CN114626766A - 基于大数据的共享电动车调度方法、装置、设备及介质 - Google Patents

基于大数据的共享电动车调度方法、装置、设备及介质 Download PDF

Info

Publication number
CN114626766A
CN114626766A CN202210514411.7A CN202210514411A CN114626766A CN 114626766 A CN114626766 A CN 114626766A CN 202210514411 A CN202210514411 A CN 202210514411A CN 114626766 A CN114626766 A CN 114626766A
Authority
CN
China
Prior art keywords
scheduling
electric vehicle
demand
data
dispatching
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
Application number
CN202210514411.7A
Other languages
English (en)
Other versions
CN114626766B (zh
Inventor
洪序鑫
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.)
Shenzhen Vicont Hi Tech Electronics Co ltd
Original Assignee
Shenzhen Vicont Hi Tech Electronics 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 Shenzhen Vicont Hi Tech Electronics Co ltd filed Critical Shenzhen Vicont Hi Tech Electronics Co ltd
Priority to CN202210514411.7A priority Critical patent/CN114626766B/zh
Publication of CN114626766A publication Critical patent/CN114626766A/zh
Application granted granted Critical
Publication of CN114626766B publication Critical patent/CN114626766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明涉及大数据技术，揭露一种基于大数据的共享电动车调度方法、装置、设备及介质，所述方法包括：获取调度站点的历史电动车数据及环境信息；分析环境信息中环境因子的影响性系数；对历史电动车数据的属性进行相关性分析，根据分析结果构建初始需求模型；利用历史电动车数据对初始需求模型进行误差修正，得到标准需求模型；利用标准需求模型计算调度站点当前时间的需求量；根据需求量筛选出目标调度站点，利用遗传算法对目标调度站点迭代计算，得到调度路径；根据当前时间的电动车数据、需求量及影响性系数计算目标调度站点的实际转运量，根据调度路径及实际转运量执行电动车调度。本发明可以提高共享电动车周转率并维持自然调度平衡。

Description

基于大数据的共享电动车调度方法、装置、设备及介质
技术领域
本发明涉及大数据技术领域，尤其涉及一种基于大数据的共享电动车调度方法、装置、电子设备及计算机可读存储介质。
背景技术
随着共享经济和信息技术的发展，共享自行车、共享电动车在各大城市迅速扩张，共享自行车、共享电动车是共享经济模式下一种特殊的公共交通方式。共享电动车相较于共享自行车更能减轻人们的出行效率，并且能够提高城市绿色交通比例，很好地解决了出行链末端效率较低难题。然而，现有技术中的共享单车调度大多依据企业人员的工作经验，或者借助模型算法构建调度路线，但由于共享电动车实际调度过程中涉及不同地区需求量、共享电动车电量、调度成本等较多方面的因素，导致模型计算的精度不够高，进而导致共享电动车周转率过低、自然调度不平衡的问题，使得企业投放成本升高、用户借车体验变差，极大地阻碍了共享电动车的健康发展。
发明内容
本发明提供一种基于大数据的共享电动车调度方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决共享电动车周转率过低、自然调度不平衡的问题。
为实现上述目的，本发明提供的一种基于大数据的共享电动车调度方法，包括：
采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，并抓取所述调度区域的环境信息，其中，所述当前时间的电动车数据包括电动车数量以及电动车电量，所述环境信息中包含历史环境信息及当前环境信息，其中，所述历史环境信息及当前环境信息中均包括多个环境因子；
对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，对所述历史电动车数据的属性进行相关性分析，得到相关性属性，并根据所述相关性属性构建初始需求模型；
利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，根据所述预测电动车需求量及所述历史电动车数据计算误差值，并根据所述误差值修正所述初始需求模型，得到标准需求模型；
根据所述标准需求模型计算多个所述调度站点在当前时间的需求量，根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量；
根据所述调度需求量从多个所述调度站点筛选出目标调度站点，对所述调度中心点及所述目标调度站点进行路径编码，得到编码序列，基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径；
根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，并根据所述调度路径及所述实际转运量执行电动车调度。
可选地，所述对所述历史电动车数据的属性进行相关性分析，得到相关性属性，包括：
对所述历史电动车数据进行时间维度的属性分析，得到所述历史电动车数据的多个属性；
根据所述属性对所述历史电动车数据进行分组统计，得到多个所述属性对应的电动车数据分布图；
对所述属性的所有电动车数据分布图进行规律性分析，并在所述规律性分析的结果为具有规律性时，判定所述属性为相关性属性。
可选地，所述根据所述相关性属性构建初始需求模型，包括：
根据所述相关性属性的数量设置初始需求模型中隐含层的层数；
初始化所述初始需求模型中输入层的节点数以及输出层的节点数；
根据所述输入层的节点数与所述输出层的节点数设置所述隐含层的节点数；
设置所述隐含层中节点的输出函数以及所述输出层中节点的输出函数，得到初始需求模型。
可选地，所述所述隐含层中节点的输出函数为：
Figure DEST_PATH_IMAGE001
Figure 452284DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为预设小波函数；
Figure 456012DEST_PATH_IMAGE004
为隐含层第
Figure 835040DEST_PATH_IMAGE006
个节点输出值，
Figure 760271DEST_PATH_IMAGE007
；
Figure 250158DEST_PATH_IMAGE008
为输入层第
Figure 842814DEST_PATH_IMAGE009
个节点至隐含层第
Figure 392744DEST_PATH_IMAGE006
个节点的预设连接权；
Figure 70850DEST_PATH_IMAGE010
为输入层的节点总数；
Figure 98849DEST_PATH_IMAGE011
为 输入层第
Figure 546010DEST_PATH_IMAGE009
个节点的输入数据；
Figure 266842DEST_PATH_IMAGE013
为
Figure 432244DEST_PATH_IMAGE003
的预设平移因子，
Figure 998354DEST_PATH_IMAGE014
为
Figure 565602DEST_PATH_IMAGE003
的预设伸缩因子；
所述输出层中节点的输出函数为：
Figure 100002_DEST_PATH_IMAGE015
其中，
Figure 457335DEST_PATH_IMAGE016
为输出层第
Figure 110033DEST_PATH_IMAGE018
个节点的输出值；
Figure 479834DEST_PATH_IMAGE019
为隐含层第
Figure 901588DEST_PATH_IMAGE006
个节点至输出层第
Figure 964222DEST_PATH_IMAGE018
个 节点的预设连接权；
Figure 838637DEST_PATH_IMAGE021
为隐含层的节点总数。
可选地，所述利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，包括：
从所述历史电动车数据中分类出训练数据；
将所述训练数据进行数据归一化，得到预处理数据；
将所述预处理数据输入所述初始需求模型的输入层执行计算，并将计算结果逐一输入所述初始需求模型的多个隐含层，并通过输出层输出预测值；
对所述预测值进行反归一化操作，得到预测电动车需求量。
可选地，所述基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径，包括：
根据预设的调度成本要求生成目标函数，并根据所述编码序列生成初始种群，其中，所述初始种群中包含多条编码序列；
根据所述目标函数计算所述编码序列的适应度，根据所述适应度对多条所述编码序列进行排列；
对排序后的更新种群进行种群进化操作，得到更新种群并返回根据所述目标函数计算所述编码序列的适应度的步骤，直至进行种群进化操作的迭代次数大于预设进化次数阈值时，输出遗传序列，并将所述遗传序列作为调度路径。
可选地，所述根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，包括：
统计所述电动车电量小于预设电量阈值的电动车数量，根据所述数量生成电瓶调度容量；
从所述调度需求量中提取所述调度路径上的目标调度站点的目标调度需求量，根据所述目标调度需求量计算所述调度中心点的电动车调度容量；
根据所述调度中心点中调度车的预设容量、所述电瓶调度容量及所述电动车调度容量分配所述调度车的电瓶容量及电动车容量；
基于所述电瓶容量、所述电动车容量和所述目标调度站点的所述电动车电量及所述调度需求量对所述目标调度站点进行适应性分配，得到所述目标调度站点的实际转运量。
为了解决上述问题，本发明还提供一种基于大数据的共享电动车调度装置，所述装置包括：
大数据信息采集模块，用于采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，并抓取所述调度区域的环境信息，其中，所述当前时间的电动车数据包括电动车数量以及电动车电量，所述环境信息中包含历史环境信息及当前环境信息，其中，所述历史环境信息及当前环境信息中均包括多个环境因子；
初始需求模型构建模块，用于对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，对所述历史电动车数据的属性进行相关性分析，得到相关性属性，并根据所述相关性属性构建初始需求模型；
标准需求模型生成模块，用于利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，根据所述预测电动车需求量及所述历史电动车数据计算误差值，并根据所述误差值修正所述初始需求模型，得到标准需求模型；
调度需求量生成模块，用于根据所述标准需求模型计算多个所述调度站点在当前时间的需求量，根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量；
调度路径生成模块，用于根据所述调度需求量从多个所述调度站点筛选出目标调度站点，对所述调度中心点及所述目标调度站点进行路径编码，得到编码序列，基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径；
电动车调度执行模块，用于根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，并根据所述调度路径及所述实际转运量执行电动车调度。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于大数据的共享电动车调度方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于大数据的共享电动车调度方法。
本发明实施例通过对环境因子进行影响性分析以及对历史电动车数据的属性进行相关性分析，实现了基于大数据的共享电动车相关数据的分析，提高了构建的模型以及调度需求量计算的准确性；通过构建初始需求模型实现对多个调度站点需求的预测，再根据当前时间电动车的数量确定调度站点调度需求量；通过调度需求量进而确定需要进行调度的目标调度站点，通过遗传算法对目标调度站点对应的编码序列进行计算，可以得到遗传算法优胜劣汰机制筛选下的调度路径，提高了生成的调度路径的精确性，使得电动车调度的效率提高；根据电动车的实际电流以及调度需求量设置电动车调度的约束条件，进而实现对共享电动车的高效且灵活的调度，使得多个调度站点的电动车调度处于平衡状态。因此本发明提出的基于大数据的共享电动车调度方法、装置、电子设备及计算机可读存储介质，可以解决解决共享电动车周转率过低、自然调度不平衡的问题。
附图说明
图1为本发明一实施例提供的基于大数据的共享电动车调度方法的流程示意图；
图2为本发明一实施例提供的对历史电动车数据的属性进行相关性分析的流程示意图；
图3为本发明一实施例提供的基于预设的遗传算法对编码序列进行迭代计算的流程示意图；
图4为本发明一实施例提供的基于大数据的共享电动车调度装置的功能模块图；
图5为本发明一实施例提供的实现所述基于大数据的共享电动车调度方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于大数据的共享电动车调度方法。所述基于大数据的共享电动车调度方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于大数据的共享电动车调度方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于大数据的共享电动车调度方法的流程示意图。在本实施例中，所述基于大数据的共享电动车调度方法包括：
S1、采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，并抓取所述调度区域的环境信息，其中，所述当前时间的电动车数据包括电动车数量以及电动车电量，所述环境信息中包含历史环境信息及当前环境信息，其中，所述历史环境信息及当前环境信息中均包括多个环境因子。
本发明实施例中，所述调度中心点为调度车的存放区域，用于控制一定范围内调度站点的共享电动车调度。其中，所述调度站点为共享电动车的允许停车点，表现为一定范围的停车区域。
本发明实施例中，所述环境信息包括天气信息、温度信息、节假日信息等，其中，天气、温度、节假日构成了所述环境信息的环境因子。
本发明实施例中，所述采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，包括：
从预设的电动车控制中心中实时调取电动车的定位信息以及电量信息；
根据所述定位信息及所述调度站点的位置信息统计电动车数量；
根据统计的电动车数量及所述电量信息关联生成当前时间的电动车数据；
获取所述电动车控制中心的日志，根据所述调度站点的位置信息从所述日志中提取历史电动车数据。
本发明实施例中，所述电动车控制中心为共享电动车的控制平台，用于监控共享电动车的数据。
进一步地，本发明实施例可以通过预设的采集接口或通过具有数据抓取功能的计算机脚本，例如，java脚本或python，从浏览器、数据存储区域中抓取所述调度区域的环境信息。详细地，所述存储区域包括但不限于：数据库、区块链节点、网络缓存。
例如，可以从浏览器上抓取当前时间的天气情况和温度情况作为环境信息，进而可以得到环境信息为天气：晴、温度：33摄氏度。
S2、对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，对所述历史电动车数据的属性进行相关性分析，得到相关性属性，并根据所述相关性属性构建初始需求模型。
本发明实施例可以通过对环境因子进行影响性分析确定对电动车有影响的环境因子以及其对电动车数据的影响程度；通过对历史电动车数据的属性进行相关性分析，确定对电动车数据有影响的属性。
本发明实施例中，所述对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，包括：
利用控制变量法从所述历史电动车数据中提取所述环境因子所对应的对比数据以及正常数据；
根据所述对比数据以及所述正常数据进行对比分析，根据分析结果判断所述环境因子是否为影响性因子；
若所述环境因子不为影响性因子，则将所述环境因子的影响性系数设置为1；
若所述环境因子为影响性因子，则根据所述对比数据以及所述正常数据进行比例计算，得到所述环境因子的影响性系数。
本发明实施例通过控制环境因子所对应的变量，将该变量作为唯一变量从历史电动车数据中提取存在唯一变量的对比数据以及不存在唯一变量的正常数据，其中，对比数据与正常数据除该唯一变量不同外，其余数据相同。例如，环境因子为天气，其对应的变量包括晴、雨、雪等，存在一组数据：天气：雨，温度：33摄氏度，风力：3级，若将天气作为环境因子，则将天气：雨，温度：33摄氏度，风力：3级这一情况下的电动车数据作为对比数据，将天气：晴，温度：33摄氏度，风力：3级这一情况下的电动车数据作为正常数据。
本发明实施例中，通过将对比数据以及所述正常数据进行规律性判定，进而实现对比分析。例如，对比数据与正常数据相比较同时存在上升趋势以及下降这两种相对立的趋势。假设存在对比数据1：天气：雨，温度：33摄氏度，风力：3级，其对应的电动车数据中调度站点3在中午11：00-12:00的电动车使用量为20；对比数据2：天气：雨，温度：33摄氏度，风力：3级，其对应的电动车数据中调度站点3在中午11：00-12:00的电动车使用量为45；正常数据：天气：晴，温度：33摄氏度，风力：3级，其对应的电动车数据中调度站点3在中午11：00-12:00的电动车使用量为35；此时对比数据1对对比数据2相较于正常数据的电动车数据分别呈现下降和上升趋势，则认为这两组对比数据相对于正常数据没有规律性，这两组对比数据所对应的环境因子不为影响性因子，该环境因子的影响性系数设置为1。
请参阅图2所示，本发明实施例中，所述对所述历史电动车数据的属性进行相关性分析，得到相关性属性，包括：
S21、对所述历史电动车数据进行时间维度的属性分析，得到所述历史电动车数据的多个属性；
S22、根据所述属性对所述历史电动车数据进行分组统计，得到多个所述属性对应的电动车数据分布图；
S23、对所述属性的所有电动车数据分布图进行规律性分析，并在所述规律性分析的结果为具有规律性时，判定所述属性为相关性属性。
本发明实施例中，对所述历史电动车数据进行时间维度的属性分析可以得到包括日期、星期、小时、是否为工作日等属性；本发明实施例可以采用datetime函数对所述历史电动车数据进行时间维度的分割，可以采用groupby函数对所述历史电动车数据进行分组统计。
本发明实施例中，所述属性对应的电动车数据分布图可以为柱状图、折线图、箱线图等。
例如，统计周一至周日每一天的电动车数据，或者统计一天中不同时间点的电动车数据，通过不同周的周一至周日每一天的电动车数据以及不同天的一天中不同时间点的电动车数据进行规律性分析，得到每一周的工作日与休息日的电动车数据具有规律性，即休息日与工作日数据具有明显区别，一周中相邻工作日及相邻休息日之间的数据不具有规律性，即相邻工作日或相邻休息日之间的数据没有明显区别，进而可以确定对电动车数据具有影响性的相关性属性为“是否为工作日”。
本发明实施例中，所述根据所述相关性属性构建初始需求模型，包括：
根据所述相关性属性的数量设置初始需求模型中隐含层的层数；
初始化所述初始需求模型中输入层的节点数以及输出层的节点数；
根据所述输入层的节点数与所述输出层的节点数设置所述隐含层的节点数；
设置所述隐含层中节点的输出函数以及所述输出层中节点的输出函数，得到初始需求模型。
本发明实施例可以采用小波函数作为所述隐含层中节点的输出函数，所述小波函数通过一个预设母小波函数经过平移与尺寸伸缩得到，其中，所述小波函数包括但不限于Morlet小波、Meyer小波。
进一步地，可以通过下式计算隐含层的节点数：
Figure 277709DEST_PATH_IMAGE022
Figure 553970DEST_PATH_IMAGE023
其中，
Figure 787505DEST_PATH_IMAGE025
为隐含层节点数，
Figure 149216DEST_PATH_IMAGE026
为输入层节点数，
Figure 860820DEST_PATH_IMAGE027
为输出层节点数，
Figure 991587DEST_PATH_IMAGE028
为预设常数；
本发明实施例中，所述隐含层中节点的输出函数为：
Figure 396024DEST_PATH_IMAGE029
Figure 245031DEST_PATH_IMAGE030
其中，
Figure 34694DEST_PATH_IMAGE003
为预设小波函数；
Figure 19968DEST_PATH_IMAGE004
为隐含层第
Figure 595306DEST_PATH_IMAGE006
个节点输出值，
Figure 931609DEST_PATH_IMAGE007
；
Figure 250595DEST_PATH_IMAGE008
为输入层第
Figure 355954DEST_PATH_IMAGE009
个节点至隐含层第
Figure 102193DEST_PATH_IMAGE006
个节点的预设连接权，其中，相邻隐含层中前一个隐 含层则作为后一个隐含层的输入层；
Figure 660214DEST_PATH_IMAGE010
为输入层的节点总数；
Figure 782890DEST_PATH_IMAGE011
为输入层第
Figure 742756DEST_PATH_IMAGE009
个节点的输 入数据；
Figure 659896DEST_PATH_IMAGE013
为
Figure 705213DEST_PATH_IMAGE003
的预设平移因子，
Figure 366001DEST_PATH_IMAGE014
为
Figure 180374DEST_PATH_IMAGE003
的预设伸缩因子。
所述输出层中节点的输出函数为：
Figure 533995DEST_PATH_IMAGE031
其中，
Figure 66607DEST_PATH_IMAGE016
为输出层第
Figure 265507DEST_PATH_IMAGE018
个节点的输出值，
Figure 199965DEST_PATH_IMAGE032
；
Figure 724487DEST_PATH_IMAGE019
为隐含层第
Figure 478817DEST_PATH_IMAGE006
个节 点至输出层第
Figure 746987DEST_PATH_IMAGE018
个节点的预设连接权；
Figure 535952DEST_PATH_IMAGE021
为隐含层的节点总数。
S3、利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，根据所述预测电动车需求量及所述历史电动车数据计算误差值，并根据所述误差值修正所述初始需求模型，得到标准需求模型。
本发明实施例中，所述利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，包括：
从所述历史电动车数据中分类出训练数据；
将所述训练数据进行数据归一化，得到预处理数据；
将所述预处理数据输入所述初始需求模型的输入层执行计算，并将计算结果逐一输入所述初始需求模型的多个隐含层，并通过输出层输出预测值；
对所述预测值进行反归一化操作，得到预测电动车需求量。
进一步地，本发明实施例中，所述根据所述预测电动车需求量及所述历史电动车数据计算误差值，包括：
从所述历史电动车数据中分类出期望需求量；
利用预设的误差公式计算所述预测电动车需求量与所述期望需求量之间的误差值。
本发明其中一个实施例中，所述误差公式如下式所示：
Figure 700217DEST_PATH_IMAGE033
其中，
Figure 207421DEST_PATH_IMAGE034
为误差值；
Figure 13703DEST_PATH_IMAGE035
为期望需求量；
Figure 657174DEST_PATH_IMAGE016
为预测电动车需求量；
Figure 523499DEST_PATH_IMAGE036
为输出层的 节点总数。
本发明实施例中，通过对所述历史电动车数据进行样本分类，得到样本数据及期望需求量（即，历史电动车数据中的调度需求量）；所述训练数据用于输入初始需求模型计算输出预测电动车需求量；所述期望需求量用于与预测电动车需求量计算，计算初始需求模型输出结果的误差，进而修正所述初始需求模型。
本发明实施例中，数据归一化处理是将数据转换成[0,1]之间的数，统一各维度数据之间的数量集，避免因为数据数量级的差别造成预测的误差。进行归一化的方法包括但不限于最大最小规范化、平均数方差法等。
本发明另一可选实施例中，还可以对历史电动车数据进行数据清洗，对数据中的异常值、遗漏项等进行处理，例如，剔除数据中电动车骑行时间为0，骑行距离为0等的异常数据。
本发明实施例可以采用梯度修正法修正所述初始需求模型的网络权值以及参数，是的预测电动车需求量接近期望需求量。
进一步地，本发明实施例可以采用平均绝对误差、平均绝对百分误差计算所述误差值，得到所述误差值的波动性，用于判断所述初始需求模型的修正情况，进而确定所述标准需求模型的权值与参数。
S4、根据所述标准需求模型计算多个所述调度站点在当前时间的需求量，根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量。
本发明实施例中，在得到标准需求模型后，将调度站点以及当前时间的相关数据作为标准需求模型的输入，通过所述标准需求模型的计算即可得到不同调度站点在当前时间的需求量。具体地，所述根据所述标准需求模型计算多个所述调度站点在当前时间的需求量的过程与上述S3中利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量的过程相同，在此不过多赘述。
本发明实施例中，所述根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量，包括：
根据所述当前环境信息中的环境因子从所述影响性系数中选取目标系数；
利用所述目标系数对所述需求量运算，得到目标需求量；
根据所述电动车数量对所述目标需求量进行适应性增删，得到调度需求量。
本发明实施例中，通过S2中对所述环境因子进行影响性分析，得到不同环境因子的影响性系数，因此需要根据当前环境信息的环境因子确定对应的影响性系数（即目标系数）。
本发明实施例中，确定目标需求量后，即得知调度站点所需要的需求量，结合当前站点的电动车数量，即可得到该调度站点在当前时间下需要调度的调度需求量。
S5、根据所述调度需求量从多个所述调度站点筛选出目标调度站点，对所述调度中心点及所述目标调度站点进行路径编码，得到编码序列，基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径。
本发明实施例中，一个调度中心点的调度区域中存在多个调度站点，调度站点的调度需求量较少时，不进行调度车的人工调度并不会对该调度站点的用车情况造成太多损害，因此，为了提高作业效率可以对调度需求量较低的调度站点进行剔除，以保证调度效率并且维持调度区域的动态平衡。
本发明实施例可以将调度需求量小于预设需求量阈值的调度站点删除，将剩余的调度站点作为目标调度站点，进而路径规划。
本发明实施例可以采用遗传算法染色体的编码方式对所述目标调度站点进行染色体编码，将调度中心点及目标调度站点转换成整数编码的方式，生成染色体编码序列。
本发明另一可选实施例中，所述染色体编码方式包括但不限于二进制编码、顺序编码、实数编码、整数编码。
请参阅图3所示，本发明实施例中，所述基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径，包括：
S31、根据预设的调度成本要求生成目标函数，并根据所述编码序列生成初始种群，其中，所述初始种群中包含多条编码序列；
S32、根据所述目标函数计算所述编码序列的适应度，根据所述适应度对多条所述编码序列进行排列；
S33、对排序后的更新种群进行种群进化操作，得到更新种群并返回根据所述目标函数计算所述编码序列的适应度的步骤，直至进行种群进化操作的迭代次数大于预设进化次数阈值时，输出遗传序列，并将所述遗传序列作为调度路径。
本发明实施例中，所述种群进化操作包括选择操作、交叉操作及变异操作，进一步地，所述选择操作包括但不限于截断选择、顺序选择、正比选择，正比选择可以通过轮盘法对选择概率计算来实现，每次轮盘选择一个编码序列进入下一代，轮盘执行预设预设；所述交叉操作包括但不限于顺序交叉、部分映射交叉、循环交叉；所述变异操作包括但不限于互换变异、倒位变异、插入变异、移位变异。
本发明实施例中，所述调度成本要求包括运输车辆成本、时间成本、惩罚成本，根据调度成本要求生成目标函数如下式所示：
Figure 252421DEST_PATH_IMAGE037
其中，
Figure 862394DEST_PATH_IMAGE038
为最大优化目标函数；
Figure DEST_PATH_IMAGE039
为最小优化目标函数；
Figure 891530DEST_PATH_IMAGE040
分别 为运输车辆的油耗、折旧、启用成本；
Figure 663176DEST_PATH_IMAGE041
为调度中心点的第
Figure 879394DEST_PATH_IMAGE042
辆调度车对第
Figure 27479DEST_PATH_IMAGE043
个目标调度 站点调度时产生的时间成本；
Figure 645542DEST_PATH_IMAGE044
个目标调度站点的总数,
Figure 588090DEST_PATH_IMAGE045
调度中心点的调度车的总数；
Figure 294534DEST_PATH_IMAGE046
为对第
Figure 246309DEST_PATH_IMAGE043
个目标调度站点调度时的惩罚成本；
Figure 718879DEST_PATH_IMAGE048
为第
Figure 97907DEST_PATH_IMAGE043
个目标调度站点的调度需求 量；
Figure 288717DEST_PATH_IMAGE049
为调度中心点的第
Figure 513025DEST_PATH_IMAGE042
辆调度车在第
Figure 105681DEST_PATH_IMAGE043
个目标调度站点的调度容载量。
进一步地，本发明实施例可通过下式计算所述编码序列的适应度：
Figure 655611DEST_PATH_IMAGE050
其中，
Figure 68137DEST_PATH_IMAGE052
为编码序列
Figure 361716DEST_PATH_IMAGE053
的适应度；
Figure 808877DEST_PATH_IMAGE054
为种群中一个编码序列的目标函数值；
Figure 529709DEST_PATH_IMAGE055
为种群中所有编码序列目标函数的最小值。
本发明实施例中，种群中的编码序列（即个体）通过在预设次数的迭代进化中实现改善。遗传算法为启发式算法，其最终结果无限接近于最优解，因此在迭代次数达到预设次数后，即可获取算法结果作为优选地调度路径。
例如，可以将调度中心点表示为0，存在9个目标调度站点，用1、2、3、4、5、6、7、8、9表示，遗传算法求解得到的结果可以表示为：0-3-9-4-6-0-1-5-7-2-8-0，其代表调度中心点需要派出两辆调度车对这个9个目标调度站点进行调度，其中一辆调度车的行驶路径为：3-9-4-6；另一辆调度车的行驶路径为1-5-7-2-8。
S6、根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，并根据所述调度路径及所述实际转运量执行电动车调度。
本发明一实际应用场景中，调度站点在确定调度路径以及调度需求量后，实际操作中的实际转运量还会受多方面因素的影响，例如，电动车的电瓶电量、调度中心点的调度车的车载容量等，调度车在调度电动车时需要预先装载一定数量电瓶以及一定数量的电动车，因此基于电瓶电量、调度需求量、车载容量等要求，实际转运量会存在一定的浮动变化。
本发明实施例中，所述根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，包括：
统计所述电动车电量小于预设电量阈值的电动车数量，根据所述数量生成电瓶调度容量；
从所述调度需求量中提取所述调度路径上的目标调度站点的目标调度需求量，根据所述目标调度需求量计算所述调度中心点的电动车调度容量；
根据所述调度中心点中调度车的预设容量、所述电瓶调度容量及所述电动车调度容量分配所述调度车的电瓶容量及电动车容量；
基于所述电瓶容量、所述电动车容量和所述目标调度站点的所述电动车电量及所述调度需求量对所述目标调度站点进行适应性分配，得到所述目标调度站点的实际转运量。
本发明实施例中，调度中心点中调度车容量是固定的，根据调度路径上的目标调度站点的不同，其对应的电动车电量也不同，进而需求更换的电瓶数量有所区别，进而根据电瓶数量、电瓶预设容量可以得到电瓶调度容量；根据不同目标调度站点的目标需求量不同，该目标需求量可能为正，其表示需要调过来一定数量的车，可以为负，其代表需要调走一定数量的车，进而根据不同目标调度站点的目标需求量，电动车预设容量以及站点的前后途径关系，能够生成电动车调度容量。
本发明实施例中，可以采用最佳适应算法、首次适应算法、循环首次适应算法等对所述目标调度站点进行适应性分配，使得目标调度站点的实际转运量最贴合调度需求量，且满足调度车的电瓶容量及电动车容量的要求。
本发明实施例中，确定调度路径及实际转运量后，调度中心点则根据所述调度路径分配调度车，调度车根据电瓶调度容量及电动车调度容量分配车载的电瓶容量及电动车容量，再根据实际转运量移入或移除调度路径中的调度站点的电动车。
本发明实施例通过对环境因子进行影响性分析以及对历史电动车数据的属性进行相关性分析，实现了基于大数据的共享电动车相关数据的分析，提高了构建的模型以及调度需求量计算的准确性；通过构建初始需求模型实现对多个调度站点需求的预测，再根据当前时间电动车的数量确定调度站点调度需求量；通过调度需求量进而确定需要进行调度的目标调度站点，通过遗传算法对目标调度站点对应的编码序列进行计算，可以得到遗传算法优胜劣汰机制筛选下的调度路径，提高了生成的调度路径的精确性，使得电动车调度的效率提高；根据电动车的实际电流以及调度需求量设置电动车调度的约束条件，进而实现对共享电动车的高效且灵活的调度，使得多个调度站点的电动车调度处于平衡状态。因此本发明提出的基于大数据的共享电动车调度方法，可以解决解决共享电动车周转率过低、自然调度不平衡的问题。
如图4所示，是本发明一实施例提供的基于大数据的共享电动车调度装置的功能模块图。
本发明所述基于大数据的共享电动车调度装置100可以安装于电子设备中。根据实现的功能，所述基于大数据的共享电动车调度装置100可以包括大数据信息采集模块101、初始需求模型构建模块102、标准需求模型生成模块103、调度需求量生成模块104、调度路径生成模块105及电动车调度执行模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述大数据信息采集模块101，用于采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，并抓取所述调度区域的环境信息，其中，所述当前时间的电动车数据包括电动车数量以及电动车电量，所述环境信息中包含历史环境信息及当前环境信息，其中，所述历史环境信息及当前环境信息中均包括多个环境因子；
所述初始需求模型构建模块102，用于对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，对所述历史电动车数据的属性进行相关性分析，得到相关性属性，并根据所述相关性属性构建初始需求模型；
所述标准需求模型生成模块103，用于利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，根据所述预测电动车需求量及所述历史电动车数据计算误差值，并根据所述误差值修正所述初始需求模型，得到标准需求模型；
所述调度需求量生成模块104，用于根据所述标准需求模型计算多个所述调度站点在当前时间的需求量，根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量；
所述调度路径生成模块105，用于根据所述调度需求量从多个所述调度站点筛选出目标调度站点，对所述调度中心点及所述目标调度站点进行路径编码，得到编码序列，基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径；
所述电动车调度执行模块106，用于根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，并根据所述调度路径及所述实际转运量执行电动车调度。
详细地，本发明实施例中所述基于大数据的共享电动车调度装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于大数据的共享电动车调度方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于大数据的共享电动车调度方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于大数据的共享电动车调度程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于大数据的共享电动车调度程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于大数据的共享电动车调度程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于大数据的共享电动车调度程序是多个指令的组合，在所述处理器10中运行时，可以实现：
采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，并抓取所述调度区域的环境信息，其中，所述当前时间的电动车数据包括电动车数量以及电动车电量，所述环境信息中包含历史环境信息及当前环境信息，其中，所述历史环境信息及当前环境信息中均包括多个环境因子；
对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，对所述历史电动车数据的属性进行相关性分析，得到相关性属性，并根据所述相关性属性构建初始需求模型；
利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，根据所述预测电动车需求量及所述历史电动车数据计算误差值，并根据所述误差值修正所述初始需求模型，得到标准需求模型；
根据所述标准需求模型计算多个所述调度站点在当前时间的需求量，根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量；
根据所述调度需求量从多个所述调度站点筛选出目标调度站点，对所述调度中心点及所述目标调度站点进行路径编码，得到编码序列，基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径；
根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，并根据所述调度路径及所述实际转运量执行电动车调度。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，并抓取所述调度区域的环境信息，其中，所述当前时间的电动车数据包括电动车数量以及电动车电量，所述环境信息中包含历史环境信息及当前环境信息，其中，所述历史环境信息及当前环境信息中均包括多个环境因子；
对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，对所述历史电动车数据的属性进行相关性分析，得到相关性属性，并根据所述相关性属性构建初始需求模型；
利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，根据所述预测电动车需求量及所述历史电动车数据计算误差值，并根据所述误差值修正所述初始需求模型，得到标准需求模型；
根据所述标准需求模型计算多个所述调度站点在当前时间的需求量，根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量；
根据所述调度需求量从多个所述调度站点筛选出目标调度站点，对所述调度中心点及所述目标调度站点进行路径编码，得到编码序列，基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径；
根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，并根据所述调度路径及所述实际转运量执行电动车调度。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于大数据的共享电动车调度方法，其特征在于，所述方法包括：
采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，并抓取所述调度区域的环境信息，其中，所述当前时间的电动车数据包括电动车数量以及电动车电量，所述环境信息中包含历史环境信息及当前环境信息，其中，所述历史环境信息及当前环境信息中均包括多个环境因子；
对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，对所述历史电动车数据的属性进行相关性分析，得到相关性属性，并根据所述相关性属性构建初始需求模型；
利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，根据所述预测电动车需求量及所述历史电动车数据计算误差值，并根据所述误差值修正所述初始需求模型，得到标准需求模型；
根据所述标准需求模型计算多个所述调度站点在当前时间的需求量，根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量；
根据所述调度需求量从多个所述调度站点筛选出目标调度站点，对所述调度中心点及所述目标调度站点进行路径编码，得到编码序列，基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径；
根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，并根据所述调度路径及所述实际转运量执行电动车调度。
2.如权利要求1所述的基于大数据的共享电动车调度方法，其特征在于，所述对所述历史电动车数据的属性进行相关性分析，得到相关性属性，包括：
对所述历史电动车数据进行时间维度的属性分析，得到所述历史电动车数据的多个属性；
根据所述属性对所述历史电动车数据进行分组统计，得到多个所述属性对应的电动车数据分布图；
对所述属性的所有电动车数据分布图进行规律性分析，并在所述规律性分析的结果为具有规律性时，判定所述属性为相关性属性。
3.如权利要求1所述的基于大数据的共享电动车调度方法，其特征在于，所述根据所述相关性属性构建初始需求模型，包括：
根据所述相关性属性的数量设置初始需求模型中隐含层的层数；
初始化所述初始需求模型中输入层的节点数以及输出层的节点数；
根据所述输入层的节点数与所述输出层的节点数设置所述隐含层的节点数；
设置所述隐含层中节点的输出函数以及所述输出层中节点的输出函数，得到初始需求模型。
4.如权利要求3所述的基于大数据的共享电动车调度方法，其特征在于，所述隐含层中节点的输出函数为：
Figure 635327DEST_PATH_IMAGE002
Figure 467017DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为预设小波函数；
Figure 34264DEST_PATH_IMAGE006
为隐含层第
Figure 660418DEST_PATH_IMAGE008
个节点输出值，
Figure DEST_PATH_IMAGE009
；
Figure 313116DEST_PATH_IMAGE010
为 输入层第
Figure DEST_PATH_IMAGE011
个节点至隐含层第
Figure 214076DEST_PATH_IMAGE008
个节点的预设连接权；
Figure 635830DEST_PATH_IMAGE012
为输入层的节点总数；
Figure DEST_PATH_IMAGE013
为输入层 第
Figure 964043DEST_PATH_IMAGE011
个节点的输入数据；
Figure 838458DEST_PATH_IMAGE014
为
Figure 11950DEST_PATH_IMAGE005
的预设平移因子，
Figure DEST_PATH_IMAGE015
为
Figure 288211DEST_PATH_IMAGE005
的预设伸缩因子；
所述输出层中节点的输出函数为：
Figure DEST_PATH_IMAGE017
其中，
Figure 787326DEST_PATH_IMAGE018
为输出层第
Figure DEST_PATH_IMAGE019
个节点的输出值；
Figure 414616DEST_PATH_IMAGE020
为隐含层第
Figure 391799DEST_PATH_IMAGE008
个节点至输出层第
Figure 788145DEST_PATH_IMAGE019
个节点 的预设连接权；
Figure DEST_PATH_IMAGE021
为隐含层的节点总数。
5.如权利要求1所述的基于大数据的共享电动车调度方法，其特征在于，所述利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，包括：
从所述历史电动车数据中分类出训练数据；
将所述训练数据进行数据归一化，得到预处理数据；
将所述预处理数据输入所述初始需求模型的输入层执行计算，并将计算结果逐一输入所述初始需求模型的多个隐含层，并通过输出层输出预测值；
对所述预测值进行反归一化操作，得到预测电动车需求量。
6.如权利要求1所述的基于大数据的共享电动车调度方法，其特征在于，所述基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径，包括：
根据预设的调度成本要求生成目标函数，并根据所述编码序列生成初始种群，其中，所述初始种群中包含多条编码序列；
根据所述目标函数计算所述编码序列的适应度，根据所述适应度对多条所述编码序列进行排列；
对排序后的更新种群进行种群进化操作，得到更新种群并返回根据所述目标函数计算所述编码序列的适应度的步骤，直至进行种群进化操作的迭代次数大于预设进化次数阈值时，输出遗传序列，并将所述遗传序列作为调度路径。
7.如权利要求1至6中任一项所述的基于大数据的共享电动车调度方法，其特征在于，所述根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，包括：
统计所述电动车电量小于预设电量阈值的电动车数量，根据所述数量生成电瓶调度容量；
从所述调度需求量中提取所述调度路径上的目标调度站点的目标调度需求量，根据所述目标调度需求量计算所述调度中心点的电动车调度容量；
根据所述调度中心点中调度车的预设容量、所述电瓶调度容量及所述电动车调度容量分配所述调度车的电瓶容量及电动车容量；
基于所述电瓶容量、所述电动车容量和所述目标调度站点的所述电动车电量及所述调度需求量对所述目标调度站点进行适应性分配，得到所述目标调度站点的实际转运量。
8.一种基于大数据的共享电动车调度装置，其特征在于，所述装置包括：
大数据信息采集模块，用于采集预设调度中心点的调度区域中多个调度站点在当前时间的电动车数据以及历史电动车数据，并抓取所述调度区域的环境信息，其中，所述当前时间的电动车数据包括电动车数量以及电动车电量，所述环境信息中包含历史环境信息及当前环境信息，其中，所述历史环境信息及当前环境信息中均包括多个环境因子；
初始需求模型构建模块，用于对所述环境因子进行影响性分析，得到所述环境因子的影响性系数，对所述历史电动车数据的属性进行相关性分析，得到相关性属性，并根据所述相关性属性构建初始需求模型；
标准需求模型生成模块，用于利用所述初始需求模型，根据所述历史电动车数据计算得到预测电动车需求量，根据所述预测电动车需求量及所述历史电动车数据计算误差值，并根据所述误差值修正所述初始需求模型，得到标准需求模型；
调度需求量生成模块，用于根据所述标准需求模型计算多个所述调度站点在当前时间的需求量，根据所述需求量、所述当前环境信息、所述影响性系数及所述电动车数量确定多个调度站点的调度需求量；
调度路径生成模块，用于根据所述调度需求量从多个所述调度站点筛选出目标调度站点，对所述调度中心点及所述目标调度站点进行路径编码，得到编码序列，基于预设的遗传算法对所述编码序列进行迭代计算，输出调度路径；
电动车调度执行模块，用于根据所述电动车电量及所述调度需求量设置所述目标调度站点的实际转运量，并根据所述调度路径及所述实际转运量执行电动车调度。
9.种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于大数据的共享电动车调度方法。
10.种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于大数据的共享电动车调度方法。
CN202210514411.7A 2022-05-12 2022-05-12 基于大数据的共享电动车调度方法、装置、设备及介质 Active CN114626766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210514411.7A CN114626766B (zh) 2022-05-12 2022-05-12 基于大数据的共享电动车调度方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210514411.7A CN114626766B (zh) 2022-05-12 2022-05-12 基于大数据的共享电动车调度方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114626766A true CN114626766A (zh) 2022-06-14
CN114626766B CN114626766B (zh) 2022-08-23

Family

ID=81907154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210514411.7A Active CN114626766B (zh) 2022-05-12 2022-05-12 基于大数据的共享电动车调度方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114626766B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186594A (zh) * 2023-04-26 2023-05-30 成都市环境应急指挥保障中心 基于决策网络结合大数据实现环境变化趋势智能检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766994A (zh) * 2017-12-04 2018-03-06 长沙理工大学 一种共享自行车调度方法与调度系统
CN107909806A (zh) * 2017-10-23 2018-04-13 东南大学 一种基于大数据的共享单车信息平台
CN108564391A (zh) * 2018-01-10 2018-09-21 大连理工大学 一种考虑主客观信息的共享电动汽车需求预测方法及系统
CN112163788A (zh) * 2020-10-21 2021-01-01 深圳市规划国土发展研究中心 一种基于实时数据的互联网无桩单车的调度方法
WO2021238231A1 (zh) * 2020-05-26 2021-12-02 山东交通学院 共享单车流动系统、基于子区划分的自动调度系统及方法
CN114282821A (zh) * 2021-12-27 2022-04-05 同济大学 一种共享电动汽车的调度方法、系统及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909806A (zh) * 2017-10-23 2018-04-13 东南大学 一种基于大数据的共享单车信息平台
CN107766994A (zh) * 2017-12-04 2018-03-06 长沙理工大学 一种共享自行车调度方法与调度系统
CN108564391A (zh) * 2018-01-10 2018-09-21 大连理工大学 一种考虑主客观信息的共享电动汽车需求预测方法及系统
WO2021238231A1 (zh) * 2020-05-26 2021-12-02 山东交通学院 共享单车流动系统、基于子区划分的自动调度系统及方法
CN112163788A (zh) * 2020-10-21 2021-01-01 深圳市规划国土发展研究中心 一种基于实时数据的互联网无桩单车的调度方法
CN114282821A (zh) * 2021-12-27 2022-04-05 同济大学 一种共享电动汽车的调度方法、系统及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186594A (zh) * 2023-04-26 2023-05-30 成都市环境应急指挥保障中心 基于决策网络结合大数据实现环境变化趋势智能检测方法
CN116186594B (zh) * 2023-04-26 2023-07-04 成都市环境应急指挥保障中心 基于决策网络结合大数据实现环境变化趋势智能检测方法

Also Published As

Publication number Publication date
CN114626766B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN107766994B (zh) 一种共享自行车调度方法与调度系统
US20140188748A1 (en) Methods and systems for determining estimated package delivery/pick-up times
CN106022549A (zh) 基于神经网络和思维演化搜索的短期负荷预测方法
CN111738619B (zh) 任务调度方法、装置、设备及存储介质
CN111680382A (zh) 等级预测模型训练方法、等级预测方法、装置及电子设备
CN114626766B (zh) 基于大数据的共享电动车调度方法、装置、设备及介质
CN114781768B (zh) 基于城市资源数据的停车场设施规划方法、装置及设备
CN116824861B (zh) 基于城市大脑平台多维数据的共享单车调度方法和系统
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及系统
CN113538067A (zh) 一种基于机器学习的城际网约车需求预测方法及系统
CN107844862A (zh) 订单失效预测方法、装置、介质及电子设备
Manik et al. Topology dependence of on-demand ride-sharing
CN113674524A (zh) 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统
CN113838303B (zh) 停车场推荐方法、装置、电子设备及存储介质
CN115829124A (zh) 充电桩选址方法、装置、设备及存储介质
CN115578038A (zh) 面向大规模批量轮换任务的电能表物流调度方法及系统
CN111353625A (zh) 一种网点件量预测方法、装置、设备及存储介质
CN116384853B (zh) 一种数字孪生智慧物流的管理方法及装置
CN116797126A (zh) 一种基于双层规划的农村末端物流选址-路径规划方法
CN115409439A (zh) 基于改进蚁群算法的多车型供应链调度方法及电子设备
Guo et al. A prediction-based iterative Kuhn-Munkres approach for service vehicle reallocation in ride-hailing
EP2750086A1 (en) Methods and systems for providing package pickup/delivery services
CN116662815B (zh) 时间预测模型的训练方法以及相关设备
CN113919893B (zh) 信息推送方法、装置、电子设备和可读介质
CN117435870B (zh) 一种负荷数据实时填充方法、系统、设备和介质

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