-
公开(公告)号：CN117809469A
公开(公告)日：2024-04-02
申请号：CN202410217400.1
申请日：2024-02-28
Applicant: 合肥工业大学
Abstract: 本发明涉及交通控制技术领域，具体涉及基于深度强化学习的交通信号灯配时调控方法及系统。本发明公开了基于深度强化学习的交通信号灯配时调控方法，包括：步骤一，初始化两个相同结构的Q值网络，并将其中一个Q值网络作为动作价值网络#imgabs0#、另一个Q值网络作为目标Q值网络#imgabs1#；步骤二，将目标道路交叉口作为目标环境，并周期性采集目标环境的状态；步骤三，基于双Q学习对#imgabs2#、#imgabs3#进行多轮迭代运算，并同步对目标环境中的交通信号灯进行相位控制，直至达到最大迭代轮数N。本发明采用双Q学习方法，通过引入经验回放、使用目标Q值网络来评估Q值，将选择最优动作的过程和评估最优动作的过程分开，可以更好、更稳定性的学习到最优策略。
-
公开(公告)号：CN118966483A
公开(公告)日：2024-11-15
申请号：CN202411452608.8
申请日：2024-10-17
Applicant: 合肥工业大学
IPC: G06Q10/04 , G06N3/044 , G06N3/084 , G06N3/0895 , G06Q50/40 , G06F18/213 , G06F18/214 , G06F123/02
Abstract: 本发明属于海运领域，具体涉及一种基于深度对比学习的船舶到港时间预测方法及其对应的船舶到港时间预测系统和装置。该方案优选包含AIS数据、气象数据与海运路径的特征信息作为样本数据，并筛选出若干组表征相似或不同航行条件的样本对，分别作为正样本对和负样本对。本发明基于对比学习框架构建一个包含特征提取器、投影头和RNN的船舶到港预测模型；并对其进行两阶段训练。在第一阶段中，通过构建正样本对和负样本对来预训练模型中的特征提取部分。在第二阶段，则直接利用样本数据集通过梯度下降的方式训练整个网络模型，使得网络模型的预测精度满足要求。本发明解决了现有技术难以实现对海运船舶的到港时间进行精准预测的问题。
-
公开(公告)号：CN118966483B
公开(公告)日：2024-12-27
申请号：CN202411452608.8
申请日：2024-10-17
Applicant: 合肥工业大学
IPC: G06Q10/04 , G06N3/044 , G06N3/084 , G06N3/0895 , G06Q50/40 , G06F18/213 , G06F18/214 , G06F123/02
Abstract: 本发明属于海运领域，具体涉及一种基于深度对比学习的船舶到港时间预测方法及其对应的船舶到港时间预测系统和装置。该方案优选包含AIS数据、气象数据与海运路径的特征信息作为样本数据，并筛选出若干组表征相似或不同航行条件的样本对，分别作为正样本对和负样本对。本发明基于对比学习框架构建一个包含特征提取器、投影头和RNN的船舶到港预测模型；并对其进行两阶段训练。在第一阶段中，通过构建正样本对和负样本对来预训练模型中的特征提取部分。在第二阶段，则直接利用样本数据集通过梯度下降的方式训练整个网络模型，使得网络模型的预测精度满足要求。本发明解决了现有技术难以实现对海运船舶的到港时间进行精准预测的问题。
-
公开(公告)号：CN117787850A
公开(公告)日：2024-03-29
申请号：CN202410202217.4
申请日：2024-02-23
Applicant: 合肥工业大学
IPC: G06Q10/0835 , G06Q10/0631 , G06Q10/047
Abstract: 本发明属于车辆调度领域，具体涉及一种基于YTS‑SAP模型的AGV车辆运输任务分配方法及其系统。该方法包括如下步骤：S1：获取所有可选AGV车辆列表以及待分配的运输任务队列，并更新车辆的位置；S2：将连续两个运输任务构成的任务链划分为四种类型。S3：以总时间成本最低为优化目标，构建一个用于求解运输任务的最优分配方案的YTS‑SAP模型。S4：利用模型依次求解出运输任务队列的分配方案，确定每个运输任务对应的车辆，以及最佳卸载仓储地。S5：根据求解出的分配方案向各个车辆下达调度指令，由各个指定的AGV车辆完成运输任务队列中的所有运输任务。本发明解决了现有集装箱码头中调度过程延误时间和空载时间较长的问题。
-
-
-
Search Results
4
records
(took 0.025 seconds)
