CN114118874A - 一种电力出行任务智能调拨方法 - Google Patents
一种电力出行任务智能调拨方法 Download PDFInfo
- Publication number
- CN114118874A CN114118874A CN202111507482.6A CN202111507482A CN114118874A CN 114118874 A CN114118874 A CN 114118874A CN 202111507482 A CN202111507482 A CN 202111507482A CN 114118874 A CN114118874 A CN 114118874A
- Authority
- CN
- China
- Prior art keywords
- factor
- evaluation
- factors
- task
- relative
- 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 27
- 238000011156 evaluation Methods 0.000 claims abstract description 128
- 238000012216 screening Methods 0.000 claims abstract description 12
- RYAUSSKQMZRMAI-YESZJQIVSA-N (S)-fenpropimorph Chemical compound C([C@@H](C)CC=1C=CC(=CC=1)C(C)(C)C)N1C[C@H](C)O[C@H](C)C1 RYAUSSKQMZRMAI-YESZJQIVSA-N 0.000 claims abstract description 7
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000013278 delphi method Methods 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 206010012335 Dependence Diseases 0.000 description 1
- 208000004356 Hysteria Diseases 0.000 description 1
- 208000027530 Meniere disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 208000012886 Vertigo Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 208000012839 conversion disease Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229940085942 formulation r Drugs 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 231100000567 intoxicating Toxicity 0.000 description 1
- 230000002673 intoxicating effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 229940001470 psychoactive drug Drugs 0.000 description 1
- 239000004089 psychotropic agent Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000889 vertigo Toxicity 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电力任务出行调拨方法，包括：基于当前调拨任务，生成任务模型；基于任务模型，筛选候选因子；从候选因子中选取出评估因子；按照车辆业务属性和驾驶员业务属性，将所选取出的评估因子分类为N类因子集；将N类因子集按类别进行重要性两两比较，得到每一类因子集相对于其它类因子集的相对权重；得到每一评估因子的权重比；基于每一评估因子的权重比，得到每一评估因子的评估得分；基于每一评估因子的评估得分，得到车辆业务属性和各任务属性描述对应的评估总得分，以及得到驾驶员业务属性和各任务属性描述对应的评估总得分，进行驾驶员和车辆调拨分配。
Description
技术领域
本发明涉及电力分配领域，具体涉及一种电力出行任务智能调拨方法。
背景技术
电力设施是我国的重要基础设施，电力公司的设施设备遍布在不同的空间，电力设备的检修和运维是电网中最常见也最重要的任务之一，因此电力公司每天需要调派大量的车辆和驾驶员执行任务，人力和物力投入巨大，一个省级电力公司在电力任务出行方面的成本过亿元。随着电力系统的复杂度越来越高，电力任务出行要兼顾安全和效率，如何高效安全的实现电力系统的出行任务调度具有重要意义。
目前领域相关技术主要聚焦在车辆路径优化方法，侧重点在于路径的优化来提高效率，对于任务的安全性没有深入的考虑。
发明内容
本发明的目的就是提出一种基于人、车、路多元属性融合的电力出行任务智能调拨方法。通过对驾驶员画像、车辆画像和路径属性的融合，实现安全高效的电力出行智能调拨。
本发明的技术方案为：
本发明提供了一种电力任务出行调拨方法，包括：
基于当前调拨任务，生成包含目标任务属性描述和目标规则集的任务模型；
基于任务模型，从预设的综合因子集Z中筛选出多个候选因子；
按照预设的选取规则，从多个候选因子中选取出评估因子；按照车辆业务属性和驾驶员业务属性，将所选取出的评估因子分类为N类因子集；
将N类因子集按类别进行重要性两两比较，得到每一类因子集相对于其它类因子集的相对权重；
对每一类因子集内部的多个评估因子进行重要性两两比较，得到每一类因子集内的各评估因子相对于其它评估因子的相对权重；
基于每一类因子集相对于其它类因子集的相对权重和每一类因子集内的各评估因子相对于其它评估因子的相对权重，得到每一评估因子的权重比；
基于每一评估因子的权重比，得到每一评估因子的评估得分；
基于每一评估因子的评估得分，得到车辆业务属性和各任务属性描述对应的评估总得分，以及得到驾驶员业务属性和各任务属性描述对应的评估总得分；
基于车辆业务属性和目标任务属性描述对应的第一评估总得分以及驾驶员业务属性和目标任务属性描述对应的第二评估总得分，进行驾驶员和车辆调拨分配。
优选地，任务模型中，目标任务属性描述包括路况属性与任务侧重点，路况属性包括道路类型和天气，任务侧重点为经济、高效和安全三个维度中的其中一种；
目标规则集中包含基于道路类型所选择的车辆类型。
优选地，预设的综合因子集包括驾驶员画像因子集、车辆画像因子集和路径因子集；
驾驶员画像因子集来源于驾驶员的生理因子、心理因子和社会活动因子；
车辆画像因子集来源于车辆的属性因子、健康因子和经济因子；
路径因子集来源于路径属性因子和路径沿途天气因子；
基于任务模型，从预设的综合因子集Z中筛选出多个候选因子的步骤包括：
从驾驶员画像因子集和车辆画像因子集、路径因子集中分别选择与任务模型对应的候选因子。
优选地，按照预设的选取规则，从多个候选因子中选取出评估因子的步骤包括：
从多个第一候选因子中先筛选出由预先确定的所有行业评估专家均选择过的第一类评估因子；
再从剩余的候选因子中筛选出由预先确定的所有行业评估专家中的一半以上的专家选择过的第二类评估因子；
所述第一类评估因子和所述第二类评估因子共同构成所需的评估因子。
优选地，将N类因子集按类别进行重要性两两比较，得到每一类因子集相对于其它类因子集的相对权重的步骤中：
各类因子集相对于其它类因子集的重要性和相对权重均预先由所有行业评估专家给出的重要性平均值确定；
对每一类因子集内部的多个评估因子进行重要性两两比较，得到每一类因子集内的各评估因子相对于其它评估因子的相对权重的步骤中：
各评估因子相对于其它评估因子的重要性和相对权重均预先由所有行业评估专家给出的重要性平均值确定；
基于每一类因子集相对于其它类因子集的相对权重和每一类因子集内的各评估因子相对于其它评估因子的相对权重，得到每一评估因子的权重比的步骤包括：
将各评估因子相对于其它评估因子的相对权重之和与其所属的这一类因子集相对于其它类因子集的相对权重之和相乘，得到各评估因子的权重比。
优选地，基于每一评估因子的权重比，得到每一评估因子的评估得分的步骤包括：
将每一评估因子的权重比与其对应的专家给分均值进行相乘，得到每一评估因子的评估得分；
其中，每一评估因子对应的专家给分均值通过预先由业务专家给分得到。
优选地，基于车辆业务属性和各任务属性描述对应的第一评估总得分以及驾驶员业务属性和各任务属性描述对应的第二评估总得分，进行驾驶员和车辆调拨分配的步骤包括：
基于任务模型包含的目标任务属性描述中的任务侧重点，确定与任务侧重点对应的预设评估阈值；
在第一评估总得分和第二评估总得分均超过各自对应的预设评估阈值时，将与评估因子匹配的驾驶员和车辆筛选出，并对得分最高的目标驾驶员和目标车辆分配任务。
本发明的技术效果为：
基于电力出行任务属性，通过对驾驶员画像、车辆画像和路径属性的融合，实现安全高效的电力出行智能调拨。
附图说明
图1为本发明实施例方法的流程示意图。
具体实施方式
本发明立足于电力任务出行场景，以安全为第一视角，从人、车、路三个主导电力任务安全高效出行的方面进行分析和设计，首先通过融合领域先验知识的改进delphi法(德尔菲法)对驾驶员画像、车辆画像和路径因子进行要素甄别，通过加权排序生成驾驶员画像因子集、车辆画像因子集和路径因子集，三个因子集组成综合因子集，综合因子集表示为Z,其中Z＝J∪C∪L,J为驾驶员画像因子集，C为车辆画像因子集,L为路径因子集，路径因子集主要是对任务的秒速提供相关支撑。
综合因子集Z为出行智能调拨的量化因子基础，设计出行任务的表示模型，基于表示模型中的量化因子分布情况，对量化因子进行赋权算法设计，得到量化权重后进行出行风险计算，为电力任务出行智能调拨提供支撑。
1.驾驶员画像因子集J的生成方法。
驾驶员画像因子集J的生成来源于驾驶员的三个方面的信息，分别是驾驶员的“生理因子”、“心理因子”“社会活动因子”。驾驶员画像因子表示为集合J：
J＝J1∪J2∪J3,其中J1表示生理因子画像集合，J2表示心理因子集合，J3为社会活动因子画像集合。其中各部分的相关信息来源或抽取方式如下：
(1)、生理因子：以驾驶员职工每年体检报告和日常医疗事件为基础，主要包括驾驶员的年龄、性别、视力、听力等，以及相关影响驾驶员正常驾驶的相关疾病，具体包括：有器质性心脏病、癫痫病、美尼尔氏症、眩晕症、癔病、震颤麻痹、精神病、痴呆以及影响肢体活动的神经系统疾病等妨碍安全驾驶疾病的；所有生理因子组成生理因子集合J1；J1＝{J11、J12、J13、……J1n},各个因子表示式例为：J11＝年龄，J12＝性别，J13＝视力等等；
(2)、心理因子：以驾驶员职工心理健康测试相关情况为基础，主要从以下7个方面来秒速驾驶员心理因子画像：智力正常、情绪健康、意志健全、行为协调、人际关系适应、反应适度、心理特点符合年龄。所有心理因子组成生理因子集合J2；J2＝{J21、J22、J23、……J2n},各个因子表示式例为：J21＝智力，J22＝情绪健康，J23＝意志健全等等；
(3)、社会活动因子：以驾驶员的社会活动行为为基础，提炼各类相关因子，主要包括:交通行为类事件、经济类事件、情感类事件等相关因子。交通类事件包括：交通违章情况、交通事故情况、三年内有吸食、注射毒品行为或者解除强制隔离戒毒措施未满三年，或者长期服用依赖性精神药品成瘾尚未戒除的；造成交通事故后逃逸构成犯罪的；饮酒后或者醉酒驾驶机动车；经济类事件主要包括：是否存在高利贷、是否存在严重负债等；情感类事件：家庭是否和睦、是否存在严重感情纠纷等。所有社会活动因子组成社会活动集合J3；
J3＝{J31、J32、J33、……J3n},各个因子表示式例为：J31＝交通违章，J32＝交通事故，J33＝高利贷等等。
2.车辆画像因子集C的生成方法。
车辆画像生成来源于车辆三个方面的信息，分别是车辆“属性因子”、“健康因子”“车辆经济因子”。车辆画像因子表示为集合C：C＝C1∪C2∪C3,其中C1表示属性因子画像集合，C2表示健康因子画像集合，C3为车辆经济因子画像集合。其中各部分的相关信息来源或抽取方式如下：
(1)属性因子：基于车辆属性的因子包括车辆的品牌、类型、车辆座位数、理论续航值等等，车辆属性因子集合为C1,其中C1＝{C11、C12、C13、……C1n},各个因子表示式例为：C11＝品牌，C12＝类型，C13＝座位数等等；
(2)健康因子：基于车辆健康的因子包括车龄、里程数、维修保养记录、交通事故记录等等。车辆健康因子集合为C2,其中C1＝{C21、C22、C23、……C2n},各个因子表示式例为：C21＝车龄，C12＝里程数，C13＝保养记录等等；
(3)经济因子：车辆经济因子主要包括百公里油耗、百公里运维费等因子，车辆经济因子集合为C3,其中C1＝{C31、C32、C33、……C3n},各个因子表示式例为：C31＝百公里油耗，C32＝百公里运维费等等；
3.路径因子集L的生成方法。
路径因子集来自两个方面的信息，分别是“路径属性因子”、“路径沿途天气因子”。路径因子表示为集合L：
L＝L1∪L2,其中L1表示路径属性因子画像集合，L2表示路径沿途天气因子集合，其中各部分的相关信息来源或抽取方式如下：
(1)路径属性因子：路径属性因子主要包括：高速路、城市道路、乡村道路、山路、日常拥堵指数、风险指数等因子，路径属性因子集合为L1,其中L1＝{L11、L12、L13……L1n}，各个因子表示式例为：L11＝高速路，L12＝城市道路，L13＝山村道路等等；
(2)路径沿途天气因子：路径沿途天气因子主要包括：雨天、雾天、雪天、大风天等等，路径沿途天气因子集合为L2,其中L2＝{L21、L22、L23……L2n}，各个因子表示式例为：L21＝雨天，L22＝雾天，L23＝雪天等等。
4.任务模型构建。
本部分主要是完成一次驾驶员和车辆调拨任务的完备业务流程模型表示方法：主要包括规则制定与任务属性两部分，任务模型M表示为：M＝T∪R，其中T为任务描述集合，R为规则制定集合，具体模型描述如下：
(1)任务属性描述：任务属性描述包括路况属性与任务侧重点两部分，其中路况属性包括：沿途是以哪一种路为主，例如乡村道路，任务当日天气如何，例如雨雪天等。基于不同的任务侧重点推荐出不同的智能调度方案，任务侧重点主要包括三大类：安全、高效、经济三个维度，即T＝{T1、T2、T3…Tn},其中T1＝安全、T2＝高效、T3＝经济等等。
(2)规则制定：规则制定主要是基于知识驱动下的智能选车约束条件，例如：电力派车目标任务路径如果是以山村道路为主，则必然选择越野车；规则集是在任务属性上的限定，各类规则组合成规则集R；
5.因子赋权算法。
因子赋权算法是指，基于任务表示模型M中的任务属性描述T和规则制定R，从综合因子集Z中选择相关的候选因子来完成任务调拨的评估。其主要包括两步骤：
(1)候选因子的选择
基于任务模型M，从综合因子集合Z(例如总共40个)中选择对应的候选因子；
例如M描述为，安全优先的调拨任务T1，任务路径为山村道路L13，在雨雪天气出行L23，结合规则集合R来进行候选因子的评估和选择。选择规则如下：
选择规则：通过先验知识指引下的综合因子集合Z，作为初始化因子清单，采用德尔菲法将候选因子作为指标清单预置给专家。
指标的建议排序是指专家根据指标的优先级，按照先后顺序排列考核指标。
生成过程规则主要包括：一是指标生成过程中专家独立完成调研表；二是考核指标的选定不限于综合因子集合Z；三是专家采用书面在线方式；四是专家给定指标数应不低于因子综合集合中的Z中的数量。
收到专家反馈的指标调研表后，开展指标的初步选定工作，若收到n位专家答卷。
第一步将专家共同选定的k个指标提取出来，既k个指标出现的次数都为n次；
第二步将共同选定的k个指标优先级之和取平均后按数值升序排列；
第三步将问卷中出现次数i次的指标纳入考核范围，其中n/2＞i＞n，即半数以上专家共性意见纳入考核范围，共计j个；
第四步将半数以上专家选定的j个指标按照选定专家数量降序排列；
第五步将第二步k个指标与第四步的j个指标合并形成新的指标资源池(即评估因子资源池)。
第六步将k+j个指标，基于AHP(层次分析法)按照J1、J2、J3、C1、C2、C3六大类的业务属性分类，其中，J1、J2、J3为车辆业务属性和驾驶员业务属性中的一种，C1、C2、C3为车辆业务属性和驾驶员业务属性中的另一种，六大类指标生成新的评估因子集合Z+,表示为Z+＝{Z1,Z2,……Zn,}，其中n＝k+j；
(2)评估因子的赋权
评估因子的赋权是基于选择的评估因子展开的评估因子赋权作为量化计算的基础。将集合Z+中的评估因子进行两两比较，为提升效率，将选车评估因子和选人评估因子分开赋权：
具体步骤如下：传统德尔菲法是将专家赋予的权重算平均，但其效果性不及改进的AHP算法，因子之间的重要性通过两两比较赋值后效果更佳。具体如下表1：
表1权重比较参考表
首先：对J1、J2、J3、C1、C2、C3六大类的评估因子集进行赋权，视每一类评估因子集为一个因子。
6类评估因子集之间对其重要性两两比较，构造两两比较判断矩阵，并进行一致性检验。
然后：由判断矩阵计算被比较评估因子集相对于其它类评估因子集的相对权重。
最后采用递归算法，计算J1、J2、J3、C1、C2、C3六大类的各个评估因子相对于全部评估因子的权重。
例如：若由判断矩阵计算被比较评估因子的相对权重。{J1、J2、J3、C1、C2、C3}权值的分布为:
WSi＝{0.1，0.28，0.23，0.16，0.12、0.11}(i＝1…6)，采用递归算法，若J1类的指标{J11、J12、J13}局部权值分别为WS1i＝{0.5，0.3，0.2}(i＝1…3),那么其对应的全局权重则为
W S1乘以WS1i，即即0.1*WS1i。
按照此类方法可以为集合Z+中的所有的(k+j)个因子赋权。
这样得到一个集合Z+，及其每个因子的权重Wn:
其中
其中n＝1…(k+j).
智能调拨量化得分函数Score：f(n)
得分函数用于对驾驶员和车辆进行动态评估和打分，得分情况供决策者使用。
6.智能调拨实现。
智能调拨实现主要流程包括任务要点选择，驾驶员因子生成、车辆因子生成、驾驶员因子权重生成、车辆因子权重生成。
(1)任务要点选择：例如任务模型中选择安全优先的调拨任务侧重点为T1，路况属性中的道路类型为山村道路L13，天气为在雨雪天气出行L23，是对任务的初始化；另外还有规则集合R的选择，例如山村道路只能选择越野车车型，雨雪天绑定安全模式等规则，作为任务的初始化，具体规则可以根据用户需求灵活制定。
(2)驾驶员因子生成、车辆因子生成、以及因子赋权按照第5部分中的因子赋权算法实现；
(3)基于打分函数的智能调拨：
智能调拨模式可以分为两大类：
一类是验证得分模式：对于车辆和驾驶员得分与任务限定值进行比对，若待选车辆和人达不到得分阈值则提示更换对象，例子如下表2：
表2
| 模式 | 驾驶员得分阀值 | 车辆得分阀值 |
| T1安全模式 | 95 | 95 |
| T2高效模式 | 80 | 85 |
| T3经济模式 | 85 | 80 |
例如：安全模式中要求验证值：fJ(n)>95；且fC(n)>95,fJ(n)为驾驶员得分，fC(n)为车辆得分。
另一类是资源池(驾驶员池、和车辆池)内得分排序模式：即对所有驾驶员和车辆进行评分后，调拨前都推送得分最高的驾驶员人和车，而无需验证。
Claims (7)
1.一种电力任务出行调拨方法，其特征在于，包括：
基于当前调拨任务，生成包含目标任务属性描述和目标规则集的任务模型；
基于任务模型，从预设的综合因子集Z中筛选出多个候选因子；
按照预设的选取规则，从多个候选因子中选取出评估因子；按照车辆业务属性和驾驶员业务属性，将所选取出的评估因子分类为N类因子集；
将N类因子集按类别进行重要性两两比较，得到每一类因子集相对于其它类因子集的相对权重；
对每一类因子集内部的多个评估因子进行重要性两两比较，得到每一类因子集内的各评估因子相对于其它评估因子的相对权重；
基于每一类因子集相对于其它类因子集的相对权重和每一类因子集内的各评估因子相对于其它评估因子的相对权重，得到每一评估因子的权重比；
基于每一评估因子的权重比，得到每一评估因子的评估得分；
基于每一评估因子的评估得分，得到车辆业务属性和各任务属性描述对应的评估总得分，以及得到驾驶员业务属性和各任务属性描述对应的评估总得分；
基于车辆业务属性和目标任务属性描述对应的第一评估总得分以及驾驶员业务属性和目标任务属性描述对应的第二评估总得分，进行驾驶员和车辆调拨分配。
2.根据权利要求1所述的方法，其特征在于，任务模型中，目标
任务属性描述包括路况属性与任务侧重点，路况属性包括道路类型和天气，任务侧重点为经济、高效和安全三个维度中的其中一种；
目标规则集中包含基于道路类型所选择的车辆类型。
3.根据权利要求1所述的方法，其特征在于，预设的综合因子集包括驾驶员画像因子集、车辆画像因子集和路径因子集；
驾驶员画像因子集来源于驾驶员的生理因子、心理因子和社会活动因子；
车辆画像因子集来源于车辆的属性因子、健康因子和经济因子；
路径因子集来源于路径属性因子和路径沿途天气因子；
基于任务模型，从预设的综合因子集Z中筛选出多个候选因子的步骤包括：
从驾驶员画像因子集和车辆画像因子集、路径因子集中分别选择与任务模型对应的候选因子。
4.根据权利要求1所述的方法，其特征在于，按照预设的选取规则，从多个候选因子中选取出评估因子的步骤包括：
从多个第一候选因子中先筛选出由预先确定的所有行业评估专家均选择过的第一类评估因子；
再从剩余的候选因子中筛选出由预先确定的所有行业评估专家中的一半以上的专家选择过的第二类评估因子；
所述第一类评估因子和所述第二类评估因子共同构成所需的评估因子。
5.根据权利要求1所述的方法，其特征在于，将N类因子集按类别进行重要性两两比较，得到每一类因子集相对于其它类因子集的相对权重的步骤中：
各类因子集相对于其它类因子集的重要性和相对权重均预先由所有行业评估专家给出的重要性平均值确定；
对每一类因子集内部的多个评估因子进行重要性两两比较，得到每一类因子集内的各评估因子相对于其它评估因子的相对权重的步骤中：
各评估因子相对于其它评估因子的重要性和相对权重均预先由所有行业评估专家给出的重要性平均值确定；
基于每一类因子集相对于其它类因子集的相对权重和每一类因子集内的各评估因子相对于其它评估因子的相对权重，得到每一评估因子的权重比的步骤包括：
将各评估因子相对于其它评估因子的相对权重之和与其所属的这一类因子集相对于其它类因子集的相对权重之和相乘，得到各评估因子的权重比。
6.根据权利要求1所述的方法，其特征在于，基于每一评估因子的权重比，得到每一评估因子的评估得分的步骤包括：
将每一评估因子的权重比与其对应的专家给分均值进行相乘，得到每一评估因子的评估得分；
其中，每一评估因子对应的专家给分均值通过预先由业务专家给分得到。
7.根据权利要求1所述的方法，其特征在于，基于车辆业务属性和各任务属性描述对应的第一评估总得分以及驾驶员业务属性和各任务属性描述对应的第二评估总得分，进行驾驶员和车辆调拨分配的步骤包括：
基于任务模型包含的目标任务属性描述中的任务侧重点，确定与任务侧重点对应的预设评估阈值；
在第一评估总得分和第二评估总得分均超过各自对应的预设评估阈值时，将与评估因子匹配的驾驶员和车辆筛选出，并对得分最高的目标驾驶员和目标车辆分配任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111507482.6A CN114118874A (zh) | 2021-12-10 | 2021-12-10 | 一种电力出行任务智能调拨方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111507482.6A CN114118874A (zh) | 2021-12-10 | 2021-12-10 | 一种电力出行任务智能调拨方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114118874A true CN114118874A (zh) | 2022-03-01 |
Family
ID=80364572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111507482.6A Pending CN114118874A (zh) | 2021-12-10 | 2021-12-10 | 一种电力出行任务智能调拨方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118874A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114464006A (zh) * | 2022-04-13 | 2022-05-10 | 新石器慧通（北京）科技有限公司 | 自动驾驶车辆的分配方法和装置 |
-
2021
- 2021-12-10 CN CN202111507482.6A patent/CN114118874A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114464006A (zh) * | 2022-04-13 | 2022-05-10 | 新石器慧通（北京）科技有限公司 | 自动驾驶车辆的分配方法和装置 |
| CN114464006B (zh) * | 2022-04-13 | 2022-06-28 | 新石器慧通（北京）科技有限公司 | 自动驾驶车辆的分配方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423837A (zh) | 旅游路线的智能规划方法及系统 | |
| CN110647692A (zh) | 一种基于大数据的多维文旅数据监测及呈现方法 | |
| CN114118874A (zh) | 一种电力出行任务智能调拨方法 | |
| Warnes | Transport infrastructure improvements and spatial sorting: Evidence from buenos aires | |
| Sonita et al. | Measuring the city bus service quality based on users’ perceptions: City bus service in Phnom Penh, Cambodia | |
| Elias et al. | Gender and travel behavior in two Arab communities in Israel | |
| CN113379318A (zh) | 公共交通系统运营服务质量评价方法、装置和计算机设备 | |
| Jasti et al. | Integrated performance assessment and service level benchmarking of urban bus system using fuzzy logic | |
| CN108681741A (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
| Bentama et al. | Spatial analysis of bus accidents in France | |
| Linh et al. | Exploring the spatial transferability of FEATHERS–An activity based travel demand model–For Ho Chi Minh city, Vietnam | |
| Bastidas-Zelaya et al. | Analysis of multistage chains in public transport: The case of Quito, Ecuador | |
| CN116628527B (zh) | 一种集成出行策略的设计方法及系统 | |
| Congleton | Results of the fall 2007 UC Davis campus travel assessment | |
| Anik et al. | Motivating Factors for Private Car Users to Use Public Transport | |
| Rizq | Analysis The Quality of Services For Krl Jabodetabek Bekasi Jakarta City Line Based on The User's Point of View During The Covid-19 Pandemic | |
| Baharum et al. | Sustainable Urban Bus Service Assessment and Tourists’ Satisfaction | |
| Afkara et al. | Walking Distance Perception in Jakarta MRT Station Area | |
| Abley et al. | National travel profiles part A: description of daily travel patterns | |
| Wittman | An assessment of air service accessibility in us metropolitan regions, 2007-2012 | |
| Chai et al. | Assessing the relationship between self-reported driving behavior, psychology and risky driving based on GPS trajectory data from car-hailing apps | |
| Morfoulaki et al. | Intermodal passenger transport after covid-19 pandemic breakout | |
| Sarkar et al. | Quantification of accessibility levels of rural areas: a case study in the northern province South Africa | |
| Soczówka | Method of classification of spatial units for transitrelated analyses | |
| Pani et al. | Travel behaviour in the developing world: challenges and opportunities |
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 |