[发明专利]一种基于神经网络的共享汽车智能寻优决策方法和系统

说明书

技术领域

本发明涉及一种基于神经网络的共享汽车智能寻优决策方法和系统。

背景技术

近年来，随着人们对环保理念的日益重视，以电能为动力来源的电动汽车正受到世界各国的青睐，零排放、零污染、性能卓越已经成为其主要特点，据预测，未来电动汽车的应用市场仍会有突飞猛进的发展。虽然电动汽车的优势明显，但从目前情况看来，与其配套的充电设施数量过少、车桩之间的匹配不完善、充电安全性、车辆价格昂贵、车位管理混乱、新能源牌照稀缺等问题，是制约电动汽车在普通市民当中大范围普及使用的关键因素。

为了让更多市民享受到电动汽车的便利，同时又不受上述问题的困扰，主流厂商推出的共享电动汽车租赁业务，已经成为日常出行的新选择。然而人们在面对不同的取车点、不同车型、不同单价、不同舒适度的共享电动汽车时，往往无所适从，如何根据自己的出行计划，在最近的距离内选到自己最喜欢的车型，同时以最优的驾驶路线和最经济的消费总价尽快到达目的地，是需要着重考虑的问题。

发明内容

本发明的目的是提供一种基于神经网络的共享汽车智能寻优决策方法和系统。

为实现上述目的，本发明的方案包括以下技术方案。

方法方案一：本方案提供一种基于神经网络的共享汽车智能寻优决策方法，包括以下步骤：

(1)获取设定数量的训练样本对，各训练样本对包括输入训练样本和对应的输出值，输入训练样本包括以下输入参量：当前位置、始发位置、终点位置、能接受的最近取车点距离范围、能接受的最高起步价、最高每公里或每小时的单价、节假日价格优惠比例、最高时速、最低时速、舒适度、车型、座位数和颜色，输出值包括以下输出参量：最近的取车点位置、最喜欢的车型、最优的驾驶路线、最经济的消费总价和终点还车点位置；

(2)建立BP神经网络，利用各训练样本对对BP神经网络进行迭代训练，以得到智能寻优决策模型；

(3)将待检测的输入参量输入到智能寻优决策模型中，以得到对应的最近的取车点位置、最喜欢的车型、最优的驾驶路线、最经济的消费总价和终点还车点位置。

由于系统的输入和输出具有高度的非线性映射关系，传统算法无法准确实现，基于BP神经网络的学习算法能够很好解决这一问题，并能智能决策出最佳出行参数。BP神经网络可以模仿人脑处理问题的方式，其中包括对信息的加工、处理、存贮和搜索等过程，能够可靠处理非线性映射问题，具有很强的鲁棒性和容错能力。利用BP神经网络综合分析出行需求参数，同时结合车辆、地图和交通情况，帮助人们智能选择共享汽车、决策驾驶路线，是解决出行问题的理想途径。而且，BP神经网络的强大的鲁棒性、容错能力和非线性映射能力等优势，能够输出理想的取车点位置、车型、驾驶路线、消费总价、还车点位置等参数。在信息互联互通和共享汽车迅速发展的趋势下，本发明将以智能的方式，帮助人们综合评判出行参数，节省寻车时间、决策合理路线、节约出行成本，从而达到寻求最佳驾驶体验、改善车辆选择方式的目的，有效避免了选车和出行的盲目性、随机性。并且，根据具体出行需求，能够更有针对性的得知最优化的出行规划，改善传统出行方式，避免盲目性和随机性。

方法方案二：在方法方案一的基础上，获取设定数量的修正样本对，各修正样本对包括输入修正样本和对应的输出期望值，输入修正样本包括以下输入参量：当前位置、始发位置、终点位置、能接受的最近取车点距离范围、能接受的最高起步价、最高每公里或每小时的单价、节假日价格优惠比例、最高时速、最低时速、舒适度、车型、座位数和颜色，输出期望值包括以下输出参量：最近的取车点位置、最喜欢的车型、最优的驾驶路线、最经济的消费总价和终点还车点位置；利用各修正样本对对得到的智能寻优决策模型进行修正，使模型的实际输出值与对应的输出期望值之间的误差在设定范围内。

方法方案三：在方法方案一或二的基础上，在利用各训练样本对对BP神经网络进行迭代训练之前，对各种输入参量进行归一化处理。

方法方案四：在方法方案二的基础上，所述BP神经网络包括输入层、隐含层和输出层，设定输入层任一神经元到隐含层任一神经元之间的连接权值为第一连接权值，设定隐含层任一神经元到输出层任一神经元之间的连接权值为第二连接权值，设定隐含层任一神经元的阈值为第一阈值，设定输出层任一神经元的阈值为第二阈值；在修正智能寻优决策模型过程中，当根据修正样本对中的输入修正样本得到的实际输出值与对应的输出期望值之间的误差在设定范围之外时，将误差值反向传播至输入层，并修正所述第一连接权值、第二连接权值、第一阈值和第二阈值，直至误差在设定范围内。