CN106448138B - 基于主动分配型的出租车服务系统的最优多车调度方法 - Google Patents
基于主动分配型的出租车服务系统的最优多车调度方法 Download PDFInfo
- Publication number
- CN106448138B CN106448138B CN201610986749.7A CN201610986749A CN106448138B CN 106448138 B CN106448138 B CN 106448138B CN 201610986749 A CN201610986749 A CN 201610986749A CN 106448138 B CN106448138 B CN 106448138B
- Authority
- CN
- China
- Prior art keywords
- taxi
- passenger
- point
- optimal
- type
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于主动分配型的出租车服务系统的最优多车调度方法,包括:根据乘客打车请求中的始发地和目的地,以及出租车的当前位置,计算乘客始发地到目的地的最短时间路径上的距离,以及出租车当前位置到乘客的始发地的最短时间路径上的距离,然后计算每辆出租车的收益矩阵,以及乘客的最大等待时间矩阵;根据多车分配问题中的限制条件,计算系统效用值矩阵;执行调度过程,整个分配过程基于加权二部图,在此加权二部图中依次逐点寻找可行的增广路径,扩充已匹配的边的数量,当在最后一个点得到可行的增广路径后,更新后的匹配结果即为最优出租车调度结果。本发明不仅能够保证司机的收益,还可以降低乘客的平均等待时间,提高打车系统的整体效益。
Description
技术领域
本发明属于移动车联网领域的出租车分配技术领域,具体地涉及一种通过平衡出租车司机的收益和乘客的等待时间,来实现基于主动分配型的出租车服务系统的最优多车联合调度方法。
背景技术
移动打车系统是近年来兴起的一种基于移动无线网络的打车模式,不同于传统的打车服务主要依靠出租车司机的经验实现载客过程。新兴的打车系统主要是通过乘客的客户端发送打车请求,出租车司机通过移动无线网络查看打车请求,以获得自己感兴趣的订单。随后出租车前往订单指定的地点,接送乘客到指定的目的地后,收取乘客的打车费用。近年来,随着移动无线网络和移动终端技术的发展,手机,平板,掌上电脑等终端设备已经配备有强大的无线网卡,如4G网,WiFi,以及各种各样的传感器,如GPS,这使得基于移动无线网络的打车系统具有低成本、普遍适用性、高度灵活性的优势,因而有着广泛的应用前景。国外常见的打车系统包括美国的Uber、英国的Hailo、印度的Autowale、及日本的LineTaxi等,国内的打车系统包括滴滴打车、快滴打车等。
当前的一个典型的打车系统(比如滴滴打车)一般包含三个阶段。第一阶段,乘客通过手机客户端发送打车请求给位于网络中心的出租车服务中心。打车请求一般只包含乘客的当前位置和目的地。在收到乘客的打车请求后,服务中心就会通过无线网络发布这些请求。第二阶段,一旦收到打车请求,出租车司机都会根据自己的兴趣、位置、收益等因素进行抢单。当一个出租车成功获得订单后,他就会前往订单指定的地点去接送相应的乘客到其目的地。第三阶段,到达目的地后,乘客会就此次的打车过程进行评价,并支付相应的打车费用。虽然当前的出租车服务系统给出租车司机和乘客提供了很大的方便,但是当前的打车模式仍然具有一定的弊端。比如,基于司机抢单的运营模式会吸引司机大量的注意力,包括在驾车过程中,这很可能会导致交通事故的发生;而且司机之间的竞争也会造成大量的资源浪费,包括网络带宽、终端能量等;另外,很多司机都会抱怨由于其他司机会使用第三方的抢单软件进行作弊,从而导致自己没有获得过订单。所以为了避免上述的问题,提出更先进的出租车调度模式刻不容缓。同时,在基于移动无线网络的打车系统中,寻找出最佳的出租车分配方案不仅可以提高司机的收益,而且可以降低用户的等待时间,可有效地平衡出租车的收益和乘客的等待时间,具有很高的实用价值以及广泛的应用前景。
发明内容
针对上述存在的技术问题,本发明目的是:提供了一种基于主动分配型的出租车服务系统的最优多车调度方法,本发明的出租车服务系统采用主动分配的模式来调度出租车,在结合了司机的收益和乘客的等待时间后,采用系统效用值作为最终的优化目标。在进行调度的过程中,打车系统不仅考虑到出租车空载时的成本,还更加人性化地考虑到多种车型的需求,同时还加入了司机对每次派单的纯收益的最小阈值限制,在这种更加符合实际的新型打车系统中,寻找出最优的出租车分配方案。
本发明的技术方案是:
一种基于主动分配型的出租车服务系统的最优多车调度方法,包括以下步骤:
S01:根据乘客打车请求中的始发地和目的地,以及出租车的当前位置,再考虑地图定位技术和实时交通信息系统,计算出乘客始发地到目的地的最短时间路径上的距离Si,以及出租车当前位置到乘客的始发地的最短时间路径上的距离Sij,然后计算每辆出租车的收益以及乘客的最大等待时间得到出租车的收益矩阵和乘客的等待时间矩阵,其中α、β、γ分别为出租车单位距离的收费参数、成本参数以及时间参数,k表示出租车的类型,Tx表示当前的时间窗口的值;
S02:根据多车分配问题中的限制条件,根据系统效用函数计算系统效用值矩阵,系统效用函数为:
其中,π表示分配策略,以一个n×m的矩阵表示(n表示乘客数目,m表示出租车数目),当πij=1表示第j辆出租车被分配给第i个打车的乘客,K表示出租车总的种类,λ为司机的收益和乘客的等待时间的比例参数;
S03:出租车服务中心执行调度过程,整个分配过程基于加权二部图,在此加权二部图中,一边是由所有的乘客组成的集合,另一边是由收集的空闲出租车组成的集合,带权的边是计算的系统效用值,在此加权二部图中依次逐点寻找可行的增广路径,扩充已匹配的边的数量。当不能找到增广路径时,计算权值调整参数d以改变二部子图两边的所有点权值,重新构建二部子图,然后再次寻找增广路径,直到最后一个点。
优选的,所述步骤S02中多车分配问题中的限制条件包括,司机的收益大于其最小阈值;乘客所请求的出租车类型和分配的出租车类型保持一致;每辆车至多对应一个乘客及每个乘客最多分配一辆车。
优选的,所述步骤S01之前还包括,乘客发送打车请求给出租车服务中心,打车请求包括乘客的ID、请求的出租车类型、始发地和目的地;出租车服务中心在时间窗口内,收集所有已注册的出租车信息,根据出租车是否载客状态,筛选出所有空闲的出租车,并且按照其ID进行编号。
优选的,所述出租车信息包括出租车ID、是否载客状态、出租车的类型、出租车的实时位置以及司机收益的最小阈值θ。
优选的,所述步骤S03中,以加权二部图的全部顶点和部分边构建二部子图,在模型化的二部子图中依次逐点寻找可行的增广路径,然后把所有的第奇数条边添加到已匹配边中,同时删掉所有的第偶数条边,使得已匹配的边数得到增加,当不能找到增广路径时,算法会计算相应的权值调整参数d以改变二部子图两边的所有点权值,重新构建二部子图,然后再次寻找增广路径,直到最后一个点寻找出可行的增广路径,更新后的匹配结果就是一个最优的出租车调度结果。
优选的,所述权值调整参数d的计算公式为:
d=min{l(ai)+l(bj)-Wij|ai∈S,bj∈(B/T)},其中l(ai),l(bj)和Wij分别表示属于S集合的ai点的权值、属于B/T集合的bj点的权值、以及系统效用值,二部图中点数少的一边记为A集合,另一边记为B集合,将遍历过的属于A集合的点记为S集合,遍历过的属于B集合的点记为T集合,属于S集合的点的权值加上d,属于T集合的点的权值减去d,然后将所有的满足条件Wij=l(ai)+l(bj)的边加入到重新构建的二部子图中。
本发明还公开了一种基于主动分配型的出租车服务系统的最优多车调度系统,包括位于云端的出租车服务中心模块、出租车管理模块和打车乘客的管理模块;
所述出租车服务中心模块,包括调度服务器、通信服务器、数据库和监视器,用于接收乘客的打车请求,然后在时间窗口内收集相应的出租车信息,并存储在云端数据库中,数据库还会存储与出租车相关的参数,包括不同类型的出租车单位距离的收费参数α,成本参数β,及时间参数γ,在完成接收乘客的打车请求信息和收集出租车信息后,调度服务器根据乘客打车请求中的始发地和目的地,以及出租车的当前位置,再考虑地图定位技术和实时交通信息系统,计算出乘客始发地到目的地的最短时间路径上的距离Si,以及出租车当前位置到乘客的始发地的最短时间路径上的距离Sij,然后计算每辆出租车的收益以及乘客的最大等待时间得到出租车的收益矩阵和乘客的等待时间矩阵,其中α、β、γ分别为出租车单位距离的收费参数、成本参数以及时间参数,k表示出租车的类型,Tx表示当前的时间窗口的值;
根据多车分配问题中的限制条件,根据系统效用函数计算系统效用值矩阵,系统效用函数为:
其中,π表示分配策略,以一个n×m的矩阵表示(n表示乘客数目,m表示出租车数目),当πij=1表示第j辆出租车被分配给第i个打车的乘客,K表示出租车总的种类,λ为司机的收益和乘客的等待时间的比例参数;
执行调度过程,整个分配过程是基于加权二部图,在此加权二部图中,一边是由所有的乘客组成的集合,另一边是由收集的空闲出租车组成的集合,带权的边是计算的系统效用值,在此加权二部图中依次逐点寻找可行的增广路径,扩充已匹配的边的数量,当在最后一个点得到可行的增广路径时,更新后的匹配边就是最优的出租车调度结果,并返回调度结果给乘客和司机;
所述出租车管理模块,用于实时管理出租车信息,包括:出租车ID、是否载客状态、出租车的类型、出租车的实时位置、以及出租车司机的最小收益阈值θ;
所述打车乘客的管理模块,用于管理发送打车请求的乘客的相关信息,包括:乘客的ID、请求的出租车类型、始发地和目的地。
优选的,所述调度服务器以加权二部图的全部顶点和部分边构建二部子图,在模型化的二部子图中依次逐点寻找可行的增广路径,然后把所有的第奇数条边添加到已匹配边中,同时删掉所有的第偶数条边,使得已匹配的边数得到增加,当不能找到增广路径时,算法会计算相应的权值调整参数d以改变二部子图两边的所有点权值,重新构建二部子图,然后再次寻找增广路径,直到最后一个点经过不断地修改参数后寻找出可行的增广路径,更新后的匹配结果就是一个最优的出租车调度结果。
优选的,所述权值调整参数d的计算公式为:
d=min{l(ai)+l(bj)-Wij|ai∈S,bj∈(B/T)},其中l(ai),l(bj)和Wij分别表示属于S集合的ai点的权值、属于B/T集合的bj点的权值、以及系统效用值,二部图中点数少的一边记为A集合,另一边记为B集合,将遍历过的属于A集合的点记为S集合,遍历过的属于B集合的点记为T集合,属于S集合的点的权值加上d,属于T集合的点的权值减去d,然后将所有的满足条件Wij=l(ai)+l(bj)的边加入到重新构建的二部子图中。
优选的,所述多车分配问题中的限制条件包括,司机的收益大于其最小阈值;乘客所请求的出租车类型和分配的出租车类型保持一致;每辆车至多对应一个乘客及每个乘客最多分配一辆车。
与现有技术相比,本发明的优点是:
(1)不同于传统打车系统中的抢单模式,本发明的出租车服务系统采用主动分配的模式来调度出租车。在结合了司机的收益和乘客的等待时间后,本发明采用系统效用值作为最终的优化目标。在进行调度的过程中,打车系统不仅考虑到出租车空载时的成本,还更加人性化地考虑到多种车型的需求,同时还加入了司机对每次派单的纯收益的最小阈值限制,在这种更加符合实际的新型打车系统中,寻找出最优的出租车分配方案,具有很强的商业价值。
(2)本发明方法在改变时间窗口大小、参数λ、空闲出租车数目和乘客数目的情况下,使用本发明得到的系统效用值均大于以下三个算法:分配最近的出租车给乘客、最大化出租车司机的纯收益、及稳定匹配算法。在调整参数λ的值时,虽然在部分情况下使用本发明得到的出租车的平均收益可能会小于最大化出租车的纯收益的算法,但是本发明得到的乘客的平均等待时间是较小的,也就能够保证结合了司机收益和乘客等待时间的系统效用值是最小的。因而本发明具有很强的实用价值,对基于主动分配型的出租车服务系统的最优多车联合调度方法的普及上有着广泛的市场前景。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1是本发明基于主动分配型的出租车服务系统的最优多车调度方法的流程图;
图2是本发明一较佳实施例的系统功能实现结构示意图;
图3是本发明一较佳实施例的仿真实验使用的真实数据集信息汇总;
图4是本发明一较佳实施例的参数λ对系统效用结果的影响示意图;
图5是本发明一较佳实施例的时间窗口对系统效用结果的影响示意图;
图6是本发明一较佳实施例的乘客数目对系统效用结果的影响示意图;
图7是本发明一较佳实施例的空闲出租车数目对系统效用结果的影响示意图;
图8是本发明一较佳实施例的时间窗口大小对乘客的平均等待时间结果的影响示意图;
图9是本发明一较佳实施例的参数λ对乘客的平均等待时间结果的影响示意图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
实施例:
如图1所示,一种基于主动分配型的出租车服务系统中的多车调度方法,包括以下步骤:
(1)乘客发送打车请求给出租车服务中心,请求内容包含其需要的出租车类型、乘客当前位置(始发地)、及其目的地。出租车服务中心在时间窗口内,会收集所有已注册的出租车信息状态,根据出租车是否载客状态,筛选出所有空闲的出租车,并且按照其ID进行编号。
(2)出租车服务中心根据地图定位技术和实时交通信息系统,计算出租车当前位置到乘客的当前位置的耗时最短的路径距离(矩阵表示),以及乘客始发地到目的地的耗时最短的路径长度。再根据存储的出租车参数(α、β、γ),出租车服务中心可以计算出乘客的等待时间矩阵,以及司机的收益矩阵。在计算司机的收益时,需考虑出租车从其当前位置前往乘客的始发地的空载成本。然后出租车服务中心会在同时考虑出租车的最小收益阈值θ、乘客所请求的出租车类型和所分配的车型保证一致、每辆车最多对应一个乘客及每个乘客最多分配一辆车这三方面限制条件,把司机的收益和乘客的等待时间通过比例参数(即λ)结合起来,即为系统效用函数,如下所示:
其中Si,Sij,Tx分别表示乘客的始发地到目的地的距离、出租车当前位置到乘客的始发地的距离、时间窗口的大小。π表示分配策略,以一个n×m的矩阵表示(n表示乘客数目,m表示出租车数目),当πij=1表示第j辆出租车被分配给第i个打车的乘客。K表示出租车总的种类,不同类型的出租车单位距离的收费参数α,成本参数β,以及时间参数γ是不同的。
(3)出租车服务中心在得到系统效用值矩阵后,开始进行多车联合调算法。在此过程中,用到最重要的概念就是图论中的二部子图和增广路径。在本发明中,加权二部图的一边是由出租车组成的顶点集合,另外一边是由乘客组成的顶点集合,带权的边就是计算出来的系统效用值。而二部子图就是由完全二部图的全部顶点和部分边组成的一个新的二部图。在定义增广路径之前,先说明另一个概念就是交替路,即从一个未匹配点出发,依次经过非匹配边、匹配边、非匹配边…形成的路径就是交替路。而增广路径是从一个未匹配点出发,走交替路,如果途经另一个未匹配点(出发点不算),则这条路径就叫做增广路径。一条增广路径包含以下几个特性:①具有奇数条边,且第奇数边的数目比第偶数边的数目多一条;②起点在二部图的一边,终点在其另外一边,包含的顶点在二部图的两边交替出现;③增广路中不会包含重复的顶点;④起点和终点都不包含在已经匹配的边中,而其他的点都包含在已经匹配的边中。
本发明用到的出租车调度算法的主要思想就是不断地在模型化的二部子图依次逐点寻找可行的增广路,然后把所有的第奇数条边添加到已匹配边中,同时删除掉所有的第偶数条边,这样就使得已匹配的边数得到增加(增广路特性)。
当不能找到增广路时,算法会计算权值调整参数d以改变二部图两边的点权值,注意的是算法会存储寻找增广路时遍历的点,同时为了方便描述,我们将二部图中点数少的一边记为A集合,另一边记为B集合,所以计算参数d的过程如下:将遍历过的属于A集合的点记为S集合,遍历过的属于B集合的点记为T集合,再根据每个点的点权值,用以下的公式计算参数d=min{l(ai)+l(bj)-Wij|ai∈S,bj∈(B/T)},其中l(ai),l(bj)和Wij分别表示属于S集合的ai点的权值、属于B/T集合的bj点的权值、以及系统效用值。在得到参数d后,属于S集合的点的权值加上d,同时属于T集合的点的权值减去d。然后将所有的满足条件Wij=l(ai)+l(bj)的边加入到重新构建的二部子图中,再次寻找增广路。通过不断地计算权值调整参数d,修改二部图的两边的点权值,算法就可以更新加权二部子图结构,以便寻找可行的增广路径。值得注意的是如果计算出的权值调整参数d的值为无穷大,表示没有可匹配的边和这个点连接,那就跳过此点到下个点继续上述的寻找增广路和计算权值调整参数d的过程。
不断地修改权值调整参数d后(d不为无穷大),直到最后一个点,寻找出可行的增广路,那么更新后的匹配边就是一个最优的出租车调度结果(增广路定理)。注意的是在二部图中搜索增广路一般有两种方法:宽度搜索和深度搜索。深度搜索容易理解和实现,其栈可以由递归过程来维护,而宽度搜索则需要维护一个队列,并对一路走过的路线做标记,实现比较麻烦。所以本发明采用的是深度搜索方法。
图2给出了基于本发明的相关系统的功能实现结构图,如图2所示,本发明主要包括以下几个模块:(1)位于云端的出租车服务中心模块,服务中心模块主要包括调度服务器、通信服务器、数据库、监视器等,其主要功能是接收乘客的打车请求,然后在时间窗口内收集相应的出租车状态信息,并且存储在云端数据库中。同时,位于服务中心中的数据库还会存储与出租车相关的参数,包括不同类型的出租车单位距离的收费参数α,成本参数β,及时间参数γ。在完成接收乘客的打车请求信息和收集出租车的状态信息后,调度服务器会根据收集到的信息执行出租车和乘客的匹配算法,并返回调度结果给乘客和司机。(2)出租车管理模块,主要功能是实时地管理出租车的状态信息,包括:出租车ID、是否载客状态、出租车的类型(SUV型,禁烟型等)、出租车的实时位置、以及出租车司机的最小收益阈值θ等用于描述出租车情况的信息。(3)打车乘客的管理模块,主要功能是管理发送打车请求的乘客的相关信息,包括:乘客的ID、乘客请求的出租车类型、当前位置、目的地等描述打车乘客的信息。
系统的工作流程如下:
(1)首先,乘客会手机客户端发送打车请求给位于云端的出租车服务中心,打车请求包括乘客的ID、所请求的出租车类型(比如SUV型,禁烟型等)、始发地和目的地。在特定的时间窗口内,服务中心通过无线网络收集处于空闲状态的、在系统中已注册过的出租车信息,包括出租车ID、出租车类型、当前位置和出租车司机的收益的最小阈值;
(2)然后服务中心会根据地图定位技术和实时交通信息系统,计算出出租车到乘客的最短时间的路径距离(矩阵形式),以及乘客从始发地到目的地的最短时间的路径距离。再根据出租车单位距离向乘客收取的费用、成本、花费时间以及时间窗口的大小等参数,分别计算出租车司机在接送乘客后的纯收益(矩阵形式),以及乘客的最大等待时间;
(3)根据司机的收益最小阈值、保证分配的车型和乘客请求的车型一致、每辆车至多对应一个乘客以及每个乘客至多分配一辆车的限制,服务中心会计算出系统效用值(矩阵形式),司机纯收益小于阈值的系统效用值在矩阵中被设置为负无穷大。系统效用值是为了平衡出租车的收益和乘客的等待时间,在这个效用函数中,我们考虑到了出租车种类和出租车的空载成本;
(4)服务中心执行调度过程,整个分配过程是基于加权二部图。在此加权二部图中,一边是由所有的乘客组成的集合,另一边是由收集的空闲出租车组成的集合。通过不断地在此加权二部图中寻找增广路径,以扩充已匹配的边的数量(增广路径的特性)。当找不到增广路径时,算法会修改权值调整参数d来调整两边的点权值以更新加权二部子图结构,在新的二部子图中寻找增广路。直到在最后一个点得到可行的增广路后,更新得到的匹配结果就是最优的匹配结果(增广路径定理);
(5)出租车服务中心会根据得到的基于加权二部图的匹配结果,返回这些结果给乘客和出租车司机。司机就是根据得到的订单前往乘客的始发地接送乘客,到达目的后乘客付费,整个调度过程结束。
本案例在基于真实的出租车数据集下测试显示出很好的实验结果,具有很强的实用意义。实施例的仿真实验使用的真实数据集信息汇总如图3所示,本案例实验测试说明如图4-图9所示,在改变时间窗口大小、参数λ、空闲出租车数目和乘客数目的情况下,使用本发明得到的系统效用值均大于以下三个算法:分配最近的出租车给乘客、最大化出租车司机的纯收益、及稳定匹配算法。而且本发明得到的乘客的平均等待时间也是小于其他三个算法得到的结果。
上述实例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于主动分配型的出租车服务系统的最优多车调度方法,其特征在于,包括以下步骤:
S01:根据乘客打车请求中的始发地和目的地,以及出租车的当前位置,再考虑地图定位技术和实时交通信息系统,计算出乘客始发地到目的地的最短时间路径上的距离Si,以及出租车当前位置到乘客的始发地的最短时间路径上的距离Sij,然后计算每辆出租车的收益以及乘客的最大等待时间得到出租车的收益矩阵和乘客的等待时间矩阵,其中α、β、γ分别为出租车单位距离的收费参数、成本参数以及时间参数,k表示出租车的类型,Tx表示当前的时间窗口的值;
S02:根据多车分配问题中的限制条件,根据系统效用函数计算系统效用值矩阵,所述限制条件包括,司机的收益大于其最小阈值;乘客所请求的出租车类型和分配的出租车类型保持一致;每辆车至多对应一个乘客及每个乘客最多分配一辆车,系统效用函数为:
其中,π表示分配策略,以一个n×m的矩阵表示,n表示乘客数目,m表示出租车数目,当πij=1表示第j辆出租车被分配给第i个打车的乘客,K表示出租车总的种类,λ为司机的收益和乘客的等待时间的比例参数;
S03:出租车服务中心执行调度过程,整个分配过程基于加权二部图,在此加权二部图中,一边是由所有的乘客组成的集合,另一边是由收集的空闲出租车组成的集合,带权的边是计算的系统效用值,在此加权二部图中依次逐点寻找可行的增广路径,扩充已匹配的边的数量,当最后一个点在修改权值调整参数得到增广路径后,更新后的匹配边就是最优的出租车调度结果。
2.根据权利要求1所述的基于主动分配型的出租车服务系统的最优多车调度方法,其特征在于,所述步骤S01之前还包括,乘客发送打车请求给出租车服务中心,打车请求包括乘客的ID、请求的出租车类型、始发地和目的地;出租车服务中心在时间窗口内,收集所有已注册的出租车信息,根据出租车是否载客状态,筛选出空闲的出租车,并且按照其ID进行编号。
3.根据权利要求2所述的基于主动分配型的出租车服务系统的最优多车调度方法,其特征在于,所述出租车信息包括出租车ID、是否载客状态、出租车的类型、出租车的实时位置以及司机收益的最小阈值θ。
4.根据权利要求1所述的基于主动分配型的出租车服务系统的最优多车调度方法,其特征在于,所述步骤S03中,以加权二部图的全部顶点和部分边构建二部子图,在模型化的二部子图中依次逐点寻找可行的增广路径,然后把所有的第奇数条边添加到已匹配边中,同时删掉所有的第偶数条边,使得已匹配的边数得到增加,当不能找到增广路径时,计算权值调整参数d以改变二部子图两边的所有点权值,重新构建二部子图,然后再次寻找增广路径,直到最后一个点。
5.根据权利要求4所述的基于主动分配型的出租车服务系统的最优多车调度方法,其特征在于,所述权值调整参数d的计算公式为:
d=min{l(ai)+l(bj)-Wij|ai∈S,bj∈(B/T)},其中l(ai),l(bj)和Wij分别表示属于S集合的ai点的权值、属于B/T集合的bj点的权值、以及系统效用值,二部图中点数少的一边记为A集合,另一边记为B集合,将遍历过的属于A集合的点记为S集合,遍历过的属于B集合的点记为T集合,属于S集合的点的权值加上d,属于T集合的点的权值减去d,然后将所有的满足条件Wij=l(ai)+l(bj)的边加入到重新构建的二部子图中。
6.一种基于主动分配型的出租车服务系统的最优多车调度系统,包括位于云端的出租车服务中心模块、出租车管理模块和打车乘客的管理模块,其特征在于,
所述出租车服务中心模块,包括调度服务器、通信服务器、数据库和监视器,用于接收乘客的打车请求,然后在时间窗口内收集相应的出租车信息,并存储在云端数据库中,数据库还会存储与出租车相关的参数,包括不同类型的出租车单位距离的收费参数α,成本参数β,及时间参数γ,在完成接收乘客的打车请求信息和收集出租车信息后,调度服务器根据乘客打车请求中的始发地和目的地,以及出租车的当前位置,再考虑地图定位技术和实时交通信息系统,计算出乘客始发地到目的地的最短时间路径上的距离Si,以及出租车当前位置到乘客的始发地的最短时间路径上的距离Sij,然后计算每辆出租车的收益以及乘客的最大等待时间得到出租车的收益矩阵和乘客的等待时间矩阵,其中α、β、γ分别为出租车单位距离的收费参数、成本参数以及时间参数,k表示出租车的类型,Tx表示当前的时间窗口的值;
根据多车分配问题中的限制条件,根据系统效用函数计算系统效用值矩阵,所述限制条件包括,司机的收益大于其最小阈值;乘客所请求的出租车类型和分配的出租车类型保持一致;每辆车至多对应一个乘客及每个乘客最多分配一辆车,系统效用函数为:
其中,π表示分配策略,以一个n×m的矩阵表示,n表示乘客数目,m表示出租车数目,当πij=1表示第j辆出租车被分配给第i个打车的乘客,K表示出租车总的种类,λ为司机的收益和乘客的等待时间的比例参数;
执行调度过程,整个分配过程是基于加权二部图,在此加权二部图中,一边是由所有的乘客组成的集合,另一边是由收集的空闲出租车组成的集合,带权的边是计算的系统效用值,在此加权二部图中依次逐点寻找可行的增广路径,扩充已匹配的边的数量,当最后一个点在修改权值调整参数得到增广路径后,更新后的匹配边就是最优的出租车调度结果,返回调度结果给乘客和司机;
所述出租车管理模块,用于实时管理出租车信息,包括:出租车ID、是否载客状态、出租车的类型、出租车的实时位置、以及出租车司机的最小收益阈值θ;
所述打车乘客的管理模块,用于管理发送打车请求的乘客的相关信息,包括:乘客的ID、请求的出租车类型、始发地和目的地。
7.根据权利要求6所述的基于主动分配型的出租车服务系统的最优多车调度系统,其特征在于,所述调度服务器以加权二部图的全部顶点和部分边构建二部子图,在模型化的二部子图中依次逐点寻找可行的增广路径,然后把所有的第奇数条边添加到已匹配边中,同时删掉所有的第偶数条边,使得已匹配的边数得到增加,当不能找到增广路径时,计算权值调整参数d以改变二部子图两边的所有点权值,重新构建二部子图,然后再次寻找增广路径,直到最后一个点。
8.根据权利要求7所述的基于主动分配型的出租车服务系统的最优多车调度系统,其特征在于,所述权值调整参数d的计算公式为:
d=min{l(ai)+l(bj)-Wij|ai∈S,bj∈(B/T)},其中l(ai),l(bj)和Wij分别表示属于S集合的ai点的权值、属于B/T集合的bj点的权值、以及系统效用值,二部图中点数少的一边记为A集合,另一边记为B集合,将遍历过的属于A集合的点记为S集合,遍历过的属于B集合的点记为T集合,属于S集合的点的权值加上d,属于T集合的点的权值减去d,然后将所有的满足条件Wij=l(ai)+l(bj)的边加入到重新构建的二部子图中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610986749.7A CN106448138B (zh) | 2016-11-09 | 2016-11-09 | 基于主动分配型的出租车服务系统的最优多车调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610986749.7A CN106448138B (zh) | 2016-11-09 | 2016-11-09 | 基于主动分配型的出租车服务系统的最优多车调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106448138A CN106448138A (zh) | 2017-02-22 |
CN106448138B true CN106448138B (zh) | 2019-01-25 |
Family
ID=58208791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610986749.7A Expired - Fee Related CN106448138B (zh) | 2016-11-09 | 2016-11-09 | 基于主动分配型的出租车服务系统的最优多车调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106448138B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106781447A (zh) * | 2017-02-28 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 一种智能出租车调度通信方法 |
CN107590722A (zh) * | 2017-09-15 | 2018-01-16 | 中国科学技术大学苏州研究院 | 基于反向拍卖的移动打车服务系统的订单分配方法 |
CN107808291A (zh) * | 2017-09-19 | 2018-03-16 | 北京小艾智联科技有限公司 | 一种净水设备租赁运营系统及方法 |
CN109993328B (zh) * | 2017-12-29 | 2022-09-09 | 北京嘀嘀无限科技发展有限公司 | 网络约车订单分配方法和装置 |
CN109978193A (zh) * | 2017-12-28 | 2019-07-05 | 北京嘀嘀无限科技发展有限公司 | 网络约车订单分配方法和装置 |
WO2019128477A1 (en) * | 2017-12-28 | 2019-07-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for assigning service requests |
CN108921356A (zh) * | 2018-07-13 | 2018-11-30 | 安徽灵图壹智能科技有限公司 | 一种厂区无人驾驶通勤车最优载客方法 |
CN109583634A (zh) * | 2018-11-16 | 2019-04-05 | 西北工业大学 | 一种基于现代投资组合理论的外卖配送路径选择方法 |
CN109583770A (zh) * | 2018-11-28 | 2019-04-05 | 清华四川能源互联网研究院 | 车辆调度方法及装置 |
CN109544023A (zh) * | 2018-11-29 | 2019-03-29 | 与德科技有限公司 | 一种乘车管理方法、装置、终端及存储介质 |
CN109670224B (zh) * | 2018-12-07 | 2023-11-21 | 天津理工大学 | 一种多机器人服务圆形区域搜索算法 |
CN109859458B (zh) * | 2019-01-17 | 2020-06-30 | 深圳市泰比特科技有限公司 | 一种基于车辆大数据的车辆调度方法及系统 |
CN110570100A (zh) * | 2019-08-20 | 2019-12-13 | 南京领行科技股份有限公司 | 一种基于实时单行程车辆的实时单派单方法和装置 |
CN110543960A (zh) * | 2019-08-20 | 2019-12-06 | 南京领行科技股份有限公司 | 一种派单方法和装置 |
CN110428080A (zh) * | 2019-08-20 | 2019-11-08 | 南京领行科技股份有限公司 | 一种基于空闲行程车辆的实时出行订单的派单方法和装置 |
CN110889591A (zh) * | 2019-10-29 | 2020-03-17 | 淮阴工学院 | 一种机场出租车载客问题的决策方法 |
CN111768629B (zh) * | 2019-11-04 | 2022-04-12 | 北京京东乾石科技有限公司 | 车辆调度方法、装置和系统 |
CN111340543B (zh) * | 2020-02-25 | 2024-03-22 | 上海大学 | 一种基于注意力机制的细粒度打车需求预测方法 |
CN116453323B (zh) * | 2023-04-11 | 2024-05-28 | 湖南大学 | 基于多车型和空车再平衡的出租车调度方法及调度系统 |
CN116168530B (zh) * | 2023-04-21 | 2023-07-04 | 盐城市羽林科技有限公司 | 一种出租车智能调度分配系统 |
CN117575124A (zh) * | 2024-01-16 | 2024-02-20 | 北京全路通信信号研究设计院集团有限公司 | 一种轨道交通货运配空方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5801943A (en) * | 1993-07-23 | 1998-09-01 | Condition Monitoring Systems | Traffic surveillance and simulation apparatus |
US8134946B2 (en) * | 2007-06-27 | 2012-03-13 | Nec Laboratories America, Inc. | System and method for scheduling in relay-assisted wireless networks |
CN102521335A (zh) * | 2010-11-29 | 2012-06-27 | 微软公司 | 知晓时间-位置的移动查询建议 |
CN104065932A (zh) * | 2014-06-30 | 2014-09-24 | 东南大学 | 一种基于修正加权二部图的无重叠视域目标匹配方法 |
CN104408910A (zh) * | 2014-11-24 | 2015-03-11 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 多方有益的出租车拼车调度方法 |
CN204904561U (zh) * | 2015-02-17 | 2015-12-23 | 北京九五智驾信息技术股份有限公司 | 提供车辆服务的系统 |
CN105894847A (zh) * | 2016-06-27 | 2016-08-24 | 华南理工大学 | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 |
CN105894099A (zh) * | 2016-04-02 | 2016-08-24 | 北京东方车云信息技术有限公司 | 一种统一处理实时和预约请求的车辆调度方法及系统 |
-
2016
- 2016-11-09 CN CN201610986749.7A patent/CN106448138B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5801943A (en) * | 1993-07-23 | 1998-09-01 | Condition Monitoring Systems | Traffic surveillance and simulation apparatus |
US8134946B2 (en) * | 2007-06-27 | 2012-03-13 | Nec Laboratories America, Inc. | System and method for scheduling in relay-assisted wireless networks |
CN102521335A (zh) * | 2010-11-29 | 2012-06-27 | 微软公司 | 知晓时间-位置的移动查询建议 |
CN104065932A (zh) * | 2014-06-30 | 2014-09-24 | 东南大学 | 一种基于修正加权二部图的无重叠视域目标匹配方法 |
CN104408910A (zh) * | 2014-11-24 | 2015-03-11 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 多方有益的出租车拼车调度方法 |
CN204904561U (zh) * | 2015-02-17 | 2015-12-23 | 北京九五智驾信息技术股份有限公司 | 提供车辆服务的系统 |
CN105894099A (zh) * | 2016-04-02 | 2016-08-24 | 北京东方车云信息技术有限公司 | 一种统一处理实时和预约请求的车辆调度方法及系统 |
CN105894847A (zh) * | 2016-06-27 | 2016-08-24 | 华南理工大学 | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 |
Non-Patent Citations (2)
Title |
---|
局内出租车调度与竞争算法;徐寅峰 王刊良;《西安交通大学学报》;19970630;第31卷;正文第56-60页 |
带时间窗的局内开放式停车调度问题的竞争分析;戴敏 等;《系统工程》;20060430;第24卷(第148期);正文第93-95页 |
Also Published As
Publication number | Publication date |
---|---|
CN106448138A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106448138B (zh) | 基于主动分配型的出租车服务系统的最优多车调度方法 | |
Miao et al. | Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology | |
CN107766994B (zh) | 一种共享自行车调度方法与调度系统 | |
Cheng et al. | Cooperation-aware task assignment in spatial crowdsourcing | |
Kim et al. | A shared parking model in vehicular network using fog and cloud environment | |
CN103854472B (zh) | 出租车云智能调度方法及系统 | |
CN105139505B (zh) | 一种银行业务办理的非定时预约远程排队方法及系统 | |
CN109819047B (zh) | 一种基于激励机制的移动边缘计算资源分配方法 | |
Gao et al. | Optimal multi-taxi dispatch for mobile taxi-hailing systems | |
CN105426997A (zh) | 城市公共自行车智能调度与运用管理系统及其实现方法 | |
CN103546583B (zh) | 群智感知系统及群智感知方法 | |
CN109784523A (zh) | 一种基于多目标优化的网约车智能分配订单方法 | |
CN109816128A (zh) | 网约车订单的处理方法、装置、设备及可读存储介质 | |
Angelopoulos et al. | Incentivization schemes for vehicle allocation in one-way vehicle sharing systems | |
CN109308538A (zh) | 成交转化率预测方法及装置 | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
CN105489061A (zh) | 公共自行车云端智能泊车及调配系统 | |
CN115860441B (zh) | 工单信息的生成方法、装置、计算机设备 | |
Manna et al. | Online stochastic planning for taxi and ridesharing | |
CN110262880B (zh) | 一种面向分布式数据中心能耗开销优化的作业调度方法 | |
CN109040193A (zh) | 基于无依赖子任务的移动设备云资源分配方法 | |
Ren et al. | Efficient Cross Dynamic Task Assignment in Spatial Crowdsourcing | |
Shi et al. | Routing electric vehicle fleet for ride-sharing | |
Chen et al. | Delay-aware incentive mechanism for crowdsourcing with vehicles in smart cities | |
CN115146907A (zh) | 一种考虑电动汽车的电网调度系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190125 Termination date: 20211109 |