CN113792945B - 一种营运车辆的派遣方法、装置、设备及可读存储介质 - Google Patents
一种营运车辆的派遣方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113792945B CN113792945B CN202111361152.0A CN202111361152A CN113792945B CN 113792945 B CN113792945 B CN 113792945B CN 202111361152 A CN202111361152 A CN 202111361152A CN 113792945 B CN113792945 B CN 113792945B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- area
- city
- clustering algorithm
- 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 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 97
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000000737 periodic effect Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/04—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
- 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
-
- 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
- G06N3/08—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
- G06Q10/06—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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种营运车辆的派遣方法、装置、设备及可读存储介质,所述方法包括:获取第一数据、第二数据和第三数据;利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量;利用自适应Adaptive‑DBSCAN聚类算法查找所述城市中的热点出行区域;根据所述当前时刻各区域的营运车辆预测订单量和所述城市中的热点出行区域,得到派遣方案,根据所述派遣方案对所述营运车辆进行派遣。本发明可以降低预测的时间和提高预测的精度和准确性,进而及时准确的做出派遣方案,从而降低道路发生拥堵的概率。
Description
技术领域
本发明涉及营运车辆技术领域,具体而言,涉及一种营运车辆的派遣方法、装置、设备及可读存储介质。
背景技术
目前,利用营运车辆进行出行的这种智能出行方式备受乘客青睐。但是,虽然用户可以通过App进行实时下单呼叫司机在线接单,司机的供应和乘客的需求能在第一时间满足,但是依旧可能会出现供不应求或者供过于求的情况,这种供过于求和供不应求的情况出现,导致营运车辆的服务能力和乘客体验度都开始下滑。因此,营运车辆平台如何进行车辆调度,调节乘客和司机之间的供求关系,减少资源浪费,提高出行服务体验,减轻交通负担将是我们的当务之急。
发明内容
本发明的目的在于提供一种营运车辆的派遣方法、装置、设备及可读存储介质,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了一种营运车辆的派遣方法,所述方法包括:
获取第一数据、第二数据和第三数据,所述第一数据包括当前时刻之前的第一时间段内城市中各区域的营运车辆的订单量,所述第二数据包括当前时刻之前的第二时间段内城市中各区域的营运车辆的订单量,所述第三数据包括当前时刻之前的第三时间段内城市中各区域的营运车辆的订单量,所述第二时间段的结束时间在所述第一时间段的开始时间之前,所述第三时间段的结束时间在所述第二时间段的开始时间之前;
利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量;
利用自适应Adaptive-DBSCAN聚类算法查找所述城市中的热点出行区域;
根据所述当前时刻各区域的营运车辆预测订单量和所述城市中的热点出行区域,得到派遣方案,根据所述派遣方案对所述营运车辆进行派遣。
可选的,所述利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量,包括:
将ConvLSTM模型与BiLSTM模型结合,得到周期性卷积双向长短时神经网络模型,其中,所述周期性卷积双向长短时神经网络模型包括三条CBiLSTM模型分支,每条CBiLSTM模型分支由所述ConvLSTM模型和所述BiLSTM模型组成,所述ConvLSTM模型的输出为所述BiLSTM模型的输入;
将所述第一数据、所述第二数据和所述第三数据分别输入一条所述CBiLSTM模型分支中,得到第一预测结果、第二预测结果和第三预测结果;
将所述第一预测结果、所述第二预测结果和所述第三预测结果加权求和,得到所述当前时刻各区域的营运车辆预测订单量。
可选的,所述利用自适应Adaptive-DBSCAN聚类算法查找所述城市中的热点出行区域,包括:
获取第四数据,所述第四数据包括所述城市一时间段内的营运车辆订单信息;
根据所述城市一时间段内的营运车辆订单信息得到所述城市一时间段内的营运车辆的起点位置信息;
根据所述营运车辆的起点位置信息对所述DBSCAN聚类算法进行参数的筛选,得到所述自适应Adaptive-DBSCAN聚类算法;
根据所述营运车辆的起点位置信息和所述自适应Adaptive-DBSCAN聚类算法计算得到在所述城市中的所述热点出行区域。
可选的,所述根据所述营运车辆的起点位置信息对所述DBSCAN聚类算法进行参数的筛选,得到所述自适应Adaptive-DBSCAN聚类算法,包括:
基于所述营运车辆的起点位置信息,利用K-期望近邻算法、四分位法和数学期望法来生成所述DBSCAN聚类算法中的Epsilon参数列表;基于所述营运车辆的起点位置信息,利用数学期望法生成所述DBSCAN聚类算法中的MinPts参数列表;
在所述Epsilon参数列表中选取一个Epsilon参数值,在所述MinPts参数列表中选取一个MinPts参数值,将所述Epsilon参数值和所述MinPts参数值输入到所述DBSCAN聚类算法中,得到一个聚类结果;
根据所述聚类结果确定所述DBSCAN聚类算法中的Epsilon参数值和所述MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法。
可选的,所述根据所述聚类结果确定所述DBSCAN聚类算法中的Eps参数值和所述MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法,包括:
获取SC系数阈值;
利用SC轮廓系数法对所述聚类结果进行分析,得到SC系数值;
分析所述SC系数值,若所述SC系数值大于或等于所述SC系数阈值,则将所述Epsilon参数值和所述MinPts参数值作为所述DBSCAN聚类算法中的Epsilon参数值和MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法;若所述SC系数值小于所述SC系数阈值,则重新选取Epsilon参数值和MinPts参数值,根据重新选取的Epsilon参数值和MinPts参数值计算SC系数阈值,直至计算得到的所述SC系数值大于或等于所述SC系数阈值。
可选的,所述根据所述营运车辆预测订单量和所述热点出行区域,得到派遣方案,包括:
获取营运车辆订单阈值;
对所述各区域的营运车辆预测订单量进行分析,其中,若所述区域的营运车辆预测订单量大于或等于所述营运车辆订单阈值,且所述区域为热点出行区域,则发送第一控制命令,所述第一控制命令包括向所述区域增加第一数量的空闲车辆的命令;若所述区域的营运车辆预测订单量小于所述营运车辆订单阈值,且所述区域为热点出行区域,则不做任何处理;若所述区域的营运车辆预测订单量大于或等于所述营运车辆订单阈值,且所述区域不为热点出行区域,则发送第二控制命令,所述第二控制命令包括向所述区域增加第二数量的空闲车辆的命令;若所述区域的营运车辆预测订单量小于所述营运车辆订单阈值,且所述区域不为热点出行区域,则发送第三控制命令,所述第三控制命令包括将所述区域的空闲车辆派遣至所述热点区域的命令。
第二方面,本申请实施例提供了一种营运车辆的派遣装置,所述装置包括第一获取单元、训练单元、查找单元和派遣单元。
第一获取单元,用于获取第一数据、第二数据和第三数据,所述第一数据包括当前时刻之前的第一时间段内城市中各区域的营运车辆的订单量,所述第二数据包括当前时刻之前的第二时间段内城市中各区域的营运车辆的订单量,所述第三数据包括当前时刻之前的第三时间段内城市中各区域的营运车辆的订单量,所述第二时间段的结束时间在所述第一时间段的开始时间之前,所述第三时间段的结束时间在所述第二时间段的开始时间之前;
训练单元,用于利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量;
查找单元,用于利用自适应Adaptive-DBSCAN聚类算法查找所述城市中的热点出行区域;
派遣单元,用于根据所述当前时刻各区域的营运车辆预测订单量和所述城市中的热点出行区域,得到派遣方案,根据所述派遣方案对所述营运车辆进行派遣。
可选的,所述训练单元,包括:
结合单元 ,用于将ConvLSTM模型与BiLSTM模型结合,得到周期性卷积双向长短时神经网络模型,其中,所述周期性卷积双向长短时神经网络模型包括三条CBiLSTM模型分支,每条CBiLSTM模型分支由所述ConvLSTM模型和所述BiLSTM模型组成,所述ConvLSTM模型的输出为所述BiLSTM模型的输入;
输入单元,用于将所述第一数据、所述第二数据和所述第三数据分别输入一条所述CBiLSTM模型分支中,得到第一预测结果、第二预测结果和第三预测结果;
求和单元,用于将所述第一预测结果、所述第二预测结果和所述第三预测结果加权求和,得到所述当前时刻各区域的营运车辆预测订单量。
可选的,所述查找单元,包括:
第二获取单元,用于获取第四数据,所述第四数据包括所述城市一时间段内的营运车辆订单信息;
第一计算单元,用于根据所述城市一时间段内的营运车辆订单信息得到所述城市一时间段内的营运车辆的起点位置信息;
筛选单元,用于根据所述营运车辆的起点位置信息对所述DBSCAN聚类算法进行参数的筛选,得到所述自适应Adaptive-DBSCAN聚类算法;
第二计算单元,用于根据所述营运车辆的起点位置信息和所述自适应Adaptive-DBSCAN聚类算法计算得到在所述城市中的所述热点出行区域。
可选的,所述筛选单元,包括:
生成单元,用于基于所述营运车辆的起点位置信息,利用K-期望近邻算法、四分位法和数学期望法来生成所述DBSCAN聚类算法中的Epsilon参数列表;基于所述营运车辆的起点位置信息,利用数学期望法生成所述DBSCAN聚类算法中的MinPts参数列表;
选取单元,用于在所述Epsilon参数列表中选取一个Epsilon参数值,在所述MinPts参数列表中选取一个MinPts参数值,将所述Epsilon参数值和所述MinPts参数值输入到所述DBSCAN算法中,得到一个聚类结选取单元,用于在所述Epsilon参数列表中选取一个Epsilon参数值,在所述MinPts参数列表中选取一个MinPts参数值,将所述Epsilon参数值和所述MinPts参数值输入到所述DBSCAN聚类算法中,得到一个聚类结果;
确定单元,用于根据所述聚类结果确定所述DBSCAN聚类算法中的Epsilon参数值和所述MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法。
可选的,所述确定单元,包括:
第三获取单元,用于获取SC系数阈值;
第一分析单元,用于利用SC轮廓系数法对所述聚类结果进行分析,得到SC系数值;
第二分析单元,用于分析所述SC系数值,若所述SC系数值大于或等于所述SC系数阈值,则将所述Epsilon参数值和所述MinPts参数值作为所述DBSCAN聚类算法中的Epsilon参数值和MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法;若所述SC系数值小于所述SC系数阈值,则重新选取Epsilon参数值和MinPts参数值,根据重新选取的Epsilon参数值和MinPts参数值计算SC系数阈值,直至计算得到的所述SC系数值大于或等可选的,所述派遣单元,包括:
第四获取单元,用于获取营运车辆订单阈值;
第三分析单元,用于对所述各区域的营运车辆预测订单量进行分析,其中,若所述区域的营运车辆预测订单量大于或等于所述营运车辆订单阈值,且所述区域为热点出行区域,则发送第一控制命令,所述第一控制命令包括向所述区域增加第一数量的空闲车辆的命令;若所述区域的营运车辆预测订单量小于所述营运车辆订单阈值,且所述区域为热点出行区域,则不做任何处理;若所述区域的营运车辆预测订单量大于或等于所述营运车辆订单阈值,且所述区域不为热点出行区域,则发送第二控制命令,所述第二控制命令包括向所述区域增加第二数量的空闲车辆的命令;若所述区域的营运车辆预测订单量小于所述营运车辆订单阈值,且所述区域不为热点出行区域,则发送第三控制命令,所述第三控制命令包括将所述区域的空闲车辆派遣至所述热点区域的命令。
第三方面,本申请实施例提供了一种营运车辆的派遣设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述营运车辆的派遣方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述营运车辆的派遣方法的步骤。
本发明的有益效果为:
1、在本发明中,通过构建的周期性卷积双向长短时神经网络模型,可以提高预测的精度和准确性,并且利用周期性卷积双向长短时神经网络模型可以同时对城市各个区域的订单量进行预测,可以缩短预测的时间。
2、在本发明中,聚类算法就是对不同特征数据之间进行分类,将相关性更高的分到一类,是机器学习中的无监督学习方法。在对营运车辆出行订单数据的热点区域进行分析挖掘的过程中,由于DBSCAN聚类算法需要人为设定邻域半径Epsilon参数和邻域最小点数MinPts参数导致在聚类过程中造成了大量的人为因素的影响。本实施例主要针对在使用DBSCAN聚类算法时,邻域半径Epsilon和邻域最小点数MinPts选取困难的问题,提出了一种能够自适应选择Epsilon和MinPts参数的改进DBSCAN聚类算法,通过此方法,能够避免重复繁琐的参数调节工作,节省计算的时间。
3、本发明可以降低预测的时间和提高预测的精度和准确性,进而及时准确的做出派遣方案,并且通过做出的派遣方案,可以保障热点区域具有较多的空闲车辆,从而在减少营运车辆空载时间的同时也能够极大程度的响应打车乘客的打车需求;此外还可以提高司机成交的订单量;还可以减少不必要的资源浪费以及降低交通拥堵现象的发生概率。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例中所述的营运车辆的派遣方法流程示意图;
图2是本发明实施例中所述的营运车辆的派遣装置结构示意图;
图3是本发明实施例中所述的营运车辆的派遣设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号或字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了一种营运车辆的派遣方法,该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一数据、第二数据和第三数据,所述第一数据包括当前时刻之前的第一时间段内城市中各区域的营运车辆的订单量,所述第二数据包括当前时刻之前的第二时间段内城市中各区域的营运车辆的订单量,所述第三数据包括当前时刻之前的第三时间段内城市中各区域的营运车辆的订单量,所述第二时间段的结束时间在所述第一时间段的开始时间之前,所述第三时间段的结束时间在所述第二时间段的开始时间之前;
步骤S2、利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量;
步骤S3、利用自适应Adaptive-DBSCAN聚类算法查找所述城市中的热点出行区域;
步骤S4、根据所述当前时刻各区域的营运车辆预测订单量和所述城市中的热点出行区域,得到派遣方案,根据所述派遣方案对所述营运车辆进行派遣。
在本实施例中,当前时刻之前的第一时间段内为当前时刻的前3个小时,当前时刻之前的第二时间段内为前一天的这个时刻的前3个小时,当前时刻之前的第三时间段内为上一周的这一天的这个时刻的前3个小时,例如,本实施例要预测2021年9月15日12:00这个时刻各区域的营运车辆预测订单量,那么第一数据就为2021年9月15日9:00-12:00这段时间内城市中各区域的营运车辆的订单量,第二数据就为2021年9月14日9:00-12:00这段时间内城市中各区域的营运车辆的订单量,第三数据就为2021年9月8日(2021年9月15日为星期三,上一周的星期三为2021年9月8日)9:00-12:00这段时间内城市中各区域的营运车辆的订单量;在本实施例中,营运车辆可以为网约车或出租车;
本实施例中通过构建的周期性卷积双向长短时神经网络模型,可以提高预测的精度和准确性,并且利用周期性卷积双向长短时神经网络模型可以同时对城市各个区域的订单量进行预测,可以缩短预测的时间;
在本实施例中,聚类算法就是对不同特征数据之间进行分类,将相关性更高的分到一类,是机器学习中的无监督学习方法。在对营运车辆出行订单数据的热点区域进行分析挖掘的过程中,由于DBSCAN聚类算法需要人为设定邻域半径Epsilon参数和邻域最小点数MinPts参数导致在聚类过程中造成了大量的人为因素的影响。本实施例主要针对在使用DBSCAN聚类算法时,邻域半径Epsilon和邻域最小点数MinPts选取困难的问题,提出了一种能够自适应选择Epsilon和MinPts参数的改进DBSCAN聚类算法,通过此方法,能够避免重复繁琐的参数调节工作,节省计算的时间;
本实施例中,通过上述分析可以得出本发明可以降低预测的时间和提高预测的精度和准确性,进而及时准确的做出派遣方案,从而降低道路发生拥堵的概率。
所述步骤S2,还可以包括步骤S21、步骤S22和步骤S23。
步骤S21、将ConvLSTM模型与BiLSTM模型结合,得到周期性卷积双向长短时神经网络模型,其中,所述周期性卷积双向长短时神经网络模型包括三条CBiLSTM模型分支,每条CBiLSTM模型分支由所述ConvLSTM模型和所述BiLSTM模型组成,所述ConvLSTM模型的输出为所述BiLSTM模型的输入;
步骤S22、将所述第一数据、所述第二数据和所述第三数据分别输入一条所述CBiLSTM模型分支中,得到第一预测结果、第二预测结果和第三预测结果;
步骤S23、将所述第一预测结果、所述第二预测结果和所述第三预测结果加权求和,得到所述当前时刻各区域的营运车辆预测订单量。
本实施例中提出的双向PCLSTM模型(周期性卷积双向长短时神经网络模型)充分结合了ConvLSTM和BiLSTM的优点,实现了模型不错的学习能力,并且双向PCLSTM模型的预测精度和准确性都比较高,优于传统单一模型;
周期性卷积双向长短时神经网络模型包括三条CBiLSTM模型分支,在CBiLSTM模型的基础上,对出行数据进行分析时发现,数据具有周期性和相关性,因此,引入了数据周期性的概念,采用三个分支分别对三个时间段的数据进行训练预测;
CBiLSTM模型包括ConvLSTM2D层、BiLSTM层、Dropout层、BatchNormalization层和全连接层,各个神经网络层都有着自己独特的作用和功能。其中,利用ConvLSTM2D层对营运车辆出行订单量进行处理,提取出行特征;利用BiLSTM层对预测点历史营运车辆订单量数据的周期特征进行提取,使得模型对出行特征数据的利用更加的全面;BatchNormalization层正规化每一层的输入,加速神经网路的训练过程,防止梯度消失;Dropout层用于降低过拟合的风险,从而得到最终的预测结果,最后经过全连接层得到每个分支的输出结果。通过上述方式,提高了模型输出的精准度和准确性。
所述步骤S3,还可以包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、获取第四数据,所述第四数据包括所述城市一时间段内的营运车辆订单信息;
步骤S32、根据所述城市一时间段内的营运车辆订单信息得到所述城市一时间段内的营运车辆的起点位置信息;
步骤S33、根据所述营运车辆的起点位置信息对所述DBSCAN聚类算法进行参数的筛选,得到所述自适应Adaptive-DBSCAN聚类算法;
步骤S34、根据所述营运车辆的起点位置信息和所述自适应Adaptive-DBSCAN聚类算法计算得到在所述城市中的所述热点出行区域。
城市居民出行热点区域研究中,传统的DBSCAN聚类算法在训练过程中有大量的人为因素介入而影响聚类效果。因此,本实施例中提出了一种不需要人为干预而能够自适应的寻找最优邻域半径Epsilon参数和邻域最小点数MinPts参数的Adaptive-DBSCAN聚类算法,该算法在弥补了传统DBSCAN聚类算法的缺点。
所述步骤S33,还可以包括步骤S331、步骤S332和步骤S333。
步骤S331、基于所述营运车辆的起点位置信息,利用K-期望近邻算法、四分位法和数学期望法来生成所述DBSCAN聚类算法中的Epsilon参数列表;基于所述营运车辆的起点位置信息,利用数学期望法生成所述DBSCAN聚类算法中的MinPts参数列表;
步骤S332、在所述Epsilon参数列表中选取一个Epsilon参数值,在所述MinPts参数列表中选取一个MinPts参数值,将所述Epsilon参数值和所述MinPts参数值输入到所述DBSCAN聚类算法中,得到一个聚类结果;
步骤S333、根据所述聚类结果确定所述DBSCAN聚类算法中的Epsilon参数值和所述MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法。
在本实施例中,生成Epsilon参数列表和生成MinPts参数列表可以按照以下方法进行生成:
(1)生成Epsilon参数列表
Adaptive-DBSCAN聚类算法采用了K-期望近邻算法、四分位法和数学期望法来生成Epsilon列表。该算法的基本思想是通过计算数据集D中每个样本点的到其他样本点的距离,然后对该点到其他数据点的距离采用四分位法来消除孤立点,并对保留点计算期望作为Epsilon数据集中的一个值。依次处理所有样本点得到距离向量矩阵。步骤如下:
第一步,计算数据集D中各样本点的距离分布矩阵,即
公式(1)中,Dn×n为n×n的对称矩阵;n为数据集D的长度;Point_Dist(i,j)为数据集D中各个样本点之间的距离;
第二步,对距离矩阵中的每一行的数据进行从小到大排序,则就可以排除第一列自身到自身的距离数据。每一列的数据元素都代表着该点到所有点之间的距离向量;
(2)生成MinPts参数列表
对于最优邻域最小点数MinPts参数的选取,利用数学期望法来获得可能的邻域最小点数MinPts参数,并保存到MinPts参数列表中生成候选参数列表,邻域最小点数MinPts参数的获取是通过对候选邻域半径Epsilon参数列表中的每一个邻域半径Epsilon值对应的邻域中所包含的所有样本点数,并将其的数学期望值作为DBSCAN聚类算法过程中的邻域半径MinPts参数,其数学表达式为:
公式(2)中,Pi为第i个样本点的Epsilon邻域内的样本数量,n为数据集D中总的样本点数。
所述步骤S333,还可以包括步骤S3331、步骤S3332和步骤S3333。
步骤S3331、获取SC系数阈值;
步骤S3332、利用SC轮廓系数法对所述聚类结果进行分析,得到SC系数值;
步骤S3333、分析所述SC系数值,若所述SC系数值大于或等于所述SC系数阈值,则将所述Epsilon参数值和所述MinPts参数值作为所述DBSCAN聚类算法中的Epsilon参数值和MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法;若所述SC系数值小于所述SC系数阈值,则重新选取Epsilon参数值和MinPts参数值,根据重新选取的Epsilon参数值和MinPts参数值计算SC系数阈值,直至计算得到的所述SC系数值大于或等于所述SC系数阈值。
在本实施例中,除了利用轮廓系数法,也就是SC系数来确定Epsilon参数值和MinPts参数值,还可以选用CH系数来进行确定;
(1)利用SC系数法
轮廓系数法也称为SC系数,是用来评估聚类模型分类结果优劣的一种方法,基本公式为:
公式(3)中,S表示某个样本点的轮廓系数,a表示样本x到同一簇内中其他样本点之间距离的平均值,b表示样本x到非同簇的样本点之间距离的最小值。将所有样本点的轮廓系数求平均就可以得到整体聚类结果的轮廓系数。
SC系数的目的是使得同一簇内部的距离越小越好,不同簇之间的距离越大越好,获取所有样本点的轮廓系数后求平均就能够得到平均轮廓系数值,也就是本实施例中的所述SC系数值;
利用SC系数法时,还需要获取SC系数阈值,其中SC系数阈值可以根据用户的需求进行自定义设置,在本实施例中,SC系数阈值设定为0.8;
在本实施例中,还可以利用以下方法确定所述DBSCAN聚类算法中的Epsilon参数值和MinPts参数值:
在所述Epsilon参数列表中选取一个Epsilon参数值,在所述MinPts参数列表中选取一个MinPts参数值,将所述Epsilon参数值和所述MinPts参数值输入到所述DBSCAN聚类算法中,得到一个聚类结果后,还可以利用SC轮廓系数法对所有的所述聚类结果进行分析,得到全部的SC系数值,然后将全部的SC系数值中最大的SC系数值对应的Epsilon参数值和所述MinPts参数值作为所述DBSCAN聚类算法中的Epsilon参数值和MinPts参数值。
(2)利用CH系数法
CH系数,也是用来评估聚类模型分类结果优劣的一种方法。该方法主要是利用类别之间的协方差矩阵的迹与类别内部的协方差矩阵的迹的比值来确定的,其基本计算为:
公式(4)中,S(k)为在分类类别的个数为k的情况下,分类结果中的组间离散和组内离散的比值,也就是表示在k分类情况下整体聚类结果的CH系数,tr()表示求矩阵的迹,Bk表示类别之间的协方差矩阵,Wk表示类别内部之间的协方差矩阵,n表示样本点的个数,k表示分类类别的个数;
CH系数期望能够通过尽量少的类别来聚类尽量多的样本,同时能够获得比较好的效果。CH系数值越高,说明聚类效果越好,说明类别内部各样本点之间更紧密,各个类别之间更分散。
所述步骤S4,还可以包括步骤S41和步骤S42。
步骤S41、获取营运车辆订单阈值;
步骤S42、对所述各区域的营运车辆预测订单量进行分析,其中,若所述区域的营运车辆预测订单量大于或等于所述营运车辆订单阈值,且所述区域为热点出行区域,则发送第一控制命令,所述第一控制命令包括向所述区域增加第一数量的空闲车辆的命令;若所述区域的营运车辆预测订单量小于所述营运车辆订单阈值,且所述区域为热点出行区域,则不做任何处理;若所述区域的营运车辆预测订单量大于或等于所述营运车辆订单阈值,且所述区域不为热点出行区域,则发送第二控制命令,所述第二控制命令包括向所述区域增加第二数量的空闲车辆的命令;若所述区域的营运车辆预测订单量小于所述营运车辆订单阈值,且所述区域不为热点出行区域,则发送第三控制命令,所述第三控制命令包括将所述区域的空闲车辆派遣至所述热点区域的命令。
在本实施例中,还可以根据用户的需求选择其他的分析方法对所述各区域的营运车辆预测订单量进行分析,进而得到不同的派遣方案;还可以根据得到所述各区域的营运车辆预测订单量进行其他的计算,并不局限于本实施例中的方法;
在本实施例中,通过做出的派遣方案,可以保障热点区域具有较多的空闲车辆,从而在减少营运车辆空载时间的同时也能够极大程度的响应打车乘客的打车需求;并且还可以提高司机成交的订单量;同时还可以减少不必要的资源浪费以及降低交通拥堵现象的发生概率。
实施例2
如图2所示,本实施例提供了一种营运车辆的派遣装置,所述装置包括第一获取单元701、训练单元702、查找单元703和派遣单元704。
所述第一获取单元701,用于获取第一数据、第二数据和第三数据,所述第一数据包括当前时刻之前的第一时间段内城市中各区域的营运车辆的订单量,所述第二数据包括当前时刻之前的第二时间段内城市中各区域的营运车辆的订单量,所述第三数据包括当前时刻之前的第三时间段内城市中各区域的营运车辆的订单量,所述第二时间段的结束时间在所述第一时间段的开始时间之前,所述第三时间段的结束时间在所述第二时间段的开始时间之前;
所述训练单元702,用于利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量;
所述查找单元703,用于利用自适应Adaptive-DBSCAN聚类算法查找所述城市中的热点出行区域;
所述派遣单元704,用于根据所述当前时刻各区域的营运车辆预测订单量和所述城市中的热点出行区域,得到派遣方案,根据所述派遣方案对所述营运车辆进行派遣。
本实施例中,通过上述分析可以得出本发明可以降低预测的时间和提高预测的精度和准确性,进而及时准确的做出派遣方案,从而降低道路发生拥堵的概率。
所述训练单元702,还包括结合单元7021、输入单元7022和求和单元7023。
所述结合单元7021,用于将ConvLSTM模型与BiLSTM模型结合,得到周期性卷积双向长短时神经网络模型,其中,所述周期性卷积双向长短时神经网络模型包括三条CBiLSTM模型分支,每条CBiLSTM模型分支由所述ConvLSTM模型和所述BiLSTM模型组成,所述ConvLSTM模型的输出为所述BiLSTM模型的输入;
所述输入单元7022,用于将所述第一数据、所述第二数据和所述第三数据分别输入一条所述CBiLSTM模型分支中,得到第一预测结果、第二预测结果和第三预测结果;
所述求和单元7023,用于将所述第一预测结果、所述第二预测结果和所述第三预测结果加所述查找单元703,还包括第二获取单元7031、第一计算单元7032、筛选单元7033和第二计算单元7034。
所述第二获取单元7031,用于获取第四数据,所述第四数据包括所述城市一时间段内的营运车辆订单信息;
所述第一计算单元7032,用于根据所述城市一时间段内的营运车辆订单信息得到所述城市一时间段内的营运车辆的起点位置信息;
所述筛选单元7033,用于根据所述营运车辆的起点位置信息对所述DBSCAN聚类算法进行参数的筛选,得到所述自适应Adaptive-DBSCAN聚类算法;
所述第二计算单元7034,用于根据所述营运车辆的起点位置信息和所述自适应Adaptive-DBSCAN聚类算法计算得到在所述城市中的所述热点出行区域。
所述筛选单元7033,还包括生成单元70331、选取单元70332和确定单元70333。
所述生成单元70331,用于基于所述营运车辆的起点位置信息,利用K-期望近邻算法、四分位法和数学期望法来生成所述DBSCAN聚类算法中的Epsilon参数列表;基于所述营运车辆的起点位置信息,利用数学期望法生成所述DBSCAN聚类算法中的MinPts参数列表;
所述选取单元70332,用于在所述Epsilon参数列表中选取一个Epsilon参数值,在所述MinPts参数列表中选取一个MinPts参数值,将所述Epsilon参数值和所述MinPts参数值输入到所述DBSCAN聚类算法中,得到一个聚类结果;
所述确定单元70333,用于根据所述聚类结果确定所述DBSCAN聚类算法中的Epsilon参数值和所述MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法。
所述确定单元70333,还包括第三获取单元703331、第一分析单元703332和第二分析单元703333。
所述第三获取单元703331,用于获取SC系数阈值;
所述第一分析单元703332,用于利用SC轮廓系数法对所述聚类结果进行分析,得到SC系数值;
所述第二分析单元703333,用于分析所述SC系数值,若所述SC系数值大于或等于所述SC系数阈值,则将所述Epsilon参数值和所述MinPts参数值作为所述DBSCAN聚类算法中的Epsilon参数值和MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法;若所述SC系数值小于所述SC系数阈值,则重新选取Epsilon参数值和MinPts参数值,根据重新选取的Epsilon参数值和MinPts参数值计算SC系数阈值,直至计算得到的所述SC系数值大于或等于所述SC系数阈值。
所述派遣单元704,还包括第四获取单元7041和第三分析单元7042。
所述第四获取单元7041,用于获取营运车辆订单阈值;
所述第三分析单元7042,用于对所述各区域的营运车辆预测订单量进行分析,其中,若所述区域的营运车辆预测订单量大于或等于所述营运车辆订单阈值,且所述区域为热点出行区域,则发送第一控制命令,所述第一控制命令包括向所述区域增加第一数量的空闲车辆的命令;若所述区域的营运车辆预测订单量小于所述营运车辆订单阈值,且所述区域为热点出行区域,则不做任何处理;若所述区域的营运车辆预测订单量大于或等于所述营运车辆订单阈值,且所述区域不为热点出行区域,则发送第二控制命令,所述第二控制命令包括向所述区域增加第二数量的空闲车辆的命令;若所述区域的营运车辆预测订单量小于所述营运车辆订单阈值,且所述区域不为热点出行区域,则发送第三控制命令,所述第三控制命令包括将所述区域的空闲车辆派遣至所述热点区域的命令。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了营运车辆的派遣设备,下文描述的营运车辆的派遣设备与上文描述的营运车辆的派遣方法可相互对应参照。
图3是根据一示例性实施例示出的营运车辆的派遣设备800的框图。如图3所示,该营运车辆的派遣设备800可以包括:处理器801,存储器802。该营运车辆的派遣设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该营运车辆的派遣设备800的整体操作,以完成上述的营运车辆的派遣方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该营运车辆的派遣设备800的操作,这些数据例如可以包括用于在该营运车辆的派遣设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该营运车辆的派遣设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,该营运车辆的派遣设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的营运车辆的派遣方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的营运车辆的派遣方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由该营运车辆的派遣设备800的处理器801执行以完成上述的营运车辆的派遣方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的营运车辆的派遣方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的营运车辆的派遣方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种营运车辆的派遣方法,其特征在于,包括:
获取第一数据、第二数据和第三数据,所述第一数据包括当前时刻之前的第一时间段内城市中各区域的营运车辆的订单量,所述第二数据包括当前时刻之前的第二时间段内城市中各区域的营运车辆的订单量,所述第三数据包括当前时刻之前的第三时间段内城市中各区域的营运车辆的订单量,所述第二时间段的结束时间在所述第一时间段的开始时间之前,所述第三时间段的结束时间在所述第二时间段的开始时间之前;
利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量;
利用自适应Adaptive-DBSCAN聚类算法查找所述城市中的热点出行区域;
根据所述当前时刻各区域的营运车辆预测订单量和所述城市中的热点出行区域,得到派遣方案,根据所述派遣方案对所述营运车辆进行派遣;
其中,所述利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量,包括:
将ConvLSTM模型与BiLSTM模型结合,得到周期性卷积双向长短时神经网络模型,其中,所述周期性卷积双向长短时神经网络模型包括三条CBiLSTM模型分支,每条CBiLSTM模型分支由所述ConvLSTM模型和所述BiLSTM模型组成,所述ConvLSTM模型的输出为所述BiLSTM模型的输入;
将所述第一数据、所述第二数据和所述第三数据分别输入一条所述CBiLSTM模型分支中,得到第一预测结果、第二预测结果和第三预测结果;
将所述第一预测结果、所述第二预测结果和所述第三预测结果加权求和,得到所述当前时刻各区域的营运车辆预测订单量;
其中,所述利用自适应Adaptive-DBSCAN聚类算法查找所述城市中的热点出行区域,包括:
获取第四数据,所述第四数据包括所述城市一个时间段内的营运车辆订单信息;
根据所述城市一个时间段内的营运车辆订单信息得到所述城市一个时间段内的营运车辆的起点位置信息;
根据所述营运车辆的起点位置信息对所述DBSCAN聚类算法进行参数的筛选,得到所述自适应Adaptive-DBSCAN聚类算法;
根据所述营运车辆的起点位置信息和所述自适应Adaptive-DBSCAN聚类算法计算得到在所述城市中的所述热点出行区域;
其中,所述根据所述营运车辆的起点位置信息对所述DBSCAN聚类算法进行参数的筛选,得到所述自适应Adaptive-DBSCAN聚类算法,包括:
基于所述营运车辆的起点位置信息,利用K-期望近邻算法、四分位法和数学期望法来生成所述DBSCAN聚类算法中的Epsilon参数列表;基于所述营运车辆的起点位置信息,利用数学期望法生成所述DBSCAN聚类算法中的MinPts参数列表;
在所述Epsilon参数列表中选取一个Epsilon参数值,在所述MinPts参数列表中选取一个MinPts参数值,将所述Epsilon参数值和所述MinPts参数值输入到所述DBSCAN聚类算法中,得到一个聚类结果;
根据所述聚类结果确定所述DBSCAN聚类算法中的Epsilon参数值和所述MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法。
2.一种营运车辆的派遣装置,其特征在于,包括:
第一获取单元,用于获取第一数据、第二数据和第三数据,所述第一数据包括当前时刻之前的第一时间段内城市中各区域的营运车辆的订单量,所述第二数据包括当前时刻之前的第二时间段内城市中各区域的营运车辆的订单量,所述第三数据包括当前时刻之前的第三时间段内城市中各区域的营运车辆的订单量,所述第二时间段的结束时间在所述第一时间段的开始时间之前,所述第三时间段的结束时间在所述第二时间段的开始时间之前;
训练单元,用于利用所述第一数据、第二数据和第三数据对周期性卷积双向长短时神经网络模型进行训练,得到当前时刻各区域的营运车辆预测订单量;
查找单元,用于利用自适应Adaptive-DBSCAN聚类算法查找所述城市中的热点出行区域;
派遣单元,用于根据所述当前时刻各区域的营运车辆预测订单量和所述城市中的热点出行区域,得到派遣方案,根据所述派遣方案对所述营运车辆进行派遣;
其中,所述训练单元,包括:
结合单元,用于将ConvLSTM模型与BiLSTM模型结合,得到周期性卷积双向长短时神经网络模型,其中,所述周期性卷积双向长短时神经网络模型包括三条CBiLSTM模型分支,每条CBiLSTM模型分支由所述ConvLSTM模型和所述BiLSTM模型组成,所述ConvLSTM模型的输出为所述BiLSTM模型的输入;
输入单元,用于将所述第一数据、所述第二数据和所述第三数据分别输入一条所述CBiLSTM模型分支中,得到第一预测结果、第二预测结果和第三预测结果;
求和单元,用于将所述第一预测结果、所述第二预测结果和所述第三预测结果加权求和,得到所述当前时刻各区域的营运车辆预测订单量;
其中,所述查找单元,包括:
第二获取单元,用于获取第四数据,所述第四数据包括所述城市一个时间段内的营运车辆订单信息;
第一计算单元,用于根据所述城市一个时间段内的营运车辆订单信息得到所述城市一个时间段内的营运车辆的起点位置信息;
筛选单元,用于根据所述营运车辆的起点位置信息对所述DBSCAN聚类算法进行参数的筛选,得到所述自适应Adaptive-DBSCAN聚类算法;
第二计算单元,用于根据所述营运车辆的起点位置信息和所述自适应Adaptive-DBSCAN聚类算法计算得到在所述城市中的所述热点出行区域;
其中,所述筛选单元,包括:
生成单元,用于基于所述营运车辆的起点位置信息,利用K-期望近邻算法、四分位法和数学期望法来生成所述DBSCAN聚类算法中的Epsilon参数列表;基于所述营运车辆的起点位置信息,利用数学期望法生成所述DBSCAN聚类算法中的MinPts参数列表;
选取单元,用于在所述Epsilon参数列表中选取一个Epsilon参数值,在所述MinPts参数列表中选取一个MinPts参数值,将所述Epsilon参数值和所述MinPts参数值输入到所述DBSCAN聚类算法中,得到一个聚类结果;
确定单元,用于根据所述聚类结果确定所述DBSCAN聚类算法中的Epsilon参数值和所述MinPts参数值,得到所述自适应Adaptive-DBSCAN聚类算法。
3.一种营运车辆的派遣设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1所述营运车辆的派遣方法的步骤。
4.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1所述营运车辆的派遣方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361152.0A CN113792945B (zh) | 2021-11-17 | 2021-11-17 | 一种营运车辆的派遣方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361152.0A CN113792945B (zh) | 2021-11-17 | 2021-11-17 | 一种营运车辆的派遣方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792945A CN113792945A (zh) | 2021-12-14 |
CN113792945B true CN113792945B (zh) | 2022-02-08 |
Family
ID=78877292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361152.0A Active CN113792945B (zh) | 2021-11-17 | 2021-11-17 | 一种营运车辆的派遣方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792945B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882598B (zh) * | 2023-09-08 | 2023-12-29 | 四川丝路易购科技有限公司 | 一种进出口货物贸易订单管理方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN111881243A (zh) * | 2020-07-30 | 2020-11-03 | 河北工程大学 | 一种出租车轨迹热点区域分析方法及*** |
CN113221065A (zh) * | 2020-02-06 | 2021-08-06 | 北京三星通信技术研究有限公司 | 数据密度估计及回归方法、相应装置、电子设备、介质 |
CN113313303A (zh) * | 2021-05-28 | 2021-08-27 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
CN113570004A (zh) * | 2021-09-24 | 2021-10-29 | 西南交通大学 | 一种乘车热点区域预测方法、装置、设备及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985247B (zh) * | 2014-04-24 | 2016-08-24 | 北京嘀嘀无限科技发展有限公司 | 基于城市叫车需求分布密度的出租车运力调度*** |
SG11201706602RA (en) * | 2015-02-13 | 2017-09-28 | Beijing Didi Infinity Tech And Dev Co Ltd | Methods and systems for transport capacity scheduling |
US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
WO2020027864A1 (en) * | 2018-07-31 | 2020-02-06 | Didi Research America, Llc | System and method for point-to-point traffic prediction |
CN110766942B (zh) * | 2019-10-18 | 2020-12-22 | 北京大学 | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 |
-
2021
- 2021-11-17 CN CN202111361152.0A patent/CN113792945B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN113221065A (zh) * | 2020-02-06 | 2021-08-06 | 北京三星通信技术研究有限公司 | 数据密度估计及回归方法、相应装置、电子设备、介质 |
CN111881243A (zh) * | 2020-07-30 | 2020-11-03 | 河北工程大学 | 一种出租车轨迹热点区域分析方法及*** |
CN113313303A (zh) * | 2021-05-28 | 2021-08-27 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
CN113570004A (zh) * | 2021-09-24 | 2021-10-29 | 西南交通大学 | 一种乘车热点区域预测方法、装置、设备及可读存储介质 |
Non-Patent Citations (5)
Title |
---|
A New Vehicle Arrival Prediction Model for Adaptive Signal Control in a Connected Vehicle Environment;Liu Yang et al.;《IEEE Access》;20200616;第8卷;第1-9页 * |
Dynamic Modification Neural Network Model for Shot-term Traffic Prediction;Guo Da et al.;《Procedia Computer Science》;20210101;第187卷;第134-139页 * |
基于热点区域的出租车出行需求预测模型研究;李岩;《中国优秀博硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115(第1期);第C034-1418页 * |
基于长短时记忆网络的雷达波形设计;赵俊龙 等;《***工程与电子技术》;20200806;第43卷(第2期);第376-382页 * |
综合交通大数据应用技术创新平台;*** 等;《大数据》;20181115;第78-83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113792945A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
de Oña et al. | Transit service quality analysis using cluster analysis and decision trees: a step forward to personalized marketing in public transportation | |
CN111401433B (zh) | 用户信息获取方法、装置、电子设备及存储介质 | |
CN110717535B (zh) | 一种基于数据分析处理***的自动建模方法及*** | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN109816483B (zh) | 信息推荐方法及装置、可读存储介质 | |
CN110674636B (zh) | 一种用电行为分析方法 | |
JP2012050241A (ja) | 需要予測システム及び需要予測方法 | |
CN113792945B (zh) | 一种营运车辆的派遣方法、装置、设备及可读存储介质 | |
CN112785089A (zh) | 坐席业务配置方法、装置、电子设备及存储介质 | |
CN111091460A (zh) | 一种数据处理方法及装置 | |
Wang et al. | Effectiveness of trip planner data in predicting short-term bus ridership | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
Peláez-Rodríguez et al. | Bike sharing and cable car demand forecasting using machine learning and deep learning multivariate time series approaches | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
CN113191880A (zh) | 银行柜员终端加钞建议确定方法及装置 | |
Keles et al. | IBMMS decision support tool for management of bank telemarketing campaigns | |
Keating et al. | Using decision analysis to determine the feasibility of a conservation translocation | |
CN115271826A (zh) | 一种物流线路的价格区间预测方法和装置 | |
CN114723469A (zh) | 用户满意度预测与归因的方法、***以及电子设备 | |
CN112734086A (zh) | 一种用于更新神经网络预测模型的方法和装置 | |
Helwegen et al. | Fair algorithms in context | |
Krishna et al. | Cultivating Customer Purchase Intent: Leveraging Machine Learning for Precise Predictions | |
CN117131999B (zh) | 基于数字孪生的轨道交通客流量预测***及其方法 | |
CN113450557B (zh) | 针对车辆客流量的预测模型进行更新的方法及装置 |
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 |