【技术实现步骤摘要】
本专利技术属于驾校智能排课,具体涉及到一种机动车驾驶培训场景下的智能排课方法。
技术介绍
1、近年来，随着社会的进步以及人民生活水平的提高，我国机动车保有量和驾驶人员数量呈现井喷式增长，目前国内驾校主要采用学员自主约课的方式进行教学管理，伴随着驾校业务的扩增，学员规模的增长，如何公平公正完成排课任务，保证所有学员都能如期约课并参加考试，如何更加有效利用驾校场地资源，避免部分时段车多学员少，造成驾校资源闲置的情况，如何快速提升学员的考试通过率，成为驾校运营亟待解决的问题。目前各驾校约排课场景主要采用学员定时预约、先约先得的约课模式，在驾校实际运营过程中，主要存在两个弊端：一、部分学员约课难，约课时段不理想，甚至临近考试仍然无法预约课程，学员投诉频繁；二、部分时段预约学员较少，造成车辆资源大量闲置，驾校运营的人效和车效较低。
技术实现思路
1、本专利技术解决的问题是，为打破驾校约排课场景下的低效人工约课模式和提升学员满意度，现提出通过智能排课模型和相关算法解决此类问题，旨在提高驾校效率、资源能效和学员满意度。
2、为解决上述问题，本专利技术采用了如下技术方案：
3、本专利技术提供了一种机动车驾驶培训场景下的智能排课方法，包括：
4、(1)模型构建
5、获取训练数据，对所述训练数据进行特征选择和提取；
6、对所述提取后的特征进行预处理，作为神经网络输入量；
7、建立回归任务，将所述预处理后特征数据输入所述神经网络进行
8、(2)模型应用
9、获取学员数据、驾校资源数据和排课规则数据；
10、对所述学员数据、资源数据和规则数据转化为所述算法模型输入参数；
11、将所述参数输入算法模型，预测最佳排课时段；
12、将所述预测排课时段发送至接收方；
13、接收方根据需求选择接受或选择其他时段。
14、进一步的，所述训练数据包括学员基础数据、驾校资源数据、日期数据。
15、进一步的，对所述特征进行预处理的方法包括标准化、归一化、二值化、独热编码。
16、进一步的，所述神经网络结构为：
17、输入层：特征向量x＝[x1,x2,x3,...xm]，
18、式中m为特征的数量；
19、第一个隐层：100个神经元，采用relu激活函数，
20、第一个隐层输出：h1＝relu(w1x+b1)，
21、式中w1和b1是第一个隐层的权重和偏置；
22、第二个隐层：50个神经元，采用relu激活函数，
23、第二个隐层输出：h2＝relu(w2h1+b2)，
24、式中w2和b2是第二个隐层的权重和偏置。
25、第三个隐层：20个神经元，采用relu激活函数，
26、第三个隐层输出：h3＝relu(w3h2+b3)，
27、式中w3和b3是第三个隐层的权重和偏置；
28、进一步的，在每个隐层之后，添加dropou操作，以防止过拟合。
29、进一步的，使用adam随机梯度下降作为最优化算法，并根据模型的性能动态调整学习率，用来确保模型在训练过程中更好的收敛。
30、进一步的，所述分类输出通过softmax函数输出概率分布。
31、进一步的，所述分类输出采用交叉熵作为损失函数，公式为：
32、crossentropy(实际概率分布，预测概率分布)＝-σ(实际概率i*log(预测概率i))。
33、进一步的，所述回归输出采用均方误差作为损失函数，公式为：
34、mse(实际值，预测值)＝1/n*σ(实际值i-预测值i)2。
35、进一步的，所述日期数据包括季节、月份、星期，
36、对所述日期数据采用正弦余弦二维编码特征表示方法，
37、所述季节周期性变化规律特征表示公式为：
38、sinxseason＝sin((xseason-3)％4/4.0*2*pi)
39、cosxseason＝cos((xseason-3)％4/4.0*2*pi)
40、所述月份规律变化特征表示公式为：
41、sinxmonth＝sin((xmonth-5)％12/12.0*2*pi)
42、cosxmonth＝cos((xmonth-5)％12/12.0*2*pi)
43、所述星期规律变化特征表示公式为：
44、sinxweekday＝sin(xweekday/7*2*pi)
45、cosxweekday＝cos(xweekday/7*2*pi)
46、式中，pi为时间系数。
47、本专利技术的积极效果是：基于用户标签的智能排课进行深度机器学习和模型建立，采用“推+约”相结合的约排课模式，在保证驾校约课公平公正的同时，能有效地解决驾校运营过程中部分学员约课难，约课时段不理想的问题；同时，在排课过程中，充分考虑了驾校车辆、教练员、场地库位等多种资源，并允许学员根据实际情况自主选择合适的课时时段，能有效地提升驾校的人效、车效和学员满意度。
本文档来自技高网...【技术保护点】
1.一种机动车驾驶培训场景下的智能排课方法，其特征在于，包括：
2.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，所述训练数据包括学员基础数据、驾校资源数据、日期数据。
3.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，对所述特征进行预处理的方法包括标准化、归一化、二值化、独热编码。
4.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，所述神经网络结构为：
5.根据权利要求4所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，在每个隐层之后，添加Dropou操作，以防止过拟合。
6.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，使用Adam随机梯度下降作为最优化算法，并根据模型的性能动态调整学习率，用来确保模型在训练过程中更好的收敛。
7.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，所述分类输出通过softmax函数输出概率分布。
8.根据权利要求1所述的一种机动
9.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，所述回归输出采用均方误差作为损失函数，公式为：
10.根据权利要求2所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，所述日期数据包括季节、月份、星期，
...【技术特征摘要】
1.一种机动车驾驶培训场景下的智能排课方法，其特征在于，包括：
2.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，所述训练数据包括学员基础数据、驾校资源数据、日期数据。
3.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，对所述特征进行预处理的方法包括标准化、归一化、二值化、独热编码。
4.根据权利要求1所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，所述神经网络结构为：
5.根据权利要求4所述的一种机动车驾驶培训场景下的智能排课方法，其特征在于，在每个隐层之后，添加dropou操作，以防止过拟合。
6.根据权利要求1所述的一种机动车驾驶培训场景...
【专利技术属性】
技术研发人员：马宏，段桂江，牛小林，
申请(专利权)人：易显智能科技有限责任公司，
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。