CN109949068A - 一种基于预测结果的实时拼车方法和装置 - Google Patents

Abstract

本发明公开了一种基于预测结果的实时拼车方法，通过提前预测用户的出行需求，再基于用户的出行预测结果进行实时的拼车订单匹配，由于提前预测用户的出行需求，节约了用户输入拼车订单信息的时间，既能节约私家车主出行成本又能提供使乘客出行时间较短的拼车匹配结果，解决的现有算法中响应时间较长，缺乏实时性的问题，另外结合预测与拼车匹配一体化，对大多数工作日出行规律的用户都十分适用且便利，一方面其出行轨迹规律利于预测，一方面其规律出行会积累得到足够的数据量以供算法进行更新学习，未来可预计发展为针对频繁发起拼车的用户，根据数据分析，在指定的地点或时间自动对其发起拼车服务，以节省其等待时间，提高拼车服务的用户体验。

Description

一种基于预测结果的实时拼车方法和装置

技术领域

本发明涉及智能拼车领域，尤其是一种基于预测结果的实时拼车方法、装置、设备和存储介质。

背景技术

一般来说，拼车问题通常依据拼车时间进行划分，可划分为静态拼车问题和动态拼车问题。静态拼车是指传统意义上乘客提前发布出行信息的拼车方式，主要包含日常出行的上下班、顺风车等应用场景。人们通过线上信息交流，在规律的日常出行轨迹中，寻找路径相近的拼车对象，解决出行费用高的问题。静态拼车服务系统根据已知的用户出行需求，帮助用户给出最优的拼车匹配。针对静态拼车问题，已经存在一些工作，在收集用户的出行规律后，得出合理的拼车方案，实现车辆资源整合的目标，在实际生活中，用户的出行需求具有很大的突发性，此类场景需要应用动态拼车处理。

在动态拼车场景下，用户的拼车需求是实时的。用户在发出出行请求后，系统会根据当前车辆的运行状态，选取符合用户要求的车辆来完成拼车服务，微软Yu Zheng等人提出了针对出租车拼车设计的T-share系统，Cao B等人提出了一种针对私家车拼车的算法Sharek，Y Huang等人提出了一种调度算法，在满足乘客出行等待时间和系统服务时间限制条件下，动态匹配人车组合实现合乘后花费最小。

虽然上述算法在一定程度上解决了动态拼车的问题，能够在短时间内能满足用户的需求，但是依然存在一些问题，比如订单数量规模较大的情况，用户动态发布出行信息的情况和需要实时反馈用户需求的情况下，算法的响应时间较长，算法缺乏实时性，因此需要针对上述算法的局限性，通过提前预测用户的出行需求，实现基于用户的出行预测结果进行实时的拼车订单匹配的方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的目的是提供一种通过提前预测用户的出行需求，实现基于用户的出行预测结果进行实时的拼车订单匹配的方法、装置、设备和存储介质。

本发明所采用的技术方案是：

第一方面，本发明提供一种基于预测结果的实时拼车方法，包括步骤：

获取用户当前出行信息，所述用户当前出行信息包括当前出行时间和当前出发地；

根据所述当前出行信息和预测模型得到用户的出行预测信息，所述出行预测信息包括预测出行时间和预测目的地，所述预测模型包括出行信息预测和数据预处理；

根据所述出行预测信息进行拼车匹配，并形成拼车订单。

进一步地，所述出行信息预测具体为，采用随机森林模型根据用户当前出行信息进行出行信息预测，所述随机森林模型根据历史出行信息建立，由至少一棵决策树组成，其中，每一棵所述决策树能根据所述用户当前出行信息，得到出行预测信息，所述历史出行信息包括用户的历史出行时间和历史出发地和目的地，所述出行信息预测包括出行时间预测和目的地预测。

进一步地，所述出行信息预测的具体过程为：对每一颗所述的决策树，输入待预测的当前出行信息，经过每棵树预测得出多个预测结果，对于所有预测结果进行投票并票选出最优的结果，作为模型的预测输出。

进一步地，所述预测模型还包括根据工作日预测模型和节假日预测模型。

进一步地，所述数据预处理包括历史目的地和当前出发地的数据转换，具体为：根据地图的经纬度划分网格，并确定历史目的地和当前出发地的对应的网格坐标。

进一步地，所述数据预处理还包括当前出行时间的数据转换，具体为：首先通过聚类算法得到基于所述当前出行时间的多个时间聚类的数据集，然后将所述出行时间信息替换为其在所述数据集中所属的时间聚类，所述聚类算法为K-means聚类算法。

进一步地，所述拼车匹配，指为每一个司机匹配合适的乘客，具体包括步骤：

获取所述司机行程的出发地与目的地经纬度以及出发时刻，并调用百度API实时查询两点之间行车距离与行程耗时；

根据乘客的所述出行预测信息遍历乘客，将所述乘客的当前出发地与预测目的地以及预测出行时间，插入到所述司机的行程中作为中转点，并计算对应的拼车数据，所述拼车数据包括乘客的预计等待时间、司机的行程增加时间容忍度和司机的行程增加距离容忍度；

获取乘客和司机的拼车阈值，判断对应的所述拼车数据是否小于所述拼车阈值，筛选出与所述司机行程匹配的乘客，所述拼车阈值包括：乘客的最大预计等待时间、司机的最大行程增加时间容忍度和司机的最大行程增加距离容忍度。

进一步地，进行拼车匹配时，还包括首先针对每一个司机，筛选出符合时间限制的乘客，所述时间限制指司机的出发时刻到预计到达时刻这一段时间的之前和/或之后一段预设时间。

第二方面，本发明还提供一种基于预测结果实时拼车装置，包括步骤：

当前出行信息获取模块，用于获取用户当前出行信息，所述用户当前出行信息包括当前出行时间和当前出发地；

出行信息预测模块，用于根据所述当前出行信息和预测模型得到用户的出行预测信息，所述出行预测信息包括预测出行时间和预测目的地，所述预测模型包括出行信息预测和数据预处理；

拼车订单形成模块，用于根据所述出行预测信息进行拼车匹配，并形成拼车订单。

第三方面，本发明提供一种基于预测结果实时拼车的控制设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面任一项所述的方法。

第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。

本发明的有益效果是：

本发明通过获取用户当前出行信息，其中用户当前出行信息包括当前出行时间和当前出发地，根据当前出行信息和预测模型得到用户的出行预测信息，出行预测信息包括预测出行时间、预测目的地，而预测模型包括数据预处理和出行信息预测，然后根据出行预测信息进行拼车匹配，并形成拼车订单，实现了通过提前预测用户的出行需求，再基于用户的出行预测结果进行实时的拼车订单匹配，由于提前预测用户的出行需求，并将其应用到拼车过程中，节约了用户输入拼车订单信息的时间，提供既能节约私家车主出行成本又能提供使乘客出行时间较短的拼车匹配结果，解决的现有算法中响应时间较长，缺乏实时性的问题。

另外将结合预测与拼车匹配一体化的出行服务，对大多数工作日出行规律的用户都十分适用且便利，一方面其出行轨迹规律利于预测，一方面其规律出行会积累得到足够的数据量以供算法进行更新学习，未来可预计发展为针对频繁发起拼车的用户，根据数据分析，在指定的地点或时间自动对其发起拼车服务，以节省其等待时间，提高拼车服务的用户体验。

附图说明

图1是本发明一种实施方式的基于预测结果的实时拼车方法的实现流程图；

图2是本发明一种实施方式的一个用户一周左右的出发时间示意图；

图3a～图3b是本发明一种实施方式的肘部法则选择K值的示意图。

图4是本发明一种实施方式的拼车匹配过程示意图；

图5是本发明一种实施方式的在司机行程中增加乘客行程的示意图；

图6是本发明一种实施方式的基于预测结果实时拼车装置结构框图。

具体实施方式

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，下面将对照附图说明本发明的具体实施方式。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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

在动态拼车问题中，用户随时随地可以向系统发出拼车请求。在实际应用场景中，用户的出行需求不能提前预测，需要实时收集，因此在这类场景下，整个拼车系统的用户状态保持不断变化，对拼车匹配的实时性有很高的要求，这增加了设计动态环境下拼车算法的难度，因此本发明首先对用户的出行需求进行预测，然后根据预测结果进行实施拼车匹配。

实施例一：

本发明实施例一提供的一种基于预测结果的实时拼车方法，图1为本发明实施例提供的一种基于预测结果的实时拼车方法的实现流程图，如图1所示，该方法可以包括以下步骤：

S1：获取用户当前出行信息，具体是当用户打开拼车软件时，通过后台获取用户当前的出行信息，用户当前出行信息包括当前出行时间和当前出发地。

S2：预测出行信息，指根据步骤S1中获取的用户当前出行信息和预测模型得到用户的出行预测信息，其中出行预测信息包括预测出行时间和预测目的地，预测模型包括数据预处理和出行信息预测两部分。

S3：形成拼车匹配订单，根据步骤S2中获得的出行预测信息，进行拼车匹配，形成用户当前的拼车订单，另一种场景还包括，当用户发现预测的出行信息和当前的出行计划不符合时，手动输入出行信息，进行拼车匹配。

以往的拼车技术都需要乘客自行手动输入其目的地，也没有将历史出行数据加入拼车路线匹配过程中，不仅未充分利用历史数据中有价值的用户出行轨迹规律，还造成了用户手动输入数据不便利性，而本实施例的使用场景为，当用户需要进行拼车服务时，便可以即时获取用户的当前坐标以及时间，在用户还未输入出行目的地和出发时间的情况下，为用户返回预测出的预计出发时间与出发地，并询问用户是否发起拼车订单，一旦用户确认发起订单，便将其出发时间以及出发地点(当前坐标)以及目的地点输入拼车匹配算法等待匹配。

当用户发起拼车订单时，后台会自动获取用户当前坐标以及创建订单的时间，步骤S2中，数据预处理包括对历史目的地和当前出发地的数据转换和对当前出发时间的数据转换，具体如下。

1)对历史目的地和当前出发地的数据转换。

由于GPS设备的精度是有限的，可能会导致即便用户处于相同的地理位置，却记录为不同的经纬度对，因此，需要一种专门的位置合并机制来进行数据转换，与自动分层聚类的方式相比，根据对地图的经纬度划分网格后进行坐标合并是比较理想的方案，首先将经纬度划分成网格，网格是以0.01为一个单位对全地图进行划分，则可以得到每个地点所在的网格中的(X,Y)网格坐标。

例如本实施例中一个用户地址数据如下：

用户id：01；

地址坐标：113.98479,22.595108；

经过数据转换后为：

用户id：01；

地址坐标:113.98479,22.595108

地址网格编号：Zone(55,98)

2)对当前出发时间的数据转换。

为了建立当前出发时间的分类模型并基于当前出发时间生成多个预测时间，需要对时间变量进行分类。例如图2所示的，为一个用户一周左右的出发时间示意图，可见其通常下班时间为18点，虽然通过常识很容易地识别出所有这些值都属于同一个“类别”，即18点左右，但如果按小时划分，它们将被视为三个不同的类别(17点,18点,19点)，如下表1所示，但是对本实施例来说，更有意义的划分方式是得出：用户的出行时间为18点左右。

下面是表1：

出行时间	18：30	18：05	18：55	19：05	17：30	18：00	18：35
								时间点	18	18	18	19	17	18	18

由于需要得到“用户的出行时间为18点左右”这个有效信息，因此需要对用户分散的出行时间进行时间聚类，本实施例采用的K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大，该算法认为聚类是由多个距离靠近的对象组成的，因此把得到紧凑且独立的聚类作为最终目标。

表达如下：

其中，k表示k个聚类，μ_i表示第i个聚类的质心，x_i表示输入值，即出行时间，S表示输入值的集合。

K-Means算法中k是算法计算出的超参数，本实施例通过肘部法则来确定合适的k值，肘部方法是基于总体聚类内误差大小来优化k的选择方法，如图3a～图3b所示，为肘部法则选择K值的示意图，图中空心点所示即为肘部，肘部可以理解成，线l开始时下降很快，在肘部的时候下降变得平缓了，而对于线l来说，肘是距离最远的，这条线l如图中所示，每个点和线之间的距离表示为d_k，肘上的点为：k_elbow＝argmax{k|d_k}，在进行k值选取的时候，首先认为所有数据组成一个聚类即k＝1，设置n为所有输入数据的个数，作为第一个k值搜索空间，假如搜索空间的k值符合聚类条件，则停止k值搜索，否则设置继续搜索符合条件停止，直到k＝n，这种方法搜索k值，能够大大提高程序的运行效率。

由于k过小会导致聚类过度分散，并且使用硬聚类的算法有大可能产生这样分散的聚类，因此本实施例提出了一个度量标准来量化这种离散性。

首先，从分类的角度来看待聚类问题，将一个聚类所属的质心视为预测结果，那么对于这个分类问题可以计算MAE(平均绝对误差)，表示如下：

其中N是所有聚类质心的个数，平均绝对误差量化了数据如何偏离其平均所属的聚类，当MAE较大则表明聚类较为分散，因此需要对这个度量标准设置一个上限阈值，以便生成的聚类是有意义的聚类，例如假设MAE＝6。

另外，本实施例的聚类算法还包括去除异常值，这里的异常值指数据中不符合预期行为模式的数据，例如一位用户的出行规律分析中，常见的情况下：其出发时间的分布在上午9点和下午6点左右，然而某天他去参加一个23点的聚会，如果此时k＝2，那么这个异常值将严重影响k-means的聚类结果，因此需要去除异常值，定义与数据集中其他点的距离较远的点为异常值，因此计算其他点与点k的距离并进行降序排列，去除排名前10％的点，作为异常点。

下面是通过聚类对当前出发时间的数据转换的步骤：

1)根据初始设置的k值去除异常值；

2)为MAE设置阈值，将满足阈值要求的k值构成候选集合，例如设置MAE≤1.5h；

3)在k个候选值中应用肘部法则进行最优k值筛选；

4)根据最优的k值进行K-means聚类，得出基于当前出行时间的多个时间聚类的数据集，并将出行时间记录替换为其在数据集内所属的时间聚类。

因此，实现了对出行时间的更有意义的划分。

步骤S2中，完成数据预处理之后，对出行时间预测和目的地进行预测，是采用随机森林分别进行预测，具体为，采用随机森林模型根据用户当前出行信息进行出行信息预测，随机森林模型根据历史出行信息建立，由至少一棵决策树组成，其中，每一棵所述决策树能根据用户当前出行信息，得到出行预测信息，其中历史出行信息包括用户的历史出行时间和历史出发地和目的地。

出行信息预测的具体过程为：对每一颗所述的决策树，输入待预测的当前出行信息，经过每棵树预测得出多个预测结果，对于所有预测结果进行投票并票选出最优的结果，作为模型的预测输出。

例如对出行时间的预测，在有100棵决策树的随机森林模型中，根据出发信息得到的预出行时间的出现次数为：A：25次，B：15次，C：12次，因此按顺序输出的出行时间的预测结果，概率排第一的出行时间为A，将其作为模型的预测结果输出，本实施例还可以根据概率大小输出多个可能的预测结果供用户进行输入选择。

本实施例还包括根据用户的出行时间，通常工作日和节假日的出行规律是不同的，因此将模型分为工作日预测模型和节假日预测模型。

如图4所示，为步骤S3中的拼车匹配过程示意图，本质上是以司机为核心，遍历所有乘客，将乘客的行程增加到司机的行程中进行判断，从而为每一个司机匹配合适的乘客，根据司机和乘客的行程信息进行遍历，为每一个司机匹配出潜在的乘客。

如图5所示，为拼车匹配过程在司机行程中增加乘客行程的示意图，

步骤S3中，具体的拼车匹配包括以下步骤：

S31：首先针对每一个司机，筛选出符合时间限制的乘客，这里的时间限制指司机的出发时刻到预计到达时刻这一段时间的之前和/或之后一段预设时间，为了筛选掉与该司机出发时间严重不符的乘客，例如：若司机在T₀时刻出发，预计T₀+T到达目的地，那么设置预设时间为tD^*，则所选乘客的出发时间窗应该在此区间内：[T₀-tD^*,T₀+T+tD^*]，将不在此区间内出发的乘客过滤掉，减少调用API所需耗时。

S32：获取司机行程的出发地与目的地经纬度以及出发时刻，并调用百度API实时查询两点之间行车距离与行程耗时。

S32：根据乘客的出行预测信息遍历乘客步骤S31中符合条件的乘客，将乘客的当前出发地与预测目的地以及预测出行时间，插入到司机的行程中作为中转点，并计算对应的拼车数据，其中拼车数据包括乘客的预计等待时间、司机的行程增加时间和司机的行程增加距离，如下表2所示，为将一名乘客的行程插入到司机形成中的拼车过程中数据，其中司机出发时刻为T₀，乘客的出发时刻为T₁。

由上表数据可以得到拼车数据为：

1)乘客的预计等待时间：指乘客的出发时刻与司机到达乘客出发地时间差，记作：

tD＝|T₀+t₁-T₁|

3)司机的行程增加时间：指插入乘客行程之后司机增加的行程时间，记作ΔT，其增加率即容忍度，记作Δt：

ΔT＝t₁+t₂+t₃-T

4)3)司机的行程增加距离：指插入乘客行程之后司机增加的行程距离，记作ΔS，其增加率即容忍度，记作Δs：

ΔS＝s₁+s₂+s₃-S

S33：获取乘客和司机的拼车阈值，判断对应的拼车数据是否小于所述拼车阈值，筛选出与司机行程匹配的乘客，拼车阈值对应于拼车数据，包括：乘客的最大预计等待时间、司机的最大行程增加时间和司机的最大行程增加距离，具体的，设置阈值tD^*,Δt^*,Δs^*，根据这些阈值为司机筛选匹配的乘客，例如tD^*＝10min,Δt^*＝0.1,Δs^*＝0.1，即只保留乘客等待时间小于10分钟，且司机的最大行程增加时间容忍度和司机的最大行程增加距离容忍度都小于10％的“司机/乘客”对，即符合tD<10min,Δt<0.1h,Δs<5km。

为加速匹配算法，整过过程批量调用API，即对于同一个司机，批量查询其出发地到各个乘客出发地的距离与耗时以及各个乘客目的地到司机目的地的距离与耗时以更快的完成拼车匹配。

本实施例可以通过灵活地控制阈值来增大或减少匹配量，不同阈值对应的匹配量会产生变化。

实施例二：

如图6所示，为本实施例的一种基于预测结果实时拼车装置结构框图，包括步骤：

当前出行信息获取模块，用于获取用户当前出行信息，用户当前出行信息包括当前出行时间和当前出发地；

出行信息预测模块，用于根据当前出行信息和预测模型得到用户的出行预测信息，出行预测信息包括预测出行时间和预测目的地，预测模型包括出行信息预测和数据预处理；

拼车订单形成模块，用于根据出行预测信息进行拼车匹配，并形成拼车订单。

另外，本发明还提供基于预测结果实时拼车的控制设备，包括：

至少一个处理器；以及，

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如实施例一所述的方法。

另外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，其中计算机可执行指令用于使计算机执行如实施例一所述的方法。

本发明实现了通过提前预测用户的出行需求，再基于用户的出行预测结果进行实时的拼车订单匹配，由于提前预测用户的出行需求，并将其应用到拼车过程中，节约了用户输入拼车订单信息的时间，提供既能节约私家车主出行成本又能提供使乘客出行时间较短的拼车匹配结果，解决的现有算法中响应时间较长，缺乏实时性的问题。

另外将结合预测与拼车匹配一体化的出行服务，对大多数工作日出行规律的用户都十分适用且便利，一方面其出行轨迹规律利于预测，一方面其规律出行会积累得到足够的数据量以供算法进行更新学习，未来可预计发展为针对频繁发起拼车的用户，根据数据分析，在指定的地点或时间自动对其发起拼车服务，以节省其等待时间，提高拼车服务的用户体验。

以上各实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (11)

1.一种基于预测结果的实时拼车方法，其特征在于，包括步骤：

获取用户当前出行信息，所述用户当前出行信息包括当前出行时间和当前出发地；

根据所述当前出行信息和预测模型得到用户的出行预测信息，所述出行预测信息包括预测出行时间和预测目的地，所述预测模型包括出行信息预测和数据预处理；

根据所述出行预测信息进行拼车匹配，并形成拼车订单。

2.根据权利要求1所述的一种基于预测结果的实时拼车方法，其特征在于，所述出行信息预测具体为，采用随机森林模型根据用户当前出行信息进行出行信息预测，所述随机森林模型根据历史出行信息建立，由至少一棵决策树组成，其中，每一棵所述决策树能根据所述用户当前出行信息，得到出行预测信息，所述历史出行信息包括用户的历史出行时间和历史出发地和目的地，所述出行信息预测包括出行时间预测和目的地预测。

3.根据权利要求2所述的一种基于预测结果的实时拼车方法，其特征在于，所述出行信息预测的具体过程为：对每一颗所述的决策树，输入待预测的当前出行信息，经过每棵树预测得出多个预测结果，对于所有预测结果进行投票并票选出最优的结果，作为模型的预测输出。

4.根据权利要求1所述的一种基于预测结果的实时拼车方法，其特征在于，所述预测模型还包括根据工作日预测模型和节假日预测模型。

5.根据权利要求2所述的一种基于预测结果的实时拼车方法，其特征在于，所述数据预处理包括历史目的地和当前出发地的数据转换，具体为：根据地图的经纬度划分网格，并确定历史目的地和当前出发地的对应的网格坐标。

6.根据权利要求2所述的一种基于预测结果的实时拼车方法，其特征在于，所述数据预处理还包括当前出行时间的数据转换，具体为：首先通过聚类算法得到基于所述当前出行时间的多个时间聚类的数据集，然后将所述出行时间信息替换为其在所述数据集中所属的时间聚类，所述聚类算法为K-means聚类算法。

7.根据权利要求1所述的一种基于预测结果的实时拼车方法，其特征在于，所述拼车匹配，指为每一个司机匹配合适的乘客，具体包括步骤：

获取所述司机行程的出发地与目的地经纬度以及出发时刻，并调用百度API实时查询两点之间行车距离与行程耗时；

根据乘客的所述出行预测信息遍历乘客，将所述乘客的当前出发地与预测目的地以及预测出行时间，插入到所述司机的行程中作为中转点，并计算对应的拼车数据，所述拼车数据包括乘客的预计等待时间、司机的行程增加时间容忍度和司机的行程增加距离容忍度；

获取乘客和司机的拼车阈值，判断对应的所述拼车数据是否小于所述拼车阈值，筛选出与所述司机行程匹配的乘客，所述拼车阈值包括：乘客的最大预计等待时间、司机的最大行程增加时间容忍度和司机的最大行程增加距离容忍度。

8.根据权利要求7所述的一种基于预测结果的实时拼车方法，其特征在于，进行拼车匹配时，还包括首先针对每一个司机，筛选出符合时间限制的乘客，所述时间限制指司机的出发时刻到预计到达时刻这一段时间的之前和/或之后一段预设时间。

9.一种基于预测结果实时拼车装置，其特征在于，包括步骤：

当前出行信息获取模块，用于获取用户当前出行信息，所述用户当前出行信息包括当前出行时间和当前出发地；

出行信息预测模块，用于根据所述当前出行信息和预测模型得到用户的出行预测信息，所述出行预测信息包括预测出行时间和预测目的地，所述预测模型包括出行信息预测和数据预处理；

拼车订单形成模块，用于根据所述出行预测信息进行拼车匹配，并形成拼车订单。

10.一种基于预测结果实时拼车的控制设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8任一项所述的方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8任一项所述的方法。