CN107103383A - 一种基于打车热点的动态拼车调度方法 - Google Patents
一种基于打车热点的动态拼车调度方法 Download PDFInfo
- Publication number
- CN107103383A CN107103383A CN201710185815.5A CN201710185815A CN107103383A CN 107103383 A CN107103383 A CN 107103383A CN 201710185815 A CN201710185815 A CN 201710185815A CN 107103383 A CN107103383 A CN 107103383A
- Authority
- CN
- China
- Prior art keywords
- taxi
- calling
- focus
- request
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010845 search algorithm Methods 0.000 claims abstract description 15
- 238000013486 operation strategy Methods 0.000 claims abstract description 4
- 230000029305 taxis Effects 0.000 claims description 11
- 238000003780 insertion Methods 0.000 claims description 8
- 230000037431 insertion Effects 0.000 claims description 8
- 230000003442 weekly effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000009467 reduction Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于计算机应用技术领域，是一种基于打车热点的动态拼车调度方法。该方法主要分为两个阶段，搜索阶段和调度阶段。搜索阶段采用基于时间的二分搜索算法快速高效的检索可能为乘客提供服务的出租车候选集。调度阶段根据给出的动态拼车调度问题的定义，对候选集中的每辆出租车分别进行条件判断，从中选出平均满意度最大的出租车来为乘客提供服务，并针对空车调度，提出了一种基于热点的优化调度策略。该方法可以为乘客实现个性化调度服务，并且简单高效，具有很强的扩展性，对动态拼车调度方法的研究具有重要参考价值。
Description
技术领域
本发明属于计算机应用技术领域，涉及一种基于打车热点的动态拼车调度方法。
背景技术
随着城市汽车数量的***性增长，引发了严重的交通拥堵和环境污染问题。拼车是一种有效的解决方案，它可以在满足人们出行需求的同时，减少***中汽车的数量，进而缓解交通拥堵和环境污染问题。
近年来，智能手机日益普及，而且智能手机GPS技术日渐成熟，这些都使得基于智能手机GPS数据提取出租车的实时运行状态信息成为了可能，为城市出租车交通管理方法的研究和出租车市场的管理奠定了坚实的基础。对于智能手机GPS数据的挖掘与应用，国内外的研究人员主要从将智能手机GPS数据应用于道路匹配、利用智能手机GPS数据估计道路状态、利用智能手机GPS数据建立出租车调度***和利用智能手机GPS数据研究乘客出行行为四个方面进行研究。
基于现有基础，如何根据智能手机GPS获得的实时位置数据实现一个高效的拼车调度方法现已成为研究的热点问题。目前虽然已经有了许多这方面的研究，但是没有充分利用人们的出行规律优化***，方法都过于复杂，时间复杂度高，不利于实时应用场景。
发明内容
针对现有方法中存在的问题，本发明提出了一种基于打车热点的动态拼车调度方法，该方法可以在最大化满足乘客需求的前提下提供有效的实时拼车服务，同时可以显著减少***总的行驶距离。
用户可以利用本技术提供的算法***实现如下功能：对用户的打车请求进行实时处理，选择合适的出租车为其服务，并立即返回为其提供服务的出租车信息，该出租车也会立即收到一条乘客请求信息；存储地图数据；存储历史打车数据；打车热点选取及需求量预测等。
本发明的技术方案：
定义1(路网定义)一个道路网络G＝(V,E,W)由一个点集V和一个边集E组成。每一条边(v1,v2)∈E(v1,v2∈V)都被分配了一个权重W(v1,v2)代表在边(v1,v2)上的旅行成本，这个权重可以是时间或者距离。给定路网中的两个点o和d代表起点和终点，它们之间的路径p是一个点的序列(v0,v1,...,vn)，其中(vi,vi+1)是边集E中的元素，v0＝o并且vn＝d。
定义2(打车请求)打车请求tr＝(t,o,d,wp,wd,det,r,cnt)，其中t是请求时间，o是起点，d是终点，wp是乘客可容忍的等待上车时间窗口大小，wd和det是拼车情况下乘客可容忍的绕道时间窗口大小和绕道距离大小，r是乘客满意度中时间窗口所占比重，cnt是乘客数量。
定义3(有效出租车调度队列)一个有效的出租车调度队列S＝(v1,v2,...,v2n)是一个由n个打车请求(tr1,tr2,tr3,...,trn)的起点和终点组成的临时序列，其中的vi是打车请求中的起点或终点且vi∈V，这些点的顺序是由调度算法确定的，需要满足如下四个条件：
1)点的顺序：对任意一个打车请求tri，在调度队列中其上车起点要先于下车终点；
2)时间窗口限制：对调度队列中的任意打车请求tri，不能超过其上车时间窗口和绕道时间窗口限制；
3)绕道距离限制：对调度队列中的任意打车请求tri，不能超过其绕道距离限制；
4)乘客数量限制：对任意一个出租车，其调度队列在任意时刻都不能超过出租车容量的限制。
定义4(松弛时间)松弛时间被定义在每个调度节点，对调度队列S中的任意节点vi，其松弛时间定义为其中是乘客可忍受的出租车最迟到达vi的时间，是出租车预计到达vi的时间，只有才能满足vi的时间窗口限制。
定义5(服务率)服务率被定义为提供服务的请求数目占总请求数目的比率，它是评价***有效性的一个重要指标。
定义6(满意度)满意度被定义在调度队列中的每个打车请求上，对调度队列S中的任意一个打车请求tr，其满意度被定义为其中tr(r)、tr(o)、tr(d)、tr(wp)、tr(wd)、tr(det)和tr(cnt)分别代表打车请求tr中相应参数值，detour是打车请求tr在调度队列中起点到终点的行驶距离相对不拼车起点到终点行驶距离的绕道距离。
定义7(平均满意度)对有效调度队列上的n个打车请求(tr1,tr2,tr3,...,trn)，平均满意度被定义为
设Taxi＝{taxi1,taxi2,...,taxin}代表路网(定义1)中的出租车集合，对任意的taxi∈Taxi，有如下状态信息，taxi.location代表出租车当前位置，taxi.sq＝(s1,s2,...,s2m)是m个打车请求(定义2)TR＝(tr1,tr2,tr3,...,trm)在出租车taxi中的调度队列(定义3)，taxi.cnts代表在调度队列中s节点时出租车taxi上乘客数量，taxi.capacity是出租车的容量。设和分别表示从节点si到sj不拼车和拼车的行驶距离。
基于上述定义，研究的动态拼车调度问题被定义为：给定路网(定义1)中的出租车集合Taxi和一个新的打车请求trnew，找到一个出租车taxi∈Taxi满足***新的打车请求trnew后平均满意度(定义7)最大，如下公式(1)所示。
满足：
其中，公式(2)保证了等待时间和绕道时间限制，公式(3)保证了绕道距离限制，公式(4)保证了出租车容量的限制。
一种基于打车热点的动态拼车调度方法，步骤如下：
第一步，数据处理
1.1)地图数据处理
将地图数据存入数据库，并对路网(定义1)进行连通化处理，计算路径及行车时间。
1.2)从历史打车数据中选取打车热点信息
1.2.1)将地图进行网格划分，在每个网格中选择离几何中心最近的地图点为网格的参照点；
1.2.2)将前一至两个月的历史打车数据映射到划分的网格当中，由于周一至周日各天的打车数量不同，将数据按周一到周日进行划分，同时由于不同时间段同一地点打车请求(定义2)的数量不同，将一天分为24个时间段，对每个时间段采用如下的方法来处理历史打车数据：将指定时间段的打车请求上车点映射到距离其最近的网格参照点，分别统计各个网格参照点打车请求的数量，并计算各个网格参照点每周同一天打车请求数量的平均值；
1.2.3)在1.2.2)中得到的每周同一天各个时间段统计的平均值结果中选择打车请求(定义2)数量靠前的一定百分比数量的网格参照点作为该天该时段预测的打车热点。
1.3)热点打车需求量预测
对打车需求量的预测主要是为了控制空车的调度，防止过多的空车向同一个热点移动造成供过于求的情况发生，因此只需粗略预测。给出的预测方法预测精度会随着热点选取阶段热点选取百分比的数量的减少而增加，即打车越密集区域预测越准确，用户可以根据自身需要在热点选取数量及预测精度之间进行适当调整。
1.3.1)将前一至两个月的打车数据按周一至周日进行划分，对每天的数据再按24个时间段进行划分，并分别统计每周相同天同一时间段各个网格参照点的打车请求(定义2)数目信息，作为样本数据。
1.3.2)基于人们的出行是有规律的，在每周的同一天在相同时间段打车需求信息大致是具有线性关系的，波动不会太大，对得到的每个热点的样本数据采用最小二乘法进行线性拟合，构建模型；
1.3.3)根据选取的热点信息以及在相应时间段该热点构建的模型，对该热点的打车需求信息进行预测；
1.3.4)用1.3.3)中的预测结果估计下周周一至周日每天各个时间段各个热点的打车需求信息。
第二步，采用基于时间的二分搜索算法搜索出租车候选集
为了灵活控制返回的出租车候选集数量，同时平衡计算量和服务率(定义5)之间的关系，基于时间的二分搜索算法首先需要设定一个候选集大小的上下界记为max_taxi_cnt和min_taxi_cnt。为了描述方便，用→表明两个地点间需要的行驶时间，tcur表示当前时间，min(ttr(o),tr(d))表示打车请求起点到终点的最短行驶时间，打车请求中初始上车时间窗口限制为wp0＝tr(wp)和初始绕道时间窗口限制wd0＝tr(wd)；打车请求限制的最早和最迟上车时间分别为wp.e＝tr(t)和wp.l＝wp.e+wpj，最早和最迟下车时间分别为wd.e＝tr(t)+min(ttr(o),tr(d))和wd.l＝wd.e+wdj；
2.1)在出租车候选集中寻找出租车taxi满足上车时间窗口限制tcur+(taxi.location→tr(o))≤wp.l，同时出租车taxi满足下车时间窗口限制tcur+(taxi.location→tr(o))+(tr(o)→tr(d))≤wd.l作为新的出租车候选集；
2.2)判断候选集的大小是否在给定的上下界范围内，如果候选集大小不在区间[min_taxi_cnt,max_taxi_cnt)之内，采用二分法调整打车请求(定义2)中的上车时间窗口限制wpj和绕道时间窗口限制wdj，按2.1)的步骤重新选取出租车候选集；
2.3)重复2.2)中的步骤直到候选集大小在给定的候选集上下界范围内为止，同时，考虑到可能会有大量出租车在同一个地点行驶时间过于接近的特殊情况发生，为了避免造成处理延时，设定一个超时机制，超出指定时间就不再重复2.2)中的步骤；
2.4)返回选中的出租车候选集，如果没有找到返回空集。
用T(m,n)来表示当时间窗口大小为m秒时的时间复杂度，n为出租车数量，则
T(m,n)＝T(m/2,n)+O(n)
T(m,n)＝T(m/4,n)+2·O(n)
T(m,n)＝T(m/8,n)+3·O(n)
...
T(m,n)＝T(1,n)+logm·O(n)
T(m,n)＝O(1)+O(nlogm)
T(m,n)＝O(nlogm)
因此算法的时间复杂度为O(nlogm)，由于通常情况下m＜3600，logm＜12，远远小于***出租车数量n，所以O(nlogm)≈O(n)，即接近线性复杂度。
第三步，对出租车进行调度
3.1)对已载客的出租车按平均满意度(定义7)最大为目标进行调度
3.1.1)对候选集中的出租车进行调度队列***可行性检查
为了描述方便，用tr表示打车请求(定义2)，tcur表示当前时间，→表明两个地点间需要的行驶时间，taxi表示出租车候选集中的任一出租车状态，***位置记为i，需要注意的是起点和终点要分别进行***可行性检查。
3.1.1.1)出租车容量限制判定，用taxii-1cnt表示出租车taxi到其调度队列(定义3)中的第i-1个调度节点时的乘客数量，只有满足出租车容量限制，即taxii-1cnt+tr(cnt)≤taxi.capacity，才是可行的；
3.1.1.2)时间窗口限制的判定，只有***请求tr后出租车taxi的调度队列(定义3)中任意节点s的松弛时间(定义4)STs≥0才是可行的；
3.1.1.3)绕道距离限制的判定，用distr(o)-＞tr(d)表示在调度队列(定义3)中打车请求(定义2)的起点到终点所走的距离，distr(o)tr(d)表示直接从打车请求的起点到终点所走的距离，只有taxi中任一打车请求满足绕道距离限制，即满足distr(o)-＞tr(d)-distr(o)tr(d)≤tr(det)才是可行的；
3.1.2)如果没有找到合适的出租车，需要在第二步中满足初始时间窗口限制的剩余出租车中按3.1.1)中的步骤进行二次查找；
3.1.3)以平均满意度(定义7)最大选取出租车为乘客提供服务，如果没有找到合适的出租车，则服务失败，返回失败信息。
3.2)对空载的出租车采用基于打车热点的优化调度策略
众所周知，人们的出行大部分情况下是有一定规律的，通过对历史数据的挖掘分析，可以得到一些打车比较频繁的区域，称之为打车热点，在调度的过程中让空载的出租车向附近一定范围内的热点移动不仅可以降低乘客打车难度，而且可以减少出租车司机寻客的难度，达到一个双赢的效果。据此，有如下基于打车热点的优化调度策略。
3.2.1)由于热点的选取是将一天分为24个时间段进行的，所以在调度的过程中也需要将一天分为24个时间段，分别按各个时间段的热点进行调度；
3.2.2)根据历史打车数据，基于上述热点选取及热点需求量预测方法选取当天的热点信息，并对热点打车需求量进行预测；
3.2.3)让***中的空车向其一定范围内最近的热点移动，该范围的选取可能与城市、***出租车数量、打车请求(定义2)数目等多种因素有关，为了选取合适的范围值，采用实验的方式来获取，详细步骤将结合附图9在后续内容中进行说明；
3.2.4)在***中分别记录当前时间段各个热点现有出租车数量信息，并与各个热点预测的需求信息作对比，当去往该热点的出租车数量超出预测的需求量一定比例时，从当前时间段中移除该热点信息，避免供过于求的情况发生。
第四步，将已服务和未服务的打车请求(定义2)信息存入数据库，统计服务率(定义5)和每辆出租车中乘客的平均满意度(定义7)信息，以便后续分析优化***
本发明的有益效果：本发明基于打车请求tr＝(t,o,d,wp,wd,det,r,cnt)，实现基于打车热点的动态拼车调度***具有如下优点：1)个性化定制：乘客可以根据自身需求调整打车请求参数，实现个性化的服务；2)简单高效：算法简单，时间复杂度较低，可以满足实时性要求，同时充分考虑人们出行规律，在简化***的同时提升***性能；3)扩展性强：可以在此基础上细化研究，进一步提升***性能。例如，在打车请求中增加其它参数，比如费用等信息实现更加个性化的定制、采用更好的行车时间预测策略、更精确的热点预测方法，对***性能会有进一步的提高。
附图说明
图1是本方法的***整体结构示意图。
图2是热点预测准确率示意图。
图3是热点打车需求量预测精度示意图。
图4是选取不同百分比的热点打车需求量预测精度示意图。
图5是基于时间的二分搜索算法候选集上下界选取示意图。
图6是针对一个打车请求基于时间的二分搜索算法执行流程图。
图7是针对一个打车请求出租车调度流程示意图。
图8是实验采用的打车数据打车请求分布图。
图9(a)是空车热点调度不同距离范围下服务率在选取的时间段变化趋势图。
图9(b)是空车热点调度不同距离范围下平均满意度在选取的时间段变化趋势图。
图9(c)是空车热点调度不同距离范围下行驶距离减少在选取的时间段变化趋势图。
图10(a)是采用热点和基于时间的二分搜索算法拼车***各个时间段的服务率图。
图10(b)是不采用热点但采用基于时间的二分搜索算法拼车***各个时间段的服务率图。
图10(c)是采用热点和基于时间的二分搜索算法不拼车***各个时间段的服务率图。
图10(d)是采用本方法拼车和不拼车相比行驶距离减少百分比示意图。
图10(e)是采用基于时间的二分搜索算法前后计算量减少百分比示意图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
图1为***架构图，***的输入为打车请求数据(包括打车时间、起点、终点、上车时间窗口大小、绕道时间窗口大小、允许的绕道距离、乘客满意度中时间限制所占比例和乘客数量)，调度过程中用到的地图数据由OpenStreetMap提供，并以点线的形式存储到MongoDB数据库，路径计算及行车时间计算既可以在线实时计算也可以离线计算，视具体情况而定。***在接收到打车请求后首先进入搜索阶段，采用基于时间的二分搜索算法搜索出租车候选集。其次，进入出租车的调度阶段，通过对选出的候选集中打车请求中的所有限制条件进行检验，选出***打车请求后平均满意度最大的出租车来为该请求提供服务。空车的调度与是否有新的打车请求到来没有直接关系，出租车会定时向***更新状态，***也会定时检测出租车状态，发现空车就根据该时段的打车热点信息让其向一定范围内最近的打车热点移动，平衡供需关系。最后，进入反馈阶段，将选出的为打车请求服务的出租车信息反馈给乘客并预估一个抵达时间供乘客参考，同时将打车请求信息***选出的出租车的调度队列。
图2为热点预测准确率示意图。该图是基于纽约市2015年1至6月公开的7564万黄车原始打车数据，采用技术方案中的热点选取方法，网格长宽都设为700m，用前一个月的历史打车数据，选取打车请求数量平均值(比如要选取周一上午10点的热点，统计前一个月内周一上午10点各个网格参照点打车请求数目的平均值)位于前8％的网格参照点作为打车热点，统计周一至周日每天各个时间段预测精度的平均值得到的，用于验证热点预测的准确率。横轴代表划分的时间段，纵轴代表各个时间段预测热点和真实热点的匹配率。
图3为热点打车需求量预测精度示意图。该图同样是基于纽约市2015年1至6月公开的7564万黄车原始打车数据，采用技术方案中的热点需求量预测方法，根据前一个月的历史打车数据，用每周同一天各个时间段的样本数据(以周一上午10点为例，统计一个月内周一上午10点各个网格参照点的打车请求数目信息，作为周一上午10点各个网格参照点的样本数据)做线性拟合构建模型进行预测与真实需求量对比得到的，用于验证热点打车需求量预测的精度。横轴代表预测值与真值的相对误差范围，纵轴代表的是落在指定范围相对误差的热点占总热点数目的百分比。
图4为以预测2月为例，在以不同百分比选取热点的情况下，热点预测精度变化图，从中可以发现随着百分比的降低，热点需求量预测的精度就会提升，这表明越是打车密集区域其线性关系就越明显，用户可以根据自身需求在热点选取数量与预测精度之间进行权衡。在纽约市2015年1至6月公开的黄车原始打车数据中，所有预测月份都有这样的规律，仅以2月份为例进行说明。
图5为基于时间的二分搜索算法候选集上下界选取示意图。该图是通过多次试验统计得到的，用于选取合适的候选集上下界，平衡计算量与服务率之间的关系。横轴是临界范围的取值，临界范围的上下界只能在横轴标识的相邻数字中选取，该数字代表的是占所有满足算法中初始时间窗口限制的出租车数量的比例。纵轴代表的是计算量减少的比率与服务率减少的比率的比值，计算量减少指的是调度阶段出租车候选集大小的减少。5min，10min，15min代表的是不同的时间窗口限制，该限制应由用户指定，所以候选集上下界的选取应该保证在不同的时间窗口下都有比较好的效果。这里的减少都是相对搜索候选集阶段不采用候选集上下界直接返回满足初始时间窗口限制的出租车集合作为候选集来计算的。由于计算量减少越多越好，服务率减少越少越好，所以计算量减少与服务率减少的比值越大越好，从图中可以看出实验得到的最优上界为0.7，最优下界为0.6。
图6为针对一个打车请求基于时间的二分搜索算法执行流程图。该阶段的主要目的是选出最可能满足乘客的出租车候选集，同时该集合出租车数量尽可能的少，以便减少调度阶段计算量。
图7为针对一个打车请求出租车调度流程示意图。该阶段主要是根据技术方案中动态拼车调度问题的定义，在搜索阶段返回的候选集中选出***打车请求后平均满意度最大的出租车为乘客提供服务。
图8是实验采用的打车数据打车请求分布图，用于观察各个时间段打车请求数量，方便后续分析。
图9是根据图8的打车请求分布，选取打车请求数目具有代表性的1,4,7,10,15,19这6个时间段，针对选取的每个时间段，向***投入860辆出租车，初始状态这些出租车均匀分布在按700m划分的地图网格中。然后采用推荐的算法对乘客的打车请求进行调度得到的实验结果。从中可以看出，在不同的距离范围下服务率和平均满意度变化并不明显，这是由于当打车请求数量较少时即使扩大空车热点调度范围，乘客数量有限也不会明显提升服务率，当打车请求数量较多时，虽然扩大空车热点调度范围可以找到更多的乘客，但是附近的乘客就能满足需求(可能需要等待一段时间)，无需寻找较远距离的乘客。然而不同的距离范围对行驶距离有着显著的影响，这是由于范围越大，出租车由于向热点移动空载的距离就越大。综合考虑服务率、平均满意度和行驶距离这几个方面，在时间段0～5选取500m作为空车热点调度范围，在时间段6～23选取1500m作为空车热点调度范围。
图10是验证各个模块有效性的示意图，图10(a)和图10(b)相比验证热点有效性，图10(a)和图10(c)相比验证拼车有效性，图10(d)验证拼车对行驶距离减少的有效性，图10(e)验证基于时间二分搜索算法计算量减少的有效性，该计算量是指调度阶段需要检查的出租车数量。
Claims (5)
1.一种基于打车热点的动态拼车调度方法，其特征在于，步骤如下：
第一步，数据处理
1.1)地图数据处理
将地图数据存入数据库，并对路网进行连通化处理，计算路径及行车时间；
1.2)从历史打车数据中获取样本数据
1.2.1)将地图进行网格划分，在每个网格中选择离几何中心最近的地图点为网格的参照点；
1.2.2)将指定时间段的打车请求上车点映射到距离其最近的网格参照点，分别统计各个网格参照点打车请求的数量，作为样本数据；
1.3)选取打车热点信息
从样本数据中计算各个网格参照点每周同一天打车请求数量的平均值；从每周同一天各个时间段统计的平均值结果中，选择打车请求数量大于预设百分比数量的网格参照点作为该天该时段预测的打车热点；
1.4)热点打车需求量预测
对1.2.2)得到的每个热点的样本数据采用最小二乘法进行线性拟合，构建模型，对该热点的打车需求信息进行预测；根据预测结果估计下周周一至周日每天各个时间段各个热点的打车需求信息；
第二步，采用基于时间的二分搜索算法搜索出租车候选集
基于时间的二分搜索算法首先设定一个候选集，候选集的上下界记为max_taxi_cnt和min_taxi_cnt；用→表明两个地点间需要的行驶时间，tcur表示当前时间，min(ttr(o),tr(d))表示打车请求起点到终点的最短行驶时间，打车请求中初始上车时间窗口限制wp0＝tr(wp)和初始绕道时间窗口限制wd0＝tr(wd)；打车请求限制的最早和最迟上车时间分别为wp.e＝tr(t)和wp.l＝wp.e+wpj，最早和最迟下车时间分别为wd.e＝tr(t)+min(ttr(o),tr(d))和wd.l＝wd.e+wdj；
2.1)在出租车候选集中寻找出租车taxi满足上车时间窗口限制tcur+(taxi.location→tr(o))≤wp.l，出租车taxi满足绕道时间窗口限制tcur+(taxi.location→tr(o))+(tr(o)→tr(d))≤wd.l作为新的出租车候选集；
2.2)判断新的出租车候选集的大小是否在给定的上下界范围内，如果候选集大小不在区间[min_taxi_cnt,max_taxi_cnt)之内，采用二分法调整打车请求中的上车时间窗口限制wpj和绕道时间窗口限制wdj，按2.1)的步骤重新选取出租车候选集，直到出租车候选集大小在给定的候选集上下界范围内为止；如果没有找到则返回空集；
第三步，对出租车进行调度
第一种情况，对已载客的出租车按平均满意度最大为目标进行调度；
3.1.1)对候选集中的出租车进行调度队列***可行性检查
出租车容量限制判定，用taxii-1cnt表示出租车taxi到其调度队列中的第i-1个调度节点时的乘客数量满足出租车容量限制，即taxii-1cnt+tr(cnt)≤taxi.capacity；
时间窗口限制的判定，***请求tr后出租车taxi的调度队列中任意节点s的松弛时间STs≥0；
绕道距离限制的判定，distr(o)->tr(d)表示在调度队列中打车请求的起点到终点所走的距离，distr(o)tr(d)表示直接从打车请求的起点到终点所走的距离，taxi中任一打车请求满足绕道距离限制，即distr(o)->tr(d)-distr(o)tr(d)≤tr(det)；
3.1.2)若没有找到合适的出租车，则在第二步满足打车请求中初始上车时间窗口限制wp0＝tr(wp)和初始绕道时间窗口限制wd0＝tr(wd)的剩余出租车中按3.1)中的步骤进行二次查找；
3.1.3)以平均满意度最大选取出租车为乘客提供服务，如果没有找到合适的出租车，则服务失败，返回失败信息；
第二种情况，对空载的出租车采用基于打车热点的优化调度策略；
3.2.1)让***中的空车在时间段0时～5时选取0～500m作为空车热点调度范围，在时间段6时～23时选取500～1500m作为空车热点调度范围，向其最近的热点移动；
3.2.2)在***中分别记录当前时间段各个热点现有出租车数量信息，并与各个热点预测的需求信息作对比，当去往该热点的出租车数量超出预测的需求量时，从当前时间段中移除该热点信息，避免供过于求的情况发生；
第四步，将已服务和未服务的打车请求信息存入数据库，统计服务率和每辆出租车中乘客的平均满意度信息，以便后续分析优化***。
2.根据权利要求1所述的一种基于打车热点的动态拼车调度方法，其特征在于，在第二步设置超时机制，超出指定时间就不再重复2.2)的步骤。
3.根据权利要求1或2所述的一种基于打车热点的动态拼车调度方法，其特征在于，所述的打车请求为tr＝(t,o,d,wp,wd,det,r,cnt)，其中t是请求时间，o是起点，d是终点，wp是乘客可容忍的等待上车时间窗口大小，wd和det是拼车情况下乘客可容忍的绕道时间窗口大小和绕道距离大小，r是乘客满意度中时间窗口所占比重，cnt是乘客数量。
4.根据权利要求1或2所述的一种基于打车热点的动态拼车调度方法，其特征在于，所述的平均满意度为
5.根据权利要求3所述的一种基于打车热点的动态拼车调度方法，其特征在于，所述的平均满意度为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710185815.5A CN107103383B (zh) | 2017-03-28 | 2017-03-28 | 一种基于打车热点的动态拼车调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710185815.5A CN107103383B (zh) | 2017-03-28 | 2017-03-28 | 一种基于打车热点的动态拼车调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107103383A true CN107103383A (zh) | 2017-08-29 |
| CN107103383B CN107103383B (zh) | 2020-07-14 |
Family
ID=59675365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710185815.5A Expired - Fee Related CN107103383B (zh) | 2017-03-28 | 2017-03-28 | 一种基于打车热点的动态拼车调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107103383B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590992A (zh) * | 2017-08-31 | 2018-01-16 | 武汉斑马快跑科技有限公司 | 基于增强现实体感技术的快速约车方法及*** |
| CN107610452A (zh) * | 2017-08-31 | 2018-01-19 | 武汉斑马快跑科技有限公司 | 近距离蓝牙热点定位的快速约车方法及*** |
| CN107610450A (zh) * | 2017-08-31 | 2018-01-19 | 武汉斑马快跑科技有限公司 | 基于4g网络手机ip直连技术的快速约车方法及*** |
| CN107610453A (zh) * | 2017-08-31 | 2018-01-19 | 武汉斑马快跑科技有限公司 | 一种基于近距离蓝牙热点定位的拼车方法及*** |
| CN107610451A (zh) * | 2017-08-31 | 2018-01-19 | 武汉斑马快跑科技有限公司 | 近距离wifi热点定位的快速约车方法及*** |
| CN107645718A (zh) * | 2017-08-31 | 2018-01-30 | 武汉斑马快跑科技有限公司 | 基于近距离蓝牙连接的城际网约车的约车方法及*** |
| CN109948822A (zh) * | 2017-12-21 | 2019-06-28 | 北京嘀嘀无限科技发展有限公司 | 一种地理区域内网约车供需缺口预测方法 |
| CN110782306A (zh) * | 2018-07-24 | 2020-02-11 | 丰田自动车株式会社 | 信息处理装置以及信息处理方法 |
| CN111178724A (zh) * | 2019-12-23 | 2020-05-19 | 华南理工大学 | 一种基于演化算法的拼车调度方法 |
| CN111199334A (zh) * | 2018-11-19 | 2020-05-26 | 丰田自动车株式会社 | 信息处理***、记录介质以及信息处理方法 |
| CN111291953A (zh) * | 2018-12-07 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 上车点的确定方法、装置、设备和计算机可读存储介质 |
| CN111832868A (zh) * | 2019-07-18 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 供应链资源的配置方法、配置装置以及可读存储介质 |
| CN111882093A (zh) * | 2020-06-16 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种拼车方法和*** |
| CN111882092A (zh) * | 2020-06-16 | 2020-11-03 | 广东工业大学 | 一种适用于共享出行的出租车车辆搜索方法 |
| CN112949987A (zh) * | 2021-02-01 | 2021-06-11 | 湖南大学 | 基于预测的出租车调度和匹配方法、***、设备及介质 |
| CN113096426A (zh) * | 2021-03-29 | 2021-07-09 | 紫清智行科技(北京)有限公司 | 一种共享型自动驾驶车辆的派车调度方法 |
| JP2022542776A (ja) * | 2019-06-27 | 2022-10-07 | グラブタクシー ホールディングス プライベート リミテッド | 処理ルート情報 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101355714A (zh) * | 2007-07-24 | 2009-01-28 | 梁宇杰 | 一种实时拼车***和方法 |
| CN103578265B (zh) * | 2012-07-18 | 2015-07-08 | 北京掌城科技有限公司 | 基于出租车gps数据的打车热点获取方法 |
| CN103177575B (zh) * | 2013-03-07 | 2014-12-31 | 上海交通大学 | 城区出租车动态在线调度优化***及其方法 |
| CN103870581B (zh) * | 2014-03-25 | 2018-01-16 | 长沙地大物泊网络科技有限公司 | 基于质心动态计算的拼车申请与应答配对方法及*** |
| CN104408910B (zh) * | 2014-11-24 | 2016-06-15 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 多方有益的出租车拼车调度方法 |
| CN104951848A (zh) * | 2015-06-10 | 2015-09-30 | 浙江工业大学 | 一种实时拼车匹配方法 |
| CN105389975B (zh) * | 2015-12-11 | 2017-11-14 | 北京航空航天大学 | 专车调度方法和装置 |
-
2017
- 2017-03-28 CN CN201710185815.5A patent/CN107103383B/zh not_active Expired - Fee Related
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610453B (zh) * | 2017-08-31 | 2020-10-02 | 武汉斑马快跑科技有限公司 | 一种基于近距离蓝牙热点定位的拼车方法及*** |
| CN107610452A (zh) * | 2017-08-31 | 2018-01-19 | 武汉斑马快跑科技有限公司 | 近距离蓝牙热点定位的快速约车方法及*** |
| CN107610450A (zh) * | 2017-08-31 | 2018-01-19 | 武汉斑马快跑科技有限公司 | 基于4g网络手机ip直连技术的快速约车方法及*** |
| CN107610453A (zh) * | 2017-08-31 | 2018-01-19 | 武汉斑马快跑科技有限公司 | 一种基于近距离蓝牙热点定位的拼车方法及*** |
| CN107610451A (zh) * | 2017-08-31 | 2018-01-19 | 武汉斑马快跑科技有限公司 | 近距离wifi热点定位的快速约车方法及*** |
| CN107645718A (zh) * | 2017-08-31 | 2018-01-30 | 武汉斑马快跑科技有限公司 | 基于近距离蓝牙连接的城际网约车的约车方法及*** |
| CN107590992A (zh) * | 2017-08-31 | 2018-01-16 | 武汉斑马快跑科技有限公司 | 基于增强现实体感技术的快速约车方法及*** |
| CN107645718B (zh) * | 2017-08-31 | 2020-12-18 | 武汉斑马快跑科技有限公司 | 基于近距离蓝牙连接的城际网约车的约车方法及*** |
| CN107610451B (zh) * | 2017-08-31 | 2020-10-02 | 武汉斑马快跑科技有限公司 | 近距离wifi热点定位的快速约车方法及*** |
| CN109948822A (zh) * | 2017-12-21 | 2019-06-28 | 北京嘀嘀无限科技发展有限公司 | 一种地理区域内网约车供需缺口预测方法 |
| CN109948822B (zh) * | 2017-12-21 | 2022-10-21 | 北京嘀嘀无限科技发展有限公司 | 一种地理区域内网约车供需缺口预测方法 |
| CN110782306A (zh) * | 2018-07-24 | 2020-02-11 | 丰田自动车株式会社 | 信息处理装置以及信息处理方法 |
| CN110782306B (zh) * | 2018-07-24 | 2023-10-24 | 丰田自动车株式会社 | 信息处理装置以及信息处理方法 |
| CN111199334A (zh) * | 2018-11-19 | 2020-05-26 | 丰田自动车株式会社 | 信息处理***、记录介质以及信息处理方法 |
| CN111291953A (zh) * | 2018-12-07 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 上车点的确定方法、装置、设备和计算机可读存储介质 |
| CN111291953B (zh) * | 2018-12-07 | 2022-09-06 | 北京嘀嘀无限科技发展有限公司 | 上车点的确定方法、装置、设备和计算机可读存储介质 |
| JP2022542776A (ja) * | 2019-06-27 | 2022-10-07 | グラブタクシー ホールディングス プライベート リミテッド | 処理ルート情報 |
| JP7291252B2 (ja) | 2019-06-27 | 2023-06-14 | グラブタクシー ホールディングス プライベート リミテッド | 処理ルート情報 |
| CN111832868A (zh) * | 2019-07-18 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 供应链资源的配置方法、配置装置以及可读存储介质 |
| CN111832868B (zh) * | 2019-07-18 | 2024-02-27 | 北京嘀嘀无限科技发展有限公司 | 供应链资源的配置方法、配置装置以及可读存储介质 |
| CN111178724A (zh) * | 2019-12-23 | 2020-05-19 | 华南理工大学 | 一种基于演化算法的拼车调度方法 |
| CN111882093A (zh) * | 2020-06-16 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种拼车方法和*** |
| CN111882092A (zh) * | 2020-06-16 | 2020-11-03 | 广东工业大学 | 一种适用于共享出行的出租车车辆搜索方法 |
| CN112949987A (zh) * | 2021-02-01 | 2021-06-11 | 湖南大学 | 基于预测的出租车调度和匹配方法、***、设备及介质 |
| CN112949987B (zh) * | 2021-02-01 | 2023-11-07 | 湖南大学 | 基于预测的出租车调度和匹配方法、***、设备及介质 |
| CN113096426B (zh) * | 2021-03-29 | 2021-11-05 | 紫清智行科技(北京)有限公司 | 一种共享型自动驾驶车辆的派车调度方法 |
| CN113096426A (zh) * | 2021-03-29 | 2021-07-09 | 紫清智行科技(北京)有限公司 | 一种共享型自动驾驶车辆的派车调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107103383B (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107103383A (zh) | 一种基于打车热点的动态拼车调度方法 | |
| Wu et al. | Simulation-based robust optimization of limited-stop bus service with vehicle overtaking and dynamics: A response surface methodology | |
| CN107766994B (zh) | 一种共享自行车调度方法与调度*** | |
| Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
| CN107341553B (zh) | 一种车辆调度方法及装置，电子设备 | |
| US10192448B2 (en) | Method to control vehicle fleets to deliver on-demand transportation services | |
| CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测***和方法 | |
| Branchini et al. | Adaptive granular local search heuristic for a dynamic vehicle routing problem | |
| CN104471573A (zh) | 更新高速缓存的数据库查询结果 | |
| US20180314998A1 (en) | Resource Allocation in a Network System | |
| Wu et al. | Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model | |
| CN110570656B (zh) | 定制公共交通线路方法及装置 | |
| CN114298559A (zh) | 换电站的换电方法、换电管理平台及存储介质 | |
| CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
| CN103366224A (zh) | 一种基于公交网络的乘客需求预测***和方法 | |
| CN111709562A (zh) | 一种公交车辆的排班时刻表的生成方法及装置 | |
| Pantuso | Exact solutions to a carsharing pricing and relocation problem under uncertainty | |
| CN113962313A (zh) | 一种需求预测方法、***、存储介质及电子设备 | |
| CN116324838A (zh) | 用于通过叫车平台调度共享乘车的***和方法 | |
| Luo et al. | Dynamic intra-cell repositioning in free-floating bike-sharing systems using approximate dynamic programming | |
| Xie et al. | Two-sided deep reinforcement learning for dynamic mobility-on-demand management with mixed autonomy | |
| Wang et al. | Large-scale intelligent taxicab scheduling: A distributed and future-aware approach | |
| Wang et al. | Towards accessible shared autonomous electric mobility with dynamic deadlines | |
| Angelelli et al. | A simulation framework for a station-based bike-sharing system | |
| Pouls et al. | Adaptive forecast-driven repositioning for dynamic ride-sharing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |