CN103854472B

CN103854472B - 出租车云智能调度方法及系统

Info

Publication number: CN103854472B
Application number: CN201210516192.2A
Authority: CN
Inventors: 赵娟娟; 张帆; 白雪; 须成忠; 彭智; 甘波
Original assignee: Shenzhen Institute of Advanced Technology of CAS
Current assignee: Shenzhen Beidou Intelligent Technology Co., Ltd.
Priority date: 2012-12-05
Filing date: 2012-12-05
Publication date: 2016-09-07
Anticipated expiration: 2032-12-05
Also published as: CN103854472A

Abstract

本发明适用于通信领域，提供了一种出租车云智能调度方法及系统，具体包括Hadoop平台、出租车综合信息服务中心、通信管道、云终端设计四层架构。云终端通过GPS，无线移动通信技术将收集到的信息发送给综合服务中心，服务中心结合已有经验知识、居民出行调查、路网信息、当前交通状况、出租车运营状况，利用云计算分布式处理平台对信息进行智能整合和分析，实现出租车的智能调度和指挥，快速响应用户预订出租车、最佳路径等请求，降低出租车的空载率，节约出行者的等待时间，进而达到提高城市出租车公共交通运营效率的目的。

Description

出租车云智能调度方法及系统

技术领域

本发明属于通信领域，尤其涉及一种出租车云智能调度方法及系统。

背景技术

随着经济的发展、城市人口数量增加以及收入的提高，人们选择出租车作为交通工具的概率也有了很大的提高，伴随而来的出租车数量的不断增长，出租车交通量已经成为是城市客运交通量的重要组成部分，但是由于信息的不对称，存在出租车空驶，而出行者难打出租车的情况，从而造成交通效率低下和能源的浪费。

近年来，我国的智能交通调度系统研究、开发、应用都取得了显著成果，但是针对出租车智能调度系统的研究比较少，目前有关出租车的智能调度技术主要包括两种，（1）基于专网集中式的GPS调度管理系统的，但是随着出租车数量的增加，车辆的调度通讯已经成为主要瓶颈，目前正面临系统更新的转变时期。（2）模拟专网的通讯调度系统，它的主要功能是通过网络进行电话调度管理。这套系统的实用性较强，但不具备车辆的空间定位功能。

出租车智能交通调度系统具有二大特点：一、数据量大，假设某城市有50000台出租车，每台出租车每隔5秒钟向云服务中心发送一条包含其当前位置、当前时间、载人情况、司机电话号码等的记录，一条记录大约100个字节，则每个月大约会产生2.6TB的数据量。如果这个城市里每秒钟平均有50个人向云服务中心提交搜索空车等请求，每个请求包含其当前位置、当前时间、乘客的电话号码等信息，一条记录大约100个字节，则每个月大约会产生13GB的数据量。二、信息实时处理要求性高，无论是移动终端空车预订请求还是车载终端搜索最佳路径等请求，都需要在若干秒内得到响应。

由于出租车和出行者每天产生的数据总量大，出行者对信息实时处理要求性高、系统高可用性、高稳定性等要求，现有的集中式处理方式已经无法快速正确的响应客户的需求。

发明内容

本发明实施例的目的在于提供一种出租车云智能调度方法，旨在解决现有技术中的技术方案无法快速正确的相应客户的需求的问题。

本发明实施例是这样实现的，一种出租车云智能调度方法，所述方法包括：

车载智能终端向出租车服务中心发送出租车位置消息；所述位置消息包括：出租车位置坐标、时间和载客情况；

出租车服务中心接收所有出租车的位置消息，将所有出租车的位置消息存储在云平台的HBase数据库内；

移动终端向出租车服务中心发送出租车召唤请求，所述召唤请求包括：移动终端的位置坐标，时间，目的地和人数；

出租车服务中心在所述HBase数据库内搜索与所述召唤请求匹配的出租车位置消息，并将该匹配的出租车位置消息返回给出租车服务中心；

出租车服务中心向移动终端发送召唤请求响应消息，该响应消息包括：出租车位置坐标和时间；

移动终端显示该出租车位置坐标和时间，提示用户发送确认消息；

移动终端在接收到用户发起的确认消息后，向出租车服务器中心发送确认消息；

出租车服务器中心向车载移动终端返回预定消息完成出租车的预定，该预定消息包括：移动终端的位置坐标，时间，目的地和人数。

可选的，所述方法在完成出租车的预定之后，还包括：

出租车服务器中心对载客出租车和空驶出租车的出行规律进行分析，并基于差分自回归滑动平均模ARIMA模型，建立空驶和载客车出行分布预测模型，从而得到一定的客户需求条件下的出租车OD分布矩阵，基于出租车OD分布矩阵，预测一定时间内，区域最佳出租车数量。

另一方面，提供一种出租车云智能调度系统，所述系统包括：车载智能终端、移动终端、出租车服务器中心和云平台，所述云平台基于Hadoop技术；

所述车载智能终端，用于向出租车服务中心发送出租车位置消息；所述位置消息包括：出租车位置坐标、时间和载客情况；

所述出租车服务中心，用于接收所有出租车的位置消息，将所有出租车的位置消息存储在云平台的HBase数据库内；

所述移动终端，用于向出租车服务中心发送出租车召唤请求，所述召唤请求包括：移动终端的位置坐标，时间，目的地和人数；

所述出租车服务中心，

用于在所述HBase数据库内搜索与所述召唤请求匹配的出租车位置消息，并将该匹配的出租车位置消息返回给所述出租车服务中心；

所述出租车服务中心，用于向移动终端发送召唤请求响应消息，该响应消息包括：出租车位置坐标和时间；

所述移动终端，用于显示该出租车位置坐标和时间，提示用户发送确认消息；在接收到用户发起的确认消息后，向所述出租车服务器中心发送确认消息；

所述出租车服务器中心，用于向车载移动终端返回预定消息完成出租车的预定，该预定消息包括：移动终端的位置坐标，时间，目的地和人数。

可选的，所述出租车服务器中心，还用于对载客出租车和空驶出租车的出行规律进行分析，并基于ARIMA模型，建立空驶和载客车出行分布预测模型，从而得到一定的客户需求条件下的出租车OD分布矩阵，基于出租车OD分布矩阵，预测一定时间内，区域最佳出租车数量。

本发明实施例与现有技术相比，有益效果在于：本发明利用Hadoop分布式处理平台（包括：MapReduce分布式框架和HBase数据库）对信息进行智能整合和分析，以地理信息系统（GIS）为操作平台，实现出租车的智能调度和指挥，降低出租车的空载率，节约出行者的等待时间，进而达到提高城市公共交通运营效率的目的。

附图说明

图1是本发明实施例提供的出租车云智能调度方法的流程图；

图2是本发明实施例提供的基于GPS技术和通信网的出租车云智能调度系统架构图；

图3是本发明实施例提供的静态数据分析模块结构图；

图4是本发明实施例提供的交通智能调度模块结构图；

图5是本发明实施例提供的移动终端请求服务流程图；

图6是本发明实施例提供的手机智能终端预订空taxi处理流程图；

图7是本发明实施例提供的手机智能终端请求最佳路径处理流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供的一种出租车云智能调度方法，该方法如图1所示，包括：

S11、车载智能终端向出租车服务中心发送出租车位置消息；

所述位置消息包括：出租车位置坐标、时间和载客情况；具体的实现方法可以为：通过一数组发送上述位置消息，例如（1，37.75134，-122.39488，1，2011-9-1 13:10:10），表示时间2011-9-1 13:10:10，1号taxi所在位置经纬度为(37.75134，-122.39488)，处于载客状态。（2，37.95134，-122.99488，0，2011-9-113:10:10），表示时间2011-9-1 13:10:10，2号taxi所在位置区域块中心点经纬度为(37.95134，-122.99488)，处于空驶状态。

S12、出租车服务中心接收所有出租车的位置消息，将所有出租车的位置消息存储在云平台的HBase数据库内；

S13、移动终端向出租车服务中心发送出租车召唤请求，该召唤请求包括：移动终端的位置坐标，时间，目的地和人数；

S14、出租车服务中心在所述HBase数据库内搜索与所述召唤请求匹配的出租车位置消息，并将该匹配的出租车位置消息返回给出租车服务中心；

S15、出租车服务中心向移动终端发送召唤请求响应消息，该响应消息包括：出租车位置坐标和时间；

S16、移动终端显示该出租车位置坐标和时间，提示用户发送确认消息；

S17、移动终端在接收到用户发起的确认消息后，向出租车服务器中心发送确认消息；

S18、出租车服务器中心向车载移动终端返回预定消息完成出租车的预定，该预定消息包括：移动终端的位置坐标，时间，目的地和人数。

本发明具体实施方式提供的方法利用Hadoop分布式处理平台（包括：MapReduce分布式框架和HBase数据库）对信息进行智能整合和分析，以地理信息系统（GIS）为操作平台，实现出租车的智能调度和指挥，降低出租车的空载率，节约出行者的等待时间，进而达到提高城市公共交通运营效率的目的。

可选的，上述方法还可以包括：

出租车服务器中心对载客出租车和空驶出租车的出行规律进行分析，并基于差分自回归滑动平均模（Autoregressive Integrated Moving Average，简称：ARIMA）模型，建立空驶和载客车出行分布预测模型，从而得到一定的客户需求条件下的出租车OD分布矩阵，基于出租车OD分布矩阵，预测一定时间内，区域最佳出租车数量。这样可以对规划出租车的交通分布进行预测，减少出租车空驶带来的资源浪费。

本发明具体实施方式提供一种出租车云智能调度系统，所述系统包括：车载智能终端、移动终端、出租车服务器中心和云平台，所述云平台基于MapReduce分布式框架和HBase数据库；

所述出租车服务中心，

实施例

本实施例包括一种基于通信网和GPS技术的出租车云智能调度系统的设计方法，系统的基本架构图如图2所示，其架构可以划分为四层，云平台、出租车系统综合信息服务中心、通信管道、云终端。本发明具体针对出租车系统综合信息服务中心和云终端两大层次做了详细设计，云平台基于现有的比较成熟的Hadoop技术，通信管道基于目前的无线移动通信技术，系统运行具体流程为，云终端通过GPS，无线移动通信技术（GSM、GPRS、WCDMA、HSDPA等）将收集到的信息发送给出租车系统综合信息服务中心，服务中心结合居民出行调查、路网信息、当前交通状况、出租车当前运行状况以及经验知识、利用Hadoop分布式处理平台对信息进行智能整合和分析，以GIS为操作平台，实现出租车的智能调度和指挥，降低出租车的空载率，节约出行者的等待时间，进而达到提高城市公共交通运营效率的目的。

云终端包括出租车智能终端和手机智能终端。包括3G通讯模块、GPS导航模块、与综合信息服务中心通讯模块等。

出租车系统综合信息服务中心，由静态数据分析，动态数据分析，出租车智能调度、数据库处理四大模块组成。

静态数据分析模块由出租车基本信息处理模块、出租车行驶区域划分模块、客流规律分析模块、点与点之间最佳路径计算模块、Taxi分布预测模块组成。

出租车基本信息处理模块，对城市的所有路网信息、出租车站点信息、出租车的车辆信息存储、分析。

出租车行驶区域划分模块，将出租车行驶区域利用智能栅格的算法按照经纬度做划分，每个网格称为“区域块”，便于客流规律计算、Taxi位置定位等。

客流规律分析模块，客流动态是受外界因素影响而经常发生变化的，但在一定的时间与空间内，其变异具有一定的规律性。掌握客流动态变化规律是出租汽车驾驶员提高营运效率，增加营运收入，保证服务质量的基本条件之一。客流规律分析模块每天、每周、每月定时从数据库处理模块读取车载数据和用户出行需求数据，采用数学概率模型结合云计算技术对客流数据分析，整合形成客流规律经验库，为调度模块提供依据。

Taxi分布预测和最佳数量分析模块，对载客出租车和空驶出租车的出行规律进行分析，并基于ARIMA模型，建立空驶和载客车出行分布预测模型，从而得到一定的客户需求条件下的出租车OD分布矩阵，可以对规划出租车的交通分布进行预测，减少出租车空驶带来的资源浪费。基于出租车OD分布矩阵，预测一定时间内，区域最佳出租车数量。

点与点之间最佳路径计算模块，主要功能是：每小时、每天、每周定时从数据库处理模块读取车载数据，采用适当的路径分析模型对车载数据做统计分析，例如：按时间段统计路段的堵车信息，从而得到某一时间段两端点间最佳路径。

动态数据分析模块对来自云终端的信息分析处理，主要由终端信息接收模块、数据过滤模块，数据分析引擎模块组成，如图3所示。

终端信息接收模块，主要功能是：收集来自车载智能终端和手机智能终端的请求信息，例如收集车载智能终端通过网络发送的GPS信息、车载状态、出行时间等信息；收集车载智能终端通过网络发送的运营信息与路况信息，对出租车进行监控，防止交通事故的发生，保证出租车司机和乘客的安全；收集移动通信设备或其他智能终端通过网络发送Taxi预订请求；将收集到的数据交给过滤模块处理，将处理结果返回给终端。

数据过滤模块，主要功能是：接收来自终端信息接收模块的请求，对需要做进一步分析的请求交给数据分析引擎模块处理，并接收来自数据分析引擎模块处理结果；对不需要进一步处理的请求（Taxi当前位置等），调用数据库处理模块存储请求数据。

数据分析引擎模块，主要功能是：接收来自数据过滤模块的请求并做分类分析，如Taxi最佳路径请求、移动用户空车预订请求、Taxi安全请求等，并调用调度模块做分类处理，例如调用安全处理模块处理Taxi安全请求；调用Taxi路径请求处理模块处理Taxi路径请求；调用移动用户空车预订请求处理模块处理移动用户空车预订请求；调用Taxi运营信息查询处理模块查询Taxi行驶轨迹及运营状态。

智能调度模块主要由Taxi实时分布计算模块、安全处理模块、空车预测模块、Taxi路径请求处理模块、Taxi运营信息查询处理模块、移动用户空车请求处理模块组成，客流热点区域处理模块。如图4所示。为了实现调度的实时性、高效性，每个模块将实现基于Hadoop的MapReduce算法，实现分布式存取、处理。

实时Taxi分布及空车预测模块，主要功能是：每5秒钟对所有Taxi当前所在位置、载客等数据汇总、分析，统计当前5秒钟内taxi的分布，例如（1，37.75134，-122.39488，1，2011-9-1 13:10:10），表示时间2011-9-1 13:10:10，1号taxi所在位置经纬度为(37.75134，-122.39488),处于载客状态。（2，37.95134，-122.99488，0，2011-9-1 13:10:10），表示时间2011-9-1 13:10:10，2号taxi所在位置区域块中心点经纬度为(37.95134，-122.99488)，处于空驶状态。通过以上信息，对空载Taxi所在区域块以及空Taxi数量做预测。

安全处理模块，主要功能是：接收来自动态数据分析模块的交通事故的发生请求，通知相关工作人员对事故做紧急处理，保证出租车司机和乘客的安全。

Taxi路径请求处理模块，主要功能是：接收来自动态数据分析模块路径分析请求，调用数据库处理模块获取经验知识，以及最新出租车运行状况信息，通过合适的调度算法，求出最佳路径信息，反馈给动态数据分析模块，满足出租车需求。

Taxi运营信息查询处理模块，主要功能是：接收来自动态数据分析模块的Taxi运营信息查询请求，调用数据库处理模块，获取用户所请求的数据，例如某辆Taxi的运行轨迹等。

移动用户空车预订请求处理模块，主要功能是：接收来自动态数据分析模块的空车请求，调用空车预测模块获取用户所在位置附近的空Taxi，从而完成用户对taxi的预订。

数据库处理模块，主要功能是，调用HDFS分布式文件系统接口，对系统相关数据做读、写、查询等操作，供动态数据分析、静态数据分析、调度模块调用。

手机智能终端向出租车系统综合信息服务中心请求服务的流程图，如图5所示，具体流程描述如下。

S51：出行者手机智能终端通过移动无线网络向出租车系统综合信息服务中心发送服务请求。

S52：出租车系统综合信息服务中心接收出行者手机智能终端的请求，将消息放入手机智能终端消息接收队列。

S53：终端信息接收模块从手机智能终端消息接收队列中取出一条消息发送给数据过滤模块，并接收来自数据过滤模块的返回状态及返回结果，如果返回状态为成功，将此消息从消息队列删除，将返回结果发送给手机智能终端。

S54：数据过滤模块接收来自终端信息接收模块发送的消息，判断是否需要数据处理引擎模块进一步处理，例如用户注册、Taxi运营信息查询、空车预订请求、热点区域请求、最佳路径请求等需要调度模块进一步处理，用户的留言等不需要数据处理引擎模块进一步处理。如果需要进一步处理，则把此消息发送给数据处理引擎模块，如果不需要经过进一步处理，则调用数据库处理模块将消息存储。

S55：数据过滤模块将接收到的消息做分类，如果是Taxi运营信息查询，将其交给调度模块中的Taxi运营信息查询处理模块做处理；如果是空车预订请求，将其交给调度模块中的移动用户空车请求处理模块做处理，如果是Taxi路径请求信息，将其交给调度模块中的Taxi路径请求处理模块做处理；如果是安全请求消息，则交给安全请求处理模块做处理；如果是Taxi运营信息查询模块，则交给Taxi运营信息查询处理模块做处理，如果是热点区域查询，则交给热点区域处理模块做处理。

S56：重复S51~S55步骤的操作。

手机智能终端向出租车系统综合信息服务中心预订空Taxi的流程如图6所示，具体流程描述如下。

S61：移动终端发送当前GPS信息到出租车系统综合信息服务中心。

S62：预订空taxi处理模块接受用户请求。

S63：预订空taxi处理模块判断当前GPS信息是否属于出租车行驶区域范围内，如果属于转向S4，否则向客户端发送请求失败信息，转向S610。

S64：预订空taxi处理模块调用Taxi实时分布模块获取移动终端所发送的GPS位置附近的空载Taxi信息，并发送给移动终端，转向S65，如果附近没有空载Taxi，则发送“周围没有Taxi”信息到移动终端,转向S610。

S65：移动终端接受周边Taxi信息，并将显示在地图上。

S66：用户选择某辆Taxi，并发送预订请求到出租车系统综合信息服务中心。

S67：预订空taxi处理模块调用Taxi运营信息查询模块获取Taxi实时运用信息，并将预订请求发送给移动终端所请求的Taxi终端。

S68：Taxi终端接受预订请求，如果同意预订，发送预订空taxi处理模块预订成功，否则，发送预订失败。

S69：预订空taxi处理模块将结果发送到移动终端。

S610：预订Taxi结束。

手机智能终端向出租车系统综合信息服务中心请求最佳路径的流程如图7所示，具体流程描述如下。

S71：移动终端从地图上选择起点和终点位置信息，并发送给出租车系统综合信息服务中心。

S72：路径请求处理模块接受最佳路径请求。

S73：判断起点和终点是否属于taxi行驶区域范围，如果属于区域范围，转向S74，否则转向S76。

S74：路径请求模块选择当前最佳的1~2条路径，每条路径包括一系列点，以及路段的堵车信息等，返回给移动终端

S75：移动终端接受最佳路径信息，并将其绘制到地图上，包括路径曲线，所需时间，路程，堵车信息，所需费用等

S76：最佳路径请求结束。

本发明经过试验证明可行，试验的四个案例如下:

数据来源于深圳市一个月内20000辆出租车的运营数据，每辆出租车每一分钟向数据处理中心发送一条信息，信息格式为（纬度、经度、车载状态、时间）。

测试一，通过分析原始数据，计算乘客上下车OD矩阵，按时间段统计客流密集区域，以一星期为一个周期，统计一周中每天每小时乘客活动区域信息。

测试二，以当前时间为准，分析前半小时的所有taxi运营数据，用于对Taxi实时追踪。

测试三，采用最佳的路径分析模型对Taxi运营数据做统计分析，按时间段统计路段的堵车信息，得到某一时间段起始点和终点之间的最佳路径。

测试四，通过实时与移动终点用户以及Taxi终端交互，完成用户对Taxi的实时预订功能。

值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种出租车云智能调度方法，其特征在于，所述方法包括：

出租车服务器中心向车载移动终端返回预定消息完成出租车的预定，该预定消息包括：移动终端的位置坐标，时间，目的地和人数；

出租车服务器中心每天、每周、每月定时从自身数据库处理模块读取车载数据和用户出行需求数据，采用数学概率模型结合云计算技术对客流数据分析、整合形成客流规律经验库，具体包括：出租车服务器中心对载客出租车和空驶出租车的出行规律进行分析，并基于差分自回归滑动平均模ARIMA模型，建立空驶和载客车出行分布预测模型，从而得到一定的客户需求条件下的出租车OD分布矩阵，基于出租车OD分布矩阵，预测一定时间内，区域最佳出租车数量。

2.一种出租车云智能调度系统，其特征在于，所述系统包括：车载智能终端、移动终端、出租车服务器中心和云平台，所述云平台基于Hadoop技术；

所述出租车服务中心，

所述出租车服务器中心，用于向车载移动终端返回预定消息完成出租车的预定，该预定消息包括：移动终端的位置坐标，时间，目的地和人数；

所述出租车服务器中心，还用于每天、每周、每月定时从自身数据库处理模块读取车载数据和用户出行需求数据，采用数学概率模型结合云计算技术对客流数据分析、整合形成客流规律经验库，具体包括：所述出租车服务器中心对载客出租车和空驶出租车的出行规律进行分析，并基于ARIMA模型，建立空驶和载客车出行分布预测模型，从而得到一定的客户需求条件下的出租车OD分布矩阵，基于出租车OD分布矩阵，预测一定时间内，区域最佳出租车数量。