一种电动汽车充电桩订单异常的清分结算方法及装置

1.本发明涉及一种电动汽车充电桩订单异常的清分结算方法及装置，属于电动汽车充电桩运营管理技术领域。


背景技术：

2.随着新能源行业不断发展，全国各大城市的新能源电动汽车占有量日益增加，使得充电桩利用率随之增高，伴随着充电过程产生的电子订单等相关数据也越来越多。由于车联网平台在管理上的独立性以及部署环境的复杂性等因素，平台交易记录数据出现异常、丢失的可能性也越来越大，继而造成充电金额校验、结算等业务上的问题。
3.清分算法的相关应用主要在城市轨道交通、票务清分等领域，然而，目前国内缺乏对充电设施订单清单算法的相关研究。如何准确预测电动汽车充电时异常数据的时间段，是研究清分算法技术的关键所在，这也将是今后电动汽车充电桩数据清分的主要研究方向。
4.公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。


技术实现要素：

5.本发明的目的在于克服现有技术中的不足，提供一种电动汽车充电桩订单异常的清分结算方法及装置，一方面，根据车联网平台获取的海量历史异常数据，挖掘清分筛选规则，结合电网专家的经验规则自定义清分筛选规则，所得到的推理引擎能够准确的检测出异常订单，另一方面，能够对电动汽车充电桩异常订单数值校正或数据预测，减小由于订单异常所造成的经济损失。
6.为达到上述目的，本发明是采用下述技术方案实现的：
7.一方面，本发明公开了一种电动汽车充电桩订单异常的清分结算方法，包括：
8.获取车联网平台的实时订单；
9.基于预设的推理引擎检测所述实时订单是否为异常订单；
10.响应于所述实时订单为正常订单，则直接上传所述实时订单至车联网平台；
11.响应于所述实时订单为异常订单，则基于校正算法或预设的预测模型对所述实时订单进行数值校正或数据预测，得到修订后的异常订单并上传至车联网平台；
12.其中，所述推理引擎的构建方法包括：
13.获取车联网平台的历史异常订单；
14.根据所述历史异常订单，基于改进的决策树挖掘算法，得到挖掘的清分筛选规则；
15.根据所述挖掘的清分筛选规则，结合自定义的清分筛选规则，得到推理引擎。
16.进一步的，所述异常订单包括数据异常订单和缺失异常订单，
17.响应于所述异常订单为数据异常订单，基于校正算法对所述数据异常订单进行数值校正，得到修订后的数据异常订单并上传至车联网平台；
18.响应于所述异常订单为缺失异常订单，基于预设的预测模型对所述缺失异常订单进行数值校正，得到修订后的缺失异常订单并上传至车联网平台。
19.进一步的，所述校正算法的表达式如下：
[0020][0021][0022]
式中，vi'
_abnormal
为数据异常订单中的异常值，即需要修正的订单数值；为数据异常账单中的正常值；为与对应的正常账单中的正常值；α为比例系数；v
i_normal
为与v
′
i_abnormal
对应的正常账单中的正常值。
[0023]
进一步的，所述预测模型的构建方法包括：
[0024]
获取车联网平台的历史正常订单并转化为三元组形式；
[0025]
基于预设的排列语言模型xlnet，将所述历史正常订单进行三元组各部分的拆分，得到输入序列；
[0026]
根据所述输入序列，基于长短期记忆网络进行训练，得到循环神经网络的预测模型。
[0027]
进一步的，所述预测模型的表达式如下：
[0028]h′
t
＝f(w1x
t
+w3h
′
t
+b
′
t
)
[0029]ht
＝f(w2x
t
+w4h
t-1
+b
t
)
[0030][0031]y＜t＞
＝g(w
hy
×ht
+by)
[0032]
式中，x
t
表示输入，即核心属性中未缺失的数值；y
《t》
表示输出，即实际预测的缺失值；f表示循环神经网络的隐藏层的激活函数；w1、w2、w3、w4分别表示通过循环神经网络训练后的第一、第二、第三、第四电网属性关联权重矩阵；h
′
t
表示更新后的候选状态；h
t-1
表示循环神经网络在t-1时刻账单属性计算的暂存数值；h
t
表示循环神经网络在t时刻的账单属性计算的暂存数值；b
′
t
表示循环神经网络基于账单属性拟合更新后的偏置向量；b
t
表示循环神经网络基于账单属性拟合的偏置向量；h
t
表示输入的状态序列；w
hy
表示输出层权重矩阵；g表示激活函数；by表示输出层的偏置矩阵；为向量拼接操作。
[0033]
进一步的，所述改进的决策树挖掘算法的表达式如下：
[0034][0035][0036]
式中，i为推理引擎选择清分筛选规则的条数；ri为符合i条清分筛选规则的异常订单数；d为异常订单总数；pi为车联网数据平台中符合第i种清分筛选规则的订单支持度；gini(pi)表示各条规则的基尼系数，根据所选规则的基尼系数最小的规则作为决策树的根节点。
[0037]
进一步的，所述自定义的清分筛选规则包括：
[0038]
交易订单起始时间晚于结束时间；
[0039]
交易订单电量大于400；
[0040]
交易订单电表起始值大于电表指示值；
[0041]
交易订单分时电费相加不等于总电费；
[0042]
交易订单分时电量相加不等于总电量；
[0043]
交易订单分时服务费相加不等于总服务费；
[0044]
本次交易订单起始值与上次订单终止值大于0.5；
[0045]
统计充电结束状态变化次数，与接收交易订单数量不一致；
[0046]
充电结束状态变化的时间值与充电订单结束充电的时间值相比，无对应交易订单。
[0047]
进一步的，获取车联网平台的实时订单包括：
[0048]
获取车联网平台的实时订单数据，
[0049]
基于知识融合算法对所述实时订单数据进行语义属性统一后，进行三元组形式的转化，得到车联网平台的实时订单；
[0050]
其中，所述三元组形式的表达式如下：
[0051]
{e
i_no.
,ri,vi}
[0052]
其中，e
i_no.
表示第i个订单头实体，ri表示订单中第i类对应步订单物理量，vi表示第i个订单尾实体。
[0053]
另一方面，本发明公开了一种电动汽车充电桩订单异常的清分结算装置，用于实现上述的电动汽车充电桩订单异常的清分结算方法，包括：
[0054]
数据获取模块：用于获取车联网平台的实时订单；
[0055]
订单检测模块：用于基于预设的推理引擎检测所述实时订单是否为异常订单，得到正常订单和异常订单；
[0056]
异常订单修订模块：用于基于校正算法或预设的预测模型对所述异常订单进行数值校正或数据预测，得到修订后的异常订单；
[0057]
数据上传模块：用于将所述正常订单和修订后的异常订单上传至车联网平台。
[0058]
进一步的，所述异常订单修订模块包括数据异常订单修订模块和缺失异常订单修订模块，
[0059]
所述数据异常订单修订模块，用于基于校正算法对数据异常订单进行数值校正，得到修订后的数据异常订单；
[0060]
所述缺失异常订单修订模块，用于基于预设的预测模型对缺失异常订单进行数值校正，得到修订后的缺失异常订单。
[0061]
与现有技术相比，本发明所达到的有益效果：
[0062]
本发明一方面，根据车联网平台获取的海量历史异常数据，挖掘清分筛选规则，结合电网专家的经验规则自定义清分筛选规则，所得到的推理引擎能够准确的检测出异常订单，另一方面，能够对电动汽车充电桩异常订单数值校正或数据预测，减小由于订单异常所造成的经济损失。
[0063]
本发明还获取了历史正常订单数据，基于长短期记忆网络进行训练，得到循环神经网络的预测模型。该预测模型能够准确的缺失异常订单数据中缺失的相关数值，从而有
效地解决订单数据异常、丢失所造成的经济损失，为推进我国电动汽车产业蓬勃发展提供理论支撑。
附图说明
[0064]
图1是一种电动汽车充电桩订单异常的清分结算方法的流程图；
[0065]
图2是基于对异常账单9条规则检测流程图；
[0066]
图3是基于推理引擎对实时订单推理过程图；
[0067]
图4是基于决策树的规则挖掘流程图；
[0068]
图5是基于循环神经网络训练模型的拟合曲线。
具体实施方式
[0069]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0070]
实施例1
[0071]
本实施例1公开了一种电动汽车充电桩订单异常的清分结算方法，如图1所示，包括：
[0072]
获取车联网平台的实时订单；
[0073]
基于预设的推理引擎检测实时订单是否为异常订单；
[0074]
响应于实时订单为正常订单，则直接上传实时订单至车联网平台；
[0075]
响应于实时订单为异常订单，则基于校正算法或预设的预测模型对实时订单进行数值校正或数据预测，得到修订后的异常订单并上传至车联网平台；
[0076]
其中，推理引擎的构建方法包括：
[0077]
获取车联网平台的历史异常订单；
[0078]
根据历史异常订单，基于改进的决策树挖掘算法，得到挖掘的清分筛选规则；
[0079]
根据挖掘的清分筛选规则，结合自定义的清分筛选规则，得到推理引擎。
[0080]
本发明的技术构思为：一方面，根据车联网平台获取的海量历史异常数据，挖掘清分筛选规则，结合电网专家的经验规则自定义清分筛选规则，所得到的推理引擎能够准确的检测出异常订单，另一方面，能够对电动汽车充电桩异常订单数值校正或数据预测，减小由于订单异常所造成的经济损失。
[0081]
具体步骤如图1所示：
[0082]
步骤一：数据获取。
[0083]
从车联网平台上获取海量数据，包括历史订单数据和实时订单数据。
[0084]
需要说明的是，历史订单数据是为了构建推理引擎和预测模型，并不是与实时订单数据同时获取的，但是都需要进行下述处理。
[0085]
利用知识融合算法将获取的海量数据进行有效融合，例如，不同数据库中存在语义相同的属性，如：“充电总量”与“累积充电量”，需进行映射：
[0086][0087]
式中，m为映射函数；为车联网中的某一属性；为车联网中的另一属性；ψ为清
分算法中指明的定义方法。
[0088]
其次，将其转化为推理引擎所适用的标准三元组形式{e
i_no
.,ri,vi}，ei定义为第i个订单头实体，ri为订单中第i类对应订单物理量，vi定义为第i个订单尾实体；得到历史订单和实时订单。
[0089]
实时订单数据示例如下：
[0090]
表1 某地区3月份充电数据
[0091][0092]
将上述数据转换为推理引擎所需三元组：
[0093]
(交易订单247，订单状态，“已支付”)
[0094]
(交易订单247，交易电量，450)
[0095]
(交易订单247，交易金额，119.54)
[0096]
(交易订单247，创建时间，2022-03-2919:06:59)
[0097]
(交易订单247，开始时间，2022-03-2919:07:01)
[0098]
(交易订单247，结束时间，2022-03-2921:23:08)
[0099]
(交易订单247，支付时间，2022-03-2921:33:18)
[0100]
(交易订单369，订单状态，“待支付”)
[0101]
(交易订单369，交易电量，20.07)
[0102]
(交易订单369，交易金额，0)
[0103]
(交易订单369，创建时间，2022-04-0209:49:58)
[0104]
(交易订单369，开始时间，0)
[0105]
(交易订单369，结束时间，0)
[0106]
(交易订单369，支付时间，0)
[0107]
需要说明的是，交易订单247和369均为异常交易订单。交易订单247的交易电量大于400，在步骤三中会有进一步的具体阐述；交易订单369的数据缺失，缺少交易金额、开始
时间、结束时间、和支付时间段。交易订单247和369在此的作用只是为了展示将海量数据转化为推理引擎所适用的标准三元组形式，并不做其他的处理。
[0108]
步骤二：订单检测
[0109]
1)在进行实时订单的检测之前，构建用于检测实时订单是否为异常订单的推理引擎，具体步骤如下：
[0110]
首先，基于电网专家的经验规则自定义清分筛选规则，包括：
[0111]
(1)交易订单起始时间晚于结束时间；
[0112]
(2)交易订单电量大于400；
[0113]
(3)交易订单电表起始值大于电表指示值；
[0114]
(4)交易订单分时电费相加不等于总电费；
[0115]
(5)交易订单分时电量相加不等于总电量；
[0116]
(6)交易订单分时服务费相加不等于总服务费；
[0117]
(7)本次交易订单起始值与上次订单终止值大于0.5；
[0118]
(8)统计充电结束状态变化次数，与接收交易订单数量不一致；
[0119]
(9)充电结束状态变化的时间值与充电订单结束充电的时间值相比，无对应交易订单。
[0120]
其次，根据9条自定义清分筛选规则构建车联网平台清分数据的统计流程如图2所示，将自定义的清分筛选规则根据datalog语言进行形式化定义，输入至高性能推理引擎中，9条自定义清分筛选规则如下：
[0121]
(1)datalog规则1：(order_id，异常类别，交易时间异常)：-(order_id，订单状态，“已支付”)∧(order_id，开始时间，t
start
)∧(t
start
，晚于，t
end
)，其中order_id表示订单编号，t
start
、t
end
分别表示订单开始、结束时间；
[0122]
(2)datalog规则2：(order_id，异常类别，交易数据异常)：-(order_id，订单状态，“已支付”)∧(order_id，交易电量，g
交易
)∧(g
交易
，大于，400)，g
交易
表示交易电量；
[0123]
(3)datalog规则3：(order_id，异常类别，交易电量异常)：-(order_id，订单状态，“未支付”)∧(order_id，电表总起值，g
start
)∧(g
start
，大于，g
end
)，g
start
、g
end
分别对应电表总起值和电表总止值；
[0124]
(4)datalog规则4：(order_id，异常类别，交易数据异常)：-(order_id，订单状态，“已支付”)∧(order_id，分时电费，q
分
)∧(q
分
，不等于，q
总
)，q
分
、q
总
分别表示分时电费、总电费；
[0125]
(5)datalog规则5：(order_id，异常类别，交易数据异常)：-(order_id，订单状态，“已支付”)∧(order_id，分时电量，g
分
)∧(g
分
，不等于，g
总
)g
分
、g
总
分别表示分时电量、总电量；
[0126]
(6)datalog规则6：(order_id，异常类别，交易数据异常)：-(order_id，订单状态，“已支付”)∧(order_id，分时服务费，s
分
)∧(s
分
，不等于，s
总
)，s
分
、s
总
分别表示分时服务费、总服务费；
[0127]
(7)datalog规则7：(order_id，异常类别，交易数据异常)：-(order_id，订单状态，“未支付”)∧(order_id，交易电量，q
i_start-q
i-1_end
)∧(q
i_start-q
i-1_end
，大于，0.5)，q
i_start
表示订单电量起始值，q
i-1_end
表示上一次订单电量终止值；
[0128]
(8)datalog规则8：(order_id，异常类别，交易数据异常)：-(order_id，订单状态，“未支付”)∧(order_id，订单结束次数，order_end)∧(order_end，不等于，order_reception)，order_end表示订单结束次数，order_reception表示订单接收次数；
[0129]
(9)datalog规则9：(order_id，异常类别，交易金额缺失)：-(order_id，订单状态，“待支付”)∧(order_id，总电量，g
总
)∧(g
总
，大于，0.1/kwh)∧(order_id，交易金额，s)∧(s，等于，0)，s表示交易金额。
[0130]
根据9条自定义清分筛选规则，筛选出历史订单中的异常订单，再将异常订单作为基于知识图谱增量式挖掘技术的输入，通过改进后的决策树挖掘算法，如图4所示，挖掘出新的检测规则，改进后的决策树挖掘算法如下：
[0131][0132][0133]
式中，i为推理引擎任意选择清分筛选规则的条数；ri为符合i条清分筛选规则的异常订单数；d为异常订单总数；pi为车联网数据平台中符合第i种清分筛选规则的订单支持度；gini(pi)表示各条规则的基尼系数，根据所选规则的基尼系数最小的规则作为决策树的根节点；规则挖掘后的加权基尼系数gini'(p
i+1
)的公式如下：
[0134][0135]
其中表示由各条规则关联度组成的加权系数向量，表示各条规则的基尼系数组成的基尼系数向量，当加权后的基尼系数gini'(p
i+1
)小于所选各条规则的基尼系数时，表示有新规则由所选规则关联产生。
[0136]
基于新的挖掘的检测规则，结合自定义的清分筛选规则，以三元组形式输入推理引擎，作为推理引擎的规则部分参与推理，得到本实施例中用于检测异常订单的推理引擎。
[0137]
2)使用构建好的推理引擎进行推理，利用高性能推理引擎drools进行定制性开发，完成设备的实时故障情况的数值推理检测，检测实时订单是否为异常订单，得到正常订单和异常订单。其中，正常订单转步骤四，异常订单包括数据异常订单和缺失异常订单，转步骤三。
[0138]
同时，基于事实三元组和drools内置的规则引擎中的leaps算法，得出新的包含异常订单信息的正确三元组。例如，异常订单中包括数据缺失的订单，三元组的数据是以文本的形式组成的，但是缺失的订单我们要按照其缺失属性补全，例如：有时电量属性缺失，按照事实三元组给电量的数值补充为0。基于推理引擎对实时订单推理过程图如图3所示。
[0139]
步骤三：异常订单修订
[0140]
1)数据异常订单
[0141]
将数据异常订单按照先验规则进行矫正，得到正确属数值的订单，即修订后的数据异常订单，其中校正算法如下：
[0142]
根据尖峰平谷时段的订单具体属性值(如：订单开始时间、结束时间、充电时长、交易电量、充电电费等)，利用先验规则和相似算法将数据异常订单进行校正，校正算法如下：
[0143][0144][0145]
式中，v
′
i_abnormal
为数据异常订单中的异常值，即需要修正的订单数值；为数据异常账单中的正常值，包括充电电量、交易金额、电表总起值、电表总止值；为与对应的正常账单中的正常值；α为比例系数；v
i_normal
为与v
′
i_abnormal
对应的正常账单中的正常值。
[0146]
根据步骤一中的订单数据，可以得出通过交易订单247的尖、峰、平、谷约定的电价与服务费用，以及充电的具体时间间隔，可以快速的计算该账单相应时间间隔为2小时16分，相应服务费用为57.43元，因此充电费用为119.54-57.43＝62.11元，因此，根据峰电量的价格，最终，该订单充电的电量为71.79kwh。
[0147]
2)缺失异常订单
[0148]
首先，构建用于对缺失异常订单进行数值校正的预测模型，具体步骤如下：
[0149]
基于三元组的预训练模型：将从车联网数据中的正常订单按照“主语谓语是宾语”的形式表达成句，形成{e
i_no.
/1ri/2是/3vi}，其中“/
i”为第i个句子结构分隔符，“e
i_no.”、“r
i”、“v
i”为句子结构中的各个主体部分，将语句输入排列语言模型xlnet中进行句子拆分，利用寻找“/
i”的位置，从而获得三元组e
i_no.
、ri、vi的各自内容，将同一类型的内容组成一条序列作为lstm训练模型输入；
[0150]
循环神经网络训练模型如下：lstm的输入是一条序列s＝{x
《1》
,x
《2》
,...,x
《t》
}，长度为t，序列中每一个元素是一个样本点x＝[x1,x2,...,xn]，n是三元组个数；在异常订单数据预测中，每个样本数据包含充电电量、充电时间等n个特征，t个连续的样本构成一条序列，序列中最后一个元素对应的异常订单预测值就是该条序列的标签，h是隐藏层状态，每个x对应一个输出y，y
＜t＞
的计算公式为：
[0151][0152][0153]why
，by是输出层的权重与偏置矩阵，g是激活函数，根据具体情况选择使用哪个激活函数，其中h
《t》
表示隐藏层输出函数，使用正向输入序列计算，使用反向输入序列计算，在订单缺失数据预测中，y
《t》
是这条序列对应的最终预测值其中，||*||2表示l2范数，||*||
1/2
表示l
1/2
范数，α表示正则化系数，训练拟合曲线如图5所示。得到训练好的预测模型。
[0154]
利用训练好的预测模型对异常订单中缺失的相关数值进行预测，即对电动汽车结算过程中缺失订单进行信息补全，给出缺失电量账单中对应在尖、峰、平、谷的充电时间段以及用户信息和缴纳方式等数值；
[0155]
其中，循环神经网络的预测模型对缺失异常订单的预测方法如下：
[0156]h′
t
＝f(w1x
t
+w3h
′
t
+b
′
t
)
ꢀꢀꢀ
(9)
[0157]ht
＝f(w2x
t
+w4h
t-1
+b
t
)
ꢀꢀꢀ
(10)
[0158][0159]y＜t＞
＝g(w
hy
×ht
+by)
ꢀꢀꢀ
(12)
[0160]
式中，x
t
表示输入，即核心属性中未缺失的数值；y
《t》
表示输出，即实际预测的缺失值；f表示循环神经网络的隐藏层的激活函数；w1、w2、w3、w4分别表示通过循环神经网络训练后的第一、第二、第三、第四电网属性关联权重矩阵；h
′
t
表示更新后的候选状态；h
t-1
表示循环神经网络在t-1时刻账单属性计算的暂存数值；h
t
表示循环神经网络在t时刻的账单属性计算的暂存数值；b
′
t
表示循环神经网络基于账单属性拟合更新后的偏置向量；b
t
表示循环神经网络基于账单属性拟合的偏置向量；h
t
表示输入的状态序列；w
hy
表示输出层权重矩阵；g表示激活函数；by表示输出层的偏置矩阵；为向量拼接操作。
[0161]
某地区3月份某充电桩(编号：1140290000011142)数据如下表所示：
[0162][0163][0164]
可以发现账单编号55280属于订单数据缺失，可以发现该订单的部分数据为0；
[0165]
在优先排查不存在充电桩故障，其充电桩状态确认为“开启”状态后，具体预测步骤如下：
[0166]
s1.首先可以通过电表总止值＝16629.35-电表总起值＝16609.28，继而得到该订单的交易电量为20.07kw/h；
[0167]
s2.根据订单创建时间与下一个订单的时间差额以及尖、峰、平、谷的数值来评估具体的充电时间段，具体充电2022-03-3014:59:53到2022-03-3019:35:38，即该车应该在平段(15:00-18:00)或者峰段(18:00-21:00)进行充电；
[0168]
s3.根据以往平段或者峰段电量的充电曲线进行拟合，套用循环神经神经网络的公式，将电量值进行代入，预测出该电量最有可能的预测时间段，具体公式如下：
[0169]h′
t
＝f(w1x
t
+w3h
′
t
+b
′
t
)
ꢀꢀꢀ
(13)
[0170]ht
＝f(w2x
t
+w4h
t-1
+b
t
)
ꢀꢀꢀ
(14)
[0171][0172]y＜t＞
＝g(w
hy
×ht
+by) (16)
[0173]
根据下表的充电时间段类型以及电费价格说明进行推测；
[0174][0175]
该过程可以通过订单的创建时间(2022-03-3014:59:53)来进一步缩小区间预测的范围，即该车应在2022-03-3015:00至2022-03-3015:30:42充电的可能性最大，即对应为尖、峰、平、谷对应的电量为0，0，20.07，0，交易金额为20.07*0.6538＝13.13元。
[0176]
某地区3月份某充电桩(编号：1140290000011142)数据如下表所示：
[0177]
[0178][0179]
可以发现账单编号55219与55222之间，存在电表底值的差额，电表底值具体差额为70.07kwh，在优先排查不存在充电桩故障后，根据充电桩的启停桩体，可以进一步确认账单的缺失的数量有2单；
[0180]
后续具体预测步骤如下：
[0181]
s1.通过电表总止值＝16679.35-电表总起值＝16609.28，缺失订单差额的交易电量为70.07kwh，其中包括峰段10kwh，平段60.07kwh；
[0182]
s2.套用循环神经神经网络的公式，将总电量值、充电桩启停次数和以往该桩用户的充电规律以及相关用户的账户余额差额进行代入模型，预测启停次数内交易电量所对应的潜在的用户编号与可能的概率，具体公式如下：
[0183]h′
t
＝f(w1x
t
+w3h
′
t
+b
′
t
)
ꢀꢀꢀ
(17)
[0184]ht
＝f(w2x
t
+w4h
t-1
+b
t
)
ꢀꢀꢀ
(18)
[0185][0186]y＜t＞
＝g(w
hy
×ht
+by)
ꢀꢀꢀ
(20)
[0187]
最终，预测的结果如下：
[0188]
60.07kwh(用户id：xxx，概率：0.60，用户id：yyy，概率：0.25，用户id：zzz，概率：0.14,
…
)
[0189]
10.0kwh(用户id：xxx，概率：0.45，用户id：yyy，概率：0.35，用户id：zzz，概率：
0.19,
…
)。
[0190]
根据预测得出的概率，将概率最大的那条订单中的数据进行补全，得到修订后的缺失异常订单。
[0191]
步骤四：数据上传
[0192]
将正常订单和修订后的异常订单上传至车联网平台或者省级应用平台，车联网平台或者省级应用平台将修正后的账单或者正常的账单发送给客户，客户进行支付订单的后续流程。
[0193]
本方法可以实现检测电动汽车充电桩的异常订单，同时对电动汽车充电桩异常订单数值进行修正或预测，减小由于订单异常所造成的经济损失。
[0194]
实施例2
[0195]
本实施例2提供了一种电动汽车充电桩订单异常的清分结算装置，用于实现实施例1的电动汽车充电桩订单异常的清分结算方法，包括：
[0196]
数据获取模块：用于获取车联网平台的实时订单；
[0197]
订单检测模块：用于基于预设的推理引擎检测实时订单是否为异常订单，得到正常订单和异常订单；
[0198]
异常订单修订模块：用于基于校正算法或预设的预测模型对异常订单进行数值校正或数据预测，得到修订后的异常订单；
[0199]
数据上传模块：用于将正常订单和修订后的异常订单上传至车联网平台。
[0200]
进一步的，异常订单修订模块包括数据异常订单修订模块和缺失异常订单修订模块，
[0201]
数据异常订单修订模块，用于基于校正算法对数据异常订单进行数值校正，得到修订后的数据异常订单；
[0202]
缺失异常订单修订模块，用于基于预设的预测模型对缺失异常订单进行数值校正，得到修订后的缺失异常订单。
[0203]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0204]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0205]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0206]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0207]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种电动汽车充电桩订单异常的清分结算方法，其特征是，包括：获取车联网平台的实时订单；基于预设的推理引擎检测所述实时订单是否为异常订单；响应于所述实时订单为正常订单，则直接上传所述实时订单至车联网平台；响应于所述实时订单为异常订单，则基于校正算法或预设的预测模型对所述实时订单进行数值校正或数据预测，得到修订后的异常订单并上传至车联网平台；其中，所述推理引擎的构建方法包括：获取车联网平台的历史异常订单；根据所述历史异常订单，基于改进的决策树挖掘算法，得到挖掘的清分筛选规则；根据所述挖掘的清分筛选规则，结合自定义的清分筛选规则，得到推理引擎。2.根据权利要求1所述的电动汽车充电桩订单异常的清分结算方法，其特征是，所述异常订单包括数据异常订单和缺失异常订单，响应于所述异常订单为数据异常订单，基于校正算法对所述数据异常订单进行数值校正，得到修订后的数据异常订单并上传至车联网平台；响应于所述异常订单为缺失异常订单，基于预设的预测模型对所述缺失异常订单进行数值校正，得到修订后的缺失异常订单并上传至车联网平台。3.根据权利要求2所述的电动汽车充电桩订单异常的清分结算方法，其特征是，所述校正算法的表达式如下：正算法的表达式如下：式中，v
i
'
_abnormal
为数据异常订单中的异常值，即需要修正的订单数值；为数据异常账单中的正常值；为与对应的正常账单中的正常值；α为比例系数；v
i_normal
为与v
′
i_abnormal
对应的正常账单中的正常值。4.根据权利要求2所述的电动汽车充电桩订单异常的清分结算方法，其特征是，所述预测模型的构建方法包括：获取车联网平台的历史正常订单并转化为三元组形式；基于预设的排列语言模型xlnet，将所述历史正常订单进行三元组各部分的拆分，得到输入序列；根据所述输入序列，基于长短期记忆网络进行训练，得到循环神经网络的预测模型。5.根据权利要求4所述的电动汽车充电桩订单异常的清分结算方法，其特征是，所述预测模型的表达式如下：h
′
t
＝f(w1x
t
+w3h
′
t
+b
′
t
)h
t
＝f(w2x
t
+w4h
t-1
+b
t
)y
＜t＞
＝g(w
hy
×
h
t
+b
y
)
式中，x
t
表示输入，即核心属性中未缺失的数值；y
<t>
表示输出，即实际预测的缺失值；f表示循环神经网络的隐藏层的激活函数；w1、w2、w3、w4分别表示通过循环神经网络训练后的第一、第二、第三、第四电网属性关联权重矩阵；h
′
t
表示更新后的候选状态；h
t-1
表示循环神经网络在t-1时刻账单属性计算的暂存数值；h
t
表示循环神经网络在t时刻的账单属性计算的暂存数值；b
′
t
表示循环神经网络基于账单属性拟合更新后的偏置向量；b
t
表示循环神经网络基于账单属性拟合的偏置向量；h
t
表示输入的状态序列；w
hy
表示输出层权重矩阵；g表示激活函数；b
y
表示输出层的偏置矩阵；为向量拼接操作。6.根据权利要求1所述的电动汽车充电桩订单异常的清分结算方法，其特征是，所述改进的决策树挖掘算法的表达式如下：进的决策树挖掘算法的表达式如下：式中，i为推理引擎选择清分筛选规则的条数；r
i
为符合i条清分筛选规则的异常订单数；d为异常订单总数；p
i
为车联网数据平台中符合第i种清分筛选规则的订单支持度；gini(p
i
)表示各条规则的基尼系数，根据所选规则的基尼系数最小的规则作为决策树的根节点。7.根据权利要求1所述的电动汽车充电桩订单异常的清分结算方法，其特征是，所述自定义的清分筛选规则包括：交易订单起始时间晚于结束时间；交易订单电量大于400；交易订单电表起始值大于电表指示值；交易订单分时电费相加不等于总电费；交易订单分时电量相加不等于总电量；交易订单分时服务费相加不等于总服务费；本次交易订单起始值与上次订单终止值大于0.5；统计充电结束状态变化次数，与接收交易订单数量不一致；充电结束状态变化的时间值与充电订单结束充电的时间值相比，无对应交易订单。8.根据权利要求1所述的电动汽车充电桩订单异常的清分结算方法，其特征是，获取车联网平台的实时订单包括：获取车联网平台的实时订单数据；基于知识融合算法对所述实时订单数据进行语义属性统一后，进行三元组形式的转化，得到车联网平台的实时订单；其中，所述三元组形式的表达式如下：{e
i_no.
,r
i
,v
i
}其中，e
i_no.
表示第i个订单头实体，r
i
表示订单中第i类对应步订单物理量，v
i
表示第i个订单尾实体。9.一种电动汽车充电桩订单异常的清分结算装置，用于实现权利要求1-8任一所述的电动汽车充电桩订单异常的清分结算方法，其特征是，包括：
数据获取模块：用于获取车联网平台的实时订单；订单检测模块：用于基于预设的推理引擎检测所述实时订单是否为异常订单，得到正常订单和异常订单；异常订单修订模块：用于基于校正算法或预设的预测模型对所述异常订单进行数值校正或数据预测，得到修订后的异常订单；数据上传模块：用于将所述正常订单和修订后的异常订单上传至车联网平台。10.根据权利要求9所述的电动汽车充电桩订单异常的清分结算方法，其特征是，所述异常订单修订模块包括数据异常订单修订模块和缺失异常订单修订模块；所述数据异常订单修订模块，用于基于校正算法对数据异常订单进行数值校正，得到修订后的数据异常订单；所述缺失异常订单修订模块，用于基于预设的预测模型对缺失异常订单进行数值校正，得到修订后的缺失异常订单。

技术总结
本发明公开了一种电动汽车充电桩订单异常的清分结算方法及装置，包括：获取车联网平台的实时订单；基于预设的推理引擎检测实时订单是否为异常订单；响应于实时订单为正常订单，则直接上传实时订单至车联网平台；响应于实时订单为异常订单，则基于校正算法或预设的预测模型对实时订单进行数值校正或数据预测，得到修订后的异常订单并上传至车联网平台。一方面，根据车联网平台获取的海量历史异常数据，挖掘清分筛选规则，结合电网专家的经验规则自定义清分筛选规则，所得到的推理引擎能够准确的检测出异常订单，另一方面，能够对电动汽车充电桩异常订单数值校正或数据预测，减小由于订单异常所造成的经济损失。由于订单异常所造成的经济损失。由于订单异常所造成的经济损失。


技术研发人员：高辉 徐胜涛 李炜卓 孟昊鸽 隋永波 杨璐彤
受保护的技术使用者：南京邮电大学
技术研发日：2022.12.30
技术公布日：2023/7/20