CN112308372A - 数据和模型联合驱动的空地巡逻资源动态调度方法和系统 - Google Patents

数据和模型联合驱动的空地巡逻资源动态调度方法和系统 Download PDF

Info

Publication number
CN112308372A
CN112308372A CN202011005660.0A CN202011005660A CN112308372A CN 112308372 A CN112308372 A CN 112308372A CN 202011005660 A CN202011005660 A CN 202011005660A CN 112308372 A CN112308372 A CN 112308372A
Authority
CN
China
Prior art keywords
patrol
task
traffic
tasks
path
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
Application number
CN202011005660.0A
Other languages
English (en)
Inventor
罗贺
李娅
王国强
曹欣
李晓多
邵臻
朱默宁
余本功
胡笑旋
夏维
唐奕城
靳鹏
马华伟
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.)
Hefei University of Technology
Original Assignee
Hefei University of 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202011005660.0A priority Critical patent/CN112308372A/zh
Publication of CN112308372A publication Critical patent/CN112308372A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/04—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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Abstract

本发明提供一种数据和模型联合驱动的空地巡逻资源动态调度方法和系统，涉及交通巡逻领域。包括以下步骤：获取日常巡逻任务、应急巡逻任务和历史交通事件；对历史交通事件进行分析预测，得到预测交通巡逻任务；将日常巡逻任务、应急巡逻任务和预测交通巡逻任务一同作为交通巡逻任务；对交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；对交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；结合路面区域路网数据分析警员巡逻任务和警车巡逻任务，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据分析无人机巡逻任务，得到无人机规划巡逻路径。本发明提高了巡逻资源的利用率。

Description

数据和模型联合驱动的空地巡逻资源动态调度方法和系统
技术领域
本发明涉及交通巡逻技术领域，具体涉及一种数据和模型联合驱动的空地巡逻资源动态调度方法和系统。
背景技术
随着汽车保有量的迅速增加以及交通道路的日益复杂，每条道路上的通行车辆的数目也在增长，使得道路交通情况变得更加瞬息万变。随着道路上车辆数目的增加，道路交通情况变化多端，警情发生概率也在不断增大，一旦警情发生将可能对交通产生一系列负面影响。因此，为了及时发现并处置各种交通警情，需要对交通道路进行巡逻以消除负面影响，而对现有可用的巡逻资源进行合理部署是当前研究的一大热点。
现有技术一般通过安排警员进行人工巡逻或者安排无人机进行巡逻。其中警员巡逻一般按照责任区域划分的，一般有要求的路线，根据区域情况来安排，根据交警数量、区域面积和区域历史突发状况等进行区域划分，然后安排交警负责哪一部分区域。并且一旦安排部署后，长时间内不会变动。在巡逻时，每个要求路线上安装考勤系统，巡逻到此的时候，需要打卡的，便于监督。而无人机巡逻则是需要根据实际情况确定待巡逻区域，合理安排无人机巡逻组实施空中监控。
然而本申请的发明人发现，现有技术在对整块区域安排巡逻资源时，往往只会安排警员去巡逻，或者仅仅利用无人机巡逻，并未考虑到将二者相结合共同完成巡逻。因此现有技术在安排巡逻时具有资源利用率较低的缺点。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种数据和模型联合驱动的空地巡逻资源动态调度方法和系统，解决了现有技术巡逻时资源利用率低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明解决其技术问题所提供的一种数据和模型联合驱动的空地巡逻资源动态调度方法，所述调度方法由计算机执行，包括以下步骤：
获取日常巡逻任务、应急巡逻任务和历史交通事件；对所述历史交通事件进行分析预测，得到预测交通巡逻任务；将所述日常巡逻任务、所述应急巡逻任务和所述预测交通巡逻任务一同作为交通巡逻任务；对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；
结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；
结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对所述无人机巡逻任务进行分析，得到无人机规划巡逻路径。
优选的，所述对所述历史交通事件进行分析预测，包括：
统计所述历史交通事件的类型，并获取相应的历史交通事件数据；
基于预先构建的任务预测模型对所述历史交通事件数据进行处理，预测得到所述历史交通事件再次发生的概率；
当概率超过预设的阈值时，则将所述历史交通事件作为预测交通巡逻任务。
优选的，所述历史交通事件的类型包括：历史交通事故、历史路段流量和历史违规事件；
其中，所述历史交通事故对应的历史交通事件数据包括事故位置和事故时间；
所述历史路段流量对应的历史交通事件数据包括路段编号和路段随时间变化的流量值；
所述历史违规事件对应的历史交通事件数据包括事件位置和事件时间。
优选的，所述对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务，包括：
基于预先构建的任务聚类模型对所述交通巡逻任务进行处理，得到各个交通大队需要负责的交通巡逻任务；
其中，大队交通巡逻任务数据包括：交通大队编号、巡逻路段编号和巡逻点位置。
优选的，所述结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行匹配，包括：
获取交通巡逻任务的任务需求程度；
根据所述任务需求程度将交通巡逻任务分类，包括：警员巡逻任务、警车巡逻任务和无人机巡逻任务；
将分类后的交通巡逻任务分配给交通大队对应的巡逻资源。
优选的，所述将分类后的交通巡逻任务分配给交通大队对应的巡逻资源，包括：
将分类后的交通巡逻任务和对应的巡逻资源数据输入到预先构建的任务分配模型中，得到各个巡逻资源需要分别执行的警员巡逻任务、警车巡逻任务和无人机巡逻任务；
其中，所述巡逻资源数据包括：待命警员数量值、待命警车数量值和待命无人机数量值。
优选的，所述结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，包括：
将所述路面区域路网数据和所述警员巡逻任务对应的数据输入到预先构建的任务路径推荐模型中，得到警员推荐巡逻路径；
将所述路面区域路网数据和所述警车巡逻任务对应的数据输入到预先构建的任务路径推荐模型中，得到警车推荐巡逻路径；
所述路面区域路网数据包括：路径编号和路径拥堵概率；
所述警员巡逻任务对应的数据和所述警车巡逻任务对应的数据包括：巡逻路段位置数据和巡逻点位置数据。
优选的，所述结合天空区域路网数据对所述无人机巡逻任务进行分析，包括：
将所述天空区域路网数据和所述无人机巡逻任务对应的数据输入到预先构建的任务路径规划模型中，得到无人机规划巡逻路径；
所述天空区域路网数据包括：路径编号、路径允许安全飞行高度值；
所述无人机巡逻任务对应的数据包括：巡逻路段位置数据和巡逻点位置数据。
本发明解决其技术问题所提供的一种数据和模型联合驱动的空地巡逻资源动态调度系统，包括：
交通巡逻任务聚类模块，被配置为获取日常巡逻任务、应急巡逻任务和历史交通事件；对所述历史交通事件进行分析预测，得到预测交通巡逻任务；将所述日常巡逻任务、所述应急巡逻任务和所述预测交通巡逻任务一同作为交通巡逻任务；对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；
交通巡逻任务分配模块，被配置为结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；
路径推荐与规划模块，被配置为结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对所述无人机巡逻任务进行分析，得到无人机规划巡逻路径。
优选的，还包括：
所述交通巡逻任务聚类模块包括任务预测模型库和任务聚类模型库；所述任务预测模型库包含若干个预先构建的任务预测模型，用于对所述历史交通事件进行处理，得到预测交通巡逻任务；所述任务聚类模型库包含若干个预先构建的任务聚类模型，用于对所述交通巡逻任务进行处理，得到交通大队分属的交通巡逻任务；
所述交通巡逻任务分配模块包括任务分配模型库；所述任务分配模型库包含若干个预先构建的任务分配模型，用于对所述交通大队的交通巡逻任务进行处理，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；
所述路径推荐与规划模块包括任务路径推荐模型和任务路径规划模型；所述任务路径推荐模型库包含若干个预先构建的任务路径推荐模型，用于对警员巡逻任务和警车巡逻任务进行处理，得到警员推荐巡逻路径和警车推荐巡逻路径；所述任务路径规划模型库包含若干个预先构建的任务路径规划模型，用于对无人机巡逻任务进行处理，得到无人机规划巡逻路径。
(三)有益效果
本发明提供了一种数据和模型联合驱动的空地巡逻资源动态调度方法和系统。与现有技术相比，具备以下有益效果：
本发明通过获取日常巡逻任务、应急巡逻任务和历史交通事件；对历史交通事件进行分析预测，得到预测交通巡逻任务；将日常巡逻任务、应急巡逻任务和预测交通巡逻任务一同作为交通巡逻任务；对交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；结合每个交通大队的巡逻资源数据对交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；结合路面区域路网数据分别对警员巡逻任务和警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对无人机巡逻任务进行分析，得到无人机规划巡逻路径。本发明考虑到警员、警车和无人机三种资源，对每个大队的巡逻任务进行了分配，实现了资源的合理利用，使得每个巡逻任务都有适合的资源去执行，提高了资源利用率。
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为本发明实施例所提供的数据和模型联合驱动的空地巡逻资源动态调度方法的示意图；
图2为本发明实施例所提供的数据和模型联合驱动的空地巡逻资源动态调度方法的整体流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种数据和模型联合驱动的空地巡逻资源动态调度方法和系统，解决了现有技术资源利用率低问题，实现了巡逻资源利用率的提升。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例通过获取日常巡逻任务、应急巡逻任务和历史交通事件；对历史交通事件进行分析预测，得到预测交通巡逻任务；将日常巡逻任务、应急巡逻任务和预测交通巡逻任务一同作为交通巡逻任务；对交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；结合每个交通大队的巡逻资源数据对交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；结合路面区域路网数据分别对警员巡逻任务和警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对无人机巡逻任务进行分析，得到无人机规划巡逻路径。本发明实施例考虑到警员、警车和无人机三种资源，对每个大队的巡逻任务进行了分配，实现了资源的合理利用，使得每个巡逻任务都有适合的资源去执行，提高了资源利用率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种数据和模型联合驱动的空地巡逻资源动态调度方法，该方法由计算机执行，如图1所示，为本发明实施例的示意图；图2为本发明实施例的整体流程图。该方法包括以下步骤：
S1、获取日常巡逻任务、应急巡逻任务和历史交通事件；对所述历史交通事件进行分析预测，得到预测交通巡逻任务；将所述日常巡逻任务、所述应急巡逻任务和所述预测交通巡逻任务一同作为交通巡逻任务；对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；
S2、结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；
S3、结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对所述无人机巡逻任务进行分析，得到无人机规划巡逻路径。
本发明实施例通过获取日常巡逻任务、应急巡逻任务和历史交通事件；对历史交通事件进行分析预测，得到预测交通巡逻任务；将日常巡逻任务、应急巡逻任务和预测交通巡逻任务一同作为交通巡逻任务；对交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；结合每个交通大队的巡逻资源数据对交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；结合路面区域路网数据分别对警员巡逻任务和警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对无人机巡逻任务进行分析，得到无人机规划巡逻路径。本发明实施例考虑到警员、警车和无人机三种资源，对每个大队的巡逻任务进行了分配，实现了资源的合理利用，使得每个巡逻任务都有适合的资源去执行，提高了资源利用率。
下面对各步骤进行具体分析。
在步骤S1中，获取日常巡逻任务、应急巡逻任务和历史交通事件；对所述历史交通事件进行分析预测，得到预测交通巡逻任务；将所述日常巡逻任务、所述应急巡逻任务和所述预测交通巡逻任务一同作为交通巡逻任务；对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务。具体包括以下步骤：
S101、获取日常巡逻任务、应急巡逻任务和历史交通事件。
其中，日常巡逻任务和应急巡逻任务为交通局已经部署的需要执行的任务。均包括：固定路段巡逻任务和固定点巡逻任务。
历史交通事件为以往巡逻过程中发生的交通事件，包括：历史交通事故、历史路段流量和历史违规事件。
S102、对历史交通事件进行分析预测，得到预测交通巡逻任务。具体的，包括：
S1021、统计历史交通事件的类型，并获取相应的历史交通事件数据。
历史交通事故对应的历史交通事件数据包括：事故位置和事故时间。
历史路段流量对应的历史交通事件数据包括：路段编号和路段随时间变化的流量值。
历史违规事件对应的历史交通事件数据包括：事件位置和事件时间。
S1022、基于预先构建的任务预测模型对历史交通事件数据进行处理，预测得到历史交通事件再次发生的概率。
具体的，本发明实施例将预先构建的任务预测模型整理成任务预测模型库，包括：时间序列预测模型、马尔科夫预测模型、灰色预测模型和神经元网络模型。
S1023、当概率超过预设的阈值时，则将历史交通事件作为预测交通巡逻任务。
具体的，本发明实施例中，可设定阈值为0.625，该阈值可根据情况进行调整。
本发明实施例预测的巡逻任务的类型主要包括两种类型：特定路段巡逻任务、特定点巡逻任务。
其中，特定路段巡逻任务数据包括巡逻时间、巡逻路段编号。
特定点巡逻任务数据包括巡逻时间、巡逻地点位置。
S103、将日常巡逻任务、应急巡逻任务和预测交通巡逻任务一同作为交通巡逻任务。
本发明实施例将交通局已有的巡逻任务和获取到的预测任务共同作为交通巡逻任务去执行。
S104、对交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务。
具体的，基于预先构建的任务聚类模型对交通巡逻任务进行处理，得到各个交通大队需要负责的交通巡逻任务。
其中，交通巡逻任务的相关数据包括：交通大队编号、巡逻路段编号和巡逻点位置。
本发明实施例将预先构建的任务聚类模型共同整理为任务聚类模型库，包括：K-mean聚类模型、EM模型聚类模型和DBSCAN聚类模型。
在步骤S2中，结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务。
具体的，包括以下步骤：
S201、获取交通巡逻任务的任务需求程度。
具体的，交通巡逻任务的任务需求程度指任务执行内容复杂程度，包括：空中巡逻需求、路面远程巡逻需求和路面近程巡逻需求。其中，空中巡逻需求指需要无人机执行的任务；路面远程巡逻需求指距离较远而需要警车执行的任务；路面近程巡逻指距离较近无需警车仅警员即可执行的任务。
S202、根据任务需求程度将交通巡逻任务分类，包括：警员巡逻任务、警车巡逻任务和无人机巡逻任务。
具体的，根据任务需求程度确定每个交通巡逻任务由哪种巡逻资源去执行。
S203、将分类后的交通巡逻任务分配给各个交通大队的巡逻资源。
具体的，包括：将交通巡逻任务和巡逻资源数据输入到预先构建的任务分配模型中，得到各个巡逻资源需要分别执行的警员巡逻任务、警车巡逻任务和无人机巡逻任务。
其中，巡逻资源数据包括：待命警员数量值、待命警车数量值和待命无人机数量值。
本发明实施例将预先构建的任务分配模型共同整理为任务分配模型库，包括：混合整数规划模型和0-1规划模型。
在步骤S3中，结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对所述无人机巡逻任务进行分析，得到无人机规划巡逻路径。
具体的，路面路径推荐包括：
将路面区域路网数据和警员巡逻任务对应的数据输入到预先构建的任务路径推荐模型中，得到警员推荐巡逻路径。
将路面区域路网数据和警车巡逻任务对应的数据输入到预先构建的任务路径推荐模型中，得到警车推荐巡逻路径。
推荐巡逻路径指一定顺序的路径编号。
具体的，每一段路径都有一个编号，本发明实施例得到的推荐巡逻路径为一组路径编号顺序，用于推荐路径巡逻的顺序。
本发明实施例可以根据任务的位置数据，根据当前地面路网情况，推荐不同路径，例如用时最少，通行效率最高。
其中，路面区域路网数据包括：路径编号和路径拥堵概率。
警员巡逻任务和警车巡逻任务对应的数据包括：巡逻路段位置数据和巡逻点位置数据。
本发明实施例将预先构建的任务路径推荐模型整理成任务路径推荐模型库，包括：Dijkstra模型、最佳优先搜索模型。
空中路径规划包括：
将天空区域路网数据和无人机巡逻任务对应的数据输入到预先构建的任务路径规划模型中，得到无人机规划巡逻路径。
无人机规划巡逻路径指一定顺序的路径编号和对应飞行高度。
本发明实施例根据任务的位置数据，根据当前空中情况，形成无人机的飞行路径。
天空区域路网数据包括：路径编号、路径允许安全飞行高度值；
无人机巡逻任务对应的数据包括：巡逻路段位置数据和巡逻点位置数据。
本发明实施例将预先构建的任务路径规划模型整理成任务路径规划模型库，包括：Dijkstra模型、最佳优先搜索模型、Dubins路径规划模型。
在本发明实施例中，以市交通局的巡逻为例介绍本发明。具体的，通过步骤S1将市交通局的日常巡逻任务、应急巡逻任务和预测交通巡逻任务进行聚类，得到每个区交通大队需要执行的任务。即为图1中的交通巡逻任务聚类模块。再通过步骤S2将每个区交通大队需要执行的任务分配到具体的警员、警车和无人机。即为图1中的交通巡逻任务分配模块。最终利用步骤S3对每个资源的任务进行巡逻路径推荐或规划。即为图1中的路径推荐与规划模块。
本发明实施例还提供了一种数据和模型联合驱动的空地巡逻资源动态调度系统，上述系统包括：
交通巡逻任务聚类模块，被配置为获取日常巡逻任务、应急巡逻任务和历史交通事件；对所述历史交通事件进行分析预测，得到预测交通巡逻任务；将所述日常巡逻任务、所述应急巡逻任务和所述预测交通巡逻任务一同作为交通巡逻任务；对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；
交通巡逻任务分配模块，被配置为结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；
路径推荐与规划模块，被配置为结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对所述无人机巡逻任务进行分析，得到无人机规划巡逻路径。
可理解的是，本发明实施例提供的上述调度系统与上述调度方法相对应，其有关内容的解释、举例、有益效果等部分可以参考数据和模型联合驱动的空地巡逻资源动态调度方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
本发明实施例通过获取日常巡逻任务、应急巡逻任务和历史交通事件；对历史交通事件进行分析预测，得到预测交通巡逻任务；将日常巡逻任务、应急巡逻任务和预测交通巡逻任务一同作为交通巡逻任务；对交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；结合每个交通大队的巡逻资源数据对交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；结合路面区域路网数据分别对警员巡逻任务和警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对无人机巡逻任务进行分析，得到无人机规划巡逻路径。本发明实施例考虑到警员、警车和无人机三种资源，对每个大队的巡逻任务进行了分配，实现了资源的合理利用，使得每个巡逻任务都有适合的资源去执行，提高了资源利用率。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述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ROM/RAM、磁碟、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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种数据和模型联合驱动的空地巡逻资源动态调度方法，所述调度方法由计算机执行，其特征在于，包括以下步骤：
获取日常巡逻任务、应急巡逻任务和历史交通事件；对所述历史交通事件进行分析预测，得到预测交通巡逻任务；将所述日常巡逻任务、所述应急巡逻任务和所述预测交通巡逻任务一同作为交通巡逻任务；对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；
结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；
结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对所述无人机巡逻任务进行分析，得到无人机规划巡逻路径。
2.根据权利要求1所述的调度方法，其特征在于，所述对所述历史交通事件进行分析预测，包括：
统计所述历史交通事件的类型，并获取相应的历史交通事件数据；
基于预先构建的任务预测模型对所述历史交通事件数据进行处理，预测得到所述历史交通事件再次发生的概率；
当概率超过预设的阈值时，则将所述历史交通事件作为预测交通巡逻任务。
3.根据权利要求2所述的调度方法，其特征在于，所述历史交通事件的类型包括：历史交通事故、历史路段流量和历史违规事件；
其中，所述历史交通事故对应的历史交通事件数据包括事故位置和事故时间；
所述历史路段流量对应的历史交通事件数据包括路段编号和路段随时间变化的流量值；
所述历史违规事件对应的历史交通事件数据包括事件位置和事件时间。
4.根据权利要求1所述的调度方法，其特征在于，所述对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务，包括：
基于预先构建的任务聚类模型对所述交通巡逻任务进行处理，得到各个交通大队需要负责的交通巡逻任务；
其中，大队交通巡逻任务数据包括：交通大队编号、巡逻路段编号和巡逻点位置。
5.根据权利要求1所述的调度方法，其特征在于，所述结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行匹配，包括：
获取交通巡逻任务的任务需求程度；
根据所述任务需求程度将交通巡逻任务分类，包括：警员巡逻任务、警车巡逻任务和无人机巡逻任务；
将分类后的交通巡逻任务分配给交通大队对应的巡逻资源。
6.根据权利要求5所述的调度方法，其特征在于，所述将分类后的交通巡逻任务分配给交通大队对应的巡逻资源，包括：
将分类后的交通巡逻任务和对应的巡逻资源数据输入到预先构建的任务分配模型中，得到各个巡逻资源需要分别执行的警员巡逻任务、警车巡逻任务和无人机巡逻任务；
其中，所述巡逻资源数据包括：待命警员数量值、待命警车数量值和待命无人机数量值。
7.根据权利要求1所述的调度方法，其特征在于，所述结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，包括：
将所述路面区域路网数据和所述警员巡逻任务对应的数据输入到预先构建的任务路径推荐模型中，得到警员推荐巡逻路径；
将所述路面区域路网数据和所述警车巡逻任务对应的数据输入到预先构建的任务路径推荐模型中，得到警车推荐巡逻路径；
所述路面区域路网数据包括：路径编号和路径拥堵概率；
所述警员巡逻任务对应的数据和所述警车巡逻任务对应的数据包括：巡逻路段位置数据和巡逻点位置数据。
8.根据权利要求1所述的调度方法，其特征在于，所述结合天空区域路网数据对所述无人机巡逻任务进行分析，包括：
将所述天空区域路网数据和所述无人机巡逻任务对应的数据输入到预先构建的任务路径规划模型中，得到无人机规划巡逻路径；
所述天空区域路网数据包括：路径编号、路径允许安全飞行高度值；
所述无人机巡逻任务对应的数据包括：巡逻路段位置数据和巡逻点位置数据。
9.一种数据和模型联合驱动的空地巡逻资源动态调度系统，其特征在于，包括：
交通巡逻任务聚类模块，被配置为获取日常巡逻任务、应急巡逻任务和历史交通事件；对所述历史交通事件进行分析预测，得到预测交通巡逻任务；将所述日常巡逻任务、所述应急巡逻任务和所述预测交通巡逻任务一同作为交通巡逻任务；对所述交通巡逻任务进行任务聚类处理，得到各个交通大队分属的交通巡逻任务；
交通巡逻任务分配模块，被配置为结合交通大队的巡逻资源数据分别对每个交通大队分属的交通巡逻任务进行分配，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；
路径推荐与规划模块，被配置为结合路面区域路网数据分别对所述警员巡逻任务和所述警车巡逻任务进行分析，得到警员推荐巡逻路径和警车推荐巡逻路径；结合天空区域路网数据对所述无人机巡逻任务进行分析，得到无人机规划巡逻路径。
10.根据权利要求9所述的调度系统，其特征在于，还包括：
所述交通巡逻任务聚类模块包括任务预测模型库和任务聚类模型库；所述任务预测模型库包含若干个预先构建的任务预测模型，用于对所述历史交通事件进行处理，得到预测交通巡逻任务；所述任务聚类模型库包含若干个预先构建的任务聚类模型，用于对所述交通巡逻任务进行处理，得到交通大队分属的交通巡逻任务；
所述交通巡逻任务分配模块包括任务分配模型库；所述任务分配模型库包含若干个预先构建的任务分配模型，用于对所述交通大队的交通巡逻任务进行处理，得到警员巡逻任务、警车巡逻任务和无人机巡逻任务；
所述路径推荐与规划模块包括任务路径推荐模型和任务路径规划模型；所述任务路径推荐模型库包含若干个预先构建的任务路径推荐模型，用于对警员巡逻任务和警车巡逻任务进行处理，得到警员推荐巡逻路径和警车推荐巡逻路径；所述任务路径规划模型库包含若干个预先构建的任务路径规划模型，用于对无人机巡逻任务进行处理，得到无人机规划巡逻路径。
CN202011005660.0A 2020-09-22 2020-09-22 数据和模型联合驱动的空地巡逻资源动态调度方法和系统 Pending CN112308372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011005660.0A CN112308372A (zh) 2020-09-22 2020-09-22 数据和模型联合驱动的空地巡逻资源动态调度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011005660.0A CN112308372A (zh) 2020-09-22 2020-09-22 数据和模型联合驱动的空地巡逻资源动态调度方法和系统

Publications (1)

Publication Number Publication Date
CN112308372A true CN112308372A (zh) 2021-02-02

Family

ID=74489107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011005660.0A Pending CN112308372A (zh) 2020-09-22 2020-09-22 数据和模型联合驱动的空地巡逻资源动态调度方法和系统

Country Status (1)

Country Link
CN (1) CN112308372A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113242556A (zh) * 2021-06-04 2021-08-10 重庆邮电大学 一种基于差异化服务的无人机资源动态部署方法
CN113379159A (zh) * 2021-07-05 2021-09-10 南京工程学院 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法
CN117037501A (zh) * 2023-10-10 2023-11-10 成都创一博通科技有限公司 基于人工智能的城市停车管理方法和管理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8229658B1 (en) * 2009-01-24 2012-07-24 Steve Dabell Method and apparatus for predicting locations and schedules of law enforcement traffic patrols
US20170098181A1 (en) * 2015-10-06 2017-04-06 Numerica Corporation Systems and methods for dynamically generating patrol schedules based on historic demand data
CN106845732A (zh) * 2017-02-20 2017-06-13 浙江大学 一种卫星式物流快递配送方法
CN108171456A (zh) * 2017-12-27 2018-06-15 武汉摩索科技有限公司 一种长短途多模式货物配送服务系统
CN110852470A (zh) * 2019-09-20 2020-02-28 合肥工业大学 无人机与车辆协同下交通巡逻任务分配的优化方法
CN111161443A (zh) * 2019-01-17 2020-05-15 浙江诸暨美数信息科技有限公司 一种基于历史数据的巡逻路径设置方法
CN111273691A (zh) * 2020-02-21 2020-06-12 苏州禺疆船艇科技有限公司 一种基于多约束条件的多无人机巡逻任务规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8229658B1 (en) * 2009-01-24 2012-07-24 Steve Dabell Method and apparatus for predicting locations and schedules of law enforcement traffic patrols
US20170098181A1 (en) * 2015-10-06 2017-04-06 Numerica Corporation Systems and methods for dynamically generating patrol schedules based on historic demand data
CN106845732A (zh) * 2017-02-20 2017-06-13 浙江大学 一种卫星式物流快递配送方法
CN108171456A (zh) * 2017-12-27 2018-06-15 武汉摩索科技有限公司 一种长短途多模式货物配送服务系统
CN111161443A (zh) * 2019-01-17 2020-05-15 浙江诸暨美数信息科技有限公司 一种基于历史数据的巡逻路径设置方法
CN110852470A (zh) * 2019-09-20 2020-02-28 合肥工业大学 无人机与车辆协同下交通巡逻任务分配的优化方法
CN111273691A (zh) * 2020-02-21 2020-06-12 苏州禺疆船艇科技有限公司 一种基于多约束条件的多无人机巡逻任务规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鲍劲松等: "《海洋装备数字化工程》", 上海科学技术出版社, pages: 287 - 290 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113242556A (zh) * 2021-06-04 2021-08-10 重庆邮电大学 一种基于差异化服务的无人机资源动态部署方法
CN113379159A (zh) * 2021-07-05 2021-09-10 南京工程学院 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法
CN113379159B (zh) * 2021-07-05 2024-01-02 南京工程学院 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法
CN117037501A (zh) * 2023-10-10 2023-11-10 成都创一博通科技有限公司 基于人工智能的城市停车管理方法和管理系统
CN117037501B (zh) * 2023-10-10 2023-12-12 成都创一博通科技有限公司 基于人工智能的城市停车管理方法和管理系统

Similar Documents

Publication Publication Date Title
CN110378824B (zh) 一种公安交管数据大脑及构建方法
CN112308372A (zh) 数据和模型联合驱动的空地巡逻资源动态调度方法和系统
Bischoff et al. City-wide shared taxis: A simulation study in Berlin
Nama et al. Machine learning‐based traffic scheduling techniques for intelligent transportation system: Opportunities and challenges
CN107169677B (zh) 一种民用机场机坪保障车辆集中式调度指挥系统
Fiedler et al. The impact of ridesharing in mobility-on-demand systems: Simulation case study in Prague
CN109145954A (zh) 一种基于多源时空数据的网约车出行安全评价方法及系统
US11049389B2 (en) Accident prevention device
US11436923B2 (en) Proactive sensing systems and methods for intelligent road infrastructure systems
CN110807930A (zh) 危险车辆预警方法及装置
US20210142596A1 (en) Vehicle vocation method
CN110807917A (zh) 一种基于云计算的高速公路智能安防系统
CN114220259B (zh) 一种基于数据融合的高速公路应急控制方法
Roopa et al. Dynamic management of traffic signals through social IoT
CN109118769A (zh) 一种基于交通监测数据的路段自由流速度挖掘方法
CN115456464A (zh) 车辆调度系统及其方法
CN116564079A (zh) 路段交通拥堵识别方法、装置、设备及可读存储介质
Goumiri et al. Smart Mobility in Smart Cities: Emerging challenges, recent advances and future directions
CN112349092B (zh) 空地协同下的交通巡逻业务管控方法、系统和存储介质
Oskarbski et al. Reliability and safety as an objective of intelligent transport systems in urban areas
Kabashkin Dependability of v2i services in the communication network of the intelligent transport systems
Bubelíny et al. The use of smart elements for the transport operation in the slovak cities
Chan Telecommunications-and information technology–inspired analyses: review of an intelligent transportation systems experience
Hayashi et al. Prioritization of Lane-based Traffic Jam Detection for Automotive Navigation System utilizing Suddenness Index Calculation Method for Aggregated Values
CN113610464B (zh) 一种基于物联网及通信技术的智能车联网智慧平台

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