CN107844853A - 一种利用动态价格预测减少网约车费用的乘车推荐*** - Google Patents
一种利用动态价格预测减少网约车费用的乘车推荐*** Download PDFInfo
- Publication number
- CN107844853A CN107844853A CN201710992208.XA CN201710992208A CN107844853A CN 107844853 A CN107844853 A CN 107844853A CN 201710992208 A CN201710992208 A CN 201710992208A CN 107844853 A CN107844853 A CN 107844853A
- Authority
- CN
- China
- Prior art keywords
- price
- net
- riding
- region
- predictability
- 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.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种利用动态价格预测减少网约车费用的乘车推荐***,针对用户在城市中某一时间地点的网约车乘车需求,提供行程费用预测以及更少费用乘车方案的推荐。首先,本***将城市细分成多个区域,使用熵和法诺不等式计算出区域的动态价格可预测性。然后,***针对不同可预测性大小的区域,选择马尔可夫链预测器或神经网络预测器进行动态价格预测。最后,***预测出乘车费用并推荐减少费用的乘车方案,如该用户原地等一段时间或者移动一段距离可以得到更低的乘车价格。实验结果表明,本***的预测结果大致与调查数据吻合,使用户减少了因乘车费用的不确定产生的焦虑,并节省了出行开支。
Description
技术领域
本发明涉及出行时空数据挖掘,推荐***领域,特别是网约车订单时空数据挖掘。
背景技术
Uber和Didi等网约车平台作为新兴的按需点播服务(RoD)日益受到关注,作为传统出租车服务的一种补充,RoD服务以清洁、便利、灵活性和动态价格合理等特点吸引乘客,另一方面吸引了那些想要利用闲置汽车而不想申请执照的司机。RoD服务的核心和独特特征是动态定价,它反映了该服务控制特定位置的供应(车辆数量)和需求(请求数量)的措施,使供需达到均衡。在传统的出租车服务中,出行价格是随着行程长短变化的,乘客可以根据生活经验大致判断行程费用,但在RoD服务中,乘客的行程费用浮动较大,有时候在发生大事件或天气恶劣的时候,动态价格会变得非常高(高达正常价格的5到10倍)。这使得用户在得到RoD服务平台返回的一个预测价格的时候,会产生思想上的负担和焦虑,是否可以走一段距离或者等一段时间来获得更低的价格,具体地说,往哪里走多远?等多长时间?目前多个研究中指出,城市中人们的移动具有较强的规律性,人们总是在特定地点特定时间出行,而动态价格又是与乘车供需情况强关联,这就为区域动态价格的预测提供了可能。同时,应对上述问题要求本***能够为网约车用户实时提供信息,包括乘车地点周边一定范围内的所有区域在此时间点以及未来一段时间内的所有乘车费用,最终向用户推荐可选的且费用更低的乘车方案。通过本***,用户可以减少对乘车价格的不确定性而产生的焦虑,同时也节省了出行开支。
发明内容
本发明是一种利用动态价格预测减少网约车费用的乘车推荐***,针对用户在城市中某一时间地点的网约车乘车需求,提供行程费用预测以及减少费用的乘车方案推荐。具体地说,当用户在RoD服务平台上发出乘车请求的时候,本***根据请求的时间地点,预测出包括该地点周边一定范围内的所有区域,在此时间点以及未来一段时间内的所有乘车费用(乘车费用=原始价格*动态价格倍率),最后将预测信息和减少费用的乘车方案提供给用户。首先,本***将城市细分成多个方格区域,在寻找区域特性的阶段,引入了更具代表性的功能区进行分析,如图2。通过对功能区上的网约车历史数据的分析,得出RoD服务的动态价格在不同的区域随时间呈现出不同的变化特性,如图3,在其变化的周期性强弱基础上,使用真实熵和法诺不等式计算出某一区域的价格可预测性。
然后,***针对不同价格可预测性大小的区域,选取马尔可夫链预测器和神经网络预测器进行区域动态价格的倍率预测。马尔可夫链预测器使用区域的网约车历史订单数据进行训练,神经网络预测器则使用网约车历史数据和对应时间地点的天气数据进行训练。
最后,***预测出乘车费用并推荐减少费用的乘车方案,即该用户原地等一段时间或者移动一段距离可以得到更低的乘车价格。***详情见图1。
具体而言,本发明,一种利用动态价格预测减少网约车费用的乘车推荐***的方案为:
一种利用动态价格预测减少网约车费用的乘车推荐***,其特征是:城市区域价格可预测性模块、预测器训练模块和乘车方案推荐模块;
所述的城市区域价格可预测性模块,是基于城市地理数据和网约车历史数据,为不同的城市子区域计算其动态价格的可预测性,从而为该区域选择合适的预测器;
所述的预测器训练模块,是根据各个区域的价格可预测性大小,分别选取不同的训练器模型,并根据该区域上的网约车历史数据训练相应的预测器模型;
所述的乘车方案推荐模块,是在给出一个具体乘车需求的时间地点的情况下,通过预测器预测包括该乘车点周边一定范围内的所有区域在此刻及下一时间段的乘车费用,通过综合比较,用户可以选择最适合的乘车方案,如走一段距离或等一段时间。
根据权利要求1所述的一种利用动态价格预测减少网约车费用的乘车推荐***,所述的城市区域价格可预测性模块包括以下步骤:
步骤1:在城市中划出具有代表性的功能区,同时根据城市地理数据将城市细分成多个等方格区域;
步骤2:使用步骤1中划出的各个区域上的网约车历史数据,计算动态价格的真实熵;
步骤3:根据每个区域在步骤2中计算出的熵值,使用法诺不等式计算出该区域的动态价格可预测性。
根据权利要求1所述的一种利用动态价格预测减少网约车费用的乘车推荐***,预测器可以预测动态价格在1.0-1.6这个区间内的7个倍率,所述的预测器训练模块包括以下步骤:
步骤1:构建马尔可夫链预测器,使用价格可预测性高区域的网约车历史数据进行训练;
步骤2:收集各区域对应时间的天气数据;
步骤3:构建神经网络预测器,使用价格可预测性较低的区域的网约车历史数据和对应的天气数据进行训练。
根据权利要求1所述的一种利用动态价格预测减少网约车费用的乘车推荐***,所述的乘车方案推荐模块包括以下步骤:
步骤1:根据用户乘车需求发出的时间地点和天气信息选择预测器,预测出区域动态价格倍率;
步骤2:计算出该乘车地点周边一定范围内的所有区域在此刻及下一时间段的乘车费用;
步骤3:整理出更实惠的乘车方案,如在该区域等一段时间或移动到另一个乘车区域,让用户自行选择合适的方案。
附图说明
图1为本发明的***框图;
图2为城市主要功能区分布图;
图3为三种功能区在一个月内的动态价格变化趋势;
图4为不同的熵计算方法以及不同的时间分布下区域价格可预测性的分布情况;
图5为两种预测器的sMAPE误差值随区域价格可预测性变化的曲线。
具体实施方式
下面结合附图对本发明进一步说明。
本***的***框架主要包括三个模块:城市区域价格可预测性模块、预测器训练模块和乘车方案推荐模块,图1所示的是本发明的***框图,其中:
城市区域价格可预测性模块,该模块的出发点在于不同的区域的动态价格变化周期性强度不同,对应的预测难度也就不同,如图3,所以此模块的输出用作区域的分级,以适配不同的预测器,包括以下步骤:
步骤1:划分出城市功能区,如图2,同时将城市用网格划分为矩形方格区域,为使每个方格大小内能够获取足够多的数据,每个方格大小为设置为420*300米;
步骤2:根据每个区域上的网约车历史数据,计算出动态价格的真实熵,真实熵能在反映出数据的混乱程度的同时,考虑了数据在时间序列上的关联性,
步骤3:使用法诺不等式根据步骤2中各个区域上的动态价格熵值,计算出对应区域的动态价格可预测性,如图4揭示了不同的熵计算方法以及不同的时间分布下动态价格的可预测性分布情况。
预测器训练模块,训练出可以预测动态价格在1.0-1.6这个区间内的7个倍率,包括以下步骤:
步骤1:使用动态价格可预测性较高的区域的网约车历史数据(每隔1小时),训练步长为3的马尔可夫链预测器;
步骤2:收集各个区域的天气数据,包括每日的降水量和每个小时的温度;
步骤3:构建一个三层神经网络预测器,包括使用4特征(当天的哪一小时,一周中的哪一天,日降水量,当前小时的平均温度)的输入层、ReLU激励层和Softmax函数输出层,使用价格可预测性较低的区域的网约车历史数据和对应时间地点的天气数据(每隔1小时)进行训练,图5为两种预测器的sMAPE误差值随区域价格可预测性变化的曲线。
乘车方案推荐模块包括以下步骤:
步骤1:根据用户乘车需求发出的时间地点和天气信息选择预测器,预测出区域动态价格倍率;
步骤2:计算出该乘车地点周边一定范围内的所有区域在此刻及下一时间段的乘车费用;
步骤3:整理出更实惠的乘车方案,如在该区域等一段时间或移动到另一个乘车区域,让用户自行选择合适的方案。
Claims (4)
1.一种利用动态价格预测减少网约车费用的乘车推荐***,其特征是:城市区域价格可预测性模块、预测器训练模块和乘车方案推荐模块;
所述的城市区域价格可预测性模块,是基于城市地理数据和网约车历史数据,为不同的城市子区域计算其动态价格可预测性,从而为该区域选择合适的预测器;
所述的预测器训练模块,是根据各个区域的价格可预测性大小,分别选取不同的训练器模型,并根据该区域上的网约车历史数据训练相应的预测器;
所述的乘车方案推荐模块,是在给出一个具体乘车需求的时间地点的情况下,通过预测器预测包括该乘车点周边一定范围内的所有区域在此刻及下一时间段的乘车费用,通过综合比较,用户可以选择最适合的乘车方案,如走一段距离或等一段时间。
2.根据权利要求1所述的一种利用动态价格预测减少网约车费用的乘车推荐***,其特征是:所述的城市区域价格可预测性模块包括以下步骤:
步骤1:在城市中划出具有代表性的功能区,同时根据城市地理数据将城市细分成多个等方格区域;
步骤2:使用步骤1中划出的各个区域上的网约车历史数据,计算动态价格的真实熵;
步骤3:根据每个区域在步骤2中计算出的熵值,使用法诺不等式计算出该区域的动态价格可预测性。
3.根据权利要求1所述的一种利用动态价格预测减少网约车费用的乘车推荐***,其特征是,预测器可以预测动态价格在1.0-1.6这个区间内的7个倍率,训练模块包括以下步骤:
步骤1:构建马尔可夫链预测器,使用价格可预测性高区域的网约车历史数据进行训练;
步骤2:收集各区域对应时间的天气数据;
步骤3:构建神经网络预测器,使用价格可预测性较低的区域的网约车历史数据和对应的天气数据进行训练。
4.根据权利要求1所述的一种利用动态价格预测减少网约车费用的乘车推荐***,其特征是,所述的乘车方案推荐模块包括以下步骤:
步骤1:根据用户乘车需求发出的时间地点和天气信息选择预测器,预测出区域动态价格倍率;
步骤2:计算出该乘车地点周边区域在此刻及下一时间段的乘车费用;
步骤3:整理出更实惠的乘车方案,如在该区域等一段时间或移动到另一个乘车区域,让用户自行选择合适的方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710992208.XA CN107844853A (zh) | 2017-10-23 | 2017-10-23 | 一种利用动态价格预测减少网约车费用的乘车推荐*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710992208.XA CN107844853A (zh) | 2017-10-23 | 2017-10-23 | 一种利用动态价格预测减少网约车费用的乘车推荐*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107844853A true CN107844853A (zh) | 2018-03-27 |
Family
ID=61662720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710992208.XA Pending CN107844853A (zh) | 2017-10-23 | 2017-10-23 | 一种利用动态价格预测减少网约车费用的乘车推荐*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107844853A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
CN110189182A (zh) * | 2019-06-28 | 2019-08-30 | 重庆长安新能源汽车科技有限公司 | 一种基于车联网的里程焦虑管理方法 |
CN111667083A (zh) * | 2020-06-11 | 2020-09-15 | 北京白龙马云行科技有限公司 | 网约车预估价确定方法和装置 |
EP3716162A1 (en) * | 2019-03-29 | 2020-09-30 | Bayerische Motoren Werke Aktiengesellschaft | Neural-network-based dynamic matching |
CN112017004A (zh) * | 2020-08-28 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 信息显示方法、装置和电子设备 |
CN112101998A (zh) * | 2020-09-15 | 2020-12-18 | 北京嘀嘀无限科技发展有限公司 | 残值确定方法、模型获取方法、装置、设备及存储介质 |
CN113408877A (zh) * | 2021-06-07 | 2021-09-17 | 北京百度网讯科技有限公司 | 网约车信息处理方法、装置、设备和计算机存储介质 |
WO2021232203A1 (en) * | 2020-05-18 | 2021-11-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for online to offline services |
-
2017
- 2017-10-23 CN CN201710992208.XA patent/CN107844853A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
EP3716162A1 (en) * | 2019-03-29 | 2020-09-30 | Bayerische Motoren Werke Aktiengesellschaft | Neural-network-based dynamic matching |
CN110189182A (zh) * | 2019-06-28 | 2019-08-30 | 重庆长安新能源汽车科技有限公司 | 一种基于车联网的里程焦虑管理方法 |
WO2021232203A1 (en) * | 2020-05-18 | 2021-11-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for online to offline services |
CN111667083A (zh) * | 2020-06-11 | 2020-09-15 | 北京白龙马云行科技有限公司 | 网约车预估价确定方法和装置 |
CN112017004A (zh) * | 2020-08-28 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 信息显示方法、装置和电子设备 |
CN112101998A (zh) * | 2020-09-15 | 2020-12-18 | 北京嘀嘀无限科技发展有限公司 | 残值确定方法、模型获取方法、装置、设备及存储介质 |
CN113408877A (zh) * | 2021-06-07 | 2021-09-17 | 北京百度网讯科技有限公司 | 网约车信息处理方法、装置、设备和计算机存储介质 |
WO2022257357A1 (zh) * | 2021-06-07 | 2022-12-15 | 北京百度网讯科技有限公司 | 网约车信息处理方法、装置、设备和计算机存储介质 |
EP4123527A4 (en) * | 2021-06-07 | 2023-08-30 | Beijing Baidu Netcom Science Technology Co., Ltd. | ONLINE CAR CALL INFORMATION PROCESSING METHOD AND APPARATUS AND COMPUTER STORAGE DEVICE AND MEDIUM |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844853A (zh) | 一种利用动态价格预测减少网约车费用的乘车推荐*** | |
Shaheen et al. | Shared ride services in North America: definitions, impacts, and the future of pooling | |
CN105303882B (zh) | 基于时空维度动态停车收费策略的停车管理***及方法 | |
Mavi et al. | Bus rapid transit (BRT): A simulation and multi criteria decision making (MCDM) approach | |
Henderson | EVs are not the answer: a mobility justice critique of electric vehicle transitions | |
Fagnant et al. | Dynamic ride-sharing and fleet sizing for a system of shared autonomous vehicles in Austin, Texas | |
Shou et al. | Optimal passenger-seeking policies on E-hailing platforms using Markov decision process and imitation learning | |
Pojani et al. | Policy design for sustainable urban transport in the global south | |
CN102867408B (zh) | 一种公交出行路线的选择方法 | |
May | Singapore: The development of a world class transport system | |
DE112018007300T5 (de) | Routenführung mit wahrnehmung der umgebung | |
CN110210664B (zh) | 多个个体车辆使用行为短时预测的深度学习方法 | |
Kontou et al. | Reducing ridesourcing empty vehicle travel with future travel demand prediction | |
CN113642758B (zh) | 一种共享电动汽车的供需预测及调度方法和装置 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
Cornejo et al. | An approach to comprehensively evaluate potential park and ride facilities | |
CN114970944B (zh) | 一种基于多智能体强化学习的订单匹配和车辆重定位方法 | |
CN104991967A (zh) | 一种搭乘出租车的推荐方法、***及客户端 | |
Tzamourani et al. | Exploring the social acceptance of transforming urban arterials to multimodal corridors. The case of Panepistimiou Avenue in Athens | |
CN116324838A (zh) | 用于通过叫车平台调度共享乘车的***和方法 | |
Wang et al. | A user-based adaptive joint relocation model combining electric car-sharing and bicycle-sharing | |
Tajaddini et al. | Modeling the long-term regional impacts of autonomous vehicles: A case study of Victoria, Australia | |
Ribeiro Pimenta et al. | Long-term effects of autonomous vehicles on the built environment: a systematic scoping review towards conceptual frameworks | |
Cavallaro et al. | A tool to support transport decision making in tourist coastal areas | |
Xi | Data-driven optimization technologies for MaaS |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180327 |
|
WD01 | Invention patent application deemed withdrawn after publication |