CN111612327A - 一种调度方法、系统、机器可读介质及设备 - Google Patents

一种调度方法、系统、机器可读介质及设备 Download PDF

Info

Publication number
CN111612327A
CN111612327A CN202010419351.1A CN202010419351A CN111612327A CN 111612327 A CN111612327 A CN 111612327A CN 202010419351 A CN202010419351 A CN 202010419351A CN 111612327 A CN111612327 A CN 111612327A
Authority
CN
China
Prior art keywords
scheduling
activity
flow data
data
people flow
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
CN202010419351.1A
Other languages
English (en)
Other versions
CN111612327B (zh
Inventor
姚志强
周曦
徐昊
薛瑞
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.)
Guangzhou Cloudwalk Artificial Intelligence Technology Co ltd
Original Assignee
Guangzhou Cloudwalk Artificial Intelligence 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 Guangzhou Cloudwalk Artificial Intelligence Technology Co ltd filed Critical Guangzhou Cloudwalk Artificial Intelligence Technology Co ltd
Priority to CN202010419351.1A priority Critical patent/CN111612327B/zh
Publication of CN111612327A publication Critical patent/CN111612327A/zh
Application granted granted Critical
Publication of CN111612327B publication Critical patent/CN111612327B/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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

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

Abstract

本发明提供一种调度方法，包括：基于历史活动相关参数预测活动结束时活动区域的人流数据；根据所述人流数据生成人员调度方案；基于历史车辆行驶数据预测活动结束时活动区域的车流数据；根据所述车流数据得到所述交通疏散能力；根据所述人流数据与所述交通疏散能力生成车辆调度方案。本发明通过历史活动相关参数和历史车辆行驶数据，预测活动结束时人流数据及活动区域的交通疏散能力，提前制定相应的人员和车辆调度计划，确保活动散场时能及时的疏散人流，降低发生安全问题的风险性。

Description

一种调度方法、系统、机器可读介质及设备
技术领域
本发明属于交通调度领域，具体涉及一种调度方法、系统、机器可读介质及设备。
背景技术
大型活动人流密集，尤其是在每天的开始和结束时间段，会有明显的人流聚集情况，需要相关部门对此进行重点关注，防止群体事件造成的不良影响。以活动散场为例，活动参与者会在短时期内向出入口聚集，离开场所后会向就近的交通枢纽汇集，从而导致短期局部区域人员密集度显著增加，大幅增加风险产生的可能性。现有技术集中在当发生拥堵后的紧急调度疏散方案。然而警务人员和车辆调度受到时间和空间的影响，在调度过程中，依然容易产生安全问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种调度方法、系统、机器可读介质及设备，用于解决现有技术存在的问题。
为实现上述目的及其他相关目的，本发明提供一种调度方法，包括：
基于历史活动相关参数预测活动结束时活动区域的人流数据；
根据所述人流数据生成人员调度方案；
基于历史车辆行驶数据预测活动结束时活动区域的车流数据；
根据所述车流数据得到所述交通疏散能力；
根据所述人流数据与所述交通疏散能力生成车辆调度方案。
可选地，还包括：将所述人员调度方案和所述车辆调度方案发送至客户端。
可选地，还包括：接收所述客户端反馈的人员调度反馈信息和车辆调度反馈信息。
可选地，所述历史活动相关参数包括活动发生时间、历史人流数据。
可选地，基于以下至少之一预测活动结束时活动区域的人流数据：ARIMA(p,d,q)模型、灰色预测算法或基于神经网络模型的预测算法。
可选地，根据人流数据确定拥堵等级，根据拥堵等级生成与拥堵等级对应的人员调度方案。
可选地，所述历史车辆行驶数据包括与活动结束时间段相同的历史时间段内车辆数量平均值及可载客人数平均值。
可选地，当
Figure BDA0002496270120000021
大于设定阈值时，执行所述车辆调度方案，其中，T表示交通疏散能力，P表示人流数据。
为实现上述目的及其他相关目的，一种调度系统，包括：
人流数据预测模块，基于历史活动相关参数预测活动结束时活动区域的人流数据；
人员调度方案生成模块，用于根据所述人流数据生成人员调度方案；
车流数据预测模块，基于历史车辆行驶数据预测活动结束时活动区域的车流数据；
交通疏散能力获取模块，用于根据所述车流数据得到所述交通疏散能力；
车辆调度方案生成模块，用于根据所述人流数据与所述交通疏散能力生成车辆调度方案。
可选地，所述交通疏散能力预测模块包括：
可选地，还包括：发送模块，用于将所述人员调度方案和所述车辆调度方案发送至客户端。
可选地，还包括：接收模块，用于接收所述客户端反馈的人员调度反馈信息和车辆调度反馈信息。
可选地，所述历史活动相关参数包括活动发生时间、历史人流数据。
可选地，基于以下至少之一预测活动结束时活动区域的人流数据：ARIMA(p,d,q)模型、灰色预测算法或基于神经网络模型的预测算法。
可选地，根据人流数据确定拥堵等级，根据拥堵等级生成与拥堵等级对应的人员调度方案。
可选地，所述历史车辆行驶数据包括与活动结束时间段相同的历史时间段内车辆数量平均值及可载客人数平均值。
可选地，当
Figure BDA0002496270120000022
大于设定阈值时，执行所述车辆调度方案，其中，T表示交通疏散能力，P表示人流数据。
为实现上述目的及其他相关目的，本发明提供一种设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行前述的一个或多个所述的方法。
为实现上述目的及其他相关目的，本发明提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行前述的一个或多个所述的方法。
如上所述，本发明提供的一种调度方法、系统、机器可读介质及设备，具有以下有益效果：
本发明通过历史人流数据和历史车流数据，预测活动结束时间人流数据及活动区域的交通疏散能力，提前制定相应的人员和车辆调度计划，确保活动散场时能及时的疏散人流，降低发生安全问题的风险性。
附图说明
图1为本发明一实施例一种调度方法的流程图；
图2为本发明一实施例一种调度系统的示意图；
图3为一实施例提供的终端设备的硬件结构示意图。
图4为另一实施例提供的终端设备的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本发明提供一种调度方法，包括：
S11基于历史活动相关参数预测活动结束时活动区域的人流数据；
S12根据所述人流数据生成人员调度方案；
S13基于历史车辆行驶数据预测活动结束时活动区域的车流数据；
S14根据所述车流数据得到所述交通疏散能力；
S15根据所述人流数据与所述交通疏散能力生成车辆调度方案。
本发明通过历史人流数据和历史车流数据，预测活动结束时间人流数据及活动区域的交通疏散能力，提前制定相应的人员和车辆调度计划，确保活动散场时能及时的疏散人流，降低发生安全问题的风险性。
可以理解的是，本发明所述的活动可以是向公安机关报备过的活动，例如，某一演唱会、足球赛等；也可以是发生人群聚集的事件，例如上下班。其中，历史活动相关参数可以通过公安机关的大型活动报备系统获取，可以包括活动发生时间、历史人流数据，还可以包括活动发生地点、活动类型等。历史人流数据也可以叫做活动参与人数。
在一实施例中，在获取到历史人流数据后，可以基于以下至少之一预测活动结束时活动区域的人流数据：ARIMA(p,d,q)模型、灰色预测算法或基于神经网络模型的预测算法。
ARIMA(p,d,q)模型：(Autoregressive Integrated MovingAverage model)，差分整合移动平均自回归模型，又称整合移动平均自回归模型(移动也可称作滑动)，时间序列预测分析方法之一。
ARIMA(p,d,q)模型可以表示为：
Figure BDA0002496270120000041
εt为白噪声，L为滞后算子ARIMA(p,d,q)模型对时间序列的要求是平稳型。d为使之成为平稳序列所做的差分次数，根据得到一个平稳时间序列需要对原时间序列S做差分的次数确定。其中，原时间序列获取方式为：获取活动的发生时间以及活动参与人数，得到该活动参与人数的时间序列St。
ARIMA(p,d,q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，AR模型部分的参数
Figure BDA0002496270120000042
和MA模型部分的参数θ＝(θ1，θ2，...，θq)通过最小二乘法求得。最小二乘法：又称最小平方法，是一种数学优化技术。它通过使得观测点和估计点的距离的平方和达到最小来寻找数据的最优函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合，其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
参数对(p,q)通过最小化AIC信息准则确定，AIC信息准则是建立在极大似然估计的基础上拟合精度和参数个数的加权函数，当确定ARIMA(p,d,q)模型后，预测人流数据P,其中人流数据具体可以是参加活动的人数。
AIC信息准则：(Akaikeinformationcriterion)，是衡量统计模型拟合优良性(Goodness of fit)的一种标准，由于它为日本统计学家赤池弘次创立和发展的，因此又称赤池信息量准则。它建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。
在一实施例中，根据人流数据确定拥堵等级，根据拥堵等级生成与拥堵等级对应的人员调度方案。其中，拥堵等级是根据人流数据来判断，即判断人流数据是否满足业务规则中的拥堵定义，当然每一个拥堵等级具有相对应的拥堵定义。当确定好拥堵等级后，就可以调用相应的人员调度方案进行人员调度。人员调度方案可以是：调度附近的民警和交警到达活动区域进行人流疏散。其中，调度数量可以根据拥堵等级来确定。
在确定好人员调度方案后，将所述人员调度方案发送至客户端。其中客户端可以是智能手机、iPad等可随身携带的移动终端。
在一实施例中，所述历史车辆行驶数据包括与活动结束时间段相同的历史时间段内车辆数量平均值及可载客人数平均值。
其中，历史车辆行驶数据可以从公交车系统平台、出租车系统平台、网约车系统平台、车载GPS-GIS系统等系统平台获取，这些平台记录了近期内全省(市)车辆行驶数据，包括车辆类型、行驶路径、载客情况、运营时间等。
根据历史车辆行驶数据，得到与活动结束时间段相同的历史时间段内车辆数量Xi平均值及可载客人数Ni平均值，i表示不同类型的车辆，包括公交车、出租车、网约车、共享单车、地铁等，计算出活动区域结束时间段日常的交通疏散能力T：
T＝∑XiNi
根据活动参与人数P和交通疏散能力T来判断是否需要执行车辆调度方案。若
Figure BDA0002496270120000051
大于业务规则中定义的阀值，则需要进行车辆调度，执行相应的车辆调度方案。其中车辆调度方案可以是：增加附近公交线路班次，调度附近的出租车、网约车到达活动区域进行人流疏散。
在确定好车辆调度方案后，将所述车辆调度方案发送至客户端。其中客户端可以是智能手机、iPad、车载终端等。
在一实施例中，调度方法还包括：接收所述客户端反馈的人员调度反馈信息和车辆调度反馈信息。
调度反馈信息分为主动响应和被动响应。主动响应即调度的人员进行调度确认或调度的车辆到达活动区域进行调度确认后，作出主动响应。被动响应在发布调度请求十五分钟后未收到调度确认，作出被动响应，在接收到被动响应后，持续进行紧急的人员和车辆调度。
如图2所示，本发明提供一种调度系统，包括：
人流数据预测模块21，基于历史活动相关参数预测活动结束时活动区域的人流数据；
人员调度方案生成模块22，根据所述人流数据生成人员调度方案；
车流数据预测模块23，基于历史车辆行驶数据预测活动结束时活动区域的车流数据；
交通疏散能力获取模块24，用于根据所述车流数据得到所述交通疏散能力。
车辆调度方案生成模块25，根据所述人流数据与所述交通疏散能力生成车辆调度方案。
本发明通过历史人流数据和历史车流数据，预测活动结束时间人流数据及活动区域的交通疏散能力，提前制定相应的人员和车辆调度计划，确保活动散场时能及时的疏散人流，降低发生安全问题的风险性。
可以理解的是，本发明所述的活动可以是向公安机关报备过的活动，例如，某一演唱会、足球赛等；也可以是发生人群聚集的事件，例如上下班。其中，历史活动相关参数可以利用活动信息数据模块通过数据接入公安机关的大型活动报备系统获取，可以包括活动发生时间、历史人流数据，还可以包括活动发生地点、活动类型等。历史人流数据也可以叫做活动参与人数。
在一实施例中，在获取到历史人流数据后，可以基于以下至少之一预测活动结束时活动区域的人流数据：ARIMA(p,d,q)模型、灰色预测算法或基于神经网络模型的预测算法。
ARIMA(p,d,q)模型：(Autoregressive Integrated MovingAverage model)，差分整合移动平均自回归模型，又称整合移动平均自回归模型(移动也可称作滑动)，时间序列预测分析方法之一。
ARIMA(p,d,q)模型可以表示为：
Figure BDA0002496270120000061
εt为白噪声，L为滞后算子ARIMA(p,d,q)模型对时间序列的要求是平稳型。d为使之成为平稳序列所做的差分次数，根据得到一个平稳时间序列需要对原时间序列S做差分的次数确定。其中，原时间序列获取方式为：获取活动的发生时间以及活动参与人数，得到该活动参与人数的时间序列St。
ARIMA(p,d,q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，AR模型部分的参数
Figure BDA0002496270120000062
和MA模型部分的参数θ＝(θ1，θ2，...，θq)通过最小二乘法求得。最小二乘法：又称最小平方法，是一种数学优化技术。它通过使得观测点和估计点的距离的平方和达到最小来寻找数据的最优函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合，其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
参数对(p,q)通过最小化AIC信息准则确定，AIC信息准则是建立在极大似然估计的基础上拟合精度和参数个数的加权函数，当确定ARIMA(p,d,q)模型后，预测人流数据P,其中人流数据具体可以是参加活动的人数。
AIC信息准则：(Akaike information criterion)，是衡量统计模型拟合优良性(Goodness of fit)的一种标准，由于它为日本统计学家赤池弘次创立和发展的，因此又称赤池信息量准则。它建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。
在一实施例中，根据人流数据确定拥堵等级，根据拥堵等级生成与拥堵等级对应的人员调度方案。其中，拥堵等级是根据人流数据来判断，即判断人流数据是否满足业务规则中的拥堵定义，当然每一个拥堵等级具有相对应的拥堵定义。当确定好拥堵等级后，就可以调用相应的人员调度方案进行人员调度。人员调度方案可以是：调度附近的民警和交警到达活动区域进行人流疏散。其中，调度数量可以根据拥堵等级来确定。
在确定好人员调度方案后，发送模块将所述人员调度方案发送至客户端。其中客户端可以是智能手机、iPad等可随身携带的移动终端。
在本实施例中，是通过人员调度方案生成模块生成人员调度方案；而在另一实施例中，可以通过人流预测模块预测人流数据，然后由决策模块根据人流数据判断是需要进行人员调度，若需要人员调度则生成人员调度方案；生成的人员调度方案被发送至管理模块，再由管理模块将调度方案发送给人员调度模块，人员调度模块通过警务平台的对接，调度附近的民警和交警到达活动区域进行人流疏散，并进行调度确认。
在一实施例中，所述历史车辆行驶数据包括与活动结束时间段相同的历史时间段内车辆数量平均值及可载客人数平均值。
其中，历史车辆行驶数据可以通过车辆信息数据模块通过接入公交车系统平台、出租车系统平台、网约车系统平台、车载GPS-GIS系统等系统平台获取，这些平台记录了近期内全省(市)车辆行驶数据，包括车辆类型、行驶路径、载客情况、运营时间等。
根据历史车辆行驶数据，得到与活动结束时间段相同的历史时间段内车辆数量Xi平均值及可载客人数Ni平均值，i表示不同类型的车辆，包括公交车、出租车、网约车、共享单车、地铁等，计算出活动区域结束时间段日常的交通疏散能力T：
T＝∑XiNi
根据活动参与人数P和交通疏散能力T来判断是否需要执行车辆调度方案。若
Figure BDA0002496270120000081
大于业务规则中定义的阀值，则需要进行车辆调度，执行相应的车辆调度方案。其中车辆调度方案可以是：增加附近公交线路班次，调度附近的出租车、网约车到达活动区域进行人流疏散。
在确定好车辆调度方案后，发送模块将所述车辆调度方案发送至客户端。其中客户端可以是智能手机、iPad、车载终端等。
在一实施例中，调度系统还包括：接收模块，用于接收所述客户端反馈的人员调度反馈信息和车辆调度反馈信息。
调度反馈信息分为主动响应和被动响应。主动响应即调度的人员进行调度确认或调度的车辆到达活动区域进行调度确认后，作出主动响应。被动响应在发布调度请求十五分钟后未收到调度确认，作出被动响应，在接收到被动响应后，持续进行紧急的人员和车辆调度。
在本实施例中，是通过车辆调度方案生成模块生成车辆调度方案；而在另一实施例中，可以通过交通疏散能力预测模块预测交通疏散能力，然后由决策模块根据交通疏散能力判断是需要进行车辆调度，若需要车辆调度则生成车辆调度方案；生成的车辆调度方案被发送至管理模块，再由管理模块将调度方案发送给车辆调度模块，车辆调度模块通过公交车系统平台、出租车系统平台、网约车系统平台的对接，在系统管理模块下发的车辆调度时段，增加附近公交线路班次，调度附近的出租车、网约车到达活动区域进行人流疏散，并进行调度确认。
本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts GroupAudio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中方法所包含步骤的指令(instructions)。
图3为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图4为本申请的一个实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。
由上可知，在图4实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图3实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (18)

1.一种调度方法，其特征在于，包括：
基于历史活动相关参数预测活动结束时活动区域的人流数据；
根据所述人流数据生成人员调度方案；
基于历史车辆行驶数据预测活动结束时活动区域的车流数据；
根据所述车流数据得到所述交通疏散能力；
根据所述人流数据与所述交通疏散能力生成车辆调度方案。
2.根据权利要求1所述的调度方法，其特征在于，还包括：将所述人员调度方案和所述车辆调度方案发送至客户端。
3.根据权利要求2所述的调度方法，其特征在于，还包括：接收所述客户端反馈的人员调度反馈信息和车辆调度反馈信息。
4.根据权利要求1所述的调度方法，其特征在于，所述历史活动相关参数包括活动发生时间、历史人流数据。
5.根据权利要求1所述的调度方法，其特征在于，基于以下至少之一预测活动结束时活动区域的人流数据：ARIMA(p,d,q)模型、灰色预测算法或基于神经网络模型的预测算法。
6.根据权利要求1所述的调度方法，其特征在于，根据人流数据确定拥堵等级，根据拥堵等级生成与拥堵等级对应的人员调度方案。
7.根据权利要求1所述的调度方法，其特征在于，所述历史车辆行驶数据包括与活动结束时间段相同的历史时间段内车辆数量平均值及可载客人数平均值。
8.根据权利要求1所述的调度方法，其特征在于，当
Figure FDA0002496270110000011
大于设定阈值时，执行所述车辆调度方案，其中，T表示交通疏散能力，P表示人流数据。
9.一种调度系统，其特征在于，包括：
人流数据预测模块，基于历史活动相关参数预测活动结束时活动区域的人流数据；
人员调度方案生成模块，用于根据所述人流数据生成人员调度方案；
交通疏散能力预测模块，基于历史车辆行驶数据预测活动结束时活动区域的车流数据；
交通疏散能力获取模块，用于根据所述车流数据得到所述交通疏散能力；
车辆调度方案生成模块，用于根据所述人流数据与所述交通疏散能力生成车辆调度方案。
10.根据权利要求9所述的调度系统，其特征在于，还包括：
发送模块，用于将所述人员调度方案和所述车辆调度方案发送至客户端。
11.根据权利要求10所述的调度方法，其特征在于，还包括：
接收模块，用于接收所述客户端反馈的人员调度反馈信息和车辆调度反馈信息。
12.根据权利要求9所述的调度系统，其特征在于，所述历史活动相关参数包括活动发生时间、历史人流数据。
13.根据权利要求9所述的调度系统，其特征在于，基于以下至少之一预测活动结束时活动区域的人流数据：ARIMA(p,d,q)模型、灰色预测算法或基于神经网络模型的预测算法。
14.根据权利要求9所述的调度系统，其特征在于，根据人流数据确定拥堵等级，根据拥堵等级生成与拥堵等级对应的人员调度方案。
15.根据权利要求9所述的调度系统，其特征在于，所述历史车辆行驶数据包括与活动结束时间段相同的历史时间段内车辆数量平均值及可载客人数平均值。
16.根据权利要求9所述的调度系统，其特征在于，当
Figure FDA0002496270110000021
大于设定阈值时，执行所述车辆调度方案，其中，T表示交通疏散能力，P表示人流数据。
17.一种设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-8所述的一个或多个所述的方法。
18.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-8所述的一个或多个所述的方法。
CN202010419351.1A 2020-05-18 2020-05-18 一种调度方法、系统、机器可读介质及设备 Active CN111612327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010419351.1A CN111612327B (zh) 2020-05-18 2020-05-18 一种调度方法、系统、机器可读介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010419351.1A CN111612327B (zh) 2020-05-18 2020-05-18 一种调度方法、系统、机器可读介质及设备

Publications (2)

Publication Number Publication Date
CN111612327A true CN111612327A (zh) 2020-09-01
CN111612327B CN111612327B (zh) 2021-05-18

Family

ID=72200254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010419351.1A Active CN111612327B (zh) 2020-05-18 2020-05-18 一种调度方法、系统、机器可读介质及设备

Country Status (1)

Country Link
CN (1) CN111612327B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785055A (zh) * 2021-01-18 2021-05-11 优必爱信息技术（北京）有限公司 车辆加油日期预测方法及设备
CN113345216A (zh) * 2021-05-28 2021-09-03 蓝海（福建）信息科技有限公司 一种面向大型活动的车辆调度方法
CN113506461A (zh) * 2021-07-07 2021-10-15 安徽富煌科技股份有限公司 一种基于动态自适应粒子群算法的交通调度系统
CN115578233A (zh) * 2022-11-18 2023-01-06 深圳市城市交通规划设计研究中心股份有限公司 一种交通应急疏散方法、系统及计算机设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101350113A (zh) * 2008-09-04 2009-01-21 上海交通大学 基于客流预测和自适应仿真的拥挤预警系统
CN101799911A (zh) * 2010-03-31 2010-08-11 公安部交通管理科学研究所 一种高速公路网紧急情况下交通组织辅助决策系统
CN103106546A (zh) * 2013-02-08 2013-05-15 同济大学 基于区域应急疏散能力评估的疏散应急方案选择方法
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
CN104573849A (zh) * 2014-12-12 2015-04-29 安徽富煌和利时科技股份有限公司 基于arima模型预测客流的公交调度优化方法
CN107067716A (zh) * 2016-10-14 2017-08-18 招商局重庆交通科研设计院有限公司 隧道交通事故疏散方法
CN107945088A (zh) * 2017-11-28 2018-04-20 深圳市赛亿科技开发有限公司 一种景区管理方法及系统
CN108694464A (zh) * 2018-05-14 2018-10-23 重庆交通开投科技发展有限公司 客流疏散方法及装置
CN109033718A (zh) * 2018-09-07 2018-12-18 哈尔滨工业大学 一种城市轨道交通线路失效的动态应急疏散方法
CN109858670A (zh) * 2018-12-24 2019-06-07 哈尔滨工业大学 一种轨道交通车站大客流实时预警方法
CN109872536A (zh) * 2019-04-10 2019-06-11 义乌市腾飞汽车代驾服务有限公司 一种客流引导系统及其控制方法
CN209149348U (zh) * 2019-01-23 2019-07-23 上海新联纬讯科技发展股份有限公司 一种客流预测系统
CN110111573A (zh) * 2019-05-15 2019-08-09 辽宁工业大学 一种基于物联网的拥堵车辆综合调度方法
CN111091222A (zh) * 2018-10-24 2020-05-01 上海博泰悦臻网络技术服务有限公司 人流量预测方法、装置及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101350113A (zh) * 2008-09-04 2009-01-21 上海交通大学 基于客流预测和自适应仿真的拥挤预警系统
CN101799911A (zh) * 2010-03-31 2010-08-11 公安部交通管理科学研究所 一种高速公路网紧急情况下交通组织辅助决策系统
CN103106546A (zh) * 2013-02-08 2013-05-15 同济大学 基于区域应急疏散能力评估的疏散应急方案选择方法
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
CN104573849A (zh) * 2014-12-12 2015-04-29 安徽富煌和利时科技股份有限公司 基于arima模型预测客流的公交调度优化方法
CN107067716A (zh) * 2016-10-14 2017-08-18 招商局重庆交通科研设计院有限公司 隧道交通事故疏散方法
CN107945088A (zh) * 2017-11-28 2018-04-20 深圳市赛亿科技开发有限公司 一种景区管理方法及系统
CN108694464A (zh) * 2018-05-14 2018-10-23 重庆交通开投科技发展有限公司 客流疏散方法及装置
CN109033718A (zh) * 2018-09-07 2018-12-18 哈尔滨工业大学 一种城市轨道交通线路失效的动态应急疏散方法
CN111091222A (zh) * 2018-10-24 2020-05-01 上海博泰悦臻网络技术服务有限公司 人流量预测方法、装置及系统
CN109858670A (zh) * 2018-12-24 2019-06-07 哈尔滨工业大学 一种轨道交通车站大客流实时预警方法
CN209149348U (zh) * 2019-01-23 2019-07-23 上海新联纬讯科技发展股份有限公司 一种客流预测系统
CN109872536A (zh) * 2019-04-10 2019-06-11 义乌市腾飞汽车代驾服务有限公司 一种客流引导系统及其控制方法
CN110111573A (zh) * 2019-05-15 2019-08-09 辽宁工业大学 一种基于物联网的拥堵车辆综合调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
廖梦婕: "大型活动突发事件交通应急疏散模型构建与算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785055A (zh) * 2021-01-18 2021-05-11 优必爱信息技术（北京）有限公司 车辆加油日期预测方法及设备
CN112785055B (zh) * 2021-01-18 2024-02-06 优必爱信息技术（北京）有限公司 车辆加油日期预测方法及设备
CN113345216A (zh) * 2021-05-28 2021-09-03 蓝海（福建）信息科技有限公司 一种面向大型活动的车辆调度方法
CN113345216B (zh) * 2021-05-28 2022-10-11 蓝海（福建）信息科技有限公司 一种面向大型活动的车辆调度方法
CN113506461A (zh) * 2021-07-07 2021-10-15 安徽富煌科技股份有限公司 一种基于动态自适应粒子群算法的交通调度系统
CN115578233A (zh) * 2022-11-18 2023-01-06 深圳市城市交通规划设计研究中心股份有限公司 一种交通应急疏散方法、系统及计算机设备

Also Published As

Publication number Publication date
CN111612327B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN111612327B (zh) 一种调度方法、系统、机器可读介质及设备
Capponi et al. A survey on mobile crowdsensing systems: Challenges, solutions, and opportunities
US8195584B2 (en) Combining predictive models of forgetting, relevance, and cost of interruption to guide automated reminding
CN105745635B (zh) 上下文知晓的协作式用户跟踪
US9154609B2 (en) Remote virtual supervision system
CN107170278A (zh) 一种车位共享的方法及服务器
Moore et al. Taking worker productivity to a new level? Electronic Monitoring in homecare—the (re) production of unpaid labour
US20150095268A1 (en) Intelligent multi-user task planning
US11348461B2 (en) Available parking space dispatch
US20180046961A1 (en) Method and system for dispatching of vehicles in a public transportation network
WO2012048163A2 (en) Automated analysis and mechanization of scheduling
CN107438856A (zh) 触发关联的通知传送
CN104065743A (zh) 一种基于智慧城市平台的120急救系统
Reades et al. Finding pearls in London's oysters
CN107038610A (zh) 一种无人驾驶出租车的乘客信任度评价方法
US20220327651A1 (en) Determine passenger drop-off location based on influencing factors
CN107944815A (zh) 一种提醒用户日程的方法、按摩装置、服务器及按摩系统
CN108494965A (zh) 提醒方法、装置及计算机可读存储介质
GB2604994A (en) System and method for customized reminders
US20150095087A1 (en) Calendar Integration In A Collaborative Environment
CN113216790A (zh) 开关门控制方法、装置、终端设备和计算机介质
EP3732640A1 (fr) Systeme et procede de gestion de donnees personnelles dans un rassemblement de masse
CN115866289A (zh) 一种机务数据整合管理系统
CN113409009A (zh) 智慧看板系统
CN114025327B (zh) 一种基于数据中台的车队管理机器人设计方法

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