CN102509449B - 基于模糊决策的车辆调度方法 - Google Patents

Abstract

本发明公开了基于模糊决策的车辆调度方法，所述方法包括以下步骤：S1，对候选车辆进行排期过滤；S2，对上述过滤后的候选车辆进行有效距离过滤；S3，利用贝叶斯信度网络筛选最有可能接单的车辆。本发明通过对候选车辆根据客观条件进行排除即根据车辆自身的排期及车辆与上车地点的距离进行排除后，对剩余的候选车辆司机的接单意愿利用贝叶斯信度网络进行概率计算，筛选出最有可能接单的车辆，再对筛选出的最有可能接单的车辆进行轮询，这样就使得轮询更有针对性，大大提高了接单的概率，节省了对另外那些不太可能接单的候选车辆的轮询的时间。据大量数据统计表明，采用本发明后，对候选车辆进行轮询，接单的概率提高了10～15％。

Description

基于模糊决策的车辆调度方法

技术领域

本发明涉及一种基于模糊决策的车辆调度方法，属于车辆调度技术领域。

背景技术

出租车是城市中人们出行的重要交通工具。如何快速调度车辆以满足用户日益增长的用车需求，已经成为各个用车平台的新的挑战。目前，各个用车平台对车辆的调度采用以下方法：在后台服务器上查看哪些车辆处于空车状态，再对乘客想要乘车地点附近的空车进行轮询，根据轮询的结果再确定所要派出的车辆。但是，在进行轮询前，对各个车辆司机的接单意愿都没有了解，所以轮询往往没有针对性，导致接单概率较低即车辆调度的效率较低，浪费了许多盲目询问的时间。

发明内容

本发明的目的在于，提供一种基于模糊决策的车辆调度方法，它可以使车辆轮询更有针对性，提高接单概率，提高车辆调度的效率，节约大量盲目询问的时间。

为解决上述技术问题，本发明采用如下的技术方案：基于模糊决策的车辆调度方法，包括以下步骤：

S1，对候选车辆进行排期过滤；

S2，对上述过滤后的候选车辆进行有效距离过滤；

S3，利用贝叶斯信度网络筛选最有可能接单的车辆。

前述的基于模糊决策的车辆调度方法中，步骤S1所述的排期包括车辆已接受订单的排期和服务系统外的私有日程，将排期所包含的情况都考虑在内，从而缩小轮询的范围，使轮询更有针对性。

前述的基于模糊决策的车辆调度方法中，步骤S2所述的有效距离过滤，是指按照汽车在该城市行驶的平均速度与预计行驶有效时长(订单开始时间与当前时间点之差)的乘积计算出有效距离进行过滤，所述的过滤后的候选车辆中凡是与订单接人地点的距离大于有效距离的车辆，都将从候选车辆中过滤掉。将有效距离作为强制客观条件的考量，从而进一步缩小轮询的范围，提升轮询的效率。

前述的基于模糊决策的车辆调度方法中，步骤S3所述的筛选最有可能接单的车辆包括以下步骤：

S31，为进行距离过滤后的每辆候选车辆建立贝叶斯信度网络；

S32，获取所述的每辆候选车辆的车辆接单可信度并排序；

S33，返回接单可信度较高的候选车辆，通过准确的概率计算，从而使得各个候选车辆的接单概率清晰明了，提高了轮询的效率。

前述的基于模糊决策的车辆调度方法中，步骤S31所述的贝叶斯信度网络是通过行业调查以及咨询车辆运管专家而建立的朴素贝叶斯网络模型，该网络模型描述了T(订单时间)，D(当前位置距离上车点的距离)以及F(订单金额)这三个评估变量与A_i(i车司机接单)之间概率关系，从而量化了评估i车司机的接单可信度，为提高车辆调度的准确性提供了可能。

前述的基于模糊决策的车辆调度方法中，步骤S32中所述的获取所述的每辆候选车辆的车辆接单可信度，是采用以下方法获得的：

$P(A_i/T,D,F)=P(T,D,F/A_i)*P\left(A_i\right)/[P(T,D,F/A_i)*P\left(A_i\right)+P(T,D,F/{\stackrel{\‾}{A}}_i)*P\left({\stackrel{\‾}{A}}_i\right)]$

其中，A_i表示i司机接受订单；T表示订单时间；D表示车辆当前位置与订单上车地点的距离，F表示订单金额；其中T为时间变量，需要按照小时的粒度进行离散化处理；D为距离变量按照公里粒度进行离散化处理；F为订单费用变量按照百元粒度进行离散化处理。

根据朴素贝叶斯网络假设，上述公式可以进一步简化为如下计算公式：

$P(A_i/T,D,F)=P(T/A_i)*P(D/A_i)*P(F/A_i)*P\left(A_i\right)/[P(T/A_i)*P(D/A_i)*P(F/A_i)*P\left(A_i\right)+P(T/{\stackrel{\‾}{A}}_i)*P(D/{\stackrel{\‾}{A}}_i)*P(F/{\stackrel{\‾}{A}}_i)*P\left({\stackrel{\‾}{A}}_i\right)]$

上述公式中，参数T，D，F在i车司机接单与不接单情况下的条件概率可以分别独立计算，进而简化了算法的复杂度。另外，在实际的参数训练过程中，对全部订单数据以及车辆接单数据进行挖掘，使用贝叶斯估计算法分别计算T，D，F在i车司机接单与不接单的条件概率，然后以每个车辆的维度保存参数数据，以便用于未来的计算。同时该模型整体基于对全部订单数据以及车辆接单数据的分析和挖掘，随着数据样本增加，每台车辆的参数数据可以自我反馈，进而不断提高调度的效率和准确性。

与现有技术相比，本发明通过对候选车辆根据客观条件进行排除即根据车辆自身的排期及车辆与上车地点的距离进行排除后，对剩余的候选车辆司机的接单意愿利用贝叶斯信度网络进行概率计算，筛选出最有可能接单的车辆，再对筛选出的最有可能接单的车辆进行轮询，这样就使得轮询更有针对性，大大提高了接单的概率，提高了车辆调度的效率，节省了对另外那些不太可能接单的候选车辆的轮询的时间。据大量数据统计表明，采用本发明后，对候选车辆进行轮询，车辆接单的概率提高了10～15％。另外，本发明中所述的排期包括车辆已接受订单的排期和服务系统外的私有日程，将排期所包含的情况都考虑在内，从而缩小轮询的范围，使轮询更有针对性。另外，本发明通过准确的接单可信度概率计算，从而使得各个候选车辆的接单概率清晰明了，提高了轮询时司机接单的概率。

附图说明

图1是本发明的一种实施例的工作流程图；

图2为本发明的一种实施例中的贝叶斯信度网络图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明的实施例：基于模糊决策的车辆调度方法，如图1所示，包括以下步骤：

S1，对候选车辆进行排期过滤，所述的候选车辆是指当前为空闲状态的车辆，所述的进行排期过滤是指过滤掉自身排期与订单时间冲突的车辆；

S2，对上述过滤后的候选车辆进行有效距离过滤；

S3，利用贝叶斯信度网络筛选最有可能接单的车辆。

上述方法中，步骤S1所述的自身排期包括车辆已接受订单的排期和服务系统外的私有日程，将排期所包含的情况都考虑在内，从而缩小轮询的范围，使轮询更有针对性。

上述方法中，步骤S2所述的有效距离过滤，是指按照汽车在该城市行驶的平均速度与预计行驶有效时长(订单开始时间与当前时间点之差)的乘积计算出有效距离进行过滤，所述的过滤后的候选车辆中凡是与订单接人地点的距离大于有效距离的车辆，都将从候选车辆中过滤掉。将有效距离作为强制客观条件的考量，从而进一步缩小轮询的范围，提升轮询的效率。

上述方法中，步骤S3所述的筛选最有可能接单的车辆包括以下步骤：

S31，为进行距离过滤后的每辆候选车辆建立贝叶斯信度网络；

S32，获取所述的每辆候选车辆的车辆接单可信度并排序；

S33，返回n个接单可信度较高的候选车辆，其中n将根据专业的车辆运控人员的推荐进行选取，通过准确的概率计算，从而使得各个候选车辆的接单概率清晰明了，提高了轮询的效率。

上述方法中，步骤S31所述的贝叶斯信度网络是通过行业调查以及咨询车辆运管专家而建立的朴素贝叶斯网络模型(如图2所示)，该网络模型描述了T(订单时间)，D(当前位置距离上车点的距离)以及F(订单金额)这三个评估变量与A_i(i车司机接单)之间概率关系，从而量化了评估i车司机的接单可信度，为提高车辆调度的准确性提供了可能。

上述方法中，步骤S32所述的计算所述的每辆候选车辆的车辆接单可信度采用以下模型获得：

$P(A_i/T,D,F)=P(T,D,F/A_i)*P\left(A_i\right)/[P(T,D,F/A_i)*P\left(A_i\right)+P(T,D,F/{\stackrel{\‾}{A}}_i)*P\left({\stackrel{\‾}{A}}_i\right)]$

其中，A_i表示i司机接受订单；T表示订单时间；D表示车辆当前位置与订单上车地点的距离，F表示订单金额；其中T为时间变量，需要按照小时的粒度进行离散化处理；D为距离变量按照公里粒度进行离散化处理；F为订单费用变量按照百元粒度进行离散化处理。

根据朴素贝叶斯网络假设，上述公式可以进一步简化为如下计算公式：

$P(A_i/T,D,F)=P(T/A_i)*P(D/A_i)*P(F/A_i)*P\left(A_i\right)/[P(T/A_i)*P(D/A_i)*P(F/A_i)*P\left(A_i\right)+P(T/{\stackrel{\‾}{A}}_i)*P(D/{\stackrel{\‾}{A}}_i)*P(F/{\stackrel{\‾}{A}}_i)*P\left({\stackrel{\‾}{A}}_i\right)]$

上述公式中，参数T，D，F在i车司机接单与不接单情况下的条件概率可以分别独立计算，进而简化了算法的复杂度。另外，在实际的参数训练过程中，对全部订单数据以及车辆接单数据进行挖掘，使用贝叶斯估计算法分别计算T，D，F在i车司机接单与不接单的条件概率，然后以每个车辆的维度保存参数数据，以便用于未来的计算。同时该模型整体基于对全部订单数据以及车辆接单数据的分析和挖掘，随着数据样本增加，每台车辆的参数数据可以自我反馈，进而不断提高调度的效率和准确性。

实例说明：车辆公司的车辆里都配备有智能终端。web服务器后台的数据采集模块采集从智能终端传来的车辆A、B、C、D、E的实时数据信息，包括车辆的车牌号、型号、类别、司机姓名、司机所属的出租公司、车辆位置实时信息和状态数据。若A、B、C、D、E是空闲状态，那么显示模块将A、B、C、D、E显示在电子地图相应的位置上。这时，有一位乘客给出租公司的呼叫中心打电话预约车辆，预约订单是从8:30开始到当日10:00结束，订单内容是到北京西单广场接人，经过费用计算该订单需要付给司机350元，那么web服务器后台对于该订单调度算法会按如下方式运作：

1.依次分别检查A，B，C，D，E的订单排期以及私有日程。假如A在当日9:00已经接受了之前的其他订单，而其他车辆并没有日程冲突，那么只有A的排期与该订单冲突。过滤掉A，完成排期过滤，候选车辆列表变成B，C，D，E。

2.如果当前时间为7:30，距离订单开始还有半个小时，那么如果当时北京平均车速为25公里每小时，那么候选车辆距离北京西单广场必须小于12.5公里(0.5小时＊25公里每小时)才最有可能提前或者准时在8:00到达西单广场。那么12.5公里就是有效距离，依次考察B，C，D，E各自当前的位置与西单广场的距离，假如有C，D车超出12.5公里，那么过滤掉C，完成有效距离过滤，候选车辆列表变成B，E。

3.提前通过训练全部的订单历史数据以及车辆接单历史数据，为每辆车B、E建立P(A)，P(T|A)，P(D|A)，P(F|A)以及P(T|～A)，P(D|～A)，P(F|～A)概率参数表。以下公式：

$P(A_i/T,D,F)=P(T/A_i)*P(D/A_i)*P(F/A_i)*P\left(A_i\right)/[P(T/A_i)*P(D/A_i)*P(F/A_i)*P\left(A_i\right)+P(T/{\stackrel{\‾}{A}}_i)*P(D/{\stackrel{\‾}{A}}_i)*P(F/{\stackrel{\‾}{A}}_i)*P\left({\stackrel{\‾}{A}}_i\right)]$

通过查概率参数表获取参数数值，web服务器后台分别计算出B接受该订单的概率P(B|T，D，F)以及E接单的概率P(E|T，D，F)，假设经过计算P(B|T，D，F)＝0.23，P(E|T，D，F)＝0.34，那么候选列表经过排序后变为E，B。在实际操作过程中可以选取n＝1，那么web服务器后台判定E优于B接受该订单，优先发送该订单给E。

Claims (4)

1. 基于模糊决策的车辆调度方法，其特征在于，包括以下步骤：

S1，对候选车辆进行排期过滤； 

S2，对上述过滤后的候选车辆进行有效距离过滤；

S3，利用贝叶斯信度网络筛选最有可能接单的车辆；具体包括：

S31，为进行距离过滤后的每辆候选车辆建立贝叶斯信度网络；

S32，获取所述的每辆候选车辆的车辆接单可信度并排序；

S33，按照排序的车辆接单可信度由高到低返回候选车辆；

其中，步骤S32中所述的获取所述的每辆候选车辆的车辆接单可信度，是采用以下方法获得的： 

其中，

表示i司机接受订单；T表示订单时间；D表示车辆当前位置与订单上车地点的距离；F表示订单金额。

2. 根据权利要求1所述的基于模糊决策的车辆调度方法，其特征在于，步骤S1中所述的排期包括车辆已接受订单的排期和服务系统外的私有日程。

3. 根据权利要求1所述的基于模糊决策的车辆调度方法，其特征在于，步骤S2中所述的有效距离过滤，是指按照汽车在所在城市行驶的平均速度与预计行驶有效时长的乘积计算出有效距离进行过滤，所述的过滤后的候选车辆中凡是与订单接人地点的距离大于有效距离的车辆，都将从候选车辆中过滤掉。

4. 根据权利要求1所述的基于模糊决策的车辆调度方法，其特征在于，步骤S31中所述的贝叶斯信度网络是通过行业调查以及咨询车辆运管专家而建立的朴素贝叶斯网络模型。

Images