CN111210094A - 一种基于实时客流预测的机场出租车自动调度方法及装置 - Google Patents

Abstract

本申请涉及智能交通控制技术领域，特别地，涉及一种基于实时客流预测的机场出租车自动调度方法及装置。为了解决社会车辆误入出租车等候区、出租车排队进度不明确、载客秩序混乱、预测客流数据偏差过大、调度不及时不合理的问题。所述方法包括：采集进入蓄车场的出租车信息生成出租车序列；将采集的实时客流数据、数据库中历史同期客流数据输入客流预测模型计算得到预设时间后的预测客流数据；根据所述预测客流数据和出租车序列，生成调度信息，所述调度信息用于控制信息屏生成出租车等候区进入号牌提示，以及控制道闸***；根据所述进入号牌提示，出租车通过被所述调度信息控制的道闸***进入出租车等候区。

Description

一种基于实时客流预测的机场出租车自动调度方法及装置

技术领域

本申请涉及智能交通控制技术领域，特别地，涉及一种基于实时客流预测的机场出租车自动调度方法及装置。

背景技术

机场出租车调度，是指为了满足机场出站乘客搭乘出租车的需求，根据候车乘客的数量，调配蓄车场和出租车等候区的出租车数量，以保障乘客搭乘出租车离开机场的正常秩序。其场景包括候车乘客数量较多时，及时调度蓄车场内的出租车有序前往出租车等候区排队载客；或候车乘客数量较少时，防止蓄车场内的出租车大量拥挤至出租车等候区抢客。

在一些机场出租车调度方法的实现中，通常采用人工调度的方式。根据监控视频、或管理人员的个人经验、机场候车乘客的大致数量进行人工调度。以一定的时间间隔、如半小时一次进行定时调度；或以一定的阈值、如每次调配50辆出租车进行调度。

但是，当调度人员判断客流发生偏差较大，或调度指令发出不及时，会导致出租车调度滞后、调度不合理无法满足乘客需求、出租车无法获取排队进度、蓄车场内出租车拥挤至出租车等候区抢客、社会车辆误入出租车等候区，造成秩序混乱。

发明内容

本申请提供了一种基于实时客流预测的机场出租车自动调度方法及装置，通过采集出租车信息、采集实时客流数据、构建客流预测模型、自动生成调度信息、生成进入号牌提示以及控制道闸***，一定程度上可以解决社会车辆误入出租车等候区、出租车排队进度不明确、载客秩序混乱、预测客流数据偏差过大、调度不及时不合理的问题。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种基于实时客流预测的机场出租车自动调度方法，所述方法包括：

采集进入蓄车场的出租车信息生成出租车序列；

将采集的实时客流数据、数据库中历史同期客流数据输入客流预测模型计算得到预设时间后的预测客流数据；

根据所述预测客流数据和出租车序列，生成调度信息，所述调度信息用于控制信息屏生成出租车等候区进入号牌提示，以及控制道闸***；

根据所述进入号牌提示，出租车通过被所述调度信息控制的道闸***进入出租车等候区。

本申请实施例的第二方面提供一种基于实时客流预测的机场出租车自动调度装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如本申请实施例第一方面提供的发明内容中任一所述方法。

本申请的有益效果在于：通过采集出租车信息，可以实现出租车排队信息化，避免社会车辆进入等候区；进一步通过采集实时客流数据、构建客流预测模型，可以提高预测客流数据的准确度，提升出租车调度的合理性；进一步通过自动生成调度信息，可以降低调度决策时间，提高调度时效性；进一步通过控制进入号牌提示及道闸***，可以提供出租车排队进度信息、实现出租车的有序载客。

附图说明

具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例一种基于实时客流预测的机场出租车自动调度***100的示意图；

图2示出了本申请实施例一种示例性计算设备200的示意图；

图3示出了本申请实施例一种基于实时客流预测的机场出租车自动调度方法的流程示意图；

图4示出了本申请实施例构建基于XGBoost算法的客流预测模型流程示意图；

图5示出了本申请实施例机场出租车调度工作示意图；

图6示出了本申请实施例计算机实现的示意框图。

具体实施方式

现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。

本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。

图1是根据本申请的一些实施例所示的一种基于实时客流预测的机场出租车自动调度***100的示意图。基于实时客流预测的机场出租车自动调度***100是一个可以自动根据实时客流数据生成调度信息的平台。基于实时客流预测的机场出租车自动调度***100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个客流识别设备150-1、150-2......150-N。服务器110可以包括一个处理引擎112。

在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的***)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中，服务器110可以在与本申请图2所示的计算设备上实现，包括计算设备200中的一个或多个部件。

在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于获取客流识别设备150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。

存储设备120可以存储数据和/或指令。在一些实施例中，存储设备120可以存储从客流识别设备150获得的数据。在一些实施例中，存储设备120可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。在一些实施例中，存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。

在一些实施例中，存储设备120可以与网络130连接以实现与基于实时客流预测的机场出租车自动调度***100中的一个或多个部件之间的通信。基于实时客流预测的机场出租车自动调度***100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接与基于实时客流预测的机场出租车自动调度***100的一个或多个部件连接或通信。在一些实施例中，存储设备120可以是服务器110的一部分。

网络130可以促进信息和/或数据的交换。在一些实施例中，基于实时客流预测的机场出租车自动调度***100中的一个或多个部件可以通过网络130向基于实时客流预测的机场出租车自动调度***100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络130从客流识别设备150获取/得到请求。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种，或其组合。在一些实施例中，网络130可以包括一个或多个网络接入点。例如，网络130可能包括有线或无线网络接入点，如基站和/或互联网交换点130-1、130-2等等。通过接入点，基于实时客流预测的机场出租车自动调度***100的一个或多个部件可能连接到网络130以交换数据和/或信息。

客流识别设备150可以包括闸机***、视频分析服务器、摄像头等可以识别人流量的设备。在一些实施例中，客流识别设备150可以用于对所在位置的周边环境、或通过其采集点的人流量进行数据采集。在一些实施例中，客流识别设备150可以将采集到的各种数据信息发送到基于实时客流预测的机场出租车自动调度***100中的一个或多个设备中。例如，客流识别设备150可以采集区域的人流量数据发送至服务器110进行处理，或存储设备120中进行存储。在一些实施例中，可以在出租车乘客区的入口、出口位置设置所述客流识别设备，用于候车人数的数据采集。

图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和客流识别设备150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可以包括用来实现本申请所描述的***的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与基于实时客流预测的机场出租车自动调度***100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散***的处理负荷。

计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、和只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。

为理解方便，图2中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。

图3示出了本申请实施例一种基于实时客流预测的机场出租车自动调度方法的流程示意图。

在步骤301中，采集进入蓄车场的出租车信息生成出租车序列。

机场的运行管理中，按照管理规定出租车如果要接载新的乘客需要依次排队。一般机场的出租车送客和接客的需求都很大。出租车如果直接在乘客上车点排队会影响机场秩序，所以在机场附近、或内部通常设置有出租车蓄车场，通过在蓄车场内排队，然后依序开往出租车等候区载客，最后离开机场。

在一些实施例中，出租车等候区与出租车乘客区进行对接，出租车通过在所述等候区载客离开；蓄车场是用于出租车临时停靠、排队的区域，其中的车辆依次的驶入出租车等候区进行载客，通常蓄车场面积较大，以储备较大数量的出租车应对用车高峰需求。

在一些实施例中，蓄车场的入口、以及出口均设置有用于采集出租车信息的车辆检测器。所述车辆检测器通常包括号牌识别设备、摄像头、视频分析服务器等可识别车辆信息的设备。

对不同位置的车辆检测器进行时钟校验，设置统一的数据传输频率向后台传送数据；中心服务器通过对车辆检测器的传送数据进行计算处理可以得到蓄车场内的出租车序列。通过所述出租车序列的信息可以得到蓄车场内当前出租车的数量，车牌号，及每辆车的的排队进度。所述出租车序列的信息通畅会显示于设置在蓄车场内的多个显示屏，以使得出租车司机通过出租车序列信息能够得知其大概载客的等待时间和排队进度。

出租车牌号通常为专有格式，因此可以方便的辨别社会车辆进入蓄车场，防止其误入蓄车场扰乱载客秩序，实现出租车的统一管理。

在步骤302中，将采集的实时客流数据、数据库中历史同期客流数据输入客流预测模型计算得到预设时间后的预测客流数据。

通过使用机器学习技术，给客流预测模型输入实时客流数据，并调用数据库汇中的历史同期客流数据，可以的得到预设时间后的预测客流数据，例如对当日当前时刻的未来一小时后的乘坐出租车的乘客数量进行预测。

实时客流数据通常由设置在出租车乘客区的客流识别设备采集获取，所述实时客流数据以分钟为单位进行统计，然后将采集得到的客流数据存储至乘客候车信息数据库，这样可以得到机场历史时间段内的所有原始客流数据。

在一些实施例中，出租车调度***还包括节假日信息数据库，所述节假日信息数据库针对周末、法定节假日等特殊客流数据进行单独存储。由于节假日的客流数据与日常客流数据特点不同，通常具有爆发性和不确定性的特点，因此将所述节假日的客流数据单独存储至节假日信息数据库，用于数据研究和使用。

在一些实施例中，所述历史同期客流数据包括：昨日历史同期客流数据、上周历史同期客流数据和去年历史同期客流数。通过在乘客候车信息数据库和节假日信息数据库中对同一时间的历史客流数据进行分析处理，可以作为客流预测模型进行机器学习的训练集。

在用于机器学习的训练集中，以昨日历史同期客流数据、上周历史同期客流数据和去年历史同期客流数据作为特征值，以研究时刻的未来预设时间后的客流数据为输出值，从而形成所述训练集。

在一些实施例中，所述客流预测模型为基于XGBoost算法的客流预测模型。

XGBoost(eXtreme Gradient Boosting：极限梯度提升)算法是一种解决回归和分类问题的机器学习技术，它通过对弱预测模型，例如决策树的集成产生预测模型。

XGBoost是一个基于CART(Classification and Regression Trees：分类与回归树)由多个弱分类器经过boost框架，以负梯度为学习策略的一种集成学习方法。

XGBoost遍历所有的特征划分点，使用目标函数值作为评价函数，具体做法就是***后的目标函数值比单子叶子节点的目标函数的增益大，同时为了限制树生长过深，还加了个阈值，只有当增益大于该阈值才进行***。

XGBoost支持线性分类器，是一种带有L1和L2正则项的逻辑回归分类问题和线性回归的算法，正则项包括叶节点的个数及叶节点的输出值的L2范数，通过约束树结构，降低模型方差，防止过拟合；支持对目标函数进行二阶泰勒展开，支持自定义损失函数；XGBoost借鉴随机森林算法，支持列抽样和行抽样，即能降低过拟合风险，又能降低计算资源；XGBoost对缺失值不敏感，能自动学习其***方向，在每一步中引入缩减因子，降低单颗树对结果的影响，让后续模型有更大的优化空间，进一步防止过拟合；XGBoost在训练之前，对数据预先进行排序并保存为block，后续迭代中重复使用，减少计算，同时在计算分割点时，可以并行计算；XGBoost可并行近似直方图算法，树结点在进行***时，需要计算每个节点的增益，若数据量较大，对所有节点的特征进行排序，遍历的得到最优分割点，引进近似直方图算法，用于生成高效的分割点，即用***后的某种值减去***前的某种值，获得增益，为了限制树的增长，引入阈值，当增益大于阈值时，进行***。

基于XGBOOST算法进行客流预测，算法充分利用多核CPU并行计算，实现快速梯度提升(Gradient Boosting)，适合于机场的大规模数据处理。应用所述算法之前，需要对原始数据集进行预处理并得到相应的数据特征值，然后构建XGBOOST模型，最终实现乘客旅数量的有效预测。

图4示出了本申请实施例构建基于XGBoost算法的客流预测模型流程示意图。

在步骤401中获取来自于乘客候车信息数据库和节假日信息数据库中的原始客流数据。

乘客候车信息数据库是由设置在出租车乘客区的客流识别设备采集的客流数据构成的，通常分钟为单位进行统计，然后存储至数据库。节假日信息数据库针对周末、法定节假日等特殊客流数据进行单独存储。由于节假日的客流数据与日常客流数据特点不同，通常具有爆发性和不确定性的特点，因此将所述节假日的客流数据单独存储至节假日信息数据库，用于数据研究和使用。

在步骤402中，对所述原始客流数据进行预处理得到构成训练集的标准客流数据。

对原始客流数据进行合理性分析，剔除明显不合格、离差过大的数据。所述不合格的数据包括明显错误的全零数据。

将去掉明显错误的数据进行补全，所述数据的补全包括历史/未来平均值(中位数，众数)补全，将补全后的数据进行规整，得到标准客流数据。

所述标准客流数据用于构成客流预测模型的训练集，所述训练集以昨日历史同期客流数据、上周历史同期客流数据和去年历史同期客流数据作为特征值，以研究时刻的未来预设时间后的客流数据为输出值，从而形成所述训练集。

在一些实施例中，在得到预设时间后的预测客流数据后，基于所述历史同期客流数据、实时客流数据、预测客流数据生成客流线性统计图，所述客流线性统计图被输出用于显示。通过对所述客流线性统计图进行分析，可以得到客流数据在不同时期的趋势，以及未来时刻的预测趋势，用于对出租车调度提供数据支持。

机场有专门的出租车乘车区域，乘客在进入该区域时，会由客流识别***记录经过该区域的乘客数，并以分钟为单位进行统计，最终在出租车调度***中形成横坐标为时间、纵坐标为乘客数的线性统计图，同时还可以得到昨日历史同期人数、上周历史同期人数、去年历史同期人数的对比曲线图。基于历史同期人数以及实施客流数据进行当日当前时间未来预设时间、例如未来一小时后客流预测。

在步骤403中，基于所述训练集对XGBoost模型进行训练得到客流预测模型。

使用所述训练集对XGBoost模型进行训练，在所述模型训练达到收敛条件后得到基于XGBoost的客流预测模型，所述客流预测模型具有最优参数，所述收敛条件可以设置为迭代次数、或设置为精确度阈值。

在一些实施例中，基于XGBoost算法的客流预测模型设置于云端，通过其设置的数据接口，接收来自于乘客候车信息数据库和节假日信息数据库中的经过预处理的标准客流数据，完成训练后，再将实时客流数据发送至所述客流预测模型的数据接口，实时的返回预测客流数据。

基于采集的实时客流数据，可以实现对客流数据的统计分析，得到客流数据的时空分布不均衡特性和周期变化规律，以便及时的对客流预测模型进行迭代，提高客流预测的准确性，最终进行更加合理的出租车调度。

在步骤303中，根据所述预测客流数据和出租车序列，生成调度信息，所述调度信息用于控制信息屏生成出租车等候区进入号牌提示，以及控制道闸***。

车辆调度中心的调度算法根据所述预测客流数据自动生成出租车的调度信息，所述调度信息包含从蓄车场出租车序列内，根据车辆序列号所选择车辆进入出租车候车区的信息。调度信息控制蓄车场内的显示屏显示进入号牌提示，所述进入号牌提示可以反映所在时刻需要进入道闸***的出租车号牌、出租车序列排队号；所述调度信息还被配置为可以控制道闸***的选择性开启，当调度信息中允许通过的车牌号通过道闸***时，所述道闸***才会开启放行，其它车辆通过时无法通过道闸***。

图5示出了本申请实施例机场出租车调度工作示意图。

机场的运管处对接出租车公司、和质控中心两个部门。

当出租车进入蓄车场时，质控中心录入有关车辆信息，包括出租车牌号、进入时间、车辆所属出租车公司名称等；

车辆调度中心根据预测客流数据和质控中心采集的车辆信息生成出租车调度信息；

运管处根据所述调度信息负责停发车辆，需要调度前往出租车等候区的车辆信息被显示于蓄车场内的信息屏；

出租车蓄车场内的出租车根据信息屏显示的进入号牌提示，包括出租车序列号、车牌号，出租车依次通过道闸***进入出租车等候区，需要说明的是，如果所述信息屏上显示的车牌号还处于等待状态，则该出租车无法通过道闸***；

处于出租车等候区的出租车作为输送车辆按照顺序依次载离出租车乘车区的乘客，期间乘客可以在等候区选择出租车，管理人员负责维护现场秩序；

出租车离场后，运管处将出租车的离开信息存储；若出租车在离开后由于某些原因被乘客投诉，则运管处反馈意见至出租车公司，并且进行处理通报；

运载乘客离开的出租车在服务完成后，可以再次的进入蓄车场。

在一些实施例中，所述进入号牌提示在所述显示屏上轮播显示，其内容包括可进入道闸***的出租车牌号及其序列号、等待出租车牌号及其序列号。出租车司机通过显示屏显示的所述等待出租车车牌号及其序列号，可以知道其排队进度，进而预估离开机场的时间。所述等待出租车牌号及序列号被配置为用于显示蓄车场内处于等待状态的所有出租车。

在步骤304中，根据所述进入号牌提示，出租车通过被所述调度信息控制的道闸***进入出租车等候区。

出租车根据蓄车场内显示屏的进入号牌提示，依次及时的通过道闸***离开蓄车场、并进入等候区载客离开机场。

道闸***是配置于道路、或场地出入口限制机动车行驶的通道管理设备，通常会广泛应用于公路收费站、停车场、小区、机场、火车站等区域。在本实施例中，道闸***的电动道闸可通过调度信息的联动实现自动放行功能。道闸的闸杆可设置为直杆、90度曲杆、180度折杆、或栅栏等。

出租车根据显示屏显示的调度信息可以及时的载离即将到达的乘客，还可以通过蓄车场的道闸***控制、信息屏提醒对出租车进行有效管理、避免出租车的长时间闲置、抢客、非法运营。

本申请还提供了基于实时客流预测的机场出租车自动调度装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如本申请实施例所述任一基于实时客流预测的机场出租车自动调度方法。所述方法在前文中已详细阐述，本段落不在赘述。

现在参照图6，示出按照本说明书的计算环境600的示意框图。***600包括一个或多个客户端602(例如计算机、智能电话、平板、照相机、PDA)。(一个或多个)客户端602能够是硬件和/或软件(例如线程、进程、计算装置)。(一个或多个)客户端602能够例如采用本说明书来容纳(一个或多个)cookie和/或关联的上下文信息。

***600还包括一个或多个服务器604。(一个或多个)服务器604也能够是硬件或者与软件相组合的硬件(例如线程、进程、计算装置)。服务器604能够容纳例如通过采用本申请的方面来执行媒体项的变换的线程。客户端602与服务器604之间的一种可能通信能够采取适合在两个或更多计算机进程之间传送的数据分组的形式，其中数据分组可包括编码分析预留空间和/或输入。数据分组能够包括例如cookie和/或关联的上下文信息。***600包括通信框架606(例如，全球通信网络，例如因特网)，其能够用来促进(一个或多个)客户端602与(一个或多个)服务器604之间的通信。

通信能够经由有线(包括光纤)和/或无线技术来促进。(一个或多个)客户端602操作地连接到一个或多个客户端数据存储设备608，其能够用来存储(一个或多个)客户端602本地的信息(例如(一个或多个)cookie和/或关联的上下文信息)。类似地，(一个或多个)服务器604操作地连接到一个或多个服务器数据存储设备610，其能够用来存储服务器604本地的信息。

在一个示范实现中客户端602能够向服务器604传递编码的文件(例如编码的媒体项)。服务器604能够存储文件，对文件解码，或者将文件传送给另一个客户端602。要意识到，按照本申请，客户端602还能够向服务器604传递未压缩的文件，以及服务器604能够压缩文件和/或变换文件。同样，服务器604能够对信息编码，并且经由通信框架606将信息传送给一个或多个客户端602。

本申请的有益效果：通过采集出租车信息，可以实现出租车排队信息化，避免社会车辆进入等候区；进一步通过采集实时客流数据、构建客流预测模型，可以提高预测客流数据的准确度，提升出租车调度的合理性；进一步通过自动生成调度信息，可以降低调度决策时间，提高调度时效性；进一步通过控制进入号牌提示及道闸***，可以提供出租车排队进度信息、实现出租车的有序载客。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″***″。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内合有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

Claims (10)

1.一种基于实时客流预测的机场出租车自动调度方法，其特征在于，所述方法包括：

采集进入蓄车场的出租车信息生成出租车序列；

将采集的实时客流数据、数据库中历史同期客流数据输入客流预测模型计算得到预设时间后的预测客流数据；

根据所述预测客流数据和出租车序列，生成调度信息，所述调度信息用于控制信息屏生成出租车等候区进入号牌提示，以及控制道闸***；

根据所述进入号牌提示，出租车通过被所述调度信息控制的道闸***进入出租车等候区。

2.如权利要求1所述的基于实时客流预测的机场出租车自动调度方法，其特征在于，所述实时客流数据以分钟为单位进行统计。

3.如权利要求1所述的基于实时客流预测的机场出租车自动调度方法，其特征在于，所述历史同期客流数据包括：昨日历史同期客流数据、上周历史同期客流数据和去年历史同期客流数。

4.如权利要求1所述的基于实时客流预测的机场出租车自动调度方法，其特征在于，所述客流预测模型为基于XGBoost算法的客流预测模型。

5.如权利要求4所述的基于实时客流预测的机场出租车自动调度方法，其特征在于，所述基于XGBoost算法的客流预测模型，其构建步骤如下：

获取来自于乘客候车信息数据库和节假日信息数据库中的原始客流数据；

对所述原始客流数据进行预处理得到构成训练集的标准客流数据；

基于所述训练集对XGBoost模型进行训练得到客流预测模型。

6.如权利要求1所述的基于实时客流预测的机场出租车自动调度方法，其特征在于，在得到预设时间后的预测客流数据后，基于所述历史同期客流数据、实时客流数据、预测客流数据生成客流线性统计图，所述客流线性统计图被输出用于显示。

7.如权利要求1所述的基于实时客流预测的机场出租车自动调度方法，其特征在于，所述实时客流数据通过设置在出租车乘客区的客流识别设备采集获取。

8.如权利要求1所述的基于实时客流预测的机场出租车自动调度方法，其特征在于，所述进入号牌提示在所述信息屏上轮播显示，其内容包括：可进入道闸***的出租车牌号及其序列号、等待出租车牌号及其序列号。

9.如权利要求8所述的基于实时客流预测的机场出租车自动调度方法，其特征在于，所述等待出租车牌号及序列号被配置为用于显示蓄车场内处于等待状态的所有出租车。

10.一种基于实时客流预测的机场出租车自动调度装置，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如权利要求1-9中任一所述方法。

Images