[發明專利]一種用于景區的車輛智能調度系統及方法

有效

• 申請號: 202110651336.4
• 申請日: 2021-06-10
• 公開（公告）號: CN113222299B
• 公開（公告）日: 2022-01-14
• 發明（設計）人: 周震宇;葉琴
• 申請（專利權）人: 湘南學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/14;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 廣州匯航專利代理事務所(普通合伙) 44537
• 代理人: 韓廣

1.一種用于景區的車輛智能調度方法，所述方法包括：

利用數據存儲服務器對信息采集模塊所采集的信息進行存儲；

利用數據處理中心支持人流預測和數據轉換模塊的處理；

利用人流預測模塊將所述信息采集模塊獲取的信息輸入至經過訓練的基于深度神經網絡的人流預測模型中，獲得人流預測結果值；人流預測模型包括長短期記憶網絡LSTM、深度卷積神經網絡DCNN，所述深度卷積神經網絡DCNN包括：一個或多個卷積層、一個或多個池化層、全連接層；所述卷積層采用的卷積核大小為5*5或3*3；所述池化層為最大池化法進行計算；所述深度卷積神經網絡DCNN采用的激勵函數為余弦激勵函數，記為f(),其中

其中，θ_yi表示為樣本i與其對應標簽y_i的向量夾角；所述N表示訓練樣本個數；所述w_yi表示樣本i在其標簽yi處的權重；

利用數據轉換模塊將所述人流預測結果值以及車流信息轉化為覽車需求預測結果值；

利用車輛調配控制模塊根據所述覽車需求預測結果值對景區內的覽車進行調配，還對覽車司機進行調度；

所述深度神經網絡利用了正弦指數損失函數增強人流預測的準確性；所述正弦指數損失函數為：

其中，θ_yi表示為樣本i與其對應標簽y_i的向量夾角，其中b_yi表示樣本i在其標簽y_i處的偏差，b_j表示輸出節點j處的偏差；所述N表示訓練樣本個數；所述w_yi表示樣本i在其標簽y_i處的權重。

2.根據權利要求1所述的車輛智能調度方法，所述信息采集模塊采集的天氣信息以獨熱編碼的形式作為所述人流預測模型中的特征。

3.根據權利要求1所述的車輛智能調度方法，所述人流預測模型的LSTM模塊能夠處理人流在一個時間段內的多個時間點上的特征信息，捕捉多個時間點上的特征信息之間的時序信息，人流預測模型的預測結果是一個時間點的預測結果，或一個時間段內的不同時間點的預測值結果。

4.根據權利要求1所述的車輛智能調度方法，所述信息采集模塊采集的一設定閾值范圍內的車流信息和人流信息來自與景區聯動的交警-景區聯動平臺，所述一設定閾值設定為3公里。

5.一種用于景區的車輛智能調度系統，所述系統包括：

數據存儲服務器，用于對信息采集模塊的信息進行存儲；

數據處理中心，以支持人流預測和數據轉換的處理；

人流預測模塊，用于將所述信息采集模塊獲取的信息輸入至經過訓練的基于深度神經網絡的人流預測模型中，獲得人流預測結果值；人流預測模型包括長短期記憶網絡LSTM、深度卷積神經網絡DCNN，所述深度卷積神經網絡DCNN包括：一個或多個卷積層、一個或多個池化層、全連接層；所述卷積層采用的卷積核大小為5*5或3*3；所述池化層為最大池化法進行計算；所述深度卷積神經網絡DCNN采用的激勵函數為余弦激勵函數，記為f(),其中

其中，θ_yi表示為樣本i與其對應標簽y_i的向量夾角；所述N表示訓練樣本個數；所述w_yi表示樣本i在其標簽yi處的權重

數據轉換模塊，將所述人流預測結果值以及車流信息轉化為覽車需求預測結果值；

車輛調配控制模塊，根據所述覽車需求預測結果值對景區內的覽車進行調配，還對覽車司機進行調度；

所述深度神經網絡利用了正弦指數損失函數增強人流預測的準確性；所述正弦指數損失函數為：

其中，θ_yi表示為樣本i與其對應標簽y_i的向量夾角，其中b_yi表示樣本i在其標簽y_i處的偏差，b_j表示輸出節點j處的偏差；所述N表示訓練樣本個數；所述w_yi表示樣本i在其標簽y_i處的權重。