一种车辆线路优化方法及装置与流程

本申请属于人工智能技术领域，具体地讲，涉及一种车辆线路优化方法及装置。

背景技术：

在日常运营中，为保证各网点的资金运转正常，需要定期对网点进行补钞。为了使加钞过程的时间和成本最小化，需要对每一辆钞车的加钞金额、行驶路线进行合理的规划。目前，钞车线路规划的做法主要是利用启发式搜索的方法生成加钞线路，其中银行配送服务网点之间钞车运输行驶时间长度受银行所在地理环境、市政管理、交通高峰期等因素影响，往往存在预估行驶时间与实际行驶时间偏差较大的现象，无法得到正确线路规划结果。

技术实现要素：

本申请提供了一种车辆线路优化方法及装置，以至少解决当前运钞车在各网点间的线路规划未考虑到银行所在地理环境、市政管理、交通高峰期等因素影响从而导致预估行驶时间与实际行驶时间偏差较大的问题。

根据本申请的第一个方面，提供了一种车辆线路优化方法，包括：

根据获取的配送服务网点的基础信息和预先训练的优化模型获取车辆在各配送服务网点之间不同线路的行驶优化时间；

筛选各配送服务网点之间行驶优化时间最短的目标线路；

利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路。

在一实施例中，配送服务网点的基础信息获取过程包括：

获取所有配送服务网点的业务属性数据和外部影响属性信息；

获取各配送服务网点之间所有的线路信息；

对业务属性数据、外部影响属性信息和线路信息进行清洗；

将清洗后的业务属性数据、外部影响属性信息和线路信息进行聚合处理获得基础信息。

在一实施例中，优化模型的训练方法包括：

对获取的配送服务网点的历史行驶数据并进行清洗；

对清洗后的历史行驶数据进行特征构建获取历史预估行驶时长与历史实际行驶时长之间的历史特征数据；

对历史特征数据进行归一化处理；

根据历史行驶数据和归一化处理后的历史特征数据对预先建立的优化模型进行训练。

在一实施例中，对获取的配送服务网点的历史行驶数据并进行清洗，包括：

获取配送服务网点的历史行驶数据，并根据历史行驶数据中的同路段行驶时间进行排序；

采用正态分布3σ原则判断同路段行驶时间序列中的异常数据并剔除。

在一实施例中，利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路，包括：

利用启发式搜索算法中的遗传算法、蚁群算法或模拟退火算法获取车辆在多个配送服务网点间的优化线路。

在一实施例中，车辆线路优化方法还包括：

采用二分法对获取的车辆在多个配送服务网点间的优化线路进行进一步优化。

在一实施例中，车辆线路优化方法还包括：

预先训练多个优化模型；

使用均方根误差对多个优化模型进行评估选择评估结果最优的若干个优化模型用以获取车辆在各配送服务网点之间不同线路的行驶优化时间。

根据本申请的第二个方面，还提供了一种车辆线路优化装置，包括：

行驶优化时间获取单元，用于根据获取的配送服务网点的基础信息和预先训练的优化模型获取车辆在各配送服务网点之间不同线路的行驶优化时间；

最短时间筛选单元，用于筛选各配送服务网点之间行驶优化时间最短的目标线路；

线路优化单元，用于利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路。

在一实施例中，配送服务网点的基础信息获取过程包括：

获取所有配送服务网点的业务属性数据和外部影响属性信息；

获取各配送服务网点之间所有的线路信息；

对业务属性数据、外部影响属性信息和线路信息进行清洗；

将清洗后的业务属性数据、外部影响属性信息和线路信息进行聚合处理获得基础信息。

在一实施例中，还具有一优化模型训练单元，包括：

清洗模块，用于对获取的配送服务网点的历史行驶数据并进行清洗；

数据获取模块，用于对清洗后的历史行驶数据进行特征构建获取历史预估行驶时长与历史实际行驶时长之间的历史特征数据；

归一化处理模块，用于对历史特征数据进行归一化处理；

模型训练模块，用于根据历史行驶数据和归一化处理后的历史特征数据对预先建立的优化模型进行训练。

在一实施例中，清洗模块包括：

排序模块，用于获取配送服务网点的历史行驶数据，并根据历史行驶数据中的同路段行驶时间进行排序；

异常数据剔除模块，用于采用正态分布3σ原则判断同路段行驶时间序列中的异常数据并剔除。

在一实施例中，线路优化单元包括：

算法选择模块，用于利用启发式搜索算法中的遗传算法、蚁群算法或模拟退火算法获取车辆在多个配送服务网点间的优化线路。

在一实施例中，车辆线路优化装置还包括：

二分法优化模块，用于采用二分法对获取的车辆在多个配送服务网点间的优化线路进行进一步优化。

在一实施例中，车辆线路优化装置还包括：

多个模型训练单元，用于预先训练多个优化模型；

模型评估筛选单元，用于使用均方根误差对多个优化模型进行评估选择评估结果最优的若干个优化模型用以获取车辆在各配送服务网点之间不同线路的行驶优化时间。

根据本申请的第三个方面，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现车辆线路优化方法的步骤。

根据本申请的第四个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现车辆线路优化方法的步骤。

由上述技术方案可知，本申请提供了一种车辆线路优化方法及装置，方法包括：根据获取的配送服务网点的基础信息和预先训练的优化模型获取车辆在各配送服务网点之间不同线路的行驶优化时间；筛选各配送服务网点之间行驶优化时间最短的目标线路；利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路。为了在对路径进行规划时将交通拥堵情况等外部因素纳入考虑范围，本申请训练出若干个预测模型，通过使用机器学习构建路况等外部因素和钞车行驶预估时间偏差的关联性，并利用该关联性模型和钞车配送服务当天的实际情况生成钞车行驶时间预估的优化结果，基于该优化结果再采用启发式搜索等技术智能规划钞车线路，动态生成基于当天实际行驶环境的钞车运输线路规划结果，为银行业务人员提供更合理、更准确的钞车行驶线路，降低银行相关业务人员工作量的同时提升实物现金用量管理效率。

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为本申请提供的一种车辆线路优化方法流程图。

图2为本申请实施例中配送服务网点的基础信息获取过程。

图3为本申请实施例中优化模型的训练方法。

图4为本申请实施例中数据清洗流程图。

图5为本申请车辆线路优化方法的另一实施例。

图6为一种银行运输配送线路优化的系统。

图7为数据处理装置的结构框图。

图8为时间优化装置的结构图。

图9为线路规划装置的结构图。

图10为业务评估装置的结构图。

图11为本申请提供的一种车辆线路优化装置的结构框图。

图12为本申请实施例中优化模型训练单元的结构框图。

图13为本申请实施例中清洗模块的结构框图。

图14为本申请实施例中车辆线路优化装置另一实施方式示意图。

图15为本申请实施例中一种电子设备的具体实施方式。

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，本申请公开的车辆线路优化方法及装置可以应用于人工智能领域，也可用于除人工智能领域之外的其他领域，本申请公开的车辆线路优化方法及装置的应用领域不做限定。

目前，钞车线路规划的做法主要是利用启发式搜索的方法生成加钞线路，其中银行配送服务网点之间钞车运输行驶时间长度受银行所在地理环境、市政管理、交通高峰期等因素影响，往往存在预估行驶时间与实际行驶时间偏差较大的现象，无法得到正确线路规划结果。为了解决这一问题，本申请分别提供了一种车辆线路优化方法、车辆线路优化方法装置、电子设备和计算机可读介质，通过使用机器学习构建路况等外部因素和钞车行驶预估时间偏差的关联性，并利用该关联性模型和钞车配送服务当天的实际情况生成钞车行驶时间预估的优化结果，基于该优化结果再采用启发式搜索等技术智能规划钞车线路，动态生成基于当天实际行驶环境的钞车运输线路规划结果，为银行业务人员提供更合理、更准确的钞车行驶线路，降低银行相关业务人员工作量的同时提升实物现金用量管理效率。

基于上述内容，本申请提供了一种用于实现本申请一个或多个实施例中提供的车辆线路优化方法的车辆线路优化装置，该装置可以自行或通过第三方服务器等与客户端设备之间通信连接，以接收各个客户端设备发送的各个服务网点的相关信息，并根据各个服务网点的相关信息以及历史信息构建预测模型，并将预测结果和生成的优化线路返回给客户端，以使运钞车能够根据优化出的线路行驶，节约了运钞车的时间和路途成本。

可以理解的是，所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在另一种实际应用情形中，前述的车辆线路优化装置进行车辆线路优化的部分可以在如上述内容的服务器中执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于车辆线路优化的具体处理。

上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

上述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括tcp/ip协议、udp/ip协议、http协议、https协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的rpc协议(remoteprocedurecallprotocol，远程过程调用协议)、rest协议(representationalstatetransfer，表述性状态转移协议)等。

具体通过下述各个实施例及应用实例分别进行详细说明。

为了提升对于运钞车在各网点间运送线路的规划合理性，本申请将路况等外部因素也纳入考量范围，由此，本申请提供了一种车辆线路优化方法，如图1所示，包括：

s101：根据获取的配送服务网点的基础信息和预先训练的优化模型获取车辆在各配送服务网点之间不同线路的行驶优化时间。

s102：筛选各配送服务网点之间行驶优化时间最短的目标线路。

s103：利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路。

在一实施例中，如图2所示，配送服务网点的基础信息获取过程包括：

s201：获取所有配送服务网点的业务属性数据和外部影响属性信息。

s202：获取各配送服务网点之间所有的线路信息。

s203：对业务属性数据、外部影响属性信息和线路信息进行清洗。

s204：将清洗后的业务属性数据、外部影响属性信息和线路信息进行聚合处理获得基础信息。

在一实施例中，如图3所示，优化模型的训练方法包括：

s301：对获取的配送服务网点的历史行驶数据并进行清洗。

s302：对清洗后的历史行驶数据进行特征构建获取历史预估行驶时长与历史实际行驶时长之间的历史特征数据。

s303：对历史特征数据进行归一化处理。

s304：根据历史行驶数据和归一化处理后的历史特征数据对预先建立的优化模型进行训练。

在一实施例中，如图4所示，对获取的配送服务网点的历史行驶数据并进行清洗，包括：

s401：获取配送服务网点的历史行驶数据，并根据历史行驶数据中的同路段行驶时间进行排序。

s402：采用正态分布3σ原则判断同路段行驶时间序列中的异常数据并剔除。

在一实施例中，利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路，包括：

利用启发式搜索算法中的遗传算法、蚁群算法或模拟退火算法获取车辆在多个配送服务网点间的优化线路。

在一实施例中，车辆线路优化方法还包括：

采用二分法对获取的车辆在多个配送服务网点间的优化线路进行进一步优化。

在一实施例中，如图5所示，车辆线路优化方法还包括：

s501：预先训练多个优化模型。

s502：使用均方根误差对多个优化模型进行评估选择评估结果最优的若干个优化模型用以获取车辆在各配送服务网点之间不同线路的行驶优化时间。

下面结合具体实施例来阐述本方案：

在一具体实施例中，提供了一种基于时间优化的银行钞车线路智能规划的系统结构图，如图6所示，一种银行运输配送线路优化的系统包括数据处理装置1、时间优化装置2、线路规划装置3。具体的：

数据处理装置1，负责获取银行所在分行所有配送服务点的基础业务属性信息、外部影响属性信息、线路历史信息等数据，并对获取的数据进行预处理，主要包括：获取基础业务信息，包括所在城市类型、城市交通类型、服务点数量、服务点类型、服务点位置、服务点周边环境；获取外部影响属性信息，包括市政交通事件、天气状态、特殊交通设置；获取历史线路信息，包括服务点历史所在线路、历史线路行驶数据、历史地图服务信息、实时地图服务信息等。获取所需数据后进行数据清洗、数据聚合。经过数据处理装置1后，可以获得以配送服务点为中心且关联信息完备、多维度的基础数据。

时间优化装置2，负责对所有配送服务点间的行驶时间预估进行模型优化，具体包括特征工程处理、构建时间偏差预测模型、进行时间偏差预测、优化预估行驶时间，最终输出每个配送服务点之间进行优化过的预估行驶时间，为线路规模模型提供校正过的更准确的基础数据，主要包括：数据分析、特征工程、模型训练、模型预测4个步骤。经过时间优化装置2后，我们可以获得所有配送服务点之间经过优化调整的行驶时间，得到线路规划模型所需的准确的时间长度信息。

线路规划装置3，负责对指定区域内所有配送服务点进行线路规划求解，主要包括：基础数据获取、线路优化、规划求解3个步骤。经过线路规划装置3后，我们可以获得所有配送服务点聚集的线路规划最优解。

图7是本申请实施例中数据处理装置1的结构框图，如图所示，数据处理装置包括业务属性信息获取单元11、外部影响属性信息获取单元12、行驶数据获取单元13、数据清洗单元14、数据聚合单元15，其中：

业务属性信息获取单元11，用于获取业务所属分行基础属性信息，包括：所有配送服务点的地理位置坐标、服务时间窗口、业务类型、所属业务区域。包括所在城市类型、城市交通类型、服务点数量、服务点类型、服务点地理位置坐标、服务点周边环境类型、服务时间窗口、服务点所属业务区域、交通灯数量。

外部影响属性信息获取单元12，包括：历史交通拥堵信息、实时交通拥堵信息、历史交通管制信息、实时交通管制信息、历史天气状态、实时天气状态、特殊交通设置、节假日信息、时间周期信息。

行驶数据获取单元13，包括：服务点所在线路历史信息、历史线路行驶数据、历史地图服务信息、实时地图服务信息等。

数据清洗单元14，步骤包括：剔除重复数据；根据历史交通管制信息剔除异常历史交通拥堵信息；根据历史交通管制信息剔除历史行驶时长异常记录。

数据聚合单元15，根据配送服务点对历史数据和实时数据进行关联聚合，包括：获取配送服务点间历史行驶日期、获取配送服务点间历史行驶实际时长、获取配送服务点间历史行驶预估时长、获取配送服务点间实时行驶预估时长、获取配送服务点间交通灯数量、获取所在日期历史天气状况、获取实时天气状况、获取配送服务点间行驶距离、服务时间窗口、业务类型、业务区域类型。

图8为本申请具体实施例中系统的时间优化装置的结构图，如图8所示，时间优化装置包含：数据提取单元21、数据分析单元22、特征工程单元23、模型训练单元24、模型预测单元25，其中：

数据提取单元21，负责提取所有配送服务点间的基础数据，包括：获取配送服务点间历史行驶日期、获取配送服务点间历史行驶实际时长、获取配送服务点间历史行驶预估时长、获取配送服务点间实时行驶预估时长、获取配送服务点间交通灯数量、获取所在日期历史天气状况、获取实时天气状况、获取配送服务点间行驶距离、服务点周边环境类型、服务点所属业务区域。

数据分析单元22，负责对待建模以及待预测的数据进行分析和预处理，包括：分析每行数据的数据质量，判断缺失的列数据是否超过额定比例，如超过则删除该行数据，如不超过则对缺失列数据进行默认处理，缺失预估行驶时长、实际行驶时长采用前后三周同周几平均值填充，缺失同期值填充0，缺失天气类型、业务类型、业务区域类型、周边环境类型等填充0，缺失交通灯数量默认填充1。

特征工程单元23，负责将数据分析单元22处理后的数据进行特殊工程计算，得到的数据转换成对配送服务点间行驶时长有影响的特征数据，需要对数据进行特征构建、特征选择、特征提取处理。

模型训练单元24，负责对特征工程单元23生成的特征数据进行算法匹配和建模，对配送服务点间的预估行驶时长和实际行驶时长的偏差进行训练拟合，得到服务点间的预估行驶时长和实际行驶时长的偏差预测模型。

模型预测单元25，负责调用已训练完成的预测模型，输入已生成待预测的特征数据，预测得到行驶时间偏差。

图9为本申请实施例中线路规划装置的结构图，如图9所示，线路规划装置包括：基础数据提取单元31、线路数预算单元32、线路规划求解单元33、线路数优化单元34，其中：

基础数据提取单元31，负责获取配送服务点的基础数据，包括预计出发时间、所有服务点的编号、预计到达时间窗口、预计停留耗时、所有服务点之间预估行驶时长、模型预测偏差时长等等。

线路规划求解单元32：负责使用启发式搜索算法对所有配送服务点线路规划进行计算，求解符合配送服务点时间窗口要求的线路规划结果。

图10为实施例中业务评估装置的结构图，业务评估装置包括：评价反馈单元41、评价分析单元42、重训练单元43，其中：

评价反馈单元41，负责收集预估行驶时长与实际行驶时长的偏差数据进行评价，对超过偏差阀值的数据需收集业务人员反馈评价信息。

评价分析单元42，负责对所有已评价的预测数据进行分析，对于评价偏差超出阀值的数据比例过高，超出预设阀值时，启动模型重训练流程。

重训练单元43，负责调起重训练模块，重新启动模型训练和模型预测流程。

在以具体实施例中，还提供了基于时间优化的银行钞车线路智能规划的系统的数据处理装置的流程图，具体步骤包括：

步骤101：获取所有配送服务点的业务属性数据。通过行内系统、网络爬虫、网上地图服务接口，获取包括所在城市类型、城市交通类型、服务点数量、服务点类型、服务点地理位置坐标、服务点周边环境类型、服务时间窗口、服务点所属业务区域、交通灯数量。

步骤102：获取所有外部影响属性信息。包括：历史交通管制信息、实时交通管制信息、历史天气状态、实时天气状态、特殊交通设置、节假日信息、时间周期信息。

步骤103：获取所有服务点线路行驶数据。通过行内系统获取6个月之内所有线路规划信息历史数据、运输车辆实际行驶线路历史数据、车辆行驶gps历史数据、服务点间通过地图服务预估的行驶时长历史数据、服务点间通过地图服务预估的行驶时长实时数据、服务点间通过地图服务预估的交通拥堵信息历史数据、服务点间通过地图服务预估的交通拥堵信息实时数据，每天实时获取的各路段行驶时间预估数据，入库保留到行内系统数据库，通过行内系统进行人工经验修改优化。

步骤104：删除所有配送服务点业务数据及历史线路数据中的重复数据，主要是根据起始服务点编号、到达服务点编号、日期删除冗余数据。

步骤105：删除所有配送服务点业务数据及历史线路数据中的异常数据，根据历史交通管制信息筛选周边配送服务点，对涉及服务点在相关时间段期间的拥堵路段数据删除处理。

步骤106：关联聚合处理数据。聚合提取半年内历史数据包括，提取发车服务点编号、到达服务点编号、行驶日期，根据起止服务点编号从历史行驶数据中提到行驶路段距离、预估行驶时长、实际行驶时长、交通拥堵信息、交通灯数量、行驶路段周边环境类型，根据行驶日期、起始服务点坐标区域提取天气状况。

在一具体实施例中，提供了基于时间优化的银行钞车线路智能规划的系统的时间优化装置的流程图，具体步骤包括：

步骤201：获取所有配送服务点间的历史数据，包括根据配送服务点聚合提取的半年内历史数据，即服务点编号、行驶日期、行驶距离、预估行驶时长、实际行驶时长、交通拥堵信息、交通灯数量、行驶路段周边环境、天气状况等。根据服务点编号、日期获取业务属性信息，包括服务点业务类型、所属业务区域、工作日信息、重要节假日信息、周几、月初月末等。

步骤202：对历史行驶数据进行分析处理。(1)同路段行驶时间序列，采用正态分布3原则判断异常数据，标记为数据集a2)/n2，...mi-1＝(ni-ni-1)/ni-1，如果|mi-1|>50％，则以该周为分界点截取有效数据，将早于该周的数据剔除。如果存在多个分界点则取最近的一个。

步骤203：对配送服务点历史行驶数据进行处理构建以下特征：(1)基础属性信息：包括起止服务点编号、起止服务点业务类型、起止服务点所属业务区域、行驶路段距离、行驶路段环境类型、行驶路段交通灯数量。(2)时间周期信息。包括日期、月份、月初月中月末、周几、是否工作日、是否法定节假日、法定节假日天数。距离属性，对m个待分类服务点，计算与其余m-1个服务点之间的距离，总共有m维特征。(3)衍生计算信息。包括过去4周每周同周几的预估行驶时长与实际行驶时长差值、过去3个月每月同天的预估行驶时长与实际行驶时长差值、过去4周每天预估行驶时长与实际行驶时长差值的平均值、过去3个月每天预估行驶时长与实际行驶时长差值的平均值、昨天预估行驶时长与实际行驶时长差值较上周同天的变化率、昨天预估行驶时长与实际行驶时长差值较上月天的变化率、上周同天的次日预估行驶时长与实际行驶时长差值较其上周同天的变化率、上月同天的次日预估行驶时长与实际行驶时长差值较其上月同天的变化率、过去八周每天预估行驶时长与实际行驶时长差值的最大值、最小值、中位数。(4)根据起止服务点编号和日期获取次日预估行驶时长与实际行驶时长差值，做为模型训练的真实值用于算法拟合，该真实值即为模型预测的目标。(5)将生成的特征数据按照日期从大到小排序，拆分为4:1的训练集和测试集。

步骤204：对已生成的特征数据进行归一化处理便于算法训练。

步骤205：对已完成特征工程处理的训练集数据，可采用单个机器学习算法训练后进行多算法决策集成的方法进行建模，采用算法包括但不限于：遗传算法(geneticalgorithm，ga)、随机森林(randomforest)回归算法、xgboost回归算法、lightgbm(lightgradientboostingmachine)回归算法、catboost(categoricalfeatures+gradientboosting)回归算法、长短期记忆网络(longshort-termmemory，lstm)算法、xgboost回归算法。

步骤206：使用均方根误差即rmse方法来对模型效果进行评估和算法选择，在测试集上求所有模型的rmse值分为两步，首先对测试集中的每个样本数据计算其在所有模型上的预测结果，并在数据库中保存该预测结果；然后，当所有测试集样本的预测结果计算完毕后，根据rmse的公式分别求每个模型在测试集上的预测值和真实值的rmse值，取值越小代表效果越好。最后，对模型rmse取值按照从小到大排序后，选择前4个模型作为可用模型。

步骤207：(1)将所有配送服务点两两排列，调用特征工程装置生成每个个排列所代表的行驶路段的当日特征数据，用于预测每个路段未来预估行驶时长与实际行驶时长的差值。(2)调用建模装置挑选出的4个机器学习模型预测每个路段预估行驶时长与实际行驶时长的差值，共4个预测结果。(3)对单个模型预测结果进行动态组合，采用加权平均的方式将单个模型预测结果进行动态组合生成最终预测结果，结果按起止服务点编号、行驶日期保存入库。

在一具体实施例中，基于时间优化的银行钞车线路智能规划的系统的线路规划装置的流程图，具体步骤包括：

步骤301：从数据处理装置提取所有配送服务点的基础数据，包括预计出发时间、服务点编号、服务时间窗口、服务点停留耗时以及所有配送服务点排列对应路段的预估行驶时间。

步骤302：对所有配送服务点排列对应路段的预估行驶时间进行时间优化，调用地图服务获取每个服务点之间的预估行驶时长t，根据起止服务点编号、行驶日期获取预估行驶时长差值t，将每个服务点之间的预估行驶时长优化为t1＝t-t。

步骤303：时间优化异常处理：(1)对于t-t<0的情况，根据起止服务点编号获取同路段近一个月每天预测差值的平均t2，将t调整为t1＝t-t2。如果t-t2<0，则参照(2)计算公式进行时间优化处理。(2)根据实时拥堵信息、交通灯数量对各路段行驶时间进行加权运算处理，设拥堵长度m(公里)、交通灯数量n、加权参数p，p为人工设置参数，计算调整t为t1＝t*m*n*p。

步骤304：采用启发式搜索算法对线路规划问题进行求解，可用算法包括但不限于遗传算法(ga,geneticalgorithm)、蚁群算法(aca,antcolonyalgorithm)、模拟退火算法(sa，simulatedannealing)。对本系统提供的人工智能算法进行一定改造，包装成标准化接口，统一输入和输出，主要包括：一是定义银行配送服务线路规划的输入数据格式，将配送线路起点编号、配送服务点数目、配送目标线路数目、各配送服务点的时间窗口限制做为标准参数输入算法。二是动态调用和选择算法，调用上述所有支持的开源算法包对实际场景进行规划求解，最后综合选择模型计算速度更快、规划线路更少、行驶线路耗时更少的方案。三是按照线路优先、行驶耗时优先、综合成本优先三种方式输出模型规划结果文件格式和内容。

步骤305：采用二分法对线路数进一步快速优化求解，假设首次可求解规划线路数为t1，则二次求解输入配送目标线路数目t2为t1/2向上取整，将t2做为参数重新输s303规划求解步骤。经过n轮迭代求解后，若当轮可求得解t(n)，则下一轮迭代求解线路数为t(n)/2向上取整，若当轮无法求解，则下一轮迭代求解线路数为(t(n)+t(n-1))/2向上取整，直至求得规划线路数最优解，系统退出线路数优化模块，输出最优解。

本申请训练出若干个预测模型，通过使用机器学习构建路况等外部因素和钞车行驶预估时间偏差的关联性，并利用该关联性模型和钞车配送服务当天的实际情况生成钞车行驶时间预估的优化结果，基于该优化结果再采用启发式搜索等技术智能规划钞车线路，动态生成基于当天实际行驶环境的钞车运输线路规划结果，为银行业务人员提供更合理、更准确的钞车行驶线路，降低银行相关业务人员工作量的同时提升实物现金用量管理效率。

基于同一发明构思，本申请实施例还提供了一种车辆线路优化获取装置，可以用于实现上述实施例中所描述的方法，如下面实施例所述。由于该车辆线路优化装置解决问题的原理与车辆线路优化方法相似，因此车辆线路优化装置的实施可以参见车辆线路优化方法的实施。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

根据本申请的另一个方面，还提供了一种车辆线路优化装置，如图11所示包括：

行驶优化时间获取单元1101，用于根据获取的配送服务网点的基础信息和预先训练的优化模型获取车辆在各配送服务网点之间不同线路的行驶优化时间；

最短时间筛选单元1102，用于筛选各配送服务网点之间行驶优化时间最短的目标线路；

线路优化单元1103，用于利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路。

在一实施例中，配送服务网点的基础信息获取过程包括：

获取所有配送服务网点的业务属性数据和外部影响属性信息；

获取各配送服务网点之间所有的线路信息；

对业务属性数据、外部影响属性信息和线路信息进行清洗；

将清洗后的业务属性数据、外部影响属性信息和线路信息进行聚合处理获得基础信息。

在一实施例中，还具有一优化模型训练单元，如图12所示，包括：

清洗模块1201，用于对获取的配送服务网点的历史行驶数据并进行清洗；

数据获取模块1202，用于对清洗后的历史行驶数据进行特征构建获取历史预估行驶时长与历史实际行驶时长之间的历史特征数据；

归一化处理模块1203，用于对历史特征数据进行归一化处理；

模型训练模块1204，用于根据历史行驶数据和归一化处理后的历史特征数据对预先建立的优化模型进行训练。

在一实施例中，如图13所示，清洗模块包括：

排序模块1301，用于获取配送服务网点的历史行驶数据，并根据历史行驶数据中的同路段行驶时间进行排序；

异常数据剔除模块1302，用于采用正态分布3σ原则判断同路段行驶时间序列中的异常数据并剔除。

在一实施例中，线路优化单元包括：

算法选择模块，用于利用启发式搜索算法中的遗传算法、蚁群算法或模拟退火算法获取车辆在多个配送服务网点间的优化线路。

在一实施例中，车辆线路优化装置还包括：

二分法优化模块，用于采用二分法对获取的车辆在多个配送服务网点间的优化线路进行进一步优化。

在一实施例中，如图14所示，车辆线路优化装置还包括：

多个模型训练单元1401，用于预先训练多个优化模型；

模型评估筛选单元1402，用于使用均方根误差对多个优化模型进行评估选择评估结果最优的若干个优化模型用以获取车辆在各配送服务网点之间不同线路的行驶优化时间。

本申请提供了一种车辆线路优化方法及装置，方法包括：根据获取的配送服务网点的基础信息和预先训练的优化模型获取车辆在各配送服务网点之间不同线路的行驶优化时间；筛选各配送服务网点之间行驶优化时间最短的目标线路；利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路。为了在对路径进行规划时将交通拥堵情况等外部因素纳入考虑范围，本申请训练出若干个预测模型，通过使用机器学习构建路况等外部因素和钞车行驶预估时间偏差的关联性，并利用该关联性模型和钞车配送服务当天的实际情况生成钞车行驶时间预估的优化结果，基于该优化结果再采用启发式搜索等技术智能规划钞车线路，动态生成基于当天实际行驶环境的钞车运输线路规划结果，为银行业务人员提供更合理、更准确的钞车行驶线路，降低银行相关业务人员工作量的同时提升实物现金用量管理效率。

本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，参见图15，所述电子设备具体包括如下内容：

处理器(processor)1501、内存1502、通信接口(communicationsinterface)1503、总线1504和非易失性存储器1505；

其中，所述处理器1501、内存1502、通信接口1503通过所述总线1504完成相互间的通信；

所述处理器1501用于调用所述内存1502和非易失性存储器1505中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

s101：根据获取的配送服务网点的基础信息和预先训练的优化模型获取车辆在各配送服务网点之间不同线路的行驶优化时间。

s102：筛选各配送服务网点之间行驶优化时间最短的目标线路。

s103：利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路。

本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的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计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

s101：根据获取的配送服务网点的基础信息和预先训练的优化模型获取车辆在各配送服务网点之间不同线路的行驶优化时间。

s102：筛选各配送服务网点之间行驶优化时间最短的目标线路。

s103：利用启发式搜索算法对目标线路进行计算获取车辆在多个配送服务网点间的优化线路。

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，对于硬件+程序类实施例而言，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。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、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。本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例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形式。而且，本说明书实施例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形式。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，对于系统实施例而言，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。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。