CN109859458B - 一种基于车辆大数据的车辆调度方法及系统 - Google Patents
一种基于车辆大数据的车辆调度方法及系统 Download PDFInfo
- Publication number
- CN109859458B CN109859458B CN201910044724.9A CN201910044724A CN109859458B CN 109859458 B CN109859458 B CN 109859458B CN 201910044724 A CN201910044724 A CN 201910044724A CN 109859458 B CN109859458 B CN 109859458B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- station
- line
- passengers
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于车辆大数据的车辆调度方法及系统,所述基于车辆大数据的车辆调度方法包括以下步骤:步骤S1,采集车辆位置信息;步骤S2,通过车辆位置信息分别计算车辆当前位置到达站点所需的行驶时间;步骤S3,分析和计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间,并根据所有车次乘客的总候车时间计算其最小值;步骤S4,将所有车次乘客的总候车时间的最小值反馈至管理平台,实现车辆调度。本发明的车辆调度不再单纯依赖于车辆位置的精确度,使得车辆调度方法更加准确和高效,保证车辆在遇到突发情况时能够使得乘客的总候车时间尽量达到最小,为车辆调度和路径规划提供了很好的数据基础。
Description
技术领域
本发明涉及一种车辆调度方法,尤其涉及一种基于车辆大数据的车辆调度方法,并涉及采用了该基于车辆大数据的车辆调度方法的车辆调度系统。
背景技术
目前顺风车、滴滴和出租车等服务异常火爆,各家公司开发自己的最优算法,来匹配乘客和司机。如果没有一个合理的算法处理车辆调度,客户将需要很长的时间进行等待,如果用户时间等待过长,会造成乘客的流失,甚至导致公司运营终止。而目前的技术普遍是基于GOS实现定位和调度,GPS的定位精度会受到环境的影响,这样会导致定位误差,从而导致路况的分析算法有误差,调度不一定准确有效。
也就是说,现有技术存在以下的不足:一般都依赖于车辆位置的精确度;轨迹的准确度依赖地图校准数据的准确性,往往需要调用第三方校准接口;受GPS漂移的影响,会造成很多定位的漂移;受GPS精准度影响,速度计算可能会有误差等等。
发明内容
本发明所要解决的技术问题是如何提供一种更优的车辆调度方法,进而保持车辆在遇到突发情况时能够使得乘客的总候车时间尽量达到最小,为车辆调度和路径规划提供了很好的数据基础。
对此,本发明提供一种基于车辆大数据的车辆调度方法,包括以下步骤:
步骤S1,采集车辆位置信息;
步骤S2,通过车辆位置信息分别计算车辆当前位置到达站点所需的行驶时间;
步骤S3,分析和计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间,并根据所有车次乘客的总候车时间计算其最小值;
步骤S4,将所有车次乘客的总候车时间的最小值反馈至管理平台,实现车辆调度。
本发明的进一步改进在于,所述步骤S3中,包括以下子步骤:
步骤S301,获取线路p的站内服务时间tp,s;
步骤S302,获取线路p中车辆从始发站到达站点k的行驶时间tp,k;
步骤S303,获取线路q中车辆从始发站到达站点k的行驶时间tq,k;
步骤S304,计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间;
步骤S305,根据平均发车间隔计算所有车次乘客的总候车时间的最小值。
本发明的进一步改进在于,所述步骤S304中,通过公式 计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间T,其中,rk为所有乘客在站点k的到达率,Ip为线路p的平均发车间隔,Pq,p表示在站点k从线路q的车辆i换乘到线路p的车辆j的平均乘客数量,p0为线路p在预设时间段内第一辆车辆的发车时间,q0为线路q在预设时间段内第一辆车辆的发车时间,n和m均为线路计算的循环区间参数,pj+tp,k表示线路p的车辆j到达站点k的时间,qi+tq,k表示线路q的车辆i到达站点k的时间,i和j均为代表车辆的自然数。
本发明的进一步改进在于,所述步骤S301中,通过车载终端或是车辆司机的反馈信息获取所述线路p的站内服务时间tp,s。
本发明的进一步改进在于,所述步骤S2中,根据车辆的实际行驶速度和行车距离计算车辆的行驶时间,进而获得所述步骤S302的行驶时间tp,k和所述步骤S303的行驶时间tq,k。
本发明的进一步改进在于,所述步骤S1中,在采集车辆位置信息的过程中,车载终端每隔预设时间间隔上报一条车辆位置信息;并通过车辆位置信息和时间之间的对应,调用车辆的历史数据进行数据分析,预测车辆的行驶速度和行驶时间。
本发明的进一步改进在于,当车辆的实际行驶时间超过预设的行驶时间阈值时,自动发送告警信号至所述管理平台。
本发明还提供一种基于车辆大数据的车辆调度系统,采用了如上所述的基于车辆大数据的车辆调度方法。
本发明的进一步改进在于,统计各个站点的上下车乘客数量、站点之间的距离以及车辆的行驶轨迹,以此作为所述车辆调度系统的历史数据记录。
与现有技术相比,本发明的有益效果在于:通过自主设计的车辆调度方法,实现通过线路p的站内服务时间tp,s、线路p中车辆从始发站到达站点k的行驶时间tp,k以及线路q中车辆从始发站到达站点k的行驶时间tq,k等参数来计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间T,使得调度不再单纯依赖于车辆位置的精确度,使得车辆调度方法更加准确和高效,保证车辆在遇到突发情况时能够使得乘客的总候车时间尽量达到最小,为车辆调度和路径规划提供了很好的数据基础。
附图说明
图1是本发明一种实施例的工作流程示意图。
具体实施方式
下面结合附图,对本发明的较优的实施例作进一步的详细说明。
如图1所示,本例提供一种基于车辆大数据的车辆调度方法,包括以下步骤:
步骤S1,采集车辆位置信息;
步骤S2,通过车辆位置信息分别计算车辆当前位置到达站点所需的行驶时间;
步骤S3,分析和计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间,并根据所有车次乘客的总候车时间计算其最小值;
步骤S4,将所有车次乘客的总候车时间的最小值反馈至管理平台,实现车辆调度。
本例的目的就是在现有出租车模式的基础上,通过自主设计的车辆调度算法来优化车辆调度模型,即本例所述基于车辆大数据的车辆调度方法。在车辆的驾驶过程中,从车辆的周期发车时间开始计算,车辆到达目的地结束,本例尽量保持车辆在遇到突发情况时,能够通过所有车次乘客的总候车时间的最小值对车辆进行调度,以尽快查找最优的线路。所述所有车次乘客的总候车时间指的是所有站点内所有乘客所需要的总的候车时间。
本例所需要的实时的客流量可以从管理平台的数据库中获得,因为过多的客流量可能会导致某条线路的乘客的等待时间大幅增加。当检测到这种情况时,本例可以通过管理平台向调度员发送通知或告警信号;然后,调度员根据具体情况,进行调度,这样就可以将异常客流进行快速分流。
本例所述步骤S1中优选通过车载终端采集车辆位置信息;为了更精确的计算,本例采集了多辆出租车的车辆位置信息,对其进行监控和分析,并对这些出租车的车辆位置信息取预设时间间隔之间的位置差均值来提高准确性。预设时间间隔可以根据实际需求进行设置,这样设置的目的在于通过一个固定时间的起点和终点之间的位置差值和时间差值来计算行驶速度等,进而尽量消除定位的偏差。
本例所述步骤S2,通过车辆位置信息,结合车辆行驶速度等,能够分别计算不同线路不同车辆在其当前位置到达站点k所需的行驶时间,站点k为设定的乘客换乘站点。
本例所述步骤S3中,包括以下子步骤:
步骤S301,获取线路p的站内服务时间tp,s;
步骤S302,获取线路p中车辆从始发站到达站点k的行驶时间tp,k;
步骤S303,获取线路q中车辆从始发站到达站点k的行驶时间tq,k;
步骤S304,计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间;
步骤S305,根据平均发车间隔计算所有车次乘客的总候车时间的最小值。
本例所述步骤S304中,通过公式 计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间T,其中,rk为所有乘客在站点k的到达率,Ip为线路p的平均发车间隔,Pq,p表示在站点k从线路q的车辆i换乘到线路p的车辆j的平均乘客数量,p0为线路p在预设时间段内第一辆车辆的发车时间,q0为线路q在预设时间段内第一辆车辆的发车时间,n和m均为线路计算的循环区间参数,pj+tp,k表示线路p的车辆j到达站点k的时间,qi+tq,k表示线路q的车辆i到达站点k的时间,i和j均为代表车辆的自然数。所述预设时间段为预先设置的统计时间段,可以根据用户需求进行自定义修改和调整。所述线路q和线路p均为线路变量,分别用于代表不同的行驶线路。
本例所述rk为所有乘客在站点k的到达率,根据管理平台用户乘车数据,假设用户到达过k个站点,乘车次数为U,在k站点到达的次数为S,那么到达率rk=U/S,即可以得到用户在站点k的到达率rk。平均发车间隔Ip、平均发车间隔Iq、平均乘客数量Pq,p、发车时间p0、发车时间q0、达站点k的时间pj+tp,k以及达站点k的时间qi+tq,k等参数,均可以通过用于监控车辆的管理平台获取。
本例所述步骤S305中,取n=Ip,m=Iq确定线路计算的循环区间,通过公式
更为具体的:
假设乘客均匀到达站点,设rk标示乘客在站点k的到达率;Iq表示线路q的平均发车间隔,Ip表示线路p的平均发车间隔,线路q的站内服务时间为tq,s,线路p的站内服务时间为tp,s,则到达站点k的乘客等待线路q和线路p的总候车时间T1为
设q0表示线路q在某一时间段内第一辆运营车辆的发车时间,qi表示线路q的车辆i在始发站的发车时间;同理设p0表示线路p在某一时间段内第一辆运营车辆的发车时间,pj表示线路p的车辆j在始发站的发车时间,即和 Iqi表示线路q中车辆i的平均发车间隔,Ipi表示线路p中车辆i的平均发车间隔。
设tp,k表示线路p车辆从始发站到达站点k的行驶时间,设tq,k标示线路q车辆从始发站到达站点k的行驶时间,该行驶时间tp,k和行驶时间tq,k可以通过行驶距离和行驶速度来得到,也可以根据历史数据记录来实现其预测。
线路p在某一时间段内第一班车到达站点k的时间为p0+tp,k,线路p的车辆j到达k的时间为pj+tp,k;设tq,k表示线路q车辆从始发站到达站点k的近似行驶时间,设tp,k标示线路p车辆从始发站到达站点k的近似行驶时间,线路q在某一时间段内第一班车到达站点k的时间为q0+tq,k,线路q的车辆j到达k的时间为qj+tq,k。
本例的目标是在站点k乘客从线路q换乘到线路p的总候车时间最短。因在时间段IqIp内为一组车辆换乘序列,超出此区间,又进行另外一组相同的循环,换乘时间与前一组相等。所以,本例取n=Ip,m=Iq来确定循环区间。
本例所述步骤S301中,通过车载终端或是车辆司机的反馈信息获取所述线路p的站内服务时间tp,s。
本例所述步骤S2中,根据车辆的实际行驶速度和行车距离计算车辆的行驶时间,进而获得所述步骤S302的行驶时间tp,k和所述步骤S303的行驶时间tq,k。
本例所述步骤S1中,在采集车辆位置信息的过程中,车载终端每隔预设时间间隔上报一条车辆位置信息;并通过车辆位置信息和时间之间的对应,调用车辆的历史数据进行数据分析,预测车辆的行驶速度和行驶时间。所述预设时间间隔为设置的车辆位置信息上报时间间隔,如默认设置为5S,在实际应用中,可以根据实际需求进行自定义设置和调整。
本例当车辆的实际行驶时间超过预设的行驶时间阈值时,自动发送告警信号至所述管理平台。所述预设的行驶时间阈值为根据预测车辆的行驶时间而设置的时间阈值,用于判断车辆是否出现异常情况,该行驶时间阈值可以根据实际需求进行自定义设置和调整。
本例基于车辆大数据实现了在线的更优的车辆调度模型,经测试,在减少30%的出租车数量的基础上使用本例所述车辆调度方法,仍然能够保证超过90%的出行请求可以成功地接受到服务。也就是说,本例采用比现有技术更少的运营车(如出租车)数量就足以达到同样甚至于更好的出行请求服务。
而基于车辆大数据的历史数据记录,本例还可以预测各个站点在不同时间段的客流量和用车需求,而当每日需求可以被提前预知的话,可减少40%的所需车辆就能达到满足乘客出行请求的要求。尽管司机档期的限制以及特殊的出行需求可能会导致实际车辆数量会超过最优价值,但车辆数量对于历史出行需求的各种变化仍然十分可靠,本例的效果尤为显著。
本例还提供一种基于车辆大数据的车辆调度系统,采用了如上所述的基于车辆大数据的车辆调度方法。
本例统计各个站点的上下车乘客数量、站点之间的距离以及车辆的行驶轨迹,以此作为所述车辆调度系统的历史数据记录,便于实现大数据分析以及实现预测各个站点在不同时间段的客流量和用车需求等。
本例可以直接通过车载终端的GPS数据,对车辆进行实施监控。车载终端优选每隔5秒上报一条位置信息,每天大概就17280个位置。在大数据的支撑下,可以为这种方式加上时间的维度。对车辆的历史数据进行数据分析,可以对车辆的停车点就行预测。当车辆超过预计的停车点的阈值时间,则客户端自动发送一条告警给调度员。可以将预测结果,在管理平台进行展示。
综上所述,本例通过自主设计的车辆调度方法,实现通过线路p的站内服务时间tp,s、线路p中车辆从始发站到达站点k的行驶时间tp,k以及线路q中车辆从始发站到达站点k的行驶时间tq,k等参数来计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间T,使得调度不再单纯依赖于车辆位置的精确度,使得车辆调度方法更加准确和高效,保证车辆在遇到突发情况时能够使得乘客的总候车时间尽量达到最小,为车辆调度和路径规划提供了很好的数据基础。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于车辆大数据的车辆调度方法,其特征在于,包括以下步骤:
步骤S1,采集车辆位置信息;
步骤S2,通过车辆位置信息分别计算车辆当前位置到达站点所需的行驶时间;
步骤S3,分析和计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间,并根据所有车次乘客的总候车时间计算其最小值;
步骤S4,将所有车次乘客的总候车时间的最小值反馈至管理平台,实现车辆调度;
所述步骤S3包括以下子步骤:
步骤S301,获取线路p的站内服务时间tp,s;
步骤S302,获取线路p中车辆从始发站到达站点k的行驶时间tp,k;
步骤S303,获取线路q中车辆从始发站到达站点k的行驶时间tq,k;
步骤S304,计算在站点从线路q换乘到线路p的所有车次乘客的总候车时间;
步骤S305,根据平均发车间隔计算所有车次乘客的总候车时间的最小值;
3.根据权利要求1或2所述的基于车辆大数据的车辆调度方法,其特征在于,所述步骤S301中,通过车载终端或是车辆司机的反馈信息获取所述线路p的站内服务时间tp,s。
4.根据权利要求1或2所述的基于车辆大数据的车辆调度方法,其特征在于,所述步骤S2中,根据车辆的实际行驶速度和行车距离计算车辆的行驶时间,进而获得所述步骤S302的行驶时间tp,k和所述步骤S303的行驶时间tq,k。
5.根据权利要求4所述的基于车辆大数据的车辆调度方法,其特征在于,所述步骤S1中,在采集车辆位置信息的过程中,车载终端每隔预设时间间隔上报一条车辆位置信息;并通过车辆位置信息和时间之间的对应,调用车辆的历史数据进行数据分析,预测车辆的行驶速度和行驶时间。
6.根据权利要求5所述的基于车辆大数据的车辆调度方法,其特征在于,当车辆的实际行驶时间超过预设的行驶时间阈值时,自动发送告警信号至所述管理平台。
7.一种基于车辆大数据的车辆调度系统,其特征在于,采用了如权利要求1至6任意一项所述的基于车辆大数据的车辆调度方法。
8.根据权利要求7所述基于车辆大数据的车辆调度系统,其特征在于,统计各个站点的上下车乘客数量、站点之间的距离以及车辆的行驶轨迹,以此作为所述车辆调度系统的历史数据记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910044724.9A CN109859458B (zh) | 2019-01-17 | 2019-01-17 | 一种基于车辆大数据的车辆调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910044724.9A CN109859458B (zh) | 2019-01-17 | 2019-01-17 | 一种基于车辆大数据的车辆调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859458A CN109859458A (zh) | 2019-06-07 |
CN109859458B true CN109859458B (zh) | 2020-06-30 |
Family
ID=66895072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910044724.9A Active CN109859458B (zh) | 2019-01-17 | 2019-01-17 | 一种基于车辆大数据的车辆调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859458B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862579B (zh) * | 2020-06-10 | 2021-07-13 | 深圳大学 | 一种基于深度强化学习的出租车调度方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022577A (zh) * | 2016-05-12 | 2016-10-12 | 西安电子科技大学 | 载客车辆的在线均衡调度方法 |
CN106781447A (zh) * | 2017-02-28 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 一种智能出租车调度通信方法 |
CN107393329A (zh) * | 2017-07-05 | 2017-11-24 | 邹晓虎 | 一种公交车智能调度方法、装置及系统 |
KR101812774B1 (ko) * | 2016-06-23 | 2017-12-27 | 주식회사 카카오모빌리티 | 타인을 승객으로 지정한 콜택시 호출에 대한 택시배차 방법, 장치 및 컴퓨터 판독가능 기록매체 |
CN107818411A (zh) * | 2017-10-24 | 2018-03-20 | 东南大学 | 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106448138B (zh) * | 2016-11-09 | 2019-01-25 | 中国科学技术大学苏州研究院 | 基于主动分配型的出租车服务系统的最优多车调度方法 |
CN107248273B (zh) * | 2017-07-03 | 2020-09-29 | 鄂尔多斯市普渡科技有限公司 | 一种针对坐轮椅乘客的应对方法 |
-
2019
- 2019-01-17 CN CN201910044724.9A patent/CN109859458B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022577A (zh) * | 2016-05-12 | 2016-10-12 | 西安电子科技大学 | 载客车辆的在线均衡调度方法 |
KR101812774B1 (ko) * | 2016-06-23 | 2017-12-27 | 주식회사 카카오모빌리티 | 타인을 승객으로 지정한 콜택시 호출에 대한 택시배차 방법, 장치 및 컴퓨터 판독가능 기록매체 |
CN106781447A (zh) * | 2017-02-28 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 一种智能出租车调度通信方法 |
CN107393329A (zh) * | 2017-07-05 | 2017-11-24 | 邹晓虎 | 一种公交车智能调度方法、装置及系统 |
CN107818411A (zh) * | 2017-10-24 | 2018-03-20 | 东南大学 | 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109859458A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7394404B2 (en) | System and method for controlling public transportation | |
WO2019184724A1 (zh) | 一种基于实时客流的列车智能运行调整系统及方法 | |
CN107944797B (zh) | 运输任务的监控方法、装置及系统 | |
Cats et al. | Real-time bus arrival information system: an empirical evaluation | |
US9117372B2 (en) | Transportation system arrival and departure time calculation and display system | |
US8838301B2 (en) | Train traffic advisor system and method thereof | |
US20100185486A1 (en) | Determining demand associated with origin-destination pairs for bus ridership forecasting | |
KR102168546B1 (ko) | 버스 운행 관리 방법 및 시스템 | |
US9224295B2 (en) | Automated system for preventing vehicle bunching | |
CN110379164B (zh) | 一种动态调控的公交准点控制方法及系统 | |
JPWO2012086000A1 (ja) | 車両内混雑状況表示システムおよび混雑状況案内方法 | |
CN108615391A (zh) | 一种公交智能调度方法、系统及介质 | |
CN104240529A (zh) | 一种预测公交到站时间的方法及系统 | |
CN109859458B (zh) | 一种基于车辆大数据的车辆调度方法及系统 | |
Rajput et al. | Advanced urban public transportation system for Indian scenarios | |
CN114662801A (zh) | 一种公交车辆的运营精准管理方法及其系统 | |
Ruan | Probability-based bus headway regularity measure | |
CN109754606A (zh) | 一种基于出租车定位预测道路拥堵情况的方法 | |
JP2011255766A (ja) | 列車位置・乗継接続情報管理装置 | |
CN113592272A (zh) | 一种公交及巡游小巴的调度方法 | |
CN115909722A (zh) | 一种应用于智能公交的路阻调度方法及系统 | |
CN113658429B (zh) | 一种公交廊道的协同调度方法及相关装置 | |
CN114971085B (zh) | 一种公交站点可达性的预测方法、系统及存储介质 | |
CN115762131A (zh) | 一种应用于公共交通的智能行车计划编制方法及系统 | |
CN116007653A (zh) | 导航提示方法、装置、设备及程序产品 |
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 |