[發明專利]一種便民服務任務路線規劃方法、系統及其相關組件

在審

• 申請號: 202210469864.2
• 申請日: 2022-04-28
• 公開（公告）號: CN114970970A
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 起亞·伊曼紐爾通格姆;劉子偉
• 申請（專利權）人: 深圳市萬物云科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06F16/9537;G06F16/2458;G06F16/29;G06N3/00;G06N20/00
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 馮筠

本發明公開了一種便民服務任務路線規劃方法、系統及其相關組件，該方法包括：實時獲取人員信息、環境信息及任務信息并輸入至深度學習模塊中進行預測，生成實時路線概率圖、實時時間序列圖以及初始執行路線序列；將初始執行路線序列輸入至過程挖掘模塊計算相鄰序列點之間的路線的執行概率和平均時間，生成歷史執行概率圖和歷史平均時間圖；利用最短路線算法計算最優執行路線；并在獲取到新的任務信息時重新計算新的最優執行路線。本發明通過深度學習模塊和過程挖掘模塊獲取實時數據和歷史數據，基于實時數據和歷史數據計算最優執行路線并進行實時更新，解決了服務人員在增加新任務后無法快速更新最優執行路線的問題，提高了服務人員的服務效率。

技術領域

本發明涉及路線規劃技術領域，尤其涉及一種便民服務任務路線規劃方法、系統及其相關組件。

背景技術

在物業服務場景中，業主對于一些便民服務，例如送水任務服務、維修服務等的需求也急劇增長，便民服務路徑規劃問題的目的是通過搜索服務人員取件和服務的最優順序以及完成服務任務的最佳路線，找到下達給服務人員一系列指令的最佳解決方案。由于其動態性，任務可以在提供服務的過程中被分配給服務人員，這最終使得解決方案轉化為實時路徑規劃問題。這種任務的動態性是全天候的，并且服務人員在取件和服務的過程中可能會持續地接收任務至待完成任務列表中。一般來說，機器學習和啟發式搜索方法一直是解決路徑問題的首選方法。啟發式搜索方法通常將該問題建模為PDPTW(帶時間窗的取件和行駛問題)，以達到最小化時間延遲和實現最短行程距離。此外，一些研究將該問題建模為一個路線推薦問題，其中通過使用啟發式方法來限制搜索空間從而找到最短路徑，然而另一些研究使用深度學習方法通過路徑行程中的空間模式來定位流行路徑。如果使用特定路徑，預測兩個地點之間的到達時間也可用于估計到達時間。

機器學習和啟發式搜索方法采取不同的方法來解決路徑優化問題，但都有各自的缺點。深度學習方法通過試圖預測服務人員的最短旅行時間和/或將選擇的路線，將問題建模為一個預測問題，而不是僅僅尋找最佳路線。這種預測方法完全依賴于服務人員的反饋是有效的，但如果服務人員在某個社區缺乏經驗，或者不熟悉給定路線，或者系統中的新任務地點無效時，則預測方法可能會達不到要求。另一方面，啟發式方法不依賴服務人員反饋，而僅考慮路網。另外，使用啟發式方法的路線搜索空間非常大，會影響其解的質量。當出現新的任務地點且歷史任務地點信息不可用時，啟發式方法可能比深度學習方法更有效。同時，大多數啟發式方法都存在可擴展性問題，在動態問題中表現不佳。因此，對于為服務人員找到更好的任務路線以滿足客戶需求非常重要。

發明內容

本發明實施例提供了一種便民服務任務路線規劃方法、系統及其相關組件，旨在解決現有技術中無法實時為服務人員獲取最優的任務路線的問題。

第一方面，本發明實施例提供了一種便民服務任務路線規劃方法，包括：

實時獲取人員信息、環境信息及任務信息，將所述人員信息、環境信息及任務信息輸入至深度學習模塊中進行路線預測和時間預測，生成實時路線概率圖和實時時間序列圖，并根據實時路線概率圖生成初始執行路線序列；

將所述初始執行路線序列輸入至過程挖掘模塊，通過所述過程挖掘模塊從數據庫中查詢所述初始執行路線序列中相鄰序列點的歷史行程信息，根據相鄰序列點的歷史行程信息計算相鄰序列點之間的路線的執行概率和平均時間，并生成歷史執行概率圖和歷史平均時間圖；

基于實時路線概率圖、實時時間序列圖、歷史執行概率圖和歷史平均時間圖利用最短路線算法計算最優執行路線；

在執行所述最優執行路線時，當獲取到新的任務信息時，利用深度學習模塊重新進行路線預測和時間預測，并得到優化執行路線序列，將優化執行路線序列輸入至過程挖掘模塊進行過程挖掘，得到新的歷史執行概率圖和歷史平均時間圖，并重新利用最短路線算法計算新的最優執行路線。

第二方面，本發明實施例提供了一種便民服務任務路線規劃系統，其包括：