本发明提供了一种厂内物流车辆到达时间的实时预测方法和装置、电子设备，所述方法获取物流车辆出发站点和目的站点间所包含的所有路段，以及当前路段和当前时段、实时速度及物流任务量；将物流车辆的当前路段、当前时段和物流任务量输入训练好的第一预测模型，预测物流车辆从所述当前路段的起点到目标站点所需的第一行程时间；获取物流车辆当前所在的路段的流通量、车道占有率及实时速度，基于卡尔曼滤波方程的第二预测模型预测第二行程时间；根据第一行程时间、第二行程时间及物流车辆的已行驶时间，计算物流车辆从当前所在位置到达目标站点所需时间，实时预测到达时间。本发明提高了厂内物流车辆到达时间实时预测的准确率。
1.一种厂内物流车辆到达时间的实时预测方法，其特征在于，所述方法包括：步骤S1，获取待预测的物流车辆出发站点和目的站点间所包含的所有路段，以及物流车辆所在的当前路段和当前时段、物流车辆的实时速度；
步骤S3，将当天物流任务量、物流车辆的当前路段以及未完成路段、当前时段输入训练好的第一预测模型，预测物流车辆从当前路段的起点到目的站点所需的第一行程时间；
步骤S4，获当前路段的实时流通量和车道占有率，并将实时流通量、车道占有率以及物流车辆的实时速度输入第二预测模型，预测物流车辆从当前路段的起点到目的站点所需的第二行程时间；
步骤S5，根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的站点所需的时间，实时预测到达时间；
所述步骤S3中训练好的第一预测模型通过下述步骤训练得到：步骤S31，获取预定历史时间内的厂内路网数据；
步骤S32，根据厂内路网数据，对厂内道路进行路段划分；
步骤S33，获取历史时间内周期性的预设时长的历史物流任务量；
步骤S34，选定历史时间内周期性的预设时长；基于各个路段，对预设时长划分历史时段，并获取各路段上的各个历史时段内的物流车辆数据；
步骤S35，获取物流车辆在各个路段上的各个时段内，从该路段的起点行驶到该路段的终点所用的行驶时间；
步骤S36，将各个路段、各个历史时段、各个预设时长的历史物流任务量和各个行驶时间对应为一组数据，得到若干组数据，组成数据集；将所述数据集划分为训练数据集和验证数据集；
步骤S37，基于深度学习算法构建到达时间第一预测模型，并基于训练数据集对初始的第一预测模型进行训练，得到初次训练后的第一预测模型；
步骤S38，基于验证数据集对初次训练后的第一预测模型进行验证，得到训练好的第一预测模型。
2.根据权利要求1所述到达时间的实时预测方法，其特征在于，所述第一预测模型为采用Xgboost算法的模型。
3.根据权利要求1所述到达时间的实时预测方法，其特征在于，所述第二预测模型通过下述方式确定：
步骤S41，获取物流车辆在各个历史时段内的各个路段的车道占用率；
步骤S42，获取物流车辆在各个历史时段内的各个路段的平均车速；
步骤S43，获取物流车辆在各个历史时段内的各个路段的流通量；
步骤S44，获取所述物流车辆在各个历史时段内的各个路段上的行驶时间；
步骤S45，基于各个路段的车道占用率、各个路段的平均车速、各个路段的流通量和各个路段的行驶时间，建立线性回归方程；
步骤S46，基于最小二乘法求解线性回归方程中的各个系数；
步骤S47，根据各个系数建立基于卡尔曼滤波方程的第二预测模型。
4.根据权利要求3所述到达时间的实时预测方法，其特征在于，所述卡尔曼滤波方程的状态变量包括：各个路段的车道占用率、各个路段的平均车速、各个路段的流通量和各个路段的到达时间；观测量包括：各个路段的车道占用率、各个路段的平均车速和各个路段的流通量。
5.根据权利要求4所述到达时间的实时预测方法，其特征在于，所述步骤S45建立的线性回归方程如式（1）： (1)式（1）中，j表示车辆所在的某一历史时段，j+1表示下一个历史时段；c i,j表示车辆在当前历史时段j的某一路段i的车道占用率，ci,j+1表示车辆在当前历史时段j的下一个历史时段j+1的某一路段i的车道占用率；o i,j表示车辆在当前历史时段j的某一路段i的流通量，o i,j+1表示车辆在当前历史时段j的下一个历史时段j+1的某一路段i的流通量；vi,j表示车辆在当前历史时段j的某一路段的平均车速，v i,j+1表示车辆在当前历史时段j的下一个历史时段j+1的某一路段的平均车速；t i,j表示车辆在当前历史时段j的某一路段的到达时间，t i,j+1表示车辆在当前历史时段j的下一个历史时段j+1的某一路段的到达时间； 和 为线性回归方程中的系数；
卡尔曼滤波方程的状态方程如式（2）‑a所示，观测方程如式（2）‑b所示： (2)‑a (2)‑b式（2）‑a和（2）‑b中，Xk表示k时刻的系统状态，Xk+1表示k+1时刻的系统状态，Wk表示k时刻的状态噪声；Z k+1表示k+1时刻的测量值，Vk表示k时刻的测量噪声；A表示传输参数，B表示控制参数，且：
6.根据权利要求1‑5任一项所述到达时间的实时预测方法，其特征在于，根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的站点所需的时间，实时预测到达时间，具体包括下述步骤：步骤S51，基于物流车辆的实时速度计算物流车辆从当前所在的路段的起点到当前所在位置的已行驶时间；
步骤S52，确定第一行程时间的第一权重和第二行程时间的第二权重；
步骤S53，基于第一权重占总权重的比例和第一行程时间确定第一时长，总权重为第一权重和第二权重之和；
步骤S54，基于第二权重占总权重的比例和第二行程时间确定第二时长；
步骤S55，将第一时长和所述第二时长之和，再减去上已行驶时间，得到到达时间。
7.根据权利要求6所述到达时间的实时预测方法，其特征在于，到达时间Te通过式（9）进行计算：
(9)式（9）中， 代表第一行程时间， 为第一行程时间的第一权重，Tkalman代表第二行程时间， 代表第二行程时间的第二权重， 为车辆从起点到当前所在位置已经经过的时间。
8.一种厂内物流车辆到达时间的实时预测装置，其特征在于，所述装置包括：车辆信息获取模块、物流任务量获取模块、实时路况获取模块、第一预测模块、第二预测模块及到达时间实时预测模块；其中，
所述车辆信息获取模块用于获取待预测的物流车辆出发站点和目的站点间所包含的所有路段、物流车辆所在的当前路段和当前时段、以及物流车辆的实时速度；
所述第一预测模块用于将当天物流任务量、物流车辆的当前路段以及未完成路段、当前时段输入训练好的第一预测模型，预测物流车辆从当前路段的起点到目的站点所需的第一行程时间；
所述实时路况获取模块用于获当前路段的实时流通量和车道占有率；
所述第二预测模块用于将实时流通量、车道占有率以及物流车辆的实时速度输入第二预测模型，预测物流车辆从当前路段的起点到目的站点所需的第二行程时间；
所述到达时间实时预测模块用于根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的站点所需的时间，实时预测到达时间；
所述第一预测模块中训练好的第一预测模型通过下述步骤训练得到：步骤S31，获取预定历史时间内的厂内路网数据；
步骤S32，根据厂内路网数据，对厂内道路进行路段划分；
步骤S33，获取历史时间内周期性的预设时长的历史物流任务量；
步骤S34，选定历史时间内周期性的预设时长；基于各个路段，对预设时长划分历史时段，并获取各路段上的各个历史时段内的物流车辆数据；
步骤S35，获取物流车辆在各个路段上的各个时段内，从该路段的起点行驶到该路段的终点所用的行驶时间；
步骤S36，将各个路段、各个历史时段、各个预设时长的历史物流任务量和和各个行驶时间对应为一组数据，得到若干组数据，组成数据集；将所述数据集划分为训练数据集和验证数据集；
步骤S37，基于深度学习算法构建到达时间第一预测模型，并基于训练数据集对初始的第一预测模型进行训练，得到初次训练后的第一预测模型；
步骤S38，基于验证数据集对初次训练后的第一预测模型进行验证，得到训练好的第一预测模型；
所述第二预测模型通过下述方式确定：步骤S41，获取物流车辆在各个历史时段内的各个路段的车道占用率；
步骤S42，获取物流车辆在各个历史时段内的各个路段的平均车速；
步骤S43，获取物流车辆在各个历史时段内的各个路段的流通量；
步骤S44，获取所述物流车辆在各个历史时段内的各个路段上的行驶时间；
步骤S45，基于各个路段的车道占用率、各个路段的平均车速、各个路段的流通量和各个路段的行驶时间，建立线性回归方程；
步骤S46，基于最小二乘法求解线性回归方程中的各个系数；
步骤S47，根据各个系数建立基于卡尔曼滤波方程的第二预测模型；
所述到达时间实时预测模块执行如下步骤：步骤S51，基于物流车辆的实时速度计算物流车辆从当前所在的路段的起点到当前所在位置的已行驶时间；
步骤S52，确定第一行程时间的第一权重和第二行程时间的第二权重；
步骤S53，基于第一权重占总权重的比例和第一行程时间确定第一时长，总权重为第一权重和第二权重之和；
步骤S54，基于第二权重占总权重的比例和第二行程时间确定第二时长；
步骤S55，将第一时长和所述第二时长之和，再减去上已行驶时间，得到到达时间。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
处理器，用于执行存储器上所存放的程序时，实现权利要求1‑7任一项所述厂内物流车辆到达时间的实时预测方法的步骤。
厂内物流车辆到达时间的实时预测方法和装置、电子设备
技术领域
[0001] 本发明属于物流调度领域，具体涉及一种厂内物流车辆到达时间的实时预测方法和装置、电子设备。
背景技术
[0002] 厂内物流中，通过车辆（例如，叉车、拖车等）将原材料、零件、生成的产品等在仓库之间、物流中心之间、仓库和物流中心之间进行搬运和运送等。为了加快物流速度、缩短生
产周期、提高物流效率，可基于历史的物流数据（包括物流车辆的所经路段、运行时间段和
日期）等预测将物流从出发地到目的地的达到时间。
[0003] 现有技术中，基于支持向量机（Support Vector Machine, SVM）算法和H∞最优控制的方法预测到达时间，更偏向于当天的任务量，没有考虑实时物流交通的影响，因此，预
测的到达时间不够准确。
发明内容
[0004] 鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种厂内物流车辆到达时间的实时预测方法和装置、电子设备，用以提高车辆到时间实时预测的准确性，从而提高厂内
物流调度效率，提高生产效率。
[0005] 为了实现上述目的，本发明实施例采用如下技术方案：
[0006] 第一方面，本发明实施例提供了一种厂内物流车辆到达时间的实时预测方法，所述方法包括：
[0007] 步骤S1，获取待预测的物流车辆出发站点和目的站点间所包含的所有路段，以及物流车辆所在的当前路段和当前时段、物流车辆的实时速度；
[0008] 步骤S2，获取当天物流任务量；
[0009] 步骤S3，将当天物流任务量、物流车辆的当前路段以及未完成路段、当前时段输入训练好的第一预测模型，预测物流车辆从当前路段的起点到目的站点所需的第一行程时
间；
[0010] 步骤S4，获当前路段的实时流通量和车道占有率，并将实时流通量、车道占有率以及物流车辆的实时速度输入第二预测模型，预测物流车辆从当前路段的起点到目的站点所
需的第二行程时间；
[0011] 步骤S5，根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的站点所需的时间，实时预
测到达时间。
[0012] 作为本发明的一个优选实施例，所述训练好的第一预测模型通过下述步骤训练得到：
[0013] 步骤S31，获取预定历史时间内的厂内路网数据；
[0014] 步骤S32，根据厂内路网数据，对厂内道路进行路段划分；
[0015] 步骤S33，获取历史时间内周期性的预设时长的历史物流任务量；
[0016] 步骤S34，选定历史时间内周期性的预设时长；基于各个路段，对预设时长划分历史时段，并获取各路段上的各个历史时段内的物流车辆数据；
[0017] 步骤S35，获取物流车辆在各个路段上的各个时段内，从该路段的起点行驶到该路段的终点所用的行驶时间；
[0018] 步骤S36，将各个路段、各个历史时段、各个预设时长的历史物流任务量和各个行驶时间对应为一组数据，得到若干组数据，组成数据集；将所述数据集划分为训练数据集和
验证数据集；
[0019] 步骤S37，基于深度学习算法构建到达时间第一预测模型，并基于训练数据集对初始的第一预测模型进行训练，得到初次训练后的第一预测模型；
[0020] 步骤S38，基于验证数据集对初次训练后的第一预测模型进行验证，得到训练好的第一预测模型。
[0021] 作为本发明的一个优选实施例，所述第二预测模型通过下述方式确定：
[0022] 步骤S41，获取物流车辆在各个历史时段内的各个路段的车道占用率；
[0023] 步骤S42，获取物流车辆在各个历史时段内的各个路段的平均车速；
[0024] 步骤S43，获取物流车辆在各个历史时段内的各个路段的流通量；
[0025] 步骤S44，获取所述物流车辆在各个历史时段内的各个路段上的行驶时间；
[0026] 步骤S45，基于各个路段的车道占用率、各个路段的平均车速、各个路段的流通量和各个路段的行驶时间，建立线性回归方程；
[0027] 步骤S46，基于最小二乘法求解线性回归方程中的各个系数；
[0028] 步骤S47，根据各个系数建立基于卡尔曼滤波方程的第二预测模型。
[0029] 作为本发明的一个优选实施例，所述卡尔曼滤波方程的状态变量包括：各个路段的车道占用率、各个路段的平均车速、各个路段的流通量和各个路段的到达时间；
[0030] 观测量包括：各个路段的车道占用率、各个路段的平均车速和各个路段的流通量。
[0031] 作为本发明的一个优选实施例，所述步骤S45建立的线性回归方程如式（1）：
[0032] (1)
[0033] 式（1）中，j表示车辆所在的某一历史时段，j+1表示下一个历史时段；c i,j表示车辆在当前历史时段j的某一路段i的车道占用率，ci,j+1表示车辆在当前历史时段j的下一个
历史时段j+1的某一路段i的车道占用率；o i,j表示车辆在当前历史时段j的某一路段i的流
通量，o i,j+1表示车辆在当前历史时段j的下一个历史时段j+1的某一路段i的流通量；v i,j
表示车辆在当前历史时段j的某一路段的平均车速，v i,j+1表示车辆在当前历史时段j的下
一个历史时段j+1的某一路段的平均车速；t i,j表示车辆在当前历史时段j的某一路段的到
达时间，t i,j+1表示车辆在当前历史时段j的下一个历史时段j+1的某一路段的到达时间；
和 为线性回归方程中的系数；
[0034] 卡尔曼滤波方程的状态方程如式（2）‑a所示，观测方程如式（2）‑b所示：
[0035] (2)‑a
[0036] (2)‑b
[0037] 式（2）‑a和（2）‑b中，Xk表示k时刻的系统状态，Xk+1表示k+1时刻的系统状态，Wk表示k时刻的状态噪声；Z k+1表示k+1时刻的测量值，Vk表示k时刻的测量噪声；A表示传输参数，B
表示控制参数，且：
[0038] (3)
[0039] (4)。
[0040] 作为本发明的一个优选实施例，根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的站
点所需的时间，实时预测到达时间，具体包括下述步骤：
[0041] 步骤S51，基于物流车辆的实时速度计算物流车辆从当前所在的路段的起点到当前所在位置的已行驶时间；
[0042] 步骤S52，确定第一行程时间的第一权重和第二行程时间的第二权重；
[0043] 步骤S53，基于第一权重占总权重的比例和第一行程时间确定第一时长，总权重为第一权重和第二权重之和；
[0044] 步骤S54，基于第二权重占总权重的比例和第二行程时间确定第二时长；
[0045] 步骤S55，将第一时长和所述第二时长之和，再减去上已行驶时间，得到到达时间。
[0046] 作为本发明的一个优选实施例，到达时间Te通过式（9）进行计算：
[0047] (9)
[0048] 式（9）中， 代表第一行程时间， 为第一行程时间的第一权重，Tkalman代表第二行程时间， 代表第二行程时间的第二权重， 为车辆从起点到当前所在位置已经经过
的时间。作为本发明的一个优选实施例，所述第一预测模型为采用Xgboost算法的模型。
[0049] 第二方面，本发明实施例还提供了一种厂内物流车辆到达时间的实时预测装置，所述装置包括：车辆信息获取模块、物流任务量获取模块、实时路况获取模块、第一预测模
块、第二预测模块及到达时间实时预测模块；其中，
[0050] 所述车辆信息获取模块用于获取待预测的物流车辆出发站点和目的站点间所包含的所有路段、物流车辆所在的当前路段和当前时段、以及物流车辆的实时速度；
[0051] 所述物流任务量获取模块用于获取当天物流任务量；
[0052] 所述第一预测模块用于将当天物流任务量、物流车辆的当前路段以及未完成路段、当前时段输入训练好的第一预测模型，预测物流车辆从当前路段的起点到目的站点所
需的第一行程时间；
[0053] 所述实时路况获取模块用于获当前路段的实时流通量和车道占有率；
[0054] 所述第二预测模块用于将实时流通量、车道占有率以及物流车辆的实时速度输入第二预测模型，预测物流车辆从当前路段的起点到目的站点所需的第二行程时间；
[0055] 所述到达时间实时预测模块用于根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的站
点所需的时间，实时预测到达时间。
[0056] 第三方面，本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0057] 存储器，用于存放计算机程序；
[0058] 处理器，用于执行存储器上所存放的程序时，实现上述厂内物流车辆到达时间的实时预测方法的步骤。
[0059] 第四方面，本发明实施例还提供了一种计算机可读存储介质，其特征在于，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述厂内物流车辆
到达时间的实时预测方法的步骤。
[0060] 第五方面，本发明实施例又提供了一种计算机程序产品，其特征在于，该计算机程序产品当其在计算机上运行时，使得计算机执行上述厂内物流车辆到达时间的实时预测方
法的步骤。
[0061] 本实施例提供的厂内物流车辆到达时间的实时预测方法和装置，使用训练好的预测模型预测第一行程时间，该预测模型考虑了车辆当前所在的路段、当前所在的时段和物
流任务量，基于卡尔曼滤波方程的第二预测模型考虑了车辆当前所在的路段的流通量、车
道占有率及实时速度，预测得到第二行程时间，将第一预测模型和第二预测模型通过权重
进行联合，实时预测物流车辆的到达时间。两个预测模型是基于历史数据训练好的，因此考
虑到历史数据对预测行程时间的影响，又兼顾到当前的流通量、车道占有率、实时速度等实
时路况信息对到达时间的影响，提高了车辆的到达时间实时预测的准确性，提高了厂内物
流调度效率，从而提高了生产效率。
附图说明
[0062] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于
本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他
附图。
[0063] 图1为本发明实施例提供的厂内物流车辆到达时间的实时预测方法的一种流程示意图；
[0064] 图2为本发明实施例提供的预测模型的训练方法的一种流程示意图；
[0065] 图3为本发明实施例提供的卡尔曼滤波方程的确定方法的一种流程示意图；
[0066] 图4为本发明实施例提供的厂内物流车辆到达时间的实时预测装置的一种结构示意图。
具体实施方式
[0067] 下面通过参考示范性实施例，对本发明技术问题、技术方案和优点进行详细阐明。以下所述示范性实施例仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技
术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与
本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字
典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除
非在这里进行定义，否则不会用理想化或过于正式的含义来解释。
[0068] 为了解决现有物流车辆预测的到达时间不准确的技术问题，本发明实施例提供了一种厂内物流车辆的到达时间预测方法，参见图1所示，所述方法包括以下步骤：
[0069] 步骤S1，获取待预测的物流车辆出发站点和目的站点间所包含的所有路段，以及物流车辆所在的当前路段和当前时段、物流车辆的实时速度。
[0070] 本步骤中，物流车辆可以是具有运输功能的任何车辆，例如，叉车、拖车或者仓储物流机器人等。
[0071] 本实施例的方法适用于物流场景，物流场景下，需要将待运送的货物，包括原材料、零件、半成品、成品、产品等进行运输配送。待运送货物的配送可以是从同一仓库的某个
位置（可称为站点）运送到另一个站点，或者是将待运送货物从一个仓库的某个站点运送到
另一个仓库的某个站点，或者是将待运送货物从仓库的某个站点运送到厂房或生产线的某
个站点。
[0072] 物流车辆经过的站点和站点间的路径可以成为路段。出发站点和目的站点之间可以包含一条或多条路段。对于厂内物流来讲，其路段都是固定的，可以以标号进行标识。当
物流车辆的出发站点和目的站点确定后，其所经过的路段也可知。同时，在物流车辆行进过
程中，若路径规划有变化，则经过的路段也是变化的，因此，进行到达时间的实时预测时，
[0073] 待预测的物流车辆指当前在运送货物的车辆，该车辆需要将待运送的货物从某个站点运送到另一个站点。
[0074] 可以通过定位装置（例如GPS定位装置）实时的获取待预测的物流车辆（以下简称车辆）的当前所在的实时位置，该实时位置所在的路段为车辆当前所在的路段。
[0075] 可以将车辆的当前时段划分为包含当前时刻在内的某个时段（也可以称为时间段），为了简化运算，可以将一天24小时划分为多个时间段，例如每10分钟作为一个时段，每
小时包含6个时段，24小时可以划分为144个时段；或5分钟作为一个时段，则每天包含288个
时段，并采用编号对所在时段进行标识。根据当前时刻可以确定其所在的时段。
[0076] 步骤S2，获取当天物流任务量。
[0077] 本步骤中，所述物流任务量以当前时段所属日期的一天物流任务量，即订单任务量，即厂内所有路段在当天内需要运送货物的总数量以及相应的订单数量。
[0078] 步骤S3，将当天物流任务量、物流车辆的当前路段以及未完成路段、当前时段输入训练好的第一预测模型，预测物流车辆从当前路段的起点到目的站点所需的第一行程时
间。
[0079] 所述第一预测模型为提前训练好的可以进行行程时间预测的模型，该模型考虑了每天物流任务量、不同路段及不同时段的因素，可以是基于大数据训练样本训练得到的神
经网络模型，或者是基于预测算法的模型，预测模型例如为采用XgBoost（Extreme
Gradient Boosting，简称Xgboost）算法的模型。Xgboost算法是对梯度提升算法的改进，既
可以用于分类预测模型也可以用于回归预测模型中。
[0080] 采用Xgboost算法的模型具有使训练好的预测模型更加简单，减少计算，并且有助于防止模型的过拟合问题，使预测模型适用性更强，准确性更高。
[0081] 本步骤中，将车辆的当前所在的路段Lj、当前所在的时段pi和物流任务量q作为预测模型的输入量，通过预测模型可以预测车辆从当前所在的路段的起点（也可称为起始站
点）到终点（也可称为目的站点）所需的第一行程时间T1。
[0082] 步骤S4，获当前路段的实时流通量和车道占有率，并将实时流通量、车道占有率以及物流车辆的实时速度输入第二预测模型，预测物流车辆从当前路段的起点到目的站点所
需的第二行程时间。
[0083] 本步骤中，流通量指在一段时间内，从某路段的起始站点到目的站点，经过的车辆的总数量。车道占有率指车辆在地面的投影占有的道路量（也可称为路段量）与该区域内的
道路总量（也可称为路段总量）的比率。实时速度指物流车辆的当前行驶速度，可通过速度
传感器或者其他方式获得。
[0084] 所述第二预测模型，为提前训练好的可以进行行程时间预测的模型，该模型考虑了流通量、车道占有率及物流车辆实时速度的预测模型。所述第二预测模型可以卡尔曼滤
波方程，将当前流通量o、车道占有率c及当前物流车辆实时速度v作为所述方程的观测值，
实时更新卡尔曼滤波方程，可以预测物流车辆的第二行程时间Tkalman。
[0085] 步骤S5，根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的站点所需的时间，实时预
测到达时间。
[0086] 根据上述步骤中得到的第一行程时间T1、第二行程时间Tkalman以及车辆从当前路段起点到当前所在位置的已行驶时间tS，可以实时的计算出车辆到达目的站点的到达时间
Te。
[0087] 本实施例中，使用训练好的第一预测模型预测第一行程时间，第一预测模型考虑了车辆当前路段及待行驶路段、当前时段和当天物流任务量；第二预测模型考虑了车辆当
前路段的流通量、车道占有率及当前物流车辆的实时速度，预测得到第二行程时间，将第一
预测模型和第二预测模型通过权重进行联合，实时预测物流车辆的到达时间。两个预测模
型是基于历史数据训练好的，因此考虑到历史数据对预测行程时间的影响，又兼顾到当前
的流通量、车道占有率、实时速度等实时路况信息对到达时间的影响，提高车辆的到达时间
预测的准确率。
[0088] 在一个可选的实施例中，参照图2所示，上述训练好的第一预测模型通过下述方法训练得到：
[0089] 步骤S31，获取预定历史时间内的厂内路网数据。
[0090] 本步骤中，可以从预先存储在数据库或者服务器或者某个存储位置中，获取路网数据，该路网数据包括多个路段的数据。所述预定历史时间，可以根据需要设置，例如为一
周或者一个月等。
[0091] 步骤S32，根据厂内路网数据，对厂内道路进行路段划分。
[0092] 本步骤中，对所述厂内道路进行划分，可以根据各个路段的拐点及待划分路段长度进行划分，得到多个划分路段。
[0093] 拐点指路段中曲率变化的点，或者说路段的道路方向发生变化的点；划分路段长度Lj指将某个完整路段按照一定的长度间隔进行划分的长度。例如，某个整体路段的总长
度为L总，则按照划分路段长度Lj，可将该整体路段划分为L总/L（j 该数量取整数）个路段。
[0094] 本实施例中，可以根据拐点，还可以考虑划分路段长度Lj，结合拐点和划分路段长度Lj将某个整体路段划分成多个子路段（此处称为划分路段）。
[0095] 步骤S33，获取历史时间内周期性的预设时长的历史物流任务量。
[0096] 本步骤中，所述预设时长可以根据需要设置，通常以一天作为预设时长，获取历史上每天的历史物流任务量。
[0097] 步骤S34，选定历史时间内周期性的预设时长；基于各个路段，对预设时长划分历史时段，并获取各路段上的各个历史时段内的物流车辆数据。
[0098] 本步骤中，所述历史时段，以预定时间长度为一个时段，将历史时长中的预设时长，划分为若干时段。例如5分钟或者10分钟的长度为一个时段，预设时长为一天，则对一天
按5分钟或者10分钟进行划分，得到288或144个历史时段。
[0099] 步骤S35，获取物流车辆在各个路段上的各个时段内，从该路段的起点行驶到该路段的终点所用的行驶时间。
[0100] 步骤S36，将各个路段、各个历史时段、各个预设时长的历史物流任务量和各个行驶时间对应为一组数据，得到若干组数据，组成数据集；将所述数据集划分为训练数据集和
验证数据集；
[0101] 将上述步骤S32‑36得到的历史数据，包括多个划分路段、多个历史时段、多个预设时长的历史物流任务量和多个行驶时间所组成的数据集，划分为两个部分的数据，分别作
为训练数据集和验证数据集，其中，训练数据集和验证数据集的数据数量本实施例不做具
体限定。通常情况下，80%作为训练数据集，20%的数据作为验证数据集。
[0102] 步骤S37，基于深度学习算法构建到达时间第一预测模型，并基于训练数据集对初始的第一预测模型进行训练，得到初次训练后的第一预测模型；
[0103] 步骤S38，基于验证数据集对初次训练后的第一预测模型进行验证，得到训练好的第一预测模型。
[0104] 训练数据集作为样本数据用于对初始的预测模型进行训练，验证数据集用于对经过初次训练后的预测模型进行验证，验证训练后模型的预测准确性，经过验证数据集的验
证后，模型的预测准确性符合要求，得到训练好的第一预测模型。
[0105] 对于训练好的第一预测模型，可以基于输入数据（包括车辆所在的路段、所在的时段和物流任务量）对车辆的到达时间进行预测。
[0106] 可选的，参照图3所示，上述基于卡尔曼滤波方程的第二预测模型通过下述方式确定：
[0107] 步骤S41，获取物流车辆在各个历史时段内的各个路段的车道占用率；
[0108] 步骤S42，获取物流车辆在各个历史时段内的各个路段的平均车速；
[0109] 步骤S43，获取物流车辆在各个历史时段内的各个路段的流通量；
[0110] 步骤S44，获取所述物流车辆在各个历史时段内的各个路段上的行驶时间；
[0111] 步骤S45，基于各个路段的车道占用率、各个路段的平均车速、各个路段的流通量和各个路段的行驶时间，建立线性回归方程；
[0112] 步骤S46，基于最小二乘法求解线性回归方程中的各个系数；
[0113] 步骤S47，根据各个系数建立基于卡尔曼滤波方程的第二预测模型。
[0114] 本实施例中，建立的线性回归方程，例如下述所示：
[0115] (1)
[0116] 上述线性回归方程中，j表示车辆所在的某一历史时段，j+1表示下一个历史时段；c i,j表示车辆在当前历史时段j的某一路段i的车道占用率，ci,j+1表示车辆在当前历史时段
j的下一个历史时段j+1的某一路段i的车道占用率；o i,j表示车辆在当前历史时段j的某一
路段i的流通量，o i,j+1表示车辆在当前历史时段j的下一个历史时段j+1的某一路段i的流
通量；v i,j表示车辆在当前历史时段j的某一路段的平均车速，v i,j+1表示车辆在当前历史
时段j的下一个历史时段j+1的某一路段的平均车速；t i,j表示车辆在当前历史时段j的某
一路段的到达时间，t i,j+1表示车辆在当前历史时段j的下一个历史时段j+1的某一路段的
到达时间。
[0117] 其中， 和 均为线性回归方程中的系数。
[0118] 可根据最小二乘法求解，得到线性回归方程中的上述各个系数，求解得到各个系数后，可据此建立卡尔曼滤波方程。
[0119] 卡尔曼滤波方程包括状态方程和观测方程，状态方程和观测方程分别如下所示：
[0120] (2)‑a
[0121] (2)‑b
[0122] 上述两个方程式中，Xk表示k时刻的系统状态，Xk+1表示k+1时刻的系统状态，Wk表示k时刻的状态噪声；Z k+1表示k+1时刻的测量值，Vk表示k时刻的测量噪声。
[0123] A表示传输参数，B表示控制参数，都是方程中的系统参数，均为矩阵，具体如下矩阵所示：
[0124] (3)
[0125] (4)
[0126] 卡尔曼滤波方程是一种利用线性系统状态的方程，是通过输入输出观测量，对系统状态进行最优估计的算法，由于观测量中包括系统中的噪声和干扰的影响，所以最优估
计也可看作是滤波过程。
[0127] 在对卡尔曼滤波方程进行最优估计时，设状态变量包括：各个路段的车道占用率、各个路段的平均车速、各个路段的流通量和各个路段的到达时间；
[0128] 观测量包括：各个路段的车道占用率、各个路段的平均车速和各个路段的流通量。
[0129] 本实施例中，状态变量可以用下述矩阵表示： ，观测量可以用下述矩阵表示： 。
[0130] 可选的，对于车辆的速度而言，其通常是实时变化的，在对卡尔曼滤波方程进行最优估计时，可以设置状态噪声的协方差矩阵Q来反应车辆速度变化，再根据对测量值精确度
的估计还可以选择测量噪声的协方差矩阵R，协方差矩阵Q和R，可以用下述矩阵表示；
[0131] (5)
[0132] (6)
[0133] 上述矩阵中，σw和σv表示矩阵中的参数，可以根据经验设置。
[0134] 可根据实时的速度值v、车道空间占用率c、路段的流量o，使用卡尔曼递推方程预测行程时间Tkalman。
[0135] 根据建立的上述卡尔曼滤方程后，可根据车辆当前的实时速度v、当前的车道占用率c、路段的当前流通量o，使用该卡尔曼滤波方程预测前面所述的第二行程时间Tkalman。
[0136] 一种可选的实施例方式中，上述步骤S5中所述的，根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在
位置到达目的站点所需的时间，实时预测到达时间，具体可以包括下述步骤：
[0137] 步骤S51，基于物流车辆的实时速度计算物流车辆从当前所在的路段的起点到当前所在位置的已行驶时间；
[0138] 可根据车辆的实时速度，计算出当前所在路段的起点到车辆所在位置的已行驶时间，即车辆从起点到当前所在位置已经经过的时间；
[0139] 步骤S52，确定第一行程时间的第一权重和第二行程时间的第二权重；
[0140] 可以根据经验设置第一权重 和第二权重 。
[0141] 步骤S53，基于第一权重 占总权重的比例和第一行程时间 确定第一时长，总权重为第一权重 和第二权重 之和；
[0142] 可根据下述公式确定第一时长 ：
[0143] (7)
[0144] 步骤S54，基于第二权重 占总权重的比例和第二行程时间Tkalman确定第二时长；
[0145] 可根据下述公式确定第一时长 ：
[0146] (8)
[0147] 步骤S55，将第一时长 和所述第二时长 之和，再减去上已行驶时间 ，得到到达时间Te。
[0148] 通过下述公式计算得到到达时间Te：
[0149] (9)
[0150] 基于相同的发明构思，根据上述物流车辆的到达时间预测方法实施例，本发明实施例还提供了一种厂内物流车辆到达时间的实时预测装置，参见图4，所述到达时间的实时
预测装置包括：车辆信息获取模10、物流任务量获取模块20、实时路况获取模块30、第一预
测模块40、第二预测模块50及到达时间实时预测模块60；其中：
[0151] 所述车辆信息获取模块10用于获取待预测的物流车辆出发站点和目的站点间所包含的所有路段、物流车辆所在的当前路段和当前时段、以及物流车辆的实时速度；
[0152] 所述物流任务量获取模块20用于获取当天物流任务量；
[0153] 所述第一预测模块40用于将当天物流任务量、物流车辆的当前路段以及未完成路段、当前时段输入训练好的第一预测模型，预测物流车辆从当前路段的起点到目的站点所
需的第一行程时间；
[0154] 所述实时路况获取模块30用于获当前路段的实时流通量和车道占有率；
[0155] 所述第二预测模块50用于将实时流通量、车道占有率以及物流车辆的实时速度输入第二预测模型，预测物流车辆从当前路段的起点到目的站点所需的第二行程时间；
[0156] 所述到达时间实时预测模块60用于根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的
站点所需的时间，实时预测到达时间。
[0157] 可见，应用本发明实施例提供的物流车辆的到达时间预测装置，使用训练好的预测模型预测第一行程时间，该预测模型考虑了车辆当前所在的路段、当前所在的时段和物
流任务量，基于卡尔曼滤波方程的第二预测时间考虑了车辆当前所在的路段的流通量、车
道占有率及实时速度，预测得到第二行程时间，将第一预测模型和第二预测模型通过权重
进行联合，实时预测物流车辆的到达时间。两个预测模型是基于历史数据训练好的，因此考
虑到历史数据对预测行程时间的影响，又兼顾到当前的流通量、车道占有率、实时速度等实
时路况信息对到达时间的影响，提高车辆的到达时间预测的准确率。
[0158] 本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
[0159] 存储器，用于存放计算机程序；
[0160] 处理器，用于执行存储器上所存放的程序时，实现如下步骤：
[0161] 步骤S1，获取待预测的物流车辆出发站点和目的站点间所包含的所有路段，以及物流车辆所在的当前路段和当前时段、物流车辆的实时速度；
[0162] 步骤S2，获取当天物流任务量；
[0163] 步骤S3，将当天物流任务量、物流车辆的当前路段以及未完成路段、当前时段输入训练好的第一预测模型，预测物流车辆从当前路段的起点到目的站点所需的第一行程时
间；
[0164] 步骤S4，获当前路段的实时流通量和车道占有率，并将实时流通量、车道占有率以及物流车辆的实时速度输入第二预测模型，预测物流车辆从当前路段的起点到目的站点所
需的第二行程时间；
[0165] 步骤S5，根据第一行程时间、第二行程时间及物流车辆从当前路段的起点到当前所在位置的已行驶时间，计算物流车辆从当前所在位置到达目的站点所需的时间，实时预
测到达时间。
[0166] 上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral Component Interconnect，PCI）总线或扩展工业标准结构（Extended Industry Standard
Architecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
[0167] 通信接口用于上述电子设备与其他设备之间的通信。
[0168] 存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non‑Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可
以是至少一个位于远离前述处理器的存储装置。
[0169] 上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal
Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现
场可编程门阵列（Field‑Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立
门或者晶体管逻辑器件、分立硬件组件。
[0170] 应用本发明实施例提供的电子设备，使用训练好的预测模型预测第一行程时间，该预测模型考虑了车辆当前所在的路段、当前所在的时段和物流任务量，卡尔曼滤波方程
考虑了车辆当前所在的路段的流通量、车道占有率及实时速度，预测得到第二行程时间，将
预测模型和卡尔曼滤波方程联合预测的方法。预测模型是基于历史数据训练好的，因此考
虑到历史数据对预测行程时间的影响，又兼顾到卡尔曼滤波方程中的当前的流通量、车道
占有率、实时速度等实时路况信息对到达时间的影响，提高车辆的到达时间预测的准确率。
[0171] 在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一物流车辆的到
达时间预测方法的步骤。
[0172] 在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一物流车辆的到达时间预测方法的步
骤。
[0173] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序
产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或
部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计
算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质
中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机
指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字
用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或
数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者
是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以
是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘
Solid State Disk (SSD)）等。
[0174] 本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于物流调
度装置、电子设备、计算机可读存储介质及计算机程序产品实施例而言，由于其基本相似于
物流调度方法实施例，所以描述的比较简单，相关之处参见物流调度方法实施例的部分说
明即可。
[0175] 以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术
方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行
任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功
能的技术特征进行互相替换而形成的技术方案。
