CN112927005A - 基于多目标遗传算法的用车调价方法、系统及存储介质 - Google Patents
基于多目标遗传算法的用车调价方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112927005A CN112927005A CN202110036154.6A CN202110036154A CN112927005A CN 112927005 A CN112927005 A CN 112927005A CN 202110036154 A CN202110036154 A CN 202110036154A CN 112927005 A CN112927005 A CN 112927005A
- Authority
- CN
- China
- Prior art keywords
- price
- quartile
- code
- adjusting
- codes
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 230000035772 mutation Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 65
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000013589 supplement 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于多目标遗传算法的用车调价方法、系统及存储介质,其属于互联网移动出行用车,其中方法包括:随机生成若干组针对某一出发城市组的调价编码,调价编码由与各供应商对应的调价系数组成;根据预设的适应度函数,计算调价编码的适应度信息,根据适应度信息筛选出调价编码中的非支配解,并定义为优选编码;将优先编码按照对应的适应度信息,以轮盘赌算法的方式生成父代编码;将父代编码按照预设的交叉算子和变异算子进行计算,生成子代编码,更新优选编码;判断是否满足预设的终止条件,当满足预设的终止条件时,根据最新的优选编码确定最终调价编码。本申请具有优选出平台的实际营收最大化的方案的效果。
Description
技术领域
本申请涉及互联网移动出行用车的领域,尤其是涉及一种基于多目标遗传算法的用车调价方法、系统及存储介质。
背景技术
目前,随着互联网系统的高速发展,越来越多的企业围绕网约车开展相应接送业务,给用户出行提供便利的同时也在潜移默化的影响用户出行习惯。为了更高把握拿下用户的出行订单,一些集成了多个供应商的平台往往将指派的供应商进行黑盒处理或者直接按照约定价格进行报价。由于各个供应商在同一个城市下的价格尺度不一致,指定的报价不能适用于每一个城市,这会导致用户叫车的实际体验不佳,且平台的实际营收也无法达到理想的效果。
现有的,人为根据实际营收和实际供求关系对供应商原始报价进行调整。在平台成熟,订单量较大且稳定时,适当将报价调高以获取更多的收益;在订单量较低时,适当将报价调低以吸引更多的用户。
上述中的相关技术存在以下缺陷:人工调节周期较长,人为主观因素对调价的策略存在干预,且实际收益与调价之间相关性不明显,难以获取使得平台的实际营收最大化的方案。
发明内容
为了能优选出平台的实际营收最大化的方案,本申请提供一种基于多目标遗传算法的用车调价方法、系统及存储介质。
第一方面,本申请提供一种基于多目标遗传算法的用车调价方法,采用如下的技术方案:
一种基于多目标遗传算法的用车调价方法,包括:
随机生成若干组针对某一出发城市组的调价编码,所述调价编码由与各供应商对应的调价系数组成,所述出发城市组包括若干消费水平相近的出发城市;
根据预设的适应度函数计算所述调价编码的适应度信息;
根据适应度信息筛选出所述调价编码中的非支配解,并定义为优选编码;
将所述优先编码按照对应的所述适应度信息,以轮盘赌算法的方式生成父代编码;
将所述父代编码按照预设的交叉算子和变异算子进行计算,生成子代编码,根据所述子代编码和所述父代编码合并后的非支配解,更新所述优选编码;
判断是否满足预设的终止条件,当满足预设的终止条件时,根据最新的优选编码确定最终调价编码。
通过采用上述技术方案,随机生成某一城市内的所有供应商的调价系数,生成调价编码,经过父代编码和子代编码的迭代运算,不断地对种群进行迭代更新,并且由适应度函数筛选出非支配解,最终获取适应度函数较大的调价编码。经过不断的迭代,使得各个供应商的调价系数总体向收益更大的方向移动,最终能够实现平台收益最大化。
可选的,所述随机生成若干组针对某一出发城市组的调价编码,之前包括:
获取所有城市的有效订单信息,所述有效订单信息包括出发城市、里程数和价格;
根据所述里程数和所述价格生成每公里均价,所述每公里均价与所述有效订单信息一一对应;
根据同一所述出发城市的所有每公里均价生成四分位数信息,所述四分位数信息与所述出发城市一一对应;
基于所述四分位数信息,对所述出发城市进行聚类生成出发城市组,所述出发城市组的个数是预设的,每个所述出发城市组包括若干出发城市。
通过采用上述技术方案,计算每个有效订单的每公里均价,根据计算生成的每公里均价,将所有城市进行聚类,以此使得在进行种群迭代的时候,只需对每个出发城市组进行计算,而无需针对每一个城市,减小了计算量,提高了计算效率,同时,采用出发城市组的方式,可以为订单量较少的城市补充数据。
可选的,所述基于所述四分位数信息,对所述出发城市进行聚类,生成出发城市组具体包括:
随机生成若干参考四分位数,所述参考四分位数的个数与所述出发城市组预设的个数相等;
根据所述四分位数信息,计算各所述四分位数信息与所述参考四分位数之间的加权距离;
根据所述加权距离,生成与所述参考四分位数对应的出发城市组;
获取所述出发城市组内各出发城市的四分位数信息,计算所述四分位数信息与对应的所述参考四分位数之间的加权距离;
根据所述加权距离对所述参考四分位数进行更新;
判断是否满足停止更新的条件;
若满足停止更新的条件,则根据当前所述参考四分位数生成对应的出发城市组。
通过采用上述技术方案,按照城市的不同将有效订单分类,从而根据每个有效订单的每公里均价,生成每个城市的四分位数,并将四分位数信息作为城市的特征,对所有城市进行聚类,四分位数可以有效地描述城市内的每公里均价分布情况,使得对城市的聚类更准确。
可选的,所述四分位数信息包括上四分位数、中四分位数和下四分位数;所述参考四分位数包括参考上四分位数、参考中四分位数和参考下四分位数;
所述计算所述四分位数信息与对应的所述参考四分位数之间的加权距离具体包括:
根据所述上四分位数和所述参考上四分位数生成上四分位数距离,根据所述上四分位数和所述参考上四分位数生成上四分位数距离,根据所述上四分位数和所述参考上四分位数生成上四分位数距离;
将所述上四分位数距离、下四分位数距离和下四分位数距离乘以对应的权重,相加后得到所述加权距离;所述上四分位数距离的权重最大,所述下四分位数距离的权重最小。
通过采用上述技术方案,根据历史的有效订单可得,随着里程数的增加,每公里均价越低且波动越小,因此在将四分位数信息作为每个城市的特征对城市进行聚类时,较大的四分位数设有更大的权重,使其在聚类时发挥主要作用,对城市的聚类能够更加准确。
可选的,所述适应度函数包括税后营收函数、订单总量函数、复购比率函数;
所述方法还包括;
根据预设时间内的有效订单信息和调价系数,经过函数拟合生成税后营生函数、订单总量函数和复购比率函数。
通过采用上述技术方案,适应度函数包括税后营收、订单总量和复购比率三个方面,通过这三个较好拟合的方面,从多个方面反应了平台的实际整体收益,有助于使得最终生成的调价编码更符合实际事情,更有效。
可选的,所述根据预设的适应度函数计算所述调价编码的适应度信息,具体包括:
获取各供应商的原始报价;
将所述原始报价和所述调价编码中的调价系数对应相乘得到初步报价;
获取最小的初步报价对应的调价系数;
根据所述调价系数和所述适应度函数生成适应度信息,并将所述适应度信息与当前的所述调价编码关联。
通过采用上述技术方案,在每个调价编码中选取一个调价系数来计算适应度信息,根据该调价系数计算生成的初步报价是该调价编码中最低的,与实际情况相符:当用户在同等条件下面对多个报价选择时,大概率会选择价格最低的一项,从而提高迭代结果的有效性。
可选的,所述随机生成若干组针对某一出发城市组的调价编码具体包括:
获取各运营商针对各不同车型的原始报价;
计算当前车型对应的原始报价与比所述当前车型高一级的车型对应的原始报价的比值,并所述比值定义为所述当前车型的调价系数上限,所述调价系数与所述运营商一一对应;
根据所述原始报价和当前出发城市的税制,生成所述当前车型的调价系数下限;
在与所述运营商对应的所述调价系数上限和所述调价系数下限形成的范围内,随机生成各运营商的调价系数,将不同运营商的调价系数整合生成调价编码。
通过采用上述技术方案,对随机生成的调价系数设置上限和下限,保证生成的调价系数合理,最小的调价系数能够满足税收,平台不会亏本,最大的调价系数能够保证在当前调价系数下的初步报价,不会高于更高一级的车型价格,更为合理。
第二方面,本申请提供一种基于多目标遗传算法的用车调价系统,采用如下的技术方案:
一种基于多目标遗传算法的用车调价系统,包括:
随机生成模块,用于随机生成若干组针对某一出发城市组的调价编码,所述调价编码由与各供应商对应的调价系数组成,所述出发城市组包括若干消费水平相近的出发城市;
优选生成模块,用于根据预设的适应度函数,计算所述调价编码的适应度信息;根据适应度信息筛选出所述调价编码中的非支配解,并定义为优选编码;
迭代更新模块,用于将所述优先编码按照对应的所述适应度信息,以轮盘赌算法的方式生成父代编码;将所述父代编码按照预设的交叉算子和变异算子进行计算,生成子代编码,根据所述子代编码和所述父代编码合并后的非支配解,更新所述优选编码;判断是否满足预设的终止条件,当满足预设的终止条件时,根据最新的优选编码确定最终调价编码。
通过采用上述技术方案,在某一城市内,生成针对各个供应商的调价系数,组成调价编码,根据调价编码生成父代编码和子代编码,通过适应度函数优选出非支配解,以适应度信息中的每一项最大为目标进行不断地更新,实现平台收益的最大化。
第三方面,本申请提供一种智能终端,采用如下的技术方案:
一种智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如第一方面所述方法的计算机程序。
通过采用上述技术方案,针对某一城市组,以适应度信息中的每一项最大为目标,不断对最优编码进行更新,以此生成能够使得平台收益最大的调价编码。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括存储有能够被处理器加载并执行如第一方面所述方法的计算机程序。
通过采用上述技术方案,能够通过适应度函数,对最优编码进行不断的更新,从而反馈出能实现平台收益最大化的最终调价编码。
综上所述,本申请包括以下至少一种有益技术效果:
1.以适应度函数最大化为目标,将各个供应商的调价系数进行编码,对调价编码进行迭代更新,生成最优的调价编码,从而实现平台收益的最大化;
2.通过以税后营收函数、订单总量函数和复购比率函数作为适应度函数,从而从多个方面构建了平台收益最大化的条件,有助于生成使得平台收益更大的调价系数;
3.通过每公里均价的四分位数,将各个出发城市进行聚类,按照出发城市的出行消费水平,将各个出发城市归入不同的出发城市组中,为有效订单数较少的出发城市补充数据。
附图说明
图1是本申请实施例的基于多目标遗传算法的用车调价方法的流程示意图。
图2是本申请实施例的S300随机生成多个调价编码的子步骤的流程示意图。
图3是本申请实施例的一次优选编码的更新过程的示意图。
图4是本申请实施例的用于显示供应商和页面展示价格供用户选择的界面示意图。
图5是本申请实施例的用于生成符合实际情况的出发城市组的流程示意图。
图6是本申请实施例的基于多目标遗传算法的用车调价系统的结构框图。
附图标记说明:1、城市聚类模块;2、函数拟合模块;3、编码更新模块;31、随机生成模块;32、优选生成模块;33、迭代更新模块;34、盈亏判定模块。
具体实施方式
以下结合附图1-6对本申请作进一步详细说明。
本申请实施例公开一种基于多目标遗传算法的用车调价方法。参照图1,基于多目标遗传算法的用车调价方法包括:
S100:循环获取出发城市组。
其中,所有的城市均被预先划分入“低消费”、“中消费”、“高消费”三个出发城市组,不同的出发城市组中的城市具有不同的出行消费水平。循环获取出发城市组,每获取到一个出发城市组,则跳转至S200。
S200:获取出发城市组对应的适应度函数。
其中,适应度函数是以调价系数为自变量,分别以税后营收、订单总量或复购比率为因变量的函数,包括税后营收函数、订单总量函数和复购比率函数。适应度函数与出发城市组对应,具体来说,使用某一出发城市组内所有出发城市的订单数据,通过三阶拟合或指数拟合的方式,生成与该出发城市组对应的适应度函数,即,“低消费”出发城市组对应有一个税后营收函数、一个订单总量函数和一个复购比率函数,“中消费”出发城市组和“高消费”出发城市组以此类推,均各自对应有上述的三个适应度函数。
S300:随机生成多个调价编码。
其中,每一个调价编码均由多个调价系数组成,调价系数与供应商一一对应,具体来说,结合图2,S300包括以下子步骤:
S301:获取各车型对应的原始报价。
其中,车型为不同消费级别的车辆种类,例如经济型、舒适型、豪华型等,消费级别越低的车型对应的等级也越低。具体的,获取每一个供应商在同一里程数下不同车型的原始报价,原始报价与车型一一对应,每获取到一个供应商的所有车型的原始报价,即跳转至S302。
S302:根据原始报价,生成调价系数上限。
具体的,用更高一级的车型所对应的原始报价,除以当前车型对应的原始报价,得到的商即为当前车型的调价系数上限。
S303:根据税制,生成调价系数下限。
具体的,由于根据城市税制得到使用该系统应多缴纳的税费,将税费与原始报价相加之后除以原始报价,得到调价系数下限。
S304:在调价系数上限和调价系数下限的范围内,随机生成调价系数,形成调价编码。
具体的,在相同的车型下,随机生成多个调价系数,所有的调价系数均在该供应商的调价系数上限和调价系数下限组成的区间内,将多个供应商的调价系数组合,生成该车型的多个调价编码,每个调价编码具有相同的位数,且在调价编码相同位置上的调价系数与同一个供应商对应。
例如,某一城市有两个供应商,供应商A针对舒适型车型的调价系数上限为x1,调价系数下限为x2,则随机生成多个与供应商A对应的调价系数a1、a2、a3……,且满足a1、a2、a3∈[x2,x1];供应商B针对舒适型车型的调价系数上限为x3,调价系数下限为x4,则随机生成多个与供应商B对应的调价系数b1、b2、b3……,且满足b1、b2、b3∈[x4,x3],将供应商A的调价系数与供应商B的调价系数随机组合,生成的调价编码可为(a1,b2)、(a2,b1)、(a3,b3)、……
S400:将调价编码带入对应的适应度函数,生成优选编码。
具体的,首先将某一调价编码中所有的调价系数乘以对应供应商的原始报价,生成初步报价,比较各初步报价,将最小的初步报价对应的调价系数带入S200中获取的适应度函数中,生成与该调价系数对应的适应度信息,适应度信息包括税后营收、订单总量和复购比率,将计算生成的税后营收、订单总量和复购比率与当前调价编码关联。
循环处理当前车型下所有的调价编码,保留所有调价编码中的非支配解,并将其定义为优选编码。需要解释的是,生成的优选编码,或具有最大的税后营收,或具有最大的订单总量,或具有较大的复购比率。
S500:根据轮盘赌算法和优选编码,生成父代编码。
具体的,循环处理每一个适应度信息,在每个循环中,将各个优选编码按照自身对应的适应度值进行归一化,即将每个优选编码的适应度值转化为大小在0到1之间的选择概率。与三个适应度信息对应的三次循环结束之后,循环处理每一个优选编码,将在每个循环中将该优选编码的所有选择概率相加,得到总选择概率,并且在总选择概率的基础上将所有优选编码进行归一化,生成每个优选编码对应的最终选择概率,最终根据轮盘赌算法,从优选编码中随机抽取若干次,生成父代编码。
例如,若优选编码为(a1,b1)和(a2,b2),其中,(a1,b1)的税后营收为F(a1),订单总量为G(a1),复购比率L(a1);(a2,b2) 的税后营收为F(b2),订单总量为G(b2),复购比率L(b2)。首先将两个优先编码的税后营收相加,得到总税后营收F(a1)+ F(b2),再用各税后营收除以总税后营收F(a1)+ F(b2),生成对应优选编码的选择概率:(a1,b1)的选择概率为,(a2,b2)的选择概率为,以此类推,可以得到针对订单总量,(a1,b1)的选择概率为,(a2,b2)的选择概率为;针对复购比率(a1,b1)的选择概率为,(a2,b2)的选择概率为。随后,将(a1,b1)的所有选择概率相加得到总选择概率,(a1,b1)的总选择概率为。最后将所有的优选编码的总选择概率相加,再用各优选编码的总选择概率除以总选择概率之和,生成每个优选编码对应的最终选择概率,将最终选择概率带入轮盘赌算法,按照轮盘赌算法,从优选编码中随机抽取n次,n≥1,将抽取到的优选编码定义为父代编码。
S600:根据交叉算子和变异算子,在父代编码的基础上生成子代编码。
其中,系统中预设有用于执行父代编码进行交叉计算的交叉算子,具体来说,将某一父代编码中第i个到第j个的调价系数与另一父代编码中第i个到第j个的调价系数进行交换,j≥i,从而实现数据交叉,生成中间代编码。
此外,系统中还预设有用于执行数据串进行变异的变异算子,具体来说,针对每个中间代编码随机生成一个变异标识,该变异标识为“是”和“否”两种状态中的一种,生成的变异标识为“是”的概率为预设的变异概率。当变异标识为“是”时,随机获取对应中间代编码中的某一个调价系数,获取该调价系数对应的调价系数上限(S302中生成)和调价系数下限(S303中生成),在调价系数上限和调价系数下限的范围内,随机生成一个新的调价系数,对当前调价系数进行更新,从而实现对中间代编码的变异,最终将完成变异的中间代编码定义为子代编码。
S700:将父代编码和子代编码合并,更新优选编码。
具体的,将父代编码和子代编码合并,生成临时调价编码,之后按照S400中生成优选编码的方式,根据该临时调价编码,生成新的优选编码,对原来的优先编码进行更新。此外,将预设为0的循环次数加1。
为了便于理解,图3表示出了一次优选编码的更新过程的示意图,其过程主要包括了轮盘赌算法、交叉操作、变异操作和非支配解的计算选取等处理。
S800:判断是否满足预设的终止条件。
其中,预设的终止条件为循环次数大于等于M1,M1≥0,若满足预设的终止条件,则跳转至S900;若不满足预设的终止条件,则跳转至S500。
S900:根据当前的优选编码和原始报价,生成最终调价编码。
具体的,获取原始报价对应的适应度信息,即以调价系数为1带入适应度函数中,计算生成的适应度信息,之后将该适应度信息定义为原始信息;循环获取当前多个优选编码在S400中计算得到的适应度信息,适应度信息包括税后营收、订单总量或复购比率;每获取到一个适应度信息,即将适应度信息中的税后营收与原始信息中的税后营收相减,将两者的差除以原始信息中的税后营收,得到税后营收涨幅;并且,将原始信息中的订单总量与适应度信息中的订单总量相减,将两者的差除以原始信息中的订单总量,得到订单量跌幅;判断订单量跌幅和税后营收涨幅是否在对应预设的范围内,若订单量跌幅和税后营收涨幅均在各自对应的预设范围内,则将当前优选编码定义为最终调价编码,之后再进入下一个优选编码的判断,若存在单量跌幅和税后营收涨幅不在预设范围的优选编码,则将该优选编码舍去,进行下一个优选编码的判断。
生成的最终编码缓存在系统中,随后以接口的形式提供给前端。结合图4,用户可在APP界面输入用车出发地和到达地后,系统读取用户出发地所在城市的调价系数,将各供应商的原始报价与对应的调价系数相乘得到页面展现价格,展示给用户以供用户选择。
为了将各出发城市划分入符合实际情况的出发城市组,使得S100中获取到的出发城市组更合理,结合图5,在S100循环获取出发城市组之前还包括:
S11:获取所有城市的有效订单信息。
其中,有效订单是指用户使用APP输入出发地和到达地后,自主选择供应商以及对应的页面展示价格,并完成支付后的订单,有效订单信息包括出发城市、里程数和价格。需要说明的是,出发城市为出发地所在的城市,里程数为出发地和到达地之间的路径里程。
S12:根据有效订单信息,生成每公里均价。
具体的,针对每个有效订单,用有效订单信息中的价格除以里程数,生成对应的每公里均价,将每公里均价添加到对应的有效订单信息中。
S13:根据有效订单信息,生成四分位数信息。
其中,四分位数信息包括上四分位数、中四分位数和下四分位数。以有效订单信息中的出发城市为分类标准,在具有相同出发城市的有效订单中,计算每公里均价的四分位数信息,四分位数信息描述了对应出发城市的每公里均价的分布情况。
S14:根据四分位数信息,将所有出发城市进行聚类,生成出发城市组。
具体来说,S14包括以下子步骤:
S141:随机生成三个参考四分位数信息。
其中,参考四分位数信息包括参考上四分位数、参考中四分位数和参考下四分位数,且每个参考四分位数信息关联有一个预设为空的列表,每个列表即代表一个出发城市组,每一条四分位数信息对应一个城市。
S142:计算各四分位数到参考四分位数之间的加权距离。
具体的,循环计算每个四分位数到三个参考四分位数的距离,其中,上四分位数与参考上四分位数对应,用上四分位数减去参考上四分位数后求平方得到上四分位数距离,同理,将中四分位数和参考中四分位数经过相同处理后得到中四分位数距离,将下四分位数和参考下四分位数经过相同处理后得到下四分位数距离。随后将上四分位数距离、中四分位数距离和下四分位数距离加权求和,其中,上四分位数距离的加权最大,下四分位数距离的加权最小。
例如,若某一四分位数为(c1,d1,e1),某一参考四分位数为(C1,D1,E1),上四分位数距离的加权为k1,中四分位数距离的加权为k2,下四分位数距离的加权为k3,需满足k1>k2>k3>0,则该四分位数到该参考四分位数的加权距离为,该四分位数到其余两个参考四分位数的加权距离以此类推。
S143:根据加权距离,将四分位数信息添加到对应的列表中。
具体的,针对某一四分位数,挑选该四分位数到三个参考四分位数的加权距离中最小的一个,将该四分位数添加到最小的加权距离对应的参考四分位数的列表中,并记录该加权距离,加权距离与四分位数一一对应。将所有的四分位数分配到对应的列表中后,跳转至S144。
S144:根据所述列表中的四分位数信息,更新参考四分位数信息。
具体的,针对某一列表,将该列表中的所有四分位数信息的上四分位数相加,除以该列表中四分位数信息的个数,得到平均上四分位数,以此类推,以相同的方法计算生成平均中四分数和平均下四分位,并将计算生成的平均上四分位数作为该列表对应的参考上四分位数,平均中四分数作为参考中四分位数,平均下四分位作为参考下四分位数,实现对参考四分位数的更新。此外,将预设为0的四分位数迭代次数加1。
S145:判断是否满足预设的停止更新条件。
其中,预设的停止更新条件为四分位数迭代次数大于等于迭代阈值M2,M2≥0,若不满足预设的停止更新条件,则返回S142继续进行计算;若满足预设的停止更新条件,则跳转至S146。
S146:根据列表中四分位数信息对应的城市等级,对列表进行更新。
其中,根据中国城市新分级名单,所有出发城市均具有一个城市等级标识,城市等级标记包括“一线城市”、“新一线城市”、“二线城市”、“三线城市”、“四线城市”、“五线城市”6种状态。在同一个列表中,获取所有四分位数信息对应出发城市的城市等级标识,计算该列表中出现次数最多的城市等级标识,作为该列表的标准等级标识,判断该列表中是否存在与标准等级标识相差大于等于三个等级的城市等级标识,若存在与标准等级标识相差大于等于三个等级的城市等级标识,则将搜寻与该城市等级标识最接近的标准等级标识,将对应的四分位数信息归入对应的列表中,对列表进行更新,则不存在与标准等级标识相差大于等于三个等级的城市等级标识,则进行下一个列表的判断。
将三个列表中的城市等级标识均循环完成后,根据当前三个列表,生成“低消费”、“中消费”、“高消费”三个出发城市组,以供S100调取使用。
实施原理:根据历史有效订单,将所有的城市划分为“低消费”、“中消费”、“高消费”三个出发城市组,将同一个出发城市组内的有效订单信息进行整合,生成与该出发城市组对应的适应度函数。针对同一个出发城市组,随机生成调价编码,调价编码包括与多个不同的供应商对应的调价系数,将调价编码带入适应度函数,生成优选编码,通过轮盘赌算法从优选编码中筛选出父代编码,在父代编码的基础上进行交叉变异生成子代编码,根据子代编码和父代编码的非支配解来更新优选编码,在达到一定的迭代次数之后,生成最终调价编码。由于适应度函数考虑了三个不同的函数,统筹协调各个与营收有关的方面,以此有助于实现了平台收益最大化。
基于上述方法,本申请实施例还公开一种基于多目标遗传算法的用车调价系统。参照图6,基于多目标遗传算法的用车调价系统包括:城市聚类模块1、函数拟合模块2、编码更新模块3、随机生成模块31、优选生成模块32、迭代更新模块33和盈亏判定模块34。
城市聚类模块1,用于根据所有城市的有效订单信息,计算每公里均价,根据每公里均价的四分位信息,计算到参考四分位信息的加权距离,根据加权距离对参考四分位信息,以及参考四分位信息对应的列表进行不断的更新,最终将所有的出发城市归入三个出发城市组中,并且根据城市等级标识对出发城市组进行修正。
函数拟合模块2,用于将同一个出发城市组内的有效订单进行整合,通过三阶函数或指数函数拟合生成该出发城市组的适应度函数,适应度函数包括税后营收函数、订单总量函数、复购比率函数。
编码更新模块3,用于生成调价编码,并根据适应度值函数,生成非支配解,经过交叉变异之后生成最终调价编码,具体包括随机生成模块31、优选生成模块32、迭代更新模块33和盈亏判定模块34。
随机生成模块31,用于随机生成调价编码,调价编码由多个调价系数组成,每个调价系数与一个供应商对应。
优选生成模块32,用于将从调价编码中选择一个调价系数带入适应度函数,计算对应的适应度信息,根据适应度信息筛选调价编码中的非支配解,即为优选编码。
迭代更新模块33,用于按照轮盘赌算法从优选编码中筛选生成父代编码,父代编码经过交叉变异生成子代编码,根据父代编码和子代编码合并后的非支配解更新优选编码,达到迭代次数之后,根据最新的优选编码生成最终调价编码。
盈亏判定模块34,用于依次计算每个最终调价编码的订单量跌幅和税后营收涨幅,判断计算结果是否满足条件,从而对最终调价编码进行筛选。
本申请实施例还公开一种智能终端,智能终端包括存储器和处理器,存储器上存储有能够被处理器加载并执行如上述的基于多目标遗传算法的用车调价方法的计算机程序。
本申请实施例还公开一种计算机可读存储介质,其存储有能够被处理器加载并执行如上述的基于多目标遗传算法的用车调价方法的计算机程序,该计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案,而非对申请的保护范围进行限制。显然,所描述的实施例仅仅是本申请部分实施例,而不是全部实施例。基于这些实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请所要保护的范围。
Claims (10)
1.一种基于多目标遗传算法的用车调价方法,其特征在于,包括:
随机生成若干组针对某一出发城市组的调价编码,所述调价编码由与各供应商对应的调价系数组成,所述出发城市组包括若干消费水平相近的出发城市;
根据预设的适应度函数计算所述调价编码的适应度信息;
根据适应度信息筛选出所述调价编码中的非支配解,并定义为优选编码;
将所述优先编码按照对应的所述适应度信息,以轮盘赌算法的方式生成父代编码;
将所述父代编码按照预设的交叉算子和变异算子进行计算,生成子代编码,根据所述子代编码和所述父代编码合并后的非支配解,更新所述优选编码;
判断是否满足预设的终止条件,当满足预设的终止条件时,根据最新的优选编码确定最终调价编码。
2.根据权利要求1所述的多目标遗传算法的用车调价方法,其特征在于,所述随机生成若干组针对某一出发城市组的调价编码之前,包括:
获取所有城市的有效订单信息,所述有效订单信息包括出发城市、里程数和价格;
根据所述里程数和所述价格生成每公里均价,所述每公里均价与所述有效订单信息一一对应;
根据同一所述出发城市的所有每公里均价生成四分位数信息,所述四分位数信息与所述出发城市一一对应;
基于所述四分位数信息,对所述出发城市进行聚类生成出发城市组,所述出发城市组的个数是预设的,每个所述出发城市组包括若干出发城市。
3.根据权利要求2所述的多目标遗传算法的用车调价方法,其特征在于,所述基于所述四分位数信息,对所述出发城市进行聚类生成出发城市组具体包括:
随机生成若干参考四分位数,所述参考四分位数的个数与所述出发城市组预设的个数相等;
根据所述四分位数信息,计算各所述四分位数信息与所述参考四分位数之间的加权距离;
根据所述加权距离,生成与所述参考四分位数对应的出发城市组;
获取所述出发城市组内各出发城市的四分位数信息,计算所述四分位数信息与对应的所述参考四分位数之间的加权距离;
根据所述加权距离对所述参考四分位数进行更新;
判断是否满足停止更新的条件;
若满足停止更新的条件,则根据当前所述参考四分位数生成对应的出发城市组。
4.根据权利要求3所述的多目标遗传算法的用车调价方法,其特征在于,所述四分位数信息包括上四分位数、中四分位数和下四分位数;所述参考四分位数包括参考上四分位数、参考中四分位数和参考下四分位数;
所述计算所述四分位数信息与对应的所述参考四分位数之间的加权距离具体包括:
根据所述上四分位数和所述参考上四分位数生成上四分位数距离,根据所述上四分位数和所述参考上四分位数生成上四分位数距离,根据所述上四分位数和所述参考上四分位数生成上四分位数距离;
将所述上四分位数距离、下四分位数距离和下四分位数距离乘以对应的权重,相加后得到所述加权距离;所述上四分位数距离的权重最大,所述下四分位数距离的权重最小。
5.根据权利要求2所述的多目标遗传算法的用车调价方法,其特征在于,所述适应度函数包括税后营收函数、订单总量函数、复购比率函数;
所述方法还包括;
根据预设时间内的有效订单信息和调价系数,经过函数拟合生成税后营生函数、订单总量函数和复购比率函数。
6.根据权利要求5所述的多目标遗传算法的用车调价方法,其特征在于,所述根据预设的适应度函数计算所述调价编码的适应度信息,具体包括:
获取各供应商的原始报价;
将所述原始报价和所述调价编码中的调价系数对应相乘得到初步报价;
获取最小的初步报价对应的调价系数;
根据所述调价系数和所述适应度函数生成适应度信息,并将所述适应度信息与当前的所述调价编码关联。
7.根据权利要求1所述的多目标遗传算法的用车调价方法,其特征在于,所述随机生成若干组针对某一出发城市组的调价编码具体包括:
获取各运营商针对各不同车型的原始报价;
计算当前车型对应的原始报价与比所述当前车型高一级的车型对应的原始报价的比值,并将所述比值定义为所述当前车型的调价系数上限,所述调价系数与所述运营商一一对应;
根据所述原始报价和当前出发城市的税制,生成所述当前车型的调价系数下限;
在与所述运营商对应的所述调价系数上限和所述调价系数下限形成的范围内,随机生成各运营商的调价系数,并将不同运营商的调价系数整合生成调价编码。
8.一种多目标遗传算法的用车调价系统,其特征在于,包括,
随机生成模块(31),用于随机生成若干组针对某一出发城市组的调价编码,所述调价编码由与各供应商对应的调价系数组成,所述出发城市组包括若干消费水平相近的出发城市;
优选生成模块(32),用于根据预设的适应度函数计算所述调价编码的适应度信息;根据适应度信息筛选出所述调价编码中的非支配解,并定义为优选编码;
迭代更新模块(33),用于将所述优先编码按照对应的所述适应度信息,以轮盘赌算法的方式生成父代编码;将所述父代编码按照预设的交叉算子和变异算子进行计算,生成子代编码,根据所述子代编码和所述父代编码合并后的非支配解,更新所述优选编码;判断是否满足预设的终止条件,当满足预设的终止条件时,根据最新的优选编码确定最终调价编码。
9.一种智能终端,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110036154.6A CN112927005A (zh) | 2021-01-12 | 2021-01-12 | 基于多目标遗传算法的用车调价方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110036154.6A CN112927005A (zh) | 2021-01-12 | 2021-01-12 | 基于多目标遗传算法的用车调价方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112927005A true CN112927005A (zh) | 2021-06-08 |
Family
ID=76162865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110036154.6A Pending CN112927005A (zh) | 2021-01-12 | 2021-01-12 | 基于多目标遗传算法的用车调价方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927005A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313452A (zh) * | 2021-06-29 | 2021-08-27 | 成都若溪科技有限公司 | 一种聚合平台调价及配送方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451779A (zh) * | 2017-08-01 | 2017-12-08 | 北京同城必应科技有限公司 | 一种动态调价方法和装置、计算机设备、存储介质 |
US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
CN110390415A (zh) * | 2018-04-18 | 2019-10-29 | 北京嘀嘀无限科技发展有限公司 | 一种基于用户出行大数据进行出行方式推荐的方法及系统 |
CN110991665A (zh) * | 2019-11-21 | 2020-04-10 | 浙江工业大学 | 一种利润最大化的集配一体化车辆路径规划方法 |
-
2021
- 2021-01-12 CN CN202110036154.6A patent/CN112927005A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
CN107451779A (zh) * | 2017-08-01 | 2017-12-08 | 北京同城必应科技有限公司 | 一种动态调价方法和装置、计算机设备、存储介质 |
CN110390415A (zh) * | 2018-04-18 | 2019-10-29 | 北京嘀嘀无限科技发展有限公司 | 一种基于用户出行大数据进行出行方式推荐的方法及系统 |
CN110991665A (zh) * | 2019-11-21 | 2020-04-10 | 浙江工业大学 | 一种利润最大化的集配一体化车辆路径规划方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313452A (zh) * | 2021-06-29 | 2021-08-27 | 成都若溪科技有限公司 | 一种聚合平台调价及配送方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109986993B (zh) | 动态配置可交换式储能装置站之间能源的系统和方法 | |
CN112378415B (zh) | 一种工器具的调度规划方法、装置及设备 | |
CN112183852A (zh) | 物流配送路线筛选及运费核算方法、系统、终端及介质 | |
CN111178440B (zh) | 一种基于高效减小agv总运输成本的路径优化方法 | |
Huang et al. | Invest in information or wing it? a model of dynamic pricing with seller learning | |
Qiu et al. | Dynamic pricing in shared mobility on demand service | |
CN116307647A (zh) | 电动汽车充电站选址定容优化方法、装置及存储介质 | |
CN115345451A (zh) | 一种基于充电站推荐策略的电动汽车充电引导方法 | |
CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
CN110264007A (zh) | 股票交易控制方法及装置 | |
CN113674040B (zh) | 车辆的报价方法、计算机设备和计算机可读存储介质 | |
CN112927005A (zh) | 基于多目标遗传算法的用车调价方法、系统及存储介质 | |
Woo et al. | Optimal expansion planning of electric vehicle fast charging stations | |
CN111553532B (zh) | 一种城市快递车辆路径优化的方法及系统 | |
CN111311096B (zh) | 一种基于qfd和kano模型的多产品质量优化方法 | |
CN111429237A (zh) | 订单价格的确定方法、装置、服务器及存储介质 | |
CN111383055A (zh) | 租车中心仓选品方法、装置、设备及计算机可读存储介质 | |
CN115564359A (zh) | 汽车售后备件的库存预测方法、设备和存储介质 | |
CN113377532B (zh) | 边缘计算服务器部署方法和系统 | |
JP7335189B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN113191695A (zh) | 一种基于竞争图谱的电动汽车充电站需求响应方法 | |
CN108985658A (zh) | 一种基于模糊评判和客户期望的车联网协同下载方法 | |
CN115860342A (zh) | 预计送达时间的调整方法、装置、电子设备及存储介质 | |
CN111047466A (zh) | 一种电力市场多方交易均衡方法、装置和设备 | |
CN118071253A (zh) | 一种多地分仓布货方法 |
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 |