CN111160747A - 机器人出租车的调度方法、装置、电子设备与存储介质 - Google Patents
机器人出租车的调度方法、装置、电子设备与存储介质 Download PDFInfo
- Publication number
- CN111160747A CN111160747A CN201911337997.9A CN201911337997A CN111160747A CN 111160747 A CN111160747 A CN 111160747A CN 201911337997 A CN201911337997 A CN 201911337997A CN 111160747 A CN111160747 A CN 111160747A
- Authority
- CN
- China
- Prior art keywords
- dispatching
- scheduling
- vehicle
- area
- vehicles
- 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.)
- Granted
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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了机器人出租车的调度方法、装置、电子设备与存储介质,涉及自动驾驶领域。具体实现方案为:统计调度区域的当前时间片的统计订单量;根据所述调度区域的所述当前时间片的统计订单量以及预先训练好的订单预测模型,预测对应的所述调度区域的下一时间片的预测订单量;基于所述调度区域的所述下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度。本申请可以弥补现有技术的不足,提供一种有效地机器人出租车的调度方案。而且,本申请的调度方案能够准确有效地对机器人出租车进行调度,有效地保证机器人出租车的调度效果,提高调度效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及自动驾驶技术领域,特别涉及一种机器人出租车的调度方法、装置、电子设备与存储介质。
背景技术
随着近年来无人驾驶车辆的火热,无人驾驶出租车即机器人出租车(robotaxi)在理论上也变得可能。而且相对于驾驶员运营车辆,robotaxi的一个显著优势是工作时间无限制,可以接受全局统一调度,不会因个体利益而不接单。
但是,现有技术在又缺乏robotaxi的相关调度方案,因此,亟需提供一种适用于robotaxi的车辆调度方案。
发明内容
为了解决上述技术问题,本申请提供一种机器人出租车的调度方法、装置、电子设备与存储介质,用于弥补现有技术的不足,提供一种机器人出租车的调度方案。
一方面,本申请提供一种机器人出租车的调度方法,包括:
统计调度区域的当前时间片的统计订单量;
根据所述调度区域的所述当前时间片的统计订单量以及预先训练好的订单预测模型,预测对应的所述调度区域的下一时间片的预测订单量;
基于所述调度区域的所述下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度。
进一步可选地,如上所述的方法中,基于所述调度区域的下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度,包括:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置;
根据所述目标位置获取对应于电子地图的POI;
将所述调度车辆调度至所述POI上。
进一步可选地,如上所述的方法中,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置,包括:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否存在满足散群条件的参考区域;
若存在,随机抽取所述参考区域内第一预设比例的车辆作为调度车辆,以进行散群调度;
对于随机抽取的各所述调度车辆,采用所述人工鱼群算法判断所述调度车辆是否满足追尾觅食调度的条件;
若满足,获取所述调度车辆的目标位置,以进行追尾觅食调度。
进一步可选地,如上所述的方法中,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否存在满足散群条件的参考区域,包括:
在所述调度区域内,检测预设半径大小的所述参考区域范围内、是否存在大于预设数量的车辆;
若存在,确定在所述参考区域内存在群;
基于所述调度区域的所述下一时间片的预测订单量,获取所述参考区域的中心位置的订单需求量和所述参考区域内各所述车辆所在位置的订单需求量;
并判断所述中心位置的订单需求量是否小于所述参考区域内的所有车辆所在位置的订单需求量的均值的第二预设比例;
若是,确定所述调度区域中存在满足散群条件的所述参考区域,否则,不存在。
进一步可选地,如上所述的方法中,对于随机抽取的各所述调度车辆,采用所述人工鱼群算法判断所述调度车辆是否满足追尾觅食调度的条件,包括:
对于随机抽取的各所述调度车辆,在移动距离阈值范围内搜寻包括的所有参考车辆中各参考车辆所在的位置,取所述移动距离阈值范围内包括的所有参考车辆的数量为n,n为正整数;
基于所述调度区域的所述下一时间片的预测订单量,分别获取n个参考车辆中各所述参考车辆所在位置对应的订单需求量以及当前抽取的所述调度车辆所在位置的订单需求量;
基于所述n个参考车辆中各所述参考车辆所在位置对应的订单需求量,获取n个所述订单需求量中的最优值F_opt;
判断所述最优值F_opt是否大于alpha*F_current,其中F_current当前抽取的所述调度车辆所在位置的订单需求量,alpha为预设的参数;
若是,确定所述调度车辆满足追尾觅食调度的条件;
对应地,获取所述调度车辆的目标位置,包括:
将所述最优值F_opt对应的所述参考车辆的位置作为当前抽取的所述调度车辆的目标位置。
进一步可选地,如上所述的方法中,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置,包括:
对于所述调度区域内的所述调度车辆,随机选择权重;
判断所述权重是否小于预设权重阈值;
若是,在移动距离阈值范围内随机选取一位置作为所述目标位置,以对所述调度车辆进行随机移动调度。
进一步可选地,如上所述的方法中,所述方法还包括:
若所述权重大于或者等于所述预设权重阈值,在所述移动距离阈值范围内随机选取多个候选位置;
基于所述调度区域的所述下一时间片的预测订单量,获取各所述侯选位置的订单需求量;
根据各所述侯选位置的订单需求量,选取所述订单需求量最大的所述侯选位置,作为所述目标位置,以对所述调度车辆进行独立觅食调度。
进一步可选地,如上所述的方法中,对于所述调度区域内的所述调度车辆,随机选择权重之前,所述方法还包括:
确定所述调度车辆不满足追尾觅食调度的条件。
进一步可选地,如上所述的方法中,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置,包括:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否满足聚群的条件;
若满足,获取所述调度车辆调度的所述目标位置,以进行聚群调度。
进一步可选地,如上所述的方法中,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否满足聚群的条件,包括:
以所述调度区域内的任意一当前车辆的当前位置为中心,预设长度阈值为半径,计算覆盖区域中包括的车辆数目m,所述m为正整数;
判断所述车辆数目是否超过预设车辆数阈值的第三预设比例;
若未超过,取所述覆盖区域内的所有车辆位置的质心位置;
基于所述调度区域的下一时间片的预测订单量,计算所述质心位置的订单需求量和所述当前车辆的当前位置的订单需求量;
并判断所述质心位置的订单需求量对所述车辆数目m取平均的平均值,是否大于所述当前车辆的当前位置的订单需求量的预设倍数;
若是,确定所述调度区域中满足聚群的条件;
对应地,获取所述调度车辆调度的所述目标位置,包括:
将所述覆盖区域的内的所有车辆作为调度车辆,以所述质心位置作为所述调度车辆的目标位置,以进行聚群调度。
进一步可选地,如上所述的方法中,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置之后,根据所述目标位置获取对应于电子地图的POI之前,所述方法还包括:
判断并确定所述调度车辆的当前位置到所述目标位置之间的距离大于预设距离阈值,且判断并确定所述目标位置未超出所有调度区域的边界。
进一步可选地,如上所述的方法中,所述方法还包括:
统计各所述调度区域在一天开工中的第一个时间片的历史统计订单量;
根据各所述调度区域的所述历史统计订单量,从中心网点向各所述调度区域调度车辆。
另一方面,本申请还提供了一种机器人出租车的调度装置,包括:
统计模块,用于统计调度区域的当前时间片的统计订单量;
预测模块,用于根据所述调度区域的所述当前时间片的统计订单量以及预先训练好的订单预测模型,预测对应的所述调度区域的下一时间片的预测订单量;
调度模块,用于基于所述调度区域的所述下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度。
再一方面,本申请还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上任一项所述的方法。
又一方面,本申请还提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上任一项所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:通过统计调度区域的当前时间片的统计订单量;并根据调度区域的当前时间片的需求订单量统计订单量以及预先训练好的订单预测模型,预测对应的调度区域的下一时间片的预测订单量;并基于调度区域的所述下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度,可以弥补现有技术的不足,提供一种有效地机器人出租车的调度方案。而且,本申请的调度方案能够准确有效地对机器人出租车进行调度,有效地保证机器人出租车的调度效果,提高调度效率。
进一步地,本申请采用人工鱼群算法对车辆进行调度时,可以基于调度区域的所述下一时间片的预测订单量,实现散群调度、追尾觅食调度、随机移动调度、独立觅食调度以及聚群调度等等方案,能够满足实际应用场景中的各种调度需求,从而能够有效地保证机器人出租车的调度效率。
进一步地,本申请还可以对调度区域中的每个时间片的调度效果进行评估,并基于评估结果动态调整下一时间片的调度方案,从而能够进一步提高调度效率。
进一步地,本申请不仅可以对调度区域中的每个调度车辆进行微观调度,还可以对整体的调度区域进行宏观调度,能够满足实际应用场景的需求,保证车辆调度效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的机器人出租车的调度方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1为本申请第一实施例提供的机器人出租车的调度方法的流程图。如图1所示,本实施例的机器人出租车的调度方法,具体可以包括如下步骤:
S101、统计调度区域的当前时间片的统计订单量;
本实施例的机器人出租车的调度方法的执行主体为机器人出租的调度装置,该调度装置具体可以设置在机器人出租车的控制中心,以对所控制的地理区域的所有机器人出租车进行调度。
也就是说,本实施例的应用场景可以是在具体的地理区域中。例如北京、上海、广州等,每个城市所包围的地理区域可以设置一个机器人出租车的控制中心,在该控制中心设置有机器人出租车的调度装置,用于对该地理区域的机器人出租车进行调度。
而且,在实际应用中,如果一个城市的地理区域非常大,整个城市作为一个调度区域来调度机器人出租车显然不现实。因此,本实施例中,还可以将一个地理区域分为多个调度区域进行调度。例如,可以以地理区域的城市经济中心为中心点,建立正方形网格,通过meanshift算法将整个行政区划分为几个核心调度区域及远离这些核心调度区域的非调度区域,并确定一组机器人出租车的车辆初始或收工时停靠的中心网点的分布。其中非调度区域一般位于城市的边缘和出行需求非常稀少的区域或类似于机场、较偏僻的火车站等,不主动调度车辆向这些方向运动,对这些区域可以采用预约形式进行专门调度,或在车辆到达这些区域的返程进行就近派单。本实施例中,划分调度区域时建立的正方形网格的尺寸可以为2km*2km,或者其他尺寸。当然也可以采用其他形状,其他尺寸的网格,在此不再一一举例赘述。
为了便于描述机器人出租车的调度,本实施例中以在任意一个调度区域为例,地机器人出租车进行调度。
另外,本实施例中,为了调度方便,可以将时间切分成时间片,每个时间片的长度为10-30分钟。
本实施例中,可以先统计并分析当前时间片的统计订单量。其中当前时间片的统计订单量可以统计当前时间片中已发生的订单量、以及采集到的用户的订单需求但还未产生订单的需求订单量的总和,作为当前时间片的统计订单量。例如,为了保证统计的当前时间片的统计订单量的准确性,该统计可以发生在当前时间片快要结束的时间段。
S102、根据调度区域的当前时间片的统计订单量以及预先训练好的订单预测模型,预测对应的调度区域的下一时间片的预测订单量;
例如,订单预测模型输入的特征,可以至少包括t时间片的统计订单量。如果订单预测模型基于这部分特征训练的,输入这部分特征,该订单预测模型便可以预测出下一时间片的预测订单量。
上述仅基于当前时间片的特征来预测下一时间片的特征的方式,准确性欠佳,因此,进一步地可选地,为了预测的下一时间片的预测订单量更加准确,本实施例的该订单预测模型,还可以获取并输入如下至少一个特征:
至少一个历史时间片的历史统计订单量;
t时间片的统计订单量增长率、至少一个历史时间片的统计订单量增长率;
历史上t+1时间片的历史统计订单量;
当前的日期是每周的第几天、及是否节假日的时间特征;
历史上一天内所有时间片的统计订单量分布占比;
当前时间片上的天气状况和污染指数分级;以及
当前调度区域用途或类型相关的特征,如当前调度区域的POI类型。
针对各历史时间片的历史统计订单量的统计,可以先采集历史上一段时间如一个月、一季度或者其他时间长度的所有历史数据,这里的历史数据可以包括这段历史时间内的所有订单量、每个订单发生的时刻、以及采集的所有的未产生订单的需求量与每个需求发生的时刻,例如这里的需求可以为用户发出一个订单请求,但是未被接单即未生成订单,或者还可以包括通过对其他数据进行分析,采集到的用户的订单需求。然后可以按照本实施例的时间片的划分方式,获取历史时间内每个时间片的统计订单量。再基于历史数据统计每个时间片的平均统计订单量,作为该时间片的历史统计订单量。本实施例中获取的至少一个历史时间片的历史统计订单量,即为至少一个最近邻的历史时间片的在历史时间段内的平均统计订单量。例如,本实施例中,如当前时间片为时间片t,可以取当前时间片向前的最近邻的3个历史时间片t-1、t-2和t-3时间片,作为至少一个最近邻的历史时间片,或者根据实际需求,还可以取最近邻的6个历史时间片或者取最近邻的其他数量的历史时间片,在此不再一一举例赘述。
其中,增长率可以基于统计得到的统计订单量计算出来。历史上t+1时间片的历史统计订单量,可以按照上述方式历史时间片的历史统计订单量,可以获取到下一个时间片的历史统计订单量,即为历史一段时间内、下一个时间片对应的平均统计订单量。历史上一天内所有时间片的统计订单量分布占比可以基于统计得到的一天内每个时间片的平均统计订单量,分析得到。当前时间片上的天气状况和污染指数分级可以从天气预告信息中获取。由于实际场景中,购物商场、办公、餐饮等场所分布都比较集中,上述调度区域可以为当前调度区域内最主要的POI类型。
需要说明的是,训练该订单预测模型时采用了哪些特征,在使用该订单预测模型预测下一时间片的预测订单量,便需要相应的那些特征。
另外,该订单预测模型的训练过程与预测过程原理类似,具体地,采集数条训练数据,每条训练数据包括输入的特征信息以及标注的下一时间片的订单量。本实施例中采集的训练数据的条数可以达到百万数量级以上,采集的训练数据越多,训练的订单预测模型越准确。
训练时,将各条训练数据中的输入的特征信息输入至订单预测模型,该订单预测模型可以基于输入的信息预测下一时间片的预测订单量,然后将预测订单量和标注的订单量相比,判断两者是否一致,若不一致,调整订单预测模型的参数,使得两者一致。按照上述方式,采用数条训练数据不断地对该订单预测模型进行训练,直到预测的订单量与标注的订单量始终一致,订单预测模型训练结束,此时确定订单预测模型的参数,进而确定订单预测模型。训练好的订单预测模型在使用时,获取并输入与训练时采用的相应的特征信息,便可以准确预测出下一时间片的预测订单量。
本实施例的订单预测模型可以采用LASSO等各种回归算法或支持向量机(SupportVector Machine;SVM)的神经网络模型。
本实施例中,以地理区域内的任意一个调度区域为研究对象,对应地,可以预测到该调度区域内的下一时间片的预测订单量。
S103、基于调度区域的下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度。
本实施例中,可以将机器人出租车的每一个车辆理解为鱼群中的个体,而出行订单和需求订单理解为食物,可以采用人工鱼群算法对车辆进行调度。该调度方式为一个调度区域的微观调度,该调度方式可以针对调度区域内的每一个车辆进行调度,调度非常准确,且调度效率非常高。
图2为本申请第二实施例的流程图。如图2所示,本实施例中详细介绍了上述图1所示实施例中的步骤S103基于调度区域的下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度的一种具体实现方式,具体可以包括如下步骤:
S201、基于调度区域的下一时间片的预测订单量,采用人工鱼群算法获取调度车辆调度的目标位置;
S202、根据目标位置获取对应于电子地图的兴趣点(Point of Interest;POI);
S203、将调度车辆调度至POI上。
本实施例在对每一个调度车辆的调度过程中,首先需要获取调度车辆要调度到的目标位置,由于本实施例的调度是基于电子地图上来实现的,该目标位置可以为该目标位置地理坐标,如经纬度等信息。而对于车辆而言,调度时告知其地理坐标是无法实现对车辆的调度,因此,在获取到目标位置后,还需要基于该目标位置,获取对应于电子地图的POI,具体地,可以根据目标位置从电子地图中获取对应于电子地图的POI;或者也可以是根据目标位置从预先存储的目标位置与POI的对应关系中获取对应于电子地图的POI。也就是说,只要能够获取到基于电子地图的地理位置与POI的映射关系,便可以获取到该目标位置上对应的POI,该POI能够唯一标识该目标位置。这样,调度时,向该调度车辆发送携带该目标位置的POI,由该调度车辆导航值该POI上,便可以实现将调度车辆调度至该POI上。或者也可以由机器人出租车的调度装置,在得到该POI后,获取相应的导航路径,并基于导航路径引导该调度车辆运行到该POI上。
进一步可选地,在步骤S201基于调度区域的下一时间片的预测订单量,采用人工鱼群算法获取调度车辆调度的目标位置之后,在步骤S202基于电子地图,将目标位置映射至POI上之前,还可以包括:判断调度车辆的当前位置到目标位置之间的距离是否大于预设距离阈值,以及判断目标位置是否超出所有调度区域的边界;
本实施例的预设距离阈值可以根据实际需求来设置,例如可以为300米、500米、800米或者其他距离值,也就是说,如果目标位置到调度车辆的距离足够近的时候,此时可以不对车辆进行调度。
另外,本实施例中还可以判断目标位置是否超出调度区域的边界,即进入非调度区域,本实施例中,考虑到非调度区域的车辆需求少,不向非调度区域调度车辆。
若调度车辆的当前位置到目标位置之间的距离大于预设距离阈值,且确定目标位置未超出所有调度区域的边界,才可以对调度车辆进行调度,否则不对调度车辆进行调度,调度车辆驻留等待即可。
图3为本申请第三实施例的流程图。如图3所示,本实施例详细介绍上述实施例中的步骤S201基于调度区域的下一时间片的预测订单量,采用人工鱼群算法获取调度车辆调度的目标位置的具体实现方式,具体可以包括如下步骤:
S301、基于调度区域的下一时间片的预测订单量,采用人工鱼群算法判断调度区域中是否存在满足散群条件的参考区域;若存在,执行步骤S302;否则,执行步骤S311;
例如,该步骤S301具体可以包括如下步骤来实现:
(a)在调度区域内,检测预设半径大小的参考区域范围内、是否存在大于预设数量的车辆;若存在,执行步骤(b);否则,暂不在该参考区域执行散群操作,返回步骤(a)继续判断调度区域内的其他参考区域。
本实施例的预设半径、预设数量均可以根据实际经验来设置。
(b)确定在参考区域内存在群;执行步骤(c);
(c)基于调度区域的下一时间片的预测订单量,获取参考区域的中心位置的订单需求量和参考区域内各车辆所在位置的订单需求量;执行步骤(d);
本实施例中,参考区域的中心位置以及参考区域内各车辆所在位置的订单需求量可以分如下两种情况来获取:
第一种情况:若该位置位于当前调度区域内、但距离相邻调度区域的边界超过移动距离阈值的,该移动距离阈值为一个车辆在一个时间片长度范围内可以移动的最大距离,例如根据实际经验,可以取3-5km。也就是说,此种情况下该位置的车辆仅用于在该调度区域调度。
第二种情况:若该位置位于当前调度区域、但距离相邻调度区域的边界未超过移动距离阈值的,此时该位置的订单需求量还需要考相邻调度区域的订单需求量,一起来决定。例如,此时该位置的订单需求量可以采用公式来表示,即取所有能够调度该位置的调度区域在该点的订单需求量的和。
(d)并判断中心位置的订单需求量是否小于参考区域内的所有车辆所在位置的订单需求量的均值的第二预设比例;若是,确定调度区域中存在满足散群条件的参考区域,否则,返回步骤(a)继续进行分析,直到调度区域内的所有参考区域均被分析,都不满足散群的条件,此时才能确定调度区域中不存在满足散群条件的参考区域。
例如,本实施例的第二预设比例可以根据经验选取为0.7、08或者其他预设比例值。
S302、随机抽取参考区域内第一预设比例的车辆作为调度车辆,以进行散群调度;执行步骤S303;
按照上述方式,若检测到调度区域内存在需要散群的参考区域,具体散群时,可以取该参考区域中第一预设比例的车辆作为调度车辆,以将调度车辆调度至原理该参考区域,实现散群调度。本实施例的第一预设比例的数值的选取也可以根据实际经验来选取,例如可以为0.2、0.3或者其他数值,在此不做限定。
S303、对于随机抽取的各调度车辆,采用人工鱼群算法判断调度车辆是否满足追尾觅食调度的条件;若满足,执行步骤S304;否则,不满足追尾觅食调度条件时,执行步骤S305;
S304、获取调度车辆的目标位置,以进行追尾觅食调度,结束。
按照上述实施例的方式,获取到散群调度时要调度的调度车辆,然后可以判断这些调度车辆中每一个调度车辆是否可以执行追尾觅食调度。
例如,该步骤S303,具体可以包括如下步骤:
(1)对于随机抽取的各调度车辆,在移动距离阈值范围内搜寻包括的所有参考车辆中各参考车辆所在的位置,取移动距离阈值范围内包括的所有参考车辆的数量为n,n为正整数;
本实施例中,对于各调度车辆,不改变该调度车辆的行驶方向,直接沿着行驶方向向前(可以左右转弯)取移动距离阈值的距离,然后搜寻该移动距离阈值范围内的现有的所有参考车辆的位置,以判断当前调度的车辆是否需要跟随一个所在位置的订单需求最多的车辆进行追尾觅食。
(2)基于调度区域的下一时间片的预测订单量,分别获取n个参考车辆中各参考车辆所在位置对应的订单需求量以及当前抽取的调度车辆所在位置的订单需求量;
本实施例的机器人出租车的调度装置可以对每个车辆进行跟踪,自然可以获取到每个参考车辆的位置。并按照上述实施例中所述的各位置的订单需求量的获取方式,获取各参考车辆所在位置的订单需求量。对应地,若获取到n个参考车辆,可以获取到n个参考车辆中每个参考车辆所在的位置的订单需求量,共可以获取到n个位置的订单需求量。按照同样的方式,可以获取到当前抽取的调度车辆所在位置的订单需求量。
(3)基于n个参考车辆中各参考车辆所在位置对应的订单需求量,获取n个订单需求量中的最优值F_opt;
具体地,可以从n个位置的订单需求量中获取最大值,作为最优值F_opt。
(4)判断最优值F_opt是否大于alpha*F_current,其中F_current当前抽取的调度车辆所在位置的订单需求量,alpha为预设的参数;若是,确定调度车辆满足追尾觅食调度的条件;否则,确定调度车辆不满足追尾觅食调度的条件。
此时,对应地步骤S304获取调度车辆的目标位置,具体可以包括将最优值F_opt对应的参考车辆的位置作为当前抽取的调度车辆的目标位置,以进行追尾觅食调度。
对于随机调度的每一个调度车辆,若满足追尾觅食调度的条件,都可以按照上述方式获取调度的目标位置,然后调度时,向该调度车辆发送该目标位置,控制车辆移动到该目标位置,实现对调度车辆的调度。
S305、对于调度区域内的调度车辆,随机选择权重;执行步骤S306;
S306、判断权重是否小于预设权重阈值;若是,执行步骤S307;否则,执行步骤S308;
S307、在移动距离阈值范围内随机选取一位置作为目标位置,以对调度车辆进行随机移动调度,结束。
S308、在移动距离阈值范围内随机选取多个候选位置;执行步骤S309;
S309、基于调度区域的下一时间片的预测订单量,获取各侯选位置的订单需求量;执行步骤S310;
S310、根据各侯选位置的订单需求量,选取订单需求量最大的侯选位置,作为目标位置,以对调度车辆进行独立觅食调度,结束。
上述步骤S301-S304分别执行了散群调度和追尾觅食调度。从S305-S310步骤执行随机移动调度和独立觅食调度。具体地,具体采用哪种调度方式,可以采用一个随机权重来判断,并预设一个权重阈值,该权重阈值可以根据想要执行两种调度方式的概率来设置,例如可以设置该权重阈值为0.3、0.4或者其他大于0且小于1的其他数值。
S311、基于调度区域的下一时间片的预测订单量,采用人工鱼群算法判断调度区域中是否满足聚群的条件;若满足,执行步骤S312;否则,若不满足,暂时不对该调度区域做聚群操作,结束。
例如,该步骤S311具体可以包括如下步骤:
(A)以调度区域内的任意一当前车辆的当前位置为中心,预设长度阈值为半径,计算覆盖区域中包括的车辆数目m,m为正整数;执行步骤(B);
本实施例的预设长度阈值可以为移动距离阈值,也可以为覆盖一定区域如一平方公里的半径长度,或者还可以为其他长度,在此不做限定。
(B)判断车辆数目是否超过预设车辆数阈值的第三预设比例;若未超过,执行步骤(C);否则,若超过,则确定当前车辆为中心的覆盖区域不需要聚群,返回步骤(A)选择其他车辆继续判断。
本实施例的预设车辆数阈值可以根据历史数据统计出来的中心网点管控的车辆的总数或者还可以为根据历史经验设置的车辆总数,或者还可以通过其他方式设置的其他车辆总数,在此不做限定。其中第三预设比例也可以根据实际经验来设置,在此不做限定。
(C)取覆盖区域内的所有车辆位置的质心位置;执行步骤(D);
该质心位置的获取可以基于该覆盖区域内所有车辆的位置,采用数学计算的方式来获取,在此不再赘述。
(D)基于调度区域的下一时间片的预测订单量,计算质心位置的订单需求量和当前车辆的当前位置的订单需求量;执行步骤(E);
质心位置的订单需求量和当前车辆的当前位置的订单需求量的计算,详细可以参考上述实施例中任一位置的订单需求量的计算方式,在此不再赘述。
(E)并判断质心位置的订单需求量对车辆数目m取平均的平均值,是否大于当前车辆的当前位置的订单需求量的预设倍数;若是,确定调度区域内满足聚群的条件。否则,若不大于,则确定调度区域内将覆盖区域的内的所有车辆作为调度车辆,以质心位置作为调度车辆的目标位置,以当前车辆的当前位置为中心的覆盖区域不满足聚群条件,此时返回步骤(A)选择其他车辆继续判断,直到该调度区域内的所有车辆均分别作为中心,均不满足聚群条件,才确定该调度区域内不需要进行聚群调度。
其中本实施例的预设倍数也可以根据实际经验来设置,在此不做限定。
S312、将覆盖区域的内的所有车辆作为调度车辆,以质心位置作为调度车辆的目标位置,以进行聚群调度。
需要说明的是,上述实施例的调度为对每个调度区域的车辆的微观调度,该微观调度可以发生在每个时间片快要结束,下一个时间片来临前,来及时对车辆进行调度,满足下一时间片的用车需求,提高下一时间片的调度效率。实际应用中,还需要对调度车辆进行一些宏观调度。如可以包括:
(一)统计各调度区域在一天开工中的第一个时间片的历史统计订单量;
(二)根据各调度区域的历史统计订单量,从中心网点向各调度区域调度车辆。
该场景中,从中心网点向该调度区域内调度过去的车辆,可以随机分布在该调度区域的任意位置,在此不做限定。
结合机器出租车的工作规律,机器出租车不可能每天24小时一直工作,需要在每天晚间没有需求的时候,返回中心网点继续保养。并在第二天需求来临前,被调度到各个调度区域。
例如,可以根据实际需求,可以设置每天零点、一点或者两点机器出租车均返回中心网点,也可以设置凌晨4点或者5点中心网点调度部分机器出租车到各个调度区域。本实施例的中心网点用于管理和维护多个近邻的调度区域的所有机器出租车,而且可以在多个近邻调度区域内互相调配机器出租车的数量。调度区域的机器出租车收车后,均返回调度到对应的中心网点。在开工后,也从中心网点被调度到指定的调度区域。
实际应用中,还可以存在其他宏观的调度的方案,例如在某个调度区域临时戒严或者不能通行的其他情况时,将该调度区域的车辆分散调度到其他邻近调度区域中,此时的调度可以不限制调度到邻近调度区域中的哪个具体位置,可以随机调度到邻近调度区域中任一位置即可。
进一步可选地,根据上述实施例的方式,可以基于每个调度区域的每个时间片进行车辆调度。且在每个时间片结束后,还可以将上述提前做出的调度方案和该时间片上真实发生的调度方案进行对比,以对调度效果进行评估。
具体地,对于每个调度区域参考历史时间片的订单特征信息、以及当前时间片的车辆空闲率以及需求命中率等参数来分析并评估该时间片的调度效果。例如历史时间片的订单特征信息可以包括t-1、t-2、t-3、t-4、t-5以及t-6时间片的订单量、订单增长率、累计连续减少或增加时间片数等。其中累计连续减少或增加时间片数即表示累计单方向连续变化的时间片数,可以取最近邻的单方向连续变化的时间片数。
在每个时间片结束后,按照上述评估效果,可以得到该时间片的调度效果为缺车或者车多。进一步地,还可以基于当前时间片的评估效果,对下一时间片的调度车辆进行增减;例如,若评估的调度效果为车多时,则对减少下一时间片调度的车辆;若评估的调度效果为缺车时,则对增加下一时间片调度的车辆。
进一步地,还可以基于全天各时间片的评估,综合得到全局的评估效果,用于供仿真框架模块基于评估效果,确定人工鱼群算法中的各种行为参数。该仿真框架还用于通过动态人工鱼群算法仿真来确定最优的车辆初始数量和最大车辆数量。
本实施例的机器人出租车的调度方法,通过采用上述实施例中的统计调度区域的当前时间片的统计订单量;并根据调度区域的当前时间片的需求订单量统计订单量以及预先训练好的订单预测模型,预测对应的调度区域的下一时间片的预测订单量;并基于调度区域的所述下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度,可以弥补现有技术的不足,提供一种有效地机器人出租车的调度方案。而且,本实施例的调度方案能够准确有效地对机器人出租车进行调度,有效地保证机器人出租车的调度效果,提高调度效率。
进一步地,本实施例采用人工鱼群算法对车辆进行调度时,可以基于调度区域的所述下一时间片的预测订单量,实现散群调度、追尾觅食调度、随机移动调度、独立觅食调度以及聚群调度等等方案,能够满足实际应用场景中的各种调度需求,从而能够有效地保证机器人出租车的调度效率。
进一步地,本实施例还可以对调度区域中的每个时间片的调度效果进行评估,并基于评估结果动态调整下一时间片的调度方案,从而能够进一步提高调度效率。
进一步地,本实施例中不仅可以对调度区域中的每个调度车辆进行微观调度,还可以对整体的调度区域进行宏观调度,能够满足实际应用场景的需求,保证车辆调度效果。
图4为本申请第四实施例的机器人出租车的调度装置的结构图。如图4所示,本实施例的机器人出租车的调度装置400,包括:
统计模块401,用于统计调度区域的当前时间片的统计订单量;
预测模块402,用于根据调度区域的当前时间片的统计订单量以及预先训练好的订单预测模型,预测对应的调度区域的下一时间片的预测订单量;
调度模块403,用于基于调度区域的下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度。
进一步可选地,调度模块403用于:
基于调度区域的下一时间片的预测订单量,采用人工鱼群算法获取调度车辆调度的目标位置;
根据目标位置获取对应于电子地图的POI;
将调度车辆调度至POI上。
进一步可选地,调度模块403用于:
基于调度区域的下一时间片的预测订单量,采用人工鱼群算法判断调度区域中是否存在满足散群条件的参考区域;
若存在,随机抽取参考区域内第一预设比例的车辆作为调度车辆,以进行散群调度;
对于随机抽取的各调度车辆,采用人工鱼群算法判断调度车辆是否满足追尾觅食调度的条件;
若满足,获取调度车辆的目标位置,以进行追尾觅食调度。
进一步可选地,调度模块403用于:
在调度区域内,检测预设半径大小的参考区域范围内、是否存在大于预设数量的车辆;
若存在,确定在参考区域内存在群;
基于调度区域的下一时间片的预测订单量,获取参考区域的中心位置的订单需求量和参考区域内各车辆所在位置的订单需求量;
并判断中心位置的订单需求量是否小于参考区域内的所有车辆所在位置的订单需求量的均值的第二预设比例;
若是,确定调度区域中存在满足散群条件的参考区域,否则,不存在。
进一步可选地,调度模块403用于:
对于随机抽取的各调度车辆,在移动距离阈值范围内搜寻包括的所有参考车辆中各参考车辆所在的位置,取移动距离阈值范围内包括的所有参考车辆的数量为n,n为正整数;
基于调度区域的下一时间片的预测订单量,分别获取n个参考车辆中各参考车辆所在位置对应的订单需求量以及当前抽取的调度车辆所在位置的订单需求量;
基于n个参考车辆中各参考车辆所在位置对应的订单需求量,获取n个订单需求量中的最优值F_opt;
判断最优值F_opt是否大于alpha*F_current,其中F_current当前抽取的调度车辆所在位置的订单需求量,alpha为预设的参数;
若是,确定调度车辆满足追尾觅食调度的条件;
对应地,获取调度车辆的目标位置,包括:
将最优值F_opt对应的参考车辆的位置作为当前抽取的调度车辆的目标位置。
进一步可选地,调度模块403用于:
对于调度区域内的调度车辆,随机选择权重;
判断权重是否小于预设权重阈值;
若是,在移动距离阈值范围内随机选取一位置作为目标位置,以对调度车辆进行随机移动调度。
进一步可选地,调度模块403用于:
若权重大于或者等于预设权重阈值,在移动距离阈值范围内随机选取多个候选位置;
基于调度区域的下一时间片的预测订单量,获取各侯选位置的订单需求量;
根据各侯选位置的订单需求量,选取订单需求量最大的侯选位置,作为目标位置,以对调度车辆进行独立觅食调度。
进一步可选地,调度模块403用于:
确定调度车辆不满足追尾觅食调度的条件。
进一步可选地,调度模块403用于:
基于调度区域的下一时间片的预测订单量,采用人工鱼群算法判断调度区域中是否满足聚群的条件;
若满足,获取调度车辆调度的目标位置,以进行聚群调度。
进一步可选地,调度模块403用于:
以调度区域内的任意一当前车辆的当前位置为中心,预设长度阈值为半径,计算覆盖区域中包括的车辆数目m,m为正整数;
判断车辆数目是否超过预设车辆数阈值的第三预设比例;
若未超过,取覆盖区域内的所有车辆位置的质心位置;
基于调度区域的下一时间片的预测订单量,计算质心位置的订单需求量和当前车辆的当前位置的订单需求量;
并判断质心位置的订单需求量对车辆数目m取平均的平均值,是否大于当前车辆的当前位置的订单需求量的预设倍数;
若是,确定调度区域中满足聚群的条件;
对应地,获取调度车辆调度的目标位置,包括:
将覆盖区域的内的所有车辆作为调度车辆,以质心位置作为调度车辆的目标位置,以进行聚群调度。
进一步可选地,调度模块403用于:
判断并确定调度车辆的当前位置到目标位置之间的距离大于预设距离阈值,且判断并确定目标位置未超出所有调度区域的边界。
进一步可选地,统计模块401还用于统计各调度区域在一天开工中的第一个时间片的历史统计订单量;
调度模块403还用于根据各调度区域的历史统计订单量,从中心网点向各调度区域调度车辆。
本实施例的机器人出租车的调度装置,通过采用上述模块实现机器人出租车的调度的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的实现机器人出租车的调度方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的机器人出租车的调度方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的机器人出租车的调度方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的机器人出租车的调度方法对应的程序指令/模块(例如,附图4所示的相关模块)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的机器人出租车的调度方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储实现机器人出租车的调度方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至实现机器人出租车的调度方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现机器人出租车的调度方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与实现机器人出租车的调度方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过统计调度区域的当前时间片的统计订单量;并根据调度区域的当前时间片的需求订单量统计订单量以及预先训练好的订单预测模型,预测对应的调度区域的下一时间片的预测订单量;并基于调度区域的所述下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度,可以弥补现有技术的不足,提供一种有效地机器人出租车的调度方案。而且,本申请的调度方案能够准确有效地对机器人出租车进行调度,有效地保证机器人出租车的调度效果,提高调度效率。
进一步地,本申请实施例采用人工鱼群算法对车辆进行调度时,可以基于调度区域的所述下一时间片的预测订单量,实现散群调度、追尾觅食调度、随机移动调度、独立觅食调度以及聚群调度等等方案,能够满足实际应用场景中的各种调度需求,从而能够有效地保证机器人出租车的调度效率。
进一步地,本申请实施例还可以对调度区域中的每个时间片的调度效果进行评估,并基于评估结果动态调整下一时间片的调度方案,从而能够进一步提高调度效率。
进一步地,本申请实施例不仅可以对调度区域中的每个调度车辆进行微观调度,还可以对整体的调度区域进行宏观调度,能够满足实际应用场景的需求,保证车辆调度效果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (24)
1.一种机器人出租车的调度方法,其特征在于,包括:
统计调度区域的当前时间片的统计订单量;
根据所述调度区域的所述当前时间片的统计订单量以及预先训练好的订单预测模型,预测对应的所述调度区域的下一时间片的预测订单量;
基于所述调度区域的所述下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度。
2.根据权利要求1所述的方法,其特征在于,基于所述调度区域的下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度,包括:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置;
根据所述目标位置获取对应于电子地图的POI;
将所述调度车辆调度至所述POI上。
3.根据权利要求2所述的方法,其特征在于,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置,包括:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否存在满足散群条件的参考区域;
若存在,随机抽取所述参考区域内第一预设比例的车辆作为调度车辆,以进行散群调度;
对于随机抽取的各所述调度车辆,采用所述人工鱼群算法判断所述调度车辆是否满足追尾觅食调度的条件;
若满足,获取所述调度车辆的目标位置,以进行追尾觅食调度。
4.根据权利要求3所述的方法,其特征在于,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否存在满足散群条件的参考区域,包括:
在所述调度区域内,检测预设半径大小的所述参考区域范围内、是否存在大于预设数量的车辆;
若存在,确定在所述参考区域内存在群;
基于所述调度区域的所述下一时间片的预测订单量,获取所述参考区域的中心位置的订单需求量和所述参考区域内各所述车辆所在位置的订单需求量;
并判断所述中心位置的订单需求量是否小于所述参考区域内的所有车辆所在位置的订单需求量的均值的第二预设比例;
若是,确定所述调度区域中存在满足散群条件的所述参考区域,否则,不存在。
5.根据权利要求3所述的方法,其特征在于,对于随机抽取的各所述调度车辆,采用所述人工鱼群算法判断所述调度车辆是否满足追尾觅食调度的条件,包括:
对于随机抽取的各所述调度车辆,在移动距离阈值范围内搜寻包括的所有参考车辆中各参考车辆所在的位置,取所述移动距离阈值范围内包括的所有参考车辆的数量为n,n为正整数;
基于所述调度区域的所述下一时间片的预测订单量,分别获取n个参考车辆中各所述参考车辆所在位置对应的订单需求量以及当前抽取的所述调度车辆所在位置的订单需求量;
基于所述n个参考车辆中各所述参考车辆所在位置对应的订单需求量,获取n个所述订单需求量中的最优值F_opt;
判断所述最优值F_opt是否大于alpha*F_current,其中F_current当前抽取的所述调度车辆所在位置的订单需求量,alpha为预设的参数;
若是,确定所述调度车辆满足追尾觅食调度的条件;
对应地,获取所述调度车辆的目标位置,包括:
将所述最优值F_opt对应的所述参考车辆的位置作为当前抽取的所述调度车辆的目标位置。
6.根据权利要求5所述的方法,其特征在于,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置,包括:
对于所述调度区域内的所述调度车辆,随机选择权重;
判断所述权重是否小于预设权重阈值;
若是,在移动距离阈值范围内随机选取一位置作为所述目标位置,以对所述调度车辆进行随机移动调度。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若所述权重大于或者等于所述预设权重阈值,在所述移动距离阈值范围内随机选取多个候选位置;
基于所述调度区域的所述下一时间片的预测订单量,获取各所述侯选位置的订单需求量;
根据各所述侯选位置的订单需求量,选取所述订单需求量最大的所述侯选位置,作为所述目标位置,以对所述调度车辆进行独立觅食调度。
8.根据权利要求6所述的方法,其特征在于,对于所述调度区域内的所述调度车辆,随机选择权重之前,所述方法还包括:
确定所述调度车辆不满足追尾觅食调度的条件。
9.根据权利要求2所述的方法,其特征在于,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置,包括:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否满足聚群的条件;
若满足,获取所述调度车辆调度的所述目标位置,以进行聚群调度。
10.根据权利要求9所述的方法,其特征在于,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否满足聚群的条件,包括:
以所述调度区域内的任意一当前车辆的当前位置为中心,预设长度阈值为半径,计算覆盖区域中包括的车辆数目m,所述m为正整数;
判断所述车辆数目是否超过预设车辆数阈值的第三预设比例;
若未超过,取所述覆盖区域内的所有车辆位置的质心位置;
基于所述调度区域的下一时间片的预测订单量,计算所述质心位置的订单需求量和所述当前车辆的当前位置的订单需求量;
并判断所述质心位置的订单需求量对所述车辆数目m取平均的平均值,是否大于所述当前车辆的当前位置的订单需求量的预设倍数;
若是,确定所述调度区域中满足聚群的条件;
对应地,获取所述调度车辆调度的所述目标位置,包括:
将所述覆盖区域的内的所有车辆作为调度车辆,以所述质心位置作为所述调度车辆的目标位置,以进行聚群调度。
11.根据权利要求2-9任一所述的方法,其特征在于,基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置之后,根据所述目标位置获取对应于电子地图的POI之前,所述方法还包括:
判断并确定所述调度车辆的当前位置到所述目标位置之间的距离大于预设距离阈值,且判断并确定所述目标位置未超出所有调度区域的边界。
12.根据权利要求1-9任一所述的方法,其特征在于,所述方法还包括:
统计各所述调度区域在一天开工中的第一个时间片的历史统计订单量;
根据各所述调度区域的所述历史统计订单量,从中心网点向各所述调度区域调度车辆。
13.一种机器人出租车的调度装置,其特征在于,包括:
统计模块,用于统计调度区域的当前时间片的统计订单量;
预测模块,用于根据所述调度区域的所述当前时间片的统计订单量以及预先训练好的订单预测模型,预测对应的所述调度区域的下一时间片的预测订单量;
调度模块,用于基于所述调度区域的所述下一时间片的预测订单量,采用人工鱼群算法对车辆进行调度。
14.根据权利要求13所述的装置,其特征在于,所述调度模块,用于:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法获取调度车辆调度的目标位置;
根据所述目标位置获取对应于电子地图的POI;
将所述调度车辆调度至所述POI上。
15.根据权利要求14所述的装置,其特征在于,所述调度模块,用于:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否存在满足散群条件的参考区域;
若存在,随机抽取所述参考区域内第一预设比例的车辆作为调度车辆,以进行散群调度;
对于随机抽取的各所述调度车辆,采用所述人工鱼群算法判断所述调度车辆是否满足追尾觅食调度的条件;
若满足,获取所述调度车辆的目标位置,以进行追尾觅食调度。
16.根据权利要求15所述的装置,其特征在于,所述调度模块,用于:
在所述调度区域内,检测预设半径大小的所述参考区域范围内、是否存在大于预设数量的车辆;
若存在,确定在所述参考区域内存在群;
基于所述调度区域的所述下一时间片的预测订单量,获取所述参考区域的中心位置的订单需求量和所述参考区域内各所述车辆所在位置的订单需求量;
并判断所述中心位置的订单需求量是否小于所述参考区域内的所有车辆所在位置的订单需求量的均值的第二预设比例;
若是,确定所述调度区域中存在满足散群条件的所述参考区域,否则,不存在。
17.根据权利要求15所述的装置,其特征在于,所述调度模块,用于:
对于随机抽取的各所述调度车辆,在移动距离阈值范围内搜寻包括的所有参考车辆中各参考车辆所在的位置,取所述移动距离阈值范围内包括的所有参考车辆的数量为n,n为正整数;
基于所述调度区域的所述下一时间片的预测订单量,分别获取n个参考车辆中各所述参考车辆所在位置对应的订单需求量以及当前抽取的所述调度车辆所在位置的订单需求量;
基于所述n个参考车辆中各所述参考车辆所在位置对应的订单需求量,获取n个所述订单需求量中的最优值F_opt;
判断所述最优值F_opt是否大于alpha*F_current,其中F_current当前抽取的所述调度车辆所在位置的订单需求量,alpha为预设的参数;
若是,确定所述调度车辆满足追尾觅食调度的条件;
对应地,获取所述调度车辆的目标位置,包括:
将所述最优值F_opt对应的所述参考车辆的位置作为当前抽取的所述调度车辆的目标位置。
18.根据权利要求17所述的装置,其特征在于,所述调度模块,用于:
对于所述调度区域内的所述调度车辆,随机选择权重;
判断所述权重是否小于预设权重阈值;
若是,在移动距离阈值范围内随机选取一位置作为所述目标位置,以对所述调度车辆进行随机移动调度。
19.根据权利要求18所述的装置,其特征在于,所述调度模块,用于:
若所述权重大于或者等于所述预设权重阈值,在所述移动距离阈值范围内随机选取多个候选位置;
基于所述调度区域的所述下一时间片的预测订单量,获取各所述侯选位置的订单需求量;
根据各所述侯选位置的订单需求量,选取所述订单需求量最大的所述侯选位置,作为所述目标位置,以对所述调度车辆进行独立觅食调度。
20.根据权利要求18所述的装置,其特征在于,所述调度模块,用于:
确定所述调度车辆不满足追尾觅食调度的条件。
21.根据权利要求14所述的装置,其特征在于,所述调度模块,用于:
基于所述调度区域的下一时间片的预测订单量,采用所述人工鱼群算法判断所述调度区域中是否满足聚群的条件;
若满足,获取所述调度车辆调度的所述目标位置,以进行聚群调度。
22.根据权利要求21所述的装置,其特征在于,所述调度模块,用于:
以所述调度区域内的任意一当前车辆的当前位置为中心,预设长度阈值为半径,计算覆盖区域中包括的车辆数目m,所述m为正整数;
判断所述车辆数目是否超过预设车辆数阈值的第三预设比例;
若未超过,取所述覆盖区域内的所有车辆位置的质心位置;
基于所述调度区域的下一时间片的预测订单量,计算所述质心位置的订单需求量和所述当前车辆的当前位置的订单需求量;
并判断所述质心位置的订单需求量对所述车辆数目m取平均的平均值,是否大于所述当前车辆的当前位置的订单需求量的预设倍数;
若是,确定所述调度区域中满足聚群的条件;
对应地,获取所述调度车辆调度的所述目标位置,包括:
将所述覆盖区域的内的所有车辆作为调度车辆,以所述质心位置作为所述调度车辆的目标位置,以进行聚群调度。
23.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337997.9A CN111160747B (zh) | 2019-12-23 | 2019-12-23 | 无人驾驶机器人出租车的调度方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337997.9A CN111160747B (zh) | 2019-12-23 | 2019-12-23 | 无人驾驶机器人出租车的调度方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160747A true CN111160747A (zh) | 2020-05-15 |
CN111160747B CN111160747B (zh) | 2022-07-22 |
Family
ID=70557826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911337997.9A Active CN111160747B (zh) | 2019-12-23 | 2019-12-23 | 无人驾驶机器人出租车的调度方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160747B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672846A (zh) * | 2021-06-18 | 2021-11-19 | 中国科学院自动化研究所 | 网约车调度方法、装置、电子设备及存储介质 |
CN115050118A (zh) * | 2021-02-26 | 2022-09-13 | 北京骑胜科技有限公司 | 交通工具的安全控制方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
CN106127329A (zh) * | 2016-06-16 | 2016-11-16 | 北京航空航天大学 | 订单预测方法与装置 |
CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
CN109426885A (zh) * | 2017-08-28 | 2019-03-05 | 北京小度信息科技有限公司 | 订单分配方法和装置 |
CN110046788A (zh) * | 2019-01-17 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 车辆需求量预测方法及装置、车辆供给量预测方法及装置 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110264100A (zh) * | 2019-06-27 | 2019-09-20 | 广东工业大学 | 一种多车场物流运输调度方法、装置及设备 |
CN110322064A (zh) * | 2019-06-27 | 2019-10-11 | 清华大学 | 城市出行需求预测方法 |
-
2019
- 2019-12-23 CN CN201911337997.9A patent/CN111160747B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
CN106127329A (zh) * | 2016-06-16 | 2016-11-16 | 北京航空航天大学 | 订单预测方法与装置 |
CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
CN109426885A (zh) * | 2017-08-28 | 2019-03-05 | 北京小度信息科技有限公司 | 订单分配方法和装置 |
CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110046788A (zh) * | 2019-01-17 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 车辆需求量预测方法及装置、车辆供给量预测方法及装置 |
CN110264100A (zh) * | 2019-06-27 | 2019-09-20 | 广东工业大学 | 一种多车场物流运输调度方法、装置及设备 |
CN110322064A (zh) * | 2019-06-27 | 2019-10-11 | 清华大学 | 城市出行需求预测方法 |
Non-Patent Citations (1)
Title |
---|
覃磊等: "基于改进的人工鱼群算法的车辆优化调度", 《微电子学与计算机》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115050118A (zh) * | 2021-02-26 | 2022-09-13 | 北京骑胜科技有限公司 | 交通工具的安全控制方法和系统 |
CN113672846A (zh) * | 2021-06-18 | 2021-11-19 | 中国科学院自动化研究所 | 网约车调度方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111160747B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7108158B2 (ja) | 航空輸送ネットワークにおける効率的なvtolリソース管理 | |
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
CN103530704B (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
CN112818497B (zh) | 交通仿真方法、装置、计算机设备和存储介质 | |
Hwang et al. | An effective taxi recommender system based on a spatio-temporal factor analysis model | |
CN107038886B (zh) | 一种基于轨迹数据的出租车巡游路径推荐方法和系统 | |
CN109598368B (zh) | 路径决策评估、订单分配方法及装置、电子设备及介质 | |
Tang et al. | A network Kernel Density Estimation for linear features in space–time analysis of big trace data | |
CN111160747B (zh) | 无人驾驶机器人出租车的调度方法、装置及电子设备 | |
KR20210052499A (ko) | e-헤일링(e-hailing) 서비스 | |
JP2014041475A (ja) | カーシェアリングシステムの運用管理システムおよび方法 | |
Dunnett et al. | Optimising police dispatch for incident response in real time | |
Avery et al. | Predicting airport runway configuration: A discrete-choice modeling approach | |
CA3053089A1 (en) | Dynamic selection of geo-based service options in a network system | |
Yang et al. | Multiagent reinforcement learning-based taxi predispatching model to balance taxi supply and demand | |
CN109087219B (zh) | 一种旅游云计算系统及方法、终端 | |
Wang et al. | From data to knowledge to action: A taxi business intelligence system | |
CN112650794A (zh) | 位置数据处理方法、装置、电子设备和存储介质 | |
CN111681417B (zh) | 交通路口渠化调整方法和装置 | |
Moreira-Matias et al. | An online recommendation system for the taxi stand choice problem (Poster) | |
CN112070288A (zh) | 出发时间预估方法、装置、设备以及存储介质 | |
CN111882102A (zh) | 轨迹中的中断区间信息的补偿方法、设备及存储介质 | |
CN113610059B (zh) | 基于区域评估的车辆控制方法、装置和智能交管系统 | |
CN116245435A (zh) | 一种基于无人机和车辆协同的物资配送服务调度管理系统 | |
CN113383351A (zh) | 运输方法和装置 |
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 |