本技术涉及电车出行分析，特别是涉及基于共享电池数据的分析方法、系统、设备和存储介质。
背景技术：
1、目前，电动车凭借其节能、经济和环保的优势，正在成为大众青睐的出行方式。然而，不同于燃油车辆，电动载具存在充电时间长的问题，这使得用户的“里程焦虑”一直是一个很难解决的问题。近年来，随着电池技术的不断革新以及充电网络基础设施的不断完善，电池的购买和使用成本越来越低，因此基于共享电池的商业模式越来越流行。尤其在电动两轮车领域，基于共享电池的换电模式已然成为了现在快速普及的续航形式，为即时配送和租车出行等需要时效性的场景提供了极为有效的方法。由此可以预见，随着电池技术和标准化进程的发展，基于共享电池的续航技术未来势必会成为主流的电动载具的续航方法。
2、由于共享电池是一种全新的商业形式，有方兴未艾之势，在对用户的支持和服务方面存在诸多待优化和完善的方面。例如，面对海量的采用共享电池的电动两轮车用户，如何进行数据挖掘，对其用户画像进行描述，从而实现更加精准的用户服务和广告推荐；面对需要时效性的即时配送和物流，如何在考虑共享电池换电的条件下对用户路径进行合理的分析和规划；针对道路交通中海量共享电池用户，如何根据用户的骑行习惯，对共享电池相关的充换电基础设施进行布局和优化。针对上述问题，现有的画像分析和路径规划等算法通常采用特定功能的模型或规则来进行解决，但这些方法通常仅仅考虑了单一维度或局部维度空间的信息，因此在通用性和功能性方面存在不足。近年来，ai大模型的快速发展使得各行各业在数据分析和智能化方面均取得了长足的进展，这一思路能够很好地解决上述问题，但是ai大模型目前在共享电池涉及到的用户出行服务等领域依旧是一个空白。
技术实现思路
1、本技术实施例提供了一种基于共享电池数据的分析方法、系统、设备和存储介质，以至少解决相关技术中缺乏利用共享电池数据进行轨迹预测的问题。
2、第一方面，本技术实施例提供了一种基于共享电池数据的分析方法，包括：
3、对用户终端和共享电池终端进行数据采集，得到用户端信息和电池端信息，其中，所述用户端信息包括功能需求信息；
4、对所述用户端信息和电池端信息依次进行预处理和特征化处理，得到初始特征数据；
5、通过预先构建的共享电池轨迹ai大模型对所述初始特征数据和功能需求信息进行分析，得到与所述功能需求信息对应的预测特征信息；
6、对所述预测特征信息进行反特征化处理，得到数据分析结果并反馈给用户。
7、在一实施例中，所述对所述用户端信息和电池端信息进行预处理包括：
8、将所述用户端信息和电池端信息记为原始数据，对所述原始数据进行筛选，剔除异常点和噪点，得到第一数据；
9、通过插值法或外延法对所述第一数据中缺失的数据进行补全，得到第二数据；
10、对所述第二数据进行数据压缩，得到待特征化数据。
11、在一实施例中，对所述待特征化数据进行特征化处理，包括：
12、通过归一化或标签映射表的方式对所述待特征化数据进行处理，得到待处理数据；
13、通过无监督学习对所述待处理数据依次进行特征抽取和特征融合处理，得到所述初始特征数据。
14、在一实施例中，所述共享电池轨迹ai大模型的构建包括：
15、根据用户需求选择神经网络架构，并确定训练策略，得到初始ai大模型；
16、获取用户终端和共享电池终端的历史数据，并将所述历史数据划分为训练集、验证集和测试集；
17、根据所述训练策略和训练集对所述初始ai大模型进行训练，并通过验证集对所述初始ai大模型的参数进行调整，得到中间ai大模型；
18、应用测试集对所述中间ai大模型的性能进行评估，当评估结果符合预先设定的用户要求时，得到所述共享电池轨迹ai大模型。
19、在一实施例中，所述神经网络架构包括多个特征提取模块和/或多个特征还原模块；其中，
20、特征提取模块包括第一多头注意力模块、第一前馈网络模块和第一归一化模块；所述特征还原模块包括掩码多头注意力模块、第二多头注意力模块、第二前馈网络模块和第二归一化模块；
21、所述多个特征提取模块或多个特征还原模块采用多头注意力模块堆叠的形式进行组合。
22、在一实施例中，所述通过预先构建的共享电池轨迹ai大模型对所述特征数据和用户需求信息进行分析，得到与所述用户需求信息对应的预测特征信息，包括：
23、通过第一多头自注意力模块对所述初始特征数据进行处理，得到第一特征向量序列；
24、通过带有残差网络的第一前馈网络模块和第一归一化模块对所述第一特征向量序列与所述初始特征数据的和进行处理，得到第一高度特征信息；
25、通过掩码多头自注意力模块对所述初始特征数据进行处理，得到第二特征向量序列；
26、依次通过第二多头注意力模块、第二前馈网络模块和第二归一化模块对所述第二特征向量序列和第一高度特征信息进行处理，得到高度特征还原信息；
27、依据所述功能需求信息对所述高度特征还原信息进行预测，得到所述预测特征信息。
28、在一实施例中，所述通过预先构建的共享电池轨迹ai大模型对所述特征数据和用户需求信息进行分析，得到与所述用户需求信息对应的预测特征信息，还包括：
29、获取多个标签化的用户定制属性，并将所述用户定制属性与所述初始特征数据进行融合，得到新初始特征数据；
30、通过第一多头自注意力模块对所述新初始特征数据进行处理，得到第三特征向量序列；
31、通过带有残差网络的第一前馈网络模块和第一归一化模块对所述第三特征向量序列与所述初始特征数据的和进行处理，得到第二高度特征信息；
32、通过线性层和softmax函数对所述第二高度特征信息所属的用户定制属性进行概率计算，得到分类预测概率，记所述分类预测概率为所述预测特征信息。
33、在一实施例中，当所述用户端信息包括地图信息和出行起止点位置信息时，所述神经网络架构包括多个特征提取模块，所述数据分析结果为预测轨迹路径；所述通过预先构建的共享电池轨迹ai大模型对所述特征数据和用户需求信息进行分析，得到与所述用户需求信息对应的预测特征信息，还包括：
34、通过第一多头自注意力模块对所述初始特征数据进行处理，得到第四特征向量序列，所述初始特征数据包含所述地图信息和出行起止点位置信息的特征；
35、依次通过带有残差网络的第一前馈网络模块和第一归一化模块对所述第四特征向量序列与所述初始特征数据的和进行处理，得到第三高度特征信息，即所述第三高度特征信息为所述预测特征信息；
36、或者，
37、当采集的数据还包括多模态数据时，所述神经网络架构包括多个特征还原模块；述通过预先构建的共享电池轨迹ai大模型对所述特征数据和用户需求信息进行分析，得到与所述用户需求信息对应的预测特征信息，还包括：
38、对所述多模态数据依次进行特征化和特征提取处理，得到多模态特征数据；
39、通过掩码多头自注意力模块对所述初始特征数据进行处理，得到第五特征向量序列；
40、依次通过第二多头注意力模块、第二前馈网络模块和第二归一化模块对所述第五特征向量序列和多模态特征数据进行处理，得到特征输出序列；记所述特征输出序列为所述预测特征信息。
41、第二方面，本技术实施例提供了一种基于共享电池数据的分析系统，用于执行以上任一项实施例所述的基于共享电池数据的分析方法，包括：
42、数据采集单元，用于对用户终端和共享电池终端进行数据采集，得到用户端信息和电池端信息，其中，所述用户端信息包括功能需求信息；
43、数据处理单元，用于分别对所述用户端信息和电池端信息进行预处理、数据集成和特征化处理的操作，得到初始特征数据；
44、大模型计算单元，用于通过预先构建的共享电池轨迹ai大模型对所述初始特征数据和功能需求信息进行分析，得到与所述功能需求信息对应的预测特征信息；
45、结果输出单元，用于对所述预测特征信息进行反特征化处理，得到数据分析结果并反馈给用户。
46、在一实施例中，所述大模型计算单元设置在共享电池终端或云端服务器中，所述大模型计算单元包括：
47、所述特征提取模块，用于通过第一多头自注意力模块对所述初始特征数据进行处理，得到第一特征向量序列；通过带有残差网络的第一前馈网络模块和第一归一化模块对所述第一特征向量序列与所述特征数据的和进行处理，得到第一高度特征信息；
48、所述特征还原模块，用于通过一掩码多头自注意力模块对所述初始特征数据进行处理，得到第二特征向量序列；通过第二多头注意力模块、第二前馈网络模块和第二归一化模块对所述第二特征向量序列和第一高度特征信息进行处理，得到高度特征还原信息；
49、特征预测模块，用于依据所述功能需求信息对所述高度特征还原信息进行预测，得到所述预测特征信息。
50、第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于共享电池数据的分析方法。
51、第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的基于共享电池数据的分析方法。
52、本技术实施例提供的基于共享电池数据的分析方法、系统、设备和存储介质至少具有以下技术效果：
53、本技术以共享电池作为核心载体，以共享电池轨迹和相关属性信息作为驱动数据，采用自研的共享电池轨迹大模型作为核心算法，通过一种端云协同的模式作为服务提供途径。并且，本技术充分利用大模型对复杂多维信息优异的分析和数据挖掘能力，为电动载具运营方和用户方提供效性更好的用户画像、路径规划、宏观调度以及涉及到用户行为的诸多定制化用户服务。
54、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
1.一种基于共享电池数据的分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述用户端信息和电池端信息进行预处理包括：
3.根据权利要求2所述的方法，其特征在于，对所述待特征化数据进行特征化处理，包括：
4.根据权利要求1所述的方法，其特征在于，所述共享电池轨迹ai大模型的构建包括：
5.根据权利要求4所述的方法，其特征在于，所述神经网络架构包括多个特征提取模块和/或多个特征还原模块；其中，
6.根据权利要求5所述的方法，其特征在于，所述通过预先构建的共享电池轨迹ai大模型对所述特征数据和用户需求信息进行分析，得到与所述用户需求信息对应的预测特征信息，包括：
7.根据权利要求5所述的方法，其特征在于，所述通过预先构建的共享电池轨迹ai大模型对所述特征数据和用户需求信息进行分析，得到与所述用户需求信息对应的预测特征信息，还包括：
8.根据权利要求5所述的方法，其特征在于，
9.一种基于共享电池数据的分析系统，其特征在于，用于执行如权利要求1至8中任一项所述的基于共享电池数据的分析方法，所述系统包括：
10.根据权利要求9所述的分析系统，其特征在于，所述大模型计算单元设置在共享电池终端或云端服务器中，所述大模型计算单元包括：
11.一种电子设备，其特征在于，包括存储器、处理器，以及、存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的基于共享电池数据的分析方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8中任一项所述的基于共享电池数据的分析方法。
