欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022111261029
申请人: 辽宁工程技术大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于需求密度预测的无人驾驶出租车集约化调度方法,其特征在于:包括以下步骤:步骤1:动态聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征;

步骤1.1:将无人驾驶出租车需求按照时间尺度划分为邻近层、周期层、近趋势层和远趋势层四个时间层;

步骤1.2:将每个时间层的无人驾驶出租车需求按照需求频度划分为三个感知域;

将一个地区划分成PxQ个空间网格,每个网格都有对应的无人驾驶出租车历史需求数据,则将4个时间层对应的无人驾驶出租车历史需求数据记为张量,用于表示四个时间层,表示实数;再将每个时间层的无人驾驶出租车需求按照需求频度划分为三个感知域,如下公式所示:(1);

其中,表示时间层对应的第g个感知域,,I为无人驾驶出租车需求;和为动态确定的需求边界;

步骤1.3:针对4个时间层,设计CELU网络结构捕获无人驾驶出租车需求的全范围时空相关性;

所述CELU网络结构由卷积层Conva、L层残差单元以及卷积层Convb组成,能够动态聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征,具体方法为:(1)针对每个时间层内的需求频度,将不同区域历史时段的需求转换成双通道图像状矩阵,通过卷积层Conva进行初步特征提取,输出结果记为,如下公式所示:(2);

其中,,分别为卷积层Conva的权重和偏置,用于调整不同时间层对结果预测的重要程度;表示卷积算子;

(2)将卷积层Conva输出的特征映射送入l个连续的残差单元,每个残差单元计算结果如下公式所示:(3);

其中,是残差函数,为残差单元的输入;表示第l个残差单元中所有需学习的参数;

所述残差单元为三层结构,其中第一层和第二层均为层卷积层Conv和激活函数ELU的结构组合,第三层在第二层的基础上叠加Dropout层;

(3)经过第L个残差单元后的输出记为,将其送至卷积层Convb进行数据规格的统一,从而得到一个时间层的无人驾驶出租车需求输出,记为,如下公式所示:(4);

其中,是激活函数;和分别为卷积层Convb的权重和偏置;

步骤2:提取无人驾驶出租车需求的外部特征;所述外部特征包括外部环境特征和兴趣点特征;

步骤2.1:提取无人驾驶出租车需求的外部环境特征;

对每个时段分别提取一组无人驾驶出租车需求的外部环境特征向量,包含气象、星期向量,,是整数、工作日和节假日;并将不同时段的特征向量拼接为矩阵的形式,记为,再将该矩阵送入全连接层进行特征提取,得到基于、、和的外部环境特征,记为,如下公式所示:(5);

其中,表示矩阵的乘法,和分别代表外部环境特征的权重和偏置;

步骤2.2:使用卷积神经网络结合全连接层来提取无人驾驶出租车需求的兴趣点特征,得到基于兴趣点的兴趣点特征,记为,如下公式所示:(6);

其中,和分别代表兴趣点特征的权重和偏置,其值取决于各兴趣点对无人驾驶出租车需求的影响程度;

步骤3:将无人驾驶出租车需求的时空特征和外部特征进行融合,使二者进行协同训练以获取不同领域无人驾驶出租车需求的预测值;

步骤3.1:采用基于参数矩阵的融合方式,从4个不同的时间层上挖掘无人驾驶出租车需求的时空信息,得到时段无人驾驶出租车需求的时空特征,记为,如下公式所示:(7);

此处的融合分为两个部分,首先是每个时间层内的3种不同需求频度感知域融合,得到的融合向量记为,之后是4个时间层之间的融合,计算公式如式(8)、(9)所示:(8);

(9);

其中,是Hadamard乘积;,,分别表示3个需求频度感知域的权重矩阵;,,,分别表示4个时间层的权重矩阵;为偏置;

步骤3.2:将外部环境特征和兴趣点特征进行融合,得到无人驾驶出租车需求的外部特征,记为,如式(10)所示:(10);

其中,,,均为可调整的权重参数;

步骤3.3:将无人驾驶出租车需求的时空特征和外部特征进行融合,使二者进行协同训练以获取不同领域无人驾驶出租车需求的预测值;

利用两种不同的融合方法对时空特征和外部特征进行融合;采用求和融合方法()来表征逐步变化的需求,而对于突然变化的需求,则应用基于门控机制的融合方法进行融合();最后通过Tanh函数将融合的特征映射到[-1, 1],得到无人驾驶出租车需求的预测值,如下公式所示:(11);

其中,为时段无人驾驶出租车需求的预测值,为门控激活函数sigmoid;

步骤4:从时间层和外部特征预测无人驾驶出租车需求;

步骤5:在步骤4预测的无人驾驶出租车需求的基础上,采用启发式遗传算法实现无人驾驶出租车与乘客的匹配。

2.根据权利要求1所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法,其特征在于:所述步骤4的具体方法为:以最小化无人驾驶出租车需求的预测矩阵和真实矩阵之间的均方误差为目标函数,获得无人驾驶出租车需求预测所涉及的权重和偏差的最优取值,实现从四个时间层和外部特征预测需求;

目标函数下公式所示:

(12);

其中,表示目标函数,W和b分别表示无人驾驶出租车需求预测所涉及的所有权重和偏差集合。

3.根据权利要求2所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法,其特征在于:所述步骤5的具体方法为:步骤5.1:采用实数编码方式对无人驾驶出租车和乘客进行编码;

采用实数编码方式表示无人驾驶出租车和乘客,即,其中,为无人驾驶出租车,为乘客,表示无人驾驶出租车与乘客匹配,也表示染色体内的一个基因,,n表示无人驾驶出租车的数量;

步骤5.2:种群初始化;

将种群分为C个基因组,基因组数量C根据无人驾驶出租车位置动态决定,各组分别包括u个基因组染色体,u的值由公式(13)给出;

(13);

其中,为基因组内乘客数量,为基因组内无人驾驶出租车数量;

基因组内,当时,固定无人驾驶出租车,不重复的随机生成乘客,此时,无人驾驶出租车的数量,车辆完全匹配;当时,随机选取数量为的无人驾驶出租车,固定其对应的车辆编号,不重复的随机生成乘客编号,此时,无人驾驶出租车的数量,乘客完全匹配;

从各基因组中分别随机选取基因组染色体拼合形成G条带有基因组标记的完整染色体,对G条完整染色体进行去重和遗传操作,经历次迭代,选出最优染色体即为无人驾驶出租车与乘客的匹配结果;

步骤5.3:对种群内完整染色体进行去重与修复;

步骤5.4:确定种群内完整染色体的适应度函数;

将染色体适应度定义为如下公式所示:

(14);

其中,为经济效益与需求密度集群效益加权和;

(15);

其中,为无人驾驶出租车里程费;为时长费;为时段车辆平均速度,是时段车辆在任意两地间平均速度,其值是根据公式,得到各时段内车辆行驶任意两地间所需平均时间确定的;为油耗指数,其与车速的关系满足公式(16);N为乘客出发地与乘客目的地的测地距离,E为车辆与乘客的匹配距离,其值随传感邻域阶数呈线性增长,如公式(17)所示,为车辆当前位置与乘客出发地的测地距离;

(16);

(17);

(18);

其中,为下客区无人驾驶出租车需求密度,其值即为无人驾驶出租车需求预测值;为权重系数;为下客区一阶传感邻域无人驾驶出租车需求密度;为车辆到达目的地时所属时段全局需求密度均值;为有效需求区域数;

步骤5.5:对种群内完整染色体进行遗传操作,得到无人驾驶出租车与乘客的最优匹配结果。

4.根据权利要求3所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法,其特征在于:所述步骤5.3的具体方法为:步骤5.3.1:对种群内完整染色体进行去重;

步骤5.3.1.1:取染色体中乘客编号集合与车辆编号集合,定位染色体中重复出现的乘客编号及其所在基因组,获取该基因组内乘客总编号集合与的差集,将重复乘客对应的车辆编号和车辆总编号集合与的差集汇总为集合;定位染色体中重复出现的车辆编号及其所在基因组,获取该基因组内车辆总编号集合与的差集,将重复车辆对应的乘客编号和乘客总编号集合与的差集汇总为集合;

步骤5.3.1.2:判断集合和是否是空集,如果是空集则从染色体中删除该基因,否则,将集合和中元素汇总形成二分图,通过匈牙利算法得到与该基因最优匹配基因,并替换到原来基因位置;

步骤5.3.1.3:判断所有重复乘客和车辆的编号是否全部替换完毕,若全部替换完毕则结束操作,否则重新执行步骤5.3.1.1;

步骤5.3.2:对完整染色体进行修复;

首先获取车辆和乘客总编号集合,并分别计算车辆和乘客总编号集合与染色体中车辆和乘客编号的差集和,再将差集和汇总并形成二分图,采用匈牙利算法得到最优匹配的基因,最后将最优匹配的基因添加到当前染色体尾部;

染色体经过去重和修复操作后,无人驾驶出租车的数量,A为乘客总数,B为无人驾驶出租车总数。

5.根据权利要求4所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法,其特征在于:所述步骤5.5的具体方法为:步骤5.5.1:对种群内染色体进行选择;

采用轮盘赌选择法和最佳染色体保存法相结合的方式进行染色体选择;

染色体选择概率如下公式所示:

(19);

其中,为当前种群中第a个染色体的适应度,G为种群规模;

将适应度排在前的染色体直接复制到下一代而不进行交叉,剩余个染色体采用轮盘赌选择法选择染色体进行交叉;

步骤5.5.2:染色体交叉;

交叉操作在满足交叉概率F=0.9条件下进行;首先生成0和1之间的随机数,当F大于时,随机在乘客编码位后产生两个交叉点,定义两交叉点间区域为匹配区域,使用位置交换操作交换两个染色体的匹配区域,执行去重操作,保留适应度大于设定值的染色体并复制到下一代;

步骤5.5.3:染色体变异;

变异操作在满足变异概率K=0.8条件下进行;其流程如下:步骤5.5.3.1:判断车辆总编号集中是否有未匹配到乘客编号的车辆编号,若没有,直接执行步骤5.5.3.2;否则,将未匹配到乘客编号的车辆编号汇总为集合,遍历中各车辆编号,执行以下操作;

①获取未匹配到乘客编号的车辆编号所在基因组中未匹配车辆的乘客集,若,遍历中元素,直到找到与车辆编号匹配可使染色体适应度值变大的乘客编号,将该车辆编号与乘客编号插入到染色体中;如果没有可使染色体适应度值变大的乘客编号或,则直接执行步骤②;

②遍历中下一个元素,并再次执行步骤①,直到中所有元素遍历完毕;

步骤5.5.3.2:获取染色体中车辆集和乘客集,判断车辆总编号集中是否有未匹配到乘客编号的车辆编号,乘客总编号集中是否有未匹配到车辆编号的乘客编号,将未匹配到乘客编号的车辆编号汇总为集合,未匹配到车辆编号的乘客编号汇总为集合;并执行以下操作:i.判断和是否为空,若,遍历中元素,然后执行步骤ii;

ii.遍历中元素,判断所在基因组与所在基因组是否相同,若不同,则遍历下一个元素,重复执行步骤ii,直到遍历完中所有元素,再遍历下一个元素;否则,执行步骤iii;

iii.交换染色体与,查看染色体适应度值是否增大,如果染色体适应度值增大,则遍历集合的下一个元素,重复执行步骤i;否则,更新染色体,重新获取集合、、和,并再次执行步骤i;

若,执行与相同操作;当或、中元素全部遍历完成时,执行步骤5.5.3.3;

步骤5.5.3.3:获取染色体中车辆集和乘客集;遍历集合中元素,并执行以下操作:Ⅰ、判断该元素与其后一个元素所在基因组是否相同,若相同,则执行步骤Ⅱ;否则,遍历集合下一个元素,直至遍历完集合中所有元素;当该元素与其后所有元素判断完毕,遍历集合中的下一个元素;

Ⅱ、交换与其后一个元素,查看染色体适应度值是否增大,若没有增大,则遍历元素的后一个元素,并重复执行操作Ⅰ;否则,更新染色体,重新获取集合与,并再次遍历集合中元素,执行上述操作Ⅰ、Ⅱ。