本发明专利技术实施例提供一种排队时长确定方法与装置，属于智能物流领域。所述方法包括：根据预约等候位数确定作业人员的多个历史作业时长；获取预设历史时间段内的不同预约情况的装卸车辆的数量；根据多个历史作业时长与数量确定预估排队时长；利用无迹卡尔曼滤波算法对预估排队时长进行修正，以获得最优预估排队时长。通过上述方法，可以为司机提供预计需要等待时长参考，方便司机准时达到装卸现场，减少装卸垛口的车辆拥堵情况。装卸垛口的车辆拥堵情况。装卸垛口的车辆拥堵情况。
【技术实现步骤摘要】
排队时长确定方法与装置
[0001]本专利技术涉及智能管理领域，具体地涉及一种排队时长确定方法与装置。
技术介绍
[0002]车辆在进行工作时，往往需要进行排队，等待作业，如等待修理人员进行车辆修理，或在厂房垛口处等待搬运工进行装卸货。通常，司机需要在作业前预约取号，以进行排队。有时，司机虽然已完成远程预约排队取号，但由于司机不清楚相应作业现场的排队情况，容易过早或过晚到达现场，以至于错过所预约的时间段，需要重新预约；某些预约系统虽然支持司机选择预约时间段或给出预估装卸时间段，但预约时间段或预估作业时间段不够精准，导致司机等待时长较长。因此，亟需一种方案，可以对排队等待时长进行精准计算预测，减少司机排队等待时长，避免车辆发生拥堵的问题。
技术实现思路
[0003]本专利技术实施例的目的是为了克服现有技术存在的车辆在进行装卸排队时，排队时长无法精准确定导致车辆拥堵这一问题，提供一种排队时长确定方法与装置。
[0004]本申请第一方面提供了一种排队时长确定方法，包括：
[0005]根据预约等候位数确定作业人员的多个历史作业时长；
[0006]获取预设历史时间段内的不同预约情况的装卸车辆的数量；
[0007]根据多个历史作业时长与数量与作业时长确定预估排队时长；
[0008]利用无迹卡尔曼滤波算法对预估排队时长进行修正，以获得最优预估排队时长。
[0009]在本申请的一个实施例中，根据多个历史作业时长与数量确定预估排队时长，包括：
[0010]根据数量确定预约过号车辆占比、过号顺延车辆占比以及插队车辆占比；
[0011]根据预约过号车辆占比、过号顺延车辆占比、插队车辆占比以及多个历史作业时长确定待调整预估数学模型；
[0012]利用多个时长影响因素对待调整预估数学模型进行调整，以获得时长预估数学模型；
[0013]根据时长预估数学模型确定预估排队时长。
[0014]在本申请的一个实施例中，多个时长影响因素包括司机或车辆突发状况、装卸垛口占用、装卸工具故障以及作业人员体力，根据多个时长影响因素对待调整预估数学模型进行调整，以获得时长预估数学模型，包括：
[0015]分别确定车辆突发状况、装卸垛口占用、装卸工具故障以及作业人员体力对应的调整参数；
[0016]根据所有调整参数对待调整预估数学模型进行调整，获得时长预估数学模型。
[0017]在本申请的一个实施例中，利用无迹卡尔曼滤波算法对预估排队时长进行修正，以获得最优预估排队时长，包括：
[0018]获取装卸现场的多个实际排队时长；
[0019]根据多个实际排队时长与预估排队时长确定第一误差协方差矩阵；
[0020]根据多个观测排队时长与预估排队时长确定第二误差协方差矩阵；
[0021]对预估排队时长与第一误差协方差矩阵进行无迹变换，获得Sigma点组，以及Sigma点组中每个Sigma点的权值；
[0022]根据第二误差协方差矩阵、Sigma点组以及所有权值确定修正预估排队时长；
[0023]将预估排队时长替换为修正预估排队时长，重复以上步骤，直至达到预设迭代条件时，输出修正预估排队时长作为最优预估排队时长。
[0024]在本申请的一个实施例中，根据第二误差协方差矩阵、Sigma点组以及所有权值确定修正预估排队时长，包括：
[0025]根据状态转移函数、Sigma点组、所有权值以及白噪声协方差，确定预估排队时长均值与预估排队时长方差；
[0026]根据量测函数、Sigma点组、所有权值、多个观测作业时长以及第二误差协方差矩阵，确定观测排队时长均值与观测排队时长方差；
[0027]根据观测排队时长均值、观测排队时长方差、预估排队时长均值以及预估排队时长方差，确定修正预估排队时长均值与修正预估排队时长方差；
[0028]根据修正预估排队时长均值、修正预估排队时长方差、观测排队时长均值、观测排队时长方差、量测函数以及实际排队时长确定修正量；
[0029]根据修正量对预估排队时长进行修正，获得修正预估排队时长。
[0030]在本申请的一个实施例中，根据预约等候位数确定作业人员的多个历史作业时长，包括：
[0031]根据预约等候位数确定数据筛选条件；
[0032]在数据库中筛选符合数据筛选条件的多条数据；
[0033]在多条数据中选取时长上最邻近的预设条数的数据，作为多个历史作业时长。
[0034]在本申请的一个实施例中，方法还包括：
[0035]输出最优预估排队时长。
[0036]本申请第二方面提供了一种排队时长确定装置，装置包括：
[0037]时长确定模块，用于根据预约等候位数确定作业人员的多个历史作业时长；
[0038]数据获取模块，用于获取预设历史时间段内的不同预约情况的装卸车辆的数量与作业时长；
[0039]预估时长确定模块，用于根据多个历史作业时长与数量确定预估排队时长；
[0040]修正模块，用于利用无迹卡尔曼滤波算法对预估排队时长进行修正，以获得最优预估排队时长。
[0041]本申请第三方面提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器可执行机器可执行指令以实现本申请第一方面提供的排队时长确定方法。
[0042]本申请第四方面提供了一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行本申请第一方面提供的排队时长确定方法。
[0043]通过上述技术方案，处理器可以根据获取到的预约等候位数确定作业人员对应的多个历史作业时长，并结合预设历史时间段内不同预约情况的装卸车辆的数量与作业时长，进行排队时间预估，为司机提供预计需要等待时长参考，方便司机准时达到装卸现场，减少装卸垛口的车辆拥堵情况。获取到的预估排队时长再通过无迹卡尔曼滤波算法进行修正，以获得最优预估排队时长，进一步提升了排队时长预估准确性。
[0044]本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0045]附图是用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施例，但并不构成对本专利技术实施例的限制。在附图中：
[0046]图1示出了根据本申请实施例的一种排队时长确定方法的流程示意图；
[0047]图2示出了根据本申请实施例的一种排队时长确定装置的结构示意图。
具体实施方式
[0048]以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请，并不用于限制本申请。
[0049]需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种排队时长确定方法，其特征在于，所述方法包括：根据预约等候位数确定作业人员的多个历史作业时长；获取预设历史时间段内的不同预约情况的装卸车辆的数量；根据所述多个历史作业时长与所述数量确定预估排队时长；利用无迹卡尔曼滤波算法对所述预估排队时长进行修正，以获得最优预估排队时长。2.根据权利要求1所述的方法，其特征在于，所述根据所述多个历史作业时长与所述数量确定预估排队时长，包括：根据所述数量确定预约过号车辆占比、过号顺延车辆占比以及插队车辆占比；根据所述预约过号车辆占比、所述过号顺延车辆占比、所述插队车辆占比以及所述多个历史作业时长确定待调整预估数学模型；利用多个时长影响因素对所述待调整预估数学模型进行调整，以获得时长预估数学模型；根据所述时长预估数学模型确定所述预估排队时长。3.根据权利要求2所述的方法，其特征在于，所述多个时长影响因素包括司机或车辆突发状况、装卸垛口占用、装卸工具故障以及作业人员体力，所述根据所述多个时长影响因素对所述待调整预估数学模型进行调整，以获得所述时长预估数学模型，包括：分别确定所述车辆突发状况、所述装卸垛口占用、所述装卸工具故障以及所述作业人员体力对应的调整参数；根据所有所述调整参数对所述待调整预估数学模型进行调整，获得所述时长预估数学模型。4.根据权利要求1所述的方法，其特征在于，所述利用无迹卡尔曼滤波算法对所述预估排队时长进行修正，以获得最优预估排队时长，包括：获取装卸现场的多个实际排队时长；根据所述多个实际排队时长与所述预估排队时长确定第一误差协方差矩阵；根据多个观测排队时长与所述预估排队时长确定第二误差协方差矩阵；对所述预估排队时长与所述第一误差协方差矩阵进行无迹变换，获得Sigma点组，以及所述Sigma点组中每个Sigma点的权值；根据所述第二误差协方差矩阵、所述Sigma点组以及所有所述权值确定修正预估排队时长；将所述预估排队时长替换为所述修正预估排队时长，重复以上步骤，直至达到预设迭代条件时，输出所述修正预估排队时长作为所述最优预估排队时长。5.根据权利要求4所述的方法，其特征在于，所述根据所述第二...
【专利技术属性】
技术研发人员：谭程午，叶萌，李承龙，盛鹏，方立凡，
申请(专利权)人：中科云谷科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。