CN111415075A - 一种车辆调度方法及装置 - Google Patents

一种车辆调度方法及装置 Download PDF

Info

Publication number
CN111415075A
CN111415075A CN202010177466.4A CN202010177466A CN111415075A CN 111415075 A CN111415075 A CN 111415075A CN 202010177466 A CN202010177466 A CN 202010177466A CN 111415075 A CN111415075 A CN 111415075A
Authority
CN
China
Prior art keywords
order
state
prediction
vehicle
parameter
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
Application number
CN202010177466.4A
Other languages
English (en)
Other versions
CN111415075B (zh
Inventor
郭玉林
王昕�
张之硕
朱健
刘栋
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.)
Nanjing Leading Technology Co Ltd
Original Assignee
Nanjing Leading 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 Nanjing Leading Technology Co Ltd filed Critical Nanjing Leading Technology Co Ltd
Priority to CN202010177466.4A priority Critical patent/CN111415075B/zh
Publication of CN111415075A publication Critical patent/CN111415075A/zh
Application granted granted Critical
Publication of CN111415075B publication Critical patent/CN111415075B/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
    • 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
    • G06Q10/04—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
    • G06Q10/06315—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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种车辆调度方法及装置。所述方法包括：获取目标区域的第一状态参数，所述第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域；从预设的决策模型中，匹配所述第一状态参数的目标状态；根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径；其中，目标操作为所述决策模型中，订单派发成功的预测量最大的调整操作。本发明实施例解决了现有技术中，网约车以固定区域派单的方式，容易引起供需不平衡的问题。

Description

一种车辆调度方法及装置
技术领域
本发明涉及互联网技术领域，尤其涉及一种车辆调度方法及装置。
背景技术
近年来，随着移动互联网行业的迅速发展，传统交通运输与互联网融合的行业新业态蓬勃发展，使得网络约车服务(简称网约车)俨然已经成为用户出行的一个重要方式，网约车可满足用户在不同出行场景中的使用需求，用户规模持续、稳定地增长，其在短时间内迅速占据了大量的用户市场，也为用户出行带来了极大的便利。
网约车平台在接收到用户从客户端触发的约车订单后，将约车订单派发给空闲状态的车辆；在每个派单周期内，平台通常会接收到大量的订单，因此需要对订单与车辆进行合理的调配，使得接单率最大化。具体地，网约车平台在派单的过程中，通常将在地域上划分较小的地理范围，作为一个派单区域，在该区域内的约车订单，通常由该区域的车辆承接，也就是，每个固定的区域进行派单。然而，此种派单方式，容易引起供需不平衡，以提高订单资源与车辆资源的利用率。
发明内容
本发明实施例提供一种车辆调度方法及装置，以解决现有技术中，网约车以固定区域派单的方式，容易引起供需不平衡的问题。
一方面，本发明实施例提供了一种车辆调度方法，所述方法包括：
获取目标区域的第一状态参数，所述第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域；
从预设的决策模型中，匹配所述第一状态参数的目标状态；其中，所述目标状态的状态参数中的第二子参数的值域，包括所述第一子参数的值域；所述决策模型中，包括至少两个预测状态，不同的所述预测状态的状态参数中，存在至少一个值域不同的所述状态参数；
根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径；其中，目标操作为所述决策模型中，订单派发成功的预测量最大的调整操作。
另一方面，本发明实施例还提供一种车辆调度装置，所述装置包括：
参数获取模块，用于获取目标区域的第一状态参数，所述第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域；
状态匹配模块，用于从预设的决策模型中，匹配所述第一状态参数的目标状态；其中，所述目标状态的状态参数中的第二子参数的值域，包括所述第一子参数的值域；所述决策模型中，包括至少两个预测状态，不同的所述预测状态的状态参数中，存在至少一个值域不同的所述状态参数；
半径调整模块，用于根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径；其中，目标操作为所述决策模型中，订单派发成功的预测量最大的调整操作。
又一方面，本发明实施例还提供一种电子设备，该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的车辆调度方法中的步骤。
再一方面，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的车辆调度方法中的步骤。
在本发明实施例中，获取目标区域的第一状态参数；从预设的决策模型中，匹配所述第一状态参数的目标状态；根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径，使得目标区域的订单派发成功量最大化；基于决策模型，调整整个服务区域内的每个目标区域的车辆召回半径，若目标区域供需不平衡，通过调整车辆召回半径，协调与周边区域之间的车辆与订单资源，降低空驶率，服务区域内整体的订单派发成功量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明实施例提供的车辆调度方法的步骤流程图之一；
图2为本发明实施例提供的车辆调度方法的步骤流程图之二；
图3为本发明实施例提供的车辆调度装置的结构框图；
图4为本发明实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参见图1，本发明实施例提供了一种车辆调度方法，其中，所述方法可应用于网约车的服务器，所述服务器可与多个客户端通信连接，接收客户端发送的约车订单，并为客户端派发车辆。
所述方法包括：
步骤101，获取目标区域的第一状态参数，所述第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域。
其中，目标区域为车辆调度的单位区域；比如，根据经纬度等地理位置信息，将所述服务器的服务区域划分为范围较小的目标区域，以提高派单精度。具体地，可以基于地域划分算法，比如地理位置距离排序算法(GeoHash)算法，GeoHash算法将二维的经纬度转换成一维的字符串(key)，可直观地展示在地图上，同一块区域的经纬度信息都转换成相同的字符串，被划分到相同的区域。随着字符串的数量变化，区域大小也相应变化；此外，还可以使用六边形划分算法进行地域划分，本发明实施例在此不作限定。
在对目标区域进行车辆调度的过程中，获取目标区域的第一状态参数，第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域。周边区域即与目标区域相邻的区域；值域即数据范围，也就是说，第一状态参数包括第一子参数的值域，即每个第一子参数是一段连续的数据范围。比如，若第一状态参数包括A、B、C、D，4个第一子参数，而第一状态参数是如下形式：A数据范围、B数据范围、C数据范围、D数据范围。具体地，由于服务器的服务区域内的目标区域通常数量庞大，每个目标区域的第一子参数可能是连续的数值，这样，多个第一子参数可形成的参数组合(组合后形成第一状态参数)的数量会非常大；为了便于处理，将每个第一子参数分段处理，则多个第一子参数组合后形成的第一状态参数的数量将减少，以减少服务器的运算量，提高派单效率。
步骤102，从预设的决策模型中，匹配所述第一状态参数的目标状态；其中，所述目标状态的状态参数中的第二子参数的值域，包括所述第一子参数的值域；所述决策模型中，包括至少两个预测状态，不同的所述预测状态的状态参数中，存在至少一个值域不同的所述状态参数。
其中，决策模型中包括至少两个预测状态，每个预测状态由至少两个第二子参数组成，作为第一示例，如以下表1所示：
表1：
Figure BDA0002411288710000041
Figure BDA0002411288710000051
其中，每个编号对应一个预测状态，每个预测状态由不同的第二子参数组成，表1中动作0和动作1对应的表格内容为每个动作对应的奖励。
可选地，所述决策模型由强化学习算法计算得到，强化学习用于解决序贯决策问题，即需要连续不断做出决策，才能实现最终目标的问题。强化学习主要是学习在当前情况下该如何选择动作，就是如何将情况与动作对应起来，以达到最大化的数值奖励信号。
将目标区域的子参数根据值域分段处理，组合得到不同的预测状态，通过强化学习算法计算得到每个预测状态的数值奖励，便得到了决策模型，数值奖励即成功派发的预测订单量。
根据目标区域的第一状态参数，从决策模型中预测状态匹配相对应的目标状态，目标状态中每个第二子参数的值域不小于对应的第一子参数的值域。
步骤103，根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径；其中，目标操作为所述决策模型中，订单派发成功的预测量最大的调整操作。
其中，匹配得到目标状态后，查找目标状态的操作中，奖励最大的目标操作，即订单派发成功的预测量最大的操作；仍然参见上述表1，确定目标状态之后，将动作0和动作1中，奖励最大的动作作为目标操作，调整目标区域的车辆召回半径。
可选地，调整操作包括扩大召回半径以及缩小召回半径，以及所述调整操作的步长；比如，在每个预设周期内，执行一次调整操作，根据目标操作的类型，扩大召回半径或缩小召回半径，以提高目标区域的订单量；召回半径即车辆召回半径，以目标区域的中心点为圆心，召回半径范围内的车辆，都可承接目标区域内的约车订单。
这样，针对派单区域内每个目标区域，在每个预设周期内均采用决策模型中指示的目标操作，扩大召回半径或缩小召回半径，合理协调与周边区域之间的车辆调度问题，提高派单区域的整体订单量。
比如，目标区域A在某时段，空闲车辆数小于待派发的订单数，若差值较大，则会积压较多的订单无法成功派发，按照本发明实施例中提供的方法，可通过扩大车辆召回半径多召回车辆，以满足订单需求。
或者，目标区域B在某时段，订单数小于空闲车辆数，若差值较大，而对于每个订单仍按照当前车辆召回半径召回车辆，则会导致车辆与订单的匹配率低，较多的车辆会处于空载状态，按照本发明实施例中提供的方法，可通过缩小车辆召回半径，即可满足订单需求，同时避免每个订单面向过多的车辆发出接单请求。
可选地，针对每个目标区域，还可定时开启上述目标操作；比如，目标区域C仅在早高峰时段出现供需不平衡的状态，则可设定仅在早高峰时段时段执行车辆调度。
这样，针对服务区域内的每个目标区域，均采用上述方法执行车辆召回半径调整，以提高服务区域内整体的订单派发成功量以及降低车辆空载率。
本发明实施例中，获取目标区域的第一状态参数；从预设的决策模型中，匹配所述第一状态参数的目标状态；根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径，使得目标区域的订单派发成功量最大化；基于决策模型，调整整个服务区域内的每个目标区域的车辆召回半径，若目标区域供需不平衡，通过调整车辆召回半径，协调与周边区域之间的车辆与订单资源，降低空驶率，服务区域内整体的订单派发成功量。本发明实施例解决了现有技术中，网约车以固定区域派单的方式，容易引起供需不平衡的问题。
可选地，本发明实施例中，所述获取目标区域的第一状态参数之前，所述方法包括：
获取所述目标区域的样本数据，所述样本数据包括第二状态参数，所述第二状态参数中的每个状态参数为一段连续数据范围；
根据所述第二状态参数，建立所述决策模型。
其中，样本数据为目标区域的历史派单数据，包括车辆召回半径以及第二状态参数，第二状态参数可包括本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个子参数的值域。
获取第二状态参数后，建立决策模型，具体地，所述根据所述第二状态参数，建立所述决策模型的步骤，包括：
根据第二状态参数，确定所述目标区域的所述预测状态；
确定每个所述预测状态的初始订单量；所述初始订单量为订单派发成功的预测量；
根据预设的强化学习算法以及所述初始订单量，建立所述决策模型。
其中，确定第二状态参数后，首先对第二状态参数中每个子参数进行分段处理，将每个子参数分成多个数据段；然后将每个子参数的数据段组合成不同预测状态。由于服务器的服务区域内的目标区域通常数量庞大，每个目标区域的子参数也可能是连续的数值，这样，多个子参数可形成的参数组合(组合后形成第二状态参数)的数量会非常大；为了便于处理，将每个子参数分段处理，则多个子参数组合后形成的第一状态参数的数量将减少，以减少服务器的运算量，提高派单效率。
组合成预测状态后，对预测状态进行预测，得到初始订单量，然后根据预设的强化学习算法以及所述初始订单量，建立所述决策模型。
可选地，强化学习算法可以是Q-learning算法等。
可选地，本发明实施例中，所述确定每个所述预测状态的初始订单量的步骤，包括：
根据所述样本数据中，所述预测状态下的本区域订单以及本区域车辆，确定所述预测状态的接单预测参数；所述接单预测参数为根据所述本区域订单与本区域车辆之间的距离确定的；
根据所述接单预测参数，建立包括所述本区域订单的订单集与包括所述本区域车辆的车辆集之间的二分图，确定所述二分图的最大匹配权值；所述最大匹配权值为所述初始订单量。
其中，以距离参数作为接单预测参数，接单预测参数表明某一具体订单与某一具体车辆之间的匹配程度；比如，可采用预设的归一化处方式，将订单的乘客与车辆之间的接乘距离归一化处理，得到二者之间的匹配程度。
然后将接单预测参数作为二分图的内容，建立本区域内所有订单与所有车辆之间的二分图，依据二分图确定最大匹配权值，得到该区域内订单派发成功的预测量的最大值。
作为第二示例，参考以下表2，表2中所示数据为二分图的示意；
表2：
C1 …… Cj …… Cm
O1 0.4 0.6 0.4 0.8 0.8
…… 0.8 0.6 0.6 0.4 0.4
Oi 0.4 0.8 0.6 0.8 0.6
…… 0.6 0.8 0.8 0.8 0.8
On 0.8 0.4 0.6 0.4 0.6
表2中，{O1，……，On}为所述订单集，{C1，……，Cm}为所述车辆集；表格中填充的为接单预测参数，比如，对于订单O1来说，其所在行的数据分别表示O1与每台车辆之间的接单预测参数，O1D1对应的表格中0.4表示订单O1与车辆C1之间的接单预测参数为0.4；也就是说，OiCj表示订单Oi与车辆Cj之间的接单预测参数。
得到表2中所示的二分图之后，根据预设的匹配算法，得到二分图的最大匹配权值；其中，匹配的过程中，每个订单至多仅与一台车辆进行匹配，每台车辆至多仅与一个订单匹配；也就是说，最大匹配权值的匹配结果中，车辆与订单之间是一一对应的关系，或者存在有订单未匹配到车辆，但不会出现多对一、或一对多的情况，即不会出现一个订单有多个车辆承接，或一台车辆承接了的多个订单的情况。
参见以下表3，作为表2的一种匹配结果，表3中1表示匹配成功，0表示匹配失败，每个订单仅与一台车辆匹配成功，每台车辆仅以一个订单匹配成功。
表3：
C1 …… Cj …… Cm
O1 0 1 0 0 0
…… 1 0 0 0 0
Oi 0 0 1 0 0
…… 0 0 0 1 0
On 0 0 0 0 1
最大匹配权值不仅保证了这种一一对应关系，还使得匹配结果中，所有接单预测参数之和最大，得到最大匹配权值作为所述初始订单量。
可选地，本发明实施例中，所述确定所述二分图的最大匹配权值的步骤，包括：
根据以下公式，计算所述二分图的最大匹配权值：
Figure BDA0002411288710000091
其中，
Figure BDA0002411288710000092
X∈{0,n}为所述订单集，
Figure BDA0002411288710000093
X∈{0,m}为所述车辆集；
Wij表示i订单和j车辆之间的接单预测单数；
当且仅当i订单和j车辆可匹配时Xij为1，否则为0。
其中，采用KM算法(Kuhn-Munkras)求解出带权二分图的权值最大的完备匹配，参见表2，
Figure BDA0002411288710000101
X∈{0,n}为所述订单集，
Figure BDA0002411288710000102
X∈{0,m}为所述车辆集；
Wij表示i订单和j车辆之间的接单预测单数，即匹配参数；
参见表3，当且仅当i订单和j车辆可匹配时Xij为1，即j车辆(即将)匹配i订单，可将i订单派发给j车辆；否则Xij为0。
最大匹配权值的匹配结果中，车辆与订单之间是一一对应的关系，匹配结果中，所有接单预测单数之和最大。
参见图2，本发明实施例中，所述根据预设的强化学习算法以及所述初始订单量，建立所述决策模型的步骤，包括：
步骤201，对所述预测状态进行排序，并依据排序后的预测状态，以及所述预测状态对应的调整操作，生成初始决策表；所述初始决策表中包括每个所述预测状态下订单派发成功的预测量。
其中，得到预测状态的初始订单量后，依据初始订单量建立决策表，如以下表4所示，其中分段表示值域，即数值范围：
表4：
编号 预测状态 预测量
1 (A分段1，B分段1，C分段1，D分段1) V10
2 (A分段1，B分段2，C分段1，D分段1) V20
3 (A分段1，B分段3，C分段1，D分段1) V30
… … …
n (A分段x，B分段y，C分段z，D分段p) Vn0
步骤202，针对所述初始决策表中的第一个预测状态，执行调整操作，所述调整操作包括：筛选订单派发成功的预测量最大的第一调整操作，并跳转至经过所述第一调整操作调整后的第二预测状态，同时根据经过所述第一调整操作调整后的订单派发成功的预测量更新所述初始决策表，得到第二决策表。
其中，针对第一个预测状态，分别进行扩大召回半径一次以及缩小调召回半径一次，可选地，以单次调整的步长为1公里为例：
对第一个预测状态，扩大召回半径1公里，第二状态参数发生变化，若变为第二个预测状态，则第二个预测状态对应的初始订单量，即为本次调整操作的奖励(reward)，即预测量1；
仍对于第一个预测状态，缩小召回半径1公里，第二状态参数发生变化，若变为第三个预测状态，则第三个预测状态对应的初始订单量，即为本次调整操作的奖励，即预测量2；若预测量2小于预测量1，则以缩小操作作为调整操作更新决策表，此时决策表变成决策表5，表5中动作0和动作1对应的两列数据，仅有预测量2是真实值，其他可设置一默认值，比如0：
表5：
Figure BDA0002411288710000111
步骤203，对于所述第二预测状态，依据所述第二决策表，执行所述调整操作，包括：筛选订单派发成功的预测量最大的第二调整操作，并跳转至经过所述第二调整操作调整后的第三预测状态，同时根据经过所述第二调整操作调整后的订单派发成功的预测量更新所述第二决策表，得到第三决策表。
对于第二预测状态，依据第二决策表(表5)，执行所述调整操作，并更新决策表。
步骤204，重复执行所述调整操作，至完成每一个所述预测状态的调整，得到所述决策模型，所述决策模型为最后更新的决策表。
重复执行上述调整操作，至得到决策模型。
具体地，根据强化学习公式(如以下公式1)所示：
公式1：
Figure BDA0002411288710000121
其中，Q1(st,at)表示时间t的状态st下，行动a所代表的估计reward；行动a可以是表1中动作0或动作1；箭头表示赋值的意思；
Q0(st,at)表示在行动a实施之前，Q0(st,at)在决策表中的估计值；
Figure BDA0002411288710000122
为学习系数；γ为报酬衰减系数，0＜γ＜1；
rt+1为t+1时刻的实际reward，即订单派发的实际量；
maxQ(st+1,at+1)表示t+1时刻订单派发成功的最大预测量，即决策表中显示的t+1时刻订单派发成功的预测量；
rt+1+γ*maxQ(st+1,at+1)表示下一时刻的现实值；
rt+1+γ*maxQ(st+1,at+1)-Q0(st,at)表示现实reward与估计估计值之间的差距；
将上述公式1改成以下形式：
新的Q(st,at)＝原始
Figure BDA0002411288710000123
差距；
具体地，参考上述表1，以状态1作为t时刻的状态，那么动作V10带来的reward为Q(s1，V10)，动作V11带来的reward为Q(s1，V11)，若决策表中显示的Q(s1，V11)高于根据二分图计算的Q(s1，V10)，则选择动作V11；此刻需要更新一次决策表，令更新的后决策表为表5。
假设采取动作V11后，状态参数发生变化，对应的状态参数组合变成了状态5，此时依据表5进行决策；假设决策表中显示的Q(s2，V20)的值比根据二分图计算的Q(s2，V21)的大，将Q(s2，V21)乘上一个报酬衰减系数γ*maxQ(s2,V21)，并加上到达s2时所获取的奖励R1，得到现实值；
而表5中，原Q0(s1，V21)的值为估计值；根据估计值与现实值的差距，将这个差距乘以一个学习系数，
Figure BDA0002411288710000131
累加上原Q0(s1，V21)的值变成新的值Q1(st,at)，并用Q1(st,at)更新决策表表5，得到新的决策表；……；按照上述过程不断循环决策，并更新决策表，最终得到符合精确度要求的决策表模型。
本发明实施例中，获取目标区域的第一状态参数；从预设的决策模型中，匹配所述第一状态参数的目标状态；根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径，使得目标区域的订单派发成功量最大化；基于决策模型，调整整个服务区域内的每个目标区域的车辆召回半径，若目标区域供需不平衡，通过调整车辆召回半径，协调与周边区域之间的车辆与订单资源，降低空驶率，服务区域内整体的订单派发成功量。
以上介绍了本发明实施例提供的车辆调度方法，下面将结合附图介绍本发明实施例提供的车辆调度装置。
参见图3，本发明实施例还提供了一种车辆调度装置，所述装置可应用于网约车的服务器，所述服务器可与多个客户端通信连接，接收客户端发送的约车订单，并为客户端派发车辆。
所述装置包括：
参数获取模块301，用于获取目标区域的第一状态参数，所述第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域。
其中，目标区域为车辆调度的单位区域；比如，根据经纬度等地理位置信息，将所述服务器的服务区域划分为范围较小的目标区域，以提高派单精度。具体地，可以基于地域划分算法，比如地理位置距离排序算法(GeoHash)算法，GeoHash算法将二维的经纬度转换成一维的字符串(key)，可直观地展示在地图上，同一块区域的经纬度信息都转换成相同的字符串，被划分到相同的区域。随着字符串的数量变化，区域大小也相应变化；此外，还可以使用六边形划分算法进行地域划分，本发明实施例在此不作限定。
在对目标区域进行车辆调度的过程中，获取目标区域的第一状态参数，第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域。周边区域即与目标区域相邻的区域；值域即数据范围，也就是说，第一状态参数包括第一子参数的值域，即每个第一子参数是一段连续的数据范围。比如，若第一状态参数包括A、B、C、D，4个第一子参数，而第一状态参数是如下形式：A数据范围、B数据范围、C数据范围、D数据范围。具体地，由于服务器的服务区域内的目标区域通常数量庞大，每个目标区域的第一子参数可能是连续的数值，这样，多个第一子参数可形成的参数组合(组合后形成第一状态参数)的数量会非常大；为了便于处理，将每个第一子参数分段处理，则多个第一子参数组合后形成的第一状态参数的数量将减少，以减少服务器的运算量，提高派单效率。
状态匹配模块302，用于从预设的决策模型中，匹配所述第一状态参数的目标状态；其中，所述目标状态的状态参数中的第二子参数的值域，包括所述第一子参数的值域；所述决策模型中，包括至少两个预测状态，不同的所述预测状态的状态参数中，存在至少一个值域不同的所述状态参数。
可选地，所述决策模型由强化学习算法计算得到，强化学习用于解决序贯决策问题，即需要连续不断做出决策，才能实现最终目标的问题。强化学习主要是学习在当前情况下该如何选择动作，就是如何将情况与动作对应起来，以达到最大化的数值奖励信号。
将目标区域的子参数根据值域分段处理，组合得到不同的预测状态，通过强化学习算法计算得到每个预测状态的数值奖励，便得到了决策模型，数值奖励即成功派发的预测订单量。
根据目标区域的第一状态参数，从决策模型中预测状态匹配相对应的目标状态，目标状态中每个第二子参数的值域不小于对应的第一子参数的值域。
半径调整模块303，用于根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径；其中，目标操作为所述决策模型中，订单派发成功的预测量最大的调整操作。
其中，匹配得到目标状态后，查找目标状态的操作中，奖励最大的目标操作，即订单派发成功的预测量最大的操作；仍然参见上述表1，确定目标状态之后，将动作0和动作1中，奖励最大的动作作为目标操作，调整目标区域的车辆召回半径。
可选地，调整操作包括扩大召回半径以及缩小召回半径，以及所述调整操作的步长；比如，在每个预设周期内，执行一次调整操作，根据目标操作的类型，扩大召回半径或缩小召回半径，以提高目标区域的订单量；召回半径即车辆召回半径，以目标区域的中心点为圆心，召回半径范围内的车辆，都可承接目标区域内的约车订单。
这样，针对派单区域内每个目标区域，在每个预设周期内均采用决策模型中指示的目标操作，扩大召回半径或缩小召回半径，合理协调与周边区域之间的车辆调度问题，提高派单区域的整体订单量。
比如，目标区域A在某时段，空闲车辆数小于待派发的订单数，若差值较大，则会积压较多的订单无法成功派发，按照本发明实施例中提供的方法，可通过扩大车辆召回半径多召回车辆，以满足订单需求。
或者，目标区域B在某时段，订单数小于空闲车辆数，若差值较大，而对于每个订单仍按照当前车辆召回半径召回车辆，则会导致车辆与订单的匹配率低，较多的车辆会处于空载状态，按照本发明实施例中提供的方法，可通过缩小车辆召回半径，即可满足订单需求，同时避免每个订单面向过多的车辆发出接单请求。
可选地，针对每个目标区域，还可定时开启上述目标操作；比如，目标区域C仅在早高峰时段出现供需不平衡的状态，则可设定仅在早高峰时段时段执行车辆调度。
这样，针对服务区域内的每个目标区域，均采用上述方法执行车辆召回半径调整，以提高服务区域内整体的订单派发成功量以及降低车辆空载率。
可选地，本发明实施例中，所述装置包括：
样本获取模块，用于获取所述目标区域的样本数据，所述样本数据包括第二状态参数，所述第二状态参数中的每个状态参数为一段连续数据范围；
模型建立模块，用于根据所述第二状态参数，建立所述决策模型。
可选地，本发明实施例中，所述模型建立模块包括：
第一确定子模块，用于根据第二状态参数，确定所述目标区域的所述预测状态；
第二确定子模块，用于确定每个所述预测状态的初始订单量；所述初始订单量为订单派发成功的预测量；
模型建立子模块，用于根据预设的强化学习算法以及所述初始订单量，建立所述决策模型。
可选地，本发明实施例中，所述第二确定子模块包括：
确定单元，用于根据所述样本数据中，所述预测状态下的本区域订单以及本区域车辆，确定所述预测状态的接单预测参数；所述接单预测参数为根据所述本区域订单与本区域车辆之间的距离确定的；
建立单元，用于根据所述接单预测参数，建立包括所述本区域订单的订单集与包括所述本区域车辆的车辆集之间的二分图，确定所述二分图的最大匹配权值；所述最大匹配权值为所述初始订单量。
可选地，本发明实施例中，所述建立单元用于：
根据以下公式，计算所述二分图的最大匹配权值：
Figure BDA0002411288710000161
其中，
Figure BDA0002411288710000162
X∈{0,n}为所述订单集，
Figure BDA0002411288710000163
X∈{0,m}为所述车辆集；
Wij表示i订单和j车辆之间的接单预测单数；
当且仅当i订单和j车辆可匹配时Xij为1，否则为0。
可选地，本发明实施例中，所述模型建立子模块包括：
排序单元，用于对所述预测状态进行排序，并依据排序后的预测状态，以及所述预测状态对应的调整操作，生成初始决策表；所述初始决策表中包括每个所述预测状态下订单派发成功的预测量；
调整单元，用于针对所述初始决策表中的第一个预测状态，执行调整操作，所述调整操作包括：筛选订单派发成功的预测量最大的第一调整操作，并跳转至经过所述第一调整操作调整后的第二预测状态，同时根据经过所述第一调整操作调整后的订单派发成功的预测量更新所述初始决策表，得到第二决策表；
对于所述第二预测状态，依据所述第二决策表，执行所述调整操作，包括：筛选订单派发成功的预测量最大的第二调整操作，并跳转至经过所述第二调整操作调整后的第三预测状态，同时根据经过所述第二调整操作调整后的订单派发成功的预测量更新所述第二决策表，得到第三决策表；
重复执行所述调整操作，至完成每一个所述预测状态的调整，得到所述决策模型，所述决策模型为最后更新的决策表。
本发明实施例提供的车辆调度装置能够实现图1至图2的方法实施例中车辆调度装置实现的各个过程，为避免重复，这里不再赘述。
本发明实施例中，参数获取模块301获取目标区域的第一状态参数；状态匹配模块302从预设的决策模型中，匹配所述第一状态参数的目标状态；半径调整模块303根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径，使得目标区域的订单派发成功量最大化；基于决策模型，调整整个服务区域内的每个目标区域的车辆召回半径，若目标区域供需不平衡，通过调整车辆召回半径，协调与周边区域之间的车辆与订单资源，降低空驶率，服务区域内整体的订单派发成功量。
另一方面，本发明实施例还提供了一种电子设备，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述车辆调度方法中的步骤。
举个例子如下，图4示出了一种电子设备的实体结构示意图。
如图4所示，该电子设备可以包括：处理器(processor)44、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：
接收客户端发送的打车申请，获取所述打车申请针对的目标对象的用户等级；所述打车申请中至少包括用车参数以及路径参数；
确定与所述用户等级对应的预设打车规则，其中，所述预设打车规则中至少包括所述目标对象可用的用车参数以及路径参数；
根据所述预设打车规则，审核所述打车申请。
或
接收用户的用车参数以及路径参数，将用车参数以及路径参数携带在打车申请中发送至所述服务器；
接收所述服务器根据预设打车规则，对所述打车申请的审核结果；其中，所述预设打车规则中至少包括所述目标对象可用的用车参数以及路径参数，所述预设打车规则为所述服务器根据所述用户的用户等级确定的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
再一方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的车辆调度方法，例如包括：
获取目标区域的第一状态参数，所述第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域；
从预设的决策模型中，匹配所述第一状态参数的目标状态；其中，所述目标状态的状态参数中的第二子参数的值域，包括所述第一子参数的值域；所述决策模型中，包括至少两个预测状态，不同的所述预测状态的状态参数中，存在至少一个值域不同的所述状态参数；
根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径；其中，目标操作为所述决策模型中，订单派发成功的预测量最大的调整操作。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (14)

1.一种车辆调度方法，其特征在于，所述方法包括：
获取目标区域的第一状态参数，所述第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域；
从预设的决策模型中，匹配所述第一状态参数的目标状态；其中，所述目标状态的状态参数中的第二子参数的值域，包括所述第一子参数的值域；所述决策模型中，包括至少两个预测状态，不同的所述预测状态的状态参数中，存在至少一个值域不同的所述状态参数；
根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径；其中，目标操作为所述决策模型中，订单派发成功的预测量最大的调整操作。
2.根据权利要求1所述的车辆调度方法，其特征在于，所述获取目标区域的第一状态参数之前，所述方法包括：
获取所述目标区域的样本数据，所述样本数据包括第二状态参数，所述第二状态参数中的每个状态参数为一段连续数据范围；
根据所述第二状态参数，建立所述决策模型。
3.根据权利要求2所述的车辆调度方法，其特征在于，所述根据所述第二状态参数，建立所述决策模型的步骤，包括：
根据第二状态参数，确定所述目标区域的所述预测状态；
确定每个所述预测状态的初始订单量；所述初始订单量为订单派发成功的预测量；
根据预设的强化学习算法以及所述初始订单量，建立所述决策模型。
4.根据权利要求3所述的车辆调度方法，其特征在于，所述确定每个所述预测状态的初始订单量的步骤，包括：
根据所述样本数据中，所述预测状态下的本区域订单以及本区域车辆，确定所述预测状态的接单预测参数；所述接单预测参数为根据所述本区域订单与本区域车辆之间的距离确定的；
根据所述接单预测参数，建立包括所述本区域订单的订单集与包括所述本区域车辆的车辆集之间的二分图，确定所述二分图的最大匹配权值；所述最大匹配权值为所述初始订单量。
5.根据权利要求4所述的车辆调度方法，其特征在于，所述确定所述二分图的最大匹配权值的步骤，包括：
根据以下公式，计算所述二分图的最大匹配权值：
Figure FDA0002411288700000021
其中，
Figure FDA0002411288700000022
X∈{0,n}为所述订单集，
Figure FDA0002411288700000023
X∈{0,m}为所述车辆集；
Wij表示i订单和j车辆之间的接单预测单数；
当且仅当i订单和j车辆可匹配时Xij为1，否则为0。
6.根据权利要求3所述的车辆调度方法，其特征在于，所述根据预设的强化学习算法以及所述初始订单量，建立所述决策模型的步骤，包括：
对所述预测状态进行排序，并依据排序后的预测状态，以及所述预测状态对应的调整操作，生成初始决策表；所述初始决策表中包括每个所述预测状态下订单派发成功的预测量；
针对所述初始决策表中的第一个预测状态，执行调整操作，所述调整操作包括：筛选订单派发成功的预测量最大的第一调整操作，并跳转至经过所述第一调整操作调整后的第二预测状态，同时根据经过所述第一调整操作调整后的订单派发成功的预测量更新所述初始决策表，得到第二决策表；
对于所述第二预测状态，依据所述第二决策表，执行所述调整操作，包括：筛选订单派发成功的预测量最大的第二调整操作，并跳转至经过所述第二调整操作调整后的第三预测状态，同时根据经过所述第二调整操作调整后的订单派发成功的预测量更新所述第二决策表，得到第三决策表；
重复执行所述调整操作，至完成每一个所述预测状态的调整，得到所述决策模型，所述决策模型为最后更新的决策表。
7.一种车辆调度装置，其特征在于，所述装置包括：
参数获取模块，用于获取目标区域的第一状态参数，所述第一状态参数包括：本区域订单需求数量、本区域车辆供给数量、周边区域订单需求数量以及周边区域车辆供给数量中的至少一个第一子参数的值域；
状态匹配模块，用于从预设的决策模型中，匹配所述第一状态参数的目标状态；其中，所述目标状态的状态参数中的第二子参数的值域，包括所述第一子参数的值域；所述决策模型中，包括至少两个预测状态，不同的所述预测状态的状态参数中，存在至少一个值域不同的所述状态参数；
半径调整模块，用于根据所述目标状态的目标操作，调整所述目标区域的车辆召回半径；其中，目标操作为所述决策模型中，订单派发成功的预测量最大的调整操作。
8.根据权利要求7所述的车辆调度装置，其特征在于，所述装置包括：
样本获取模块，用于获取所述目标区域的样本数据，所述样本数据包括第二状态参数，所述第二状态参数中的每个状态参数为一段连续数据范围；
模型建立模块，用于根据所述第二状态参数，建立所述决策模型。
9.根据权利要求8所述的车辆调度装置，其特征在于，所述模型建立模块包括：
第一确定子模块，用于根据第二状态参数，确定所述目标区域的所述预测状态；
第二确定子模块，用于确定每个所述预测状态的初始订单量；所述初始订单量为订单派发成功的预测量；
模型建立子模块，用于根据预设的强化学习算法以及所述初始订单量，建立所述决策模型。
10.根据权利要求9所述的车辆调度装置，其特征在于，所述第二确定子模块包括：
确定单元，用于根据所述样本数据中，所述预测状态下的本区域订单以及本区域车辆，确定所述预测状态的接单预测参数；所述接单预测参数为根据所述本区域订单与本区域车辆之间的距离确定的；
建立单元，用于根据所述接单预测参数，建立包括所述本区域订单的订单集与包括所述本区域车辆的车辆集之间的二分图，确定所述二分图的最大匹配权值；所述最大匹配权值为所述初始订单量。
11.根据权利要求10所述的车辆调度装置，其特征在于，所述建立单元用于：
根据以下公式，计算所述二分图的最大匹配权值：
Figure FDA0002411288700000041
其中，
Figure FDA0002411288700000042
X∈{0,n}为所述订单集，
Figure FDA0002411288700000043
X∈{0,m}为所述车辆集；
Wij表示i订单和j车辆之间的接单预测单数；
当且仅当i订单和j车辆可匹配时Xij为1，否则为0。
12.根据权利要求9所述的车辆调度装置，其特征在于，所述模型建立子模块包括：
排序单元，用于对所述预测状态进行排序，并依据排序后的预测状态，以及所述预测状态对应的调整操作，生成初始决策表；所述初始决策表中包括每个所述预测状态下订单派发成功的预测量；
调整单元，用于针对所述初始决策表中的第一个预测状态，执行调整操作，所述调整操作包括：筛选订单派发成功的预测量最大的第一调整操作，并跳转至经过所述第一调整操作调整后的第二预测状态，同时根据经过所述第一调整操作调整后的订单派发成功的预测量更新所述初始决策表，得到第二决策表；
对于所述第二预测状态，依据所述第二决策表，执行所述调整操作，包括：筛选订单派发成功的预测量最大的第二调整操作，并跳转至经过所述第二调整操作调整后的第三预测状态，同时根据经过所述第二调整操作调整后的订单派发成功的预测量更新所述第二决策表，得到第三决策表；
重复执行所述调整操作，至完成每一个所述预测状态的调整，得到所述决策模型，所述决策模型为最后更新的决策表。
13.一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的车辆调度方法的步骤。
14.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的车辆调度方法的步骤。
CN202010177466.4A 2020-03-13 2020-03-13 一种车辆调度方法及装置 Active CN111415075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010177466.4A CN111415075B (zh) 2020-03-13 2020-03-13 一种车辆调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010177466.4A CN111415075B (zh) 2020-03-13 2020-03-13 一种车辆调度方法及装置

Publications (2)

Publication Number Publication Date
CN111415075A true CN111415075A (zh) 2020-07-14
CN111415075B CN111415075B (zh) 2022-05-20

Family

ID=71494490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010177466.4A Active CN111415075B (zh) 2020-03-13 2020-03-13 一种车辆调度方法及装置

Country Status (1)

Country Link
CN (1) CN111415075B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902156A (zh) * 2021-11-16 2022-01-07 南京领行科技股份有限公司 网约车的调度方法、装置及存储介质
CN114331011A (zh) * 2021-11-30 2022-04-12 中国科学院深圳先进技术研究院 一种多队列模型派单系统、方法及基于网络流的派单算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875674A (zh) * 2017-04-14 2017-06-20 上海雷腾软件股份有限公司 一种用于车辆调度的方法及设备
CN107580010A (zh) * 2016-07-05 2018-01-12 滴滴（中国）科技有限公司 一种车辆资源调度处理方法及服务器
CN110110871A (zh) * 2018-02-01 2019-08-09 北京嘀嘀无限科技发展有限公司 一种订单分配的方法和系统
CN110580576A (zh) * 2019-08-27 2019-12-17 南京领行科技股份有限公司 一种订单派发方法及装置
US20200074353A1 (en) * 2018-09-04 2020-03-05 Didi Research America, Llc System and method for ride order dispatching and vehicle repositioning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107580010A (zh) * 2016-07-05 2018-01-12 滴滴（中国）科技有限公司 一种车辆资源调度处理方法及服务器
CN106875674A (zh) * 2017-04-14 2017-06-20 上海雷腾软件股份有限公司 一种用于车辆调度的方法及设备
CN110110871A (zh) * 2018-02-01 2019-08-09 北京嘀嘀无限科技发展有限公司 一种订单分配的方法和系统
US20200074353A1 (en) * 2018-09-04 2020-03-05 Didi Research America, Llc System and method for ride order dispatching and vehicle repositioning
CN110580576A (zh) * 2019-08-27 2019-12-17 南京领行科技股份有限公司 一种订单派发方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902156A (zh) * 2021-11-16 2022-01-07 南京领行科技股份有限公司 网约车的调度方法、装置及存储介质
CN113902156B (zh) * 2021-11-16 2022-04-08 南京领行科技股份有限公司 网约车的调度方法、装置及存储介质
CN114331011A (zh) * 2021-11-30 2022-04-12 中国科学院深圳先进技术研究院 一种多队列模型派单系统、方法及基于网络流的派单算法

Also Published As

Publication number Publication date
CN111415075B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN113326126B (zh) 任务处理方法、任务调度方法、装置及计算机设备
CN109919532B (zh) 一种物流节点确定方法及装置
CN110580575A (zh) 一种订单派发方法及装置
CN111415075B (zh) 一种车辆调度方法及装置
CN110580576A (zh) 一种订单派发方法及装置
CN110992123B (zh) 一种订单派发方法及装置
CN109816128A (zh) 网约车订单的处理方法、装置、设备及可读存储介质
CN110889738B (zh) 一种订单派发方法及装置
CN111695842B (zh) 配送方案确定方法、装置、电子设备及计算机存储介质
CN107545359A (zh) 一种搬家车辆调度方法及系统
CN115392348A (zh) 联邦学习梯度量化方法、高效通信联邦学习方法及相关装置
CN112508423B (zh) 引导路线生成方法及装置
CN111885551B (zh) 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制
CN117217458A (zh) 一种公交路线的车型混配优化方法、装置、设备及介质
CN116521369A (zh) 边缘计算任务分配方法、装置及非易失性存储介质
CN111429237A (zh) 订单价格的确定方法、装置、服务器及存储介质
CN116843016A (zh) 一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质
CN112966968B (zh) 一种基于人工智能的名单分配方法及相关设备
CN113936494B (zh) 一种基于分时乘车需求的公交调度方法及装置
CN111612297B (zh) 评分处理方法、装置及订单派发系统
CN113409571A (zh) 一种设置公交车道的判定方法、装置、存储介质及终端
CN114549106A (zh) 商家信息展示的方法、装置、存储介质及电子设备
CN111882121A (zh) 一种物流路径优化方法、装置及计算机可读存储介质
CN116777089B (zh) 基于车站密度系数算法的线网客控方法、装置及相关设备
CN111831906B (zh) 基于航线排行榜的航线推送方法及系统

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