CN110222786A - 基于出行信息的动态拼车方法及*** - Google Patents
基于出行信息的动态拼车方法及*** Download PDFInfo
- Publication number
- CN110222786A CN110222786A CN201910515242.7A CN201910515242A CN110222786A CN 110222786 A CN110222786 A CN 110222786A CN 201910515242 A CN201910515242 A CN 201910515242A CN 110222786 A CN110222786 A CN 110222786A
- Authority
- CN
- China
- Prior art keywords
- trip
- passenger
- taxi
- cluster
- vector
- 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 40
- 239000013598 vector Substances 0.000 claims description 75
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (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)
- Navigation (AREA)
Abstract
本发明涉及基于出行信息的动态拼车方法及***,为每个出行乘客寻找出租车候选集的过程中,不单单考虑当前乘客所在的位置,同时将此乘客出行的起点、终点以及出行的方向等整体信息加以考虑,提前过滤掉部分不合适的出租车,减少计算开销,并在规划路径的过程中兼顾非智能终端使用者的出行需求,在挖掘了整个城市的出行规律的基础上提出基于概率的路径规划方法,满足了不同群体的出行需求,提高了整个***的效率。
Description
技术领域
本发明涉及公共交通、互联网技术领域,具体涉及基于出行信息的动态拼车***和方法。
背景技术
随着互联网和通信技术的发展,共享经济越来越受到欢迎,各种各样新型的商业模式层出不穷。其中,拼车出行(ridesharing)已经成为一种被人们广为接受的新型出行方式,而城市中广泛分布的出租车为乘客的拼车出行提供了便利和可行性。特别地,出租车拼车出行允许多个行程和时间安排相似的乘客共享同一辆出租车,在出行过程中可以显著缓解城市当中的交通拥堵问题,并减少温室气体的排放。为了给参与拼车的司机和乘客双方都带来可观的效益,进而鼓励更多的乘客和司机参与到拼车的过程当中,拼车出行需要保证在整个出行的过程中,在共享同一辆车的乘客数量不超过车辆最大运载能力并且每位乘客因为参与拼车而多绕行的距离在合理范围内的同时,每位乘客的花费要少于此乘客不参与拼车出行时的花费。同样地,每位司机的盈利要高于此司机不参与拼车出行时的盈利。
拼车***为了响应城市中一个新的乘客出行需求的时候,主要有两个步骤:(1)搜寻出租车候选集;(2)规划路线。在所有的已知相关工作中,所有的拼车***只会响应通过智能终端发送了拼车请求的乘客(Wei Zhang,Ali Shemshadi,Quan Z Sheng,YongruiLoui Qin,Xiujuan Xu,and Jian Yang.2018.A user-oriented taxi ridesharingsystem with large-scale urban GPS sensor data.IEEE Transactions on Big Data),这样往往会忽略了部分未使用智能终端的乘客,造成整体拼车***的低效。在处理乘客请求的第一步中为一个乘客搜寻出租车候选集的过程期间,已有相关工作的主要方法通常是将此乘客当前位置一定搜索半径内的所有出租车作为拼车候选集(Shuo Ma,Yu Zheng,Ouri Wolfson,et al.2015.Real-time city-scale taxi ridesharing.IEEETransactions on Knowledge and Data Engineering)。该候选集可能包含一些与乘客行程不一致的车辆,通常会导致在第二步中出现不必要的计算开销。此外,在处理乘客请求的第二步中,已有的规划路径方法直接将当前的这个乘客的起点和终点***候选车辆已有的路径当中,选择一条增加行驶路径最短的并且满足各项限制条件的路径作为最优的路径,并将当前乘客匹配给拥有最优行驶路径的出租车(Yongxin Tong,Yuxiang Zeng,ZimuZhou,Lei Chen,Jieping Ye,and Ke Xu.2018.A unified approach to route planningfor shared mobility.Proceedings of the VLDB Endowment 11,11(2018)),这样的规划路径方式忽视了整个城市中的出行规律,无法保证能够服务未使用智能终端的乘客,进而无法提高整个***的效率。
发明内容
为了解决上述已有拼车***中所存在的普遍问题,本发明提供了一种计算开销更少,拼车效率更高同时能够服务使用和未使用智能终端的两种不同乘客群体的通用拼车方法及***。具体地,本发明在发掘整个城市的出行规律之后,结合连入平台的智能终端收到的乘客出行请求以及非智能终端使用者的乘客出行信息,自行进行信息匹配处理,并将结果返回给拼车出行的各个参与者,可以高效地服务城市中每日大量的出行需求。
为实现上述技术目的,本发明采用如下技术方案:
一种基于出行信息的动态拼车方法,包括如下步骤:
(1)对城市所有道路节点进行编号,获取其地理位置信息,包括经度信息和纬度信息;根据历史出行规律对城市地图进行划分,获取地理位置相近、且出行方式相似的道路节点的集合;
(2)乘客提交出行请求信息,包括提交时间、起点、终点、可接受最晚到达终点时间;其中起点、终点为道路节点编号;
(3)根据乘客提交的出行请求信息建立由乘客出行请求的起点和终点的经纬度组成的方向向量对每一个非空的出租车定义由车辆当前所在节点的经纬度和出租车上所有乘客的终点的中心经纬度组成的方向向量根据方向向量将乘客和出租车聚类,建立出行方向相似的乘客和司机的集合,即方向聚类;
(4)基于步骤(1)获取的集合信息、步骤(2)的出行请求信息和步骤(3)获取的方向聚类信息建立出租车候选集;
(5)规划路径,从出租车候选集中选择满足绕路开销最小且能满足所有乘客最晚到达时间限制的车辆,完成匹配。
作为本发明的进一步改进,所述步骤(1)中,基于K-means聚类算法获取地理位置相近、且出行方式相似的道路节点的集合;包括:
a)根据获取的道路节点的经纬度信息,使用K-means聚类算法得到k个空间聚类,每个聚类包含的道路节点地理位置接近;
其中,空间聚类表示对城市的区域划分,记为集合P;
b)结合历史出行数据,计算每个道路节点的转移概率向量Bi,向量中的每一个元素Bij表示有乘客从道路节点i出发,终点到达地理信息聚类j的概率;i=1,2,…,N;j=1,2,3,…,k;其中N为总的道路节点数目,k为空间聚类数目;
c)对所有道路节点的转移概率向量再次使用K-means聚类算法得到Kt个转移聚类,Kt<k,每个转移聚类中的道路节点拥有相似的出行规律。
进一步的,所述方法还包括,对c)步骤中得到的每一个聚类执行步骤a)。
进一步的,对于c)中每个转移聚类,假设其包含n个道路节点,则按照步骤a)将该转移聚类划分成个空间聚类;
重复上述步骤,直至最终形成的k个空间聚类没有变化或达到指定数目的重复次数。
作为本发明的进一步改进,所述步骤(3)中,第一个提交出行请求的乘客的方向向量组成第一个方向聚类C,C的代表向量即为该计算后出现的每个出行请求的方向向量与已有聚类代表向量的相似程度,归入相似的方向聚类,并根据新归入方向向量更新方向聚类的代表向量;如果没有相似方向聚类,则建立新方向聚类,将该未归类方向向量作为新方向聚类的代表向量。
进一步的,当某一个乘客接受出租车服务后,将此乘客从方向聚类中删除,并更新出租车的方向向量,同时更新这个方向聚类的代表向量。
进一步的,步骤(3)中基于余弦相似度测量方法计算方向向量的相似程度。
作为本发明的进一步改进,所述步骤(4)中,基于乘客提交的信息,计算出乘客愿意等待的时间Δt,以及该乘客的方向向量所属方向聚类C,计算以乘客为中心的搜索半径R=Δt*v,v为城市中典型车辆行驶速度;
所有与以该搜索半径形成的圆有相交区域的划分城市区域构成一个集合Q;则候选出租车集合T={∪P∈QP.Lt}∩C.Lt;
其中P.Lt是在城市划分的区域Pi∈P中,在未来一段时间将要经过区域Pi的出租车以及当前位置在区域Pi中的空车的集合;C.Lt是指在同一个方向聚类中与此乘客出行方向相似的出租车的集合。
进一步的,所述步骤(5)中,对于任一出租车,其路径为S=<s1,s2,…,sm>,其中si表示接客或者放客事件,该事件指明乘客的上车/下车地点;对于S中的任意两个连续事件(sz,sz+1)∈S,获得各事件位置坐标并找出其所在城市区域Pz,Pz+1∈P,以及这两个区域的在地标地图中的地标Lz,Lz+1,根据两个Lz,Lz+1的经纬度定义向量Vz;对于城市中的其他所有划分出的区域Pi以及此区域的地标Li,遍历验证是否满足:
①Vz向量和Lz与Li组成的方向向量之间的夹角θ足够小;
②Lz到Li的行驶距离加上Li到Lz+1的行驶距离不显著大于Lz到Lz+1的距离的2倍;
将整个城市中所有满足上述要求的城市区域加入区域集合Pz中;Pz∈P;Pz,Pz+1∈Pz;
在区域集合Pz中所有节点和道路构成的一个子图上计算最短路径。
进一步的,在高峰时间段,采用Dijkstra算法计算最短路径,否则基于概率方法计算最短路径;
所述基于概率方法计算最短路径步骤包括:
基于区域的划分结果,以每个划分区域的最接近中心点的城市道路节点为顶点构造地标地图,任意相邻的两个区域对应的地标地图顶点间存在一条边:
i)对于区域集合P中每一个城市的划分区域Pi,根据历史出行数据计算每个区域的出现乘客的概率=历史请求中从区域Pi出发的请求数/历史请求的总数;
ii)在由每个区域构成的地标地图中,构造一条连接区域Pz和区域Pz+1并且所连接的区域中出现新乘客的概率最大的区域行驶路线H;
iii)在路线H连接的所有区域中使用Dijkstra算法查找连接(Sz,Sz+1)之间道路节点的路线;如果没有,则返回步骤ii)中选择新的连接路线H,重复ii)~iii)直至所需路线。
本发明还提供了一种基于出行信息的动态拼车***,包括:
数据库,用于存储包含地理位置信息的城市地图数据、历史出行数据;
数据采集模块,用于获取乘客出行请求信息和出租车状态信息;乘客出行请求信息包括提交时间、起点、终点、可接受最晚到达终点时间;出租车状态信息包括当前位置、车上每个乘客的终点位置及可接受最晚到达终点时间;
索引模块,用于基于数据库存储的城市地图数据、出行数据,对城市所有道路节点进行编号;根据历史出行规律对城市地图进行划分,获取地理位置相近、且出行方式相似的道路节点的集合;并根据乘客提交的出行请求信息建立由乘客出行请求的起点和终点的经纬度组成的方向向量对每一个非空的出租车定义由车辆当前所在节点的经纬度和出租车上所有乘客的终点的中心经纬度组成的方向向量根据方向向量将乘客和出租车聚类,建立出行方向相似的乘客和司机的集合,即方向聚类;
匹配模块,用于根据索引模块筛选的地理位置相近且出行方式相似的道路节点的集合、方向聚类、乘客出行请求信息及出租车状态信息建立出租车候选集;从出租车候选集中选择满足绕路开销最小且能满足所有乘客最晚到达时间限制的车辆,完成匹配。
本发明为每个出行乘客寻找出租车候选集的过程中,不单单考虑当前乘客所在的位置,同时将此乘客出行的起点、终点以及出行的方向等整体信息加以考虑,提前过滤掉部分不合适的出租车,减少计算开销。并在规划路径的过程中兼顾非智能终端使用者的出行需求,在挖掘了整个城市的出行规律的基础上提出基于概率的路径规划方法,满足了不同群体的出行需求,提高了整个***的效率。
附图说明
图1为***框架图;
图2为建立城市中方向聚类的流程图;
图3为服务一个乘客请求的完整流程。
具体实施方式
下面结合附图说明和具体实施方式对本发明的技术方案作进一步阐述。
实施例1
如图1-3所示的基于出行信息的动态拼车方法及***,所述***包括:
数据库,用于存储包含地理位置信息的城市地图数据、历史出行数据;
数据采集模块,用于获取乘客出行请求信息和出租车状态信息;乘客出行请求信息包括提交时间、起点、终点、可接受最晚到达终点时间;出租车状态信息包括当前位置、车上每个乘客的终点位置及可接受最晚到达终点时间;
索引模块,用于基于数据库存储的城市地图数据、出行数据,对城市所有道路节点进行编号;根据历史出行规律对城市地图进行划分,获取地理位置相近、且出行方式相似的道路节点的集合;并根据乘客提交的出行请求信息建立由乘客出行请求的起点和终点的经纬度组成的方向向量对每一个非空的出租车定义由车辆当前所在节点的经纬度和出租车上所有乘客的终点的中心经纬度组成的方向向量根据方向向量将乘客和出租车聚类,建立出行方向相似的乘客和司机的集合,即方向聚类;
匹配模块,用于根据索引模块筛选的地理位置相近且出行方式相似的道路节点的集合、方向聚类、乘客出行请求信息及出租车状态信息建立出租车候选集;从出租车候选集中选择满足绕路开销最小且能满足所有乘客最晚到达时间限制的车辆,完成匹配。
基于该***的具体方法实现流程如下:
1)根据出行规律对城市地图进行划分,具体实施步骤如下:
a)根据城市当中所有道路节点的地理位置信息(经度和纬度),使用K-means聚类算法,最终得到k个聚类,每一类中的节点在地理位置上都相隔较近。
b)根据上一步得到的地理信息聚类,结合大量的历史出行数据,每一个道路节点都可以计算出一个转移概率向量Bi,向量中的每一个元素Bij表示有乘客从道路节点i出发,终点到达地理信息聚类j的概率。i=(1,2,3….N);j=1,2,3….k);N为总的道路节点数目,k为空间聚类数目。
c)相似的转移概率向量表示了相似的出行规律,因而对所有道路节点的转移概率向量再次使用K-means聚类算法得到Kt个聚类,其中参数Kt<k。该步骤中的每个聚类中的节点拥有相似的出行规律。
重复以上三个步骤。在后续执行过程中,对前一次循环过程中c)步骤中得到的每一个聚类执行步骤a)。具体来说,步骤c)中得到了某一个有n个节点的聚类,对于这n个节点的经纬度执行步骤a)中个对于地理信息的聚类,得到个再次划分的聚类,对于前一个循环过程中c)步骤中得到的每一个聚类依次执行这个操作,最终在a)步骤中的所有聚类的数量不变时结束循环,这样就保证了整个城市地图划分最后得到的各个聚类是地理位置相近,并且出行方式相似的城市中节点的一个集合。
2)根据方向向量将乘客和出租车聚类
对每一位参与拼车出行的乘客,定义一个方向向量该向量是一个由乘客出行请求的起点和终点的经纬度组成的思维向量同样地,对每一个非空的出租车定义一个方向向量(空车无方向向量,因此不参与方向聚类)。其中有乘客的出租车的方向向量与乘客的方向向量稍有不同,其前两项为车辆当前所在节点的经纬度,后两项为车辆上当前所有乘客终点的中心点经纬度。
整个城市的方向聚类的产生及维护步骤如下(具体流程如图2所示):
a)当城市中第一个乘客的出行需求出现的时候,这个请求自己组成整个城市中的第一个方向聚类,并且整个聚类的代表向量为此乘客的方向向量。
b)随着后续乘客出行需求的不断出现,对于每个出行请求计算它与当前城市中已有的聚类代表向量的相似程度,如果所有的相似度数值都小于一个阈值的话就将这个乘客组成一个新的方向聚类,同时将此乘客的方向向量赋予这个新的方向聚类的代表向量。否则,将这个乘客加入相似度最高的方向聚类,同时根据这个乘客的方向向量更新这个被加入的聚类的代表向量。
c)当某一个乘客被出租车服务之后,将此乘客从方向聚类中删除,并且更新出租车的方向向量,同时更新这个方向聚类的代表向量。
以上过程中,计算各个方向向量相似程度的方法为余弦相似度测量方法(cosinesimilarity),具体如下:
其中为方向聚类C的代表向量。
通过以上两步的划分城市地图并建立城市中的方向聚类,整个拼车***对城市中的所有乘客和出租车都建立了索引。对于每一个城市当中划分出的区域,维持一个从此区域出发乘客的索引以及一个车辆集合的索引。这个车辆集合包括了当前这个区域以及这个区域半径一定范围(例如5公里)内的所有区域中的空车以及按照当前规划路径行驶过程中会在一段时间(例如1小时)内经过这个区域中的出租车。对于城市中的每一个方向聚类,就是一个所有出行方向相似的可以拼车出行的乘客和司机的集合。
(3)搜寻出租车候选集,规划路径,完成乘客和出租车的匹配;
对城市中拼车出行的参与者建立高效的查找和更新索引之后,整个***就可以保证高效的服务每个新出现的出行需求。对每一个出行需求匹配服务的出租车的过程中,需要完成整个***过程中最重要的两个步骤:搜寻出租车候选集及规划路线(服务一个乘客请求的流程图如图3所示)。最终将这名乘客匹配给规划出最合适线路的出租车服务。乘客提交给***的出行请求形式如<tr,or,dr,er>所示,其中tr为乘客提交出行需求时间;or为乘客出发的起点,为一个城市道路节点的编号;同理dr为乘客终点的城市道路节点编号。根据这些编号也可以快速查到这些节点的经纬度信息。最后的er表示了乘客能够接受的最晚到达终点的时间。整个***处理一个新出现乘客的出行需求的流程如下:
1)根据乘客出发的位置,搜寻一个可能满足乘客需求的出租车的集合;
a)首先根据乘客提交的信息,计算出乘客愿意等待的时间Δt;
Δt=er–cost(or,dr)-tr
其中cost(or,dr)表示当乘客不参与拼车出行的时候,从起点到终点的最短出行时间。
b)定义一个城市中典型的车辆行驶速度vnormal(例如30km/h),对于一个乘客,***计算出一个以他为中心的搜索半径Rsearch,其计算方式为Rsearch=Δt*vnormal。
c)在以乘客出发位置为中心,Rsearch为半径的圆中,所有与此圆有相交区域的划分城市区域构成一个集合Q,同时找出此乘客所在的方向聚类C,那么可选的出租车集合T的计算方式为:
T={∪P∈SP.Lt}∩C.Lt
其中P.Lt是在城市划分的区域Pi∈P中,在未来一段时间将要经过区域Pi的出租车以及当前位置在区域Pi中的空车的集合。C.Lt是指在同一个方向聚类中与此乘客出行方向相似的出租车的集合。
2)规划路径并将乘客匹配给拥有最优新路径的出租车服务;
对于一个乘客的出行需求r,整个***返回一个在满足所有限制条件下的可能服务的出租车的集合T。对于任意一个出租车t∈T,都有一个当前正在行驶的路径S,路径S是此出租车当前车上已有乘客的出发道路节点和终点道路节点的序列,S={s1,s2,…,sm},其中si表示接客或者放客事件,该事件指明乘客的上车/下车地点。例如,某出租车被***分配服务乘客r1,r2两名乘客,其中规划好的服务顺序是先到达r1的出发点o1接上乘客r1,,然后到达乘客r2的出发点o2接上r2两,接着到达r2两的终点d2两,最后到达r1的终点d1完成服务,那么***给出租车规划出的路径S=<o1,o2,d1,d2>;o1,o2即为上车地点;d1,d2为下客地点。规划路径的核心思想就是遍历所有可能服务出租车集合中的出租车的行驶轨迹S,,并将请求r中的起点o和终点d遍历的***S得到一个新的行驶轨迹S′,每得到一个新的行驶轨迹S′,,***计算一次因为服务这个新增的乘客所需要增加的绕路开销detour cost:
detour cost=cost(S)–cost(S’)
最终选择detour cost最小并且能够满足所有乘客最晚到达时间限制的S′作为最优的路径,并根据最优的S′更新原来出租车的规划路径S,并将此乘客匹配给这辆出租车。
整个拼车***中,规划出租车的线路是整个***效率的瓶颈,因此对于一个行驶路径中任意两个连续事件(sz,sz+1)∈S,如果在由整个城市节点组成的图中使用传统的图计算方法(例如迪杰斯特拉(Dijkstra)算法)实时计算两个事件所属道路节点之间的最短路线,那么计算开销会是巨大的,无法满足***实时性的要求。因而根据对城市区域的划分结果构造并维护一个地标地图。地标地图中的顶点为原地图中每个划分区域的最接近中心点的城市道路节点;任意相邻的两个区域对应的地标地图顶点间存在一条边。得到地标地图之后,计算行驶路径中连续两个节点之间的最短距离的步骤如下所示:
a)过滤区域
对于一条路径S其中的任意两个连续事件(sz,Sz+1)∈S,获得各事件位置坐标并找出其所在城市区域Pz,Pz+1∈P,以及这两个区域的在地标地图中的地标lz,lz+1,根据两个地标节点的经纬度定义一个Vz向量。对于城市中的其他所有划分出的区域Pi以及此区域的地标li,遍历验证是否满足以下两个规则:
规则一:Vz向量和lz与li组成的方向向量之间的夹角θ是否足够小,比如cos(θ)≥£.
规则二:lz到li的行驶距离加上li到lz+1的行驶距离不显著大于lz到lz+1的距离的2倍,例如
cos(lz,li)+cost(li,lz+1)≤(1+α)*cost(lz,lz+1)
其中£和α都是提前定义好的参数。
将整个城市中所有满足这两个规则的城市区域加入集合Pz中;Pz∈P;Pz,Pz+1∈Pz。
b)分段规划路径;
为了避免在整个城市地图上计算最短路径的巨大开销,***只考虑在区域集合Pz中所有节点和道路构成的一个子图上计算最短路径,本发明提供了两种路径规划方法,即基础规划算法和概率规划算法。这两种方法都是在区域集合Pz形成的子图上进行。高峰期,因为出租车本身有足够多的乘客需要服务,所以***选择忽视非智能终端使用者的出行需求,在高峰时间段采用基础规划算法,即利用Dijkstra算法在子图中找到两个节点之间的最短路径。在非高峰期,为了提高出租车的利用效率,根据各个区域出行非智能终端使用者的出行需求的概率规划路径,使得出租车遇到此类需求的概率最大,即采用概率规划算法进行最短路径计算,根据概率规划(sz,sz+1)之间路径的过程如下:
i)对于集合P中每一个城市的划分区域Pi,根据历史上的出行数据计算每个区域的出现乘客的概率,计算方式为历史请求中从区域Pi出发的请求数除以历史请求的总数。
ii)在由每个区域构成的地标地图中,构造一条连接区域Pz和区域Pz+1并且所连接的区域中出现新乘客的概率最大的区域行驶路线H。
iii)在被路线H连接起来的所有区域中使用Dijkstra算法找到一条连接城市道路节点(sz,sz+1)之间的道路节点的路线。
在步骤iii)中如果不能找到一条满足限制条件的道路节点行驶路线,则返回步骤ii)中找到一条新的连接Pz和Pz+1之间的路线H,不断的重复这两步直至找到一条连接(sz,sz+1)之间的路线,否则标记这一条新得到的轨迹S无法成立。
Claims (10)
1.一种基于出行信息的动态拼车方法,其特征在于,包括如下步骤:
(1)对城市所有道路节点进行编号,获取其地理位置信息,包括经度信息和纬度信息;根据历史出行规律对城市地图进行划分,获取地理位置相近、且出行方式相似的道路节点的集合;
(2)乘客提交出行请求信息,包括提交时间、起点、终点、可接受最晚到达终点时间;其中起点、终点为道路节点编号;
(3)根据乘客提交的出行请求信息建立由乘客出行请求的起点和终点的经纬度组成的方向向量对每一个非空的出租车定义由车辆当前所在节点的经纬度和出租车上所有乘客的终点的中心经纬度组成的方向向量根据方向向量将乘客和出租车聚类,建立出行方向相似的乘客和司机的集合,即方向聚类;
(4)基于步骤(1)获取的集合信息、步骤(2)的出行请求信息和步骤(3)获取的方向聚类信息建立出租车候选集;
(5)规划路径,从出租车候选集中选择满足绕路开销最小且能满足所有乘客最晚到达时间限制的车辆,完成匹配。
2.根据权利要求1所述的一种基于出行信息的动态拼车方法,其特征在于,所述步骤(1)中,基于K-means聚类算法获取地理位置相近、且出行方式相似的道路节点的集合;包括:
a)根据获取的道路节点的经纬度信息,使用K-means聚类算法得到k个空间聚类,每个聚类包含的道路节点地理位置接近;
其中,空间聚类表示对城市的区域划分,记为集合P;
b)结合历史出行数据,计算每个道路节点的转移概率向量Bi,向量中的每一个元素Bij表示有乘客从道路节点i出发,终点到达地理信息聚类j的概率;i=1,2,…,N;j=1,2,3,…,k;其中N为总的道路节点数目,k为空间聚类数目;
c)对所有道路节点的转移概率向量再次使用K-means聚类算法得到Kt个转移聚类,Kt<k,每个转移聚类中的道路节点拥有相似的出行规律。
3.根据权利要求2所述的一种基于出行信息的动态拼车方法,其特征在于,还包括,对c)步骤中得到的每一个转移聚类执行步骤a)。
4.根据权利要求2或3所述的一种基于出行信息的动态拼车方法,其特征在于,对于c)中每个转移聚类,假设其包含n个道路节点,则按照步骤a)将该转移聚类划分成个空间聚类;
重复上述步骤,直至最终形成的k个空间聚类没有变化或达到指定数目的重复次数。
5.根据权利要求1所述的一种基于出行信息的动态拼车方法,其特征在于,所述步骤(3)中,第一个提交出行请求的乘客的方向向量组成第一个方向聚类C,C的代表向量即为该计算后出现的每个出行请求的方向向量与已有聚类代表向量的相似程度,归入相似的方向聚类,并根据新归入方向向量更新方向聚类的代表向量;如果没有相似方向聚类,则建立新方向聚类,将该未归类方向向量作为新方向聚类的代表向量;当某一个乘客接受出租车服务后,将此乘客从方向聚类中删除,并更新出租车的方向向量,同时更新这个方向聚类的代表向量。
6.根据权利要求1或5所述的一种基于出行信息的动态拼车方法,其特征在于,基于余弦相似度测量方法计算方向向量的相似程度。
7.根据权利要求2所述的一种基于出行信息的动态拼车方法,其特征在于,所述步骤(4)中,基于乘客提交的信息,计算出乘客愿意等待的时间Δt,以及该乘客的方向向量所属方向聚类C,计算以乘客为中心的搜索半径R=Δt*v,v为城市中典型车辆行驶速度;
所有与以该搜索半径形成的圆有相交区域的划分城市区域构成一个集合Q;则候选出租车集合T={∪P∈QP.Lt}∩C.Lt;
其中P.Lt是在城市划分的区域Pi∈P中,在未来一段时间将要经过区域Pi的出租车以及当前位置在区域Pi中的空车的集合;C.Lt是指在同一个方向聚类中与此乘客出行方向相似的出租车的集合。
8.根据权利要求7所述的一种基于出行信息的动态拼车方法,其特征在于,所述步骤(5)中,对于任一出租车,其路径为S=<s1,s2,…,sm>,其中si表示接客或者放客事件,该事件指明乘客的上车/下车地点;对于S中的任意两个连续事件(sz,sz+1)∈S,获得各事件位置坐标并找出其所在城市区域Pz,Pz+1∈P,以及这两个区域的在地标地图中的地标Lz,Lz+1,根据两个Lz,Lz+1的经纬度定义向量Vz;对于城市中的其他所有划分出的区域Pi以及此区域的地标Li,遍历验证是否满足:
①Vz向量和Lz与Li组成的方向向量之间的夹角θ足够小;
②Lz到Li的行驶距离加上Li到Lz+1的行驶距离不大于Lz到Lz+1距离的2倍;
将整个城市中所有满足上述要求的城市区域加入区域集合Pz中;Pz∈P;Pz,Pz+1∈Pz;
在区域集合Pz中所有节点和道路构成的一个子图上计算最短路径。
9.根据权利要求8所述的一种基于出行信息的动态拼车方法,其特征在于,在高峰时间段,采用Dijkstra算法计算最短路径,否则基于概率方法计算最短路径;
所述基于概率方法计算最短路径步骤包括:
基于区域的划分结果,以每个划分区域的最接近中心点的城市道路节点为顶点构造地标地图,任意相邻的两个区域对应的地标地图顶点间存在一条边:
i)对于区域集合P中每一个城市的划分区域Pi,根据历史出行数据计算每个区域的出现乘客的概率=历史请求中从区域Pi出发的请求数/历史请求的总数;
ii)在由每个区域构成的地标地图中,构造一条连接区域Pz和区域Pz+1并且所连接的区域中出现新乘客的概率最大的区域行驶路线H;
iii)在路线H连接的所有区域中使用Dijkstra算法查找连接(sz,sz+1)(之间道路节点的路线;如果没有,则返回步骤ii)中选择新的连接路线H,重复ii)~iii)直至获得所需路线。
10.一种基于出行信息的动态拼车***,其特征在于,包括:
数据库,用于存储包含地理位置信息的城市地图数据、历史出行数据;
数据采集模块,用于获取乘客出行请求信息和出租车状态信息;乘客出行请求信息包括提交时间、起点、终点、可接受最晚到达终点时间;出租车状态信息包括当前位置、车上每个乘客的终点位置及可接受最晚到达终点时间;
索引模块,用于基于数据库存储的城市地图数据、出行数据,对城市所有道路节点进行编号;根据历史出行规律对城市地图进行划分,获取地理位置相近、且出行方式相似的道路节点的集合;并根据乘客提交的出行请求信息建立由乘客出行请求的起点和终点的经纬度组成的方向向量对每一个非空的出租车定义由车辆当前所在节点的经纬度和出租车上所有乘客的终点的中心经纬度组成的方向向量根据方向向量将乘客和出租车聚类,建立出行方向相似的乘客和司机的集合,即方向聚类;
匹配模块,用于根据索引模块筛选的地理位置相近且出行方式相似的道路节点的集合、方向聚类、乘客出行请求信息及出租车状态信息建立出租车候选集;从出租车候选集中选择满足绕路开销最小且能满足所有乘客最晚到达时间限制的车辆,完成匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515242.7A CN110222786B (zh) | 2019-06-14 | 2019-06-14 | 基于出行信息的动态拼车方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515242.7A CN110222786B (zh) | 2019-06-14 | 2019-06-14 | 基于出行信息的动态拼车方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222786A true CN110222786A (zh) | 2019-09-10 |
CN110222786B CN110222786B (zh) | 2022-09-20 |
Family
ID=67817128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910515242.7A Active CN110222786B (zh) | 2019-06-14 | 2019-06-14 | 基于出行信息的动态拼车方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222786B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366160A (zh) * | 2020-05-25 | 2020-07-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 路径规划方法、路径规划装置及终端设备 |
CN112052405A (zh) * | 2020-08-24 | 2020-12-08 | 杭州电子科技大学 | 一种基于司机经验的寻客区域推荐方法 |
CN112347376A (zh) * | 2020-09-11 | 2021-02-09 | 辽宁师范大学 | 基于多时空聚类的出租车载客点推荐方法 |
WO2021056303A1 (en) * | 2019-09-26 | 2021-04-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining a pick-up location |
CN113283750A (zh) * | 2021-05-26 | 2021-08-20 | 广东工业大学 | 一种基于自动驾驶共享出租车的充电需求触发和处理方法 |
CN113344658A (zh) * | 2021-05-25 | 2021-09-03 | 深圳依时货拉拉科技有限公司 | 行程中持续拼车的方法、计算机可读存储介质及计算机设备 |
CN113592599A (zh) * | 2021-08-02 | 2021-11-02 | 湖南蓝眼科技发展有限公司 | 基于定位信息的出租车拼车方法、电子设备及可读存储介质 |
WO2024019656A1 (en) * | 2022-07-18 | 2024-01-25 | Grabtaxi Holdings Pte. Ltd. | Method for modelling a demand indicator and applications thereof |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004062490A (ja) * | 2002-07-29 | 2004-02-26 | Matsushita Electric Ind Co Ltd | 相乗り代理交渉システムおよび相乗り代理交渉方法 |
CN104637291A (zh) * | 2013-11-08 | 2015-05-20 | 张小亮 | 出租车拼车方法 |
CN104992044A (zh) * | 2015-05-26 | 2015-10-21 | 深圳大学 | 应用于实时合乘的最优多会合点路径搜索方法及装置 |
CN105489002A (zh) * | 2016-01-05 | 2016-04-13 | 深圳大学 | 一种基于智能匹配和路径优化的拼车方法及*** |
CN105678412A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 面向多人乘车的路线规划方法和装置 |
CN108074050A (zh) * | 2018-02-13 | 2018-05-25 | 广州小享科技有限公司 | 一种基于航班的拼车方法及*** |
US20180238694A1 (en) * | 2017-02-21 | 2018-08-23 | Conduent Business Services, Llc | System and method for optimizing passenger pick-up |
-
2019
- 2019-06-14 CN CN201910515242.7A patent/CN110222786B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004062490A (ja) * | 2002-07-29 | 2004-02-26 | Matsushita Electric Ind Co Ltd | 相乗り代理交渉システムおよび相乗り代理交渉方法 |
CN104637291A (zh) * | 2013-11-08 | 2015-05-20 | 张小亮 | 出租车拼车方法 |
CN104992044A (zh) * | 2015-05-26 | 2015-10-21 | 深圳大学 | 应用于实时合乘的最优多会合点路径搜索方法及装置 |
CN105678412A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 面向多人乘车的路线规划方法和装置 |
CN105489002A (zh) * | 2016-01-05 | 2016-04-13 | 深圳大学 | 一种基于智能匹配和路径优化的拼车方法及*** |
US20180238694A1 (en) * | 2017-02-21 | 2018-08-23 | Conduent Business Services, Llc | System and method for optimizing passenger pick-up |
CN108074050A (zh) * | 2018-02-13 | 2018-05-25 | 广州小享科技有限公司 | 一种基于航班的拼车方法及*** |
Non-Patent Citations (1)
Title |
---|
李由等: "路径搜索和匹配算法在交通信息服务中的应用", 《航空信息技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021056303A1 (en) * | 2019-09-26 | 2021-04-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining a pick-up location |
CN111366160A (zh) * | 2020-05-25 | 2020-07-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 路径规划方法、路径规划装置及终端设备 |
CN111366160B (zh) * | 2020-05-25 | 2020-10-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 路径规划方法、路径规划装置及终端设备 |
CN112052405A (zh) * | 2020-08-24 | 2020-12-08 | 杭州电子科技大学 | 一种基于司机经验的寻客区域推荐方法 |
CN112347376A (zh) * | 2020-09-11 | 2021-02-09 | 辽宁师范大学 | 基于多时空聚类的出租车载客点推荐方法 |
CN112347376B (zh) * | 2020-09-11 | 2023-10-27 | 辽宁师范大学 | 基于多时空聚类的出租车载客点推荐方法 |
CN113344658A (zh) * | 2021-05-25 | 2021-09-03 | 深圳依时货拉拉科技有限公司 | 行程中持续拼车的方法、计算机可读存储介质及计算机设备 |
CN113283750A (zh) * | 2021-05-26 | 2021-08-20 | 广东工业大学 | 一种基于自动驾驶共享出租车的充电需求触发和处理方法 |
CN113592599A (zh) * | 2021-08-02 | 2021-11-02 | 湖南蓝眼科技发展有限公司 | 基于定位信息的出租车拼车方法、电子设备及可读存储介质 |
CN113592599B (zh) * | 2021-08-02 | 2024-05-31 | 湖南蓝眼科技发展有限公司 | 基于定位信息的出租车拼车方法、电子设备及可读存储介质 |
WO2024019656A1 (en) * | 2022-07-18 | 2024-01-25 | Grabtaxi Holdings Pte. Ltd. | Method for modelling a demand indicator and applications thereof |
Also Published As
Publication number | Publication date |
---|---|
CN110222786B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222786A (zh) | 基于出行信息的动态拼车方法及*** | |
CN105070044B (zh) | 一种基于乘客预约的定制公交合乘车辆动态调度方法 | |
US11692837B2 (en) | Automatic discovery of optimal routes for flying cars and drones | |
CN104931063B (zh) | 路径规划方法 | |
CN105679009B (zh) | 一种基于出租车gps数据挖掘的打车/接单poi推荐***及方法 | |
CN105844362B (zh) | 一种城市交通综合出行决策装置 | |
CN110398254B (zh) | 一种减缓交通拥挤的方法及*** | |
CN105074793A (zh) | 用于车辆路径规划和交通管理的车道级车辆导航 | |
Lin et al. | Optimal demand-aware ride-sharing routing | |
Luo et al. | Optimal design of intermodal mobility networks under uncertainty: Connecting micromobility with mobility-on-demand transit | |
Zhang et al. | Online cruising mile reduction in large-scale taxicab networks | |
US20220005140A1 (en) | Method, apparatus, and system for providing a contextually relevant vehicle comparison | |
CN109242202B (zh) | 一种基于区域间乘客流动的出租车推荐方法及*** | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
CN108332754B (zh) | 路径优化方法、装置、电子设备及计算机存储介质 | |
CN114358808A (zh) | 基于多源数据融合的公交od估计及分配方法 | |
Yang et al. | Who is more likely to get a ride and where is easier to be picked up in ride-sharing mode? | |
Hou et al. | Towards efficient vacant taxis cruising guidance | |
Hakeem et al. | Multi-destination vehicular route planning with parking and traffic constraints | |
Chen et al. | Finding next high-quality passenger based on spatio-temporal big data | |
Lai et al. | Data-driven flexible vehicle scheduling and route optimization | |
Zhuang et al. | Framework of experienced route planning based on taxis' GPS data | |
JP2002296059A (ja) | 情報配信システム | |
CN114877906A (zh) | 配送计划生成方法、装置、***及计算机可读存储介质 | |
Guo et al. | Trajectory data driven transit-transportation planning |
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 |