CN113642758A - 一种共享电动汽车的供需预测及调度方法和装置 - Google Patents
一种共享电动汽车的供需预测及调度方法和装置 Download PDFInfo
- Publication number
- CN113642758A CN113642758A CN202110638217.5A CN202110638217A CN113642758A CN 113642758 A CN113642758 A CN 113642758A CN 202110638217 A CN202110638217 A CN 202110638217A CN 113642758 A CN113642758 A CN 113642758A
- Authority
- CN
- China
- Prior art keywords
- sequence
- time
- covariate
- historical
- future
- 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 57
- 230000003068 static effect Effects 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 24
- 230000000306 recurrent effect Effects 0.000 claims description 21
- 230000002123 temporal effect Effects 0.000 claims description 10
- 230000036962 time dependent Effects 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006872 improvement Effects 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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 Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (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
本申请提供了一种共享电动汽车的供需预测及调度方法和装置，该方法包括：将所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列，以及基于当前时刻构造的各个待预测网点的未来协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列；并将各个待预测网点未来时间序列进行处理，得到其预测结果；依据各个预测结果，判断各个预测结果各自对应的网点是否需要进行车辆调度；若至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令；合理配置有限的车辆资源和网点车位资源，降低了整体调度的成本；最终达成降本增效的目的。
Description
技术领域
本发明属于人工智能技术领域，更具体的说，尤其涉及一种共享电动汽车的供需预测及调度方法和装置。
背景技术
随着共享单车的大规模发展，共享经济的概念迅速普及，共享汽车也随之进入市场，走入人们的生活中。现阶段下的分时租赁共享汽车业务模式中，运营车辆一般为新能源电动汽车，运营方在城市中设立大量的网点，网点拥有特定的车位供停车或充电，用户需在这些特定网点取车或还车。但由于车辆资源和网点车位资源有限，为了合理配置这些资源，尽量满足用户有用车需求时网点有可用车辆，用户有还车需求时网点有空余车位，以便达成更高的订单量和用户满意度，需要对车辆进行有效的调度。
目前，共享汽车企业对于车辆的调度主要集中在解决两个问题：一是部分网点归还车辆数超过网点设定车位数导致爆点的问题，调度人员一般会将车辆调度到邻近的有空车位的网点；二是部分网点待运车辆长期无人租用的问题，调度人员主要根据经验把车辆调度到附近可能产生订单的网点。由于调度人员对网点未来的供需判断不准确，人工调度中存在大量的无效调度，也存在调度路线不合理的问题，耗费大量成本。
发明内容
有鉴于此，本发明的目的在于提供一种共享电动汽车的供需预测及调度方法和装置，用于实现合理配置有限的车辆资源和网点车位资源、减少调度人员的无效调度，降低了整体调度的成本。
本发明第一方面公开了一种共享电动汽车的供需预测及调度方法，包括：
获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列；其中，所述历史目标序列、所述静态协变量序列和所述历史协变量序列均从历史数据中提取得到的；
基于当前时刻，构造各个所述待预测网点的未来协变量序列；
将每个所述待预测网点的所述未来协变量序列、所述历史目标序列、所述静态协变量序列和所述历史协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列；所述未来时间序列包括：还车和取车的预测序列；
对各个所述待预测网点的所述未来时间序列进行处理，得到各个所述待预测网点的预测结果；
依据各个所述预测结果，判断各个所述预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令。
可选的，在将每个所述待预测网点的所述未来协变量序列、所述历史目标序列、所述静态协变量序列和所述历史协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列；所述未来时间序列包括：还车和取车的预测序列之前，还包括：
获取预测时间步长；其中，所述未来时间序列的长度由所述预测时间步长决定。
可选的，将各个所述待预测网点对应所述未来时间序列进行处理，得到各个所述待预测网点的预测结果，包括：
将每个所述待预测网点的所述未来时间序列各个时间步的聚合结果作为相应所述待预测网点的预测结果；其中，同一所述未来时间序列的时间步数量为其长度。
可选的，所述历史协变量序列包括：过去时间可知且与时间相关的特征信息；所述过去时间可知且与时间相关的特征信息包括：时间特征；
所述未来协变量序列包括：未来时间可预知且与时间相关的特征信息；所述未来时间可预知的与时间相关的特征信息包括：时间特征。
可选的，所述过去时间可知且与时间相关的特征信息还包括：天气特征；
所述未来时间可预知的与时间相关的特征信息还包括：预测的天气特征。
可选的，所述时间特征包括：小时、月份、日期、周几、是否节假日中的至少一个；和/或，所述天气特征包括：温度、风速、是否下雨中的至少一个。
可选的，获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列，包括：
获取预设历史时间段内的所述历史数据；其中，所述历史数据包括：订单数据和网点数据；所述订单数据包括：订单开始时间、订单结束时间、订单开始网点、订单结束网点；所述网点数据包括：网点编号、车位数和电桩数；
对所述历史数据分别进行清洗、聚合统计，得到各个网点每天每小时的取还车订单量序列数据，作为取还车原始数据；
对所述取还车原始数据，根据实际日期-时段提取和添加过去时间可知且与时间相关的特征信息，并对网点编号通过特定编码方法转化为数值变量；其中，所述时间特征包括：小时、月份、日期、周几和是否节假日的特征中的至少一个；
对于每个待预测网点编码，获取其取还车订单量列作为历史目标序列；并获取与时间无关的特征列称作为所述静态协变量序列；以及，获取与时间相关的特征列称作为所述历史协变量序列；其中，所述与时间无关的特征列包括：所述网点编码、所述车位数和所述电桩数；所述与时间相关的特征列包括：所述过去时间可知且与时间相关的特征信息。
可选的，基于当前时刻，构造各个待预测网点的未来协变量序列，包括：
将相应网点编码与待预测未来时间日期-时段生成笛卡尔积，得到多个序列；
根据实际日期，对所述序列添加未来时间可预知且与时间相关的特征信息，得到所述未来协变量序列。
可选的，依据各个所述预测结果，判断各个所述预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令，包括：
依据各个所述完成预测网点的所述预测结果，结合各个所述完成预测网点的实际可用车辆数和可用车位数，计算各个所述完成预测网点的需调度的车辆数和多余可用车量/车位数；
获取各个完成预测网点之间的时间距离矩阵，在满足所述车辆调度情况前提下，以总时间最短、总距离最短、总订单量最大中的至少一个为优化目标，生成相应网点之间车辆调度指令。
可选的，所述需求预测模型的构建方法，包括：
构建训练样本集；其中，所述训练样本集为通过时间滑窗的方式获取每个网点特定历史时间点取还车的历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列和未来目标序列的样本数据集合；其中，所述历史目标序列、所述静态协变量序列、所述历史协变量序列、所述未来协变量序列是训练的输入特征，所述未来目标序列是训练的标签；该输入特征为所述特定历史时间点之前信息；所述标签为所述特定历史时间点之后的信息；
针对每一个所述训练样本集，将所述训练样本集的所述输入特征输入至多步长分位数循环神经网络模型，得到样本预测结果；
利用所述样本预测结果与未来目标序列之间的误差，对所述随机多步长分位数循环神经网络模型进行不断调整，直至调整后的所述多步长分位数循环神经网络模型输出的样本预测结果与所述未来目标序列之间的误差满足预设的收敛条件时，将所述调整后的多步长分位数循环神经网络模型确定为所述需求预测模型。
本发明第二方面公开了一种共享电动汽车的供需预测及调度装置，包括：
获取模块，用于获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列；其中，所述历史目标序列、所述静态协变量序列和所述历史协变量序列均从历史数据中提取得到的；
构建序列模块，基于当前时刻，构造各个待预测网点的未来协变量序列；
输入模块，用于将每个所述待预测网点的所述未来协变量序列、所述历史目标序列、所述静态协变量序列和所述历史协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列；所述未来时间序列包括：还车和取车的预测序列；
确定模块，用于对各个所述待预测网点的所述未来时间序列进行处理，得到各个所述待预测网点的预测结果；
调度模块，用于依据各个所述预测结果，判断各个所述预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令。
可选的，所述需求预测模型的构建模块，包括：
构建单元，用于构建训练样本集；其中，所述训练样本集为通过时间滑窗的方式获取每个网点特定历史时间点取还车的历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列和未来目标序列的样本数据集合；其中，所述历史目标序列、所述静态协变量序列、所述历史协变量序列、所述未来协变量序列是训练的输入特征，所述未来目标序列是训练的标签；该输入特征为所述特定历史时间点之前信息；所述标签为所述特定历史时间点之后的信息；
输入单元，用于针对每一个所述训练样本集，将所述训练样本集的所述输入特征输入至多步长分位数循环神经网络模型，得到样本预测结果；
调整单元，用于利用所述样本预测结果与未来目标序列之间的误差，对所述随机多步长分位数循环神经网络模型进行不断调整，直至调整后的所述多步长分位数循环神经网络模型输出的样本预测结果与所述未来目标序列之间的误差满足预设的收敛条件时，将所述调整后的多步长分位数循环神经网络模型确定为所述需求预测模型。
从上述技术方案可知，本发明提供的一种共享电动汽车的供需预测及调度方法，包括：将所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列，以及基于当前时刻构造的未来协变量序列，输入至需求预测模型中，得到每个待预测网点的至少一个未来时间序列；并将同一待预测网点对应的各个未来时间序列的聚合结果作为其预测结果；依据各个预测结果，判断各个预测结果各自对应的网点是否需要进行车辆调度；若至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令；实现了合理配置有限的车辆资源和网点车位资源，尽量满足用户有用车需求时网点有可用车辆，用户有还车需求时网点有空余车位，以便达成更高的订单量和用户满意度，提高营收；同时，减少调度人员的无效调度，降低了调度的平均里程数和平均时间，降低了整体调度的成本；最终达成降本增效的目的。
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是本发明实施例提供的一种共享电动汽车的供需预测及调度方法的流程图；
图2是本发明实施例提供的另一种共享电动汽车的供需预测及调度方法的流程图；
图3是本发明实施例提供的另一种共享电动汽车的供需预测及调度方法的流程图；
图4是本发明实施例提供的另一种共享电动汽车的供需预测及调度方法的流程图；
图5是本发明实施例提供的一种共享电动汽车的供需预测及调度方法的构建模型的示意图；
图6是本发明实施例提供的一种共享电动汽车的供需预测及调度装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
在本申请中，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。
本发明实施例提供一种共享电动汽车的供需预测及调度方法，用于解决现有技术中，由于调度人员对网点未来的供需判断不准确，人工调度中存在大量的无效调度，也存在调度路线不合理的问题，耗费大量成本的问题。
参见图1，该共享电动汽车的供需预测及调度方法，包括：
S101、获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列。
需要说明的是，可以是获取多个网点的历史目标序列、静态协变量序列和历史协变量序列，也可以是仅获取一个网点的历史目标序列、静态协变量序列和历史协变量序列；也即，该网点的数量和选取为实际需要进行预测的网点决定，此处不做具体限定，视实际情况而定即可，均在本申请的保护内。可以将该网点名为待预测网点。
其中，历史目标序列、静态协变量序列和历史协变量序列均从历史数据中提取得到的。历史协变量序列包括：过去时间的时间特征。具体的，历史目标序列可以包括：取车订单量列和还车订单量列。该静态协变量序列可以包括：网点编码、车位数、电桩数等与时间无关的特征列；历史协变量序列可以包括：过去时间可知且与时间相关的特征信息；该过去时间可知且与时间相关的特征信息可以包括：时间特征；该时间特征包括：小时、月份、日期、周几、是否节假日中的至少一种。过去时间可知且与时间相关的特征信息还可以包括天气特征；该天气特征包括：温度、风速、是否下雨中的至少一个。
S102、基于当前时刻，构造各个待预测网点的未来协变量序列。
在实际应用中，未来协变量序列包括：未来时间可预知且与时间相关特征信息。该未来时间可预知且与时间相关特征信息可以包括时间特征；该时间特征包括：小时、月份、日期、周几、是否节假日中的至少一种；该未来时间可预知且与时间相关特征信息还可以包括预测的天气特征；该天气特征包括：温度、风速、是否下雨中的至少一个。
需要说明的是，历史数据的时间颗粒度一般为1个小时，相应的，该未来协变量序列对应的时间粒度度一般也为1个小时。
在实际应用中，在执行步骤S103之前，还可以包括：获取预测时间步长。
其中，步骤S103中的未来时间序列的长度由该预测时间步长决定。也即，该预测时间步长越长，该未来时间序列的长度越长。
预测时间步长可以是1个小时，也可以是多个小时；也即，可以预测未来一个小时的供需，也可以是预测未来多个小时的供需。
需要说明的是，该预测时间步长可以是预先设置的，也可以是人为输入的；此处不做具体限定，视实际情况而即可，均在本申请的保护范围内。
S103、将每个待预测的未来协变量序列、历史目标序列、静态协变量序列和历史协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列。
需要说明的是，该需求预测模型为预先构建好的，其输入输出映射关系已经明确，只要将未来协变量序列、历史目标序列、静态协变量序列和历史协变量序列输入至需求预测模型中，则该需求预测模型自动输出多时间步的未来时间序列。
具体的，每个网点作为一个样本，其历史目标序列、静态协变量序列、历史协变量序列和未来协变量序列称为样本特征，输入至需求预测模型中，得到该网点对应的的未来时间序列。
未来时间序列包括：还车和取车的预测数量；也就是说，通过未来协变量序列、历史目标序列、静态协变量序列和历史协变量序列，可以得到还车和取车的预测数量。
在实际应用中，未来时间序列的长度由预测时间步长决定。也即，如待预测时间步长为2小时，时间颗粒度为1小时，则同一待预测网点的未来时间序列长度是2。
S104、对各个待预测网点的未来时间序列进行处理，得到各个待预测网点的预测结果。
由上述说明可知，该未来时间序列中包括还车和取车的预测序列，将未来时间序列作为预测结果，也就是将还车和取车的预测序列中的数据作为预测结果。
在实际应用中，将同一待预测网点对应未来时间序列各个时间步的聚合结果作为相应待预测网点的预测结果。其中，同一未来时间序列的时间步数量为其长度。
在一个待预测网点的未来时间序列仅有一个时间步时，将该未来时间序列中的数据直接作为该网点的预测结果；在同一个待预测网点的未来时间序列有多个时间步时，将未来时间序列的多个时间步的数据叠加后作为该网点的预测结果。
S105、依据各个预测结果，判断各个预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令。
在相应网点不需要调度时可以不生成调度指令，以默认该网点不需要调度。
从上述说明得知，该预测结果能够表明相应网点的还车的预测数量和取车的预测数量，也即，通过该还车的预测数量和取车的预测数量，以及网点的实际情况即可确定网点是否需要进行车辆调度；接着，在需要调度时，在依据总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令。
在本实施例中，将所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列，以及基于当前时刻，构造相应网点的未来协变量序列，输入至需求预测模型中，得到相应网点至少一个的未来时间序列；并将同一待预测网点对应的各个未来时间序列的聚合结果作为其预测结果；依据各个预测结果，判断各个预测结果各自对应的网点是否需要进行车辆调度；若至少一个完成预测，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令；实现了合理配置有限的车辆资源和网点车位资源，尽量满足用户有用车需求时网点有可用车辆，用户有还车需求时网点有空余车位，以便达成更高的订单量和用户满意度，提高营收；同时，减少调度人员的无效调度，降低了调度的平均里程数和平均时间，降低了整体调度的成本，最终达成降本增效的目的。
在实际应用中，参见图2，上述步骤S101，包括：
S201、获取预设历史时间段内的历史数据。
其中，历史数据包括：订单数据和网点数据；订单数据包括：订单开始时间、订单结束时间、订单开始网点和订单结束网点；该订单数据还可以包括订单号。网点数据包括网点编号、网点状态、车位数和电桩数。
也就是说，历史数据包括了各个网点的取还车的所有数据，以及各个网点的当前数据；也即各个网点运营的所有数据。
该历史时间段内可以是过去168个小时，当然，不仅限于此，此处不做具体限定，视实际情况而定即可，均在本申请的保护范围内。
S202、对历史数据分别进行清洗、聚合统计，得到各个网点每天每小时的取还车订单量序列数据，作为取还车原始数据。
一般来说，历史数据中会有存在一些误差数据，也即该数据不符合正常的历史数据产生的规律。如历史订单数据中缺少订单结束时间或订单结束网点之类的等等；因此，需要对历史数据进行清洗。
另外，历史数据中各个网点的数据是散乱的，因此通过聚合统计，使得各个历史数据按相应规律聚拢，如每个网点的数据按时间大小排序；此处不做具体限定，视实际情况而定即可，均在本申请的保护范围内。
具体的，得到各个网点每天每小时的取车订单量序列数据，作为取车原始数据，得到各个网点每天每小时的还车订单量序列数据，作为还车原始数据。
S203、对取还车原始数据，根据实际日期-时段，提取和添加过去时间可知且与时间相关的特征信息，并对网点编号通过特定编码方法转化为数值变量。
由上述说明可知，该过去时间可知且与时间相关的特征信息包括：过去时间的时间特征。该时间特征包括：小时、月份、日期、周几、是否节假日中的至少一种。过去时间可知且与时间相关的特征信息还可以包括天气特征；该天气特征包括：温度、风速、是否下雨中的至少一个。
其中，时间特征包括：小时、月份、日期、周几和是否节假日中的至少一个。
由上述说明可知，订单数据包括：订单开始时间和订单结束时间；也即，该订单开始时间和结束时间为该取还车原始数据的实际日期-时段。
具体的，对取车原始数据根据订单开始时间，提取和添加时间特征；如依据订单开始时间添加周几和是否节假日的特征，以及，从订单开始时间提取小时、月份、日期的时间。并且，对还车原始数据，根据订单结束时间，提取和添加时间特征；如根据订单开始时间添加周几和是否节假日的特征，以及从订单开始时间提取小时、月份、日期的时间。提取和添加时间特征的具体过程，不仅限于上述说明，视实际情况而定即可，均在本申请的保护范围内。
S204、对于每个待预测网点编码，获取其取还车订单量列作为历史目标序列；并获取与时间无关的特征列称作为静态协变量序列；以及，获取与时间相关的特征列称作为历史协变量序列。
其中，与时间无关的特征列包括：网点编码、车位数和电桩数。与时间相关的特征列包括：时间特征。
具体的，以举例说明的形式，对历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列、未来目标序列进行说明。
对于整理后的取车数据，并添加部分特征后的数据，具备以数据格式如表1所示。
表1：历史取车数据
对001网点来说，如果以2021-04-0521:00:00为切分点，预测未来两个小时订单量，即2021-04-0522:00:00和2021-04-0523:00:00。
历史目标序列为：2021-04-0100:00:00到2021-04-0521:00:00的取车量，具体为[2，3，···，4]。
静态协变量序列：2021-04-0100:00:00到2021-04-0521:00:00的网点编码、车位数、电桩数，具体为[[2.53，4，4]，[2.53，4，4]，···，[2.53，4，4]]。
历史协变量序列：2021-04-0100:00:00到2021-04-0521:00:00的日期、周几、是否节假日列，属于过去已知的与时间相关的特征列，具体为[[1，4，0]，[1，4，0]，···，[5，1，1]]。
未来协变量序列：2021-04-0522:00:00以后的日期、周几、是否节假日列，可以认为是未来已知的与时间相关的特征列，具体为[[5，1，1]，[5，1，1]]，其中，[[5，1，1]，[5，1，1]]为2021-04-0522:00:00至2021-04-0523:00:00这两个小时内的特征列。
未来目标序列：2021-04-0522:00:00以后的取车量，具体为[1，3]；其中，[1，3]为2021-04-0522:00:00至2021-04-0523:00:00这两个小时各自对应的取车量。需要说明的是，该未来目标序列为在进行构建供需预测模型时的真实结果，来调整供需预测模型的预测准确度，该未来目标序列与未来时间序列不同，未来时间序列为模型预测结果，该未来目标序列为真实结果。
以上所有序列组成一个样本，不同的网点，不通的时间切分点，可以获取大量样本。
上述以历史取车数据为例进行说明，其历史还车数据类似；该历史还车数据如下表所示。
表2：历史还车数据
需要说明的是，其还车量与上述以取车量的说明相似，此处不再一一赘述，均在本申请的保护范围内。
在本实施例中，对于每个网点未来预设时间内的取还车订单量进行实时预测，并根据预测结果和网点实时资源，生产最优的车辆调度指令，减少调度人员的无效调度，降低了调度的平均里程数和平均时间，降低了整体调度的成本；最终达成降本增效的目的。
在实际应用中，参见图3，步骤S102，包括：
S301、将相应网点编码与待预测未来时间日期-时段生成笛卡尔积，得到多个序列。
S302、根据实际日期，对序列添加未来时间可预知且与时间相关的特征信息，得到未来协变量序列。
该未来时间可预知且与时间相关特征信息可以包括时间特征；该时间特征包括：小时、月份、日期、周几、是否节假日中的至少一种；该未来时间可预知且与时间相关特征信息还可以包括预测的天气特征；该天气特征包括：温度、风速、是否下雨中的至少一个。
在实际应用中，参见图4，步骤S105，包括：
S401、依据各个完成预测网点的预测结果，结果各个完成预测网点的实际可用车辆数和可用车位数，计算各个完成预测网点网点的需调度的车辆数和多余可用车量/车位数。
具体的，获取预设时间段取车订单的预测结果和还车订单的预测结果，并获取待预测网点的实时可用车辆数和可用车位数。订单预测结果和还车订单预测结果为带预测时间步长对应的取车数量和还车数量。如计算所有待预测网点车辆富余或短缺的量，以及车位富余和短缺的量。进而得到待预测网点必须调度的车辆数和多余可用车量/车位数。
根据上述取还车预测结果和实时待预测网点的车辆数和车位数，计算该网点需要的车辆调度情况，具体为该网点是否需要调度，若需要调度，则需要调出几辆车或者需要调入几辆车。
S402、获取各个完成预测网点之间的时间距离矩阵，在满足车辆调度情况前提下，以时间最短、距离最短、订单量最大中的至少一个为优化目标，生成相应网点之间车辆调度指令。
在实际应中，调度人员根据车辆调度指令执行车辆调度，完成车辆资源的优化配置。减少调度人员的无效调度，降低了调度的平均里程数和平均时间，降低了整体调度的成本；最终达成降本增效的目的。
上述预设的供需预测模型为用大量历史取车/还车原始数据训练后的基于深度学习和分位数回归的MQRNN(Multi-Horizon Quantile RecurrentNeural Network，多步长分位数循环神经网络)。
在上述任一实施例中，需求预测模型的构建方法，包括：
(1)构建训练样本集；其中，训练样本集为通过时间滑窗的方式获取每个网点特定历史时间点取还车的历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列和未来目标序列的样本数据集合。
其中，历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列是训练的输入特征，未来目标序列是训练的标签；该输入特征为特定历史时间点之前信息；标签为特定历史时间点之后的信息。
(2)针对每一个训练样本集，将训练样本集的输入特征输入至多步长分位数循环神经网络模型，得到样本预测结果。
(3)利用样本预测结果与未来目标序列之间的误差，对随机多步长分位数循环神经网络模型进行不断调整，直至调整后的多步长分位数循环神经网络模型输出的样本预测结果与未来目标序列之间的误差满足预设的收敛条件时，将调整后的多步长分位数循环神经网络模型确定为需求预测模型。
具体的，针对上述MQRNN模型，其训练方式是：通过时间滑窗的方式获取每个网点特定历史时间点取车/还车的历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列和未来目标序列的样本数据集合
并用其分别对MQRNN模型进行训练，即分别学习取车/还车
的映射关系G(·)。训练损失函数为分位数损失，如下：
其中(·)+＝max(0，·)，如给定多个分位数，则针对每个分位数，则预测输出每个时间步多个分位数的预测结果
训练后的供需预测模型，即为上述提到的预设的供需预测模型。
上述MQRNN模型，其具体结构包括编码和解码两个部分：编码部分是通过两层LSTM(Long Short Term Memorynetworks，长短期记忆网络)提取历史目标序列、静态协变量序列和历史协变量序列
的联合时间序列特征，解码部分是通过全局多层感知机和局部感知机，结合上述联合时间序列特征以及未来多个时间步的协变量序列
直接生成未来多个时间步的预测值。
全局感知机为：
局部感知机为：
其中，局部感知机对每一个时间步，进行预测得到预测结果。具体的，根据总体预测的预设预测时间如未来2h，则将未来每小时的预测结果聚合相加，分别得到预设时间段的取车订单分布预测结果和还车订单分布预测结果。
具体的，参见图5，Encoder是编码部分，Decoder(t)MLPS是解码部分。
编码部分
也即，输入是历史目标序列、静态协变量序列和历史协变量序列
输出隐藏层ht可以认为是联合时间序列特征。LSTM(LongShort-Term Memory，长短期记忆网络)是改进后的RNN(RecurrentNeural Network，循环神经网络)。
其中，xt-1代表序列
和
聚合后的序列x:t的第t-1个数据；xt-2代表序列
和
聚合后的序列x:t的第t-2个数据；xt代表序列
和
聚合后的序列x:t的第t个数据。yt-1代表序列y:t的第t-1个数据；yt-2代表序列y:t的第t-2个数据；yt表序列y:t的第t个数据。当前输出的ht-1分别与上一步的输出ht-2以及这一步的输入xt-1和yt-1有关，ht-2和ht同理。
解码部分有全局感知机和局部感知机组成。其中mG(·)和mL(·)是指multi-layerperception多层感知机，即多层全联接神经网络。
(1)全局感知机：
其映射关系为：
输入为编码后的ht和未来协变量序列
输出为生成K个局部上下文特征Ct+1～Ct+k，如图5所示的Ct+1～Ct+3；以及，一个全局上下文特征Ca。
均为
(2)局部感知机：
其映射关系为：
也即，对每一个要预测的时间步，其输入是：全局感知机输出的Ct+k、Ca和未来协变量序列中第t+k步的值，其输出是：第t+k步不同分位数的预测值yt+k。图5以k＝3为进行展示。
需要说明的是，试验结果表明：供需预测部分，其取车订单的预测精度，其中58％为完全预测正确的，32％为预测误差仅1个订单，5％为预测误差为2个订单，仅5％为预测误差大于2个订单。还车的预测精度，其中66％为完全预测正确的，27％为预测误差仅1个订单，3％为预测误差为2个订单，仅4％为预测误差大于2个订单。总体预测准确度较高。
车辆调度部分：与试运营前的人工调度相比，试运营区域的营收占比提升了11％，实现了营收的增长，同时调度人员的日均调度次数降低了42％，调度里程降低了13％，实现了调度成本的降低。
本发明实施例还提供了一种共享电动汽车的供需预测及调度装置，参见图6，包括：获取模块10、构建序列模块20、输入模块30、确定模块40和调度模块50。
获取模块10，用于获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列；其中，所述历史目标序列、所述静态协变量序列和所述历史协变量序列均从历史数据中提取得到的。
构建序列模块20，用于基于当前时刻，构造各个待预测网点的未来协变量序列。
输入模块30，用于将每个待预测的未来协变量序列、历史目标序列、静态协变量序列和历史协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列。
确定模块40，用于对各个待预测网点的未来时间序列进行处理，得到各个待预测网点的预测结果。
调度模块50，用于依据各个所述预测结果，判断各个所述预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点需要调度；则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
在实际应用中，获取模块10用于获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列时，具体用于：
(1)获取预设历史时间段内的历史数据，历史数据包括：订单数据和网点数据；订单数据包括：订单号、订单开始时间、订单结束时间、订单开始网点、订单结束网点；网点数据包括网点编号、网点状态、车位数和电桩数。
(2)对历史数据分别进行清洗、聚合统计，得到各个网点每天每小时的取还车订单量序列数据，作为取还车原始数据。
(3)对取还车原始数据，根据实际日期-时段，提取和添加时间特征并对网点编号通过特定编码方法转化为数值变量；其中，时间特征包括：小时、月份、日期、周几和是否节假日中的至少一个。
(4)对于每个待预测网点编码，获取其取还车订单量列作为历史目标序列；并获取与时间无关的特征列称作为静态协变量序列；以及，获取与时间相关的特征列称作为历史协变量序列；其中，与时间无关的特征列包括：网点编码、车位数和电桩数；与时间相关的特征列包括：时间特征。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
在实际应用中，构建序列模块20用于基于当前时刻，构造相应网点的未来协变量序列时，具体用于：
将相应网点编码与待预测未来时间日期-时段生成笛卡尔积，得到多个序列；根据实际日期，对序列添加未来可预知的时间特征，得到未来协变量序列；时间特征包括：小时、月份、日期、周几、是否节假日。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
在实际应用中，调度模块50用于依据预测结果，判断预测结果对应的网点是否需要进行车辆调度；若相应网点需要调度，则以时间最短、距离最短和订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令时，具体用于：
(1)依据各个完成预测网点的预测结果，结果各个完成预测网点的实际可用车辆数和可用车位数，计算各个完成预测网点网点的需调度的车辆数和多余可用车量/车位数。
(2)获取各个完成预测网点之间的时间距离矩阵，在满足车辆调度情况前提下，以时间最短、距离最短、订单量最大中的至少一个为优化目标，生成相应网点之间车辆调度指令，以使调度人员根据车辆调度指令执行车辆调度，完成车辆资源的优化配置。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图4所示，此处不再赘述。
在实际应用中，需求预测模型的构建模块，包括：
构建单元，用于构建训练样本集；其中，训练样本集为通过时间滑窗的方式获取每个网点特定历史时间点取还车的历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列和未来目标序列的样本数据集合。
输入单元，用于针对每一个训练样本集，将训练样本集的输入特征输入至多步长分位数循环神经网络模型，得到样本预测结果。
调整单元，用于利用样本预测结果与未来目标序列之间的误差，对随机多步长分位数循环神经网络模型进行不断调整，直至调整后的多步长分位数循环神经网络模型输出的样本预测结果与未来目标序列之间的误差满足预设的收敛条件时，将调整后的多步长分位数循环神经网络模型确定为需求预测模型。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
在本实施例中，通过获取模块10获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列，以及，获取预测时间步长；构建序列模块20基于当前时刻，构造各个待预测网点的未来协变量序列；输入模块30将每个待预测网点的未来协变量序列、历史目标序列、静态协变量序列和历史协变量序列，输入至需求预测模型中，得到每个待预测网点的至少一个未来时间序列；确定模块40将同一待预测网点对应的各个未来时间序列的聚合结果作为相应待预测网点的预测结果；调度模块50依据依据各个预测结果，判断各个预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令；实现了合理配置有限的车辆资源和网点车位资源，尽量满足用户有用车需求时网点有可用车辆，用户有还车需求时网点有空余车位，以便达成更高的订单量和用户满意度，提高营收；同时，减少调度人员的无效调度，降低了调度的平均里程数和平均时间，降低了整体调度的成本；最终达成降本增效的目的。
本说明书中的各个实施例中记载的特征可以相互替换或者组合，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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 (12)
1.一种共享电动汽车的供需预测及调度方法，其特征在于，包括：
获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列；其中，所述历史目标序列、所述静态协变量序列和所述历史协变量序列均从历史数据中提取得到的；
基于当前时刻，构造各个所述待预测网点的未来协变量序列；
将每个所述待预测网点的所述未来协变量序列、所述历史目标序列、所述静态协变量序列和所述历史协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列；所述未来时间序列包括：还车和取车的预测序列；
对各个所述待预测网点的所述未来时间序列进行处理，得到各个所述待预测网点的预测结果；
依据各个所述预测结果，判断各个所述预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令。
2.根据权利要求1所述的共享电动汽车的供需预测及调度方法，其特征在于，在将每个所述待预测网点的所述未来协变量序列、所述历史目标序列、所述静态协变量序列和所述历史协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列；所述未来时间序列包括：还车和取车的预测序列之前，还包括：
获取预测时间步长；其中，所述未来时间序列的长度由所述预测时间步长决定。
3.根据权利要求2所述的共享电动汽车的供需预测及调度方法，其特征在于，将各个所述待预测网点对应所述未来时间序列进行处理，得到各个所述待预测网点的预测结果，包括：
将每个所述待预测网点的所述未来时间序列各个时间步的聚合结果作为相应所述待预测网点的预测结果；其中，同一所述未来时间序列的时间步数量为其长度。
4.根据权利要求1所述的共享电动汽车的供需预测及调度方法，其特征在于，所述历史协变量序列包括：过去时间可知且与时间相关的特征信息；所述过去时间可知且与时间相关的特征信息包括：时间特征；
所述未来协变量序列包括：未来时间可预知且与时间相关的特征信息；所述未来时间可预知的与时间相关的特征信息包括：时间特征。
5.根据权利要求4所述的共享电动汽车的供需预测及调度方法，其特征在于，所述过去时间可知且与时间相关的特征信息还包括：天气特征；
所述未来时间可预知的与时间相关的特征信息还包括：预测的天气特征。
6.根据权利要求5所述的所述的共享电动汽车的供需预测及调度方法，其特征在于，所述时间特征包括：小时、月份、日期、周几、是否节假日中的至少一个；和/或，所述天气特征包括：温度、风速、是否下雨中的至少一个。
7.根据权利要求4所述的共享电动汽车的供需预测及调度方法，其特征在于，获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列，包括：
获取预设历史时间段内的所述历史数据；其中，所述历史数据包括：订单数据和网点数据；所述订单数据包括：订单开始时间、订单结束时间、订单开始网点、订单结束网点；所述网点数据包括：网点编号、车位数和电桩数；
对所述历史数据分别进行清洗、聚合统计，得到各个网点每天每小时的取还车订单量序列数据，作为取还车原始数据；
对所述取还车原始数据，根据实际日期-时段提取和添加过去时间可知且与时间相关的特征信息，并对网点编号通过特定编码方法转化为数值变量；
对于每个待预测网点编码，获取其取还车订单量列作为历史目标序列；并获取与时间无关的特征列称作为所述静态协变量序列；以及，获取与时间相关的特征列称作为所述历史协变量序列；其中，所述与时间无关的特征列包括：所述网点编码、所述车位数和所述电桩数；所述与时间相关的特征列包括：所述过去时间可知且与时间相关的特征信息。
8.根据权利要求4所述的共享电动汽车的供需预测及调度方法，其特征在于，基于当前时刻，构造各个待预测网点的未来协变量序列，包括：
将相应网点编码与待预测未来时间日期-时段生成笛卡尔积，得到多个序列；
根据实际日期，对所述序列添加未来时间可预知且与时间相关的特征信息，得到所述未来协变量序列。
9.根据权利要求1所述的共享电动汽车的供需预测及调度方法，其特征在于，依据各个所述预测结果，判断各个所述预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令，包括：
依据各个所述完成预测网点的所述预测结果，结合各个所述完成预测网点的实际可用车辆数和可用车位数，计算各个所述完成预测网点的需调度的车辆数和多余可用车量/车位数；
获取各个完成预测网点之间的时间距离矩阵，在满足所述车辆调度情况前提下，以总时间最短、总距离最短、总订单量最大中的至少一个为优化目标，生成相应网点之间车辆调度指令。
10.根据权利要求1-9任一项所述的共享电动汽车的供需预测及调度方法，其特征在于，所述需求预测模型的构建方法，包括：
构建训练样本集；其中，所述训练样本集为通过时间滑窗的方式获取每个网点特定历史时间点取还车的历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列和未来目标序列的样本数据集合；其中，所述历史目标序列、所述静态协变量序列、所述历史协变量序列、所述未来协变量序列是训练的输入特征，所述未来目标序列是训练的标签；该输入特征为所述特定历史时间点之前信息；所述标签为所述特定历史时间点之后的信息；
针对每一个所述训练样本集，将所述训练样本集的所述输入特征输入至多步长分位数循环神经网络模型，得到样本预测结果；
利用所述样本预测结果与未来目标序列之间的误差，对所述随机多步长分位数循环神经网络模型进行不断调整，直至调整后的所述多步长分位数循环神经网络模型输出的样本预测结果与所述未来目标序列之间的误差满足预设的收敛条件时，将所述调整后的多步长分位数循环神经网络模型确定为所述需求预测模型。
11.一种共享电动汽车的供需预测及调度装置，其特征在于，包括：
获取模块，用于获取所有待预测网点的历史目标序列、静态协变量序列和历史协变量序列；其中，所述历史目标序列、所述静态协变量序列和所述历史协变量序列均从历史数据中提取得到的；
构建序列模块，基于当前时刻，构造各个待预测网点的未来协变量序列；
输入模块，用于将每个所述待预测网点的所述未来协变量序列、所述历史目标序列、所述静态协变量序列和所述历史协变量序列，输入至需求预测模型中，得到每个待预测网点的未来时间序列；所述未来时间序列包括：还车和取车的预测序列；
确定模块，用于对各个所述待预测网点的所述未来时间序列进行处理，得到各个所述待预测网点的预测结果；
调度模块，用于依据各个所述预测结果，判断各个所述预测结果各自对应的网点是否需要进行车辆调度；若存在至少一个完成预测网点需要调度，则以总时间最短、总距离最短和总订单量最大中的至少一个为优化目标，生成相应网点间车辆的调度指令。
12.根据权利要求11所述的共享电动汽车的供需预测及调度装置，其特征在于，所述需求预测模型的构建模块，包括：
构建单元，用于构建训练样本集；其中，所述训练样本集为通过时间滑窗的方式获取每个网点特定历史时间点取还车的历史目标序列、静态协变量序列、历史协变量序列、未来协变量序列和未来目标序列的样本数据集合；其中，所述历史目标序列、所述静态协变量序列、所述历史协变量序列、所述未来协变量序列是训练的输入特征，所述未来目标序列是训练的标签；该输入特征为所述特定历史时间点之前信息；所述标签为所述特定历史时间点之后的信息；
输入单元，用于针对每一个所述训练样本集，将所述训练样本集的所述输入特征输入至多步长分位数循环神经网络模型，得到样本预测结果；
调整单元，用于利用所述样本预测结果与未来目标序列之间的误差，对所述随机多步长分位数循环神经网络模型进行不断调整，直至调整后的所述多步长分位数循环神经网络模型输出的样本预测结果与所述未来目标序列之间的误差满足预设的收敛条件时，将所述调整后的多步长分位数循环神经网络模型确定为所述需求预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110638217.5A CN113642758B (zh) | 2021-06-08 | 2021-06-08 | 一种共享电动汽车的供需预测及调度方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110638217.5A CN113642758B (zh) | 2021-06-08 | 2021-06-08 | 一种共享电动汽车的供需预测及调度方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642758A true CN113642758A (zh) | 2021-11-12 |
| CN113642758B CN113642758B (zh) | 2024-06-21 |
Family
ID=78415878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110638217.5A Active CN113642758B (zh) | 2021-06-08 | 2021-06-08 | 一种共享电动汽车的供需预测及调度方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642758B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092148A (zh) * | 2021-11-19 | 2022-02-25 | 上海汽车集团股份有限公司 | 一种共享车辆站点取还订单量的预测方法及装置 |
| CN114611811A (zh) * | 2022-03-21 | 2022-06-10 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
| CN114997728A (zh) * | 2022-06-30 | 2022-09-02 | 北京梧桐车联科技有限责任公司 | 车辆调度方法、装置、设备及存储介质 |
| CN114997718A (zh) * | 2022-06-29 | 2022-09-02 | 中国银行股份有限公司 | 运钞车的路线规划方法、相关装置及计算机存储介质 |
| CN115936240A (zh) * | 2022-12-23 | 2023-04-07 | 暨南大学 | 共享单车需求预测与投放调度方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170098176A1 (en) * | 2014-03-19 | 2017-04-06 | Nissan Motor Co., Ltd. | Shared vehicle management device |
| CN108197793A (zh) * | 2017-12-27 | 2018-06-22 | 南京邮电大学 | 一种基于潮汐模型和粒子群算法的共享单车调配方法 |
| JP2019020787A (ja) * | 2017-07-11 | 2019-02-07 | 株式会社 ディー・エヌ・エー | 車両の走行スケジュールを管理するためのシステム、方法、及びプログラム |
| CN110119838A (zh) * | 2019-04-17 | 2019-08-13 | 成都信息工程大学 | 一种共享单车需求预测系统、方法及装置 |
| 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 |
| 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 |
| CN111915209A (zh) * | 2020-08-11 | 2020-11-10 | 上海钧正网络科技有限公司 | 共享交通工具的调度方法、装置、计算机设备和存储介质 |
| CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
| US20210027632A1 (en) * | 2019-07-22 | 2021-01-28 | Honda Motor Co., Ltd. | Vehicle dispatch apparatus, vehicle dispatch system and vehicle dispatch method |
| CN113095636A (zh) * | 2021-03-25 | 2021-07-09 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
-
2021
- 2021-06-08 CN CN202110638217.5A patent/CN113642758B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170098176A1 (en) * | 2014-03-19 | 2017-04-06 | Nissan Motor Co., Ltd. | Shared vehicle management device |
| JP2019020787A (ja) * | 2017-07-11 | 2019-02-07 | 株式会社 ディー・エヌ・エー | 車両の走行スケジュールを管理するためのシステム、方法、及びプログラム |
| CN108197793A (zh) * | 2017-12-27 | 2018-06-22 | 南京邮电大学 | 一种基于潮汐模型和粒子群算法的共享单车调配方法 |
| CN110119838A (zh) * | 2019-04-17 | 2019-08-13 | 成都信息工程大学 | 一种共享单车需求预测系统、方法及装置 |
| 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 |
| US20210027632A1 (en) * | 2019-07-22 | 2021-01-28 | Honda Motor Co., Ltd. | Vehicle dispatch apparatus, vehicle dispatch system and vehicle dispatch method |
| 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 |
| CN111915209A (zh) * | 2020-08-11 | 2020-11-10 | 上海钧正网络科技有限公司 | 共享交通工具的调度方法、装置、计算机设备和存储介质 |
| CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
| CN113095636A (zh) * | 2021-03-25 | 2021-07-09 | 深圳前海联动云软件科技有限公司 | 一种燃油共享汽车的智能调度系统及其方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092148A (zh) * | 2021-11-19 | 2022-02-25 | 上海汽车集团股份有限公司 | 一种共享车辆站点取还订单量的预测方法及装置 |
| CN114611811A (zh) * | 2022-03-21 | 2022-06-10 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
| CN114611811B (zh) * | 2022-03-21 | 2022-10-25 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
| CN114997718A (zh) * | 2022-06-29 | 2022-09-02 | 中国银行股份有限公司 | 运钞车的路线规划方法、相关装置及计算机存储介质 |
| CN114997728A (zh) * | 2022-06-30 | 2022-09-02 | 北京梧桐车联科技有限责任公司 | 车辆调度方法、装置、设备及存储介质 |
| CN114997728B (zh) * | 2022-06-30 | 2024-05-14 | 北京梧桐车联科技有限责任公司 | 车辆调度方法、装置、设备及存储介质 |
| CN115936240A (zh) * | 2022-12-23 | 2023-04-07 | 暨南大学 | 共享单车需求预测与投放调度方法 |
| CN115936240B (zh) * | 2022-12-23 | 2024-03-15 | 暨南大学 | 共享单车需求预测与投放调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642758B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642758A (zh) | 一种共享电动汽车的供需预测及调度方法和装置 | |
| CN112330215B (zh) | 一种城市用车需求量预测方法、设备及存储介质 | |
| Hasnine et al. | Tour-based mode choice modelling as the core of an activity-based travel demand modelling framework: A review of state-of-the-art | |
| Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
| CN112561187B (zh) | 一种基于cnn-lstm的网约车目标订单预测方法 | |
| CN112532439A (zh) | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 | |
| CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
| CN102256369B (zh) | 基于能量和通信开销的无线传感器网格任务调度方法 | |
| Shui et al. | A clonal selection algorithm for urban bus vehicle scheduling | |
| CN110458456A (zh) | 基于人工智能的需求响应式公交系统的调度方法及系统 | |
| 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 | |
| CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
| CN116324838A (zh) | 用于通过叫车平台调度共享乘车的系统和方法 | |
| CN113762624A (zh) | 一种垃圾清运车路线优化方法及城市垃圾清运生态系统 | |
| CN116307293A (zh) | 一种基于混杂感知与因果去偏的城市时空数据预测方法 | |
| CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
| CN115018553A (zh) | 基于深度学习的区域物流单量预测系统及方法 | |
| Xi et al. | Hmdrl: Hierarchical mixed deep reinforcement learning to balance vehicle supply and demand | |
| CN118154240A (zh) | 一种基于Transformer和生成对抗网络的网约车需求预测方法 | |
| CN112801360B (zh) | 一种出租车需求预测方法、系统和设备 | |
| CN117963375A (zh) | 一种互助共享多用垃圾桶处理系统 | |
| CN118095354A (zh) | 一种电力能耗预测方法及系统 | |
| CN117034780A (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 | |
| Bouziyane et al. | Solving dynamic vehicle routing problem with soft time windows basing on the static problem resolution by a hybrid approach | |
| CN113204916B (zh) | 基于强化学习的智能决策方法及系统 |
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 |