CN113743767B - 基于时间和安全性的车辆派单方法、***、计算机及介质 - Google Patents
基于时间和安全性的车辆派单方法、***、计算机及介质 Download PDFInfo
- Publication number
- CN113743767B CN113743767B CN202110995539.5A CN202110995539A CN113743767B CN 113743767 B CN113743767 B CN 113743767B CN 202110995539 A CN202110995539 A CN 202110995539A CN 113743767 B CN113743767 B CN 113743767B
- Authority
- CN
- China
- Prior art keywords
- time
- road
- path
- driver
- vehicle
- 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 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229940037201 oris Drugs 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于时间和安全性的车辆派单方法、***、计算机及介质,方法包括S1、进行多源数据预处理,得到多源数据融合的特征向量;S2、将多源数据融合的特征向量作为输入,通过训练好的神经网络模型预测路网中每条道路的平均速度在未来一段时间内的预测值;S3、基于步骤S2预测得到的路网中每条道路的平均速度在未来一段时间内的预测值,结合改进的Dijkstra算法规划出一条等待时间最短的路径;S4、结合司机驾驶行为和步骤S3得到的等待时间最短的路径,对车辆派单做出决策。本发明对车辆派单策略进行了优化,既考虑了道路拥堵情况,又考虑了司机的驾驶行为,大大提高了女性乘客夜间出行的安全性。
Description
技术领域
本发明涉及物联网的技术领域,尤其涉及到基于时间和安全性的车辆派单方法、***、计算机及介质。
背景技术
随着社会的发展和科技的进步,越来越多的人使用手机APP进行叫车服务,而出租车到达乘客位置的等待时间也越来越为人们所重视。关于出租车派单策略的研究,目的是针对乘客需求安排合理的出租车来为乘客提供服务,以提高交通出行者的满意度。同时考虑到夜间女性乘客的打车,如何规划一条从出租车到达乘客位置的最快捷同时也是安全性最高的路径就显得尤其重要。沙开芳提出了一种能够实现基于位置匹配的出租车智能调度派单***,通过车载模块发送车辆的位置信息和车辆信息,后台数据处理中心据此搜索乘客一定范围内的车辆来判断司机是否在设定范围内,最终决定是否派单。Lingyu Zhang提出了一种新的订单调度模型,该模型已部署在滴滴出行的在线***中。提出的模型旨在最大限度地提高全局成功率,从而优化整体效率,并提供最佳的用户体验。
由于现有的技术仅考虑了车辆与乘客的距离,或者订单匹配成功率等,而没有考虑实际的交通状况和司机的驾驶行为评级,所以车辆派单策略有待进一步改进。
发明内容
本发明的目的在于克服现有技术的不足,提供基于时间和安全性的车辆派单方法。
为实现上述目的,本发明所提供的技术方案为:
基于时间和安全性的车辆派单方法,包括以下步骤:
S1、进行多源数据预处理,得到多源数据融合的特征向量;
S2、将多源数据融合的特征向量作为输入,通过训练好的神经网络模型预测路网中每条道路的平均速度在未来一段时间内的预测值;
S3、基于步骤S2预测得到的路网中每条道路的平均速度在未来一段时间内的预测值,结合改进的Dijkstra算法规划出一条等待时间最短的路径;
S4、结合司机驾驶行为和步骤S3得到的等待时间最短的路径,对车辆派单做出决策。
进一步地,所述步骤S1中,预处理时先对各数据源的原始数据进行单独的特征提取,然后对各特征信息进行关联融合。
进一步地,所述数据源包括出租车GPS轨迹数据、路网数据、气象数据;
其中,出租车GPS轨迹数据和路网数据的关联匹配过程如下:
首先采用几何匹配算法,将需要匹配的出租车GPS轨迹数据以几何投影的方式映射到相邻路段上,并根据轨迹点与映射点之间的欧几里德距离选取匹配路段;然后通过轨迹方向与道路方向的夹角判断其相应的轨迹点属于哪一条道路,接着进行相应的地图匹配。
进一步地,所述步骤S2中,采用的神经网络模型为LSTM神经网络模型;
在LSTM动态门结构中,遗忘门通过以概率的大小来控制当前时刻记忆模块是否对上一层的隐藏状态进行保留,来读取上一时刻的输出ht-1和当前时刻的输入xt;ft输出一个在0到1之间的数值,0表示完全丢弃,1表示完全保留;ft的计算如式(5)所示:
ft=σ(wf·[ht-1,xt]+bf) (5)
式(5)中,σ为激活函数sigmoid,wf为遗忘门的权重,bf代表遗忘门的偏置;
输入门it的值用来确定何种新信息被存放在记忆单元中,计算方法如公式(6)所示:
it=σ(wi·[ht-1,xt]+bi) (6)
式(6)中,wi为输入门的权重,bi为输入门的偏置;
式(7)中,wc为输入候选值的权重,bc为输入候选值的偏置;
经过输入门和遗忘门确定记忆单元的状态C的更新,更新方法由公式(8)给出:
式(8)中,*表示逐点乘积;
输出门值ot控制记忆单元状态值ht的输出,计算方法如公式(9)、(10)所示:
ot=σ(w0·[ht-1,xt]+b0) (9)
ht=ot·tanh(Ct) (10)
其中,w0为输出门的权重,b0为输出门的偏置;
将数据预处理得到的特征向量作为LSTM神经网络模型的输入,经过两层LSTM神经网络层,在LSTM后加入Linear线性变换层得到平均速度的预测值。
进一步地,所述步骤S3中,通过步骤S2预测到的平均速度,为路网赋予权值,加入到Dijkstra算法中,从而得到等待时间最短的路径。
进一步地,所述步骤S4具体包括:
S4-1、计算司机需要扣除的分数y:
式(14)中,a为设定的参数,通过对a的调整,给予不同危险驾驶行为不同的权重;x为在一段时间内驾驶员触发某一警告行为的次数;
S4-2、计算每位司机的驾驶行为得分ws:
ws=F1-y (15)
S4-3、结合每位司机的驾驶行为得分ws和步骤S3得到的等待时间最短的路径,得到属于每位司机的综合得分W:
W=Awt+Bws (16)
s.t. A+B=1 (17)
其中,A和B分别为等待时间最短的路径耗时的得分所占的比重和司机驾驶行为得分所占的比重,且该二者根据白天和夜间时间进行动态调整;wt为等待时间最短的路径的耗时转换得到的对应的分数:
S4-4、根据每位司机的综合得分W对车辆进行派单。
进一步地,将等待时间最短的路径的耗时转换得到的对应的分数wt,过程如下:
假设有n辆车在乘客位置在设定范围的区域内,每辆车所耗费的时间分别为t1,t2,…,tn,将每辆车耗费的时间相加得到一个总时间和T,接着把每辆车耗时t在总时间T上的占比t/T乘以一个设定的分数,从而得到等待时间最短的路径的耗时对应的分数wt。
为实现上述目的,本发明另外提供一种基于时间和安全性的车辆派单***,所述车辆派单***用于实现上面所述的基于时间和安全性的车辆派单方法,包括顺序连接的多源数据预处理模块、平均速度预测模块、路径规划模块以及车辆派单决策模块;
其中,
所述多源数据预处理模块用于对多源数据进行预处理,得到多源数据融合的特征向量;
所述平均速度预测模块用于通过训练好的神经网络模型预测路网中每条道路的平均速度在未来一段时间内的预测值;
所述路径规划模块用于在预测得到路网中每条道路的平均速度在未来一段时间内的预测值的基础上结合改进的Dijkstra算法规划出等待时间最短的路径;
所述车辆派单决策模块用于结合司机驾驶行为和得到的等待时间最短的路径对车辆派单做出决策。
为实现上述目的,本发明另外提供一种计算机,起包括存储器、处理器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基于时间和安全性的车辆派单方法的步骤。
为实现上述目的,本发明另外提供一种存储介质,其存储有计算机程序,该程序被处理器执行时实现基于时间和安全性的车辆派单方法的步骤。
与现有技术相比,本方案原理及优点如下:
1)数据预处理中,使用几何匹配算法和利用轨迹与道路方向的夹角来进行地图匹配,大大提高了地图匹配的精度。
2)传统的路径规划算法仍是以最短距离作为路径规划的标准,本技术方案在提取出每辆出租车司机的驾驶行为特性和实际的交通路况下,对路径规划的算法进行相应的设计,以找到出行时间最短且不加剧交通拥堵的路径,改进传统算法,实现最优路径的规划。
3)考虑夜间女性打车的安全性,将司机的驾驶行为纳入派单决策中,降低女性乘客的安全风险,实现最安全的派单策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明基于时间和安全性的车辆派单方法的原理流程图;
图2为特征级融合过程图;
图3为几何匹配算法示例图;
图4为轨迹与道路方向夹角示意图;
图5为LSTM网络结构图;
图6为基于时间和安全性的车辆派单***的结构示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本实施例所述的基于时间和安全性的车辆派单方法,包括以下步骤:
S1、进行多源数据预处理,得到多源数据融合的特征向量;
数据源包括出租车GPS轨迹数据、路网数据、气象数据;对于多源数据预处理,主要采用人工智能方法。由于多源数据之间存在的异构性,在使用过程中,对不同源的数据需要进行一定的预处理,接着对基础数据进行分析提取相关特征后,然后进行学习,获得推理、识别或预测的结果。这里本实施例对多源数据进行特征级的融合,先对各数据源的原始数据进行单独的特征提取,然后对各特征信息进行融合,其过程如图2所示。
对于轨迹数据和路网数据的处理,本实施例采用了两种方法来进行轨迹与路网的匹配。由于设备或其他原因,出租车产生的GPS轨迹数据会存在偏离路网的情况,这时需要将轨迹进行地图匹配。首先是采用几何匹配算法,将需要匹配的GPS轨迹数据以几何投影的方式映射到相邻路段上,并根据轨迹点与映射点之间的欧几里德距离选取匹配路段。如下图3所示,假设有两条道路AB和A1B1和轨迹点Y,要把轨迹点Y匹配到路网上,就需要把点Y投影到道路AB和A1 B1上,通过计算出轨迹点Y到道路AB之间的欧几里德距离h,通过下面几个关系式求解得到,同理轨迹点Y到道路A1B1的欧氏距离h1也可计算得到。
h2+x2=a2 (1)
h2+(c-x)2=b2 (2)
其次是通过轨迹方向与道路方向的夹角来判断其相应的轨迹点是属于哪一条道路,然后进行相应的地图匹配。如图4所示,两条方向相反的道路AB和A1B1,有两个轨迹点a1和a2,如果仅靠几何匹配方法的话,a1点距离道路A1 B1较近,可能就错误的匹配到道路A1B1上了,但通过该点的下一个轨迹点a2,通过计算出其向量a1a2与向量AB以及向量B1A1的夹角,就可以判断出该车的运行方向,进而将其轨迹点匹配到相应的道路上,图中所示的轨迹点a1和a2就会正确的匹配到道路AB上。
S2、将多源数据融合的特征向量作为输入,通过训练好的神经网络模型预测路网中每条道路的平均速度在未来一段时间内的预测值;
在处理完多源数据后,接下来需要将数据传入到相应的预测模型中来进行预测,本实施例选择LSTM神经网络模型,然后实现相应的预测效果。LSTM结构如图5所示,3个σ单元和1个Φ单元,包括输入门i、遗忘门f和输出门o。在正向传播过程中,LSTM能学习到何时使信息进入内部状态单元,输出门可以学习到何时有信息输出。对后向传播来说,误差可以在多个时间步之间进行传播,克服了梯度***与消失的问题。特殊的门结构能够让LSTM选择性地对长时信息进行记忆和忘记,并自动确定合适的学习时间步长。所以,LSTM在长时间序列的模拟和预测中发挥了很大优势,可用LSTM提取交通时间序列数据里的模式信息,并进行交通速度预测。
本实施例预测的目标根据[t-p,t]时间段内的目标路段历史交通速度来预测t+1时间间隔内目标路段的平均车速。因此,输入数据由前面的经过数据处理得到的融合特征向量组成,表示为xt,ht是t时刻LSTM记忆单元的输出,Ct是t时刻LSTM记忆单元的状态。
在LSTM动态门结构中,遗忘门通过以概率的大小来控制当前时刻记忆模块是否对上一层的隐藏状态进行保留,来读取上一时刻的输出ht-1和当前时刻的输入xt;ft输出一个在0到1之间的数值,0表示完全丢弃,1表示完全保留;ft的计算如式(5)所示:
ft=σ(wf·[ht-1,xt]+bf) (5)
式(5)中,σ为激活函数sigmoid,wf为遗忘门的权重,bf代表遗忘门的偏置;
输入门it的值用来确定何种新信息被存放在记忆单元中,计算方法如公式(6)所示:
it=σ(wi·[ht-1,xt]+bi) (6)
式(6)中,wi为输入门的权重,bi为输入门的偏置;
式(7)中,wc为输入候选值的权重,bc为输入候选值的偏置;
经过输入门和遗忘门确定记忆单元的状态C的更新,更新方法由公式(8)给出:
式(8)中,*表示逐点乘积;
输出门值ot控制记忆单元状态值ht的输出,计算方法如公式(9)、(10)所示:
ot=σ(w0·[ht-1,xt]+b0) (9)
ht=ot·tanh(Ct) (10)
其中,w0为输出门的权重,b0为输出门的偏置;
将数据预处理得到的特征向量作为LSTM神经网络模型的输入,经过两层LSTM神经网络层,在LSTM后加入Linear线性变换层得到平均速度的预测值。
S3、基于步骤S2预测得到的路网中每条道路的平均速度在未来一段时间内的预测值,结合改进的Dijkstra算法规划出一条等待时间最短的路径;
在前面基于多源数据处理和道路平均速度预测的基础上,可以得到每条道路的平均速度在未来一段时间的预测值,将其融入路径规划的研究中。本实施例采用改进的Dijkstra算法来进行基于最短等待时间的路径规划,通过建立以行驶速度为边的权值路段图,在此基础上设计基于权值的路段图路径规划算法。需要考虑的因素是出行时间,出行时间是作为交通行为参与者会考虑的一个非常重要的评价标准,出行时间可以比较准确的反映出真实的道路通行状况。本实施例在基于出行时间最短,考虑出租车轨迹数据中的经验知识和道路在不同时段的运行速度下,对Dijkstra算法进行改进,实现最优路径规划。
Dijkstra算法解决单源最短路径问题的一个贪心算法,其基本思想是基于路径长度逐点增长的方法来生成一棵路径树,最终得到从根节点到其他结点的最短路径。其原理如下,
假设集合S包括了求出的最短路径的终点,初始状态时,集合S中只有一个源节点v0。在每求得一条最短路径(v0,...,vk),就把vk加入到集合S中,直到所有的顶点都在S里面。
然后引进一个向量d,它的每个分量di表示当前找到的从源节点v0到其他顶点vi的最短路径长度。它的初始状态为:若从v0到vi有弧,则di为弧上的权值,否则令di为∞。设第一条最短路径(v0,vk),V为顶点集,其中k满足式(11),
那么下一条最短路径(终点为vj),或者是(v0,vj)。一般情况下,假设S是存放己经求出的最短路径的终点的集合,那么下一条最短路径的中间节点,其长度为式(12),
每次求得一条最短路径之后,其终点vk加入集合S,然后对所有的其他顶点vi∈V-S,修改其di。式中c(vk,vi)是弧(vk,vi)上的权值。上面算法会产生从源节点到其他个顶点的最短路径。根据以上原理,设有带权有向图G=(V,E),其中V是包含n个顶点的顶点集,E是包含m条弧的弧集,(v,w)是E中从v到w的弧,c(v,w)是弧(v,w)的非负权值,设s是V的顶点,t为V中可由s到达的顶点,则求解从s到t的最小权值和的最短路径搜索过程如下:
(1)对每一个顶点v分配三个信息,j(v)、k(v)、p(v),其中j(v)是一个布尔型变量,表明顶点v的最短路径是否已经求出;k(v)是从s到v的当前已知的最短路径长度的上界;p(v)是v的后向顶点指针,并分别初始化为如(13)所示,
(2)扫描j(v)=false的顶点,并选择具有最短路径长度的顶点v,同时令j(v)=true,k(v)=min{k(vi)|j(vi)=false,vi∈V};
(3)检测每个j(w)=false且与顶点v邻接的顶点w,如果满足k(w)>k(v)+c(v,w),则令k(w)=k(v)+c(v,w),p(w)=v;
(4)重复执行操作(2)和(3),直到j(t)=true;
(5)由t开始遍历后向顶点指p直至源点s,获得最短路径的解Pst={v0=s,v1,...,vk=t},其中vi=p(vi+1),i=0,1,...,k-1;
而在实际的交通***中,由于交通路况是实时变化的,传统的路径规划Dijkstra算法往往不能满足人们的真实需求,人们考虑更多的是最优路径而不是最短路径。因此,本实施例对传统的Dijkstra算法进行改进,通过前面预测出来的路网平均速度,为路网赋予权值,加入到路径规划算法中,从而得到一条最优路径。在乘客发出乘车请求后,通过该乘客位置设置一定大小的区域,落在该区域内的出租车纳入路径规划的考虑,最终实现基于最短等待时间的路径规划。
S4、结合司机驾驶行为和步骤S3得到的等待时间最短的路径,对车辆派单做出决策。
在安全性方面,特别针对女性乘客在夜间的打车出行,本实施例将出租车司机的驾驶行为数据考虑进去,对司机进行一个安全评分,将司机不同等级的得分转为派单策略中的权重,最终结合基于最短等待时间的路径,对派单给哪位司机做出决策。
这里用到的司机驾驶行为分级方法主要考虑车辆报警传感器检测到到的报警数据如紧急报警、非法启动、越界报警、超速报警、碰撞/扩展报警、偏航报警、侧翻报警、急刹报警、超重报警、超员报警、路段行驶时间过长或不足、当天累计驾驶超时、急加速、急减速、急转弯,和车辆驾驶员状态检测***检测到的分神驾驶报警(长时间不目视前方报警),抽烟报警,接打电话报警,疲劳驾驶报警等。
针对相关的出租车司机驾驶行为数据,设计相应的评估打分方法。设定每位司机的总分F1,假设在一段时间内驾驶员触发某一警告行为的次数为x,那么该驾驶员需要扣除y分:
式(11)中,a为设定的参数,通过对a的调整,给予不同危险驾驶行为不同的权重;
设计这样的扣分公式原因是该函数的斜率越来越小,有利于过滤掉由于传感器错误导致的警告频繁重复上报。因为当司机发出某一类警告的次数太多,但可能由于设备原因不能将该类警告作为扣分的全部依据,即不能因为某一警告次数过多就将分数全部扣掉,所以使用log函数来进行批判,使该类警告的扣分控制在一定的范围内。通过将所有警告的次数依次输入上述公式,计算得到每位司机的驾驶行为得分ws:
ws=F1-y (15)
接着结合每位司机的驾驶行为得分ws和步骤S3得到的等待时间最短的路径,得到属于每位司机的综合得分W:
W=Awt+Bws (16)
s.t. A+B=1 (17)
其中,A和B分别为等待时间最短的路径耗时的得分所占的比重和司机驾驶行为得分所占的比重,且该二者根据白天和夜间时间进行动态调整;
白天时,乘客可以不论性别,设置A和B相应的权重值为0.5:0.5,安全性和等待时间比重设置为一样,既考虑安全性同时考虑最短等待时间。
当夜间时,当女性乘客发出乘车请求后,为保证女性乘客的乘车安全,将B和A相应的值调为0.6:0.4(此处比值只是案例说明,可动态调整),此处考虑更多的是安全性,同时兼顾最短等待时间,为夜间女性乘客出行提供更加安全可靠的出租车服务,提高用户的出行满意度。
wt为等待时间最短的路径的耗时转换得到的对应的分数,转换过程如下:
假设有n辆车在乘客位置在设定范围的区域内,每辆车所耗费的时间分别为t1,t2,…,tn,将每辆车耗费的时间相加得到一个总时间和T,接着把每辆车耗时t在总时间T上的占比t/T乘以一个设定的分数,从而得到等待时间最短的路径的耗时对应的分数wt。
另外,本实施例还包括有如图6所示的基于时间和安全性的车辆派单***,该车辆派单***用于实现上述基于时间和安全性的车辆派单方法,包括顺序连接的多源数据预处理模块1、平均速度预测模块2、路径规划模块3以及车辆派单决策模块4;
其中,多源数据预处理模块1用于对多源数据进行预处理,得到多源数据融合的特征向量;平均速度预测模块2用于通过训练好的神经网络模型预测路网中每条道路的平均速度在未来一段时间内的预测值;路径规划模块3用于在预测得到路网中每条道路的平均速度在未来一段时间内的预测值的基础上结合改进的Dijkstra算法规划出等待时间最短的路径;车辆派单决策模块4用于结合司机驾驶行为和得到的等待时间最短的路径对车辆派单做出决策。
还有的是,本实施例还包括有一种计算机,包括存储器、处理器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上述基于时间和安全性的车辆派单方法的步骤。
最后,本实施例还包括有一种存储介质,其存储有计算机程序,该程序被处理器执行时实现上述基于时间和安全性的车辆派单方法的步骤。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (8)
1.基于时间和安全性的车辆派单方法,其特征在于,包括以下步骤:
S1、进行多源数据预处理,得到多源数据融合的特征向量;
S2、将多源数据融合的特征向量作为输入,通过训练好的神经网络模型预测路网中每条道路的平均速度在未来一段时间内的预测值;
S3、基于步骤S2预测得到的路网中每条道路的平均速度在未来一段时间内的预测值,结合改进的Dijkstra算法规划出一条等待时间最短的路径;
S4、结合司机驾驶行为和步骤S3得到的等待时间最短的路径,对车辆派单做出决策;
所述数据源包括出租车GPS轨迹数据、路网数据、气象数据;
其中,出租车GPS轨迹数据和路网数据的关联匹配过程如下:
首先采用几何匹配算法,将需要匹配的出租车GPS轨迹数据以几何投影的方式映射到相邻路段上,并根据轨迹点与映射点之间的欧几里德距离选取匹配路段;然后通过轨迹方向与道路方向的夹角判断其相应的轨迹点属于哪一条道路,接着进行相应的地图匹配;
所述步骤S4具体包括:
S4-1、计算司机需要扣除的分数y:
式(14)中,a为设定的参数,通过对a的调整,给予不同危险驾驶行为不同的权重;x为在一段时间内驾驶员触发某一警告行为的次数;
S4-2、计算每位司机的驾驶行为得分ws:
ws=F1-y (15)
F1为每位司机的总分;
S4-3、结合每位司机的驾驶行为得分ws和步骤S3得到的等待时间最短的路径,得到属于每位司机的综合得分W:
W=Awt+Bws (16)
s.t.A+B=1 (17)
其中,A和B分别为等待时间最短的路径耗时的得分所占的比重和司机驾驶行为得分所占的比重,且该二者根据白天和夜间时间进行动态调整;wt为等待时间最短的路径的耗时转换得到的对应的分数;
S4-4、根据每位司机的综合得分W对车辆进行派单。
2.根据权利要求1所述的基于时间和安全性的车辆派单方法,其特征在于,所述步骤S1中,预处理时先对各数据源的原始数据进行单独的特征提取,然后对各特征信息进行关联融合。
3.根据权利要求1所述的基于时间和安全性的车辆派单方法,其特征在于,所述步骤S2中,采用的神经网络模型为LSTM神经网络模型;
在LSTM动态门结构中,遗忘门通过以概率的大小来控制当前时刻记忆模块是否对上一层的隐藏状态进行保留,来读取上一时刻的输出ht-1和当前时刻的输入xt;ft输出一个在0到1之间的数值,0表示完全丢弃,1表示完全保留;ft的计算如式(5)所示:
ft=σ(wf·[ht-1,xt]+bf) (5)
式(5)中,σ为激活函数sigmoid,wf为遗忘门的权重,bf代表遗忘门的偏置;
输入门it的值用来确定何种新信息被存放在记忆单元中,计算方法如公式(6)所示:
it=σ(wi·[ht-1,xt]+bi) (6)
式(6)中,wi为输入门的权重,bi为输入门的偏置;
式(7)中,wc为输入候选值的权重,bc为输入候选值的偏置;
经过输入门和遗忘门确定记忆单元的状态C的更新,更新方法由公式(8)给出:
式(8)中,*表示逐点乘积;
输出门值ot控制记忆单元状态值ht的输出,计算方法如公式(9)、(10)所示:
ot=σ(w0·[ht-1,xt]+b0) (9)
ht=ot·tanh(Ct) (10)
其中,w0为输出门的权重,b0为输出门的偏置;
将数据预处理得到的特征向量作为LSTM神经网络模型的输入,经过两层LSTM神经网络层,在LSTM后加入Linear线性变换层得到平均速度的预测值。
4.根据权利要求1所述的基于时间和安全性的车辆派单方法,其特征在于,所述步骤S3中,通过步骤S2预测到的平均速度,为路网赋予权值,加入到Dijkstra算法中,从而得到等待时间最短的路径。
5.根据权利要求1所述的基于时间和安全性的车辆派单方法,其特征在于,将等待时间最短的路径的耗时转换得到的对应的分数wt,过程如下:
假设有n辆车在乘客位置在设定范围的区域内,每辆车所耗费的时间分别为t1,t2,…,tn,将每辆车耗费的时间相加得到一个总时间和T,接着把每辆车耗时t在总时间T上的占比t/T乘以一个设定的分数,从而得到等待时间最短的路径的耗时对应的分数wt。
6.基于时间和安全性的车辆派单***,其特征在于,所述车辆派单***用于实现权利要求1-5中任一的基于时间和安全性的车辆派单方法,包括顺序连接的多源数据预处理模块(1)、平均速度预测模块(2)、路径规划模块(3)以及车辆派单决策模块(4);
其中,
所述多源数据预处理模块(1)用于对多源数据进行预处理,得到多源数据融合的特征向量;
所述平均速度预测模块(2)用于通过训练好的神经网络模型预测路网中每条道路的平均速度在未来一段时间内的预测值;
所述路径规划模块(3)用于在预测得到路网中每条道路的平均速度在未来一段时间内的预测值的基础上结合改进的Dijkstra算法规划出等待时间最短的路径;
所述车辆派单决策模块(4)用于结合司机驾驶行为和得到的等待时间最短的路径对车辆派单做出决策。
7.一种计算机,包括存储器、处理器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权利要求1-5任意一项所述方法的步骤。
8.一种存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995539.5A CN113743767B (zh) | 2021-08-27 | 2021-08-27 | 基于时间和安全性的车辆派单方法、***、计算机及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995539.5A CN113743767B (zh) | 2021-08-27 | 2021-08-27 | 基于时间和安全性的车辆派单方法、***、计算机及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743767A CN113743767A (zh) | 2021-12-03 |
CN113743767B true CN113743767B (zh) | 2022-11-04 |
Family
ID=78733420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995539.5A Active CN113743767B (zh) | 2021-08-27 | 2021-08-27 | 基于时间和安全性的车辆派单方法、***、计算机及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743767B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934207B (zh) * | 2023-09-19 | 2024-01-19 | 弥费科技(上海)股份有限公司 | 半导体传送运单任务处理方法、装置和计算机设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112389436A (zh) * | 2020-11-25 | 2021-02-23 | 中汽院智能网联科技有限公司 | 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109426872A (zh) * | 2017-08-25 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 网约车订单分配方法及终端 |
CN109410575B (zh) * | 2018-10-29 | 2020-05-01 | 北京航空航天大学 | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 |
CN109410586B (zh) * | 2018-12-13 | 2020-06-05 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
CN109711713A (zh) * | 2018-12-24 | 2019-05-03 | 首约科技(北京)有限公司 | 确定派单司机的方法、装置以及存储介质 |
CN111316286A (zh) * | 2019-03-27 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶***与车辆 |
CN110580575A (zh) * | 2019-08-27 | 2019-12-17 | 南京领行科技股份有限公司 | 一种订单派发方法及装置 |
CN112562309B (zh) * | 2021-03-01 | 2021-05-07 | 湖南师范大学 | 基于改进Dijkstra算法的网约车调度方法 |
-
2021
- 2021-08-27 CN CN202110995539.5A patent/CN113743767B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112389436A (zh) * | 2020-11-25 | 2021-02-23 | 中汽院智能网联科技有限公司 | 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113743767A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
Ye et al. | Prediction-based eco-approach and departure at signalized intersections with speed forecasting on preceding vehicles | |
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
US20220187087A1 (en) | Systems and methods for predicting fuel consumption efficiency | |
EP2610836B1 (en) | Device and method for the on-line prediction of the driving cycle in an automotive vehicle | |
US9116010B2 (en) | Calculation of energy optimized route | |
CN107229973A (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
CN109791409A (zh) | 自主车辆的运动控制决策 | |
CN109496288A (zh) | 用于确定轨迹的***和方法 | |
CN106355948A (zh) | 转弯预测 | |
CN110325928A (zh) | 自主车辆运行管理 | |
CN107257756A (zh) | 用于在路况变化的情况下辅助车辆的技术 | |
Hecker et al. | Learning accurate, comfortable and human-like driving | |
CN110371132A (zh) | 驾驶员接管评估方法及装置 | |
Scheubner et al. | A stochastic range estimation algorithm for electric vehicles using traffic phase classification | |
Shimosaka et al. | Modeling risk anticipation and defensive driving on residential roads with inverse reinforcement learning | |
CN115344052B (zh) | 基于改进的群优化算法的车辆路径控制方法及控制*** | |
WO2023231569A1 (zh) | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 | |
CN112955362A (zh) | 评估自主车辆的乘坐质量 | |
CN113044064A (zh) | 基于元强化学习的车辆自适应的自动驾驶决策方法及*** | |
CN110196587A (zh) | 车辆自动驾驶控制策略模型生成方法、装置、设备及介质 | |
Yao et al. | Physics-aware learning-based vehicle trajectory prediction of congested traffic in a connected vehicle environment | |
CN113487857B (zh) | 一种区域多路口可变车道协同控制决策方法 | |
CN113743767B (zh) | 基于时间和安全性的车辆派单方法、***、计算机及介质 | |
Wang et al. | A state dependent mandatory lane-changing model for urban arterials with hidden Markov model method |
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 |