【技术实现步骤摘要】
本专利技术属于驾培系统的，具体涉及一种基于机器学习与线性规划的驾校车辆调配方法。
技术介绍
1、动车驾驶技术考试培训中，驾校需要对学员进行科目二和科目三的实操培训，需要提供一定数量的车辆条件。学员每天的实操训练都是在车上进行的，而且每辆车在同一时间只能满足一名学员的训练要求。受到天气、节假日，以及学员自身属性等诸多因素的影响，每天来驾校培训的学生的数量是不固定的。并且，每天进行科目二和科目三实操培训阶段的学员数量本身也是不确定的。驾校在没有算法支持的情况下，无法做到合理调配车辆以满足学员的训练要求，可能会遇到学员过多而车辆较少，部分学员无法训练；或者学员较少而车辆过多，造成了车辆资源的浪费。因此，需要驾校通过合理的规划安排和配置车辆资源，实现合理的车辆资源分配，既能满足学员的训练要求，又不至于浪费车辆资源。
技术实现思路
1、为解决上述问题，本专利技术公开一种基于基于机器学习与线性规划的驾校车辆调配方法，能实现合理调配驾校车辆资源，在满足学员学习要求的前提下最优化车辆资源的配置。进一步，还公开用于实现上述方法的电子设备和计算机可读存储介质。
2、本专利技术的第一方面公开一种基于机器学习与线性规划的驾校车辆调配方法，主要包括以下步骤：
3、步骤1：获取天气信息、驾校学员基本信息；
4、步骤2：对所述天气信息和驾校学员基本信息进行数据预处理；
5、步骤3：基于预处理后的天气信息和学员信息制作训练数据；
6、步骤4：通过所述训练
7、步骤5：基于目标学员签到预测模型预测未来指定天数科目二学员数量q1和科目三学员数量q2；
8、步骤6：建立并求解线性规划模型，以得到车辆分配最优方案；所述车辆分配最优方案是指分配给科目二的训练车和科目三的训练车的总和最小；所述线性规划模型为：
9、min s(x)＝a1+a2
10、
11、式中，s(x)表示分配给科目二的训练车和科目三的训练车的总和；a1表示分配给科目二的训练车数量，a2表示分配给科目三的训练车数量；h1表示科目二训练车每天工作的时间，h2表示科目三训练车每天工作的时间；t1表示科目二学员每天学习的时间，t2表示科目三学员每天学习的时间。
12、可选的，所述天气信息包括天气类型、温度、风速、湿度，其中天气类型包括晴、阴、雨、雪；所述学员基本信息包括年龄、性别、学历、考试科目，以及签到情况，其中签到情况包括签到和未签到。
13、可选的，所述数据预处理包括：对所述天气信息和学员基本信息中的多分类变量进行独热编码；对所述天气信息和学员基本信息中的二分类变量进行01编码；对所述天气信息和学员基本信息中的有序分类变量进行排序编码；对所述天气信息和学员基本信息中的连续变量进行标准化处理，得到均值为0且方差为1的标准化数据，所述标准化处理公式如下：
14、
15、其中：
16、
17、式中，xi表示任意一个连续变量中的第i个数据，表示任意一个连续变量的数据平均值；s表示任意一个连续变量的数据方差；m表示任意一个连续变量包含的数据的个数。
18、可选的，所述于多层感知机具有3层，每层3个感知机，其中，单层感知机表示如下：
19、
20、式中，q表示模型的预测结果，也即感知机的输出f(x)，w1∈rm，w2∈r，b1∈r，b2∈r是模型的参数，w1，w2分别表示输入层和隐藏层的权重参数.b1，b2分别表示输入层和隐藏层的偏差.g(·):r→r是激活函数，表示如下：
21、
22、式中，z表示g函数的自变量。
23、可选的，制作训练数据包括：将待训练的学员签到预测模型的因变量记为x，xi表示一条包含天气信息和第i个学员基本信息的特征向量x＝(x1,x2,...,xm)，m表示因变量的个数；特征向量对应的标签yi表示第i个学员签到情况：签到或未签到；通过特征向量及对应的标签构造训练数据(x1，y1)，(x2，y2)，…(xi，yi)…，(xn，yn)，其中xi∈rn，yi∈{0，1}；rn表示整个的向量空间，n表示学员是否签到记录的数量。
24、可选的，通过训练数据训练基于多层感知机的学员签到预测模型，具体包括：
25、步骤a1：使用平均交叉熵来计算损失函数，计算公式如下：
26、
27、式中，y表示真实结果，表示预测结果，w表示权重，n表示样本个数，表示第i个样本的预测结果，α表示非负超参量，是l2正则惩罚参数；
28、步骤a2：使用梯度下降法对上述损失函数进行权重参数更新，不断减少的值，公式如下：
29、
30、式中，wi+1表示本次更新后的权重参数，wi表示上一次模型的权重系数，表示本次梯度下降计算的权重偏移量；
31、步骤a3：不断重复步骤a2，直至趋于稳定，即模型达到收敛后训练结束，得到目标学员签到预测模型。
32、可选的，基于目标学员签到预测模型预测未来指定天数的科目二学员数量q1和科目三学员数量q2，具体包括：
33、查询驾校相关学员基本信息以及未来指定天数的天气情况；
34、对获取的学员基本信息和天气信息进行预处理，得到输入数据；
35、将所述数据输入至目标学员签到预测模型，得到学员是否会到驾校签到练习的预测结果；
36、根据得到的预测结果结合输入数据中的考试科目字段，统计科目二学员数量q1和科目三学员数量q2。
37、本专利技术的第二方面公开一种电子设备，其包括处理器和存储器；所述处理器用于调用存储器中存储的计算机程序，执行本专利技术第一面及任意一项可选的基于机器学习与线性规划的驾校车辆调配方法。
38、本专利技术的第三方面公开一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行本专利技术第一面及任意一项可选的基于机器学习与线性规划的驾校车辆调配方法。
39、本专利技术通过对学员基本信息、天气信息等特征数据进行采集，分析到校学习学员的数量，并根据线性规划算法，合理调配车辆，在能满足学员的学习要求的前提下，实现车辆资源的最优配置。
本文档来自技高网...【技术保护点】
1.一种基于机器学习与线性规划的驾校车辆调配方法，其特征在于，包括：
2.如权利要求1所述的驾校车辆调配方法，其特征在于，所述天气信息包括天气类型、温度、风速、湿度，其中天气类型包括晴、阴、雨、雪；所述学员基本信息包括年龄、性别、学历、考试科目，以及签到情况，其中签到情况包括签到和未签到。
3.如权利要求1所述的驾校车辆调配方法，其特征在于，所述数据预处理包括：对所述天气信息和学员基本信息中的多分类变量进行独热编码；对所述天气信息和学员基本信息中的二分类变量进行01编码；对所述天气信息和学员基本信息中的有序分类变量进行排序编码；对所述天气信息和学员基本信息中的连续变量进行标准化处理，得到均值为0且方差为1的标准化数据，所述标准化处理公式如下：
4.如权利要求1所述的驾校车辆调配方法，其特征在于，所述于多层感知机具有3层，每层3个感知机，其中，单层感知机表示如下：
5.如权利要求1所述的驾校车辆调配方法，其特征在于，制作训练数据包括：
6.如权利要求5所述的驾校车辆调配方法，其特征在于，通过训练数据训练基于多层感知机的学员
7.如权利要求1所述的驾校车辆调配方法，其特征在于，基于目标学员签到预测模型预测未来指定天数的科目二学员数量q1和科目三学员数量q2，具体包括：
8.一种电子设备，其特征在于，包括处理器和存储器；所述处理器用于调用存储器中存储的计算机程序，执行权利要求1至7任意一项所述的基于机器学习与线性规划的驾校车辆调配方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1至7任意一项所述的基于机器学习与线性规划的驾校车辆调配方法。
...【技术特征摘要】
1.一种基于机器学习与线性规划的驾校车辆调配方法，其特征在于，包括：
2.如权利要求1所述的驾校车辆调配方法，其特征在于，所述天气信息包括天气类型、温度、风速、湿度，其中天气类型包括晴、阴、雨、雪；所述学员基本信息包括年龄、性别、学历、考试科目，以及签到情况，其中签到情况包括签到和未签到。
3.如权利要求1所述的驾校车辆调配方法，其特征在于，所述数据预处理包括：对所述天气信息和学员基本信息中的多分类变量进行独热编码；对所述天气信息和学员基本信息中的二分类变量进行01编码；对所述天气信息和学员基本信息中的有序分类变量进行排序编码；对所述天气信息和学员基本信息中的连续变量进行标准化处理，得到均值为0且方差为1的标准化数据，所述标准化处理公式如下：
4.如权利要求1所述的驾校车辆调配方法，其特征在于，所述于多层感知机具有3层，每层3...
【专利技术属性】
技术研发人员：王新宇，张铁监，吴松，张铁民，叶剑，姚伟，
申请(专利权)人：多伦科技股份有限公司，
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。