本發(fā)明涉及智能化運輸規(guī)劃，尤其涉及一種應急物資運輸規(guī)劃方法及系統(tǒng)。

背景技術：

1、進行應急物資運輸規(guī)劃的目的是優(yōu)化運輸路線和時間，以保證應急物資能夠在最短的時間內(nèi)送達受災區(qū)域。但應急物資運輸規(guī)劃是一個復雜的優(yōu)化問題，涉及多個決策變量和約束條件，同時也受到事件的不確定性和動態(tài)性的影響。

2、傳統(tǒng)的應急物資運輸規(guī)劃方法通常通過建立數(shù)學方程或邏輯規(guī)則來描述運輸問題，并求解最優(yōu)解。這種方法的缺點是需要大量的數(shù)據(jù)輸入和計算，難以適應事件的快速變化和多樣性。

3、因此，期待一種優(yōu)化的應急物資運輸規(guī)劃方案。

技術實現(xiàn)思路

1、本發(fā)明實施例提供一種應急物資運輸規(guī)劃方法及系統(tǒng)，其利用圖像處理技術，對地圖圖像和備選運輸規(guī)劃路徑進行特征提取與分析，進而評估備選運輸規(guī)劃路徑是否為最優(yōu)路徑的概率值。通過這樣的方式，輸入多條備選運輸規(guī)劃路徑來尋找并確定最佳運輸路徑，以提高物資運輸?shù)男屎晚憫俣取?/p>

2、本發(fā)明實施例還提供了一種應急物資運輸規(guī)劃方法，其包括：獲取發(fā)生突發(fā)公共安全事件區(qū)域的地圖圖像；對所述地圖圖像進行地圖圖像特征提取以得到全域圖像特征矩陣；獲取第一備選運輸規(guī)劃路徑；對所述第一備選運輸規(guī)劃路徑進行特征提取以得到第一備選運輸途徑圖像特征矩陣；以及基于所述全域圖像特征矩陣和所述第一備選運輸途徑圖像特征矩陣，確定所述第一備選運輸規(guī)劃路徑為最優(yōu)路徑的概率值。

3、本發(fā)明實施例還提供了一種應急物資運輸規(guī)劃系統(tǒng)，其包括：地圖圖像獲取模塊，用于獲取發(fā)生突發(fā)公共安全事件區(qū)域的地圖圖像；圖像特征提取模塊，用于對所述地圖圖像進行地圖圖像特征提取以得到全域圖像特征矩陣；規(guī)劃路徑獲取模塊，用于獲取第一備選運輸規(guī)劃路徑；路徑特征提取模塊，用于對所述第一備選運輸規(guī)劃路徑進行特征提取以得到第一備選運輸途徑圖像特征矩陣；以及最優(yōu)路徑的概率值確定模塊，用于基于所述全域圖像特征矩陣和所述第一備選運輸途徑圖像特征矩陣，確定所述第一備選運輸規(guī)劃路徑為最優(yōu)路徑的概率值。

技術特征：

1.一種應急物資運輸規(guī)劃方法，其特征在于，包括：獲取發(fā)生突發(fā)公共安全事件區(qū)域的地圖圖像；對所述地圖圖像進行地圖圖像特征提取以得到全域圖像特征矩陣；獲取第一備選運輸規(guī)劃路徑；對所述第一備選運輸規(guī)劃路徑進行特征提取以得到第一備選運輸途徑圖像特征矩陣；以及基于所述全域圖像特征矩陣和所述第一備選運輸途徑圖像特征矩陣，確定所述第一備選運輸規(guī)劃路徑為最優(yōu)路徑的概率值。

2.根據(jù)權利要求1所述的應急物資運輸規(guī)劃方法，其特征在于，對所述地圖圖像進行地圖圖像特征提取以得到全域圖像特征矩陣，包括：將所述地圖圖像通過包含第一卷積神經(jīng)網(wǎng)絡模型和第二卷積神經(jīng)網(wǎng)絡模型的地圖多尺度特征提取器以得到所述全域圖像特征矩陣。

3.根據(jù)權利要求2所述的應急物資運輸規(guī)劃方法，其特征在于，對所述第一備選運輸規(guī)劃路徑進行特征提取以得到第一備選運輸途徑圖像特征矩陣，包括：將所述第一備選運輸規(guī)劃路徑在所述地圖圖像中進行標識以得到第一備選運輸規(guī)劃路徑圖像；以及將所述第一備選運輸規(guī)劃路徑圖像通過所述包含第一卷積神經(jīng)網(wǎng)絡模型和第二卷積神經(jīng)網(wǎng)絡模型的地圖多尺度特征提取器以得到所述第一備選運輸途徑圖像特征矩陣。

4.根據(jù)權利要求3所述的應急物資運輸規(guī)劃方法，其特征在于，基于所述全域圖像特征矩陣和所述第一備選運輸途徑圖像特征矩陣，確定所述第一備選運輸規(guī)劃路徑為最優(yōu)路徑的概率值，包括：計算所述第一備選運輸途徑圖像特征矩陣相對于所述全域圖像特征矩陣的轉移矩陣作為分類特征矩陣；以及將所述分類特征矩陣通過分類器以得到分類結果，所述分類結果用于表示所述第一備選運輸規(guī)劃路徑為最優(yōu)路徑的概率值。

5.根據(jù)權利要求4所述的應急物資運輸規(guī)劃方法，其特征在于，將所述分類特征矩陣通過分類器以得到分類結果，所述分類結果用于表示所述第一備選運輸規(guī)劃路徑為最優(yōu)路徑的概率值，包括：將所述分類特征矩陣進行特征矩陣展開以得到分類特征向量；將所述分類特征向量通過分類器以得到分類結果，所述分類結果用于表示所述第一備選運輸規(guī)劃路徑為最優(yōu)路徑的概率值。

6.根據(jù)權利要求5所述的應急物資運輸規(guī)劃方法，其特征在于，還包括，用于對所述包含第一卷積神經(jīng)網(wǎng)絡模型和第二卷積神經(jīng)網(wǎng)絡模型的地圖多尺度特征提取器和所述分類器進行訓練的訓練步驟。

7.根據(jù)權利要求6所述的應急物資運輸規(guī)劃方法，其特征在于，所述訓練步驟，包括：獲取訓練數(shù)據(jù)，其中，所述訓練數(shù)據(jù)，包括：發(fā)生突發(fā)公共安全事件區(qū)域的訓練地圖圖像；將所述訓練地圖圖像通過包含第一卷積神經(jīng)網(wǎng)絡模型和第二卷積神經(jīng)網(wǎng)絡模型的地圖多尺度特征提取器以得到訓練全域圖像特征矩陣；獲取訓練第一備選運輸規(guī)劃路徑；將所述訓練第一備選運輸規(guī)劃路徑在所述訓練地圖圖像中進行標識以得到訓練第一備選運輸規(guī)劃路徑圖像；將所述訓練第一備選運輸規(guī)劃路徑圖像通過所述包含第一卷積神經(jīng)網(wǎng)絡模型和第二卷積神經(jīng)網(wǎng)絡模型的地圖多尺度特征提取器以得到訓練第一備選運輸途徑圖像特征矩陣；計算所述訓練第一備選運輸途徑圖像特征矩陣相對于所述訓練全域圖像特征矩陣的轉移矩陣作為訓練分類特征矩陣；將所述訓練分類特征矩陣通過分類器以得到分類損失函數(shù)值；計算針對所述訓練分類特征矩陣的預定損失函數(shù)值；以所述分類損失函數(shù)值和所述預定損失函數(shù)值的加權和作為最終損失函數(shù)值，來對所述包含第一卷積神經(jīng)網(wǎng)絡模型和第二卷積神經(jīng)網(wǎng)絡模型的地圖多尺度特征提取器和所述分類器進行訓練。

8.根據(jù)權利要求7所述的應急物資運輸規(guī)劃方法，其特征在于，計算針對所述訓練分類特征矩陣的預定損失函數(shù)值，包括：計算所述訓練分類特征矩陣展開后的訓練分類特征向量的任意兩個位置的特征值之間的均值和方差以獲得均值權重矩陣和方差權重矩陣，再將所述訓練分類特征向量分別與所述均值權重矩陣和所述方差權重矩陣進行查詢式相乘后，計算得到的均值特征向量和方差特征向量的自關聯(lián)矩陣的范數(shù)，并減去所述訓練分類特征向量的自關聯(lián)矩陣的范數(shù)與作為超參數(shù)的權重的乘積來得到所述預定損失函數(shù)值。

9.一種應急物資運輸規(guī)劃系統(tǒng)，其特征在于，包括：地圖圖像獲取模塊，用于獲取發(fā)生突發(fā)公共安全事件區(qū)域的地圖圖像；圖像特征提取模塊，用于對所述地圖圖像進行地圖圖像特征提取以得到全域圖像特征矩陣；規(guī)劃路徑獲取模塊，用于獲取第一備選運輸規(guī)劃路徑；路徑特征提取模塊，用于對所述第一備選運輸規(guī)劃路徑進行特征提取以得到第一備選運輸途徑圖像特征矩陣；以及最優(yōu)路徑的概率值確定模塊，用于基于所述全域圖像特征矩陣和所述第一備選運輸途徑圖像特征矩陣，確定所述第一備選運輸規(guī)劃路徑為最優(yōu)路徑的概率值。

10.根據(jù)權利要求9所述的應急物資運輸規(guī)劃系統(tǒng)，其特征在于，所述圖像特征提取模塊，用于：將所述地圖圖像通過包含第一卷積神經(jīng)網(wǎng)絡模型和第二卷積神經(jīng)網(wǎng)絡模型的地圖多尺度特征提取器以得到所述全域圖像特征矩陣。

技術總結
本發(fā)明公開了一種應急物資運輸規(guī)劃方法及系統(tǒng)，其利用圖像處理技術，對地圖圖像和備選運輸規(guī)劃路徑進行特征提取與分析，進而評估備選運輸規(guī)劃路徑是否為最優(yōu)路徑的概率值。通過這樣的方式，輸入多條備選運輸規(guī)劃路徑來尋找并確定最佳運輸路徑，以提高物資運輸?shù)男屎晚憫俣取?br/>
技術研發(fā)人員：成微,鞏天嘯
受保護的技術使用者：中國信息通信研究院
技術研發(fā)日：
技術公布日：2024/9/9