CN115775059A - 一种站点规划方法、装置、设备以及存储介质 - Google Patents
一种站点规划方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115775059A CN115775059A CN202211633448.8A CN202211633448A CN115775059A CN 115775059 A CN115775059 A CN 115775059A CN 202211633448 A CN202211633448 A CN 202211633448A CN 115775059 A CN115775059 A CN 115775059A
- Authority
- CN
- China
- Prior art keywords
- station
- population
- fitness
- route
- passenger
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种站点规划方法、装置、设备以及存储介质,涉及人工智能技术领域,尤其涉及智能交通、能源运输等领域。具体实现方案为:获取路网拓扑信息和目标乘客信息;生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群;基于多个初始站点规划路线的适应度,对初始种群进行迭代,得到迭代后种群;初始站点规划路线的适应度是基于路网拓扑信息和目标乘客信息计算得到的;若迭代次数到达预设遗传迭代次数,或迭代后种群中站点规划路线的适应度满足适应度条件,则从迭代后种群中选择目标站点规划路线。本公开实现了便捷地进行站点规划。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及智能交通、能源运输等领域。
背景技术
车辆运行场景下站点的设置是交通智能化建设问题中的重要事项。例如,矿山井下运输班车的站点设置是矿山井下的交通智能化建设问题中的重要内容。
发明内容
本公开提供了一种站点规划方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种站点规划方法,包括:
获取路网拓扑信息和目标乘客信息;所述路网拓扑信息包括互相连接的多个预先指定的关键地点;目标乘客信息包括:乘客出行的起始点和出行时间;
生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群;所述初始站点规划路线包括预先排序的多个站点,所述站点是从所述关键地点中选取的;
基于多个初始站点规划路线的适应度,对所述初始种群进行迭代,得到迭代后种群;所述初始站点规划路线的适应度是基于所述路网拓扑信息和所述目标乘客信息计算得到的;
若迭代次数到达预设遗传迭代次数,或所述迭代后种群中站点规划路线的适应度满足适应度条件,则从所述迭代后种群中选择目标站点规划路线。
根据本公开的第二方面,提供了一种站点规划装置,包括:
获取模块,用于获取路网拓扑信息和目标乘客信息;所述路网拓扑信息包括互相连接的多个预先指定的关键地点;目标乘客信息包括:乘客出行的起始点和出行时间;
生成模块,用于生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群;所述初始站点规划路线包括预先排序的多个站点,所述站点是从所述关键地点中选取的;
迭代模块,用于基于多个初始站点规划路线的适应度,对所述初始种群进行迭代,得到迭代后种群;所述初始站点规划路线的适应度是基于所述路网拓扑信息和所述目标乘客信息计算得到的;若迭代次数到达预设遗传迭代次数,或所述迭代后种群中站点规划路线的适应度满足适应度条件,则从所述迭代后种群中选择目标站点规划路线。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面中任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面中任一项所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面中任一项所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的站点规划方法的一种流程图;
图2是本公开实施例中路网拓扑图的示意图;
图3是本公开实施例提供的站点规划方法的另一种流程图;
图4是本公开实施例中计算适应的流程图;
图5是应用本公开实施例提供的站点规划方法的示意图;
图6是本公开实施例提供的站点规划装置的结构示意图;
图7是用来实现本公开实施例的站点规划方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开实施例提供的站点规划方法可以用于对车辆停靠的站点进行规划,如旅游大巴站点的设置、公交车站点的设置、辅助运输班车站点的设置如煤矿井下班车站点的设置等的过程中,可以利用本公开实施例提供的站点规划方法对车辆停靠的站点进行规划,实际场景下按照规划好的站点设置旅游大巴站点、公交车站点、辅助运输班车站点等等。
本公开实施例提供了一种站点规划方法,包括:
获取路网拓扑信息和目标乘客信息;路网拓扑信息包括互相连接的多个预先指定的关键地点;目标乘客信息包括:乘客出行的起始点和出行时间;
生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群;初始站点规划路线包括预先排序的多个站点,站点是从关键地点中选取的;
基于多个初始站点规划路线的适应度,对初始种群进行迭代,得到迭代后种群;初始站点规划路线的适应度是基于路网拓扑信息和乘客信息计算得到的;
若迭代次数到达预设遗传迭代次数,或迭代后种群中站点规划路线的适应度满足适应度条件,则从迭代后种群中选择目标站点规划路线。
本公开实施例中生成多个初始站点规划路线,即可基于多个初始站点规划路线的适应度(基于路网拓扑信息和乘客信息计算得到的),对初始种群进行迭代,得到迭代后种群,若迭代次数到达预设遗传迭代次数,或迭代后种群中站点规划路线的适应度满足适应度条件,则可以从迭代后种群中选择目标站点规划路线,无需进行复杂的建模,降低了站点规划的难度,实现了便捷地进行站点规划。
相关技术中方式【1】提出一种基于轨迹数据的道路客运班车停留站点位置提取方法,该方法通过分析道路客运班车停留轨迹数据的典型特征,以班车轨迹数据为数据源,利用基于密度的聚类算法(Density-Based Spatial Clustering of Applications withNoise,DBSCAN)算法检测位于停留站点的点簇进而提取停留站点位置。同时,针对DBSCAN算法具有高时间复杂度的问题,通过建立格网索引对算法进行了改进。方式【1】提出的基于轨迹数据的道路客运班车停留站点位置提取方法只针对班车的站点进行设计与优化,对于发车时间部分优化较少,该算法中的站点位置提取方法不能直接应用于煤矿辅助运输场景中的班车发车时间模型中。
方式【2】根据交通规则与实际情况,采用蚁群算法模拟班车路线模型进行最短路线计算,设计并优化班车路线。方式【2】提出的路线方案优化方法中使用蚁群算法提高班车运行效率,但是该方法中教师上下班时间较为固定,而井下作业工作与其最大的区别点在于井下作业分为检修班与生产班,且检修班的上下班时间不固定,因此无法直接适用于煤矿辅助运输系统场景与煤炭行业。
方式【3】提出一种基于矩阵分解和蚁群算法的旅游路线规划算法,通过矩阵值分解算法计算用户对景点的感兴趣程度,并将喜好程度作为蚁群算法对参数设计旅游路线规划算法。方式【3】利用蚁群算法的分布式搜索、信息素交互、良好的正反馈性和鲁棒性等特点,同上述站点配置算法相同,该方法没有考虑到煤炭相关场景的特殊性。
方式【4】提出一种基于信息熵的模糊最小最大聚类算法,利用信息熵和数据集聚类偏差的先验分布对聚类的可控性进行调整,从而使聚类具有更好的适应性能,将其应用于车辆站点配置问题上并且取得了良好的优化效果。
方式【5】基于信息熵的半监督聚类算法(fuzzy c-means,FCM),对企业通勤班车站点配置问题进行求解,确定出基于员工居住信息的合理站点配置方案;在此基础上,再基于蚁群算法对路径优化问题进行求解。
方式【4】和方式【5】主要使用无监督算法或者半监督算法对通勤班车的站点配置进行求解,再通过启发式算法求解路径优化问题。
综上,相关技术中没有针对矿山井下场景用于辅助运输的车辆的站点规划,本公开实施例提供了一种站点规划方法,适用于车辆运行场景下站点的设置,特别是矿山井下部分检修班下班时间不固定、矿工作业区域变化频率较快等问题进行站点规划。
另外,本公开实施例直接使用遗传算法进行建模求解,将发车时间与站点设置均作为遗传算法中基因的一部分,与相关技术方式相比,本公开实施例建模思路与建模方法更为直观高效。
图1为本公开实施例提供的站点规划方法的流程图,可以包括:
S101,获取路网拓扑信息和目标乘客信息。
路网拓扑信息包括互相连接的多个预先指定的关键地点;目标乘客信息包括:乘客出行的起始点和出行时间。
本实施例中,可以预先确定目标环境中的关键地点,使用点与点连接的方式构建路网拓扑图,得到包括互相连接的多个预先指定的关键地点的路网拓扑信息。对路网拓扑图的边赋予权重,并且通过最短路径进行寻路。
一种方式中,可以人工对目标环境进行标注,标注出目标环境中的关键地点,以得到路网拓扑信息,关键地点可以是目标环境中适合于车辆停靠的地点。
例如,目标环境为煤矿井下,可以确定井下路网拓扑中的关键点,使用点与点连接的方式构建拓扑图。关键地点可以是井口、工作区入口、工作区出口等。图2为路网拓扑图的示意图,其中数字[1,2,3..]代表关键地点,点与点之间使用代表距离的边进行连接,大写字母[A,B,C...]代表工作区,具体地,可以是[A,B,C...]所在的区域,如以[A,B,C...]作为中心点的邻域等。
本公开实施例提供的站点规划方法适用于乘客信息不固定的场景,例如乘客出行的起始点和出行时间隔一段时间会发生变化,则可以隔一段时间获取当前时间的乘客信息,作为目标乘客信息。或者,可以监测乘客信息,若乘客信息发生变化,则获取变化后的乘客信息作为目标乘客信息。
S102,生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群。
初始站点规划路线包括预先排序的多个站点,站点是从关键地点中选取的。
初始站点规划路线包括的多个站点可以是随机从多个关键地点中选取并排序的。
一种可实现方式中,可以预先设置初始站点规划路线的数量,随机从关键地点中选取部分关键地点作为站点,并基于站点之间的距离对多个站点进行排序,得到一个初始站点规划路线,如此重复该数量对应的次数,得到该数量个初始站点规划路线。
另一种可实现方式中,可以人工从关键地点中选取部分关键地点作为站点并排好序,将排序好的多个站点作为一个初始站点规划路线输入电子设备,则电子设备接收该排序好的多个站点作为一个初始站点规划路线。
S103,基于多个初始站点规划路线的适应度,对初始种群进行迭代,得到迭代后种群。
初始站点规划路线的适应度是基于路网拓扑信息和目标乘客信息计算得到的。
S104,若迭代次数到达预设遗传迭代次数,或迭代后种群中站点规划路线的适应度满足适应度条件,则从迭代后种群中选择目标站点规划路线。
适应度用于表示站点规划路线对乘客、车辆的适应程度,也可以理解为表示站点规划路线的合理程度。
基于多个初始站点规划路线的适应度,选择适应度高的站点规划路线进行后续迭代,直至迭代次数到达预设遗传迭代次数,或迭代后种群中站点规划路线的适应度满足适应度条件,则从迭代后种群中选择目标站点规划路线。
迭代次数到达预设遗传迭代次数,或迭代后种群中站点规划路线的适应度满足适应度条件可以理解为迭代结束条件。
其中,预设遗传迭代次数可以根据实际需求确定。适应度条件可以包括到达预设适应度,或者适应度收敛。
当迭代次数到达预设遗传迭代次数时,可以从当前种群中选择适应度最高的站点规划路线作为目标站点规划路线。
当迭代后种群中站点规划路线的适应度满足适应度条件,可以从满足适应度条件的站点规划路线中选择适应度最高的站点规划路线作为目标站点规划路线。
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。遗传算法的主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,不需要确定的规则就能自动获取和指导优化的搜索空间,自适应地调整搜索方向。本公开实施例具体的建模方式采用遗传算法进行智能体建模,也即通过遗传算法实现站点规划,本公开实施例中生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群,进而通过遗传算法基于初始种群进行迭代,直至满足迭代结束条件,从满足迭代结束条件的迭代后种群中选择目标站点规划路线。一个初始站点规划路线可以理解为一个智能体,也可以理解为直接将待规划的站点路线作为基因进行优化迭代。
一种可选地实施例中,本公开实施例提供的站点规划方法还包括:
对初始站点规划路线包括的有顺序的多个站点进行编码;
在生成多个初始站点规划路线之后,对初始站点规划路线包括的有顺序的多个站点进行编码。
如此,上述中的步骤S103可以包括:
基于编码后的站点规划路线的适应度,对初始种群进行迭代,得到迭代后种群。
在本实施例中,站点规划路线还可以包括发车时间,即站点规划路线包括有顺序的多个站点以及发车时间,本公开实施例可以同时对站点设置以及发车时间进行规划。
编码后的站点规划路线可以理解为利用遗传算法进行站点规划过程中个体或者染色体。
编码方式是应用遗传算法的首要解决问题,是设计遗传算法的关键步骤。编码的方法影响到交叉算子、变异算子等方法,很大程度上决定了遗传进化的效率。在煤矿辅助运输场景中的发车时间与站点设置优化模型中,编码所代表的实际含义是具体的发车时间和站点名称以及站点顺序,也即有顺序的多个站点。具体地,编码方式保证a)完备性;健全性;非冗余性,具体地完备性、健全性和非冗余性参照相关技术中遗传算法对编码策略的要求,这里不再赘述。
本公开实施例中生成多个初始站点规划路线后,先对多个初始站点规划路线进行编码,多个编码后的站点规划路线即为得到的初始种群。
通过编码将站点规划路线转换为遗传算法处理的个体,方便地进行后续的选择、交叉、变异等操作。
一种可选地实施例中,S103可以包括:
重复执行步骤:计算当前种群中多个站点规划路线的适应度,基于多个站点规划路线的适应度,从当前种群中选择待操作站点规划路线,对待操作站点规划路线进行交叉操作和变异操作,得到操作后站点规划路线,基于操作后站点规划路线得到迭代后种群,当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是初始种群。
具体地如图3所示,S103可以包括:
S301,计算当前种群中多个站点规划路线的适应度。
具体地计算适应度的过程在下面会进行详述,这里暂不赘述。
S302,判断是否满足迭代结束条件;
如果满足迭代结束条件,则执行S104;如果不满足迭代结束条件,执行S303。
S303,基于多个站点规划路线的适应度,从当前种群中选择待操作站点规划路线。
也可以理解为对当前种群进行选择操作。
选择操作是遗传算法中的重要内容,选择操作用于确定如何从父代群体中按某种方法选取哪些个体,以便遗传到下一代群体。选择操作用来确定重组或交叉个体,以及被选个体将产生多少个子代个体。
本公开实施例中希望运输效率较高的站点设置计划与发车时间尽可能保存下来,因此在选择智能体部分可以选择最优保留策略,如首先按轮盘赌选择方法执行遗传算法的选择操作,然后将当前群体中适应度最高的个体结构完整地复制到下一代群体中,也即迭代后群体中,其中,轮盘赌选择方法可以参照相关技术这里不再赘述。
一种可实现方式中,针对当前种群中包括的多个站点规划路线,根据站点规划路线的适应度计算站点规划路线的选择概率;响应于选择概率满足预设阈值,从当前种群中选取选择概率满足预设阈值的站点规划路线作为待操作站点规划路线。
预设阈值可以根据实际情况来确定,如0.7、0.8等。
通过站点规划路线的适应度计算其被选择的概率,可以实现根据适应度选择进入后续迭代种群的站点规划路线,可以提高迭代的速率,以快速地得到满足条件的目标站点规划路线。
其中,可以通过如下公式计算站点规划路线的选择概率;
其中,Pk为站点规划路线k的选择概率,Fk为站点规划路线k的适应度,m为迭代后种群中站点规划路线的数量。
S304,交叉操作。
交叉操作是指对两个相互配对的染色体按某种方式相互交换其部分基因,从而形成两个新的个体,也即染色体。
例如,本公开实施例中站点规划路线中的多个站点编码后,在种群中的表现可以理解为多个基因组成的染色体,染色体可以理解为基因序列、染色体编码串,将两个染色体中的部分基因进行交换,即对两个站点规划路线中的站点进行交换,交换方式可以为预设位置处的基因进行交换。如站点规划路线1包括站点1、站点2和站点3,站点规划路线2包括站点4、站点5和站点6,站点规划路线1对应的染色体1包括基因1(站点1对应的基因)、基因2(站点2对应的基因)和基因3(站点3对应的基因),站点规划路线2对应的染色体2包括基因4(站点4对应的基因)、基因5(站点5对应的基因)和基因6(站点6对应的基因),将染色体1和染色体2进行交叉操作,可以是对基因序列上的第2个位置上的基因进行交换,也即将站点规划路线1中的站点2与站点规划路线2中的站点5进行交换,得到新的个体,即包括基因1、基因5和基因3的染色体,以及包括基因4、基因2和基因6的染色体。
本公开实施例中可以使用均匀交叉的方式对个体与个体之间进行基因编码的交换,在站点设置部分的体现则是可以将某一站点规划路线的站点替换为另一站点规划路线中的部分站点,而对于发车时间部分交叉操作则可以是对两条站点规划路线的发车时间求均值。
S305,变异操作。
遗传算法中的变异运算也即变异操作,是指将染色体编码串中的某些基因座上的基因用该基因座上的其它等位基因来替换,从而形成新的个体。在站点设置部分是依概率将某项站点替换为其他站点,发车时间部分则是在两条基因序列交叉后的发车时间上调或者下调若干分钟,如5分钟、10分钟等等。
一种可实现方式中,将一待操作站点规划路线中的至少一个站点与另一待操作站点规划路线中的至少一个站点进行交换,得到交叉操作后的待操作站点规划路线;将交叉操作后的待操作站点规划路线中的至少一个站点替换为其他站点,其他站点为除交叉操作后的待操作站点规划路线中各站点之外的站点。
如此可以方便地对待操作站点规划路线进行交叉操作、变异操作以得到新的待操作站点规划路线。
对待操作站点规划路线进行交叉操作和变异操作,得到操作后站点规划路线,基于操作后站点规划路线得到迭代后种群。其中,可以将操作后站点规划路线作为迭代后种群。
一种可实现方式中,将操作后站点规划路线和其他站点规划路线组成迭代后种群,其中,其他站点规划路线包括当前种群中除待操作站点规划路线之外的站点规划路线。
将迭代后种群作为当前种群返回步骤S301,继续计算当前种群中多个站点规划路线的适应度,直至满足迭代结束条件,也即直至迭代次数到达预设遗传迭代次数,或迭代后种群中站点规划路线的适应度满足适应度条件,则从迭代后种群中选择目标站点规划路线。
本公开实施例中基于种群中站点规划路线的适应度,通过遗传算法的选择操作、交叉操作、变异操作得到新的种群,不断迭代直至满足迭代结束条件,从满足迭代技术条件是时的种群中选取选择目标站点规划路线,如此方便地实现了站点的规划。
一种可实现方式中,乘客出行的起始点包括:至少一个乘客所在的至少一个工作区,出行时间包括乘客上班时间和/或下班时间。
在一些场景下如在煤矿井下,矿工的工作区域的变化频率较快,部分班次下班时间不固定等,矿工作为乘客时,可以隔一段时间获取至少一个乘客所在的至少一个工作区、乘客上班时间和/或下班时间。
一种可选地实施例中,乘客出行的起始点包括:至少一个乘客所在的至少一个工作区,出行时间包括乘客上班时间和/或下班时间;站点规划路线还包括发车时间;
如图4所示,基于路网拓扑信息和目标乘客信息计算站点规划路线的适应度可以包括如下步骤:
S401,利用至少一个工作区与有顺序的多个站点中各个站点的位置关系,以及乘客上班时间和/或下班时间与发车时间的关系,计算站点规划路线对应的乘客成本。
乘客成本表示车辆按站点规划路线运行乘客所需的成本,可以包括时间成本以及距离成本。
S402,利用互相连接的多个关键点,计算从站点规划路线的起始站点至终点站点的距离,作为站点规划路线对应的车辆成本。
车辆成本表示车辆按站点规划路线运行车辆所需的成本,可以包括距离成本、油耗成本等。
S403,基于乘客成本和车辆成本,确定站点规划路线对应的适应度。
如此在计算站点规划路线的适应度的过程中,综合考虑了乘客成本和车辆成本,可以准确地表示站点规划路线的适应度。
一种可实现方式中,S403可以包括:
计算乘客成本和车辆成本的加权和,作为站点规划路线对应的适应度。
具体地乘客成本和车辆成本的权重可以根据实际需求来确定。
在综合考虑了乘客成本和车辆成本计算站点规划路线的适应度的过程中,通过加权和的方式方便地完成计算,即可以在准确度的基础上提高了适应度计算的简便性。
一种可实现方式中,乘客成本包括第一成本、第二成本和第三成本;
S401可以包括:
针对各工作区,计算各工作区分别与各工作区对应的最近站点之间的距离之和,作为第一成本;计算各个乘客的坐车距离之和,作为第二成本;基于发车时间以及起始站点与各最近站点之间的距离,计算下车时间,并利用下车时间与乘客上班时间计算乘客等待时间,和/或基于乘客下班时间以及终点站点与各最近站点之间的距离,计算上车时间,并利用上车时间与发车时间计算乘客等待时间,作为第三成本。
其中,针对各工作区,计算各工作区分别与各工作区对应的最近站点之间的距离之和,可以包括:
针对每一工作区,计算该工作区与站点规划路线包括的各站点的距离,找出距离最短的站点为该工作区对应的最近站点,计算该工作区与该最近站点的距离,每个工作区均可以计算得到该工作区与该工作区对应的最近站点的距离,将所有工作区与其分别对应的最近站点的距离求和,即得到各工作区分别与各工作区对应的最近站点之间的距离之和。其中,工作区到站点的距离可以是计算工作区的中心点与站点的距离,本公开实施例中不对工作区与站点的距离的计算方式作限制。
例如,有工作区A、工作区B和工作区C,站点规划路线包括站点1、站点2、站点3、站点4和站点5,比较工作区A分别与站点1、站点2、站点3、站点4和站点5的距离,得到与工作区A距离最短的站点为站点1,则站点1为工作区A对应的最近站点;比较工作区B分别与站点1、站点2、站点3、站点4和站点5的距离,得到与工作区A距离最短的站点为站点2,则站点2为工作区B对应的最近站点;比较工作区C分别与站点1、站点2、站点3、站点4和站点5的距离,得到与工作区A距离最短的站点为站点3,则站点3为工作区C对应的最近站点,将工作区A与站点1的距离、工作区B与站点2的距离以及工作区C与站点3的距离求和,即得到各工作区分别与各工作区对应的最近站点之间的距离之和。
其中,计算各个乘客的坐车距离之和,可以包括:
所有工作区的乘客的坐车距离求和,即得到各个乘客的坐车距离之和。
例如,煤矿井下上班场景,班车的起始站点是井口,这种场景下,所有乘客(各工作区的工人)均从起始站点也即井口上车,而不同工作区的工人会从不同的站点下车,如工作区A的工人从站点1下车,则工作区A的人数乘以起始站点到站点1的距离为工作区A中乘客的坐车距离;如工作区B的工人从站点2下车,则工作区B的人数乘以起始站点到站点2的距离为工作区B中乘客的坐车距离;如工作区C的工人从站点3下车,则工作区C的人数乘以起始站点到站点3的距离为工作区C中乘客的坐车距离,将所有工作区的乘客的坐车距离求和,即得到各个乘客的坐车距离之和。
煤矿井下下班场景,班车的终点站点是井口,不同工作区的工人会从不同的站点上车,而均从终点站点也即井口下车。如工作区A的工人从站点1上车,则工作区A的人数乘以站点1到终点站点的距离为工作区A中乘客的坐车距离;如工作区B的人从站点2上车,则工作区B的人数乘以站点2到终点站点的距离为工作区B中乘客的坐车距离;如工作区C的人从站点3上车,则工作区C的人数乘以站点3到终点站点的距离为工作区C中乘客的坐车距离,将所有工作区的乘客的坐车距离求和,即得到各个乘客的坐车距离之和。
其中,基于发车时间以及起始站点与其他各站点之间的距离,计算下车时间,并利用下车时间与乘客上班时间计算乘客等待时间,可以包括:
不同工作区的工人会从不同的站点下车,即不同工作区的工人会有不同的下车时间,如工作区A的工人从站点1下车,则基于工作区A到站点1的距离计算工作区A的乘客坐车的时间,发车时间加上乘客坐车的时间可以得到乘客的下车时间,下车时间与乘客的上班时间即可得到等待时间,工作区A的工人数量乘以该等待时间可以得到工作区A的乘客等待时间,每个工作区的乘客等待时间均可以通过计算工作区A的乘客等待时间的方式得到,每个工作区的乘客等待时间求和得到乘客等待时间即第三成本。一种方式中,可以假设车辆匀速行驶,则工作区A到站点1的距离与匀速行驶的速度相除即可得到乘客坐车的时间。本公开实施例中对基于工作区到站点的距离计算乘客坐车的时间的方式不作限制,可以根据实际情况来确定。
适应度函数主要是通过个体特征从而判断个体的适应度,也称为评价函数,是根据目标函数用于区分群体中个体好坏的标准。本公开实施例中的适应度函数为多个指标的加权和,指标1是矿工工作面距离最近站点的距离之和,该指标计算工人步行距离总和,也即上述各工作区分别与各工作区对应的最近站点之间的距离之和。指标2是班车行驶距离,也即上述从站点规划路线的起始站点至终点站点的距离,该指标计算班车油耗,距离越远则所需油耗越高。指标3是工人从上车到下车的坐车距离,该指标计算工人坐车距离之和,防止有绕远路线,也即上述各个乘客的坐车距离之和。指标4是工人等待总时间,也即上述乘客等待时间,该指标可以防止矿工等待坐车时间过长,同时起到优化发车时间的作用。
本公开实施例中从多个角度计算乘客成本,能够更丰富地考虑站点规划路线中站点及发车时间带来的乘客成本,提高确定的乘客成本的准确性,进而提高确定的站点规划路线的适应度的准确性。
本公开实施例在启发式算法中使用遗传算法单模型对站点设置与发车时间进行整体建模,避免了混合多模型带来的求解时间过长的问题,与相关技术中的方式相比,本公开实施例采用了遗传算法对发车时间与站点设置进行统一建模,不仅适用于旅游站点设置、传统班车站点设置等问题场景,还适用于下班时间多变、工作区域变化频率较快的煤矿辅助运输场景。也可以理解为,本公开实施例提供的站点规划方法可以应用在交通站点设置场景中,尤其适用于煤炭行业与煤矿辅助运输场景中。
本公开实施例提供的站点规划方法可以端到端的提供发车时间,并且可以设置具体站点,下面以煤矿辅助运输场景为例进行详细说明。
本公开实施例针对煤矿辅助运输场景中路网信息较为复杂、部分班次下班时间不固定、工作区域变化频率较快等问题,提出了一种基于遗传算法进行班车站点与发车时间的规划,规划目标是得到站点设置建议和推荐的班车发车时间,即有顺序的多个站点以及发车时间。
假设井下各类运输车速度没有较大起伏,可以认为矿车在井下是匀速运动,其次所有道路均是双向车道,支持矿车在关键节点处掉头与临时停靠。最后,输入数据表格中不存在小数点级别差异,即初始数据中100.1与100.2是相同点,该项假设保障了基础数据信息的转换与路网拓扑的正常使用。而对于路网拓扑信息,首先需要确定井下路网拓扑中的关键点,使用点与点连接的方式构建拓扑图,并且对路网拓扑的边赋予权重,并且通过最短路径进行寻路,路网拓扑图如上述如2所示。
简单理解,本公开实施例输入井下交通的路网拓扑信息,其次需要输入接下来一个时间周期内的矿工数量、工作区域与上下班时间点等工人相关信息,也即目标乘客信息,另外,可以计算各工作区与其最近站点的距离并保存,在站点规划过程中,将这些距离与路网拓扑信息和目标乘客信息作为算法的输入,以对站点规划路线进行迭代,经过遗传算法计算,若干代选择操作、交叉操作、变异操作后得到站点设置与发车时间的解决方案,也即确定的站点规划路线,可以包括有顺序的多个站点以及发车时间,其中,各工作区与其最近站点的距离可以理解为站点信息,站点信息还可以包括各站点的位置信息。本公开实施例中站点规划的过程可以理解为基于遗传算法进行站点规划的模型,如图5所示,模型输入包括路网拓扑信息、乘客信息(如旷工信息)和站点信息,具体地这些信息在初始化种群的过程以及计算站点规划路线的适应度时会用到,即可以理解站点规划过程中获取这些信息,并执行步骤S501:编码;S502:初始化种群,评估种群中个体适应度;S503:判断是否满足迭代结束条件;若否,执行步骤S504:选择操作;S505:交叉操作;S506:变异操作;若是,则执行S507:得到站点规划及发车时间,S502至S506的过程可以理解为遗传算法的演化过程。计算初始化种群中各个体,也即编码后的站点规划路线的适应度,并基于该适应度对初始化种群进行选择操作、交叉操作、变异操作后,得到迭代后种群,对迭代后种群执行与对初始化种群相同的操作,如此重复,直至满足迭代结束条件,得到目标站点规划路线,发车时间、站点设置的计划。具体地计算适应度,基于当前种群的适应度进行选择操作,进而进行交叉操作、变异操作的过程在上述实施例中已经进行了详细说明,这里暂不赘述。
一个例子中,从定性结果看,本公开实施例可以实现发车时间与站点设置的自动规划;从定量结果看,模型训练稳定后,班车行驶距离为22km,工人步行总距离为31m,工人坐车总距离为3401m。
本公开实施例还提供了一种站点规划装置,如图6所示,可以包括:
获取模块601,用于获取路网拓扑信息和目标乘客信息;路网拓扑信息包括互相连接的多个预先指定的关键地点;目标乘客信息包括:乘客出行的起始点和出行时间;
生成模块602,用于生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群;初始站点规划路线包括预先排序的多个站点,站点是从关键地点中选取的;
迭代模块603,用于基于多个初始站点规划路线的适应度,对初始种群进行迭代,得到迭代后种群;初始站点规划路线的适应度是基于路网拓扑信息和目标乘客信息计算得到的;若迭代次数到达预设遗传迭代次数,或迭代后种群中站点规划路线的适应度满足适应度条件,则从迭代后种群中选择目标站点规划路线。
可选地,迭代模块603,具体用于重复执行步骤:计算当前种群中多个站点规划路线的适应度;基于多个站点规划路线的适应度,从当前种群中选择待操作站点规划路线,对待操作站点规划路线进行交叉操作和变异操作,得到操作后站点规划路线,基于操作后站点规划路线得到迭代后种群,当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是初始种群。
可选地,迭代模块603,具体用于针对当前种群中包括的多个站点规划路线,根据站点规划路线的适应度计算站点规划路线的选择概率;响应于选择概率满足预设阈值,从当前种群中选取选择概率满足预设阈值的站点规划路线作为待操作站点规划路线。
可选地,迭代模块603,具体用于将一待操作站点规划路线中的至少一个站点与另一待操作站点规划路线中的至少一个站点进行交换,得到交叉操作后的待操作站点规划路线;将交叉操作后的待操作站点规划路线中的至少一个站点替换为其他站点,其他站点为除交叉操作后的待操作站点规划路线中各站点之外的站点。
可选地,乘客出行的起始点包括:至少一个乘客所在的至少一个工作区,出行时间包括乘客上班时间和/或下班时间;站点规划路线还包括发车时间;
迭代模块603,具体用于利用至少一个工作区与有顺序的多个站点中各个站点的位置关系,乘客上班时间和/或下班时间与发车时间的关系,计算站点规划路线对应的乘客成本;利用互相连接的多个关键点,计算从站点规划路线的起始站点至终点站点的距离,作为站点规划路线对应的车辆成本;基于乘客成本和车辆成本,确定站点规划路线对应的适应度。
可选地,迭代模块603,具体用于计算乘客成本和车辆成本的加权和,作为站点规划路线对应的适应度。
可选地,乘客成本包括第一成本、第二成本和第三成本;
迭代模块603,具体用于针对各工作区,计算各工作区分别与各工作区对应的最近站点之间的距离之和,作为第一成本;计算各个乘客的坐车距离之和,作为第二成本;基于发车时间以及起始站点与各最近站点之间的距离,计算下车时间,并利用下车时间与乘客上班时间计算乘客等待时间,和/或基于乘客下班时间以及终点站点与各最近站点之间的距离,计算上车时间,并利用上车时间与发车时间计算乘客等待时间,作为第三成本。
可选地,装置还包括:
编码模块,用于对初始站点规划路线包括的有顺序的多个站点进行编码;
迭代模块603,具体用于基于编码后的站点规划路线的适应度,对初始种群进行迭代,得到迭代后种群。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如站点规划方法。例如,在一些实施例中,站点规划方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的站点规划方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行站点规划方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种站点规划方法,包括:
获取路网拓扑信息和目标乘客信息;所述路网拓扑信息包括互相连接的多个预先指定的关键地点;目标乘客信息包括:乘客出行的起始点和出行时间;
生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群;所述初始站点规划路线包括预先排序的多个站点,所述站点是从所述关键地点中选取的;
基于多个初始站点规划路线的适应度,对所述初始种群进行迭代,得到迭代后种群;所述初始站点规划路线的适应度是基于所述路网拓扑信息和所述目标乘客信息计算得到的;
若迭代次数到达预设遗传迭代次数,或所述迭代后种群中站点规划路线的适应度满足适应度条件,则从所述迭代后种群中选择目标站点规划路线。
2.根据权利要求1所述的方法,其中,所述基于多个初始站点规划路线的适应度,对所述初始种群进行迭代,得到迭代后种群,包括:
重复执行步骤:计算当前种群中多个站点规划路线的适应度;基于多个站点规划路线的适应度,从当前种群中选择待操作站点规划路线,对所述待操作站点规划路线进行交叉操作和变异操作,得到操作后站点规划路线,基于所述操作后站点规划路线得到迭代后种群,所述当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是所述初始种群。
3.根据权利要求2所述的方法,其中,所述从当前种群中选择待操作站点规划路线,包括:
针对当前种群中包括的多个站点规划路线,根据所述站点规划路线的适应度计算所述站点规划路线的选择概率;
响应于选择概率满足预设阈值,从当前种群中选取选择概率满足预设阈值的站点规划路线作为待操作站点规划路线。
4.根据权利要求3所述的方法,其中,所述对所述待操作站点规划路线进行交叉操作和变异操作,得到操作后站点规划路线,包括:
将一待操作站点规划路线中的至少一个站点与另一待操作站点规划路线中的至少一个站点进行交换,得到交叉操作后的待操作站点规划路线;
将交叉操作后的待操作站点规划路线中的至少一个站点替换为其他站点,所述其他站点为除交叉操作后的待操作站点规划路线中各站点之外的站点。
5.根据权利要求2所述的方法,其中,所述乘客出行的起始点包括:至少一个乘客所在的至少一个工作区,所述出行时间包括乘客上班时间和/或下班时间;所述站点规划路线还包括发车时间;
所述计算当前种群中多个站点规划路线的适应度,包括:
利用所述至少一个工作区与所述有顺序的多个站点中各个站点的位置关系,所述乘客上班时间和/或下班时间与所述发车时间的关系,计算所述站点规划路线对应的乘客成本;
利用所述互相连接的多个关键点,计算从所述站点规划路线的起始站点至终点站点的距离,作为所述站点规划路线对应的车辆成本;
基于所述乘客成本和所述车辆成本,确定所述站点规划路线对应的适应度。
6.根据权利要求5所述的方法,所述基于所述乘客成本和所述车辆成本,确定所述站点规划路线对应的适应度,包括:
计算所述乘客成本和所述车辆成本的加权和,作为所述站点规划路线对应的适应度。
7.根据权利要求6所述的方法,其中,所述乘客成本包括第一成本、第二成本和第三成本;
所述利用所述至少一个工作区与所述有顺序的多个站点中各个站点的关系,所述乘客上班时间和/或下班时间与所述发车时间的关系,计算所述站点规划路线对应的乘客成本,包括:
针对各工作区,计算各工作区分别与各工作区对应的最近站点之间的距离之和,作为第一成本;
计算各个乘客的坐车距离之和,作为第二成本;
基于发车时间以及起始站点与各最近站点之间的距离,计算下车时间,并利用下车时间与乘客上班时间计算乘客等待时间,和/或基于乘客下班时间以及终点站点与各最近站点之间的距离,计算上车时间,并利用上车时间与发车时间计算乘客等待时间,作为第三成本。
8.根据权利要求1所述的方法,所述方法还包括:
对所述初始站点规划路线包括的有顺序的多个站点进行编码;
所述基于多个初始站点规划路线的适应度,对所述初始种群进行迭代,得到迭代后种群,包括:
基于编码后的站点规划路线的适应度,对所述初始种群进行迭代,得到迭代后种群。
9.一种站点规划装置,包括:
获取模块,用于获取路网拓扑信息和目标乘客信息;所述路网拓扑信息包括互相连接的多个预先指定的关键地点;目标乘客信息包括:乘客出行的起始点和出行时间;
生成模块,用于生成多个初始站点规划路线,得到包括多个初始站点规划路线的初始种群;所述初始站点规划路线包括预先排序的多个站点,所述站点是从所述关键地点中选取的;
迭代模块,用于基于多个初始站点规划路线的适应度,对所述初始种群进行迭代,得到迭代后种群;所述初始站点规划路线的适应度是基于所述路网拓扑信息和所述目标乘客信息计算得到的;若迭代次数到达预设遗传迭代次数,或所述迭代后种群中站点规划路线的适应度满足适应度条件,则从所述迭代后种群中选择目标站点规划路线。
10.根据权利要求9所述的装置,其中,所述迭代模块,具体用于重复执行步骤:计算当前种群中多个站点规划路线的适应度;基于多个站点规划路线的适应度,从当前种群中选择待操作站点规划路线,对所述待操作站点规划路线进行交叉操作和变异操作,得到操作后站点规划路线,基于所述操作后站点规划路线得到迭代后种群,所述当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是所述初始种群。
11.根据权利要求10所述的装置,其中,所述迭代模块,具体用于针对当前种群中包括的多个站点规划路线,根据所述站点规划路线的适应度计算所述站点规划路线的选择概率;响应于选择概率满足预设阈值,从当前种群中选取选择概率满足预设阈值的站点规划路线作为待操作站点规划路线。
12.根据权利要求11所述的装置,其中,所述迭代模块,具体用于将一待操作站点规划路线中的至少一个站点与另一待操作站点规划路线中的至少一个站点进行交换,得到交叉操作后的待操作站点规划路线;将交叉操作后的待操作站点规划路线中的至少一个站点替换为其他站点,所述其他站点为除交叉操作后的待操作站点规划路线中各站点之外的站点。
13.根据权利要求10所述的装置,其中,所述乘客出行的起始点包括:至少一个乘客所在的至少一个工作区,所述出行时间包括乘客上班时间和/或下班时间;所述站点规划路线还包括发车时间;
所述迭代模块,具体用于利用所述至少一个工作区与所述有顺序的多个站点中各个站点的位置关系,所述乘客上班时间和/或下班时间与所述发车时间的关系,计算所述站点规划路线对应的乘客成本;利用所述互相连接的多个关键点,计算从所述站点规划路线的起始站点至终点站点的距离,作为所述站点规划路线对应的车辆成本;基于所述乘客成本和所述车辆成本,确定所述站点规划路线对应的适应度。
14.根据权利要求13所述的装置,所述迭代模块,具体用于计算所述乘客成本和所述车辆成本的加权和,作为所述站点规划路线对应的适应度。
15.根据权利要求14所述的装置,其中,所述乘客成本包括第一成本、第二成本和第三成本;
所述迭代模块,具体用于针对各工作区,计算各工作区分别与各工作区对应的最近站点之间的距离之和,作为第一成本;计算各个乘客的坐车距离之和,作为第二成本;基于发车时间以及起始站点与各最近站点之间的距离,计算下车时间,并利用下车时间与乘客上班时间计算乘客等待时间,和/或基于乘客下班时间以及终点站点与各最近站点之间的距离,计算上车时间,并利用上车时间与发车时间计算乘客等待时间,作为第三成本。
16.根据权利要求9所述的装置,所述装置还包括:
编码模块,用于对所述站点规划路线包括的有顺序的多个站点进行编码;
所述迭代模块,具体用于基于编码后的站点规划路线的适应度,对所述初始种群进行迭代,得到迭代后种群。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211633448.8A CN115775059A (zh) | 2022-12-19 | 2022-12-19 | 一种站点规划方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211633448.8A CN115775059A (zh) | 2022-12-19 | 2022-12-19 | 一种站点规划方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115775059A true CN115775059A (zh) | 2023-03-10 |
Family
ID=85392529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211633448.8A Pending CN115775059A (zh) | 2022-12-19 | 2022-12-19 | 一种站点规划方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775059A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435147A (zh) * | 2020-11-02 | 2021-03-02 | 佛山科学技术学院 | 新高考智能分班方法、系统、计算机设备及存储介质 |
CN116151505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
CN117391270A (zh) * | 2023-10-12 | 2024-01-12 | 华中科技大学 | 一种基于brt专用道的公交线网规划方法 |
-
2022
- 2022-12-19 CN CN202211633448.8A patent/CN115775059A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435147A (zh) * | 2020-11-02 | 2021-03-02 | 佛山科学技术学院 | 新高考智能分班方法、系统、计算机设备及存储介质 |
CN112435147B (zh) * | 2020-11-02 | 2024-04-19 | 佛山科学技术学院 | 新高考智能分班方法、系统、计算机设备及存储介质 |
CN116151505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
CN116151505B (zh) * | 2023-04-20 | 2023-08-04 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
CN117391270A (zh) * | 2023-10-12 | 2024-01-12 | 华中科技大学 | 一种基于brt专用道的公交线网规划方法 |
CN117391270B (zh) * | 2023-10-12 | 2024-05-28 | 华中科技大学 | 一种基于brt专用道的公交线网规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115775059A (zh) | 一种站点规划方法、装置、设备以及存储介质 | |
CN108053062B (zh) | 一种基于多源数据的定制公交线路生成方法 | |
Soltani et al. | Path planning in construction sites: performance evaluation of the Dijkstra, A∗, and GA search algorithms | |
EP4040353B1 (en) | Method for establishing risk prediction model, regional risk prediction method and corresponding apparatus | |
Carreno et al. | A cellular automaton approach to spatial electric load forecasting | |
CN113902011A (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
CN105203097A (zh) | 一种适用于灾后环境的多机器人多目标点救援路径规划方法 | |
CN111557005A (zh) | 用于城区和社区规划的生成式设计管线 | |
CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
Al-Zwainy et al. | Forecasting the cost of structure of infrastructure projects utilizing artificial neural network model (highway projects as case study) | |
CN114510072B (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
CN112053097A (zh) | 一种贷款催收方法、装置、电子设备及存储介质 | |
CN117610435B (zh) | 土木建筑施工混合材料自动配比方法及系统 | |
Wei et al. | City metro network expansion with reinforcement learning | |
CN114862209A (zh) | 运力调度方法、装置、电子设备及存储介质 | |
Ahmed et al. | GIS and genetic algorithm based integrated optimization for rail transit system planning | |
JP2019046021A (ja) | 交通路線計画策定支援装置及び交通路線計画策定の支援方法 | |
CN109816250B (zh) | 一种确定高速公路路网内混凝土桥梁养护优先顺序的方法 | |
CN116824868A (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
Huo et al. | Research on solving postdisaster material distribution and scheduling with improved NSGA-II algorithm | |
Elkabalawy et al. | Optimized resource-constrained method for project schedule compression | |
Shmelova | Integration Deterministic, Stochastic and Non-Stochastic Uncertainty Models in Conflict Situations. | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
Wang et al. | Bi-level programming model for post-disaster emergency supplies scheduling with time windows and its algorithm |
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 |