[发明专利]一种行驶路线规划方法和装置

权利要求书

1.一种行驶路线规划方法，其特征在于，所述方法包括：

根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线，对深度学习网络进行训练，构建加钞路线规划模型，所述加钞路线规划模型包括加钞时序预测模型和路线规划模型；

通过所述加钞路线规划模型，对生成的各网点的当前钞票时序数据和道路信息进行路线规划，得到最佳行驶路线，所述道路信息包括区域交通静态控件结构和各网点的道路实况信息；

所述通过所述加钞路线规划模型，对生成的各网点的当前钞票时序数据和道路信息进行路线规划，得到最佳行驶路线，包括：

通过所述加钞时序预测模型，根据所述当前钞票时序数据进行预测，得到各网点的预测加钞时间；

通过所述路线规划模型，对所述预测加钞时间和道路信息进行卷积计算，得到所述最佳行驶路线；

所述通过所述路线规划模型，对所述预测加钞时间和道路信息进行卷积计算，得到所述最佳行驶路线，包括：

通过检测器节点，对所述预测加钞时间、区域交通静态空间结构和各网点的道路实况信息分别进行特征提取，得到预测加钞时间特征、区域交通静态空间结构特征和各网点的道路实况特征；

对所述预测加钞时间特征和区域交通静态空间结构特征进行卷积计算，得到加钞时间动态特征；

对所述区域交通静态空间结构特征和各网点的道路实况特征进行卷积计算，得到分段路径动态特征；

对所述加钞时间动态特征和分段路径动态特征进行融合计算，得到所述最佳行驶路线，钞票时序数据为时序下的钞票需求量，最佳加钞时间为网点钞票量告警前的时间点。

2.根据权利要求1所述的行驶路线规划方法，其特征在于，所述根据各网点的历史交易数据、历史加钞时间、获取的道路信息和历史路线，对深度学习网络进行训练，构建加钞路线规划模型，包括：

根据所述历史交易数据，对深度学习网络进行训练，构建加钞时序预测模型；

根据所述历史加钞时间、道路信息和历史路线，对深度学习网络进行训练，构建路线规划模型；

根据所述加钞时序预测模型和路线规划模型，生成加钞路线规划模型。

3.根据权利要求2所述的行驶路线规划方法，其特征在于，所述历史交易数据包括历史钞票时序数据和历史最佳加钞时间；

所述根据所述历史交易数据，对深度学习网络进行训练，构建加钞时序预测模型，包括：

将所述历史最佳加钞时间确定为第一训练标签；

将所述历史钞票时序数据确定为第一训练数据；

根据所述第一训练标签和第一训练数据，对所述深度学习网络进行训练，构建加钞时序预测模型。

4.根据权利要求2所述的行驶路线规划方法，其特征在于，所述根据所述历史加钞时间、道路信息和历史路线，对深度学习网络进行训练，构建路线规划模型，包括：

将所述历史路线确定为第二训练标签；

将所述历史加钞时间和道路信息确定为第二训练数据；

根据所述第二训练标签和第二训练数据，对所述深度学习网络进行训练，构建路线规划模型。

5.根据权利要求1所述的行驶路线规划方法，其特征在于，在所述通过所述加钞路线规划模型，对生成的各网点的当前钞票时序数据和道路信息进行路线规划，得到最佳行驶路线之前，还包括：

从获取的当前现金交易流水中筛选出指定时间段中每个时间周期的钞票需求量；

根据每个时间周期的钞票需求量，生成当前钞票时序数据。

6.根据权利要求1所述的行驶路线规划方法，其特征在于，所述方法还包括：

获取网点人员输入的第一反馈信息，所述第一反馈信息为对预测加钞时间的反馈；

若第一反馈信息为满意，根据所述预测加钞时间和各网点的当前钞票时序数据，对加钞时序预测模型进行更新训练，得到更新后的加钞时序预测模型；

若第一反馈信息为不满意，根据网点人员输入的推荐加钞时间和各网点的当前钞票时序数据，对所述加钞时序预测模型进行更新训练，得到更新后的加钞时序预测模型。