КОМПЛЕКСНАЯ СИСТЕМА ИНТЕЛЛЕКТУАЛЬНОГО КОНТРОЛЯ И ОПТИМИЗАЦИИ УБОРКИ ГОРОДСКИХ ТЕРРИТОРИЙ

КОМПЛЕКСНАЯ СИСТЕМА ИНТЕЛЛЕКТУАЛЬНОГО КОНТРОЛЯ И ОПТИМИЗАЦИИ УБОРКИ ГОРОДСКИХ ТЕРРИТОРИЙ

Выданный патент: RU2870188C1 Дата публикации: 2026-09-17 Заявитель / патентообладатель: Общество с ограниченной ответственностью "ИТ Бизнес-Консалтинг" (RU) Классификация: G06F17/40 G06N3/045 G01C21/34 G06F17/40 G06N3/045 G01C21/3407

Реферат [36] Изобретение относится к области информационных технологий. Технический результат заключается в обеспечении оптимизации маршрутов движения, распределения заданий и контроля выполнения работ по уборке городских территорий. Указанный результат достигается благодаря системе управления уборкой городских территорий, включающей: блок сбора данных от внешних систем мониторинга транспорта и метеосервисов; блок оптимизации маршрутов движения уборочной техники; блок расчета объемов уборочных работ, содержащий модуль автоматической калибровки коэффициентов; модуль контроля качества выполнения работ; универсальный API-шлюз, содержащий модуль обучения с подкреплением; причем все указанные блоки связаны в единый контур управления через высокоскоростную шину обмена сообщениями с использованием технологии RDMA. 4 з.п. ф-лы.

Описание [1] ОБЛАСТЬ ТЕХНИКИ [2] Изобретение относится к области управления городским хозяйством, в частности к системам автоматизированного планирования и контроля работ по уборке городских территорий с использованием специализированной техники. [3] УРОВЕНЬ ТЕХНИКИ [4] В области управления уборкой городских территорий известно несколько технических решений, направленных на автоматизацию планирования и контроля соответствующих работ. Данные решения в различной степени затрагивают вопросы сбора данных, оптимизации маршрутов и анализа эффективности. [5] Известно изобретение по патенту CN 120198982 A, которое раскрывает интеллектуальную систему городского управления на основе больших данных. Данная система собирает и анализирует разнородную информацию о состоянии городской среды с помощью технологий big data для решения задач urban management, в том числе для планирования уборочных работ. Недостатком данного изобретения является его общий характер и ориентация на ретроспективный анализ данных, что не позволяет осуществлять оперативное планирование и динамическое перераспределение заданий в реальном времени в ответ на изменяющиеся условия. Система не обладает возможностями интегрированного аппаратно-программного прогнозирования объемов работ и адаптивной оптимизации маршрутов с учетом текущей метеообстановки и телеметрии. [6] Более близким аналогом является система, раскрытая в патенте DE 10238074 A1, которая предназначена specifically для оптимизации зимнего обслуживания дорог. Это решение использует метеорологические данные, информацию о дорожных условиях и данные телеметрии транспортных средств для планирования и контроля работ по уборке снега и противогололедной обработки. [7] Недостатком данного изобретения является его узкая сезонная специализация, что не позволяет использовать систему для комплексного всесезонного управления уборочными работами (летняя уборка, межсезонье). Кроме того, система не реализует замкнутый цикл управления с непрерывной самокалибровкой моделей на основе обратной связи и не использует современные гибридные алгоритмы оптимизации на основе графовых нейронных сетей и обучения с подкреплением. [8] Наиболее близким аналогом (прототипом) является система по патенту KR 102394501 B1 "Smart city cleaning system using IoT and AI". Данная система включает сеть IoT-устройств для сбора данных о состоянии окружающей среды, блок искусственного интеллекта для анализа собранных данных и планирования маршрутов уборочной техники, а также блок управления для выполнения операций уборки. Система осуществляет мониторинг и динамическое планирование работ. [9] Недостатком данного изобретения является отсутствие глубокой интеграции специализированных аппаратных средств (выделенные GPU/CPU кластеры, FPGA-ускорение) с алгоритмическими решениями, что ограничивает производительность и возможности обработки больших объемов данных в реальном времени. В системе отсутствует универсальный API-шлюз с аппаратной поддержкой для нормализации данных от разнородных источников, а также механизм самокалибровки прогнозных моделей на основе поступающих фактических данных об исполнении заданий, что не позволяет достичь максимальной точности и адаптивности управления. [10] РАСКРЫТИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ [11] Технический результат заключается в оптимизации маршрутов движения, распределения заданий и контроля выполнения работ на основе комплексного анализа данных в реальном времени, а также в повышении производительности и точности управления за счет глубокой интеграции специализированных аппаратных средств, жестко сопряженных с алгоритмической логикой системы. [12] Сущность изобретения заключается в создании высокоавтоматизированной, адаптивной системы управления уборочными работами, основанной на принципах замкнутого цикла управления с обратной связью и реализованной через глубокую интеграцию специализированных аппаратных средств (FPGA, GPU, высокочастотных CPU) и запатентованных алгоритмических решений, образующих единый аппаратно-программный комплекс, где каждый вычислительный модуль оптимизирован под конкретную задачу, а взаимодействие между ними обеспечено высокоскоростными каналами передачи данных с минимальной задержкой. [13] Ключевым техническим отличием является отказ от универсальных вычислительных систем в пользу гетерогенного кластера, архитектура которого жестко сопряжена с логикой работы микросервисов. Это позволяет достичь максимальной производительности при обработке специфических нагрузок характерных для задач городского хозяйства: графовых вычислений, нейросетевого прогнозирования и потоковой обработки геопространственных данных, что напрямую способствует достижению технического результата по оптимизации в реальном времени. [14] Для достижения заявленного технического результата изобретение включает три основных технологических ядра, синергия между которыми реализована на уровне специализированного аппаратного обеспечения: [15] Первое ядро - универсальный API-шлюз, реализованный на высокопроизводительных CPU-серверах с FPGA-ускорением выполняющий роль не просто коммутатора, а интеллектуального трансформатора и маршрутизатора входящих данных. Его аппаратное ускорение на FPGA позволяет на уровне физического оборудования осуществлять парсинг, валидацию и нормализацию данных по более чем 20 различным протоколам, что радикально снижает нагрузку на центральные процессоры и системы. [16] Этот признак напрямую обеспечивает технический результат, радикально снижая нагрузку на центральные процессоры и системы, и гарантирует бесперебойный прием данных от разнородных источников для их последующего комплексного анализа. [17] Второе ядро - сервис оптимизации маршрутов, алгоритмическая сложность которого распределена между различными типами вычислительных ресурсов гетерогенного кластера. Задача анализа топологии города и прогнозирования условий (например, снеговых шлейфов) решается на GPU-кластере с использованием графовых нейронных сетей (GNN). Построение первоначальных маршрутов осуществляется распараллеленным муравьиным алгоритмом (ACO), работающим на высокочастотных CPU. Финальная, непрерывная корректировка маршрута в реальном времени выполняется модулем обучения с подкреплением (RL), который использует обновляемую матрицу весов и также выполняется на GPU-кластере. Вес каждого ребра графа (дорожного отрезка) рассчитывается по детерминированной формуле, динамически учитывающей не только расстояние, но и внешние факторы: коэффициент скольжения (рассчитанный из метеоданных), историческую загруженность и текущий трафик. Данная совокупность признаков, где алгоритмы ACO и RL являются не абстрактными методами, а неотъемлемыми функциональными модулями системы управления маршрутами, работающими на специализированном аппаратном обеспечении, обеспечивает технический результат по динамической оптимизации маршрутов движения и распределения заданий с учетом изменяющихся внешних факторов. [18] Третье ядро - самокалибрующийся сервис прогнозирования объемов работ, выполненный на высокочастотных CPU-узлах. Его работа основана на комбинации двух моделей: детерминированной физической модели, вычисляющей базовый объем по патентованным формулам для зимы и лета, и LSTM-сети, корректирующей этот прогноз на основе временных рядов метеоданных и исторических данных исполнения. Критически важным элементом является механизм обратной связи, реализованный как отдельный модуль автокалибровки. Он непрерывно сравнивает прогнозируемый объем с фактически выполненным, который рассчитывается на основе телеметрии с машин (пройденный путь, скорость, поднятие/опускание рабочего органа) и данных датчиков (например, датчиков нагрузки кузова). На основе этого сравнения по итерационной формуле вычисляются новые, уточненные сезонные коэффициенты, которые немедленно заносятся in-memory базу данных. Данный признак, реализованный на специализированных вычислительных узлах, обеспечивает технический результат по повышению точности прогнозирования и адаптивности системы управления, достигая постоянного повышения точности прогноза. [19] Синергетический эффект достигается за счет организации этих трех ядер в единый технологический контур через высокоскоростную шину обмена сообщениями с гарантированной доставкой с использованием технологии RDMA. Данные от внешних систем, преобразованные API-шлюзом, одновременно поступают в сервисы оптимизации и прогнозирования. Результаты их работы (маршруты и объемы) интегрируются в единые задания, которые передаются исполнителям. Данные о ходе выполнения в реальном времени поступают обратно в систему, где модуль контроля качества на их основе вычисляет метрики эффективности. Эти метрики и фактические объемы работ используются для калибровки моделей и корректировки алгоритмов, замыкая петлю обратной связи и превращая систему в самообучающийся аппаратно-программный комплекс, адаптирующийся к изменяющимся внешним условиям без необходимости постоянного вмешательства человека. [20] Система включает универсальный API-шлюз для приема и нормализации данных от внешних систем мониторинга транспорта и метеосервисов, блок оптимизации маршрутов с реализацией гибридного алгоритма (GNN + ACO + RL), блок расчета объемов работ с LSTM-моделями и механизмом автокалибровки коэффициентов, а также модуль контроля качества на основе анализа телеметрических данных и фотоотчетов. [21] API-шлюз для интеграции систем управления спецтехникой содержит интерфейс приема запросов с модулем автоматического определения протокола через сигнатурный анализ, использующий комбинацию заголовков и шаблонов тела запроса. Трансформатор данных оснащен декларативными схемами преобразования с поддержкой пользовательских формул. Семантический роутер выполняет NLP-анализ контента запроса, а система гарантированной доставки обеспечивает работу через асинхронную очередь с экспоненциальными повторами. [22] Блок динамической гибридной оптимизации маршрутов уборочной техники включает модуль получения данных о геозонах и метеопараметрах, модуль построения графа зон уборки с прогнозированием снеговой нагрузки с использованием графовой нейросети (GNN), учитывающей топологические связи и вектор ветра, включая расчет переноса снега между смежными зонами. Модуль расчета весов ребер графа реализует формулу с адаптивными сезонными коэффициентами, где α рассчитывается по специфической зависимости от температуры. Генерация маршрутов осуществляется модифицированным муравьиным алгоритмом (ACO) с последующей коррекцией системой обучения с подкреплением (RL), использующей функцию вознаграждения на основе плановых и фактических показателей. [23] Блок расчета объемов уборочных работ содержит модуль получения геоданных зон уборки и модуль подключения к метеосервисам. Сезонно-адаптивный вычислитель реализует раздельные алгоритмы для зимнего и летнего периодов, где зимний расчет использует формулу с экспоненциальной зависимостью от температуры и переменной плотностью снега. LSTM-сеть для коррекции объемов имеет специфическую архитектуру с входным слоем из 5 нейронов, скрытым LSTM-слоем из 32 нейронов и выходным слоем из 1 нейрона. Модуль автоматической калибровки коэффициентов активируется при расхождении прогнозируемых и фактических объемов более 10% и выполняет пересчет по заданной формуле. [24] ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ [25] Осуществление изобретения начинается с развертывания специализированной кластерной инфраструктуры, где физические серверы объединяются высокоскоростной сетью InfiniBand и целенаправленно конфигурируются под конкретные вычислительные задачи. Группа GPU-узлов на базе ускорителей NVIDIA A100 с памятью HBM2e предназначена для ресурсоемких вычислений графовых нейронных сетей и обучения с подкреплением. Высокопроизводительные CPU-узлы на процессорах AMD EPYC выделяются под обработку запросов API-шлюза и работу с системами хранения, в то время как высокочастотные узлы на Intel Xeon оптимизированы для оперативного прогнозирования объемов работ и обработки данных в оперативной памяти. Отдельная группа серверов с массивами NVMe-накопителей обеспечивает работу высокопроизводительных СУБД. [26] На подготовленной аппаратной платформе с использованием оркестратора Kubernetes развертывается набор взаимосвязанных микросервисов, при этом каждому сервису назначаются узлы, соответствующие его вычислительному профилю. Микросервис API-шлюза размещается на высокопроизводительных CPU-узлах, где установленные FPGA-карты аппаратно ускоряют процессы парсинга и трансформации входящих данных из разнородных внешних систем. Для минимизации задержек межсервисное взаимодействие организуется через технологию RDMA, позволяющую осуществлять прямую передачу данных между памятью различных серверов, минуя центральные процессоры. [27] Микросервис оптимизации маршрутов работает на GPU-узлах, где графовые нейронные сети анализируют топологию городских дорог, а распараллеленный муравьиный алгоритм строит первоначальные маршруты. Постоянная коррекция маршрутов в реальном времени осуществляется модулем обучения с подкреплением, который использует актуальную телеметрию и исторические данные об эффективности. Микросервис расчета объемов работ выполняется на высокочастотных CPU-узлах, где в оперативной памяти размещаются квантованные LSTM-модели и база сезонных коэффициентов. При поступлении новых метеоданных производится расчет по патентованным формулам с последующей нейросетевой коррекцией. Механизм автокалибровки непрерывно обновляет коэффициенты на основе поступающих данных о фактически выполненных объемах работ, обеспечивая постоянное повышение точности прогнозов. [28] Все микросервисы интегрируются в единый контур управления через асинхронную шину сообщений с гарантированной доставкой, что обеспечивает отказоустойчивость и буферизацию при пиковых нагрузках. Мониторинг работы каждого компонента системы осуществляется через распределенную систему сбора метрик Prometheus, которая отслеживает производительность от уровня FPGA-ускорителей до бизнес-логики. Визуализация метрик и оперативное оповещение о инцидентах настраиваются в Grafana и Alertmanager соответственно, а для отслеживания полного цикла выполнения запросов используется распределенная трассировка Jaeger. Таким образом, создаваемая система представляет собой не просто набор программных модулей, а глубоко интегрированный аппаратно-программный комплекс, где специализация вычислительных ресурсов и оптимизированные протоколы взаимодействия позволяют достичь максимальной производительности и эффективности при управлении городским хозяйством. [29] Система начинает рабочий цикл с приема метеоданных от внешних служб. Метеостанция передает параметры температуры, интенсивности осадков, скорости и направления ветра в формате JSON. API-шлюз на FPGA-ускоренном сервере выполняет первичную обработку: модуль автоматического определения протокола проводит сигнатурный анализ заголовков, идентифицируя источник данных. Трансформатор данных применяет декларативные схемы преобразования, включая коррекцию температурных показателей с учетом ветрового фактора. Нормализованные данные направляются в сервис расчета объемов через высокоскоростной RDMA-канал. [30] Сервис расчета объемов активирует вычислительный конвейер. Сезонно-адаптивный модуль выбирает зимний алгоритм расчета, основанный на физической модели с учетом площади территории, высоты снежного покрова, переменной плотности снега и поправочных коэффициентов. Параллельно LSTM-сеть с архитектурой 5-32-1 выполняет временной анализ метеорологических рядов, корректируя базовый прогноз. Модуль автокалибровки сравнивает текущие коэффициенты с историческими данными и при необходимости активирует процедуру уточнения. [31] Сервис оптимизации маршрутов инициирует построение графа дорожной сети. GNN-процессор анализирует топологические связи между геозонами, прогнозируя распределение снеговых нагрузок с учетом вектора ветра. Модуль расчета весов ребер графа применяет формулу с адаптивными сезонными коэффициентами, динамически обновляя параметры на основе текущих условий. Муравьиный алгоритм генерирует множество вариантов маршрутов, которые затем проходят коррекцию в системе обучения с подкреплением, оценивающей эффективность по совокупности метрик. [32] Сформированные задания передаются на мобильные устройства водителей через специализированное приложение. В процессе выполнения работ система непрерывно собирает телеметрию: датчики нагрузки фиксируют массу собранных материалов, GPS-трекеры обновляют координаты техники, бортовые системы регистрируют параметры работы оборудования. Мобильное приложение обеспечивает стабильную работу как онлайн, так и в автономном режиме, синхронизируя данные при восстановлении связи. [33] По завершении задания система переходит к анализу обратной связи. Модуль контроля качества сопоставляет плановые и фактические показатели, вычисляя метрики эффективности по объему выполненных работ, соблюдению временных интервалов и качеству уборки. При обнаружении значительных расхождений автоматически активируется процедура калибровки коэффициентов прогнозирования. [34] Финальным этапом становится формирование отчетной документации. Система генерирует акты выполненных работ в стандартизированном формате, включающие детализированные данные по геозонам, количественным показателям и рейтинговым оценкам. Отчеты автоматически передаются в интегрированные системы бухгалтерского учета и ГИС ЖКХ. [35] Интеграционный контур обеспечивает двусторонний обмен данными с внешними платформами: передачу оперативных данных в навигационные системы, экспорт финансовой информации в системы учета, синхронизацию с муниципальными геоинформационными ресурсами. Вся архитектура функционирует на основе микросервисной организации с выделенными вычислительными узлами для различных типов нагрузок, что обеспечивает устойчивую работу при обслуживании парка из нескольких сотен единиц техники.

Формула 1. Система управления уборкой городских территорий, содержащая блок сбора данных от внешних систем мониторинга транспорта и метеосервисов, блок оптимизации маршрутов движения уборочной техники, блок расчета объемов уборочных работ и модуль контроля качества выполнения работ, отличающаяся тем, что система дополнительно содержит универсальный API-шлюз, выполненный с возможностью аппаратно-ускоренного приема и нормализации данных от разнородных внешних систем, при этом блок оптимизации маршрутов реализован в виде специализированного программно-аппаратного модуля на гетерогенном вычислительном кластере, содержащем GPU-узлы для выполнения расчетов графовой нейронной сети (GNN), анализирующей топологию городских дорог и прогнозирующей внешние условия, и высокочастотные CPU-узлы для работы муравьиного алгоритма (ACO), генерирующего первоначальные маршруты, а также использует модуль обучения с подкреплением (RL), работающий на GPU-кластере и выполняющий функцию непрерывной коррекции маршрутов в реальном времени на основе телеметрии, блок расчета объемов работ выполнен на высокочастотных CPU-узлах с размещением в оперативной памяти квантованных LSTM-моделей и включает модуль автоматической калибровки коэффициентов, причем все указанные блоки связаны в единый контур управления через высокоскоростную шину обмена сообщениями с использованием технологии RDMA. 2. Система по п.1, отличающаяся тем, что универсальный API-шлюз аппаратно ускоряемый FPGA-платами, содержит интерфейс приема запросов с модулем автоматического определения протокола через сигнатурный анализ, использующий комбинацию заголовков и шаблонов тела запроса, трансформатор данных с декларативными схемами преобразования с поддержкой пользовательских формул, семантический роутер с NLP-анализом контента запроса и систему гарантированной доставки с асинхронной очередью и экспоненциальными повторами. 3. Система по п.1, отличающаяся тем, что блок динамической гибридной оптимизации маршрутов являющийся частью системы управления маршрутами и размещенный на гетерогенном кластере (GPU/CPU), содержит модуль получения данных о геозонах и метеопараметрах, модуль построения графа зон уборки с прогнозированием снеговой нагрузки с использованием графовой нейросети (GNN), выполняемой на GPU-узлах, учитывающей топологические связи и вектор ветра, модуль расчета весов ребер графа, модуль генерации маршрутов модифицированным муравьиным алгоритмом (ACO) распараллеленным на высокочастотных CPU-узлах, и модуль коррекции маршрутов системой обучения с подкреплением (RL) на GPU-кластере, с функцией вознаграждения на основе плановых и фактических показателей. 4. Система по п.1, отличающаяся тем, что блок расчета объемов уборочных работ развернутый на высокочастотных CPU-серверах, содержит модуль получения геоданных зон уборки, модуль подключения к метеосервисам, сезонно-адаптивный вычислитель с раздельными алгоритмами для зимнего и летнего периодов, LSTM-сеть для коррекции объемов на основе метеорологических временных рядов, размещенную в оперативной памяти серверов, и модуль автоматической калибровки коэффициентов активируемый при расхождении прогнозируемых и фактических объемов более 10%. 5. Система по п.1, отличающаяся тем, что API-шлюз реализован на выделенных высокопроизводительных CPU-серверах с установленными FPGA-платами.