一种无人机多订单配送碳减排效益预测方法及系统

本发明涉及碳减排效益预测，具体的是一种无人机多订单配送碳减排效益预测方法及系统。

背景技术：

1、在当今社会经济的快速发展和城市化进程的加速推进中，城市交通系统正承受着前所未有的压力。环境污染和能源消耗问题日益严重，这不仅威胁着城市的可持续发展，也对人类健康和生态环境造成了深远的影响。在应对全球气候变化的紧迫形势下，减少交通领域的碳排放，推动绿色、低碳的交通出行方式，已经成为全球各国政府、科研机构以及社会各界的共同关注点。

2、无人机配送作为一种新兴的物流模式，在缓解城市交通压力、提高配送效率方面展现出巨大潜力。然而，这一创新模式也伴随着碳排放问题，需要对其环境影响进行全面评估。尽管无人机相较于传统地面运输工具在某些方面具有低碳优势，但在实际运营过程中，其碳足迹的计算和减排潜力的挖掘仍充满挑战。例如，无人机的制造、维护、电池生产和充电等环节都会产生一定的碳排放。此外，无人机配送的路线规划、飞行频率和载荷效率等因素，也直接影响其整体的碳减排效益。

技术实现思路

1、为解决上述背景技术中提到的不足，本发明的目的在于提供一种无人机多订单配送碳减排效益预测方法及系统，通过精确评估和预测个体拼单配送行程的碳减排效益，从而优化拼单配送服务和制定减排策略。

2、第一方面，本发明的目的可以通过以下技术方案实现：一种无人机多订单配送碳减排效益预测方法，方法包括以下步骤：

3、获取无人机配送数据，对无人机配送数据进行处理，分离出单独配送订单和拼单配送订单，作为拼单配送行程数据；

4、基于拼单配送行程数据进行变量特征的构造，生成无人机拼单配送出行减排效益预测模型的特征变量，其中，变量特征的构造包括时间、空间和出行三个层面；

5、将无人机拼单配送出行减排效益预测模型的特征变量输入至预先建立的优化预测模型内，输出得到碳减排效益预测结果，其中，所述预先建立的优化预测模型为梯度提升模型通过贝叶斯超参数优化方法对关键超参数进行优化后得到。

6、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述对无人机配送数据进行处理的过程包括：数据清洗、拼单配送订单识别、指标计算和异常值处理。

7、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述拼单配送订单识别的过程：

8、通过拼单配送行程识别算法，即同一架无人机按时间顺序排序的相邻两个订单，来区分订单数据集中的拼单配送订单和单独配送订单：如果这两个订单的时间段有重叠，即第一个订单的结束计费时间晚于第二个订单的开始计费时间：et1＞st2，则这两次订单为拼单配送订单，两个拼单配送订单就组成了一次拼单配送行程。

9、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述指标计算包括轨迹段指标、单独配送行程指标、拼单配送行程指标以及无人机拼单配送出行订单指标的计算。

10、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述轨迹段指标计算包括：

11、轨迹段间隔长度：

12、设无人机n在订单i中的轨迹段s是由无人机n在订单i中连续的两个轨迹点m,m+1连接而成，则轨迹段的间隔长度表示为：

13、

14、式中，geodesic为python中计算两个位置点之间距离的函数，为无人机n在订单i中的轨迹点m的位置信息；

15、轨迹段间隔时间：

16、轨迹段s的起点时间即为轨迹点m的时间戳轨迹段s的终点时间即为轨迹点m+1的时间戳轨迹段间隔时间为轨迹段终点时间和起点时间的差值，分别有：

17、

18、轨迹段平均速度：

19、轨迹段的平均速度等于轨迹段的间隔长度与间隔时间的比例，表示为：

20、

21、轨迹段碳排放因子表示为：

22、

23、式中，α、β、γ、δ、ε、ζ、η是copert模型中计算碳排放因子的相关参数；

24、轨迹段碳排放量：

25、轨迹段的碳排放等于轨迹段的排放因子与轨迹段间隔距离的乘积，即：

26、

27、轨迹段异常值处理：

28、对间隔时间超过60s且间隔距离不为0、或间隔距离超过500m、或平均速度超过120km/h的异常轨迹段进行清除；

29、单独配送行程指标计算包括：

30、单独配送行程时间：

31、对于无人机n的单独配送行程k，单独配送行程k的行程时间等于它所对应的单独配送订单i的订单时长，即单独配送订单i的结束计费时间etin和开始计费时间stin之差：

32、

33、单独配送行程距离：

34、引入修正系数它等于单独配送行程的实际行程时间与对应单独配送订单i的轨迹段累计时长的比值，即：

35、

36、单独配送行程的行程距离等于修正系数与对应单独配送订单的轨迹段累计长度的乘积，即：

37、

38、单独配送行程碳排放量

39、单独配送行程的碳排放量等于修正系数与对应单独配送订单的轨迹段累计碳排放的乘积，即：

40、

41、单独配送行程异常值处理

42、对轨迹段缺失严重的异常单独配送行程进行清除，只保留修正系数小于或等于1.1的单独配送行程；

43、拼单配送行程指标计算的过程：

44、拼单配送行程时间：

45、对于无人机n的拼单配送行程j，拼单配送行程j的行程时间等于它所包含的拼单配送订单集合φj里，最晚的结束计费时间max(etin)和最早的计费时间min(stin)之差，即：

46、

47、拼单配送行程距离

48、拼单配送行程的修正系数等于拼单配送行程的行程时间与拼单配送行程所包含的所有拼单配送订单对应的轨迹段累计时长的乘积，即：

49、

50、拼单配送行程的行程距离等于修正系数与拼单配送行程所包含的所有拼单配送订单对应的轨迹段累计长度的乘积，即：

51、

52、拼单配送行程碳排放量：

53、拼单配送行程的碳排放量等于修正系数与拼单配送行程所包含的所有拼单配送订单对应的轨迹段累计碳排放的乘积，即：

54、

55、拼单配送行程碳减排量：先通过计算它们碳排放量的中位数，以作为计算拼单配送行程碳减排量的基准，表示如下：

56、

57、式中，为拼单配送订单i所替代的所有单独配送行程碳排放量的中位数，median{}表示取中位数的操作，代表了拼单配送订单i所替代的单独配送行程的基准碳排放量，ok和dk分别表示单独配送行程k起点和终点所在网格，oi和di分别表示拼单配送订单i的起点和终点所在网格；

58、拼单配送行程j的碳减排量等于该拼单配送行程包含的所有拼单配送订单i所替代的单独配送行程的基准碳排放量之和与拼单配送行程实际碳排放的差值，即：

59、

60、拼单配送行程单位距离碳减排量：

61、拼单配送行程j的单位距离碳减排量为拼单配送行程碳减排量与拼单配送行程的行程距离的比值，计算公式如下：

62、

63、拼单配送行程延误时间和绕路距离：

64、计算替代单独配送订单的出行时长和出行距离的中位数，以作为计算无人机拼单配送出行绕路和延误的基准，分别有：

65、

66、式中，为拼单配送订单i所替代的所有单独配送行程的行程时间的中位数，代表了拼单配送订单i所替代的单独配送行程的基准行程时间；为拼单配送订单i所替代的所有单独配送行程的行程距离的中位数，代表了拼单配送订单i所替代的单独配送行程的基准行程距离；

67、拼单配送行程j的延误时间等于拼单配送行程实际行程时间与该拼单配送行程包含的所有拼单配送订单i所替代的单独配送行程的基准行程时间之和的差值，即：

68、

69、拼单配送行程j的绕路距离等于拼单配送行程实际行程距离与该拼单配送行程包含的所有拼单配送订单i所替代的单独配送行程的基准行程距离之和的差值，即：

70、

71、拼单配送行程共享时间和共享距离：

72、拼单配送行程j的共享时间为拼单配送行程所包含的所有拼单配送订单的重叠时间段的长度：

73、

74、拼单配送行程j的共享距离为拼单配送行程在共享时间里的所有轨迹段的累计长度与拼单配送行程修正系数的积：

75、

76、拼单配送行程异常值处理

77、对轨迹段缺失严重的异常拼单配送行程进行清除，只保留修正系数小于或等于1.1的共行程，对共享时间小于1分钟和共享距离小于500m的异常拼单配送行程进行清除；

78、拼单配送订单时长

79、拼单配送订单的订单时长tin等于订单的结束计费时间etin和开始计费时间stin的差值，即：

80、tin＝etin-stin

81、拼单配送订单出行距离

82、无人机n在拼单配送行程j中的拼单配送订单i的出行距离等于拼单配送行程修正系数与无人机在该订单时间段内的所有轨迹段长度之和的乘积，即：

83、

84、拼单配送订单碳排放量

85、拼单配送订单的碳排放量等于拼单配送行程修正系数与无人机在该订单时间段内的所有轨迹段累计排放的乘积，即：

86、

87、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述基于拼单配送行程数据进行变量特征的构造：通过分析无人机配送订单和轨迹数据，封面并结合poi兴趣点数据、路网数据以及土地利用数据，从时间特征、空间特征、出行特征三个方面来构造无人机拼单配送出行减排效益预测模型的特征变量。

88、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述无人机拼单配送出行减排效益预测模型的特征变量包括：拼单配送行程单位距离减排量、高峰时段、交通运行状况、土地利用混合度、到cbd距离、poi密度、公交及地铁站点密度、路网密度、拼单配送数量、行程距离、行程平均速度、共享距离比、绕路率和最大最小订单距离比。

89、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述基于拼单配送行程数据进行变量特征的构造的过程包括：

90、使用多准则集成特征选择方法对构造的特征进行筛选，以确定影响无人机拼单配送出行碳减排效益预测的特征变量；其中，方法选择包裹式特征选择方法中的递归特征消除法以及嵌入式特征选择方法中的弹性网络法、随机森林法；

91、对选取的时间、空间、出行三个层面上的特征变量进行特征选择，并剔除高峰时段、距市中心距离、公交与地铁站点密度、最大最小订单距离比这四项平均标准化得分小于预设阈值的特征，保留其余平均标准化得分大于预设阈值的特征，最终获得无人机拼单配送出行减排效益预测模型的特征变量。

92、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述碳减排效益预测结果使用shap模型解释方法进行解释分析，根据分析结果从而提出无人机拼单配送出行减排策略；

93、过程包括：基于全局的模型解释分析、基于单因素的模型解释分析、基于双因素交互的模型解释分析、基于个体的模型解释分析以及基于模型解释结果，提出对应无人机拼单配送出行减排策略。

94、第二方面，为了达到上述目的，本发明公开了一种无人机多订单配送碳减排效益预测系统，包括：

95、数据处理模块，用于获取无人机配送数据，对无人机配送数据进行处理，分离出单独配送订单和拼单配送订单，作为拼单配送行程数据；

96、特征构造模块，用于基于拼单配送行程数据进行变量特征的构造，生成无人机拼单配送出行减排效益预测模型的特征变量，其中，变量特征的构造包括时间、空间和出行三个层面；

97、效益预测模块，用于将无人机拼单配送出行减排效益预测模型的特征变量输入至预先建立的优化预测模型内，输出得到碳减排效益预测结果，其中，所述预先建立的优化预测模型为梯度提升模型通过贝叶斯超参数优化方法对关键超参数进行优化后得到。

98、本发明的有益效果：

99、本发明能够深入评估个体拼单配送行程对城市交通环境的具体影响，从而为城市交通管理和规划提供了更为精确的决策支持。本发明综合考量了时间、空间和出行模式等多个维度的影响因素，通过构建特征变量和应用多准则特征选择方法，全面分析了无人机拼单配送出行的碳减排效益，提高了评估的综合性和细致度。通过采用贝叶斯超参数优化技术对梯度提升模型进行调优，本发明显著提升了无人机拼单配送出行碳减排效益预测的准确性和模型的泛化能力。利用shap模型解释方法，本发明能够清晰地展示各影响因素对预测结果的贡献度，增强了模型的可解释性，使得预测结果更易于理解和接受。本发明针对无人机拼单配送出行的碳减排效益进行了创新性研究，特别是在处理无人机和下单用户起讫点不一致带来的复杂性方面，展现了较高的研究价值和应用潜力。本发明建立了符合城市共享交通特点的环境成本函数，量化了不同出行模式对城市交通环境的影响，为评估和改善城市交通环境提供了新的量化工具。通过明确网约车无人机拼单配送出行对环境的影响，本发明有助于有关部门采取有效措施，推动城市交通向更加绿色、可持续的方向发展。