CN108921325B - 一种基于实时路况的停电抢修最优路径的获取方法 - Google Patents
一种基于实时路况的停电抢修最优路径的获取方法 Download PDFInfo
- Publication number
- CN108921325B CN108921325B CN201810571648.2A CN201810571648A CN108921325B CN 108921325 B CN108921325 B CN 108921325B CN 201810571648 A CN201810571648 A CN 201810571648A CN 108921325 B CN108921325 B CN 108921325B
- Authority
- CN
- China
- Prior art keywords
- data
- power failure
- road
- module
- time
- 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 19
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims 2
- 238000012163 sequencing technique Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于实时路况的停电抢修最优路径的获取方法,首先停电数据采集及处理模块将停电地点发送至判断模块,判断模块进行判断,若停电地点只有一个,将停电地点发送至RBF神经网络算法处理模块中,若停电地点为两个以上,将两个以上的停电地点先进行重要程度排序,排序后的结果发送至RBF神经网络算法处理模块中,RBF神经网络算法处理模块同时结合数据采集及处理模块的数据和停电地点进行计算模型,然后将模型发送至迪杰斯特拉算法处理模块中,迪杰斯特拉算法结合模型以及实时数据模块中的实时数据进行计算,计算出最优路径;本发明具有时效性,准确性,能够帮助抢修人员在最短的时间恢复供电,保证正常的生活。
Description
技术领域
本发明涉及一种基于实时路况的停电抢修最优路径的获取方法,属于智能交通技术应用领域。
背景技术
迪杰斯特拉(Dijkstra)算法是典型的单源最短路径算法,由荷兰计算机科学家狄克斯特拉于1959年提出的,是从一个顶点到其余各顶点的最短路径算法,解决的是有向图中最短路径问题。迪杰斯特拉算法主要特点是以起始点为中心向外层层扩展,直到扩展到终点为止。
迪杰斯特拉算法的实现过程:声明一个数组dis来保存源点到各个顶点的最短距离和一个保存已经找到了最短路径的顶点的集合T,初始时,原点s的路径权重被赋为0(dis[s]=0)。若对于顶点s存在能直接到达的边(s,m),则把dis[m]设为w(s,m),同时把所有其他(s不能直接到达的)顶点的路径长度设为无穷大。初始时,集合T只有顶点s。然后,从dis数组选择最小值,则该值就是源点s到该值对应的顶点的最短路径,并且把该点加入到T中,此时完成一个顶点,然后,需要看看新加入的顶点是否可以到达其他顶点并且看看通过该顶点到达其他点的路径长度是否比源点直接到达短,如果是,那么就替换这些顶点在dis中的值。然后,又从dis中找出最小值,重复上述动作,直到T中包含了图的所有顶点。
神经网络算法是进行分布式并行信息处理的算法模型,依靠***的复杂程度,通过调整内部大量节点之间相互连接的关系,达到处理信息的目的。BP神经网络学习速率是固定的,因此网络的收敛速度慢,需要较长的训练时间。对于一些复杂问题,BP算法需要的训练时间可能非常长,这主要是由于学习速率太小造成的。而RBF神经网络是种高效的前馈式网络,它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结构简单,训练速度快。
由于大风大雨等自然因素,或异物破坏电力设备,或用电高峰期导致电力设备负载过重,所造成的停电时间比比皆是,影响人们正常的工作和生活,尤其以银行,工厂,医院等重要级别极高的区域受影响程度最大(经济不发达地区可能无法做到每个重要级别高的区域都具有自主发电机)。这时供电抢修人员扮演着极其重要的角色,但是往往会因为并未事先规划好最优路径,遇到堵车高峰期,中小学生放学,或道路施工维修封路等不稳定因素,导致消耗大量时间,从而无法迅速到达停电区域抢修。不仅影响人们的正常生活,人们对电网的投诉率也会越来越高。
发明内容
本发明的目的在于提供一种基于实时路况的停电抢修最优路径的获取方法,本发明方法基于实时路况数据采集及处理平台,结合了RBF神经网络算法和迪杰斯特拉算法,克服种种路况及天气情况,计算出停电抢修最优路径,用于供电抢修人员以最短的时间到达停电区域并进行抢修的路径规划。
本发明通过以下技术方案来实现:一种基于实时路况的停电抢修最优路径获取方法,首先停电数据采集及处理模块中的停电地点采集模块将采集的区域内的停电地点发送至判断模块,判断模块对是否为一个停电地点进行判断,若停电地点只有一个,则将停电地点发送至RBF神经网络算法处理模块中,若停电地点为两个以上,则将两个以上的停电地点发送至停电地点重要程度排序模块中,停电地点重要程度排序模块将两个以上的停电地点按照重要程度进行排序,然后将排序后的结果发送至RBF神经网络算法处理模块中,同时数据采集及处理模块中的样本数据模块和实时路况数据采集及处理平台将数据发送至RBF神经网络算法处理模块中,由RBF神经网络算法处理模块中的RBF神经网络算法结合停电地点及样本数据和实时路况的数据进行计算,得到模型,然后将模型发送至迪杰斯特拉算法处理模块中,迪杰斯特拉算法处理模块中的迪杰斯特拉算法结合模型以及实时数据模块中的实时数据进行计算,计算的最优路径输出至最优结果模块。
所述样本数据模块为历史抢险的数据样本,每天采集24小时,至少采集12个月的样本数据,包括抢修人员出发抢险时的时间、抢修人员出发抢险时的天气和抢修人员出发抢险时的路况,所述实时数据模块为抢险发生时的数据模块,包括出发时的时间及天气状况、出发时的起点及终点。
所述实时路况数据采集及处理平台包括数据来源模块,数据采集模块和数据处理模块,所述数据来源模块为通过GIS电子地图和综合交通信息平台所标注的该区域内的所有道路数据,所述数据采集模块的数据采集工具包括交管部门设备部查询***、视频监控、热感***、道路测速点、路政部门道路施工信息、事故严重度指标、路面平整度测定仪、道路积水监测***,所述数据采集模块的数据采集对象包括红绿灯个数及通行时间、堵车高峰期时间、中小学生放学时间、路段限速、施工路段、事故多发率路段、道路平整度、道路受恶劣天气影响程度及恢复通行时间的数据,所述数据采集模块的数据采集参数包括红绿灯个数、汽车通行时间、堵车时间、堵车路段、学生放学时间、持续时间、限速路段、限制速度、已施工路段名、即将施工路段名、事故多发率路段名、平整度指标、受恶劣天气影响级别、恢复通行时间,所述数据处理模块对数据进行分析处理。
所述迪杰斯特拉算法处理模块中的迪杰斯特拉算法对从起点到终点的每条路径进行优化选择,并将所优化的路径根据时间的长短以及行驶速度的快慢进行排列,以应对不同天气,不同路况,得出最优路径。
所述RBF神经网络的基本思想:用RBF作为隐单元的“基”构成隐含层空间,将输入矢量直接(即不需要通过权连接)映射到隐空间;当RBF的中心点确定后,映射关系也确定;隐含层空间到输出空间的映射时线性的。如图3所示为RBF神经网络结构。
公式为输出层公式:
本发明与现有技术相比,本发明具有以下优点:
(1)本发明具有准确性,通过实时路况数据采集及处理平台获取路况的实时信息,对红绿灯个数及通行时间,堵车高峰期的时间,中小学生放学的时间,路段限速,道路是否正在维修,事故多发率路段,道路平整度,道路受恶劣天气影响程度及恢复通行时间等数据的收集,数据最少采集12个月,数据量庞大,可对计算模型提供坚实的数据支撑。
(2)本发明具有时效性,所采集数据都为一年12个月中每天的实时路况信息,且每半小时收集一次,数据信息真实有效。
(3)本发明考虑全面,如若出现两个以上的停电区域,在最优路径选择方面需考虑停电区域重要程度这个因素,优先且需以最短时间抢修重要级别高的停电区域,对计算模型进一步优化,得到最优的抢修路径。
(4)本发明计算准确,采用RBF神经网络算法可以将所有的路况信息结合在一起,综合考虑,得出计算模型,并采用迪杰斯特拉(Dijkstra)算法准确的计算出最优路径。
附图说明
图1为本发明的方法流程图;
图2为本发明实时路况的数据采集及处理平台的结构框图;
图3为RBF神经网络结构图;
图中各标号为:1-停电数据采集及处理模块、11-停电地点采集模块、12-判断模块、13-停电地点重要程度排序模块、2-数据采集及处理模块、21-样本数据模块、22-实时路况数据采集及处理平台、3-RBF神经网络算法处理模块、4-迪杰斯特拉算法处理模块、41-实时数据模块、5-最优结果模块。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1~2所示,一种基于实时路况的停电抢修最优路径的获取方法,首先停电数据采集及处理模块1中的停电地点采集模块11将采集的区域内的停电地点发送至判断模块12,判断模块12对是否为一个停电地点进行判断,若停电地点只有一个,则将停电地点发送至RBF神经网络算法处理模块3中,若停电地点为两个以上,则将两个以上的停电地点发送至停电地点重要程度排序模块13中,停电地点重要程度排序模块13将两个以上的停电地点按照重要程度进行排序,然后将排序后的结果发送至RBF神经网络算法处理模块3中,同时数据采集及处理模块2中的样本数据模块21和实时路况数据采集及处理平台22将数据发送至RBF神经网络算法处理模块3中,由RBF神经网络算法处理模块3中的RBF神经网络算法结合停电地点及样本数据和实时路况的数据进行计算,得到模型,然后将模型发送至迪杰斯特拉算法处理模块4中,迪杰斯特拉算法处理模块4中的迪杰斯特拉算法结合模型以及实时数据模块41中的实时数据进行计算,计算的最优路径输出至最优结果模块5。
所述样本数据模块21为历史抢险的数据样本,每天采集24小时,至少采集12个月的样本数据,包括抢修人员出发抢险时的时间、抢修人员出发抢险时的天气和抢修人员出发抢险时的路况,所述实时数据模块41为抢险发生时的数据模块,包括出发时的时间及天气状况、出发时的起点及终点。
所述实时路况数据采集及处理平台22包括数据来源模块,数据采集模块和数据处理模块,所述数据来源模块为通过GIS电子地图和综合交通信息平台所标注的该区域内的所有道路数据,所述数据采集模块的数据采集工具包括交管部门设备部查询***、视频监控、热感***、道路测速点、路政部门道路施工信息、事故严重度指标、路面平整度测定仪、道路积水监测***,所述数据采集模块的数据采集对象包括红绿灯个数及通行时间、堵车高峰期时间、中小学生放学时间、路段限速、施工路段、事故多发率路段、道路平整度、道路受恶劣天气影响程度及恢复通行时间的数据,所述数据采集模块的数据采集参数包括红绿灯个数、汽车通行时间、堵车时间、堵车路段、学生放学时间、持续时间、限速路段、限制速度、已施工路段名、即将施工路段名、事故多发率路段名、平整度指标、受恶劣天气影响级别、恢复通行时间,所述数据处理模块对数据进行分析处理,具体工作过程如下:首先通过GIS电子地图和综合交通信息平台两个交通***,确定全市所有路段,然后进入数据采集模块,对所有路段进行数据采集:
通过交管部门的设备部查询***,对每条道路的红绿灯进行数据采集,测得每条道路的红绿灯个数及汽车通行时间;
通过视频监控和车辆的运行速度,对每条道路的堵车高峰期进行数据采集,测得每条道路的堵车时间,汽车平均通行时间;
通过视频监控和热感***,对每条道路中小学生放学时间进行数据采集,测得每条道路的学生放学时间,持续时间及汽车平均通行时间;
通过道路测速点,对每条道路路段限速进行数据采集,测得每条道路的限制速度;
通过路政部门道路施工信息查询***,对每条道路施工路段进行数据采集,测得每条道路的已施工路段和即将施工路段;
通过事故严重指标,对每条道路事故多发率路段进行数据采集,测得每条道路的事故多发率路段;
通过路面平整度测定仪,对每条道路的道路平整度进行数据采集,测得每条道路的平整度指标;
通过道路积水、结冰、浓雾检测***,对每条道路的道路受恶劣天气影响程度及恢复通行时间进行数据采集,测得每条道路的受恶劣天气影响级别和汽车恢复通行的时间。
将所采集的数据信息导入数据综合采集***进行数据归纳整合汇总。
将整合汇总的实时路况信息导入到数据处理***,根据所需要求,对数据进行处理,得出相应数据列表。
所述迪杰斯特拉算法处理模块4中的迪杰斯特拉算法对从起点到终点的每条路径进行优化选择,并将所优化的路径根据时间的长短以及行驶速度的快慢进行排列,以应对不同天气,不同路况,得出最优路径。
本发明方法的工作原理是:首先采集停电地点的数据,然后对停电地点进行判断,如果停电地点为1个,则将停电地点输送至RBF神经网络算法中,若停电地点为两个以上,则将两个以上的停电地点发送至停电地点重要程度排序模块中,停电地点重要程度排序模块将两个以上的停电地点按照重要程度进行排序,然后将排序后的结果发送至RBF神经网络算法处理模块中;同时数据整理城市一年里各个路段每天每小时(半小时为一个时段)的实时路况信息,包括红绿灯个数及通行时间,堵车高峰期的时间,中小学生放学的时间,路段限速,道路是否正在维修,事故多发率路段,道路平整度,道路受恶劣天气影响程度及恢复通行时间,以及每次抢修人员出发抢险时的时间,天气状况以及所面对的路况信息,将整理好的数据运用RBF神经网络进行训练得出计算模型;设定抢修人员出发地点为起点,停电区域为终点,加入出发时间以及出发天气状况两种因素,利用计算模型,使用迪杰斯特拉(Dijkstra)算法对从起点到终点的每条路径进行优化选择,并将所优化的路径根据时间的长短以及行驶速度的快慢进行排列,以应对不同天气,不同路况,得出最优路径。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种基于实时路况的停电抢修最优路径的获取方法,其特征在于,首先停电数据采集及处理模块(1)中的停电地点采集模块(11)将采集的区域内的停电地点发送至判断模块(12),判断模块(12)对是否为一个停电地点进行判断,若停电地点只有一个,则将停电地点发送至RBF神经网络算法处理模块(3)中,若停电地点为两个以上,则将两个以上的停电地点发送至停电地点重要程度排序模块(13)中,停电地点重要程度排序模块(13)将两个以上的停电地点按照重要程度进行排序,然后将排序后的结果发送至RBF神经网络算法处理模块(3)中,同时数据采集及处理模块(2)中的样本数据模块(21)和实时路况数据采集及处理平台(22)将数据发送至RBF神经网络算法处理模块(3)中,由RBF神经网络算法处理模块(3)中的RBF神经网络算法结合停电地点及样本数据和实时路况的数据进行计算,得到模型,然后将模型发送至迪杰斯特拉算法处理模块(4)中,迪杰斯特拉算法处理模块(4)中的迪杰斯特拉算法结合模型以及实时数据模块(41)中的实时数据进行计算,计算的最优路径输出至最优结果模块(5);
所述样本数据模块(21)为历史抢险的数据样本,每天采集24小时,至少采集12个月的样本数据,包括抢修人员出发抢险时的时间、抢修人员出发抢险时的天气和抢修人员出发抢险时的路况,所述实时数据模块(41)为抢险发生时的数据模块,包括出发时的时间及天气状况、出发时的起点及终点。
2.根据权利要求1所述的基于实时路况的停电抢修最优路径的获取方法,其特征在于:所述实时路况数据采集及处理平台(22)包括数据来源模块,数据采集模块和数据处理模块,所述数据来源模块为通过GIS电子地图和综合交通信息平台所标注的该区域内的所有道路数据,所述数据采集模块的数据采集工具包括交管部门设备部查询***、视频监控、热感***、道路测速点、路政部门道路施工信息、事故严重度指标、路面平整度测定仪、道路积水监测***,所述数据采集模块的数据采集对象包括红绿灯个数及通行时间、堵车高峰期时间、中小学生放学时间、路段限速、施工路段、事故多发率路段、道路平整度、道路受恶劣天气影响程度及恢复通行时间的数据,所述数据采集模块的数据采集参数包括红绿灯个数、汽车通行时间、堵车时间、堵车路段、学生放学时间、持续时间、限速路段、限制速度、已施工路段名、即将施工路段名、事故多发率路段名、平整度指标、受恶劣天气影响级别、恢复通行时间,所述数据处理模块对数据进行分析处理。
3.根据权利要求1所述的基于实时路况的停电抢修最优路径的获取方法,其特征在于:所述迪杰斯特拉算法处理模块(4)中的迪杰斯特拉算法对从起点到终点的每条路径进行优化选择,并将所优化的路径根据时间的长短以及行驶速度的快慢进行排列,以应对不同天气,不同路况,得出最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810571648.2A CN108921325B (zh) | 2018-06-06 | 2018-06-06 | 一种基于实时路况的停电抢修最优路径的获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810571648.2A CN108921325B (zh) | 2018-06-06 | 2018-06-06 | 一种基于实时路况的停电抢修最优路径的获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921325A CN108921325A (zh) | 2018-11-30 |
CN108921325B true CN108921325B (zh) | 2021-08-20 |
Family
ID=64411048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810571648.2A Active CN108921325B (zh) | 2018-06-06 | 2018-06-06 | 一种基于实时路况的停电抢修最优路径的获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921325B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523720A (zh) * | 2020-04-17 | 2020-08-11 | 上海中通吉网络技术有限公司 | 末端派件路径规划方法、装置、设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995255A (zh) * | 2010-08-20 | 2011-03-30 | 东南大学 | 一种满足活动需求和路径最优的出行导航方法 |
CN201797601U (zh) * | 2010-08-14 | 2011-04-13 | 中国石油化工集团公司 | 电力线路巡检信息管理装置 |
CN102208048A (zh) * | 2011-03-15 | 2011-10-05 | 福建省电力有限公司 | 营配供电服务一体化技术支撑***及方法 |
CN102521724A (zh) * | 2011-12-07 | 2012-06-27 | 清华大学 | 基于车辆路径规划装置及规划方法 |
CN103646561A (zh) * | 2013-12-24 | 2014-03-19 | 重庆大学 | 基于道路异常区域评估的路径选择方法及*** |
CN103714708A (zh) * | 2013-12-18 | 2014-04-09 | 福建工程学院 | 一种基于出租车分时段的经验路径的最优路径规划的方法 |
CN106153056A (zh) * | 2015-03-27 | 2016-11-23 | 北京搜狗科技发展有限公司 | 导航路线生成方法及装置、导航路线获取方法及客户端 |
CN106767875A (zh) * | 2017-01-11 | 2017-05-31 | 沈阳航空航天大学 | 一种基于天气及司机驾驶经验的路径规划方法 |
-
2018
- 2018-06-06 CN CN201810571648.2A patent/CN108921325B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201797601U (zh) * | 2010-08-14 | 2011-04-13 | 中国石油化工集团公司 | 电力线路巡检信息管理装置 |
CN101995255A (zh) * | 2010-08-20 | 2011-03-30 | 东南大学 | 一种满足活动需求和路径最优的出行导航方法 |
CN102208048A (zh) * | 2011-03-15 | 2011-10-05 | 福建省电力有限公司 | 营配供电服务一体化技术支撑***及方法 |
CN102521724A (zh) * | 2011-12-07 | 2012-06-27 | 清华大学 | 基于车辆路径规划装置及规划方法 |
CN103714708A (zh) * | 2013-12-18 | 2014-04-09 | 福建工程学院 | 一种基于出租车分时段的经验路径的最优路径规划的方法 |
CN103646561A (zh) * | 2013-12-24 | 2014-03-19 | 重庆大学 | 基于道路异常区域评估的路径选择方法及*** |
CN106153056A (zh) * | 2015-03-27 | 2016-11-23 | 北京搜狗科技发展有限公司 | 导航路线生成方法及装置、导航路线获取方法及客户端 |
CN106767875A (zh) * | 2017-01-11 | 2017-05-31 | 沈阳航空航天大学 | 一种基于天气及司机驾驶经验的路径规划方法 |
Non-Patent Citations (2)
Title |
---|
基于SVM和RBF神经网络的民航不安全事件组合预测方法;单晶晶;《山东科学》;20140630;第27卷(第3期);全文 * |
基于最优效用的配电网多故障抢修任务分配策略;杨丽君;《电工技术学报》;20140630;第29卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108921325A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110274609B (zh) | 一种基于行程时间预测的实时路径规划方法 | |
Liu et al. | Corridor-based emergency evacuation system for Washington, DC: system development and case study | |
Balakrishna et al. | Time-dependent origin-destination estimation without assignment matrices | |
CN114493201B (zh) | 一种基于城市轨道交通网络服务韧性测度方法 | |
CN112215416B (zh) | 智能规划巡检航线***及方法 | |
CN113469425B (zh) | 深度交通拥堵预测方法 | |
CN108921325B (zh) | 一种基于实时路况的停电抢修最优路径的获取方法 | |
CN110807287B (zh) | 基于有限元网格在应急抢修布点场景中划分业务网格构建方法 | |
Zito et al. | Predicting Real-Time Roadside CO and $\hbox {NO} _ {2} $ Concentrations Using Neural Networks | |
CN116523093A (zh) | 基于随机源荷预测的能源***的网格需求感知***及方法 | |
CN105913654B (zh) | 一种智能交通管理*** | |
CN114604140A (zh) | 一种基于云管控的新能源汽车统一调温***及方法 | |
Cheng et al. | Bus arrival time prediction model based on APC data | |
Klosa et al. | Short-term traffic flow forecast using regression analysis and graph convolutional neural networks | |
Liu et al. | Developments and applications of simulation-based online travel time prediction system: traveling to Ocean City, Maryland | |
US12007075B2 (en) | Methods and internet of things (IoT) systems for managing smart gas safety hazard items based on geographic information systems | |
CN109572763A (zh) | 一种基于恶劣天气和晚点条件下列车车次安全性评估方法 | |
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 | |
JP2003016569A (ja) | Od交通量決定装置及び方法 | |
Mali et al. | Enhanced routing in disaster management based on GIS | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN107976514B (zh) | 一种基于机动车尾气浓度分布预测的遥测设备布点方法 | |
CN115495701A (zh) | 一种一致性电动汽车充电负荷时空分布预测方法 | |
Macioszek et al. | Transport planning organisation and management | |
Gazis et al. | Integrated computational methods for traffic emissions route assessment |
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 |