CN108447249A - 一种考虑路径重复系数的出租车寻客方法及系统 - Google Patents

一种考虑路径重复系数的出租车寻客方法及系统 Download PDF

Info

Publication number
CN108447249A
CN108447249A CN201810201482.5A CN201810201482A CN108447249A CN 108447249 A CN108447249 A CN 108447249A CN 201810201482 A CN201810201482 A CN 201810201482A CN 108447249 A CN108447249 A CN 108447249A
Authority
CN
China
Prior art keywords
passenger
path
taxi
model
position information
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.)
Pending
Application number
CN201810201482.5A
Other languages
English (en)
Inventor
唐进君
胡瑾
刘芳
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201810201482.5A priority Critical patent/CN108447249A/zh
Publication of CN108447249A publication Critical patent/CN108447249A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑路径重复系数的出租车寻客方法及系统，该方法先获取上客位置信息与下客位置信息；然后采用聚类算法对上、下客位置信息进行聚类，计算各类的聚类中心，并在第一层决策中应用哈夫模型构建上客区对出租车司机的吸引力分布，即吸引力模型；在第二层决策中，在实际路网的基础上，考虑路径行程时间、路径重复系数、交叉口延误值和路径距离这四类出行效用，构建出租车司机的Logit路径选择行为模型；再将上述模型组合构建出租车寻客行为双层决策模型；最后根据出租车空车状态时的位置信息及出租车寻客行为双层决策模型确定最优寻客路径。因此，采用本发明提供的方法或系统，能够使出租车司机在空车状态下快速确定最优寻客路径。

Description

一种考虑路径重复系数的出租车寻客方法及系统
技术领域
本发明涉及城市交通技术领域，特别涉及一种考虑路径重复系数的出租车寻客方法及系统。
背景技术
在城市交通系统中，出租车是一种重要的出行方式，在满足市内出行需求起到了关键作用。相较于其他出行方式，出租车更加便捷，舒适和高效，在满足人们对于中长距离出行需求上是富有竞争力的出行方式。然而，目前城市出租车服务面临着进退两难的境地。一方面，乘客在高峰时段很难叫到出租车。另一方面，出租车司机的无目的巡游行加剧了交通拥堵，并造成不必要的污染。因此，构建有效的出租车寻客行为模型极为关键。有效的出租车寻客行为模型为出租车司机在空车状态下快速寻找到客源，为确定最优寻客路径提供理论支撑，并最终提升出租车行业的整体效益，增加居民出行便利性。
在过去，研究人员针对出租车所产生的以上问题提出了有效且实用的方法。这些方法可分为四类：(1)系统最优法；这类方法集中讨论如何提升乘客对出租车的满意度，如何提升出租车行业的运营效率，以及如何管理出租车规模；(2)经济建模；该类研究应用各种可控政策来提高出租车系统的运营效率；(3)网络建模；该类模型考虑出行的布、拥堵情况，模型校准效率和市场空间结构对供需平衡的影响；(4)路径选择行为；许多研究应用logit模型和probit模型来分析出租车司机在有客状态下的路径选择行为以及无客状态下的路径选择行为。上述方法虽然均有效的减少随机寻客行为带来的损失并将效益最大化。但是实践发现，之前的成果存在两个局限：(1)区域划分和单元划分法假定路径选择仅是区域之间或单元之间的移动，因此这两种方法都不能精准描述出租车司机在实际道路上的寻客路径选择行为。(2)传统的多项Logit模型广泛应用于司机路径选择行为研究中，由于出租车寻客过程中，出行范围一般不会很大，会存在不同路径之间的路段重复现象，而常规的Logit模型无法将这种路径重叠问题融合到路径选择效用综合函数中。
发明内容
针对上述两个问题，本发明的目的是提供了一种考虑路径重复系数的出租车寻客方法及系统，通过构建考虑路径行程时间、路径重复系数、交叉口延误和路径距离四类出行效用的出租车寻客行为双层决策模型，能够精准描述出租车司机在实际道路上的寻客路径选择行为，使出租车司机在空车状态下能够快速确定最优寻客路径，提升出租车行业的整体效益，增加居民出行便利性。
为实现上述目的，本发明提供了如下方案：
一种考虑路径重复系数的出租车寻客方法，所述出租车寻客方法包括：
获取出租车乘客的上客位置信息和下客位置信息；
对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心；
根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型；所述吸引力模型为上客区对出租车司机的吸引力分布；
计算路径行程时间、路径重复系数、交叉口延误值以及路径距离；
根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型；
根据所述吸引力模型和所述Logit路径选择行为模型，建立出租车寻客行为双层决策模型；其中，所述出租车寻客行为双层决策模型的第一层为所述吸引力模型，所述出租车寻客行为双层决策模型的第二层为所述Logit路径选择行为模型；
获取出租车空车状态时的位置信息；
根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径。
可选的，所述对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心，具体包括：
采用K-means分类算法，对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类的数量和下客聚类的数量；
构建最小目标函数J，计算每个上客聚类的中心和每个下客聚类的中心；所述最小目标函数J为：
其中，所述寻客路径是由所述下客聚类中心驶向所述上客聚类中心；|·|代表欧式距离，location代表上客位置信息或者下客位置信息，n代表不同聚类中包含的上客或下客的位置数量，center代表聚类中心；d表示距离计算函数。
可选的，根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型，具体包括：
根据以下公式建立吸引力模型；
所述公式为：
式中，Pij代表出租车司机在下客聚类中心i驶往上客聚类中心j的可能性；Tij为从下客聚类中心i到上客聚类中心j的总出行费用；Wj为上客聚类中心j的吸引力；所述吸引力的大小表示为上客聚类中包含的历史上客数量；Costij代表从下客聚类中心i到上客聚类中心j的距离成本；α和β均是灵敏度参数；m代表出租车司机从下客聚类中心i放下乘客后，周边可供选择的上客聚类中心的总数。
可选的，所述计算路径行程时间，具体包括：
根据以下公式计算路径行程时间；
所述公式为：
其中，表示路径i中第k个路段的长度，vkj表示第j辆出租车在第k个路段上行驶的瞬时速度，Ntaxi表示出租车总数，Nseg表示路径i中划分的路段数量。
可选的，所述计算路径重复系数，具体包括：
根据以下公式计算路径重复系数；
所述公式为：
其中，la表示路径i中路段a的长度，Γi是路径i的所有路段的集合，Li是路径i的总长度；若路段a在路径j上，δaj等于1，否则为0。
可选的，所述计算交叉口延误值，具体包括：
根据以下公式计算交叉口延误值；
所述公式为：PVin＝c1·Nintersection+c2·Nstraight+c3·Nleftturn；
Nintersection是路径i上的交叉口的总数，Nstraight是路径i上所经过交叉口的直行数量，Nleftturn是在交叉口的左转弯数量，c1，c2和c3是惩罚因子。
可选的，所述路径距离，为出租车司机在载客过程中从起点到终点所选择的路径的总出行距离。
可选的，所述根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型，具体包括：
根据以下公式确定路径选择效用综合函数；
所述公式为：Uin＝γ1·TTin+γ2·ln(PSin)+γ3·PVin+γ4·Disin；
其中，Uin是路径集n中路径i的效用，TTin表示路径i的路径行程时间，PSin表示路径重复系数，PVin表示交叉口延误值，Disin是路径距离，γ1，γ2，γ3和γ4代表四类效用的权重系数；所述Logit路径选择行为模型用所述路径选择效用综合函数表示。
可选的，所述根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径，具体包括：
根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定出租车司机的接客位置信息；
根据所述接客位置信息、所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定出租车行驶路径；
根据以下公式计算每条出租车行驶路径被选择的概率值，并确定最大概率值，将所述最大概率值所对应的出租车行驶路径确定为最优寻客路径；
所述公式为：Cn表示出租车空车状态时的位置到接客位置之间可选择的路径总数。
本发明还提供了一种考虑路径重复系数的出租车寻客系统，所述出租车寻客系统包括：
位置信息获取模块，用于获取出租车乘客的上客位置信息和下客位置信息；
聚类中心确定模块，用于对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心；
吸引力模型建立模块，用于根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型；所述吸引力模型为上客区对出租车司机的吸引力分布；
计算模块，用于计算路径行程时间、路径重复系数、交叉口延误值以及路径距离；
Logit路径选择行为模型确定模块，用于根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型；
出租车寻客行为双层决策模型建立模块，用于根据所述吸引力模型和所述Logit路径选择行为模型，建立出租车寻客行为双层决策模型；其中所述出租车寻客行为双层决策模型的第一层为所述吸引力模型，所述出租车寻客行为双层决策模型的第二层为所述Logit路径选择行为模型；
空车位置信息获取模块，用于获取出租车空车状态时的位置信息；
最优寻客路径确定模块，用于根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种考虑路径重复系数的出租车寻客方法及系统，所述出租车寻客方法包括：获取出租车乘客的上客位置信息和下客位置信息；对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心；根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型；所述吸引力模型为上客区对出租车司机的吸引力分布；计算路径行程时间、路径重复系数、交叉口延误值以及路径距离；根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型；根据所述吸引力模型和所述Logit路径选择行为模型，建立出租车寻客行为双层决策模型；其中，所述出租车寻客行为双层决策模型的第一层为所述吸引力模型，所述出租车寻客行为双层决策模型的第二层为所述Logit路径选择行为模型；获取出租车空车状态时的位置信息；根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径。本发明通过构建考虑路径行程时间、路径重复系数、交叉口延误值和路径距离四类出行效用的出租车寻客行为双层决策模型，能够精准描述出租车司机在实际道路上的寻客路径选择行为，使出租车司机在空车状态下能够快速确定最优寻客路径，提升出租车行业的整体效益，增加居民出行便利性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例考虑路径重复系数的出租车寻客方法的流程示意图；
图2为本发明出租车寻客行为模型计算流程图；
图3为本发明实施例考虑路径重复系数的出租车寻客系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供了一种考虑路径重复系数的出租车寻客方法及系统，通过构建考虑路径行程时间、路径重复系数、交叉口延误和路径距离四类出行效用的出租车寻客行为双层决策模型，能够精准描述出租车司机在实际道路上的寻客路径选择行为，使出租车司机在空车状态下能够快速确定最优寻客路径，提升出租车行业的整体效益，增加居民出行便利性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例考虑路径重复系数的出租车寻客方法的流程示意图；，如图1所示，本发明实施例提供的考虑路径重复系数的出租车寻客方法具体包括以下几个步骤：
步骤101：获取出租车乘客的上客位置信息和下客位置信息。
步骤102：对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心。
步骤103：根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型；所述吸引力模型为上客区对出租车司机的吸引力分布。
步骤104：计算路径行程时间、路径重复系数、交叉口延误值以及路径距离。
步骤105：根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型。
步骤106：根据所述吸引力模型和所述Logit路径选择行为模型，建立出租车寻客行为双层决策模型；其中，所述出租车寻客行为双层决策模型的第一层为所述吸引力模型，所述出租车寻客行为双层决策模型的第二层为所述Logit路径选择行为模型。
步骤107：获取出租车空车状态时的位置信息。
步骤108：根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径。
其中
步骤101具体包括：采集原始的出租车GPS数据，并利用出租车是否处于载客状态获取上客位置信息与下客位置信息。
步骤102具体包括：
采用K-means分类算法，对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类的数量和下客聚类的数量。
假设出租车的寻客路径是由下客聚类中心驶向上客聚类中心，因此，需要确定不同聚类的中心。为此，构建最小目标函数J计算每个上客聚类的中心和每个下客聚类的中心。
所述最小目标函数J为：
其中，所述寻客路径是由所述下客聚类中心驶向所述上客聚类中心；|·|代表欧式距离，location代表上客位置信息或者下客位置信息，n代表不同聚类中包含的上客或下客的位置数量，center代表聚类中心；d表示距离计算函数。
其中，聚类中心确定过程为：首先，为聚类中心设定初始值。然后，计算各聚类中位置样本与中心点的总距离，通过更新聚类中心，降低目标函数值。依次迭代，直至最后，如果满足以下条件中的任一一条则停止；条件为目标函数值在容许值以下；本次迭代的目标函数值与上一次迭代的数值之差小于预先设定的阈值；循环达到最大迭代次数。
步骤103具体包括：
经典的哈夫模型(Huff)可用于分析司机的决策行为，哈夫模型是重力模型和空间相互作用模型的改变行驶，它用来衡量不同起讫点之间的出行需求。
因此，通过上客聚类中心、下客聚类中心以及哈夫模型，建立吸引力模型。用公式(2)建立吸引力模型。
所述公式(2)为：式中，Pij代表出租车司机在下客聚类中心i驶往上客聚类中心j的可能性；Tij为从下客聚类中心i到上客聚类中心j的总出行费用；Wj为上客聚类中心j的吸引力；所述吸引力的大小表示为上客聚类中包含的历史上客数量；Costij代表从下客聚类中心i到上客聚类中心j的距离成本；α和β均是灵敏度参数；m代表出租车司机从下客聚类中心i放下乘客后，周边可供选择的上客聚类中心的总数。
步骤104具体包括：
(1)路径行程时间
根据公式(3)计算路径行程时间；
所述公式(3)为：其中，表示路径i中第k个路段的长度，vkj表示第j辆出租车在第k个路段上行驶的GPS瞬时速度，Ntaxi表示出租车总数，Nseg表示路径i中划分的路段数量。在路段划分中，通常以道路线形发生变化的位置或者道路交叉口为标准划分路段。本发明中设置五分钟作为数据采样间隔，也就是说，每五分钟检测有多少出租车经过了各个路段，如果没有，则利用相同采样时刻的历史数据进行补充。
(2)路径重复系数
在路网中，为解决路径选择模型中的路径重叠问题，可将一个确定的修正项加入到路径综合效用函数中。这一修正项可定义为路径重复系数。
根据公式(4)计算路径重复系数；
所述公式(4)为：其中，la表示路径i中路段a的长度，Γi是路径i的所有路段的集合，Li是路径i的总长度；如果路段a在路径j上，δaj等于1，否则为0。由此可见，如果各路径完全独立，没有任何公共路段，则PS值等于1。对于某一条路径来说，该路径中的路段被其他路径共享的次数越多，那么它的PS值将越小。
(3)交叉口延误
交叉口延误是路径选择模型需要考虑的另一个重要因素。在此，定义了一种惩罚函数来评估交叉口的影响。
根据公式(5)计算交叉口延误值；所述公式(5)为：PVin＝c1·Nintersection+c2·Nstraight+c3·Nleftturn(5)；式中，Nintersection是路径i上的交叉口的总数，Nstraight是路径i上所经过交叉口的直行数量，Nleftturn是在交叉口的左转弯数量，c1，c2和c3是惩罚因子；优选的，c1＝1.0，c2＝0.5，c3＝1.0。
(4)路径距离
所述路径距离为出租车司机在载客过程中从起点到终点所选择的路径的总出行距离。
步骤105具体包括：
在路径集n中，路径i的效用函数为：
Uin＝γ1·TTin+γ2·ln(PSin)+γ3·PVin+γ4·Disin(6)；其中，Uin是路径集n中路径i的效用，TTin表示路径i的路径行程时间，PSin表示路径重复系数，PVin表示交叉口延误值，Disin是路径距离，γ1，γ2，γ3和γ4代表四类效用的权重系数；所述Logit路径选择行为模型用所述路径选择效用综合函数表示。
步骤108具体包括：
根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定出租车司机的接客位置信息。
根据所述接客位置信息、所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定出租车行驶路径。
根据公式(7)计算每条出租车行驶路径被选择的概率值，并确定最大概率值，将所述最大概率值所对应的出租车行驶路径确定为最优寻客路径；
所述公式(7)为：Cn表示出租车空车状态时的位置到接客位置之间可选择的路径总数。
图2为本发明出租车寻客行为模型计算流程图，如图2所示，其包含步骤与图1中的步骤101至步骤106相似，在此不再过多论述。
为实现上述目的，本发明还提供了一种考虑路径重复系数的出租车寻客系统。
图3为本发明实施例考虑路径重复系数的出租车寻客系统的结构示意图，如图3所示，所述出租车寻客系统包括：
位置信息获取模块301，用于获取出租车乘客的上客位置信息和下客位置信息。
聚类中心确定模块302，用于对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心。
吸引力模型建立模块303，用于根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型；所述吸引力模型为上客区对出租车司机的吸引力分布。
计算模块304，用于计算路径行程时间、路径重复系数、交叉口延误值以及路径距离。
Logit路径选择行为模型确定模块305，用于根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型。
出租车寻客行为双层决策模型建立模块306，用于根据所述吸引力模型和所述Logit路径选择行为模型，建立出租车寻客行为双层决策模型；其中所述出租车寻客行为双层决策模型的第一层为所述吸引力模型，所述出租车寻客行为双层决策模型的第二层为所述Logit路径选择行为模型。
空车位置信息获取模块307，用于获取出租车空车状态时的位置信息。
最优寻客路径确定模块308，用于根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径。
本发明构建了一种出租车寻客行为双层决策模型。第一层模型模拟的是不同区域对出租车司机的吸引能力，当出租车司机放下乘客以后，凭借驾驶经验分析周围不同区域能够成功接到乘客的可能性。第二层模型模拟司机在确定了目标区域后的路径选择行为，该Logit路径选择行为模型中，考虑了路径行程时间、路径重复系数、交叉口延误和路径距离四类出行效用，克服了现有技术存在的不能精准描述出租车司机在实际道路上的寻客路径选择行为，以及常规的Logit模型无法将这种路径重叠问题融合到路径选择效用综合函数中的缺陷，极大提高了租车司机在空车状态下快速确定最优寻客路径的效率，提升出租车行业的整体效益，增加居民出行便利性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种考虑路径重复系数的出租车寻客方法，其特征在于，所述出租车寻客方法包括：
获取出租车乘客的上客位置信息和下客位置信息；
对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心；
根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型；所述吸引力模型为上客区对出租车司机的吸引力分布；
计算路径行程时间、路径重复系数、交叉口延误值以及路径距离；
根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型；
根据所述吸引力模型和所述Logit路径选择行为模型，建立出租车寻客行为双层决策模型；其中，所述出租车寻客行为双层决策模型的第一层为所述吸引力模型，所述出租车寻客行为双层决策模型的第二层为所述Logit路径选择行为模型；
获取出租车空车状态时的位置信息；
根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径。
2.根据权利要求1所述的出租车寻客方法，其特征在于，所述对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心，具体包括：
采用K-means分类算法，对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类的数量和下客聚类的数量；
构建最小目标函数J，计算每个上客聚类的中心和每个下客聚类的中心；所述最小目标函数J为：
其中，所述寻客路径是由所述下客聚类中心驶向所述上客聚类中心；|·|代表欧式距离，location代表上客位置信息或者下客位置信息，n代表不同聚类中包含的上客或下客的位置数量，center代表聚类中心；d表示距离计算函数。
3.根据权利要求1所述的出租车寻客方法，其特征在于，根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型，具体包括：
根据以下公式建立吸引力模型；
所述公式为：
式中，Pij代表出租车司机在下客聚类中心i驶往上客聚类中心j的可能性；Tij为从下客聚类中心i到上客聚类中心j的总出行费用；Wj为上客聚类中心j的吸引力；所述吸引力的大小表示为上客聚类中包含的历史上客数量；Costij代表从下客聚类中心i到上客聚类中心j的距离成本；α和β均是灵敏度参数；m代表出租车司机从下客聚类中心i放下乘客后，周边可供选择的上客聚类中心的总数。
4.根据权利要求1所述的出租车寻客方法，其特征在于，所述计算路径行程时间，具体包括：
根据以下公式计算路径行程时间；
所述公式为：
其中，表示路径i中第k个路段的长度，vkj表示第j辆出租车在第k个路段上行驶的瞬时速度，Ntaxi表示出租车总数，Nseg表示路径i中划分的路段数量。
5.根据权利要求1所述的出租车寻客方法，其特征在于，所述计算路径重复系数，具体包括：
根据以下公式计算路径重复系数；
所述公式为：
其中，la表示路径i中路段a的长度，Γi是路径i的所有路段的集合，Li是路径i的总长度；若路段a在路径j上，δaj等于1，否则为0。
6.根据权利要求1所述的出租车寻客方法，其特征在于，所述计算交叉口延误值，具体包括：
根据以下公式计算交叉口延误值；
所述公式为：PVin＝c1·Nintersection+c2·Nstraight+c3·Nleftturn；
Nintersection是路径i上的交叉口的总数，Nstraight是路径i上所经过交叉口的直行数量，Nleftturn是在交叉口的左转弯数量，c1，c2和c3是惩罚因子。
7.根据权利要求1所述的出租车寻客方法，其特征在于，所述路径距离，为出租车司机在载客过程中从起点到终点所选择的路径的总出行距离。
8.根据权利要求1所述的出租车寻客方法，其特征在于，所述根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型，具体包括：
根据以下公式确定路径选择效用综合函数；
所述公式为：Uin＝γ1·TTin+γ2·ln(PSin)+γ3·PVin+γ4·Disin；
其中，Uin是路径集n中路径i的效用，TTin表示路径i的路径行程时间，PSin表示路径重复系数，PVin表示交叉口延误值，Disin是路径距离，γ1，γ2，γ3和γ4代表四类效用的权重系数；所述Logit路径选择行为模型用所述路径选择效用综合函数表示。
9.根据权利要求8所述的出租车寻客方法，其特征在于，所述根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径，具体包括：
根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定出租车司机的接客位置信息；
根据所述接客位置信息、所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定出租车行驶路径；
根据以下公式计算每条出租车行驶路径被选择的概率值，并确定最大概率值，将所述最大概率值所对应的出租车行驶路径确定为最优寻客路径；
所述公式为：Cn表示出租车空车状态时的位置到接客位置之间可选择的路径总数。
10.一种考虑路径重复系数的出租车寻客系统，其特征在于，所述出租车寻客系统包括：
位置信息获取模块，用于获取出租车乘客的上客位置信息和下客位置信息；
聚类中心确定模块，用于对所述上客位置信息和所述下客位置信息进行聚类分析，确定上客聚类中心和下客聚类中心；
吸引力模型建立模块，用于根据所述上客聚类中心和所述下客聚类中心，采用哈夫模型，建立吸引力模型；所述吸引力模型为上客区对出租车司机的吸引力分布；
计算模块，用于计算路径行程时间、路径重复系数、交叉口延误值以及路径距离；
Logit路径选择行为模型确定模块，用于根据所述路径行程时间、所述路径重复系数、所述交叉口延误值以及所述路径距离，计算路径选择效用综合函数，确定Logit路径选择行为模型；
出租车寻客行为双层决策模型建立模块，用于根据所述吸引力模型和所述Logit路径选择行为模型，建立出租车寻客行为双层决策模型；其中所述出租车寻客行为双层决策模型的第一层为所述吸引力模型，所述出租车寻客行为双层决策模型的第二层为所述Logit路径选择行为模型；
空车位置信息获取模块，用于获取出租车空车状态时的位置信息；
最优寻客路径确定模块，用于根据所述出租车空车状态时的位置信息以及所述出租车寻客行为双层决策模型，确定最优寻客路径。
CN201810201482.5A 2018-03-12 2018-03-12 一种考虑路径重复系数的出租车寻客方法及系统 Pending CN108447249A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810201482.5A CN108447249A (zh) 2018-03-12 2018-03-12 一种考虑路径重复系数的出租车寻客方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810201482.5A CN108447249A (zh) 2018-03-12 2018-03-12 一种考虑路径重复系数的出租车寻客方法及系统

Publications (1)

Publication Number Publication Date
CN108447249A true CN108447249A (zh) 2018-08-24

Family

ID=63194178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810201482.5A Pending CN108447249A (zh) 2018-03-12 2018-03-12 一种考虑路径重复系数的出租车寻客方法及系统

Country Status (1)

Country Link
CN (1) CN108447249A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402616A (zh) * 2020-02-20 2020-07-10 西安电子科技大学 智能停车控制方法、系统、存储介质、计算机程序、终端
CN112183863A (zh) * 2020-09-29 2021-01-05 上海交通大学 基于引力模型的细粒度出租车路线推荐方法、系统及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177575A (zh) * 2013-03-07 2013-06-26 上海交通大学 城区出租车动态在线调度优化系统及其方法
CN103593974A (zh) * 2013-11-06 2014-02-19 福建工程学院 一种基于定位信息的公交载客量采集方法
CN105444770A (zh) * 2015-12-18 2016-03-30 上海交通大学 基于智能手机的车道级别地图生成和定位系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177575A (zh) * 2013-03-07 2013-06-26 上海交通大学 城区出租车动态在线调度优化系统及其方法
CN103593974A (zh) * 2013-11-06 2014-02-19 福建工程学院 一种基于定位信息的公交载客量采集方法
CN105444770A (zh) * 2015-12-18 2016-03-30 上海交通大学 基于智能手机的车道级别地图生成和定位系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JINJUN TANG AT.: "A Two-Layer Model for Taxi Customer Searching Behaviors Using GPS Trajectory Data", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402616A (zh) * 2020-02-20 2020-07-10 西安电子科技大学 智能停车控制方法、系统、存储介质、计算机程序、终端
CN112183863A (zh) * 2020-09-29 2021-01-05 上海交通大学 基于引力模型的细粒度出租车路线推荐方法、系统及介质
CN112183863B (zh) * 2020-09-29 2022-03-25 上海交通大学 基于引力模型的细粒度出租车路线推荐方法、系统及介质

Similar Documents

Publication Publication Date Title
CN109311478B (zh) 一种基于舒适度的自动驾驶车速控制方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN107919014B (zh) 面向多载客里程的出租车运行线路优化方法
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
EP3608850A1 (en) Energy management device, model management method and computer program
CN108776852A (zh) 无桩车辆调度方法和系统
CN110084397B (zh) 一种地铁直达线路规划方法
KR20150128712A (ko) 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션
CN102081859A (zh) 一种公交车到站时间预测模型控制方法
CN104361460A (zh) 采用模糊综合评价方法的道路服务水平评价方法
CN108573600A (zh) 一种驾驶员行为诱导与局部交通流优化方法
CN106682759B (zh) 针对电动出租车的电池供应系统及网络优化方法
CN109489679A (zh) 一种导航路径中的到达时间计算方法
CN104331746B (zh) 一种分离式的动态路径优化系统及其方法
CN108447249A (zh) 一种考虑路径重复系数的出租车寻客方法及系统
Miao et al. Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas
CN109523064B (zh) 一种基于多网融合的智能微枢纽
CN113379159B (zh) 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法
CN113408833A (zh) 一种公共交通重点区域识别方法、装置及电子设备
CN111723871B (zh) 一种公交车实时车厢满载率的估算方法
CN109447352B (zh) 一种公交出行od矩阵反推的组合方法
CN110533215A (zh) 一种基于gps数据的巡游出租车寻客行为预测方法
CN106949899A (zh) 一种自行车换乘公共交通复合式路线生成装置及路线生成方法
CN115083198B (zh) 一种多车运力资源调度方法及装置
CN109190935A (zh) 一种考虑服务区和车辆事故的高速公路充电站规划方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180824