CN113570891B - 一种基于大数据的加氢站工作计划智能提醒方法及系统 - Google Patents
一种基于大数据的加氢站工作计划智能提醒方法及系统 Download PDFInfo
- Publication number
- CN113570891B CN113570891B CN202110779543.8A CN202110779543A CN113570891B CN 113570891 B CN113570891 B CN 113570891B CN 202110779543 A CN202110779543 A CN 202110779543A CN 113570891 B CN113570891 B CN 113570891B
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- station
- big data
- time
- hydrogenation
- 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.)
- Active
Links
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 254
- 239000001257 hydrogen Substances 0.000 title claims abstract description 254
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005984 hydrogenation reaction Methods 0.000 claims abstract description 121
- 238000002360 preparation method Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000013136 deep learning model Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000013589 supplement Substances 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 150000002431 hydrogen Chemical class 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G06Q50/40—
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- 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
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/32—Hydrogen storage
Landscapes
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Emergency Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据的加氢站工作计划智能提醒方法及系统。其中的方法包括:S1,响应于加氢请求,确定目标加氢站;S2,调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测;S3,将所述工作计划输出至终端。本发明的技术方案能够基于与加氢站相关的大数据来预测出加氢站的工作计划,进而给氢能源车的加氢操作提供指导,降低加氢成本及提高加氢效率。
Description
技术领域
本发明涉及氢能源技术领域,具体而言,涉及一种基于大数据的加氢站工作计划智能提醒方法、系统、电子设备及计算机存储介质。
背景技术
碳达峰、碳中和已经成为中国和世界各国必须面临的国家任务。寻找清洁能源,是两碳战役中的最优选择。据相关机构预测,2060年碳中和的情况下,中国的能源结构中得有8%依赖完全清洁的氢气能源。绿色的氢能源最终产物是水,它的普及是一件前景美好但过程周折的事情,这其中需要各个产业链的打通。
其中,加氢站就是氢能源产业的至关重要的一环。对于氢能源汽车的驾驶员来说,加氢站的真实情况对其是十分重要的。举例而言,如果氢能源汽车到达加氢站时,加氢站处于非工作状态或拥堵状态,则显然会导致氢能源车路程及能源的浪费,进而增加其运营成本,这对于营运氢能源车来说尤其敏感。但是,如果驾驶员能够及时知晓加氢站的工作状态,则可以基于其工作状态决定是来该加氢站加氢、还是继续行驶至其他加氢站。
发明人通过检索现有后并没有发现对加氢站工作状态对外汇报的相关文献,同时,类比相近邻域的知识,对于站点工作状态的提醒都是由站点的工作人员基于站点的实时情况而采用门口挂牌、网站公布来实现,显然,这些方式都具有明显的滞后性,无法给氢能源车的高效、精准的加氢操作提供有益的指导。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供了一种基于大数据的加氢站工作计划智能提醒方法、系统、电子设备及计算机存储介质,对加氢站的工作计划进行预测,并将其提供给氢能源车的驾驶员,以辅助其对是否前往加氢做出抉择,进而提高氢能源车的加氢效率及经济性。
本发明的第一方面提供了一种基于大数据的加氢站工作计划智能提醒方法,所述方法包括:
S1,响应于加氢请求,确定目标加氢站;
S2,调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测;
S3,将所述工作计划输出至终端。
优选地,所述加氢请求是由氢能源车基于储氢剩余情况自主触发,或由氢能源车乘员手动触发。
优选地,所述大数据包括氢能源车大数据、配送站大数据及交通实时大数据;
步骤S2中,所述调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测,包括:
S20,基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列;
S21,基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列;
S22,基于所述加氢需求量的第一时间序列和所述第二时间序列,计算得出预测的该目标加氢站的工作计划。
优选地,所述氢能源车大数据包括历史轨迹数据和实时轨迹数据;
则步骤S20中,所述基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列,包括:
S201,对第一范围内的道路进行分类,分为高等级道路和低等级道路;
S202,确定所述高等级道路在所述第一范围内的所有出口,基于历史轨迹数据确定从所述出口中驶出的氢能源车数量的第三时间序列;
S203,基于所述实时轨迹数据确定所述低等级道路在所述第一范围内的氢能源车数量的第四时间序列;
S204,基于所述第三时间序列和所述第四时间序列确定加氢需求量的第一时间序列。
优选地,所述历史轨迹数据中还包括行驶计划数据;
则所述步骤S202,还包括:
基于路网结构判断从对应出口中驶出的氢能源车前往目标加氢站加氢后的路线是否需要折返,若是,则采用第五权重对所述第三时间序列进行修正。
优选地,步骤S21中,所述基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列,包括:
S210,基于所述配送站大数据计算得出配送车的准备时长的第六时间序列;
S211,基于所述交通实时大数据预测得出配送耗时的第七时间序列;
S212,基于所述第六时间序列和所述第七时间序列确定所述第二时间序列。
优选地,所述工作计划包括停止供氢时段,以及本氢能源车到达该加氢站预估时段与所述停止供氢时段的重合情况。
本发明的第二方面提供了一种基于大数据的加氢站工作计划智能提醒系统,所述系统包括确定模块、预测模块、通信模块;其中,
所述确定模块,用于响应于加氢请求,确定目标加氢站;
所述预测模块,用于调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测;
所述通信模块,用于接收所述加氢请求,以及将所述工作计划输出至终端。
优选地,所述加氢请求是由氢能源车基于储氢剩余情况自主触发,或由氢能源车乘员手动触发。
优选地,所述大数据包括氢能源车大数据、配送站大数据及交通实时大数据;
则所述调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测,包括:
基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列;
基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列;
基于所述加氢需求量的第一时间序列和所述第二时间序列,计算得出预测的该目标加氢站的工作计划。
优选地,所述氢能源车大数据包括历史轨迹数据和实时轨迹数据;
则所述基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列,包括:
对第一范围内的道路进行分类,分为高等级道路和低等级道路;
确定所述高等级道路在所述第一范围内的所有出口,基于历史轨迹数据确定从所述出口中驶出的氢能源车数量的第三时间序列;
基于所述实时轨迹数据确定所述低等级道路在所述第一范围内的氢能源车数量的第四时间序列;
基于所述第三时间序列和所述第四时间序列确定加氢需求量的第一时间序列。
优选地,所述历史轨迹数据中还包括行驶计划数据;
则所述预测模块,还用于:基于路网结构判断从对应出口中驶出的氢能源车前往目标加氢站加氢后的路线是否需要折返,若是,则采用第五权重对所述第三时间序列进行修正。
优选地,则所述预测模块基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列,包括:
基于所述配送站大数据计算得出配送车的准备时长的第六时间序列;
基于所述交通实时大数据预测得出配送耗时的第七时间序列;
基于所述第六时间序列和所述第七时间序列确定所述第二时间序列。
优选地,所述工作计划包括停止供氢时段,以及本氢能源车到达该加氢站预估时段与所述停止供氢时段的重合情况。
本发明的第三方面提供了一种电子设备,其应用于前述的运营平台:所述设备包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,实现如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时实现如前任一项所述的方法。
本发明的有益效果在于:
本发明提供的基于大数据的加氢站工作计划智能提醒方案,可基于目标加氢站相关的大数据,对该目标加氢站的工作计划进行准确预测,进而可以指导氢能源车的驾驶员更为快速、准确的选择合适的加氢站,从而提高氢能源车的运输效率及经济性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例公开的一种基于大数据的加氢站工作计划智能提醒方法的流程示意图;
图2是本发明实施例公开的一种基于大数据的加氢站工作计划智能提醒系统的结构示意图;
图3是本发明实施例公开一种电子设备的结构示意图。
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,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于大数据的加氢站工作计划智能提醒方法的流程示意图。如图1所示,本发明实施例的一种基于大数据的加氢站工作计划智能提醒方法,所述方法包括:
S1,响应于加氢请求,确定目标加氢站;
S2,调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测;
S3,将所述工作计划输出至终端。
在本发明实施例中,在氢能源汽车需要加氢时,服务器可基于氢能源车的请求信号快速确定目标加氢站,然后调取与其相关的所有数据(包括历史数据及实时数据)以对其工作计划进行预测,并将预测结果反馈给发出加氢请求的氢能源车以指导其加氢操作。于是,氢能源车的驾驶员就可以基于预测出的加氢站的工作计划来判断该加氢站是否合理,例如,判断本氢能源车到达该加氢站时其是否处于非工作状态,是否会长时间等待,等。
本发明的方法应用于服务器,本申请实施例中所描述的服务器,其包括但不限于计算机、网络主机、数据库服务器、存储服务器以及应用服务器或者多个服务器构成的云服务器,其中云服务器由基于云计算(Cloud Computing)的大量计算机或者网络服务器构成。
另外,其中的终端可以为氢能源车的车载终端,当然,也可以是各类移动终端,比如智能手机、平板电脑(包括但不限于IOS、Android、Windows、BlackBerry OS等操作系统)、PDA(Personal Digital Assistant,个人数字助理)等,这些移动终端只需与氢能源车预先绑定即可实现与车载终端同样的功能。
优选地,所述加氢请求是由氢能源车基于储氢剩余情况自主触发,或由氢能源车乘员手动触发。
在本发明实施例中,当氢能源车判定储氢剩余值不足时,可自动通过车载网络向服务器发送加氢请求,当然,也可以由氢能源车的乘员(包括驾驶员和其他乘员)通过氢能源车的终端设备(车载终端,或前述的各类移动终端)手动触发。其中,储氢剩余情况既可以是储氢剩余值,也可以是储氢剩余值与行驶计划中剩余里程的匹配关系,即储氢剩余值是否能够支持氢能源车完成剩余的行驶计划。
优选地,所述大数据包括氢能源车大数据、配送站大数据及交通实时大数据;
步骤S2中,所述调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测,包括:
S20,基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列;
S21,基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列;
S22,基于所述加氢需求量的第一时间序列和所述第二时间序列,计算得出预测的该目标加氢站的工作计划。
在本发明实施例中,对于加氢站氢气配送主要基于两方面内容,即:1)氢气销售情况;2)加氢站配送情况。本发明基于上述两个方面的影响因素来确定目标加氢站的工作计划,即加氢站因补氢而暂停对外提供加氢服务的时段。
首先,基于氢能源车大数据及交通实时大数据可以确定出加氢需求量时间序列。具体而言,当加氢站的储氢剩余量小于一定值(比如剩余20%时)时加氢站就会呼叫配送站调度补氢,而储氢剩余量与销售情况直接负相关,而销售情况具有周期性、规律性。本发明通过上述步骤S20对氢能源车前往目标加氢站进行加氢的规律数据进行预测,即得出加氢需求量时间序列,而且,其中既考虑了氢能源车本身的加氢需求,还考虑了实时的交通状况,使得预测得出的加氢需求量时间序列更为准确。
其次,基于配送站大数据及交通实时大数据可以确定出配送车何时到达目标加氢站。具体而言,配送站在接收到加氢站的调度请求之后,其将制备的氢气配送至目标加氢站所需的时间主要包括站内准备时长和配送时长,基于这两个方面的大数据就可以预测得出配送车到达目标加氢站的时刻。
最后,在确定出目标加氢站的氢气销售序列(对应加氢需求量时间序列)和配送车到达该目标加氢站的时刻,就能够预测出该目标加氢站因补氢而暂停对外提供加氢服务的时段。例如,基于加氢需求量时间序列及储氢数据就可以确定出储氢剩余值下降至调度触发值(例如20%)的时刻为13:20,此时加氢站会通过自动或人工的方式向配送站发送调度请求,配送站在接收到请求之后会安排对应的配送车,并装载对应量的压缩氢气前往目标加氢站,最终于13:50到达,于是,就可以将13:50-14:10这一时段确定为暂停对外提供加氢服务的时段(假定配送车补氢操作时长为20分钟,当然,也可以根据实际的补氢量来确定补氢操作时长)。
优选地,所述氢能源车大数据包括历史轨迹数据和实时轨迹数据;
则步骤S20中,所述基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列,包括:
S201,对第一范围内的道路进行分类,分为高等级道路和低等级道路;
S202,确定所述高等级道路在所述第一范围内的所有出口,基于历史轨迹数据确定从所述出口中驶出的氢能源车数量的第三时间序列;
S203,基于所述实时轨迹数据确定所述低等级道路在所述第一范围内的氢能源车数量的第四时间序列;
S204,基于所述第三时间序列和所述第四时间序列确定加氢需求量的第一时间序列。
在本发明实施例中,加氢需求量是与加氢站周边一定范围内氢能源车的数量直接正相关的,也即,周边道路上运行的氢能源车越多,该加氢站的销售数据就会越高,相应地,加氢需求量的第一时间序列也会随着正变化。同时,不同道路等级上运行的车辆来该加氢站进行加氢的可能性也是不同的,比如,高速公路这类封闭的高等级道路上的车辆一般不会脱离高速公路进行加氢(除非封闭道路内没有加氢站),而低等级道路上的车辆则完全没有这种情况,其来加氢站补氢基本只基于客观需求。
针对上述不同等级道路的车辆特点,本发明的方案基于不同道路等级来分析计算第一时间序列。其中,只统计驶出高等级道路的车辆数据,于是,这些车辆就可以与低等级道路上的车辆视为等同了,基于第三时间序列和第四时间序列就可以确定出整合后的位于第一范围内的低等级道路上的氢能源车数量的第五时间序列,再通过深度学习模型就可以确定出第一时间序列。其中,本发明构建了深度学习模型,利用氢能源车数量、加氢需求量历史数据来训练该深度学习模型,经过训练后的深度学习模型可以学习得出氢能源车数量、加氢需求量之间的对应关系。于是,将第五时间序列输入该深度学习模型,该深度学习模型就可以输出预测的加氢需求量的第一时间序列。所述深度学习模型可基于CNN(包括但不限于Lenet5、GoogleNet、ResNet、DenseNet、VGGNet等)、LSTM(包括但不限于CoupledLSTM、Peephole LSTM、GRU等)、BP神经网络(包括但不限于传统BP神经网络、基于小波滤噪改进的BP神经网络、基于卡尔曼滤波改进的BP神经网络、基于狼群算法改进的BP神经网络等)等进行构建,由于深度学习技术已经十分成熟,本申请就不再赘述,本领域技术人员可以根据实际情况自由选择合适的深度学习模型即可。
另外,对于在高等级道路上行驶的氢能源车来说,一方面其行驶路程普遍较长,另一方面其一般不会因为加氢而脱离封闭的高等级道路,所以,从高等级道路上驶出的氢能源车其需要加氢的可能性相对于低等级道路上的氢能源车实际上是更高的。针对该实际情况,本发明对步骤S204作如下限定:
S2041,检测所述高等级道路上下游第二范围内是否存在加氢站,若存在,则以第一权重修正所述第三时间序列,否则以第二权重修正所述第三时间序列,其中,第一权重小于第二权重;
S2042,将修正后的所述第三时间序列和第四时间序列对应融合以得到第五时间序列,将所述第五时间序列输入深度学习模型以得到第一时间序列。
其中,如果上下游存在加氢站,说明驶出的氢能源车来目标加氢站加氢的可能性不大,此时使用相对较小的第一权重来调低第三时间序列中氢能源车的数量;反之,则说明氢能源车很可能是因为高等级道路中加氢站的布设数量不够而不得不驶离高等级道路来加氢,此时使用相对较大的第二权重来调高第三时间序列中氢能源车的数量。
另外,对于第一权重,还可以更具体为如下:如果加氢站存在于所述出口的上游,则使第一权重为第三权重,如果加氢站存在于所述出口的下游,则使第一权重为第四权重,其中,第三权重小于第四权重。其中,当下游存在加氢站而氢能源车驶离高等级道路时,则说明其很可能剩余行程不足以抵达该加氢站,此时加氢可能性更大,采用更大的第四权重,反之,采用稍小的第三权重。
对于上述第一权重、第二权重、第三权重、第四权重的具体数值,可以由本领域技术人员基于上述相对大小关系自由确定及调整,本发明对此不作限定。
优选地,所述历史轨迹数据中还包括行驶计划数据;
则所述步骤S202,还包括:
基于路网结构判断从对应出口中驶出的氢能源车前往目标加氢站加氢后的路线是否需要折返,若是,则采用第五权重对所述第三时间序列进行修正。
在本发明实施例中,基于第一范围内的实际道路结构就可以判断出从各个出口驶出的氢能源车来目标加氢站加氢后的路线是否需要折返,而路线折返意味着能源、时间及路程的过度耗费,这会对驾驶员的抉择带来消极影响。针对该问题,本发明基于路网结构对上述折返情况进行判断,如果判断某出口所处的路网结构会导致氢能源车来目标加氢站加氢后折返路线行驶,则使用第五权重来调低对应路口的氢能源车数量,进而实现对第三时间序列的修正。
优选地,步骤S21中,所述基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列,包括:
S210,基于所述配送站大数据计算得出配送车的准备时长的第六时间序列;
S211,基于所述交通实时大数据预测得出配送耗时的第七时间序列;
S212,基于所述第六时间序列和所述第七时间序列确定所述第二时间序列。
在本发明实施例中,配送站在接收到加氢站的氢配送请求之后到配送车到达目标加氢站所需的时间主要包括两个部分,即站内准备时间(包括配送车辆到位时间、氢气加注时间等)及路上耗费时间。其中,对于站内准备时间,可以基于配送站大数据计算得出,而对于路上耗费时间则可以基于交通实时大数据计算得出。
优选地,步骤S210中,所述基于所述配送站大数据计算得出配送车的准备时长的第六时间序列,包括:
获取所述配送站的历史配送准备时长数据,对所述历史配送准备时长进行聚类分析,以得出第六时间序列。
在本发明实施例中,可以预先获取配送站的准备时长数据,然后通过聚类分析就可以实现对数据的聚类及切分,进而得出准备时长在对应日期属性(工作日/非工作日、是否节假日等)的一天之内的第六时间序列,即描述在不同日期的对应时段内准备时长通常需要多久。其中,在进行聚类分析时,可以基于交通状况来确定第四时间序列疏密度,例如,05:00-7:00为早班期,该时段属于配送高峰期,此时配送站的人手充裕,准备时长波动不大,所以,该时段的可以仅划分为2个子时段;而对于9:00-11:00,由于早班期已经进行了补氢,各加氢站的需求是不稳定的,配送任务也就波动很大,而且配送站在该时段很可能也不会预先给若干辆车灌满氢气以待命,所以,将该时段划分为4个子时段,以实现对每个子时段准备时长数据的精准分析及预测使用。
优选地,步骤S211中,所述基于所述交通实时大数据预测得出配送耗时的第七时间序列,包括:
S2110,基于所述交通实时大数据预测得出配送车到达各加氢站的配送耗时,进而得到站点到达时间序列;
S2111,基于配送计划对所述站点到达时间序列进行修正,以得到所述第七时间序列。
在本发明实施例中,实时交通状况是影响配送路上耗时主要因素,所以,本发明基于交通大数据就可以计算得出配送车到达各加氢站的配送耗时,相应地也就确定出了到达各加氢站的时刻。
同时,运输的货物越少,驾驶员也就越倾向于激进驾驶,而配送计划中通常会包括对多个加氢站的配送任务,所以,随着配送计划的进行,驾驶员的配送速度实际上是会显著加快的。例如,当配送车的配送计划依次为:加氢站A——300Kg,加氢站B——200Kg,加氢站C——100Kg,加氢站D——200Kg,若目标加氢站为D,则该配送车从加氢站C驶出之后,其负载可能就只有200Kg左右了,此时驾驶员更倾向于激进驾驶,所述到达时间序列中指示9:20到达D,但是由于驾驶员驾驶更为激进,实际上9:10就到了。针对该情况,本发明可以基于目标加氢站在配送计划中的次序及各配送次序对应的配送份额来确定出驾驶员在不同的配送路段(即配送计划中相邻配送站之间的路段)激进驾驶程度,据此来修正站点到达时间序列,以得出更为准确的第七时间序列。另外,也可以进一步考虑驾驶员的个人驾驶属性,基于个人驾驶属性来对所述激进驾驶程度先进行修正,再利用修正后的激进驾驶程度来修正所述站点到达时间序列。其中,激进驾驶程度与配送货物份额(重量、体积)的关系可以通过真实数据统计分析并利用数据拟合算法计算得出,由于属于常规的数学分析方法,本发明对此不再赘述。
优选地,步骤S2中,所述调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测,还包括预测更新机制:
基于所述交通实时大数据确定实时交通状况,基于所述交通状况确定工作计划的更新频率,其中,交通状况越差则更新频率越高。
在本发明实施例中,由于工作计划是预测出的,其并不完全准确,同时,实时交通状况会直接影响各氢能源车到达目标加氢站的时刻,进而也就会影响加氢需求量时间序列、配送车到达目标加氢站的时刻,最终影响目标加氢站的工作计划,所以需要多次对工作计划的预测结果进行多次更新,在氢能源车的驾驶员做出最终抉择之前能够给出尽可能准确的预测数据。另外,本发明基于交通状况来确定更新频率,交通状况越差则更新频率越高,如此以提高恶劣交通状况下的预测结果的准确性。
优选地,所述工作计划包括停止供氢时段,以及本氢能源车到达该加氢站预估时段与所述停止供氢时段的重合情况。
在本发明实施例中,当预测出加氢站的工作计划之后,就可以知晓其停止供氢时段即配送车在加氢站补氢操作的时段,该信息可以对氢能源车的驾驶员的加氢操作做出有效指导。另外,还可将本氢能源车到达该加氢站的预估时段与所述停止供氢时段的重合情况也发送给氢能源车车载终端,于是,驾驶员就可以更为清楚若本车前往该加氢站加氢则会有多久的等待时长,进而再决定该加氢站是否合适。具体实现时,可以在氢能源车车载终端的显示屏上对上述信息进行直观显示,并可以根据设定选择采用声光播报的形式提供给驾驶员。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于大数据的加氢站工作计划智能提醒系统的流程示意图。如图2所示,本发明实施例的一种基于大数据的加氢站工作计划智能提醒系统(1),所述系统包括确定模块(101)、预测模块(102)、通信模块(103);其中,
所述确定模块(101),用于响应于加氢请求,确定目标加氢站;
所述预测模块(102),用于调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测;
所述通信模块(103),用于接收所述加氢请求,以及将所述工作计划输出至终端。
该实施例中的一种基于大数据的加氢站工作计划智能提醒系统的具体功能参照上述实施例一,由于本实施例中的系统采用了上述实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
优选地,所述加氢请求是由氢能源车基于储氢剩余情况自主触发,或由氢能源车乘员手动触发。
优选地,所述大数据包括氢能源车大数据、配送站大数据及交通实时大数据;
则所述预测模块(102)调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测,包括:
基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列;
基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列;
基于所述加氢需求量的第一时间序列和所述第二时间序列,计算得出预测的该目标加氢站的工作计划。
优选地,所述氢能源车大数据包括历史轨迹数据和实时轨迹数据;
则所述预测模块(102)基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列,包括:
对第一范围内的道路进行分类,分为高等级道路和低等级道路;
确定所述高等级道路在所述第一范围内的所有出口,基于历史轨迹数据确定从所述出口中驶出的氢能源车数量的第三时间序列;
基于所述实时轨迹数据确定所述低等级道路在所述第一范围内的氢能源车数量的第四时间序列;
基于所述第三时间序列和所述第四时间序列确定加氢需求量的第一时间序列。
优选地,所述预测模块(102)基于所述第三时间序列和所述第四时间序列确定加氢需求量的第一时间序列,还包括:
检测所述高等级道路上下游第二范围内是否存在加氢站,若存在,则以第一权重修正所述第三时间序列,否则以第二权重修正所述第三时间序列,其中,第一权重小于第二权重;
将修正后的所述第三时间序列和第四时间序列对应融合以得到第五时间序列,将所述第五时间序列输入深度学习模型以得到第一时间序列。
优选地,所述历史轨迹数据中还包括行驶计划数据;
则所述预测模块(102),还用于:基于路网结构判断从对应出口中驶出的氢能源车前往目标加氢站加氢后的路线是否需要折返,若是,则采用第五权重对所述第三时间序列进行修正。
优选地,则所述预测模块(102)基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列,包括:
基于所述配送站大数据计算得出配送车的准备时长的第六时间序列;
基于所述交通实时大数据预测得出配送耗时的第七时间序列;
基于所述第六时间序列和所述第七时间序列确定所述第二时间序列。
优选地,所述预测模块(102)基于所述配送站大数据计算得出配送车的准备时长的第六时间序列,包括:
获取所述配送站的历史配送准备时长数据,对所述历史配送准备时长进行聚类分析,以得出第六时间序列。
优选地,所述预测模块(102)基于所述交通实时大数据预测得出配送耗时的第七时间序列,包括:
基于所述交通实时大数据预测得出配送车到达各加氢站的配送耗时,进而得到站点到达时间序列;
基于配送计划对所述站点到达时间序列进行修正,以得到所述第七时间序列。
优选地,所述预测模块(102)调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测,还包括预测更新机制:
基于所述交通实时大数据确定实时交通状况,基于所述交通状况确定工作计划的更新频率,其中,交通状况越差则更新频率越高。
优选地,所述工作计划包括停止供氢时段,以及本氢能源车到达该加氢站预估时段与所述停止供氢时段的重合情况。
实施例三
请参阅图3,图3是本发明实施例公开的一种电子设备,其应用于前述实施例所述的运营平台:所述设备包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,实现如实施例一所述的方法。
实施例四
本发明实施例还公开了一种计算机存储介质,其应用于前述实施例所述的运营平台;该存储介质上存储有计算机程序,该计算机程序被处理器运行时实现如实施例一所述的方法。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,该计算机软件产品存储在如上所述的一个存储介质(如ROM(Read-Only Memory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于大数据的加氢站工作计划智能提醒方法,其特征在于:所述方法包括:
S1,响应于加氢请求,确定目标加氢站;
S2,调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测;
S3,将所述工作计划输出至终端;
所述大数据包括氢能源车大数据、配送站大数据及交通实时大数据;
步骤S2中,所述调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测,包括:
S20,基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列;
S21,基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列;
S22,基于所述加氢需求量的第一时间序列和所述第二时间序列,计算得出预测的该目标加氢站的工作计划;
所述工作计划包括停止供氢时段,以及本氢能源车到达该加氢站预估时段与所述停止供氢时段的重合情况。
2.根据权利要求1所述的方法,其特征在于:所述加氢请求是由氢能源车基于储氢剩余情况自主触发,或由氢能源车乘员手动触发。
3.根据权利要求1所述的方法,其特征在于:所述氢能源车大数据包括历史轨迹数据和实时轨迹数据;
则步骤S20中,所述基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列,包括:
S201,对第一范围内的道路进行分类,分为高等级道路和低等级道路;
S202,确定所述高等级道路在所述第一范围内的所有出口,基于历史轨迹数据确定从所述出口中驶出的氢能源车数量的第三时间序列;
S203,基于所述实时轨迹数据确定所述低等级道路在所述第一范围内的氢能源车数量的第四时间序列;
S204,基于所述第三时间序列和所述第四时间序列确定加氢需求量的第一时间序列。
4.根据权利要求3所述的方法,其特征在于:所述历史轨迹数据中还包括行驶计划数据;
则所述步骤S202,还包括:
基于路网结构判断从对应出口中驶出的氢能源车前往目标加氢站加氢后的路线是否需要折返,若是,则采用第五权重对所述第三时间序列进行修正。
5.根据权利要求2-4任一项所述的方法,其特征在于:步骤S21中,所述基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列,包括:
S210,基于所述配送站大数据计算得出配送车的准备时长的第六时间序列;
S211,基于所述交通实时大数据预测得出配送耗时的第七时间序列;
S212,基于所述第六时间序列和所述第七时间序列确定所述第二时间序列。
6.一种基于大数据的加氢站工作计划智能提醒系统,所述系统包括确定模块、预测模块、通信模块;其中,
所述确定模块,用于响应于加氢请求,确定目标加氢站;
所述预测模块,用于调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测;
所述通信模块,用于接收所述加氢请求,以及将所述工作计划输出至终端;
所述大数据包括氢能源车大数据、配送站大数据及交通实时大数据;
则所述调取与该目标加氢站相关的大数据,对该目标加氢站的工作计划进行预测,包括:
基于所述氢能源车大数据及交通实时大数据,计算得出在所述加氢请求之后的时段内的加氢需求量的第一时间序列;
基于所述配送站大数据及交通实时大数据,计算得出配送车到达该目标加氢站的第二时间序列;
基于所述加氢需求量的第一时间序列和所述第二时间序列,计算得出预测的该目标加氢站的工作计划;
所述工作计划包括停止供氢时段,以及本氢能源车到达该加氢站预估时段与所述停止供氢时段的重合情况。
7.一种电子设备,所述设备包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;其特征在于:所述处理器调用所述存储器中存储的所述可执行程序代码,实现如权利要求1-5任一项所述的方法。
8.一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779543.8A CN113570891B (zh) | 2021-07-09 | 2021-07-09 | 一种基于大数据的加氢站工作计划智能提醒方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779543.8A CN113570891B (zh) | 2021-07-09 | 2021-07-09 | 一种基于大数据的加氢站工作计划智能提醒方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570891A CN113570891A (zh) | 2021-10-29 |
CN113570891B true CN113570891B (zh) | 2022-09-30 |
Family
ID=78164352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110779543.8A Active CN113570891B (zh) | 2021-07-09 | 2021-07-09 | 一种基于大数据的加氢站工作计划智能提醒方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570891B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019135330A1 (ja) * | 2018-01-05 | 2019-07-11 | 本田技研工業株式会社 | エネルギー需給システム |
CN110197299A (zh) * | 2019-05-16 | 2019-09-03 | 上海上汽安悦充电科技有限公司 | 一种智能管理系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5620423B2 (ja) * | 2012-03-06 | 2014-11-05 | Necプラットフォームズ株式会社 | 電子機器及び電子機器のバッテリ充電方法 |
JP6442785B2 (ja) * | 2015-04-06 | 2018-12-26 | 大陽日酸株式会社 | 水素運搬管理装置、水素運搬管理システム、および水素運搬管理プログラム |
CN105550768A (zh) * | 2015-12-08 | 2016-05-04 | 浙江工商大学 | 一种加油站状态的判断方法和判断系统 |
CN107045797B (zh) * | 2016-02-05 | 2019-04-16 | 腾讯科技(深圳)有限公司 | 信息处理方法及移动终端 |
CN105894669A (zh) * | 2016-04-28 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 无人驾驶车辆自动加油的方法、装置及系统 |
TWI751396B (zh) * | 2017-12-29 | 2022-01-01 | 英屬開曼群島商睿能創意公司 | 管理複數個裝置交換站的方法及伺服器系統 |
CN109146156B (zh) * | 2018-08-03 | 2021-12-03 | 大连理工大学 | 一种用于预测充电桩系统充电量的方法 |
CN112947137A (zh) * | 2021-01-20 | 2021-06-11 | 神华新能源有限责任公司 | 氢能源汽车控制方法、氢能源汽车及物联网系统 |
-
2021
- 2021-07-09 CN CN202110779543.8A patent/CN113570891B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019135330A1 (ja) * | 2018-01-05 | 2019-07-11 | 本田技研工業株式会社 | エネルギー需給システム |
CN110197299A (zh) * | 2019-05-16 | 2019-09-03 | 上海上汽安悦充电科技有限公司 | 一种智能管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113570891A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10160321B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
US20210383321A1 (en) | Vehicle fleet control systems and methods | |
US9958272B2 (en) | Real-time computation of vehicle service routes | |
CN110097234B (zh) | 工业卷烟运输智能调度方法及系统 | |
CN103927639A (zh) | 一种基于实时信息的钢铁产品物流系统及其调度方法 | |
CN105046338A (zh) | 移动平台上的智能快递配送方法 | |
CN108053164A (zh) | 一种成品油配送系统及方法 | |
CN109155015A (zh) | 用于按需燃料运送的方法和设备 | |
CN113611104B (zh) | 货运车辆的风险识别方法、装置、存储介质及终端 | |
CN114298559A (zh) | 换电站的换电方法、换电管理平台及存储介质 | |
CN113570891B (zh) | 一种基于大数据的加氢站工作计划智能提醒方法及系统 | |
CN110544040A (zh) | 一种车辆调度优化决策系统 | |
WO2017218362A1 (en) | Vehicle fleet control systems and methods | |
CN108921326B (zh) | 一种基于相似度学习的智能文化基因物流配送方法 | |
Chuwang et al. | Short-term urban rail transit passenger flow forecasting based on fusion model methods using univariate time series | |
Oliskevych | Dynamic scheduling of highway cargo transportation | |
CN115907374A (zh) | 分拨中心车辆智能调度方法、装置、设备及存储介质 | |
CN114117883A (zh) | 一种基于强化学习的自适应轨道交通调度方法、系统、终端 | |
CN114202272A (zh) | 一种基于电子围栏的车货匹配方法、装置、存储介质及终端 | |
CN112465384A (zh) | 一种运力调度的方法、装置、计算机设备及计算机可读存储介质 | |
EP3387609A1 (en) | Rubust dynamic time scheduling and planning | |
US20190287203A1 (en) | Method for enhancing transit schedule | |
CN117236646B (zh) | 车辆调度方法、装置、电子设备和计算机可读介质 | |
US20240062146A1 (en) | Hybrid system for multi-order batching with real-time and item awareness | |
Mejía et al. | Delivery of perishable export products in smart cities: a case study in Bogotá (Colombia) |
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 |