CN115790636B - 基于大数据的无人驾驶零售车巡航路径规划方法及装置 - Google Patents
基于大数据的无人驾驶零售车巡航路径规划方法及装置 Download PDFInfo
- Publication number
- CN115790636B CN115790636B CN202310050671.8A CN202310050671A CN115790636B CN 115790636 B CN115790636 B CN 115790636B CN 202310050671 A CN202310050671 A CN 202310050671A CN 115790636 B CN115790636 B CN 115790636B
- Authority
- CN
- China
- Prior art keywords
- data
- real
- unmanned retail
- network structure
- retail vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供了一种基于大数据的无人驾驶零售车巡航路径规划方法及装置,涉及无人驾驶车辆技术领域,包括:获取城市地图数据、无人驾驶零售车历史营运数据、实时交通信息、实时人流监测数据和实时网页浏览数据;将所述无人驾驶零售车历史营运数据进行聚类处理得到营运区域集合;根据所述城市地图数据和所述营运区域集合建立城市网络结构模型;基于神经网络算法构建得到客户需求预测数学模型,计算得到预测结果;根据排序后的所述城市网络结构模型和所述实时交通信息得到巡航路径。本发明通过识别客户的消费模式和预测消费趋势,能够准确预测出潜在的消费行为,提升无人驾驶零售车的收入能力。
Description
技术领域
本发明涉及无人驾驶车辆技术领域,具体而言,涉及一种基于大数据的无人驾驶零售车巡航路径规划方法及装置。
背景技术
无人驾驶零售车是一种专门为零售环境而设计的自动驾驶车辆。这些车辆配备了环境数据收集传感器(例如摄像头、激光雷达、红外雷达等)和人工智能模式下的无人驾驶技术,使它们能够在拥挤的环境中运行并销售相关的产品,包括饮料、早餐、快餐等。为了提升无人驾驶零售车的销售额和销售效率,需要对无人驾驶零售车巡航路径进行科学的规划,现有的无人驾驶零售车巡航路径规划方法主要是依据人口流动情况,将无人驾驶零售车布置在人流密集的商业街、广场、地铁站口等区域,并按照固定的路线循环行驶。这样的规划方法存会导致车辆只在一些固定的区域运行,无法适应需求的变化或客户偏好的变化,限制其产生收入的能力。
基于上述问题,现如今需要一种能够基于大数据确定无人驾驶零售车的精确营运区域,并建立客户需求预测数学模型得到准确可靠的客户需求,进而实现自动规划无人驾驶零售车巡航路径的方法。
发明内容
本发明的目的在于提供一种基于大数据的无人驾驶零售车巡航路径规划方法及装置,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
一方面,本申请提供了一种基于大数据的无人驾驶零售车巡航路径规划方法,包括:
获取城市地图数据、无人驾驶零售车历史营运数据、实时交通信息、实时人流监测数据和实时网页浏览数据;
将所述无人驾驶零售车历史营运数据进行聚类处理得到营运区域集合,所述营运区域集合包括至少一个可供无人驾驶零售车进行停靠的营运区域名称及其对应的位置信息;
根据所述城市地图数据和所述营运区域集合建立城市网络结构模型,所述城市网络结构模型中包括至少两个节点和至少一个边,所述节点为营运区域,所述边表示所述节点间可供无人驾驶零售车行驶的有效路径;
基于神经网络算法构建得到客户需求预测数学模型,将所述实时人流监测数据和所述实时网页浏览数据作为所述客户需求预测数学模型的输入值计算得到预测结果,所述预测结果包括所述营运区域名称以及对应的量化需求值;
基于所述预测结果对所述城市网络结构模型中的所有所述节点按照重要度进行排序,并根据排序后的所述城市网络结构模型和所述实时交通信息得到巡航路径。
另一方面,本申请还提供了一种基于大数据的无人驾驶零售车巡航路径规划装置,包括:
获取模块,用于获取城市地图数据、无人驾驶零售车历史营运数据、实时交通信息、实时人流监测数据和实时网页浏览数据;
聚类模块,用于将所述无人驾驶零售车历史营运数据进行聚类处理得到营运区域集合,所述营运区域集合包括至少一个可供无人驾驶零售车进行停靠的营运区域名称及其对应的位置信息;
构建模块,用于根据所述城市地图数据和所述营运区域集合建立城市网络结构模型,所述城市网络结构模型中包括至少两个节点和至少一个边,所述节点为营运区域,所述边表示所述节点间可供无人驾驶零售车行驶的有效路径;
分析模块,基于神经网络算法构建得到客户需求预测数学模型,将所述实时人流监测数据和所述实时网页浏览数据作为所述客户需求预测数学模型的输入值计算得到预测结果,所述预测结果包括所述营运区域名称以及对应的量化需求值;
输出模块,基于所述预测结果对所述城市网络结构模型中的所有所述节点按照重要度进行排序,并根据排序后的所述城市网络结构模型和所述实时交通信息得到巡航路径。
本发明的有益效果为:
本发明通过对历史营运数据进行聚类处理得到无人驾驶零售车营运区域集合,将营运区域集合定义为节点并结合城市地图数据构建城市网络结构模型,基于实时的信息预测客户需求并城市网络结构模型中的节点进行重要度排序,进而对无人驾驶零售车的巡航路径进行自动规划。通过识别客户的消费模式和预测消费趋势,能够准确预测出潜在的消费行为,提高无人驾驶零售车的服务水平,提升无人驾驶零售车的收入能力。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的基于大数据的无人驾驶零售车巡航路径规划方法流程示意图;
图2为本发明实施例中所述的基于大数据的无人驾驶零售车巡航路径规划装置结构示意图。
图中标记:1、获取模块;2、聚类模块;21、第一处理单元;22、第一聚类单元;23、第二处理单元;24、第一计算单元;25、第三处理单元;3、构建模块;31、第四处理单元;32、第五处理单元;33、第六处理单元;34、第一构建单元;4、分析模块;41、第一提取单元;42、第二构建单元;43、第二计算单元;44、第七处理单元;5、输出模块;51、第三计算单元;52、第八处理单元;53、第四计算单元;54、第九处理单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种基于大数据的无人驾驶零售车巡航路径规划方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100、获取城市地图数据、无人驾驶零售车历史营运数据、实时交通信息、实时人流监测数据和实时网页浏览数据。
可以理解的是,在本步骤中,收集并准备必要的数据以供后续步骤使用,其中城市地图数据包括有关城市布局和结构的详细信息,包括道路、交叉路口、建筑物和其他特征,无人零售车辆的历史营运数据包括有关车辆过去营运区域的信息,实时交通信息包括有关城市当前交通状况的信息,例如拥堵、事故和其他中断的位置和严重程度,实时人群监测数据包括有关城市不同区域当前人群水平的信息,实时网络浏览数据包括有关用户当前访问的网站和页面的信息。
步骤S200、将无人驾驶零售车历史营运数据进行聚类处理得到营运区域集合,营运区域集合包括至少一个可供无人驾驶零售车进行停靠的营运区域名称及其对应的位置信息。
可以理解的是,在本步骤中,可以理解的是,在本步骤中,对于无人驾驶零售车,历史营运数据包括有关车辆过去营运地点的信息,以及车辆在这些地点之间所走的路线。通过对这些数据使用聚类算法,我们可以识别出车辆运行最频繁的区域,并根据它们的相似性将它们分组。需要说明的是,步骤S200包括步骤S210、步骤S220、步骤S230、步骤S240和步骤S250。
步骤S210、将历史营运数据进行预处理得到标准数据集,历史营运数据包括至少一个无人驾驶零售车产生交易的位置以及对应的交易额,预处理的方式包括去重处理、异常值处理和归一化处理。
可以理解的是,在本步骤中,历史营运数据将被处理并转换为标准化格式,以便在流程的后续步骤中使用,确保历史营运数据准确和一致。
步骤S220、基于K-means算法对标准数据集进行聚类分析得到至少三个聚类簇,每个聚类簇包括至少两个数据点。
可以理解的是,在本步骤中,使用K-means算法对标准数据集进行聚类分析。聚类分析是一种无监督学习算法,可用于根据数据的相似性或其他共同特征将数据分组到聚类中。K-means 算法是一种特定类型的聚类分析算法,它使用基于质心的方法来识别数据中的聚类。通过对数据进行聚类分析,可以识别出彼此相似的交易地点和交易额。这有助于提高数据的准确性和可靠性。
步骤S230、根据聚类簇内所有数据点的交易额总数和预设的交易额阈值筛选得到至少两个主要聚类簇。
可以理解的是,在本步骤中,进一步处理和分析上一步中生成的聚类簇,以识别与车辆巡航路径规划相关的主要聚类。这是通过考虑每个集群中所有数据点的总交易量,并将其与预设交易量阈值进行比较来完成的。本步骤的目的是根据车辆过去的交易数据和位置信息识别最重要的集群,并排除其他不太相关或不重要的集群。通过将每个集群的总交易量与预设阈值进行比较,可以准确识别出最有可能与车辆巡航路径规划相关的主要集群。
步骤S240、根据每个主要聚类簇中所有数据点的平均值计算得到集群中心,集群中心对应营运区域的位置信息。
可以理解的是,在本步骤中,通过计算每个聚类中所有数据点的平均值得到聚类中心。这个平均值代表了集群的中心,可以用来标识集群对应的营运区域的位置。
步骤S250、对所有集群中心进行命名并将集群中心的位置信息与城市地图中的相应位置进行对应,得到营运区域集合。
可以理解的是,在本步骤中,对上一步生成的聚类中心的位置信息映射到城市地图上的相应位置然后使用该位置命名聚类中心。这样的目的是为了获得一组营运区域,可以识别车辆过去运行过并且未来可能运行的具体位置。此外可以更轻松地实施和管理流程,降低出错的风险。
步骤S300、根据城市地图数据和营运区域集合建立城市网络结构模型,城市网络结构模型中包括至少两个节点和至少一个边,节点为营运区域,边表示节点间可供无人驾驶零售车行驶的有效路径。
可以理解的是,在本步骤中,为了建立城市网络结构模型,将城市地图数据和营运区域集合用于识别车辆过去营运和未来可能营运的位置。然后使用这些位置来定义模型的节点,并根据车辆行驶和销售的效率确定节点之间的路径。可以提高后续步骤生成的巡航路径的准确性和可靠性。需要说明的是,步骤S300包括步骤S310、步骤S320、步骤S330和步骤S340。
步骤S310、对城市地图数据和营运区域集合进行特征提取,得到营运区域的位置数据和营运区域之间的路径数据。
可以理解的是,在本步骤中,运用主成分分析 (PCA)进行特征提取,主成分分析(PCA)是一种常用于提取数据集最重要特征的方法。它涉及将数据投影到低维空间,以识别数据中的底层结构和模式。
步骤S320、将位置数据和路径数据进行预处理后训练卷积神经网络,生成城市网络结构的预测信息。
可以理解的是,在本步骤中,对上一步中获得的位置数据和路径数据进行预处理,以训练卷积神经网络(CNN),最终生成城市网络结构的预测信息,该预测信息可以表示出无人驾驶零售车在城市轨道交通中的运行规律,该信息可用于后续步骤实现对车辆巡航路线的规划。卷积神经网络 (CNN)是一种深度学习算法,通常用于分类任务。为了预处理用于训练卷积神经网络(CNN)的位置数据和路线数据,以适合卷积神经网络(CNN)学习的方式需要对数据进行清洗、转换和格式化。涉及的预处理技术包括归一化、缩放和降维,以提高卷积神经网络(CNN)的性能。
步骤S330、对预测信息进行分析得到分析结果,分析结果包括无人驾驶零售车客户的行为和趋势结论。
可以理解的是,在本步骤中,通过对预测信息进行分析揭示其潜在结构、模式和趋势,推导出无人驾驶零售车客户的消费行为中包含的规律和重要因素。
步骤S340、根据预测信息和分析结果构建得到城市网络结构模型。
可以理解的是,在本步骤中,在预测分析的基础上建立城市网络模型的过程,通过及收集有关城市网络当前状态的数据,例如有关道路和交通系统布局的信息,以及有关人口密度、人流变化情况、车流情况等数据,然后使用这些数据创建一个模型,预测城市网络将如何随时间演变。
步骤S400、基于神经网络算法构建得到客户需求预测数学模型,将实时人流监测数据和实时网页浏览数据作为客户需求预测数学模型的输入值计算得到预测结果,预测结果包括营运区域名称以及对应的量化需求值。
可以理解的是,在本步骤中通常使用神经网络算法构建创建模型以预测客户对产品的需求的过程,实现对未来需求做出更准确的预测。需要说明的是,步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、基于自然语言处理技术对实时人流监测数据和实时网页浏览数据进行识别和提取语义得到关键词信息,关键词信息包括无人驾驶零售车进行销售的产品名称、搜索的次数以及搜索信息产生的位置信息。
可以理解的是,在本步骤中使用自然语言处理技术能够更好地了解消费者的行为和偏好。通过分析关键词信息,可以识别客户的消费模式和消费趋势,能够准确预测出潜在的消费行为。
步骤S420、基于前馈神经网络算法构建得到客户需求预测数学模型。
可以理解的是,在本步骤中前馈神经网络算法用于创建用于预测客户需求的数学模型。该模型使用过去对产品的需求以及其他相关因素(例如市场趋势和消费者行为模式)的数据进行训练。使用前馈神经网络算法的优点为可以对未来需求做出更准确的预测。这可以帮助优化运输和停靠售卖流程,避免无人驾驶零售车营运区域供应过剩或不足。
步骤S430、根据关键词信息和客户需求预测数学模型得到预测结果。
可以理解的是,在本步骤中,将关键词信息输入到客户需求预测数学模型中,该模型使用经过训练的算法和技术处理这些信息,并生成对产品未来需求的预测。通过使用实时数据和高度灵活的数学模型,可以实时地跟踪客户消费行为的变化,并针对性相应地调整无人驾驶零售车的主要营运区域。
步骤S440、对客户需求预测数学模型进行定期更新并输出最新的预测结果。
可以理解的是,在本步骤中,通过收集过去对产品的需求以及其他相关因素(例如市场趋势和消费者行为模式)的新数据定期更新客户需求预测数学模型,提高其准确性和性能。
步骤S500、基于预测结果对城市网络结构模型中的所有节点按照重要度进行排序,并根据排序后的城市网络结构模型和实时交通信息得到巡航路径。
可以理解的是,在本步骤中,根据客户的需求对城市网络结构模型中节点按照重要度进行排序,确定无人驾驶零售车巡航经过区域的优先级,并避开拥堵区域生成巡航路径以指导无人驾驶零售车行驶。需要说明的是,步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。
步骤S510、根据预测结果得到述城市网络结构模型中所有节点的权重,根据权重建立权重矩阵。
可以理解的是,在本步骤根据客户需求预测数学模型的预测结果,对城市网络模型中各节点的重要性进行量化的过程。建立的权重矩阵将模型中每个节点重要性通过数值进行表示,可用于制定决策和规划。
步骤S520、基于权重矩阵对城市网络结构模型的节点按照重要性进行排序。
可以理解的是,在本步骤是根据上一步得到的权重矩阵,对城市网络模型中的节点进行重要性排序的过程。该排名由节点的权重决定,这些权重是根据节点位置的实时人流监测数据、服务的客户数量以及它们与关键位置(如购物区或交通枢纽)的接近程度等因素计算得出的。
步骤S530、将城市网络结构模型中最重要的节点作为起始点,按照重要性降序依次访问其他节点得到巡航路径。
可以理解的是,在本步骤中首先确定起始节点,然后根据上一步获得的节点重要度排名,规划一条巡航路径,按照重要性从高到低的顺序访问城市网络模型中的其他节点,指导无人驾驶零售车行驶。
步骤S540、根据实时交通信息对巡航路径进行实时调整。
可以理解的是,在本步骤中,为了实时调整巡航路线,无人零售车使用传感器收集有关道路网络当前状态的数据,这些数据用于实时更新巡航路径,确保车辆避开拥堵区域或其他潜在问题。这样的方法可以最大限度地减少无人驾驶零售车在路上花费的时间,提高无人驾驶零售车的销售效率。
实施例2:
如图2所示,本实施例提供了一种基于大数据的无人驾驶零售车巡航路径规划装置,装置包括:
获取模块1,用于获取城市地图数据、无人驾驶零售车历史营运数据、实时交通信息、实时人流监测数据和实时网页浏览数据。
聚类模块2,用于将无人驾驶零售车历史营运数据进行聚类处理得到营运区域集合,营运区域集合包括至少一个可供无人驾驶零售车进行停靠的营运区域名称及其对应的位置信息。
构建模块3,用于根据城市地图数据和营运区域集合建立城市网络结构模型,城市网络结构模型中包括至少两个节点和至少一个边,节点为营运区域,边表示节点间可供无人驾驶零售车行驶的有效路径。
分析模块4,基于神经网络算法构建得到客户需求预测数学模型,将实时人流监测数据和实时网页浏览数据作为客户需求预测数学模型的输入值计算得到预测结果,预测结果包括营运区域名称以及对应的量化需求值。
输出模块5,基于预测结果对城市网络结构模型中的所有节点按照重要度进行排序,并根据排序后的城市网络结构模型和实时交通信息得到巡航路径。
在本公开的一种具体实施方式中,聚类模块2包括:
第一处理单元21,用于将历史营运数据进行预处理得到标准数据集,历史营运数据包括至少一个无人驾驶零售车产生交易的位置以及对应的交易额,预处理的方式包括去重处理、异常值处理和归一化处理。
第一聚类单元22,基于K-means算法对标准数据集进行聚类分析得到至少三个聚类簇,每个聚类簇包括至少两个数据点。
第二处理单元23,用于根据聚类簇内所有数据点的交易额总数和预设的交易额阈值筛选得到至少两个主要聚类簇。
第一计算单元24,用于根据每个主要聚类簇中所有数据点的平均值计算得到集群中心,集群中心对应营运区域的位置信息。
第三处理单元25,用于对所有集群中心进行命名并将集群中心的位置信息与城市地图中的相应位置进行对应,得到营运区域集合。
在本公开的一种具体实施方式中,构建模块3包括:、
第四处理单元31,用于对城市地图数据和营运区域集合进行特征提取,得到营运区域的位置数据和营运区域之间的路径数据。
第五处理单元32,用于将位置数据和路径数据进行预处理后训练卷积神经网络,生成城市网络结构的预测信息。
第六处理单元33,用于对预测信息进行分析得到分析结果,分析结果包括无人驾驶零售车客户的行为和趋势结论。
第一构建单元34,用于根据预测信息和分析结果构建得到城市网络结构模型。
在本公开的一种具体实施方式中,分析模块4包括:
第一提取单元41,基于自然语言处理技术对实时人流监测数据和实时网页浏览数据进行识别和提取语义得到关键词信息,关键词信息包括无人驾驶零售车进行销售的产品名称、搜索的次数以及搜索信息产生的位置信息。
第二构建单元42,基于前馈神经网络算法构建得到客户需求预测数学模型。
第二计算单元43,用于根据关键词信息和客户需求预测数学模型得到预测结果。
第七处理单元44,用于对客户需求预测数学模型进行定期更新并输出最新的预测结果。
在本公开的一种具体实施方式中,输出模块5包括:
第三计算单元51,用于根据预测结果得到述城市网络结构模型中所有节点的权重,根据权重建立权重矩阵。
第八处理单元52,基于权重矩阵对城市网络结构模型的节点按照重要性进行排序。
第四计算单元53,用于将城市网络结构模型中最重要的节点作为起始点,按照重要性降序依次访问其他节点得到巡航路径。
第九处理单元54,用于根据实时交通信息对巡航路径进行实时调整。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于大数据的无人驾驶零售车巡航路径规划方法,其特征在于,包括:
获取城市地图数据、无人驾驶零售车历史营运数据、实时交通信息、实时人流监测数据和实时网页浏览数据;
将所述无人驾驶零售车历史营运数据进行聚类处理得到营运区域集合,所述营运区域集合包括至少一个可供无人驾驶零售车进行停靠的营运区域名称及其对应的位置信息;
根据所述城市地图数据和所述营运区域集合建立城市网络结构模型,所述城市网络结构模型中包括至少两个节点和至少一个边,所述节点为营运区域,所述边表示所述节点间可供无人驾驶零售车行驶的有效路径;
基于神经网络算法构建得到客户需求预测数学模型,将所述实时人流监测数据和所述实时网页浏览数据作为所述客户需求预测数学模型的输入值计算得到预测结果,所述预测结果包括所述营运区域名称以及对应的量化需求值;
基于所述预测结果对所述城市网络结构模型中的所有所述节点按照重要度进行排序,并根据排序后的所述城市网络结构模型和所述实时交通信息得到巡航路径;
其中,将所述无人驾驶零售车历史营运数据进行聚类处理得到营运区域集合,包括:
将所述历史营运数据进行预处理得到标准数据集,所述历史营运数据包括至少一个无人驾驶零售车产生交易的位置以及对应的交易额,所述预处理的方式包括去重处理、异常值处理和归一化处理;
基于K-means算法对所述标准数据集进行聚类分析得到至少三个聚类簇,每个所述聚类簇包括至少两个数据点;
根据所述聚类簇内所有所述数据点的交易额总数和预设的交易额阈值筛选得到至少两个主要聚类簇;
根据每个所述主要聚类簇中所有数据点的平均值计算得到集群中心,所述集群中心对应营运区域的位置信息;
对所有所述集群中心进行命名并将所述集群中心的位置信息与城市地图中的相应位置进行对应,得到营运区域集合。
2.根据权利要求1所述的基于大数据的无人驾驶零售车巡航路径规划方法,其特征在于,根据所述城市地图数据和所述营运区域集合建立城市网络结构模型,包括:
对所述城市地图数据和所述营运区域集合进行特征提取,得到营运区域的位置数据和所述营运区域之间的路径数据;
将所述位置数据和所述路径数据进行预处理后训练卷积神经网络,生成城市网络结构的预测信息;
对所述预测信息进行分析得到分析结果,所述分析结果包括无人驾驶零售车客户的行为和趋势结论;
根据所述预测信息和分析结果构建得到所述城市网络结构模型。
3.根据权利要求1所述的基于大数据的无人驾驶零售车巡航路径规划方法,其特征在于,基于神经网络算法构建得到客户需求预测数学模型,将所述实时人流监测数据和所述实时网页浏览数据作为所述客户需求预测数学模型的输入值计算得到预测结果,包括:
基于自然语言处理技术对实时人流监测数据和所述实时网页浏览数据进行识别和提取语义得到关键词信息,所述关键词信息包括无人驾驶零售车进行销售的产品名称、搜索的次数以及搜索信息产生的位置信息;
基于前馈神经网络算法构建得到客户需求预测数学模型;
根据所述关键词信息和所述客户需求预测数学模型得到所述预测结果;
对所述客户需求预测数学模型进行定期更新并输出最新的所述预测结果。
4.根据权利要求1所述的基于大数据的无人驾驶零售车巡航路径规划方法,其特征在于,基于所述预测结果对所述城市网络结构模型中的所有所述节点按照重要度进行排序,并根据排序后的所述城市网络结构模型和所述实时交通信息得到巡航路径,包括:
根据所述预测结果得到述城市网络结构模型中所有所述节点的权重,根据所述权重建立权重矩阵;
基于权重矩阵对所述城市网络结构模型的节点按照重要性进行排序;
将所述城市网络结构模型中最重要的节点作为起始点,按照重要性降序依次访问其他节点得到巡航路径;
根据所述实时交通信息对所述巡航路径进行实时调整。
5.一种基于大数据的无人驾驶零售车巡航路径规划装置,其特征在于,包括:
获取模块,用于获取城市地图数据、无人驾驶零售车历史营运数据、实时交通信息、实时人流监测数据和实时网页浏览数据;
聚类模块,用于将所述无人驾驶零售车历史营运数据进行聚类处理得到营运区域集合,所述营运区域集合包括至少一个可供无人驾驶零售车进行停靠的营运区域名称及其对应的位置信息;
构建模块,用于根据所述城市地图数据和所述营运区域集合建立城市网络结构模型,所述城市网络结构模型中包括至少两个节点和至少一个边,所述节点为营运区域,所述边表示所述节点间可供无人驾驶零售车行驶的有效路径;
分析模块,基于神经网络算法构建得到客户需求预测数学模型,将所述实时人流监测数据和所述实时网页浏览数据作为所述客户需求预测数学模型的输入值计算得到预测结果,所述预测结果包括所述营运区域名称以及对应的量化需求值;
输出模块,基于所述预测结果对所述城市网络结构模型中的所有所述节点按照重要度进行排序,并根据排序后的所述城市网络结构模型和所述实时交通信息得到巡航路径;
其中,所述聚类模块包括:
第一处理单元,用于将所述历史营运数据进行预处理得到标准数据集,所述历史营运数据包括至少一个无人驾驶零售车产生交易的位置以及对应的交易额,所述预处理的方式包括去重处理、异常值处理和归一化处理;
第一聚类单元,基于K-means算法对所述标准数据集进行聚类分析得到至少三个聚类簇,每个所述聚类簇包括至少两个数据点;
第二处理单元,用于根据所述聚类簇内所有所述数据点的交易额总数和预设的交易额阈值筛选得到至少两个主要聚类簇;
第一计算单元,用于根据每个所述主要聚类簇中所有数据点的平均值计算得到集群中心,所述集群中心对应营运区域的位置信息;
第三处理单元,用于对所有所述集群中心进行命名并将所述集群中心的位置信息与城市地图中的相应位置进行对应,得到营运区域集合。
6.根据权利要求5所述的基于大数据的无人驾驶零售车巡航路径规划装置,其特征在于,所述构建模块包括:
第四处理单元,用于对所述城市地图数据和所述营运区域集合进行特征提取,得到营运区域的位置数据和所述营运区域之间的路径数据;
第五处理单元,用于将所述位置数据和所述路径数据进行预处理后训练卷积神经网络,生成城市网络结构的预测信息;
第六处理单元,用于对所述预测信息进行分析得到分析结果,所述分析结果包括无人驾驶零售车客户的行为和趋势结论;
第一构建单元,用于根据所述预测信息和分析结果构建得到所述城市网络结构模型。
7.根据权利要求5所述的基于大数据的无人驾驶零售车巡航路径规划装置,其特征在于,所述分析模块包括:
第一提取单元,基于自然语言处理技术对实时人流监测数据和所述实时网页浏览数据进行识别和提取语义得到关键词信息,所述关键词信息包括无人驾驶零售车进行销售的产品名称、搜索的次数以及搜索信息产生的位置信息;
第二构建单元,基于前馈神经网络算法构建得到客户需求预测数学模型;
第二计算单元,用于根据所述关键词信息和所述客户需求预测数学模型得到所述预测结果;
第七处理单元,用于对所述客户需求预测数学模型进行定期更新并输出最新的所述预测结果。
8.根据权利要求5所述的基于大数据的无人驾驶零售车巡航路径规划装置,其特征在于,所述输出模块包括:
第三计算单元,用于根据所述预测结果得到述城市网络结构模型中所有所述节点的权重,根据所述权重建立权重矩阵;
第八处理单元,基于权重矩阵对所述城市网络结构模型的节点按照重要性进行排序;
第四计算单元,用于将所述城市网络结构模型中最重要的节点作为起始点,按照重要性降序依次访问其他节点得到巡航路径;
第九处理单元,用于根据所述实时交通信息对所述巡航路径进行实时调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050671.8A CN115790636B (zh) | 2023-02-01 | 2023-02-01 | 基于大数据的无人驾驶零售车巡航路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050671.8A CN115790636B (zh) | 2023-02-01 | 2023-02-01 | 基于大数据的无人驾驶零售车巡航路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115790636A CN115790636A (zh) | 2023-03-14 |
CN115790636B true CN115790636B (zh) | 2023-04-14 |
Family
ID=85429461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310050671.8A Active CN115790636B (zh) | 2023-02-01 | 2023-02-01 | 基于大数据的无人驾驶零售车巡航路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115790636B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151506B (zh) * | 2023-04-21 | 2023-06-27 | 成都工业职业技术学院 | 基于天气的无人驾驶车辆实时营运路线确定方法及装置 |
CN116433269B (zh) * | 2023-06-13 | 2023-08-18 | 四川交通职业技术学院 | 基于大数据的片区式无人驾驶车辆停车场收费方法及装置 |
CN116485063B (zh) * | 2023-06-20 | 2023-08-18 | 成都工业职业技术学院 | 一种基于大数据的无人驾驶碾压机群控制方法及装置 |
CN116562598B (zh) * | 2023-07-07 | 2023-09-19 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
CN117196266B (zh) * | 2023-11-07 | 2024-01-23 | 成都工业职业技术学院 | 基于神经网络的无人驾驶共享汽车区域调度方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111683134A (zh) * | 2020-06-04 | 2020-09-18 | 勇鸿(重庆)信息科技有限公司 | 基于区块链技术的分布式车联网数据传输系统及方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8860587B2 (en) * | 2011-07-25 | 2014-10-14 | Christopher Andrew Nordstrom | Interfacing customers with mobile vendors |
US10275975B2 (en) * | 2016-08-19 | 2019-04-30 | Walmart Apollo, Llc | Apparatus and method for mobile vending |
US11151992B2 (en) * | 2017-04-06 | 2021-10-19 | AIBrain Corporation | Context aware interactive robot |
EP3679532A4 (en) * | 2017-09-06 | 2021-02-24 | Little Caesar Enterprises, Inc. | DYNAMIC SALES SYSTEM AND PROCEDURE |
CN108510168A (zh) * | 2018-03-16 | 2018-09-07 | 江苏智通交通科技有限公司 | 基于交通事故关联规则的营运车辆路径规划方法 |
US11460849B2 (en) * | 2018-08-09 | 2022-10-04 | Cobalt Robotics Inc. | Automated route selection by a mobile robot |
US20200226506A1 (en) * | 2018-11-14 | 2020-07-16 | Shashank Srivastava | Methods and systems for automated salesbeat optimization |
CN112633076A (zh) * | 2020-12-01 | 2021-04-09 | 厦门大学 | 基于大数据分析的营运车辆监控系统 |
CN114444747A (zh) * | 2022-02-16 | 2022-05-06 | 西华大学 | 基于rfid技术的电子票务系统 |
CN114475664B (zh) * | 2022-03-17 | 2023-09-01 | 西华大学 | 一种拥堵路段自动驾驶车辆变道协调控制方法 |
CN114444985B (zh) * | 2022-04-11 | 2022-06-28 | 新石器慧通(北京)科技有限公司 | 基于无人车的移动售卖路径动态调整方法及装置 |
CN114549089A (zh) * | 2022-04-25 | 2022-05-27 | 新石器慧通(北京)科技有限公司 | 一种查找无人车巡售热销服务站点的方法及装置 |
CN115565147A (zh) * | 2022-11-03 | 2023-01-03 | 西华大学 | 基于大数据的无人驾驶自动清洁车辆的清洁方法及装置 |
-
2023
- 2023-02-01 CN CN202310050671.8A patent/CN115790636B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111683134A (zh) * | 2020-06-04 | 2020-09-18 | 勇鸿(重庆)信息科技有限公司 | 基于区块链技术的分布式车联网数据传输系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115790636A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115790636B (zh) | 基于大数据的无人驾驶零售车巡航路径规划方法及装置 | |
Yuan et al. | A survey of traffic prediction: from spatio-temporal data to intelligent transportation | |
Mazimpaka et al. | Trajectory data mining: A review of methods and applications | |
Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
Chen et al. | Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
Siami et al. | A mobile telematics pattern recognition framework for driving behavior extraction | |
EP3196812A1 (en) | Smoothed dynamic modelling of user travelling preferences in a public transportation system | |
Jiang et al. | A destination prediction network based on spatiotemporal data for bike-sharing | |
Qu et al. | How many vehicles do we need? Fleet sizing for shared autonomous vehicles with ridesharing | |
Sester et al. | Revealing underlying structure and behaviour from movement data | |
Sardinha et al. | Context-aware demand prediction in bike sharing systems: Incorporating spatial, meteorological and calendrical context | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
Bing et al. | Integrating semantic zoning information with the prediction of road link speed based on taxi GPS data | |
CN116433269B (zh) | 基于大数据的片区式无人驾驶车辆停车场收费方法及装置 | |
Chen et al. | Enhancing travel time prediction with deep learning on chronological and retrospective time order information of big traffic data | |
Wang et al. | Dynamic traffic prediction based on traffic flow mining | |
CN115790635A (zh) | 基于区块链的无人驾驶运输车行驶路线规划方法及装置 | |
Ajani et al. | Dynamic path planning approaches based on artificial intelligence and machine learning | |
Fang et al. | A trip-based network travel risk: Definition and prediction | |
Zhou et al. | Refined taxi demand prediction with ST-Vec | |
Subowo et al. | Ant Colony Algorithm for Determining Dynamic Travel Routes Based on Traffic Information from Twitter | |
Berdeddouch et al. | Recommender System for Most Relevant K Pick-Up Points | |
Liu et al. | An entropy-based model for recommendation of taxis’ cruising route |
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 |