CN114237265A - 最优日常巡检路线的规划方法、系统、计算机及存储介质 - Google Patents
最优日常巡检路线的规划方法、系统、计算机及存储介质 Download PDFInfo
- Publication number
- CN114237265A CN114237265A CN202210174195.6A CN202210174195A CN114237265A CN 114237265 A CN114237265 A CN 114237265A CN 202210174195 A CN202210174195 A CN 202210174195A CN 114237265 A CN114237265 A CN 114237265A
- Authority
- CN
- China
- Prior art keywords
- inspection
- point
- patrol
- shortest path
- optimal
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003066 decision tree Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013138 pruning Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- DDVBPZROPPMBLW-IZGXTMSKSA-N latrunculin A Chemical compound C([C@H]1[C@@]2(O)C[C@H]3C[C@H](O2)CC[C@@H](\C=C/C=C/CC\C(C)=C/C(=O)O3)C)SC(=O)N1 DDVBPZROPPMBLW-IZGXTMSKSA-N 0.000 claims description 7
- DDVBPZROPPMBLW-UHFFFAOYSA-N latrunculin-A Natural products O1C(=O)C=C(C)CCC=CC=CC(C)CCC(O2)CC1CC2(O)C1CSC(=O)N1 DDVBPZROPPMBLW-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- NSHPHXHGRHSMIK-IWQSFCKSSA-N latrunculin B Natural products C[C@H]1CC[C@@H]2C[C@@H](C[C@@](O)(O2)[C@@H]3CSC(=O)N3)OC(=O)C=C(C)/CCC=C/1 NSHPHXHGRHSMIK-IWQSFCKSSA-N 0.000 claims description 3
- 244000141353 Prunus domestica Species 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 239000012535 impurity Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication 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
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出最优日常巡检路线的规划方法、系统、计算机及存储介质,属于巡检路线规划技术领域。首先,获取地理位置;其次,获取各巡查点位置信息,并计算各巡查点与步骤一所述的地理位置之间的距离;再次,确定最短路径顶点集合S和未确定最短路径的顶点集合U;再次,记录各巡查点日常巡检设备的相关信息,结合步骤三所述最短路径顶点集合建立预测模型;最后,将巡查路线输入预测模型,输出预测优先巡查点并给出最优巡查路线。本发明可以提高日常巡检出行效率,减少出行时间。解决现有技术中存在的巡检路线不合理影响巡检效率的技术问题。
Description
技术领域
本申请涉及一种巡检路线规划方法,尤其涉及最优日常巡检路线的规划方法、系统、计算机及存储介质,属于巡检路线规划技术领域。
背景技术
GPS定位技术可为用户提供随时随地的准确位置信息服务。它的基本原理是将GPS接收机接收到的信号经过误差处理后解算得到位置信息,再将位置信息传给所连接的设备,连接设备对该信息进行一定的计算和变换(如地图投影变换、坐标系统的变换等)后传递给移动终端,利用内置GPS的移动设备来开展巡检工作是目前较为先进的技术手段。通过移动设备的GPS定位技术获取到最新的经纬度坐标。
地球是标准的球形,在地球中画一个与地轴垂直的大圆圈,使圈上的每一点都和南北两极的距离相等,这个圆圈就叫作“赤道”。在赤道的南北两边,画出许多和赤道平行的圆圈,就是“纬圈”;构成这些圆圈的线段,叫做纬线。我们把赤道定为纬度零度,向南向北各为90度,在赤道以南的叫南纬,在赤道以北的叫北纬。北极就是北纬90度,南极就是南纬90度。其次,从北极点到南极点,可以画出许多南北方向的与地球赤道垂直的大圆圈,这叫作“经圈”;构成这些圆圈的线段,就叫经线。通过经纬度能够推导出其两点之间的距离。
巡检员日常巡检很多个点位,每个点位分布在不同位置,距离长短不一。这就给巡检员巡检带来了困扰,如何才能规划出一条最优最短路线成为必要。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决现有技术中存在的巡检路线不合理影响巡检效率的技术问题,本发明提供最优日常巡检路线的规划方法、系统、计算机及存储介质。
方案一:本发明提供了最优日常巡检路线的规划方法,包括以下步骤:
S1、获取地理位置;
S2、获取各巡查点位置信息,并计算各巡查点与S1所述的地理位置之间的距离;
S3、确定最短路径顶点集合S和未确定最短路径的顶点集合U;
S4、记录各巡查点日常巡检设备的相关信息,结合S3所述最短路径顶点集合建立预测模型;
S5、将巡查路线输入预测模型,输出预测优先巡查点并给出最优巡查路线。
优选的,S1所述获取地理位置的具体方法是,通过巡查设备的GPS定位装置获取地理位置,包括以下步骤:
S11、首选确认GPS是否正常;
S12、设置开启GPS页面;
S13、获取定位;
S14、得到包括经纬度在内的位置信息并记录。
优选的,所述获取各巡查点位置信息,并计算各巡查点与S1所述的地理位置之间的距离的具体方法是:通过改变巡查点的位置分别获取各巡查点的位置信息;计算各巡查点与S1所述的地理位置之间的距离具体方法是,选取S1获取的地理位置信息作为巡查点a,其经纬度为(LonA,LatA),其他的巡查点依次为b(LonB,LatB),c(LonC,LatC),...n(LonN,LatN);通过下述公式得到巡查点a与其各个巡查点b,c,...n之间的相互之间的距离:
Distance = R*Arccos(θ)*Pi/180
其中,R表示地球半径,Pi表示π,θ表示a点与n点之间的夹角角度
,θ=sin(LatA)*sin(LatN) + cos(LatA)*cos(LatN)*cos(LonA-LonN)。
优选的,将巡查点集合分成两组,第一组为求出最短路径的巡查点集合S,初始时巡查点集合S中只有一个巡查点a,以后每求得一条最短路径,就将最短路径巡查点加入到巡查点集合S中,直到全部巡查点都加入到巡查点集合S中,第二组为未确定最短路径的巡查点集合U,按最短路径长度的递增次序依次把第二组的巡查点加入巡查点集合S中,在加入的过程中,总保持巡查点到巡查点集合S中巡查点a的最短路径长度不大于从巡查点a到巡查点集合U中任何巡查点的最短路径长度;每个巡查点对应一个距离,巡查点集合S中的巡查点之间的距离就是从巡查点a到各巡查点的最短路径长度,巡查点集合U中的巡查点之间的距离,是从巡查点a到各巡查点包括巡查点集合S中的巡查点为中间巡查点的当前最短路径长度。
优选的,所述记录各巡查点日常巡检设备的相关信息包括巡检过程是否超时、被巡检设备是否正常工作 、巡检点是否有安全隐患和巡检记录是否按时提交。
优选的,所述建立预测模型的具体方法是,采用CART算法生成决策树,通过递归的方式将维的空间划分为不重叠的矩形,划分步骤包括:
S41、选一个自变量Xi,根据所述自变量Xi确定因变量Vi,Vi把空间划分为两部分,一部分的所有点都满足Xi≤Vi,另一部分的所有点都满足Xi>Vi,对非连续变量来说异常特征的取值只有两个,所属异常特征的取值包括:是或否;
S42、递归处理,将S41得到的两部分按S41重新选取一个属性继续划分,直到把整个空间都划分完;
根据S41和S42,进行CART决策树生成,生成步骤包括:
S43、设节点的训练数据集为D,对每一个特征W,对其可能取的每个值x,根据样本点对A=x的测试为是或否将D分割成D1和D2部分,并计算Gini(D,W);
S44、在所有可能的特征A以及其所有可能的切分点k中,选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点;依次从现节点生成两个子结点,将训练数据集依特征分配到两个子结点中;
S45、对两个子结点递归地调用S41和S42,直至满足停止条件;
S46、生成CART决策树T。
优选的,对CART决策树T进行剪枝算法,从完全生长地决策树底端剪去一些子树,使决策树变小,使预测更准确;具体包括:
1).生成算法产生地决策树T0底端开始不断剪枝,直到T0的根节点,形成一个子树序列{T0,T1,...Tn};
2).通过交叉验证法在独立的验证数据集上对子树序列进行测试,从而选择最优子树。
方案二:一种最优日常巡检路线的系统,用于实现方案一所述最优日常巡检路线的规划方法的系统,该系统包括获取地理信息模块、巡查点与地理位置距离计算模块、确定最短路径顶点集合模块、记录巡检设备信息模块和建立预测模块;上述各模块顺序连接;所述获取地理信息模块用于获取地理位置信息;所述巡查点与地理位置距离计算模块用于计算各巡查点与地理位置之间的距离;所述确定最短路径顶点集合模块用于确定最短路径顶点集合和未确定最短路径的顶点集合;所述记录巡检设备信息模块用于记录巡检过程是否超时、被巡检设备是否正常工作 、巡检点是否有安全隐患和巡检记录是否按时提交;所述建立预测模块用于建立最优巡查路线预测模型。
方案三:一种计算机,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现方案一所述一种最优日常巡检路线的规划方法的步骤。
方案四:一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现方案一所述一种最优日常巡检路线的规划方法。
本发明的有益效果如下:本发明通过GPS定位技术获取巡检员所在位置,即经纬度;同时也通过GPS定位技术获取到各个巡检点的经纬度坐标。通过两点经纬度计算出巡检员与各个巡检点之间的距离,然后通过Dijkstra算法从巡检员起点到各个巡查点中找出最短路线,最后再通过预测模型预测其下一次会优先巡查哪个点,并提前规划出巡检路线。可以提高日常巡检出行效率,减少出行时间。解决现有技术中存在的巡检路线不合理影响巡检效率的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明方法流程示意图;
图2为本发明起点与所有巡查点位之间的距离示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-2说明本实施方式,最优日常巡检路线的规划方法,包括以下步骤:
S1、获取地理位置,具体方法是,通过巡查设备的GPS定位装置获取地理位置,包括以下步骤:
S11、首选确认GPS是否正常LocationManager alm = (LocationManager)this.getSystemService(Context.LOCATION_SERVICE);
S12、设置开启GPS页面
Intent intent = new Intent(Settings.ACTION_SECURITY_SETTINGS);startActivityForResult(intent, 0);
S13、获取定位
location = locationManager.getLastKnownLocation(LocationManager.NETWORK_PROVIDER)Geocoder gc = new Geocoder(context);addresses = gc.getFromLocation(location.getLatitude(),location.getLongitude(), 1);
S14、得到包括经纬度在内的位置信息并记录。
S2、获取各巡查点位置信息,并计算各巡查点与S1所述的地理位置之间的距离,具体方法是:通过改变巡查点的位置分别获取各巡查点的位置信息;计算各巡查点与S1所述的地理位置之间的距离具体方法是,选取巡查员位置(S1获取的地理位置信息)作为巡查点a,其经纬度为(LonA,LatA),其他的巡查点依次为b(LonB,LatB),c(LonC,LatC),...n(LonN,LonN);通过下述公式得到巡查点a与其各个巡查点b,c,...n之间的相互之间的距离:
Distance = R*Arccos(θ)*Pi/180
其中,R表示地球半径,Pi表示π,θ表示a点与n点之间的夹角角度
,θ=sin(LatA)*sin(LatN) + cos(LatA)*cos(LatN)*cos(LonA-LonN)。
通过计算方法可以得到所有点位之间的距离,参照图2。
根据图2我们假设G=(V,E)是一个带权有向图,把图中巡查点集合分成两组,第一组为求出最短路径的巡查点集合(用S表示,初始时S中只有一个巡查点a,以后每求得一条最短路径,就将加入到集合S中,直到全部顶点都加入到集合S中),第二组为其余未确定最短路径的巡查点集合(用U表示),按最短路径长度的递增次序依次把第二组的巡查点加入集合S中,在加入的过程中,总保持从巡查点a到S中各巡查点的最短路径长度不大于从巡查点a到集合U中任何巡查点的最短路径长度。每个巡查点对应一个距离,集合S中的巡查点的距离就是从巡查点a到此巡查点的最短路径长度,集合U中的巡查点的距离,是从巡查点a到此巡查点只包括集合S中的巡查点为中间巡查点的当前最短路径长度。具体实现过程如下:
S3、确定最短路径巡查点集合S和未确定最短路径的巡查点集合U,具体方法是:包括以下步骤:
S31、创建最短路径巡查点集合S={},先把巡查点a加入集合,S={a},对应到各顶点的距离dist[]={0,10,∞,30,100},其中∞表示巡查点a无法直接到达巡查点c,剩余的巡查点放到未确定最短路径的巡查点集合U={b,c,d,...n};
S32、从集合dist中选取离巡查点a最近的值为10,其对应集合U中的巡查点为b点,所以将巡查点b加入到集合S中,为S={a,b},集合U中的巡查点为U={c,d,...n},对应的dist[]={0,30,100};
S33、按照S32的方法,找出最短距离30对应巡查点d,将d点加入到集合S={a,b,d},集合U={c,..n};对应的dist[]={0,100};
S34、按照上述S32依次类推,直到最后所有的巡查点全部加入到集合S={a,b,d,c,...n}。
S35、S34中得到的集合S按照顺序就是最优路线。
S4、记录各巡查点日常巡检设备的相关信息,结合S3所述最短路径顶点集合建立预测模型;
具体的,巡查点日常巡检设备的相关信息具体包括巡检过程是否超时、被巡检设备是否正常工作 、巡检点是否有安全隐患和巡检记录是否按时提交。
具体的,建立预测模型的具体方法是,采用CART算法生成决策树,通过递归的方式将维的空间划分为不重叠的矩形,划分步骤包括:
步骤建立预测模型的具体方法是,采用CART算法生成决策树,通过递归的方式将维的空间划分为不重叠的矩形,划分步骤包括:
S41、选一个自变量Xi,根据所述自变量Xi确定因变量Vi,Vi把多维空间划分为两部分,一部分的所有点都满足Xi≤Vi,另一部分的所有点都满足Xi>Vi,对非连续变量来说异常特征的取值只有两个,所属异常特征的取值包括:是或否;
S42、递归处理,将S41得到的两部分按S41重新选取一个属性继续划分,直到把整个多维空间都划分完;对于一个变量属性来说,它的划分点是一对连续变量属性值的中点。假设样本的集合一个属性有n个连续的值,那么则会有n-1个分裂点,每个分裂点为相邻两个连续值的均值。每个属性的划分按照能减少的杂质的量来进行排序,而杂质的减少量定义为划分前的杂质减去划分后的每个节点的杂质量划分所占比率之和。而杂质度量方法常用Gini指标,假设一个样本共有C类,那么一个节点的Gini不纯度可定义为:,其中pi表示属于第i类的概率,当Gini(A)=0时,所有样本属于同类,所有类在节点中以等概率出现时,Gini(A)最大化,此时Gini(A)=C(C-1)/2。
根据S41和S42,进行CART决策树生成,生成步骤包括:
S43、设节点的训练数据集为D,对每一个特征W,对其可能取的每个值x,根据样本点对A=x的测试为是或否将D分割成D1和D2部分,并计算Gini(D,W);
例如表1(巡检分类表)中属性有4个,分别是巡检过程时间是否超时、被巡检设备是否正常工作、巡检点是否有安全隐患、巡检记录是否按时提交。巡检结果是否正常为分类的结果。
表1巡检分类表
序号 | 巡检过程时间是否超时 | 被巡检设备是否正常工作 | 巡检点是否有安全隐患 | 巡检记录是否按时提交 | 巡检结果是否正常 |
1 | 否 | 是 | 否 | 是 | 是 |
2 | 是 | 是 | 否 | 是 | 是 |
3 | 否 | 否 | 否 | 是 | 否 |
4 | 否 | 是 | 是 | 是 | 否 |
5 | 是 | 是 | 否 | 否 | 是 |
6 | 是 | 否 | 否 | 否 | 否 |
7 | 否 | 是 | 是 | 是 | 否 |
8 | 否 | 否 | 是 | 是 | 是 |
假设选取属性巡检过程时间是否超时,那么按照它划分后的Gini指数计算如下:
是否超时 | 巡检过程时间未超时 | 巡检过程时间已超时 |
是 | 2 | 2 |
否 | 3 | 1 |
Gini(未超时)=1-(2/5)*(2/5)-(3/5)*(3/5)=1-0.16-0.36=0.48
Gini(超时)=1-(2/3)*(2/3)-(1/3)*(1/3)=1-0.45-0.11=0.44
Gini(巡检过程时间是否超时)= (5/8)*0.48+(3/8)*0.44=0.3+0.165=0.465
假设选取属性被巡检设备是否正常工作,那么按照它划分后的Gini指数计算如下:
是否超时 | 巡检设备正常 | 巡检设备异常 |
是 | 3 | 1 |
否 | 2 | 2 |
Gini(设备正常)=1-(3/5)*(3/5)-(2/5)*(2/5)=1-0.36-0.16=0.48
Gini(设备异常)=1-(1/3)*(1/3)-(2/3)*(2/3)=1-0.11-0.45=0.44
Gini(设备是否正常)= (5/8)*0.48+(3/8)*0.44=0.3+0.165=0.465
S44、在所有可能的特征A以及其所有可能的切分点k中,选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点;依次从现节点生成两个子结点,将训练数据集依特征分配到两个子结点中;
S45、对两个子结点递归地调用S41和S42,直至满足停止条件;
S46、生成CART决策树T。
通过CART剪枝算法从完全生长地决策树底端剪去一些子树,使决策树变小,从而能够对未知数据有更加准测地预测。CART剪枝算法由两步组成:首先从生成算法产生地决策树T0底端开始不断剪枝,直到T0的根节点,形成一个子树序列{T0,T1,...Tn};然后通过交叉验证法在独立的验证数据集上对子树序列进行测试,从而选择最优子树;具体方法步骤如下:
剪枝,得到子树序列,子树的损失函数Ca( T ) = C ( T ) + a∣ T ∣ ,T为任意子树,C(T)为对训练数据的预测误差,可以是基尼指数,|T|为子树T的叶子节点个数,a为正则化参数,当a=0时,原始生成的CART树即为最优子树,当a=∞时,正则化强度最大,此时由原始的生成CART树的根节点组成的单节点树为最优子树,a越大,剪枝剪得越厉害,生成的最优子树相比原生决策树就越偏小,对于固定的a,一定存在使得损失函数Ca( T )最小的唯一子树。对于位于节点t的任意一颗子树Tt,如果没用剪枝,损失函数是: Ca(Tt) = C(Tt)+a|Tt|,如果将其剪掉,仅保留根节点,损失函数是:Ca(T)=C(T)+a,当a=0或a很小,Ca(Tt)<Ca(T),当a增大到一定程度时,Ca(Tt)=Ca(T).当a继续增大时不等于反向,即满足a= C(T)-C(Tt)/|Tt|-1.Tt和T有相同的损失函数,但T节点更少,因此可以对子树Tt进行剪枝,也就是将它的子节点全部剪掉,变为一个叶子结点T。
假设我们把所有节点是否剪枝的值a都计算出来,然后针对不同a对于的剪枝后的最优子树做交叉验证,这样可以选择最好的a。有了这个a,用对应的最优子树作为最终结果。
初始化amin=∞,最优子树集合ω = {T}。
从叶子结点开始自下而上计算内部节点t的训练误差损失函数Ca(Tt),叶子节点数|Tt|,以及正则化阈值a=min{C(T)-C(Tt)/|Tt|-1,amin},更新amin=a。
得到所有节点的a值集合M。
从M中选择最大的值ak,自上而下的访问子树t的内部节点,如果C(T)-C(Tt)/|Tt|-1≤ak时,进行剪枝。并决定叶子节点t的值。这样得到ak对应的最优子树{Tk}。
最优子树集合ω= ω∪{Tk},M=M-{ak}。
如果M不为空,则回到S4,直到得到了所有的可选最优子树集合ω。
循环上述步骤在ω选择最优子树Tk。
S5、将巡查路线输入预测模型,输出预测优先巡查点并给出最优巡查路线。
实施例2、一种最优日常巡检路线的系统,用于实现实施例1所述一种最优日常巡检路线的规划方法的系统,该系统包括获取地理信息模块、巡查点与地理位置距离计算模块、确定最短路径顶点集合模块、记录巡检设备信息模块和建立预测模块;上述各模块顺序连接;所述获取地理信息模块用于获取地理位置信息;所述巡查点与地理位置距离计算模块用于计算各巡查点与地理位置之间的距离;所述确定最短路径顶点集合模块用于确定最短路径顶点集合和未确定最短路径的顶点集合;所述记录巡检设备信息模块用于记录巡检过程是否超时、被巡检设备是否正常工作 、巡检点是否有安全隐患和巡检记录是否按时提交;所述建立预测模块用于建立最优巡查路线预测模型。
具体的,本实施例的预测模型可以通过决策树C4.5算法实现。
具体的,本发明的应用领域可以延展至物流运输、旅游出行等等其他涉及路线规划的领域。
本发明的技术关键点:
1.通过GPS定位技术获取巡检员和各个巡检点的经纬度坐标,计算两者之间的距离,通过Dijkstra算法从N巡检员起点及各个巡查点中找出最短路线。
2. 将记录各巡查点日常巡检设备的相关信息结合最短路径顶点集合使用CART算法建立预测模型,通过预测模型预测其下一次会优先巡查哪个点,并提前规划出巡检路线。
3.Dijkstra算法与日常巡检寻找最优路线应用场景。
4.预测模型提前预判下一次会优先巡查哪个点和最优路线。
本发明的缩略语和关键术语定义:
1、 GPRS:GPRS英文全称为 General packet radio service,中文名称为通用无线分组业务,是一种基于GSM系统的无线分组交换技术,提供端到端的、广域的无线IP连接。通俗地讲,GPRS是一项高速数据处理的技术,方法是以“分组”的形式传送资料到用户手上。GPRS是GSM网络向第三代移动通信系统过渡的一项2.5代通信技术,在许多方面都具有显著的优势。
2、GPS(Global Positioning System)即全球定位系统,是美国研制的卫星导航定位系统,今采用WGS84坐标系统。因地球在天球空间中的位置是不稳定的,故协议用wgs84某一刻的北极点指向位置。
3、经纬度:经纬度是经度与纬度的合称组成一个坐标系统,称为地理坐标系统,它是一种利用三度空间的球面来定义地球上的空间的球面坐标系统,能够标示地球上的任何一个位置。
4、Dijkstra算法:从一个顶点到其余各顶点的最短路径算法,解决的是有权图中最短路径问题。迪杰斯特拉算法主要特点是从起始点开始,采用贪心算法的策略,每次遍历到始点距离最近且未访问过的顶点的邻接节点,直到扩展到终点为止。
本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.最优日常巡检路线的规划方法,其特征在于,包括以下步骤:
S1、获取地理位置信息;
S2、获取各巡查点位置信息,并计算各巡查点与S1所述的地理位置之间的距离;
S3、确定最短路径顶点集合S和未确定最短路径的顶点集合U;
S4、记录各巡查点日常巡检设备的相关信息,结合S3所述最短路径顶点集合建立预测模型;
S5、将巡检路线输入预测模型,输出最优巡检路线。
2.根据权利要求1所述的最优日常巡检路线的规划方法,其特征在于,所述获取地理位置的具体方法是,通过巡查设备的GPS定位装置获取地理位置信息,包括以下步骤:
S11、首选确认GPS是否正常;
S12、设置开启GPS页面;
S13、获取定位;
S14、得到包括经纬度在内的位置信息并记录。
3.根据权利要求2所述的最优日常巡检路线的规划方法,其特征在于,所述获取各巡查点位置信息,并计算各巡查点与S1所述的地理位置之间的距离的具体方法是:通过改变巡查点的位置分别获取各巡查点的位置信息;计算各巡查点与S1所述的地理位置之间的距离具体方法是,选取S1获取的地理位置信息作为巡查点a,其经纬度为(LonA,LatA),其他的巡查点依次为b(LonB,LatB),c(LonC,LatC),...n(LonN,LatN);通过下述公式得到巡查点a与其各个巡查点b,c,...n之间的相互之间的距离:
Distance = R*Arccos(θ)*Pi/180
其中,R表示地球半径,Pi表示π,θ表示a点与n点之间的夹角角度,θ=sin(LatA)*sin(LatN) + cos(LatA)*cos(LatN)*cos(LonA-LonN)。
4.根据权利要求3所述的最优日常巡检路线的规划方法,其特征在于,所述确定最短路径顶点集合S和未确定最短路径的顶点集合U的具体方法是:将巡查点集合分成两组,第一组为求出最短路径的巡查点集合S,初始时巡查点集合S中只有一个巡查点a,以后每求得一条最短路径,就将最短路径巡查点加入到巡查点集合S中,直到全部巡查点都加入到巡查点集合S中,第二组为未确定最短路径的巡查点集合U,按最短路径长度的递增次序依次把第二组的巡查点加入巡查点集合S中,在加入的过程中,总保持巡查点到巡查点集合S中巡查点a的最短路径长度不大于从巡查点a到巡查点集合U中任何巡查点的最短路径长度;每个巡查点对应一个距离,巡查点集合S中的巡查点之间的距离就是从巡查点a到各巡查点的最短路径长度,巡查点集合U中的巡查点之间的距离,是从巡查点a到各巡查点包括巡查点集合S中的巡查点为中间巡查点的当前最短路径长度。
5.根据权利要求4所述的最优日常巡检路线的规划方法,其特征在于,所述记录各巡查点日常巡检设备的相关信息包括巡检过程是否超时、被巡检设备是否正常工作、巡检点是否有安全隐患和巡检记录是否按时提交。
6.根据权利要求5所述的最优日常巡检路线的规划方法,其特征在于,所述建立预测模型的具体方法是,采用CART算法生成决策树,通过递归的方式将维的空间划分为不重叠的矩形,划分步骤包括:
S41、选一个自变量Xi,根据所述自变量Xi确定因变量Vi,Vi把空间划分为两部分,一部分的所有点都满足Xi≤Vi,另一部分的所有点都满足Xi>Vi,对非连续变量来说异常特征的取值只有两个,所属异常特征的取值包括:是或否;
S42、递归处理,将S41得到的两部分按S41重新选取一个属性继续划分,直到把整个空间都划分完;
根据S41和S42,进行CART决策树生成,生成步骤包括:
S43、设节点的训练数据集为D,对每一个特征W,对其可能取的每个值x,根据样本点对A=x的测试为是或否将D分割成D1和D2部分,并计算Gini(D,W);
S44、在所有可能的特征A以及其所有可能的切分点k中,选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点;依次从现节点生成两个子结点,将训练数据集依特征分配到两个子结点中;
S45、对两个子结点递归地调用S41和S42,直至满足停止条件;
S46、生成CART决策树T。
7.根据权利要求6所述的最优日常巡检路线的规划方法,其特征在于,对CART决策树T进行剪枝算法,从完全生长地决策树底端剪去一些子树,使决策树变小,使预测更准确;具体包括:
1).生成算法产生地决策树T0底端开始不断剪枝,直到T0的根节点,形成一个子树序列{T0,T1,...Tn};
2).通过交叉验证法在独立的验证数据集上对子树序列进行测试,从而选择最优子树。
8.一种最优日常巡检路线的系统,其特征在于,用于实现权利要求1-7任一项所述最优日常巡检路线的规划方法的系统,该系统包括获取地理信息模块、巡查点与地理位置距离计算模块、确定最短路径顶点集合模块、记录巡检设备信息模块和建立预测模块;上述各模块顺序连接;所述获取地理信息模块用于获取地理位置信息;所述巡查点与地理位置距离计算模块用于计算各巡查点与地理位置之间的距离;所述确定最短路径顶点集合模块用于确定最短路径顶点集合和未确定最短路径的顶点集合;所述记录巡检设备信息模块用于记录巡检过程是否超时、被巡检设备是否正常工作 、巡检点是否有安全隐患和巡检记录是否按时提交;所述建立预测模块用于建立最优巡检路线预测模型。
9.一种计算机,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1至7任一项所述的最优日常巡检路线的规划方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的最优日常巡检路线的规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210174195.6A CN114237265B (zh) | 2022-02-25 | 2022-02-25 | 最优日常巡检路线的规划方法、系统、计算机及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210174195.6A CN114237265B (zh) | 2022-02-25 | 2022-02-25 | 最优日常巡检路线的规划方法、系统、计算机及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114237265A true CN114237265A (zh) | 2022-03-25 |
CN114237265B CN114237265B (zh) | 2022-07-12 |
Family
ID=80748115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210174195.6A Active CN114237265B (zh) | 2022-02-25 | 2022-02-25 | 最优日常巡检路线的规划方法、系统、计算机及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114237265B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115202312A (zh) * | 2022-09-16 | 2022-10-18 | 山东神驰化工集团有限公司 | 一种智能式化工安全生产巡控系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202975335U (zh) * | 2012-12-09 | 2013-06-05 | 上海赛特康新能源科技有限公司 | 智能巡检装置的导航系统 |
CN104718507A (zh) * | 2012-11-05 | 2015-06-17 | 松下知识产权经营株式会社 | 自主行走装置的行走信息生成装置、方法及程序、以及自主行走装置 |
CN107609943A (zh) * | 2017-09-14 | 2018-01-19 | 山东建筑大学 | 一种超市购物智能引导系统及方法 |
US10012996B1 (en) * | 2017-09-15 | 2018-07-03 | Savioke, Inc. | Route planning for a mobile robot using configuration-based preferences |
CN108562301A (zh) * | 2018-05-21 | 2018-09-21 | 北京石油化工学院 | 一种行驶路径的规划方法及装置 |
CN108989075A (zh) * | 2017-06-05 | 2018-12-11 | 中国移动通信集团广东有限公司 | 一种网络故障定位方法及系统 |
CN109141449A (zh) * | 2018-07-02 | 2019-01-04 | 中国计量大学 | 自动导引运输车最短环形路径导航方法及导引运输车 |
CN109839954A (zh) * | 2019-02-22 | 2019-06-04 | 国家电网有限公司 | 一种多旋翼无人机智能巡检系统 |
US10671075B1 (en) * | 2017-12-15 | 2020-06-02 | Zoox, Inc. | Trajectory generation using curvature segments |
CN111259929A (zh) * | 2020-01-08 | 2020-06-09 | 上海应用技术大学 | 基于随机森林的食源性致病菌的分类模型训练方法 |
US20200372797A1 (en) * | 2019-05-22 | 2020-11-26 | Murata Machinery, Ltd. | Route determination method, controller, and routing system comprising controller |
CN112748732A (zh) * | 2020-12-01 | 2021-05-04 | 杭州电子科技大学 | 基于改进Kstar算法和深度学习的实时路径规划方法 |
-
2022
- 2022-02-25 CN CN202210174195.6A patent/CN114237265B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104718507A (zh) * | 2012-11-05 | 2015-06-17 | 松下知识产权经营株式会社 | 自主行走装置的行走信息生成装置、方法及程序、以及自主行走装置 |
US20150234383A1 (en) * | 2012-11-05 | 2015-08-20 | Panasonic Intellectual Property Management Co., Ltd. | Running information generating apparatus of autonomous running apparatus, running information generating method, running information generating program, and autonomous running apparatus |
CN202975335U (zh) * | 2012-12-09 | 2013-06-05 | 上海赛特康新能源科技有限公司 | 智能巡检装置的导航系统 |
CN108989075A (zh) * | 2017-06-05 | 2018-12-11 | 中国移动通信集团广东有限公司 | 一种网络故障定位方法及系统 |
CN107609943A (zh) * | 2017-09-14 | 2018-01-19 | 山东建筑大学 | 一种超市购物智能引导系统及方法 |
US10012996B1 (en) * | 2017-09-15 | 2018-07-03 | Savioke, Inc. | Route planning for a mobile robot using configuration-based preferences |
US10671075B1 (en) * | 2017-12-15 | 2020-06-02 | Zoox, Inc. | Trajectory generation using curvature segments |
CN108562301A (zh) * | 2018-05-21 | 2018-09-21 | 北京石油化工学院 | 一种行驶路径的规划方法及装置 |
CN109141449A (zh) * | 2018-07-02 | 2019-01-04 | 中国计量大学 | 自动导引运输车最短环形路径导航方法及导引运输车 |
CN109839954A (zh) * | 2019-02-22 | 2019-06-04 | 国家电网有限公司 | 一种多旋翼无人机智能巡检系统 |
US20200372797A1 (en) * | 2019-05-22 | 2020-11-26 | Murata Machinery, Ltd. | Route determination method, controller, and routing system comprising controller |
CN111259929A (zh) * | 2020-01-08 | 2020-06-09 | 上海应用技术大学 | 基于随机森林的食源性致病菌的分类模型训练方法 |
CN112748732A (zh) * | 2020-12-01 | 2021-05-04 | 杭州电子科技大学 | 基于改进Kstar算法和深度学习的实时路径规划方法 |
Non-Patent Citations (3)
Title |
---|
国家知识产权局专利局专利文献部组织编写: "《专利文献研究 2017》", 30 September 2018 * |
张露: "不确定环境下智能小车的自主导航技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王者: "基于数据挖掘技术的变电站巡检机器人故障分析与自主特巡系统", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115202312A (zh) * | 2022-09-16 | 2022-10-18 | 山东神驰化工集团有限公司 | 一种智能式化工安全生产巡控系统 |
CN115202312B (zh) * | 2022-09-16 | 2022-12-27 | 山东神驰化工集团有限公司 | 一种智能式化工安全生产巡控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114237265B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763558B (zh) | 一种基于地图匹配的众包地图道路质量改进方法 | |
US6668226B2 (en) | Polar coordinate-based isochrone generation | |
CA2627989C (en) | System, apparatus and method for mapping | |
CN105373559A (zh) | 一种地理信息获取方法及地理信息获取系统 | |
Yang et al. | A pattern‐based approach for matching nodes in heterogeneous urban road networks | |
CN108712712A (zh) | 无线保真WiFi网络关联信息显示方法及装置 | |
CN114237265B (zh) | 最优日常巡检路线的规划方法、系统、计算机及存储介质 | |
CN117171288B (zh) | 一种栅格地图解析方法、装置、设备和介质 | |
CN112525208B (zh) | 城市道路地图快速构建方法和装置及设备 | |
CN110060472A (zh) | 道路交通事件定位方法、系统、可读存储介质和设备 | |
CN105096589A (zh) | 一种选取交通道路中代表性节点的方法、系统及客户端 | |
CN115329030B (zh) | 一种校核道路网络模型参数的方法、电子设备及存储介质 | |
CN114664104B (zh) | 一种路网匹配方法和装置 | |
CN113074735B (zh) | 一种地图数据结构的处理方法 | |
CN111241226B (zh) | 选址方法、装置及设备 | |
CN115033652A (zh) | 一种兴趣点聚合方法、装置、系统和相关产品 | |
CN115190110B (zh) | 一种地理位置确定方法和装置 | |
CN114708731B (zh) | 路网匹配方法、装置与系统 | |
CN113220812B (zh) | 一种基于多源地图平台交叉验证的数据空间化方法及装置 | |
CN115525725A (zh) | 一种数据处理方法、装置及设备 | |
US20230228580A1 (en) | Method and system for snapping an object's position to a road network | |
CN114238533A (zh) | 用户通勤路径规划方法、装置、计算机设备及存储介质 | |
Nguyen et al. | An Area Partitioning Approach to the Conflation of Road Networks with Highly Different Level of Details | |
üdiger Ebendt et al. | An approach to geometry-based dynamic location referencing | |
Berner et al. | Improved Lightweight Rendering of Road Networks based on Contraction Hierarchies |
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 |