CN111160597B - 基于出租车司机综合满意度的智能调度方法 - Google Patents
基于出租车司机综合满意度的智能调度方法 Download PDFInfo
- Publication number
- CN111160597B CN111160597B CN201911038229.3A CN201911038229A CN111160597B CN 111160597 B CN111160597 B CN 111160597B CN 201911038229 A CN201911038229 A CN 201911038229A CN 111160597 B CN111160597 B CN 111160597B
- Authority
- CN
- China
- Prior art keywords
- driver
- taxi
- time
- taxi driver
- urban area
- 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 29
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- -1 hydrogen Chemical class 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G06Q10/04—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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/40—
-
- 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
-
- 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
- G08G1/207—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles with respect to certain areas, e.g. forbidden or allowed areas with possible alerting when inside or outside boundaries
Abstract
基于出租车司机综合满意度的智能调度方法,通过机场信息采集系统收集当前区域的机场的平均客流量和排队出租车辆数,对数据进行相应处理后,结合历史数据库,预测下一时间段的平均客流量和排队出租车辆数。考虑出租车司机的平均收入、等待时间、空载行驶里程,建立基于出租车司机综合满意度的智能调度方法;司机根据自己的偏好在车载终端用户界面设定不同权重值,从而基于约束条件,确定目标函数。服务器收集机场信息和车载应用APP客户端信息后,通过智能决策方法确定司机的最优决策方案并向车载终端发送,以便用户查看。本发明方法,提高了出租车的运行效率,以及司机响应优化调度的积极性。
Description
技术领域
本发明涉及出租车司机智能决策技术领域,具体涉及一种基于出租车司机综合满意度的智能调度方法。
背景技术
随着城市的发展,越来越多的城市拥有自己的机场,而大多数乘客下飞机后要去市区或周边的目的地,出租车是主要的交通工具之一。送客到机场的出租车司机都将会面临两个选择:前往到达区排队等待载客返回市区,等待时间长短取决于排队出租车和乘客的数量多少;或直接放空返回市区拉客,出租车司机会付出空载费用和可能损失潜在的载客收益。现有的技术大多着眼于出租车司机和乘客之间的信息不对称问题,但却未考虑帮助出租车司机进行智能决策。目前出租车司机的决策仅靠其个人的经验判断,不能很好地满足出租车司机的期望,导致收入波动较大,职业幸福感低。
发明内容
为解决上述技术问题,本发明提供一种基于出租车司机综合满意度的智能调度方法,提高了出租车的运行效率,以及司机响应优化调度的积极性。
本发明采取的技术方案为:
基于出租车司机综合满意度的智能调度方法,包括以下步骤:
步骤1:通过机场信息采集系统收集当前区域的机场的平均客流量和排队出租车辆数,对数据进行相应处理后,结合历史数据库,预测下一时间段的平均客流量和排队出租车辆数。
步骤2:考虑出租车司机的平均收入、等待时间、空载行驶里程,建立基于出租车司机综合满意度的智能调度方法;
步骤3:司机根据自己的偏好在车载终端用户界面设定不同权重值,从而基于约束条件,确定目标函数。
步骤4:服务器收集机场信息和车载应用APP客户端信息后,通过智能决策方法确定司机的最优决策方案并向车载终端发送,以便用户查看。
本发明一种基于出租车司机综合满意度的智能调度方法,有益效果为:
(1):所述的基于出租车司机综合满意度的决策方法,为司机制定决策提供了理论支撑。司机可在最短的时间获得最优决策,提高了出租车的运行效率,使每个司机都能收获满意的行程安排,而且司机满意度的认知有助于相关交通管理部门快捷有效调整调度策略,广泛提高出租车司机响应优化调度的积极性,并提升出租车司机的职业幸福感。
(2):为平均收入、等待时间和空载行驶里程偏好程度等不同的单个出租车司机用户制定相应行驶策略,满足用户个性化的要求,使策略具有更广的应用范围。
附图说明
图1为本发明基于出租车司机综合满意度的决策方法流程图。
图2为实施例中各时间段机场平均客流量变化图。
图3为实施例中收入偏好型司机在进行决策优化前后各指标对比图。
图4为实施例中里程偏好型司机在进行决策优化前后各指标对比图。
图5为实施例中时间偏好型司机在进行决策优化前后各指标对比图。
具体实施方式
一种基于出租车司机综合满意度的智能调度方法,该方法采用的系统包括机场信息采集系统、服务器、数据库、车载应用APP客户端。
所述机场信息采集系统包含:
低功耗微处理器,用于控制整个系统,可选用MSP430AFE251;
计数摄像机,用于对客流和出租车进出情况进行统计,可选用iDS-2CD6810系列。
所述服务器,为具有运算能力和储存能力的计算机或嵌入式平台,一方面接收机场信息采集系统发送的机场平均客流量和排队出租车辆数等信息,另一方面接收车载应用APP客户端发送的用户自定义权重值,通过智能决策算法确定司机的最优决策方案后向车载应用APP客户端发送。可选用PowerEdge R730。
所述数据库,用于历史数据的存放,可选用SQL Server。
所述车载应用APP客户端,具体用于将所述司机自设定的权重值发送给服务器,而接收服务器提供的司机最优决策方案并呈现给用户。
步骤1:通过机场信息采集系统收集当前区域的机场的客流和出租车进出情况,对数据进行相应处理后,得到机场平均客流量和排队出租车辆数并结合历史数据,预测下一时间段的平均客流量和排队出租车辆数。
计算各个时段机场的平均客流量公式如下:
△Ni=∑Pcj-∑Prj;
Nav,i=Nini,i+△Ni;
其中,△Ni是出租车司机i所处时间段的旅客变化量;Pcj是经过第j个出口的人数;Prj是经过第j个入口的人数;Nini,i是出租车司机i所处时间段候车区域原有的旅客数;Nav,i为出租车司机i所处时间段的机场平均客流量。
计算各个时段机场的排队出租车辆数公式如下:
△Mi=∑Cck-∑Crk
Mav,i=Mini,i+△Mi
其中,△Mi是出租车司机i所处时间段的出租车辆数变化量;Cck是经过第k个出口的出租车辆数;Crk是经过第k个入口的出租车辆数;Mini,i是出租车司机i所处时间段候车区域原有的出租车辆数;Mav,i为出租车司机i所处时间段机场的排队出租车辆数。
步骤2:考虑出租车司机的平均收入、等待时间、空载行驶里程,建立基于出租车司机综合满意度的智能调度方法。
S2.1、确定出租车司机的平均收入:
出租车司机的收入是影响司机决策最重要的因素之一。考虑到不同选择下司机收益不同,但相应的行驶时间也不同,难以比较。本发明引用平均收入,即平均每小时司机的收入,来表征不同选择对司机收入的影响,由于市区到机场的距离往往远大于出租车的起步里程,为简化模型,本发明将起步费折算进出租车司机单位路程收取的乘车费用中;
a)若选择为:前往到达区排队等待载客—返回市区,则平均收入WAi为:
其中,ai为出租车司机i单位路程收取的乘车费;qi为出租车司机i行驶单位路程所消耗的成本;sbac,i为出租车司机i返回市区所需要的路程;di为出租车司机i在等待情况下单位时间所消耗的油量;p为单位油量的价格;hbac,i为出租车司机i返回市区所耗费的时间;hwai,i为出租车司机i排队等待时间。
b)若选择为:直接放空返回市区拉客—机场,则平均收入WBi为:
其中,sgo,i为出租车司机i前去机场所耗费的路程;sfin,i为出租车司机i在市区寻找乘客所需要的路程;hgo,i为出租车司机i前去机场所耗费的时间;hfin,i为出租车司机i在市区寻找乘客所需要的时间;hbac,i为出租车司机i返回市区所耗费的时间。
引用决策变量λ,则一次决策下,司机的平均收入Wi表示为:
Wi=λWAi+(1-λ)WBi;
其中,Wi为司机的平均收入;WAi为司机选择为排队等待载客下的平均收入;WBi为司机选择为直接放空返回市区拉客下的平均收入;λ为决策变量。
S2.2、确定出租车司机的空载时间:
现有的影响出租车司机决策的相关因素大多只采用了等待时间,但实际上,出租车任何空载的时间都会影响司机的运营收入,若选择决策中忽略司机的其他空载时间,将严重影响司机的满意度。
a)若选择为:前往到达区排队等待载客—返回市区,其空载时间受排队出租车和乘客数量多少的影响,实际上为其排队等待时间,则空载时间TAi为:
其中,Mi为出租车司机i前面排队出租车辆数;Nav,i为出租车司机i所处时间段的机场平均客流量;αi为每两次人潮所间隔的时间;βi为经验误差参数,用于修正模型;t为平均每人上车的时间。
b)若选择为:直接放空返回市区拉客—机场,其空载时间为出租车返回市区的时间和寻找乘客的时间之和,则空载时间TBi为:
TBi=hbac,i+hfin,i;
其中,TBi为司机选择为直接放空返回市区拉客下的空载时间;hbac,i为出租车司机i返回市区所耗费的时间;hfin,i为出租车司机i在市区寻找乘客所需要的时间。
引用决策变量λ,则一次决策下,司机的空载时间Ti可表示为:
Ti=λTAi+(1-λ)TBi;
其中,Ti为司机的空载时间;TAi为司机选择为排队等待载客下的空载时间;TBi为司机选择为直接放空返回市区拉客下的空载时间;λ为决策变量。
S2.3、确定出租车司机的空载行驶里程:
通常,出租车的使用寿命受行驶里程的影响,而且行驶过程中存在很多不稳定因素,因此本发明将空载行驶里程设置为影响出租车司机决策的因素:
a)若选择为:前往到达区排队等待载客—返回市区,则空载行驶里程LAi为:
LAi=0;
b)若选择为:直接放空返回市区拉客—机场,则空载行驶里程LBi为:
LBi=sbac,i+sfin,i
其中,sfin,i为出租车司机i在市区寻找乘客所需要的路程;sbac,i为出租车司机i返回市区所耗费的路程。
引用决策变量λ,则一次决策下,司机的空载行驶里程Li可表示为:
Li=λLAi+(1-λ)LBi
其中,Li为司机的空载行驶里程;LAi为司机选择为排队等待载客下的空载行驶里程;LBi为司机选择为直接放空返回市区拉客下的空载行驶里程;λ为决策变量。
步骤3:司机根据自己的偏好在车载终端用户界面设定不同权重值,从而基于约束条件,确定目标函数。
S3.1、根据出租车司机对平均收入、等待时间和空载行驶里程偏好不同,可将司机分为收入偏好型、时间偏好型、里程偏好性,将各指标进行标准化和归一化处理后,确定基于出租车司机综合满意度智能决策方法的目标函数:
maxDi=ω1DWi+ω2DTi+ω3DLi
其中,Di为出租车司机i的综合满意度;ω1、ω2、ω3分别为收入指标权重、时间指标权重和里程指标权重。当ω1最大时,司机为收入偏好型;当ω2最大时,司机为时间偏好型;当ω3最大时,司机为里程偏好性;DWi、DTi、DLi分别为数据处理后司机的平均收入、空载时间、空载行驶里程,也可作为司机对平均收入、空载时间、空载行驶里程满意程度的量化。
S3.2、确定约束条件;约束条件包括:
①、出租车司机i返回市区所耗费的时间等于其对应行驶里程与车速的比值:
其中,sbac,i为出租车司机i返回市区所需要的路程;vi为出租车司机i的车速。
②、出租车司机i前去机场所耗费的时间等于其对应行驶里程与车速的比值:
其中,hgo,i为出租车司机i前去机场所耗费的时间;sgo,i为出租车司机i前去机场所耗费的路程;vi为出租车司机i的车速。
③、出租车司机i在市区寻找乘客所需要的时间等于市区拥挤度乘上相应的比例系数:
hfin,i=kc;
其中,hfin,i为出租车司机i在市区寻找乘客所需要的时间;k为比例系数;c为市区拥挤度。
④、出租车司机i在市区寻找乘客所需要的路程等于其对应时间与车速的乘积:
sfin,i=hfin,ivi;
其中,sfin,i为出租车司机i在市区寻找乘客所需要的路程;hfin,i为出租车司机i在市区寻找乘客所需要的时间;vi为出租车司机i的车速。
⑤、为保障安全,出租车车速限定在一定范围内:
vmin≤vi≤vmax;
其中,vi为出租车司机i的车速;vmin为出租车车速所允许的最小值;vmax为出租车车速所允许的最大值。
⑥、假设出租车司机返回市区后,按一定的半径进行搜索:
0≤sfin,i≤r;
⑦、出租车司机i所处任意时间段的机场平均客流量为正数:
Nav,i≥0。
步骤4:服务器收集机场信息和车载应用APP客户端信息后,通过智能决策方法确定司机的最优决策方案,具体包括两种选择下司机各指标的满意度值以及综合满意度值和对司机的决策建议,并向车载终端发送,以便用户查看。
下面以具体的实施例来验证本发明的可行性。
为了验证本方案的有效性,以某机场—市区的出租车司机行驶路线为例:
机场出租车候车区的排队人数在12:00和23:00左右会出现两个客流高峰,其随时间具体变化如图2所示。以出租车数量300辆为例,其中收入偏好型、时间偏好型及里程偏好型的出租车司机数均为100。本文通过蒙特卡洛法得到300辆出租车的基本行驶数据。并设置收入偏好型、时间偏好型和里程偏好型司机分别对应的各指标权重大小如下表1所示:
表1收入偏好型、时间偏好型和里程偏好型司机分别对应的各指标权重大小表
通过仿真得到三类司机对方案的满意程度。其中,收入偏好型司机在进行决策优化前后各指标对比见图3所示;里程偏好型司机在进行决策优化前后各指标对比见图4所示;时间偏好型司机在进行决策优化前后各指标对比见图5所示。
由对比图3~对比图5可以看出:收入偏好型司机决策优化后,平均收入的满意度(数据处理后)明显增加,相对应地空载时间的满意度下降最多;里程偏好型司机决策优化后,空载行驶里程的满意度(数据处理后)明显增加,而空载时间、平均收入的满意度有所下降;时间偏好型司机决策优化后,空载时间的满意度(数据处理后)明显增加。同时,三类不同偏好的司机的综合满意度都比决策前有较大的提升,说明本发明能针对各类型司机提供最优决策方案。
Claims (3)
1.基于出租车司机综合满意度的智能调度方法,其特征在于包括以下步骤:
步骤1:通过信息采集系统收集当前区域的机场的平均客流量和排队出租车辆数,对数据进行相应处理后,结合历史数据库,预测下一时间段的平均客流量和排队出租车辆数;
步骤2:考虑出租车司机的平均收入、等待时间、空载行驶里程,建立基于出租车司机综合满意度的智能调度方法;
步骤3:司机根据自己的偏好在车载终端用户界面设定不同权重值,从而基于约束条件,确定目标函数;
步骤4:服务器收集机场信息和车载应用APP客户端信息后,通过智能决策方法,确定司机的最优决策方案并向车载终端发送,以便用户查看;
所述步骤1中,计算各个时段机场的平均客流量公式如下:
△Ni=∑Pcj-∑Prj;
Nav,i=Nini,i+△Ni;
其中,△Ni是出租车司机i所处时间段的旅客变化量;Pcj是经过第j个出口的人数;Prj是经过第j个入口的人数;Nini,i是出租车司机i所处时间段候车区域原有的旅客数;Nav,i为出租车司机i所处时间段的机场平均客流量;
计算各个时段机场的排队出租车辆数公式如下:
△Mi=∑Cck-∑Crk
Mav,i=Mini,i+△Mi
其中,△Mi是出租车司机i所处时间段的出租车辆数变化量;Cck是经过第k个出口的出租车辆数;Crk是经过第k个入口的出租车辆数;Mini,i是出租车司机i所处时间段候车区域原有的出租车辆数;Mav,i为出租车司机i所处时间段机场的排队出租车辆数。
2.根据权利要求1所述基于出租车司机综合满意度的智能调度方法,其特征在于:所述步骤2中包括:
S2.1、确定出租车司机的平均收入:
出租车司机的收入是影响司机决策最重要的因素之一;考虑到不同选择下司机收益不同,但相应的行驶时间也不同,难以比较;本发明引用平均收入,即平均每小时司机的收入,来表征不同选择对司机收入的影响,由于市区到机场的距离往往远大于出租车的起步里程,为简化模型,本发明将起步费折算进出租车司机单位路程收取的乘车费用中;
a)若选择为:前往到达区排队等待载客—返回市区,则平均收入WAi为:
其中,ai为出租车司机i单位路程收取的乘车费;qi为出租车司机i行驶单位路程所消耗的成本;sbac,i为出租车司机i返回市区所需要的路程;di为出租车司机i在等待情况下单位时间所消耗的油量;p为单位油量的价格;hbac,i为出租车司机i返回市区所耗费的时间;hwai,i为出租车司机i排队等待时间;
b)若选择为:直接放空返回市区拉客—机场,则平均收入WBi为:
其中,sgo,i为出租车司机i前去机场所耗费的路程;sfin,i为出租车司机i在市区寻找乘客所需要的路程;hgo,i为出租车司机i前去机场所耗费的时间;hfin,i为出租车司机i在市区寻找乘客所需要的时间;hbac,i为出租车司机i返回市区所耗费的时间;
引用决策变量λ,则一次决策下,司机的平均收入Wi表示为:
Wi=λWAi+(1-λ)WBi;
其中,Wi为司机的平均收入;WAi为司机选择为排队等待载客下的平均收入;WBi为司机选择为直接放空返回市区拉客下的平均收入;λ为决策变量;
S2.2、确定出租车司机的空载时间:
现有的影响出租车司机决策的相关因素大多只采用了等待时间,但实际上,出租车任何空载的时间都会影响司机的运营收入,若选择决策中忽略司机的其他空载时间,将严重影响司机的满意度;
a)若选择为:前往到达区排队等待载客—返回市区,其空载时间受排队出租车和乘客数量多少的影响,实际上为其排队等待时间,则空载时间TAi为:
其中,Mi为出租车司机i前面排队出租车辆数;Nav,i为出租车司机i所处时间段的机场平均客流量;αi为每两次人潮所间隔的时间;βi为经验误差参数,用于修正模型;t为平均每人上车的时间;
b)若选择为:直接放空返回市区拉客—机场,其空载时间为出租车返回市区的时间和寻找乘客的时间之和,则空载时间TBi为:
TBi=hbac,i+hfin,i;
其中,TBi为司机选择为直接放空返回市区拉客下的空载时间;hbac,i为出租车司机i返回市区所耗费的时间;hfin,i为出租车司机i在市区寻找乘客所需要的时间;
引用决策变量λ,则一次决策下,司机的空载时间Ti可表示为:
Ti=λTAi+(1-λ)TBi;
其中,Ti为司机的空载时间;TAi为司机选择为排队等待载客下的空载时间;TBi为司机选择为直接放空返回市区拉客下的空载时间;λ为决策变量;
S2.3、确定出租车司机的空载行驶里程:
通常,出租车的使用寿命受行驶里程的影响,而且行驶过程中存在很多不稳定因素,因此本发明将空载行驶里程设置为影响出租车司机决策的因素:
a)若选择为:前往到达区排队等待载客—返回市区,则空载行驶里程LAi为:
LAi=0;
b)若选择为:直接放空返回市区拉客—机场,则空载行驶里程LBi为:
LBi=sbac,i+sfin,i
其中,sfin,i为出租车司机i在市区寻找乘客所需要的路程;sbac,i为出租车司机i返回市区所耗费的路程;
引用决策变量λ,则一次决策下,司机的空载行驶里程Li可表示为:
Li=λLAi+(1-λ)LBi
其中,Li为司机的空载行驶里程;LAi为司机选择为排队等待载客下的空载行驶里程;LBi为司机选择为直接放空返回市区拉客下的空载行驶里程;λ为决策变量。
3.根据权利要求1所述基于出租车司机综合满意度的智能调度方法,其特征在于:所述步骤3包括:
S3.1、根据出租车司机对平均收入、等待时间和空载行驶里程偏好不同,可将司机分为收入偏好型、时间偏好型、里程偏好性,将各指标进行标准化和归一化处理后,确定基于出租车司机综合满意度智能决策方法的目标函数:
maxDi=ω1DWi+ω2DTi+ω3DLi;
其中,Di为出租车司机i的综合满意度;ω1、ω2、ω3分别为收入指标权重、时间指标权重和里程指标权重;当ω1最大时,司机为收入偏好型;当ω2最大时,司机为时间偏好型;当ω3最大时,司机为里程偏好性;DWi、DTi、DLi分别为数据处理后司机的平均收入、空载时间、空载行驶里程,也可作为司机对平均收入、空载时间、空载行驶里程满意程度的量化;
S3.2、确定约束条件;约束条件包括:
①、出租车司机i返回市区所耗费的时间等于其对应行驶里程与车速的比值:
其中,sbac,i为出租车司机i返回市区所需要的路程;vi为出租车司机i的车速;
②、出租车司机i前去机场所耗费的时间等于其对应行驶里程与车速的比值:
其中,hgo,i为出租车司机i前去机场所耗费的时间;sgo,i为出租车司机i前去机场所耗费的路程;vi为出租车司机i的车速;
③、出租车司机i在市区寻找乘客所需要的时间等于市区拥挤度乘上相应的比例系数:
hfin,i=kc;
其中,hfin,i为出租车司机i在市区寻找乘客所需要的时间;k为比例系数;c为市区拥挤度;
④、出租车司机i在市区寻找乘客所需要的路程等于其对应时间与车速的乘积:
sfin,i=hfin,ivi;
其中,sfin,i为出租车司机i在市区寻找乘客所需要的路程;hfin,i为出租车司机i在市区寻找乘客所需要的时间;vi为出租车司机i的车速;
⑤、为保障安全,出租车车速限定在一定范围内:
vmin≤vi≤vmax;
其中,vi为出租车司机i的车速;vmin为出租车车速所允许的最小值;vmax为出租车车速所允许的最大值;
⑥、假设出租车司机返回市区后,按一定的半径进行搜索:
0≤sfin,i≤r;
⑦、出租车司机i所处任意时间段的机场平均客流量为正数:
Nav,i≥0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911038229.3A CN111160597B (zh) | 2019-10-29 | 2019-10-29 | 基于出租车司机综合满意度的智能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911038229.3A CN111160597B (zh) | 2019-10-29 | 2019-10-29 | 基于出租车司机综合满意度的智能调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160597A CN111160597A (zh) | 2020-05-15 |
CN111160597B true CN111160597B (zh) | 2022-06-21 |
Family
ID=70555895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911038229.3A Active CN111160597B (zh) | 2019-10-29 | 2019-10-29 | 基于出租车司机综合满意度的智能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160597B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705844A (zh) * | 2021-09-07 | 2021-11-26 | 首约科技(北京)有限公司 | 一种机场范围内派单公平性的司机排队策略方法 |
CN115457793B (zh) * | 2022-08-31 | 2023-06-23 | 东风悦享科技有限公司 | 一种应用于公交调度中始发站非均匀发车的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544834A (zh) * | 2013-11-14 | 2014-01-29 | 孙林 | 一种基于gps轨迹的出租车寻客策略选优方法 |
WO2016008391A1 (zh) * | 2014-07-15 | 2016-01-21 | 北京东方车云信息技术有限公司 | 在网络租车系统中为他人订车的方法和系统 |
CN108171961A (zh) * | 2017-11-30 | 2018-06-15 | 中国科学院自动化研究所 | 网约车和出租车的综合调度系统及方法 |
CN110136427A (zh) * | 2019-04-23 | 2019-08-16 | 广东工业大学 | 一种基于车联网大数据的自动驾驶出租车调度系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8442848B2 (en) * | 2011-03-09 | 2013-05-14 | David Myr | Automatic optimal taxicab mobile location based dispatching system |
CN106682783A (zh) * | 2017-01-03 | 2017-05-17 | 青岛海信网络科技股份有限公司 | 一种蓄车场内出租车候车时间的预测方法及装置 |
US20180260787A1 (en) * | 2017-03-13 | 2018-09-13 | GM Global Technology Operations LLC | Systems, methods and devices for driver-rider matching adaptable to multiple rideshare models |
-
2019
- 2019-10-29 CN CN201911038229.3A patent/CN111160597B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544834A (zh) * | 2013-11-14 | 2014-01-29 | 孙林 | 一种基于gps轨迹的出租车寻客策略选优方法 |
WO2016008391A1 (zh) * | 2014-07-15 | 2016-01-21 | 北京东方车云信息技术有限公司 | 在网络租车系统中为他人订车的方法和系统 |
CN108171961A (zh) * | 2017-11-30 | 2018-06-15 | 中国科学院自动化研究所 | 网约车和出租车的综合调度系统及方法 |
CN110136427A (zh) * | 2019-04-23 | 2019-08-16 | 广东工业大学 | 一种基于车联网大数据的自动驾驶出租车调度系统 |
Non-Patent Citations (1)
Title |
---|
基于灰色关联分析的高效益决策模型;邓婉君;《中国高新区》;20191010;第264页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111160597A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109416879B (zh) | 一种优先短停的泊位分级动态定价方法 | |
US11386359B2 (en) | Systems and methods for managing a vehicle sharing facility | |
CN106991492B (zh) | 一种北方气候快充纯电动公交车运营调度优化方法 | |
CN107103383B (zh) | 一种基于打车热点的动态拼车调度方法 | |
CN102542841B (zh) | 一种停车指数计算及发布方法 | |
GB2535718A (en) | Resource management | |
CN111160597B (zh) | 基于出租车司机综合满意度的智能调度方法 | |
CN104809867A (zh) | 基于行驶线路契合度的合乘拼车智能实时撮合系统及方法 | |
CN111340406A (zh) | 基于od客流的公交动态编排模型的实现方法及系统 | |
US20200210905A1 (en) | Systems and Methods for Managing Networked Vehicle Resources | |
Xiong et al. | Understanding operation patterns of urban online ride-hailing services: A case study of Xiamen | |
EP3477564A1 (en) | Vehicle ride share assist system | |
CN111397620A (zh) | 快充/慢充模式下的电动汽车充电导航方法及系统 | |
CN111553530A (zh) | 一种城际网约车包车出行运力预测与出行推荐方法及系统 | |
CN110889591A (zh) | 一种机场出租车载客问题的决策方法 | |
CN106682759B (zh) | 针对电动出租车的电池供应系统及网络优化方法 | |
CN110704731B (zh) | 一种充电桩链式推荐方法和装置 | |
Wei et al. | On ride-sourcing services of electric vehicles considering cruising for charging and parking | |
CN112241809A (zh) | 一种卷烟物流配送线路优化方法 | |
CN112498164A (zh) | 充电策略的处理方法和装置 | |
CN115049272A (zh) | 一种基于电池交换进行中间站充电的电动公交调度方法 | |
CN111079008B (zh) | 出租车司机在蓄车池去留的方案推荐方法及系统 | |
CN113947245A (zh) | 一种基于订单累积量的多乘客多司机共乘匹配方法及系统 | |
CN111047159B (zh) | 一种机场出租车载客分配方法 | |
CN112183791A (zh) | 网约车调度方法、装置、电子设备及存储介质 |
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 |