CN110298512A - 行驶方案优化方法、负载均衡分析器、智能驾驶优化*** - Google Patents

行驶方案优化方法、负载均衡分析器、智能驾驶优化*** Download PDF

Info

Publication number
CN110298512A
CN110298512A CN201910589318.0A CN201910589318A CN110298512A CN 110298512 A CN110298512 A CN 110298512A CN 201910589318 A CN201910589318 A CN 201910589318A CN 110298512 A CN110298512 A CN 110298512A
Authority
CN
China
Prior art keywords
traveling
scheme
optimization
traveling scheme
demand
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
Application number
CN201910589318.0A
Other languages
English (en)
Other versions
CN110298512B (zh
Inventor
王智明
徐雷
陶冶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201910589318.0A priority Critical patent/CN110298512B/zh
Publication of CN110298512A publication Critical patent/CN110298512A/zh
Application granted granted Critical
Publication of CN110298512B publication Critical patent/CN110298512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种行驶方案优化方法、负载均衡分析器及智能驾驶优化***，所述方法包括：接收各驾驶终端发送的行驶需求；根据各个所述行驶需求和深度分析方法确定各驾驶终端对应的各个行驶方案；判断各个所述行驶方案的信息数据是否满足预设的评价条件；若存在至少一个行驶方案的信息数据不满足所述评价条件，通过迭代方式，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析，直到优化后的各个行驶方案均满足所述评价条件。使最终得出的行驶方案具有交通枢纽负载均衡度高，有助于交通工具导航智能化、立体多层式交通工具路线切换实现的效果。

Description

行驶方案优化方法、负载均衡分析器、智能驾驶优化***
技术领域
本申请属于智能驾驶技术领域，具体涉及一种行驶方案优化方法、负载均衡分析器、智能驾驶优化***。
背景技术
随着5G和边缘云承载业务的快速增长，之前尚未明显的交通枢纽负载不均衡、交通工具导航多依赖于人工辅助操作、平面单层式交通工具路线切换受限等问题日益突出。现有平面单层式交通***未充分考虑到交通枢纽负载不均衡、交通工具导航多依赖于人工辅助操作、平面单层式交通工具路线切换受限等问题。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一，提供一种行驶方案优化方法、装置。
本申请提供一种行驶方案优化方法，包括：
接收各驾驶终端发送的行驶需求；
根据各个所述行驶需求和深度分析方法确定各驾驶终端对应的各个行驶方案；
判断各个所述行驶方案的信息数据是否满足预设的评价条件；
若存在至少一个行驶方案的信息数据不满足所述评价条件，通过迭代方式，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析，直到优化后的各个行驶方案均满足所述评价条件。
优选地，所述行驶方案的信息数据至少包括：交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值；
每个所述行驶方案以三维向量的形式存储为：其中，k为当前迭代次数，i,j,t为所述行驶方案的三维坐标，i∈[1,m]，j∈[1,n]，t∈[1,q]，所述行驶方案基于所述三维坐标与所述行驶需求对应；和分别为第k次迭代过程中，位置信息为i,j,t的交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值。
优选地，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析步骤，包括：
根据驾驶终端的当前行驶方案和历史行驶方案，依照预设的无监督学习方法对所述当前行驶方案进行优化，得到所述驾驶终端的多个优化后的行驶方案；
从所述各个优化后的行驶方案中，选择一个满足预设的深度极限最优化条件的优化后的行驶方案。
优选地，所述根据驾驶终端的当前行驶方案和历史行驶方案，依照预设的无监督学习方法对所述当前行驶方案进行优化，得到所述驾驶终端的多个优化后的行驶方案步骤，包括：
根据公式(1)计算第k+1次深度无监督学习加强因子
根据公式(2)计算第k+1次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案Mijt k+1：
其中，为当前第k次迭代过程中交通枢纽的负载均衡度，Cmax G为历史最大交通枢纽负载均衡度，为当前第k次迭代过程中的驾驶终端能耗与总里程数的比值，Wmin G为历史最小驾驶终端能耗与总里程数的比值，为第k次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案。
优选地，所述行驶需求包括：源位置、途径位置和目标位置；按照以下公式选择一个满足预设的深度极限最优化条件的优化后的行驶方案：
其中，为第k次迭代过程中与三维坐标对应的行驶需求中的所述目标位置的经度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述途径位置的经度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述目标位置的纬度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述途径位置的纬度值，为第k次迭代过程中与三维坐标对应的行驶需求中的所述源位置的经度值，为第k次迭代过程中与三维坐标对应的行驶需求中的所述源位置的纬度值。
优选地，所述评价条件包括：
其中，i∈[1,m]，j∈[1,n]，t∈[1,q]。
本申请还提供一种负载均衡分析器，包括：
接收模块，用于接收各驾驶终端发送的行驶需求；
确定模块，用于根据各个所述行驶需求和深度分析方法确定各驾驶终端对应的各个行驶方案；
判断模块，用于判断各个所述行驶方案的信息数据是否满足预设的评价条件；
优化模块，用于若至少一个行驶方案的信息数据不满足所述评价条件，通过迭代方式，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析，直到优化后的各个行驶方案均满足所述评价条件。
本申请还提供一种智能驾驶优化***，包括：
上述的负载均衡分析器；
多个驾驶终端，用于向所述负载均衡分析器发送行驶需求；还用于接收行驶方案。
优选地，所述***还包括：
边缘服务器，用于根据所述行驶方案控制所述驾驶终端行驶。
优选地，所述***还包括：网络传输单元，用于传输所述行驶需求；和/或用于传输所述行驶方案。
本实施例提供的行驶方案优化方法中，基于各驾驶终端发送的行驶需求确定多个行驶方案，根据各行驶方案中的信息数据，确定当前的各行驶方案是否能够输出，当存在不满足输出条件(也即评价条件)的行驶方案时，通过对不满足评价条件的行驶方案进行优化分析，得出不满足评价条件的各驾驶终端对应的最终的行驶方案。从而使最终得出的行驶方案具有交通枢纽负载均衡度高，有助于交通工具导航智能化、立体多层式交通工具路线切换实现的效果。
附图说明
图1为本申请第一实施例提供的一种智能驾驶优化方法的流程图；
图2为本申请第二实施例提供的一种负载均衡分析器的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
本申请提供一种智能驾驶优化方法、装置及***。以下分别结合本申请提供的实施例的附图逐一进行详细说明。
本申请基于一种智能驾驶优化***实现，下面简单接收智能驾驶优化***实现的原理。智能驾驶优化***包括负载均衡分析器和多个驾驶终端，负载均衡分析器用于接收各驾驶终端的行驶需求，并根据各驾驶终端的行驶需求进行分析，得出最终的行驶方案，然后将最终的行驶方案返回至各个驾驶终端。驾驶终端用于向所述负载均衡分析器发送行驶需求，还用于接收行驶方案。
在一种优选的方式中，所述***还包括：边缘服务器，边缘服务器用于根据所述行驶方案控制所述驾驶终端行驶。该边缘服务器可设置于驾驶终端本地，其能够根据驾驶终端接收到的行驶方案控制驾驶终端的行驶状态。在此需要说明的是，本申请中，可以由驾驶终端将行驶方案传输给边缘服务器，也可以是由负载均衡分析器直接将行驶方案传出给边缘服务器。
本申请第一实施例提供的一种智能驾驶优化方法如下：
本实施例中，驾驶终端可为汽车，导航仪等，优选为自动驾驶汽车。本实施例中以驾驶终端为自动驾驶汽车为例进行具体说明。本实施例的执行主体为负载均衡分析器。如图1所示，其示出了本申请实施例提供的一种智能驾驶优化方法的流程图，包括以下步骤。
步骤S101,接收各驾驶终端发送的行驶需求。
其中，行驶需求可为路径规划请求，具体可包括源位置、目标位置、途径位置等。
可以理解的是，本实施例中，驾驶终端可能会有多个。
本实施例中，具体可以是通过驾驶终端主动上报驾驶需求，也可以是负载均衡分析器根据预设的周期询问机制定期向驾驶终端询问获取行驶需求。
步骤S102,根据各个所述行驶需求和深度分析方法确定各驾驶终端对应的各个行驶方案。
本步骤中，根据各驾驶终端的行驶需求分别制定出相应的行驶方案。对于相同的行驶需求，可以给出不同的行驶方案，由于其给出的具体路径不同，故其对应的交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值等信息数据也是不同的。也即每个行驶方案都具有特定的交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值等信息数据，导致每个行驶方案各自有各自的优缺点。本实施例中，基于行驶方案的这些信息数据对行驶方案进行评价，以找出是适合驾驶终端执行的行驶方案。
优化地，所述行驶方案的信息数据至少包括：交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值；每个所述行驶方案以三维向量的形式存储为：其中，k为当前迭代次数，i,j,t为所述行驶方案的三维坐标，i∈[1,m]，j∈[1,n]，t∈[1,q]，所述行驶方案基于所述三维坐标与所述行驶需求对应；和分别为第k次迭代过程中，位置信息为i,j,t的交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值。各交通枢纽的负载均衡度＝各交通枢纽某时刻驾驶终端负载权值总和/某时刻驾驶终端的数量。
步骤S103,判断各个所述行驶方案的信息数据是否满足预设的评价条件，若存在至少一个行驶方案的信息数据不满足所述评价条件，执行步骤S104；若不存在至少一个行驶方案的信息数据不满足所述评价条件，流程结束。
本实施例中，由于多个驾驶终端处于同一个大区域中，而对应不同驾驶终端的行驶需求的行驶方案可能会有冲突，故在这些车辆在实际根据行驶方案进行行驶时，可能会产生负载不均衡等不良情况。
因此，在该步骤中，综合各行驶方案的行驶数据进行评价，判断各个行驶方案的信息数据是否满足预设的评价条件，若存在至少一个行驶方案的信息数据不满足所述评价条件时，说明整体不可行，还需要对不满足所述评价条件的行驶方案进行优化，满足所述评价条件的行驶方案发送给对应的驾驶终端。当不存在时，即各个行驶方案同时满足预设的评价条件，说明各行驶方案整体可行，此时可将当前的各行驶方案发送给对应的驾驶终端。
优化地，所述评价条件包括：
其中，i∈[1,m]，j∈[1,n]，t∈[1,q]，和分别为第k次迭代过程中，位置信息为i,j,t的交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值。将各个驾驶终端的行驶方案中的和带入到评价条件的公式中，判断不等式是否成立，若不等式成立，则判定行驶方案满足评价条件；若不等式不成立，则判定行驶方案不满足评价条件。
步骤S104,通过迭代方式，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析，直到优化后的各个行驶方案均满足所述评价条件。
在该步骤中，通过迭代方式，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析，直到优化后的各个行驶方案均满足所述评价条件。
需要说明的是，负载均衡分析器对每个不满足所述评价条件的驾驶终端的行驶方案进行优化，针对每个不满足所述评价条件的驾驶终端得到一个最终的行驶方案，再将该行驶方案发送到对应的驾驶终端。迭代方式具体包括步骤a和步骤b。
步骤a，按照深度分析方法分别对所述各个行驶方案进行优化分析，并将当前迭代次数k加1。
在该步骤中，当判断出存在至少一个行驶方案的信息数据不满足预设的评价条件时，则需要对各行驶方案进行优化，每优化一次当前迭代次数k加1。需要说明的是，每次优化过程都是针对多个不满足所述评价条件的驾驶终端的行驶方案进行优化，优化后的结果也是多个行驶方案。
优选地，步骤S104包括步骤1)和步骤2)：
步骤1)，根据驾驶终端的当前行驶方案和历史行驶方案，依照预设的无监督学习方法对所述当前行驶方案进行优化，得到所述驾驶终端的多个优化后的行驶方案。
优化地，所述根据驾驶终端的当前行驶方案和历史行驶方案，依照预设的无监督学习方法对所述当前行驶方案进行优化，得到所述驾驶终端的多个优化后的行驶方案步骤，包括：
根据公式(1)计算第k+1次深度无监督学习加强因子
根据公式(2)计算第k+1次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案Mijt k+1：
其中，为当前第k次迭代过程中交通枢纽的负载均衡度，Cmax G为历史最大交通枢纽负载均衡度，为当前第k次迭代过程中的驾驶终端能耗与总里程数的比值，Wmin G为历史最小驾驶终端能耗与总里程数的比值，为第k次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案。
由上述的无监督学习方法的公式可知，针对一个驾驶终端的行驶方案，基于δ和μ不同的取值，可以得到多个不同的优化后的行驶方案。
步骤2)，从所述各个优化后的行驶方案中，选择一个满足预设的深度极限最优化条件的优化后的行驶方案。
可以理解的是，每个不满足所述评价条件的行驶方案得到多个优化后的行驶方案，也即每个驾驶终端的行驶需求对应有多个优化后的行驶方案。而实际上每个行驶需求只需要选择其中一个行驶方案即可。本步骤中，即是通过依照预设的深度极限最优化条件，从步骤1)各个优化后的行驶方案中，选择出与每个行驶需求对应的一个优化后的行驶方案作为该驾驶终端的最终的行驶方案。
优化地，所述行驶需求包括：源位置、途径位置和目标位置；按照以下公式选择一个满足预设的深度极限最优化条件的优化后的行驶方案：
其中，为第k次迭代过程中与三维坐标对应的行驶需求中的所述目标位置的经度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述途径位置的经度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述目标位置的纬度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述途径位置的纬度值，为第k次迭代过程中与三维坐标对应的行驶需求中的所述源位置的经度值，为第k次迭代过程中与三维坐标对应的行驶需求中的所述源位置的纬度值。
由上述的深度极限最优化条件的公式可知，各个所述优化后的行驶方案带入到该公式中，可以计算出一个最小值，该最小值对应的行驶方案即是该驾驶终端的最终的行驶方案。
步骤b，判断当前迭代次数k是否小于或等于预设阈值，若是，则判断各个所述行驶方案的信息数据是否满足预设的评价条件；否则，结束迭代。
本该步骤中，在重新对驾驶终端的当前行驶方案进行评价之前，先对当前迭代次数k进行判断，在当前迭代次数达到预设阈值时，可认为此时选出的推荐方案已无限接近于满足第一评价条件，故即使推荐方案仍不能满足第一评价条件，也可输出该推荐方案，以避免无限次数地进行迭代优化，造成计算资源的浪费。其中，迭代次数k需满足k＝1,2,…,d的条件，其中，d优选为50。当迭代次数小于或等于预设阈值时，则返回步骤S103重新对当前的各行驶方案进行评价，即判断各个所述行驶方案的信息数据是否满足预设的评价条件，以确定存在至少一个行驶方案的信息数据不满足预设的评价条件时，再次进行行驶方案的优化。通过如此一次次地迭代，将不满足评价条件的行驶方案不断地进行优化，从而最终输出最优的多个行驶方案。
本实施例提供的行驶方案优化方法中，基于各驾驶终端发送的行驶需求确定多个行驶方案，根据各行驶方案中的信息数据，确定当前的各行驶方案是否能够输出，当存在不满足输出条件(也即评价条件)的行驶方案时，通过对不满足评价条件的行驶方案进行一次或者多次迭代优化分析，得出不满足评价条件的各驾驶终端对应的最终的行驶方案。其中，在驾驶方案的优化过程中，结合途经多中间节点的单源最短路径、带权约束、深度无监督学习等方法，从而使最终得出的行驶方案具有交通枢纽负载均衡度高，有助于交通工具导航智能化、立体多层式交通工具路线切换实现的效果。
本申请第二实施例提供的一种负载均衡分析器如下：
如图2所示，其示出了本申请实施例提供的一种负载均衡分析器的结构示意图，包括以下模块。
接收模块11，用于接收各驾驶终端发送的行驶需求；
第一确定模块12，用于根据各个所述行驶需求和深度分析方法确定各驾驶终端对应的各个行驶方案；
判断模块13，用于判断各个行驶方案的信息数据是否满足预设的评价条件；
优化模块14，用于若至少一个行驶方案的信息数据不满足所述评价条件，通过迭代方式，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析，直到优化后的各个行驶方案均满足所述评价条件。
优选地，所述行驶方案的信息数据至少包括：交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值；
每个所述行驶方案以三维向量的形式存储为：其中，k为当前迭代次数，i,j,t为所述行驶方案的三维坐标，i∈[1,m]，j∈[1,n]，t∈[1,q]，所述行驶方案基于所述三维坐标与所述行驶需求对应；和分别为第k次迭代过程中，位置信息为i,j,t的交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值。
优选地，所述优化模块，包括：
第一优化子模块，用于根据驾驶终端的当前行驶方案和历史行驶方案，依照预设的无监督学习方法对所述当前行驶方案进行优化，得到所述驾驶终端的多个优化后的行驶方案；
第二优化子模块，用于从所述各个优化后的行驶方案中，选择一个满足预设的深度极限最优化条件的优化后的行驶方案。
优选地，所述第一优化子模块，具体用于：
根据公式(1)计算第k+1次深度无监督学习加强因子
根据公式(2)计算第k+1次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案Mijt k+1：
其中，为当前第k次迭代过程中交通枢纽的负载均衡度，Cmax G为历史最大交通枢纽负载均衡度，为当前第k次迭代过程中的驾驶终端能耗与总里程数的比值，Wmin G为历史最小驾驶终端能耗与总里程数的比值，为第k次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案。
优选地，所述行驶需求包括：源位置、途径位置和目标位置；按照以下公式选择一个满足预设的深度极限最优化条件的优化后的行驶方案：
其中，为第k次迭代过程中与三维坐标对应的行驶需求中的所述目标位置的经度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述途径位置的经度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述目标位置的纬度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述途径位置的纬度值，为第k次迭代过程中与三维坐标对应的行驶需求中的所述源位置的经度值，为第k次迭代过程中与三维坐标对应的行驶需求中的所述源位置的纬度值。
优选地，所述评价条件包括：
其中，i∈[1,m]，j∈[1,n]，t∈[1,q]。
本申请第三实施例提供的一种智能驾驶优化***如下：
本申请实施例提供的一种智能驾驶优化***，包括：第二实施例所述的负载均衡分析器和多个驾驶终端，驾驶终端用于向所述负载均衡分析器发送行驶需求；还用于接收行驶方案。
优选地，所述***还包括：
边缘服务器，用于根据所述行驶方案控制所述驾驶终端行驶。
该边缘服务器可设置于驾驶终端本地，其能够具驾驶终端接收到的行驶方案控制驾驶终端的行驶状态。在此需要说明的是，本实施例中，可以由驾驶终端将行驶方案传输给边缘服务器，也可以是由负载均衡分析器直接将行驶方案传出给边缘服务器。
优选地，所述***还包括：网络传输单元，用于传输所述行驶需求；和/或用于传输所述行驶方案。用于将驾驶终端发出的行驶需求通过网络传输至负载均衡分析器，以及将优化后的行驶方案传输给驾驶终端。网络传输单元具体可包括：运营商基站、卫星等设备。
进一步的，智能驾驶优化***还包括：网关单元，其可包括多个交通网关，用于保证行驶方案优化***中网络传输的安全性。
本实施例提供的行驶方案优化***中，驾驶终端发送行驶需求后，通过网络传输单元发送至负载均衡分析器，负载均衡分析器基于各驾驶终端发送的行驶需求确定出对应各行驶需求的，且整体可行性较高的行驶方案，并通过网络传输单元将各行驶方案返回至对应的各驾驶终端。其中，负载均衡分析器在确定最优的行驶方案的过程中，通过对各行驶方案进行一次或者多次迭代优化分析，确定出其中最优的行驶方案，从而使最终得出的行驶方案交通枢纽负载均衡度高，有助于交通工具导航智能化、立体多层式交通工具路线切换实现的效果。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种行驶方案优化方法，其特征在于，包括：
接收各驾驶终端发送的行驶需求；
根据各个所述行驶需求和深度分析方法确定各驾驶终端对应的各个行驶方案；
判断各个所述行驶方案的信息数据是否满足预设的评价条件；
若存在至少一个行驶方案的信息数据不满足所述评价条件，通过迭代方式，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析，直到优化后的各个行驶方案均满足所述评价条件。
2.根据权利要求1所述的行驶方案优化方法，其特征在于，所述行驶方案的信息数据至少包括：交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值；
每个所述行驶方案以三维向量的形式存储为：其中，k为当前迭代次数，i,j,t为所述行驶方案的三维坐标，i∈[1,m]，j∈[1,n]，t∈[1,q]，所述行驶方案基于所述三维坐标与所述行驶需求对应；和分别为第k次迭代过程中，位置信息为i,j,t的交通枢纽的负载均衡度、驾驶终端能耗与总里程数的比值。
3.根据权利要求2所述的行驶方案优化方法，其特征在于，所述按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析步骤，包括：
根据驾驶终端的当前行驶方案和历史行驶方案，依照预设的无监督学习方法对所述当前行驶方案进行优化，得到所述驾驶终端的多个优化后的行驶方案；
从所述各个优化后的行驶方案中，选择一个满足预设的深度极限最优化条件的优化后的行驶方案。
4.根据权利要求3所述的行驶方案优化方法，其特征在于，所述根据驾驶终端的当前行驶方案和历史行驶方案，依照预设的无监督学习方法对所述当前行驶方案进行优化，得到所述驾驶终端的多个优化后的行驶方案步骤，包括：
根据公式(1)计算第k+1次深度无监督学习加强因子
根据公式(2)计算第k+1次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案Mijt k+1：
其中，为当前第k次迭代过程中交通枢纽的负载均衡度，CmaxG为历史最大交通枢纽负载均衡度，为当前第k次迭代过程中的驾驶终端能耗与总里程数的比值，WminG为历史最小驾驶终端能耗与总里程数的比值，为第k次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案。
5.根据权利要求3所述的行驶方案优化方法，其特征在于，所述行驶需求包括：源位置、途径位置和目标位置；按照以下公式选择一个满足预设的深度极限最优化条件的优化后的行驶方案：
其中，为第k次迭代过程中与三维坐标对应的行驶需求中的所述目标位置的经度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述途径位置的经度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述目标位置的纬度值、为第k次迭代过程中与三维坐标对应的行驶需求中的所述途径位置的纬度值，为第k次迭代过程中与三维坐标对应的行驶需求中的所述源位置的经度值，为第k次迭代过程中与三维坐标对应的行驶需求中的所述源位置的纬度值。
6.根据权利要求1-5任一项所述的行驶方案优化方法，其特征在于，所述评价条件包括：
其中，i∈[1,m]，j∈[1,n]，t∈[1,q]。
7.一种负载均衡分析器，其特征在于，包括：
接收模块，用于接收各驾驶终端发送的行驶需求；
确定模块，用于根据各个所述行驶需求和深度分析方法确定各驾驶终端对应的各个行驶方案；
判断模块，用于判断各个所述行驶方案的信息数据是否满足预设的评价条件；
优化模块，用于若存在至少一个行驶方案的信息数据不满足所述评价条件，通过迭代方式，按照深度分析方法分别对不满足所述评价条件的行驶方案进行优化分析，直到优化后的各个行驶方案均满足所述评价条件。
8.一种智能驾驶优化***，其特征在于，包括：
权利要求7所述的负载均衡分析器；
多个驾驶终端，用于向所述负载均衡分析器发送行驶需求；还用于接收行驶方案。
9.根据权利要求8所述的智能驾驶优化***，其特征在于，所述***还包括：
边缘服务器，用于根据所述行驶方案控制所述驾驶终端行驶。
10.根据权利要求8所述的智能驾驶优化***，其特征在于，所述***还包括：网络传输单元，用于传输所述行驶需求；和/或用于传输所述行驶方案。
CN201910589318.0A 2019-07-02 2019-07-02 行驶方案优化方法、负载均衡分析器、智能驾驶优化*** Active CN110298512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910589318.0A CN110298512B (zh) 2019-07-02 2019-07-02 行驶方案优化方法、负载均衡分析器、智能驾驶优化***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910589318.0A CN110298512B (zh) 2019-07-02 2019-07-02 行驶方案优化方法、负载均衡分析器、智能驾驶优化***

Publications (2)

Publication Number Publication Date
CN110298512A true CN110298512A (zh) 2019-10-01
CN110298512B CN110298512B (zh) 2021-06-29

Family

ID=68029867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910589318.0A Active CN110298512B (zh) 2019-07-02 2019-07-02 行驶方案优化方法、负载均衡分析器、智能驾驶优化***

Country Status (1)

Country Link
CN (1) CN110298512B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112363840A (zh) * 2020-11-23 2021-02-12 中国联合网络通信集团有限公司 资源负载均衡方案优化方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160071024A1 (en) * 2014-02-25 2016-03-10 Sri International Dynamic hybrid models for multimodal analysis
CN107995126A (zh) * 2017-12-12 2018-05-04 中国联合网络通信集团有限公司 负载均衡路由分析方法及负载均衡路由分析器
US20180166063A1 (en) * 2016-12-13 2018-06-14 Ultrahaptics Ip Ltd Driving Techniques for Phased-Array Systems
CN108833550A (zh) * 2018-06-21 2018-11-16 中国联合网络通信集团有限公司 一种感知农业优化调度的方法及装置
CN108830422A (zh) * 2018-06-21 2018-11-16 中国联合网络通信集团有限公司 智能驾驶的优化方法、装置及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160071024A1 (en) * 2014-02-25 2016-03-10 Sri International Dynamic hybrid models for multimodal analysis
US20180166063A1 (en) * 2016-12-13 2018-06-14 Ultrahaptics Ip Ltd Driving Techniques for Phased-Array Systems
CN107995126A (zh) * 2017-12-12 2018-05-04 中国联合网络通信集团有限公司 负载均衡路由分析方法及负载均衡路由分析器
CN108833550A (zh) * 2018-06-21 2018-11-16 中国联合网络通信集团有限公司 一种感知农业优化调度的方法及装置
CN108830422A (zh) * 2018-06-21 2018-11-16 中国联合网络通信集团有限公司 智能驾驶的优化方法、装置及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANLI HUANG: "Joint beamforming and antenna subarray formation for secrecy capacity maximization in MIMO wiretap channels", 《2016 IEEE CONFERENCE ON COMMUNICATIONS AND NETWORK SECURITY (CNS)》 *
谢小风: "无穷维向量最优化问题的最优性条件", 《经济数学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112363840A (zh) * 2020-11-23 2021-02-12 中国联合网络通信集团有限公司 资源负载均衡方案优化方法及装置
CN112363840B (zh) * 2020-11-23 2023-01-17 中国联合网络通信集团有限公司 资源负载均衡方案优化方法及装置

Also Published As

Publication number Publication date
CN110298512B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
Chen et al. A multihop task offloading decision model in MEC-enabled internet of vehicles
US10620635B2 (en) Moving object movement system and movement path selection method
Vasile et al. Minimum-violation scLTL motion planning for mobility-on-demand
CN108932862A (zh) 一种自动驾驶车辆调度方法和装置
CN109005108B (zh) 一种空间网络路由规划方法及***
CN109102124B (zh) 基于分解的动态多目标多路径诱导方法、***及存储介质
US20040215392A1 (en) Re-routing apparatus and method for calculating an optimum alternative path to an original path from a position deviated from the original path in a navigation system and a navigation system using the same
Hossan et al. Fog-based dynamic traffic light control system for improving public transport
CN107203824A (zh) 一种拼车订单分配方法及装置
CN109788515B (zh) 一种数据协同方法、mec设备以及服务器
Meneguette et al. Enhancing intelligence in inter-vehicle communications to detect and reduce congestion in urban centers
CN105704031A (zh) 一种数据传输路径确定方法及装置
Aparna et al. Steering angle prediction for autonomous driving using federated learning: The impact of vehicle-to-everything communication
CN110298512A (zh) 行驶方案优化方法、负载均衡分析器、智能驾驶优化***
CN110135641A (zh) 行驶方案优化方法、装置、智能驾驶优化***
Paul et al. Real-time routing for ITS enabled fog oriented VANET
Cao et al. ETCS: An efficient traffic congestion scheduling scheme combined with edge computing
Lysenko et al. Method of operational calculation of coordinates of intermediate route points of flying information robot
CN111445715A (zh) 基于物联网通信的智慧城市交通调度方法及调度设备
Almobaideen et al. Geographical route selection based on user public transportation and service preferences
Chourasia et al. A study of geographical routing protocols in vehicular delay tolerant networks
KR102293723B1 (ko) 해상교통 통합 관제 시스템 및 방법
Gil et al. Stable cooperative surveillance with information flow constraints
CN113411360B (zh) 基于车联网的分区云平台网外运算方法及***
CN112504291B (zh) 一种车辆导航的方法及装置

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