CN110490393B - 结合经验与方向的出租车寻客路线规划方法、系统及介质 - Google Patents
结合经验与方向的出租车寻客路线规划方法、系统及介质 Download PDFInfo
- Publication number
- CN110490393B CN110490393B CN201910905606.2A CN201910905606A CN110490393B CN 110490393 B CN110490393 B CN 110490393B CN 201910905606 A CN201910905606 A CN 201910905606A CN 110490393 B CN110490393 B CN 110490393B
- Authority
- CN
- China
- Prior art keywords
- passenger
- road
- taxi
- poi
- data
- 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 42
- 230000008901 benefit Effects 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000029305 taxis Effects 0.000 claims description 12
- 239000003016 pheromone Substances 0.000 claims description 11
- 241000257303 Hymenoptera Species 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (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)
- Navigation (AREA)
Abstract
本发明公开了一种结合经验与方向的出租车寻客路线规划方法、系统及介质,本发明方法包括初始化路网数据,将出租车的轨迹数据与POI数据映射到道路不同行车方向上;提取候选载客区域,根据方向判断模型确定推荐方向并选择推荐的载客区域;根据出租车轨迹数据与POI数据、路网数据,在经过地图匹配操作获得轨迹数据、POI数据、路网数据的关系计算道路路段不同行车方向的收益;以最大化寻客效益为优化目标结合路网不同行车方向的收益在推荐的载客区域基础上进行路径规划。本发明充分考虑到司机寻客经验与道路通行方向对于出租车寻客过程中路线规划结果的影响,从而很好地辅助出租车进行行车寻客,能够有效提高出租车寻客路径规划的收益。
Description
技术领域
本发明涉及出租车寻客路径规划技术,具体涉及一种结合经验与方向的出租车寻客路线规划方法、系统及介质。
背景技术
随着移动互联网和大数据技术的发展,出租车轨迹数据作为一种出租车行驶的日志数据,更容易地被采集,并运用到出租车寻客路线规划中。但是,研究人员在寻客路线规划工作中,仅依靠出租车的轨迹数据这一种类型的信息进行出租车寻客路线规划,并不能准确地对真实情况进行建模。一方面,在真实场景中,道路不同方向的相关地理信息分布也不相同;另一方面,不同司机的寻客经验不尽相同。因此,如何结合经验(司机寻客经验)与方向(道路通行方向)的出租车寻客路线规划以实现提高出租车寻客路径规划的效益,则仍然是一项亟待解决的关键技术问题。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种结合经验与方向的出租车寻客路线规划方法、系统及介质,本发明充分考虑到司机寻客经验与道路通行方向对于出租车寻客过程中路线规划结果的影响,从而很好地辅助出租车进行行车寻客,能够有效提高出租车寻客路径规划的收益。
为了解决上述技术问题,本发明采用的技术方案为:
一种结合经验与方向的出租车寻客路线规划方法,实施步骤包括:
1)初始化路网数据,将所有出租车的轨迹数据与POI(兴趣点)数据映射到道路不同行车方向上;
2)提取轨迹中的载客点并基于密度聚类的方式提取出热点载客区域作为候选载客区域;
3)根据预设的基于经验司机的方向判断模型确定推荐方向,并选择在推荐方向中的候选载客区域作为推荐的载客区域;
4)根据出租车轨迹数据与POI数据、路网数据,在经过地图匹配操作获得轨迹数据、POI数据、路网数据的关系,计算道路路段不同行车方向的收益;
5)以最大化寻客效益为优化目标,结合路网不同行车方向的收益,在推荐的载客区域基础上进行路径规划,获得最优的出租车寻客路线规划结果。
可选地,步骤1)中将所有出租车的轨迹数据映射到道路不同行车方向上具体是指:在轨迹数据中根据轨迹的时间属性,判断轨迹点之间的相对方向,然后再依据轨迹点与路段端点的距离关系判断轨迹在路段中的行驶方向。
可选地,步骤1)中将所有出租车的POI数据映射到道路不同行车方向上具体是指:首先,通过POI点的经纬度信息,将POI点定位到路网相应的路段中去;然后,以路段的一端坐标为(A.x,A.y)的端点A作为原点构建直角坐标系,根据另一端坐标为(B.x,B.y)端点B分别为在A的左上方、在A的右上方、在A的左下方、在A的右下方的四种情况,结合POI点C的坐标为(C.x,C.y),根据xy坐标大小、POI点C和端点A的斜率KAC以及POI点C和端点B的斜率KBC将POI点C映射到道路不同行车方向AB或BA上。
可选地,所述预设的基于经验司机的方向判断模型为基于KNN的分类器,所述基于KNN的分类器的输出为包含推荐方向,输入的属性包括一天内的时段、经纬度位置、POI类型向量、各方向出租车载客点数量,其中POI类型向量包括一组概率pij,概率pij表示在第i个方位中第j种POI类型的点的占比,i表示当前位置的不同方位,j表示POI类型的种类。
可选地,所述基于KNN的分类器的训练过程包括:预先在出租车数据中根据载客行驶距离选择排名靠前的司机作为经验司机集合Driverexp,并根据经验司机集合Driverexp在寻客过程中的行车方向选择信息构建的训练集来完成对基于KNN的分类器训练。
可选地,步骤4)中具体是指使用一个线性回归模型将出租车轨迹数据中的路段上分布的载客点与下客点数量、POI数据中的路段上分布的POI数量、路网数据中的道路平均的通行速度、路段长度作为影响道路效益的因素,把道路通行车辆的数量作为衡量道路效益的指标进行求解。
可选地,步骤5)中在推荐的载客区域基础上进行路径规划具体是指使用改进蚁群算法以最大化寻客效益为优化目标进行求解最大收益的路径,详细步骤包括:
5.1)在k个推荐的载客区域上,随机初始化n只蚂蚁的初始位置;
5.2)让蚂蚁以道路收益和不同载客区域中载客点数量为启发式因素,在启发因素与信息素的作用下,每只蚂蚁采用轮盘赌算法随机地选择下一条道路进行访问,并留下信息素,且在信息素更新过程中将路段载客收益与载客区域内的载客概率综合生成综合启发信息;所述轮盘赌算法中概率越高则选择的可能性会越大;
5.3)判断蚂蚁是否访问完k个载客区域,如果尚未访问完k个载客区域则跳转执行步骤5.2);否则结束该蚂蚁的寻路过程,跳转执行步骤5.4);
5.4)选出每轮效益最高的路径作为本轮迭代的最优路径;
5.5)判断是否达到最大迭代次数,如果达到最大迭代次数则跳转执行步骤5.6);否则,将本轮迭代的最优路径选进入下轮迭代,跳转执行步骤5.2);
5.6)将最终的最优路径作为最优的出租车寻客路线规划结果输出。
可选地,步骤5.2)中将路段载客收益与载客区域内的载客概率综合生成综合启发信息的表达式如式(1)所示,且载客区域内的载客概率的表达式如式(2)所示;
Etar1=Sr1+αAraa1 (1)
式(1)中,Etar1为成综合启发信息,Sr1为路段载客收益,Araa1为候选载客区域内的载客概率,α为调节二者对结果相对影响程度大小的因子;
式(2)中,Pickupa1表示在a1处的载客点数量,Pickupai表示在ai处的载客点数量,集合U表示所有的候选载客区域的集合。
此外,本发明还提供一种结合经验与方向的出租车寻客路线规划系统,包括计算机设备,该计算机设备被编程或配置以执行所述结合经验与方向的出租车寻客路线规划方法的步骤,或者该计算机设备的存储介质上存储有被编程或配置以执行所述结合经验与方向的出租车寻客路线规划方法的计算机程序。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行所述结合经验与方向的出租车寻客路线规划方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、不同于传统出租车寻客路径规划方法,本发明的出租车寻客路径规划方法充分考虑到了出租车在出行过程的路段不同行驶方向上的收益区别,从而通过根据预设的基于经验司机的方向判断模型确定推荐方向,并选择在推荐方向中的候选载客区域作为推荐的载客区域;根据出租车轨迹数据与POI数据、路网数据,在经过地图匹配操作获得轨迹数据、POI数据、路网数据的关系,计算道路路段不同行车方向的收益,实质上相当于了构造一个带权有向网,以更合理地构建真实场景,并在最优化结果的基础上,进行路径规划。
2、本发明考虑到了司机经验中包含对于城市高效益路段的认知。由此通过参考经验司机的寻客行为,即学习其在寻客时的方位选择策略,为普通出租车司机提供载客方案。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中的系统工作流程图。
图3为本发明实施例中系统的原理架构图。
图4为本发明实施例中四种不同路段形式示意图。
具体实施方式
如图1、图2和图3所示,本实施例结合经验与方向的出租车寻客路线规划方法的实施步骤包括:
1)初始化路网数据,将所有出租车的轨迹数据与POI数据映射到道路不同行车方向上;
2)提取轨迹中的载客点并基于密度聚类的方式提取出热点载客区域作为候选载客区域;
3)根据预设的基于经验司机的方向判断模型确定推荐方向,并选择在推荐方向中的候选载客区域作为推荐的载客区域;
4)根据出租车轨迹数据与POI数据、路网数据,在经过地图匹配操作获得轨迹数据、POI数据、路网数据的关系,计算道路路段不同行车方向的收益;
5)以最大化寻客效益为优化目标,结合路网不同行车方向的收益,在推荐的载客区域基础上进行路径规划,获得最优的出租车寻客路线规划结果。
参见图2和图3,出租车的轨迹数据来自车载终端上传,方向判断模型可基于经验司机的方向判断结果进行训练得到,从而可以再选择在推荐方向中的候选载客区域作为推荐的载客区域。
本实施例中,步骤1)中将所有出租车的轨迹数据映射到道路不同行车方向上具体是指:在轨迹数据中根据轨迹的时间属性,判断轨迹点之间的相对方向,然后再依据轨迹点与路段端点的距离关系判断轨迹在路段中的行驶方向。
本实施例中,步骤1)中将所有出租车的POI数据映射到道路不同行车方向上具体是指:首先,通过POI点的经纬度信息,将POI点定位到路网相应的路段中去;然后,以路段的一端坐标为(A.x,A.y)的端点A作为原点构建直角坐标系,根据另一端坐标为(B.x,B.y)端点B分别为在A的左上方、在A的右上方、在A的左下方、在A的右下方的四种情况,参见图4,结合POI点C的坐标为(C.x,C.y),根据xy坐标大小、POI点C和端点A的斜率KAC以及POI点C和端点B的斜率KBC将POI点C映射到道路不同行车方向AB或BA上。
本实施例中,假定在北半球的情形下,A的纬度小于等于B的纬度,南半球相反,假定在行车靠右的前提下(有些地区是行车靠左),判断POI点的所属路段方向时,可以根据如表1-4进行判断。在每种情形下建立标准的直角坐标系,我们可以得到如下结论,POI位于A至B的方向侧,无外乎符合表所示四种情况,反之,当POI位于B至A的方向侧时,相应的表现也会有不同,具体的说明已在表1-4中呈现。对其中某一情况进行举例子说明,当B点位于A的左上方,C点也在A的左上方时,线段AC的斜率绝对值大于线段AB的斜率,此时在以A点为直角坐标原点的情况下,POI点C在AB侧。
表1:B在A的左上方时,POI点C在路段侧情况。
表2:B在A的右上方时,POI点C在路段侧情况。
表3:B在A的右下方时,POI点C在路段侧情况。
表4:B在A的左下方时,POI点C在路段侧情况。
本实施例中,预设的基于经验司机的方向判断模型为基于KNN的分类器,基于KNN的分类器的输出为包含推荐方向,输入的属性包括一天内的时段、经纬度位置、POI类型向量、各方向出租车载客点数量,其中POI类型向量包括一组概率pij,概率pij表示在第i个方位中第j种POI类型的点的占比,i表示当前位置的不同方位,j表示POI类型的种类,如表5所示。
表5:输入和输出属性列表。
本实施例中,一天内的时段是将一天的时间划分为24个时段,按顺序列举。经纬度位置是一个二维数组用于表示一个经纬度位置。POI类型向量中元素Pij表示概率,i表示的是当前位置的不同方位,j是指不同方位中POI的不同类型,本文共有12种类型的POI,pij指在第i个方位中第j种POI类型的点的占比。各方向出租车载客点数量表示在当前点不同方位的出租车载客点的数量。推荐方向表示8个方位,以三位二进制符号表示。需要说明的是,推荐方向还可以根据需要选择4个方位,或者8个以上的更多方位。
本实施例中,基于KNN(k近邻法)的分类器的训练过程包括:预先在出租车数据中根据载客行驶距离选择排名靠前的司机作为经验司机集合Driverexp,并根据经验司机集合Driverexp在寻客过程中的行车方向选择信息构建的训练集来完成对基于KNN的分类器训练。
本实施例中,步骤4)中具体是指使用一个线性回归模型将出租车轨迹数据中的路段上分布的载客点与下客点数量、POI数据中的路段上分布的POI数量、路网数据中的道路平均的通行速度、路段长度作为影响道路效益的因素,把道路通行车辆的数量作为衡量道路效益的指标进行求解。
本实施例中,步骤5)中在推荐的载客区域基础上进行路径规划具体是指使用改进蚁群算法以最大化寻客效益为优化目标进行求解最大收益的路径,详细步骤包括:
5.1)在k个推荐的载客区域上,随机初始化n只蚂蚁的初始位置;
5.2)让蚂蚁以道路收益和不同载客区域中载客点数量为启发式因素,在启发因素与信息素的作用下,每只蚂蚁采用轮盘赌算法随机地选择下一条道路进行访问,并留下信息素,且在信息素更新过程中将路段载客收益与载客区域内的载客概率综合生成综合启发信息;轮盘赌算法中概率越高则选择的可能性会越大;
5.3)判断蚂蚁是否访问完k个载客区域,如果尚未访问完k个载客区域则跳转执行步骤5.2);否则结束该蚂蚁的寻路过程,跳转执行步骤5.4);
5.4)选出每轮效益最高的路径作为本轮迭代的最优路径;
5.5)判断是否达到最大迭代次数,如果达到最大迭代次数则跳转执行步骤5.6);否则,将本轮迭代的最优路径选进入下轮迭代,跳转执行步骤5.2);
5.6)将最终的最优路径作为最优的出租车寻客路线规划结果输出。
和传统的蚁群算法相比,本发明在信息素更新过程中将路段载客收益与载客区域内的载客概率综合生成综合启发信息,这样的信息素更新方式有利于在求解过程中,避免陷入局部最优。本实施例中,步骤5.2)中将路段载客收益与载客区域内的载客概率综合生成综合启发信息的表达式如式(1)所示,且载客区域内的载客概率的表达式如式(2)所示;
Etar1=Sr1+αAraa1 (1)
式(1)中,Etar1为综合启发信息,Sr1为路段载客收益,Araa1为候选载客区域内的载客概率,α为调节二者对结果相对影响程度大小的因子;
式(2)中,Pickupa1表示在a1处的载客点数量,Pickupai表示在ai处的载客点数量,集合U表示所有的候选载客区域的集合。
此外,本实施例还提供一种结合经验与方向的出租车寻客路线规划系统,包括计算机设备,该计算机设备被编程或配置以执行结合经验与方向的出租车寻客路线规划方法的步骤,或者该计算机设备的存储介质上存储有被编程或配置以执行结合经验与方向的出租车寻客路线规划方法的计算机程序。该计算机设备既可以是出租车的车载计算机设备,也可以是携带在出租车上的便携式计算机设备,还可以管理中心的计算机设备(远程向出租车下发规划结果)。
此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行结合经验与方向的出租车寻客路线规划方法的计算机程序。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种结合经验与方向的出租车寻客路线规划方法,其特征在于实施步骤包括:
1)初始化路网数据,将所有出租车的轨迹数据与POI数据映射到道路不同行车方向上,所述道路不同行车方向是指道路的行车方向AB或BA,其中A和B分别为该道路的端点;
2)提取轨迹中的载客点并基于密度聚类的方式提取出热点载客区域作为候选载客区域;
3)根据预设的基于经验司机的方向判断模型确定推荐方向,并选择在推荐方向中的候选载客区域作为推荐的载客区域;所述预设的基于经验司机的方向判断模型为基于KNN的分类器,所述基于KNN的分类器的输出为推荐方向,输入的属性包括一天内的时段、经纬度位置、POI类型向量、各方向出租车载客点数量,其中POI类型向量包括一组概率pij,概率pij表示在第i个方位中第j种POI类型的点的占比,i表示当前位置的不同方位,j表示POI类型的种类;所述基于KNN的分类器的训练过程包括:预先在出租车数据中根据载客行驶距离选择排名靠前的司机作为经验司机集合Driverexp,并根据经验司机集合Driverexp在寻客过程中的行车方向选择信息构建的训练集来完成对基于KNN的分类器训练;
4)根据出租车轨迹数据与POI数据、路网数据,在经过地图匹配操作获得轨迹数据、POI数据、路网数据的关系,计算道路路段不同行车方向的收益;
5)以最大化寻客收益为优化目标,结合路网不同行车方向的收益,在推荐的载客区域基础上进行路径规划,获得最优的出租车寻客路线规划结果。
2.根据权利要求1所述的结合经验与方向的出租车寻客路线规划方法,其特征在于,步骤1)中将所有出租车的轨迹数据映射到道路不同行车方向上具体是指:在轨迹数据中根据轨迹的时间属性,判断轨迹点之间的相对方向,然后再依据轨迹点与路段端点的距离关系判断轨迹在路段中的行驶方向。
3.根据权利要求1所述的结合经验与方向的出租车寻客路线规划方法,其特征在于,步骤1)中将所有出租车的POI数据映射到道路不同行车方向上具体是指:首先,通过POI点C的经纬度信息,将POI点定位到路网相应的路段中去;然后,以路段的一端坐标为(A.x,A.y)的端点A作为原点构建直角坐标系,根据另一端坐标为(B.x,B.y)的端点B分别为在端点A的左上方、在端点A的右上方、在端点A的左下方、在端点A的右下方的四种情况,结合POI点C的坐标为(C.x,C.y),根据POI点C和端点A以及端点B的xy坐标大小、POI点C和端点A的斜率KAC以及POI点C和端点B的斜率KBC将POI点C映射到道路不同行车方向AB或BA上。
4.根据权利要求1所述的结合经验与方向的出租车寻客路线规划方法,其特征在于,步骤4)中具体是指使用一个线性回归模型将出租车轨迹数据中的路段上分布的载客点与下客点数量、POI数据中的路段上分布的POI数量、路网数据中的道路平均的通行速度、路段长度作为影响道路收益的因素,把道路通行车辆的数量作为衡量道路收益的指标进行求解。
5.根据权利要求1所述的结合经验与方向的出租车寻客路线规划方法,其特征在于,步骤5)中在推荐的载客区域基础上进行路径规划具体是指使用改进蚁群算法以最大化寻客收益为优化目标进行求解最大收益的路径,详细步骤包括:
5.1)在k个推荐的载客区域上,随机初始化n只蚂蚁的初始位置;
5.2)让蚂蚁以道路收益和不同推荐的载客区域中载客点数量为启发式因素,在启发式因素构成的综合启发信息与信息素的作用下,每只蚂蚁采用轮盘赌算法随机地选择下一条道路进行访问,并留下信息素,且在信息素更新过程中将路段载客收益与推荐的载客区域内的载客概率综合生成综合启发信息;所述轮盘赌算法中概率越高则选择的可能性会越大;
5.3)判断蚂蚁是否访问完k个推荐的载客区域,如果尚未访问完k个推荐的载客区域则跳转执行步骤5.2);否则结束该蚂蚁的寻路过程,跳转执行步骤5.4);
5.4)选出每轮收益最高的路径作为本轮迭代的最优路径;
5.5)判断是否达到最大迭代次数,如果达到最大迭代次数则跳转执行步骤5.6);否则,将本轮迭代的最优路径选进入下轮迭代,跳转执行步骤5.2);
5.6)将最终的最优路径作为最优的出租车寻客路线规划结果输出。
7.一种结合经验与方向的出租车寻客路线规划系统,包括计算机设备,其特征在于,该计算机设备被配置以执行权利要求1~6中任意一项所述结合经验与方向的出租车寻客路线规划方法的步骤。
8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有被编程或配置以执行权利要求1~6中任意一项所述结合经验与方向的出租车寻客路线规划方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905606.2A CN110490393B (zh) | 2019-09-24 | 2019-09-24 | 结合经验与方向的出租车寻客路线规划方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905606.2A CN110490393B (zh) | 2019-09-24 | 2019-09-24 | 结合经验与方向的出租车寻客路线规划方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490393A CN110490393A (zh) | 2019-11-22 |
CN110490393B true CN110490393B (zh) | 2022-05-31 |
Family
ID=68559175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905606.2A Active CN110490393B (zh) | 2019-09-24 | 2019-09-24 | 结合经验与方向的出租车寻客路线规划方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490393B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101132B (zh) * | 2020-08-24 | 2022-04-19 | 西北工业大学 | 一种基于图嵌入模型和度量学习的交通状况预测方法 |
CN112052405B (zh) * | 2020-08-24 | 2021-12-24 | 杭州电子科技大学 | 一种基于司机经验的寻客区域推荐方法 |
CN113723514B (zh) * | 2021-08-31 | 2023-10-20 | 重庆邮电大学 | 一种基于混合采样的安全接入日志数据平衡处理方法 |
CN115526387A (zh) * | 2022-09-16 | 2022-12-27 | 暨南大学 | 基于强化学习和动态定价机制的寻客路径推荐方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014012508A1 (zh) * | 2012-07-19 | 2014-01-23 | Zhou Wenwei | 出租车智能营运导航助理系统及方法 |
CN105825310A (zh) * | 2016-04-11 | 2016-08-03 | 湖南科技大学 | 基于信息熵的出租车寻客路线推荐方法 |
CN107590175A (zh) * | 2017-07-31 | 2018-01-16 | 同济大学 | 一种基于深度学习的出租车载客点推荐方法 |
CN107832882A (zh) * | 2017-11-03 | 2018-03-23 | 上海交通大学 | 一种基于马尔科夫决策过程的出租车寻客策略推荐方法 |
CN109800903A (zh) * | 2018-12-17 | 2019-05-24 | 南京邮电大学 | 一种基于出租车轨迹数据的盈利路线规划方法 |
CN109886508A (zh) * | 2019-03-27 | 2019-06-14 | 温州大学 | 基于gps大数据的出租车高效益寻客多目标规划算法 |
-
2019
- 2019-09-24 CN CN201910905606.2A patent/CN110490393B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014012508A1 (zh) * | 2012-07-19 | 2014-01-23 | Zhou Wenwei | 出租车智能营运导航助理系统及方法 |
CN105825310A (zh) * | 2016-04-11 | 2016-08-03 | 湖南科技大学 | 基于信息熵的出租车寻客路线推荐方法 |
CN107590175A (zh) * | 2017-07-31 | 2018-01-16 | 同济大学 | 一种基于深度学习的出租车载客点推荐方法 |
CN107832882A (zh) * | 2017-11-03 | 2018-03-23 | 上海交通大学 | 一种基于马尔科夫决策过程的出租车寻客策略推荐方法 |
CN109800903A (zh) * | 2018-12-17 | 2019-05-24 | 南京邮电大学 | 一种基于出租车轨迹数据的盈利路线规划方法 |
CN109886508A (zh) * | 2019-03-27 | 2019-06-14 | 温州大学 | 基于gps大数据的出租车高效益寻客多目标规划算法 |
Non-Patent Citations (3)
Title |
---|
关于出租车载客地点序列推荐技术的研究;陈轶非等;《智能计算机与应用》;20131201(第06期);全文 * |
基于出租车经验路径的城市可达性计算方法;胡继华等;《地理科学进展》;20120615(第06期);全文 * |
基于出租车轨迹挖掘的寻客路线推荐;王建军;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20170315;第36-37,第40-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110490393A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490393B (zh) | 结合经验与方向的出租车寻客路线规划方法、系统及介质 | |
CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
Huang et al. | Large scale real-time ridesharing with service guarantee on road networks | |
Qu et al. | A cost-effective recommender system for taxi drivers | |
CN103177575B (zh) | 城区出租车动态在线调度优化系统及其方法 | |
CN104731963B (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
CN111402616B (zh) | 智能停车控制方法、系统、存储介质、终端 | |
WO2023109720A1 (zh) | 城市公共交通规划方法 | |
Hu et al. | Optimal route planning system for logistics vehicles based on artificial intelligence | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
Liu et al. | A distributed Markovian parking assist system | |
CN110348969A (zh) | 基于深度学习和大数据分析的出租车寻客策略推荐方法 | |
US20210172752A1 (en) | Systems and methods for generating attributes-based recommendations | |
CN111931081A (zh) | 一种上车点推荐方法及系统 | |
CN110598917A (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN113415288A (zh) | 分段式纵向车速规划方法、装置、设备及存储介质 | |
Zhu et al. | Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data | |
CN114781267A (zh) | 基于多源大数据的职住接驳动态公交管理方法及系统 | |
CN104006818A (zh) | 导航系统及方法 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN114839984A (zh) | 一种班车路径规划方法、装置、设备及存储介质 | |
CN114638434A (zh) | 可变公交区域站点优化方法、设备及计算机存储介质 | |
CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
Qiu et al. | RPSBPT: A route planning scheme with best profit for taxi | |
Sun et al. | The fuzzy-AHP evaluation method for unmanned ground vehicles |
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 |