CN113159457A - 一种智能路径规划的方法、系统及电子设备 - Google Patents
一种智能路径规划的方法、系统及电子设备 Download PDFInfo
- Publication number
- CN113159457A CN113159457A CN202110545242.9A CN202110545242A CN113159457A CN 113159457 A CN113159457 A CN 113159457A CN 202110545242 A CN202110545242 A CN 202110545242A CN 113159457 A CN113159457 A CN 113159457A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- path
- sub
- optional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000008901 benefit Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 abstract description 22
- 238000010801 machine learning Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种智能路径规划的方法、系统及电子设备，所述方法包括：获取待确定路径的相关信息，相关信息包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，时间距离信息表示两个节点之间的距离或可达时间；基于各必经节点与起始节点之间的时间距离信息，对各必经节点进行排序，得到必经节点序列；按照必经节点序列中各必经节点的排序，依次将各必经节点添加至待确定路径中，并确定待确定路径每两个相邻的必经节点生成的子路径；遍历每一子路径，在可选节点中确定每一子路径对应的待插入可选节点；将待插入可选节点插入对应的子路径中，得到目标路径。本发明实施例，能够提高数据收集的效率。
Description
技术领域
本发明涉及计算机科学技术领域，特别是涉及一种智能路径规划的方法、系统及电子设备。
背景技术
IoT(Internet of Things，物联网)是一个扩展的网络，可以使用无线电频率识别，红外传感器，全球定位系统，激光扫描仪和其他信息传感设备，按照约定的信息交换和通信协议将任何物品与互联网连接。IOV(Internet of Vehicle，车联网)作为IoT的一个分支，以行驶中的车辆为信息感知的对象，并使用新一代的信息和通信技术来实现汽车与汽车，汽车和人员，以及汽车和服务平台之间的网络连接。IOV使用传感器技术感测车辆状态信息，并使用无线通信网络和现代智能信息处理技术实现智能交通管理，交通信息服务的智能决策和智能控制。例如，可以在车辆上安装联网传感器等设备实现数据的收集。实际应用中根据不同的用户需求，IOV可以在集成网络中实现车辆的智能管理和控制，包括向用户提供路况信息，安全警告和路线指引等。
随着越来越多的单个设备连接到网络，使得短时间内的数据交换流增多，导致节省网络资源以及提高数据收集效率成为了当前的迫切需求。在特定的场景(例如灾情信息采集)中，需要相应的路径规划方法，来规划每辆车或设备进行信息采集的路线。
相关技术中，采用基于Dijkstra算法的路径规划方法，在该路径规划方法中，每次所选择的下一跳节点均是基于几何距离最近选取的。示例性的，如图1a所示，图1a中每条线上的数字表示每两个节点之间的几何距离，路径的初始节点设置为节点u，路径集合S即为S＝{u}，获取S的邻点集合d,a,w，因节点a距离节点u的路径ua最近，将节点a纳入路径集合S中，得到S＝{u,a}；获取S的邻点集合d,w,r，因节点d距离节点u的路径ud最近，将节点d纳入路径集合S,得到S＝{u,a,d}；获取S的邻点集合w,r，因节点r距离节点u的路径uar最近，将节点r纳入路径集合S,得到S＝{u,a,d,r}；获取S的邻点集合w,z，因节点w距离节点u的路径uarw最近，将节点w纳入路径集合S,得到S＝{u,a,d,r,w}；获取S的邻点集合z，因节点z距离节点u的路径uarz最近，将节点z纳入路径集合S,得到S＝{u,a,d,r,z}，进而得到如图1b所示的目标路径。
然而，发明人发现，虽然基于Dijkstra算法的路径规划方法可以比较快速地规划出两点之间的路径，但是其只考虑了各节点之间的几何距离，而在特定的场景(例如灾情信息采集)中，因实际场景的需求，仅考虑各节点之间的几何距离得到的目标路径，可能导致数据采集的时效性较低，进而使得基于Dijkstra算法的路径规划方法无法应用于如灾情信息采集场景中。
发明内容
本发明实施例的目的在于提供一种智能路径规划的方法、系统及电子设备，以提高数据收集的效率。具体技术方案如下：
第一方面，本发明实施例提供了一种智能路径规划的方法，所述方法包括：
获取待确定路径的相关信息，所述相关信息包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，所述时间距离信息表示两个节点之间的距离或可达时间；
基于各所述必经节点与所述起始节点之间的时间距离信息，对各所述必经节点进行排序，得到必经节点序列；
按照所述必经节点序列中各必经节点的排序，依次将各所述必经节点添加至待确定路径中，并确定所述待确定路径每两个相邻的必经节点生成的子路径；
遍历每一子路径，在所述可选节点中确定每一子路径对应的待插入可选节点；
将所述待插入可选节点插入对应的子路径中，得到目标路径。
可选地，在获取待确定路径的相关信息之后，所述方法还包括：
在所述起始节点为各所述必经节点中的一个的情况下，在所述必经节点中删除所述起始节点。
可选地，所述时间距离信息表示两个节点之间的可达时间；
在获取待确定路径的相关信息之前，所示方法还包括：
在考虑交通状况的情况下，对当前交通状况进行估计，得到当前交通流量值；
基于所述当前交通流量值，对所述时间距离信息进行更新。
可选地，所述对当前交通状况进行估计，得到当前交通流量值，包括：
基于起始节点坐标和终止节点坐标，确定多个预设区域；
基于各预设区域的历史交通流量值，利用线性回归算法对各所述预设区域的当前交通状况进行估计，得到各预设区域的交通流量值；
基于各所述预设区域的交通流量值，确定当前交通流量值。
可选地，所述基于所述当前交通流量值，对所述时间距离信息进行更新，包括：
将所述当前交通流量值转换为拥塞系数；
将时间距离信息更新为：所述拥塞系数与所述时间距离信息的乘积。
可选地，所述遍历每一子路径，在所述可选节点中确定每一子路径对应的待插入可选节点，包括：
遍历每一子路径，基于所述时间距离信息以及每一可选节点对应的任务收益，在所述可选节点中确定每一子路径对应的待插入可选节点，其中，所述可选节点对应的任务收益用于表征收集该可选节点的数据所得的收益。
可选地，所述遍历每一子路径，基于所述时间距离信息以及每一可选节点对应的任务收益，在所述可选节点中确定每一子路径对应的待插入可选节点，包括：
基于各所述可选节点与所述子路径的开始节点之间的时间距离信息、各所述可选节点与所述子路径的结束节点之间的时间距离信息、以及所述子路径的开始节点和结束节点分别对应的时间窗口，在所述可选节点中确定所述子路径中能够插入的可选节点；其中，所述开始节点对应的时间窗口，用于表征所述起始节点至所述开始节点所需的任务执行时间，所述结束节点对应的时间窗口，用于表征所述起始节点至所述结束节点所需的任务执行时间；
将所述子路径中能够插入的可选节点中任务收益最大对应的可选节点，确定为所述子路径对应的待插入可选节点。
可选地，依次将各所述必经节点添加至待确定路径之后，所述方法还包括：
更新各必经节点对应的时间窗口；其中，所述必经节点对应的时间窗口用于表征所述起始节点至所述必经节点所需的任务执行时间；
将所述待插入可选节点插入对应的子路径之后，所述方法还包括：
对每一子路径中的必经节点对应的时间窗口进行更新。
第二方面，本发明实施例提供了一种智能路径规划的系统，所述系统包括：
获取模块，用于获取待确定路径的相关信息，所述相关信息包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，所述时间距离信息表示两个节点之间的距离或可达时间；
排序模块，用于基于各所述必经节点与所述起始节点之间的时间距离信息，对各所述必经节点进行排序，得到必经节点序列；
第一确定模块，用于按照所述必经节点序列中各必经节点的排序，依次将各所述必经节点添加至待确定路径中，并确定所述待确定路径每两个相邻的必经节点生成的子路径；
第二确定模块，用于遍历每一子路径，在所述可选节点中确定每一子路径对应的待插入可选节点；
第三确定模块，用于将所述待插入可选节点插入对应的子路径中，得到目标路径。
可选地，所述系统还包括：
删除模块，用于在所述起始节点为各所述必经节点中的一个的情况下，在所述必经节点中删除所述起始节点。
可选地，所述时间距离信息表示两个节点之间的可达时间；所述系统还包括：
交通估计模块，用于在考虑交通状况的情况下，对当前交通状况进行估计，得到当前交通流量值；
更新模块，用于基于所述当前交通流量值，对所述时间距离信息进行更新。
可选地，所述交通估计模块，具体用于：
基于起始节点坐标和终止节点坐标，确定多个预设区域；
基于各预设区域的历史交通流量值，利用线性回归算法对各所述预设区域的当前交通状况进行估计，得到各预设区域的交通流量值；
基于各所述预设区域的交通流量值，确定当前交通流量值。
可选地，所述更新模块，具体用于：
将所述当前交通流量值转换为拥塞系数；
将时间距离信息更新为：所述拥塞系数与所述时间距离信息的乘积。
可选地，所述第二确定模块，具体用于：
遍历每一子路径，基于所述时间距离信息以及每一可选节点对应的任务收益，在所述可选节点中确定每一子路径对应的待插入可选节点，其中，所述可选节点对应的任务收益用于表征收集该可选节点的数据所得的收益。
可选地，所述第二确定模块，具体用于：
基于各所述可选节点与所述子路径的开始节点之间的时间距离信息、各所述可选节点与所述子路径的结束节点之间的时间距离信息、以及所述子路径的开始节点和结束节点分别对应的时间窗口，在所述可选节点中确定所述子路径中能够插入的可选节点；其中，所述开始节点对应的时间窗口，用于表征所述起始节点至所述开始节点所需的任务执行时间，所述结束节点对应的时间窗口，用于表征所述起始节点至所述结束节点所需的任务执行时间；
将所述子路径中能够插入的可选节点中任务收益最大对应的可选节点，确定为所述子路径对应的待插入可选节点。
可选地，所述第一确定模块，还用于更新各必经节点对应的时间窗口；其中，所述必经节点对应的时间窗口用于表征所述起始节点至所述必经节点所需的任务执行时间；
所述第三确定模块，还用于对每一子路径中的必经节点对应的时间窗口进行更新。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现实现上述第一方面所述的方法步骤。
本发明实施例有益效果：
本发明实施例提供的一种智能路径规划的方法、系统及电子设备，考虑各节点之间的优先级，将路径规划中涉及的节点分为必经节点和可选节点，在依次将各必经节点添加至待确定路径之后，遍历基于待确定路径中每两个相邻必经节点生成的子路径，在每一子路径中智能的插入可选节点，使得在确定目标路径的过程中，不仅考虑各节点之间的位置关系，还考虑各节点之间的优先级以及时间距离信息，以使得在如灾情信息采集场景中可以确定出更加合理的数据收集路径，进而能够提高数据收集的效率，且，在每一子路径中智能的插入可选节点，能够减少网络资源的占用，进而最大化整体资源的利用率。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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，还可以根据这些附图获得其他的实施例。
图1a为相关技术中路径规划示意图；
图1b为相关技术中路径规划结果示意图；
图2为本发明实施例提供的一种智能路径规划方法的流程示意图；
图3为本发明实施例提供的一种线性回归模型仿真示意图；
图4为本发明实施例提供的一种估计交通流量值的区域确定示意图；
图5为本发明实施例提供的一种服务端结构设计示意图；
图6为本发明实施例提供的一种任务管理用户界面示意图；
图7为本发明实施例提供的一种路径规划用户界面示意图；
图8a为本发明实施例提供的一种路径规划仿真结果示意图；
图8b为本发明实施例提供的另一种路径规划仿真结果示意图；
图9为本发明实施例提供的一种路径规划评估结果示意图；
图10为本发明实施例提供的一种智能路径规划系统的结构示意图；
图11为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
相关技术中，基于Dijkstra算法的路径规划方法可以比较快速地规划出两点之间的路径，但是其只考虑了各节点之间的几何距离，而在特定的场景(例如灾情信息采集)中，因实际场景的需求，仅考虑各节点之间的几何距离得到的目标路径，可能导致数据采集的时效性较低，进而使得基于Dijkstra算法的路径规划方法无法应用于如灾情信息采集场景中。
为解决上述相关技术中存在的问题，本发明实施例提供了一种智能路径规划的方法，该方法可以包括：
获取待确定路径的相关信息，所述相关信息包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，所述时间距离信息表示两个节点之间的距离或可达时间；基于各所述必经节点与所述起始节点之间的时间距离信息，对各所述必经节点进行排序，得到必经节点序列；按照所述必经节点序列中各必经节点的排序，依次将各所述必经节点添加至待确定路径中，并确定所述待确定路径每两个相邻的必经节点生成的子路径；遍历每一子路径，在所述可选节点中确定每一子路径对应的待插入可选节点；将所述待插入可选节点插入对应的子路径中，得到目标路径。
本发明实施例提供的一种智能路径规划的方法，考虑各节点之间的优先级，将路径规划中涉及的节点分为必经节点和可选节点，在依次将各必经节点添加至待确定路径之后，遍历基于待确定路径中每两个相邻必经节点生成的子路径，在每一子路径中智能的插入可选节点，使得在确定目标路径的过程中，不仅考虑各节点之间的位置关系，还考虑各节点之间的优先级以及时间距离信息，以使得在如灾情信息采集场景中可以确定出更加合理的数据收集路径，进而能够提高数据收集的效率，且，在每一子路径中智能的插入可选节点，能够减少网络资源的占用，进而最大化整体资源的利用率。
下面对本发明实施例所提供的一种智能路径规划的方法进行详细介绍。
本发明实施例提供的一种智能路径规划的方法，可以应用于服务器等设备中，本发明实施例的应用场景例如可以是灾情信息采集场景等。实际应用中，当大型自然灾害出现时，位于每一个受灾点的灾情信息意义均十分重大，因其可以帮助救援部队快速并且准确地收集灾情程度，从而更快速地展开救援，故在这一过程中，处于车联网中的车辆需要快速前往并收集到各个灾情任务点的数据。因此，车联网需要灵活地规划分配每辆车的任务点前往顺序，路径规划中需要考虑多种影响因素，例如任务点地理位置、时间限制等。
本发明实施例以灾情信息采集场景为例进行说明，为了所规划的数据采集路径满足资源最大化“利用率”的要求，本发明实施例的路径规划中，除了考虑每个任务节点的地理位置之外，还考虑了其他多种影响因素，例如节点任务收益，任务优先级，时间限制和交通状况等。
其中，任务节点的地理位置决定了每两项任务之间的距离。可以预先采集每个任务节点的纬度和经度数值存储于服务器中，进而基于纬度和经度数值计算每两个任务节点之间的距离。
任务收益可以指定采集每个任务节点的信息对应的收益，实际应用中，从每个任务节点获得的收益是不同的，该任务收益可以以整数的形式存储，在路径规划开始前提前存储于服务器中。
任务优先级可以指定每个任务节点的类型，优选的，任务节点可以分为三种类型：必经节点，可选节点和禁止节点。必经节点表示必须进行数据收集的节点，可选节点表示可以智能地插入必经节点之间在规定时间内最大化数据采集内容的节点，禁止节点表示不可采集数据信息的节点。示例性的，路径规划中，可以将各类型的任务节点使用字符表示，例如，可以使用数字2表示必经节点，数字1表示可选节点，数字0表示禁止节点，还可以用英文字符等表示各类型节点以能够区分为准。
时间限制也可以称为时间窗口，可以指定从采集车辆出发到该任务节点的最晚时间限制，时间窗口可以在路径规划的过程中进行更新，以使用户能够知晓可以访问每个任务节点的确切时间。
交通状况用于表示各任务节点之间的交通情况，实际应用中，在交通状况几乎不影响每条路径的行驶时间的情况下，可以不考虑交通状况，而在无法忽略每条路径的交通因素的情况下，可以将交通状况考虑在路径规则中。其中，交通状况几乎不影响每条路径的行驶时间的情况，例如可以是：偏远地区或遭受战争灾难的城市地区等等，在这种情况下无需考虑交通拥堵。无法忽略每条路径的交通因素的情况，例如可以是：大城市中心的区域等等，一种情况下，任务节点A与B之间的距离为2000m，而任务节点A与C之间的距离为4000m，但是A与B路线的交通状况较为拥堵，使得两条路线的行驶时间可能几乎相同，在这种情况下就需要考虑任务节点之间的交通状况。
方法实施例1
如图2所示，图2为本发明实施例提供的一种智能路径规划的方法的流程示意图，该方法不考虑交通状况，可以包括以下步骤：
S101、获取待确定路径的相关信息。
本发明实施例以灾情信息采集场景为例进行说明，在智能路径规划的过程中，考虑任务节点的地理位置，节点任务收益，任务优先级，时间限制和交通状况等。优选地，可以在智能路径规划之前，获取将要进行数据收集的每个任务节点对应的地理位置、任务收益等信息，并将所获取的地理位置、任务收益等信息存储于服务器的数据库中，进而在需要智能路径规划时，从数据库中获取待确定路径的相关信息。
其中，相关信息可以包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，时间距离信息表示两个节点之间的距离或可达时间。起始节点的信息表示数据收集任务的路径规划起始点信息，必经节点的信息表示数据收集任务中必须前往的任务节点对应的信息，可以使用必经节点集合表示，可选节点的信息表示数据收集任务中可能前往的任务节点对应的信息，可以使用可选节点集合表示。各节点之间的时间距离信息可以基于各节点的地理位置信息计算得到，可以表示两个节点之间的距离或可达时间，也可以使用时间距离矩阵表示，在该时间距离矩阵中，各节点可以使用其对应的优先级符号进行表示，例如，使用数字2表示必经节点，数字1表示可选节点，2和1分表对应必经节点和可选节点的优先级。
在不考虑交通状况的情况下(即基于非机器学习方法的智能路径规划)，各节点之间的时间距离信息可以直接基于各节点的地理位置信息计算得到。
作为本发明实施例一种可选的实施方式，在获取待确定路径的相关信息之后，还可以执行以下操作：
在起始节点为各必经节点中的一个的情况下，在必经节点中删除起始节点。
在获取待确定路径的相关信息之后，还可以判断起始节点是否为各必经节点中的一个，并在起始节点为各必经节点中的一个的情况下，在必经节点中删除起始节点，以避免所规划的待确定路径出现逻辑问题，即避免从起始节点出发，后续再次经过该节点而出现逻辑问题，使得所规划的路径出现错误。
示例性的，可以使用如下伪代码实现判断起始节点是否为各必经节点中的一个，并在起始节点为各必经节点中的一个的情况下，在必经节点中删除起始节点：
S102、基于各必经节点与起始节点之间的时间距离信息，对各必经节点进行排序，得到必经节点序列。
根据所获取的各节点之间的时间距离信息，可以确定各必经节点与起始节点之间的时间距离信息，进而按照各必经节点与起始节点之间的时间距离由小到大的顺序对各必经节点进行排序，得到必经节点序列。
示例性的，可以使用如下伪代码实现对各必经节点进行排序：
S103、按照必经节点序列中各必经节点的排序，依次将各必经节点添加至待确定路径中，并确定待确定路径每两个相邻的必经节点生成的子路径。
依次将各必经节点添加至待确定路径中，并将待确定路径中每两个相邻的必经节点确定为一个子路径。示例性的，起始节点表示为A，按顺序添加至待确定路径中的必经节点表示为B、C和D，则AB生成一个子路径，BC生成一个子路径，CD生成一个子路径。
作为本发明实施例一种可选的实施方式，依次将各必经节点添加至待确定路径之后，还可以执行以下操作：
更新各必经节点对应的时间窗口；其中，必经节点对应的时间窗口用于表征起始节点至必经节点所需的任务执行时间。
本发明实施例中可以在路径规划之前，根据数据收集任务的需求为每一必经节点设置对应的时间窗口，用于限制任务执行的时间，在具体规划路径的过程中，对各必经节点进行排序，并依次添加至至待确定路径之后，更新各必经节点对应的时间窗口，以使用户能够知晓可以访问每个任务节点的确切时间。
示例性的，可以使用如下伪代码实现将各必经节点添加至待确定路径中，并更新各必经节点对应的时间窗口：
S104、遍历每一子路径，在可选节点中确定每一子路径对应的待插入可选节点。
作为本发明实施例一种可选的实施方式，可以遍历每一子路径，基于时间距离信息以及每一可选节点对应的任务收益，在可选节点中确定每一子路径对应的待插入可选节点，其中，可选节点对应的任务收益用于表征收集该可选节点的数据所得的收益。
本发明实施例中，可以在获取待确定路径的相关信息时，获取每一可选节点对应的任务收益，该任务收益可以是路径规划前存储数据库中的。进而根据所获取的时间距离信息以及每一可选节点对应的任务收益，确定每一子路径对应的待插入可选节点。
作为本发明实施例一种可选的实施方式，可以基于各可选节点与子路径的开始节点之间的时间距离信息、各可选节点与子路径的结束节点之间的时间距离信息、以及子路径的开始节点和结束节点分别对应的时间窗口，在可选节点中确定子路径中能够插入的可选节点。其中，开始节点对应的时间窗口，用于表征起始节点至开始节点所需的任务执行时间，结束节点对应的时间窗口，用于表征起始节点至结束节点所需的任务执行时间。
将子路径中能够插入的可选节点中任务收益最大对应的可选节点，确定为子路径对应的待插入可选节点。
本发明实施例中，可以基于各可选节点与子路径的开始节点之间的时间距离信息、各可选节点与子路径的结束节点之间的时间距离信息、以及子路径的开始节点和结束节点分别对应的时间窗口，在可选节点集合中查询所有满足：开始节点对应的时间窗口，和可选节点与子路径的开始节点之间的时间距离，以及可选节点与子路径的结束节点之间的时间距离之和，小于结束节点对应的时间窗口的所有可选节点，将所查询到的可选节点确定为子路径中能够插入的可选节点。
在所确定的子路径中能够插入的可选节点中，进一步确定任务收益最大对应的可选节点，并将其确定为子路径对应的待插入可选节点。
示例性的，可以使用如下伪代码实现遍历每一子路径，在可选节点中确定每一子路径对应的待插入可选节点：
S105、将待插入可选节点插入对应的子路径中，得到目标路径。
作为本发明实施例一种可选的实施方式，将待插入可选节点插入对应的子路径之后，还可以对每一子路径中的必经节点对应的时间窗口进行更新，以使用户能够知晓可以访问每个任务节点的确切时间。具体的，对每一子路径中的必经节点对应的时间窗口进行更新，可参照上文必经节点时间窗口的更新进行实现。
本发明实施例提供的一种智能路径规划的方法，考虑各节点之间的优先级，将路径规划中涉及的节点分为必经节点和可选节点，在依次将各必经节点添加至待确定路径之后，遍历基于待确定路径中每两个相邻必经节点生成的子路径，在每一子路径中智能的插入可选节点，使得在确定目标路径的过程中，不仅考虑各节点之间的位置关系，还考虑各节点之间的优先级，时间距离以及节点任务收益信息，以使得在如灾情信息采集场景中可以确定出更加合理的数据收集路径，进而能够提高数据收集的效率，且，在每一子路径中智能的插入可选节点，能够减少网络资源的占用，进而最大化整体资源的利用率。
方法实施例2
上述实施例可以实现在不考虑交通状况的情况下，实现智能路径的规划。实际应用中，在一些场景，例如城市中心等情况下需要考虑道路的交通状况，在考虑交通状况的情况下，上述时间距离信息可以表示两个节点之间的可达时间，相应的，在获取待确定路径的相关信息之前，还可以对当前交通状况进行估计，得到当前交通流量值，进而可以基于当前交通流量值，对时间距离信息进行更新，即所获取的待确定路径的相关信息中的各节点之间的时间距离信息为：基于当前交通流量值更新后的时间距离信息。
本发明实施例中，可以使用机器学习的方法对当前交通状况进行估计，进而得到当前交通流量值。进一步可以基于利用当前交通流量值更新后的时间距离信息，使用上述方法实施例1的实现方式实现考虑交通状况的智能路径规划(即基于机器学习方法的智能路径规划)。
可选的，可以使用线性规划算法对当前交通状况进行估计。示例性的，可以将需要进行交通状况估计的区域分为若干个等大小的矩形子区域，每个子区域的交通状况会影响任意两个任务节点之间的任务执行时间，对于每个单个子区域，根据该子区域的历史时间内交通流量数据，使用线性回归算法估算当前交通流量值。可以使用如下表达式进行估计：
其中，X表示历史日期向量，Y表示历史日期对应的交通流量值向量，XT表示向量X的转置，(XTX)-1为XTX的逆矩阵，w表示回归系数向量，Yhat表示估算的当前交通流量值。
本发明实施例中，线性回归模型没有像常规线性回归模型那样生成一条直线，而是将权重值(即回归系数)设置到每个点以检测局部区域的值变化，因此结果曲线会在某些地方波动以更好地表示趋势，如图3所示。图3中横坐标表示日期，纵坐标表示对应的交通流量值，从图3中可以看出，在某些时间段内，点的趋势下降，尽管总体结果显示出上升趋势，但局部线的趋势略有下降。通过使用局部权重来检测此类“下落”区域，与不使用“下落”区域的方法相比，估算结果将更加准确。
示例性的，可以选择历史日期为当前日期之前的19天，即上述向量X表示从第1天到第19天的日期，向量Y为X相应的交通流量值，然后，采用线性回归方法，估计当前日期即第20天的交通流量值。
作为本发明实施例一种可选的实施方式，上述对当前交通状况进行估计，得到当前交通流量值的实施方式，可以包括：
基于起始节点坐标和终止节点坐标，确定多个预设区域；
基于各预设区域的历史交通流量值，利用线性回归算法对各预设区域的当前交通状况进行估计，得到各预设区域的交通流量值；
基于各预设区域的交通流量值，确定当前交通流量值。
本发明实施例中，可以根据需要估计当前交通流量值对应区域的起始节点坐标和终止节点坐标，确定多个预设区域，即可以将需要估计当前交通流量值对应区域划分为多个子区域(即预设区域)。
示例性的，可以基于起始节点坐标和终止节点坐标，将需要估计当前交通流量值对应区域划分为16个预设区域，进而基于16个预设区域历史19天的历史交通流量值，利用线性回归算法对各预设区域的当前交通状况进行估计，得到各预设区域的交通流量值。最后，取各预设区域的交通流量值的平均值，确定为当前交通流量值。
示例性的，可以使用如下伪代码实现对当前交通状况进行估计，得到当前交通流量值：
在上述伪代码中，如果输入起始节点坐标和终止节点坐标，线性回归算法将自动找到两个位置之间的路线所覆盖的所有区域，并计算这些覆盖区域的平均交通流量值，如图4所示，图4为交通状况估计的区域确定效果示意图。图4中，当起始节点坐标在区域2并且终止节点坐标在区域15时，路线会覆盖中途的若干区域，线性回归算法会计算路线的数学表达式并找到覆盖区域为[2,6,11,15]。然后根据“取整值”，以找到最接近曲线的区域作为覆盖区域。对于每个覆盖区域，都会有一个根据过去几天的交通流量数据得出一个估计值。进而将路线覆盖的每一个区域的平均值作为上述路线的交通流量估计值。
作为本发明实施例一种可选的实施方式，上述基于当前交通流量值，对时间距离信息进行更新的实施方式，可以包括：
将当前交通流量值转换为拥塞系数；
将时间距离信息更新为：拥塞系数与时间距离信息的乘积。
本发明实施例中，在得到当前交通流量值之后，将当前交通流量值转换为拥塞系数。可选地，可以使用如下表达式将当前交通流量值转换为拥塞系数：
其中，v表示当前交通流量值，E(v)表示拥塞系数。
在计算出拥塞系数之后，将时间距离信息更新为：拥塞系数与时间距离信息的乘积。示例性的，路线穿过预设区域2和3，这两个预设区域的平均交通流量估计值为13000，而起始节点与终止节点之间的地理距离为3000m，车速为6m/s，那么时间距离信息可以为3000÷6＝500s，根据上述表达式计算得到拥塞系数E(v)＝1.3,进而将时间距离信息更新为：拥塞系数与时间距离信息的乘积，得到1.3×500＝650s。
本发明实施例中，在考虑交通状况的情况下，使用机器学习的方法对当前交通状况进行估计，得到当前交通流量值，进而基于当前交通流量值，对时间距离信息进行更新，然后，使用更新后的时间距离信息，采用上述方法实施例1中的路径规划方法实现考虑交通状况的智能路径规划，即在基于当前交通流量值，对时间距离信息进行更新后，使用上述步骤S101-S105的实现方式，实现考虑交通状况的智能路径规划。
本发明实施例提供的一种智能路径规划的方法，考虑各节点之间的优先级，将路径规划中涉及的节点分为必经节点和可选节点，在依次将各必经节点添加至待确定路径之后，遍历基于待确定路径中每两个相邻必经节点生成的子路径，在每一子路径中智能的插入可选节点，使得在确定目标路径的过程中，不仅考虑各节点之间的位置关系，还考虑各节点之间的优先级，时间距离以及节点任务收益信息，以使得在如灾情信息采集场景中可以确定出更加合理的数据收集路径，进而能够提高数据收集的效率，且，在每一子路径中智能的插入可选节点，能够减少网络资源的占用，进而最大化整体资源的利用率。且能够针对不同的场景(是否考虑交通状况)，实现结合场景的智能路径规划。
可选的，本发明实施例中，还可以对上述不考虑交通状况和考虑交通状况下路径规划结果进行评估。示例性的，可以使用如下表达式对路径规划结果进行评估：
其中，μ表示估计结果的增加比率，Tn和Tm分别表示在交通条件不可忽略的情况下根据上述方法实施例1和2得到的路径所需要的任务执行总时间。上述评估表达式仅适用于交通状况不可忽略的情况，并且不能用于不需要考虑交通状况的区域，例如偏远地区或灾区。
示例性的，本发明实施例可以设计相应的在线车辆路径规划管理系统，在该系统中，用户可以管理每一个任务节点的基本信息，包括位置、收益、时限等。此外，用户还可以调用路径规划方法，在浏览器端得到最终的路径规划结果。
具体的，在线车辆路径规划管理系统的开发环境以及相关技术可以如下：
开发环境可以使用Windows 10 CPU运行服务器和Web交互系统，以及使用MySQL8.0存储每个任务详细信息的数据库。编程语言和仿真系统的分发服务器可以用Java编写，具体在Spring Cloud框架中设计。Spring Cloud是一个微服务Web开发框架，具有清晰的代码结构和高性能的系统分发设计。浏览器端的用户界面可以使用Html编写，页面外观以及动画效果由CSS样式表和JavaScript语言驱动。因存在大量的矩阵变换和数学计算，而Python中的某些库(例如Numpy和Pandas)更擅长处理这些计算问题，故机器学习方法可以用Python编写。
管理系统仿真中模拟数据集的获取：本发明实施例中采用真实的数据集进行模拟测试，例如，原始数据集可以是从滴滴出行的开放数据集平台获取的，获取的数据集的具体内容可以是海口网约车轨迹跟踪数据集(2017年5月1日至2017年10月31日)等。
模拟数据集的清洗以及预处理：
数据集下载后，有8个文本文件，每个文本文件包含约140万行，是整个数据集的一部分。数据集包含若干列，为了最好地满足对每个区域的交通状况进行适当模拟的要求，该系统使用了“district”列和“arrive_time”列，它们代表了区号和时间。
对于“district”列，总共有4个不同的ID：460105、460106、460107、460108。由于有8个数据集文件，每个文件都可以生成4个区域所需的信息，所以总共可以获得32个信息区域，然后从中选择16个信息区域作为之后的机器学习预测模型的数据集。
对于“arrive_time”列，数据格式为“YYYY-MM-DD”，范围为2017-05-01至2017-10-31。对于8个数据集文件的每个单个文本文件，覆盖时间范围接近一个月，因此可以计算该月中每一天的订单数量。
下面列举了有关如何通过上述方法处理数据集文件1的示例。首先，在“district”列和“arrive_time”列中提取数据，并将它们组合成一个新的数据矩阵。然后，根据地区ID，可以将合并后的矩阵分为四个矩阵，每个矩阵代表该地区ID的订单信息。对于每个单个区域矩阵(日期大约为30天)可以计算每天的订单数并生成一个新的订单号矩阵。最后，由于上面的处理基于月值，并且根据数据集的条件，每个区域矩阵的天数设置为19(来去除一些异常数据)。
服务端设计
Spring Cloud是Web模块的组合，每个模块负责一项特定的服务。在此项目中，服务器中有两个模块，分别是Eureka注册中心和路径规划模块。在Spring Cloud中提供某些服务的所有其他模块都应向Eureka注册中心进行注册，以便将来进行更好的管理，例如服务监视，拥塞控制等。
每个模块都是一个Spring Boot应用程序，其中包含controller(控制)部分，service(业务)部分，mapper(持久)部分和库管理部分。controller部分负责从Web浏览器侧捕获URL(Uniform Resource Locator，统一资源定位符)，并将命令传递到服务器的下一部分，或重定向到另一个页面。Service部分从控制器捕获命令并执行服务，例如任务搜索和任务添加。mapper部分通常由一个映射器接口和相应的映射器XML(Extensible MarkupLanguage，中文为可扩展标记语言)文件组成，它负责服务器和数据库之间的数据交换，满足了服务部分中数据处理的要求，如图5所示。
UI(User Interface，用户界面)设计
用户界面的设计分为两部分：任务管理部分和路径规划部分，其中，任务管理部分用户界面如图6所示，任务管理部分的基本功能包括任务显示，任务添加，任务删除和任务信息更新。用户可以使用用户界面上显示的按钮和单元格来完成这些交互。
路径规划部分：当用户确定了所有的必经节点和可选节点之后，就可以在路径规划模块进行结果测试。用户需要在该模块中设置一些重要的参数，例如，起始节点的设置，是否在任务结束后返回起始节点以及是否开启机器学习模式等。路径规划部分用户界面如图7所示。
本发明中还可以展示基于上述数据集的某次测试结果，其中所有任务节点(存储于MySQL数据库中)的详细信息可以如下表1所示：
表1任务节点的详细信息
| 任务ID | 经度 | 纬度 | 时间限制 | 任务收益 | 节点优先级 | 任务名称 |
| 1 | 116.418 | 39.947 | 9000 | 15 | 0 | TK001 |
| 2 | 116.387 | 39.916 | 9000 | 10 | 2 | TK002 |
| 3 | 116.375 | 39.960 | 9000 | 15 | 0 | TK003 |
| 4 | 116.427 | 39.906 | 9000 | 20 | 0 | TK004 |
| 5 | 116.431 | 39.924 | 9000 | 12 | 1 | TK005* |
| 6 | 116.443 | 39.961 | 9000 | 25 | 2 | TK006 |
| 7 | 116.402 | 39.935 | 9000 | 70 | 1 | TK007 |
| 8 | 116.393 | 39.989 | 9000 | 30 | 1 | TK008 |
| 9 | 116.415 | 39.971 | 9000 | 20 | 2 | TK009 |
| 10 | 116.428 | 39.984 | 9000 | 40 | 1 | TK010 |
| 11 | 116.459 | 39.976 | 9000 | 38 | 1 | TK011 |
| 12 | 116.374 | 39.989 | 9000 | 24 | 0 | TK012 |
| 13 | 116.449 | 39.925 | 9000 | 27 | 1 | TK013 |
| 14 | 116.373 | 39.913 | 9000 | 18 | 1 | TK014 |
| 16 | 116.412 | 39.911 | 9000 | 24 | 1 | TK016 |
本次试验中，必经节点为2、6、9，可选节点为5、7、8、10、11、13、14、16。选择位置6作为起始位置并设置所有车辆数据收集完毕后不要返回起始位置。首先，在没有机器学习方法的情况下(不考虑交通状况)计划路线，结果显示在弹出层中，如图8a所示。之后，打开机器学习开关(考虑交通状况)，并重新规划路线，然后在弹出层中显示路线结果，如图8b所示。从图8a和图8b中显示的结果可以看到，非机器学习模式中，规划的路径为6>13>8>11>10>7>9>2；机器学习模式中，规划的路径为为6>11>10>9>8>2。
如上所示，用户可以在系统中利用本发明设计的两种路径规划方法对于特定区域中的车辆进行数据采集路径规划，并直观的得到路径规划结果。
此外，用户还可以根据本发明中的评估方法，查看机器学习算法相对于不考虑道路交通状况的非机器学习算法对路径规划的性能提升百分比。通过点击用户界面上“查看提升率”按钮，可以在弹层中查看分别使用两种模式的路径行驶时长，以及最终的提升率，如图9所示。
通过在机器学习方法的模式下，基于利用拥塞系数更新后的时间距离信息进行路径规划，系统可以估计两个任务节点之间的时间距离。通过图9可以看到，机器学习方法的总估计时间为1小时28分钟，而没有机器学习的时间为4小时27分钟。之后，系统使用上述评估表达式获得评估结果，计算过程如下所示：
Tn＝4h27min＝16020sec,Tm＝1h28min＝5280sec
μ＝(Tn-Tm)÷Tn＝(16020-5280)÷16020＝66.9％
可以看出，当交通状况不可忽略的情况下，使用机器学习模式(考虑交通状况)的路径规划方法可以极大地提升路径的准确性，从而最大化资源利用率。
相应于上述方法实施例，本发明实施例提供了一种智能路径规划的系统，如图10所示，该系统可以包括：
获取模块201，用于获取待确定路径的相关信息，相关信息包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，时间距离信息表示两个节点之间的距离或可达时间。
排序模块202，用于基于各必经节点与起始节点之间的时间距离信息，对各必经节点进行排序，得到必经节点序列。
第一确定模块203，用于按照必经节点序列中各必经节点的排序，依次将各必经节点添加至待确定路径中，并确定待确定路径每两个相邻的必经节点生成的子路径。
第二确定模块204，用于遍历每一子路径，在可选节点中确定每一子路径对应的待插入可选节点。
第三确定模块205，用于将待插入可选节点插入对应的子路径中，得到目标路径。
本发明实施例提供的一种智能路径规划的系统，考虑各节点之间的优先级，将路径规划中涉及的节点分为必经节点和可选节点，在依次将各必经节点添加至待确定路径之后，遍历基于待确定路径中每两个相邻必经节点生成的子路径，在每一子路径中智能的插入可选节点，使得在确定目标路径的过程中，不仅考虑各节点之间的位置关系，还考虑各节点之间的优先级以及时间距离信息，以使得在如灾情信息采集场景中可以确定出更加合理的数据收集路径，进而能够提高数据收集的效率，且，在每一子路径中智能的插入可选节点，能够减少网络资源的占用，进而最大化整体资源的利用率。
可选地，上述系统还包括：
删除模块，用于在起始节点为各必经节点中的一个的情况下，在必经节点中删除起始节点。
可选地，上述时间距离信息表示两个节点之间的可达时间；上述系统还包括：
交通估计模块，用于在考虑交通状况的情况下，对当前交通状况进行估计，得到当前交通流量值。
更新模块，用于基于当前交通流量值，对时间距离信息进行更新。
可选地，上述交通估计模块，具体用于：
基于起始节点坐标和终止节点坐标，确定多个预设区域。
基于各预设区域的历史交通流量值，利用线性回归算法对各所述预设区域的当前交通状况进行估计，得到各预设区域的交通流量值。
基于各预设区域的交通流量值，确定当前交通流量值。
可选地，上述更新模块，具体用于：
将当前交通流量值转换为拥塞系数。
将时间距离信息更新为：拥塞系数与时间距离信息的乘积。
可选地，上述第二确定模块204，具体用于：
遍历每一子路径，基于时间距离信息以及每一可选节点对应的任务收益，在可选节点中确定每一子路径对应的待插入可选节点，其中，可选节点对应的任务收益用于表征收集该可选节点的数据所得的收益。
可选地，上述第二确定模块204，具体用于：
基于各可选节点与子路径的开始节点之间的时间距离信息、各可选节点与子路径的结束节点之间的时间距离信息、以及子路径的开始节点和结束节点分别对应的时间窗口，在可选节点中确定子路径中能够插入的可选节点；其中，开始节点对应的时间窗口，用于表征起始节点至开始节点所需的任务执行时间，结束节点对应的时间窗口，用于表征起始节点至结束节点所需的任务执行时间。
将子路径中能够插入的可选节点中任务收益最大对应的可选节点，确定为子路径对应的待插入可选节点。
可选地，上述第一确定模块，还用于更新各必经节点对应的时间窗口；其中，必经节点对应的时间窗口用于表征起始节点至必经节点所需的任务执行时间。
上述第三确定模块，还用于对每一子路径中的必经节点对应的时间窗口进行更新。
本发明实施例还提供了一种电子设备，如图11所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信，
存储器303，用于存放计算机程序；
处理器301，用于执行存储器303上所存放的程序时，执行以下步骤：
获取待确定路径的相关信息，相关信息包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，时间距离信息表示两个节点之间的距离或可达时间；
基于各必经节点与起始节点之间的时间距离信息，对各必经节点进行排序，得到必经节点序列；
按照必经节点序列中各必经节点的排序，依次将各必经节点添加至待确定路径中，并确定待确定路径每两个相邻的必经节点生成的子路径；
遍历每一子路径，在可选节点中确定每一子路径对应的待插入可选节点；
将待插入可选节点插入对应的子路径中，得到目标路径。
本发明实施例提供的一种电子设备，考虑各节点之间的优先级，将路径规划中涉及的节点分为必经节点和可选节点，在依次将各必经节点添加至待确定路径之后，遍历基于待确定路径中每两个相邻必经节点生成的子路径，在每一子路径中智能的插入可选节点，使得在确定目标路径的过程中，不仅考虑各节点之间的位置关系，还考虑各节点之间的优先级，时间距离以及节点任务收益信息，以使得在如灾情信息采集场景中可以确定出更加合理的数据收集路径，进而能够提高数据收集的效率，且，在每一子路径中智能的插入可选节点，能够减少网络资源的占用，进而最大化整体资源的利用率。
上述服务器设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一一种智能路径规划的方法步骤，以达到相同的技术效果。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一一种智能路径规划的方法步骤，以达到相同的技术效果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、DSL(Digital Subscriber Line，数字用户线))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD(Digital Versatile Disc，数字多功能光盘))、或者半导体介质(例如SSD(Solid StateDisk，固态硬盘))等。
需要说明的是，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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统/电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种智能路径规划的方法，其特征在于，所述方法包括：
获取待确定路径的相关信息，所述相关信息包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，所述时间距离信息表示两个节点之间的距离或可达时间；
基于各所述必经节点与所述起始节点之间的时间距离信息，对各所述必经节点进行排序，得到必经节点序列；
按照所述必经节点序列中各必经节点的排序，依次将各所述必经节点添加至待确定路径中，并确定所述待确定路径每两个相邻的必经节点生成的子路径；
遍历每一子路径，在所述可选节点中确定每一子路径对应的待插入可选节点；
将所述待插入可选节点插入对应的子路径中，得到目标路径。
2.根据权利要求1所述的方法，其特征在于，在获取待确定路径的相关信息之后，所述方法还包括：
在所述起始节点为各所述必经节点中的一个的情况下，在所述必经节点中删除所述起始节点。
3.根据权利要求1所述的方法，其特征在于，所述时间距离信息表示两个节点之间的可达时间；
在获取待确定路径的相关信息之前，所示方法还包括：
在考虑交通状况的情况下，对当前交通状况进行估计，得到当前交通流量值；
基于所述当前交通流量值，对所述时间距离信息进行更新。
4.根据权利要求3所述的方法，其特征在于，所述对当前交通状况进行估计，得到当前交通流量值，包括：
基于起始节点坐标和终止节点坐标，确定多个预设区域；
基于各预设区域的历史交通流量值，利用线性回归算法对各所述预设区域的当前交通状况进行估计，得到各预设区域的交通流量值；
基于各所述预设区域的交通流量值，确定当前交通流量值。
5.根据权利要求3所述的方法，其特征在于，所述基于所述当前交通流量值，对所述时间距离信息进行更新，包括：
将所述当前交通流量值转换为拥塞系数；
将时间距离信息更新为：所述拥塞系数与所述时间距离信息的乘积。
6.根据权利要求1所述的方法，其特征在于，所述遍历每一子路径，在所述可选节点中确定每一子路径对应的待插入可选节点，包括：
遍历每一子路径，基于所述时间距离信息以及每一可选节点对应的任务收益，在所述可选节点中确定每一子路径对应的待插入可选节点，其中，所述可选节点对应的任务收益用于表征收集该可选节点的数据所得的收益。
7.根据权利要求6所述的方法，其特征在于，所述遍历每一子路径，基于所述时间距离信息以及每一可选节点对应的任务收益，在所述可选节点中确定每一子路径对应的待插入可选节点，包括：
基于各所述可选节点与所述子路径的开始节点之间的时间距离信息、各所述可选节点与所述子路径的结束节点之间的时间距离信息、以及所述子路径的开始节点和结束节点分别对应的时间窗口，在所述可选节点中确定所述子路径中能够插入的可选节点；其中，所述开始节点对应的时间窗口，用于表征所述起始节点至所述开始节点所需的任务执行时间，所述结束节点对应的时间窗口，用于表征所述起始节点至所述结束节点所需的任务执行时间；
将所述子路径中能够插入的可选节点中任务收益最大对应的可选节点，确定为所述子路径对应的待插入可选节点。
8.根据权利要求1所述的方法，其特征在于，依次将各所述必经节点添加至待确定路径之后，所述方法还包括：
更新各必经节点对应的时间窗口；其中，所述必经节点对应的时间窗口用于表征所述起始节点至所述必经节点所需的任务执行时间；
将所述待插入可选节点插入对应的子路径之后，所述方法还包括：
对每一子路径中的必经节点对应的时间窗口进行更新。
9.一种智能路径规划的系统，其特征在于，所述系统包括：
获取模块，用于获取待确定路径的相关信息，所述相关信息包括：起始节点的信息，必经节点的信息，可选节点的信息，以及各节点之间的时间距离信息，所述时间距离信息表示两个节点之间的距离或可达时间；
排序模块，用于基于各所述必经节点与所述起始节点之间的时间距离信息，对各所述必经节点进行排序，得到必经节点序列；
第一确定模块，用于按照所述必经节点序列中各必经节点的排序，依次将各所述必经节点添加至待确定路径中，并确定所述待确定路径每两个相邻的必经节点生成的子路径；
第二确定模块，用于遍历每一子路径，在所述可选节点中确定每一子路径对应的待插入可选节点；
第三确定模块，用于将所述待插入可选节点插入对应的子路径中，得到目标路径。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110545242.9A CN113159457A (zh) | 2021-05-19 | 2021-05-19 | 一种智能路径规划的方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110545242.9A CN113159457A (zh) | 2021-05-19 | 2021-05-19 | 一种智能路径规划的方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113159457A true CN113159457A (zh) | 2021-07-23 |
Family
ID=76876832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110545242.9A Pending CN113159457A (zh) | 2021-05-19 | 2021-05-19 | 一种智能路径规划的方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113159457A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610304A (zh) * | 2021-08-11 | 2021-11-05 | 北京京东乾石科技有限公司 | 一种拥堵预测方法、装置、设备和存储介质 |
| CN114124790A (zh) * | 2021-11-29 | 2022-03-01 | 卡莱特云科技股份有限公司 | 一种基于有向无环图的数据传输方法、装置及电子设备 |
| CN114861091A (zh) * | 2022-07-11 | 2022-08-05 | 成都秦川物联网科技股份有限公司 | 智慧城市交通路径确定方法、物联网系统、装置及介质 |
| CN118640924A (zh) * | 2024-08-16 | 2024-09-13 | 苏州瑞云智服信息科技有限公司 | 一种基于插值算法的巡检路线规划方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
| CN110657818A (zh) * | 2019-10-17 | 2020-01-07 | 北京百度网讯科技有限公司 | 自动驾驶车辆的路径规划方法、装置、设备及存储介质 |
| CN111750862A (zh) * | 2020-06-11 | 2020-10-09 | 深圳优地科技有限公司 | 基于多区域的机器人路径规划方法、机器人及终端设备 |
| CN112615780A (zh) * | 2020-12-03 | 2021-04-06 | 新华三大数据技术有限公司 | 一种sdn网络中数据流的备选路径确定方法及装置 |
-
2021
- 2021-05-19 CN CN202110545242.9A patent/CN113159457A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
| CN110657818A (zh) * | 2019-10-17 | 2020-01-07 | 北京百度网讯科技有限公司 | 自动驾驶车辆的路径规划方法、装置、设备及存储介质 |
| CN111750862A (zh) * | 2020-06-11 | 2020-10-09 | 深圳优地科技有限公司 | 基于多区域的机器人路径规划方法、机器人及终端设备 |
| CN112615780A (zh) * | 2020-12-03 | 2021-04-06 | 新华三大数据技术有限公司 | 一种sdn网络中数据流的备选路径确定方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 张攀: ""移动群智感知系统中地理位置相关的任务分配问题研究"", 《中国通信学会会议论文集》 * |
| 杨少伟: ""立体交叉的交通流量预测"", 《道路立体交叉规划与设计》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610304A (zh) * | 2021-08-11 | 2021-11-05 | 北京京东乾石科技有限公司 | 一种拥堵预测方法、装置、设备和存储介质 |
| CN114124790A (zh) * | 2021-11-29 | 2022-03-01 | 卡莱特云科技股份有限公司 | 一种基于有向无环图的数据传输方法、装置及电子设备 |
| CN114124790B (zh) * | 2021-11-29 | 2023-08-01 | 卡莱特云科技股份有限公司 | 一种基于有向无环图的数据传输方法、装置及电子设备 |
| CN114861091A (zh) * | 2022-07-11 | 2022-08-05 | 成都秦川物联网科技股份有限公司 | 智慧城市交通路径确定方法、物联网系统、装置及介质 |
| US11754410B1 (en) | 2022-07-11 | 2023-09-12 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things systems for determining government traffic routes in smart cities |
| CN118640924A (zh) * | 2024-08-16 | 2024-09-13 | 苏州瑞云智服信息科技有限公司 | 一种基于插值算法的巡检路线规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159457A (zh) | 一种智能路径规划的方法、系统及电子设备 | |
| CN110909096B (zh) | 推荐上车点确定方法及装置、存储介质、电子设备 | |
| CN110210604B (zh) | 一种终端设备移动轨迹预测方法及装置 | |
| Chen et al. | Reliable shortest path finding in stochastic networks with spatial correlated link travel times | |
| US7355528B2 (en) | Traffic information providing system and car navigation system | |
| CN108834077B (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
| US9785897B2 (en) | Methods and systems for optimizing efficiency of a workforce management system | |
| CN112556717B (zh) | 出行方式筛选方法和出行路线推荐方法和装置 | |
| CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
| WO2015177858A1 (ja) | トリップ属性推定システム、トリップ属性推定方法、トリップ属性推定プログラム、及び交通行動調査システム | |
| CN111507541A (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
| CN104599002A (zh) | 预测订单价值的方法及设备 | |
| Fakhrmoosavi et al. | An iterative learning approach for network contraction: Path finding problem in stochastic time‐varying networks | |
| CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
| CN110986992A (zh) | 无人售卖车辆的导航方法、装置、电子设备和存储介质 | |
| CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
| Klunder et al. | Improvement of Network Performance by In‐Vehicle Routing Using Floating Car Data | |
| CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
| CN108140027A (zh) | 用于地图的访问点 | |
| CN111242723B (zh) | 用户子女情况判断方法、服务器及计算机可读存储介质 | |
| CN113284337A (zh) | 基于车辆轨迹多维数据的od矩阵计算方法及装置 | |
| KR20190083268A (ko) | 위치 정보를 이용한 분석용 경로 데이터 생성 방법과, 생성 시스템과, 위치 정보를 이용한 분석용 경로 데이터 생성 서비스를 운영하는 방법 및 운영 시스템 | |
| EP1388824A2 (en) | Communication terminal and information processing apparatus of a payment system | |
| CN115063175A (zh) | 店铺服务范围划定方法、系统、计算机设备及存储介质 | |
| CN114692968A (zh) | 取号处理方法、装置以及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |