CN111882097A - 一种车辆维护人员调度方法和系统 - Google Patents
一种车辆维护人员调度方法和系统 Download PDFInfo
- Publication number
- CN111882097A CN111882097A CN201910961821.4A CN201910961821A CN111882097A CN 111882097 A CN111882097 A CN 111882097A CN 201910961821 A CN201910961821 A CN 201910961821A CN 111882097 A CN111882097 A CN 111882097A
- Authority
- CN
- China
- Prior art keywords
- historical
- orders
- maintenance personnel
- target area
- time period
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 claims description 33
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 230000008901 benefit Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 25
- 238000012986 modification Methods 0.000 description 19
- 230000004048 modification Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063118—Staff planning in a project environment
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种车辆维护人员调度方法和系统。所述车辆维护人员调度方法包括：获取第一时间段内与目标区域相关的预估订单数；基于所述预估订单数，确定所述第一时间段内与所述目标区域相关的预估工单数；获取维护人员的人员工单数；基于所述预估工单数，以及所述维护人员的人员工单数，确定所述第一时间段内与所述目标区域相关的维护人员的目标数量。本申请披露了一个车辆维护人员调度排班的方法，可以在保证业务使用的条件下，最小化人力成本，提高排班效率。
Description
技术领域
本申请涉及计算机技术领域，特别涉及一种车辆维护人员调度的方法和系统。
背景技术
近年来，随着技术的进步和社会的发展，共享汽车已经越来越多。汽车共享这种方式可以缓解交通阻塞，降低空气污染，具有十分重要的发展前景。
电动汽车作为节能减排的主流，已经成为了共享汽车的首选。但是，当用户使用完共享汽车之后，车辆没电时，需要共享平台安排人员对车辆进行充电。一般地，共享汽车有固定的停车站点，每个区域有若干的调度员负责，调度员需要将车辆从停车场站驾驶到充电桩进行充电。若安排的调度人员数量较多，会造成成本浪费；若安排的调度人员较少，则很难满足区域充电工单的需求，影响用户使用共享汽车，因此合理安排每天每个区域的调度人员数量是十分必要的问题。
发明内容
本申请实施例之一提供一种车辆维护人员数量预估方法。所述车辆维护人员数量预估方法包括：获取第一时间段内与目标区域相关的预估订单数；所述预估订单数为用车订单数预估值；基于所述预估订单数，确定所述第一时间段内与所述目标区域相关的预估工单数；所述预估工单数为待维护的车辆数量预估值；获取维护人员的人员工单数；基于所述预估工单数，以及所述维护人员的人员工单数，确定所述第一时间段内与所述目标区域相关的维护人员的目标数量。
本申请实施例之一提供一种车辆维护人员数量预估系统，所述系统包括：订单数预估模块，用于获取第一时间段内与目标区域相关的预估订单数；所述预估订单数为用车订单数预估值；工单数预估模块，用于基于所述预估订单数，确定所述第一时间段内与所述目标区域相关的预估工单数；所述预估工单数为待维护的车辆数量预估值；维护人员工单数获取模块，用于获取维护人员的人员工单数；维护人员目标数量确定模块，用于基于所述预估工单数，以及所述维护人员的人员工单数，确定所述第一时间段内与所述目标区域相关的维护人员的目标数量。
本申请实施例之一提供一种车辆维护人员数量预估装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现上述车辆维护人员数量预估方法对应的操作。
本申请实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述车辆维护人员数量预估方法。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请一些实施例所示的示例性车辆维护人员调度系统的应用场景示意图；
图2是根据本申请一些实施例所示的示例性车辆维护人员调度系统的模块图；
图3是根据本申请一些实施例所示的确定车辆维护人员的目标数量的示例性流程图；
图4是根据本申请一些实施例所示的获取机器学习模型的示例性流程图；
图5是根据本申请一些实施例所示的确定预估工单数方法的示例性流程图；以及
图6是根据本申请一些实施例所示的车辆维护人员调度的示例性界面图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本申请的实施例可以应用于不同的交通工具的维护系统，维护可以包括对交通工具进行清洁、维修、充电等。在一些实施例中，所述交通工具，包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如，电动自行车、电动汽车、混动汽车、出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、无人驾驶的交通工具、收/送快递等需要进行维护的交通运输系统。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。例如，其他类似的引导用户停车系统。
图1是根据本申请一些实施例所示的示例性车辆维护人员调度系统的应用场景示意图。如图1所示，示例性车辆维护人员调度系统100可以包括服务器110、网络120、用户终端130和存储模块140。
在一些实施例中，所述服务器110可以用于维护人员的调度。所述服务器110可以是单个服务器，也可以是一个服务器群组。一个服务器群组可以是集中式的，例如数据中心。一个服务器群组也可以是分布式的，例如一个分布式系统。所述服务器110可以是本地的，也可以是远程的。在一些实施例中，服务器110可以包括用于执行服务器110的指令(程序代码)的控制处理器。例如，控制处理器可以通过网络120接收用户终端的用车请求，或者可以基于用车请求的数量确定订单数，或者可以计算维护人员的数量并通过网络120发送至维护中心的运维设备上，或者可以基于计算得到的维护人员的数量进行人员调度等，如通过网络120向维护人员终端发送调度信息。所述调度信息包括维护人员的工作区域和工作时间。
在一些实施例中，网络120可以提供信息交换的渠道。网络120可以是单一网络，也可以是多种网络的组合。网络120可以包括但不限于局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络等中的一种或几种的组合。网络120可以包括多种网络接入点，如有线或无线接入点、基站或网络交换点，通过以上接入点使数据源连接网络120并通过网络120发送信息。系统100内的组件可以通过网络120进行数据交互。
在一些实施例中，用户终端130可以是发布用车服务请求的个人、工具或者其他实体，可以是交通工具维护中心的运维设备或工作人员，也可以是维护人员或者维护人员使用的终端。当用户终端130是发布用车服务请求的个人、工具或者其他实体时，用户终端130可以向服务器110发送用车服务请求。当用户终端130是交通工具维护中心的运维设备或工作人员时，用户终端130可以向服务器110发送选定的区域信息和时间信息，然后接收服务器110发送的对应的所需维护人员的目标数量。当用户终端130是维护人员或者维护人员使用的终端时，用户终端130可以接收服务器110发送的调度信息。所述调度信息包括工作时间和工作区域。用户终端130包括但不限于手机130-1、平板电脑130-2、笔记本电脑130-3、台式电脑130-4等中的一种或几种组合。
在一些实施例中，存储模块140可以指具有存储功能的设备。存储模块140主要用于存储从用户终端130发送的订单信息和服务器110工作中产生的各种数据。存储模块140可以是本地的，也可以是远程的。在一些实施例中，存储模块140可以是服务器110的一部分。
图2是根据本申请一些实施例所示的示例性车辆维护人员调度系统200的模块图。所述车辆维护人员调度系统200可以包括订单数预估模块210、工单数预估模块220、维护人员工单数获取模块230、维护人员目标数量确定模块240和训练模块250。
订单数预估模块210可以被配置为获取第一时间段内与目标区域相关的预估订单数。在一些实施例中，所述订单数是在第一时间段内从所述目标区域内出发的车辆数量，也可以是在第一时间段内停放在所述目标区域内的车辆数量，也可以是在第一时间段内在所述目标区域内发起用车请求的数量等。在一些实施例中，所述预估订单数可以根据所述目标区域内的请求使用车辆的用户数量确定预估订单数。在一些实施例中，所述订单数预估模块210可以获取训练好的机器学习模型，利用该机器学习模型处理第一时间段及目标区域标识，获取第一时间段内与目标区域相关的预估订单数。
工单数预估模块220可以被配置为基于所述预估订单数，确定所述第一时间段内与所述目标区域相关的预估工单数。所述预估工单数可以为待维护的车辆数量。所述维护包括充电、清洁、维修等。所述工单数预估模块220可以获取所述目标区域内的所述预估订单数和所述预估订单数的转化因子，基于所述预估订单数和所述转化因子，确定所述第一时间段内与所述目标区域相关的预估工单数。所述转化因子与第一历史时间的第一历史时间段内的历史订单数和历史工单数相关。
维护人员工单数获取模块230可以被配置为获取维护人员的人员工单数。所述维护人员的人员工单数是指每个维护人员在第一时间段内需要维护的车辆数。维护人员的人员工单数可以人为设置，例如基于具有平均劳动力的维护人员在第一时间段内维护的车辆数确定，也可以基于维护人员的年龄、工作时间等因素估算，也可以基于历史数据确定。
维护人员目标数量确定模块240可以被配置为基于所述预估工单数，以及所述维护人员的人员工单数，确定所述第一时间段内与所述目标区域相关的维护人员的目标数量。所述维护人员目标数量为所述预估工单数与所述维护人员的人员工单数的商。可以对该商进行取整或其他调整。在一些实施例中，可以由管理人员根据所述维护人员目标数量确定具体的维护人员。
训练模块250可以配置为确定用于预估订单数的机器学习模型。训练模块250可以获取初始时间序列模型。训练模块250可以获取目标各区域内的历史订单数以及相关特征。所述相关特征包括与历史订单数相关的时间信息和/或与所述时间信息相关的背景特征。在一些实施例中，相关特征还可以包括区域的标识，例如，一个城市包括7大城区，可以对这七大城区进行编码，将所述编码作为各区域的标识。训练模块250可以将区域的标识以及所述相关特征作为初始时间序列模型的输入数据，将对应的历史订单数作为参考标准训练所述初始时间序列模型，获取时间序列模型。
这里以及整个本申请中，模块可以以许多不同的方式实现，并且可以以硬件、软件或硬件和软件的不同组合来实现。例如，所述模块实现的全部或部分可以是处理电路，其可以包括指令处理器的一部分或全部，例如中央处理单元(CPU)、微控制器、微处理器；或专用集成电路(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、其他电子元件；或者作为包括分立逻辑或其他电路元件的电路，包括模拟电路元件，数字电路元件或两者；或作为包括离散逻辑或其他电路组件的电路，包括模拟电路组件、数字电路组件或两者；或它们的任何组合。例如，电路可以包括分立的互连硬件组件、或者可以组合在单个集成电路管芯上、分布在至少两个集成电路管芯中、或者在公共封装中的至少两个集成电路管芯的多芯片模块(MCM)中实现。
车辆维护人员调度系统200中的模块可以经由有线连接或无线连接彼此连接或通信。所述有线连接可以包括金属线缆、光缆、混合线缆等，或其任何组合。所述无线连接可以包括局域网(LAN)、广域网(WAN)、蓝牙、ZigBee、近场通信(NFC)等或其任何组合。两个或以上个所述模块可以被组合为单个模块，并且任何一个所述模块可以被分成两个或以上个单元。例如，维护人员工单数获取模块230可以集成到维护人员目标数量确定模块中成为单个模块，所述单个模块可以获取该区域内维护人员的至少一个工单数并基于该区域内工单数和维护人员的工单数计算维护人员的排班人数。
应该注意的是，以上描述仅仅是为了说明的目的而提供的，并且不旨在限制本申请的范围。对于本领域普通技术人员而言，可以在本申请的教导下进行多种变化和修改。然而，那些变化和修改不脱离本申请的范围。例如，车辆维护人员调度系统200还可以包括存储模块(图2中未示出)。存储模块可以被配置为存储在由车辆维护人员调度系统200中的任何组件执行的任何过程期间生成的数据。又例如，所述车辆维护人员调度系统200的每个组件可以对应于存储模块。附加地或替代地，所述车辆维护人员调度系统200的组件可以共享公共存储模块。
图3是根据本申请一些实施例所示的确定车辆维护人员的目标数量的示例性流程图。在一些实施例中，过程300可以在图1所示的服务器110上实现。例如，所述过程300可以作为指令的形式存储在存储介质(例如，存储模块140)中，并且由服务器110或车辆维护人员调度系统200的一个或多个模块调用和/或执行。在一些实施例中，所述过程300可以利用未描述的一个或以上附加操作，和/或没有所讨论的一个或以上操作来完成。应当注意，所述过程300的描述仅出于说明的目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，可以在本申请的教导下进行多种变化和修改。然而，那些变化和修改不脱离本申请的范围。
在步骤310中，订单数预估模块210可以获取第一时间段内与目标区域相关的预估订单数。在一些实施例中，所述订单数是在第一时间段内从所述目标区域内出发的车辆数量，也可以是在第一时间段内停放在所述目标区域内的车辆数量，也可以是在第一时间段内在所述目标区域内发起用车请求的数量等。该车辆可以包括但不限于燃料汽车、充电汽车、混动汽车自行车、电动自行车、摩托车等需要维护的运输工具。该车辆可以包括共享车辆、私人车辆。特别地，该车辆可以是用于共享出行的充电车辆或混合动力车辆。在一些实施例中，所述目标区域可以是人为划分的区域或行政区域。在一些实施例中，所述第一时间段可以包括未来某几天、未来某一天、未来某一天的白天、未来某一天的晚上、未来某一天的0点到8点、未来某一天的8点到16点、未来某一天的16点到24点以及未来某一天的其中几个小时。
在一些实施例中，所述预估订单数可以根据所述目标区域的面积确定预估订单数。在一些实施例中，所述预估订单数可以根据所述目标区域内的请求使用车辆的用户数量确定预估订单数。在一些实施例中，所述预估订单数可以从存储模块140获取，从云平台获取，也可以通过其他方式获取。
在一些实施例中，所述订单数预估模块210可以获取训练好的机器学习模型，利用该机器学习模型处理第一时间段及目标区域标识，获取第一时间段内与目标区域相关的预估订单数。在一些实施例中，训练好的机器学习模型可以存储在存储模块140中，订单数预估模块210可以从存储模块140中获取该模型。该机器学习模型的详细描述请参见图4的相关说明。
在一些实施例中，所述订单数预估模块210可以由用户选择输入获取第一时间段。在一些实施例中，所述第一时间段是由系统默认设置的。例如，未来某一天的一段和/或多段时间、未来某一周的一段和/或多段时间、未来某个月的一段和/或多段时间。在一些实施例中，所述目标区域可以由用户选择输入，或是由系统默认设置的。在一些实施例中，所述订单数预估模块210可以通过其他方式获取第一时间段和/或目标区域。
在步骤320中，工单数预估模块220可以基于所述预估订单数，确定所述第一时间段内与所述目标区域相关的预估工单数。
所述预估工单数可以为待维护的车辆数量。所述维护包括充电、清洁、维修等。所述预估工单数可以是未来某一天、未来某一天的白天、未来某一天的晚上、未来某一天的0点到8点、未来某一天的8点到16点、未来某一天的16点到24点或未来某一天的其中几个小时的目标区域内的预估工单数。
所述工单数预估模块220可以获取所述目标区域内的所述预估订单数和所述预估订单数的转化因子，基于所述预估订单数和所述转化因子，确定所述第一时间段内与所述目标区域相关的预估工单数。所述转化因子与第一历史时间的第一历史时间段内的历史订单数和历史工单数相关。确定所述预估工单数的详细描述请参见图5。
在一些实施例中，所述预估工单数可以存储在存储模块140中。在一些实施例中，所述预估工单数可以通过网络120传输至其他计算设备，并在其他计算设备显示。在一些实施例中，所述预估工单数可以在用户终端130上显示。在一些实施例中，所述预估工单数可以存储在云平台中，可以通过网络传输至任意计算设备上显示。
在步骤330中，维护人员工单数获取模块230可以获取所述维护人员的人员工单数。所述维护人员的人员工单数是指每个维护人员在第一时间段内需要维护的车辆数。维护人员的人员工单数可以人为设置，例如基于具有平均劳动力的维护人员在第一时间段内维护的车辆数确定，也可以基于维护人员的年龄、工作时间等因素估算，也可以基于历史数据确定。
所述维护人员的人员工单数可以与第二历史时间的第二历史时间段内维护人员的历史人员工单数相关。所述第二历史时间可以是过去一周、过去两周、过去一个月、过去两个月、过去半年、过去一年等。所述第二历史时间段内的历史工单数可以是过去某一天、过去某一天的白天、过去某一天的晚上、过去某一天的0点到8点、过去某一天的8点到16点、过去某一天的16点到24点以及过去某一天的其中几个小时内的历史工单数。在一些实施例中，所述第一历史时间段和所述第二历史时间段可以相同，也可以不同。
在一些实施例中，维护人员工单数获取模块230可以获取每个维护人员在第二历史时间段内的历史人员工单数。所述维护人员可以是目标区域内的，也可以其他区域内的。所述维护人员工单数获取模块230可以基于所述历史人员工单数确定维护人员的人员工单数。例如，维护人员工单数获取模块230可以将每个维护人员在第二历史时间段内的历史人员工单数的平均值确定为所述维护人员的人员工单数。又例如，维护人员工单数获取模块230可以将每个维护人员在第二历史时间段内的历史人员工单数的最大值确定为所述维护人员的人员工单数。
在一些实施例中，维护人员工单数获取模块230可以获取第二历史时间段内与各个区域相关的历史工单数，以及第二历史时间段内与所述各个区域相关的所述维护人员的历史数量，并基于第二历史时间段内与所述各个区域相关的历史工单数和所述维护人员的所述历史数量，获取所述维护人员的人员工单数。例如，维护人员工单数获取模块230可以对于每个区域，计算其在第二历史时间段内历史工单数与维护人员的历史数量的比值，将其作为该区域的维护人员的人员工单数。
在一些实施例中，所述维护人员的人员工单数可以存储在存储模块140中。在一些实施例中，所述维护人员的人员工单数可以通过网络120传输至其他计算设备，并在其他计算设备显示。在一些实施例中，所述维护人员的人员工单数可以在用户终端130上显示。在一些实施例中，所述维护人员的人员工单数可以存储在云平台中，可以通过网络传输至任意计算设备上显示。
在步骤340中，维护人员目标数量确定模块240可以基于所述预估工单数，以及所述维护人员的人员工单数，确定所述第一时间段内与所述目标区域相关的维护人员的目标数量。在一些实施例中，维护人员目标数量确定模块240可以确定具体的维护人员。
所述维护人员目标数量为所述预估工单数与所述维护人员的人员工单数的商。可以对该商进行取整或其他调整。在一些实施例中，可以由管理人员根据所述维护人员目标数量确定具体的维护人员。
在一些实施例中，所述维护人员目标数量可以存储在存储模块140中。在一些实施例中，所述维护人员目标数量可以通过网络120传输至其他计算设备，并在其他计算设备显示。在一些实施例中，所述维护人员目标数量可以在用户终端130上显示。在一些实施例中，所述维护人员目标数量可以存储在云平台中，可以通过网络传输至任意计算设备上显示。
应该注意的是，以上描述仅仅是为了说明的目的而提供的，并且不旨在限制本申请的范围。对于本领域普通技术人员而言，可以在本申请的教导下进行多种变化和修改。然而，那些变化和修改不脱离本申请的范围。例如，可以在示例性过程300中的其他地方添加一个或以上其他可选步骤(例如，存储步骤)。又例如，所述车辆维护人员调度系统200可以同时执行310和330。作为又一示例，所述车辆维护人员调度系统200可以在320之前、之后或同时执行330。
图4是根据本申请一些实施例所示的获取机器学习模型的示例性流程图。在一些实施例中，过程400可以在图1所示的服务器110或训练模块250上实现。例如，所述过程400可以作为指令的形式存储在存储介质(例如，存储模块140)中，并且由服务器110或车辆维护人员调度系统200的训练模块250执行。在一些实施例中，所述过程400可以利用未描述的一个或以上附加操作，和/或没有所讨论的一个或以上操作来完成。应当注意，所述过程400的描述仅出于说明的目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，可以在本申请的教导下进行多种变化和修改。然而，那些变化和修改不脱离本申请的范围。
所述机器学习模型包括但不限于时间序列模型、神经网络、支持向量机、决策树、线性模型等。所述时间序列模型时间序列模型包括但不限于LSTM模型、自回归模型AR、移动平均模型MA、自回归移动平均模型ARMA、自回归差分移动平均模型ARIMA、指数的移动平均法EWMA、以及控制图理论CCT。下面，以时间序列模型为例阐述机器学习模型的训练过程，应当理解，以下训练过程同样适用于其他机器学习模型的训练。
在步骤410中，训练模块250可以获取初始时间序列模型。在一些实施例中，所述训练模块250可以从存储模块140获取，从云平台获取，也可以通过其他方式获取初始时间序列模型。
在步骤420中，训练模块250可以获取各区域内的历史订单数以及相关特征。所述相关特征包括与历史订单数相关的时间信息和/或与所述时间信息相关的背景特征。在一些实施例中，相关特征还可以包括区域的标识，例如，一个城市包括7大城区，可以对这七大城区进行编码，将所述编码作为各区域的标识。
所述与历史订单数相关的时间信息包括但不限于历史订单数对应的时刻区间，如9:00～18:00，历史订单数对应的日期区间，如2019-1-1～2019-4-1，以及历史订单数对应的星期信息，如星期一、星期二或星期五等，等的一个或多个。
所述与时间信息相关的背景特征包括但不限于所述时间信息对应的天气、节假日属性、平台相关的车辆数量、交通状况、区域内大型活动、其他区域的大型活动、用车优惠、政策等中的一个或多个。大型活动可以是国家级或以上运动会、国际博览会、国际车展、音乐节等，或者可以是参加人数在预设阈值以上的团体活动。政策可以是国家或地方对平台相关车辆及其使用的相关规范。
在一些实施例中，所述训练模块250可以从存储模块140获取与历史订单相关的数据。在一些实施例中，所述训练模块250可以从云平台获取与历史订单相关的数据。在一些实施例中，所述训练模块250可以从第三方，如气象局、城市交通中心、新闻网页等，获取与历史订单相关的数据。在一些实施例中，所述训练模块250可以通过其他方式获取与历史订单相关的数据。
在步骤430中，训练模块250可以将所述相关特征作为初始时间序列模型的输入数据，将对应的历史订单数作为参考标准训练初始时间序列模型，获取时间序列模型。
在一些实施例中，训练模块250可以将历史订单数以及相关特征进行预处理。所述预处理包括但不限于平稳化处理、时序图检验、单位根检验、自相关系数和偏相关系数检验、利用差分将序列数据转换为平衡序列、随机化处理等。
在一些实施例中，输入数据中引入区域的标识后，训练好的时间序列模型可以针对目标区域预测其订单数，可以进一步提升预测准确性。
在一些实施例中，训练模块250可以将与历史订单数相关的时间信息作为输入数据，将对应的历史订单数作为参考标准对初始时间序列模型进行训练，得到时间序列模型。用户在使用该时间序列模型时，只需输入日期和时间即可得到预测订单数。
在一些实施例中，训练模块250可以将与历史订单数相关的时间信息以及与所述时间信息相关的背景特征作为输入数据对初始时间序列模型进行训练，得到时间序列模型。用户在使用该时间序列模型时，可以只输入日期和时间来获取预测订单数，也可以在输入日期和时间的同时输入天气、节假日属性、平台提供的车辆数量、交通状况、区域内大型活动、其他区域的大型活动、用车优惠、政策等来获取预测订单数。
在一些实施例中，训练模块250可以将历史订单数据和/或与历史订单相关的数据分为训练集和测试集，对时间序列模型进行优化。
应该注意的是，以上描述仅仅是为了说明的目的而提供的，并且不旨在限制本申请的范围。对于本领域普通技术人员而言，可以在本申请的教导下进行多种变化和修改。然而，那些变化和修改不脱离本申请的范围。例如，可以在示例性过程400中的其他地方添加一个或以上其他可选步骤(例如，存储步骤)。又例如，所述训练模块250可以同时执行410和420。
图5是根据本申请一些实施例所示的确定预估工单数的示例性流程图。在一些实施例中，过程500可以在图1所示的服务器110和/或工单数预估模块220上实现。例如，所述过程500可以作为指令的形式存储在存储介质(例如，存储模块140)中，并且由服务器110或车辆维护人员调度系统200的工单数预估模块220执行。在一些实施例中，所述过程500可以利用未描述的一个或以上附加操作，和/或没有所讨论的一个或以上操作来完成。应当注意，所述过程500的描述仅出于说明的目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，可以在本申请的教导下进行多种变化和修改。然而，那些变化和修改不脱离本申请的范围。
在步骤510中，工单数预估模块220可以获取所述预估订单数。在一些实施例中，所述工单数预估模块220可以从订单数预估模块210获取，从存储模块140获取，从云平台获取，也可以通过其他方式获取预估订单数。
在步骤520中，工单数预估模块220可以获取所述预估订单数的转化因子。在一些实施例中，所述工单数预估模块220可以从存储模块140获取，从云平台获取，也可以通过其他方式获取预估订单数的转化因子。在一些实施例中，所述工单数预估模块220可以确定转化因子。在一些实施例中，所述转化因子可以在终端设备130上显示，或者通过网络120传输至其他计算设备，并在其他计算设备显示。
所述转化因子是订单数可以转化为工单数的比例。在一些实施例中，所述转化因子是起点在目标区域内的订单数量与待维护车辆的数量的比例。在一些实施例中，所述转化因子是终点在目标区域内的订单数量与待维护车辆的数量的比例。所述转化因子与第一历史时间段内的历史订单数和历史工单数相关。在一些实施例中，所述转化因子为第一历史时间段内的历史订单数和第一历史时间段内的历史工单数的商。
所述第一历史时间可以是过去一周、过去两周、过去一个月、过去两个月、过去半年、过去一年等。所述第一历史时间段可以是过去某一天、过去某一天的白天、过去某一天的晚上、过去某一天的0点到8点、过去某一天的8点到16点、过去某一天的16点到24点以及过去某一天的其中几个小时。
在一些实施例中，所述转化因子与星期信息相关。所述星期信息是与星期几有关的因子，例如是星期一到星期日中的任意一个。在一些实施例中，星期日的转化因子会比星期一的转化因子高。星期日的转化因子可以基于第一历史时间中的星期日的第一历史时间段内的历史订单数和历史工单数获取。星期一的转化因子可以基于第一历史时间中的星期一的第一历史时间段内的历史订单数和历史工单数获取。
在一些实施例中，所述转化因子进一步与校正因子相关，所述校正因子与天气、星期信息、节假日属性、区域内大型活动、其他区域的大型活动、区域内道路封闭中的至少一个相关。所述校正因子可以通过机器学习方法获得。所述校正因子可以是对转化因子的校正数值，如，0.1、0.2、0.5、0.9、1.0、1.1、1.3等正有理数。校正后的转化因子等于转化因子与校正因子的乘积。在一些实施例中，当天气是雨雪天气时，使用车辆的用户的行程或使用时间可能会更长，车辆需要维护的比例可能会比晴天时更大，因此雨雪天气时的校正因子可能会大于晴朗天气时的校正因子。
在530中，工单数预估模块220可以基于所述预估订单数和所述转化因子，确定所述第一时间段内与所述目标区域相关的预估工单数。所述预估工单数可以是所述预估订单数和所述转化因子的乘积。
在一些实施例中，所述预估工单数可以在用户终端130上显示。在一些实施例中，所述预估工单数可以存储在云平台中，可以通过网络传输至任意计算设备上显示。
应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。
图6是根据本申请一些实施例所示的车辆维护人员调度的示例性界面图。图6中显示了白班预估和夜班预估。用户可以在610选择未来某一天，在620选择预估的区域。当日期与区域确定后，处理设备通过前述方法可以确定与所述日期、区域对应的维护人员的目标数量，并显示在界面。此外，界面上还可以显示预估订单数、转化因子、预估工单数或维护人员的平均工单量等，并将这些参数设为可编辑状态，用户可以基于实际情况对这些参数进行调整，处理设备可以获取用户调整后的参数并将其代入前述方法中计算对应的维护人员的目标数量，这样可以进一步提高预测的准确性。
应当注意的是，上述有关界面600的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对界面600进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。
本申请实施例可能带来的有益效果包括但不限于：根据历史数据比较准确的预测维护人员需要维护的工单量，人员工单量，以及所需维护人员的数量。相对传统的依靠人为经验安排维护人员的数量，本发明可以优化人力成本，提高排班效率。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (20)
1.一种车辆维护人员数量预估方法，其特征在于，所述方法包括：
获取第一时间段内与目标区域相关的预估订单数；所述预估订单数为用车订单数预估值；基于所述预估订单数，确定所述第一时间段内与所述目标区域相关的预估工单数；所述预估工单数为待维护的车辆数量预估值；
获取维护人员的人员工单数；
基于所述预估工单数，以及所述维护人员的人员工单数，确定所述第一时间段内与所述目标区域相关的维护人员的目标数量。
2.根据权利要求1所述的方法，其特征在于，所述获取第一时间段内与目标区域相关的预估订单数包括：
至少基于第一时间段以及目标区域，利用机器学习模型获取所述第一时间段内与所述目标区域相关的所述预估订单数；所述机器学习模型包括时间序列模型。
3.根据权利要求2所述的方法，其特征在于，所述机器学习模型通过以下步骤获取：
获取初始机器学习模型，
获取各区域内的历史订单数以及相关特征，
将所述相关特征作为输入数据，将对应的历史订单数作为参考标准训练所述初始机器学习模型，获取所述机器学习模型。
4.根据权利要求3所述的方法，其特征在于，所述相关特征包括以下中的至少一种：区域的标识、与历史订单数相关的时间信息以及与所述时间信息相关的背景特征。
5.根据权利要求4所述的方法，其特征在于，所述与历史订单数相关的时间信息包括以下中的至少一种：历史订单数对应的时刻区间，历史订单数对应的日期区间以及历史订单数对应的星期信息；
所述与所述时间信息相关的背景特征包括与所述时间信息对应的：天气、节假日属性、平台相关的车辆数量、交通状况、区域内大型活动、其他区域的大型活动、用车优惠、政策中的至少一个。
6.根据权利要求1所述的方法，其特征在于，所述基于所述预估订单数，确定所述第一时间段内与所述目标区域相关的预估工单数包括：
获取所述预估订单数的转化因子；
基于所述预估订单数和所述转化因子，确定所述第一时间段内与所述目标区域相关的预估工单数。
7.根据权利要求6所述的方法，其特征在于，所述转化因子与第一历史时间段内的历史订单数和历史工单数相关。
8.根据权利要求1所述的方法，其特征在于，所述获取维护人员的人员工单数包括：获取第二历史时间段内与所述目标区域相关的历史工单数；
获取第二历史时间段内与所述目标区域相关的所述维护人员的历史数量；
基于所述第二历史时间段内与所述目标区域相关的历史工单数和所述维护人员的所述历史数量，获取所述维护人员的人员工单数。
9.根据权利要求1所述的方法，其特征在于，所述维护人员的人员工单数包括第二历史时间段内维护人员的平均工单数或第二历史时间段内维护人员的最高工单数。
10.一种车辆维护人员数量预估系统，其特征在于，所述系统包括：
订单数预估模块，用于获取第一时间段内与目标区域相关的预估订单数；所述预估订单数为用车订单数预估值；
工单数预估模块，用于基于所述预估订单数，确定所述第一时间段内与所述目标区域相关的预估工单数；所述预估工单数为待维护的车辆数量预估值；
维护人员工单数获取模块，用于获取维护人员的人员工单数；
维护人员目标数量确定模块，用于基于所述预估工单数，以及所述维护人员的人员工单数，确定所述第一时间段内与所述目标区域相关的维护人员的目标数量。
11.根据权利要求10所述的系统，其特征在于，所述订单数预估模块进一步用于：
至少基于第一时间段以及目标区域，利用机器学习模型获取所述第一时间段内与所述目标区域相关的所述预估订单数；所述机器学习模型包括时间序列模型。
12.根据权利要求11所述的系统，其特征在于，进一步包括训练模块，所述训练模块用于：
获取初始机器学习模型，
获取各区域内的历史订单数以及相关特征，
将所述相关特征作为输入数据，将对应的历史订单数作为参考标准训练所述初始机器学习模型，获取所述机器学习模型。
13.根据权利要求12所述的系统，其特征在于，所述相关特征包括以下中的至少一种：区域的标识、与历史订单数相关的时间信息以及与所述时间信息相关的背景特征。
14.根据权利要求13所述的系统，其特征在于，所述与历史订单数相关的时间信息包括以下中的至少一种：历史订单数对应的时刻区间，历史订单数对应的日期区间以及历史订单数对应的星期信息；
所述与所述时间信息相关的背景特征包括与所述时间信息对应的：天气、节假日属性、平台相关的车辆数量、交通状况、区域内大型活动、其他区域的大型活动、用车优惠、政策中的至少一个。
15.根据权利要求10所述的系统，其特征在于，所述工单数预估模块进一步用于：获取所述预估订单数的转化因子；
基于所述预估订单数和所述转化因子，确定所述第一时间段内与所述目标区域相关的预估工单数。
16.根据权利要求15所述的系统，其特征在于，所述转化因子与第一历史时间段内的历史订单数和历史工单数相关。
17.根据权利要求10所述的系统，其特征在于，所述维护人员工单数获取模块进一步用于：
获取第二历史时间段内与所述目标区域相关的历史工单数；
获取第二历史时间段内与所述目标区域相关的所述维护人员的历史数量；
基于所述第二历史时间段内与所述目标区域相关的历史工单数和所述维护人员的所述历史数量，获取所述维护人员的人员工单数。
18.根据权利要求10所述的系统，其特征在于，所述维护人员的人员工单数包括第二历史时间段内维护人员的平均工单数或第二历史时间段内维护人员的最高工单数。
19.一种车辆维护人员数量预估装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，其特征在于，所述指令被所述处理器执行时，导致所述装置实现如权利要求1至9中任一项所述车辆维护人员数量预估方法对应的操作。
20.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行如权利要求1至9中任意一项所述车辆维护人员数量预估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910961821.4A CN111882097B (zh) | 2019-10-11 | 2019-10-11 | 一种车辆维护人员调度方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910961821.4A CN111882097B (zh) | 2019-10-11 | 2019-10-11 | 一种车辆维护人员调度方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111882097A true CN111882097A (zh) | 2020-11-03 |
| CN111882097B CN111882097B (zh) | 2024-07-23 |
Family
ID=73154289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910961821.4A Active CN111882097B (zh) | 2019-10-11 | 2019-10-11 | 一种车辆维护人员调度方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882097B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113505203A (zh) * | 2021-09-08 | 2021-10-15 | 广东电网有限责任公司中山供电局 | 一种电力营销业务监控方法及系统 |
| CN116258346A (zh) * | 2023-03-21 | 2023-06-13 | 广东省智能家电研究院 | 家电维修区域人员调配方法、装置、电子设备及存储介质 |
| CN117032745A (zh) * | 2023-07-19 | 2023-11-10 | 零束科技有限公司 | 一种基于ota的车辆软件升级方法、装置及相关设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07134648A (ja) * | 1993-11-10 | 1995-05-23 | Hitachi Ltd | ソフトウェア保守作業工数自動見積システム |
| CA2641164A1 (en) * | 2007-10-16 | 2009-04-16 | John Vujicic | System and method for scheduling work orders |
| US20120185299A1 (en) * | 2009-09-15 | 2012-07-19 | Ntt Docomo, Inc. | Household member number distribution estimation apparatus and household member number distribution estimation method |
| WO2016170785A1 (ja) * | 2015-04-21 | 2016-10-27 | パナソニックＩｐマネジメント株式会社 | 情報処理システム、情報処理方法、およびプログラム |
| CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
| CN107563649A (zh) * | 2017-09-05 | 2018-01-09 | 盐城工学院 | 一种数据处理方法及设备 |
| CN109242285A (zh) * | 2018-08-24 | 2019-01-18 | 北京轻享科技有限公司 | 一种运维工单的派单方法、装置及设备 |
| CN109426885A (zh) * | 2017-08-28 | 2019-03-05 | 北京小度信息科技有限公司 | 订单分配方法和装置 |
| CN109558970A (zh) * | 2018-11-08 | 2019-04-02 | 深圳春沐源控股有限公司 | 用工方法、系统及计算机可读存储介质 |
| CN109800936A (zh) * | 2017-11-16 | 2019-05-24 | 财团法人工业技术研究院 | 基于树状搜寻的调度方法与使用该方法的电子装置 |
-
2019
- 2019-10-11 CN CN201910961821.4A patent/CN111882097B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07134648A (ja) * | 1993-11-10 | 1995-05-23 | Hitachi Ltd | ソフトウェア保守作業工数自動見積システム |
| CA2641164A1 (en) * | 2007-10-16 | 2009-04-16 | John Vujicic | System and method for scheduling work orders |
| US20120185299A1 (en) * | 2009-09-15 | 2012-07-19 | Ntt Docomo, Inc. | Household member number distribution estimation apparatus and household member number distribution estimation method |
| WO2016170785A1 (ja) * | 2015-04-21 | 2016-10-27 | パナソニックＩｐマネジメント株式会社 | 情報処理システム、情報処理方法、およびプログラム |
| CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
| CN109426885A (zh) * | 2017-08-28 | 2019-03-05 | 北京小度信息科技有限公司 | 订单分配方法和装置 |
| CN107563649A (zh) * | 2017-09-05 | 2018-01-09 | 盐城工学院 | 一种数据处理方法及设备 |
| CN109800936A (zh) * | 2017-11-16 | 2019-05-24 | 财团法人工业技术研究院 | 基于树状搜寻的调度方法与使用该方法的电子装置 |
| CN109242285A (zh) * | 2018-08-24 | 2019-01-18 | 北京轻享科技有限公司 | 一种运维工单的派单方法、装置及设备 |
| CN109558970A (zh) * | 2018-11-08 | 2019-04-02 | 深圳春沐源控股有限公司 | 用工方法、系统及计算机可读存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113505203A (zh) * | 2021-09-08 | 2021-10-15 | 广东电网有限责任公司中山供电局 | 一种电力营销业务监控方法及系统 |
| CN116258346A (zh) * | 2023-03-21 | 2023-06-13 | 广东省智能家电研究院 | 家电维修区域人员调配方法、装置、电子设备及存储介质 |
| CN116258346B (zh) * | 2023-03-21 | 2024-04-05 | 广东省智能家电研究院 | 家电维修区域人员调配方法、装置、电子设备及存储介质 |
| CN117032745A (zh) * | 2023-07-19 | 2023-11-10 | 零束科技有限公司 | 一种基于ota的车辆软件升级方法、装置及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111882097B (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111882097A (zh) | 一种车辆维护人员调度方法和系统 | |
| Sun et al. | Timetable optimization for single bus line based on hybrid vehicle size model | |
| CN105575108B (zh) | 一种智能公交调度运营方法 | |
| CN111062629B (zh) | 车辆调度方法、装置、计算机设备和存储介质 | |
| CN111832869B (zh) | 一种车辆调度方法、装置、电子设备及存储介质 | |
| CN113935181B (zh) | 一种基于匹配客流的列车模拟运行优化系统构建方法 | |
| CN111815095B (zh) | 共享汽车调度方法、电子设备及存储介质 | |
| CN110444008B (zh) | 一种车辆调度方法及装置 | |
| CN112348368A (zh) | 航空地勤自动排班与智能调度系统 | |
| CN111160686A (zh) | 一种行车计划生成方法及装置 | |
| CN111160720A (zh) | 一种公交调度事件自动处置方法及装置 | |
| CN111882156A (zh) | 面向随机动态客流和节能运行的列车时刻表鲁棒优化方法 | |
| CN110033177A (zh) | 基于gps大数据的出租车高效益智能集体调度算法 | |
| CN111476382A (zh) | 动车组检修的处理方法及装置 | |
| Sánchez-Martínez et al. | Optimal allocation of vehicles to bus routes using automatically collected data and simulation modelling | |
| CN113033928B (zh) | 一种基于深度强化学习的公交排班模型的设计方法、装置及系统 | |
| CN116805193A (zh) | 联网电动汽车的调度方法和系统、电子设备及存储介质 | |
| US20220163336A1 (en) | Rideshare system implementing peak-shaving for fleet vehicle operators | |
| CN107464059A (zh) | 一种基于历史信息的公交公司自动化排班控制方法 | |
| CN117371611A (zh) | 一种地铁列车运营计划编制方法、介质及系统 | |
| CN113393029B (zh) | 一种轨交客流量的预测方法和设备 | |
| CN115762131A (zh) | 一种应用于公共交通的智能行车计划编制方法及系统 | |
| Liu et al. | Research in public transport vehicle scheduling | |
| CN112598262B (zh) | 油气井维修任务调度处理方法及装置 | |
| CN114162184A (zh) | 列车运行计划创建方法、装置、设备和存储介质 |
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 |