1.一种基于深度学习的两阶段能耗预测路径规划的方法，其特征在于，包括以下步骤：步骤一，数据收集，收集冷链配送车辆在过去实际运行中的数据，包括历史驾驶数据，车辆参数数据和实时交通数据；

步骤二，数据预处理，对数据进行归一化和标准化，并进行特征工程，选择并构造对能耗预测有信息量的特征；

步骤三，能耗模型构建，构建行驶能耗和制冷能耗计算公式，并通过卷积神经网络模型以及收集到的数据，提取出特征集；

将特征集输入长短期记忆网络LSTM中，生成能耗预测模型；

步骤四，长期能耗预测，根据车辆在相似配送任务重的历史数据，提取与当前任务相关的，影响能耗的特征，输入能耗预测模型中，对未来可能路段的能耗进行预测，得到每两个节点之间的行驶能耗和制冷能耗预测；

步骤五，短期能耗预测，在车辆进行行驶过程中，实时采集影响能耗的数据，输入能耗预测模型，对当前与未来路段进行每两个节点之间的行驶能耗和制冷能耗预测，修正长期能耗预测；

步骤六，路径规划与优化，以总能耗最小化和时间约束，即规划路线时间不超过配送时间限制为目标，进行路径规划，采用非支配排序遗传算法NSGA‑II优化配送路径，并在后需行驶过程中根据实时数据及新的短期能耗预测，对得到的配送路径进行优化和修正；

所述行驶能耗计算公式为

m为车辆的质量，g为重力加速

度，θ为道路坡度，Cd为空气阻力系数，ρ为空气密度，K为车辆的形状因子，v为车速，Cr为滚动阻力系数，Ptract为电动车牵引力功率；

综合行驶过程中的平均速度，行驶能耗

μeled为电动汽车的能量转换效

率；M为车辆的质量；

制冷能耗计算公式为Ecool＝γ·d.其中γ是单位距离的制冷能耗，d是行驶距离；

所述步骤六中，总能耗最小化目标函数为

其中，Edrive(i,i+1)表示车辆从节点i到节点i+1的行驶能耗，Ecool(i，i+1)表示同一路段的制冷能耗，N是路径中配送节点的总数，Etotal为总能耗；

时间约束目标函数为 其中，ti表示车辆在节点i及从节点i到节点i+1的行驶时间，T是配送任务的总时间限制。

2.根据权利要求1所述的一种基于深度学习的两阶段能耗预测路径规划的方法，其特征在于：所述数据为影响配送时间和制冷能耗的数据，所述历史驾驶数据包括车辆在各路段的实际行驶速度、行驶路线、时间和日期、外界环境条件和道路坡度；

车辆参数信息为车辆的物理和机械参数，包括满载和空载的重量、电池种类和容量、制冷系统的规格；

实时交通数据包括当前的交通流量、道路信息、交通事故数据，道路的拓扑结构。

3.根据权利要求1所述的一种基于深度学习的两阶段能耗预测路径规划的方法，其特征在于：所述步骤二中，选择并构造对能耗预测有信息量的特征包括速度变化率、坡度特征和环境特征。

4.根据权利要求1所述的一种基于深度学习的两阶段能耗预测路径规划的方法，其特征在于：所述步骤三中，卷积神经网络模型以及收集到的数据，提取出特征集具体为，将经过预处理的历史驾驶数据输入到CNN网络中，数据格式为多维矩阵形式，通过多个卷积层提取数据的特征图，揭示不同特征之间的相关性和空间模式；使用池化层对卷积特征图进行降维，减少计算量的同时保留关键特征；最终输出的特征集保留了数据的关键信息，并为后续的LSTM网络提供输入。

5.根据权利要求1所述的一种基于深度学习的两阶段能耗预测路径规划的方法，其特征在于：所述采用非支配排序遗传算法NSGA‑II优化配送路径具体步骤为，初始种群生成：初始种群中的每一个个体代表一条可能的配送路径，路径由一组节点序列表示，对于配送点P1,P2,…,PN，路径可以编码为一个序列[P11,P2,P3,…,PN]，通过随机打乱配送节点的顺序，生成多个不同的路径，每条路径对应一个个体，每个个体在决策变量空间中代表一种可能的配送方案；

适应度评估：对于每个个体，即路径，通过能耗预测模型计算其总能耗，包括行驶能耗Edrive和制冷能耗Ecool，使用目标函数计算个体的适应度，计算每条路径的总配送时间，并将其作为第二个目标函数：

如果f2(P)>T，则该路径不满足时间约束，适应度值将进行惩罚性调整；

非支配排序与选择：在种群中，根据能耗f1(P)和时间f2(P)对每个个体进行排序，在每个非支配层内计算个体的拥挤距离；

选择操作：使用基于非支配排序和拥挤距离的二元锦标赛选择法，从当前种群中选择个体生成下一代种群，交叉操作：使用顺序交叉或部分映射交叉方法，对选定的个体进行交叉，生成新的路径个体，交叉操作帮助探索新的路径组合，以期找到更优的路径；

变异操作：使用点变异或邻位交换方法，随机改变路径中的一个或多个节点顺序，以增加种群的多样性并避免局部最优解；

将父代和子代种群合并，形成一个新的种群，然后对合并后的种群再次进行非支配排序和拥挤距离计算，从合并种群中选择适应度值最优的个体组成新种群，这些个体将进入下一代的演化，即迭代；

重复以上选择、交叉、变异和生产新种群的过程，直至达到预定迭代次数或种群适应度收敛，此时最优解即为当前条件下的最佳配送路径。