(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211074720.3 (22)申请日 2022.09.02 (71)申请人 广东工业大 学 地址 510000 广东省广州市东 风东路729号 (72)发明人 赵佳虹　陈剑锋　 (74)专利代理 机构 深圳市广诺专利代理事务所 (普通合伙) 44611 专利代理师 居振浩 (51)Int.Cl. G06Q 10/08(2012.01) G06Q 10/04(2012.01) G06F 16/245(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/29(2019.01) (54)发明名称 一种基于深度学习的特殊货物运输风险预 测与处理方法 (57)摘要 本申请提供一种基于深度学习的特殊货物 运输风险预测与处理方法， 包括： 根据特殊货物 的保质期和理化性质 对特殊货物分类并获取最 长运输时间； 针对危险型货物， 识别运输风险级 别并判断是否可以从城市区域的便捷路径行驶； 预测路段交通量， 确定路段交通服务水平等级； 根据路段交通服务水平等级， 构建最短运输路径 规划模型； 获取车辆数据和天气数据， 基于深层 循环神经网络预测运输车行驶速度； 针对时间敏 感型特殊货物进行运输前和运输中延误风险识 别， 判断是否请求协同运输； 根据特殊货物的质 量选择协同运输方式； 根据特殊货物类别制定不 同路径规划方案 。 权利要求书4页 说明书9页 附图2页 CN 115456520 A 2022.12.09 CN 115456520 A 1.一种基于深度学习的特殊货物运输风险预测与处理方法， 其特征在于， 所述方法包 括： 根据特殊货物的保质期和理化 性质对特殊货物分类并获取最长运输时间； 针对危险型货物， 识别运输风险级别并判断是否可以从城市区域的便捷路径行驶； 预测路段交通量， 确定路段交通服务水平等级， 基于卷积神经网络预测路段交通量， 并 根据所述路段交通 量的预测结果， 确定路段交通 服务水平等级； 根据路段交通 服务水平等级， 构建最短运输路径规划模型； 获取车辆数据和天气数据， 基于深层循环神经网络预测运输车 行驶速度； 针对时间敏感型特殊货物进行运输前和运输中延误风险识别， 判断是否请求协同运 输， 其中， 运输前计算全程总运输时间， 判断是否出现延误风险， 运输中实时计算运输时间 确定延误 风险级别， 判断是否请求协同运输； 根据特殊货物的质量选择协同运输方式， 并构建中间路段枢纽点选 址模型； 根据特殊货物类别制定不同路径规划方案 。 2.根据权利要求1所述的方法， 其中， 所述根据特殊货物的保质期和理化性质对特殊货 物分类并获取最长运输时间， 包括: 获取特殊货物 的数据， 包括特殊货物的名称、 保质期、 理化性质； 对特殊货物的数据进 行标准化， 利用k ‑means聚类模 型将特殊货物分为危险型货物和不危险货物两大类； 然后根 据特殊货物的理化性质再对两类特殊货物进一步细分为时间敏感型和 时间不敏感型； 最 终， 根据特殊货物的时间敏感性和 危险性将特殊货物分为危险型时间敏感货物、 危险型时 间不敏感货物、 不危险时间敏感货物和 不危险时间不敏感货物； 将特殊货物的保质期作为 最长运输时间。 3.根据权利要求1所述的方法， 其中， 所述针对危险型货物， 识别运输风险级别并判断 是否可以从城市区域的便捷路径行驶， 包括: 根据危险型特殊货物自身属性和运输过程中的风险因素， 建立危险型特殊货物运输风 险分级评价模 型； 其中， 货物的自身属性指危险型货物的健康 危害性NH、 可燃性NF和化学 活 泼性NR； 货物在运输过程中的风险因素指运输的危险型货物的总质量FM、 城市路径到人口 密集区的距离FS和危险型货物扩散因子等级FD； 记危险型货物自身属性风险等级为N， 记危险型货物运输风险等级为R， R＝N*FM*FS*FD； 预设危险型类货物运输 风险等级第一阈值， 将所述危险型货物运输风险等级分为低、 中等、 严重、 极端严重四个等 级； 当所述危险型货物运输风险等级为低或 中等时， 应走城市区域的便捷路径， 节约运输时 间； 当所述 危险型货物运输风险等级为 严重或极端严重时， 应避免走城市区域的便捷路径。 4.根据权利要求1所述的方法， 其中， 所述预测路段交通量， 确定路段交通服务水平等 级， 包括: 获取连通出发地和目的地的所有路段信 息和路段交通量数据， 利用卷积神经网络预测 各路段距离当前时刻后30分钟的交通量； 根据路段交通量的预测结果计算路段饱和度， 并 以此确定距离 当前时刻后30分钟的路段 交通服务水平等级； 将所述路段 交通服务水平等级 作为路况预测结果； 包括： 基于卷积神经网络预测路段交通量； 根据路段交通量的预测结 果， 确定路段交通 服务水平等级；权　利　要　求　书 1/4 页 2 CN 115456520 A 2所述基于卷积神经网络预测路段交通 量， 具体包括: 获取特殊货物的出发地和目的地， 以及连通两地的所有路段信 息， 包括路段长度、 路段 通行能力， 用编号标识各个路段； 通过微波 车辆检测器收集路段的交通量数据， 每隔15 分钟 检测一次； 提取运输日期前30天的路段信息和交通量数据制作训练数据集， 输入卷积神经 网络预测模型中训练； 然后制作输入集， 获取连通出发地和目的地的所有路段信息及距离 当前时刻前24小时的交通量； 对数据进 行预处理之后输入训练好的卷积神经网络预测模型 中， 对各路段路况进行 预测， 输出距离当前时刻后3 0分钟的交通 量； 所述根据路段交通 量的预测结果， 确定路段交通 服务水平等级， 具体包括: 获取路段交通量的预测结果和路段通行能力， 将路段交通量的预测结果记作V， 路段通 行能力记作C， 计算路段饱和度 根据 《公路工程技术标准》 将交通服务水平划分为四个 等级； 各级对应的路段饱和度为： 一级饱和度介于0到0.35之间， 二级饱和度介于0.35到 0.55之间， 三级饱和度介于0.55到0.9之间， 四级饱和度在0.9以上； 其中， 一级到 四级交通 量逐渐增大， 路段顺畅度逐级递减； 根据路段饱和度P确定路段的交通 服务水平等级。 5.根据权利要求1所述的方法， 其中， 所述根据路段交通服务水平等级， 构建最短运输 路径规划模型， 包括: 获取连通出发地和目的地的所有路段， 利用dijkstra算法初步进行最短路线规划， 将 求得的初始路径结果； 遍历特殊货物沿着初始路径运输所要经过 的每个路段， 并获取所述 路段的交通服务水平等级； 若即将进入的路段的交通服务水平处于一级或二级， 则继续行 驶； 若即将进入的路段的交通服务水平处于三级或四级， 则采用决策树剪枝法对路段进行 局部规划， 将新 规划的路段 更新到初始路径中； 输出最终的运输路径。 6.根据权利要求1所述的方法， 其中， 所述获取车辆数据和天气数据， 基于深层循环神 经网络预测运输车 行驶速度， 包括: 获取运输路径中各路段的车辆数据和天气数据； 其中所述路段中的车辆数据包括所有 车辆当前速度的平均值， 天气数据包括垂 直高空能见度、 水平距离能见度、 温度、 降水量、 气 压、 相对湿度； 统一将数据采集的时间间隔定为6小时， 获取运输日期前30天的车辆数据和 天气数据作为深层循环神经网络的训练集； 将运输路径中各个路段在当天的垂 直高空能见 度、 水平距离能见度、 温度、 降水量、 气 压和相对湿度作为深层循环神经网络的输入值， 预测 运输车辆的行驶速度。 7.根据权利要求1所述的方法， 其中， 所述针对时间敏感型特殊货物进行运输前和运输 中延误风险识别， 判断是否请求协同运输， 包括: 获取时间敏感型特殊货物的最终运输路径， 并计算运输路径总长度； 获取预测的运输 车辆的行驶速度； 首先判断在运输前计算按照规划的运输路径和预测的运输车辆的行驶速 度能否在所述时间敏感型特殊货物的最长运输时间内到达； 即运输前计算全程总运输时 间， 若有延误风险则应在出发前请求协同运输， 若 无延误风险则按照规划的运输路径行驶； 然后， 在运输过程中实时获取运输车在一个小时内的实际行驶速度， 对所述运输车在一个 小时内的实际行驶速度求平均， 记为 实际行驶速度， 并以此实时计算总运输时间， 确定延误 级别； 根据延误级别判断是否请求协同运输； 包括： 运输前计算全程总运输时间， 判断是否 出现延误 风险； 运输中实时计算 运输时间确定延误 风险级别， 判断是否请求协同运输； 所述运输前计算全程总运输时间， 判断是否出现延误 风险， 具体包括:权　利　要　求　书 2/4 页 3 CN 115456520 A 3