CN113902381B - 一种无人车货物运输方式的智能选择方法及系统 - Google Patents
一种无人车货物运输方式的智能选择方法及系统 Download PDFInfo
- Publication number
- CN113902381B CN113902381B CN202111265671.7A CN202111265671A CN113902381B CN 113902381 B CN113902381 B CN 113902381B CN 202111265671 A CN202111265671 A CN 202111265671A CN 113902381 B CN113902381 B CN 113902381B
- Authority
- CN
- China
- Prior art keywords
- transportation
- data
- unmanned vehicle
- mode
- cargo
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种无人车货物运输方式的智能选择方法,包括获取无人车货物运输数据,对运输数据进行归一化处理;对处理后的运输数据进行降维处理;基于降维处理后的运输数据利用智能学习算法获取无人车运输方式;基于运输数据对运输方式进行更新,利用更新后的运输方式并结合预先获取的货物状态检测方式和突发状况处理方式实现无人车运输方式的决策;对已完成的无人车运输订单进行评估。本发明采用固定阈值的更新方法,同时考虑到了各类运输方式的差异,按照类别和时序两个维度进行源数据的更新,而且增设了运输订单评估,将其评估分数作为重要指标加权并纳入源数据的更新,从而保证了数据的实时性及运输方式的有效性。
Description
技术领域
本发明涉及智能物流技术领域,尤其是指一种无人车货物运输方式的智能选择方法及系统。
背景技术
近年来,物流行业出现司机的人力短缺问题,人力成本不断上涨,市场竞争愈加激烈。此外,由司机的人为因素导致的运输安全、稳定和效率等问题时常发生,因此如何改善人力短缺问题以及避免人为导致的运输问题成为当前热门的研究话题。
无人车技术是解决上述问题的有效手段,其能利用车载传感器来实时感知周围环境,自动规划路径并控制车辆到达目的地。但是现有技术的无人车在货物运输方式的选择上存在不足,其具体表现为在货物运输方式的选择上欠缺多个维度情况的考虑,很难提升无人车运输指令发布的快速性、安全性、稳定性,从而无法提高货物运输的效率。尤其是针对订单数据量大等问题,无法同时考虑到各类运输方式的差异,很难在多个维度上进行源数据的更新,从而无法保证数据的实时性及运输方式的有效性。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中存在的技术缺陷,提供一种无人车货物运输方式的智能选择方法及系统,采用了固定阈值的更新方法,同时考虑到了各类运输方式的差异,按照类别和时序两个维度进行源数据的更新,而且增设了运输订单评估,将其评估分数作为重要指标加权并纳入源数据的更新,从而保证了数据的实时性及运输方式的有效性。
为解决上述技术问题,本发明提供一种无人车货物运输方式的智能选择方法,包括:
获取无人车货物运输数据,对所述运输数据进行归一化处理;
对处理后的运输数据进行降维处理;
基于降维处理后的运输数据利用智能学习算法获取无人车运输方式;
基于所述运输数据对所述运输方式进行更新,利用更新后的运输方式并结合预先获取的货物状态检测方式和突发状况处理方式实现无人车运输方式的决策;
对已完成的无人车运输订单进行评估。
在本发明的一个实施例中,获取无人车货物运输数据,对所述运输数据进行归一化处理的方法包括:
采集无人车运输数据X∈Rn×m,得到如下样本矩阵:
其中m为无人车运输的特征指标个数,n为选取的样本数据中无人车运输订单个数;
求取样本矩阵X的均值和方差,对数据进行归一化处理如下:
在本发明的一个实施例中,对处理后的运输数据进行降维处理的方法包括:
对协方差矩阵D进行特征值分解,将得到的特征值由大到小进行排序,提取前k个特征值(λ1≥λ2≥…≥λk)以及对应的向量(p1,p2,…,pk),并计算综合指标ts,ts=X*ps,其中s=1,2,…k;
令Tk={t1,t2,…,tk},则降维后的无人车货物运输数据集为Tk。
在本发明的一个实施例中,基于降维处理后的运输数据利用智能学习算法获取无人车运输方式包括:
将降维后的无人车货物运输数据作为智能学习算法的输入,无人车的不同运输方式作为智能学习算法的输出,以误差函数的值最小为目标,获得无人车运输方式。
在本发明的一个实施例中,基于所述运输数据对所述运输方式进行更新的方法包括:
设定更新阈值L,将运输数据按照类别进行分类,其中类别个数为W;
按照时序对每个类别的运输数据选取L/W个样本数据,将各类别中所选取的样本数据作为源数据进行模型训练及类别的智能选择;
对于新增加的运输数据,需要判别其类别并按照类别将新增加的运输数据插入该类别的源数据中。
在本发明的一个实施例中,预先获取货物状态检测方式的方法包括:
获取货物类型数据,对所述货物类型数据进行归一化处理;
对处理后的货物类型数据进行降维处理;
将降维后的货物类型数据作为智能学习算法的输入,货物状态检测方式作为智能学习算法的输出,以误差函数的值最小为目标,获得货物状态检测方式。
在本发明的一个实施例中,对已完成的无人车运输订单进行评估的方法包括:
获取所有类别的无人车运输订单在运输过程中的数据;
根据数据采取积分制对所有类别的无人车运输订单进行打分;
对分数赋予一定的权值比例,并将其作为用于运输方式更新的运输数据。
此外,本发明还提供一种无人车货物运输方式的智能选择系统,包括:
数据获取模块,所述数据获取模块用于获取无人车货物运输数据,对所述运输数据进行归一化处理;
数据降维模块,所述数据降维模块用于对处理后的运输数据进行降维处理;
智能学习模块,所述智能学习模块用于基于降维处理后的运输数据利用智能学习算法获取无人车运输方式;
运输方式决策模块,所述运输方式决策模块用于基于所述运输数据对所述运输方式进行更新,利用更新后的运输方式并结合预先获取的货物状态检测方式和突发状况处理方式实现无人车运输方式的决策;
运输订单评估模块,所述运输订单评估模块用于对已完成的无人车运输订单进行评估。
在本发明的一个实施例中,所述运输方式决策模块包括:
运输方式更新单元,所述运输方式更新单元用于基于所述运输数据对所述运输方式进行更新,其方法包括:
设定更新阈值L,将运输数据按照类别进行分类,其中类别个数为W;
按照时序对每个类别的运输数据选取L/W个样本数据,将各类别中所选取的样本数据作为源数据进行模型训练及类别的智能选择;
对于新增加的运输数据,需要判别其类别并按照类别将新增加的运输数据插入该类别的源数据中。
在本发明的一个实施例中,所述运输订单评估模块包括:
运输订单打分单元,所述运输订单打分单元用于对已完成的无人车运输订单进行打分,其方法包括:
获取所有类别的无人车运输订单在运输过程中的数据;
根据数据采取积分制对所有类别的无人车运输订单进行打分;
对分数赋予一定的权值比例,并将其作为用于运输方式更新的运输数据。
本发明的上述技术方案相比现有技术具有以下优点:
本发明利用无人车技术提出一种无人车货物运输方式的智能选择方法及系统,其数据综合考虑了多个维度的情况,从而在保证低运输成本的同时,显著提升无人车运输的快速性、安全性以及稳定性,并提高货物运输的效率。并且采用了固定阈值的更新方法,同时考虑到了各类运输方式的差异,按照类别和时序两个维度进行源数据的更新,而且增设了运输订单评估,将其评估分数作为重要指标加权并纳入源数据的更新,从而保证了数据的实时性及运输方式的有效性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1为本发明公开的一种无人车货物运输方式的智能选择方法的流程示意图。
图2为本发明公开的一种无人车货物运输方式的智能选择系统的结构示意图。
附图标记说明如下:10、数据获取模块;20、数据降维模块;30、智能学习模块;40、运输方式决策模块;50、运输订单评估模块。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
请参阅图1所示,本实施例提供一种无人车货物运输方式的智能选择方法,包括以下步骤:
S100:获取无人车货物运输数据,对所述运输数据进行归一化处理;
S200:对处理后的运输数据进行降维处理;
S300:基于降维处理后的运输数据利用智能学习算法获取无人车运输方式;
S400:基于所述运输数据对所述运输方式进行更新,利用更新后的运输方式并结合预先获取的货物状态检测方式和突发状况处理方式实现无人车运输方式的决策;
S500:对已完成的无人车运输订单进行评估。
其中,本发明公开描述的无人车运输方式智能选择中的运输方式可以为但不限于经济模式、运动模式、雪地模式、沙地模式、公路模式、泥地模式、岩石模式。
其中,本发明公开描述的突发状况处理方式可以为但不限于车载机器人处理、远程操控和人工救援。
在本发明公开的一种无人车货物运输方式的智能选择方法中,需要检查车辆的性能以及视野传感器和车厢传感器的状态,排除车辆故障状况及不稳定因素,当车辆状况为正常时,开始自动驾驶。
上述所述车辆自身状况检测中的视野传感器可以为但不限于无线雷达、激光雷达、超声波雷达、摄像头。
上述所述车辆自身状况检测中的车辆性能可以为但不限于动力性能、驻车制动性能、载制动性能。
本发明公开的一种无人车货物运输方式的智能选择方法,采用了固定阈值的更新方法,同时考虑到了各类运输方式的差异,按照类别和时序两个维度进行源数据的更新,而且增设了运输订单评估,将其评估分数作为重要指标加权并纳入源数据的更新,从而保证了数据的实时性及运输方式的有效性。
对于上述实施方式的一种无人车货物运输方式的智能选择方法,在步骤S100中,获取无人车货物运输数据,对所述运输数据进行归一化处理的方法包括:
选取无人车货物运输的特征指标,分别是运输出发地、运输目的地以及运输约束条件,其中运输约束条件包括货主需求、货物类型、货物运输质量、效率和成本等相关条件,利用所选取的各特征指标构建无人车货物运输数据集;
根据无人车运输数据X∈Rn×m,得到如下样本矩阵:
其中m为无人车运输的特征指标个数,n为选取的样本数据中无人车运输订单个数;
求取样本矩阵X的均值和方差,对数据进行归一化处理如下:
对于上述实施方式的一种无人车货物运输方式的智能选择方法,在步骤S200中,对处理后的运输数据进行降维处理的方法包括:
对协方差矩阵D进行特征值分解,将得到的特征值由大到小进行排序,提取前k个特征值(λ1≥λ2≥…≥λk)以及对应的向量(p1,p2,…,pk),并计算综合指标ts,ts=X*ps,其中s=1,2,…k;
令Tk={t1,t2,…,tk},则降维后的无人车货物运输数据集为Tk。
对于上述实施方式的一种无人车货物运输方式的智能选择方法,在步骤S300中,对处理后的运输数据进行降维处理的方法包括:
基于降维处理后的运输数据利用智能学习算法获取无人车运输方式包括:
将降维后的无人车货物运输数据作为智能学习算法的输入,无人车的不同运输方式作为智能学习算法的输出,以误差函数的值最小为目标,获得无人车运输方式。
对于上述实施方式的一种无人车货物运输方式的智能选择方法,在步骤S400中,基于所述运输数据对所述运输方式进行更新的方法包括:
设定更新阈值L,将运输数据按照类别进行分类,其中类别个数为W;
按照时序对每个类别的运输数据选取L/W个样本数据,将各类别中所选取的样本数据作为源数据进行模型训练及类别的智能选择;
对于新增加的运输数据,需要判别其类别并按照类别将新增加的运输数据插入该类别的源数据中,并且将此类源数据中最旧的运输数据移除。
对于上述实施方式的一种无人车货物运输方式的智能选择方法,所述运输方式的更新采用固定阈值的数据更新策略,其目的是为防止数据量过大产生较大的运算量,影响更新速度,因此按照时间序列对运输数据进行更新,从而实现运输方式的更新。
对于上述实施方式的一种无人车货物运输方式的智能选择方法,在步骤S400中,预先获取货物状态检测方式的方法包括:
获取货物类型数据,对所述货物类型数据进行归一化处理;
对处理后的货物类型数据进行降维处理;
将降维后的货物类型数据作为智能学习算法的输入,货物状态检测方式作为智能学习算法的输出,以误差函数的值最小为目标,获得货物状态检测方式。
其中,本发明公开描述的货物类型可以为但不限于散货、液体货、件杂货、大宗货、干货、湿货、包装货、裸装货、散装货、重货、轻货、超长货。
其中,本发明公开描述的货物状态检测可以为但不限于车厢内货物的温湿度、压力、是否漏水状态。
对于上述实施方式的一种无人车货物运输方式的智能选择方法,在步骤S500中,对已完成的无人车运输订单进行评估的方法包括:
获取所有类别的无人车运输订单在运输过程中的数据;
根据数据采取积分制对所有类别的无人车运输订单进行打分;
对分数赋予一定的权值比例,并将其作为用于运输方式更新的运输数据。
本发明利用无人车技术提出一种无人车货物运输方式的智能选择方法,其数据综合考虑了多个维度的情况,从而在保证低运输成本的同时,显著提升无人车运输的快速性、安全性以及稳定性,并提高货物运输的效率。并且采用了固定阈值的更新方法,同时考虑到了各类运输方式的差异,按照类别和时序两个维度进行源数据的更新,而且增设了运输订单评估,将其评估分数作为重要指标加权并纳入源数据的更新,从而保证了数据的实时性及运输方式的有效性。
实施例二
下面对本发明实施例二公开的一种无人车货物运输方式的智能选择系统进行介绍,下文描述的一种无人车货物运输方式的智能选择系统与上文描述的一种无人车货物运输方式的智能选择方法可相互对应参照。
请参阅图2所示,本发明实施例公开了一种无人车货物运输方式的智能选择系统,该系统包括:
数据获取模块10,所述数据获取模块10用于获取无人车货物运输数据,对所述运输数据进行归一化处理;
数据降维模块20,所述数据降维模块20用于对处理后的运输数据进行降维处理;
智能学习模块30,所述智能学习模块30用于基于降维处理后的运输数据利用智能学习算法获取无人车运输方式;
运输方式决策模块40,所述运输方式决策模块40用于基于所述运输数据对所述运输方式进行更新,利用更新后的运输方式并结合预先获取的货物状态检测方式和突发状况处理方式实现无人车运输方式的决策;
运输订单评估模块50,所述运输订单评估模块50用于对已完成的无人车运输订单进行评估。
对于上述实施方式的一种无人车货物运输方式的智能选择系统,所述运输方式决策模块40包括:
运输方式更新单元,所述运输方式更新单元用于基于所述运输数据对所述运输方式进行更新,其方法包括:
设定更新阈值L,将运输数据按照类别进行分类,其中类别个数为W;
按照时序对每个类别的运输数据选取L/W个样本数据,将各类别中所选取的样本数据作为源数据进行模型训练及类别的智能选择;
对于新增加的运输数据,需要判别其类别并按照类别将新增加的运输数据插入该类别的源数据中。
对于上述实施方式的一种无人车货物运输方式的智能选择系统,所述运输方式的更新采用固定阈值的数据更新策略,其目的是为防止数据量过大产生较大的运算量,影响更新速度,因此按照时间序列对运输数据进行更新,从而实现运输方式的更新。
对于上述实施方式的一种无人车货物运输方式的智能选择系统,所述运输订单评估模块50包括:
运输订单打分单元,所述运输订单打分单元用于对已完成的无人车运输订单进行打分,其方法包括:
获取所有类别的无人车运输订单在运输过程中的数据;
根据数据采取积分制对所有类别的无人车运输订单进行打分;
对分数赋予一定的权值比例,并将其作为用于运输方式更新的运输数据。
本发明利用无人车技术提出一种无人车货物运输方式的智能选择系统,其数据综合考虑了多个维度的情况,从而在保证低运输成本的同时,显著提升无人车运输的快速性、安全性以及稳定性,并提高货物运输的效率。并且采用了固定阈值的更新方法,同时考虑到了各类运输方式的差异,按照类别和时序两个维度进行源数据的更新,而且增设了运输订单评估,将其评估分数作为重要指标加权并纳入源数据的更新,从而保证了数据的实时性及运输方式的有效性。
本实施例的无人车货物运输方式的智能选择系统用于实现前述的无人车货物运输方式的智能选择方法,因此该系统的具体实施方式可见前文中的无人车货物运输方式的智能选择方法的实施例部分,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的无人车货物运输方式的智能选择系统用于实现前述的无人车货物运输方式的智能选择方法,因此其作用与上述方法的作用相对应,这里不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (5)
1.一种无人车货物运输方式的智能选择方法,其特征在于,包括:
获取无人车货物运输数据,对所述运输数据进行归一化处理;
对处理后的运输数据进行降维处理;
基于降维处理后的运输数据利用智能学习算法获取无人车运输方式;
基于所述运输数据对所述运输方式进行更新,利用更新后的运输方式并结合预先获取的货物状态检测方式和突发状况处理方式实现无人车运输方式的决策,其中:
基于降维处理后的运输数据利用智能学习算法获取无人车运输方式包括将降维后的无人车货物运输数据作为智能学习算法的输入,无人车的不同运输方式作为智能学习算法的输出,以误差函数的值最小为目标,获得无人车运输方式;
基于所述运输数据对所述运输方式进行更新的方法包括:
设定更新阈值L,将运输数据按照类别进行分类,其中类别个数为W;
按照时序对每个类别的运输数据选取L/W个样本数据,将各类别中所选取的样本数据作为源数据进行模型训练及类别的智能选择;
对于新增加的运输数据,需要判别其类别并按照类别将新增加的运输数据插入该类别的源数据中;
对已完成的无人车运输订单进行评估,包括:
获取所有类别的无人车运输订单在运输过程中的数据;
根据数据采取积分制对所有类别的无人车运输订单进行打分;
对分数赋予一定的权值比例,并将其作为用于运输方式更新的运输数据。
4.根据权利要求1所述的无人车货物运输方式的智能选择方法,其特征在于:预先获取货物状态检测方式的方法包括:
获取货物类型数据,对所述货物类型数据进行归一化处理;
对处理后的货物类型数据进行降维处理;
将降维后的货物类型数据作为智能学习算法的输入,货物状态检测方式作为智能学习算法的输出,以误差函数的值最小为目标,获得货物状态检测方式。
5.一种无人车货物运输方式的智能选择系统,其特征在于,包括:
数据获取模块,所述数据获取模块用于获取无人车货物运输数据,对所述运输数据进行归一化处理;
数据降维模块,所述数据降维模块用于对处理后的运输数据进行降维处理;
智能学习模块,所述智能学习模块用于基于降维处理后的运输数据利用智能学习算法获取无人车运输方式;
运输方式决策模块,所述运输方式决策模块用于基于所述运输数据对所述运输方式进行更新,利用更新后的运输方式并结合预先获取的货物状态检测方式和突发状况处理方式实现无人车运输方式的决策,其中:
基于降维处理后的运输数据利用智能学习算法获取无人车运输方式包括将降维后的无人车货物运输数据作为智能学习算法的输入,无人车的不同运输方式作为智能学习算法的输出,以误差函数的值最小为目标,获得无人车运输方式;
所述运输方式决策模块包括:
运输方式更新单元,所述运输方式更新单元用于基于所述运输数据对所述运输方式进行更新,其方法包括:
设定更新阈值L,将运输数据按照类别进行分类,其中类别个数为W;
按照时序对每个类别的运输数据选取L/W个样本数据,将各类别中所选取的样本数据作为源数据进行模型训练及类别的智能选择;
对于新增加的运输数据,需要判别其类别并按照类别将新增加的运输数据插入该类别的源数据中;
运输订单评估模块,所述运输订单评估模块用于对已完成的无人车运输订单进行评估,所述运输订单评估模块包括:
运输订单打分单元,所述运输订单打分单元用于对已完成的无人车运输订单进行打分,其方法包括:
获取所有类别的无人车运输订单在运输过程中的数据;
根据数据采取积分制对所有类别的无人车运输订单进行打分;
对分数赋予一定的权值比例,并将其作为用于运输方式更新的运输数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265671.7A CN113902381B (zh) | 2021-10-28 | 2021-10-28 | 一种无人车货物运输方式的智能选择方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265671.7A CN113902381B (zh) | 2021-10-28 | 2021-10-28 | 一种无人车货物运输方式的智能选择方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113902381A CN113902381A (zh) | 2022-01-07 |
CN113902381B true CN113902381B (zh) | 2022-07-15 |
Family
ID=79027256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111265671.7A Active CN113902381B (zh) | 2021-10-28 | 2021-10-28 | 一种无人车货物运输方式的智能选择方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902381B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682812A (zh) * | 2016-11-24 | 2017-05-17 | 西安建筑科技大学 | 综合运输体系客运方式分担率‑距离转移曲线确定方法 |
CN111027902A (zh) * | 2019-12-02 | 2020-04-17 | 上海万筹科技有限公司 | 无人仓货品运输匹配方法及装置 |
CN112417294A (zh) * | 2020-12-03 | 2021-02-26 | 广州瀚信通信科技股份有限公司 | 一种基于神经网络挖掘模型的业务智能推荐方法 |
CN112686609A (zh) * | 2020-12-31 | 2021-04-20 | 江苏佳利达国际物流股份有限公司 | 基于优化效率评价算法的智能无人物流运输方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846214A (zh) * | 2016-11-24 | 2017-06-13 | 西安建筑科技大学 | 分析交通枢纽可达性对区域公共运输方式竞争影响的方法 |
-
2021
- 2021-10-28 CN CN202111265671.7A patent/CN113902381B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682812A (zh) * | 2016-11-24 | 2017-05-17 | 西安建筑科技大学 | 综合运输体系客运方式分担率‑距离转移曲线确定方法 |
CN111027902A (zh) * | 2019-12-02 | 2020-04-17 | 上海万筹科技有限公司 | 无人仓货品运输匹配方法及装置 |
CN112417294A (zh) * | 2020-12-03 | 2021-02-26 | 广州瀚信通信科技股份有限公司 | 一种基于神经网络挖掘模型的业务智能推荐方法 |
CN112686609A (zh) * | 2020-12-31 | 2021-04-20 | 江苏佳利达国际物流股份有限公司 | 基于优化效率评价算法的智能无人物流运输方法和系统 |
Non-Patent Citations (1)
Title |
---|
"基于特征选择和算法融合的铁路货运需求预测研究";徐唯祎;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210615(第06期);第C033-378页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113902381A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN111667512B (zh) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 | |
US11455538B2 (en) | Correctness preserving optimization of deep neural networks | |
CN116108717B (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
US20190367040A1 (en) | Information processing device, travel data processing method, vehicle, and program recording medium | |
US11782451B1 (en) | Training machine learning model for controlling autonomous vehicle | |
US20200307577A1 (en) | Interpreting data of reinforcement learning agent controller | |
CN110435564A (zh) | 确定车辆驾驶行为 | |
CN110610245A (zh) | 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统 | |
CN110879595A (zh) | 一种基于深度强化学习的无人矿卡循迹控制系统及方法 | |
CN114880935A (zh) | 隧道火灾超前预测方法 | |
CN113902381B (zh) | 一种无人车货物运输方式的智能选择方法及系统 | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
US20210333764A1 (en) | Electronic control device and neural network update system | |
Ramezani-Khansari et al. | [Retracted] Estimating Lane Change Duration for Overtaking in Nonlane‐Based Driving Behavior by Local Linear Model Trees (LOLIMOT) | |
CN113110359A (zh) | 约束型智能汽车自主决策系统在线训练方法及装置 | |
Acosta et al. | Optimized tire force estimation using extended Kalman filter and fruit fly optimization | |
WO2023094125A1 (en) | A device and method for handling data associated with energy consumption of a vehicle | |
Akca et al. | eTS fuzzy driver model for simultaneous longitudinal and lateral vehicle control | |
CN116822671A (zh) | 一种油耗预测方法、装置、电子设备及存储介质 | |
Schmidt | Tire Pressure Monitoring using Weighted Horizontal Visibility Graphs | |
Qiu et al. | Driving Style-aware Car-following Considering Cut-in Tendencies of Adjacent Vehicles with Inverse Reinforcement Learning | |
Pourasad | Optimal Control of the Vehicle Path Following by Using Image Processing Approach | |
Yamauchi et al. | Adaptive identification method of vehicle modeling according to the fluctuation of road and running situation in autonomous driving | |
US20230401611A1 (en) | Vehicle value prediction device |
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 |