CN114066079B - 一种基于多租户的网约车供需差预测方法及装置 - Google Patents
一种基于多租户的网约车供需差预测方法及装置 Download PDFInfo
- Publication number
- CN114066079B CN114066079B CN202111388947.0A CN202111388947A CN114066079B CN 114066079 B CN114066079 B CN 114066079B CN 202111388947 A CN202111388947 A CN 202111388947A CN 114066079 B CN114066079 B CN 114066079B
- Authority
- CN
- China
- Prior art keywords
- data
- order
- historical
- tenant
- prediction result
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000015654 memory Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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]
- G06Q30/0605—Supply or demand aggregation
-
- G06Q50/40—
Abstract
本发明提供了一种基于多租户的网约车供需差预测方法及装置,其中,基于多租户的网约车供需差预测方法包括:获取目标区域内的订单数据、司机位置数据和司机状态数据;对所述订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果;基于所述订单预测结果和可用运力预测结果,确定所述目标区域的供需差预测结果。本发明通过对目标区域内的数据进行处理,得到订单预测结果和可用运力预测结果,进而得到目标区域内的供需差预测结果,在保证数据真实和快速更新的情况下,进一步保证了预测模型的准确性,进而大幅提高供需差预测判断的准确性和高效性。
Description
技术领域
本发明涉及网约车领域,具体涉及一种基于多租户的网约车供需差预测方法及装置。
背景技术
大数据时代为用户提供了更多的便利,网约车服务就是其中之一。用户通过定位自己所在位置,通过网约车平台进行网约车服务选择,在满足出行需求的同时,大大缩短了等车时间,提高了出行效率。目前网约车系统多是通过对历史数据进行收集训练,通过构建预测模型对供需情况进行预测。由于数据更新慢、预测模型更新不及时,导致供需预测结果存在较大误差,因此有必要提出一种新型供需预测方法,以实现数据的快速更新和供需差预测判断的准确性和高效性。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的数据更新慢、预测模型更新不及时,导致基于多租户的网约车供需差预测结果存在较大误差的缺陷,从而提供一种基于多租户的网约车供需差预测方法及装置。
根据第一方面,本发明实施例提供了一种基于多租户的网约车供需差预测方法,所述方法包括:
获取目标区域内的订单数据、司机位置数据和司机状态数据;
对所述订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果;
基于所述订单预测结果和可用运力预测结果,确定所述目标区域的供需差预测结果。
可选地,所述对所述订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果,包括:
获取所述订单数据、司机位置数据和司机状态数据的特征值;
将所述订单数据、司机位置数据和司机状态数据的特征值输入预测模型进行订单及可用运力预测,得到订单预测结果和可用运力预测结果。
可选地,所述预测模型通过如下方式构建:
获取所述目标区域内所属的格子标识和所述目标区域内的租户标识,所述格子标识为预设区域划分范围对应的标识;
获取所述目标区域内的历史订单数据、历史司机位置数据和历史司机状态数据;
对所述目标区域内的格子标识、租户标识、历史订单数据、历史司机位置数据和历史司机状态数据进行特征提取,分别得到对应数据的历史特征值;
基于所述历史特征值,构建预测模型。
可选地,所述预测模型包括:订单预测模型和租户可用运力预测模型,所述基于所述历史特征值构建预测模型,包括:
基于所述格子标识、租户标识和历史订单数据的历史特征值,构建订单预测模型;
基于所述格子标识、租户标识、历史司机位置数据和历史司机状态数据的特征值,构建租户可用运力预测模型。
可选地,还包括:
基于所述历史订单数据、历史司机位置数据和历史司机状态数据对应的历史特征值分别对所述订单预测模型和所述租户可用运力预测模型进行训练,得到最终的订单预测模型和租户可用运力预测模型。
可选地,所述将所述订单数据、司机位置数据和司机状态数据的特征值输入预测模型进行订单及可用运力预测,得到订单预测结果和可用运力预测结果,包括:
将所述订单数据、司机位置数据和司机状态数据的特征值输入所述订单预测模型,确定订单预测结果;
将所述订单数据、司机位置数据和司机状态数据的特征值输入所述租户可用运力预测模型,确定租户可用运力预测结果。
可选地,所述基于所述订单预测结果和租户可用运力预测结果,确定供需差预测结果,包括:
供需差预测计算方法为:
其中,p为所述订单预测结果,q为所述租户可用运力预测结果,P(k=i)为所述供需差预测结果。
根据第二方面,本发明实施例提供了一种基于多租户的网约车供需差预测装置,所述装置包括:
获取模块,用于获取目标区域内的订单数据、司机位置数据和司机状态数据;
第一处理模块,用于对所述订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果;
第二处理模块,用于基于所述订单预测结果和可用运力预测结果,确定所述目标区域的供需差预测结果。
根据第三方面,本发明实施例提供了一种电子设备,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
本发明技术方案,具有如下优点:
本发明实施例提供的基于多租户的网约车供需差预测方法及装置,通过获取目标区域内的订单数据、司机位置数据和司机状态数据;对所述订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果;基于所述订单预测结果和可用运力预测结果,确定所述目标区域的供需差预测结果。通过对目标区域内的数据进行处理,得到订单预测结果和可用运力预测结果,进而得到目标区域内的供需差预测结果,在保证数据真实和快速更新的情况下,进一步保证了预测模型的准确性,进而大幅提高供需差预测判断的准确性和高效性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于多租户的网约车供需差预测方法的流程图;
图2为本发明实施例的一种基于多租户的网约车供需差预测方法的预测模型结构图;
图3为本发明实施例的一种基于多租户的网约车供需差预测方法的应用流程图;
图4为本发明实施例的一种基于多租户的网约车供需差预测装置的结构示意图;
图5为本发明实施例的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种基于多租户的网约车供需差预测方法,如图1所示,该基于多租户的网约车供需差预测方法具体包括如下步骤:
步骤S101:获取目标区域内的订单数据、司机位置数据和司机状态数据。在实际应用中,为保证数据的实时性,订单数据、司机位置数据和司机状态数据均采用间隔固定时间获取一次,获取数据的时间间隔可根据实际情况进行调整。
步骤S102:对订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果。在实际应用中,订单预测结果是目标区域内的需求预测结果,租户为运力提供商,可用运力预测结果指的是目标区域内的供应预测结果。
步骤S103:基于订单预测结果和可用运力预测结果,确定目标区域的供需差预测结果。在实际网约车应用中,供需差被定义为一定时空内可用运力和订单量的差值。供需差预测是网约车调度的重要组成部分,平台依赖准确的供需差预测发起调度任务,平衡未来订单与运力失衡的情况。
具体地,在一实施例中,供需差预测结果的目标是预测未来15分钟至30分钟的运力缺口情况,但实际情况不限于此,为获取未来较长时间的供需差预测结果而调整预测目标时长,也在本发明提供的基于多租户的网约车供需差预测方法的保护范围之内。
具体地,在一实施例中,在获取实时数据后,通过Flink流处理引擎,对实时数据进行数据处理。离线数据存储和批处理引擎都会带来叠加的数据延迟,相较于批处理引擎,流处理引擎具有低延迟,高实时性的特点,在本实施例中,对于租户供需差预测的延迟可以做到秒级。
具体地,在一实施例中,由于运力和订单的预测都是概率分布,运力缺口的概率分布也就可以通过二者的概率分布计算,因此,上述步骤S103具体还包括以下步骤:
供需差预测计算方法为:
其中,p为订单预测结果,q为租户可用运力预测结果,P(k=i)为供需差预测结果。
运力缺口的计算是网约车远程调度的核心,通过使用运力缺口的概率分布,根据调度策略保守或激进,选取不同的阈值来确定运力缺口。下游可以有多个应用场景,比如:
(1)使用奖励手段激励缺口附近的司机上线;
(2)使用奖励手段将周围没有运力缺口的地方引导司机到有运力缺口的地方;
(3)有运力缺口的地方动态调价等。
通过执行上述步骤,本发明实施例提供的基于多租户的网约车供需差预测方法,通过对目标区域内的数据进行处理,得到订单预测结果和可用运力预测结果,进而得到目标区域内的供需差预测结果,在保证数据真实和快速更新的情况下,进一步保证了预测模型的准确性,进而大幅提高供需差预测判断的准确性和高效性。
具体地,在一实施例中,上述的步骤S102具体包括如下步骤:
步骤S201:获取订单数据、司机位置数据和司机状态数据的特征值。在实际应用中,通过流处理引擎输入订单数据、司机位置数据和司机状态数据,基于H3空间索引,输出对应数据的特征。基于H3空间索引是因为六边形H3空间索引更接近圆,能获得更好的预测结果和更优的性能,但实际情况不限于此,为获取对应数据特征而替换其它空间索引,也在本发明提供的基于多租户的网约车供需差预测方法的保护范围之内。
步骤S202:将订单数据、司机位置数据和司机状态数据的特征值输入预测模型进行订单及可用运力预测,得到订单预测结果和可用运力预测结果。在实际应用中,将各项数据的特征值输入预测模型之前,需要对各项数据的特征值进行标准化处理。通过首先进行订单预测和可用运力预测,用户可根据实际情况只查看订单预测结果或可用运力预测结果,也可单独获取订单预测结果和供需差预测结果、可用运力预测结果和供需差预测结果之间的关系,增加了预测模型的可解释性和灵活性,从而满足更多用户的需求。
具体地,在一实施例中,上述的步骤S202具体包括以下步骤:
步骤S301:将订单数据、司机位置数据和司机状态数据的特征值输入订单预测模型,确定订单预测结果。
步骤S302:将订单数据、司机位置数据和司机状态数据的特征值输入租户可用运力预测模型,确定租户可用运力预测结果。
具体地,在一实施例中,上述步骤S202中构建上述预测模型具体包括如下步骤:
步骤401:获取目标区域内所属的格子标识和目标区域内的租户标识,格子标识为预设区域划分范围对应的标识。在实际应用中,通过H3空间索引,获取格子标识。通过将格子标识和租户标识进行处理,让预测模型可以对区域的类型,租户的类型有感知。通过此步骤,提高了数据更新的速度,保证了预测模型的快速更新。
具体地,在一实施例中,获取目标区域内所属的格子标识和目标区域内的租户标识的同时,同时会获取目标区域的天气、星期、时段,但实际情况不限于此,为保证预测结果准确而增加目标区域内的一些参考数据,如节假日情况等,也在本发明提供的基于多租户的网约车供需差预测方法的保护范围之内。
步骤402:获取目标区域内的历史订单数据、历史司机位置数据和历史司机状态数据。本发明实施例选择一年内的历史数据作为训练样本,但实际情况不限于此,历史数据可根据实际情况,选取不同时间段的数据。为保证训练样本的广泛性和预测模型的准确性而扩大历史数据的采集时间范围,也在本发明提供的基于多租户的网约车供需差预测方法的保护范围之内。
步骤403:对目标区域内的格子标识、租户标识、历史订单数据、历史司机位置数据和历史司机状态数据进行特征提取,分别得到对应数据的历史特征值。在实际应用中,格子标识通过H3空间索引获取,通过进行特征提取,生成预测模型需要的特征文件,生成预测模型的训练样本。
具体地,在一实施例中,除对上述步骤S403中提及的数据进行特征提取,还需要对影响预测结果的历史天气、历史星期和历史时段进行编码处理。
步骤404:基于历史特征值,构建预测模型。在实际应用中,格子标识和租户标识的特征值,需要先进行嵌入处理(Embedding),其他数据的特征值需要先进行标准化处理。
在本实施例中,采用Embedding嵌入处理,让预测模型可以利用离散特征,让预测模型对区域的类型,租户的类型有感知。相比于直接One-Hot处理,Embedding避免了维度爆炸,降低预测模型自由度,增加预测模型的稳定性。
具体地,在一实施例中,上述步骤404中预测模型包括:订单预测模型和租户可用运力预测模型,上述步骤404具体还包括以下步骤:
步骤S501:基于格子标识、租户标识和历史订单数据的历史特征值,构建订单预测模型。
步骤S502:基于格子标识、租户标识、历史司机位置数据和历史司机状态数据的特征值,构建租户可用运力预测模型。
在实际应用中,本实施例通过引入注意力(Attention)机制,大大提升了训练速度。相比于全连接网络,Attention能够有效处理定长的长序列,同时具有数据可并行的特点,其中,相比于RNN类递归神经网络模型,其训练速度大大加快,且结构简单,没有梯度消失的问题,相比于LSTM长短期记忆网络模型更简单更稳定。
具体地,在一实施例中,在构建订单预测模型和租户可用运力预测模型后,还包括以下步骤:
步骤S601:基于历史订单数据、历史司机位置数据和历史司机状态数据对应的历史特征值分别对订单预测模型和租户可用运力预测模型进行训练,得到最终的订单预测模型和租户可用运力预测模型。
示例性地,基于订单预测模型和租户可用运力预测模型,进行随机数量的采样,确定本轮测试的目标值。通过将历史订单数据、历史司机位置数据和历史司机状态数据对应的历史特征值作为训练样本输入到对应的预测模型中,得到对应的预测数据。基于实时数据的特征值和二值交叉熵(Binary Cross-Entropy)损失函数计算预测值与真实值之间的误差,计算公式如下所示:
其中,yi为运力缺口的数据,一份样本包括对应时间的订单数据、司机位置数据和司机状态数据,采用随机数组的生成方式,i为1-N的连续整数,p(yi)为各样本对应的输出预测数据。
由于本发明实施例中订单预测模型和租户可用运力预测模型均为二分类模型,需要对每个样本均进行一次预测,得到N个预测概率,如[p(y_i>=1),p(y_i>=2),p(y_i>=3),...p(y_i>=N)],分别指的是运力缺口≥1的预测概率、运力缺口≥2的预测概率、运力缺口≥的预测概率,…,运力缺口≥N的预测概率。通过分类方法代替回归方法,不仅能够不仅能够输出预测值,还能输出每个预测值的概率,便于获取后续预测结果。
由于利用链式法则反向反馈到订单预测模型和租户可用运力预测模型,对预测模型中的各项参数进行修正,进而更新订单预测模型租户可用运力模型,得到最终的订单预测模型和租户可用运力预测模型。
本实施例采用的模型,可适用于多租户情景。如果针对不同的租户,分别训练不同的模型,算力消耗巨大,并且预测效果也会减弱,小租户还可能因为没有充分的样本训练不出好的模型。由于租户之间是有相似性的,不同租户间的训练样本是互相补充增强的。因此使用单模型对多个租户的订单和运力情况进行预测,不仅可以利用更多的信息使预测更准确和稳定,同时还能够提升性能节约算力。
下面将结合具体应用示例,对本发明实施例提供的基于多租户的网约车供需差预测方法进行详细的说明。
结合图2-3所示,首先构建初步订单预测模型和租户可用运力预测模型模型,通过获取历史订单数据、历史司机位置数据和历史状态数据并进行特征提取,生成预测模型需要的特征文件,完成训练样本生成的过程。通过将训练样本的数据、租户标识和格子标识输入到神经网络模型中,利用注意力(Attention)机制,进行离线模型训练,其中,租户标识和格子标识需要先进行嵌入处理(Embedding),其他数据特征需要进行标准化处理再输入到模型中,完成离线模型训练过程。运行预测模型,神经网络模型正向运行,输出对应的预测值,完成初步订单预测模型和租户可用运力预测模型的构建。
构建最终订单预测模型和租户可用运力模型,通过获取实时订单数据、司机位置和司机状态数据并基于流处理引擎进行特征提取,将提取的特征值输入至初步预测模型的预测模块,通过与初步预测模型进行比较,根据二值交叉熵(Binary Cross-Entropy)损失函数计算预测值与真实值之间的误差,利用链式法则反向传播到初步预测模型中,更新初步订单预测模型和租户可用运力预测模型中的所有系数,并以此生成最终订单预测模型和租户可用运力预测模型,两者相结合,最终确定目标区域的供需差预测结果。
具体地,在进行供需差结果预测时,由于预测概率均为无规则数字,可以通过设定不同准确率和召回率的情况,进而对供需差结果进行选择。示例性地,假设依据概率分布,得到的输出阈值为[0.9,0.85,0.74,...,0.1],当用户选择目标区域内运力缺口≥1,且要求准确率在90%以上,则根据输出阈值可以确定,此时只有一个0.9满足要求,则预测模型会反馈至图3中的“模型序号编码”中的1号模型中,从而调用1号模型中的发单序列和运力序列,进而得到最终该目标区域内的供需差预测结果。当用户选择目标区域内运力缺口≥2,且要求准确率在80%以上,则根据输出阈值可以确定,此时有0.9和0.85满足要求,则则预测模型会反馈至图4中的“模型序号编码”中的2号模型中,从而调用2号模型中的发单序列和运力序列,进而得到最终该目标区域内的供需差预测结果。
本发明实施例提供了一种基于多租户的网约车供需差预测装置,如图4所示,该基于多租户的网约车供需差预测装置包括:
获取模块101,用于获取目标区域内的订单数据、司机位置数据和司机状态数据。详细内容参见上述方法实施例中步骤S101的相关描述,在此不再进行赘述。
第一处理模块102,用于对订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果。详细内容参见上述方法实施例中步骤S102的相关描述,在此不再进行赘述。
第二处理模块103,用于基于订单预测结果和可用运力预测结果,确定目标区域的供需差预测结果。详细内容参见上述方法实施例中步骤S103的相关描述,在此不再进行赘述。
上述基于多租户的网约车供需差预测装置的更进一步描述参见上述基于多租户的网约车供需差预测方法实施例的相关描述,在此不再进行赘述。
通过上述各个组成部分的协同合作,本发明实施例提供的基于多租户的网约车供需差预测装置,通过对目标区域内的数据进行处理,得到订单预测结果和可用运力预测结果,进而得到目标区域内的供需差预测结果,在保证数据真实和快速更新的情况下,进一步保证了预测模型的准确性,进而大幅提高供需差预测判断的准确性和高效性。
本发明实施例提供了一种电子设备,如图5所示,该电子设备包括处理器901和存储器902,存储器902和处理器901之间互相通信连接,其中处理器901和存储器902可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种基于多租户的网约车供需差预测方法,其特征在于,包括:
获取目标区域内的订单数据、司机位置数据和司机状态数据;
对所述订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果;
基于所述订单预测结果和可用运力预测结果,确定所述目标区域的供需差预测结果;
其中,所述对所述订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果,包括:
获取所述订单数据、司机位置数据和司机状态数据的特征值;
将所述订单数据、司机位置数据和司机状态数据的特征值输入预测模型进行订单及可用运力预测,得到订单预测结果和可用运力预测结果;
所述预测模型通过如下方式构建:
获取所述目标区域内所属的格子标识和所述目标区域内的租户标识,所述格子标识为预设区域划分范围对应的标识;
获取所述目标区域内的历史订单数据、历史司机位置数据和历史司机状态数据;
对所述目标区域内的格子标识、租户标识、历史订单数据、历史司机位置数据和历史司机状态数据进行特征提取,分别得到对应数据的历史特征值;
基于所述历史特征值,构建预测模型;
所述预测模型包括:订单预测模型和租户可用运力预测模型,所述基于所述历史特征值构建预测模型,包括:
基于所述格子标识、租户标识和历史订单数据的历史特征值,构建订单预测模型;
基于所述格子标识、租户标识、历史司机位置数据和历史司机状态数据的特征值,构建租户可用运力预测模型。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于所述历史订单数据、历史司机位置数据和历史司机状态数据对应的历史特征值分别对所述订单预测模型和所述租户可用运力预测模型进行训练,得到最终的订单预测模型和租户可用运力预测模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述订单数据、司机位置数据和司机状态数据的特征值输入预测模型进行订单及可用运力预测,得到订单预测结果和可用运力预测结果,包括:
将所述订单数据、司机位置数据和司机状态数据的特征值输入所述订单预测模型,确定订单预测结果;
将所述订单数据、司机位置数据和司机状态数据的特征值输入所述租户可用运力预测模型,确定租户可用运力预测结果。
5.一种基于多租户的网约车供需差预测装置,其特征在于,包括:
获取模块,用于获取目标区域内的订单数据、司机位置数据和司机状态数据;
第一处理模块,用于对所述订单数据、司机位置数据和司机状态数据进行订单及可用运力预测,得到订单预测结果和可用运力预测结果;
第二处理模块,用于基于所述订单预测结果和可用运力预测结果,确定所述目标区域的供需差预测结果;
其中,所述第一处理模块具体用于:
获取所述订单数据、司机位置数据和司机状态数据的特征值;
将所述订单数据、司机位置数据和司机状态数据的特征值输入预测模型进行订单及可用运力预测,得到订单预测结果和可用运力预测结果;
所述预测模型通过如下方式构建:
获取所述目标区域内所属的格子标识和所述目标区域内的租户标识,所述格子标识为预设区域划分范围对应的标识;
获取所述目标区域内的历史订单数据、历史司机位置数据和历史司机状态数据;
对所述目标区域内的格子标识、租户标识、历史订单数据、历史司机位置数据和历史司机状态数据进行特征提取,分别得到对应数据的历史特征值;
基于所述历史特征值,构建预测模型;
所述预测模型包括:订单预测模型和租户可用运力预测模型,所述基于所述历史特征值构建预测模型,包括:
基于所述格子标识、租户标识和历史订单数据的历史特征值,构建订单预测模型;
基于所述格子标识、租户标识、历史司机位置数据和历史司机状态数据的特征值,构建租户可用运力预测模型。
6.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机从而执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111388947.0A CN114066079B (zh) | 2021-11-22 | 2021-11-22 | 一种基于多租户的网约车供需差预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111388947.0A CN114066079B (zh) | 2021-11-22 | 2021-11-22 | 一种基于多租户的网约车供需差预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066079A CN114066079A (zh) | 2022-02-18 |
CN114066079B true CN114066079B (zh) | 2022-11-25 |
Family
ID=80278995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111388947.0A Active CN114066079B (zh) | 2021-11-22 | 2021-11-22 | 一种基于多租户的网约车供需差预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066079B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343461B (zh) * | 2023-04-03 | 2023-11-17 | 北京白驹易行科技有限公司 | 一种车辆调度方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018092445A (ja) * | 2016-12-05 | 2018-06-14 | 株式会社日立製作所 | 予測システム及び予測方法 |
CN109993408A (zh) * | 2019-02-28 | 2019-07-09 | 河海大学 | 一种基于服务区域划分的网约车运力调配方法 |
CN110458336A (zh) * | 2019-07-23 | 2019-11-15 | 内蒙古工业大学 | 一种基于深度学习的网约车供需预测方法 |
CN111179006A (zh) * | 2018-11-13 | 2020-05-19 | 北京嘀嘀无限科技发展有限公司 | 司机调度方法、装置及电子设备 |
CN111476588A (zh) * | 2019-01-24 | 2020-07-31 | 北京嘀嘀无限科技发展有限公司 | 订单需求预测方法、装置、电子设备及可读存储介质 |
CN113256015A (zh) * | 2021-06-03 | 2021-08-13 | 北京亿心宜行汽车技术开发服务有限公司 | 基于订单预测的代驾司机的调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030200133A1 (en) * | 2002-04-19 | 2003-10-23 | Inventec Corporation | Network-based productivity forecast and responding system and method |
-
2021
- 2021-11-22 CN CN202111388947.0A patent/CN114066079B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018092445A (ja) * | 2016-12-05 | 2018-06-14 | 株式会社日立製作所 | 予測システム及び予測方法 |
CN111179006A (zh) * | 2018-11-13 | 2020-05-19 | 北京嘀嘀无限科技发展有限公司 | 司机调度方法、装置及电子设备 |
CN111476588A (zh) * | 2019-01-24 | 2020-07-31 | 北京嘀嘀无限科技发展有限公司 | 订单需求预测方法、装置、电子设备及可读存储介质 |
CN109993408A (zh) * | 2019-02-28 | 2019-07-09 | 河海大学 | 一种基于服务区域划分的网约车运力调配方法 |
CN110458336A (zh) * | 2019-07-23 | 2019-11-15 | 内蒙古工业大学 | 一种基于深度学习的网约车供需预测方法 |
CN113256015A (zh) * | 2021-06-03 | 2021-08-13 | 北京亿心宜行汽车技术开发服务有限公司 | 基于订单预测的代驾司机的调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114066079A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111033535B (zh) | 用于乘车订单调度的系统和方法 | |
US11507894B2 (en) | System and method for ride order dispatching | |
CN110400015B (zh) | 一种时间估计方法及其装置、设备 | |
WO2021121354A1 (en) | Model-based deep reinforcement learning for dynamic pricing in online ride-hailing platform | |
CN114066079B (zh) | 一种基于多租户的网约车供需差预测方法及装置 | |
CN113222403A (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
CN110543699B (zh) | 共享车辆出行数据仿真、共享车辆调度方法、装置及设备 | |
CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
US11263561B2 (en) | Systems and methods for managing dynamic transportation networks using simulated future scenarios | |
JP2004023114A (ja) | 通信トラヒック予測方法およびその装置 | |
JP5957725B2 (ja) | 予測装置、予測方法、および、予測プログラム | |
JP7231504B2 (ja) | 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法 | |
CN111507541A (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
US20220327650A1 (en) | Transportation bubbling at a ride-hailing platform and machine learning | |
CN113689125A (zh) | 信息推送方法和装置 | |
CN108985526B (zh) | 运力预测方法及装置、计算机可读存储介质、终端 | |
CN114066076B (zh) | 一种基于多租户的网约车预测方法及装置 | |
CN111127114A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
CN116862134B (zh) | 电动公交车站的充电桩数量确定方法、装置、介质及设备 | |
CN117220286B (zh) | 一种水风光多能互补系统风险评估方法、装置及介质 | |
CN113450557B (zh) | 针对车辆客流量的预测模型进行更新的方法及装置 | |
CN117313968A (zh) | 用户选择充电站的分布信息确定方法、装置、设备及介质 | |
CN116187503A (zh) | 综合能源调度计划的优化方法、装置和电子设备 | |
CN117993570A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
CN116187562A (zh) | 电动汽车充电容量需求预测方法及相关装置 |
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 |