1.一种基于人流量用于移动电箱的智能充电方法，其特征在于，包括以下步骤：(1)预先获取影响人流量的数据集，并划分为训练集和测试集；

(2)构建IBWOA‑RF‑LSTM人流量预测模型并对其进行训练，通过RF‑LSTM预测模型对人流量进行预测，采用改进黑寡妇优化算法IBWOA优化RF‑LSTM预测模型参数；

(3)结合人流量预测结果、当前电池电量状态，对电池充电的个数以及充电的时长进行智能调节；

步骤(2)所述的RF‑LSTM预测模型建模过程如下所示：构建LSTM神经网络模型，对LSTM在神经网络模型中的输入门、输出门和遗忘门3个具有记忆功能的模块进行构建；

遗忘门ft负责决定从记忆单元中丢弃哪些信息，更新公式为：ft＝σ(wfxxt+wfhht‑1+wfcCt‑1+bf)式中，σ(·)‑为sigmoid函数，xt表示t时刻的输入；ht表示t时刻的输出；ht‑1表示t‑1时刻的输出Ct表示t时刻的候选向量；wfx、wfh、wfc表示遗忘门的权重系数；bf表示遗忘门偏置；

输出门it负责决定哪些信息可以保存在记忆单元中，更新公式为：it＝σ(wixxi+wihht‑1+wicCt‑1+bi)式中，wix、wih、wic表示输入门的权重系数；bi表示输入门偏置；wcx、wch表示候选向量的权重系数；b0表示候选向量偏置；tanh(.)表示双曲正切激活函数； 表示候选向量的更新值；

输出门决定将输出哪些信息，其表达方式为：

ot＝σ(woxxt+wohht‑1+wocCt‑1+bo)ht＝ottanh(Ct)

式中，ot表示输出门；wox、woh、woc表示输出门的权重系数；

采用随机森林算法筛选出重要天气因素以及日期因素与历史流量数据结合作为特征建立预测特征集，该特征集的表示如下所示：XP＝{x1,x2,…,x7,y}

其中，x1～x7表示7个重要的特征量，y表示历史流量数据；

激励函数tanh(x)以及训练时的损失函数L如下所示：2

L(YP,f(XP))＝(YP‑f(XP)) ；

步骤(2)所述的采用改进黑寡妇优化算法IBWOA优化RF‑LSTM预测模型的过程如下：

1)数据初始化，将随机点分为两部分，前半部分为随机初始化，后半部分为均匀初始化，随后将两部分的随机点结合，形成半数均匀初始化；

2)随机生成参数m和β；

3)生成随机数rand并更新黑寡妇位置，其计算公式如下；

式中：Xi(t+1)为更新后的黑寡妇位置，Xbest为当前黑寡妇的最优位置，m为[0.4,0.9]之间的随机数，β为[‑1,1]内的随机数，Xr1(t)为随机选择的第r1个黑寡妇的位置，Xi(t)为当前黑寡妇的位置；

4)计算信息素，计算公式如下：

式中：fitnessmax和fitnessmin为最差和最优的适应度函数值，fitness(i)为第i个黑寡妇获得的适应度值；

5)更新低信息水平的黑寡妇位置，更新公式如下：式中：Xi(t)为雄性体内低信息素水平的黑寡妇位置，r1和r2为种群数量在[1,N]范围内的数，Xr1和Xr2(t)为第r1和r2个黑寡妇的位置，r1≠r2,σ为随机二进制数{0,1}；

6)重新评估适应度函数值，并更新最优黑寡妇的位置及最优解；

7)判断是否满足最大迭代次数，若满足，则输出最优黑寡妇位置和全局最优解，否则，返回步骤2)重新迭代计算；

8)对原算法中的随机浮点数m进行改进，提高算法的收敛性，改进后的m值如下所示：其中，k为调节系数。

2.根据权利要求1所述的一种基于人流量用于移动电箱的智能充电方法，其特征在于，所述影响人流量的数据集包括天气影响因素、节假日影响因素以及人流量历史数据。

3.根据权利要求1所述的一种基于人流量用于移动电箱的智能充电方法，其特征在于，所述步骤(3)实现过程如下：对移动电瓶的充电个数M以及充电时长t进行设定，设定公式如下所示：t＝λ1(1‑SOC)+λ2H

M＝λ3H

式中，t表示充电时长，SOC表示电池当前电量百分比，H为人流量预测结果，M移动电瓶的充电个数，λ1、λ2、λ3为控制系数。