一种水平运输任务AGV动态时间预估方法技术

本发明专利技术公开了动态时间预估技术领域的一种水平运输任务AGV动态时间预估方法，该水平运输任务AGV动态时间预估方法包括以下步骤：步骤1：特征选择；步骤2：数据处理；步骤3：机器学习；步骤4：神经网络；步骤5：验证动态时间预估模型；该水平运输任务AGV动态时间预估方法使用机器学习模型以及神经网络模型对AGV的完成任务时间进行动态预测，刻画出码头水平运输过程中AGV受到的各种因素的影响。从而改善时间预估结果，为其他应用场景提供更精准的基础数据。

【技术实现步骤摘要】
一种水平运输任务AGV动态时间预估方法
本专利技术涉及动态时间预估
，更具体地，涉及一种水平运输任务AGV动态时间预估方法。
技术介绍
AGV(AutomatedGuidedVehicles)又名无人搬运车，自动导航车，激光导航车，其显著特点的是无人驾驶。在目前的港口工业领域大量使用AGV无人车装卸作业。在AGV作业途中，AGV时间预估应用场景广泛，AGV运行时间是调度系统关键基础数据，可应用于AGV任务选择与安排，实际任务AGV作业时间估计，港口整体效率优化，AGV运行时交通冲突优先级的选取，自动化港口的TOS任务分发，车辆与任务的匹配决策，车辆路径规划的冲突优化等方面，应用场景广泛，研究意义重要。当前码头时间预估场景中广泛使用静态时间矩阵预估，静态时间预估是通过AGV的起点以及终点，在有路径时单纯考虑加减速原理，以没有任何冲突和避让的策略直接计算从起点到达终点需要的时间。静态时间矩阵预估步骤如下：1.路线拆分，将规划好的路线拆分成多个不同的区段；2.时间计算，利用加减速原理的物理情景，由于每一段路径AGV起始速度和终止速度已知本文档来自技高网...

【技术保护点】
1.一种水平运输任务AGV动态时间预估方法，其特征在于，包括以下步骤：/n步骤1：特征选择：使用计算机算法选取筛选水平运输任务AGV作业指令特征，并整合特征数据；/n步骤2：数据处理：使用计算机算法对上述步骤1中的特征数据进行筛选和处理，形成标准化数据；/n步骤3：机器学习：采用各种机器学习模型对上述步骤2中的标准化数据参与预测，寻找最优参数；/n步骤4：神经网络：搭建全连接层神经网络，对步骤2中的标准化数据使用神经网络模型预测；/n步骤5：验证动态时间预估模型：将机器学习模型预测值、神经网络模型预测值与静态时间矩阵进行对比，评价动态时间预估模型的性能。/n

【技术特征摘要】
1.一种水平运输任务AGV动态时间预估方法，其特征在于，包括以下步骤：
步骤1：特征选择：使用计算机算法选取筛选水平运输任务AGV作业指令特征，并整合特征数据；
步骤2：数据处理：使用计算机算法对上述步骤1中的特征数据进行筛选和处理，形成标准化数据；
步骤3：机器学习：采用各种机器学习模型对上述步骤2中的标准化数据参与预测，寻找最优参数；
步骤4：神经网络：搭建全连接层神经网络，对步骤2中的标准化数据使用神经网络模型预测；
步骤5：验证动态时间预估模型：将机器学习模型预测值、神经网络模型预测值与静态时间矩阵进行对比，评价动态时间预估模型的性能。


2.如权利要求1所述的一种水平运输任务AGV动态时间预估方法，其特征在于，所述步骤1中特征选择包括以下步骤：
S11:处理order表中提取数据；从AGV_ORDERS表中选取关于AGV作业指令的记录；
S12:处理track表中提取数据；找到一个或者多个指标，按照一个Order，筛选出车辆行驶过程中的关键点，对每个Order数据对应的Track根据关键点进行划分；
S13:整合数据：统计AGV路径冲突个数，生成总特征。


3.如权利要求2所述的一种水平运输任务AGV动态时间预估方法，其特征在于，所述步骤S12包括以下步骤：
S121：根据特征提取后数据表MoveFrequency字段，统计计算AGV小车直行、转弯和斜行的次数；
S122：根据上述步骤S121中的数据计算轨迹的路径长度；
S123：处理上述步骤S121中的数据开始和结束的时间；
S124：根据起始时间和终止时间以及轨迹的距离，计算小车运行的速度。


4.如权利要求2所述的一种水平运输任务AGV动态时间预估方法，其特征在于，所述步骤S13中的总特征包括车辆行驶距离、直行次数、转弯次数...

【专利技术属性】
技术研发人员：王涵晟，张峥炜，赵云，王小进，陈波，
申请(专利权)人：上海振华重工集团股份有限公司，
类型：发明
国别省市：上海;31