车辆调度策略的评估方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能领域和车辆调度领域。更具体地，本公开提供了一种车辆调度策略的评估方法、优化方法、评估装置、电子设备和存储介质。


背景技术：

2.随着人工智能技术的发展，智能运输系统越来越受到重视。智能运输系统中往往要求车辆在一定的运输路线(或称行驶道路)上运行。在智能运输系统中，对于车辆的调度是不可或缺的。车辆调度策略的优劣对于运输效率影响很高。在当前对于车辆调度的考量，往往是基于确定因素来设计和构建车辆调度策略。


技术实现要素：

3.本公开的实施例提供了一种车辆调度策略的评估方法，包括：基于车辆在运输线路的至少一个路段的出现概率来生成运输线路的各个路段上的车辆运行状态模型；基于车辆调度策略和车辆运行状态模型来计算出车辆在运输线路的各个路段上运行状态的概率分布；以及基于车辆在运输线路的各个路段上运行状态的概率分布来计算车辆调度策略的性能参数以评估所述车辆调度策略的性能。
4.在一些实施例中，所述车辆运行状态模型依赖于所述车辆的数量和运输线路的路段的数量。
5.在一些实施例中，所述车辆运行状态模型包括用于在同一路段上仅有单一车辆运行的单车线路函数、用于多个车辆在同一路段上运行的多车线路函数和用于运输线路上的异常事件的异常事件线路函数中的至少一种。
6.在一些实施例中，所述单车线路函数为f(o
i-1
，oi)＝p
δt
(oi|o
i-1
)，其中oi代表该车辆在路段i是否出现，o
i-1
代表该车辆在路段i-1是否出现，p
δt
(oi|o
i-1
＝c)代表在t时刻该车辆在路段i-1出现状态为c的情况下，在t+δt时刻该车辆在路段i出现的概率，c∈{出现，未出现}；
7.所述多车线路函数为其中代表车辆m在路段i是否出现，代表车辆m在路段i-1是否出现，代表车辆n在路段i-1是否出现，代表在t时刻车辆m和车辆n在路段i-1出现状态分别为cm和cn的情况下，在t+δt时刻车辆m在路段i是否出现的概率，cm，cn∈{出现，未出现}；
8.所述异常事件线路函数为h(oi，e
i-1
)＝p
δt
(oi|e
i-1
)，其中oi代表车辆在路段i是否出现，e
i-1
代表在路段i-1是否出现异常情况，i为大于1的整数。
9.在一些实施例中，在同一路段上仅有单一车辆运行的情况下，所述车辆在同一路段上的运行时间的概率分布基于高斯模型，和/或在多个车辆在同一路段上运行的情况下，所述多个车辆中的每个车辆在所述同一路段上的运行时间的概率分布基于高斯混合模型，和/或在某一路段上发生异常事件的情况下车辆在该路段上的运行时间的概率分布基于泊
松分布模型。
10.在一些实施例中，所述基于车辆调度策略和车辆运行状态模型来计算出车辆在运输线路的各个路段上运行状态的概率分布包括：根据车辆调度策略对第一时刻各个路段上的车辆的运行状态进行初始化；以及根据车辆运行状态模型计算在所述第一时刻各个路段上的车辆运行状态的概率。
11.在一些实施例中，所述基于车辆调度策略和车辆运行状态模型来计算出车辆在运输线路的各个路段上运行状态的概率分布还包括：根据车辆调度策略对第二或更多时刻各个路段上的车辆的运行状态进行初始化；以及根据车辆运行状态模型计算在所述第二或更多时刻各个路段上的车辆运行状态的概率。
12.在一些实施例中，运输线路的路段上的车辆运行状态的概率依赖于在该路段的前一路段上发生异常事件的概率以及至少一个与之相邻的路段上的车辆运行状态的概率。
13.在一些实施例中，所述基于车辆在运输线路的各个路段上运行状态的概率分布来计算车辆调度策略的性能参数以评估所述车辆调度策略的性能包括：基于车辆在多个时刻在运输线路的各个路段上运行状态的概率分布计算车辆调度策略的性能参数在多个时刻的总和。
14.在一些实施例中，所述车辆调度策略的性能参数包括：车辆的运输方量或车辆的行驶距离。
15.在一些实施例中，所述异常事件包括车辆内部控制单元故障或路段中临时出现需要避让的障碍物。
16.在一些实施例中，所述车辆运行状态模型基于实际的车辆行驶测量数据直接建立或者通过根据实际的车辆行驶测量数据来拟合参数化模型的参数来建立。
17.本公开的实施例还提供了一种车辆调度策略的优化方法，包括：利用前述任一实施例所述的方法对多种车辆调度策略进行评估；以及将所述多种车辆调度策略进行比较以选择出优选的策略。
18.本公开的实施例还提供了一种车辆调度策略的评估装置，包括：车辆运行状态生成模块，用于基于车辆调度策略和运输线路的各个路段上的车辆运行状态模型来计算出车辆在运输线路的各个路段上运行状态的概率分布，其中，所述车辆运行状态模型基于车辆在运输线路的至少一个路段的出现概率来生成；以及性能计算模块，用于基于车辆在运输线路的各个路段上运行状态的概率分布来计算车辆调度策略的性能参数以评估所述车辆调度策略的性能。
19.在一些实施例中，所述车辆运行状态模型包括用于在同一路段上仅有单一车辆运行的单车线路函数、用于多个车辆在同一路段上运行的多车线路函数和用于运输线路上的异常事件的异常事件线路函数中的至少一种。
20.在一些实施例中，所述车辆运行状态生成模块包括：初始化模块，用于根据车辆调度策略对第一时刻各个路段上的车辆的运行状态进行初始化；以及概率计算模块，用于根据车辆运行状态模型计算在所述第一时刻各个路段上的车辆运行状态的概率。
21.在一些实施例中，所述初始化模块还配置成根据车辆调度策略对第二或更多时刻各个路段上的车辆的运行状态进行初始化；以及所述概率计算模块还配置成根据车辆运行状态模型计算在所述第二或更多时刻各个路段上的车辆运行状态的概率。
22.在一些实施例中，运输线路的路段上的车辆运行状态的概率依赖于在该路段的前一路段上发生异常事件的概率以及至少一个与之相邻的路段上的车辆运行状态的概率。
23.在一些实施例中，所述性能计算模块配置成基于车辆在多个时刻在运输线路的各个路段上运行状态的概率分布计算车辆调度策略的性能参数在多个时刻的总和，所述性能参数是车辆的运输方量或车辆的行驶距离。
24.在一些实施例中，该车辆调度策略的评估装置，还包括：数据采集模块，用于采集实际的车辆行驶测量数据用于构建所述车辆运行状态模型。
25.本公开的实施例还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一个实施例所述的方法。
26.本公开的实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述任一个实施例所述的方法。
27.本公开的实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述任一个实施例所述的方法。
28.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
29.附图用于更好地理解本方案，不构成对本公开的限定。其中：
30.图1是根据本公开的一个实施例的单车线路概率图模型的示意图；
31.图2是根据本公开的一个实施例的多车线路概率图模型的示意图；
32.图3是根据本公开的另一个实施例的考虑了异常事件的单车线路概率图模型的示意图；
33.图4是根据本公开的又一个实施例的考虑了异常事件的多车线路概率图模型的示意图；
34.图5是根据本公开的一个实施例的车辆调度策略的评估方法的流程图；
35.图6是根据本公开的一个实施例的车辆调度策略的优化方法的流程图；
36.图7是根据本公开的一个实施例的车辆调度策略的评估装置的示意图；
37.图8是根据本公开的一个实施例的车辆运输线路的示意图；
38.图9是根据本公开的一个实施例的车辆调度策略的评估方法中计算运输线路上的各路段的车辆出现概率的第一示意图；
39.图10是根据本公开的一个实施例的车辆调度策略的评估方法中计算运输线路上的各路段的车辆出现概率的第二示意图；
40.图11是根据本公开的另一个实施例的用于实现车辆调度策略的评估方法或优化方法的远程控制的系统框图；以及
41.图12是根据本公开的一个实施例的用于实现车辆调度策略的评估方法的电子设备的框图。
具体实施方式
42.为更清楚地阐述本公开的目的、技术方案及优点，以下将结合附图对本公开的实施例进行详细的说明。应当理解，下文对于实施例的描述旨在对本公开的总体构思进行解释和说明，而不应当理解为是对本公开的限制。在说明书和附图中，相同或相似的附图标记指代相同或相似的部件或构件。为了清晰起见，附图不一定按比例绘制，并且附图中可能省略了一些公知部件和结构。
43.除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。措词“一”或“一个”不排除多个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”“顶”或“底”等等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。当诸如层、膜、区域或衬底基板之类的元件被称作位于另一元件“上”或“下”时，该元件可以“直接”位于另一元件“上”或“下”，或者可以存在中间元件。
44.在运输系统中，往往需要用到多个车辆，并涉及多个路段。而如何规划车辆的行驶路线以及发车间隔等等则需要良好的车辆调度策略。车辆调度策略是对于各个车辆何时出现在运输线路中的某个路段的设计。良好的车辆调度策略能够更充分地利用运输资源，提高运输效率和降低成本。然而，车辆调度策略不仅需要考虑理论上的线路规划，还要考虑运输路段上车辆行驶的各种复杂情况，例如，车辆的速度波动、车辆出现故障、道路上出现障碍物(如人员、其他车辆、落石等)、车辆拥堵等。对于在诸如露天矿山等道路环境更为恶劣和复杂的场景中的车辆运输系统而言，车辆行驶中的不确定性对于车辆调度的影响更为重要。本公开的实施例提供了一种车辆调度策略的评估方法，该评估方法可用于评价车辆调度策略的性能。在该方法中考虑了车辆行驶中的不确定因素，能够更为准确地评估车辆调度策略的性能。
45.在本公开的一实施例中，如图5所示，该评估方法可以包括：
46.步骤s1：基于车辆在运输线路的至少一个路段的出现概率来生成运输线路的各个路段上的车辆运行状态模型；
47.步骤s2：基于车辆调度策略和车辆运行状态模型来计算出车辆在运输线路的各个路段上运行状态的概率分布；以及
48.步骤s3：基于车辆在运输线路的各个路段上运行状态的概率分布来计算车辆调度策略的性能参数以评估所述车辆调度策略的性能。
49.在本公开的实施例中，运输线路可以仅包括一条或多条独立的道路，也可以包括相互交叉的道路，例如形成运输路网。图8给出了运输线路的示例。在图8中给出了两条道路，即第一道路r1和第二道路r2。两条道路在a点相交。各条道路被分别划分成相应的路段。在图8的示例中示出了7个路段，即路段1、路段2、路段3、路段4、路段5、路段6、路段7。本公开的实施例中对于运输线路的划分不限于上述示例，而可以具有各种形状的一个或多个路段。假设最理想的情况，车辆在每条路段上的行驶时间都是固定的且没有其他的不确定因
素，那么可以清楚的安排车辆在每个时刻出现在那个路段上。然而，如前所述，车辆的行驶过程中，各种不确定因素的影响(例如道路的障碍物、设备故障、排队堵车等等)也是不可忽视的。特别是，当车辆行驶距离较长或者道路情况比较复杂的情况下，车辆在某个路段上的行驶时间并不是完全确定的。因此，在本公开的上述实施例中，基于车辆在路段上的出现概率引入了运输线路的各个路段上的车辆运行状态模型。利用该车辆运行状态模型可以构建和评估车辆调度策略。该车辆运行状态模型可以通过对随机因素进行统计建模。
50.作为示例，上述车辆运行状态模型可以依赖于所述车辆的数量和运输线路的路段的数量。当存在多个车辆时，可能会存在车辆之间的相互影响，从而改变车辆在某一路段上出现的概率。同样，当路段的数量不同时，也可能影响到整个运输线路上的不同的路段上车辆出现的概率。
51.在一些实施例中，车辆运行状态模型可以基于三种情况来建立。第一种情况是单车行驶，即仅考虑单个车辆行驶的情况。在单车行驶的情况下，可以针对每一运输路段，以每一车辆的历史运行数据为基础构建该路段运行时间的统计模型，依据不同路线的实际情况，利用概率分布函数(例如高斯分布函数等)对数据拟合，完成统计模型的构建，该模型记为p
单车
(t)，即在单车情况下t时间内完成该路段运行的概率。
52.下面以高斯分布函数为例给出单车行驶情况下的概率模型的示例。在利用高斯分布函数进行模型构建过程中，当该车辆的历史运行数据充分的情况下，可直接基于对历史运行数据的拟合构建模型参数，即求解高斯分布模型的均值和方差。以下举例说明，假设共有n次历史数据采样，车辆在某一路段上单次运行时间的数据为ti，其中i∈{1，...，n}，计算：
[0053][0054]
为高斯分布的均值，计算
[0055][0056]
为高斯分布的方差。
[0057]
由此可得
[0058]
而当历史运行数据不够充分的情况下，可通过归因的方式构建该模型，例如，基于车辆标定的运行速度、标定的路段长度求解高斯概率分布的均值，基于车辆负载偏差造成的时间抖动、车辆控制误差造成的时间抖动、道路条件造成的时间抖动等计算高斯概率分布的方差。其中车辆负载偏差造成的时间抖动、车辆控制误差造成的时间抖动以及道路条件造成的时间抖动可以基于实际测量数据拟合其概率分布。
[0059]
需要说明的是，单车行驶的概率模型并不限于基于高斯分布来建立，也可以根据情况基于其他概率分布模型来建立，例如均匀分布等。对于更为复杂的情况，单车行驶的概率模型还可以包括一系列的子模型，例如，道路条件造成的时间抖动可以分为直线路段子模型、上坡路线子模型、下坡路线子模型及弯道路线子模型等。
[0060]
第二种情况是会车情况，也就是说，在同一路段上同时有多个车辆行驶的情况。这
种情况比单车行驶要更为复杂。在这种情况下，可以利用车辆运行特征，道路特征和会车规则等来构建每一运输路段在发生会车情况下各车辆的会车时间统计模型。作为示例，可以依据不同车辆的运行状态(如满载/空载，有人/无人)和车辆控制信息(如限速、路权)等，利用混合概率分布函数(例如混合高斯模型等)对历史数据拟合，完成统计模型的构建。该模型记为p
会车
(t)，即在会车情况下t时间内完成该路段行驶的概率。
[0061]
下面以高斯混合概率模型为例给出会车情况下的概率模型的示例。在利用高斯混合概率模型进行模型构建过程中，当历史运行数据充分的情况下，可直接基于对历史运行数据的拟合构建模型参数，即求解高斯混合概率模型中各高斯概率模型的均值和方差，并优化高斯混合概率模型中高斯模型的个数；以下举例说明，记共有n次历史数据采样，车辆在会车情况下完成该路段的行驶的时间数据为ti，其中i∈{1，...，n}，构建参数化的高斯混合模型为：
[0062][0063]
其中，参数m表示高斯混合模型中的高斯概率模型的个数，初始化参数并完成以下总共p次迭代计算，其中第k次迭代步骤计算如下：
[0064]
对任一样本ti计算：
[0065][0066]
计算新的参数：
[0067][0068][0069][0070][0071]
从初始值开始，重复以上步骤p次，或计算至函数从初始值开始，重复以上步骤p次，或计算至函数改敛为止。由此确定上述模型中的各个参数。
[0072]
当历史运行数据不够充分的情况下，可通过归因的方式构建该模型，即利用单车行驶情况下的高斯概率模型为基础构建混合高斯概率模型，其中高斯概率模型个数为参与会车的车辆个数。
[0073]
第三种情况是异常事件情况，也就是说车辆在路段上行驶时出现各种异常事件的情况，例如道路上出现的落石、人员、其他车辆以及车辆的控制失效、通信失效等等。这些异常事件可能会造成车辆通过某一路段的时间延长。在这种情况下，利用每一运输路段发生异常事件的特征，利用概率分布函数(例如泊松分布模型等)完成统计模型的构建，该模型记为p
异常
(t)，即车辆在该路段发生异常情况下t时间内完成该路段运行的概率。各路段发生异常情况的原因可不同。异常事件发生的时间间隔分布例如可以为泊松分布，其参数由历史数据的测量获得。作为示例，数据的具体测量方式如下，在车辆的运行过程中，基于车载的感知单元对异常事件进行捕捉，包括但不限于利用摄像头、激光雷达、毫米波雷达等感知设备探测落石、及进入车道的车辆、人员等事件，记录该事件发生的时间及地点，记为外因异常事件数据；利用车辆内部控制单元捕捉车辆控制失效、通信失效等事件，记录该事件发生的时间及地点，记为内因异常事件数据；利用泊松分布模型分别拟合外因异常事件数据和内因异常事件数据，获取异常事件的泊松分布模型。以下举例说明，记共有n次历史数据采样，单次异常事件带来的时间延时为ti，其中i∈{1，...，n}，构建参数化的泊松模型为：
[0074][0075]
其中：
[0076][0077]
基于上述三种情况的分析，所述车辆运行状态模型可以针对于上述任一种情况来建立，也可以同时考虑以上的两种或三种情况来建立。作为示例，该车辆运行状态模型可以包括用于在同一路段上仅有单一车辆运行的单车线路函数、用于多个车辆在同一路段上运行的多车线路函数和用于运输线路上的异常事件的异常事件线路函数中的至少一种。其中单车线路函数对应于上述的单车行驶情况，多车线路函数对应于上述的会车情况，异常事件线路函数对应于上述的异常事件情况。
[0078]
图1示出了根据本公开的一个实施例的单车线路概率图模型的示意图。其中将完整的运输路线分为k个路段，该单车线路概率图模型可以表示单一车辆在完整路段的行驶状态。构建单车线路函数f(o
i-1
，oi)＝p
δt
(oi|o
i-1
)，其中oi代表该车辆在路段i是否出现，o
i-1
代表该车辆在路段i-1是否出现，p
δt
(oi|o
i-1
＝c)代表在t时刻该车辆在路段i-1出现状态为c的情况下，在t+6t时刻该车辆在路段i出现的概率，c∈{出现，未出现}。该概率分布遵循以下特征：
[0079]
p
δt
(oi＝出现|o
i-1
＝未出现)＝0
ꢀꢀꢀꢀꢀꢀꢀꢀ
(公式1)
[0080]
p
δt
(oi＝未出现|o
i-1
＝未出现)＝1
ꢀꢀꢀꢀꢀꢀ
(公式2)
[0081][0082]
[0083]
根据图1可以根据单车线路函数依次求出在单车行驶情况下车辆在各个路段上出现的概率。图1中的o1、o2、o3、o
k-1
、ok分别表示的是车辆在路段1、路段2、路段3、路段k-1以及路段k上是否出现。图1中的方块对应的是反映相邻的两个路段之间的车辆出现概率的关系的单车线路函数。借助于图1所示的概率图模型以及前述的单车行驶情况下车辆通过路段的时间的概率模型，可以得出单车行驶情况下完整的车辆运行路线的概率模型。
[0084]
图2示出了根据本公开的一个实施例的多车线路概率图模型的示意图。其中也是将完整的运输路线分为k个路段。该多车线路概率图模型可以表示多个车辆一起运行时车辆在路段的行驶状态。构建多车线路函数其中代表车辆m在路段i是否出现，代表车辆m在路段i-1是否出现，代表车辆n在路段i-1是否出现，代表在t时刻车辆m和车辆n在路段i-1出现状态分别为cm和cn的情况下，在t+δt时刻车辆m在路段i是否出现的概率，cm，cn∈{出现，未出现}。该概率分布遵循以下特征：
[0085][0086][0087][0088][0089][0090][0091]
从上述公式5至公式10可以看出，当考虑多车线路时，在路段上可能出现单车行驶的情况，也可能出现会车的情况。因此，在计算多车行驶情况下车辆在各个路段的分布概率时也需要考虑单车行驶和会车这两种情况下的概率分布模型。
[0092]
图2中的图2中的分别表示的是车辆m在路段1、路段2、路段k-1以及路段k上是否出现，路段k上是否出现，分别表示的是车辆n在路段1、路段2、路段k-1以及路段k上是否出现。图2中的方块对应的是反映相邻的两个路段之间的车辆出现概率的关系的多车线路函数。
[0093]
在图2中，由于不再仅考虑单一车辆的行驶，而是考虑了两个车辆(车辆m和车辆n)在各个路段上出现概率的相互影响，因此图2的概率图更为复杂。借助于图2所示的概率图模型以及前述的单车行驶情况下车辆通过路段的时间的概率模型和会车情况下车辆通过路段的时间的概率模型，可以得出多车行驶情况下完整的车辆运行路线的概率模型。为了描述方便，在图2以及上述的示例中仅列举出了路段上车辆m和车辆n的出现概率相互影响的情况。当然，本公开的实施例不限于此，多车线路函数还可以用于表示在同一路段上可能出现三个或更多个车辆情况下的更为复杂的概率分布情况。
[0094]
图3示出了根据本公开的另一个实施例的考虑了异常事件的单车线路概率图模型
的示意图。其中也是将完整的运输路线分为k个路段。图3是在图1所示的概率图的基础上结合了异常事件的概率模型。构建异常事件线路函数h(oi，e
i-1
)＝p
δt
(oi|e
i-1
)，其中oi代表车辆在路段i是否出现，e
i-1
代表在路段i-1是否出现异常情况，i为大于1的整数。在图3中，e1和e
k-1
分别表示路段1和路段k-1是否出现异常事件。如图3所示，在前一路段中是否出现异常事件导致车辆行驶延误会对后一路段的车辆出现概率产生影响。这种影响可以通过上述异常事件线路函数来表示。对于在发生异常事件情况下的概率模型，可参见前述内容，在此不再赘述。
[0095]
图4示出了根据本公开的另一个实施例的考虑了异常事件的多车线路概率图模型的示意图。其中也是将完整的运输路线分为k个路段。图4是在图2所示的概率图的基础上结合了异常事件的概率模型。在图4中，和分别表示路段1和路段k-1是否出现了与车辆n相关的异常事件，和分别表示路段1和路段k-1是否出现了与车辆m相关的异常事件。如图4所示，在前一路段中是否出现与某一车辆相关的异常事件导致车辆行驶延误会对后一路段的该车辆出现概率产生影响。这种影响同样可以通过上述异常事件线路函数来表示。异常事件有可能是仅与某一车辆相关的，比如该车辆自身的故障，也可能是与某一路段上的各个车辆均相关的，比如道路上出现落石等障碍物。对于在发生异常事件情况下的概率模型，可参见前述内容，在此不再赘述。
[0096]
在本公开的实施例中，所述异常事件例如包括车辆内部控制单元故障或路段中临时出现需要避让的障碍物等。
[0097]
上面已经对于在各种情况下的车辆运行状态模型进行了讨论。图1至图4所示出的概率图模型都可以看成是示例性的车辆运行状态模型。然而本公开的实施例不限于此。也可以根据实际的运输路线和车辆的情况采用其他的概率模型来构建车辆运行状态模型。
[0098]
在一些实施例中，所述车辆运行状态模型基于实际的车辆行驶测量数据直接建立或者通过根据实际的车辆行驶测量数据来拟合参数化模型的参数来建立。例如可以利用车辆上或远程的信息记录系统来实时收集车辆行驶过程中的时间信息和位置信息，通过车载摄像头、激光雷达、毫米波雷达等感知设备来获取路段上的障碍物等异常事件预警信息。作为示例，可以基于先验的地图信息及车载信息采集模块所提供的时间信息和位置信息计算各路段车辆运行时间，并通过车辆在同一路段的反复运行构建单车运行时间概率模型，该模型可采取增量构建的方法，即随着采集样本的不断增加不断修正模型的精度。作为示例，还可以基于从车载信息传输模块获取的会车车辆信息和车载信息采集模块所提供的时间信息和位置信息，并通过车辆在同一路段反复发生的会车事件构建会车运行时间模型，该模型可采取增量构建的方法，即随着采集样本的不断增加不断修正模型的精度。
[0099]
在一些实施例中，运输线路的路段上的车辆运行状态的概率依赖于在前一路段上发生异常事件的概率以及至少一个与之相邻的路段的上的车辆运行状态的概率。例如，在图3所示的示例中，在节点o2(o2表示车辆在路段2上是否出现，即车辆在路段2上的运行状态)处，车辆运行状态的概率p(o2)依赖于路段1上发生异常事件的概率p(e1)和路段1上的车辆运行状态的概率p(o1)。再例如，在图4所示的示例中，在节点(表示车辆m在路段2上是否出现，即车辆m在路段2上的运行状态)处，车辆m的车辆运行状态的概率依赖
于路段1上发生异常事件的概率和车辆m在路段1上的车辆运行状态的概率和车辆n在路段1上的车辆运行状态的概率
[0100]
下面将对车辆调度策略的构建和评估进行讨论。
[0101]
根据以上讨论的概率图中所涉及的变量，可完整描述整个运输线路的状态，如可构建状态矩阵o
(t)
并赋予如下形式。
[0102][0103]
其中每行代表一个车辆在时间t在运输道路上的状态，元素代表车辆m在路段i是否出现。该矩阵具备以下特征：
[0104]
每行非零元素不超过一个，即一个车辆不会在同一时间出现在两个路段。
[0105]
车辆调度策略可被映射为特定的状态矩阵o
(t)
，如计划在时间t
l
派出车辆i且该车辆从路段k进入运输道路，则状态矩阵中的元素被赋值为1。将在t
l
时刻执行的车辆调度策略表示为向量该向量规定了在t1时刻希望各车辆出现的路段位置。其中，n表示路段的总数，表示第i个路段在t
l
时刻具有的车辆。通过在连续的时间段上定义车辆调度策略向量，即可给出对特定车辆的预先调度策略。对应于某个时刻的车辆调度策略体现了车辆在该时刻在各个路段上的分布。
[0106]
以图8中所示的运输线路为例，该运输线路包括7个路段，分别为路段1、路段2、路段3、路段4、路段5、路段6和路段7。据此可以将车辆调度策略向量定义成具有7个元素的向量。作为示例，假定第0时刻、第1时刻、第2时刻、第3时刻、第4时刻和第5时刻的车辆调度策略向量可分别为s
(0)
＝[1，0，0，0，0，0，0]
t
，s
(1)
＝[0，1，0，0，0，0，0]
t
，s
(2)
＝[0，0，1，0，2，0，0]
t
，s
(3)
＝[0，1，0，2，0，0，0]
t
，s
(4)
＝[1，0，0，0，0，2，0]
t
，s
(5)
＝[0，1，0，0，0，0，2]
t
。也就是说，车辆1(在向量中用数字1表示)在第0时刻位于路段1，在第1时刻位于路段2，在第2时刻位于路段3，在第3时刻位于路段2，在第4时刻位于路段1，在第5时刻位于路段2；而车辆2(在向量中用数字2表示)在第0时刻和第1时刻没有出现在任何路段中，在第2时刻位于路段5，在第3时刻位于路段4，在第4时刻位于路段6，在第5时刻位于路段7。归纳一下，上述6个时刻的车辆调度策略向量代表调度车辆1从第0时刻到第5时刻沿路线：路段1
→
路段2
→
路段3
→
路段2
→
路段1
→
路段2运行，而车辆2在第2时刻2开始进入运行状态，从第2时刻到第5时刻沿路线：路段5
→
路段4
→
路段6
→
路段7运行。该调度策略对状态矩阵的影响可表示为条件概率考虑截止t
l
时刻之前所有时刻的调度策略，则整体调度策略对状态矩阵的影响可表示为其中为所有时刻的调度策略的集合。
[0107]
系统中任一时刻t+δt的状态矩阵o
(t+δt)
的概率分布p(o
(t+δt)
|s
(t+δt)
)均可由时刻t的状态矩阵o
(t)
的条件概率分布p(o
(t)
|s
(t)
)、最新的车辆调度策略对状态矩阵o
(t+δt)
的条件
概率p(o
(t+δt)
|s
(t+δt)
)及单车线路函数f(o
i-1
，oi)、多车线路函数及异常事件线路函数h(oi，e
i-1
)计算得到。
[0108]
在一些实施例中，上述步骤s2中的基于车辆调度策略和车辆运行状态模型来计算出车辆在运输线路的各个路段上运行状态的概率分布包括：
[0109]
步骤s21：根据车辆调度策略对第一时刻各个路段上的车辆的运行状态进行初始化；以及
[0110]
步骤s22：根据车辆运行状态模型计算在所述第一时刻各个路段上的车辆运行状态的概率。
[0111]
对于在所述第一时刻各个路段上的车辆运行状态的概率的计算，可以利用概率图模型中的节点进行迭代计算。下面以图3所示的考虑了异常事件的单车线路概率图模型为例描述具体的计算方法。
[0112]
首先进行步骤1，即根据某一车辆调度策略来对概率图模型中的各个节点oi进行初始化。于是，可计算初始节点函数p(oi)(即节点oi的概率)，利用异常事件概率模型初始化ej(j＞1)节点，可计算出节点函数p(ej)(即节点ej的概率)。利用初始化取值，计算初始消息(如图9中箭头所示)。在图9中，在节点o1和节点o2之间设置函数节点fa、在节点o2和节点o3之间设置函数节点fb以及在节点o2和节点e1之间设置函数节点gu。以图9中节点o2为例，该节点o2向函数节点fa发送消息m
2，a
(可记为m
2，a
(o2))，向函数节点fb各发送消息m
2，b
(可记为m
2，b
(o2))。在初始状态，即图9所示状态，所发送消息计算如下：
[0113]m2，a
(o2)＝p(o2)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(公式12)
[0114]m2，b
(o2)＝p(o2)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(公式13)
[0115]
类似的，所有oi节点出发的消息均等于该节点的初始节点函数p(oi)，类似的，所有ei节点出发的消息均等于该节点的初始节点函数p(ei)，由此，图9中所有箭头标注的消息均可计算。
[0116]
接下来进行步骤2，计算各函数节点fm(fm表示图9中所示的在节点o
i-1
和节点oi之间的函数节点如fa、fb...f
l
等的统称)节点和gn(gn表示图9中所示的在节点e
i-1
和节点oi之间的函数节点如gu...gv等的统称)节点发出的消息。以fa节点为例，该节点从o1节点接收消息m
1，a
(可记为m
1，a
(o1))，经与函数fa(o1，o2)(在此，fa(o1，o2)对应于条件概率p(o2|o1))计算后得到发送至o2节点的消息，具体计算如下：
[0117][0118]
类似的，所有fm节点和gn节点发出的消息均可计算得到。
[0119]
之后进行步骤3，更新各oi节点处的消息。以图10为中o2节点为例，在从其周边相邻的fa节点、fb节点和gn节点接收到新的消息后，o2节点可更新其发出的消息。例如，从fa节点接收到消息m
a，2
(o2)及从gu节点接收到消息m
u，2
(o2)后，o2节点可更新消息m
2，b
(o2)，该消息的计算方式如下：
[0120]m2，b
(o2)＝m
a，2
(o2)*m
u，2
(o2)
ꢀꢀꢀꢀꢀ
(公式15)
[0121]
类似的，所有oi节点均可更新发往其所有相邻节点的消息。
[0122]
在将所有oi节点发往其所有相邻节点的消息被更新之后重新计算并更新各函数节点fm节点和gn节点发出的消息。在更新各函数节点fm节点和gn节点发出的消息之后，再重
新计算并更新所有oi节点发往其所有相邻节点的消息。如此重复以上步骤2和步骤3直至所有消息不再变化为止，或直至迭代(重复执行上述步骤2和步骤3)至一定的次数(例如一百次以上或一万次以上)为止。
[0123]
在完成上述迭代操作之后，计算各oi节点的后验概率，以o2节点为例：
[0124]
p(o2)＝m
a，2
(o2)*m
b，2
(o2)*m
u，2
(o2)
ꢀꢀꢀꢀꢀ
(公式16)
[0125]
即oi节点的后验概率为从其所有相邻节点接收到的最新的消息的乘积。类似的，所有oi节点的后验概率均可计算得到，从而得出车辆在该路段出现的概率值，亦即得出在某一时刻各个路段上的车辆运行状态的概率。表示异常事件的e
i-1
节点与相邻的函数节点之间也可以建立上述的消息关系。例如，e1节点可以向gu节点发送消息m
e1，u
，从gu节点接收消息m
u，e1
。具体的计算方法与oi节点类似，在此不再赘述。
[0126]
运用上述算法有助于降低系统实现的复杂度并可实现并行计算。
[0127]
需要说明的是，为了方便说明，上述仅以图3所示的考虑了异常事件的单车线路概率图模型为例进行介绍。然而，本公开的实施例不限于此。对于其他的车辆运行状态模型(例如图4)也可以按照上述方法进行计算。根据本公开的车辆运行状态的概率的计算方法也不限于上述方法，本领域中已知的其他计算方法也可以用于计算某一时刻的上述车辆运行状态的概率。
[0128]
如前所述，在步骤s22中可根据车辆运行状态模型计算在所述第一时刻各个路段上的车辆运行状态的概率。这可以为评估车辆调度策略的性能提供基础。
[0129]
在一些实施例中，在评估车辆调度策略的性能时，需要多个时刻下各个路段上的车辆运行状态的概率，在此情况下，上述步骤s2除去包括步骤s21和s22之外还可以包括：
[0130]
步骤s23：根据车辆调度策略对第二或更多时刻各个路段上的车辆的运行状态进行初始化；以及
[0131]
步骤s24：根据车辆运行状态模型计算在所述第二或更多时刻各个路段上的车辆运行状态的概率。
[0132]
步骤s23和s24的具体计算方法与前述步骤s21和s22的计算类似，在此不再赘述。
[0133]
在一些实施例中，如前所述，在步骤s3中，基于车辆在运输线路的各个路段上运行状态的概率分布来计算车辆调度策略的性能参数以评估所述车辆调度策略的性能。车辆调度策略的性能参数可以是能够用于衡量车辆的运输效率或成本的任何参数，作为示例，车辆调度策略的性能参数可包括车辆行驶的总距离，车辆的运输方量等。在一些实施例中，所述步骤s3可以包括：基于车辆在多个时刻在运输线路的各个路段上运行状态的概率分布计算车辆调度策略的性能参数在多个时刻的总和。
[0134]
当评估车辆调度策略的性能时，往往会统计一定时间段内的性能参数的总体状况，例如计算性能参数在多个时刻的总和。作为示例，可以借助于前文提到的时刻t的状态矩阵o
(t)
(参见公式11)的条件概率分布p(o
(t)
|s
(t)
)来完成在调度策略s
(t)
的条件下所有被调度的车辆运行历史的评估，从而可进一步计算被调度车辆的行驶距离、运输方量等性能参数。
[0135]
车辆行驶距离具体计算方式如下：
[0136]
假定路段长度向量为l＝[l1ꢀ…ꢀ
lk]
t
，其中l1ꢀ…ꢀ
lk分别表示路段1至路段k的路段长度，计算行驶距离向量：
[0137][0138]
则车辆m在k个路段上的总行驶距离为向量d的第m个元素。
[0139]
车辆运输方量的具体计算方式如下：
[0140]
假定运输方量向量为w＝[w1ꢀ…ꢀ
wn]
t
，其中w1ꢀ…ꢀ
wn分别表示车辆1至车辆n的运输方量，计算t个时刻的各个路段的运输方量向量：
[0141][0142]
对向量f中所有元素求和即可得到所有路段的总的运输方量。
[0143]
因此利用概率分布p(o
(t)
|s
(t)
)可完成车辆编组调度策略的性能评估，如利用p(o
(t)
|s
(t)
＝sa)和p(o
(t)
|s
(t)
＝sb)计算运输方量的期望值可评估和比较两种不同的车辆调度策略sa和sb的运输效率。该期望值的计算可利用图1～图4中的概率图模型，并结合前述的计算方法来实现。
[0144]
本公开的实施例还提供了一种车辆调度策略的优化方法。如图6所示，该优化方法包括：
[0145]
步骤s0：利用如上所述的任一实施例的评估方法对多种车辆调度策略进行评估；以及
[0146]
步骤s4：将所述多种车辆调度策略进行比较以选择出优选的策略。
[0147]
具体地，作为示例，在步骤s4中可以针对于每种车辆调度策略利用上述概率分布p(o
(t)
|s
(t)
)求出相应的运输性能指标，然后将这些性能指标(例如车辆运行距离、运输方量等)进行比较以选出优选的车辆调度策略。在一些实施例中，可利用优化算法求解在特定时间范围内最大化运输方量的车辆编组调度策略。该优化问题的求解可利用如图1～图4中的概率图模型，并结合本领域任何已知的优化算法来实现。
[0148]
根据本公开的实施例的车辆调度策略的评估方法和优化方法可以减少各类因素导致的车辆等待时间，提高实际运输效率。例如，可以减少车辆排队等待任务的情况出现、减少在特殊路段会车而导致的车辆停止或降速的情况出现、减少异常情况，如落石或设备宕机等突发情况对整体运输的影响，提高实际运输效率。
[0149]
根据本公开的实施例的车辆调度策略的评估方法和优化方法基于车辆在路段上行驶的概率模型，尤其适用于具有固定的运输线路的道路路网，对于露天矿山等场景尤其适用，也可用于其他的公路运输场景。
[0150]
本公开的实施例还提供了一种车辆调度策略的评估装置10。如图7所示，该评估装置10可包括：
[0151]
车辆运行状态生成模块11，用于基于车辆调度策略和运输线路的各个路段上的车辆运行状态模型来计算出车辆在运输线路的各个路段上运行状态的概率分布，其中，所述车辆运行状态模型基于车辆在运输线路的至少一个路段的出现概率来生成；以及
[0152]
性能计算模块12，用于基于车辆在运输线路的各个路段上运行状态的概率分布来
计算车辆调度策略的性能参数以评估所述车辆调度策略的性能。
[0153]
在一些实施例中，所述车辆运行状态模型包括用于在同一路段上仅有单一车辆运行的单车线路函数、用于多个车辆在同一路段上运行的多车线路函数和用于运输线路上的异常事件的异常事件线路函数中的至少一种。
[0154]
在一些实施例中，所述车辆运行状态生成模块11包括：
[0155]
初始化模块111，用于根据车辆调度策略对第一时刻各个路段上的车辆的运行状态进行初始化；以及
[0156]
概率计算模块112，用于根据车辆运行状态模型计算在所述第一时刻各个路段上的车辆运行状态的概率。
[0157]
在一些实施例中，所述初始化模块111还配置成根据车辆调度策略对第二或更多时刻各个路段上的车辆的运行状态进行初始化；以及
[0158]
所述概率计算模块112还配置成根据车辆运行状态模型计算在所述第二或更多时刻各个路段上的车辆运行状态的概率。
[0159]
在一些实施例中，所述性能计算模块12配置成基于车辆在多个时刻在运输线路的各个路段上运行状态的概率分布计算车辆调度策略的性能参数在多个时刻的总和，所述性能参数例如是车辆的运输方量或车辆的行驶距离。
[0160]
在一些实施例中，该评估装置10还可以包括数据采集模块13，用于采集实际的车辆行驶测量数据用于构建所述车辆运行状态模型。该数据采集模块13例如可以包括各种模拟数字采集器、摄像头、雷达等等。
[0161]
根据本公开的实施例的评估装置10可以用于实现上述车辆调度策略的评估方法或优化方法。该评估装置10可以是现场设备，也可以是远程设备，例如可以设置于云端，并与现场车辆和/或控制中心通过云网络进行通信。
[0162]
在一些实施例中，上述评估装置10中的各个模块可以分别设置在不同的设备中，也可以部分地或全部地集成于同一设备中。
[0163]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。在一些实施例中，该电子设备包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据上述任一实施例所述的车辆调度策略的评估方法或优化方法。在一些实施例中，该可读存储介质可以是一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一实施例所述的车辆调度策略的评估方法或优化方法。在一些实施例中，该计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一实施例所述的车辆调度策略的评估方法或优化方法。
[0164]
图11是根据本公开的另一个实施例的用于实现车辆调度策略的评估方法或优化方法的远程控制的系统框图。需要注意的是，图11所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
[0165]
如图11所示，根据该实施例的系统架构200可以包括终端设备201、网络202和服务器203。网络202用以在终端设备201和服务器203之间提供通信链路的介质。网络202可以包
括各种连接类型，例如有线和/或无线通信链路等等。
[0166]
用户可以使用终端设备201通过网络202与服务器203进行交互，以接收或发送消息等。终端设备201可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等等。终端设备201还可以包括车辆。
[0167]
本公开实施例所提供的车辆调度策略的评估方法或优化方法一般可以由服务器203执行。该服务器203例如可以为云服务器。
[0168]
图12示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0169]
如图12所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(rom)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(ram)1103中的计算机程序，来执行各种适当的动作和处理。在ram 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输出(i/o)接口1105也连接至总线1104。
[0170]
设备1100中的多个部件连接至i/o接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0171]
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如预测交通流量的方法。例如，在一些实施例中，预测交通流量的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由rom 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到ram 1103并由计算单元1101执行时，可以执行上文描述的预测交通流量的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行预测交通流量的方法。
[0172]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0173]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0174]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0175]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。
[0176]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0177]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
[0178]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0179]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。