CN111832876A - 车辆调度方法、可读存储介质和电子设备 - Google Patents
车辆调度方法、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN111832876A CN111832876A CN202010238650.5A CN202010238650A CN111832876A CN 111832876 A CN111832876 A CN 111832876A CN 202010238650 A CN202010238650 A CN 202010238650A CN 111832876 A CN111832876 A CN 111832876A
- Authority
- CN
- China
- Prior art keywords
- sub
- target
- bitmap
- time
- vehicles
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000000737 periodic effect Effects 0.000 claims abstract description 55
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 230000004927 fusion Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0639—Item locations
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种车辆调度方法、可读存储介质和电子设备,通过获取目标区域的多个子区域,确定各子区域在多个周期性时刻序列中各时刻的特征属性,生成各周期性时刻序列对应的用于表征目标区域的特征位图序列。将各所述特征位图序列输入预测模型中得到目标时刻对应的预测位图,根据所述预测位图确定各子区域在目标时刻的特征属性,以对各子区域中的停车点进行车辆调度。以实现结合不同周期性时刻序列的特性确定目标时刻各子区域的车流量特征,从而针对性对不同停车点进行不同的车辆调度,提高系统的车辆调度效率以及车辆的应用率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种车辆调度方法、可读存储介质和电子设备。
背景技术
在共享车辆领域,通常用车和还车的过程都基于停车点完成,由于共享车辆的共享性和流动性,不同的用户都会根据自己的习惯进行骑行。其中,在每个时间段内,共享车辆平台用户的骑行需求不仅受限于用户的骑行强度,还受限于当前停车点的车辆数。因此,共享车辆平台需要根据不同停车点的供需对共享车辆进行自动化调度,但目前的调度方案对于不同停车点来说没有针对性,会出现部分停车点的共享车辆过少,以及部分停车点的共享车辆过多的问题。当停车点的共享车辆过少时,会无法满足用户的骑行需求;当停车点的共享车辆过多时,会降低整个系统的共享车辆使用率。
发明内容
有鉴于此,本发明实施例公开了一种车辆调度方法、可读存储介质和电子设备,以实现根据不同停车点进行自动化车辆调度,满足用户骑行需求的同时提高整个系统的共享车辆使用率。
第一方面,本发明实施例公开了一种车辆调度方法,所述方法包括:
获取目标区域对应的多个子区域,各所述子区域包括对应的停车点;
根据预设的目标时刻确定多个周期性时刻序列;
对于各所述周期性时刻序列,确定各所述子区域在所述周期性时刻序列中各时刻的特征属性,所述特征属性包括流入车辆数目、流出车辆数目和在线车辆数目;
对于各所述周期性时刻序列,生成与所述周期性时刻序列中各时刻对应的特征位图,以确定各所述周期性时刻序列对应的特征位图序列,所述特征位图中各像素点对应一个子区域,用于表征所述子区域在所述时刻的特征属性;
将各所述特征位图序列输入预先训练的预测模型中得到对应的预测位图;
根据所述预测位图确定各子区域在目标时刻的特征属性;
根据各所述子区域在目标时刻的特征属性对各所述子区域中的停车点进行车辆调度。
进一步地,所述根据预设的目标时刻确定多个周期性时刻序列具体为:
根据预设的目标时刻确定周期逐渐增大的第一时刻序列、第二时刻序列和第三时刻序列。
进一步地,所述对于各所述周期性时刻序列,确定各所述子区域在所述周期性时刻序列中各时刻的特征属性包括:
获取所述目标区域内各车辆的出发信息和停止信息,所述出发信息中包括出发位置和出发时刻,所述停止信息包括停止位置和停止时刻;
确定目标时刻序列;
在所述目标时刻序列中各时刻获取所述目标区域内的各车辆位置,以确定各所述子区域在所述时刻的在线车辆数目;
根据各所述车辆的出发信息确定各所述子区域在所述目标时刻序列中各时刻的流出车辆数目;
根据各所述车辆的停止信息确定各所述子区域在所述目标时刻序列中各时刻的流入车辆数目。
进一步地,所述根据各所述车辆的出发信息确定各所述子区域在所述目标时刻序列中各时刻的流出车辆数目包括:
确定目标子区域;
对于目标子区域,根据出发信息确定所述目标时刻序列中各时刻的流出车辆,所述流出车辆为对应时刻前一周期内,出发位置在所述目标子区域内的车辆;
统计所述目标子区域在所述目标时刻序列中各时刻的流出车辆,以确定所述目标子区域对应的流出车辆数目。
进一步地,所述根据各所述车辆的停止信息确定各所述子区域在所述目标时刻序列中各时刻的流入车辆数目包括:
确定目标子区域;
对于目标子区域,根据停止信息确定所述目标时刻序列中各时刻的流入车辆,所述流入车辆为对应时刻前一周期内,停止位置在所述目标子区域内的车辆;
统计所述目标子区域在所述目标时刻序列中各时刻的流入车辆,以确定所述目标子区域对应的流入车辆数目。
进一步地,所述将各所述特征位图序列输入预先训练的预测模型中得到对应的预测位图包括:
将所述第一时刻序列对应的第一特征位图序列输入预先训练的第一深度残差网络子模型以输出对应的第一位图;
将所述第二时刻序列对应的第二特征位图序列输入预先训练的第二深度残差网络子模型以输出对应的第二位图;
将所述第三时刻序列对应的第三特征位图序列输入预先训练的第三深度残差网络子模型以输出对应的第三位图;
根据所述第一位图、第二位图、第三位图和预设的环境参数确定预测位图。
进一步地,所述根据各所述子区域在目标时刻的特征属性对各所述子区域中的停车点进行车辆调度包括:
根据各所述子区域在目标时刻的特征属性确定各所述子区域中的各停车点的特征属性;
根据各所述停车点的特征属性生成对应的调度策略;
向调度设备发送各所述停车点对应的调度策略以对对应的停车点进行车辆调度。
进一步地,所述根据各所述子区域在目标时刻的特征属性确定各所述子区域中的各停车点的特征属性包括:
确定各所述子区域的历史特征属性;
确定各所述子区域中各停车点的历史特征属性;
对于各所述子区域,根据的历史特征属性以及其中各停车点的历史特征属性确定各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比;
根据各所述子区域在目标时刻的特征属性和所述子区域内各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比确定各所述子区域中的各停车点的特征属性。
第二方面,本发明实施例公开了一种计算机可读存储介质,用于存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
第三方面,本发明实施例公开了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面中任一项所述的方法。
本发明实施例获取目标区域的多个子区域,确定各子区域在多个周期性时刻序列中各时刻的特征属性,根据同一时刻各子区域的特征属性生成表征目标区域特征属性的特征位图,以得到与各周期性时刻序列对应的特征位图序列。将各所述特征位图序列输入预测模型中得到目标时刻对应的预测位图,根据所述预测位图确定各子区域在目标时刻的特征属性,以对各子区域中的停车点进行车辆调度。以实现结合不同周期性时刻序列的特性确定目标时刻各子区域的车流量特征,从而针对不同停车点生成不同的调度策略,根据对应的调度策略对各停车点进行自动化车辆调度,使不同停车点的调度效率最大化,满足用户骑行需求的同时提高整个系统的共享车辆使用率。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1为本发明实施例的车辆调度方法的系统示意图;
图2为本发明实施例的车辆调度方法的流程图;
图3为本发明实施例的目标区域示意图;
图4为本发明实施例的子区域示意图;
图5为本发明实施例的确定特征属性过程的示意图;
图6为本发明实施例的特征位图的示意图;
图7为本发明实施例的特征位图序列的示意图;
图8为本发明实施例的确定预测位图的示意图;
图9为本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
图1为本发明实施例的车辆调度方法的系统示意图,如图1所示,应用所述车辆调度方法的系统包括通过网络连接的平台服务器10、调度设备11和平台设备12。
作为本发明实施例的一个应用场景,所述平台服务器10为共享车辆平台的服务器,所述调度设备11为可以直接对平台设备12进行调度的调度设备,或用于调度人员接收信息的终端设备;所述平台设备12为内置通信装置的共享车辆,可以通过网络与所述平台服务器10进行信息传输。
所述平台服务器10与平台设备12连接,用于确定多个停车点,接收平台设备12上传的状态信息,所述状态信息包括位置、运动状态和上传的时间,以根据多个平台设备12上传的状态信息对不同停车点生成对应的调度策略。同时,所述平台服务器10还和调度设备11连接,将各停车点对应的调度方案发送至与所述停车点对应的调度设备11,通过所述调度设备11根据调度方法对所述停车点位置的共享车辆进行调度。
所述系统通过平台服务器接收平台设备的状态信息以生成各停车点的调度方案,由所述调度终端根据对应的调度方案对各停车点的共享车辆进行调度,实现了平台不同停车点的调度效率最大化。
图2为本发明实施例的车辆调度方法的流程图,如图2所示,所述车辆调度方法包括:
步骤S100、获取目标区域对应的多个子区域。
具体地,所述目标区域以及对应的多个子区域通过服务器确定。在本发明实施例中,所述服务器可以为共享车辆平台服务器,所述服务器可以在内置的存储中间件中维护多个目标区域以及各目标区域和子区域的对应关系,或访问外部存储设备以获取目标区域和目标区域对应的子区域。其中,所述目标区域为所述平台的共享车辆运营覆盖区域,例如可以是所述共享车辆运营的城市,所述多个子区域为所述目标区域中包括的区域,可以通过所述服务器或其他设备预先划分得到。
图3为本发明实施例的目标区域示意图,如图3所示,通过划分所述目标区域30得到多个子区域31。
在本实施例的一个可选的实现方式中,所述目标区域30的划分过程可以通过笛卡尔层算法或GeoHash算法等算法实现。例如,当所述目标区域30为城市A时,首先将所述城市A理解为一个二维平面,再根据预定大小将所述二维平面分割成多个网格,其中每一个网格对应的区域为所述目标区域30的子区域31。
其中,各所述子区域中还进一步包括对应的停车点。所述停车点与子区域的对应关系由所述服务器预先设定,因不同子区域的人流量、商场数量等外部条件不同,各所述子区域中的停车点数量不相同。每个子区域中可以包括0个、1个或多个停车点,即可能存在不包括停车点的子区域、包括一个停车点的子区域以及包括多个停车点的子区域。
图4为本发明实施例的子区域示意图,如图4所示,所述子区域31中包括多个停车点40,所述停车点40为一片停放车辆的区域,用于取用或送还车辆。其中,各停车点在某一时刻的车流量受时间、空间、天气、节假日等外部因素的影响,所述车流量包括车辆驶入数量和车辆驶出数量。
步骤S200、根据预设的目标时刻确定多个周期性时刻序列。
具体地,所述服务器根据预设的目标时刻确定多个不同周期的周期性时刻序列,其中,每个周期性时刻序列的周期为最后一个时刻元素距目标时刻的时间。在本发明实施例中,所述确定多个周期性时刻序列的过程具体为根据预设的目标时刻确定周期逐渐增大的第一时刻序列、第二时刻序列和第三时刻序列。可选的,各所述周期性时刻序列的长度由所述服务器预先设定,可以相同或不同。
例如,当所述目标时刻为7月30日22:00时,所述第一时刻序列可以为周期为1小时,且包含的最后一个元素为7月30日21:00的时间序列,即{7月30日17:00,7月30日18:00,7月30日19:00,7月30日20:00,7月30日21:00};所述第二时刻序列可以为周期为1天,且包含的最后一个元素为7月29日22:00的时间序列,即{7月25日22:00,7月26日22:00,7月27日22:00,7月28日22:00,7月29日22:00};所述第三时刻序列可以为周期为一周,且包含的最后一个元素为7月23日22:00的时间序列,即{6月25日22:00,7月02日22:00,7月09日22:00,7月16日22:00,7月23日22:00}。
步骤S300、对于各所述周期性时刻序列,确定各所述子区域在所述周期性时刻序列中各时刻的特征属性。
具体地,所述特征属性包括流入车辆数目、流出车辆数目和在线车辆数目。其中,对于各子区域,各时刻流入车辆数目为所述时刻至上一周期内进入所述子区域的车辆数目;各时刻流出车辆数目为所述时刻至上一周期内驶出所述子区域的车辆数目;各时刻的在线车辆数目为所述时刻开始时停放在所述子区域内的车辆数目。例如,当某一子区域在某一时刻的流入车辆数目为10,流出车辆数目为5,在线车辆数目为20时,所述特征属性为(10,5,20)。
图5为本发明实施例的确定特征属性过程的示意图,如图5所示,在本发明实施例中,所述确定各所述子区域在所述周期性时刻序列中各时刻的特征属性的过程可以包括:
步骤S310、获取所述目标区域内各车辆的出发信息和停止信息。
具体地,所述服务器获取所述目标区域内各车辆的触发信息和停止信息,其中,所述出发信息中包括出发位置和出发时刻,所述停止信息包括停止位置和停止时刻。所述服务器获取所述触发信息的过程可以为当所述服务器连接的各车辆运动状态发生变化时,基于所述变化向所述服务器上传一个信息,当所述车辆的运动状态变化为由静止变化为运动,则向服务器上传上传一个出发信息;当所述车辆的运动状态变化为由运动变化为静止时,则向服务器上传上传一个停止信息。
步骤S320、确定目标时刻序列。
具体地,在所述多个周期性时刻序列中确定目标时刻序列,以基于所述目标时刻序列获取各所述子区域对应的特征属性。其中,所述在基于一个目标时刻序列获取到各所述子区域对应的特征属性后,再在其他周期性时刻序列中确定下一个目标时刻序列并获取各所述子区域对应的特征属性,直到基于全部周期性时刻序列获取完成各所述子区域对应的特征属性。
例如,当所述周期性时刻序列包括第一时刻序列、第二时刻序列和第三时刻序列时,所述服务器可以先确定第一时刻序列为目标时刻序列,以基于所述第一时刻序列各所述子区域对应的特征属性;再确定第二时刻序列为目标时刻序列,以基于所述第二时刻序列各所述子区域对应的特征属性;再确定第三时刻序列为目标时刻序列,以基于所述第三时刻序列各所述子区域对应的特征属性。
步骤S330、在所述目标时刻序列中各时刻获取所述目标区域内的各车辆位置,以确定各所述子区域在所述时刻的在线车辆数目。
具体地,所述服务器在所述目标时刻序列中各时刻获取所述目标区域内的各车辆位置,确定车辆位置在各所述子区域内的车辆与所述子区域对应。以此统计车辆位置在各所述子区域内的车辆数量,得到各所述子区域在所述时刻的在线车辆数目。
可选的,所述确定各所述子区域在所述时刻的在线车辆数目的过程可以为获取全部与所述服务器连接的车辆位置,并建立各车辆位置和各所述子区域的对应关系,以最终确定各所述子区域在所述时刻的在线车辆数目。
步骤S340、根据各所述车辆的出发信息确定各所述子区域在所述目标时刻序列中各时刻的流出车辆数目。
具体地,对于各所述子区域,所述目标时刻序列中各时刻的流出车辆数为所述时刻前一周期内出发位置在所述子区域内的车辆数目。
在本实施例中,所述确定各所述子区域在所述目标时刻序列中各时刻的流出车辆数目的过程包括:
步骤S341、确定目标子区域。
具体地,所述服务器在目标区域中包括的多个子区域中确定一个目标子区域,以确定所述目标子区域在所述目标时刻序列中各时刻的流出车辆数目。在确定完成所述目标子区域在所述目标时刻序列中各时刻的流出车辆数目后,所述服务器在其他子区域中再确定一个目标子区域,以确定新的目标子区域在所述目标时刻序列中各时刻的流出车辆数目,直到确定完成所述目标区域中全部子区域所述目标时刻序列中各时刻的流出车辆数目。
步骤S342、对于目标子区域,根据出发信息确定所述目标时刻序列中各时刻的流出车辆。
具体地,所述流出车辆为对应时刻前一周期内,出发位置在所述目标子区域内的车辆。所述服务器获取所述出发信息中的出发位置,以确定出发位置在所述目标子区域的车辆为所述目标子区域的对应车辆,再在所述对应车辆中确定在所述目标时刻序列中各时刻的流出车辆。即确定出发时刻在所述目标时刻序列中各时刻前一周期内的对应车辆为所述目标子区域在所述时刻的流出车辆。
步骤S343、统计所述目标子区域在所述目标时刻序列中各时刻的流出车辆,以确定所述目标子区域对应的流出车辆数目。
具体地,所述服务器在确定所述目标子区域在所述目标时刻序列中各时刻的流出车辆后,统计所述目标子区域在各所述时刻的流出车辆数量以得到对应的流出车辆数目。
步骤S350、根据各所述车辆的停止信息确定各所述子区域在所述目标时刻序列中各时刻的流入车辆数目。
具体地,对于各所述子区域,所述目标时刻序列中各时刻的流入车辆数为所述时刻前一周期内停止位置在所述子区域内的车辆数目。
在本实施例中,所述确定各所述子区域在所述目标时刻序列中各时刻的流入车辆数目的过程包括:
步骤S351、确定目标子区域。
具体地,所述服务器在目标区域中包括的多个子区域中确定一个目标子区域,以确定所述目标子区域在所述目标时刻序列中各时刻的流入车辆数目。在确定完成所述目标子区域在所述目标时刻序列中各时刻的流入车辆数目后,所述服务器在其他子区域中再确定一个目标子区域,以确定新的目标子区域在所述目标时刻序列中各时刻的流入车辆数目,直到确定完成所述目标区域中全部子区域所述目标时刻序列中各时刻的流入车辆数目。
步骤S352、对于目标子区域,根据停止信息确定所述目标时刻序列中各时刻的流入车辆。
具体地,所述流入车辆为对应时刻前一周期内,停止位置在所述目标子区域内的车辆。所述服务器获取所述停止信息中的停止位置,以确定停止位置在所述目标子区域的车辆为所述目标子区域的对应车辆,再在所述对应车辆中确定在所述目标时刻序列中各时刻的流入车辆。即确定停止时刻在所述目标时刻序列中各时刻前一周期内的对应车辆为所述目标子区域在所述时刻的流入车辆。
步骤S353、统计所述目标子区域在所述目标时刻序列中各时刻的流入车辆,以确定所述目标子区域对应的流入车辆数目。
具体地,所述服务器在确定所述目标子区域在所述目标时刻序列中各时刻的流入车辆后,统计所述目标子区域在各所述时刻的流入车辆数量以得到对应的流入车辆数目。
进一步地,所述服务器还可以通过分析各所述车辆发送的出发信息和停止信息对所述流出车辆数目和流入车辆数目进行误差排除。具体而言,在所述服务器确定了目标子区域在某周期性时刻序列各时刻的流入车辆和流出车辆后,判断在各时刻是否存在既是所述目标子区域的流入车辆又是流出车辆的车辆,即所述出发位置和停止位置均在所述目标子区域内。当存在N个既是所述目标子区域的流入车辆又是流出车辆的车辆是,在确定流出车辆数目和流入车辆数目的基础上分别减N,以避免在同一区域内流动的车辆对确定所述特征属性过程造成的误差。
在本发明实施例中,所述步骤S330、S340和S350不存在先后顺序,可以并列执行。
步骤S400、对于各所述周期性时刻序列,生成与所述周期性时刻序列中各时刻对应的特征位图,以确定各所述周期性时刻序列对应的特征位图序列。
具体地,所述特征位图中各像素点对应一个子区域,用于表征所述子区域在所述时刻的特征属性,可以通过一个向量矩阵表示,每一个子区域对应的特征属性为所述向量矩阵中的一个向量。对于各所述周期性时刻序列,所述服务器根据各子区域在各时刻的特征属性生成与各时刻对应的特征位图。所述生成特征位图的过程可以是获取各所述子区域在各时刻的特征属性,将同一时刻各子区域的特征属性作为一个像素点进行拼接,以得到对应的特征位图。
图6为本发明实施例的特征位图的示意图,如图6所示,所述特征位图60中包括多个像素点61,每个像素点61中的内容为一个特征属性。
例如,当所述目标区域中包括4X3排列的12个子区域,在一个周期性时刻序列中的一个时刻,所述12个子区域对应的特征属性分别为(x1,y1,z1),(x2,y2,z2),(x3,y3,z3),(x4,y4,z4),(x5,y5,z5),(x6,y6,z6),(x7,y7,z7),(x8,y8,z8),(x9,y9,z9),(x10,y10,z10),(x11,y11,z11)和(x12,y12,z12)时,根据各所述子区域的排列顺序排列像素,以生成对应的位图,并将各所述子区域对应的特征属性作为对应位图的内容。
所述服务器在对各所述周期性时刻序列包含的各时刻生成对应的特征位图后,将每个周期性时刻序列中多个时刻生成的特征位图按时刻顺序排列以得到对应的特征位图序列。
图7为本发明实施例的特征位图序列的示意图,如图7所示,所述特征位图序列70对应于一个周期性时刻序列,其中包括多个顺序排列的特征位图。
步骤S500、将各所述特征位图序列输入预先训练的预测模型中得到对应的预测位图。
具体地,所述服务器在获取到各周期性时刻序列对应的特征位图序列后,将各所述特征位图序列输入预先训练的预测模型中,输出对应的预存位图。其中,所述预测模型根据预先构建的训练集训练得到,所述训练集中包括多个特征位图序列组和对应的目标位图,每个特征位图序列组中包括与各周期性时刻序列对应的多个特征位图序列。所述训练过程为将特征位图序列组作为预测模型输入,将对应的目标位图作为所述预测模型的输出对所述预测模型进行训练。
在本发明实施例中,所述多个周期性时刻序列包括第一时刻序列、第二时刻序列和第三时刻序列。所述预测模型中包括第一深度残差网络子模型、第二深度残差网络子模型和第三深度残差网络子模型。可选的,所述将各所述特征位图序列输入预先训练的预测模型中得到对应的预测位图的过程可以包括:
步骤S510、将所述第一时刻序列对应的第一特征位图序列输入预先训练的第一深度残差网络子模型以输出对应的第一位图。
具体地,所述第一深度残差网络子模型用于输出第一位图,所述第一位图为基于邻近性预测的目标时刻特征位图。所述服务器在通过步骤S400生成第一时刻序列对应的第一特征位图序列后,将所述第一时刻序列输入预先训练得到的第一深度残差网络子模型,以输出对应的第一位图。
在本发明实施例中,所述服务器可以确定第一时刻序列为周期为1小时的周期性时刻序列,即根据预定的时间周期1小时获取与所述目标时刻临近的多个时刻以确定第一时刻序列。例如,当所述目标时刻为7月30日22:00时,所述第一时刻序列可以为周期为1小时,且包含的最后一个元素为7月30日21:00的时间序列,即{7月30日17:00,7月30日18:00,7月30日19:00,7月30日20:00,7月30日21:00}。因此,所述第一时刻序列对应的第一特征位图序列为所述目标时刻前几个小时内的特征位图序列,将所述第一特征位图序列输入所述第一深度残差网络子模型得到的第一位图。
在本发明实施例中,所述第一时刻序列的周期较小,距离所述目标时刻的时间较短,可以影响目标时刻各子区域的特征属性,所述第一时刻序列对应特征位图序列中的各特征位图用于表征所述目标时刻临近时刻各所述子区域的特征属性。因此,根据所述第一特征位图序列得到的第一位图为基于邻近性预测的目标时刻特征位图。
步骤S520、将所述第二时刻序列对应的第二特征位图序列输入预先训练的第二深度残差网络子模型以输出对应的第二位图。
具体地,所述第二深度残差网络子模型用于输出第二位图,所述第二位图为基于周期性预测的目标时刻特征位图。所述服务器在通过步骤S400生成第二时刻序列对应的第二特征位图序列后,将所述第二时刻序列输入预先训练得到的第二深度残差网络子模型,以输出对应的第二位图。
在本发明实施例中,所述服务器可以确定第二时刻序列为周期为1天的周期性时刻序列,即根据预定的时间周期获取与所述目标时刻距离预设天数内的多个时刻以确定第一时刻序列。例如,当所述目标时刻为7月30日22:00时,所述第二时刻序列可以为周期为1天,且包含的最后一个元素为7月29日22:00的时间序列,即{7月25日22:00,7月26日22:00,7月27日22:00,7月28日22:00,7月29日22:00}。因此,所述二时刻序列对应的第二特征位图序列为所述目标时刻前几天在相同小时的特征位图序列,将所述第二特征位图序列输入所述第二深度残差网络子模型得到的第二位图。
在本发明实施例中,所述第二时刻序列的周期为1天,在实际应用场景中,各子区域在每一天的相同时间段的特征属性有一定的相似性。因此,所述第二时刻序列对应特征位图序列中的各特征位图可以用于表征所述目标时刻各所述子区域周期性的特征属性。根据所述第二特征位图序列得到的第二位图为基于周期性预测的目标时刻特征位图。
步骤S530、将所述第三时刻序列对应的第三特征位图序列输入预先训练的第三深度残差网络子模型以输出对应的第三位图。
具体地,所述第三深度残差网络子模型用于输出第三位图,所述第三位图为基于趋势性预测的目标时刻特征位图。所述服务器在通过步骤S400生成第三时刻序列对应的第三特征位图序列后,将所述第三时刻序列输入预先训练得到的第三深度残差网络子模型,以输出对应的第三位图。
在本发明实施例中,所述服务器可以确定第三时刻序列为周期为1周的周期性时刻序列,即根据预定的时间周期获取与所述目标时刻距离预设天数内的多个时刻以确定第一时刻序列。例如,当所述目标时刻为7月30日22:00时,所述第三时刻序列可以为周期为一周,且包含的最后一个元素为7月23日22:00的时间序列,即{6月25日22:00,7月02日22:00,7月09日22:00,7月16日22:00,7月23日22:00}。因此,所述三时刻序列对应的第三特征位图序列为所述目标时刻前几周相同时刻的特征位图序列,将所述第三特征位图序列输入所述第三深度残差网络子模型得到的第三位图。
在本发明实施例中,所述第三时刻序列的周期为1周,在实际应用场景中,各子区域在每周的相同时间段的特征属性会发生一定的趋势变化。因此,所述第三时刻序列对应特征位图序列中的各特征位图可以用于表征所述目标时刻各所述子区域趋势性的特征属性。根据所述第三特征位图序列得到的第三位图为基于趋势性预测的目标时刻特征位图。
步骤S540、根据所述第一位图、第二位图、第三位图和预设的环境参数确定预测位图。
具体地,所述服务器在分别基于邻近性、周期性和趋势性获得用于预测目标时刻特征位图的第一位图、第二位图和第三位图后,先通过预设的规则对所述第一位图、第二位图和第三位图进行图像融合。所述预设规则可以是计算所述第一位图、第二位图和第三位图的加权和以进行图像融合得到融合位图,其中,所述第一位图、第二位图和第三位图均为一个向量矩阵。
例如,当所述第一位图的向量矩阵表示为X1,所述第二位图的向量矩阵表示为X2,所述第三位图的向量矩阵表示为X3时,所述第一位图、第二位图和第三位图进行图像融合后得到的融合位图的向量矩阵表示X4=λ1X1+λ2X2+λ3X3。其中,λ1、λ2和λ3分别为所述服务器预设的权重。
在本发明实施例的实际应用过程中,除时间的影响外,各所述子区域对应的特征属性还受天气、环境等外部因素的影响。因此,为了提高所述目标时刻的预测位图的精准度,所述服务器还基于外部因素生成用于修正所述融合位图的误差修正位图。所述误差修正位图中包括的像素与所述融合位图的像素一一对应,用于分别对所述融合位图中各像素对应的特征属性进行修正以得到最终的预测位图。可选的,所述修正的过程例如可以是将所述误差修正位图与所述融合位图相加得到所述预测位图。
图8为本发明实施例的确定预测位图的示意图,如图8所示,所述服务器根据第一特征位图序列、第二特征位图序列、第三特征位图序列和误差修正位图确定预测位图。
具体地,所述服务器在确定第一特征位图序列、第二特征位图序列和第三特征位图序列后,将所述第一特征位图序列输入所述预测模型中的第一深度残差网络子模型80,输出对应的第一位图;将所述第二特征位图序列输入所述预测模型中的第二深度残差网络子模型81,输出对应的第二位图;将所述第三特征位图序列输入所述预测模型中的第三深度残差网络子模型82,输出对应的第三位图。所述服务器对所述第一位图、第二位图和第三位图进行图像融合后得到融合位图,再将基于天气、环境等外部因素生成的误差修正位图与所述融合位图相加得到预测位图。
步骤S600、根据所述预测位图确定各子区域在目标时刻的特征属性。
具体地,所述预测位图中各像素分别于各子区域对应,且各所述像素中的内容为所述各子区域的特征属性。因此,所述服务器在确定预测位图后,根据所述预测位图中各像素与所述目标区域中各子区域的对应关系获取各所述子区域的特征属性,所述特征属性为各所述子区域在目标时刻的特征属性。
步骤S700、根据各所述子区域在目标时刻的特征属性对各所述子区域中的停车点进行车辆调度。
具体地,本发明实施例在实际应用中,会基于停车点进行车辆调度。因此,所述服务器根据预测位图获取到各所述子区域在目标时刻的特征属性后,需要进一步预测各所述子区域中包括的停车点对应的特征属性,以对所述停车点进行车辆调度。
在本发明实施例中,所述对各所述子区域中的停车点进行车辆调度的过程可以包括:
步骤S710、根据各所述子区域在目标时刻的特征属性确定各所述子区域中的各停车点的特征属性。
具体地,对于各所述子区域,在每一时刻的特征属性为所述子区域中包括的各停车点在所述时刻的特征属性之和。因此,所述服务器可以通过所述子区域在目标时刻的特征属性确定所述子区域中各停车点在目标时刻的特征属性。
在本发明实施例中,所述确定所述子区域中各停车点在目标时刻的特征属性的过程可以包括:
步骤S711、确定各所述子区域的历史特征属性。
具体地,所述服务器可以根据预设获取规则获取各所述子区域历史多个时刻的特征属性,并通过预设的计算规则对获取的多个特征属性进行计算得到各所述子区域的历史特征属性。可选的,所述预设获取规则可以为获取当前时刻之前N个整点时刻各子区域的特征属性,所述计算规则可以为计算多个特征属性的均值。
步骤S712、确定各所述子区域中各停车点的历史特征属性。
具体地,与步骤S711相同,对于各所述子区域,所述服务器可以根据预设获取规则获取各停车点历史多个时刻的特征属性,并通过预设的计算规则对获取的多个特征属性进行计算得到各停车点的历史特征属性。可选的,所述预设获取规则可以为获取当前时刻之前N个整点时刻各子区域的特征属性,所述计算规则可以为计算多个特征属性的均值。
步骤S713、对于各所述子区域,根据的历史特征属性以及其中各停车点的历史特征属性确定各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比。
具体地,所述服务器在确定了各所述子区域的历史特征属性,以及各所述子区域中的各所述停车点的历史特征属性后,对于各所述子区域,计算所述子区域中各停车点的历史特征属性和所述子区域的历史特征属性的比得到各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比。
例如,当所述子区域中包括停车点A、停车点B和停车点C,且对应的历史特征属性分别为(2,5,10)、(5,4,6)和(13,11,4),所述子区域对应的历史特征属性为(20,20,20)时,所述停车点A对应的流入车辆数目占比为1/10、流出车辆数目占比为1/4,在线车辆数目占比为1/2;所述停车点B对应的流入车辆数目占比为1/4、流出车辆数目占比为1/5,在线车辆数目占比为3/10;所述停车点C对应的流入车辆数目占比为13/20、流出车辆数目占比为11/20,在线车辆数目占比为1/5。
进一步地,对于各子区域,所述服务器还可以通过分别计算历史多个时刻所述子区域中各停车点的特征属性和所述子区域的特征属性的比值,再计算多个时刻各所述停车点对应的特征属性比值的均值得到各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比。
步骤S714、根据各所述子区域在目标时刻的特征属性和所述子区域内各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比确定各所述子区域中的各停车点的特征属性。
具体地,对于各所述子区域,所述服务器可以通过计算目标时刻的特征属性和所述子区域内各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比的积确定所述子区域中的各停车点的特征属性。
以所述子区域在目标时刻的特征属性为(40,20,20),所述子区域包括停车点A、停车点B和停车点C,所述停车点A对应的流入车辆数目占比为1/10、流出车辆数目占比为1/4,在线车辆数目占比为1/2;所述停车点B对应的流入车辆数目占比为1/4、流出车辆数目占比为1/5,在线车辆数目占比为3/10;所述停车点C对应的流入车辆数目占比为13/20、流出车辆数目占比为11/20,在线车辆数目占比为1/5为例进行说明。计算所述子区域的特征属性和各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比的积得到停车点A的特征属性为(4,5,10),停车点B的特征属性为(10,4,6),停车点C的特征属性为(26,11,4)。
步骤S720、根据各所述停车点的特征属性生成对应的调度策略。
具体地,对于各所述子区域,所述服务器根据各停车点的特征属性针对性的生成对应的调度策略。例如,当所述服务器经过预测得到一个停车点的在线车辆数目过多,且流出车辆数目过少时,对所述停车点生成减少在线车辆的调度策略。当所述服务器经过预测得到一个停车点的流入车辆数目与在线车辆数目的和小于流出车辆数目时,对所述停车点生成增加在线车辆的调度策略。
可选的,所述调度策略中还可以包括调度车辆数目,所述调度车辆数目可以通过服务器根据所述停车点的特征属性计算得到。例如,当所述停车点的特征属性为(1,10,1)时,计算需要调度的车辆数目为流出车辆数目减去流入车辆数目以及在线车辆数目的和,即10-1-1,最终得到的调度车辆数目为8。
步骤S730、向调度设备发送各所述停车点对应的调度策略以对对应的停车点进行车辆调度。
具体地,所述调度设备与所述服务器连接,例如可以是用于平台调度人员登录的调度终端,用于接收所述服务器发送的调度策略,并根据所述调度策略对各所述停车点进行车辆调度。所述车辆调度过程例如可以是从对应的停车点移出数量为调度车辆数目的车辆,或将数量为调度车辆数目的车辆移入对应的停车点。
在本发明实施例中,为提高调度效率,对于不同的停车点,所述服务器可以选择对应的调度设备发送调度策略进行车辆调度。例如,所述服务器可以通过访问自身的存储中间件或外部存储设备获取各停车点与调度设备的对应关系,以确定与各所述停车点对应的调度设备,并将对应的调度策略发送至所述调度设备。在本发明实施例的另一个可选的实现方式中,所述服务器还可以获取各所述调度设备的当前位置信息,对应各所述停车点,确定距离最近的调度设备为所述停车点对应的调度设备,向所述调度设备发送用于调度所述停车点车辆的调度策略。
因此,本发明实施例所述的方法可以通过获取目标区域的多个子区域,确定各子区域在多个周期性时刻序列中各时刻的特征属性,根据同一时刻各子区域的特征属性生成表征目标区域特征属性的特征位图,以得到与各周期性时刻序列对应的特征位图序列。将各所述特征位图序列输入预测模型中得到目标时刻对应的预测位图,根据所述预测位图确定各子区域在目标时刻的特征属性,以对各子区域中的停车点进行车辆调度。以实现结合不同周期性时刻序列的特性确定目标时刻各子区域的车流量特征,从而针对不同停车点生成不同的调度策略,根据对应的调度策略对各停车点进行车辆调度,使不同停车点的调度效率最大化,满足用户骑行需求的同时提高整个系统的共享车辆使用率。
图9是本发明实施例的电子设备的示意图。图9所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器90和存储器91。处理器90和存储器91通过总线92连接。存储器91适于存储处理器90可执行的指令或程序。处理器90可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器90通过执行存储器91所存储的命令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线92将上述多个组件连接在一起,同时将上述组件连接到显示控制器93和显示装置以及输入/输出(I/O)装置94。输入/输出(I/O)装置94可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置94通过输入/输出(I/O)控制器95与系统相连。
其中,存储器91可以存储软件组件,例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
上述根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解,流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器,以产生机器,使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时,如本领域技术人员将意识到的,本发明实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此,本发明实施例的各个方面可以采取如下形式:完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外,本发明的方面可以采取如下形式:在一个或多个计算机可读介质中实现的计算机程序产品,计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置,或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项:具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中,计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号,所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式,包括但不限于:电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质:不是计算机可读存储介质,并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,所述编程语言包括:面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等;以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行;部分地在用户计算机上且部分地在远程计算机上执行;或者完全地在远程计算机或服务器上执行。在后一种情况下,可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机,或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
本发明还涉及一种计算机可读存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆调度方法,其特征在于,所述方法包括:
获取目标区域对应的多个子区域,各所述子区域包括对应的停车点;
根据预设的目标时刻确定多个周期性时刻序列;
对于各所述周期性时刻序列,确定各所述子区域在所述周期性时刻序列中各时刻的特征属性,所述特征属性包括流入车辆数目、流出车辆数目和在线车辆数目;
对于各所述周期性时刻序列,生成与所述周期性时刻序列中各时刻对应的特征位图,以确定各所述周期性时刻序列对应的特征位图序列,所述特征位图中各像素点对应一个子区域,用于表征所述子区域在所述时刻的特征属性;
将各所述特征位图序列输入预先训练的预测模型中得到对应的预测位图;
根据所述预测位图确定各子区域在目标时刻的特征属性;
根据各所述子区域在目标时刻的特征属性对各所述子区域中的停车点进行车辆调度。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的目标时刻确定多个周期性时刻序列具体为:
根据预设的目标时刻确定周期逐渐增大的第一时刻序列、第二时刻序列和第三时刻序列。
3.根据权利要求1所述的方法,其特征在于,所述对于各所述周期性时刻序列,确定各所述子区域在所述周期性时刻序列中各时刻的特征属性包括:
获取所述目标区域内各车辆的出发信息和停止信息,所述出发信息中包括出发位置和出发时刻,所述停止信息包括停止位置和停止时刻;
确定目标时刻序列;
在所述目标时刻序列中各时刻获取所述目标区域内的各车辆位置,以确定各所述子区域在所述时刻的在线车辆数目;
根据各所述车辆的出发信息确定各所述子区域在所述目标时刻序列中各时刻的流出车辆数目;
根据各所述车辆的停止信息确定各所述子区域在所述目标时刻序列中各时刻的流入车辆数目。
4.根据权利要求3所述的方法,其特征在于,所述根据各所述车辆的出发信息确定各所述子区域在所述目标时刻序列中各时刻的流出车辆数目包括:
确定目标子区域;
对于目标子区域,根据出发信息确定所述目标时刻序列中各时刻的流出车辆,所述流出车辆为对应时刻前一周期内,出发位置在所述目标子区域内的车辆;
统计所述目标子区域在所述目标时刻序列中各时刻的流出车辆,以确定所述目标子区域对应的流出车辆数目。
5.根据权利要求3所述的方法,其特征在于,所述根据各所述车辆的停止信息确定各所述子区域在所述目标时刻序列中各时刻的流入车辆数目包括:
确定目标子区域;
对于目标子区域,根据停止信息确定所述目标时刻序列中各时刻的流入车辆,所述流入车辆为对应时刻前一周期内,停止位置在所述目标子区域内的车辆;
统计所述目标子区域在所述目标时刻序列中各时刻的流入车辆,以确定所述目标子区域对应的流入车辆数目。
6.根据权利要求2所述的方法,其特征在于,所述将各所述特征位图序列输入预先训练的预测模型中得到对应的预测位图包括:
将所述第一时刻序列对应的第一特征位图序列输入预先训练的第一深度残差网络子模型以输出对应的第一位图;
将所述第二时刻序列对应的第二特征位图序列输入预先训练的第二深度残差网络子模型以输出对应的第二位图;
将所述第三时刻序列对应的第三特征位图序列输入预先训练的第三深度残差网络子模型以输出对应的第三位图;
根据所述第一位图、第二位图、第三位图和预设的环境参数确定预测位图。
7.根据权利要求1所述的方法,其特征在于,所述根据各所述子区域在目标时刻的特征属性对各所述子区域中的停车点进行车辆调度包括:
根据各所述子区域在目标时刻的特征属性确定各所述子区域中的各停车点的特征属性;
根据各所述停车点的特征属性生成对应的调度策略;
向调度设备发送各所述停车点对应的调度策略以对对应的停车点进行车辆调度。
8.根据权利要求7所述的方法,其特征在于,所述根据各所述子区域在目标时刻的特征属性确定各所述子区域中的各停车点的特征属性包括:
确定各所述子区域的历史特征属性;
确定各所述子区域中各停车点的历史特征属性;
对于各所述子区域,根据的历史特征属性以及其中各停车点的历史特征属性确定各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比;
根据各所述子区域在目标时刻的特征属性和所述子区域内各停车点对应的流入车辆数目占比、流出车辆数目占比和在线车辆数目占比确定各所述子区域中的各停车点的特征属性。
9.一种计算机可读存储介质,用于存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-8中任一项所述的方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010238650.5A CN111832876B (zh) | 2020-03-30 | 2020-03-30 | 车辆调度方法、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010238650.5A CN111832876B (zh) | 2020-03-30 | 2020-03-30 | 车辆调度方法、可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832876A true CN111832876A (zh) | 2020-10-27 |
CN111832876B CN111832876B (zh) | 2024-05-14 |
Family
ID=72913956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010238650.5A Active CN111832876B (zh) | 2020-03-30 | 2020-03-30 | 车辆调度方法、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832876B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950058A (zh) * | 2021-03-24 | 2021-06-11 | 北京骑胜科技有限公司 | 车辆调度方法、装置、存储介质和电子设备 |
CN114399344A (zh) * | 2022-03-24 | 2022-04-26 | 北京骑胜科技有限公司 | 数据处理方法和数据处理装置 |
CN116703132A (zh) * | 2023-08-08 | 2023-09-05 | 北京阿帕科蓝科技有限公司 | 共享车辆动态调度的管理方法、装置及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
CN108388852A (zh) * | 2018-02-09 | 2018-08-10 | 北京天元创新科技有限公司 | 一种基于深度学习的区域人群密度预测方法及装置 |
CN108776852A (zh) * | 2018-06-22 | 2018-11-09 | 北京京东金融科技控股有限公司 | 无桩车辆调度方法和系统 |
WO2018214361A1 (en) * | 2017-05-25 | 2018-11-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for improvement of index prediction and model building |
CN108960590A (zh) * | 2018-06-15 | 2018-12-07 | 平安科技(深圳)有限公司 | 车辆租赁方法、装置、计算机设备和存储介质 |
CN110310474A (zh) * | 2018-05-14 | 2019-10-08 | 桂林远望智能通信科技有限公司 | 一种基于时空残差网络的车流量预测方法及装置 |
-
2020
- 2020-03-30 CN CN202010238650.5A patent/CN111832876B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214361A1 (en) * | 2017-05-25 | 2018-11-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for improvement of index prediction and model building |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
CN108388852A (zh) * | 2018-02-09 | 2018-08-10 | 北京天元创新科技有限公司 | 一种基于深度学习的区域人群密度预测方法及装置 |
CN110310474A (zh) * | 2018-05-14 | 2019-10-08 | 桂林远望智能通信科技有限公司 | 一种基于时空残差网络的车流量预测方法及装置 |
CN108960590A (zh) * | 2018-06-15 | 2018-12-07 | 平安科技(深圳)有限公司 | 车辆租赁方法、装置、计算机设备和存储介质 |
CN108776852A (zh) * | 2018-06-22 | 2018-11-09 | 北京京东金融科技控股有限公司 | 无桩车辆调度方法和系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950058A (zh) * | 2021-03-24 | 2021-06-11 | 北京骑胜科技有限公司 | 车辆调度方法、装置、存储介质和电子设备 |
CN114399344A (zh) * | 2022-03-24 | 2022-04-26 | 北京骑胜科技有限公司 | 数据处理方法和数据处理装置 |
CN116703132A (zh) * | 2023-08-08 | 2023-09-05 | 北京阿帕科蓝科技有限公司 | 共享车辆动态调度的管理方法、装置及计算机设备 |
CN116703132B (zh) * | 2023-08-08 | 2023-12-12 | 北京阿帕科蓝科技有限公司 | 共享车辆动态调度的管理方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111832876B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Efficient large-scale fleet management via multi-agent deep reinforcement learning | |
US11507894B2 (en) | System and method for ride order dispatching | |
US11610165B2 (en) | Method and system for orchestrating multi-party services using semi-cooperative nash equilibrium based on artificial intelligence, neural network models,reinforcement learning and finite-state automata | |
US11514543B2 (en) | System and method for ride order dispatching | |
US20200272889A1 (en) | Optimizing data center controls using neural networks | |
JP6823136B2 (ja) | 継続的配達 | |
CN112074845A (zh) | 用于优化拼车策略的深度强化学习 | |
CN108108831B (zh) | 一种目的地预测方法及装置 | |
US20200342418A1 (en) | Vehicle service center dispatch system | |
US10520937B2 (en) | Sensing and computing control system for shaping precise temporal physical states | |
CN112116158B (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
CN113287124A (zh) | 用于搭乘订单派遣的系统和方法 | |
CN111832876B (zh) | 车辆调度方法、可读存储介质和电子设备 | |
JP7219353B2 (ja) | ワークフロー割当ての方法およびシステム | |
CN112256550A (zh) | 存储容量预测模型生成方法、存储容量预测方法 | |
CN113569406A (zh) | 基于自动驾驶的数据测试方法、设备及可读存储介质 | |
CN116567547A (zh) | 人口数据质量检验方法、系统和可读存储介质 | |
CN112106021B (zh) | 提供车辆导航模拟环境的方法和装置 | |
Büchel et al. | What do we know when? modeling predictability of transit operations | |
Jiang et al. | A reinforcement learning-based incentive mechanism for task allocation under spatiotemporal crowdsensing | |
KR102477717B1 (ko) | 빅데이터 기반 상황별 탄소배출량 산출 및 인공지능 기반 탄소배출권 자동 거래 방법, 장치 및 시스템 | |
Wei et al. | Model and algorithm for resolving regional bus scheduling problems with fuzzy travel times | |
CN112101671B (zh) | 区域属性预测方法、装置、可读存储介质和电子设备 | |
CN113469475B (zh) | 数据处理方法、装置、存储介质和电子设备 | |
US20220277329A1 (en) | Systems and methods for repositioning vehicles in a ride-hailing platform |
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 |