CN114358448A - 一种行驶路线规划方法和装置 - Google Patents
一种行驶路线规划方法和装置 Download PDFInfo
- Publication number
- CN114358448A CN114358448A CN202210275576.3A CN202210275576A CN114358448A CN 114358448 A CN114358448 A CN 114358448A CN 202210275576 A CN202210275576 A CN 202210275576A CN 114358448 A CN114358448 A CN 114358448A
- Authority
- CN
- China
- Prior art keywords
- banknote
- training
- route planning
- adding time
- route
- 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
Links
Images
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种行驶路线规划方法和装置,可用于人工智能技术领域,所述方法包括:根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线,能够满足各网点的加钞需求和及时性需求,提高了***的稳定性、灵活性和易用性,节约时间和人力物力成本,高效规划行驶路线。
Description
技术领域
本发明涉及计算机技术领域,特别涉及人工智能技术领域,尤其涉及一种行驶路线规划方法和装置。
背景技术
在日常运营中,为保证各网点的资金运转正常,需要定期对各网点进行加钞。为节约时间和人力物力成本,需要提前规划钞车的行驶路线,既保证各网点钞票不能短缺,又要尽可能节约时间成本。相关技术中,通过构建路况信息和加钞顺序的关联性,以及利用路况生成加钞顺序的依赖规则,提升规划算法的启发式搜索技术的搜索效率。但相关技术中仅处考虑了路况信息和各网点加钞情况,无法满足及时性的需求;采用基于规则的专家***进行启发式搜索,无法及时加入新的因素,灵活性较差且***脆弱;需要使用人员手动控制搜索时间和搜索回合来搜索出较优加钞计划,易用性较差。
发明内容
本发明的一个目的在于提供一种行驶路线规划方法,能够满足各网点的加钞需求和及时性需求,提高了***的稳定性、灵活性和易用性,节约时间和人力物力成本,高效规划行驶路线。本发明的另一个目的在于提供一种行驶路线规划装置。本发明的再一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。
为了达到以上目的,本发明一方面公开了一种行驶路线规划方法,包括:
根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;
通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线。
优选的,根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型,包括:
根据历史交易数据,对深度学习网络进行训练,构建加钞时序预测模型;
根据历史加钞时间、道路信息和历史路线,对深度学习网络进行训练,构建路线规划模型;
根据加钞时序预测模型和路线规划模型,生成加钞路线规划模型。
优选的,历史交易数据包括历史钞票时序数据和历史最佳加钞时间;
根据历史交易数据,对深度学习网络进行训练,构建加钞时序预测模型,包括:
将历史最佳加钞时间确定为第一训练标签;
将历史钞票时序数据确定为第一训练数据;
根据第一训练标签和第一训练数据,对深度学习网络进行训练,构建加钞时序预测模型。
优选的,根据历史加钞时间、道路信息和历史路线,对深度学习网络进行训练,构建路线规划模型,包括:
将历史路线确定为第二训练标签;
将历史加钞时间和道路信息确定为第二训练数据;
根据第二训练标签和第二训练数据,对深度学习网络进行训练,构建路线规划模型。
优选的,在通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线之前,还包括:
从获取的当前现金交易流水中筛选出指定时间段中每个时间周期的钞票需求量;
根据每个时间周期的钞票需求量,生成当前钞票时序数据。
优选的,加钞路线规划模型包括加钞时序预测模型和路线规划模型;
通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线,包括:
通过加钞时序预测模型,根据当前钞票时序数据进行预测,得到各网点的预测加钞时间;
通过路线规划模型,对预测加钞时间和道路信息进行卷积计算,得到最佳行驶路线。
优选的,道路信息包括区域交通静态控件结构和各网点的道路实况信息;
通过路线规划模型,对预测加钞时间和道路信息进行卷积计算,得到最佳行驶路线,包括:
通过检测器节点,对预测加钞时间、区域交通静态空间结构和各网点的道路实况信息分别进行特征提取,得到预测加钞时间特征、区域交通静态空间结构特征和各网点的道路实况特征;
对预测加钞时间特征和区域交通静态空间结构特征进行卷积计算,得到加钞时间动态特征;
对区域交通静态空间结构特征和各网点的道路实况特征进行卷积计算,得到分段路径动态特征;
对加钞时间动态特征和分段路径动态特征进行融合计算,得到最佳行驶路线。
优选的,方法还包括:
获取网点人员输入的第一反馈信息,第一反馈信息为对预测加钞时间的反馈;
若第一反馈信息为满意,根据预测加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型;
若第一反馈信息为不满意,根据网点人员输入的推荐加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
优选的,根据预测加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型,包括:
将预测加钞时间确定为第一更新训练标签;
将各网点的当前钞票时序数据确定为第一更新训练数据;
根据第一更新训练标签和第一更新训练数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
优选的,根据网点人员输入的推荐加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型,包括:
将网点人员输入的推荐加钞时间确定为第二更新训练标签;
将各网点的当前钞票时序数据确定为第二更新训练数据;
根据第二更新训练标签和第二更新训练数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
优选的,方法还包括:
获取行驶人员输入的第二反馈信息,第二反馈信息为对最佳行驶路线的反馈;
若第二反馈信息为满意,根据最佳行驶路线、预测加钞时间和道路信息,对路线规划模型进行更新训练,得到更新后的路线规划模型;
若第二反馈信息为不满意,根据行驶人员输入的推荐行驶路线、预测加钞时间和道路信息,对路线规划模型进行更新训练,得到更新后的路线规划模型。
优选的,根据最佳行驶路线、预测加钞时间和道路信息,对路线规划模型进行更新训练,得到更新后的路线规划模型,包括:
将最佳行驶路线确定为第三更新训练标签;
将预测加钞时间和道路信息确定为第三更新训练数据;
根据第三更新训练标签和第三更新训练数据,对路线规划模型进行更新训练,得到更新后的路线规划模型。
优选的,根据行驶人员输入的推荐行驶路线、预测加钞时间和道路信息,对路线规划模型进行更新训练,得到更新后的路线规划模型,包括:
将推荐行驶路线确定为第四更新训练标签;
将预测加钞时间和道路信息确定为第四更新训练数据;
根据第四更新训练标签和第四更新训练数据,对路线规划模型进行更新训练,得到更新后的路线规划模型。
本发明还公开了一种行驶路线规划装置,包括:
模型构建单元,用于根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;
路线规划单元,用于通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线。
本发明还公开了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述方法。
本发明还公开了一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述处理器执行所述程序时实现如上所述方法。
本发明还公开了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现如上所述方法。
本发明根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线,能够满足各网点的加钞需求和及时性需求,提高了***的稳定性、灵活性和易用性,节约时间和人力物力成本,高效规划行驶路线。
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一种行驶路线规划方法的流程图;
图2为本发明实施例提供的又一种行驶路线规划方法的流程图;
图3为本发明实施例提供的一种根据网点人员的反馈优化更新加钞路线规划模型的流程图;
图4为本发明实施例提供的一种根据运输人员的反馈优化更新加钞路线规划模型的流程图;
图5为本发明实施例提供的一种行驶路线规划装置的结构示意图;
图6为本发明实施例提供的一种计算机设备的结构示意图。
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。
需要说明的是,本申请公开的一种行驶路线规划方法和装置可用于人工智能技术领域,也可用于除人工智能技术领域之外的任意领域,本申请公开的一种行驶路线规划方法和装置的应用领域不做限定。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的相关内容进行说明。本发明通过预训练区域内所有加钞点的历史交易记录深度学习模型获取最佳加钞时间,并通过深度学习网络(transformer)图卷积深度学习方式,灵活处理所有影响运钞路线因素,提供了一种无需手动控制的钞车智能路线规划方法。
下面以行驶路线规划装置作为执行主体为例,说明本发明实施例提供的行驶路线规划方法的实现过程。可理解的是,本发明实施例提供的行驶路线规划方法的执行主体包括但不限于行驶路线规划装置。
图1为本发明实施例提供的一种行驶路线规划方法的流程图,如图1所示,该方法包括:
步骤101、根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型。
步骤102、通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线。
本发明实施例提供的技术方案中,根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线,能够满足各网点的加钞需求和及时性需求,提高了***的稳定性、灵活性和易用性,节约时间和人力物力成本,高效规划行驶路线。
图2为本发明实施例提供的又一种行驶路线规划方法的流程图,如图2所示,该方法包括:
步骤201、根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型。
本发明实施例中,各步骤由行驶路线规划装置执行。
步骤2011、根据历史交易数据,对深度学习网络进行训练,构建加钞时序预测模型。
本发明实施例中,历史交易数据存储于数据库中,可以从数据库中获取到。历史交易数据包括历史钞票时序数据和历史最佳加钞时间。其中,钞票时序数据为时序下的钞票需求量,最佳加钞时间为网点钞票量告警前的时间点。
具体地,将历史最佳加钞时间确定为第一训练标签;将历史钞票时序数据确定为第一训练数据;根据第一训练标签和第一训练数据,对深度学习网络(transformer)进行训练,构建加钞时序预测模型。其中,训练过程为将第一训练数据作为输入数据,并将第一训练标签作为正确的输出数据,对transformer进行训练,直至模型准确率达到预设的第一阈值,构建得到加钞时序预测模型。
值得说明的是,第一阈值可以根据实际情况进行设置,本发明实施例对此不作限定。
步骤2012、根据历史加钞时间、道路信息和历史路线,对深度学习网络进行训练,构建路线规划模型。
本发明实施例中,历史加钞时间和历史路线存储于数据库中,可以从数据库中获取到。道路信息属于外源数据,可以从第三方平台获取,第三方平台可以是能够获取到道路结构和实况信息的地图相关平台,本发明实施例对第三方平台的具体选取不作限定。
具体地,将历史路线确定为第二训练标签;将历史加钞时间和道路信息确定为第二训练数据;根据第二训练标签和第二训练数据,对深度学习网络进行训练,构建路线规划模型。其中,训练过程为将第二训练数据作为输入数据,并将第二训练标签作为正确的输出数据,对transformer进行训练,直至模型准确率达到预设的第二阈值,构建得到路线规划模型。
值得说明的是,路线规划模型的训练过程包括对模型内部模块的训练,内部模块包括特征提取模块、加钞时间动态特征模块、分段路径动态特征模块和融合模块。
值得说明的是,第二阈值可以根据实际情况进行设置,本发明实施例对此不作限定。
步骤2013、根据加钞时序预测模型和路线规划模型,生成加钞路线规划模型。
作为一种可选方案,将构建好的加钞时序预测模型和路线规划模型合并组成加钞路线规划模型,加钞路线规划模型能够准确预测出最佳加钞时间和最佳形式路线,能够用于后续的钞车行驶路线规划,节约成本,提升规划效率。
步骤202、从获取的当前现金交易流水中筛选出指定时间段中每个时间周期的钞票需求量。
本发明实施例中,时间段和时间周期可以根据实际情况进行设置,本发明实施例对此不作限定。当前现金交易流水中包括但不限于单号、时间、钞票数据信息、钞票剩余量、钞票需求量和用户信息,从当前现金交易流水提取出每个时间周期的钞票需求量。
步骤203、根据每个时间周期的钞票需求量,生成当前钞票时序数据。
本发明实施例中,将每个时间周期的钞票需求量汇总,生成时序下的钞票需求量,即:当前钞票时序数据。
步骤204、通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线。
本发明实施例中,加钞路线规划模型包括加钞时序预测模型和路线规划模型。
本发明实施例中,步骤204具体包括:
步骤2041、通过加钞时序预测模型,根据当前钞票时序数据进行预测,得到各网点的预测加钞时间。
具体地,将当前钞票时序数据输入加钞时序预测模型,输出各网点的预测加钞时间。
步骤2042、通过路线规划模型,对预测加钞时间和道路信息进行卷积计算,得到最佳行驶路线。
本发明实施例中,道路信息包括区域交通静态控件结构和各网点的道路实况信息。道路信息属于外源数据,可以从第三方平台获取。具体地,可以按照预设时间间隔获取交通静态控件结构和各网点的道路实况信息,以便为路线规划提供可靠的道路信息基础。值得说明的是,第三方平台可以是能够获取到道路结构和实况信息的地图相关平台,本发明实施例对第三方平台的具体选取不作限定。
本发明实施例中,对预测加钞时间、区域交通静态空间结构和各网点的道路实况信息分别进行特征提取,得到预测加钞时间特征、区域交通静态空间结构特征和各网点的道路实况特征。
具体地,transformer中包括检测器节点,通过检测器节点对预测加钞时间进行特征提取,得到预测加钞时间特征;通过检测器节点对区域交通静态空间结构进行特征提取,得到区域交通静态空间结构特征;通过检测器节点对各网点的道路实况信息进行特征提取,得到各网点的道路实况特征。预测加钞时间特征、区域交通静态空间结构特征和各网点的道路实况特征为经过卷积的特征表示,用于路线规划模型的后续处理。
本发明实施例中,对预测加钞时间特征和区域交通静态空间结构特征进行卷积计算,得到加钞时间动态特征,加钞时间动态特征用于规划整个钞车行驶路线的初始路径和总距离。
本发明实施例中,对区域交通静态空间结构特征和各网点的道路实况特征进行卷积计算,得到分段路径动态特征。其中,各网点的道路实况特征为区域内各网点之间的路况信息,处理各网点之间的道路实况特征和区域交通静态空间结构特征,得到各网点之间的分段路径动态特征,以反映道路的动态变化关系,获取各网点之间的最佳路线。
本发明实施例中,对加钞时间动态特征和分段路径动态特征进行融合计算,得到最佳行驶路线。
具体地,通过两层卷积层对加钞时间动态特征和分段路径动态特征进行融合计算,得到最佳行驶路线。
进一步地,行驶人员按照预测出的最佳行驶路线行驶钞车,按照预测加钞时间对各网点进行加钞。加钞完成后,网点人员和行驶人员对此次加钞情况进行反馈,以供后续对加钞路线规划模型进行优化更新。
图3为本发明实施例提供的一种根据网点人员的反馈优化更新加钞路线规划模型的流程图,如图3所示,包括:
步骤301、获取网点人员输入的第一反馈信息,第一反馈信息为对预测加钞时间的反馈。
本发明实施例中,加钞完成后,网点人员输入第一反馈信息,第一反馈信息为满意或不满意。
步骤302、判断第一反馈信息是否为满意,若是,执行步骤303;若否,执行步骤304。
本发明实施例中,若第一反馈信息为满意,表明网点人员对本次加钞的时间满意,继续执行步骤303;若第一反馈信息为不满意,表明网点人员对本次加钞的时间不满意,执行步骤304。
进一步地,若第一反馈信息为不满意,表明网点人员对本次加钞的时间不满意,需要网点人员输入推荐加钞时间。
步骤303、根据预测加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型,流程结束。
本发明实施例中,若第一反馈信息为满意,表明预测加钞时间为本次的最佳加钞时间。具体地,将预测加钞时间确定为第一更新训练标签;将各网点的当前钞票时序数据确定为第一更新训练数据;根据第一更新训练标签和第一更新训练数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。其中,训练过程为将第一更新数据作为输入数据,并将第一更新标签作为正确的输出数据,对加钞时序预测模型进行更新训练,直至模型准确率达到预设的第一更新阈值,构建得到更新后的加钞时序预测模型。
值得说明的是,第一更新阈值可以根据实际情况进行设置,本发明实施例对此不作限定。
步骤304、根据网点人员输入的推荐加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
本发明实施例中,若第一反馈信息为不满意,表明预测加钞时间不能作为本次的最佳加钞时间。具体地,将网点人员输入的推荐加钞时间确定为第二更新训练标签;将各网点的当前钞票时序数据确定为第二更新训练数据;根据第二更新训练标签和第二更新训练数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。其中,训练过程为将第二更新数据作为输入数据,并将第二更新标签作为正确的输出数据,对加钞时序预测模型进行更新训练,直至模型准确率达到预设的第二更新阈值,构建得到更新后的加钞时序预测模型。
值得说明的是,第二更新阈值可以根据实际情况进行设置,本发明实施例对此不作限定。
本发明实施例中,根据网点人员的反馈及时更新加钞时序预测模型,能够进一步提高加钞时序预测模型的准确性。
图4为本发明实施例提供的一种根据运输人员的反馈优化更新加钞路线规划模型的流程图,如图4所示,包括:
步骤401、获取行驶人员输入的第二反馈信息,第二反馈信息为对最佳行驶路线的反馈。
本发明实施例中,加钞完成后,行驶人员输入第二反馈信息,第二反馈信息为满意或不满意。
步骤402、判断第二反馈信息是否为满意,若是,执行步骤403;若否,执行步骤404。
本发明实施例中,若第二反馈信息为满意,表明运输人员对本次规划的行驶路线满意,继续执行步骤403;若第二反馈信息为不满意,表明运输人员对本次规划的行驶路线不满意,执行步骤404。
进一步地,若第二反馈信息为不满意,表明运输人员对本次规划的行驶路线不满意,需要运输人员输入推荐行驶路线。
步骤403、根据最佳行驶路线、预测加钞时间和道路信息,对路线规划模型进行更新训练,得到更新后的路线规划模型。
本发明实施例中,若第二反馈信息为满意,表明本次规划的行驶路线为本次的最佳行驶路线。具体地,将最佳行驶路线确定为第三更新训练标签;将预测加钞时间和道路信息确定为第三更新训练数据;根据第三更新训练标签和第三更新训练数据,对路线规划模型进行更新训练,得到更新后的路线规划模型。其中,训练过程为将第三更新数据作为输入数据,并将第三更新标签作为正确的输出数据,对路线规划模型进行更新训练,直至模型准确率达到预设的第三更新阈值,构建得到更新后的路线规划模型。
值得说明的是,第三更新阈值可以根据实际情况进行设置,本发明实施例对此不作限定。
步骤404、根据行驶人员输入的推荐行驶路线、预测加钞时间和道路信息,对路线规划模型进行更新训练,得到更新后的路线规划模型。
本发明实施例中,若第二反馈信息为不满意,表明本次规划的行驶路线不能作为本次的最佳行驶路线。具体地,将推荐行驶路线确定为第四更新训练标签;将预测加钞时间和道路信息确定为第四更新训练数据;根据第四更新训练标签和第四更新训练数据,对路线规划模型进行更新训练,得到更新后的路线规划模型。其中,训练过程为将第四更新数据作为输入数据,并将第四更新标签作为正确的输出数据,对路线规划模型进行更新训练,直至模型准确率达到预设的第四更新阈值,构建得到更新后的路线规划模型。
值得说明的是,第四更新阈值可以根据实际情况进行设置,本发明实施例对此不作限定。
本发明实施例中,考虑了各网点的历史交易数据生成了最佳加钞时间,能够较好地满足各网点的在加钞时间和钞票需求量等多方面的加钞需求;通过transformer进行加钞时序预测模型和路线规划模型的训练构建,能够处理复杂场景,较为灵活稳健;能够以一种端到端深度学习的方式生成最佳行驶路线,只需要大量训练即可调出可用算法,无需手动控制搜索范围,回数等参数,易用性较强。
本发明实施例提供的行驶路线规划方法的技术方案中,根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线,能够满足各网点的加钞需求和及时性需求,提高了***的稳定性、灵活性和易用性,节约时间和人力物力成本,高效规划行驶路线。
图5为本发明实施例提供的一种行驶路线规划装置的结构示意图,该装置用于执行上述行驶路线规划方法,如图5所示,该装置包括:模型构建单元11和路线规划单元12。
模型构建单元11用于根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型。
路线规划单元12用于通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线。
本发明实施例中,模型构建单元11具体用于根据历史交易数据,对深度学习网络进行训练,构建加钞时序预测模型;根据历史加钞时间、道路信息和历史路线,对深度学习网络进行训练,构建路线规划模型;根据加钞时序预测模型和路线规划模型,生成加钞路线规划模型。
本发明实施例中,历史交易数据包括历史钞票时序数据和历史最佳加钞时间;模型构建单元11具体用于将历史最佳加钞时间确定为第一训练标签;将历史钞票时序数据确定为第一训练数据;根据第一训练标签和第一训练数据,对深度学习网络进行训练,构建加钞时序预测模型。
本发明实施例中,模型构建单元11具体用于将历史路线确定为第二训练标签;将历史加钞时间和道路信息确定为第二训练数据;根据第二训练标签和第二训练数据,对深度学习网络进行训练,构建路线规划模型。
本发明实施例中,该装置还包括:筛选单元13和生成单元14。
筛选单元13用于从获取的当前现金交易流水中筛选出指定时间段中每个时间周期的钞票需求量。
生成单元14用于根据每个时间周期的钞票需求量,生成当前钞票时序数据。
本发明实施例中,加钞路线规划模型包括加钞时序预测模型和路线规划模型;路线规划单元12具体用于通过加钞时序预测模型,根据当前钞票时序数据进行预测,得到各网点的预测加钞时间;通过路线规划模型,对预测加钞时间和道路信息进行卷积计算,得到最佳行驶路线。
本发明实施例中,道路信息包括区域交通静态控件结构和各网点的道路实况信息;路线规划单元12具体用于通过检测器节点,对预测加钞时间、区域交通静态空间结构和各网点的道路实况信息分别进行特征提取,得到预测加钞时间特征、区域交通静态空间结构特征和各网点的道路实况特征;对预测加钞时间特征和区域交通静态空间结构特征进行卷积计算,得到加钞时间动态特征;对区域交通静态空间结构特征和各网点的道路实况特征进行卷积计算,得到分段路径动态特征;对加钞时间动态特征和分段路径动态特征进行融合计算,得到最佳行驶路线。
本发明实施例中,该装置还包括:第一获取单元15、第一更新单元16和第二更新单元17。
第一获取单元15用于获取网点人员输入的第一反馈信息,第一反馈信息为对预测加钞时间的反馈。
第一更新单元16用于若第一反馈信息为满意,根据预测加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
第二更新单元17用于若第一反馈信息为不满意,根据网点人员输入的推荐加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
本发明实施例中,第一更新单元16具体用于将预测加钞时间确定为第一更新训练标签;将各网点的当前钞票时序数据确定为第一更新训练数据;根据第一更新训练标签和第一更新训练数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
本发明实施例中,第二更新单元17具体用于将网点人员输入的推荐加钞时间确定为第二更新训练标签;将各网点的当前钞票时序数据确定为第二更新训练数据;根据第二更新训练标签和第二更新训练数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
本发明实施例中,该装置还包括:第二获取单元18、第三更新单元19和第四更新单元20。
第二获取单元18用于获取行驶人员输入的第二反馈信息,第二反馈信息为对最佳行驶路线的反馈。
第三更新单元19用于若第二反馈信息为满意,根据最佳行驶路线、预测加钞时间和道路信息,对路线规划模型进行更新训练,得到更新后的路线规划模型。
第四更新单元20用于若第二反馈信息为不满意,根据行驶人员输入的推荐行驶路线、预测加钞时间和道路信息,对路线规划模型进行更新训练,得到更新后的路线规划模型。
本发明实施例中,第三更新单元19具体用于将最佳行驶路线确定为第三更新训练标签;将预测加钞时间和道路信息确定为第三更新训练数据;根据第三更新训练标签和第三更新训练数据,对路线规划模型进行更新训练,得到更新后的路线规划模型。
本发明实施例中,第四更新单元20具体用于将推荐行驶路线确定为第四更新训练标签;将预测加钞时间和道路信息确定为第四更新训练数据;根据第四更新训练标签和第四更新训练数据,对路线规划模型进行更新训练,得到更新后的路线规划模型。
本发明实施例的方案中,根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;通过加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线,能够满足各网点的加钞需求和及时性需求,提高了***的稳定性、灵活性和易用性,节约时间和人力物力成本,高效规划行驶路线。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备,具体的,计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现上述行驶路线规划方法的实施例的各步骤,具体描述可参见上述行驶路线规划方法的实施例。
下面参考图6,其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图6所示,计算机设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有计算机设备600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的行驶。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的行驶。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (17)
1.一种行驶路线规划方法,其特征在于,所述方法包括:
根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;
通过所述加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线。
2.根据权利要求1所述的行驶路线规划方法,其特征在于,所述根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型,包括:
根据所述历史交易数据,对深度学习网络进行训练,构建加钞时序预测模型;
根据所述历史加钞时间、道路信息和历史路线,对深度学习网络进行训练,构建路线规划模型;
根据所述加钞时序预测模型和路线规划模型,生成加钞路线规划模型。
3.根据权利要求2所述的行驶路线规划方法,其特征在于,所述历史交易数据包括历史钞票时序数据和历史最佳加钞时间;
所述根据所述历史交易数据,对深度学习网络进行训练,构建加钞时序预测模型,包括:
将所述历史最佳加钞时间确定为第一训练标签;
将所述历史钞票时序数据确定为第一训练数据;
根据所述第一训练标签和第一训练数据,对所述深度学习网络进行训练,构建加钞时序预测模型。
4.根据权利要求2所述的行驶路线规划方法,其特征在于,所述根据所述历史加钞时间、道路信息和历史路线,对深度学习网络进行训练,构建路线规划模型,包括:
将所述历史路线确定为第二训练标签;
将所述历史加钞时间和道路信息确定为第二训练数据;
根据所述第二训练标签和第二训练数据,对所述深度学习网络进行训练,构建路线规划模型。
5.根据权利要求1所述的行驶路线规划方法,其特征在于,在所述通过所述加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线之前,还包括:
从获取的当前现金交易流水中筛选出指定时间段中每个时间周期的钞票需求量;
根据每个时间周期的钞票需求量,生成当前钞票时序数据。
6.根据权利要求1所述的行驶路线规划方法,其特征在于,所述加钞路线规划模型包括加钞时序预测模型和路线规划模型;
所述通过所述加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线,包括:
通过所述加钞时序预测模型,根据所述当前钞票时序数据进行预测,得到各网点的预测加钞时间;
通过所述路线规划模型,对所述预测加钞时间和道路信息进行卷积计算,得到所述最佳行驶路线。
7.根据权利要求6所述的行驶路线规划方法,其特征在于,所述道路信息包括区域交通静态控件结构和各网点的道路实况信息;
所述通过所述路线规划模型,对所述预测加钞时间和道路信息进行卷积计算,得到所述最佳行驶路线,包括:
通过检测器节点,对所述预测加钞时间、区域交通静态空间结构和各网点的道路实况信息分别进行特征提取,得到预测加钞时间特征、区域交通静态空间结构特征和各网点的道路实况特征;
对所述预测加钞时间特征和区域交通静态空间结构特征进行卷积计算,得到加钞时间动态特征;
对所述区域交通静态空间结构特征和各网点的道路实况特征进行卷积计算,得到分段路径动态特征;
对所述加钞时间动态特征和分段路径动态特征进行融合计算,得到所述最佳行驶路线。
8.根据权利要求1所述的行驶路线规划方法,其特征在于,所述方法还包括:
获取网点人员输入的第一反馈信息,所述第一反馈信息为对预测加钞时间的反馈;
若第一反馈信息为满意,根据所述预测加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型;
若第一反馈信息为不满意,根据网点人员输入的推荐加钞时间和各网点的当前钞票时序数据,对所述加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
9.根据权利要求8所述的行驶路线规划方法,其特征在于,所述根据所述预测加钞时间和各网点的当前钞票时序数据,对加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型,包括:
将所述预测加钞时间确定为第一更新训练标签;
将各网点的当前钞票时序数据确定为第一更新训练数据;
根据所述第一更新训练标签和第一更新训练数据,对所述加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
10.根据权利要求8所述的行驶路线规划方法,其特征在于,所述根据网点人员输入的推荐加钞时间和各网点的当前钞票时序数据,对所述加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型,包括:
将所述网点人员输入的推荐加钞时间确定为第二更新训练标签;
将各网点的当前钞票时序数据确定为第二更新训练数据;
根据所述第二更新训练标签和第二更新训练数据,对所述加钞时序预测模型进行更新训练,得到更新后的加钞时序预测模型。
11.根据权利要求1所述的行驶路线规划方法,其特征在于,所述方法还包括:
获取行驶人员输入的第二反馈信息,所述第二反馈信息为对最佳行驶路线的反馈;
若第二反馈信息为满意,根据所述最佳行驶路线、预测加钞时间和道路信息,对所述路线规划模型进行更新训练,得到更新后的路线规划模型;
若第二反馈信息为不满意,根据行驶人员输入的推荐行驶路线、预测加钞时间和道路信息,对所述路线规划模型进行更新训练,得到更新后的路线规划模型。
12.根据权利要求11所述的行驶路线规划方法,其特征在于,所述根据所述最佳行驶路线、预测加钞时间和道路信息,对所述路线规划模型进行更新训练,得到更新后的路线规划模型,包括:
将所述最佳行驶路线确定为第三更新训练标签;
将所述预测加钞时间和道路信息确定为第三更新训练数据;
根据所述第三更新训练标签和第三更新训练数据,对所述路线规划模型进行更新训练,得到更新后的路线规划模型。
13.根据权利要求11所述的行驶路线规划方法,其特征在于,所述根据行驶人员输入的推荐行驶路线、预测加钞时间和道路信息,对所述路线规划模型进行更新训练,得到更新后的路线规划模型,包括:
将所述推荐行驶路线确定为第四更新训练标签;
将所述预测加钞时间和道路信息确定为第四更新训练数据;
根据所述第四更新训练标签和第四更新训练数据,对所述路线规划模型进行更新训练,得到更新后的路线规划模型。
14.一种行驶路线规划装置,其特征在于,所述装置包括:
模型构建单元,用于根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线,对深度学习网络进行训练,构建加钞路线规划模型;
路线规划单元,用于通过所述加钞路线规划模型,对生成的各网点的当前钞票时序数据和道路信息进行路线规划,得到最佳行驶路线。
15.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至13任一项所述的行驶路线规划方法。
16.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现权利要求1至13任一项所述的行驶路线规划方法。
17.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至13任一项所述的行驶路线规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275576.3A CN114358448B (zh) | 2022-03-21 | 2022-03-21 | 一种行驶路线规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275576.3A CN114358448B (zh) | 2022-03-21 | 2022-03-21 | 一种行驶路线规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114358448A true CN114358448A (zh) | 2022-04-15 |
CN114358448B CN114358448B (zh) | 2022-05-24 |
Family
ID=81095177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210275576.3A Active CN114358448B (zh) | 2022-03-21 | 2022-03-21 | 一种行驶路线规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358448B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100235285A1 (en) * | 2004-09-10 | 2010-09-16 | Hoffberg Steven M | Game theoretic prioritization system and method |
CN106022600A (zh) * | 2016-05-18 | 2016-10-12 | 上海鼎数信息技术有限公司 | 确定特定时段内多个现金流动站的现金补充策略的方法 |
CN109447354A (zh) * | 2018-10-31 | 2019-03-08 | 中国银行股份有限公司 | 一种基于ga-bp神经网络的智能配钞方法及装置 |
CN109615760A (zh) * | 2018-12-17 | 2019-04-12 | 山东省城市商业银行合作联盟有限公司 | 基于机器学习对银行atm机智能加清钞的方法及*** |
CN110222739A (zh) * | 2019-05-23 | 2019-09-10 | 中国银行股份有限公司 | 模型构建、网点现钞需求量预测方法、装置及存储介质 |
CN110363357A (zh) * | 2019-07-17 | 2019-10-22 | 中国银行股份有限公司 | 一种智能配钞方法及*** |
CN110415462A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | Atm设备加钞优化方法及装置 |
CN110490392A (zh) * | 2019-09-20 | 2019-11-22 | 中国银行股份有限公司 | 网点配钞方法及装置 |
US20190377349A1 (en) * | 2018-06-07 | 2019-12-12 | Deka Products Limited Partnership | System and Method for Distributed Utility Service Execution |
CN110633863A (zh) * | 2019-09-20 | 2019-12-31 | 中国银行股份有限公司 | 一种基于gbdt算法的配钞预测方法及装置 |
CN111507536A (zh) * | 2020-04-26 | 2020-08-07 | 中国工商银行股份有限公司 | 银行押运车线路规划方法及装置 |
CN112749842A (zh) * | 2021-01-11 | 2021-05-04 | 中国工商银行股份有限公司 | 一种押运路径的规划方法及装置 |
CN112926787A (zh) * | 2021-03-15 | 2021-06-08 | 中国工商银行股份有限公司 | 钞车线路规划方法及装置 |
CN113191880A (zh) * | 2021-05-24 | 2021-07-30 | 中国工商银行股份有限公司 | 银行柜员终端加钞建议确定方法及装置 |
CN113205227A (zh) * | 2021-05-28 | 2021-08-03 | 中国工商银行股份有限公司 | 一种车辆线路优化方法及装置 |
WO2021169009A1 (zh) * | 2020-02-27 | 2021-09-02 | 中车唐山机车车辆有限公司 | 一种轨道列车的货物管理*** |
CN113418533A (zh) * | 2021-06-22 | 2021-09-21 | 中国银行股份有限公司 | 一种运钞车的路径规划方法及装置 |
CN114066180A (zh) * | 2021-10-29 | 2022-02-18 | 上海浦东发展银行股份有限公司 | 配钞方法、配钞装置、计算机设备和存储介质 |
-
2022
- 2022-03-21 CN CN202210275576.3A patent/CN114358448B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100235285A1 (en) * | 2004-09-10 | 2010-09-16 | Hoffberg Steven M | Game theoretic prioritization system and method |
CN106022600A (zh) * | 2016-05-18 | 2016-10-12 | 上海鼎数信息技术有限公司 | 确定特定时段内多个现金流动站的现金补充策略的方法 |
US20190377349A1 (en) * | 2018-06-07 | 2019-12-12 | Deka Products Limited Partnership | System and Method for Distributed Utility Service Execution |
CN109447354A (zh) * | 2018-10-31 | 2019-03-08 | 中国银行股份有限公司 | 一种基于ga-bp神经网络的智能配钞方法及装置 |
CN109615760A (zh) * | 2018-12-17 | 2019-04-12 | 山东省城市商业银行合作联盟有限公司 | 基于机器学习对银行atm机智能加清钞的方法及*** |
CN110222739A (zh) * | 2019-05-23 | 2019-09-10 | 中国银行股份有限公司 | 模型构建、网点现钞需求量预测方法、装置及存储介质 |
CN110363357A (zh) * | 2019-07-17 | 2019-10-22 | 中国银行股份有限公司 | 一种智能配钞方法及*** |
CN110415462A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | Atm设备加钞优化方法及装置 |
CN110490392A (zh) * | 2019-09-20 | 2019-11-22 | 中国银行股份有限公司 | 网点配钞方法及装置 |
CN110633863A (zh) * | 2019-09-20 | 2019-12-31 | 中国银行股份有限公司 | 一种基于gbdt算法的配钞预测方法及装置 |
WO2021169009A1 (zh) * | 2020-02-27 | 2021-09-02 | 中车唐山机车车辆有限公司 | 一种轨道列车的货物管理*** |
CN111507536A (zh) * | 2020-04-26 | 2020-08-07 | 中国工商银行股份有限公司 | 银行押运车线路规划方法及装置 |
CN112749842A (zh) * | 2021-01-11 | 2021-05-04 | 中国工商银行股份有限公司 | 一种押运路径的规划方法及装置 |
CN112926787A (zh) * | 2021-03-15 | 2021-06-08 | 中国工商银行股份有限公司 | 钞车线路规划方法及装置 |
CN113191880A (zh) * | 2021-05-24 | 2021-07-30 | 中国工商银行股份有限公司 | 银行柜员终端加钞建议确定方法及装置 |
CN113205227A (zh) * | 2021-05-28 | 2021-08-03 | 中国工商银行股份有限公司 | 一种车辆线路优化方法及装置 |
CN113418533A (zh) * | 2021-06-22 | 2021-09-21 | 中国银行股份有限公司 | 一种运钞车的路径规划方法及装置 |
CN114066180A (zh) * | 2021-10-29 | 2022-02-18 | 上海浦东发展银行股份有限公司 | 配钞方法、配钞装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
THIBAUTVIDAL 等: "A concise guide to existing and emerging vehicle routing problem variants", 《EUROPEAN JOURNAL OF OPERATIONAL RESEARCH》, vol. 286, no. 2, 16 October 2020 (2020-10-16), pages 401 - 416 * |
刘晓 等: "运钞车车辆路径规划策略", 《计算机应用》, vol. 31, no. 04, 1 April 2011 (2011-04-01), pages 1121 - 1124 * |
徐呈康: "银行ATM加钞路径及金额管理优化的研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, vol. 2019, no. 2, 15 February 2019 (2019-02-15), pages 138 - 1006 * |
Also Published As
Publication number | Publication date |
---|---|
CN114358448B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Parallel hyper-heuristic algorithm for multi-objective route planning in a smart city | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
CN104050512A (zh) | 基于多粒度地图的运输时间估计 | |
CN116739323B (zh) | 一种面向应急资源调度的智能评估方法和*** | |
Phiboonbanakit et al. | A hybrid reinforcement learning-based model for the vehicle routing problem in transportation logistics | |
Chmiel et al. | Intelligent route planning system based on interval computing | |
Halim et al. | On finding optimum commuting path in a road network: a computational approach for smart city traveling | |
Junta et al. | Predictive Analysis of Urban Planning for through the Operation of Artificial Cloud Network | |
CN108171605A (zh) | 一种车辆二次抵押报警方法、装置、服务器及存储介质 | |
CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
CN114358448B (zh) | 一种行驶路线规划方法和装置 | |
CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
Rodríguez-Rueda et al. | Origin–Destination matrix estimation and prediction from socioeconomic variables using automatic feature selection procedure-based machine learning model | |
CN116662815A (zh) | 时间预测模型的训练方法以及相关设备 | |
Xiao et al. | Graph Neural Network-Based Design Decision Support for Shared Mobility Systems | |
Hassannayebi et al. | A data analytics framework for reliable bus arrival time prediction using artificial neural networks | |
CN116468210A (zh) | 煤矿辅助运输的车辆调度方法、装置与电子设备 | |
Li et al. | Urban trip generation forecasting based on gradient boosting algorithm | |
CN110858355A (zh) | 项目预算结余预测方法及装置 | |
Ban et al. | Application of extreme learning machine on large scale traffic congestion prediction | |
Bongiovanni et al. | A predictive large neighborhood search for the dynamic electric autonomous dial-a-ride problem | |
Barua | ADiscrete ROUTE CHOICE MODEL USING SUPPORT VECTOR MACHINE IN CONTEXT OF DHAKA CITY | |
Adsanver et al. | A predictive multistage postdisaster damage assessment framework for drone routing | |
Kulkarni et al. | Averaging based predictive modelling for traffic congestion in IoT | |
Wang | Solving dynamic repositioning problem for bicycle sharing systems: model, heuristics, and decomposition |
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 |