CN117094534B - 一种物联智控方法及系统 - Google Patents
一种物联智控方法及系统 Download PDFInfo
- Publication number
- CN117094534B CN117094534B CN202311352698.9A CN202311352698A CN117094534B CN 117094534 B CN117094534 B CN 117094534B CN 202311352698 A CN202311352698 A CN 202311352698A CN 117094534 B CN117094534 B CN 117094534B
- Authority
- CN
- China
- Prior art keywords
- campus
- garbage
- data
- historical
- garbage collection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 264
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000013439 planning Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004064 recycling Methods 0.000 claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims abstract description 3
- 239000002245 particle Substances 0.000 claims description 48
- 238000004458 analytical method Methods 0.000 claims description 47
- 238000005457 optimization Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012098 association analyses Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 10
- 238000007726 management method Methods 0.000 abstract description 8
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Refuse Collection And Transfer (AREA)
Abstract
本发明提供了一种物联智控方法及系统,涉及垃圾回收技术领域,包括将校园活动的历史策划数据、人员流动的历史监测数据和校园内垃圾桶的历史填充数据发送至神经网络模型进行训练,并基于垃圾桶填充数据预测模型,得到校园内垃圾桶的预测填充数据;根据预设的校园地图数据和所述垃圾回收车的历史行驶数据建立校园网络结构模型;基于校园内垃圾桶的预测填充数据对校园网络结构模型中的所有节点按照重要度进行排序,得到至少一条垃圾回收车的行驶路径;将所有的垃圾回收车的行驶路径发送至训练后的路径选择模型进行路径选择处理,得到垃圾回收车的最终行驶路径;本发明改善了校园内的垃圾管理效率,减少资源浪费,降低环境影响。
Description
技术领域
本发明涉及垃圾回收技术领域,具体而言,涉及一种物联智控方法及系统。
背景技术
传统的校园垃圾收集和管理方法通常基于静态的计划和有限的资源,无法有效适应校园内不断变化的活动和人员流动情况。这导致了垃圾桶的不均匀填充和垃圾回收车的低效运行,增加了校园内垃圾处理的成本和资源浪费,传统的校园垃圾管理方法难以适应校园内不断变化的情况,造成了垃圾桶的过度填充或浪费、垃圾回收车的不合理路线规划、资源浪费以及环境影响,因此,需要一种更智能、基于数据和物联网的方法,能够实时监测校园内的活动和垃圾桶填充情况,并根据这些数据动态规划垃圾回收车的路线,从而实现高效的垃圾管理。
发明内容
本发明的目的在于提供一种物联智控方法及系统,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,本申请提供了一种物联智控方法,包括:
基于物联网获取校园内垃圾桶的历史填充数据、人员流动的历史监测数据、垃圾回收车的历史行驶数据和校园活动的历史策划数据,所述校园活动的历史策划数据包括校园活动的历史举办时间、地点和举办方式;
将所述校园活动的历史策划数据、所述人员流动的历史监测数据和校园内垃圾桶的历史填充数据发送至神经网络模型进行训练,并基于训练得到的垃圾桶填充数据预测模型,得到校园内垃圾桶的预测填充数据;
根据预设的校园地图数据和所述垃圾回收车的历史行驶数据建立校园网络结构模型,所述校园网络结构模型中包括至少两个节点和至少一个边,所述节点为校园内垃圾桶位置,所述边表示所述节点间可供垃圾回收车行驶的有效路径;
基于所述校园内垃圾桶的预测填充数据对所述校园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校园网络结构模型得到至少一条垃圾回收车的行驶路径;
将所有的垃圾回收车的行驶路径发送至训练后的路径选择模型进行路径选择处理,得到垃圾回收车的最终行驶路径,所述垃圾回收车的最终行驶路径为控制垃圾回收车运行的行驶路径。
另一方面,本申请还提供了一种物联智控系统,包括:
获取模块,用于基于物联网获取校园内垃圾桶的历史填充数据、人员流动的历史监测数据、垃圾回收车的历史行驶数据和校园活动的历史策划数据,所述校园活动的历史策划数据包括校园活动的历史举办时间、地点和举办方式;
预测模块,用于将所述校园活动的历史策划数据、所述人员流动的历史监测数据和校园内垃圾桶的历史填充数据发送至神经网络模型进行训练,并基于训练得到的垃圾桶填充数据预测模型,得到校园内垃圾桶的预测填充数据;
处理模块,用于根据预设的校园地图数据和所述垃圾回收车的历史行驶数据建立校园网络结构模型,所述校园网络结构模型中包括至少两个节点和至少一个边,所述节点为校园内垃圾桶位置,所述边表示所述节点间可供垃圾回收车行驶的有效路径;
排序模块,用于基于所述校园内垃圾桶的预测填充数据对所述校园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校园网络结构模型得到至少一条垃圾回收车的行驶路径;
选择模块,用于将所有的垃圾回收车的行驶路径发送至训练后的路径选择模型进行路径选择处理,得到垃圾回收车的最终行驶路径,所述垃圾回收车的最终行驶路径为控制垃圾回收车运行的行驶路径。
本发明的有益效果为:
本发明利用物联网技术和神经网络模型,实时获取校园内垃圾桶的填充数据、人员流动数据、垃圾回收车行驶数据以及校园活动策划数据,通过智能算法分析这些数据,实时预测垃圾桶的填充情况,基于历史数据和神经网络模型,从而避免垃圾桶的过度填充或浪费。基于校园地图和历史行驶数据构建校园网络结构模型,为垃圾回收车的智能路径规划提供依据。动态规划垃圾回收车的行驶路径,考虑校园活动和人员流动情况,以最小化资源浪费并降低环境影响。采用粒子群优化算法和神经网络模型的组合方法,提高了模型的准确性和效率。通过这一系列的创新性的物联智控方法,改善了校园内的垃圾管理效率,减少资源浪费,降低环境影响,提高校园可持续性,为校园管理和垃圾处理领域带来了重要的技术突破。
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。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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物联智控方法流程示意图;
图2为本发明实施例中所述的物联智控系统结构示意图。
图中:701、获取模块;702、预测模块;703、处理模块;704、排序模块;705、选择模块;7021、第一训练单元;7022、第二训练单元;7023、第一分析单元;7024、第二分析单元;7031、第一处理单元;7032、第二处理单元;7033、第三分析单元;7034、第三处理单元;7041、第四分析单元;7042、第四处理单元;7043、第五处理单元;7051、第五分析单元;7052、第六分析单元;7053、第七分析单元;7054、第六处理单元;70531、第一处理子单元;70532、第二处理子单元。
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物联智控方法。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、基于物联网获取校园内垃圾桶的历史填充数据、人员流动的历史监测数据、垃圾回收车的历史行驶数据和校园活动的历史策划数据,所述校园活动的历史策划数据包括校园活动的历史举办时间、地点和举办方式;
可以理解的是本发明为了实现高效的校园垃圾管理。结合了物联网技术、神经网络模型、粒子群优化算法、卷积神经网络和最小鉴别原理,以实现校园内垃圾桶的智能监测、垃圾回收车的智能路径规划以及最优化的资源利用。首先,本方法从物联网中获取了校园内垃圾桶的历史填充数据:这些数据记录了垃圾桶在不同时间点的填充情况,包括垃圾桶是否已满。人员流动的历史监测数据:这些数据用于追踪校园内人员的移动和活动,包括位置、时间和移动方式。垃圾回收车的历史行驶数据:这些数据记录了垃圾回收车的行驶路径和行驶速度等信息。校园活动的历史策划数据:这些数据包括校园内各种活动的举办时间、地点和举办方式等信息,其中物联网设备包括校园内垃圾桶传感器、人员流动监测设备、垃圾回收车追踪装置、校园活动策划记录设备、数据处理和分析服务器,通过实时数据采集和通信,为校园内垃圾回收车的智能控制提供了基础信息和支持。它们协同工作,以实现垃圾回收车的优化调度和路径规划,从而提高垃圾回收效率和资源利用率。
步骤S2、将所述校园活动的历史策划数据、所述人员流动的历史监测数据和校园内垃圾桶的历史填充数据发送至神经网络模型进行训练,并基于训练得到的垃圾桶填充数据预测模型,得到校园内垃圾桶的预测填充数据;
可以理解的是本步骤通过将校园活动的历史策划数据、人员流动的历史监测数据和校园内垃圾桶的历史填充数据被输入到BP神经网络模型中,并通过粒子群优化算法对BP神经网络模型进行优化。这一步骤的目标是创建一个准确的垃圾桶填充数据预测模型,该模型可以预测校园内垃圾桶的未来填充情况。步骤S2包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21、将所述校园活动的历史策划数据和所述人员流动的历史监测数据作为输入参数发送至BP神经网络模型内进行训练,并通过粒子群优化算法对BP神经网络模型进行优化;
可以理解的是本步骤通过将校园活动的历史策划数据和人员流动的历史监测数据处理为适合神经网络的格式,并作为输入提供给神经网络。其中,BP神经网络由多个神经元组成的层次结构,包括输入层、隐藏层和输出层。然后将输入数据传递到输入层,然后通过神经网络的隐藏层进行前向传播,最终生成输出。在这个步骤中,神经网络将学习如何将校园活动映射到人员流动数据的预测。
步骤S22、通过粒子群优化算法计算粒子适应度值,根据粒子群中粒子的适应度大小,得到粒子的个体最优位置和全局最优位置,并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置,直至所述粒子群优化算法达到最大迭代次数,得到优化后的BP神经网络模型;
可以理解的是本步骤通过粒子群优化算法计算每个粒子的适应度值来评估每个粒子的性能,其中粒子代表了不同的权重和参数组合。适应度值通常是根据神经网络的预测性能来计算的,目标是最小化预测误差。算法维护每个粒子的个体最优位置和全局最优位置。个体最优位置是粒子在搜索过程中找到的最佳权重和参数组合,而全局最优位置是整个粒子群中最佳的权重和参数组合。粒子群算法通过不断更新粒子的速度和位置,以动态跟踪个体最优位置和全局最优位置,并逐渐收敛到最优解。这个过程会持续一定的迭代次数,直到达到最大迭代次数,得到最准确的人员流动预测数据。
步骤S23、将所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据进行回归分析,确定所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据的关系函数;
可以理解的是本步骤通过对历史数据进行回归分析,确定所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据的关系函数,进而描述两者的相关性,其中所述关系函数如下所示:
Y=ax+b
其中,Y表示垃圾桶的历史填充数据,x表示人员流动的历史监测数据,a和b均为回归分析得到的系数。
步骤S24、将所述关系函数和优化后的BP神经网络模型进行组合,得到垃圾桶填充数据预测模型,其中组合方式为将优化后的BP神经网络模型的输出结果带入至所述关系函数中进行计算,进而得到校园内垃圾桶的预测填充数据。
可以理解的是,本步骤使用已获得的关系函数,将BP神经网络模型的输出结果与人员流动数据关联起来,以获得垃圾桶填充数据的预测值,进而可以准确地预测校园内垃圾桶的填充情况。这有助于实现智能垃圾桶管理系统的优化和资源利用。
其中,本步骤还可以将关系函数和优化后的BP神经网络模型进行组合的步骤还可以为结合神经网络的学习能力和回归分析的关系建模,以提高填充数据的准确性。
步骤S3、根据预设的校园地图数据和所述垃圾回收车的历史行驶数据建立校园网络结构模型,所述校园网络结构模型中包括至少两个节点和至少一个边,所述节点为校园内垃圾桶位置,所述边表示所述节点间可供垃圾回收车行驶的有效路径;
可以理解的是本步骤通过建立校园网络结构模型进而快速确定可供垃圾回收车行驶的有效路径,更好的管理垃圾回收和资源分配,本步骤中,步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、对所述校园地图数据和所述垃圾回收车的历史行驶数据进行特征提取,得到校园内垃圾桶的位置数据和垃圾桶位置之间的路径数据;
可以理解的是本步骤针对校园地图数据,可以提取校园内垃圾桶的位置信息,这包括每个垃圾桶的坐标。对于垃圾回收车的历史行驶数据,可以通过分析车辆的GPS轨迹来获取有效路径数据,包括垃圾回收车可以行驶的路径、道路交叉口等数据,为之后神经网络训练做准备;
步骤S32、将所述垃圾桶的位置数据和所述垃圾桶位置之间的路径数据发送至预处理后训练卷积神经网络,生成校园网络结构的预测信息;
可以理解的是提取的垃圾桶位置数据和路径数据发送至卷积神经网络进行训练,最终生成校园网络结构的预测信息,该预测信息可以表示出垃圾回收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垃圾回收车回收路线的规划。卷积神经网络是一种深度学习模型,特别适合处理图像和空间数据。在卷积神经网络训练中,模型将学会如何从位置数据和路径数据中提取有关校园内垃圾桶和回收车的特征,以便后续的分析和预测。
步骤S33、对所述校园网络结构的预测信息进行分析得到分析结果,所述分析结果包括垃圾回收车的回收路线趋势结论;
可以理解的是本步骤通过卷积神经网络模型将用于生成校园网络结构的预测信息。这些信息可以包括对垃圾桶位置的特征描述以及垃圾回收车的行驶趋势。并通过分析卷积神经网络模型生成的预测信息,可以得出关于垃圾回收车回收路线的趋势结论,包括哪些垃圾桶倾向于在特定时间段内填满,以及哪些路段可能需要更频繁的清理等信息。
步骤S34、根据所述预测信息和分析结果构建得到所述校园网络结构模型。
可以理解的是本步骤基于预测信息和分析结果,构建校园网络结构模型,这个模型将表示校园内垃圾桶、回收车和它们之间的关系,以便进行后续的路径规划和垃圾回收车调度。其中,模型的构建可以使用图论方法,其中垃圾桶位置被视为节点,有效路径被视为边。通过建立这样的网络模型,可以更好地理解校园内的垃圾桶分布和回收车的行驶路线。
步骤S4、基于所述校园内垃圾桶的预测填充数据对所述校园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校园网络结构模型得到至少一条垃圾回收车的行驶路径;
可以理解的是本步骤通过对校园网络结构模型内的所有节点进行重要性排序,可以生成垃圾回收车的行驶路径,以有效地管理垃圾回收和资源分配,本步骤中,步骤S4包括步骤S41、步骤S42和步骤S43。
步骤S41、将所有的校园内垃圾桶的预测填充数据进行层次分析,确定所有的校园内垃圾桶的预测填充数据的相对权重,并基于所述相对权重建立权重矩阵;
可以理解的是本步骤使用层次分析方法,考虑各个因素(包括历史填充情况、位置、垃圾桶容量等)来确定每个因素对垃圾桶填充的相对权重。基于相对权重,构建权重矩阵,其中矩阵的元素表示不同垃圾桶之间的相对重要性,其中,权重矩阵的大小将与垃圾桶的数量相匹配。
步骤S42、基于权重矩阵对所述校园网络结构模型的节点按照重要性进行排序;
可以理解的是本步骤将权重矩阵应用于校园网络结构模型中,其中节点代表垃圾桶的位置,并使用排序算法根据权重值从高到低对节点进行排序。最终,得到一个垃圾桶的排序列表,其中垃圾桶根据其预测填充数据的相对权重被排序,从最重要的到最不重要的。
步骤S43、将所述校园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至少一条垃圾回收车的行驶路径。
可以理解的是本步骤通过从排序后的垃圾桶列表中选择排名最高的垃圾桶作为起始点,根据节点的排序顺序,按照重要性降序依次访问其他垃圾桶节点,构建垃圾回收车的行驶路径。这些路径以满足最小化总行驶距离、最大程度地覆盖垃圾桶进行垃圾回收的需求为目的构建。
步骤S5、将所有的垃圾回收车的行驶路径发送至训练后的路径选择模型进行路径选择处理,得到垃圾回收车的最终行驶路径,所述垃圾回收车的最终行驶路径为控制垃圾回收车运行的行驶路径。
可以理解的是本步骤通过利用关联度值和匹配算法来选择最佳的垃圾回收车行驶路径,以最优化垃圾回收车的资源分配和行驶路线,本步骤中,步骤S5包括步骤S51、步骤S52、步骤S53和步骤S54。
步骤S51、将所有的垃圾回收车的行驶路径分别与预设的校园人流监测数据进行关联分析,确定每个垃圾回收车的行驶路径和预设的校园人流监测数据的第一关联度值,并将所述第一关联度值作为路径选择的第一判断特征;
可以理解的是本步骤将每个垃圾回收车的行驶路径与校园人流监测数据进行关联分析,计算其与校园人流监测数据的关联度。这个度量可以是一个数值,表示路径与人流监测数据的相关性。然后将每个垃圾回收车的行驶路径与校园人流监测数据的关联度值作为路径选择的第一判断特征。
步骤S52、将所有的垃圾回收车的行驶路径分别与垃圾回收车的历史行驶数据进行关联分析,确定所有的垃圾回收车的行驶路径和垃圾回收车的历史行驶数据的第二关联度值,并将所述第二关联度值作为路径选择的第二判断特征;
可以理解的是本步骤通过将垃圾回收车的行驶路径分别与垃圾回收车的历史行驶数据进行关联分析,确定两者这件的关联度值,进而确定路径与历史行驶数据的相关性。
步骤S53、基于最小鉴别原理将所述第一关联度值和所述第二关联度值进行组合,得到第三关联度值,并将所述第三关联度值作为路径选择的第三判断特征;
可以理解的是最小鉴别原理对所述第一关联度值和所述第二关联度值进行组合是为了在基于关联度值选择行驶路径时不偏向任何一个关联度值,进而达到确定最佳行驶路线的目的,本步骤中,步骤S53包括步骤S531和步骤S532。
步骤S531、依据最小鉴别信息原理对所述第一关联度值和所述第二关联度值进行处理,其中,通过最小鉴别原理构建目标函数,并将所述目标函数内进行求解,得到所述目标函数的求解结果;
步骤S532、基于所述目标函数的求解结果构建拉格朗日函数,并将所述第一关联度值和所述第二关联度代入到所述拉格朗日函数进行求解,得到所述第一关联度值和所述第二关联度的组合关联度值。
可以理解的是本步骤依据最小鉴别信息原理对第一关联度值和第二关联度值进行处理,其中,通过最小鉴别原理构建目标函数,并将所述目标函数内进行求解,得到所述目标函数的求解结果;
所述目标函数如下:
;
其中,为第i个第一关联度值,/>为第i个第二关联度值,/>为第i个第三关联度值,n为关联度值总个数;
基于所述目标函数的求解结果构建拉格朗日函数,并将第一关联度值和第二关联度值代入到所述拉格朗日函数进行求解,得到预测的第三关联度值;
其中,所构建的拉格朗日函数如下:
;
;
其中,L为拉格朗日函数,拉格朗日常数,/>为第i个第一关联度值,/>为第i个第二关联度值,/>为第i个第三关联度值,n为关联度值总个数;
进一步的,所述拉格朗日函数求解公式如下:
;
其中,为第i个第一关联度值,/>为第i个第二关联度值,/>为第i个第三关联度值,n为关联度值总个数。
步骤S54、将所述第一判断特征、第二判断特征和第三判断特征采用KM匹配算法进行匹配,确定最大匹配值对应的垃圾回收车的行驶路径,并将所述最大匹配值对应的垃圾回收车的行驶路径作为垃圾回收车的最终行驶路径。
可以理解的是本步骤使用KM匹配算法来匹配每个垃圾回收车的第一、第二和第三判断特征,以确定最大匹配值对应的行驶路径,进而选择最佳的垃圾回收车行驶路径,然后基于物联网控制垃圾回收车进行运行。
实施例2:
如图2所示,本实施例提供了一种物联智控系统,参见图2所述系统包括获取模块701、预测模块702、处理模块703、排序模块704和选择模块705。
获取模块701,用于基于物联网获取校园内垃圾桶的历史填充数据、人员流动的历史监测数据、垃圾回收车的历史行驶数据和校园活动的历史策划数据,所述校园活动的历史策划数据包括校园活动的历史举办时间、地点和举办方式;
预测模块702,用于将所述校园活动的历史策划数据、所述人员流动的历史监测数据和校园内垃圾桶的历史填充数据发送至神经网络模型进行训练,并基于训练得到的垃圾桶填充数据预测模型,得到校园内垃圾桶的预测填充数据;
其中,所述预测模块702包括第一训练单元7021、第二训练单元7022、第一分析单元7023和第二分析单元7024。
第一训练单元7021,用于将所述校园活动的历史策划数据和所述人员流动的历史监测数据作为输入参数发送至BP神经网络模型内进行训练,并通过粒子群优化算法对BP神经网络模型进行优化;
第二训练单元7022,用于通过粒子群优化算法计算粒子适应度值,根据粒子群中粒子的适应度大小,得到粒子的个体最优位置和全局最优位置,并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置,直至所述粒子群优化算法达到最大迭代次数,得到优化后的BP神经网络模型;
第一分析单元7023,用于将所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据进行回归分析,确定所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据的关系函数;
第二分析单元7024,用于将所述关系函数和优化后的BP神经网络模型进行组合,得到垃圾桶填充数据预测模型,其中组合方式为将优化后的BP神经网络模型的输出结果带入至所述关系函数中进行计算,进而得到校园内垃圾桶的预测填充数据。
处理模块703,用于根据预设的校园地图数据和所述垃圾回收车的历史行驶数据建立校园网络结构模型,所述校园网络结构模型中包括至少两个节点和至少一个边,所述节点为校园内垃圾桶位置,所述边表示所述节点间可供垃圾回收车行驶的有效路径;
其中,所述处理模块703包括第一处理单元7031、第二处理单元7032、第三分析单元7033和第三处理单元7034。
第一处理单元7031,用于对所述校园地图数据和所述垃圾回收车的历史行驶数据进行特征提取,得到校园内垃圾桶的位置数据和垃圾桶位置之间的路径数据;
第二处理单元7032,用于将所述垃圾桶的位置数据和所述垃圾桶位置之间的路径数据发送至预处理后训练卷积神经网络,生成校园网络结构的预测信息;
第三分析单元7033,用于对所述校园网络结构的预测信息进行分析得到分析结果,所述分析结果包括垃圾回收车的回收路线趋势结论;
第三处理单元7034,用于根据所述预测信息和分析结果构建得到所述校园网络结构模型。
排序模块704,用于基于所述校园内垃圾桶的预测填充数据对所述校园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校园网络结构模型得到至少一条垃圾回收车的行驶路径;
其中,所述排序模块704包括第四分析单元7041、第四处理单元7042和第五处理单元7043。
第四分析单元7041,用于将所有的校园内垃圾桶的预测填充数据进行层次分析,确定所有的校园内垃圾桶的预测填充数据的相对权重,并基于所述相对权重建立权重矩阵;
第四处理单元7042,用于基于权重矩阵对所述校园网络结构模型的节点按照重要性进行排序;
第五处理单元7043,用于将所述校园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至少一条垃圾回收车的行驶路径。
选择模块705,用于将所有的垃圾回收车的行驶路径发送至训练后的路径选择模型进行路径选择处理,得到垃圾回收车的最终行驶路径,所述垃圾回收车的最终行驶路径为控制垃圾回收车运行的行驶路径。
其中,所述选择模块705包括第五分析单元7051、第六分析单元7052、第七分析单元7053和第六处理单元7054。
第五分析单元7051,用于将所有的垃圾回收车的行驶路径分别与预设的校园人流监测数据进行关联分析,确定每个垃圾回收车的行驶路径和预设的校园人流监测数据的第一关联度值,并将所述第一关联度值作为路径选择的第一判断特征;
第六分析单元7052,用于将所有的垃圾回收车的行驶路径分别与垃圾回收车的历史行驶数据进行关联分析,确定所有的垃圾回收车的行驶路径和垃圾回收车的历史行驶数据的第二关联度值,并将所述第二关联度值作为路径选择的第二判断特征;
第七分析单元7053,用于基于最小鉴别原理将所述第一关联度值和所述第二关联度值进行组合,得到第三关联度值,并将所述第三关联度值作为路径选择的第三判断特征;
其中,所述第七分析单元7053包括第一处理子单元70531和第二处理子单元70532。
第一处理子单元70531,用于依据最小鉴别信息原理对所述第一关联度值和所述第二关联度值进行处理,其中,通过最小鉴别原理构建目标函数,并将所述目标函数内进行求解,得到所述目标函数的求解结果;
第二处理子单元70532,用于基于所述目标函数的求解结果构建拉格朗日函数,并将所述第一关联度值和所述第二关联度代入到所述拉格朗日函数进行求解,得到所述第一关联度值和所述第二关联度的组合关联度值。
第六处理单元7054,用于将所述第一判断特征、第二判断特征和第三判断特征采用KM匹配算法进行匹配,确定最大匹配值对应的垃圾回收车的行驶路径,并将所述最大匹配值对应的垃圾回收车的行驶路径作为垃圾回收车的最终行驶路径。
需要说明的是,关于上述实施例中的系统,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优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
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 (6)
1.一种物联智控方法,其特征在于,包括:
基于物联网获取校园内垃圾桶的历史填充数据、人员流动的历史监测数据、垃圾回收车的历史行驶数据和校园活动的历史策划数据,所述校园活动的历史策划数据包括校园活动的历史举办时间、地点和举办方式;
将所述校园活动的历史策划数据、所述人员流动的历史监测数据和校园内垃圾桶的历史填充数据发送至神经网络模型进行训练,并基于训练得到的垃圾桶填充数据预测模型,得到校园内垃圾桶的预测填充数据;
根据预设的校园地图数据和所述垃圾回收车的历史行驶数据建立校园网络结构模型,所述校园网络结构模型中包括至少两个节点和至少一个边,所述节点为校园内垃圾桶位置,所述边表示所述节点间可供垃圾回收车行驶的有效路径;
基于所述校园内垃圾桶的预测填充数据对所述校园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校园网络结构模型得到至少一条垃圾回收车的行驶路径;
将所有的垃圾回收车的行驶路径发送至训练后的路径选择模型进行路径选择处理,得到垃圾回收车的最终行驶路径,所述垃圾回收车的最终行驶路径为控制垃圾回收车运行的行驶路径;
其中,将所述校园活动的历史策划数据、所述人员流动的历史监测数据和校园内垃圾桶的历史填充数据发送至神经网络模型进行训练,包括:
将所述校园活动的历史策划数据和所述人员流动的历史监测数据作为输入参数发送至BP神经网络模型内进行训练,并通过粒子群优化算法对BP神经网络模型进行优化;
通过粒子群优化算法计算粒子适应度值,根据粒子群中粒子的适应度大小,得到粒子的个体最优位置和全局最优位置,并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置,直至所述粒子群优化算法达到最大迭代次数,得到优化后的BP神经网络模型;
将所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据进行回归分析,确定所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据的关系函数;
将所述关系函数和优化后的BP神经网络模型进行组合,得到垃圾桶填充数据预测模型,其中组合方式为将优化后的BP神经网络模型的输出结果带入至所述关系函数中进行计算,进而得到校园内垃圾桶的预测填充数据;
其中,所述将所有的垃圾回收车的行驶路径发送至训练后的路径选择模型进行路径选择处理,包括:
将所有的垃圾回收车的行驶路径分别与预设的校园人流监测数据进行关联分析,确定每个垃圾回收车的行驶路径和预设的校园人流监测数据的第一关联度值,并将所述第一关联度值作为路径选择的第一判断特征;
将所有的垃圾回收车的行驶路径分别与垃圾回收车的历史行驶数据进行关联分析,确定所有的垃圾回收车的行驶路径和垃圾回收车的历史行驶数据的第二关联度值,并将所述第二关联度值作为路径选择的第二判断特征;
基于最小鉴别原理将所述第一关联度值和所述第二关联度值进行组合,得到第三关联度值,并将所述第三关联度值作为路径选择的第三判断特征;
将所述第一判断特征、第二判断特征和第三判断特征采用KM匹配算法进行匹配,确定最大匹配值对应的垃圾回收车的行驶路径,并将所述最大匹配值对应的垃圾回收车的行驶路径作为垃圾回收车的最终行驶路径。
2.根据权利要求1所述的物联智控方法,其特征在于,根据预设的校园地图数据和所述垃圾回收车的历史行驶数据建立校园网络结构模型,包括:
对所述校园地图数据和所述垃圾回收车的历史行驶数据进行特征提取,得到校园内垃圾桶的位置数据和垃圾桶位置之间的路径数据;
将所述垃圾桶的位置数据和所述垃圾桶位置之间的路径数据发送至预处理后训练卷积神经网络,生成校园网络结构的预测信息;
对所述校园网络结构的预测信息进行分析得到分析结果,所述分析结果包括垃圾回收车的回收路线趋势结论;
根据所述预测信息和分析结果构建得到所述校园网络结构模型。
3.根据权利要求1所述的物联智控方法,其特征在于,基于所述校园内垃圾桶的预测填充数据对所述校园网络结构模型中的所有所述节点按照重要度进行排序,包括:
将所有的校园内垃圾桶的预测填充数据进行层次分析,确定所有的校园内垃圾桶的预测填充数据的相对权重,并基于所述相对权重建立权重矩阵;
基于权重矩阵对所述校园网络结构模型的节点按照重要性进行排序;
将所述校园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至少一条垃圾回收车的行驶路径。
4.一种物联智控系统,其特征在于,包括:
获取模块,用于基于物联网获取校园内垃圾桶的历史填充数据、人员流动的历史监测数据、垃圾回收车的历史行驶数据和校园活动的历史策划数据,所述校园活动的历史策划数据包括校园活动的历史举办时间、地点和举办方式;
预测模块,用于将所述校园活动的历史策划数据、所述人员流动的历史监测数据和校园内垃圾桶的历史填充数据发送至神经网络模型进行训练,并基于训练得到的垃圾桶填充数据预测模型,得到校园内垃圾桶的预测填充数据;
处理模块,用于根据预设的校园地图数据和所述垃圾回收车的历史行驶数据建立校园网络结构模型,所述校园网络结构模型中包括至少两个节点和至少一个边,所述节点为校园内垃圾桶位置,所述边表示所述节点间可供垃圾回收车行驶的有效路径;
排序模块,用于基于所述校园内垃圾桶的预测填充数据对所述校园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校园网络结构模型得到至少一条垃圾回收车的行驶路径;
选择模块,用于将所有的垃圾回收车的行驶路径发送至训练后的路径选择模型进行路径选择处理,得到垃圾回收车的最终行驶路径,所述垃圾回收车的最终行驶路径为控制垃圾回收车运行的行驶路径;
其中,所述预测模块包括:
第一训练单元,用于将所述校园活动的历史策划数据和所述人员流动的历史监测数据作为输入参数发送至BP神经网络模型内进行训练,并通过粒子群优化算法对BP神经网络模型进行优化;
第二训练单元,用于通过粒子群优化算法计算粒子适应度值,根据粒子群中粒子的适应度大小,得到粒子的个体最优位置和全局最优位置,并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置,直至所述粒子群优化算法达到最大迭代次数,得到优化后的BP神经网络模型;
第一分析单元,用于将所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据进行回归分析,确定所述人员流动的历史监测数据和所述校园内垃圾桶的历史填充数据的关系函数;
第二分析单元,用于将所述关系函数和优化后的BP神经网络模型进行组合,得到垃圾桶填充数据预测模型,其中组合方式为将优化后的BP神经网络模型的输出结果带入至所述关系函数中进行计算,进而得到校园内垃圾桶的预测填充数据;
其中,所述选择模块包括:
第五分析单元,用于将所有的垃圾回收车的行驶路径分别与预设的校园人流监测数据进行关联分析,确定每个垃圾回收车的行驶路径和预设的校园人流监测数据的第一关联度值,并将所述第一关联度值作为路径选择的第一判断特征;
第六分析单元,用于将所有的垃圾回收车的行驶路径分别与垃圾回收车的历史行驶数据进行关联分析,确定所有的垃圾回收车的行驶路径和垃圾回收车的历史行驶数据的第二关联度值,并将所述第二关联度值作为路径选择的第二判断特征;
第七分析单元,用于基于最小鉴别原理将所述第一关联度值和所述第二关联度值进行组合,得到第三关联度值,并将所述第三关联度值作为路径选择的第三判断特征;
第六处理单元,用于将所述第一判断特征、第二判断特征和第三判断特征采用KM匹配算法进行匹配,确定最大匹配值对应的垃圾回收车的行驶路径,并将所述最大匹配值对应的垃圾回收车的行驶路径作为垃圾回收车的最终行驶路径。
5.根据权利要求4所述的物联智控系统,其特征在于,所述处理模块包括:
第一处理单元,用于对所述校园地图数据和所述垃圾回收车的历史行驶数据进行特征提取,得到校园内垃圾桶的位置数据和垃圾桶位置之间的路径数据;
第二处理单元,用于将所述垃圾桶的位置数据和所述垃圾桶位置之间的路径数据发送至预处理后训练卷积神经网络,生成校园网络结构的预测信息;
第三分析单元,用于对所述校园网络结构的预测信息进行分析得到分析结果,所述分析结果包括垃圾回收车的回收路线趋势结论;
第三处理单元,用于根据所述预测信息和分析结果构建得到所述校园网络结构模型。
6.根据权利要求4所述的物联智控系统,其特征在于,所述排序模块包括:
第四分析单元,用于将所有的校园内垃圾桶的预测填充数据进行层次分析,确定所有的校园内垃圾桶的预测填充数据的相对权重,并基于所述相对权重建立权重矩阵;
第四处理单元,用于基于权重矩阵对所述校园网络结构模型的节点按照重要性进行排序;
第五处理单元,用于将所述校园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至少一条垃圾回收车的行驶路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352698.9A CN117094534B (zh) | 2023-10-19 | 2023-10-19 | 一种物联智控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352698.9A CN117094534B (zh) | 2023-10-19 | 2023-10-19 | 一种物联智控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094534A CN117094534A (zh) | 2023-11-21 |
CN117094534B true CN117094534B (zh) | 2024-01-23 |
Family
ID=88775465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311352698.9A Active CN117094534B (zh) | 2023-10-19 | 2023-10-19 | 一种物联智控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094534B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893204B (zh) * | 2024-03-18 | 2024-05-10 | 泸州市兴泸环保发展有限公司 | 数据驱动的垃圾回收预测方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101954400B1 (ko) * | 2018-08-21 | 2019-03-05 | 주식회사 제이엠퓨처 | 종량제 쓰레기 납부필증과 봉투의 발행과 주문 및 수거, 쓰레기 수거 차량 제어가 가능한 통합 관리 시스템 |
CN113344262A (zh) * | 2021-05-28 | 2021-09-03 | 淮阴工学院 | 一种基于城市垃圾分类的智能清运系统及方法 |
KR20220006353A (ko) * | 2020-07-08 | 2022-01-17 | 제주대학교 산학협력단 | 쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템 |
CN114611864A (zh) * | 2021-12-10 | 2022-06-10 | 南京信息工程大学 | 一种垃圾车辆低碳调度方法及系统 |
CN116205423A (zh) * | 2022-10-09 | 2023-06-02 | 扬州大学 | 一种基于粒子群算法的垃圾收运车辆路径多目标优化方法 |
CN116228212A (zh) * | 2023-04-12 | 2023-06-06 | 江南大学 | 一种垃圾回收方法、智能垃圾箱及垃圾回收系统 |
CN116824840A (zh) * | 2022-12-09 | 2023-09-29 | 慧之安信息技术股份有限公司 | 基于物联网的校园车辆行驶管理方法和系统 |
-
2023
- 2023-10-19 CN CN202311352698.9A patent/CN117094534B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101954400B1 (ko) * | 2018-08-21 | 2019-03-05 | 주식회사 제이엠퓨처 | 종량제 쓰레기 납부필증과 봉투의 발행과 주문 및 수거, 쓰레기 수거 차량 제어가 가능한 통합 관리 시스템 |
KR20220006353A (ko) * | 2020-07-08 | 2022-01-17 | 제주대학교 산학협력단 | 쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템 |
CN113344262A (zh) * | 2021-05-28 | 2021-09-03 | 淮阴工学院 | 一种基于城市垃圾分类的智能清运系统及方法 |
CN114611864A (zh) * | 2021-12-10 | 2022-06-10 | 南京信息工程大学 | 一种垃圾车辆低碳调度方法及系统 |
CN116205423A (zh) * | 2022-10-09 | 2023-06-02 | 扬州大学 | 一种基于粒子群算法的垃圾收运车辆路径多目标优化方法 |
CN116824840A (zh) * | 2022-12-09 | 2023-09-29 | 慧之安信息技术股份有限公司 | 基于物联网的校园车辆行驶管理方法和系统 |
CN116228212A (zh) * | 2023-04-12 | 2023-06-06 | 江南大学 | 一种垃圾回收方法、智能垃圾箱及垃圾回收系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117094534A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghahramani et al. | IoT-based route recommendation for an intelligent waste management system | |
US20170270447A1 (en) | Method and system for providing a dynamic ride sharing service | |
CN117094534B (zh) | 一种物联智控方法及系统 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
Ullo et al. | Application of wireless sensor networks to environmental monitoring for sustainable mobility | |
CN115481987B (zh) | 智慧城市街道管理方法、物联网系统、装置和存储介质 | |
CN117541026B (zh) | 一种智能物流运输车辆调度方法及系统 | |
Mohammadi et al. | A dynamic approach for the multi-compartment vehicle routing problem in waste management | |
KR102392054B1 (ko) | 쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템 | |
CN116911481B (zh) | 基于大数据处理的垃圾收运系统及方法 | |
CN117671992A (zh) | 一种公交车智能调度方法及系统 | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
CN111582527A (zh) | 行程时间的预估方法、装置、电子设备和存储介质 | |
CN116592903B (zh) | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 | |
Reddy et al. | A Novel Q-Learning Optimization Approach for Flight Path Prediction in Asian Cities | |
Tomitagawa et al. | Performance Measurement of Energy Optimal Path Finding for Waste Collection Robot Using ACO Algorithm | |
Jain et al. | Enhance traffic flow prediction with real-time vehicle data integration | |
Ajani et al. | Dynamic path planning approaches based on artificial intelligence and machine learning | |
KR100510237B1 (ko) | 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법 | |
Zhang et al. | Distribution path optimization method of gas cylinder based on Genetic-Tabu hybrid algorithm | |
Anbukkarasi et al. | AI Techniques for Future Smart Transportation | |
Bongiovanni et al. | A predictive large neighborhood search for the dynamic electric autonomous dial-a-ride problem | |
CN117196266B (zh) | 基于神经网络的无人驾驶共享汽车区域调度方法及装置 | |
Meng | Research on the Development of Modern Design Through Data Mining Technology | |
Yu et al. | Using construction waste hauling trucks’ GPS data to classify earthwork-related locations: A Chengdu case study |
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 |