[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的共享汽車智能尋優(yōu)決策方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201711099645.5
• 申請日: 2017-11-09
• 公開（公告）號: CN107832887A
• 公開（公告）日: 2018-03-23
• 發(fā)明（設(shè)計）人: 牛高遠;李彩生;曹智慧;韓海倫;齊曉祥;劉向立;單棟梁;李香龍;陳振;袁瑞銘;鐘侃;姜振宇;沈宇
• 申請（專利權(quán)）人: 許繼電源有限公司;許繼電氣股份有限公司;許繼集團有限公司;國網(wǎng)北京市電力公司;國網(wǎng)冀北電力有限公司;國家電網(wǎng)公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/06;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 鄭州睿信知識產(chǎn)權(quán)代理有限公司41119
• 代理人: 陳浩

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡(luò)的共享汽車智能尋優(yōu)決策方法和系統(tǒng)。

背景技術(shù)

近年來，隨著人們對環(huán)保理念的日益重視，以電能為動力來源的電動汽車正受到世界各國的青睞，零排放、零污染、性能卓越已經(jīng)成為其主要特點，據(jù)預測，未來電動汽車的應用市場仍會有突飛猛進的發(fā)展。雖然電動汽車的優(yōu)勢明顯，但從目前情況看來，與其配套的充電設(shè)施數(shù)量過少、車樁之間的匹配不完善、充電安全性、車輛價格昂貴、車位管理混亂、新能源牌照稀缺等問題，是制約電動汽車在普通市民當中大范圍普及使用的關(guān)鍵因素。

為了讓更多市民享受到電動汽車的便利，同時又不受上述問題的困擾，主流廠商推出的共享電動汽車租賃業(yè)務(wù)，已經(jīng)成為日常出行的新選擇。然而人們在面對不同的取車點、不同車型、不同單價、不同舒適度的共享電動汽車時，往往無所適從，如何根據(jù)自己的出行計劃，在最近的距離內(nèi)選到自己最喜歡的車型，同時以最優(yōu)的駕駛路線和最經(jīng)濟的消費總價盡快到達目的地，是需要著重考慮的問題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于神經(jīng)網(wǎng)絡(luò)的共享汽車智能尋優(yōu)決策方法和系統(tǒng)。

為實現(xiàn)上述目的，本發(fā)明的方案包括以下技術(shù)方案。

方法方案一：本方案提供一種基于神經(jīng)網(wǎng)絡(luò)的共享汽車智能尋優(yōu)決策方法，包括以下步驟：

(1)獲取設(shè)定數(shù)量的訓練樣本對，各訓練樣本對包括輸入訓練樣本和對應的輸出值，輸入訓練樣本包括以下輸入?yún)⒘浚寒斍拔恢谩⑹及l(fā)位置、終點位置、能接受的最近取車點距離范圍、能接受的最高起步價、最高每公里或每小時的單價、節(jié)假日價格優(yōu)惠比例、最高時速、最低時速、舒適度、車型、座位數(shù)和顏色，輸出值包括以下輸出參量：最近的取車點位置、最喜歡的車型、最優(yōu)的駕駛路線、最經(jīng)濟的消費總價和終點還車點位置；

(2)建立BP神經(jīng)網(wǎng)絡(luò)，利用各訓練樣本對對BP神經(jīng)網(wǎng)絡(luò)進行迭代訓練，以得到智能尋優(yōu)決策模型；

(3)將待檢測的輸入?yún)⒘枯斎氲街悄軐?yōu)決策模型中，以得到對應的最近的取車點位置、最喜歡的車型、最優(yōu)的駕駛路線、最經(jīng)濟的消費總價和終點還車點位置。

由于系統(tǒng)的輸入和輸出具有高度的非線性映射關(guān)系，傳統(tǒng)算法無法準確實現(xiàn)，基于BP神經(jīng)網(wǎng)絡(luò)的學習算法能夠很好解決這一問題，并能智能決策出最佳出行參數(shù)。BP神經(jīng)網(wǎng)絡(luò)可以模仿人腦處理問題的方式，其中包括對信息的加工、處理、存貯和搜索等過程，能夠可靠處理非線性映射問題，具有很強的魯棒性和容錯能力。利用BP神經(jīng)網(wǎng)絡(luò)綜合分析出行需求參數(shù)，同時結(jié)合車輛、地圖和交通情況，幫助人們智能選擇共享汽車、決策駕駛路線，是解決出行問題的理想途徑。而且，BP神經(jīng)網(wǎng)絡(luò)的強大的魯棒性、容錯能力和非線性映射能力等優(yōu)勢，能夠輸出理想的取車點位置、車型、駕駛路線、消費總價、還車點位置等參數(shù)。在信息互聯(lián)互通和共享汽車迅速發(fā)展的趨勢下，本發(fā)明將以智能的方式，幫助人們綜合評判出行參數(shù)，節(jié)省尋車時間、決策合理路線、節(jié)約出行成本，從而達到尋求最佳駕駛體驗、改善車輛選擇方式的目的，有效避免了選車和出行的盲目性、隨機性。并且，根據(jù)具體出行需求，能夠更有針對性的得知最優(yōu)化的出行規(guī)劃，改善傳統(tǒng)出行方式，避免盲目性和隨機性。

方法方案二：在方法方案一的基礎(chǔ)上，獲取設(shè)定數(shù)量的修正樣本對，各修正樣本對包括輸入修正樣本和對應的輸出期望值，輸入修正樣本包括以下輸入?yún)⒘浚寒斍拔恢谩⑹及l(fā)位置、終點位置、能接受的最近取車點距離范圍、能接受的最高起步價、最高每公里或每小時的單價、節(jié)假日價格優(yōu)惠比例、最高時速、最低時速、舒適度、車型、座位數(shù)和顏色，輸出期望值包括以下輸出參量：最近的取車點位置、最喜歡的車型、最優(yōu)的駕駛路線、最經(jīng)濟的消費總價和終點還車點位置；利用各修正樣本對對得到的智能尋優(yōu)決策模型進行修正，使模型的實際輸出值與對應的輸出期望值之間的誤差在設(shè)定范圍內(nèi)。

方法方案三：在方法方案一或二的基礎(chǔ)上，在利用各訓練樣本對對BP神經(jīng)網(wǎng)絡(luò)進行迭代訓練之前，對各種輸入?yún)⒘窟M行歸一化處理。

方法方案四：在方法方案二的基礎(chǔ)上，所述BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，設(shè)定輸入層任一神經(jīng)元到隱含層任一神經(jīng)元之間的連接權(quán)值為第一連接權(quán)值，設(shè)定隱含層任一神經(jīng)元到輸出層任一神經(jīng)元之間的連接權(quán)值為第二連接權(quán)值，設(shè)定隱含層任一神經(jīng)元的閾值為第一閾值，設(shè)定輸出層任一神經(jīng)元的閾值為第二閾值；在修正智能尋優(yōu)決策模型過程中，當根據(jù)修正樣本對中的輸入修正樣本得到的實際輸出值與對應的輸出期望值之間的誤差在設(shè)定范圍之外時，將誤差值反向傳播至輸入層，并修正所述第一連接權(quán)值、第二連接權(quán)值、第一閾值和第二閾值，直至誤差在設(shè)定范圍內(nèi)。