(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210275576.3 (22)申请日 2022.03.21 (65)同一申请的已公布的文献号 申请公布号 CN 114358448 A (43)申请公布日 2022.04.15 (73)专利权人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 徐雪　杨洁琼　王亚新　袁广亮　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 刘熔　孙乳笋 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06F 16/2458(2019.01) (56)对比文件 CN 113191880 A,2021.07.3 0 CN 110415462 A,2019.1 1.05 CN 112749842 A,2021.0 5.04 CN 110633863 A,2019.12.31 CN 110222739 A,2019.09.10 CN 109447354 A,2019.0 3.08CN 112926787 A,2021.0 6.08 CN 113205227 A,2021.08.0 3 CN 106022600 A,2016.10.12 CN 111507536 A,2020.08.07 CN 110363357 A,2019.10.2 2 CN 110490392 A,2019.1 1.22 CN 113418533 A,2021.09.21 CN 114066180 A,202 2.02.18 CN 10961576 0 A,2019.04.12 WO 2021169009 A1,2021.09.02 US 201023 5285 A1,2010.09.16 US 201937 7349 A1,2019.12.12 刘晓 等.运钞车 车辆路径规划策略. 《计算 机应用》 .201 1,第31卷(第04期),第1 121-1124 页. 徐呈康.银行ATM加钞路径及金额管理优化 的研究与实现. 《中国优秀博硕士学位 论文全文 数据库(硕士)信息科技 辑》 .2019,第2019年 卷 (第2期),第I138-10 06页. ThibautVidal 等.A co ncise guide to existing and emergi ng vehicle routi ng problem variants. 《European Journal of Operational Researc h》 .2020,第286卷(第2 期), 审查员 张子瑜 (54)发明名称 一种行驶路线规划方法和装置 (57)摘要 本发明实施例提供了一种行驶路线规划方 法和装置， 可用于人工智 能技术领域， 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； 通过加钞 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， 能够满足各网点的加钞需求和及时性需求， 提高了系统的稳定性、 灵活性和易用性， 节约时间和人力物力成本， 高效规划行驶路线。 权利要求书3页 说明书12页 附图4页 CN 114358448 B 2022.05.24 CN 114358448 B 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。权　利　要　求　书 1/3 页 2 CN 114358448 B 24.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。 7.根据权利要求6所述的行驶路线规划方法， 其特征在于， 所述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， 包括： 将所述预测 加钞时间确定为第一更新训练标签； 将各网点的当前 钞票时序数据确定为第一更新训练数据； 根据所述第 一更新训练标签和第 一更新训练数据， 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。 8.根据权利要求6所述的行驶路线规划方法， 其特征在于， 所述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， 包括： 将所述网点人员输入的推荐加钞时间确定为第二更新训练标签； 将各网点的当前 钞票时序数据确定为第二更新训练数据； 根据所述第 二更新训练标签和第 二更新训练数据， 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。 9.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： 获取行驶人员输入的第二反馈信息， 所述第二反馈信息为对最佳 行驶路线的反馈； 若第二反馈信 息为满意， 根据 所述最佳行驶路线、 预测加钞时间和道路信息， 对所述路 线规划模型进行 更新训练， 得到更新后的路线规划模型； 若第二反馈信息为不满意， 根据行驶人员输入的推荐行驶路线、 预测加钞时间和道路 信息， 对所述路线规划模型进行 更新训练， 得到更新后的路线规划模型。 10.根据权利要求9所述的行驶路线规划方法， 其特征在于， 所述根据所述最佳行驶路 线、 预测加钞时间和道路信息， 对所述路线规划模 型进行更新训练， 得到更新后的路线规划权　利　要　求　书 2/3 页 3 CN 1143