CN113269364A - 一种共享车辆的调度方法及装置 - Google Patents
一种共享车辆的调度方法及装置 Download PDFInfo
- Publication number
- CN113269364A CN113269364A CN202110608090.2A CN202110608090A CN113269364A CN 113269364 A CN113269364 A CN 113269364A CN 202110608090 A CN202110608090 A CN 202110608090A CN 113269364 A CN113269364 A CN 113269364A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- preset
- station
- vehicles
- returning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000002360 explosive Substances 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
- 230000004044 response 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
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种共享车辆的调度方法及装置,分别利用预先构建的取车预测模型和还车预测模型,实现对每个站点在预测日期内每个预设时间段的取车数量和还车数量的准确预测,从而结合每个站点的实时车辆数量和预测结果生成调度成本最低的调度计划,实现各个站点之间车辆的合理调度,在实际应用中保证每个站点都能有可用车辆,避免站点无车可用以及还车时站点无可用停车位导致无法还车的问题。
Description
技术领域
本发明涉及人工智能技术领域,更具体的,涉及一种共享车辆的调度方法及装置。
背景技术
随着共享车辆在人们日常生活中的普遍流行,共享车辆的种类也越来越多,如共享自行车、共享汽车、共享电动汽车等。其中,由于共享电动车需要在特定站点充电,因此共享电动汽车需要在特定站点取车,在特定站点还车。
在这种情况下,需要保证每个站点都能有可用车辆,但车辆数量又不能超过总车位数,避免站点无车可用,以及还车时站点无可用停车位导致无法还车的问题。
发明内容
有鉴于此,本发明提供了一种共享车辆的调度方法及装置,实现各个站点之间车辆的合理调度,保证每个站点都能有可用车辆,避免站点无车可用以及还车时站点无可用停车位导致无法还车的问题。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种共享车辆的调度方法,包括:
响应于取还车预测指令,获取预测日期对应的预设区域内每个站点的历史取车数据和历史还车数据;
将所述历史取车数据输入预先构建的取车预测模型,得到所述取车预测模型输出的每个站点在预测日期内每个预设时间段内的取车数量;
将所述历史还车数据输入预先构建的还车预测模型,得到所述还车预测模型输出的每个站点在预测日期内每个预设时间段内的还车数量;
获取每个站点的实时车辆数量;
根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆;
在站点需要调度车辆的情况下,生成调度成本最低的调度计划。
可选的,构建所述取车预测模型和所述还车预测模型,包括:
获取预设区域内的站点数据以及预设历史周期内的取车订单数据和还车订单数据;
根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集;
利用所述取车训练样本集对预设模型进行训练,得到所述取车预测模型;
利用所述还车训练样本集对预设模型进行训练,得到所述还车预测模型。
可选的,所述根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集,包括:
根据预设区域内的站点数据,过滤掉预设历史周期内失效站点的取车订单数据和还车订单数据,得到预设历史周期内的有效取车订单数据和有效还车订单数据;
根据预设历史周期内的有效取车订单数据和有效还车订单数据,统计每个站点在预设历史周期内每天中每个预设时间段的实际取车数量和实际还车数量;
标记节假日日期,并统计每个站点在每个节假日之前的每个预设周期内的节假日内每个预设时间段内的取车数量和还车数量;
针对预设历史周期内每一天,分别统计每个站点在之前的每个预设周期内每个预设时间段内的取车数量均值和还车数量均值,并分别统计每个站点在之前每个预设周期内相同星期数的取车数量和还车数量;
将每个站点在预设历史周期内每天中每个预设时间段的实际取车数量、在每个节假日之前的每个预设周期内的节假日内的取车数量均值和在之前每个预设周期内相同星期数的取车数量确定为所述取车训练样本集;
将每个站点在预设历史周期内每天中每个预设时间段的实际还车数量、在每个节假日之前的每个预设周期内的节假日内的还车数量均值和在之前每个预设周期内相同星期数的还车数量确定为所述还车训练样本集。
可选的,所述生成调度成本最低的调度计划,包括:
确定每个站点需要调入的车辆数量和需要调出的车辆数量;
以调度成本最低为约束条件,根据每个站点需要调入的车辆数量和需要调出的车辆数量以及预先构建的站点间距离矩阵,生成所述调度计划。
可选的,所述方法还包括:
获取预测日期的实际取车订单和实际还车订单;
根据预测日期的实际取车订单和实际还车订单以及所述调度计划,计算调度转化率。
一种共享车辆的调度装置,包括:
历史数据获取单元,用于响应于取还车预测指令,获取预测日期对应的预设区域内每个站点的历史取车数据和历史还车数据;
取车数量预测单元,用于将所述历史取车数据输入预先构建的取车预测模型,得到所述取车预测模型输出的每个站点在预测日期内每个预设时间段内的取车数量;
还车数量预测单元,用于将所述历史还车数据输入预先构建的还车预测模型,得到所述还车预测模型输出的每个站点在预测日期内每个预设时间段内的还车数量;
实时车辆数量获取单元,用于获取每个站点的实时车辆数量;
调度需求确定单元,用于根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆;
调度计划生成单元,用于在站点需要调度车辆的情况下,生成调度成本最低的调度计划。
可选的,预测模型构建单元,包括:
样本数据获取子单元,用于获取预设区域内的站点数据以及预设历史周期内的取车订单数据和还车订单数据;
样本数据预处理子单元,用于根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集;
取车预测模型训练子单元,用于利用所述取车训练样本集对预设模型进行训练,得到所述取车预测模型;
还车预测模型训练子单元,用于利用所述还车训练样本集对预设模型进行训练,得到所述还车预测模型。
可选的,所述样本数据预处理子单元,具体用于:
根据预设区域内的站点数据,过滤掉预设历史周期内失效站点的取车订单数据和还车订单数据,得到预设历史周期内的有效取车订单数据和有效还车订单数据;
根据预设历史周期内的有效取车订单数据和有效还车订单数据,统计每个站点在预设历史周期内每天中每个预设时间段的实际取车数量和实际还车数量;
标记节假日日期,并统计每个站点在每个节假日之前的每个预设周期内的节假日内每个预设时间段内的取车数量和还车数量;
针对预设历史周期内每一天,分别统计每个站点在之前的每个预设周期内每个预设时间段内的取车数量均值和还车数量均值,并分别统计每个站点在之前每个预设周期内相同星期数的取车数量和还车数量;
将每个站点在预设历史周期内每天中每个预设时间段的实际取车数量、在每个节假日之前的每个预设周期内的节假日内的取车数量均值和在之前每个预设周期内相同星期数的取车数量确定为所述取车训练样本集;
将每个站点在预设历史周期内每天中每个预设时间段的实际还车数量、在每个节假日之前的每个预设周期内的节假日内的还车数量均值和在之前每个预设周期内相同星期数的还车数量确定为所述还车训练样本集。
可选的,所述调度计划生成单元,用于:
确定每个站点需要调入的车辆数量和需要调出的车辆数量;
以调度成本最低为约束条件,根据每个站点需要调入的车辆数量和需要调出的车辆数量以及预先构建的站点间距离矩阵,生成所述调度计划。
可选的,所述装置还包括:
调度转化率计算单元,用于获取预测日期的实际取车订单和实际还车订单;根据预测日期的实际取车订单和实际还车订单以及所述调度计划,计算调度转化率。
一种计算机存储介质,所述计算机存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机存储介质所在设备执行上述实施例公开的共享车辆的调度方法。
相对于现有技术,本发明的有益效果如下:
本发明公开的一种共享车辆的调度方法,通过将预测日期对应的历史取车数据输入预先构建的取车预测模型,得到每个站点在预测日期内每个预设时间段的取车数量,并通过将预测日期对应的和历史还车数据输入预先构建的还车预测模型,得到每个站点在预测日期内每个预设时间段的还车数量,并根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆,并在站点需要调度车辆的情况下,生成调度成本最低的调度计划,实现各个站点之间车辆的合理调度,保证每个站点都能有可用车辆,避免站点无车可用以及还车时站点无可用停车位导致无法还车的问题。
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为本发明实施例公开的一种共享车辆的调度方法的流程示意图;
图2为本发明实施例公开的一种调度计划示意图;
图3为本发明实施例公开的一种构建取车预测模型和还车预测模型的方法的流程示意图;
图4为本发明实施例公开的一种共享车辆的调度装置的结构示意图。
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。
本发明提供了一种共享车辆的调度方法,通过构建取车预测模型和还车预测模型,实现对预测日期内每个预设时间段内的取车数量和还车数量的准确预测,进而根据每个站点的实时车辆数量,生成调度成本最低的调度计划,实现各个站点之间车辆的合理调度,保证每个站点都能有可用车辆,避免站点无车可用以及还车时站点无可用停车位导致无法还车的问题。
具体的,请参阅图1,本实施例公开的一种共享车辆的调度方法包括以下步骤:
S101:响应于取还车预测指令,获取预测日期对应的预设区域内每个站点的历史取车数据和历史还车数据;
其中,取还车预测指令可以是人为触发的,也可以是在特定时刻自动触发的,如在每天凌晨00:00自动触发取还车预测指令。
为了保证预测的准确性,预测日期可以为当前日期的第二天。
预设区域为需要进行共享车辆调度的区域,如某个城区。
预测日期对应的预设区域内每个站点的历史取车数据和历史还车数据,可以为与预测日期相同星期数的每个预设时间段的历史取车数据的均值和历史还车数据的均值,为了提高预测的准确性,还可以增加历史取车数据和历史还车数据的特征,如增加预测日期之前每个预设历史周期内每个预设时间段的历史取车数据的均值和历史还车数据的均值,增加节假日标记等。
其中,一种优选的预测日期对应的预设区域内每个站点的历史取车数据和历史还车数据包括:
预测日期是否为节假日,若是节假日,预测日期之前7天、14天、21天、28天内节假日每个站点在每个预设时间段内的取车数量和还车数量;
预测日期之前1天、7天、14天、21天、28天内每个站点在每个预设时间段内的取车数量均值和还车数量均值;
预测日期之前1周、2周、3周、4周内与预测日期相同星期数的每个站点在每个预设时间段内的取车数量和还车数量。
一天中的每个预设时间段可以为将一天中的24小时平均分为12个时间段,即每两个小时为一个预设时间段。
S102:将历史取车数据输入预先构建的取车预测模型,得到取车预测模型输出的每个站点在预测日期内每个预设时间段内的取车数量;
S103:将历史还车数据输入预先构建的还车预测模型,得到还车预测模型输出的每个站点在预测日期内每个预设时间段内的还车数量;
S104:获取每个站点的实时车辆数量;
S105:根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆;
具体的,针对每个站点,在实时车辆数量小于预测得到的取车数量的情况下,需要调入车辆,并将实时车辆数量与预测得到的取车数量之间的差值确定为需要调入车辆的数量;在实时车辆数量大于取车数量的情况下,需要调出车辆,并将预测得到的取车数量与实时车辆数量之间的差值确定为需要调出车辆的数量。
S106:在站点需要调度车辆的情况下,生成调度成本最低的调度计划。
首先确定并将实时车辆数量与预测得到的取车数量之间的差值确定为需要调入车辆的数量,然后以调度成本最低为约束条件,根据每个站点需要调入的车辆数量和需要调出的车辆数量以及预先构建的站点间距离矩阵,生成调度计划。
需要说明的是,可用车位数量小于预测得到的还车数量的站点为爆点站点,实时车辆数量小于预测得到的取车数量的站点为缺车站点,为了实现调度计划的优化,在生成调度计划的过程中还可以尽量将爆点站点的车辆调入缺车站点,使得调度成本最低。
图2为一种调度计划示意图,可以发现站点间存在多个可行调度任务,但是为了使得调度成本最低,尽量将爆点站点的车辆调入缺车站点,从而最终生成如图2所示的生成调度任务。
请参阅图3,本实施例还公开了一种构建取车预测模型和还车预测模型的方法,具体包括以下步骤:
S201:获取预设区域内的站点数据以及预设历史周期内的取车订单数据和还车订单数据;
需要说明的是,预设区域内的站点数据为有效站点的数据,包括:站点标识、站点坐标、站点车位数等。
为了保证预测的准确性,预设历史周期为离当前日期最近的历史周期,如上一年。
取车订单数据和还车订单数据包括:订单起始时间、订单结束时间、起始站点、结束站点、订单里程数、起始站点车辆数量、结束站点车辆数量等。
S202:根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集;
首先,根据预设区域内的站点数据,过滤掉预设历史周期内失效站点的取车订单数据和还车订单数据,得到预设历史周期内的有效取车订单数据和有效还车订单数据。
然后,根据预设历史周期内的有效取车订单数据和有效还车订单数据,统计每个站点在预设历史周期内每天中每个预设时间段的实际取车数量和实际还车数量。
然后,标记节假日日期,并统计每个站点在每个节假日之前的每个预设周期内的节假日内每个预设时间段内的取车数量和还车数量,如样本日期为节假日,统计样本日期之前7天、14天、21天、28天内节假日每个站点在每个预设时间段内的取车数量和还车数量。
然后,针对预设历史周期内每一天,分别统计每个站点在之前的每个预设周期内每个预设时间段内的取车数量均值和还车数量均值,并分别统计每个站点在之前每个预设周期内相同星期数的取车数量和还车数量,如统计样本日期之前1天、7天、14天、21天、28天内每个站点在每个预设时间段内的取车数量均值和还车数量均值。
然后,将每个站点在预设历史周期内每天中每个预设时间段的实际取车数量、在每个节假日之前的每个预设周期内的节假日内的取车数量均值和在之前每个预设周期内相同星期数的取车数量确定为取车训练样本集,如统计样本日期之前1周、2周、3周、4周内与预测日期相同星期数的每个站点在每个预设时间段内的取车数量和还车数量。
最后,将每个站点在预设历史周期内每天中每个预设时间段的实际还车数量、在每个节假日之前的每个预设周期内的节假日内的还车数量均值和在之前每个预设周期内相同星期数的还车数量确定为还车训练样本集。
S203:利用取车训练样本集对预设模型进行训练,得到取车预测模型;
S204:利用还车训练样本集对预设模型进行训练,得到还车预测模型。
具体的,可以使用KFold进行5折交叉验证的方式处理特征数据,准备进行模型训练。
进一步,在获取预测日期的实际取车订单和实际还车订单之后,还可以根据预测日期的实际取车订单和实际还车订单以及所述调度计划,计算调度转化率,从而评估取车预测模型和还车预测模型的预测效果。
具体的,完成调度后,对预设时间段(如2小时)的订单进行监控,评估调度的成功率。评估分为两部分,调出车辆的站点是否在两小时内依然发生了爆点,调入车辆的站点是否有缺车现象,以此来计算调度转化率。对该次调度的预测情况进行打分以及后续的分析。
本实施例公开的一种共享车辆的调度方法,通过将预测日期对应的历史取车数据输入预先构建的取车预测模型,得到每个站点在预测日期内每个预设时间段的取车数量,并通过将预测日期对应的和历史还车数据输入预先构建的还车预测模型,得到每个站点在预测日期内每个预设时间段的还车数量,并根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆,并在站点需要调度车辆的情况下,生成调度成本最低的调度计划,实现各个站点之间车辆的合理调度,保证每个站点都能有可用车辆,避免站点无车可用以及还车时站点无可用停车位导致无法还车的问题。
基于上述实施例公开的一种共享车辆的调度方法,本实施例对应公开了一种共享车辆的调度装置,请参阅图4,该装置包括:
历史数据获取单元100,用于响应于取还车预测指令,获取预测日期对应的预设区域内每个站点的历史取车数据和历史还车数据;
取车数量预测单元200,用于将所述历史取车数据输入预先构建的取车预测模型,得到所述取车预测模型输出的每个站点在预测日期内每个预设时间段内的取车数量;
还车数量预测单元300,用于将所述历史还车数据输入预先构建的还车预测模型,得到所述还车预测模型输出的每个站点在预测日期内每个预设时间段内的还车数量;
实时车辆数量获取单元400,用于获取每个站点的实时车辆数量;
调度需求确定单元500,用于根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆;
调度计划生成单元600,用于在站点需要调度车辆的情况下,生成调度成本最低的调度计划。
可选的,预测模型构建单元,包括:
样本数据获取子单元,用于获取预设区域内的站点数据以及预设历史周期内的取车订单数据和还车订单数据;
样本数据预处理子单元,用于根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集;
取车预测模型训练子单元,用于利用所述取车训练样本集对预设模型进行训练,得到所述取车预测模型;
还车预测模型训练子单元,用于利用所述还车训练样本集对预设模型进行训练,得到所述还车预测模型。
可选的,所述样本数据预处理子单元,具体用于:
根据预设区域内的站点数据,过滤掉预设历史周期内失效站点的取车订单数据和还车订单数据,得到预设历史周期内的有效取车订单数据和有效还车订单数据;
根据预设历史周期内的有效取车订单数据和有效还车订单数据,统计每个站点在预设历史周期内每天中每个预设时间段的实际取车数量和实际还车数量;
标记节假日日期,并统计每个站点在每个节假日之前的每个预设周期内的节假日内每个预设时间段内的取车数量和还车数量;
针对预设历史周期内每一天,分别统计每个站点在之前的每个预设周期内每个预设时间段内的取车数量均值和还车数量均值,并分别统计每个站点在之前每个预设周期内相同星期数的取车数量和还车数量;
将每个站点在预设历史周期内每天中每个预设时间段的实际取车数量、在每个节假日之前的每个预设周期内的节假日内的取车数量均值和在之前每个预设周期内相同星期数的取车数量确定为所述取车训练样本集;
将每个站点在预设历史周期内每天中每个预设时间段的实际还车数量、在每个节假日之前的每个预设周期内的节假日内的还车数量均值和在之前每个预设周期内相同星期数的还车数量确定为所述还车训练样本集。
可选的,所述调度计划生成单元600,用于:
确定每个站点需要调入的车辆数量和需要调出的车辆数量;
以调度成本最低为约束条件,根据每个站点需要调入的车辆数量和需要调出的车辆数量以及预先构建的站点间距离矩阵,生成所述调度计划。
可选的,所述装置还包括:
调度转化率计算单元,用于获取预测日期的实际取车订单和实际还车订单;根据预测日期的实际取车订单和实际还车订单以及所述调度计划,计算调度转化率。
本实施例公开的一种共享车辆的调度装置,通过将预测日期对应的历史取车数据输入预先构建的取车预测模型,得到每个站点在预测日期内每个预设时间段的取车数量,并通过将预测日期对应的和历史还车数据输入预先构建的还车预测模型,得到每个站点在预测日期内每个预设时间段的还车数量,并根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆,并在站点需要调度车辆的情况下,生成调度成本最低的调度计划,实现各个站点之间车辆的合理调度,保证每个站点都能有可用车辆,避免站点无车可用以及还车时站点无可用停车位导致无法还车的问题。
本实施例还公开了一种计算机存储介质,可以为非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。所述计算机存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机存储介质所在设备执行如下共享车辆的调度方法:
响应于取还车预测指令,获取预测日期对应的预设区域内每个站点的历史取车数据和历史还车数据;
将所述历史取车数据输入预先构建的取车预测模型,得到所述取车预测模型输出的每个站点在预测日期内每个预设时间段内的取车数量;
将所述历史还车数据输入预先构建的还车预测模型,得到所述还车预测模型输出的每个站点在预测日期内每个预设时间段内的还车数量;
获取每个站点的实时车辆数量;
根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆;
在站点需要调度车辆的情况下,生成调度成本最低的调度计划。
进一步,构建所述取车预测模型和所述还车预测模型,包括:
获取预设区域内的站点数据以及预设历史周期内的取车订单数据和还车订单数据;
根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集;
利用所述取车训练样本集对预设模型进行训练,得到所述取车预测模型;
利用所述还车训练样本集对预设模型进行训练,得到所述还车预测模型。
进一步,所述根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集,包括:
根据预设区域内的站点数据,过滤掉预设历史周期内失效站点的取车订单数据和还车订单数据,得到预设历史周期内的有效取车订单数据和有效还车订单数据;
根据预设历史周期内的有效取车订单数据和有效还车订单数据,统计每个站点在预设历史周期内每天中每个预设时间段的实际取车数量和实际还车数量;
标记节假日日期,并统计每个站点在每个节假日之前的每个预设周期内的节假日内每个预设时间段内的取车数量和还车数量;
针对预设历史周期内每一天,分别统计每个站点在之前的每个预设周期内每个预设时间段内的取车数量均值和还车数量均值,并分别统计每个站点在之前每个预设周期内相同星期数的取车数量和还车数量;
将每个站点在预设历史周期内每天中每个预设时间段的实际取车数量、在每个节假日之前的每个预设周期内的节假日内的取车数量均值和在之前每个预设周期内相同星期数的取车数量确定为所述取车训练样本集;
将每个站点在预设历史周期内每天中每个预设时间段的实际还车数量、在每个节假日之前的每个预设周期内的节假日内的还车数量均值和在之前每个预设周期内相同星期数的还车数量确定为所述还车训练样本集。
进一步,所述生成调度成本最低的调度计划,包括:
确定每个站点需要调入的车辆数量和需要调出的车辆数量;
以调度成本最低为约束条件,根据每个站点需要调入的车辆数量和需要调出的车辆数量以及预先构建的站点间距离矩阵,生成所述调度计划。
进一步,所述方法还包括:
获取预测日期的实际取车订单和实际还车订单;
根据预测日期的实际取车订单和实际还车订单以及所述调度计划,计算调度转化率。
本说明书中各个实施例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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
上述各个实施例之间可任意组合,对所公开的实施例的上述说明,本说明书中各实施例中记载的特征可以相互替换或者组合,使本领域专业技术人员能够实现或使用本申请。
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 (11)
1.一种共享车辆的调度方法,其特征在于,包括:
响应于取还车预测指令,获取预测日期对应的预设区域内每个站点的历史取车数据和历史还车数据;
将所述历史取车数据输入预先构建的取车预测模型,得到所述取车预测模型输出的每个站点在预测日期内每个预设时间段内的取车数量;
将所述历史还车数据输入预先构建的还车预测模型,得到所述还车预测模型输出的每个站点在预测日期内每个预设时间段内的还车数量;
获取每个站点的实时车辆数量;
根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆;
在站点需要调度车辆的情况下,生成调度成本最低的调度计划。
2.根据权利要求1所述的方法,其特征在于,构建所述取车预测模型和所述还车预测模型,包括:
获取预设区域内的站点数据以及预设历史周期内的取车订单数据和还车订单数据;
根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集;
利用所述取车训练样本集对预设模型进行训练,得到所述取车预测模型;
利用所述还车训练样本集对预设模型进行训练,得到所述还车预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集,包括:
根据预设区域内的站点数据,过滤掉预设历史周期内失效站点的取车订单数据和还车订单数据,得到预设历史周期内的有效取车订单数据和有效还车订单数据;
根据预设历史周期内的有效取车订单数据和有效还车订单数据,统计每个站点在预设历史周期内每天中每个预设时间段的实际取车数量和实际还车数量;
标记节假日日期,并统计每个站点在每个节假日之前的每个预设周期内的节假日内每个预设时间段内的取车数量和还车数量;
针对预设历史周期内每一天,分别统计每个站点在之前的每个预设周期内每个预设时间段内的取车数量均值和还车数量均值,并分别统计每个站点在之前每个预设周期内相同星期数的取车数量和还车数量;
将每个站点在预设历史周期内每天中每个预设时间段的实际取车数量、在每个节假日之前的每个预设周期内的节假日内的取车数量均值和在之前每个预设周期内相同星期数的取车数量确定为所述取车训练样本集;
将每个站点在预设历史周期内每天中每个预设时间段的实际还车数量、在每个节假日之前的每个预设周期内的节假日内的还车数量均值和在之前每个预设周期内相同星期数的还车数量确定为所述还车训练样本集。
4.根据权利要求1所述的方法,其特征在于,所述生成调度成本最低的调度计划,包括:
确定每个站点需要调入的车辆数量和需要调出的车辆数量;
以调度成本最低为约束条件,根据每个站点需要调入的车辆数量和需要调出的车辆数量以及预先构建的站点间距离矩阵,生成所述调度计划。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取预测日期的实际取车订单和实际还车订单;
根据预测日期的实际取车订单和实际还车订单以及所述调度计划,计算调度转化率。
6.一种共享车辆的调度装置,其特征在于,包括:
历史数据获取单元,用于响应于取还车预测指令,获取预设区域内每个站点的预测日期对应的历史取车数据和历史还车数据;
取车数量预测单元,用于将所述历史取车数据输入预先构建的取车预测模型,得到所述取车预测模型输出的每个站点在预测日期内每个预设时间段内的取车数量;
还车数量预测单元,用于将所述历史还车数据输入预先构建的还车预测模型,得到所述还车预测模型输出的每个站点在预测日期内每个预设时间段内的还车数量;
实时车辆数量获取单元,用于获取每个站点的实时车辆数量;
调度需求确定单元,用于根据每个站点在预测日期内每个预设时间段内的取车数量和还车数量以及每个站点的实时车辆数量,确定每个站点是否需要调度车辆;
调度计划生成单元,用于在站点需要调度车辆的情况下,生成调度成本最低的调度计划。
7.根据权利要求6所述的装置,其特征在于,预测模型构建单元,包括:
样本数据获取子单元,用于获取预设区域内的站点数据以及预设历史周期内的取车订单数据和还车订单数据;
样本数据预处理子单元,用于根据预设区域内的站点数据对预设历史周期内的取车订单数据和还车订单数据进行预处理,得到包括每个站点在预设历史周期内每天中每个预设时间段对应的取车数据和实际取车数量的取车训练样本集,以及包括每个站点在预设历史周期内每天中每个预设时间段对应的还车数据和实际还车数量的还车训练样本集;
取车预测模型训练子单元,用于利用所述取车训练样本集对预设模型进行训练,得到所述取车预测模型;
还车预测模型训练子单元,用于利用所述还车训练样本集对预设模型进行训练,得到所述还车预测模型。
8.根据权利要求7所述的装置,其特征在于,所述样本数据预处理子单元,具体用于:
根据预设区域内的站点数据,过滤掉预设历史周期内失效站点的取车订单数据和还车订单数据,得到预设历史周期内的有效取车订单数据和有效还车订单数据;
根据预设历史周期内的有效取车订单数据和有效还车订单数据,统计每个站点在预设历史周期内每天中每个预设时间段的实际取车数量和实际还车数量;
标记节假日日期,并统计每个站点在每个节假日之前的每个预设周期内的节假日内每个预设时间段内的取车数量和还车数量;
针对预设历史周期内每一天,分别统计每个站点在之前的每个预设周期内每个预设时间段内的取车数量均值和还车数量均值,并分别统计每个站点在之前每个预设周期内相同星期数的取车数量和还车数量;
将每个站点在预设历史周期内每天中每个预设时间段的实际取车数量、在每个节假日之前的每个预设周期内的节假日内的取车数量均值和在之前每个预设周期内相同星期数的取车数量确定为所述取车训练样本集;
将每个站点在预设历史周期内每天中每个预设时间段的实际还车数量、在每个节假日之前的每个预设周期内的节假日内的还车数量均值和在之前每个预设周期内相同星期数的还车数量确定为所述还车训练样本集。
9.根据权利要求6所述的装置,其特征在于,所述调度计划生成单元,用于:
确定每个站点需要调入的车辆数量和需要调出的车辆数量;
以调度成本最低为约束条件,根据每个站点需要调入的车辆数量和需要调出的车辆数量以及预先构建的站点间距离矩阵,生成所述调度计划。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
调度转化率计算单元,用于获取预测日期的实际取车订单和实际还车订单;根据预测日期的实际取车订单和实际还车订单以及所述调度计划,计算调度转化率。
11.一种计算机存储介质,其特征在于,所述计算机存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机存储介质所在设备执行如权利要求1-5中任一项所述的共享车辆的调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608090.2A CN113269364A (zh) | 2021-06-01 | 2021-06-01 | 一种共享车辆的调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608090.2A CN113269364A (zh) | 2021-06-01 | 2021-06-01 | 一种共享车辆的调度方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269364A true CN113269364A (zh) | 2021-08-17 |
Family
ID=77233804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110608090.2A Pending CN113269364A (zh) | 2021-06-01 | 2021-06-01 | 一种共享车辆的调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269364A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202911A (zh) * | 2022-02-18 | 2022-03-18 | 北京阿帕科蓝科技有限公司 | 一种车辆调度方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492546A (zh) * | 2018-03-27 | 2018-09-04 | 北京摩拜科技有限公司 | 车辆调度方法、系统、服务器及蓝牙扫描设备 |
CN110175695A (zh) * | 2019-04-19 | 2019-08-27 | 跨越速运集团有限公司 | 针对春节期间的货量预测方法及系统 |
CN110274609A (zh) * | 2019-06-10 | 2019-09-24 | 浙江工业大学 | 一种基于行程时间预测的实时路径规划方法 |
CN110430328A (zh) * | 2019-06-26 | 2019-11-08 | 深圳市跨越新科技有限公司 | 基于LightGBM模型的呼叫中心话务量预测方法和系统 |
CN110689163A (zh) * | 2019-08-16 | 2020-01-14 | 深圳市跨越新科技有限公司 | 一种节假日期间货量智能预测方法和系统 |
CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
CN111126740A (zh) * | 2019-07-31 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 共享汽车充电调度方法、电子设备及存储介质 |
CN111695722A (zh) * | 2020-05-13 | 2020-09-22 | 南京理工大学 | 一种城市轨道交通车站节假日短时客流预测方法 |
CN111815095A (zh) * | 2019-06-20 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 共享汽车调度方法、电子设备及存储介质 |
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测系统及预测方法 |
-
2021
- 2021-06-01 CN CN202110608090.2A patent/CN113269364A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492546A (zh) * | 2018-03-27 | 2018-09-04 | 北京摩拜科技有限公司 | 车辆调度方法、系统、服务器及蓝牙扫描设备 |
CN110175695A (zh) * | 2019-04-19 | 2019-08-27 | 跨越速运集团有限公司 | 针对春节期间的货量预测方法及系统 |
CN110274609A (zh) * | 2019-06-10 | 2019-09-24 | 浙江工业大学 | 一种基于行程时间预测的实时路径规划方法 |
CN111815095A (zh) * | 2019-06-20 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 共享汽车调度方法、电子设备及存储介质 |
CN110430328A (zh) * | 2019-06-26 | 2019-11-08 | 深圳市跨越新科技有限公司 | 基于LightGBM模型的呼叫中心话务量预测方法和系统 |
CN111126740A (zh) * | 2019-07-31 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 共享汽车充电调度方法、电子设备及存储介质 |
CN110689163A (zh) * | 2019-08-16 | 2020-01-14 | 深圳市跨越新科技有限公司 | 一种节假日期间货量智能预测方法和系统 |
CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
CN111695722A (zh) * | 2020-05-13 | 2020-09-22 | 南京理工大学 | 一种城市轨道交通车站节假日短时客流预测方法 |
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测系统及预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202911A (zh) * | 2022-02-18 | 2022-03-18 | 北京阿帕科蓝科技有限公司 | 一种车辆调度方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019237522A1 (zh) | 车辆租赁方法、装置、计算机设备和存储介质 | |
CN110807921A (zh) | 车辆调度方法、装置、设备和存储介质 | |
CN107103383A (zh) | 一种基于打车热点的动态拼车调度方法 | |
CN112184939B (zh) | 员工考勤情况的判定方法、装置、存储介质及电子设备 | |
CN108898345B (zh) | 一种派送作业方法 | |
CN111210056A (zh) | 电价方案确定方法、装置、计算机设备和存储介质 | |
CN112422671A (zh) | 一种停车场推荐方法及系统 | |
CN112016771B (zh) | 基于电动汽车需求预测的移动充电桩调度方法及系统 | |
CN111507762A (zh) | 基于多任务共预测神经网络的城市出租车需求预测方法 | |
CN114298559A (zh) | 换电站的换电方法、换电管理平台及存储介质 | |
CN113538067A (zh) | 一种基于机器学习的城际网约车需求预测方法及系统 | |
CN113269364A (zh) | 一种共享车辆的调度方法及装置 | |
CN115900744A (zh) | 充电路径规划方法、装置和服务器 | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配系统及方法 | |
Goebel et al. | Forecasting driving behavior to enable efficient grid integration of plug-in electric vehicles | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
CN112836951B (zh) | 一种基于大数据的共享单车云平台智能调度方法及系统 | |
CN114168701A (zh) | 一种车辆调度方法、系统、设备及存储介质 | |
CN112613682A (zh) | 一种电动汽车充电负荷预测方法 | |
CN113807560A (zh) | 一种物流成本预测方法、装置、电子设备以及存储介质 | |
CN110543503B (zh) | 针对固定桩位共享单车骑行规律和异常行为的数据挖掘方法 | |
CN111882693A (zh) | 员工外勤工作的信息处理方法、装置、电子设备与介质 | |
CN116653658A (zh) | 移动充电桩的充电控制方法、装置、终端和可读存储介质 | |
CN114330927A (zh) | 卷烟送货时间预测仿真模型工作方法、系统、设备及介质 | |
CN115456668A (zh) | 基于阶梯计价的数据处理方法及装置、设备、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 |