CN111915209A - 共享交通工具的调度方法、装置、计算机设备和存储介质 - Google Patents
共享交通工具的调度方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111915209A CN111915209A CN202010800810.0A CN202010800810A CN111915209A CN 111915209 A CN111915209 A CN 111915209A CN 202010800810 A CN202010800810 A CN 202010800810A CN 111915209 A CN111915209 A CN 111915209A
- Authority
- CN
- China
- Prior art keywords
- vehicles
- predicted
- total number
- time node
- maximum
- 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 39
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000009825 accumulation Methods 0.000 abstract description 18
- 238000012423 maintenance Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered 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
- G06Q10/06—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种共享交通工具的调度方法、装置、计算机设备和存储介质,方法包括:利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数;获取目标站点的最大容量;确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数;基于最小预测车辆总数、最大预测车辆总数和最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。本发明基于预测的结果确定出的车辆调出数量,能过提前预警和调度任务派发,避免在发生堆积情况后再分配调度任务和分派工作人员进行调度,提高了工作人员的工作效率和调度的及时性。
Description
技术领域
本发明涉及共享经济技术领域,尤其涉及一种共享交通工具的调度方法、装置、计算机设备和存储介质。
背景技术
在共享经济技术领域,例如共享单车或共享助力车等共享出行领域,为了给用户提供便捷的服务,用户可以在共享服务提供商限定的运营范围内,在任意起点取车,任意终点还车,极大地方便了用户的出行。但是,用户的骑行目的地不可控,部分时段有些站点会存在车辆的持续流入,导致堆积的发生。尤其早晚高晚高峰时段,车辆在地铁站门口、公交站附近、办公区附近或者小区门口可能发生堆积。车辆的堆积一方面降低了车辆的流转效率,更重要的是很可能阻碍交通,影响其他人的正常出行,影响市容市貌。故而,堆积治理是共享单车、共享助力车一个重要挑战和必要工作。当前的堆积治理的主要策略是预先设置每个站点的容量,当车辆数量接近容量上限的时候触发调度任务,指派运维人员将车辆调出该站点。但是,一方面,堆积发生时刻相对集中,如早高峰很多站点同时发生堆积,对运维人力的数量是一个极大的挑战且堆积的发生情况具有一定的随机性,当堆积发生时在分配运维的工作,难以实现人效的最大化,并且及时性较差,已经发生堆积再去处理,已经对交通造成了恶劣影响。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决现有技术中堆积调度的人效低并且及时性差的技术问题。
为实现上述目的,本发明提供了一种共享交通工具的调度方法,包括:利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数;获取所述目标站点的最大容量;确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数;基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。
在本发明的较佳实施方式中,所述基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量,包括:判断所述最大预测车辆总数与所述最小预测车辆总数的差是否大于所述最大容量;当所述差小于等于所述最大容量时,从大于所述最大预测车辆总数与所述最大容量的差的数值范围内确定出所述车辆调出数量。
在本发明的较佳实施方式中,所述车辆调出数量为所述最小预测车辆总数,所述调度任务的执行时间为所述当前时刻到预测车辆总数最小的时间节点之间。
在本发明的较佳实施方式中,当所述差大于所述最大容量时,在所述预测车辆总数最小的时间节点和预测车辆总数最大的时间节点之间,确定一个基准时间节点,所述基准时间节点的预测车辆总数大于所述最大预测车辆总数与所述最大容量的差,并且所述基准时间节点之后的时间节点对应的预测车辆总数随时间递增;从大于等于所述最大预测车辆总数与所述最大容量的差的数值范围内确定出所述车辆调出数量。
在本发明的较佳实施方式中,所述车辆调出数量为所述基准时间节点的预测车辆总数,所述调度任务的执行时间为所述基准时间节点与所述基准时间节点下一个时间节点之间。
在本发明的较佳实施方式中,所述当所述差大于所述最大容量时,在所述预测车辆总数最小的时间节点和预测车辆总数最大的时间节点之间,确定一个基准时间节点,包括:从所述预测车辆总数最小的时间节点开始,将其之后的每个时间节点对应的预测车辆总数与所述最大预测车辆总数与所述最大容量的差进行比较;确定出预测车辆总数大于所述最大预测车辆总数与所述最大容量的差的时间节点集合;对所述时间节点集合中每个时间节点之后的时间节点逐个进行判断,判断其之后的时间节点对应的预测车辆总数是否随时间递增,得到基准时间节点集合;从所述基准时间节点集合中确定出所述基准时间节点。
在本发明的较佳实施方式中,所述从所述基准时间节点集合中确定出所述基准时间节点,包括:将所述基准时间节点集合中每个时间节点对应的预测车辆总数与所述最大容量进行比较,得到比较结果;从所述比较结果中选择时间最晚并且预测车辆总数小于所述最大容量的时间节点,作为所述基准时间节点。
在本发明的较佳实施方式中,在获取所述目标站点的最大容量之后,还包括:将所述各时间节点的预测车辆总数与所述最大容量进行比较;当存在目标时间节点的预测车辆总数超过所述最大容量时,设置所述调度任务的执行时间在所述当前时刻之后以及所述目标时间节点之前。
在本发明的较佳实施方式中,所述利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数,包括:获取所述当前时刻所述目标站点的实际车辆数量;基于所述当前时刻所述目标站点的实际车辆数量预测出所述目标站点每个时间节点的车辆数、停车数和订单数;将所述车辆数与所述停车数相加,并减去所述订单数,得到对应时间节点的预测车辆总数。
为实现上述目的,本发明还提供了一种共享交通工具的调度装置,包括:预测模块,用于利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数;获取模块,用于获取所述目标站点的最大容量;确定模块,用于确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数;生成模块,用于基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。
为实现上述目的,本发明还提供了一种计算机设备,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至少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,从而执行所述的共享交通工具的调度方法。
为实现上述目的,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行所述的共享交通工具的调度方法。
本发明提供的装置或方法具有以下技术效果:
1、通过采用预测模型来预测预设时间段内各时间节点的预测车辆总数,并确定出最大预测车辆总数和最小预测车辆总数,结合目标站点的最大容量,确定出车辆调出数量,并生成相应的调度任务,给工作人员提前进行车辆调度。由于是基于预测的结果确定出的车辆调出数量,能过提前预警和调度任务派发,避免在发生堆积情况后再分配调度任务和分派工作人员进行调度,提高了工作人员的工作效率和调度的及时性。
2、通过供需预测模型预测站点车辆数,预测堆积发生时刻,提前派发任务,减少运维响应时间,提高工作效率的解决方案。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的共享交通工具的调度方法一个较佳实施例的流程图;
图2是本发明的共享交通工具的调度装置一个较佳实施例的示意图;
图3为一个实施例提供的计算机设备的内部结构图。
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,遂图示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。
为了阐释的目的而描述了本发明的一些示例性实施例,需要理解的是,本发明可通过附图中没有具体示出的其他方式来实现。
本发明实施例提供了一种共享交通工具的调度方法,其中,共享交通工具可以是共享单车、共享助力车(电动车)或者共享汽车等车辆。本发明实施例的调度方法主要由后端服务器来执行,用于生成供工作人员执行的调度任务,然后分配给相应的工作人员进行车辆的调度,该调度任务中可以包括调度的站点、调出的车辆数量以及调度任务的执行时间等。工作人员在收到该调度任务之后,可以按照调度任务上的指示,在相应的执行时间去相应的站点进行车辆的调度。
如图1所述,本发明实施例的共享交通工具的调度方法包括:
步骤S101,利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数。
预测模型可以是基于历史数据利用现有的或者设计的机器学习模型进行训练和学习得到的,历史数据可以包括每个站点的历史订单数据、天气数据、时间特征,站点固有属性等维度的数据。机器学习模块可以是LR、LSTM、XGBOOST、lightgbm等模型。训练得到的预测模型可以用于预测站点在未来一段时间内的订单数和用户停车数,例如,未来24小时内,每个小时的订单数和用户停车数。该预测模型的输入可以是站点的当前时刻的时间特征、天气数据等,输出可以是每个时间节点的预测车辆总数,也即是在某个时间节点,对该站点预测得到的车辆总数。需要说明的是,本发明实施例中,具体如何训练得到的该预测模型不属于本发明的核心点,因此,本发明实施例中可以采用现有的基础模型来进行训练,只要其输出是预测车辆总数,就可以应用在本发明实施例中。在本发明实施例中给出的上述内容的基础上,本领域技术人员能够合理地应用相关知识来得到该预测模型。
本发明实施例中,预测车量总数并不一定等于目标站点在相应时间节点的实际车辆总数。预测车辆总数是指经过预测模型预测的达到的预测值,其可以是多个值进行运算得到的一个数值。在预测运行过程中,该预测车辆总数可能初始值为负数,此时,则将该值置为0,以保证与真实场景的一致性。
作为一种可选的实施方式,本发明实施例中,所述利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数,包括:获取所述当前时刻所述目标站点的实际车辆数量;基于所述当前时刻所述目标站点的实际车辆数量预测出所述目标站点每个时间节点的车辆数、停车数和订单数;将所述车辆数与所述停车数相加,并减去所述订单数,得到对应时间节点的预测车辆总数。
由于每个站点的实际车辆总数是变化的,有停车则输入车辆,有订单则输出车辆。本发明实施例中,以当前时刻的实际车辆数量为基础,依次预测之后的每个时间节点的预测车辆总数,具体地,预测每个时间节点的车辆数、停车数和订单数。其中,车辆数是指该时间节点在目标站点的车辆数量,停车数是指在上个时间节点到该时间节点之间,停在该目标站点的车辆数量;订单数是指在上个时间节点到该时间节点之间,该目标站点产生的订单数量,每个订单输出一辆,因此,车辆数与停车数之和,再减去订单数即可得到预测车辆总数。该实施例中通过预测出停车数和订单数,可以准确地计算出预测车辆总数。
由于预测模型可以预测未来预设时间段内的各时间节点的预测车辆总数,其中时间节点可以以每小时整点作为一个节点,也可以以其他方式来确定。例如,
凌晨0点获取该站点实时站内真实车辆数B0。i时~i+1时段内的订单数为Oi,用户停车数为Si,i时刻预测车辆数为Bi;预测0点~11点之间的车辆数。Bi+1=max(0,Bi+Si-Oi)(例如:0点时预测1点的车辆数为,0点的车辆数B0加上0~1点的用户停车数减去0~1点的订单数。但是,若车辆不足B0+S0-O0<0,则含义是部分订单无法满足,到1点时候车辆数为0)。
步骤S102,获取所述目标站点的最大容量。本发明实施例中所述的站点可以是具有固定最大容量的站点,可以是具有固定停车位的站点或者固定停车区域的站点,例如插桩式共享单车,每个站点具有固定的车桩数量,该车桩数量也即是该站点的最大容量;对于共享汽车而言,每个站点具有固定数量的停车位,该停车位数量也即是站点的最大容量。
作为一种可选实施方式,本发明实施例中,在获取所述目标站点的最大容量之后,还包括:将所述各时间节点的预测车辆总数与所述最大容量进行比较;当存在目标时间节点的预测车辆总数超过所述最大容量时,设置所述调度任务的执行时间在所述当前时刻之后以及所述目标时间节点之前。由于预测车辆总数已经超过最大容量,那么该时间节点时已经发生堆积,因此,在进行执行时间的选择是,可以就告判断结果进行设置。
步骤S103,确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数。
对于预设时间段内,基于上述预测模型预测到的每个时间节点的预测车辆总数,可以相互比较的方式确定出预测车辆总数最小的和最大的时间节点,并获取相应的预测车辆总数。
本发明实施例中,由于最大预测车辆总数和最小车辆总数均是经过预测模型预测得到的,因此,其值可以是大于目标站点的最大容量,也可以是小于目标站点的最大容量。通常情况下,由于目标站点设置的容量一般是根据实际应用场景设置的,随着车辆的流动性,最大预测车辆总数一般会高于最大容量,通过调度的方式来解决堆积问题,否则会造成目标站点的资源浪费。而最小预测车辆总数一般会小于最大容量,否则说明目标站点的容量设置极不合理。另一方面,由于预测模型是基于历史数据进行训练得到的,因此,在综合各种历史数据的特性下,在非特殊情况下,一般均符合上述规则。
步骤S104,基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。
在确定最大预测车辆总数和最小预测车辆总数之后,将其与目标站点的最大容量之间进行数值大小关系比较,来确定出车辆调出数量,然后生成相应的调度任务,发给相应的工作人员进行现场调度。本发明实施例中,通过基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量,可以在保证目标站点车辆充足的情况下尽可能地降低堆积。
根据本发明实施例,通过采用预测模型来预测预设时间段内各时间节点的预测车辆总数,并确定出最大预测车辆总数和最小预测车辆总数,结合目标站点的最大容量,确定出车辆调出数量,并生成相应的调度任务,给工作人员提前进行车辆调度。由于是基于预测的结果确定出的车辆调出数量,能过提前预警和调度任务派发,避免在发生堆积情况后再分配调度任务和分派工作人员进行调度,提高了工作人员的工作效率和调度的及时性。
作为一种可选的实施方式,本发明实施例中,所述基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量,包括:判断所述最大预测车辆总数与所述最小预测车辆总数的差是否大于所述最大容量;当所述差小于等于所述最大容量时,从大于所述最大预测车辆总数与所述最大容量的差的数值范围内确定出所述车辆调出数量。
本发明实施例中,将最大预测车辆总数与所述最小预测车辆总数做差,然后判断该差值与最大容量之间的大小关系,如果该差小于等于最大容量,则表明在无论是高峰期还是低峰期,最少有最小预测车辆总数的车辆是出于空闲状态,并且可以调出的车辆总数可以小于等于该最小预测车辆总数,但必须要大于所述最大预测车辆总数与所述最大容量的差,这样才能保证在高峰时目标站点不发生堆积。
当然,本发明实施例中,本发明实施例中,车辆调出数量小于等于该最小预测车辆总数,但必须要大于所述最大预测车辆总数与所述最大容量的差时,其调度任务的执行时间为当前时刻到预测车辆总数最小的时间节点之间;当车辆调出数量大于该最小预测车辆总数时,调度任务的执行时间可以设置在预测车辆总数最小的时间节点之后。
作为进一步优选的实施方式,本发明实施例中所述车辆调出数量为所述最小预测车辆总数,所述调度任务的执行时间为所述当前时刻到预测车辆总数最小的时间节点之间。这样可以在充分减少工作人员调度过程中的工作量的情况下,充分利用目标站点的容量资源。
例如:
获取0~11点之间的车辆数最大值Bmax,假设Bmax发生在10点,B10=42,则Bmax=42。
获取0点~Bmax发生时刻(例如10点)之间,车辆数最小值Bmin,假设Bmin发生在7点,B7=15。
0点可以无风险生成一个该站点调出15辆车的调出任务,执行时间为0~7点之间。因车辆数最低时刻为15辆车,若在高峰期到来之前调出15辆车,不会影响该点用户的正常骑行行为,若提前调出15辆车,则该站点的最大车辆数为42-15=27<30。且能缓解该点的堆积情况。
本发明实施例的另一方面,当所述最大预测车辆总数与所述最小预测车辆总数的差大于所述最大容量时,在所述预测车辆总数最小的时间节点和预测车辆总数最大的时间节点之间,确定一个基准时间节点,所述基准时间节点的预测车辆总数大于所述最大预测车辆总数与所述最大容量的差,并且所述基准时间节点之后的时间节点对应的预测车辆总数随时间递增;从大于等于所述最大预测车辆总数与所述最大容量的差的数值范围内确定出所述车辆调出数量。
本发明实施例中,若所述最大预测车辆总数与所述最小预测车辆总数的差大于所述最大容量,则不能按照上述方式来选择车辆调出数量。例如,对于上述给出的示例中,若Bmin发生在7点,B7=5,B8=20,B9=35,B10=47。容量M=30。则无法上述方式来确定车辆调出数量,在高峰时段到来前解决堆积,因为整体堆积是高峰期到来后逐步发生。
因此,本发明实施例中,需要在预测车辆总数最小的时间节点和预测车辆总数最大的时间节点之间,确定一个基准时间节点,该基准时间节点具有以下特性:基准时间节点的预测车辆总数大于所述最大预测车辆总数与所述最大容量的差,并且所述基准时间节点之后的时间节点对应的预测车辆总数随时间递增。在确定出该基准时间节点之后,可以进一步确定车辆调出数量,具体的,该车辆调出数量满足条件:大于等于所述最大预测车辆总数与所述最大容量的差。例如,上述示例中,基准时间节点为8点,最大预测车辆总数为B10=47,最大容量为30,那么选择调出的车辆总数应该大于17,然后从8点以后开始执行。
进一步地可选地,本发明实施例中所述车辆调出数量为所述基准时间节点的预测车辆总数,所述调度任务的执行时间为所述基准时间节点与所述基准时间节点下一个时间节点之间。也即是,选择车辆调出数量为20,在8点开始执行。
根据本发明实施例,可以在保证目标站点车辆充足供用户使用的情况下,尽快地在高峰期到来之前对目标站点进行调度,以防止其产生堆积。
作为本发明实施例的一种可选实施方式,本发明实施例中,所述当所述差大于所述最大容量时,在所述预测车辆总数最小的时间节点和预测车辆总数最大的时间节点之间,确定一个基准时间节点,包括:从所述预测车辆总数最小的时间节点开始,将其之后的每个时间节点对应的预测车辆总数与所述最大预测车辆总数与所述最大容量的差进行比较;确定出预测车辆总数大于所述最大预测车辆总数与所述最大容量的差的时间节点集合;对所述时间节点集合中每个时间节点之后的时间节点逐个进行判断,判断其之后的时间节点对应的预测车辆总数是否随时间递增,得到基准时间节点集合;从所述基准时间节点集合中确定出所述基准时间节点。
本实施例中,从预测车辆总数最小的时间节点开始,将所述最大预测车辆总数与所述最大容量的差与之后的每个时间节点的预测车辆总数进行比较,将其之后的预测车辆总数较大的时间节点组成集合,也即是说,该集合中每个预测车辆总数都可以作为车辆调出数量的判断基础,然后判断其后的时间节点是否满足预测车辆总数随时间递增的条件,如果满足,则将该对应的时间节点作为一个基准时间节点之一,再逐个判断之后,得到一个基准时间节点集合,然后从该基准时间节点中选择一个合适的基准时间节点。
进一步可选地,本发明实施例中,所述从所述基准时间节点集合中确定出所述基准时间节点,包括:将所述基准时间节点集合中每个时间节点对应的预测车辆总数与所述最大容量进行比较,得到比较结果;从所述比较结果中选择时间最晚并且预测车辆总数小于所述最大容量的时间节点,作为所述基准时间节点。
本发明实施例中,如果时间节点对应的预测车辆总数超过最大容量时,则表明应该在该时间节点之前就进行车辆调出,因此,该时间节点不能作为基准时间节点,为了保证目标站点的资源充分利用,并且防止堆积,本发明实施例中,将基准时间节点集合中的每个时间节点的预测车辆总数与最大容量进行比较,并从比较结果中选择时间最晚并且预测车辆总数小于最大容量的时间节点,作为基准时间节点。
例如上述的示例中:若Bmin发生在7点,B7=5,B8=20,B9=35,B10=47。容量M=30。则无法上述方式来确定车辆调出数量,在高峰时段到来前解决堆积,因为整体堆积是高峰期到来后逐步发生。其中,9点时其预测车辆总数大于30,已经需要进行调度了,因此,选择8点作为基准时间节点,进行车辆调度。在9点才会触发堆积调出任务,运维有响应时间通常为半小时,所以从运维收到任务到调出执行完毕可能已经10点甚至更迟。在这种情况下,系统在0点发出一个堆积调出任务,可执行时间为8点~9点,调出车辆数为20。则运维人员可以提前到达该站点,无实时响应的延迟,且在堆积情况发生前完成调出车辆的工作。且,提前拿到所有堆积调出任务,可以合理安排任务的执行顺序,提高工作效率。
本发明实施例还提供了一种共享交通工具的调度装置,该调度装置可以用于执行本发明上述实施例的共享交通工具的调度方法,如图2所述,该调度装置包括:
预测模块201,用于利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数。
预测模型可以是基于历史数据利用现有的或者设计的机器学习模型进行训练和学习得到的,历史数据可以包括每个站点的历史订单数据、天气数据、时间特征,站点固有属性等维度的数据。机器学习模块可以是LR、LSTM、XGBOOST、lightgbm等模型。训练得到的预测模型可以用于预测站点在未来一段时间内的订单数和用户停车数。
预测车量总数并不一定等于目标站点在相应时间节点的实际车辆总数。预测车辆总数是指经过预测模型预测的达到的预测值,其可以是多个值进行运算得到的一个数值。在预测运行过程中,该预测车辆总数可能初始值为负数,此时,则将该值置为0,以保证与真实场景的一致性。
获取模块202,用于获取所述目标站点的最大容量。
本发明实施例中所述的站点可以是具有固定最大容量的站点,可以是具有固定停车位的站点或者固定停车区域的站点,例如插桩式共享单车,每个站点具有固定的车桩数量,该车桩数量也即是该站点的最大容量;对于共享汽车而言,每个站点具有固定数量的停车位,该停车位数量也即是站点的最大容量。
确定模块203,用于确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数。
对于预设时间段内,基于上述预测模型预测到的每个时间节点的预测车辆总数,可以相互比较的方式确定出预测车辆总数最小的和最大的时间节点,并获取相应的预测车辆总数。
本发明实施例中,由于最大预测车辆总数和最小车辆总数均是经过预测模型预测得到的,因此,其值可以是大于目标站点的最大容量,也可以是小于目标站点的最大容量。通常情况下,由于目标站点设置的容量一般是根据实际应用场景设置的,随着车辆的流动性,最大预测车辆总数一般会高于最大容量,通过调度的方式来解决堆积问题,否则会造成目标站点的资源浪费。而最小预测车辆总数一般会小于最大容量,否则说明目标站点的容量设置极不合理。另一方面,由于预测模型是基于历史数据进行训练得到的,因此,在综合各种历史数据的特性下,在非特殊情况下,一般均符合上述规则。
生成模块204,用于基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。
在确定最大预测车辆总数和最小预测车辆总数之后,将其与目标站点的最大容量之间进行数值大小关系比较,来确定出车辆调出数量,然后生成相应的调度任务,发给相应的工作人员进行现场调度。本发明实施例中,通过基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量,可以在保证目标站点车辆充足的情况下尽可能地降低堆积。
根据本发明实施例,通过采用预测模型来预测预设时间段内各时间节点的预测车辆总数,并确定出最大预测车辆总数和最小预测车辆总数,结合目标站点的最大容量,确定出车辆调出数量,并生成相应的调度任务,给工作人员提前进行车辆调度。由于是基于预测的结果确定出的车辆调出数量,能过提前预警和调度任务派发,避免在发生堆积情况后再分配调度任务和分派工作人员进行调度,提高了工作人员的工作效率和调度的及时性。
对于调度装置其他部分的具体描述可以参见上述方法实施例,这里不再赘述。
本发明的一个实施例中,还提供了一种计算机设备,该计算机设备可以是上述实施例中的后台服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口,还可以包括显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种共享交通工具的调度方法,该计算机设备还可以包括显示屏和输入装置,其显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板等。
另一方面,则该计算机设备可以不包括显示屏和输入装置,本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,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至少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,实现以下步骤:
利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数;
获取所述目标站点的最大容量;
确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数;
基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。
在一个实施例中,提供了一种可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行:
利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数;
获取所述目标站点的最大容量;
确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数;
基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (12)
1.一种共享交通工具的调度方法,其特征在于,包括:
利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数;
获取所述目标站点的最大容量;
确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数;
基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。
2.如权利要求1所述的共享交通工具的调度方法,其特征在于,所述基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量,包括:
判断所述最大预测车辆总数与所述最小预测车辆总数的差是否大于所述最大容量;
当所述差小于等于所述最大容量时,从大于所述最大预测车辆总数与所述最大容量的差的数值范围内确定出所述车辆调出数量。
3.如权利要求2所述的共享交通工具的调度方法,其特征在于,所述车辆调出数量为所述最小预测车辆总数,所述调度任务的执行时间为所述当前时刻到预测车辆总数最小的时间节点之间。
4.如权利要求2所述的共享交通工具的调度方法,其特征在于,
当所述差大于所述最大容量时,在所述预测车辆总数最小的时间节点和预测车辆总数最大的时间节点之间,确定一个基准时间节点,所述基准时间节点的预测车辆总数大于所述最大预测车辆总数与所述最大容量的差,并且所述基准时间节点之后的时间节点对应的预测车辆总数随时间递增;
从大于等于所述最大预测车辆总数与所述最大容量的差的数值范围内确定出所述车辆调出数量。
5.如权利要求4所述的共享交通工具的调度方法,其特征在于,所述车辆调出数量为所述基准时间节点的预测车辆总数,所述调度任务的执行时间为所述基准时间节点与所述基准时间节点下一个时间节点之间。
6.如权利要求4所述的共享交通工具的调度方法,其特征在于,所述当所述差大于所述最大容量时,在所述预测车辆总数最小的时间节点和预测车辆总数最大的时间节点之间,确定一个基准时间节点,包括:
从所述预测车辆总数最小的时间节点开始,将其之后的每个时间节点对应的预测车辆总数与所述最大预测车辆总数与所述最大容量的差进行比较;
确定出预测车辆总数大于所述最大预测车辆总数与所述最大容量的差的时间节点集合;
对所述时间节点集合中每个时间节点之后的时间节点逐个进行判断,判断其之后的时间节点对应的预测车辆总数是否随时间递增,得到基准时间节点集合;
从所述基准时间节点集合中确定出所述基准时间节点。
7.如权利要求6所述的共享交通工具的调度方法,其特征在于,所述从所述基准时间节点集合中确定出所述基准时间节点,包括:
将所述基准时间节点集合中每个时间节点对应的预测车辆总数与所述最大容量进行比较,得到比较结果;
从所述比较结果中选择时间最晚并且预测车辆总数小于所述最大容量的时间节点,作为所述基准时间节点。
8.如权利要求1所述的共享交通工具的调度方法,其特征在于,在获取所述目标站点的最大容量之后,还包括:
将所述各时间节点的预测车辆总数与所述最大容量进行比较;
当存在目标时间节点的预测车辆总数超过所述最大容量时,设置所述调度任务的执行时间在所述当前时刻之后以及所述目标时间节点之前。
9.如权利要求1-8任一项所述的共享交通工具的调度方法,其特征在于,所述利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数,包括:
获取所述当前时刻所述目标站点的实际车辆数量;
基于所述当前时刻所述目标站点的实际车辆数量预测出所述目标站点每个时间节点的车辆数、停车数和订单数;
将所述车辆数与所述停车数相加,并减去所述订单数,得到对应时间节点的预测车辆总数。
10.一种共享交通工具的调度装置,其特征在于,包括:
预测模块,用于利用预先训练得到的预测模型预测目标站点在当前时刻之后预设时间段内各时间节点的预测车辆总数;
获取模块,用于获取所述目标站点的最大容量;
确定模块,用于确定预测车辆总数最小的时间节点并获取最小预测车辆总数,确定预测车辆总数最大的时间节点并获取最大预测车辆总数;
生成模块,用于基于最小预测车辆总数、最大预测车辆总数和所述最大容量之间的数值大小关系,确定出车辆调出数量并生成调度任务,以供工作人员进行车辆调度。
11.一种计算机设备,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至少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,从而执行如权利要求1-9中任一项所述的共享交通工具的调度方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行如权利要求1-9中任一项所述的共享交通工具的调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800810.0A CN111915209A (zh) | 2020-08-11 | 2020-08-11 | 共享交通工具的调度方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800810.0A CN111915209A (zh) | 2020-08-11 | 2020-08-11 | 共享交通工具的调度方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111915209A true CN111915209A (zh) | 2020-11-10 |
Family
ID=73283001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010800810.0A Pending CN111915209A (zh) | 2020-08-11 | 2020-08-11 | 共享交通工具的调度方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915209A (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 |
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 |
CN114627656A (zh) * | 2022-02-18 | 2022-06-14 | 摩拜(北京)信息技术有限公司 | 车辆调度方法和车辆调度管理设备 |
CN115860441A (zh) * | 2023-02-23 | 2023-03-28 | 北京阿帕科蓝科技有限公司 | 工单信息的生成方法、装置、计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040010338A1 (en) * | 2002-07-08 | 2004-01-15 | Honda Giken Kogyo Kabushiki Kaisha | Shared vehicle distribution instruction apparatus and vehicle reservation control apparatus |
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 |
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 |
CN108932553A (zh) * | 2017-05-25 | 2018-12-04 | 北京嘀嘀无限科技发展有限公司 | 确定交通工具需求数据的方法及装置 |
CN109242278A (zh) * | 2018-08-20 | 2019-01-18 | 北京首钢自动化信息技术有限公司 | 一种自行车入库出库调度方法及装置 |
CN110047279A (zh) * | 2019-04-04 | 2019-07-23 | 东南大学 | 一种基于订单数据确定共享单车调度量的方法 |
-
2020
- 2020-08-11 CN CN202010800810.0A patent/CN111915209A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040010338A1 (en) * | 2002-07-08 | 2004-01-15 | Honda Giken Kogyo Kabushiki Kaisha | Shared vehicle distribution instruction apparatus and vehicle reservation control apparatus |
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 |
CN108932553A (zh) * | 2017-05-25 | 2018-12-04 | 北京嘀嘀无限科技发展有限公司 | 确定交通工具需求数据的方法及装置 |
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 |
CN109242278A (zh) * | 2018-08-20 | 2019-01-18 | 北京首钢自动化信息技术有限公司 | 一种自行车入库出库调度方法及装置 |
CN110047279A (zh) * | 2019-04-04 | 2019-07-23 | 东南大学 | 一种基于订单数据确定共享单车调度量的方法 |
Cited By (5)
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 |
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 |
CN114627656A (zh) * | 2022-02-18 | 2022-06-14 | 摩拜(北京)信息技术有限公司 | 车辆调度方法和车辆调度管理设备 |
CN115860441A (zh) * | 2023-02-23 | 2023-03-28 | 北京阿帕科蓝科技有限公司 | 工单信息的生成方法、装置、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915209A (zh) | 共享交通工具的调度方法、装置、计算机设备和存储介质 | |
CN110264074B (zh) | 电动汽车共享确定方法以及电动汽车共享系统 | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN106023641B (zh) | 基于动态优化的停车位预约分配方法及系统 | |
CN108346010B (zh) | 基于用户需求分析的共享汽车调度方法 | |
Chen et al. | Managing truck arrivals with time windows to alleviate gate congestion at container terminals | |
CN111062629B (zh) | 车辆调度方法、装置、计算机设备和存储介质 | |
CN111564053B (zh) | 车辆调度方法、装置、车辆调度设备和存储介质 | |
CN110807921A (zh) | 车辆调度方法、装置、设备和存储介质 | |
CN110047279A (zh) | 一种基于订单数据确定共享单车调度量的方法 | |
CN111126740B (zh) | 共享汽车充电调度方法、电子设备及存储介质 | |
CN111210135A (zh) | 派单方法、装置、派单平台服务器和派单系统 | |
CN112488400B (zh) | 基于区块链技术与出行计划共享的交通出行行为调控方法 | |
CN105760949A (zh) | 一种电动汽车快充站充电机台数优化配置方法 | |
CN110210652A (zh) | 一种轨道交通站点客流控制方法及装置 | |
CN112016771B (zh) | 基于电动汽车需求预测的移动充电桩调度方法及系统 | |
CN110796496A (zh) | 激励区域的设置方法、装置、计算机设备和存储介质 | |
CN112550044B (zh) | 充电站负荷调整方法、系统、装置、设备和存储介质 | |
CN115130727A (zh) | 一种新能源纯电公交车夜间充电调度方法 | |
CN116853048A (zh) | 用于共享电动汽车和微电网的协同控制方法及控制系统 | |
CN111325424A (zh) | 基于改进型蚁群算法的智能调度方法和系统 | |
CN114492951A (zh) | 一种基于客流预测的资源调配方法、装置及设备 | |
CN114418349A (zh) | 公交高峰专线的评估方法、装置、设备和存储介质 | |
Wang et al. | Queueing theory-based optimal decision-making model of battery energy storage-assisted fast charging station participating in emergency demand response | |
CN111476464A (zh) | 基于网格的查勘资源调度方法、装置、设备及可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201110 |
|
RJ01 | Rejection of invention patent application after publication |