CN115456520A - 一种基于深度学习的特殊货物运输风险预测与处理方法 - Google Patents
一种基于深度学习的特殊货物运输风险预测与处理方法 Download PDFInfo
- Publication number
- CN115456520A CN115456520A CN202211074720.3A CN202211074720A CN115456520A CN 115456520 A CN115456520 A CN 115456520A CN 202211074720 A CN202211074720 A CN 202211074720A CN 115456520 A CN115456520 A CN 115456520A
- Authority
- CN
- China
- Prior art keywords
- transportation
- road section
- goods
- special
- time
- 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.)
- Pending
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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种基于深度学习的特殊货物运输风险预测与处理方法,包括:根据特殊货物的保质期和理化性质对特殊货物分类并获取最长运输时间;针对危险型货物,识别运输风险级别并判断是否可以从城市区域的便捷路径行驶;预测路段交通量,确定路段交通服务水平等级;根据路段交通服务水平等级,构建最短运输路径规划模型;获取车辆数据和天气数据,基于深层循环神经网络预测运输车行驶速度;针对时间敏感型特殊货物进行运输前和运输中延误风险识别,判断是否请求协同运输;根据特殊货物的质量选择协同运输方式;根据特殊货物类别制定不同路径规划方案。
Description
【技术领域】
本发明涉及信息技术领域,尤其涉及一种基于深度学习的特殊货物运输风险预测与处理方法。
【背景技术】
对于一些有保质期期限的特殊货物,例如人体移植的器官,或者某些正在处置中的核废料等,在运输时需要考虑自身保质期、自身的安全性以及途经地的人口安全。因为具有核辐射或者具有化学毒性的货物,有些会影响方圆10公里的群众。目前,此类货物在进行运输路线规划时都是在使用地图导航软件的基础上人工选择偏僻路线。但对于具有时间期限、需要在特定的时间到达目的地的、过期就会导致无法使用的特殊货物,需要在运输时间还有安全性等方面做权衡,且需要考虑交通拥堵和天气因素导致的延误,需要提前做出预测和应急预案。传统运输方案缺少对车辆运输过程的实时监测,一旦出现突发状况难以进行应急处理。因此,设计一种兼备预测运输风险和生成应急运输方案的路线规划模型十分必要。
【发明内容】
本发明提供了一种基于深度学习的特殊货物运输风险预测与处理方法,主要包括:
根据特殊货物的保质期和理化性质对特殊货物分类并获取最长运输时间;针对危险型货物,识别运输风险级别并判断是否可以从城市区域的便捷路径行驶;预测路段交通量,确定路段交通服务水平等级;根据路段交通服务水平等级,构建最短运输路径规划模型;获取车辆数据和天气数据,基于深层循环神经网络预测运输车行驶速度;针对时间敏感型特殊货物进行运输前和运输中延误风险识别,判断是否请求协同运输;根据特殊货物的质量选择协同运输方式;根据特殊货物类别制定不同路径规划方案;
进一步可选地,所述根据特殊货物的保质期和理化性质对特殊货物分类并获取最长运输时间包括:
获取特殊货物的数据,包括特殊货物的名称、保质期、理化性质;对特殊货物的数据进行标准化,利用k-means聚类模型将特殊货物分为危险型货物和不危险货物两大类;然后根据特殊货物的理化性质再对两类特殊货物进一步细分为时间敏感型和时间不敏感型;最终,根据特殊货物的时间敏感性和危险性将特殊货物分为危险型时间敏感货物、危险型时间不敏感货物、不危险时间敏感货物和不危险时间不敏感货物;将特殊货物的保质期作为最长运输时间。
进一步可选地,所述针对危险型货物,识别运输风险级别并判断是否可以从城市区域的便捷路径行驶包括:
根据危险型特殊货物自身属性和运输过程中的风险因素,建立危险型特殊货物运输风险分级评价模型;其中,货物的自身属性指危险型货物的健康危害性NH、可燃性NF和化学活泼性NR;货物在运输过程中的风险因素指运输的危险型货物的总质量FM、城市路径到人口密集区的距离FS和危险型货物扩散因子等级FD;记危险型货物自身属性风险等级为N,记危险型货物运输风险等级为R,R=N*FM*FS*FD;预设危险型类货物运输风险等级第一阈值,将所述危险型货物运输风险等级分为低、中等、严重、极端严重四个等级;当所述危险型货物运输风险等级为低或中等时,应走城市区域的便捷路径,节约运输时间;当所述危险型货物运输风险等级为严重或极端严重时,应避免走城市区域的便捷路径。
进一步可选地,所述预测路段交通量,确定路段交通服务水平等级包括:
获取连通出发地和目的地的所有路段信息和路段交通量数据,利用卷积神经网络预测各路段距离当前时刻后30分钟的交通量;根据路段交通量的预测结果计算路段饱和度,并以此确定距离当前时刻后30分钟的路段交通服务水平等级;将所述路段交通服务水平等级作为路况预测结果;包括:基于卷积神经网络预测路段交通量;根据路段交通量的预测结果,确定路段交通服务水平等级;
所述基于卷积神经网络预测路段交通量,具体包括:
获取特殊货物的出发地和目的地,以及连通两地的所有路段信息,包括路段长度、路段通行能力,用编号标识各个路段。通过微波车辆检测器收集路段的交通量数据,每隔15分钟检测一次。提取运输日期前30天的路段信息和交通量数据制作训练数据集,输入卷积神经网络预测模型中训练。然后制作输入集,获取连通出发地和目的地的所有路段信息及距离当前时刻前24小时的交通量。对数据进行预处理之后输入训练好的卷积神经网络预测模型中,对各路段路况进行预测,输出距离当前时刻后30分钟的交通量。
所述根据路段交通量的预测结果,确定路段交通服务水平等级,具体包括:
获取路段交通量的预测结果和路段通行能力,将路段交通量的预测结果记作V,路段通行能力记作C,计算路段饱和度根据《公路工程技术标准》将交通服务水平划分为四个等级。各级对应的路段饱和度为:一级饱和度介于0到0.35之间,二级饱和度介于0.35到0.55之间,三级饱和度介于0.55到0.9之间,四级饱和度在0.9以上。其中,一级到四级交通量逐渐增大,路段顺畅度逐级递减。根据路段饱和度P确定路段的交通服务水平等级。
进一步可选地,所述根据路段交通服务水平等级,构建最短运输路径规划模型包括:
获取连通出发地和目的地的所有路段,利用dijkstra算法初步进行最短路线规划,将求得的初始路径结果;遍历特殊货物沿着初始路径运输所要经过的每个路段,并获取所述路段的交通服务水平等级;若即将进入的路段的交通服务水平处于一级或二级,则继续行驶;若即将进入的路段的交通服务水平处于三级或四级,则采用决策树剪枝法对路段进行局部规划,将新规划的路段更新到初始路径中;输出最终的运输路径。
进一步可选地,所述获取车辆数据和天气数据,基于深层循环神经网络预测运输车行驶速度包括:
获取运输路径中各路段的车辆数据和天气数据;其中所述路段中的车辆数据包括所有车辆当前速度的平均值,天气数据包括垂直高空能见度、水平距离能见度、温度、降水量、气压、相对湿度;统一将数据采集的时间间隔定为6小时,获取运输日期前30天的车辆数据和天气数据作为深层循环神经网络的训练集;将运输路径中各个路段在当天的垂直高空能见度、水平距离能见度、温度、降水量、气压和相对湿度作为深层循环神经网络的输入值,预测运输车辆的行驶速度。
进一步可选地,所述针对时间敏感型特殊货物进行运输前和运输中延误风险识别,判断是否请求协同运输包括:
获取时间敏感型特殊货物的最终运输路径,并计算运输路径总长度;获取预测的运输车辆的行驶速度;首先判断在运输前计算按照规划的运输路径和预测的运输车辆的行驶速度能否在所述时间敏感型特殊货物的最长运输时间内到达;即运输前计算全程总运输时间,若有延误风险则应在出发前请求协同运输,若无延误风险则按照规划的运输路径行驶;然后,在运输过程中实时获取运输车在一个小时内的实际行驶速度,对所述运输车在一个小时内的实际行驶速度求平均,记为实际行驶速度,并以此实时计算总运输时间,确定延误级别;根据延误级别判断是否请求协同运输;包括:运输前计算全程总运输时间,判断是否出现延误风险;运输中实时计算运输时间确定延误风险级别,判断是否请求协同运输;
所述运输前计算全程总运输时间,判断是否出现延误风险,具体包括:
获取最终的运输路径,提取运输路径所包含的每个路段的长度以及预测的运输车行驶速度。计算各路段的运输时间Ti=运输路径所包含的每个路段的长度/预测的运输车行驶速度,对各路段的运输时间求和即总运输时间,并记为ΣTi。加载特殊货物的保质期即最长运输时间,记为Tmax。比较ΣTi和Tmax的大小,若ΣTi小于Tmax,则不会延误,若ΣTi大于Tmax,则存在延误风险,需要请求协同运输。
所述运输中实时计算运输时间确定延误风险级别,判断是否请求协同运输,具体包括:
获取最终的运输路径,提取运输路径所包含的每个路段的长度,获取车辆的实际行驶速度。每隔2分钟计算一次运输时间Ttime=运输路径所包含的每个路段的长度/车辆的实际行驶速度,加载特殊货物的保质期即最长运输时间Tmax。比较Ttime和Tmax的大小,若Ttime小于Tmax,则不进行操作。若Ttime大于Tmax则说明出现突发情况,行驶时间会超出最长运输时间,统计出现Ttime大于Tmax的持续时间记为Tdelay。针对Tdelay预设第二阈值,将延误风险级别分为三个等级。当延误风险级别为一级,不进行操作,当延误风险级别为二级,弹出提示框询问是否请求协同运输,当延误风险级别为三级,直接进行协同运输。
进一步可选地,所述根据特殊货物的质量选择协同运输方式包括:
根据特殊货物的质量选择协同运输方式,所述协同运输方式主要包括无人机协同、处理点协同和直升机协同,三种协同运输方式分别用1、2、3标识;获取特殊货物的质量、无人机载重上限及无人机飞行半径,首先判断特殊货物能否使用无人机进行协同运输;比较特殊货物的质量和无人机载重上限的大小,若特殊货物的质量大于无人机载重上限则进行处理点协同运输方式判断;若特殊货物的质量小于无人机载重上限,则获取车辆位置和目的地位置并计算两个位置的直线距离,比较所述两个位置的直线距离和无人机飞行半径的大小;若两个位置的直线距离大于无人机飞行半径,则进行处理点协同运输方式判断;若两个位置的直线距离大于无人机飞行半径,则协同运输方式为无人机,输出1;获取输出结果,若输出结果为空,则进行处理点协同运输方式判断,若结果不空则结束判断;获取车辆位置和所有处理点位置,计算所有处理点到车辆位置的直线距离,将所述直线距离最短位置作为备选处理点;比较备选处理点和目的地到车辆位置的距离,若备选处理点大于目的地到车辆位置的距离,则直接进行直升机协同运输,输出3并结束判断;若备选处理点小于目的地到车辆位置的距离,则将所述备选处理点作为处理点紧急处理特殊货物,输出2并结束判断;所述无人机和直升机从选定的中间路段枢纽点开始协同运输,路线都采用直线路径;处理点协同运输方式路线按照最短路径规划;包括:构建中间路段枢纽点选址模型;
所述构建中间路段枢纽点选址模型,具体包括:
首先,选择m个备选中间路段枢纽点,所述中间路段枢纽点需要满足适合无人机或直升机起降的条件。设置循环次数k,遍历所有备选中间路段枢纽点,计算所述备选中间路段枢纽点到目的地的距离记为Ck。若k=m,输出所有Ck的结果,选取Ck值最小的作为中间路段枢纽点,停止遍历,否则继续遍历。
进一步可选地,所述根据特殊货物类别制定不同路径规划方案,包括:
获取特殊货物类别;当所述特殊货物为危险型货物时,首先识别运输风险级别并判断是否从城市区域的便捷路径行驶;若从城市区域的便捷路径行驶则通过最短运输路径规划模型设计运输路线;否则将所有城市区域内的便捷路径排除在外,对剩余路段做最短运输路径规划;当所述特殊货物为时间敏感型货物时,首先通过最短运输路径规划模型设计运输路线,然后进行运输前和运输中延误风险识别,判断是否请求协同运输;若要请求协同运输,则根据特殊货物的质量选择协同运输方式;否则按照最短运输路径规划模型设计运输路线行驶;当特殊货物既是危险型又是时间敏感型货物时,遵循安全为先的原则,首先判断是否从城市区域的便捷路径行驶,进行最短运输路径规划,然后进行运输前和运输中延误风险识别,判断是否请求协同运输。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明能够根据特殊货物的危险性和时间敏感性进行分类,针对不同类的特殊货物制定不同的运输方案。对于具有危险性的特殊货物,能够识别其危险程度,判断是否从城市交通便捷区域行驶,规划最短运输路径。而针对具有时间敏感型的货物,能够通过预测路段交通服务水平,规划运输路径并预测运输速度,并基于此分析运输前和运输中的延迟风险。在路径无法满足时间要求时,通过多方案协同运输的方式,达到运输目标。
【附图说明】
图1为本发明的一种基于深度学习的特殊货物运输风险预测与处理方法的流程图。
图2为本发明的一种基于深度学习的特殊货物运输风险预测与处理方法的示意图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种基于深度学习的特殊货物运输风险预测与处理方法流程图。如图1所示,本实施例一种基于深度学习的特殊货物运输风险预测与处理方法具体可以包括:
步骤101,根据特殊货物的保质期和理化性质对特殊货物分类并获取最长运输时间。
请参阅图2,获取特殊货物的数据,包括特殊货物的名称、保质期、理化性质。对特殊货物的数据进行标准化,利用k-means聚类模型将特殊货物分为危险型货物和不危险货物两大类。然后根据特殊货物的理化性质再对两类特殊货物进一步细分为时间敏感型和时间不敏感型。最终,根据特殊货物的时间敏感性和危险性将特殊货物分为危险型时间敏感货物、危险型时间不敏感货物、不危险时间敏感货物和不危险时间不敏感货物。将特殊货物的保质期作为最长运输时间。例如,获取特殊货物的数据,包括:{移植心脏,6小时,易坏死},{铀-238,3年,放射性},{钚,12小时,放射性}。利用k-means聚类模型得到移植心脏和钚属于时间敏感型货物,铀-238属于时间不敏感型货物。根据理化性质进一步分类得到移植心脏属于不危险货物,钚和铀-238属于危险型货物。最终的分类结果为:移植心脏属于不危险时间敏感货物、铀-238属于危险型时间不敏感货物、钚属于危险型时间敏感货物。其中,移植心脏的最长运输时间为6小时,铀-238的最长运输时间为3年,钚的最长运输时间为12小时。
步骤102,针对危险型货物,识别运输风险级别并判断是否可以从城市区域的便捷路径行驶。
根据危险型特殊货物自身属性和运输过程中的风险因素,建立危险型特殊货物运输风险分级评价模型。其中,货物的自身属性指危险型货物的健康危害性NH、可燃性NF和化学活泼性NR。货物在运输过程中的风险因素指运输的危险型货物的总质量FM、城市路径到人口密集区的距离FS和危险型货物扩散因子等级FD。记危险型货物自身属性风险等级为N,记危险型货物运输风险等级为R,R=N*FM*FS*FD。预设危险型类货物运输风险等级第一阈值,将所述危险型货物运输风险等级分为低、中等、严重、极端严重四个等级。当所述危险型货物运输风险等级为低或中等时,应走城市区域的便捷路径,节约运输时间。当所述危险型货物运输风险等级为严重或极端严重时,应避免走城市区域的便捷路径。例如,NH、NF、NR分别为2、3、4,则N=3.2。FM、FS、FD分别为1、3、1,则R=9.6。预设危险型货物运输风险等级第一阈值,低:0-3,中等:4-7,严重8-11,极端严重12-15,则该危险型货物运输风险等级为严重,应避免走城市区域的便捷路径。危险型货物的自身属性指危险型货物的健康危害性、可燃性和化学活泼性。获取危险型货物的化学性质,根据所述化学性质将危险型货物的健康危险性、可燃性和化学活泼性分为0到4级。其中健康危险性的分级如下,0级为易燃但无其他危害的特殊货物,1级为短暂泄露引起不适,若不及时就医会产生残留伤害的特殊货物,2级为连续泄露若不及时就医会产生永久性伤害的特殊货物,3级为短暂泄露及时就医也会产生永久性伤害的特殊货物,4级为短暂邪路会引起死亡的特殊货物。可燃性分级如下,0级为不会燃烧的特殊货物,1级为需达到着火点才燃烧的特殊货物,2级为正常条件燃烧不产生危害性气体但高温会形成有害气体的特殊货物,3级为常温下易燃烧且产生危害气体的特殊货物,4级为常温常压易快速燃烧、扩散的特殊货物。化学活泼性分级如下,0级为不与水相互反应的特殊货物,1级为正常条件下稳定但加温加压易分解或改变的特殊货物,2级为加温加压条件下易发生剧烈化学反应的特殊货物,3级为在加热条件下会发生爆炸的特殊货物,4级为常温常压下易引发爆炸或燃烧的特殊货物。运输过程中的风险因素包括危险型货物的总质量、城市路径到人口密集区的距离和危险型货物扩散因子等级。对三个因素分别设定阈值,将三个因素的级别分为0到4级。其中危险型货物扩散因子等级由扩散性气体货物的分子量决定。
步骤103,预测路段交通量,确定路段交通服务水平等级。
获取连通出发地和目的地的所有路段信息和路段交通量数据,利用卷积神经网络预测各路段距离当前时刻后30分钟的交通量。根据路段交通量的预测结果计算路段饱和度,并以此确定距离当前时刻后30分钟的路段交通服务水平等级。将所述路段交通服务水平等级作为路况预测结果。例如,要预测南京路的路况,此时的时间为14:00。首先获取南京路的路段信息和路段交通量数据,利用卷积神经网络预测14:30的交通量为262。根据交通量预测结果计算的路段饱和度为0.524,交通服务水平属于二级。针对时间敏感型的特殊货物,需要提前预测路况信息以便选择最优路径节约运输时间。通过卷积神经网络学习路段交通量的时许规律预测所需时间段的交通量,能够确定路段的交通服务水平等级。不同交通服务水平等级对应不同运输顺畅度,因此交通服务水平等级能够代表路段的路况信息。只有提前获得路段的路况信息,才能避免交通拥堵的道路,选择畅通路段节约运输时间。
基于卷积神经网络预测路段交通量。
获取特殊货物的出发地和目的地,以及连通两地的所有路段信息,包括路段长度、路段通行能力,用编号标识各个路段。通过微波车辆检测器收集路段的交通量数据,每隔15分钟检测一次。提取运输日期前30天的路段信息和交通量数据制作训练数据集,输入卷积神经网络预测模型中训练。然后制作输入集,获取连通出发地和目的地的所有路段信息及距离当前时刻前24小时的交通量。对数据进行预处理之后输入训练好的卷积神经网络预测模型中,对各路段路况进行预测,输出距离当前时刻后30分钟的交通量。例如,连通出发地和目的地的路段有上海路和南京路,数据信息为{上海路,长度:1000m,通行能力:400辆/h,编号:L1}{南京路,长度:1200m,通行能力:500辆/h,编号L2}。计划运输日期为7月13日零时,则将6月12日至7月12日的交通量数据和上述路段信息作为卷积神经网络预测模型的训练集。将7月12日零时至二十四时每间隔15分钟的交通量和路段信息作为输入集合,根据交通量在时序上的规律,预测7月13日零时至零时三十分的交通量分别为{上海路,356}{南京路,262}。
根据路段交通量的预测结果,确定路段交通服务水平等级。
获取路段交通量的预测结果和路段通行能力,将路段交通量的预测结果记作V,路段通行能力记作C,计算路段饱和度根据《公路工程技术标准》将交通服务水平划分为四个等级。各级对应的路段饱和度为:一级饱和度介于0到0.35之间,二级饱和度介于0.35到0.55之间,三级饱和度介于0.55到0.9之间,四级饱和度在0.9以上。其中,一级到四级交通量逐渐增大,路段顺畅度逐级递减。根据路段饱和度P确定路段的交通服务水平等级。例如,{上海路,预测交通量:356,路段通行能力:400}。计算路段饱和度交通服务水平属于三级。{南京路,预测交通量:262,通行能力:500辆/h}。计算路段饱和度交通服务水平属于二级。
步骤104,根据路段交通服务水平等级,构建最短运输路径规划模型。
获取连通出发地和目的地的所有路段,利用dijkstra算法初步进行最短路线规划,将求得的初始路径结果。遍历特殊货物沿着初始路径运输所要经过的每个路段,并获取所述路段的交通服务水平等级。若即将进入的路段的交通服务水平处于一级或二级,则继续行驶。若即将进入的路段的交通服务水平处于三级或四级,则采用决策树剪枝法对路段进行局部规划,将新规划的路段更新到初始路径中。输出最终的运输路径。例如,出发地A到目的地B有多条路段,利用dijkstra算法求得最短路径为路线一:A-南京路-上海路-B。首先识别南京路的交通服务水平为二级,则车辆可以行驶至南京路。然后识别上海路的交通服务水平为三级,则利用决策树剪枝法对路径进行局部优化,得到新规划路段苏州路。将苏州路更新至初始路径中得到最终的运输路径:A-南京路-苏州路-B。
步骤105,获取车辆数据和天气数据,基于深层循环神经网络预测运输车行驶速度。
获取运输路径中各路段的车辆数据和天气数据。其中所述路段中的车辆数据包括所有车辆当前速度的平均值,天气数据包括垂直高空能见度、水平距离能见度、温度、降水量、气压、相对湿度。统一将数据采集的时间间隔定为6小时,获取运输日期前30天的车辆数据和天气数据作为深层循环神经网络的训练集。将运输路径中各个路段在当天的垂直高空能见度、水平距离能见度、温度、降水量、气压和相对湿度作为深层循环神经网络的输入值,预测运输车辆的行驶速度。例如,收集运输日期前30天的上海路的车辆数据和天气数据,将所述数据集用于深层循环神经网络的训练。训练好之后,输入上海路在运输当天的垂直高空能见度、水平距离能见度、温度、降水量、气压和相对湿度,预测车辆在上海路行驶的平均速度为24mile/h。
步骤106,针对时间敏感型特殊货物进行运输前和运输中延误风险识别,判断是否请求协同运输。
获取时间敏感型特殊货物的最终运输路径,并计算运输路径总长度。获取预测的运输车辆的行驶速度。首先判断在运输前计算按照规划的运输路径和预测的运输车辆的行驶速度能否在所述时间敏感型特殊货物的最长运输时间内到达。即运输前计算全程总运输时间,若有延误风险则应在出发前请求协同运输,若无延误风险则按照规划的运输路径行驶。然后,在运输过程中实时获取运输车在一个小时内的实际行驶速度,对所述运输车在一个小时内的实际行驶速度求平均,记为实际行驶速度,并以此实时计算总运输时间,确定延误级别。根据延误级别判断是否请求协同运输。例如,首先在运输前计算全程总运输时间为20h,若20h小于最长运输时间,则不用请求协同运输,否则应该请求协同运输。当运输前识别的结果为无延误风险时,需要考虑运输过程中的突发情况对运输车速度的影响,因此需要实时获取运输车的平均速度重新计算全程总运输时间,确定延误风险级别。当延误风险级别为一级,不进行操作,当延误风险级别为二级,弹出提示框询问是否请求协同运输,当延误风险级别为三级,直接进行协同运输。
运输前计算全程总运输时间,判断是否出现延误风险。
获取最终的运输路径,提取运输路径所包含的每个路段的长度以及预测的运输车行驶速度。计算各路段的运输时间Ti=运输路径所包含的每个路段的长度/预测的运输车行驶速度,对各路段的运输时间求和即总运输时间,并记为ΣTi。加载特殊货物的保质期即最长运输时间,记为Tmax。比较ΣTi和Tmax的大小,若ΣTi小于Tmax,则不会延误,若ΣTi大于Tmax,则存在延误风险,需要请求协同运输。例如,获取A到B的最终运输路径为A-南京路-苏州路-B,其中,南京路长1200km,苏州路长800km。预测车辆在南京路的平均行驶速度为30m/s,在苏州路的平均行驶速度为25m/s,计算ΣTi得到
ΣTi=1200*1000/30+800*1000/25=72000s=20h。获取特殊货物的保质期,若保质期大于20h则说明可以按时到达。若保质期小于20h则说明车辆运输可能会延误,需要协同运输。
运输中实时计算运输时间确定延误风险级别,判断是否请求协同运输。
获取最终的运输路径,提取运输路径所包含的每个路段的长度,获取车辆的实际行驶速度。每隔2分钟计算一次运输时间Ttime=运输路径所包含的每个路段的长度/车辆的实际行驶速度,加载特殊货物的保质期即最长运输时间Tmax。比较Ttime和Tmax的大小,若Ttime小于Tmax,则不进行操作。若Ttime大于Tmax则说明出现突发情况,行驶时间会超出最长运输时间,统计出现Ttime大于Tmax的持续时间记为Tdelay。针对Tdelay预设第二阈值,将延误风险级别分为三个等级。当延误风险级别为一级,不进行操作,当延误风险级别为二级,弹出提示框询问是否请求协同运输,当延误风险级别为三级,直接进行协同运输。例如,14:00时Ttime=5.7h,14:02时Ttime=6.2h,14:04时Ttime=6.2h,14:06时Ttime=6.2h,最长运输时间Tmax=6h。则14:02时Tdelay=2min,14:04时Tdelay=4min,14:06时Tdelay=6min。设第二阈值为(3,5),即三分钟以下为一级,三到五分钟之间为二级,5分钟以上为三级。则14:02时延误风险级别为一级,不进行操作,14:04时延误风险级别为二级,弹出提示框询问是否请求协同运输,14:06时延误风险级别为三级,直接进行协同运输。特殊货物在运输途中可能会出现突发状况造成路段拥堵,使得行驶时间超出最长运输时间。因此,在运输途中实时计算运输时间,进行延误程度判别,以便对及时应对突发状况,保证特殊货物安全、准时到达。
步骤107,根据特殊货物的质量选择协同运输方式。
根据特殊货物的质量选择协同运输方式,所述协同运输方式主要包括无人机协同、处理点协同和直升机协同,三种协同运输方式分别用1、2、3标识。获取特殊货物的质量、无人机载重上限及无人机飞行半径,首先判断特殊货物能否使用无人机进行协同运输。比较特殊货物的质量和无人机载重上限的大小,若特殊货物的质量大于无人机载重上限则进行处理点协同运输方式判断。若特殊货物的质量小于无人机载重上限,则获取车辆位置和目的地位置并计算两个位置的直线距离,比较所述两个位置的直线距离和无人机飞行半径的大小。若两个位置的直线距离大于无人机飞行半径,则进行处理点协同运输方式判断。若两个位置的直线距离大于无人机飞行半径,则协同运输方式为无人机,输出1。获取输出结果,若输出结果为空,则进行处理点协同运输方式判断,若结果不空则结束判断。获取车辆位置和所有处理点位置,计算所有处理点到车辆位置的直线距离,将所述直线距离最短位置作为备选处理点。比较备选处理点和目的地到车辆位置的距离,若备选处理点大于目的地到车辆位置的距离,则直接进行直升机协同运输,输出3并结束判断。若备选处理点小于目的地到车辆位置的距离,则将所述备选处理点作为处理点紧急处理特殊货物,输出2并结束判断。所述无人机和直升机从选定的中间路段枢纽点开始协同运输,路线都采用直线路径。处理点协同运输方式路线按照最短路径规划。例如,特殊货物为20kg,无人机载重上限为7kg,飞行半径为6km。20kg>7kg,输出结果为空,则进行处理点协同运输方式判断。获取车辆位置A和所有处理点位置,计算得到备选处理点B,且到车辆位置的直线距离为30km,获取车辆位置A到目的地位置的距离为10km,则直接利用直升机协同运输,输出3。
构建中间路段枢纽点选址模型。
首先,选择m个备选中间路段枢纽点,所述中间路段枢纽点需要满足适合无人机或直升机起降的条件。设置循环次数k,遍历所有备选中间路段枢纽点,计算所述备选中间路段枢纽点到目的地的距离记为Ck。若k=m,输出所有Ck的结果,选取Ck值最小的作为中间路段枢纽点,停止遍历,否则继续遍历。例如,适合无人机或直升机起降的地点有a,b,c,d,e五个点,将所述五个点作为备选中间路段枢纽点。设循环次数k=5,目的地为f。遍历a,b,c,d,e,计算各备选中间路段枢纽点到f的直线距离,输出结果记为Ck=a1,b2,c3,d4,e5。大小关系为a1<b2<c3<d4<e5,则a1为距离目的地最小的距离。因此将a点作为中间路段枢纽点。
步骤108,根据特殊货物类别制定不同路径规划方案。
获取特殊货物类别。当所述特殊货物为危险型货物时,首先识别运输风险级别并判断是否从城市区域的便捷路径行驶。若从城市区域的便捷路径行驶则通过最短运输路径规划模型设计运输路线;否则将所有城市区域内的便捷路径排除在外,对剩余路段做最短运输路径规划。当所述特殊货物为时间敏感型货物时,首先通过最短运输路径规划模型设计运输路线,然后进行运输前和运输中延误风险识别,判断是否请求协同运输。若要请求协同运输,则根据特殊货物的质量选择协同运输方式;否则按照最短运输路径规划模型设计运输路线行驶。当特殊货物既是危险型又是时间敏感型货物时,遵循安全为先的原则,首先判断是否从城市区域的便捷路径行驶,进行最短运输路径规划,然后进行运输前和运输中延误风险识别,判断是否请求协同运输。例如,对于危险型时间敏感货物,首先识别运输风险级别并判断是否从城市区域的便捷路径行驶,根据判断结果结合最短运输路径规划模型设计运输路线;然后进行运输前和运输中延误风险识别,判断是否请求协同运输;若要协同运输则根据特殊货物的质量选择协同运输方式。对于危险型时间不敏感货物,只需要根据是否从城市区域的便捷路径行驶通过最短运输路径规划模型设计运输路线。对于不危险时间敏感货物,首先通过最短运输路径规划模型设计运输路线,然后进行运输前和运输中延误风险识别,判断是否请求协同运输,若要协同运输则根据特殊货物的质量选择协同运输方式。对于不危险时间不敏感货物,直接通过最短运输路径规划模型设计运输路线。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (9)
1.一种基于深度学习的特殊货物运输风险预测与处理方法,其特征在于,所述方法包括:
根据特殊货物的保质期和理化性质对特殊货物分类并获取最长运输时间;
针对危险型货物,识别运输风险级别并判断是否可以从城市区域的便捷路径行驶;
预测路段交通量,确定路段交通服务水平等级,基于卷积神经网络预测路段交通量,并根据所述路段交通量的预测结果,确定路段交通服务水平等级;
根据路段交通服务水平等级,构建最短运输路径规划模型;
获取车辆数据和天气数据,基于深层循环神经网络预测运输车行驶速度;
针对时间敏感型特殊货物进行运输前和运输中延误风险识别,判断是否请求协同运输,其中,运输前计算全程总运输时间,判断是否出现延误风险,运输中实时计算运输时间确定延误风险级别,判断是否请求协同运输;
根据特殊货物的质量选择协同运输方式,并构建中间路段枢纽点选址模型;
根据特殊货物类别制定不同路径规划方案。
2.根据权利要求1所述的方法,其中,所述根据特殊货物的保质期和理化性质对特殊货物分类并获取最长运输时间,包括:
获取特殊货物的数据,包括特殊货物的名称、保质期、理化性质;对特殊货物的数据进行标准化,利用k-means聚类模型将特殊货物分为危险型货物和不危险货物两大类;然后根据特殊货物的理化性质再对两类特殊货物进一步细分为时间敏感型和时间不敏感型;最终,根据特殊货物的时间敏感性和危险性将特殊货物分为危险型时间敏感货物、危险型时间不敏感货物、不危险时间敏感货物和不危险时间不敏感货物;将特殊货物的保质期作为最长运输时间。
3.根据权利要求1所述的方法,其中,所述针对危险型货物,识别运输风险级别并判断是否可以从城市区域的便捷路径行驶,包括:
根据危险型特殊货物自身属性和运输过程中的风险因素,建立危险型特殊货物运输风险分级评价模型;其中,货物的自身属性指危险型货物的健康危害性NH、可燃性NF和化学活泼性NR;货物在运输过程中的风险因素指运输的危险型货物的总质量FM、城市路径到人口密集区的距离FS和危险型货物扩散因子等级FD;记危险型货物自身属性风险等级为N,记危险型货物运输风险等级为R,R=N*FM*FS*FD;预设危险型类货物运输风险等级第一阈值,将所述危险型货物运输风险等级分为低、中等、严重、极端严重四个等级;当所述危险型货物运输风险等级为低或中等时,应走城市区域的便捷路径,节约运输时间;当所述危险型货物运输风险等级为严重或极端严重时,应避免走城市区域的便捷路径。
4.根据权利要求1所述的方法,其中,所述预测路段交通量,确定路段交通服务水平等级,包括:
获取连通出发地和目的地的所有路段信息和路段交通量数据,利用卷积神经网络预测各路段距离当前时刻后30分钟的交通量;根据路段交通量的预测结果计算路段饱和度,并以此确定距离当前时刻后30分钟的路段交通服务水平等级;将所述路段交通服务水平等级作为路况预测结果;包括:基于卷积神经网络预测路段交通量;根据路段交通量的预测结果,确定路段交通服务水平等级;
所述基于卷积神经网络预测路段交通量,具体包括:
获取特殊货物的出发地和目的地,以及连通两地的所有路段信息,包括路段长度、路段通行能力,用编号标识各个路段;通过微波车辆检测器收集路段的交通量数据,每隔15分钟检测一次;提取运输日期前30天的路段信息和交通量数据制作训练数据集,输入卷积神经网络预测模型中训练;然后制作输入集,获取连通出发地和目的地的所有路段信息及距离当前时刻前24小时的交通量;对数据进行预处理之后输入训练好的卷积神经网络预测模型中,对各路段路况进行预测,输出距离当前时刻后30分钟的交通量;
所述根据路段交通量的预测结果,确定路段交通服务水平等级,具体包括:
5.根据权利要求1所述的方法,其中,所述根据路段交通服务水平等级,构建最短运输路径规划模型,包括:
获取连通出发地和目的地的所有路段,利用dijkstra算法初步进行最短路线规划,将求得的初始路径结果;遍历特殊货物沿着初始路径运输所要经过的每个路段,并获取所述路段的交通服务水平等级;若即将进入的路段的交通服务水平处于一级或二级,则继续行驶;若即将进入的路段的交通服务水平处于三级或四级,则采用决策树剪枝法对路段进行局部规划,将新规划的路段更新到初始路径中;输出最终的运输路径。
6.根据权利要求1所述的方法,其中,所述获取车辆数据和天气数据,基于深层循环神经网络预测运输车行驶速度,包括:
获取运输路径中各路段的车辆数据和天气数据;其中所述路段中的车辆数据包括所有车辆当前速度的平均值,天气数据包括垂直高空能见度、水平距离能见度、温度、降水量、气压、相对湿度;统一将数据采集的时间间隔定为6小时,获取运输日期前30天的车辆数据和天气数据作为深层循环神经网络的训练集;将运输路径中各个路段在当天的垂直高空能见度、水平距离能见度、温度、降水量、气压和相对湿度作为深层循环神经网络的输入值,预测运输车辆的行驶速度。
7.根据权利要求1所述的方法,其中,所述针对时间敏感型特殊货物进行运输前和运输中延误风险识别,判断是否请求协同运输,包括:
获取时间敏感型特殊货物的最终运输路径,并计算运输路径总长度;获取预测的运输车辆的行驶速度;首先判断在运输前计算按照规划的运输路径和预测的运输车辆的行驶速度能否在所述时间敏感型特殊货物的最长运输时间内到达;即运输前计算全程总运输时间,若有延误风险则应在出发前请求协同运输,若无延误风险则按照规划的运输路径行驶;然后,在运输过程中实时获取运输车在一个小时内的实际行驶速度,对所述运输车在一个小时内的实际行驶速度求平均,记为实际行驶速度,并以此实时计算总运输时间,确定延误级别;根据延误级别判断是否请求协同运输;包括:运输前计算全程总运输时间,判断是否出现延误风险;运输中实时计算运输时间确定延误风险级别,判断是否请求协同运输;
所述运输前计算全程总运输时间,判断是否出现延误风险,具体包括:
获取最终的运输路径,提取运输路径所包含的每个路段的长度以及预测的运输车行驶速度;计算各路段的运输时间Ti=运输路径所包含的每个路段的长度/预测的运输车行驶速度,对各路段的运输时间求和即总运输时间,并记为ΣTi;加载特殊货物的保质期即最长运输时间,记为Tmax;比较ΣTi和Tmax的大小,若ΣTi小于Tmax,则不会延误,若ΣTi大于Tmax,则存在延误风险,需要请求协同运输;
所述运输中实时计算运输时间确定延误风险级别,判断是否请求协同运输,具体包括:
获取最终的运输路径,提取运输路径所包含的每个路段的长度,获取车辆的实际行驶速度;每隔2分钟计算一次运输时间Ttime=运输路径所包含的每个路段的长度/车辆的实际行驶速度,加载特殊货物的保质期即最长运输时间Tmax;比较Ttime和Tmax的大小,若Ttime小于Tmax,则不进行操作;若Ttime大于Tmax则说明出现突发情况,行驶时间会超出最长运输时间,统计出现Ttime大于Tmax的持续时间记为Tdelay;针对Tdelay预设第二阈值,将延误风险级别分为三个等级;当延误风险级别为一级,不进行操作,当延误风险级别为二级,弹出提示框询问是否请求协同运输,当延误风险级别为三级,直接进行协同运输。
8.根据权利要求1所述的方法,其中,所述根据特殊货物的质量选择协同运输方式,包括:
根据特殊货物的质量选择协同运输方式,所述协同运输方式主要包括无人机协同、处理点协同和直升机协同,三种协同运输方式分别用1、2、3标识;获取特殊货物的质量、无人机载重上限及无人机飞行半径,首先判断特殊货物能否使用无人机进行协同运输;比较特殊货物的质量和无人机载重上限的大小,若特殊货物的质量大于无人机载重上限则进行处理点协同运输方式判断;若特殊货物的质量小于无人机载重上限,则获取车辆位置和目的地位置并计算两个位置的直线距离,比较所述两个位置的直线距离和无人机飞行半径的大小;若两个位置的直线距离大于无人机飞行半径,则进行处理点协同运输方式判断;若两个位置的直线距离大于无人机飞行半径,则协同运输方式为无人机,输出1;获取输出结果,若输出结果为空,则进行处理点协同运输方式判断,若结果不空则结束判断;获取车辆位置和所有处理点位置,计算所有处理点到车辆位置的直线距离,将所述直线距离最短位置作为备选处理点;比较备选处理点和目的地到车辆位置的距离,若备选处理点大于目的地到车辆位置的距离,则直接进行直升机协同运输,输出3并结束判断;若备选处理点小于目的地到车辆位置的距离,则将所述备选处理点作为处理点紧急处理特殊货物,输出2并结束判断;所述无人机和直升机从选定的中间路段枢纽点开始协同运输,路线都采用直线路径;处理点协同运输方式路线按照最短路径规划;包括:构建中间路段枢纽点选址模型;
所述构建中间路段枢纽点选址模型,具体包括:
首先,选择m个备选中间路段枢纽点,所述中间路段枢纽点需要满足适合无人机或直升机起降的条件;设置循环次数k,遍历所有备选中间路段枢纽点,计算所述备选中间路段枢纽点到目的地的距离记为Ck;若k=m,输出所有Ck的结果,选取Ck值最小的作为中间路段枢纽点,停止遍历,否则继续遍历。
9.根据权利要求1所述的方法,其中,所述根据特殊货物类别制定不同路径规划方案,包括:
获取特殊货物类别;当所述特殊货物为危险型货物时,首先识别运输风险级别并判断是否从城市区域的便捷路径行驶;若从城市区域的便捷路径行驶则通过最短运输路径规划模型设计运输路线;否则将所有城市区域内的便捷路径排除在外,对剩余路段做最短运输路径规划;当所述特殊货物为时间敏感型货物时,首先通过最短运输路径规划模型设计运输路线,然后进行运输前和运输中延误风险识别,判断是否请求协同运输;若要请求协同运输,则根据特殊货物的质量选择协同运输方式;否则按照最短运输路径规划模型设计运输路线行驶;当特殊货物既是危险型又是时间敏感型货物时,遵循安全为先的原则,首先判断是否从城市区域的便捷路径行驶,进行最短运输路径规划,然后进行运输前和运输中延误风险识别,判断是否请求协同运输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074720.3A CN115456520A (zh) | 2022-09-02 | 2022-09-02 | 一种基于深度学习的特殊货物运输风险预测与处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074720.3A CN115456520A (zh) | 2022-09-02 | 2022-09-02 | 一种基于深度学习的特殊货物运输风险预测与处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456520A true CN115456520A (zh) | 2022-12-09 |
Family
ID=84300675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211074720.3A Pending CN115456520A (zh) | 2022-09-02 | 2022-09-02 | 一种基于深度学习的特殊货物运输风险预测与处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456520A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994689A (zh) * | 2023-03-22 | 2023-04-21 | 交通运输部水运科学研究所 | 一种智慧码头港区危险货物安全运输的管理方法及装置 |
CN116343444A (zh) * | 2023-05-29 | 2023-06-27 | 山东腾运专用汽车制造有限公司 | 一种特种抽拉运输半挂车监测预警系统 |
-
2022
- 2022-09-02 CN CN202211074720.3A patent/CN115456520A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994689A (zh) * | 2023-03-22 | 2023-04-21 | 交通运输部水运科学研究所 | 一种智慧码头港区危险货物安全运输的管理方法及装置 |
CN116343444A (zh) * | 2023-05-29 | 2023-06-27 | 山东腾运专用汽车制造有限公司 | 一种特种抽拉运输半挂车监测预警系统 |
CN116343444B (zh) * | 2023-05-29 | 2023-08-22 | 山东腾运专用汽车制造有限公司 | 一种特种抽拉运输半挂车监测预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115456520A (zh) | 一种基于深度学习的特殊货物运输风险预测与处理方法 | |
CN109145954B (zh) | 一种基于多源时空数据的网约车出行安全评价方法及系统 | |
Barth et al. | Real-world carbon dioxide impacts of traffic congestion | |
CN103310287A (zh) | 基于svm预测乘客出行概率的轨道交通客流预测方法 | |
CN107886188B (zh) | 液化天然气公交尾气排放预测方法 | |
CN110599765A (zh) | 一种基于多源数据融合的公路客货运输量指标统计方法 | |
Pan et al. | Exploring spatial variation of the bus stop influence zone with multi-source data: A case study in Zhenjiang, China | |
CN105869402B (zh) | 基于多类型浮动车数据的高速公路路段速度修正方法 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
CN113393665A (zh) | 一种在不确定时变路网下的危险品运输路径规划方法 | |
Pinjari et al. | Using truck fleet data in combination with other data sources for freight modeling and planning. | |
CN112801541A (zh) | 一种危险化学品道路运输风险动态评估及风险导航方法 | |
Wang et al. | Development of Degree‐of‐Priority Based Control Strategy for Emergency Vehicle Preemption Operation | |
Sun et al. | Demand Prediction of Railway Emergency Resources Based on Case‐Based Reasoning | |
Wang et al. | Risk analysis and route optimization of dangerous goods transportation based on the empirical path set | |
Jia et al. | A microscopic model of vehicle co₂ emissions based on deep learning—A spatiotemporal analysis of taxicabs in Wuhan, China | |
Sun et al. | Research on safe driving behavior of transportation vehicles based on vehicle network data mining | |
Elkafoury et al. | Modeling vehicular CO emissions for time headway-based environmental traffic management system | |
Comi et al. | A methodology based on floating car data for the analysis of the potential rail-road freight demand | |
Lingqiu et al. | A LSTM based bus arrival time prediction method | |
Kutlimuratov et al. | Impact of stops for bus delays on routes | |
CN113870559B (zh) | 一种基于大数据车联网的交通流量计算方法 | |
CN115310822A (zh) | 一种公路货运通道综合风险评价方法及电子设备 |
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 |