CN116402420A - 用于运输车辆的智能网络管理与调度方法及系统 - Google Patents

用于运输车辆的智能网络管理与调度方法及系统 Download PDF

Info

Publication number
CN116402420A
CN116402420A CN202310051791.XA CN202310051791A CN116402420A CN 116402420 A CN116402420 A CN 116402420A CN 202310051791 A CN202310051791 A CN 202310051791A CN 116402420 A CN116402420 A CN 116402420A
Authority
CN
China
Prior art keywords
transportation
information
transport
vehicle
vehicles
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.)
Withdrawn
Application number
CN202310051791.XA
Other languages
English (en)
Inventor
方苗旭
袁童谣
王小珍
董艺萌
齐帅
张志飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lover Health Science and Technology Development Co Ltd
Original Assignee
Zhejiang Lover Health Science and Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lover Health Science and Technology Development Co Ltd filed Critical Zhejiang Lover Health Science and Technology Development Co Ltd
Priority to CN202310051791.XA priority Critical patent/CN116402420A/zh
Publication of CN116402420A publication Critical patent/CN116402420A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于网络信息技术领域，具体涉及用于运输车辆的智能网络管理与调度方法及系统。方法包括：S1，获取所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；S2，分析得到运输任务分布情况和运输车辆分布的特征信息；S3，建立多运输车辆路径规划模型；S4，提取各区域任务量和运输车辆分布情况的特征信息；S5，将特征信息和运输车辆的当前信息，输入多运输车辆路径规划模型，最终输出智能调度中心规划的每辆运输车辆的最优行驶路线，并预测各区域后续所需运输量和运输车辆调度的信息。本发明具有能够优化运输车辆的区域分配，提高运输车辆利用率，节约成本，提高生产效益的特点。

Description

用于运输车辆的智能网络管理与调度方法及系统
技术领域
本发明属于网络信息技术领域，具体涉及用于运输车辆的智能网络管理与调度方法及系统。
背景技术
近年来随着人工智能、大数据、物联网等技术的快速发展，移动运输车辆由于智能化、活动范围广、可靠性高的优点，所以其在无人仓储、智慧物流、智能工厂等场所得到快速推广和频繁应用。基于物流系统应用领域的不断扩展，专家学者不断深入研究运输车辆的技术，实现运输车辆的高效率运行，对我国制造产业带来了积极的作用。
多运输车辆系统具备容错能力强，高效率作业，分布式感知等，可以减低运输成本，降低人工成本、管理成本和库存成本。然而现有技术中缺乏针对多运输车辆的管理调度和路径优化的方法。
因此，设计一种能够优化运输车辆的区域分配，提高运输车辆利用率，节约成本，提高生产效益的用于运输车辆的智能网络管理与调度方法及系统，就显得十分重要。
例如，申请号为CN202111116534.7的中国专利文献描述的一种基于车载网络的车辆调度和管理系统的实现方法，车载网络区域调度系统包括一个控制器、两个以上的接入节点和两个以上的车辆节点；每种类型的数据由一个名称唯一标识；车辆节点通过车载网络区域调度系统能够快速实现高铁检修网络咽喉区域的调度算法。虽然缩短了高铁检修网络咽喉区域调度的延迟和代价，提高了服务质量，可应用于高铁检修网络咽喉区域调度、道路车辆调度、车辆管理等领域，具有广泛的应用前景，但是其缺点在于，上述方法主要应用于高铁检修网络咽喉区域，并不能应用于普通的道路区域，且虽然能够起到车辆调度的作业，但由于无法提取各区域任务量和运输车辆分布情况的特征信息，导致无法规划出每辆运输车辆的最优行驶路线，进而无法提高运输车辆的利用率，无法达到高效率作业的目的。
发明内容
本发明是为了克服现有技术中，现有的车辆调度和管理方法，应用范围具有局限性，且无法规划出每辆运输车辆的最优行驶路线，导致运输车辆利用率低和作业效率低的问题，提供了一种能够优化运输车辆的区域分配，提高运输车辆利用率，节约成本，提高生产效益的用于运输车辆的智能网络管理与调度方法及系统。
为了达到上述发明目的，本发明采用以下技术方案：
用于运输车辆的智能网络管理与调度方法，包括如下步骤；
S1，获取所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
S2，根据步骤S1获取的信息，分析得到运输任务分布情况和运输车辆分布的特征信息；
S3，建立多运输车辆路径规划模型；
S4，基于运输车辆的运输路径和实时任务量的历史数据，通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息；
S5，将步骤S4提取的特征信息和步骤S1获取的运输车辆的当前信息，输入多运输车辆路径规划模型，最终输出智能调度中心规划的每辆运输车辆的最优行驶路线，并预测各区域后续所需运输量和运输车辆调度的信息。
作为优选，步骤S1中，所述剩余运力情况信息根据当前运输车辆的运输装载量、剩余装运量以及续航里程信息计算得出。
作为优选，步骤S3中，所述多运输车辆路径规划模型以运输目的地为终点，运输车辆装载量为约束条件，所有运输车辆完成运输任务后所花费的时间最短或行驶的总路程最短为目标；
所述多运输车辆路径规划模型用于计算出运输路径，规划出最优行驶路线。
作为优选，步骤S4中，所述各区域任务量和运输车辆分布情况的特征信息包括局部关键特征和局部关联特征。
作为优选，所述局部关键特征定义为运输车辆分布和区域所需运输量，在局部区域内的显著特征。
作为优选，所述局部关联特征定义为运输车辆分布和区域任务量，在局部区域内特征点之间的关联程度，用于提取并加强局部区域内特征点之间的关系。
作为优选，步骤S4中，所述通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息的过程，包括如下步骤：
S41，将提取到的局部关键特征和局部关联特征与原本的全局特征融合后，继续在深度学习网络中训练，并将融合后的特征信息添加到多个深度学习网络中进行测试，验证特征信息提取的完整性；
其中，所述全局特征指当前运输车辆和各个地区所需运输量的分布图的整体属性特征。
作为优选，步骤S4还包括如下步骤：
智能调度中心根据运输车辆的运输路径和实时任务量的历史数据，基于深度学习网络算法分析区域习惯，预测不同区域任务运输量，以运输车辆行驶成本最小化、固定成本最小化和不满足时间窗范围的惩罚成本最小化，建立多目标优化模型，将整个路径集合进行划分。
作为优选，步骤S4中，所述运输车辆分布情况包括所有运输车辆的位置信息、各个区域的运输车辆密度；所述区域任务量为目标运输区域所需运输的物品量；所述运输路径为经过所需运输点，到达任务运输终点的行驶路线。
本发明还提供了用于运输车辆的智能网络管理与调度系统，包括：
运输车辆信息感知模块，用于所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
运输车辆信息通信模块，用于发送所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息至智能调度中心；
智能调度中心通信模块，用于接收所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
智能调度中心数据存储模块，用于存储所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
智能调度中心智能算法模块，用于分析得到运输任务分布情况和运输车辆分布的特征信息，并建立多运输车辆路径规划模型；同时，基于运输车辆的运输路径和实时任务量的历史数据，通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息，并将特征信息和运输车辆的当前信息，输入多运输车辆路径规划模型，最终输出智能调度中心规划的每辆运输车辆的最优行驶路线，并预测各区域后续所需运输量和运输车辆调度的信息；
运输车辆控制模块，用于控制运输车辆按照规划的行驶路线行驶或到达指定地点。
本发明与现有技术相比，有益效果是：(1)本发明采用智能调度中心规划运输车辆最优调度路径的方式，提高了运输效率；(2)本发明根据运输车辆的运输路径和实时任务承载量的历史数据，基于深度学习网络算法分析地区习惯，预测不同区域任务运输量，优化运输车辆的区域分配，提高了运输车辆的利用率，减低运输成本，降低人工成本、管理成本和库存成本，提高生产效益。
附图说明
图1为本发明实施例所提供的用于运输车辆的智能网络管理与调度方法的一种流程图；
图2为本发明实施例所提供的用于运输车辆的智能网络管理与调度系统的一种模块工作执行过程图；
图3为本发明实施例所提供的智能调度中心的一种结构功能图；
图4为本发明实施例所提供的运输车辆配备装置的一种结构框图；
图5为本发明实施例所提供的深度学习网络的一种结构示意图；
图6为本发明实施例所提供的局部区域Ai,j的一种构架图。
图中：运输车辆信息感知模块1、运输车辆信息通信模块2、智能调度中心通信模块3、智能调度中心数据存储模块4、智能调度中心智能算法模块5、运输车辆控制模块6。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
实施例：
如图1所示，本发明提供了用于运输车辆的智能网络管理与调度方法，包括如下步骤；
S1，获取所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
S2，根据步骤S1获取的信息，分析得到运输任务分布情况和运输车辆分布的特征信息；
S3，建立多运输车辆路径规划模型；
S4，基于运输车辆的运输路径和实时任务量的历史数据，通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息；
S5，将步骤S4提取的特征信息和步骤S1获取的运输车辆的当前信息，输入多运输车辆路径规划模型，最终输出智能调度中心规划的每辆运输车辆的最优行驶路线，并预测各区域后续所需运输量和运输车辆调度的信息。
步骤S1中，通过任务承载感应系统得出运输装载量信息，通过GPS单点定位获取运输车辆坐标(运输车辆当前的位置信息)，根据电量检测系统检测出续航里程信息。其中，装载重量信息具体指当前运输车辆承载的任务量。
最终，根据当前运输车辆的运输装载量、剩余装运量以及续航里程信息计算得出剩余运力情况信息。具体计算过程如下：
输入运输车辆当前运输装载量、剩余运输装载量与续航里程信息，基于遗传神经网络得出剩余运力与输入的关系，精确计算剩余运力。根据运输车辆发送的当前位置信息、当前装载量、剩余运力信息，智能调度中心基于局部特征提取的深度学习网络，提取运输点的物品量和运输车辆分布情况的特征信息。利用传感器获取必要数据，精确计算出不易测量的剩余运力。
步骤S3中，所述多运输车辆路径规划模型以运输目的地为终点，运输车辆装载量为约束条件，所有运输车辆完成运输任务后所花费的时间最短或行驶的总路程最短为目标；
多运输车辆路径规划模型用于计算出运输路径，输出智能调度中心规划的每辆运输车辆的最优调度路线。
模型给定的制约条件还应包括所有区域至少运输一次，区域所需运输量作为运输车辆具体运输次数的判断因素。
进一步的，步骤S4中，所述各区域任务量和运输车辆分布情况的特征信息包括局部关键特征和局部关联特征。
局部关键特征定义为运输车辆分布和区域所需运输量，在局部区域内的显著特征。本发明采用一种自适应池化方法来提取这种显著特征，整体流程为：首先根据自适应池化方法对特征进行下采样，提取出局部的关键特征点，然后经过Sigmoid函数，作用是限制池化后的输出大小，最后经过一个上采样函数，将特征尺度扩充为原来的大小。自适应池化在此基础上进行改进，首先将特征图按照2×2的大小进行局部区域分割，根据每个区域内的4个特征值的大小重新排列。如图5所示，是其中一个分割后的局部区域Ai,j，且ai,j<ai+1,j<ai,j+1<ai+1,j+1。
其中，ai,j为第i行第j列的特征值；Ai,j为行数第i块，列数第j块的局部特征。
在本实施例中，自适应池化通过比较区域内的四个特征值之间的差异来决定采用的池化方式。如果ai,j+1与ai+1,j和的1/3大于最小值ai,j，池化方式选择为最大池化，输出为Ai,j中的最大值ai+1,j+1。如果是小于等于，选择的是均值池化，输出为Ai,j中四个特征点的平均值，具体公式如下：
Figure BDA0004058399420000071
其中，
Figure BDA0004058399420000072
表示第i行，第j列局部区域的池化结果，E[Ai,j]表示对4个特征值点求均值。
局部关联特征定义为运输车辆分布和区域任务量，在局部区域内特征点之间的关联程度，用于提取并加强局部区域内特征点之间的关系。
步骤S4中，所述通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息的过程，如图4所示，包括如下步骤：
S41，将提取到的局部关键特征和局部关联特征与原本的全局特征融合后，继续在深度学习网络中训练，并将融合后的特征信息添加到多个深度学习网络中进行测试，验证特征信息提取的完整性；
其中，全局特征指当前运输车辆和各个地区所需运输量的分布图的整体属性特征。整个深度学习网络结构如图4所示，将提取到的两种局部特征与全局特征融合，在网络中继续前向传播。
本发明中的基于局部特征融合提取的深度学习网络的主要作用，是将提取到的两种局部特征(局部关键特征和局部关联特征)与原本的全局特征融合，加强全局特征中的局部信息。融合模块直接将局部关键特征、局部关联特征与全局特征相加，得到融合后的特征信息。
步骤S4还包括如下步骤：
智能调度中心根据运输车辆的运输路径和实时任务量的历史数据，基于深度学习网络算法分析区域习惯，预测不同区域任务运输量，以运输车辆行驶成本最小化、固定成本最小化和不满足时间窗范围的惩罚成本最小化，建立多目标优化模型，将整个路径集合进行划分。另外，智能调度中心需要确定运输车辆起始的调度位置，并根据划分区域与运输车辆实际行驶路线进行判定正确性。
具体的，步骤S4中，所述运输车辆分布情况包括所有运输车辆的位置信息、各个区域的运输车辆密度；所述区域任务量为目标运输区域所需运输的物品量；所述运输路径为经过所需运输点，到达任务运输终点的行驶路线。
对于步骤S5，通过基于深度学习网络的多运输车辆路径规划模型和区域任务运输量预测模型进行规划和预测，通过智能调度中心对运输车辆进行合理调度。
通过对不同区域任务运输量进行预测，以运输车辆的运输途径和运输车辆实时任务承载量的历史数据为输入，分析出该区域习惯，输出不同区域所需运输量，区域划分情况和各地区的运输车辆分配数量，结合运输车辆的任务承载情况和运输情况，优化每辆运输车辆运输路线。
本申请实施例提供的运输车辆分配与调度问题由智能调度中心实现。智能调度中心以每日运输车辆运输的历史数据为训练集，分析预测各个区域习惯，预测该地区所需运输量，动态划分运输地区，分配运输车辆数量，根据实际运输情况选择最优路线进行运输。
基于本实施例，如图2至图4所示，本发明还提供了用于运输车辆的智能网络管理与调度系统，包括：
运输车辆信息感知模块1，用于所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
运输车辆信息通信模块2，用于发送所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息至智能调度中心；
智能调度中心通信模块3，用于接收所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
智能调度中心数据存储模块4，用于存储所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
智能调度中心智能算法模块5，用于分析得到运输任务分布情况和运输车辆分布的特征信息，并建立多运输车辆路径规划模型；同时，基于运输车辆的运输路径和实时任务量的历史数据，通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息，并将特征信息和运输车辆的当前信息，输入多运输车辆路径规划模型，最终输出智能调度中心规划的每辆运输车辆的最优行驶路线，并预测各区域后续所需运输量和运输车辆调度的信息；
运输车辆控制模块6，用于控制运输车辆按照规划的行驶路线行驶或到达指定地点。
其中，智能调度中心数据存储模块包括计算机可读的临时存储器和永久存储器。临时存储器用于临时存储当前运输车辆发送信息与调度中心的规划的运输车辆路径和运输任务；永久存储器保存每日运输车辆的运输途径和实时承载任务量的历史数据。
另外，智能调度中心交互的运输车辆可以是一个或多个的，每辆运输车辆发送的信息会分开存储在智能调度中心数据存储模块中。
本发明采用智能调度中心规划运输车辆最优调度路径的方式，提高了运输效率；本发明根据运输车辆的运输路径和实时任务承载量的历史数据，基于深度学习网络算法分析地区习惯，预测不同区域任务运输量，优化运输车辆的区域分配，提高了运输车辆的利用率，减低运输成本，降低人工成本、管理成本和库存成本，提高生产效益；本发明用以提高任务运输效率，提高系统的准确性，为后续的多运输车辆路径规划和调度提供新的思路。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (10)

1.用于运输车辆的智能网络管理与调度方法，其特征在于，包括如下步骤；
S1，获取所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
S2，根据步骤S1获取的信息，分析得到运输任务分布情况和运输车辆分布的特征信息；
S3，建立多运输车辆路径规划模型；
S4，基于运输车辆的运输路径和实时任务量的历史数据，通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息；
S5，将步骤S4提取的特征信息和步骤S1获取的运输车辆的当前信息，输入多运输车辆路径规划模型，最终输出智能调度中心规划的每辆运输车辆的最优行驶路线，并预测各区域后续所需运输量和运输车辆调度的信息。
2.根据权利要求1所述的用于运输车辆的智能网络管理与调度方法，其特征在于，步骤S1中，所述剩余运力情况信息根据当前运输车辆的运输装载量、剩余装运量以及续航里程信息计算得出。
3.根据权利要求1所述的用于运输车辆的智能网络管理与调度方法，其特征在于，步骤S3中，所述多运输车辆路径规划模型以运输目的地为终点，运输车辆装载量为约束条件，所有运输车辆完成运输任务后所花费的时间最短或行驶的总路程最短为目标；
所述多运输车辆路径规划模型用于计算出运输路径，规划出最优行驶路线。
4.根据权利要求1所述的用于运输车辆的智能网络管理与调度方法，其特征在于，步骤S4中，所述各区域任务量和运输车辆分布情况的特征信息包括局部关键特征和局部关联特征。
5.根据权利要求4所述的用于运输车辆的智能网络管理与调度方法，其特征在于，所述局部关键特征定义为运输车辆分布和区域所需运输量，在局部区域内的显著特征。
6.根据权利要求5所述的用于运输车辆的智能网络管理与调度方法，其特征在于，所述局部关联特征定义为运输车辆分布和区域任务量，在局部区域内特征点之间的关联程度，用于提取并加强局部区域内特征点之间的关系。
7.根据权利要求6所述的用于运输车辆的智能网络管理与调度方法，其特征在于，步骤S4中，所述通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息的过程，包括如下步骤：
S41，将提取到的局部关键特征和局部关联特征与原本的全局特征融合后，继续在深度学习网络中训练，并将融合后的特征信息添加到多个深度学习网络中进行测试，验证特征信息提取的完整性；
其中，所述全局特征指当前运输车辆和各个地区所需运输量的分布图的整体属性特征。
8.根据权利要求1所述的用于运输车辆的智能网络管理与调度方法，其特征在于，步骤S4还包括如下步骤：
智能调度中心根据运输车辆的运输路径和实时任务量的历史数据，基于深度学习网络算法分析区域习惯，预测不同区域任务运输量，以运输车辆行驶成本最小化、固定成本最小化和不满足时间窗范围的惩罚成本最小化，建立多目标优化模型，将整个路径集合进行划分。
9.根据权利要求6所述的用于运输车辆的智能网络管理与调度方法，其特征在于，步骤S4中，所述运输车辆分布情况包括所有运输车辆的位置信息、各个区域的运输车辆密度；所述区域任务量为目标运输区域所需运输的物品量；所述运输路径为经过所需运输点，到达任务运输终点的行驶路线。
10.用于运输车辆的智能网络管理与调度系统，用于实现权利要求1-9任一项所述的用于运输车辆的智能网络管理与调度方法，其特征在于，所述用于运输车辆的智能网络管理与调度系统包括：
运输车辆信息感知模块，用于所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
运输车辆信息通信模块，用于发送所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息至智能调度中心；
智能调度中心通信模块，用于接收所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
智能调度中心数据存储模块，用于存储所有运输车辆当前的位置信息和运输装载量信息、剩余运力情况信息；
智能调度中心智能算法模块，用于分析得到运输任务分布情况和运输车辆分布的特征信息，并建立多运输车辆路径规划模型；同时，基于运输车辆的运输路径和实时任务量的历史数据，通过基于局部特征提取的深度学习网络提取各区域任务量和运输车辆分布情况的特征信息，并将特征信息和运输车辆的当前信息，输入多运输车辆路径规划模型，最终输出智能调度中心规划的每辆运输车辆的最优行驶路线，并预测各区域后续所需运输量和运输车辆调度的信息；
运输车辆控制模块，用于控制运输车辆按照规划的行驶路线行驶或到达指定地点。
CN202310051791.XA 2023-02-02 2023-02-02 用于运输车辆的智能网络管理与调度方法及系统 Withdrawn CN116402420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310051791.XA CN116402420A (zh) 2023-02-02 2023-02-02 用于运输车辆的智能网络管理与调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310051791.XA CN116402420A (zh) 2023-02-02 2023-02-02 用于运输车辆的智能网络管理与调度方法及系统

Publications (1)

Publication Number Publication Date
CN116402420A true CN116402420A (zh) 2023-07-07

Family

ID=87006373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310051791.XA Withdrawn CN116402420A (zh) 2023-02-02 2023-02-02 用于运输车辆的智能网络管理与调度方法及系统

Country Status (1)

Country Link
CN (1) CN116402420A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862348A (zh) * 2023-07-28 2023-10-10 浪潮智慧科技有限公司 一种货物运输量的预测方法、设备及介质
CN117689185A (zh) * 2024-02-02 2024-03-12 深圳市拓远能源科技有限公司 一种基于物联网的设备数据调度优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862348A (zh) * 2023-07-28 2023-10-10 浪潮智慧科技有限公司 一种货物运输量的预测方法、设备及介质
CN116862348B (zh) * 2023-07-28 2024-01-30 浪潮智慧科技有限公司 一种货物运输量的预测方法、设备及介质
CN117689185A (zh) * 2024-02-02 2024-03-12 深圳市拓远能源科技有限公司 一种基于物联网的设备数据调度优化方法
CN117689185B (zh) * 2024-02-02 2024-05-07 深圳市拓远能源科技有限公司 一种基于物联网的设备数据调度优化方法

Similar Documents

Publication Publication Date Title
CN116402420A (zh) 用于运输车辆的智能网络管理与调度方法及系统
CN107918849B (zh) 一种电动物流货车的智能调度装置及方法
CN102044149B (zh) 一种基于时变客流的城市公交运营协调方法与装置
CN109002902A (zh) 分区域多阶段生鲜农产品动态车辆路径优化方法
CN117094631B (zh) 一种基于物联网的货物运输管理方法及系统
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划系统及方法
CN107832958A (zh) 一种基于需求分析的电动出租车充电站规划方法
CN114399095B (zh) 基于云边端协同的动态车辆配送路径优化方法及装置
CN113919650A (zh) 一种列车运行方案优化编制方法及系统
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN114066503A (zh) 一种基于构建虚拟服务片区进行出租车需求预测的方法
CN117764340B (zh) 一种新能源电动汽车充电引导分级调控方法
CN117094460B (zh) 一种基于od数据的多目标旅行商控制方法、系统及介质
CN116681197B (zh) 一种基于大数据的物流线路搜索方法及系统
CN108665091A (zh) 一种基于机器学习的物资智能调度方法
CN112949939B (zh) 基于随机森林模型的出租车载客热点预测方法
CN112668973B (zh) 一种智能无人物流运输方法和系统
CN113222285A (zh) 一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法
CN113536493A (zh) 基于聚类反推的有效路径生成方法及断面客流估算方法
CN112734111A (zh) 一种水平运输任务agv动态时间预估方法
Yuzhe et al. Study on path planning model and algorithm of driverless logistics distribution under intelligent network
Verbytskyi Delivery routes optimization using machine learning algorithms
CN117575120B (zh) 一种基于区域巡游的士巴智能化服务平台及方法
CN115271260B (zh) 一种公铁联运运量预测方法、装置、设备及可读存储介质
Wang The Construction and Optimization of Finished Vehicle Logistics Multimodal Transportation Routing Problem Model based on Ant Colony Algorithm under the Background of Belt and Road Initiative

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230707