一种考虑多因素的施工物料运输车辆出行时间预测方法

技术领域

本发明属于车辆调度相关技术领域，更具体地，涉及一种考虑多因素的施工物料运输车辆出行时间预测方法。

背景技术

在智慧交通领域不断发展的过程中，施工物料运输车辆出行时间对于居民活动和工程规划具有重要的影响。如何预先掌握施工物料运输车辆出行时间，并考虑相关因素的影响，以提高预测精度，是工程领域中交通规划应用的关键。

现有的技术中，往往考虑施工物料运输车辆行驶过程中的时空特征，而没有考虑天气状况、施工时间约束和施工流程约束的影响。因此，本发明提出一种考虑多因素的施工物料运输车辆出行时间预测方法，为准确的施工物料运输车辆出行时间预测提供技术支持，具有重要的理论意义与工程价值。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种考虑多因素的施工物料运输车辆出行时间预测方法，解决现有调度中未考虑天气状况、施工时间约束和施工流程约束的问题。

为实现上述目的，按照本发明，提供了一种考虑多因素的施工物料运输车辆出行时间预测方法，该方法包括下列步骤：

S1将城市道路网网格化并对每个网格予以编号，然后将网格抽象为节点，相邻的网格之间通过边连接，以此获得城市道路网的有向网络图；

S2将施工物料运输车辆的历史轨迹和出行时间在所述有向网络图中进行标记，以此分别获得施工物料运输车辆在时间和空间上的特征矩阵；

S3根据实际的天气状况，施工时间和施工流程，构建各自的约束条件；

S4基于所述约束条件并结合施工物料运输车辆在时间和空间上的特征矩阵，构建预测模型，以此获得是施工物料运输车辆的最佳出行时间。

进一步优选地，在步骤S2中，所述空间特征采用图卷积网络获取。

进一步优选地，所述空间特征按照下列方式捕捉：

B＝A+I

其中：X

进一步优选地，在步骤S2中，所述时间特征采用们递归单元的方法获取。

进一步优选地，所述时间特征按照下列方式捕捉：

z

r

g

h

其中：z

进一步优选地，在步骤S3中，利用实际的天气状况，施工时间和施工流程构建约束条件时，还需对实际的天气状况，施工时间和施工流程进行编码，以此将各自转化为对应的向量。

进一步优选地，所述天气状况对应的向量按照下列表达式进行：

其中：X

进一步优选地，所述施工时间对应的向量按照下列表达式进行：

其中：X

进一步优选地，所述的施工流程对应的向量按照下列表达式进行：

其中：X

进一步优选地，在步骤S4中，所述预测模型按照下列的表达式进行：

x

X

其中：x

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具备下列有益效果：

1.本发明基于城市道路网建模，通过划分路网为单元网格，充分考虑了施工物料运输车辆出行时间所受到的多因素影响，为提高施工物料运输车辆出行时间预测精度提供了一种新的、科学的定量化决策方法；

2.本发明中首先将城市道路网简化为有向网络图，简化城市道路网，使得城市道路网可计算化，然后基于历史的施工物料运输的历史轨迹获取其运输中时间和空间中的规律，充分考虑实际车辆运输过程中的实际情况，提高预测精度；

3.本发明构建的优化模型，充分考虑天气状况，施工时间和施工流程以及运输车辆实际运输的工况，建立的优化模型更贴合实际，提高预测精度和缩短预测时间。

附图说明

图1是按照本发明的优选实施例所构建的考虑多因素的施工物料运输车辆出行时间预测方法的流程图；

图2是按照本发明的优选实施例所构建的城市道路网抽象的过程示意图；

图3是按照本发明的优选实施例所构建的施工物料运输车辆出行时间预测模型构建原理图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种考虑多因素的施工物料运输车辆出行时间预测方法，该方法包括下列步骤：

S1将道路网划分为规则网格，并抽象为有向网络图：

1)将道路网划分为规则网格，其中每个网格进行编号；一个网格抽象为一个节点，把相邻的网格之间赋予权重，相邻的权重为1，不相邻的为0，获得邻接矩阵；

2)将道路网格抽象为网络图中的节点；

3)将道路网格之间相邻属性抽象为网络图中的边；

4)将上述的节点和边连接起来，组成有向网络图，即完成了对城市路网的建模，如附图2所示。

S2建立时空信息模块捕捉历史轨迹数据的特征：

1)收集多辆货车的轨迹，起点和终点确定，采用图卷积网络(graphconvolutional networks，GCN)捕捉历史轨迹数据X的空间特征，具体数学表达式为：

B＝A+I

其中：X

2)采用门控递归单元(gated recurrent units，GRU)捕捉历史轨迹数据的时间特征，具体数学表达式为：

z

r

g

h

其中：z

S3建立属性模块编码天气状况、施工时间约束和施工流程约束信息：

1)将天气状况信息x

其中：X

2)将施工时间约束信息x

其中：X

3)将施工流程约束信息x

其中：X

S4建立施工物料运输车辆出行时间预测模型：

1)建立施工物料运输车辆的出行时间预测模型，具体数学表达式为：

x

X

其中：x

2)使用Python工具箱搭建施工物料运输车辆的出行时间的预测模型，并计算得到最终的预测结果。

下面将结合具体的实施例进一步说明本发明。

某施工物料运输车辆，正在所划分的城市道路网格中行驶，如附图2所示。当出现一定的天气状况，并且受到施工要求中的施工时间约束和施工流程约束时，考虑多因素以获得良好的出行时间预测效果。模型结构如附图3所示，预测结果如附表1所示。

如图2所示，将城市道路网划分为规则网格，并抽象为有向网络图。其中，网格抽象为网络图中的节点，网格之间相邻抽象为网络图中的边，将上述节点和边连接起来，以此获得有向网络图。红色线段表示施工运输车辆在城市道路网中行驶轨迹，抽象为其所经过所描述有向网络图。施工运输车辆在网格中行驶时间即为出行时间。

如图3所示，根据实际的天气状况，施工时间和施工流程，构建各自的约束条件，基于所述约束条件嵌入权重向量，并结合施工物料运输车辆在时间和空间上的特征矩阵，构建模型，以此预测施工物料运输车辆的出行时间。

表1所述模型预测结果

如表1所示，在不同影响因素下，所述模型能够将预测误差控制在5分钟以内，取得良好预测效果。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。