一种用于景区的车辆智能调度系统及方法技术方案

本发明专利技术提出一种用于景区的车辆智能调度系统及方法，系统包括：数据存储服务器，用于对信息采集模块的信息进行存储；数据处理中心，以支持人流预测和数据转换的处理；所述信息采集模块，用于进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；人流预测模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中，获得人流预测结果值；数据转换模块，将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；车辆调配控制模块，根据所述览车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。本发明专利技术通过准确的人流预测，结合览车的载客容量，准确确定需要的览车数量及发车频次，提升了旅游体验，降低了成本。

【技术实现步骤摘要】
一种用于景区的车辆智能调度系统及方法
本专利技术属于车辆智能调度
，具体涉及一种用于景区的车辆智能调度系统及方法。
技术介绍
景区览车为游客在景区内游玩提供了极大的便利，但是目前景区览车业务面临着览车投放规模盲目、览车调度分配不合理等方面的难题，有的景点览车数量无法满足游客的需求，而有的景点览车使用率较低，给览车运营企业带来较大的经济负担。因此科学准确的预测出共享览车投放景区的需求量，同时快速高效地实现不同景区间的车辆调度，不仅能满足游客对览车的需求，而且对览车运营企业和国家旅游经济的发展有着重要意义。为解决上述问题，申请人提出利用多维度数据结合人流预测模型对景区人流进行预测分析，根据览车的载客量，确定需要调度的览车数量及发车频次，使得车辆投放能够科学合理，本申请利用所提出的深度神经网络模型解决了上述问题，所提出的独创性神经网络模型对景区的车辆智能调度具有重要意义。本申请的有益效果如下：1、本申请在深度神经网络中利用长短期记忆网络LSTM(LongShort-TermMemory)的特点，能够更加准确的利用短期数据特征及长期数据特征应用于人流的准确预测，预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果，进而可以将预测结果进一步用于车辆智能调度上，属于本领域的首创，并非常规技术手段或公知常识。最后根据览车的载客量，确定需要调度的览车数量及发车频次，使得车辆投放能够科学合理。2.本申请还采用了余弦激励函数及正弦指数损失函数用于对整个深度神经网络的训练，极大提升了训练精度。将之应用于智能车辆调度领域，属于首创，并非常规技术手段或公知常识。
技术实现思路
为更准确理解本专利技术，需先简要理解回顾下面的基本概念。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(Convolutionalneuralnetworks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(DeepBeliefNets，简称DBNs)就是一种无监督学习下的机器学习模型。LSTM(LongShort-TermMemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习(deeplearning)的代表算法之一。深度卷积神经网络DCNN,则是具有多个CNN层的网络结构。合理推定本领域技术人员均已知晓与上述有关的基础概念，故而后文仅对与本申请独创性贡献的内容进行展开描述。在能够理解上述基本概念及常规操作方式的基础上，本申请提出了一种用于景区的车辆智能调度方法，所述方法包括：利用数据存储服务器对信息采集模块所采集的信息进行存储；利用数据处理中心支持人流预测和数据转换模块的处理；利用所述信息采集模块进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；利用人流预测模块将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络的人流预测模型中，获得人流预测结果值；利用数据转换模块将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；利用车辆调配控制模块根据所述览车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征；所述深度神经网络利用了正弦指数损失函数增强人流预测的准确性；所述正弦指数损失函数为：其中，θyi表示为样本i与其对应标签yi的向量夹角，其中byi表示样本i在其标签yi处的偏差，bj表示输出节点j处的偏差；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重。可选的，所述人流预测模型的LSTM模块能够处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，人流预测模型的预测结果是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为1-10公里，优选设定为3公里。本申请还提出了一种用于景区的车辆智能调度系统，所述系统包括：数据存储服务器，用于对信息采集模块的信息进行存储；数据处理中心，以支持人流预测和数据转换的处理；所述信息采集模块，用于进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；人流预测模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络的人流预测模型中，获得人流预测结果值；数据转换模块，将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；车辆调配控制模块，根据所述缆车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征。可选的，所述日期信息具体包括年、月、日、星期几、小时。可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为1-10公里，优选设定为3公里。可选的，人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN，所述深度卷积神经网络DCNN包括：一个或多个卷积层、一个或多个池化层、全连接层；所述卷积层采用的卷积核大小为5*5或3*3；所述池化层为最大池化法进行计算；所述深度卷积神经网络DCNN采用的激励函数为余弦激励函数，记为f(),其中其中，θyi表示为样本i与其对应标签yi的向量夹角；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重；可选的，所述深度神经网络利用了正弦指数损失函数(Sine-Index-Softmax)增强人流预测的准确性；所述正弦指数损失本文档来自技高网...

【技术保护点】
1.一种用于景区的车辆智能调度方法，所述方法包括：/n利用数据存储服务器对信息采集模块所采集的信息进行存储；/n利用数据处理中心支持人流预测和数据转换模块的处理；/n利用所述信息采集模块进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；/n利用人流预测模块将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络的人流预测模型中，获得人流预测结果值；/n利用数据转换模块将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；利用车辆调配控制模块根据所述览车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。/n

【技术特征摘要】
1.一种用于景区的车辆智能调度方法，所述方法包括：
利用数据存储服务器对信息采集模块所采集的信息进行存储；
利用数据处理中心支持人流预测和数据转换模块的处理；
利用所述信息采集模块进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；
利用人流预测模块将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络的人流预测模型中，获得人流预测结果值；
利用数据转换模块将所述人流预测结果值以及所述车流信息转化为览车需求预测结果值；利用车辆调配控制模块根据所述览车需求预测结果值对景区内的览车进行调配，还对览车司机进行调度。


2.根据权利要求1所述的车辆智能调度方法，所述天气信息以独热编码的形式作为所述人流预测模型中的特征；所述深度神经网络利用了正弦指数损失函数增强人流预测的准确性；所述正弦指数损失函数为：

其中，θyi表示为样本i与其对应标签yi的向量夹角，其中byi表示样本i在其标签yi处的偏差，bj表示输出节点j处的偏差；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重。


3.根据权利要求1所述的车辆智能调度方法，所述人流预测模型的LSTM模块能够处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，人流预测模型的预测结果是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。


4.根据权利要求1所述的车辆智能调度方法，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为3公里。


5.一种用于景区的车辆智能调度系统，所述系统包括：
数据存储服务器，用于对信息采集模块的信息进行存储；
数据处...

【专利技术属性】
技术研发人员：周震宇，叶琴，
申请(专利权)人：湘南学院，
类型：发明
国别省市：湖南;43