CN113947245A - 一种基于订单累积量的多乘客多司机共乘匹配方法及系统 - Google Patents
一种基于订单累积量的多乘客多司机共乘匹配方法及系统 Download PDFInfo
- Publication number
- CN113947245A CN113947245A CN202111221468.XA CN202111221468A CN113947245A CN 113947245 A CN113947245 A CN 113947245A CN 202111221468 A CN202111221468 A CN 202111221468A CN 113947245 A CN113947245 A CN 113947245A
- Authority
- CN
- China
- Prior art keywords
- driver
- passenger
- order
- passengers
- time
- 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 60
- 238000009825 accumulation Methods 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 claims description 23
- 230000035772 mutation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 description 10
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000004904 shortening 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明公开一种基于订单累积量的多乘客多司机共乘匹配方法及系统,方法首先获取司机和乘客的实时信息,并对司机和乘客加以区分;并对司机和乘客按照行政区域进行聚类,得到k个不同的用户簇。然后计算司机和乘客的匹配特征,包括路线重复度和乘客的时间容忍度;并根据历史数据预测各区域各时段的订单量和订单收益的增长量。接着,采用进化算法生成匹配方案。最后将匹配方案发送给司机和乘客。基于上述方法本发明还设计了一套多乘客多司机共乘匹配系统。本发明有效的缩短了乘客的出行时间、节约了出行成本。也在一定程度上减少了司机的空载率,提高了司机的接单量,从而提高了司机的收益。并且通过有效的匹配缓解了城市的交通压力。
Description
技术领域
本发明涉及多对多共乘匹配技术领域,尤其涉及一种基于订单累积量的多乘客多司机共乘匹配方法及系统。
背景技术
智能出行随着互联网技术的发展逐渐被大众所熟知,而基于精准匹配的高效出行方式也更受人们所青睐,智能出行的优势在于可有效提高出行效率、缓解交通压力、有效遏制乱收费等现象。但依旧存在不能充分权衡司机和乘客的利益、且不能保证匹配率,以及时效性等问题。
发明内容
针对上述现有技术的不足,本发明提供一种基于订单累积量的多乘客多司机共乘匹配方法及系统。
为解决上述技术问题,本发明所采取的技术方案是:一种基于订单累积量的多乘客多司机共乘匹配方法,包括如下步骤:
步骤1:获取司机和乘客的实时信息,并对司机和乘客加以区分,过程如下:
步骤1.1:获取司机和乘客各自所处的时间段、地理位置、登录id、手机号码,还有包括司机接单后可等待的时间、司机的接单状态、司机的车辆信息、车牌号码,以及乘客下单后可等待的时间和目的地信息;
步骤1.2:对获取的信息进行整合,将时间轴按固定步长L将一天24h分割为n个时段,即t=[t1,t2,t3,...,tn]:
将在不同时间段下单的乘客和不同时间段可接单的司机映射到相应的时间段内,并生成对应时间段的司机集合M和乘客集合P。
所述司机集合表示在k区域第j时间段内参与规划的所有司机的集合;表示在k区域第j个时间段参与规划的第i个司机,且1≤j≤n,令mid≤Mlen,其中Mlen表示当前时间段内参与规划的司机的总数,mreg表示当前时刻司机所处的区域,msta表示司机在j时间段时所处的位置,mj表示司机可接单的时间段,且mj≤n,mwt表示司机可等待接单的时间,mid表示当前司机的编号;
所述乘客集合表示在k区域有第j个时间段内参与规划的所有乘客的集合;表示k区域第j时间段参与规划的第i个乘客且1≤j≤n,令pid≤Plen,其中Plen表示当前时间段内参与规划的乘客的总数,Preg表示当前时刻乘客所属的区域,Psta表示下单时刻乘客所在位置Pend表示乘客需要到达的位置,Pj表示当前乘客下单的时段且Pj≤n;Pwt表示下单后乘客可等待的时间,pid表示当前乘客的编号。
其中,k的取值与当前城市所划分的行政区域的数目相同,q为用户簇中司机和乘客的数量之和,不同的k对应不同的q;
所述步骤2的过程如下:
步骤2.1:选取区域中心点的位置信息作为k个用户簇的聚类中心;
步骤2.2:根据司机和乘客所处的地理位置的实时信息,以曼哈顿距离作为相似度量,使目标函数的评价指标d最小:
其中,dm表示司机距中心点的距离,dp表示乘客距中心点的距离,Loi表示第i个区域中心点的经度,Lai表示第i个区域中心点的纬度,Lom表示司机当前所处位置的经度值,Lop表示乘客当前所处位置的经度值,Lam表示司机当前所处位置的纬度值,Lap表示乘客当前所处位置的纬度值;
步骤2.3:将m个司机和乘客划分到距离最小的质心簇中,当某司机或乘客同时到达某两个或两个以上中心簇的距离相等时,将其根据下单需求进行划分,然后更新质心,直到每个质心的距离不再发生变化或者迭代次数超过司机或乘客中数量少的那一个为止;
步骤3:计算司机和乘客的匹配特征,包括路线重复度和乘客的时间容忍度,过程如下:
步骤3.1:计算路线重复度cf,即司机和乘客合乘后的距离与司机行驶总路程的比值,具体求解公式如下:
其中,cfi,j表示编号为i的司机与编号为j的乘客合乘后的路线重复度,Pend表示乘客所要到达的目的地,Psta表示乘客的起始位置,msta表示司机接单时所处的位置;
步骤3.2:计算乘客的时间容忍度tol,即乘客下单后可等待的时间与司机在接单后可等待的时间差的绝对值与乘客下单后可等待的时间,具体求解公式如下:
其中,toli,j表示编号为i的司机与编号为j的乘客合乘后乘客i的时间容忍度,Pwt表示乘客下单后可等待的时间,mwt表示司机在接单后可等待的时间。
步骤4:根据历史数据预测各区域各时段的订单量和订单收益的增长量,过程如下:
步骤4.1:将历史订单数据映射到不同区域的不同时段内,对每个区域内历史数据的每日每个时段内的历史订单进行统计,得到不同区域不同时段的订单量;
步骤4.2:采用牛顿插值法拟合得出预计订单函数,并采用科特斯公式求该函数在时间段[ts,ts+h]的积分,作为空间网格在ts时段的预计订单量;
其中,司机在时段te所处位置msta处的预计收益表示为该时段内的订单量与订单的平均收益Pro的乘积;乘客在时段tf到达目的地所处位置pend处的预计收益表示为该时段内订单累积量与订单的平均收益Pro的乘积。
步骤5:采用进化算法生成匹配方案,过程如下:
步骤5.1:对处在同一时段,同一区域内的司机和乘客之间的距离进行计算,将距离值按从小到大的顺序进行排序,并将距离小于等于5km的司机和乘客的组合在存储矩阵中标记为1,将距离大于等于dkm司机和乘客的组合标记为2,将距离介于5km和dkm之间的司机和乘客的组合标记为0;
步骤5.2:对于标记为1的组合,计算其司机的预计收益,选出预计收益最大的组合作为匹配结果;
步骤5.3:对于标记为0的组合,分别计算乘客的时间容忍度、路线重复度和预计收益,分别将司机和乘客的组合按照乘客的时间容忍度由小到大的顺序进行排列,路线重复度由大到小的顺序进行排列,预计收益由大到小的顺序进行排列,并采用次贪婪算法分别从上述3种排列方式中选择出司机和乘客都不重复的个体个,共计个个体;
所述个体的总体适应度的计算过程如下:
S1:计算司机和乘客的组合基于路线重复度的适应度:
S2:计算司机和乘客的组合基于乘客的时间容忍度的适应度:
S3:计算司机和乘客的组合基于总体的适应度:
f=θfcf+εftol+δProgrow
其中,θ、ε、δ分别为三个不同的适应度值所占的比重即引导权重。
步骤5.5:对步骤5.4选出的种群进行交叉和变异操作;
步骤5.6:经过选择、交叉、变异后,计算种群的总体适应度,若总体适应度为最大值,则停止迭代,向系统返回当前的匹配结果;否则继续在当前种群中寻找最优的匹配方案;
所述交叉为采用部分交叉和基于位置的交叉的方法,对种群中的个体进行交叉,经交叉之后计算个体适应度并比较其大小,选择交叉后总体适应度较大的个体与原个体进行比较,并判断总体适应度是否变大,若变大则保留该新个体,否则继续寻找新的个体与之交叉,直至在该种群中选择出个体适应度最大的个体为止。
所述变异为:将组合访问分别采用单点移动和区间反转两种突变方式进行突变,将两次突变的结果与原个体进行比较,选出与原个体适应度差别较大的组合进行保留。
步骤5.7:重复执行步骤5.3至步骤5.6,直至将司机和乘客中人数少的一方完全匹配为止,并生成最终匹配方案;
步骤5.8:对于标记为2的组合,不进行任何操作。
步骤6:将匹配方案分别发送给司机和乘客,若司机和乘客同意该匹配结果,则进行确认,从而生成订单;如果司机或乘客中的一方拒绝匹配,则返回步骤5重新进行匹配,并释放当前匹配结果。
另一方面,本发明还基于所述的基于订单累积量的多乘客多司机共乘匹配方法,设计了一套多乘客多司机共乘匹配系统,系统包括:
数据获取模块:获取用户的注册信息,以及司机和乘客使用系统时所处的时间、地点、乘客的目的地、乘客的容忍时间、司机的容忍时间;
划分模块:用于对数据获取模块中所获得的数据进行分析和整理,并将所有乘客整合为乘客集,将所有司机整合为司机集,将乘客集和司机集进行区域划分;
计算模块:用于对匹配指标和评价指标进行计算;
匹配模块:系统根据基于订单累积量的多乘客多司机共乘匹配方法对司机和乘客进行匹配;
选择模块:系统对匹配模块的的匹配结果进行选择;
交互模块:用于司机和乘客对系统提出各自的需求,系统将涉及到用户相关的信息进行反馈。
采用上述技术方案所产生的有益效果在于:
1、本发明提供的方法通过高效的匹配可合理的规划车辆的出行路线,有效的减少了车辆的空载率,而且通过合乘可以减少道路中车辆的数量,从而缓解交通的拥堵,和由于出行带来的汽车尾气排放造成的环境污染。
2、本发明提供的方法通过准确的预测区域的订单量合理的规划司机的行驶轨迹有效的减少了司机的空载率,增加了司机的收益;在出行高峰时段通过合理的行驶路线规划可有效规避交通拥堵路段;在其它时段可以根据司机可接单时间、区域订单量、以及对预计收益的预测合理的分配乘客,使得在可选择的匹配中收益达到最大。
3、本发明对乘客的优势在于极大的缩短了乘客在出行高峰时段,极端天气下出行时因无车可做所等待的时间,以及在陌生城市出行时因不了解当地的地理位置被乱收费的现象,本方案会根据获取的地理位置信息合理的为乘客规划好最佳的行驶路线并预计出相应的费用范围,当乘客通过本系统对司机行驶轨迹的监控可以合理的计算本次出行的费用,当费用超出合理范围后,系统会提示乘客费用已超出合理范围,在对订单支付时乘客可只支付预计的最小费用,系统会根据比对结果对司机的服务进行打分,司机累计分数超过最低标准后系统会对司机进行封禁处理,最大程度保证车主的利益。
附图说明
图1为本发明实施例中基于订单累积量的多乘客多司机共乘匹配方法的流程图;
图2为本发明实施例中司机乘客组合标记的示意图;
图3为本发明实施例中剔除已选择的司机和乘客后得到新的矩阵示意图;
图4为本发明实施例中部分交叉的示意图;
图5为本发明实施例中基于位置的交叉示意图;
图6为本发明实施例中单点移动的突变示意图;
图7为本发明实施例中区间反转的突变示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例中基于订单累积量的多乘客多司机共乘匹配方法如下所述。
步骤1:获取司机和乘客的实时信息,并对司机和乘客加以区分,过程如下:
步骤1.1:获取司机和乘客各自所处的时间段、地理位置、登录id、手机号码,还有包括司机接单后可等待的时间、司机的接单状态、司机的车辆信息、车牌号码,以及乘客下单后可等待的时间和目的地信息;
步骤1.2:对获取的信息进行整合,将时间轴按固定步长L将一天24h分割为n个时段,即t=[t1,t2,t3,...,tn]
将在不同时间段下单的乘客和不同时间段可接单的司机映射到相应的时间段内,并生成对应时间段的司机集合M和乘客集合P。
所述司机集合表示在k区域第j时间段内参与规划的所有司机的集合;表示在k区域第j个时间段参与规划的第i个司机,且1≤j≤n,令mid≤Mlen,其中Mlen表示当前时间段内参与规划的司机的总数,mreg表示当前时刻司机所处的区域,msta表示司机在j时间段时所处的位置,mj表示司机可接单的时间段,且mj≤n,mwt表示司机可等待接单的时间,mid表示当前司机的编号;
所述乘客集合表示在k区域有第j个时间段内参与规划的所有乘客的集合;表示k区域第j时间段参与规划的第i个乘客且1≤j≤n,令pid≤Plen,其中Plen表示当前时间段内参与规划的乘客的总数,Preg表示当前时刻乘客所属的区域,Psta表示下单时刻乘客所在位置Pend表示乘客需要到达的位置,Pj表示当前乘客下单的时段且Pj≤n;Pwt表示下单后乘客可等待的时间,pid表示当前乘客的编号。
其中,k的取值与当前城市所划分的行政区域的数目相同,q为用户簇中司机和乘客的数量之和,不同的k对应不同的q;
所述步骤2的过程如下:
步骤2.1:选取区域中心点的位置信息作为k个用户簇的聚类中心;
步骤2.2:根据司机和乘客所处的地理位置的实时信息,以曼哈顿距离作为相似度量,使目标函数的评价指标d最小:
其中,dm表示司机距中心点的距离,dp表示乘客距中心点的距离,Loi表示第i个区域中心点的经度,Lai表示第i个区域中心点的纬度,Lom表示司机当前所处位置的经度值,Lop表示乘客当前所处位置的经度值,Lam表示司机当前所处位置的纬度值,Lap表示乘客当前所处位置的纬度值;
步骤2.3:将m个司机和乘客划分到距离最小的质心簇中,当某司机或乘客同时到达某两个或两个以上中心簇的距离相等时,将其根据下单需求进行划分,然后更新质心,直到每个质心的距离不再发生变化或者迭代次数超过司机或乘客中数量少的那一个为止;
步骤3:计算司机和乘客的匹配特征,包括路线重复度和乘客的时间容忍度,过程如下:
步骤3.1:计算路线重复度cf,即司机和乘客合乘后的距离与司机行驶总路程的比值,具体求解公式如下:
其中,cfi,j表示编号为i的司机与编号为j的乘客合乘后的路线重复度,Pend表示乘客所要到达的目的地,Psta表示乘客的起始位置,msta表示司机接单时所处的位置;
步骤3.2:计算乘客的时间容忍度tol,即乘客下单后可等待的时间与司机在接单后可等待的时间差的绝对值与乘客下单后可等待的时间,具体求解公式如下:
其中,toli,j表示编号为i的司机与编号为j的乘客合乘后乘客i的时间容忍度,Pwt表示乘客下单后可等待的时间,mwt表示司机在接单后可等待的时间。
步骤4:根据历史数据预测各区域各时段的订单量和订单收益的增长量,过程如下:
步骤4.1:将历史订单数据映射到不同区域的不同时段内,对每个区域内历史数据的每日每个时段内的历史订单进行统计,得到不同区域不同时段的订单量;
步骤4.2:采用牛顿插值法拟合得出预计订单函数,并采用科特斯公式求该函数在时间段[ts,ts+h]的积分,作为空间网格在ts时段的预计订单量,具体计算过程如下:
ordavg(t)=f[t1]+f[t1,t2](t2-t1)+,...,+f[t1,t2,...,tn](t-t1)(t-t2)...(t-tn)
其中,ordavg(t)为[t0,tn]上的分段函数,f[t1,t2]为关于时间段[t1,t2]的一阶差商,f[t1,t2,...,tn]为关于时间段[t s,t s+h]的n阶差商,具体求法如下:
采用牛顿插值法所求得的n阶差商,如下:
某特定时间段内的订单量计算如下:
其中,司机在时段te所处位置msta处的预计收益表示为该时段内的订单量与订单的平均收益Pro的乘积;乘客在时段tf到达目的地所处位置pend处的预计收益表示为该时段内订单累积量与订单的平均收益Pro的乘积。
步骤5:采用进化算法生成匹配方案,过程如下:
步骤5.1:对处在同一时段,同一区域内的司机和乘客之间的距离进行计算,将距离值按从小到大的顺序进行排序,并将距离小于等于5km的司机和乘客的组合在存储矩阵中标记为1,将距离大于等于dkm司机和乘客的组合标记为2,将距离介于5km和dkm之间的司机和乘客的组合标记为0;
本实施例中,采用实数编码的方式对存储位置进行编码,即[Loc1,Loc2......,Locq′],其中Loc1表示在位置1处的司机或者乘客,即[mi/pj],其中编码长度q’的值与用户簇中司机和乘客中人数少的一方的数量相等。标记的部分示意图如图2所示。
步骤5.2:对于标记为1的组合,计算其司机的预计收益,选出预计收益最大的组合作为匹配结果;
本实施例中,将图2中标记为1的组合挑选出来,并计算其司机的预计收益,选出预计收益最大的组合,并将选出的组合返回给系统,系统将收到的匹配结果返回给司机和乘客,若司机和乘客同意匹配则点击确认,否则返回拒绝,系统根据返回的结果决定释放和移除相应的司机和乘客;
[p5m1,p3m1,p4m1,...,pim1]
上式表示在图2中挑选出的与司机m1相匹配的乘客的组合,将其按照预计收益由大到小进行排序结果如下:
[p5m1,pim1,p4m1,...,P1m1]
由上式可知,p5m1最终选择的结果,将p5和m1从上述矩阵中删除并释放上式中其它的乘客,为释放出的乘客匹配新的司机。
步骤5.3:对于标记为0的组合,分别计算乘客的时间容忍度、路线重复度和预计收益,分别将司机和乘客的组合按照乘客的时间容忍度由小到大的顺序进行排列,路线重复度由大到小的顺序进行排列,预计收益由大到小的顺序进行排列,并采用次贪婪算法分别从上述3种排列方式中选择出司机和乘客都不重复的个体个,共计个个体;
本实施例中,剔除所选择的司机和乘客后得到新的矩阵,截取其中一部分,具体如图3所示,将图3中标记为0的个体进行筛选。
所述个体的总体适应度的计算过程如下:
S1:计算司机和乘客的组合基于路线重复度的适应度:
S2:计算司机和乘客的组合基于乘客的时间容忍度的适应度:
S3:计算司机和乘客的组合基于总体的适应度:
f=θfcf+εftol+δProgrow
其中,θ、ε、δ分别为三个不同的适应度值所占的比重即引导权重。
步骤5.5:对步骤5.4选出的种群进行交叉和变异操作;
步骤5.6:经过选择、交叉、变异后,计算种群的总体适应度,若总体适应度为最大值,则停止迭代,向系统返回当前的匹配结果;否则继续在当前种群中寻找最优的匹配方案;
所述交叉为采用部分交叉和基于位置的交叉的方法,对种群中的个体进行交叉,经交叉之后计算个体适应度并比较其大小,选择交叉后总体适应度较大的个体与原个体进行比较,并判断总体适应度是否变大,若变大则保留该新个体,否则继续寻找新的个体与之交叉,直至在该种群中选择出个体适应度最大的个体为止。
所述部分交叉:随机选择两个,并在个体中随机选取两个基因(两个个体被选中基因的位置相同),交换两个基因的位置,并进行冲突检测,根据交换的两个基因建立一组映射关系,如图4所示,以4→5→7→3为例,在经过直接变换得到步骤二的个体,但是存在两个3和两个6产生冲突,但采用上述映射关系变换后,可消除其冲突。
所述基于位置的交叉如图5所示:在两个个体中选择几个位置,位置可以不连续,将个体1这些位置上的基因复制到新个体的相同位置,再在染色体2上将新个体1中缺少的基因按照顺序填入,将另一个新个体以同样的方式生成。
所述变异为:将组合访问分别采用单点移动和区间反转两种突变方式进行突变,将两次突变的结果与原个体进行比较,选出与原个体适应度差别较大的组合进行保留。
所述单点移动的突变如图6所示:即在个体内随机寻找两不相邻的基因,保持两点间内的点位置不变,将第一个点向前移动一个基因位,将选择的另一个点移动到第一个基因点原来的位置,将第一个点之前的点和第二个点之后的点依次向前移动,得到新的个体,在改变异过程中司机的位置是固定的,所移动的只是相应位置的乘客。
所述区间反转的突变如图7所示:即在个体内随机选取两个不相邻的点,将两内的各个点进行翻转以得到新的个体,在该变异过程中乘客的位置是固定的,所移动的只是相应位置的司机。
步骤5.7:重复执行步骤5.3至步骤5.6,直至将司机和乘客中人数少的一方完全匹配为止,并生成最终匹配方案;
步骤5.8:对于标记为2的组合,不进行任何操作。
步骤6:将匹配方案分别发送给司机和乘客,若司机和乘客同意该匹配结果,则进行确认,从而生成订单;如果司机或乘客中的一方拒绝匹配,则返回步骤5重新进行匹配,并释放当前匹配结果。
另一方面,本实施例还基于所述的基于订单累积量的多乘客多司机共乘匹配方法,设计了一套多乘客多司机共乘匹配系统,系统包括:
数据获取模块:获取用户的注册信息,以及司机和乘客使用系统时所处的时间、地点、乘客的目的地、乘客下单后可等待的时间、司机接单后可等待的时间、司机的接单状态。
其中,乘客下单后可等待的时间和司机接单后可等待的时间分别由乘客和司机的个体来决定,每个乘客或司机根据自身的需求输入可等待的时间的具体数值。
划分模块:用于对数据获取模块中所获得的数据进行分析和整理,并将所有乘客整合为乘客集,将所有司机整合为司机集,将乘客集和司机集进行区域划分;
计算模块:用于对匹配指标和评价指标进行计算;
匹配模块:系统根据基于订单累积量的多乘客多司机共乘匹配方法对司机和乘客进行匹配;
选择模块:系统对匹配模块的的匹配结果进行选择;
交互模块:用于司机和乘客对系统提出各自的需求,系统将涉及到用户相关的信息进行反馈。
Claims (10)
1.一种基于订单累积量的多乘客多司机共乘匹配方法,其特征在于,包括如下步骤:
步骤1:获取司机和乘客的实时信息,并对司机和乘客加以区分;
其中,k的取值与当前城市所划分的行政区域的数目相同,q为用户簇中司机和乘客的数量之和,不同的k对应不同的q;
步骤3:计算司机和乘客的匹配特征,包括路线重复度和乘客的时间容忍度;
步骤4:根据历史数据预测各区域各时段的订单量和订单收益的增长量;
步骤5:采用进化算法生成匹配方案,过程如下:
步骤5.1:对处在同一时段,同一区域内的司机和乘客之间的距离进行计算,将距离值按从小到大的顺序进行排序,并将距离小于等于5km的司机和乘客的组合在存储矩阵中标记为1,将距离大于等于dkm司机和乘客的组合标记为2,将距离介于5km和dkm之间的司机和乘客的组合标记为0;
步骤5.2:对于标记为1的组合,计算其司机的预计收益,选出预计收益最大的组合作为匹配结果;
步骤5.3:对于标记为0的组合,分别计算乘客的时间容忍度、路线重复度和预计收益,分别将司机和乘客的组合按照乘客的时间容忍度由小到大的顺序进行排列,路线重复度由大到小的顺序进行排列,预计收益由大到小的顺序进行排列,并采用次贪婪算法分别从上述3种排列方式中选择出司机和乘客都不重复的个体个,共计个个体;
步骤5.5:对步骤5.4选出的种群进行交叉和变异操作;
步骤5.6:经过选择、交叉、变异后,计算种群的总体适应度,若总体适应度为最大值,则停止迭代,向系统返回当前的匹配结果;否则继续在当前种群中寻找最优的匹配方案;
步骤5.7:重复执行步骤5.3至步骤5.6,直至将司机和乘客中人数少的一方完全匹配为止,并生成最终匹配方案;
步骤5.8:对于标记为2的组合,不进行任何操作;
步骤6:将匹配方案分别发送给司机和乘客,若司机和乘客同意该匹配结果,则进行确认,从而生成订单;如果司机或乘客中的一方拒绝匹配,则返回步骤5重新进行匹配,并释放当前匹配结果。
3.根据权利要求2所述的基于订单累积量的多乘客多司机共乘匹配方法,其特征在于:
所述司机集合表示在k区域第j时间段内参与规划的所有司机的集合;表示在k区域第j个时间段参与规划的第i个司机,且1≤j≤n,令mid≤Mlen,其中Mlen表示当前时间段内参与规划的司机的总数,mreg表示当前时刻司机所处的区域,msta表示司机在j时间段时所处的位置,mj表示司机可接单的时间段,且mj≤n,mwt表示司机可等待接单的时间,mid表示当前司机的编号;
4.根据权利要求1所述的基于订单累积量的多乘客多司机共乘匹配方法,其特征在于:所述步骤2的过程如下:
步骤2.1:选取区域中心点的位置信息作为k个用户簇的聚类中心;
步骤2.2:根据司机和乘客所处的地理位置的实时信息,以曼哈顿距离作为相似度量,使目标函数的评价指标d最小:
其中,dm表示司机距中心点的距离,dp表示乘客距中心点的距离,Loi表示第i个区域中心点的经度,Lai表示第i个区域中心点的纬度,Lom表示司机当前所处位置的经度值,Lop表示乘客当前所处位置的经度值,Lam表示司机当前所处位置的纬度值,Lap表示乘客当前所处位置的纬度值;
步骤2.3:将m个司机和乘客划分到距离最小的质心簇中,当某司机或乘客同时到达某两个或两个以上中心簇的距离相等时,将其根据下单需求进行划分,然后更新质心,直到每个质心的距离不再发生变化或者迭代次数超过司机或乘客中数量少的那一个为止;
5.根据权利要求1所述的基于订单累积量的多乘客多司机共乘匹配方法,其特征在于:所述步骤3的过程如下:
步骤3.1:计算路线重复度cf,即司机和乘客合乘后的距离与司机行驶总路程的比值,具体求解公式如下:
其中,cfi,j表示编号为i的司机与编号为j的乘客合乘后的路线重复度,Pend表示乘客所要到达的目的地,Psta表示乘客的起始位置,msta表示司机接单时所处的位置;
步骤3.2:计算乘客的时间容忍度tol,即乘客下单后可等待的时间与司机在接单后可等待的时间差的绝对值与乘客下单后可等待的时间,具体求解公式如下:
其中,toli,j表示编号为i的司机与编号为j的乘客合乘后乘客i的时间容忍度,Pwt表示乘客下单后可等待的时间,mwt表示司机在接单后可等待的时间。
6.根据权利要求1所述的基于订单累积量的多乘客多司机共乘匹配方法,其特征在于:所述步骤4的过程如下:
步骤4.1:将历史订单数据映射到不同区域的不同时段内,对每个区域内历史数据的每日每个时段内的历史订单进行统计,得到不同区域不同时段的订单量;
步骤4.2:采用牛顿插值法拟合得出预计订单函数,并采用科特斯公式求该函数在时间段[ts,ts+h]的积分,作为空间网格在ts时段的预计订单量;
8.根据权利要求1所述的基于订单累积量的多乘客多司机共乘匹配方法,其特征在于:步骤5.5中所述的交叉为采用部分交叉和基于位置的交叉的方法,对种群中的个体进行交叉,经交叉之后计算个体适应度并比较其大小,选择交叉后总体适应度较大的个体与原个体进行比较,并判断总体适应度是否变大,若变大则保留该新个体,否则继续寻找新的个体与之交叉,直至在该种群中选择出个体适应度最大的个体为止。
9.根据权利要求1所述的基于订单累积量的多乘客多司机共乘匹配方法,其特征在于,步骤5.5中所述的变异为:将组合访问分别采用单点移动和区间反转两种突变方式进行突变,将两次突变的结果与原个体进行比较,选出与原个体适应度差别较大的组合进行保留。
10.基于上述1至9中任意一项所述的基于订单累积量的多乘客多司机共乘匹配方法,设计了一套多乘客多司机共乘匹配系统,其特征在于,系统包括:
数据获取模块:获取用户的注册信息,以及司机和乘客使用系统时所处的时间、地点、乘客的目的地、乘客的容忍时间、司机的容忍时间;
划分模块:用于对数据获取模块中所获得的数据进行分析和整理,并将所有乘客整合为乘客集,将所有司机整合为司机集,将乘客集和司机集进行区域划分;
计算模块:用于对匹配指标和评价指标进行计算;
匹配模块:系统根据基于订单累积量的多乘客多司机共乘匹配方法对司机和乘客进行匹配;
选择模块:系统对匹配模块的的匹配结果进行选择;
交互模块:用于司机和乘客对系统提出各自的需求,系统将涉及到用户相关的信息进行反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221468.XA CN113947245A (zh) | 2021-10-20 | 2021-10-20 | 一种基于订单累积量的多乘客多司机共乘匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221468.XA CN113947245A (zh) | 2021-10-20 | 2021-10-20 | 一种基于订单累积量的多乘客多司机共乘匹配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947245A true CN113947245A (zh) | 2022-01-18 |
Family
ID=79331767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111221468.XA Pending CN113947245A (zh) | 2021-10-20 | 2021-10-20 | 一种基于订单累积量的多乘客多司机共乘匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947245A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596170A (zh) * | 2023-07-18 | 2023-08-15 | 合肥城市云数据中心股份有限公司 | 一种基于时空注意力机制的送达时间智能预测方法 |
-
2021
- 2021-10-20 CN CN202111221468.XA patent/CN113947245A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596170A (zh) * | 2023-07-18 | 2023-08-15 | 合肥城市云数据中心股份有限公司 | 一种基于时空注意力机制的送达时间智能预测方法 |
CN116596170B (zh) * | 2023-07-18 | 2023-09-22 | 合肥城市云数据中心股份有限公司 | 一种基于时空注意力机制的送达时间智能预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103678917B (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
CN104021667B (zh) | 整合预约服务与实时打车的出租车合乘调度系统及调度方法 | |
CN105160428B (zh) | 高速公路电动汽车快速充电站的规划方法 | |
CN103177575B (zh) | 城区出租车动态在线调度优化系统及其方法 | |
CN1595066B (zh) | 提供费用信息的导航设备和方法 | |
CN107101643B (zh) | 一种拼车匹配方法 | |
CN110222786B (zh) | 基于出行信息的动态拼车方法及系统 | |
Jung et al. | Design and modeling of real-time shared-taxi dispatch algorithms | |
CN102884401A (zh) | 用于将电池操作的运输装置引导至重整站的方法和引导单元 | |
CN111582552B (zh) | 一种基于多目标遗传算法的共享单车停放点分配方法 | |
CN108898822A (zh) | 一种推荐共享单车借车点和还车点的方法 | |
CN111397620B (zh) | 快充/慢充模式下的电动汽车充电导航方法及系统 | |
CN110111601B (zh) | 一种基于两阶段选择的区域停车位动态分配方法 | |
Qu et al. | Location optimization for urban taxi stands based on taxi GPS trajectory big data | |
Chen | Management of a shared, autonomous, electric vehicle fleet: vehicle choice, charging infrastructure & pricing strategies | |
CN104596534B (zh) | 一种计算最优行车路径的方法 | |
CN113947245A (zh) | 一种基于订单累积量的多乘客多司机共乘匹配方法及系统 | |
CN114358386A (zh) | 一种基于预约出行需求的双出行模式合乘站点生成方法 | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
CN106682759B (zh) | 针对电动出租车的电池供应系统及网络优化方法 | |
CN113379159A (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
CN111723871A (zh) | 一种公交车实时车厢满载率的估算方法 | |
CN111160597B (zh) | 基于出租车司机综合满意度的智能调度方法 | |
CN110347937B (zh) | 一种出租车智能寻客方法 | |
CN116468219A (zh) | 一种枢纽站接驳出租车合乘调度匹配方法 |
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 |