CN112949987B - 基于预测的出租车调度和匹配方法、***、设备及介质 - Google Patents
基于预测的出租车调度和匹配方法、***、设备及介质 Download PDFInfo
- Publication number
- CN112949987B CN112949987B CN202110137810.1A CN202110137810A CN112949987B CN 112949987 B CN112949987 B CN 112949987B CN 202110137810 A CN202110137810 A CN 202110137810A CN 112949987 B CN112949987 B CN 112949987B
- Authority
- CN
- China
- Prior art keywords
- taxi
- request
- space unit
- matching
- riding
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000029305 taxis Effects 0.000 claims abstract description 97
- 238000010586 diagram Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000009291 secondary effect Effects 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于预测的出租车调度和匹配方法、***、设备及介质,对待预测区域进行网络划分,以空间单位作为出租车调度的分析对象,根据调度权重进行空间单位内出租车到其他空间单位的调度,再根据匹配权重进行出租车与乘车请求之间的匹配,可以提前将乘车请求数量少的空间单位内的出租车调度到乘车请求数量突增的空间单位内,降低了交通堵塞,提高了出租车的利润,提高了出租车与乘车请求的匹配率,使尽可能多的乘车请求得到满足;可以根据区域大小或者预测精度来调整空间单位的大小,空间单位越小,调度和匹配精度越高。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种基于预测的区域级出租车调度和匹配方法、 ***、设备及介质。
背景技术
时空预测是城市计算中的关键技术,具有广泛的应用,从自动驾驶汽车的操控到能源和 智能电网优化,再到物流和供应链管理。随着移动互联网和公共交通绿色出行的快速发展, 线上到线下O2O(Online To Offline)服务平台越来越受欢迎,因此,产生了大规模的实时 空间数据和需求。具有代表性的O2O平台有:实时打车服务平台,如Uber和滴滴出行;移 动微任务服务平台,如Gigwalk;点餐服务,如GrubHub、美团和饿了么。大量的任务动态 出现在这些平台上,需要工作者的移动设备提供空间信息,实时分配给工作者特定的任务, 即O2O平台对实时空间数据进行在线任务分配,目的是最大化匹配总对数。
出租车是最重要的公共交通之一,每天将数百万的乘客送达市区的不同地方。在上下 班高峰期或特殊节假日,写字楼、市中心或某些区域会出现需求突增的情况,此时需要调度 周边区域的空闲出租车来满足这些突增需求,本就处于高峰期的拥堵路段再向其注入调度来 的出租车会使得该区域的交通更加拥堵。交通堵塞不仅会增加能源消耗、资源浪费,同时还 会因汽车尾气排放造成空气污染。车辆调度会导致出租车在接到乘客前产生大量开销,出租 车的利润降低。
发明内容
本发明的目的在于提供一种基于预测的出租车调度和匹配方法、***、设备及介质,以 解决调度来的出租车导致需求突增区域交通拥堵、调度来的出租车利润低的问题,本发明通 过对未来时刻乘车请求及其位置分布进行预测,根据预测的乘车请求及其位置分布进行出租 车的调度和匹配,降低交通堵塞,提高出租车的利润。
本发明是通过如下的技术方案来解决上述技术问题的:一种基于预测的出租车调度和匹 配方法,包括以下步骤:
步骤1:对待预测区域进行网格划分,每个网格定义为一个空间单位;
步骤2:根据每个空间单位的历史乘车请求数量、历史出租车数量、历史乘车请求和历 史出租车的位置分布图,预测出对应空间单位在未来某个时间单位的乘车请求数量、出租车 数量、乘车请求和出租车的位置分布图;
定义t分钟为一个时间单位;
步骤3:根据所述步骤2中每个空间单位在未来某个时间单位的乘车请求数量、出租车 数量、乘车请求和出租车的位置分布图,计算出将指定空间单位内的出租车调度到该指定空 间单位对应的候选空间单位的调度权重,并根据所述调度权重对该指定空间单位内的出租车 进行调度;
步骤4:在所述出租车所在空间单位内,建立出租车与乘车请求之间的匹配关系;
出租车所在空间单位包括该出租车所对应的指定空间单位或调度空间单位,所述调度空 间单位是指该指定空间单位所对应的候选空间单位中调度权重最大值所对应的候选空间单 位;
步骤5:计算出存在匹配关系的出租车与乘车请求之间的匹配权重,根据所述匹配权重 对出租车和乘车请求进行匹配。
本发明中,对待预测区域进行网络划分,以空间单位作为出租车调度的分析对象,根据 调度权重进行空间单位内出租车到其他空间单位的调度,再根据匹配权重进行出租车与乘车 请求之间的匹配,可以提前将乘车请求数量少的空间单位内的出租车调度到乘车请求数量突 增的空间单位内,降低了交通堵塞,提高了出租车的利润,提高了出租车与乘车请求的匹配 率,使尽可能多的乘车请求得到满足;可以根据区域大小或者预测精度来调整空间单位的大 小,空间单位越小,调度和匹配精度越高。
进一步地,所述步骤2中,利用时空多图卷积网络来预测每个所述空间单位在未来某个 时间单位的乘车请求数量及乘车请求的位置分布图。
相对于其他预测方法,时空多图卷积网络可以将相对误差减少10%以上。
进一步地,所述步骤3中,调度权重的计算步骤为:
步骤3.1:根据每个空间单位在未来某个时间单位的乘车请求和出租车的位置分布图, 计算出该时间单位内任意一个其他空间单位中心点与所述指定空间单位中心点之间的路程 开销和时间开销;
选取所有空间单位中的任意一个空间单位作为指定空间单位,除指定空间单位外的空间 单位均为其他空间单位;
步骤3.2:判断所述路程开销是否小于路程开销约束,同时判断所述时间开销是否小于 时间开销约束;如果两者均小于,则将其他空间单位作为该指定空间单位的候选空间单位;
得到该指定空间单位的所有候选空间单位;
步骤3.3:根据每个空间单位在该时间单位的乘车请求数量和出租车数量,得到每个候 选空间单位中的有效乘车请求的数量;每个候选空间单位gj中的有效乘车请求数量的计算 公式为:
其中,表示候选空间单位gj的有效乘车请求数量,/>表示候选空间单位gj的乘车 请求数量,/>表示候选空间单位gj的出租车数量;
步骤3.4:计算出每个候选空间单位中的乘车请求所对应的目标空间单位的集合,并计 算每个候选空间单位的乘车请求所对应的目标空间单位总数量;所述目标空间单位是指乘车 请求的目标位置所在的空间单位;
步骤3.5:计算出每个所述目标空间单位中的有效乘车请求的数量,并计算出所有目标 空间单位中的有效乘车请求的总数量;
步骤3.6:计算出候选空间单位的二次效应值;
所述二次效应值等于步骤3.5中所有目标空间单位中的有效乘车请求的总数量与步骤 3.4中乘车请求对应的目标空间单位总数量之比;
步骤3.7:计算指定空间单位到该指定空间单位对应的每个候选空间单位的调度权重;
每个候选空间单位的所述调度权重等于该候选空间单位中的有效乘车请求的数量乘以 二次效应值;
步骤3.8:以任意一个空间单位作为指定空间单位,重复步骤3.1~3.7,直到完成分别以 每个空间单位作为指定空间单位时,指定空间单位到该指定空间单位对应的候选空间单位的 调度权重的计算。
进一步地,所述步骤4中,匹配关系的建立步骤为:
步骤4.1:定义约束条件,所述约束条件包括决策约束、恒定约束和时间约束;
出租车的决策约束包括出租车被分配一个在指定空间单位内的乘车请求、出租车在指定 空间单位内等待截止时刻结束之前其他乘车请求的分配、或者出租车前往调度空间单位;
出租车的时间约束是指出租车应在乘车请求取消前到达乘车请求的起始位置;
乘车请求的决策约束包括被分配给满足约束条件的出租车、或等待能够满足约束条件的 出租车;
乘车请求的时间约束是指乘车请求应在出租车取消接收该乘车请求前到达起始位置;
出租车和乘车请求的恒定约束均是指乘车请求被分配给出租车,该乘车请求与该出租车 之间的匹配关系不能撤销;
步骤4.2:判断乘车请求是否满足乘车请求对应的决策约束和恒定约束,同时判断出租 车是否满足出租车对应的决策约束和恒定约束;
如果均满足,则转入步骤4.3;
步骤4.3:判断乘车请求是否均满足乘车请求对应的时间约束,同时判断出租车是否满 足出租车对应的时间约束;如果均满足,则转入步骤4.4;
步骤4.4:建立乘车请求与出租车之间的匹配关系。
进一步地,所述步骤5中,匹配权重的计算步骤为:
步骤5.11:计算出租车的利润评价;
根据服务平台提供的出租车信息获取乘车环境评分;
根据乘客发出乘车请求时的信息确定乘车请求的紧急程度;
出租车的利润评价计算公式为:
其中,F为出租车c的利润评价,为出租车c相对乘车请求r的利润,/>为出租车的总油耗开销,/>表示出租车c的起始位置Lc与乘车请求r的起始位置Lr之间的距离,/>表示乘车请求r的起始位置Lr与乘车请求r的目标位置Er之间的距离,q表示出租车c每千 米的油耗开销,p表示出租车c每千米计价,Jr为出租车的总收入;
步骤5.12:根据出租车的利润评价、乘车环境评分和乘车请求的紧急程度计算匹配权重, 匹配权重的计算公式为:
W=WF·F+WY·Y+WU·U
其中,W为匹配权重,WF为出租车利润的评价权重,WY为乘车环境评分的评价权重,Y为乘车环境评分,WU为乘车请求紧急程度的评价权重,U为乘车请求紧急程度。
进一步地,所述步骤5中,根据所述匹配权重,利用Kuhn-Munkres算法对出租车和乘车请求进行匹配。
Kuhn-Munkres算法能够求得出租车和乘车请求所构成的二分图中匹配成功数量最大, 同时能够保证全局的匹配权值最大,提高了匹配的精确度。
进一步地,所述Kuhn-Munkres算法对出租车和乘车请求进行匹配的具体步骤为:
步骤5.21:建立出租车与乘车请求的二分图,并将所有匹配权重赋给所述二分图中对应 的边,得到带匹配权重的二分图;
初始化所述带匹配权重的二分图中每个顶点的值,二分图中每个顶点表示出租车或乘车 请求;
设为所有与出租车顶点ci存在匹配关系的匹配权重的最大值,令出租车顶点ci的值 为/>令乘车请求顶点rj的值为0;
步骤5.22:从出租车集合C中的第一个出租车顶点c1开始寻找对应的匹配权重最大值 在该匹配权重最大值/>对应的c1与乘车请求顶点rx之间添加一条边;
然后为第二个出租车顶点c2开始寻找对应的匹配权重最大值如果匹配权重最大 值/>对应乘车请求顶点ry与乘车请求顶点rx不为同一顶点,则在c2与乘车请求顶点ry之间 添加一条边,否则转入步骤5.23;
步骤5.23:计算已寻找过的出租车顶点ck的值与和ck存在匹配关系的乘车请求顶点rj的 值之和再计算/>与出租车ck和乘车请求rj之间的匹配权重/>之差取所 有/>中的非零的最小值作为标杆值V;
计算已寻找过的出租车顶点ck的值与标杆值V之差作为出租车顶点ck的值;计算已寻 找过的乘车请求顶点ry的值与标杆值V之和作为乘车请求顶点ry的值;
在标杆值V所对应的出租车顶点和乘车请求顶点之间添加一条边;
步骤5.24:重复步骤5.22和5.23,完成所有出租车顶点与乘车请求顶点之间的最佳匹 配,得到最佳匹配的二分子图,在最佳匹配的二分子图中,所有匹配权重之和最大。
利用顶点的值和匹配权重生成一个二分子图,在该二分子图中寻找最大匹配,并且,当 且仅当寻找到完全匹配时,才能得到最佳匹配;标杆值和匹配权重限制了新的边的加入,使 得新加入的边总是能为二分子图添加匹配数,又使匹配权重之和得到最大的提高。
本发明还提供一种基于预测的出租车调度和匹配***,包括:
网格划分单元,用于对待预测区域进行网格划分,每个网格定义为一个空间单位;
预测单元,用于根据每个空间单位的历史乘车请求数量、历史出租车数量、历史乘车请 求和历史出租车的位置分布图,预测出对应空间单位在未来某个时间单位的乘车请求数量、 出租车数量、乘车请求和出租车的位置分布图;定义t分钟为一个时间单位;
调度单元,用于根据每个空间单位在未来某个时间单位的乘车请求数量、出租车数量、 乘车请求和出租车的位置分布图,计算出将指定空间单位内的出租车调度到该指定空间单位 对应的候选空间单位的调度权重,并根据所述调度权重对该指定空间单位内的出租车进行调 度;
匹配建立单元,用于在所述出租车所在空间单位内,建立出租车与乘车请求之间的匹配 关系;
匹配单元,用于算出存在匹配关系的出租车与乘车请求之间的匹配权重,根据所述匹配 权重对出租车和乘车请求进行匹配。
本发明还提供一种设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行 的计算机程序,所述处理器执行所述程序时实现如上所述基于预测的出租车调度和匹配方法。
本发明还提供一种介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述 基于预测的出租车调度和匹配方法。
有益效果
与现有技术相比,本发明的优点在于:
1、可以提前将乘车请求数量少的空间单位内的出租车调度到乘车请求数量突增的空间 单位内,降低了交通堵塞,提高了出租车的利润,提高了出租车与乘车请求的匹配率,使尽 可能多的乘车请求得到满足;
2、可以根据区域大小或者预测精度来调整空间单位的大小,空间单位越小,调度和匹 配精度越高。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单 地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术 人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种基于预测的出租车调度和匹配方法流程图;
图2是本发明实施例中出租车和乘车请求之间匹配关系的二分图;
图3是本发明实施例中带匹配权重的二分图;
图4是本发明实施例中最佳匹配的二分子图。
具体实施方式
下面结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然, 所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例, 本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发 明保护的范围。
如图1所示,本实施例所提供的一种基于预测的出租车调度和匹配方法,包括以下步骤:
1、对待预测区域进行网格划分,每个网格定义为一个空间单位。
为了提高调度和匹配精度,对待预测区域进行网格划分,精度要求越高,网格划分越小, 即空间单位越小,但是空间单位越小,计算量越高,因此,根据精度要求和计算量确定空间 单位的大小。本实施例中,以1km×1km作为一个网格单元,即作为一个空间单位。空间单 位的定义便于根据需求对调度和匹配精度、计算量进行调整。
2、根据每个空间单位的历史乘车请求数量、历史出租车数量、历史乘车请求和历史出 租车的位置分布图,预测出对应空间单位在未来某个时间单位的乘车请求数量、出租车数量、 乘车请求和出租车的位置分布图。
待预测区域由多个空间单位构成,根据待预测区域的历史乘车请求数量、历史出租车数 量、历史乘车请求和历史出租车的位置分布图可以得到每个空间单位的历史乘车请求数量历 史出租车数量、历史乘车请求和历史出租车的位置分布图,再利用已有的预测方法预测出对 应空间单位在未来某个时间单位的乘车请求数量、出租车数量、乘车请求和出租车的位置分 布图。
本实施例中,利用时空多图卷积网络(Spatiotemporal Multi-GraphConvolution Network, 简称ST-MGCN)来预测每个所述空间单位在未来某个时间单位的乘车请求数量、出租车数 量、乘车请求和出租车的位置分布图,可参考Geng X,Li Y,Wang L等人发表的 “Spatiotemporal Multi-Graph Convolution Network for Ride-HailingDemand Forecasting”, Proceedings of the AAAI Conference on ArtificialIntelligence,2019,33:3656-3663。
由于乘车请求的数量、出租车数量、乘车请求和出租车的位置分布图既有很强的空间相 关性,又有着很强的时间相关性,在以空间单位作为分析对象后,再将时间单位与乘车请求 的数量、出租车数量、乘车请求和出租车的位置分布图相结合。本实施例中,以每10分钟 作为一个时间单位。
每个空间单位的乘车请求或出租车的位置分布图均由多个子分布图构成,每个时间单位 的乘车请求或出租车的位置分布图对应一个分布子图。每个分布子图包含了在该空间单位的 所有乘车请求或出租车的起始位置分布和目标位置分布。
3、根据每个空间单位在未来某个时间单位的乘车请求数量、出租车数量、乘车请求和 出租车的位置分布图,计算出将指定空间单位内的出租车调度到该指定空间单位对应的候选 空间单位的调度权重,并根据调度权重对该指定空间单位内的出租车进行调度。
本实施例中,调度权重的计算步骤为:
步骤3.1:根据每个空间单位在未来某个时间单位的乘车请求和出租车的位置分布图, 计算出该时间单位内任意一个其他空间单位中心点与指定空间单位中心点之间的路程开销 和时间开销。
选取所有空间单位中的任意一个空间单位作为指定空间单位,除指定空间单位外的空间 单位均为其他空间单位。
用gi来表示第i个空间单位,i∈M,M={1,2,3,…,m},m为待预测区域内空间单位的总 数量,假设指定空间单位为ga,a∈M,则其他空间单位为gj,j∈M且j≠a。
路程开销是指两个空间单位的中心点之间的距离,得到预测的每个空间单位在未来某个 时间单位的乘车请求和出租车的位置分布图后,可以求出任意两个空间单位的中心点之间的 距离。
为了简化计算,假设任意出租车从其他空间单位中心点到指定空间单位中心点的速度是 恒定的,则根据路程开销和速度可以得到时间开销。
步骤3.2:判断路程开销是否小于路程开销约束,同时判断时间开销是否小于时间开销 约束;如果路程开销小于路程开销约束,且时间开销小于时间开销约束,则将该其他空间单 位gj作为该指定空间单位ga的候选空间单位;否则舍弃该其他空间单位。
重复步骤3.1和3.2,可以得到该指定空间单位ga的所有候选空间单位。
路程开销约束和时间开销约束可以根据经验来设置,本实施例中,路程开销约束为3km, 时间开销约束为3min。
步骤3.3:根据每个空间单位在该时间单位的乘车请求数量和出租车数量,得到每个候 选空间单位gj中的有效乘车请求的数量,每个候选空间单位gj中的有效乘车请求数量的计 算公式为:
其中,表示候选空间单位gj的有效乘车请求数量,/>表示候选空间单位gj的乘车 请求数量,/>表示候选空间单位gj的出租车数量。在候选空间单位gj中,一个乘车请求r 对应一辆出租车c,当乘车请求的数量大于出租车的数量时,表明多出的乘车请求需要从其 他空间单位调度出租车来满足,即/>同样表明需要从其他空间单位调度来的出租车的数量。
步骤3.4:计算出每个候选空间单位gj中的乘车请求所对应的目标空间单位的集合,并 计算每个候选空间单位gj的乘车请求所对应的目标空间单位总数量。
目标空间单位是指乘车请求的目标位置所在的空间单位。
每个乘车请求均包含起始位置和目标位置,目标位置所在的空间单位即为目标空间单位, 根据每个乘车请求可以获知该乘车请求对应的目标空间单位,从而可以得到所有乘车请求对 应的目标空间单位数量之和,即得到目标空间单位的总数量。
每个候选空间单位gj中的乘车请求所对应的目标空间单位的集合计算公式为:
其中,表示候选空间单位gj中的乘车请求所对应的目标空间单位的集合,表 示候选空间单位gj中乘车请求ri的目标空间单位,sum(r)表示候选空间单位gj中乘车请求 的总数量,∪表示求/>的并集。
每个候选空间单位gj中的乘车请求所对应的目标空间单位的总数量计算公式为:
其中,表示候选空间单位gj中的乘车请求所对应的目标空间单位的总数量,||表 示取集合/>的数量。
步骤3.5:计算出每个目标空间单位中的有效乘车请求的数量,并计算出所有目标空间 单位中的有效乘车请求的总数量。
对于候选空间单位gj的每一个目标空间单位使用公式(1)计算其有效乘 车请求的数量/>
所有目标空间单位中的有效乘车请求的总数量的计算公式为:
其中,表示所有目标空间单位中的有效乘车请求的总数量。
步骤3.6:计算出候选空间单位gj的二次效应值。
候选空间单位gj的二次效应值等于所有目标空间单位中的有效乘车请求的总数量 />与乘车请求对应的目标空间单位总数量/>之比,采用公式表示为:
步骤3.7:计算指定空间单位ga到指定空间单位ga对应的每个候选空间单位的调度权重。
每个候选空间单位的调度权重等于该候选空间单位中的有效乘车请求的数量乘以二次 效应值,调度权重的计算公式为:
其中,表示指定空间单位ga到指定空间单位ga对应的候选空间单位gj的调度 权重;/>表示候选空间单位gj的有效乘车请求数量,根据式(1)可求得;/>表示候选 空间单位gj的二次效应值,根据式(5)可求得。
步骤3.8:以任意一个空间单位作为指定空间单位,重复步骤3.1~3.7,直到完成分别以 每个空间单位作为指定空间单位时,指定空间单位到该指定空间单位对应的候选空间单位的 调度权重的计算。
重复步骤3.1~3.7,得到ga中的a分别1,2,3,…,m时,指定空间单位ga到该指定空间单 位ga对应的候选空间单位的调度权重。
得到每个指定空间单位对应的候选空间单位的调度权重后,根据调度权重进行出租车的 调度。例如,指定空间单位为g1,指定空间单位g1对应的候选空间单位为g3、g4、g6、g7、 g11,指定空间单位g1到候选空间单位g3的调度权重为q3,指定空间单位g1到候选空间单位 g4的调度权重为q4,指定空间单位g1到候选空间单位g6的调度权重为q6,指定空间单位g1到候选空间单位g7的调度权重为q7,指定空间单位g1到候选空间单位g11的调度权重为q11,如果q3、q4、q6、q7、q11中的最大值为q7,则将指定空间单位g1内的出租车调度到候选空 间单位g7中。
4、在出租车所在空间单位内,建立出租车与乘车请求之间的匹配关系。
出租车可以接受调度指令,也可以不接受调度指令,当出租车接受调度指令时,出租车 开往调度空间单位;当出租车不接受调度指令时,出租车仍然在当前空间单位,即出租车仍 然在指令空间单位,因此,出租车所在空间单位包括该出租车所对应的指定空间单位或调度 空间单位。调度空间单位是指该指定空间单位所对应的候选空间单位中调度权重最大值所对 应的候选空间单位,例如步骤3调度的举例中,g7为调度空间单位。
无论是在指定空间单位还是在调度空间单位,出租车与乘车请求需要匹配各自必须满足 对应的约束条件,约束条件包括决策约束、恒定约束和时间约束。
出租车的决策约束包括:
A.出租车被分配一个在指定空间单位内的乘车请求;
B.出租车在指定空间单位内等待截止时刻结束之前其他乘车请求的分配
C.出租车前往调度空间单位。
只要满足A/B/C这三个中的任意一个,则出租车满足决策约束。截止时刻是指出租车 等待乘车请求的分配的截止时间。截止时刻之后,出租车不再为服务平台提供服务。
出租车的时间约束是指出租车应在乘车请求取消前到达乘车请求的起始位置,即要求出 租车在乘车请求取消前到达该乘车请求的起始位置。
乘车请求的决策约束包括:
A.被分配给满足约束条件的出租车;
B.等待能够满足约束条件的出租车。
只要满足A/B这两个中的任意一个,则乘车请求满足决策约束。
乘车请求的时间约束是指乘车请求应在出租车取消接收该乘车请求前到达起始位置,即 要求乘客在出租车拒绝接收该乘车请求前到达该乘车请求的起始位置。
出租车和乘车请求的恒定约束均是指乘车请求被分配给出租车,该乘车请求与该出租车 之间的匹配关系不能撤销。
如果出租车和乘车请求均满足各自对应的约束条件,则建立该出租车与乘车请求之间的 匹配关系。
筛选出满足约束条件的所有出租车和满足约束条件的所有乘车请求,建立出租车和乘车 请求的二分图,如图2所示,图2的左侧为满足约束条件的出租车集合,用C表示,图2的右侧为满足条件的乘车请求集合,用R表示。二分图中,在存在匹配关系的出租车c∈C和乘车请求r∈R之间添加一条边,得到建立了存在匹配关系的出租车和乘车请求的二分图。
5、计算出存在匹配关系的出租车与乘车请求之间的匹配权重,根据匹配权重对出租车 和乘车请求进行匹配。
本实施例中,匹配权重的计算步骤为:
步骤5.11:计算出租车c的利润评价,出租车c的利润评价计算公式为:
其中,F为出租车c的利润评价,为出租车c相对乘车请求r的利润,/>为出租车的总油耗开销,/>表示出租车c的起始位置Lc与乘车请求r的起始位置Lr之间的距离(单位:km),/>表示乘车请求r的起始位置Lr与乘车请求r的目标位置Er之间的距离(单位:km),q表示出租车c每千米的油耗开销,p表示出租车c每千米计价,Jr为出租车的总收 入。
根据服务平台提供的出租车信息获取乘车环境评分。乘车环境评分是服务平台所提供的, 设Y(c)表示出租车c乘车环境评分,0≤Y(c)≤10。Y(c)值越小,表明出租车c内环境越差, 乘车体验感越低;Y(c)值越大,表明出租车c内环境越好,乘车体验感越高。
根据乘客发出乘车请求时的信息确定乘车请求的紧急程度。乘车请求的紧急程度是乘客 在发起乘车请求时提供的,设U(r)表示乘车请求r的紧急度,0≤U(r)≤10,U(r)值越小,表 示乘车请求r的紧急度越低,U(r)值越大,表示乘车请求r的紧急度越高。
步骤5.12:根据出租车的利润、乘车环境评分和乘车请求的紧急程度计算匹配权重,匹 配权重的计算公式为:
W=WF·F+WY·Y+WU·U (11)
其中,W为匹配权重,WF为出租车利润的评价权重,WY为乘车环境评分的评价权重,Y为乘车环境评分,WU为乘车请求紧急程度的评价权重,U为乘车请求紧急程度。
WF、WY、WU根据经验来设置,本实施例中,WF=60%,WY=10%,WU=30%,WF+WY +WU=100%。
在步骤4建立的存在匹配关系的出租车和乘车请求的二分图中,为每一条边(c,r)计算匹 配权重W(c,r),并将W(c,r)的值作为边权值赋给边(c,r),得到带匹配权重的二分图。
本实施例中,根据出租车与乘车请求之间的匹配权重,利用Kuhn-Munkres算法对出 租车和乘车请求进行匹配,得到带匹配权重的二分图的最佳匹配。
例如,出租车c1与乘车请求r1、r2、r3的匹配权重分别为3,4,6,出租车c2与乘车请求r1、r2、r3的匹配权重分别为6,5,5,出租车c3与乘车请求r1、r2、r3的匹配权重分别为 7,5,3,那么令出租车c1与乘车请求r3匹配,出租车c2与乘车请求r2匹配,出租车c3与 乘车请求r1匹配,得到的匹配权重之和为6+5+7=18,是匹配权重之和最大的情况。如图3 黑色实线所示,得到出租车c1与乘车请求r3、出租车c2与乘车请求r2、出租车c3与乘车请 求r1是带匹配权重的二分图的最佳匹配。
利用Kuhn-Munkres算法对出租车和乘车请求进行匹配的具体过程为:
步骤5.21:建立出租车与乘车请求的二分图,并将所有匹配权重赋给二分图中对应的边, 得到带匹配权重的二分图,如图3所示。
初始化带匹配权重的二分图中每个顶点的值,每个顶点的值为0,二分图中每个顶点表 示出租车或乘车请求,因此,采用ci表示出租车或出租车顶点,采用ri表示乘车请求或乘车 请求顶点。
设为所有与出租车顶点ci存在匹配关系的匹配权重的最大值,令出租车顶点ci的值 为/>令乘车请求顶点rj的值为0。以图3的匹配权重为例,得到出租车顶点与乘车请求 顶点之间的匹配权重表,如表1所示。由表1可知,出租车顶点c1的值为6,出租车顶点c2的值为6,出租车顶点c3的值为7,令乘车请求顶点r1的值为0,乘车请求顶点r2的值为0, 乘车请求顶点r3的值为0。
表1出租车顶点与乘车请求顶点之间的匹配权重
r1 | r2 | r3 | |
c1 | 3 | 4 | 6 |
c2 | 6 | 5 | 4 |
c3 | 7 | 5 | 3 |
步骤5.22:从出租车集合C中的第一个出租车顶点c1开始寻找对应的匹配权重最大值 (本实施例为6),在该匹配权重最大值/>(本实施例为6)对应的c1与乘车请求顶 点r3之间添加一条边。
然后为第二个出租车顶点c2开始寻找对应的匹配权重最大值(本实施例为6),如 果匹配权重最大值/>(本实施例为6)对应乘车请求顶点r1与乘车请求顶点r3(所有已添 加了边的乘车请求顶点集合中的任意一个)不为同一顶点,则在c2与乘车请求顶点r1之间添 加一条边。
然后为第三个出租车顶点c3开始寻找对应的匹配权重最大值(本实施例为7),如 果匹配权重最大值/>(本实施例为7)对应乘车请求顶点r1与乘车请求顶点r3、r1中r1(所 有已添加了边的乘车请求顶点集合中的任意一个)为同一顶点,则转入步骤5.23。
步骤5.23:计算已寻找过的出租车顶点ck的值与和ck存在匹配关系的乘车请求顶点rj的 值之和再计算/>与出租车ck和乘车请求rj之间的匹配权重/>之差取所 有/>中的非0最小值作为标杆值V;在标杆值V所对应的出租车顶点和乘车请求顶点之 间添加一条边。
对于已寻找过的出租车顶点c1,6(出租车顶点c1的值)+0(乘车请求顶点r1的值)-3(出租车顶点c1与乘车请求顶点r1之间的匹配权重)=3,6+0-4=2,6+0-6=0。
对于已寻找过的出租车顶点c2,6+0-6=0,6+0-5=1,6+0-4=2。
对于已寻找过的出租车顶点c3,7+0-7=0,7+0-5=2,7+0-3=4。
这些非0的差值中,差值为1是最小值,则以1作为标杆值V。
计算已寻找过的出租车顶点ck的值与标杆值V之差作为出租车顶点ck的值,6(出租车 顶点c1的值)-1(标杆值V)=5,6-1=5,7-1=6。计算已寻找过的乘车请求顶点ry的值与标 杆值V之和作为乘车请求顶点ry的值,0(乘车请求顶点r1的值)+1=1,0+1=1,0+1=1。
更新已寻找过的出租车顶点ck和乘车请求ry为:出租车顶点c1的值为5,出租车顶点c2的值为5,出租车顶点c3的值为6,乘车请求顶点r1的值为1,乘车请求顶点r2的值为1,乘车请求顶点r3的值为1。
对于c2,在标杆值1对应的c2与r2之间添加一条边,将c2与乘车请求顶点r1之间已添加 的边删除;再在匹配权重最大值(本实施例为7)对应的c3与r1之间添加一条边。
步骤5.24:重复步骤5.22和5.23,完成所有出租车顶点与乘车请求顶点之间的最佳匹 配,得到最佳匹配的二分子图,如图4所示,在最佳匹配的二分子图中,所有匹配权重之和 最大。
利用顶点的值和匹配权重生成一个二分子图,在该二分子图中寻找最大匹配,当且仅当 寻找到完全匹配时,才能得到最佳匹配;标杆值和匹配权重限制了新的边的加入,使得新加 入的边总是能为二分子图添加匹配数,又使匹配权重之和得到最大的提高。
Kuhn-Munkres算法能够求得出租车和乘车请求所构成的二分图中匹配成功数量最大, 同时能够保证全局的匹配权值最大,提高了匹配的精确度。
本发明提供的一种基于预测的出租车调度和匹配方法、***、设备及介质,利用时空多 图卷积网络对大量乘车请求的历史数据进行机器学***台。
本发明的历史数据采用滴滴出行的盖亚计划中2017年5月到10月海口市的订单数据, 使用大规模真实数据以验证本发明的效率、有效性和可扩展性。本发明将为智慧环保公共交 通出行提供了更广泛的实用方法。
以上所揭露的仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟 悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或变型,都应涵盖在 本发明的保护范围之内。
Claims (10)
1.一种基于预测的出租车调度和匹配方法,其特征在于,包括以下步骤:
步骤1:对待预测区域进行网格划分,每个网格定义为一个空间单位;
步骤2:根据每个空间单位的历史乘车请求数量、历史出租车数量、历史乘车请求和历史出租车的位置分布图,预测出对应空间单位在未来某个时间单位的乘车请求数量、出租车数量、乘车请求和出租车的位置分布图;
定义t分钟为一个时间单位;
步骤3:根据所述步骤2中每个空间单位在未来某个时间单位的乘车请求数量、出租车数量、乘车请求和出租车的位置分布图,计算出将指定空间单位内的出租车调度到该指定空间单位对应的候选空间单位的调度权重,并根据所述调度权重对该指定空间单位内的出租车进行调度;
步骤4:在所述出租车所在空间单位内,建立出租车与乘车请求之间的匹配关系;
出租车所在空间单位包括该出租车所对应的指定空间单位或调度空间单位,所述调度空间单位是指该指定空间单位所对应的候选空间单位中调度权重最大值所对应的候选空间单位;
步骤5:计算出存在匹配关系的出租车与乘车请求之间的匹配权重,根据所述匹配权重对出租车和乘车请求进行匹配。
2.如权利要求1所述的基于预测的出租车调度和匹配方法,其特征在于,所述步骤2中,利用时空多图卷积网络来预测每个所述空间单位在未来某个时间单位的乘车请求数量及乘车请求的位置分布图。
3.如权利要求1所述的基于预测的出租车调度和匹配方法,其特征在于,所述步骤3中,调度权重的计算步骤为:
步骤3.1:根据每个空间单位在未来某个时间单位的乘车请求和出租车的位置分布图,计算出该时间单位内任意一个其他空间单位中心点与所述指定空间单位中心点之间的路程开销和时间开销;
选取所有空间单位中的任意一个空间单位作为指定空间单位,除指定空间单位外的空间单位均为其他空间单位;
步骤3.2:判断所述路程开销是否小于路程开销约束,同时判断所述时间开销是否小于时间开销约束;如果两者均小于,则将其他空间单位作为该指定空间单位的候选空间单位;
得到该指定空间单位的所有候选空间单位;
步骤3.3:根据每个空间单位在该时间单位的乘车请求数量和出租车数量,得到每个候选空间单位中的有效乘车请求的数量;每个候选空间单位gj中的有效乘车请求数量的计算公式为:
其中,表示候选空间单位gj的有效乘车请求数量,/>表示候选空间单位gj的乘车请求数量,/>表示候选空间单位gj的出租车数量;
步骤3.4:计算出每个候选空间单位中的乘车请求所对应的目标空间单位的集合,并计算每个候选空间单位的乘车请求所对应的目标空间单位总数量;所述目标空间单位是指乘车请求的目标位置所在的空间单位;
步骤3.5:计算出每个所述目标空间单位中的有效乘车请求的数量,并计算出所有目标空间单位中的有效乘车请求的总数量;
步骤3.6:计算出候选空间单位的二次效应值;
所述二次效应值等于步骤3.5中所有目标空间单位中的有效乘车请求的总数量与步骤3.4中乘车请求对应的目标空间单位总数量之比;
步骤3.7:计算指定空间单位到该指定空间单位对应的每个候选空间单位的调度权重;
每个候选空间单位的所述调度权重等于该候选空间单位中的有效乘车请求的数量乘以二次效应值;
步骤3.8:以任意一个空间单位作为指定空间单位,重复步骤3.1~3.7,直到完成分别以每个空间单位作为指定空间单位时,指定空间单位到该指定空间单位对应的候选空间单位的调度权重的计算。
4.如权利要求1~3中任一项所述的基于预测的出租车调度和匹配方法,其特征在于,所述步骤4中,匹配关系的建立步骤为:
步骤4.1:定义约束条件,所述约束条件包括决策约束、恒定约束和时间约束;
出租车的决策约束包括出租车被分配一个在指定空间单位内的乘车请求、出租车在指定空间单位内等待截止时刻结束之前其他乘车请求的分配、或者出租车前往调度空间单位;
出租车的时间约束是指出租车应在乘车请求取消前到达乘车请求的起始位置;
乘车请求的决策约束包括被分配给满足约束条件的出租车、或等待能够满足约束条件的出租车;
乘车请求的时间约束是指乘车请求应在出租车取消接收该乘车请求前到达起始位置;
出租车和乘车请求的恒定约束均是指乘车请求被分配给出租车,该乘车请求与该出租车之间的匹配关系不能撤销;
步骤4.2:判断乘车请求是否满足乘车请求对应的决策约束和恒定约束,同时判断出租车是否满足出租车对应的决策约束和恒定约束;
如果均满足,则转入步骤4.3;
步骤4.3:判断乘车请求是否均满足乘车请求对应的时间约束,同时判断出租车是否满足出租车对应的时间约束;如果均满足,则转入步骤4.4;
步骤4.4:建立乘车请求与出租车之间的匹配关系。
5.如权利要求1~3中任一项所述的基于预测的出租车调度和匹配方法,其特征在于,所述步骤5中,匹配权重的计算步骤为:
步骤5.11:计算出租车的利润评价;
根据服务平台提供的出租车信息获取乘车环境评分;
根据乘客发出乘车请求时的信息确定乘车请求的紧急程度;
出租车的利润评价计算公式为:
其中,F为出租车c的利润评价,为出租车c相对乘车请求r的利润,/>为出租车的总油耗开销,/>表示出租车c的起始位置Lc与乘车请求r的起始位置Lr之间的距离,/>表示乘车请求r的起始位置Lr与乘车请求r的目标位置Er之间的距离,q表示出租车c每千米的油耗开销,p表示出租车c每千米计价,Jr为出租车的总收入;
步骤5.12:根据出租车的利润评价、乘车环境评分和乘车请求的紧急程度计算匹配权重,匹配权重的计算公式为:
W=WF·F+WY·Y+WU·U
其中,W为匹配权重,WF为出租车利润的评价权重,WY为乘车环境评分的评价权重,Y为乘车环境评分,WU为乘车请求紧急程度的评价权重,U为乘车请求紧急程度。
6.如权利要求1所述的基于预测的出租车调度和匹配方法,其特征在于,所述步骤5中,根据所述匹配权重,利用Kuhn-Munkres算法对出租车和乘车请求进行匹配。
7.如权利要求6所述的基于预测的出租车调度和匹配方法,其特征在于,所述Kuhn-Munkres算法对出租车和乘车请求进行匹配的具体步骤为:
步骤5.21:建立出租车与乘车请求的二分图,并将所有匹配权重赋给所述二分图中对应的边,得到带匹配权重的二分图;
初始化所述带匹配权重的二分图中每个顶点的值,二分图中每个顶点表示出租车或乘车请求;
设为所有与出租车顶点ci存在匹配关系的匹配权重的最大值,令出租车顶点ci的值为/>令乘车请求顶点rj的值为0;
步骤5.22:从出租车集合C中的第一个出租车顶点c1开始寻找对应的匹配权重最大值在该匹配权重最大值/>对应的c1与乘车请求顶点rx之间添加一条边;
然后为第二个出租车顶点c2开始寻找对应的匹配权重最大值如果匹配权重最大值/>对应乘车请求顶点ry与乘车请求顶点rx不为同一顶点,则在c2与乘车请求顶点ry之间添加一条边,否则转入步骤5.23;
步骤5.23:计算已寻找过的出租车顶点ck的值与和ck存在匹配关系的乘车请求顶点rj的值之和再计算/>与出租车ck和乘车请求rj之间的匹配权重/>之差/>取所有/>中的非零的最小值作为标杆值V;
计算已寻找过的出租车顶点ck的值与标杆值V之差作为出租车顶点ck的值;计算已寻找过的乘车请求顶点ry的值与标杆值V之和作为乘车请求顶点ry的值;
在标杆值V所对应的出租车顶点和乘车请求顶点之间添加一条边;
步骤5.24:重复步骤5.22和5.23,完成所有出租车顶点与乘车请求顶点之间的最佳匹配,得到最佳匹配的二分子图,在最佳匹配的二分子图中,所有匹配权重之和最大。
8.一种基于预测的出租车调度和匹配***,其特征在于,包括:
网格划分单元,用于对待预测区域进行网格划分,每个网格定义为一个空间单位;
预测单元,用于根据每个空间单位的历史乘车请求数量、历史出租车数量、历史乘车请求和历史出租车的位置分布图,预测出对应空间单位在未来某个时间单位的乘车请求数量、出租车数量、乘车请求和出租车的位置分布图;定义t分钟为一个时间单位;
调度单元,用于根据每个空间单位在未来某个时间单位的乘车请求数量、出租车数量、乘车请求和出租车的位置分布图,计算出将指定空间单位内的出租车调度到该指定空间单位对应的候选空间单位的调度权重,并根据所述调度权重对该指定空间单位内的出租车进行调度;
匹配建立单元,用于在所述出租车所在空间单位内,建立出租车与乘车请求之间的匹配关系;
匹配单元,用于算出存在匹配关系的出租车与乘车请求之间的匹配权重,根据所述匹配权重对出租车和乘车请求进行匹配。
9.一种设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~7中任一项所述基于预测的出租车调度和匹配方法。
10.一种介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~7中任一项所述基于预测的出租车调度和匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137810.1A CN112949987B (zh) | 2021-02-01 | 2021-02-01 | 基于预测的出租车调度和匹配方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137810.1A CN112949987B (zh) | 2021-02-01 | 2021-02-01 | 基于预测的出租车调度和匹配方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949987A CN112949987A (zh) | 2021-06-11 |
CN112949987B true CN112949987B (zh) | 2023-11-07 |
Family
ID=76240992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110137810.1A Active CN112949987B (zh) | 2021-02-01 | 2021-02-01 | 基于预测的出租车调度和匹配方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949987B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642752A (zh) * | 2021-08-24 | 2021-11-12 | 长沙理工大学 | 一种城市出租车同时运营数目确定方法和装置 |
CN117541363A (zh) * | 2023-12-25 | 2024-02-09 | 广州研趣信息科技有限公司 | 一种租赁业务crm管理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013076643A (ja) * | 2011-09-30 | 2013-04-25 | Hitachi Solutions Ltd | 配車タクシー検索システム及びプログラム並びに車載端末 |
CN107103383A (zh) * | 2017-03-28 | 2017-08-29 | 大连理工大学 | 一种基于打车热点的动态拼车调度方法 |
CN109785612A (zh) * | 2019-03-13 | 2019-05-21 | 重庆皓石金科技有限公司 | 一种基于容易载客系数的出租汽车智能调度方法及装置 |
CN110832513A (zh) * | 2018-04-04 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于按需服务的***和方法 |
CN111862579A (zh) * | 2020-06-10 | 2020-10-30 | 深圳大学 | 一种基于深度强化学习的出租车调度方法及*** |
CN112183938A (zh) * | 2020-09-02 | 2021-01-05 | 浙江吉城云创科技有限公司 | 一种物流调度方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284881A (zh) * | 2017-07-20 | 2019-01-29 | 北京嘀嘀无限科技发展有限公司 | 订单分配方法、装置、计算机可读存储介质及电子设备 |
-
2021
- 2021-02-01 CN CN202110137810.1A patent/CN112949987B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013076643A (ja) * | 2011-09-30 | 2013-04-25 | Hitachi Solutions Ltd | 配車タクシー検索システム及びプログラム並びに車載端末 |
CN107103383A (zh) * | 2017-03-28 | 2017-08-29 | 大连理工大学 | 一种基于打车热点的动态拼车调度方法 |
CN110832513A (zh) * | 2018-04-04 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于按需服务的***和方法 |
CN109785612A (zh) * | 2019-03-13 | 2019-05-21 | 重庆皓石金科技有限公司 | 一种基于容易载客系数的出租汽车智能调度方法及装置 |
CN111862579A (zh) * | 2020-06-10 | 2020-10-30 | 深圳大学 | 一种基于深度强化学习的出租车调度方法及*** |
CN112183938A (zh) * | 2020-09-02 | 2021-01-05 | 浙江吉城云创科技有限公司 | 一种物流调度方法及装置 |
Non-Patent Citations (1)
Title |
---|
空间众包任务分配算法的研究;邢虎;中国优秀硕士学位论文全文数据库信息科技辑(第01期);20-24 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949987A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martinez et al. | Assessing the impacts of deploying a shared self-driving urban mobility system: An agent-based model applied to the city of Lisbon, Portugal | |
Al-Kanj et al. | Approximate dynamic programming for planning a ride-hailing system using autonomous fleets of electric vehicles | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN110458456B (zh) | 基于人工智能的需求响应式公交***的调度方法及*** | |
Lu et al. | Optimal scheduling of a taxi fleet with mixed electric and gasoline vehicles to service advance reservations | |
CN112949987B (zh) | 基于预测的出租车调度和匹配方法、***、设备及介质 | |
Kontou et al. | Reducing ridesourcing empty vehicle travel with future travel demand prediction | |
LUO et al. | Evaluating the impact of autonomous vehicles on accessibility using agent-based simulation—A case study of Gunma Prefecture | |
CN111815095A (zh) | 共享汽车调度方法、电子设备及存储介质 | |
CN110415513B (zh) | 一种公交专用道服务指数发布方法、***及电子设备 | |
Kashani et al. | Comparing demand responsive and conventional public transport in a low demand context | |
Chen et al. | Environmentally friendly traffic control strategy-A case study in Xi’an city | |
Wang et al. | Cost-oriented optimization of the location and capacity of charging stations for the electric Robotaxi fleet | |
CN117455019A (zh) | 一种基于行程时间预测的网约车合乘动态匹配方法 | |
Sivagnanam et al. | Minimizing energy use of mixed-fleet public transit for fixed-route service | |
Wang et al. | Multi-objective optimization of customized bus routes based on full operation process | |
Cui et al. | Dynamic pricing for fast charging stations with deep reinforcement learning | |
Hogeveen et al. | Quantifying the fleet composition at full adoption of shared autonomous electric vehicles: An agent-based approach | |
Yu et al. | Optimization of urban bus operation frequency under common route condition with rail transit | |
Dragan et al. | USING GIS FOR THE OPTIMIZATION OF PUPILS TRANSPORTATION: THE CASE OF LASKO MUNICIPALITY | |
Rousseau et al. | SMART Mobility. Modeling Workflow Development, Implementation, and Results Capstone Report | |
CN116757459B (zh) | 用于自动驾驶出租车智慧调度方案及综合评价方法及*** | |
CN114067597B (zh) | 一种基于强化学习的不同合乘意愿下出租车调度方法 | |
Hu et al. | Connected vehicles could greatly reduce carbon emissions in shared mobility |
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 |