CN111354212A - 应用于车站机场的出租车调度方法、服务器以及调度设备 - Google Patents

Abstract

本申请涉及智能交通控制技术领域，特别地，涉及一种应用于车站机场的出租车调度方法、服务器以及调度设备。为了解决预测客流不准确、出租车调度不及时、乘客、出租车无法得知候车时间的问题。所述应用于车站机场的出租车调度方法包括：将检测器采集的当前候车人数输入客流预测模型得到预设时间后的预测候车人数；基于蓄车场的当前车辆数和当前候车人数计算得到当前人车比，基于当前车辆数和预测候车人数计算得到预测人车比；当所述预测人车比大于预设阈值时，输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车；当所述预测人车比小于等于预设阈值时，输出预警信息，所述预警信息用于提示所述蓄车场的出租车充足。

Description

应用于车站机场的出租车调度方法、服务器以及调度设备

技术领域

本申请涉及智能交通控制技术领域，特别地，涉及一种应用于车站机场的出租车调度方法、服务器以及调度设备。

背景技术

车站、机场的出租车调度，是指为了满足城市机场、车站等交通枢纽乘客搭乘出租车的需求，根据候车乘客的数量，对车站、机场提供的蓄车场内出租车的数量进行及时的调整，通过调度周边出租车进入蓄车场以满足人多车少的问题，或限制出租车进入蓄车场以解决人少车多的问题。

在一些出租车调度的实现方案中，机场、车站的出租车调度，主要依靠监控视频或者管理人员根据其个人经验进行主观判断，进一步发出调度指令。然而，由于管理人员的预测能力不足，或客流影响因素的随机性，使得客流预测结果与客流实际情况存在较大的偏差，导致出租车调度管理的实时性较差，不能及时采取有效的临时调度措施，带来安全隐患。乘客的出行需求无法满足，直接影响交通系统的有效运行以及服务水平。并且出租车在排队候车的过程中，旅客和出租车都无法得知其等待时间，经常出现人少车多、出租车等候时间较长，或人多车少、乘客等候时间较长的情况。

发明内容

本申请提供了一种应用于车站机场的出租车调度方法、服务器以及调度设备，通过构建客流预测模型，构建当前人车比和预测人车比，生成调度信息和预警信息，一定程度上可以解决预测客流数据不准确、出租车调度判定不及时、无法得知乘客候车时间、无法得知出租车待上客时间的问题。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种应用于车站机场的出租车调度服务器，包括：

存储设备，存储了检测器采集的当前候车人数和蓄车场的当前车辆数；

处理器；

通信系统，被配置为与所述处理器和外部网络通信；

存储器，被配置为与所述处理器通信，所述存储器存储了多个处理指令，所述处理指令适合于指示所述处理器执行：

将检测器采集的当前候车人数输入客流预测模型得到预设时间后的预测候车人数；

基于蓄车场的当前车辆数和当前候车人数计算得到当前人车比，基于当前车辆数和预测候车人数计算得到预测人车比；

当所述预测人车比大于预设阈值时，输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车；

当所述预测人车比小于等于预设阈值时，输出预警信息，所述预警信息用于提示所述蓄车场的出租车充足。

本申请实施例的第二方面提供一种应用于车站机场的出租车调度方法，所述方法包括：

将检测器采集的当前候车人数输入客流预测模型得到预设时间后的预测候车人数；

基于蓄车场的当前车辆数和当前候车人数计算得到当前人车比，基于当前车辆数和预测候车人数计算得到预测人车比；

当所述预测人车比大于预设阈值时，输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车；

当所述预测人车比小于等于预设阈值时，输出预警信息，所述预警信息用于提示所述蓄车场的出租车充足。

本申请实施例的第三方面提供一种调度设备，包括如本申请实施例第二方面提供的发明内容中任一所述方法的装置。

本申请实施例的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如本申请实施例第二方面提供的发明内容中任一所述方法。

本申请的有益效果在于：通过构建客流预测模型，可以实现较为准确的预测候车人数；进一步通过获取当前人车比和预测人车比，可以实现及时判断出租车是否需要进行调度；进一步通过构建调度信息，可以实现出租车的调度以及获得乘客的预测候车时间；进一步通过构建预警信息，可以得到出租车的预测待上客时间，提高出租车调度效率。

附图说明

具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例一种应用于车站机场的出租车调度系统100的示意图；

图2示出了本申请实施例一种示例性计算设备200的示意图；

图3示出了本申请实施例一种应用于车站机场的出租车调度方法的流程示意图；

图4示出了本申请实施例一种应用于车站机场的出租车调度方法的乘客候车示意图；

图5示出了本申请实施例LSTM神经网络模型结构示意图。

具体实施方式

现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。

本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。

图1是根据本申请的一些实施例所示的一种应用于车站机场的出租车调度系统100的示意图。应用于车站机场的出租车调度系统100是一个可以自动根据当前候车人数和当前出租车数量进行出租车调度的平台。应用于车站机场的出租车调度系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个检测器150-1、150-2......150-N。服务器110可以包括一个处理引擎112。

在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中，服务器110可以在与本申请图2所示的计算设备上实现，包括计算设备200中的一个或多个部件。

在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于获取检测器150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。

存储设备120可以存储数据和/或指令。在一些实施例中，存储设备120可以存储从检测器150获得的数据。在一些实施例中，存储设备120可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。在一些实施例中，存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。

在一些实施例中，存储设备120可以与网络130连接以实现与应用于车站机场的出租车调度系统100中的一个或多个部件之间的通信。应用于车站机场的出租车调度系统100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接与应用于车站机场的出租车调度系统100的一个或多个部件连接或通信。在一些实施例中，存储设备120可以是服务器110的一部分。

网络130可以促进信息和/或数据的交换。在一些实施例中，应用于车站机场的出租车调度系统100中的一个或多个部件可以通过网络130向应用于车站机场的出租车调度系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络130从检测器150获取/得到请求。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种，或其组合。在一些实施例中，网络130可以包括一个或多个网络接入点。例如，网络130可能包括有线或无线网络接入点，如基站和/或互联网交换点130-1、130-2等等。通过接入点，应用于车站机场的出租车调度系统100的一个或多个部件可能连接到网络130以交换数据和/或信息。

检测器150可以包括客流采集设备、视频分析服务器、摄像头等可以识别人流量的设备。在一些实施例中，检测器150可以用于对所在位置的周边环境的人流量进行过采集。在一些实施例中，检测器150可以将采集到的各种数据信息发送到应用于车站机场的出租车调度系统100中的一个或多个设备中。例如，检测器150可以将监控区域的人流量数据发送至服务器110进行处理，或存储设备120中进行存储。在一些实施例中，可以在蓄车场的入口、出口位置、出租车缓冲区位置、出租车上客区的多个位置设置所述检测器，用于出租车数量、候车人数的数据采集。

图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和检测器150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与应用于车站机场的出租车调度系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。

计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、和只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。

为理解方便，图2中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。

本申请提供的应用于车站机场的出租车调度方法、服务器以及调度设备，其应用场景适合于场地布局有乘客候车区、蓄车场，且出租车需求量较大的场景，所述场景包括但不限于：枢纽客车站、枢纽火车站、枢纽机场、枢纽地铁站、会展中心、大型酒店、赛事场馆、景区等客运吞吐量高，交通繁忙的区域。下文将具体以车站机场为例阐述出租车的调度过程。

图3示出了本申请实施例一种应用于车站机场的出租车调度方法的流程示意图。

在步骤301中，将检测器采集的当前候车人数输入客流预测模型得到预设时间后的预测候车人数。

首先对出租车上客区的候车人数进行预测，根据采集器所采集的当前候车人数，将所述当前候车人数输入至客流预测模型，可以得到一定时间后的预测候车人数。

在获取停车场的预测候车人数之前，还需要获取检测器识别的进出停车场区域和上客区的客流信息，对停车场区域和上客区的客流信息进行清洗，将清洗后的上客区客流信息输入客流预测模型。

在一些实施例中，停车场包括蓄车场和出租车缓冲区。所述出租车缓冲区与出租车上客区进行对接，出租车通过在所述缓冲区排队依次载客；蓄车场是用于出租车临时排队的区域，其中的车辆依次的驶入出租车缓冲区进行对接乘客，通常蓄车场面积较大，以储备较大数量的出租车应对车站、机场的用车高峰需求。

在一些实施例中，蓄车场的入口以及出口、出租车上客区入口及出口均设置有用于采集车辆流量和人流量的检测器。所述检测器通常可以包括流量采集设备、视频分析服务器等可识别客流量的设备。在区域各出入口均部署客流采集设备，并对客流采集设置进行时钟校验，设置统一的数据传输频率向后台传送数据。中心服务器通过对客流采集设备数据处理，计算得出该区域实时客流量、车流量信息，如图4所示。

在一些实施例中，机场、车站的出租车上客区在乘客队列的一定间隔位置设置有显示器，所述显示器被配置为用于显示蓄车场当前车辆数、上客区当前候车人数、以及预测候车人数等。所述显示器可以在上客区内部间隔50米进行设置，还可以设置在所述上客区的入口处，为乘客提供是否搭乘出租车的信息支持。

在一些实施例中，所述客流预测模型为基于深度学习框架的LSTM神经网络模型。

所述客流预测模型可以选用keras深度学习框架中的LSTM(long short-termmemory：长短期记忆)神经网络模型。LSTM神经网络模型是递归神经网络模型的变体，通过门控机制来记忆尽可能多的长期信息，适用于处理、预测时间序列中间隔和延迟相对较长的情况。

LSTM具有较长的训练周期，其构造了三个门：遗忘门，输入门，输出门。其中遗忘门决定了上一时刻的单元状态c_t-1有多少信息保留到当前时刻c_t；输入门决定了当前时刻网络的输入x_t有多少信息保存到单元状态c_t；输出门是控制单元状态c_t有多少信息输出到LSTM网络的当前输出值h_t。在本实施了中，LSTM采用两层Dropout和两层Dense网络，其中Dropout层用于防止网络模型在训练过程中产生过拟合；Dense层即全连接层，用于将数据全部连接起来，并转化为输出，如图5所示。

在一些实施例中，所述客流预测模型在训练阶段时，将候车人数按照30分钟一个周期进行统计；算法选取连续的8个小时，即16个周期作为一个时间序列数组，作为所述预测模型训练的特征变量；将第9个小时的候车人数作为所述预测模型的结果集；选取连续20天的此类数据为训练数据进行训练。

在一些实施例中，所述客流预测模型在预测阶段时，将候车人数按照30分钟为一个周期，8个小时即16个周期作为一个时间序列为输入变量进行模型预测。通常选取最近的16个周期数据，并使用已经完成训练达到最优的预测模型进行预测，获取未来预设时间的客流量，在本实施例中，所述预设时间为1小时。需要说明的是，所述最近16个周期的数据以轮转覆盖的方式存储于调度服务器，所述检测器采集的当前候车人数输入值所述调度服务器，并实时的对所述最近16个周期的数据进行更新，以获得较为准确的预测候车人数。

在步骤302中，基于蓄车场的当前车辆数和当前候车人数计算得到当前人车比，基于当前车辆数和预测候车人数计算得到预测人车比。

当前候车人数为P_t，预测1个小时以后的客流数量为P_t+1，蓄车场的出租车排队数量为车为L，预设阈值为σ。

需要说明的是，所述蓄车场的出租车排队数量包括位于出租车缓冲区域的出租车；

所述预设阈值σ表示人车比，即候车人数与当前车辆的比值，所述人车比可以根据实际情况进行设定，本申请不做具体的限定。可以认为，当人车比大于所述预设阈值时，候车人数与出租车数量的趋势为人多车少，乘客需要等待较长的时间，出租车需要调度；当人车比小于等于所述预设阈值时，候车人数与出租车数量的趋势为人少车多，出租车需要等待较长的时间，需要限制出租车进入蓄车场。

基于上述步骤得到的预测候车人数与当前车辆数的比值，可以得到预测人车比；基于检测器采集的当前候车人数与当前车辆数的比值，可以得到当前人车比。比较从所述当前人车比至所述预测人车比的变化趋势，可以预测未来预设时间内出租车数量与候车人数的需求趋势。

在步骤303中，当所述预测人车比大于预设阈值时，输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车。

需要输出调度信息的情况通常包括以下两种场景。

情况1为由当前时刻人多车少状态延续为预测时刻人多车少的状态。

如果

即当前人车比大于预设阈值，当前情况下人多车少。

可根据乘客平均上车时间、设定的乘客流的间隔时间、以及出租车从所述蓄车场的出口至上客区的时间，进行计算确定某一辆出租车的候车时间，其具体计算步骤如下：

首先，根据蓄车场内出租车的排队信息、以及乘客平均上车时间，计算得到位于所述某一辆出租车之前的车辆离开所需的时间；

然后，将位于所述某一辆出租车之前的车辆离开所需的时间、设定的乘客流的间隔时间、出租车从蓄车场的出口至上客区的时间之和确定为出租车的待上客时间。

在一些实施例中，对位于出租车之前的车辆的乘客平均上车时间进行统计，然后加上乘客流的间隔时间和出租车从蓄车场的出口至上客区的时间，也可以计算得到出租车的待上客时间。

如果

即预测人车比大于等于预设阈值，预测时间点人多车少，即由当前时刻人多车少的情况延续为预测时刻人多车少的状态。

则说明在所述预设时间，即1小时后会出现人多车少的情况，出租车运力不足，需要输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车。则提前1个小时对车站、机场周围发起出租车辆调度，防止出现乘客现场等待车辆调度的情况。

如果有充足的车辆可调度，则1小时后能保持

的出租车运力充足状态；

如果没有充足的车辆可调度，则会出现

的出租车运力不足的状态。

在本实施例中，假设预测所述预设时间，即1个小时后与当前情况相同，仍然是人多车少的情况。

根据每辆出租车的平均载客人数，与当前候车人数，计算得到在第X辆车将当前候车人数载客完成。

第X辆车、及之前的出租车的预计待上客时间显示为：正常预计待上客时间；

第X辆车之后的出租车的预计待上客时间显示为：根据预测客流量估计待上客时间。

情况2为由当前时刻人少车多的情况改变为预测时刻人多车少的状态。

如果

即当前人车比小于等于预设阈值，当前情况下人少车多。

这种情况下上客区将没有乘客，造成出租车产长时间等待的问题，可以使用客流预测数据进行处理。

如果

即预测人车比大于预设阈值，预测时间点人多车少，即由当前时刻人少车多的情况改变为预测时刻人多车少的状态。

则说明所述预设时间，即1小时会出现人多车少的情况，出租车运力不足，需要输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车。则提前1个小时对车站、机场周围发起出租车辆调度，防止出现乘客现场等待车辆调度的情况。

如果有充足的车辆可调度，则1小时后能保持

的出租车运力充足状态；

如果没有充足的车辆可调度，则会出现

的出租车运力不足的状态。

根据每辆出租车的平均载客人数，与当前候车人数，计算得到在第X辆车将当前候车人数载客完成。

第X辆车、及之前的出租车的预计待上客时间显示为：正常预计待上客时间；

第X辆车之后的出租车的预计待上客时间显示为：根据预测客流量估计待上客时间。

那么显示器可以提示根据当前车辆数计算出能运走的乘客队列的乘客序列号，所述序列号、及之前乘客可根据正常公式计算出其预计候车时间，所述序列号之后的乘客，提示正在调度更远的车辆，预计候车时间为所述序列号前面所有的乘客的候车时间加上预计调度时间。

在步骤304中，当所述预测人车比小于预设阈值时，输出预警信息，所述预警信息用于提示所述蓄车场的出租车充足。

由当前时刻人少车多的情况改变为预测时刻人多车少的场景：

如果

即当前人车比小于等于预设阈值，当前情况下人少车多。

这种情况下上客区将没有乘客，造成出租车长时间等待的问题，可根据乘客平均上车时间、设定的乘客流的间隔时间、以及出租车从所述蓄车场的出口至上客区的时间，进行计算确定某一辆出租车的候车时间，其具体计算步骤如下：

首先，根据蓄车场内出租车的排队信息、以及乘客平均上车时间，计算得到位于所述某一辆出租车之前的车辆离开所需的时间；

然后，将位于所述某一辆出租车之前的车辆离开所需的时间、设定的乘客流的间隔时间、出租车从蓄车场的出口至上客区的时间之和确定为出租车的待上客时间。在一些实施例中，对位于出租车之前的车辆的乘客平均上车时间进行统计，然后加上乘客流的间隔时间和出租车从蓄车场的出口至上客区的时间，也可以计算得到出租车的待上客时间。

如果

即预测人车比小于等于预设阈值，预测时刻人少车多，即由当前时刻人少车多的情况延续为预测时刻人少车多的状态。

为了防止出现出租车不知情的情况下进入蓄车场进行长时间的等待；

首先，根据当前候车人数和1小时内增加的候车人数计算得到当前时刻至1小时后所需的出租车数量；

然后，输出预警信息，所述预警信息被配置为在蓄车场入口处提示：蓄车场当前存储排队车辆数、及1小时内所需车辆数，并提醒出租车是否考虑进入。

通过预测候车人数预，能够让出租车更加准确的了解现场的客流情况，防止车多人少时的资源浪费。

在一些实施例中，如果

即当前人车比小于等于预设阈值，当前时间点为人少车多情况，当前出租车运力充足，计算当前候车乘客队列中乘客A的候车时间。

首先，当前候车人数小于等于候车点出租车载客能力，则依据候车乘客排队序号以及乘客平均上车时间，计算出乘客A之前的所有乘客离开所需的时间；

然后，将乘客A之前的所有乘客离开所需的时间确定为乘客A的候车时间。

下面结合具体示例进行说明。

设定某机场出租车上客区总共有一条队列，上客点泊位数为2，乘客A为从出租车上客区入口进入的最后一名乘客，出租车上客区入口的检测器摄像头监测到乘客A时，根据之前进入出租车上客区的乘客数量确定乘客A的排队信息，假设乘客A之前进入出租车上客区的乘客数量为99人，则乘客A的队列序号为100。

根据出租车平均服务时间、出租车平均载客量及上客点泊位数确定乘客平均上车时间，表示如下：

其中，T为乘客平均上车时间，BT为出租车平均服务时间，m为上客点泊位数，δ为出租车平均载客量。

通常通过统计数据，可知所述出租车平均服务时间为20秒，所述出租车平均载客量为1.3人/辆，将数据代入乘客平均上车时间的计算公式，可以得到所述乘客平均上车时间T为8秒。

然后将乘客A之前的乘客人数与乘客平均上车时间的乘积确定为乘客A的候车时间，通过计算可得乘客A的候车时间为：

8×99/60＝13分钟。

即乘客A的候车时间为13分钟。

在本申请中使用的特定示例和场景是为了容易理解而不将是限制性的。可以在可以涉及或可以不涉及出租车或甚至直接用车旅行的许多其它环境和情况中使用本文中描述的特征。例如，除了出租车调度，本文中描述的技术可以应用于其它类型的运输服务或交通工具，其可以是机动车化的(例如，豪华轿车服务、公共汽车服务、卡车服务、船的服务、渡船服务、火车服务、飞机服务等)或非机动车化的(例如，马车服务、自行车服务、人力车服务等)。本文中描述的技术还可以应用于无人驾驶的和/或计算机向导的基于陆地或基于空中的运输。本文中描述的技术还可以应用于旅游服务(公共汽车旅游、船的旅游、ATV旅游、雪上汽车旅游、赛格威(Segway)旅游、马(或其它动物)的旅游等)，或甚至用于个人使用的交通工具(例如，租车、船、喷气式水艇、雪上汽车、马等)。另外，本文中描述的安全相关的特征可以在上面环境中的任意中、或甚至在非交通工具环境中(例如，走路、慢跑、徒步旅行、游泳、滑雪等)都是有用的。也可以预期许多其它环境和使用。

本申请还提供了一种应用于车站机场的出租车调度服务器，包括：存储设备，存储了检测器采集的当前候车人数和蓄车场的当前车辆数；处理器；通信系统，被配置为与所述处理器和外部网络通信；存储器，被配置为与所述处理器通信，所述存储器存储了多个处理指令，所述处理指令适合于指示所述处理器执行：将检测器采集的当前候车人数输入客流预测模型得到预设时间后的预测候车人数；基于蓄车场的当前车辆数和当前候车人数计算得到当前人车比，基于当前车辆数和预测候车人数计算得到预测人车比；当所述预测人车比大于预设阈值时，输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车；当所述预测人车比小于等于预设阈值时，输出预警信息，所述预警信息用于提示所述蓄车场的出租车充足。其具体方法前文已做详细阐述，本段落不再赘述。

本申请还提供了一种调度设备，包括任意如本申请实施例所述应用于车站机场的出租车调度方法的装置，其具体方法前文已做详细阐述，本段落不再赘述。

本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如本申请实施例提供的任一所述应用于车站机场的出租车调度方法。

本申请的有益效果：通过构建客流预测模型，可以实现较为准确的预测候车人数；进一步通过获取当前人车比和预测人车比，可以实现及时判断出租车是否需要进行调度；进一步通过构建调度信息，可以实现出租车的调度以及获得乘客的预测候车时间；进一步通过构建预警信息，可以得到出租车的预测待上客时间，提高出租车调度效率，蓄车场和候车区可实现根据未来客流量进行相应的调节，有效的防止人多车少或人少车多的情况发生，为交通枢纽客流状态的整体把控提供数据支持，提高交通枢纽的整体服务水平，具有较强的协调性。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

Claims (10)

1.一种应用于车站机场的出租车调度服务器，其特征在于，包括：

存储设备，存储了检测器采集的当前候车人数和蓄车场的当前车辆数；

处理器；

通信系统，被配置为与所述处理器和外部网络通信；

存储器，被配置为与所述处理器通信，所述存储器存储了多个处理指令，所述处理指令适合于指示所述处理器执行：

将检测器采集的当前候车人数输入客流预测模型得到预设时间后的预测候车人数；

基于蓄车场的当前车辆数和当前候车人数计算得到当前人车比，基于当前车辆数和预测候车人数计算得到预测人车比；

当所述预测人车比大于预设阈值时，输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车；

当所述预测人车比小于等于预设阈值时，输出预警信息，所述预警信息用于提示所述蓄车场的出租车充足。

2.一种应用于车站机场的出租车调度方法，其特征在于，所述方法包括：

将检测器采集的当前候车人数输入客流预测模型得到预设时间后的预测候车人数；

基于蓄车场的当前车辆数和当前候车人数计算得到当前人车比，基于当前车辆数和预测候车人数计算得到预测人车比；

当所述预测人车比大于预设阈值时，输出调度信息，所述调度信息用于在当前时刻调度增加满足所述预测候车人数的出租车；

当所述预测人车比小于等于预设阈值时，输出预警信息，所述预警信息用于提示所述蓄车场的出租车充足。

3.如权利要求2所述的应用于车站机场的出租车调度方法，其特征在于，所述客流预测模型为基于深度学习框架的LSTM神经网络模型。

4.如权利要求2所述的应用于车站机场的出租车调度方法，其特征在于，所述预警信息包括：

蓄车场的当前车辆数、以及未来所述预设时间内的车辆需求数量；

蓄车场车辆排队序列中出租车的等待上客时间。

5.如权利要求4所述的应用于车站机场的出租车调度方法，其特征在于，所述等待上客时间，根据乘客平均上车时间、乘客流的间隔时间、以及出租车从蓄车场至上客区的时间计算确定出租车的等待上客时间。

6.如权利要求2所述的应用于车站机场的出租车调度方法，其特征在于，所述预警信息包括：

乘客队列中乘客的候车时间。

7.如权利要求6所述的应用于车站机场的出租车调度方法，其特征在于，通过乘客队列的序号、以及乘客平均上车时间计算所述乘客之前的所有乘客的离开所需时间，为所述候车时间。

8.如权利要求2所述的应用于车站机场的出租车调度方法，其特征在于，所述调度信息包括乘客队列中乘客的候车时间。

9.一种调度设备，其特征在于，包括用于执行如权利要求2-8中的任意一项的方法的装置。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如权利要求2-8中任意一项所述的方法。

Images