CN114282823A - 车辆调度方法及装置、存储介质及电子设备 - Google Patents

Abstract

本发明提供一种车辆调度方法及装置、存储介质及电子设备，该方法包括：当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；确定调度信息集合，调度信息集合中包括，每个车辆的车辆信息和每个航班的航班信息；基于调度信息集合，确定每个车辆对应的优先级参数集合；依据每个车辆对应的优先级参数集合和预设的禁忌搜索算法，在各个航班中，确定每个车辆对应的各个运载航班，以对各个车辆进行调度。应用本发明的方法，可以结合所有车辆和所有航班的信息，得到优选的调度方案，无需由人工进行调度，可避免人工调度的局限性，整体的调度效果较好。

Description

车辆调度方法及装置、存储介质及电子设备

技术领域

本发明涉及数据处理技术领域，特别是涉及一种车辆调度方法及装置、存储介质及电子设备。

背景技术

随着人们生活水平的不断提高，飞机已经成为了人们生活中常见的交通工具，为了满足人们的出行需求，机场所承载的航班数量亦随之增多。而机场的近机位有限，有些航班的飞机需停留在机场的远机位，旅客则无法通过机场廊桥从航站楼登机，或是下机直接进入航站楼，机场需调配摆渡车，接送旅客往返航站楼。

目前，摆渡车的车辆调度工作，通常是由工作人员根据调度规则和航班计划，进行人工调度的。而在机场的实际运营中，实时的航班进出港情况并非是完全按照计划进行的，常常会出现飞机延误或是其他异常情况，导致车辆的调度需求发生变化。

而以人工进行车辆调度的调度方式，在车辆的调度需求发生变化时，工作人员通常难以及时考虑全局的车辆分配情况进行车辆调度，整体的调度效果较差，可能导致某些航班的旅客无法及时搭乘摆渡车，尤其是在航班量较大的情况下，十分容易出现车辆运载任务延误，给机场地勤保障工作带来不良影响，带来安全隐患，亦会降低旅客的服务体验。

发明内容

有鉴于此，本发明实施例提供了一种车辆调度方法，以解决人工调度车辆难以考虑全局，整体的调度效果较差，易出现车辆运载任务延误的问题。

本发明实施例还提供了一种车辆调度装置，用以保证上述方法实际中的实现及应用。

为实现上述目的，本发明实施例提供如下技术方案：

本发明第一方面公开一种车辆调度方法，包括：

当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；

确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；

基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；

依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

本发明第二方面公开一种车辆调度装置，包括：

第一确定单元，用于当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；

第二确定单元，用于确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；

第三确定单元，用于基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；

第四确定单元，用于依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

本发明第三方面公开一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的车辆调度方法。

本发明第四方面公开一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的车辆调度方法。

与现有技术相比，本发明包括以下优点：

本发明提供一种车辆调度方法及装置、存储介质及电子设备，该方法包括：当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。基于本发明提供的方案，在需要对各个车辆进行调度时，可结合所有车辆和所有航班的全局信息，得到相对较好的调度方案，而无需由人工进行调度，可避免人工调度的局限性，即便在航班量较大的情况下，也可以快捷地完成车辆调度，整体的调度效果较好，有利于保障各个车辆及时执行旅客运载任务，以保障航班旅客的正常乘机或下机，保障旅客安全和提升旅客的服务体验。

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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种车辆调度方法的方法流程图；

图2为本发明实施例提供的一种车辆调度方法的又一方法流程图；

图3为本发明实施例提供的一种神经网络模型的结构示意图；

图4为本发明实施例提供的一种车辆调度方法的另一方法流程图；

图5为本发明实施例提供的一种车辆调度装置的结构示意图；

图6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。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

由背景技术可知，机场摆渡车的调度安排通常是人工进行调度安排的，而人工调度通常具有一定的局限性，工作人员通常难以快速结合全局信息给出较好的调度方案，整体的调度效果较差，容易出现车辆无法及时执行旅客运载任务的情况，旅客需要长时间等候摆渡车，使得旅客的服务体验较差。另外，若是不能及时接送下机的旅客，会让旅客在停机坪区域停留较长时间，更是会带来一定的安全隐患，给机场地勤保障工作带来不良影响。

因此，本发明实施例提供一种车辆调度方法，所述方法可应用于机场摆渡车的车辆调度系统，所述方法的执行主体可以为运行在计算机上的处理器，所述车辆调度方法的方法流程图如图1所示，包括：

S101：当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；

本发明实施例提供的方法中，当需要对机场的各个摆渡车进行调度时，工作人员可以通过车辆调度系统的前端发送对各个车辆进行调度的触发指令。

当系统的处理器接收到相应的触发指令时，可机场的航班计划中获取当前需要进行车辆分配的各个航班，机场的航班计划可预先导入车辆调度系统，或是从存储有该信息的系统获取。如果需要得到的是当日的车辆调度方案，则需要进行车辆分配的各个航班，则为当日计划从机场的远机位起飞或降落的各个航班。

需要说明的是，在实际的应用场景中，机场的车辆调度可以是分区域调度的，也就是当前进行调度的各个车辆可以是负责机场某一区域运载任务的车辆，需要进行车辆分配的各个航班可以是计划在该区域起降的航班。机场的车辆调度也可以是统一调度的，各个车辆可以是机场当前所有可执行运载任务的车辆，各个航班包括所有需要分配车辆的起降航班。

S102：确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；

本发明实施例提供的方法中，可获取每个车辆的车辆信息和每个航班的航班信息，以得到调度信息集合。车辆的车辆信息可以包括该车辆的位置、可承载人数、驾驶该车辆的驾驶员、驾驶员的工作时间等信息。航班的航班信息可以包括航班号、停靠的机位、预计乘机时间/预计降落时间、旅客人数等信息。

S103：基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；

本发明实施例提供的方法中，可以根据预测的调度策略，基于每个车辆的车辆信息和每个航班的航班信息，确定每个车辆与每个航班相对应的优先级参数，也就是每个车辆分配给每个航班的优先程度。

需要说明的是，本发明实施例提供的调度策略中，设置有冲突管理机制，也就是对于同一辆车辆，其对于运送旅客时间相近的各个航班，通常至多仅有一个优先级参数表征优先程度较高，以保障在同一时间内不会给车辆二次分配任务。

S104：依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

本发明实施例提供的方法中，可根据各个车辆对应的优先级参数集合，得到各个调度方案，每个调度方案中包括每个车辆的调度安排，也就是每个车辆被分配的各个航班。可通过禁忌搜索算法，在各个调度方案中迭代寻优，以找到最优的调度方案，以根据最优的调度方案，在各个航班中，确定每个车辆对应的各个运载航班，以完成各个车辆的调度。也就是每个车辆需要执行其对应的每个运载航班的运载任务，接送该航班的旅客往返航站楼。

需要说明的是，在实际的应用场景中，对于一个航班可以分配多辆摆渡车运送旅客，不同车辆可以对应相同的航班，同一辆车也可以多次运输同一个航班的旅客。

基于本发明实施例提供的方法，在需要对各个车辆进行调度时，可确定需要进行车辆分配的各个航班，并确定各个车辆和各个航班对应的调度信息集合，基于该调度信息集合，确定每个车辆与各个航班对应的优先级参数集合。依据每个车辆对应的优先级参数集合和预设的禁忌搜索算法，在各个航班中，确定每个车辆对应的各个运载航班，以对各个车辆进行调度。应用本发明实施例提供的方法，可结合所有车辆和所有航班的全局信息，快捷地得到相对较好的调度方案，无需由人工进行调度，可避免人工调度的局限性，整体的调度效果较好，有利于保障各个车辆可及时运送旅客往返航站楼，以保障旅客正常乘机或下机，有利于保障旅客安全和提升旅客的服务体验。另外，也可以节省人工调度的人力资源，降低机场运营成本。

为了更好地说明本发明实施例提供的方法，在图1所示方法的基础上，结合图2所示方法流程图，本发明实施例提供了又一种车辆调度方法，本发明实施例提供的方法中，步骤S103中所提及的基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合的过程，包括：

S201：依据预设的调度规则和所述调度信息集合，确定每个所述车辆对应的第一分值集合，每个所述车辆对应的第一分值集合中包括多个分值，所述多个分值与所述各个航班一一对应，所述多个分值表征该车辆对应所述各个航班的分配优先级；

本发明实施例提供的方法中，可预先设置关于车辆分配优先顺序的调度规则。可以结合预设的调度规则和当前的调度信息集合，确定每个车辆对应的第一分值集合，第一分值集合中的每个分值表征该车辆分配该分值对应的航班的优先程度。

在具体的实现过程中，可以以矩阵的形式，记录各个车辆对应的第一分值集合。可以根据调度信息集合中各个信息与调度规则的匹配情况，生成得分矩阵，该矩阵的横坐标为航班，具体可为航班的航班号，矩阵的纵坐标为车辆，具体可为车辆的车辆编号。矩阵中的各个元素则为各个分值，每个分值则为其位置对应的车辆的第一分值集合中的分值，且与其位置对应的航班相对应。

可选的，本发明实施例中所提及的调度规则，具体可以包括多个子规则。各个子规则所涉及的因素可以包括：车辆的行驶路径、车辆的当前位置与机位的距离(车辆在停机坪内仅能按照预先规划的行驶路径行驶，车辆的位置与机位的距离是根据可供行驶的路径确定的，并非直线距离)、车辆到达时间与旅客乘机/下机时间的误差时间、航班的车辆需求数量、依赖时间(第一辆摆渡车到达时间与第二辆摆渡车到达时间的时间间隔)等等。确定每个车辆对应的第一分值集合的过程，是结合所有车辆和所有航班的信息全局分配对应分值的，在应用多个子规则的情况下，可根据每个子规则得到每个子规则下对应的优先分配情况，结合所有子规则对应的优先分配情况得到最终的第一分值集合。

需要说明的是，在具体的实现过程中，可以采用结合不同的调度子规则作为调度规则，也可以采用仅有一个规则内容的调度规则，具体所采用的规则内容也可以是不同的，不影响本发明实施例提供的方法实现功能。

例如，可结合车辆的行驶路径和距离这些因素设置一个就近派工的子规则，应用该规则分配车辆的原理可以为，对于当天首批用车时间相近的航班，根据每个车辆的停放位置至这各个航班的机位的行驶路径，按照就近派工的原则，按照行驶距离由近到远的顺序确定优先级由高到低的优先顺序，设置每个车辆对应这各个航班的当前的优先顺序，同理，确定每个车辆对于其他航班的优先顺序，但后续的行驶路径不再是车辆由停放位置至机位的行驶路径，而可以是车辆的动态行驶路径，例如车辆对应的某一个航班A，车辆在执行旅客运送任务的上一个航班B后紧接执行航班A的旅客运送任务，其对应航班A的动态行驶路径则为车辆从航班B的机位行驶至航班A的机位的行驶路径，继而可以根据后续的分配情况对应调整前一批航班对应的优先顺序，例如在考虑车辆的首个任务时，优先分配给航班C而非航班D，而在考虑后续的任务时，分配给航班D会取得更好的调度效果，如动态行驶路径距离更短，则可重新调整车辆分配给航班C和航班D的优先顺序。

S202：将所述调度信息集合中的各个信息输入已建立的神经网络模型，经所述神经网络模型处理后，获得每个所述车辆对应的概率集合，每个所述车辆对应的概率集合中包括多个概率，所述多个概率与所述各个航班一一对应；

本发明实施例提供的方法中，可预先构建一个神经网络模型，利用历史调度数据对该神经网络模型进行训练，使得该神经网络模型学习历史调度数据中的派工结果，也就是调度方案，以建立掌握一定学习能力的神经网络模型。可以将当前的调度信息集合中每个车辆的车辆信息和每个航班的航班信息，输入已建立的神经网络模型，经该神经网络模型处理后，可获取该神经网络模型的输出结果，获得每个车辆对应的概率集合，也就是该神经网络模型输出的是每个车辆分配给每个航班的概率。所述历史调度数据可以是一些调度效果较好的经验数据。

S203：依据每个所述车辆对应的第一分值集合和每个所述车辆对应的概率集合，确定每个所述车辆对应的优先级参数集合。

本发明实施例提供的方法中，对于每个车辆，可结合基于调度规则得到的第一分值集合，和基于神经网络模型得到的概率集合，确定其对应的优先级参数集合。

基于本发明实施例提供的方法，可以通过预设的调度集合确定每个车辆对应每个航班的优先程度，同时，通过已建立的神经网络模型确定每个车辆对应每个航班的概率，结合两个过程的输出，确定每个车辆对应每个航班的优先级参数。本发明实施例提供了一种基于深度学习与亚启发式算法相结合的车辆调度方法，可以使得每个车辆对应每个航班的优先级参数，即符合调度规则，亦贴近历史派工规律，可以进一步优化车辆调度方案的调度效果，提高调度效率。

进一步的，在上述实施例提供的方法的基础上，本发明实施例提供了又一种车辆调度方法，其中，步骤S203中所提及的依据每个所述车辆对应的第一分值集合和每个所述车辆对应的概率集合，确定每个所述车辆对应的优先级参数集合的过程，包括：

确定每个所述车辆对应的第二分值集合，每个所述车辆对应的第二分值集合中包括该车辆对应的概率集合中各个概率对应的转换分值；

本发明实施例提供的方法中，可以按照预设的转换策略，将每个车辆对应的概率集合中的各个概率转换成对应的分值，概率越大则对应的分值越大。在具体的实现过程中，可以将每个车辆对应的概率集合中的每个概率均转换成对应的分值，以得到第二分值集合，也可以仅将概率较高的部分概率转换成对应的分值，其余概率不进行转换，可将其对应分值置为零。例如仅将每个航班对应概率最高的前十个概率进行分值转换。

对于每个所述车辆，确定该车辆对应的第一分值集合中的各个分值，与其对应的第二分值集合中的各个转换分值的一一对应关系；

本发明实施例提供的方法中，对于每个车辆，可将第一分值集合中的各个分值，和第二分值集合中的各个转换分值，按照对应的航班，确定各个分值和各个转换分值之间的一一对应关系，也就是同一航班的分值和转换分值相互对应。

对于每个所述车辆对应的第一分值集合中的每个分值，将该分值与该分值对应的转换分值，进行加权求和运算，并将运算结果作为该分值对应的最终分值；

本发明实施例提供的方法中，对于每个车辆，可将第一分值集合中的各个分值与第二分值集合中的各个转换分值，分别进行加权求和，具体为每个分值与其对应的转换分值进行加权求和，将运算结果作为该分值对应的最终分值，也就是该车辆对应该分值所对应的航班的最终分值。具体的运算权重可以按照需求确定。

需要说明的是，在具体的实现过程中，若是仅对概率集合中的部分概率进行分值转换，那么在加权运算的过程中，对于分值对应的转换分值为零的分值，可以不进行加权求和，将该分值本身作为其对应的最终分值即可，不影响本发明实施例提供的方法实现功能。

将每个所述车辆对应的第一分值集合中各个分值对应的最终分值，确定为该车辆对应的各个优先级参数，并将该车辆对应的所述各个优先级参数组成该车辆对应的优先级参数集合。

本发明实施例提供的方法中，对于每个车辆，将其对应的各个最终分值，作为该车辆对应的各个优先级参数，以得到该车辆对应的优先级参数集合。

基于本发明实施例提供的方法，可将概率集合中的概率进行分值转换，以统一度量单位，以实现结合两类参数确定最终的优先级参数，有利于进行数据识别。另外，可仅对概率较高的概率进行分值转换，可减少数据处理工作，提高处理效率。

为了更好地说明本发明实施例提供的方法，在图2所示方法的基础上，本发明实施例提供了又一种车辆调度方法，本发明实施例提供的方法中，步骤S202中所提及的神经网络模型的建立过程，包括：

获取历史调度数据，并确定所述历史调度数据对应的训练数据集；

本发明实施例提供的方法中，可从数据库中获取预先记录的历史调度数据，数据中可包括多次调度安排的调度信息，每个调度信息中可以包括需要调度的每个车辆的车辆信息，如车辆的编号、车辆的位置等等，包括需要分配车辆的各个航班的航班信息，如航班的机位、计划乘机时间或降落时间等等，还包括最终的调度方案，也就是每个车辆分配给了哪些航班。基于历史调度数据确定对应的训练数据集，训练数据集中包含多个训练样本。各个训练样本与各个调度信息相对应，训练样本的样本输入为调度信息中各个车辆的车辆信息和各个航班的航班信息，样本输出为最终的调度方案对应的分配概率。

将所述训练数据集中的各个训练样本分别输入预构建的深度神经网络模型，对所述深度神经网络模型进行训练，并将训练完成的深度神经网络模型作为所述神经网络模型。

本发明实施例提供的方法中，可构建一个深度神经网络模型(Deep NeuralNetworks，DNN)，其网络结构的示意图可以如图3所示，该深度神经网络模型包含输入层X、隐藏层H和输出层Y，输入层X中加载的是输入数据(x_axis、y_axis)，b1和b2分别为偏倚向量，W1和W2分别为权重。隐藏层H中应用的激活函数为线性整流函数(RectifiedLinearUnit，ReLU)，又称修正线性单元。输出层Y中的激活函数为Softmax函数，损失函数为交叉熵误差函数(Cross EntropyError)。DNN模型是一种现有的神经网络模型，在此不再进行进一步说明。

在训练过程中将各个训练样本中的样本输入分别加载至DNN的输入层，并从输出层获取输出，并根据输出层的输出和样本输出对DNN模型中的各个权重进行调整，以对DNN模型进行训练，使其掌握训练样本对应的调度规律。当达到预定的训练效果时，可结束对DNN模型的训练，并将训练完成的DNN模型作为本发明实施例中的神经网络模型。

基于本发明实施例提供的方法，可采用DNN模型作为神经网络模型的架构，构建过程与训练过程相对较为简单，可进一步提高工作效率，减少工作量，降低复杂度。

进一步的，在上述实施例的基础上，本发明实施例提供了又一种车辆调度方法，其中，在神经网络模型的建立过程中提及的确定所述历史调度数据对应的训练数据集的过程，包括：

对所述历史调度数据进行数据预处理，得到处理后的历史调度数据；

本发明实施例提供的方法中，可对历史调度数据进行数据预处理，具体的，可以对历史调度数据中的一些离群点进行清除，对缺失值进行补全，并清除掉数据丢失较多的部分，以及对数据进行向量化处理等等，以得到处理后的历史调度数据。

基于所述处理后的历史调度数据进行特征工程处理，得到各个训练样本，并将所述各个训练样本组成所述训练数据集。

本发明实施例提供的方法中，对于数据预处理后得到的历史调度数据，进一步进行特征工程，具体的，可以通过皮尔逊相关系数、方差膨胀系数(variance inflationfactor，VIF)和方差分析等手段，对特征之间是否线性相关以及是否存在多重共线性等问题进行处理，对特征进行组合筛选、特征变换，通过遗传算法生成新的特征。基于特征工程后得到的所有特征，得到对应的各个训练样本，以组成训练数据集。

基于本发明实施例提供的方法，可进一步对历史调度数据进行数据预处理和特征工程，以得到各个训练样本，有利于改善神经网络模型的训练效果。

为了更好地说明本发明实施例提供的方法，在图1所示方法的基础上，本发明实施例提供了又一种车辆调度方法，其中，步骤S104中所提及的依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班的过程，包括：

依据各个所述车辆对应的优先级参数集合，确定各个调度集合，每个所述调度集合中包括每个所述车辆对应的航班集合，每个所述车辆对应的航班集合中包括至少一个航班；

本发明实施例提供的方法中，可基于各个车辆对应的优先级参数集合，确定各个调度集合，每个调度集合表征对于各个车辆的一种调度安排，其中，包含每个车辆对应的航班集合，也就是将该车辆分配给其对应的航班集合中的各个航班。每个调度集合可根据各个车辆对应的优先级参数以及符合调度规则的可行性进行确定。也就是将每个车辆分配给其对应的优先级参数表征的优先级相对较高的航班，且分配给该车辆的各个航班之间不存在时间冲突。且在同一个调度集合中，各个车辆之间的航班集合也不冲突，也就是保障每个航班都能分配到需求数量的车辆。

确定每个所述调度集合对应的适应度；

本发明实施例提供的方法中，可根据每个调度集合对应的调度安排，基于预设的评价函数，确定每个调度集合对应的适应度。所述评价函数可以根据实际需求定制，也就是作为适应度的参数可以根据实际需求选择。例如，可以将车辆的行驶距离作为评价，将行驶距离最小作为目标，则每个调度集合对应的适应度则为该调度集合对应的调度安排下，车辆行驶距离的总和。

按照所述预设的禁忌搜索算法和各个所述调度集合对应的适应度，在所述各个调度集合中确定目标调度集合；

本发明实施例提供的方法中，可以基于各个调度集合对应的适应度，根据预设的禁忌搜索算法在各个调度集合中进行迭代寻优，以将寻优结果作为目标调度集合。

禁忌搜索算法是一种全局性邻域搜索算法，该算法从给定的一个初始解，基于一定的规则在邻域内进行搜索寻优，禁忌搜索算法对已搜索过的路径和生成的局部最优化的解，通过建立禁忌表进行记录，在算法的迭代寻优过程中尽可能的避开这部分对象，从而达到减少重复迭代搜索，能够有效保障对不同搜索方案的寻优，提高算法寻优效率。接下来对于禁忌搜索算法中的相关概念进行简要说明：

邻域：一般指的是基于给定规则对指定的问题域上对每个顶点进行转化而得到的问题域中节点的集合。

候选解：在当前邻域中基于目标函数评价的解。

禁忌表：记录算法迭代过程的当前的最优候选解，禁忌表中的元素在下一次的搜索过程中将不会去参考。

禁忌长度：禁止在禁忌长度范围内的k次迭代过程中对禁忌表进行修改。

藐视准则：从各个候选解中选择最优的候选解，将其与当前最优的解进行比较。

评价函数：评估解的好坏程度的函数。

接下来，结合图4所示方法流程图，简要说明本发明实施例中禁忌搜索算法的处理过程，包括：

S301：初始化禁忌表，确定禁忌长度；

S302：生成初始解并确定其适应度函数值；

本发明实施例提供的方法在应用禁忌搜索算法的过程中，各个解指的是各个调度方案，也就是各个调度集合。

可以根据贪心策略，在各个调度集合中确定第一调度集合，将第一调度集合作为禁忌搜索算法的初始解，并将第一调度集合对应的适应度，作为其对应的适应度函数值。

在禁忌搜索算法的第一次迭代过程中，当前的全局最优解也就是初始解。

S303：邻域搜索产生各个候选解；

本发明实施例提供的方法中，将当前的全局最优解作为中心，在其邻域进行搜索，以得到该全局最优解对应的各个候选解。

S304：确定各个候选解中的最优解，并判断该最优解是否优于当前的全局最优解；

本发明实施例提供的方法中，可以确定当前的全局最优解对应的每个候选解所对应的适应度，并基于适应度确定各个候选解中的最优解，也就是各个候选解中适应度表征的优选程度最好的解，将该最优解的适应度与当前的全局最优解的适应度进行比较，如果该最优解的适应度优于当前的全局最优解的适应度，则确定该最优解优于当前的全局最优解，则进入步骤S305，否则进入步骤S306。

S305：选择各个候选解中的最优解；

本发明实施例提供的方法中，若是当前的全局最优解对应的各个候选解中的最优解，优于当前的全局最优解，则将所述各个候选解中的最优解作为选择目标。

S306：选择各个候选解中不被禁忌的最优解；

本发明实施例提供的方法中，若是当前的全局最优解对应的各个候选解中的最优解，并未优于当前的全局最优解，则将当前算法已搜索到的所有候选解中，不被禁忌的最优解作为选择目标。需要说明的是，此步骤中的各个候选解指的是当前已搜索到的所有候选解，不仅限于当前的全局最优解邻域中的各个候选解。

S307：基于选择的解更新当前的全局最优解，更新禁忌表；

本发明实施例提供的方法中，可将当前选择的目标，也就是当前选择的候选解中的最优解，作为新的全局最优解，以对当前的全局最优解进行更新，并将新的全局最优解加入禁忌表，以更新禁忌表。

S308：判断是否到达迭代终止次数；

本发明实施例提供的方法中，可以预先设置搜索的迭代终止次数，并将当前的迭代次数与预设的阈值进行比较，以判断是否达到迭代终止次数。若是已达到迭代终止次数，则进入步骤S309。

如果没有达到迭代终止次数，则返回步骤S303，进入下一个迭代周期的搜索过程，将当前迭代周期得到的新的全局最优解作为该下一个迭代周期中当前的全局最优解。

S309：结束。

在到达迭代终止次数时，结束本次搜索过程，将当前的全局最优解作为最终输出的最优解，也就是当前的全局最优解所对应的调度集合则为目标调度集合。

将所述目标调度集合中每个所述车辆对应的航班集合，作为每个所述车辆对应的目标航班集合；将每个所述车辆对应的目标航班集合中的每个航班作为该车辆对应的运载航班。

本发明实施例提供的方法中，可将禁忌搜索算法最终输出的目标调度集合中，每个车辆对应的航班集合中的每个航班，分配给该航班集合对应的车辆，也就是在目标调度集合中每个车辆对应的航班集合则为每个车辆的运载航班集合，每个车辆需承担其运载航班集合中每个航班的旅客运送任务。

进一步的，上述实施例提供的方法中所提及的，确定每个所述调度集合对应的适应度的过程，包括：

确定每个所述调度集合对应的车辆行驶距离，并将每个所述调度集合对应的所述车辆行驶距离作为该调度集合对应的适应度。

本发明实施例提供的方法中，对于每个调度集合，可基于其中每个车辆对应的航班集合，可确定每个车辆在执行其对应航班集合的运输任务过程中的动态行驶距离，也就是车辆在完成所有航班运输任务过程中所需行驶的路程总和。对于每个调度集合，可将基于其中各个车辆的航班集合，也就是其对应的调度安排所得到的各个车辆的动态行驶距离相加，将所有车辆的动态行驶距离的总和作为该调度集合对应的车辆行驶距离。以每个调度集合对应的车辆行驶距离作为每个调度集合对应的适应度。具体用于计算适应度的评价函数可依据计算该车辆行驶距离为目标所设计。

基于本发明实施例提供的方法，可将车辆行驶距离的大小作为评价调度方案优劣程度的参数，车辆行驶距离表征了车辆的运行时间，以节省时间为目标，可进一步提高工作效率，有利于提高车辆资源的利用率，且计算较为简单，可进一步提高处理效率。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

与图1所示的车辆调度方法相对应的，本发明实施例还提供了一种车辆调度装置，用于对图1中所示方法的具体实现，本发明实施例提供的车辆调度装置可以应用计算机终端或各种移动设备中，其结构示意图如图5所示，包括：

第一确定单元401，用于当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；

第二确定单元402，用于确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；

第三确定单元403，用于基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；

第四确定单元404，用于依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

基于本发明实施例提供的装置，在需要对各个车辆进行调度时，可确定需要进行车辆分配的各个航班，并确定各个车辆和各个航班对应的调度信息集合，基于该调度信息集合，确定每个车辆与各个航班对应的优先级参数集合。依据每个车辆对应的优先级参数集合和预设的禁忌搜索算法，在各个航班中，确定每个车辆对应的各个运载航班，以对各个车辆进行调度。应用本发明实施例提供的装置，可结合所有车辆和所有航班的全局信息，快捷地得到相对较好的调度方案，无需由人工进行调度，可避免人工调度的局限性，整体的调度效果较好，有利于保障各个车辆可及时运送旅客往返航站楼，以保障旅客正常乘机或下机，有利于保障旅客安全和提升旅客的服务体验。另外，也可以节省人工调度的人力资源，降低机场运营成本。

在上述装置的基础上，本发明实施例提供的装置中，所述第三确定单元403，包括：

第一确定子单元，用于依据预设的调度规则和所述调度信息集合，确定每个所述车辆对应的第一分值集合，每个所述车辆对应的第一分值集合中包括多个分值，所述多个分值与所述各个航班一一对应，所述多个分值表征该车辆对应所述各个航班的分配优先级；

输入子单元，用于将所述调度信息集合中的各个信息输入已建立的神经网络模型，经所述神经网络模型处理后，获得每个所述车辆对应的概率集合，每个所述车辆对应的概率集合中包括多个概率，所述多个概率与所述各个航班一一对应；

第二确定子单元，用于依据每个所述车辆对应的第一分值集合和每个所述车辆对应的概率集合，确定每个所述车辆对应的优先级参数集合。

在上述装置的基础上，本发明实施例提供的装置中，所述第一确定子单元，包括：

第三确定子单元，用于确定每个所述车辆对应的第二分值集合，每个所述车辆对应的第二分值集合中包括该车辆对应的概率集合中各个概率对应的转换分值；

第四确定子单元，用于对于每个所述车辆，确定该车辆对应的第一分值集合中的各个分值，与其对应的第二分值集合中的各个转换分值的一一对应关系；

运算子单元，用于对于每个所述车辆对应的第一分值集合中的每个分值，将该分值与该分值对应的转换分值，进行加权求和运算，并将运算结果作为该分值对应的最终分值；

第五确定子单元，用于将每个所述车辆对应的第一分值集合中各个分值对应的最终分值，确定为该车辆对应的各个优先级参数，并将该车辆对应的所述各个优先级参数组成该车辆对应的优先级参数集合。

在上述装置的基础上，本发明实施例提供的装置中，还包括：

获取单元，用于获取历史调度数据，并确定所述历史调度数据对应的训练数据集；

训练单元，用于将所述训练数据集中的各个训练样本分别输入预构建的深度神经网络模型，对所述深度神经网络模型进行训练，并将训练完成的深度神经网络模型作为所述神经网络模型。

在上述装置的基础上，本发明实施例提供的装置中，所述获取单元，包括：

预处理子单元，用于对所述历史调度数据进行数据预处理，得到处理后的历史调度数据；

特征处理子单元，用于基于所述处理后的历史调度数据进行特征工程处理，得到各个训练样本，并将所述各个训练样本组成所述训练数据集。

在上述装置的基础上，本发明实施例提供的装置中，所述第四确定单元404，包括：

第六确定子单元，用于依据各个所述车辆对应的优先级参数集合，确定各个调度集合，每个所述调度集合中包括每个所述车辆对应的航班集合，每个所述车辆对应的航班集合中包括至少一个航班；

第七确定子单元，用于确定每个所述调度集合对应的适应度；

第八确定子单元，用于按照所述预设的禁忌搜索算法和各个所述调度集合对应的适应度，在所述各个调度集合中确定目标调度集合；

第九确定子单元，用于将所述目标调度集合中每个所述车辆对应的航班集合，作为每个所述车辆对应的目标航班集合；将每个所述车辆对应的目标航班集合中的每个航班作为该车辆对应的运载航班。

在上述装置的基础上，本发明实施例提供的装置中，所述第七确定子单元，包括：

第十确定子单元，用于确定每个所述调度集合对应的车辆行驶距离，并将每个所述调度集合对应的所述车辆行驶距离作为该调度集合对应的适应度。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

本发明实施例还提供了一种车辆调度方法的电子设备，其结构示意图如图6所示，图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置506；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述车辆调度方法。

上述存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

在具体实施方式部分，本申请将所有以权利要求形式进行保护的内容，以下述形式重复：

根据本申请公开的一个或多个实施例，图1提供了一种车辆调度方法，包括：当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

根据本申请公开的一个或多个实施例，图2提供了又一种车辆调度方法，包括：依据预设的调度规则和所述调度信息集合，确定每个所述车辆对应的第一分值集合，每个所述车辆对应的第一分值集合中包括多个分值，所述多个分值与所述各个航班一一对应，所述多个分值表征该车辆对应所述各个航班的分配优先级；将所述调度信息集合中的各个信息输入已建立的神经网络模型，经所述神经网络模型处理后，获得每个所述车辆对应的概率集合，每个所述车辆对应的概率集合中包括多个概率，所述多个概率与所述各个航班一一对应；依据每个所述车辆对应的第一分值集合和每个所述车辆对应的概率集合，确定每个所述车辆对应的优先级参数集合。

确定每个所述车辆对应的第二分值集合，每个所述车辆对应的第二分值集合中包括该车辆对应的概率集合中各个概率对应的转换分值；对于每个所述车辆，确定该车辆对应的第一分值集合中的各个分值，与其对应的第二分值集合中的各个转换分值的一一对应关系；对于每个所述车辆对应的第一分值集合中的每个分值，将该分值与该分值对应的转换分值，进行加权求和运算，并将运算结果作为该分值对应的最终分值；将每个所述车辆对应的第一分值集合中各个分值对应的最终分值，确定为该车辆对应的各个优先级参数，并将该车辆对应的所述各个优先级参数组成该车辆对应的优先级参数集合。

获取历史调度数据，并确定所述历史调度数据对应的训练数据集；将所述训练数据集中的各个训练样本分别输入预构建的深度神经网络模型，对所述深度神经网络模型进行训练，并将训练完成的深度神经网络模型作为所述神经网络模型。

对所述历史调度数据进行数据预处理，得到处理后的历史调度数据；基于所述处理后的历史调度数据进行特征工程处理，得到各个训练样本，并将所述各个训练样本组成所述训练数据集。

依据各个所述车辆对应的优先级参数集合，确定各个调度集合，每个所述调度集合中包括每个所述车辆对应的航班集合，每个所述车辆对应的航班集合中包括至少一个航班；确定每个所述调度集合对应的适应度；按照所述预设的禁忌搜索算法和各个所述调度集合对应的适应度，在所述各个调度集合中确定目标调度集合；将所述目标调度集合中每个所述车辆对应的航班集合，作为每个所述车辆对应的目标航班集合；将每个所述车辆对应的目标航班集合中的每个航班作为该车辆对应的运载航班。

确定每个所述调度集合对应的车辆行驶距离，并将每个所述调度集合对应的所述车辆行驶距离作为该调度集合对应的适应度。

根据本申请公开的一个或多个实施例，图5提供了一种车辆调度装置，包括：第一确定单元，用于当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；第二确定单元，用于确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；第三确定单元，用于基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；第四确定单元，用于依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

根据本申请公开的一个或多个实施例，本申请提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的车辆调度方法。

根据本申请公开的一个或多个实施例，图6提供了一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的车辆调度方法。

Claims (10)

1.一种车辆调度方法，其特征在于，包括：

当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；

确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；

基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；

依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

2.根据权利要求1所述的方法，其特征在于，所述基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，包括：

依据预设的调度规则和所述调度信息集合，确定每个所述车辆对应的第一分值集合，每个所述车辆对应的第一分值集合中包括多个分值，所述多个分值与所述各个航班一一对应，所述多个分值表征该车辆对应所述各个航班的分配优先级；

将所述调度信息集合中的各个信息输入已建立的神经网络模型，经所述神经网络模型处理后，获得每个所述车辆对应的概率集合，每个所述车辆对应的概率集合中包括多个概率，所述多个概率与所述各个航班一一对应；

依据每个所述车辆对应的第一分值集合和每个所述车辆对应的概率集合，确定每个所述车辆对应的优先级参数集合。

3.根据权利要求2所述的方法，其特征在于，所述依据每个所述车辆对应的第一分值集合和每个所述车辆对应的概率集合，确定每个所述车辆对应的优先级参数集合，包括：

确定每个所述车辆对应的第二分值集合，每个所述车辆对应的第二分值集合中包括该车辆对应的概率集合中各个概率对应的转换分值；

对于每个所述车辆，确定该车辆对应的第一分值集合中的各个分值，与其对应的第二分值集合中的各个转换分值的一一对应关系；

对于每个所述车辆对应的第一分值集合中的每个分值，将该分值与该分值对应的转换分值，进行加权求和运算，并将运算结果作为该分值对应的最终分值；

将每个所述车辆对应的第一分值集合中各个分值对应的最终分值，确定为该车辆对应的各个优先级参数，并将该车辆对应的所述各个优先级参数组成该车辆对应的优先级参数集合。

4.根据权利要求2所述的方法，其特征在于，所述神经网络模型的建立过程，包括：

获取历史调度数据，并确定所述历史调度数据对应的训练数据集；

将所述训练数据集中的各个训练样本分别输入预构建的深度神经网络模型，对所述深度神经网络模型进行训练，并将训练完成的深度神经网络模型作为所述神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述确定所述历史调度数据对应的训练数据集，包括：

对所述历史调度数据进行数据预处理，得到处理后的历史调度数据；

基于所述处理后的历史调度数据进行特征工程处理，得到各个训练样本，并将所述各个训练样本组成所述训练数据集。

6.根据权利要求1所述的方法，其特征在于，所述依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，包括：

依据各个所述车辆对应的优先级参数集合，确定各个调度集合，每个所述调度集合中包括每个所述车辆对应的航班集合，每个所述车辆对应的航班集合中包括至少一个航班；

确定每个所述调度集合对应的适应度；

按照所述预设的禁忌搜索算法和各个所述调度集合对应的适应度，在所述各个调度集合中确定目标调度集合；

将所述目标调度集合中每个所述车辆对应的航班集合，作为每个所述车辆对应的目标航班集合；

将每个所述车辆对应的目标航班集合中的每个航班作为该车辆对应的运载航班。

7.根据权利要求6所述的方法，其特征在于，所述确定每个所述调度集合对应的适应度，包括：

确定每个所述调度集合对应的车辆行驶距离，并将每个所述调度集合对应的所述车辆行驶距离作为该调度集合对应的适应度。

8.一种车辆调度装置，其特征在于，包括：

第一确定单元，用于当接收到对各个车辆进行调度的触发指令时，确定需要进行车辆分配的各个航班；

第二确定单元，用于确定调度信息集合，所述调度信息集合中包括，每个所述车辆的车辆信息和每个所述航班的航班信息；

第三确定单元，用于基于所述调度信息集合，确定每个所述车辆对应的优先级参数集合，每个所述车辆对应的优先级参数集合中包括多个优先级参数，所述多个优先级参数与所述各个航班一一对应；

第四确定单元，用于依据每个所述车辆对应的优先级参数集合和预设的禁忌搜索算法，在所述各个航班中，确定每个所述车辆对应的各个运载航班，以对所述各个车辆进行调度。

9.一种存储介质，其特征在于，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1～7任意一项所述的车辆调度方法。

10.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1～7任意一项所述的车辆调度方法。

Images