CN109063897B - 服务系统中服务资源的产能预测方法、系统与设备 - Google Patents
服务系统中服务资源的产能预测方法、系统与设备 Download PDFInfo
- Publication number
- CN109063897B CN109063897B CN201810719335.7A CN201810719335A CN109063897B CN 109063897 B CN109063897 B CN 109063897B CN 201810719335 A CN201810719335 A CN 201810719335A CN 109063897 B CN109063897 B CN 109063897B
- Authority
- CN
- China
- Prior art keywords
- service
- capacity
- order
- resource
- service resource
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 139
- 230000000977 initiatory effect Effects 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 description 10
- 230000003111 delayed effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及电动汽车充换电领域,具体涉及一种服务系统中服务资源的产能预测方法、系统与设备,旨在为接受预约订单、服务资源分配提供了决策依据。本发明提出的服务系统中服务资源的产能预测方法包括:获取服务订单的请求信息;根据订单发起位置,获取可用服务资源;计算服务订单占用每个可用服务资源的概率;根据订单执行时段与所计算的概率,预测未来一段时间内每个可用服务资源的产能;根据服务订单的当前执行状态,调整预测结果。本发明通过对未来一段时间内服务资源进行及时预测,为接受预约订单、服务资源分配提供了决策依据,同时有效地缓解了由于订单预约而导致服务资源被提前锁定造成的服务系统整体效率下降。
Description
技术领域
本发明涉及电动汽车充换电领域,具体涉及一种服务系统中服务资源的产能预测方法、系统与设备。
背景技术
随着电动汽车的日益普及,对充电桩、换电站等加电资源的需求也随之增加。如何利用有限的加电资源为更多的客户提供服务,就成为了电动汽车行业急需解决的问题。
目前的加电服务系统,通常采用两种服务资源分配模式:
(1)不接受提前预约,当客户驾车到达加电服务站点后,若服务站点内此时正好有空闲资源时,就直接开始为客户提供加电服务;
(2)可接受提前预约,并在接收到客户的加电请求后通常会立即锁定一个相应的服务资源,以免客户驾车到来时没有资源可用。
上面第(1)种方法的缺点是,客户到达服务站点以后可能会遇到服务资源紧缺的情况,就需要等待较长的时间。第(2)种方法克服了第(1)种方法的缺陷,但是,由于从客户发起加电请求到驾驶车辆到达服务站点往往还有一段较长的时间,这期间被锁定的服务资源就得不到有效的利用,导致加电服务系统的整体服务效率低下。
有鉴于此,如何既满足提前预约的需求又最大限度地利用加电资源,就成为本领域急需解决的问题。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种服务系统中服务资源的产能预测方法、系统与设备,为接受预约订单、服务资源分配提供了决策依据。
本发明的一方面,提出一种服务系统中服务资源的产能预测方法,所述产能预测方法包括:
获取服务订单的请求信息,所述服务订单的请求信息包括订单发起位置和订单执行时段;
根据所述订单发起位置,获取可用服务资源;
计算所述服务订单占用每个所述可用服务资源的概率;
根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能;
根据所述服务订单的当前执行状态,调整预测结果;
其中,
所述产能为对应的可用服务资源可同时服务的订单数量估计值。
优选地,“计算所述服务订单占用每个所述可用服务资源的概率”包括:按照下式所示的方法计算服务订单占用每个可用服务资源的概率:
其中,dj为第j个可用服务资源与所述订单发起位置之间的距离;F为所述可用服务资源的集合。
优选地,“根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能”包括:
根据所述概率并按照下式所示的方法计算所述服务订单对每个所述可用服务资源的产能需求:
E′(j)=Ereq*P(j)
根据所计算的产能需求并按照下式所示的方法,预测每个所述可用服务资源在各自被占用时段内的产能:
E(j,t)=E(j,t)-E′(j)
其中,E′(j)为所述服务订单对第j个可用服务资源的产能需求;Ereq为预设的订单产能需求;P(j)为所述服务订单占用第j个可用服务资源的概率;E(j,t)为t时刻第j个可用服务资源的产能,t∈[tj1,tj2);[tj1,tj2)为第j个可用服务资源的被占用时段,且tj1∈[tbegin,tend)、tj2∈(tbegin,tend),[tbegin,tend)为所述订单执行时段。
优选地,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,所述方法还包括:
判断所述产能需求E′(j)是否大于第j个服务资源在所述订单执行时段内的最小产能值Emin(j),
若E′(j)>Emin(j),则按照下式所示的方法,将超出部分的产能需求分配给其他可用服务资源:
并且,将所述服务订单对第j个可用服务资源的产能需求E′(j)调整为Emin(j),将所述服务订单对第k个其他可用服务资源的产能需求E′(k)调整为E′(k)+△E′(k);
其中,所述△Ereq为所述超出部分的产能需求,F为所述可用服务资源的集合,dk为第k个其他可用服务资源与所述订单发起位置之间的距离;
相应地,“预测每个所述可用服务资源在各自被占用时段内的产能”是利用调整后的产能需求E′(j),预测第j个可用服务资源在其被占用时段内的产能。
优选地,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,所述方法还包括:
根据所述预设的订单产能需求获取每个所述可用服务资源完成所述服务订单需要被占用的时间长度;
获取被服务对象到达每个所述可用服务资源的时间;
根据所述时间长度和所述被服务对象到达每个所述可用服务资源的时间,得到每个所述可用服务资源的被占用时段。
优选地,在已为所述服务订单分配了可用服务资源,并且被分配的可用服务资源尚未执行相应订单操作的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
将所述被分配的可用服务资源在其被占用时段内的产能调整为:
E(m,t)=E(m,t)-Ereq
其中,t∈[tm1,tm2);m为所述被分配的可用服务资源的序号;[tm1,tm2)为所述被分配的可用服务资源的被占用时段,且tm1∈[tbegin,tend)、tm2∈(tbegin,tend);E(m,t)为t时刻所述被分配的可用服务资源的产能。
优选地,在所述服务订单被取消的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
若尚未为被取消的所述服务订单分配可用服务资源,则将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
若已为被取消的所述服务订单分配了可用服务资源,则将所述被分配的可用服务资源在各自被占用时段内的产能恢复为:
E(m,t)=E(m,t)+Ereq
其中,t∈[tm1,tm2)。
优选地,在所述服务订单提前完成的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将所述被分配的可用服务资源在实际结束时刻t′end到该资源的被占用时段的结束时刻tm2之间的产能调整为:
E(m,t)=E(m,t)+Ereq
其中,t∈[t′end,tm2)。
优选地,在所述服务订单发生延误的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将延误时段内所述被分配的可用服务资源的产能调整为E(m,t)=E(m,t)-Ereq;
其中,t∈[tm2,tm2+tdelay);tdelay为所述延误时段的时间长度。
优选地,在“根据所述服务订单的当前执行状态,调整预测结果”的步骤之后,所述方法还包括:
当某个服务资源可同时服务的订单数量估计值发生变化时,按照下式所示的方法调整该服务资源的产能:
E(n,t)=E(n,t)+V
其中,E(n,t)为t时刻第n个服务资源的产能,n≥1;V为该服务资源可同时服务的订单数量估计值的变化值;t∈[ta,tb),[ta,tb)为该服务资源可服务订单数量发生变化的时段。
优选地,“根据所述订单发起位置,获取可用服务资源”具体包括:
以所述订单发起位置为中心,以预设的最小半径阈值为搜索半径,获取该搜索半径范围内在所述订单执行时段中最小产能大于零的服务资源;
计算搜索到的服务资源的产能之和;
若所述产能之和小于预设的订单产能需求,则增大所述搜索半径,从而重新获取所述最小产能大于零的服务资源并计算所述产能之和,直到所述产能之和大于等于所述预设的订单产能需求或所述搜索半径大于等于预设的最大半径阈值;
若所述产能之和大于等于所述预设的订单产能需求,则将搜索到的服务资源作为所述可用服务资源;否则,拒绝订单请求。
优选地,“计算搜索到的服务资源的产能之和”包括按照下式所示的方法计算所述产能之和:
SG=∑g∈GEmin(g)
其中,
Emin(g)为第g个服务资源在所述订单执行时段内的最小产能值,且Emin(g)>0;G为搜索到的服务资源的集合;E(g,t)为t时刻第g个服务资源的产能。
优选地,所述服务系统为加电服务系统,所述服务资源为提供加电服务的充电桩、充电站或换电站。
本发明的另一方面,提出一种服务系统中服务资源产能的预测系统,所述产能预测系统包括:订单请求获取模块、可用服务资源获取模块、概率计算模块、产能预测模块、第一产能调整模块;
所述订单请求获取模块配置为:获取服务订单的请求信息,所述服务订单的请求信息包括:订单发起位置和订单执行时段;
所述可用服务资源获取模块配置为:根据所述订单发起位置,获取可用服务资源;
所述概率计算模块配置为:计算所述服务订单占用每个所述可用服务资源的概率;
所述产能预测模块配置为:根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能;
所述第一产能调整模块配置为:根据所述服务订单的当前执行状态,调整预测结果;
其中,
所述产能为对应的可用服务资源可同时服务的订单数量估计值。
优选地,所述概率计算模块,按照下式所示方法计算所述服务订单占用每个所述可用服务资源的概率:
其中,dj为第j个服务资源与所述订单发起位置之间的距离;F为所述可用服务资源的集合。
优选地,所述产能预测模块具体配置为:
根据所述概率,按照下式所示方法计算所述服务订单对每个所述可用服务资源的产能需求:
E′(j)=Ereq*P(j)
根据所计算的产能需求并按照下式所示的方法,预测每个所述可用服务资源在各自被占用时段内的产能:
E(j,t)=E(j,t)-E′(j)
其中,E′(j)为所述服务订单对第j个服务资源的产能需求;Ereq为预设的订单产能需求;P(j)为所述服务订单占用第j个服务资源的概率;E(j,t)为t时刻第j个可用服务资源的产能;t∈[tj1,tj2);[tj1,tj2)为第j个可用服务资源的被占用时段,且tj1∈[tbegin,tend)、tj2∈(tbegin,tend),[tbegin,tend)为所述订单执行时段。
优选地,所述产能预测模块中,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,还包括:
判断所述产能需求E′(j)是否大于第j个可用服务资源在所述订单执行时段内的最小产能值Emin(j),
若E′(j)>Emin(j),则按照下式所示的方法,将超出部分的产能需求分配给其他可用服务资源:
并且,将所述服务订单对第j个可用服务资源的产能需求E′(j)调整为Emin(j),将所述服务订单对第k个其他可用服务资源的产能需求E′(k)调整为E′(k)+△E′(k);
其中,所述△Ereq为所述超出部分的产能需求,F为所述可用服务资源的集合,dk为第k个其他可用服务资源与所述订单发起位置之间的距离;
相应地,“预测每个所述可用服务资源在各自被占用时段内的产能”是利用调整后的产能需求E′(j),预测第j个可用服务资源在其被占用时段内的产能。
优选地,所述产能预测模块中,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,还包括:
根据所述预设的订单产能需求获取每个所述可用服务资源完成所述服务订单需要被占用的时间长度;
获取被服务对象到达每个所述可用服务资源的时间;
根据所述时间长度和所述被服务对象到达每个所述可用服务资源的时间,得到每个所述可用服务资源的被占用时段。
优选地,在已为所述服务订单分配了可用服务资源,并且被分配的可用服务资源尚未执行相应订单操作的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
将所述被分配的可用服务资源在其被占用时段内的产能调整为:
E(m,t)=E(m,t)-Ereq
其中,t∈[tm1,tm2),m为所述被分配的可用服务资源的序号;[tm1,tm2)为所述被分配服务资源的被占用时段,且tm1∈[tbegin,tend)、tm2∈(tbegin,tend);E(m,t)为t时刻所述被分配的可用服务资源的产能。
优选地,在所述服务订单被取消的情况下,所述第一产能调整模块按照下述方法调整预测结果:
若尚未为被取消的所述服务订单分配可用服务资源,则将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
若已为被取消的所述服务订单分配了可用服务资源,则将所述被分配的可用服务资源在各自被占用时段内的产能恢复为:
E(m,t)=E(m,t)+Ereq
其中,t∈[tm1,tm2)。
优选地,在所述服务订单提前完成的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将所述被分配的可用服务资源在实际结束时刻t′end到该资源的被占用时段的结束时刻tm2之间的产能调整为:
E(m,t)=E(m,t)+Ereq
其中,t∈[t′end,tm2)。
优选地,在所述服务订单发生延误的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将延误时段内所述被分配的可用服务资源的产能调整为E(m,t)=E(m,t)-Ereq;
其中,t∈[tm2,tm2+tdelay);tdelay为所述延误时段的时间长度。
优选地,所述系统还包括第二产能调整模块;
所述第二产能调整模块配置为:当某个服务资源可同时服务的订单数量发生变化时,按照下式所示的方法调整该服务资源的产能:
E(n,t)=E(n,t)+V
其中,E(n,t)为t时刻第n个服务资源的产能;V为该服务资源可同时服务的订单数量估计值的变化值;t∈[ta,tb),[ta,tb)为该服务资源可服务订单数量发生变化的时段。
优选地,所述可用服务资源获取模块具体配置为:
以所述订单发起位置为中心,以预设的最小半径阈值为搜索半径,获取该搜索半径范围内在所述订单执行时段中最小产能大于零的服务资源;
计算搜索到的服务资源的产能之和;
若所述产能之和小于预设的订单产能需求,则增大所述搜索半径,从而重新获取所述最小产能大于零的服务资源并计算所述产能之和,直到所述产能之和大于等于所述预设的订单产能需求或所述搜索半径大于等于预设的最大半径阈值;
若所述产能之和大于等于所述预设的订单产能需求,则将搜索到的服务资源作为所述可用服务资源;否则,拒绝所述服务订单的请求。
优选地,所述可用服务资源获取模块按照下式所示方法计算所述产能之和:
SG=∑g∈GEmin(g)
其中,
Emin(g)为第g个服务资源在所述订单执行时段内的最小产能值,且Emin(g)>0;G为搜索到的服务资源的集合;E(g,t)为t时刻第g个服务资源的产能。
优选地,所述服务系统为加电服务系统,所述服务资源为提供加电服务的充电桩或换电站。
本发明的第三方面,提出一种存储设备,其中存储有程序,所述程序适于由处理器加载并执行,以实现上面所述的服务系统中服务资源的产能预测方法。
本发明的第四方面,提出一种控制设备,包括处理器和存储器。所述处理器适于执行程序;所述存储器适于存储该程序;所述程序适于由所述处理器加载并执行,以实现上面所述的服务系统中服务资源的产能预测方法。
与最接近的现有技术相比,本发明具有如下有益效果:
本发明提出的一种服务系统中服务资源的产能预测方法,是针对服务资源的位置固定,而被服务对象需要移动到服务资源所在位置的情况。当接到新的订单请求时,首先根据概率模型对未来一段时间内服务资源的产能进行预扣操作;然后跟踪订单的执行状态,在订单分配、订单取消、订单提前结束、订单延误等情况下,分别对服务资源的产能进行实时调整,能够及时有效地反映未来一段时间内服务资源服务能力变化。通过上述方法,有效地解决了如下问题:
(1)采用合适的方式来表示服务资源的未来产能;
(2)服务订单产生时未指定将要使用的服务资源,如何预测该订单对未来一段时间内对服务资源产能的影响;
(3)追踪订单的执行状态变化情况,如指定了具体的服务资源、订单取消、订单提前结束、订单延误时,并且及时将其对服务资源产能的影响反映到预测中。
本发明通过对未来一段时间内服务资源进行及时预测,为接受预约订单、服务资源分配提供了决策依据,同时有效地缓解了由于订单预约而导致服务资源被提前锁定造成的服务系统整体效率下降。
方案1、一种服务系统中服务资源的产能预测方法,其特征在于,所述产能预测方法包括:
获取服务订单的请求信息,所述服务订单的请求信息包括订单发起位置和订单执行时段;
根据所述订单发起位置,获取可用服务资源;
计算所述服务订单占用每个所述可用服务资源的概率;
根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能;
根据所述服务订单的当前执行状态,调整预测结果;
其中,
所述产能为对应的可用服务资源可同时服务的订单数量估计值。
方案2、根据方案1所述的服务系统中服务资源的产能预测方法,其特征在于,“计算所述服务订单占用每个所述可用服务资源的概率”包括:按照下式所示的方法计算服务订单占用每个可用服务资源的概率:
其中,dj为第j个可用服务资源与所述订单发起位置之间的距离;F为所述可用服务资源的集合。
方案3、根据方案1所述的服务系统中服务资源的产能预测方法,其特征在于,“根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能”包括:
根据所述概率并按照下式所示的方法计算所述服务订单对每个所述可用服务资源的产能需求:
E′(j)=Ereq*P(j)
根据所计算的产能需求并按照下式所示的方法,预测每个所述可用服务资源在各自被占用时段内的产能:
E(j,t)=E(j,t)-E′(j)
其中,E′(j)为所述服务订单对第j个可用服务资源的产能需求;Ereq为预设的订单产能需求;P(j)为所述服务订单占用第j个可用服务资源的概率;E(j,t)为t时刻第j个可用服务资源的产能,t∈[tj1,tj2);[tj1,tj2)为第j个可用服务资源的被占用时段,且tj1∈[tbegin,tend)、tj2∈(tbegin,tend),[tbegin,tend)为所述订单执行时段。
方案4、根据方案3所述的服务系统中服务资源的产能预测方法,其特征在于,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,所述方法还包括:
判断所述产能需求E′(j)是否大于第j个服务资源在所述订单执行时段内的最小产能值Emin(j),
若E′(j)>Emin(j),则按照下式所示的方法,将超出部分的产能需求分配给其他可用服务资源:
并且,将所述服务订单对第j个可用服务资源的产能需求E′(j)调整为Emin(j),将所述服务订单对第k个其他可用服务资源的产能需求E′(k)调整为E′(k)+△E′(k);
其中,所述△Ereq为所述超出部分的产能需求,F为所述可用服务资源的集合,dk为第k个其他可用服务资源与所述订单发起位置之间的距离;
相应地,“预测每个所述可用服务资源在各自被占用时段内的产能”是利用调整后的产能需求E′(j),预测第j个可用服务资源在其被占用时段内的产能。
方案5、根据方案3中所述的服务系统中服务资源的产能预测方法,其特征在于,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,所述方法还包括:
根据所述预设的订单产能需求获取每个所述可用服务资源完成所述服务订单需要被占用的时间长度;
获取被服务对象到达每个所述可用服务资源的时间;
根据所述时间长度和所述被服务对象到达每个所述可用服务资源的时间,得到每个所述可用服务资源的被占用时段。
方案6、根据方案1-5中任一项所述的服务系统中服务资源的产能预测方法,其特征在于,在已为所述服务订单分配了可用服务资源,并且被分配的可用服务资源尚未执行相应订单操作的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
将所述被分配的可用服务资源在其被占用时段内的产能调整为:
E(m,t)=E(m,t)-Ereq
其中,t∈[tm1,tm2);m为所述被分配的可用服务资源的序号;[tm1,tm2)为所述被分配的可用服务资源的被占用时段,且tm1∈[tbegin,tend)、tm2∈(tbegin,tend);E(m,t)为t时刻所述被分配的可用服务资源的产能。
方案7、根据方案6所述的服务系统中服务资源的产能预测方法,其特征在于,在所述服务订单被取消的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
若尚未为被取消的所述服务订单分配可用服务资源,则将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
若已为被取消的所述服务订单分配了可用服务资源,则将所述被分配的可用服务资源在各自被占用时段内的产能恢复为:
E(m,t)=E(m,t)+Ereq
其中,t∈[tm1,tm2)。
方案8、根据方案6所述的服务系统中服务资源的产能预测方法,其特征在于,在所述服务订单提前完成的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将所述被分配的可用服务资源在实际结束时刻t′end到该资源的被占用时段的结束时刻tm2之间的产能调整为:
E(m,t)=E(m,t)+Ereq
其中,t∈[t′end,tm2)。
方案9、根据方案6所述的服务系统中服务资源的产能预测方法,其特征在于,在所述服务订单发生延误的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将延误时段内所述被分配的可用服务资源的产能调整为E(m,t)=E(m,t)-Ereq;
其中,t∈[tm2,tm2+tdelay);tdelay为所述延误时段的时间长度。
方案10、根据方案1-5中任一项所述的服务系统中服务资源的产能预测方法,其特征在于,在“根据所述服务订单的当前执行状态,调整预测结果”的步骤之后,所述方法还包括:
当某个服务资源可同时服务的订单数量估计值发生变化时,按照下式所示的方法调整该服务资源的产能:
E(n,t)=E(n,t)+V
其中,E(n,t)为t时刻第n个服务资源的产能,n≥1;V为该服务资源可同时服务的订单数量估计值的变化值;t∈[ta,tb),[ta,tb)为该服务资源可服务订单数量发生变化的时段。
方案11、根据方案1-5中任一项所述的服务系统中服务资源的产能预测方法,其特征在于,“根据所述订单发起位置,获取可用服务资源”具体包括:
以所述订单发起位置为中心,以预设的最小半径阈值为搜索半径,获取该搜索半径范围内在所述订单执行时段中最小产能大于零的服务资源;
计算搜索到的服务资源的产能之和;
若所述产能之和小于预设的订单产能需求,则增大所述搜索半径,从而重新获取所述最小产能大于零的服务资源并计算所述产能之和,直到所述产能之和大于等于所述预设的订单产能需求或所述搜索半径大于等于预设的最大半径阈值;
若所述产能之和大于等于所述预设的订单产能需求,则将搜索到的服务资源作为所述可用服务资源;否则,拒绝订单请求。
方案12、根据方案11所述的服务系统中服务资源的产能预测方法,其特征在于,“计算搜索到的服务资源的产能之和”包括按照下式所示的方法计算所述产能之和:
SG=∑g∈GEmin(g)
其中,
Emin(g)为第g个服务资源在所述订单执行时段内的最小产能值,且Emin(g)>0;G为搜索到的服务资源的集合;E(g,t)为t时刻第g个服务资源的产能。
方案13、根据方案1-5中任一项所述的服务系统中服务资源的产能预测方法,其特征在于,所述服务系统为加电服务系统,所述服务资源为提供加电服务的充电桩、充电站或换电站。
方案14、一种服务系统中服务资源产能的预测系统,其特征在于,所述产能预测系统包括:订单请求获取模块、可用服务资源获取模块、概率计算模块、产能预测模块、第一产能调整模块;
所述订单请求获取模块配置为:获取服务订单的请求信息,所述服务订单的请求信息包括:订单发起位置和订单执行时段;
所述可用服务资源获取模块配置为:根据所述订单发起位置,获取可用服务资源;
所述概率计算模块配置为:计算所述服务订单占用每个所述可用服务资源的概率;
所述产能预测模块配置为:根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能;
所述第一产能调整模块配置为:根据所述服务订单的当前执行状态,调整预测结果;
其中,
所述产能为对应的可用服务资源可同时服务的订单数量估计值。
方案15、根据方案14所述的服务系统中服务资源产能的预测系统,其特征在于,所述概率计算模块,按照下式所示方法计算所述服务订单占用每个所述可用服务资源的概率:
其中,dj为第j个服务资源与所述订单发起位置之间的距离;F为所述可用服务资源的集合。
方案16、根据方案14所述的服务系统中服务资源产能的预测系统,其特征在于,所述产能预测模块具体配置为:
根据所述概率,按照下式所示方法计算所述服务订单对每个所述可用服务资源的产能需求:
E′(j)=Ereq*P(j)
根据所计算的产能需求并按照下式所示的方法,预测每个所述可用服务资源在各自被占用时段内的产能:
E(j,t)=E(j,t)-E′(j)
其中,E′(j)为所述服务订单对第j个服务资源的产能需求;Ereq为预设的订单产能需求;P(j)为所述服务订单占用第j个服务资源的概率;E(j,t)为t时刻第j个可用服务资源的产能;t∈[tj1,tj2);[tj1,tj2)为第j个可用服务资源的被占用时段,且tj1∈[tbegin,tend)、tj2∈(tbegin,tend),[tbegin,tend)为所述订单执行时段。
方案17、根据方案16所述的服务系统中服务资源产能的预测系统,其特征在于,所述产能预测模块中,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,还包括:
判断所述产能需求E′(j)是否大于第j个可用服务资源在所述订单执行时段内的最小产能值Emin(j),
若E′(j)>Emin(j),则按照下式所示的方法,将超出部分的产能需求分配给其他可用服务资源:
并且,将所述服务订单对第j个可用服务资源的产能需求E′(j)调整为Emin(j),将所述服务订单对第k个其他可用服务资源的产能需求E′(k)调整为E′(k)+△E′(k);
其中,所述△Ereq为所述超出部分的产能需求,F为所述可用服务资源的集合,dk为第k个其他可用服务资源与所述订单发起位置之间的距离;
相应地,“预测每个所述可用服务资源在各自被占用时段内的产能”是利用调整后的产能需求E′(j),预测第j个可用服务资源在其被占用时段内的产能。
方案18、根据方案16所述的服务系统中服务资源产能的预测系统,其特征在于,所述产能预测模块中,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,还包括:
根据所述预设的订单产能需求获取每个所述可用服务资源完成所述服务订单需要被占用的时间长度;
获取被服务对象到达每个所述可用服务资源的时间;
根据所述时间长度和所述被服务对象到达每个所述可用服务资源的时间,得到每个所述可用服务资源的被占用时段。
方案19、根据方案14-18中任一项所述的服务系统中服务资源产能的预测系统,其特征在于,在已为所述服务订单分配了可用服务资源,并且被分配的可用服务资源尚未执行相应订单操作的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
将所述被分配的可用服务资源在其被占用时段内的产能调整为:
E(m,t)=E(m,t)-Ereq
其中,t∈[tm1,tm2),m为所述被分配的可用服务资源的序号;[tm1,tm2)为所述被分配服务资源的被占用时段,且tm1∈[tbegin,tend)、tm2∈(tbegin,tend);E(m,t)为t时刻所述被分配的可用服务资源的产能。
方案20、根据方案19所述的服务系统中服务资源产能的预测系统,其特征在于,在所述服务订单被取消的情况下,所述第一产能调整模块按照下述方法调整预测结果:
若尚未为被取消的所述服务订单分配可用服务资源,则将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
若已为被取消的所述服务订单分配了可用服务资源,则将所述被分配的可用服务资源在各自被占用时段内的产能恢复为:
E(m,t)=E(m,t)+Ereq
其中,t∈[tm1,tm2)。
方案21、根据方案19所述的服务系统中服务资源产能的预测系统,其特征在于,在所述服务订单提前完成的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将所述被分配的可用服务资源在实际结束时刻t′end到该资源的被占用时段的结束时刻tm2之间的产能调整为:
E(m,t)=E(m,t)+Ereq
其中,t∈[t′end,tm2)。
方案22、根据方案19所述的服务系统中服务资源产能的预测系统,其特征在于,在所述服务订单发生延误的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将延误时段内所述被分配的可用服务资源的产能调整为E(m,t)=E(m,t)-Ereq;
其中,t∈[tm2,tm2+tdelay);tdelay为所述延误时段的时间长度。
方案23、根据方案14-18中任一项所述的服务系统中服务资源产能的预测系统,其特征在于,所述系统还包括第二产能调整模块;
所述第二产能调整模块配置为:当某个服务资源可同时服务的订单数量发生变化时,按照下式所示的方法调整该服务资源的产能:
E(n,t)=E(n,t)+V
其中,E(n,t)为t时刻第n个服务资源的产能;V为该服务资源可同时服务的订单数量估计值的变化值;t∈[ta,tb),[ta,tb)为该服务资源可服务订单数量发生变化的时段。
方案24、根据方案14-18中任一项所述的服务系统中服务资源产能的预测系统,其特征在于,所述可用服务资源获取模块具体配置为:
以所述订单发起位置为中心,以预设的最小半径阈值为搜索半径,获取该搜索半径范围内在所述订单执行时段中最小产能大于零的服务资源;
计算搜索到的服务资源的产能之和;
若所述产能之和小于预设的订单产能需求,则增大所述搜索半径,从而重新获取所述最小产能大于零的服务资源并计算所述产能之和,直到所述产能之和大于等于所述预设的订单产能需求或所述搜索半径大于等于预设的最大半径阈值;
若所述产能之和大于等于所述预设的订单产能需求,则将搜索到的服务资源作为所述可用服务资源;否则,拒绝所述服务订单的请求。
方案25、根据方案24所述的服务系统中服务资源产能的预测系统,其特征在于,所述可用服务资源获取模块按照下式所示方法计算所述产能之和:
SG=∑g∈GEmin(g)
其中,
Emin(g)为第g个服务资源在所述订单执行时段内的最小产能值,且Emin(g)>0;G为搜索到的服务资源的集合;E(g,t)为t时刻第g个服务资源的产能。
方案26、根据方案14-18中任一项所述的服务系统中服务资源产能的预测系统,其特征在于,所述服务系统为加电服务系统,所述服务资源为提供加电服务的充电桩或换电站。
方案27、一种存储设备,其中存储有程序,其特征在于,所述程序适于由处理器加载并执行,以实现方案1-13中任一项所述的服务系统中服务资源的产能预测方法。
方案28、一种控制设备,包括处理器和存储器;
所述处理器适于执行程序;
所述存储器适于存储该程序;
其特征在于,所述程序适于由所述处理器加载并执行,以实现方案1-13中任一项所述的服务系统中服务资源的产能预测方法。
附图说明
图1是本发明实施例中一种服务系统中服务资源的产能预测方法的主要步骤;
图2是本发明实施例中另一种服务系统中服务资源的产能预测方法的主要步骤;
图3是本发明实施例中可用服务资源搜索的主要步骤;
图4是本发明实施例中一种服务系统中服务资源的产能预测系统的主要结构示意图;
图5是本发明实施例中另一种服务系统中服务资源的产能预测系统的主要结构示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
首先需要说明的是,本发明提出的一种服务系统中服务资源的产能预测方法,是针对服务资源的位置固定,而被服务对象需要移动到服务资源所在位置的情况。这里所说的“产能”是指某个服务资源可以在同一时间为多个不同订单提供服务的能力,用可同时服务的订单数量来衡量。比如,某个换电站可以同时为5辆车提供换电服务,那么这个换电站的产能就是5。服务资源在某个订单结束后,会恢复为执行该订单之前的产能。本发明解决了如下问题:
(1)采用合适的方式来表示服务资源的未来产能;
(2)服务订单产生时未指定将要使用的服务资源,如何预测该订单对未来一段时间内对服务资源产能的影响;
(3)追踪订单的执行状态变化情况,如指定了具体的服务资源、订单取消、订单提前结束、订单延误时,并且及时将其对服务资源产能的影响反映到预测中。
在下面的实施例中以电动汽车充换电领域的加电服务为例对本发明进行说明。其中的“服务系统”指的是加电服务系统,“服务资源”可以是充电桩或换电站等可提供加电服务的装置;“订单发起位置”就是需要进行充换电的电动汽车所在的位置;“订单执行时段”是客户希望进行充换电的大致时间范围;“被占用时段”是选定某一资源进行服务时,该资源执行充换电操作需要花费的时间,是包含在“订单执行时段”内的一段时间。就同一订单而言,如果选择不同的资源进行充电,因为距离远近和资源的服务效率的不同,每个资源的“被占用时段”也会有所不同。
本发明的实际应用范围并不局限于电动汽车的充换电领域,还可以用于加油站、自动洗车站点等服务能力有限,但是需要接受大量预约订单的场合。
参阅附图1,图1示例性地示出了本实施例中一种服务系统中服务资源的产能预测方法的主要步骤。如图1所示,本实施例的产能预测方法可以包括如下步骤S11-S15:
在步骤S11中,获取服务订单的请求信息;其中,服务订单的请求信息包括:订单发起位置和订单执行时段。
在步骤S12中,根据订单发起位置,获取可用服务资源。该步骤具体包括步骤S121-S124:
在步骤S121中,以订单发起位置为中心,以预设的最小半径阈值Rmin作为搜索半径r,获取该搜索半径范围内在订单执行时段中最小产能Emin(j)大于零的服务资源,组成集合F。
在步骤S122中,计算搜索到的服务资源的产能之和,如公式(1)-(2)所示:
SG=∑g∈GEmin(g) (1)
其中,Emin(g)为第g个服务资源在订单执行时段内的最小产能值,且Emin(g)>0;G为搜索到的服务资源的集合;E(g,t)为t时刻第g个服务资源的产能;tbegin、tend分别为执行时段的开始时刻、结束时刻。
在步骤S123中,若SG<Ereq(Ereq为预设的订单产能需求,本实施例中为1),则增大搜索半径r,从而重新获取最小产能大于零的服务资源并计算产能之和,直到SG≥Ereq或搜索半径r≥Rmax(Rmax为预设的最大半径阈值);
在步骤S124中,若SG≥Ereq,则将搜索到的服务资源作为可用服务资源;否则,拒绝当前服务订单的请求。
在步骤S13中,计算服务订单占用每个可用服务资源的概率,如公式(3)所示:
其中,dj为第j个服务资源与所述订单发起位置之间的距离;F为所述可用服务资源的集合。
在步骤S14中,根据订单执行时段与所计算的概率,预测未来一段时间内每个可用服务资源的产能。该步骤具体包括步骤S141-S143:
在步骤S141中,根据所计算的概率,计算服务订单对每个可用服务资源的产能需求:E′(j)=Ereq*P(j)。
若E′(j)>Emin(j),则计算超出部分的产能需求△Ereq=E′(j)-Emin(j);再将超出部分的产能需求划分给每个其他可用服务资源,如公式(4)所示:
然后按照公式(5)所示方法将服务订单对第j个服务资源的产能调整需求调整为:
E′(j)=Emin(j) (5)
同时按照公式(6)所示的方法将服务订单对每个其他可用服务资源的产能需求进行调整:
E′(k)=E′(k)+△E′(k) (6)
其中,E′(k)为服务订单对第k个服务资源的产能需求;Emin(j)为第j个服务资源在订单执行时段内的最小产能值;F为可用服务资源的集合;k为集合F中除第j个服务资源以外其他可用服务资源的序号,且满足Emin(k)≥E′(k),Emin(k)为第k个服务资源在订单执行时段内的最小产能值。
举例说明,假设某个订单的可用资源为A、B、C,且该订单的发起位置距离可用服务资源A、B、C的距离分别是1km、1km、2km,资源A、B、C当前的产能分别为A:0.5、B:0.3、C:0.3。按照公式(3)的方法,计算出该订单占用资源A、B、C的概率分别为0.4、0.4、0.2,则按照公式E′(j)=Ereq*P(j)计算得到该订单对资源A、B、C的产能需求分别为A:0.4、B:0.4、C:0.2。我们发现对资源B的产能需求0.4超过了资源B的最小产能0.3,这时按照公式(4)的方法将超出部分的产能需求0.1划分给资源A、C,再根据公式(5)-(6)得到更新后的产能需求为A:0.467、B:0.3、C:0.233。
在步骤S142中,根据预设的订单产能需求Ereq获取每个可用服务资源完成服务订单需要被占用的时间长度;获取被服务对象到达每个可用服务资源的时间;根据时间长度和被服务对象到达每个可用服务资源的时间,得到每个可用服务资源的被占用时段[tj1,tj2)。
假设某个充电服务订单的可用服务资源为A、B、C这3个充电桩。其中,资源A与资源B的服务效率相同,且距离订单发起位置(即电动汽车所在位置)也相同,都是2km;资源C的服务效率较高(即充电功率较大),但距离订单发起位置较远,是4km。我们根据公式(3)计算得到该订单占用资源A、B、C的概率分别为0.4、0.4、0.2;进而计算出该订单对资源A、B、C的需求分别为0.4、0.4、0.2;在本步骤S142中,基于距离和服务效率的考量,我们得到资源A、B、C的被占用时段分别为[3,6)、[3,6)、[4,6)。按照“资源:被占用时段:产能需求”的格式,将该订单占用不同资源的时段和产能需求表达出来就是A:[3,6):0.4、B:[3,6):0.4、C:[4,6):0.2。从中可以看出,如果选择资源A或B的话,电动汽车可以较快地到达资源所在位置并开始充电(可以从第3个时段开始充电,需要3个时段的充电时间),而选择资源C的话,电动汽车到达资源所在位置的时间较晚(可以从第4个时段开始充电),但是因为资源C的服务效率高,所以充电过程花费时间较少(只用了2个时段的时间)。
在步骤S143中,对每个可用服务资源在被占用时段内的产能进行预扣,得到对每个可用服务资源在被占用时段内的产能预测值:E(j,t)=E(j,t)-E′(j)。
其中,E′(j)为服务订单对第j个服务资源的产能需求;Ereq为预设的订单产能需求;P(j)为当前服务订单占用第j个服务资源的概率;E(j,t)为t时刻第j个服务资源的产能;t∈[tj1,tj2);[tj1,tj2)为第j个服务资源的被占用时段,且tj1∈[tbegin,tend)、tj2∈(tbegin,tend),[tbegin,tend)为订单执行时段;j为可用服务资源的序号,j∈F,F为可用服务资源的集合。
在步骤S15中,根据服务订单的当前执行状态,调整预测结果。该步骤中针对订单分配、订单取消、订单提前完成、订单延误这四种不同的订单执行状态采用不同的调整方法,对于正常结束的情况,因为已经在前面的步骤中加以处理,这里就不需要关注了。
(1)在已为服务订单分配了可用服务资源,并且被分配的可用服务资源尚未执行相应订单操作的情况下,采用如下调整方法:
a)将每个可用服务资源在被占用时段内的产能恢复为E(j,t)=E(j,t)+E′(j)且t∈[tj1,tj2);
b)将被分配的可用服务资源在被占用时段内的产能调整为E(m,t)=E(m,t)-Ereq且t∈[tm1,tm2);
其中,[tj1,tj2)、[tm1,tm2)分别为第j个、第m个服务资源的被占用时段,且这两个时段均包含在订单执行时段内,即tm1∈[tbegin,tend)、tm2∈(tbegin,tend)、tj1∈[tbegin,tend)、tj2∈(tbegin,tend);E(m,t)为t时刻第m个服务资源的产能;m为被分配的可用服务资源的序号。
(2)在服务订单被取消的情况下,采用如下调整方法:
a)若尚未为被取消的服务订单分配可用服务资源,则将每个可用服务资源在被占用时段内的产能恢复为E(j,t)=E(j,t)+E′(j),且t∈[tj1,tj2);
b)若已为被取消的服务订单分配了可用服务资源,则将被分配的可用服务资源在被占用时段内的产能恢复为E(m,t)=E(m,t)+Ereq,且t∈[tm1,tm2)。
(3)在服务订单提前完成的情况下,采用如下调整方法:
将被分配的可用服务资源在实际结束时刻t′end到该资源的被占用时段的结束时刻tm2之间的产能调整为E(m,t)=E(m,t)+Ereq,且t∈[t′end,tm2)。
(4)在服务订单发生延误的情况下,采用如下调整方法:
将延误时段内被分配的可用服务资源的产能调整为E(m,t)=E(m,t)-Ereq,且t∈[tm2,tm2+tdelay);其中,tdelay为延误时段的时间长度。
继续参阅附图2,图2示例性地示出了本实施例中另一种服务系统中服务资源的产能预测方法的主要步骤。如图2所示,本实施例的产能预测方法可以包括如下步骤S21-S26:
在步骤S21中,获取服务订单的请求信息。具体地,本实施例中服务订单的请求信息的获取方法与图1所示产能预测方法中的相应方法相同,为了描述简洁,在此不再赘述。
在步骤S22中,根据订单发起位置,获取可用服务资源。具体地,本实施例中获取可用服务资源的方法与图1所示产能预测方法中的相应方法相同,为了描述简洁,在此不再赘述。
在步骤S23中,计算服务订单占用每个可用服务资源的概率。具体地,本实施例中计算概率的方法与图1所示产能预测方法中的相应方法相同,为了描述简洁,在此不再赘述。
在步骤S24中,根据订单执行时段与所计算的概率,预测未来一段时间内每个可用服务资源的产能。具体地,本实施例中预测服务资源产能的方法与图1所示产能预测方法中的相应方法相同,为了描述简洁,在此不再赘述。
在步骤S25中,根据服务订单的当前执行状态,调整预测结果。具体地,本实施例中调整预测结果的方法与图1所示产能预测方法中的相应方法相同,为了描述简洁,在此不再赘述。
在步骤S26中,当某个服务资源可同时服务的订单数量发生变化的情况下,例如换电站内换电小车的数量由10个增加为15个,那么该换电站原本可以同时为10辆车换电,现在就可以同时为15辆车换电了,我们就要更新该服务资源的产能E(n,t)=E(n,t)+V。
其中,E(n,t)为t时刻第n个服务资源的产能;V为该服务资源可同时服务的订单数量的变化值,当V>0时表示服务能力增加,当V<0时表示服务能力减少;t∈[ta,tb),[ta,tb)为该服务资源可服务订单数量发生变化的时段。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
为了更清楚地说明本发明的设计思路,我们可以结合产能动态变化来进一步说明:
假设服务资源A、B的产能分别为1.0、2.0、1.0,则对应的产能如表1所示:
表1服务资源产能表(一)
表1中t0、t1、t2、t3分别表示不同的时刻,[t0,t1)、[t1,t2)、[t2,t3)代表不同的时间段,本实施例中这些时间段是均匀划分的,例如每15分钟划分一个时间段,对于某个服务资源的“被占用时段”来说,可能包含一个或多个这样的时间段。
继续参阅附图3,图3示例性示出了本实施例中可用服务资源搜索的主要步骤。如图3所示,服务系统接收到第1个订单请求,订单执行时段为[0,3)。以该订单的发起位置为中心在实线圆所示范围内搜索到2个服务资源A、B,这两个资源在订单执行时段[0,3)内的最小产能均大于0,且这2个资源的最小产能之和大于预设的订单产能需求Ereq,即(1.0+2.0)>1。这时我们把资源A、B作为该订单的可用服务资源。
进一步假设资源A、B距离订单1的发起位置分别是1km、4km;根据公式(3)的计算方法,得到该订单占用资源A、B的概率分别为0.8、0.2;按照公式(5)计算得到订单1对资源A、B的产能需求分别为0.8、0.2,并按照订单发起位置与资源之间的距离以及资源的服务效率(假定A、B的服务效率相同)计算出资源A、B被占用的时段分别为[0,2)和[1,3);我们用“资源:被占用时段:产能需求”的格式把上述计算结果描述为A:[0,2):0.8和B:[1,3):0.2。
对资源A、B的产能进行预扣之后,资源A、B、C的产能由表1更新为表2所示:
表2服务资源产能表(二)
接下来又收到第2个订单,订单执行时段为[1,4),在图3中虚线圆所示的搜素范围内该订单的可用服务资源也是A、B,且该订单距离资源A、B的距离分别是9km、1km,按照与订单1同样的方法可计算出订单2占用资源A、B的时段和产能分别为A:[1,3):0.1和B:[2,4):0.9。
在订单2对资源A、B的产能进行预扣之后,资源A、B、C的产能由表2更新为表3所示:
表3服务资源产能表(三)
为了方便后续查看,将上述两个订单对资源A、B的占用时段、产能需求列入表中,如表4所示:
表4需求表
再接下来如果为订单1分配了服务资源A,我们先将该订单从服务资源A、B中预扣掉的产能恢复回去,产能更新为表5所示:
表5服务资源产能表(四)
再将服务资源A在被占用时段内的产能减去预设的订单产能需求(本实施例中为1),产能更新为表6所示:
表6服务资源产能表(五)
表6中资源A在[t1,t2)时段内的产能为-0.1,是因为该时段内资源A的原有产能1.0已被订单1占用,又被订单2预扣了0.1,资源A在该时段内成为不可用资源。
既然资源A已被订单1占用,订单2就只能占用资源B,当资源B确定被分配给订单2的时候,我们也按照上述方法先将该订单从资源A、B中预扣的产能进行恢复,再将资源B在被占用时段[2,4)内的产能减1。
基于与方法实施例相同的技术构思,本发明还提供了服务系统中服务资源的产能预测系统,下面进行具体说明。
参阅附图4,图4示例性地示出了本实施例中一种服务系统中服务资源产能的预测系统的主要结构。如图4所示,本实施例的服务资源产能预测系统100包括:订单请求获取模块110、可用服务资源获取模块120、概率计算模块130、产能预测模块140、第一产能调整模块150;
其中,订单请求获取模块110配置为:获取服务订单的请求信息,服务订单的请求信息包括:订单发起位置和订单执行时段;可用服务资源获取模块120配置为:根据订单发起位置,获取可用服务资源;概率计算模块130配置为:计算服务订单占用每个可用服务资源的概率;产能预测模块140配置为:根据订单执行时段与所计算的概率,预测未来一段时间内每个可用服务资源的产能;第一产能调整模块150配置为:根据服务订单的当前执行状态,调整预测结果。
本实施例中,可用服务资源获取模块120具体配置为:
以订单发起位置为中心,以预设的最小半径阈值Rmin为搜索半径r,获取该搜索半径范围内在所述订单执行时段中最小产能大于零的服务资源;
按照公式(1)-(2)所示方法计算搜索到的服务资源的产能之和SG;
若SG<Ereq(Ereq为预设的订单产能需求,本实施例中为1),则增大搜索半径r,从而重新获取最小产能大于零的服务资源并计算产能之和,直到SG≥Ereq或搜索半径r≥Rmax(Rmax为预设的最大半径阈值);
若SG≥Ereq,则将搜索到的服务资源作为可用服务资源;否则,拒绝订单请求。
本实施例中,概率计算模块130具体配置为按照公式(3)所示方法计算服务订单占用每个可用服务资源的概率P(j);
本实施例中,产能预测模块140具体配置为:
根据所计算的概率,计算服务订单对每个可用服务资源的产能需求:E′(j)=Ereq*P(j);
若E′(j)>Emin(j),则计算超出部分的产能需求△Ereq=E′(j)-Emin(j);再按公式(4)所示方法将超出部分的产能需求划分给每个其他可用服务资源;然后更新服务订单对每个可用服务资源的产能需求,即根据公式(5)将服务订单对第j个服务资源的产能需求进行调整;同时按照公式(6)所示的方法将服务订单对每个其他可用服务资源的产能需求进行调整;
根据预设的订单产能需求Ereq获取每个可用服务资源完成服务订单需要被占用的时间长度;获取被服务对象到达每个可用服务资源的时间;根据时间长度和被服务对象到达每个可用服务资源的时间,得到每个可用服务资源的被占用时段[tj1,tj2);
对每个可用服务资源在被占用时段内的产能进行预扣:
E(j,t)=E(j,t)-E′(j)。
其中,E′(j)为服务订单对第j个服务资源的产能需求;E min(j)为第j个服务资源在订单执行时段内的最小产能值;E(j,t)为t时刻第j个服务资源的产能;t∈[tj1,tj2);[tj1,tj2)为第j个服务资源的被占用时段,且tj1∈[tbegin,tend)、tj2∈(tbegin,tend),[tbegin,tend)为订单执行时段;j∈F,F为可用服务资源的集合。
本实施例中,第一产能调整模块150根据订单的执行状态,分4种不同的情况,采用相应的方法调整产能:
(1)在已为所述服务订单分配了可用服务资源,并且被分配的可用服务资源尚未执行相应订单操作的情况下:
将每个可用服务资源的被占用时段内的产能恢复为E(j,t)=E(j,t)+E′(j)且t∈[tj1,tj2);
将被分配的可用服务资源的被占用时段内的产能调整为E(m,t)=E(m,t)-Ereq且t∈[tm1,tm2)。
其中,[tj1,tj2)、[tm1,tm2)分别为第j个、第m个服务资源的被占用时段,且这两个时段均包含在订单执行时段内,即tm1∈[tbegin,tend)、tm2∈(tbegin,tend)、tj1∈[tbegin,tend)、tj2∈(tbegin,tend);E(m,t)为t时刻第m个服务资源的产能;m为被分配的可用服务资源的序号。
(2)在服务订单被取消的情况下:
若尚未为被取消的服务订单分配可用服务资源,则将每个可用服务资源在被占用时段内的产能恢复为E(j,t)=E(j,t)+E′(j),且t∈[tj1,tj2);
若已为被取消的服务订单分配了可用服务资源,则将被分配的可用服务资源在被占用时段内的产能恢复为E(m,t)=E(m,t)+Ereq,且t∈[tm1,tm2)。
(3)在服务订单提前完成的情况下:
被分配的可用服务资源在实际结束时刻t′end到该资源的被占用时段的结束时刻tm2之间的产能调整为E(m,t)=E(m,t)+Ereq,且t∈[t′end,tm2)。
(4)在服务订单发生延误的情况下:
将延误时段内被分配的可用服务资源的产能调整为E(m,t)=E(m,t)-Ereq,且t∈[tm2,tm2+tdelay);tdelay为延误时段的时间长度。
参阅附图5,图5示例性地示出了本实施例中另一种服务系统中服务资源产能的预测系统的主要结构。如图5所示,本实施例的服务资源产能预测系统200包括:订单请求获取模块210、可用服务资源获取模块220、概率计算模块230、产能预测模块240、第一产能调整模块250、第二产能调整模块260。
其中,订单请求获取模块210、可用服务资源获取模块220、概率计算模块230、产能预测模块240、第一产能调整模块250的功能配置均与图4中对应模块相同,此处不再赘述。
第二产能调整模块260配置为:当某个服务资源可同时服务的订单数量发生变化的情况下,将该服务资源的产能更新为E(n,t)=E(n,t)+V;其中,E(n,t)为t时刻第n个服务资源的产能;V为该服务资源可同时服务的订单数量变化值;ta≤t<tb,[ta,tb)为该服务资源可服务订单数量发生变化的时段。
基于上述产能预测方法实施例,本发明还提供了一种存储设备实施例,其中存储有程序,所述程序适于由处理器加载并执行,以实现上面所述的服务系统中服务资源的产能预测方法。
进一步地,基于上述产能预测方法实施例,本发明还提供了一种控制设备,包括处理器和存储器。其中,处理器适于执行程序,存储器适于存储该程序;所述程序适于由所述处理器加载并执行,以实现上面所述的服务系统中服务资源的产能预测方法。
本申请中对服务资源产能预测系统进行模块划分,仅仅是为了更好地理解本发明的技术方案所涉及的功能,在实践中,这些模块所对应的功能可以由单个硬件加载程序并执行。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法步骤、模块,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (26)
1.一种服务系统中服务资源的产能预测方法,其特征在于,所述产能预测方法包括:
获取服务订单的请求信息,所述服务订单的请求信息包括订单发起位置和订单执行时段;
根据所述订单发起位置,获取可用服务资源;
计算所述服务订单占用每个所述可用服务资源的概率;
根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能;
根据所述服务订单的当前执行状态,调整预测结果;
其中,
所述产能为对应的可用服务资源可同时服务的订单数量估计值;
“根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能”包括:
根据所述概率并按照下式所示的方法计算所述服务订单对每个所述可用服务资源的产能需求:
E′(j)=Ereq*P(j)
根据所计算的产能需求并按照下式所示的方法,预测每个所述可用服务资源在各自被占用时段内的产能:
E(j,t)=E(j,t)-E′(j)
其中,E′(j)为所述服务订单对第j个可用服务资源的产能需求;Ereq为预设的订单产能需求;P(j)为所述服务订单占用第j个可用服务资源的概率;E(j,t)为t时刻第j个可用服务资源的产能,t∈[tj1,tj2);[tj1,tj2)为第j个可用服务资源的被占用时段,且tj1∈[tbegin,tend)、tj2∈(tbegin,tend),[tbegin,tend)为所述订单执行时段。
3.根据权利要求1所述的服务系统中服务资源的产能预测方法,其特征在于,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,所述方法还包括:
判断所述产能需求E′(j)是否大于第j个服务资源在所述订单执行时段内的最小产能值Emin(j),
若E′(j)>Emin(j),则按照下式所示的方法,将超出部分的产能需求分配给其他可用服务资源:
并且,将所述服务订单对第j个可用服务资源的产能需求E′(j)调整为Emin(j),将所述服务订单对第k个其他可用服务资源的产能需求E′(k)调整为E′(k)+ΔE′(k);
其中,所述ΔEreq为所述超出部分的产能需求,F为所述可用服务资源的集合,dk为第k个其他可用服务资源与所述订单发起位置之间的距离;
相应地,“预测每个所述可用服务资源在各自被占用时段内的产能”是利用调整后的产能需求E′(j),预测第j个可用服务资源在其被占用时段内的产能。
4.根据权利要求1中所述的服务系统中服务资源的产能预测方法,其特征在于,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,所述方法还包括:
根据所述预设的订单产能需求获取每个所述可用服务资源完成所述服务订单需要被占用的时间长度;
获取被服务对象到达每个所述可用服务资源的时间;
根据所述时间长度和所述被服务对象到达每个所述可用服务资源的时间,得到每个所述可用服务资源的被占用时段。
5.根据权利要求1-4中任一项所述的服务系统中服务资源的产能预测方法,其特征在于,在已为所述服务订单分配了可用服务资源,并且被分配的可用服务资源尚未执行相应订单操作的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
将所述被分配的可用服务资源在其被占用时段内的产能调整为:
E(m,t)=E(m,t)-Ereq
其中,t∈[tm1,tm2);m为所述被分配的可用服务资源的序号;[tm1,tm2)为所述被分配的可用服务资源的被占用时段,且tm1∈[tbegin,tend)、tm2∈(tbegin,tend);E(m,t)为t时刻所述被分配的可用服务资源的产能。
6.根据权利要求5所述的服务系统中服务资源的产能预测方法,其特征在于,在所述服务订单被取消的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
若尚未为被取消的所述服务订单分配可用服务资源,则将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
若已为被取消的所述服务订单分配了可用服务资源,则将所述被分配的可用服务资源在各自被占用时段内的产能恢复为:
E(m,t)=E(m,t)+Ereq
其中,t∈[tm1,tm2)。
7.根据权利要求5所述的服务系统中服务资源的产能预测方法,其特征在于,在所述服务订单提前完成的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将所述被分配的可用服务资源在实际结束时刻te′nd到该资源的被占用时段的结束时刻tm2之间的产能调整为:
E(m,t)=E(m,t)+Ereq
其中,t∈[te′nd,tm2)。
8.根据权利要求5所述的服务系统中服务资源的产能预测方法,其特征在于,在所述服务订单发生延误的情况下,“根据所述服务订单的当前执行状态,调整预测结果”包括:
将延误时段内所述被分配的可用服务资源的产能调整为E(m,t)=E(m,t)-Ereq;
其中,t∈[tm2,tm2+tdelay);tdelay为所述延误时段的时间长度。
9.根据权利要求1-4中任一项所述的服务系统中服务资源的产能预测方法,其特征在于,在“根据所述服务订单的当前执行状态,调整预测结果”的步骤之后,所述方法还包括:
当某个服务资源可同时服务的订单数量估计值发生变化时,按照下式所示的方法调整该服务资源的产能:
E(n,t)=E(n,t)+V
其中,E(n,t)为t时刻第n个服务资源的产能,n≥1;V为该服务资源可同时服务的订单数量估计值的变化值;t∈[ta,tb),[ta,tb)为该服务资源可服务订单数量发生变化的时段。
10.根据权利要求1-4中任一项所述的服务系统中服务资源的产能预测方法,其特征在于,“根据所述订单发起位置,获取可用服务资源”具体包括:
以所述订单发起位置为中心,以预设的最小半径阈值为搜索半径,获取该搜索半径范围内在所述订单执行时段中最小产能大于零的服务资源;
计算搜索到的服务资源的产能之和;
若所述产能之和小于预设的订单产能需求,则增大所述搜索半径,从而重新获取所述最小产能大于零的服务资源并计算所述产能之和,直到所述产能之和大于等于所述预设的订单产能需求或所述搜索半径大于等于预设的最大半径阈值;
若所述产能之和大于等于所述预设的订单产能需求,则将搜索到的服务资源作为所述可用服务资源;
若所述搜索半径大于等于预设的最大半径阈值时所述产能之和小于所述预设的订单产能需求,拒绝订单请求。
12.根据权利要求1-4中任一项所述的服务系统中服务资源的产能预测方法,其特征在于,所述服务系统为加电服务系统,所述服务资源为提供加电服务的充电桩、充电站或换电站。
13.一种服务系统中服务资源产能的预测系统,其特征在于,所述产能预测系统包括:订单请求获取模块、可用服务资源获取模块、概率计算模块、产能预测模块、第一产能调整模块;
所述订单请求获取模块配置为:获取服务订单的请求信息,所述服务订单的请求信息包括:订单发起位置和订单执行时段;
所述可用服务资源获取模块配置为:根据所述订单发起位置,获取可用服务资源;
所述概率计算模块配置为:计算所述服务订单占用每个所述可用服务资源的概率;
所述产能预测模块配置为:根据所述订单执行时段与所计算的概率,预测未来一段时间内每个所述可用服务资源的产能;
所述第一产能调整模块配置为:根据所述服务订单的当前执行状态,调整预测结果;
其中,
所述产能为对应的可用服务资源可同时服务的订单数量估计值;
所述产能预测模块具体配置为:
根据所述概率,按照下式所示方法计算所述服务订单对每个所述可用服务资源的产能需求:
E′(j)=Ereq*P(j)
根据所计算的产能需求并按照下式所示的方法,预测每个所述可用服务资源在各自被占用时段内的产能:
E(j,t)=E(j,t)-E′(j)
其中,E′(j)为所述服务订单对第j个服务资源的产能需求;Ereq为预设的订单产能需求;P(j)为所述服务订单占用第j个服务资源的概率;E(j,t)为t时刻第j个可用服务资源的产能;t∈[tj1,tj2);[tj1,tj2)为第j个可用服务资源的被占用时段,且tj1∈[tbegin,tend)、tj2∈(tbegin,tend),[tbegin,tend)为所述订单执行时段。
15.根据权利要求13所述的服务系统中服务资源产能的预测系统,其特征在于,所述产能预测模块中,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,还包括:
判断所述产能需求E′(j)是否大于第j个可用服务资源在所述订单执行时段内的最小产能值Emin(j),
若E′(j)>Emin(j),则按照下式所示的方法,将超出部分的产能需求分配给其他可用服务资源:
并且,将所述服务订单对第j个可用服务资源的产能需求E′(j)调整为Emin(j),将所述服务订单对第k个其他可用服务资源的产能需求E′(k)调整为E′(k)+ΔE′(k);
其中,所述ΔEreq为所述超出部分的产能需求,F为所述可用服务资源的集合,dk为第k个其他可用服务资源与所述订单发起位置之间的距离;
相应地,“预测每个所述可用服务资源在各自被占用时段内的产能”是利用调整后的产能需求E′(j),预测第j个可用服务资源在其被占用时段内的产能。
16.根据权利要求13所述的服务系统中服务资源产能的预测系统,其特征在于,所述产能预测模块中,在“预测每个所述可用服务资源在各自被占用时段内的产能”之前,还包括:
根据所述预设的订单产能需求获取每个所述可用服务资源完成所述服务订单需要被占用的时间长度;
获取被服务对象到达每个所述可用服务资源的时间;
根据所述时间长度和所述被服务对象到达每个所述可用服务资源的时间,得到每个所述可用服务资源的被占用时段。
17.根据权利要求13-16中任一项所述的服务系统中服务资源产能的预测系统,其特征在于,在已为所述服务订单分配了可用服务资源,并且被分配的可用服务资源尚未执行相应订单操作的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
其中,t∈[tj1,tj2);
将所述被分配的可用服务资源在其被占用时段内的产能调整为:
E(m,t)=E(m,t)-Ereq
其中,t∈[tm1,tm2),m为所述被分配的可用服务资源的序号;[tm1,tm2)为所述被分配服务资源的被占用时段,且tm1∈[tbegin,tend)、tm2∈(tbegin,tend);E(m,t)为t时刻所述被分配的可用服务资源的产能。
18.根据权利要求17所述的服务系统中服务资源产能的预测系统,其特征在于,在所述服务订单被取消的情况下,所述第一产能调整模块按照下述方法调整预测结果:
若尚未为被取消的所述服务订单分配可用服务资源,则将每个所述可用服务资源在各自被占用时段内的产能恢复为:
E(j,t)=E(j,t)+E′(j)
若已为被取消的所述服务订单分配了可用服务资源,则将所述被分配的可用服务资源在各自被占用时段内的产能恢复为:
E(m,t)=E(m,t)+Ereq
其中,t∈[tm1,tm2)。
19.根据权利要求17所述的服务系统中服务资源产能的预测系统,其特征在于,在所述服务订单提前完成的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将所述被分配的可用服务资源在实际结束时刻te′nd到该资源的被占用时段的结束时刻tm2之间的产能调整为:
E(m,t)=E(m,t)+Ereq
其中,t∈[te′nd,tm2)。
20.根据权利要求17所述的服务系统中服务资源产能的预测系统,其特征在于,在所述服务订单发生延误的情况下,所述第一产能调整模块按照下述方法调整预测结果:
将延误时段内所述被分配的可用服务资源的产能调整为E(m,t)=E(m,t)-Ereq;
其中,t∈[tm2,tm2+tdelay);tdelay为所述延误时段的时间长度。
21.根据权利要求13-16中任一项所述的服务系统中服务资源产能的预测系统,其特征在于,所述系统还包括第二产能调整模块;
所述第二产能调整模块配置为:当某个服务资源可同时服务的订单数量发生变化时,按照下式所示的方法调整该服务资源的产能:
E(n,t)=E(n,t)+V
其中,E(n,t)为t时刻第n个服务资源的产能;V为该服务资源可同时服务的订单数量估计值的变化值;t∈[ta,tb),[ta,tb)为该服务资源可服务订单数量发生变化的时段。
22.根据权利要求13-16中任一项所述的服务系统中服务资源产能的预测系统,其特征在于,所述可用服务资源获取模块具体配置为:
以所述订单发起位置为中心,以预设的最小半径阈值为搜索半径,获取该搜索半径范围内在所述订单执行时段中最小产能大于零的服务资源;
计算搜索到的服务资源的产能之和;
若所述产能之和小于预设的订单产能需求,则增大所述搜索半径,从而重新获取所述最小产能大于零的服务资源并计算所述产能之和,直到所述产能之和大于等于所述预设的订单产能需求或所述搜索半径大于等于预设的最大半径阈值;
若所述产能之和大于等于所述预设的订单产能需求,则将搜索到的服务资源作为所述可用服务资源;若所述搜索半径大于等于预设的最大半径阈值时所述产能之和小于所述预设的订单产能需求,拒绝所述服务订单的请求。
24.根据权利要求13-16中任一项所述的服务系统中服务资源产能的预测系统,其特征在于,所述服务系统为加电服务系统,所述服务资源为提供加电服务的充电桩或换电站。
25.一种存储设备,其中存储有程序,其特征在于,所述程序适于由处理器加载并执行,以实现权利要求1-12中任一项所述的服务系统中服务资源的产能预测方法。
26.一种控制设备,包括处理器和存储器;
所述处理器适于执行程序;
所述存储器适于存储该程序;
其特征在于,所述程序适于由所述处理器加载并执行,以实现权利要求1-12中任一项所述的服务系统中服务资源的产能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810719335.7A CN109063897B (zh) | 2018-07-03 | 2018-07-03 | 服务系统中服务资源的产能预测方法、系统与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810719335.7A CN109063897B (zh) | 2018-07-03 | 2018-07-03 | 服务系统中服务资源的产能预测方法、系统与设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063897A CN109063897A (zh) | 2018-12-21 |
CN109063897B true CN109063897B (zh) | 2022-06-10 |
Family
ID=64818508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810719335.7A Active CN109063897B (zh) | 2018-07-03 | 2018-07-03 | 服务系统中服务资源的产能预测方法、系统与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063897B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861075B (zh) * | 2019-05-17 | 2024-04-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源配置方法、资源配置装置及可读存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101770191B1 (ko) * | 2013-01-30 | 2017-08-23 | 한국전자통신연구원 | 자원 할당 방법 및 그 장치 |
WO2015063967A1 (ja) * | 2013-10-31 | 2015-05-07 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 制御方法、プログラム、情報処理装置、および予約システム |
CN103617451B (zh) * | 2013-12-19 | 2016-08-17 | 国网山东省电力公司德州供电公司 | 一种电动汽车充电服务预约系统及其方法 |
CN104657826B (zh) * | 2015-02-15 | 2019-08-27 | 百度在线网络技术(北京)有限公司 | 资源分配方法和装置 |
CN104915821A (zh) * | 2015-06-10 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 一种用于订单数据处理的方法、客户端和服务端 |
US9690627B2 (en) * | 2015-09-01 | 2017-06-27 | International Business Machines Corporation | Redeployable resource forecasting |
CN106447114A (zh) * | 2016-09-30 | 2017-02-22 | 百度在线网络技术(北京)有限公司 | 提供叫车服务的方法和装置 |
CN106920025A (zh) * | 2016-10-27 | 2017-07-04 | 蔚来汽车有限公司 | 共享资源调度方法和系统 |
CN106991484B (zh) * | 2016-11-14 | 2021-07-23 | 蔚来(安徽)控股有限公司 | 基于智能重复预定的二次资源预约方法 |
CN106792517B (zh) * | 2016-12-05 | 2019-05-24 | 武汉大学 | 基于手机位置时空转移概率的基站服务人数时序预测方法 |
CN106875574B (zh) * | 2017-01-11 | 2020-07-14 | 上海蔚来汽车有限公司 | 利用时间碎片的加电资源预约方法 |
CN108162771B (zh) * | 2017-11-09 | 2020-11-10 | 贵州电网有限责任公司电力科学研究院 | 一种电动汽车智能充电导航方法 |
CN108133619B (zh) * | 2018-02-06 | 2020-05-29 | 百度在线网络技术(北京)有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
CN108171353B (zh) * | 2018-03-12 | 2021-12-24 | 湘潭大学 | 一种基于时间片的电动汽车快速预约匹配方法 |
-
2018
- 2018-07-03 CN CN201810719335.7A patent/CN109063897B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109063897A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Revankar et al. | Grid integration of battery swapping station: A review | |
EP2768693B1 (en) | Method, system and charging station for charging electric vehicles | |
JP5214764B2 (ja) | 電気自動車充電スケジューリングシステム | |
US10001798B2 (en) | Determining power to be supplied based on reservation information of a vehicle | |
US20180032920A1 (en) | Vehicle management system for vehicle-sharing service | |
JP5776017B2 (ja) | 蓄電池充電計画支援システム | |
CN112488444B (zh) | 电动汽车快慢同步有序充电调度方法以及电量结算方法 | |
WO2020255507A1 (ja) | 配車管理方法、及び配車管理装置 | |
CN110605983B (zh) | 一种电动汽车充电速度确定方法及装置 | |
US20150217657A1 (en) | Device and method for reducing peak load of electric energy within building using electric vehicle | |
CN107784824A (zh) | 无人驾驶出租车调度系统及调度方法 | |
JP7257917B2 (ja) | 電力管理システム | |
KR20120092755A (ko) | 대규모 전기자동차 충전소에서의 자동차 충전을 위한 동적 우선순위 부여 방법 | |
WO2015128258A1 (en) | Self-managing charging poles | |
CN109063897B (zh) | 服务系统中服务资源的产能预测方法、系统与设备 | |
Vardakas | Electric vehicles charging management in communication controlled fast charging stations | |
US20230004876A1 (en) | Parked vehicle charging method and system | |
JP2021002940A (ja) | エネルギマネージメント方法、及びエネルギマネージメント装置 | |
JP2015171189A (ja) | 充放電管理装置、充放電管理方法及びプログラム | |
JP7211277B2 (ja) | 充電マネージメント方法、及び充電マネージメント装置 | |
CN111967805A (zh) | 电动汽车代充电控制方法、系统及装置 | |
KR101634870B1 (ko) | 충전기 선택 메카니즘을 갖는 전기 자동차의 투어 스케줄러 | |
CN114626762B (zh) | 移动换电网络选址方法、电池调度方法、装置及系统 | |
CN108960518A (zh) | 代客加电预估完成时间的补偿方法、装置、控制器和介质 | |
CN105471043A (zh) | 充电设备的配置方法和装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200914 Address after: Susong Road West and Shenzhen Road North, Hefei Economic and Technological Development Zone, Anhui Province Applicant after: Weilai (Anhui) Holding Co., Ltd Address before: 30 Floor of Yihe Building, No. 1 Kangle Plaza, Central, Hong Kong, China Applicant before: NIO NEXTEV Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |