CN110766280A - 一种车辆调度方法、目标订单预测模型的生成方法和装置 - Google Patents
一种车辆调度方法、目标订单预测模型的生成方法和装置 Download PDFInfo
- Publication number
- CN110766280A CN110766280A CN201910893514.7A CN201910893514A CN110766280A CN 110766280 A CN110766280 A CN 110766280A CN 201910893514 A CN201910893514 A CN 201910893514A CN 110766280 A CN110766280 A CN 110766280A
- Authority
- CN
- China
- Prior art keywords
- order
- information
- area
- vehicle
- order reference
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 71
- 230000001737 promoting effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- G06Q50/40—
Abstract
本发明实施例提供了一种车辆调度方法、目标订单预测模型的生成方法和装置。所述车辆调度方法包括获取预设区域的订单参考信息,以及当前的区域车辆数量;采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度。通过本发明实施例的车辆调度方法,在所述预设区域之间进行车辆调度,使所述预设区域的区域车辆数量可以接近所述预设区域订单量,提高司机的接单效率,减少出租车空跑,并避免部分区域运力不足的情况。
Description
技术领域
本发明涉及交通技术领域,特别是涉及一种车辆调度方法、一种车辆调度装置、一种目标订单预测模型的生成方法、以及一种目标订单预测模型的生成装置。
背景技术
出租车可以为用户提供租赁车辆出行的服务。一般来说,用户可以通过在道路召车、网络或者电话提交预约订单等方式,获取出租车提供的出行服务。
出租车在未接到订单时,可以在道路上保持移动,前往可能存在订单的地点,等待接单。然而,出租车前往的地点是否可能出现订单,是出租车司机无法确定的,因此,容易出现出租车在道路上空跑而部分地点却运力不足的情况。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种车辆调度方法、一种车辆调度装置、一种目标订单预测模型的生成方法、以及一种目标订单预测模型的生成装置。
为了解决上述问题,本发明实施例公开了一种车辆调度方法,包括:
获取预设区域的订单参考信息,以及当前的区域车辆数量;
采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;
采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度。
优选地,所述采用所述预设区域订单量以及所述当前区域车辆数量,对所述预设区域之间的车辆进行调度的步骤,包括:
比较所述预测区域订单量以及所述当前的区域车辆数量;
将所述预设区域中所述预测区域订单量大于所述当前的区域车辆数量的预设区域作为预测多车区域;
将所述预设区域中所述预测区域订单量小于所述当前的区域车辆数量的预设区域作为预测缺车区域;
将所述预测多车区域中的车辆调度至预测缺车区域。
优选地,所述将所述预测多车区域中的车辆调度至预测缺车区域的步骤,包括:
在所述预测缺车区域的预设区域距离内的预设区域中,确定是否存在所述预测多车区域;
若存在所述预测多车区域,将所述预测多车区域的车辆调度至所述预测缺车区域。
优选地,所述订单参考信息包括第一时间段信息、第一作息信息、第一订单信息、第一天气信息、第一聚会信息、第一促销信息中的至少一种。
本发明实施例还公开了一种目标订单预测模型的生成方法,包括:
获取预设区域的订单参考信息训练集以及订单参考信息测试集;
采用所述订单参考信息训练集并以目标区域订单数量作为学习目标,对预设的初始订单预测模型进行训练,生成候选订单预测模型;
采用所述订单参考信息测试集,测试所述候选订单预测模型,得到测试结果;
基于所述测试结果,计算误差值;
当所述误差值小于预设阈值时,将所述候选订单预测模型确定为目标订单预测模型。
优选地,所述方法还包括:
获取基于时间顺序排列的订单参考信息样本;
基于时间顺序,在所述订单参考信息样本中选取至少一个目标订单参考信息样本,生成订单参考信息样本集;
在预设的基于时间顺序排列的区域订单数量中,选取时间顺序在所述订单参考信息样本集之后的目标区域订单数量,作为订单参考信息样本集对应的学习目标;
在所述订单参考信息样本集中,选取至少一个订单参考信息样本集作为订单参考信息测试集,并将所述订单参考信息测试集以外的订单参考信息样本集作为订单参考信息训练集。
优选地,所述方法还包括:
获取基于时间顺序排列的原始订单参考数据;所述原始订单参考数据包括第二时间段信息、第二作息信息、以及第二订单信息;
针对当前原始订单参考数据,选取作息信息相同且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的同比订单信息;
针对当前原始订单参考数据,选取时间段信息连续且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的环比订单信息;
采用所述第二时间段信息、第二作息信息、同比订单信息、以及环比订单信息,生成订单参考信息样本。
优选地,所述原始订单参考数据还包括第二天气信息、第二聚会信息、第二促销信息。
本发明实施例还公开了一种车辆调度装置,所述装置包括:
第一获取模块,用于获取预设区域的订单参考信息,以及当前的区域车辆数量;
第一生成模块,用于采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;
调度模块,用于采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度。
优选地,所述调度模块包括:
比较子模块,用于比较所述预测区域订单量以及所述当前的区域车辆数量;
多车区域子模块,用于将所述预设区域中所述预测区域订单量大于所述当前的区域车辆数量的预设区域作为预测多车区域;
缺车区域子模块,用于将所述预设区域中所述预测区域订单量小于所述当前的区域车辆数量的预设区域作为预测缺车区域;
调度子模块,用于将所述预测多车区域中的车辆调度至预测缺车区域。
优选地,所述调度子模块包括:
确定单元,用于在所述预测缺车区域的预设区域距离内的预设区域中,确定是否存在所述预测多车区域;
调度单元,用于若存在所述预测多车区域,将所述预测多车区域的车辆调度至所述预测缺车区域。
优选地,所述订单参考信息包括第一时间段信息、第一作息信息、第一订单信息、第一天气信息、第一聚会信息、第一促销信息中的至少一种。
本发明实施例还公开了一种目标订单预测模型的生成装置,所述装置包括:
第二获取模块,用于获取预设区域的订单参考信息训练集以及订单参考信息测试集;
第二生成模块,用于采用所述订单参考信息训练集并以目标区域订单数量作为学习目标,对预设的初始订单预测模型进行训练,生成候选订单预测模型;
测试模块,用于采用所述订单参考信息测试集,测试所述候选订单预测模型,得到测试结果;
计算模块,用于基于所述测试结果,计算误差值;
确定模块,用于当所述误差值小于预设阈值时,将所述候选订单预测模型确定为目标订单预测模型。
优选地,所述装置还包括:
第三获取模块,用于获取基于时间顺序排列的订单参考信息样本;
第三生成模块,用于基于时间顺序,在所述订单参考信息样本中选取至少一个目标订单参考信息样本,生成订单参考信息样本集;
第一选取模块,用于在预设的基于时间顺序排列的区域订单数量中,选取时间顺序在所述订单参考信息样本集之后的目标区域订单数量,作为订单参考信息样本集对应的学习目标;
第二选取模块,用于在所述订单参考信息样本集中,选取至少一个订单参考信息样本集作为订单参考信息测试集,并将所述订单参考信息测试集以外的订单参考信息样本集作为订单参考信息训练集。
优选地,所述装置还包括:
第四获取模块,用于获取基于时间顺序排列的原始订单参考数据;所述原始订单参考数据包括第二时间段信息、第二作息信息、以及第二订单信息;
第三选取模块,用于针对当前原始订单参考数据,选取作息信息相同且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的同比订单信息;
第四选取模块,用于针对当前原始订单参考数据,选取时间段信息连续且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的环比订单信息;
第四生成模块,用于采用所述第二时间段信息、第二作息信息、同比订单信息、以及环比订单信息,生成订单参考信息样本。
优选地,所述原始订单参考数据还包括第二天气信息、第二聚会信息、第二促销信息。
本发明实施例还公开了一种装置,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行本发明实施例所述的方法。
本发明实施例还公开了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行本发明实施例所述的方法。
本发明实施例包括以下优点:
通过本发明实施例的车辆调度方法,获取预设区域的订单参考信息,以及当前的区域车辆数量;并采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度,使所述预设区域的区域车辆数量可以接近所述预设区域订单量,提高司机的接单效率,减少出租车空跑,并避免部分区域运力不足的情况。
附图说明
图1是本发明的一种车辆调度方法方法实施例的步骤流程图;
图2是本发明的另一种车辆调度方法方法实施例的步骤流程图
图3是本发明的一种目标订单预测模型的生成方法实施例的步骤流程图;
图4是本发明的一种订单参考信息训练集以及订单参考信息测试集的时序示意图;
图5是本发明的一种车辆调度方法装置实施例的结构框图;
图6是本发明的一种目标订单预测模型的生成方法装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例采用预设区域的订单参考信息,生成预设区域的预测区域订单量,从而可以基于预设区域的预测区域订单,在预设区域之间进行车辆调度,预设区域中的车辆数量可以与预设区域订单量相匹配,减少出租车在道路上空跑而部分区域却运力不足的情况。
参照图1,示出了本发明的一种车辆调度方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,获取预设区域的订单参考信息,以及当前的区域车辆数量;
在本发明实施例中,可以划定一预设的服务区域,所述服务区域可以为出租车的运行范围,所述出租车在所述服务区域中移动。
在本发明实施例中,所述服务区域中,可以划分有至少一个预设区域,以基于所述预设区域,对所述出租车进行调度。
在具体实现中,所述预设区域的划分,可以基于经纬度进行划分。作为本发明的一种示例,可以采用GeoHash(公共领域地理编码系统)进行划分。GeoHash可以采用一维的字符串来表示包含经度坐标以及纬度坐标的两个数字的经纬度数据。例如,广州塔的经纬度数据为(23.106468,113.324447)则其对应的GeoHash字符串为ws0e6y2kgjb4。进一步地,所述GeoHash字符串根据其字符长度的变化,其对应的地理区域范围也会不同,所述GeoHash字符串越短,其可以对应更大的地理区域范围,所述GeoHash字符串越长,其可以对应更小的地理区域范围。例如,当字符串的长度为4时,字符串对应一经度方向长度为39.1km,纬度方向长度为19.5km的地理区域范围。当字符串的长度为6时,字符串对应一经度方向长度为1.22km,纬度方向长度为0.61km的地理区域范围。从而本发明可以根据实际需要,将所述服务区域采用GeoHash字符串,划分为至少一个预设区域。
在本发明实施例中,所述订单参考信息可以包括影响所述预设区域中订单数量的信息,以及所述预设区域的历史订单数据,从而本发明可以基于所述订单参考信息,对所述预设区域的订单量进行预测。
在本发明实施例中,可以获取所述预设区域的当前的区域车辆数量。作为本发明一种可选的实施方式,所述当前的区域车辆数量可以通过出租车内设置的定位装置、司机持有的定位装置、道路摄像头抓拍车辆等方式,确定所述出租车的位置,确定所述预设区域中的当前的区域车辆数量。
步骤102,采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;
在本发明实施例中,所述目标订单预测模型,可以为经过机器学习训练得到的模型。所述目标订单预测模型可以基于所述订单参考信息,对所述预设区域的预测区域订单量进行预测。从而本申请可以将所述订单参考信息输入所述目标订单预测模型,所述目标订单预测模型可以输出所述预设区域的预测区域订单量。
步骤103,采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度。
在本发明实施例中,本发明获取所述预设区域的预测区域订单量后,可以将所述预测区域订单量以及所述区域车辆数量进行比较,确定所述预设区域是否需要调入车辆或者调出车辆,并进一步确定调入车辆的来源,或者调出车辆的去向,从而在所述预设区域之间进行车辆调度,使所述预设区域的区域车辆数量可以接近所述预设区域订单量,提高司机的接单效率,并避免部分区域运力不足的情况。
作为本发明的一种示例,本发明可以获取区域A的订单参考信息,以及区域A当前的区域车辆数量20辆。将所述区域A的订单参考信息输入所述预设的目标订单预测模型中,获得所述目标订单预测模型输出的预测区域订单量为15单。本发明可以获取区域B的订单参考信息,以及区域B当前的区域车辆数量30辆。将所述区域B的订单参考信息输入所述预设的目标订单预测模型中,获得所述目标订单预测模型输出的预测区域订单量为20单。则可以参考区域A以及区域B的预设区域订单量以及当前的区域车辆数量,从区域B调度5~7辆车至区域A,使所述区域A以及区域B的区域车辆数量可以接近所述预设区域订单量。
通过本发明实施例的车辆调度方法,获取预设区域的订单参考信息,以及当前的区域车辆数量;并采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度,使所述预设区域的区域车辆数量可以接近所述预设区域订单量,提高司机的接单效率,减少出租车空跑,并避免部分区域运力不足的情况。
参照图2,示出了本发明的一种车辆调度方法实施例的步骤流程图,具体可以包括如下步骤:
步骤201,获取预设区域的订单参考信息,以及当前的区域车辆数量;
在本发明实施例中,所述服务区域中,可以划分有至少一个预设区域,以基于所述预设区域,对所述出租车进行调度。
在具体实现中,所述预设区域的划分,可以基于经纬度进行划分。作为本发明的一种示例,可以采用GeoHash(公共领域地理编码系统)进行划分。所述GeoHash字符串根据其字符长度的变化,其对应的地理区域范围也会不同,所述GeoHash字符串越短,其可以对应更大的地理区域范围,所述GeoHash字符串越长,其可以对应更小的地理区域范围。从而本发明可以根据实际需要,将所述服务区域采用GeoHash字符串,划分为至少一个预设区域。
在本发明实施例中,可以获取所述预设区域的当前的区域车辆数量。作为本发明一种可选的实施方式,所述当前的区域车辆数量可以通过出租车内设置的定位装置、司机持有的定位装置、道路摄像头抓拍车辆等方式,确定所述出租车的位置,确定所述预设区域中的当前的区域车辆数量。
在本发明实施例中,所述订单参考信息可以包括影响所述预设区域中订单数量的信息,以及所述预设区域的历史订单数据,从而本发明可以基于所述订单参考信息,对所述预设区域的订单量进行预测。
在本发明的一种优选实施例中,所述订单参考信息包括第一时间段信息、第一作息信息、第一订单信息、第一天气信息、第一聚会信息、第一促销信息中的至少一种。
在本发明实施例中,所述第一时间段信息可以用于指示所述订单参考信息所要预测的时间段。所述时间段可以基于年、月、周、日、小时、刻、分钟等进行划分,本发明对此不做限制。
在本发明实施例中,用户的作息情况,可以对车辆的订单量产生影响。例如,在工作日时,上班高峰期对应的时间段可以产生较多的订单,在工作日首日则可以进一步产生更多的订单。在休息日时,可以在商场营业时间对应的时间段产生较多的订单。由此,可以将作息信息作为可能影响订单量的因素。所述第一作息信息可以用于指示所述订单参考信息所要预测时间段的作息情况。作为本发明的一种可选的实施方式,所述第一作息信息可以分为工作日/休假日;还可以分为工作日首日/普通工作日/工作日末日/休假首日/普通休假日/休假末日,本发明对此不做限制。
在本发明实施例中,可以基于历史在预设区域产生的订单数据,对未来的订单量进行预测。还可以基于订单应答量、订单应答时长等相关数据,判断预设区域的繁忙程度,进一步判断预设区域可能需要的订单量。由此,所述订单参考信息可以包括第一订单信息。所述第一订单信息可以用于指示所述订单参考信息所要预测的时间段之前的订单数据。所述第一订单信息可以包括历史订单下单量、历史订单应答量、历史订单取消量、历史订单应答时长,本发明对此不做限制。
在本发明实施例中,天气情况可以对车辆的订单量产生影响。例如,在晴天,温度较高时,车辆的订单量可以增加。在雨天时,车辆的订单量可以增加。由此,可以将天气信息作为可能影响订单量的因素。所述第一天气信息可以用于指示所述订单参考信息所要预测的时间段的天气情况。所述第一天气信息可以包括温度、湿度、天气分类(如晴、阴、雨、霜、雪等),本发明对此不做限制。
在本发明实施例中,聚会情况可以对车辆的订单量产生影响。例如,当体育馆举行体育比赛或者举行演唱会时,体育馆周边的订单量可以增加。并且订单的增加量与聚会规模相关,聚会规模越大,订单的增加量可以越大,由此,可以将聚会信息作为可能影响订单量的因素。所述第一聚会信息可以用于指示在所述订单参考信息所要预测的时间段的聚会情况。所述第一聚会信息可以包括是否有聚会、聚会类型、聚会规模等,本发明对此不做限制。
在本发明实施例中,促销情况可以对车辆的订单量产生影响。例如,当出租车运营商推出促销活动,车辆的订单量可以增加。随着促销力度的增加,车辆的订单量可以进一步增加。由此,可以将促销情况作为可能影响订单量的因素。所述第一促销信息可以用于指示在所述订单参考信息所要预测的时间段的促销情况。所述第一促销信息对应的促销活动可以为出租车运营商推出的。所述促销信息可以包括是否有促销,促销力度等,本发明对此不做限制。
在本发明实施例中,第一时间段信息、第一作息信息、第一订单信息、第一天气信息、第一聚会信息、第一促销信息中的至少一种,对预设区域的订单量进行预测,可以提高目标订单预测模型的准确度,从而可以更加准确地确定所述预设区域的订单量,并基于预测区域订单量进行车辆调度。
步骤202,采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;
在本发明实施例中,所述目标订单预测模型,可以为经过机器学习训练得到的模型。所述目标订单预测模型可以基于所述订单参考信息,对所述预设区域的预测区域订单量进行预测。从而本申请可以将所述订单参考信息输入所述目标订单预测模型,所述目标订单预测模型可以输出所述预设区域的预测区域订单量。
步骤203,比较所述预测区域订单量以及所述当前的区域车辆数量;
在本发明实施例中,可以将所述预测区域订单量与所述当前的区域车辆数量进行比较,便于进一步确定是否需要对区域内的车辆进行调度。
步骤204,将所述预设区域中所述预测区域订单量大于所述当前的区域车辆数量的预设区域作为预测多车区域;
在本发明实施例中,可以将预设区域中所述预测区域订单量大于所述当前的区域车辆数量的预设区域作为预测多车区域。所述预测多车区域可以根据实际需要,考虑将一定数量的车辆调出该区域。
步骤205,将所述预设区域中所述预测区域订单量小于所述当前的区域车辆数量的预设区域作为预测缺车区域;
在本发明实施例中,可以将所述预设区域中所述预测区域订单量小于所述当前的区域车辆数量的预设区域作为预测缺车区域。所述预测缺车区域可以考虑将一定数量的车辆调入该区域。
在本发明实施例中,还可以存在所述预设区域中所述预测区域订单量接近所述当前的区域车辆数量的区域,则该区域可以考虑不进行车辆调度。
步骤206,将所述预测多车区域中的车辆调度至预测缺车区域。
在本发明实施例中,在确定所述预测多车区域以及预测缺车区域后,可以将所述预测多车区域中的车辆调度至预测缺车区域,使所述预测多车区域以及预测缺车区域中的车辆数量可以接近预测区域订单量。
在本发明的优选实施例中,所述将所述预测多车区域中的车辆调度至预测缺车区域的步骤,包括:
S11,在所述预测缺车区域的预设区域距离内的预设区域中,确定是否存在所述预测多车区域;
在本发明实施例中,为了减少车辆在道路上空跑的情况,在调度车辆时,可以在所述预测缺车区域的预设区域距离内的预设区域中,确定是否存在所述预测多车区域。只在所述预测缺车区域的预设区域距离内进行车辆调度,可以避免车辆因为调度距离过长而导致车辆接单效率降低。
在本发明实施例中,所述预设区域距离可以为以所述预测缺车区域中心点为圆心的半径距离,例如,1km、3km等。所述预设区域距离还可以基于所述预设区域之间间隔的预设区域的数量确定,例如,与所述预测缺车区域相邻的预设区域,与所述预测缺车区域间隔一个预设区域以内的预设区域。本发明对所述预设区域距离不做限制。
在本发明实施例中,为了实现小区域之间运力的调度,尽量减少车辆调度花费的时间,本发明可以根据实际需要,调整所述预设区域的地理区域范围大小,以及调整所述预设区域距离,从而减少车辆调度的距离,以减少车辆调度花费的时间。
S12,若存在所述预测多车区域,将所述预测多车区域的车辆调度至所述预测缺车区域。
在本发明实施例中,若存在所述预测多车区域,则可以将所述预测多车区域的车辆调度至所述预设缺车区域,使所述预测多车区域以及预测缺车区域中的车辆数量可以接近预测区域订单量。
通过本发明实施例的车辆调度方法,获取预设区域的订单参考信息,以及当前的区域车辆数量;并采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度,使所述预设区域的区域车辆数量可以接近所述预设区域订单量,提高司机的接单效率,减少出租车空跑,并避免部分区域运力不足的情况。
参照图3,示出了本发明的一种目标订单预测模型的生成方法实施例的步骤流程图,具体可以包括如下步骤:
步骤301,获取预设区域的订单参考信息训练集以及订单参考信息测试集;
在本发明实施例中,为了对订单预测模型进行训练,可以获取预设区域的订单参考信息训练集以及订单参考信息测试集。所述订单参考信息训练集可以用于对所述订单预测模型进行训练,所述订单参考信息测试集可以用于对所述订单预测模型的训练情况进行测试。
在本发明实施例中,针对一预设区域,可以包括若干组订单参考信息训练集以及订单参考信息测试集的集合。本申请可以依次采用所述集合,对所述订单预测模型进行训练。
在本发明实施例中,由于订单预测模型与时间相关,所述订单参考信息训练集与所述订单参加信息测试集之间具有时间顺序。所述订单参考信息训练集对应的时间周期早于所述订单参考信息测试集对应的时间周期,避免数据泄露导致模型训练失败。
作为本发明的一种示例,如图4所示,图4示出了一种订单参考信息训练集以及订单参考信息测试集的时序示意图。可见,订单参考信息训练集401、订单参考信息训练集402、订单参考信息训练集403的时间周期,在时间轴上皆早于订单参考信息测试集404。
在本发明的一种优选实施例中,所述方法还包括:
S21,获取基于时间顺序排列的订单参考信息样本;
在本发明实施例中,每一订单参考信息样本,可以具有时间段信息。所述订单参考信息样本可以基于所述时间段信息进行排列。
在本发明实施例中,所述订单参考信息样本中可以包括在某一时间段内,可以影响所述预设区域中订单数量的信息,以及与该时间段相关的历史订单数据。
S22,基于时间顺序,在所述订单参考信息样本中选取至少一个目标订单参考信息样本,生成订单参考信息样本集;
在本发明实施例中,可以在所述订单参考信息样本中,选取至少一个目标订单影响样本,生成订单参考信息样本集。作为本发明一种可选的实施方式,可以在所述订单参考信息样本中,选取连续的时间段的目标订单参考信息样本,生成订单参考信息样本集。例如,选取8:00~8:15、8:15~8:30、8:30~8:45的订单参考信息样本,生成订单参考信息样本集。还可以选取每日相同时间段的订单参考信息样本,生成订单参考信息样本集。例如,选取1日8:00~8:15、2日8:00~8:15、3日8:00~8:15的订单参考信息样本,生成订单参考信息样本集。本发明对此不做限制。
S23,在预设的基于时间顺序排列的区域订单数量中,选取时间顺序在所述订单参考信息样本集之后的目标区域订单数量,作为订单参考信息样本集对应的学习目标;
在本发明实施例中,所述区域订单数量可以为在一时间段内预设区域产生的订单数量。所述区域订单数量可以基于时间段进行排列。
在本发明实施例中,目标订单预测模型可以用于基于订单参考信息,对预设区域的区域订单数量进行预测。由此,可以将时间顺序在所述订单参考信息样本集之后的目标区域订单数量,作为订单参考信息样本集对应的学习目标,以实现对未来的区域订单数量进行预测的效果。
作为本发明的一种示例,订单参考信息样本集由1日、2日、3日的订单参考信息样本形成时,可以选取4日的区域订单数量作为学习目标。本发明对此不做限制。
S24,在所述订单参考信息样本集中,选取至少一个订单参考信息样本集作为订单参考信息测试集,并将所述订单参考信息测试集以外的订单参考信息样本集作为订单参考信息训练集。
在本发明实施例中,在所述订单参考信息样本集中,可以选取至少一个订单参考信息样本集作为订单参考信息测试集,并将所述订单参考信息测试集以外的订单参考信息样本集作为订单参考信息训练集。由此,可以得到若干组订单参考信息训练集以及订单参考信息测试集的集合。
在本发明实施例中,为了避免数据泄露,所述订单参考信息测试集对应的学习目标,即对应的目标区域订单数量,需要未在训练过程中出现。由此,在选取订单参考信息测试集时,可以选取时间顺序较晚的订单参考信息样本集作为订单参考信息测试集。
在本发明的一种优选实施例中,所述方法还包括:
S31,获取基于时间顺序排列的原始订单参考数据;所述原始订单参考数据包括第二时间段信息、第二作息信息、以及第二订单信息;
在本发明实施例中,所述原始订单参考数据,可以为在某一时间段下获取的可以影响所述预设区域中订单数量的数据,以及与该时间段的订单数据。
在本发明实施例中,所述原始订单参考数据可以包括第二时间段信息,所述第二时间段信息可以用于指示所述原始订单参考数据产生的时间段。所述时间段可以基于年、月、周、日、小时、刻、分钟等进行划分,本发明对此不做限制。
在本发明实施例中,所述原始订单参考数据可以包括第二作息信息。所述第二作息信息可以用于指示所述原始订单参考数据所属时间段的作息情况。作为本发明的一种可选的实施方式,所述第二作息信息可以分为工作日/休假日;还可以分为工作日首日/普通工作日/工作日末日/休假首日/普通休假日/休假末日,本发明对此不做限制。
在本发明实施例中,所述原始订单参考数据可以包括第二订单信息。所述第二订单信息可以用于指示所述原始订单参考数据所属的时间段的订单数据。所述第二订单信息可以包括订单下单量、订单应答量、订单取消量、订单应答时长,本发明对此不做限制。
S32,针对当前原始订单参考数据,选取作息信息相同且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的同比订单信息;
在本发明实施例中,为了进一步提高目标订单预测模型的准确性,针对当前原始订单参考数据,可以选取同比订单信息作为训练使用的因素。
在本发明实施例中,所述同比订单信息可以为至少一个作息信息相同且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息。例如,对于17日8:00~8:15的原始订单参考数据,其作息信息为工作日,则对于17日8:00~8:15的原始订单参考数据,可以将作息信息同为工作日的16日8:00~8:15的原始订单参考数据的第二订单信息作为同比订单信息。
S33,针对当前原始订单参考数据,选取时间段信息连续且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的环比订单信息;
在本发明实施例中,为了进一步提高目标订单预测模型的准确性,针对当前原始订单参考数据,可以选取环比订单信息作为训练使用的因素。
在本发明实施例中,所述环比订单信息可以为至少一个时间段信息连续且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息。例如,对于17日8:00~8:15的原始订单参考数据,其时间段信息连续且时间段信息早于所述当前原始订单参考数据的环比订单信息可以为17日7:45~8:00的原始订单参考数据的第二订单信息。
S34,采用所述第二时间段信息、第二作息信息、同比订单信息、以及环比订单信息,生成订单参考信息样本。
在本发明实施例中,可以采用所述第二时间段信息、第二作息信息、同比订单信息、以及环比订单信息,生成订单参考信息样本。可以采用订单参考信息样本生成订单参考信息训练集以及订单参考信息测试集,对所述初始订单预测模型进行训练,获得可以对区域订单数量进行预测的目标订单预测模型。
在本发明的一种优选实施例中,所述原始订单参考数据还包括第二天气信息、第二聚会信息、第二促销信息。
在本发明实施例中,天气情况可以对车辆的订单量产生影响。例如,在晴天,温度较高时,车辆的订单量可以增加。在雨天时,车辆的订单量可以增加。由此,所述原始订单参考数据还可以包括第二天气信息。所述第二天气信息可以用于指示所述订单参考信息所属时间段的天气情况。所述第二天气信息可以包括温度、湿度、天气分类(如晴、阴、雨、霜、雪等),本发明对此不做限制。
在本发明实施例中,在生成订单参考信息样本的情况下,可以进一步采用所述第二天气信息生成订单参考信息样本,从而可以将第二天气信息作为预测区域订单数量考虑的因素。
在本发明实施例中,聚会情况可以对车辆的订单量产生影响。例如,当体育馆举行体育比赛或者举行演唱会时,体育馆周边的订单量可以增加。并且订单的增加量与聚会规模相关,聚会规模越大,订单的增加量可以越大,由此,所述原始订单参考数据还可以包括第二聚会信息。所述第二聚会信息可以用于指示在所述原始订单参考数据所属时间段的聚会情况。所述第二聚会信息可以包括是否有聚会、聚会类型、聚会规模等,本发明对此不做限制。
在本发明实施例中,在生成订单参考信息样本的情况下,可以进一步采用所述第二聚会信息生成订单参考信息样本,从而可以将第二聚会信息作为预测区域订单数量考虑的因素。
在本发明实施例中,促销情况可以对车辆的订单量产生影响。例如,当出租车运营商推出促销活动,车辆的订单量可以增加。随着促销力度的增加,车辆的订单量可以进一步增加。由此,所述原始订单参考数据还可以包括第二促销信息。所述第二促销信息可以用于指示在所述原始订单参考数据所属时间段的促销情况。所述第二促销信息对应的促销活动可以为出租车运营商推出的。所述促销信息可以包括是否有促销,促销力度等,本发明对此不做限制。
在本发明实施例中,在生成订单参考信息样本的情况下,可以进一步采用所述第二促销信息生成订单参考信息样本,从而可以将第二促销信息作为预测区域订单数量考虑的因素。
步骤302,采用所述订单参考信息训练集并以目标区域订单数量作为学习目标,对预设的初始订单预测模型进行训练,生成候选订单预测模型;
在本发明实施例中,订单预测模型需要采用作为历史数据的订单参考训练集,预测未来某一时间段中预设区域的区域订单数量。可以采用所述订单参考信息训练集并以未来区域订单数量作为学习目标,对预设的初始订单预测模型进行训练,生成候选订单预测模型。
在本发明实施例中,所述目标区域订单数量可以为所述订单参考信息训练集的学习目标,所述目标区域订单数量可以为在所述订单参考信息训练集对应的时间周期之后的一时间段的区域订单数量。从而相对于订单参考信息训练集对应的时间周期来说,在订单参考信息训练集对应的时间周期之后的一时间段的区域订单数量,可以认为是“未来”的区域订单数量。例如,所述订单参考信息训练集对应的时间周期为2019年9月1日~2019年9月7日,则所述目标区域订单数量可以为2019年9月8日的区域订单数量。由此,初始订单预测模型可以采用目标区域订单数量进行训练,以实现对区域订单数量进行预测的效果。
作为本发明的一种示例,如图4所示,图4示出了一种订单参考信息训练集以及订单参考信息测试集的时序示意图。其中,订单参考信息训练集401对应有目标区域订单数量405,订单参考信息训练集402对应有目标区域订单数量406,订单参考信息训练集403对应有目标区域订单数量407,订单参考信息测试集404对应有目标区域订单数量408。可见,目标区域订单数量对应的时间段晚于其对应的订单参考信息训练集的时间周期。初始订单预测模型在采用所述订单参考信息训练集401进行训练时,可以采用目标区域订单数量405作为训练目标;在采用所述订单参考信息训练集402进行训练时,可以采用目标区域订单数量406作为训练目标;在采用所述订单参考信息训练集403进行训练时,可以采用目标区域订单数量407作为训练目标。订单参考信息测试集404可以将目标区域订单数量408作为验证准确度所需要的数据。
在本发明实施例中,所述预测的初始订单预测模型可以采用决策树、随机森林、SVM(SupportVectorMachines,支持向量机)、GBDT(Gradient Boosting Decision Tree,梯度提升决策树)、Xgboost、DNN(Deep Neural Networks,深度神经网络)等机器学习模型,本发明对此不做限制。
步骤303,采用所述订单参考信息测试集,测试所述候选订单预测模型,得到测试结果;
在本发明实施例中,在生成候选订单预测模型之后,可以测试所述候选订单预测模型是否已经学习完成。由此,可以采用所述订单参考信息测试集,对所述候选订单预测模型进行测试。
在本发明实施例中,可以采用所述订单参考信息测试集,对所述订单参考信息测试集进行预测,得到测试结果。所述测试结果可以为所述候选订单预测模型所预测的区域订单数量。
步骤304,基于所述测试结果,计算误差值;
在本发明实施例中,可以计算所述测试结果与所述订单参考信息测试集对应的目标区域订单数量之间的误差值,以确定所述测试结果是否接近真实情况。具体地,所述误差值可以为平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)等回归模型使用的评价指标,本发明对此不做限制。
在本发明实施例中,为了避免数据泄露,所述订单参考信息测试集对应的学习目标,即对应的目标区域订单数量,需要未在训练过程中出现。由此,在训练过程中,对于若干组订单参考信息训练集以及订单参考信息测试集的集合,可以基于时间顺序,由时间周期较旧的集合开始,对所述初始预测模型进行训练,获取候选订单预测模型,并采用订单参考信息测试集测试所述候选订单预测模型,再采用比之前使用的集合相比,时间周期较新的集合继续进行训练与测试。
步骤305,当所述误差值小于预设阈值时,将所述候选订单预测模型确定为目标订单预测模型。
在本发明实施例中,当所述误差值大于预设阈值时,可以基于特征工程,对所述订单参考信息样本集进行调整,还可以对所述初始订单预测模型中的调整参数进行调整。其后,继续训练所述初始订单预测模型,得到候选订单预测模型,直至所述候选订单预测模型的误差值小于预设阈值。
在本发明实施例中,当所述误差值小于预设阈值时,可以认为所述候选订单预测模型可以较好地对区域订单数量进行预测,则可以将所述候选订单预测模型确定为目标订单预测模型。
通过本发明实施例的目标订单预测模型的生成方法,获取预设区域的订单参考信息训练集以及订单参考信息测试集,采用所述订单参考信息训练集并以目标区域订单数量作为学习目标,对预设的初始订单预测模型进行训练,生成候选订单预测模型,当所述误差值小于预设阈值时,将所述候选订单预测模型确定为目标订单预测模型。实现了采用预设区域的订单参考信息训练集以及订单参考信息测试集,对初始订单预测模型进行训练,生成适用于预测区域订单数量的目标订单预测模型。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图5,示出了本发明的一种车辆调度装置实施例的结构框图,具体可以包括如下模块:
第一获取模块501,用于获取预设区域的订单参考信息,以及当前的区域车辆数量;
第一生成模块502,用于采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;
调度模块503,用于采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度。
在本发明一种实施例中,所述调度模块包括:
比较子模块,用于比较所述预测区域订单量以及所述当前的区域车辆数量;
多车区域子模块,用于将所述预设区域中所述预测区域订单量大于所述当前的区域车辆数量的预设区域作为预测多车区域;
缺车区域子模块,用于将所述预设区域中所述预测区域订单量小于所述当前的区域车辆数量的预设区域作为预测缺车区域;
调度子模块,用于将所述预测多车区域中的车辆调度至预测缺车区域。
在本发明一种实施例中,所述调度子模块包括:
确定单元,用于在所述预测缺车区域的预设区域距离内的预设区域中,确定是否存在所述预测多车区域;
调度单元,用于若存在所述预测多车区域,将所述预测多车区域的车辆调度至所述预测缺车区域。
在本发明一种实施例中,所述订单参考信息包括第一时间段信息、第一作息信息、第一订单信息、第一天气信息、第一聚会信息、第一促销信息中的至少一种。
参照图6,示出了本发明的一种目标订单预测模型的生成装置实施例的结构框图,具体可以包括如下模块:
第二获取模块601,用于获取预设区域的订单参考信息训练集以及订单参考信息测试集;
第二生成模块602,用于采用所述订单参考信息训练集并以目标区域订单数量作为学习目标,对预设的初始订单预测模型进行训练,生成候选订单预测模型;
测试模块603,用于采用所述订单参考信息测试集,测试所述候选订单预测模型,得到测试结果;
计算模块604,用于基于所述测试结果,计算误差值;
确定模块605,用于当所述误差值小于预设阈值时,将所述候选订单预测模型确定为目标订单预测模型。
在本发明一种实施例中,所述装置还包括:
第三获取模块,用于获取基于时间顺序排列的订单参考信息样本;
第三生成模块,用于基于时间顺序,在所述订单参考信息样本中选取至少一个目标订单参考信息样本,生成订单参考信息样本集;
第一选取模块,用于在预设的基于时间顺序排列的区域订单数量中,选取时间顺序在所述订单参考信息样本集之后的目标区域订单数量,作为订单参考信息样本集对应的学习目标;
第二选取模块,用于在所述订单参考信息样本集中,选取至少一个订单参考信息样本集作为订单参考信息测试集,并将所述订单参考信息测试集以外的订单参考信息样本集作为订单参考信息训练集。
在本发明一种实施例中,所述装置还包括:
第四获取模块,用于获取基于时间顺序排列的原始订单参考数据;所述原始订单参考数据包括第二时间段信息、第二作息信息、以及第二订单信息;
第三选取模块,用于针对当前原始订单参考数据,选取作息信息相同且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的同比订单信息;
第四选取模块,用于针对当前原始订单参考数据,选取时间段信息连续且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的环比订单信息;
第四生成模块,用于采用所述第二时间段信息、第二作息信息、同比订单信息、以及环比订单信息,生成订单参考信息样本。
在本发明一种实施例中,所述原始订单参考数据还包括第二天气信息、第二聚会信息、第二促销信息。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种装置,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行本发明实施例所述的方法。
本发明实施例还提供了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行本发明实施例所述的方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种车辆调度方法和一种车辆调度装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种车辆调度方法,其特征在于,包括:
获取预设区域的订单参考信息,以及当前的区域车辆数量;
采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;
采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度。
2.根据权利要求1所述的方法,其特征在于,所述采用所述预设区域订单量以及所述当前区域车辆数量,对所述预设区域之间的车辆进行调度的步骤,包括:
比较所述预测区域订单量以及所述当前的区域车辆数量;
将所述预设区域中所述预测区域订单量大于所述当前的区域车辆数量的预设区域作为预测多车区域;
将所述预设区域中所述预测区域订单量小于所述当前的区域车辆数量的预设区域作为预测缺车区域;
将所述预测多车区域中的车辆调度至预测缺车区域。
3.根据权利要求2所述的方法,其特征在于,所述将所述预测多车区域中的车辆调度至预测缺车区域的步骤,包括:
在所述预测缺车区域的预设区域距离内的预设区域中,确定是否存在所述预测多车区域;
若存在所述预测多车区域,将所述预测多车区域的车辆调度至所述预测缺车区域。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述订单参考信息包括第一时间段信息、第一作息信息、第一订单信息、第一天气信息、第一聚会信息、第一促销信息中的至少一种。
5.一种目标订单预测模型的生成方法,其特征在于,包括:
获取预设区域的订单参考信息训练集以及订单参考信息测试集;
采用所述订单参考信息训练集并以目标区域订单数量作为学习目标,对预设的初始订单预测模型进行训练,生成候选订单预测模型;
采用所述订单参考信息测试集,测试所述候选订单预测模型,得到测试结果;
基于所述测试结果,计算误差值;
当所述误差值小于预设阈值时,将所述候选订单预测模型确定为目标订单预测模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取基于时间顺序排列的订单参考信息样本;
基于时间顺序,在所述订单参考信息样本中选取至少一个目标订单参考信息样本,生成订单参考信息样本集;
在预设的基于时间顺序排列的区域订单数量中,选取时间顺序在所述订单参考信息样本集之后的目标区域订单数量,作为订单参考信息样本集对应的学习目标;
在所述订单参考信息样本集中,选取至少一个订单参考信息样本集作为订单参考信息测试集,并将所述订单参考信息测试集以外的订单参考信息样本集作为订单参考信息训练集。
7.根据权利要求5或6所述的方法,其特征在于,所述方法还包括:
获取基于时间顺序排列的原始订单参考数据;所述原始订单参考数据包括第二时间段信息、第二作息信息、以及第二订单信息;
针对当前原始订单参考数据,选取作息信息相同且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的同比订单信息;
针对当前原始订单参考数据,选取时间段信息连续且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的环比订单信息;
采用所述第二时间段信息、第二作息信息、同比订单信息、以及环比订单信息,生成订单参考信息样本。
8.根据权利要求7所述的方法,其特征在于,所述原始订单参考数据还包括第二天气信息、第二聚会信息、第二促销信息。
9.一种车辆调度装置,其特征在于,所述装置包括:
第一获取模块,用于获取预设区域的订单参考信息,以及当前的区域车辆数量;
第一生成模块,用于采用所述订单参考信息和预设的目标订单预测模型,生成所述预设区域的预测区域订单量;
调度模块,用于采用所述预设区域的预设区域订单量以及所述当前的区域车辆数量,在所述预设区域之间进行车辆调度。
10.根据权利要求9所述的装置,其特征在于,所述调度模块包括:
比较子模块,用于比较所述预测区域订单量以及所述当前的区域车辆数量;
多车区域子模块,用于将所述预设区域中所述预测区域订单量大于所述当前的区域车辆数量的预设区域作为预测多车区域;
缺车区域子模块,用于将所述预设区域中所述预测区域订单量小于所述当前的区域车辆数量的预设区域作为预测缺车区域;
调度子模块,用于将所述预测多车区域中的车辆调度至预测缺车区域。
11.根据权利要求10所述的装置,其特征在于,所述调度子模块包括:
确定单元,用于在所述预测缺车区域的预设区域距离内的预设区域中,确定是否存在所述预测多车区域;
调度单元,用于若存在所述预测多车区域,将所述预测多车区域的车辆调度至所述预测缺车区域。
12.根据权利要求9~11任一项所述的装置,其特征在于,所述订单参考信息包括第一时间段信息、第一作息信息、第一订单信息、第一天气信息、第一聚会信息、第一促销信息中的至少一种。
13.一种目标订单预测模型的生成装置,其特征在于,所述装置包括:
第二获取模块,用于获取预设区域的订单参考信息训练集以及订单参考信息测试集;
第二生成模块,用于采用所述订单参考信息训练集并以目标区域订单数量作为学习目标,对预设的初始订单预测模型进行训练,生成候选订单预测模型;
测试模块,用于采用所述订单参考信息测试集,测试所述候选订单预测模型,得到测试结果;
计算模块,用于基于所述测试结果,计算误差值;
确定模块,用于当所述误差值小于预设阈值时,将所述候选订单预测模型确定为目标订单预测模型。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取基于时间顺序排列的订单参考信息样本;
第三生成模块,用于基于时间顺序,在所述订单参考信息样本中选取至少一个目标订单参考信息样本,生成订单参考信息样本集;
第一选取模块,用于在预设的基于时间顺序排列的区域订单数量中,选取时间顺序在所述订单参考信息样本集之后的目标区域订单数量,作为订单参考信息样本集对应的学习目标;
第二选取模块,用于在所述订单参考信息样本集中,选取至少一个订单参考信息样本集作为订单参考信息测试集,并将所述订单参考信息测试集以外的订单参考信息样本集作为订单参考信息训练集。
15.根据权利要求13或14所述的装置,其特征在于,所述装置还包括:
第四获取模块,用于获取基于时间顺序排列的原始订单参考数据;所述原始订单参考数据包括第二时间段信息、第二作息信息、以及第二订单信息;
第三选取模块,用于针对当前原始订单参考数据,选取作息信息相同且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的同比订单信息;
第四选取模块,用于针对当前原始订单参考数据,选取时间段信息连续且时间段信息早于所述当前原始订单参考数据的原始订单参考数据中的第二订单信息,作为当前原始订单参考数据的环比订单信息;
第四生成模块,用于采用所述第二时间段信息、第二作息信息、同比订单信息、以及环比订单信息,生成订单参考信息样本。
16.根据权利要求15所述的装置,其特征在于,所述原始订单参考数据还包括第二天气信息、第二聚会信息、第二促销信息。
17.一种装置,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行根据权利要求1-4或5-8所述的一个或多个的方法。
18.一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行根据权利要求1-4或5-8所述的一个或多个的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893514.7A CN110766280A (zh) | 2019-09-20 | 2019-09-20 | 一种车辆调度方法、目标订单预测模型的生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893514.7A CN110766280A (zh) | 2019-09-20 | 2019-09-20 | 一种车辆调度方法、目标订单预测模型的生成方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766280A true CN110766280A (zh) | 2020-02-07 |
Family
ID=69330778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910893514.7A Withdrawn CN110766280A (zh) | 2019-09-20 | 2019-09-20 | 一种车辆调度方法、目标订单预测模型的生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766280A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354212A (zh) * | 2020-03-11 | 2020-06-30 | 青岛海信网络科技股份有限公司 | 应用于车站机场的出租车调度方法、服务器以及调度设备 |
CN111582590A (zh) * | 2020-05-12 | 2020-08-25 | 上海新共赢信息科技有限公司 | 一种调度预测方法、装置、设备及存储介质 |
CN111784073A (zh) * | 2020-07-16 | 2020-10-16 | 武汉空心科技有限公司 | 基于深度学习的工作平台任务工作量预测方法 |
CN112348258A (zh) * | 2020-11-09 | 2021-02-09 | 合肥工业大学 | 一种基于深度q网络的共享单车预测调度方法 |
CN113256015A (zh) * | 2021-06-03 | 2021-08-13 | 北京亿心宜行汽车技术开发服务有限公司 | 基于订单预测的代驾司机的调度方法 |
CN113487108A (zh) * | 2021-07-28 | 2021-10-08 | 南京领行科技股份有限公司 | 一种车辆充电调度方法、装置、设备及存储介质 |
WO2021248607A1 (zh) * | 2020-06-10 | 2021-12-16 | 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 |
CN114091932A (zh) * | 2021-11-25 | 2022-02-25 | 南京领行科技股份有限公司 | 一种资源调度方法、装置、介质及电子设备 |
CN114882704A (zh) * | 2020-10-13 | 2022-08-09 | 西安艾润物联网技术服务有限责任公司 | 一种基于物联网的车辆调度授权方法及装置 |
CN116703262A (zh) * | 2023-05-19 | 2023-09-05 | 国网物资有限公司 | 配送资源调整方法、装置、电子设备和计算机可读介质 |
CN117649164A (zh) * | 2024-01-30 | 2024-03-05 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及系统 |
CN117876027A (zh) * | 2024-03-13 | 2024-04-12 | 北京阿帕科蓝科技有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-09-20 CN CN201910893514.7A patent/CN110766280A/zh not_active Withdrawn
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354212A (zh) * | 2020-03-11 | 2020-06-30 | 青岛海信网络科技股份有限公司 | 应用于车站机场的出租车调度方法、服务器以及调度设备 |
CN111582590A (zh) * | 2020-05-12 | 2020-08-25 | 上海新共赢信息科技有限公司 | 一种调度预测方法、装置、设备及存储介质 |
WO2021248607A1 (zh) * | 2020-06-10 | 2021-12-16 | 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 |
CN111784073A (zh) * | 2020-07-16 | 2020-10-16 | 武汉空心科技有限公司 | 基于深度学习的工作平台任务工作量预测方法 |
CN114882704A (zh) * | 2020-10-13 | 2022-08-09 | 西安艾润物联网技术服务有限责任公司 | 一种基于物联网的车辆调度授权方法及装置 |
CN114882704B (zh) * | 2020-10-13 | 2023-11-24 | 西安艾润物联网技术服务有限责任公司 | 一种基于物联网的车辆调度授权方法及装置 |
CN112348258A (zh) * | 2020-11-09 | 2021-02-09 | 合肥工业大学 | 一种基于深度q网络的共享单车预测调度方法 |
CN112348258B (zh) * | 2020-11-09 | 2022-09-20 | 合肥工业大学 | 一种基于深度q网络的共享单车预测调度方法 |
CN113256015A (zh) * | 2021-06-03 | 2021-08-13 | 北京亿心宜行汽车技术开发服务有限公司 | 基于订单预测的代驾司机的调度方法 |
CN113487108A (zh) * | 2021-07-28 | 2021-10-08 | 南京领行科技股份有限公司 | 一种车辆充电调度方法、装置、设备及存储介质 |
CN113487108B (zh) * | 2021-07-28 | 2023-12-26 | 南京领行科技股份有限公司 | 一种车辆充电调度方法、装置、设备及存储介质 |
CN114091932A (zh) * | 2021-11-25 | 2022-02-25 | 南京领行科技股份有限公司 | 一种资源调度方法、装置、介质及电子设备 |
CN116703262A (zh) * | 2023-05-19 | 2023-09-05 | 国网物资有限公司 | 配送资源调整方法、装置、电子设备和计算机可读介质 |
CN116703262B (zh) * | 2023-05-19 | 2024-02-02 | 国网物资有限公司 | 配送资源调整方法、装置、电子设备和计算机可读介质 |
CN117649164A (zh) * | 2024-01-30 | 2024-03-05 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及系统 |
CN117649164B (zh) * | 2024-01-30 | 2024-04-16 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及系统 |
CN117876027A (zh) * | 2024-03-13 | 2024-04-12 | 北京阿帕科蓝科技有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766280A (zh) | 一种车辆调度方法、目标订单预测模型的生成方法和装置 | |
Moreira-Matias et al. | A predictive model for the passenger demand on a taxi network | |
CN108985475B (zh) | 基于深度神经网络的网约车召车需求预测方法 | |
Xu et al. | A hybrid machine learning model for demand prediction of edge-computing-based bike-sharing system using Internet of Things | |
CN108960431A (zh) | 指标的预测、模型的训练方法及装置 | |
US9726502B2 (en) | Route planner for transportation systems | |
CN111476588A (zh) | 订单需求预测方法、装置、电子设备及可读存储介质 | |
CN106530188A (zh) | 在线叫车服务平台中司机的接单意愿评价方法和装置 | |
US20150339595A1 (en) | Method and system for balancing rental fleet of movable asset | |
KR20180008388A (ko) | 주문들을 푸싱하기 위한 방법들 및 시스템들 | |
CN110472810B (zh) | 基于用户群组偏好预测预定区域中的移动出行单元需求的数据驱动的方法和系统 | |
US20210011920A1 (en) | Architecture for data analysis of geographic data and associated context data | |
Boldrini et al. | Weak signals in the mobility landscape: car sharing in ten European cities | |
CN111833079A (zh) | 一种热点区域预测方法和装置 | |
CN108416619B (zh) | 一种消费间隔时间预测方法、装置及可读存储介质 | |
CN112668803A (zh) | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 | |
Ruffieux et al. | Real-time usage forecasting for bike-sharing systems: A study on random forest and convolutional neural network applicability | |
Chiariotti et al. | Bike sharing as a key smart city service: State of the art and future developments | |
Büchel et al. | What do we know when? modeling predictability of transit operations | |
Askari et al. | Taxi demand prediction using an LSTM-based deep sequence model and points of interest | |
CN113962313A (zh) | 一种需求预测方法、系统、存储介质及电子设备 | |
CN116227760B (zh) | 旅游活动的影响力预测方法、装置、存储介质及设备 | |
Moreira-Matias et al. | An online recommendation system for the taxi stand choice problem (Poster) | |
CN111782973A (zh) | 兴趣点状态预测方法、装置、电子设备及存储介质 | |
Bagheri et al. | A computational framework for revealing competitive travel times with low-carbon modes based on smartphone data collection |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200207 |