1.一种基于深度学习的电动汽车充电路径规划方法，其特征在于，包括：步骤1，获取电动汽车平均车速、天气状况、周边交通拥堵系数、剩余电量、起始点、终点、充电站位置及充电桩使用信息；

步骤2，基于获取到的信息，通过构建的长短期记忆LSTM模型预测下一时刻电动汽车平均车速，将预测的下一时刻平均车速作为电动汽车行驶能耗模型的输入，通过改进遗传算法计算得到电动汽车行驶能耗；通过构建深度信念网络DBN模型，预测下一时刻的充电桩使用数量，进而得到充电桩使用率，为改进遗传算法中提供充电桩使用率的约束条件；

步骤3，基于步骤2中LSTM模型预测的结果，构建电动汽车总行程时间模型和电动汽车用户总成本花费模型，进而构建充电路径规划目标函数；

步骤4，当电动汽车用户有充电需求时，分别以总行程时间最短、用户总成本花费最低、总行程时间和用户总成本花费综合最优为目标函数，基于深度信念网络DBN模型中预测的结果，进而设定路径规划的约束条件；从起点到达充电站充电，再由充电站达目的地，通过改进遗传算法，依次进行充电路径规划，根据目标函数得到不同的最佳充电路径。

2.根据权利要求1所述的一种基于深度学习的电动汽车充电路径规划方法，其特征在于，所述长短期记忆LSTM模型的平均车速预测方法，其目的是构建电动汽车行驶能耗模型，具体步骤如下：步骤11，针对城市某区域，建立交通路网模型，获取电动汽车起始点和目的地信息、充电站位置信息；

步骤12，获取电动汽车行驶车速数据，天气温度、交通拥堵系数、岔路口密度和红绿灯密度数据，确立长短期记忆LSTM模型的输入和输出，预测下一个时刻电动汽车平均速度；

步骤13，基于步骤12中长短期记忆LSTM预测的平均车速，将其作为电动汽车行驶能耗模型的输入，构建电动汽车行驶能耗模型，输出为电动汽车综合能耗模型；电动汽车综合能耗模型为电动汽车行驶能耗模型、电动汽车负荷设备能耗模型、电动汽车电池衰退模型之和；根据电动汽车综合能耗模型，进而得到改进遗传算法目标函数中的电动汽车用户总行程时间和总成本花费。

3.根据权利要求1所述的一种基于深度学习的电动汽车充电路径规划方法，其特征在于，所述深度信念网络DBN模型的充电站充电桩数预测方法，其目的是为路径规划提供充电桩使用率约束条件，即改进遗传算法中路径寻优的约束条件，预测方法步骤如下：步骤21，获取步骤1交通路网区域中所有充电站信息，针对不同的充电站，充电站信息包括充电站名称、总充电桩数、充电电费、服务费、停车费、充电桩功率；针对特定的充电站，获取天气温度、天气状况、日类型、每五分钟时刻交通拥堵系数、每五分钟时刻的充电站使用桩数；

步骤22，天气温度、天气状况、日类型、每五分钟时刻交通状况、每五分钟时刻的充电站使用桩数作为深度信念网络DBN模型输入信息；

步骤23，利用深度信念网络DBN模型预测当前时刻的下一时刻充电站充电桩数；

步骤24，计算充电桩使用率，设定约束条件；

步骤25，判断所有充电站是否满足路径规划约束条件，若满足，执行步骤4中通过改进遗传算法，在含有满足约束条件的充电站路网中根据不同的目标函数，得到不同的最佳充电路径；若不满足，则在路径规划中不考虑该充电站。

4.根据权利要求1所述的一种基于深度学习的电动汽车充电路径规划方法，其特征在于，所述电动汽车总行程时间模型为：电动汽车总行程时间模型包括行驶时间t1、充电等待时间t2、充电时间t3；路网中起点A(n)与终点B之间的距离称为ri,j ，n代表不同的路径且路网中相邻两节点为一条路径，m代表路径数量；假设在t时刻，电动汽车用户有充电需求，电动汽车到达目的地的行驶时间t1，行驶时间单位为h，t1公式如下：式中， 为LSTM模型所预测的平均车速；

电动汽车的充电等待时间t2为：

式中，H为路网区域内充电站的个数；Xh为决策变量，当选择在充电站h处充电时则Xh＝

1，否则为Xh＝0；

设定当电动汽车充电达到阈值，即可前往目的地；因此，电动汽车的充电时间t3为：式中，Et表示阈值；Es表示电池剩余电量；Pch表示充电桩充电功率；

综上所述，电动汽车总行程时间T为：

T＝t1+t2+t3。

5.根据权利要求1所述的一种基于深度学习的电动汽车充电路径规划方法，其特征在于，所述电动汽车用户总成本花费模型为：电动汽车用户总成本花费模型包括实际行驶综合能耗花费C1、负荷设备花费C2、充电花费C3、电池容量充一次电的衰退成本C4C3＝Pch·Cs·(t2+t3)

式中，Cs为电动汽车接入电网充电时刻的电价；当车内空调开启时，X0为1，否则为0；tk表示到达充电站的时刻；

综上所述，电动汽车用户总成本花费C为：

C＝C1+C2+C3+C4。

6.根据权利要求1所述的一种基于深度学习的电动汽车充电路径规划方法，其特征在于，所述充电路径规划目标函数为：式中，T为总行程时间；C为用户总成本花费；Tavg为电动汽车前往不同充电站的总行驶时间平均值；Cavg为电动汽车前往不同充电站的总花费平均值；λ1和λ2为权重系数，以总行程时间最短为优化目标时，λ1＝1,λ2＝0；以用户总成本花费最低为优化目标时，λ1＝0,λ2＝1；

以总行程时间和用户总成本花费综合最优为优化目标时，λ1＝1,λ2＝1。