CN113256015A - 基于订单预测的代驾司机的调度方法 - Google Patents

基于订单预测的代驾司机的调度方法 Download PDF

Info

Publication number
CN113256015A
CN113256015A CN202110618192.2A CN202110618192A CN113256015A CN 113256015 A CN113256015 A CN 113256015A CN 202110618192 A CN202110618192 A CN 202110618192A CN 113256015 A CN113256015 A CN 113256015A
Authority
CN
China
Prior art keywords
driver
grid
dispatching
drivers
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.)
Granted
Application number
CN202110618192.2A
Other languages
English (en)
Other versions
CN113256015B (zh
Inventor
于杨
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.)
Beijing Yixinyixing Automotive Technology Development Co ltd
Original Assignee
Beijing Yixinyixing Automotive Technology Development 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 Beijing Yixinyixing Automotive Technology Development Co ltd filed Critical Beijing Yixinyixing Automotive Technology Development Co ltd
Priority to CN202110618192.2A priority Critical patent/CN113256015B/zh
Publication of CN113256015A publication Critical patent/CN113256015A/zh
Application granted granted Critical
Publication of CN113256015B publication Critical patent/CN113256015B/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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于订单预测的代驾司机的调度方法，其包括步骤S1‑S8。采用步骤S1到步骤S8中的代驾司机的调度方法，能够实现任意城市中的订单热点区域与司机过剩区域之间的司机调度，由此提高了司机运力的利用率；同时，基于步骤S1到步骤S8中的代驾司机的调度方法，还可以将司机运力进行重新分布以实现运力分布最优化，从而满足更多代驾需求，进而提高司机运力的利用率。并且，由于本方法采用实时数据进行运力调度、并对调度指令执行状态进行持续跟踪，从而减少了数据滞后及指令失效对调度准确性的影响，由此保证了司机调度的准确性。此外，由于本方法的综合成本模型
Figure 100004_DEST_PATH_IMAGE002
中涉及多种参数因子，由此提高了调度指令的有效性和准确性。

Description

基于订单预测的代驾司机的调度方法
技术领域
本发明涉及出行运力运筹技术领域，尤其涉及一种基于订单预测的代驾司机的调度方法。
背景技术
随着人们安全意识的不断提高，喝酒不开车已经成为了共识，代驾服务逐渐被大众所熟知。据不完全统计每年代驾服务可以避免超过300万起因酒驾导致的交通事故的发生，代驾已经形成一种新经济业态，并且成为治理酒驾、降低交通安全事故的有效手段。随着移动互联网的飞速发展，智能手机已经成了生活必备品，智能手机上叫代驾，代驾平台派单，代驾司机用智能手机接单，已经成了代驾服务的常规流程。
代驾平台作为联系用户和代驾司机的纽带，一方面要迅速响应用户的代驾需求，一方面又要保证司机能服务更多订单，获得更多收入，但在现实中存在很多不确定性，如代驾司机上线时间，上线地点，订单何时产生，这些不确定性造成了代驾运力的不均衡。如何实时的引导司机出现在订单热点区域，提高司机运力的利用率，成为代驾业界的亟待解决的问题。
发明内容
鉴于背景技术中存在的问题，本发明的目的在于提供一种基于订单预测的代驾司机的调度方法，其能实现任意城市中的订单热点区域与司机过剩区域之间的司机调度以及司机运力分布最优化，从而满足更多代驾需求，进而提高司机运力的利用率。
为了实现上述目的，本发明提供了一种基于订单预测的代驾司机的调度方法，其包括步骤S1-S8。S1，对城市进行网格划分并获得城市网格地图。S2，采用GeoHash算法对所述城市网格地图上的所有网格进行地理位置编号。S3，将一天划分为多个时段并对所述多个时段进行编号，基于各网格在一天当中的各个时段的历史订单数据进行分析并构建各网格的差分整合移动平均自回归模型，并基于构建的差分整合移动平均自回归模型预测出各网格在各时段的订单量并记为
Figure 100002_DEST_PATH_IMAGE002
，其中
Figure 100002_DEST_PATH_IMAGE004
表示网格的编号、
Figure 100002_DEST_PATH_IMAGE006
表示各时段的编号。S4，对于各网格在一天中的任意时段，采集各网格中的司机在当前时段的位置数据、并获得各网格在当前时段的空闲司机的数量为
Figure 100002_DEST_PATH_IMAGE008
。
S5，计算出各网格在当前时段的实时运力值
Figure 100002_DEST_PATH_IMAGE010
，则
Figure 100002_DEST_PATH_IMAGE012
，且
Figure 100002_DEST_PATH_IMAGE014
。
S6，将当前时段运力值过剩的网格中的部分司机调度到运力值不足的网格中，且调度过程包括步骤S61-S65。S61，计算出当前时段每个运力值过剩的网格中各司机与网格中心点的地理距离并按地理距离长短进行排序，且将地理距离长的处于末尾
Figure 885558DEST_PATH_IMAGE010
位司机进行标记以作为可调度司机。S62，将当前时段所有运力值过剩的网格中被标记的可调度司机定义为集合A。S63，将当前时段所有运力值不足的网格定义为集合B。S64，构建出集合A中的司机
Figure 100002_DEST_PATH_IMAGE016
从当前网格移动到集合B中的网格
Figure 100002_DEST_PATH_IMAGE018
的综合成本模型并记为
Figure 100002_DEST_PATH_IMAGE020
，且
Figure 100002_DEST_PATH_IMAGE022
；
其中，
Figure 100002_DEST_PATH_IMAGE024
为集合A中的司机
Figure 520326DEST_PATH_IMAGE016
与集合B中的网格
Figure 326608DEST_PATH_IMAGE018
之间的地理距离，
Figure 100002_DEST_PATH_IMAGE026
为司机
Figure 766816DEST_PATH_IMAGE016
的移动速度，
Figure 100002_DEST_PATH_IMAGE028
、
Figure 100002_DEST_PATH_IMAGE030
分别为司机
Figure 413567DEST_PATH_IMAGE016
在历史时期执行调度指令成功的数量和失败的数量,
Figure 100002_DEST_PATH_IMAGE032
为最大调度距离，
Figure 100002_DEST_PATH_IMAGE034
分别为
Figure 100002_DEST_PATH_IMAGE036
和
Figure 735964DEST_PATH_IMAGE026
的权重系数。S65，计算出综合成本模型
Figure 831090DEST_PATH_IMAGE020
中的所有最优调度方案。
S7，根据步骤S65中的所有最优调度方案向对应的可调度司机派发调度指令。S8，对步骤S7中的各可调度司机的指令执行状态进行实时跟踪、并记录各可调度司机的所述调度指令是否成功。
在根据一些实施例的基于订单预测的代驾司机的调度方法中，在步骤S65中，包括步骤S651-S654。S651，对集合A和集合B进行初始化，以将集合A中的每个可调度司机构建为一个集合、集合B中的每个网格构建为一个集合。S652，逐一将每对地理距离不大于最大调度距离的司机和网格分别所在的集合合并，以获得若干个司机和网格的组合集合，其中任意组合集合中的司机与非该组合集合中的网格之间不可调度。S653，采用Kuhn-Munkras算法求解各个司机和网格的组合集合的最优调度方案。S654，记录并汇总所述若干个司机和网格的组合集合的所有最优调度方案。
在根据一些实施例的基于订单预测的代驾司机的调度方法中，步骤S8包括步骤S81-S84。S81，各调度司机接收对应的派发指令并进入接收调度指令状态。S82，实时记录各调度司机的实时位置并计算各调度司机距离目标网格的距离，其中若调度司机与目标网格之间的距离缩小，则该调度司机进入前往目标网格状态；若调度司机与目标网格之间的距离增大，则该调度司机进入远离目标网格状态。S83，若调度司机处于远离目标网格状态，则向该调度司机发出通知以提醒该调度司机按照调度指令行动。S84，当调度司机的位置显示在目标网格中后，则表示该调度司机执行调度指令成功，否则表示该调度司机执行调度指令失败。
在根据一些实施例的基于订单预测的代驾司机的调度方法中，在步骤S8中，接收调度指令状态、前往目标网格状态和远离目标网格状态分别设置有指令有效期。
在根据一些实施例的基于订单预测的代驾司机的调度方法中，在步骤S64中，
Figure 100002_DEST_PATH_IMAGE038
，
Figure 100002_DEST_PATH_IMAGE040
。
在根据一些实施例的基于订单预测的代驾司机的调度方法中，在步骤S3中，包括步骤S31-S33。
S31，构建出各单个网格的差分整合移动平均自回归模型且表示为:
Figure 100002_DEST_PATH_IMAGE042
Figure 100002_DEST_PATH_IMAGE044
其中
Figure 100002_DEST_PATH_IMAGE046
为偏差值，参数p为自回归项，f为移动平均项数，d为差分次数，
Figure 100002_DEST_PATH_IMAGE048
为当前各网格在各时段的实际历史数据，
Figure 100002_DEST_PATH_IMAGE050
为前d天各网格在各时段的实际历史数据，其中，
Figure 100002_DEST_PATH_IMAGE052
为常数项，
Figure 100002_DEST_PATH_IMAGE054
为自相关系数、
Figure 100002_DEST_PATH_IMAGE056
为偏差值相关系数。
S32，选取多对整数作为p，f的值，并使用增广最小二乘估计法对每对p、f逐一建模，并估计出每对模型中对应的最优参数
Figure 100002_DEST_PATH_IMAGE058
。S33，使用赤池信息准则分别评价所述多对p，f值对应的模型，并选定AIC值最小的模型作为该单个网格的差分整合移动平均自回归模型。
在根据一些实施例的基于订单预测的代驾司机的调度方法中，在步骤S31中，d=7。
在根据一些实施例的基于订单预测的代驾司机的调度方法中，在步骤S32中，
Figure 100002_DEST_PATH_IMAGE060
。
在根据一些实施例的基于订单预测的代驾司机的调度方法中，在步骤S32中，对任意一对p、f建立出的差分整合移动平均自回归模型中参数的估计过程包括步骤S321-S325。
S321，随机选取当前网格在当前时段的几组实际历史数据建立初始AR模型，且各组实际历史数据为连续d天的实际历史数据，
Figure 100002_DEST_PATH_IMAGE062
，则
Figure 100002_DEST_PATH_IMAGE064
（1）
根据上式（1），利用最小二乘法计算出
Figure 100002_DEST_PATH_IMAGE066
的第一次估计值。
S322，根据步骤S321计算出的
Figure 779385DEST_PATH_IMAGE066
的第一次估计值计算出
Figure 100002_DEST_PATH_IMAGE068
的初始值
Figure 100002_DEST_PATH_IMAGE070
，则
Figure 100002_DEST_PATH_IMAGE072
（2）。
S323，随机选取当前网格在当前时段的另外几组实际历史数据、并根据步骤S322计算出的
Figure 144507DEST_PATH_IMAGE068
的初始值构造ARMA模型，则
Figure 100002_DEST_PATH_IMAGE074
（3）
根据上式（2），利用最小二乘法计算出
Figure 642616DEST_PATH_IMAGE066
的第二次估计值。
S324，根据步骤S323计算出的
Figure 56280DEST_PATH_IMAGE066
的第二次估计值计算出
Figure 674343DEST_PATH_IMAGE068
的对应的
Figure 100002_DEST_PATH_IMAGE076
，则
Figure 100002_DEST_PATH_IMAGE078
。
S325，重复执行步骤S323- S324，直到偏差值
Figure 931405DEST_PATH_IMAGE068
收敛或参数
Figure 100002_DEST_PATH_IMAGE080
收敛以得到最优参数，建模完成。
本发明的有益效果如下：
采用步骤S1到步骤S8中的基于订单预测的代驾司机的调度方法，能够实现任意城市中的订单热点区域与司机过剩区域之间的司机调度，由此提高了司机运力的利用率；同时，基于步骤S1到步骤S8中的基于订单预测的代驾司机的调度方法，还可以将司机运力进行重新分布以实现运力分布最优化，从而满足更多代驾需求，进而提高司机运力的利用率。并且，由于本方法采用实时数据进行运力调度、并对调度指令执行状态进行持续跟踪，从而减少了数据滞后及指令失效对调度准确性的影响，由此保证了司机调度的准确性。此外，由于本方法的综合成本模型
Figure 166077DEST_PATH_IMAGE020
中涉及多种参数因子（如司机平均移动速度、指令执行成功率和失败率），由此提高了调度指令的有效性和准确性。
附图说明
图1是本发明的基于订单预测的代驾司机的调度方法的流程示意图。
图2是本发明的步骤S6中的集合A与集合B之间的关系示意图。
图3是本发明的步骤S6中的求解算法示意图。
图4是本发明的步骤S8中的指令执行状态图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“设置有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请中出现的“多对”指的是两对以上（包括两对）。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面参照附图来详细说明根据本申请的基于订单预测的代驾司机的调度方法。
参照图1至图4，本申请的基于订单预测的代驾司机的调度方法包括步骤S1- S8。
S1，对城市进行网格划分并获得城市网格地图。其中，所述城市可为全球任意城市，且所述城市可以以该城市的地理边界上的任意点为原点、固定地理距离为边长来进行网格划分。
S2，采用GeoHash算法对所述城市网格地图上的所有四边形网格进行地理位置编号。这里需要说明的是，所述城市网格地图上的所有四边形网格的结构大小和形状一致，且处于边界位置的其他非四边形网格无需采用GeoHash算法进行对应的地理位置编号。
S3，将一天划分为多个时段并对所述多个时段进行编号，基于各网格在一天当中的各个时段的历史订单数据（为了保证构建出的差分整合移动平均自回归模型的准确性，可剔除节假日、恶劣天气等时段的噪声数据）进行分析并构建各网格的差分整合移动平均自回归模型（ARIMA），并基于构建的差分整合移动平均自回归模型预测出各网格在各时段的订单量并记为
Figure 852274DEST_PATH_IMAGE002
，其中
Figure 856002DEST_PATH_IMAGE004
表示网格的编号、
Figure 235031DEST_PATH_IMAGE006
表示时段的编号。具体地，可将一天划分为48个时段，则
Figure 176573DEST_PATH_IMAGE006
在1,2,3……48中取值，各时段为30分钟。
S4，对于各网格在一天中的任意时段来说，需要采集各网格中的司机在当前时段的位置数据、并获取各网格在当前时段的空闲司机的数量且记为
Figure 932039DEST_PATH_IMAGE008
。
S5，计算出各网格在当前时段的实时运力值
Figure 259115DEST_PATH_IMAGE010
，则
Figure 809045DEST_PATH_IMAGE012
。换句话说，所述实时运力值
Figure 752731DEST_PATH_IMAGE010
为网格
Figure 46309DEST_PATH_IMAGE004
在时段
Figure 742738DEST_PATH_IMAGE006
的当前空闲司机的数量。其中，所述实时运力值
Figure 463570DEST_PATH_IMAGE010
可分为下述三种情形，具体如下：
Figure 628972DEST_PATH_IMAGE014
。
S6，将当前时段运力值过剩的网格中的部分司机调度到运力值不足的网格中，且调度过程具体包括步骤S61- S65。
S61，计算出当前时段每个运力值过剩的网格中各司机与网格中心点的地理距离并按地理距离长短进行排序，且将地理距离长的处于末尾
Figure 460661DEST_PATH_IMAGE010
位司机进行标记以作为可调度司机。
S62，将当前时段所有运力值过剩的网格中被标记的可调度司机定义为集合A。其中，集合A中的元素个数为当前时段所有运力值过剩的网格中被标记的可调度司机的总数，且集合A中的任意元素用
Figure 293488DEST_PATH_IMAGE016
表示。
S63，将当前时段所有运力值不足的网格定义为集合B。其中，集合B中的元素个数为当前时段所有运力值不足的网格总数，且集合B中的任意元素用
Figure 935953DEST_PATH_IMAGE018
表示。
S64，参照图3，构建出集合A中的司机
Figure 588651DEST_PATH_IMAGE016
从当前网格移动到集合B中的网格
Figure 224032DEST_PATH_IMAGE018
的综合成本模型并记为
Figure 645786DEST_PATH_IMAGE020
，且
Figure 708420DEST_PATH_IMAGE022
。
其中，
Figure 848414DEST_PATH_IMAGE024
为集合A中的司机
Figure 539683DEST_PATH_IMAGE016
与集合B中的网格
Figure 815944DEST_PATH_IMAGE018
之间的地理距离，
Figure 315058DEST_PATH_IMAGE026
为司机
Figure 676770DEST_PATH_IMAGE016
的平均移动速度（根据以往历史数据中的司机
Figure 653953DEST_PATH_IMAGE016
与用户的距离以及司机
Figure 50299DEST_PATH_IMAGE016
到达用户下单位置的时间即可得到），
Figure 205468DEST_PATH_IMAGE028
、
Figure 54475DEST_PATH_IMAGE030
分别为司机
Figure 835350DEST_PATH_IMAGE016
在历史时期执行调度指令成功的数量和失败的数量,
Figure 86202DEST_PATH_IMAGE032
为最大调度距离（如果
Figure 927119DEST_PATH_IMAGE036
超过此值，司机
Figure 263423DEST_PATH_IMAGE016
将禁止调度到网格
Figure 831676DEST_PATH_IMAGE018
中），
Figure 202615DEST_PATH_IMAGE034
分别为
Figure 948854DEST_PATH_IMAGE036
和
Figure 772453DEST_PATH_IMAGE026
的权重系数。
S65，计算出
Figure 895130DEST_PATH_IMAGE020
综合成本模型中的所有最优调度方案。
S7，根据步骤S65中的所有最优调度方案向对应的可调度司机派发调度指令。
S8，对步骤S7中的各可调度司机的指令执行状态进行实时跟踪、并记录各可调度司机的所述调度指令是否成功，进而可实时更新司机
Figure 854996DEST_PATH_IMAGE016
在执行调度指令成功的数量和失败的数量（即
Figure DEST_PATH_IMAGE082
与
Figure 54027DEST_PATH_IMAGE030
的值）。
采用步骤S1到步骤S8中的基于订单预测的代驾司机的调度方法，能够实现任意城市中的订单热点区域与司机过剩区域之间的司机调度，由此提高了司机运力的利用率；同时，基于步骤S1到步骤S8中的基于订单预测的代驾司机的调度方法，还可以将司机运力进行重新分布以实现运力分布最优化，从而满足更多代驾需求，进而提高司机运力的利用率。并且，由于本方法采用实时数据进行运力调度、并对调度指令执行状态进行持续跟踪，从而减少了数据滞后及指令失效对调度准确性的影响，由此保证了司机调度的准确性。此外，由于本方法的综合成本模型
Figure 364923DEST_PATH_IMAGE020
中涉及多种参数因子（如司机平均移动速度、指令执行成功率和失败率），由此提高了调度指令的有效性和准确性。
在一些实施例中，进一步地，步骤S3包括步骤S31-S33。
S31，构建出各单个网格的差分整合移动平均自回归模型且表示为:
Figure DEST_PATH_IMAGE084
Figure DEST_PATH_IMAGE044A
其中
Figure 871384DEST_PATH_IMAGE046
为偏差值（在实际预测时使用的是高斯白噪声），p为自回归项，f为移动平均项数，d为差分次数，
Figure 951335DEST_PATH_IMAGE048
为当前各网格在各时段的实际历史数据，
Figure 304956DEST_PATH_IMAGE050
为前d天各网格在各时段的实际历史数据，其中，
Figure 837569DEST_PATH_IMAGE052
为常数项，
Figure 318360DEST_PATH_IMAGE054
为自相关系数且分别表示被预测时段的订单量与每个历史时段订单量的相关程度，
Figure 987239DEST_PATH_IMAGE056
为偏差值相关系数、且分别表示被预测时段的订单量与偏差值的相关程度。
S32，选取多对整数作为p，f的值，并使用增广最小二乘估计法对每对p、f逐一建模，并估计出每对模型中对应的最优参数
Figure DEST_PATH_IMAGE086
。具体地，每对p、f，
Figure DEST_PATH_IMAGE088
。
S33，使用赤池信息准则分别评价所述多对p，f值对应的模型，并选定AIC值最小的模型作为该单个网格的差分整合移动平均自回归模型。
在一些实施例中，由于各网格在各时段的实际历史数据
Figure 308499DEST_PATH_IMAGE048
以星期为单位呈现周期性变化，因此在实际操作中可对实际历史数据进行7阶差分变化，即在步骤S31中，参数
Figure DEST_PATH_IMAGE090
。
为了便于后续的模型构建、且不增加计算难度，优选地，在步骤S32中，
Figure 108833DEST_PATH_IMAGE060
。
在一些实施例中，在步骤S32中，对任意一对p、f建立出的差分整合移动平均自回归模型中参数的估计过程包括步骤S321-S325。
S321，随机选取当前网格在当前时段的几组实际历史数据建立初始AR模型，且各组实际历史数据为连续d天的实际历史数据，
Figure 111424DEST_PATH_IMAGE062
，则
Figure 900389DEST_PATH_IMAGE064
（1）。
根据上式（1），利用最小二乘法计算出
Figure 861391DEST_PATH_IMAGE066
的第一次估计值。具体地，在步骤S321中，可以选取当前网格在当前时段的近一个月内的4组实际历史数据、并以该月中的每个星期中的七天数据为一组来进行计算。当然不仅限于此，还可以选取历史时期任意某个月或某几个月中的数据来进行计算。
S322，根据步骤S321计算出的
Figure 103017DEST_PATH_IMAGE066
的第一次估计值计算出
Figure 909299DEST_PATH_IMAGE068
的初始值
Figure 834661DEST_PATH_IMAGE070
，则
Figure 435406DEST_PATH_IMAGE072
（2）。
需要说明的是，在上式（2）中，等号右侧减号前面的第一部分中的各元素表示通过实际历史数据计算得到的偏差值，减号后面的第二部分中的各元素表示通过模型预测得到的偏差值。
S323，随机选取当前网格在当前时段的另外几组实际历史数据、并根据步骤S322计算出的
Figure 429907DEST_PATH_IMAGE068
的初始值构造ARMA模型，则
Figure 39880DEST_PATH_IMAGE074
（3）。
根据上式（3），利用最小二乘法计算出
Figure 803437DEST_PATH_IMAGE066
的第二次估计值。具体地，在步骤S323中，可以选取当前网格在当前时段且与步骤S321中采用的数据相邻月份中的4组实际历史数据、并以该月中的每个星期中的七天数据为一组来进行计算。当然不仅限于此，还可以选取与步骤S321中采用的数据不同的其他月份的数据来进行计算。
S324，根据步骤S323计算出的
Figure 575084DEST_PATH_IMAGE066
的第二次估计值计算出的对应的
Figure 562938DEST_PATH_IMAGE076
，则
Figure 711023DEST_PATH_IMAGE078
。
S325，随机选取未使用的其他实际历史数据并重复执行步骤S323- S324，直到偏差值
Figure 594665DEST_PATH_IMAGE068
收敛或参数
Figure 802793DEST_PATH_IMAGE080
收敛以得到最优参数，此时建模完成。
针对不同的p，f值，重复执行S321-S325，由此得到各单个网格的多个差分整合移动平均自回归模型。然后执行步骤S33，通过赤池信息准则选出该单个网格的最优差分整合移动平均自回归模型（即AIC值最小的模型）。之后，根据得到的最优差分整合移动平均自回归模型即可预测该单个网格在一天当中任意时段的订单量
Figure 506306DEST_PATH_IMAGE002
。
执行步骤S4-S5，可以得到各网格在当前时段的实时运力值，由此在当前时段确定哪些是运力值过剩的网格、哪些是运力值不足的网格，进而通过步骤S6将当前时段运力值过剩的网格中的部分司机调度到运力值不足的网格中。
步骤S6中的调度过程具体包括如上所述的步骤S61- S65。
在步骤S64中，根据以往历史数据中的司机
Figure 458082DEST_PATH_IMAGE016
与用户的距离以及司机
Figure 946963DEST_PATH_IMAGE016
到达用户下单位置的时间即可得到司机
Figure 60413DEST_PATH_IMAGE016
的平均移动速度。在一些实施例中，司机
Figure 516802DEST_PATH_IMAGE016
的平均移动速度为4.5米/秒，此时为了确保司机
Figure 6689DEST_PATH_IMAGE016
能在半小时到达调度地点，则可在所有的综合成本模型中将
Figure 599344DEST_PATH_IMAGE032
设定为8000米。
实际中，代驾司机的习惯决定了司机响应调度的积极性，所以在步骤S64中的综合成本模型中引入执行调度指令成功的数量
Figure 414854DEST_PATH_IMAGE082
和令执行调度指令失败的数量
Figure 342227DEST_PATH_IMAGE030
。而基于司机
Figure 370226DEST_PATH_IMAGE016
在历史时期累计的
Figure 82967DEST_PATH_IMAGE082
值和
Figure 803799DEST_PATH_IMAGE030
值，可通过对调度成功次数多的司机降低调度代价、反之提高调度代价，由此到达降低司机被调度的概率，进而有利于控制所有调度司机的调度综合成本。
在步骤S64中，
Figure 969201DEST_PATH_IMAGE034
为经验值，在一些实施例中，
Figure 66470DEST_PATH_IMAGE038
，
Figure 118870DEST_PATH_IMAGE040
。
在一些实施例中，进一步地，步骤S65包括步骤S651- S654。
S651，对集合A和集合B进行初始化，以将集合A中的每个可调度司机分别构建为一个集合（即该集合中只包含一个司机元素）、集合B中的每个网格分别构建为一个新的集合（即该集合中只包含一个网格元素）。S652，基于最大调度距离
Figure 276182DEST_PATH_IMAGE032
的存在，逐一将每对地理距离不大于最大调度距离的司机和网格分别所在的集合合并，以获得若干个司机和网格的组合集合，其中任意组合集合中的司机与非该组合集合中的网格之间不可调度，例如（参见图3）：对于任意三个司机和网格的组合集合C1、 C2和C3，则集合C1中的司机不可调度到集合C2和C3中的网格，同时集合C2中的司机不可调度到集合C1和C3中的网格。S653，采用Kuhn-Munkras算法求解各个司机和网格的组合集合中的最优调度方案。S654，记录并汇总所述若干个司机和网格的组合集合中的所有最优调度方案。
步骤S6中的调度方法，其实是将可参与调度的所有司机和网格分割成若干集合、并分别求解每个集合内的最优解问题，同时采用Kuhn-Munkras算法进行求解则是将调度方案计算过程转化为对二分图最优权值匹配问题的求解过程，由此降低了求解最优调度方案的计算复杂度。
此外，需要说明的是，步骤S6中的调度方案可每个时段求解一次，指令执行过程中目标网格的运力值会被临时增加，同时已经被调度过的司机将不再参与。
待通过步骤S6确定最优调度方案后，根据各司机和网格的组合集合中的最优调度方案即可通过推送和短信的方式向对应的可调度司机派发调度指令（即执行步骤S7）。
在一些实施例中，进一步地，步骤S8包括步骤S81- S84。
S81，各调度司机接收对应的派发指令并进入接收调度指令状态。S82，实时记录各调度司机的实时位置并计算各调度司机距离目标网格的距离，其中若调度司机与目标网格之间的距离缩小，则该调度司机进入前往目标网格状态；若调度司机与目标网格之间的距离增大，则该调度司机进入远离目标网格状态。S83，若调度司机处于远离目标网格状态，则向该调度司机发出通知以提醒该调度司机按照调度指令行动。S84，当调度司机的位置显示在目标网格中后，则表示该调度司机执行调度指令成功，否则表示该调度司机执行调度指令失败，如图4所示。
进一步地，在步骤S8中，接收调度指令状态、前往目标网格状态和远离目标网格状态分别设置有指令有效期。其中，在调度司机执行调度过程中，若调度司机接收调度指令状态、前往目标网格状态和远离目标网格状态中的任意状态超过对应的指令有效期（如30分钟），则表示该调度司机执行调度指令失败，此时可通过推送和短信的方式通知司机停止执行指令。

Claims (9)

1.一种基于订单预测的代驾司机的调度方法，其特征在于，所述基于订单预测的代驾司机的调度方法包括步骤：
S1，对城市进行网格划分并获得城市网格地图；
S2，采用GeoHash算法对所述城市网格地图上的所有网格进行地理位置编号；
S3，将一天划分为多个时段并对所述多个时段进行编号，基于各网格在一天当中的各个时段的历史订单数据进行分析并构建各网格的差分整合移动平均自回归模型，并基于构建的差分整合移动平均自回归模型预测出各网格在各时段的订单量并记为
Figure DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE004
表示网格的编号、
Figure DEST_PATH_IMAGE006
表示各时段的编号；
S4，对于各网格在一天中的任意时段，采集各网格中的司机在当前时段的位置数据、并获得各网格在当前时段的空闲司机的数量为
Figure DEST_PATH_IMAGE008
；
S5，计算出各网格在当前时段的实时运力值
Figure DEST_PATH_IMAGE010
，则
Figure DEST_PATH_IMAGE012
，且
Figure DEST_PATH_IMAGE014
；
S6，将当前时段运力值过剩的网格中的部分司机调度到运力值不足的网格中，且调度过程包括步骤：
S61，计算出当前时段每个运力值过剩的网格中各司机与网格中心点的地理距离并按地理距离长短进行排序，且将地理距离长的处于
Figure 141567DEST_PATH_IMAGE010
位司机进行标记以作为可调度司机；
S62，将当前时段所有运力值过剩的网格中被标记的可调度司机定义为集合A；
S63，将当前时段所有运力值不足的网格定义为集合B；
S64，构建出集合A中的司机
Figure DEST_PATH_IMAGE016
从当前网格移动到集合B中的网格
Figure DEST_PATH_IMAGE018
的综合成本模型并记为
Figure DEST_PATH_IMAGE020
，且
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为集合A中的司机
Figure 307975DEST_PATH_IMAGE016
与集合B中的网格
Figure 556554DEST_PATH_IMAGE018
之间的地理距离，
Figure DEST_PATH_IMAGE026
为司机
Figure 141644DEST_PATH_IMAGE016
的移动速度，
Figure DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE030
分别为司机
Figure 346229DEST_PATH_IMAGE016
在历史时期执行调度指令成功的数量和失败的数量,
Figure DEST_PATH_IMAGE032
为最大调度距离，
Figure DEST_PATH_IMAGE034
分别为
Figure DEST_PATH_IMAGE036
和
Figure 27746DEST_PATH_IMAGE026
的权重系数；
S65，计算出综合成本模型
Figure 763621DEST_PATH_IMAGE020
中的所有最优调度方案；
S7，根据步骤S65中的所有最优调度方案向对应的可调度司机派发调度指令；
S8，对步骤S7中的各可调度司机的指令执行状态进行实时跟踪、并记录各可调度司机的所述调度指令是否成功。
2.根据权利要求1所述的基于订单预测的代驾司机的调度方法，其特征在于，在步骤S65中，包括步骤：
S651，对集合A和集合B进行初始化，以将集合A中的每个可调度司机构建为一个集合、集合B中的每个网格构建为一个集合；
S652，逐一将每对地理距离不大于最大调度距离的司机和网格分别所在的集合合并，以获得若干个司机和网格的组合集合，其中任意组合集合中的司机与非该组合集合中的网格之间不可调度；
S653，采用Kuhn-Munkras算法求解各个司机和网格的组合集合的最优调度方案；
S654，记录并汇总所述若干个司机和网格的组合集合的所有最优调度方案。
3.根据权利要求1所述的基于订单预测的代驾司机的调度方法，其特征在于，步骤S8包括步骤：
S81，各调度司机接收对应的派发指令并进入接收调度指令状态；
S82，实时记录各调度司机的实时位置并计算各调度司机距离目标网格的距离，其中若调度司机与目标网格之间的距离缩小，则该调度司机进入前往目标网格状态；若调度司机与目标网格之间的距离增大，则该调度司机进入远离目标网格状态；
S83，若调度司机处于远离目标网格状态，则向该调度司机发出通知以提醒该调度司机按照调度指令行动；
S84，当调度司机的位置显示在目标网格中后，则表示该调度司机执行调度指令成功，否则表示该调度司机执行调度指令失败。
4.根据权利要求3所述的基于订单预测的代驾司机的调度方法，其特征在于，在步骤S8中，接收调度指令状态、前往目标网格状态和远离目标网格状态分别设置有指令有效期。
5.根据权利要求1所述的基于订单预测的代驾司机的调度方法，其特征在于，在步骤S64中，
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
。
6.根据权利要求1所述的基于订单预测的代驾司机的调度方法，其特征在于，在步骤S3中，包括步骤：
S31，构建出各单个网格的差分整合移动平均自回归模型且表示为:
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE044
其中
Figure DEST_PATH_IMAGE046
为偏差值，参数p为自回归项，f为移动平均项数，d为差分次数，
Figure DEST_PATH_IMAGE048
为当前各网格在各时段的实际历史数据，
Figure DEST_PATH_IMAGE050
为前d天各网格在各时段的实际历史数据，其中，
Figure DEST_PATH_IMAGE052
为常数项，
Figure DEST_PATH_IMAGE054
为自相关系数、
Figure DEST_PATH_IMAGE056
为偏差值相关系数；
S32，选取多对整数作为p，f的值，并使用增广最小二乘估计法对每对p、f逐一建模，并估计出每对模型中对应的最优参数
Figure DEST_PATH_IMAGE058
；
S33，使用赤池信息准则分别评价所述多对p，f值对应的模型，并选定AIC值最小的模型作为该单个网格的差分整合移动平均自回归模型。
7.根据权利要求6所述的基于订单预测的代驾司机的调度方法，其特征在于，在步骤S31中，d=7。
8.根据权利要求6所述的基于订单预测的代驾司机的调度方法，其特征在于，在步骤S32中，
Figure DEST_PATH_IMAGE060
。
9.根据权利要求6所述的基于订单预测的代驾司机的调度方法，其特征在于，在步骤S32中，对任意一对p、f建立出的差分整合移动平均自回归模型中参数的估计过程包括步骤：
S321，随机选取当前网格在当前时段的几组实际历史数据建立初始AR模型，且各组实际历史数据为连续d天的实际历史数据，
Figure DEST_PATH_IMAGE062
，则
Figure DEST_PATH_IMAGE064
（1）
根据上式（1），利用最小二乘法计算出
Figure DEST_PATH_IMAGE066
的第一次估计值；
S322，根据步骤S321计算出的
Figure 854199DEST_PATH_IMAGE066
的第一次估计值计算出
Figure DEST_PATH_IMAGE068
的初始值
Figure DEST_PATH_IMAGE070
，则
Figure DEST_PATH_IMAGE072
（2）
S323，随机选取当前网格在当前时段的另外几组实际历史数据、并根据步骤S322计算出的
Figure 396781DEST_PATH_IMAGE068
的初始值构造ARMA模型，则
Figure DEST_PATH_IMAGE074
（3）
根据上式（2），利用最小二乘法计算出
Figure 577095DEST_PATH_IMAGE066
的第二次估计值；
S324，根据步骤S323计算出的
Figure 800266DEST_PATH_IMAGE066
的第二次估计值计算出
Figure 6119DEST_PATH_IMAGE068
的对应的
Figure DEST_PATH_IMAGE076
，则
Figure DEST_PATH_IMAGE078
S325，重复执行步骤S323- S324，直到偏差值
Figure 388559DEST_PATH_IMAGE068
收敛或参数
Figure DEST_PATH_IMAGE080
收敛以得到最优参数，建模完成。
CN202110618192.2A 2021-06-03 2021-06-03 基于订单预测的代驾司机的调度方法 Active CN113256015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618192.2A CN113256015B (zh) 2021-06-03 2021-06-03 基于订单预测的代驾司机的调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618192.2A CN113256015B (zh) 2021-06-03 2021-06-03 基于订单预测的代驾司机的调度方法

Publications (2)

Publication Number Publication Date
CN113256015A true CN113256015A (zh) 2021-08-13
CN113256015B CN113256015B (zh) 2021-11-16

Family

ID=77186092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618192.2A Active CN113256015B (zh) 2021-06-03 2021-06-03 基于订单预测的代驾司机的调度方法

Country Status (1)

Country Link
CN (1) CN113256015B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066079A (zh) * 2021-11-22 2022-02-18 北京白龙马云行科技有限公司 一种基于多租户的网约车供需差预测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030018513A1 (en) * 2001-04-13 2003-01-23 Hoffman George Harry System, method and computer program product for benchmarking in a supply chain management framework
CN107392389A (zh) * 2017-08-03 2017-11-24 重庆大学 基于arima模型的出租车调度处理方法
CN110033177A (zh) * 2019-03-27 2019-07-19 温州大学 基于gps大数据的出租车高效益智能集体调度算法
CN110766280A (zh) * 2019-09-20 2020-02-07 南京领行科技股份有限公司 一种车辆调度方法、目标订单预测模型的生成方法和装置
CN111523743A (zh) * 2019-03-22 2020-08-11 拉扎斯网络科技（上海）有限公司 订单分配方法、装置、服务器及非易失性存储介质
CN111582590A (zh) * 2020-05-12 2020-08-25 上海新共赢信息科技有限公司 一种调度预测方法、装置、设备及存储介质
CN111754149A (zh) * 2019-03-28 2020-10-09 天津五八到家科技有限公司 司机调度方法、设备及存储介质
CN111882092A (zh) * 2020-06-16 2020-11-03 广东工业大学 一种适用于共享出行的出租车车辆搜索方法
CN112562309A (zh) * 2021-03-01 2021-03-26 湖南师范大学 基于改进Dijkstra算法的网约车调度方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030018513A1 (en) * 2001-04-13 2003-01-23 Hoffman George Harry System, method and computer program product for benchmarking in a supply chain management framework
CN107392389A (zh) * 2017-08-03 2017-11-24 重庆大学 基于arima模型的出租车调度处理方法
CN111523743A (zh) * 2019-03-22 2020-08-11 拉扎斯网络科技（上海）有限公司 订单分配方法、装置、服务器及非易失性存储介质
CN110033177A (zh) * 2019-03-27 2019-07-19 温州大学 基于gps大数据的出租车高效益智能集体调度算法
CN111754149A (zh) * 2019-03-28 2020-10-09 天津五八到家科技有限公司 司机调度方法、设备及存储介质
CN110766280A (zh) * 2019-09-20 2020-02-07 南京领行科技股份有限公司 一种车辆调度方法、目标订单预测模型的生成方法和装置
CN111582590A (zh) * 2020-05-12 2020-08-25 上海新共赢信息科技有限公司 一种调度预测方法、装置、设备及存储介质
CN111882092A (zh) * 2020-06-16 2020-11-03 广东工业大学 一种适用于共享出行的出租车车辆搜索方法
CN112562309A (zh) * 2021-03-01 2021-03-26 湖南师范大学 基于改进Dijkstra算法的网约车调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066079A (zh) * 2021-11-22 2022-02-18 北京白龙马云行科技有限公司 一种基于多租户的网约车供需差预测方法及装置
CN114066079B (zh) * 2021-11-22 2022-11-25 北京白龙马云行科技有限公司 一种基于多租户的网约车供需差预测方法及装置

Also Published As

Publication number Publication date
CN113256015B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN111653088B (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
Gong et al. Network-wide crowd flow prediction of sydney trains via customized online non-negative matrix factorization
CN101751777B (zh) 基于空间聚类分析的城市路网交通小区动态划分方法
WO2019237522A1 (zh) 车辆租赁方法、装置、计算机设备和存储介质
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN111564053B (zh) 车辆调度方法、装置、车辆调度设备和存储介质
Li et al. Deep learning based parking prediction on cloud platform
CN106127329A (zh) 订单预测方法与装置
CN109583491A (zh) 一种共享单车智能调度方法
CN101206801A (zh) 一种自适应交通控制方法
CN110033177B (zh) 基于gps大数据的出租车高效益智能集体调度方法
CN108615391A (zh) 一种公交智能调度方法、系统及介质
CN113672846A (zh) 网约车调度方法、装置、电子设备及存储介质
CN113256015B (zh) 基于订单预测的代驾司机的调度方法
US20220108615A1 (en) Systems and methods for dispatching shared rides through ride-hailing platform
Wang et al. Providing real-time bus crowding information for passengers: A novel policy to promote high-frequency transit performance
CN109544967A (zh) 一种基于低频avl数据的公交线网运行状态监控方法
CN113191029B (zh) 基于集群计算的交通仿真方法、程序及介质
CN113191028B (zh) 交通仿真方法、系统、程序及介质
Hosseinlou et al. Evaluation of transit signal priority for bus rapid transit in heterogeneous traffic flow
CN112287503B (zh) 用于交通需求预测的动态空间网络构建方法
CN106251011A (zh) 用于分析离港值机旅客排队的数据处理方法及装置
Moreira-Matias et al. Online predictive model for taxi services
CN115208892A (zh) 基于动态资源需求的车路协同在线任务调度方法及系统
CN114330784A (zh) 一种运维人员排班方法、系统及计算机可读存储介质

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