适应度值。假设某指标1、某指标2、某指标3的值分别为10、20、30，权重系数为0.4、0.3、0.3。则可以计算适应度值如下：方案1：适应度 = 0.4 * 10 + 0.3 * 20 + 0.3 * 30 = 17方案2：适应度 = 0.4 * 10 + 0.3 * 20 + 0.3 * 30 = 17方案3：适应度 = 0.4 * 10 + 0.3 * 20 + 0.3 * 30 = 17方案4：适应度 = 0.4 * 10 + 0.3 * 20 + 0.3 * 30 = 17方案5：适应度 = 0.4 * 10 + 0.3 * 20 + 0.3 * 30 = 17选择操作可以使用轮盘赌选择方法，根据适应度值的大小选择父代个体。假设方案3被选择为父代。
[0074]
繁殖操作可以通过交叉和变异来生成新的个体。假设交叉操作将方案3和方案4进行交换加注量和加注时间，生成新的个体。
[0075]
经过多次迭代选择、繁殖和更新，可以逐步优化资源配置方案的适应度，最终找到适应度最高的方案，即燃料需求最优的资源配置方案。
[0076]
利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解，还包括将繁殖后的方案进行交叉和变异后，得到新的方案，作为模型的解。
[0077]
在遗传算法模型中，交叉和变异操作是遗传算法的关键步骤，用于生成新的个体。
[0078]
交叉操作（crossover）：交叉操作通过将两个父代个体的某些特征进行互换，生成新的个体。具体的交叉方式可以有多种，常见的交叉操作包括单点交叉、多点交叉和均匀交叉等。下面以单点交叉为例进行说明：假设有两个父代个体（方案）a和b，以某个交叉点为界限，将a和b的某个特征进行互换，生成两个新的个体。
[0079]
例如，假设父代个体a的某个特征为[1, 2, 3, 4, 5]，父代个体b的某个特征为[6, 7, 8, 9, 10]，选择交叉点为索引2，交叉后生成的新个体为[1, 2, 8, 9, 10]和[6, 7, 3, 4, 5]。
[0080]
具体计算公式：新个体1的某个特征 = 父代个体a的某个特征的前半部分 + 父代个体b的某个特征的后半部分新个体2的某个特征 = 父代个体b的某个特征的前半部分 + 父代个体a的某个特征的后半部分。
[0081]
变异操作（mutation）：变异操作是通过对个体的某些基因进行随机改变，引入新的特征，以增加种群的多样性。变异操作的目的是为了跳出局部最优解，寻找更优的解。具体的变异方式可以有多种，常见的变异操作包括随机改变某个特征的值、插入或删除某个特征等。
[0082]
例如，对于某个个体的某个特征，可以随机改变其中的一个值，如将[1, 2, 3, 4, 5]的某个特征变异为[1, 2, 6, 4, 5]。
[0083]
具体计算公式：新个体的某个特征 = 原个体的某个特征进行随机改变。
[0084]
通过交叉和变异操作，可以生成新的个体，即新的资源配置方案。这些新的个体将作为下一代的父代，并经过适应度评估、选择和进一步迭代，最终找到适应度最高的方案，即资源配置方案的最优解。
[0085]
需要注意的是，具体的交叉和变异操作的方式可以根据实际需求和问题的特点进行设计和调整。以上只是其中的一种常见操作方式，实际应用中可能会有更多的变体和改进。
[0086]
实施例2本实施例提供一种基于生成式的醇基新能源加注点设置优化系统，包括：数据获取模块，被配置为，获取车辆数据，包括行驶路线、行驶距离和燃料消耗量；预测模块，被配置为，构建长短期记忆网络模型；利用长短期记忆网络模型预测输出预测到的燃料需求；方案配制模块，被配置为，构建遗传算法模型；根据预测到的燃料需求和设置的加注点生成资源配置方案；计算模块，被配置为，利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解。
[0087]
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于生成式的醇基新能源加注点设置优化方法。
[0088]
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于生成式的醇基新能源加注点设置优化方法。
[0089]
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

技术特征：
1.一种基于生成式的醇基新能源加注点设置优化方法，其特征在于，包括：获取车辆数据，包括行驶路线、行驶距离和燃料消耗量；构建长短期记忆网络模型；利用长短期记忆网络模型预测输出预测到的燃料需求；构建遗传算法模型；根据预测到的燃料需求和设置的加注点生成资源配置方案；利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解。2.根据权利要求1所述的一种基于生成式的醇基新能源加注点设置优化方法，其特征在于，所述利用长短期记忆网络模型预测输出预测到的燃料需求，包括利用长短期记忆网络模型的输入层导入行驶路线、行驶距离和燃料消耗量；通过长短期记忆网络模型的遗忘门输出需要被保留的车辆数据，其中0表示遗忘，1表示保留。3.根据权利要求2所述的一种基于生成式的醇基新能源加注点设置优化方法，其特征在于，所述利用长短期记忆网络模型预测输出预测到的燃料需求，还包括利用长短期记忆网络模型的输入门确定需要存储的车辆数据，并将单元状态作为lstm的内部状态。4.根据权利要求3所述的一种基于生成式的醇基新能源加注点设置优化方法，其特征在于，所述利用长短期记忆网络模型预测输出预测到的燃料需求，还包括通过长短期记忆网络模型的输出门确定输出的内部状态，通过模型的隐藏状态输出预测的燃料需求。5.根据权利要求4所述的一种基于生成式的醇基新能源加注点设置优化方法，其特征在于，所述根据预测到的燃料需求和设置的加注点生成资源配置方案，包括根据预测的燃料需求和设置的加注点，确定每个加注点的加注量和加注时间，以确保车辆在适当的时间和地点得到燃料加注。6.根据权利要求5所述的一种基于生成式的醇基新能源加注点设置优化方法，其特征在于，所述利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解，包括利用遗传算法模型对资源配置方案进行适应度评估，并选择高适应度的方案进行繁殖。7.根据权利要求6所述的一种基于生成式的醇基新能源加注点设置优化方法，其特征在于，所述利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解，还包括将繁殖后的方案进行交叉和变异后，得到新的方案，作为模型的解。8.一种基于生成式的醇基新能源加注点设置优化系统，其特征在于，包括：数据获取模块，被配置为，获取车辆数据，包括行驶路线、行驶距离和燃料消耗量；预测模块，被配置为，构建长短期记忆网络模型；利用长短期记忆网络模型预测输出预测到的燃料需求；方案配制模块，被配置为，构建遗传算法模型；根据预测到的燃料需求和设置的加注点生成资源配置方案；计算模块，被配置为，利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解。9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于生成式的醇基新能源加注点设置优化方法。10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算
机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的一种基于生成式的醇基新能源加注点设置优化方法。

技术总结
本发明涉及醇基新能源加注技术领域，尤其是涉及一种基于生成式的醇基新能源加注点设置优化方法及系统。方法，包括获取车辆数据，包括行驶路线、行驶距离和燃料消耗量；构建长短期记忆网络模型；利用长短期记忆网络模型预测输出预测到的燃料需求；构建遗传算法模型；根据预测到的燃料需求和设置的加注点生成资源配置方案；利用遗传算法模型对资源配置方案进行迭代，找到方案的最优解。通过基于生成式的醇基新能源加注点设置优化方法及系统，能够根据车辆的实时需求和行驶路线，合理设置加注点，避免资源的浪费和冗余，提高了醇基新能源的利用效率。的利用效率。的利用效率。


技术研发人员：周涌 孙梅
受保护的技术使用者：济南明泉数字商务有限公司
技术研发日：2023.07.20
技术公布日：2023/10/15