本技术公开了一种基于电动两轮车流量的无历史数据区域换电站部署方法，包括:获取城市中与换电站相关的区域特征数据和环境数据；基于对已部署换电站区域历史数据的分析结果结合去噪扩散概率模型构建并训练生成模型；构建使换电站数量和两轮车区域流量之间的相关性与换电站覆盖范围达到最大平衡的换电站部署优化问题；通过模拟退火算法求解换电站部署优化问题得到最优换电站部署方案；在逐步求解的过程中调用训练好的生成模型根据目标区域的区域特征数据和环境数据同步生成电动两轮车流量；通过最优换电站部署方案实现目标区域的换电站部署。本发明能够提高换电站部署优化问题求解的准确性和效率，以及电动两轮车区域换电站部署的实用性。
背景技术
电动两轮车因其快捷方便、绿色环保的特性，成为了人们短途出行的重要交通工具。然而，传统的两轮电动车充电方式因充电时间长、充电地点不规范等原因存在严重的消防安全问题。因此，创新的电池共享换电模式出现了，该模式通过“以换代充”实现快速、安全的补能。近年来，换电行业进入快速发展期，这促使提供换电服务的公司向城市的新区域扩张换电业务。扩张过程中，亟需解决新换电站的部署问题。合理的换电站部署方案，对确保客户的体验至关重要。
对于换电公司而言，更倾向于在用户活跃度高的区域放置换电站。在换电场景下，两轮电动车区域流量是一种城市数据，描述了用户在城市区域间的动态流动模式。流量包括入流和出流，分别表示在给定时间间隔内进入或离开某一区域的人数。两轮电动车区域流量可以反映不同区域的用户活跃度。通常，两轮电动车区域流量大代表用户活跃度高，该区域的换电站的数量也应该多。然而，两轮电动车区域流量大小和换电站部署具有较强的相关性。基于某城市的一家换电公司提供的大规模真实换电数据集，申请人发现区域附近的换电站数量与该区域的电动两轮车流量大小的皮尔逊指数为0.715。也就是说，在利用区域流量确定换电站部署方案时，应考虑不同的部署方案对区域流量本身的影响。然而，在实际部署换电站之前，区域流量数据难以获得，导致在无历史数据区域的换电站部署决策陷入死锁困境。
近年来，生成式人工智能快速发展。其中，去噪扩散概率模型在各个领域都得到了广泛的关注，包括计算机视觉、自然语言处理、时间序列、音频处理、图形生成和地理空间数据生成等，为解决换电站部署的死锁困境提供了机会。换电公司在城市的部分区域放置了换电站，并通过硬件设备存储了历史流量数据。基于这部分历史数据，可以训练去噪扩散概率模型，为待部署换电站的区域(即无历史数据的区域)生成不同部署方案下的区域流。
基于以上背景，申请人重点研究在无历史数据区域的换电站部署方案。具体地，利用已部署换电站区域的数据训练去噪扩散概率模型，并在无历史数据区域为不同的换电站部署方案生成对应的区域流量。然而，实现上述方案面临以下挑战：
1)电动两轮车流量的生成具有高度复杂性。区域流量生成的准确性直接影响到换电站部署的决策方案。然而，区域流量不仅受到多种因素的综合作用，如用户行为、区域特征和城市环境等，还存在显著的时空依赖性，因此很难准确电动两轮车流量，导致后续电动两轮车区域换电站部署的实用性不好。
2)换电站部署的优化问题具有非凸性。由于目标函数包含多个复杂因素，如区域流量与换电站数量的相关性及覆盖面积的权衡，解空间中存在多个局部最优解，增加了算法跳出局部最优的难度，导致换电站部署优化问题求解的准确性和效率不好。
实现思路