CN110348636B - 路径规划预测方法、装置、设备和计算机可读存储介质 - Google Patents

路径规划预测方法、装置、设备和计算机可读存储介质 Download PDF

Info

Publication number
CN110348636B
CN110348636B CN201910631663.6A CN201910631663A CN110348636B CN 110348636 B CN110348636 B CN 110348636B CN 201910631663 A CN201910631663 A CN 201910631663A CN 110348636 B CN110348636 B CN 110348636B
Authority
CN
China
Prior art keywords
sequence
task
training
garage
edge
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.)
Active
Application number
CN201910631663.6A
Other languages
English (en)
Other versions
CN110348636A (zh
Inventor
李皈颖
杨鹏
唐珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN201910631663.6A priority Critical patent/CN110348636B/zh
Publication of CN110348636A publication Critical patent/CN110348636A/zh
Application granted granted Critical
Publication of CN110348636B publication Critical patent/CN110348636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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"
    • 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
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种路径规划预测方法、装置、设备和计算机可读存储介质，方法包括：根据任务信息建立第一集合，第一集合中每个元素对应一条任务边或车库；根据任务边或车库的位置关系对第一集合的元素进行预排序得到第一序列；根据第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将第一序列中的每个元素替换为对应的数值向量生成第二序列；将第二序列的数值向量输入预先训练好的第一模型以输出第三序列，第三序列中每个元素对应一条任务边或车库；根据任务边或车库的位置关系对第三序列进行后排序得到路径规划预测结果。本发明采用能够在专用硬件上加速的神经网络完成任务路径规划，其求解速度更快达到加速路径规划的效果。

Description

路径规划预测方法、装置、设备和计算机可读存储介质
技术领域
本发明实施例涉及物流管理领域，尤其涉及一种路径规划预测方法、装置、设备和计算机可读存储介质。
背景技术
带容量约束的任务路径调度场景(capacitated arc routing problems,CARP)，是针对一批运输设备执行服务任务的调度问题。假定有一批运输设备，例如卡车，它们要经过城市的多条街道，其中的一些街道上需要载货，而车辆一旦满载就必须返回仓库卸货，然后才能继续千万前往其他街道载货，而为了使得这批车辆运输的总开销最小(每条街道只服务一次、总行驶距离最小等等)。将每条街道视为对应的任务边，概括而言，就是有一批带容量约束的运输设备从仓库出发，它们需要经过指定的多条任务边，在经过任务边后它们的剩余容量会减少，当一辆车没有可用容量后它需要回到仓库卸货。
目前常用于CARP的求解器是基于迭代式搜索过程的启发式求解器，这种求解器往往需要大量的时间去求解一个CARP问题，并且启发式求解器没有比较有效的加速手段，其已有的加速手段在准确率和速度的综合考量上无法取得较好的效果。
发明内容
本发明实施例提供一种路径规划预测方法、装置、设备和计算机存储介质，实现路径规划加速求解处理。
第一方面，本发明实施例提供了一种路径规划预测方法，包括：
根据任务信息建立第一集合，第一集合中每个元素对应一条任务边或车库；
根据任务边或车库的位置关系对第一集合的元素进行预排序得到第一序列；
根据第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将第一序列中的每个元素替换为对应的数值向量生成第二序列；
将第二序列的数值向量输入预先训练好的第一模型以输出第三序列，第三序列中每个元素对应一条任务边或车库；
根据任务边或车库的位置关系对第三序列进行后排序得到路径规划预测结果。
第二方面，本发明实施例还提供了一种路径规划预测装置，该装置包括：第一获取模块，用于根据任务信息建立第一集合，第一集合中每个元素对应一条任务边或车库；
预排序模块，用于根据任务边或车库的位置关系对第一集合的元素进行预排序得到第一序列；
转换模块，用于根据第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将第一序列中的每个元素替换为对应的数值向量生成第二序列；
预测模块，用于将第二序列的数值向量输入预先训练好的第一模型以输出第三序列，第三序列中每个元素对应一条任务边或车库；
后排序模块，用于根据任务边或车库的位置关系对第三序列进行后排序得到路径规划预测结果。
第三方面，本发明实施例还提供了一种路径规划预测设备，包括存储器和处理器，存储器上存储有可在处理器运行的计算机程序，处理器执行计算机程序时实现前述的路径规划预测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被执行时实现前述的路径规划预测方法。
本发明实施例提供的技术方案，通过预排序将CARP求解过程建模成序列到序列的预测问题，通过采用深度学习训练的到的第一模型对CARP问题求解，在达到接近启发式求解器的求解效果的同时，可以借助专用硬件如GPU计算显卡取得显著的加速，达到了求解速度更快的效果。
附图说明
图1是本发明实施例一中的路径规划预测方法的流程图；
图2是本发明实施例一中的路径规划预测方法的子流程图；
图3是本发明实施例一中的路径规划预测方法的子流程图；
图4是本发明实施例二中的路径规划预测方法的流程图；
图5是本发明实施例二中的第一模型的训练流程图；
图6是本发明实施例二中的第一模型的训练子流程图；
图7是本发明实施例三中的路径规划预测装置的结构示意图；
图8是本发明实施例三中的预排序模块结构示意图；
图9是本发明实施例三中的预测模块的结构示意图；
图10是本发明实施例三中的后排序模块结构示意图；
图11是本发明实施例四中的一种路径规划预测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本发明的范围的情况下，可以将第一速度差值为第二速度差值，且类似地，可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值，但其不是同一速度差值。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。需要说明的是，当部被称为“固定于”另一个部，它可以直接在另一个部上也可以存在居中的部。当一个部被认为是“连接”到另一个部，它可以是直接连接到另一个部或者可能同时存在居中部。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述，只是为了说明的目的，并不表示是唯一的实施方式。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种路径规划预测方法的流程图，具体包括如下步骤：
步骤110、根据任务信息建立第一集合，第一集合中每个元素对应一条任务边或车库。
对于每一个CAPR问题，其任务信息必须是明确的，具体的，任务信息包括图像信息和附加特征，图像信息包括任务边和车库的位置信息，附加特征包括容量约束信息和任务边的服务需求。
示例性的，以运输设备运货为例，运输设备本身能够运载的货物量固定，运输设备空载从仓库出发，依次前往多个需要运货的街道载货，当运输设备满载时需要回到仓库卸货，完全卸货后再次出发前往仍需运货的街道载货，如此反复直到所有待运货物运输完毕，其中需要运货的街道即为任务边，运输设备满载时能够运载货物量即为容量约束信息，每条街道待运输的货物量即为其对应的任务边的服务需求，对于一个CAPR问题而言上述信息都是确定的。
根据实际情况不同，每条任务边除了服务需求还具有服务代价、经过代价等信息，此处对问题进行简化处理后续会对其进行进一步的详细分析。
对于上述提供的CARP问题，其所求的解也即路径规划结果为运输设备经过所有需要运货街道的顺序，实际上我们可以使用仅包含任务边和车库的序列来紧凑的表示这个解，任务边或车库的排序顺序就是运输设备经过需要运货街道和车库的顺序，任务边和任务边之间、车库和任务边之间的最短访问路径可以通过迪佳斯特拉算法(Dijkstra)得到本实施例不做详细计算。因此CARP问题实际上是需要对任务边和车库进行排序，我们需要先将任务信息中的任务边和车库提取并作为元素构成第一集合E′＝{v0，e1，e2，...，eT}，d(ei)＞0，其中v0为仓库，eT为任务边，T为任务边的数量，d(ei)为任务边ei上的载货业务量，对于任意一条有载货需求的任务边，d(ei)＞0。在对集合中的元素排序时就是对任务边和车库进行排序，而CARP问题的解必然是其对应的集合元素排序得到的某一个序列，因而CARP的求解过程等价于根据集合E′来生成序列y的过程，即集合到序列(set-to-sequence)的预测问题。
步骤120、根据任务边或车库的位置关系对第一集合的元素进行预排序得到第一序列。
通过对CARP问题简单分析可以知道，如果两条任务边在实际情况下是彼此临近的，那么他们在解中就很有可能出现在同一条路径上。因为在一条路径Ri中，构成这条路径的任务边距离越近，那么Ri的代价C(Ri)就会越小，Ri为最终求得的解中的一条路径的可能性就更大。例如运输设备在从某条街道载货驶向下一需要运货的街道时，先选择距离越近的街道其耗费的时间和油量是最少的，始终以此为准侧选择下一需要运货的街道，待运输设备满载返回仓库时此趟运输路径的代价是最小的，而最终所求的解是基于所有路径的总代价最小所得到的，那么这条路径很有可能就是最终规划的路径中的一条。
同时我们在利用集合进行最终路径规划结果的预测时，由于集合中E′的元素之间是离散的，预测的范围较广，而实际上E′中每个元素对应的任务边是有相应的位置关系的，我们需要对预测的输入进行调整以体现任务边之间的距离关系。
因此我们可以在进行预测前先通过一个基于贪心策略的预排序来对E′中的任务边进行排序操作以生成一个有序序列
进一步的，预排序流程如图2所示，步骤120包括步骤121～123：
步骤121、将第一集合中车库对应的元素作为预排序序列中的第一元素。
以T＝4时的集合E1′＝{v0，e1，e2，e3，e4}为例，车库v0可以看做是一条虚拟的任务边，车库作为任务边时其服务需求、经过代价均为零，以e0＝(v0，v0)表示，在对E1′预排序时，将e0作为所求序列的第一个元素得到预排序序列
步骤122、迭代的从第一集合未被选取过的元素中，选取距离上一选取元素所代表的任务边最近的任务边所代表的元素，依序添加入预排序序列。
以T＝4示例详细说明：从示例集合E1′中未被选取过的元素中，选取离上一选取元素所代表的任务边最近的任务边代表的元素，即从{e1，e2，e3，e4}所代表的四个任务边中，选取离e0所代表的车库距离最近的任务边对应的元素，本实施例示例性的假设e3所代表的任务边为e1、e2、e3、e4所代表的任务边中距离车库e0最近的任务边，将e3添加入预排序序列中得到/>再从{e1，e2，e4}中选取离e3代表的任务边距离最近的任务边代表的元素，假设为e4，将e4添加入/>中得到/>再从{e1，e2}中选取离e4代表的任务边距离最近的任务边代表的元素，假设为e1，将e1添加入/>得到/>最后只剩一个未选取元素e2时将e2添加入/>得到/>为了方便用统一的形式化公式进行后续计算，对/>中的元素的表示进行替代，得到/> 其中e0和/>对应，e3和/>对应，e4和对应，e1和/>对应，e2和/>对应。
考虑到选取相近的任务边进行预排序是基于代价最小的目的，此处所指的两条任务边的距离是根据其对应的四个端点的平均经过代价来定义的，具体的对{e1，e2}∈E′，e1，e2之间的距离dhc(e1，e2)计算公式为：
上式中，分别为e1所代表的任务边的两个端点，/>为e2所代表的任务边的两个端点，/>表示/>到/>的经过代价，表示/>到/>的经过代价，/>表不到/>的经过代价，/>表示/>到/>的经过代价。
步骤123、当第一集合中所有元素都被选择完毕后，输出预排序序列得到第一序列。
当第一集合E′中的所有元素均被选取过之后，预排序结束，输出此时的预排序序列作为第一序列。
步骤130、根据第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将第一序列中的每个元素替换为对应的数值向量生成第二序列。
经过预排序得到的第一序列已经一定程度上体现了任务边之间的距离信息，但是任务信息中每条任务边的服务需求，容量约束信息等并未体现出来，并且CARP问题中往往给定的是图像信息结合附加特征，而本实施例采用的深度神经网络(Deep NeuralNetworks，DNN)其只能接受数值向量作为输入，无法直接处理图结构数据(以点和点之间的连接构成的数据形式，点和连接上可以附带数值、字符串等属性值)。
为了解决上述问题，本发明采用图嵌入技术来将CARP问题中的节点的相关信息转换为多维向量，并综合其他任务边的信息，形成一个多维向量。注意本发明采用的图嵌入技术名称为node2vec，它只能将边的两个端点转换为数值向量，因此本发明还要将任务边的其他信息通过额外的手段处理。通过这种方式将第一序列中的每个元素替换为对应的数值向量生成第二序列，而第二序列可以作为DNN模型的输入。
具体的，在一个CARP问题中，Q表示容量约束值，表示第一序列，e表示第一序列中的元素，对于/>其数值表示为：
上式中，μe∈R2l+4表示μe为一个2l+4维向量，代表e进行图嵌入技术转换后得到的第二序列的元素，分别表示所述第一序列中的元素e所代表的任务边的起点和终点，/>分别表示将所述第一序列中的元素e所代表的任务边的起点和终点使用node2vec技术计算得到的l维的嵌入向量，d(e)表示e所代表的任务边上的服务需求(对于载货任务来说，可以是载货业务量)，/>表示/>中所有任务边服务需求总和，车库v0用一条虚拟的任务边e0＝(v0，v0)来替代，当v＝v0，则f(v)＝1，否则f(v)＝0。
应当说明的是，在CARP问题中，任务边原本是没有确定方向的，图像信息中e所代表的是无向边，计算中采用只是为了方便表述，而使用弧/>或者弧/>均可以生产相同的μe。
基于上式，对第一序列进行图嵌入转换得到第二序列
步骤140、将第二序列的数值向量输入预先训练好的第一模型以输出第三序列，第三序列中每个元素对应一条任务边或车库。
现有的CARP问题求解多是使用启发式求解算法，但是启发式求解算法求解速度较慢而且难以借助有效的加速手段加快求解速度，因此针对本发明所提出的由序列到序列的预测问题，本发明采用基于深度神经网络的编码器-解码器模型——指针网络(P0interNetwork，简称Ptr-Net)来完成输入序列到输出序列的映射，其中输入序列就是第二序列输出序列就是按照规划路径将任务边排序的第三序列/>第三序列/>中每个元素同样代表一条任务边或车库，不同的是第三序列/>中代表车库的元素可能会出现多次。这是由于运输设备本身的容量约束导致其需要多次返回车库卸货才能满足所有任务边的服务需求。
本实施例采用的第一模型为事先训练好的编码器-解码器模型，其通过大量的CARP样例训练之后能够达到启发式求解器相近的求解效果，继续以前述T＝4时的集合E1′＝{v0，e1，e2，e3，e4}为例，E1′经过预排序和图嵌入转换后的到的序列为将/>输入第一模型后输出序列就是按照路径规划结果排序好的任务边序列，本实施例示例性的为/>其中多次出现v0是因为运输设备容量为0后需要返回仓库卸货才能再次前往其他待运货街道继续载货。
将第三序列输入第一模型后，第一模型会先根据第三序列由编码器生成一个隐状态序列，之后由解码器逐步生成输出序列元素。
具体的，以第三序列为例，向第一模型输入/>后，编码器逐步的从/>中读取元素并生成一个隐状态序列/>对于i≤T，/>是/>对应的隐状态，/>由/>和/>作为输入计算得到，特别的，在编码器工作起始，h0为编码器的初始隐状态，一般通过使用的初始化方法得到(在本实例中是初始化为全零的数值向量)，即/>由/>和h0作为输入计算得到。
当输入的第三序列中所有元素被编码器处理完成后，解码器开始输出生成序列，编码器最后时间步骤的隐状态用来初始化解码器，即解码器的初始隐状态h′0就是编码器最后一步的隐状态/>在解码过程的每一步中，解码器会产生一个在/>中每个元素上的概率分布，并选择出概率最大的元素作为输出。具体的，解码器进行解码过程中的第t步时，解码器根据其在第t-1步的输出来检索出它在当前步骤上的输入，如在t-1步输出为e2，则第t步的输入为/>结合/>和解码器在t-1的隐状态ht-1生成第t步隐状态ht，同时输出第t步概率最大的元素。
以T＝4的示例详细说明：编码器根据生成了对应的隐状态序列/> 由编码器初始隐状态h0和/>计算得到，/>由/>和/>计算得到，/>由/>和/>计算得到，/>由/>和/>计算得到，/>由/>和/>计算得到。隐状态序列生成完毕后，解码器开始生成输出序列，/>用于初始化解码器即/>为解码器的初始隐状态，/>解码器根据h′0和/>生成隐状态h′1，并产生一个在/>中每个元素上的概率分布，并选择出概率最大的元素的序号作为输出，如e3的序号3；之后解码器根据序号3确定其对应数值向量/>并将之作为下一个时间步的输入。在接下的时间步中，根据/>和h′1生成隐状态h′2，并输出概率最大的元素的序号，如e1的序号1；解码器根据序号1确定其下一步的输入为/>再根据/>和h′2生成隐状态h′3，并输出概率最大的元素，如e0……直到/>和代表任务边的元素都完成输出后，按照相应的解码器输出顺序生成输出序列/>
考虑到解码过程中存在大量不可行解，在使用第一模型进行解码时添加屏蔽机制，在选择输出元素时，将已经被服务过的任务边和服务需求超出运输设备的剩余容量的任务边所对应的元素屏蔽，从未被屏蔽的元素中选取概率最大的作为输出，以此对输出元素的搜索空间进行剪枝，能够避免输出序列违反CARP约束的情况同时加快了求解速度。
步骤150、根据任务边或车库的位置关系对第三序列进行后排序得到路径规划预测结果。
基于与预排序操作相同的理由，第三序列可以通过一个快速的后排序以少量的计算代价来对解实现质量的改进。将运输设备从仓库出发到回到仓库作为一个完整的路径，那么一个CARP问题所求的第三序列中/>中可能包括多个这种完整的路径，此时我们将其称为子路径，第三序列中/>每个子路径中元素的排序方式有可能并非是代价最小的，而每个子路径的运输过程实际上是独立的，因此我们可以对每个子路径基于预排序相同的准则从新进行一次排序，并且在确定连续的两个任务边之间由于其具有四个端点，基于/>无法确定子路径中经过这两条任务边的具体方向，因此排序同时可以确定子路径中如何经过所有的任务边，我们将上述过程称为后排序，第三序列/>经后排序后得到的即为路径规划最终预测结果。
如图3所示，步骤150包括步骤151~153：
步骤151、根据第三序列中车库对应的元素在第三序列中的排序位置将第三序列划分成多个子路径序列。
根据前述可知，运输设备完成一次从仓库出发到回到仓库为一个子路径，因此可以根据仓库锁对应的元素在第三序列中的位置将第三序列分割成多个子路径序列，以T＝4时的第三序列为例，根据v0在/>中的位置可以将其划分为第一子路径序列(v0，e3，e1，v0)和第二子路径序列(v0，e2，e4，v0)。
步骤152、以车库对应的元素作为第一元素对每个子路径的任务边排序得到后排序子路径序列。
将每个子路径序列作为独立的序列进行排序，其排序原则与预排序一致，以第一子路径序列为例，将车库对应的元素v0作为第一元素得到第一后排序子路径序列(v0)，将e3，e1对应的任务边中距离车库最小的任务边所对应的元素添加入(v0)得到第一后排序子路径序列(v0，e1)，需要说明的是，此处所指的距离同样是以经过代价为判断基准的而并非单纯的尺寸信息，继续从第一子路径序列中选取未被选取且非车库的任务边，判断选择距离上一选择元素对应的任务边距离最小的任务边，将其对应的元素添加入第一后排序子路径序列，直至所有非车库任务边选择完毕得到排序完成的第一后排序子路径序列(v0，e1，e3，v0)，同样的对第二子路径序列排序得到第二后排序子路径序列(v0，e2，e4，v0)。
步骤153、比较步骤152得到的后排序子路径序列中每个元素对应的任务边的起点和终点与上一个元素对应的任务边的终点之间的距离，选择距离较近的两点确定路径连接方向，连接完成后得到路径规划预测结果。
在对每个子路径序列排序后确定了每条子路径中任务边的经过顺序，但是相邻的任务边之间也有不同的经过方式，因此还需要确定相邻任务边之间的连接方向进而确定该子路径的连接方向，当所有子路径的连接方向都确定之后即可得到最终的路径规划预测结果。
继续以前述T＝4时示例详细说明：由第一后排序子路径序列(v0，e1，e3，v0)可以得知，运输设备路径为v0→e1→e3→v0，但是e1、e3所代表的任务边都各具有两个端点，因此从v0→e1有两种选择，在v0→e1确定时对应的e1→e3也有两种选择，因此需要对其进行进一步分析，为了方便描述，此处将无向的任务边表述为有方向的边即其两个端点分别为起点和终点，通过比较其起点和终点与上一条任务边的终点之间的距离来确定其连接方向。如v0→e1，比较e1的两个端点离v0的距离，选择最近的一个作为的起点，另一个端点作为/>的终点；比较e2的两个端点离/>起点的距离，选择最近的一个作为/>的起点，另一个端点作为/>的终点，运输设备从v0出发前往/>的起点，再从/>的终点出发前往/>的起点，再从/>的终点回到v0，第一子路径规划完成。当所有子路径规划完成后即可得到最终所求的路径规划预测结果。
本发明路径规划预测方法的工作原理：将CARP问题的求解过程建模为一个序列到序列的预测问题，从而借助深度神经网络进行求解预测，其预测结果通过学习已有的启发式算法结果进行训练，以实现求解质量更接近接近启发式求解器。
本实施例的技术方案，提出了一种基于深度神经网络的CARP问题求解方法，以替代现有的启发式求解器，本实施例提供的路径规划预测方法能够在达到启发式求解器求解质量的同时大大提高求解速度，并且在借助更强大的GPU能够达到更加显著的加速效果。
在上述方案中，通过预排序将无序的任务边集合根据其位置关系按照解的规律变成有序集合，提高了深度神经网络模型预测得到正确解的概率，利用图嵌入技术讲CARP问题中无法直接输入深度神经网络模型的信息转换为能够输入深度神经网络模型的数值向量，使用求解速度更快且能够在特定硬件上得到更高加速的神经网络模型进行预测极大的提高了CARP问题的求解速度，通过后排序利用较小的计算代价实现了对解的质量改进，该方案在保障CARP问题求解质量同时能够极大的提高求解速度。
实施例二
图4为本发明实施例二提供的一种路径规划预测方法流程图，本实施例在实施例一的基础上实现，如图4所示，在步骤110之前还包括：
步骤100、基于深度神经网络训练得到预先训练好的第一模型。
在一些实施例中，如图5所示，步骤110、基于深度神经网络训练得到预先训练好的第一模型(即第一模型的具体训练过程)包括步骤210～步骤280，具体如下：
步骤210、从训练样例集合中获取训练任务信息并确定对应的任务集合。
为了以达到接近启发式求解器的求解效果，需要提供大量的CARP样例对初始的编码器-解码器模型训练。训练样例集合中包括多个CARP样例的任务集合X＝{X1，X2，...，Xn}以及每个CARP样例对应的包括图结构信息和附加特征的任务信息，图结构信息包括CARP样例对应的任务边和车库的位置信息，附加特征包括CARP样例对应的任务边服务需求和容量约束信息等。每次训练会从训练样例集合中选取一个样例并获取其对应的任务信息，选取样例的同时会确定对应的任务集合Xk＝{v0，x1，x2，...，xT}，任务集合Xk中每个元素对应相应CARP样例中的一条任务边或车库。
步骤220、对任务集合Xk进行预排序得到第一训练序列。
预排序步骤与实施例一中相同，根据任务集合Xk中元素对应的任务边或车库之间的位置关系对任务集合Xk中的元素进行预排序得到第一训练序列
步骤230、利用图嵌入技术将第一训练序列的每个元素对应替换为第二训练序列的数值向量。
基于与实施例一相同的理由，训练样例中每条任务边的服务需求、容量约束、图像信息等无法通过第一训练序列输入深度神经网络模型，因此需要通过图嵌入技术将所有需要的信息转换为一个多维向量输入深度神经网络模型。根据第一训练序列/>阳对应的图形信息以及附加特征得到一个由多维向量组成的第二训练序列/>
步骤240、将第二训练序列中的数值向量输出基于深度神经网络的编码器-解码器模型得到第三训练序列。
将第二训练序列中的数值向量输入基于深度神经网络的编码器-解码器模型后，编码器-解码器模型会根据第二训练序列/>预测生成第三训练序列，具体如图6所示，包括步骤241～243：
步骤241、编码器逐步从第二训练序列中读取元素并生成一个隐状态序列对于i≤T，/>是/>对应的隐状态，/>由/>和/>作为输入计算得到。
步骤242、第二训练序列中所有元素都被编码器处理完成后，解码器根据自身上一步的输出确定当前步的输入，结合当前步的输入和解码器当前隐状态生成新的解码器隐状态，同时生成输出元素，解码器在工作起始前保持初始隐状态h0。
具体的，解码器的初始隐状态h′0为编码器的最后一步隐状态解码器的每个输出元素对应CARP样例中一条具体的任务边，当解码器自开始解码进行到第t步时，解码器根据其在第t-1步的输出来检索出它在当前第t步的输入，然后结合第t步的输入和第t-1步的隐状态/>生成第t步的隐状态/>如解码器在t-1步的输出为x1，则解码器在第t步的输入为/>然后结合/>生成/>同时在解码过程的每一步中，解码器会产生一个在/>中每个元素上的概率分布，选择其中概率最大的元素作为输出元素。
步骤243、将输出元素按输出顺序排序得到第三训练序列。
将步骤242中解码器输出的所有元素按照解码器的输出顺序排序得到第三训练序列即是编码器-解码器模型针对CARP样例进行的训练路径规划预测结果。
则在给定的前提下预测/>的条件概率/>可以通过下式表达：
式中θ是编码器-解码器模型的参数，由这个编码器-解码器模型计算得到的第三训练序列中第i个元素对应的条件概率。
步骤250、使用启发式求解器基于所述任务集合得到启发式求解序列。
启发式求解器的求解质量是现有的CARP问题求解方式中较好的，以此为标准对编码器-解码器模型进行训练可以提高编码器-解码器模型对CARP问题预测得到的解的质量。针对本实施例中给定的CARP样例集合X，使用启发式求解器可以生成对应的解集Y，即对于每个CARP样例Xn都有一个由启发式求解器求得的解Yn与之对应。
步骤260、比较所述第三训练序列与所述启发式求解序列得到预测误差。
第三训练序列预测结果与同一CARP样例对应的启发式求解序列Yn之间通常不会完全一致，因此需要比较二者之间的偏差程度，计算预测结果与计算结果间的预测误差。
步骤270、若预测误差未达到预期要求则基于预测误差对神经网络使用梯度下降算法进行学习并迭代进行上述训练。
在预测误差处于一个较小的范围内时可以视为编码器-解码器模型能够接近启发式求解器的求解质量，例如可以设置预测误差为百分之十作为预期要求，当预测误差超过百分之十时可以采用随机梯度下降法对模型参数θ进行调整，然后利用调整参数后的编码器-解码器模型继续上述步骤210～步骤260，并检测预测误差是否达到预期要求。或者可以设定一个给定时间作为固定时限，当训练达到固定时限后，也可认为编码器-解码器模型能够用来求解CARP问题。
步骤280、若所述预测误差达到预期要求则停止训练得到所述第一模型。
当预测误差达到预期要求时，可以认为此时的编码器-解码器模型能够达到预期的路径规划准确度要求，此时可以停止训练过程将此时的编码器-解码器作为第一模型使用。
需要说明的是，由于不同CARP样例得到的预测误差之间可能存在一定差异，无法保证每个CARP样例计算得到的预测误差都小于预期要求，因此在某些实施例中可以就整体而言当预测误差能够满足预期要求即可视为已经达到预期要求，在出现个别CARP样例计算得到的预测误差不满足预期要求时忽略不计。
本实施例进一步提供了实施例一中所使用的预先训练好的第一模型的训练流程，由于其基于本发明方案的特殊性，在对编码器-解码器模型训练之前需要对数据进行包括预排序和图嵌入转换的预处理，进而实现了深度神经网络在CARP问题求解的应用，提高了CARP问题求解速度，通过与启发式求解器求得的解比较偏差进而调整编码器-解码器模型的参数提高了利用编码器-解码器模型求解的质量。
实施例三
图7所示为本发明实施例三提供的一种路径规划预测装置300的结构示意图，该路径规划预测装置的具体结构如下：
第一获取模块310，用于根据任务信息建立第一集合，第一集合中每个元素对应一条任务边或车库。
任务信息包括图像信息和附加特征，图像信息包括任务边和车库的位置信息，附加特征包括任务边的服务需求、容量约束信息等。
预排序模块320，用于根据所述任务边或车库的位置关系对所述第一集合的元素进行预排序得到第一序列。
具体的，如图8所示，预排序模块320包括：
车库选取单元321，用于将第一集合中车库对应的元素作为预排序序列中的第一元素。
任务边选取单元322，用于迭代地从第一集合未被选取过的元素中，选取距离上一选取元素所代表的任务边最近的任务边所代表的元素，依序添加入预排序序列。
第一序列输出单元323，用于在第一集合中所有元素都被选择完毕后输出预排序序列得到所述第一序列。
转换模块330，用于根据所述第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将所述第一序列中的每个元素替换为对应的数值向量生成第二序列。
具体为：对第一序列中的每个元素利用公式进行图嵌入转换：
/>
式中，Q表示容量约束值，表示第一序列，e表示第一序列中的元素，μe为一个2l+4维向量表示e进行图嵌入技术转换后得到的第二序列的元素，/> 分别表示第一序列中的元素e所代表的任务边的起点和终点，/>分别表示将第一序列中的元素e所代表的任务边的起点和终点计算得到的l维的嵌入向量，d(e)表示e所代表的任务边上的服务需求，车库v0用一条虚拟的任务边e0＝(v0，v0)来替代，当v＝v0，则f(v)＝1，否则f(v)＝0。
预测模块340，用于将所述第二序列的数值向量输入预先训练好的第一模型以输出第三序列，所述第三序列中每个元素对应一条任务边或车库。
具体的，如图9所示，预测模块340还包括第一模型训练子模块3410，第一模型训练子模块3410包括：
任务集合确定单元3411，用于从训练样例集合中获取训练任务信息并确定对应的任务集合。
训练预排序单元3412，用于对任务集合进行预排序得到第一训练序列。
训练图嵌入单元3413，用于利用图嵌入技术将第一训练序列的每个元素对应替换为第二训练序列的数值向量。
训练预测单元3414，用于将第二训练序列中的数值向量输出基于神经网络的编码器-解码器模型得到第三训练序列。
具体包括：编码器逐步从第二训练序列中读取元素并生成一个隐状态序列；第二训练序列中所有元素都被编码器处理完成后，解码器根据自身上一步的输出确定当前步的输入，结合当前步的输入和解码器当前隐状态生成新的解码器隐状态，同时生成输出元素；将输出元素按其输出顺序排序得到所述第三训练序列。
启发式求解单元3415，用于使用启发式求解器基于任务集合和对应的任务信息得到启发式求解序列。
预测误差获取单元3416，用于比较第三训练序列与启发式求解序列得到预测误差。
迭代单元3417，用于当预测误差未达到预期要求，基于预测误差对神经网络使用梯度下降算法进行学习并迭代进行上述训练。
第一模型获取单元3418，用于当预测误差达到预期要求停止训练得到第一模型。
后排序模块350，用于根据所述任务边或车库的位置关系对所述第三序列进行后排序得到路径规划预测结果。
具体的，如图10所示，后排序模块350包括：
子路径划分单元351：用于根据第三序列中车库对应的元素在第三序列中的排序位置将第三序列划分成多个子路径序列。
子路径后排序单元352，用于以车库对应的元素作为第一元素对每个子路径的任务边排序得到后排序子路径序列。
路径连接单元353，用于比较后排序子路径序列中的每个元素对应的任务边的起点和终点与上一个元素对应的任务边的终点之间距离，选择距离较近的两点确定路径连接方向，连接完成后得到路径规划预测结果。
本实施例进一步提供了一种路径规划预测装置，通过预排序将CARP求解过程建模成序列到序列的预测问题，通过采用深度学习训练的到的第一模型对CARP问题求解，在达到接近启发式求解器的求解效果的同时，可以借助专用硬件如GPU计算显卡取得显著的加速，达到了求解速度更快的效果。
本发明实施例所提供了一种路径规划预测装置可执行本发明前述实施例所提供的任意一种路径规划预测方法，其具备执行方法相应的功能模块和有益效果。
实施例四
图11为本发明实施例四提供的一种路径规划预测设备400的结构示意图，如图11所示，该种路径规划预测设备包括存储器410、处理器420，路径规划预测设备中处理器420的数量可以是一个或多个，图11中以一个处理器420为例；路径规划预测设备中的存储器410、处理器420可以通过总线或其他方式连接，图11中以通过总线连接为例。
存储器40作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的路径规划预测方法对应的程序指令/模块(例如，路径规划预测装置中的第一获取模块310、预排序模块320、转换模块330、预测模块340、后排序模块350)。处理器420通过运行存储在存储器410中的软件程序、指令以及模块，从而执行路径规划预测设备的各种功能应用以及数据处理，即实现上述的路径规划预测方法。
其中，所述处理器420用于运行存储在存储器410中的计算机可执行程序，以实现如下步骤：步骤110、根据任务信息建立第一集合；步骤120、根据任务边或车库的位置关系对第一集合的元素进行预排序得到第一序列；步骤130、根据第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将第一序列中的每个元素替换为对应的数值向量生成第二序列；步骤140、将第二序列的数值向量输入预先训练好的第一模型以输出第三序列，第三序列中每个元素对应一条任务边或车库；步骤150、根据任务边或车库的位置关系对第三序列进行后排序得到路径规划预测结果。
当然,本发明实施例所提供的一种路径规划预测设备,该路径规划预测设备不限于如上所述的方法操作,还可以执行本发明实施例任意实施例所提供的路径规划预测方法中的相关操作。
存储器410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接至路径规划预测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述设备可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种路径规划预测方法，该路径规划预测方法包括：
根据任务信息建立第一集合，第一集合中每个元素对应一条任务边或车库；
根据任务边或车库的位置关系对第一集合的元素进行预排序得到第一序列；
根据第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将第一序列中的每个元素替换为对应的数值向量生成第二序列；
将第二序列的数值向量输入预先训练好的第一模型以输出第三序列，第三序列中每个元素对应一条任务边或车库；
根据任务边或车库的位置关系对第三序列进行后排序得到路径规划预测结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的路径规划预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，路径规划预测设备，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述路径规划预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种路径规划预测方法，其特征在于，包括：
根据任务信息建立第一集合，所述第一集合中每个元素对应一条任务边或车库；
根据所述任务边或车库的位置关系对所述第一集合的元素进行预排序得到第一序列；
根据所述第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将所述第一序列中的每个元素替换为对应的数值向量生成第二序列；
将所述第二序列的数值向量输入预先训练好的第一模型以输出第三序列，所述第三序列中每个元素对应一条任务边或车库；
根据所述任务边或车库的位置关系对所述第三序列进行后排序得到路径规划预测结果；
所述任务信息包括图像信息和附加特征，所述图像信息包括任务边和车库的位置信息，所述附加特征包括任务边的服务需求、容量约束信息；
所述第一模型的训练过程包括：
从训练样例集合中获取训练任务信息并确定对应的任务集合；
对所述任务集合进行预排序得到第一训练序列；
利用图嵌入技术将所述第一训练序列的每个元素对应替换为第二训练序列的数值向量；
将所述第二训练序列中的数值向量输出基于神经网络的编码器-解码器模型得到第三训练序列；
使用启发式求解器基于所述任务集合和对应的任务信息得到启发式求解序列；
比较所述第三训练序列与所述启发式求解序列得到预测误差；
若所述预测误差未达到预期要求则基于训练规划答案对神经网络使用梯度下降算法进行学习并迭代进行上述训练；
若所述预测误差达到预期要求则停止训练得到所述第一模型。
2.根据权利要求1所述的路径规划预测方法，其特征在于，所述根据所述任务边或车库的位置关系对所述第一集合的元素进行预排序得到第一序列包括：
将所述第一集合中车库对应的元素作为预排序序列中的第一元素；
迭代地从所述第一集合未被选取过的元素中，选取距离上一选取元素所代表的任务边最近的任务边所代表的元素，依序添加入所述预排序序列；
所述第一集合中所有元素都被选择完毕后输出所述预排序序列得到所述第一序列。
3.根据权利要求1所述的路径规划预测方法，其特征在于，所述根据所述第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将所述第一序列中的每个元素替换为对应的数值向量生成第二序列包括：
对所述第一序列中的每个元素利用公式进行图嵌入转换：
式中，Q表示容量约束值，表示所述第一序列，e表示所述第一序列中的元素，μe∈R2l+4表示μe为一个2l+4维向量，代表e进行图嵌入技术转换后得到的所述第二序列的元素，分别表示所述第一序列中的元素e所代表的任务边的起点和终点，分别表示将所述第一序列中的元素e所代表的任务边的起点和终点计算得到的l维的嵌入向量，d(e)表示e所代表的任务边上的服务需求，车库v0用一条虚拟的任务边e0＝(v0,v0)来替代，当v＝v0，则f(v)＝1，否则f(v)＝0。
4.根据权利要求3所述的路径规划预测方法，其特征在于，所述根据所述任务边或车库的位置关系对所述第三序列进行后排序得到路径规划预测结果包括：
根据所述第三序列中所述车库对应的元素在所述第三序列中的排序位置将所述第三序列划分成多个子路径序列；
以所述车库对应的元素作为第一元素对每个子路径的任务边排序得到后排序子路径序列；
比较得到的所述后排序子路径序列中的每个元素对应的任务边的起点和终点与上一个元素对应的任务边的终点之间距离，选择距离较近的两点确定路径连接方向，连接完成后得到所述路径规划预测结果。
5.根据权利要求1所述的路径规划预测方法，其特征在于，所述将所述第二训练序列中的数值向量输出基于神经网络的编码器-解码器模型得到第三训练序列包括：
编码器逐步从所述第二训练序列中读取元素并生成一个隐状态序列；
所述第二训练序列中所有元素都被所述编码器处理完成后，解码器根据自身上一步的输出确定当前步的输入，结合当前步的输入和解码器当前隐状态生成新的解码器隐状态，同时生成输出元素；
将所述输出元素按其输出顺序排序得到所述第三训练序列。
6.一种路径规划预测装置，其特征在于，包括：
第一获取模块，用于根据任务信息建立第一集合，所述第一集合中每个元素对应一条任务边或车库；
预排序模块，用于根据所述任务边或车库的位置关系对所述第一集合的元素进行预排序得到第一序列；
转换模块，用于根据所述第一序列中每个元素对应的图像信息和附加特征生成对应的数值向量，将所述第一序列中的每个元素替换为对应的数值向量生成第二序列；
预测模块，用于将所述第二序列的数值向量输入预先训练好的第一模型以输出第三序列，所述第三序列中每个元素对应一条任务边或车库；
后排序模块，用于根据所述任务边或车库的位置关系对所述第三序列进行后排序得到路径规划预测结果；
任务信息包括图像信息和附加特征，图像信息包括任务边和车库的位置信息，附加特征包括任务边的服务需求、容量约束信息等；
所述预测模块还包括第一模型训练子模块，所述第一模型训练子模块包括：
任务集合确定单元，用于从训练样例集合中获取训练任务信息并确定对应的任务集合；
训练预排序单元，用于对任务集合进行预排序得到第一训练序列；
训练图嵌入单元，用于利用图嵌入技术将第一训练序列的每个元素对应替换为第二训练序列的数值向量；
训练预测单元，用于将第二训练序列中的数值向量输出基于神经网络的编码器-解码器模型得到第三训练序列；
启发式求解单元，用于使用启发式求解器基于任务集合和对应的任务信息得到启发式求解序列；
预测误差获取单元，用于比较第三训练序列与启发式求解序列得到预测误差；
迭代单元，用于当预测误差未达到预期要求，基于预测误差对神经网络使用梯度下降算法进行学习并迭代进行上述训练；
第一模型获取单元，用于当预测误差达到预期要求停止训练得到第一模型。
7.一种路径规划预测设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5的路径规划预测方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被执行时实现如权利要求1-5任意一项所述的路径规划预测方法。
CN201910631663.6A 2019-07-12 2019-07-12 路径规划预测方法、装置、设备和计算机可读存储介质 Active CN110348636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910631663.6A CN110348636B (zh) 2019-07-12 2019-07-12 路径规划预测方法、装置、设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910631663.6A CN110348636B (zh) 2019-07-12 2019-07-12 路径规划预测方法、装置、设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110348636A CN110348636A (zh) 2019-10-18
CN110348636B true CN110348636B (zh) 2023-07-28

Family

ID=68176130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910631663.6A Active CN110348636B (zh) 2019-07-12 2019-07-12 路径规划预测方法、装置、设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110348636B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11409287B2 (en) * 2020-01-17 2022-08-09 Baidu Usa Llc Neural task planner for autonomous vehicles
CN111461403B (zh) * 2020-03-06 2023-09-29 上海汽车集团股份有限公司 车辆路径规划方法及装置、计算机可读存储介质、终端
CN111581946B (zh) * 2020-04-21 2023-10-13 上海爱数信息技术股份有限公司 一种语言序列模型解码方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2636537A1 (en) * 2008-06-30 2009-12-30 Autonomous Solutions, Inc. Vehicle dispatching method and system
CN102136104A (zh) * 2011-03-22 2011-07-27 西安电子科技大学 基于负载均衡和lk算法的车辆路径规划方法
CN108053067A (zh) * 2017-12-12 2018-05-18 深圳市易成自动驾驶技术有限公司 最优路径的规划方法、装置及计算机可读存储介质
WO2019094843A1 (en) * 2017-11-10 2019-05-16 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140249882A1 (en) * 2012-10-19 2014-09-04 The Curators Of The University Of Missouri System and Method of Stochastic Resource-Constrained Project Scheduling
US9494937B2 (en) * 2014-06-20 2016-11-15 Verizon Telematics Inc. Method and system for drone deliveries to vehicles in route
CN107101645B (zh) * 2017-05-05 2019-10-01 中国联合网络通信集团有限公司 一种路径规划方法及路径规划装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2636537A1 (en) * 2008-06-30 2009-12-30 Autonomous Solutions, Inc. Vehicle dispatching method and system
CN102136104A (zh) * 2011-03-22 2011-07-27 西安电子科技大学 基于负载均衡和lk算法的车辆路径规划方法
WO2019094843A1 (en) * 2017-11-10 2019-05-16 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
CN108053067A (zh) * 2017-12-12 2018-05-18 深圳市易成自动驾驶技术有限公司 最优路径的规划方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN110348636A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
AU2019279920B2 (en) Method and system for estimating time of arrival
CN110348636B (zh) 路径规划预测方法、装置、设备和计算机可读存储介质
Hug et al. Particle-based pedestrian path prediction using LSTM-MDL models
EP3916652A1 (en) A method and neural network trained by reinforcement learning to determine a constraint optimal route using a masking function
Ren et al. A multi-agent reinforcement learning method with route recorders for vehicle routing in supply chain management
Barbosa et al. The use of frontier techniques to identify efficient solutions for the Berth Allocation Problem solved with a hybrid evolutionary algorithm
CN110889530A (zh) 基于递归神经网络的目的地预测方法及服务器
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
Soulignac et al. Time-minimal path planning in dynamic current fields
CN115329683A (zh) 航空行李在线装载规划方法、装置、设备及介质
Dieter et al. Integrating driver behavior into last-mile delivery routing: Combining machine learning and optimization in a hybrid decision support framework
Rinciog et al. Fabricatio-rl: a reinforcement learning simulation framework for production scheduling
CN110728359B (zh) 搜索模型结构的方法、装置、设备和存储介质
CN112106021A (zh) 提供车辆导航模拟环境的方法和装置
Donandt et al. Short-term inland vessel trajectory prediction with encoder-decoder models
Huang et al. Dtpp: Differentiable joint conditional prediction and cost evaluation for tree policy planning in autonomous driving
CN115933554A (zh) 路径规划方法、路径规划模型及选择模型的训练方法
Bdeir et al. Attention, filling in the gaps for generalization in routing problems
CN114255616A (zh) 一种无动力船舶轨迹预测方法、装置、设备及存储介质
JP7464115B2 (ja) 学習装置、学習方法および学習プログラム
CN115146844A (zh) 一种基于多任务学习的多模式交通短时客流协同预测方法
CN110705695B (zh) 搜索模型结构的方法、装置、设备和存储介质
Chen et al. Q‐EANet: Implicit social modeling for trajectory prediction via experience‐anchored queries
Yin et al. BO-B&B: A hybrid algorithm based on Bayesian optimization and branch-and-bound for discrete network design problems
Guo et al. DRL Router: Distributional Reinforcement Learning-Based Router for Reliable Shortest Path Problems

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
GR01 Patent grant
GR01 Patent grant