CN112396224B - 基于轨迹的车辆招募方法、系统、设备及可读存储介质 - Google Patents

基于轨迹的车辆招募方法、系统、设备及可读存储介质 Download PDF

Info

Publication number
CN112396224B
CN112396224B CN202011270090.8A CN202011270090A CN112396224B CN 112396224 B CN112396224 B CN 112396224B CN 202011270090 A CN202011270090 A CN 202011270090A CN 112396224 B CN112396224 B CN 112396224B
Authority
CN
China
Prior art keywords
recruitment
vehicles
recruited
vehicle
weight
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.)
Active
Application number
CN202011270090.8A
Other languages
English (en)
Other versions
CN112396224A (zh
Inventor
王鲁晗
路国庆
刘鲁宁
王刚
傅彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhiyou Open Source Communication Research Institute Beijing Co ltd
Original Assignee
Zhiyou Open Source Communication Research Institute Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhiyou Open Source Communication Research Institute Beijing Co ltd filed Critical Zhiyou Open Source Communication Research Institute Beijing Co ltd
Priority to CN202011270090.8A priority Critical patent/CN112396224B/zh
Publication of CN112396224A publication Critical patent/CN112396224A/zh
Application granted granted Critical
Publication of CN112396224B publication Critical patent/CN112396224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • G06Q10/06315—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
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例公开了一种基于轨迹的车辆招募方法、系统、设备及可读存储介质。所述方法包括：获取区域集合中子区域在感知周期内每个时隙内的招募需求；以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；将所述招募权重作为依据进行车辆招募，得到最终招募车辆。该技术方案能够实现区域集合内成本最小的前提下，差异化感知子区域的招募需求，为子区域每个时隙招募到满足招募任务的车辆数量，通过招募权重来衡量招募车辆的有效性，放宽了对招募结果(确定招募该车辆或者拒绝招募该车辆)的过紧约束，增加了可被招募的车辆数量，从而能够更好地完成招募任务。

Description

基于轨迹的车辆招募方法、系统、设备及可读存储介质
技术领域
本公开涉及移动感知技术领域，具体涉及一种基于轨迹的车辆招募方法、系统、设备及可读存储介质。
背景技术
随着传感器技术、通信技术和移动计算技术的不断发展，人们提出了一种新型的传感范式：移动人群感知。移动人群感知(MCS)是指具有一定数目的带有移动设备(智能手机、平板电脑和具有感知系统的车辆)人群，使用移动设备进行大规模传感数据收集的工作，并最终由移动人群感知中心汇集数据并最终合成数据提供服务的感知与计算模式。
然而，手持移动设备往往受到传感范围以及能量的限制，无法大范围的进行数据感知收集工作而无法广泛推广。现在，内置移动通信模块的智能车辆体现出巨大的通信潜力。同时，车辆通常配备了更加丰富的传感模块，以及计算模块，在智能交通，地图更新，信息传播等领域，车辆作为移动人群感知招募过程中的参与者均体现出了巨大优势，进而成为了移动人群感知范式中最有前景的解决方案之一。
虽然，车辆作为MCS主流的解决方案之一，具有较好的应用潜力，但是，移动人群感知系统中的数据质量依然与系统中招募到的参与者有着高度关联。与此同时，基于车辆进行移动人群感知的参与者招募算法需要面临新的机遇和挑战。现有技术中，以招募成本作为约束，招募范围最大化作为目标的车辆招募方案能够在有限的招募成本下，不断探寻最大的覆盖范围，然而这种方案对于覆盖区域的约束不足，难以实现目标式(Goal-Oriented)的覆盖方案；其次，以招募成本为约束，最大化招募范围的方案没有办法实现差异化区域感知需求，对参与者友好，但是对移动感知平台不友好。
发明内容
为了解决相关技术中的问题，本公开实施例提供一种基于轨迹的车辆招募方法、系统、设备及可读存储介质。
第一方面，本公开实施例中提供了一种基于轨迹的车辆招募方法。
具体地，所述基于轨迹的车辆招募方法，包括：
获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量；
以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；
将所述招募权重作为依据进行车辆招募，得到最终招募车辆。
结合第一方面，本公开在第一方面的第一种实现方式中，所述以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件的确定方式为：
基于参与招募的车辆的确定性轨迹标记，将参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件；其中，所述确定性轨迹标记用于确定车辆在时隙内是否经过子区域。
结合第一方面，本公开在第一方面的第二种实现方式中，所述将所述招募权重作为依据进行车辆招募，得到最终招募车辆，包括：
确定是否遍历区域集合中所有区域以及所有时隙进行车辆招募，若否，则确定每个区域在每个时隙的剩余招募车辆的数量以及候选招募车辆；其中，所述候选招募车辆为能够被招募、且未被招募的车辆；
按照所述招募权重对所述候选招募车辆进行排序；
根据排序结果以及所述剩余招募车辆的数量进行车辆招募，得到最终招募车辆。
结合第一方面，结合第一方面的第一种实现方式，结合第一方面的第二种实现方式，本公开在第一方面的第三种实现方式中，所述方法还包括：
向最终招募车辆发送招募任务，并在接收到反馈的任务数据后进行支付。
结合第一方面，结合第一方面的第一种实现方式，结合第一方面的第二种实现方式，本公开在第一方面的第四种实现方式中，所述招募任务为数据收集、车辆租赁、打车服务以及交通规划中的至少一种。
第二方面，本公开实施例中提供了一种基于轨迹的车辆招募装置。
具体地，所述基于轨迹的车辆招募装置，包括：
获取模块，被配置为获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量；
确定模块，被配置为以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；
招募模块，被配置为将所述招募权重作为依据进行车辆招募，得到最终招募车辆。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面至第一方面的第四种实现方式中任一项所述的方法。
第四方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面至第一方面的第四种实现方式中任一项所述的方法。
根据本公开实施例提供的技术方案，首先获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量；然后以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；最后将所述招募权重作为依据进行车辆招募，得到最终招募车辆。该技术方案以满足子区域内每个时隙的招募需求作为约束条件，求解最小化招募成本的目标方程，能够实现区域集合内成本最小的前提下，差异化感知子区域的招募需求，为子区域每个时隙招募到满足招募任务的车辆数量，确定出参与招募的车辆的招募权重后，通过招募权重来衡量招募车辆的有效性，放宽了对招募结果(确定招募该车辆或者拒绝招募该车辆)的过紧约束，增加了可被招募的车辆数量，从而能够更好地完成招募任务。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开的实施例的基于轨迹的车辆招募方法的流程图；
图2示出根据本公开的实施例的基于轨迹的车辆招募方法的具体流程示意图；
图3示出根据本公开的实施例的基于轨迹的车辆招募方法的应用场景示意图；
图4示出根据本公开的实施例的基于轨迹的车辆招募装置的结构框图；
图5示出根据本公开的实施例的电子设备的结构框图；
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中，如涉及对用户信息或用户数据的获取操作或向他人展示用户信息或用户数据的操作，则所述操作均为经用户授权、确认，或由用户主动选择的操作。
现有技术中，以招募成本作为约束，招募范围最大化作为目标的车辆招募方案能够在有限的招募成本下，不断探寻最大的覆盖范围，然而这种方案对于覆盖区域的约束不足，难以实现目标式(Goal-Oriented)的覆盖方案；其次，以招募成本为约束，最大化招募范围的方案没有办法实现差异化区域感知需求，对参与者友好，但是对移动感知平台不友好。
根据本公开实施例提供的技术方案，首先获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量；然后以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；最后将所述招募权重作为依据进行车辆招募，得到最终招募车辆。该技术方案以满足子区域内每个时隙的招募需求作为约束条件，求解最小化招募成本的目标方程，能够实现区域集合内成本最小的前提下，差异化感知子区域的招募需求，为子区域每个时隙招募到满足招募任务的车辆数量，确定出参与招募的车辆的招募权重后，通过招募权重来衡量招募车辆的有效性，放宽了对招募结果(确定招募该车辆或者拒绝招募该车辆)的过紧约束，增加了可被招募的车辆数量，从而能够更好地完成招募任务。
图1示出根据本公开的实施例的基于轨迹的车辆招募方法的流程图。如图1所示，所述基于轨迹的车辆招募方法包括以下步骤S101-S103：
在步骤S101中，获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量。
根据本公开的实施例，需要进行感知的区域集合定义为：
Figure BDA0002777389890000051
其中，Ri表示第i个子区域，1≤i≤N，N为自然数；
每个子区域都需要一定的感知周期来招募车辆，在此定义感知周期为：
Figure BDA0002777389890000052
其中，tj表示第j个时隙，1≤j≤M，M为自然数。
根据本公开的实施例，针对不同子区域在不同时隙内完成招募任务所需车辆数据的差异，将招募需求定义为di,j，其中，di,j≥0,表示子区域Ri在时隙tj至少需要di,j辆车完成招募任务。
根据本公开的实施例，所述招募任务为数据收集、车辆租赁、打车服务以及交通规划中的至少一种。其中，所述数据收集可以是地理数据或者环境数据，本公开对此不做限制。
在步骤S102中，以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重。
根据本公开的实施例，参与招募的车辆定义为：
Figure BDA0002777389890000061
其中，vk表示参与招募的第k辆车，1≤k≤L，L为自然数。每辆参与招募的汽车都希望从招募中获取到一定的激励，用rk表示第vk辆车所需要的奖励。
根据本公开的实施例，步骤S102中所述以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件的确定方式为：
基于参与招募的车辆的确定性轨迹标记，将参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件；其中，所述确定性轨迹标记用于确定车辆在时隙内是否经过子区域。
在本公开方式中，确定性轨迹标记定义为hi,j,k，其中，hi,j,k＝0or 1，表示第vk辆车在时隙tj是否经过子区域Ri，经过为1，否则为0。
根据本公开的实施例，招募成本的目标方程可以表达为：
Figure BDA0002777389890000062
其中，xk为招募标记，表明
Figure BDA0002777389890000063
中的车辆是否已经被招募，招募则为1，否则为0。V为最终招募的车辆集合，n为最终招募的车辆数量。
在本公开方式中，约束条件表示为：
Figure BDA0002777389890000064
该约束表明：对于子区域Ri的任意一个时隙tj来说，最终招募的车辆集合为V必须满足招募需求di,j。这意味着最终招募的车辆集合V在区域Ri的时隙tj中，至少要招募di,j辆车才能满足招募需求。
在此约束下，求解最小化招募成本的目标方程。即：
Figure BDA0002777389890000071
事实上，该问题已经转变为一个目标优化问题，可使用线性优化可通用求解器进行求解。然而，招募标记xk是一个过紧约束，一方面会使得方案找不到合适的解，另一方面增大了问题的求解难度。为了解决上述问题，本公开的发明人以车辆的招募权重替换招募标记xk，使得对于
Figure BDA0002777389890000075
其最终的招募标记xk转化为最终的招募权重yk，且满足下式：
0≤yk≤1
并利用放宽约束求解最小化招募成本的目标方程：
Figure BDA0002777389890000072
重新求解上述目标方程，会得到一组最终招募车辆的权重解集，将其定义为Y。其中，Y＝{y1,y2,…,yk…,yL}，该解集不可用于招募，但是招募权重yk可以作为是否招募第vk辆车的重要依据，yk在一定程度上反映了招募第vk辆车的有效程度。
具体地，招募权重的大小可以反应车辆的确定性轨迹与子区域的重合程度，比如，第vk-1辆车有三段行驶轨迹经过区域集合
Figure BDA0002777389890000073
中子区域，而第vk辆车有五段行驶轨迹经过区域集合
Figure BDA0002777389890000074
中子区域，则第vk辆车的招募权重yk大于第vk-1辆车的招募权重yk-1，表明招募第vk辆车的可能性大。招募权重的大小也可以反应车辆的确定性轨迹与子区域的距离远近，权重值越大表明车辆离子区域越近，越便于进入子区域执行招募任务。以上为示意性说明，本公开并不限制招募权重的物理含义。
在本公开方式中，通过放宽解集约束，进行一次线性方程求解来获得每辆车的招募权重，实现了以较低的计算复杂度获知每辆车在招募过程中的有效性。
在步骤S103中，将所述招募权重作为依据进行车辆招募，得到最终招募车辆。
根据本公开的实施例，步骤S103中所述将所述招募权重作为依据进行车辆招募，得到最终招募车辆，包括：
确定是否遍历区域集合中所有区域以及所有时隙进行车辆招募，若否，则确定每个区域在每个时隙的剩余招募车辆的数量以及候选招募车辆；其中，所述候选招募车辆为能够被招募、且未被招募的车辆；
按照所述招募权重对所述候选招募车辆进行排序；
根据排序结果以及所述剩余招募车辆的数量进行车辆招募，得到最终招募车辆
在本公开方式中，最终招募车辆会在遍历区域集合中所有区域以及所有时隙后招募得到，此时，子区域Ri在时隙tj下可能会招募不到足够数量的车辆，定义剩招募需求为：
Figure BDA0002777389890000081
表示子区域Ri在时隙tj下的剩余招募车辆的数量，其表达式为：
Figure BDA0002777389890000082
在本公开方式中，候选招募车辆定义为：Vi,j，表示经过子区域Ri在tj时隙能够被招募，且未被招募的车辆。
在本公开方式中，对候选招募车辆中的所有车辆在子区域Ri、tj时隙下按照招募权重yk进行排序，并按照剩余需求量
Figure BDA0002777389890000083
进行招募，得到最终招募车辆。
根据本公开的实施例，所述方法还包括：向最终招募车辆发送招募任务，并在接收到反馈的任务数据后进行支付。
本公开实施例提供的基于轨迹的车辆招募方法，以满足子区域内每个时隙的招募需求作为约束条件，求解最小化招募成本的目标方程，能够实现区域集合内成本最小的前提下，差异化感知子区域的招募需求，为子区域每个时隙招募到满足招募任务的车辆数量，确定出参与招募的车辆的招募权重后，通过招募权重来衡量招募车辆的有效性，放宽了对招募结果(确定招募该车辆或者拒绝招募该车辆)的过紧约束，增加了可被招募的车辆数量，从而能够更好地完成招募任务。
图2示出根据本公开的实施例的基于轨迹的车辆招募方法的具体流程示意图。如图2所示，基于轨迹的车辆招募方法的基本流程如下：首先放宽对招募标记xk的约束并转化为招募权重yk，然后求解基于轨迹的车辆招募方程，得到权重解集Y，之后遍历区域集合中的所有子区域Ri、感知周期
Figure BDA0002777389890000091
内所有时隙tj，如果遍历完则招募结束输出招募结果，否则对于
Figure BDA0002777389890000092
按照招募权重yk进行车辆排序，排序过程具体为：计算剩余需求量以及可招募剩余车辆集合，对可招募剩余车辆集合中的所有车辆，按照招募权重yk进行排序，最后在可招募剩余车辆集合中按照剩余需求量招募车辆。
上述技术方案通过三个步骤来完成车辆的招募过程，首先是权重转化，通过放宽解集约束，进行一次线性方程求解来获得每辆车的招募权重，该方法以较低的计算复杂度获知每辆车在招募过程中的有效性；之后使用车辆排序，将车辆在子区域的某个时隙按照招募权重进行排序，并合理计算了剩余需求量；最后根据剩余需求量对已排序车辆进行招募，实现了合理使用车辆的确定性轨迹来作为车辆的有效性指标，优化了招募问题求解的时间复杂度，可以满足高性能的车辆招募需求，为移动人群感知系统提供更加可靠、准确的招募建议。
图3示出根据本公开的实施例的基于轨迹的车辆招募方法的应用场景示意图。如图3所示，基于轨迹的车辆招募方法应用于移动感知平台一侧，用户将服务请求发送至移动感知平台，参与车辆向移动感知平台发送接入请求，由移动感知平台对参与车辆构成的参与者集合进行招募评估，分别确定每辆车的招募权重，在招募到车辆后进行任务分发，由参与车辆收集感知数据，比如环境数据和地理数据，然后通过网络(比如4G、5G或者无线wifi)上传感知数据至移动感知平台，由移动感知平台向参与车辆进行支付，并向用户进行服务响应。
图4示出根据本公开的实施例的基于轨迹的车辆招募装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图4所示，所述基于轨迹的车辆招募装置400包括获取模块410、确定模块420和招募模块430。
所述获取模块410被配置为获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量；
所述确定模块420被配置为以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；
所述招募模块430被配置为将所述招募权重作为依据进行车辆招募，得到最终招募车辆。
根据本公开实施例提供的技术方案，以满足子区域内每个时隙的招募需求作为约束条件，求解最小化招募成本的目标方程，能够实现区域集合内成本最小的前提下，差异化感知子区域的招募需求，为子区域每个时隙招募到满足招募任务的车辆数量，确定出参与招募的车辆的招募权重后，通过招募权重来衡量招募车辆的有效性，放宽了对招募结果(确定招募该车辆或者拒绝招募该车辆)的过紧约束，增加了可被招募的车辆数量，从而能够更好地完成招募任务。
本公开还公开了一种电子设备，图5示出根据本公开的实施例的电子设备的结构框图。
如图5所示，所述电子设备500包括存储器501和处理器502，其中，存储器501用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器502执行以实现根据本公开的实施例的方法：
获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量；
以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；
将所述招募权重作为依据进行车辆招募，得到最终招募车辆。
根据本公开的实施例，以满足子区域内每个时隙的招募需求作为约束条件，求解最小化招募成本的目标方程，能够实现区域集合内成本最小的前提下，差异化感知子区域的招募需求，为子区域每个时隙招募到满足招募任务的车辆数量，确定出参与招募的车辆的招募权重后，通过招募权重来衡量招募车辆的有效性，放宽了对招募结果(确定招募该车辆或者拒绝招募该车辆)的过紧约束，增加了可被招募的车辆数量，从而能够更好地完成招募任务。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图6所示，计算机系统600包括处理单元601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行上述实施例中的各种方法。在RAM 603中，还存储有系统600操作所需的各种程序和数据。处理单元601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信过程。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。其中，所述处理单元601可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种基于轨迹的车辆招募方法，其特征在于，包括：
获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量；
以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；
将所述招募权重作为依据进行车辆招募，得到最终招募车辆；
其中，所述将所述招募权重作为依据进行车辆招募，得到最终招募车辆，包括：
确定是否遍历区域集合中所有区域以及所有时隙进行车辆招募，若否，则确定每个区域在每个时隙的剩余招募车辆的数量以及候选招募车辆；其中，所述候选招募车辆为能够被招募、且未被招募的车辆；
按照所述招募权重对所述候选招募车辆进行排序；
根据排序结果以及所述剩余招募车辆的数量进行车辆招募，得到最终招募车辆。
2.根据权利要求1所述的基于轨迹的车辆招募方法，其特征在于，所述以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件的确定方式为：
基于参与招募的车辆的确定性轨迹标记，将参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件；其中，所述确定性轨迹标记用于确定车辆在时隙内是否经过子区域。
3.根据权利要求1-2任一项所述的基于轨迹的车辆招募方法，其特征在于，还包括：
向最终招募车辆发送招募任务，并在接收到反馈的任务数据后进行支付。
4.根据权利要求1-2任一项所述的基于轨迹的车辆招募方法，其特征在于，所述招募任务为数据收集、车辆租赁、打车服务以及交通规划中的至少一种。
5.一种基于轨迹的车辆招募装置，其特征在于，包括：
获取模块，被配置为获取区域集合中子区域在感知周期内每个时隙内的招募需求；其中，所述招募需求为完成招募任务需要招募的车辆数量；
确定模块，被配置为以参与招募的车辆能够被招募的数量大于等于所述招募需求作为约束条件，求解最小化招募成本的目标方程，确定车辆的招募权重；
招募模块，被配置为将所述招募权重作为依据进行车辆招募，得到最终招募车辆；
其中，所述招募模块将所述招募权重作为依据进行车辆招募，得到最终招募车辆部分，被配置为：
确定是否遍历区域集合中所有区域以及所有时隙进行车辆招募，若否，则确定每个区域在每个时隙的剩余招募车辆的数量以及候选招募车辆；其中，所述候选招募车辆为能够被招募、且未被招募的车辆；
按照所述招募权重对所述候选招募车辆进行排序；
根据排序结果以及所述剩余招募车辆的数量进行车辆招募，得到最终招募车辆。
6.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-4任一项所述的方法步骤。
7.一种可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-4任一项所述的方法步骤。
CN202011270090.8A 2020-11-13 2020-11-13 基于轨迹的车辆招募方法、系统、设备及可读存储介质 Active CN112396224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011270090.8A CN112396224B (zh) 2020-11-13 2020-11-13 基于轨迹的车辆招募方法、系统、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011270090.8A CN112396224B (zh) 2020-11-13 2020-11-13 基于轨迹的车辆招募方法、系统、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112396224A CN112396224A (zh) 2021-02-23
CN112396224B true CN112396224B (zh) 2021-07-13

Family

ID=74600279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011270090.8A Active CN112396224B (zh) 2020-11-13 2020-11-13 基于轨迹的车辆招募方法、系统、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112396224B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339655B (zh) * 2022-03-14 2022-05-24 中国人民解放军国防科技大学 人车协同参与的稀疏移动群智感知方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101958046B (zh) * 2010-09-26 2015-04-15 隋亚刚 一种车辆轨迹识别系统及车辆轨迹识别的方法
US20130179222A1 (en) * 2011-12-26 2013-07-11 Luth Research, Llc On-line behavior research method using client/customer survey/respondent groups
CN104850935B (zh) * 2015-04-15 2018-08-24 南京邮电大学 一种以最小化支付为目标的移动群智感知激励方法
CN208420389U (zh) * 2018-06-27 2019-01-22 中车眉山车辆有限公司 一种铁路货运棚车叉车载荷试验装置
CN110736478B (zh) * 2018-07-20 2021-05-11 华北电力大学 一种无人机辅助移动云感知的路径规划与任务分配方案
CN110348696B (zh) * 2019-06-19 2022-12-16 武汉科技大学 群智感知中确定和非确定轨迹下的车辆任务分配方法
CN110493182B (zh) * 2019-07-05 2020-05-19 北京邮电大学 基于区块链位置隐私保护的群智感知工人选择机制及系统
CN110570658B (zh) * 2019-10-23 2022-02-01 江苏智通交通科技有限公司 基于层次聚类的路口异常车辆轨迹识别分析方法
CN110852530B (zh) * 2019-11-22 2022-06-21 浙江工业大学 一种多车场多车型的车辆路径规划方法
CN111049892B (zh) * 2019-12-06 2022-04-22 腾讯科技（深圳）有限公司 一种感知终端的数据处理方法及装置
CN111178736B (zh) * 2019-12-24 2023-09-05 汉海信息技术(上海)有限公司 车辆投放方法和服务器
CN111915057B (zh) * 2020-06-28 2022-05-17 厦门大学 一种基于深度学习和群智感知的单车需求预测与调度方法
CN111806459B (zh) * 2020-06-30 2021-07-30 三一专用汽车有限责任公司 车辆轨迹预测方法、装置和车辆
CN111814079B (zh) * 2020-07-03 2022-05-13 福州大学 结合聚类与cmab的群智感知车联网用户筛选方法

Also Published As

Publication number Publication date
CN112396224A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
Cao et al. Impacts of the urban parking system on cruising traffic and policy development: the case of Zurich downtown area, Switzerland
US11263906B2 (en) Automotive vehicle parking systems, methods, and apparatus
CN109478364B (zh) 确定预计到达时间的方法及系统
JP6821447B2 (ja) 公共交通機関システムにおけるユーザ旅行嗜好の平滑化動的モデリング
Asghari et al. An on-line truthful and individually rational pricing mechanism for ride-sharing
Gillen Parking policy, parking location decisions and the distribution of congestion
TW201741993A (zh) 確定運輸服務路線之系統及方法
Saeed Road infrastructure readiness for autonomous vehicles
Bernardin Jr et al. Scenario modeling of autonomous vehicles with trip-based models
CN112396224B (zh) 基于轨迹的车辆招募方法、系统、设备及可读存储介质
CN115629885B (zh) 群智感知中基于局部预算共享的多源任务分配方法及系统
Bi et al. How built environment impacts online car-hailing ridership
Chen et al. The impact of rainfall on the temporal and spatial distribution of taxi passengers
Kong et al. TBI2Flow: Travel behavioral inertia based long-term taxi passenger flow prediction
Gao et al. Smartphone-based parking guidance algorithm and implementation
Mehadil Orvin et al. Modeling destination choice behavior of the dockless bike sharing service users
Errousso et al. Dynamic parking space allocation at urban scale: Problem formulation and resolution
Ayala et al. Spatio-temporal matching for urban transportation applications
Liu et al. Spatiotemporal deep-learning networks for shared-parking demand prediction
Westrom et al. Multimodal trip generation model to assess travel impacts of urban developments in the District of Columbia
US10791418B2 (en) Method and system for modeling user and location
Zuo et al. Incorporating low-stress bicycling connectivity into expanded transit service coverage
Zmud et al. Research to examine behavioral responses to automated vehicles
Dai Ridesharing recommendation: Whether and where should i wait?
Ronald et al. Mobility patterns in shared, autonomous, and connected urban transport

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