CN108827842A - 一种基于pm2.5的空气质量最优路径规划方法及系统 - Google Patents
一种基于pm2.5的空气质量最优路径规划方法及系统 Download PDFInfo
- Publication number
- CN108827842A CN108827842A CN201810332859.0A CN201810332859A CN108827842A CN 108827842 A CN108827842 A CN 108827842A CN 201810332859 A CN201810332859 A CN 201810332859A CN 108827842 A CN108827842 A CN 108827842A
- Authority
- CN
- China
- Prior art keywords
- path
- path planning
- concentration value
- air quality
- user
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000000644 propagated effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000003912 environmental pollution Methods 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 230000007423 decrease Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006386 memory function Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PM2.5的空气质量最优路径规划方法及系统,属于环境污染与路径规划技术领域,包括:获取起始和终点位置;获取用户交通方式;根据起始和终点位置及用户交通方式,得出一个或多个路径规划方案;根据用户交通方式和路径规划方案,预测出到达路径中各位置点时其PM2.5的浓度值;根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径并输出。本发明示例的技术方案,可以为人们的出行提供空气质量最优路径参考依据,将环境污染对人们出行时的身体健康的影响降至最小。
Description
技术领域
本发明属于环境污染、路径规划技术领域,具体而言是一种基于PM2.5的空气质量最优路径规划方法及系统。
背景技术
随着移动终端的普及和应用,根据移动终端的特点和用户需求,越来越多的移动终端应用提供基于地理位置的服务。随着移动终端设备的快速发展,越来越多的用户在出行时会选择在移动端使用基于地理位置的服务,如定位、地图、导航等服务。目前基于位置的导航服务可以规划多条线路,由用户选择速度最快、距离最短、红绿灯较少等路径规划方案。然而,随着雾霾天气的增加,由其是PM2.5对人们的出行带来很大的困挠,移动端设备在进行线路规划时不够完善,无法规划出从哪条线路走PM2.5浓度总和最低,对人们的身体健康影响最小。
发明内容
为了解决上述现有技术中的不足,本发明的目的在于提供一种基于PM2.5的空气质量最优路径规划方法及系统,填补了目前路径规划的一项空白,解决目前的用户路径规划中缺少对空气质量因素的考量问题,同时为人们的出行提供了空气质量参考依据。
为了解决上述技术问题,本发明采用如下技术方案:
一方面,本发明提供了一种基于PM2.5的空气质量最优路径规划方法,包括:
获取起始和终点位置,所述起始和终点位置来自用户端;
获取用户交通方式,所述用户交通方式来自用户端;
根据起始和终点位置及用户交通方式,得出一个或多个路径规划方案;
根据用户交通方式和路径规划方案,预测出到达路径中各位置点时其PM2.5的浓度值;
根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径并输出。
进一步的,所述获取起始和终点位置之后,还包括:
根据起始和终点位置获取地图上的坐标经、纬度;
获取用户端所在城市所有PM2.5监测点的经、纬度。
进一步的,所述预测出到达路径中各位置点时其PM2.5的浓度值,包括:
根据用户交通方式和路径规划方案,得出到达路径中不同位置点的时间;
建立基于时间序列的PM2.5预测模型,预测出到达路径中各位置点时其PM2.5的浓度值。
进一步的,所述路径规划方案中,根据用户交通方式,将路径分段,划分成n个位置点,n为自然数。
进一步的,所述基于时间序列的PM2.5预测模型为RNN算法的模型,RNN算法的模型包括输入层、隐含层和输出层,输入数据是长度为T的序列PM2.5。
进一步的,所述RNN算法的模型包括数据的前向传播和后向传播两个过程,其中,数据的前向传播实现预测结果的输出;数据的后向传播对于由前向传播输出的预测结果进行优化,选择输出任一时刻的PM2.5的浓度值的预测结果。
进一步的,所述根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径,包括:
统计各路径规划方案中各位置点的PM2.5浓度值的总和;
根据PM2.5浓度值的总和产生PM2.5浓度值最低的空气质量最优路径。
进一步的,所述路径规划方案选自以下的一种或几种:按照省时排列、按照少换乘排列、按照快捷程度排列、按照少步行排列、按照通畅程度排列。
进一步的,所述用户交通方式选自以下一种:驾车、步行、公交、骑行。
进一步的,所述数据的前向传播包括:在所述隐含层上设置一个反馈链接,从而使RNN算法的模型通过循环反馈链接保留前面所有时刻的信息,具有记忆功能,实现预测结果的输出。
进一步的,所述数据的后向传播包括:由前向传播的预测结果的输出,经过与真实值的误差值对比,采用梯度下降的方法优化权重,将优化处理处理过的PM2.5深度数据经过正、反向迭代传播,选择输出任一时刻的PM2.5的浓度值的预测结果。
进一步的,所述采用梯度下降的方法优化权重,包括:
定义损失函数:使用误差平方和作为损失函数;
更新权重:使用梯度下降法来优化权重,使得损失函数的值越小越好。
另一方面,本发明还提供了一种基于PM2.5的空气质量最优路径规划系统,包括:
数据采集单元,配置用于获取起始和终点位置及用户交通方式;
路径规划单元,配置用于得出一个或多个路径规划方案;
运算单元,配置用于预测出到达路径中各位置点时其PM2.5的浓度值;
筛选单元,配置用于根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径;
输出单元,配置用于将PM2.5的浓度值最小的路径输出。
另一方面,本发明还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本发明示例的任一种基于PM2.5的空气质量最优路径规划方法。
另一方面,本发明还提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现本发明示例的任一种基于PM2.5的空气质量最优路径规划方法。
与现有技术相比,本发明的有益效果为:
1、本发明示例的基于PM2.5的空气质量最优路径规划方法,根据用户交通方式和路径规划方案,预测出到达路径中各位置点时其PM2.5的浓度值,并根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径并输出推荐给用户,填补了目前路径规划的一项空白,解决目前的用户路径规划中缺少对空气质量因素的考量问题,同时为人们的出行提供了空气质量参考依据。
2、对于实现规划出从哪条线路走PM2.5浓度总和最低,其难点在于采用移动终端获取当前所在位置的PM2.5浓度预测值,在移动端的研发升级过程中,技术人员一直致力于扩展移动端的功能,使其为人们的生活带来更多的便利,但由于PM2.5设备投入成本较高,将其设置到移动端上是不现实的。因此,对于在移动端的地理位置服务上加入空气质量最优路径的规划与推荐一直未曾有人涉足,本发明示例的基于PM2.5的空气质量最优路径规划方法,通过建立基于时间序列的PM2.5预测模型,预测出到达路径中各位置点时其PM2.5的浓度值,提出了有效、可行、未增加移动端硬件成本的PM2.5浓度预测方法,在路径规划与环境相结合的领域实现了突破。
3、本发明示例的基于PM2.5的空气质量最优路径规划方法,通过RNN算法的模型进行PM2.5浓度的预测,PM2.5具备较强的时间序列特征,RNN算法可以很好的学习序列数据的内在关系,因此RNN算法的模型用于PM2.5浓度的预测准确度较高。
4、本发明示例的基于PM2.5的空气质量最优路径规划方法,根据PM2.5浓度值的总和产生PM2.5浓度值最低的空气质量最优路径,各项数据来源可靠且具有运算模型的支持,结果科学合理,为人们的出行提供参考依据。
5、本发明示例的基于PM2.5的空气质量最优路径规划方法,可以应用在与大气相关的其它污染物的路径规划推荐模型中,具备一定的通用性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明一个实施例的流程示意图;
图2为本发明实施例中RNN模型的一个结构示意图;
图3为本发明实施例中RNN模型的另一个结构示意图;
图4为本发明实施例中RNN模型的另一个结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,本发明的一个实施例提供了一种基于PM2.5的空气质量最优路径规划方法,包括:
S1:获取起始和终点位置,所述起始和终点位置来自用户端;具体的,用户端可以为电脑,也可以为手机等移动终端;
S2:获取用户交通方式,所述用户交通方式来自用户端;用户交通方式选自以下一种:驾车、步行、公交、骑行;
S3:根据起始和终点位置及用户交通方式,得出一个或多个路径规划方案;
S4:根据用户交通方式和路径规划方案,预测出到达路径中各位置点时其PM2.5的浓度值;
S5:根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径并输出。
获取起始和终点位置之后,还包括:
根据起始和终点位置获取地图上的坐标经、纬度;
获取用户端所在城市所有PM2.5监测点的经、纬度。
S3中,路径规划方案中,根据用户交通方式,将路径分段,划分成n个位置点,n为自然数。路径规划方案选自以下的一种或几种:按照省时排列、按照少换乘排列、按照快捷程度排列、按照少步行排列、按照通畅程度排列。
S4中,预测出到达路径中各位置点时其PM2.5的浓度值,包括:
根据用户交通方式和路径规划方案,得出到达路径中不同位置点的时间;
建立基于时间序列的PM2.5预测模型,预测出到达路径中各位置点时其PM2.5的浓度值。
所述基于时间序列的PM2.5预测模型为RNN算法的模型,RNN算法的模型包括输入层、隐含层和输出层,输入数据是长度为T的序列PM2.5。
RNN算法的模型包括数据的前向传播和后向传播两个过程,其中,
前向传播时,在所述隐含层上设置一个反馈链接,从而使RNN算法的模型通过循环反馈链接保留前面所有时刻的信息,具有记忆功能,数据的前向传播实现预测结果的输出;
后向传播时,采用梯度下降的方法优化权重,将优化处理处理过的PM2.5深度数据经过正、反向迭代传播,选择输出任一时刻的PM2.5的浓度值的预测结果。
后向传播中采用梯度下降的方法优化权重,包括:
定义损失函数:使用误差平方和作为损失函数;
更新权重:使用梯度下降法来优化权重,使得损失函数的值越小越好。
S5中,根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径,包括:
统计各路径规划方案中各位置点的PM2.5浓度值的总和;
根据PM2.5浓度值的总和产生PM2.5浓度值最低的空气质量最优路径。
将本实施例的方法系统论述,如下:
步骤(1),获取起始和终点位置,所述起始和终点位置来自用户端,即:用户端设备填写起始和终点位置,发送至服务端;
步骤(2),根据起始和终点位置获取地图上的坐标经、纬度;
步骤(3),获取用户端所在城市所有PM2.5监测点的经、纬度;
步骤(4),获取用户交通方式,所述用户交通方式来自用户端,即:用户在用户端设备上选择交通方式,如:驾车、步行、骑行、公交等;
步骤(5),路径分段:根据起始和终点位置及用户交通方式,得出一个或多个路径规划方案,如:最省时、最少换乘、最快捷、最少步行等,根据用户交通方式,将路径分段,划分成n个位置点,n为自然数;
步骤(6),根据用户交通方式和路径规划方案,得出到达路径中不同位置点的时间;
步骤(7),建立基于时间序列的PM2.5预测模型,预测步骤(5)中不同路径规划方案中各位置点的PM2.5浓度值;
由于PM2.5的来源很多,对PM2.5浓度产生影响的因素非常复杂,同时PM2.5又具备了较强的时间序列特征,由于RNN算法可以很好的学习序列数据的内在关系,因此选择RNN算法对PM2.5采用基于时间序列的深度学习方法,在时间序列的基础上深度学习各影响因素与PM2.5的关联关系,建立由各污染和气象因素可以表示的PM2.5时间序列预测方法。
如图2-图4所示,RNN是一种神经元到自身连接的环状结构,是一种基于时间序列的递归神经网络结构,递归神经网络的不同之处在于,它在神经元之间还有相互的连接。在隐含层上增加了一个反馈连接,也就是说,RNN隐含层当前时刻的输入有一部分是前一时刻的隐含层输出,这使得RNN可以通过循环反馈连接保留前面所有时刻的信息,这赋予了RNN记忆功能,因此RNN在PM2.5浓度这种输入、输出均满足时间序列的数据预测问题上有较好的表现。
RNN的模型为:输入层(I个神经元),隐含层(H个神经元)和输出层(O个神经元),输入数据是长度为T的序列PM2.5。
RNN网络主要包含两个重要过程,数据的前向传播和后向传播,意义及过程如下:
一、前向传播:
RNN模型在隐含层上增加了一个反馈连接,也就是说,RNN模型隐含层当前时刻的输入有一部分是前一时刻的隐含层输出,这使得RNN模型可以通过循环反馈连接保留前面所有时刻的信息,具有记忆功能,前向传播实现预测结果的输出,如公式(1)所示:
ht=f(WxhXt+Whhht-1) (1)
yt=g(Whyht) (2)
整理公式(1)、(2),如公式(3)所示:
yt=g(Whyf(WxhXt+Whhht-1)) (3)
其中,ht是真实输出,Why是L*N的权重矩阵,连接N个隐含层单元到L个输出层单元,Wxh是N*K权重矩阵,连接K个输入单元到N个隐含层单元,f是隐含层激励函数,yt是真实输出,Whh是N*N权重矩阵,连接N个隐含层单元从时刻t-1到时刻t,ut=Wxhxt+Whhht-1是N*1隐含层的潜向量,vt=Whyxt+ht是L*1输出层潜向量,g为输出层激励函数。
二、后向传播:
由前向传播的预测结果的输出,经过与真实值的误差值对比,调整网络中的各权重参数。主要采用梯度下降的方法优化权重,步骤如下:
Step1.定义损失函数,即最小化目标函数:
使用误差平方和作为损失函数E,yt作为真实输出,It为目标向量,c为尺度因子。
Step2.更新权重:
训练时使用梯度下降法来优化权重,使得损失函数E的值越小越好,图4中三条边上权重W、U、V的更新规则如公式(5)、(6)、(7)所示:
其中γ是学习率,为三条边上计算出的下降梯度。
将处理过的PM2.5深度数据经过正、反向迭代传播,可以选择输出任一时刻的PM2.5浓度预测结果。
步骤(8),统计步骤(7)中不同路径规划方案位置点的PM2.5浓度值的总和:
步骤(9),根据步骤(8)产生最优的PM2.5空气质量最优路径;
步骤(10),将步骤(9)中的最优路径结果推荐给移动终端用户。
另一方面,本发明还提供了一种基于PM2.5的空气质量最优路径规划系统,包括:
数据采集单元,配置用于获取起始和终点位置及用户交通方式;
路径规划单元,配置用于得出一个或多个路径规划方案;
运算单元,配置用于预测出到达路径中各位置点时其PM2.5的浓度值;
筛选单元,配置用于根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径;
输出单元,配置用于将PM2.5的浓度值最小的路径输出。
另一方面,本实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本实施例所述的基于PM2.5的空气质量最优路径规划方法。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
另一方面,本实施例还提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现本实施例所述的基于PM2.5的空气质量最优路径规划方法。该计算机可读存储介质可以是上述实施例中所述系统或设备中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质,如硬盘、光盘、SD卡等。
由于PM2.5为目前最常用的评价空气质量的指标,因此本发明的路径规划方法基于PM2.5浓度值进行,但具体实施并不仅仅限于依据PM2.5浓度,本发明示例的思想、模型可以应用在与大气相关的其它污染物的路径规划推荐模型中,具备一定的通用性。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
除说明书所述的技术特征外,其余技术特征为本领域技术人员的已知技术,为突出本发明的创新特点,其余技术特征在此不再赘述。
Claims (10)
1.一种基于PM2.5的空气质量最优路径规划方法,其特征是,包括:
获取起始和终点位置,所述起始和终点位置来自用户端;
获取用户交通方式,所述用户交通方式来自用户端;
根据起始和终点位置及用户交通方式,得出一个或多个路径规划方案;
根据用户交通方式和路径规划方案,预测出到达路径中各位置点时其PM2.5的浓度值;
根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径并输出。
2.根据权利要求1所述的基于PM2.5的空气质量最优路径规划方法,其特征是,所述获取起始和终点位置之后,还包括:
根据起始和终点位置获取地图上的坐标经、纬度;
获取用户端所在城市所有PM2.5监测点的经、纬度。
3.根据权利要求2所述的基于PM2.5的空气质量最优路径规划方法,其特征是,所述预测出到达路径中各位置点时其PM2.5的浓度值,包括:
根据用户交通方式和路径规划方案,得出到达路径中不同位置点的时间;
建立基于时间序列的PM2.5预测模型,预测出到达路径中各位置点时其PM2.5的浓度值。
4.根据权利要求3任一所述的基于PM2.5的空气质量最优路径规划方法,其特征是,所述路径规划方案中,根据用户交通方式,将路径分段,划分成n个位置点,n为自然数。
5.根据权利要求4所述的基于PM2.5的空气质量最优路径规划方法,其特征是,所述基于时间序列的PM2.5预测模型为RNN算法的模型,RNN算法的模型包括输入层、隐含层和输出层,输入数据是长度为T的序列PM2.5。
6.根据权利要求5所述的基于PM2.5的空气质量最优路径规划方法,其特征是,所述RNN算法的模型包括数据的前向传播和后向传播两个过程,其中,数据的前向传播实现预测结果的输出;数据的后向传播对于由前向传播输出的预测结果进行优化,选择输出任一时刻的PM2.5的浓度值的预测结果。
7.根据权利要求6所述的基于PM2.5的空气质量最优路径规划方法,其特征是,所述根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径,包括:
统计各路径规划方案中各位置点的PM2.5浓度值的总和;
根据PM2.5浓度值的总和产生PM2.5浓度值最低的空气质量最优路径。
8.一种基于PM2.5的空气质量最优路径规划系统,其特征是,包括:
数据采集单元,配置用于获取起始和终点位置及用户交通方式;
路径规划单元,配置用于得出一个或多个路径规划方案;
运算单元,配置用于预测出到达路径中各位置点时其PM2.5的浓度值;
筛选单元,配置用于根据到达路径中各位置点时其PM2.5的浓度值,规划一条PM2.5的浓度值最小的路径;
输出单元,配置用于将PM2.5的浓度值最小的路径输出。
9.一种设备,其特征是,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1-7任一所述的基于PM2.5的空气质量最优路径规划方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征是,该程序被处理器执行时实现如权利要求1-7任一所述的基于PM2.5的空气质量最优路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810332859.0A CN108827842A (zh) | 2018-04-13 | 2018-04-13 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810332859.0A CN108827842A (zh) | 2018-04-13 | 2018-04-13 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108827842A true CN108827842A (zh) | 2018-11-16 |
Family
ID=64154515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810332859.0A Pending CN108827842A (zh) | 2018-04-13 | 2018-04-13 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108827842A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110174106A (zh) * | 2019-04-01 | 2019-08-27 | 香港理工大学深圳研究院 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
CN110779526A (zh) * | 2019-09-29 | 2020-02-11 | 宁波海上鲜信息技术有限公司 | 一种路径规划方法、装置及存储介质 |
CN112183871A (zh) * | 2020-10-10 | 2021-01-05 | 扬州大学 | 基于空气指数的城市交通诱导系统 |
CN112378414A (zh) * | 2020-11-20 | 2021-02-19 | 深圳信息职业技术学院 | 一种基于pm2.5健康出行的路径规划装置及方法 |
CN113418534A (zh) * | 2021-06-30 | 2021-09-21 | 一汽奔腾轿车有限公司 | 一种车载智能健康地图系统 |
CN114252069A (zh) * | 2020-09-23 | 2022-03-29 | 香港理工大学深圳研究院 | 健康步行路径规划方法、装置、终端设备及可读存储介质 |
CN114993336A (zh) * | 2022-07-18 | 2022-09-02 | 山东建筑大学 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013054310A1 (pt) * | 2011-10-12 | 2013-04-18 | Universidade Do Minho | Sistema e método de cálculo de rotas |
CN103971530A (zh) * | 2014-05-27 | 2014-08-06 | 四川汇源吉迅数码科技有限公司 | 一种实时路径规划方法 |
CN104006821A (zh) * | 2014-05-28 | 2014-08-27 | 英华达(南京)科技有限公司 | 一种导航方法和系统 |
FR2983948B1 (fr) * | 2011-12-08 | 2015-05-29 | Renault Sa | Procede de calcul d'un itineraire peu pollue |
CN105043401A (zh) * | 2015-07-14 | 2015-11-11 | 南京理工大学 | 基于浮动车法的城市健康出行规划方法及系统 |
CN105547310A (zh) * | 2015-12-09 | 2016-05-04 | 南京理工大学 | 一种基于pm2.5健康出行的路径规划装置及方法 |
CN106403976A (zh) * | 2016-08-30 | 2017-02-15 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于阻抗匹配的Dijkstra最优交通路径规划方法及系统 |
CN107560632A (zh) * | 2017-09-21 | 2018-01-09 | 上海泽罗电子科技有限公司 | 一种基于智能电子口罩云服务大数据的应用方法 |
-
2018
- 2018-04-13 CN CN201810332859.0A patent/CN108827842A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013054310A1 (pt) * | 2011-10-12 | 2013-04-18 | Universidade Do Minho | Sistema e método de cálculo de rotas |
FR2983948B1 (fr) * | 2011-12-08 | 2015-05-29 | Renault Sa | Procede de calcul d'un itineraire peu pollue |
CN103971530A (zh) * | 2014-05-27 | 2014-08-06 | 四川汇源吉迅数码科技有限公司 | 一种实时路径规划方法 |
CN104006821A (zh) * | 2014-05-28 | 2014-08-27 | 英华达(南京)科技有限公司 | 一种导航方法和系统 |
CN105043401A (zh) * | 2015-07-14 | 2015-11-11 | 南京理工大学 | 基于浮动车法的城市健康出行规划方法及系统 |
CN105547310A (zh) * | 2015-12-09 | 2016-05-04 | 南京理工大学 | 一种基于pm2.5健康出行的路径规划装置及方法 |
CN106403976A (zh) * | 2016-08-30 | 2017-02-15 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于阻抗匹配的Dijkstra最优交通路径规划方法及系统 |
CN107560632A (zh) * | 2017-09-21 | 2018-01-09 | 上海泽罗电子科技有限公司 | 一种基于智能电子口罩云服务大数据的应用方法 |
Non-Patent Citations (1)
Title |
---|
范竣翔等: "基于RNN的空气污染时空预报模型研究", 《测绘科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110174106A (zh) * | 2019-04-01 | 2019-08-27 | 香港理工大学深圳研究院 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
CN110779526A (zh) * | 2019-09-29 | 2020-02-11 | 宁波海上鲜信息技术有限公司 | 一种路径规划方法、装置及存储介质 |
CN114252069A (zh) * | 2020-09-23 | 2022-03-29 | 香港理工大学深圳研究院 | 健康步行路径规划方法、装置、终端设备及可读存储介质 |
CN114252069B (zh) * | 2020-09-23 | 2023-09-01 | 香港理工大学深圳研究院 | 健康步行路径规划方法、装置、终端设备及可读存储介质 |
CN112183871A (zh) * | 2020-10-10 | 2021-01-05 | 扬州大学 | 基于空气指数的城市交通诱导系统 |
CN112378414A (zh) * | 2020-11-20 | 2021-02-19 | 深圳信息职业技术学院 | 一种基于pm2.5健康出行的路径规划装置及方法 |
CN113418534A (zh) * | 2021-06-30 | 2021-09-21 | 一汽奔腾轿车有限公司 | 一种车载智能健康地图系统 |
CN114993336A (zh) * | 2022-07-18 | 2022-09-02 | 山东建筑大学 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
CN114993336B (zh) * | 2022-07-18 | 2022-10-25 | 山东建筑大学 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108827842A (zh) | 一种基于pm2.5的空气质量最优路径规划方法及系统 | |
US11644323B2 (en) | Systems and methods for digital route planning | |
CN104541131B (zh) | 路线计算系统、导航装置和路线计算方法 | |
Sun et al. | Urban travel behavior analyses and route prediction based on floating car data | |
Ruiz-Meza et al. | A systematic literature review for the tourist trip design problem: Extensions, solution techniques and future research lines | |
Song et al. | Detecting arbitrarily shaped clusters in origin-destination flows using ant colony optimization | |
CN108629323A (zh) | 一种景区游客链式出行一体化提供方法 | |
Pham et al. | A general model for out-of-town region recommendation | |
Frejinger | Route choice analysis: data, models, algorithms and applications | |
CN103049829B (zh) | 城乡客运线网与枢纽场站一体化融合方法 | |
Liu et al. | An oriented spanning tree based genetic algorithm for multi-criteria shortest path problems | |
Si et al. | An improved Dial's algorithm for logit-based traffic assignment within a directed acyclic network | |
CN104636457B (zh) | 一种位置搜索认知的方法及装置 | |
CN111898793A (zh) | 一种组合出行方式下考虑用户感知差异性的路径选择方法 | |
Luo et al. | Dynamic taxi service planning by minimizing cruising distance without passengers | |
Halim et al. | On finding optimum commuting path in a road network: a computational approach for smart city traveling | |
Osaba et al. | Multi-objective optimization of bike routes for last-mile package delivery with drop-offs | |
Sun et al. | Solving demand-responsive feeder transit service design with fuzzy travel demand: A collaborative ant colony algorithm approach | |
CN109359740B (zh) | 基于多生境遗传算法的机动路径优选方法及存储介质 | |
Sarker et al. | A data-driven reinforcement learning based multi-objective route recommendation system | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
Cosido et al. | Automatic calculation of bicycle routes by combining meta-heuristics and GIS techniques within the framework of smart cities | |
CN111797331B (zh) | 基于群智感知的多目标多约束路线推荐方法 | |
Niyomubyeyi et al. | An improved non-dominated sorting biogeography-based optimization algorithm for multi-objective land-use allocation: a case study in Kigali-Rwanda | |
CN111310985B (zh) | 一种行程规划方法及系统 |
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 |
Application publication date: 20181116 |
|
RJ01 | Rejection of invention patent application after publication |