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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 12
- 241001123248 Arma Species 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 101150011264 setB gene Proteins 0.000 description 1
- 230000002194 synthesizing 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
- G06Q10/04—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
Description
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,其中表示网格的编号、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。
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中的司机从当前网格移动到集合B中的网格的综合成本模型并记为,且
其中,为集合A中的司机与集合B中的网格之间的地理距离,为司机的移动速度,、分别为司机在历史时期执行调度指令成功的数量和失败的数量,为最大调度距离,分别为和的权重系数。S65,计算出综合成本模型 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。
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:
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。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,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。
本发明的有益效果如下:
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,其中表示网格的编号、表示时段的编号。具体地,可将一天划分为48个时段,则在1,2,3……48中取值,各时段为30分钟。
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。
其中,为集合A中的司机与集合B中的网格之间的地理距离,为司机的平均移动速度(根据以往历史数据中的司机与用户的距离以及司机到达用户下单位置的时间即可得到),、分别为司机在历史时期执行调度指令成功的数量和失败的数量,为最大调度距离(如果超过此值,司机将禁止调度到网格中),分别为和的权重系数。
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。
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:
其中为偏差值(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,为当前各网格在各时段的实际历史数据,为前d天各网格在各时段的实际历史数据,其中,为常数项,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,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。
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,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。
根据上式(1),利用最小二乘法计算出的第一次估计值。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。
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。
根据上式(3),利用最小二乘法计算出的第二次估计值。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。
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。
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与用户的距离以及司机到达用户下单位置的时间即可得到司机的平均移动速度。在一些实施例中,司机的平均移动速度为4.5米/秒,此时为了确保司机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和令执行调度指令失败的数量。而基于司机在历史时期累计的值和值,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,其中表示网格的编号、表示各时段的编号;
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:
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;
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。
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。
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:
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)
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)
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 |
-
2021
- 2021-06-03 CN CN202110618192.2A patent/CN113256015B/zh active Active
Patent Citations (9)
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)
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 |