CN104077915B - 乘车趋势预测装置及其方法 - Google Patents

乘车趋势预测装置及其方法 Download PDF

Info

Publication number
CN104077915B
CN104077915B CN201410310916.7A CN201410310916A CN104077915B CN 104077915 B CN104077915 B CN 104077915B CN 201410310916 A CN201410310916 A CN 201410310916A CN 104077915 B CN104077915 B CN 104077915B
Authority
CN
China
Prior art keywords
module
information
vehicle
car
bus
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.)
Expired - Fee Related
Application number
CN201410310916.7A
Other languages
English (en)
Other versions
CN104077915A (zh
Inventor
高睿良
刘子正
洪圣钦
廖家履
陈昱超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chunghwa Telecom Co Ltd
Original Assignee
Chunghwa Telecom Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chunghwa Telecom Co Ltd filed Critical Chunghwa Telecom Co Ltd
Publication of CN104077915A publication Critical patent/CN104077915A/zh
Application granted granted Critical
Publication of CN104077915B publication Critical patent/CN104077915B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

一种乘车趋势预测装置及其方法，乘车趋势预测装置包含状态撷取模块、服务区需求预测模块、主动推播模块以及云端大数据平行运算处理模块，状态撷取模块取得特定服务区域的活动信息以及气象信息，而服务区需求预测模块通过分析前述的信息来设置预测需求车辆数，主动推播模块则依据预测需求车辆数来判是是否对派遣车辆发送建议前往该服务区域的推播信息，而云端大数据平行运算处理模块则提供前述的模块运算服务。

Description

乘车趋势预测装置及其方法
技术领域
本发明涉及乘车趋势预测技术领域，特别是涉及一种乘车趋势预测装置及其方法。
背景技术
目前出租车队为了在服务区域范围内提供良好的载客服务，多通过叫车中心进行车辆的派遣。叫车中心在收到乘客的叫车需求时，通过定位系统找寻最近的车辆，并传送指派令至该车辆，以提供载客服务。
由于目前车队多通过统计过去叫车记录以及司机的历史经验来决定派遣车辆的分布位置，此种方式由于无法有效的进行量化，因此派遣车辆在寻找乘客以及到达乘客指定搭乘位置时，无形中会浪费许多油资和时间。
而当举行特定活动时，例如：跨年、路跑、嘉年华等活动时，由于会吸引大量的人潮，而若无专门人员紧盯特定的活动信息并进行车辆调度，常会使该区域的派遣车辆无法取得供需平衡。
综上所述，现有的车辆派遣系统由于无法通过量化的方式来预测特定服务区域的派遣车辆数，使得派遣车辆在调度上常会有不必要油资以及时间成本损耗，因此，提供一种可预测特定派遣服务区域的派遣数量的装置及其方法乃本领域亟需解决的技术问题。
发明内容
为解决上述现有技术的技术问题，本发明的目的为提供一种用来预测特定服务区域乘车需求的装置及其方法，以能有效率的进行车辆派遣作业。
为达上述的目的，本发明提供一种乘车趋势预测装置。乘车趋势预测装置包含状态撷取模块、派车信息模块、服务区需求预测模块、主动推播模块以及云端大数据平行运算处理模块。云端大数据平行运算处理模块连接前述的状态撷取模块、派车信息模块、服务区需求预测模块，以及主动推播模块，并提供与其连接的模块的运算服务。状态撷取模块从外部因特网撷取活动信息以及气象信息。活动信息记录位于服务区域的活动，而气象信息，则记录位于服务区域的气象状态。派车信息模块提供描述服务区域的派遣车辆的分布情形派遣车辆分布信息。而服务区需求预测模块连接状态撷取模块以及派车信息模块，服务区需求预测模块还依据活动信息、气象信息或派遣车辆分布信息来设置预测需求车辆数。主动推播模块连接服务区需求预测模块，主动推播模块还分析预测需求车辆数以设置推播信息，推播信息为提供派遣车辆是否前往服务区域的建议，主动推播模块还选择的通过外部车辆派遣系统与至少一个车载装置通讯连接，或者直接与车载装置通讯连接，以传送推播信息，前述的车载装置设置于派遣车辆内。云端大数据平行运算处理模块连接状态撷取模块、服务区需求预测模块以及主动推播模块，提供连接的模块运算服务。
为达上述目的，本发明提供一种乘车趋势预测方法。乘车趋势预测方法应用于乘车趋势预测装置，并包含下列的步骤：首先，从外部的因特网撷取位于服务区域的的活动信息以及位于服务区域的气象状态的气象信息。接着，从外部车辆派遣系统存取车辆派遣分布信息。再者，依据活动信息、气象信息或派遣车辆分布信息来设置预测需求车辆数。最后，分析预测需求车辆数以设置一个用来提供派遣车辆是否前往服务区域的建议的推播信息，乘车趋势预测装置还选择通过外部车辆派遣系统与至少一个车载装置连接，或者直接与车载装置连接，以传送前述的推播信息。
由于传统的派遣车辆系统皆只能通过被动的分析车辆的派遣状况，来进行调度，而本发明的乘车趋势预测装置及其方法则通过云端运算来分析特定服务区域的气象状况以及事件状况，并再判断此服务区域的车辆是否能满足叫车的需求来进行后续的车辆调度。
附图说明
图1为本发明的系统图；
图2为本发明的乘车趋势预测装置的方块图；
图3为本发明的车辆派遣系统处理用户叫车的流程图；
图4为本发明的车辆派遣系统与车载装置的传输流程图；
图5为本发明的预测参数调整模块的运作流程图；
图6为本发明的乘车趋势预测方法流程图；
图7为本发明的推播信息设置流程图。
符号说明
1 乘车趋势预测装置
11 状态撷取模块
12 派车信息模块
13 服务区需求预测模块
14 主动推播模块
15 预测参数调整模块
16 云端大数据平行运算处理模块
2 车辆派遣系统
3 派遣车辆
31 车载装置
4 使用者
41 使用端装置
具体实施方式
以下将描述具体的实施例以说明本发明的实施态样，惟其并非用以限制本发明所欲保护的范畴。
请参阅图1，其为本发明的系统图。乘车趋势预测装置1与车辆派遣系统2通讯连接，而位于派遣车辆3上的车载装置31则是被选择的与车辆派遣系统2或乘车趋势预测装置1通讯连接，用户4则是通过了使用端装置41与车辆派遣系统2通讯连接，以传送叫车信息。
请参阅图2，其为本发明的乘车趋势预测装置的方块图。乘车趋势预测装置1包含状态撷取模块11、派车信息模块12、服务区需求预测模块13、主动推播模块14以及云端大数据平行运算处理模块16。
云端大数据平行运算处理模块16连接前述的状态撷取模块11、派车信息模块12、服务区需求预测模块13，以及主动推播模块14，并提供与其连接的模块的运算服务。前述的云端大数据运算处理模块16为可提供平行处理的计算机装置，以执行大量信息的运算处理。
状态撷取模块11提供活动信息以及气象信息。活动信息记录位于服务区域的活动。而气象信息记录位于服务区域的气象状态。派车信息模块12提供派遣车辆3分布信息，车辆派遣分布信息描述服务区域的派遣车辆3的分布情形。服务区需求预测模块13则连接状态撷取模块以及派车信息模块12，服务区需求预测模块13还依据活动信息、气象信息或派遣车辆3分布信息来设置预测需求车辆数。主动推播模块14连接服务区需求预测模块13并分析预测需求车辆数以设置推播信息，推播信息提供派遣车辆3是否前往服务区域的建议，主动推播模块14还选择的通过外部车辆派遣系统2与至少一个车载装置31连接，或者直接与车载装置31连接，以传送推播信息。云端大数据平行运算处理模块16连接状态撷取模块11、服务区需求预测模块13以及主动推播模块14，云端大数据平行运算处理模块16提供连接的模块运算服务。
前述的活动还再分成一般事件活动以及周期性活动。一般活动如演唱会、研讨会、或体育活动等。而周期性活动则如国庆节、元宵灯会、情人节或跨年活动等。状态撷取模块11通过网络从举办活动的网站，如唱片公司的网页、体委会、人事行政局等网页来撷取并分析所需的活动信息。而状态撷取模块11又经由气象局或第三方气象网站来撷取特定服务区域的降雨机率、温度、台风、豪雨等气象信息进行后续的分析。
派车信息模块12连接车辆派遣系统2，而前述的车辆派遣系统2还与外部至少一个使用端装置41通讯连接，派车信息模块12通过分析下列信息来设置派遣车辆3分布信息：
(1)使用端装置41的叫车位置。
(2)车载装置31记录的载客位置。
(3)车辆派遣系统2的历史叫车分布区域以及数量。
(4)位于服务区域的车载装置31的统计数量。
前述的派遣车辆3分布信息还包含派遣量信息，服务区需求预测模块13还依据下述的手段进行预测：
(1)服务区需求预测模块13通过预测模型设置派遣建议信息，其预测模型为Ft＝Ft-1+α(Ft-2-Ft-1)+α2(Ft-3-Ft-1)+β(Fe-1-Ft-1)+γ(Fw-1-Ft-1) 公式(1)
公式(1)的各参数说明如下：
Ft为服务区域的预测需求车辆数；
Ft-1为服务区域的上一周的同时段派遣量信息；
Ft-2为服务区域的上一个月的同时段派遣量信息；
Fe-1为前一次同类型的活动，服务区域的派遣量信息；
Fw-1为前一次同类型的气象状态，服务区域的派遣量信息；
α为历史需求参数；
β为天气变异影响参数；
γ为特殊节日与同类型活动影响参数。
服务区需求预测模块13还从车辆派遣系统2接收实际车辆派遣数。实际派遣车辆3数为车辆派遣系统2实际派遣出去的车量数，乘车趋势预测装置1还包含预测参数调整模块15。预测参数调整模块15连接服务区需求预测模块13，预测参数调整模块15还依据实际派遣车辆3数以及预测需求车辆数的差异来修正为历史需求参数、天气变异影响参数、特殊节日与同类型活动影响参数中至少一个参数，以减少预测需求车辆数与实际车辆派遣数的差异，并将调整后的参数记录与储存。据此，服务区需求预测模块13能过通过分析气象信息、活动信息、以及动态调整后的历史需求参数、天气变异影响参数以及特殊节日与同类型活体影响参数，来计算每个服务区域的预测需求车辆数，再将预测需求车辆数记录至云端大数据平行运算处理模块16，作为下一次预测的参考值。
(2)服务区需求预测模块13还判断当下是否为特殊节日、周期性活动或事件等，若有，则搜寻历史纪录中最接近当前同类型的活动的最近一笔同时段派遣数量Fe-1。
(3)服务区需求模块还从乘车趋势预测装置1所链接的数据库进行搜寻，并找出历史纪录中最接近当前天气的最近一笔同时段派遣数量Fw-1。
当乘车趋势预测装置1由派遣车辆3分布信息中得知此服务区域内的派遣车辆3无法满足预测需求车辆数时，乘车趋势预测装置1会发送推播信息以对派遣车辆3进行调度，调度的说明如下：
(1)当判断此服务区域车辆短缺时，乘车趋势预测装置1会寻找其他区域是否有闲置派遣车辆3，并发送推播信息给前述的闲置派遣车辆3。
(2)主动推播模块14会通过无线传输机制，诸如简讯、3G网络、LTE等形式来传送推播信息。
(3)主动推播模块还会于预定时段内，根据车辆短缺或过多的情形来决定是否发送推播信息给车载装置31。
请参阅图3，当车辆派遣系统2接收到用户4的叫车请求时，其车辆派遣系统2的处理流程图下：
S101：接收用户4的叫车信息，用户系通过使用端装置发送叫车信息，使用端装置包含电话、手持电话、超商kiosk、数字互动电视等；
S102：进入车辆派遣系统2的数据库找出符合叫车信息的派遣车辆3；
S103：判断是否让派遣车辆3前往；
S104：若S103的判断为否，则再通知乘客当前无合适的派遣车辆3，并询问是否再呼叫一次，若乘客要再呼叫一次，则回到S102；若乘客拒绝呼叫，则到S106；
S105：若S103判断为是，则提供派遣服务；
S106：将此次叫车服务的记录传送至派车信息模块12。
请参阅图4，其为车辆派遣系统2与车载装置31的传输流程图。
S201：与车载装置31联机；
S202，判断是否有符合此车载装置31的叫车信息，若S202的判断为是，则执行S203；若S202判断为否，则执行S205；
S203：提供叫车信息给车载装置31，以让派遣车辆3前开往叫车信息内指定的地点，并接着执行S204；
S204：将此笔叫车信息传送至派车信息模块12或服务区需求预测模块13，回到S202；
S205：建议车载装置31是否前往特定的服务区域；
S206：发送建议前开的推播信息。
请参阅图5，其为本发明的预测参数调整模块15的运算流程图。
S301：计算一时间区间内，实际车辆派遣数与预测需求车辆数的差异；
S302：调整历史需求参数α；
S303：调整天气变异影响参数β；
S304：调整特殊节日与同类型活动影响参数γ；
S305：在α、β、γ中取调整后使实际车辆派遣数与预测需求车辆数的差异最小的参数作为下一次预测的参数，其余两个参数不调整。
请参阅图6，其为本发明的乘车趋势预测方法，应用于一种乘车趋势预测装置1，此方法包含下列步骤：
S401：平行处理步骤S402～S406；
S402：从外部的因特网撷取气象信息以及活动信息。接着，循环执行S402；
S403：当预测需求车辆数与实际派遣的车辆数有落差时，则调整公式(1)的α、β、γ参数的其中的一个。接着，循环执行S403；
S404：从车辆派遣系统2存取派遣车辆3分布信息，并循环执行S404；
S405：预测需求车辆数的设置，并将预测需求数据库存入数据库，前述的预测需求车辆数的设置依据活动信息、气象信息或派遣车辆3分布信息来进行设置。接着，循环执行S405；
S406：分析派遣车辆3分布信息以及预测需求车辆数以设置推播信息，推播信息提供派遣车辆3是否前往服务区域的建议，接着，循环执行S406。
前述的步骤S406包含下列的步骤，请参阅图7，为本发明的推播信息设置流程图：
S501：周期性分析各服务区域的预测需求车辆数与对应的预测需求车辆数，以判断此服务区域是否有缺车，若判断为是，则执行S502；若判断为否，则循环执行S501；
S502：寻找服务区域周围的其他服务区域是否有可提供载客的派遣车辆3；
S503：传送建议前往该服务区域的推播信息至可提供载客的派遣车辆3的车载装置31；
S504：判断缺车的服务区域其派遣车辆3的需求项是否足够，若判断为是，则执行S501，若判断为否，则执行S505；
S505：判断预设定时段其时间是否已到，若判断为是，则执行S501；若判断为否，则执行S503。
在步骤S406中，若多个服务区域皆有缺车，则开启多个线程来分别执行S502～505。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (16)

1.一种乘车趋势预测装置，其特征在于，包含：
云端大数据平行运算处理模块，该云端大数据平行运算处理模块提供与其连接的模块的运算服务；
状态撷取模块，连接该云端大数据平行运算处理模块，该状态撷取模块从外部因特网撷取：
活动信息，该活动信息为记录位于服务区域的活动；
气象信息，该气象信息为记录位于该服务区域的气象状态；
派车信息模块，连接该云端大数据平行运算处理模块，该派车信息模块提供派遣车辆分布信息，该派遣车辆分布信息描述该服务区域的派遣车辆的分布情形；
服务区需求预测模块，连接该云端大数据平行运算处理模块，该服务区需求预测模块依据该活动信息或该气象信息来设置预测需求车辆数；
主动推播模块，连接该云端大数据平行运算处理模块，该主动推播模块依据该预测需求车辆数以及该派遣车辆分布信息，来设置推播信息，该推播信息提供派遣车辆是否前往该服务区域的建议，该主动推播模块还选择通过外部车辆派遣系统与至少一个车载装置连接，或者直接与车载装置连接以传送该推播信息，车载装置设置于至少一个派遣车辆内。
2.根据权利要求1所述的乘车趋势预测装置，其特征在于，该车辆派遣系统还与外部至少一个使用端装置通讯连接，该派车信息模块连接该车辆派遣系统，该派车信息模块分析该使用端装置的叫车位置，以设置该派遣车辆分布信息。
3.根据权利要求1所述的乘车趋势预测装置，其特征在于，该派车信息模块连接该车辆派遣系统，该派车信息模块分析该车载装置记录的载客位置来设置该派遣车辆分布信息。
4.根据权利要求1所述的乘车趋势预测装置，其特征在于，该派车信息模块连接该车辆派遣系统，该派车信息模块分析该车辆派遣系统的历史叫车分布区域以及数量来设置该派遣车辆分布信息。
5.根据权利要求1所述的乘车趋势预测装置，其特征在于，该派车信息模块连接该车辆派遣系统，该派车信息模块为分析位于该服务区域的车载装置统计数量来设置该派遣车辆分布信息。
6.根据权利要求1所述的乘车趋势预测装置，其特征在于，该派遣车辆分布信息还包含派遣量信息，该服务区需求预测模块还依据预测模型设置派遣建议信息，该预测模型为：
Ft＝Ft-1+α(Ft-2-Ft-1)+α2(Ft-3-Ft-1)+β(Fe-1-Ft-1)+γ(Fw-1-Ft-1)；Ft为该服务区域的预测需求车辆数；
Ft-1为该服务区域的上一周的同时段派遣量信息；
Ft-2为该服务区域的上一个月的同时段派遣量信息；
Fe-1为前一次同类型的活动，该服务区域的派遣量信息；
Fw-1为前一次同类型的气象状态，该服务区域的派遣量信息；
α为历史需求参数；
β为天气变异影响参数；
γ为特殊节日与同类型活动影响参数。
7.根据权利要求1所述的乘车趋势预测装置，其特征在于，该主动推播模块还依据该预测需求车辆数以及该派遣车辆分布信息间的车辆短缺数量来设置该推播信息。
8.根据权利要求6所述的乘车趋势预测装置，其特征在于，该服务区需求预测模块还从该车辆派遣系统接收实际派遣车辆数，实际派遣车辆数为车辆派遣系统实际派遣出去的车量数，乘车趋势预测装置还包含预测参数调整模块，该预测参数调整模块连接服务区需求预测模块，该预测参数调整模块还依据该实际派遣车辆数以及该预测需求车辆数的差异来修正该历史需求参数、该天气变异影响参数、该特殊节日与同类型活动影响参数中的至少一个。
9.一种乘车趋势预测方法，其特征在于，包含下列步骤：
从外部的因特网撷取气象信息以及活动信息，该活动信息记录位于服务区域的活动，该气象信息记录位于该服务区域的气象状态；
从外部车辆派遣系统存取派遣车辆分布信息；
依据该活动信息、该气象信息或该派遣车辆分布信息来设置预测需求车辆数；
分析该预测需求车辆数以设置推播信息，该推播信息提供派遣车辆是否前往该服务区域的建议，乘车趋势预测装置选择通过外部车辆派遣系统与至少一个车载装置连接，或者直接与车载装置连接，以传送该推播信息。
10.根据权利要求9所述的乘车趋势预测方法，其特征在于，还令该乘车趋势预测装置触发该车辆派遣系统与外部至少一个使用端装置通讯连接，派车信息模块连接该车辆派遣系统，该派车信息模块分析使用端装置的叫车位置，以设置该派遣车辆分布信息。
11.根据权利要求9所述的乘车趋势预测方法，其特征在于，该乘车趋势预测装置连接该车辆派遣系统，该乘车趋势预测装置分析车载装置记录的载客位置来设置该派遣车辆分布信息。
12.根据权利要求9所述的乘车趋势预测方法，其特征在于，该乘车趋势预测装置连接该车辆派遣系统，该乘车趋势预测装置分析该车辆派遣系统的历史叫车分布区域以及数量来设置该派遣车辆分布信息。
13.根据权利要求9所述的乘车趋势预测方法，其特征在于，该乘车趋势预测装置连接该车辆派遣系统，该乘车趋势预测装置分析位于该服务区域的车载装置的统计数量来设置该派遣车辆分布信息。
14.根据权利要求9所述的乘车趋势预测方法，其特征在于，该派遣车辆分布信息还包含派遣量信息，该乘车趋势预测装置还依据预测模型设置派遣建议信息，该预测模型为：
Ft＝Ft-1+α(Ft-2-Ft-1)+α2(Ft-3-Ft-1)+β(Fe-1-Ft-1)+γ(Fw-1-Ft-1)；
Ft为该服务区域的预测需求车辆数；
Ft-1为该服务区域的上一周的同时段派遣量信息；
Ft-2为该服务区域的上一个月的同时段派遣量信息；
Fe-1为前一次同类型的活动，该服务区域的派辆量信息；
Fw-1为前一次同类型的气象状态，该服务区域的派遣量信息；
α为历史需求参数；
β为天气变异影响参数；
γ为特殊节日与同类型活动影响参数。
15.根据权利要求9所述的乘车趋势预测方法，其特征在于，该乘车趋势预测装置还依据该预测需求车辆数以及该派遣车辆分布信息间的车辆短缺数量来设置该推播信息。
16.根据权利要求14所述的乘车趋势预测方法，其特征在于，该乘车趋势预测装置还从该车辆派遣系统接收实际派遣车辆数，实际派遣车辆数为车辆派遣系统实际派遣的车量数，乘车趋势预测装置还包含预测参数调整模块，该预测参数调整模块连接服务区需求预测模块，该预测参数调整模块还依据该实际派遣车辆数以及该预测需求车辆数的差异来修正该历史需求参数、该天气变异影响参数、该特殊节日与同类型活动影响参数中的至少一个。
CN201410310916.7A 2014-03-27 2014-06-30 乘车趋势预测装置及其方法 Expired - Fee Related CN104077915B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW10311378 2014-03-27
TW10311378 2014-03-27

Publications (2)

Publication Number Publication Date
CN104077915A CN104077915A (zh) 2014-10-01
CN104077915B true CN104077915B (zh) 2017-02-08

Family

ID=51599147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410310916.7A Expired - Fee Related CN104077915B (zh) 2014-03-27 2014-06-30 乘车趋势预测装置及其方法

Country Status (1)

Country Link
CN (1) CN104077915B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11348053B2 (en) 2015-05-20 2022-05-31 Continental Automotive Systems, Inc. Generating predictive information associated with vehicle products/services
CN106571059B (zh) * 2015-10-10 2019-06-21 上海宝信软件股份有限公司 内部车辆系统大数据监测系统
CN106571056B (zh) * 2015-10-10 2019-06-21 上海宝信软件股份有限公司 内部车辆系统大数据监测方法
US11205240B2 (en) 2015-12-30 2021-12-21 Waymo Llc Autonomous vehicle services
CN107491827A (zh) * 2016-06-13 2017-12-19 滴滴（中国）科技有限公司 一种车辆资源调度处理方法及系统
CN106779245B (zh) * 2017-01-04 2020-09-04 中国民航信息网络股份有限公司 基于事件的民航需求预测方法和装置
CN107103388B (zh) * 2017-04-26 2021-02-05 杨毅 基于需求预测的机器人调度系统与方法
CN108960431A (zh) * 2017-05-25 2018-12-07 北京嘀嘀无限科技发展有限公司 指标的预测、模型的训练方法及装置
CN110741402B (zh) * 2017-06-14 2023-05-16 北京嘀嘀无限科技发展有限公司 用于运力调度的系统和方法
CN109102135B (zh) * 2017-06-21 2021-03-16 北京嘀嘀无限科技发展有限公司 订单分配方法及装置
CN108416486B (zh) * 2017-09-15 2020-12-04 杭州创屹机电科技有限公司 一种用于计算共享单车借车需求量的估算方法
CN110378656A (zh) * 2019-07-25 2019-10-25 秒针信息技术有限公司 物流订单的匹配方法、装置、存储介质及电子装置
CN110444008B (zh) * 2019-08-22 2021-06-04 欧拉信息服务有限公司 一种车辆调度方法及装置
JP7295057B2 (ja) * 2020-03-27 2023-06-20 トヨタ自動車株式会社 情報処理装置、情報処理方法、及び情報処理システム
CN111862579B (zh) * 2020-06-10 2021-07-13 深圳大学 一种基于深度强化学习的出租车调度方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01290100A (ja) * 1988-05-17 1989-11-21 Nec Corp 車輛繰り上げ選別装置
EP0751471A1 (en) * 1995-06-30 1997-01-02 Massachusetts Institute Of Technology Method and apparatus for item recommendation using automated collaborative filtering
CN1238501A (zh) * 1998-06-10 1999-12-15 本田技研工业株式会社 车辆调配系统
CN101436345A (zh) * 2008-12-19 2009-05-20 天津市市政工程设计研究院 基于TransCAD宏观仿真平台的港区道路交通需求预测系统
DE102011106295A1 (de) * 2011-07-01 2012-01-12 Daimler Ag Verkehrsinformationssystem, Backend-Servervorrichtung und Verfahren zum bidirektionalen Übertragen von Daten zwischen Kraftfahrzeugen und einem Dienstanbieter
CN103247169A (zh) * 2013-04-17 2013-08-14 浙江大学 一种基于社交网络的车辆信息发布方法
JP2013222291A (ja) * 2012-04-16 2013-10-28 Seiko Epson Corp 情報処理装置、移動予測システム及び移動予測方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01290100A (ja) * 1988-05-17 1989-11-21 Nec Corp 車輛繰り上げ選別装置
EP0751471A1 (en) * 1995-06-30 1997-01-02 Massachusetts Institute Of Technology Method and apparatus for item recommendation using automated collaborative filtering
CN1238501A (zh) * 1998-06-10 1999-12-15 本田技研工业株式会社 车辆调配系统
CN101436345A (zh) * 2008-12-19 2009-05-20 天津市市政工程设计研究院 基于TransCAD宏观仿真平台的港区道路交通需求预测系统
DE102011106295A1 (de) * 2011-07-01 2012-01-12 Daimler Ag Verkehrsinformationssystem, Backend-Servervorrichtung und Verfahren zum bidirektionalen Übertragen von Daten zwischen Kraftfahrzeugen und einem Dienstanbieter
JP2013222291A (ja) * 2012-04-16 2013-10-28 Seiko Epson Corp 情報処理装置、移動予測システム及び移動予測方法
CN103247169A (zh) * 2013-04-17 2013-08-14 浙江大学 一种基于社交网络的车辆信息发布方法

Also Published As

Publication number Publication date
CN104077915A (zh) 2014-10-01

Similar Documents

Publication Publication Date Title
CN104077915B (zh) 乘车趋势预测装置及其方法
CN110047279B (zh) 一种基于订单数据确定共享单车调度量的方法
US9466196B2 (en) Anomalous phenomena detector
CN108346010B (zh) 基于用户需求分析的共享汽车调度方法
Chen et al. Optimization of headways with stop‐skipping control: a case study of bus rapid transit system
CN109673165A (zh) 用于调度车辆的系统和方法
CN111564053B (zh) 车辆调度方法、装置、车辆调度设备和存储介质
CA2883163C (en) Portal for accessing data sets
US20210341299A1 (en) E-hailing service
CN100498869C (zh) 一种应用于电力系统的gps车辆监控调度系统
CN104599088A (zh) 基于订单的调度方法和调度系统
CN105303285A (zh) 一种电力应急处置物资的智能化调拨方法
US8832001B2 (en) Modeling of incidents affecting quality of service of a transportation system
CN102611985A (zh) 一种用于提供出行信息的方法和设备
CN105224995A (zh) 一种根据公交资源实时分配的方法与系统
CN111539590A (zh) 一种基于后悔理论的应急资源配置优化方法
CN107067643A (zh) 景区游客数量超负荷广播系统
CN105959233A (zh) 基于流式计算的移动终端流量分发系统及方法
CN111062562A (zh) 一种社区网格服务联动处置控制方法及系统
TWI524303B (zh) Forecasting Device and Method of Vehicle Trend Forecasting Based on Large Cloud Data Processing
Wu et al. Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model
CN116013059A (zh) 一种营运车辆的调度方法、装置、电子设备及存储介质
Liu et al. A social equity lens on bus bridging and ride-hailing responses to unplanned subway disruptions
CN111954155A (zh) 出租车运营系统
JP2017068750A (ja) 配車補助システムおよび配車補助プログラム

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170208

CF01 Termination of patent right due to non-payment of annual fee