CN109242202A - 一种基于区域间乘客流动的出租车推荐方法及系统 - Google Patents
一种基于区域间乘客流动的出租车推荐方法及系统 Download PDFInfo
- Publication number
- CN109242202A CN109242202A CN201811152961.9A CN201811152961A CN109242202A CN 109242202 A CN109242202 A CN 109242202A CN 201811152961 A CN201811152961 A CN 201811152961A CN 109242202 A CN109242202 A CN 109242202A
- Authority
- CN
- China
- Prior art keywords
- point
- passenger
- taxi
- prostitution
- interregional
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 241001601331 Sphingomonas taxi Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于区域间乘客流动的出租车推荐方法及系统,包括:对某个城市的历史出租车数据进行分析,得到所有的载客记录;对所述载客记录进行两次聚类,将所述城市划分为若干个区域;估计接客点的载客概率和每个接客点接到前往目的区域的乘客的概率;遍历所有包含三条路段的可行路径组合并构建相应的推荐路径,选择能使司机获得最大收益的推荐路径作为最终的推荐路径。本发明考虑出租车司机对目的地的特殊偏好和需求,允许出租车司机指定一个或多个感兴趣的目的地,然后根据城市中不同区域之间的乘客转移概率,规划出一条能使司机收益最大化的接客行驶路径。
Description
技术领域
本发明涉及出租车载客的推荐,是一种利用区域间乘客流动性的出租车推荐的方法及系统。
背景技术
随着无线传感器和短距离无线通信技术的发展,例如GPS、Wi-Fi和RFID等,我们可以很容易地得到大量出租车的移动轨迹位置数据。通过对出租车的轨迹数据的分析和利用,可以帮助车租车司机做出实时、有效地决策。近年来,已有大量研究利用出租车移动轨迹数据来设计出高效的移动推荐系统。一般而言,这些现有推荐系统可分为三种类型。第一种类型是为出租车司机提供一系列与潜在净利润和接车率相关的接车潜在点数。第二类是为出租车司机提供一系列路线,其目标是在遵循推荐路线寻找乘客时最大限度地提高其净利润。最后一类是在出租车司机和乘客的需求之间找到平衡。事实上,绝大多数现有的推荐系统在推荐潜在的接车路线时,并没有考虑到出租车司机对目的地的特殊需求和偏好。
例如,某司机在出租车预约平台上接了一个上午10点从火车站出发的订单,而当前时间已经是上午9点。此时,该司机当前位置距火车站有30分钟左右的车程,那么该司机只能接终点在火车站附近的乘客。然而,现有的推荐系统均没有考虑出租车司机对目的地的特殊偏好和需求,所推荐的路线无法满足需求。
发明内容
为了解决上述问题,本发明提出了一种基于区域间乘客流动的出租车推荐方法及系统。所设计的推荐方法及系统允许出租车司机指定一个或多个感兴趣的目的地,然后根据城市中不同区域之间的乘客转移概率,规划出一条能使司机收益最大化的接客行驶路径。
根据本发明的一个方面,提供了一种基于区域间乘客流动的出租车推荐方法,包括:
对某个城市的历史出租车数据进行分析,得到所有的载客记录;
对所述载客记录进行两次聚类,以将所述城市划分为若干个区域;
估计接客点的载客概率和每个接客点接到前往目的区域的乘客的概率;
遍历所有包含三条路段的可行路径组合并构建相应的推荐路径,选择能使司机获得最大收益的推荐路径作为最终的推荐路径。
优选的,所述载客记录包括乘客的上车点和下车点信息。
优选的,所述对载客记录进行两次聚类,以将所述城市划分为若干个区域,包括:
根据所述载客记录中的上车点信息,采用K-means技术进行聚类,将所有的上车点划分成若干个簇,并将每个簇抽象为一个接客点;
根据上述聚类得到的接客点信息,继续采用K-means技术对其做二次聚类,将整个城市划分为若干个区域。
优选的,采用K-means技术对上车点聚类得到接客点的具体实现步骤为:
S21:随机选择k1个初始中心点{c1,c2,…,ck1}作为接客点。
S22:对每个上车点,分别计算它与当前所有中心点间的直线距离,并根据直线距离将每个上车点划分到距离它最近的中心点所对应的簇中;
S23:对每个中心点,将它更新为所对应的簇中所有上车点的经纬度的均值;
S24:重复步骤S22-S23直至收敛:
S25:收敛后的中心点即为聚类得到的接客点。
优选的,采用K-means技术对接客点聚类得到区域的具体实现步骤为:
S31:随机选择k2个初始中心点{c1,c2,…,ck2}作为区域中心点;
S32:对每个接客点,分别计算它与当前所有中心点间的直线距离,并根据直线距离将每个接客点划分到距离它最近的中心点所对应的簇中;
S33:对每个中心点,将它更新为所对应的簇中所有接客点的经纬度的均值。
S34:重复步骤S32-S33直至收敛:
S35:收敛后的中心点即为聚类得到的区域中心点
优选的,所述接客点的载客概率的估计方法如下:
其中,N1,e表示一个时间周期内在接客点e发生的接客行为总数量,N0,e表示一个时间周期内经过接客点e的空车总数量。
优选的,所述每个接客点接到前往目的区域的乘客的概率的估计方法如下:
其中,表示上车点为e,且下车点为在区域rj中的载客记录数量;e表示接客点,rj表示目的区域。
优选的,在所述遍历之前进一步包括:
对于每个包含三条路段的可行路径组合,每次贪心地选择能使司机收益最大化的一个相邻路段加入待推荐路径中,直到推荐的路径长度达到最大阈值为止。
优选的,所述三条路段的其中一条路段指的是连接两个接客点之间的最短路径。
根据本发明的另一个方面,还提供了一种基于区域间乘客流动的出租车推荐系统,包括:
地理区域划分和参数估计模块,用于对某个城市的历史出租车数据进行分析,得到所有的载客记录;对所述载客记录进行两次聚类,以将所述城市划分为若干个区域;估计接客点的载客概率和每个接客点接到前往目的区域的乘客的概率;
带目的地偏好的出租车司机路径规划模块,用于遍历所有包含三条路段的可行路径组合并构建相应的推荐路径,选择能使司机获得最大收益的推荐路径作为最终的推荐路径。
本发明的优势在于:本发明考虑出租车司机对目的地的特殊偏好和需求,允许出租车司机指定一个或多个感兴趣的目的地,然后根据城市中不同区域之间的乘客转移概率,规划出一条能使司机收益最大化的接客行驶路径。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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为本发明的系统结构图。
图2为本发明区域划分的流程图。
图3为本发明采用K-means技术对上车点聚类得到接客点的流程图。
图4为本发明采用K-means技术对接客点聚类得到区域的流程图。
图5为本发明参数估计的流程图。
图6为本发明带目的地偏好的出租车司机路径规划流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明主要提出了一种基于区域间乘客转移概率的出租车推荐方法及系统。如图1所示,所发明的系统分为地理区域划分和参数估计模块、带目的地偏好的出租车司机路径规划模块两个模块。具体实现方式如下:
(1)地理区域划分和参数估计模块。该模块首先对历史出租车数据进行分析,得到所有的载客记录。其中载客记录主要包括乘客的上车点和下车点信息。然后,根据载客记录中的上车点信息,采用K-means技术进行聚类,将所有的上车点划分成若干个簇,并将每个簇抽象为一个接客点。用N1,e来表示一个时间周期内在接客点e发生的接客行为(即出租车接到一个新的客人)总数量,用N0,e表示一个时间周期内经过接客点e的空车总数量。那么可以估计得到接客点e的载客概率P(e)为
根据聚类得到的接客点信息,我们还会继续采用K-means技术对其做二次聚类,将整个城市划分为若干个区域。
在得到区域信息后,我们可以进一步计算得到每个接客点e接到前往目的区域rj的乘客的概率,用P(e,rj)表示。则:
其中,表示上车点为e,且下车点为在区域rj中的载客记录数量。
(2)带目的地偏好的出租车司机路径规划模块。该模块以最大化司机收益为优化目标,在考虑司机感兴趣的目的地的基础上,为出租车司机规划最优的推荐行驶路径。为了降低系统的时间复杂度,我们仅搜索所有包含三条路段的可行路径组合。对于每个包含三条路段的可行路径组合,我们每次贪心地选择能使司机收益最大化的一个相邻路段加入到待推荐路径中来,直到推荐的路径长度达到最大阈值M为止。其中,一条路段指的是连接两个接客点之间的最短路径。因此,在推荐路径中加入一条路段相当于加入了一个接客点。而一条推荐路径R所能带来的期望收益G(R,D)的计算方法如下:
其中,lj表示路径R中的第j个路段,g(lj,D)表示当目的区域在集合D中时,路段lj所能带来的期望收益,而lj·e表示路段lj的终点所代表的接客点。而其中,
g(lj,D)=e(l,D)-c(l,D), (公式5)
e(l,D)=P(l.e)P(l.e,D)Fee(l.e,D) (公式6)
c(l,D)=(1-P(l.e)P(l.e,D))(d(l)GAS+T(l)Fee (公式7)
其中,P(lj.e,D)是指从接客点lj.e出发,接到前往的目的区域在集合D的乘客的概率,P(lj·e,ri)是指接客点lj.e接到前往目的区域rj的乘客的概率。P(l.e)表示接客点l.e的概率,P(l.e,D)表示从接客点l.e出发,接到前往的目的区域在集合D的乘客的概率。Fee(l.e,D)表示司机在接客点接到前往集合D中的区域的期望收益,具体取值可以通过计算历史载客收益的平均值得到。d(l)表示路段l的实际长度,GAS表示单位距离的汽油成本,T(l)表示经过路段l所需要花费的时间,而Fee表示出租车的单位时间成本。
在遍历完所有包含三条路段的可行路径组合并构建出相应的推荐路径后,会选择能使司机获得最大收益的推荐路径作为最终的推荐路径。
本发明提出的基于区域间乘客转移概率的出租车推荐方法,如图2所示,其中区域划分的具体实现包括以下步骤:
S11:统计得到历史记录中的载客信息。出租车公司提供的原始数据中包括车辆ID,载客与否,具体时间,车辆经纬度等信息,根据这些信息可以直接统计得到所有的乘客上车和下车记录。
S12:根据载客记录中的上车点信息,采用K-means技术进行聚类,将所有的上车点划分成若干个簇,并将每个簇抽象为一个接客点。在这里将相邻的上车点聚类为同一个接客点是为了减少接客点的数量,减少接下来各种操作的时间复杂度。
S13:根据聚类得到的接客点信息,继续采用K-means技术对其做二次聚类,将整个城市划分为若干个区域。
其中,如图3所示,采用K-means技术对上车点聚类得到接客点的具体实现步骤为:
S21:随机选择k1个初始中心点{c1,c2,…,ck1}作为接客点。
S22:对每个上车点,分别计算它与当前所有中心点间的直线距离,并根据直线距离将每个上车点划分到距离它最近的中心点所对应的簇中。
S23:对每个中心点,将它更新为所对应的簇中所有上车点的经纬度的均值。
S24:重复步骤S22-S23直至收敛。
S25:收敛后的中心点即为聚类得到的接客点。
如图4所示,采用K-means技术对接客点聚类得到区域的具体实现步骤为:
S31:随机选择k2个初始中心点{c1,c2,…,ck2}作为区域中心点。
S32:对每个接客点,分别计算它与当前所有中心点间的直线距离,并根据直线距离将每个接客点划分到距离它最近的中心点所对应的簇中。
S33:对每个中心点,将它更新为所对应的簇中所有接客点的经纬度的均值。
S34:重复步骤S32-S33直至收敛:
S35:收敛后的中心点即为聚类得到的区域中心点。
如图5所示,参数估计的具体实现步骤如下:
S41:根据历史数据统计得到N1,e和N0,e。
S42:根据公式1估计得到P(e)。
S43:根据历史数据统计得到
S44:根据公式2估计得到P(e,rj)。
如图6所示,本发明带目的地偏好的出租车司机路径规划的具体实现步骤如下:
S51:设置Maxp=0,Maxr=φ。
S52:随机选择一组未被遍历过的可行路径li1→li2→li3作为当前推荐路径;
S53:将具有最大收益的邻接接客点所关联的路段加入当前推荐路径。在寻找具有最大收益的邻接接客点时,需要遍历当前推荐路径上最后一个接客点lij的所有的邻接接客点,并利用公式3计算将每个邻接接客点加入到当前推荐路径上所能带来的收益。最终选择具有最大期望收益邻接接客点,将该接客点与lij所关联的路段加入到当前推荐路径。
S54:判断当前推荐路径长度是否已达到最大阈值M?若是,执行S55;否则,执行S53:
S55:利用公式3计算G(Rc,D),其中G(Rc,D)表示当前推荐路径所能带来的期望收益,Rc是当前推荐路径;
S56:判断G(Rc,D)是否大于Maxp?若大于,则执行S57;否则,执行S58。
S57:设置Maxp=G(Rc,D),Maxr=Rc。
S58:判断是否所有仅包含三条路段的可行路径均已遍历完?若是,执行S59;否则,执行S52。
S59:将Maxr作为最终的推荐路径。
本发明考虑出租车司机对目的地的特殊偏好和需求,允许出租车司机指定一个或多个感兴趣的目的地,然后根据城市中不同区域之间的乘客转移概率,规划出一条能使司机收益最大化的接客行驶路径。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于区域间乘客流动的出租车推荐方法,其特征在于,包括:
对某个城市的历史出租车数据进行分析,得到所有的载客记录;
对所述载客记录进行两次聚类,以将所述城市划分为若干个区域;
估计接客点的载客概率和每个接客点接到前往目的区域的乘客的概率;
遍历所有包含三条路段的可行路径组合并构建相应的推荐路径,选择能使司机获得最大收益的推荐路径作为最终的推荐路径。
2.根据权利要求1所述的一种基于区域间乘客流动的出租车推荐方法,其特征在于,
所述载客记录包括乘客的上车点和下车点信息。
3.根据权利要求2所述的一种基于区域间乘客流动的出租车推荐方法,其特征在于,
所述对载客记录进行两次聚类,以将所述城市划分为若干个区域,包括:
根据所述载客记录中的上车点信息,采用K-means技术进行聚类,将所有的上车点划分成若干个簇,并将每个簇抽象为一个接客点;
根据上述聚类得到的接客点信息,继续采用K-means技术对其做二次聚类,将整个城市划分为若干个区域。
4.根据权利要求3所述的一种基于区域间乘客流动的出租车推荐方法,其特征在于,
采用K-means技术对上车点聚类得到接客点的具体实现步骤为:
S21:随机选择k1个初始中心点{c1,c2,…,ck1}作为接客点。
S22:对每个上车点,分别计算它与当前所有中心点间的直线距离,并根据直线距离将每个上车点划分到距离它最近的中心点所对应的簇中;
S23:对每个中心点,将它更新为所对应的簇中所有上车点的经纬度的均值;
S24:重复步骤S22-S23直至收敛:
S25:收敛后的中心点即为聚类得到的接客点。
5.根据权利要求3所述的一种基于区域间乘客流动的出租车推荐方法,其特征在于,
采用K-means技术对接客点聚类得到区域的具体实现步骤为:
S31:随机选择k2个初始中心点{c1,c2,…,ck2}作为区域中心点;
S32:对每个接客点,分别计算它与当前所有中心点间的直线距离,并根据直线距离将每个接客点划分到距离它最近的中心点所对应的簇中;
S33:对每个中心点,将它更新为所对应的簇中所有接客点的经纬度的均值;
S34:重复步骤S32-S33直至收敛:
S35:收敛后的中心点即为聚类得到的区域中心点。
6.根据权利要求1所述的一种基于区域间乘客流动的出租车推荐方法,其特征在于,
所述接客点的载客概率的估计方法如下:
其中,N1,e表示一个时间周期内在接客点e发生的接客行为总数量,N0,e表示一个时间周期内经过接客点e的空车总数量。
7.根据权利要求1所述的一种基于区域间乘客流动的出租车推荐方法,其特征在于,
所述每个接客点接到前往目的区域的乘客的概率的估计方法如下:
其中,表示上车点为e,且下车点为在区域rj中的载客记录数量;e表示接客点,rj表示目的区域。
8.根据权利要求1所述的一种基于区域间乘客流动的出租车推荐方法,其特征在于,在所述遍历之前进一步包括:
对于每个包含三条路段的可行路径组合,每次贪心地选择能使司机收益最大化的一个相邻路段加入待推荐路径中,直到推荐的路径长度达到最大阈值为止。
9.根据权利要求8所述的一种基于区域间乘客流动的出租车推荐方法,其特征在于,
所述三条路段的其中一条路段指的是连接两个接客点之间的最短路径。
10.一种基于区域间乘客流动的出租车推荐系统,其特征在于,包括:
地理区域划分和参数估计模块,用于对某个城市的历史出租车数据进行分析,得到所有的载客记录;对所述载客记录进行两次聚类,以将所述城市划分为若干个区域;估计接客点的载客概率和每个接客点接到前往目的区域的乘客的概率;
带目的地偏好的出租车司机路径规划模块,用于遍历所有包含三条路段的可行路径组合并构建相应的推荐路径,选择能使司机获得最大收益的推荐路径作为最终的推荐路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811152961.9A CN109242202B (zh) | 2018-09-29 | 2018-09-29 | 一种基于区域间乘客流动的出租车推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811152961.9A CN109242202B (zh) | 2018-09-29 | 2018-09-29 | 一种基于区域间乘客流动的出租车推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242202A true CN109242202A (zh) | 2019-01-18 |
CN109242202B CN109242202B (zh) | 2021-09-21 |
Family
ID=65055286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811152961.9A Active CN109242202B (zh) | 2018-09-29 | 2018-09-29 | 一种基于区域间乘客流动的出租车推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242202B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445309A (zh) * | 2020-03-26 | 2020-07-24 | 四川旅游学院 | 基于社会网络的旅游服务推荐方法 |
CN111859178A (zh) * | 2020-04-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和系统 |
JP2021064180A (ja) * | 2019-10-15 | 2021-04-22 | 株式会社Mobility Technologies | 料金決定装置、料金決定システム及び料金決定方法 |
CN114723100A (zh) * | 2022-02-23 | 2022-07-08 | 东南大学 | 一种基于离散随机性动态规划的空载出租车路径规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620781A (zh) * | 2008-06-30 | 2010-01-06 | 株式会社查纳位资讯情报 | 预测乘客信息的系统和搜索乘客信息的系统及其方法 |
US20120092190A1 (en) * | 2010-10-14 | 2012-04-19 | Xerox Corporation | Computer-Implemented System And Method For Managing Motor Vehicle Parking Reservatons |
CN102859323A (zh) * | 2009-11-24 | 2013-01-02 | 特洛吉斯有限公司 | 基于能源利用的车辆路线选择 |
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 |
CN103544834A (zh) * | 2013-11-14 | 2014-01-29 | 孙林 | 一种基于gps轨迹的出租车寻客策略选优方法 |
-
2018
- 2018-09-29 CN CN201811152961.9A patent/CN109242202B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620781A (zh) * | 2008-06-30 | 2010-01-06 | 株式会社查纳位资讯情报 | 预测乘客信息的系统和搜索乘客信息的系统及其方法 |
CN102859323A (zh) * | 2009-11-24 | 2013-01-02 | 特洛吉斯有限公司 | 基于能源利用的车辆路线选择 |
US20120092190A1 (en) * | 2010-10-14 | 2012-04-19 | Xerox Corporation | Computer-Implemented System And Method For Managing Motor Vehicle Parking Reservatons |
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 |
CN103544834A (zh) * | 2013-11-14 | 2014-01-29 | 孙林 | 一种基于gps轨迹的出租车寻客策略选优方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021064180A (ja) * | 2019-10-15 | 2021-04-22 | 株式会社Mobility Technologies | 料金決定装置、料金決定システム及び料金決定方法 |
JP7337644B2 (ja) | 2019-10-15 | 2023-09-04 | Go株式会社 | 料金決定装置、料金決定システム及び料金決定方法 |
CN111445309A (zh) * | 2020-03-26 | 2020-07-24 | 四川旅游学院 | 基于社会网络的旅游服务推荐方法 |
CN111445309B (zh) * | 2020-03-26 | 2023-05-30 | 四川旅游学院 | 基于社会网络的旅游服务推荐方法 |
CN111859178A (zh) * | 2020-04-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和系统 |
CN111859178B (zh) * | 2020-04-22 | 2024-04-09 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和系统 |
CN114723100A (zh) * | 2022-02-23 | 2022-07-08 | 东南大学 | 一种基于离散随机性动态规划的空载出租车路径规划方法 |
CN114723100B (zh) * | 2022-02-23 | 2024-02-20 | 东南大学 | 一种基于离散随机性动态规划的空载出租车路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109242202B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuo et al. | Public transport for smart cities: Recent innovations and future challenges | |
CN109242202A (zh) | 一种基于区域间乘客流动的出租车推荐方法及系统 | |
CN109657843B (zh) | 一种城市接驳公交系统的一体化规划决策支持系统 | |
Shaheen et al. | Carsharing's impact and future | |
Nocera et al. | How to evaluate and plan the freight-passengers first-last mile | |
Correia et al. | The added value of accounting for users’ flexibility and information on the potential of a station-based one-way car-sharing system: An application in Lisbon, Portugal | |
CN107545320B (zh) | 一种基于图论的城市轨道交通乘客路径规划方法及系统 | |
Bacon et al. | Using real-time road traffic data to evaluate congestion | |
JP2018181142A (ja) | 運行支援装置および運行支援方法 | |
Hamadneh et al. | Impacts of shared autonomous vehicles on the travelers’ mobility | |
CN110118567A (zh) | 出行方式推荐方法及装置 | |
CN108765948A (zh) | 一种弹性的公车调度方法和系统 | |
CN103715725B (zh) | 电动车充电系统和方法 | |
KR20130005035A (ko) | 클라우드 컴퓨팅 방식의 네비게이션 시스템 및 그 운용방법 | |
CN105026893B (zh) | 时间高效的交通选路系统 | |
Lee et al. | Stop aggregation model: Development and application | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
CN103942312A (zh) | 公交换乘线路规划方法和装置 | |
Chuah et al. | Bus routes design and optimization via taxi data analytics | |
Yu et al. | Next generation of journey planner in a smart city | |
Hou et al. | Towards efficient vacant taxis cruising guidance | |
CN106530679B (zh) | 微公交运行管理系统及方法 | |
CN111582527A (zh) | 行程时间的预估方法、装置、电子设备和存储介质 | |
Nourinejad | Dynamic optimization models for ridesharing and carsharing | |
Folco et al. | Data-driven bicycle network planning for demand and safety |
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 |