CN111191145B - 一种基于神经网络算法的社区交通共享方法及系统 - Google Patents

一种基于神经网络算法的社区交通共享方法及系统 Download PDF

Info

Publication number
CN111191145B
CN111191145B CN201911176020.3A CN201911176020A CN111191145B CN 111191145 B CN111191145 B CN 111191145B CN 201911176020 A CN201911176020 A CN 201911176020A CN 111191145 B CN111191145 B CN 111191145B
Authority
CN
China
Prior art keywords
family
sharing
information
traffic sharing
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
CN201911176020.3A
Other languages
English (en)
Other versions
CN111191145A (zh
Inventor
徐超
谢君
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.)
Chongqing Terminus Technology Co Ltd
Original Assignee
Chongqing Terminus Technology 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 Chongqing Terminus Technology Co Ltd filed Critical Chongqing Terminus Technology Co Ltd
Priority to CN201911176020.3A priority Critical patent/CN111191145B/zh
Publication of CN111191145A publication Critical patent/CN111191145A/zh
Application granted granted Critical
Publication of CN111191145B publication Critical patent/CN111191145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种基于神经网络算法的社区交通共享方法和系统，包括：社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集；对共享基础数据集中的学生就读班级信息和家长工作单位信息进行相似度比较，建立每个家庭的学生就读班级信息和家长工作单位相似度索引表；将学生就读班级信息和家长工作单位信息通过神经网络算法，得到交通共享预搭配输出；如果交通共享预搭配输出超过指定阈值，向提供车辆的家庭和需要用车的家庭同时发送社区交通共享推荐，询问是否进行时间折衷操作。本申请通过结合神经网络算法和社区交通共享现实需求，提高了社区交通共享的准确度和效率。

Description

一种基于神经网络算法的社区交通共享方法及系统
技术领域
本申请涉及机器学习及社区共享交通领域，尤其涉及一种基于神经网络算法的社区交通共享方法及系统。
背景技术
目前社区中车辆越来越多，早晚高峰时车辆进出社区大量拥堵。其实，社区中早晚进出车辆主要分为两大类，上班和上学。上班方面，同一社区，尤其是老式社区中住户的工作单位往往距离很近，甚至是同一单位；上学方面，由于目前大部分城市实行的是就近入学政策，同一社区中学生的学校往往相同；更进一步，很多家长的行车路线一般是先将小孩送至学校，再去工作单位上班，因此，社区中大部分人员的目的地出现重合，而大部分车辆并没有完全坐满，可以考虑多个家庭公用一辆的方式，既缓解了社区早晚高峰交通压力，解决了限行造成的家庭用车压力，还可以实现绿色节能环保。
目前的顺风车技术虽然一定程度地解决了该问题，但是，顺风车并没有针对社区用车的主要对象为学生和家长的特点进行处理，准确度和效率都不是很理想；也没有适应社区出行中对时间、空间以及邻里信任关系的考虑。
发明内容
有鉴于此，本申请的目的在于提出一种基于神经网络算法的社区交通共享方法及系统，结合社区节能管理实践经验，解决目前社区节能控制过程中，用户准确度不高、效率低下及智能程度低的技术问题。
基于上述目的，本申请提出了一种基于神经网络算法的社区交通共享方法，包括：
社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集；
对所述共享基础数据集中的所述学生就读班级信息和所述家长工作单位信息进行相似度比较，建立每个家庭的学生就读班级信息和家长工作单位相似度索引表；
按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，形成供需基础数据集；
按照所述相似度索引表中相似度降序排列，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配。
将所述共享基础数据集中的所述学生就读班级信息和家长工作单位信息通过神经网络算法，得到交通共享预搭配输出；
如果所述交通共享预搭配输出超过指定阈值，向提供车辆的家庭和需要用车的家庭同时发送社区交通共享推荐，询问是否进行时间折衷操作。
在一些实施例中，社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集，包括：
按照层次分解方法，将所述班级信息按照学生就读的学校、年级和班级进行分解，并按层次方式进行存储；
将所述家长工作单位信息以单个家长为单位，分解为多组家长工作单位信息。
在一些实施例中，对所述共享基础数据集中的所述学生就读班级信息和所述家长工作单位信息进行相似度比较，包括：
Figure BDA0002289968570000021
其中，i和j分别为第i个家庭和第j个家庭，Sim(i，j)为第i个家庭和第j个家庭的相似度，C(i，j)为第i个家庭和第j个家庭的学生就读班级信息对应的用车时间集合，P(i，j)为第i个家庭和第j个家庭的家长工作单位信息对应的用车时间集合。
在一些实施例中，按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，包括：
设定共享时间容差区间，当能够共享车辆的时间范围在所述共享容差区间范围内时，确定为同一共享时间范围；
设定需求容差区间，当用车时间在所述需求容差区间范围时，确定为同一用车时间范围。
在一些实施例中，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配，包括：
初始化所述神经网络；
将所述共享基础数据集导入所述神经网络进行训练，为每个家庭形成第一匹配结果；
根据每个家庭的供需差异特点，建立二次调优模型，对所述第一匹配结果进行调优，形成所述最优匹配交通共享搭配。
基于上述目的，本申请还提出了一种基于神经网络算法的社区交通共享系统，包括：
基础模块，用于社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集；
比较模块，用于对所述共享基础数据集中的所述学生就读班级信息和所述家长工作单位信息进行相似度比较，建立每个家庭的学生就读班级信息和家长工作单位相似度索引表；
供需模块，用于按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，形成供需基础数据集；
匹配模块，用于按照所述相似度索引表中相似度降序排列，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配。
预搭配模块，用于将所述共享基础数据集中的所述学生就读班级信息和家长工作单位信息通过神经网络算法，得到交通共享预搭配输出；
推荐模块，用于如果所述交通共享预搭配输出超过指定阈值，向提供车辆的家庭和需要用车的家庭同时发送社区交通共享推荐，询问是否进行时间折衷操作。
在一些实施例中，所述基础模块包括：
学生信息单元，用于按照层次分解方法，将所述班级信息按照学生就读的学校、年级和班级进行分解，并按层次方式进行存储；
家长信息单元，用于将所述家长工作单位信息以单个家长为单位，分解为多组家长工作单位信息。
在一些实施例中，所述供需模块，包括：
共享容差单元，用于设定共享时间容差区间，当能够共享车辆的时间范围在所述共享容差区间范围内时，确定为同一共享时间范围；
需求容差单元，用于设定需求容差区间，当用车时间在所述需求容差区间范围时，确定为同一用车时间范围。
在一些实施例中，所述匹配模块，包括：
网络初始单元，用于初始化所述神经网络；
第一匹配单元，用于将所述共享基础数据集导入所述神经网络进行训练，为每个家庭形成第一匹配结果；
调优单元，用于根据每个家庭的供需差异特点，建立二次调优模型，对所述第一匹配结果进行调优，形成所述最优匹配交通共享搭配。
基于上述目的，本申请还提出了一种计算机可读介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法中任一所述的方法。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的基于神经网络算法的社区交通共享方法的流程图。
图2示出根据本发明实施例的示出根据本发明实施例的基于神经网络算法的社区交通共享系统的构成图。
图3示出根据本发明实施例的基础模块的构成图。
图4示出根据本发明实施例的供需模块的构成图。
图5示出根据本发明实施例的匹配模块的构成图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出根据本发明实施例的基于神经网络算法的社区交通共享方法的流程图。如图1所示，该基于神经网络算法的社区交通共享方法包括：
步骤S11、社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集。
具体来说，学生就读相同的班级一般要求相同的到校时间，班级也会处于相同的地点，此处班级可以进行一个广义的理解，相同的班级，可以是指相同的年级或者相同的学校，因为相同的年纪或是学校，也都可能具有相同的上课时间；工作单位相同的两个人，也会具有相同的上班时间，工作地点也会相同。这就是说，对于两个相似的家庭而言，一次成功的社区共享交通，可以至少解决两个家庭的上班上学。
在一种实施方式中，社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集，包括：
按照层次分解方法，将所述班级信息按照学生就读的学校、年级和班级进行分解，并按层次方式进行存储；
将所述家长工作单位信息以单个家长为单位，分解为多组家长工作单位信息。
具体来说，层次分析法是指，先按学校－年级－班级的层次顺序对每个学生就读班级信息进行分解，这是为了在后续的车辆匹配过程中，可以按照这个层次顺序，优先匹配相同班级的家庭，然后再匹配相同年级的家庭，最后再匹配相同学校的家庭，从而得到最合适的交通共享匹配方案。
另外，将所述家长工作单位信息以单个家长为单位，分解为多组家长工作单位信息，指的是每个家庭中需要上班的一般不止一个人，例如，上班的除了有父亲，还有母亲，甚至爷爷、奶奶等，因此对于一个家庭中上班的家长，可以得到多组工作单位信息，这些家长本身上班地点可能离得并不远，或者也是同一个单位，通过假一个家庭中每个家长的上班信息分解出来，为社区交通匹配过程中尽可能多地利用车辆空间，奠定了基础。
步骤S12、对所述共享基础数据集中的所述学生就读班级信息和所述家长工作单位信息进行相似度比较，建立每个家庭的学生就读班级信息和家长工作单位相似度索引表。
具体来说，通过建立学生就读班级和家长工作单位的二元组，实现每个家庭的相似度比较。对于每个家庭而言，通过相似度的比较结果，将可以进行交通共享家庭集合，按照相似度从高到低的顺序进行排列，形成相似度索引表。
在一种实施方式中，对所述共享基础数据集中的所述学生就读班级信息和所述家长工作单位信息进行相似度比较，包括：
Figure BDA0002289968570000061
其中，i和j分别为第i个家庭和第j个家庭，Sim(i，j)为第i个家庭和第j个家庭的相似度，C(i，j)为第i个家庭和第j个家庭的学生就读班级信息对应的用车时间集合，P(i，j)为第i个家庭和第j个家庭的家长工作单位信息对应的用车时间集合。
步骤S13、按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，形成供需基础数据集。
在一种实施方式中，按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，包括：
设定共享时间容差区间，当能够共享车辆的时间范围在所述共享容差区间范围内时，确定为同一共享时间范围；
设定需求容差区间，当用车时间在所述需求容差区间范围时，确定为同一用车时间范围。
举例来说，共享时间容差区间，是指提供车辆家庭可以容忍的时间范围，例如，某家庭早上7点钟出发，但可以忍受正负15分钟的等待或提前时间，因此，可以为其设置共享时间容差区间为15分钟；
同样的，需求容差区间，是指需要用车家庭可以容忍的时间范围，例如，某家庭早上7点钟出发，也以忍受正负15分钟的等待或提前时间，因此，可以为其设置需求时间容差区间为15分钟。
步骤S14、按照所述相似度索引表中相似度降序排列，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配。
在一种实施方式中，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配，包括：
初始化所述神经网络；
将所述共享基础数据集导入所述神经网络进行训练，为每个家庭形成第一匹配结果；
根据每个家庭的供需差异特点，建立二次调优模型，对所述第一匹配结果进行调优，形成所述最优匹配交通共享搭配。
步骤S15、将所述共享基础数据集中的所述学生就读班级信息和家长工作单位信息通过神经网络算法，得到交通共享预搭配输出。
步骤S16、如果所述交通共享预搭配输出超过指定阈值，向提供车辆的家庭和需要用车的家庭同时发送社区交通共享推荐，询问是否进行时间折衷操作。
具体来说，时间折衷操作是指提供车辆的家庭和需要用车的家庭共同协商，是否可以确定一个双方都能够接受的出行时间，如果能够确定一个双方都能接受的出行时间，则按照该折衷的时间返回匹配成功；如果不能够确定一个双方都能接受的时间，则继续和其他家庭进行匹配，直至匹配成功。
图2示出根据本发明实施例的基于神经网络算法的社区交通共享系统的构成图。如图2所示，该基于神经网络算法的社区交通共享系统整体可以分为：
基础模块21，用于社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集；
比较模块22，用于对所述共享基础数据集中的所述学生就读班级信息和所述家长工作单位信息进行相似度比较，建立每个家庭的学生就读班级信息和家长工作单位相似度索引表；
供需模块23，用于按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，形成供需基础数据集；
匹配模块24，用于按照所述相似度索引表中相似度降序排列，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配。
预搭配模块25，用于将所述共享基础数据集中的所述学生就读班级信息和家长工作单位信息通过神经网络算法，得到交通共享预搭配输出；
推荐模块26，用于如果所述交通共享预搭配输出超过指定阈值，向提供车辆的家庭和需要用车的家庭同时发送社区交通共享推荐，询问是否进行时间折衷操作。
图3示出根据本发明实施例的基础模块的构成图。从图3可以看出，基础模块21包括：
学生信息单元211，用于按照层次分解方法，将所述班级信息按照学生就读的学校、年级和班级进行分解，并按层次方式进行存储；
家长信息单元212，用于将所述家长工作单位信息以单个家长为单位，分解为多组家长工作单位信息。
图4示出根据本发明实施例的供需模块的构成图。从图4可以看出，供需模块23包括：
共享容差单元231，用于设定共享时间容差区间，当能够共享车辆的时间范围在所述共享容差区间范围内时，确定为同一共享时间范围；
需求容差单元232，用于设定需求容差区间，当用车时间在所述需求容差区间范围时，确定为同一用车时间范围。
图5示出根据本发明实施例的匹配模块的构成图。从图5可以看出，匹配模块24包括：
网络初始单元241，用于初始化所述神经网络；
第一匹配单元242，用于将所述共享基础数据集导入所述神经网络进行训练，为每个家庭形成第一匹配结果；
调优单元243，用于根据每个家庭的供需差异特点，建立二次调优模型，对所述第一匹配结果进行调优，形成所述最优匹配交通共享搭配。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、系统或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、系统或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、系统或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、系统或设备或结合这些指令执行系统、系统或设备而使用的系统。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子系统)，便携式计算机盘盒(磁系统)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤系统，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，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，可轻易想到其各种变化或替换，这些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以所述权利要求的保护范围为准。

Claims (7)

1.一种基于神经网络算法的社区交通共享方法，其特征在于，包括：
社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集，包括：按照层次分解方法，将所述班级信息按照学生就读的学校、年级和班级进行分解，并按层次方式进行存储；将所述家长工作单位信息以单个家长为单位，分解为多组家长工作单位信息；
对所述共享基础数据集中的所述学生就读班级信息和所述家长工作单位信息进行相似度比较，建立每个家庭的学生就读班级信息和家长工作单位相似度索引表，包括：
Figure QLYQS_1
其中，i和j分别为第i个家庭和第j个家庭，Sim(i，j)为第i个家庭和第j个家庭的相似度，C(i，j)为第i个家庭和第j个家庭的学生就读班级信息对应的用车时间集合，P(i，j)为第i个家庭和第j个家庭的家长工作单位信息对应的用车时间集合；
按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，形成供需基础数据集；
按照所述相似度索引表中相似度降序排列，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配；
将所述共享基础数据集中的所述学生就读班级信息和家长工作单位信息通过神经网络算法，得到交通共享预搭配输出；
如果所述交通共享预搭配输出超过指定阈值，向提供车辆的家庭和需要用车的家庭同时发送社区交通共享推荐，询问是否进行时间折衷操作。
2.根据权利要求1所述的方法，其特征在于，按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，包括：
设定共享时间容差区间，当能够共享车辆的时间范围在共享容差区间范围内时，确定为同一共享时间范围；
设定需求容差区间，当用车时间在所述需求容差区间范围时，确定为同一用车时间范围。
3.根据权利要求1所述的方法，其特征在于，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配，包括：
初始化所述神经网络；
将所述共享基础数据集导入所述神经网络进行训练，为每个家庭形成第一匹配结果；
根据每个家庭的供需差异特点，建立二次调优模型，对所述第一匹配结果进行调优，形成所述最优匹配交通共享搭配。
4.一种基于神经网络算法的社区交通共享系统，其特征在于，包括：
基础模块，用于社区中每个参与交通共享的家庭将学生就读班级信息和家长工作单位信息提交至社区交通共享中心，形成共享基础数据集，所述基础模块包括：学生信息单元，用于按照层次分解方法，将所述班级信息按照学生就读的学校、年级和班级进行分解，并按层次方式进行存储；家长信息单元，用于将所述家长工作单位信息以单个家长为单位，分解为多组家长工作单位信息；
比较模块，用于对所述共享基础数据集中的所述学生就读班级信息和所述家长工作单位信息进行相似度比较，建立每个家庭的学生就读班级信息和家长工作单位相似度索引表，包括：
Figure QLYQS_2
其中，i和j分别为第i个家庭和第j个家庭，Sim(i，j)为第i个家庭和第j个家庭的相似度，C(i，j)为第i个家庭和第j个家庭的学生就读班级信息对应的用车时间集合，P(i，j)为第i个家庭和第j个家庭的家长工作单位信息对应的用车时间集合；
供需模块，用于按照能够共享车辆的时间范围，将家庭车辆信息提交至社区交通共享中心；按照家庭需要共享的时间范围，将家庭用车信息提交至社区交通共享中心，形成供需基础数据集；
匹配模块，用于按照所述相似度索引表中相似度降序排列，将所述共享基础数据集和所述供需基础数据集中的数据导入神经网络中进行学习，进入稳态后，返回最优匹配交通共享搭配；
预搭配模块，用于将所述共享基础数据集中的所述学生就读班级信息和家长工作单位信息通过神经网络算法，得到交通共享预搭配输出；
推荐模块，用于如果所述交通共享预搭配输出超过指定阈值，向提供车辆的家庭和需要用车的家庭同时发送社区交通共享推荐，询问是否进行时间折衷操作。
5.根据权利要求4所述的系统，其特征在于，所述供需模块，包括：
共享容差单元，用于设定共享时间容差区间，当能够共享车辆的时间范围在共享容差区间范围内时，确定为同一共享时间范围；
需求容差单元，用于设定需求容差区间，当用车时间在所述需求容差区间范围时，确定为同一用车时间范围。
6.根据权利要求4所述的系统，其特征在于，所述匹配模块，包括：
网络初始单元，用于初始化所述神经网络；
第一匹配单元，用于将所述共享基础数据集导入所述神经网络进行训练，为每个家庭形成第一匹配结果；
调优单元，用于根据每个家庭的供需差异特点，建立二次调优模型，对所述第一匹配结果进行调优，形成所述最优匹配交通共享搭配。
7.一种计算机可读介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－3中任一所述的方法。
CN201911176020.3A 2019-11-26 2019-11-26 一种基于神经网络算法的社区交通共享方法及系统 Active CN111191145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911176020.3A CN111191145B (zh) 2019-11-26 2019-11-26 一种基于神经网络算法的社区交通共享方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911176020.3A CN111191145B (zh) 2019-11-26 2019-11-26 一种基于神经网络算法的社区交通共享方法及系统

Publications (2)

Publication Number Publication Date
CN111191145A CN111191145A (zh) 2020-05-22
CN111191145B true CN111191145B (zh) 2023-07-07

Family

ID=70709449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911176020.3A Active CN111191145B (zh) 2019-11-26 2019-11-26 一种基于神经网络算法的社区交通共享方法及系统

Country Status (1)

Country Link
CN (1) CN111191145B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2372625A1 (en) * 2010-03-30 2011-10-05 Sap Ag Method for allocating trip sharing
CN103489309A (zh) * 2013-08-20 2014-01-01 罗莉莎 拼出租车、分享私家车、搭顺风车的方法及其系统
CN108053145A (zh) * 2017-12-29 2018-05-18 北京摩拜科技有限公司 基于共享车辆的社会化交友方法、服务器及客户端设备
CN110175355A (zh) * 2019-04-19 2019-08-27 特斯联（北京）科技有限公司 一种基于机器学习的建筑匹配方法及装置
CN110458336A (zh) * 2019-07-23 2019-11-15 内蒙古工业大学 一种基于深度学习的网约车供需预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8239247B2 (en) * 2009-09-11 2012-08-07 International Business Machines Corporation Correlated analytics for benchmarking in community shared data
CN105701580A (zh) * 2016-04-19 2016-06-22 重庆喜玛拉雅科技有限公司 一种汽车共享资源化系统
CN107633676A (zh) * 2017-09-25 2018-01-26 智车优行科技（上海）有限公司 一种智能共享车载服务系统
US20190339087A1 (en) * 2018-05-03 2019-11-07 Didi Research America, Llc Deep reinforcement learning for optimizing carpooling policies
CN109842678B (zh) * 2019-01-25 2021-11-12 深圳市元征科技股份有限公司 一种车辆共享方法及装置
CN110443518A (zh) * 2019-08-14 2019-11-12 大陆投资(中国)有限公司 临时公共交通调度方法和系统以及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2372625A1 (en) * 2010-03-30 2011-10-05 Sap Ag Method for allocating trip sharing
CN103489309A (zh) * 2013-08-20 2014-01-01 罗莉莎 拼出租车、分享私家车、搭顺风车的方法及其系统
CN108053145A (zh) * 2017-12-29 2018-05-18 北京摩拜科技有限公司 基于共享车辆的社会化交友方法、服务器及客户端设备
CN110175355A (zh) * 2019-04-19 2019-08-27 特斯联（北京）科技有限公司 一种基于机器学习的建筑匹配方法及装置
CN110458336A (zh) * 2019-07-23 2019-11-15 内蒙古工业大学 一种基于深度学习的网约车供需预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Scheduling method for one-way electric car-sharing based on demand forecasting;Gao Junjie等;《Journal of Dalian University of Technology》;第648-655页 *
Travel Behavior Classification: An Approach with Social Network and Deep Learning;Cui, Yu等;《TRANSPORTATION RESEARCH RECORD 》;第68-80页 *
城市出租车合乘匹配理论模型与关键技术研究;肖强;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;C034-14 *

Also Published As

Publication number Publication date
CN111191145A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
Filar et al. Percentile performance criteria for limiting average Markov decision processes
US11816570B2 (en) Method for accelerated detection of object in videos, server, and non-transitory computer readable storage medium
Zeitouni Random walks in random environment
Lindgren et al. Managing identity tensions during mobile ecosystem evolution
Berman et al. The minmax regret gradual covering location problem on a network with incomplete information of demand weights
CN105872837A (zh) 用户推荐方法及装置
CN103136342B (zh) 应用程序app的搜索方法、系统以及搜索服务器
CN110570534B (zh) 一种费率的处理方法、装置、设备和存储介质
CN112749262A (zh) 基于人工智能的问答处理方法、装置、电子设备及存储介质
Arapostathis et al. The Dirichlet problem for stable-like operators and related probabilistic representations
Guma et al. Plug-in urbanism: City building and the parodic guise of new infrastructure in Africa
CN106817390A (zh) 一种用户数据共享的方法和设备
CN111191145B (zh) 一种基于神经网络算法的社区交通共享方法及系统
CN111126422A (zh) 行业模型的建立及行业的确定方法、装置、设备及介质
CN105653674A (zh) 智能终端的文件管理方法及系统
CN107274284B (zh) 双向撮合方法、装置以及交易系统
DE102020119183A1 (de) System und Verfahren zum Identifizieren und Dekodieren von Reed-Muller-Codes in Polarcodes
CN110781313A (zh) 一种图存储优化方法、装置和电子设备
Chen et al. Image retrieval based on multi-feature similarity score fusion using genetic algorithm
D'eer et al. Notes on covering-based rough sets from topological point of view: Relationships with general framework of dual approximation operators
Protzel Media Systems and Political Action in Peru
CN106407470A (zh) 指纹共享方法、终端和服务器
CN113435502B (zh) 站点流量确定方法、装置、设备及存储介质
Ng What drives young people into opposition parties under hybrid regimes? A comparison of Hong Kong and Singapore
McDonald Note: a problem with the decomposition of technical inefficiency into scale and congestion components

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