CN117196266A - 基于神经网络的无人驾驶共享汽车区域调度方法及装置 - Google Patents
基于神经网络的无人驾驶共享汽车区域调度方法及装置 Download PDFInfo
- Publication number
- CN117196266A CN117196266A CN202311467307.8A CN202311467307A CN117196266A CN 117196266 A CN117196266 A CN 117196266A CN 202311467307 A CN202311467307 A CN 202311467307A CN 117196266 A CN117196266 A CN 117196266A
- Authority
- CN
- China
- Prior art keywords
- demand
- unmanned
- processing
- shared automobile
- area
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 126
- 238000013439 planning Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000005192 partition Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000002922 simulated annealing Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001050985 Disco Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 102000037983 regulatory factors Human genes 0.000 description 1
- 108091008025 regulatory factors Proteins 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于神经网络的无人驾驶共享汽车区域调度方法及装置，涉及无人驾驶车辆技术领域，包括获取历史数据和实时数据；根据历史数据对城市进行区域划分，并对划分后的各区域内的无人驾驶共享汽车进行路径规划处理得到区域划分结果，区域划分结果包括分区方案和各区域内无人驾驶共享汽车的巡航路线；根据道路交通状况和区域划分结果进行预测处理，得到各区域无人驾驶共享汽车的预测需求；基于预设的神经网络模型对乘客需求信息、无人驾驶共享汽车实时状态、巡航路线和预测需求进行处理，得到调度策略。本发明通过综合考虑历史数据和实时数据，对城市进行区域划分，从而使无人驾驶共享汽车的调度更加精确和高效。
Description
技术领域
本发明涉及无人驾驶车辆技术领域，具体而言，涉及一种基于神经网络的无人驾驶共享汽车区域调度方法及装置。
背景技术
随着社会的发展，无人驾驶技术的不断发展，无人驾驶共享汽车逐渐成为城市交通的重要组成部分。目前很多城市已经开始进行无人驾驶共享汽车投放试验，试验除了验证无人驾驶技术的安全性外，针对共享汽车的特点，还主要对共享汽车的投放规则、计费方式等问题进行相应的研究及试验；现有的无人驾驶共享汽车区域调度方法主要采用基于规则的调度策略，这些规则包括最近邻规则、最短路径规则等。这样的调度方式往往忽略了城市道路的通行能力和实时交通状况的影响，无法有效适应复杂多变的城市交通环境；例如，有些地区拥堵情况非常严重，非高峰时段，也存在局部地区交通拥堵的情况，且存在高架桥、快速通道、BRT等多种交通方式，交通环境复杂；其次，目前现有技术只分析了乘客数量及乘客分布区域密度等，但对于共享汽车来说，其实时运行区域随时发生变化，可能出现车辆过多停放在乘客较少区域，无法有效利用，导致资源分配不合理的问题，影响乘客出行体验和无人驾驶共享汽车的运营效率。
为解决上述问题，现亟需一种基于神经网络的无人驾驶共享汽车区域调度方法；本发明专利的技术团队教师长期从事无人驾驶控制及计算方法研究，并与相关企业联合，针对无人驾驶汽车方式的共享汽车模式达成了产学研合作项目，提出了针对无人驾驶共享汽车区域调度的规划方法，利用神经网络模型进行训练，经理论分析及实验验证，模型达到了较好的效果，提高了无人驾驶共享汽车的运营效率。
发明内容
本发明的目的在于提供一种基于神经网络的无人驾驶共享汽车区域调度方法及装置，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神经网络的无人驾驶共享汽车区域调度方法，包括：
获取历史数据和实时数据，所述历史数据包括道路通行能力、城市节假日信息和历史调度数据，所述实时数据包括实时道路交通状况、乘客需求信息和无人驾驶共享汽车实时状态；
根据所述历史数据对城市进行区域划分，并对划分后的各区域内的无人驾驶共享汽车进行路径规划处理得到区域划分结果，所述区域划分结果包括分区方案和各区域内无人驾驶共享汽车的巡航路线；
根据所述道路交通状况和所述区域划分结果进行预测处理，得到各区域无人驾驶共享汽车的预测需求；
基于预设的神经网络模型对所述乘客需求信息、所述无人驾驶共享汽车实时状态、所述巡航路线和所述预测需求进行处理，得到调度策略。
另一方面，本申请还提供了一种基于神经网络的无人驾驶共享汽车区域调度装置，包括：
获取模块，用于获取历史数据和实时数据，所述历史数据包括道路通行能力、城市节假日信息和历史调度数据，所述实时数据包括实时道路交通状况、乘客需求信息和无人驾驶共享汽车实时状态；
划分模块，用于根据所述历史数据对城市进行区域划分，并对划分后的各区域内的无人驾驶共享汽车进行路径规划处理得到区域划分结果，所述区域划分结果包括分区方案和各区域内无人驾驶共享汽车的巡航路线；
预测模块，用于根据所述道路交通状况和所述区域划分结果进行预测处理，得到各区域无人驾驶共享汽车的预测需求；
输出模块，基于预设的神经网络模型对所述乘客需求信息、所述无人驾驶共享汽车实时状态、所述巡航路线和所述预测需求进行处理，得到调度策略。
本发明的有益效果为：
本发明通过综合考虑历史数据和实时数据，对城市进行区域划分，以及对各区域内的无人驾驶共享汽车进行路径规划处理，从而使无人驾驶共享汽车的调度更加精确和高效，有助于提高整个无人驾驶共享汽车系统的运营效率；本发明采用神经网络模型对乘客需求信息、无人驾驶共享汽车实时状态、巡航路线和预测需求进行处理，能够更好地适应复杂多变的城市交通环境，实现实时、动态的调度策略。
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神经网络的无人驾驶共享汽车区域调度方法流程示意图;
图2为本发明实施例中所述的基于神经网络的无人驾驶共享汽车区域调度装置结构示意图。
图中标记：1、获取模块；2、划分模块；21、第一分析单元；22、第二分析单元；23、第一计算单元；24、第三分析单元；241、第一分类单元；242、第四分析单元；243、第五分析单元；244、第六分析单元；245、第一处理单元；25、第一规划单元；3、预测模块；31、第二处理单元；32、第七分析单元；33、第二计算单元；34、第三处理单元；35、第一预测单元；4、输出模块；41、第四处理单元；42、第五处理单元；43、第六处理单元；44、第七处理单元；45、第三计算单元；46、第八处理单元；461、第九处理单元；462、第十处理单元；463、第四计算单元；464、第一排序单元；465、第十一处理单元。
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神经网络的无人驾驶共享汽车区域调度方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
步骤S100、获取历史数据和实时数据，历史数据包括道路通行能力、城市节假日信息和历史调度数据，实时数据包括实时道路交通状况、乘客需求信息和无人驾驶共享汽车实时状态。
可以理解的是，本步骤中，历史数据是指在过去一段时间内所累积的道路通行能力、城市节假日信息和历史调度数据，有助于了解城市交通状况的基本特征以及无人驾驶共享汽车的调度历史。实时数据则是指当前时刻的道路交通状况、乘客需求信息和无人驾驶共享汽车的实时状态，这些数据有助于实时显示城市交通环境的变化，以便根据实际情况进行调度。
步骤S200、根据历史数据对城市进行区域划分，并对划分后的各区域内的无人驾驶共享汽车进行路径规划处理得到区域划分结果，区域划分结果包括分区方案和各区域内无人驾驶共享汽车的巡航路线。
可以理解的是，本步骤中，通过分析道路通行能力、城市节假日信息和历史调度数据，以便了解城市交通需求的分布特征，根据这些信息，为城市制定一个合理的分区方案，将城市划分为若干个区域，以便更有效地进行无人驾驶共享汽车的调度。在完成区域划分后，还需要对每个区域内的无人驾驶共享汽车进行路径规划处理，为每辆无人驾驶共享汽车规划出一条合适的巡航路线，以确保车辆能够在各个区域内高效地响应乘客需求。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、根据道路通行能力对城市道路进行分析处理得到道路承载能力评估结果。
可以理解的是，本步骤中通过评估各条道路在不同时间段的通行能力，以及对交通状况的影响，可以了解哪些道路在特定时间段内可能面临拥堵问题，以及哪些道路具有较高的通行能力。这些信息将有助于更好地了解城市的交通状况，并为后续的区域划分和路径规划提供重要依据。最终得到的道路承载能力评估结果详细描述城市道路网络的通行能力分布情况。
步骤S220、根据城市节假日信息和交通需求进行关联性分析，得到城市活动与交通需求的历史需求特征。
可以理解的是，本步骤中通过对城市节假日信息（如重大节日、活动或庆典等）与交通需求（如出行次数、热门目的地等）进行数据挖掘和分析，从而揭示它们之间的关系。这有助于了解在特定节假日或活动期间，城市的交通需求如何受到影响，以及哪些区域可能面临较大的交通压力。通过关联性分析，可以得到城市活动与交通需求的历史需求特征，这些特征有助于预测未来的交通需求变化，并为区域划分和路径规划提供有价值的参考信息。
步骤S230、根据历史调度数据和预设的使用频率计算公式对无人驾驶共享汽车的使用情况进行计算，得到历史使用频率。
可以理解的是，本步骤中，对历史调度数据（如订单数量、订单完成时间、行驶距离等）的统计分析，同时将这些数据与预设的使用频率计算公式相结合，以评估共享汽车的使用频率。通过这种分析方法，可以了解共享汽车在不同时间段、不同区域的使用情况，有助于预测未来的使用需求，为区域划分和路径规划提供更为精确的依据。同时，也有助于优化共享汽车的调度策略，以提高服务质量和运营效率。计算公式如下：
；
其中，f为使用频率；n为订单数量；t为总行驶时间；α和β为权重参数，分别用于调整订单数量（n）和总行驶时间（t）对使用频率的影响；λ为一个衰减系数，用于调整行驶时间对使用频率的影响；k为距离系数，可以根据实际情况进行调整。
步骤S240、根据道路承载能力评估结果、历史需求特征和历史使用频率进行层次分析处理，得到区域划分方案。
可以理解的是，本步骤中，层次分析法是一种多属性决策方法，可以量化各个因素之间的相对重要性。通过这种方法，可以综合考虑道路承载能力评估结果、历史需求特征和历史使用频率等因素的影响，进而得到合理的区域划分方案。需要说明的是，步骤S240包括步骤S241、步骤S242、步骤S243、步骤S244和步骤S245。
步骤S241、根据道路承载能力评估结果，将城市道路按照通行能力进行分类处理，得到不同等级的道路类别。
可以理解的是，本步骤中通行能力是指道路在一定时间内能够通过的最大交通量，通常用车辆数或人数表示。根据通行能力，可以将道路划分为不同的等级，如高速公路、快速路、主干道、次干道等。通过这种分类处理，可以根据道路通行能力对城市道路进行分级，为后续的层次分析处理提供基础数据。
步骤S242、根据历史需求特征，对城市各区域的交通需求进行分析处理，得到各区域的需求密度分布。
可以理解的是，本步骤中需求密度分布是指在特定区域内，交通需求的集中程度。通过分析各区域的需求密度分布，可以识别出城市中交通需求较高的区域，并针对这些区域进行优化调度。具体操作如下：
步骤S2421、根据历史需求特征数据提取出各区域在不同时间段的乘客需求量。
步骤S2422、对各区域的乘客需求量进行归一化处理，以便在同一尺度上进行比较。优选地，归一化处理使用最大最小归一化方法，即将原始数据线性映射到[0,1]区间。
步骤S2423、依据归一化后的乘客需求量，计算各区域的需求密度。优选地，需求密度可用归一化后的乘客需求量除以区域面积得到；
步骤S2424、将计算得到的需求密度分布绘制在城市地图上，以便直观地观察各区域的需求密度情况。
步骤S243、根据历史使用频率，对无人驾驶共享汽车的使用情况进行统计分析处理，得到各区域的使用频率分布。
可以理解的是，本步骤中使用频率分布是指在特定区域内，无人驾驶共享汽车被使用的频次。通过分析各区域的使用频率分布，可以识别出城市中使用共享汽车较频繁的区域，并针对这些区域进行优化调度。计算公式如下：
；
其中，P(Y=y)表示区域内无人驾驶共享汽车被使用y次的概率；p为成功概率（即汽车被使用的概率）；y为正整数；r为成功次数；C(y+r-1,y)是概率计算中的一个系数，表示在y次成功和r次失败的情况下，成功和失败排列组合的种类数。
步骤S244、根据道路类别、需求密度分布和使用频率分布进行层次分析处理，计算得到各区域的权重分数。
可以理解的是，本步骤中通过使用层次分析法，首先将这三个因素构建成一个层次结构模型，然后通过对两两因素间的相对重要性进行成对比较，计算各因素的权重，在比较过程中采用1-9尺度法量化各因素间的相对重要性；接着将各因素的权重进行归一化处理，确保权重和为1，以便在综合评估时能够准确地反映各因素的相对重要性。在完成因素权重的计算后，根据各区域在道路类别、需求密度分布和使用频率分布这三个方面的表现，为每个区域分配相应的分数。根据各因素的权重，将这些分数进行加权求和，以计算出每个区域的综合权重分数。这个综合权重分数可以在后续的区域划分和无人驾驶共享汽车调度中，更好地考虑各区域的实际情况，进而提高整个系统的运行效率和服务水平。
步骤S245、根据所得到的权重分数，采用模拟退火算法对城市进行区域划分处理，得到区域划分方案。
可以理解的是，本步骤可以分为以下步骤：
步骤S2451、基于计算得到的各区域权重分数，将城市划分为若干个候选区域。这些候选区域作为模拟退火算法的初始解。
步骤S2452、模拟退火算法通过模拟固体退火过程的启发式搜索策略，以一定概率接受次优解，从而避免陷入局部最优解。其中，在本步骤中，通过调整区域边界和调整区域内无人驾驶共享汽车的分布，来寻找一个使得整体调度效果最优化的区域划分方案。
步骤S2453、在每次迭代过程中，根据当前解与新解之间的优劣程度和温度参数来决定是否接受新解。如果新解比当前解更优，那么直接接受新解；如果新解较差，那么以一定概率接受新解，这个概率取决于温度参数。随着迭代次数的增加，温度参数逐渐降低，这意味着算法逐渐趋于稳定，寻找到的解将越来越接近全局最优解。
步骤S2454、当算法达到设定的终止条件（如迭代次数、温度阈值或解的改进幅度）时，将得到一个优化后的区域划分方案。使用模拟退火算法对城市进行区域划分处理有助于实现资源合理分配，满足各区域的实际需求，从而提高整个系统的运行效率和服务水平。
步骤S250、根据区域划分方案对各个区域内的所有无人驾驶共享汽车进行路径规划处理，得到各个区域内每辆无人驾驶共享汽车的巡航路线。
巡航路线是指无人驾驶共享汽车在没有载客时沿固定路线行驶的路线，以便随时为潜在乘客提供服务。优选地，在本步骤中利用迪克斯特拉算法对每辆无人驾驶共享汽车进行路径规划，生成具有较低行驶时间、较短距离且避免拥堵路段的巡航路线。在规划过程中，需要充分考虑各个区域的特点，如需求密度、道路通行能力等，以便为每辆车制定合适的巡航路线。通过对各个区域内的无人驾驶共享汽车进行巡航路线规划处理，可以为每辆车生成合适的巡航路线，从而提高车辆的调度效率和整体的运营效果。
步骤S300、根据道路交通状况和区域划分结果进行预测处理，得到各区域无人驾驶共享汽车的预测需求。
可以理解的是，本步骤中，通过对各区域无人驾驶共享汽车的需求进行预测，可以帮助调度系统更好地了解未来的需求变化，从而制定更合理的调度策略，提高整体调度效果。需要说明的是，步骤S300包括步骤S310、步骤S320、步骤S330、步骤S340和步骤S350。
步骤S310、对道路交通状况进行数据清洗处理得到预处理数据。
可以理解的是，本步骤中数据清洗是一个重要的预处理环节，目的是去除数据中的噪声、重复项、缺失值、异常值等问题，从而得到更为准确和可靠的预处理数据。通过数据清洗，可以保证后续步骤的预测分析基于高质量的数据，从而提高预测的准确性和可靠性。
步骤S320、根据区域划分结果进行空间数据分析处理，得到各区域内的道路网络结构。
可以理解的是，本步骤中空间数据分析主要是通过对地理信息数据进行研究，以发现区域间的相互关系、邻近性和空间分布特征等。在本步骤中，通过空间数据分析，可以揭示各区域内的道路网络结构特点，例如道路密度、交通枢纽和主要道路等。这有助于对各区域的无人驾驶共享汽车需求进行更准确的预测和调度，以提高资源的利用效率和用户的出行体验。
步骤S330、根据预处理数据和各区域内的道路网络结构进行交通流量分布计算，得到各区域的交通流量分布情况。
可以理解的是，本步骤中交通流量分布情况可以反映各个区域的交通拥堵程度、道路使用情况以及交通状况变化趋势。计算公式如下：
；
其中，i，j表示区域的序号；n表示中的区域数量；Qi表示第i个区域的交通流量分布情况；λij表示第i个区域与第j个区域之间的道路通行能力参数，可以通过道路的级别、宽度、交通信号等因素来计算；Tij表示从第i个区域到第j个区域的交通需求量；dij表示第i个区域与第j个区域之间的距离；α为一个用来调节距离对交通流量影响的参数，可以根据实际情况进行调整；公式引入了指数衰减因子，用以表示距离对交通流量分布的影响。
步骤S340、根据交通流量分布情况进行时间序列处理，得到各区域无人驾驶共享汽车的需求趋势。
可以理解的是，时间序列处理是一种统计方法，用于分析按时间顺序收集的数据，以揭示潜在的趋势、周期性波动和其他数据特征。在本步骤中，将交通流量分布数据与时间对应，形成一个时间序列数据集，对这些时间序列数据进行分析，可以发现不同区域在不同时间段内的需求变化趋势。例如，可以识别出早高峰、晚高峰以及其他需求波动的时间点。通过对这些趋势进行分析，可以更好地预测各区域无人驾驶共享汽车的需求，从而有针对性地进行调度策略优化。
步骤S350、根据需求趋势和预设的深度学习数学模型进行预测处理，得到各区域无人驾驶共享汽车的预测需求。
可以理解的是，本步骤中通过各区域无人驾驶共享汽车的需求趋势，可以观察到无人驾驶共享汽车需求随时间变化的模式。这些模式具有周期性、趋势性或其他复杂特征。然后使用预设的深度学习数学模型（如卷积神经网络、循环神经网络、长短时记忆网络等）对这些需求趋势进行建模和预测。深度学习模型可以捕捉到底层数据中的复杂关系，从而进行更精确的需求预测。通过将需求趋势输入到深度学习模型中，可以得到各区域无人驾驶共享汽车的预测需求。预测需求可以用于后续的调度策略制定，以确保无人驾驶共享汽车在恰当的时间和地点满足乘客需求。
步骤S400、基于预设的神经网络模型对乘客需求信息、无人驾驶共享汽车实时状态、巡航路线和预测需求进行处理，得到调度策略。
可以理解的是，神经网络模型通过学习大量历史数据，发现不同因素之间的复杂关系，并为调度策略提供实时优化方案。具体地，本步骤中分析当前各区域的乘客需求分布，结合共享汽车的实时状态和预测需求，生成合理的车辆分配和调度策略。通过这种方式，能够提高无人驾驶共享汽车的服务水平，更好地满足乘客需求，同时有效减少交通拥堵和能源消耗。需要说明的是，步骤S400包括步骤S410、步骤S420、步骤S430、步骤S440、步骤S450和步骤S460。
步骤S410、根据乘客需求信息中至少一个乘客的起始位置、目的地和消费能力进行特征提取和归一化处理，得到乘客需求特征矩阵。
可以理解的是，本步骤中，将乘客的起始位置、目的地坐标转换为特征向量，并根据乘客的消费能力计算相应的权重。接下来，对这些特征进行归一化处理，使其值介于0和1之间。最后将归一化后的特征组合成一个特征矩阵，作为神经网络模型的输入数据。
步骤S420、根据无人驾驶共享汽车实时状态中的剩余电量、实时位置和舒适度等级进行加权评估处理，得到各个无人驾驶共享汽车的综合状态评分。
可以理解的是，本步骤中为剩余电量、实时位置和舒适度等级这些因素分配一个权重，权重的大小可以根据实际情况和需求进行调整。然后利用这些权重对每辆无人驾驶共享汽车的实时状态进行加权求和，得到各个无人驾驶共享汽车的综合状态评分。综合状态评分将作为后续匹配和调度过程的一个重要依据。
步骤S430、根据乘客需求特征矩阵和各个无人驾驶共享汽车的状态评分进行匹配处理，得到匹配结果。
优选地，本步骤使用K最近邻算法，在乘客需求特征矩阵和无人驾驶共享汽车状态评分之间建立关联，将乘客需求特征矩阵与共享汽车状态评分进行比较，寻找距离乘客需求最近的K辆共享汽车，然后根据这些车辆的综合状态评分，为乘客选择最优的共享汽车。本步骤中得到的匹配结果将作为后续调度策略的基础，有助于提高乘客满意度和系统运行效率。
步骤S440、根据匹配结果中的起始时间、预测到达目的地时间和各区域内无人驾驶共享汽车的巡航路线进行动态时间窗口分析处理，得到未来状况，未来状况包括未来各时间点车辆的空闲状态和预计位置。
可以理解的是，在交通领域中，动态时间窗口分析常常被用来处理时空数据。它的基本思想是将时间段分割成不同的窗口，并在每个窗口内分析数据的时空分布。这种方法可以有效地处理动态变化的交通流量、车速、拥堵等信息，为交通管理和调度提供实时数据支持。在本实施例中，采用动态时间窗口分析方法，根据当前时间和预计到达时间，对未来时间窗口内的各个时间点进行状态预测。优选地这个过程可以通过基于历史数据的统计学方法或基于机器学习的预测模型来完成，例如差分整合移动平均自回归模型（ARIMA）。最终得到未来各时间点车辆的空闲状态和预计位置，为后续的调度决策提供实时数据支持。
步骤S450、根据未来状况和预测需求作为神经网络模型的输入值，计算得到各区域的车辆需求分布预测结果。
可以理解的是，本步骤中利用神经网络的非线性映射能力对各个因素进行综合分析和预测，从而得到更为准确的车辆需求分布预测结果。预测结果将有助于制定更合理的无人驾驶共享汽车调度方案，以满足乘客的出行需求，并提高车辆的利用率和服务效率。
步骤S460、根据车辆需求分布预测结果进行区域调度处理，为各区域安排空客巡航车辆得到调度策略。
可以理解的是，本步骤中，根据预测的需求和区域内现有的无人驾驶共享汽车数量，选择合适的车辆调度方案，确保在不同区域内的车辆数量适当，以满足不同区域内的需求。在调度过程中，需要考虑车辆的实际状态、位置、预计到达时间以及所需要的维护和充电等情况。需要说明的是，步骤S460包括步骤S461、步骤S462、步骤S463、步骤S464、步骤S465和步骤S466。
步骤S461、根据车辆需求分布预测结果，通过核密度估计处理，得到各区域的需求热点区域。
可以理解的是，核密度估计是一种非参数密度估计方法，通过计算每个样本点周围一定区域内的密度来估计整个数据集的概率密度函数。在本步骤中，通过将车辆需求分布预测结果看作样本点，计算每个区域内的密度，可以确定每个区域的需求热点区域，即车辆需求较为集中的区域。这有助于后续的区域调度处理，为需求较高的区域安排更多的无人驾驶共享汽车，从而更好地满足用户的需求。
步骤S462、根据需求热点区域和需求热点区域的实时路况进行路径优化处理，得到各无人驾驶共享汽车最优巡航路径。
可以理解的是，本步骤中，需求热点区域是根据车辆需求分布预测结果通过核密度估计处理得到的区域，在此基础上，将实时路况信息进行考虑，包括交通流量、道路拥堵情况、交通事故等，通过路径规划算法得到最优的巡航路径，使得无人驾驶共享汽车在运营过程中能够高效、安全地行驶到需求热点区域，提高了车辆调度的效率。
步骤S463、根据各无人驾驶共享汽车最优巡航路径，利用动态规划算法计算各车辆的出行时间和等待时间，得到各车辆的时间效益评估。
可以理解的是，本步骤中，通过对每辆车的巡航路径进行时间规划，计算出每辆车的最短出行时间和最少等待时间，从而得出时间效益评估。这个评估结果将有助于制定更合理的无人驾驶共享汽车调度策略，提高车辆的使用效率和服务质量。涉及的公式如下：
；
其中，i为车辆名称；j为时间点；k为路线名称；ti,j为出行时间；wi,j为等待时间；F(ti,j,wi,j)表示在时刻j时，车辆i在等待时间wi,j的情况下，到达目的地的最小出行时间；Ti,j表示车辆i在时刻j可以选择的巡航路线集合；Δtk i,j-1表示在时刻j-1时车辆i选择路线k的出行时间增量，Δwk i,j-1表示车辆i选择路线k的等待时间增量；μ和γ分别是两个调节因子。
步骤S464、根据时间效益评估，采用贪心算法对各无人驾驶共享汽车进行优先级排序处理，得到各区域的优先调度顺序。
可以理解的是，本步骤中为了解决多个无人驾驶共享汽车同时到达某一区域时的调度问题，需要根据上一步骤计算得到的时间效益评估，采用贪心算法对各无人驾驶共享汽车进行优先级排序处理，得到各区域的优先调度顺序。优选地，将车辆按照时间效益从小到大排序，优先调度时间效益较高的车辆，从而提高整体的运营效率和客户满意度。
步骤S465、根据优先调度顺序，结合实时道路交通状况和无人驾驶共享汽车实时状态，进行实时调度处理，得到最终的调度策略。
可以理解的是，本步骤中优先级排序的结果会被用来决定无人驾驶共享汽车的调度顺序，同时考虑实时的道路交通状况和车辆的实时状态，通过实时调度算法进行动态调整，以达到最优的调度效果。该步骤需要将前面得到的数据进行实时处理，并进行合理的调度决策，以确保车辆的高效率、低成本地服务于乘客的出行需求。
实施例2
如图2所示，本实施例提供了一种基于神经网络的无人驾驶共享汽车区域调度装置，装置包括：
获取模块1，用于获取历史数据和实时数据，历史数据包括道路通行能力、城市节假日信息和历史调度数据，实时数据包括实时道路交通状况、乘客需求信息和无人驾驶共享汽车实时状态。
划分模块2，用于根据历史数据对城市进行区域划分，并对划分后的各区域内的无人驾驶共享汽车进行路径规划处理得到区域划分结果，区域划分结果包括分区方案和各区域内无人驾驶共享汽车的巡航路线。
预测模块3，用于根据道路交通状况和区域划分结果进行预测处理，得到各区域无人驾驶共享汽车的预测需求。
输出模块4，基于预设的神经网络模型对乘客需求信息、无人驾驶共享汽车实时状态、巡航路线和预测需求进行处理，得到调度策略。
在本公开的一种具体实施方式中，划分模块2包括：
第一分析单元21，用于根据道路通行能力对城市道路进行分析处理得到道路承载能力评估结果。
第二分析单元22，用于根据城市节假日信息和交通需求进行关联性分析，得到城市活动与交通需求的历史需求特征。
第一计算单元23，用于根据历史调度数据和预设的使用频率计算公式对无人驾驶共享汽车的使用情况进行计算，得到历史使用频率。
第三分析单元24，用于根据道路承载能力评估结果、历史需求特征和历史使用频率进行层次分析处理，得到区域划分方案。
第一规划单元25，用于根据区域划分方案对各个区域内的所有无人驾驶共享汽车进行路径规划处理，得到各个区域内每辆无人驾驶共享汽车的巡航路线。
在本公开的一种具体实施方式中，第三分析单元24包括：
第一分类单元241，用于根据道路承载能力评估结果，将城市道路按照通行能力进行分类处理，得到不同等级的道路类别
第四分析单元242，用于根据历史需求特征，对城市各区域的交通需求进行分析处理，得到各区域的需求密度分布。
第五分析单元243，用于根据历史使用频率，对无人驾驶共享汽车的使用情况进行统计分析处理，得到各区域的使用频率分布。
第六分析单元244，用于根据道路类别、需求密度分布和使用频率分布进行层次分析处理，计算得到各区域的权重分数。
第一处理单元245，用于根据所得到的权重分数，采用模拟退火算法对城市进行区域划分处理，得到区域划分方案。
在本公开的一种具体实施方式中，预测模块3包括：
第二处理单元31，用于对道路交通状况进行数据清洗处理得到预处理数据。
第七分析单元32，用于根据区域划分结果进行空间数据分析处理，得到各区域内的道路网络结构。
第二计算单元33，用于根据预处理数据和各区域内的道路网络结构进行交通流量分布计算，得到各区域的交通流量分布情况。
第三处理单元34，用于根据交通流量分布情况进行时间序列处理，得到各区域无人驾驶共享汽车的需求趋势。
第一预测单元35，用于根据需求趋势和预设的深度学习数学模型进行预测处理，得到各区域无人驾驶共享汽车的预测需求。
在本公开的一种具体实施方式中，输出模块4包括：
第四处理单元41，用于根据乘客需求信息中至少一个乘客的起始位置、目的地和消费能力进行特征提取和归一化处理，得到乘客需求特征矩阵。
第五处理单元42，用于根据无人驾驶共享汽车实时状态中的剩余电量、实时位置和舒适度等级进行加权评估处理，得到各个无人驾驶共享汽车的综合状态评分。
第六处理单元43，用于根据乘客需求特征矩阵和各个无人驾驶共享汽车的状态评分进行匹配处理，得到匹配结果。
第七处理单元44，用于根据匹配结果中的起始时间、预测到达目的地时间和各区域内无人驾驶共享汽车的巡航路线进行动态时间窗口分析处理，得到未来状况，未来状况包括未来各时间点车辆的空闲状态和预计位置。
第三计算单元45，用于根据未来状况和预测需求作为神经网络模型的输入值，计算得到各区域的车辆需求分布预测结果。
第八处理单元46，用于根据车辆需求分布预测结果进行区域调度处理，为各区域安排空客巡航车辆得到调度策略。
在本公开的一种具体实施方式中，第八处理单元46包括：
第九处理单元461，用于根据车辆需求分布预测结果，通过核密度估计处理，得到各区域的需求热点区域。
第十处理单元462，用于根据需求热点区域和需求热点区域的实时路况进行路径优化处理，得到各无人驾驶共享汽车最优巡航路径。
第四计算单元463，用于根据各无人驾驶共享汽车最优巡航路径，利用动态规划算法计算各车辆的出行时间和等待时间，得到各车辆的时间效益评估。
第一排序单元464，用于根据时间效益评估，采用贪心算法对各无人驾驶共享汽车进行优先级排序处理，得到各区域的优先调度顺序。
第十一处理单元465，用于根据优先调度顺序，结合实时道路交通状况和无人驾驶共享汽车实时状态，进行实时调度处理，得到最终的调度策略。
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 (10)
1.一种基于神经网络的无人驾驶共享汽车区域调度方法，其特征在于，包括：
获取历史数据和实时数据，所述历史数据包括道路通行能力、城市节假日信息和历史调度数据，所述实时数据包括实时道路交通状况、乘客需求信息和无人驾驶共享汽车实时状态；
根据所述历史数据对城市进行区域划分，并对划分后的各区域内的无人驾驶共享汽车进行路径规划处理得到区域划分结果，所述区域划分结果包括分区方案和各区域内无人驾驶共享汽车的巡航路线；
根据所述道路交通状况和所述区域划分结果进行预测处理，得到各区域无人驾驶共享汽车的预测需求；
基于预设的神经网络模型对所述乘客需求信息、所述无人驾驶共享汽车实时状态、所述巡航路线和所述预测需求进行处理，得到调度策略。
2.根据权利要求1所述的基于神经网络的无人驾驶共享汽车区域调度方法，其特征在于,根据所述历史数据对城市进行区域划分，并对划分后的各区域内的无人驾驶共享汽车进行路径规划处理得到区域划分结果，包括：
根据所述道路通行能力对城市道路进行分析处理得到道路承载能力评估结果；
根据所述城市节假日信息和交通需求进行关联性分析，得到城市活动与交通需求的历史需求特征；
根据所述历史调度数据和预设的使用频率计算公式对无人驾驶共享汽车的使用情况进行计算，得到历史使用频率；
根据所述道路承载能力评估结果、所述历史需求特征和所述历史使用频率进行层次分析处理，得到区域划分方案；
根据所述区域划分方案对各个区域内的所有无人驾驶共享汽车进行路径规划处理，得到各个区域内每辆无人驾驶共享汽车的巡航路线。
3.根据权利要求2所述的基于神经网络的无人驾驶共享汽车区域调度方法，其特征在于,根据所述道路承载能力评估结果、所述历史需求特征和所述历史使用频率进行层次分析处理，得到区域划分方案，包括：
根据所述道路承载能力评估结果，将城市道路按照通行能力进行分类处理，得到不同等级的道路类别；
根据所述历史需求特征，对城市各区域的交通需求进行分析处理，得到各区域的需求密度分布；
根据所述历史使用频率，对无人驾驶共享汽车的使用情况进行统计分析处理，得到各区域的使用频率分布；
根据所述道路类别、所述需求密度分布和所述使用频率分布进行层次分析处理，计算得到各区域的权重分数；
根据所得到的权重分数，采用模拟退火算法对城市进行区域划分处理，得到区域划分方案。
4.根据权利要求1所述的基于神经网络的无人驾驶共享汽车区域调度方法，其特征在于,根据所述道路交通状况和所述区域划分结果进行预测处理，得到各区域无人驾驶共享汽车的预测需求，包括：
对所述道路交通状况进行数据清洗处理得到预处理数据；
根据所述区域划分结果进行空间数据分析处理，得到各区域内的道路网络结构；
根据所述预处理数据和各区域内的所述道路网络结构进行交通流量分布计算，得到各区域的交通流量分布情况；
根据所述交通流量分布情况进行时间序列处理，得到各区域无人驾驶共享汽车的需求趋势；
根据所述需求趋势和预设的深度学习数学模型进行预测处理，得到各区域无人驾驶共享汽车的预测需求。
5.根据权利要求1所述的基于神经网络的无人驾驶共享汽车区域调度方法，其特征在于,基于预设的神经网络模型对所述乘客需求信息、所述无人驾驶共享汽车实时状态、所述巡航路线和所述预测需求进行处理，得到调度策略，包括：
根据所述乘客需求信息中至少一个乘客的起始位置、目的地和消费能力进行特征提取和归一化处理，得到乘客需求特征矩阵；
根据所述无人驾驶共享汽车实时状态中的剩余电量、实时位置和舒适度等级进行加权评估处理，得到各个无人驾驶共享汽车的综合状态评分；
根据所述乘客需求特征矩阵和各个无人驾驶共享汽车的所述状态评分进行匹配处理，得到匹配结果；
根据所述匹配结果中的起始时间、预测到达目的地时间和各区域内无人驾驶共享汽车的所述巡航路线进行动态时间窗口分析处理，得到未来状况，所述未来状况包括未来各时间点车辆的空闲状态和预计位置；
根据所述未来状况和所述预测需求作为所述神经网络模型的输入值，计算得到各区域的车辆需求分布预测结果；
根据所述车辆需求分布预测结果进行区域调度处理，为各区域安排空客巡航车辆得到调度策略。
6.一种基于神经网络的无人驾驶共享汽车区域调度装置，其特征在于，包括：
获取模块，用于获取历史数据和实时数据，所述历史数据包括道路通行能力、城市节假日信息和历史调度数据，所述实时数据包括实时道路交通状况、乘客需求信息和无人驾驶共享汽车实时状态；
划分模块，用于根据所述历史数据对城市进行区域划分，并对划分后的各区域内的无人驾驶共享汽车进行路径规划处理得到区域划分结果，所述区域划分结果包括分区方案和各区域内无人驾驶共享汽车的巡航路线；
预测模块，用于根据所述道路交通状况和所述区域划分结果进行预测处理，得到各区域无人驾驶共享汽车的预测需求；
输出模块，基于预设的神经网络模型对所述乘客需求信息、所述无人驾驶共享汽车实时状态、所述巡航路线和所述预测需求进行处理，得到调度策略。
7.根据权利要求6所述的基于神经网络的无人驾驶共享汽车区域调度装置，其特征在于,所述划分模块包括：
第一分析单元，用于根据所述道路通行能力对城市道路进行分析处理得到道路承载能力评估结果；
第二分析单元，用于根据所述城市节假日信息和交通需求进行关联性分析，得到城市活动与交通需求的历史需求特征；
第一计算单元，用于根据所述历史调度数据和预设的使用频率计算公式对无人驾驶共享汽车的使用情况进行计算，得到历史使用频率；
第三分析单元，用于根据所述道路承载能力评估结果、所述历史需求特征和所述历史使用频率进行层次分析处理，得到区域划分方案；
第一规划单元，用于根据所述区域划分方案对各个区域内的所有无人驾驶共享汽车进行路径规划处理，得到各个区域内每辆无人驾驶共享汽车的巡航路线。
8.根据权利要求7所述的基于神经网络的无人驾驶共享汽车区域调度装置，其特征在于,所述第三分析单元包括：
第一分类单元，用于根据所述道路承载能力评估结果，将城市道路按照通行能力进行分类处理，得到不同等级的道路类别；
第四分析单元，用于根据所述历史需求特征，对城市各区域的交通需求进行分析处理，得到各区域的需求密度分布；
第五分析单元，用于根据所述历史使用频率，对无人驾驶共享汽车的使用情况进行统计分析处理，得到各区域的使用频率分布；
第六分析单元，用于根据所述道路类别、所述需求密度分布和所述使用频率分布进行层次分析处理，计算得到各区域的权重分数；
第一处理单元，用于根据所得到的权重分数，采用模拟退火算法对城市进行区域划分处理，得到区域划分方案。
9.根据权利要求6所述的基于神经网络的无人驾驶共享汽车区域调度装置，其特征在于,所述预测模块包括：
第二处理单元，用于对所述道路交通状况进行数据清洗处理得到预处理数据；
第七分析单元，用于根据所述区域划分结果进行空间数据分析处理，得到各区域内的道路网络结构；
第二计算单元，用于根据所述预处理数据和各区域内的所述道路网络结构进行交通流量分布计算，得到各区域的交通流量分布情况；
第三处理单元，用于根据所述交通流量分布情况进行时间序列处理，得到各区域无人驾驶共享汽车的需求趋势；
第一预测单元，用于根据所述需求趋势和预设的深度学习数学模型进行预测处理，得到各区域无人驾驶共享汽车的预测需求。
10.根据权利要求6所述的基于神经网络的无人驾驶共享汽车区域调度装置，其特征在于,所述输出模块包括：
第四处理单元，用于根据所述乘客需求信息中至少一个乘客的起始位置、目的地和消费能力进行特征提取和归一化处理，得到乘客需求特征矩阵；
第五处理单元，用于根据所述无人驾驶共享汽车实时状态中的剩余电量、实时位置和舒适度等级进行加权评估处理，得到各个无人驾驶共享汽车的综合状态评分；
第六处理单元，用于根据所述乘客需求特征矩阵和各个无人驾驶共享汽车的所述状态评分进行匹配处理，得到匹配结果；
第七处理单元，用于根据所述匹配结果中的起始时间、预测到达目的地时间和各区域内无人驾驶共享汽车的所述巡航路线进行动态时间窗口分析处理，得到未来状况，所述未来状况包括未来各时间点车辆的空闲状态和预计位置；
第三计算单元，用于根据所述未来状况和所述预测需求作为所述神经网络模型的输入值，计算得到各区域的车辆需求分布预测结果；
第八处理单元，用于根据所述车辆需求分布预测结果进行区域调度处理，为各区域安排空客巡航车辆得到调度策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467307.8A CN117196266B (zh) | 2023-11-07 | 2023-11-07 | 基于神经网络的无人驾驶共享汽车区域调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467307.8A CN117196266B (zh) | 2023-11-07 | 2023-11-07 | 基于神经网络的无人驾驶共享汽车区域调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196266A true CN117196266A (zh) | 2023-12-08 |
| CN117196266B CN117196266B (zh) | 2024-01-23 |
Family
ID=89000213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311467307.8A Active CN117196266B (zh) | 2023-11-07 | 2023-11-07 | 基于神经网络的无人驾驶共享汽车区域调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196266B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200166928A1 (en) * | 2018-11-27 | 2020-05-28 | SparkCognition, Inc. | Unmanned vehicles and associated hub devices |
| CN113256165A (zh) * | 2021-06-22 | 2021-08-13 | 长春汽车工业高等专科学校 | 一种基于无人驾驶技术的共享汽车调度方法及系统 |
| WO2021248607A1 (zh) * | 2020-06-10 | 2021-12-16 | 深圳大学 | 一种基于深度强化学习的出租车调度方法及系统 |
| CN113867354A (zh) * | 2021-10-11 | 2021-12-31 | 电子科技大学 | 一种自动驾驶多车智能协同的区域交通流导引方法 |
| WO2022016351A1 (zh) * | 2020-07-21 | 2022-01-27 | 华为技术有限公司 | 一种行驶决策选择方法以及装置 |
| WO2022166239A1 (zh) * | 2021-02-03 | 2022-08-11 | 华为技术有限公司 | 一种车辆行驶方案的规划方法、装置和存储介质 |
| CN115790636A (zh) * | 2023-02-01 | 2023-03-14 | 西华大学 | 基于大数据的无人驾驶零售车巡航路径规划方法及装置 |
| CN116151506A (zh) * | 2023-04-21 | 2023-05-23 | 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 |
| CN116433269A (zh) * | 2023-06-13 | 2023-07-14 | 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 |
| CN116804560A (zh) * | 2023-08-23 | 2023-09-26 | 四川交通职业技术学院 | 一种管制路段下无人驾驶汽车安全导航方法及装置 |
-
2023
- 2023-11-07 CN CN202311467307.8A patent/CN117196266B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200166928A1 (en) * | 2018-11-27 | 2020-05-28 | SparkCognition, Inc. | Unmanned vehicles and associated hub devices |
| WO2021248607A1 (zh) * | 2020-06-10 | 2021-12-16 | 深圳大学 | 一种基于深度强化学习的出租车调度方法及系统 |
| WO2022016351A1 (zh) * | 2020-07-21 | 2022-01-27 | 华为技术有限公司 | 一种行驶决策选择方法以及装置 |
| WO2022166239A1 (zh) * | 2021-02-03 | 2022-08-11 | 华为技术有限公司 | 一种车辆行驶方案的规划方法、装置和存储介质 |
| CN113256165A (zh) * | 2021-06-22 | 2021-08-13 | 长春汽车工业高等专科学校 | 一种基于无人驾驶技术的共享汽车调度方法及系统 |
| CN113867354A (zh) * | 2021-10-11 | 2021-12-31 | 电子科技大学 | 一种自动驾驶多车智能协同的区域交通流导引方法 |
| CN115790636A (zh) * | 2023-02-01 | 2023-03-14 | 西华大学 | 基于大数据的无人驾驶零售车巡航路径规划方法及装置 |
| CN116151506A (zh) * | 2023-04-21 | 2023-05-23 | 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 |
| CN116433269A (zh) * | 2023-06-13 | 2023-07-14 | 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 |
| CN116804560A (zh) * | 2023-08-23 | 2023-09-26 | 四川交通职业技术学院 | 一种管制路段下无人驾驶汽车安全导航方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 许伦辉;曹宇超;林培群;: "基于多影响因素RDMA~*算法的无人驾驶动态路径规划", 交通信息与安全, no. 02, pages 24 - 26 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196266B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Public charging station location determination for electric ride-hailing vehicles based on an improved genetic algorithm | |
| CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
| CN113222387B (zh) | 面向氢燃料车辆的多目标调度与协同优化方法 | |
| CN110555990A (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
| CN103366224B (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
| CN111507762A (zh) | 基于多任务共预测神经网络的城市出租车需求预测方法 | |
| CN110796317B (zh) | 一种基于需求预测的城市出租车调度方法 | |
| Kumar et al. | S2RC: A multi-objective route planning and charging slot reservation approach for electric vehicles considering state of traffic and charging station | |
| CN111340318A (zh) | 一种车辆动态调度方法、装置及终端设备 | |
| CN115936205A (zh) | 一种用于停车场的车辆充电规划方法 | |
| Luo et al. | Dynamic intra-cell repositioning in free-floating bike-sharing systems using approximate dynamic programming | |
| CN115472011A (zh) | 基于预约数据的公交智能线路规划算法 | |
| Chen et al. | Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance | |
| Jung et al. | Assessment of the transit ridership prediction errors using AVL/APC data | |
| CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
| CN117094534B (zh) | 一种物联智控方法及系统 | |
| 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 | |
| CN112949987A (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
| Rodríguez-Rueda et al. | Origin–Destination matrix estimation and prediction from socioeconomic variables using automatic feature selection procedure-based machine learning model | |
| Deng et al. | Research on bus passenger traffic forecasting model based on gps and ic card data | |
| Moreira-Matias et al. | An online learning framework for predicting the taxi stand's profitability | |
| Núñez et al. | Hierarchical multiobjective model predictive control applied to a dynamic pickup and delivery problem | |
| CN113449780A (zh) | 基于随机森林和lstm神经网络的路内泊位占有率预测方法 | |
| Cucu et al. | Management of a public transportation service: carsharing service | |
| Talusan et al. | An online approach to solving public transit stationing and dispatch problem |
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 |