CN116663864B - 应用人工智能的无人机飞行调度分析方法、服务器及介质 - Google Patents

应用人工智能的无人机飞行调度分析方法、服务器及介质 Download PDF

Info

Publication number
CN116663864B
CN116663864B CN202310941973.4A CN202310941973A CN116663864B CN 116663864 B CN116663864 B CN 116663864B CN 202310941973 A CN202310941973 A CN 202310941973A CN 116663864 B CN116663864 B CN 116663864B
Authority
CN
China
Prior art keywords
flight
path planning
network
information
knowledge
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
Application number
CN202310941973.4A
Other languages
English (en)
Other versions
CN116663864A (zh
Inventor
刘学亮
徐杰
任继远
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.)
Tianzhiyi Suzhou Technology Co ltd
Original Assignee
Tianzhiyi Suzhou Technology 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 Tianzhiyi Suzhou Technology Co ltd filed Critical Tianzhiyi Suzhou Technology Co ltd
Priority to CN202310941973.4A priority Critical patent/CN116663864B/zh
Publication of CN116663864A publication Critical patent/CN116663864A/zh
Application granted granted Critical
Publication of CN116663864B publication Critical patent/CN116663864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及无人机技术领域，提供应用人工智能的无人机飞行调度分析方法、服务器及介质，获取拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息；并基于对拟分析飞行路径规划信息确定拟分析飞行调度策略的当前执行决策观点；如果当前执行决策观点的确定性指数不大于第一设定确定性指数，或当前执行决策观点不为设定执行决策观点，则基于联动分析网络对路径规划描述知识和环境监测描述知识进行知识交互得到的联动描述知识，确定拟分析飞行调度策略的最终执行决策观点，能够改善传统技术难以准确高效地实现飞行调度策略的可行性分析的技术问题。

Description

应用人工智能的无人机飞行调度分析方法、服务器及介质
技术领域
本发明涉及无人机技术领域，具体而言，涉及应用人工智能的无人机飞行调度分析方法、服务器及介质。
背景技术
无人机技术是新兴的一大前沿技术，它可以帮助人们解决一些困难的任务，提高工作效率，并帮助人们在未来发挥更大的作用。随着无人机技术的发展，无人机已经在很多领域得到了广泛应用，为人类生活带来了诸多方面的便利。伴随智能化无人机性能的提升，无人机不仅可以进一步拓展新的应用领域，还可以为公共安全、救灾、减灾等行业提供便捷的服务，为社会经济发展做出更大的贡献。在实际应用过程中，无人机的飞行调度通常基于飞行调度策略实现，而判断飞行调度策略的可行性是保障无人机正常、安全开展飞行任务的关键。
发明内容
本发明至少提供应用人工智能的无人机飞行调度分析方法、服务器及介质。
本发明提供了一种应用人工智能的无人机飞行调度分析方法，应用于AI调度分析服务器，所述方法包括：
获取拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息；
基于飞行路径分析网络对所述拟分析飞行路径规划信息进行知识挖掘得到的路径规划描述知识，或环境监测分析网络对拟分析飞行环境监测信息进行知识挖掘得到的环境监测描述知识，确定所述拟分析飞行调度策略的当前执行决策观点；
如果所述当前执行决策观点的确定性指数不大于第一设定确定性指数，或所述当前执行决策观点不为设定执行决策观点，则基于联动分析网络对所述路径规划描述知识和所述环境监测描述知识进行知识交互得到的联动描述知识，确定所述拟分析飞行调度策略的最终执行决策观点。
在一些示例中，如果所述当前执行决策观点基于所述环境监测描述知识确定，所述方法还包括：
基于飞行路径分析网络对所述拟分析飞行路径规划信息进行知识挖掘得到的路径规划描述知识，确定所述拟分析飞行调度策略的关联路径执行决策观点；
如果所述关联路径执行决策观点的确定性指数不大于第二设定确定性指数，或所述关联路径执行决策观点不为设定执行决策观点，则通过所述环境监测分析网络对拟分析飞行环境监测信息进行知识挖掘得到环境监测描述知识。
在一些示例中，所述飞行路径分析网络包括路径识别组件和第一特征关注单元，所述方法还包括：
通过所述路径识别组件对所述拟分析飞行路径规划信息进行知识挖掘得到若干个当前路径规划描述知识，所述若干个当前路径规划描述知识对应所述拟分析飞行路径规划信息中的若干个路径节点或若干个航线段中的最少一种；
通过所述第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子和所述当前路径规划描述知识得到所述路径规划描述知识。
在一些示例中，所述飞行路径分析网络包括若干个子网，所述若干个子网中的每个子网包括所述路径识别组件和所述第一特征关注单元，所述每个子网还包括第二特征关注单元，所述飞行路径分析网络还包括聚合单元，所述通过所述路径识别组件对所述拟分析飞行路径规划信息进行知识挖掘得到若干个当前路径规划描述知识，包括：基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息分别对应的子网；对于所述若干个子网中的目标子网，通过所述目标子网中的路径识别组件对所述目标子网对应的目标聚类信息进行知识挖掘得到若干个当前路径规划描述知识；
所述通过所述第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子和所述当前路径规划描述知识得到所述路径规划描述知识，包括：对于所述目标子网，通过所述目标子网中的第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子对所述当前路径规划描述知识进行强化得到第一路径规划强化知识；通过所述目标子网中的第二特征关注单元为所述若干个子网配置第二特征强化因子，并基于所述第二特征强化因子对所述若干个子网中的最少两个子网的第一路径规划强化知识进行强化，得到第二路径规划强化知识；通过所述聚合单元对所述若干个子网的第二路径规划强化知识进行聚合得到路径规划描述知识。
在一些示例中，所述若干个聚类信息的区分标识包括第一区分标识和第二区分标识，所述基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息分别对应的子网，包括：
基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息；
基于所述若干个聚类信息的区分标识，为所述若干个聚类信息分别确定对应的子网，如果所述若干个聚类信息中的目标聚类信息的区分标识为第一区分标识，所述目标聚类信息对应的子网中的路径识别组件为依据深度学习模型的路径识别组件，如果所述若干个聚类信息中的目标聚类信息的区分标识为第二区分标识，所述目标聚类信息对应的子网中的路径识别组件为依据深度学习模型和可逆残差模型的路径识别组件。
在一些示例中，所述方法还包括：通过预处理单元基于路径节点和路径节点特征的投影列表，以及航线段和航线段特征的投影列表，对拟分析飞行任务数据进行特征投影得到所述拟分析飞行路径规划信息，所述拟分析飞行路径规划信息包括拟分析路径节点特征和拟分析航线段特征；
所述对于所述若干个子网中的目标子网，通过所述目标子网中的路径识别组件对所述目标子网对应的目标聚类信息进行知识挖掘得到若干个当前路径规划描述知识，包括：对于所述目标子网，如果所述目标子网对应的目标聚类信息的区分标识为第一区分标识，通过所述目标子网中的路径识别组件，对所述目标聚类信息所包括的路径节点特征和航线段特征进行知识挖掘得到若干个当前路径规划描述知识；对于所述目标子网，如果所述目标子网对应的目标聚类信息的区分标识为第二区分标识，通过所述目标子网中的路径识别组件，对所述目标聚类信息所包括的航线段特征进行知识挖掘得到若干个当前路径规划描述知识。
在一些示例中，基于所述拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息，确定所述拟分析飞行调度策略的最终执行决策观点，是通过决策观点识别网络实现的，所述决策观点识别网络的调试步骤包括：
获取携带先验区分标识的第一网络调试学习样例，所述第一网络调试学习样例包括第一飞行调度策略样例的飞行路径规划信息样例和飞行环境监测信息样例，所述先验区分标识用于反映所述第一飞行调度策略样例的目标执行决策观点；
通过飞行路径分析网络、环境监测分析网络和联动分析网络对所述第一网络调试学习样例进行识别处理得到各个所述第一飞行调度策略样例的第一执行决策观点，所述飞行路径分析网络用于对所述飞行路径规划信息样例进行知识挖掘得到路径规划描述知识，所述环境监测分析网络用于对所述飞行环境监测信息样例进行知识挖掘得到环境监测描述知识，所述联动分析网络用于对所述路径规划描述知识和所述环境监测描述知识进行知识交互得到联动描述知识，所述联动描述知识用于确定所述第一执行决策观点；
基于所述先验区分标识和各个所述第一执行决策观点，生成第一全局调试代价指标；
基于所述第一全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，将所述基础神经网络调试为决策观点识别网络。
在一些示例中，所述方法还包括：获取第二网络调试学习样例，所述第二网络调试学习样例包括第二飞行调度策略样例的飞行环境监测信息样例和飞行路径规划信息样例；对所述第二网络调试学习样例进行衍生处理得到所述第二网络调试学习样例的衍生学习样例；通过所述基础神经网络分别对所述第二网络调试学习样例和所述衍生学习样例进行识别处理，得到各个所述第二飞行调度策略样例的第二执行决策观点和第三执行决策观点；
所述基于所述先验区分标识和各个所述第一执行决策观点，生成第一全局调试代价指标，包括：基于所述先验区分标识和各个所述第一执行决策观点，生成第一调试代价指标；基于所述第二执行决策观点和所述第三执行决策观点的差别，生成第二调试代价指标；依据所述第一调试代价指标和所述第二调试代价指标确定第一全局调试代价指标。
在一些示例中，所述对所述第二网络调试学习样例进行衍生处理得到所述第二网络调试学习样例的衍生学习样例，包括：
将所述第二飞行调度策略样例的飞行路径规划信息样例从第一特征空间变更至第二特征空间，并从第二特征空间变更至第一特征空间，得到与所述第二飞行调度策略样例的飞行路径规划信息样例存在联系的衍生路径规划信息；
对所述第二飞行调度策略样例的飞行环境监测信息样例进行信息衍生处理，得到与所述第二飞行调度策略样例的飞行环境监测信息样例存在联系的衍生环境监测信息；
基于所述第二飞行调度策略样例的飞行路径规划信息样例和所述衍生路径规划信息中的一种，以及所述第二飞行调度策略样例的飞行环境监测信息样例和所述衍生环境监测信息中的一种，确定所述第二网络调试学习样例的衍生学习样例，所述衍生学习样例和所述第二网络调试学习样例存在差别。
在一些示例中，所述基于所述第一全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，将所述基础神经网络调试为决策观点识别网络，包括：
基于选定超参随循环轮次的缩小趋势，确定在选定超参符合要求时网络调试的目标循环轮次；
以收敛所述第一全局调试代价指标为期望对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，在所述第一全局调试代价指标趋于稳定且调试过程中的真实循环轮次达到所述目标循环轮次时，确定所述基础神经网络转换为决策观点识别网络。
在一些可独立的设计思路下，所述获取携带先验区分标识的第一网络调试学习样例之前，所述方法还包括：
基于备用飞行路径规划信息对第一神经网络进行调试得到所述飞行路径分析网络，基于备用飞行环境监测信息对第二神经网络进行调试得到所述环境监测分析网络；
基于携带先验区分标识的第三网络调试学习样例对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的当前神经网络进行调试，将所述当前神经网络转换为所述基础神经网络，所述第三网络调试学习样例包括第三飞行调度策略样例的飞行路径规划信息样例和飞行环境监测信息样例。
在一些可独立的设计思路下，所述基于第三网络调试学习样例对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的当前神经网络进行调试，将所述当前神经网络转换为所述基础神经网络，包括：
基于所述飞行路径分析网络对所述第三飞行调度策略样例的飞行路径规划信息样例进行知识挖掘得到的路径规划描述知识确定所述第三飞行调度策略样例的关联路径执行决策观点，基于所述环境监测分析网络对所述第三飞行调度策略样例的飞行环境监测信息样例进行知识挖掘得到的环境监测描述知识确定所述第三飞行调度策略样例的关联环境执行决策观点，基于所述联动分析网络对所述路径规划描述知识和所述环境监测描述知识进行知识交互得到的联动描述知识，确定所述第三飞行调度策略样例的全局执行决策观点；
基于所述第三飞行调度策略样例的关联路径执行决策观点和所述第三网络调试学习样例的先验区分标识得到第三调试代价指标，基于所述第三飞行调度策略样例的关联环境执行决策观点和所述第三网络调试学习样例的先验区分标识得到第四调试代价指标，基于所述第三飞行调度策略样例的全局执行决策观点和所述第三网络调试学习样例的先验区分标识得到第五调试代价指标；
基于所述第三调试代价指标、所述第四调试代价指标和所述第五调试代价指标，确定第二全局调试代价指标；
基于所述第二全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的当前神经网络进行调试，以将所述当前网络调试为所述基础神经网络。
在一些可独立的设计思路下，所述方法还包括：
通过所述基础神经网络得到当前网络调试学习样例对应的当前执行决策观点；
基于所述当前执行决策观点对所述当前网络调试学习样例进行挑选得到所述第二网络调试学习样例，以使所述第二网络调试学习样例中对应相异执行决策观点的网络调试学习样例的个数差别小于设定差别。
在一些可独立的设计思路下，所述依据所述第一调试代价指标和所述第二调试代价指标确定第一全局调试代价指标，包括：
基于所述第一执行决策观点确定第一确定性指数；如果所述第一确定性指数不小于第一限值，则基于所述第二调试代价指标确定所述第一全局调试代价指标；如果所述第一确定性指数小于所述第一限值，则基于所述第一调试代价指标和所述第二调试代价指标确定所述第一全局调试代价指标；
或，基于所述第二执行决策观点和所述第三执行决策观点确定第二确定性指数；如果所述第二确定性指数不大于第二限值，则基于所述第一调试代价指标确定所述第一全局调试代价指标；如果所述第二确定性指数大于所述第一限值，则基于所述第一调试代价指标和所述第二调试代价指标确定所述第一全局调试代价指标；
或，确定所述第三执行决策观点的度量指数；基于所述第一调试代价指标、所述第二调试代价指标和所述第三执行决策观点的度量指数，确定第一全局调试代价指标。
在一些可独立的设计思路下，所述方法还包括：
获取关于拟分析飞行调度策略的真实执行决策观点；
基于所述拟分析飞行环境监测信息和拟分析飞行路径规划信息，通过所述决策观点识别网络确定所述真实执行决策观点的确定性指数；
如果所述确定性指数不小于第三设定确定性指数且所述真实执行决策观点携带注释信息，或所述确定性指数小于所述第三设定确定性指数，将所述拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息添加至所述第一网络调试学习样例中，将所述真实执行决策观点作为所述拟分析飞行调度策略的目标执行决策观点，基于优化的第一网络调试学习样例对所述决策观点识别网络进行调试，得到优化的决策观点识别网络。
本发明还提供了一种AI调度分析服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：在获取拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息之后，可以基于飞行路径分析网络对拟分析飞行路径规划信息进行知识挖掘得到的路径规划描述知识，或环境监测分析网络对拟分析飞行环境监测信息进行知识挖掘得到的环境监测描述知识，确定拟分析飞行调度策略的当前执行决策观点，即拟分析飞行调度策略可以携带多维特征信息，可以先基于单一层面的特征信息确定拟分析飞行调度策略的当前执行决策观点，若基于单一层面的特征信息确定的当前执行决策观点的确定性指数不大于第一设定确定性指数，表明单一层面的特征信息确定的当前执行决策观点的置信度欠佳，这种情况下可以通过联动分析网络对路径规划描述知识和环境监测描述知识进行知识交互得到的联动描述知识，确定拟分析飞行调度策略的最终执行决策观点，从而基于最终执行决策观点从拟分析飞行调度策略中确定出目标飞行调度策略，拟分析飞行调度策略的最终执行决策观点依据多维特征信息确定，进而确保最终执行决策观点的精度和可信度。另，依据单一特征维度的飞行调度策略分析相较于依据多特征维度的飞行调度策略分析的分析复杂度较低，因而本发明实施例在单一层面的特征信息确定的当前执行决策观点的置信度欠佳时再进行知识交互和最终执行决策观点分析，能够在一定程度上避免过多的知识交互处理，从而提升整体方案的时效性，减少不必要的资源开销。可见，本发明实施例能够改善传统技术难以准确高效地实现飞行调度策略的可行性分析的技术问题。
关于上述AI调度分析服务器、计算机可读存储介质的效果描述参见上述方法的说明。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。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是本发明实施例示出的一种AI调度分析服务器的方框图。
图2是本发明实施例示出的一种应用人工智能的无人机飞行调度分析方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是本发明的一些方面相一致的装置和方法的例子。
图1为本发明实施例提供的AI调度分析服务器10的结构示意图，包括处理器102、存储器104、和总线106。其中，存储器104用于存储执行指令，包括内存和外部存储器，内存也可以理解为内存储器，用于暂时存放处理器102中的运算数据，以及与硬盘等外部存储器交换的数据，处理器102通过内存与外部存储器进行数据交换，当AI调度分析服务器10运行时，处理器102与存储器104之间通过总线106通信，使得处理器102执行本发明实施例的应用人工智能的无人机飞行调度分析方法。
请结合图2，图2是本发明实施例所提供的一种应用人工智能的无人机飞行调度分析方法的流程示意图，应用于AI调度分析服务器，该方法示例性可以包括S100-S300。
S100、获取拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息。
本发明实施例中，拟分析飞行调度策略可以理解为初始的飞行调度策略，拟分析飞行调度策略可以是针对多台无人机的联合飞行调度策略，为确保飞行调度过程中无人机的安全性以及飞行任务的顺利完成，该飞行调度策略在实施之前需要判断是否满足执行条件和要求。基于此，可以通过飞行环境监测信息和飞行路径规划信息两个方面来进行判断。
示例性的，拟分析飞行环境监测信息为拟分析飞行调度策略所对应的飞行区域的环境监测信息，包括温度、湿度、风负载、冰负载、沙尘负载等一系列能够影响无人机飞行状态的环境检测数据。而拟分析飞行路径规划信息则是拟分析飞行调度策略所对应的无人机的飞行线路信息。
S200、基于飞行路径分析网络对所述拟分析飞行路径规划信息进行知识挖掘得到的路径规划描述知识，或环境监测分析网络对拟分析飞行环境监测信息进行知识挖掘得到的环境监测描述知识，确定所述拟分析飞行调度策略的当前执行决策观点。
本发明实施例中，知识挖掘可以理解为特征提取/特征挖掘，基于此，飞行路径分析网络可以理解为针对拟分析飞行路径规划信息的特征挖掘模型，路径规划描述知识则用于描述拟分析飞行路径规划信息的线路特征，环境监测分析网络可以理解为针对拟分析飞行环境监测信息的特征挖掘模型，环境监测描述知识则用于描述拟分析飞行环境监测信息的环境数据特征。
进一步地，当前执行决策观点可以通过路径规划描述知识或者环境监测描述知识确定，当前执行决策观点能够反映拟分析飞行调度策略的执行可行性，比如当前执行决策观点可以包括三类，第一类是不允许执行拟分析飞行调度策略，第二类是允许执行拟分析飞行调度策略，第三类是无法确定能否执行拟分析飞行调度策略。
S300、如果所述当前执行决策观点的确定性指数不大于第一设定确定性指数，或所述当前执行决策观点不为设定执行决策观点，则基于联动分析网络对所述路径规划描述知识和所述环境监测描述知识进行知识交互得到的联动描述知识，确定所述拟分析飞行调度策略的最终执行决策观点。
本发明实施例中，当前执行决策观点的确定性指数可以理解为当前执行决策观点的置信度，用于表征当前执行决策观点的可信程度或者可靠性。在当前执行决策观点为第一类或者第二类时，当前执行决策观点存在对应的确定性指数，在当前执行决策观点为第三类时，当前执行决策观点不存在对应的确定性指数。
基于此，如果当前执行决策观点（第一类/第二类）的确定性指数不大于第一设定确定性指数，则表明当前执行决策观点的精度和可信度欠佳，同样地，如果当前执行决策观点不为设定执行决策观点（第三类），则表明当前执行决策观点不能准确反映拟分析飞行调度策略的执行分析情况。
在此基础上，可以通过联动分析网络将路径规划描述知识和环境监测描述知识进行知识交互（也即特征融合），从而得到联动描述知识，该联动描述知识（融合特征）携带的特征细节更为丰富，因而可以作为判断拟分析飞行调度策略是否可以执行的更优参考。这样一来，可以通过联动描述知识进行拟分析飞行调度策略的最终执行决策观点确定，从而提高最终执行决策观点的精度和可信度。本发明实施例中，最终执行决策观点包括表征不允许执行拟分析飞行调度策略的第一最终执行决策观点，以及允许执行拟分析飞行调度策略的第二最终执行决策观点。
可见，应用步骤100-步骤300，在获取拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息之后，可以基于飞行路径分析网络对拟分析飞行路径规划信息进行知识挖掘得到的路径规划描述知识，或环境监测分析网络对拟分析飞行环境监测信息进行知识挖掘得到的环境监测描述知识，确定拟分析飞行调度策略的当前执行决策观点，即拟分析飞行调度策略可以携带多维特征信息，可以先基于单一层面的特征信息确定拟分析飞行调度策略的当前执行决策观点，若基于单一层面的特征信息确定的当前执行决策观点的确定性指数不大于第一设定确定性指数，表明单一层面的特征信息确定的当前执行决策观点的置信度欠佳，这种情况下可以通过联动分析网络对路径规划描述知识和环境监测描述知识进行知识交互得到的联动描述知识，确定拟分析飞行调度策略的最终执行决策观点，从而基于最终执行决策观点从拟分析飞行调度策略中确定出目标飞行调度策略，拟分析飞行调度策略的最终执行决策观点依据多维特征信息确定，进而确保最终执行决策观点的精度和可信度。另，依据单一特征维度的飞行调度策略分析相较于依据多特征维度的飞行调度策略分析的分析复杂度较低，因而本发明实施例在单一层面的特征信息确定的当前执行决策观点的置信度欠佳时再进行知识交互和最终执行决策观点分析，能够在一定程度上避免过多的知识交互处理，从而提升整体方案的时效性，减少不必要的资源开销。
在一些可能的实施例中，如果所述当前执行决策观点基于所述环境监测描述知识确定，则所述方法还包括S001和S002。
S001、基于飞行路径分析网络对所述拟分析飞行路径规划信息进行知识挖掘得到的路径规划描述知识，确定所述拟分析飞行调度策略的关联路径执行决策观点。
S002、如果所述关联路径执行决策观点的确定性指数不大于第二设定确定性指数，或所述关联路径执行决策观点不为设定执行决策观点，则通过所述环境监测分析网络对拟分析飞行环境监测信息进行知识挖掘得到环境监测描述知识。
本发明实施例中，通过路径规划描述知识对拟分析飞行调度策略的关联路径执行决策观点进行确定，能够尽可能将其他飞行任务中的无人机的飞行路径考虑进来，从而确保关联路径执行决策观点的综合性和全面性，在此基础上进行确定性指数或者设定执行决策观点两个分支的判断，能够提高当前执行决策观点的可行性判断精度和可信度。
在一些示例性设计思路下，所述飞行路径分析网络包括路径识别组件（路径分类组件）和第一特征关注单元（注意力单元）。基于此，所述方法还包括步骤A和步骤B。
步骤A、通过所述路径识别组件对所述拟分析飞行路径规划信息进行知识挖掘得到若干个当前路径规划描述知识，所述若干个当前路径规划描述知识对应所述拟分析飞行路径规划信息中的若干个路径节点或若干个航线段中的最少一种。
步骤B、通过所述第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子和所述当前路径规划描述知识得到所述路径规划描述知识。
本发明实施例中，特征强化因子可以理解为注意力权重，基于此，能够通过配置第一特征强化因子提高路径规划描述知识的特征表征性能。
进一步地，所述飞行路径分析网络包括若干个子网（子模型），所述若干个子网中的每个子网包括所述路径识别组件和所述第一特征关注单元，所述每个子网还包括第二特征关注单元，所述飞行路径分析网络还包括聚合单元（特征拼接单元）。基于此，步骤A中的通过所述路径识别组件对所述拟分析飞行路径规划信息进行知识挖掘得到若干个当前路径规划描述知识，包括步骤A1和步骤A2。
步骤A1、基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息分别对应的子网。
步骤A2、对于所述若干个子网中的目标子网，通过所述目标子网中的路径识别组件对所述目标子网对应的目标聚类信息进行知识挖掘得到若干个当前路径规划描述知识。
更进一步地，步骤B中的通过所述第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子和所述当前路径规划描述知识得到所述路径规划描述知识，包括步骤B1-步骤B3。
步骤B1、对于所述目标子网，通过所述目标子网中的第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子对所述当前路径规划描述知识进行强化得到第一路径规划强化知识。
步骤B2、通过所述目标子网中的第二特征关注单元为所述若干个子网配置第二特征强化因子，并基于所述第二特征强化因子对所述若干个子网中的最少两个子网的第一路径规划强化知识进行强化，得到第二路径规划强化知识。
步骤B3、通过所述聚合单元对所述若干个子网的第二路径规划强化知识进行聚合得到路径规划描述知识。
可以理解，应用步骤A1和步骤A2，能够基于准确的聚类信息进行知识挖掘，从而确保当前路径规划描述知识的完整性和区分度。在此基础上实施步骤B1-步骤B3，能够通过特征强化因子进行特征强化以得到特征代表性更强的第一路径规划强化知识和第二路径规划强化知识。更进一步地，利用聚合单元进行第二路径规划强化知识的聚合，能够完整准确地得到路径规划描述知识。
在另一些示例下，所述若干个聚类信息的区分标识包括第一区分标识和第二区分标识。区分标识用于表征聚类信息的聚类类别。基于此，步骤A1基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息分别对应的子网，包括步骤A11和步骤A12。
步骤A11、基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息。
步骤A12、基于所述若干个聚类信息的区分标识，为所述若干个聚类信息分别确定对应的子网，如果所述若干个聚类信息中的目标聚类信息的区分标识为第一区分标识，所述目标聚类信息对应的子网中的路径识别组件为依据深度学习模型的路径识别组件，如果所述若干个聚类信息中的目标聚类信息的区分标识为第二区分标识，所述目标聚类信息对应的子网中的路径识别组件为依据深度学习模型和可逆残差模型的路径识别组件。
本发明实施例中，通过聚类信息的区分标识确定对应子网，能够提高之后知识挖掘的精度，且根据不同的区分标识配置不同的路径识别组件，能够提高整体方案的灵活性，并避免特征挖掘过程中梯度爆炸的问题。
在另一些可能的实施例中，所述方法还包括：通过预处理单元基于路径节点和路径节点特征的投影列表，以及航线段和航线段特征的投影列表，对拟分析飞行任务数据进行特征投影得到所述拟分析飞行路径规划信息，所述拟分析飞行路径规划信息包括拟分析路径节点特征和拟分析航线段特征。
本发明实施例中，投影列表用于反映路径节点和路径节点特征的映射关系，以及反映航线段和航线段特征的映射关系，基于此，通过对拟分析飞行任务数据进行特征投影（向量化处理），能够准确获得拟分析飞行路径规划信息。
基于此，步骤A2中的对于所述若干个子网中的目标子网，通过所述目标子网中的路径识别组件对所述目标子网对应的目标聚类信息进行知识挖掘得到若干个当前路径规划描述知识，包括：对于所述目标子网，如果所述目标子网对应的目标聚类信息的区分标识为第一区分标识，通过所述目标子网中的路径识别组件，对所述目标聚类信息所包括的路径节点特征和航线段特征进行知识挖掘得到若干个当前路径规划描述知识；对于所述目标子网，如果所述目标子网对应的目标聚类信息的区分标识为第二区分标识，通过所述目标子网中的路径识别组件，对所述目标聚类信息所包括的航线段特征进行知识挖掘得到若干个当前路径规划描述知识。如此，可以利用目标聚类信息所包括的航线段特征实现知识挖掘，从而保障当前路径规划描述知识的特征细粒度。
在一些可选的实施例中，基于所述拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息，确定所述拟分析飞行调度策略的最终执行决策观点，是通过决策观点识别网络实现的，所述决策观点识别网络的调试步骤包括STEP10-STEP40。
STEP10、获取携带先验区分标识的第一网络调试学习样例，所述第一网络调试学习样例包括第一飞行调度策略样例的飞行路径规划信息样例和飞行环境监测信息样例，所述先验区分标识用于反映所述第一飞行调度策略样例的目标执行决策观点。
本发明实施例中，第一网络调试学习样例（可以理解为调试样本/训练样本）携带已标注的区分标识。
STEP20、通过飞行路径分析网络、环境监测分析网络和联动分析网络对所述第一网络调试学习样例进行识别处理得到各个所述第一飞行调度策略样例的第一执行决策观点，所述飞行路径分析网络用于对所述飞行路径规划信息样例进行知识挖掘得到路径规划描述知识，所述环境监测分析网络用于对所述飞行环境监测信息样例进行知识挖掘得到环境监测描述知识，所述联动分析网络用于对所述路径规划描述知识和所述环境监测描述知识进行知识交互得到联动描述知识，所述联动描述知识用于确定所述第一执行决策观点。
STEP30、基于所述先验区分标识和各个所述第一执行决策观点，生成第一全局调试代价指标。
本发明实施例中，全局调试代价指标可以理解为综合的调试损失函数。
STEP40、基于所述第一全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，将所述基础神经网络调试为决策观点识别网络。
其中，所述决策观点识别网络用于基于所述拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息，确定所述拟分析飞行调度策略的最终执行决策观点。
可以理解，通过STEP10-STEP40，能够基于第一全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，从而确保调试得到的决策观点识别网络的网络性能。
在一些可独立的实施例中，所述方法还包括STEP01-STEP02。
STEP01、获取第二网络调试学习样例，所述第二网络调试学习样例包括第二飞行调度策略样例的飞行环境监测信息样例和飞行路径规划信息样例。
STEP02、对所述第二网络调试学习样例进行衍生处理得到所述第二网络调试学习样例的衍生学习样例；通过所述基础神经网络分别对所述第二网络调试学习样例和所述衍生学习样例进行识别处理，得到各个所述第二飞行调度策略样例的第二执行决策观点和第三执行决策观点。可以理解，通过衍生处理（相似处理），能够实现样本增广，从而丰富调试样例，提高之后网络调试的鲁棒性。
进一步地，STEP30中的基于所述先验区分标识和各个所述第一执行决策观点，生成第一全局调试代价指标，包括：基于所述先验区分标识和各个所述第一执行决策观点，生成第一调试代价指标；基于所述第二执行决策观点和所述第三执行决策观点的差别，生成第二调试代价指标；依据所述第一调试代价指标和所述第二调试代价指标确定第一全局调试代价指标。如此，通过对不同的调试代价指标进行加权，可以准确确定出第一全局调试代价指标。
在一些可选的实施例中，STEP02中的对所述第二网络调试学习样例进行衍生处理得到所述第二网络调试学习样例的衍生学习样例，包括STEP021-STEP023。
STEP021、将所述第二飞行调度策略样例的飞行路径规划信息样例从第一特征空间变更至第二特征空间，并从第二特征空间变更至第一特征空间，得到与所述第二飞行调度策略样例的飞行路径规划信息样例存在联系的衍生路径规划信息。
STEP022、对所述第二飞行调度策略样例的飞行环境监测信息样例进行信息衍生处理，得到与所述第二飞行调度策略样例的飞行环境监测信息样例存在联系的衍生环境监测信息。
STEP023、基于所述第二飞行调度策略样例的飞行路径规划信息样例和所述衍生路径规划信息中的一种，以及所述第二飞行调度策略样例的飞行环境监测信息样例和所述衍生环境监测信息中的一种，确定所述第二网络调试学习样例的衍生学习样例，所述衍生学习样例和所述第二网络调试学习样例存在差别。
可以理解，通过STEP021-STEP023，能够基于特征空间的变换准确确定出衍生路径规划信息，并通过信息衍生处理得到衍生环境监测信息，这样可以综合基于所述第二飞行调度策略样例的飞行路径规划信息样例和所述衍生路径规划信息中的一种，以及所述第二飞行调度策略样例的飞行环境监测信息样例和所述衍生环境监测信息中的一种准确完整地确定出第二网络调试学习样例的衍生学习样例，实现训练样本的增广处理。
在一些可能的实施例中，STEP40中的基于所述第一全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，将所述基础神经网络调试为决策观点识别网络，包括：基于选定超参随循环轮次的缩小趋势，确定在选定超参符合要求时网络调试的目标循环轮次；以收敛所述第一全局调试代价指标为期望对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，在所述第一全局调试代价指标趋于稳定且调试过程中的真实循环轮次达到所述目标循环轮次时，确定所述基础神经网络转换为决策观点识别网络。
本发明实施例中，选定超参可以是学习率，基于此，能够结合全局调试代价指标的收敛条件进行网络调试，从而确保所得的决策观点识别网络的稳定性。
在一些可独立的实施例中，所述获取携带先验区分标识的第一网络调试学习样例之前，所述方法还包括：基于备用飞行路径规划信息对第一神经网络进行调试得到所述飞行路径分析网络，基于备用飞行环境监测信息对第二神经网络进行调试得到所述环境监测分析网络；基于携带先验区分标识的第三网络调试学习样例对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的当前神经网络进行调试，将所述当前神经网络转换为所述基础神经网络，所述第三网络调试学习样例包括第三飞行调度策略样例的飞行路径规划信息样例和飞行环境监测信息样例。
在一些可独立的实施例中，所述基于第三网络调试学习样例对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的当前神经网络进行调试，将所述当前神经网络转换为所述基础神经网络，包括步骤一至步骤四。
步骤一、基于所述飞行路径分析网络对所述第三飞行调度策略样例的飞行路径规划信息样例进行知识挖掘得到的路径规划描述知识确定所述第三飞行调度策略样例的关联路径执行决策观点，基于所述环境监测分析网络对所述第三飞行调度策略样例的飞行环境监测信息样例进行知识挖掘得到的环境监测描述知识确定所述第三飞行调度策略样例的关联环境执行决策观点，基于所述联动分析网络对所述路径规划描述知识和所述环境监测描述知识进行知识交互得到的联动描述知识，确定所述第三飞行调度策略样例的全局执行决策观点。
步骤二、基于所述第三飞行调度策略样例的关联路径执行决策观点和所述第三网络调试学习样例的先验区分标识得到第三调试代价指标，基于所述第三飞行调度策略样例的关联环境执行决策观点和所述第三网络调试学习样例的先验区分标识得到第四调试代价指标，基于所述第三飞行调度策略样例的全局执行决策观点和所述第三网络调试学习样例的先验区分标识得到第五调试代价指标。
步骤三、基于所述第三调试代价指标、所述第四调试代价指标和所述第五调试代价指标，确定第二全局调试代价指标。
步骤四、基于所述第二全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的当前神经网络进行调试，以将所述当前网络调试为所述基础神经网络。
可以理解，通过步骤一至步骤四，能够准确实现当前网络的预调试，从而得到性能更佳的基础神经网络，为后续的进一步调试提供基础。
在一些可独立的实施例中，所述方法还包括：通过所述基础神经网络得到当前网络调试学习样例对应的当前执行决策观点；基于所述当前执行决策观点对所述当前网络调试学习样例进行挑选得到所述第二网络调试学习样例，以使所述第二网络调试学习样例中对应相异执行决策观点的网络调试学习样例的个数差别小于设定差别。如此设计，可以准确挑选得到第二网络调试学习样例。
在另一些可独立的实施例中，依据所述第一调试代价指标和所述第二调试代价指标确定第一全局调试代价指标，包括如下三项中的其中一项。
第一项、基于所述第一执行决策观点确定第一确定性指数；如果所述第一确定性指数不小于第一限值，则基于所述第二调试代价指标确定所述第一全局调试代价指标；如果所述第一确定性指数小于所述第一限值，则基于所述第一调试代价指标和所述第二调试代价指标确定所述第一全局调试代价指标。
第二项、基于所述第二执行决策观点和所述第三执行决策观点确定第二确定性指数；如果所述第二确定性指数不大于第二限值，则基于所述第一调试代价指标确定所述第一全局调试代价指标；如果所述第二确定性指数大于所述第一限值，则基于所述第一调试代价指标和所述第二调试代价指标确定所述第一全局调试代价指标；
第三项、确定所述第三执行决策观点的度量指数（熵变量）；基于所述第一调试代价指标、所述第二调试代价指标和所述第三执行决策观点的度量指数，确定第一全局调试代价指标。
可以理解，通过上述思路，能够提高确定第一全局调试代价指标的灵活性和整体方案的扩展性。
在一些可独立的实施例中，所述方法还包括：获取关于拟分析飞行调度策略的真实执行决策观点；基于所述拟分析飞行环境监测信息和拟分析飞行路径规划信息，通过所述决策观点识别网络确定所述真实执行决策观点的确定性指数；如果所述确定性指数不小于第三设定确定性指数且所述真实执行决策观点携带注释信息，或所述确定性指数小于所述第三设定确定性指数，将所述拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息添加至所述第一网络调试学习样例中，将所述真实执行决策观点作为所述拟分析飞行调度策略的目标执行决策观点，基于优化的第一网络调试学习样例对所述决策观点识别网络进行调试，得到优化的决策观点识别网络。如此设计，通过引入真实执行决策观点进行辅助调试，可以进一步确保优化的决策观点识别网络的网络性能，提升决策观点识别的精度和可信度。
进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述示例性描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

Claims (8)

1.一种应用人工智能的无人机飞行调度分析方法，其特征在于，应用于AI调度分析服务器，所述方法包括：
获取拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息；
基于飞行路径分析网络对所述拟分析飞行路径规划信息进行知识挖掘得到的路径规划描述知识，或环境监测分析网络对拟分析飞行环境监测信息进行知识挖掘得到的环境监测描述知识，确定所述拟分析飞行调度策略的当前执行决策观点；
如果所述当前执行决策观点的确定性指数不大于第一设定确定性指数，或所述当前执行决策观点不为设定执行决策观点，则基于联动分析网络对所述路径规划描述知识和所述环境监测描述知识进行知识交互得到的联动描述知识，确定所述拟分析飞行调度策略的最终执行决策观点；
其中，所述飞行路径分析网络包括路径识别组件和第一特征关注单元，所述方法还包括：
通过所述路径识别组件对所述拟分析飞行路径规划信息进行知识挖掘得到若干个当前路径规划描述知识，所述若干个当前路径规划描述知识对应所述拟分析飞行路径规划信息中的若干个路径节点或若干个航线段中的最少一种；
通过所述第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子和所述当前路径规划描述知识得到所述路径规划描述知识；
其中，所述飞行路径分析网络包括若干个子网，所述若干个子网中的每个子网包括所述路径识别组件和所述第一特征关注单元，所述每个子网还包括第二特征关注单元，所述飞行路径分析网络还包括聚合单元，所述通过所述路径识别组件对所述拟分析飞行路径规划信息进行知识挖掘得到若干个当前路径规划描述知识，包括：基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息分别对应的子网；对于所述若干个子网中的目标子网，通过所述目标子网中的路径识别组件对所述目标子网对应的目标聚类信息进行知识挖掘得到若干个当前路径规划描述知识；
所述通过所述第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子和所述当前路径规划描述知识得到所述路径规划描述知识，包括：对于所述目标子网，通过所述目标子网中的第一特征关注单元为所述若干个当前路径规划描述知识配置第一特征强化因子，并基于所述第一特征强化因子对所述当前路径规划描述知识进行强化得到第一路径规划强化知识；通过所述目标子网中的第二特征关注单元为所述若干个子网配置第二特征强化因子，并基于所述第二特征强化因子对所述若干个子网中的最少两个子网的第一路径规划强化知识进行强化，得到第二路径规划强化知识；通过所述聚合单元对所述若干个子网的第二路径规划强化知识进行聚合得到路径规划描述知识。
2.如权利要求1所述的方法，其特征在于，如果所述当前执行决策观点基于所述环境监测描述知识确定，所述方法还包括：
基于飞行路径分析网络对所述拟分析飞行路径规划信息进行知识挖掘得到的路径规划描述知识，确定所述拟分析飞行调度策略的关联路径执行决策观点；
如果所述关联路径执行决策观点的确定性指数不大于第二设定确定性指数，或所述关联路径执行决策观点不为设定执行决策观点，则通过所述环境监测分析网络对拟分析飞行环境监测信息进行知识挖掘得到环境监测描述知识。
3.如权利要求1所述的方法，其特征在于，所述若干个聚类信息的区分标识包括第一区分标识和第二区分标识，所述基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息分别对应的子网，包括：
基于所述拟分析飞行路径规划信息的聚类结果，确定所述拟分析飞行路径规划信息所包括的若干个聚类信息；
基于所述若干个聚类信息的区分标识，为所述若干个聚类信息分别确定对应的子网，如果所述若干个聚类信息中的目标聚类信息的区分标识为第一区分标识，所述目标聚类信息对应的子网中的路径识别组件为依据深度学习模型的路径识别组件，如果所述若干个聚类信息中的目标聚类信息的区分标识为第二区分标识，所述目标聚类信息对应的子网中的路径识别组件为依据深度学习模型和可逆残差模型的路径识别组件。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：通过预处理单元基于路径节点和路径节点特征的投影列表，以及航线段和航线段特征的投影列表，对拟分析飞行任务数据进行特征投影得到所述拟分析飞行路径规划信息，所述拟分析飞行路径规划信息包括拟分析路径节点特征和拟分析航线段特征；
所述对于所述若干个子网中的目标子网，通过所述目标子网中的路径识别组件对所述目标子网对应的目标聚类信息进行知识挖掘得到若干个当前路径规划描述知识，包括：对于所述目标子网，如果所述目标子网对应的目标聚类信息的区分标识为第一区分标识，通过所述目标子网中的路径识别组件，对所述目标聚类信息所包括的路径节点特征和航线段特征进行知识挖掘得到若干个当前路径规划描述知识；对于所述目标子网，如果所述目标子网对应的目标聚类信息的区分标识为第二区分标识，通过所述目标子网中的路径识别组件，对所述目标聚类信息所包括的航线段特征进行知识挖掘得到若干个当前路径规划描述知识。
5.如权利要求1所述的方法，其特征在于，基于所述拟分析飞行调度策略的拟分析飞行环境监测信息和拟分析飞行路径规划信息，确定所述拟分析飞行调度策略的最终执行决策观点，是通过决策观点识别网络实现的，所述决策观点识别网络的调试步骤包括：
获取携带先验区分标识的第一网络调试学习样例，所述第一网络调试学习样例包括第一飞行调度策略样例的飞行路径规划信息样例和飞行环境监测信息样例，所述先验区分标识用于反映所述第一飞行调度策略样例的目标执行决策观点；
通过飞行路径分析网络、环境监测分析网络和联动分析网络对所述第一网络调试学习样例进行识别处理得到各个所述第一飞行调度策略样例的第一执行决策观点，所述飞行路径分析网络用于对所述飞行路径规划信息样例进行知识挖掘得到路径规划描述知识，所述环境监测分析网络用于对所述飞行环境监测信息样例进行知识挖掘得到环境监测描述知识，所述联动分析网络用于对所述路径规划描述知识和所述环境监测描述知识进行知识交互得到联动描述知识，所述联动描述知识用于确定所述第一执行决策观点；
基于所述先验区分标识和各个所述第一执行决策观点，生成第一全局调试代价指标；
基于所述第一全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，将所述基础神经网络调试为决策观点识别网络。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：获取第二网络调试学习样例，所述第二网络调试学习样例包括第二飞行调度策略样例的飞行环境监测信息样例和飞行路径规划信息样例；对所述第二网络调试学习样例进行衍生处理得到所述第二网络调试学习样例的衍生学习样例；通过所述基础神经网络分别对所述第二网络调试学习样例和所述衍生学习样例进行识别处理，得到各个所述第二飞行调度策略样例的第二执行决策观点和第三执行决策观点；
所述基于所述先验区分标识和各个所述第一执行决策观点，生成第一全局调试代价指标，包括：基于所述先验区分标识和各个所述第一执行决策观点，生成第一调试代价指标；基于所述第二执行决策观点和所述第三执行决策观点的差别，生成第二调试代价指标；依据所述第一调试代价指标和所述第二调试代价指标确定第一全局调试代价指标；
其中，所述对所述第二网络调试学习样例进行衍生处理得到所述第二网络调试学习样例的衍生学习样例，包括：将所述第二飞行调度策略样例的飞行路径规划信息样例从第一特征空间变更至第二特征空间，并从第二特征空间变更至第一特征空间，得到与所述第二飞行调度策略样例的飞行路径规划信息样例存在联系的衍生路径规划信息；对所述第二飞行调度策略样例的飞行环境监测信息样例进行信息衍生处理，得到与所述第二飞行调度策略样例的飞行环境监测信息样例存在联系的衍生环境监测信息；基于所述第二飞行调度策略样例的飞行路径规划信息样例和所述衍生路径规划信息中的一种，以及所述第二飞行调度策略样例的飞行环境监测信息样例和所述衍生环境监测信息中的一种，确定所述第二网络调试学习样例的衍生学习样例，所述衍生学习样例和所述第二网络调试学习样例存在差别；
其中，所述基于所述第一全局调试代价指标对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，将所述基础神经网络调试为决策观点识别网络，包括：基于选定超参随循环轮次的缩小趋势，确定在选定超参符合要求时网络调试的目标循环轮次；以收敛所述第一全局调试代价指标为期望对包括所述飞行路径分析网络、所述环境监测分析网络和所述联动分析网络的基础神经网络进行调试，在所述第一全局调试代价指标趋于稳定且调试过程中的真实循环轮次达到所述目标循环轮次时，确定所述基础神经网络转换为决策观点识别网络。
7.一种AI调度分析服务器，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-6任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现上述权利要求1-6任一项所述的方法。
CN202310941973.4A 2023-07-28 2023-07-28 应用人工智能的无人机飞行调度分析方法、服务器及介质 Active CN116663864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310941973.4A CN116663864B (zh) 2023-07-28 2023-07-28 应用人工智能的无人机飞行调度分析方法、服务器及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310941973.4A CN116663864B (zh) 2023-07-28 2023-07-28 应用人工智能的无人机飞行调度分析方法、服务器及介质

Publications (2)

Publication Number Publication Date
CN116663864A CN116663864A (zh) 2023-08-29
CN116663864B true CN116663864B (zh) 2023-10-10

Family

ID=87710060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310941973.4A Active CN116663864B (zh) 2023-07-28 2023-07-28 应用人工智能的无人机飞行调度分析方法、服务器及介质

Country Status (1)

Country Link
CN (1) CN116663864B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171893B (zh) * 2023-10-25 2024-01-23 天之翼(苏州)科技有限公司 基于人工智能的无人机飞行短板分析方法及系统
CN117197701B (zh) * 2023-11-07 2024-02-13 广州天地林业有限公司 基于图像分析的保护区环境空间特征分析方法及系统
CN117421643B (zh) * 2023-12-18 2024-02-23 贵州省环境工程评估中心 基于人工智能的生态环境遥感数据分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902876A (zh) * 2019-03-01 2019-06-18 腾讯科技（深圳）有限公司 一种确定智能设备移动方向的方法、装置及路径规划系统
CN113204246A (zh) * 2021-05-20 2021-08-03 李胜林 一种无人机运行状态检测方法
CN115526321A (zh) * 2022-09-24 2022-12-27 中国人民解放军战略支援部队信息工程大学 基于智能体动态路径补全策略的知识推理方法及系统
CN116259197A (zh) * 2022-10-31 2023-06-13 亿航智能设备（广州）有限公司 基于实时环境变量的飞行器航线调度方法、装置和系统
CN116483978A (zh) * 2023-05-06 2023-07-25 沈阳尚盈电子科技有限公司 基于知识可视化的线上会话大数据存储方法及软件产品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902876A (zh) * 2019-03-01 2019-06-18 腾讯科技（深圳）有限公司 一种确定智能设备移动方向的方法、装置及路径规划系统
CN113204246A (zh) * 2021-05-20 2021-08-03 李胜林 一种无人机运行状态检测方法
CN115526321A (zh) * 2022-09-24 2022-12-27 中国人民解放军战略支援部队信息工程大学 基于智能体动态路径补全策略的知识推理方法及系统
CN116259197A (zh) * 2022-10-31 2023-06-13 亿航智能设备（广州）有限公司 基于实时环境变量的飞行器航线调度方法、装置和系统
CN116483978A (zh) * 2023-05-06 2023-07-25 沈阳尚盈电子科技有限公司 基于知识可视化的线上会话大数据存储方法及软件产品

Also Published As

Publication number Publication date
CN116663864A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN116663864B (zh) 应用人工智能的无人机飞行调度分析方法、服务器及介质
CN107016464B (zh) 基于动态贝叶斯网络的威胁估计方法
CN111597760B (zh) 一种实现小样本条件下获取气路参数偏差值的方法
CN114218568B (zh) 一种应用于云服务的大数据攻击处理方法及系统
CN111586728B (zh) 一种面向小样本特征的异构无线网络故障检测与诊断方法
CN113299382A (zh) 基于人工智能的智慧医疗信息决策方法及云计算系统
CN109902373A (zh) 一种辖区变电站故障诊断、定位方法及系统
CN112884569A (zh) 一种信用评估模型的训练方法、装置及设备
CN112668723B (zh) 一种机器学习方法及系统
CN116956212B (zh) 一种多源视觉信息特征识别与提取方法
CN111428224A (zh) 基于人脸识别的电脑账户登录的方法
CN110177006B (zh) 基于接口预测模型的节点测试方法及装置
CN115456481A (zh) 应用于企业管理的考勤数据处理方法及考勤服务器
CN117218472A (zh) 图像分类模型训练方法、图像分类方法及相关装置
CN113627464B (zh) 图像处理方法、装置、设备和存储介质
CN116560894B (zh) 应用机器学习的无人机故障数据分析方法、服务器及介质
CN111639141A (zh) 数据测试方法、装置及计算机终端
Hametner et al. Model based lithium ion cell ageing data analysis
CN116306574B (zh) 应用于智慧风控任务分析的大数据挖掘方法及服务器
CN111275061A (zh) 车辆属性识别方法及其模型训练方法、装置和电子设备
CN112600282B (zh) 一种智能太阳能箱包充放电控制方法及系统
CN114611598A (zh) 一种分群处理方法及装置
CN116910498A (zh) 基于复杂网络的海上无人系统生存能力的评估方法和装置
CN114912447A (zh) 基于智慧城市的数据处理方法、装置及设备
CN112949775A (zh) 一种基于智慧城市的大数据检测处理方法及系统

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