本發(fā)明涉及車輛控制調(diào)節(jié)系統(tǒng)，具體為一種融合氣象數(shù)據(jù)及車輛參數(shù)的搶修車輛路徑優(yōu)化方法。

背景技術(shù)：

1、搶修車輛路徑優(yōu)化是應(yīng)急保障體系的關(guān)鍵環(huán)節(jié)，對提升救援效率、降低社會(huì)損失具有不可替代的價(jià)值。應(yīng)急響應(yīng)方面，搶修任務(wù)通常需要在最短的時(shí)間內(nèi)完成，以確保系統(tǒng)或設(shè)備的正常運(yùn)行不受影響。通過科學(xué)規(guī)劃路徑，可將平均響應(yīng)時(shí)間縮短30%-50%。資源利用方面，傳統(tǒng)經(jīng)驗(yàn)調(diào)度常導(dǎo)致車輛繞行、空載或過載，加劇人力、物力浪費(fèi)。通過科學(xué)規(guī)劃路徑，將算法模型整合任務(wù)點(diǎn)分布、道路通行條件等信息，可實(shí)現(xiàn)車輛載重均衡、里程最短化，顯著提升設(shè)備與人員的調(diào)度效率。安全風(fēng)險(xiǎn)方面，惡劣天氣（如暴雨、冰雪）會(huì)大幅提升交通事故率。通過科學(xué)規(guī)劃路徑，可動(dòng)態(tài)規(guī)避高風(fēng)險(xiǎn)路段，調(diào)整行駛策略，降低極端環(huán)境下的作業(yè)風(fēng)險(xiǎn)，為搶修任務(wù)筑牢安全防線。

2、經(jīng)檢索發(fā)現(xiàn)以下相關(guān)公開專利：

3、1、中國專利cn117537836a公開了一種考慮實(shí)時(shí)事故風(fēng)險(xiǎn)的導(dǎo)航路徑優(yōu)化方法，提出了基于風(fēng)險(xiǎn)的導(dǎo)航路徑優(yōu)化算法，能夠更加準(zhǔn)確地預(yù)測路徑風(fēng)險(xiǎn)。

4、2、中國專利cn107843252a公開了導(dǎo)航路徑優(yōu)化方法、裝置及電子設(shè)備，對待優(yōu)化導(dǎo)航路徑對應(yīng)的節(jié)點(diǎn)集合進(jìn)行一個(gè)篩選，即可減少待優(yōu)化路徑中出現(xiàn)轉(zhuǎn)彎的次數(shù)，從而實(shí)現(xiàn)對導(dǎo)航路線的優(yōu)化。

5、上述專利存在的問題在于：現(xiàn)有路徑優(yōu)化研究多聚焦單一數(shù)據(jù)源，多重點(diǎn)考慮天氣、事故和任務(wù)點(diǎn)分布等，忽略車輛驅(qū)動(dòng)方式、輪胎類型、車輛性能、載重、續(xù)航等參數(shù)，對天氣數(shù)據(jù)與車輛參數(shù)的融合應(yīng)用仍存在顯著不足，導(dǎo)致路徑規(guī)劃難以精準(zhǔn)適配復(fù)雜環(huán)境。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明的一個(gè)目的在于提出一種融合氣象數(shù)據(jù)及車輛參數(shù)的搶修車輛路徑優(yōu)化方法，該方法整合氣象數(shù)據(jù)與車輛參數(shù)，構(gòu)建多維數(shù)據(jù)庫。在路徑規(guī)劃中引入路徑因子，進(jìn)行動(dòng)態(tài)權(quán)重分配；將總行駛時(shí)間、天氣風(fēng)險(xiǎn)、車輛損耗納入目標(biāo)函數(shù)，進(jìn)行多目標(biāo)優(yōu)化；利用歷史數(shù)據(jù)訓(xùn)練模型，預(yù)測不同天氣-車輛組合下的最優(yōu)路徑。

2、為了解決上述問題，本發(fā)明提供一種融合氣象數(shù)據(jù)及車輛參數(shù)的搶修車輛路徑優(yōu)化方法，包括以下步驟：

3、s1、構(gòu)建多維度數(shù)據(jù)庫：整合實(shí)時(shí)氣象數(shù)據(jù)與歷史天氣數(shù)據(jù)，提取宏觀天氣指標(biāo)和微觀道路環(huán)境指標(biāo)；建立包含驅(qū)動(dòng)方式、輪胎類型、載重能力及續(xù)航里程的車輛性能數(shù)據(jù)庫；

4、s2、改進(jìn)路徑優(yōu)化算法，包括：

5、動(dòng)態(tài)權(quán)重分配：融合包括天氣宏觀指標(biāo)及微觀指標(biāo)在內(nèi)的天氣系數(shù)及車輛性能參數(shù)，計(jì)算路徑因子；

6、多目標(biāo)優(yōu)化：構(gòu)建以總行駛時(shí)間、天氣風(fēng)險(xiǎn)及車輛損耗為變量的目標(biāo)函數(shù)，通過改進(jìn)遺傳算法進(jìn)行多目標(biāo)求解；

7、s3、動(dòng)態(tài)路徑調(diào)整：在車載終端部署輕量級(jí)模型，實(shí)時(shí)接收氣象與車輛數(shù)據(jù)，更新最優(yōu)路徑；

8、s4、人機(jī)協(xié)同干預(yù)：當(dāng)車輛偏離規(guī)劃路徑或停留超閾值時(shí)，啟動(dòng)路徑重規(guī)劃，結(jié)合駕駛員手動(dòng)調(diào)整生成備選路徑。

9、優(yōu)選的，s1中構(gòu)建多維數(shù)據(jù)庫的具體步驟如下：

10、s101、氣象數(shù)據(jù)庫構(gòu)建，通過標(biāo)準(zhǔn)化api接口，實(shí)時(shí)獲取分鐘級(jí)氣象數(shù)據(jù)，涵蓋經(jīng)緯度定位的天氣基礎(chǔ)指標(biāo)，計(jì)算天氣微觀指標(biāo)，同時(shí)解析氣象預(yù)警信息，從氣象公開數(shù)據(jù)庫采集歷史數(shù)據(jù)，包括逐小時(shí)的極端天氣事件，對應(yīng)路段擁堵時(shí)長、歷史事故率，以及車輛管理平臺(tái)派車單數(shù)據(jù)；

11、s102、數(shù)據(jù)清洗與標(biāo)準(zhǔn)化處理，剔除異常值，統(tǒng)一時(shí)間格式，空間坐標(biāo)轉(zhuǎn)換為wgs84經(jīng)緯度；進(jìn)行分層存儲(chǔ)架構(gòu)設(shè)計(jì)，采用時(shí)序數(shù)據(jù)庫存儲(chǔ)實(shí)時(shí)數(shù)據(jù)流，支持秒級(jí)查詢；通過etl工具提取宏觀指標(biāo)與微觀指標(biāo)，存入關(guān)系型數(shù)據(jù)庫，建立時(shí)空索引加速區(qū)域氣象查詢；

12、s103、車輛參數(shù)數(shù)據(jù)庫構(gòu)建，從車輛管理平臺(tái)資源管理模塊獲取車輛驅(qū)動(dòng)方式、輪胎類型、載重、續(xù)航里程的基礎(chǔ)屬性，編碼為標(biāo)準(zhǔn)化字典；從車輛管理平臺(tái)派車單數(shù)據(jù)獲取實(shí)時(shí)載重等數(shù)據(jù)，結(jié)合剩余電量、胎壓、制動(dòng)系統(tǒng)信息，構(gòu)建車輛參數(shù)動(dòng)態(tài)檔案；通過測試場地獲取各類天氣下車輛性能參數(shù)均值，形成車輛環(huán)境適應(yīng)性矩陣；最終建立天氣-車輛參數(shù)映射表、續(xù)航衰減模型、載重約束庫；

13、s104、以“路徑id+時(shí)間戳+車輛id”為主鍵，建立天氣數(shù)據(jù)與車輛參數(shù)的實(shí)時(shí)關(guān)聯(lián)表；提供標(biāo)準(zhǔn)化調(diào)用接口，支持路徑優(yōu)化算法時(shí)實(shí)時(shí)獲取路徑因子。

14、優(yōu)選的，s2中需改進(jìn)算法與約束條件，具體步驟如下：

15、s201、動(dòng)態(tài)權(quán)重分配：在路徑規(guī)劃中引入路徑因子；整理影響車輛出行的惡劣天氣，劃分為15種類型，分別是暴雨、雷雨、強(qiáng)降雨、臺(tái)風(fēng)、颶風(fēng)、龍卷風(fēng)、大風(fēng)、高溫、冰雹、冰凍、凝凍、暴雪、大雪、霧霾、沙塵暴天氣；路徑因子ji=路徑距離×；其中wfa為天氣宏觀指標(biāo)系數(shù)，賦值為0.3~0.6；wfb為天氣微觀指標(biāo)系數(shù)，賦值為0.3~0.6；vi為車輛參數(shù)系數(shù)，賦值為0.3~0.7；ut為路徑系數(shù)，路徑系數(shù)默認(rèn)為1，車輛行駛對應(yīng)路徑有風(fēng)險(xiǎn)時(shí)，路徑系數(shù)進(jìn)行提高；

16、s202、多目標(biāo)優(yōu)化：將總行駛時(shí)間、天氣風(fēng)險(xiǎn)、車輛損耗納入目標(biāo)函數(shù)；通過改進(jìn)遺傳算法，平衡“最短時(shí)間”與“極端天氣車輛損耗最小”兩個(gè)目標(biāo)，提升路徑規(guī)劃準(zhǔn)確率；

17、路徑優(yōu)化初始調(diào)度模型公式如下：

18、；

19、式中，x=（x1,x2,...,xm），x1,x2,...,xm，m為車輛損耗維數(shù)，f1(x)為總搶修時(shí)間最小變量，f2(x)為極端天氣影響下車輛損耗最小變量；

20、s203、基于車輛管理平臺(tái)中海量的歷史搶修任務(wù)數(shù)據(jù)，包括天氣數(shù)據(jù)、車輛參數(shù)數(shù)據(jù)，按照時(shí)間維度進(jìn)行數(shù)據(jù)治理，對數(shù)據(jù)清洗、歸一化，提取關(guān)鍵特征信息，構(gòu)建高維特征向量作為模型輸入；采用深度網(wǎng)絡(luò)架構(gòu)，以路徑因子為輸入層，路徑?jīng)Q策為輸出層；定義狀態(tài)空間包含當(dāng)前位置、目的地、實(shí)時(shí)天氣、車輛參數(shù)；行為空間為可選路徑分支；設(shè)計(jì)獎(jiǎng)勵(lì)函數(shù)為路徑優(yōu)化初始調(diào)度模型；將預(yù)處理后的歷史數(shù)據(jù)按一定比例劃分為訓(xùn)練集e=（e1,e2,...,em）、驗(yàn)證集v=（v1,v2,...,vm）、與測試集t=（t1,t2,...,tm）；訓(xùn)練時(shí)，智能體在模擬搶修場景中依據(jù)當(dāng)前狀態(tài)選擇路徑，通過與環(huán)境交互獲得獎(jiǎng)勵(lì)反饋，不斷優(yōu)化策略，利用驗(yàn)證集v監(jiān)控模型性能，調(diào)整超參數(shù)防止過擬合，直至模型收斂，再用測試集t評估對最優(yōu)路徑的預(yù)測能力。

21、優(yōu)選的，s202中總路徑時(shí)間最小變量f1(x)的計(jì)算公式如下：

22、；

23、式中，p為派車單任務(wù)，d為每個(gè)派車單任務(wù)中對應(yīng)的路途選擇，r為路途中路徑選擇，ji為路徑因子，ti為第i路徑正常天氣下所耗費(fèi)時(shí)間均值，jwk為路徑等待時(shí)間，xvg為搶修車輛的約束條件，每個(gè)派車單任務(wù)至少分配一臺(tái)車輛，在無人為干涉、道路正常的情況下，xvg=1；

24、s202中極端天氣影響下車輛損耗最小變量f2(x)的計(jì)算公式如下：

25、；

26、式中，ji為路徑因子，ui為第i路徑下惡劣天氣影響因子造成的車輛損耗，li為第i路徑路徑下?lián)p耗累加因子。

27、優(yōu)選的，s202中的路徑優(yōu)化初始調(diào)度模型有兩個(gè)前置約束條件：

28、極端天氣影響下?lián)屝捃囕v的搶修正常行駛能力yi為大于零的整數(shù)，yi為車輛管理平臺(tái)中出車檢查數(shù)據(jù)，此為約束條件1，公式如下；

29、yi≥0；

30、極端天氣影響造成的車輛損耗hi小于派車單延誤損耗hi為約束條件2，公式如下：

31、；

32、

33、

34、式中α為極端天氣影響比例；

35、以上兩個(gè)約束條件成立的前提下，進(jìn)行s202中的路徑優(yōu)化初始調(diào)度模型的計(jì)算。

36、優(yōu)選的，s202中利用改進(jìn)遺傳算法對路徑優(yōu)化參數(shù)變量進(jìn)行優(yōu)化，優(yōu)化內(nèi)容包括：

37、采用雙層編碼模式對遺傳算法中的路徑優(yōu)化參數(shù)進(jìn)行編碼，第一層路徑層采用整數(shù)編碼，第二層路徑因子轉(zhuǎn)化為二進(jìn)制編碼；

38、通過遺傳操作動(dòng)態(tài)調(diào)整權(quán)重，實(shí)現(xiàn)路徑因子的自適應(yīng)分配；

39、每個(gè)二進(jìn)制位的變異可微調(diào)參數(shù)，交叉可組合不同參數(shù)組合的優(yōu)勢；

40、設(shè)置路徑優(yōu)化相關(guān)的初始參數(shù)，包括初始路徑、迭代和搜索次數(shù)；

41、確定路徑優(yōu)化適應(yīng)度函數(shù)為目標(biāo)函數(shù)的倒數(shù)，確保最大適應(yīng)度；

42、確定選擇路徑的策略和停止迭代的標(biāo)準(zhǔn)，再進(jìn)行交叉和變異操作，當(dāng)達(dá)到設(shè)置的迭代次數(shù)時(shí)，確定目標(biāo)參數(shù)變量；

43、優(yōu)選的，s202中的選擇策略和停止準(zhǔn)則表達(dá)式如下：

44、；

45、；

46、式中，w(xi)為每個(gè)個(gè)體被遺傳到下一代的概率，u(xi)為染色體被選中概率。

47、優(yōu)選的，s3中，需基于邊緣計(jì)算，在搶修任務(wù)中，車載終端實(shí)時(shí)采集天氣與車輛數(shù)據(jù)，傳入訓(xùn)練好的路徑優(yōu)化調(diào)度模型，支撐快速輸出最優(yōu)路徑，駕駛員依據(jù)最優(yōu)路徑行駛，并持續(xù)反饋數(shù)據(jù)以動(dòng)態(tài)優(yōu)化模型。

48、優(yōu)選的，s4中，人機(jī)協(xié)同模式下，允許駕駛員根據(jù)實(shí)際路況手動(dòng)干預(yù)路徑；當(dāng)車輛偏離最優(yōu)規(guī)劃路徑超500米或停留超3分鐘，系統(tǒng)自動(dòng)提示“是否因路況調(diào)整路線”，駕駛員確認(rèn)后啟動(dòng)重規(guī)劃。

49、優(yōu)選的，s4中，人機(jī)協(xié)同模式下，將駕駛員干預(yù)指令轉(zhuǎn)化為動(dòng)態(tài)的搶修車輛約束條件xvg，與實(shí)時(shí)氣象數(shù)據(jù)、車輛參數(shù)融合，形成新的狀態(tài)空間；采用改進(jìn)遺傳算法，以當(dāng)前車輛位置為新起點(diǎn)，在局部路網(wǎng)范圍內(nèi)搜索可行路徑，同時(shí)保留原規(guī)劃中未受干預(yù)的有效區(qū)段，將計(jì)算耗時(shí)控制在5秒內(nèi)；基于路徑因子ji中所涉及的路徑系數(shù)ut，進(jìn)行動(dòng)態(tài)調(diào)整權(quán)重，優(yōu)先滿足駕駛員干預(yù)意圖，同時(shí)平衡“最短時(shí)間”與“極端天氣車輛損耗最小”兩個(gè)目標(biāo)，再生成備選路徑供駕駛員二次確認(rèn)。

50、本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：

51、1、精準(zhǔn)應(yīng)對復(fù)雜環(huán)境，提升路徑規(guī)劃可靠性：本發(fā)明通過量化分析車輛驅(qū)動(dòng)方式、輪胎類型、載重能力與道路濕滑度、能見度、風(fēng)速等參數(shù)，構(gòu)建動(dòng)態(tài)耦合模型。精細(xì)化匹配使路徑規(guī)劃準(zhǔn)確率提升20%-30%，避免因車輛性能與環(huán)境不匹配導(dǎo)致的中途停滯或繞行，顯著增強(qiáng)復(fù)雜場景下的任務(wù)完成度。

52、2、動(dòng)態(tài)規(guī)避安全風(fēng)險(xiǎn)，降低極端天氣事故率：本發(fā)明通過建立天氣-車輛風(fēng)險(xiǎn)矩陣，將氣象數(shù)據(jù)轉(zhuǎn)化為車輛安全行駛的具體約束條件，降低極端天氣下的事故率15%~25%，同時(shí)減少因車輛故障導(dǎo)致的二次延誤，為搶修任務(wù)筑牢安全防線。

53、3、優(yōu)化資源配置效率，降低調(diào)度成本：本發(fā)明通過多目標(biāo)優(yōu)化算法，將車輛載重上限、電池續(xù)航里程、維修設(shè)備裝載要求與實(shí)時(shí)氣象影響因子納入模型，實(shí)現(xiàn)任務(wù)與車輛的精準(zhǔn)匹配，并根據(jù)惡劣天氣導(dǎo)致的能耗增加動(dòng)態(tài)調(diào)整行駛速度，避免中途補(bǔ)能延誤，預(yù)估提升設(shè)備與人力的調(diào)度效率25%~35%。