CN108665091A - 一种基于机器学习的物资智能调度方法 - Google Patents
一种基于机器学习的物资智能调度方法 Download PDFInfo
- Publication number
- CN108665091A CN108665091A CN201810303147.6A CN201810303147A CN108665091A CN 108665091 A CN108665091 A CN 108665091A CN 201810303147 A CN201810303147 A CN 201810303147A CN 108665091 A CN108665091 A CN 108665091A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- machine learning
- intelligent
- screening
- scheduling system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 62
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于机器学习的物资智能调度方法，其步骤可包括：步骤1、在物资调度系统中抽取任意一组物质调度任务；步骤2、根据该组调度任务的收货点和发货点，在物资调度系统中遍历所有可能的运输线路；步骤3、物资调度系统自动采集与物质调度任务相关的各类数据，并创建特征集；步骤4、以最优路线为目标值，对特征集中的特征进行筛选和组合；步骤5、进行深度的机器学习，并进行模型训练，得到该组调度任务的最优调度方案；步骤6、持续采集数据，并不断优化与更新智能物资调度系统。本发明使得现有物质调度系统可以适应严重拥堵的路况环境，调度任务分配更加合理、成本降低、效率更高，大幅提升了调度系统的精度和可靠性。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的物资智能调度方法。
背景技术
当今社会，物资调度系统在人们的生产、生活中广泛运行，如何自动算出成本节约最优、配送效率最快的配送方案及路线更是受到研究人员的广泛关注。传统的路径规划主要以蚁群算法为基础，存在计算复杂度高、收敛速度慢、非全局最优等缺陷。随着经济社会的迅速发展，使得我国机动车保有量迅速增长。据公安部交管局统计，截止到2017年底，全国机动车保有量达到3.1亿辆，其中北京、上海、广州、深圳、苏州、成都、重庆以及郑州等城市汽车保有量均超过300万。机动车保有量的迅速增长给人们出行带来便利的同时，也导致了严重的交通拥堵和频发的交通事故。这些因素都给传统的物资调度系统的优化带来了极大限制。
幸运地是，随着移动物联时代的到来，各类数据呈爆炸式增长，对于大数据的研究已渗透到人们生活的各个方面。机器学习、深度学习等算法的提出让研究人员得以充分发挥数据的规模效应。另外，获取到的大规模的数据在一定程度上把研究人员从愈加复杂的数学模型中解放出来，使得他们专注于数据本身，大大提高了系统的适用性、可靠性以及鲁棒性。以图像处理为例，深度学习（如卷积神经网络）可以实现端对端的分类检测系统，减少了研究人员在图像预处理上所花费的时间，不仅减少了工作量，还提高了系统精度。与之相似，机器学习（如支持向量机，决策树等）可以综合考虑影响系统的多种因素，自动学习各影响因素在系统中所占权重，无需研究人员引入各种因子来提升系统表现。
机器学习、深度学习等前沿技术在图像、语音、文字处理等方向的成功应用也给物资调度系统的优化带来了新的思路。以机器学习算法为基础，以影响资源调度的各因素作为输入，以成本节约最优、配送效率最快的配送方案及路线作为输出，进行训练、学习，得到一种精度高、可靠性高、鲁棒性高的物资智能调度算法。
发明内容
本发明所要解决的技术问题在于，提供一种基于机器学习的物资智能调度方法，以机器学习算法为基础，搭建完整的、智能的物质调度架构，以适应当今社会复杂拥堵的交通环境。
为了解决上述技术问题，本发明提供的基于机器学习的物资智能调度方法，包括：
步骤S1、在物资调度系统中抽取任意一组物质调度任务；
步骤S2、根据所述该组调度任务的收货点和发货点，在物资调度系统中遍历所有可能的运输线路；
步骤S3、物资调度系统自动采集与所述物质调度任务相关的各类数据，并创建特征集；
步骤S4、以最优路线为目标值，对所述特征集中的特征进行筛选和组合；
步骤S5、对步骤4的筛选和组合过程进行深度的机器学习，并进行模型训练，得到所述该组调度任务的最优调度方案；
步骤S6、持续采集数据，并不断优化与更新所述智能物资调度系统。
在可选的实施例中，所述步骤S2中在遍历路线的过程中，对所述所有可能路线分别进行编号处理。
在可选的实施例中，所述步骤S3中采集的数据类型包括人员信息、车辆信息、路况信息、运输成本以及运输效率。
在可选的实施例中，对所述采集的各类数据进行特征细化，逐层进行细化。
在可选的实施例中，所述步骤S4中对所述特征进行筛选和组合的方式为自动筛选以及经验值人工筛选。
在可选的实施例中，所述自动筛选时使用特征选取算法进行筛选。
在可选的实施例中，所述步骤S5在进行模型训练时选用XGBOOST算法和贪心算法进行全局模型树的构建。
本发明实施例的有益效果在于：
本发明基于机器学习的物资智能调度方法，一方面，使得现有物质调度系统可以适应严重拥堵的路况环境，并满足日益增长的调度需求；一方面，大量数据的处理和深度机器学习使得各调度任务分配更加合理、成本降低、效率更高，大幅提升了调度系统的精度和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种基于机器学习的物资智能调度方法的一个实施例的流程图示意图。
图2是本发明一种基于机器学习的物资智能调度方法的一个实施例中方法架构树形图。
图3是本发明一种基于机器学习的物资智能调度方法的一个实施例中使用XGBOOST算法进行机器训练的示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
本发明的实施例提供一种基于机器学习的物资智能调度方法，如图2的流程图示意图所示，其步骤可包括：
步骤S1、在物资调度系统中抽取任意一组物质调度任务；
步骤S2、根据所述该组调度任务的收货点和发货点，在物资调度系统中遍历所有可能的运输线路；
步骤S3、物资调度系统自动采集与所述物质调度任务相关的各类数据，并创建特征集；
步骤S4、以最优路线为目标值，对所述特征集中的特征进行筛选和组合；
步骤S5、对步骤4的筛选和组合过程进行深度的机器学习，并进行模型训练，得到所述该组调度任务的最优调度方案；
步骤S6、持续采集数据，并不断优化与更新所述智能物资调度系统。
为了更加详细的阐述本发明如何在物质调度系统中使用的，本实施例以深圳市供电局物资部向5个仓库急救包点（罗湖、南山、福田、宝安、龙华）配送若干物资的调度任务为例进行详细的说明。
一、线路遍历：
调度系统自动对深圳市供电局物资部（发货地点）车辆向5个仓库急救包点（收货地点）行驶的所有可能路线进行遍历并进行编号，比如编号路线1-1、路线1-2（其中路线1代表物资部通往罗湖仓库的所有路线，路线1-1代表罗湖路线中第1条线路，路线1-2则代表罗湖路线中第2条线路）；编号路线2-1、路线2-2（代表物资部通往南山仓库的路线1和路线2）；依次方式进行类推编号，福田编号为路线3、宝安编号为路线4、龙华编号为路线5。这样系统就可以遍历出通往五个仓库的所有路线并进行归集存储。如果调度系统遍历所有路线存在困难，则可根据路况、交通状况、以往配送信息等遍历所有最有可能成为最优路线的路线，并按上述方式对路线进行编号。因为调度任务均是以最优路线作为目标，所以在遍历路线时可将优先级较低的路线进行排除，以减小后续工作量。
二、数据采集：
在进行了路线遍历以后，调度系统需要对已找出的所有可能路线中的相关数据进行采集，通常需要采集的数据类型分为以下四类，即人员信息，车辆信息，路况信息，成本及效率。
其中，人员信息按照特征细化可分为：a) 采集驾驶人员的性别、年龄、驾龄；b) 采集驾驶人员空闲状态；c) 评估驾驶人员的驾驶风格，激进、正常或是谨慎。
其中，车辆信息按照特征细化可分为：a) 采集车辆型号、类别、使用年限；b) 采集车辆空闲信息；c) 采集仓库急救包点所需物资的种类、数量。
其中，路况信息按照特征细化可分为：a) 采集不同路线上的车流量情况，如是否拥堵；b) 采集道路信息，如车道数量，是否存在高速等；c) 采集货物运输所处的时间段，如8:00-10:00.
其中，运输成本及效率按照特征细化可分为：a) 采集货物配送时效要求；b）采集货物的需求紧急程度；c) 采集不同路线上运输货物所需成本；d) 采集不同路线上运输货物所需时间。
将以上的特征数据进行分类归集并创建相对应的特征集。如图2的架构图所示，在归集好的特征集中进行特征筛选。
三、特征筛选组合：
对于各项特征的筛选工作，为了提高时效一般采用以下两种方式进行:
a) 自动筛选特征：采用特征选取算法，如PCA，距离度量等筛选有效特征。
b）人工筛选特征：基于经验，采用人工的形式筛选特征。举例来说，所选取路线上的车流量信息在路线规划时是不可或缺的；在成本及效率大类里，可以计算货物配送的时效要求与采用不同路线运输货物所需成本之间的比率关系，形成新的特征。
由于，该调度系统以最优线路的筛选为目标，所以通常最优特征的集合往往能够形成最优路线，但是对于最优特征集的选择是一个长期的过程，需要不断地测试与验证。
四、模型训练：
在本实施例中采用XGBOOST算法来解释模型训练过程。XGBOOST是一种Tree Ensemble方法，其由多个基本的回归树组成。
假设有K个基本树，则Tree Ensemble模型为：
为预测出的最优路线，
如路线1-1,2-1等，为第k个基本树。
故，目标函数可用以下的公式表示：
其中，为损失函数, 为正则项，可以是树的节点数目、深度，或者叶子权重的L2正则等。
由于，XGBOOST算法为加性提升（additive boosting），其基本树的结构为：，， ；
故，按照基本树结构设计第t轮的训练模型为：
经过泰勒展开以及一系列的变换，新的优化目标为：
其中，，
，
，
属于叶子j的实例集为。以运送至罗湖仓库的五条线路作为举例，如图3所示，在已训练出的5条最优线路中，线路1为拥堵路况下实施紧急任务的最佳线路，而线路4则为拥堵路况下实施非紧急任务的最佳线路，线路2、3、5为不拥堵情况下的首选线路。
进一步，在本实施例中，可采用贪心算法对Tree Ensemble进行构建，以达到每条调度线路成本最低，效率最高，形成最优线路。
五、系统更新：
由于该物资智能调度系统所需信息，如路况信息、人员信息、收发货点等都不是一成不变的，所以需要实时更新。机器学习算法如XGBOOST，支持向量机等可以根据数据库的不同实时更新各个参数。另外，特征选择的不同也会对系统表现有影响，同样，研究人员可以通过选取更合适的特征集对该物资智能调度系统进行提升、优化。所以必须持续采集数据不断地优化和更新该智能物资调度系统才能够更好地应对实时变化的各类路况。
综上所述，本发明基于机器学习的物资智能调度方法，一方面，使得现有物质调度系统可以适应严重拥堵的路况环境，并满足日益增长的调度需求；一方面，大量数据的处理和深度机器学习使得各调度任务分配更加合理、成本降低、效率更高，大幅提升了调度系统的精度和可靠性。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (7)
1.一种基于机器学习的物资智能调度方法，其特征在于，包括：
步骤1、在物资调度系统中抽取任意一组物质调度任务；
步骤2、根据所述该组调度任务的收货点和发货点，在物资调度系统中遍历所有可能的运输线路；
步骤3、物资调度系统自动采集与所述物质调度任务相关的各类数据，并创建特征集；
步骤4、以最优路线为目标值，对所述特征集中的特征进行筛选和组合；
步骤5、对步骤4的筛选和组合过程进行深度的机器学习，并进行模型训练，得到所述该组调度任务的最优调度方案；
步骤6、持续采集数据，并不断优化与更新所述智能物资调度系统。
2.如权利要求1所述的基于机器学习的物资智能调度方法，其特征在于，所述步骤2中在遍历路线的过程中，对所述所有可能路线分别进行编号处理。
3.如权利要求1所述的基于机器学习的物资智能调度方法，其特征在于，所述步骤3中采集的数据类型包括人员信息、车辆信息、路况信息、运输成本以及运输效率。
4.如权利要求3所述的基于机器学习的物资智能调度方法，其特征在于，对所述采集的各类数据进行特征细化，逐层进行细化。
5.如权利要求1所述的基于机器学习的物资智能调度方法，其特征在于，所述步骤4中对所述特征进行筛选和组合的方式为自动筛选以及经验值人工筛选。
6.如权利要求5所述的基于机器学习的物资智能调度方法，其特征在于，所述自动筛选时使用特征选取算法进行筛选。
7.如权利要求1所述的基于机器学习的物资智能调度方法，其特征在于，所述步骤5在进行模型训练时选用XGBOOST算法和贪心算法进行全局模型树的构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810303147.6A CN108665091A (zh) | 2018-04-07 | 2018-04-07 | 一种基于机器学习的物资智能调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810303147.6A CN108665091A (zh) | 2018-04-07 | 2018-04-07 | 一种基于机器学习的物资智能调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108665091A true CN108665091A (zh) | 2018-10-16 |
Family
ID=63783291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810303147.6A Pending CN108665091A (zh) | 2018-04-07 | 2018-04-07 | 一种基于机器学习的物资智能调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665091A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021107860A1 (en) * | 2019-11-29 | 2021-06-03 | Hitachi, Ltd. | Method, system, and device for matching deliveries |
| CN113256066A (zh) * | 2021-04-23 | 2021-08-13 | 新疆大学 | 基于PCA-XGBoost-IRF的作业车间实时调度方法 |
| CN117522176A (zh) * | 2024-01-08 | 2024-02-06 | 中国电子科技集团公司第十五研究所 | 基于多智能体系统的多项目资源调度评估系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389639A (zh) * | 2015-12-15 | 2016-03-09 | 上海汽车集团股份有限公司 | 基于机器学习的物流运输路径规划方法、装置及系统 |
| CN105675002A (zh) * | 2016-01-27 | 2016-06-15 | 闫凯 | 一种多途经点导航路线规划方法和系统 |
| CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
| CN106643775A (zh) * | 2017-02-23 | 2017-05-10 | 高域（北京）智能科技研究院有限公司 | 基于大数据机器学习的导航方法及其导航系统 |
| CN107169573A (zh) * | 2017-05-05 | 2017-09-15 | 第四范式（北京）技术有限公司 | 利用复合机器学习模型来执行预测的方法及系统 |
| US20190175691A1 (en) * | 2016-06-07 | 2019-06-13 | Biotime, Inc. | Methods for detecting and modulating the embryonic-fetal transition in mammalian species |
| CN110411469A (zh) * | 2019-07-29 | 2019-11-05 | 北京百度网讯科技有限公司 | 导航规划方法、装置、设备和介质 |
-
2018
- 2018-04-07 CN CN201810303147.6A patent/CN108665091A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389639A (zh) * | 2015-12-15 | 2016-03-09 | 上海汽车集团股份有限公司 | 基于机器学习的物流运输路径规划方法、装置及系统 |
| CN105675002A (zh) * | 2016-01-27 | 2016-06-15 | 闫凯 | 一种多途经点导航路线规划方法和系统 |
| US20190175691A1 (en) * | 2016-06-07 | 2019-06-13 | Biotime, Inc. | Methods for detecting and modulating the embryonic-fetal transition in mammalian species |
| CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
| CN106643775A (zh) * | 2017-02-23 | 2017-05-10 | 高域（北京）智能科技研究院有限公司 | 基于大数据机器学习的导航方法及其导航系统 |
| CN107169573A (zh) * | 2017-05-05 | 2017-09-15 | 第四范式（北京）技术有限公司 | 利用复合机器学习模型来执行预测的方法及系统 |
| CN110411469A (zh) * | 2019-07-29 | 2019-11-05 | 北京百度网讯科技有限公司 | 导航规划方法、装置、设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| 一缕烟: "XGBoost：一个可扩展的提升树系统", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/126328466》 * |
| 知识天地: "xgboost原理及应用", 《HTTPS://WWW.CNBLOGS.COM/MFRYF/P/6238185.HTML》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021107860A1 (en) * | 2019-11-29 | 2021-06-03 | Hitachi, Ltd. | Method, system, and device for matching deliveries |
| CN113256066A (zh) * | 2021-04-23 | 2021-08-13 | 新疆大学 | 基于PCA-XGBoost-IRF的作业车间实时调度方法 |
| CN113256066B (zh) * | 2021-04-23 | 2022-05-06 | 新疆大学 | 基于PCA-XGBoost-IRF的作业车间实时调度方法 |
| CN117522176A (zh) * | 2024-01-08 | 2024-02-06 | 中国电子科技集团公司第十五研究所 | 基于多智能体系统的多项目资源调度评估系统 |
| CN117522176B (zh) * | 2024-01-08 | 2024-04-12 | 中国电子科技集团公司第十五研究所 | 基于多智能体系统的多项目资源调度评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105788260B (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
| CN108364467B (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
| CN106997669B (zh) | 一种基于特征重要性的判断交通拥堵成因的方法 | |
| CN106225797B (zh) | 一种路径规划方法 | |
| CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
| CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
| CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN109002902A (zh) | 分区域多阶段生鲜农产品动态车辆路径优化方法 | |
| CN108665091A (zh) | 一种基于机器学习的物资智能调度方法 | |
| CN109376184A (zh) | 一种基于大数据的搭乘顺风车的方法 | |
| CN110377807B (zh) | 城市群功能联系与空间格局分析方法及系统 | |
| CN113435777B (zh) | 一种电动运营车辆充电站规划方法及系统 | |
| CN107220724A (zh) | 客流量预测方法及装置 | |
| CN111445094B (zh) | 一种结合时间要求的快递车辆路径优化的方法及系统 | |
| CN110674990B (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
| CN116402420A (zh) | 用于运输车辆的智能网络管理与调度方法及系统 | |
| CN112991755A (zh) | 一种基于识别通勤车并构建出行路径选择的方法及系统 | |
| CN112580951A (zh) | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 | |
| CN110530386A (zh) | 一种基于改进Dijkstra算法的动态最短路径规划方法 | |
| CN108171367A (zh) | 一种公交车服务水平可靠性预测方法 | |
| CN116681197B (zh) | 一种基于大数据的物流线路搜索方法及系统 | |
| CN111353625A (zh) | 一种网点件量预测方法、装置、设备及存储介质 | |
| CN109741597B (zh) | 一种基于改进深度森林的公交车路段运行时间预测方法 | |
| CN111678531A (zh) | 一种基于LightGBM的地铁路径规划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |