CN112434854A - 智慧环卫管理方法、装置、计算机设备及可读介质 - Google Patents
智慧环卫管理方法、装置、计算机设备及可读介质 Download PDFInfo
- Publication number
- CN112434854A CN112434854A CN202011327561.4A CN202011327561A CN112434854A CN 112434854 A CN112434854 A CN 112434854A CN 202011327561 A CN202011327561 A CN 202011327561A CN 112434854 A CN112434854 A CN 112434854A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- recovery
- information
- garbage
- cost
- 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.)
- Granted
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智慧环卫管理方法、装置、计算机设备及可读介质,该方法包括:确定待收运的垃圾桶,根据各垃圾桶的位置信息形成至少两条回收路线;遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条回收路线对应的回收成本;选择所述回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;其中,所述预测模型为利用具有回收成本标签的历史收运数据训练得到,所述历史收运数据包括路况信息和车辆信息;本发明利用机器学习技术,以成本节约最优、收运效率最快作为约束条件,合理规划收运车辆以及对应的收运路线,实现环卫资源的合理分配。
Description
技术领域
本发明属于废弃物清理技术领域,更具体地,涉及一种智慧环卫管理方法、装置、计算机设备及可读介质。
背景技术
随着城市化进程的加速发展,城市人口急剧增加,城市交通面临严峻考验,城市的环卫工作也正在承受着前所未有的压力。目前,各大城市都在不断加大环卫建设的投入,通过多年的建设,各地都配备了先进的机械清扫设备。但是社区垃圾的清运运输处理依然采取的是传统的工作模式,即由垃圾清运公司人工对垃圾收集点的垃圾箱逐一清理。
对于道路交通日益紧张的一些城市来说,垃圾清扫车占用了太多的道路资源;且由于每次清运都是按照固定时间、固定路线将所有垃圾桶全部清理,很多垃圾桶其实无需清理,这样就导致垃圾清运车辆工作路径繁琐,里程长、占时多、能耗高等问题;由于没有事先统筹计划,回收工作的决策只能凭借经验,没有可靠数据来源进行支持,造成了环卫资源分配不均,影响了周边环境。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种智慧环卫管理方法、装置、计算机设备及可读介质,其目的在于解决目前的垃圾清运工作存在的车辆收运路径固定繁琐、里程长、占时多、能耗高的问题。
为实现上述目的,按照本发明的第一个方面,提供了一种智慧环卫管理方法,包括:
确定待收运的垃圾桶,根据各垃圾桶的位置信息形成至少两条回收路线;
遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条所述回收路线对应的回收成本;
选择所述回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;
其中,所述预测模型为利用具有回收成本标签的历史收运数据训练得到,所述历史收运数据包括路况信息和车辆信息。
优选的,上述智慧环卫管理方法,所述得到每条回收路线对应的回收成本的方法包括:
计算每条回收路线中任意两个垃圾桶之间的行驶路径对应的回收成本;
将所有行驶路径对应的回收成本之和作为回收路线的回收成本。
优选的,上述智慧环卫管理方法,所述将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,包括:
对所述路况信息、车辆参数信息进行特征提取,得到由路况信息和车辆参数信息组合而成的特征矩阵;
将所述特征矩阵输入已训练好的预测模型中。
优选的,上述智慧环卫管理方法,所述车辆参数信息包括车辆型号、车辆使用年限、车辆平均油耗以及驾驶者薪资;
所述路况信息包括是否节假日、是否上下班高峰时段以及车道信息。
优选的,上述智慧环卫管理方法,所述确定待收运的各垃圾桶的位置信息的方法包括:
获取区域内所有垃圾桶的状态数据,根据所述状态数据确定当前待收运的垃圾桶并获取待收运的各垃圾桶的位置信息;
所述状态数据包括垃圾桶内的垃圾量、温度、湿度、空气质量指数中的任意一种或多种。
优选的,上述智慧环卫管理方法,所述预测模型的训练过程包括:
获取历史收运数据及其对应的回收成本标签;
对所述历史收运数据中的路况信息、车辆参数信息进行特征提取,得到由路况特征和车辆参数特征组合而成的样本特征矩阵;
根据所述历史收运数据对应的样本特征矩阵与回收成本标签得到训练集;
根据所述训练集进行模型训练,得到训练好的预测模型。
优选的,上述智慧环卫管理方法,所述根据所述训练集进行模型训练,得到训练好的预测模型,包括:
通过待训练的预测模型,根据所述样本特征矩阵生成两个待回收的垃圾桶之间的行驶路径对应的回收成本预测数据;
计算所述回收成本预测数据与相应的回收成本标签之间的误差,并根据所述误差反向调整所述待训练的预测模型的模型参数;
返回至所述通过待训练的预测模型,根据所述样本特征矩阵生成两个待回收的垃圾桶之间的形式路径对应的回收成本预测数据的步骤继续执行,直至满足迭代停止条件,停止迭代,得到已训练好的预测模型。
按照本发明的第二个方面,还提供了一种智慧环卫管理装置,该装置包括:
路线生成模块,用于确定待收运的垃圾桶,根据各垃圾桶的位置信息形成至少两条回收路线;
预测模块,用于遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条所述回收路线对应的回收成本;
输出模块,选择所述回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;
其中,所述预测模型为利用具有回收成本标签的历史收运数据训练得到,所述历史收运数据包括路况信息和车辆信息。
按照本发明的第三个方面,还提供了一种计算机设备,其包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述计算机程序被所述处理单元执行时,使得所述处理单元执行上述任一项所述方法的步骤。
按照本发明的第四个方面,还提供了一种计算机可读介质,其存储有可由计算机设备执行的计算机程序,当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明提供的一种智慧环卫管理方法、装置、计算机设备及可读介质,确定待收运的垃圾桶并根据各垃圾桶的位置信息形成至少两条回收路线;遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条回收路线对应的回收成本;选择回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;本发明能够合理规划收运车辆以及对应的收运路线,在提高清收效率的情况下尽可能节约成本,实现环卫资源的合理分配。
附图说明
图1是本发明实施例提供的智慧环卫管理系统的一种组成架构示意图;
图2是本发明实施例提供的后台服务器的一种组成结构示意图;
图3是本发明实施例提供的智慧环卫管理方法的流程示意图;
图4是本发明实施例提供的预测模型的训练过程的流程示意图;
图5是本发明实施例提供的预测模型的一种网络结构示意图;
图6是本发明实施例提供的智慧环卫管理装置的逻辑框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请提供的智慧环卫管理方案以成本节约最优、收运效率最快作为约束条件,合理规划收运车辆以及对应的收运路线,实现环卫资源的合理分配,有效解决目前的垃圾清运工作存在的车辆收运路径固定繁琐、里程长、占时多、能耗高等问题。
为了便于理解,本文中先对本申请提供的智慧环卫管理方案所适用的系统场景进行介绍,参见图1,其示出了本申请一种智慧环卫管理系统的一种组成架构示意图。
该系统中可以包括有:终端100、后台服务器200和物联网设备300,终端100、物联网设备300与后台服务器200之间通过网络实现通信连接。本示例中,每个垃圾桶均配备有物联网设备300,所述的物联网设备300包括但不限于距离传感器、空气质量监测设备、温度传感器、湿度传感器等设备,其中,距离传感器主要通过探测垃圾桶内的废弃物距离垃圾桶开口处的距离来检测垃圾桶内的废弃物的总量;空气质量监测设备主要用于检测垃圾桶附近的空气质量指数,在一个具体示例中,该空气质量指数通过空气中的负氧离子浓度,或者二氧化氮、二氧化硫、一氧化碳、臭氧、挥发性有机化合物等污染物的浓度来表征;温度传感器、湿度传感器分别用于探测垃圾桶内的温度和湿度。
后台服务器200通过网络获取物联网设备300采集的各项数据指标,确定当前需要进行收运的垃圾桶及其位置信息,并规划出回收成本最低的回收路线以及回收车辆;后台服务器200将该回收路线以及回收车辆信息通过网络下发给终端100,持有终端100的环卫管理人员能够通过终端100上的应用界面及时获取相应的回收路线以及回收车辆,从而执行后续的垃圾清收工作。
终端100可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,在一个具体示例中,该终端100内安装有环卫管理APP和GIS地图,主要用于获取后台服务器200下发的回收路线以及回收车辆信息并进行可视化显示,其中,GIS地图用于显示后台服务器200下发的回收路线和途径的收运点。此外,环卫管理app可以在GIS地图上以图标方式显示当前所有人员、车辆、视频监控、物联网设备的实时位置,环卫管理人员可以在环卫管理app上直观地查看和管理所有的物联网设备。
需要说明的是,以上是以后台服务器为一台独立的服务器为例进行说明,但是可以理解的是,在实际应用中,服务器也可以被替换为服务器集群,或者由多台服务器构成的分布式集群。
其中,为了实现后台服务器上相应的功能,后台服务器的存储器中需要存储实现相应功能的计算机程序。为了便于理解各个服务器的硬件构成,下面以后台服务器为例进行介绍。如图2所示,为本申请的后台服务器的一种组成结构示意图,本实施例中的后台服务器200可以包括:处理器201、存储器202、通信接口203、输入单元204、显示器205和通信总线206。
其中,处理器201、存储器202、通信接口203、输入单元204、显示器205、均通过通信总线206完成相互间的通信。
在本实施例中,该处理器201,可以为中央处理器(Central Processing Unit,CPU),特定应用集成电路,数字信号处理器、现成可编程门阵列或者其他可编程逻辑器件等。
该处理器201可以调用存储器202中存储的程序。具体的,处理器201可以执行以下智慧环卫管理方法的实施例中服务器侧所执行的操作。
存储器202中用于存放一个或者一个以上程序,程序可以包括程序代码,所述程序代码包括计算机操作指令,在本申请实施例中,该存储器中至少存储有用于实现以下功能的程序:
确定待收运的垃圾桶,根据各垃圾桶的位置信息形成至少两条回收路线;
遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条所述回收路线对应的回收成本;
选择所述回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;
其中,所述预测模型为利用具有回收成本标签的历史收运数据训练得到,所述历史收运数据包括路况信息和车辆信息。
在一种可能的实现方式中,该存储器202可以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、以及至少一个功能所需的应用程序等;存储数据区可存储根据计算机的使用过程中所创建的数据,比如,垃圾桶的位置信息、人员、车辆信息,以及物联网设备与垃圾桶之间的映射关系等等。
此外,存储器202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或其他易失性固态存储器件。
该通信接口203可以为通信模块的接口,如GSM模块的接口。
当然,图2所示的服务器的结构并不构成对本申请实施例中服务器的限定,在实际应用中服务器可以包括比图2所示的更多或更少的部件,或者组合某些部件。
结合以上共性,参见图3,本实施例示出了一种智慧环卫管理方法的流程示意图,本实施例中的方法包括以下步骤:
步骤301,确定待收运的垃圾桶,根据各垃圾桶的位置信息形成至少两条回收路线;
其中,待收运的各垃圾桶基于每个垃圾桶当前的状态数据进行确定,该状态数据包括废弃物的总量、空气质量指数、温度和湿度中的任意一种或多种;举例说明,当某个垃圾桶中的废弃物总量高于预设的第一阈值,则确定该垃圾桶为当前待收运的垃圾桶;或者,若某个垃圾桶中的废弃物总量低于预设的第一阈值,但是对应的空气质量指数(污染物浓度)高于预设的第二阈值,则确定该垃圾桶为当前待收运的垃圾桶;确定待收运的垃圾桶的条件多种多种,此处不一一列举。
在一个具体的示例中,后台服务器按照预设的时间周期定时获取各垃圾桶对应的物联网设备采集的状态数据,根据预设的判定条件确定当前待收运的垃圾桶。预设的时间周期可自定义,比如6小时。
在一个具体的示例中,确定待收运的垃圾桶之后,后台服务器根据待收运的各垃圾桶的位置信息形成回收路线,该回收线路的确定方式不作具体限制,但回收路线的数量不少于两个。
步骤302,遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条回收路线对应的回收成本;
其中,预测模型为利用具有回收成本标签的历史收运数据训练得到,历史收运数据包括路况信息和车辆信息;
在一个具体的示例中,得到每条回收路线对应的回收成本的方法包括:
首先预测每条回收路线中任意两个垃圾桶之间的行驶路径对应的回收成本;然后将所有行驶路径对应的回收成本之和作为回收路线的回收成本。
在一个具体示例中,回收成本包括时间成本和费用成本,该时间成本是按照预设的转换规则将回收时间换算得到的成本,费用成本包括车辆油耗、车辆保养、人员工资等。
在一个优选的示例中,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,包括:
对路况信息、车辆参数信息进行特征提取,得到由路况信息和车辆参数信息组合而成的特征矩阵;将特征矩阵输入已训练好的预测模型中。
在一个具体的示例中,车辆参数信息包括车辆型号、车辆使用年限、车辆平均油耗以及驾驶者薪资;路况信息包括是否节假日、是否上下班高峰时段以及车道信息。举例说明:对路况信息、车辆参数信息进行特征提取后,得到的特征矩阵为[x1,x2,x3,x4,x5,x6,x7],其中,x1表示车辆型号,x2表示车辆使用年限,x3表示车辆平均油耗,x4表示司机工资,x5表示是否节假日,x6表示是否上下班高峰时段,x7表示车道信息,如双向四车道、双向六车道等;将该特征矩阵输入已训练好的预测模型中。
预测模型是基于预先获取的第一训练样本集训练得到的、能够根据特征矩阵预测得到任意两个垃圾桶之间的行驶路线对应的回收成本的模型;第一训练样本集包括历史收运数据对应的特征矩阵与样本标签;特征矩阵是由历史收运数据中的路况特征和车辆参数特征组合而成。样本标签为期望输出的、历史收运数据对应的实际回收成本数据。
具体地,在模型训练阶段,服务器获取历史收运数据,每个历史收运数据具有预先配置的回收成本标签,对每个历史收运数据进行特征提取得到由历史收运数据中的路况特征和车辆参数特征组合而成的特征矩阵,并根据各历史收运数据对应的特征矩阵与回收成本标签得到第一训练样本集,进而根据该第一训练样本集进行模型训练,得到训练好的预测模型。在模型应用阶段,后台服务器在根据待收运的垃圾桶确定回收路线之后,分别根据每一条回收路线对应的路况特征以及车辆参数特征组合形成特征矩阵,将该特征矩阵输入已训练好的预测模型中,通过该预测模型根据该特征矩阵对回收路线进行处理,预测输出相应的回收成本。按照此种方式,遍历当前处于闲置状态的所有车辆,得到同一回收路线组合不同闲置车辆时对应的回收成本;其他回收路线的回收成本的计算方式相同,最后得到各条回收路线分别组合不同闲置车辆时对应的回收成本。
考虑到同一回收路线的不同路段在不同时间条件下对应的路况是不同的,为了提高计算精度;作为一个优选的示例,后台服务器在根据待收运的垃圾桶确定回收路线之后,对于每一条回收路线进行分段处理,将回收路线中相邻两个待收运垃圾桶之间的行驶路径划分为一段,各个行驶路径组合后得到完整的回收路线。
针对处于闲置状态的车辆参数信息以及每一段行驶路径对应的路况信息生成每一段行驶路径对应的特征矩阵;可以理解,具有n段行驶路径的回收路线具有n个特征矩阵,n为大于1的自然数;分别将每个特征矩阵输入已训练好的预测模型中,预测输出每段行驶路径相应的回收成本;每一条回收路线的回收成本即为各段行驶路径对应的回收成本之和。
在一个优选的示例中,在生成每一段行驶路径对应的特征矩阵之前还包括对数据进行预处理的步骤,所述的预处理包括但不限于:缺失值处理、重复值处理、数据类型的转换、字符串数据的规整等;对预处理后的车辆参数信息及每一段行驶路径对应的路况信息进行特征提取,得到相应的特征矩阵。
在一个实施例中,参见图4,该预测模型的训练过程包括以下步骤:后台服务器获取历史收运数据及其对应的回收成本标签;对历史收运数据中的路况信息、车辆参数信息进行特征提取,得到由路况特征和车辆参数特征组合而成的样本特征矩阵;根据历史收运数据对应的样本特征矩阵与回收成本标签得到训练集;根据所述训练集进行模型训练,得到训练好的预测模型。
在一个具体的示例中,根据训练集进行模型训练,得到训练好的预测模型具体包括:
通过待训练的预测模型,根据样本特征矩阵生成两个待回收的垃圾桶之间的行驶路径对应的回收成本预测数据;
计算回收成本预测数据与相应的回收成本标签之间的误差,并根据误差反向调整所述待训练的预测模型的模型参数;
返回至通过待训练的预测模型,根据样本特征矩阵生成两个待回收的垃圾桶之间的形式路径对应的回收成本预测数据的步骤继续执行,直至满足迭代停止条件,停止迭代,得到已训练好的预测模型。
本示例中迭代停止条件,可以是迭代次数大于或等于迭代次数阈值,还比如单次迭代对应的损失函数已实现最小化等,在此不作具体限定。
步骤303,选择回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;
在一个具体示例中,后台服务器在得到各条回收路线分别组合不同闲置车辆时对应的回收成本之后,从中选取回收成本最低的回收路线以及车辆参数信息的组合,将其作为最终的垃圾回收方案下发给终端。
图5是本实施例提供的预测模型的一种网络结构示意图,参见图5,该预测模型包括输入层、隐藏层和输出层;
其中,输入层用于接收特征矩阵[x1,x2,x3,x4,x5,x6,x7],x1表示车辆型号,x2表示车辆使用年限,x3表示车辆平均油耗,x4表示司机工资,x5表示是否节假日,x6表示是否上下班高峰时段,x7表示车道信息;隐藏层用于接收输入层的处理数据并传递给输出层;输出层的输出为一个矩阵[o1,o2],o1为两个垃圾桶之间行驶路径对应的时间成本,o2为两个垃圾桶之间行驶路径对应的费用成本。
本实施例中,该矩阵[o1,o2]作为预测模型输出的回收成本预测数据,计算回收成本预测数据与相应的回收成本标签之间的误差,利用反向传播,根据误差反向调整待训练的预测模型中各层之间的权重和偏置,校正的模型参数。作为一个优选的示例,本方案采用动量法进行参数调整,将上一次调整的经验考虑进来,从而避免陷入局部最小值。
在一个实施例中,上述智慧环卫管理方法还包括:当满足预测模型的更新条件时,获取新增的训练样本形成第二训练样本集;第二训练样本集包括新增的历史收运数据对应的特征矩阵与回收成本标签;根据第二训练样本集对预测模型进行迭代更新,得到更新后的预测模型,并将更新后的预测模型作为训练好的预测模型。
其中,模型更新条件是触发模型更新操作的条件或依据,具体可以是接收到终端发送的模型更新指令,或者,自前一次触发模型更新操作起达到指定时长。指定时长比如6个月,由于新的收运数据会不断出现,由此需要按照预设周期定期更新已训练好的预测模型,以提高预测模型对新数据的泛化能力和鲁棒性。
上述实施例中,按照模型更新条件对已训练得到的预测模型进行迭代更新训练,以进一步提高模型预测的准确性,以及新地址的泛化能力和鲁棒性。
在一个实施例中,按照本申请一个或多个实施例中提供的预测模型的训练方式,针对不同城市或者城市的不同区域分别训练得到相应的预测模型,并将针对各城市的不同区域分别训练得到的预测模型部署至同一服务器,该服务器基于所部署的各预测模型,能够覆盖所有城市中/同一城市的所有区域的收运数据的处理,也即是能够提供任意城市的任意区域对应的垃圾清收的路线及车辆规划功能。该同一服务器可以是单台服务器,比如单台256G内存的服务器,还可以是由多台服务器组成的服务器集群。
在一个实施例中,如图6所示,提供了一种智慧环卫管理装置600,包括:路线生成模块601、预测模块602、输出模块603和模型训练模块604,其中:
路线生成模块601用于确定待收运的垃圾桶,根据各垃圾桶的位置信息形成至少两条回收路线;
预测模块602用于遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条所述回收路线对应的回收成本;
输出模块603用于选择所述回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;
其中,预测模型为利用具有回收成本标签的历史收运数据训练得到,历史收运数据包括路况信息和车辆信息。
在一个优选的实施例中,预测模块602包括特征提取模块和计算模块;
特征提取模块用于对路况信息、车辆参数信息进行特征提取,得到由路况信息和车辆参数信息组合而成的特征矩阵;将特征矩阵输入已训练好的预测模型中。车辆参数信息包括车辆型号、车辆使用年限、车辆平均油耗以及驾驶者薪资;路况信息包括是否节假日、是否上下班高峰时段以及车道信息。
计算模块用于计算每条回收路线中任意两个垃圾桶之间的行驶路径对应的回收成本;将所有行驶路径对应的回收成本之和作为回收路线的回收成本。
在一个优选的实施例中,路线生成模块601还用于:获取区域内所有垃圾桶的状态数据,根据状态数据确定当前待收运的垃圾桶并获取待收运的各垃圾桶的位置信息;状态数据包括垃圾桶内的垃圾量、温度、湿度、空气质量指数中的任意一种或多种。
在一个实施例中,上述智慧环卫管理装置600还包括:模型训练模块604;
模型训练模块604用于获取历史收运数据及其对应的回收成本标签;对历史收运数据中的路况信息、车辆参数信息进行特征提取,得到由路况特征和车辆参数特征组合而成的样本特征矩阵;根据历史收运数据对应的样本特征矩阵与回收成本标签得到训练集;根据训练集进行模型训练,得到训练好的预测模型。
在一个实施例中,模型训练模块604还用于:通过待训练的预测模型,根据样本特征矩阵生成两个待回收的垃圾桶之间的行驶路径对应的回收成本预测数据;计算回收成本预测数据与相应的回收成本标签之间的误差,并根据误差反向调整待训练的预测模型的模型参数;重复以上过程,直至满足迭代停止条件,停止迭代,得到已训练好的预测模型。
在一个实施例中,模型训练模块604还用于:当满足预测模型的更新条件时,获取新增的训练样本形成第二训练样本集;第二训练样本集包括新增的历史收运数据对应的特征矩阵与回收成本标签;根据第二训练样本集对预测模型进行迭代更新,得到更新后的预测模型,并将更新后的预测模型作为训练好的预测模型。
关于智慧环卫管理装置的具体限定可以参见上文中对于智慧环卫管理方法的限定,在此不再赘述。上述智慧环卫管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智慧环卫管理方法,其特征在于,包括:
确定待收运的垃圾桶,根据各垃圾桶的位置信息形成至少两条回收路线;
遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条所述回收路线对应的回收成本;
选择所述回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;
其中,所述预测模型为利用具有回收成本标签的历史收运数据训练得到,所述历史收运数据包括路况信息和车辆信息。
2.如权利要求1所述的智慧环卫管理方法,其特征在于,所述将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,包括:
对所述路况信息、车辆参数信息进行特征提取,得到由路况信息和车辆参数信息组合而成的特征矩阵;
将所述特征矩阵输入已训练好的预测模型中。
3.如权利要求1所述的智慧环卫管理方法,其特征在于,所述得到每条回收路线对应的回收成本的方法包括:
计算每条回收路线中任意两个垃圾桶之间的行驶路径对应的回收成本;
将所有行驶路径对应的回收成本之和作为回收路线的回收成本。
4.如权利要求1所述的智慧环卫管理方法,其特征在于,所述车辆参数信息包括车辆型号、车辆使用年限、车辆平均油耗以及驾驶者薪资;
所述路况信息包括是否节假日、是否上下班高峰时段以及车道信息。
5.如权利要求1所述的智慧环卫管理方法,其特征在于,所述确定待收运的各垃圾桶的位置信息的方法包括:
获取区域内所有垃圾桶的状态数据,根据所述状态数据确定当前待收运的垃圾桶并获取待收运的各垃圾桶的位置信息;
所述状态数据包括垃圾桶内的垃圾量、温度、湿度、空气质量指数中的任意一种或多种。
6.如权利要求1-5任一项所述的智慧环卫管理方法,其特征在于,所述预测模型的训练过程包括:
获取历史收运数据及其对应的回收成本标签;
对所述历史收运数据中的路况信息、车辆参数信息进行特征提取,得到由路况特征和车辆参数特征组合而成的样本特征矩阵;
根据所述历史收运数据对应的样本特征矩阵与回收成本标签得到训练集;
根据所述训练集进行模型训练,得到训练好的预测模型。
7.如权利要求6所述的智慧环卫管理方法,其特征在于,所述根据所述训练集进行模型训练,得到训练好的预测模型,包括:
通过待训练的预测模型,根据所述样本特征矩阵生成两个待回收的垃圾桶之间的行驶路径对应的回收成本预测数据;
计算所述回收成本预测数据与相应的回收成本标签之间的误差,并根据所述误差反向调整所述待训练的预测模型的模型参数;
返回至所述通过待训练的预测模型,根据所述样本特征矩阵生成两个待回收的垃圾桶之间的形式路径对应的回收成本预测数据的步骤继续执行,直至满足迭代停止条件,停止迭代,得到已训练好的预测模型。
8.一种智慧环卫管理装置,其特征在于,包括:
路线生成模块,用于确定待收运的垃圾桶,根据各垃圾桶的位置信息形成至少两条回收路线;
预测模块,用于遍历当前处于闲置状态的所有车辆,将当前的路况信息以及处于闲置状态的任一车辆的车辆参数信息输入已训练好的预测模型中,得到每条所述回收路线对应的回收成本;
输出模块,选择所述回收成本最低的回收路线以及车辆参数信息的组合作为最终的垃圾回收方案;
其中,所述预测模型为利用具有回收成本标签的历史收运数据训练得到,所述历史收运数据包括路况信息和车辆信息。
9.一种计算机设备,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述计算机程序被所述处理单元执行时,使得所述处理单元执行权利要求1~7任一项所述方法的步骤。
10.一种计算机可读介质,其特征在于,其存储有可由计算机设备执行的计算机程序,当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011327561.4A CN112434854B (zh) | 2020-11-24 | 2020-11-24 | 智慧环卫管理方法、装置、计算机设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011327561.4A CN112434854B (zh) | 2020-11-24 | 2020-11-24 | 智慧环卫管理方法、装置、计算机设备及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434854A true CN112434854A (zh) | 2021-03-02 |
CN112434854B CN112434854B (zh) | 2023-03-24 |
Family
ID=74693899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011327561.4A Active CN112434854B (zh) | 2020-11-24 | 2020-11-24 | 智慧环卫管理方法、装置、计算机设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434854B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449974A (zh) * | 2021-06-16 | 2021-09-28 | 新安洁环境卫生股份有限公司 | 一种环卫作业状态智能检查方法、系统及存储介质 |
CN113602707A (zh) * | 2021-07-05 | 2021-11-05 | 江汉大学 | 一种垃圾箱设备控制系统 |
CN113705694A (zh) * | 2021-08-31 | 2021-11-26 | 中关村科学城城市大脑股份有限公司 | 一种城市垃圾治理方法及相关设备 |
CN115258459A (zh) * | 2022-08-10 | 2022-11-01 | 上海石易电子科技有限公司 | 物料转运方法、装置和电子设备 |
CN116167585A (zh) * | 2023-02-23 | 2023-05-26 | 三一环境产业有限公司 | 应用于垃圾运收的数据处理方法、装置、设备及调度系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503868A (zh) * | 2016-11-15 | 2017-03-15 | 佛山市络思讯科技有限公司 | 一种车队线路规划方法及相关设备 |
CN109377084A (zh) * | 2018-11-15 | 2019-02-22 | 跨越速运集团有限公司 | 调度服务器及基于该调度服务器的智能物流调度服务系统 |
CN110084396A (zh) * | 2019-03-05 | 2019-08-02 | 采之翼(北京)科技有限公司 | 垃圾收集方法、装置、电子设备及计算机可读存储介质 |
US20190340543A1 (en) * | 2018-05-01 | 2019-11-07 | Fleetonomy, Ltd. | System and method for optimizing vehicle fleet deployment |
-
2020
- 2020-11-24 CN CN202011327561.4A patent/CN112434854B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503868A (zh) * | 2016-11-15 | 2017-03-15 | 佛山市络思讯科技有限公司 | 一种车队线路规划方法及相关设备 |
US20190340543A1 (en) * | 2018-05-01 | 2019-11-07 | Fleetonomy, Ltd. | System and method for optimizing vehicle fleet deployment |
CN109377084A (zh) * | 2018-11-15 | 2019-02-22 | 跨越速运集团有限公司 | 调度服务器及基于该调度服务器的智能物流调度服务系统 |
CN110084396A (zh) * | 2019-03-05 | 2019-08-02 | 采之翼(北京)科技有限公司 | 垃圾收集方法、装置、电子设备及计算机可读存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449974A (zh) * | 2021-06-16 | 2021-09-28 | 新安洁环境卫生股份有限公司 | 一种环卫作业状态智能检查方法、系统及存储介质 |
CN113602707A (zh) * | 2021-07-05 | 2021-11-05 | 江汉大学 | 一种垃圾箱设备控制系统 |
CN113602707B (zh) * | 2021-07-05 | 2023-04-07 | 江汉大学 | 一种垃圾箱设备控制系统 |
CN113705694A (zh) * | 2021-08-31 | 2021-11-26 | 中关村科学城城市大脑股份有限公司 | 一种城市垃圾治理方法及相关设备 |
CN115258459A (zh) * | 2022-08-10 | 2022-11-01 | 上海石易电子科技有限公司 | 物料转运方法、装置和电子设备 |
CN116167585A (zh) * | 2023-02-23 | 2023-05-26 | 三一环境产业有限公司 | 应用于垃圾运收的数据处理方法、装置、设备及调度系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112434854B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434854B (zh) | 智慧环卫管理方法、装置、计算机设备及可读介质 | |
Ali et al. | IoT-based smart waste bin monitoring and municipal solid waste management system for smart cities | |
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
Pan et al. | Estimation of real-driving emissions for buses fueled with liquefied natural gas based on gradient boosted regression trees | |
Shaygan et al. | Traffic prediction using artificial intelligence: review of recent advances and emerging opportunities | |
Sun et al. | Discovering time-dependent shortest path on traffic graph for drivers towards green driving | |
Ferrer et al. | BIN-CT: Urban waste collection based on predicting the container fill level | |
Alfaseeh et al. | Greenhouse gas emission prediction on road network using deep sequence learning | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
CN113838303B (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
SEÇKİNER et al. | Minimizing solid waste collection routes using ant colony algorithm: a case study in gaziantep district | |
Yuan et al. | [Retracted] Application of Deep Reinforcement Learning Algorithm in Uncertain Logistics Transportation Scheduling | |
Ünal et al. | Dynamic routing optimization with electric vehicles under stochastic battery depletion | |
Lin et al. | Insights into Travel Pattern Analysis and Demand Prediction: A Data-Driven Approach in Bike-Sharing Systems | |
CN107194505B (zh) | 一种基于城市大数据预测公共汽车出行量的方法和系统 | |
Yu et al. | A hybrid prediction approach for road tunnel traffic based on spatial-temporary data fusion | |
CN116824868A (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
CN104767534A (zh) | 一种误差可控的车辆轨迹点压缩存储方法及系统 | |
CN114626766B (zh) | 基于大数据的共享电动车调度方法、装置、设备及介质 | |
Wilbur et al. | Artificial intelligence for smart transportation | |
Dorosan et al. | Use of machine learning in understanding transport dynamics of land use and public transportation in a developing city | |
CN114611864A (zh) | 一种垃圾车辆低碳调度方法及系统 | |
Manoharam et al. | Efficient Solid Waste Management in Prai Industrial Area through GIS using Dijkstra and Travelling Salesman Problem Algorithms. | |
Chen et al. | Life-cycle greenhouse gas emission assessment for bike-sharing systems based on a rebalancing emission estimation model | |
CN115860626A (zh) | 一种路径规划方法、装置、电子设备及存储介质 |
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 |