CN109087528A - 网约车停车诱导方法、平台及系统 - Google Patents

Abstract

本发明属于城市交通技术领域，旨在解决现有网约车因缺乏有效的停车诱导方法，而导致网约车在接送乘客过程中产生很多无效里程的问题。为此，本发明提供了一种网约车停车诱导方法、平台及系统，该方法包括：获取网约车的停车诱导请求信息；获取当前时刻之前各个区域的网约车需求量和当前时刻之前各个区域的网约车空闲量；根据当前时刻之前各个区域的网约车需求量和当前时刻之前各个区域的网约车空闲量计算当前时刻之后预设时段内各个区域的网约车供需比例；将当前时刻之后预设时段内各个区域的网约车供需比例传输给网约车以供网约车选择停车区域。能够使网约车在接单后及时地接到乘客，减少了无效里程，进而提高了网约车的工作效率。

Description

网约车停车诱导方法、平台及系统

技术领域

本发明属于城市交通系统技术领域，具体提供一种网约车停车诱导方法、平台及系统。

背景技术

在构建多样化服务体系方面，出租车将分为巡游出租汽车和网络预约出租汽车，专车简称网约车。网约车已经成为城市交通系统的重要组成部分，给人们的交通出行带来了很大便利。

为进一步规范网约车的运营，国内主要城市相继出台了网约车管理办法，明确规定不允许网约车以巡游的方式运行，因此网约车运营过程中，有很大一部分时间是处于停车状态。目前还没有对网约车停车诱导的有效方法，网约车的停车位置具有很大盲目性，很有可能网约车停车位置距离乘客上车位置很远，造成网约车在接送乘客过程中产生很多无效里程，也增加了接到乘客的时间。

因此，本领域需要一种网约车停车诱导方法、平台及系统来解决上述问题。

发明内容

为了解决现有技术中的上述问题，即为了解决现有网约车因缺乏有效的停车诱导方法，而导致网约车在接送乘客过程中产生很多无效里程的问题，本发明提供了一种网约车停车诱导方法，该停车诱导方法包括：获取网约车的停车诱导请求信息；获取当前时刻之前各个区域的网约车需求量和当前时刻之前各个区域的网约车空闲量；根据所述当前时刻之前各个区域的网约车需求量和所述当前时刻之前各个区域的网约车空闲量计算所述当前时刻之后预设时段内各个区域的网约车供需比例；将所述当前时刻之后所述预设时段内各个区域的网约车供需比例传输给网约车以供网约车选择停车区域。

在上述的停车诱导方法的优选技术方案中，“根据所述当前时刻之前各个区域的网约车需求量和所述当前时刻之前各个区域的网约车空闲量计算所述当前时刻之后预设时段内各个区域的网约车供需比例”的步骤包括：根据所述当前时刻之前各个区域的网约车需求量计算所述当前时刻之后所述预设时段内各个区域的网约车需求量；根据所述当前时刻之前各个区域的网约车空闲量计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量；根据所述当前时刻之后所述预设时段内各个区域的网约车需求量和所述时刻之后所述预设时段内各个区域的网约车空闲量计算所述当前时刻之后所述预设时段内各个区域内网约车的供需比例；其中，所述当前时刻之后所述预设时段内各个区域内网约车的供需比例为所述当前时刻之后所述预设时段内各个区域的网约车需求量与所述当前时刻之后所述预设时段内各个区域的网约车空闲量的比值。

在上述的停车诱导方法的优选技术方案中，“根据所述当前时刻之前各个区域的网约车需求量计算所述当前时刻之后所述预设时段内各个区域的网约车需求量”的步骤包括：如果所述当前时刻属于出行高峰时段，则采用卡尔曼滤波方法计算所述当前时刻之后所述预设时段内各个区域的网约车需求量。如果所述当前时刻属于出行非高峰时段，则采用滑动平均估计方法计算所述当前时刻之后所述预设时段内各个区域的网约车需求量。

在上述的停车诱导方法的优选技术方案中，“采用卡尔曼滤波方法计算所述当前时刻之后所述预设时段内各个区域的网约车需求量”的计算方法如下：步骤S41：用状态一步预测方程初步预测所述当前时刻之后所述预设时段内各个区域的网约车需求量其中，A_t+1，t是一个n×n的矩阵，A_t+1，t需要使用历史数据进行标定，如无历史数据，可以假设A_t+1，t＝I，I为单位矩阵，D^t是一个1×n的矩阵，D^t由所述当前时刻之前所述预设时段内各个区域的网约车需求量组成；步骤S42：用均方误差的一步预测描述步骤S41的随机误差： 其中，Q是白噪声，P_t是D^t的协方差矩阵，是A_t+1，t的转置矩阵；步骤S43：用滤波增益方程(权重)计算卡尔曼增益：H_t+1＝P_t+1，tC^T[CP_t+1，tC^T+R]^-1，其中，R是白噪声，C是n×n的观测矩阵，C需要根据外在因素进行标定，C^T是C的转置矩阵；步骤S44：用滤波估计方程对进行校正，从而计算出所述当前时刻之后所述预设时段内各个区域的网约车需求量步骤S45：对所述当前时刻之后所述预设时段内各个区域的网约车需求量的协方差矩阵P_t+1进行更新：P_t+1＝[I-H_t+1C]P_t+1，t；其中，I为单位矩阵。

在上述的停车诱导方法的优选技术方案中，“采用滑动平均估计方法计算所述当前时刻之后所述预设时段内各个区域的网约车需求量”的计算方法如下：计算区域i在所述当前时刻之后所述预设时段内网约车需求量首先获取所述区域i在所述当前时刻之前p个所述预设时段内网约车需求量，其中，θ_k是需要标定的系数，ε_k是t-k+1个时段预测的误差，即：

在上述的停车诱导方法的优选技术方案中，“根据所述当前时刻之前各个区域的网约车空闲量计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量”的步骤包括：如果所述当前时刻属于出行高峰时段，则采用卡尔曼滤波方法计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量；如果所述当前时刻属于出行非高峰时段，则采用滑动平均估计方法计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量。

在上述的停车诱导方法的优选技术方案中，“采用卡尔曼滤波方法计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量”的步骤包括：步骤S71：用状态一步预测方程初步预测所述当前时刻之后所述预设时段内各个区域的网约车空闲量其中，B_t+1，t是一个n×n的矩阵，B_t+1，t需要使用历史数据进行标定，如无历史数据，可以假设B_t+1，t＝I，I为单位矩阵，S^t是一个1×n的矩阵，S^t由所述当前时刻之前所述预设时段内各个区域的网约车空闲量组成；步骤S72：用均方误差的一步预测描述步骤S71的随机误差： 其中，W是白噪声，E_t是S^t的协方差矩阵，是B_t+1，t的转置矩阵；步骤S73：用滤波增益方程(权重)计算卡尔曼增益：F_t+1＝E_t+1，tG^T[GE_t+1，tG^T+V]^-1；其中，V是白噪声，G是n×n的观测矩阵，G需要根据外在因素进行标定，G^T是G的转置矩阵；步骤S74：用滤波估计方程对进行校正，从而计算出所述当前时刻之后所述预设时段内各个区域的网约车空闲量步骤S75：对所述当前时刻之后所述预设时段内各个区域的网约车空闲量的协方差矩阵E_t+1进行更新：E_t+1＝[I-F_t+1G]E_t+1，t；其中，I为单位矩阵。

在上述的停车诱导方法的优选技术方案中，“采用滑动平均估计方法计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量”的步骤包括：计算所述区域i在所述当前时刻之后所述预设时段内网约车空闲量首先获取所述区域i在所述当前时刻之前m个所述预设时段内网约车空闲量，其中，α_k，β_k是需要标定的系数，δ_k是t-k+1个时段预测的误差，即：

在另一方面，本发明还提供了一种网约车的中心诱导平台，所述中心诱导平台包括通信模块、GIS地图和控制模块，所述通信模块能够实现与所述网约车之间的信息传输，所述GIS地图能够实现区域的划分，所述控制模块能够执行上述的停车诱导方法。

在另一方面，本发明还提供了一种网约车的停车诱导系统，所述停车诱导系统包括车载终端设备和上述的中心诱导平台，所述车载终端设备与所述通信模块无线连接。

本领域技术人员能够理解的是，在本发明的优选技术方案中，根据网约车发送停车诱导请求之前各个区域的网约车需求量和网约车空闲量计算网约车发送停车诱导请求之后预设时段内各个区域的网约车供需比例，然后将计算得到的各个区域的网约车供需比例传输给发送停车诱导请求的网约车以供其选择合适地停车区域，从而能够使网约车在接单后及时地接到乘客，减少了无效里程，进而提高了网约车的工作效率，并且，也能够对缓解城市交通拥堵起到积极地作用。

进一步地，由于高峰时段乘客出行的总量和波动性比较大，本发明针对高峰时段采用卡尔曼滤波方法计算当前时刻之后预设时段内各个区域的网约车需求量和空闲量，而在非高峰时段则采用滑动平均估计方法计算当前时刻之后预设时段内各个区域的网约车需求量和空闲量，通过这样的设置，提高了计算数值的精准度，从而能够对网约车进行更有效的停车诱导。

附图说明

图1是本发明的网约车停车诱导系统的结构示意图；

图2是本发明的网约车停车诱导方法的流程图；

图3是本发明的网约车停车诱导方法实施例的流程图；

图4是本发明的计算高峰期各个区域的网约车需求量的流程图；

图5是本发明的计算高峰期各个区域的网约车空闲量的流程图。

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。

基于背景技术指出的现有网约车因缺乏有效的停车诱导方法，而导致网约车在接送乘客过程中产生很多无效里程的问题，本发明提供了一种网约车的停车诱导方法、平台及系统，旨在为网约车提供可靠有效的信息以使其能够选择合适的停车区域，以避免网约车在接送乘客过程中产生过多的无效里程。

具体地，如图1所示，本发明提供了一种网约车的停车诱导系统，该停车诱导系统包括中心诱导平台A和车载终端设备B。网约车司机可以通过车载终端设备B向中心诱导平台A发送停车诱导请求信息并接收中心诱导平台反馈的信息，其中，车载终端设备B可以是车载电脑、或者是智能手机、再或者是平板电脑，本领域技术人员可以在实际应用中灵活地设置车载终端设备B的具体类型，只要网约车司机通过车载终端设备B能够向中心诱导平台A发送停车诱导请求信息并接收中心诱导平台A反馈的信息即可。中心诱导平台A包括通信模块A1、GIS地图A2和控制模块A3，通讯模块A1与车载终端设备B无线连接，能够与车载终端设备B之间实现信息传输，接收网约车的当前位置、运营状态和停车诱导请求等信息，并下发停车诱导信息给车载终端设备B，控制模块A3能够根据通信模块A1接收到的信息执行运算程序，计算出各个区域的网约车供需比例，生成停车诱导信息，GIS地图A3实现城市区域划分，并在GIS地图A3上直观显示网约车位置和当前运行状态。

优选地，车载终端设备B包括通信模块B1、GIS地图B2和定位装置B3，定位装置B3用于采集并发送网约车的位置信息，通信模块B1将当前位置信息和车辆运营状态信息发送给中心诱导平台A，并接受中心诱导平台A发送的停车诱导信息，在GIS地图B2上显示停车诱导信息。下面结合具体实施例来详细地阐述本发明的技术方案。

将中心诱导平台A覆盖的地理范围划分为多个区域，各个区域之间相互独立，区域的划分可以根据地理范围原有的区域进行划分，或者根据实际情况重新划分。网约车需要寻找停车位置时，网约车通过车载终端设备B向中心诱导平台A发出停车诱导请求信息，中心诱导平台A通过通信模块A1接收到请求信息后，如图2所示，通过控制模块A3获取当前时刻之前各个区域的网约车需求量和当前时刻之前各个区域的网约车空闲量，然后根据当前时刻之前各个区域的网约车需求量和当前时刻之前各个区域的网约车空闲量计算当前时刻之后预设时段内各个区域的网约车供需比例，最后再通过通信模块A1将当前时刻之后预设时段内各个区域的网约车供需比例传输给发送停车诱导请求的网约车以供该网约车选择合适地停车区域。其中，需要说明的是，当前时刻指的是网约车向中心诱导平台A发送停车诱导请求的时刻，以该时刻为临界点，通过该时刻之前各个区域的网约车请求量和网约车需求量来计算该时刻之后预设时段内各个区域的网约车供需比例。其中，预设时段可以设置为30分钟，即通过该时刻之前各个区域的网约车请求量和网约车需求量来计算该时刻之后30分钟内各个区域的网约车供需比例，当然，预设时段还可以设置为15分钟，或者设置为60分钟，本领域技术人员在实际应用中可以根据实际情况灵活地设置预设时段的具体时长，只要通过预设时段能够反映出各个区域的网约车供需比例即可。

优选地，如图3所示，“根据当前时刻之前各个区域的网约车需求量和当前时刻之前各个区域的网约车空闲量计算当前时刻之后预设时段内各个区域的网约车供需比例”的步骤包括：根据当前时刻之前各个区域的网约车需求量计算当前时刻之后预设时段内各个区域的网约车需求量；根据当前时刻之前各个区域的网约车空闲量计算当前时刻之后预设时段内各个区域的网约车空闲量；根据所述当前时刻之后所述预设时段内各个区域的网约车需求量和所述时刻之后所述预设时段内各个区域的网约车空闲量计算所述当前时刻之后所述预设时段内各个区域内网约车的供需比例；其中，当前时刻之后预设时段内各个区域内网约车的供需比例为当前时刻之后预设时段内各个区域的网约车需求量与当前时刻之后预设时段内各个区域的网约车空闲量的比值。例如，计算当前时刻之后预设时段(用t+1表示)内区域i的网约车供需比例ai，根据当前时刻之前区域i的网约车需求量计算获得当前时刻之后预设时段(用t+1表示)内区域i的网约车需求量根据当前时刻之前区域i的网约车空闲量计算获得当前时刻之后预设时段(用t+1表示)内区域i的网约车空闲量则

优选地，如图3所示，“根据当前时刻之前各个区域的网约车需求量计算当前时刻之后预设时段内各个区域的网约车需求量”的步骤包括：如果当前时刻属于出行高峰时段，则采用卡尔曼滤波方法计算当前时刻之后预设时段内各个区域的网约车需求量；如果当前时刻属于出行非高峰时段，则采用滑动平均估计方法计算当前时刻之后预设时段内各个区域的网约车需求量。“根据当前时刻之前各个区域的网约车空闲量计算当前时刻之后预设时段内各个区域的网约车空闲量”的步骤包括：如果当前时刻属于出行高峰时段，则采用卡尔曼滤波方法计算当前时刻之后预设时段内各个区域的网约车空闲量；如果当前时刻属于出行非高峰时段，则采用滑动平均估计方法计算当前时刻之后预设时段内各个区域的网约车空闲量。因为在高峰时段，例如上午6:30至8:30和下午17:00至19:00，乘客出行的总量和波动性较大，网约车在不同区域之间流动频繁，使得不同区域之间的网约车供需数量存在较为复杂的联系，因此采用卡尔曼滤波方法计算预设时段内各个区域的网约车需求量和预设时段内各个区域的网约车空闲量，而在非高峰时段，网约车出行需求和供给数量一般波动较小，会维持在一个较为稳定的范围之内，因此采用滑动平均估计方法计算预设时段内各个区域的网约车需求量和预设时段内各个区域的网约车空闲量。

当中心诱导平台A接收到网约车的停车诱导请求信息后，控制模块A3判断当前时刻是否属于高峰时段，如果当前时刻属于高峰时段，则执行卡尔曼滤波方法的运算程序。如图4所示，具体计算方法如下：

调取当前时刻之前预设时段(用t表示)内各个区域的网约车需求量，组成一个1×n的矩阵，记为D^t：

其中，n表示区域。

用状态一步预测方程初步预测当前时刻之后预设时段(用t+1表示)内各个区域的网约车需求量

其中，A_t+1，t是n×n的状态转移矩阵，

表示当前时刻之前预设时段(t)内网约车需求量和当前时刻之后预设时段(t+1)内网约车需求量之间的线性关系。A_t+1，t需要使用历史数据进行标定，历史数据包括初步预测的各个区域的网约车需求量和实际统计的各个区域的网约车需求量，如无历史数据，可以假设A_t+1，t＝I，I为单位矩阵。通过上述公式计算得到：

其中，初步预测的当前时刻之后预设时段内区域i的网约车需求量

用均方误差的一步预测描述上述步骤的随机误差：

其中，Q是白噪声，是A_t+1，t的转置矩阵，P_t是D^t的协方差矩阵，即

[P_t]_ij需要用历史数据进行标定，如无历史数据，可以假设

其中rand(0，1)表示0-1之间的随机数。

用滤波增益方程(权重)计算卡尔曼增益：

H_t+1＝P_t+1，tC^T[CP_t+1，tC^T+R]^-1

其中，R是白噪声，C是n×n的观测矩阵，代表外在因素对网约车需求量的影响作用。C的值需要在天气(雨、雪、雾、沙尘等)、日期(周末、节假日)等不同外在影响因素下，分别进行标定，即在不同的情况下，使用不同的系数。例如，假设D^t是正常天气下的网约车需求，其它条件不变的情况下，小雨天气的网约车需求就对应一个观测矩阵C_小雨，C_小雨D^t就是小雨天气下的网约车需求量，C^T是C的转置矩阵。

用滤波估计方程对进行校正，从而计算出当前时刻之后预设时段内更优的各个区域的网约车需求量

对当前时刻之后预设时段内各个区域的网约车需求量的协方差矩阵P_t+1进行更新，以便下一周期使用，

P_t+1＝[I-H_t+1C]P_t+1，t

其中，I为单位矩阵。

当中心诱导平台A接收到网约车的停车诱导请求信息后，控制模块A3判断当前时刻是否属于高峰时段，如果当前时刻不属于高峰时段，则执行滑动平均估计方法的运算程序。具体计算方法如下：

计算区域i在当前时刻之后预设时段(用t+1表示)内网约车需求量首先获取区域i在当前时刻之前p个预设时段内网约车需求量，

其中，和θ_k是需要标定的系数，系数和θ_k需要在天气(雨、雪、雾、沙尘等)、日期(周末、节假日)等不同外在影响因素下，分别进行标定，即在不同的情况下，使用不同的系数。ε_k是t-k+1时段内的预测误差，即：

在一种可能的实施方式中，当前时刻为12:00，预设时段设置为30分钟，p设置为3，计算区域i在12:00之后30分钟内网约车需求量即计算区域i在12:00至12:30内网约车需求量首先获取区域i当前时刻之前p个预设时段内网约车需求量，即获取11:30至12:00内网约车需求量11:00至11:30内网约车需求量和10:30至11:00内网约车需求量则

其中，为通过计算得到的11:30至12:00内区域i的网约车需求量，即为11:30至12:00内区域i的网约车需求量的预测误差，同理，和均为区域i的网约车需求量的预测误差。

至此，针对高峰时段和非高峰时段分别通过上述的两种计算方法计算得到当前时刻之后预设时段内各个区域的网约车需求量。

当中心诱导平台A接收到网约车的停车诱导请求信息后，控制模块A3判断当前时刻是否属于高峰时段，如果当前时刻属于高峰时段，则执行卡尔曼滤波方法的运算程序。如图5所示，具体计算方法如下：

调取当前时刻之前预设时段(用t表示)内各个区域的网约车空闲量，组成一个1×n的矩阵，记为S^t：

其中，n表示区域。

用状态一步预测方程初步预测当前时刻之后预设时段(用t+1表示)内各个区域的网约车空闲量

其中，B_t+1，t是n×n的状态转移矩阵，

表示当前时刻之前预设时段(t)内网约车空闲量和当前时刻之后预设时段(t+1)内网约车空闲量之间的线性关系。B_t+1，t需要使用历史数据进行标定，历史数据包括初步预测的各个区域的网约车空闲量和实际统计的各个区域的网约车空闲量，如无历史数据，可以假设B_t+1，t＝I，I为单位矩阵。通过上述公式计算得到：

其中，初步预测的当前时刻之后预设时段内区域i的网约车空闲量

用均方误差的一步预测描述上述步骤的随机误差：

其中，W是白噪声，是B_t+1，t的转置矩阵，E_t是S^t的协方差矩阵，即

[E_t]_ij需要用历史数据进行标定，如无历史数据，可以假设

其中rand(0，1)表示0-1之间的随机数。

用滤波增益方程(权重)计算卡尔曼增益：

F_t+1＝E_t+1，tG^T[GE_t+1，tG^T+V]^-1

其中，V是白噪声，G是n×n的观测矩阵，代表外在因素对网约车空闲量的影响作用。G的值需要在天气(雨、雪、雾、沙尘等)、日期(周末、节假日)等不同外在影响因素下，分别进行标定，即在不同的情况下，使用不同的系数。例如，假设S^t是正常天气下的网约车需求，其它条件不变的情况下，小雨天气的网约车需求就对应一个观测矩阵G_小雨，G_小雨S^t就是小雨天气下的网约车空闲量，G^T是G的转置矩阵。

用滤波估计方程对进行校正，从而计算出当前时刻之后预设时段内更优的各个区域的网约车空闲量

对当前时刻之后预设时段内各个区域的网约车空闲量的协方差矩阵E_t+1进行更新，以便下一周期使用，

E_t+1＝[I-F_t+1 ^G]E_t+1，t

其中，I为单位矩阵。

当中心诱导平台A接收到网约车的停车诱导请求信息后，控制模块A3判断当前时刻是否属于高峰时段，如果当前时刻不属于高峰时段，则执行滑动平均估计方法的运算程序。具体计算方法如下：

计算区域i在当前时刻之后预设时段(用t+1表示)内网约车空闲量首先获取区域i在当前时刻之前m个预设时段内网约车空闲量，

其中，α_k和β_k是需要标定的系数，系数α_k和β_k需要在天气(雨、雪、雾、沙尘等)、日期(周末、节假日)等不同外在影响因素下，分别进行标定，即在不同的情况下，使用不同的系数。δ_k是t-k+1时段内的预测误差，即：

在一种可能的实施方式中，当前时刻为12:00，预设时段设置为30分钟，m设置为3，计算区域i在12:00之后30分钟内网约车空闲量即计算区域i在12:00至12:30内网约车空闲量首先获取区域i当前时刻之前m个预设时段内网约车空闲量，即获取11:30至12:00内网约车空闲量11:00至11:30内网约车空闲量和10:30至11:00内网约车空闲量则

其中，为通过计算得到的11:30至12:00内区域i的网约车空闲量，即为11:30至12:00内区域i的网约车空闲量的预测误差，同理，和均为区域i的网约车空闲量的预测误差。

至此，针对高峰时段和非高峰时段分别通过上述的两种计算方法计算得到当前时刻之后预设时段内各个区域的网约车空闲量。

至此，已经结合附图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 (10)

1.一种网约车的停车诱导方法，其特征在于，所述停车诱导方法包括：

获取网约车的停车诱导请求信息；

获取当前时刻之前各个区域的网约车需求量和当前时刻之前各个区域的网约车空闲量；

根据所述当前时刻之前各个区域的网约车需求量和所述当前时刻之前各个区域的网约车空闲量计算所述当前时刻之后预设时段内各个区域的网约车供需比例；

将所述当前时刻之后所述预设时段内各个区域的网约车供需比例传输给网约车以供网约车选择停车区域。

2.根据权利要求1所述的停车诱导方法，其特征在于，“根据所述当前时刻之前各个区域的网约车需求量和所述当前时刻之前各个区域的网约车空闲量计算所述当前时刻之后预设时段内各个区域的网约车供需比例”的步骤包括：

根据所述当前时刻之前各个区域的网约车需求量计算所述当前时刻之后所述预设时段内各个区域的网约车需求量；

根据所述当前时刻之前各个区域的网约车空闲量计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量；

根据所述当前时刻之后所述预设时段内各个区域的网约车需求量和所述时刻之后所述预设时段内各个区域的网约车空闲量计算所述当前时刻之后所述预设时段内各个区域内网约车的供需比例；

其中，所述当前时刻之后所述预设时段内各个区域内网约车的供需比例为所述当前时刻之后所述预设时段内各个区域的网约车需求量与所述当前时刻之后所述预设时段内各个区域的网约车空闲量的比值。

3.根据权利要求2所述的停车诱导方法，其特征在于，“根据所述当前时刻之前各个区域的网约车需求量计算所述当前时刻之后所述预设时段内各个区域的网约车需求量”的步骤包括：

如果所述当前时刻属于出行高峰时段，则采用卡尔曼滤波方法计算所述当前时刻之后所述预设时段内各个区域的网约车需求量；

如果所述当前时刻属于出行非高峰时段，则采用滑动平均估计方法计算所述当前时刻之后所述预设时段内各个区域的网约车需求量。

4.根据权利要求3所述的停车诱导方法，其特征在于，“采用卡尔曼滤波方法计算所述当前时刻之后所述预设时段内各个区域的网约车需求量”的计算方法如下：

步骤S41：用状态一步预测方程初步预测所述当前时刻之后所述预设时段内各个区域的网约车需求量

其中，A_t+1，t是一个n×n的矩阵，A_t+1，t需要使用历史数据进行标定，如无历史数据，可以假设A_t+1，t＝I，I为单位矩阵，D^t是一个1×n的矩阵，D^t由所述当前时刻之前所述预设时段内各个区域的网约车需求量组成；

步骤S42：用均方误差的一步预测描述步骤S41的随机误差：

其中，Q是白噪声，P_t是D^t的协方差矩阵，是A_t+1，t的转置矩阵；

步骤S43：用滤波增益方程(权重)计算卡尔曼增益：

H_t+1＝P_t+1，tC^T[CP_t+1，tC^T+R]^-1

其中，R是白噪声，C是n×n的观测矩阵，C需要根据外在因素进行标定，C^T是C的转置矩阵；

步骤S44：用滤波估计方程对进行校正，从而计算出所述当前时刻之后所述预设时段内各个区域的网约车需求量

步骤S45：对所述当前时刻之后所述预设时段内各个区域的网约车需求量的协方差矩阵P_t+1进行更新：

P_t+1＝[I-H_t+1C]P_t+1，t

其中，I为单位矩阵。

5.根据权利要求3所述的停车诱导方法，其特征在于，“采用滑动平均估计方法计算所述当前时刻之后所述预设时段内各个区域的网约车需求量”的计算方法如下：

计算区域i在所述当前时刻之后所述预设时段内网约车需求量首先获取所述区域i在所述当前时刻之前p个所述预设时段内网约车需求量，

其中，θ_k是需要标定的系数，ε_k是t-k+1时段内的预测误差，即：

6.根据权利要求2所述的停车诱导方法，其特征在于，“根据所述当前时刻之前各个区域的网约车空闲量计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量”的步骤包括：

如果所述当前时刻属于出行高峰时段，则采用卡尔曼滤波方法计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量；

如果所述当前时刻属于出行非高峰时段，则采用滑动平均估计方法计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量。

7.根据权利要求6所述的停车诱导方法，其特征在于，“采用卡尔曼滤波方法计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量”的步骤包括：

步骤S71：用状态一步预测方程初步预测所述当前时刻之后所述预设时段内各个区域的网约车空闲量

其中，B_t+1，t是一个n×n的矩阵，B_t+1，t需要使用历史数据进行标定，如无历史数据，可以假设B_t+1，t＝I，I为单位矩阵，S^t是一个1×n的矩阵，S^t由所述当前时刻之前所述预设时段内各个区域的网约车空闲量组成；

步骤S72：用均方误差的一步预测描述步骤S71的随机误差：

其中，W是白噪声，E_t是S^t的协方差矩阵，是B_t+1，t的转置矩阵；

步骤S73：用滤波增益方程(权重)计算卡尔曼增益：

F_t+1＝E_t+1，tG^T[GE_t+1，tG^T+V]^-1

其中，V是白噪声，G是n×n的观测矩阵，G需要根据外在因素进行标定，G^T是G的转置矩阵；

步骤S74：用滤波估计方程对进行校正，从而计算出所述当前时刻之后所述预设时段内各个区域的网约车空闲量

步骤S75：对所述当前时刻之后所述预设时段内各个区域的网约车空闲量的协方差矩阵E_t+1进行更新：

E_t+1＝[I-F_t+1G]F_t+1，t

其中，I为单位矩阵。

8.根据权利要求6所述的停车诱导方法，其特征在于，“采用滑动平均估计方法计算所述当前时刻之后所述预设时段内各个区域的网约车空闲量”的步骤包括：

计算所述区域i在所述当前时刻之后所述预设时段内网约车空闲量首先获取所述区域i在所述当前时刻之前m个所述预设时段内网约车空闲量，

其中，α_k，β_k是需要标定的系数，δ_k是t-k+1时段内的预测误差，即：

9.一种网约车的中心诱导平台，其特征在于，所述中心诱导平台包括通信模块、GIS地图和控制模块，所述通信模块能够实现与所述网约车之间的信息传输，所述GIS地图能够实现所述各个区域的划分，所述控制模块能够执行权利要求1至8中任一项所述的停车诱导方法。

10.一种网约车的停车诱导系统，其特征在于，所述停车诱导系统包括车载终端设备和权利要求9所述的中心诱导平台，所述车载终端设备与所述通信模块无线连接。