CN113011790B - 共享汽车调度仿真方法、装置、电子设备及存储介质 - Google Patents
共享汽车调度仿真方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113011790B CN113011790B CN202110443483.2A CN202110443483A CN113011790B CN 113011790 B CN113011790 B CN 113011790B CN 202110443483 A CN202110443483 A CN 202110443483A CN 113011790 B CN113011790 B CN 113011790B
- Authority
- CN
- China
- Prior art keywords
- order
- simulation
- event
- information
- scheduling
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004880 explosion Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 101100063942 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) dot-1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的共享汽车调度仿真方法、装置、电子设备及存储介质，能够基于连续时间马尔可夫链将客户订单信息抽象为订单生成逻辑，由此订单生成逻辑运行所按照仿真时间线输出的订单事件能够最大程度与真实订单相贴合，从而保证所构建的仿真场景与真实场景间的相似性，在该仿真场景下运行调度策略也可以对策略的实施结果有更为确切的评估，这就可以更好地辅助业务和运行人员进行策略的改进与优化。
Description
技术领域
本发明涉及共享汽车技术领域，更具体地说，涉及一种共享汽车调度仿真方法、装置、电子设备及存储介质。
背景技术
随着互联网发展，智能出行和共享汽车行业有长足的发展，共享汽车在很大程度上方便了用户的日常出行方式。共享汽车的运营本质是分时租赁。对于共享汽车平台来说，有效的控制调度成本，修改调度策略来获得最优的盈利是目前急需解决的问题。
现有共享汽车调度方法建立在人为提前预设各个网点的用车数量和还车数量，根据预设的方案来进行调度方案的设计，与此同时在现有技术中，调度与布局策略在正式实施之前，很难从整个系统的层面评估效果，业务运营人员需要能够在对策略实施之前，对结果有一个预计的评估。
现有的仿真软件适用于生产流程的仿真，在制造业，物流及供应链，服务，医疗，军事等领域有广泛应用，在实际共享汽车的应用场景中，使用起来有诸多不便，共享汽车的网点多、订单产生的随机性更大、与时间相关度高、爆点(当前网点车位已满，但仍有车辆需要还进来)、缺车以及多种情况的工单调度处理等场景在现有仿真软件中使用起来较为不便。
发明内容
有鉴于此，为解决上述问题，本发明提供一种共享汽车调度仿真方法、装置、电子设备及存储介质，技术方案如下：
本发明实施例一方面提供一种共享汽车调度仿真方法，所述方法包括：
获取客户订单信息，并基于连续时间马尔可夫链将所述客户订单信息抽象为订单生成逻辑；
运行所述订单生成逻辑，按照仿真时间线输出订单事件，以构建仿真场景；
获取待处理的调度策略，并在所述仿真场景下运行所述调度策略。
可选的，所述按照仿真时间线输出订单事件，包括：
构建网点属性信息，并生成仿真时间线；
基于所述网点属性信息生成订单事件，并添加至所述仿真时间线中；
对于从所述仿真时间线中读取到的目标订单事件，根据所述目标订单事件的类型执行处理操作，直到读取到仿真结束事件为止。
可选的，所述构建网点属性信息，包括：
收集目标区域内的网点基础信息，所述网点基础信息包括网点的车位数、充电桩数、实时车辆数、地址信息和距离其最近的多个网点；
针对所述目标区域内的任意两个网点，预估两个网点间的调度时间和调度距离，以构建网点信息矩阵。
可选的，所述根据所述目标订单事件的类型执行处理操作，包括：
在所述目标订单事件属于取车事件的情况下，判断当前时刻是否存在可用车辆；
若存在可用车辆，则将所述取车事件所对应的还车事件添加至所述仿真时间线中；
若不存在可用车辆，则输出取车失败订单；
在所述目标订单事件属于还车事件的情况下，判断当前时刻是否存在空车位；
若存在空车位，则输出还车成功订单，计算相应的订单收入；
若不存在空车位，计算还车爆点次数，并判断所述还车爆点次数是否小于对应的阈值；
若小于，则生成目标还车事件，并将所述目标还车事件添加至所述仿真时间线中，所述目标还车事件所属网点是距离所述还车事件所属网点最近的一个网点；
若不小于，则输出还车失败订单。
可选的，所述在所述仿真场景下运行所述调度策略，包括：
获取所述调度策略的运行信息；
依据所述运行信息扫描所述仿真场景，并在所述仿真场景满足预设的工单触发条件时，输出相应的工单信息。
可选的，所述方法还包括：
基于所述调度策略在所述仿真场景下的运行结果，调整所述调度策略。
本发明另一方面提供一种共享汽车调度仿真装置，所述装置包括：
订单抽象模块，用于获取客户订单信息，并基于连续时间马尔可夫链将所述客户订单信息抽象为订单生成逻辑；
场景仿真模块，用于运行所述订单生成逻辑，按照仿真时间线输出订单事件，以构建仿真场景；
策略运行模块，用于获取待处理的调度策略，并在所述仿真场景下运行所述调度策略。
可选的，所述场景仿真模块，具体用于：
构建网点属性信息，并生成仿真时间线；基于所述网点属性信息生成订单事件，并添加至所述仿真时间线中；对于从所述仿真时间线中读取到的目标订单事件，根据所述目标订单事件的类型执行处理操作，直到读取到仿真结束事件为止。
本发明另一方面提供一种电子设备，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现任意一项所述的共享汽车调度仿真方法。
本发明另一方面提供一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行任意一项所述的共享汽车调度仿真方法。
相较于现有技术，本发明实现的有益效果为：
本发明提供的共享汽车调度仿真方法、装置、电子设备及存储介质，能够基于连续时间马尔可夫链将客户订单信息抽象为订单生成逻辑，由此订单生成逻辑运行所按照仿真时间线输出的订单事件能够最大程度与真实订单相贴合，从而保证所构建的仿真场景与真实场景间的相似性，在该仿真场景下运行调度策略也可以对策略的实施结果有更为确切的评估，这就可以更好地辅助业务和运行人员进行策略的改进与优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的共享汽车调度仿真方法的方法流程图；
图2为本发明实施例提供的架构图；
图3为本发明实施例提供的共享汽车调度仿真方法的部分方法流程图；
图4为本发明实施例提供的网点信息矩阵示例；
图5为本发明实施例提供的共享汽车调度仿真装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种共享汽车调度仿真方法，该方法的方法流程图如图1所示，包括如下步骤：
S10，获取客户订单信息，并基于连续时间马尔可夫链将客户订单信息抽象为订单生成逻辑。
本发明实施例中，可以从目标区域，比如特定城市的数据库中提取客户订单信息，该可以客户订单信息中包含多个订单的关联信息，包括但不局限于所属订单的出发网点、到达网点、出发时间和结束时间。
参见图2所示的架构图。对于客户订单信息可以对其进行建模处理，抽象为一个连续时间马尔可夫链，假设各网点的取车需求均为泊松过程，按照时间段计算均值获得该泊松过程的到达速率，由此，即可获得某一网点输出取车订单的概率、以及该取车订单到达其他各网点的概率。
需要说明的是，订单生成逻辑能够学习到目标区域内客户订单的相关特征，从而能够输出与贴合真实场景的订单事件。
还需要说明的是，订单生成逻辑所输出订单的到达网点可以根据客户订单信息生成相应的矩阵，而订单耗时则可以按照出发网点和到达网点间的预估调度时间来计算。
与现有技术相比，本发明中客户订单的到达网点选择逻辑可以由业务运营人员自己更改，例如：增加网点，可以按照距离远近将附近网点的订单分流到新的网点；减少网点，可以按照距离远近将旧网点的订单分流到附近的网点上。由此可以帮助运营人员从多个角度调整现有的策略和布局，能得到预计结果辅助决策。
S20，运行订单生成逻辑，按照仿真时间线输出订单事件，以构建仿真场景。
本发明实施例中，按照相关的配置信息运行订单生成逻辑，以构建针对目标区域的仿真场景，在该仿真场景下，订单生成逻辑可以按照仿真时间线，即仿真的时间流来输出相关的订单事件。
具体实现过程中，步骤S20中“按照仿真时间线输出订单事件”可以采用如下步骤，方法流程图如图3所示：
S201，构建网点属性信息，并生成仿真时间线。
本发明实施例中，为构建目标区域的网点属性信息，一方面可以收集该目标区域内的网点基础信息，另一方面还可以基于网点基础信息构建其他的信息。
继续参见图2所示的架构图。收集网点基础信息时，可以统计目标区域内各网点的车位数、充电桩数、实时车辆数、地址信息(可以同经纬度来表示)和距离其最近的多个网点，此外对于其他信息也可以根据需求来统计，比如网点编号。实际应用中，网点附近具有3个网点时即可满足停车需求，因此后续以距离网点最近的网点为三个来说明。
进一步，对于目标区域内的任意两个网点，可以统计其在指定时段，比如非早晚高峰的正常出行时段内历史工单的调度时间和调度距离，来预估两个网点间的调度时间和调度距离，具体可以采用均值计算的方式，还可以采用深度学习网络的预测模型的方式来实现，本发明实施例对此不做限定。
需要说明的是，对于目标区域内网点间的调度时间和调度距离，可以以矩阵形式来表示。参见图4所示的网点信息矩阵示例，其涉及三个网点，以矩阵中第一行、第二列来说明，其就表示网点1和网点2间预估的调度时间和调度距离。
还需要说明的是，仿真初始化时可以根据网点属性信息给目标区域内各网点设置相应的车位数，并且此时仿真时间线的内容为空。
S202，基于网点属性信息生成订单事件，并添加至仿真时间线中。
本发明实施例中，订单生成逻辑可以综合目标区域内各网点的相关信息产生符合真实场景的订单事件，并在仿真时间线中顺序安排所产生的订单事件。
S203，对于从仿真时间线中读取到的目标订单事件，根据目标订单事件的类型执行处理操作，直到读取到仿真结束事件为止。
本发明实施例中，订单生成逻辑在运行结束时会在仿真时间线的最后安排一个仿真结束事件，因此当出现读取到该仿真结束事件时即可确定场景仿真结束。
当然，还可以进一步设置仿真结束时间，在读取到仿真结束事件后可以进一步统计仿真过程所产生的各项信息(包括成功订单数、因没车而取车失败订单数、因爆点而无法还车的失败订单数、以及整个仿真时长的营收)，而在到达该仿真结束时间后，即不再执行任何操作。
并且，对于订单生成逻辑所产生的订单事件，可以按照类型分为取车事件和还车事件两大类，因此对于不同类型的订单事件需要执行相应的取车/还车流程。
具体实现过程中，步骤S203中“根据目标订单事件的类型执行处理操作”可以采用如下步骤：
在目标订单事件属于取车事件的情况下，判断当前时刻是否存在可用车辆；若存在可用车辆，则将取车事件所对应的还车事件添加至仿真时间线中；若不存在可用车辆，则输出取车失败订单；
在目标订单事件属于还车事件的情况下，判断当前时刻是否存在空车位；若存在空车位，则输出还车成功订单，计算相应的订单收入；若不存在空车位，计算还车爆点次数，并判断还车爆点次数是否小于对应的阈值；若小于，则生成目标还车事件，并将目标还车事件添加至仿真时间线中，目标还车事件所属网点是距离还车事件所属网点最近的一个网点；若不小于，则输出还车失败订单。
本发明实施例中，对于取车事件，如果其出发网点没有车，则该事件因为无法取车而视为不成功，计入取车失败订单。而如果其出发网点有车，则可以根据该取车事件所对应的出发网点和到达网点来生成相应的还车事件，该还车事件中包含还车网点和还车时间，当然，该还车时间可以根据所预估的调度时间来确定，比如可以以权重系数的方式调整调度时间来获得。另外，基于预估的调度距离可以实时统计在仿真场景中确定该还车事件距离还车网点的距离，以此展示还车过程，更加贴合真实场景。
对于还车事件，如果其到达网点存在空车位，则可以确定还车成功，将其计入还车成功订单，还车成功订单加1，此时可以记录该笔订单的金额，以此获得订单收入。而如果其到达网点不存在空车位，则还车爆点次数加1，进一步考虑该到达网点附近的网点将车还入就近网点。以就近网点有3个为例，如果就近网点也不存在空车位，则还车爆点次数继续加1，一旦还车爆点次数不小于4，则该还车事件计入还车失败订单，反之，如果还车爆点次数小于4，则表示找到存在空车位的就近网点，从而产生另一还车事件(即目标还车事件)至仿真时间线中，该目标还车事件的到达网点即为该就近网点、还车时间不变。
本发明实施例中，仿真场景的构建过程可以不断迭代，在正式策略实施前评估策略效果，有效辅助决策，降低试错成本。
S30，获取待处理的调度策略，并在仿真场景下运行调度策略。
继续参见图2所示的架构图。本发明实施例中，调度策略可以根据所提取的工单信息来设置，具体的，工单信息包括但不局限于多个工单被调度时的出发网点、到达网点、出发时间和结束时间。而工单的生成逻辑则可以根据调度策略生成，不同的调度策略所对应的生成逻辑不同。
需要说明的，工单是指调度人员考虑调度需求在系统中所产生的订单，而属于调度人员一侧，而客户订单则是客户侧所产的订单。
具体实现过程中，调度策略在运行时可以根据其运行信息来扫描仿真场景，该运行信息可以包括扫描频率、扫描开始时间和扫描结束时间等。并且，对于不同工单，其所对应的触发条件不同，因此根据仿真场景当前所满足的工单触发条件来确定相应的工单，从而以该工单的工单信息来调度，以此评估调度策略的结果(包括订单完成率、有效调度的次数和最后指定时间段的收入结果)。
在此基础上，还可以基于调度策略在仿真场景下的运行结果，调整调度策略。例如：
调整收费策略：可以根据运行结果得到新收费策略的营收和各个网点的营收变化情况。比如，订单收费增加时，可以指定网点取还车服务费，业务运营人员可根据业务经验修改泊松过程的到达速率来体现用户对价格的敏感程度，从而得到调价后，对车位需求，车辆需求的变化以及站点营收的变化。
调整网点布局：可以看到增减网点对订单成功率的影响，得到新网点的预计营收以及总体区域的营收变化。
基于此，能够辅助企业与业务运营人员不断优化共享汽车的各个业务流程，便于日常运营管控和调整，提高运营效率，降低运营成本，减少改变策略的试错成本。
基于上述实施例提供的共享汽车调度仿真方法，本发明实施例则对应提供执行上述共享汽车调度仿真方法的装置，该装置的结构示意图如图5所示，包括：
订单抽象模块10，用于获取客户订单信息，并基于连续时间马尔可夫链将客户订单信息抽象为订单生成逻辑；
场景仿真模块20，用于运行订单生成逻辑，按照仿真时间线输出订单事件，以构建仿真场景；
策略运行模块30，用于获取待处理的调度策略，并在仿真场景下运行调度策略。
可选的，场景仿真模块20，具体用于：
构建网点属性信息，并生成仿真时间线；基于网点属性信息生成订单事件，并添加至仿真时间线中；对于从仿真时间线中读取到的目标订单事件，根据目标订单事件的类型执行处理操作，直到读取到仿真结束事件为止。
可选的，场景仿真模块20构建网点属性信息的过程，包括：
收集目标区域内的网点基础信息，网点基础信息包括网点的车位数、充电桩数、实时车辆数、地址信息和距离其最近的多个网点；针对目标区域内的任意两个网点，预估两个网点间的调度时间和调度距离，以构建网点信息矩阵。
可选的，场景仿真模块20根据目标订单事件的类型执行处理操作的过程，包括：
在目标订单事件属于取车事件的情况下，判断当前时刻是否存在可用车辆；若存在可用车辆，则将取车事件所对应的还车事件添加至仿真时间线中；若不存在可用车辆，则输出取车失败订单；在目标订单事件属于还车事件的情况下，判断当前时刻是否存在空车位；若存在空车位，则输出还车成功订单，计算相应的订单收入；若不存在空车位，计算还车爆点次数，并判断还车爆点次数是否小于对应的阈值；若小于，则生成目标还车事件，并将目标还车事件添加至仿真时间线中，目标还车事件所属网点是距离还车事件所属网点最近的一个网点；若不小于，则输出还车失败订单。
可选的，策略运行模块30在仿真场景下运行调度策略的过程，包括：
获取调度策略的运行信息；依据运行信息扫描仿真场景，并在仿真场景满足预设的工单触发条件时，输出相应的工单信息。
可选的，策略运行模块30还用于：
基于调度策略在仿真场景下的运行结果，调整调度策略。
本发明实施例提供的共享汽车调度仿真装置，能够基于连续时间马尔可夫链将客户订单信息抽象为订单生成逻辑，由此订单生成逻辑运行所按照仿真时间线输出的订单事件能够最大程度与真实订单相贴合，从而保证所构建的仿真场景与真实场景间的相似性，在该仿真场景下运行调度策略也可以对策略的实施结果有更为确切的评估，这就可以更好地辅助业务和运行人员进行策略的改进与优化。
基于上述实施例提供的共享汽车调度仿真方法，本发明实施例还提供一种电子设备，包括：至少一个存储器和至少一个处理器；存储器存储有程序，处理器调用存储器存储的程序，程序用于实现实施例所述的共享汽车调度仿真方法。
基于上述实施例提供的共享汽车调度仿真方法，本发明实施例还提供一种存储介质，存储介质中存储有计算机可执行指令，计算机可执行指令用于执行实施例所述的共享汽车调度仿真方法。
以上对本发明所提供的一种共享汽车调度仿真方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种共享汽车调度仿真方法，其特征在于，所述方法包括：
获取客户订单信息，并基于连续时间马尔可夫链将所述客户订单信息抽象为订单生成逻辑；所述客户订单信息包括所属订单的出发网点、到达网点、出发时间和结束时间；客户订单的到达网点选择逻辑由业务运营人员自行更改，包括按照距离远近将附近网点的订单分流到新的网点、按照距离远近将旧网点的订单分流到附近的网点；
运行所述订单生成逻辑，按照仿真时间线输出订单事件，以构建仿真场景；
获取待处理的调度策略，并在所述仿真场景下运行所述调度策略；
其中，所述按照仿真时间线输出订单事件，包括：
构建网点属性信息，并生成仿真时间线；
基于所述网点属性信息生成订单事件，并添加至所述仿真时间线中；
对于从所述仿真时间线中读取到的目标订单事件，根据所述目标订单事件的类型执行处理操作，直到读取到仿真结束事件为止；
其中，所述在所述仿真场景下运行所述调度策略，包括：
获取所述调度策略的运行信息；
依据所述运行信息扫描所述仿真场景，并在所述仿真场景满足预设的工单触发条件时，输出相应的工单信息；
所述方法还包括：
基于所述调度策略在所述仿真场景下的运行结果，调整所述调度策略。
2.根据权利要求1所述的方法，其特征在于，所述构建网点属性信息，包括：
收集目标区域内的网点基础信息，所述网点基础信息包括网点的车位数、充电桩数、实时车辆数、地址信息和距离其最近的多个网点；
针对所述目标区域内的任意两个网点，预估两个网点间的调度时间和调度距离，以构建网点信息矩阵。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标订单事件的类型执行处理操作，包括：
在所述目标订单事件属于取车事件的情况下，判断当前时刻是否存在可用车辆；
若存在可用车辆，则将所述取车事件所对应的还车事件添加至所述仿真时间线中；
若不存在可用车辆，则输出取车失败订单；
在所述目标订单事件属于还车事件的情况下，判断当前时刻是否存在空车位；
若存在空车位，则输出还车成功订单，计算相应的订单收入；
若不存在空车位，计算还车爆点次数，并判断所述还车爆点次数是否小于对应的阈值；
若小于，则生成目标还车事件，并将所述目标还车事件添加至所述仿真时间线中，所述目标还车事件所属网点是距离所述还车事件所属网点最近的一个网点；
若不小于，则输出还车失败订单。
4.一种共享汽车调度仿真装置，其特征在于，所述装置包括：
订单抽象模块，用于获取客户订单信息，并基于连续时间马尔可夫链将所述客户订单信息抽象为订单生成逻辑；所述客户订单信息包括所属订单的出发网点、到达网点、出发时间和结束时间；客户订单的到达网点选择逻辑由业务运营人员自行更改，包括按照距离远近将附近网点的订单分流到新的网点、按照距离远近将旧网点的订单分流到附近的网点；
场景仿真模块，用于运行所述订单生成逻辑，按照仿真时间线输出订单事件，以构建仿真场景；
策略运行模块，用于获取待处理的调度策略，并在所述仿真场景下运行所述调度策略；
其中，所述场景仿真模块，具体用于：
构建网点属性信息，并生成仿真时间线；基于所述网点属性信息生成订单事件，并添加至所述仿真时间线中；对于从所述仿真时间线中读取到的目标订单事件，根据所述目标订单事件的类型执行处理操作，直到读取到仿真结束事件为止；
其中，所述在所述仿真场景下运行所述调度策略，包括：
获取所述调度策略的运行信息；
依据所述运行信息扫描所述仿真场景，并在所述仿真场景满足预设的工单触发条件时，输出相应的工单信息；
基于所述调度策略在所述仿真场景下的运行结果，调整所述调度策略。
5.一种电子设备，其特征在于，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现如权利要求1-3任意一项所述的共享汽车调度仿真方法。
6.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1-3任意一项所述的共享汽车调度仿真方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110443483.2A CN113011790B (zh) | 2021-04-23 | 2021-04-23 | 共享汽车调度仿真方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110443483.2A CN113011790B (zh) | 2021-04-23 | 2021-04-23 | 共享汽车调度仿真方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011790A CN113011790A (zh) | 2021-06-22 |
| CN113011790B true CN113011790B (zh) | 2024-06-21 |
Family
ID=76389101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110443483.2A Active CN113011790B (zh) | 2021-04-23 | 2021-04-23 | 共享汽车调度仿真方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011790B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543699A (zh) * | 2019-08-15 | 2019-12-06 | 阿里巴巴集团控股有限公司 | 共享车辆出行数据仿真、共享车辆调度方法、装置及设备 |
| CN112348258A (zh) * | 2020-11-09 | 2021-02-09 | 合肥工业大学 | 一种基于深度q网络的共享单车预测调度方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08198413A (ja) * | 1995-01-20 | 1996-08-06 | Hitachi Ltd | 配車指示システム |
| JP2003280714A (ja) * | 2002-03-19 | 2003-10-02 | Toshiba Corp | 生産スケジューリング方法及び生産スケジューリング装置 |
| US8494823B2 (en) * | 2008-03-06 | 2013-07-23 | International Business Machines Corporation | Method and system for determining service area of supply chain by simulating service cycle time |
| CN107742184B (zh) * | 2017-10-11 | 2020-11-20 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
| EP3759663A4 (en) * | 2018-03-01 | 2022-05-04 | Bringg Delivery Technologies Ltd. | AUTOMATED SHIPPING OPTIMIZATION |
| CN108346010B (zh) * | 2018-04-23 | 2021-07-13 | 徐漫洋 | 基于用户需求分析的共享汽车调度方法 |
| CN108648489B (zh) * | 2018-05-15 | 2021-01-01 | 湖北文理学院 | 一种基于车联网的路况信息实时共享系统及方法 |
| CN110807236A (zh) * | 2018-08-03 | 2020-02-18 | 深圳先进技术研究院 | 一种基于多机器人的仓储物流仿真系统 |
| KR102144669B1 (ko) * | 2019-02-28 | 2020-08-14 | 김형철 | 카쉐어링을 위한 주차 관리 시스템 |
| CN111178948B (zh) * | 2019-12-18 | 2023-08-04 | 同济大学 | 一种共享汽车动态借车实现方法 |
-
2021
- 2021-04-23 CN CN202110443483.2A patent/CN113011790B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543699A (zh) * | 2019-08-15 | 2019-12-06 | 阿里巴巴集团控股有限公司 | 共享车辆出行数据仿真、共享车辆调度方法、装置及设备 |
| CN112348258A (zh) * | 2020-11-09 | 2021-02-09 | 合肥工业大学 | 一种基于深度q网络的共享单车预测调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011790A (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Daina et al. | Modelling electric vehicles use: a survey on the methods | |
| Xiao et al. | How likely am I to find parking?–A practical model-based framework for predicting parking availability | |
| Shun et al. | Charging demand for electric vehicle based on stochastic analysis of trip chain | |
| Yi et al. | Data-driven optimal charging decision making for connected and automated electric vehicles: A personal usage scenario | |
| US20200273347A1 (en) | Joint order dispatching and fleet management for online ride-sharing platforms | |
| CN104599168A (zh) | 叫车订单的分配方法和装置 | |
| CN104134351A (zh) | 一种短时交通流预测方法 | |
| Kim et al. | Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization | |
| CN110942086A (zh) | 数据预测优化方法、装置、设备及可读存储介质 | |
| CN112766591A (zh) | 共享单车调度方法 | |
| Hamadneh et al. | Potential travel time reduction with autonomous vehicles for different types of travellers | |
| Cai et al. | A hybrid adaptive large neighborhood search and tabu search algorithm for the electric vehicle relocation problem | |
| CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
| Liu et al. | Modelling the energy consumption of electric vehicles under uncertain and small data conditions | |
| CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
| Andrade-Michel et al. | Vehicle and reliable driver scheduling for public bus transportation systems | |
| Jamil et al. | Taxi passenger hotspot prediction using automatic ARIMA model | |
| Kadri et al. | An integrated Petri net and GA-based approach for performance optimisation of bicycle sharing systems | |
| Bayliss | Machine learning based simulation optimisation for urban routing problems | |
| CN108564810B (zh) | 一种车位共享系统及其方法 | |
| CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
| CN102376025A (zh) | 一种模拟手机数据并评估城市路网交通状态的方法 | |
| Alberto et al. | Optimization with simulation and multiobjective analysis in industrial decision-making: A case study | |
| CN111178948B (zh) | 一种共享汽车动态借车实现方法 | |
| CN113011790B (zh) | 共享汽车调度仿真方法、装置、电子设备及存储介质 |
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 |