CN105675002B - 一种多途经点导航路线规划方法和*** - Google Patents
一种多途经点导航路线规划方法和*** Download PDFInfo
- Publication number
- CN105675002B CN105675002B CN201610054144.4A CN201610054144A CN105675002B CN 105675002 B CN105675002 B CN 105675002B CN 201610054144 A CN201610054144 A CN 201610054144A CN 105675002 B CN105675002 B CN 105675002B
- Authority
- CN
- China
- Prior art keywords
- route
- model
- user
- task
- point
- 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.)
- Expired - Fee Related
Links
- 238000013439 planning Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 36
- 238000007726 management method Methods 0.000 claims description 20
- 238000012384 transportation and delivery Methods 0.000 claims description 19
- 235000013305 food Nutrition 0.000 claims description 16
- 235000012054 meals Nutrition 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002716 delivery method Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种针对多途径点(多目的地)、且途经点在多因素影响下具有非同等优先级的实际需求情境下的路线规划方法和***。该方法包括一个基于权重评分的最优线路确定模型和一套基于机器学习的多影响因子权重系数确定方法。具体来说,首先设计了一种面向非同等优先级的多途经点的多点道路规划模型;对于模型中的系数确定,提出了一种基于机器学习的影响因子权重系数确定的方法;进而得到一种可以广泛推广到众多领域的多点道路规划***。本发明为多影响因子的多途经点路线导航提供了一种新的解决方案,使得线路规划变得更加智能、高效、动态和自动化。
Description
技术领域
本发明涉及道路导航规划,优化调度领域,具体来说,涉及针对多途经点(多目的地)、多影响因子情境下的路线规划及影响因子权重确定的方法和***。
背景技术
近年来,随着交通工具的普及以及人们出行尤其是远距离出行的增多,运行在各类导航仪、移动终端上的路线导航***(包含汽车、自行车、步行导航)得到快速发展。尤其是安装在移动终端的利用GPS的电子地图程序,凭借其低廉的价格、实时更新的地图数据以及与其他应用软件方便结合的能力,给人们出行的方案带来了一场革命。用户只需要在电子地图上标出起点和终点,就可以方便的找到出行的路线。
在当前背景下,导航路线的自动、优化规划算法成为热门研究领域。国内外地图、位置、导航等领域的服务厂商均投入大量精力进行导航算法的优化改进。国外较著名的包括谷歌地图和苹果地图等,国内较著名的有百度地图、高德地图等,以及各类导航仪生产商家自己生产制作的地图服务***。从用户体验度来说,在最短的时间内提供出使用者所认为的最优化的道路行驶方案是该领域的终极目标。
对于这个目标可从两个方面来看,首先是“最短时间”,这是指从用户输入起点和目的地到生成一条规划路线的时间。这主要取决于软件的操作界面人性化程度以及后台优化算法的效率。目前而言,各厂商的操作界面大同小异,均提供手动输入、地图点取、常用地址等多种方法便于确定起点目的地。各厂商的差异主要集中在作为商业秘密的优化算法。对此各厂商存在较大差异。比如同时运行在相同硬件上的谷歌地图路线规划速度较大多厂商有明显优势。且在行驶过程中不间断计算新的最优路线,供用户选择。当用户出现路线偏移时,能迅速给出新的路线。如何优化算法,在“最短计算时间”内提供路线是当前各厂商研究的主要内容。
上述目标的第二个方面是“使用者所认为的最优化道路”。通常而言用户出行的目的是快速到达目的地,因此这个最优化道路一般是指最短路径或者最短行驶时间的路线。对此各厂商也提出了多种解决方案。比如谷歌地图会凭借其巨大用户数通过大数据分析,在决定路线的时考虑一系列因素,并依赖于某一特定地区的可用数据流。这些因素包括道路的官方最高限速、建议驾驶速度、某一道路类型的实际行驶速度、某段时间内的历史平均速度(谷歌地图有时会调取这一路段的行驶速度平均值,有时则会调取某一天内特定时间的行驶速度)、此前用户的实际行驶时间以及实时路况等信息。在获得这些信息后,谷歌地图会将这些不同来源的数据进行整合,并给出自己最好的判断。事实上,大部分提供路线导航服务的厂家都会将预测驾驶时间与实际结果进行对比,从而帮助自己不断改进算法和数据源。而在这一方面做得较好的公司则往往是那些拥有巨大用户使用量的企业,他们往往可以在长期内提供最好的路线推荐。除此之外,考虑到有时用户的需求并不是最快的到达目的地,因此“最优路线”并不单指最快的路线。对此,部分厂家也进行了研究。比如雅虎实验室的员工日前开发出了一套导航算法。在新算法下,地图导航的依据不再是两点间最短的距离,而是哪条路线沿途的风景更“亮丽”。在用户输入起点和终点信息后,算法会搜索所有可能的路线,把各路线沿途地点的景致得分相加,通过比较找到一条最美丽的行程。雅虎员工表示,“美丽”的路线平均下来会比那些最短的路线长12%。但该规划策略一般适用于步行导航而非汽车导航。
其实在某些情境下“用户所认为的最优路线”并非最短、最快路线的情况比比皆是。而对此当前厂商所提供的服务几乎空白。绝大多数导航软件只提供最短时间、最短路程、避开高速三种规划策略。因此不能满足用户的个性化路线需求。比较突出的一种情景是用户对于途经点的需求。这一需求在快递服务、送餐服务、接送服务等涉及到多个目的地的领域显得特别突出。虽然当前部分厂家提供在道路规划开始前添加途经点(waypoint),以强制要求路线必须经过这些点,但是并不能考虑到这些途经点之间的优先级差异性。这个优先级一般又是由多种因素隐式决定的,因情况改变的,因此也并不能强制规定路线途经顺序。对于这一需求,当前使用者采取的方法是先在电脑端利用一些多目的地路线规划辅助软件进行人工的路线规划,然后按顺序输入移动端导航软件,从而得到用户所需求的路线。但是这不仅费时费力,在某些情况下更是不可实现的。比如送餐司机在执行多个目的地送达时,不可能预先规划好每个客户的送餐顺序并手动输入导航仪。
综上,从“在最短的时间内提供出使用者所认为的最优化的道路行驶方案是该领域的终极目标”这句话来看,找到使用者所认为的最优路线这一点并未得到很好实现。尤其是在多目的地路线规划时,导航算法并不能综合考虑用户需求。因此,本发明旨在提出一种面向非同等优先级的多途经点道路导航规划算法(Navigation Algorithm for Multi-wayPoints with DIfferent Priority (NAMPDIP))。该发明在考虑两点之间的属性(时间和距离)之外,考虑点上的属性(该点重要程度)。可应用于但不限于应用于多任务多目的地送餐服务、多人拼车的接送服务、多目的地自驾游导航服务、多目的地的上门维修服务等。以多任务送餐服务举例,各途经点的优先级的影响因素可能包括:该点客户所加小费数量、该点客户的会员身份级别、该点客户所点菜品的最佳使用时间等。同时针对算法中多重影响因子的权重设定问题,本发明提出了一种基于机器学习的最优权重确定方案。此外,本发明还提出了一种多途经点导航路线规划***。
发明内容
本发明提供一种面向非同等优先级的多途经点导航路线规划方法,包含以下步骤:
步骤1、任务初始化:任务调度中心向导航用户终端发送模型系数设定方案,并分配非同等优先级的多途经点的多重导航任务,其中所述多途经点个数为n,当导航用户终端选择接受该任务时,将该任务中的途经点与用户终端已有任务中的途经点共同组成新的当前任务,则该当前任务下共有n!条备选路线;其中n!表示n的全排列;
步骤2、计算导航模型权重:所述导航模型为面向非同等优先级的多途经点的多点模型,模型公式为:
其中,为多条可供选择的路线,为第条路线的权重,为判定函数,为路线总耗时的权重,为路线总长度的权重,为总途经点的个数,为从第个途经点到达第个途经点的分路段耗时,为从第个途经点到达第个途经点的分路段距离,为途经点优先级影响因素的个数,表示车辆出发时刻距抵达第k个途经点的时间, 表示第k个途经点的第j个影响因素的值,表示第j个影响因素的权重,关系运算符∎可以是乘法、加法或是其他关系表达方式;
步骤3、路线规划:用户终端的地图导航***提供任意两个途经点间的分路段距离和分路段耗时,自动根据上述模型及设置的权重计算全部备选路线的权重值,并按权重值由大到小进行排序,将权重值最大的规划路线设为第一优选路线;
步骤4、输出规划结果并导航:将全部备选路线的权重值输出给UI交互模块,用户可选择默认接受第一优选路线或自主选择其他优选路线,并根据选择结果开始导航。
优选地,其中步骤1中所述的模型系数设定方案可通过机器学习的方法获得,该方法流程包括:
步骤1.1、影响因子定量化:对优先级有影响的全部因子用数字进行定量化;
步骤1.2、训练样本的采集:随机生成多组非同等优先级的多途经点的路线规划问题,每个问题中均提供全部参考信息,包括各点之间的距离和时间,各点的各权重因子的级别,供训练者按照自己的需求人工选择出每个问题中的最优路线;
步骤1.3、构建代价函数:构建代价函数如下:
计算机会不断调整模型系数a,b,cj,当cost最小时或者达到最大迭代次数时,迭代停止,此时的系数即为最优系数组合;
步骤1.4:初值设定及迭代停止判断:将初值设定为:a=1,b=1,cj=0.2,设定迭代停止条件为:cost<5% 或总迭代次数大于10000;
步骤1.5:训练结果评价与使用:完成上述训练后,最终的模型预测不一致性将作为模型训练的评价指标,该指标告知用户采用该组系数会有多大的可能性仍得不到用户认为的最优路线,将训练完毕的系数带入模型,即可用于用户针对于此类路线规划问题使用;
步骤1.6:模型系数优化调整:上述训练完毕的系数用于实际规划使用时所给出的第一优选方案仍可能不是最优路线,此时用户放弃***推荐的第一路线而从备选路线中选择路线,同时该规划情景的数据将被存入Log文件并上传之后台服务器,当服务器累积存储的该类规划情景达到一定阈值,则***启动模型系数再次优化调整功能,即利用服务器中所存储的规划情景以及当时用户所做出的人工选择构成新的训练数据集,该数据集连同步骤1.2所采集到的数据集构成系数调整训练数据集,按照上述步骤1.3-1.5重新训练得到模型系数。
优选地,其中步骤1.1中将对优先级有影响的全部因子定量化,分为1-5五个级别,1为最低,5为最高。其中步骤1.2中生成100组非同等优先级的多途经点的路线规划问题。其中步骤1.6中用于模型系数优化调整的数据集来自于步骤1.2生成的模拟数据和实际使用过程中的用户的使用记录。
本发明还提供一种面向非同等优先级的多途经点导航路线规划***,该***包括当前位置获取模块、参数配置模块、权重设置模块、路线规划模块、UI交互模块、任务管理模块、数据通信模块;其中当前位置获取模块被配置用于通过读取用户终端上的GPS数据或基站定位信息获取用户当前位置;参数配置模块被配置用于用户自定义多因子个数、名称及其量化等级;权重设置模块被配置用于设置面向非同等优先级的多途经点的多点模型的系数a,b,,其中面向非同等优先级的多途经点的多点模型为:
其中,为多条可供选择的路线,为第条路线的权重,为判定函数,为路线总耗时的权重,为路线总长度的权重,为总途经点的个数,为从第个途经点到达第个途经点的分路段耗时,为从第个途经点到达第个途经点的分路段距离,为途经点优先级影响因素的个数,表示车辆出发时刻距抵达第k个途经点的时间, 表示第k个途经点的第j个影响因素的值,表示第j个影响因素的权重,关系运算符∎可以是乘法、加法或是其他关系表达方式;路线规划模块被配置用于根据权重设置模块所设置的模型***值计算全部备选路线的权重,并按权重由大到小的顺序向UI交互模块输出全部备选路线,其中权重最大的规划路线被设置为第一优选路线;UI交互模块被配置用于接收路线规划模块输出的路线规划结果,用户可选择默认接受第一优选路线或自主选择其他优选路线;任务管理模块被配置用于管理已完成及未完成的全部任务,其主要功能包括针对任务的存储、查询、***、状态更改;数据通信模块被配置用于调用终端的移动数据通信***,实现数据的上传与下载。
优选地,所述导航路线规划***还包括Log文件管理模块、账户管理模块、任务接收模块、任务状态反馈模块、后台任务调度模块;其中Log文件管理模块被配置用于自动记录该路线规划***运行过程中的相关状态,目的在于监控***的运行状态;账户管理模块被配置用于管理使用该***的用户信息,包括用户注册,登录,权限分配,个人信息修改;任务接收模块被配置用于解译通信模块所下载到的任务编码信息;任务状态反馈模块被配置用于将任务状态发生改变的这一信息同步反馈给后台任务调度模块;后台任务调度模块被配置用于面向一个或多个使用终端进行任务的分配、监控和反馈信息的收集。
本发明还提供一种适用于多途经点路线规划***的多任务送餐方法,包括以下步骤:
步骤1、构建面向非同等优先级的多途经点的多点模型,所述多点模型为:
其中,代表该路线是否可行,可行为1,不可行为0;n代表本次任务所要经过的餐馆和顾客位置总数;,,分别代表第k个途经点的三个需要考虑的影响因子,c1, c2,c3分别是上述三个因子的权重系数;
步骤2、训练所述多点模型:将三个影响因子分别划分为1-5五个级别,1为最低,5为最高,利用模拟构建的训练数据集对所述多点模型进行训练,得到系数a,b,c1, c2, c3;
步骤3、路线规划:根据步骤2训练得到的系数计算当前多任务环境下的各种可行路线的权重值,并根据计算结果输出权重值最大的路线为第一最优路线,同时输出排序后的备选路线,若上述第一最优路线不满足要求,用户可从备选路线中选择其一,本次更改将被记入用户Log文件,并上传至后台服务器,用于对模型系数进行优化调整;
步骤4、模型系数优化调整:用户放弃***推荐的最优路线而从备选路线中选择路线时,该规划情景的数据将被存入Log文件并上传之后台服务器,当服务器累积存储的该类规划情景达到一定阈值,则***启动模型系数再次优化调整功能;
步骤5、用户根据所选路线执行送餐任务;
优选地,其中,,分别代表订单加急费用、顾客会员等级、食品保鲜时间。
优选地,其中步骤2包括以下步骤:
步骤2.1、训练样本的采集:随机生成多组非同等优先级的多途经点的路线规划问题,每个问题中均提供全部参考信息,包括各点之间的距离和时间,各点的各权重因子的级别,供训练者按照自己的需求人工选择出每个问题中的最优路线;
步骤2.2、构建代价函数:构建代价函数如下:
计算机会不断调整模型系数a,b,c1, c2, c3,当cost最小时或者达到最大迭代次数时,迭代停止,此时的系数即为最优系数组合;
步骤2.3:初值设定及迭代停止判断:将初值设定为:a=1,b=1,c1=c2=c3=0.2,设定迭代停止条件为:cost<5% 或总迭代次数大于10000;
步骤2.4:训练结果评价与使用:完成上述训练后,最终的模型预测不一致性将作为模型训练的评价指标,该指标告知用户采用该组系数会有多大的可能性仍得不到用户认为的最优路线,将训练完毕的系数带入模型,即可用于用户针对于此类路线规划问题使用。
优选地,其中步骤2的训练人员为后台运营方或点餐的顾客群体。其中步骤4的模型系数调整所使用的训练数据集是由步骤2中的模拟训练数据集和实际的用户使用记录共同构成。
针对本发明要解决的非同等优先级多途经点道路规划问题,本发明提出了全新的方法和***,建立了面向非同等优先级的多途经点道路导航规划算法模型,并给出了模型系数的确定方案。本发明的实际应用意义明确,即为用户提供非同等优先级多途经点情境下的最优路线规划。在实际生产生活中,该发明可解决诸如:多任务多目的地外卖/生鲜配送服务、包裹寄送服务、多人拼车异地接人服务、多任务维修上门服务、自驾游多目的地游玩等情境下的路线规划问题。该发明的一大特征是允许用户通过自己训练,得到一套个性化的适用于自身或本行业内的导航路线规划规则,而不是仅考虑最短时间和最短路径两个条件。
附图说明
图1示出了根据本发明的一个具体路线规划问题。
图2示出了以时间最短为目的,为图1提出的情景进行路线规划。
图3示出了以距离最短为目的,为图1提出的情景进行路线规划。
图4示出了以途经点属性优先为目的,为图1提出的情景进行路线规划。
图5示出了以综合考虑多因素为目的,为图1提出的情景进行路线规划。
图6示出了基于机器学习的权重系数确定方法流程。
图7示出了根据本发明规划方法的一种具体应用场景(基于智能任务分配与多目的地路线规划的多任务送餐服务平台)。
图8示出了针对多任务送餐服务情景的路线规划操作流程。
图9示出了根据本发明的路线规划***。
具体实施方式
为解决上述问题,达到所提目标,本发明主要包括两大部分内容:面向非同等优先级的多途经点(目的地)道路导航规划算法模型和基于机器学习的多影响因子权重设定方案。
第一部分为面向非同等优先级的多途经点(目的地)道路导航规划算法模型。从导航路线规划算法中对于途经点的考虑方式来看,可将其分为三类:第一类是传统的两点模型,即仅包含起始点和终点,不包含途经点;第二类是可添加途经点的多点模型,但途经点不作区分,即为等优先级途经点;第三类是本发明所提出的可添加非同等优先级途经点的模型。下面分别阐述三种模型的实现方式。
第一种常见的模型为传统两点(起始点-终点)模型。这一模型的特点是,仅考虑起点和终点,以花费时间最短或路程距离最短两个条件之一或两者综合最优,得到两点之间的路径规划。这一方法中对于每条路径的权重计算公式如公式(1)所示。
(1)
(2)
公式中,为多条可供选择的路线中的一条,为第条路线的权重。为取值为0或1的判定函数,用于对该条路线进行特殊标记,比如若用户选择避开高速,同时第条路线包含高速,此时取值为0。为第条路线的总耗时,为第条路线的总长度。为该路线总耗时的权重,为路线总长度的权重。
max()函数用于选取根据权重最大这一条件选取全部可能路线中的最优路线。 实际导航规划策略中的避开高速,时间优先和距离优先三种情况分别对应的系数设置为:避开高速:=0,当该路线上有高速路段,=1,当该路线上无高速路段;时间优先:=0;距离优先:=0。
作为最基础的道路导航路径规划算法,以时间最短或路程最短的方式获取两点之间的最佳路径的方法基本已经可以满足大多数人日常出行的需求,方便地解决多数人的出行问题,彻底地颠覆了原始的出行方式,大大的拓展了人们的日常出行和活动空间的范围和广度。但是这一路径规划模型无法规划多目的地的出行任务,使用基于该模型的导航地图时,只能在到达前一目的地之后手动设置下一目的地,进行二次导航路线规划。这就大大降低了电子地图导航的效率,智能化、自动化的水平较低。
第二种常见的模型为面向同等优先级的多途经点(Waypoint)的多点模型。这种模型可以通过用户依次添加途经点,要求模型所规划出的路径必须按照用户添加的顺序依次经过出发点、各途经点以及终点。这一模型有一种特例情况,即不需要用户自定义顺序,遍历途经点的顺序以最短时间和最短路程为标准由模型自动选择。这一方法中对于每条路径的权重计算公式如公式(3)所示。
(3)
(4)
公式中,为多条可供选择的路线,为第条路线的权重,为判定函数,为路线总耗时的权重,为路线总长度的权重,为总途经点(含终点)的个数,为从第个途经点到达第个途经点的分路段耗时,为从第个途经点到达第个途经点的分路段距离。该模型中各途经点为等优先级,即在规划时仅考虑总时间或总距离,不考虑到达各途经点的时间差异。各参数设定与双点模型相同。
结合两点模型和多途经点模型,基本已经覆盖到大多数日常出行的导航路径规划需求。但是在当今服务业蓬勃发展,基于各类交通工具的配送服务越来越发达的背景下,上述的两类模型已经不能满足生产生活的需求,需要开发更加智能、便利的多任务、多途经点的多点模型,即本发明提出的面向非同等优先级的多途经点(waypoint)的多点模型。模型公式如公式(5)、(6)所示。
(5)
(6)
公式中,为多条可供选择的路线,为第条路线的权重,为判定函数,为路线总耗时的权重,为路线总长度的权重,为总途经点(含终点)的个数,为从第个途经点到达第个途经点的分路段耗时,为从第个途经点到达第个途经点的分路段距离。 为途经点优先级影响因素的个数。表示车辆出发时刻距抵达第k个途经点的时间。 表示第k个途经点的第j个影响因素的值。表示第j个影响因素的权重。公式中前半部分表示对总距离和总时间的考虑,后半部分表示对于各途经点优先级的考虑。二者之间的关系运算符∎(黑方块在此代表自定义运算符)可以是乘法、加法或是其他关系表达方式。
该模型包含上述两种传统模型的情况,即上述两种传统模型是该模型的特例:
(1)当途经点个数n为0是,即变为两点模型;
(2)当优先级影响因子个数为0或各途经点的优先级影响因子均相同时,则变为等优先级多点模型。
根据a,b,c三类权重的相对大小关系,该模型在实际情况下会分为如下四类:
I 总时间属性主导型权重设置(a 远大于b和c),此时总时间是控制该规划算法的主导,即模型会优先给出总行驶时间最短的路线。
II 总距离属性优先型权重设置(b 远大于a和c),此时总距离是控制该规划算法的主导,即模型会优先给出总行驶距离最短的路线。
III 途经点属性主导型权重设置(c 远大于a和b),此时途经点的优先属性是控制该规划算法的主导,即模型会优先给出最先经过优先级别高的途经点的路线。
IV 无主导性属性型权重设置(a,b和c相差不悬殊),此时无论时间,距离和各途经点优先级都不占主导,模型会根据给定的a, b, c三个系数计算得到使得总权重最大的路线。
下面参照附图1-5对本发明的导航路线规划方法作出说明。图1示出了根据本发明的一个具体的路线规划问题,图中圆点A、B、C示意了需要考虑的三个途经点(目的地),每个途经点都标注了其相应的两个影响因子值F1,F2。三角形示出了车辆的当前位置。两两点之间的距离S和耗时T分别标注在两点的连线上。在该情景中,车辆想要依次经过三个途经点,有六种可行方案:A→B→C,A→C→B,B→A→C,B→C→A,C→A→B,C→B→A。根据本发明提供的规划方法,可根据公式(5)、(6)建立此情景下的多点模型,在此我们以乘法运算符为例进行说明,此时相应公式具体化为:
(7)
(8)
图2-5示出了通过调整上述模型中的四个系数:a,b,c1,c2来模拟不同的客户需求,并展示在客观条件固定的情形下,客户如何通过调整模型系数来得到不同的最优路线。图2示出了以总时间最短为目的的路线规划方法,此规划要求是以总时间最短最首要目标,不考虑所要付出的距离代价,同时不考虑途经点的差异性。该规划要求可由多数现有规划算法在“时间优先”模式下实现。在相应系数支持下,本模型亦可得到相同规划路线,即C→B→A。图3示出了以总距离最短为目的的路线规划方法,此规划要求是以总行驶距离最短最首要目标,不考虑所要付出的时间代价,同时不考虑途经点的差异性。该规划要求可由多数现有规划算法在“距离优先”模式下实现。在相应系数支持下,本模型亦可得到相同规划路线,即C→A→B。图4示出了以途经点属性优先为目的的路线规划方法,此规划要求首要考虑途经点的属性值(使得w最大),不考虑所要付出的距离和时间代价。该规划要求体现了对于途经点差异性优先级的考虑,是目前传统导航算法所不能实现的。在相应系数支持下,本模型则可得到规划路线,即A→C→B。图5示出了综合考虑总时间,总距离以及各途经点属性的路线规划方法,此规划要求不仅仅考虑单一要素,而需根据客户对各要素的看重程度做出权衡。该规划要求是现有规划算法所不能满足的。在相应系数支持下,本模型则可得到规划路线,即B→A→C,该路线既非最短时间又非最短距离同时又不仅仅考虑途经点属性。
本发明的第二部分为基于机器学习的多因子权重确定方案。上述提出的面向非同等优先级的多途经点(waypoint)的多点模型的实际应用过程中,影响其结果的主要是a,b,c三类权重的设定。三者的相对大小直接决定了模型结果。通常情况下对于同时要考虑时间和距离又需要考虑各途经点优先级差异的情况,是很难严格划定那种路线是最优路线的。也就是说这一最优路线的定义是不能用一个明确的阈值来区分的。对于最优路线的认定受使用者的主观影响很大。为了能够使用所提新模型必须对各点的优先级数值标识,进行定量化。这一定量化过程要综合考虑多种影响因素。因此我们也需要对于这些因素进行定量化,并且给予相应的权重。针对这一难点,本发明提出了一种基于机器学习的多因子权重确定方案。通过前期人工训练得到一组权重系数,使得模型所规划出的路线最能与用户所认定的最优路线相吻合。图6示出了该权重系数确定方法的主要流程。考虑到算法在实际使用中所遇到的情况可能与前期人工训练所使用的题库有所差异,因此该方法增加了根据实际运行数据对系数进行更新的功能。该方法的核心思路是通过多次迭代,更新系数组合,确定一组系数使得模型对于题库中的规划问题给出的最优路线最大程度的与人工定义的最优路线相吻合。
本发明采用的机器学习方法为人工神经网络(artificial neural network,缩写ANN),但并非仅限于该方法。一切基于多次迭代并引入代价函数进行结果比较的策略均可用于本发明所涉及的权重训练。在此,本发明以监督学习下的人工神经网络方法为例,对权重因子的确定方案阐述如下。该方案的核心思路可概括为:在监督学习中,将训练样本的数据加到网络输入端,同时将相应的期望输出与网络输出相比较,得到误差信号,以此控制权值连接强度的调整,经多次训练后收敛到一个确定的权值。当样本情况发生变化时,经学习可以修改权值以适应新的环境。
步骤包括:
1.影响因子定量化
全部对优先级有影响的因子用数字进行定量化。如将全部因子均划分为1-5五个级别。
训练样本的采集
在此,我们随机生成多组(以一百组为例)非同等优先级多途经点的路线规划问题,每个问题中均提供全部参考信息,包括各点之间的距离和时间,各点的各权重因子的级别,供训练者按照自己的需求人工选择出每个问题中的最优路线。
构建代价函数
代价函数是用来告知计算机迭代的方向。在此我们构建代价函数如下:
(9)
上述代价函数表示模型预测的不准确率,我们要告知计算机,算法的迭代方向应该是使得该代价函数达到最小。在此方向下计算机会不断调整上述三个系数,当cost最小时,迭代停止,此时的系数即为最优系数组合。
初值设定及迭代停止判断
在此我们将初值设定为:a=1,b=1,c=0.2。
同时设定迭代停止条件为:cost<5% 或总迭代次数大于10000。
训练结果评价与使用
完成上述训练后,最终的模型预测不一致性将作为模型训练的评价指标。该指标告知用户采用该组系数会有多大的可能性仍得不到用户认为的最优路线。将训练完毕的系数带入模型,即可用于该用户针对于此类路线规划问题使用。即算法记住了用户的选择。
图7示出了根据本发明规划方法的一种具体应用场景。近年来兴起的餐饮速递服务受到市场的认可,且发展日新月异。其基本运作模式有三种,第一种是餐厅自行接单、自顾送餐员;第二种为统一网络平台接单,分配至各餐厅,并由餐厅自顾送餐员送餐;第三种为统一网络平台接单,并由平台雇佣的送餐员至餐厅取餐后统一配送。这三种常见的餐饮速递模式虽然运营模式大不相同,但是在送餐员送餐使用地图路径规划和导航的时候,存在第三种⊃第二种⊃第一种的包含关系,即第三种情况的路线规划情况更加复杂。故本发明以第三种情况为例进行分析,即统一网络平台接单,并由平台雇佣的送餐员至餐厅取餐后统一配送。具体描述如下:顾客下单后,由后台管理员将送餐任务发给待命司机,司机前往不同餐厅取餐并进行配送。实际服务过程中,为提高效率,一般后台管理员会将大致相邻区域和同一方向的多个客户的订单发给同一个司机。此时便产生了多任务多目的地的情况。于此同时,司机同时承担的多个订单并非同等优先级,其在顾客会员级别、小费数量、下单时间、食品最优食用周期、顾客特殊要求(如加急)等方面均存在差异。此时司机要途经的多个目的地表现出非同等优先级的特性。传统多点路线规划算法不能考虑上述特殊因素,仅能给出最短时间和最短路径两套方案。
基于上述提出的多目的地、多任务、非同等优先级的送餐服务情景进行路线导航,其模型设计如下:
(10)
(11)
此时,代表该路线是否可行,可行为1,不可行为0。在该情境下不可能的情况比如有必须先到A点取取餐后才能到B点送餐,因此所有先经过B再到A的路线全部不可行。n代表本次任务所要经过的餐馆和顾客位置总数。,,分别是三种要考虑的影响因子,比如分别为订单加急费用、顾客会员等级、食品保鲜时间。c1, c2, c3分别是上述三个因素的权重系数。
本实施例中,我们将三个影响因子分别划分为1-5五个级别,1为最低,5为最高。通过上述ANN训练流程训练该模型,得到系数a, b, c1, c2, c3。在此实施例中,训练人员可以是后台运营方,也可以是点餐的顾客群体。
图8示出了根据本发明的路线规划方法流程图。该流程包括两大核心步骤分别是权重设置步骤和路线规划步骤。具体过程描述为:当后台管理员将具有非同等优先级的多目的地的多重任务分配到导航用户终端时,用户终端地图导航***自动根据该组任务所包含的全部属性信息(例如图7示出的送餐情景下,全部属性信息可包括取餐餐馆地址、送餐客户地址、订单加急费用、顾客会员等级、食品保鲜时间等)进行智能运算,综合考虑各途经点的全部属性信息以及整条路线的总时间和总距离,得到该情景下的路线优劣排序。***将最优路线自动推荐给司机,司机亦可以根据具体情况从次级优化路线中选取。司机所做的路线替换信息将被反馈到后台,用于后续对于模型系数的进一步优化更新。模型中所需要的各途经点之间的时间和距离可调用现有商业导航软件得到。司机行驶过程中仍可添加新的任务,若后台管理员将新的订单发送至用户终端时,***会自动根据新加入的任务重新规划出包含已存在但尚未完成任务和新任务的路线,实现高效、智能、动态、自动化的多任务、多目的地的路径导航。此过程无需司机人工干预,避免司机驾驶过程中操作软件所带来的安全隐患。
图9示出了根据本发明的路线规划***所需要的模块关系。该***包括当前位置获取模块、参数配置模块、权重设置模块、路线规划模块、UI交互模块、任务管理模块、数据通信模块。其中当前位置获取模块被配置用于通过读取用户终端上的GPS或基站定位信息获取用户当前位置。参数配置模块被配置用于用户自定义多因子个数、名称及其量化等级等。权重设置模块被配置用于设置面向非同等优先级的多途经点(waypoint)的多点模型的系数a,b,,其中面向非同等优先级的多途经点(waypoint)的多点模型为:
;。
路线规划模块被配置用于根据权重设置模块所设置的模型***值计算全部备选路线的权重,并按权重由大到小的顺序向UI交互模块输出全部备选路线,其中权重最大的规划路线被设置为第一优选路线。UI交互模块被配置用于接收路线规划模块输出的路线规划结果,用户可选择默认接受第一优选路线或自主选择其他优选路线。任务管理模块被配置用于管理已完成及未完成的全部任务,其主要功能包括针对任务的存储、查询、***、状态更改等。数据通信模块被配置用于调用终端的移动数据通信***,实现数据的上传与下载。
路线规划***还包括Log文件管理模块、账户管理模块、任务接收模块、任务状态反馈模块、后台任务调度模块。其中Log文件管理模块被配置用于自动记录该路线规划***运行过程中的相关状态,目的在于监控***的运行状态。账户管理模块被配置用于管理使用该***的用户信息,包括用户注册,登录,权限分配,个人信息修改等。任务接收模块被配置用于解译通信模块所下载到的任务编码信息。任务状态反馈模块被配置用于将任务状态发生改变的这一信息同步反馈给后台任务调度模块。后台任务调度模块被配置用于面向一个或多个使用终端进行任务的分配、监控和反馈信息的收集。
Claims (10)
1.一种面向非同等优先级的多途经点导航路线规划方法,其特征在于包含以下步骤:
步骤1、任务初始化:任务调度中心向导航用户终端发送模型系数设定方案,并分配非同等优先级的多途经点的多重导航任务,其中所述多途经点个数为n,当导航用户终端选择接受该任务时,将该任务中的途经点与用户终端已有任务中的途经点共同组成新的当前任务,则该当前任务下共有n!条备选路线;其中n!表示n的全排列;
步骤2、计算导航模型权重:所述导航模型为面向非同等优先级的多途经点的多点模型,模型公式为:
(1)
(2)
其中,为多条可供选择的路线,为第条路线的权重,为判定函数,为路线总耗时的权重,为路线总长度的权重,为总途经点的个数,为从第个途经点到达第个途经点的分路段耗时,为从第个途经点到达第个途经点的分路段距离,为途经点优先级影响因素的个数,表示车辆出发时刻距抵达第k个途经点的时间,表示第k个途经点的第j个影响因素的值,表示第j个影响因素的权重,关系运算符是乘法或加法;
步骤3、路线规划:用户终端的地图导航***提供任意两个途经点间的分路段距离和分路段耗时,自动根据上述模型及设置的权重计算全部备选路线的权重值,并按权重值由大到小进行排序,将权重值最大的规划路线设为第一优选路线;
步骤4、输出规划结果并导航:将全部备选路线的权重值输出给UI交互模块,用户可选择默认接受第一优选路线或自主选择其他优选路线,并根据选择结果开始导航。
2.如权利要求1所述的导航路线规划方法,其特征在于:
步骤1中所述的模型系数设定方案可通过机器学习的方法获得,该方法流程包括:
步骤1.1、影响因子定量化:对优先级有影响的全部因子用数字进行定量化;
步骤1.2、训练样本的采集:随机生成多组非同等优先级的多途经点的路线规划问题,每个问题中均提供全部参考信息,包括各点之间的距离和时间,各点的各权重因子的级别,供训练者按照自己的需求人工选择出每个问题中的最优路线;
步骤1.3、构建代价函数:构建代价函数如下:
(3)
计算机会不断调整模型系数a,b,cj,当cost最小时或者达到最大迭代次数时,迭代停止,此时的系数即为最优系数组合;
步骤1.4:初值设定及迭代停止判断:将初值设定为:a=1,b=1,cj=0.2,设定迭代停止条件为:cost<5% 或总迭代次数大于10000;
步骤1.5:训练结果评价与使用:完成上述训练后,最终的模型预测不一致性将作为模型训练的评价指标,该指标告知用户采用该组系数会有多大的可能性仍得不到用户认为的最优路线,将训练完毕的系数带入模型,即可用于用户针对于此类路线规划问题使用;
步骤1.6:模型系数优化调整:上述训练完毕的系数用于实际规划使用时所给出的第一优选方案仍可能不是最优路线,此时用户放弃***推荐的第一路线而从备选路线中选择路线,同时该规划情景的数据将被存入Log文件并上传之后台服务器,当服务器累积存储的该规划情景达到一定阈值,则***启动模型系数再次优化调整功能,即利用服务器中所存储的规划情景以及当时用户所做出的人工选择构成新的训练数据集,该数据集连同步骤1.2所采集到的数据集构成系数调整训练数据集,按照上述步骤1.3-1.5重新训练得到模型系数。
3.如权利要求2所述的导航路线规划方法,其特征在于,其中步骤1.1中将对优先级有影响的全部因子定量化,分为1-5五个级别,1为最低,5为最高。
4.如权利要求2所述的导航路线规划方法,其特征在于,其中步骤1.2中生成100组非同等优先级的多途经点的路线规划问题;其中步骤1.6中用于模型系数优化调整的数据集来自于步骤1.2生成的模拟数据和实际使用过程中的用户的使用记录。
5.一种面向非同等优先级的多途经点导航路线规划***,该***包括当前位置获取模块、参数配置模块、权重设置模块、路线规划模块、UI交互模块、任务管理模块、数据通信模块,其特征在于:
当前位置获取模块被配置用于通过读取用户终端上的GPS数据或基站定位信息获取用户当前位置;
参数配置模块被配置用于用户自定义多因子个数、名称及其量化等级;
权重设置模块被配置用于设置面向非同等优先级的多途经点的多点模型的系数a,b,,其中面向非同等优先级的多途经点的多点模型为:
(4)
(5)
其中,为多条可供选择的路线,为第条路线的权重,为判定函数,为路线总耗时的权重,为路线总长度的权重,为总途经点的个数,为从第个途经点到达第个途经点的分路段耗时,为从第个途经点到达第个途经点的分路段距离,为途经点优先级影响因素的个数,表示车辆出发时刻距抵达第k个途经点的时间,表示第k个途经点的第j个影响因素的值,表示第j个影响因素的权重,关系运算符是乘法或加法;
任务管理模块被配置用于管理已完成及未完成的全部任务,其功能包括针对任务的存储、查询、***、状态更改;
数据通信模块被配置用于调用终端的移动数据通信***,实现数据的上传与下载。
6.如权利要求5所述的导航路线规划***,其特征在于,还包括Log文件管理模块、账户管理模块、任务接收模块、任务状态反馈模块、后台任务调度模块;其中Log文件管理模块被配置用于自动记录该路线规划***运行过程中的相关状态,目的在于监控***的运行状态;账户管理模块被配置用于管理使用该***的用户信息,包括用户注册,登录,权限分配,个人信息修改;任务接收模块被配置用于解译通信模块所下载到的任务编码信息;任务状态反馈模块被配置用于将任务状态发生改变的这一信息同步反馈给后台任务调度模块;后台任务调度模块被配置用于面向一个或多个使用终端进行任务的分配、监控和反馈信息的收集。
7.一种适用于多途经点路线规划***的多任务送餐方法,其特征在于包括以下步骤:
步骤1、构建面向非同等优先级的多途经点的多点模型,所述多点模型为:
(6)
且 (7)
其中,代表该路线是否可行,可行为1,不可行为0;n代表本次任务所要经过的餐馆和顾客位置总数;,,分别代表第k个途经点的三个需要考虑的影响因子,c1, c2, c3分别是上述三个因子的权重系数;
步骤2、训练所述多点模型:将三个影响因子分别划分为1-5五个级别,1为最低,5为最高,利用模拟构建的训练数据集对所述多点模型进行训练,得到系数a,b,c1,c2, c3;
步骤3、路线规划:根据步骤2训练得到的系数计算当前多任务环境下的各种可行路线的权重值,并根据计算结果输出权重值最大的路线为第一最优路线,同时输出排序后的备选路线,若上述第一最优路线不满足要求,用户可从备选路线中选择其一,本次更改将被记入用户Log文件,并上传至后台服务器,用于对模型系数进行优化调整;
步骤4、模型系数优化调整:用户放弃***推荐的最优路线而从备选路线中选择路线时,该规划情景的数据将被存入Log文件并上传之后台服务器,当服务器累积存储的该规划情景达到一定阈值,则***启动模型系数再次优化调整功能;
步骤5、用户根据所选路线执行送餐任务。
8.如权利要求7所述的多任务送餐方法,其特征在于,其中,,,分别代表订单加急费用、顾客会员等级、食品保鲜时间。
9.如权利要求7所述的多任务送餐方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1、训练样本的采集:随机生成多组非同等优先级的多途经点的路线规划问题,每个问题中均提供全部参考信息,包括各点之间的距离和时间,各点的各权重因子的级别,供训练者按照自己的需求人工选择出每个问题中的最优路线;
步骤2.2、构建代价函数:构建代价函数如下:
(8)
计算机会不断调整模型系数a,b,c1,c2, c3,当cost最小时或者达到最大迭代次数时,迭代停止,此时的系数即为最优系数组合;
步骤2.3:初值设定及迭代停止判断:将初值设定为:a=1,b=1,c1=c2=c3=0.2,设定迭代停止条件为:cost<5% 或总迭代次数大于10000;
步骤2.4:训练结果评价与使用:完成上述训练后,最终的模型预测不一致性将作为模型训练的评价指标,该指标告知用户采用该组系数会有多大的可能性仍得不到用户认为的最优路线,将训练完毕的系数带入模型,即可用于用户针对于此类路线规划问题使用。
10.如权利要求7所述的多任务送餐方法,其特征在于,其中步骤2的训练人员为后台运营方或点餐的顾客群体;其特征在于,其中步骤4的模型系数调整所使用的训练数据部分来自于导航用户的实际使用记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610054144.4A CN105675002B (zh) | 2016-01-27 | 2016-01-27 | 一种多途经点导航路线规划方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610054144.4A CN105675002B (zh) | 2016-01-27 | 2016-01-27 | 一种多途经点导航路线规划方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105675002A CN105675002A (zh) | 2016-06-15 |
CN105675002B true CN105675002B (zh) | 2018-03-30 |
Family
ID=56303000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610054144.4A Expired - Fee Related CN105675002B (zh) | 2016-01-27 | 2016-01-27 | 一种多途经点导航路线规划方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105675002B (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106225797B (zh) * | 2016-06-30 | 2019-08-20 | 银江股份有限公司 | 一种路径规划方法 |
CN107634977B (zh) * | 2016-07-18 | 2021-02-09 | 阿里巴巴集团控股有限公司 | 叫车处理方法、装置、设备和*** |
CN106248096B (zh) * | 2016-09-29 | 2019-08-27 | 百度在线网络技术(北京)有限公司 | 路网权重的获取方法和装置 |
CN106650974B (zh) * | 2016-12-30 | 2021-10-22 | 深圳天珑无线科技有限公司 | 基于日程的事件项目规划方法和装置 |
EP3372959A3 (en) * | 2017-02-16 | 2018-11-28 | Gurunavi, Inc. | Information processing apparatus, information processing method and program |
CN107085227A (zh) * | 2017-04-25 | 2017-08-22 | 杭州纳戒科技有限公司 | 路线导航服务方法、装置以及*** |
CA3027283A1 (en) * | 2017-04-27 | 2018-11-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for route planning |
WO2018195927A1 (zh) * | 2017-04-28 | 2018-11-01 | 深圳市元征科技股份有限公司 | 一种食料投放方法以及相关装置 |
WO2018209686A1 (zh) * | 2017-05-19 | 2018-11-22 | 深圳市伊特利网络科技有限公司 | 外卖路径的规划方法及*** |
CN107633317B (zh) * | 2017-06-15 | 2021-09-21 | 北京百度网讯科技有限公司 | 建立行程规划模型以及规划出游行程的方法、装置 |
CA3027627C (en) | 2017-07-13 | 2021-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for trajectory determination |
IL253769B (en) * | 2017-07-31 | 2022-03-01 | Israel Aerospace Ind Ltd | Planning a path in motion |
CN107578202B (zh) * | 2017-09-01 | 2020-09-29 | 国网(天津)综合能源服务有限公司 | 一种基于现有外卖服务的商品调度配送方法 |
CN107907136A (zh) * | 2017-10-27 | 2018-04-13 | 努比亚技术有限公司 | 路线规划方法、移动终端及计算机可读存储介质 |
CN107883942A (zh) * | 2017-10-31 | 2018-04-06 | 西安科锐盛创新科技有限公司 | 基于rfid的仓库导航方法 |
CN108279017B (zh) * | 2018-01-29 | 2021-03-16 | 吉林大学 | 一种在导航过程中实时计算和添加途经点的方法 |
CN108256116B (zh) * | 2018-02-12 | 2022-03-04 | 华东师范大学 | 一种农用地现状数据快速采集方法 |
CN111699362B (zh) * | 2018-02-15 | 2023-05-09 | 本田技研工业株式会社 | 路线引导装置、路线引导方法以及存储介质 |
CN108665091A (zh) * | 2018-04-07 | 2018-10-16 | 深圳供电局有限公司 | 一种基于机器学习的物资智能调度方法 |
CN108563225A (zh) * | 2018-04-11 | 2018-09-21 | 中山市六和智能科技有限公司 | 学习定位送餐小车 |
CN108827333B (zh) * | 2018-07-05 | 2020-08-07 | 北京智行者科技有限公司 | 一种作业路径的生成方法 |
CN109190913A (zh) * | 2018-08-07 | 2019-01-11 | 北京云迹科技有限公司 | 一种任务处理方法和送货机器人 |
CN109003469A (zh) * | 2018-08-16 | 2018-12-14 | 重庆大学 | 一种工作船维护报警航标最佳路线的规划方法 |
CN111288991B (zh) * | 2018-12-06 | 2022-09-06 | 北京京东乾石科技有限公司 | 路径规划方法、装置、机器人和计算机可读存储介质 |
US11835351B2 (en) * | 2019-07-18 | 2023-12-05 | Cummins Inc. | Optimal route planning for electric vehicles |
CN112997048A (zh) * | 2019-08-12 | 2021-06-18 | 谷歌有限责任公司 | 使用射频信号强度以改进导航服务中的路线选项 |
WO2021035759A1 (zh) * | 2019-08-31 | 2021-03-04 | 华为技术有限公司 | 路径规划方法及装置 |
CN110598948B (zh) * | 2019-09-20 | 2020-07-07 | 骆剑锋 | 针对旅游景点多点归源的全排列路径规划的提速方法 |
CN110657818B (zh) * | 2019-10-17 | 2024-04-09 | 北京百度网讯科技有限公司 | 自动驾驶车辆的路径规划方法、装置、设备及存储介质 |
CN111089602A (zh) * | 2019-12-14 | 2020-05-01 | 魏生良 | 一种用于多目的地路线规划的方法 |
CN113139669B (zh) * | 2020-01-17 | 2024-01-16 | 北京京邦达贸易有限公司 | 多目标路线规划的方法、装置、电子设备和存储介质 |
CN111664851B (zh) * | 2020-06-11 | 2022-02-01 | 哈尔滨工业大学 | 基于序列优化的机器人状态规划方法、装置及存储介质 |
CN111723999A (zh) * | 2020-06-28 | 2020-09-29 | 北京京东乾石科技有限公司 | 配送路线的确定方法、装置、设备及存储介质 |
CN111898824A (zh) * | 2020-07-31 | 2020-11-06 | 沙师弟(重庆)网络科技有限公司 | 一种同城物流多点配送路径规划方法 |
CN112966765A (zh) * | 2021-03-18 | 2021-06-15 | 四川虹美智能科技有限公司 | 业务信息处理方法、装置及计算机可读介质 |
CN113819922B (zh) * | 2021-10-29 | 2024-05-03 | 成都清渟科技有限公司 | 一种智能路线规划方法 |
CN114012738A (zh) * | 2021-12-10 | 2022-02-08 | 北京云迹科技有限公司 | 一种送餐机器人控制方法及相关设备 |
CN114237246B (zh) * | 2021-12-16 | 2024-05-24 | 东软集团股份有限公司 | 最优巡检路径确定方法、装置、介质和设备 |
CN115153343B (zh) * | 2022-07-04 | 2024-05-24 | 深圳市瑞驰文体科技发展有限公司 | 智能桌面机器人的桌面吸尘组件 |
CN115451973B (zh) * | 2022-11-08 | 2023-07-07 | 南京智慧交通信息股份有限公司 | 一种基于行人大数据的智能导航***及其方法 |
CN116562481B (zh) * | 2023-04-06 | 2023-12-15 | 江苏智慧工场技术研究院有限公司 | Agv多目标点自主导航方法、***、终端及存储介质 |
CN118274862A (zh) * | 2024-05-28 | 2024-07-02 | 合肥工业大学 | 基于Bi-LSTM-attention神经网络的多目的地路径规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288187A (zh) * | 2011-03-31 | 2011-12-21 | 北京腾瑞万里信息技术有限公司 | 实时路况路线规划方法及设备 |
DE102010051541A1 (de) * | 2010-11-18 | 2012-05-24 | Navigon Ag | Routenmagnet |
CN103134498A (zh) * | 2012-12-25 | 2013-06-05 | 上海博泰悦臻电子设备制造有限公司 | 道路状态确定方法及装置、路径规划方法、导航*** |
CN104596531A (zh) * | 2014-05-28 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 一种导航路线的生成方法、装置及服务器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI397676B (zh) * | 2009-07-31 | 2013-06-01 | Mstar Semiconductor Inc | 衛星導航裝置及其相關導航方法 |
-
2016
- 2016-01-27 CN CN201610054144.4A patent/CN105675002B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010051541A1 (de) * | 2010-11-18 | 2012-05-24 | Navigon Ag | Routenmagnet |
CN102288187A (zh) * | 2011-03-31 | 2011-12-21 | 北京腾瑞万里信息技术有限公司 | 实时路况路线规划方法及设备 |
CN103134498A (zh) * | 2012-12-25 | 2013-06-05 | 上海博泰悦臻电子设备制造有限公司 | 道路状态确定方法及装置、路径规划方法、导航*** |
CN104596531A (zh) * | 2014-05-28 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 一种导航路线的生成方法、装置及服务器 |
Non-Patent Citations (2)
Title |
---|
基于蚁群算法的智能交通最优路径研究;李松江等;《长春理工大学学报(自然科学版)》;20150831;第38卷(第4期);第122-126页 * |
车辆导航动态路径规划的研究进展;葛艳等;《公路交通科技》;20101130;第27卷(第11期);第113-117页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105675002A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105675002B (zh) | 一种多途经点导航路线规划方法和*** | |
US11887030B2 (en) | Interactive network and method for securing conveyance services | |
US11650066B2 (en) | Systems and methods for variable energy routing and tracking | |
US11182709B2 (en) | Interactive real time system and real time method of use thereof in conveyance industry segments | |
CN105303487A (zh) | 一种行程服务方法和装置 | |
Annaswamy et al. | Transactive control in smart cities | |
Sun et al. | Dynamic path planning algorithms with load balancing based on data prediction for smart transportation systems | |
KR20180012794A (ko) | 운송 서비스 요금을 결정하기 위한 방법 및 시스템 | |
CN108072381A (zh) | 一种路径规划的方法及装置 | |
CN106203739A (zh) | 一种多配送中心物流运输调度的方法及*** | |
CN104517200B (zh) | 用于物流配送的能耗计算方法、配送方案获取方法和装置 | |
WO2019027718A1 (en) | INTERACTIVE REAL-TIME SYSTEM AND ITS REAL-TIME USE METHOD IN TRANSPORT INDUSTRY SEGMENTS | |
CN105389751A (zh) | 一种行程服务方法和装置 | |
Castagna et al. | Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility | |
US20230139259A1 (en) | Interactive network and method for securing conveyance services | |
CN116194935B (zh) | 用于确定地理区域中的车辆的导航简档的方法和设备 | |
Nahum et al. | A framework for solving real-time multi-objective VRP | |
Rousseau et al. | SMART Mobility. Modeling Workflow Development, Implementation, and Results Capstone Report | |
Feng et al. | A multi-functional simulation platform for on-demand ride service operations | |
Cagara | A distributed evolutionary approach to cooperative vehicular traffic optimization | |
Kusumaningrum | THE DIGITIZATION OF NETWORK ROUTING SYSTEM, ARTIFICIAL NEURAL NETWORK AND REINFORCEMENT LEARNING FOR LOGISTICS AUTOMATION | |
Wen | Value of information in dispatching shared autonomous mobility-on-demand systems: a simulation framework | |
Rajeh et al. | A Clustering-Based Multi-Agent Reinforcement Learning Framework for Finer-Grained Taxi Dispatching | |
Hoogendoorn et al. | Future scenarios for traffic information and management | |
CN118408560A (zh) | 一种基于记忆行车的路线规划方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180330 Termination date: 20210127 |
|
CF01 | Termination of patent right due to non-payment of annual fee |