CN110998568B - 寻觅乘客的可搭载车辆的导航确定系统和方法 - Google Patents

寻觅乘客的可搭载车辆的导航确定系统和方法 Download PDF

Info

Publication number
CN110998568B
CN110998568B CN201880048096.5A CN201880048096A CN110998568B CN 110998568 B CN110998568 B CN 110998568B CN 201880048096 A CN201880048096 A CN 201880048096A CN 110998568 B CN110998568 B CN 110998568B
Authority
CN
China
Prior art keywords
expected
time
passenger
sector
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
Application number
CN201880048096.5A
Other languages
English (en)
Other versions
CN110998568A (zh
Inventor
柯锦涛
吴国寯
徐铮添
杨海
殷亚峰
叶杰平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN110998568A publication Critical patent/CN110998568A/zh
Application granted granted Critical
Publication of CN110998568B publication Critical patent/CN110998568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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]
    • G06Q30/0605—Supply or demand aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
    • 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
    • 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]
    • G06Q30/0613—Third-party assisted
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种方法，包括：获取区域内一段时期的历史车辆服务数据，包括对应时间寻觅乘客的车辆的历史位置、对应时间乘客订单的历史位置，以及对应上车位置和时间的历史行程费用(401)；将所述区域拆分成至少两个区块并将所述时期拆分成至少两个时间段(402)；根据所述区块和所述时间段聚合所述历史车辆服务数据(403)；根据所聚合的历史车辆服务数据，获取寻觅乘客的车辆从区块A移动到所述区块A的每个相邻区块的预期奖励(404)；以及基于所述寻觅乘客的车辆从所述区块A移动到所述区块A的每个邻近区块的所述预期奖励，获取寻觅乘客的车辆从所述区块A移动到邻近区块B的概率(405)。

Description

寻觅乘客的可搭载车辆的导航确定系统和方法
技术领域
本申请一般涉及可搭载车辆的导航确定系统和方法。
背景技术
随着移动互联网技术的蓬勃发展，打车服务已经成为通勤者和其他类型乘客越来越重要的出行方式。与传统的出租车服务相比，打车平台可以在司机和乘客之间提供更有效的信息桥梁，从而减少搜寻摩擦(供应与需求匹配的障碍以及寻觅匹配过程的成本)。由于其有效、高效和相对低的价格，打车服务越来越受欢迎。在各种因素中，模拟车辆移动是很重要的，基于模拟车辆移动可以制定规则以进一步减少搜寻摩擦并提高整体运输效率。
发明内容
本申请的各种实施例可以包括寻觅乘客的可搭载车辆的导航确定系统、方法和非暂时性计算机可读介质。根据一个方面，一种示例性的寻觅乘客的可搭载车辆的导航确定方法可以包括：获取区域内一段时期的历史车辆服务数据，所述历史车辆服务数据包括对应时间寻觅乘客的车辆的历史位置、对应时间乘客订单的历史位置，以及对应上车位置和时间的历史行程费用；将所述区域拆分成至少两个区块并将所述时期拆分成至少两个时间段；根据所述区块和时间段聚合所述历史车辆服务数据；基于所聚合的历史车辆服务数据，获取寻觅乘客的车辆从区块A移动到所述区块A的每个邻近区块的预期奖励；以及基于所述寻觅乘客的车辆从所述区块A移动到所述区块A的每个邻近区块的所述预期奖励，获取寻觅乘客的车辆从所述区块A移动到邻近区块B的概率。
根据另一方面，一种存储指令的非暂时性计算机可读存储介质，所述指令由一个或以上处理器执行时，使得所述一个或以上处理器执行一种寻觅乘客的可搭载车辆的导航确定方法。所述方法可以包括：获取区域内一段时期的历史车辆服务数据，所述历史车辆服务数据包括对应时间寻觅乘客的车辆的历史位置、对应时间乘客订单的历史位置、以及对应上车位置和时间的历史行程费用；将所述区域拆分成至少两个区块并将所述时期拆分成至少两个时间段；根据所述区块和时间段聚合所述历史车辆服务数据；基于所聚合的历史车辆服务数据，获取寻觅乘客的车辆从区块A移动到所述区块A的每个邻近区块的预期奖励；以及基于所述寻觅乘客的车辆从所述区块A移动到所述区块A的每个邻近区块的预期奖励，获取寻觅乘客的车辆从所述区块A移动到邻近区块B的概率。
根据另一方面，一种寻觅乘客的可搭载车辆的导航确定系统可以包括一个或以上处理器和存储指令的非暂时性计算机可读存储介质，所述指令由一个或以上处理器执行时，使得所述一个或多个以上处理器执行方法。所述方法可以包括：获取区域内一段时期的历史车辆服务数据，所述历史车辆服务数据包括对应时间寻觅乘客的车辆的历史位置、对应时间乘客订单的历史位置、以及对应上车位置和时间的历史行程费用；将所述区域拆分成至少两个区块并将所述时期拆分成至少两个时间段；根据所述区块和所述时间段聚合所述历史车辆服务数据；基于所聚合的历史车辆服务数据，获取寻觅乘客的车辆从区块A移动到所述区块A的每个邻近区块的预期奖励；以及基于所述寻觅乘客的车辆从所述区块A移动到所述区块A的每个邻近区域的预期奖励，获取寻觅乘客的车辆从所述区块A移动到邻近区块B的概率。
通过参考附图来考虑以下描述和所附权利要求，本文披露的系统、方法和非暂时性计算机可读介质的这些和其他特征，以及结构的相关元件的操作和功能以及部件的组合和制造经济性的功能将更加显而易见，本发明的所有附图均构成说明书的一部分，其中相同的附图标记表示各个附图中的相应部分。然而，应清楚地理解，附图仅用于说明和描述的目的，并不旨在作为本发明的限制的定义。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请的一些实施例所示的示例性寻觅乘客的可搭载车辆的导航确定场景；
图2A是根据现有技术所示的示例性方格；
图2B是根据本申请的一些实施例所示的示例性寻觅乘客的可搭载车辆的导航确定六边形网格；
图2C是根据本申请的一些实施例所示的基于寻觅乘客的可搭载车辆模型的数据分析的司机移动示例；
图2D是根据本申请的一些实施例所示的基于寻觅乘客的可搭载车辆的模型的数据分析的请求订单分配示例；
图3A-3D是根据本申请的一些实施例所示的三种类型的司机的各种解释属性；
图4是根据本申请的一些实施例所示的示例寻觅乘客的可搭载车辆的导航确定方法的流程图；以及
图5是可以实现本文描述的任何实施例所示的示例计算机系统的框图。
具体实施方式
车辆平台可以提供交通服务。这样的车辆平台也可以指叫车平台、车辆调度平台，或者打车平台，可以通过诸如安装有平台应用的移动电话之类的设备访问。通过所述应用，用户(交通请求者)可以将交通请求(例如，上车位置、目的地)发送到车辆平台。打车平台可以将请求转发给车辆司机。有时，两个或以上的乘客/乘客团体可能会要求在同一车辆中拼车。车辆司机可以选择并接受请求，接载乘客，并且相应地获取奖励。
尽管呼叫可搭载车辆的乘客越来越多，但没有开发出模型来模拟寻觅乘客的空置车辆的路线选择(本申请中的“空置”可以指的是车上没有乘客但车载着司机并可能寻觅着乘客的车辆)。虽然一些现有模型描述了传统出租车的行为，但由于各种原因，这些模型不能用于可搭载车辆。与在街上漫游以便在旅途中接载乘客的出租车不同，打车平台以从乘客处接受订单的形式接收交通请求，然后将每个订单发送给附近的空置司机中的一位司机。对于可搭载车辆，司机需要接收从确定位置接载乘客的请求，否则将受到平台的处罚。例如，在一天内取消超过三个订单时，可搭载车辆的司机可能会受到扣除服务分数或取消补贴/奖励的处罚。由于打车服务和传统出租车服务之间的匹配模式不同，打车司机与传统的出租车司机有不同的行为，特别是在空置和寻觅乘客时。另一方面，在基于互联网的匹配系统的帮助下，打车平台可以提供比传统的出租车GPS记录和调查更丰富和更准确的车辆信息。
为了提供用于模拟寻觅乘客的可搭载车辆的稳健模型并至少减轻上述现有技术的缺点，本发明公开了对寻觅乘客的可搭载车辆的移动建模系统、方法和非暂时性计算机可读介质。在各种实施例中，本发明公开了对寻觅乘客的可搭载车辆的移动建模的基于logit的模型移动。
例如，本发明公开了基于logit的区域选择模型，用于表征空置打车司机寻觅乘客的行为。在所述模型中，空置打车司机被建模为在基于六边形的单元之间移动。模型考虑到从请求订单(需求方)和可搭载车辆的GPS轨迹(供应方)检索的因素。所请求的订单提供的因素包括所请求订单的数量、应答率(匹配订单与所请求订单的比率)、预期乘客等待时间、预期行程费用和预期接载时间。从GPS数据，预期空置司机停留时间可以定义为司机总体空置时间与司机数量的比率，其反映供应强度和司机的机会成本。所述模型可以假设空置打车司机在空置时没有明确的目的地，但通过比较候选区块的奖励以及他们可以到达的后续可能区块的奖励而移向邻近区块之一。奖励由解释变量表示，包括请求的订单数量(反映需求强度)、平均行程费用、平均接载时间、平均司机的漫游时间等。模型以精细的时空方式描绘了司机的寻觅乘客行为，并且表明解释变量随时间(例如，每5分钟间隔)和空间(例如，每个具有660米长边长的六边形)而变化，打车司机可以做出不同的决定。模型可以在大规模的打车数据集中进行验证，所述数据集包括供应方信息(打车司机的GPS轨迹)和需求方信息(客户要求的车辆服务订单)。为了提高模型校准的效率，应用了定制的最大似然估计(MLE)方法。MLE比标准多项logit模型更有效，可以用于校准解释变量的系数，然后测试每个系数的重要性。
所公开的系统和方法至少出于以下原因与现有技术不同。
1)本发明所公开的模型是模拟寻觅顾客的可搭载车辆的移动的最初模型之一。例如，所公开的基于logit的区域选择模型模拟六边形区域中的打车司机随时间变化的寻觅乘客的移动。
2)所公开的模型具有对解释变量有力解释、便于结合统计假设检验，以及易于实施和校准的优点。
3)所公开的模型提供了用于提高车辆平台服务和提高交通效率的重要结果。例如，建模结果表明，司机的寻觅乘客行为主要受附近区块中请求订单的影响，以及司机可能会有一些“非理性”的寻觅乘客行为。例如，司机可能会流入热门区块并遭受长期的漫游时间和载客时间。打车平台和交通运营商可以依据结果来实施激励机制，诸如空置路线推荐、优化调度和时空补贴/定价策略，以减少搜寻摩擦。
图1是根据本申请的一些实施例所示的示例性寻觅乘客的可搭载车辆的导航确定场景100。如图1所示，示例性场景100可以包括至少一个计算系统102，其包括一个或以上处理器104和存储器106。存储器106可以是非暂时性的并且是计算机可读的。存储器106可以存储指令，当由一个或以上处理器104执行时，使得一个或以上处理器104执行本文描述的各种操作，诸如下面参考附图图2B至图4所讨论的寻觅乘客的可搭载车辆的建模方法(例如，方法400及其相应的描述)。系统102可以在诸如服务器、计算机等各种设备上实现，或者作为各种设备实现。上述系统102可以安装适当的软件和/或硬件(例如，电线、无线连接等)以访问环境100的其他设备。在一些实施例中，系统102可以实现一种对寻觅乘客的可搭载车辆建模的系统。
环境100可以包括系统102可以访问的一个或以上数据存储(例如，数据存储108)和一个或以上计算设备(例如，计算设备109、110或111)。在一些实施例中，系统102可以用于从数据存储108(例如，历史交通行程的数据库或数据集)和/或计算设备109、110或111(例如，计算机、服务器、平板电脑、可穿戴设备(智能手表)、司机或乘客使用的用于捕获交通行程信息诸如时间、地点和费用等的移动电话)中获取数据(例如，历史车辆服务数据)。所述位置可以包括车辆的GPS(全球定位系统)坐标。
尽管在图中所示为单个组件，但是应当理解，系统102、数据存储108和计算设备109可以作为单个设备或耦合在一起的多个设备实现，或者它们的两个或以上可以集成在一起。系统102可以由一个独立系统或耦合在一起的多个系统实现。通常，系统102、计算设备109、数据存储108以及计算设备109、110和111可以通过一个或以上有线或无线网络(例如，因特网)彼此通信传输数据。
在一些实施例中，系统102或耦合到系统102的类似系统可以实现在线信息或服务平台。所述服务可以与乘坐交通工具(例如，汽车、自行车、船、飞机等)相关联，并且所述平台可以被称为车辆(叫车服务或打车)平台。平台可以接受对交通的请求、识别满足请求的车辆、安排搭车以及处理交易。例如，用户可以使用计算设备111(例如，安装有与平台相关联的软件应用程序的移动电话)从平台请求交通。系统102可以接收请求并将其转接到各种车辆司机(例如，通过将请求发布到由司机携带的移动电话)。其中一个车辆司机可以使用计算设备110(例如，安装有与平台相关联的应用程序的另一个移动电话)来接受所发布的交通请求并获取上车位置信息。司机可以在系统102和计算设备110、111之间交易行程费用(例如，交通费用)。司机可以获取所提供的交通服务的补偿。一些平台数据可以存储在存储器106中，或者可以从数据存储108和/或计算设备109、110和111中读取。
图2A是根据现有技术所示的示例性方格。图2B是根据本申请的一些实施例所示的示例性寻觅乘客的可搭载车辆的导航确定六边形网格。在各种实施例中，对司机的区块选择行为进行建模，定义司机的移动和决定。例如，通过GPS获取的空置(没有乘客)可搭载车辆寻觅乘客轨迹Tr可以由一系列时空状态(lati，lngi，τi)代表，其中lati，lngi，τi是第i个GPS记录的纬度、经度和时间。因此，区域(例如，整个城市)可以被划分为各种区块，每个区块与几个相邻的区块边连接。在图2A所示的运输/城市计算的现有技术中，区域被划分为各种方格。然而，本发明所公开的模型可以采用图2B中所示的正六边形格子作为区块单元，因为它们优于方格。其中一个主要优点是每个六边形具有六个对称等效且明确的侧面相邻六边形。但是，每个方块有两种邻近方块：边连接的邻近方块(每个邻近方块与当前方块共用一边)和角连接的邻近方块(每个邻近方块与当前方块共用一个唯一的角)，这使得司机寻觅乘客决策不对称的选择(邻近区块)。
在一些实施例中，六边形离散全球网格系统可以用于将所研究区域无缝地划分成各种六边形(例如，每个边长约660米的六边形)。确定六边形区块后，GPS记录的每个坐标(lati，lngi)可以映射到区块之一。然后Tr可以转移到具有一系列区块-时间状态(zi，τi)的新转变Tr′，其中zi属于区块(lati，lngi)。为了简化模型，可以对司机的寻觅乘客决策做出两个假设。
假设1)区块zi处的每个司机在每个决定时决定留在区块zi或移动到zi的邻近区块之一。司机通过比较这些邻近区块的预期盈利能力做出决定。由于每3秒大致记录GPS点，因此一个区块的区域足够大以确保司机不能在3秒的间隔内从区块zi移动到其邻近区块外的区块。
假设2)一旦司机从区块zi移动到其邻近区块之一，zj，所述移动可被视为从zi到zj寻觅乘客决策的观察。如果司机在区块zi的停留时间大于某个时间间隔δ，则可以将其视为从zi到zi寻觅乘客决策的观察。例如，在所公开的模型中，配置δ＝5分钟。
在一些实施例中，离散选择模型用于模拟司机的寻觅乘客决策。例如，可以将一天中的时间拆分成各种5分钟的时间间隔，并且在每个时间间隔内聚合用于表征空置司机寻觅乘客的行为的解释变量。因此，司机的寻觅乘客决策可以是等式1。
Figure BDA0002373359480000081
其中
Figure BDA0002373359480000082
指的是空置车辆从区块zi到区块zj的可能性，/>
Figure BDA0002373359480000083
指的是从区块zi到区块zj的预期奖励(由解释变量代表)。β表示不同解释变量的向量，表示司机对这些变量的偏好。正/负βn(β的第n个元素)表示司机的偏好区块与第n个解释变量正/负相关，而βn大小反应偏好的强度。A(i)表示区块zi的邻近区块的集合，表示在区域zi中司机的寻觅乘客选择的集合。
以下描述不同的解释变量。在一些实施例中，从打车平台数据收集的每个订单可以包括请求时间τr(当乘客请求订单时)、发送时间τd(当订单发送到司机时)、到达时间τa(当司机到达请求的位置时)、开始计费时间τb(行程开始)、结束时间τf(行程结束)。司机在τd、τb和τf的纬度和经度被记录并表示为(latd,lngd)、(latb,lngb)和(latf,lngf)。以下解释变量可以影响司机的寻觅乘客行为并可以用于确定预期奖励。如上所述，解释变量每间隔5分钟被聚合并被考虑，并且可以包括以下内容。
预期接载时间：第m个订单的接载时间ptm＝τa-τd，以及在时间间隔t内区块zi的预期接载时间，
Figure BDA0002373359480000091
等于在区块zi中含有(latd,lngd)和在时间间隔t中含有τd的所有订单的接载时间的平均值。也就是说，在一些实施例中，时间段之一的预期接载时间包括寻觅乘客车辆在区块A中接载乘客的历史平均接载时间；接载时间是寻觅乘客车辆接收乘客订单和寻觅乘客车辆接载到乘客之间的时间差；并且乘客订单是在时间段内接收的。
预期行程费用：假设第m个订单的行程费用是tfm，然后在时间间隔t区块zi中的预期行程费，
Figure BDA0002373359480000092
等于在含有(latd,lngd)的区块zi和与含有τd的时间间隔t的所有订单tfm的平均值。也就是说，在一些实施例中，时间段之一的预期行程费用包括在时间段内的区块A中接收的乘客订单的历史平均行程费用。
预期乘客等待时间：
Figure BDA0002373359480000093
等于在区块zi中含有司机的接载位置(latd,lngd)和在时间间隔t中含有接载时间τd的所有订单的乘客等待时间的平均值。也就是说，在一些实施例中，时间段之一的预期乘客等待时间包括位于区块A中的乘客订单在时间段内被接收的历史平均等待时间；等待时间是乘客订单和乘客被接载之间的时间差。
预期订单数量：
Figure BDA0002373359480000094
表示在时间间隔t期间在区块zi中请求的订单数量。也就是说，在一些实施例中，时间段之一的预期订单数量包括在时间段内的区块A中的历史平均乘客订单数量。
预期应答率：
Figure BDA0002373359480000101
表示在时间间隔期间满足的订单数量(成功发送给司机)与区块zi中的请求订单数量的比率。也就是说，在一些实施例中，预期应答率包括在时间段内的区块A中满足的乘客订单数目对多个请求乘客订单数目的比率。
预期司机停留时间：考虑5分钟为时间间隔t，可以选择含有至少一个属于区块zi的GPS记录的所有司机，并且可以计算每个司机的累计停留时间。预期司机停留时间，
Figure BDA0002373359480000102
等于在时间间隔t内有司机在区块zi的累计停留时间的平均值。也就是说，在一些实施例中，预期司机停留时间包括在时间段内停留在区块A中的每个寻觅乘客的车辆的历史平均时间。
可以假设司机的期望是基于他们在很多天内的经验和感知，而不是基于他们的特定日期。这是合理的，因为司机没有实时信息，例如订单、接载时间、行程费用等，因此他们更可能依赖于他们的经验观察而不是对实时信息做出反应。这里，
Figure BDA0002373359480000103
代表解释变量在区块zi的向量与时间间隔t的向量，即，/>
Figure BDA0002373359480000104
除了比较邻近区块本身的预期盈利能力之外，司机还可以考虑他们可能会达到的区块的预期盈利能力，如果他们转移到邻近区块之一。例如，当在时间间隔t中从区块zi开始的司机时，从区块zi到区块zj(zi的邻近区块之一)的移动的预期奖励可以写为等式2。
Figure BDA0002373359480000105
其中区块m是司机在从i到j驾驶可搭载车辆时可能到达的区块，其中p(m|i,j)是指在司机从i到j的移动后车辆移至区块m的概率。类似地，区块l指的是司机从i到j和m连续移动后的潜在替代区块，而p(l|i,j,m)表示在这种情况下决定到区块l的概率。在这种情况下，区域j、m、l被命名为一步、两步、三步潜在邻近区块，并且
Figure BDA0002373359480000106
被命名为一步、两步、三步解释变量。对于所公开的模型，可以考虑解释变量的这三步，因为大多数空置的寻觅乘客移动在三个区块内。
如上所述，δ＝5分钟可以用于区分可搭载车辆是移动到邻近区块还是停留在当前区块中。在一些实施例中，“停留在当前区块”样本比“移动到邻近区块之一”样本要多得多，因此二元变量Mij(命名为移动因子)可以用于平衡所述样本偏差。如果i≠j，Mij等于1；如果i＝j，Mij等于0。
下面讨论各个校准步骤。每个移动，诸如在时间间隔中从i到j的移动，被视为样本。观察到的样本可以按i、j和t分组，每组中的样本数可以表示为N(i,j,t)。然后，似然函数可以写成等式3。等式4示出了从等式3导出的对数似然函数。其中，所公开的区块选择模型与传统的多项式logit模型之间的差异在于，诸如A(i)的选择集在不同的样本组之间是不同的。
Figure BDA0002373359480000111
Figure BDA0002373359480000112
LL(β)的一阶导数在等式5中导出。可以发现，右侧的第二部分可以用(i,t)代替(i,j,t)，这意味着术语
Figure BDA0002373359480000113
对在时间间隔t中从区块i开始的所有样本相同。利用这种分组技术，每次迭代中/>
Figure BDA0002373359480000115
的计算只需要两个循环(i,t)而不是三个循环(i,j,t)，这大大降低了计算复杂度。
Figure BDA0002373359480000114
假设一阶导数为零，可以获取使似然函数LL(β)最大的β。在等式5中，右手侧的第一部分是指所有观察到的解释变量的总和，而右手侧的第二部分表示由模型以β为条件产生的预期解释变量。直观地说，对于β使第一部分等于第二部分，观察结果是最可能的。注意，很难获取闭合形式的
Figure BDA0002373359480000124
使用梯度下降算法获取最优β(如等式6所示)。
Figure BDA0002373359480000121
其中α是控制梯度下降算法的学习速率的参数。
为了确定第k个系数βk的意义，可以使用零假设H0:βk＝0。最大似然参数估计是渐近分布的，因此可以计算每个βk的z分数，其渐近地遵循标准正态分布(如等式7所示)。
Figure BDA0002373359480000122
其中var(β)是β的方差-协方差矩阵，并且[var(β)]k,k表示var(β)的第k个对角元素。如果z分数大于/小于某个正/负阈值(机密级别)，则可以拒绝零假设，这表示系数βk是积极/消极意义的。var(β)可以通过Fisher信息矩阵I(β)的倒数来计算，其由负海塞矩阵H(β)估计。例如，var(β)＝[I(β)]-1＝[-H(β)]-1。可以通过计算似然函数的二次导数来导出海塞矩阵H(β)(参见等式8)。
Figure BDA0002373359480000123
在各种实施例中，所公开的区域选择模型可以应用于现实世界数据集。数据集中的数据可以被称为历史车辆服务数据。第一，解释变量的基本统计和相关性描述如下。第二，司机可分为三类，包括全职司机、兼职勤奋司机和兼职懒惰司机，并对其特点进行比较。区域选择模型可以学习不同类型的司机对解释变量的偏好。
在一些实施例中，在10个工作日期间从城市收集两个(示例性历史车辆服务数据的)数据集。一个数据集包含大约491万个请求订单，每个订单都具有上述属性。然后通过六边形区域(例如，通过边长660米和时间间隔5分钟的六边形区域)对订单进行聚合和平均。同一时间间隔内的订单，例如早上6：00-6：05，但在不同日期可能会聚合在一个组中，因为预期解释变量更可能取决于司机的长期经验观察而不是短期信息。因此，在每个时间间隔和每个六边形中获取解释变量，包括接载时间、行程费用、应答率、请求的订单数量、乘客等待时间和司机停留时间。表1说明了解释变量的平均值和标准偏差。在训练模型之前，可以将每个解释变量归一化为具有零均值和单位标准偏差的分布。
另一个数据集包括打车司机的轨迹(例如，32881个打车司机)，其可以分为不同的类别(例如，三个类别对应15393个全职司机、8476个兼职勤奋司机和9012个兼职懒惰司机)。如上所述，每个轨迹可以包括一系列由GPS每隔3秒记录的经度、纬度和时间。将纬度和经度映射到六边形格子中，然后可以获取一系列区块搜索移动移动。司机在5分钟内停留在一个特定区块的情况可被视为“停留”，例如，从区块i到区块i的移动。可以从数据集中移除那些在两个区域之间没有任何移动且总持续时间小于5分钟的轨迹。经过数据处理后，535330名空置司机寻觅乘客，包括64.1％的“停留”和36.9％的“移动”，可以作为训练样本。
司机移动和所请求订单的空间分布分别在图2C和图2D中示出。图2C是根据本申请的一些实施例所示的基于寻觅乘客的可搭载车辆模型的数据分析的示例司机移动。在图2C中，连接六边形之间的箭头线的粗细代表从一个六边形区域移动到其相邻的六边形区域之一(“移动”动作)的样本的数量，并且六边形中的绿色圆圈代表停留在当前六边形区域中(“停留”动作)的样本的数量。箭头越粗，“移动”动作的数量越大，而圆圈越大，“停留”动作的数量越大。图2D是根据本申请的一些实施例所示的基于寻觅乘客的可搭载车辆的模型的数据分析的示例请求订单分配。图2D示出了每个六边形区块中每5分钟时间间隔内的平均订单数的热图，其中，颜色越深，平均订单数越大。直观地观察到，具有高密度请求订单的区域通常对空置司机更具吸引力。
表1.解释变量的统计数据
PT(min) TF(Yuan) AR NO PW(min) DS(min)
平均值 3.49 16.53 0.90 5.65 0.11 2.28
标准偏差 1.68 8.24 0.17 6.29 0.23 0.62
为了避免共线性，可以选择具有低线性相关性的解释变量。表2显示了上述提出的每对解释变量之间的Pearson相关性。预期乘客等待时间和预期接载时间具有最高的相关性，即，0.246。较长的预期接载时间表明所述平台必须派遣司机远离乘客，这意味着供应短缺导致较长的预期乘客等待时间。预期请求订单数和预期应答率具有最大的负相关性，即-0.311。具有大量请求订单的区块更可能遭受供需缺口，这降低了应答率。
表2.解释变量的相关性
PT TF PW AR NO DS
PT 1.000 0.101 0.246 -0.179 0.174 -0.200
TF 0.101 1.000 0.057 -0.054 0.039 0.056
PW 0.246 0.057 1.000 -0.273 0.102 -0.220
AR -0.179 -0.054 -0.273 1.000 -0.311 0.135
NO 0.174 0.039 0.102 -0.311 1.000 -0.111
DS -0.200 0.056 -0.220 0.135 -0.111 1.000
如上所述，打车司机可以分为三类，包括全时司机、兼职勤奋司机和兼职懒惰司机(例如，通过应用k均值聚类算法)。用于对司机进行分类的k-均值模型的特征可以包括每周的工作日、每天的工作时间以及司机的登记信息(汽车类型、性别、年龄等)。图3A-3D是根据本申请的一些实施例所示的三种类型的司机的各种解释属性。属性的概率密度函数(PDF)包括三种类型的司机的每日行程时间(图3A)、每日空置寻觅乘客时间(图3B)、司机工作的天数(图3C)以及每个订单的行程时间(图3D)。基于所公开的模型的数据分析，图表显示全职司机具有比其他两种类型的司机更长的每日行程时间(图3A)和更长的每日空置寻觅乘客时间(图3B)，但是增加的每日行程时间大于每日空置寻觅乘客时间。所述分析可能意味着全职司机的行程时间与空置寻觅乘客时间的比率更高，这意味着他们更有效率。在调查的10天内，全职司机的工作天数最长，而兼职懒惰司机的工作日最短。图3D显示全职司机每个订单的平均出行时间明显长于兼职司机，这表明全职司机更有可能成功调度长途订单。长途订单通常比短途订单具有更高的价值，因此对司机更具吸引力。这一结果可能归结于两个原因：1)全职司机更有经验，并且倾向于漫游到接收长途订单的可能性较高的地区；2)全职司机取消由平台发出的短途订单(例如，如果每个司机有三个机会取消已派送的订单)。
下面讨论三种类型司机的区块选择模型的回归结果，包括司机对邻近区块的解释变量的偏好，以及司机对他们可能在多个随后可能达到的区块的解释变量的响应。也就是说，由于两个原因，可以分析司机对上述两个数据集的一步、两步和三步解释变量的偏好：1)只有18.1％的轨迹覆盖超过4个六边形区块(三步解释变量包括区块司机可以通过4个跨区块移动到达的属性)，2)每个六边形足够大(边长660米)。因此，司机可能期望在三个连续区块内被分派订单，以及可能不考虑后续更远区块的属性。然而，模型可以被配置用于分析任意数量的步骤。
表3、4和5显示了全职、兼职勤奋和兼职懒惰司机的一步、两步和三步解释变量的偏好(通过系数β、z分数和p值评估)。z分数代表相应系数β的重要性：z分数越大，系数越重要。正/负z分数推断司机对相关解释变量具有正/负响应。可以假设小于0.01的p值(与z分数相关)是有意义的。利用所述标准，所公开的模型的数据分析提供以下内容。
1)三种类型的司机的移动因子Mij的系数都是负的，这表明司机倾向于停留在当前的六边形区块而不是移动到邻近区块，这与样本分布一致(64.1％“停留”样本)。全职司机的Mij的z分数是最负面的，其次是兼职勤奋司机，然后是兼职懒人司机。这是合理的，因为全职空置司机倾向于停留以节省汽油费用，或在长时间工作后休息。
2)在所有解释变量中，请求的订单数量NO是最具有积极意义的。全职司机在Mij上的z分数高于兼职司机，表明全职司机对具有高要求订单的区块更敏感。这是有道理的，因为全职司机通常比兼职司机更有经验。此外，司机的NO偏好随着步数的增加而迅速下降，这意味着司机对邻近区块的预期请求命令作出了实质性的反应，但并不太关心他们可能达到的较远区块的请求命令。
3)三种类型的司机的DS系数显着为正。这可以通过司机的“像羊一样”的行为来解释。打车司机没有关于时空供需条件的完整信息，因此他们会聚集到大量订单的区块，导致供应突然激增，随后长时间的司机漫游。此外，需求较高且长途订单较多的高价值区块，如机场和火车站，吸引了大量排队等候的司机。
4)全职司机对兼职司机的行程费用TF有更重要的偏好。高行程费用意味着长订单，因此观察结果与图3D一致，其中全职司机每个订单的平均行程时间更长(表示长订单)。这表明全职司机喜欢漫游在长订单的区块，如机场、火车站、早上高峰郊区住宅区等。
5)司机对其他解释变量的偏好，包括预期接载时间PT、预期应答率AR、预期乘客等待时间PW，一般不在意。这意味着司机没有关于这些解释变量的详细信息，因此不会依赖它们作为空置寻觅乘客的决定。
表3.全职司机对解释变量的偏好
PT TF AR NO PW DS M<sub>ij</sub>
一步 β 0.016 0.024 0.007 0.166 -0.001 0.112 -1.701
z-分数 2.55 4.51 1.55 48.52 -0.13 22.07 -372.73
p值 0.011 0.000 0.122 0.000 0.894 0.000 0.000
二步 β 0.004 0.028 -0.006 -0.002 -0.069 0.036
z-分数 0.78 6.50 -1.45 -0.47 -14.40 7.49
p值 0.438 0.000 0.148 0.639 0.000 0.000
三步 β 0.010 0.012 -0.010 0.013 -0.021 0.015
z-分数 1.91 2.97 -2.52 2.81 -4.97 3.28
p值 0.056 0.003 0.012 0.005 0.000 0.001
表4.兼职勤奋司机对解释变量的偏好
PT TF AR NO PW DS M<sub>ij</sub>
一步 β 0.051 0.018 0.029 0.136 0.008 0.079 -1.056
z-分数 3.648 1.412 2.718 19.772 0.490 6.996 -101.719
p值 0.000 0.158 0.007 0.000 0.624 0.000 0.000
二步 β -0.001 0.031 -0.005 0.051 -0.051 0.030
z-分数 -0.091 3.016 -0.464 6.060 -4.830 3.000
p值 0.927 0.003 0.643 0.000 0.000 0.003
三步 β 0.027 0.002 0.002 0.000 -0.009 0.020
z-分数 2.232 0.184 0.192 -0.044 -0.976 2.291
p值 0.026 0.854 0.847 0.965 0.329 0.022
表5.兼职懒惰司机对解释变量的偏好
PT TF AR NO PW DS M<sub>ij</sub>
一步 β 0.033 0.019 0.016 0.131 0.003 0.066 -0.927
z-分数 2.138 1.389 1.379 16.726 0.169 5.500 -81.405
p值 0.033 0.165 0.168 0.000 0.866 0.000 0.000
二步 β 0.005 0.016 -0.018 0.033 -0.056 0.027
z-分数 0.373 1.598 -1.962 3.795 -5.772 2.795
p值 0.709 0.110 0.050 0.000 0.000 0.005
三步 β 0.009 -0.008 0.010 0.021 -0.004 -0.001
z-分数 0.854 -0.867 1.355 2.525 -0.441 -0.147
p值 0.393 0.386 0.175 0.012 0.659 0.883
如表格所示，模拟可以为打车平台/交通管理者提供有价值的见解。例如，模拟分析表明，司机可能对需求较高的区块过度反应并流入这些区块，导致短期供过于求的情况。这种负面影响是由平台和司机之间的信息不对称造成的，并且如果平台向司机提供实时空间供需信息，则可以减轻这种负面影响。由于司机不完整的信息和“像羊一样”的行为，他们可能不会计划最佳空置的寻觅乘客路线。因此，可以开发一些应用或规则来提高整体效率并减少搜寻摩擦：1)对于寻觅乘客的司机的寻觅乘客路线的建议；2)分派空置司机小额奖励；以及3)吸引司机到需求低于供应区块的时空补贴策略。
图4是根据本申请的一些实施例所示的示例寻觅乘客的可搭载车辆的导航确定方法400的流程图。示例性方法400可以在各种环境中实现，包括例如图1的环境100。示例性方法400可以由系统102的一个或以上组件(例如，处理器104、存储器106)实现。方法400可以由类似于系统102的多个系统实现。下文呈现的方法400的操作旨在用于说明。取决于实现方式，示例性方法400可以包括附加的、减少的、或替代性步骤，这些步骤可以以各种顺序执行或并行执行。
模块401可以包括获取区域内一段时期的历史车辆服务数据，所述历史车辆服务数据包括对应时间寻觅乘客的车辆的历史位置、对应时间乘客订单的历史位置，以及对应上车位置和时间的历史行程费用。模块402可以包括将所述区域拆分成至少两个区块(例如，重复区块)并将所述时期拆分成至少两个时间段。模块403可以包括根据区块和时间段聚合所述历史车辆服务数据。模块404可以包括根据所聚合的历史车辆服务数据(例如，上述等式2)获取寻觅乘客的车辆从区块A移动到所述区块A的每个邻近区块的预期奖励。模块405可以包括基于寻觅乘客的车辆从区块A移动到区块A的每个邻近区块的预期奖励获取寻觅乘客的车辆从区块A移动到邻近区块B的概率(例如，上述等式1)。
在一些实施例中，如上所述，每个区块是六边形的并通过每一条边连接到六个相邻的区块。乘客从区块A(例如，区块zi)到区块A的每个邻近区块寻觅车辆的预期奖励(例如，
Figure BDA0002373359480000191
)基于一个或以上解释变量；并且解释变量包括以下中的至少一个：预期接载时间(例如，/>
Figure BDA0002373359480000192
)、预期费用(例如，/>
Figure BDA0002373359480000193
)、预期乘客等待时间(例如，/>
Figure BDA0002373359480000194
)、预期订单数量
Figure BDA0002373359480000195
预期应答率(例如，/>
Figure BDA0002373359480000196
)、或司机预期停留时间(例如，/>
Figure BDA0002373359480000197
)。
在一些实施例中，如上所述，解释变量包括一步解释变量(例如，
Figure BDA0002373359480000198
)、两步释变量(例如，/>
Figure BDA0002373359480000199
)、以及三步解释变量(例如，/>
Figure BDA00023733594800001910
)；一步解释变量包括向量：在区块B中的预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率以及预期司机停留时间；两步解释变量包括向量：在区块C中的预预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率以及预期司机停留时间，区块C是区块B的邻近区块；三步解释变量包括以下三个步骤：在区块D的预备的接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率以及预期司机停留时间，区块D是区块C的邻近区块。
因此，可以通过所公开的模型清楚地模拟驾驶平台中的司机的乘客寻觅行为，克服现有技术的不足。与在街上漫游以接载乘客的出租车司机不同，打车司机将从平台被派发订单。但是，所述平台不向司机提供有关附近区域属性的任何信息。在这种情况下，打车司机的不确定性较高，必须“猜测”平台的调度策略。所公开的模型提供了理解所述司机的寻觅乘客的行为的途径，并且对解释变量的偏好可以帮助平台/交通运营商设计策略以激励司机做出最佳的区块选择。
与现有技术中的方形区块不同，所述模型中使用的区块可以是六边形网格，其具有明确的邻近区块定义。解释变量的六种类型，包括预期接载时间、预期行程费用、预期请求订单数目、预期应答率、预期乘客等待时间以及预期司机在一个区块内的停留时间，可以输入到区块选择模型。除了对邻近区块的解释变量进行回归之外，可以估计出司机可能在两步和三步内达到的区块的解释变量系数。
所公开的模型揭示了来自数据分析的关键信息，以帮助提高运输效率。首先，司机对预期订单数量有最强烈的偏好，而全职司机比兼职司机更有经验。其次，司机往往会转移到司机停留时间较长的区块。一个可能的原因可能是某些司机对高度要求的邻近区块过度反应并流入这些区块。结果，这些区块充满了过多的司机，随后司机将有更长的寻觅乘客时间。另一个原因是司机更喜欢在一些区块排队，例如火车站和机场，这些区块都有大量的长途订单(对司机更有吸引力)。通过所公开的模型实现的所述发现对于平台/交通运营商是有洞察力的，其可以通过共享更多信息来减少信息不对称，并且设计诸如空置路线推荐和空置汽车调度策略之类的应用。
这里描述的技术由一个或以上专用计算设备实现。专用计算设备可以是硬连线的以执行这些技术，或者可以包括电路或数字电子设备，诸如一个或以上专用集成电路(ASIC)或现场可编程门阵列(FPGA)，其被持久地编程为执行这些技术，或者可以包括一个或以上硬件处理器，其被编程为根据固件、存储器、其他存储器或组合中的程序指令执行技术。这种专用计算设备还可以将定制的硬连线逻辑、ASIC或FPGA与定制编程相结合以实现这些技术。专用计算设备可以是台式计算机系统、服务器计算机系统、便携式计算机系统、手持设备、网络设备或包含硬连线和/或程序逻辑以实现该技术的任何其他设备或设备的组合。计算设备通常由操作系统软件控制和协调。传统的操作系统控制和安排用于执行的计算机进程、执行存储器管理、提供文件系统、网络、输入/输出服务、以及提供用户界面功能，例如图形用户界面(“GUI”)等。
图5是可以实现本文描述的任何实施例的示例性的计算机系统500的框图。系统500可以对应于上述系统102。计算机系统500包括总线502或用于交流信息的其他通信机制、一个或以上与总线502耦合的用于处理信息的硬件处理器504。硬件处理器504可以是，例如，一个或以上通用微处理器。处理器504可以对应于上述处理器104。
计算机系统500还包括与总线502耦合的用于存储由处理器504执行的信息和指令的主存储器506，例如随机存取存储器(RAM)、缓存和/或其他动态存储设备。主存储器506还可以用于在处理器504执行待执行指令期间存储临时变量或其他中间信息。当上述指令存储在处理器504可访问的存储介质中时，可使计算机系统500成为专用机器，所述专用机器被定制为执行指令中指定的操作。计算机系统500还包括只读存储器(ROM)508或耦合到总线502的其他静态存储设备，用于存储处理器504的静态信息和指令。存储设备510，如磁盘、光盘或USB拇指司机(闪存司机)等，是提供以及耦合到总线502以存储信息以及指令。主存储器506、ROM508和/或存储器510可以对应于上述存储器106。
计算机系统500可以使用定制的硬连线逻辑、一个或以上的专用集成电路(ASIC)或现场可编程门阵列(FPGA)、固件和/或程序逻辑来实现本文描述的技术，其与计算机系统组合使计算机系统500成为或被编程为特殊用途机器。根据一个实施例，响应于处理器504执行主存储器506中包含的一个或以上指令中的一个或以上序列，计算机系统500会执行本披露书中的技术。这些指令可以从另一存储介质(例如存储设备510)读入主存储器506。执行主存储器506中包含的指令的序列使得处理器504执行本文描述的处理步骤。在备选实施例中，可以使用硬连线电路代替软件指令或与软件指令组合。
主存储器506、ROM 508和/或存储器510可以包括非暂时性存储介质。这里使用的术语“非暂时性介质”和类似术语是指存储使机器以特定方式操作的数据和/或指令的介质。这种非暂时性介质可以包括非易失性介质和/或易失性介质。非易失性介质包括，例如光盘或磁盘，如存储设备510。易失性介质包括动态存储器，例如主存储器506。非暂时性介质的常见形式包括，例如，软盘、软性磁盘、硬盘、固态司机、磁带、或任何其他磁性数据存储介质、只读光盘司机(CD-ROM)、任何其他光学数据存储介质、具有孔图案的任何物理介质、RAM、可编程序只读存储器(PROM)和可擦除可编程只读存储器(EPROM)、快擦编程只读存储器(FLASH-EPROM)、非易失性随机访问存储器(NVRAM)、任何其他存储器芯片或盒式磁带、以及它们的网络版本。
计算机系统500还包括耦合到总线502的通信接口518。通信接口518提供耦合到连接到一个或以上本地网络的一个或以上网络链路的双向数据通信。例如，网络接口518可以是综合业务数字网(ISDN)卡、线缆调制解调器、卫星调制解调器、或用于提供与相应类型的电话线路进行数据通信连接的调制解调器。又例如，网络接口518可以是局部区域网络(LAN)卡以提供与兼容的LAN之间的数据通信连接(或WAN组件以与WAN通信)。网络接口518也可以实现无线链路。在任何这样的实施方式中，网络接口518发送和接收携带代表各类信息的数字数据流的电信号、电磁信号或光信号。
计算机系统500可以通过网络、网络链路和网络接口518发送消息并接收包括程序代码的数据。以因特网为例，服务器可以通过因特网、互联网服务提供商(ISP)、本地网络和网络接口518为应用程序发送请求代码。
所接收的代码可以收到后由处理器504执行、和/或存储在存储设备510或其他非易失性存储器中以供稍后执行。
前面部分中描述的每个过程、方法和算法可以由代码模块实现，并且通过该代码模块实现完全自动化或半自动化；所述代码模块通过一个或以上包括计算机硬件的计算机系统或计算机处理器执行。上述过程和算法可由应用特定电路部分地或完全地实现。
上述各种特征和过程可以彼此独立地使用，或者可以以各种方式组合。所有可能的组合和子组合旨在落入本申请的范围内。另外，在某些实现方式中可以省略某些方法或流程块。本文描述的方法和过程也不限于任何特定顺序，与其相关的块或状态可以以其他合适顺序执行。例如，所描述的块或状态可以以不同于具体披露的顺序执行，或者多个块或状态可以组合为单个块或状态。示例性块或状态可以串行、并行或以其他方式执行。可以向所公开的示例实施例添加块或状态或从其中移除块或状态。这里描述的示例系统和组件可以与所描述的不同地配置。例如，相比于与所披露的示例实施例，可以添加、移除或重新布置元件。
在整个说明书中，多个实例可以实现被描述为单个实例的组件、操作或结构。尽管一个或以上方法的各个操作被示出并描述为单独的操作，但是可以同时执行各个操作的一个或以上，并且不需要以所示的顺序执行操作。在示例配置中作为单独组件呈现的结构和功能可以实现为组合结构或组件。类似地，作为单个组件呈现的结构和功能可以实现为单独的组件。这些和其他变化、修改、添加和改进都落入本文主题的范围内。
尽管已经参考特定示例性实施例概述了本文主题，但是可以在不脱离本申请的实施例的较宽范围的情况下对这些实施例进行各种修改和改变。本文主题的这些实施例可单独地或共同地由术语“发明”指代，此举仅为描述方便，而不旨在当实际有多余一个披露或概念被披露时主动将本申请的范围限制于任何单个的披露或概念。因此，具体实施方式不应被视为具有限制意义，并且各种实施例的范围仅由所附权利要求以及这些权利要求所赋予的等价物的全部范围来限定。

Claims (18)

1.一种寻觅乘客的可搭载车辆的导航确定方法，包括：
获取区域内一段时期的历史车辆服务数据；
将所述区域拆分成至少两个区块并将所述时期拆分成至少两个时间段；
根据所述区块和所述时间段聚合所述历史车辆服务数据；
根据所聚合的历史车辆服务数据，获取寻觅乘客的车辆从区块A移动到所述区块A的每个邻近区块的预期奖励；以及
基于所述寻觅乘客的车辆从所述区块A移动到所述区块A的每个邻近区块的所述预期奖励，获取寻觅乘客的车辆从所述区块A移动到邻近区块B的概率；
其中，所述寻觅乘客的车辆从所述区块A转移到所述区块A的每个邻近区块的所述预期奖励是基于一个或以上解释变量获取的；以及
所述解释变量包括以下中的至少一个：预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率或预期司机停留时间。
2.根据权利要求1所述的方法，其特征在于，所述历史车辆服务数据包括对应时间寻觅乘客的车辆的历史位置、对应时间乘客订单的历史位置，以及对应上车位置和时间的历史行程费用。
3.根据权利要求1所述的方法，其特征在于：
所述解释变量包括一步解释变量、两步解释变量，以及三步解释变量；
所述一步解释变量包括向量：在区块B中的预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率，以及预期司机停留时间；
所述两步解释变量包括向量：在区块C中的预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率，以及预期司机停留时间，所述区块C是所述区块B的邻近区块；以及
所述三步解释变量包括向量：在区块D中的预期接载时间、预期行程费用、预期乘客等候时间、预期订单数量、预期应答率，以及预期司机停留时间，所述区块D是所述区块C的邻近区块。
4.根据权利要求1所述的方法，其特征在于：
其中一个时间段的预期接载时间包括在区块A中寻觅乘客的车辆接载乘客的历史平均接载时间；
接载时间是寻觅乘客的车辆接收乘客订单与乘客被所述寻觅乘客的车辆接载的时间差；以及
所述乘客订单是在所述时间段内收到的。
5.根据权利要求1所述的方法，其特征在于：
其中一个时间段的预期行程费用包括在所述时间段内在区块A中接收的乘客订单的历史平均行程费用。
6.根据权利要求1所述的方法，其特征在于：
其中一个时间段的预期乘客等候时间包括位于区块A中并在所述时间段内被接收的乘客订单的历史平均等待时间；以及
所述等待时间是所述乘客发出订单与所述乘客被接载的时间差。
7.根据权利要求1所述的方法，其特征在于：
其中一个时间段的预期订单数包括所述时间段内的区块A中的历史平均乘客订单数。
8.根据权利要求1所述的方法，其特征在于：
所述预期应答率包括在所述时间段内区块A中的被接受的乘客订单数量比上请求的乘客订单数量。
9.根据权利要求1所述的方法，其特征在于：
所述预期司机停留时间包括在所述时间段内每辆寻觅乘客的车辆停留在区块A中的历史平均时间。
10.一种存储指令的非暂时性计算机可读存储介质，所述指令由一个或以上处理器执行时，使得所述一个或以上处理器执行一种寻觅乘客的可搭载车辆的导航确定方法，所述方法包括：
获取区域内一段时期的历史车辆服务数据；
将所述区域拆分成至少两个区块并将所述时期拆分成至少两个时间段；
根据所述区块和所述时间段聚合所述历史车辆服务数据；
根据所聚合的历史车辆服务数据，获取寻觅乘客的车辆从区块A移动到所述区块A的每个邻近区块的预期奖励；以及
基于所述寻觅乘客的车辆从所述区块A移动到所述区块A的每个邻近区块的所述预期奖励，获取寻觅乘客的车辆从所述区块A移动到邻近区块B的概率；
其中，所述寻觅乘客的车辆从所述区块A转移到所述区块A的每个邻近区块的所述预期奖励是基于一个或以上解释变量获取的；以及
所述解释变量包括以下中的至少一个：预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率或预期司机停留时间。
11.根据权利要求10所述的非暂时性计算机可读存储介质，其特征在于，所述历史车辆服务数据包括对应时间寻觅乘客的车辆的历史位置、对应时间乘客订单的历史位置，以及对应上车位置和时间的历史行程费用。
12.根据权利要求10所述的非暂时性计算机可读存储介质，其特征在于：
所述解释变量包括一步解释变量、两步解释变量，以及三步解释变量；
所述一步解释变量包括向量：在区块B中的预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率，以及预期司机停留时间；
所述两步解释变量包括向量：在区块C中的预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率，以及预期司机停留时间，所述区块C是所述区块B的邻近区块；以及
所述三步解释变量包括向量：在区块D中的预期接载时间、预期行程费用、预期乘客等候时间、预期订单数量、预期应答率，以及预期司机停留时间，所述区块D是所述区块C的邻近区块。
13.根据权利要求10所述的非暂时性计算机可读存储介质，其特征在于：
其中一个时间段的预期接载时间包括在区块A中寻觅乘客的车辆接载乘客的历史平均接载时间；
接载时间是寻觅乘客的车辆接收乘客订单与乘客被所述寻觅乘客的车辆接载的时间差；以及
所述乘客订单是在所述时间段内收到的。
14.根据权利要求10所述的非暂时性计算机可读存储介质，其特征在于：
其中一个时间段的预期行程费用包括在所述时间段内在区块A中接收的乘客订单的历史平均行程费用。
15.根据权利要求10所述的非暂时性计算机可读存储介质，其特征在于：
其中一个时间段的预期乘客等候时间包括位于区块A中并在所述时间段内被接收的乘客订单的历史平均等待时间；以及
所述等待时间是所述乘客发出订单与所述乘客被接载的时间差。
16.根据权利要求10所述的非暂时性计算机可读存储介质，其特征在于：
其中一个时间段的预期订单数包括所述时间段内的区块A中的历史平均乘客订单数。
17.根据权利要求10所述的非暂时性计算机可读存储介质，其特征在于：
所述预期应答率包括在所述时间段内区块A中的被接受的乘客订单数量比上请求的乘客订单数量；以及
所述预期司机停留时间包括在所述时间段内每辆寻觅乘客的车辆停留在区块A中的历史平均时间。
18.一种用于确定寻觅乘客提供乘车的车辆导航的系统，包括一个或以上处理器和存储指令的非暂时性计算机可读存储介质，所述指令由所述一个或以上处理器执行时，使得所述一个或以上处理器执行方法，所述方法包括：
获取区域内一段时期的历史车辆服务数据；
将所述区域拆分成至少两个区块并将所述时期拆分成至少两个时间段；
根据所述区块和所述时间段聚合所述历史车辆服务数据；
根据所聚合的历史车辆服务数据，获取寻觅乘客的车辆从区块A移动到所述区块A的每个邻近区块的预期奖励；以及
基于所述寻觅乘客的车辆从所述区块A移动到所述区块A的每个邻近区块的所述预期奖励，获取寻觅乘客的车辆从所述区块A移动到邻近区块B的概率；
其中，所述寻觅乘客的车辆从所述区块A转移到所述区块A的每个邻近区块的所述预期奖励是基于一个或以上解释变量获取的；以及
所述解释变量包括以下中的至少一个：预期接载时间、预期行程费用、预期乘客等待时间、预期订单数量、预期应答率或预期司机停留时间。
CN201880048096.5A 2018-03-28 2018-03-28 寻觅乘客的可搭载车辆的导航确定系统和方法 Active CN110998568B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/080927 WO2019183844A1 (en) 2018-03-28 2018-03-28 System and method for determining passenger-seeking ride-sourcing vehicle navigation

Publications (2)

Publication Number Publication Date
CN110998568A CN110998568A (zh) 2020-04-10
CN110998568B true CN110998568B (zh) 2023-03-28

Family

ID=68059126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880048096.5A Active CN110998568B (zh) 2018-03-28 2018-03-28 寻觅乘客的可搭载车辆的导航确定系统和方法

Country Status (6)

Country Link
US (1) US11094028B2 (zh)
EP (1) EP3628084A4 (zh)
JP (1) JP2020531939A (zh)
CN (1) CN110998568B (zh)
AU (1) AU2018415763A1 (zh)
WO (1) WO2019183844A1 (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11094197B2 (en) * 2019-02-26 2021-08-17 Toyota Research Institute, Inc. System and method for switching from a curbside lane to a lane-of-interest
KR20220010531A (ko) * 2019-05-16 2022-01-25 그랩택시 홀딩스 피티이. 엘티디. 운송-관련 서비스를 위한 수량 수정자를 도출하기 위한 통신 서버 장치 및 방법
US11568342B1 (en) * 2019-08-16 2023-01-31 Lyft, Inc. Generating and communicating device balance graphical representations for a dynamic transportation system
JP7287244B2 (ja) * 2019-11-08 2023-06-06 トヨタ自動車株式会社 情報処理装置、プログラム、及び、情報処理方法
US20210295224A1 (en) * 2020-03-23 2021-09-23 Lyft, Inc. Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices
CN111881226B (zh) * 2020-05-21 2024-07-05 北京嘀嘀无限科技发展有限公司 一种判断面状区域通行属性的方法和系统
CN111882312B (zh) * 2020-07-27 2022-07-12 北京嘀嘀无限科技发展有限公司 管理车辆服务行程的方法、装置、电子设备和存储介质
CN112561330B (zh) * 2020-12-16 2024-10-15 北京嘀嘀无限科技发展有限公司 一种调度指令的生成方法、装置、电子设备及介质
CN112581060A (zh) * 2020-12-22 2021-03-30 北京优挂信息科技有限公司 基于车辆装卸点的配货需求度检测方法、装置及设备
CN112633940A (zh) * 2020-12-30 2021-04-09 北京交通大学 一种需求响应型城市轨道交通分时票价制定方法
CN112784000B (zh) * 2021-01-27 2022-05-20 长沙理工大学 基于出租车轨迹数据的寻客方法
CN112927393B (zh) * 2021-02-08 2022-09-16 上海钧正网络科技有限公司 骑行数据处理方法、服务器、用户设备及可读存储介质
CN113487295B (zh) * 2021-07-26 2024-01-19 杭州弧途科技有限公司 一种兼职岗位推荐系统的线下岗位召回方法
JP7553409B2 (ja) 2021-07-26 2024-09-18 株式会社Ｎｔｔドコモ 情報処理装置
US20230342874A1 (en) * 2022-04-25 2023-10-26 Toyota Motor North America, Inc. Prioritizing access to shared vehicles based on need
CN117610694B (zh) * 2024-01-23 2024-04-09 北京白龙马云行科技有限公司 多租户的订单分配的方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103996290A (zh) * 2014-06-09 2014-08-20 北京东方车云信息技术有限公司 一种提供叫车服务的方法、服务器及系统
CN104537831A (zh) * 2015-01-23 2015-04-22 北京嘀嘀无限科技发展有限公司 车辆调度的方法及设备
CN106373387A (zh) * 2016-10-25 2017-02-01 先锋智道（北京）科技有限公司 一种车辆调度方法、装置及系统
CN106971279A (zh) * 2017-05-03 2017-07-21 百度在线网络技术（北京）有限公司 预估司机接单行为的方法、装置、设备及存储介质

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8595079B1 (en) * 2003-11-26 2013-11-26 Carfax, Inc. System and method for determining vehicle price values
IL193440A (en) * 2008-08-13 2015-01-29 Verint Systems Ltd Systems and method for securing boarding area
US8180651B2 (en) * 2009-11-24 2012-05-15 General Electric Company System and method of patient destination prediction
US8498953B2 (en) * 2010-03-30 2013-07-30 Sap Ag Method for allocating trip sharing
DE102012201472B4 (de) 2012-02-01 2024-07-11 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen
US9258629B2 (en) * 2012-12-11 2016-02-09 Huawei Technologies Co., Ltd. System and method for an agile cloud radio access network
US9530314B2 (en) * 2013-08-08 2016-12-27 Accenture Global Services Limited Dynamic ETA and STA transportation system
AU2015251350A1 (en) * 2014-04-24 2016-11-10 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for managing supply of service
US10083448B2 (en) * 2014-12-19 2018-09-25 Sap Se System and method for intermediary agency to find better service providers
WO2016124118A1 (zh) * 2015-02-02 2016-08-11 北京嘀嘀无限科技发展有限公司 一种订单处理方法与系统
CN104657883A (zh) * 2015-03-02 2015-05-27 北京嘀嘀无限科技发展有限公司 基于订单的配对方法和配对设备
US20160335576A1 (en) * 2015-05-12 2016-11-17 Uber Technologies, Inc. Location-based prediction of transport services
CN105117790A (zh) 2015-07-29 2015-12-02 北京嘀嘀无限科技发展有限公司 车费预估方法及装置
CN107402931A (zh) * 2016-05-19 2017-11-28 滴滴（中国）科技有限公司 一种出行目的地推荐方法和装置
US20170083831A1 (en) * 2015-09-23 2017-03-23 International Business Machines Corporation Real-time wait estimation and prediction via dynamic individual and group service experience analysis
US10347134B2 (en) * 2015-12-31 2019-07-09 Gt Gettaxi Limited System for navigating drivers to selected locations to reduce passenger wait time
US20170227370A1 (en) * 2016-02-08 2017-08-10 Uber Technologies, Inc. Reducing wait time of providers of ride services using zone scoring
CN107545319A (zh) * 2016-06-28 2018-01-05 滴滴（中国）科技有限公司 一种运力调配方法及装置
CN106530188B (zh) * 2016-09-30 2021-06-11 百度在线网络技术（北京）有限公司 在线叫车服务平台中司机的接单概率评价方法和装置
US20180260778A1 (en) * 2017-03-08 2018-09-13 Wheely's Café International AB Self driving automated vending vehicle
US9769616B1 (en) * 2017-04-04 2017-09-19 Lyft, Inc. Geohash-related location predictions
US10628903B2 (en) * 2017-05-22 2020-04-21 Uber Technologies, Inc. Network computer system to implement counter values for arranging services
US20190120640A1 (en) * 2017-10-19 2019-04-25 rideOS Autonomous vehicle routing

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103996290A (zh) * 2014-06-09 2014-08-20 北京东方车云信息技术有限公司 一种提供叫车服务的方法、服务器及系统
CN104537831A (zh) * 2015-01-23 2015-04-22 北京嘀嘀无限科技发展有限公司 车辆调度的方法及设备
CN106373387A (zh) * 2016-10-25 2017-02-01 先锋智道（北京）科技有限公司 一种车辆调度方法、装置及系统
CN106971279A (zh) * 2017-05-03 2017-07-21 百度在线网络技术（北京）有限公司 预估司机接单行为的方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20200175635A1 (en) 2020-06-04
CN110998568A (zh) 2020-04-10
EP3628084A4 (en) 2020-04-08
JP2020531939A (ja) 2020-11-05
US11094028B2 (en) 2021-08-17
EP3628084A1 (en) 2020-04-01
WO2019183844A1 (en) 2019-10-03
AU2018415763A1 (en) 2020-01-30

Similar Documents

Publication Publication Date Title
CN110998568B (zh) 寻觅乘客的可搭载车辆的导航确定系统和方法
US11514543B2 (en) System and method for ride order dispatching
Miao et al. Taxi dispatch with real-time sensing data in metropolitan areas: A receding horizon control approach
TWI638328B (zh) 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置
US20200074353A1 (en) System and method for ride order dispatching and vehicle repositioning
US11507894B2 (en) System and method for ride order dispatching
CN112074845A (zh) 用于优化拼车策略的深度强化学习
US20210398431A1 (en) System and method for ride order dispatching
WO2016124118A1 (zh) 一种订单处理方法与系统
CN110431544B (zh) 行驶时间和距离预估系统和方法
KR20190020852A (ko) 운송 능력 스케줄링을 위한 방법들 및 시스템들
US11626021B2 (en) Systems and methods for dispatching shared rides through ride-hailing platform
CN113672846A (zh) 网约车调度方法、装置、电子设备及存储介质
CN112106021B (zh) 提供车辆导航模拟环境的方法和装置
Castagna et al. Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility
CN114372830A (zh) 一种基于时空多图神经网络的网约车需求预测方法
WO2020244081A1 (en) Constrained spatiotemporal contextual bandits for real-time ride-hailing recommendation
CN117252307A (zh) 流量预测方法、装置、计算机设备和存储介质
US20220277652A1 (en) Systems and methods for repositioning vehicles in a ride-hailing platform
CN112088106B (zh) 提供车辆导航模拟环境的方法和装置
CN116402323B (zh) 一种出租车调度方法
Asatryan et al. Ridepooling and public bus services: A comparative case-study
Zhu et al. Pricing and operational planning of a fixed-route ride-sharing service
US20220277329A1 (en) Systems and methods for repositioning vehicles in a ride-hailing platform
Chen et al. An Intelligent Framework to Maximize Individual Taxi Driver Income

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