CN107644266A - 一种车辆出入库动态调整管理方法 - Google Patents

Abstract

本发明公开了一种车辆出入库动态调整管理方法，根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷。再在确定出公交立体车库的出车策略的基础上，根据公交立体车库的运行信息，分析公交车辆的入库时间，使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整公交立体车库的出车策略，生成公交车立体车库完整的出车入库协同调配策略。提高车库升降机的利用率，避免升降机的长时间空转或立体车库出入口阻塞的问题，使立体车库可以更佳流畅的运转。通过优化出车入库策略，实现每日公车可以按时出车和入库，车库阻塞最小化，解决了现有技术中公交立体车库完全需要人工控制制动时刻的痛点。

Description

一种车辆出入库动态调整管理方法

技术领域

本发明涉及公交车立体车库车辆出库技术领域，尤其涉及一种车辆出入库动态调整管理方法。

背景技术

随着人口的不断聚集和社会活动节奏的加快，每天乘坐公交出行的人越来越多，交通压力越来越大，公交的出车间隔越来越短，而完全需要人工控制的公交立体车库调度模式是无法保证公交车准点出车，继而会影响到日常的交通稳定。并且，公交立体车库作为用立体空间替代平面空间的停车解决方案，不止需要考虑出库，还需要考虑到入库，以及入库与出库的协调统一。

发明内容

本发明提供一种车辆出入库动态调整管理方法，解决了或部分解决了现有技术中以人工控制为公交立体车库调度模式无法保证公交车准点出车，入库车辆等待时间长或影响公交车出库，进而影响到日常交通稳定的技术问题。

为解决上述技术问题，本发明提供了一种车辆出入库动态调整管理方法，所述方法包括：根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷；确定公交立体车库的出车策略；根据公交立体车库的运行信息，分析公交车辆的入库时间，使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整公交立体车库的出车策略，生成所述公交车立体车库完整的出车入库协同调配策略。

优选的，所述根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷，包括：对车辆的出车时间进行归一化处理；将车辆按照归一化后的出车时间进行分组统计；对统计结果使用高斯分布曲线进行拟合；从拟合结果中划分出出车的高峰和低谷时段。

优选的，所述确定公交立体车库的出车策略,包括:根据设定的预检时间和所述出车时刻表,通过动态参数极值分析获得预检车位数量；根据所述预检车位数量、所述预检时间和车库车位运送时间表，按照贪心理论生成单车库的最优调度策略；根据待出库总车辆数获取需要参与出车的车库数量；根据所述参与出车的车库数量、所述预检车位数量、所述出车时刻表、所述单车库的最优调度策略，采用PSG算法，动态调配公交车立体车库的每个车库的制动时刻，生成所述公交车立体车库的出车策略。

优选的，所述根据设定的预检时间和所述出车时刻表,通过动态参数极值分析获得预检车位数量，包括：根据出车时刻表获得出车间隔时间；根据所述出车间隔时间和所述预检时间获得预检车位数量。

优选的，在所述根据所述出车间隔时间和预检时间获得预检车位数量之后，所述方法还包括：根据预检车位数量和车库预置的车位调度时间计算单车库最优调度次序；分配预检车位到所述公交车立体车库的各车库，初始化预检车位；初始化所述公交车立体车库的升降机；计算所述公交车立体车库的启动时间。

优选的，所述采用PSG算法动态调配公交车立体车库的每个车库的制动时刻，生成所述公交车立体车库的出车策略包括：所述单车库的最优调度策略通过并行同速机理论扩展至所述公交车立体车库，生成zig-zag矩阵；采用“Z”或“N”型轮循出车矩阵，根据车库车辆的出车情况，动态调整所述zig-zag矩阵。

优选的，所述根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷之后，还包括：对于非高峰时段，正向搜索zig-zag矩阵，分配运送时间较长的车位；对于高峰时段，反向搜索zig-zag矩阵，分配运送时间较短的车位。

优选的，所述使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整公交立体车库的出车策略，生成所述公交车立体车库完整的出车入库协同调配策略，包括：步骤1：判断是否每条线路均已经过BP神经网络学习训练，若是，则跳转到步骤3；若否，对未经学习训练的线路执行步骤2；步骤2：选择一条未经学习的线路，构建所述未经学习的线路的BP神经网络，并进行训练；步骤3：所述未经学习的线路的BP神经网络完成训练后，基于各线路BP神经网络，获得最终优化过的公交车立体车库完整的出车入库协同调配策略，达到全局最优，出车入库统筹协作的调配结果。

优选的，所述步骤2，包括：步骤21：对指定线路的BP神经网络进行初始化配置；步骤22：从入库的公交车中选取两辆，令其入库时间(ar₁，ar₂)描述特征时间段[ar₁,ar₂],记矩阵Ar＝[ar₁ ar₂]；步骤23：选择5辆发车时间在(ar₁，ar₂)内的指定线路公交车，记其发车时间为d_i,i∈{1,2,3,4,5}，记矩阵D＝[d₁ d₂ d₃ d₄ d₅]；步骤24：以D^T为输入向量，[Ar D]^T为预期输出向量，对指定线路的BP神经网络进行训练；步骤25：计算全局误差；步骤26：当全局误差小于精确度ε或达到限制的学习次数M，则该BP神经网络训练结束；如果训练结束时，误差值过大，调整节点个数或/和激活函数，重新执行BP神经网络的训练；步骤27：完成指定线路的BP神经网络学习训练。

通过本发明的一个或者多个技术方案，本发明具有以下有益效果或者优点：

本发明公开了一种车辆出入库动态调整管理方法，根据出车时刻表，对车库发车峰谷做预测，实现提前变更策略，来适应即将到来的发车高峰，提高方法在发车高峰的抗压能力；统协发车低谷时的资源，避免资源过度浪费。再在确定出公交立体车库的出车策略的基础上，根据公交立体车库的运行信息，分析公交车辆的入库时间，使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整公交立体车库的出车策略，生成所述公交车立体车库完整的出车入库协同调配策略。提高车库升降机的利用率，避免升降机的长时间空转或立体车库出入口阻塞的问题，使立体车库可以更佳流畅的运转。通过优化出车入库策略，实现每日公车可以按时出车和入库，车库阻塞最小化，解决了现有技术中公交立体车库完全需要人工控制制动时刻的痛点。

附图说明

图1为本发明实施例中车辆出入库动态调整管理方法的实施过程。

具体实施方式

为了使本申请所属技术领域中的技术人员更清楚地理解本申请，下面结合附图，通过具体实施例对本申请技术方案作详细描述。

在本发明实施例中，参看图1，本发明实施例提供的车辆出入库动态调整管理方法包括以下步骤：

步骤A：根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷时段。

步骤B：确定公交立体车库的出车策略。

步骤C：根据公交立体车库的运行信息，分析公交车辆的入库时间，使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整公交立体车库的出车策略，生成所述公交车立体车库完整的出车入库协同调配策略。

在本发明的实施例中,首先根据出车时刻表，对车库发车峰谷做预测，实现提前变更策略，来适应即将到来的发车高峰，提高本发明的车辆出入库动态调整管理方法在发车高峰的抗压能力；统协发车低谷时的资源，避免资源过度浪费。其次,在确定公交立体车库的出车策略的基础上，采用BP神经网络，动态匹配出车及入库时刻，提高车库升降机的利用率，避免升降机的长时间空转或立体车库出入口阻塞的问题，使立体车库可以更佳流畅的运转。本发明通过优化出车入库策略，实现每日公车可以按时出车和入库，车库阻塞最小化，解决了现有技术中公交立体车库完全需要人工控制制动时刻的痛点。

下面对上述的各个步骤进行具体的介绍。

对于步骤A：所述根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷时段。

在该实施例具体的实施过程中：首先，对车辆的出车时间进行归一化处理；其次，将车辆按照归一化后的出车时间进行分组统计；再次，对统计结果使用高斯分布曲线进行拟合；最后，从拟合结果中划分出出车的高峰和低谷时段。这样做的主要目的，是为了预测出车库出车的高峰和低谷时段，进而实现提前变更策略，来适应即将到来的发车高峰，提高发车高峰的抗压能力。

下面举例对上述实施过程进行说明。

首先，对车辆的发车时间做归一化，根据第一辆车到最后一辆车的时间跨度，将每辆车的发车时间映射到[0,10]区间。

其次，在[0,10]区间内，以0.5为时间跨度，对发车数量进行统计。

再次，利用以下高斯分布函数公式对结果进行正态分布拟合：

其中，f(x)表示高斯分布函数，μ表示期望，σ表示标准差,x就是自变量,e和π是通用常数。利用f(x)即可得到拟合结果。

最后，划分出拟合结果中μ±σ/2的区间为发车高峰。

下面介绍步骤B：确定公交立体车库的出车策略。

在确定公交立体车库的出车策略，需要用到相应的参数，例如：预检时间、所述出车时刻表、车库车位运送时间表等等。

下面介绍车库车位运送时间表和出车时刻表，两者的含义不同。

车库车位运送时间表：指的是车库的所有车位对应的被升降机拖拽到地面所用的时间列表，形如“58号车位-120s”指的就是58号车位的车如果要被升降机拖到地面需要120s。具体来说，对于车库中的每一个车位，都有一个车位运送时间，指的是将公交车从这个车位运送到地面的时间。对于每一个车库单元，都有一个车库车位运送时间表，记录了该车库所有车位的车位运送时间。

而出车时刻表，指的是某一线路的所有发车时刻。例如“115线路：15:00 15:0515:10”这样的数据。

下面介绍具体的实施过程。

在确定公交立体车库的出车策略的具体实施过程中，采用了下面几个步骤：

第①步，根据设定的预检时间和所述出车时刻表,通过动态参数极值分析获得预检车位数量。

在具体的实施过程中，在根据设定的预检时间和所述出车时刻表,通过动态参数极值分析获得预检车位数量的具体实施过程中，是先根据出车时刻表获得出车间隔时间，然后再根据出车间隔时间和预检时间获得预检车位数量。

而作为一种可选的实施例，在所述根据所述最适出车间隔时间和预检时间获得预检车位数量之后，所述方法还包括：根据预检车位数量和车库预置的车位调度时间计算单车库最优调度次序；分配预检车位到所述公交车立体车库的各车库，初始化预检车位；初始化所述公交车立体车库的升降机；计算所述公交车立体车库的启动时间。

第②步，根据所述预检车位数量、所述预检时间和车库车位运送时间表，按照贪心理论生成单车库的最优调度策略。

第③步，根据待出库总车辆数获取需要参与出车的车库数量。

第④步，根据所述参与出车的车库数量、所述预检车位数量、所述出车时刻表、所述单车库的最优调度策略，采用PSG(Parallel Scheduling in Greedy)算法，动态调配公交车立体车库的每个车库的制动时刻，生成所述公交车立体车库的出车策略。

在具体的实施过程中，所述采用PSG算法动态调配公交车立体车库的每个车库的制动时刻，生成所述公交车立体车库的出车策略包括：所述单车库最优调度策略通过并行同速机理论扩展至所述公交车立体车库，生成zig-zag矩阵。更为具体的，根据所述单车库最优调度策略，得到单车库最优出车顺序；根据所述并行同速机理论和所述单车库的最优出车顺序，生成zig-zag出车矩阵。采用“Z”或“N”型轮循出车矩阵，根据车库车辆的出车情况，动态调整所述zig-zag矩阵。

所述采用“Z”或“N”型轮循出车矩阵，根据车库车辆的出车情况，动态调整zig-zag矩阵,包括：

步骤11：判断是否所有车辆均已出库，若是，则跳转至步骤25；若否，则跳转至步骤12；

步骤12：轮循zig-zag矩阵；

步骤13：判断单轮循环是否结束，若是，则跳转至步骤12，若否，则跳转至步骤14；

步骤14：执行出车操作；

步骤15：轮循矩阵结束。

在具体的实施过程中，所述执行出车操作包括以下步骤：

步骤141：判断当前时刻是否是出车时刻，若是，则跳转至步骤142，若否，则跳转至步骤143；

步骤142：出车，重置预检车位并记录出车信息；

步骤143：判断预检车位是否空闲：若是，则跳转至步骤148，若否，则跳转至步骤144；

步骤144：判断升降机是否空闲：若是，则跳转至步骤145，若否，则跳转至步骤146；

步骤145：判断是否能满足该次拖车正好在预检车位出车后到达，若是，则跳转至步骤149，若否，则跳转至步骤150；

步骤146：判断升降机是否到达预检车位：若是，则跳转至步骤147，若否，则跳转至步骤150；

步骤147：车辆开始预检，重置升降机，跳转至步骤150；

步骤148：判断升降机是否空闲：若是，则跳转至步骤149，若否，则跳转至步骤150；

步骤149：根据该车库最优出车次序开始拖车；

步骤150：结束。

作为一种可选的实施例，还可以从拟合结果中划分出出车的高峰和低谷时段之后，动态调整PSG轮询策略。更进一步的，调整方法如下：

对于非高峰时段，正向搜索zig-zag矩阵，尽量分配运送时间较长的车位；

对于高峰时段，反向搜索zig-zag矩阵，尽量分配运送时间较短的车位。

对于步骤C：根据车库运行信息，分析公交车辆的入库时间，使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整出库策略，生成所述公交车立体车库完整的出车入库协同调配策略。

在具体的实施过程中，使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整出库策略，生成所述公交车立体车库完整的出车入库协同调配策略，具体包括下面的步骤：

步骤1：判断是否每条线路均已经过BP神经网络学习训练，若是，则跳转到步骤3；若否，对未经学习训练的线路执行步骤2；

步骤2：选择一条未经学习的线路，构建所述未经学习的线路的BP神经网络，并进行训练；

步骤3：所述未经学习的线路的BP神经网络完成训练后，基于各线路BP神经网络，获得最终优化过的公交车立体车库完整的出车入库协同调配策略，达到全局最优，出车入库统筹协作的调配结果。

而在步骤2中，选择一条未经学习的线路，构建所述未经学习的线路的BP神经网络，并进行训练的具体实施过程中，可以选取指定线路两辆相邻入库的公交车，进行若干次BP神经网络的学习训练。具体包括下面的步骤：

步骤21：对指定线路的BP神经网络进行初始化配置。

在具体的初始化配置的过程中，包括如下步骤：

步骤211：设定BP神经网络输入层节点数位5，隐含层3层，节点数为10，输出层节点数为7；

步骤212：设定学习精度ε＝0.3和最大学习次数M＝100000

步骤213：使用[-5,5]闭区间对隐含层输入权值w_ih和输出权值和w_ho(i∈[1,5],o∈[1,7])进行初始化；

步骤214：设定隐含层个节点阈值b_h，输出层个节点阈值bo；

步骤215：选取激活函数：

步骤216：设定误差函数：

所述使用得到的输入向量和预期输出向量，对指定线路的BP神经网络进行训练还包括：

变量声明：

(1)输入层节点个数n＝5，输出层节点个数q＝7，隐含层节点数p＝10；

(2)设定学习精度ε，最大学习次数M。

(3)隐含层输入权值w_ih和输出权值和w_ho

(4)隐含层节点阈值b_h，输出层个节点阈值b_o

(5)激活函数f(x)和误差函数。

除上述已声明的变量外，还包括以下变量声明：

(1)输入向量：x＝(x₁,x₂,…,x_n)；

(2)预期输出向量：d＝(d₁,d₂,…,d_q)；

(3)隐含层输入向量：hi＝(hi₁,hi₂,…,hi_p)

(4)隐含层输出向量：ho＝(ho₁,ho₂,…,ho_p)

(5)输出层输入向量：yi＝(yi₁,yi₂,…,yi_q)

(6)输出层输出向量：yo＝(yo₁,yo₂,…,yo_q)

步骤22：从入库的公交车中选取两辆，令其入库时间(ar₁，ar₂)描述特征时间段[ar₁,ar₂],记矩阵Ar＝[ar₁ ar₂]；

步骤23：选择5辆发车时间在(ar₁，ar₂)内的指定线路公交车，记其发车时间为d_i,i∈{1,2,3,4,5}，记矩阵D＝[d₁ d₂ d₃ d₄ d₅]；

步骤24：以D^T为输入向量，[Ar D]^T为预期输出向量，对指定线路的BP神经网络进行训练；

在具体的实施过程中，包括以下步骤：

步骤241：令：x＝D^T,d＝[Ar D]^T；

步骤242：计算隐含层个节点输入和输出：

ho_h＝f(hi_h),h∈[1,p]

yo_o＝f(yi_o),o∈[1,q]

步骤243：利用网络期望输出和实际输出，计算误差函数对输出层个节点的偏导数：

其中：

δ_o＝(d_o-yo_o)f′(yi_o)

步骤244：利用w_ho,δ_o,hi_h计算误差对隐含层个节点的偏导数

其中：

步骤245：利用δ_o和ho_h来修正w_ho

步骤246：利用δ_h和x_i来修正w_ih

步骤25：计算全局误差。m表示总样本数，令第k个样本的第o个预期输出为do(k)，令第k个样本的第o个实际输出为y_o(k)。则全局误差为：

步骤26：当全局误差小于精确度ε或达到限制的学习次数M，则该BP神经网络训练结束。如果训练结束时，误差值过大，调整节点个数或(和)激活函数，重新执行BP神经网络的训练；

步骤27：完成指定线路的BP神经网络学习训练。

通过本发明的一个或者多个实施例，本发明具有以下有益效果或者优点：

本发明公开了一种车辆出入库动态调整管理方法，根据出车时刻表，对车库发车峰谷做预测，实现提前变更策略，来适应即将到来的发车高峰，提高方法在发车高峰的抗压能力；统协发车低谷时的资源，避免资源过度浪费。再在确定出公交立体车库的出车策略的基础上，根据公交立体车库的运行信息，分析公交车辆的入库时间，使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整公交立体车库的出车策略，生成所述公交车立体车库完整的出车入库协同调配策略。提高车库升降机的利用率，避免升降机的长时间空转或立体车库出入口阻塞的问题，使立体车库可以更佳流畅的运转。通过优化出车入库策略，实现每日公车可以按时出车和入库，车库阻塞最小化，解决了现有技术中公交立体车库完全需要人工控制制动时刻的痛点。

尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种车辆出入库动态调整管理方法，其特征在于，所述方法包括：

根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷；

确定公交立体车库的出车策略；

根据公交立体车库的运行信息，分析公交车辆的入库时间，使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整公交立体车库的出车策略，生成所述公交车立体车库完整的出车入库协同调配策略。

2.根据权利要求1所述的车辆出入库动态调整管理方法，其特征在于，所述根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷，包括：

对车辆的出车时间进行归一化处理；

将车辆按照归一化后的出车时间进行分组统计；

对统计结果使用高斯分布曲线进行拟合；

从拟合结果中划分出出车的高峰和低谷时段。

3.根据权利要求1所述的车辆出入库动态调整管理方法，其特征在于，所述确定公交立体车库的出车策略,包括:

根据设定的预检时间和所述出车时刻表,通过动态参数极值分析获得预检车位数量；

根据所述预检车位数量、所述预检时间和车库车位运送时间表，按照贪心理论生成单车库的最优调度策略；

根据待出库总车辆数获取需要参与出车的车库数量；

根据所述参与出车的车库数量、所述预检车位数量、所述出车时刻表、所述单车库的最优调度策略，采用PSG算法，动态调配公交车立体车库的每个车库的制动时刻，生成所述公交车立体车库的出车策略。

4.根据权利要求3所述的车辆出入库动态调整管理方法，其特征在于，所述根据设定的预检时间和所述出车时刻表,通过动态参数极值分析获得预检车位数量，包括：

根据出车时刻表获得出车间隔时间；

根据所述出车间隔时间和所述预检时间获得预检车位数量。

5.根据权利要求4所述的车辆出入库动态调整管理方法，其特征在于，在所述根据所述出车间隔时间和预检时间获得预检车位数量之后，所述方法还包括：

根据预检车位数量和车库预置的车位调度时间计算单车库最优调度次序；

分配预检车位到所述公交车立体车库的各车库，初始化预检车位；

初始化所述公交车立体车库的升降机；

计算所述公交车立体车库的启动时间。

6.根据权利要求3所述的车辆出入库动态调整管理方法，其特征在于，所述采用PSG算法动态调配公交车立体车库的每个车库的制动时刻，生成所述公交车立体车库的出车策略包括：

所述单车库的最优调度策略通过并行同速机理论扩展至所述公交车立体车库，生成zig-zag矩阵；

采用“Z”或“N”型轮循出车矩阵，根据车库车辆的出车情况，动态调整所述zig-zag矩阵。

7.根据权利要求6所述的车辆出入库动态调整管理方法，其特征在于，所述根据出车时刻表，使用高斯分布曲线对出车时刻的分组密度统计结果进行拟合，预测出车的高峰和低谷之后，还包括：

对于非高峰时段，正向搜索zig-zag矩阵，分配运送时间较长的车位；

对于高峰时段，反向搜索zig-zag矩阵，分配运送时间较短的车位。

8.根据权利要求1所述的车辆出入库动态调整管理方法，其特征在于，所述使用BP神经网络对入库位置和次序进行动态规划和设计，并动态调整公交立体车库的出车策略，生成所述公交车立体车库完整的出车入库协同调配策略，包括：

步骤1：判断是否每条线路均已经过BP神经网络学习训练，若是，则跳转到步骤3；若否，对未经学习训练的线路执行步骤2；

步骤2：选择一条未经学习的线路，构建所述未经学习的线路的BP神经网络，并进行训练；

步骤3：所述未经学习的线路的BP神经网络完成训练后，基于各线路BP神经网络，获得最终优化过的公交车立体车库完整的出车入库协同调配策略，达到全局最优，出车入库统筹协作的调配结果。

9.根据权利要求8所述的车辆出入库动态调整管理方法，其特征在于，所述步骤2，包括：

步骤21：对指定线路的BP神经网络进行初始化配置；

步骤22：从入库的公交车中选取两辆，令其入库时间(ar₁，ar₂)描述特征时间段[ar₁,ar₂],记矩阵Ar＝[ar₁ ar₂]；

步骤23：选择5辆发车时间在(ar₁，ar₂)内的指定线路公交车，记其发车时间为d_i,i∈{1,2,3,4,5}，记矩阵D＝[d₁ d₂ d₃ d₄ d₅]；

步骤24：以D^T为输入向量，[Ar D]^T为预期输出向量，对指定线路的BP神经网络进行训练；

步骤25：计算全局误差；

步骤26：当全局误差小于精确度ε或达到限制的学习次数M，则该BP神经网络训练结束；如果训练结束时，误差值过大，调整节点个数或/和激活函数，重新执行BP神经网络的训练；

步骤27：完成指定线路的BP神经网络学习训练。