CN109447356B - 基于价格收益与社会感知个性化动态车辆合乘方法及系统 - Google Patents
基于价格收益与社会感知个性化动态车辆合乘方法及系统 Download PDFInfo
- Publication number
- CN109447356B CN109447356B CN201811300578.3A CN201811300578A CN109447356B CN 109447356 B CN109447356 B CN 109447356B CN 201811300578 A CN201811300578 A CN 201811300578A CN 109447356 B CN109447356 B CN 109447356B
- Authority
- CN
- China
- Prior art keywords
- passenger
- vehicle
- vehicles
- price
- score
- 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 44
- 230000008566 social perception Effects 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 101100261000 Caenorhabditis elegans top-3 gene Proteins 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明具体涉及一种基于价格收益与社会感知个性化动态车辆合乘方法及系统,本发明基于价格收益与社会感知的个性化动态车辆合乘方法,将用户关心的社交关系与价格机制同时作用于车辆合乘匹配服务中,进行匹配时,在保证乘客基本行程约束的前提下,不仅考虑新乘客对司机带来的价格收益,还考虑把具有一定社会关系的乘客优先安排在一辆车上,在满足乘客基本行程需求的情况下,兼顾乘客的舒适度和司机的价格收益。本发明可以为用户提供一整套匹配过程的优化机制,通过利用价格收益和社会关系的上限,分支界限算法以及索引机制等对搜索空间进行裁剪,提高了乘客与车辆匹配的速率,提升了系统运行效率,改善了合乘体验。
Description
技术领域
本发明涉及一种基于价格收益与社会感知的个性化动态车辆合乘方法及系统。
背景技术
随着城市化进程的不断推进,城市规模不断扩大,人口不断增加,市民群众的出行需求旺盛,出行方式更加注重方便、快捷、实惠、舒适。而城市公共交通尽管运力、运量有所增长,运输组织方式也有所优化,但仍然存在结构性短缺,市民“出行难”问题凸显。2016年中国社科院发布了的《公共服务蓝皮书》,调查了38个城市的打车现状,其中超过1/4的居民表示平日打车需等待超过20分钟。伴随城镇化消费水平升级,居民的乘车出行需求逐步增高,然而受制于城市交通运力的发展速度,供需两侧矛盾日益突出。
共享出行是指人们无需拥有车辆所有权,以共享和合乘方式与其他人共享车辆,按照自己的出行要求付出相应的使用费的一种新兴交通方式,包括以汽车共享、单车共享为代表的一大批创新模式。共享出行的出现有助于解决当今社会车辆闲置资源无法被有效利用带来的浪费问题。作为中国发展共享经济的最佳切入点,共享出行通过新技术、新业态、新模式,对缓解出行矛盾、推动经济发展、促进社会和谐产生巨大的作用和深远的影响。因此,共享出行特别是以提高舒适度和满足个性定制需求的新型共享出行模式在中国的发展需求迫在眉睫。
在众多车辆共享出行的模式中,车辆合乘,即具有行程与时间相似的多人合乘同一车辆出行,具有诸多优点。它对方便公众出行、缓解城市交通拥堵、促进节能减排、降低养车费用等方面具有积极环境与社会意义。据调查显示,目前,国内私家车闲置时间达到95%,仅有5%的车辆在运行,在拥有5座以上的行驶车辆中,平均每车上座人数低于1.5人。如果汽车空载率降低50%,日均可释放运力将达到30亿人次,相当于全国日均公交和轨道交通承载人次的8倍。现实中,虽然车辆合乘的共享出行模式具有诸多优点,但人们参与车辆合乘的意愿水平远远没有达到市场预期。相关研究表明,人们合乘出行的个性化需求的满足程度主要取决于对其分配车辆的状况(如品牌、款式等)、司机的性别、驾驶经验、价格机制以及车上其他乘客的兴趣和关系的匹配度等因素。例如,女性乘客因安全原因可能更愿意乘坐女性司机开的车辆;体育运动爱好者可能比较喜欢与有共同爱好的乘客一起出行;相对于陌生人,人们更愿意选择关系紧密的人合乘出行;合理的价格机制有助于减少乘客乘车费用与司机养车开销等。在众多影响车辆合乘因素中,提高合乘舒适度和合理价格分配机制是影响车辆合乘成功率的重要因素。因此解决个性化出行服务的匹配服务问题,进而满足人们多样化、个性化的合乘需求,成为解决车辆共乘的关键。
发明内容
为解决上述技术问题,本发明的目的是提供一种改善合乘质量,提高合乘成功率的基于价格收益与社会感知的个性化动态车辆合乘方法及系统。
为达到上述发明目的,本发明基于价格收益与社会感知的个性化动态车辆合乘方法,包括:
预存储城区路网地图、预存储乘客关系信息。
获取车辆行程注册信息,所述车辆行程注册信息包括:司机起点,终点,司机开始行程的时间,司机ID以及所允许的最大绕路距离。
检索乘客出发地附近的能够在乘客允许的最大等待时间内赶到乘客出发地的车辆作为候选车辆,依次遍历每一辆候选车辆,计算出乘客乘坐该候选车辆的最短路线,接下来计算出乘客乘坐该候选车辆的社会关系得分与价格得分,计算出总分排名靠前的K辆车推荐给乘客。
乘客在接收到K辆推荐车辆后,选出一辆车作为自己出行车辆。
接送乘客,行程结束,计算出乘客所付价格与司机的收益。
进一步地,采用Baseline算法筛选出车辆,包括:
采用Quadtree把路网上的所有车辆进行索引,其中,每一层的Quadtree都把路网分成一系列连续的网格节点,每个网格节点包含一个节点ID以及在此节点上的车辆列表。
接下来确定候选车辆,在Quadtree索引结构中,自上而下的检索节点与乘客之间的距离,找到距离乘客起点小于乘客在路网的最大等待时间*车辆在路网的默认行驶速度的网格节点,这些节点内的车辆作为候选车辆,按照距离车辆合乘请求发出地从近到远的顺序,依次把车辆加入到待处理的队列V’中。
对V’中的每一辆候选车辆,计算新乘客的起点终点加入车辆的行驶计划后的最短路径,在这里使用分支界限算法计算最短路径。
进一步地,还包括:设置分支界限算法中的剪支条件,所述条件包括:
(1)起点终点先后顺序约束。在分支界限算法计算车辆最短路线的过程中,若某乘客的终点已经进行了路径规划,而乘客的起点尚未进行路径规划(即规划的路线出现了某一位乘客的终点在该乘客起点之前的情况),那么这个分支计算得到的车辆路线一定是不符合要求的车辆路线,该路线就可以提前终止计算。因此,该剪支条件可以提高分支界限算法的计算速度。
(2)时间约束。在分支界限算法中,到达每个点的时间应该在一定的时间区间内。若某个点是乘客的起点,那么到达起点的时间应该在[订单发出时间,订单发出时间+最大等待时间]的区间之内;如果到达的某个点是乘客的终点,那么到达终点的时间应该在[订单发出时间+乘客起点到终点的最短距离/路网上车辆的平均移动速度,订单发出时间+乘客在出发地最大等待时间+(乘客起点到终点的最短距离+乘客的最大绕路距离)/路网上车辆的平均移动速度];如果在分支界限算法计算最短车辆最短路径的过程中,发现按照该分支的路线到达该点的时间要求不满足上述时间区间,那么该车辆一定无法按时接某位乘客上车,或者无法在最大绕路距离范围内接送某位乘客,则该分支路线一定是不符合要求的路线,那么这个点之后的分支路线都不需要进行计算。
进一步地,乘客的价格由乘客从起点到终点的最短距离和乘客在实际乘车中的绕路距离两部分共同作用:
f(r,Sv)表示某一位乘客r的按照车辆行驶计划Sv行驶的费用,表示从乘客的起点到乘客的终点的路网上的最短距离,Δr表示乘客的绕路距离与乘客从起点到终点最短距离的比值,乘客的乘车费用随着绕路比值的增加按照θ函数享受一定的折扣,如果有新的乘客上车,而新上车的乘客与原来车上的乘客路线完全相同,由于Δr是0,那么原来已经在车上的乘客的乘车费用不再享受价格折扣。
进一步地,根据所述乘客的关系信息计算出整车的社会关系得分,用整个车辆上人们的社会关系的平均距离来表示:
社会关系得分SC(r,v)的计算采用如下公式表示:
即新乘客上车后车上所有车上人之间的社会关系得分=新乘客上车前车上所有人的总人数*(新乘客上车前车上所有人的总人数+1)/新乘客上车后每个人与车上其他每个人的社会关系距离之和。
其中:
新上车的乘客用符号表示是:r
两名乘客之间的最短的社会关系距离用符号表示是:h(r′,r″)
进一步地,一个车辆综合考虑价格得分与社会关系得分的总得分为:
其中α是用来调整价格因素和社会关系因素的影响权重的大小,α是一个由用户设定的系统参数,若α增加后价格因素的影响权重增大,社会关系因素影响权重变小,反之亦然。
为达到上述发明目的,本发明基于价格收益与社会感知的个性化动态车辆共乘系统,包括:
存储单元,用于预存储城区路网地图、预存储乘客关系信息;
车辆信息获取单元,用于获取车辆行程注册信息,所述车辆行程注册信息包括:司机起点,终点,司机开始行程的时间,司机ID以及所允许的最大绕路距离。
候选车辆选择单元,用于接收到乘客订单信息,将其放入订单队列并依次处理乘客订单,检索乘客出发地附近的能够在乘客允许的最大等待时间内赶到乘客出发地的车辆作为候选车辆,依次计算假如乘客乘坐该候选车辆的车辆最短路线,接下来计算出乘客乘坐该候选车辆的社会关系得分与价格得分,最终计算出总分排名靠前的K辆车推荐给乘客。
计算单元,接送乘客,行程结束,计算出乘客所付价格与司机的收益。
进一步地,所述候选车辆选择单元包括:
采用Baseline算法模块进行候选车辆选择,用于采用Quadtree把路网上的所有车辆进行索引,其中,每一层的Quadtree都把路网分成一系列连续的网格节点,每个网格节点包含一个节点ID以及在此节点上的车辆列表。
接下来确定候选车辆,在Quadtree索引结构中,自上而下的检索节点与乘客之间的距离,找到距离乘客起点小于乘客在路网的最大等待时间*车辆在路网的默认行驶速度的网格节点,这些节点内的车辆作为候选车辆,按照距离车辆合乘请求发出地从近到远的顺序,依次把车辆加入到待处理的队列V’中。
对V’中的每一辆候选车辆,计算新乘客的起点终点加入车辆的行驶计划后的最短路径,在这里使用分支界限算法计算最短路径。
剪支模块,用于设置分支界限算法模块的剪支条件,所述条件包括:
(1)起点终点先后顺序约束。在分支界限算法计算车辆最短路线的过程中,若某乘客的终点已经进行了路径规划,而乘客的起点尚未进行路径规划(即规划的路线出现了某一位乘客的终点在该乘客起点之前的情况),那么这个分支计算得到的车辆路线一定是不符合要求的车辆路线,该路线就可以提前终止计算。因此,该剪支条件可以提高分支界限算法的计算速度。
(2)时间约束。在分支界限算法中,到达每个点的时间应该在一定的时间区间内。若某个点是乘客的起点,那么到达起点的时间应该在[订单发出时间,订单发出时间+最大等待时间]的区间之内;如果到达的某个点是乘客的终点,那么到达终点的时间应该在[订单发出时间+乘客起点到终点的最短距离/路网上车辆的平均移动速度,订单发出时间+乘客在出发地最大等待时间+(乘客起点到终点的最短距离+乘客的最大绕路距离)/路网上车辆的平均移动速度];如果在分支界限算法计算最短车辆最短路径的过程中,发现按照该分支的路线到达该点的时间要求不满足上述时间区间,那么该车辆一定无法按时接某位乘客上车,或者无法在最大绕路距离范围内接送某位乘客,则该分支路线一定是不符合要求的路线,那么这个点之后的分支路线都不需要进行计算。
采用Advanced算法模块进行候选车辆选择,Advanced算法是在Baseline算法的基础上增加候选车辆筛选优化策略与提前停止策略,对Baseline算法进行优化。
首先,我们对车辆合乘发出者附近的候选车辆进行筛选优化,减少候选车辆的数量。如果候选车辆满足以下两种情况,那么候选车辆一定是不符合要求的候选车辆。
1)候选车辆从当前位置到发出打车请求者的起点的路网距离≥发出打车请求者在出发地的最长等待时间*路网上车辆的速度。如果候选车辆满足这种情况,那么该车辆一定无法在乘客规定的最长等待时间到达乘客的起点去接该乘客上车。
2)某一个车辆的剩余可行驶距离(车辆起点到终点的最短距离+车辆可绕路距离-已车辆行驶距离)≤车辆合成请求发出者的起点到终点的距离,那么即使车辆可以接乘客上车,到达乘客的目的地一定会违背车辆的最大绕路距离约束。
上文介绍了两个筛选乘客附近候选车辆的方法,接下来再提出一个提前停止策略。之前的算法在对乘客附近的候选车辆进行总得分计算时,是按照相距乘客的车辆合乘请求发出地从近到远的顺序,依次把候选车辆加入到待处理的车辆队列中,接下来,本发明提出一种提前停止策略,进一步减少Baseline算法候选车辆的数目。提前停止策略:把出发地所有的候选车辆,按照总分的得分上界总分得分上界Rankub(r,v)排序,即把乘客出发地附近的候选车辆,按照综合考虑社会关系得分上界SCub(r,v)司机价格收入得分的上界PRub(r,v),把车辆按照总分得分的上限降序排列。
按照总分得分上界Rankub(r,v)从高到低的顺序计算对应车辆的价格和社会关系精准得分,在计算精准车辆得分的过程中,当已经计算出的车辆精准得分从高到低降序排名第K得分≥剩余车辆最大的总分得分上界时,那么剩余所有车辆的精准得分一定小于总分排名第K的得分(因为总分的得分上界就是候选车辆得分的上限)。
分别介绍价格得分的上界与社会关系得分的上界。
价格得分上界的计算方法为:
其中:
假如新上车的乘客与车上所有其他的乘客都认识,此时的社会关系得分最大,则求出了候选车辆的社会关系得分的上界。
社会关系得分上界的计算方法为:
其中:
社会关系得分上界SCub(r,v)=(新乘客上车前车上所有人的总人数)*(新乘客上车前车上所有人的总人数+1)/(新乘客上车前包含司机的每个人与其他所有人的社会关系距离之和+2*新乘客上车前车上所有人的总人数)。
根据价格得分上界和社会关系得分上界,可以求出候选车辆的总分得分上界Rankub(r,v):
其中α是用来调整价格因素和社会关系因素的影响权重的大小,α是一个由用户设定的系统参数,若α增加后价格因素的影响权重增大,社会关系因素影响权重变小,反之亦然。
假如新上车的乘客与其他的所有车上的人都认识(社会关系仅一跳直接相连),就可以求出该车辆的社会关系得分上界。社会关系得分上界SCub(r,v)就是假设新上车的乘客与原来的乘客都认识的情况下,计算出的社会关系得分的最高的上界得分,假如新上车的乘客与车上的乘客有不认识的情况出现,那么实际计算出的精准社会关系得分一定比社会关系得分上界SCub(r,v)低,在这里只需要按照社会关系得分的最高情况(即新上车的乘客与上车前车上的人都认识的情况计算出社会关系得分上界),再计算出价格得分的上界。把所有车辆按照社会关系和价格得分的上界之和进行排序,从高到低依次遍历车辆计算精准得分。由于系统要计算总分从高到低前K得分的车辆,如果总分从高到低第K辆车的精准得分比尚未进行精准得分计算的车辆总分上界还要高,那么尚未进行精准得分计算车辆的得分一定小于第K得分,即后面尚未遍历到的所有候选车辆都不用进行精准得分计算了,从而可以节省计算时间,提高系统性能。
进一步地,所述计算单元包括:
乘客价格计算模块,用于计算乘客的价格,其中乘客的价格由乘客从起点到终点的最短距离和乘客在实际乘车中的绕路距离两部分共同作用:
f(r,Sv)表示某一位乘客r的按照车辆行驶计划Sv行驶的费用,表示从乘客的起点到乘客的终点的路网上的最短距离,Δr表示乘客的绕路距离与乘客从起点到终点最短距离的比值,乘客的乘车费用随着绕路比值的增加按照θ函数享受一定的折扣,如果有新的乘客上车,而新上车的乘客与原来车上的乘客路线完全相同,由于Δr是0,那么原来已经在车上的乘客的乘车费用不再享受价格折扣。
进一步地,所述计算单元包括:
司机收入计算模块,司机收入计算模块,司机的收入可以用公式表示为:
即司机的收入=新乘客上车后所有乘客支付的费用之和-新乘客上车前所有的乘客支付的费用之和-司机接新乘客上车的每公里行驶成本单价*接送新乘客而额外产生的绕路距离。
其中:
司机的收入是:R(r,v)
司机每公里的行驶成本是:τ
司机由于接新乘客上车而额外产生的绕路距离是Δv
社会关系得分模块,社会关系得分SC(r,v)的计算采用如下公式表示:
即新乘客上车后车上所有车上人之间的社会关系得分=新乘客上车前车上所有人的总人数*(新乘客上车前车上所有人的总人数+1)/新乘客上车后每个人与车上其他每个人的社会关系距离之和。
其中:
新上车的乘客用符号表示是:r
两名乘客之间的最短的社会关系距离用符号表示是:h(r′,r″)
借由上述方案,本发明基于价格收益与社会感知的个性化动态车辆合乘方法及系统至少具有以下优点:
本发明将用户在社交媒体中形成的关系与传统的车辆合乘服务结合,改善车辆合乘服务体验,满足人们个性化的出行需求。
对参与车辆合乘服务的用户关系进行建模;定义了基于用户关系的Top-k动态车辆合乘匹配问题;设计了高性能的车辆合乘匹配算法,包括高效的剪支策略与提前停止条件;利用纽约和成都两个城市的真实数据集对所提出算法进行实验验证,经检验算法可以提高车辆合乘中匹配的效率。
在保证用户乘车基本的行程和时间约束的情况下,影响用户合乘体验的关键因素在于用户社交媒体元素模型的设计。过强的用户间关系往往导致符合合乘要求的用户很少;过于松散的用户关系起不到改善合乘体验的作用,合理地定义用户社交关系模型是本项目的一个关键。
此外,动态车辆合乘匹配服务,在用户提交合乘请求后,能否实时地返回Top-k匹配的车辆将影响用户合乘体验。因此,设计高效、可扩展、泛化性能好的动态车辆匹配算法是本发明的一个关键。
综合考虑价格因素与社会关系因素的车辆合乘方法,可以提高车辆合乘时同一辆车辆人与人之间的社会关系紧密程度,使得在行驶路线相似的情况下,社会关系相近的人优先安排在一辆车上,同时,剪支策略、提前停止策略、价格得分上界和社会关系得分上界,Quadtree结构可以加快查询的速度,进一步筛选掉不符合要求的候选车辆,提高系统性能。
与此同时,使用Java语言设计的车辆合乘软件模拟平台,可以对车辆合乘进行模拟仿真,为相关研究工作提供软件模拟平台。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明实施例的A、B、C、D四个人社会关系图;
图2是本发明实施例的乘客允许的最大等待时间、查询时间柱状图;
图3是本发明实施例的车辆数目、平均查询时间柱状图;
图4是本发明实施例的司机的最大绕路距离比例、平均查询时间柱状图。
图5是本发明方法实施例流程图;
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参见图5所示,本发明所述的基于价格收益与社会感知的个性化动态车辆合乘方法的实施例,包括:
预存储城区路网地图、预存储乘客关系信息。
获取车辆行程注册信息,所述车辆行程注册信息包括:司机起点,终点,司机开始行程的时间,司机ID以及所允许的最大绕路距离。
检索乘客出发地附近的能够在乘客允许的最大等待时间内赶到乘客出发地的车辆作为候选车辆,依次遍历每一辆候选车辆,计算出乘客乘坐该候选车辆的最短路线,接下来计算出乘客乘坐该候选车辆的社会关系得分与价格得分,计算出总分排名靠前的K辆车推荐给乘客。
乘客在接收到K辆推荐车辆后,选出一辆车作为自己出行车辆。
接送乘客,行程结束,计算出乘客所付价格与司机的收益。
本实施例的具体实现方式为:
1)初始化处理,加载所在城区的路网地图,读取乘客关系信息。乘客的关系信息是提前存储的,并且程序运行的时候需要先读取地图信息,再读取乘客关系信息,乘客的关系信息采用Gowalla数据集(http://snap.stanford.edu/data/)。
2)司机提交车辆行程注册信息,包括司机起点,终点,司机开始行程的时间,司机ID以及所允许的最大绕路距离。
3)乘客提交订单信息,包含订单发出时间,乘客起点、终点、最长等待时间、最大允许绕路距离,要求系统返回最高车辆得分Top-k的车辆个数。
4)接收到乘客订单信息,将其放入订单队列并依次处理乘客订单,检索订单中乘客出发地附近的能够在乘客允许的最大等待时间内赶到乘客出发地的车辆作为候选车辆。依次计算乘客乘坐该候选车辆的最短行驶路线,根据读取的乘客之间的社会的关系信息计算出整车的社会关系得分,计算价格收益得分,并根据社会关系得分和价格收益得分计算出当前车辆总得分,将排名前K车辆反馈给乘客。
5)乘客在接收到K辆推荐车辆后,选出一辆车作为自己出行车辆,车辆接送乘客,行程结束,计算出乘客所付价格与司机的收益。
价格模型:
本专利需要设计一种公平合理的价格模型,使得新的乘客上车后,司机的收入增加,之前已经上车的乘客的费用降低。与滴滴打车和Uber等平台不同的是,在我们的平台中,价格不是提前计算好的并且不变的,在我们的平台中乘客支付的价格是动态的。乘客在上车的时候可以得到一个基于从起点到终点的距离的所需最大支付价格,如果在该乘客乘车的过程中,由于车辆行驶到新乘客的起点或终点接送新的乘客从而造成原来的已上车的乘客绕路,那么原来在车上的乘客可以因为额外的绕路距离而享受到一定的折扣。
关于司机的收入,目前存在一些价格模型,例如有的价格模型仅仅把司机的收入和司机的载客行驶距离成正比,但是这种价格模型存在一个问题,如果新上车的乘客和司机完全顺路,那么司机新接了乘客上车,司机的收入并不会增加,这样就会导致司机就没有积极性去接新的乘客上车。我们把司机的收入定义为:新乘客上车后司机所获得的所有乘客费用总和-没有新乘客上车时所有乘客费用总和-接新的乘客上车产生绕路距离的行驶成本,这样的话新乘客上车司机的收入会增加,同时,新上车的乘客的路径相似度与车辆越高,司机的收入也越高,司机也有更高的积极性去接乘客上车。
乘客的价格由乘客从起点到终点的最短距离和乘客在实际乘车中的绕路距离两部分共同作用。
其中,乘客的价格由乘客从起点到终点的最短距离和乘客在实际乘车中的绕路距离两部分共同作用:
f(r,Sv)表示某一位乘客r的按照车辆行驶计划Sv行驶的费用,表示从乘客的起点到乘客的终点的路网上的最短距离,Δr表示乘客的绕路距离与乘客从起点到终点最短距离的比值,乘客的乘车费用随着绕路比值的增加按照θ函数享受一定的折扣,如果有新的乘客上车,而新上车的乘客与原来车上的乘客路线完全相同,由于Δr是0,那么原来已经在车上的乘客的乘车费用不再享受价格折扣。
2)司机的收入
司机的收入可以用公式表示为:
即司机的收入=新乘客上车后所有乘客支付的费用之和-新乘客上车前所有的乘客支付的费用之和-司机接新乘客上车的每公里行驶成本单价*接送新乘客而额外产生的绕路距离。
其中:
司机的收入是:R(r,v)
司机每公里的行驶成本是:τ
司机由于接新乘客上车而额外产生的绕路距离是Δv
社会关系得分用整个车辆上人们的社会关系的平均距离来表示。
社会关系得分模块,社会关系得分模块,社会关系得分SC(r,v)的计算采用如下公式表示:
即新乘客上车后车上所有车上人之间的社会关系得分=新乘客上车前车上所有人的总人数*(新乘客上车前车上所有人的总人数+1)/新乘客上车后每个人与车上其他每个人的社会关系距离之和。
其中:
新上车的乘客用符号表示是:r
两名乘客之间的最短的社会关系距离用符号表示是:h(r′,r″)
例如:
下图表示A,B,C,D四个人之间的社会关系距离。
若某车辆已有成员A,B,C,其中A为司机。现在新的乘客D上车,那么A,B,C,D四个人的社会关系得分为:
其中α是用来调整价格因素和社会关系因素的影响权重的大小,α是一个由用户设定的系统参数,若α增加后价格因素的影响权重增大,社会关系因素影响权重变小,反之亦然。
具体匹配原则:
第一,满足绕路距离约束。某一辆车能够去搭载新乘客上车的前提是:假设新乘客上车后,包括司机和车上原来所有的乘客以及新乘客的绕路距离都不能超过每个人的最大绕路距离的约束。
第二,满足乘客的最大等待时间约束,即候选车辆能在乘客的最大等待时间之前达到乘客的出发地接乘客上车。
当收到一个车辆合乘请求后,先筛选排除无法在乘客的最长等待时间到达乘客出发点的车辆,接下来根据价格和社会关系总得分为乘客的合乘请求分配符合要求的Top-k车辆。
本专利采用Baseline算法和Advanced算法来选择候选车辆。
在Baseline算法中,为了更加方便的检索路网上的车辆,采用Quadtree把路网上的所有车辆进行索引。每一层的Quadtree都把路网分成一系列连续的网格节点,每个网格节点包含一个节点ID以及在此节点上的车辆列表。通过Quadtree结构可以更方便的检索能在能在乘客最大等待时间内到达乘客起点接乘客上车的车辆。
下一步,接下来确定候选车辆,以乘客的合乘请求发出地为圆心,以乘客最大等待时间*车辆在路网的默认行驶距离为半径,该范围内的车辆为候选车辆,按照距离车辆合乘请求发出地从近到远的顺序,依次把车辆加入到待处理的队列V’中。
接下来,对V’中的每一辆候选车辆,计算新乘客的起点终点加入车辆的行驶计划后的最短路径,在这里使用分支界限算法计算最短路径(分支界限算法可以计算多个点组成的最短路径)。
因为采用分支界限算法比较耗时,所以在这里提出两种分支界限算法中的剪支条件。在采用分支界限算法计算最短路径的过程中,如果某分支出现了如下两种情况,那么该分支就可以提前停止计算以减少一些不必要的计算。
1.在分支界限算法计算车辆最短路线的过程中,若某乘客的终点已经进行了路径规划,而乘客的起点尚未进行路径规划(即规划的路线出现了某一位乘客的终点在该乘客起点之前的情况),那么这个分支计算得到的车辆路线一定是不符合要求的车辆路线,该路线就可以提前终止计算。因此,该剪支条件可以提高分支界限算法的计算速度。
2.在分支界限算法中,到达每个点的时间应该在一定的时间区间内。若某个点是乘客的起点,那么到达起点的时间应该在[订单发出时间,订单发出时间+最大等待时间]的区间之内;如果到达的某个点是乘客的终点,那么到达终点的时间应该在[订单发出时间+乘客起点到终点的最短距离/路网上车辆的平均移动速度,订单发出时间+乘客在出发地最大等待时间+(乘客起点到终点的最短距离+乘客的最大绕路距离)/路网上车辆的平均移动速度];如果在分支界限算法计算最短车辆最短路径的过程中,发现按照该分支的路线到达该点的时间要求不满足上述时间区间,那么该车辆一定无法按时接某位乘客上车,或者无法在最大绕路距离范围内接送某位乘客,则该分支路线一定是不符合要求的路线,那么这个点之后的分支路线都不需要进行计算。
在使用Advanced算法筛选候选车辆时,该算法是在Baseline算法筛选候选车辆的基础上增加候选车辆筛选优化策略与提前停止策略,对Baseline算法进行优化。
首先,我们对车辆合乘发出者附近的候选车辆进行筛选优化,减少候选车辆的数量。如果候选车辆满足以下两种情况,那么候选车辆一定是不符合要求的候选车辆。
1)候选车辆从当前位置到发出打车请求者的起点的路网距离≥发出打车请求者在出发地的最长等待时间*路网上车辆的速度。如果候选车辆满足这种情况,那么该车辆一定无法在乘客规定的最长等待时间到达乘客的起点去接该乘客上车。
2)某一个车辆的剩余可行驶距离(车辆起点到终点的最短距离+车辆可绕路距离-已车辆行驶距离)≤车辆合成请求发出者的起点到终点的距离,那么即使车辆可以接乘客上车,到达乘客的目的地一定会违背车辆的最大绕路距离约束。
上文介绍了两个筛选乘客附近候选车辆的方法,接下来再提出一个提前停止策略。之前的算法在对乘客附近的候选车辆进行总得分计算时,是按照相距乘客的车辆合乘请求发出地从近到远的顺序,依次把候选车辆加入到待处理的车辆队列中,接下来,本发明提出一种提前停止策略,进一步减少Baseline算法候选车辆的数目。提前停止策略:把出发地所有的候选车辆,按照总分的得分上界总分得分上界Rankub(r,v)排序,即把乘客出发地附近的候选车辆,按照综合考虑社会关系得分上界SCub(r,v)司机价格收入得分的上界PRub(r,v),把车辆按照总分得分的上限降序排列。
按照总分得分上界Rankub(r,v)从高到低的顺序计算对应车辆的价格和社会关系精准得分,在计算精准车辆得分的过程中,当已经计算出的车辆精准得分从高到低降序排名第K得分≥剩余车辆最大的总分得分上界时,那么剩余所有车辆的精准得分一定小于总分排名第K的得分(因为总分的得分上界就是候选车辆得分的上限)。
接下来分别介绍价格得分的上界与社会关系得分的上界。
价格得分上界的计算方法为:
其中:
假如新上车的乘客与车上所有其他的乘客都认识,此时的社会关系得分最大,则求出了候选车辆的社会关系得分的上界。
社会关系得分上界的计算方法为:
其中:
社会关系得分上界SCub(r,v)=(新乘客上车前车上所有人的总人数)*(新乘客上车前车上所有人的总人数+1)/(新乘客上车前包含司机的每个人与其他所有人的社会关系距离之和+2*新乘客上车前车上所有人的总人数)。
根据价格得分上界和社会关系得分上界,可以求出候选车辆的总分得分上界Rankub(r,v):
其中α是用来调整价格因素和社会关系因素的影响权重的大小,α是一个由用户设定的系统参数,若α增加后价格因素的影响权重增大,社会关系因素影响权重变小,反之亦然。
假如新上车的乘客与其他的所有车上的人都认识(社会关系仅一跳直接相连),就可以求出该车辆的社会关系得分上界。社会关系得分上界SCub(r,v)就是假设新上车的乘客与原来的乘客都认识的情况下,计算出的社会关系得分的最高的上界得分,假如新上车的乘客与车上的乘客有不认识的情况出现,那么实际计算出的精准社会关系得分一定比社会关系得分上界SCub(r,v)低,在这里只需要按照社会关系得分的最高情况(即新上车的乘客与上车前车上的人都认识的情况计算出社会关系得分上界),再计算出价格得分的上界。把所有车辆按照社会关系和价格得分的上界之和进行排序,从高到低依次遍历车辆计算精准得分。由于系统要计算总分从高到低前K得分的车辆,如果总分从高到低第K辆车的精准得分比尚未进行精准得分计算的车辆总分上界还要高,那么尚未进行精准得分计算车辆的得分一定小于第K得分,即后面尚未遍历到的所有候选车辆都不用进行精准得分计算了,从而可以节省计算时间,提高系统性能。
为了验证上述实施例的方法和剪支策略,通过实验对论文中提出的方法进行模拟验证。
实验模拟软件使用Java编写,Eclipse Oxygen Release(4.7.0版本)。实验平台配置如下:CPU:i7-7700@3.60GHz 16GB RAM社会关系数据集采用Gowalla数据集,地图采用纽约和成都两个城市的地图,成都市的地图车辆合乘订单采用了滴滴打车在成都2016年11月的订单数据进行试验模拟,纽约市的数据集采用纽约的出租车订单数据。
实验模拟的默认参数如下:
实验默认计算得分Top-3车辆,α的值取0.5,路网上的车辆有5000辆,乘客最大等待时间10分钟,乘客和司机默认允许的最大绕路距离是他们从出发地到目的地的最短距离的50%。
部分实验结果如下:
1.调整乘客最大等待时间
如图2所示,乘客允许的最大等待时间不同,搜索候选车辆的半径范围也不同,候选车辆会的数目不同,因此系统查询时间也不相同,相同参数条件下Advanced算法比Baseline算法的时间性能更好。
2.调整路网上的车辆数目
如图3所示,路网上的车辆数目不同,乘客附近的车辆数目也不同,车辆数目的增多会导致路径计算的计算量增大,影响时间性能。实验参数相同的情况下,Advanced算法可以筛选掉更多的候选车辆,减少系统的查询时间。
3.乘客和司机的最大绕路距离
如图4所示,随着乘客和司机的最大绕路距离增加,乘客的候选车辆数目增加,车辆的行驶计划长度增加导致计算最短距离的计算量增加,平均查询时间增加。相同实验参数下Advanced算法比Baseline算法有更好的时间性能表现。
基于上述实施例,可知本发明在研究动态车辆合乘服务时,利用新的关系评价模型对用户在社交媒体中形成的社交关系进行建模,在满足用户基本行程和出行时间约束的前提下,选择车辆上已有乘客与该用户关系紧密的车辆进行最大化匹配。
我们将社交媒体与车辆合乘服务相结合,将用户在社交媒体上展现的关系应用于车辆合乘服务,以此来改善车辆合乘体验,满足人们个性化的合乘需求。具体来说,当向用户提供合乘服务时,在确保满足用户的行程和时间约束的前提下,将关系紧密的用户分配到同一辆车。这样可使合乘人间能增强信任与交流,满足人们出行的个性化需求,提高人们选择合乘出行方式的意愿度。
本发明专利提出了一种综合考虑社会关系因素与司机收入价格因素的车辆合乘方法,并且在Advanced算法和分支界限算法中提出了一系列高效的剪支策略与提前停止条件来加快系统的响应速度。
此外,我们还找到了价格得分上界,社会关系得分上界,以及分支界限算法中的剪支条件和Quadtree结构来提高程序的效率。
在实验部分,通过Java语言设计了综合考虑价格因素与社会关系因素的实验平台,可以采用纽约成都等真实的城市地图作为实验的数据集。该系统可以实现车辆移动,匹配车辆,计算乘客价格,计算司机收入,生成订单请求,生成路网上的车辆,统计Advanced算法剪支效率,统计打车成功率,自定义乘客起步价单价,自定义乘客每公里价格,自定义司机每公里行驶成本,并且采用滴滴打车与纽约市出租车的车辆合乘订单数据集进行了实验模拟,验证我们提出算法的有效性。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.一种基于价格收益与社会感知的个性化动态车辆合乘方法,其特征包括:
预存储城区路网地图、预存储乘客关系信息;
获取车辆行程注册信息,所述车辆行程注册信息包括:司机起点,终点,司机开始行程的时间,司机ID以及所允许的最大绕路距离;
检索乘客出发地附近的能够在乘客允许的最大等待时间内赶到乘客出发地的车辆作为候选车辆,依次遍历每一辆候选车辆,计算出乘客乘坐该候选车辆的最短路线,接下来计算出乘客乘坐该候选车辆的社会关系得分与价格得分,计算出总分排名靠前的K辆车推荐给乘客;
乘客在接收到K辆推荐车辆后,选出一辆车作为自己出行车辆;
接送乘客,行程结束,计算出乘客所付价格与司机的收益;
乘客的价格由乘客从起点到终点的最短距离和乘客在实际乘车中的绕路距离两部分共同作用:
3.根据权利要求1所述的基于价格收益与社会感知的个性化动态车辆合乘方法,其特征在于,首先,采用Baseline算法筛选出车辆,包括:
采用Quadtree索引结构把路网上的所有车辆进行索引,其中,每一层的Quadtree索引结构都把路网分成一系列连续的网格节点,每个网格节点包含一个节点ID以及在此节点上的车辆列表;
接下来确定候选车辆,在Quadtree索引结构中,自上而下的检索节点与乘客之间的距离,找到距离乘客起点小于乘客在路网的最大等待时间*车辆在路网的默认行驶速度的网格节点,这些节点内的车辆作为候选车辆,按照距离车辆合乘请求发出地从近到远的顺序,依次把车辆加入到待处理的队列V’中;
对V’中的每一辆候选车辆,计算车辆的已有行驶计划加入新的乘客r的起点和r的终点后的车辆最短路径,计算车辆的最短路径时使用分支界限算法。
4.根据权利要求3所述的基于价格收益与社会感知的个性化动态车辆合乘方法,在采用分支界限法计算最短路径的过程中,其特征包括:设置分支界限算法中的剪支条件,以加快分支界限算法的计算速度,所述条件包括:
(1)起点终点先后顺序约束:在分支界限算法计算车辆最短路线的过程中,若某乘客的终点已经进行了路径规划,而乘客的起点尚未进行路径规划(即规划的路线出现了某一位乘客的终点在该乘客起点之前的情况),那么这个分支计算得到的车辆路线一定是不符合要求的车辆路线,该路线就可以提前终止计算; 因此,该剪支条件可以提高分支界限算法的计算速度;
(2)时间约束:在分支界限算法中,到达每个点的时间应该在一定的时间区间内; 若某个点是乘客的起点,那么到达起点的时间应该在[订单发出时间,订单发出时间+最大等待时间]的区间之内;如果到达的某个点是乘客的终点,那么到达终点的时间应该在[订单发出时间+乘客起点到终点的最短距离/路网上车辆的平均移动速度,订单发出时间+乘客在出发地最大等待时间+(乘客起点到终点的最短距离+乘客的最大绕路距离)/路网上车辆的平均移动速度];如果在分支界限算法计算最短车辆最短路径的过程中,发现按照该分支的路线到达该点的时间要求不满足上述时间区间,那么该车辆一定无法按时接某位乘客上车,或者无法在最大绕路距离范围内接送某位乘客,则该分支路线一定是不符合要求的路线,那么这个点之后的分支路线都不需要进行计算。
5.根据权利要求4所述的基于价格收益与社会感知的个性化动态车辆合乘方法,其特征在于,可以计算出乘客附近的每一辆候选车辆的价格得分上界与社会关系得分上界,其中:
价格得分上界的计算方法为:
其中:
假如新上车的乘客与车上所有其他的乘客都认识,此时的社会关系得分最大,则求出了候选车辆的社会关系得分的上界;
社会关系得分上界的计算方法为:
其中:
社会关系得分上界SCub(r,v)=(新乘客上车前车上所有人的总人数)*(新乘客上车前车上所有人的总人数+1)/(新乘客上车前包每个人与其他所有人的社会关系距离之和+2*新乘客上车前车上所有人的总人数);
根据价格得分上界和社会关系得分上界,可以求出候选车辆的总分得分上界Rankub(r,v):
其中α是用来调整价格因素和社会关系因素的影响权重的大小,α是一个由用户设定的系统参数,若α增加后价格因素的影响权重增大,社会关系因素影响权重变小,反之亦然。
6.一种基于价格收益与社会感知的个性化动态车辆共乘系统,其特征包括:
存储单元,用于预存储城区路网地图、预存储乘客关系信息;
车辆信息获取单元,用于获取车辆行程注册信息,所述车辆行程注册信息包括:司机起点,终点,司机开始行程的时间,司机ID以及所允许的最大绕路距离;
候选车辆选择单元,用于接收到乘客订单信息,将其放入订单队列并依次处理乘客订单,检索乘客出发地附近的能够在乘客允许的最大等待时间内赶到乘客出发地的车辆作为候选车辆,依次遍历每一辆候选车辆,计算出乘客乘坐该候选车辆的最短路线,接下来计算出乘客乘坐该候选车辆的社会关系得分与价格得分,计算出总分排名靠前的K辆车推荐给乘客;
计算单元,接送乘客,行程结束,计算出乘客所付价格与司机的收益;
采用Baseline算法选择候选车辆,用于采用Quadtree把路网上的所有车辆进行索引,其中,每一层的Quadtree都把路网分成一系列连续的网格节点,每个网格节点包含一个节点ID以及在此节点上的车辆列表;
接下来确定候选车辆,以乘客的合乘请求发出地为圆心,以乘客在路网的最大等待时间*车辆在路网的默认行驶速度为半径,该范围内的车辆为候选车辆,按照距离车辆合乘请求发出地从近到远的顺序,依次把车辆加入到待处理的队列V’中;
对V’中的每一辆候选车辆,使用分支界限算法计算新乘客的起点终点加入车辆的行驶计划后的最短路径;
剪支模块,用于设置分支界限算法中的剪支条件,所述条件包括:
(1)起点终点先后顺序约束:在分支界限算法计算车辆最短路线的过程中,若某乘客的终点已经进行了路径规划,而乘客的起点尚未进行路径规划(即规划的路线出现了某一位乘客的终点在该乘客起点之前的情况),那么这个分支计算得到的车辆路线一定是不符合要求的车辆路线,该路线就可以提前终止计算; 因此,该剪支条件可以提高分支界限算法的计算速度;
(2)时间约束:在分支界限算法中,到达每个点的时间应该在一定的时间区间内; 若某个点是乘客的起点,那么到达起点的时间应该在[订单发出时间,订单发出时间+最大等待时间]的区间之内;如果到达的某个点是乘客的终点,那么到达终点的时间应该在[订单发出时间+乘客起点到终点的最短距离/路网上车辆的平均移动速度,订单发出时间+乘客在出发地最大等待时间+(乘客起点到终点的最短距离+乘客的最大绕路距离)/路网上车辆的平均移动速度];如果在分支界限算法计算最短车辆最短路径的过程中,发现按照该分支的路线到达该点的时间要求不满足上述时间区间,那么该车辆一定无法按时接某位乘客上车,或者无法在最大绕路距离范围内接送某位乘客,则该分支路线一定是不符合要求的路线,那么这个点之后的分支路线都不需要进行计算;
Advanced算法是在Baseline算法的基础上增加候选车辆筛选优化策略与提前停止策略,对Baseline算法进行优化;
与Baseline算法相同之初在于,Advanced算法首先也采用Quadtree把路网上的所有车辆进行索引,其中,每一层的Quadtree都把路网分成一系列连续的网格节点,每个网格节点包含一个节点ID以及在此节点上的车辆列表;
接下来确定候选车辆,在Quadtree索引结构中,自上而下的检索节点与乘客之间的距离,找到距离乘客起点小于乘客在路网的最大等待时间*车辆在路网的默认行驶速度的网格节点,这些节点内的车辆作为候选车辆,按照距离车辆合乘请求发出地从近到远的顺序,依次把车辆加入到待处理的队列V’中;
Advanced算法相对于Baseline算法的不同之处,我们对车辆合乘发出者附近的候选车辆进行筛选优化,减少候选车辆的数量; 如果候选车辆满足以下两种情况,那么候选车辆一定是不符合要求的候选车辆;
1)候选车辆从当前位置到发出打车请求者的起点的路网距离≥发出打车请求者在出发地的最长等待时间*路网上车辆的速度; 如果候选车辆满足这种情况,那么该车辆一定无法在乘客规定的最长等待时间到达乘客的起点去接该乘客上车;
2)某一个车辆的剩余可行驶距离(车辆起点到终点的最短距离+车辆可绕路距离-已车辆行驶距离)≤车辆合成请求发出者的起点到终点的距离,那么即使车辆可以接乘客上车,到达乘客的目的地一定会违背车辆的最大绕路距离约束;
上文介绍了两个筛选乘客附近候选车辆的方法,接下来再提出一个提前停止策略; 之前的算法在对乘客附近的候选车辆进行总得分计算时,是按照相距乘客的车辆合乘请求发出地从近到远的顺序,依次把候选车辆加入到待处理的车辆队列中,接下来,本发明提出一种提前停止策略,进一步减少Baseline算法候选车辆的数目; 提前停止策略:把出发地所有的候选车辆,按照总分的得分上界总分得分上界Rankub(r,v)排序,即把乘客出发地附近的候选车辆,按照综合考虑社会关系得分上界SCub(r,v)司机价格收入得分的上界PRub(r,v),把车辆按照总分得分的上限降序排列;
按照总分得分上界Rankub(r,v)从高到低的顺序计算对应车辆的价格和社会关系精准得分,在计算精准车辆得分的过程中,当已经计算出的车辆精准得分从高到低降序排名第K得分≥剩余车辆最大的总分得分上界时,那么剩余所有车辆的精准得分一定小于总分排名第K的得分。
7.根据权利要求6所述的基于价格收益与社会感知的个性化动态车辆共乘系统,其特征在于,所述计算单元包括:
乘客价格计算模块,用于计算乘客的价格,乘客的价格由乘客从起点到终点的最短距离和乘客在实际乘车中的绕路距离两部分共同作用:
8.根据权利要求6所述的基于价格收益与社会感知的个性化动态车辆共乘系统,其特征在于,所述计算单元包括:
司机收入计算模块,司机的收入可以用公式表示为:
即司机的收入=新乘客上车后所有乘客支付的费用之和-新乘客上车前所有的乘客支付的费用之和-司机接新乘客上车的每公里行驶成本单价*接送新乘客而额外产生的绕路距离;
其中:
司机的收入是:R(r,v)
司机每公里的行驶成本是:τ
司机由于接新乘客上车而额外产生的绕路距离是Δv
社会关系得分模块,社会关系得分SC(r,v)的计算采用如下公式表示:
即新乘客上车后车上所有车上人之间的社会关系得分=新乘客上车前车上所有人的总人数*(新乘客上车前车上所有人的总人数+1)/新乘客上车后每个人与车上其他每个人的社会关系距离之和;
其中:
新上车的乘客用符号表示是:r
两名乘客之间的最短的社会关系距离用符号表示是:h(r′,r″)
其中α是用来调整价格因素和社会关系因素的影响权重的大小,α是一个由用户设定的系统参数,若α增加后价格因素的影响权重增大,社会关系因素影响权重变小,反之亦然。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811300578.3A CN109447356B (zh) | 2018-11-02 | 2018-11-02 | 基于价格收益与社会感知个性化动态车辆合乘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811300578.3A CN109447356B (zh) | 2018-11-02 | 2018-11-02 | 基于价格收益与社会感知个性化动态车辆合乘方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447356A CN109447356A (zh) | 2019-03-08 |
CN109447356B true CN109447356B (zh) | 2021-09-10 |
Family
ID=65549922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811300578.3A Active CN109447356B (zh) | 2018-11-02 | 2018-11-02 | 基于价格收益与社会感知个性化动态车辆合乘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447356B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109974732B (zh) * | 2019-03-28 | 2022-11-15 | 东北大学 | 一种基于语义感知的Top-k多请求路径规划方法 |
CN111178716B (zh) * | 2019-12-19 | 2023-05-23 | 广东工业大学 | 一种竞拍式的自动驾驶出租车空车调度方法 |
US11898859B2 (en) | 2020-01-06 | 2024-02-13 | Motional Ad Llc | System and method for updating map data |
CN111882092B (zh) * | 2020-06-16 | 2023-01-20 | 广东工业大学 | 一种适用于共享出行的出租车车辆搜索方法 |
CN113947245B (zh) * | 2021-10-20 | 2024-07-09 | 辽宁工程技术大学 | 一种基于订单累积量的多乘客多司机共乘匹配方法及系统 |
CN116168530B (zh) * | 2023-04-21 | 2023-07-04 | 盐城市羽林科技有限公司 | 一种出租车智能调度分配系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217249A (zh) * | 2014-07-02 | 2014-12-17 | 浙江工业大学 | 一种基于时间与费用约束的动态拼车匹配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080167892A1 (en) * | 2007-01-10 | 2008-07-10 | Neil Clark | System for ride sharing and method therefor |
JP2019525299A (ja) * | 2016-06-21 | 2019-09-05 | ヴィア トランスポーテーション、インコーポレイテッド | 車両相乗り管理のためのシステム及び方法 |
-
2018
- 2018-11-02 CN CN201811300578.3A patent/CN109447356B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217249A (zh) * | 2014-07-02 | 2014-12-17 | 浙江工业大学 | 一种基于时间与费用约束的动态拼车匹配方法 |
Non-Patent Citations (2)
Title |
---|
Top-k Taxi Recommendation in Realtime Social-Aware Ridesharing Services;Xiaoyi Fu et al.;《15th International Symposium on Spatial and Temporal Databases》;20170823;第223-235页 * |
Towards Social-Aware Ridesharing Group Query Services;Yafei Li et al.;《IEEE Transactions on Services Computing》;20151214;第10卷(第4期);第1-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109447356A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447356B (zh) | 基于价格收益与社会感知个性化动态车辆合乘方法及系统 | |
Shaheen et al. | Sharing strategies: carsharing, shared micromobility (bikesharing and scooter sharing), transportation network companies, microtransit, and other innovative mobility modes | |
Lu et al. | Multiagent spatial simulation of autonomous taxis for urban commute: Travel economics and environmental impacts | |
Greenwald et al. | It’s up to us: Policies to improve climate outcomes from automated vehicles | |
CN109376311A (zh) | 适用于多个共乘模型的驾驶员-乘车者匹配的系统、方法和装置 | |
KR20180012794A (ko) | 운송 서비스 요금을 결정하기 위한 방법 및 시스템 | |
Davidson et al. | Driving alone versus riding together-How shared autonomous vehicles can change the way we drive | |
Yao et al. | Hybrid operations of human driving vehicles and automated vehicles with data-driven agent-based simulation | |
Shaheen et al. | Mobility and the sharing economy: industry developments and early understanding of impacts | |
Zhang et al. | Research on taxi pricing model and optimization for carpooling detour problem | |
CN113642761A (zh) | Robotaxi自动驾驶共享网约车资源分配方法 | |
Chen et al. | Exploring the operational performance discrepancies between online ridesplitting and carpooling transportation modes based on DiDi data | |
CN113870615A (zh) | 一种基于智慧城市的智能车停车系统及停车方法 | |
CN108898437A (zh) | 一种车联网环境下基于动态不确定需求的协同拼车费用分担方法 | |
Franckx et al. | Future trends in mobility: challenges for transport planning tools and related decision-making on mobility product and service development | |
Stafford | Bridging the Chasm: An Early Adopter's Perspectives on How Electric Vehicles Can Go Mainstream | |
CN111127076A (zh) | 一种出租车共享模式下的定价方法 | |
CN116468219A (zh) | 一种枢纽站接驳出租车合乘调度匹配方法 | |
CN110753917A (zh) | 用于实现多跳拼车的数据处理方法 | |
Rudolph | Promotion of pedelecs as a means to foster low-carbon mobility: scenarios for the German city of Wuppertal | |
Franckx et al. | Future trends in mobility: the rise of the sharing economy and automated transport | |
Hu et al. | Competitive advantage of car-sharing based on travel costs comparison model: A case study of Beijing, China | |
Feng et al. | Research on optimization model of taxi-carpooling expenses based on the passengers' personalized demand | |
CN108985658A (zh) | 一种基于模糊评判和客户期望的车联网协同下载方法 | |
Triki et al. | Ridesharing in muscat: can it be a sustainable solution for the traffic congestion? |
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 |