CN117689304B - 公路大件运输通行路线确定方法及装置 - Google Patents
公路大件运输通行路线确定方法及装置 Download PDFInfo
- Publication number
- CN117689304B CN117689304B CN202410153274.8A CN202410153274A CN117689304B CN 117689304 B CN117689304 B CN 117689304B CN 202410153274 A CN202410153274 A CN 202410153274A CN 117689304 B CN117689304 B CN 117689304B
- Authority
- CN
- China
- Prior art keywords
- data
- road
- index
- path
- target vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000903 blocking effect Effects 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000010408 sweeping Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 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)
Abstract
本申请实施例公开了一种公路大件运输通行路线确定方法及装置,方法包括:获取基础数据,基础数据包括目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据;基于基础数据建立道路特征知识图谱,构建道路特征知识图谱的指标包括限长、限宽、限高、限载、道路阻断、收费标准和拥挤度;将目标车辆属性数据和知识图谱进行匹配,识别关键通行路径,并基于关键通行路径构建目标车辆的大件运输路径网络拓扑图;根据通行指数在大件运输路径网络拓扑图中识别出最终通行路径,通行指数包括经济性指数、快捷性指数和安全性指数。本申请能够更加合理地确定大件运输线路。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种公路大件运输通行路线确定方法及装置。
背景技术
大件货物运输(简称大件运输)一般都是涉及相关工程或领域的核心部件,关乎相关领域建设和工程实施,不可或缺。做好公路大件运输相关工作,确保这些大型装备安全及时送达,事关能源、化工、水利、交通、航天等领域的基础设施建设是否能够稳步推进,意义十分重大。我国公路大件运输日均数量已超过万余件,数据量巨大,但目前公路大件运输通行路线的选择一般仅考虑能否通行,以及路线的公里数,对于大件货物运输具体请求仍有不足。
发明内容
本申请实施例提供了一种公路大件运输通行路线确定方法及装置,能够合理选择通行路线。
第一方面,本申请实施例提供了一种公路大件运输通行路线确定方法,包括:
获取基础数据,所述基础数据包括目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据;
基于所述基础数据建立道路特征知识图谱,构建道路特征知识图谱的指标包括限长、限宽、限高、限载、道路阻断、收费标准和拥挤度;
将目标车辆属性数据和道路特征知识图谱进行匹配,识别出关键通行路径,并基于所述关键通行路径构建目标车辆的大件运输路径网络拓扑图;
根据通行指数在所述大件运输路径网络拓扑图中识别出最终通行路径,所述通行指数包括经济性指数、快捷性指数和安全性指数。
第二方面,本申请实施例提供了一种公路大件运输通行路线确定装置,包括:
获取模块,用于获取基础数据,所述基础数据包括目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据;
图谱模块,用于基于所述基础数据建立道路特征知识图谱,构建道路特征知识图谱的指标包括限长、限宽、限高、限载、道路阻断、收费标准和拥挤度;
地图模块,用于将目标车辆属性数据和所述知识图谱进行匹配,识别出关键通行路径,并基于所述关键通行路径构建目标车辆的大件运输路径网络拓扑图;
识别模块,用于根据通行指数在所述大件运输路径网络拓扑图中识别出最终通行路径,所述通行指数包括经济性指数、快捷性指数和安全性指数。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的方法。
第四方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1示出本申请实施例公路大件运输通行路线确定方法的流程示意图;
图2示出本申请实施例公路大件运输通行路线确定方法得到的连续型特征指标数据图谱表征示意图;
图3示出本申请实施例公路大件运输通行路线确定方法得到的间断型特征指标数据图谱表征示意图;
图4示出本申请实施例公路大件运输通行路线确定方法得到的路段特征图谱示意图;
图5示出应用本申请实施例公路大件运输通行路线确定方法得到的指标特征的图谱表达示意图;
图6示出应用本申请实施例公路大件运输通行路线确定方法得到的指标动态变化特征图谱化表达示意图;
图7示出应用本申请实施例公路大件运输通行路线确定方法得到的某路段知识特征图谱;
图8示出应用本申请实施例公路大件运输通行路线确定方法得到的大件运输路径网络拓扑图;
图9示出应用本申请实施例公路大件运输通行路线确定方法得到的大件运输路径网络拓扑图中路段边权重计算结果示意图;
图10示出应用本申请实施例公路大件运输通行路线确定方法得到的大件运输最优路线示意图;
图11示出应用本申请实施例公路大件运输通行路线确定装置的组成示意图;
图12示出本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参见图1,本申请实施例提供了一种公路大件运输通行路线确定方法,包括:
获取基础数据,基础数据包括目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据;
基于基础数据建立道路特征知识图谱,构建道路特征知识图谱的指标包括限长、限宽、限高、限载、道路阻断、收费标准和拥挤度;
将目标车辆属性数据与道路特征知识图谱进行匹配,识别出关键通行路径,并基于关键通行路径构建目标车辆的大件运输路径网络拓扑图;
根据通行指数在大件运输路径网络拓扑图中识别出最终通行路径,通行指数包括经济性指数、快捷性指数和安全性指数。
本申请综合考虑了公路大件运输的特殊性和局限性,充分发挥了历史数据对大件运输车辆路径选择的借鉴作用,引入知识图谱对道路特征进行刻画,然后通过与目标车辆属性数据进行匹配识别出目标车辆的关键通行路段,根据不同类型的大件运输事项和目标车辆属性构建了大件运输路径网络拓扑图,并从经济性、快捷性和安全性三个方面构建通行指数,从而识别目标车辆的最终路径。本申请的方法能够针对不同目标车辆属性给出最优路径选择,并且能够充分发挥历史数据对大件运输路径选择的作用,不断迭代优化路径选择的科学性和精准性,以实现大件运输线路科学选取,从大件运输路径网络拓扑图中识别出最优路径作为目标车辆大件运输的最终通行路径,并且有助于大件运输相关事项的审批、智能监管、事后评估等。
获取基础数据包括基础数据的采集。具体实施中,获取基础数据包括采集目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据。
本公开实施例中,目标车辆为待明确通行路线的大件运输车辆。
一些实施例中,目标车辆属性数据包括下述中的至少一种:车牌号、所属公司、颜色、货物名称、货物质量、车货总质量、车货总体外廓尺寸(长、宽、高)、荷载分布等。示例性实施例中,目标车辆属性数据可以包括货物质量、车货总质量、车货总体外廓尺寸(长、宽、高)。
一些实施例中,大件车辆历史数据为已完成的大件运输的相关数据,包括下述中的至少一种:历史车辆属性数据、通行路线(包括起始点、目的地和中间途经路段)等。历史车辆属性数据包括下述中的至少一种:车牌号、货物名称、货物质量、车货总质量、车货总体外廓尺寸(长、宽、高)。历史车辆为历史数据中已完成大件运输的车辆。大件车辆历史数据可以从大件运输审批平台获取。
一些实施例中,道路数据是组成道路路段位置信息的数据,以弧段为最小单元。具体实施中,道路数据包括下述中的至少一种:弧段编号、所属道路名称、所属道路编号、起点桩号、止点桩号、起点地名、止点地名等信息。
一些实施例中,其他道路交通影响数据包括气象数据、道路管制数据、道路阻断数据、路段收费标准、道路拥堵情况数据等。
气象数据可以从气象平台获取,主要收集道路交通的高影响天气数据,气象数据包括但不限于下述中的至少一种:强降水、路面高温、冰冻、强风、沙尘暴、浓雾、降雪等。示例性实施例中,不同区域对应有各自的气象平台,气象数据可以分别从不同区域的气象平台获取。
道路管制数据可以从道路运输管理平台获取,主要收集道路改扩建、路段管制封闭事件数据等。示例性实施例中,不同区域对应有各自的道路运输管理平台,道路管制数据可以分别从不同区域的交通运输管理平台获取。
道路阻断数据可以从应急管理平台获取,收集道路阻断信息;路段收费标准重点收集整理高速公路针对不同车型的收费标准。示例性实施例中,不同区域对应有各自的应急管理管理平台,道路阻断数据可以分别从不同区域的应急管理管理平台获取。
一些实施例中,获取基础数据还可以包括对采集的数据进行数据清洗与数据关联。
数据清洗可以包括异常数据补正剔除、道路数据位置矫正等,具体可以采用大数据清洗技术,在此不再赘述。
数据关联主要用于道路特征知识图谱构建,通过数据关联计算各项指标,包括两部分:一是将大件车辆历史数据中的历史车辆属性数据与已通行过的道路数据进行关联匹配,将大件车辆历史数据中的历史车辆属性数据信息赋值给该历史车辆通行过的所有路段,历史车辆属性数据主要包括限长、限宽、限载等,使计算结果更加精准可信;二是将气象数据、道路管制数据、道路阻断数据、路段收费标准、道路拥堵情况数据等通过位置信息关联匹配到路段。基于上述步骤,关联完成的数据作为道路特征知识图谱构建的基础数据。
可选实施例中,基于基础数据建立道路特征知识图谱,包括:
基于基础数据提取道路弧段的特征指标,道路弧段是道路数据的基础单元;
将空间上具有关联性的道路弧段数据进行关联,并以交叉节点为划分依据,形成连续的路段数据,路段的长短不做限制;
以道路路段为对象计算特征指标并进行数据编码,将数值型数据转化为抽象化节点符号;
基于数据编码结果,建立横轴为时间,纵轴为特征指标的二维特征图谱,表征对应路段的特征知识图谱。
本申请全方位考虑影响大件运输车辆通行的关键因素,从路段基础特征、环境特征和其他影响特征三个方面选择二维扫空路径(限长和限宽)、限高、限载、道路阻断、收费标准、拥挤度等7项指标作为道路特征知识图谱构建的关键变量。
通过数据编码将结构化的数值型数据转化为图谱所具有的抽象化节点符号,有利于根据知识图谱快速识别关键通行路径。
道路交叉口、转弯处是大件运输车辆通行的瓶颈节点,直接影响大件运输车辆能否通行。本申请重点关注道路交叉口、转弯处的指标特征数据,将该路段历史通过的大件运输车辆外廓尺寸最小值标注为二维扫空路径明确路段的限长和限宽值。
对于没有历史大件运输车辆通行过的路段,可以根据道路实际情况,重点关注道路交叉口、转弯处或有遮挡物处,明确路段的限长和限宽值。限长和限宽值分别标注为。
路段中桥梁、隧道、涵洞、收费站、限高杆、架设的电缆等所有限高基础设施的最小值记为路段的限高值。
路段中存在的桥梁、高架等设有最高承重的基础设施的最低限载值乘以安全系数记为该路段的限载值,计算公式如下:
(式1)
s表示安全系数,安全系数的具体取值可以根据具体情况或者专家给出。示例性实施例中,安全系数取值10%。
道路阻断指标根据路段能否通行分别进行标记,例如不能通行的,道路阻断指标标记为1,能够通行的,道路阻断指标标记为0。根据气象平台、道路运输管理平台的有关数据及时更新道路的环境特征,若路段受到高影响天气、道路封闭或临时管制、自然灾害导致的道路阻断等影响不能通行的,道路阻断指标记为1,若不存在影响,道路阻断指标记为0。
路段计费规则,计算道路数据的收费标准,收费标准计算公式如下:
(式2)
表示路段/>的收费标准;/>表示收费基准,单位为元/标准车公里;/>表示路段的优惠力度,若路段免费通行时段/>记为0。
路段的拥堵程度可以采用实际交通量与基准通行能力的比值表示,计算公式如下:
(式3)
表示路段在统计时段内路段/>的拥堵程度,/>越大,表示路段越拥堵;/>表示路段/>的实际交通量;/>表示路段/>的设计交通量。
提取的特征指标具体见下表1。
表1道路特征指标
为便于快速识别不同类型大件运输车辆的关键路段,在获取上述数据和指标的基础上,通过数据编码将结构化的数值型数据转化为图谱所具有的抽象化节点符号。本申请中七个特征指标所涉及的数据可以分为连续型数据(数值定量表述)和间断型数据(定性描述)。二维扫空路径(限长和限宽)、限高、限载、收费标准、拥挤度为连续型数据,道路阻断为间断型数据,间断型数据可以用0、1标注。
将连续型数据转换为数据编码可以采用K-means算法。将连续型路段特征数据通过聚类划分为n类,即为n个簇,每簇数据分别对应一个编码符号。示例性实施例中,参见图2,连续型数据的编码符号具体可以采用实心圆来表示路段特征,实心圆越大,代表路段特征所处的簇质心对于大件运输车辆通行越有利。
参见图3,针对间断型数据可以采用空心圆表征,空心圆较大的表示存在该特征,较小的表示不存在该特征。
一些实施例中,将连续型特征指标的数据通过聚类划分为n簇,包括:
随机选择待处理的特征指标的n个数据作为初始聚类中心;
对待处理的特征指标的其余数据计算到n个聚类中心的距离,并将其分到距离最小的聚类中心所对应的分类中;
重新计算每个聚类的中心点,并以重新计算的中心点为聚类中心进行迭代,直至重新计算的中心点与上一中心点相同。
一些实施例中,参见图4,根据划分的n个簇的质心所在位置,综合考虑路段特征对大件运输车辆的有利程度,用节点大小表征路段特征。建立横轴为时间,纵轴为特征指标的二维特征图谱,表征对应路段的特征知识图谱。通过特征知识图谱能够实时展现出路段特征指标在不同时间段的不同变化特征,为大件运输关键路径识别提供实时数据支撑。
一些实施例中,识别关键通行路径,包括:
将目标车辆属性数据与道路特征知识图谱进行关联匹配,得到满足目标车辆通行的关键路段。
本申请实施例中,在构建道路特征知识图谱的基础上,快速识别出能够保证目标车辆快捷通行的关键运输路径。具体可以采用BP神经元网络模型识别目标车辆的关键路径。BP神经元网络模型输入指标包括目标车辆/>的车货总质量、车货总体外廓尺寸(长、宽、高)等车辆属性数据,将目标车辆属性数据与道路特征知识图谱进行关联匹配,识别目标车辆/>的关键运输路径。
用于识别目标车辆关键路径的BP神经元网络模型可以包括输入层设计、主要参数调整、关键路径识别、运输路径网络拓扑图构建。
输入层设计:输入目标车辆的车货总质量、车货总体外廓尺寸(长、宽、高)等目标车辆属性数据和运输行程的起讫点(起始点和目的地)。车货总质量用/>表示,车货总体外廓尺寸(长、宽、高)分别用/>、/>、/>表示。
明确模型主要参数:用采集的大件运输历史数据进行模型训练,确定训练函数、学习率、隐含节点数等关键参数。其中训练函数和隐含节点数决定了模型输入结果的精准度,学习率影响了模型的稳定性和训练速度。
输出层设计:将目标车辆属性数据与道路数据进行关联,输出能够保证目标车辆/>通行的关键道路路段。将能够满足通行需求的道路路段记为集合A={/>,/>,/>,/>....../>}。
可选实施例中,基于关键通行路径构建目标车辆的大件运输路径网络拓扑图,包括:
汇聚所有关键路段,可以记为集合A,剔除集合A中在空间上完全孤立的路段数据,得到第一处理数据;
根据目标车辆的起讫点剔除第一处理数据中不相关的路段数据,得到第二处理数据;
根据第二处理数据构建目标车辆的大件运输路径网络拓扑图。
一些实施例中,根据通行指数在大件运输路径网络拓扑图中识别出最终通行路径,包括:
获取大件运输路径网络拓扑图中每一关键路段的通行指数;
基于通行指数加权计算,得到每一关键路段的边权重;
基于边权重在大件运输路径网络拓扑图中识别出最终通行路径。
可选实施例中,基于边权重在大件运输路径网络拓扑图中识别出最终通行路径,包括:以关键路段的边权重表示距离,计算大件运输路径网络拓扑图中的各节点与起始点之间距离最短的路径,其中目的地与起始点之间距离最短的路径为最终通行路径。
本申请从经济性、快捷性和安全性的角度辨识大件运输车辆的最优通行路径,经济性采用通过路段时所需花费表示,快捷性采用平均通过时间表示,安全性采用路段统计时间内的百万车公里事故率来表示。
经济性指数为大件运输车辆通过关键路段所需花费的总费用,经济性指数的计算公式如下:
(式4)
表示关键路段/>的经济性指数,/>表示路段/>的收费标准,若是如普通国省道等不收费的路段/>,则/>记为0;/>表示路段/>的里程,单位:公里;/>表示车型收费系数,由目标车辆的车型结构和路段/>的收费标准共同确定,单位:元/吨公里;/>表示目标车辆的载重量,单位:吨;/>表示除去通行费需要的其他费用。
快捷性指数为目标车辆通过关键路段所需花费的平均通行时间,快捷性指数计算公式如下:
(式5)
表示关键路段/>的快捷性指数,/>表示路段/>的里程,/>表示路段/>的货车平均车速,/>可由全国交通量调查平台获取;/>表示目标车辆所需要的其他时间消耗。
安全性指数为关键路段内百万车公里事故率,安全性指数计算公式如下:
(式6)
表示关键路段/>的安全性指数,/>表示在统计时段内关键路段i内发生的交通事故数量;/>表示统计时段内关键路段/>内通过的交通流量;/>表示关键路段i的里程。
一些实施例中,关键路段边权重的计算公式如下:
(式7)
为关键路段/>的边权重,/>分别为经济性指数、快捷性指数和安全性指数的系数。
的值可以采用专家评分法得到。/>和/>可以进行归一化和正向化处理,/>可以进行归一化处理。
本申请中,可以采用Dijkstra算法识别目标车辆的最终通行路径。具体实施中,以路网中各路段边权重表示距离进行计算,得到目标车辆起讫点之间距离最短的路径作为最终路径。
基于边权重在大件运输路径网络拓扑图中识别出最终通行路径,具体步骤如下:
步骤1:将大件运输路径网络拓扑图中出现的所有节点整理为集合,目标车辆/>的起始点为/>,目的地为/>。引入集合V,令初始V={/>},初始/>。
步骤2:以路网中各路段边权重表示距离进行计算,若两个节点之间有路段连接,则两节点之间的距离为边权重,两个节点不相邻,则两节点之间的距离为∞。遍历路网集合U中所有节点距离起始点的距离,求出最小距离,即对于/>,计算/>与/>之间的最小距离/>,最短距离节点记为/>,最短距离记为/>,最短路径标记为/>。
步骤3:将从U中删除,增放入V集合中,令/>,。
步骤4:重复步骤2,直到,算法终止。则最短路径为V集合中所有节点的有向连接线。
下面通过具体应用场景对本申请实施例进行说明。
步骤1:基础数据库搭建
采集目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据,然后基于数据清洗、数据关联匹配等技术,构建公路大件运输车辆通行路线规划的基础数据集。
步骤1.1数据采集
本实施例可以通过大件运输审批平台采集车辆属性数据、大件车辆历史数据以及道路数据。为减少系统数据处理量,提升数据运算速度,数据采集仅提取相关数据的关键数据字段。其中,目标车辆属性数据包括车牌号、所属公司、颜色、货物名称、货物质量、车货总质量、车货总体外廓尺寸(长、宽、高)、荷载分布等字段;大件车辆历史数据包括车牌号、货物名称、货物质量、车货总质量、车货总体外廓尺寸(长、宽、高)、通行路线(包括起讫点和中间途径路线)等字段;道路数据包括路线编号、路线名称、起点地名、起点桩号、止点桩号、止点地名等信息。数据示例如表2、表3所示。
表2道路数据示例
表3大件车辆历史数据示例
步骤1.2 数据清洗与关联
将大件车辆历史数据中的历史车辆属性和已通行过的道路数据进行关联匹配,将大件车辆历史数据中的历史车辆属性信息值赋值给该历史车辆通行过的所有路段,历史车辆属性数据主要包括限长、限宽、限载等信息。将气象数据、道路管制数据、道路阻断数据、路段收费标准、道路拥堵情况数据等其他道路交通影响数据通过位置信息关联匹配到路段。基于上述步骤,计算出构建道路特征知识图谱的各个指标,作为道路特征知识图谱构建的基础。
步骤2:知识图谱构建
步骤2.1特征提取
基于大件运输车辆通行路段属性数据,分析道路路段的特征属性。本申请明确的各类特征属性决定了目标车辆的可通行性,包括路段的二维扫空路径(长和宽)、限高、限载、道路阻断、收费标准、拥挤度等7项指标。根据上述7项指标构建大件运输车辆的道路特征知识图谱。道路路段特征属性数据计算结果如表4所示。
表4大件运输车辆通行路段特征图谱构建基础数据示例
步骤2.2数据编码
为准确刻画路段特征,保证大件运输车辆的可通行性。本申请实施例将遍历数据库中所有的路段数据,针对路段二维扫空路径(长和宽)、限高、承重、收费标准和拥挤度等6项连续型特征指标,采用K-means算法逐一分析,分别进行聚类和等级划分,聚类分级完全根据路段特征指标的数据分布特点,不事先明确各项指标聚类簇数量。针对直接影响道路可通行性的强制性指标,本实施例采用二分类法直接聚类和等级划分,保障了后续大件运输车辆关键路径识别的科学性和准确性。表5中“-”前面数字表示该路段特征指标所处的分类等级,“-”后面数字表示该路段该特征指标的聚类数量。
表5路段特征指标数据编码(示例)
根据数据编码分类结果明确各个特征指标的图谱表达方式,参见图5,图中示出了限载经过聚类划分为5个等级。本实施例采用实心圆加英文字母的方式表达路段二维扫空路径(长和宽)、限高、限载、收费标准和拥挤度等连续型指标的特征值,实心圆大小表示特征值对于大件运输车辆的有利程度,实心圆越大,代表该特征指标约有利于大件运输车辆通行。采用空心圆加英文字母的方式表征道路阻断等间断型指标的特征值。空心圆较大的表示该路段无交通阻断时间发生,可以通行。较小的空心圆表征该路段在该时段内发生了道路阻断时间,车辆无法通行。参见图6,本实施例以实际数据展示了指标特征的图谱表达方式,特征指标随时间变化的趋势也可以通过图谱进行表达。
步骤2.3 图谱构建
为准确直观刻画路段特征图谱动态变化过程,参见图7,本实施例以Gx1高速公路某路段在9月份4周内(9月4日~10日、9月11日~17日、9月18日~24日、9月25日~30日)的数据为基础,构建路段特征知识图谱。
步骤3:关键路径辨识
路段知识图谱准确刻画了路段的基本特征,为准确识别不同类型大件运输车辆的关键通行路段,本实施例采用BP神经元网络模型根据路段的知识特征图谱相似性,识别目标车辆可通行的关键路径。本实施例通过历史数据进行训练标定BP神经元网络模型的参数,模型输入指标是目标车辆属性数据和运输行程的起讫点(起始点和目的地),上述数据可以从大件运输审批平台中的申报信息获取,包括车型参数、货物类型、外廓尺寸和起讫点等信息,输出指标为路段信息是目标车辆/>可通行的关键路径。
然后汇聚由BP神经网络识别出的目标车辆可通行的所有关键路径,并剔除在空间上孤立的路段数据。综合考虑关键路段的空间连接性,根据GPS识别在空间上具有关联性的路段,构建大件运输路径网络拓扑图。参见图8,图8中的粗线条表达了起点为A市,终点为B市的目标车辆的大件运输路径网络拓扑图。
步骤4:最终路径选择
从经济性、快捷性和安全性等角度辨识大件运输车辆的最终通行路径,经济性采用通过路段时所需花费表示,快捷性采用平均通过时间表示,安全性采用路段统计时间内的百万车公里事故率来表示。
逐一计算每个路段的经济性、快捷性和安全性三项指标,并通过公式8进行指数化处理,本实施例为了方便计算,将的值分别用/>表示。
计算上述指数作为路段的边权重,两节点之间的距离采用边权重表示,结果显示关键路段网络拓扑如图9所示。
最后,采用Dijkstra算法寻找最终路径,具体步骤如下所示:
S1:将大件运输路径网络拓扑图中出现的所有节点整理为集合,本实施例中目标车辆/>的起始点为/>,目的地为/>。引入集合V,令初始/>,初始/>。
S2:以路网中各路段边权重表示距离进行计算,若两个节点之间有路段连接,则两节点之间的距离为边权重,两个节点不相邻,则距离为∞。遍历路网集合U中所有节点距离起始点的距离,求出最小距离,即对于/>,计算/>与/>之间的最小距离,最短距离节点记为/>,最短距离记为/>,最短路径标记为/>。
S3:将从U中删除,增放入V集合中,令/>,/>。
S4:重复步骤2,直到,算法终止。则最短路径为V集合中所有节点的有向连接线。
S5:当节点,则找到了/>与/>之间的最短路径,算法中止。
通过上述方法计算,如图10所示,本实施例最终路径为。
本申请实施例提供了一种公路大件运输通行路线确定装置,本申请实施例的装置能够实现上述实施例的方法,上述方法实施例可以用于理解本申请实施例的装置,下述装置的实施例的说明部分也可用于理解上述实施例的方法。
参见图11,本申请实施例提供了一种公路大件运输通行路线确定装置,包括获取模块、图谱模块、地图模块和识别模块。
获取模块用于获取基础数据,基础数据包括目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据。
图谱模块用于基于基础数据建立道路特征知识图谱,构建道路特征知识图谱的指标包括限长、限宽、限高、限载、道路阻断、收费标准和拥挤度。
地图模块用于将目标车辆属性数据和道路特征知识图谱进行匹配,识别出关键通行路径,并基于关键通行路径构建目标车辆的大件运输路径网络拓扑图。
识别模块用于根据通行指数在大件运输路径网络拓扑图中识别出最终通行路径,通行指数包括经济性指数、快捷性指数和安全性指数。
本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一项的方法。
请参见图12,为本申请实施例提供了一种电子设备的结构示意图。如图12所示,终端600可以包括:至少一个处理器601,至少一个网络接口604,用户接口603,存储器605,至少一个通信总线602。
其中,通信总线602用于实现这些组件之间的连接通信。
其中,用户接口603可以包括显示屏(Display)、摄像头(Camera),可选用户接口603还可以包括标准的有线接口、无线接口。
其中,网络接口604可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器601可以包括一个或者多个处理核心。处理器601利用各种借口和线路连接整个终端600内的各个部分,通过运行或执行存储在存储器605内的指令、程序、代码集或指令集,以及调用存储在存储器605内的数据,执行终端600的各种功能和处理数据。可选的,处理器601可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogicArray,PLA)中的至少一种硬件形式来实现。处理器601可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器601中,单独通过一块芯片进行实现。
其中,存储器605可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-OnlyMemory)。可选的,该存储器605包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。如图12所示,作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图12所示的电子设备600中,用户接口603主要用于为用户提供输入的接口,获取用户输入的数据;而处理器601可以用于调用存储器605中存储的应用程序,并具体执行上述任一方法实施例的操作。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质,该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种方法的部分或全部步骤。
本领域的技术人员可以清楚地了解到本申请的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammaBLE GateArray,FPGA)、集成电路(IntegratedCircuit,IC)等。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,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,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接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory, ROM)、随机存取器(RandomAccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本申请的示例性实施例,不能以此限定本申请的范围。即但凡依本申请教导所作的等效变化与修饰,皆仍属本申请涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的范围和精神由权利要求限定。
Claims (8)
1.一种公路大件运输通行路线确定方法,其特征在于,包括:
获取基础数据,所述基础数据包括目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据,获取基础数据包括:将大件车辆历史数据中的历史车辆属性数据与已通行过的道路数据进行关联匹配,将大件车辆历史数据中的历史车辆属性数据信息赋值给该历史车辆通行过的所有路段,历史车辆属性数据包括限长、限宽、限载;将气象数据、道路管制数据、道路阻断数据、路段收费标准、道路拥堵情况数据通过位置信息关联匹配到路段;
基于所述基础数据建立道路特征知识图谱,构建道路特征知识图谱的指标包括限长、限宽、限高、限载、道路阻断、收费标准和拥挤度,基于所述基础数据建立道路特征知识图谱,包括:基于所述基础数据提取道路弧段的特征指标,道路弧段是道路数据的基础单元;将空间上具有关联性的道路弧段数据进行关联,并以交叉节点为划分依据,形成连续的路段数据,路段的长短不做限制;以道路路段为对象计算所述特征指标并进行数据编码,将数值型数据转化为抽象化节点符号;基于数据编码结果,建立横轴为时间,纵轴为特征指标的二维特征图谱,表征对应路段的特征知识图谱;
将目标车辆属性数据和所述道路特征知识图谱进行匹配,识别出关键通行路径,并基于所述关键通行路径构建目标车辆的大件运输路径网络拓扑图;
根据通行指数得到所述大件运输路径网络拓扑图中每一关键路段的边权重,以所述关键路段的边权重表示距离,计算所述大件运输路径网络拓扑图中的各节点与起始点之间距离最短的路径,其中目的地与起始点之间距离最短的路径为最终通行路径,所述通行指数包括经济性指数、快捷性指数和安全性指数。
2.根据权利要求1所述的方法,其特征在于,对所述特征指标进行数据编码,包括:
将连续型特征指标的数据通过聚类划分为n簇,每簇数据分别对应一个编码符号。
3.根据权利要求2所述的方法,其特征在于,将连续型特征指标的数据通过聚类划分为n簇,包括:
随机选择待处理的特征指标的n个数据作为初始聚类中心;
对待处理的特征指标的其余数据计算到n个聚类中心的距离,并将其分到距离最小的聚类中心所对应的分类中;
重新计算每个聚类的中心点,并以重新计算的中心点为聚类中心进行迭代,直至重新计算的中心点与上一中心点相同。
4.根据权利要求1所述的方法,其特征在于,识别关键通行路径,包括:将目标车辆属性数据与道路特征知识图谱进行关联匹配,得到满足目标车辆通行的关键路段。
5.根据权利要求4所述的方法,其特征在于,基于所述关键通行路径构建目标车辆的大件运输路径网络拓扑图,包括:
汇聚所有关键路段,剔除所述关键路段中在空间上完全孤立的路段数据,得到第一处理数据;
根据目标车辆的起讫点剔除所述第一处理数据中不相关的路段数据,得到第二处理数据;
根据所述第二处理数据构建目标车辆的大件运输路径网络拓扑图。
6.根据权利要求1所述的方法,其特征在于,根据通行指数在所述大件运输路径网络拓扑图中识别出最终通行路径,包括:
获取所述大件运输路径网络拓扑图中每一关键路段的通行指数;
基于所述通行指数加权计算,得到每一所述关键路段的边权重。
7.根据权利要求6所述的方法,其特征在于,
所述经济性指数为大件运输车辆通过关键路段所需花费的总费用,所述经济性指数的计算公式如下:
表示关键路段/>的经济性指数,/>表示路段/>的收费标准,若是路段/>不收费,则/>记为0; />表示路段/>的里程,单位:公里;/>表示车型收费系数,由目标车辆的车型结构和路段的收费标准共同确定,单位:元/吨公里;/>表示目标车辆的载重量,单位:吨;/>表示除去通行费需要的其他费用;
快捷性指数为目标车辆通过关键路段所需花费的平均通行时间,快捷性指数计算公式如下:
表示关键路段/>的快捷性指数,/>表示路段/>的里程,/>表示路段/>的货车平均车速,/>表示目标车辆所需要的其他时间消耗;
安全性指数为关键路段内百万车公里事故率,安全性指数计算公式如下:
表示关键路段/>的安全性指数,/>表示在统计时段内关键路段i内发生的交通事故数量; />表示统计时段内关键路段/>内通过的交通流量;/>表示关键路段i的里程;
关键路段的边权重的计算公式如下:
表示关键路段/>的边权重,/>分别为经济性指数、快捷性指数和安全性指数的系数。
8.一种公路大件运输通行路线确定装置,其特征在于,包括:
获取模块,用于获取基础数据,所述基础数据包括目标车辆属性数据、大件车辆历史数据、道路数据和其他道路交通影响数据,获取基础数据包括:将大件车辆历史数据中的历史车辆属性数据与已通行过的道路数据进行关联匹配,将大件车辆历史数据中的历史车辆属性数据信息赋值给该历史车辆通行过的所有路段,历史车辆属性数据包括限长、限宽、限载;将气象数据、道路管制数据、道路阻断数据、路段收费标准、道路拥堵情况数据通过位置信息关联匹配到路段;
图谱模块,用于基于所述基础数据建立道路特征知识图谱,构建道路特征知识图谱的指标包括限长、限宽、限高、限载、道路阻断、收费标准和拥挤度,基于所述基础数据建立道路特征知识图谱,包括:基于所述基础数据提取道路弧段的特征指标,道路弧段是道路数据的基础单元;将空间上具有关联性的道路弧段数据进行关联,并以交叉节点为划分依据,形成连续的路段数据,路段的长短不做限制;以道路路段为对象计算所述特征指标并进行数据编码,将数值型数据转化为抽象化节点符号;基于数据编码结果,建立横轴为时间,纵轴为特征指标的二维特征图谱,表征对应路段的特征知识图谱;
地图模块,用于将目标车辆属性数据和所述道路特征知识图谱进行匹配,识别出关键通行路径,并基于所述关键通行路径构建所述目标车辆的大件运输路径网络拓扑图;
识别模块,用于根据通行指数得到所述大件运输路径网络拓扑图中每一关键路段的边权重,以所述关键路段的边权重表示距离,计算所述大件运输路径网络拓扑图中的各节点与起始点之间距离最短的路径,其中目的地与起始点之间距离最短的路径为最终通行路径,所述通行指数包括经济性指数、快捷性指数和安全性指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410153274.8A CN117689304B (zh) | 2024-02-04 | 2024-02-04 | 公路大件运输通行路线确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410153274.8A CN117689304B (zh) | 2024-02-04 | 2024-02-04 | 公路大件运输通行路线确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689304A CN117689304A (zh) | 2024-03-12 |
CN117689304B true CN117689304B (zh) | 2024-05-31 |
Family
ID=90130419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410153274.8A Active CN117689304B (zh) | 2024-02-04 | 2024-02-04 | 公路大件运输通行路线确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689304B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020020621A1 (de) * | 2018-07-24 | 2020-01-30 | Robert Bosch Gmbh | Verfahren und vorrichtung zur reichweitenschätzung für ein fahrzeug |
CN112836338A (zh) * | 2020-12-29 | 2021-05-25 | 西南石油大学 | 一种液氦储罐经济安全运输范围计算方法 |
CN113516323A (zh) * | 2021-09-15 | 2021-10-19 | 山东蓝湾新材料有限公司 | 运输路径推荐方法 |
CN115019191A (zh) * | 2022-04-22 | 2022-09-06 | 中国石油大学(华东) | 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 |
CN115292507A (zh) * | 2022-06-28 | 2022-11-04 | 北京北大千方科技有限公司 | 基于知识图谱的交通出行分析方法、装置、设备及介质 |
CN115759916A (zh) * | 2022-11-21 | 2023-03-07 | 山西省智慧交通研究院有限公司 | 一种高速公路大件运输车辆的通行路径规划系统 |
CN116167245A (zh) * | 2023-04-21 | 2023-05-26 | 交通运输部水运科学研究所 | 基于多属性转运决策模型的多式联运粮食运输方法及系统 |
CN117236640A (zh) * | 2023-10-17 | 2023-12-15 | 广东电网有限责任公司广州供电局 | 低压配电网设备配置方案优化方法、装置、终端及介质 |
CN117408598A (zh) * | 2023-10-24 | 2024-01-16 | 长安大学 | 基于动态路网的高速公路大件运输路径快速决策方法 |
-
2024
- 2024-02-04 CN CN202410153274.8A patent/CN117689304B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020020621A1 (de) * | 2018-07-24 | 2020-01-30 | Robert Bosch Gmbh | Verfahren und vorrichtung zur reichweitenschätzung für ein fahrzeug |
CN112836338A (zh) * | 2020-12-29 | 2021-05-25 | 西南石油大学 | 一种液氦储罐经济安全运输范围计算方法 |
CN113516323A (zh) * | 2021-09-15 | 2021-10-19 | 山东蓝湾新材料有限公司 | 运输路径推荐方法 |
CN115019191A (zh) * | 2022-04-22 | 2022-09-06 | 中国石油大学(华东) | 一种基于Hausdorff距离的大件运输关键道路空间通行性判定方法 |
CN115292507A (zh) * | 2022-06-28 | 2022-11-04 | 北京北大千方科技有限公司 | 基于知识图谱的交通出行分析方法、装置、设备及介质 |
CN115759916A (zh) * | 2022-11-21 | 2023-03-07 | 山西省智慧交通研究院有限公司 | 一种高速公路大件运输车辆的通行路径规划系统 |
CN116167245A (zh) * | 2023-04-21 | 2023-05-26 | 交通运输部水运科学研究所 | 基于多属性转运决策模型的多式联运粮食运输方法及系统 |
CN117236640A (zh) * | 2023-10-17 | 2023-12-15 | 广东电网有限责任公司广州供电局 | 低压配电网设备配置方案优化方法、装置、终端及介质 |
CN117408598A (zh) * | 2023-10-24 | 2024-01-16 | 长安大学 | 基于动态路网的高速公路大件运输路径快速决策方法 |
Non-Patent Citations (1)
Title |
---|
大规模大件运输路网动态构建及智能路径规划研究;谢浩明等;《2022世界交通运输大会论文集》;20220829;第2834-2840页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117689304A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9109914B2 (en) | Energy efficient routing using an impedance factor | |
CN108764375B (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN106682812A (zh) | 综合运输体系客运方式分担率‑距离转移曲线确定方法 | |
CN113029180A (zh) | 一种交通限制识别方法、装置、电子设备及存储介质 | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
CN107729938A (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
CN107832779A (zh) | 一种轨道站点分类系统 | |
CN112507624A (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN117689304B (zh) | 公路大件运输通行路线确定方法及装置 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN117146848A (zh) | 路径规划方法、装置及电子设备 | |
CN113870559B (zh) | 一种基于大数据车联网的交通流量计算方法 | |
CN115691140A (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN114492544A (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN114462898A (zh) | 基于地理信息的公路规划管理方法及系统 | |
CN113808388A (zh) | 综合考虑小汽车和公共交通运行的交通拥堵分析方法 | |
CN112183597A (zh) | 一种基于谱聚类的非均衡交通事故严重程度分析方法 | |
CN117671975B (zh) | 高速小客车跨区域出行量计算方法、装置、设备及介质 | |
Chang et al. | Development of distributed real-time decision support system for traffic management centers using microscopic CA model | |
CN113140107B (zh) | 交通信息处理方法、装置、电子设备及计算机存储介质 |
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 |