CN110853349A - 车辆调度方法、装置及设备 - Google Patents

Abstract

本发明实施例提供了车辆调度方法、装置及设备。所述方法包括获取待出行行程的出发地和目的地，根据出发地和目的地确定待出行行程对应的行程信息，将行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息；其中，训练好的物流成本预估模型是根据行程训练信息训练得到的，初始物流成本信息中携带待行驶路线，将待行驶路线发送至运输车辆的控制终端，以使运输车辆的控制终端控制运输车辆按照待行驶路线进行行驶。采用上述方案后，提高了运输车辆调度的灵活性，减少了运输车辆调度的成本。

Description

车辆调度方法、装置及设备

技术领域

本发明实施例涉及仓储物流技术领域，尤其涉及一种车辆调度方法、装置及设备。

背景技术

随着互联网和电子商务的发展，人们的网络消费越来越多。随之而来的，物流运输体系也在不断发展壮大，各地均布局了物流网点，以实现货物的储运、流通和中转。

运输车辆的调度在货物的运输过程中起着重要的作用。一般需要制定运输车辆的行车路线，使得运输车辆在满足一定的约束条件下，有序的通过一系列装货点和卸货点，最终实现货物的运输。

然而，目前的运输车辆的调度策略的制定方式一般都是采用人工制定或固定人员负责特定区域，导致运输车辆调度的灵活性差且调度成本高。

发明内容

本发明实施例提供一种车辆调度方法、装置及设备，以提高运输车辆调度的灵活性。

第一方面，本发明实施例提供一种车辆调度方法，包括：

获取待出行行程的出发地和目的地；

根据所述出发地和所述目的地确定所述待出行行程对应的行程信息；

将所述行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息；其中，所述训练好的物流成本预估模型是根据行程训练信息训练得到的，所述初始物流成本信息中携带待行驶路线；

将所述待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述待行驶路线进行行驶。

可选的，所述初始物流成本信息有多个，且每个所述初始物流成本信息中均携带对应的待行驶路线，

在所述将所述行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息之后，还包括：

根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的待行驶路线确定所述运输车辆要选择的目标物流成本信息对应的目标待行驶路线；

所述将所述待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述待行驶路线进行行驶，包括：

将所述目标待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述目标待行驶路线进行行驶；

每隔预设第一时间段之后，重新执行所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的对应的待行驶路线确定所述运输车辆要选择的目标物流成本信息对应的目标待行驶路线及之后的步骤，直至所述运输车辆到达所述目的地。

可选的，在所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线之前，还包括：

确定每个所述初始物流成本信息中物流成本不大于预设第一阈值的物流成本信息，得到物流成本信息集；

所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的对应的待行驶路线确定物流车要选择的目标初始物流成本信息对应的目标待行驶路线，包括：

根据预存的增强学习算法和所述物流成本信息集中的物流成本信息携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线。

可选的，所述根据所述出发地和所述目的地确定所述待出行行程对应的行程信息，包括：

将所述出发地和所述目的地输入到训练好的运力时间预估模型中进行识别，得到从所述出发地到所述目的地需要的运输时长；

根据训练好的天气预测模型确定预设第二时间段内的天气信息；

获取从所述出发地到所述目的地之间的地理环境和可用路线；

根据所述运输时长、所述天气信息、所述地理环境和所述可用路线生成物流信息图像，得到行程信息。

可选的，在所述获取待出行行程的出发地和目的地之前，还包括：

获取所述行程训练信息，其中，所述行程训练信息中携带多组待行驶训练行程，每组所述待行驶训练行程中携带消耗的物流成本；

将所述多组待行驶训练行程输入到卷积神经网络中进行训练得到物流成本预估模型。

可选的，在所述将所述多组待行驶训练行程输入到卷积神经网络中进行训练得到物流成本预估模型之后，还包括：

获取行程测试信息，其中，所述行程测试信息中携带多组待行驶测试行程；

将所述多组待行驶训练行程输入到训练好的所述物流成本预估模型中进行识别，得到物流成本测试结果集；

根据所述物流成本测试结果集中的每个物流测试成本和每个所述待行驶训练行程对应的物流真实成本确定所述物流成本预估模型的准确率；

若所述物流成本预估模型的准确率不大于预设第二阈值，则继续训练所述物流成本预估模型直至所述准确率大于所述第二阈值。

第二方面，本发明实施例提供一种车辆调度装置，包括：

获取模块，用于获取待出行行程的出发地和目的地；

第一确定模块，用于根据所述出发地和所述目的地确定所述待出行行程对应的行程信息；

识别模块，用于将所述行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息；其中，所述训练好的物流成本预估模型是根据行程训练信息训练得到的，所述初始物流成本信息中携带待行驶路线；

发送模块，用于将所述待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述待行驶路线进行行驶。

可选的，所述初始物流成本信息有多个，且每个所述初始物流成本信息中均携带对应的待行驶路线，

在所述识别模块之后，还包括：

第二确定模块，用于根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线；

所述发送模块，还用于：

将所述目标待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述目标待行驶路线进行行驶；

重新执行模块，用于每隔预设第一时间段之后，重新执行所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的对应的待行驶路线确定所述运输车辆要选择的目标物流成本信息对应的目标待行驶路线及之后的步骤，直至所述运输车辆到达所述目的地。

第三方面，本发明实施例提供一种车辆调度设备，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面任一项所述的车辆调度方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一项所述的车辆调度方法。

本发明实施例提供的车辆调度方法、装置及设备，采用上述方案后，可以根据待出行行程的出发地和目的地先确定待出行行程对应的行程信息，然后再将行程信息输入到训练好的物流成本预估模型中进行识别，确定携带待行驶路线的物流成本信息，再将待行驶路线发送至运输车辆的控制终端，使得运输车辆可以按照待行驶路线进行行驶，提高了运输车辆调度的灵活性，减少了运输车辆调度的成本，进而减少了运输车辆行驶的物流成本。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的车辆调度方法的架构示意图；

图2为本发明实施例提供的车辆调度方法的流程示意图；

图3为本发明另一实施例提供的车辆调度方法的流程示意图；

图4为本发明实施例提供的车辆调度方法的应用示意图；

图5为本发明实施例提供的车辆调度装置的结构示意图；

图6为本发明实施例提供的车辆调度设备的硬件结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1为本发明实施例提供的车辆调度方法的架构示意图，所述车辆调度方法可以部署在服务器端，也可以部署在客户端。在该实施例中，车辆调度方法部署在服务器端，如图1所示，车辆调度方法的架构包括服务器端101、运输车辆102和运输车辆的控制终端103。服务器端101获取待出行行程的出发地和目的地，然后根据出发地和目的地确定待出行行程对应的行程信息，再将行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息，其中，训练好的物流成本预估模型是根据行程训练信息训练得到的，初始物流成本信息中携带待行驶路线。确定出待行驶路线后，服务器端101将待行驶路线发送至运输车辆102的控制终端103。其中，为了方便控制终端103对运输车辆102进行定位，一般将控制终端103设置在运输车辆102上。控制终端103还可以将运输车辆102的状态、位置等信息返回至服务器端101，使得服务器端101可以根据运输车辆102的状态、位置等信息实时监控运输车辆102并调控运输车辆102。此外，服务器端101可以实现同时控制多辆运输车辆102。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图2为本发明实施例提供的车辆调度方法的流程示意图。如图2所示，可以包括：

S201：获取待出行行程的出发地和目的地。

具体的，待出行行程指的是车辆运输过程中涉及到的事项的统称。例如，可以包括行程线路、运输货物的种类、运输费用等。

其中，在该实施方式中，获取的是待出行行程的出发地和目的地。例如，待出行行程的行程路线为从上海到北京的路线，则出发地为上海，目的地为北京。

S202：根据所述出发地和所述目的地确定所述待出行行程对应的行程信息。

具体的，在确定了待出行行程的出发地和目的地之后，可以确定出发地与目的地之间对应的行程信息。可以包括路线信息、路况信息、预估时间和天气信息。

其中，路线信息可以为从出发地到目的地可以出行的所有路线，每条路线的道路种类以及出行过程中涉及到的道路收费情况。例如，道路的种类可以包括高速公路、盘山公路、一级公路或二级公路等。

路况信息为每条道路的出行情况，一般可以分为严重拥堵、拥挤、缓行和畅通。为了便于用户可以直观的了解路况情况，通常采用颜色来区分路况。例如，绿色为畅通，橘色为缓行，红色为拥挤，深红色为严重拥堵。

预估时间表示从出发地到目的地预计需要的时间。在预估时间之前，需要先根据以往的运输数据对逻辑回归模型进行训练，得到运输时间预估模型。然后对运输时间预估模型进行测试调优处理，直至运输时间预估模型的准确率达到预设第一准确率为止。其中，第一准确率可以为90％-98％之间。运输时间预估模型训练完成之后，将待出行行程的出发地和目的地输入到该运输时间预估模型中进行识别，得到从出发地到目的地出行对应的预估时间。

天气信息代表出行时的天气情况。在预估出行时的天气情况之前，需要根据回归模型训练一个天气预估模型，并对天气预估模型进行测试和调优处理，直至天气预估模型的准确率达到预设第二准确率为止。其中，第二准确率可以为90％-98％之间。天气预估模型训练完成之后，可以直接预测未来一天到一周的天气情况。此外，还可以根据预估时间去查看对应的天气情况。例如，预估时间为3天，则可以直接查看3天内的天气情况。

S203：将所述行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息；其中，所述训练好的物流成本预估模型是根据行程训练信息训练得到的，所述初始物流成本信息中携带待行驶路线。

具体的，在得到路线信息、路况信息、预估时间和天气信息之后，可以将上述信息输入到训练好的物流成本预估模型中进行识别，得到初始物流成本信息。初始物流成本信息中携带待行驶路线和预估的初始物流成本金额。此外，根据目前已有的特征工程天气信息是不敏感数据，因此，可以将路线信息、路况信息、预估时间和天气信息转换成图像，然后再将图像输入到训练好的物理成本预估模型中进行识别，还可以方便物理成本预估模型自动提取特征。

S204：将所述待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述待行驶路线进行行驶。

具体的，在得到待行驶路线之后，可以将待行驶路线发送至运输车辆的控制终端。运输车辆的控制终端在收到待行驶路线之后，可以控制运输车辆按照待行驶路线进行行驶。在运输车辆进行运输的过程中，控制终端还可以实时对车辆进行定位，并获取运输车辆所处的路况情况，实时反馈给服务器，使得服务器可以根据运输车辆的实时情况及时调整路线，减小物流成本。

采用上述方案后，可以使得运输车辆可以按照待行驶路线进行行驶，提高了运输车辆调度的灵活性，减少了运输车辆调度的成本，进而减少了运输车辆行驶的物流成本。

基于图2的方法，本说明书实施例还提供了该车辆调度方法的一些具体实施方案，下面进行说明。

在一个具体实施方式中，如图3所示，为本发明另一实施例提供的车辆调度方法的流程示意图，所述初始物流成本信息有多个，且每个所述初始物流成本信息中均携带对应的待行驶路线。

在将待出行行程的出发地和目的地输入到训练好的物流成本预估模型中之后，会得到多个初始物流成本信息。每个初始物流成本信息中携带一条待行驶路线。即物流成本预估模型可以得到多条从出发地到目的地的行驶路线。每条行驶路线的物流成本也是确定的。且每条行驶路线的物流成本对应的金额不大于预设的成本阈值。例如，预设的成本阈值为5000元，通过物流成本预估模型得到了6条行驶路线，且其对应的物流成本分别为3500、4000、4500、4899、5100和5300。可知，其中，成本为5100和5300的行驶路线超过了预设的成本阈值，所以，只留下物流成本为3500、4000、4500和4899四个物流成本对应的行驶路线。

在所述S204步骤之后，还可以包括：

S301：根据预存的增强学习算法和每个初始物流成本信息中携带的待行驶路线确定运输车辆要选择的目标物流成本信息对应的目标待行驶路线。

具体的，在得到多个行驶路线之后，会根据运输车辆当前所处的状态利用增强学习算法来确定运输车辆在下一段预设距离运输时要选择的线路。其中，增强学习算法可以为蒙特卡洛树算法。根据蒙特卡洛树算法对运输车辆的运输路线进行多轮迭代，确定运输车辆在下一段预设距离运输时要选择的线路。可以实现实时更新运输路线。

S302：将目标待行驶路线发送至运输车辆的控制终端，以使运输车辆的控制终端控制运输车辆按照目标待行驶路线进行行驶。

能够选择在当前状态下，运输时长最短或运输消费最低的路线。即最有利于降低运输成本的路线。

S303：每隔预设第一时间段之后，重新执行根据预存的增强学习算法和每个初始物流成本信息中携带的对应的待行驶路线确定运输车辆要选择的目标物流成本信息对应的目标待行驶路线及之后的步骤，直至运输车辆到达所述目的地。

具体的，在运输车辆运输的过程中，可以每隔半小时到一小时根据预存的增强学习算法来确定运输车辆在下一段预设距离运输时要选择的线路。其中，在进行线路选择时，需要从物流成本预估模型确定出的线路中进行选择，不可以随意确定。

如图4所示，为本发明实施例提供的车辆调度方法的应用示意图，该实施例是从保定市到北京市的待行驶路线。可以包括三条路线，路线1为当前状态下暂时选择的路线。在行驶的过程中，可以根据增强学习算法来确定在下一段预设距离运输时要选择的线路。即可以在路线1、路线2和路线3中选择一条路线进行行驶。

在一个具体实施方式中，在所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线之前，还可以包括：

确定每个所述初始物流成本信息中物流成本不大于预设第一阈值的物流成本信息，得到物流成本信息集。

根据预存的增强学习算法和所述物流成本信息集中的物流成本信息携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线。

具体的，物流成本预估模型会确定出若干携带待行驶路线的物流成本信息。为了尽可能的降低物流成本，可以设置第一阈值来筛选一下物流成本。例如，将第一阈值设置为一万，物流成本超过一万的待行驶路线会被过滤掉，只留下物流成本不大于一万的待行驶路线。

在一个具体实施方式中，所述根据所述出发地和所述目的地确定所述待出行行程对应的行程信息，可以包括：

将所述出发地和所述目的地输入到训练好的运力时间预估模型中进行识别，得到从所述出发地到所述目的地需要的运输时长。

根据训练好的天气预测模型确定预设第二时间段内的天气信息。

获取从所述出发地到所述目的地之间的地理环境和可用路线。

根据所述运输时长、所述天气信息、所述地理环境和所述可用路线生成物流信息图像，得到行程信息。

具体的，物流运输过程中，为了降低物流运输的成本，需要对多方面的因素进行考虑。因此，我们除了考虑运输的出发地和目的地外，还需要结合出发地到目的地之间的运输时长、天气信息、地理环境和可用路线等信息综合进行考虑，确定待行驶行程的物流成本。

在一个具体实施方式中，在所述获取待出行行程的出发地和目的地之前，还可以包括：

获取所述行程训练信息，其中，所述行程训练信息中携带多组待行驶训练行程，每组所述待行驶训练行程中携带消耗的物流成本。

将所述多组待行驶训练行程输入到卷积神经网络中进行训练得到物流成本预估模型。

具体的，在进行物流成本预估之前，需要先提前训练物流成本预估模型。可以采用卷积神经网络进行训练。在训练时，需要输入的是携带消耗的物流成本标签的行程训练信息。

在一个具体实施方式中，在所述将所述多组待行驶训练行程输入到卷积神经网络中进行训练得到物流成本预估模型之后，还可以包括：

获取行程测试信息，其中，所述行程测试信息中携带多组待行驶测试行程。

将所述多组待行驶训练行程输入到训练好的所述物流成本预估模型中进行识别，得到物流成本测试结果集。

根据所述物流成本测试结果集中的每个物流测试成本和每个所述待行驶训练行程对应的物流真实成本确定所述物流成本预估模型的准确率。

若所述物流成本预估模型的准确率不大于预设第二阈值，则继续训练所述物流成本预估模型直至所述准确率大于所述第二阈值。

具体的，物流成本预估模型训练完成之后，还需要对物流成本预估模型进行测试。若物流成本预估模型的测试结果的准确率大于第二阈值，则物流成本预估模型训练完成，可以直接使用。若物流成本预估模型的测试结果的准确率不大于第二阈值，则需要利用损失函数继续训练成本预估模型直至准确率大于第二阈值。其中，第二阈值可以设为95％-98％。

基于同样的思路，本说明书实施例还提供了上述车辆调度方法对应的装置。

如图5所示，为本发明实施例提供的车辆调度装置的结构示意图，具体包括：

获取模块501，用于获取待出行行程的出发地和目的地。

第一确定模块502，用于根据所述出发地和所述目的地确定所述待出行行程对应的行程信息。

识别模块503，用于将所述行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息；其中，所述训练好的物流成本预估模型是根据行程训练信息训练得到的，所述初始物流成本信息中携带待行驶路线。

发送模块504，用于将所述待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述待行驶路线进行行驶。

在一个具体实施方式中，所述初始物流成本信息有多个，且每个所述初始物流成本信息中均携带对应的待行驶路线，

在所述识别模块之后，还包括：

第二确定模块，用于根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线。

所述发送模块，还用于：

将所述目标待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述目标待行驶路线进行行驶。

重新执行模块，用于每隔预设第一时间段之后，重新执行所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的对应的待行驶路线确定所述运输车辆要选择的目标物流成本信息对应的目标待行驶路线及之后的步骤，直至所述运输车辆到达所述目的地。

在一个具体实施方式中，在所述第二确定模块之前，还可以包括：

第三确定模块，用于确定每个所述初始物流成本信息中物流成本不大于预设第一阈值的物流成本信息，得到物流成本信息集。

所述第二确定模块，还可以包括：

第二确定单元，用于根据预存的增强学习算法和所述物流成本信息集中的物流成本信息携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线。

在一个具体实施方式中，所述第一确定模块，可以包括：

识别单元，用于将所述出发地和所述目的地输入到训练好的运力时间预估模型中进行识别，得到从所述出发地到所述目的地需要的运输时长。

确定单元，用于根据训练好的天气预测模型确定预设第二时间段内的天气信息。

获取单元，用于获取从所述出发地到所述目的地之间的地理环境和可用路线。

生成单元，用于根据所述运输时长、所述天气信息、所述地理环境和所述可用路线生成物流信息图像，得到行程信息。

在一个具体实施方式中，在所述获取模块之前，还可以包括：

第一获取模型，用于获取所述行程训练信息，其中，所述行程训练信息中携带多组待行驶训练行程，每组所述待行驶训练行程中携带消耗的物流成本。

第一训练模块，用于将所述多组待行驶训练行程输入到卷积神经网络中进行训练得到物流成本预估模型。

在一个具体实施方式中，在所述训练模块之后，还可以包括：

第二获取模型，用于获取行程测试信息，其中，所述行程测试信息中携带多组待行驶测试行程。

识别模块，用于将所述多组待行驶训练行程输入到训练好的所述物流成本预估模型中进行识别，得到物流成本测试结果集。

第四确定模块，用于根据所述物流成本测试结果集中的每个物流测试成本和每个所述待行驶训练行程对应的物流真实成本确定所述物流成本预估模型的准确率。

第二训练模块，用于若所述物流成本预估模型的准确率不大于预设第二阈值，则继续训练所述物流成本预估模型直至所述准确率大于所述第二阈值。

本发明实施例提供的装置，可以实现上述如图4所示的实施例的方法，其实现原理和技术效果类似，此处不再赘述。

如图6所示，为本发明实施例提供的车辆调度设备的硬件结构示意图。本实施例提供的设备600包括：至少一个处理器601和存储器602。其中，处理器601、存储器602通过总线603连接。

在具体实现过程中，至少一个处理器601执行所述存储器602存储的计算机执行指令，使得至少一个处理器601执行上述方法实施例中的车辆调度方法。

处理器601的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图6所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现上述方法实施例的车辆调度方法。

上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种车辆调度方法，其特征在于，包括：

获取待出行行程的出发地和目的地；

根据所述出发地和所述目的地确定所述待出行行程对应的行程信息；

将所述行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息；其中，所述训练好的物流成本预估模型是根据行程训练信息训练得到的，所述初始物流成本信息中携带待行驶路线；

将所述待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述待行驶路线进行行驶。

2.根据权利要求1所述的方法，其特征在于，所述初始物流成本信息有多个，且每个所述初始物流成本信息中均携带对应的待行驶路线，

在所述将所述行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息之后，还包括：

根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的待行驶路线确定所述运输车辆要选择的目标物流成本信息对应的目标待行驶路线；

所述将所述待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述待行驶路线进行行驶，包括：

将所述目标待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述目标待行驶路线进行行驶；

每隔预设第一时间段之后，重新执行所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的对应的待行驶路线确定所述运输车辆要选择的目标物流成本信息对应的目标待行驶路线及之后的步骤，直至所述运输车辆到达所述目的地。

3.根据权利要求2所述的方法，其特征在于，在所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线之前，还包括：

确定每个所述初始物流成本信息中物流成本不大于预设第一阈值的物流成本信息，得到物流成本信息集；

所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的对应的待行驶路线确定物流车要选择的目标初始物流成本信息对应的目标待行驶路线，包括：

根据预存的增强学习算法和所述物流成本信息集中的物流成本信息携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线。

4.根据权利要求1所述的方法，其特征在于，所述根据所述出发地和所述目的地确定所述待出行行程对应的行程信息，包括：

将所述出发地和所述目的地输入到训练好的运力时间预估模型中进行识别，得到从所述出发地到所述目的地需要的运输时长；

根据训练好的天气预测模型确定预设第二时间段内的天气信息；

获取从所述出发地到所述目的地之间的地理环境和可用路线；

根据所述运输时长、所述天气信息、所述地理环境和所述可用路线生成物流信息图像，得到行程信息。

5.根据权利要求1所述的方法，其特征在于，在所述获取待出行行程的出发地和目的地之前，还包括：

获取所述行程训练信息，其中，所述行程训练信息中携带多组待行驶训练行程，每组所述待行驶训练行程中携带消耗的物流成本；

将所述多组待行驶训练行程输入到卷积神经网络中进行训练得到物流成本预估模型。

6.根据权利要求5所述的方法，其特征在于，在所述将所述多组待行驶训练行程输入到卷积神经网络中进行训练得到物流成本预估模型之后，还包括：

获取行程测试信息，其中，所述行程测试信息中携带多组待行驶测试行程；

将所述多组待行驶训练行程输入到训练好的所述物流成本预估模型中进行识别，得到物流成本测试结果集；

根据所述物流成本测试结果集中的每个物流测试成本和每个所述待行驶训练行程对应的物流真实成本确定所述物流成本预估模型的准确率；

若所述物流成本预估模型的准确率不大于预设第二阈值，则继续训练所述物流成本预估模型直至所述准确率大于所述第二阈值。

7.一种车辆调度装置，其特征在于，包括：

获取模块，用于获取待出行行程的出发地和目的地；

第一确定模块，用于根据所述出发地和所述目的地确定所述待出行行程对应的行程信息；

识别模块，用于将所述行程信息输入到训练好的物流成本预估模型中进行识别，确定初始物流成本信息；其中，所述训练好的物流成本预估模型是根据行程训练信息训练得到的，所述初始物流成本信息中携带待行驶路线；

发送模块，用于将所述待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述待行驶路线进行行驶。

8.根据权利要求7所述的装置，其特征在于，所述初始物流成本信息有多个，且每个所述初始物流成本信息中均携带对应的待行驶路线，

在所述识别模块之后，还包括：

第二确定模块，用于根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的待行驶路线确定物流车要选择的目标物流成本信息对应的目标待行驶路线；

所述发送模块，还用于：

将所述目标待行驶路线发送至运输车辆的控制终端，以使所述运输车辆的控制终端控制所述运输车辆按照所述目标待行驶路线进行行驶；

重新执行模块，用于每隔预设第一时间段之后，重新执行所述根据预存的增强学习算法和所述每个所述初始物流成本信息中携带的对应的待行驶路线确定所述运输车辆要选择的目标物流成本信息对应的目标待行驶路线及之后的步骤，直至所述运输车辆到达所述目的地。

9.一种车辆调度设备，其特征在于，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至6任一项所述的车辆调度方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至6任一项所述的车辆调度方法。

Images