基于天气的无人驾驶车辆实时营运路线确定方法及装置制造方法及图纸

本发明专利技术提供了一种基于天气的无人驾驶车辆实时营运路线确定方法及装置，涉及无人驾驶技术领域，包括获取实时天气信息、城市地图数据和无人驾驶车辆的历史营运数据，基于所述城市地图数据建立经纬度坐标地图，并将所述无人驾驶车辆的历史营运数据和经纬度坐标地图进行数据处理，得到至少两个类别的商品的营运热点区域，基于所有类别的商品的营运热点区域和预设的历史营运路线预测得到无人驾驶车辆的营运路线，将所述实时天气信息和城市地图数据发送至路线调整模块进行无人驾驶车辆的营运路线实时调整，得到调整后的无人驾驶车辆的实时营运路线，本发明专利技术通过实时确定最短行驶时间的实时营运路线，减少成本的同时，提高营运效率。率。率。

【技术实现步骤摘要】
基于天气的无人驾驶车辆实时营运路线确定方法及装置


[0001]本专利技术涉及无人驾驶
，具体而言，涉及基于天气的无人驾驶车辆实时营运路线确定方法及装置。

技术介绍

[0002]随着社会的发展，无人驾驶车辆也随之普及，无人车辆由于没有人工操控，在营运过程中，其运行路线的确定往往需要人工输入，并且由于人为控制营运路线，不能根据实时情况对路线进行调整，进而造成车辆行驶缓慢，运输时间过长等情况产生，因此需要一种不需要人工操作，基于实时天气环境自动调节无人驾驶车辆的营运路线的方法和装置，减少人工成本，增加营运效率。

技术实现思路

[0003]本专利技术的目的在于提供一种基于天气的无人驾驶车辆实时营运路线确定方法及装置，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：
[0004]一方面，本申请提供了一种基于天气的无人驾驶车辆实时营运路线确定方法，包括：获取实时天气信息、城市地图数据和无人驾驶车辆的历史营运数据，所述实时天气信息包括温度信息、湿度信息、大气压强信息、风力强度信息和风力方向信息；基于所述城市地图数据建立经纬度坐标地图，并将所述无人驾驶车辆的历史营运数据和经纬度坐标地图进行数据处理，得到历史营运数据中至少两个类别的商品的营运热点区域，所述历史营运数据中至少两个类别的商品的营运热点区域为历史营运数据中每种价值的商品的营运热点区域；将历史营运数据中所有类别的商品的营运热点区域和预设的无人驾驶车辆的历史营运路线发送至路线预测模型进行处理，得到无人驾驶车辆的营运路线；将所述实时天气信息和城市地图数据发送至路线调整模块进行无人驾驶车辆的营运路线实时调整，得到调整后的无人驾驶车辆的实时营运路线。
[0005]另一方面，本申请还提供了一种基于天气的无人驾驶车辆实时营运路线确定装置，包括：获取单元，用于获取实时天气信息、城市地图数据和无人驾驶车辆的历史营运数据，所述实时天气信息包括温度信息、湿度信息、大气压强信息、风力强度信息和风力方向信息；第一处理单元，用于基于所述城市地图数据建立经纬度坐标地图，并将所述无人驾驶车辆的历史营运数据和经纬度坐标地图进行数据处理，得到历史营运数据中至少两个类别的商品的营运热点区域，所述历史营运数据中至少两个类别的商品的营运热点区域为历史营运数据中每种价值的商品的营运热点区域；第二处理单元，用于将历史营运数据中所有类别的商品的营运热点区域和预设的
无人驾驶车辆的历史营运路线发送至路线预测模型进行处理，得到无人驾驶车辆的营运路线；第三处理单元，用于将所述实时天气信息和城市地图数据发送至路线调整模块进行无人驾驶车辆的营运路线实时调整，得到调整后的无人驾驶车辆的实时营运路线。
[0006]本专利技术的有益效果为：本专利技术通过建立经纬度坐标地图，将无人驾驶车辆的历史营运数据进行分析，确定不同价值的营运商品类别，进而确定每种价值的营运商品的营运热点位置，进而确定每种价值的营运商品的营运区域，减少，然后将每种商品的重合区域与历史营运路线进行关联分析，进而将关联分析得到的关联度值作为预测现在的营运路线的初始权重值，增加神经网络预测的准确性，然后基于粒子群算法对所述神经网络进行优化，选取最优的营运路线，进而减少营运成本，本专利技术还通过卡尔曼滤波对天气和营运路线上无人驾驶车辆的行驶平均速度之间的线性关系进行处理，预测得到无人驾驶车辆在营运路线上每个位置的实时速度，然后调整之后的营运路线，不断重复预测和调整，进而得到最短行驶时间的实时营运路线，减少成本的同时，提高营运效率，防止营运超时。
[0007]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0008]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0009]图1为本专利技术实施例中所述的基于天气的无人驾驶车辆实时营运路线确定方法流程示意图;图2为本专利技术实施例中所述的基于天气的无人驾驶车辆实时营运路线确定装置结构示意图。
[0010]图中标记：701、获取单元；702、第一处理单元；703、第二处理单元；704、第三处理单元；7021、第一处理子单元；7022、第一分析子单元；7023、第二处理子单元；7031、第三处理子单元；7032、第四处理子单元；7033、第二分析子单元；7034、第五处理子单元；70341、第六处理子单元；70342、第七处理子单元；70343、第八处理子单元；70344、第九处理子单元；7041、第三分析子单元；7042、第四分析子单元；7043、第十处理子单元。
具体实施方式
[0011]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施
例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0012]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0013]实施例1：本实施例提供了一种基于天气的无人驾驶车辆实时营运路线确定方法。
[0014]参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3和步骤S4。
[0015]步骤S1、获取实时天气信息、城市地图数据和无人驾驶车辆的历史营运数据，所述实时天气信息包括温度信息、湿度信息、大气压强信息、风力强度信息和风力方向信息；可以理解的是获取实时天气信息是基于无人驾驶车辆上安装的传感器和不同区域安装的天气监测装置采集到的天气信息，所述城市地图数据是基于北斗卫星获取到的城市地图数据，无人驾驶车辆的历史营运数据是基于数据库和物联网存储的所有无人驾驶车辆的历史营运的数据，本步骤通过对大数据进行处理，调用数据库内的数据进行大数据分析处理，进而快速确定无人驾驶车辆的实时营运路线。
[0016]步骤S2、基于所述城市地图数据建立经纬度坐标地图，并将所述无人驾驶车辆的历史营运数据和经纬度坐标地图进行数据处理，得到历史营运数据中至少两个类别的商品的营运热点区域，所述历史营运数据中至少两个类别的商品的营运热点区域为历史营运数据中每种价本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于天气的无人驾驶车辆实时营运路线确定方法，其特征在于，包括：获取实时天气信息、城市地图数据和无人驾驶车辆的历史营运数据，所述实时天气信息包括温度信息、湿度信息、大气压强信息、风力强度信息和风力方向信息；基于所述城市地图数据建立经纬度坐标地图，并将所述无人驾驶车辆的历史营运数据和经纬度坐标地图进行数据处理，得到历史营运数据中至少两个类别的商品的营运热点区域，所述历史营运数据中至少两个类别的商品的营运热点区域为历史营运数据中每种价值的商品的营运热点区域；将历史营运数据中所有类别的商品的营运热点区域和预设的无人驾驶车辆的历史营运路线发送至路线预测模型进行处理，得到无人驾驶车辆的营运路线；将所述实时天气信息和城市地图数据发送至路线调整模块进行无人驾驶车辆的营运路线实时调整，得到调整后的无人驾驶车辆的实时营运路线。2.根据权利要求1所述的基于天气的无人驾驶车辆实时营运路线确定方法，其特征在于,基于所述城市地图数据建立经纬度坐标地图，并将所述无人驾驶车辆的历史营运数据和经纬度坐标地图进行数据处理，包括:将所述城市地图数据进行坐标转换,得到城市地图数据对应的经纬度坐标地图；将所述无人驾驶车辆的历史营运数据进行层次分析，其中，通过按照营运商品的类别进行层次分析，将营运不同价值的商品的营运数据进行分类，得到至少两个类别的历史营运数据；将至少两个类别的历史营运数据和经纬度坐标地图发送至聚类模型进行处理，其中，确定将每个类别的历史营运数据上的起始点坐标，并基于OPTICS聚类算法将所有的起始点坐标在所述经纬度坐标地图上进行聚类分析，确定每个类别的历史营运数据对应的营运热点区域。3.根据权利要求1所述的基于天气的无人驾驶车辆实时营运路线确定方法，其特征在于，所述将历史营运数据中所有类别的商品的营运热点区域和预设的无人驾驶车辆的历史营运路线发送至路线预测模型进行处理，包括：基于地图可视化工具将历史营运数据中所有类别的商品的营运热点区域进行标记，并基于Yolov3网络进行图像识别，将每种类别的商品的营运热点区域重合部分进行标记，得到历史营运数据中热点重合区域的重合层数；按照历史营运数据中热点重合区域的重合层数对无人驾驶车辆的需求等级进行分级，其中按照重合层数越多需求等级就越高的规则进行分级，得到不同等级的热点重合区域；将所述不同等级的热点重合区域和无人驾驶车辆的历史营运路线进行关联分析，其中，将所述不同等级的热点重合区域的轮廓与所述无人驾驶车辆的历史营运路线进行坐标转化，并将坐标转化得到的不同等级的热点重合区域的轮廓的坐标点和无人驾驶车辆的历史营运路线的坐标点进行关联度值计算，得到每个等级的热点重合区域的轮廓的坐标点和每个历史营运路线的坐标点的关联度值；基于所述关联度值和无人驾驶车辆的历史营运路线发送至训练后的路线预测模型进行无人驾驶车辆的营运路线预测，得到无人驾驶车辆的营运路线。4.根据权利要求3所述的基于天气的无人驾驶车辆实时营运路线确定方法，其特征在于，所述训练后的路线预测模型的构建方法，包括：
将所述关联度值、所述不同等级的热点重合区域和所述历史营运路线的坐标点分为训练集和验证集；将所述训练集输入至BP神经网络进行训练，并基于粒子群优化算法对所述BP神经网络进行优化处理，其中，初始化BP神经网络模型的初始权重参数，基于不同等级的热点重合区域和所述历史营运路线的坐标点预测得到历史营运路线的坐标点，并通过粒子群优化算法计算得到粒子适应度值，所述初始权重参数为所述关联度值，所述粒子群参数为所述BP神经网络预测得到的历史营运路线的坐标点；根据粒子群中粒子的适应度大小和粒子群优化算法确定粒子的个体最优位置和全局最优位置，并动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到最优的历史营运路线的坐标点；将所述验证集和所述最优的历史营运路线的坐标点进行对比，若所述验证集和所述最优的历史营运路线的坐标点一致，则得到训练后的路线预测模型。5.根据权利要求1所述的基于天气的无人驾驶车辆实时营运路线确定方法，其特征在于，将所述实时天气信息和城市地图数据发送至路线调整模块进行无人驾驶车辆的营运路线实时调整，包括：基于SLP法中的相互关系分析法对所述实时天气信息和所述车辆的平均行驶速度信息进行分析，得到所述实时天气信息和所述车辆的平均行驶速度信息之间的线性关系；基于所述实时天气信息和所述车辆的平均行驶速度信息之间的线性关系建立关系模型，并基于卡尔曼滤波算法预测得到所述无人驾驶车辆在营运路线上的每个位置的实时速度；基于所述预测得到所述无人驾驶车辆在营运路线上的每个位置的实时速度和城市地图数据实时调整无人驾驶车辆的营运路线，重复预测无人驾驶车辆的实时位置和速度，并进行实时路线调整，得到最短行驶时间的无人驾驶车辆的实时营运路线。6.一种基于天气的无人驾驶车辆实时营...

【专利技术属性】
技术研发人员：熊庆，李永健，刘俊，余东，杨冬，黄洁，
申请(专利权)人：成都工业职业技术学院，
类型：发明
国别省市：