CN110992122B - 人到车的网约顺风车匹配方法 - Google Patents
人到车的网约顺风车匹配方法 Download PDFInfo
- Publication number
- CN110992122B CN110992122B CN201911006628.1A CN201911006628A CN110992122B CN 110992122 B CN110992122 B CN 110992122B CN 201911006628 A CN201911006628 A CN 201911006628A CN 110992122 B CN110992122 B CN 110992122B
- Authority
- CN
- China
- Prior art keywords
- windward
- user
- cost
- travel
- vehicle
- 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 39
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 239000000446 fuel Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0639—Item locations
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
- G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
-
- 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]
- G06Q30/0623—Item investigation
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种人到车的网约顺风车匹配方法,包括:获取顺风车和用户的出行信息,根据出行信息建立出行数据库;对顺风车和用户进行筛选,得到顺风车和用户匹配的出行集合,并对出行集合中的顺风车和用户进行关系匹配,得到包含有顺风车和用户匹配关系的匹配集合;根据匹配集合,计算相匹配的顺风车和用户的出行成本,根据出行成本计算对应的出行成本节约值;根据出行成本节约值对匹配集合中的顺风车和用户的匹配关系进行进一步筛选;以系统角色为约束条件,以相匹配的顺风车和用户共同的出行成本节约最大为目标,进行顺风车出行匹配,得到人到车匹配结果。本方法提出了从人到车的匹配模式,保证了网约顺风车服务的非商业运营性质和规模化发展。
Description
技术领域
本发明涉及网约车匹配技术领域,尤其涉及一种人到车的网约顺风车匹配方法。
背景技术
随着地理信息技术和移动互联网的发展,网约顺风车发展成为一种新兴的交通出行方式。因为顺风车司机和用车乘客行程相似,采用多人合乘的出行匹配机制,顺风车具有节约能源和缓解空气污染等优点,因此也得到交通管理者的大力支持和积极推广,但是目前的网约顺风车使用率仍然比较低。
从管理者的角度来看,非商业运营(不需要运营资格证)的私家车拼车应该是以费用分担为目的,否则将面临法律和规章风险;从用户的角度来看,拼车出行的主要动机是节约费用和保护环境,而跟独自驾驶出行相比,拼车出行的不利因素包括行程时间的不确定性,匹配过程的绕行费力成本,隐私信任等心理损失等因素。
目前的网约顺风车运营模式管理混淆,缺乏针对非营利性私家车拼车的优化方法,而且没有考虑计划时间偏差,绕行损失和心理损失对顺风车出行成本的影响,阻碍了实际生产中顺风车行业的可持续和规模化发展。
因此,需要一种用于非商业运营性质,且使顺风车出行更加节能的网约顺风车的人车匹配方法。
发明内容
本发明提供了一种人到车的网约顺风车匹配方法,以进一步提高顺风车的利用率,减少环境污染和交通拥堵。
为了实现上述目的,本发明采取了如下技术方案。
本发明提供了一种人到车的网约顺风车匹配方法,包括:
获取顺风车和用户的出行信息,根据所述的出行信息建立出行数据库;
根据所述出行数据库中的出行信息,对顺风车和用户进行筛选,得到顺风车和用户匹配的出行集合,并对所述出行集合中的顺风车和用户进行关系匹配,得到包含有顺风车和用户匹配关系的匹配集合;
根据所述匹配集合,计算相匹配的顺风车和用户的出行成本,根据所述的出行成本计算对应的出行成本节约值;
根据所述出行成本节约值对匹配集合中的顺风车和用户的匹配关系进行进一步筛选;
基于筛选后的顺风车和用户的匹配关系,以系统角色为约束条件,以相匹配的顺风车和用户共同的出行成本节约最大为目标,进行顺风车出行匹配,得到人到车匹配结果。
优选地,出行信息包括:顺风车和用户的出行起点和终点的经纬度信息,起点和终点的交通小区基本地理信息,计划出发时间和平均行程时间。
优选地,根据所述出行数据库中的出行信息,对出行数据库中的数据进行筛选,得到顺风车和用户匹配的出行集合,包括:设置搜索范围约束,若出行数据库中的起终点超出搜索范围的阈值,则将所述数据对应的顺风车或用户从出行集合中剔除,得到顺风车和用户匹配的出行集合。
优选地,对所述出行集合中的顺风车和用户进行关系匹配,得到包含有顺风车和用户匹配关系的匹配集合,包括:基于所述出行数据库计算用户到顺风车的步行时间,如果用户步行时间大于预定阈值,则将对应的顺风车和用户的匹配关系删除,最终得到包含有顺风车和用户匹配关系的匹配集合。
优选地,顺风车和用户的出行成本,包括:顺风车单独驾车成本、顺风车拼车出行成本、用户独自驾车出行成本和用户拼车出行成本。
优选地,根据所述的出行成本计算对应的出行成本节约值,包括:
顺风车出行成本节约值为顺风车单独驾车成本与顺风车拼车出行成本的差值,所述顺风车的单独驾车成本如下式(1)所示:
为车辆行驶成本(FF+χATt D)与车内时间成本λTt D之和,即所述顺风车拼车出行成本/>如下式(2)所示:
用户出行成本节约值为用户独自驾车出行成本与用户拼车出行成本的差值,所述用户独自驾车出行成本如下式(3)所示:
所述用户拼车出行成本如下式(4)所示:
其中,FF为出行固定成本,包括停车费和过路费,χATt D、χATt P分别为顺风车单独驾车的油费、用户独自驾车出行的油费,χA是油费转化系数,λTt D、λTt P、λ·ωTt D分别为顺风车的单独驾车的车内时间成本、用户单独驾车的车内时间成本、用户拼车时的车内时间成本,ω是用户的车内时间与顺风车的车内时间的比值系数,λ是车内时间成本系数,αPCD、αPCP为顺风车拼车出行的心理损失成本、用户拼车出行的心理损失成本,为用户拼车出行的步行时间成本、时间偏差成本,α,γ,ε,δ分别为心理成本转化系数、步行成本转化系数、用户出发时间偏差成本转化系数和用户到达时间偏差成本转化系数,ω是司机同乘客共享的车内时间与司机全程的车内时间的比值系数,顺风车服务费CF为只考虑固定费用和油费的车辆行驶成本的一半, CF=0.5(FF+χSTt D),其中燃油经济性参数χS=χA+βk,β为体重增加对燃油的影响系数,k为单次的顺风车出行用户人数,/>为用户出发时间偏差成本,/>为用户到达时间偏差成本。
优选地,根据所述出行成本节约值对匹配集合中的顺风车和用户的匹配关系进行进一步筛选,包括:将出行成本节约值不满足正值约束的顺风车或用户从匹配关系中删除。
优选地,基于筛选后的顺风车和用户的匹配关系,以系统角色为约束条件,以相匹配的顺风车和用户共同的出行成本节约最大为目标,进行顺风车出行匹配,得到人到车匹配结果,包括:系统角色约束条件为一辆顺风车只能运载一个目的用户。
优选地,β为0.018元/分钟/人。
优选地,基于筛选后的顺风车和用户的匹配关系,以系统角色为约束条件,以相匹配的顺风车和用户共同的出行成本节约最大为目标,进行顺风车出行匹配,得到人到车匹配结果,包括:通过求解器软件,使用分支定界的方法,计算筛选后的顺风车和用户的匹配关系中,相匹配的顺风车和用户共同的出行成本节约值,取顺风车和用户共同的出行成本节约之和最大值对应的顺风车和用户作为人到车匹配结果。
由上述本发明的网约顺风车的人车匹配方法提供的技术方案可以看出,本发明依据成本分担原则,提出了从人到车的匹配模式,保证了网约顺风车服务的非商业运营性质,有利于该行业规模化发展;在出行成本计算中考虑了多项影响因素,进而使顺风车出行更加节能,为顺风车出行服务的可持续和推广发展提供了重要的理论支持。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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。
图1为实施例一的一种人到车的网约顺风车匹配方法流程图;
图2为采用实施例一的方法应用于顺风车和用户的出行匹配过程示意图;
图3为计算用户步行时间示意图;
图4为采用实施例一方法得到的人到车的匹配模式示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例一
图1为本实施例的一种人到车的网约顺风车匹配方法流程图,参照图1,该方法包括:
S1获取顺风车和用户的出行信息,根据所述的出行信息建立出行数据库。
出行信息包括:顺风车和用户的出行起点和终点的经纬度信息,起点和终点的交通小区基本地理信息(面积,位置),计划出发时间和平均行程时间。
S2根据所述出行数据库中的出行信息,对顺风车和用户进行筛选,得到顺风车和用户匹配的出行集合,并对所述出行集合中的顺风车和用户进行关系匹配,得到包含有顺风车和用户匹配关系的匹配集合。
设置搜索范围约束,若出行数据库中的起终点超出搜索范围的阈值,则将所述数据对应的顺风车或用户从出行集合中剔除,得到顺风车和用户匹配的出行集合。
搜索范围约束为 分别为在用户起点和终点的匹配搜索范围,通过车辆行驶时间来衡量,小于预定的上限/>
基于所述出行数据库计算用户到顺风车的步行时间,如果用户步行时间大于预定阈值,则将对应的顺风车和用户的匹配关系删除,最终得到包含有顺风车和用户匹配关系的匹配集合。
考虑到用户步行时间长度限制,则包含有顺风车和用户匹配关系的匹配集合为其中,顺风车为i,用户为j,ΔCi和ΔCj分别为顺风车出行成本节约和用户出行成本节约,乘客步行时间Tw小于可接受的步行时间预定阈值Uw,ΓD为顺风车合集,ΓP为用户合集。
S3根据所述匹配集合,计算相匹配的顺风车和用户的出行成本,根据所述的出行成本计算对应的出行成本节约值。
顺风车和用户的出行成本,包括:顺风车单独驾车成本、顺风车拼车出行成本、用户独自驾车出行成本和用户拼车出行成本。
根据所述的出行成本计算对应的出行成本节约值,包括:
顺风车出行成本节约值为顺风车单独驾车成本与顺风车拼车出行成本的差值,所述顺风车的单独驾车成本如下式(1)所示:
为车辆行驶成本(FF+χATt D)与车内时间成本λTt D之和,即所述顺风车拼车出行成本/>如下式(2)所示:
用户出行成本节约值为用户独自驾车出行成本与用户拼车出行成本的差值,所述用户独自驾车出行成本如下式(3)所示:
所述用户拼车出行成本如下式(4)所示:
最终得到顺风车出行成本节约值为顺风车单独驾车成本与顺风车拼车出行成本的差值ΔCD为下式(5)所示:
用户出行成本节约值为用户独自驾车出行成本与用户拼车出行成本的差值为下式(6)所示:
其中,FF为出行固定成本,包括停车费和过路费,χATt D、χATt P分别为顺风车单独驾车的油费、用户独自驾车出行的油费,油费的计算通过行驶时间转化得到,χA是油费转化系数,单位是升/分钟,λTt D、λTt P、λ·ωTt D分别为顺风车的单独驾车的车内时间成本、用户单独驾车的车内时间成本、用户拼车时的车内时间成本,ω是用户的车内时间与顺风车的车内时间的比值系数,λ是车内时间成本系数,取顺风车日均工资(单位为元)与工作时间(单位为分钟)的比值,单位为元/分钟。αPCD、αPCP为顺风车拼车出行的心理损失成本、用户拼车出行的心理损失成本,为用户拼车出行的步行时间成本、时间偏差成本,α,γ,ε,δ分别为心理成本转化系数、步行成本转化系数、用户出发时间偏差成本转化系数和用户到达时间偏差成本转化系数,ω是司机同乘客共享的车内时间与司机全程的车内时间的比值系数,顺风车服务费CF为只考虑固定费用和油费的车辆行驶成本的一半, CF=0.5(FF+χSTt D),其中燃油经济性参数χS=χA+βk,β为体重增加对燃油的影响系数,本实施例中,β为0.018元/分钟/人,k为单次的顺风车出行用户人数,/>为用户出发时间偏差成本,/>为用户到达时间偏差成本。
需要说明的是,计算中涉及一系列基于时间的成本转换系数,一般以车内时间成本系数λ的乘数表示,其中α=1.5λ,γ=1.7λ。
心理损失成本的计算方法如下:
因为与用户分享车内有限空间,造成顺风车司机的心理损失成本αPCD,包括信任损失和隐私损失;同理,因为与司机分享车内空间,造成用户的心理损失成本αPCP,包括信任损失,隐私损失和额外的驾驶控制损失。
心理损失成本与顺风车和用户共享的车内时间ωTt D成正比,与顺风车与用户之间的社会联系水平SCL成反比,即其中,κ是针对用户额外驾驶控制损失的心理损失放大系数,本实施例中取1.1,顺风车司机与用户之间的社会联系水平与初始熟悉程度AL(陌生人,熟人,朋友)和相处时间MT(用同一对乘客和司机的拼车次数表示)决定,并受个人社交关系接受能力的影响,即SCL=(AL+MT)ρ,其中指数0<ρ<1代表社交关系接受能力,可以保证社会联系水平随拼车次数的增加平稳增长。初始熟悉程度AL和社交关系接受能力系数可以通过顺风车注册用户的偏好设置获取。陌生人,熟人,朋友的初始熟悉程度分别对应AL=0,10,100,社交关系接受能力的弱,中,强分别对应ρ=0.25,0.50,0.75。
用户拼车出行的步行时间成本计算方法如下:
S311如果顺风车和用户从同一小区出发且以同一小区为目的地,则根据小区面积估计乘客步行时间。假设司机和乘客的起(终)点在小区内随机分布而且小区底薪接近圆形,利用圆形内随机两点间的距离来估计乘客步行距离,则乘客在起点小区的步行时间为同理在终点小区步行时间为/>其中AreaH和AreaW是起终点小区的面积(单位为平方千米),Vw为步行速度。相应的,比值系数其中Vd是车辆行驶速度。
S312如果顺风车和用户从不同(邻近)小区出发且以不同(邻近)小区为目的地,则根据顺风车与用户的路线偏离角度和起(终)点间距离估计乘客步行时间。在起点小区,步行时距离为从用户起点到上车点,当顺风车与用户的路线偏离角度|θ|≤90°时,用户步行时间为当路线偏离角度|θ|>90°时,用户步行时间为其中,路线偏离角度θ为顺风车行驶路线向量与顺风车起点到用户起点路线向量的夹角,而且θ∈(-180,180°),/>为司机起点到乘客起点的路线长度。同理,在终点小区,步行时距离为从下车点到的用户终点,当顺风车与用户的路线偏离角度/>时,用户步行时间为/>当路线偏离角度/>时,用户步行时间为其中路线偏离角度/>为顺风车行驶路线向量与顺风车终点到用户终点路线向量的夹角,而且/> 为顺风车终点到用户终点的路线长度。相应的,比值系数/>
S313如果顺风车和用户起点(终点)为同一小区,终点(起点)为不同 (邻近)小区,则根据步骤S311和S312的方法,对起终点步行时间分别求解。相应的,比值系数也通过组合两种方法得到。
用户拼车出行的时间偏差成本计算方法如下:
S321考虑到出发和到达的计划时间偏差成本的差异,对起点和终点的分别计算。用户出发时间偏差是顺风车到达上车点的时间与用户(按照独自驾驶情况下的出发时间)到达上车点的时间的差值,同时考虑提前和延后的时间偏差成本不同,用户出发时间偏差成本为顺风车到达时间偏差是用户乘坐顺风车到达终点的时间与用户独自驾驶到达终点的时间的差值,用户到达时间偏差成本为/>其中,δ+,δ-,ε+,ε-分别为延后出发,提前出发,延后到达,提前到达的成本转化系数,取值为ε-=0.5λ,δ-=0.6λ,δ+=0.7λ,ε+=2.8λ,单位是元/分钟;τD,τP为独自驾驶情况下,顺风车和用户的出发时刻;接客时间比例系数η为顺风车从起点到上车点的行驶时间与全程行驶时间的比值,当顺风车和用户从同一小区出发时,/>当顺风车用户从不同(邻近)小区出发时,/>
S4根据所述出行成本节约值对匹配集合中的顺风车和用户的匹配关系进行进一步筛选,将出行成本节约值不满足正值约束的顺风车或用户从匹配关系中删除。
S5基于筛选后的顺风车和用户的匹配关系,以系统角色为约束条件,以相匹配的顺风车和用户共同的出行成本节约最大为目标,进行顺风车出行匹配,得到人到车匹配结果。
系统角色约束条件为一辆顺风车只能运载一个目的用户,即xij为系统决策0-1变量,用户匹配成功取值1,用户匹配失败取值0,候选顺风车集合为候选用户集合为/>一个顺风车可匹配的用户集合为/>一名用户的可匹配的顺风车集合为/>因此,/>表示任意一个顺风车如果拼车成功,那么只能与一位(一组)可匹配的乘客一起顺风车出行。
通过求解器软件(如IBM ILOG CPLEX),使用分支定界的方法,计算筛选后的顺风车和用户的匹配关系中,相匹配的顺风车和用户共同的出行成本节约值,取顺风车和用户共同的出行成本节约之和最大值对应的顺风车和用户作为人到车匹配结果。
相匹配的顺风车和用户共同的出行成本节约值为下式所示:
CSij=ΔCD+ΔCP
取顺风车和用户共同的出行成本节约之和最大值为:
图2为采用实施例一的方法应用于顺风车和用户的出行匹配过程示意图,参照图2,该流程包括以下步骤:
步骤1:对于计划引入顺风车服务的城市,将私家车用户列为潜在顺风车,获取私家车出行数据包括出行起终点经纬度信息,起终点小区面积信息,用户计划出发时间和道路交通运行数据包括各小区间用户的平均行程时间。
步骤2:基于交通小区融合私家车出行数据和道路交通运行数据,并确定顺风车出行过程中的顺风车和用户的身份,建立顺风车出行数据库。
步骤3:判断顺风车出行数据库中,顺风车的起(终)点和用户起(终) 点之间的距离是否满足搜索范围约束,对不满足约束的顺风车和用户匹配对予以剔除,得到基于邻近小区的可匹配的出行集合。
步骤4:基于满足搜索范围的顺风车出行集合,判断顺风车起点(终点) 小区和用户起点(终点)小区的位置关系(同一小区或者邻近小区),计算用户的步行时间。如果过位于同一小区,则根据小区面积估计步行时间;如果位于邻近小区,则根据路线偏离程度估计步行时间。
图3为计算用户步行时间示意图,参照图3所示,以起点为例,当顺风车和用户位于同一小区时(左1),利用圆形内随机两点间的距离来估计用户步行距离,则用户在起点小区的步行时间为当用户位于邻近小区时,如果当顺风车与用户的路线重合(偏离角度θ1=0°,左2),则用户无需步行/>如果路线偏离角度|θ2|≤90°时(左3),则最短的步行距离应该为从用户起点到顺风车行驶路线的垂直距离,最近的上车点为垂足。根据数据库中各小区间的平均行驶时间,可以估算顺风车起点到用户起点的路线距离/>根据路线偏离角度和三角形函数关系,则用户步行时间为如果路线偏离角度|θ3|>90°(右1),距离用户最近的上车点为顺风车起点,则用户的步行时间为/>同理,可以计算用户在终点小区的步行时间以及共享时间比例系数。
步骤5:判断用户步行时间是否满足步行可达约束,对不满足约束的顺风车和用户匹配对予以剔除,进一步得到用户步行可达的顺风车出行集合。
步骤6:基于用户步行可达的顺风车出行集合,分别计算顺风车司机和用户的各项出行成本,包括司机和乘客的车辆行驶成本,车内时间成本,心理损失成本以及乘客额外的步行时间成本和计划时间偏差成本。进而得到司机和乘客的顺风车出行成本节约值。
步骤7:判断用户出行成本节约是否满足正值约束,对不满足约束的顺风车和用户匹配对予以剔除,进一步得到满足成本节约的顺风车出行集合。
步骤8:基于满足成本节约的顺风车出行集合,以系统出行成本节约最大为目标进行顺风车出行匹配,并考虑匹配过程中的系统角色约束条件,保证一位司机只能运载一位(批)乘客。
步骤9:使用最优化求解软件求解匹配模型,得到系统最优的顺风车用户匹配信息,包括司机和乘客的匹配结果,距离乘客最近的上车点和下车点,乘客到达上车点的时间,并将这些信息发送给配对的司机和乘客。
最终的匹配信息如图4所示。以起终点位于相邻小区而且如果路线偏离角度为锐角为例,服务平台需要将司机和乘客的匹配结果,距离乘客最近的上车点和下车点,乘客到达上车点的时间等信息发送给配对的司机和乘客。
实施例二
本实施例利用英国伦敦市私家车通勤普查数据,建立潜在顺风车用户数据库,利用Uber出行提供的伦敦市交通运行数据建立车辆运行时间数据库,基于伦敦地理统计小区(Middle Layer Super Output Area,MSOA),连接两个数据库,建立顺风车出行数据库。其中私家车日均通勤出行量为 66,741,统计小区数量为982。
步骤2:随机设置顺风车用户角色(司机或者乘客),设置搜索范围约束对可匹配集合进行第一步筛选;设置步行时间约束/>进行第二步筛选;计算各项出行成本,判断用户出行成本节约是否满足正值约束,进行第三步筛选。
步骤3:基于满足成本节约的顺风车出行集合,以系统出行成本节约最大为目标进行顺风车出行匹配,从而得到顺风车用户匹配信息,包括司机和乘客的匹配结果,距离乘客最近的上车点和下车点,乘客到达上车点的时间,并将这些信息发送给配对的司机和乘客。本次匹配过程形成12733次顺风车出行,匹配成功率为38.3%。匹配成功的顺风车用户可每次出行可节省3.7英镑,占出行总成本的23%。
本领域技术人员应能理解上述的应用类型仅为举例,其他现有的或今后可能出现的应用类型如可适用于本发明实施例,也应包含在本发明保护范围以内,并在此以引用方式包含于此。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所描述的装置及系统实施例仅仅是示意性的,可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种人到车的网约顺风车匹配方法,其特征在于,包括:
获取顺风车和用户的出行信息,根据所述的出行信息建立出行数据库;所述的出行信息包括:顺风车和用户的出行起点和终点的经纬度信息,起点和终点的交通小区基本地理信息,计划出发时间和平均行程时间;
根据所述出行数据库中的出行信息,对顺风车和用户进行筛选,得到顺风车和用户匹配的出行集合,并对所述出行集合中的顺风车和用户进行关系匹配,得到包含有顺风车和用户匹配关系的匹配集合;具体包括:
设置搜索范围约束,若出行数据库中的起点和终点超出搜索范围的阈值,则将所述数据对应的顺风车或用户从出行集合中剔除,得到顺风车和用户匹配的出行集合;
基于所述出行数据库计算用户到顺风车的步行时间,如果用户步行时间大于预定阈值,则将对应的顺风车和用户的匹配关系删除,最终得到包含有顺风车和用户匹配关系的匹配集合;
根据所述匹配集合,计算相匹配的顺风车和用户的出行成本,根据所述的出行成本计算对应的出行成本节约值;具体包括:
顺风车出行成本节约值为顺风车单独驾车成本与顺风车拼车出行成本的差值,所述顺风车的单独驾车成本如下式(1)所示:
为车辆行驶成本(FF+χATt D)与车内时间成本λTt D之和,即所述顺风车拼车出行成本/>如下式(2)所示:
用户出行成本节约值为用户独自驾车出行成本与用户拼车出行成本的差值,所述用户独自驾车出行成本如下式(3)所示:
所述用户拼车出行成本如下式(4)所示:
其中,FF为出行固定成本,包括停车费和过路费,χATt D、χATt P分别为顺风车单独驾车的油费、用户独自驾车出行的油费,χA是油费转化系数,λTt D、λTt P、λ·ωTt D分别为顺风车的单独驾车的车内时间成本、用户单独驾车的车内时间成本、用户拼车时的车内时间成本,ω是用户的车内时间与顺风车的车内时间的比值系数,λ是车内时间成本系数,αPCD、αPCP为顺风车拼车出行的心理损失成本、用户拼车出行的心理损失成本,为用户拼车出行的步行时间成本、时间偏差成本,α,γ,ε,δ分别为心理成本转化系数、步行成本转化系数、用户出发时间偏差成本转化系数和用户到达时间偏差成本转化系数,ω是司机同乘客共享的车内时间与司机全程的车内时间的比值系数,顺风车服务费CF为只考虑固定费用和油费的车辆行驶成本的一半,CF=0.5(FF+χSTt D),其中燃油经济性参数χS=χA+βk,β为体重增加对燃油的影响系数,k为单次的顺风车出行用户人数,/>为用户出发时间偏差成本,/>为用户到达时间偏差成本;
根据所述出行成本节约值对匹配集合中的顺风车和用户的匹配关系进行进一步筛选;
基于筛选后的顺风车和用户的匹配关系,以系统角色为约束条件,以相匹配的顺风车和用户共同的出行成本节约最大为目标,进行顺风车出行匹配,得到人到车匹配结果。
2.根据权利要求1所述的方法,其特征在于,所述的顺风车和用户的出行成本,包括:顺风车单独驾车成本、顺风车拼车出行成本、用户独自驾车出行成本和用户拼车出行成本。
3.根据权利要求1所述的方法,其特征在于,所述的根据所述出行成本节约值对匹配集合中的顺风车和用户的匹配关系进行进一步筛选,包括:将出行成本节约值不满足正值约束的顺风车或用户从匹配关系中删除。
4.根据权利要求1所述的方法,其特征在于,所述的基于筛选后的顺风车和用户的匹配关系,以系统角色为约束条件,以相匹配的顺风车和用户共同的出行成本节约最大为目标,进行顺风车出行匹配,得到人到车匹配结果,包括:系统角色约束条件为一辆顺风车只能运载一个目的用户。
5.根据权利要求1所述的方法,其特征在于,所述的β为0.018元/分钟/人。
6.根据权利要求1所述的方法,其特征在于,所述的基于筛选后的顺风车和用户的匹配关系,以系统角色为约束条件,以相匹配的顺风车和用户共同的出行成本节约最大为目标,进行顺风车出行匹配,得到人到车匹配结果,包括:通过求解器软件,使用分支定界的方法,计算筛选后的顺风车和用户的匹配关系中,相匹配的顺风车和用户共同的出行成本节约值,取顺风车和用户共同的出行成本节约之和最大值对应的顺风车和用户作为人到车匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006628.1A CN110992122B (zh) | 2019-10-22 | 2019-10-22 | 人到车的网约顺风车匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006628.1A CN110992122B (zh) | 2019-10-22 | 2019-10-22 | 人到车的网约顺风车匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992122A CN110992122A (zh) | 2020-04-10 |
CN110992122B true CN110992122B (zh) | 2024-05-14 |
Family
ID=70082338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911006628.1A Active CN110992122B (zh) | 2019-10-22 | 2019-10-22 | 人到车的网约顺风车匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992122B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085570A (zh) * | 2020-09-10 | 2020-12-15 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单匹配方法、装置、电子设备和存储介质 |
CN113344658A (zh) * | 2021-05-25 | 2021-09-03 | 深圳依时货拉拉科技有限公司 | 行程中持续拼车的方法、计算机可读存储介质及计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692222A (zh) * | 2011-02-10 | 2012-09-26 | 株式会社日立制作所 | 最佳路径检索系统以及最佳路径检索方法 |
CN107682419A (zh) * | 2017-09-20 | 2018-02-09 | 北京摩拜科技有限公司 | 拼车路线的提供方法、客户端、服务器及拼车系统 |
CN109919354A (zh) * | 2019-01-15 | 2019-06-21 | 深圳大学 | 一种基于社交大数据的拼车优化方法、索引结构及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332242A1 (en) * | 2009-06-25 | 2010-12-30 | Microsoft Corporation | Collaborative plan generation based on varying preferences and constraints |
-
2019
- 2019-10-22 CN CN201911006628.1A patent/CN110992122B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692222A (zh) * | 2011-02-10 | 2012-09-26 | 株式会社日立制作所 | 最佳路径检索系统以及最佳路径检索方法 |
CN107682419A (zh) * | 2017-09-20 | 2018-02-09 | 北京摩拜科技有限公司 | 拼车路线的提供方法、客户端、服务器及拼车系统 |
CN109919354A (zh) * | 2019-01-15 | 2019-06-21 | 深圳大学 | 一种基于社交大数据的拼车优化方法、索引结构及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110992122A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288849B (zh) | 一种基于混合交通模式的出行路线推荐方法 | |
Pamucar et al. | Prioritization of sustainable mobility sharing systems using integrated fuzzy DIBR and fuzzy-rough EDAS model | |
CN110222786B (zh) | 基于出行信息的动态拼车方法及系统 | |
Ye et al. | A method for driving route predictions based on hidden Markov model | |
Liu et al. | Control method of urban intelligent parking guidance system based on Internet of Things | |
CN110992122B (zh) | 人到车的网约顺风车匹配方法 | |
CN109919354B (zh) | 一种基于社交大数据的拼车优化方法、索引结构及系统 | |
Gao et al. | Optimal multi-taxi dispatch for mobile taxi-hailing systems | |
CN106203725A (zh) | 基于启发式搜索的门到门出行路径方案个性化推荐方法 | |
CN109446628A (zh) | 基于复杂网络的多层城市交通网构建及关键节点识别方法 | |
Lu et al. | Two-phase optimization model for ride-sharing with transfers in short-notice evacuations | |
CN111397620A (zh) | 快充/慢充模式下的电动汽车充电导航方法及系统 | |
CN110254285A (zh) | 一种基于车联网的对里程焦虑用户提供服务的方法及系统 | |
CN113724495B (zh) | 一种城市共享出行的流量预测方法 | |
CN115423168A (zh) | 一种考虑服务稳定性的定制公交路网优化方法及系统 | |
Saatloo et al. | Hierarchical user-driven trajectory planning and charging scheduling of autonomous electric vehicles | |
Lin et al. | VShare: A wireless social network aided vehicle sharing system using hierarchical cloud architecture | |
CN111126712A (zh) | 一种面向通勤廊道的停车充电换乘系统规划方法 | |
CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
US20230011007A1 (en) | Information processing device and information processing method | |
CN110019376B (zh) | 电动汽车租赁系统驾驶对比方法 | |
Li et al. | A solution for reallocating public bike among bike stations | |
Vateekul et al. | Recurrent Neural‐Based Vehicle Demand Forecasting and Relocation Optimization for Car‐Sharing System: A Real Use Case in Thailand | |
Xu et al. | A power storage station placement algorithm for power distribution based on electric vehicle | |
CN115099569A (zh) | 基于模糊逻辑控制器的乘客与出租车匹配方法 |
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 |