本發明涉及車輛控制調節系統，具體為一種融合氣象數據及車輛參數的搶修車輛路徑優化方法。
背景技術：
1、搶修車輛路徑優化是應急保障體系的關鍵環節，對提升救援效率、降低社會損失具有不可替代的價值。應急響應方面，搶修任務通常需要在最短的時間內完成，以確保系統或設備的正常運行不受影響。通過科學規劃路徑，可將平均響應時間縮短30%-50%。資源利用方面，傳統經驗調度常導致車輛繞行、空載或過載，加劇人力、物力浪費。通過科學規劃路徑，將算法模型整合任務點分布、道路通行條件等信息，可實現車輛載重均衡、里程最短化，顯著提升設備與人員的調度效率。安全風險方面，惡劣天氣（如暴雨、冰雪）會大幅提升交通事故率。通過科學規劃路徑，可動態規避高風險路段，調整行駛策略，降低極端環境下的作業風險，為搶修任務筑牢安全防線。
2、經檢索發現以下相關公開專利：
3、1、中國專利cn117537836a公開了一種考慮實時事故風險的導航路徑優化方法，提出了基于風險的導航路徑優化算法，能夠更加準確地預測路徑風險。
4、2、中國專利cn107843252a公開了導航路徑優化方法、裝置及電子設備，對待優化導航路徑對應的節點集合進行一個篩選，即可減少待優化路徑中出現轉彎的次數，從而實現對導航路線的優化。
5、上述專利存在的問題在于：現有路徑優化研究多聚焦單一數據源，多重點考慮天氣、事故和任務點分布等，忽略車輛驅動方式、輪胎類型、車輛性能、載重、續航等參數，對天氣數據與車輛參數的融合應用仍存在顯著不足，導致路徑規劃難以精準適配復雜環境。
技術實現思路
1、本發明旨在至少解決現有技術中存在的技術問題之一。為此，本發明的一個目的在于提出一種融合氣象數據及車輛參數的搶修車輛路徑優化方法，該方法整合氣象數據與車輛參數，構建多維數據庫。在路徑規劃中引入路徑因子，進行動態權重分配；將總行駛時間、天氣風險、車輛損耗納入目標函數，進行多目標優化；利用歷史數據訓練模型，預測不同天氣-車輛組合下的最優路徑。
2、為了解決上述問題，本發明提供一種融合氣象數據及車輛參數的搶修車輛路徑優化方法，包括以下步驟：
3、s1、構建多維度數據庫：整合實時氣象數據與歷史天氣數據，提取宏觀天氣指標和微觀道路環境指標；建立包含驅動方式、輪胎類型、載重能力及續航里程的車輛性能數據庫；
4、s2、改進路徑優化算法，包括：
5、動態權重分配：融合包括天氣宏觀指標及微觀指標在內的天氣系數及車輛性能參數，計算路徑因子；
6、多目標優化：構建以總行駛時間、天氣風險及車輛損耗為變量的目標函數，通過改進遺傳算法進行多目標求解；
7、s3、動態路徑調整：在車載終端部署輕量級模型，實時接收氣象與車輛數據，更新最優路徑；
8、s4、人機協同干預：當車輛偏離規劃路徑或停留超閾值時，啟動路徑重規劃，結合駕駛員手動調整生成備選路徑。
9、優選的，s1中構建多維數據庫的具體步驟如下：
10、s101、氣象數據庫構建，通過標準化api接口，實時獲取分鐘級氣象數據，涵蓋經緯度定位的天氣基礎指標，計算天氣微觀指標，同時解析氣象預警信息，從氣象公開數據庫采集歷史數據，包括逐小時的極端天氣事件，對應路段擁堵時長、歷史事故率，以及車輛管理平臺派車單數據；
11、s102、數據清洗與標準化處理，剔除異常值，統一時間格式，空間坐標轉換為wgs84經緯度；進行分層存儲架構設計，采用時序數據庫存儲實時數據流，支持秒級查詢；通過etl工具提取宏觀指標與微觀指標，存入關系型數據庫，建立時空索引加速區域氣象查詢；
12、s103、車輛參數數據庫構建，從車輛管理平臺資源管理模塊獲取車輛驅動方式、輪胎類型、載重、續航里程的基礎屬性，編碼為標準化字典；從車輛管理平臺派車單數據獲取實時載重等數據，結合剩余電量、胎壓、制動系統信息，構建車輛參數動態檔案；通過測試場地獲取各類天氣下車輛性能參數均值，形成車輛環境適應性矩陣；最終建立天氣-車輛參數映射表、續航衰減模型、載重約束庫；
13、s104、以“路徑id+時間戳+車輛id”為主鍵，建立天氣數據與車輛參數的實時關聯表；提供標準化調用接口，支持路徑優化算法時實時獲取路徑因子。
14、優選的，s2中需改進算法與約束條件，具體步驟如下：
15、s201、動態權重分配：在路徑規劃中引入路徑因子；整理影響車輛出行的惡劣天氣，劃分為15種類型，分別是暴雨、雷雨、強降雨、臺風、颶風、龍卷風、大風、高溫、冰雹、冰凍、凝凍、暴雪、大雪、霧霾、沙塵暴天氣；路徑因子ji=路徑距離×；其中wfa為天氣宏觀指標系數，賦值為0.3~0.6；wfb為天氣微觀指標系數，賦值為0.3~0.6；vi為車輛參數系數，賦值為0.3~0.7；ut為路徑系數，路徑系數默認為1，車輛行駛對應路徑有風險時，路徑系數進行提高；
16、s202、多目標優化：將總行駛時間、天氣風險、車輛損耗納入目標函數；通過改進遺傳算法，平衡“最短時間”與“極端天氣車輛損耗最小”兩個目標，提升路徑規劃準確率；
17、路徑優化初始調度模型公式如下：
18、；
19、式中，x=（x1,x2,...,xm），x1,x2,...,xm，m為車輛損耗維數，f1(x)為總搶修時間最小變量，f2(x)為極端天氣影響下車輛損耗最小變量；
20、s203、基于車輛管理平臺中海量的歷史搶修任務數據，包括天氣數據、車輛參數數據，按照時間維度進行數據治理，對數據清洗、歸一化，提取關鍵特征信息，構建高維特征向量作為模型輸入；采用深度網絡架構，以路徑因子為輸入層，路徑決策為輸出層；定義狀態空間包含當前位置、目的地、實時天氣、車輛參數；行為空間為可選路徑分支；設計獎勵函數為路徑優化初始調度模型；將預處理后的歷史數據按一定比例劃分為訓練集e=（e1,e2,...,em）、驗證集v=（v1,v2,...,vm）、與測試集t=（t1,t2,...,tm）；訓練時，智能體在模擬搶修場景中依據當前狀態選擇路徑，通過與環境交互獲得獎勵反饋，不斷優化策略，利用驗證集v監控模型性能，調整超參數防止過擬合，直至模型收斂，再用測試集t評估對最優路徑的預測能力。
21、優選的，s202中總路徑時間最小變量f1(x)的計算公式如下：
22、；
23、式中，p為派車單任務，d為每個派車單任務中對應的路途選擇，r為路途中路徑選擇，ji為路徑因子，ti為第i路徑正常天氣下所耗費時間均值，jwk為路徑等待時間，xvg為搶修車輛的約束條件，每個派車單任務至少分配一臺車輛，在無人為干涉、道路正常的情況下，xvg=1；
24、s202中極端天氣影響下車輛損耗最小變量f2(x)的計算公式如下：
25、；
26、式中，ji為路徑因子，ui為第i路徑下惡劣天氣影響因子造成的車輛損耗，li為第i路徑路徑下損耗累加因子。
27、優選的，s202中的路徑優化初始調度模型有兩個前置約束條件：
28、極端天氣影響下搶修車輛的搶修正常行駛能力yi為大于零的整數，yi為車輛管理平臺中出車檢查數據，此為約束條件1，公式如下；
29、yi≥0；
30、極端天氣影響造成的車輛損耗hi小于派車單延誤損耗hi為約束條件2，公式如下：
31、；
32、
33、
34、式中α為極端天氣影響比例；
35、以上兩個約束條件成立的前提下，進行s202中的路徑優化初始調度模型的計算。
36、優選的，s202中利用改進遺傳算法對路徑優化參數變量進行優化，優化內容包括：
37、采用雙層編碼模式對遺傳算法中的路徑優化參數進行編碼，第一層路徑層采用整數編碼，第二層路徑因子轉化為二進制編碼；
38、通過遺傳操作動態調整權重，實現路徑因子的自適應分配；
39、每個二進制位的變異可微調參數，交叉可組合不同參數組合的優勢；
40、設置路徑優化相關的初始參數，包括初始路徑、迭代和搜索次數；
41、確定路徑優化適應度函數為目標函數的倒數，確保最大適應度；
42、確定選擇路徑的策略和停止迭代的標準，再進行交叉和變異操作，當達到設置的迭代次數時，確定目標參數變量；
43、優選的，s202中的選擇策略和停止準則表達式如下：
44、；
45、；
46、式中，w(xi)為每個個體被遺傳到下一代的概率，u(xi)為染色體被選中概率。
47、優選的，s3中，需基于邊緣計算，在搶修任務中，車載終端實時采集天氣與車輛數據，傳入訓練好的路徑優化調度模型，支撐快速輸出最優路徑，駕駛員依據最優路徑行駛，并持續反饋數據以動態優化模型。
48、優選的，s4中，人機協同模式下，允許駕駛員根據實際路況手動干預路徑；當車輛偏離最優規劃路徑超500米或停留超3分鐘，系統自動提示“是否因路況調整路線”，駕駛員確認后啟動重規劃。
49、優選的，s4中，人機協同模式下，將駕駛員干預指令轉化為動態的搶修車輛約束條件xvg，與實時氣象數據、車輛參數融合，形成新的狀態空間；采用改進遺傳算法，以當前車輛位置為新起點，在局部路網范圍內搜索可行路徑，同時保留原規劃中未受干預的有效區段，將計算耗時控制在5秒內；基于路徑因子ji中所涉及的路徑系數ut，進行動態調整權重，優先滿足駕駛員干預意圖，同時平衡“最短時間”與“極端天氣車輛損耗最小”兩個目標，再生成備選路徑供駕駛員二次確認。
50、本發明與現有技術相比的優點在于：
51、1、精準應對復雜環境，提升路徑規劃可靠性：本發明通過量化分析車輛驅動方式、輪胎類型、載重能力與道路濕滑度、能見度、風速等參數，構建動態耦合模型。精細化匹配使路徑規劃準確率提升20%-30%，避免因車輛性能與環境不匹配導致的中途停滯或繞行，顯著增強復雜場景下的任務完成度。
52、2、動態規避安全風險，降低極端天氣事故率：本發明通過建立天氣-車輛風險矩陣，將氣象數據轉化為車輛安全行駛的具體約束條件，降低極端天氣下的事故率15%~25%，同時減少因車輛故障導致的二次延誤，為搶修任務筑牢安全防線。
53、3、優化資源配置效率，降低調度成本：本發明通過多目標優化算法，將車輛載重上限、電池續航里程、維修設備裝載要求與實時氣象影響因子納入模型，實現任務與車輛的精準匹配，并根據惡劣天氣導致的能耗增加動態調整行駛速度，避免中途補能延誤，預估提升設備與人力的調度效率25%~35%。