CN111553530B - 一种城际网约车包车出行运力预测与出行推荐方法及系统 - Google Patents
一种城际网约车包车出行运力预测与出行推荐方法及系统 Download PDFInfo
- Publication number
- CN111553530B CN111553530B CN202010342502.8A CN202010342502A CN111553530B CN 111553530 B CN111553530 B CN 111553530B CN 202010342502 A CN202010342502 A CN 202010342502A CN 111553530 B CN111553530 B CN 111553530B
- Authority
- CN
- China
- Prior art keywords
- time
- vehicle
- travel
- capacity
- estimated
- 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 58
- 238000012856 packing Methods 0.000 title description 4
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 abstract description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012163 sequencing technique 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城际网约车包车出行运力预测与出行推荐方法及系统。获取城际网约车历史订单数据,根据城际网约车历史订单数据确定在i时间段内平均候车时间、平均下车时间和平均发车间隔时间,通过充分利用历史数据更加准确地进行运力预测;通过获取出行数据,将出行数据输入训练好的城际公路出行时长模型,得到城际公路出行时长,确定i时间段内车辆完成订单时间和城市提供运力的运力空闲预估时刻,建立车辆服务时间预测表和车辆预估时间表;根据车辆预估时间表进行城际网约车出行运力预测,能够提前预估乘客在预约时段内运力是否充足,提高乘客的出行效率。
Description
技术领域
本发明涉及车辆调度技术领域,特别是涉及一种城际网约车包车出行运力预测与出行推荐方法及系统。
背景技术
随着社会经济的快速发展与城乡一体化进程的不断加快,日益增长的市民出行需求与相对滞后的交通发展之间的矛盾越来越突出。城市公共交通运力存在结构性供应不足,尽管贯穿全市的公交地铁骨干正在逐渐完善,短途城际之间的出行仍然存在短板。城际网约车运营模式是市民日益增长的交通出行需求和落后的不平衡的运力之间的矛盾下的创新应用,响应了“互联网+”便捷交通促进智能交通发展的号召。城际网约车包车出行方式方便、灵活、舒适,对提高市民的出行效率、优化市场资源配置和满足市民出行的高品质、个性化、多元化需求上发挥了积极作用。短途城际客运的未来趋势是专车式的门对门接送,为城市、县城、乡镇居民提供城内、城际出行。它不同于传统客运站对站接送的服务,而是借助统一的呼叫中心和系统,方便高效的门对门接送服务。高效智能地预测城际网约车包车出行的运力,能提前进行车辆调度,给出行客户带来舒适的出行体验。因此,为城际网约车包车服务提供一种高效的预测运力方法,具有非常重要的现实意义和应用前景。
城际网约车包车出行的运力与出行建议问题属于公交到站时间预测的一种变形。国内外的专家学者把研究精力主要用在在城市公交车到站时间预测方面,国内外绝大多数的工作是针对APTS(Advanced Public Transportation System)中的公交车展开的。目前针对城际网约车做的运力预测与出行建议工作少之又少。
发明内容
本发明的目的是提供一种城际网约车包车出行运力预测与出行推荐方法及系统,能够提前预估乘客在预约时段内运力是否充足,提高乘客的出行效率。
为实现上述目的,本发明提供了如下方案:
一种城际网约车出行运力预测方法,包括:
获取城际网约车历史订单数据;
根据所述城际网约车历史订单数据确定在i时间段内平均候车时间、平均下车时间和平均发车间隔时间;所述i时间段为以预设时间窗大小划分每日网约车运营时间的第i个时间段;
获取出行数据;所述出行数据包括:城际之间的距离、车辆出发时间、车辆出发位置和出行日期;
将所述出行数据输入训练好的城际公路出行时长模型,得到城际公路出行时长;
将所述i时间段内平均候车时间、平均下车时间、平均发车间隔时间和所述城际公路出行时长之和确定为i时间段内车辆完成订单时间;
获取车辆出发接客时间;
将所述i时间段内车辆完成订单时间与所述车辆出发接客时间之和确定为i时间段内车辆为城市提供运力的运力空闲预估时刻;
根据所述运力空闲预估时刻建立车辆服务时间预测表;所述车辆服务时间预测表的行表示时间段,所述车辆服务时间预测表的列表示车辆为城市提供运力的运力空闲预估时刻;
获取车辆位置;
根据所述车辆位置和所述车辆服务时间预测表建立车辆预估时间表;所述车辆预估时间表的行表示时间段,所述车辆预估时间表的列表示车辆预估位置标志,所述车辆预估位置标志用于反映车辆能否为城市提供运力;
根据所述车辆预估时间表进行城际网约车出行运力预测。
可选的,所述根据所述车辆预估时间表进行城际网约车出行运力预测,具体包括:
获取车辆的座位总数;
根据所述车辆预估时间表和所述车辆的座位总数确定i时间段内城市预估运力总和;确定i时间段内城市预估运力总和的具体公式如下:
式中,Pi'表示i时间段内被统计城市预估运力总和,M表示i时间段内车辆预估时间表中能为被统计城市提供运力的车辆总数,sm表示第m辆车的座位总数。
可选的,在所述根据所述车辆预估时间表进行城际网约车出行运力预测,之后还包括:
获取预约乘客的出行时间和预约乘客的出行人数;
根据所述车辆预估时间表,判断所述预约乘客的出行时间所在时间段的城市预估运力总和是否大于所述预约乘客的出行人数,得到出行运力判断结果;
若所述出行运力判断结果为是,则判断是否存在运力冲突事件,得到运力冲突判断结果;
若所述运力冲突判断结果为发生运力冲突,则进行出行推荐处理;所述出行推荐处理包括对预约的乘客出行时间进行改签或者取消预约乘客的出行订单;
若所述运力冲突判断结果为未发生运力冲突,则根据所述车辆预估时间表安排车辆接客;
若所述出行运力判断结果为否,则从所述预约乘客的出行时间所在时间段的后一时间段开始,逐一判断各时间段的城市预估运力总和是否小于所述预约乘客的出行人数,得到超负荷判断结果;
若所述超负荷判断结果为至少有一时间段满足城市预估运力总和大于或等于所述预约乘客的出行人数,则对预约的乘客出行时间进行改签;
若所述超负荷判断结果为所有时间段的城市预估运力总和均小于所述预约乘客的出行人数,则取消预约乘客的出行订单。
可选的,所述车辆预估位置标志,具体公式如下:
式中,F表示车辆预估位置标志,tji表示i时段内第j辆车为城市提供运力的运力空闲预估时刻。
可选的,所述城际公路出行时长模型采用支持向量机回归方法与差分演化算法训练得到。
本发明还提供一种城际网约车出行运力预测系统,包括:
城际网约车历史订单数据获取模块,用于获取城际网约车历史订单数据;
平均时间确定模块,用于根据所述城际网约车历史订单数据确定在i时间段内平均候车时间、平均下车时间和平均发车间隔时间;所述i时间段为以预设时间窗大小划分每日网约车运营时间的第i个时间段;
出行数据获取模块,用于获取出行数据;所述出行数据包括:城际之间的距离、车辆出发时间、车辆出发位置和出行日期;
城际公路出行时长确定模块,用于将所述出行数据输入训练好的城际公路出行时长模型,得到城际公路出行时长;
车辆完成订单时间确定模块,用于将所述i时间段内平均候车时间、平均下车时间、平均发车间隔时间和所述城际公路出行时长之和确定为i时间段内车辆完成订单时间;
接客时间获取模块,用于获取车辆出发接客时间;
运力空闲预估时刻确定模块,用于将所述i时间段内车辆完成订单时间与所述车辆出发接客时间之和确定为i时间段内车辆为城市提供运力的运力空闲预估时刻;
车辆服务时间预测表建立模块,用于根据所述运力空闲预估时刻建立车辆服务时间预测表;所述车辆服务时间预测表的行表示时间段,所述车辆服务时间预测表的列表示车辆为城市提供运力的运力空闲预估时刻;
车辆位置获取模块,用于获取车辆位置;
车辆预估时间表建立模块,用于根据所述车辆位置和所述车辆服务时间预测表建立车辆预估时间表;所述车辆预估时间表的行表示时间段,所述车辆预估时间表的列表示车辆预估位置标志,所述车辆预估位置标志用于反映车辆能否为城市提供运力;
城际网约车出行运力预测模块,用于根据所述车辆预估时间表进行城际网约车出行运力预测。
可选的,所述城际网约车出行运力预测模块,具体包括:
车辆座位总数获取单元,用于获取车辆的座位总数;
城市预估运力总和确定单元,用于根据所述车辆预估时间表和所述车辆的座位总数确定i时间段内城市预估运力总和;确定i时间段内城市预估运力总和的具体公式如下:
式中,Pi'表示i时间段内被统计城市预估运力总和,M表示i时间段内车辆预估时间表中能为被统计城市提供运力的车辆总数,sm表示第m辆车的座位总数。
可选的,所述系统,还包括:
出行时间和出行人数获取模块,用于获取预约乘客的出行时间和预约乘客的出行人数;
出行运力判断模块,用于根据所述车辆预估时间表,判断所述预约乘客的出行时间所在时间段的城市预估运力总和是否大于所述预约乘客的出行人数,得到出行运力判断结果;
运力冲突判断模块,用于若所述出行运力判断结果为是,则判断是否存在运力冲突事件,得到运力冲突判断结果;
出行推荐模块,用于在所述运力冲突判断结果为发生运力冲突,进行出行推荐处理;所述出行推荐处理包括对预约的乘客出行时间进行改签或者取消预约乘客的出行订单;
接客模块,用于在所述运力冲突判断结果为未发生运力冲突,根据所述车辆预估时间表安排车辆接客;
超负荷判断模块,用于在所述出行运力判断结果为否,从所述预约乘客的出行时间所在时间段的后一时间段开始,逐一判断各时间段的城市预估运力总和是否小于所述预约乘客的出行人数,得到超负荷判断结果;
改签模块,用于在所述超负荷判断结果为至少有一时间段满足城市预估运力总和大于或等于所述预约乘客的出行人数,则对预约的乘客出行时间进行改签;
取消订单模块,用于在所述超负荷判断结果为所有时间段的城市预估运力总和均小于所述预约乘客的出行人数,则取消预约乘客的出行订单。
可选的,所述车辆预估时间表建立模块,具体包括:
车辆预估位置标志生成单元,用于根据如下公式得到所述车辆预估位置标志:
式中,F表示车辆预估位置标志,tji表示i时段内第j辆车为城市提供运力的运力空闲预估时刻。
与现有技术相比,本发明的有益效果是:
本发明提出了一种城际网约车包车出行运力预测与出行推荐方法及系统,获取城际网约车历史订单数据,根据城际网约车历史订单数据确定在i时间段内平均候车时间、平均下车时间和平均发车间隔时间,通过充分利用历史数据更加准确地进行运力预测;通过获取出行数据,将出行数据输入训练好的城际公路出行时长模型,得到城际公路出行时长,确定i时间段内车辆完成订单时间和城市提供运力的运力空闲预估时刻,建立车辆服务时间预测表和车辆预估时间表;根据车辆预估时间表进行城际网约车出行运力预测,能够提前预估乘客在预约时段内运力是否充足,提高乘客的出行效率。
此外,通过提前预估乘客在预约时段内运力是否充足,在车辆调配不足的情况下提供建议乘客出行的其他时间段改签方案,解决了乘客等车难的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,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为本发明实施例中城际网约车出行运力预测方法流程图;
图2为本发明实施例中城际网约车包车出行运力预测与出行推荐方法总体流程图;
图3为本发明实施例中城际网约车出行运力预测系统结构图。
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,所描述的实施例仅仅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做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。
本发明的目的是提供一种城际网约车包车出行运力预测与出行推荐方法及系统,能够提前预估乘客在预约时段内运力是否充足,提高乘客的出行效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
图1为本发明实施例中城际网约车出行运力预测方法流程图,如图1所示,一种城际网约车包车出行运力预测与出行推荐方法,包括:
步骤101:获取城际网约车历史订单数据。
步骤102:根据城际网约车历史订单数据确定在i时间段内平均候车时间、平均下车时间和平均发车间隔时间。i时间段为以预设时间窗大小划分每日网约车运营时间的第i个时间段。
步骤103:获取出行数据。出行数据包括:城际之间的距离、车辆出发时间、车辆出发位置和出行日期。
步骤104:将出行数据输入训练好的城际公路出行时长模型,得到城际公路出行时长。
城际公路出行时长模型采用支持向量机回归方法与差分演化算法训练得到。
步骤105:将i时间段内平均候车时间、平均下车时间、平均发车间隔时间和城际公路出行时长之和确定为i时间段内车辆完成订单时间。
步骤106:获取车辆出发接客时间。
步骤107:将i时间段内车辆完成订单时间与车辆出发接客时间之和确定为i时间段内车辆为城市提供运力的运力空闲预估时刻。
步骤108:根据运力空闲预估时刻建立车辆服务时间预测表。车辆服务时间预测表的行表示时间段,车辆服务时间预测表的列表示车辆为城市提供运力的运力空闲预估时刻。
步骤109:获取车辆位置。
步骤110:根据车辆位置和车辆服务时间预测表建立车辆预估时间表;车辆预估时间表的行表示时间段,车辆预估时间表的列表示车辆预估位置标志,车辆预估位置标志用于反映车辆能否为城市提供运力。
车辆预估位置标志,具体公式如下:
式中,F表示车辆预估位置标志,tji表示i时段内第j辆车为城市提供运力的运力空闲预估时刻。
步骤111:根据车辆预估时间表进行城际网约车出行运力预测。
步骤111,具体包括:
获取车辆的座位总数;
根据车辆预估时间表和车辆的座位总数确定i时间段内城市预估运力总和;确定i时间段内城市预估运力总和的具体公式如下:
式中,Pi'表示i时间段内被统计城市预估运力总和,M表示i时间段内车辆预估时间表中能为被统计城市提供运力的车辆总数,sm表示第m辆车的座位总数。
步骤111之后还包括:获取预约乘客的出行时间和预约乘客的出行人数;根据车辆预估时间表,判断预约乘客的出行时间所在时间段的城市预估运力总和是否大于预约乘客的出行人数,得到出行运力判断结果;若出行运力判断结果为是,则判断是否存在运力冲突事件,得到运力冲突判断结果;若运力冲突判断结果为发生运力冲突,则进行出行推荐处理;出行推荐处理包括对预约的乘客出行时间进行改签或者取消预约乘客的出行订单;若运力冲突判断结果为未发生运力冲突,则根据车辆预估时间表安排车辆接客;若出行运力判断结果为否,则从预约乘客的出行时间所在时间段的后一时间段开始,逐一判断各时间段的城市预估运力总和是否小于预约乘客的出行人数,得到超负荷判断结果;若超负荷判断结果为至少有一时间段满足城市预估运力总和大于或等于预约乘客的出行人数,则对预约的乘客出行时间进行改签;若超负荷判断结果为所有时间段的城市预估运力总和均小于预约乘客的出行人数,则取消预约乘客的出行订单。
图2为本发明实施例中城际网约车包车出行运力预测与出行推荐方法总体流程图,如图2所示,城际网约车包车出行运力预测与出行推荐方法具体步骤为:
1)基于历史数据平均法,计算当天不同时间段乘客的平均候车时间、下车时间和发车间隔时间。
乘客候车时间,即每辆车接旅客上车、装卸物品的所耗时间。乘客下车时间,即每辆车送旅客下车、装卸物品的所耗时间。发车间隔时间,即一笔订单中所有乘客下车后至下一笔订单中乘客开始候车的等待时间。乘客某日不同时间段i的平均下车时间、候车时间与发车间隔时间分别用TWi、TOi、TVi表示,由于三者计算方法相同,故以计算乘客平均候车时间为例进行考虑。考虑到同一时间段内乘客候车时间的影响因素较少,本发明中采用历史数据平均法计算乘客平均候车时间。具体的步骤如下:
首先,收集网约车公司近两个月内的历史订单数据,根据划分的出行时间区间绘制每日候车时间统计表,如表1所示:
表1城市某日订单候车时间统计表
然后,根据以上表格,可统计一个城市每日各个时间区间的平均候车时间,从而计算出该城市两个月内的平均候车时间。每周更新一次订单候车时间统计表,并重新计算平均候车时间。平均候车时间、平均下车时间,取以上计算结果值;为防止司机疲劳驾驶,让司机适当休息,当日发车间隔时间,取为固定值10min用作司机的休息时间。
2)获取当天城际公路出行时长预测模型,用基于SVR回归分析方法和基于差分演化算法的参数优化方法拟合优化其中的参数,计算当天城际公路出行预测时长。
城际公路出行时间,即车辆在非候车时间和下车时间、非可提供运力的公路出行状态耗费的时间。在本发明中,考虑到车辆城际公路出行时长模型涉及多个参数,实际情况较为复杂,故本发明在建立模型后,对于网约车的城际公路出行时长再单独进行参数分析,并且采用SVR,即支持向量机回归的方法训练模型。具体的步骤如下:
对网约车的城际公路出行时长模型,可建立为包含以下相关参数的模型:
其中,是城际公路出行时长,f()为SVR运算,dist是城际之间的距离,s表示车辆出发时间,o表示出发位置,h表示当天是否为重大节假日。法定节假日往往会造成城际间高速公路拥堵,若为法定节假日,h=1;若不是法定节假日,h=0;f表示不同时段,据城市出行调查结果显示,出行需求在早晚高峰集中爆发。因此早上(6:00-11:00)用0来表示,中午(11:00-13:00)用1表示,下午(13:00-17:00)用2表示,晚上(17:00-22:00)用3表示。
对于城际公路出行时长模型,参数繁杂,为了提高模型训练的准确度,本发明采用差分演化算法进行参数优化方法,使城际公路出行时长模型的建立更加准确、高效。
对城际公路出行时长模型,采用SVR的方法训练,核函数选用高斯核。SVR回归模型的建立,主要取决于惩罚因子c和核函数中的参数寻优。惩罚因子c可以调节置信区间范围。对于本发明选用的高斯核函数,其需要寻优的核函数的参数为σ,即径向基半径。σ过大,对于新样本的分类能力差;σ过小,容易产生过拟合现象。为简便计算,记则需要优化的参数变为σ和g。
差分演化算法的参数优化方法求解优化问题的基本思想是:模仿生物进化的原理,使种群不断地向目标进化。差分演化算法具有种群多样、全局搜索能力强、收敛速度快的优点,因此适合用来优化城际运行时间模型中的参数,具体的优化步骤如下:
种群初始化:差分演化算法优化中种群的个体,采用c和g的组合参数,其范围均为2-8~28,且均采用实数编码,如(c,g)=(0.001,0.005)。
适应值函数:采用交叉验证准确率作为适应值,用个体的适应值作为选择依据,其中交叉验证准确率(Q)计算公式如下:
accuracy=mr/m
其中,accuracy为分类准确率,v为交叉验证数,mr为测试样本中分类正确的样本个数,m为样本个数。
变异:采用DE/rand/1变异方法,即:
Vi,G=Xr1,G+F(Xr2,G-Xr3,G)
其中,Xr1,G、Xr2,G、Xr3,G为种群中随机抽取的三个不同的个体,F为缩放因子。
交叉:采用二项式交叉算子,将变异种群和原种群进行交叉操作,具体如下:
其中,表示交叉后得到的种群,randj[0,1)为[0,1)之间的随机数,j表示个体的第j个分量,CR为交叉概率,jrand为[1,2,…,n]之间的随机量,用于保证新个体至少有一维分量由变异个体贡献。首先,给交叉算子随机产生一个维标识irand,确保最后产生的试验个体至少有一维来自变异个体,保证种群的多样性。然后,针对当前个体的每一维随机产生一个0到1之间的实数,如果该随机实数小于交叉率CR,则试验个体来自变异个体;否则,试验个体来自当前个体。
选择:选择保留适应值高的个体作为优秀的个体,不断淘汰适应值低的较差个体。
3)预估当天不同时间段的完成订单服务时间和运力空闲预估时刻,并建立当天不同时间段的服务时间预测表。
首先,建立完成订单时间预估模型:
完成订单时间,即包括候车时间、下车时间、发车间隔时间、城际公路出长时间在内的完成单程出行订单的时间,具体建模如下:
然后,建立运力空闲预估时刻模型:
车辆的运力空闲预估时刻模型,即车辆从出发接客人至完成订单后的运力空闲时刻的预估模型。具体建模如下:
最后,建立服务时间预测表:
服务时间预测表,表示当天从第一个时段开始顺序统计的车辆运力空闲预估时刻的汇总表。根据运力空闲预估时刻模型,可建立城市C1服务时间预测表如下:(当车辆未分配订单时,服务时间为“未分配订单”,否则,服务时间为“tji”),表2为城市C1服务时间预测表。
表2城市C1服务时间预测表
4)获取所有网约车辆运营的初始城市,初始化车辆预估位置表。
5)更新当天不同时间段的车辆位置预测表、计算城市预估运力和运力预测表。
建立计算车辆预估位置表:
计算车辆预估位置表,即不同出行时间区间内两城市车辆所在空间位置,涉及运力预估的空间问题。车辆预估位置表以运力空闲时间模型和服务时间预测表为参考,F表示车辆预估位置标志,对车队内的车辆建立车辆预估时间表。车队的车辆预估排班表如表3所示:
表3车辆预估时间表
其中,车辆预估位置标志F有C1、C2、0三种情况。标志C1表示该时段内能为城市C1提供运力,标志C2表示该时段内能为城市C2提供运力,标志0表示该时段内车辆在两城市间行驶,不能提供运力。
标志F取值方法如下:
6)以出行时间优先队列排序乘客提交的城际包车出行预约订单,判断当前是否存在未处理的订单。若存在,更新订单队列并进入步骤7)。否则,进入等待新订单状态,直到新订单的到来,更新订单队列并进入步骤7)。
7)统计订单的预约乘坐人数,通过运力预估表机制,预估超负荷情况,若是,进入步骤8)。否则,进入步骤9)。
城市预估运力,即同一时间段内一个城市所有车辆可提供的预估运力总和。具体建模如下:
式中,Pi'表示i时间段内被统计城市预估运力总和,M表示i时间段内车辆预估时间表中能为被统计城市提供运力的车辆总数,sm表示第m辆车的座位总数。
运力预估表机制,即通过运力预估表“预估超负荷情况”,判断乘客预估预约时段的运力是否充足。运力预估表机制可提高乘客的出行效率和满意度,为乘客带来极大便利。
其中,“预估超负荷情况”的方法如下:
待检测的乘客包车订单预约出行时刻为t’,且时刻t’属于某时段i内,记录时段i内预估运力总和P′i与该笔订单预约乘坐人数P。若P′i>P,且存在车辆m,使得P≤Sm-1,超负荷情况标记-,则表明未出现超负荷情况,此时运力充足;否则,超负荷情况标记+,则表明该时段内出现超负荷情况,此时运力不足。表4为运力预估表:
表4运力预估表
8)采用出行时间改签机制,计算订单的改签出行时间,判断能否成功改签订单出行时间,若能成功改签,进入步骤10)。否则,取消预约订单,告知乘客运力不足,返回步骤5)。
出行时间改签机制,即在运力预估表机制“预估超负荷情况”后,根据不同情况,结合“运力冲突现象”采取派单措施或改签订单出行时间措施的机制,为乘客提供出行建议方法。
判断运力冲突现象:
“运力冲突现象”,即运力预估表机制判断非超负荷情况下,直接对其进行分配运力可能导致的已分配的订单实际出行时运力不足的冲突现象。“运力冲突现象”的出现情况如下:
运力预估表机制判断超负荷情况时,若运力预估表机制判断超负荷情况,不出现“运力冲突现象”,只需要改签此订单的预定出行时间。
运力预估表机制判断非超负荷情况时,由于待处理的订单序列是以出行时间优先队列排序,若待处理新增订单中的预定出行时间早于已经分配订单的预定出行时间,可能导致“运力冲突现象”。为防止此现象,需要进行冲突检测,冲突检测的方法具体如下:即判断当前待处理订单(待处理订单位置处于队列的最头部,即预定时间上排序前列的订单)是否为新增的订单,若是,则新订单插队导致“运力冲突现象”,需要改签此订单出行时间;若不是,则新订单插队未导致“运力冲突现象”,只需直接对订单进行指派即可。
计算订单的改签出行时间:
从运力预估表第(i+1)个时段开始,逐个预估超负荷情况,直到某时段未出现预估超负荷现象,把这个时段作为订单的改签出行时间;若未搜索到非超负荷现象的时段,改签订单出行时间失败,需要取消乘客预约订单并告知乘客。。
判断能否改签订单出行时间:
判断能否改签订单出行时间的方法如下:计算改签订单出行时间,若乘客同意调整订单至此出行时间段,则成功改签订单出行时间;否则,视为改签订单出行时间失败,需要取消乘客预约订单并告知乘客。
9)采用出行时间改签机制,进行冲突检测,若存在运力冲突现象,返回步骤8)。否则,进入步骤10)。
10)进行订单指派,返回步骤5)。
本发明为了测试所提方法的有效性,使用了某城际网约车平台的真实订单数据进行测试。测试数据库中的订单情况如下:某天从A城市到B城市的5806个乘客包车订单和1650个系统派单,以及97800份近两个月的历史系统派单。实验根据近两个月内的历史数据统计出乘客平均候车时间、下车时间和发车间隔时间、采用SVR回归分析的方法训练城际公路出行时长模型,利用差分演化算法的参数优化方法后,采用运力预估表机制和出行时间改签机制,预估超负荷情况,给予乘客出行时间改签建议。随机抽取A城市三个时间点8:30、14:10和22:08为例,验证运力和派单情况并记录如表5所示:
表5城市A某时段运力预测举例表
通过对5806个乘客订单进行统计分析,动态地模拟,并与1650个系统派单分配方案进行对比,本发明提出的方法能有效地预测运力情况,给予乘客出行方法建议,为乘客带来良好的出行体验,解决乘客等车难问题,降低网约车公司的运营成本。
图3为本发明实施例中城际网约车出行运力预测系统结构图。如图3所示,一种城际网约车包车出行运力预测与出行推荐系统,包括:
城际网约车历史订单数据获取模块201,用于获取城际网约车历史订单数据。
平均时间确定模块202,用于根据城际网约车历史订单数据确定在i时间段内平均候车时间、平均下车时间和平均发车间隔时间;i时间段为以预设时间窗大小划分每日网约车运营时间的第i个时间段。
出行数据获取模块203,用于获取出行数据;出行数据包括:城际之间的距离、车辆出发时间、车辆出发位置和出行日期。
城际公路出行时长确定模块204,用于将出行数据输入训练好的城际公路出行时长模型,得到城际公路出行时长。
车辆完成订单时间确定模块205,用于将i时间段内平均候车时间、平均下车时间、平均发车间隔时间和城际公路出行时长之和确定为i时间段内车辆完成订单时间。
接客时间获取模块206,用于获取车辆出发接客时间。
运力空闲预估时刻确定模块207,用于将i时间段内车辆完成订单时间与车辆出发接客时间之和确定为i时间段内车辆为城市提供运力的运力空闲预估时刻。
车辆服务时间预测表建立模块208,用于根据运力空闲预估时刻建立车辆服务时间预测表;车辆服务时间预测表的行表示时间段,车辆服务时间预测表的列表示车辆为城市提供运力的运力空闲预估时刻。
车辆位置获取模块209,用于获取车辆位置。
车辆预估时间表建立模块210,用于根据车辆位置和车辆服务时间预测表建立车辆预估时间表;车辆预估时间表的行表示时间段,车辆预估时间表的列表示车辆预估位置标志,车辆预估位置标志用于反映车辆能否为城市提供运力。
车辆预估时间表建立模块,具体包括:
车辆预估位置标志生成单元,用于根据如下公式得到车辆预估位置标志:
式中,F表示车辆预估位置标志,tji表示i时段内第j辆车为城市提供运力的运力空闲预估时刻,C1和C2表示城市。
城际网约车出行运力预测模块211,用于根据车辆预估时间表进行城际网约车出行运力预测。
城际网约车出行运力预测模块211,具体包括:
车辆座位总数获取单元,用于获取车辆的座位总数;
城市预估运力总和确定单元,用于根据车辆预估时间表和车辆的座位总数确定i时间段内城市预估运力总和;确定i时间段内城市预估运力总和的具体公式如下:
式中,Pi'表示i时间段内被统计城市预估运力总和,M表示i时间段内车辆预估时间表中能为被统计城市提供运力的车辆总数,sm表示第m辆车的座位总数。
城际网约车包车出行运力预测与出行推荐系统,还包括:
出行时间和出行人数获取模块,用于获取预约乘客的出行时间和预约乘客的出行人数。
出行运力判断模块,用于根据车辆预估时间表,判断预约乘客的出行时间所在时间段的城市预估运力总和是否大于预约乘客的出行人数,得到出行运力判断结果。
运力冲突判断模块,用于若出行运力判断结果为是,则判断是否存在运力冲突事件,得到运力冲突判断结果。
出行推荐模块,用于在运力冲突判断结果为发生运力冲突,进行出行推荐处理;出行推荐处理包括对预约的乘客出行时间进行改签或者取消预约乘客的出行订单。
接客模块,用于在运力冲突判断结果为未发生运力冲突,根据车辆预估时间表安排车辆接客。
超负荷判断模块,用于在出行运力判断结果为否,从预约乘客的出行时间所在时间段的后一时间段开始,逐一判断各时间段的城市预估运力总和是否小于预约乘客的出行人数,得到超负荷判断结果。
改签模块,用于在超负荷判断结果为至少有一时间段满足城市预估运力总和大于或等于预约乘客的出行人数,则对预约的乘客出行时间进行改签。
取消订单模块,用于在超负荷判断结果为所有时间段的城市预估运力总和均小于预约乘客的出行人数,则取消预约乘客的出行订单。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种城际网约车出行运力预测方法,其特征在于,包括:
获取城际网约车历史订单数据;
根据所述城际网约车历史订单数据确定在i时间段内平均候车时间、平均下车时间和平均发车间隔时间;所述i时间段为以预设时间窗大小划分每日网约车运营时间的第i个时间段;
获取出行数据;所述出行数据包括:城际之间的距离、车辆出发时间、车辆出发位置和出行日期;
将所述出行数据输入训练好的城际公路出行时长模型,得到城际公路出行时长;所述训练好的城际公路出行时长模型的训练过程,具体包括:
对网约车的城际公路出行时长模型,建立包含以下相关参数的模型:
其中,是城际公路出行时长,f()为SVR运算,dist是城际之间的距离,s表示车辆出发时间,o表示出发位置,h表示当天是否为重大节假日,f表示不同时段,据城市出行调查结果显示,出行需求在早晚高峰集中爆发;
其中,对城际公路出行时长模型,采用SVR的方法训练,核函数选用高斯核函数;SVR回归模型的建立取决于惩罚因子c和高斯核函数中的参数寻优;惩罚因子c用于调节置信区间范围;高斯核函数的寻优参数为径向基半径σ,其中则需要优化的参数变为c和g;
采用差分演化算法来优化城际运行时间模型中的参数c和g,具体的优化步骤如下:
种群初始化:差分演化算法优化中种群的个体,采用c和g的组合参数,其范围均为2-8~28,且均采用实数编码,如(c,g)=(0.001,0.005);
变异:采用DE/rand/1变异方法,即:
Vi,G=Xr1,G+F(Xr2,G-Xr3,G)
其中,Xr1,G、Xr2,G、Xr3,G为种群中随机抽取的三个不同的个体,F为缩放因子;
交叉:采用二项式交叉算子,将变异种群和原种群进行交叉操作,具体如下:
其中,表示交叉后得到的种群G中的第i个个体对应的新个体ui,G的第j个分量,randj[0,1)为[0,1)之间的随机数,j表示个体的第j个分量,CR为交叉概率,jrand为[1,2,…,n]之间的随机量,用于保证新个体至少有一维分量由变异个体贡献;首先,给交叉算子随机产生一个维标识jrand,确保最后产生的试验个体至少有一维来自变异个体,保证种群的多样性;然后,针对当前个体的每一维随机产生一个0到1之间的实数,如果该随机实数小于交叉率CR,则试验个体来自变异个体;否则,试验个体来自当前个体;
选择:选择保留适应值高的个体作为优秀的个体,不断淘汰适应值低的较差个体;
将所述i时间段内平均候车时间、平均下车时间、平均发车间隔时间和所述城际公路出行时长之和确定为i时间段内车辆完成订单时间;
获取车辆出发接客时间;
将所述i时间段内车辆完成订单时间与所述车辆出发接客时间之和确定为i时间段内车辆为城市提供运力的运力空闲预估时刻;
根据所述运力空闲预估时刻建立车辆服务时间预测表;所述车辆服务时间预测表的行表示时间段,所述车辆服务时间预测表的列表示车辆为城市提供运力的运力空闲预估时刻;
获取车辆位置;
根据所述车辆位置和所述车辆服务时间预测表建立车辆预估时间表;所述车辆预估时间表的行表示时间段,所述车辆预估时间表的列表示车辆预估位置标志,所述车辆预估位置标志用于反映车辆能否为城市提供运力;所述车辆预估位置标志,具体公式如下:
式中,F表示车辆预估位置标志,tji表示i时段内第j辆车为城市提供运力的运力空闲预估时刻,C1和C2表示城市;
根据所述车辆预估时间表进行城际网约车出行运力预测,具体建模如下:
式中,Pi'表示i时间段内被统计城市预估运力总和,M表示i时间段内车辆预估时间表中能为被统计城市提供运力的车辆总数,sm表示第m辆车的座位总数。
2.根据权利要求1所述的城际网约车出行运力预测方法,其特征在于,在所述根据所述车辆预估时间表进行城际网约车出行运力预测,之后还包括:
获取预约乘客的出行时间和预约乘客的出行人数;
根据所述车辆预估时间表,判断所述预约乘客的出行时间所在时间段的城市预估运力总和是否大于所述预约乘客的出行人数,得到出行运力判断结果;
若所述出行运力判断结果为是,则判断是否存在运力冲突事件,得到运力冲突判断结果;
若所述运力冲突判断结果为发生运力冲突,则进行出行推荐处理;所述出行推荐处理包括对预约的乘客出行时间进行改签或者取消预约乘客的出行订单;
若所述运力冲突判断结果为未发生运力冲突,则根据所述车辆预估时间表安排车辆接客;
若所述出行运力判断结果为否,则从所述预约乘客的出行时间所在时间段的后一时间段开始,逐一判断各时间段的城市预估运力总和是否小于所述预约乘客的出行人数,得到超负荷判断结果;
若所述超负荷判断结果为至少有一时间段满足城市预估运力总和大于或等于所述预约乘客的出行人数,则对预约的乘客出行时间进行改签;
若所述超负荷判断结果为所有时间段的城市预估运力总和均小于所述预约乘客的出行人数,则取消预约乘客的出行订单。
3.根据权利要求1所述的城际网约车出行运力预测方法,其特征在于,所述城际公路出行时长模型采用支持向量机回归方法与差分演化算法训练得到。
4.一种城际网约车出行运力预测系统,其特征在于,包括:
城际网约车历史订单数据获取模块,用于获取城际网约车历史订单数据;
平均时间确定模块,用于根据所述城际网约车历史订单数据确定在i时间段内平均候车时间、平均下车时间和平均发车间隔时间;所述i时间段为以预设时间窗大小划分每日网约车运营时间的第i个时间段;
出行数据获取模块,用于获取出行数据;所述出行数据包括:城际之间的距离、车辆出发时间、车辆出发位置和出行日期;
城际公路出行时长确定模块,用于将所述出行数据输入训练好的城际公路出行时长模型,得到城际公路出行时长;所述训练好的城际公路出行时长模型的训练过程,具体包括:
对网约车的城际公路出行时长模型,建立包含以下相关参数的模型:
其中,是城际公路出行时长,f()为SVR运算,dist是城际之间的距离,s表示车辆出发时间,o表示出发位置,h表示当天是否为重大节假日,f表示不同时段,据城市出行调查结果显示,出行需求在早晚高峰集中爆发;
其中,对城际公路出行时长模型,采用SVR的方法训练,核函数选用高斯核函数;SVR回归模型的建立取决于惩罚因子c和高斯核函数中的参数寻优;惩罚因子c用于调节置信区间范围;高斯核函数的寻优参数为径向基半径σ,其中则需要优化的参数变为c和g;
采用差分演化算法来优化城际运行时间模型中的参数c和g,具体的优化步骤如下:
种群初始化:差分演化算法优化中种群的个体,采用c和g的组合参数,其范围均为2-8~28,且均采用实数编码,如(c,g)=(0.001,0.005);
变异:采用DE/rand/1变异方法,即:
Vi,G=Xr1,G+F(Xr2,G-Xr3,G)
其中,Xr1,G、Xr2,G、Xr3,G为种群中随机抽取的三个不同的个体,F为缩放因子;
交叉:采用二项式交叉算子,将变异种群和原种群进行交叉操作,具体如下:
其中,表示交叉后得到的种群G中的第i个个体对应的新个体ui,G的第j个分量,randj[0,1)为[0,1)之间的随机数,j表示个体的第j个分量,CR为交叉概率,jrand为[1,2,…,n]之间的随机量,用于保证新个体至少有一维分量由变异个体贡献;首先,给交叉算子随机产生一维标识jrand,确保最后产生的试验个体至少有一维来自变异个体,保证种群的多样性;然后,针对当前个体的每一维随机产生一个0到1之间的实数,如果该随机实数小于交叉率CR,则试验个体来自变异个体;否则,试验个体来自当前个体;
选择:选择保留适应值高的个体作为优秀的个体,不断淘汰适应值低的较差个体;
车辆完成订单时间确定模块,用于将所述i时间段内平均候车时间、平均下车时间、平均发车间隔时间和所述城际公路出行时长之和确定为i时间段内车辆完成订单时间;
接客时间获取模块,用于获取车辆出发接客时间;
运力空闲预估时刻确定模块,用于将所述i时间段内车辆完成订单时间与所述车辆出发接客时间之和确定为i时间段内车辆为城市提供运力的运力空闲预估时刻;
车辆服务时间预测表建立模块,用于根据所述运力空闲预估时刻建立车辆服务时间预测表;所述车辆服务时间预测表的行表示时间段,所述车辆服务时间预测表的列表示车辆为城市提供运力的运力空闲预估时刻;
车辆位置获取模块,用于获取车辆位置;
车辆预估时间表建立模块,用于根据所述车辆位置和所述车辆服务时间预测表建立车辆预估时间表;所述车辆预估时间表的行表示时间段,所述车辆预估时间表的列表示车辆预估位置标志,所述车辆预估位置标志用于反映车辆能否为城市提供运力;所述车辆预估时间表建立模块,具体包括:
车辆预估位置标志生成单元,用于根据如下公式得到车辆预估位置标志:
式中,F表示车辆预估位置标志,tji表示i时段内第j辆车为城市提供运力的运力空闲预估时刻,C1和C2表示城市;
城际网约车出行运力预测模块,用于根据所述车辆预估时间表进行城际网约车出行运力预测;所述城际网约车出行运力预测模块,具体包括:
车辆座位总数获取单元,用于获取车辆的座位总数;
城市预估运力总和确定单元,用于根据车辆预估时间表和车辆的座位总数确定i时间段内城市预估运力总和;确定i时间段内城市预估运力总和的具体公式如下:
式中,Pi'表示i时间段内被统计城市预估运力总和,M表示i时间段内车辆预估时间表中能为被统计城市提供运力的车辆总数,sm表示第m辆车的座位总数。
5.根据权利要求4所述的城际网约车出行运力预测系统,其特征在于,所述系统,还包括:
出行时间和出行人数获取模块,用于获取预约乘客的出行时间和预约乘客的出行人数;
出行运力判断模块,用于根据所述车辆预估时间表,判断所述预约乘客的出行时间所在时间段的城市预估运力总和是否大于所述预约乘客的出行人数,得到出行运力判断结果;
运力冲突判断模块,用于若所述出行运力判断结果为是,则判断是否存在运力冲突事件,得到运力冲突判断结果;
出行推荐模块,用于在所述运力冲突判断结果为发生运力冲突,进行出行推荐处理;所述出行推荐处理包括对预约的乘客出行时间进行改签或者取消预约乘客的出行订单;
接客模块,用于在所述运力冲突判断结果为未发生运力冲突,根据所述车辆预估时间表安排车辆接客;
超负荷判断模块,用于在所述出行运力判断结果为否,从所述预约乘客的出行时间所在时间段的后一时间段开始,逐一判断各时间段的城市预估运力总和是否小于所述预约乘客的出行人数,得到超负荷判断结果;
改签模块,用于在所述超负荷判断结果为至少有一时间段满足城市预估运力总和大于或等于所述预约乘客的出行人数,则对预约的乘客出行时间进行改签;
取消订单模块,用于在所述超负荷判断结果为所有时间段的城市预估运力总和均小于所述预约乘客的出行人数,则取消预约乘客的出行订单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342502.8A CN111553530B (zh) | 2020-04-27 | 2020-04-27 | 一种城际网约车包车出行运力预测与出行推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342502.8A CN111553530B (zh) | 2020-04-27 | 2020-04-27 | 一种城际网约车包车出行运力预测与出行推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553530A CN111553530A (zh) | 2020-08-18 |
CN111553530B true CN111553530B (zh) | 2022-08-02 |
Family
ID=72001208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010342502.8A Active CN111553530B (zh) | 2020-04-27 | 2020-04-27 | 一种城际网约车包车出行运力预测与出行推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553530B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418663B (zh) * | 2020-11-20 | 2022-09-13 | 厦门大学 | 道路旅游客运车辆配置方法、系统、电子设备及存储介质 |
CN112434980A (zh) * | 2020-12-17 | 2021-03-02 | 深圳航天智慧城市系统技术研究院有限公司 | 一种高效的公务车用车自动调度方法及系统 |
CN112990610B (zh) * | 2021-05-06 | 2021-08-20 | 北京工业大学 | 一种基于多元线性回归预测火车站出租车运力需求的方法 |
CN113865603B (zh) * | 2021-08-30 | 2024-06-07 | 东风柳州汽车有限公司 | 共享无人车路径规划方法、装置、设备及存储介质 |
CN114723125B (zh) * | 2022-04-01 | 2024-06-28 | 华侨大学 | 一种结合深度学习和多任务优化的城际车订单分配方法 |
CN117593043B (zh) * | 2024-01-16 | 2024-04-09 | 华侨大学 | 城际网约车辆未来短期时刻分布估计方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
CN103473620A (zh) * | 2013-09-26 | 2013-12-25 | 青岛海信网络科技股份有限公司 | 综合客运枢纽多交通方式预测方法及系统 |
WO2014195782A2 (en) * | 2013-06-03 | 2014-12-11 | Tata Consultancy Services Limited | Differential evolution-based feature selection |
CN107403296A (zh) * | 2017-06-29 | 2017-11-28 | 北京小度信息科技有限公司 | 运力配置方法及装置 |
CN107403254A (zh) * | 2017-06-29 | 2017-11-28 | 中兴软创科技股份有限公司 | 基于交通节点客流预测的运力安排方法 |
GB201814781D0 (en) * | 2018-09-11 | 2018-10-24 | Satavia Ltd | System and method for aircraft flight planning |
CN110533235A (zh) * | 2019-08-20 | 2019-12-03 | 北京三快在线科技有限公司 | 终端、服务器、网约车控制方法、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950479B (zh) * | 2010-08-26 | 2012-02-08 | 张宇康 | 以乘客出行为导向的智能城市公共交通系统及其实施方法 |
US20180250585A1 (en) * | 2016-12-30 | 2018-09-06 | Verifood, Ltd. | System, device and method of running game based on spectrometer data |
-
2020
- 2020-04-27 CN CN202010342502.8A patent/CN111553530B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
WO2014195782A2 (en) * | 2013-06-03 | 2014-12-11 | Tata Consultancy Services Limited | Differential evolution-based feature selection |
CN103473620A (zh) * | 2013-09-26 | 2013-12-25 | 青岛海信网络科技股份有限公司 | 综合客运枢纽多交通方式预测方法及系统 |
CN107403296A (zh) * | 2017-06-29 | 2017-11-28 | 北京小度信息科技有限公司 | 运力配置方法及装置 |
CN107403254A (zh) * | 2017-06-29 | 2017-11-28 | 中兴软创科技股份有限公司 | 基于交通节点客流预测的运力安排方法 |
GB201814781D0 (en) * | 2018-09-11 | 2018-10-24 | Satavia Ltd | System and method for aircraft flight planning |
CN110533235A (zh) * | 2019-08-20 | 2019-12-03 | 北京三快在线科技有限公司 | 终端、服务器、网约车控制方法、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
"A Decomposition-Based Local Search for Large-Scale Many-Objective Vehicle Routing Problems With Simultaneous Delivery and Pickup and Time Windows";Ying Zhou etc;《IEEE》;20200212;5253-5264页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553530A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553530B (zh) | 一种城际网约车包车出行运力预测与出行推荐方法及系统 | |
CN107341553B (zh) | 一种车辆调度方法及装置,电子设备 | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN111340406B (zh) | 基于od客流的公交动态编排模型的实现方法及系统 | |
CN110047279A (zh) | 一种基于订单数据确定共享单车调度量的方法 | |
Sayarshad et al. | Non-myopic dynamic routing of electric taxis with battery swapping stations | |
CN102884401B (zh) | 用于将电池操作的运输装置引导至重整站的方法和引导单元 | |
CN102044149A (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN101572011B (zh) | 城市公交智能化调度管理系统及方法 | |
CN110458456B (zh) | 基于人工智能的需求响应式公交系统的调度方法及系统 | |
CN109034566A (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
CN105761482A (zh) | 基于公平性的出租车实时预约方法及系统 | |
CN107103383A (zh) | 一种基于打车热点的动态拼车调度方法 | |
CN104408908A (zh) | 公交车辆越站调度方法及系统 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN108510730A (zh) | 共享汽车网点间车辆调度方法及系统 | |
CN111898909B (zh) | 一种基于实时需求的无人驾驶公交派车方法 | |
CN110111601B (zh) | 一种基于两阶段选择的区域停车位动态分配方法 | |
Guo et al. | Vehicle rebalancing with charging scheduling in one-way car-sharing systems | |
CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
CN115409295B (zh) | 一种基于瓶颈分析的公交调度方法、电子设备及存储介质 | |
CN115130779A (zh) | 一种基于移动充电桩的智能调度方法 | |
Lee et al. | Optimal Automated Demand Responsive Feeder Transit Operation and Its Impact | |
CN111311950B (zh) | 公交车高峰期智能调度方法及系统 | |
CN112949987B (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 |
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 |