CN113222277A - 基于动态分配算法的城市区域物流无人机需求预测方法 - Google Patents

Abstract

本发明公开了一种基于动态分配算法的城市区域物流无人机需求预测方法，包括：获取城市低空区域飞行环境信息，获取物流无人机运输性能参数；结合物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求，建立物流无人机运输任务优化分配模型，然后利用集合元素求解法建立物流无人机需求架次预测模型；基于物流无人机需求架次预测模型，考虑不同任务点处包裹数量、所在低空区域飞行环境信息、物流无人机运输性能，采用动态分配算法预测物流无人机需求架次。本发明综合考虑城市低空空域运输环境与物流无人机自身性能参数，合理分配物流无人机运输任务，实现城市区域物流无人机需求预测。

Description

基于动态分配算法的城市区域物流无人机需求预测方法

技术领域

本发明涉及物流无人机需求预测技术领域，特别是涉及一种基于动态分配算法的城市区域物流无人机需求预测方法。

背景技术

近年来，城市区域道路拥挤严重，物流配送需求剧增，配送人员需求逐年提高，再加上人口老龄化等社会问题，使得配送成本逐年增高，为物流无人机进入运输市场带来巨大机遇。现代市场经济下，各个领域的竞争日益激烈，为鉴别投资建设方向、降低建设风险、增强竞争能力，必须对无人机运输市场需求进行预测，才能开展后期物流无人机选址、低空航路网络精细规划等相关问题的研究，实现资源的合理配置和有效利用，使得无人机成为未来物流系统不可缺少的基础设施，从而助力于物流业的发展。

物流无人机需求预测是指在一定的时期和一定价格水平下，某区域对物流无人机运输货物具有支付能力的需要。不同于其他运输工具的需求预测，一方面现阶段物流无人机并未进入运输市场，没有相关历史数据；另一方面，物流无人机的运行环境是三维空域，其限制条件众多，如何综合空域条件限制和物流运输特点分析物流无人机运输需求亟待研究。

目前，国内外对物流无人机需求预测的研究较少，相关研究并未考虑物流无人机飞行环境的限制，只是单纯地从市场角度分析物流无人机需求预测，未体现物流无人机的运输特点和任务要求。为无人机更好地进入运输市场，亟需考虑无人机运行环境和运输特点的物流无人机运输任务分配方法，实现物流无人机运输任务分配和无人机需求架次预测，以贴合实际运用需求。

发明内容

本发明的目的是提供一种基于动态分配算法的城市区域物流无人机需求预测方法，综合考虑城市低空空域运输环境与物流无人机自身性能参数，合理分配物流无人机运输任务，实现城市区域物流无人机需求预测，具有较强的实用价值。

为实现上述目的，本发明提供了如下方案：

一种基于动态分配算法的城市区域物流无人机需求预测方法，该方法包括以下步骤：

S1，获取城市低空区域飞行环境信息，确定物流无人机飞行空域范围；

S2，获取物流无人机运输性能参数，明确物流无人机自身飞行限制条件；

S3，在物流无人机飞行空域范围内，结合物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求，建立物流无人机运输任务优化分配模型；

S4，在物流无人机运输任务优化分配模型的基础上，利用集合元素求解法建立物流无人机需求架次预测模型；

S5，基于物流无人机需求架次预测模型，考虑不同任务点处包裹数量、所在低空区域飞行环境信息、物流无人机运输性能，采用动态分配算法预测物流无人机需求架次。

进一步的，所述步骤S1，获取城市低空区域飞行环境信息，确定物流无人机飞行空域范围，具体包括：

获取城市低空区域飞行环境信息，包括禁飞区域、限制区域和隔离区域信息，明确城市区域可用于物流无人机飞行的空域范围；

在城市区域可用于物流无人机飞行的空域范围内，获取城市区域地理环境信息和建筑物障碍信息，建立地理围栏，以确定物流无人机飞行空域范围。

进一步的，所述步骤S2中，获取物流无人机运输性能参数，明确物流无人机自身飞行限制条件，具体包括：

S201，物流无人机m在每个工作时段内连续执行配送任务的总距离不能超过其最大续航里程

的限制；

S202，物流无人机m在执行一次配送任务时所载的总包裹重量不能超过其最大有效载重

的约束；

S203，物流无人机m在连续执行配送任务时，其总飞行时间要在其最大续航时间

的范围内。

进一步的，所述步骤S3，在物流无人机飞行空域范围内，结合物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求，建立物流无人机运输任务优化分配模型，具体包括：

S301，物流无人机在城市低空区域运行限制条件为：物流无人机m在确定的飞行空域范围内飞行，飞行高度h^m要在该飞行空域范围允许的最小飞行高度H_min与最大飞行高度H_max之间；飞行速度v^m要在该飞行空域范围允许的最小飞行速度V_min与最大飞行速度V_max之间；判断物流无人机是否为该飞行空域范围禁飞的机型，若是，则替换机型；

S302，物流运输任务要求为：运输距离、运输时间、运输重量；

S303，以物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求为约束条件，以任务完成时间最短为目标函数，建立物流无人机运输任务优化分配模型。

进一步的，所述步骤S4中，在物流无人机运输任务优化分配模型的基础上，利用集合元素求解法建立物流无人机需求架次预测模型，具体包括：

基于物流无人机运输任务优化分配模型，求得任务完成最短时间成本；

最短时间成本包括配送时间、调度时间和充电时间，而对单个任务来说，配送过程中起点和终点位置固定，时间最短问题可转化为求两点间的最短路问题，从无人机当前位置出发找出与该点距离和时间加权最小的任务进行执行，确保调度时间最短，从而建立物流无人机需求架次预测模型。

进一步的，所述步骤S5，基于物流无人机需求架次预测模型，考虑不同任务点处包裹数量、所在低空区域飞行环境信息、物流无人机运输性能，采用动态分配算法预测物流无人机需求架次，具体包括：

S501，获取物流运输任务数据，包括起点、终点和包裹数量；

S502，设定代价函数、评估函数和启发函数，代价函数为从起点到当前点的实际代价，评估函数为从当前点到终点的估算代价，其值为当前位置与终点之间的曼哈顿距离，启发函数为代价函数和评估函数之和；

S503，建立用于A*算法的OPEN表和CLOSE表，并将起点加入OPEN表；

S504，获取OPEN表中启发函数值最小的点，从OPEN表中移除，并加入CLOSE表，若该点为终点则寻路结束，回溯出结果路径；

S505，以该点为中心，获取周围三维空间中26个点信息，计算启发函数并加入OPEN表，并跳转至步骤S404；

S506，当OPEN表为空或已经寻得路径时，结合当前无人机完成任务时的位置和时间信息，获取空间距离和时间距离加权值最小的任务并进入步骤S401，若所有任务均已执行完毕则算法结束；

S507，在使用动态分配算法完成物流无人机运输任务分配后，统计使用的物流无人机数量，预测物流无人机需求架次。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于动态分配算法的城市区域物流无人机需求预测方法，在物流无人机飞行空域范围内，结合物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求，建立物流无人机运输任务优化分配模型，并设计动态分配算法求解任务分配结果和无人机需求架次；一方面，在任务分配模型中增加了空域环境信息，使得该任务分配更贴合实际；另一方面，使用动态分配算法求解无人机需求，即使无人机及环境信息发生变化，也能够进行当前条件下的无人机需求预测。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于动态分配算法的城市区域物流无人机需求预测方法的流程图；

图2为本发明实施例中动态分配算法流程图。

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在没有做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。

本发明的目的是提供一种基于动态分配算法的城市区域物流无人机需求预测方法，综合考虑城市低空空域运输环境与物流无人机自身性能参数，合理分配物流无人机运输任务，实现城市区域物流无人机需求预测，具有较强的实用价值。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的基于动态分配算法的城市区域物流无人机需求预测方法，包括：

S1，获取城市低空区域飞行环境信息，确定物流无人机飞行空域范围；具体包括：

获取城市低空区域飞行环境信息，包括禁飞区域、限制区域和隔离区域信息，明确城市区域可用于物流无人机飞行的空域范围；

在城市区域可用于物流无人机飞行的空域范围内，获取城市区域地理环境信息和建筑物障碍信息，建立地理围栏，以确定物流无人机飞行空域范围；

其中，将无人机飞行空域中所涉及到的影响无人机飞行的障碍物以外边界为边框，增加安全裕度，划设“地理围栏”，并作为禁飞区域，禁止无人机从障碍物内部穿过；

S2，获取物流无人机运输性能参数，明确物流无人机自身飞行限制条件；具体包括：

S201，物流无人机m在每个工作时段内连续执行配送任务的总距离不能超过其最大续航里程

的限制；这是由于无人机续航能力所限；用公式表示为：

式中：M表示无人机的集合；

表示无人机m在第i工作时段内连续执行配送任务次数，N^*为正整数的集合；

表示无人机m在第i工作时段内连续执行第n次任务时飞行的距离。I^m是无人机m每天工作时段的集合，I^m∈N，N为自然数的集合；

S202，物流无人机m在执行一次配送任务时所载的总包裹重量不能超过其最大有效载重

的约束；这是由于无人机载重有限；用公式表示为：

式中：

表示无人机m在工作时段i内执行第n次任务时，所携带的第k件包裹的重量；

表示无人机m在工作时段i内执行第n次任务时，所携带的包裹总数量。

S203，物流无人机m在连续执行配送任务时，其总飞行时间要在其最大续航时间

的范围内；这是由于无人机在飞行过程中需要动力支撑；

用公式表示为：

式中：

表示无人机m在工作时段i内连续执行第n次任务时所用的飞行时间。

S3，在物流无人机飞行空域范围内，结合物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求，建立物流无人机运输任务优化分配模型；

S4，在物流无人机运输任务优化分配模型的基础上，利用集合元素求解法建立物流无人机需求架次预测模型；

S5，基于物流无人机需求架次预测模型，考虑不同任务点处包裹数量、所在低空区域飞行环境信息、物流无人机运输性能，采用动态分配算法预测物流无人机需求架次。

其中，城市区域低空空域环境信息，包括禁飞区域、限制区域和隔离区域的位置、时效等信息；所述步骤1中，在不考虑城市低空空域复杂的天气条件(如低空风切变、严重结冰、极端降水等极端恶劣天气)、飞鸟及其他通航作业的航空器影响等动态信息的条件下，单纯考虑：军民航活动、区域布局和地面人口密度等条件划分无人机运行空域，将空域划分为禁飞区、限制区、隔离区等，以保障物流无人机在城市低空空域的高效运行。

所述步骤S3具体包括：

S301，物流无人机在城市低空区域运行限制条件为：物流无人机m在确定的飞行空域范围内飞行，飞行高度h^m要在该飞行空域范围允许的最小飞行高度H_min与最大飞行高度H_max之间；用公式表示为：

飞行速度v^m要在该飞行空域范围允许的最小飞行速度V_min与最大飞行速度V_max之间；用公式表示为：

判断物流无人机是否为该飞行空域范围禁飞的机型，若是，则替换机型；

此外，由于低空空域存在很多限制，有些区域不允许无人机飞行，有些区域限制某种类型的无人机飞行，因此无人机m在执行运输时，要满足配送航段的空域飞行限制条件，用公式表示为：

式中：

表示无人机m是否可以在航段s,t间飞行，

时表示无人机m可以在航段s,t间飞行，

时表示无人机m不可以在航段s,t间飞行，A表示无人机飞行航段上起始点、中间点的集合。

S302，物流运输任务要求为：运输距离、运输时间、运输重量；

其中，运输重量的要求为：

无人机在执行配送任务时，应该将全部的包裹送到客户手中，即由无人机运送的包裹量应该与客户需要送达的包裹量相等，用公式表示为：

式中：C表示客户接收点的集合；

运输时间的要求为：

无人机m在执行配送任务时，要尽可能地在指定的时间内完成配送任务，用公式表示为：

式中，

表示无人机m实际将包裹k送达的时间；

表示包裹k要求送达的最晚时间；

表示无人机m实际领取包裹k的时间；

表示无人机m应该领取包裹k的时间；P表示包裹的集合。

S303，以物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求为约束条件，以任务完成时间最短为目标函数，建立物流无人机运输任务优化分配模型；具体包括：

以任务完成时间最短为目标函数，

为了方便表述时间因子，增加了时间成本系数T_α来描述时间成本代价，具体表述如下：

1)假设当无人机提前和准时到达客户自提点时，时间成本系数T_α相同；当货物送达时间

晚于客户要求时间

送达时，要增加时间惩罚成本。用公式表示为：

式中：a表示在客户规定时间内送达的时间成本系数；b表示超出规定时间的时间惩罚系数。

2)建立目标函数，最小化任务完成时间成本可以表示为：

综上所述，建立无人机运输任务分配模型如下：

其中，如图2所示，所述步骤S4中，在物流无人机运输任务优化分配模型的基础上，利用集合元素求解法建立物流无人机需求架次预测模型，具体包括：

基于物流无人机运输任务优化分配模型，求得任务完成最短时间成本；

最短时间成本包括配送时间、调度时间和充电时间，而对单个任务来说，配送过程中起点和终点位置固定，时间最短问题可转化为求两点间的最短路问题，从无人机当前位置出发找出与该点距离和时间加权最小的任务进行执行，确保调度时间最短。

在完成无人机运输任务分配之后，将所使用的无人机架次进行求和，用公式表示为：

M_count＝crad(M) (13)

式中，M_count表示物流无人机需求量，crad(M)表示求解集合M的元素个数，M表示执行配送任务的物流无人机集合。

其中，所述步骤S5，包括利用A*算法考虑飞行环境约束和性能约束，求解最短的运输路线；利用动态分配算法考虑运输任务要求和无人机实时配送状态，完成物流无人机运输任务分配；最后，统计预测物流无人机需求架次，具体包括：

S501，获取物流运输任务数据，包括起点、终点和包裹数量；

设(X_c,Y_c,Z_c)，(X_e,Y_e,Z_e)分别表示当前点坐标和终点坐标；

S502，设定代价函数、评估函数和启发函数，代价函数g(n)为从起点到当前点的实际代价，评估函数h(n)＝abs(X_e-X_c)+abs(Y_e-Y_c)+abs(Z_e-Z_c)为从当前点到终点的估算代价，其值为当前位置与终点之间的曼哈顿距离，启发函数为代价函数和评估函数之和；

S503，建立用于A*算法的OPEN表和CLOSE表，并将起点加入OPEN表；

S504，获取OPEN表中启发函数值最小的点，从OPEN表中移除，并加入CLOSE表，若该点为终点则寻路结束，回溯出结果路径；

S505，以该点为中心，获取周围三维空间中26个点信息，计算启发函数并加入OPEN表，并跳转至步骤S404；

S506，当OPEN表为空或已经寻得路径时，结合当前无人机完成任务时的位置和时间信息，获取空间距离和时间距离加权值最小的任务并进入步骤S401，若所有任务均已执行完毕则算法结束；具体地，获取满足空域限制和性能限制的任务数据，若任务数据不为空，则分配无人机并更新无人机位置为任务结束位置，若续航时间不足则进行通电，获取起始点与当前无人机时间和距离加权最短的任务进行执行，直至任务数据为空则处理完毕算法结束；

S507，在使用动态分配算法完成物流无人机运输任务分配后，统计使用的物流无人机数量，预测物流无人机需求架次。

本发明提供的基于动态分配算法的城市区域物流无人机需求预测方法，在物流无人机飞行空域范围内，结合物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求，建立物流无人机运输任务优化分配模型，并设计动态分配算法求解任务分配结果和无人机需求架次；一方面，在任务分配模型中增加了空域环境信息，使得该任务分配更贴合实际；另一方面，使用动态分配算法求解无人机需求，即使无人机及环境信息发生变化，也能够进行当前条件下的无人机需求预测。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于动态分配算法的城市区域物流无人机需求预测方法，其特征在于，包括以下步骤：

S1，获取城市低空区域飞行环境信息，确定物流无人机飞行空域范围；

S2，获取物流无人机运输性能参数，明确物流无人机自身飞行限制条件；

S3，在物流无人机飞行空域范围内，结合物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求，建立物流无人机运输任务优化分配模型；

S4，在物流无人机运输任务优化分配模型的基础上，利用集合元素求解法建立物流无人机需求架次预测模型；

S5，基于物流无人机需求架次预测模型，考虑不同任务点处包裹数量、所在低空区域飞行环境信息、物流无人机运输性能，采用动态分配算法预测物流无人机需求架次。

2.根据权利要求1所述的基于动态分配算法的城市区域物流无人机需求预测方法，其特征在于，所述步骤S1，获取城市低空区域飞行环境信息，确定物流无人机飞行空域范围，具体包括：

获取城市低空区域飞行环境信息，包括禁飞区域、限制区域和隔离区域信息，明确城市区域可用于物流无人机飞行的空域范围；

在城市区域可用于物流无人机飞行的空域范围内，获取城市区域地理环境信息和建筑物障碍信息，建立地理围栏，以确定物流无人机飞行空域范围。

3.根据权利要求1所述的基于动态分配算法的城市区域物流无人机需求预测方法，其特征在于，所述步骤S2中，获取物流无人机运输性能参数，明确物流无人机自身飞行限制条件，具体包括：

S201，物流无人机m在每个工作时段内连续执行配送任务的总距离不能超过其最大续航里程

的限制；

S202，物流无人机m在执行一次配送任务时所载的总包裹重量不能超过其最大有效载重

的约束；

S203，物流无人机m在连续执行配送任务时，其总飞行时间要在其最大续航时间

的范围内。

4.根据权利要求1所述的基于动态分配算法的城市区域物流无人机需求预测方法，其特征在于，所述步骤S3，在物流无人机飞行空域范围内，结合物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求，建立物流无人机运输任务优化分配模型，具体包括：

S301，物流无人机在城市低空区域运行限制条件为：物流无人机m在确定的飞行空域范围内飞行，飞行高度h^m要在该飞行空域范围允许的最小飞行高度H_min与最大飞行高度H_max之间；飞行速度v^m要在该飞行空域范围允许的最小飞行速度V_min与最大飞行速度V_max之间；判断物流无人机是否为该飞行空域范围禁飞的机型，若是，则替换机型；

S302，物流运输任务要求为：运输距离、运输时间、运输重量；

S303，以物流无人机在城市低空区域运行限制条件、物流无人机自身飞行限制条件以及物流运输任务要求为约束条件，以任务完成时间最短为目标函数，建立物流无人机运输任务优化分配模型。

5.根据权利要求1所述的基于动态分配算法的城市区域物流无人机需求预测方法，所述步骤S4中，在物流无人机运输任务优化分配模型的基础上，利用集合元素求解法建立物流无人机需求架次预测模型，具体包括：

基于物流无人机运输任务优化分配模型，求得任务完成最短时间成本；

最短时间成本包括配送时间、调度时间和充电时间，而对单个任务来说，配送过程中起点和终点位置固定，时间最短问题可转化为求两点间的最短路问题，从无人机当前位置出发找出与该点距离和时间加权最小的任务进行执行，确保调度时间最短，从而建立物流无人机需求架次预测模型。

6.根据权利要求1所述的基于动态分配算法的城市区域物流无人机需求预测方法，其特征在于，所述步骤S5，基于物流无人机需求架次预测模型，考虑不同任务点处包裹数量、所在低空区域飞行环境信息、物流无人机运输性能，采用动态分配算法预测物流无人机需求架次，具体包括：

S501，获取物流运输任务数据，包括起点、终点和包裹数量；

S502，设定代价函数、评估函数和启发函数，代价函数为从起点到当前点的实际代价，评估函数为从当前点到终点的估算代价，其值为当前位置与终点之间的曼哈顿距离，启发函数为代价函数和评估函数之和。

S503，建立用于A*算法的OPEN表和CLOSE表，并将起点加入OPEN表；

S504，获取OPEN表中启发函数值最小的点，从OPEN表中移除，并加入CLOSE表，若该点为终点则寻路结束，回溯出结果路径；

S505，以该点为中心，获取周围三维空间中26个点信息，计算启发函数并加入OPEN表，并跳转至步骤S404；

S506，当OPEN表为空或已经寻得路径时，结合当前无人机完成任务时的位置和时间信息，获取空间距离和时间距离加权值最小的任务并进入步骤S401，若所有任务均已执行完毕则算法结束；

S507，在使用动态分配算法完成物流无人机运输任务分配后，统计使用的物流无人机数量，预测物流无人机需求架次。

Images