CN112735129A - 货车停车调度的方法及装置 - Google Patents
货车停车调度的方法及装置 Download PDFInfo
- Publication number
- CN112735129A CN112735129A CN202011562789.1A CN202011562789A CN112735129A CN 112735129 A CN112735129 A CN 112735129A CN 202011562789 A CN202011562789 A CN 202011562789A CN 112735129 A CN112735129 A CN 112735129A
- Authority
- CN
- China
- Prior art keywords
- route
- truck
- congestion
- destination
- parking lot
- 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
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请提出一种货车停车调度的方法、装置、电子设备及存储介质,所述方法包括如下步骤:基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型;对货车从出发地到目的地进行路径规划,基于所述拥堵时长预测模型判断车辆前往目的地的各个路径的行驶时间和拥堵状况,并结合所述各个路径上是否具有停车场入口进行停车调度。本申请可以在工业厂区较多,货车车流量大的城市中,对货车行驶路线进行调度,安排货车前往适当的停车场,或直接通往目的地,从而起到管控城市交通,减少道路拥堵,提高运输效率,节能减排的作用。
Description
技术领域
本申请属于交通技术领域,具体涉及一种货车停车调度的方法、装置、电子设备及存储介质。
背景技术
目前的交通管理系统,通过向车辆发送具体的具有时间敏感性的控制指令(如车辆跟驰、换道、路径导航等),实现所有智能网联车的运行控制。此智能网联交通系统包括以下一种或多种组成:1)一个分层控制网络,包括交通控制中心、局部的交通控制单元;2)一个路侧单元网络(整合了车辆传感器的功能,I2V通信以实现控制指令的传递);3)车载单元网络,安置于智能网联车内;4)无线通信和安全系统,实现局部和全局通信。此系统提供了一个更加安全、可靠和经济的途径,通过将车辆驾驶任务分布到分层的交通控制网络和路侧单元网络。
重型车辆在有人或无人参与情况下由路侧单元进行检测和巡航的货运管理系统正在构建当中。当前,它们还处于实验测试阶段,还没有进行广泛的商业应用。现有的系统和方法大多复杂、昂贵并且不可靠,这使得系统的普遍化执行成为一个重大挑战。
目前很少见到基于货车轨迹数据专门针对货车的停车调度技术方案。
发明内容
本申请第一方面实施例提出了一种货车停车调度的方法,所述方法包括如下步骤:
基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型;
对货车从出发地到目的地进行路径规划,基于所述拥堵时长预测模型判断车辆前往目的地的各个路径的行驶时间和拥堵状况,并结合所述各个路径上是否具有停车场入口进行停车调度。
进一步地,所述基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型,包括:
统计近一周内车辆行驶轨迹,确定货车可行驶道路;
统计所述货车可行驶道路上各个路段车辆拥堵情况;
统计三个路口以内,通往各个路段的路线的车辆拥堵状态和时间,以及路线的转向关系;
生成数据集,其中特征数据为5,10,15,20分钟内,三个路口内左转、直行、右转三个方向路线的拥堵状态;类别数据为不拥堵、拥堵5分钟内、10分钟内、15分钟内、20分钟内、超过20分钟;
基于LSTM深度学习网络,构建拥堵时长预测模型。
进一步地,所述LSTM深度学习网络采用两个LSTM层和两个Dropout层,训练生成所述拥堵时长预测模型。
进一步地,所述LSTM深度学习网络包括5层,依次是第一LSTM层、第一Dropout层、第二LSTM层、第二Dropout层、全连接层。
进一步地,根据用户车辆位置和目的地位置,根据距离进行路线规划,选择最短距离路线和两倍最短距离路线里程范围之间的路线;
将选择的路线放到一个列表中,查看所述列表中的路线里是否有全程不拥堵的路线,如果有则直接选择最短的不拥堵路线,引导用户依照所述最短的不拥堵路线前往目的地;如果各个路线都拥堵,则预估各路线的全程拥堵时间,并判断路线上是否有停车场入口;
如果各个路线都没有停车场入口,则引导用户依照拥堵时间最短路线前往目的地;否则选择当前位置到停车场用时短排序靠前,停车场到目的地用时长排序靠前,进行加权后排序最前的路线,引导用户前往该排序最前的路线上的停车场;
对每个停车场中的车辆的目的地进行查询,如果找到停车场到目的地最短路线全程不拥堵,则按照该停车场前往该目的地车辆先进先出的规则调度车辆前往目的地;如果停车场到目的地最短路线全程拥堵,则结束循环。
进一步地,所述选择最短距离路线和两倍最短距离路线里程范围之间的路线,包括:先找最短距离路线,然后从可通行路网中去掉所述最短距离路线中间1/3部分,再找当前最短距离路线,直到路线长度超过所述最短距离路线的两倍。
进一步地,所述加权的计算方式为:假设路线在当前位置到停车场用时短排序的序号是i,权重是w1,在停车场到目的地用时长排序的序号是j,权重是w2,w1+w2=1,则加权排序的序号就是i*w1+j*w2,将各个路线进行加权后排序最前的路线,作为最终的选择路线。
本申请第二方面的实施例提供了一种货车停车调度的装置,所述装置包括如下模块:
预测模型构建模块,基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型;
停车调度模块,用于对货车从出发地到目的地进行路径规划,基于所述拥堵时长预测模型判断车辆前往目的地的各个路径的行驶时间和拥堵状况,并结合所述各个路径上是否具有停车场入口进行停车调度。
本申请第三方面的实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行实现上述第一方面所述的方法。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本申请提出一种货车停车调度的方法、装置、电子设备及存储介质,可以在工业厂区较多,货车车流量大的城市中,对货车行驶路线进行调度,安排货车前往适当的停车场,或直接通往目的地,从而起到管控城市交通,减少道路拥堵,提高运输效率,节能减排的作用。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变的明显,或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请一实施例所提供的一种货车停车调度的方法的流程图;
图2示出了本申请一实施例所提供的拥堵预测时长建模流程图;
图3示出了本申请一实施例所提供的停车调度流程图;
图4示出了本申请一实施例所提供的车辆出场调度流程图;
图5示出了本申请一实施例所提供的一种货车停车调度的装置的结构示意图;
图6示出了本申请一实施例所提供的一种电子设备的结构示意图;
图7示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述根据本申请实施例提出的一种货车停车调度的方法、装置、电子设备及存储介质。
本申请提出一种货车停车调度的方法、装置、电子设备及存储介质,利用全量货车实时轨迹数据和第三方提供的路网数据,构建拥堵预测模型,实现实时路况的精确判断。同时,利用导航算法判断车辆前往目的地的行驶时间和延误时间,从而对车辆行驶路线进行决策调度。
参见图1,该方法具体包括以下步骤;
步骤S1:基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型。
利用全量货车实时轨迹数据和第三方提供的路网数据,构建拥堵时长预测模型,实现实时路况的精确判断。
上述道路数据和全量货车实时轨迹数据可以取自公开免费数据库来源,也可以从图商处购买,一般采用最近一年的数据。
如图2所示,以下为实现步骤S1的具体步骤:
S11、统计近一周内车辆行驶轨迹,确定货车可以行驶的道路。
S12、以5分钟为单位,统计各路段车辆拥堵情况。
S13、统计三个路口以内,通往各路段的路线的车辆拥堵状态和时间,以及路线的转向关系。
S14、生成数据集,特征数据为5,10,15,20分钟内,三个路口内左转、直行、右转三个方向路线的拥堵状态;类别数据为不拥堵,拥堵5分钟内,10分钟内,15分钟内,20分钟内,超过20分钟。
S15、基于改进的LSTM深度学习网络,构建拥堵时长预测模型。本申请的LSTM深度学习网络,可以采用两个LSTM层和两个Dropout层,训练生成预测拥堵时长的深度学习模型。
在本申请的另一个实施例中,还可以设计一个基于LSTM的深度学习网络,网络包括5层,依次是LSTM层、Dropout层、LSTM层、Dropout层、全连接层。
步骤S2:对货车从出发地到目的地进行路径规划,基于所述拥堵时长预测模型判断车辆前往目的地的各个路径的行驶时间和拥堵状况,并结合所述各个路径上是否具有停车场入口进行停车调度。
如图3所示,以下为实现步骤S2的具体步骤:
S21、根据用户车辆位置和目的地位置,根据距离进行路线规划,选择最短距离路线和最短距离*2里程范围之间的路线,选择方式为先找最短距离路线,然后从可通行路网中去掉该路线中间1/3部分,再找当前最短距离路线,直到路线长度超过最短路线两倍。这个步骤是为了限制可选路线的范围,因为路线的组合方法可能有无数种,这里认为如果绕路很严重(超过最短路线2倍),就没有使用这条路线的价值了。这样做一方面更加符合实际情况,另一方面也减少运算量。
S22、将选择的路线放到一个列表中,查看这些路线内是否有全程不拥堵的路线,如果有则直接选择最短的不拥堵路线,引导用户依照最短的不拥堵路线前往目的地。
S23、如果各个路线都拥堵,预估各路线的全程拥堵时间,并判断路线上是否有停车场入口。
S24、如果各个路线都没有停车场入口,则引导用户依照拥堵时间最短路线前往目的地。
S25、否则选择当前位置到停车场用时短排序靠前,停车场到目的地用时长排序靠前,进行加权后排序最前的路线,引导用户前往该路线上的停车场。例如,所述加权的计算方式可以为:假设路线L在当前位置到停车场用时短排序的序号是i,该排序的权重是w1,在停车场到目的地用时长排序的序号是j,该排序的权重是w2,(w1+w2=1),则加权排序的序号就是i*w1+j*w2,将各个路线进行加权后排序最前的路线,作为最终的选择路线。
S26、如图4所示,每10秒钟,对每个停车场中的车辆的目的地进行查询,如果找到停车场到目的地最短路线全程不拥堵,则按照本停车场前往该目的地车辆先进先出的规则调度车辆前往目的地。如果停车场到目的地最短路线全程拥堵,则结束循环。
申请实施例提供了一种货车停车调度的装置,该装置用于执行上述实施例所述的货车停车调度的方法,如图5所示,该装置包括如下模块:
预测模型构建模块501,基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型;
停车调度模块502,用于对货车从出发地到目的地进行路径规划,基于所述拥堵时长预测模型判断车辆前往目的地的各个路径的行驶时间和拥堵状况,并结合所述各个路径上是否具有停车场入口进行停车调度。
本申请的上述实施例提供的货车停车调度的装置与本申请实施例提供的货车停车调度的方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的货车停车调度的方法对应的电子设备,以执行上货车停车调度的方法。本申请实施例不做限定。
请参考图6,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图6所示,所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的货车停车调度的方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述货车停车调度的方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的货车停车调度的方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的货车停车调度的方法对应的计算机可读存储介质,请参考图7,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的货车停车调度的方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的货车停车调度的方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
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,本申请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。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种货车停车调度的方法,其特征在于,所述方法包括如下步骤:
基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型;
对货车从出发地到目的地进行路径规划,基于所述拥堵时长预测模型判断车辆前往目的地的各个路径的行驶时间和拥堵状况,并结合所述各个路径上是否具有停车场入口进行停车调度。
2.根据权利要求1所述的方法,其特征在于,
所述基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型,包括:
统计近一周内车辆行驶轨迹,确定货车可行驶道路;
统计所述货车可行驶道路上各个路段车辆拥堵情况;
统计三个路口以内,通往各个路段的路线的车辆拥堵状态和时间,以及路线的转向关系;
生成数据集,其中特征数据为5,10,15,20分钟内,三个路口内左转、直行、右转三个方向路线的拥堵状态;类别数据为不拥堵、拥堵5分钟内、10分钟内、15分钟内、20分钟内、超过20分钟;
基于LSTM深度学习网络,构建拥堵时长预测模型。
3.根据权利要求2所述的方法,其特征在于,
所述LSTM深度学习网络采用两个LSTM层和两个Dropout层,训练生成所述拥堵时长预测模型。
4.根据权利要求2所述的方法,其特征在于,
所述LSTM深度学习网络包括5层,依次是第一LSTM层、第一Dropout层、第二LSTM层、第二Dropout层、全连接层。
5.根据权利要求1所述的方法,其特征在于,
根据用户车辆位置和目的地位置,根据距离进行路线规划,选择最短距离路线和两倍最短距离路线里程范围之间的路线;
将选择的路线放到一个列表中,查看所述列表中的路线里是否有全程不拥堵的路线,如果有则直接选择最短的不拥堵路线,引导用户依照所述最短的不拥堵路线前往目的地;如果各个路线都拥堵,则预估各路线的全程拥堵时间,并判断路线上是否有停车场入口;
如果各个路线都没有停车场入口,则引导用户依照拥堵时间最短路线前往目的地;否则选择当前位置到停车场用时短排序靠前,停车场到目的地用时长排序靠前,进行加权后排序最前的路线,引导用户前往该排序最前的路线上的停车场;
对每个停车场中的车辆的目的地进行查询,如果找到停车场到目的地最短路线全程不拥堵,则按照该停车场前往该目的地车辆先进先出的规则调度车辆前往目的地;如果停车场到目的地最短路线全程拥堵,则结束循环。
6.根据权利要求5所述的方法,其特征在于,
所述选择最短距离路线和两倍最短距离路线里程范围之间的路线,包括:先找最短距离路线,然后从可通行路网中去掉所述最短距离路线中间1/3部分,再找当前最短距离路线,直到路线长度超过所述最短距离路线的两倍。
7.根据权利要求5所述的方法,其特征在于,
所述加权的计算方式为:假设路线在当前位置到停车场用时短排序的序号是i,权重是w1,在停车场到目的地用时长排序的序号是j,权重是w2,w1+w2=1,则加权排序的序号就是i*w1+j*w2,将各个路线进行加权后排序最前的路线,作为最终的选择路线。
8.一种货车停车调度的装置,其特征在于,所述装置包括如下模块:
预测模型构建模块,基于道路数据和全量货车实时轨迹数据,统计货车可行驶道路上各个路段的拥堵情况,进而构建拥堵时长预测模型;
停车调度模块,用于对货车从出发地到目的地进行路径规划,基于所述拥堵时长预测模型判断车辆前往目的地的各个路径的行驶时间和拥堵状况,并结合所述各个路径上是否具有停车场入口进行停车调度。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562789.1A CN112735129B (zh) | 2020-12-25 | 2020-12-25 | 货车停车调度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562789.1A CN112735129B (zh) | 2020-12-25 | 2020-12-25 | 货车停车调度的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112735129A true CN112735129A (zh) | 2021-04-30 |
CN112735129B CN112735129B (zh) | 2022-05-06 |
Family
ID=75617048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562789.1A Active CN112735129B (zh) | 2020-12-25 | 2020-12-25 | 货车停车调度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112735129B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN114566062A (zh) * | 2022-01-19 | 2022-05-31 | 北京中交兴路信息科技有限公司 | 车辆停车调度管理方法、装置、计算机设备和存储介质 |
CN114664099A (zh) * | 2022-03-16 | 2022-06-24 | 太龙智显科技(深圳)有限公司 | 数字led标识牌信息采集反馈方法、装置、电子设备及介质 |
CN115311846A (zh) * | 2022-06-24 | 2022-11-08 | 华东师范大学 | 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997031241A1 (en) * | 1996-02-22 | 1997-08-28 | Siemens Automotive Corporation | Vehicle navigation and route guidance system |
CN102496096A (zh) * | 2011-11-25 | 2012-06-13 | 深圳市赛格导航科技股份有限公司 | 一种高效的物流调度系统和方法 |
US20140278031A1 (en) * | 2013-03-15 | 2014-09-18 | Inrix, Inc. | Event-based traffic routing |
CN104121918A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种实时路径规划的方法和系统 |
US20150211871A1 (en) * | 2014-01-28 | 2015-07-30 | Research & Business Foundation Sungkyunkwan University | Vehicle navigation apparatus and method of determining trajectory of vehicle |
CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
CN107424426A (zh) * | 2017-07-10 | 2017-12-01 | 南京邮电大学 | 一种基于深度学习的物流路径规划方法 |
CN108648492A (zh) * | 2018-06-26 | 2018-10-12 | 深兰科技(上海)有限公司 | 一种车辆引导的方法、装置、服务器和可读存储介质 |
CN109341710A (zh) * | 2018-08-30 | 2019-02-15 | 上海大学 | 不确定环境的交通网上快速抵达目的地的动态规划法 |
CN110415517A (zh) * | 2019-07-15 | 2019-11-05 | 中国地质大学(北京) | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111691249A (zh) * | 2019-03-13 | 2020-09-22 | 周立新 | 地下交通系统和对象的运输方法 |
CN111739298A (zh) * | 2020-06-09 | 2020-10-02 | 孔祥真 | 一种解决公路拥堵的服务系统 |
JP2020187512A (ja) * | 2019-05-14 | 2020-11-19 | パイオニア株式会社 | 渋滞予想装置、渋滞予想方法、及びプログラム |
-
2020
- 2020-12-25 CN CN202011562789.1A patent/CN112735129B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997031241A1 (en) * | 1996-02-22 | 1997-08-28 | Siemens Automotive Corporation | Vehicle navigation and route guidance system |
CN102496096A (zh) * | 2011-11-25 | 2012-06-13 | 深圳市赛格导航科技股份有限公司 | 一种高效的物流调度系统和方法 |
US20140278031A1 (en) * | 2013-03-15 | 2014-09-18 | Inrix, Inc. | Event-based traffic routing |
CN104121918A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种实时路径规划的方法和系统 |
US20150211871A1 (en) * | 2014-01-28 | 2015-07-30 | Research & Business Foundation Sungkyunkwan University | Vehicle navigation apparatus and method of determining trajectory of vehicle |
CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
CN107424426A (zh) * | 2017-07-10 | 2017-12-01 | 南京邮电大学 | 一种基于深度学习的物流路径规划方法 |
CN108648492A (zh) * | 2018-06-26 | 2018-10-12 | 深兰科技(上海)有限公司 | 一种车辆引导的方法、装置、服务器和可读存储介质 |
CN109341710A (zh) * | 2018-08-30 | 2019-02-15 | 上海大学 | 不确定环境的交通网上快速抵达目的地的动态规划法 |
CN111691249A (zh) * | 2019-03-13 | 2020-09-22 | 周立新 | 地下交通系统和对象的运输方法 |
JP2020187512A (ja) * | 2019-05-14 | 2020-11-19 | パイオニア株式会社 | 渋滞予想装置、渋滞予想方法、及びプログラム |
CN110415517A (zh) * | 2019-07-15 | 2019-11-05 | 中国地质大学(北京) | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111739298A (zh) * | 2020-06-09 | 2020-10-02 | 孔祥真 | 一种解决公路拥堵的服务系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN114566062A (zh) * | 2022-01-19 | 2022-05-31 | 北京中交兴路信息科技有限公司 | 车辆停车调度管理方法、装置、计算机设备和存储介质 |
CN114566062B (zh) * | 2022-01-19 | 2023-01-06 | 北京中交兴路信息科技有限公司 | 车辆停车调度管理方法、装置、计算机设备和存储介质 |
CN114664099A (zh) * | 2022-03-16 | 2022-06-24 | 太龙智显科技(深圳)有限公司 | 数字led标识牌信息采集反馈方法、装置、电子设备及介质 |
CN115311846A (zh) * | 2022-06-24 | 2022-11-08 | 华东师范大学 | 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统 |
CN115311846B (zh) * | 2022-06-24 | 2023-08-11 | 华东师范大学 | 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112735129B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112735129B (zh) | 货车停车调度的方法及装置 | |
US9805595B1 (en) | Vehicle and non-vehicle traffic flow control | |
US11067404B2 (en) | Vehicle usage-based pricing alerts | |
US9547986B1 (en) | Lane assignments for autonomous vehicles | |
Park et al. | The impact of automated vehicles on traffic flow and road capacity on urban road networks | |
Gao et al. | Modeling double parking impacts on urban street | |
CN112785841B (zh) | 判断货车行驶路线拥堵状态的方法及装置 | |
CN113409594A (zh) | 一种基于强化学习的匝道信号控制优化方法和系统 | |
Al-Dabbagh et al. | The impact of road intersection topology on traffic congestion in urban cities | |
CN111667083B (zh) | 网约车预估价确定方法和装置 | |
Pindarwati et al. | Measuring performance level of smart transportation system in big cities of Indonesia comparative study: Jakarta, Bandung, Medan, Surabaya, and Makassar | |
Sakr et al. | Intelligent Traffic Management Systems: A review | |
US20240085193A1 (en) | Automated dynamic routing unit and method thereof | |
US20230230023A1 (en) | Collaborative Logistics Platform and Methods Thereof | |
CN115083198B (zh) | 一种多车运力资源调度方法及装置 | |
Tayade et al. | Advance prediction of parking space availability and other facilities for car parks in smart cities | |
CN112686444B (zh) | 基于相似车辆行驶特征数据的货车路线规划方法及装置 | |
CN110648008A (zh) | 路况预测方法和装置 | |
Horažďovský et al. | Dynamic service of public transport in smart city and region | |
US20230019662A1 (en) | Vehicle routing with dynamic selection of turns across opposing traffic | |
CN114492161A (zh) | 一种公交车到站预测方法及装置 | |
CN105448044B (zh) | 一种确定司机疲劳状态的方法与设备 | |
CN114821843A (zh) | 一种etc业务推荐方法和系统 | |
Hosney Radwan et al. | Autonomous vehicles and changing the future of cities: Technical and urban perspectives | |
CN106127350A (zh) | 一种线路规划的方法及终端 |
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 |