CN114492951A - 一种基于客流预测的资源调配方法、装置及设备 - Google Patents

一种基于客流预测的资源调配方法、装置及设备 Download PDF

Info

Publication number
CN114492951A
CN114492951A CN202210007796.8A CN202210007796A CN114492951A CN 114492951 A CN114492951 A CN 114492951A CN 202210007796 A CN202210007796 A CN 202210007796A CN 114492951 A CN114492951 A CN 114492951A
Authority
CN
China
Prior art keywords
future
duty
passenger flow
weather
historical
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
Application number
CN202210007796.8A
Other languages
English (en)
Inventor
马骁
王雯雯
郭士江
吴蕾
马飞
贾存存
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN202210007796.8A priority Critical patent/CN114492951A/zh
Publication of CN114492951A publication Critical patent/CN114492951A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (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

本发明提供一种基于客流预测的资源调配方法、装置及设备，该方法包括：获取历史不同天气类型对应的M个时段内的第一历史调度信息，并确定未来N个不同天气类型对应的时段，预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比；获取预测的未来N个时段对应的总客流量，确定未来N个时段内各时段各类交通工具对应的未来时段客流量；确定未来N个时段内各时段各类交通工具对应站点的值班人数，并调度相应值班人数的值班人员到对应站点，采用以上方法提前对客流量进行预测并进行人员的安排，避免了高峰时期人员不够而低峰时期人员过多的问题。

Description

一种基于客流预测的资源调配方法、装置及设备
技术领域
本发明涉及智能网联交通技术领域，尤其涉及一种基于客流预测的资源调配方法、装置及设备。
背景技术
在交通枢纽换乘中，各类交通工具的客流量受天气影响较大，在天气状态不同的情况下，各类交通工具的客流量会发生变化，如果没有及时对值班人员和服务窗口等资源进行调配，可能导致旅客的长时间的排队等候安检的情况，影响旅客的体验。
目前，各大机场多数采用现场检查，根据实时排队人数临时增加减少服务窗口和对应的值班人员的方式调整服务资源，但这种方式存在高峰时临时增派人员无法立即就位，引发旅客排队拥挤甚至投诉，而平峰时值班人数过多造成服务资源闲置浪费，增加运营成本等问题。
发明内容
本发明提供了一种基于客流预测的资源调配方法，用于解决在交通枢纽人员疏散的高峰和平峰时资源调配不及时的问题。
第一方面，本发明提供一种基于客流预测的资源调配方法，应用于交通枢纽中的客流疏导，该方法包括：
获取历史不同天气类型对应的M个时段内的第一历史调度信息，并确定未来N个不同天气类型对应的时段，所述第一历史调度信息包括各时段的历史天气信息和各时段内各类交通工具对应的时段客流量的第一历史分担比；
根据获取的第一历史调度信息和未来N个时段内各时段的未来天气信息，预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比；
获取预测的未来N个时段对应的总客流量，并结合预测的未来N个时段内各时段的所述预测分担比，确定未来N个时段内各时段各类交通工具对应的未来时段客流量；
根据所述未来时段客流量，确定未来N个时段内各时段各类交通工具对应站点的值班人数，并调度相应值班人数的值班人员到对应站点。
一种可选的实施方式为，以天为单位定义所述时段时，调度相应值班人数的值班人员到对应站点之后，还包括：
到达所述未来N天中的任一天时，获取当天历史m小时的第二历史调度信息和未来n小时内每小时的未来天气信息，所述第二历史调度信息包括每小时的历史天气信息和每小时各类交通工具对应的小时客流量的第二历史分担比；
根据获取的第二历史调度信息和未来n小时内每小时的未来天气信息，预测未来n小时内每小时各类交通工具对应的小时客流量的预测分担比；
获取预测的未来n小时对应的总客流量，并结合预测的未来n小时内每小时的所述预测分担比，确定未来n小时内每小时的各交通工具对应的未来小时客流量；
根据所述未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配。
一种可选的实施方式为，采用如下方式确定所述未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比：
根据任一时段的历史天气信息，确定所述任一时段的历史天气信息对应的第一天气影响参数，并根据任一时段的未来天气信息，确定所述任一时段的未来天气信息对应的未来时段的天气影响参数；
将所述第一天气影响参数、未来时段的天气影响参数和第一历史分担比输入时段分担比预测模型，获取未来N个时段内各时段各类交通工具对应的天客流量的预测分担比；
其中，所述时段分担比预测模型为以历史任M+N个时段中前M个时段和后N个时段内各时段的天气影响参数及前M个时段内各时段各类交通工具对应的时段客流量的历史分担比为输入，以输出后N个时段内各时段各类交通工具对应的时段客流量的预测分担比为目标进行训练得到的模型。
一种可选的实施方式为，采用如下方式确定所述未来n小时内每小时各类交通工具对应的小时客流量的预测分担比：
根据任一小时历史天气信息，确定所述任一小时的历史天气信息对应的第二天气影响参数，并根据任一小时的未来天气信息，确定所述任一小时的未来天气信息对应的未来小时的天气影响参数；
将所述第二天气影响参数、未来小时的天气影响参数和第二历史分担比输入小时分担比预测模型，获取未来n小时内每小时的各类交通工具对应的小时客流量的预测分担比；
其中，所述小时分担比预测模型为以历史任m+n小时中前m小时和后n小时内每天的天气影响参数和前m小时内每小时各类交通工具对应的小时客流量的预测分担比为输入，以输出后n小时内每小时各类交通工具对应的小时客流量的预测分担比为目标进行训练得到的模型。
一种可选的实施方式为，所述天气信息包括天气类型、风力及温度；
所述天气影响参数h根据以下公式获取：
Figure BDA0003457646680000031
其中，当所述天气影响参数h为第一天气影响参数时，t为所述任一时段对应的温度，y为所述任一时段对应的风力，x为所述任一时段对应的天气类型对应的预设的数值参数；
当所述天气影响参数h为第二天气影响参数时，t为所述任一小时对应的温度，y为所述任一小时对应的风力，x为所述任一小时对应的天气类型对应的预设的数值参数。
一种可选的实施方式为，调度相应值班人数的值班人员到对应站点，包括：
获取待调度的值班人员的排班得分，所述值班人员的排班得分为根据所述值班人员的各项工作信息对应的系数计算得到；
根据所述排班得分按照由高到低的顺序进行排序得到的排班排名，按照所述排班排名调度相应值班人数的值班人员到对应站点；
其中，所述值班人员的工作信息包括月工作时长、当前最长连续工作时长、是否达到必要工作时长和休假状态。
一种可选的实施方式为，根据未来n小时内每小时的各交通工具对应的未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配，包括：
根据未来n小时内每小时的各交通工具对应的未来小时客流量，确定当前各交通工具对应站点的预测值班人数，并与当前各站的值班人数进行比对；
确定存在所述当前各站的值班人数大于对应的预测值班人数的第一站点和所述当前各站的值班人数小于对应的预测值班人数的第二站点时，获取所述第一站点中值班人员的值班得分，并根据所述值班得分按照由低到高的顺序进行排序得到的值班排名，按照所述值班排名将所述第一站点的值班人员调配到所述第二站点；
确定仅存在所述当前各站的值班人数小于对应的预测值班人数的第二站点时，从未值班员工中调配指定数目的值班人员到所述第二站点；
其中，所述值班人员的值班得分为根据所述值班人员的各项值班信息对应的系数计算得到，所述值班人员的值班信息包括值班人员的待完成任务数和待完成任务的耗时。
第二方面，本发明提供了一种基于客流预测的资源调配装置，该装置包括：
信息获取单元，用于获取历史不同天气类型对应的M个时段内的第一历史调度信息，并确定未来N个不同天气类型对应的时段，所述第一历史调度信息包括各时段的历史天气信息和各时段内各类交通工具对应的时段客流量的第一历史分担比；
分担比预测单元，用于根据获取的第一历史调度信息和未来N个时段内各时段的未来天气信息，预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比；
时段客流量确定单元，用于获取预测的未来N个时段对应的总客流量，并结合预测的未来N个时段内各时段的所述预测分担比，确定未来N个时段内各时段各类交通工具对应的未来时段客流量；
人员调度单元，用于根据所述未来时段客流量，确定未来N个时段内各时段各类交通工具对应站点的值班人数，并调度相应值班人数的值班人员到对应站点。
第三方面，本发明提供一种基于客流预测的资源调配设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行上述第一方面提供的基于客流预测的资源调配方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述第一方面提供的基于客流预测的资源调配方法的步骤。
本发明提供一种基于客流预测的资源调配方法、装置及设备，通过历史的调度信息结合未来若干时段的天气预测，先预测未来若干时段的天客流量的预测分担比从而确定未来各时段的客流量，从而进行预先的资源调度，采用以上方法提前对客流量进行预测并进行人员的安排，避免了高峰时期人员不够而低峰时期人员过多的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于客流预测的资源调配方法的流程图；
图2为本发明实施例提供的一种排班排名设计逻辑的示意图；
图3为本发明实施例提供的一种基于客流预测的资源配置整体方案的流程图；
图4为本发明实施例提供的一种基于客流预测的资源配置方法组成结构的示意图；
图5为本发明实施例提供的一种基于客流预测的资源调配装置的示意图；
图6为本发明实施例提供的一种基于客流预测的资源调配设备的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
目前，各大机场多数采用现场检查，根据实时排队人数临时增加减少服务窗口和对应的值班人员的方式调整服务资源，但这种方式存在高峰时临时增派人员无法立即就位，引发旅客排队拥挤甚至投诉，而平峰时值班人数过多造成服务资源闲置浪费，增加运营成本等问题。
为解决上述问题，本发明实施例提供一种基于客流预测的资源调配方法，通过历史的调度信息结合未来若干时段的天气预测，预测未来若干时段的客流量的预测分担比，从而确定未来各时段的客流量，进行预先的资源调度，提高了人员安排的效率和准确程度，并减少了人员调度的成本。如图1所示，该方法包括：
步骤101，获取历史不同天气类型对应的M个时段内的第一历史调度信息，并确定未来N个不同天气类型对应的时段，所述第一历史调度信息包括各时段的历史天气信息和各时段内各类交通工具对应的时段客流量的第一历史分担比；
上述天气信息包括天气类型、风力及温度，其中，上述天气类型包括晴、多云、阴、雨、雪等多种类型，本发明实施例中预先设定了各种天气类型对应的数值参数。
上述各类交通工具对应的时段客流量的第一历史分担比是指各类交通工具对应站点的时段客流量与总客流量的比值，其中，各类交通工具包括高铁、地铁、机场巴士、长途客运、出租车、网约车等。
上述各类交通工具对应站点的历史时段客流量与历史总客流量等历史客流数据可以通过机场枢纽等交通枢纽中配置的客流采集器获取。
步骤102，根据获取的第一历史调度信息和未来N个时段内各时段的未来天气信息，预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比；
首先根据各时段的天气信息计算对应的天气影响参数，然后根据预先建立的时段分担比预测模型预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比，其中，上述时段分担比预测模型为以历史任M+N个时段中前M个时段和后N个时段内各时段的天气影响参数及前M个时段内各时段各类交通工具对应的时段客流量的历史分担比为输入，以输出后N个时段内各时段各类交通工具对应的时段客流量的预测分担比为目标进行训练得到的模型。
实施中，将获取的历史M各时段内各时段各类交通工具对应的分担比p高、p地、p机、p长、p出、p网和根据天气信息计算得到的天气影响参数h输入预设的LSTM长短期神经网络的时段分担比预测模型中，获取输出的未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比作为输出。
作为一种可选的实施方式，采用如下方式确定所述未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比：
根据任一时段的历史天气信息，确定所述任一时段的历史天气信息对应的第一天气影响参数，并根据任一时段的未来天气信息，确定所述任一时段的未来天气信息对应的未来时段的天气影响参数；
将所述第一天气影响参数、未来时段的天气影响参数和第一历史分担比输入时段分担比预测模型，获取未来N个时段内各时段各类交通工具对应的天客流量的预测分担比。
步骤103，获取预测的未来N个时段对应的总客流量，并结合预测的未来N个时段内各时段的所述预测分担比，确定未来N个时段内各时段各类交通工具对应的未来时段客流量；
实施中，根据机场等交通枢纽的售票数据，获取到港的客流量，由于这些客流量大部分会通过公共交通方式进行疏散，因此将未来N个时段内各时段的售票数据作为N个时段内各时段的总客流量，并将各时段对应的总客流量与对应的预测分担比相乘，确定各交通工具对应的时段客流量。
步骤104，根据所述未来时段客流量，确定未来N个时段内各时段各交通工具对应站点的值班人数，并调度相应值班人数的值班人员到对应站点。
上述调度相应值班人数的值班人员到对应站点前，已预先采用专家系统的设计逻辑设计了知识库，知识库中包含可调度的值班人员的工作信息以及未来时段客流量等信息。并设定了各项参数的影响权重，通过推理机生成排班得分，最终选择排名靠前的人进行排班，其中，上述值班人员的工作信息包括月工作时长、当前最长连续工作时长、是否达到必要工作时长和休假状态。
如图2所示，本发明实施例提供了一种排班排名设计逻辑的示意图，值班人员地排班排名为根据排班得分的高低排序后得到，该排班得分为根据所述值班人员的各项工作信息对应的系数计算得到，具体的：首先获取任一值班员工的月工作时长(即图2中的第一时长)，根据任一值班人员的月工作时长判定是否到达必要工作时长，如果判定为是，则月工作时长乘第一系数，如果判定为否，则月工作时长乘第二系数，获取第一得分，然后获取预设的最长连续工作时长对应的阈值减去最长连续工作时长得到的第二时长，再乘第三系数，获取第二得分，将第一得分和第二得分求和得到第三得分，在根据值班人员的休假状态判定当天存在休假请求时，将第三得分乘第四系数得到最终得分，判定当天不存在休假请求时，将第三得分作为最终得分，需要注意的是，为尽可能避开调休人员以及避免员工超过最长工作日，设定时要求第二系数大于第一系数，且第四系数为小于1的数值，所有的参数均支持动态调整，需要注意的是，为保证当前工作时长较短且未处于休假状态的值班人员优先被排班，按照最终得分由高到底的顺序对值班人员进行排名。如果班制为两班制，分上午班和下午班时，值班人员信息录入的时候，可加入值班人员的意愿，即希望一天工作2班还是只上午班或下午班，系统会根据信息进行优化排班。系统在排完班后，会对应在值班人员手机端生成值班表。
作为一种可选的实施方式，调度相应值班人数的值班人员到对应站点，包括：
获取待调度的值班人员的排班得分，所述值班人员的排班得分为根据所述值班人员的各项工作信息对应的系数计算得到；
根据所述排班得分按照由高到低的顺序进行排序得到的排班排名，按照所述排班排名调度相应值班人数的值班人员到对应站点。
上述方法，该系统通过客流预测技术，提前了解未来时段客流趋势，并根据未来时段客流量，提前进行人员以及岗位的安排，提高了资源分配的效率。
实施中，以天为单位定义所述时段时，为解决因各类交通工具的对应天客流量预测不准确而导致值班人员的排班安排与实际客流量不符，本发明实施例中，在调度相应值班人数的值班人员到对应站点之后，还预测了未来小时内各类交通工具对应的小时客流量，并根据上述小时客流量对值班人员的进行调度，具体包括：到达所述未来N天中的任一天时，获取当天历史m小时的第二历史调度信息和未来n小时内每小时的未来天气信息，所述第二历史调度信息包括每小时的历史天气信息和每小时各类交通工具对应的小时客流量的第二历史分担比；
根据获取的第二历史调度信息和未来n小时内每小时的未来天气信息，预测未来n小时内每小时各类交通工具对应的小时客流量的预测分担比；
获取预测的未来n小时对应的总客流量，并结合预测的未来n小时内每小时的所述预测分担比，确定未来n小时内每小时的各交通工具对应的未来小时客流量；
根据所述未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配。
作为一种可选的实施方式，采用如下方式确定所述未来n小时内每小时各类交通工具对应的小时客流量的预测分担比：
根据任一小时历史天气信息，确定所述任一小时的历史天气信息对应的第二天气影响参数，并根据任一小时的未来天气信息，确定所述任一小时的未来天气信息对应的未来小时的天气影响参数；
将所述第二天气影响参数、未来小时的天气影响参数和第二历史分担比输入小时分担比预测模型，获取未来n小时内每小时的各类交通工具对应的小时客流量的预测分担比；
其中，所述小时分担比预测模型为以历史任m+n小时中前m小时和后n小时内每天的天气影响参数和前m小时内每小时各类交通工具对应的小时客流量的预测分担比为输入，以输出后n小时内每小时各类交通工具对应的小时客流量的预测分担比为目标进行训练得到的模型。
上述预测未来小时内各类交通工具对应的小时客流量的具体方法，与预测未来N个时段内各时段各类交通工具对应的未来时段客流量的方法相同，可参见步骤101至步骤103，此处不再赘述。
为提高预测的准确性，本发明实施例中会对上述时段/小时分担比预测模型进行周期性更新，即到达预设周期时，根据预设时长内的历史数据，对所述预设的时段/小时分担比预测模型进行更新。
在获取未来小时内各类交通工具对应的小时客流量，并获取当前各站的值班人员后，对各交通工具对应站点的值班人员进行调配，具体包括：
根据未来n小时内每小时的各交通工具对应的未来小时客流量，确定当前各交通工具对应站点的预测值班人数，并与当前各站的值班人数进行比对，并根据比对的结果对值班人员进行调配，可分为以下几种情况：
情况一、确定仅存在当前各站的值班人数大于对应的预测值班人数的第一站点，取消多出的值班人员的值班任务，作为一种可选的实施方式，按照值班排名，取消排名靠前的值班人员的值班任务。
情况二、确定仅存在所述当前各站的值班人数小于对应的预测值班人数的第二站点时，从未值班员工中调配指定数目的值班人员到所述第二站点。
情况三、确定存在所述当前各站的值班人数大于对应的预测值班人数的第一站点和所述当前各站的值班人数小于对应的预测值班人数的第二站点时，获取所述第一站点中值班人员的值班得分，并根据所述值班得分按照由低到高的顺序进行排序得到的值班排名，按照所述值班排名将所述第一站点的值班人员调配到所述第二站点；
其中，确定第二站点缺少的值班人员数量多于第一站点多余的值班人员数量时，从未值班员工中再调配指定数目的值班人员到所述第二站点；或者，确定第二站点缺少的值班人员数量少于第一站点多余的值班人员数量时，取消剩余人员的值班任务。
以下对如何确定值班人员的值班排名进行详细阐述。
实施中，预先采用专家系统的设计逻辑设计了知识库，知识库中包含当前值班人员的值班信息以及未来小时客流量等信息，并设定了各项参数的影响权重，通过推理机生成值班得分，最终选择排名靠前的人进行调配，其中，上述值班人员的值班信息包括值班人员的待完成任务数和待完成任务的耗时。
具体的，首先获取任一值班人员的待完成任务数和待完成任务的耗时，并获取该待完成任务数乘对应系数得到的第一得分，和该待完成任务的耗时乘对应系数得到的第二得分，将上述第一得分和第二得分的总和作为总得分，并按照总得分由低到高的顺序进行排序，得到值班排名，其中所有的系数均支持动态调整。
以下对以天为单位定义上述时段时，预测未来天客流量和未来小时客流量时所使用的天气影响参数如何计算进行详细阐述。
首先，预先设定各天气类型对应的数值参数，以将各类天气的状态转换为数值方便后续的计算，例如，设定晴为50，多云为45，阴为40，雾为35，小雨或小雪为30，中雨、中雪、浓雾为25，大雨、大雪为20，其他恶劣天气为10。
然后，获取小时或天对应的天气种类、风力和温度，进行预处理，即将上述天气种类转化为数值参数，风力和温度分别以级和摄氏度作为单位，根据以下公式获取天气影响参数h：
Figure BDA0003457646680000121
其中，当所述天气影响参数h为第一天气影响参数时，t为所述任一天对应的温度，y为所述任一天对应的风力，x为所述任一天对应的天气类型对应的预设的数值参数；
当所述天气影响参数h为第二天气影响参数时，t为所述任一小时对应的温度，y为所述任一小时对应的风力，x为所述任一小时对应的天气类型对应的预设的数值参数。
如图3所示，本发明实施例提供一种资源配置整体方案流程图，其中，以天为单位定义所述时段，首先基于机场枢纽通过客流采集器获取历史客流数据，并获取历史天气信息和未来天气信息，通过上述信息进行未来天客流量预测，根据未来天客流预测结果，提前进行排班，例如提前2天进行排班(注：一天会分不同的班次，然后派不同的人值班和换班)，并把任务通过app的方式发送给值班人眼，值班人员可在手机端查看。在值班当天，小时客流预测会更新下个小时的预测客流量，如果发现值班人员和运力不匹配，系统会生成任务发送到手机端，提醒值班人员更换工作地点，将值班人员分配到人力不足的岗位上。
如图4所示，本发明实施例提供一种资源配置方法组成结构的示意图，其中，以天为单位定义所述时段，该组成包括位于客流中心服务器中的客流预测服务系统和排班与调度服务系统，及值班人员手机端app。
客流预测服务系统：根据历史客流量以及历史和未来的天气信息，预测未来的客流，每隔一段时间更新一次天客流量，每个几小时更新一次小时客流量，并将预测的天客流量与小时客流量发送给排班与调度服务系统。
排班与调度服务系统：主要负责排班功能和调度服务，根据从客流预测服务系统获取的天客流预测与小时客流预测，及值班人员在平台端录入当月的必要工作时长等信息，根据当前对应班次所需人数，自动进行分配值班人员，并在当前地点的值班人员和运力不匹配时进行人员调度，排班或调度结束后，会在手机端对应生成值班表或调度信息。
手机端app：值班人员工作使用的app，主要使用排班表功能以及调度通知提醒功能，值班人员可查看对应排班表，以及看到调度通知后，点击“确定”完成本次调度。
上述方法，采用未来天客流预测的方式，提前进行值班人员以及岗位的安排，提高资源分配的效率；系统根据未来小时客流预测结果，根据平峰和高峰为值班人员生成任务，并推送到手机端，减少人员调度的成本，提高实行效率；采用模型定期训练更新的方式，更新算法权重，保证客流预测能够当前枢纽运行状态自适应，提高预测准确率。
以上对本发明实施例中一种基于客流预测的资源调配方法进行说明，以下对执行上述资源调配方法的装置进行说明。
请参阅图5，本发明实施例提供一种资源调配装置，该装置包括：
信息获取模块501，用于获取历史不同天气类型对应的M个时段内的第一历史调度信息，并确定未来N个不同天气类型对应的时段，所述第一历史调度信息包括各时段的历史天气信息和各时段内各类交通工具对应的时段客流量的第一历史分担比；
分担比预测模块502，用于根据获取的第一历史调度信息和未来N个时段内各时段的未来天气信息，预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比；
时段客流量确定模块503，用于获取预测的未来N个时段对应的总客流量，并结合预测的未来N个时段内各时段的所述预测分担比，确定未来N个时段内各时段各类交通工具对应的未来时段客流量；
人员调度模块504，用于根据所述未来时段客流量，确定未来N个时段内各时段各交通工具对应站点的值班人数，并调度相应值班人数的值班人员到对应站点。
可选的，以天为单位定义所述时段时，人员调度单元用于调度相应值班人数的值班人员到对应站点之后，还包括：
信息获取单元，用于到达所述未来N天中的任一天时，获取当天历史m小时的第二历史调度信息和未来n小时内每小时的未来天气信息，所述第二历史调度信息包括每小时的历史天气信息和每小时各类交通工具对应的小时客流量的第二历史分担比；
分担比预测单元，用于根据获取的第二历史调度信息和未来n小时内每小时的未来天气信息，预测未来n小时内每小时各类交通工具对应的小时客流量的预测分担比；
小时客流量确定单元，用于获取预测的未来n小时对应的总客流量，并结合预测的未来n小时内每小时的所述预测分担比，确定未来n小时内每小时的各交通工具对应的未来小时客流量；
人员调配单元，用于根据所述未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配。
可选的，分担比预测单元用于采用如下方式确定所述未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比：
根据任一时段的历史天气信息，确定所述任一时段的历史天气信息对应的第一天气影响参数，并根据任一时段的未来天气信息，确定所述任一时段的未来天气信息对应的未来时段的天气影响参数；
将所述第一天气影响参数、未来时段的天气影响参数和第一历史分担比输入时段分担比预测模型，获取未来N个时段内各时段各类交通工具对应的天客流量的预测分担比；
其中，所述时段分担比预测模型为以历史任M+N个时段中前M个时段和后N个时段内各时段的天气影响参数及前M个时段内各时段各类交通工具对应的时段客流量的历史分担比为输入，以输出后N个时段内各时段各类交通工具对应的时段客流量的预测分担比为目标进行训练得到的模型。
可选的，分担比预测单元，用于采用如下方式确定所述未来n小时内每小时各类交通工具对应的小时客流量的预测分担比：
根据任一小时历史天气信息，确定所述任一小时的历史天气信息对应的第二天气影响参数，并根据任一小时的未来天气信息，确定所述任一小时的未来天气信息对应的未来小时的天气影响参数；
将所述第二天气影响参数、未来小时的天气影响参数和第二历史分担比输入小时分担比预测模型，获取未来n小时内每小时的各类交通工具对应的小时客流量的预测分担比；
其中，所述小时分担比预测模型为以历史任m+n小时中前m小时和后n小时内每天的天气影响参数和前m小时内每小时各类交通工具对应的小时客流量的预测分担比为输入，以输出后n小时内每小时各类交通工具对应的小时客流量的预测分担比为目标进行训练得到的模型。
可选的，所述天气信息包括天气类型、风力及温度；
所述天气影响参数h根据以下公式获取：
Figure BDA0003457646680000161
其中，当所述天气影响参数h为第一天气影响参数时，t为所述任一时段对应的温度，y为所述任一时段对应的风力，x为所述任一时段对应的天气类型对应的预设的数值参数；
当所述天气影响参数h为第二天气影响参数时，t为所述任一小时对应的温度，y为所述任一小时对应的风力，x为所述任一小时对应的天气类型对应的预设的数值参数。
可选的，人员调度单元调度相应值班人数的值班人员到对应站点，包括：
获取待调度的值班人员的排班得分，所述值班人员的排班得分为根据所述值班人员的各项工作信息对应的系数计算得到；
根据所述排班得分按照由高到低的顺序进行排序得到的排班排名，按照所述排班排名调度相应值班人数的值班人员到对应站点；
其中，所述值班人员的工作信息包括月工作时长、当前最长连续工作时长、是否达到必要工作时长和休假状态。
可选的，人员调配单元根据未来n小时内每小时的各交通工具对应的未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配，包括：
根据未来n小时内每小时的各交通工具对应的未来小时客流量，确定当前各交通工具对应站点的预测值班人数，并与当前各站的值班人数进行比对；
确定存在所述当前各站的值班人数大于对应的预测值班人数的第一站点和所述当前各站的值班人数小于对应的预测值班人数的第二站点时，获取所述第一站点中值班人员的值班得分，并根据所述值班得分按照由低到高的顺序进行排序得到的值班排名，按照所述值班排名将所述第一站点的值班人员调配到所述第二站点；
确定仅存在所述当前各站的值班人数小于对应的预测值班人数的第二站点时，从未值班员工中调配指定数目的值班人员到所述第二站点；
其中，所述值班人员的值班得分为根据所述值班人员的各项值班信息对应的系数计算得到，所述值班人员的值班信息包括值班人员的待完成任务数和待完成任务的耗时。
在介绍了本发明示例性实施方式的资源调配方法和装置之后，接下来，介绍根据本发明的另一示例性实施方式的设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明的设备可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本发明各种示例性实施方式的基于客流预测的资源调配方法中的步骤。
下面参照图6来描述根据本发明的这种实施方式的设备600。图6显示的设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，设备600以通用设备的形式表现。设备600的组件可以包括但不限于：上述至少一个处理器601、上述至少一个存储器602、连接不同系统组件(包括存储器602和处理器601)的总线603，其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行以下步骤：
获取历史不同天气类型对应的M个时段内的第一历史调度信息，并确定未来N个不同天气类型对应的时段，所述第一历史调度信息包括各时段的历史天气信息和各时段内各类交通工具对应的时段客流量的第一历史分担比；
根据获取的第一历史调度信息和未来N个时段内各时段的未来天气信息，预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比；
获取预测的未来N个时段对应的总客流量，并结合预测的未来N个时段内各时段的所述预测分担比，确定未来N个时段内各时段各类交通工具对应的未来时段客流量；
根据所述未来时段客流量，确定未来N个时段内各时段各交通工具对应站点的值班人数，并调度相应值班人数的值班人员到对应站点。
总线603表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器602可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)6021和/或高速缓存存储器6022，还可以进一步包括只读存储器(ROM)6023。
存储器602还可以包括具有一组(至少一个)程序模块6024的程序/实用工具6025，这样的程序模块6024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
设备600也可以与一个或多个外部设备604(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与设备600交互的设备通信，和/或与使得该设备600能与一个或多个其它设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口605进行。并且，设备600还可以通过网络适配器606与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器606通过总线603与用于设备600的其它模块通信。应当理解，尽管图中未示出，可以结合设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
可选的，以天为单位定义所述时段时，处理器调度相应值班人数的值班人员到对应站点之后，还包括：
到达所述未来N天中的任一天时，获取当天历史m小时的第二历史调度信息和未来n小时内每小时的未来天气信息，所述第二历史调度信息包括每小时的历史天气信息和每小时各类交通工具对应的小时客流量的第二历史分担比；
根据获取的第二历史调度信息和未来n小时内每小时的未来天气信息，预测未来n小时内每小时各类交通工具对应的小时客流量的预测分担比；
获取预测的未来n小时对应的总客流量，并结合预测的未来n小时内每小时的所述预测分担比，确定未来n小时内每小时的各交通工具对应的未来小时客流量；
根据所述未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配。
可选的，处理器用于采用如下方式确定所述未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比：
根据任一时段的历史天气信息，确定所述任一时段的历史天气信息对应的第一天气影响参数，并根据任一时段的未来天气信息，确定所述任一时段的未来天气信息对应的未来时段的天气影响参数；
将所述第一天气影响参数、未来时段的天气影响参数和第一历史分担比输入时段分担比预测模型，获取未来N个时段内各时段各类交通工具对应的天客流量的预测分担比；
其中，所述时段分担比预测模型为以历史任M+N个时段中前M个时段和后N个时段内各时段的天气影响参数及前M个时段内各时段各类交通工具对应的时段客流量的历史分担比为输入，以输出后N个时段内各时段各类交通工具对应的时段客流量的预测分担比为目标进行训练得到的模型。
可选的，处理器用于采用如下方式确定所述未来n小时内每小时各类交通工具对应的小时客流量的预测分担比：
根据任一小时历史天气信息，确定所述任一小时的历史天气信息对应的第二天气影响参数，并根据任一小时的未来天气信息，确定所述任一小时的未来天气信息对应的未来小时的天气影响参数；
将所述第二天气影响参数、未来小时的天气影响参数和第二历史分担比输入小时分担比预测模型，获取未来n小时内每小时的各类交通工具对应的小时客流量的预测分担比；
其中，所述小时分担比预测模型为以历史任m+n小时中前m小时和后n小时内每天的天气影响参数和前m小时内每小时各类交通工具对应的小时客流量的预测分担比为输入，以输出后n小时内每小时各类交通工具对应的小时客流量的预测分担比为目标进行训练得到的模型。
可选的，所述天气信息包括天气类型、风力及温度；
所述天气影响参数h根据以下公式获取：
Figure BDA0003457646680000201
其中，当所述天气影响参数h为第一天气影响参数时，t为所述任一时段对应的温度，y为所述任一时段对应的风力，x为所述任一时段对应的天气类型对应的预设的数值参数；
当所述天气影响参数h为第二天气影响参数时，t为所述任一小时对应的温度，y为所述任一小时对应的风力，x为所述任一小时对应的天气类型对应的预设的数值参数。
可选的，处理器用于调度相应值班人数的值班人员到对应站点，包括：
获取待调度的值班人员的排班得分，所述值班人员的排班得分为根据所述值班人员的各项工作信息对应的系数计算得到；
根据所述排班得分按照由高到低的顺序进行排序得到的排班排名，按照所述排班排名调度相应值班人数的值班人员到对应站点；
其中，所述值班人员的工作信息包括月工作时长、当前最长连续工作时长、是否达到必要工作时长和休假状态。
可选的，处理器用于根据未来n小时内每小时的各交通工具对应的未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配，包括：
根据未来n小时内每小时的各交通工具对应的未来小时客流量，确定当前各交通工具对应站点的预测值班人数，并与当前各站的值班人数进行比对；
确定存在所述当前各站的值班人数大于对应的预测值班人数的第一站点和所述当前各站的值班人数小于对应的预测值班人数的第二站点时，获取所述第一站点中值班人员的值班得分，并根据所述值班得分按照由低到高的顺序进行排序得到的值班排名，按照所述值班排名将所述第一站点的值班人员调配到所述第二站点；
确定仅存在所述当前各站的值班人数小于对应的预测值班人数的第二站点时，从未值班员工中调配指定数目的值班人员到所述第二站点；
其中，所述值班人员的值班得分为根据所述值班人员的各项值班信息对应的系数计算得到，所述值班人员的值班信息包括值班人员的待完成任务数和待完成任务的耗时。
在一些可能的实施方式中，本发明提供的一种资源调配方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的一种基于客流预测的资源调配方法中的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于客流预测的资源调配方法，应用于交通枢纽中的客流疏导，其特征在于，该方法包括：
获取历史不同天气类型对应的M个时段内的第一历史调度信息，并确定未来N个不同天气类型对应的时段，所述第一历史调度信息包括各时段的历史天气信息和各时段内各类交通工具对应的时段客流量的第一历史分担比；
根据获取的第一历史调度信息和未来N个时段内各时段的未来天气信息，预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比；
获取预测的未来N个时段对应的总客流量，并结合预测的未来N个时段内各时段的所述预测分担比，确定未来N个时段内各时段各类交通工具对应的未来时段客流量；
根据所述未来时段客流量，确定未来N个时段内各时段各类交通工具对应站点的值班人数，并调度相应值班人数的值班人员到对应站点。
2.根据权利要求1所述的方法，其特征在于，以天为单位定义所述时段时，调度相应值班人数的值班人员到对应站点之后，还包括：
到达所述未来N天中的任一天时，获取当天历史m小时的第二历史调度信息和未来n小时内每小时的未来天气信息，所述第二历史调度信息包括每小时的历史天气信息和每小时各类交通工具对应的小时客流量的第二历史分担比；
根据获取的第二历史调度信息和未来n小时内每小时的未来天气信息，预测未来n小时内每小时各类交通工具对应的小时客流量的预测分担比；
获取预测的未来n小时对应的总客流量，并结合预测的未来n小时内每小时的所述预测分担比，确定未来n小时内每小时的各交通工具对应的未来小时客流量；
根据所述未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配。
3.根据权利要求1所述的方法，其特征在于，采用如下方式确定所述未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比：
根据任一时段的历史天气信息，确定所述任一时段的历史天气信息对应的第一天气影响参数，并根据任一时段的未来天气信息，确定所述任一时段的未来天气信息对应的未来时段的天气影响参数；
将所述第一天气影响参数、未来时段的天气影响参数和第一历史分担比输入时段分担比预测模型，获取未来N个时段内各时段各类交通工具对应的天客流量的预测分担比；
其中，所述时段分担比预测模型为以历史任M+N个时段中前M个时段和后N个时段内各时段的天气影响参数及前M个时段内各时段各类交通工具对应的时段客流量的历史分担比为输入，以输出后N个时段内各时段各类交通工具对应的时段客流量的预测分担比为目标进行训练得到的模型。
4.根据权利要求2所述的方法，其特征在于，采用如下方式确定所述未来n小时内每小时各类交通工具对应的小时客流量的预测分担比：
根据任一小时历史天气信息，确定所述任一小时的历史天气信息对应的第二天气影响参数，并根据任一小时的未来天气信息，确定所述任一小时的未来天气信息对应的未来小时的天气影响参数；
将所述第二天气影响参数、未来小时的天气影响参数和第二历史分担比输入小时分担比预测模型，获取未来n小时内每小时的各类交通工具对应的小时客流量的预测分担比；
其中，所述小时分担比预测模型为以历史任m+n小时中前m小时和后n小时内每天的天气影响参数和前m小时内每小时各类交通工具对应的小时客流量的预测分担比为输入，以输出后n小时内每小时各类交通工具对应的小时客流量的预测分担比为目标进行训练得到的模型。
5.根据权利要求3或4所述的方法，其特征在于，所述天气信息包括天气类型、风力及温度；
所述天气影响参数h根据以下公式获取：
Figure FDA0003457646670000031
其中，当所述天气影响参数h为第一天气影响参数时，t为所述任一时段对应的温度，y为所述任一时段对应的风力，x为所述任一时段对应的天气类型对应的预设的数值参数；
当所述天气影响参数h为第二天气影响参数时，t为所述任一小时对应的温度，y为所述任一小时对应的风力，x为所述任一小时对应的天气类型对应的预设的数值参数。
6.根据权利要求1所述的方法，其特征在于，调度相应值班人数的值班人员到对应站点，包括：
获取待调度的值班人员的排班得分，所述值班人员的排班得分为根据所述值班人员的各项工作信息对应的系数计算得到；
根据所述排班得分按照由高到低的顺序进行排序得到的排班排名，按照所述排班排名调度相应值班人数的值班人员到对应站点；
其中，所述值班人员的工作信息包括月工作时长、当前最长连续工作时长、是否达到必要工作时长和休假状态。
7.根据权利要求2所述的方法，其特征在于，根据未来n小时内每小时的各交通工具对应的未来小时客流量，及当前各站的值班人员，对各交通工具对应站点的值班人员进行调配，包括：
根据未来n小时内每小时的各交通工具对应的未来小时客流量，确定当前各交通工具对应站点的预测值班人数，并与当前各站的值班人数进行比对；
确定存在所述当前各站的值班人数大于对应的预测值班人数的第一站点和所述当前各站的值班人数小于对应的预测值班人数的第二站点时，获取所述第一站点中值班人员的值班得分，并根据所述值班得分按照由低到高的顺序进行排序得到的值班排名，按照所述值班排名将所述第一站点的值班人员调配到所述第二站点；
确定仅存在所述当前各站的值班人数小于对应的预测值班人数的第二站点时，从未值班员工中调配指定数目的值班人员到所述第二站点；
其中，所述值班人员的值班得分为根据所述值班人员的各项值班信息对应的系数计算得到，所述值班人员的值班信息包括值班人员的待完成任务数和待完成任务的耗时。
8.一种基于客流预测的资源调配装置，其特征在于，该装置包括：
信息获取模块，用于获取历史不同天气类型对应的M个时段内的第一历史调度信息，并确定未来N个不同天气类型对应的时段，所述第一历史调度信息包括各时段的历史天气信息和各时段内各类交通工具对应的时段客流量的第一历史分担比；
分担比预测模块，用于根据获取的第一历史调度信息和未来N个时段内各时段的未来天气信息，预测未来N个时段内各时段各类交通工具对应的时段客流量的预测分担比；
时段客流量确定模块，用于获取预测的未来N个时段对应的总客流量，并结合预测的未来N个时段内各时段的所述预测分担比，确定未来N个时段内各时段各类交通工具对应的未来时段客流量；
人员调度模块，用于根据所述未来时段客流量，确定未来N个时段内各时段各类交通工具对应站点的值班人数，并调度相应值班人数的值班人员到对应站点。
9.一种基于客流预测的资源调配设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述基于客流预测的资源调配方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该计算机程序指令被处理器执行时实现权利要求1至7任一项所述基于客流预测的资源调配方法的步骤。
CN202210007796.8A 2022-01-06 2022-01-06 一种基于客流预测的资源调配方法、装置及设备 Pending CN114492951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210007796.8A CN114492951A (zh) 2022-01-06 2022-01-06 一种基于客流预测的资源调配方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210007796.8A CN114492951A (zh) 2022-01-06 2022-01-06 一种基于客流预测的资源调配方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114492951A true CN114492951A (zh) 2022-05-13

Family

ID=81510673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210007796.8A Pending CN114492951A (zh) 2022-01-06 2022-01-06 一种基于客流预测的资源调配方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114492951A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830864A (zh) * 2022-11-18 2023-03-21 广州城轨科技有限公司 一种城市轨道交通调度方法、系统、终端设备及存储介质
CN118171776A (zh) * 2024-03-25 2024-06-11 北京华录高诚科技有限公司 一种综合交通枢纽多交通方式分担率预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830864A (zh) * 2022-11-18 2023-03-21 广州城轨科技有限公司 一种城市轨道交通调度方法、系统、终端设备及存储介质
CN118171776A (zh) * 2024-03-25 2024-06-11 北京华录高诚科技有限公司 一种综合交通枢纽多交通方式分担率预测方法及系统

Similar Documents

Publication Publication Date Title
Amirgholy et al. Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach
Glaschenko et al. Multi-agent real time scheduling system for taxi companies
CN114492951A (zh) 一种基于客流预测的资源调配方法、装置及设备
CN108830504B (zh) 用车需求预测方法、系统、服务器及计算机存储介质
CN113435968B (zh) 网约车派单方法、装置、电子设备及存储介质
CN111461485A (zh) 任务分配方法、装置、设备及计算机可读存储介质
CN111882097B (zh) 一种车辆维护人员调度方法和系统
CN109816128A (zh) 网约车订单的处理方法、装置、设备及可读存储介质
CN106652537A (zh) 高校教职工接送车辆自动预约调度系统及方法
CN111915209A (zh) 共享交通工具的调度方法、装置、计算机设备和存储介质
CN112348368A (zh) 航空地勤自动排班与智能调度系统
CN113672846A (zh) 网约车调度方法、装置、电子设备及存储介质
CN116013059A (zh) 一种营运车辆的调度方法、装置、电子设备及存储介质
CN111695842A (zh) 配送方案确定方法、装置、电子设备及计算机存储介质
Sánchez-Martínez et al. Optimal allocation of vehicles to bus routes using automatically collected data and simulation modelling
CN106991484B (zh) 基于智能重复预定的二次资源预约方法
CN116843167B (zh) 一种智能门锁售后任务智能调度分配方法
La Rocca et al. Heuristics for electric taxi fleet management at Teo Taxi
CN111931128A (zh) 基于伯努利模型的电梯配置方法、系统、设备及存储介质
CN111785015A (zh) 公交实时调控信息系统以及基于遗传算法的调度方法
CN116354199A (zh) 基于语音交互的电梯呼梯装置及呼梯控制方法
CN113627781B (zh) 任务信息生成方法、装置、设备、存储介质和程序产品
Deb et al. Development of Machine Learning Based State-of-Charge Prediction Model for Plug-in Electric Vehicle's Relocation in Sharing System
CN114595985A (zh) 一种物流提货车辆的调度规划方法及系统
CN114331231A (zh) 一种公共交通排班的方法和系统

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