CN117291327A - 车辆的加油站推荐方法、装置、设备及存储介质 - Google Patents
车辆的加油站推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117291327A CN117291327A CN202311581981.9A CN202311581981A CN117291327A CN 117291327 A CN117291327 A CN 117291327A CN 202311581981 A CN202311581981 A CN 202311581981A CN 117291327 A CN117291327 A CN 117291327A
- Authority
- CN
- China
- Prior art keywords
- potential
- gas station
- vehicle
- fueling
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 93
- 238000011156 evaluation Methods 0.000 claims abstract description 69
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 28
- 239000000446 fuel Substances 0.000 claims description 24
- 238000003066 decision tree Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013433 optimization analysis Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及人工智能领域,公开了一种车辆的加油站推荐方法、装置、设备及存储介质,用于提高车辆的加油站推荐准确率。方法包括:获取目标车辆的车辆位置图模型并通过Kruskal算法构建目标加油区域网络;采用谱聚类算法进行节点特征提取和潜力区域划分,得到多个潜力加油区域;进行潜力特征提取和潜力概率计算,得到潜力概率值;进行最优加油区域选取,得到最优加油区域并获取多个候选加油站以及每个候选加油站的站点信息;通过自适应混合人工蜂群算法进行加油站选择因素评估,得到加油站选择因素评估结果;确定目标加油站,并进行最短路径规划,得到对应的最短加油路径;将目标加油站和最短加油路径推送至可视化车载终端。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种车辆的加油站推荐方法、装置、设备及存储介质。
背景技术
随着汽车数量的增加和城市交通的不断拓展,车辆加油需求的管理和优化成为一个重要而复杂的问题。传统的加油站选择通常基于最短距离或最便利的标准,然而,考虑到车辆当前位置、加油站潜在需求、交通状况等多方面因素,这些传统方法显然存在一定的局限性。
传统的加油站选择通常仅依赖于车辆驾驶员的经验或者依据最近的加油站,这种方式无法最大程度地满足车辆的实际需求,即现有方***率低。
发明内容
本发明提供了一种车辆的加油站推荐方法、装置、设备及存储介质,用于提高车辆的加油站推荐准确率。
本发明第一方面提供了一种车辆的加油站推荐方法,所述车辆的加油站推荐方法包括:获取目标车辆的车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行加油区域网络构建,得到目标加油区域网络;采用谱聚类算法对所述目标加油区域网络进行节点特征提取和潜力区域划分,得到对应的多个潜力加油区域;对所述多个潜力加油区域进行潜力特征提取和潜力概率计算,得到每个潜力加油区域的潜力概率值;根据所述潜力概率值对所述多个潜力加油区域进行最优加油区域选取,得到对应的最优加油区域,并获取所述最优加油区域的多个候选加油站以及每个候选加油站的站点信息;通过自适应混合人工蜂群算法对每个候选加油站的站点信息进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果;根据所述加油站选择因素评估结果确定对应的目标加油站,并对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径;将所述目标加油站和所述最短加油路径推送至所述目标车辆的可视化车载终端。
结合第一方面,在本发明第一方面的第一种实现方式中,所述获取目标车辆的车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行加油区域网络构建,得到目标加油区域网络,包括:获取目标车辆的车辆行驶区域,并对所述车辆行驶区域进行地理数据提取,得到车辆地理位置数据;对所述车辆地理位置数据进行图模型转换,得到车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行最小生成树生成,得到最小生成树;从所述最小生成树中筛选出连接加油站位置的路径,确定所述目标车辆的加油站可达路径,并通过所述最小生成树确定具有连接关系的车辆可加油区域,得到初始加油区域网络;根据所述加油站可达路径建立所述目标车辆的可加油区域网络关系,并根据所述可加油区域网络关系对所述初始加油区域网络进行边权重更新,得到目标加油区域网络。
结合第一方面,在本发明第一方面的第二种实现方式中,所述采用谱聚类算法对所述目标加油区域网络进行节点特征提取和潜力区域划分,得到对应的多个潜力加油区域,包括:对所述目标加油区域网络进行节点特征提取,得到节点特征集合;根据所述节点特征集合构建所述目标加油区域网络的拉普拉斯矩阵,并对所述拉普拉斯矩阵进行特征向量分解,得到多个目标特征向量;采用谱聚类算法对所述多个目标特征向量进行聚类分析,得到多个潜力簇集;对所述多个潜力簇集进行区域划分优度评估,得到区域划分效果评估结果;根据所述区域划分效果评估结果对所述目标加油区域网络进行潜力区域划分,得到对应的多个潜力加油区域。
结合第一方面,在本发明第一方面的第三种实现方式中,所述对所述多个潜力加油区域进行潜力特征提取和潜力概率计算,得到每个潜力加油区域的潜力概率值,包括:分别对所述多个潜力加油区域进行潜力特征提取,得到每个潜力加油区域的车辆数量特征及道路密度特征;对每个潜力加油区域的车辆数量特征及道路密度特征进行特征矩阵转换,生成对应的潜力特征矩阵;通过熵权评价模型,根据所述潜力特征矩阵分别计算每个潜力加油区域的正理想解和负理想解;根据所述正理想解和所述负理想解,分别计算每个潜力加油区域的潜力概率,得到每个潜力加油区域的初始概率值;分别对每个潜力加油区域的初始概率值进行标准化处理,得到每个潜力加油区域的潜力概率值。
结合第一方面,在本发明第一方面的第四种实现方式中,所述根据所述潜力概率值对所述多个潜力加油区域进行最优加油区域选取,得到对应的最优加油区域,并获取所述最优加油区域的多个候选加油站以及每个候选加油站的站点信息,包括:根据所述潜力概率值对所述多个潜力加油区域进行排序分析,生成潜力加油区域序列;对所述潜力加油区域序列进行最优加油区域选取,得到对应的最优加油区域;对所述最优加油区域进行加油站位置数据提取,得到多个候选加油站;分别对所述多个候选加油站进行站点信息整合,得到每个候选加油站的站点信息。
结合第一方面,在本发明第一方面的第五种实现方式中,所述通过自适应混合人工蜂群算法对每个候选加油站的站点信息进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果,包括:根据每个候选加油站的站点信息,对自适应混合人工蜂群算法进行参数初始化,得到迭代参数集合,并定义加油站选择因素的适应度函数;对每个候选加油站的站点信息进行蜂群初始化,得到多个加油站选择因素集合;对所述多个加油站选择因素集合进行全局搜索,并通过所述适应度函数计算每个加油站选择因素集合的第一适应度数据;根据所述第一适应度数据对所述多个加油站选择因素集合进行局部搜索,得到每个加油站选择因素集合的第二适应度数据;根据所述第二适应度数据和所述迭代参数集合,对所述多个加油站选择因素集合进行最优化分析,得到最优选择因素集合;根据所述最优选择因素集合,对每个候选加油站进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果。
结合第一方面,在本发明第一方面的第六种实现方式中,所述根据所述加油站选择因素评估结果确定对应的目标加油站,并对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径,包括:调用预置的决策树算法,对所述加油站选择因素评估结果进行遍历处理,得到目标决策树,所述目标决策树包含多个叶节点;根据每个叶节点的评估指标分别对所述多个叶节点进行排序,得到对应的叶节点排序结果;通过所述叶节点排序结果对所述加油站选择因素评估结果对应的候选加油站进行选取,得到目标加油站;通过Dijkstra算法对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径。
本发明第二方面提供了一种车辆的加油站推荐装置,所述车辆的加油站推荐装置包括:获取模块,用于获取目标车辆的车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行加油区域网络构建,得到目标加油区域网络;划分模块,用于采用谱聚类算法对所述目标加油区域网络进行节点特征提取和潜力区域划分,得到对应的多个潜力加油区域;计算模块,用于对所述多个潜力加油区域进行潜力特征提取和潜力概率计算,得到每个潜力加油区域的潜力概率值;选取模块,用于根据所述潜力概率值对所述多个潜力加油区域进行最优加油区域选取,得到对应的最优加油区域,并获取所述最优加油区域的多个候选加油站以及每个候选加油站的站点信息;评估模块,用于通过自适应混合人工蜂群算法对每个候选加油站的站点信息进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果;规划模块,用于根据所述加油站选择因素评估结果确定对应的目标加油站,并对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径;推送模块,用于将所述目标加油站和所述最短加油路径推送至所述目标车辆的可视化车载终端。
本发明第三方面提供了一种车辆的加油站推荐设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述车辆的加油站推荐设备执行上述的车辆的加油站推荐方法。
本发明的第四方面提供了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指令,当其在计算机上运行时,使得计算机执行上述的车辆的加油站推荐方法。
本发明提供的技术方案中,获取目标车辆的车辆位置图模型并通过Kruskal算法构建目标加油区域网络;采用谱聚类算法进行节点特征提取和潜力区域划分,得到多个潜力加油区域;进行潜力特征提取和潜力概率计算,得到潜力概率值;进行最优加油区域选取,得到最优加油区域并获取多个候选加油站以及每个候选加油站的站点信息;通过自适应混合人工蜂群算法进行加油站选择因素评估,得到加油站选择因素评估结果;确定目标加油站,并进行最短路径规划,得到对应的最短加油路径;将目标加油站和最短加油路径推送至可视化车载终端,本发明通过利用Kruskal算法、谱聚类算法和自适应混合人工蜂群算法等技术,能够智能化地规划车辆的最短加油路径,充分考虑了车辆位置、加油站潜力、加油站选择因素等因素,提高了路径规划的准确性和效率。采用谱聚类算法对加油区域网络进行节点特征提取和潜力区域划分,这使得***能够更准确地识别车辆周围的潜在加油区域,为用户提供更丰富的选择。通过自适应混合人工蜂群算法对候选加油站进行加油站选择因素评估,***可以根据每辆车的不同需求和用户的个性化喜好,为用户提供最符合其实际情况的加油站推荐。通过对潜力概率值的排序和最优加油区域的选取,该方法确保了车辆在有限的加油需求下能够选择最优加油站,既满足了用户的加油需求,又在一定程度上优化了行驶路径。综合了Kruskal算法、谱聚类算法、自适应混合人工蜂群算法多种算法,有效解决了车辆加油站推荐中的路径规划、区域识别和加油站选择问题,提高了车辆的加油站推荐准确率。
附图说明
图1为本发明实施例中车辆的加油站推荐方法的一个实施例示意图;
图2为本发明实施例中节点特征提取和潜力区域划分的流程图;
图3为本发明实施例中潜力特征提取和潜力概率计算的流程图;
图4为本发明实施例中最优加油区域选取的流程图;
图5为本发明实施例中车辆的加油站推荐装置的一个实施例示意图;
图6为本发明实施例中车辆的加油站推荐设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种车辆的加油站推荐方法、装置、设备及存储介质,用于提高车辆的加油站推荐准确率。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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中车辆的加油站推荐方法的一个实施例包括:
S101、获取目标车辆的车辆位置图模型,并通过预置的Kruskal算法对车辆位置图模型进行加油区域网络构建,得到目标加油区域网络;
可以理解的是,本发明的执行主体可以为车辆的加油站推荐装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器获取目标车辆的车辆行驶区域,并从这个区域中提取地理位置数据。这些数据可以包括车辆的GPS坐标,时间戳等信息。这是为了建立车辆的位置数据基础。将这些地理位置数据转换为图模型。在这个图模型中,地理坐标点成为图的节点,而它们之间的连接表示车辆的行驶路径。这种图模型有助于服务器理解车辆的行驶情况和地理关系。并且使用预置的Kruskal算法,服务器生成车辆位置图模型的最小生成树。最小生成树是一个树状结构,它包含连接所有节点的最短路径,确保了网络的连通性,以便确定可达路径。从最小生成树中筛选出连接加油站位置的路径,这将帮助服务器确定目标车辆可以到达的加油站。这些路径是车辆的加油站可达路径。通过最小生成树,服务器还可以确定具有连接关系的车辆可加油区域。这有助于识别哪些车辆可以在相同的加油站附近加油,从而形成初始的加油区域网络。根据加油站可达路径,建立目标车辆的可加油区域网络关系,并对初始加油区域网络进行边权重更新。这些权重考虑了车辆到加油站之间的距离、交通状况等因素,以帮助确定最佳的加油站。
S102、采用谱聚类算法对目标加油区域网络进行节点特征提取和潜力区域划分,得到对应的多个潜力加油区域;
具体的,服务器对目标加油区域网络进行节点特征提取,得到节点特征集合。从目标加油区域网络中提取节点的特征,这些特征可以包括节点的位置、连接性、流量等信息。这些特征将帮助服务器更好地理解每个节点在网络中的角色。根据节点特征集合构建目标加油区域网络的拉普拉斯矩阵,并对该矩阵进行特征向量分解。这一步骤有助于服务器获得多个目标特征向量,以更好地描述网络的结构和特性。采用谱聚类算法对这些目标特征向量进行聚类分析。谱聚类是一种用于图数据的聚类方法,它利用特征向量之间的相似度来将节点分为不同的簇。这将帮助服务器将加油区域网络中的节点分组,以识别潜力加油区域。通过聚类分析,服务器得到多个潜力簇集,每个簇集代表一个潜力加油区域。这些区域包含具有相似特征和需求的节点,使得推荐适合的加油站更容易。服务器对这些潜力簇集进行区域划分优度评估,以确定哪些簇集可以提供最佳的区域划分。对每个潜力簇集进行评估,考虑因素如簇内相似性、簇间差异性等,以确定哪些簇集在区域划分方面表现最佳。根据区域划分效果评估结果,对目标加油区域网络进行潜力区域划分。这将得到对应的多个潜力加油区域,每个区域包含一组相似特征和需求的节点,有助于更好地满足车辆的加油需求。
S103、对多个潜力加油区域进行潜力特征提取和潜力概率计算,得到每个潜力加油区域的潜力概率值;
需要说明的是,服务器分别对多个潜力加油区域进行潜力特征提取。针对每个潜力加油区域,提取与该区域内的车辆数量相关的特征。这些特征可以包括车辆密度、平均车辆年龄、车辆类型等,以帮助服务器了解每个区域的车辆情况。同样,对每个潜力加油区域提取与道路密度相关的特征。这可以包括道路的数量、道路宽度、拥堵情况等,以衡量区域内的道路情况。将车辆数量特征和道路密度特征组合成一个特征矩阵,为每个潜力加油区域生成对应的潜力特征矩阵。通过使用熵权评价模型,服务器根据潜力特征矩阵分别计算每个潜力加油区域的正理想解和负理想解。正理想解代表着最佳情况,而负理想解代表着最差情况。基于正理想解和负理想解,服务器计算每个潜力加油区域的潜力概率。这一计算过程将帮助服务器确定每个区域的初始概率值。对每个潜力加油区域的初始概率值进行标准化处理。这一步骤确保所有概率值在相同的范围内,以便更容易进行比较。标准化后,服务器得到每个潜力加油区域的潜力概率值,这些概率值可以用来确定哪些区域更适合作为车辆的加油站。例如,区域A有高车辆密度但拥堵严重的道路,而区域B有较低车辆密度但宽阔畅通的道路。通过潜力特征矩阵的生成,服务器使用熵权评价模型来计算每个区域的正理想解和负理想解,以确定其潜力概率。这将帮助服务器了解哪些区域在车辆加油需求方面更具潜力。通过标准化处理,服务器确保不同区域的潜力概率值具有可比性,以便更好地选择最适合的加油站。
S104、根据潜力概率值对多个潜力加油区域进行最优加油区域选取,得到对应的最优加油区域,并获取最优加油区域的多个候选加油站以及每个候选加油站的站点信息;
具体的,服务器根据潜力概率值对多个潜力加油区域进行排序分析,生成潜力加油区域序列。这一排序过程将潜力加油区域按其潜力概率值从高到低排列,以便更容易选择最具潜力的区域。随后,对潜力加油区域序列进行最优加油区域选取,以确定哪个区域最适合作为车辆的加油站。这个选择可以基于潜力概率值、车辆需求、区域容量等因素进行决策。例如,如果某个潜力区域具有高概率值,同时还可以容纳更多的车辆,并且距离车辆路线较近,那么它很会被选为最优加油区域。获取该区域的多个候选加油站。这可以通过提取加油站位置数据来实现。这些数据包括每个候选加油站的地理坐标、名称、服务设施、加油价格等信息。分别对多个候选加油站的站点信息进行整合。将每个候选加油站的站点信息组合成一个综合的数据集,以便车辆操作员能够轻松访问有关每个候选加油站的信息。例如,区域A具有最高的概率值,区域B次之,以此类推。通过分析潜力概率值和车辆需求,决定选择区域A作为最优加油区域。从最优加油区域A中提取加油站位置数据,包括多个候选加油站的地理坐标和相关信息。这些候选加油站分布在该区域内,方便车辆在最优加油区域内进行加油。站点信息整合为一个综合数据集,其中包括每个候选加油站的名称、地址、服务设施、营业时间、价格等信息。
S105、通过自适应混合人工蜂群算法对每个候选加油站的站点信息进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果;
具体的,根据每个候选加油站的站点信息,对自适应混合人工蜂群算法进行参数初始化,得到迭代参数集合,并定义加油站选择因素的适应度函数。这包括根据每个候选加油站的站点信息,初始化自适应混合人工蜂群算法的参数,如蜂群大小、迭代次数、搜索范围等。此外,需要定义加油站选择因素的适应度函数,以便算法能够评估每个加油站的性能。对每个候选加油站的站点信息进行蜂群初始化。为每个加油站创建一组蜂群,每只蜂代表一个潜在的解决方案。蜂群将在搜索空间中进行探索,寻找最佳的加油站选择因素。对于每个候选加油站,算法执行全局搜索,以找到候选加油站选择因素的初始最佳解。在此过程中,通过计算适应度函数,每个候选加油站选择因素集合将产生第一适应度数据。这将有助于确定每个加油站选择因素集合的初始性能。随后,算法进行局部搜索,进一步细化每个加油站选择因素集合的性能。这一步骤将生成第二适应度数据,以更精确地评估每个候选加油站的选择因素。基于第二适应度数据和参数集合,算法进行最优化分析,以找到最优选择因素集合。这个最优选择因素集合代表了对每个候选加油站的最佳选择因素,以满足车辆需求。根据最优选择因素集合,对每个候选加油站进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果。这些结果将有助于车辆操作员做出决策,选择最适合车辆需求的加油站。例如,某个加油站在价格方面表现出色,而另一个加油站在距离方面更有优势。算法将综合考虑这些因素,为每个候选加油站生成评估结果,帮助车辆操作员选择最佳的加油站,从而提高效率、降低成本。
S106、根据加油站选择因素评估结果确定对应的目标加油站,并对目标车辆和目标加油站进行最短路径规划,得到对应的最短加油路径;
具体的,服务器调用预置的决策树算法对加油站选择因素评估结果进行遍历处理,以获取目标决策树。这个目标决策树包含多个叶节点,每个叶节点代表一个的目标加油站选择方案。这一步骤有助于服务器根据评估结果和车辆需求生成多个潜在的目标加油站选择策略。根据每个叶节点的评估指标,服务器分别对多个叶节点进行排序,得到对应的叶节点排序结果。这个排序过程将根据各项评估指标的权重和重要性,对潜在的目标加油站选择方案进行排名,以确定哪个方案在整体上最优。通过叶节点排序结果,服务器选择最合适的目标加油站。这个目标加油站将是车辆操作员最终选择的加油站,以满足车辆的加油需求。这个选择考虑了各种因素,包括距离、价格、服务质量等。通过使用Dijkstra算法对目标车辆和目标加油站进行最短路径规划,以获取最短加油路径。这一规划将帮助车辆操作员确定如何最快地到达目标加油站,以满足车辆的加油需求。
S107、将目标加油站和最短加油路径推送至目标车辆的可视化车载终端。
具体的,将目标加油站和最短加油路径推送到车载终端。这通常是通过与车辆的通信***进行集成来完成的,以确保信息可以即时传递。这个集成可以利用无线数据连接、移动应用程序、云端服务等多种方式进行。一种常见的方法是通过无线数据连接,将加油站信息和导航路径实时传输到车载终端。这可以是通过4G/5G网络、Wi-Fi或其他通信协议实现的。这样,车辆操作员可以在车载终端上随时查看相关信息。推送到车载终端的信息包括目标加油站的地理坐标、名称、地址、服务设施、加油价格,以及最短加油路径的导航指令。导航指令包括转弯方向、路口距离、预计到达时间等,这些信息将有助于车辆操作员按照最佳路线前往目标加油站。车载终端通常配备了地图显示功能,可以在地图上标识出目标加油站的位置,并显示最短路径。这使得车辆操作员能够直观地查看目的地,了解如何前往加油站。
本发明实施例中,通过利用Kruskal算法、谱聚类算法和自适应混合人工蜂群算法等技术,能够智能化地规划车辆的最短加油路径,充分考虑了车辆位置、加油站潜力、加油站选择因素等因素,提高了路径规划的准确性和效率。采用谱聚类算法对加油区域网络进行节点特征提取和潜力区域划分,这使得***能够更准确地识别车辆周围的潜在加油区域,为用户提供更丰富的选择。通过自适应混合人工蜂群算法对候选加油站进行加油站选择因素评估,***可以根据每辆车的不同需求和用户的个性化喜好,为用户提供最符合其实际情况的加油站推荐。通过对潜力概率值的排序和最优加油区域的选取,该方法确保了车辆在有限的加油需求下能够选择最优加油站,既满足了用户的加油需求,又在一定程度上优化了行驶路径。综合了Kruskal算法、谱聚类算法、自适应混合人工蜂群算法多种算法,有效解决了车辆加油站推荐中的路径规划、区域识别和加油站选择问题,提高了车辆的加油站推荐准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标车辆的车辆行驶区域,并对车辆行驶区域进行地理数据提取,得到车辆地理位置数据;
(2)对车辆地理位置数据进行图模型转换,得到车辆位置图模型,并通过预置的Kruskal算法对车辆位置图模型进行最小生成树生成,得到最小生成树;
(3)从最小生成树中筛选出连接加油站位置的路径,确定目标车辆的加油站可达路径,并通过最小生成树确定具有连接关系的车辆可加油区域,得到初始加油区域网络;
(4)根据加油站可达路径建立目标车辆的可加油区域网络关系,并根据可加油区域网络关系对初始加油区域网络进行边权重更新,得到目标加油区域网络。
具体的,服务器获取目标车辆的车辆行驶区域,这可以通过车载GPS设备、卫星导航***或其他位置识别技术来实现。并对车辆行驶区域进行地理数据提取,得到车辆地理位置数据。这包括从车辆位置数据中提取地理信息,如经度和纬度坐标,以形成车辆地理位置数据。对车辆地理位置数据进行图模型转换,得到车辆位置图模型。这可以通过将车辆地理位置数据构建成图,其中节点表示车辆的地理位置,边表示车辆之间的关联。这个图称为车辆位置图模型。对车辆位置图模型应用Kruskal算法,以生成最小生成树。最小生成树是一个包含所有节点(车辆位置)的子图,其中边的权重之和最小。这个过程有助于确定车辆位置之间的最短路径,以便车辆可以在加油时选择最优的加油站。从最小生成树中筛选出连接加油站位置的路径。这可以通过识别与加油站地理位置最近的节点和边来实现。这些路径构成了目标车辆的加油站可达路径,这是车辆可以选择的加油站路径的候选。同时,最小生成树还有助于确定具有连接关系的车辆可加油区域,这些区域由最小生成树中的节点和边组成。这一步骤有助于建立初始加油区域网络,确定车辆之间的关系以及它们如何与加油站连接。根据加油站可达路径,建立目标车辆的可加油区域网络关系。从而确定哪些车辆可以访问哪些加油站,以及它们之间的连接关系。根据可加油区域网络关系,对初始加油区域网络进行边权重更新。这涉及到根据车辆之间的连接强度、距离和其他因素,重新分配边的权重,以更准确地反映车辆之间的关系和加油站的可访问性。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对目标加油区域网络进行节点特征提取,得到节点特征集合;
S202、根据节点特征集合构建目标加油区域网络的拉普拉斯矩阵,并对拉普拉斯矩阵进行特征向量分解,得到多个目标特征向量;
S203、采用谱聚类算法对多个目标特征向量进行聚类分析,得到多个潜力簇集;
S204、对多个潜力簇集进行区域划分优度评估,得到区域划分效果评估结果;
S205、根据区域划分效果评估结果对目标加油区域网络进行潜力区域划分,得到对应的多个潜力加油区域。
具体的,对目标加油区域网络进行节点特征提取,得到节点特征集合。从加油区域网络中提取有关每个节点(是地理位置或其他特征)的信息,以形成节点特征集合。这些特征可以包括节点的地理坐标、交通状况、历史加油需求等。使用节点特征集合构建目标加油区域网络的拉普拉斯矩阵。拉普拉斯矩阵是一个用于描述网络结构的数学工具,它将节点之间的连接关系和特征考虑在内。对拉普拉斯矩阵进行特征向量分解,可以得到多个目标特征向量。这些特征向量反映了网络的特定性质和结构。采用谱聚类算法对多个目标特征向量进行聚类分析,得到多个潜力簇集。谱聚类是一种图数据的聚类方法,它基于特征向量的相似性将节点划分为不同的簇。这个过程有助于将加油区域网络中的节点分组,找出潜力加油区域。随后,对多个潜力簇集进行区域划分优度评估,得到区域划分效果评估结果。对不同的潜力簇集进行分析,以确定哪一个提供了最有希望的加油区域划分。评估标准可以包括簇内相似性、簇间差异性、聚类紧密度等。根据区域划分效果评估结果,对目标加油区域网络进行潜力区域划分,得到对应的多个潜力加油区域。确定哪些簇或区域具有最高的潜力,可以作为潜在的加油站位置。这些区域可以根据评估结果被选定为最具潜力的加油站位置。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、分别对多个潜力加油区域进行潜力特征提取,得到每个潜力加油区域的车辆数量特征及道路密度特征;
S302、对每个潜力加油区域的车辆数量特征及道路密度特征进行特征矩阵转换,生成对应的潜力特征矩阵;
S303、通过熵权评价模型,根据潜力特征矩阵分别计算每个潜力加油区域的正理想解和负理想解;
S304、根据正理想解和负理想解,分别计算每个潜力加油区域的潜力概率,得到每个潜力加油区域的初始概率值;
S305、分别对每个潜力加油区域的初始概率值进行标准化处理,得到每个潜力加油区域的潜力概率值。
具体的,分别对多个潜力加油区域进行潜力特征提取。获取与每个潜力加油区域相关的特征,如车辆数量特征和道路密度特征。车辆数量特征可以包括在该区域内的车辆数目,而道路密度特征可以表示该区域的道路网络情况。将车辆数量特征和道路密度特征转化为一个潜力特征矩阵。这个矩阵将包括每个潜力加油区域的特征信息,其中行代表不同的潜力加油区域,列代表不同的特征。这个矩阵将有助于进行后续的计算和评估。通过熵权评价模型,可以根据潜力特征矩阵分别计算每个潜力加油区域的正理想解和负理想解。正理想解代表着每个特征的最大值,而负理想解代表着每个特征的最小值。这些理想解是评估潜力的基础。根据正理想解和负理想解,可以计算每个潜力加油区域的潜力概率。这一步骤通过将每个区域的特征值与正理想解和负理想解进行比较来确定区域的相对优劣。具体地,可以使用如下公式计算潜力概率:潜力概率=(正理想解)/(正理想解+负理想解),这将为每个潜力加油区域提供一个初始概率值,反映其在不同特征方面的相对性能。对每个潜力加油区域的初始概率值进行标准化处理,以得到每个潜力加油区域的潜力概率值。标准化确保这些概率值在相同的尺度上,以便进行比较和选择。常见的标准化方法包括将概率值缩放到0到1之间,或者将它们进行归一化处理,以确保它们之和等于1。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、根据潜力概率值对多个潜力加油区域进行排序分析,生成潜力加油区域序列;
S402、对潜力加油区域序列进行最优加油区域选取,得到对应的最优加油区域;
S403、对最优加油区域进行加油站位置数据提取,得到多个候选加油站;
S404、分别对多个候选加油站进行站点信息整合,得到每个候选加油站的站点信息。
具体的,根据潜力概率值对多个潜力加油区域进行排序分析。将潜力加油区域按其潜力概率值从高到低排序,以确定哪些区域具有更高的潜力。这个排序将为后续的最优加油区域选取提供基础。对潜力加油区域序列进行最优加油区域选取。这是一个决策过程,其中可以考虑不同的因素,如潜力概率值、区域覆盖范围、市场需求等。服务器会选择具有最高潜力概率值的一定数量的区域作为最优加油区域,或者进行更复杂的决策分析,以确定最佳组合。一旦最优加油区域确定,服务器对这些区域进行加油站位置数据提取。这包括查找潜力加油区域内现有的加油站位置,或者确定适合新建加油站的候选位置。这一步骤可以涉及地理信息***(GIS)数据的查询和分析,以确定最佳的加油站位置。对多个候选加油站进行站点信息整合。服务器将收集有关每个候选加油站的详细信息,如站点所有者、站点容量、油品种类、运营时间等。这些信息有助于最终决策者选择最适合的加油站位置。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)根据每个候选加油站的站点信息,对自适应混合人工蜂群算法进行参数初始化,得到迭代参数集合,并定义加油站选择因素的适应度函数;
(2)对每个候选加油站的站点信息进行蜂群初始化,得到多个加油站选择因素集合;
(3)对多个加油站选择因素集合进行全局搜索,并通过适应度函数计算每个加油站选择因素集合的第一适应度数据;
(4)根据第一适应度数据对多个加油站选择因素集合进行局部搜索,得到每个加油站选择因素集合的第二适应度数据;
(5)根据第二适应度数据和迭代参数集合,对多个加油站选择因素集合进行最优化分析,得到最优选择因素集合;
(6)根据最优选择因素集合,对每个候选加油站进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果。
具体的,根据每个候选加油站的站点信息,进行自适应混合人工蜂群算法的参数初始化。这包括确定算法的控制参数,如蜜蜂数量、最大迭代次数、搜索范围等。这些参数将有助于调整算法的行为以适应特定问题。根据初始化的参数,执行蜂群初始化。多个虚拟蜜蜂将根据候选加油站的站点信息开始搜索。每个虚拟蜜蜂将代表一组选择因素集合,这些选择因素将用于评估加油站的优劣。进行全局搜索,虚拟蜜蜂将在搜索空间中移动,试图找到最佳的选择因素集合。在全局搜索阶段,虚拟蜜蜂可以探索更广泛的解空间,以找到潜在的好解决方案。通过适应度函数,可以计算每个加油站选择因素集合的第一适应度数据。适应度函数将基于每个选择因素集合的性能指标,如加油站的价格、可达性等来评估每个解决方案的质量。随后,基于第一适应度数据,进行局部搜索。在局部搜索阶段,虚拟蜜蜂将更专注地在搜索空间中寻找更好的解决方案,以进一步提高性能。根据第二适应度数据和迭代参数集合,执行最优化分析,以确定最优选择因素集合。这个过程涉及模拟退火、遗传算法等优化方法,以找到最佳的选择因素组合。根据最优选择因素集合,对每个候选加油站进行加油站选择因素评估。这将产生每个候选加油站的加油站选择因素评估结果,反映了每个站点在综合性能方面的相对优劣。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)调用预置的决策树算法,对加油站选择因素评估结果进行遍历处理,得到目标决策树,目标决策树包含多个叶节点;
(2)根据每个叶节点的评估指标分别对多个叶节点进行排序,得到对应的叶节点排序结果;
(3)通过叶节点排序结果对加油站选择因素评估结果对应的候选加油站进行选取,得到目标加油站;
(4)通过Dijkstra算法对目标车辆和目标加油站进行最短路径规划,得到对应的最短加油路径。
具体的,调用预置的决策树算法。决策树是一种强大的机器学习工具,用于将复杂的决策问题分解成一系列简单的决策步骤。在这种情况下,决策树将被用于选择最佳的加油站,考虑各种因素如距离、油价、服务质量和车辆需求。该算法将对加油站选择因素评估结果进行遍历处理,以构建一个目标决策树。这个决策树将包含多个叶节点,每个叶节点代表一个潜在的决策或选择。随后,根据每个叶节点的评估指标分别对多个叶节点进行排序,得到对应的叶节点排序结果,以根据评估指标确定它们的优先级。这些评估指标包括距离、油价、服务质量、车辆需求等因素。根据这些指标,将为每个叶节点分配一个相对重要性,以便在做出决策时了解其影响。通过对叶节点的排序,将能够确定最佳的加油站。最优的叶节点代表了最佳的决策,它将指导选择目标加油站。这个步骤确保了服务器能够根据评估因素来做出明智的决策,以满足驾驶员的需求。通过Dijkstra算法对目标车辆和目标加油站进行最短路径规划,得到对应的最短加油路径。这个算法将考虑道路网络的权重,以确定如何从目标车辆的当前位置前往目标加油站。它将考虑交通情况、道路状况和其他导航因素,以确保选择的路径是最短的,从而节省时间和资源。
上面对本发明实施例中车辆的加油站推荐方法进行了描述,下面对本发明实施例中车辆的加油站推荐装置进行描述,请参阅图5,本发明实施例中车辆的加油站推荐装置一个实施例包括:
获取模块501,用于获取目标车辆的车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行加油区域网络构建,得到目标加油区域网络;
划分模块502,用于采用谱聚类算法对所述目标加油区域网络进行节点特征提取和潜力区域划分,得到对应的多个潜力加油区域;
计算模块503,用于对所述多个潜力加油区域进行潜力特征提取和潜力概率计算,得到每个潜力加油区域的潜力概率值;
选取模块504,用于根据所述潜力概率值对所述多个潜力加油区域进行最优加油区域选取,得到对应的最优加油区域,并获取所述最优加油区域的多个候选加油站以及每个候选加油站的站点信息;
评估模块505,用于通过自适应混合人工蜂群算法对每个候选加油站的站点信息进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果;
规划模块506,用于根据所述加油站选择因素评估结果确定对应的目标加油站,并对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径;
推送模块507,用于将所述目标加油站和所述最短加油路径推送至所述目标车辆的可视化车载终端。
通过上述各个组成部分的协同合作,通过利用Kruskal算法、谱聚类算法和自适应混合人工蜂群算法等技术,能够智能化地规划车辆的最短加油路径,充分考虑了车辆位置、加油站潜力、加油站选择因素等因素,提高了路径规划的准确性和效率。采用谱聚类算法对加油区域网络进行节点特征提取和潜力区域划分,这使得***能够更准确地识别车辆周围的潜在加油区域,为用户提供更丰富的选择。通过自适应混合人工蜂群算法对候选加油站进行加油站选择因素评估,***可以根据每辆车的不同需求和用户的个性化喜好,为用户提供最符合其实际情况的加油站推荐。通过对潜力概率值的排序和最优加油区域的选取,该方法确保了车辆在有限的加油需求下能够选择最优加油站,既满足了用户的加油需求,又在一定程度上优化了行驶路径。综合了Kruskal算法、谱聚类算法、自适应混合人工蜂群算法多种算法,有效解决了车辆加油站推荐中的路径规划、区域识别和加油站选择问题,提高了车辆的加油站推荐准确率。
上面图5从模块化功能实体的角度对本发明实施例中的车辆的加油站推荐装置进行详细描述,下面从硬件处理的角度对本发明实施例中车辆的加油站推荐设备进行详细描述。
图6是本发明实施例提供的一种车辆的加油站推荐设备的结构示意图,该车辆的加油站推荐设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对车辆的加油站推荐设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在车辆的加油站推荐设备600上执行存储介质630中的一系列指令操作。
车辆的加油站推荐设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作***631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的车辆的加油站推荐设备结构并不构成对车辆的加油站推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种车辆的加油站推荐设备,所述车辆的加油站推荐设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述车辆的加油站推荐方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述车辆的加油站推荐方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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精神和范围。
Claims (10)
1.一种车辆的加油站推荐方法,其特征在于,所述车辆的加油站推荐方法包括:
获取目标车辆的车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行加油区域网络构建,得到目标加油区域网络;
采用谱聚类算法对所述目标加油区域网络进行节点特征提取和潜力区域划分,得到对应的多个潜力加油区域;
对所述多个潜力加油区域进行潜力特征提取和潜力概率计算,得到每个潜力加油区域的潜力概率值;
根据所述潜力概率值对所述多个潜力加油区域进行最优加油区域选取,得到对应的最优加油区域,并获取所述最优加油区域的多个候选加油站以及每个候选加油站的站点信息;
通过自适应混合人工蜂群算法对每个候选加油站的站点信息进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果;
根据所述加油站选择因素评估结果确定对应的目标加油站,并对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径;
将所述目标加油站和所述最短加油路径推送至所述目标车辆的可视化车载终端。
2.根据权利要求1所述的车辆的加油站推荐方法,其特征在于,所述获取目标车辆的车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行加油区域网络构建,得到目标加油区域网络,包括:
获取目标车辆的车辆行驶区域,并对所述车辆行驶区域进行地理数据提取,得到车辆地理位置数据;
对所述车辆地理位置数据进行图模型转换,得到车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行最小生成树生成,得到最小生成树;
从所述最小生成树中筛选出连接加油站位置的路径,确定所述目标车辆的加油站可达路径,并通过所述最小生成树确定具有连接关系的车辆可加油区域,得到初始加油区域网络;
根据所述加油站可达路径建立所述目标车辆的可加油区域网络关系,并根据所述可加油区域网络关系对所述初始加油区域网络进行边权重更新,得到目标加油区域网络。
3.根据权利要求1所述的车辆的加油站推荐方法,其特征在于,所述采用谱聚类算法对所述目标加油区域网络进行节点特征提取和潜力区域划分,得到对应的多个潜力加油区域,包括:
对所述目标加油区域网络进行节点特征提取,得到节点特征集合;
根据所述节点特征集合构建所述目标加油区域网络的拉普拉斯矩阵,并对所述拉普拉斯矩阵进行特征向量分解,得到多个目标特征向量;
采用谱聚类算法对所述多个目标特征向量进行聚类分析,得到多个潜力簇集;
对所述多个潜力簇集进行区域划分优度评估,得到区域划分效果评估结果;
根据所述区域划分效果评估结果对所述目标加油区域网络进行潜力区域划分,得到对应的多个潜力加油区域。
4.根据权利要求1所述的车辆的加油站推荐方法,其特征在于,所述对所述多个潜力加油区域进行潜力特征提取和潜力概率计算,得到每个潜力加油区域的潜力概率值,包括:
分别对所述多个潜力加油区域进行潜力特征提取,得到每个潜力加油区域的车辆数量特征及道路密度特征;
对每个潜力加油区域的车辆数量特征及道路密度特征进行特征矩阵转换,生成对应的潜力特征矩阵;
通过熵权评价模型,根据所述潜力特征矩阵分别计算每个潜力加油区域的正理想解和负理想解;
根据所述正理想解和所述负理想解,分别计算每个潜力加油区域的潜力概率,得到每个潜力加油区域的初始概率值;
分别对每个潜力加油区域的初始概率值进行标准化处理,得到每个潜力加油区域的潜力概率值。
5.根据权利要求1所述的车辆的加油站推荐方法,其特征在于,所述根据所述潜力概率值对所述多个潜力加油区域进行最优加油区域选取,得到对应的最优加油区域,并获取所述最优加油区域的多个候选加油站以及每个候选加油站的站点信息,包括:
根据所述潜力概率值对所述多个潜力加油区域进行排序分析,生成潜力加油区域序列;
对所述潜力加油区域序列进行最优加油区域选取,得到对应的最优加油区域;
对所述最优加油区域进行加油站位置数据提取,得到多个候选加油站;
分别对所述多个候选加油站进行站点信息整合,得到每个候选加油站的站点信息。
6.根据权利要求1所述的车辆的加油站推荐方法,其特征在于,所述通过自适应混合人工蜂群算法对每个候选加油站的站点信息进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果,包括:
根据每个候选加油站的站点信息,对自适应混合人工蜂群算法进行参数初始化,得到迭代参数集合,并定义加油站选择因素的适应度函数;
对每个候选加油站的站点信息进行蜂群初始化,得到多个加油站选择因素集合;
对所述多个加油站选择因素集合进行全局搜索,并通过所述适应度函数计算每个加油站选择因素集合的第一适应度数据;
根据所述第一适应度数据对所述多个加油站选择因素集合进行局部搜索,得到每个加油站选择因素集合的第二适应度数据;
根据所述第二适应度数据和所述迭代参数集合,对所述多个加油站选择因素集合进行最优化分析,得到最优选择因素集合;
根据所述最优选择因素集合,对每个候选加油站进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果。
7.根据权利要求1所述的车辆的加油站推荐方法,其特征在于,所述根据所述加油站选择因素评估结果确定对应的目标加油站,并对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径,包括:
调用预置的决策树算法,对所述加油站选择因素评估结果进行遍历处理,得到目标决策树,所述目标决策树包含多个叶节点;
根据每个叶节点的评估指标分别对所述多个叶节点进行排序,得到对应的叶节点排序结果;
通过所述叶节点排序结果对所述加油站选择因素评估结果对应的候选加油站进行选取,得到目标加油站;
通过Dijkstra算法对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径。
8.一种车辆的加油站推荐装置,其特征在于,所述车辆的加油站推荐装置包括:
获取模块,用于获取目标车辆的车辆位置图模型,并通过预置的Kruskal算法对所述车辆位置图模型进行加油区域网络构建,得到目标加油区域网络;
划分模块,用于采用谱聚类算法对所述目标加油区域网络进行节点特征提取和潜力区域划分,得到对应的多个潜力加油区域;
计算模块,用于对所述多个潜力加油区域进行潜力特征提取和潜力概率计算,得到每个潜力加油区域的潜力概率值;
选取模块,用于根据所述潜力概率值对所述多个潜力加油区域进行最优加油区域选取,得到对应的最优加油区域,并获取所述最优加油区域的多个候选加油站以及每个候选加油站的站点信息;
评估模块,用于通过自适应混合人工蜂群算法对每个候选加油站的站点信息进行加油站选择因素评估,得到每个候选加油站的加油站选择因素评估结果;
规划模块,用于根据所述加油站选择因素评估结果确定对应的目标加油站,并对所述目标车辆和所述目标加油站进行最短路径规划,得到对应的最短加油路径;
推送模块,用于将所述目标加油站和所述最短加油路径推送至所述目标车辆的可视化车载终端。
9.一种车辆的加油站推荐设备,其特征在于,所述车辆的加油站推荐设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述车辆的加油站推荐设备执行如权利要求1-7中任一项所述的车辆的加油站推荐方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的车辆的加油站推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311581981.9A CN117291327B (zh) | 2023-11-24 | 2023-11-24 | 车辆的加油站推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311581981.9A CN117291327B (zh) | 2023-11-24 | 2023-11-24 | 车辆的加油站推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291327A true CN117291327A (zh) | 2023-12-26 |
CN117291327B CN117291327B (zh) | 2024-03-19 |
Family
ID=89244738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311581981.9A Active CN117291327B (zh) | 2023-11-24 | 2023-11-24 | 车辆的加油站推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291327B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829713A (zh) * | 2024-03-05 | 2024-04-05 | 深圳市久通物联科技股份有限公司 | 一种基于混合整数线性规划的成品油智慧运输方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108493969A (zh) * | 2018-03-07 | 2018-09-04 | 国网江苏省电力有限公司无锡供电分公司 | 电动汽车充电站智能规划方法 |
CN112308389A (zh) * | 2020-10-22 | 2021-02-02 | 黑龙江省电工仪器仪表工程技术研究中心有限公司 | 基于云计算的电动汽车有序充电调度***及方法 |
US20210356279A1 (en) * | 2018-07-08 | 2021-11-18 | Nng Software Developing And Commercial Llc. | A Method and Apparatus for Optimal Navigation to Multiple Locations |
CN113704639A (zh) * | 2021-07-20 | 2021-11-26 | 一汽解放汽车有限公司 | 劣质加油站位置判断方法、装置、计算机设备及存储介质 |
CN114201571A (zh) * | 2021-12-15 | 2022-03-18 | 平安科技(深圳)有限公司 | 加油站推荐方法、装置、电子设备及存储介质 |
CN114780858A (zh) * | 2022-05-19 | 2022-07-22 | 中国银行股份有限公司 | 一种加油站推荐方法、装置、存储介质及程序产品 |
CN115391878A (zh) * | 2022-08-01 | 2022-11-25 | 天津大学 | 适用于建筑人居环境仿真的建筑图纸识别与模型构建方法 |
-
2023
- 2023-11-24 CN CN202311581981.9A patent/CN117291327B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108493969A (zh) * | 2018-03-07 | 2018-09-04 | 国网江苏省电力有限公司无锡供电分公司 | 电动汽车充电站智能规划方法 |
US20210356279A1 (en) * | 2018-07-08 | 2021-11-18 | Nng Software Developing And Commercial Llc. | A Method and Apparatus for Optimal Navigation to Multiple Locations |
CN112308389A (zh) * | 2020-10-22 | 2021-02-02 | 黑龙江省电工仪器仪表工程技术研究中心有限公司 | 基于云计算的电动汽车有序充电调度***及方法 |
CN113704639A (zh) * | 2021-07-20 | 2021-11-26 | 一汽解放汽车有限公司 | 劣质加油站位置判断方法、装置、计算机设备及存储介质 |
CN114201571A (zh) * | 2021-12-15 | 2022-03-18 | 平安科技(深圳)有限公司 | 加油站推荐方法、装置、电子设备及存储介质 |
CN114780858A (zh) * | 2022-05-19 | 2022-07-22 | 中国银行股份有限公司 | 一种加油站推荐方法、装置、存储介质及程序产品 |
CN115391878A (zh) * | 2022-08-01 | 2022-11-25 | 天津大学 | 适用于建筑人居环境仿真的建筑图纸识别与模型构建方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829713A (zh) * | 2024-03-05 | 2024-04-05 | 深圳市久通物联科技股份有限公司 | 一种基于混合整数线性规划的成品油智慧运输方法 |
CN117829713B (zh) * | 2024-03-05 | 2024-05-10 | 深圳市久通物联科技股份有限公司 | 一种基于混合整数线性规划的成品油智慧运输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117291327B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Gaussian process decentralized data fusion and active sensing for spatiotemporal traffic modeling and prediction in mobility-on-demand systems | |
CN117291327B (zh) | 车辆的加油站推荐方法、装置、设备及存储介质 | |
CN106643783B (zh) | 基于最短路径泰森多边形的电动汽车充电站搜索方法 | |
CN109614458B (zh) | 基于导航数据的城市社区结构挖掘方法与装置 | |
US20170336219A1 (en) | System and method for accelerating route search | |
CN105674994A (zh) | 获取行车路线的方法、装置及导航设备 | |
CN108072381A (zh) | 一种路径规划的方法及装置 | |
EP3241370A1 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN105229422A (zh) | 自动驾驶路线规划应用 | |
US20130144524A1 (en) | Double-hub indexing in location services | |
US20180045527A1 (en) | Systems and Methods for Predicting Vehicle Fuel Consumption | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
CN110516702B (zh) | 一种基于流数据的离散路径规划方法 | |
CN109579861B (zh) | 一种基于强化学习的路径导航方法及*** | |
CN110413855B (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
CN116542709A (zh) | 一种基于交通态势感知的电动汽车充电站规划分析方法 | |
CN109858951A (zh) | 新能源汽车加电或换电需求的预测 | |
CN112308315A (zh) | 一种多点智能路径规划方法及*** | |
CN112381078B (zh) | 基于高架的道路识别方法、装置、计算机设备和存储介质 | |
CN117498325B (zh) | 一种新能源汽车用电量预测及充电资源调度优化方法 | |
Albalawneh et al. | A new federated genetic algorithm-based optimization technique for multi-criteria vehicle route planning using ArcGIS network analyst | |
Castagna et al. | Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility | |
Ajani et al. | Dynamic path planning approaches based on artificial intelligence and machine learning | |
Li et al. | Hierarchical model of road network for route planning in vehicle navigation systems | |
Kleisarchaki et al. | Optimization of Soft Mobility Localization with Sustainable Policies and Open Data |
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 |