一种基于大数据分析的智能快递分拣路径优化方法与流程

本发明涉及大数据分析，尤其涉及一种基于大数据分析的智能快递分拣路径优化方法。

背景技术：

1、在现有的智能快递分拣系统中，agv通常依赖地面二维码进行导航定位，其路径规划大多基于静态栅格地图或历史运行数据，未能充分考虑库区照明设备老化、雨季湿度超标等环境因素对二维码识别率的动态影响，也缺乏将环境时序数据与agv运行故障记录进行联合建模的手段，导致在照明衰减和湿度升高时二维码识别错误率显著上升，agv频繁出现重试、路径偏离甚至停摆，分拣效率和系统稳定性受到严重制约。

技术实现思路

1、本发明为解决现存的技术问题而提供一种基于大数据分析的智能快递分拣路径优化方法，解决了雨季照明老化与湿度超标引发的二维码识别失败及agv路径可靠性下降的问题。

2、为解决上述技术问题，根据本发明的一个方面，更具体的说是一种基于大数据分析的智能快递分拣路径优化方法，包括以下步骤：

3、步骤s1、获取分拨中心库区的多维环境时序数据，所述多维环境时序数据包括照明强度时序数据、湿度时序数据以及历史故障记录数据；

4、步骤s2、获取多台agv在库区执行分拣任务时的历史运行数据，所述历史运行数据包括二维码识别错误率、重试次数、以及路径规划偏差记录；

5、步骤s3、构建环境识别联合预测模型，所述环境识别联合预测模型用于建立多维环境时序数据与agv的历史运行数据之间的动态关联；

6、步骤s4、将当前环境数据与天气预报数据输入至环境识别联合预测模型，以预测在下一个雨季周期内，因照明老化与湿度超标引发的二维码识别率下降趋势，并生成各栅格节点的预测识别率损失值；

7、步骤s5、基于预测识别率损失值，动态调整分拨中心库区的栅格地图权重，并对多台agv进行全局路径重规划；

8、其中，全局路径重规划包括避开预测识别率损失值高于预设阈值的栅格节点，或为经过所述栅格节点的agv分配冗余的校验时间窗；

9、步骤s6、在下一个雨季周期内，实时收集实际二维码识别错误率与路径重规划的修正数据；并将实际数据作为反馈，对环境识别联合预测模型进行增量训练，动态更新预测识别率损失值的计算公式中的权重系数以及影响函数。

10、更进一步的，所述环境识别联合预测模型的构建方法包括：

11、步骤s301、采用时间卷积网络对所述照明强度时序数据与湿度时序数据进行特征提取，生成第一环境特征向量；

12、步骤s302、采用图神经网络对所述历史故障记录数据与路径规划偏差记录进行空间拓扑特征提取，生成第二空间特征向量；

13、步骤s303、将第一环境特征向量与第二空间特征向量进行跨模态融合，生成联合特征表示；

14、步骤s304、以二维码识别错误率为预测目标，基于联合特征表示训练一个回归预测器，得到环境识别联合预测模型。

15、更进一步的，所述第一环境特征向量是通过时间卷积网络对照明强度时序数据与湿度时序数据进行多尺度卷积操作后，提取出的能够表征库区环境状态随时间动态变化的高维抽象特征表示，用于反映照明老化和湿度超标对识别环境的复合影响。

16、更进一步的，所述第二空间特征向量是通过图神经网络对历史故障记录数据与路径规划偏差记录进行空间拓扑结构学习后，生成的低维嵌入特征表示，该第二空间特征向量以栅格图的节点为基本单元，能够量化各栅格节点在历史运行中的故障分布与偏差传播关系。

17、更进一步的，所述预测识别率损失值的计算公式为：

18、；

19、上式中，表示栅格节点在预测时间的识别率损失值；表示基准照明强度；表示预测照明强度；表示预测环境湿度；表示湿度阈值；表示基于历史故障记录的空间-时间影响函数；表示激活函数；、、表示可调权重系数。

20、更进一步的，所述预测照明强度是基于当前照明设备的使用时长、维护记录以及预设的照明衰减模型，并结合天气预报中的光照因子，对未来某一时间点下库区各栅格节点处的实际照明亮度进行估算得到的数值，用于表征照明老化对二维码识别率的影响程度；

21、所述预测环境湿度是基于实时采集的库区湿度数据与气象预报中的降雨量和相对湿度预测结果，通过时序外推或物理模型计算得到的未来某一时间点下库区各栅格节点处的空气相对湿度数值，用于表征雨季湿度超标对光学传感器精度的影响程度。

22、更进一步的，所述激活函数为非线性映射函数，用于将输入的加权和转换为限定在预定区间内的预测识别率损失值；所述激活函数包括但不限于sigmoid函数、relu函数或其变体，其作用在于使预测结果具有概率意义或实现数值范围的归一化。

23、更进一步的，基于历史故障记录的空间-时间影响函数是一个反映故障传播规律的经验函数，其输入为栅格节点的空间坐标和预测时间点，输出为该节点在给定时间下受历史故障事件影响的程度值；

24、该空间-时间影响函数通过统计分析历史故障数据的时空分布特征构建，能够表征照明老化和湿度异常在不同空间位置和时间窗口内的累积效应与扩散趋势。

25、更进一步的，所述动态调整栅格地图权重包括：

26、对预测识别率损失值超过预设第一阈值的栅格节点，将其在路径规划算法中的通行代价增加至无穷大，使其成为障碍物；

27、对预测识别率损失值介于第一阈值与第二阈值之间的栅格节点，根据其损失值比例增加其通行时间代价，具体公式为：

28、；

29、上式中，表示需要增加的通行时间代价；表示原始通行代价；表示惩罚系数。

30、本发明提供的一种基于大数据分析的智能快递分拣路径优化方法，相比现有技术，本方法取得的效果有：

31、1、本发明通过系统性采集分拨中心库区的照明强度、湿度及历史故障记录等多维环境时序数据，并与agv的历史运行数据（二维码识别错误率、重试次数、路径偏差记录）建立关联，打破了传统路径优化方法仅依赖单一运行数据的局限，使得路径规划系统具备了主动感知和量化环境风险的能力，为后续的预测与优化提供了真实可靠的数据基础。

32、2、本发明创新性地构建了融合时间卷积网络与图神经网络的环境识别联合预测模型，该模型能够同时捕捉环境变量随时间演化的规律以及故障在栅格空间中的拓扑传播关系，实现了对二维码识别率下降趋势的高精度时空预测，显著提升了对雨季照明老化与湿度超标等复杂环境影响的预判能力。

33、3、本发明基于预测识别率损失值动态调整栅格地图的通行代价，对高风险节点采取规避或增加冗余校验时间窗的策略，将传统的静态最短路径规划转变为面向可靠性的动态路径重规划，有效降低了agv在恶劣环境下的识别失败率和停摆风险，保障了快递分拣作业的连续性与效率。

34、4、本发明引入闭环反馈机制，在实际运行中实时收集二维码识别错误率与路径修正数据，并对联合预测模型进行增量训练和权重系数动态更新，使系统具备自进化和长期适应能力，避免了模型因设备老化、季节变化等环境漂移而导致的预测失效，持续优化路径决策效果。