CN111815095A - 共享汽车调度方法、电子设备及存储介质 - Google Patents
共享汽车调度方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111815095A CN111815095A CN201910536003.XA CN201910536003A CN111815095A CN 111815095 A CN111815095 A CN 111815095A CN 201910536003 A CN201910536003 A CN 201910536003A CN 111815095 A CN111815095 A CN 111815095A
- Authority
- CN
- China
- Prior art keywords
- station
- vehicles
- work order
- destination
- algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 135
- 230000015654 memory Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer 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
- G06Q10/06—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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种共享汽车调度方法、电子设备及存储介质,方法包括:预测场站在多个时间段内流入的车辆数作为预测流入车辆数,流出的车辆数作为预测流出车辆数;根据该场站的预测流入车辆数、预测流出车辆数确定之前生成的工单是否有效;根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。本发明降低车辆闲置时长的同时为业务降低了调度成本。
Description
技术领域
本发明涉及车辆相关技术领域,特别是一种共享汽车调度方法、电子设备及存储介质。
背景技术
在许多城市,共享汽车已经不是新鲜事物。与共享单车类似,交上押金,完成身份认证,就可以体验“随开随停”的驾驶乐趣。随着共享汽车市场的扩大,如何提升用户的需求满足率,实现规范化、智能化运营正考验着共享汽车运营商们的智慧。而长期以来,人类的出行时间和地点存在相似性,导致了高峰时期热门场站的车辆供不应求,而低峰时期却出现车辆大量积压的现象;共享汽车属于重资产,如果想靠增加车辆数来最大化的满足用户需求所付出的成本非常大,且在平峰时期车辆大部分会闲置在停车场,不仅车辆的维护成本高,同时带来的停车问题也非常严重;因此,如何在有限的车辆数下,最大化的满足用户需求,提升车辆的利用率,是我们面临的一大难题。而现有的共享汽车调度大部分都是通过线下调度员的经验来调度车辆,需要线下调度员对当地区域的地理属性非常熟悉,凭自己的经验判断哪个场站在哪段时间内需要车,则把闲置的车或者刚充完电的车辆调度到该场站,如此反复执行;虽然这种人工经验的方法可以提高车辆的利用率,但是存在以下2大瓶颈:(1)难以规模化扩展;一旦在新的城市开城,必须要招募熟悉当地生活交通的人来做调度员,并且需要很长一段时间的培训期和探索期来积累经验,总结规律;一旦更换调度员,就需要从头学起,历史调度员的经验无法复制。(2)难以提高调度效率;人的经验是有限的,并且调度员的水平参差不齐,难以看到宏观概貌和未来信息,效率提高的空间小。
发明内容
基于此,有必要针对现有技术采用人工经验进行汽车调度的技术问题,提供一种共享汽车调度方法、电子设备及存储介质。
本发明提供一种共享汽车调度方法,包括:
预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数;
,根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
,根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
进一步地,所述预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数,具体包括:
对场站的多个时间段:
获取该场站历史时间段内的流入车辆数、流出车辆数作为训练集,训练得到关于该时间段的流入车辆数和流出车辆数的预测模型;
从所述预测模型,获取该场站在该时间段内流入的车辆数作为预测流入车辆数,获取该场站在该时间段内流出的车辆数作为预测流出车辆数。
进一步地,所述根据该场站的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效,具体包括:
将以该场站作为起始场站点且在工单表中未领取的算法工单作为该场站点的起始点场站算法工单;
如果该场站的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数的差值大于预设流出阈值,则将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效;
将以该场站作为目的地场站且在工单表中未领取的业务工单和算法工单均作为该场站点的目的地场站工单,其中所述业务工单为根据业务规则生成的工单;
如果该场站的目的地场站工单的数量-当前时间段该场站的预测流入车辆数的差值大于预设流入阈值,则将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站。
更进一步地,所述将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效,具体包括:
将该场站的所有起始点场站算法工单按照生成时间进行排序;
将最早生成的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数-流出阈值个起始点场站算法工单置为失效。
更进一步地,所述将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站,具体包括:
将该场站的所有目的地场站工单按照生成时间进行排序;
将最早生成的目的地场站工单的数量-当前时间段该场站的预测流入车辆数-流入阈值个目的地场站工单作为待计算目的地场站工单;
将所述待计算目的地场站工单中的算法工单置为失效;
重新计算所述待计算目的地场站工单中的业务工单的目的地场站。
进一步地,所述确定该场站每个算法工单的车辆调度的目的地场站,具体包括:
对于该场站每个算法工单:
将该算法工单的起始场站作为起始节点,起始场站对应的可调度场站作为目的地节点集合,将场站间导航距离和目的地节点的供需缺口量化为该目的地节点与起始节点之间具有加权和的边,将加权和最大的边所对应的目的地节点作为该算法工单的目的地场站。
本发明提供一种共享汽车调度电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数;
,根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
,根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
进一步地,所述预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数,具体包括:
对场站的多个时间段:
获取该场站历史时间段内的流入车辆数、流出车辆数作为训练集,训练得到关于该时间段的流入车辆数和流出车辆数的预测模型;
从所述预测模型,获取该场站在该时间段内流入的车辆数作为预测流入车辆数,获取该场站在该时间段内流出的车辆数作为预测流出车辆数。
进一步地,所述根据该场站的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效,具体包括:
将以该场站作为起始场站点且在工单表中未领取的算法工单作为该场站点的起始点场站算法工单;
如果该场站的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数的差值大于预设流出阈值,则将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效;
将以该场站作为目的地场站且在工单表中未领取的业务工单和算法工单均作为该场站点的目的地场站工单,其中所述业务工单为根据业务规则生成的工单;
如果该场站的目的地场站工单的数量-当前时间段该场站的预测流入车辆数的差值大于预设流入阈值,则将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站。
更进一步地,所述将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效,具体包括:
将该场站的所有起始点场站算法工单按照生成时间进行排序;
将最早生成的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数-流出阈值个起始点场站算法工单置为失效。
更进一步地,所述将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站,具体包括:
将该场站的所有目的地场站工单按照生成时间进行排序;
将最早生成的目的地场站工单的数量-当前时间段该场站的预测流入车辆数-流入阈值个目的地场站工单作为待计算目的地场站工单;
将所述待计算目的地场站工单中的算法工单置为失效;
重新计算所述待计算目的地场站工单中的业务工单的目的地场站。
进一步地,所述确定该场站每个算法工单的车辆调度的目的地场站,具体包括:
对于该场站每个算法工单:
将该算法工单的起始场站作为起始节点,起始场站对应的可调度场站作为目的地节点集合,将场站间导航距离和目的地节点的供需缺口量化为该目的地节点与起始节点之间具有加权和的边,将加权和最大的边所对应的目的地节点作为该算法工单的目的地场站。
本发明提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的共享汽车调度方法的所有步骤。
本发明通过大数据预测实现调度,提高了车辆的利用率,降低了单车日调度成本,提高了单车日单量,降低车辆闲置时长的同时有效地为业务降低了调度成本。对社会而言,减少了停车位占用时长,有效缓解了停车难的问题,且高效利用车辆资源,减少道路拥堵现象,对建设文明和谐城市有着重要意义。
附图说明
图1为本发明一实施例一种共享汽车调度方法的工作流程图;
图2为本发明第二实施例一种共享汽车调度方法的工作流程图;
图3为本发明第三可选实施例一种共享汽车调度方法的工作流程图;
图4为本发明第四可选实施例一种共享汽车调度方法的工作流程图;
图5为本发明最佳实施例的系统模块图;
图6为本发明一实施例一种共享汽车调度电子设备的硬件结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
实施例一
如图1所示为本发明一实施例一种共享汽车调度方法的工作流程图,包括:
步骤S101,预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数;
步骤S102,根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
步骤S103,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
步骤S104,根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
具体来说,步骤S101通过输出场站在多个时间段内需要流入流出的车辆数。步骤S102基于预测出来的结果来判断之前生成的车辆调度工单是否需要置为无效或取消。其中,上一时间段在步骤S104中生成的工单,会在当前时间段的步骤S102中判断是否需要置为无效或取消。步骤S103基于需求预测的结果和历史工单诊断性的结果来计算出场站当前需要调入调出的车辆数。步骤S104生成需要调度的车辆对应的工单,并且计算出车辆调度的目的地场站,使得基于需求预测的车辆调度达到全局最优。
本发明优选应用于调度员使用的终端APP上,用于明确的告知线下调度员将哪辆车调度到哪个场站,通过背后的调度大脑输出指令让每个调度员规范化的执行,这样既可以让调度员专注于做单又可以提升调度员的完单量,增加个人收入,并且能够规模化拓展到其他城市。
本发明通过大数据预测实现调度,提高了车辆的利用率,降低了单车日调度成本,提高了单车日单量,降低车辆闲置时长的同时有效地为业务降低了调度成本。对社会而言,减少了停车位占用时长,有效缓解了停车难的问题,且高效利用车辆资源,减少道路拥堵现象,对建设文明和谐城市有着重要意义。
实施例二
如图2所示为本发明第二实施例一种共享汽车调度方法的工作流程图,包括:
步骤S201,对场站的多个时间段:获取该场站历史时间段内的流入车辆数、流出车辆数作为训练集,训练得到关于该时间段的流入车辆数和流出车辆数的预测模型。
步骤S202,从所述预测模型,获取该场站在该时间段内流入的车辆数作为预测流入车辆数,获取该场站在该时间段内流出的车辆数作为预测流出车辆数。
具体来说,步骤S201和步骤S202建立预测模型。算法模型优选采用XGBOOST决策树模型,该模型根据信息增益增加最大的方向优化,训练速度快,学习效果优良,且对缺失值有不错的处理。该需求预测建模为回归模型,将每个小时时间段的流入/流出车辆数作为训练标签,综合考虑了多个影响因素,进行建模,包括但不限于历史上该时间段的订单量(过去1天该时间段订单量、过去3天该时间段订单量…)、历史上该时间段乘客端共享汽车冒泡数、当天该时间段天气属性(雨雪情况、风力大小与方向、温度)、当天该时间段的日期属性(节假日/周末属性、该时间段是否为上下班高峰)。来进行训练输出。实现输入历史数据(T-2),来预测未来车辆流入流出情况,达到需求预测目的。
步骤S203,根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效。
步骤S204,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数。
具体来说,先读取步骤S202输出的场站需要流入流出的车辆数,减去上一步中诊断为有效的工单,将工单的起始点场站所需调出的车辆数减一,将目的地场站所需调出的车辆数减一,此时得到场站当下真正需要调入调出的车辆数。
步骤S205,根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
本实施例通过预测模型对场站的流入流出车辆数进行预测,通过大数据分析确定多个时间段的车辆流入流出情况,预测结果准确有效,符合实际需求。
实施例三
如图3所示为本发明第三实施例一种共享汽车调度方法的工作流程图,包括:
步骤S301,预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数。
步骤S302,将以该场站作为起始场站点且在工单表中未领取的算法工单作为该场站点的起始点场站算法工单。
步骤S303,如果该场站的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数的差值大于预设流出阈值,则将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效。
在其中一个实施例中,所述将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效,具体包括:
将该场站的所有起始点场站算法工单按照生成时间进行排序;
将最早生成的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数-流出阈值个起始点场站算法工单置为失效。
具体来说,对于起始点场站,若目前工单表中未领取且为算法生成的且起始点为该场站的工单数y-该场站当前需要调出的车辆数x>=2,则认为该场站将要调入的车辆数远大于该场站需要调入的车辆,此时将工单表中未领取且为算法生成的且起始点为该场站的工单按照生成时间进行排序,选出最早生成的y-x-2个工单置为失效。
步骤S304,将以该场站作为目的地场站且在工单表中未领取的业务工单和算法工单均作为该场站点的目的地场站工单,其中所述业务工单为根据业务规则生成的工单。
步骤S305,如果该场站的目的地场站工单的数量-当前时间段该场站的预测流入车辆数的差值大于预设流入阈值,则将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站。
在其中一个实施例中,所述将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站,具体包括:
将该场站的所有目的地场站工单按照生成时间进行排序;
将最早生成的目的地场站工单的数量-当前时间段该场站的预测流入车辆数-流入阈值个目的地场站工单作为待计算目的地场站工单;
将所述待计算目的地场站工单中的算法工单置为失效;
重新计算所述待计算目的地场站工单中的业务工单的目的地场站。
例如,对于目的地场站(包含算法生成工单和业务生成的工单),先减去上一步起始点场站筛选出的无效工单,若业务工单表中未领取且目的地为该场站的工单之和y-该场站目前需要调入的车辆数x>=2,则认为此时该场站将要调入的车辆数远大于该场站需要的车辆,此时将工单表中未领取且目的地为该场站的工单按照生成时间进行排序,选出最早生成的y-x-2个工单,若为算法生成的则置为失效,若为业务规则生成的,则重新计算目的地。
步骤S306,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数。
例如,将场站预测流入车辆数,减去上述步骤中确定为有效且以该场站作为目的地场站的工单,将场站预测流出车辆数,减去上述步骤中确定为有效且以该场站作为起始场站点的工单,最后,将每个工单的起始点场站所需调出的车辆数减一,将目的地场站所需调入的车辆数减一,此时得到场站当下真正需要调入调出的车辆数。
步骤S307,根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
本实施例针对业务规则生成的工单,主要判断目的地是否有效,若无效则需要重新计算目的地;针对算法预测生成的工单,主要判断该车辆是否还需要调度,若无需调度,则将该工单置为算法取消工单。其中,业务工单为根据业务规则生成的工单。而算法工单为根据本发明每间隔一段时间后,执行步骤S101-步骤S104,由系统自行生成的工单。业务工单和算法工单均会保存在系统的工单表中,并每隔一段时间之后进行更新。
车辆调度是具有强时效性的,历史工单是基于历史某个时刻的信息做出的决策,而该决策长时间内未执行,需要基于当下情况重新决策。本实施例通过对工单表中的业务工单和算法工单,根据不同的场站,针对历史生成且长时间未领取的车辆调度工单的状态进行更改,以满足车辆调度的时效性。
实施例四
如图4所示为本发明第四实施例一种共享汽车调度方法的工作流程图,包括:
步骤S401,预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数;
步骤S402,根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
步骤S403,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
步骤S404,根据场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单;
步骤S405,对于该场站每个算法工单:将该算法工单的起始场站作为起始节点,起始场站对应的可调度场站作为目的地节点集合,将场站间导航距离和目的地节点的供需缺口量化为该目的地节点与起始节点之间具有加权和的边,将加权和最大的边所对应的目的地节点作为该算法工单的目的地场站。
具体来说,将问题定义为给定已知的工单集合,及当前时刻场站需要净流入的车辆数,求解每个工单的目的地,使得全局最优。将该问题建模为带权二部图的最佳匹配,将该工单的起始场站作为节点A,起始场站对应的可调度场站作为节点集合B,将场站间导航距离和目的地场站的供需缺口量化为边,采用KM算法进行求解,使得每个车辆调度到目的地对应的边的加权和最大。
第i个目的地节点对应的边的加权和可以为:
其中λ1为导航距离权重,为λ2供需缺口权重,供需缺口指的是场站需要调入或调出的车辆。Dmax为所有目的地节点中与起始节点的最大导航距离,Dmin为所有目的地节点中与起始节点的最小导航距离,Di为第i个目的地节点与起始节点的导航距离。Qmax为所有目的地节点中与起始节点的最大供需缺口,Qmin为所有目的地节点中与起始节点的最小供需缺口,Qi为第i个目的地节点与起始节点的供需缺口。
作为一个例子:场站A为起始节点,场站A的可调度场站包括场站B、场站C、场站D、场站E。其中,场站B距离场站A为2.1km,且场站B需要调入2辆车;场站C距离场站A为4.2km,且场站C需要调出1辆车;场站D距离场站A为6.8km,且场站D需要调入7辆车;场站E距离场站A为3km,需要调入0辆车;此时假设距离的得分权重为0.6,目的地供需缺口的得分权重为0.4,并且对距离和供需缺口两个变量进行归一化加权,那么此时计算出场站A到场站B、C、D、E的得分如下:
注:在这轮计算中,距离的最大值为6.8km,最小值为2.1km;供需缺口的最大值为7,最小值为0;均衡化的公式如下:
场站B:0.4*((6.8-2.1)/(6.8-2.1))+0.6*((2-0)/7-0)=0.57
场站C:0.4*((6.8-4.2)/(6.8-2.1))+0.6*((-1-0)/7-0)=0.14
场站D:0.4*((6.8-6.8)/(6.8-2.1))+0.6*((7-0)/7-0)=0.6
场站E:0.4*((6.8-3)/(6.8-2.1))+0.6*((0-0)/7-0)=0.32
因此得分最高的为场站D,其被选择为目的地。
本实施例,在已知工单集合的情况下,计算每个车辆调度的目的地,使得全局最优,通过大数据技术智能化地做出决策。
如图5所示为本发明最佳实施例的模块示意图,包括:需求预测模块501、历史工单有效性决策模块502、场站实时诊断模块503、以及推荐模块504。其中,需求预测模块执行步骤S101,通过输出场站在多个时间段内需要调入调出的车辆数;历史工单模块执行步骤S102,基于需求预测模块输出的结果来判断之前生成的车辆工单是否需要置为无效或取消。场站实时诊断模块执行步骤S103,基于需求预测的结果和历史工单诊断性的结果来计算出场站当前需要调入调出的车辆数;进而将结果输入到推荐模块,推荐模块执行步骤S104,生成需要调度的车辆对应的工单,并且计算出每个车辆调度的目的场站,使得基于需求预测的车辆调度达到全局最优。
每个模块的具体技术方案描述如下:
(1)需求预测模块501:算法模型采用XGBOOST决策树模型,该模型根据信息增益增加最大的方向优化,训练速度快,学习效果优良,且对缺失值有不错的处理,是当下非常流行的回归/分类算法。本次需求预测建模为回归模型,将每个小时时间段的流入/流出车辆数作为训练标签,综合考虑了多个影响因素,进行建模,包括但不限于历史上该时间段的订单量(过去1天该时间段订单量、过去3天该时间段订单量…)、历史上该时间段乘客端共享汽车冒泡数、当天该时间段天气属性(雨雪情况、风力大小与方向、温度)、当天该时间段的日期属性(节假日/周末属性、该时间段是否为上下班高峰)。来进行训练输出。实现输入历史数据(T-2),预测未来车辆流入流出情况,达到需求预测目的。
(2)历史工单有效性决策模块502:
该模块针对业务规则生成的工单,主要判断目的地是否有效,若无效则需要重新计算目的地;针对算法预测生成的工单,主要判断该车辆是否还需要调度,若无需调度,则将该工单置为算法取消工单。具体判断条件如下:
对于起始点场站,若目前工单表中未领取且为算法生成的且起始点为该场站的工单数y-该场站当前需要调出的车辆数x>=2,则认为该场站将要调入的车辆数远大于该场站需要调入的车辆,此时将工单表中未领取且为算法生成的且起始点为该场站的工单按照生成时间进行排序,选出最早生成的y-x-2个工单置为失效。
对于目的地场站(包含算法生成工单和业务生成的工单),先减去上一步起始点场站筛选出的无效工单,若业务工单表中未领取且目的地为该场站的工单之和y-该场站目前需要调入的车辆数x>=2,则认为此时该场站将要调入的车辆数远大于该场站需要的车辆,此事将工单表中未领取且目的地为该场站的工单按照生成时间进行排序,选出最早生成的y-x-2个工单,若为算法生成的则置为失效,若为业务规则生成的,则重新计算目的地。
(3)场站实时诊断模块503
先读取需求预测模块中输出的场站需要调入调出的车辆数,减去历史工单有效性决策模块502中诊断为有效的工单,将每个工单的起始点场站所需调出的车辆数减一,将目的地场站所需调入的车辆数减一,此时得到场站当下真正需要调入调出的车辆数。
(4)推荐模块
推荐模块将问题定义为给定已知的工单集合,及当前时刻场站需要净流入的车辆数,求解每个工单的目的地,使得全局最优。将该问题建模为带权二部图的最佳匹配,将该工单的起始场站作为节点A,起始场站对应的可调度场站作为节点集合B,将场站间导航距离和目的场站的供需缺口量化为边,采用KM算法进行求解,使得每个车辆调度到目的地对应的边的加权和最大。
该方案实现后提高了车辆的利用率,降低了单车日调度成本,提高了单车日单量,降低车辆闲置时长的同时有效的为业务降低了调度成本,也成为了整个业务的核心壁垒。对社会而言,减少了停车位占用时长,有效缓解了停车难的问题,且高效利用车辆资源,减少道路拥堵现象,对建设文明和谐城市有着重要意义
实施例五
如图6所示为本发明第五实施例一种共享汽车调度电子设备的硬件结构示意图,包括:
至少一个处理器601;以及,
与所述至少一个处理器601通信连接的存储器602;其中,
所述存储器602存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数;
,根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
,根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。多个时间段多个时间段
电子设备优选为服务器。图6中以一个处理器602为例。
电子设备还可以包括:输入装置603和输出装置604。
处理器601、存储器602、输入装置603及显示装置604可以通过总线或者其他方式连接,图中以通过总线连接为例。
存储器602作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的共享汽车调度方法对应的程序指令/模块,例如,图1至图4所示的方法流程。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的共享汽车调度方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据共享汽车调度方法的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至执行共享汽车调度方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置603可接收输入的用户点击,以及产生与共享汽车调度方法的用户设置以及功能控制有关的信号输入。显示装置604可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器602中,当被所述一个或者多个处理器601运行时,执行上述任意方法实施例中的共享汽车调度方法。
本发明通过大数据预测实现调度,提高了车辆的利用率,降低了单车日调度成本,提高了单车日单量,降低车辆闲置时长的同时有效地为业务降低了调度成本。对社会而言,减少了停车位占用时长,有效缓解了停车难的问题,且高效利用车辆资源,减少道路拥堵现象,对建设文明和谐城市有着重要意义。
实施例六
本发明第六实施例一种共享汽车调度电子设备的硬件结构示意图,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
对场站的多个时间段:获取该场站历史时间段内的流入车辆数、流出车辆数作为训练集,训练得到关于该时间段的流入车辆数和流出车辆数的预测模型;
从所述预测模型,获取该场站在该时间段内流入的车辆数作为预测流入车辆数,获取该场站在该时间段内流出的车辆数作为预测流出车辆数;
,根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
,根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
本实施例通过预测模型对场站的流入流出车辆数进行预测,通过大数据分析确定多个时间段的车辆流入流出情况,预测结果准确有效,符合实际需求。
实施例七
本发明第七实施例一种共享汽车调度电子设备的硬件结构示意图,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数。
:将以该场站作为起始场站点且在工单表中未领取的算法工单作为该场站点的起始点场站算法工单。
如果该场站的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数的差值大于预设流出阈值,则将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效。
在其中一个实施例中,所述将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效,具体包括:
将该场站的所有起始点场站算法工单按照生成时间进行排序;
将最早生成的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数-流出阈值个起始点场站算法工单置为失效。
将以该场站作为目的地场站且在工单表中未领取的业务工单和算法工单均作为该场站点的目的地场站工单,其中所述业务工单为根据业务规则生成的工单。
如果该场站的目的地场站工单的数量-当前时间段该场站的预测流入车辆数的差值大于预设流入阈值,则将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站。
在其中一个实施例中,所述将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站,具体包括:
将该场站的所有目的地场站工单按照生成时间进行排序;
将最早生成的目的地场站工单的数量-当前时间段该场站的预测流入车辆数-流入阈值个目的地场站工单作为待计算目的地场站工单;
将所述待计算目的地场站工单中的算法工单置为失效;
重新计算所述待计算目的地场站工单中的业务工单的目的地场站。
,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数。
,根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
车辆调度是具有强时效性的,历史工单是基于历史某个时刻的信息做出的决策,而该决策长时间内未执行,需要基于当下情况重新决策。本实施例通过对工单表中的业务工单和算法工单,根据不同的场站,针对历史生成且长时间未领取的车辆调度工单的状态进行更改,以满足车辆调度的时效性。
实施例八
本发明第八实施例一种共享汽车调度电子设备的硬件结构示意图,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数;
,根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
,根据场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单;
对于该场站每个算法工单:将该算法工单的起始场站作为起始节点,起始场站对应的可调度场站作为目的地节点集合,将场站间导航距离和目的地节点的供需缺口量化为该目的地节点与起始节点之间具有加权和的边,将加权和最大的边所对应的目的地节点作为该算法工单的目的地场站。
本实施例,在已知工单集合的情况下,计算每个车辆调度的目的地,使得全局最优,通过大数据技术智能化地做出决策。
实施例九
本发明第九实施例提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的共享汽车调度方法的所有步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种共享汽车调度方法,其特征在于,包括:
预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数;
根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
2.根据权利要求1所述的共享汽车调度方法,其特征在于,所述预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数,具体包括:
对场站的多个时间段:
获取该场站历史时间段内的流入车辆数、流出车辆数作为训练集,训练得到关于该时间段的流入车辆数和流出车辆数的预测模型;
从所述预测模型,获取该场站在该时间段内流入的车辆数作为预测流入车辆数,获取该场站在该时间段内流出的车辆数作为预测流出车辆数。
3.根据权利要求1所述的共享汽车调度方法,其特征在于,所述根据该场站的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效,具体包括:
将以该场站作为起始场站点且在工单表中未领取的算法工单作为该场站点的起始点场站算法工单;
如果该场站的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数的差值大于预设流出阈值,则将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效;
将以该场站作为目的地场站且在工单表中未领取的业务工单和算法工单均作为该场站点的目的地场站工单,其中所述业务工单为根据业务规则生成的工单;
如果该场站的目的地场站工单的数量-当前时间段该场站的预测流入车辆数的差值大于预设流入阈值,则将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站。
4.根据权利要求3所述的共享汽车调度方法,其特征在于,所述将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效,具体包括:
将该场站的所有起始点场站算法工单按照生成时间进行排序;
将最早生成的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数-流出阈值个起始点场站算法工单置为失效。
5.根据权利要求3所述的共享汽车调度方法,其特征在于,所述将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站,具体包括:
将该场站的所有目的地场站工单按照生成时间进行排序;
将最早生成的目的地场站工单的数量-当前时间段该场站的预测流入车辆数-流入阈值个目的地场站工单作为待计算目的地场站工单;
将所述待计算目的地场站工单中的算法工单置为失效;
重新计算所述待计算目的地场站工单中的业务工单的目的地场站。
6.根据权利要求1所述的共享汽车调度方法,其特征在于,所述确定该场站每个算法工单的车辆调度的目的地场站,具体包括:
对于该场站每个算法工单:
将该算法工单的起始场站作为起始节点,起始场站对应的可调度场站作为目的地节点集合,将场站间导航距离和目的地节点的供需缺口量化为该目的地节点与起始节点之间具有加权和的边,将加权和最大的边所对应的目的地节点作为该算法工单的目的地场站。
7.一种共享汽车调度电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数;
根据该场站当前时间段的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效;
根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调入的车辆数作为当前需要调入车辆数,根据该场站预测流入车辆数、预测流出车辆数、以及确定有效的工单,计算出该场站当前需要调出的车辆数作为当前需要调出车辆数;
根据该场站当前需要调入车辆数和当前需要调出车辆数,生成需要调度的车辆对应的算法工单,并且确定该场站每个算法工单的车辆调度的目的地场站。
8.根据权利要求7所述的共享汽车调度电子设备,其特征在于,所述预测场站在多个时间段内流入的车辆数作为预测流入车辆数,预测场站在多个时间段内流出的车辆数作为预测流出车辆数,具体包括:
对场站的多个时间段:
获取该场站历史时间段内的流入车辆数、流出车辆数作为训练集,训练得到关于该多个时间段的流入车辆数和流出车辆数的预测模型;
从所述预测模型,获取该场站在该多个时间段内流入的车辆数作为预测流入车辆数,获取该场站在该多个时间段内流出的车辆数作为预测流出车辆数。
9.根据权利要求7所述的共享汽车调度电子设备,其特征在于,所述根据该场站的预测流入车辆数、预测流出车辆数确定之前生成关于该场站的工单是否有效,具体包括:
将以该场站作为起始场站点且在工单表中未领取的算法工单作为该场站点的起始点场站算法工单;
如果该场站的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数的差值大于预设流出阈值,则将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效;
将以该场站作为目的地场站且在工单表中未领取的业务工单和算法工单均作为该场站点的目的地场站工单,其中所述业务工单为根据业务规则生成的工单;
如果该场站的目的地场站工单的数量-当前时间段该场站的预测流入车辆数的差值大于预设流入阈值,则将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站。
10.根据权利要求9所述的共享汽车调度电子设备,其特征在于,所述将该场站的起始点场站算法工单中最早生成的一个或多个个工单置为失效,具体包括:
将该场站的所有起始点场站算法工单按照生成时间进行排序;
将最早生成的起始点场站算法工单的数量-当前时间段该场站的预测流出车辆数-流出阈值个起始点场站算法工单置为失效。
11.根据权利要求9所述的共享汽车调度电子设备,其特征在于,所述将该场站的目的地场站工单中最早生成的一个或多个算法工单置为失效,重新计算该场站的目的地场站工单中最早生成的一个或多个业务工单的目的地场站,具体包括:
将该场站的所有目的地场站工单按照生成时间进行排序;
将最早生成的目的地场站工单的数量-当前时间段该场站的预测流入车辆数-流入阈值个目的地场站工单作为待计算目的地场站工单;
将所述待计算目的地场站工单中的算法工单置为失效;
重新计算所述待计算目的地场站工单中的业务工单的目的地场站。
12.根据权利要求7所述的共享汽车调度电子设备,其特征在于,所述确定该场站每个算法工单的车辆调度的目的地场站,具体包括:
对于该场站每个算法工单:
将该算法工单的起始场站作为起始节点,起始场站对应的可调度场站作为目的地节点集合,将场站间导航距离和目的地节点的供需缺口量化为该目的地节点与起始节点之间具有加权和的边,将加权和最大的边所对应的目的地节点作为该算法工单的目的地场站。
13.一种存储介质,其特征在于,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如权利要求1~6任一项所述的共享汽车调度方法的所有步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536003.XA CN111815095A (zh) | 2019-06-20 | 2019-06-20 | 共享汽车调度方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536003.XA CN111815095A (zh) | 2019-06-20 | 2019-06-20 | 共享汽车调度方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815095A true CN111815095A (zh) | 2020-10-23 |
Family
ID=72844150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910536003.XA Pending CN111815095A (zh) | 2019-06-20 | 2019-06-20 | 共享汽车调度方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815095A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836951A (zh) * | 2021-01-26 | 2021-05-25 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能调度方法及系统 |
CN113095636A (zh) * | 2021-03-25 | 2021-07-09 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
CN113269364A (zh) * | 2021-06-01 | 2021-08-17 | 上海汽车集团股份有限公司 | 一种共享车辆的调度方法及装置 |
CN113642758A (zh) * | 2021-06-08 | 2021-11-12 | 上海汽车集团股份有限公司 | 一种共享电动汽车的供需预测及调度方法和装置 |
CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103241269A (zh) * | 2013-05-21 | 2013-08-14 | 南京轨道交通系统工程有限公司 | 现代有轨电车综合调度与控制系统 |
CN106503869A (zh) * | 2016-11-14 | 2017-03-15 | 东南大学 | 一种基于站点短时需求预测的公共自行车动态调度方法 |
JP2018018282A (ja) * | 2016-07-27 | 2018-02-01 | Kddi株式会社 | 配車管理装置、配車管理方法及び配車管理プログラム |
CN108090646A (zh) * | 2016-11-23 | 2018-05-29 | 重庆邮电大学 | 一种公共自行车智能调度系统预测调度数据的获取方法 |
CN108734972A (zh) * | 2018-07-16 | 2018-11-02 | 上海世脉信息科技有限公司 | 一种大数据环境下停车场占有率的预测方法 |
CN109360413A (zh) * | 2018-12-11 | 2019-02-19 | 北京首汽智行科技有限公司 | 一种车辆调度方法及系统 |
CN109583491A (zh) * | 2018-11-23 | 2019-04-05 | 温州职业技术学院 | 一种共享单车智能调度方法 |
-
2019
- 2019-06-20 CN CN201910536003.XA patent/CN111815095A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103241269A (zh) * | 2013-05-21 | 2013-08-14 | 南京轨道交通系统工程有限公司 | 现代有轨电车综合调度与控制系统 |
JP2018018282A (ja) * | 2016-07-27 | 2018-02-01 | Kddi株式会社 | 配車管理装置、配車管理方法及び配車管理プログラム |
CN106503869A (zh) * | 2016-11-14 | 2017-03-15 | 东南大学 | 一种基于站点短时需求预测的公共自行车动态调度方法 |
CN108090646A (zh) * | 2016-11-23 | 2018-05-29 | 重庆邮电大学 | 一种公共自行车智能调度系统预测调度数据的获取方法 |
CN108734972A (zh) * | 2018-07-16 | 2018-11-02 | 上海世脉信息科技有限公司 | 一种大数据环境下停车场占有率的预测方法 |
CN109583491A (zh) * | 2018-11-23 | 2019-04-05 | 温州职业技术学院 | 一种共享单车智能调度方法 |
CN109360413A (zh) * | 2018-12-11 | 2019-02-19 | 北京首汽智行科技有限公司 | 一种车辆调度方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836951A (zh) * | 2021-01-26 | 2021-05-25 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能调度方法及系统 |
CN112836951B (zh) * | 2021-01-26 | 2023-10-24 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能调度方法及系统 |
CN113095636A (zh) * | 2021-03-25 | 2021-07-09 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
CN113095636B (zh) * | 2021-03-25 | 2024-01-23 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
CN113269364A (zh) * | 2021-06-01 | 2021-08-17 | 上海汽车集团股份有限公司 | 一种共享车辆的调度方法及装置 |
CN113642758A (zh) * | 2021-06-08 | 2021-11-12 | 上海汽车集团股份有限公司 | 一种共享电动汽车的供需预测及调度方法和装置 |
CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815095A (zh) | 共享汽车调度方法、电子设备及存储介质 | |
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
CN110111575B (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
Gurumurthy et al. | Analyzing the dynamic ride-sharing potential for shared autonomous vehicle fleets using cellphone data from Orlando, Florida | |
Faridimehr et al. | A stochastic programming approach for electric vehicle charging network design | |
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
Chen et al. | Optimization of headways with stop‐skipping control: a case study of bus rapid transit system | |
CN110400015B (zh) | 一种时间估计方法及其装置、设备 | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN110570656A (zh) | 定制公共交通线路方法及装置 | |
CN111091222A (zh) | 人流量预测方法、装置及系统 | |
Rahman et al. | Examining the bus ridership demand: application of spatio-temporal panel models | |
CN112949987B (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
CN114036411A (zh) | 一种路线规划方法、装置、设备及介质 | |
Oskarbski | Perspectives of telematics implementation in Tri-city transport systems management and planning | |
US20230153742A1 (en) | Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof | |
Ku et al. | Real-time taxi demand prediction using recurrent neural network | |
Rusca et al. | Algorithm for traffic allocation when are developed park and ride facilities | |
CN111833595B (zh) | 共享汽车辅助车辆配置方法、电子设备及存储介质 | |
Li et al. | Flexible Bus Route Setting and Scheduling Optimization Adapted to Spatial-temporal Variation of Passenger Flow. | |
CN114492161A (zh) | 一种公交车到站预测方法及装置 | |
Gurumurthy | Perceptions and preferences of autonomous and shared autonomous vehicles: a focus on dynamic ride-sharing | |
Ma et al. | Public transit planning and operation in the era of automation, electrification, and personalization | |
Zhu et al. | Improved Huff Model for Estimating Urban Rail Transit Station Catchment Areas considering Station Choices |
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 |