基于车路协同的物流智能管理方法及系统

本发明涉及物流管理，具体是指基于车路协同的物流智能管理方法及系统。

背景技术：

1、基于车路协同的物流智能管理方法是指将车辆和道路进行协同管理，通过综合运用车载设备、路边设施和物流管理系统等技术手段，对物流运输过程中的路径搜索进行优化和智能化管理。但是一般交通流量预测方法存在忽略气象数据和时空关联性导致预测精准度差的问题；传统交通流量预测模型存在无法精准捕捉交通流量的时空变化规律的问题；传统路径搜索方法存在搜索范围小，容易陷入局部最优而无法找到全局最优，导致搜索效率低的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于车路协同的物流智能管理方法及系统，针对一般交通流量预测方法存在忽略气象数据和时空关联性导致预测精准度差的问题，本方案采用基于时间步长和滞后值来考虑气象数据的时空相关性，进而明确目标函数和损失函数；针对传统交通流量预测模型存在无法精准捕捉交通流量的时空变化规律的问题，本方案采用卷积神经网络提取时空特征，lstm用于建模时序数据，从而更好地捕捉时空变化规律，提高模型的精度和稳定性；针对传统路径搜索方法存在搜索范围小，容易陷入局部最优而无法找到全局最优，导致搜索效率低的问题，本方案采用邻域搜索增加搜索范围，利用混合禁忌搜索提高全局优化能力，将交通流量和信息素作为判定标准，从而实现高效准确的路径搜索方案。

2、本发明采取的技术方案如下：本发明提供的基于车路协同的物流智能管理方法，该方法包括以下步骤：

3、步骤s1：数据采集，采集交通数据、气象数据和道路数据；

4、步骤s2：定义数据，基于时间步长和滞后值从而定义交通数据、气象数据、目标函数和损失函数；

5、步骤s3：建立交通流量预测模型，基于定义软阈值来捕捉降雨对交通流变量的长期影响，并对气象数据进行空间插值，通过卷积神经网络提取时空特征，lstm用于建模时序数据，从而获得交通流量预测模型；

6、步骤s4：基于混合禁忌搜索算法搜索运输路径，通过定义邻域搜索扩大搜索范围，将禁忌搜索结合蚁群算法进行全局搜索和局部搜索，基于预测的交通流量和信息素作为判定从而进行路径搜索。

7、进一步地，在步骤s2中，所述定义数据具体包括以下步骤：

8、步骤s21：定义交通数据，交通数据包含交通流量和平均交通速度的信息，表示如下：

9、

10、式中，xt是地理区域中所有路段的交通数据，δ为聚合周期，是第i个道路段在t时段的交通数据，pj表示除了i之外的道路段集合，p是滞后值，

11、步骤s22：定义气象数据，气象数据是过去和当前时间戳的气象读数序列，表示如下：

12、

13、

14、

15、式中，是存储气象变量的空间显著性，fsp是时间t的m-k个气象站的气象影响；是时间t选出的k个气象站组成的气象数据序列，其长度为p，q是扩展的序列长度，fte是获取气象变量的长期影响；wt是所有气象站在时间t的时空气象数据，以及时空信息，δ’是汇总期，δ’≥δ；

16、步骤s23：定义目标函数，所用公式如下：

17、

18、式中，是预测目标道路段i在预测时间范围tg内的交通流量值，f()是输入映射到预测输出的函数；

19、步骤s24：定义损失函数，所用公式如下：

20、

21、式中，θ是待学习的参数，t是预测时段，s是样本数即历史数据；g和i分别是预测时段和样本数的索引，是目标道路段i在预测时间范围tg内的交通流量真实值。

22、进一步地，在步骤s3中，所述建立交通流量预测模型具体包括以下步骤：

23、步骤s31：定义软空间阈值，对于目标路段，采用加权平均值表示气象情况，所用公式如下：

24、

25、式中，是t时刻从m-k个气象站点加权平均得到的值，是t时刻j气象站点的气象读数，disti，j是目标道路段i和j气象站点之间的距离；

26、步骤s32：定义软时间阈值，软时间阈值机制用来捕捉降雨对交通流变量的长期影响，所用公式如下：

27、

28、式中，是t时刻的当前降雨值平均值，是过去降雨值的平均值，是当前降雨值，γ是反映交通流变量相关因素影响的权重因子；

29、步骤s33：对气象数据进行空间插值，交通数据是从位于路段上的传感器收集的，而路段上的气象数据是从最近的气象站插值的，两个数据的聚合周期不同，需要根据测量值的权重估计缺失值，对气象数据进行空间插值，所用公式如下：

30、

31、式中，是插值后的气象变量在i点处的值，是观测到的气象变量在j点处的值，n为观测点总数，λ为插值的权重；

32、步骤s34：数据预处理，从当前t到过去t-pδ的时间段内，来自n个道路段的输入交通数据，以及从当前t到过去t-pδ’的时间段内，来自k个气象站的输入气象数据，组合成了时空数据st，这里的p定义了序列长度，时空输入如下所示：

33、

34、式中，n和k表示空间长度，p表示时间长度，δ'≥δ，t时间的气象数据来自k个站点，表示为除了k以外的其他站点的气象读数通过软空间阈值捕获，t时间来自k个站点降雨的长期影响使用加权移动平均值即软时间阈值来捕获，表示为

35、

36、步骤s35：建立交通流量预测模型，将时空输入传递给交通流量预测模型，模型中有两个子模型，一个卷积神经网络用于提取时空特征，将时空输入数据转换为矢量表示，并将输出向量作为单个时间步长传递给lstm模型即输出时序数据，lstm模型基于时序数据预测流量变量；cnn模型中的每一层都包裹在一个timedistributed层中；cnn模型的输出特征向量存储为lstm模型第一层的初始单元状态；cnn模型基于时空训练数据进行训练，lstm模型基于时序数据训练数据进行训练；子模型使用反向传播算法建立内部状态和更新权重，从而进行训练模型；将预测交通流量与真实交通流量进行比较，并生成误差；使用bptt方法将错误反向传播到整个模型；并使用梯度下降法对权重进行更新，由此训练出交通流量预测模型。

37、进一步地，在步骤s4中，所述基于混合禁忌搜索算法搜索运输路径具体包括以下步骤：

38、步骤s41：定义邻域内搜索更优解，针对两个三维解α＝(a1，a2，a3)和β＝(b1，b2，b3)，在他们的邻域内搜索一个更优解，所用公式如下：

39、

40、式中，z表示α和β两个解的组合，μα+β(z)是将α和β对输入变量z进行扩展操作所得到的模糊集合在变量z上的隶属度值，μα(x)和μβ(y)是分别表示α和β在x和y上的隶属度函数值，x和y分别是输入的第一个变量和第二个变量，即α和β的分量；

41、步骤s42：使用混合禁忌搜索算法寻找最佳运输路径，步骤包括：

42、步骤s421：读取道路数据，生成节点列表，每个节点对应一条道路，预先设有可执行点组a；

43、步骤s422：在物流中心开始搜索m个路径方案，将迭代次数初始化为0，并使用循环次数nc＝0建立混合禁忌搜索的禁忌列表；

44、步骤s423：对于每个路径方案，在节点列表上搜索不重复的节点，并在领域内搜索一个更优节点，根据传输概率公式从这些节点中选择下一个未访问过的节点j；

45、步骤s424：计算运输路线，总货物体积q，车辆的最大容量q；若q>q，则执行步骤s425；否则，将节点j返回到可执行点组a，并继续执行步骤s426；

46、步骤s425：预测节点j的交通流量，预先设有流量阈值，若预测的交通流量低于流量阈值，则将从节点i到节点j的路径长度和成本添加到禁忌列表中；然后跳转到步骤s423；否则，将j返回至可执行点组a，并继续执行步骤s426；

47、步骤s426：找到a中未检索到的节点，并选择起始时间最短的节点作为起始点，在步骤s423中找到下一个节点；

48、步骤s427：更新每条运输路径的道路的信息素和信息素增量，信息素和信息素增量是蚁群算法中用于调控路径选择和探索的重要因素；

49、步骤s428：搜索k个路径方案的最短运输路径长度和最短运输路径；当所有路径方案搜索完成后，更新k个路径方案搜索的边缘信息素，选择该循环的最佳运输路径作为本次迭代的最优解；

50、步骤s429：与全局最优解进行比较，若本次迭代的最优解优于全局最优解，则将其替换为全局最优解，并更新全局最佳运输路径表；

51、步骤s4210：最终判定，预先设有信息素阈值，若全局最优解的边缘信息素高于信息素阈值，则输出全局最后解；否则，清空禁忌列表并跳转到步骤s422。

52、本发明提供的基于车路协同的物流智能管理系统，包括数据采集模块、数据定义模块、交通流量预测模型建立模块和运输路径搜索模块；

53、所述数据采集模块采集交通数据、气象数据和道路数据，并将数据发送至数据定义模块和运输路径搜索模块；

54、所述数据定义模块接收数据采集模块发送的数据，基于时间步长和滞后值从而定义交通数据、气象数据、目标函数和损失函数，并将数据发送至交通流量预测模型建立模块；

55、所述交通流量预测模型建立模块接收数据定义模块发送的数据，基于定义软阈值来捕捉降雨对交通流变量的长期影响，并对气象数据进行空间插值，通过卷积神经网络提取时空特征，lstm用于建模时序数据，从而获得交通流量预测模型，并将数据发送至运输路径搜索模块和运输路径搜索模块；

56、所述运输路径搜索模块接收数据采集模块和交通流量预测模型建立模块发送的数据，通过定义邻域搜索扩大搜索范围，将禁忌搜索结合蚁群算法进行全局搜索和局部搜索，基于预测的交通流量和信息素作为判定从而进行路径搜索。

57、采用上述方案本发明取得的有益效果如下：

58、(1)针对一般交通流量预测方法存在忽略气象数据和时空关联性导致预测精准度差的问题，本方案采用基于时间步长和滞后值来考虑气象数据的时空相关性，进而明确目标函数和损失函数。

59、(2)针对传统交通流量预测模型存在无法精准捕捉交通流量的时空变化规律的问题，本方案采用卷积神经网络提取时空特征，lstm用于建模时序数据，从而更好地捕捉时空变化规律，提高模型的精度和稳定性。

60、(3)针对传统路径搜索方法存在搜索范围小，容易陷入局部最优而无法找到全局最优，导致搜索效率低的问题，本方案采用邻域搜索增加搜索范围，利用混合禁忌搜索提高全局优化能力，将交通流量和信息素作为判定标准，从而实现高效准确的路径搜索方案。