CN114997747A - 一种实现上下游供需平衡的代驾服务调度方法及装置 - Google Patents

一种实现上下游供需平衡的代驾服务调度方法及装置 Download PDF

Info

Publication number
CN114997747A
CN114997747A CN202210908956.6A CN202210908956A CN114997747A CN 114997747 A CN114997747 A CN 114997747A CN 202210908956 A CN202210908956 A CN 202210908956A CN 114997747 A CN114997747 A CN 114997747A
Authority
CN
China
Prior art keywords
designated driving
output
designated
driving
node
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
CN202210908956.6A
Other languages
English (en)
Other versions
CN114997747B (zh
Inventor
周维
刘压超
俞小栋
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.)
Gongxing Technology Shenzhen Co ltd
Original Assignee
Gongxing Technology Shenzhen 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 Gongxing Technology Shenzhen Co ltd filed Critical Gongxing Technology Shenzhen Co ltd
Priority to CN202210908956.6A priority Critical patent/CN114997747B/zh
Publication of CN114997747A publication Critical patent/CN114997747A/zh
Application granted granted Critical
Publication of CN114997747B publication Critical patent/CN114997747B/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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Abstract

本发明涉及运力管理技术领域，公开了一种实现上下游供需平衡的代驾服务调度方法及装置，其方法是在获取在最近单位时间内接收到的N个代驾订单后，根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，然后将N个接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，最后根据所述新BP神经网络中各个隐藏节点的节点值，得到使上游司机群体所提供的运力能够准确匹配下游用户群体的基本代驾需求及准点性需求的且对所述N个代驾订单进行派送的代驾服务调度方案，进而实现上下游供需平衡的目的，便于实际应用和推广。

Description

一种实现上下游供需平衡的代驾服务调度方法及装置
技术领域
本发明属于运力管理技术领域，具体地涉及一种实现上下游供需平衡的代驾服务调度方法及装置。
背景技术
随着人们安全意识的不断提高，喝酒不开车已经成为了共识，代驾服务逐渐被大众所熟知。据不完全统计每年代驾服务可以避免超过300万起因酒驾导致的交通事故的发生，代驾已经形成一种新经济业态，并且成为治理酒驾以及降低交通安全事故的有效手段。随着移动互联网的飞速发展，智能手机已经成了生活必备品，用智能手机发起代驾订单，然后由代驾平台派单，最后由代驾司机用智能手机接单，已经成了代驾服务的常规流程。
代驾平台作为联系用户和代驾司机的纽带，一方面要迅速响应下游用户群体的代驾需求，另一方面又要保证上游司机群体所提供的运力能够得到高效运用，但是在现实中存在很多不确定性，如代驾司机何时上线、当前在线地点位于何处和代驾订单何时产生等，这些不确定性都容易造成代驾服务的上下游供需失衡问题。此外，根据道路交通安全法对驾驶时间的规定，要求客运驾驶人在24小时内累计驾驶时间不得超过8小时（特殊情况下可延长2小时，但是每月延长的总时间不超过36小时），以及连续驾驶时间不得超过4小时，每次停车休息时间不少于20分钟，因此为了避免因过度派单而导致司机驾驶疲劳以及给代驾服务带来安全风险，需要在实现上下游供需平衡的代驾服务调度方案中予以保障。
发明内容
为了解决现有代驾服务因诸多不确定性而容易导致上下游供需失衡的问题，本发明目的在于提供一种实现上下游供需平衡的代驾服务调度方法、装置、计算机设备及计算机可读存储介质。
第一方面，本发明提供了一种实现上下游供需平衡的代驾服务调度方法，包括：
获取在最近单位时间内接收到的N个代驾订单，其中，N表示非零自然数，所述代驾订单包含有代驾起点位置、代驾终点位置和指定接驾时刻；
根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，其中，M表示不小于N的自然数，所述隐藏层包含有与所述M个代驾终端一一对应的M个隐藏节点，所述输出层包含有与所述N个代驾订单一一对应的N个输出节点，所述M个隐藏节点与所述N个输出节点多对多连接；
针对所述N个代驾订单中的各个代驾订单，计算得到对应的且从当前时刻至对应的指定接驾时刻的接驾等待时长；
将N个所述接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，其中，所述BP神经网络的训练过程包括有如下步骤S41～S43：
S41.按照如下公式计算得到输出向量:
Figure 314629DEST_PATH_IMAGE001
式中，
Figure 640568DEST_PATH_IMAGE002
表示不大于N的非零自然数，
Figure 334854DEST_PATH_IMAGE003
表示所述N个输出节点中第
Figure 189678DEST_PATH_IMAGE004
个输出节点的输出值，所述输出向量表示为
Figure 500573DEST_PATH_IMAGE005
，
Figure 895783DEST_PATH_IMAGE006
表示不大于M的非零自然数，
Figure 647838DEST_PATH_IMAGE007
表示所述M个隐藏节点中第
Figure 1459DEST_PATH_IMAGE008
个隐藏节点的节点值，
Figure 268492DEST_PATH_IMAGE009
表示与所述第
Figure 670655DEST_PATH_IMAGE010
个隐藏节点对应的当前代驾接单状态： 0表示当前无单，1表示当前有一单且已在代驾状态中，2表示当前有一单且未在代驾状态中，
Figure 339534DEST_PATH_IMAGE011
表示用于判断
Figure 598477DEST_PATH_IMAGE012
是否等于
Figure 66322DEST_PATH_IMAGE004
的函数，并在是时输出1，而在否时输出0，
Figure 68913DEST_PATH_IMAGE013
表示从与所述第
Figure 592298DEST_PATH_IMAGE008
个隐藏节点对应的当前代驾终端位置至与所述第
Figure 225405DEST_PATH_IMAGE004
个输出节点对应的代驾起点位置的骑行路程，
Figure 201451DEST_PATH_IMAGE014
表示从所述当前代驾终端位置至在与所述第
Figure 7733DEST_PATH_IMAGE010
个隐藏节点对应的当前所接代驾订单中的代驾终点位置的车行路程，
Figure 651204DEST_PATH_IMAGE015
表示从所述当前所接代驾订单中的代驾终点位置至与所述第
Figure 189633DEST_PATH_IMAGE004
个输出节点对应的代驾起点位置的骑行路程，
Figure 184134DEST_PATH_IMAGE016
表示从所述当前代驾终端位置至所述当前所接代驾订单中的代驾起点位置的骑行路程，
Figure 466211DEST_PATH_IMAGE017
表示从所述当前所接代驾订单中的代驾起点位置至所述当前所接代驾订单中的代驾终点位置的车行路程，
Figure 964188DEST_PATH_IMAGE018
表示骑行平均速度，
Figure 735835DEST_PATH_IMAGE019
表示驾驶平均速度，
Figure 155315DEST_PATH_IMAGE020
表示预设的交车所需时长，
Figure 303400DEST_PATH_IMAGE021
表示预设的接车所需时长，
Figure 655883DEST_PATH_IMAGE022
表示无穷大；
S42.计算得到所述输出向量与所述输出目标向量的误差平方值，其中，所述输出目标向量表示为
Figure 801694DEST_PATH_IMAGE023
，
Figure 505208DEST_PATH_IMAGE024
表示N个所述接驾等待时长中的第
Figure 925825DEST_PATH_IMAGE004
个接驾等待时长；
S43.判断所述误差平方值是否小于预设的目标阈值，若是，则停止训练，得到完成训练的新BP神经网络，否则基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，然后返回执行步骤S41，其中，所述节点值的调整约束条件包含有：取值为不大于N的自然数，在所述M个隐藏节点的且在调整后的所有节点值中仅有N个节点值为非零自然数，并且所述M个隐藏节点的且在调整后的节点值总和为
Figure 601657DEST_PATH_IMAGE025
；
按照如下方式遍历所述新BP神经网络中的各个隐藏节点：若对应的节点值为非零数值
Figure 449527DEST_PATH_IMAGE026
，则向对应的代驾终端推送与第
Figure 640337DEST_PATH_IMAGE027
个输出节点对应的代驾订单。
基于上述发明内容，提供了一种基于BP神经网络自动进行代驾订单派送的新方案，即在获取在最近单位时间内接收到的N个代驾订单后，根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，以便用隐藏节点的节点值来作为用于向对应代驾终端派单的且可基于BP神经网络的梯度下降法进行调整的代驾订单序号，然后将N个接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，最后根据所述新BP神经网络中各个隐藏节点的节点值，得到使上游司机群体所提供的运力能够准确匹配下游用户群体的基本代驾需求及准点性需求的且对所述N个代驾订单进行派送的代驾服务调度方案，进而实现上下游供需平衡的目的，便于实际应用和推广。
在一个可能的设计中，在创建所述BP神经网络之后且将所述输出目标向量导入所述BP神经网络之前，所述方法还包括：
按照如下方式遍历所述M个隐藏节点中的各个隐藏节点：根据对应的历史已接代驾订单，若发现对应的代驾司机在24小时内的累计驾驶时长超过预设的第一时长阈值或者已连续驾驶时长超过预设的第二时长阈值，则将对应的节点值锁定为不可调整的零值。
在一个可能的设计中，在创建所述BP神经网络之后且将所述输出目标向量导入所述BP神经网络之前，所述方法还包括：
按照如下方式遍历所述M个隐藏节点中的各个隐藏节点：根据对应的历史已接代驾订单，若发现对应的当前未完结单数达到/超过两单，则将对应的节点值锁定为不可调整的零值。
在一个可能的设计中，计算得到所述输出向量与所述输出目标向量的误差平方值，包括：
根据所述输出向量和所述输出目标向量，按照如下公式计算得到所述N个输出节点的输出差值：
Figure 864645DEST_PATH_IMAGE028
式中，
Figure 394983DEST_PATH_IMAGE029
表示所述N个输出节点中第
Figure 944914DEST_PATH_IMAGE004
个输出节点的输出差值，
Figure 357440DEST_PATH_IMAGE030
表示N个所述接驾等待时长中的第
Figure 821657DEST_PATH_IMAGE004
个接驾等待时长，所述输出目标向量表示为
Figure 3240DEST_PATH_IMAGE031
，当
Figure 724071DEST_PATH_IMAGE030
为单点值时，
Figure 623894DEST_PATH_IMAGE032
，或者当
Figure 393267DEST_PATH_IMAGE033
为区间值时，
Figure 429356DEST_PATH_IMAGE034
表示在
Figure 321089DEST_PATH_IMAGE030
中的第一数值，
Figure 911470DEST_PATH_IMAGE035
表示在
Figure 281272DEST_PATH_IMAGE033
中的第二数值；
根据所述N个输出节点的输出差值，计算得到所述输出向量与所述输出目标向量的误差平方值
Figure 437447DEST_PATH_IMAGE036
、
Figure 437764DEST_PATH_IMAGE037
或
Figure 312179DEST_PATH_IMAGE038
。
在一个可能的设计中，基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，包括：
针对所述M个隐藏节点中的各个隐藏节点，按照如下方式遍历所述N个输出节点中的各个输出节点：根据对应的历史已接代驾订单和与某个输出节点对应的代驾订单，若发现对应的代驾司机在接下该代驾订单后会导致在24小时内的累计驾驶时长超过预设的第一时长阈值或者会导致连续驾驶时长超过预设的第二时长阈值，则在一个不包含非零自然数
Figure 485671DEST_PATH_IMAGE039
的范围内基于BP神经网络的梯度下降法来调整对应的节点值，其中，
Figure 699615DEST_PATH_IMAGE040
为该某个输出节点在所述N个输出节点中的序号。
在一个可能的设计中，所述方法还包括：
当节点值调整次数超过预设的次数阈值时，使N个所述接驾等待时长中的各个接驾等待时长分别自加预设的步进时长或者使N个所述接驾等待时长中的最短接驾等待时长自加预设的步进时长，得到新的输出目标向量；
将所述新的输出目标向量，重新导入所述BP神经网络中进行训练。
在一个可能的设计中，在向与某个隐藏节点对应的代驾终端推送与某个输出节点对应的代驾订单时，所述方法还包括：
启动计时器；
在所述计时器的计时到达预设的第三时长阈值时，若仍未收到由与该某个隐藏节点对应的代驾终端反馈的接单响应消息，则将与该某个输出节点对应的代驾订单作为在新的最近单位时间内接收到的代驾订单，然后根据新的至少一个代驾订单和当前在线的多个代驾终端，重新创建BP神经网络并进行训练。
第二方面，本发明提供了一种实现上下游供需平衡的代驾服务调度装置，包括有数据获取模块、网络创建模块、时长计算模块、网络训练模块和遍历推送模块；
所述数据获取模块，用于获取在最近单位时间内接收到的N个代驾订单，其中，N表示非零自然数，所述代驾订单包含有代驾起点位置、代驾终点位置和指定接驾时刻；
所述网络创建模块，通信连接所述数据获取模块，用于根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，其中，M表示不小于N的自然数，所述隐藏层包含有与所述M个代驾终端一一对应的M个隐藏节点，所述输出层包含有与所述N个代驾订单一一对应的N个输出节点，所述M个隐藏节点与所述N个输出节点多对多连接；
所述时长计算模块，通信连接所述数据获取模块，用于针对所述N个代驾订单中的各个代驾订单，计算得到对应的且从当前时刻至对应的指定接驾时刻的接驾等待时长；
所述网络训练模块，分别通信连接所述网络创建模块和所述时长计算模块，用于将N个所述接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，其中，所述网络训练模块包括有输出向量计算单元、误差平方值计算单元和判断单元；
所述输出向量计算单元，用于按照如下公式计算得到输出向量:
Figure 933150DEST_PATH_IMAGE041
式中，
Figure 232544DEST_PATH_IMAGE004
表示不大于N的非零自然数，
Figure 678569DEST_PATH_IMAGE042
表示所述N个输出节点中第
Figure 74915DEST_PATH_IMAGE004
个输出节点的输出值，所述输出向量表示为
Figure 213773DEST_PATH_IMAGE043
，
Figure 463DEST_PATH_IMAGE010
表示不大于M的非零自然数，
Figure 250179DEST_PATH_IMAGE044
表示所述M个隐藏节点中第
Figure 501032DEST_PATH_IMAGE010
个隐藏节点的节点值，
Figure 14053DEST_PATH_IMAGE045
表示与所述第
Figure 84777DEST_PATH_IMAGE010
个隐藏节点对应的当前代驾接单状态： 0表示当前无单，1表示当前有一单且已在代驾状态中，2表示当前有一单且未在代驾状态中，
Figure 403763DEST_PATH_IMAGE046
表示用于判断
Figure 243543DEST_PATH_IMAGE012
是否等于
Figure 426000DEST_PATH_IMAGE004
的函数，并在是时输出1，而在否时输出0，
Figure 718441DEST_PATH_IMAGE047
表示从与所述第
Figure 841118DEST_PATH_IMAGE010
个隐藏节点对应的当前代驾终端位置至与所述第
Figure 738667DEST_PATH_IMAGE048
个输出节点对应的代驾起点位置的骑行路程，
Figure 390228DEST_PATH_IMAGE049
表示从所述当前代驾终端位置至在与所述第
Figure 701124DEST_PATH_IMAGE010
个隐藏节点对应的当前所接代驾订单中的代驾终点位置的车行路程，
Figure 96333DEST_PATH_IMAGE050
表示从所述当前所接代驾订单中的代驾终点位置至与所述第
Figure 848388DEST_PATH_IMAGE004
个输出节点对应的代驾起点位置的骑行路程，
Figure 202009DEST_PATH_IMAGE051
表示从所述当前代驾终端位置至所述当前所接代驾订单中的代驾起点位置的骑行路程，
Figure 469042DEST_PATH_IMAGE052
表示从所述当前所接代驾订单中的代驾起点位置至所述当前所接代驾订单中的代驾终点位置的车行路程，
Figure 605626DEST_PATH_IMAGE053
表示骑行平均速度，
Figure 540084DEST_PATH_IMAGE054
表示驾驶平均速度，
Figure 799027DEST_PATH_IMAGE055
表示预设的交车所需时长，
Figure 491039DEST_PATH_IMAGE056
表示预设的接车所需时长，
Figure 493630DEST_PATH_IMAGE057
表示无穷大；
所述误差平方值计算单元，通信连接所述输出向量计算单元，用于计算得到所述输出向量与所述输出目标向量的误差平方值，其中，所述输出目标向量表示为
Figure 282595DEST_PATH_IMAGE031
，
Figure 650122DEST_PATH_IMAGE030
表示N个所述接驾等待时长中的第
Figure 891748DEST_PATH_IMAGE004
个接驾等待时长；
所述判断单元，分别通信连接所述误差平方值计算单元和所述输出向量计算单元，用于判断所述误差平方值是否小于预设的目标阈值，若是，则停止训练，得到完成训练的新BP神经网络，否则基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，然后再次启动所述输出向量计算单元，其中，所述节点值的调整约束条件包含有：取值为不大于N的自然数，在所述M个隐藏节点的且在调整后的所有节点值中仅有N个节点值为非零自然数，并且所述M个隐藏节点的且在调整后的节点值总和为
Figure 698030DEST_PATH_IMAGE058
；
所述遍历推送模块，通信连接所述网络训练模块，用于按照如下方式遍历所述新BP神经网络中的各个隐藏节点：若对应的节点值为非零数值
Figure 279184DEST_PATH_IMAGE059
，则向对应的代驾终端推送与第
Figure 879929DEST_PATH_IMAGE059
个输出节点对应的代驾订单。
第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的代驾服务调度方法。
第四方面，本发明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上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的代驾服务调度方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的代驾服务调度方法。
本发明的有益效果:
（1）通过本发明创造，提供了一种基于BP神经网络自动进行代驾订单派送的新方案，即在获取在最近单位时间内接收到的N个代驾订单后，根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，以便用隐藏节点的节点值来作为用于向对应代驾终端派单的且可基于BP神经网络的梯度下降法进行调整的代驾订单序号，然后将N个接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，最后根据所述新BP神经网络中各个隐藏节点的节点值，得到使上游司机群体所提供的运力能够准确匹配下游用户群体的基本代驾需求及准点性需求的且对所述N个代驾订单进行派送的代驾服务调度方案，进而实现上下游供需平衡的目的，便于实际应用和推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明提供的实现上下游供需平衡的代驾服务调度方法的流程示意图。
图2是本发明提供的BP神经网络的结构示意图。
图3是本发明提供的实现上下游供需平衡的代驾服务调度装置的结构示意图。
图4是本发明提供的计算机设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
如图1所示，本实施例第一方面提供的且实现上下游供需平衡的代驾服务调度方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由代驾平台服务器或个人计算机（Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机）等电子设备执行。如图1所示，所述实现上下游供需平衡的代驾服务调度方法，可以但不限于包括有如下步骤S1～S5。
S1.获取在最近单位时间内接收到的N个代驾订单，其中，N表示非零自然数，所述代驾订单包含但不限于有代驾起点位置、代驾终点位置和指定接驾时刻等内容。
在所述步骤S1中，所述最近单位时间可以但不限于为最近1秒、最近10秒、最近30秒或最近1分钟等实例。所述N个代驾订单即为一套需要实现上下游供需平衡的待派单组合，以便得到最佳的派单/代驾服务调度方案，其中，所述代驾订单可由用户通过使用智能手机来常规发起。所述代驾起点位置和所述代驾终点位置用于反映用户的基本代驾需求；所述指定接驾时刻用于反映用户在接驾时机维度上的准点性需求，其可由用户自主指定，例如指定10点55分接驾；以及所述指定接驾时刻可以是单点值，也可以是区间值（即为一个区间数值范围，例如10点50分～11点00分）。此外，所述代驾订单还可包含但不限于有用户联系方式和/或车辆基本信息（例如是自动挡还是手动挡等）等内容。
S2.根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，其中，M表示不小于N的自然数，所述隐藏层包含有与所述M个代驾终端一一对应的M个隐藏节点，所述输出层包含有与所述N个代驾订单一一对应的N个输出节点，所述M个隐藏节点与所述N个输出节点多对多连接。
在所述步骤S2中，由于BP（Back Propagation，反向传播）神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法（即以误差平方为目标函数，采用梯度下降法来计算该目标函数的最小值）训练的多层前馈神经网络，是应用最广泛的神经网络模型之一；以及BP神经网络的基本结构是在输入层（其可以有若干个输入节点）与输出层（其可以有若干个输出节点）之间增加一层或多层神经元（这些神经元称为隐藏节点，它们与外界没有直接的联系，但是其状态的改变能影响输入与输出之间的关系），得到有若干个隐藏节点的隐藏层，因此创建而得的所述BP神经网络的网络结构可如图2所示，以便可用隐藏节点的节点值来作为用于向对应代驾终端派单的且可基于BP神经网络的梯度下降法进行调整的代驾订单序号。所述多对多连接的具体建立方式可为：针对各个隐藏节点，都建立其与所述N个输出节点一对多的连接关系。所述代驾终端即为由代驾司机所持有的移动电子设备，例如智能手机或平板电脑等，以便实现代驾接单以及实时上传终端位置（用于确保在线以及其它应用）等的功能。此外，为了尽量减轻所述BP神经网络的网络结构，快速得到训练结果，所述N个代驾订单优选基于对应的N个代驾起点位置而锁定某个城市网格地区，然后将当前在线于所述某个城市网格地区的所有代驾终端作为所述M个代驾终端。
S3.针对所述N个代驾订单中的各个代驾订单，计算得到对应的且从当前时刻至对应的指定接驾时刻的接驾等待时长。
在所述步骤S3中，举例的，若代驾订单A的指定接驾时刻为10点55分且当前时刻为10点40分，则该代驾订单A的接驾等待时长为15分钟，即可为单点值；而若代驾订单B的指定接驾时刻为10点50分～11点00分且当前时刻为10点40分，则该代驾订单B的接驾等待时长为10～20分钟，即也可为区间值。此外，所述步骤S2和S3的执行前后顺序不限，如图1所示，两步骤可并行执行。
S4.将N个所述接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络。
在所述步骤S4中，所述输出目标向量用于作为训练所需的验证数据，可具体表示为
Figure 608851DEST_PATH_IMAGE031
，其中，
Figure 156507DEST_PATH_IMAGE004
表示不大于N的非零自然数，
Figure 654484DEST_PATH_IMAGE060
表示N个所述接驾等待时长中的第
Figure 426131DEST_PATH_IMAGE004
个接驾等待时长。所述BP神经网络的训练过程包括但不限于有如下步骤S41～S43。
S41.按照如下公式计算得到输出向量:
Figure 642349DEST_PATH_IMAGE061
式中，
Figure 226652DEST_PATH_IMAGE004
表示不大于N的非零自然数，
Figure 844715DEST_PATH_IMAGE042
表示所述N个输出节点中第
Figure 521684DEST_PATH_IMAGE004
个输出节点的输出值，所述输出向量表示为
Figure 162881DEST_PATH_IMAGE062
，
Figure 114656DEST_PATH_IMAGE010
表示不大于M的非零自然数，
Figure 321647DEST_PATH_IMAGE063
表示所述M个隐藏节点中第
Figure 638358DEST_PATH_IMAGE010
个隐藏节点的节点值，
Figure 829168DEST_PATH_IMAGE045
表示与所述第
Figure 53476DEST_PATH_IMAGE010
个隐藏节点对应的当前代驾接单状态： 0表示当前无单，1表示当前有一单且已在代驾状态中，2表示当前有一单且未在代驾状态中，
Figure 583815DEST_PATH_IMAGE064
表示用于判断
Figure 868166DEST_PATH_IMAGE065
是否等于
Figure 280692DEST_PATH_IMAGE004
的函数，并在是时输出1，而在否时输出0，
Figure 511954DEST_PATH_IMAGE066
表示从与所述第
Figure 693536DEST_PATH_IMAGE010
个隐藏节点对应的当前代驾终端位置至与所述第
Figure 414368DEST_PATH_IMAGE048
个输出节点对应的代驾起点位置的骑行路程，
Figure 517453DEST_PATH_IMAGE049
表示从所述当前代驾终端位置至在与所述第
Figure 83563DEST_PATH_IMAGE010
个隐藏节点对应的当前所接代驾订单中的代驾终点位置的车行路程，
Figure 385232DEST_PATH_IMAGE067
表示从所述当前所接代驾订单中的代驾终点位置至与所述第
Figure 214647DEST_PATH_IMAGE004
个输出节点对应的代驾起点位置的骑行路程，
Figure 336187DEST_PATH_IMAGE068
表示从所述当前代驾终端位置至所述当前所接代驾订单中的代驾起点位置的骑行路程，
Figure 971568DEST_PATH_IMAGE069
表示从所述当前所接代驾订单中的代驾起点位置至所述当前所接代驾订单中的代驾终点位置的车行路程，
Figure 331005DEST_PATH_IMAGE053
表示骑行平均速度，
Figure 128060DEST_PATH_IMAGE054
表示驾驶平均速度，
Figure 2475DEST_PATH_IMAGE070
表示预设的交车所需时长，
Figure 612185DEST_PATH_IMAGE056
表示预设的接车所需时长，
Figure 622867DEST_PATH_IMAGE057
表示无穷大。
在所述步骤S41中，
Figure 856402DEST_PATH_IMAGE012
的初始值可按照特定约束条件（即取值为不大于N的自然数，在所述M个隐藏节点的且在初始后的所有节点值中仅有N个节点值为非零自然数，并且所述M个隐藏节点的且在初始后的节点值总和为
Figure 155796DEST_PATH_IMAGE071
）来随机生成。由于在初始化及后续调整过程中都是按照该特定约束条件来得到所述M个隐藏节点的节点值，因此在初始化后或任意一次调整后，所有节点值中的N个非零节点值（即1～N）能够一一对应的表示所述N个代驾订单中各个代驾订单的序号，例如非零节点值10可作为所述N个代驾订单中第10个代驾订单的序号，进而通过上述公式可计算得到：当某个隐藏节点的节点值为非零自然数X时，可计算得到与该某个隐藏节点的代驾司机在假设接了所述N个代驾订单中第X个代驾订单后，其从当前位置（即当前代驾终端位置）赶到所述第X个代驾订单中的代驾起点位置的预估所需时间，进而可作为所述N个输出节点中第X个输出节点的输出值参与后续的数据验证。
在所述步骤S41中，所述预估所需时间会根据所述当前代驾接单状态分如下四种情况：（1）在当前无单时，仅包含有从当前位置赶到所述第X个代驾订单中的代驾起点位置的预估骑行（即代驾司机会自带折叠式自行车/电动车作为非代驾状态下的代步工具）所需时间
Figure 132980DEST_PATH_IMAGE072
；（2）在当前有一单且已在代驾状态（即已接驾，但未完结）中时，会包含有从当前位置赶到当前所接代驾订单中的代驾终点位置的预估车行所需时间
Figure 467009DEST_PATH_IMAGE073
、交车所需时长
Figure 871446DEST_PATH_IMAGE055
（其为一常数，例如3分钟）和从当前所接代驾订单中的代驾终点位置赶到所述第X个代驾订单中的代驾起点位置的预估骑行所需时间
Figure 189294DEST_PATH_IMAGE074
；（3）在当前有一单且未在代驾状态（即还未接到驾，也未完结）中时，会包含有从当前位置赶到当前所接代驾订单中的代驾起点位置的预估骑行所需时间
Figure 907852DEST_PATH_IMAGE075
、接车所需时长
Figure 893125DEST_PATH_IMAGE056
（其也为一常数，例如3分钟）、从当前所接代驾订单中的代驾起点位置赶到当前所接代驾订单中的代驾终点位置的预估车行所需时间
Figure 468463DEST_PATH_IMAGE076
、交车所需时长
Figure 476870DEST_PATH_IMAGE055
和从当前所接代驾订单中的代驾终点位置赶到所述第X个代驾订单中的代驾起点位置的预估骑行所需时间
Figure 530277DEST_PATH_IMAGE077
；（4）在其它情况时，例如当前有两单，由于此时不打算再向其派单，因此设定为无穷大值（在软件实现中，可采用一个极大值来表示，例如100天）。如此本实施例所考虑的派单对象，除了当前无单导致处于空闲状态的代驾司机外，还有当前有一单导致处于在忙状态的代驾司机，可有效拓展派单司机的可选范围，特别是在当前所接代驾订单中的代驾终点位置靠近待派代驾订单中的代驾起点位置时，可优选调度在忙的代驾司机去顺便接驾。此外，前述计算所需的车行路程、骑行路程、驾驶平均速度和骑行平均速度等参数，可参照现有技术手段常规得到，例如在高德地图中的驾驶路线推荐技术和骑行路线推荐技术等，以及从上述公式也可以看出，输出向量与输入向量无关，因此训练所需的输入向量可设计为任意值，所述输入层中的输入节点也可以设置为任意数目。
S42.计算得到所述输出向量与所述输出目标向量的误差平方值。
在所述步骤S42中，所述误差平方值可以但不限于基于离均差平方和、方差或标准差公式等计算得到。考虑所述接驾等待时长存在为单点值/区间值的情况，优选的，计算得到所述输出向量与所述输出目标向量的误差平方值，包括但不限于有如下步骤S421～S422。
S421.根据所述输出向量和所述输出目标向量，按照如下公式计算得到所述N个输出节点的输出差值：
Figure 635636DEST_PATH_IMAGE078
式中，
Figure 116296DEST_PATH_IMAGE060
表示所述N个输出节点中第
Figure 877579DEST_PATH_IMAGE004
个输出节点的输出差值，
Figure 734676DEST_PATH_IMAGE030
表示N个所述接驾等待时长中的第
Figure 694542DEST_PATH_IMAGE004
个接驾等待时长，所述输出目标向量表示为
Figure 549366DEST_PATH_IMAGE031
，当
Figure 329103DEST_PATH_IMAGE030
为单点值时，
Figure 989891DEST_PATH_IMAGE079
，或者当
Figure 7526DEST_PATH_IMAGE030
为区间值时，
Figure 829988DEST_PATH_IMAGE080
表示在
Figure 362601DEST_PATH_IMAGE030
中的第一数值，
Figure 561501DEST_PATH_IMAGE081
表示在
Figure 932177DEST_PATH_IMAGE033
中的第二数值。
在所述步骤S421中，所述第一数值可以但不限于为区间值
Figure 191120DEST_PATH_IMAGE030
中的最小值、中间值、最大值或其它值，优选为最大值；所述第二数值也可以但不限于为区间值
Figure 945450DEST_PATH_IMAGE030
中的最小值、中间值、最大值或其它值，优选为最小值。此外，当
Figure 151303DEST_PATH_IMAGE033
为单点值时，
Figure 940268DEST_PATH_IMAGE082
也即
Figure 104533DEST_PATH_IMAGE083
。
S422.根据所述N个输出节点的输出差值，计算得到所述输出向量与所述输出目标向量的误差平方值
Figure 549420DEST_PATH_IMAGE084
、
Figure 355702DEST_PATH_IMAGE085
或
Figure 733594DEST_PATH_IMAGE086
。
在所述步骤S422中，当
Figure 537602DEST_PATH_IMAGE033
为单点值时，所述误差平方值
Figure 944DEST_PATH_IMAGE084
即为所述输出向量与所述输出目标向量的离均差平方和，所述误差平方值
Figure 610917DEST_PATH_IMAGE085
即为所述输出向量与所述输出目标向量的方差，所述误差平方值
Figure 843316DEST_PATH_IMAGE087
即为所述输出向量与所述输出目标向量的标准差。
S43.判断所述误差平方值是否小于预设的目标阈值，若是，则停止训练，得到完成训练的新BP神经网络，否则基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，然后返回执行步骤S41，其中，所述节点值的调整约束条件包含有：取值为不大于N的自然数，在所述M个隐藏节点的且在调整后的所有节点值中仅有N个节点值为非零自然数，并且所述M个隐藏节点的且在调整后的节点值总和为
Figure 818225DEST_PATH_IMAGE058
。
在所述步骤S43中，基于BP神经网络的梯度下降法进行调整的现有原理是：转入误差的反向传播过程；误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有节点，以从各层获得的误差信号作为调整各节点值的依据；通过调整输入节点与隐藏节点的连接强度和隐藏节点与输出节点的连接强度以及阈值，使误差沿梯度方向下降；最后经过反复学习训练，即可确定与最小误差相对应的网络参数。为了避免因过度派单而导致司机驾驶疲劳以及给代驾服务带来安全风险，优选的，基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，包括但不限于有：针对所述M个隐藏节点中的各个隐藏节点，按照如下方式遍历所述N个输出节点中的各个输出节点：根据对应的历史已接代驾订单和与某个输出节点对应的代驾订单，若发现对应的代驾司机在接下该代驾订单后会导致在24小时内的累计驾驶时长超过预设的第一时长阈值或者会导致连续驾驶时长超过预设的第二时长阈值，则在一个不包含非零自然数
Figure 34442DEST_PATH_IMAGE040
的范围内基于BP神经网络的梯度下降法来调整对应的节点值，其中，
Figure 916948DEST_PATH_IMAGE040
为该某个输出节点在所述N个输出节点中的序号。举例的,根据与隐藏节点A对应的历史已接代驾订单和与所述N个输出节点中第10个输出节点对应的代驾订单，若发现与该隐藏节点A对应的代驾司机在接下该代驾订单后会导致在24小时内的累计驾驶时长超过8小时（即所述第一时长阈值）或者会导致连续驾驶时长超过4小时（即所述第二时长阈值），则在一个不包含10的范围内基于BP神经网络的梯度下降法来调整该隐藏节点A的节点值，即为了避免因过度派单而导致与所述隐藏节点A对应的代驾司机出现驾驶疲劳，可预先排除将与所述第10个输出节点对应的代驾订单派送给与所述隐藏节点A对应的代驾司机的可能。此外，所述累计驾驶时长可以但不限于包含有代驾时长/和骑行驾驶时长，所述连续驾驶时长也可以但不限于包含有代驾时长/和骑行驾驶时长。
S5.按照如下方式遍历所述新BP神经网络中的各个隐藏节点：若对应的节点值为非零数值
Figure 472694DEST_PATH_IMAGE027
，则向对应的代驾终端推送与第
Figure 680822DEST_PATH_IMAGE027
个输出节点对应的代驾订单。
在所述步骤S5中，由于所述M个隐藏节点与所述M个代驾终端一一对应，因此可以基于所述M个隐藏节点的节点值，得到使上游司机群体所提供的运力能够准确匹配下游用户群体的基本代驾需求及准点性需求的且对所述N个代驾订单进行派送的代驾服务调度方案，进而实现上下游供需平衡的目的。此外，考虑可能存在代驾司机因意外情况而未接单，此时为了能够保障用户体验，有必要再次针对未响应接单的代驾订单进行派单，即在向与某个隐藏节点对应的代驾终端推送与某个输出节点对应的代驾订单时，所述方法还包括但不限于有：先启动计时器；然后在所述计时器的计时到达预设的第三时长阈值时，若仍未收到由与该某个隐藏节点对应的代驾终端反馈的接单响应消息，则将与该某个输出节点对应的代驾订单作为在新的最近单位时间内接收到的代驾订单，然后根据新的至少一个代驾订单和当前在线的多个代驾终端，重新创建BP神经网络并进行训练（即再执行一次步骤S2～S5）。
由此基于前述步骤S1～S5所描述的且实现上下游供需平衡的代驾服务调度方法，提供了一种基于BP神经网络自动进行代驾订单派送的新方案，即在获取在最近单位时间内接收到的N个代驾订单后，根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，以便用隐藏节点的节点值来作为用于向对应代驾终端派单的且可基于BP神经网络的梯度下降法进行调整的代驾订单序号，然后将N个接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，最后根据所述新BP神经网络中各个隐藏节点的节点值，得到使上游司机群体所提供的运力能够准确匹配下游用户群体的基本代驾需求及准点性需求的且对所述N个代驾订单进行派送的代驾服务调度方案，进而实现上下游供需平衡的目的，便于实际应用和推广。
本实施例在前述第一方面的技术方案基础上，还提供了一种如何避免向已驾驶疲劳的代驾司机过度派单的可能设计一，即在创建所述BP神经网络之后且将所述输出目标向量导入所述BP神经网络之前，所述方法还包括但不限于有：按照如下方式遍历所述M个隐藏节点中的各个隐藏节点：根据对应的历史已接代驾订单，若发现对应的代驾司机当前在24小时内的累计驾驶时长超过预设的第一时长阈值或者当前已连续驾驶时长超过预设的第二时长阈值，则将对应的节点值锁定为不可调整的零值。具体的，所述累计驾驶时长可以但不限于包含有代驾时长/和骑行驾驶时长，所述连续驾驶时长也可以但不限于包含有代驾时长/和骑行驾驶时长。
由此基于前述的可能设计一，可避免向已驾驶疲劳的代驾司机过度派单，并可有效减少后续训练所需的调整时间，利于快速得到训练结果。
本实施例在前述第一方面的技术方案基础上，还提供了一种如何避免向已超量接单的代驾司机过度派单的可能设计二，即在创建所述BP神经网络之后且将所述输出目标向量导入所述BP神经网络之前，所述方法还包括但不限于有：按照如下方式遍历所述M个隐藏节点中的各个隐藏节点：根据对应的历史已接代驾订单，若发现对应的当前未完结单数达到/超过两单，则将对应的节点值锁定为不可调整的零值。
由此基于前述的可能设计二，可避免向已超量接单的代驾司机过度派单，并可有效减少后续训练所需的调整时间，利于快速得到训练结果。
本实施例在前述第一方面的技术方案基础上，还提供了一种在初次平衡失败时如何进行平衡优化的可能设计三，即所述方法还包括但不限于有如下步骤S61～S62。
S61.当节点值调整次数超过预设的次数阈值时，使N个所述接驾等待时长中的各个接驾等待时长分别自加预设的步进时长或者使N个所述接驾等待时长中的最短接驾等待时长自加预设的步进时长，得到新的输出目标向量。
在所述步骤S61中，所述次数阈值用于作为判定初次平衡是否失败的依据，即表示在多次进行节点值调整后依然不能使上游司机群体所提供的运力能够准确匹配下游用户群体的基本代驾需求及准点性需求（一般是因至少一个接驾等待时长过短导致）。此外，所述步进时长可以举例为1分钟，以及若有多个接驾等待时长同为最短接驾等待时长，可使所述多个接驾等待时长中的任意一个或所有接驾等待时长自加上所述步进时长。
S62.将所述新的输出目标向量，重新导入所述BP神经网络中进行训练（即再执行一次步骤S4～S5）。
由此基于前述步骤S61～S62所描述的可能设计三，可以在初次平衡失败时，通过调整输出目标向量来进行平衡优化，确保最终能够得到使上游司机群体所提供的运力能够准确匹配下游用户群体的基本代驾需求及准点性需求的代驾服务调度方案。
如图3所示，本实施例第二方面提供了一种实现第一方面或第一方面中任一可能设计所述的代驾服务调度方法的虚拟装置，包括有数据获取模块、网络创建模块、时长计算模块、网络训练模块和遍历推送模块；
所述数据获取模块，用于获取在最近单位时间内接收到的N个代驾订单，其中，N表示非零自然数，所述代驾订单包含有代驾起点位置、代驾终点位置和指定接驾时刻；
所述网络创建模块，通信连接所述数据获取模块，用于根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，其中，M表示不小于N的自然数，所述隐藏层包含有与所述M个代驾终端一一对应的M个隐藏节点，所述输出层包含有与所述N个代驾订单一一对应的N个输出节点，所述M个隐藏节点与所述N个输出节点多对多连接；
所述时长计算模块，通信连接所述数据获取模块，用于针对所述N个代驾订单中的各个代驾订单，计算得到对应的且从当前时刻至对应的指定接驾时刻的接驾等待时长；
所述网络训练模块，分别通信连接所述网络创建模块和所述时长计算模块，用于将N个所述接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，其中，所述网络训练模块包括有输出向量计算单元、误差平方值计算单元和判断单元；
所述输出向量计算单元，用于按照如下公式计算得到输出向量:
Figure 118756DEST_PATH_IMAGE088
式中，
Figure 8215DEST_PATH_IMAGE004
表示不大于N的非零自然数，
Figure 215205DEST_PATH_IMAGE042
表示所述N个输出节点中第
Figure 594234DEST_PATH_IMAGE004
个输出节点的输出值，所述输出向量表示为
Figure 722727DEST_PATH_IMAGE062
，
Figure 947035DEST_PATH_IMAGE010
表示不大于M的非零自然数，
Figure 539690DEST_PATH_IMAGE063
表示所述M个隐藏节点中第
Figure 260259DEST_PATH_IMAGE010
个隐藏节点的节点值，
Figure 672786DEST_PATH_IMAGE045
表示与所述第
Figure 966364DEST_PATH_IMAGE010
个隐藏节点对应的当前代驾接单状态： 0表示当前无单，1表示当前有一单且已在代驾状态中，2表示当前有一单且未在代驾状态中，
Figure 351209DEST_PATH_IMAGE064
表示用于判断
Figure 806461DEST_PATH_IMAGE065
是否等于
Figure 706284DEST_PATH_IMAGE004
的函数，并在是时输出1，而在否时输出0，
Figure 272395DEST_PATH_IMAGE066
表示从与所述第
Figure 777325DEST_PATH_IMAGE010
个隐藏节点对应的当前代驾终端位置至与所述第
Figure 403479DEST_PATH_IMAGE048
个输出节点对应的代驾起点位置的骑行路程，
Figure 790598DEST_PATH_IMAGE049
表示从所述当前代驾终端位置至在与所述第
Figure 363662DEST_PATH_IMAGE010
个隐藏节点对应的当前所接代驾订单中的代驾终点位置的车行路程，
Figure 519836DEST_PATH_IMAGE067
表示从所述当前所接代驾订单中的代驾终点位置至与所述第
Figure 582470DEST_PATH_IMAGE004
个输出节点对应的代驾起点位置的骑行路程，
Figure 191306DEST_PATH_IMAGE068
表示从所述当前代驾终端位置至所述当前所接代驾订单中的代驾起点位置的骑行路程，
Figure 302482DEST_PATH_IMAGE069
表示从所述当前所接代驾订单中的代驾起点位置至所述当前所接代驾订单中的代驾终点位置的车行路程，
Figure 313163DEST_PATH_IMAGE053
表示骑行平均速度，
Figure 546698DEST_PATH_IMAGE054
表示驾驶平均速度，
Figure 846093DEST_PATH_IMAGE055
表示预设的交车所需时长，
Figure 557697DEST_PATH_IMAGE056
表示预设的接车所需时长，
Figure 688464DEST_PATH_IMAGE057
表示无穷大；
所述误差平方值计算单元，通信连接所述输出向量计算单元，用于计算得到所述输出向量与所述输出目标向量的误差平方值，其中，所述输出目标向量表示为
Figure 827321DEST_PATH_IMAGE031
，
Figure 614011DEST_PATH_IMAGE030
表示N个所述接驾等待时长中的第
Figure 394886DEST_PATH_IMAGE004
个接驾等待时长；
所述判断单元，分别通信连接所述误差平方值计算单元和所述输出向量计算单元，用于判断所述误差平方值是否小于预设的目标阈值，若是，则停止训练，得到完成训练的新BP神经网络，否则基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，然后再次启动所述输出向量计算单元，其中，所述节点值的调整约束条件包含有：取值为不大于N的自然数，在所述M个隐藏节点的且在调整后的所有节点值中仅有N个节点值为非零自然数，并且所述M个隐藏节点的且在调整后的节点值总和为
Figure 114580DEST_PATH_IMAGE058
；
所述遍历推送模块，通信连接所述网络训练模块，用于按照如下方式遍历所述新BP神经网络中的各个隐藏节点：若对应的节点值为非零数值
Figure 627601DEST_PATH_IMAGE027
，则向对应的代驾终端推送与第
Figure 698325DEST_PATH_IMAGE027
个输出节点对应的代驾订单。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的代驾服务调度方法，于此不再赘述。
如图4所示，本实施例第三方面提供了一种执行如第一方面或第一方面中任一可能设计所述的代驾服务调度方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任一可能设计所述的代驾服务调度方法。具体举例的，所述存储器可以但不限于包括随机存取存储器（Random-AccessMemory，RAM）、只读存储器（Read-Only Memory，ROM）、闪存（Flash Memory）、先进先出存储器（First Input First Output，FIFO）和/或先进后出存储器（First Input Last Output，FILO）等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的代驾服务调度方法，于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面或第一方面中任一可能设计所述的代驾服务调度方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任一可能设计所述的代驾服务调度方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面或第一方面中任一可能设计所述的代驾服务调度方法，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任一可能设计所述的代驾服务调度方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (10)

1.一种实现上下游供需平衡的代驾服务调度方法，其特征在于，包括：
获取在最近单位时间内接收到的N个代驾订单，其中，N表示非零自然数，所述代驾订单包含有代驾起点位置、代驾终点位置和指定接驾时刻；
根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，其中，M表示不小于N的自然数，所述隐藏层包含有与所述M个代驾终端一一对应的M个隐藏节点，所述输出层包含有与所述N个代驾订单一一对应的N个输出节点，所述M个隐藏节点与所述N个输出节点多对多连接；
针对所述N个代驾订单中的各个代驾订单，计算得到对应的且从当前时刻至对应的指定接驾时刻的接驾等待时长；
将N个所述接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，其中，所述BP神经网络的训练过程包括有如下步骤S41～S43：
S41.按照如下公式计算得到输出向量
Figure 506525DEST_PATH_IMAGE001
式中，
Figure 345168DEST_PATH_IMAGE002
表示不大于N的非零自然数，
Figure 970184DEST_PATH_IMAGE003
表示所述N个输出节点中第
Figure 32818DEST_PATH_IMAGE002
个输出节点的输出值，所述输出向量表示为
Figure 844916DEST_PATH_IMAGE004
，
Figure 18409DEST_PATH_IMAGE005
表示不大于M的非零自然数，
Figure 232352DEST_PATH_IMAGE006
表示所述M个隐藏节点中第
Figure 200308DEST_PATH_IMAGE005
个隐藏节点的节点值，
Figure 30861DEST_PATH_IMAGE007
表示与所述第
Figure 945728DEST_PATH_IMAGE005
个隐藏节点对应的当前代驾接单状态： 0表示当前无单，1表示当前有一单且已在代驾状态中，2表示当前有一单且未在代驾状态中，
Figure 76495DEST_PATH_IMAGE008
表示用于判断
Figure 418614DEST_PATH_IMAGE009
是否等于
Figure 267622DEST_PATH_IMAGE002
的函数，并在是时输出1，而在否时输出0，
Figure 782917DEST_PATH_IMAGE010
表示从与所述第
Figure 216127DEST_PATH_IMAGE005
个隐藏节点对应的当前代驾终端位置至与所述第
Figure 791465DEST_PATH_IMAGE011
个输出节点对应的代驾起点位置的骑行路程，
Figure 65451DEST_PATH_IMAGE012
表示从所述当前代驾终端位置至在与所述第
Figure 118858DEST_PATH_IMAGE005
个隐藏节点对应的当前所接代驾订单中的代驾终点位置的车行路程，
Figure 224217DEST_PATH_IMAGE013
表示从所述当前所接代驾订单中的代驾终点位置至与所述第
Figure 704877DEST_PATH_IMAGE002
个输出节点对应的代驾起点位置的骑行路程，
Figure 466160DEST_PATH_IMAGE014
表示从所述当前代驾终端位置至所述当前所接代驾订单中的代驾起点位置的骑行路程，
Figure 323257DEST_PATH_IMAGE015
表示从所述当前所接代驾订单中的代驾起点位置至所述当前所接代驾订单中的代驾终点位置的车行路程，
Figure 17544DEST_PATH_IMAGE016
表示骑行平均速度，
Figure 137947DEST_PATH_IMAGE017
表示驾驶平均速度，
Figure 917684DEST_PATH_IMAGE018
表示预设的交车所需时长，
Figure 578472DEST_PATH_IMAGE019
表示预设的接车所需时长，
Figure 596107DEST_PATH_IMAGE020
表示无穷大；
S42.计算得到所述输出向量与所述输出目标向量的误差平方值，其中，所述输出目标向量表示为
Figure 418569DEST_PATH_IMAGE021
，
Figure 951182DEST_PATH_IMAGE022
表示N个所述接驾等待时长中的第
Figure 150082DEST_PATH_IMAGE002
个接驾等待时长；
S43.判断所述误差平方值是否小于预设的目标阈值，若是，则停止训练，得到完成训练的新BP神经网络，否则基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，然后返回执行步骤S41，其中，所述节点值的调整约束条件包含有：取值为不大于N的自然数，在所述M个隐藏节点的且在调整后的所有节点值中仅有N个节点值为非零自然数，并且所述M个隐藏节点的且在调整后的节点值总和为
Figure 22223DEST_PATH_IMAGE023
；
按照如下方式遍历所述新BP神经网络中的各个隐藏节点：若对应的节点值为非零数值
Figure 953270DEST_PATH_IMAGE024
，则向对应的代驾终端推送与第
Figure 973179DEST_PATH_IMAGE024
个输出节点对应的代驾订单。
2.如权利要求1所述的代驾服务调度方法，其特征在于，在创建所述BP神经网络之后且将所述输出目标向量导入所述BP神经网络之前，所述方法还包括：
按照如下方式遍历所述M个隐藏节点中的各个隐藏节点：根据对应的历史已接代驾订单，若发现对应的代驾司机在24小时内的累计驾驶时长超过预设的第一时长阈值或者已连续驾驶时长超过预设的第二时长阈值，则将对应的节点值锁定为不可调整的零值。
3.如权利要求1所述的代驾服务调度方法，其特征在于，在创建所述BP神经网络之后且将所述输出目标向量导入所述BP神经网络之前，所述方法还包括：
按照如下方式遍历所述M个隐藏节点中的各个隐藏节点：根据对应的历史已接代驾订单，若发现对应的当前未完结单数达到/超过两单，则将对应的节点值锁定为不可调整的零值。
4.如权利要求1所述的代驾服务调度方法，其特征在于，计算得到所述输出向量与所述输出目标向量的误差平方值，包括：
根据所述输出向量和所述输出目标向量，按照如下公式计算得到所述N个输出节点的输出差值：
Figure 411988DEST_PATH_IMAGE025
式中，
Figure 200952DEST_PATH_IMAGE026
表示所述N个输出节点中第
Figure 630797DEST_PATH_IMAGE002
个输出节点的输出差值，
Figure 75685DEST_PATH_IMAGE022
表示N个所述接驾等待时长中的第
Figure 616387DEST_PATH_IMAGE002
个接驾等待时长，所述输出目标向量表示为
Figure 463121DEST_PATH_IMAGE021
，当
Figure 798287DEST_PATH_IMAGE022
为单点值时，
Figure 792788DEST_PATH_IMAGE027
，或者当
Figure 74865DEST_PATH_IMAGE022
为区间值时，
Figure 572842DEST_PATH_IMAGE028
表示在
Figure 610068DEST_PATH_IMAGE022
中的第一数值，
Figure 763969DEST_PATH_IMAGE029
表示在
Figure 646474DEST_PATH_IMAGE030
中的第二数值；
根据所述N个输出节点的输出差值，计算得到所述输出向量与所述输出目标向量的误差平方值
Figure 264538DEST_PATH_IMAGE031
、
Figure 207086DEST_PATH_IMAGE032
或
Figure 848283DEST_PATH_IMAGE033
。
5.如权利要求1所述的代驾服务调度方法，其特征在于，基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，包括：
针对所述M个隐藏节点中的各个隐藏节点，按照如下方式遍历所述N个输出节点中的各个输出节点：根据对应的历史已接代驾订单和与某个输出节点对应的代驾订单，若发现对应的代驾司机在接下该代驾订单后会导致在24小时内的累计驾驶时长超过预设的第一时长阈值或者会导致连续驾驶时长超过预设的第二时长阈值，则在一个不包含非零自然数
Figure 534479DEST_PATH_IMAGE034
的范围内基于BP神经网络的梯度下降法来调整对应的节点值，其中，
Figure 7049DEST_PATH_IMAGE034
为该某个输出节点在所述N个输出节点中的序号。
6.如权利要求1所述的代驾服务调度方法，其特征在于，所述方法还包括：
当节点值调整次数超过预设的次数阈值时，使N个所述接驾等待时长中的各个接驾等待时长分别自加预设的步进时长或者使N个所述接驾等待时长中的最短接驾等待时长自加预设的步进时长，得到新的输出目标向量；
将所述新的输出目标向量，重新导入所述BP神经网络中进行训练。
7.如权利要求1所述的代驾服务调度方法，其特征在于，在向与某个隐藏节点对应的代驾终端推送与某个输出节点对应的代驾订单时，所述方法还包括：
启动计时器；
在所述计时器的计时到达预设的第三时长阈值时，若仍未收到由与该某个隐藏节点对应的代驾终端反馈的接单响应消息，则将与该某个输出节点对应的代驾订单作为在新的最近单位时间内接收到的代驾订单，然后根据新的至少一个代驾订单和当前在线的多个代驾终端，重新创建BP神经网络并进行训练。
8.一种实现上下游供需平衡的代驾服务调度装置，其特征在于，包括有数据获取模块、网络创建模块、时长计算模块、网络训练模块和遍历推送模块；
所述数据获取模块，用于获取在最近单位时间内接收到的N个代驾订单，其中，N表示非零自然数，所述代驾订单包含有代驾起点位置、代驾终点位置和指定接驾时刻；
所述网络创建模块，通信连接所述数据获取模块，用于根据所述N个代驾订单和当前在线的M个代驾终端，创建包含有输入层、隐藏层和输出层的反向传播BP神经网络，其中，M表示不小于N的自然数，所述隐藏层包含有与所述M个代驾终端一一对应的M个隐藏节点，所述输出层包含有与所述N个代驾订单一一对应的N个输出节点，所述M个隐藏节点与所述N个输出节点多对多连接；
所述时长计算模块，通信连接所述数据获取模块，用于针对所述N个代驾订单中的各个代驾订单，计算得到对应的且从当前时刻至对应的指定接驾时刻的接驾等待时长；
所述网络训练模块，分别通信连接所述网络创建模块和所述时长计算模块，用于将N个所述接驾等待时长作为输出目标向量导入所述BP神经网络中，得到完成训练的新BP神经网络，其中，所述网络训练模块包括有输出向量计算单元、误差平方值计算单元和判断单元；
所述输出向量计算单元，用于按照如下公式计算得到输出向量:
Figure 323760DEST_PATH_IMAGE035
式中，
Figure 248991DEST_PATH_IMAGE002
表示不大于N的非零自然数，
Figure 738878DEST_PATH_IMAGE003
表示所述N个输出节点中第
Figure 800375DEST_PATH_IMAGE002
个输出节点的输出值，所述输出向量表示为
Figure 287988DEST_PATH_IMAGE004
，
Figure 966094DEST_PATH_IMAGE005
表示不大于M的非零自然数，
Figure 994093DEST_PATH_IMAGE006
表示所述M个隐藏节点中第
Figure 877473DEST_PATH_IMAGE005
个隐藏节点的节点值，
Figure 67146DEST_PATH_IMAGE007
表示与所述第
Figure 232548DEST_PATH_IMAGE005
个隐藏节点对应的当前代驾接单状态： 0表示当前无单，1表示当前有一单且已在代驾状态中，2表示当前有一单且未在代驾状态中，
Figure 1921DEST_PATH_IMAGE008
表示用于判断
Figure 303590DEST_PATH_IMAGE009
是否等于
Figure 929743DEST_PATH_IMAGE002
的函数，并在是时输出1，而在否时输出0，
Figure 520124DEST_PATH_IMAGE010
表示从与所述第
Figure 155505DEST_PATH_IMAGE005
个隐藏节点对应的当前代驾终端位置至与所述第
Figure 46101DEST_PATH_IMAGE011
个输出节点对应的代驾起点位置的骑行路程，
Figure 46418DEST_PATH_IMAGE036
表示从所述当前代驾终端位置至在与所述第
Figure 920833DEST_PATH_IMAGE005
个隐藏节点对应的当前所接代驾订单中的代驾终点位置的车行路程，
Figure 94325DEST_PATH_IMAGE037
表示从所述当前所接代驾订单中的代驾终点位置至与所述第
Figure 308269DEST_PATH_IMAGE002
个输出节点对应的代驾起点位置的骑行路程，
Figure 276225DEST_PATH_IMAGE038
表示从所述当前代驾终端位置至所述当前所接代驾订单中的代驾起点位置的骑行路程，
Figure 637936DEST_PATH_IMAGE039
表示从所述当前所接代驾订单中的代驾起点位置至所述当前所接代驾订单中的代驾终点位置的车行路程，
Figure 349540DEST_PATH_IMAGE016
表示骑行平均速度，
Figure 417990DEST_PATH_IMAGE017
表示驾驶平均速度，
Figure 822427DEST_PATH_IMAGE040
表示预设的交车所需时长，
Figure 405855DEST_PATH_IMAGE019
表示预设的接车所需时长，
Figure 858833DEST_PATH_IMAGE020
表示无穷大；
所述误差平方值计算单元，通信连接所述输出向量计算单元，用于计算得到所述输出向量与所述输出目标向量的误差平方值，其中，所述输出目标向量表示为
Figure 844106DEST_PATH_IMAGE041
，
Figure 419444DEST_PATH_IMAGE022
表示N个所述接驾等待时长中的第
Figure 693431DEST_PATH_IMAGE002
个接驾等待时长；
所述判断单元，分别通信连接所述误差平方值计算单元和所述输出向量计算单元，用于判断所述误差平方值是否小于预设的目标阈值，若是，则停止训练，得到完成训练的新BP神经网络，否则基于BP神经网络的梯度下降法来调整所述M个隐藏节点的节点值，然后再次启动所述输出向量计算单元，其中，所述节点值的调整约束条件包含有：取值为不大于N的自然数，在所述M个隐藏节点的且在调整后的所有节点值中仅有N个节点值为非零自然数，并且所述M个隐藏节点的且在调整后的节点值总和为
Figure 12417DEST_PATH_IMAGE042
；
所述遍历推送模块，通信连接所述网络训练模块，用于按照如下方式遍历所述新BP神经网络中的各个隐藏节点：若对应的节点值为非零数值
Figure 553994DEST_PATH_IMAGE024
，则向对应的代驾终端推送与第
Figure 34654DEST_PATH_IMAGE043
个输出节点对应的代驾订单。
9.一种计算机设备，其特征在于，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7中任意一项所述的代驾服务调度方法。
10.一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上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7中任意一项所述的代驾服务调度方法。
CN202210908956.6A 2022-07-29 2022-07-29 一种实现上下游供需平衡的代驾服务调度方法及装置 Active CN114997747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210908956.6A CN114997747B (zh) 2022-07-29 2022-07-29 一种实现上下游供需平衡的代驾服务调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210908956.6A CN114997747B (zh) 2022-07-29 2022-07-29 一种实现上下游供需平衡的代驾服务调度方法及装置

Publications (2)

Publication Number Publication Date
CN114997747A true CN114997747A (zh) 2022-09-02
CN114997747B CN114997747B (zh) 2022-11-04

Family

ID=83021849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210908956.6A Active CN114997747B (zh) 2022-07-29 2022-07-29 一种实现上下游供需平衡的代驾服务调度方法及装置

Country Status (1)

Country Link
CN (1) CN114997747B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115473901A (zh) * 2022-11-15 2022-12-13 四川汉唐云分布式存储技术有限公司 一种分布式算力集群智慧调度方法、装置及计算机设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110246404A1 (en) * 2010-03-30 2011-10-06 Sap Ag Method for Allocating Trip Sharing
CN105373840A (zh) * 2015-10-14 2016-03-02 深圳市天行家科技有限公司 代驾订单预测方法和代驾运力调度方法
CN110782648A (zh) * 2018-12-03 2020-02-11 北京嘀嘀无限科技发展有限公司 确定预计到达时间的系统和方法
US20200164891A1 (en) * 2018-11-28 2020-05-28 International Business Machines Corporation Intelligent vehicle action decisions
CN111832870A (zh) * 2019-08-19 2020-10-27 北京嘀嘀无限科技发展有限公司 一种代驾资源的协调方法、协调装置及可读存储介质
CN113393007A (zh) * 2021-07-09 2021-09-14 广州煜煊信息科技有限公司 基于物联网技术的代驾预测方法、系统和调度系统
CN114529180A (zh) * 2022-02-11 2022-05-24 支付宝(杭州)信息技术有限公司 数据处理方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110246404A1 (en) * 2010-03-30 2011-10-06 Sap Ag Method for Allocating Trip Sharing
CN105373840A (zh) * 2015-10-14 2016-03-02 深圳市天行家科技有限公司 代驾订单预测方法和代驾运力调度方法
US20200164891A1 (en) * 2018-11-28 2020-05-28 International Business Machines Corporation Intelligent vehicle action decisions
CN110782648A (zh) * 2018-12-03 2020-02-11 北京嘀嘀无限科技发展有限公司 确定预计到达时间的系统和方法
CN111832870A (zh) * 2019-08-19 2020-10-27 北京嘀嘀无限科技发展有限公司 一种代驾资源的协调方法、协调装置及可读存储介质
CN113393007A (zh) * 2021-07-09 2021-09-14 广州煜煊信息科技有限公司 基于物联网技术的代驾预测方法、系统和调度系统
CN114529180A (zh) * 2022-02-11 2022-05-24 支付宝(杭州)信息技术有限公司 数据处理方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115473901A (zh) * 2022-11-15 2022-12-13 四川汉唐云分布式存储技术有限公司 一种分布式算力集群智慧调度方法、装置及计算机设备
CN115473901B (zh) * 2022-11-15 2023-03-10 四川汉唐云分布式存储技术有限公司 一种分布式算力集群智慧调度方法、装置及计算机设备

Also Published As

Publication number Publication date
CN114997747B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
US11009358B2 (en) Selecting a route to a destination based on zones
US20200300644A1 (en) Multi-Modal Transportation Service Planning and Fulfillment
US10775783B2 (en) System for asymmetric just-in-time human intervention in automated vehicle fleets
CN108876156A (zh) 拼车及用户订单处理方法、系统及所适用的设备
CN114997747B (zh) 一种实现上下游供需平衡的代驾服务调度方法及装置
CN108875094B (zh) 一种公交信息系统
CN104021667A (zh) 整合预约服务与实时打车的出租车合乘调度系统及调度方法
CN103413458A (zh) 全域停车场信息共享及泊位预定方法和实现该方法的系统
CN102903028A (zh) 一种面向应急的多飞艇对地观测任务协同分配方法
CN107316092B (zh) 一种城际网约车拼车客户搜索及接送方法
CN108564791A (zh) 交通信息处理方法、装置和计算设备
CN108566242A (zh) 一种针对遥感数据传输业务的空间信息网络资源调度系统
CN110232540A (zh) 业务订单撮合方法及装置
CN106339767A (zh) 基于lbs的客房精准报价方法及房态管理控制系统
CN111754803B (zh) 信息处理装置、移动体、计算机可读记录介质以及方法
US20220113147A1 (en) Systems and Methods for Mitigating Third Party Contingencies
Cheng et al. The adaptive recommendation mechanism for distributed group in mobile environments
JP2023540731A (ja) オンライン予約車両情報処理方法、装置、機器、及びコンピュータ記憶媒体
CN109685492A (zh) 一种公共交通付款方法和装置
CN111612286B (zh) 一种订单分配方法、装置、电子设备及存储介质
US20210350479A1 (en) Systems and Methods for Communicating with Secondary Users of a Transportation Service
CN109635983A (zh) 一种公共巴士的差价补交方法和装置
AU2021218052A1 (en) Selecting a route to a destination based on zones
CN107633672A (zh) 一种伺服出行专用智能网络平台的构建方法
CN113191512A (zh) 车辆预约方法及装置

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