【技術實現步驟摘要】
本專利技術屬于物流路徑規劃領域，具體屬于一種基于深度學習的兩階段能耗預測路徑規劃的方法。
技術介紹
1、物流路徑規劃是在貨運、快遞配送等眾多領域中優化貨物運輸過程的關鍵環節，它致力于通過精細的規劃降低成本并顯著提升運輸效率。此領域綜合運用了一系列經典算法——包括用于尋找最短路徑的dijkstra和a*算法，以及考慮更為復雜約束條件的旅行商問題(tsp)和車輛路徑問題(vrp)——它們通過精確和啟發式方法解決問題，構成物流路徑規劃的基礎。
2、隨著技術的發展，現代方法如啟發式算法及深度學習技術被廣泛應用于動態環境下的實時路徑規劃，使得物流路徑規劃能夠更靈活地適應復雜多變的運輸需求。此外，物流路徑規劃還注重多目標優化，不僅追求成本的最小化，同時考慮時間效率、能源消耗等因素，力求在多重目標之間找到最佳平衡點。
3、借助物聯網技術，實時獲取的交通數據、天氣信息和車輛狀態等數據能夠被有效利用，通過動態規劃方法實時調整路徑規劃，以應對環境的即時變化。伴隨這些技術的是各種軟件和平臺的支持，它們集成了上述算法和方法，提供了用戶友好的界面，幫助企業和個人高效、便捷地管理物流路徑規劃問題。
4、物流路徑規劃通過跨學科的技術整合，不斷適應并解決物流運輸中的挑戰。隨技術進步，它的方法和工具也在不斷演化，旨在提供更加高效、可靠且經濟的物流運輸解決方案，滿足不斷增長的物流需求。
5、近年來，在物流路徑規劃方面的研究主要有：
6、中國專利《一種基于深度學習的物流路徑規劃方法》(cn110929149
7、中國專利《一種即時物流場景下的路徑規劃實現方法》(cn109241413a)：這項專利公開了一種適用于即時物流場景的路徑規劃方法。該方法通過兩層路徑選擇機制，為騎手匹配出最小配送代價的路徑，并預測出騎手到達各節點的時間及超時情況，從而提高了騎手的配送效率和服務質量。
8、中國專利《京東物流申請的路徑規劃和配送專利》(cn110929149a)：這項專利公開了一種由京東物流申請的路徑規劃和配送方法。該方法通過獲取當前站點和預設時間段內的歷史路徑，確定歷史路徑覆蓋的站點與當前站點之間的重復率，從而選出為當前站點分配的模板路徑。這種方法能夠有效地提高物流配送的效率和準確性。
9、上述專利技術都對通過考慮實時交通信息或歷史交通軌跡對物流的影響提高物流的配送效率起到了一定的推動作用，但在采用高效的機制來整合歷史和實時的交通信息方面還存在不足：1)實時交通信息的準確性對于物流路徑規劃至關重要。然而，獲取準確的實時交通信息可能面臨許多挑戰，例如，交通信息的更新頻率、信息的覆蓋范圍以及信息的可靠性等。2)當前的專利技術可能缺乏有效的機制來整合歷史和實時的交通信息。例如，如果一條路線在過去的一段時間內經常出現交通擁堵，而在當前的時間點上交通情況良好，那么應該如何權衡這兩種信息以進行最優的路徑規劃。
技術實現思路
1、本專利技術的目的是提供一種基于深度學習的兩階段能耗預測路徑規劃的方法，從而在降低電動汽車能耗的前提下，提高冷鏈電動車的配送效率。
2、本專利技術的目的是通過以下技術手段實現的，一種基于深度學習的兩階段能耗預測路徑規劃的方法，包括以下步驟：
3、步驟一，數據收集，收集冷鏈配送車輛在過去實際運行中的數據，包括歷史駕駛數據，車輛參數數據和實時交通數據；
4、步驟二，數據預處理，對數據進行歸一化和標準化，并進行特征工程，選擇并構造對能耗預測有信息量的特征；
5、步驟三，能耗模型構建，構建行駛能耗和制冷能耗計算公式，并通過卷積神經網絡模型以及收集到的數據，提取出特征集；
6、將特征集輸入長短期記憶網絡lstm中，生成能耗預測模型；
7、步驟四，長期能耗預測，根據車輛在相似配送任務重的歷史數據，提取與當前任務相關的，影響能耗的特征，輸入能耗預測模型中，對未來可能路段的能耗進行預測，得到每兩個節點之間的行駛能耗和制冷能耗預測；
8、步驟五，短期能耗預測，在車輛進行行駛過程中，實時采集影響能耗的數據，輸入能耗預測模型，對當前與未來路段進行每兩個節點之間的行駛能耗和制冷能耗預測，修正長期能耗預測；
9、步驟六，路徑規劃與優化，以總能耗最小化和時間約束，即規劃路線時間不超過配送時間限制為目標，進行路徑規劃，采用非支配排序遺傳算法nsga-ii優化配送路徑，并在后需行駛過程中根據實時數據及新的短期能耗預測，對得到的配送路徑進行優化和修正。
10、所述數據為影響配送時間和制冷能耗的數據，所述歷史駕駛數據包括車輛在各路段的實際行駛速度、行駛路線、時間和日期、外界環境條件和道路坡度；
11、車輛參數信息為車輛的物理和機械參數，包括滿載和空載的重量、電池種類和容量、制冷系統的規格；
12、實時交通數據包括當前的交通流量、道路信息、交通事故數據，道路的拓撲結構。
13、所述步驟二中，選擇并構造對能耗預測有信息量的特征包括速度變化率、坡度特征和環境特征。
14、所述行駛能耗計算公式為
15、n為車輛的質量，g為重力加速度，θ為道路坡度，cd為空氣阻力系數，ρ為空氣密度，k為車輛的形狀因子，v為車速，cr為滾動阻力系數，ptract為電動車牽引力功率；
16、綜合行駛過程中的平均速度，行駛能耗μeled為電動汽車的能量轉換效率；
17、制冷能耗計算公式為ecool＝γ·d.其中γ是單位距離的制冷能耗，d是行駛距離。
18、所述步驟三中，卷積神經網絡模型以及收集到的數據，提取出特征集具體為，將經過預處理的歷史駕駛數據輸入到cnn網絡中，數據格式為多維矩陣形式，通過多個卷積層提取數據的特征圖，揭示不同特征之間的相關性和空間模式；使用池化層對卷積特征圖進行降維，減少計算量的同時保留關鍵特征；最終輸出的特征集保留了數據的關鍵信息，并為后續的lstm網絡提供輸入。
19、所述步驟六中，總能耗最小化目標函數為
20、
21、其中，edrive(i,i+1)表示車輛從節點i到節點i+1的行駛能耗，ecool(i，i+1)表示同一路段的制冷能耗，n是路徑中配送節點的總數，etotal為總能耗；
22、時間約束目標函數為其中，ti表示車輛在節點i及從節點i
23、到節點i+1的行駛時間，t是配送任務的總時間限制。
24、所述采用非支配排序遺傳算法nsga-ii優化配送路徑具體步驟為，
25、初始種群生成：初始種群中的每一個個體代表一條可能的配送路徑，路徑由一組節點序列表示，對于配送點p1,p2,…,pn，路徑可以編碼為一個序列[p11,p2,本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述數據為影響配送時間和制冷能耗的數據，所述歷史駕駛數據包括車輛在各路段的實際行駛速度、行駛路線、時間和日期、外界環境條件和道路坡度；
3.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述步驟二中，選擇并構造對能耗預測有信息量的特征包括速度變化率、坡度特征和環境特征。
4.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述行駛能耗計算公式為
5.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述步驟三中，卷積神經網絡模型以及收集到的數據，提取出特征集具體為，將經過預處理的歷史駕駛數據輸入到CNN網絡中，數據格式為多維矩陣形式，通過多個卷積層提取數據的特征圖，揭示不同特征之間的相關性和空間模式；使用池化層對卷積特征圖進行降維，減少計算量的同時保留關鍵特征；最終輸出的特征集
6.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述步驟六中，總能耗最小化目標函數為
7.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述采用非支配排序遺傳算法NSGA-II優化配送路徑具體步驟為，
...【技術特征摘要】
1.一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述數據為影響配送時間和制冷能耗的數據，所述歷史駕駛數據包括車輛在各路段的實際行駛速度、行駛路線、時間和日期、外界環境條件和道路坡度；
3.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述步驟二中，選擇并構造對能耗預測有信息量的特征包括速度變化率、坡度特征和環境特征。
4.根據權利要求1所述的一種基于深度學習的兩階段能耗預測路徑規劃的方法，其特征在于：所述行駛能耗計算公式為
5.根據權利要求1所述的一種基于深度學習的兩階...
【專利技術屬性】
技術研發人員：王晉，張卿瑞，蘭渝，王闖，任杉，史皓良，
申請(專利權)人：西安郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。