专利类型：发明专利

申请/专利号：CN202410596495.2

申请日期：2024-05-14

公开/公告号：CN118529102B (发明公开： CN118529102A )

公开/公告日：2025-02-21

主分类号：B61L27/10(2022.01)(运务中心控制系统)

分类号：B61L27/10(2022.01);B61L27/04(2006.01);B61L27/40(2022.01);G06F18/2433(2023.01);G06F18/25(2023.01);G06N3/0464(2023.01);G06N3/0455(2023.01);B61L27/10;B61L27/04;B61L27/40;G06F18/2433;G06F18/25;G06N3/0464;G06N3/0455

申请/专利权人：杭州欢语科技有限公司

发明/设计人：付国龙高维超

主申请人地址：310051 浙江省杭州市滨江区长河街道滨文路200号1幢4层4859室(自主申报)

专利代理机构：北京科家知识产权代理事务所(普通合伙)

代理人：石飞

国别省市代码：浙江,33

权利要求：
1.一种基于云平台的融合指挥调度系统，其特征在于，包括： 调度数据采集模块，用于获取各个节点在各个时间段内的流量数据、获取道路信息的多个节点之间的邻接矩阵以及获取当前规划路径； 调度数据处理模块，用于从所述各个节点在各个时间段内的流量数据、多个节点之间的邻接矩阵以及当前规划路径提取交通-道路拓扑特征矩阵和规划路径特征向量； 调度数据融合模块，用于构造所述交通-道路拓扑特征矩阵和所述规划路径特征向量之间的调度路径分类特征向量，并对所述调度路径分类特征向量进行参数空间的期望激活活跃化以得到优化调度路径分类特征向量； 调度数据分析模块，用于将所述优化调度路径分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前规划路径是否合理； 其中，所述调度数据处理模块，包括： 流量数据提取单元，用于将所述各个节点在各个时间段内的流量数据通过编码以得到流量数据特征矩阵； 邻接矩阵提取单元，用于从所述道路信息的多个节点之间的邻接矩阵提取邻接特征矩阵； 交通道路融合单元，用于融合所述流量数据特征矩阵和所述邻接特征矩阵以得到所述交通-道路拓扑特征矩阵； 规划路径提取单元，用于将所述当前规划路径转化为矩阵后通过卷积编码以得到规划路径特征向量； 其中，所述调度数据融合模块，包括： 融合单元，用于融合所述交通-道路拓扑特征矩阵和所述规划路径特征向量以得到所述调度路径分类特征向量； 优化单元，用于对所述优化调度路径分类特征向量进行参数空间的期望激活活跃化以得到优化调度路径分类特征向量； 其中，所述优化单元，包括： 调整指数特征值子单元，用于计算以所述调度路径分类特征向量的预定位置的特征值为幂的自然指数函数值再减去一以得到调整指数特征值； 调整指数特征值比子单元，用于计算所述调整指数特征值除以所述调度路径分类特征向量的预定位置的特征值，并对所述调整指数特征值的计算结果取绝对值以得到调整指数特征值比； 激活调整子单元，用于将所述调整指数特征值比通过sigmoid函数进行激活以得到激活调整指数特征值比； 指数衰减系数子单元，用于计算以所述调度路径分类特征向量的预定位置的特征值为幂的相反数的自然指数函数值以得到特征值的指数衰减系数； 调整衰减差异子单元，用于计算所述调度路径分类特征向量的预定位置的特征值除以特征值的指数衰减系数再减去一，并对所指数衰减系数的计算结果取绝对值以得到特征值的调整衰减差异； 激活特征子单元，用于将所述特征值的调整衰减差异通过sigmoid函数进行激活以得到激活特征值调整衰减差异； 优化特征子单元，用于计算所述激活调整指数特征值比和所述激活特征值调整衰减差异的加权和，并将加权后的计算结果乘以所述调度路径分类特征向量的预定位置的特征值以得到优化调度路径分类特征向量的预定位置的特征值。 2.根据权利要求1所述的基于云平台的融合指挥调度系统，其特征在于，所述流量数据提取单元，包括： 上下文编码子单元，用于将所述各个节点在各个时间段内的流量数据分别通过包括嵌入层的基于上下文的编码器以获得多个流量数据特征向量，并将所述多个流量数据特征向量进行排列以获得所述各个节点的流量数据特征向量； 二维排列子单元，用于将所述各个节点的流量数据特征向量进行二维排列以获得流量数据特征矩阵。 3.根据权利要求2所述的基于云平台的融合指挥调度系统，其特征在于，所述邻接矩阵提取单元，用于：将所述道路信息的多个节点之间的邻接矩阵通过基于过滤器的第一卷积神经网络模型来获得邻接特征矩阵，所述邻接矩阵中非对角线位置上各个位置的值为相邻道路交汇点之间的距离，所述邻接矩阵中对角线位置上各个位置的值为零。 4.根据权利要求3所述的基于云平台的融合指挥调度系统，其特征在于，所述邻接矩阵提取单元，包括： 输出特征图子单元，用于所述第一卷积神经网络的除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后第二层输出邻接特征图； 生成矩阵子单元，用于所述第一卷积神经网络的最后一层对所述邻接特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以生成所述的邻接特征矩阵。 5.根据权利要求4所述的基于云平台的融合指挥调度系统，其特征在于，所述交通道路融合单元，用于：将所述流量数据特征矩阵和所述邻接特征矩阵通过图神经网络，所述图神经网络用于通过可学习的神经网络参数来生成包含流量数据与不规则的拓扑结构信息的交通-道路拓扑特征矩阵。 6.根据权利要求5所述的基于云平台的融合指挥调度系统，其特征在于，所述规划路径提取单元，包括： 转化矩阵子单元，用于将所述当前规划路径转化为二维的规划路径数值矩阵，其中，所述当前规划路径包含多个目标节点以及各个目标节点之间的距离； 卷积编码子单元，用于将所述规划路径数值矩阵通过第二卷积神经网络模型以获得对应于所述规划路径数值矩阵的规划路径特征图； 降维子单元，用于对所述规划路径特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述规划路径特征向量。 7.一种基于云平台的融合指挥调度方法，使用权利要求1所述的基于云平台的融合指挥调度系统，其特征在于，包括： 获取各个节点在各个时间段内的流量数据、获取道路信息的多个节点之间的邻接矩阵以及获取当前规划路径； 从所述各个节点在各个时间段内的流量数据、多个节点之间的邻接矩阵以及当前规划路径提取交通-道路拓扑特征矩阵和规划路径特征向量； 构造所述交通-道路拓扑特征矩阵和所述规划路径特征向量之间的调度路径分类特征向量，并对所述调度路径分类特征向量进行参数空间的期望激活活跃化以得到优化调度路径分类特征向量； 将所述优化调度路径分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前规划路径是否合理。