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！

龙图腾网获悉南昌大学申请的专利基于多维特征ML的城市级退役动力电池量预测方法及系统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：CN119539212B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202510103963.2，技术领域涉及：G06Q10/04；该发明授权基于多维特征ML的城市级退役动力电池量预测方法及系统是由田西;彭菲;袁可欣;李桃设计研发完成，并于2025-01-23向国家知识产权局提交的专利申请。

本基于多维特征ML的城市级退役动力电池量预测方法及系统在说明书摘要公布了：本发明公开了基于多维特征ML的城市级退役动力电池量预测方法及系统，方法包括：获取预设时间段内新能源汽车上险量和N种城市特征值构建数据集；对N种城市特征值进行分析，确定影响新能源汽车上险量的城市关键特征值及其权重值；根据城市关键特征值及其权重值筛选数据集，并利用筛选后的数据集训练多种调优的机器学习模型；评估各机器学习模型的预测性能，分别为预测乘用车和商用车上险量选取最佳模型；将未来城市关键特征值输入最佳模型以预测新能源汽车上险量；基于预测的新能源汽车上险量，利用新能源汽车的电池类型占比和电池特性，结合Weibull寿命分布，预测城市级退役动力电池量。本发明能够实现对城市级退役动力电池量的预测准确性与实用性。

本发明授权基于多维特征ML的城市级退役动力电池量预测方法及系统在权利要求书中公布了：1.一种基于多维特征ML的城市级退役动力电池量预测方法，其特征在于，包括： 获取预设时间段内新能源汽车上险量和N种城市特征值构建数据集，所述N种城市特征值涵盖影响新能源汽车上险量的关键因素； 对所述N种城市特征值进行数据挖掘和分析，确定影响新能源汽车上险量的城市关键特征值及其权重值，能够筛选出与预测目标最为相关的数据，减少数据噪声和无关信息的干扰，提高数据质量； 根据所述城市关键特征值及其权重值筛选数据集，以保留对新能源汽车上险量预测有价值的数据，去除冗余数据，并利用筛选后的数据集训练多种调优的机器学习模型，让机器学习模型学习城市关键特征值与新能源汽车上险量之间的内在关系； 评估各机器学习模型的预测性能，对每个机器学习模型的预测性能进行量化分析，从经过评估的多个机器学习模型中分别为预测乘用车和商用车上险量选取最佳模型； 将未来城市关键特征值输入最佳模型，所述最佳模型会依据其内部算法架构和在前期训练过程中所学习到的各城市特征值与新能源汽车上险量之间的内在逻辑关系，进行运算和推理，以预测不同城市在未来特定情景下的新能源汽车上险量； 基于预测的新能源汽车上险量来获取每年消费者对新能源汽车的需求量，利用新能源汽车的电池类型的装机量占比和电池特性，结合Weibull寿命分布计算的动力电池退役的概率，预测城市级退役动力电池量，包括来源乘用车或商用车的退役动力电池量、LFP或NMC类型的退役动力电池量、城市总退役动力电池量； 所述N种城市特征值包括城市人口数量、城市GDP、城镇化率、百度指数、城市新能源汽车推广补贴金额；其中，从城市统计部门获取城市人口数量、城镇化率、城市GDP，从百度指数中获取城市网民对新能源汽车的关注度，从政府相关部门获取环保政策文件并量化为城市新能源汽车推广补贴金额； 所述未来城市关键特征值包括未来城市GDP、未来城市人口数量、未来城镇化率、未来百度指数、未来城市新能源汽车推广补贴金额； 所述电池类型具体包括乘用车纯电型、乘用车混电型、商用车纯电型、商用车混电型配套下的LFP电池、NCM111电池、NCM523电池、NCM622电池、NCM811电池、NCA电池所组成的24种类型；所述电池特性具体包括电池寿命、电池重量、电池容量； 对所述N种城市特征值进行分析确定影响新能源汽车上险量的城市关键特征值的方法具体为聚类分析法，确定城市关键特征的权重值的方法具体为主成分分析法； 所述机器学习模型包括LSTM模型、随机森林模型、XGBoost模型、ANN模型和堆叠回归模型，所述调优的方法具体为贝叶斯优化法或超参数调优法。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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”。