CN107153882B - 乘客打车时刻分布区间的预测方法和系统 - Google Patents

乘客打车时刻分布区间的预测方法和系统 Download PDF

Info

Publication number
CN107153882B
CN107153882B CN201610122417.4A CN201610122417A CN107153882B CN 107153882 B CN107153882 B CN 107153882B CN 201610122417 A CN201610122417 A CN 201610122417A CN 107153882 B CN107153882 B CN 107153882B
Authority
CN
China
Prior art keywords
variance
taxi taking
time
unbiased estimation
distribution
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
Application number
CN201610122417.4A
Other languages
English (en)
Other versions
CN107153882A (zh
Inventor
张凌宇
程维
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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
Priority to CN201610122417.4A priority Critical patent/CN107153882B/zh
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to SG11201708267YA priority patent/SG11201708267YA/en
Priority to GB1716362.7A priority patent/GB2553455A/en
Priority to MYPI2017001463A priority patent/MY184334A/en
Priority to KR1020177028460A priority patent/KR20180013852A/ko
Priority to AU2016102431A priority patent/AU2016102431A4/en
Priority to AU2016395338A priority patent/AU2016395338A1/en
Priority to PCT/CN2016/109915 priority patent/WO2017148202A1/en
Priority to BR112017021479A priority patent/BR112017021479A2/pt
Priority to EP16892380.3A priority patent/EP3320493A1/en
Priority to CN201680083128.6A priority patent/CN108701279B/zh
Priority to JP2017552975A priority patent/JP6737805B2/ja
Publication of CN107153882A publication Critical patent/CN107153882A/zh
Priority to US15/721,836 priority patent/US10740701B2/en
Priority to PH12017550108A priority patent/PH12017550108A1/en
Priority to US16/920,622 priority patent/US11348042B2/en
Priority to JP2020121793A priority patent/JP7063951B2/ja
Application granted granted Critical
Publication of CN107153882B publication Critical patent/CN107153882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • 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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q50/40—
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Abstract

本发明涉及一种乘客打车时刻分布区间的预测方法和系统，该方法包括：获取在预设区域和第一预设时间段内多个乘客使用打车平台打车的时刻，形成历史打车时刻序列；根据预设的方差无偏估计公式，对所述历史打车时刻序列的方差进行无偏估计；根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间。本发明对历史打车时刻序列的方差进行估计，获知这些打车时刻的大致分布情况，因此可以预测出未来时间段内乘客打车时刻的分布区间，进而在乘客打车时刻的集中分布区间内派出较多的车辆，而在乘客打车时刻的分散分布区间派出较少的车辆，以避免出现空载车辆较多及供不应求的情况。

Description

乘客打车时刻分布区间的预测方法和系统
技术领域
本发明涉及数据处理领域，特别是一种乘客打车时刻分布区间的预测方法和系统。
背景技术
目前，打车软件已经成为人们日常出行的重要工具，调度中心根据人们在打车软件中的用车请求对车辆进行调度，进而满足其用车需求。在实际中，由于在不同的区域、不同的时段，有车辆需求的乘客数量不同，因此有可能出现处于空载状态的车辆过多的情况，当然也有可能出现供不应求的情况。
因此，若想避免空载车辆较多、供不应求的情况，有必要了解在某一区域某一时间段内的乘客打车时刻的大致分布情况，为提供一种与车辆需求量相匹配的车辆派出方案提供支持。
发明内容
为此，本发明提供一种乘客打车时刻分布区间的预测方法和系统，可以预测出在预设区域、未来一预设时间段内的乘客打车时刻分布区间，进而在乘客打车时刻的集中分布区间内派出较多的车辆，而在乘客打车时刻的分散分布区间派出较少的车辆，以避免出现空载车辆较多及供不应求的情况。
第一方面，本发明提供的乘客打车时刻分布区间的预测方法，包括：
获取在预设区域和第一预设时间段内多个乘客使用打车平台打车的时刻，形成历史打车时刻序列；
根据预设的方差无偏估计公式，对所述历史打车时刻序列的方差进行无偏估计；
根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间。
可选的，所述方差无偏估计公式为：
Figure GDA0003072591660000021
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure GDA0003072591660000022
为X中所有时刻的平均值，n为X中时刻的个数。
可选的，所述方差无偏估计公式为：
Figure GDA0003072591660000023
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure GDA0003072591660000024
为X中所有时刻的平均值，n为X中时刻的个数，η为惩罚系数，c为X中所有时刻对应的打车地址的个数。
可选的，所述根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间，包括：
根据预设的方差分布模型，确定无偏估计得到的方差的波动区间；
根据所述波动区间，预测所述时刻分布区间；
其中，所述方差分布模型为无偏估计得到的方差与
Figure GDA0003072591660000025
的乘积的分布模型，n为历史打车时刻序列中时刻的个数，σ为历史打车时刻序列的理论标准差。
可选的，所述方差分布模型为n-1个正态分布变量的平方和的分布模型。
第二方面，本发明提供的乘客打车时刻分布区间的预测系统，包括：
获取模块，用于获取在预设区域和第一预设时间段内多个乘客使用打车平台打车的时刻，形成历史打车时刻序列；
估计模块，用于根据预设的方差无偏估计公式，对所述历史打车时刻序列的方差进行无偏估计；
预测模块，用于根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间。
可选的，所述估计模块中采用的方差无偏估计公式为：
Figure GDA0003072591660000031
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure GDA0003072591660000032
为X中所有时刻的平均值，n为X中时刻的个数。
可选的，所述估计模块中采用的方差无偏估计公式为：
Figure GDA0003072591660000033
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure GDA0003072591660000034
为X中所有时刻的平均值，n为X中时刻的个数，η为惩罚系数，c为X中所有时刻对应的打车地址的个数。
可选的，所述预测模块具体用于：
根据预设的方差分布模型，确定无偏估计得到的方差的波动区间；
根据所述波动区间，预测所述时刻分布区间；
其中，所述方差分布模型为无偏估计得到的方差与
Figure GDA0003072591660000035
的乘积的分布模型，n为历史打车时刻序列中时刻的个数，σ为历史打车时刻序列的理论标准差。
可选的，所述方差分布模型为n-1个正态分布变量的平方和的分布模型。
根据以上技术方案，本发明对若干个打车时刻形成的历史打车时刻序列的方差进行估计，由于根据估计得到的方差可以获知这些打车时刻的大致分布情况，因此可以预测出未来时间段内乘客打车时刻的分布区间，进而在乘客打车时刻的集中分布区间内派出较多的车辆，满足较多用户的用车需求，而在乘客打车时刻的分散分布区间派出较少的车辆，以降低车辆资源的浪费，以避免出现空载车辆较多及供不应求的情况。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，还可以根据这些图获得其他的附图。
图1示出了本公开一实施例提供的乘客打车时刻分布区间的预测方法的流程示意图；
图2示出了本公开另一实施例提供的乘客打车时刻分布区间的预测系统的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
如图1所示，本公开一实施例提供了一种乘客打车时刻分布区间的预测方法，该方法包括：
S1、获取在预设区域和第一预设时间段内多个乘客使用打车平台打车的时刻，形成历史打车时刻序列；
可以理解的是，所谓的预设区域，可以是某个城市，也可以是城市内的某个区。对于中小城市来说，区域可以是整个城市，而对于一线的大城市来说，区域可以是城市中的某个区，例如北京市海淀区。
可以理解的是，历史打车时刻序列为所获取的各个打车时刻的集合，对于各个时刻没有顺序要求。举例来说，历史打车时刻序列中包括在北京市海淀区、春节期间内，80个乘客使用滴滴打车软件打车的时刻。
S2、根据预设的方差无偏估计公式，对所述历史打车时刻序列的方差进行无偏估计；
S3、根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间。
本实施例提供的乘客打车时刻分布区间的预测方法中，对若干个打车时刻形成的历史打车时刻序列的方差进行估计，由于根据估计得到的方差可以获知这些打车时刻的大致分布情况，因此可以预测出未来时间段内乘客打车时刻的分布区间，例如根据北京市海淀区去年在十一假期期间内的历史打车时刻，预测北京市海淀区今年十一假期内的乘客打车时刻分布区间，进而在该预设区域内乘客打车时刻的集中分布区间内派出较多的车辆，满足较多用户的用车需求，而在该预设区域内乘客打车时刻的分散分布区间内派出较少的车辆，以降低车辆资源的浪费，以避免出现空载车辆较多及供不应求的情况。
可以理解的是，本实施例中采用方差无偏估计公式对方差进行估计，由于在实际中形成的历史打车时刻序列中不可能包括无限数量的历史打车时刻，而本实施例中采用方差无偏估计公式可以根据有限数量的历史打车时刻，估计历史打车时刻序列的方差，减少由于样本数量较少造成的计算偏差。下面本实施例提供两个可选的方差无偏估计公式，第一个方差无偏估计公式为：
Figure GDA0003072591660000061
其中，D'(X)为采用该方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure GDA0003072591660000062
为X中所有时刻的平均值，n为X中时刻的个数。
下面对上述方差无偏估计公式进行简略推导，以证明其相对传统的方差计算公式可以减小一定的偏差：
传统的方差计算公式为
Figure GDA0003072591660000063
采用传统的方差计算公式推导方差的期望值：
Figure GDA0003072591660000064
将
Figure GDA0003072591660000065
带入上式后得到：
Figure GDA0003072591660000066
由于D(X)＝E(X2)-E(X)2，故
Figure GDA0003072591660000071
其中，μ为乘客打车时刻的实际期望值，σ为乘客打车时刻的实际标准差；
进而，
Figure GDA0003072591660000072
当n很大的时候，
Figure GDA0003072591660000073
也就是说，在统计意义下，可以采用传统的方差计算公式对方差进行估计。而在正常的打车业务场景下，n通常小于100，再用传统的方差计算公式进行计算，就会产生较大的偏差。
经上面的推导发现，
Figure GDA0003072591660000074
对上式进行变换，得到
Figure GDA0003072591660000075
进一步地，
Figure GDA0003072591660000076
因此得到公式：
Figure GDA0003072591660000077
但是，对于打车时刻更少的历史打车时刻序列，第一个方差无偏估计公式可能仍会有一定的偏差，这样在第一个方差无偏估计公式的基础上进一步修正，通过对几组数据进行试验，在第一个方差无偏估计公式的基础上增加一个惩罚系数，得到第二个方差无偏估计公式：
Figure GDA0003072591660000078
其中，D'(X)为采用该方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure GDA0003072591660000081
为X中所有时刻的平均值，n为X中时刻的个数，η为惩罚系数，c为X中所有时刻对应的打车地址的个数。
在实际应用时，可以根据样本数量的多少选择合适的方差无偏估计公式。
在具体实施时，S3的具体过程可包括图1中未示出的：
S31、根据预设的方差分布模型，确定无偏估计得到的方差的波动区间；
其中，所述方差分布模型为无偏估计得到的方差与
Figure GDA0003072591660000082
的乘积的分布模型，n为历史打车时刻序列中历史打车时刻的个数，σ为历史打车时刻序列的理论标准差；
S32、根据所述波动区间，预测所述时刻分布区间。
在实际应用中，可以直接根据方差无偏估计公式估计得到的方差值预测乘客打车时刻的分布区间，但是在实际中存在各种各样的影响因素，导致实际的方差值与估计的方差值之间存在一定的差距，因此本实施例首先确定方差的波动区间，然后再根据波动区间预测乘客打车时刻的分布区间，以提高预测的准确度。
可以理解的是，这里根据方差无偏估计公式估计得到的方差为一个具体的实测值，而σ为一个理论上的标准差，是一个未知值，因此估计得到的方差D'(X)与理论上的标准差σ之间并不是平方的关系，即D'(X)≠σ2，因此无偏估计得到的方差与
Figure GDA0003072591660000083
相乘时是不能相消的。
在具体实施时，方差分布模型可采用n-1个正态分布变量的平方和的分布模型，即
Figure GDA0003072591660000084
下面对
Figure GDA0003072591660000085
的分布模型x(n-1)进行简要推导：
根据大量的数据分析，发现每个乘客的打车时刻服从正态分布，T～N(μ，σ2)，对T做变换，
Figure GDA0003072591660000091
则Z服从标准正态分布。
根据上式对D’的公式进一步化简，得到：
Figure GDA0003072591660000092
然后与一个n阶的正交矩阵A，该矩阵的第一行全部为
Figure GDA0003072591660000093
设一个Y矩阵：
Figure GDA0003072591660000094
令Y＝AZ，
Figure GDA0003072591660000095
由于
Figure GDA0003072591660000096
所以Yi仍为正态分布变量。
Figure GDA0003072591660000097
由于Zi之间相互独立，易知cov(Zi,Zj)＝δij
Figure GDA0003072591660000101
因此，Yi之间也是相互独立的，其中下标i、j、s、t代表为相应矩阵的行或列；
于是，
Figure GDA0003072591660000102
而，
Figure GDA0003072591660000103
所以，
Figure GDA0003072591660000104
即
Figure GDA0003072591660000105
因此，
Figure GDA0003072591660000106
与n-1个正态分布变量的平方和的分布模型相同，即
Figure GDA0003072591660000107
可以理解的是，尽管上述推导过程是针对第一个方差无偏估计公式进行的，实际上针对第二个方差无偏估计公式也是适用的。
基于上述方差分布模型，即可确定波动区间，具体过程可以为：
由以下概率公式进行推导：
Figure GDA0003072591660000111
Figure GDA0003072591660000112
得到波动区间为：
Figure GDA0003072591660000113
其中，
Figure GDA0003072591660000114
为n-1个正态分布变量的平方和的分布模型在横坐标为
Figure GDA0003072591660000115
处的概率的平方，
Figure GDA0003072591660000116
为n-1个正态分布变量的平方和的分布模型在横坐标为
Figure GDA0003072591660000117
处的概率的平方，a为n-1个正态分布变量的平方和的分布模型的置信度。
在具体实施时，S32的具体预测过程可以有多种，例如根据该波动区间的最大值和最小值，分别预测乘客打车时刻的分布区间，然后再取这两个分布区间的交集。再例如，在波动区间内取几个方差值，根据这几个方差值分别预测对应的乘客打车时刻分布区间，对得到的几个分布区间进行一定的运算处理，例如求加权平均，得到最终的乘客打车时刻分布区间。在实际应用中可以根据实际情况设置S32的具体预测过程。
基于相同的发明构思，本公开另一实施例提供了一种乘客打车时刻分布区间的预测系统，如图2所示，该系统100包括：
获取模块101，用于获取在预设区域和第一预设时间段内多个乘客使用打车平台打车的时刻，形成历史打车时刻序列；
估计模块102，用于根据预设的方差无偏估计公式，对所述历史打车时刻序列的方差进行无偏估计；
预测模块103，用于根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间。
可选的，所述估计模块中采用的方差无偏估计公式为：
Figure GDA0003072591660000121
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure GDA0003072591660000122
为X中所有时刻的平均值，n为X中时刻的个数。
可选的，所述估计模块中采用的方差无偏估计公式为：
Figure GDA0003072591660000123
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure GDA0003072591660000124
为X中所有时刻的平均值，n为X中时刻的个数，η为惩罚系数，c为X中所有时刻对应的打车地址的个数。
可选的，所述预测模块具体用于：
根据预设的方差分布模型，确定无偏估计得到的方差的波动区间；
根据所述波动区间，预测所述时刻分布区间；
其中，所述方差分布模型为无偏估计得到的方差与
Figure GDA0003072591660000125
的乘积的分布模型，n为历史打车时刻序列中历史打车时刻的个数，σ为历史打车时刻序列的理论标准差。
可选的，所述方差分布模型为n-1个正态分布变量的平方和的分布模型。
本领域普通技术人员可以理解：实现上述方法实施例的全部或者部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤。
本发明的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种乘客打车时刻分布区间的预测方法，其特征在于，包括：
获取在预设区域和第一预设时间段内多个乘客使用打车平台打车的时刻，形成历史打车时刻序列，所述历史打车时刻序列为所获取的各个打车时刻的无序集合；
根据预设的方差无偏估计公式，对所述历史打车时刻序列的方差进行无偏估计；
根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间；
所述根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间，包括：
根据预设的方差分布模型，确定无偏估计得到的方差的波动区间；
根据所述波动区间，预测所述时刻分布区间。
2.根据权利要求1所述的方法，其特征在于，所述方差无偏估计公式为：
Figure FDA0003072591650000011
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure FDA0003072591650000012
为X中所有时刻的平均值，n为X中时刻的个数。
3.根据权利要求1所述的方法，其特征在于，所述方差无偏估计公式为：
Figure FDA0003072591650000013
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure FDA0003072591650000014
为X中所有时刻的平均值，n为X中时刻的个数，η为惩罚系数，c为X中所有时刻对应的打车地址的个数。
4.根据权利要求1所述的方法，其特征在于，
所述方差分布模型为无偏估计得到的方差与
Figure FDA0003072591650000021
的乘积的分布模型，n为历史打车时刻序列中时刻的个数，σ为历史打车时刻序列的理论标准差。
5.根据权利要求4所述的方法，其特征在于，所述方差分布模型为n-1个正态分布变量的平方和的分布模型。
6.一种乘客打车时刻分布区间的预测系统，其特征在于，包括：
获取模块，用于获取在预设区域和第一预设时间段内多个乘客使用打车平台打车的时刻，形成历史打车时刻序列，所述历史打车时刻序列为所获取的各个打车时刻的无序集合；
估计模块，用于根据预设的方差无偏估计公式，对所述历史打车时刻序列的方差进行无偏估计；
预测模块，用于根据无偏估计得到的方差，预测在所述预设区域内乘客使用所述打车平台在第二预设时间段内打车的时刻分布区间；
所述预测模块具体用于：
根据预设的方差分布模型，确定无偏估计得到的方差的波动区间；
根据所述波动区间，预测所述时刻分布区间。
7.根据权利要求6所述的系统，其特征在于，所述估计模块中采用的方差无偏估计公式为：
Figure FDA0003072591650000022
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure FDA0003072591650000023
为X中所有时刻的平均值，n为X中时刻的个数。
8.根据权利要求6所述的系统，其特征在于，所述估计模块中采用的方差无偏估计公式为：
Figure FDA0003072591650000031
其中，D'(X)为采用所述方差无偏估计公式计算得到的方差，X为历史打车时刻序列，ti为X中的第i个时刻，
Figure FDA0003072591650000032
为X中所有时刻的平均值，n为X中时刻的个数，η为惩罚系数，c为X中所有时刻对应的打车地址的个数。
9.根据权利要求6所述的系统，其特征在于，
所述方差分布模型为无偏估计得到的方差与
Figure FDA0003072591650000033
的乘积的分布模型，n为历史打车时刻序列中时刻的个数，σ为历史打车时刻序列的理论标准差。
10.根据权利要求9所述的系统，其特征在于，所述方差分布模型为n-1个正态分布变量的平方和的分布模型。
CN201610122417.4A 2016-03-03 2016-03-03 乘客打车时刻分布区间的预测方法和系统 Active CN107153882B (zh)

Priority Applications (16)

Application Number Priority Date Filing Date Title
CN201610122417.4A CN107153882B (zh) 2016-03-03 2016-03-03 乘客打车时刻分布区间的预测方法和系统
CN201680083128.6A CN108701279B (zh) 2016-03-03 2016-12-14 用于确定未来运输服务时间点的预测分布的系统和方法
MYPI2017001463A MY184334A (en) 2016-03-03 2016-12-14 Systems and methods for determining predicted distribution of future transportation service time point
KR1020177028460A KR20180013852A (ko) 2016-03-03 2016-12-14 미래의 운송 서비스 시점의 예측된 분포를 결정하기 위한 시스템들 및 방법들
AU2016102431A AU2016102431A4 (en) 2016-03-03 2016-12-14 Systems and methods for determining predicted distribution of future transportation service time point
AU2016395338A AU2016395338A1 (en) 2016-03-03 2016-12-14 Systems and methods for determining predicted distribution of future transportation service time point
PCT/CN2016/109915 WO2017148202A1 (en) 2016-03-03 2016-12-14 Systems and methods for determining predicted distribution of future transportation service time point
BR112017021479A BR112017021479A2 (pt) 2016-03-03 2016-12-14 sistemas e métodos para determinação de distribuição prevista de ponto temporal de serviço de transporte futuro
SG11201708267YA SG11201708267YA (en) 2016-03-03 2016-12-14 Systems and methods for determining predicted distribution of future transportation service time point
GB1716362.7A GB2553455A (en) 2016-03-03 2016-12-14 Systems and methods for determining predicted distribution of future transportation service time point
JP2017552975A JP6737805B2 (ja) 2016-03-03 2016-12-14 将来の輸送サービス時点の予測分布を求めるシステム及び方法
EP16892380.3A EP3320493A1 (en) 2016-03-03 2016-12-14 Systems and methods for determining predicted distribution of future transportation service time point
US15/721,836 US10740701B2 (en) 2016-03-03 2017-09-30 Systems and methods for determining predicted distribution of future transportation service time point
PH12017550108A PH12017550108A1 (en) 2016-03-03 2017-10-06 Systems and methods for determining predicted distribution of future transportation service time point
US16/920,622 US11348042B2 (en) 2016-03-03 2020-07-03 Systems and methods for determining predicted distribution of future transportation service time point
JP2020121793A JP7063951B2 (ja) 2016-03-03 2020-07-16 将来の輸送サービス時点の予測分布を求めるシステム及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610122417.4A CN107153882B (zh) 2016-03-03 2016-03-03 乘客打车时刻分布区间的预测方法和系统

Publications (2)

Publication Number Publication Date
CN107153882A CN107153882A (zh) 2017-09-12
CN107153882B true CN107153882B (zh) 2021-10-15

Family

ID=59742489

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201610122417.4A Active CN107153882B (zh) 2016-03-03 2016-03-03 乘客打车时刻分布区间的预测方法和系统
CN201680083128.6A Active CN108701279B (zh) 2016-03-03 2016-12-14 用于确定未来运输服务时间点的预测分布的系统和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201680083128.6A Active CN108701279B (zh) 2016-03-03 2016-12-14 用于确定未来运输服务时间点的预测分布的系统和方法

Country Status (12)

Country Link
US (2) US10740701B2 (zh)
EP (1) EP3320493A1 (zh)
JP (2) JP6737805B2 (zh)
KR (1) KR20180013852A (zh)
CN (2) CN107153882B (zh)
AU (2) AU2016395338A1 (zh)
BR (1) BR112017021479A2 (zh)
GB (1) GB2553455A (zh)
MY (1) MY184334A (zh)
PH (1) PH12017550108A1 (zh)
SG (1) SG11201708267YA (zh)
WO (1) WO2017148202A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10458808B2 (en) 2017-01-04 2019-10-29 Uber Technologies, Inc. Optimization of network service based on an existing service
US11416792B2 (en) 2017-04-19 2022-08-16 Uber Technologies, Inc. Network system capable of grouping multiple service requests
JP7348175B2 (ja) * 2017-11-02 2023-09-20 ウーバー テクノロジーズ，インコーポレイテッド ネットワーク配達サービスを実行するコンピュータシステム
US11436554B2 (en) 2017-11-02 2022-09-06 Uber Technologies, Inc. Network computer system to implement predictive time-based determinations for fulfilling delivery orders
CN108154296A (zh) * 2017-12-22 2018-06-12 中国联合网络通信集团有限公司 网约车调度方法及系统、运营商平台
CN110443472A (zh) * 2018-05-02 2019-11-12 北京嘀嘀无限科技发展有限公司 为用户提供出行服务的方法及装置
US11429987B2 (en) * 2018-05-09 2022-08-30 Volvo Car Corporation Data-driven method and system to forecast demand for mobility units in a predetermined area based on user group preferences
US11816179B2 (en) 2018-05-09 2023-11-14 Volvo Car Corporation Mobility and transportation need generator using neural networks
WO2019232773A1 (en) * 2018-06-08 2019-12-12 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for abnormality detection in data storage
US11410089B2 (en) 2018-08-30 2022-08-09 International Business Machines Corporation Dynamic booking system for shared dockless bikes using trajectory position
US11449917B2 (en) 2018-09-05 2022-09-20 Uber Technologies, Inc. Network computing system for providing interactive menus and group recommendations
US11397911B2 (en) 2018-11-15 2022-07-26 Uber Technologies, Inc. Network computer system to make effort-based determinations for delivery orders
CN110246329A (zh) * 2019-04-07 2019-09-17 武汉理工大学 一种出租车载客数量预测方法
US11568342B1 (en) * 2019-08-16 2023-01-31 Lyft, Inc. Generating and communicating device balance graphical representations for a dynamic transportation system
US11216770B2 (en) 2019-09-13 2022-01-04 Uber Technologies, Inc. Optimizing service requests in transport supply-constrained sub-regions
US11587001B2 (en) * 2020-01-15 2023-02-21 International Business Machines Corporation Rebalancing autonomous vehicles according to last-mile delivery demand
US20210295224A1 (en) * 2020-03-23 2021-09-23 Lyft, Inc. Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices
JP7272988B2 (ja) * 2020-03-27 2023-05-12 トヨタ自動車株式会社 情報処理装置、情報処理方法、及び、システム
KR102282530B1 (ko) * 2020-12-17 2021-07-27 한화생명보험(주) 압축된 긱서비스 제공 방법 및 장치
CN113610123B (zh) * 2021-07-23 2024-01-23 上海德衡数据科技有限公司 基于物联网的多源异构数据融合方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101808336A (zh) * 2009-04-30 2010-08-18 清华大学 一种认知无线电网络中主用户的定位方法及系统
WO2011069170A1 (en) * 2009-12-04 2011-06-09 Uber, Inc. System and method for arranging transport amongst parties through use of mobile devices
CN102171678A (zh) * 2008-10-15 2011-08-31 丹尼尔度量和控制公司 计算和标绘统计数据
CN103247167A (zh) * 2012-02-14 2013-08-14 北京掌城科技有限公司 一种获取空驶出租车信息的方法
CN103985247A (zh) * 2014-04-24 2014-08-13 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系统
CN104599088A (zh) * 2015-02-13 2015-05-06 北京嘀嘀无限科技发展有限公司 基于订单的调度方法和调度系统
CN105139089A (zh) * 2015-08-20 2015-12-09 北京嘀嘀无限科技发展有限公司 一种平衡出行供需的方法及设备
CN105203942A (zh) * 2015-09-09 2015-12-30 航天科工防御技术研究试验中心 一种基于加速退化轨迹的电路寿命预测方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6317720B1 (en) 1998-06-16 2001-11-13 Honda Giken Kogyo Kabushiki Kaisha Shared vehicle deployment and reallocation using predicted and current demand location and transit data
JP3728694B2 (ja) * 2001-12-25 2005-12-21 つばめ交通協同組合 車両運行支援システム
US7415433B2 (en) * 2003-08-04 2008-08-19 Paul Huneault Method and apparatus for the topographical mapping of investment risk, safety and efficiency
AU2005220797A1 (en) * 2004-03-05 2005-09-22 N. Caleb Avery Method and system for optimal pricing and allocation
US20080059273A1 (en) 2006-02-21 2008-03-06 Dynamic Intelligence Inc. Strategic planning
JP2008052455A (ja) 2006-08-23 2008-03-06 Fujitsu Ten Ltd 需要予測装置およびプログラム
WO2009003139A1 (en) * 2007-06-27 2008-12-31 Cadence Design Systems, Inc. Robust design using manufacturability models
WO2010123075A1 (ja) 2009-04-23 2010-10-28 株式会社エヌ・ティ・ティ・ドコモ 移動手段需要予測支援サーバ、移動手段供給システム、及び移動手段需要予測データ作成方法
JP5171793B2 (ja) * 2009-11-20 2013-03-27 株式会社エヌ・ティ・ティ・ドコモ 事象検知装置及び事象検知方法
US8798897B2 (en) * 2010-11-01 2014-08-05 International Business Machines Corporation Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models
JP2012108748A (ja) * 2010-11-18 2012-06-07 Sony Corp データ処理装置、データ処理方法、およびプログラム
US9424515B2 (en) * 2011-12-05 2016-08-23 FasterFare, LLC Predicting taxi utilization information
WO2014042147A1 (ja) * 2012-09-12 2014-03-20 日本電気株式会社 データ集中予測装置、データ集中予測方法、及びそのプログラム
US20140180576A1 (en) 2012-12-24 2014-06-26 Anthony G. LaMarca Estimation of time of arrival based upon ambient identifiable wireless signal sources encountered along a route
JP5725068B2 (ja) 2013-03-25 2015-05-27 トヨタ自動車株式会社 車両制御装置、車両制御方法及び車両制御システム
US20150278759A1 (en) 2014-03-26 2015-10-01 Go Taxi Truck, LLC System and Method for Vehicle Delivery Tracking Service
WO2015161828A1 (en) 2014-04-24 2015-10-29 Beijing Didi Infinity Science And Technology Limited System and method for managing supply of service
WO2015198593A1 (ja) * 2014-06-25 2015-12-30 日本電気株式会社 情報処理装置、処理方法とそのプログラムを格納した記録媒体
US10628758B2 (en) * 2014-10-28 2020-04-21 Fujitsu Limited Transportation service reservation method, transportation service reservation apparatus, and computer-readable storage medium
CN104636874B (zh) * 2015-02-12 2019-04-16 北京嘀嘀无限科技发展有限公司 检测业务异常的方法及设备
CN104636674B (zh) 2015-03-17 2017-06-09 浪潮集团有限公司 一种用于受损数据恢复的线性估计方法
US10360521B2 (en) * 2015-06-12 2019-07-23 Sap Se Dynamic location recommendation for public service vehicles
CN105279572B (zh) * 2015-09-16 2017-02-08 北京城建设计发展集团股份有限公司 城市轨道交通客流密集度指数计算与发布系统
US10223649B2 (en) * 2015-10-16 2019-03-05 Sap Se System and method of multi-objective optimization for transportation arrangement
JP2021132571A (ja) * 2020-02-27 2021-09-13 澁谷工業株式会社 細胞培養システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102171678A (zh) * 2008-10-15 2011-08-31 丹尼尔度量和控制公司 计算和标绘统计数据
CN101808336A (zh) * 2009-04-30 2010-08-18 清华大学 一种认知无线电网络中主用户的定位方法及系统
WO2011069170A1 (en) * 2009-12-04 2011-06-09 Uber, Inc. System and method for arranging transport amongst parties through use of mobile devices
CN103247167A (zh) * 2012-02-14 2013-08-14 北京掌城科技有限公司 一种获取空驶出租车信息的方法
CN103985247A (zh) * 2014-04-24 2014-08-13 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系统
CN104599088A (zh) * 2015-02-13 2015-05-06 北京嘀嘀无限科技发展有限公司 基于订单的调度方法和调度系统
CN105139089A (zh) * 2015-08-20 2015-12-09 北京嘀嘀无限科技发展有限公司 一种平衡出行供需的方法及设备
CN105203942A (zh) * 2015-09-09 2015-12-30 航天科工防御技术研究试验中心 一种基于加速退化轨迹的电路寿命预测方法

Also Published As

Publication number Publication date
JP6737805B2 (ja) 2020-08-12
AU2016102431A4 (en) 2020-01-02
US20200334591A1 (en) 2020-10-22
CN107153882A (zh) 2017-09-12
WO2017148202A1 (en) 2017-09-08
CN108701279A (zh) 2018-10-23
JP2019504370A (ja) 2019-02-14
GB2553455A (en) 2018-03-07
PH12017550108A1 (en) 2018-02-26
US20180039920A1 (en) 2018-02-08
JP2020173856A (ja) 2020-10-22
MY184334A (en) 2021-04-01
US10740701B2 (en) 2020-08-11
KR20180013852A (ko) 2018-02-07
BR112017021479A2 (pt) 2018-09-25
GB201716362D0 (en) 2017-11-22
EP3320493A4 (en) 2018-05-16
US11348042B2 (en) 2022-05-31
CN108701279B (zh) 2022-04-05
EP3320493A1 (en) 2018-05-16
JP7063951B2 (ja) 2022-05-09
SG11201708267YA (en) 2017-11-29
AU2016395338A1 (en) 2017-12-14

Similar Documents

Publication Publication Date Title
CN107153882B (zh) 乘客打车时刻分布区间的预测方法和系统
Toledo et al. Estimation of vehicle trajectories with locally weighted regression
CN106022541B (zh) 一种到站时间预测方法
CN111476588A (zh) 订单需求预测方法、装置、电子设备及可读存储介质
CN107103383A (zh) 一种基于打车热点的动态拼车调度方法
CN104599002B (zh) 预测订单价值的方法及设备
CN109508830B (zh) 一种电动汽车时空动态负荷预测的方法
CN111401642A (zh) 自动调整预测值的方法、装置、设备及存储介质
CN111476389A (zh) 一种预估接单等待时长的方法及装置
CN108416619B (zh) 一种消费间隔时间预测方法、装置及可读存储介质
CN112561285A (zh) 网点的推荐方法、装置、电子设备及计算机可读存储介质
CN110543699B (zh) 共享车辆出行数据仿真、共享车辆调度方法、装置及设备
CN115130779A (zh) 一种基于移动充电桩的智能调度方法
CN112950091B (zh) 车辆调度方法、装置及存储介质
CN114329921A (zh) 一种整车可靠性性能的评估方法、装置、设备和介质
CN109670875B (zh) 一种铁路客票浮动定价优化管理方法
CN111199440A (zh) 事件预估方法、装置以及电子设备
CN110191184B (zh) 一种时长信息推送方法、装置、设备和介质
CN111275305A (zh) 一种高峰时段传统出租车和网约车服务的公平评估方法
CN111353797B (zh) 资源分配方法、装置以及电子设备
CN102103714A (zh) 实现业务数据预测的实时处理平台及预测方法
CN115293366B (zh) 模型训练方法、信息预测方法、装置、设备及介质
CN111260384B (zh) 服务订单处理方法、装置、电子设备及存储介质
CN110910191A (zh) 拼车订单生成方法及设备
CN114771283A (zh) 一种爬行控制方法、装置、电动汽车和存储介质

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