CN111445091B - 一种客运中心出租车司机的智能决策方法 - Google Patents
一种客运中心出租车司机的智能决策方法 Download PDFInfo
- Publication number
- CN111445091B CN111445091B CN202010317468.9A CN202010317468A CN111445091B CN 111445091 B CN111445091 B CN 111445091B CN 202010317468 A CN202010317468 A CN 202010317468A CN 111445091 B CN111445091 B CN 111445091B
- Authority
- CN
- China
- Prior art keywords
- passenger
- time
- taxi
- cost
- passengers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000029305 taxis Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 230000010006 flight Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种客运中心出租车司机的智能决策方法,包括如下步骤:分析乘客分布特性,确定乘客出站时长分布参数;预测出站客流量;了解乘客对出租车选择比例随时间的变化;利用熵值法确定其他因素对出租车选择比例随时间变化的影响;经济成本预测;选择合适的载客策略。本发明基于最小二乘思想,对机场不同时刻乘客选择出租车的比例数据进行拟合,得到以时间为自变量,以出租车选择比例为因变量的函数关系式,考虑到可能影响乘客对出租车选择的其他因素,可以采用熵值法得到用于描述该影响因素的指数,之后对函数关系式进行修正,通过分析等待耗时成本和空载费用成本进行经济成本预测,最后司机结合经济成本预测做出是否待在机场等待客源的决策。
Description
技术领域
本发明涉及一种智 能决策方法,具体说是一种关于机场出租车司机排队待客还是返回市区的决策方法。
背景技术
乘客在下飞机后想要去目的地,出租车是主要的交通工具之一。国内多数机场都是将送客与接客通道分开,送客到机场的出租车司机一般都会面临两个选择:前往到达区排队等待载客返回市区,但是出租车必须按照先来后到的原则到机场指定的“蓄车池”排队等候,需要有时间成本;或者司机可以选择直接放空返回市区拉客,但是要付出相应的经济代价。
一般司机在此情况下的决策与经验有关,但这往往并不可靠,目前只存在机场的出租车宏观调度方法,没有对于出租车司机个人的决策方法,在实际中,还有很多影响出租车司机决策的确定和不确定因素,其影响效果不尽相同。
发明内容
为了解决上述特定的交通出行问题,本发明结合了最小二乘拟合和熵值法与相关的计算方法,提供了一种关于机场出租车司机排队待客还是返回市区的决策方法,最小二乘拟合方法可以通过最小误差平方逼近,寻找与给定样本偏差最小的曲线,很好地反映函数的变化趋势;熵值法可以确定各因素对目标影响地权重,具有很强的客观性,将最小二乘拟合和熵值法结合,得到出租车司机的最优决策。
为了达到上述目的,本发明是通过以下技术方案实现的:
本发明是一种客运中心出租车司机的智能决策方法,该智能决策方法包括如下步骤:
步骤1、分析乘客分布特性,确定乘客出站时长分布参数;
步骤2、预测出站客流量;
步骤3、了解乘客对出租车选择比例随时间的变化;
步骤4、利用熵值法确定其他因素对出租车选择比例随时间变化的影响;
步骤5、经济成本预测;
步骤6、选择合适的载客策略。
本发明的进一步改进在于:在所述步骤1中,乘客出站时长分布参数由正态分布的相关公式确定:
式中:t为乘客出站的时间,μt为各旅客出站时间平均值,σt 2为出站时间方差,计算公式如下:
式中n为到达的旅客数,ti为到达的第i个旅客的出站用时;
旅客出站时间分布概率密度函数为:
f(t)=0.3f1(t)+0.7f2(t)
一班载客数为n的航班在降落后t时刻出站的旅客数量分布函数n(t)等于:
n(t)=n×(0.3f1(t)+0.7f2(t))。
本发明的进一步改进在于:在所述步骤2中,在任意区间(T1,T2)内出站的乘客数量N的计算公式为:
本发明的进一步改进在于:在步骤3中,把在一天内乘客选择出租车的比例J划分为迅速增长到饱和期,快速衰减期,高峰期三段,迅速增长直至饱和期J的计算公式为
式中,t1表示城市公共交通恢复运营的时间;
快速衰减期J的计算公式为
式中,t2表示高峰期出现的时间,
高峰期J的计算公式为
J=m1×e-n|T-t|
式中t为J达到峰值的时间。
本发明的进一步改进在于:在所述步骤4中,对于影响出租车选择的因素,熵值法分析如下:
①对选定指标进行标准化处理:
②计算各指标熵值:
m表示数据样本数量,计算出标准化的第i个任务第j项指标x'ij在第j项指标中所占比重Pij:
计算出第j项指标的熵值ej,
③计算各项指标权重:
计算出第j项指标的差异系数dj
dj=1-ej
dj反映了第j项指标的差异性,dj越大该项指标第j项指标越重要,故可据此计算出第j项指标的权重wj:
k为指标数量,根据三项指标的权重即可得出第i个样本天气指数Bi的表达式:
④函数修正:
乘坐出租车的乘客比例J随时间变化的函数修正为:
式中B为某一时段内影响因素的指数,h(t)为出租车选择比例关于时间的变化函数。
本发明的进一步改进在于:在所述步骤5中,经济成本预测包括排队载客成本预测和空返成本预测;
①排队载客成本预测:
设出租车司机在T0时刻送客结束,td为出租车等待时间,司机可以通过出租车选择比例计算得到下一个时段内到达乘车区准备搭乘出租车的乘客人数时间分布:
出租车客运量为p,载客次数为np,运营里程l,出租车平均载客人数为
从T0开始到等待td后出租车完成排队时到达乘车区的旅客数量应等于前方出租车接走的旅客数量即:
设司机时薪为S,司机每小时工作时间成本为ct、能耗成本为ce,出租车的平均行驶速度v,hy为平均每公里油耗,py为油价,故出租车司机单位耗时的时间成本为:
ct=S-ce=S-v·hy·py
进入蓄车池排队等待的经济损失costw计算公式为:
costw=ct×td;
②空返成本预测:
司机空返市区载客的成本costb为:
S为司机时薪,tb为司机接到下一个乘客等待的时间,I为城市载客次数, l为空载里程,v为出租车平均车速。
本发明的进一步改进在于:所述步骤6中,载客策略为:
选择策略一
当costb<costw时选择空返回市区载客,反之选择停留在机场排队载客;
选择策略二
本发明的进一步改进在于:该智能决策方法适用于火车站、高铁站以及机场出租车司机的决策。
本发明的有益效果是:出租车司机送客至机场后有两种选择:进入蓄车池排队或空载返回市区,首先针对特定机场的旅客出站数据用数据统计的方法进行分析并结合实时航班信息对出站旅客流量进行预测,因此,本发明基于最小二乘思想,对机场不同时刻乘客选择出租车的比例数据进行拟合,得到以时间为自变量,以出租车选择比例为因变量的函数关系式,考虑到可能影响乘客对出租车选择的其他因素,可以采用熵值法得到用于描述该影响因素的指数,之后对函数关系式进行修正,而乘客对出租车选择比例会影响到出租车在蓄车池的等待耗时成本,通过分析等待耗时成本和空载费用成本进行经济成本预测,最后司机结合经济成本预测做出是否待 在机场等待客源的决策。
附图说明
图1是本发明智能决策方法的实现结构图。
图2是本发明实施例中北京首都机场乘客出站时间正态分布直方图。
图3是本发明实施例中首都机场的乘坐出租车旅客流量预测。
图4是本发明实施例中司机决策判定图像。
具体实施方式
以下将以图式揭露本发明的实施方式,为明确说明起见,许多实务上的细节将在以下叙述中一并说明。然而,应了解到,这些实务上的细节不应用以限制本发明。也就是说,在本发明的部分实施方式中,这些实务上的细节是非必要的。
如图1-3所示,本发明是一种客运中心出租车司机的智能决策方法,该智能决策方法包括如下步骤:
步骤1、分析乘客分布特性,确定乘客出站时长分布参数;
同一时间可能会有多架航班到达,旅客数量较多,可以认为所有乘客在到达机场之后都会选择不同的方式离开,所以乘客行为相互独立且过程类似。根据概率论相关知识,这一特点符合各乘客出站时间分布满足独立同分布的条件。根据大数定理可知旅客出站时长分布应服从正态分布,因此,在该步骤中,乘客出站时长分布参数由正态分布的相关公式确定:
式中:t为乘客出站的时间,f(t)体现了某乘客出站时间在t附近的概率大小,并可进一步反映出站时长为t时的乘客流量多少,μt为各旅客出站时间平均值,σt 2为出站时间方差,计算公式如下:
式中n为到达的旅客数,ti为到达的第i个旅客的出站用时;在正态分布中,由于统计量数值在(μ-3σ,μ+3σ)的区间内的概率为99.74%,可以反映正态分布的大部分信息,故认为旅客出站耗时的最大值tmax与最小值tmin分别在μ+3σ与μ-3σ处取得。
在此过程中,考虑到乘客是否取行李对出站时间的长短有影响,根据机场数据调查,可知不取行李的旅客与取行李的旅客的比值为3:7,且取行李过程与其他过程相互独立,所以旅客出站时间分布概率密度函数为:
f(t)=0.3f1(t)+0.7f2(t)
一班载客数为n的航班在降落后t时刻出站的旅客数量分布函数n(t)等于:
n(t)=n×(0.3f1(t)+0.7f2(t))。
步骤2、预测出站客流量;
乘客会陆续出站且出站时间服从正态分布,根据步骤1分析可知,绝大多数旅客的出站时间分布在(μ-3σ,μ+3σ)的区间内。可以认为只有在 (T-μ-3σ,T)时段内到达的航班上的乘客会对T时刻的出站客流量产生影响。
T时刻出站客流量为在(T-μ-3σ,T)时段内到达的各航班在T时刻的出站客流量之和,即:
ni为第i架航班的乘客数量,k为在该时段内到达的航班数量,ti为第i架航班的到达时间。所以,在任意区间(T1,T2)内出站的乘客数量N的计算公式为:
步骤3、了解乘客对出租车选择比例随时间的变化;
在一天中的不同时刻选择乘坐出租车离开机场的乘客占总乘客数量的比例是不同的,受城市公共交通和私家车数量的影响,结合Logistics人口增长模型,可以把在一天内乘客选择出租车的比例J划分为迅速增长到饱和期,快速衰减期,高峰期三段,迅速增长直至饱和期J的计算公式为
式中,t1表示城市公共交通恢复运营的时间,由于城市公共交通即将恢复运营,乘坐出租车的乘客比例出现了断崖式下降,
快速衰减期J的计算公式为
式中,t2表示高峰期出现的时间,
高峰期J的计算公式为
J=m1×e-n|T-t|
式中t为J达到峰值的时间。基于最小二乘的思想,通过最小误差平方逼近,编写Matlab程序可以寻找与给定样本偏差最小的曲线,以此作为J关于T的最佳匹配函数。
步骤4、利用熵值法确定其他因素对出租车选择比例随时间变化的影响;
实际的交通运输过程中,其他因素也会对乘客对于交通工具的选择产生影响,例如天气因素等,选定影响因素的指标,根据相关数据采用熵值法得到描述影响因素与各选定指标的关系,在此基础上根据该因素不同情况下机场出租车流量数据计算出该因素对出租车选择比例影响,并据此对已得到的出租车选择比例随时间变化的函数进行修正。
对于影响出租车选择的某个因素,熵值法分析如下:
①首先对选定指标进行标准化处理:
②计算各指标熵值:
m表示数据样本数量,计算出标准化的第i个任务第j项指标x′ji在第j项指标中所占比重Pij:
计算出第j项指标的熵值ej,其可以反映该项指标中数据的差异程度大小,ej越大指标的离散程度越大;
③计算各项指标权重:
计算出第j项指标的差异系数dj
dj=1-ej
dj反映了第j项指标的差异性,dj越大该项指标第j项指标越重要,故可据此计算出第j项指标的权重wj:
k为指标数量,根据三项指标的权重即可得出第i个样本天气指数Bi的表达式:
④函数修正:
故在考虑某个影响因素的情况下乘坐出租车的乘客比例J随时间变化的函数修正为:
式中B为某一时段内影响因素的指数,h(t)为出租车选择比例关于时间的变化函数。
步骤5、经济成本预测;
根据分析,发现经济成本组成部分可以由等待耗时成本和空载费用成本组成,由于机场面积有限,可忽略从送客区到达蓄车池的花费的时间与空载成本,排队载客的成本由等待耗时造成,空载回城费用与空载时接到下一单的平均等待耗时与消耗燃油费造成,根据出租车司机平均时薪与单位时间燃油损耗,即可通过将时间成本转化为经济成本的方式,将两者统一起来,对经济成本进行预测,经济成本预测包括排队载客成本预测和空返成本预测;
①排队载客成本预测:根据排队司机即将接到乘客时前方排队车辆接客数等于该时段内到达乘车区乘客数的条件计算出司机排队时间,并结合出租车客运数据计算出司机等待的单位时间的成本,计算出司机排队载客的总时间成本;
设出租车司机在T0时刻送客结束,td为出租车等待时间,司机可以通过出租车选择比例计算得到下一个时段内到达乘车区准备搭乘出租车的乘客人数时间分布:
由交通部官网可得到我国各省市出租车城市出租车客运量为p,载客次数为np,运营里程l,据此可以得到出租车平均载客人数为
从T0开始到等待td后出租车完成排队时到达乘车区的旅客数量应等于前方出租车接走的旅客数量即:
设司机时薪为S,司机每小时工作时间成本为ct、能耗成本为ce,出租车的平均行驶速度v,hy为平均每公里油耗,py为油价,故出租车司机单位耗时的时间成本为:
ct=S-ce=S-v·hy·py
进入蓄车池排队等待的经济损失costw计算公式为:
costw=ct×td;
②空返成本预测:
司机消耗时间与消耗燃油费造成了司机的错失载客收益与空载费,故司机空返市区载客的成本costb为:
S为司机时薪,tb为司机接到下一个乘客等待的时间,I为城市载客次数,l 为空载里程,v为出租车平均车速。
步骤6、选择合适的载客策略,载客策略为:
选择策略一
当costb<costw时选择空返回市区载客,反之选择停留在机场排队载客;
选择策略二
本申请搜集了首都机场及北京市相关数据,对本发明的智能决策方法做进一步的说明。本发明的智能方法包括如下步骤:
步骤1、分析乘客分布特性,确定乘客出站时长分布参数。
以2013年11月18日为例,搜集该日航班信息,查阅资料得在该机场不拿行李的乘客出站花费的时间的平均μ2为41分钟,最大与最小值分别为63 与31分钟。拿行李的乘客出站花费的时间的平均值为54分钟,最大与最小值分别为89与35分钟。可计算出旅客出站时长的参数如下:
出站的乘坐第i架航班在到站t时刻时的旅客的流量n(t):
步骤2:预测出站客流量:
T时刻的出站的旅客流量N(T)为在(T-μ-3σ,T)时段内到达的航班在T时刻的出站旅客流量之和即N(T)=∑ni。
步骤3:了解乘客对出租车选择比例随时间的变化。
①迅速增长直至饱和期。
凌晨0:00至凌晨4:00期间,公共交通停运,J的计算公式为
②快速衰减期。
在早上4:00至6:00期间,城市公共交通即将恢复运营,乘坐出租车的乘客比例出现了断崖式下降,所以
③早、晚、午高峰期
在8:30、14:00、20:00时确定乘客早、晚、午高峰期选择出租车的比例函数:
t1,t2,t3分别为J达到峰值的时间,即t1=8.5,t2=14,t3=20。
通过编写Matlab程序可求得出租车选择比例时间变化函数为:
步骤4:利用熵值法确定天气对出租车选择比例随时间变化的影响。
查阅天气网站得知该日北京全天晴,微风3级,可以计算出当日北京的天气指数B=1.098。
当日选择出租车的乘客的比例J=1.067h(t),根据h(t)的表达式即可得到当日选择出租车的乘客的比例J随时间变化的函数。结合出站乘客出站流量 N(T)的表达式可算出首都机场各时段出租车乘客流量:
Nc(T)=1.098h(T)×N(T)
步骤5:经济成本预测。
司机接到下一个乘客等待的时间t'b为
根据北京市出租车运营数据可计算出出租车平均载客数为1.396。故当前方排队车辆数C=N'c/1.396实际等待时间等于临界等待时间,此时两种方案成本相同。
步骤6:载客方案确定。
根据前文的分析使得两种方案成本相同的临界等待时间t'd与该市出租车司机时薪S,出租车速度v,空载里程lk,公里油耗hy,与油价py及载客次数 np有关。将中华人民共和国交通部给出的北京市出租车客运数据带入本发明中基于经济成本比较的载客方案确定模型,计算出临界时间t'b:
只要当排队等待时间小于t'b时在机场排队等候载客的经济效益才会大于空返回城的收益。而从T时刻开始的时长为t'd的时段内积累的到达乘车区的乘客数量N'c可以通过乘坐出租车的旅客流量在时段内的积分求得:
而根据北京市出租车运营数据可计算出出租车平均载客数为1.396。故当前方排队车辆数C=N'c/1.396时实际等待时间等于临界等待时间,此时两种方案成本相同。
以时间为x轴,两种方案成本相同时蓄车池中的车辆的临界车数为y轴,绘制司机决策判定图像如图4所示。在T时刻司机可通过比较蓄车池中的车数与临界车数做出决策。当蓄车池中的实际出租车数量大于临界车数时出租车司机选择空返市区的效益较大;反之当蓄车池中的实际出租车数量小于临界车数时出租车司机选择排队等待的效益较大。本发明中通过客流量的时间分布将难以获取的实时客流量转化为获取方便的时间,有很强的可操作性。
以上所述仅为本发明的实施方式而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。
Claims (7)
1.一种客运中心出租车司机的智能决策方法,其特征在于:该智能决策方法包括如下步骤:
步骤1、分析乘客分布特性,确定乘客出站时长分布参数;
步骤2、预测出站客流量;
步骤3、了解乘客对出租车选择比例随时间的变化;
步骤4、利用熵值法确定其他因素对出租车选择比例随时间变化的影响;
步骤5、经济成本预测;
步骤6、选择合适的载客策略;其中:
在所述步骤1中,乘客出站时长分布参数由正态分布的相关公式确定:
式中:t为乘客出站的时间,μt为各旅客出站时间平均值,σt 2为出站时间方差,计算公式如下:
式中n为到达的旅客数,ti为到达的第i个旅客的出站用时;
旅客出站时间分布概率密度函数为:
f(t)=0.3f1(t)+0.7f2(t)
一班载客数为n的航班在降落后t时刻出站的旅客数量分布函数n(t)等于:
n(t)=n×(0.3f1(t)+0.7f2(t))。
4.根据权利要求1所述一种客运中心出租车司机的智能决策方法,其特征在于:在所述步骤4中,对于影响出租车选择的因素,熵值法分析如下:
①对选定指标进行标准化处理:
②计算各指标熵值:
m表示数据样本数量,计算出标准化的第i个任务第j项指标x′ji在第j项指标中所占比重Pij:
计算出第j项指标的熵值ej,
③计算各项指标权重:
计算出第j项指标的差异系数dj
dj=1-ej
dj反映了第j项指标的差异性,dj越大该项指标第j项指标越重要,故可据此计算出第j项指标的权重wj:
k为指标数量,根据三项指标的权重即可得出第i个样本天气指数Bi的表达式:
④函数修正:
乘坐出租车的乘客比例J随时间变化的函数修正为:
式中B为某一时段内影响因素的指数,h(t)为出租车选择比例关于时间的变化函数。
5.根据权利要求1所述一种客运中心出租车司机的智能决策方法,其特征在于:在所述步骤5中,经济成本预测包括排队载客成本预测和空返成本预测;
①排队载客成本预测:
设出租车司机在T0时刻送客结束,td为出租车等待时间,司机通过出租车选择比例计算得到下一个时段内到达乘车区准备搭乘出租车的乘客人数时间分布:
出租车客运量为p,载客次数为np,运营里程l,出租车平均载客人数为
从T0开始到等待td后出租车完成排队时到达乘车区的旅客数量应等于前方出租车接走的旅客数量即:
设司机时薪为S,司机每小时工作时间成本为ct、能耗成本为ce,出租车的平均行驶速度v,hy为平均每公里油耗,py为油价,出租车司机单位耗时的时间成本为:
ct=S-ce=S-v·hy·py
进入蓄车池排队等待的经济损失costw计算公式为:
costw=ct×td;
②空返成本预测:
司机空返市区载客的成本costb为:
S为司机时薪,tb为司机接到下一个乘客等待的时间,I为城市载客次数,u为空载里程,v为出租车平均车速。
6.根据权利要求1所述一种客运中心出租车司机的智能决策方法,其特征在于:所述步骤6中,载客策略为:
选择策略一
当costb<costw时选择空返回市区载客,反之选择停留在机场排队载客;
选择策略二
7.根据权利要求1-6的任一项所述一种客运中心出租车司机的智能决策方法,其特征在于:该智能决策方法适用于火车站、高铁站以及机场出租车司机的决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317468.9A CN111445091B (zh) | 2020-04-21 | 2020-04-21 | 一种客运中心出租车司机的智能决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317468.9A CN111445091B (zh) | 2020-04-21 | 2020-04-21 | 一种客运中心出租车司机的智能决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445091A CN111445091A (zh) | 2020-07-24 |
CN111445091B true CN111445091B (zh) | 2022-08-12 |
Family
ID=71655820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010317468.9A Active CN111445091B (zh) | 2020-04-21 | 2020-04-21 | 一种客运中心出租车司机的智能决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445091B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668777A (zh) * | 2020-12-25 | 2021-04-16 | 北京师范大学 | 基于多主体模拟的分批定量式车辆载客调度优化方法 |
CN113158462A (zh) * | 2021-04-21 | 2021-07-23 | 电子科技大学成都学院 | 一种出租车发车方式的选择方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740823A (zh) * | 2019-01-25 | 2019-05-10 | 湖北大学 | 一种面向实时场景计算的出租车打车决策方法及系统 |
CN110020745A (zh) * | 2019-01-09 | 2019-07-16 | 天津市市政工程设计研究院 | 基于航班时刻表的实时大型航空枢纽停车场规模预测方法 |
CN110033177A (zh) * | 2019-03-27 | 2019-07-19 | 温州大学 | 基于gps大数据的出租车高效益智能集体调度算法 |
CN110889591A (zh) * | 2019-10-29 | 2020-03-17 | 淮阴工学院 | 一种机场出租车载客问题的决策方法 |
-
2020
- 2020-04-21 CN CN202010317468.9A patent/CN111445091B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020745A (zh) * | 2019-01-09 | 2019-07-16 | 天津市市政工程设计研究院 | 基于航班时刻表的实时大型航空枢纽停车场规模预测方法 |
CN109740823A (zh) * | 2019-01-25 | 2019-05-10 | 湖北大学 | 一种面向实时场景计算的出租车打车决策方法及系统 |
CN110033177A (zh) * | 2019-03-27 | 2019-07-19 | 温州大学 | 基于gps大数据的出租车高效益智能集体调度算法 |
CN110889591A (zh) * | 2019-10-29 | 2020-03-17 | 淮阴工学院 | 一种机场出租车载客问题的决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111445091A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balac et al. | The prospects of on-demand urban air mobility in Zurich, Switzerland | |
CN111445091B (zh) | 一种客运中心出租车司机的智能决策方法 | |
CN110020745B (zh) | 基于航班时刻表的实时大型航空枢纽停车场规模预测方法 | |
CN105448082B (zh) | 一种可变间隔发车的快速公交车组合调度方法 | |
CN107563683A (zh) | 一种城市内乘客及货物协同运输方法及系统 | |
CN107564270A (zh) | 一种智能公交调度运营方法 | |
CN110084397B (zh) | 一种地铁直达线路规划方法 | |
CN109903555B (zh) | 一种基于大数据的公交乘客下车数据预测方法及系统 | |
CN111047138A (zh) | 一种基于载客效益分析的出租车候车辅助决策方法和系统 | |
CN110889591A (zh) | 一种机场出租车载客问题的决策方法 | |
CN111784049A (zh) | 一种旅客流失时间预测方法及装置 | |
Justin et al. | Demand modeling and operations optimization for advanced regional air mobility | |
CN112200625A (zh) | 一种航班资源推荐方法及装置 | |
CN116013059A (zh) | 一种营运车辆的调度方法、装置、电子设备及存储介质 | |
CN109147318A (zh) | 一种用于交通枢纽客流疏散的交通方式舒适度判别系统 | |
CN111861279B (zh) | 一种考虑换乘的多目标高速收费站班车调度方法 | |
CN111160597A (zh) | 基于出租车司机综合满意度的智能调度方法 | |
Han et al. | Two-stage optimization of airport ferry service delay considering flight uncertainty | |
CN111047159A (zh) | 一种机场出租车载客分配方法 | |
CN113344371A (zh) | 一种公共交通智能调度方法 | |
Cao | Check for updates Airport Taxi Decision Model and Application | |
Ma et al. | Solving airport taxi scheduling problem based on Queuing Theory | |
CN111079008A (zh) | 出租车司机在蓄车池去留的方案推荐方法及系统 | |
Li et al. | Analysis of Airport Taxi Related Problems | |
CN116777145B (zh) | 基于车联网的优化机场车辆开工率的方法 |
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 |