CN113570172A - 一种出租车空载巡航路线推荐的方法、装置和系统 - Google Patents
一种出租车空载巡航路线推荐的方法、装置和系统 Download PDFInfo
- Publication number
- CN113570172A CN113570172A CN202111115700.1A CN202111115700A CN113570172A CN 113570172 A CN113570172 A CN 113570172A CN 202111115700 A CN202111115700 A CN 202111115700A CN 113570172 A CN113570172 A CN 113570172A
- Authority
- CN
- China
- Prior art keywords
- taxi
- area
- getting
- guest
- track sequence
- 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 19
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 86
- 238000003062 neural network model Methods 0.000 claims description 49
- 238000004583 scanning Hall probe microscopy Methods 0.000 claims description 49
- 125000004122 cyclic group Chemical group 0.000 claims description 46
- SVQAZCRYIXURJT-IBGZPJMESA-N n-dodecanoyl-l-tyrosine Chemical compound CCCCCCCCCCCC(=O)N[C@H](C(O)=O)CC1=CC=C(O)C=C1 SVQAZCRYIXURJT-IBGZPJMESA-N 0.000 claims description 14
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000029305 taxis Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种出租车空载巡航路线推荐的方法、装置和系统。该系统包括服务器和出租车终端,其中服务器通过图神经网络以人工智能的方法对运营区域的营运收益进行预期分析,然后结合出租车司机个性化的空载巡航路线对未来轨迹进行预测,通过未来轨迹所涉及的运营区域结合营运收益预期计算出的预期收益分析,得到优选的空载巡航路线。由此出租车可以依据优选的空载巡航路线进行空载巡航,以提高出租车空载巡航的订单转化率,并提高出租车司机的收入。
Description
技术领域
本发明涉及深度学习应用领域,尤其深度学习在出租车空载调度的应用。
背景技术
现代城市公共交通系统中,出租车是必不可少的一环。而出租车资源有限,提高出租车利用效率,同时为使得出租车司机收益最大化,对出租车进行调度是必不可少的。现有的出租车调度系统都是基于订单或载客状态的调度,也就是,当大量出租车订单出现或载客量满负荷运转时,调度服务器通过算法为出租车调度,从而提高出租车资源的利用率的同时尽可能地满足各个订单的执行。比如,现有技术的专利文献CN 103971512A、CN107784619A都是基于当前出租车订单状态或者载客状态,通过算法调度使得出租车资源的利用得到最大化的同时快速完成各个订单,以满足用户需求。
然而上述情形通常出现于出租车使用的高峰时段。对于非高峰时段,出租车经常多空载。为使得出租车空载巡航时能够尽可能地接收到潜在订单,空载出租车的调度也非常重要。因为出租车空载巡航转化成订单是出租车司机收入的重要来源。而现有技术缺乏这方面的手段。
发明内容
本发明所要解决的问题:提高出租车空载巡航的订单转化率和出租车司机的营运收入。
为解决上述问题,本发明采用的方案如下:
根据本发明的一种出租车空载巡航路线推荐的方法,该方法包括区域营运收益分析步骤、未来轨迹预测分析步骤以及优选巡航路线分析步骤;
所述区域营运收益分析步骤包括如下步骤:
S11:获取各出租车的历史订单记录;
S12:根据所述历史订单记录,统计客人上车下车区域概率矩阵HPM;
HPM={HP(i,j)|i∈[1..N], j∈[1..N]};
S13:根据所述历史订单记录,统计客人上车下车区域收益矩阵BM;
BM={B(i,j)|i∈[1..N], j∈[1..N]};
S14:将所述客人上车下车区域概率矩阵HPM输入至图神经网络,得到客人上车下车区域预期矩阵PPM={PP(i,j)|i∈[1..N], j∈[1..N]};
S15:根据所述客人上车下车区域预期矩阵PPM和所述客人上车下车区域收益矩阵BM计算区域营运收益集VS={vx(i)|i∈[1..N]};
其中,HPM表示为客人上车下车区域概率矩阵;HP(i,j)表示为客人在第i区域上车后在第j区域下车的概率;BM表示为客人上车下车区域收益矩阵;B(i,j)表示为客人在第i区域上车后在第j区域下车所产生的平均收益;PPM表示为客人上车下车区域预期矩阵;PP(i,j)表示为客人在第i区域上车后在第j区域下车的预期概率;VS表示为区域营运收益集;vx (i)表示为客人在第i区域上车后所产生的预期收益:
vx (i)=PP(i,1)×B(i,1)+ PP(i,2)×B(i,2)+ PP(i,3)×B(i,3)+…+ PP(i,N)×B(i,N);
所述未来轨迹预测分析步骤包括如下步骤:
S21:获取待分析的出租车的历史轨迹;
S22:提取所述出租车的历史轨迹中空载时段的轨迹,然后将空载时段的轨迹转换成空载轨迹序列NLTS={NLT(k) |k∈[1..Pn]};其中,NLT(k)表示出租车空载轨迹序列中的第k个出租车位置信息;Pn为出租车空载轨迹序列中出租车位置信息的数目;
S23:选取出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};其中,ft(t)表示预测的未来轨迹序列中第t个出租车预测的位置信息;Pt为预测的未来轨迹序列中出租车位置信息的数目;
S24:根据所述预测的未来轨迹序列FT中的出租车预测的位置信息,计算该预测的未来轨迹序列所涉及的区域,得到预期区域集合PS={ px(j)| j∈[1..K]};其中,px(j)表示预期区域集合PS中第j个区域,K为预期区域集合PS中的区域数,px(j) ∈[1..N];
所述优选巡航路线分析步骤包括如下步骤:
S31:根据所述区域营运收益集VS确定预期区域集合PS中各个区域可能营收,得到可能运营收益集{ pv(i) |i∈[1..N]};pv(i)表示第i区域可能营收,若i∈预期区域集合PS,则pv(i)=vx(i),否则pv(i)=0;
S32:从区域可能营收集合{ pv(i) |i∈[1..N]}中选取区域可能营收最大的若干区域作为优选巡航路线;
其中,所述N为区域数;所述区域由人工预先划分而确定。
进一步,根据本发明的出租车空载巡航路线推荐的方法,该方法涉及服务器和出租车终端;所述区域营运收益分析步骤执行于所述服务器;所述未来轨迹预测分析步骤和优选巡航路线分析步骤执行于所述出租车终端。
进一步,根据本发明的出租车空载巡航路线推荐的方法,所述步骤S23包括:
S231:载入持续化存储的长短时记忆循环神经网络模型数据,并提取存储所述长短时记忆循环神经网络模型数据的时间Ts;
S232:选取时间Ts之后的出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};
S233:提取所述长短时记忆循环神经网络模型数据持续化存储,并记录持续化存储所述长短时记忆循环神经网络模型数据的时间Ts。
进一步,根据本发明的出租车空载巡航路线推荐的方法,该方法还包括图神经网络训练步骤;所述图神经网络训练步骤包括如下步骤:
S41:将各出租车的历史订单记录按时间段进行分段;
S42:根据各时间段的各出租车的历史订单记录,对应的统计客人上车下车区域概率矩阵SHPM(s);SHPM(s)={HP(i,j)|i∈[1..N], j∈[1..N]};其中,s表示时间段序号;
S43:将所述客人上车下车区域概率矩阵SHPM(s-1)作为训练数据、所述客人上车下车区域概率矩阵SHPM(s)作为预期数据输入至图神经网络进行训练;
所述步骤S12中,根据最近时间段的各出租车的历史订单记录,统计客人上车下车区域概率矩阵HPM。
根据本发明的一种出租车空载巡航路线推荐的装置,该装置包括区域营运收益分析模块、未来轨迹预测分析模块以及优选巡航路线分析模块;
所述区域营运收益分析模块包括如下模块:
M11,用于:获取各出租车的历史订单记录;
M12,用于:根据所述历史订单记录,统计客人上车下车区域概率矩阵HPM;
HPM={HP(i,j)|i∈[1..N], j∈[1..N]};
M13,用于:根据所述历史订单记录,统计客人上车下车区域收益矩阵BM;
BM={B(i,j)|i∈[1..N], j∈[1..N]};
M14,用于:将所述客人上车下车区域概率矩阵HPM输入至图神经网络,得到客人上车下车区域预期矩阵PPM={PP(i,j)|i∈[1..N], j∈[1..N]};
M15,用于:根据所述客人上车下车区域预期矩阵PPM和所述客人上车下车区域收益矩阵BM计算区域营运收益集VS={vx(i)|i∈[1..N]};
其中,HPM表示为客人上车下车区域概率矩阵;HP(i,j)表示为客人在第i区域上车后在第j区域下车的概率;BM表示为客人上车下车区域收益矩阵;B(i,j)表示为客人在第i区域上车后在第j区域下车所产生的平均收益;PPM表示为客人上车下车区域预期矩阵;PP(i,j)表示为客人在第i区域上车后在第j区域下车的预期概率;VS表示为区域营运收益集;vx (i)表示为客人在第i区域上车后所产生的预期收益,用于:
vx (i)=PP(i,1)×B(i,1)+ PP(i,2)×B(i,2)+ PP(i,3)×B(i,3)+…+ PP(i,N)×B(i,N);
所述未来轨迹预测分析模块包括如下模块:
M21,用于:获取待分析的出租车的历史轨迹;
M22,用于:提取所述出租车的历史轨迹中空载时段的轨迹,然后将空载时段的轨迹转换成空载轨迹序列NLTS={NLT(k) |k∈[1..Pn]};其中,NLT(k)表示出租车空载轨迹序列中的第k个出租车位置信息;Pn为出租车空载轨迹序列中出租车位置信息的数目;
M23,用于:选取出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};其中,ft(t)表示预测的未来轨迹序列中第t个出租车预测的位置信息;Pt为预测的未来轨迹序列中出租车位置信息的数目;
M24,用于:根据所述预测的未来轨迹序列FT中的出租车预测的位置信息,计算该预测的未来轨迹序列所涉及的区域,得到预期区域集合PS={ px(j)| j∈[1..K]};其中,px(j)表示预期区域集合PS中第j个区域,K为预期区域集合PS中的区域数,px(j) ∈[1..N];
所述优选巡航路线分析模块包括如下模块:
M31,用于:根据所述区域营运收益集VS确定预期区域集合PS中各个区域可能营收,得到可能运营收益集{ pv(i) |i∈[1..N]};pv(i)表示第i区域可能营收,若i∈预期区域集合PS,则pv(i)=vx(i),否则pv(i)=0;
M32,用于:从区域可能营收集合{ pv(i) |i∈[1..N]}中选取区域可能营收最大的若干区域作为优选巡航路线;
其中,所述N为区域数;所述区域由人工预先划分而确定。
进一步,根据本发明的出租车空载巡航路线推荐的装置,所述模块M23包括以下模块:
M231,用于:载入持续化存储的长短时记忆循环神经网络模型数据,并提取存储所述长短时记忆循环神经网络模型数据的时间Ts;
M232,用于:选取时间Ts之后的出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};
M233,用于:提取所述长短时记忆循环神经网络模型数据持续化存储,并记录持续化存储所述长短时记忆循环神经网络模型数据的时间Ts。
进一步,根据本发明的出租车空载巡航路线推荐的装置,该装置还包括图神经网络训练模块;所述图神经网络训练模块包括如下模块:
M41,用于:将各出租车的历史订单记录按时间段进行分段;
M42,用于:根据各时间段的各出租车的历史订单记录,对应的统计客人上车下车区域概率矩阵SHPM(s);SHPM(s)={HP(i,j)|i∈[1..N], j∈[1..N]};其中,s表示时间段序号;
M43,用于:将所述客人上车下车区域概率矩阵SHPM(s-1)作为训练数据、所述客人上车下车区域概率矩阵SHPM(s)作为预期数据输入至图神经网络进行训练;
所述模块M12中,根据最近时间段的各出租车的历史订单记录,统计客人上车下车区域概率矩阵HPM。
根据本发明的一种出租车空载巡航路线推荐的系统,系统包括服务器和出租车终端;所述服务器包括如下模块:
M11,用于:获取各出租车的历史订单记录;
M12,用于:根据所述历史订单记录,统计客人上车下车区域概率矩阵HPM;
HPM={HP(i,j)|i∈[1..N], j∈[1..N]};
M13,用于:根据所述历史订单记录,统计客人上车下车区域收益矩阵BM;
BM={B(i,j)|i∈[1..N], j∈[1..N]};
M14,用于:将所述客人上车下车区域概率矩阵HPM输入至图神经网络,得到客人上车下车区域预期矩阵PPM={PP(i,j)|i∈[1..N], j∈[1..N]};
M15,用于:根据所述客人上车下车区域预期矩阵PPM和所述客人上车下车区域收益矩阵BM计算区域营运收益集VS={vx(i)|i∈[1..N]};
M16,用于:将所述区域营运收益集VS分发给各个出租车终端;
其中,HPM表示为客人上车下车区域概率矩阵;HP(i,j)表示为客人在第i区域上车后在第j区域下车的概率;BM表示为客人上车下车区域收益矩阵;B(i,j)表示为客人在第i区域上车后在第j区域下车所产生的平均收益;PPM表示为客人上车下车区域预期矩阵;PP(i,j)表示为客人在第i区域上车后在第j区域下车的预期概率;VS表示为区域营运收益集;vx (i)表示为客人在第i区域上车后所产生的预期收益:
vx (i)=PP(i,1)×B(i,1)+ PP(i,2)×B(i,2)+ PP(i,3)×B(i,3)+…+ PP(i,N)×B(i,N);
所述出租车终端包括如下模块:
M21,用于:获取待分析的出租车的历史轨迹;
M22,用于:提取所述出租车的历史轨迹中空载时段的轨迹,然后将空载时段的轨迹转换成空载轨迹序列NLTS={NLT(k) |k∈[1..Pn]};其中,NLT(k)表示出租车空载轨迹序列中的第k个出租车位置信息;Pn为出租车空载轨迹序列中出租车位置信息的数目;
M23,用于:选取出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};其中,ft(t)表示预测的未来轨迹序列中第t个出租车预测的位置信息;Pt为预测的未来轨迹序列中出租车位置信息的数目;
M24,用于:根据所述预测的未来轨迹序列FT中的出租车预测的位置信息,计算该预测的未来轨迹序列所涉及的区域,得到预期区域集合PS={ px(j)| j∈[1..K]};其中,px(j)表示预期区域集合PS中第j个区域,K为预期区域集合PS中的区域数,px(j) ∈[1..N];
M31,用于:根据所述区域营运收益集VS确定预期区域集合PS中各个区域可能营收,得到可能运营收益集{ pv(i) |i∈[1..N]};pv(i)表示第i区域可能营收,若i∈预期区域集合PS,则pv(i)=vx(i),否则pv(i)=0;
M32,用于:从区域可能营收集合{ pv(i) |i∈[1..N]}中选取区域可能营收最大的若干区域作为优选巡航路线;
其中,所述N为区域数;所述区域由人工预先划分而确定。
进一步,根据本发明的出租车空载巡航路线推荐的系统,所述模块M23包括以下模块:
M231,用于:载入持续化存储的长短时记忆循环神经网络模型数据,并提取存储所述长短时记忆循环神经网络模型数据的时间Ts;
M232,用于:选取时间Ts之后的出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};
M233,用于:提取所述长短时记忆循环神经网络模型数据持续化存储,并记录持续化存储所述长短时记忆循环神经网络模型数据的时间Ts。
进一步,根据本发明的出租车空载巡航路线推荐的系统,该服务器还包括如下模块:
M41,用于:将各出租车的历史订单记录按时间段进行分段;
M42,用于:根据各时间段的各出租车的历史订单记录,对应的统计客人上车下车区域概率矩阵SHPM(s);SHPM(s)={HP(i,j)|i∈[1..N], j∈[1..N]};其中,s表示时间段序号;
M43,用于:将所述客人上车下车区域概率矩阵SHPM(s-1)作为训练数据、所述客人上车下车区域概率矩阵SHPM(s)作为预期数据输入至图神经网络进行训练;
所述模块M12中,根据最近时间段的各出租车的历史订单记录,统计客人上车下车区域概率矩阵HPM。
本发明的技术效果如下:本发明通过划分区域、计算区域营运收益,结合未来轨迹预测向出租车司机推荐优先的空载巡航路线,以提高出租车空载巡航的订单转化率,并提高出租车司机的运营收入。
附图说明
图1是本发明出租车空载巡航路线推荐系统的结构图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示,一种出租车空载巡航路线推荐的系统,包括服务器100和出租车终端200。出租车终端200为出租车上的车载终端,设置在各出租车上。出租车终端200通过移动网络300连接服务器100。服务器100和出租车终端200通过执行软件程序实现本发明的出租车空载巡航路线推荐。其中服务器100负责区域营运收益分析;出租车终端200负责本出租车的未来轨迹预测分析以及优选巡航路线分析。服务器100所实现的区域营运收益分析即为前述的区域营运收益分析步骤。出租车终端200所实现的未来轨迹预测分析以及优选巡航路线分析即为前述的未来轨迹预测分析步骤和优选巡航路线分析步骤。
区域营运收益分析步骤包括如下步骤:
S11:获取各出租车的历史订单记录;
S12:根据所述历史订单记录,统计客人上车下车区域概率矩阵HPM;
HPM={HP(i,j)|i∈[1..N], j∈[1..N]};
S13:根据所述历史订单记录,统计客人上车下车区域收益矩阵BM;
BM={B(i,j)|i∈[1..N], j∈[1..N]};
S14:将所述客人上车下车区域概率矩阵HPM输入至图神经网络,得到客人上车下车区域预期矩阵PPM={PP(i,j)|i∈[1..N], j∈[1..N]};
S15:根据所述客人上车下车区域预期矩阵PPM和所述客人上车下车区域收益矩阵BM计算区域营运收益集VS={vx(i)|i∈[1..N]};
S16:将所述区域营运收益集VS通过移动网络300分发给各个出租车终端。
上述各步骤中,HPM表示为客人上车下车区域概率矩阵;HP(i,j)表示为客人在第i区域上车后在第j区域下车的概率;BM表示为客人上车下车区域收益矩阵;B(i,j)表示为客人在第i区域上车后在第j区域下车所产生的平均收益;PPM表示为客人上车下车区域预期矩阵;PP(i,j)表示为客人在第i区域上车后在第j区域下车的预期概率;VS表示为区域营运收益集;vx (i)表示为客人在第i区域上车后所产生的预期收益:
vx (i)=PP(i,1)×B(i,1)+ PP(i,2)×B(i,2)+ PP(i,3)×B(i,3)+…+ PP(i,N)×B(i,N);
N为区域数。
步骤S11中,各出租车的历史订单记录通过如下方法获得:各出租车完成订单后,出租车终端200将所完成的订单发送至服务器100。服务器100接收出租车终端200所发送的订单并将相应的订单信息保存至数据库。步骤S11中,服务器100获取各出租车的历史订单记录也就是从数据库中提取各出租车的所完成的各订单的订单信息。订单信息包括客人的上车位置信息、下车位置信息、上车时间、下车时间以及所产生的金额信息。其中,上车位置信息和下车位置信息是地理位置信息,可以通过经纬度表示。客人的上车位置信息、下车位置信息通过出租车终端上的GPS模块获得。
上述步骤中,区域由人工预先划分而确定。本实施例在实验室测试时,采用如下方法划分区域:首先以城市中心为中心点构建边长为L的一个中心正六边形,然后基于该中心正六边形,向外拓展逐个构建边长为L的正六边形,直到这些正六边形覆盖整个城市。这些构筑的正六边形为所划分的区域,每个边长为L的正六边形对应一个区域。边长L定义为2km。本领域技术人员理解,在实际的运营中,这种划分方法并不是很合理,因为城市出租车运营存在着很多热点区域,比如火车站、商业中心、城市CBD、办公中心、大学中心等。实际营运时,应当将这些热点区域单独划分区域。由于城市规划布局的各不相同。这种区域的划分通常由人工划分。
区域划分完成后,根据出租车客人的上车和下车位置信息可以确定出租车客人上车和下车所在的区域,然后统计出客人上车下车区域概率矩阵HPM。
步骤S12中,根据最近时间段的各出租车的历史订单记录,统计客人上车下车区域概率矩阵HPM。客人在第i区域上车后在第j区域下车的概率HP(i,j)是一个针对最近时间段的各出租车的历史订单记录的归一化统计值。HP(i,j)的具体计算如下公式:HP(i,j)=HT(i,j)/HT(i);其中HT(i,j)是最近时间段出租车的历史订单记录中,客人在第i区域上车后在第j区域下车的订单数;HT(i)是最近时间段出租车的历史订单记录中,客人在第i区域上车的订单数。显而易见地,概率HP(i,j)满足以下条件:HP(i,1)+ HP(i,2)+…+ HP(i,N)=1。
步骤S13中,客人在第i区域上车后在第j区域下车所产生的平均收益B(i,j)= HV(i,j)/CNT(i,j)。其中,HV(i,j) 是出租车的历史订单记录中,客人在第i区域上车后在第j区域下车的订单所产生金额的总数;CNT(i,j)是出租车的历史订单记录中,客人在第i区域上车后在第j区域下车的订单数。与步骤S12仅统计最近时间段的各出租车的历史订单记录不同,本步骤所统计的历史订单记录为所有的历史订单记录。
步骤S14中,图神经网络是图数据进行处理的深度学习神经网络,本实施例采用了由Python语言编写的Keras开源人工神经网络库中的图神经网络,其模型参数配置为本领域技术人员所熟悉,本说明书无需赘述。本发明中,图数据是客人上车下车区域概率矩阵HPM。在步骤S14之前,图神经网络需要预先训练。本实施例中,图神经网络训练步骤如下:
S41:将各出租车的历史订单记录按时间段进行分段;
S42:根据各时间段的各出租车的历史订单记录,对应的统计客人上车下车区域概率矩阵SHPM(s);SHPM(s)={HP(i,j)|i∈[1..N], j∈[1..N]};其中,s表示时间段序号;
S43:将所述客人上车下车区域概率矩阵SHPM(s-1)作为训练数据、所述客人上车下车区域概率矩阵SHPM(s)作为预期数据输入至图神经网络进行训练。
上述步骤中,时间段划分的方法有很多种。本实施例中,按周划分时间段,每个时间段时间长度为1小时,一天24个时间段,总共划分成24*7=168个时间段。其中,时间段序号为1表示周一凌晨0点至1点,时间段序号为2表示周一凌晨1点至2点,以此类推。由此步骤S42总共得到168个客人上车下车区域概率矩阵SHPM,分别为:SHPM(1)、SHPM(2)、SHPM(3)、…、SHPM(168),由此组成168个训练样本对{ SHPM(1)、SHPM(2)}、{ SHPM(2)、SHPM(3)}、{ SHPM(3)、SHPM(4)}、…、{ SHPM(167)、SHPM(168)}、{ SHPM(168)、SHPM(1)}。步骤S43中,将上述168个训练样本对输入至图神经网络进行训练。上述训练样本中{ SHPM(168)、SHPM(1)}相当于{ SHPM(168)、SHPM(169)},也就是满足SHPM(s-1)作为训练数据、SHPM(s)作为预期数据的条件。本领域技术人员理解,根据上述每个时间段长度为1小时的划分方法,也可以将历史时间段整体划分。由此可以得到几千乃至上万个时间段。
此外,本领域技术人员理解,步骤S12中最近时间段的时间长度通常与步骤S41、S42、S43中的时间段长度相同。
未来轨迹预测分析步骤包括以下步骤:
S21:获取待分析的出租车的历史轨迹;
S22:提取所述出租车的历史轨迹中空载时段的轨迹,然后将空载时段的轨迹转换成空载轨迹序列NLTS={NLT(k) |k∈[1..Pn]};其中,NLT(k)表示出租车空载轨迹序列中的第k个出租车位置信息;Pn为出租车空载轨迹序列中出租车位置信息的数目;
S23:选取出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};其中,ft(t)表示预测的未来轨迹序列中第t个出租车预测的位置信息;Pt为预测的未来轨迹序列中出租车位置信息的数目;
S24:根据所述预测的未来轨迹序列FT中的出租车预测的位置信息,计算该预测的未来轨迹序列所涉及的区域,得到预期区域集合PS={ px(j)| j∈[1..K]};其中,px(j)表示预期区域集合PS中第j个区域,K为预期区域集合PS中的区域数,px(j) ∈[1..N]。
由于未来轨迹预测分析步骤执行于出租车终端,因此步骤S21中待分析的出租车的历史轨迹,也就是本出租车的历史轨迹。步骤S22中,出租车位置信息也就是出租车的地理位置信息,通常由经纬度表示。步骤S23中,Nc是预先设定的参数,可以为8、10、16、20等数值。出租车位置信息数目Pn不少于Nc的空载轨迹序列表示输入至长短时记忆循环神经网络模型进行计算的空载轨迹序列要求有一定的长度。
步骤S23中的长短时记忆循环神经网络模型本实施例采用了由Python语言编写的Keras开源人工神经网络库中的双向长短时记忆循环神经网络模型,其模型参数配置为本领域技术人员所熟悉,本说明书无需赘述。为加快长短时记忆循环神经网络模型计算,本实施例采用了预训练步骤,在预训练步骤中,选取出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算后,将长短时记忆循环神经网络模型中的模型数据提取出来后持续化存储,并记录持续化存储所述长短时记忆循环神经网络模型数据的时间Ts。之后每次未来轨迹预测分析时,采用如下步骤:
S231:载入持续化存储的长短时记忆循环神经网络模型数据,并提取存储所述长短时记忆循环神经网络模型数据的时间Ts;
S232:选取时间Ts之后的出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};
S233:提取所述长短时记忆循环神经网络模型数据持续化存储,并记录持续化存储所述长短时记忆循环神经网络模型数据的时间Ts。
步骤S23最终通过长短时记忆循环神经网络模型的隐藏层输出预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]}。未来轨迹序列FT中,出租车预测的位置信息ft(t)是地理位置信息,通常以经纬度表示。步骤S24中,未来轨迹序列所涉及的区域以如下方式确定,对于未来轨迹序列中每个出租车预测的位置信息ft(t)计算半径为Rc的圆所覆盖的区域,然后将每个出租车预测的位置信息ft(t)计算半径为Rc的圆所覆盖的区域合并后得到预期区域集合PS={ px(j)| j∈[1..K]}。这里Rc预先设定。本实施例中,Rc的取值与前述区域定义中的正六边形的边长L取值相同。
优选巡航路线分析步骤包括如下步骤:
S31:根据所述区域营运收益集VS确定预期区域集合PS中各个区域可能营收,得到可能运营收益集{ pv(i) |i∈[1..N]};pv(i)表示第i区域可能营收,若i∈预期区域集合PS,则pv(i)=vx(i),否则pv(i)=0;
S32:从区域可能营收集合{ pv(i) |i∈[1..N]}中选取区域可能营收最大的若干区域作为优选巡航路线。
此外,本实施例中,未来轨迹预测分析步骤和优选巡航路线分析步骤都在出租车终端200上实现。本领域技术人员理解,未来轨迹预测分析步骤和优选巡航路线分析步骤也可以在服务器100上实现。当服务器100上实现未来轨迹预测分析步骤和优选巡航路线分析步骤时,出租车终端200需要将历史轨迹上传至服务器100,当需要计算优选巡航路线时,出租车终端200向服务器100发出请求,此时,步骤S21中,待分析的出租车是指向服务器100发出请求的出租车,服务器100计算完成后,将计算得到的优选巡航路线发送至出租车终端200。
此外,本实施例中,出租车终端200是出租车上的车载终端,本领域技术人员理解,出租车终端200也可以是出租车司机的移动终端,比如智能手机等。
Claims (10)
1.一种出租车空载巡航路线推荐的方法,其特征在于,该方法包括区域营运收益分析步骤、未来轨迹预测分析步骤以及优选巡航路线分析步骤;
所述区域营运收益分析步骤包括如下步骤:
S11:获取各出租车的历史订单记录;
S12:根据所述历史订单记录,统计客人上车下车区域概率矩阵HPM;
HPM={HP(i,j)|i∈[1..N], j∈[1..N]};
S13:根据所述历史订单记录,统计客人上车下车区域收益矩阵BM;
BM={B(i,j)|i∈[1..N], j∈[1..N]};
S14:将所述客人上车下车区域概率矩阵HPM输入至图神经网络,得到客人上车下车区域预期矩阵PPM={PP(i,j)|i∈[1..N], j∈[1..N]};
S15:根据所述客人上车下车区域预期矩阵PPM和所述客人上车下车区域收益矩阵BM计算区域营运收益集VS={vx(i)|i∈[1..N]};
其中,HPM表示为客人上车下车区域概率矩阵;HP(i,j)表示为客人在第i区域上车后在第j区域下车的概率;BM表示为客人上车下车区域收益矩阵;B(i,j)表示为客人在第i区域上车后在第j区域下车所产生的平均收益;PPM表示为客人上车下车区域预期矩阵;PP(i,j)表示为客人在第i区域上车后在第j区域下车的预期概率;VS表示为区域营运收益集;vx(i)表示为客人在第i区域上车后所产生的预期收益:
vx (i)=PP(i,1)×B(i,1)+ PP(i,2)×B(i,2)+ PP(i,3)×B(i,3)+…+ PP(i,N)×B(i,N);
所述未来轨迹预测分析步骤包括如下步骤:
S21:获取待分析的出租车的历史轨迹;
S22:提取所述出租车的历史轨迹中空载时段的轨迹,然后将空载时段的轨迹转换成空载轨迹序列NLTS={NLT(k) |k∈[1..Pn]};其中,NLT(k)表示出租车空载轨迹序列中的第k个出租车位置信息;Pn为出租车空载轨迹序列中出租车位置信息的数目;
S23:选取出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};其中,ft(t)表示预测的未来轨迹序列中第t个出租车预测的位置信息;Pt为预测的未来轨迹序列中出租车位置信息的数目;
S24:根据所述预测的未来轨迹序列FT中的出租车预测的位置信息,计算该预测的未来轨迹序列所涉及的区域,得到预期区域集合PS={ px(j)| j∈[1..K]};其中,px(j)表示预期区域集合PS中第j个区域,K为预期区域集合PS中的区域数,px(j) ∈[1..N];
所述优选巡航路线分析步骤包括如下步骤:
S31:根据所述区域营运收益集VS确定预期区域集合PS中各个区域可能营收,得到可能运营收益集{ pv(i) |i∈[1..N]};pv(i)表示第i区域可能营收,若i∈预期区域集合PS,则pv(i)=vx(i),否则pv(i)=0;
S32:从区域可能营收集合{ pv(i) |i∈[1..N]}中选取区域可能营收最大的若干区域作为优选巡航路线;
其中,所述N为区域数;所述区域由人工预先划分而确定。
2.如权利要求1所述的出租车空载巡航路线推荐的方法,其特征在于,该方法涉及服务器和出租车终端;所述区域营运收益分析步骤执行于所述服务器;所述未来轨迹预测分析步骤和优选巡航路线分析步骤执行于所述出租车终端。
3.如权利要求1所述的出租车空载巡航路线推荐的方法,其特征在于,所述步骤S23包括:
S231:载入持续化存储的长短时记忆循环神经网络模型数据,并提取存储所述长短时记忆循环神经网络模型数据的时间Ts;
S232:选取时间Ts之后的出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)|t∈[1..Pt]};
S233:提取所述长短时记忆循环神经网络模型数据持续化存储,并记录持续化存储所述长短时记忆循环神经网络模型数据的时间Ts。
4.如权利要求1所述的出租车空载巡航路线推荐的方法,其特征在于,该方法还包括图神经网络训练步骤;所述图神经网络训练步骤包括如下步骤:
S41:将各出租车的历史订单记录按时间段进行分段;
S42:根据各时间段的各出租车的历史订单记录,对应的统计客人上车下车区域概率矩阵SHPM(s);SHPM(s)={HP(i,j)|i∈[1..N], j∈[1..N]};其中,s表示时间段序号;
S43:将所述客人上车下车区域概率矩阵SHPM(s-1)作为训练数据、所述客人上车下车区域概率矩阵SHPM(s)作为预期数据输入至图神经网络进行训练;
所述步骤S12中,根据最近时间段的各出租车的历史订单记录,统计客人上车下车区域概率矩阵HPM。
5.一种出租车空载巡航路线推荐的装置,其特征在于,该装置包括区域营运收益分析模块、未来轨迹预测分析模块以及优选巡航路线分析模块;
所述区域营运收益分析模块包括如下模块:
M11,用于:获取各出租车的历史订单记录;
M12,用于:根据所述历史订单记录,统计客人上车下车区域概率矩阵HPM;
HPM={HP(i,j)|i∈[1..N], j∈[1..N]};
M13,用于:根据所述历史订单记录,统计客人上车下车区域收益矩阵BM;
BM={B(i,j)|i∈[1..N], j∈[1..N]};
M14,用于:将所述客人上车下车区域概率矩阵HPM输入至图神经网络,得到客人上车下车区域预期矩阵PPM={PP(i,j)|i∈[1..N], j∈[1..N]};
M15,用于:根据所述客人上车下车区域预期矩阵PPM和所述客人上车下车区域收益矩阵BM计算区域营运收益集VS={vx(i)|i∈[1..N]};
其中,HPM表示为客人上车下车区域概率矩阵;HP(i,j)表示为客人在第i区域上车后在第j区域下车的概率;BM表示为客人上车下车区域收益矩阵;B(i,j)表示为客人在第i区域上车后在第j区域下车所产生的平均收益;PPM表示为客人上车下车区域预期矩阵;PP(i,j)表示为客人在第i区域上车后在第j区域下车的预期概率;VS表示为区域营运收益集;vx(i)表示为客人在第i区域上车后所产生的预期收益,用于:
vx (i)=PP(i,1)×B(i,1)+ PP(i,2)×B(i,2)+ PP(i,3)×B(i,3)+…+ PP(i,N)×B(i,N);
所述未来轨迹预测分析模块包括如下模块:
M21,用于:获取待分析的出租车的历史轨迹;
M22,用于:提取所述出租车的历史轨迹中空载时段的轨迹,然后将空载时段的轨迹转换成空载轨迹序列NLTS={NLT(k) |k∈[1..Pn]};其中,NLT(k)表示出租车空载轨迹序列中的第k个出租车位置信息;Pn为出租车空载轨迹序列中出租车位置信息的数目;
M23,用于:选取出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};其中,ft(t)表示预测的未来轨迹序列中第t个出租车预测的位置信息;Pt为预测的未来轨迹序列中出租车位置信息的数目;
M24,用于:根据所述预测的未来轨迹序列FT中的出租车预测的位置信息,计算该预测的未来轨迹序列所涉及的区域,得到预期区域集合PS={ px(j)| j∈[1..K]};其中,px(j)表示预期区域集合PS中第j个区域,K为预期区域集合PS中的区域数,px(j) ∈[1..N];
所述优选巡航路线分析模块包括如下模块:
M31,用于:根据所述区域营运收益集VS确定预期区域集合PS中各个区域可能营收,得到可能运营收益集{ pv(i) |i∈[1..N]};pv(i)表示第i区域可能营收,若i∈预期区域集合PS,则pv(i)=vx(i),否则pv(i)=0;
M32,用于:从区域可能营收集合{ pv(i) |i∈[1..N]}中选取区域可能营收最大的若干区域作为优选巡航路线;
其中,所述N为区域数;所述区域由人工预先划分而确定。
6.如权利要求5所述的出租车空载巡航路线推荐的装置,其特征在于,所述模块M23包括以下模块:
M231,用于:载入持续化存储的长短时记忆循环神经网络模型数据,并提取存储所述长短时记忆循环神经网络模型数据的时间Ts;
M232,用于:选取时间Ts之后的出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ft(t)| t∈[1..Pt]};
M233,用于:提取所述长短时记忆循环神经网络模型数据持续化存储,并记录持续化存储所述长短时记忆循环神经网络模型数据的时间Ts。
7.如权利要求5所述的出租车空载巡航路线推荐的装置,其特征在于,该装置还包括图神经网络训练模块;所述图神经网络训练模块包括如下模块:
M41,用于:将各出租车的历史订单记录按时间段进行分段;
M42,用于:根据各时间段的各出租车的历史订单记录,对应的统计客人上车下车区域概率矩阵SHPM(s);SHPM(s)={HP(i,j)|i∈[1..N], j∈[1..N]};其中,s表示时间段序号;
M43,用于:将所述客人上车下车区域概率矩阵SHPM(s-1)作为训练数据、所述客人上车下车区域概率矩阵SHPM(s)作为预期数据输入至图神经网络进行训练;
所述模块M12中,根据最近时间段的各出租车的历史订单记录,统计客人上车下车区域概率矩阵HPM。
8.一种出租车空载巡航路线推荐的系统,其特征在于,该系统包括服务器和出租车终端;所述服务器包括如下模块:
M11,用于:获取各出租车的历史订单记录;
M12,用于:根据所述历史订单记录,统计客人上车下车区域概率矩阵HPM;
HPM={HP(i,j)|i∈[1..N], j∈[1..N]};
M13,用于:根据所述历史订单记录,统计客人上车下车区域收益矩阵BM;
BM={B(i,j)|i∈[1..N], j∈[1..N]};
M14,用于:将所述客人上车下车区域概率矩阵HPM输入至图神经网络,得到客人上车下车区域预期矩阵PPM={PP(i,j)|i∈[1..N], j∈[1..N]};
M15,用于:根据所述客人上车下车区域预期矩阵PPM和所述客人上车下车区域收益矩阵BM计算区域营运收益集VS={vx(i)|i∈[1..N]};
M16,用于:将所述区域营运收益集VS分发给各个出租车终端;
其中,HPM表示为客人上车下车区域概率矩阵;HP(i,j)表示为客人在第i区域上车后在第j区域下车的概率;BM表示为客人上车下车区域收益矩阵;B(i,j)表示为客人在第i区域上车后在第j区域下车所产生的平均收益;PPM表示为客人上车下车区域预期矩阵;PP(i,j)表示为客人在第i区域上车后在第j区域下车的预期概率;VS表示为区域营运收益集;vx(i)表示为客人在第i区域上车后所产生的预期收益:
vx (i)=PP(i,1)×B(i,1)+ PP(i,2)×B(i,2)+ PP(i,3)×B(i,3)+…+ PP(i,N)×B(i,N);
所述出租车终端包括如下模块:
M21,用于:获取待分析的出租车的历史轨迹;
M22,用于:提取所述出租车的历史轨迹中空载时段的轨迹,然后将空载时段的轨迹转换成空载轨迹序列NLTS={NLT(k) |k∈[1..Pn]};其中,NLT(k)表示出租车空载轨迹序列中的第k个出租车位置信息;Pn为出租车空载轨迹序列中出租车位置信息的数目;
M23,用于:选取出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ ft(t)| t∈[1..Pt]};其中,ft(t)表示预测的未来轨迹序列中第t个出租车预测的位置信息;Pt为预测的未来轨迹序列中出租车位置信息的数目;
M24,用于:根据所述预测的未来轨迹序列FT中的出租车预测的位置信息,计算该预测的未来轨迹序列所涉及的区域,得到预期区域集合PS={ px(j)| j∈[1..K]};其中,px(j)表示预期区域集合PS中第j个区域,K为预期区域集合PS中的区域数,px(j) ∈[1..N];
M31,用于:根据所述区域营运收益集VS确定预期区域集合PS中各个区域可能营收,得到可能运营收益集{ pv(i) |i∈[1..N]};pv(i)表示第i区域可能营收,若i∈预期区域集合PS,则pv(i)=vx(i),否则pv(i)=0;
M32,用于:从区域可能营收集合{ pv(i) |i∈[1..N]}中选取区域可能营收最大的若干区域作为优选巡航路线;
其中,所述N为区域数;所述区域由人工预先划分而确定。
9.如权利要求8所述的出租车空载巡航路线推荐的系统,其特征在于,所述模块M23包括以下模块:
M231,用于:载入持续化存储的长短时记忆循环神经网络模型数据,并提取存储所述长短时记忆循环神经网络模型数据的时间Ts;
M232,用于:选取时间Ts之后的出租车空载轨迹序列中出租车位置信息数目不少于Nc的空载轨迹序列输入至长短时记忆循环神经网络模型计算得到预测的未来轨迹序列FT={ft(t)| t∈[1..Pt]};
M233,用于:提取所述长短时记忆循环神经网络模型数据持续化存储,并记录持续化存储所述长短时记忆循环神经网络模型数据的时间Ts。
10.如权利要求8所述的出租车空载巡航路线推荐的系统,其特征在于,该服务器还包括如下模块:
M41,用于:将各出租车的历史订单记录按时间段进行分段;
M42,用于:根据各时间段的各出租车的历史订单记录,对应的统计客人上车下车区域概率矩阵SHPM(s);SHPM(s)={HP(i,j)|i∈[1..N], j∈[1..N]};其中,s表示时间段序号;
M43,用于:将所述客人上车下车区域概率矩阵SHPM(s-1)作为训练数据、所述客人上车下车区域概率矩阵SHPM(s)作为预期数据输入至图神经网络进行训练;
所述模块M12中,根据最近时间段的各出租车的历史订单记录,统计客人上车下车区域概率矩阵HPM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115700.1A CN113570172B (zh) | 2021-09-23 | 2021-09-23 | 一种出租车空载巡航路线推荐的方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115700.1A CN113570172B (zh) | 2021-09-23 | 2021-09-23 | 一种出租车空载巡航路线推荐的方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570172A true CN113570172A (zh) | 2021-10-29 |
CN113570172B CN113570172B (zh) | 2021-12-31 |
Family
ID=78174069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111115700.1A Active CN113570172B (zh) | 2021-09-23 | 2021-09-23 | 一种出租车空载巡航路线推荐的方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570172B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038886A (zh) * | 2017-05-11 | 2017-08-11 | 厦门大学 | 一种基于轨迹数据的出租车巡游路径推荐方法和系统 |
CN110264706A (zh) * | 2019-04-07 | 2019-09-20 | 武汉理工大学 | 一种基于大数据挖掘的空载出租车辅助系统 |
CN112801360A (zh) * | 2020-12-30 | 2021-05-14 | 广东工业大学 | 一种出租车需求预测方法、系统和设备 |
-
2021
- 2021-09-23 CN CN202111115700.1A patent/CN113570172B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038886A (zh) * | 2017-05-11 | 2017-08-11 | 厦门大学 | 一种基于轨迹数据的出租车巡游路径推荐方法和系统 |
CN110264706A (zh) * | 2019-04-07 | 2019-09-20 | 武汉理工大学 | 一种基于大数据挖掘的空载出租车辅助系统 |
CN112801360A (zh) * | 2020-12-30 | 2021-05-14 | 广东工业大学 | 一种出租车需求预测方法、系统和设备 |
Non-Patent Citations (2)
Title |
---|
NANDANI GARG: "Route Recommendations for Idle Taxi Drivers:Find Me the Shortest Route to a Customer!", 《RESEARCH TRACK PAPER》 * |
贾鉴: "基于循环神经网络的空载电动出租车的充电桩推荐方法", 《网络与信息安全学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113570172B (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210366287A1 (en) | System for providing big data-based artificial intelligence automatic allocation matching service using taxi demand prediction | |
Bischoff et al. | City-wide shared taxis: A simulation study in Berlin | |
US10192448B2 (en) | Method to control vehicle fleets to deliver on-demand transportation services | |
CN111033535B (zh) | 用于乘车订单调度的系统和方法 | |
US11094028B2 (en) | System and method for determining passenger-seeking ride-sourcing vehicle navigation | |
US9776512B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
US9349150B2 (en) | System and method for multi-task learning for prediction of demand on a system | |
Wong et al. | A cell-based logit-opportunity taxi customer-search model | |
CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
US20220410750A1 (en) | System and method for smart charging management of electric vehicle fleets | |
Herrema et al. | Taxi-out time prediction model at Charles de Gaulle Airport | |
CN112204604A (zh) | 信息处理装置、信息处理方法以及程序 | |
CN113935505A (zh) | 基于列生成和蚁群算法融合的共享电动汽车运营优化方法 | |
Kieu et al. | A class-specific soft voting framework for customer booking prediction in on-demand transport | |
Yang et al. | Fleet sizing and charging infrastructure design for electric autonomous mobility-on-demand systems with endogenous congestion and limited link space | |
Sellmair et al. | Analysis of the effect of charging infrastructure design on electric taxi driving profiles: A case study approach on the example of Singapore | |
CN113570172B (zh) | 一种出租车空载巡航路线推荐的方法、装置和系统 | |
Zwick et al. | Review on theoretical assessments and practical implementations of ride-pooling | |
CN112926809B (zh) | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 | |
Peláez-Rodríguez et al. | Bike sharing and cable car demand forecasting using machine learning and deep learning multivariate time series approaches | |
CN113792945A (zh) | 一种营运车辆的派遣方法、装置、设备及可读存储介质 | |
Roosmalen | Forecasting bus ridership with trip planner usage data: A machine learning application | |
Paul et al. | Public Transportation Demand Analysis: A Case Study of Metropolitan Lagos | |
Kamijo et al. | Required simulated population ratios for valid assessment of shared autonomous vehicles’ impact using agent-based models | |
Boumeddane et al. | A Model Stacking Approach for Ride-Hailing Demand Forecasting: A Case Study of Algiers |
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 |