CN115438868A - 一种基于需求密度预测的无人驾驶出租车集约化调度方法 - Google Patents
一种基于需求密度预测的无人驾驶出租车集约化调度方法 Download PDFInfo
- Publication number
- CN115438868A CN115438868A CN202211126102.9A CN202211126102A CN115438868A CN 115438868 A CN115438868 A CN 115438868A CN 202211126102 A CN202211126102 A CN 202211126102A CN 115438868 A CN115438868 A CN 115438868A
- Authority
- CN
- China
- Prior art keywords
- unmanned taxi
- passenger
- demand
- taxi
- chromosome
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000004931 aggregating effect Effects 0.000 claims abstract description 4
- 210000000349 chromosome Anatomy 0.000 claims description 133
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 27
- 108090000623 proteins and genes Proteins 0.000 claims description 24
- 230000029305 taxis Effects 0.000 claims description 20
- 230000008447 perception Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 241000287196 Asthenes Species 0.000 claims description 3
- 230000002759 chromosomal effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 79
- 238000004891 communication Methods 0.000 description 2
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012224 gene deletion Methods 0.000 description 1
- 230000004545 gene duplication Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G06Q50/40—
Abstract
本发明提供一种基于需求密度预测的无人驾驶出租车集约化调度方法，涉及需求预测与调度技术领域。该方法首先聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征；并提取无人驾驶出租车需求的外部特征；再将无人驾驶出租车需求的时空特征和外部特征进行融合，获取不同领域无人驾驶出租车需求的预测值；然后从时间层和外部特征预测无人驾驶出租车需求；最后在预测的无人驾驶出租车需求的基础上，采用启发式遗传算法实现无人驾驶出租车与乘客的匹配。该方法消除了无人驾驶出租车需求密度对某一特征的过度依赖，可将无人驾驶出租车及时调度到具有高收益潜力的区域，提升了无人驾驶出租车接单率和利润率，实现了全局供需平衡。
Description
技术领域
本发明涉及需求预测与调度技术领域，尤其涉及一种基于需求密度预测的无人驾驶出租车集约化调度方法。
背景技术
由于交通量的快速增长和低效的调度操作，传统的交通系统为人类提供舒适便利出行条件的同时也面临着乘客等车时间过长，更多的燃料消耗和交通拥堵和等严峻的挑战。为解决上述问题，提升系统效率，需要预测不同时间间隔内不同空间区域的车辆需求分布，各平台根据准确预测的车辆分布信息智能的进行车辆分配。无人驾驶出租车在此基础上降低了沟通成本，市民只需在小程序中输入目的地，系统即可自动匹配相应路线和乘车点，并呼叫车辆，将乘客需求与车辆派发对接起来，同时避免了在狭小空间内与他人的接触，未来通行效率和便捷程度前景广阔。
目前，预测无人驾驶出租车需求的研究体系主要包含基于统计、基于机器学习和基于深度学习三种方法。多数方法虽然融合了时间和空间特征，但未充分考虑特征内部的信息差异性。车辆调度多用于实现城市区域乘客需求和出租车供应之间的平衡。传统网约车虽充分考虑乘客等待时间和供需平衡问题，但司机和乘客的仍存在沟通成本且很少考虑利益问题。
因此，设计合理的网络内部结构和调度策略，使其可应用于更广泛的预测场景，使供车平台和乘客实现双赢，是目前亟需解决的问题。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于需求密度预测的无人驾驶出租车集约化调度方法，实现无人驾驶出租车需求长时延、大跨度的预测和高收益调度。
为解决上述技术问题，本发明所采取的技术方案是：一种基于需求密度预测的无人驾驶出租车集约化调度方法，包括以下步骤：
步骤1：动态聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征；
步骤1.1：将无人驾驶出租车需求按照时间尺度划分为邻近层Hc、周期层Hd、近趋势层 Hk和远趋势层Hm四个时间层；
步骤1.2：将每个时间层的无人驾驶出租车需求按照需求频度划分为三个感知域；
将一个地区划分成PxQ个空间网格，每个网格都有对应的无人驾驶出租车历史需求数据，则将4个时间层对应的无人驾驶出租车历史需求数据记为张量
η＝c,d,k,m用于表示四个时间层，
表示实数；再将每个时间层的无人驾驶出租车需求按照需求频度划分为三个感知域，如下公式所示：
其中，
表示时间层η对应的第g个感知域，g＝0、1、2，I为无人驾驶出租车需求；α和β为动态确定的需求边界；
步骤1.3：针对4个时间层，设计CELU网络结构捕获无人驾驶出租车需求的全范围时空相关性；
所述CELU网络结构由卷积层Conva、L层残差单元以及卷积层Convb组成，能够动态聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征，具体方法为：
(1)针对每个时间层内的需求频度，将不同区域历史时段的需求转换成双通道图像状矩阵，通过卷积层Conva进行初步特征提取，输出结果记为
如下公式所示：
其中，
分别为卷积层Conva的权重和偏置，用于调整不同时间层对结果预测的重要程度；*表示卷积算子；
(2)将卷积层Conva输出的特征映射送入l个连续的残差单元，每个残差单元计算结果如下公式所示：
其中，ξ是残差函数，
为残差单元的输入；
表示第l个残差单元中所有需学习的参数；
所述残差单元为三层结构，其中第一层和第二层均为层卷积层Conv和激活函数ELU的结构组合，第三层在第二层的基础上叠加Dropout层；
(3)经过第L个残差单元后的输出记为
将其送至卷积层Convb进行数据规格的统一，从而得到一个时间层的无人驾驶出租车需求输出，记为
如下公式所示：
其中，
是激活函数；
和
分别为卷积层Convb的权重和偏置；
步骤2：提取无人驾驶出租车需求的外部环境特征和兴趣点特征；
步骤2.1：提取无人驾驶出租车需求的外部环境特征；
对每个时段分别提取一组无人驾驶出租车需求的外部环境特征向量，包含气象Omet、星期向量
是整数、工作日Owrk和节假日Ohol；并将不同时段的特征向量拼接为矩阵的形式，记为Ohmw，再将该矩阵送入全连接层进行特征提取，得到基于Omet、
Owrk和Ohol的外部环境特征，记为Ost，如下公式所示：
其中，×表示矩阵的乘法，Wst和bst分别代表外部环境特征的权重和偏置；
步骤2.2：使用卷积神经网络结合全连接层来提取无人驾驶出租车需求的兴趣点特征，得到基于兴趣点Opoi的兴趣点特征，记为Osc，如下公式所示：
其中，Wsc和bsc分别代表兴趣点特征的权重和偏置，其值取决于各兴趣点对无人驾驶出租车需求的影响程度；
步骤3：将无人驾驶出租车需求的时空特征和外部特征进行融合；
步骤3.1：采用基于参数矩阵的融合方式，从4个不同的时间层上挖掘无人驾驶出租车需求的时空信息，得到tj时段无人驾驶出租车需求的时空特征，记为
如下公式所示：
此处的融合分为两个部分，首先是每个时间层内的3种不同需求频度感知域融合，得到的融合向量记为
之后是4个时间层之间的融合，计算公式如式(8)、(9)所示：
其中，
是Hadamard乘积；Wη,0，Wη,1，Wη,2分别表示3个需求频度感知域的权重矩阵；Wc，Wd，Wk，Wm分别表示4个时间层的权重矩阵；
为偏置；
步骤3.2：将外部环境特征和兴趣点特征进行融合，得到无人驾驶出租车需求的外部特征，记为REx，如式(10)所示：
其中，Wsc，Wst，bEx均为可调整的权重参数；
步骤3.3：将无人驾驶出租车需求的时空特征和外部特征进行融合，使二者进行协同训练以获取不同领域无人驾驶出租车需求的预测值；
利用两种不同的融合方法对时空特征和外部特征进行融合；采用求和融合方法
来表征逐步变化的需求，而对于突然变化的需求，则应用基于门控机制的融合方法进行融合
最后通过Tanh函数将融合的特征映射到[-1,1]，得到无人驾驶出租车需求的预测值，如下公式所示：
其中，
为tj时段无人驾驶出租车需求的预测值，φ为门控激活函数sigmoid；
步骤4：从四个时间层和外部特征预测无人驾驶出租车需求；
以最小化无人驾驶出租车需求的预测矩阵
和真实矩阵
之间的均方误差为目标函数，获得无人驾驶出租车需求预测所涉及的权重和偏差的最优取值，实现从四个时间层和外部特征预测需求；
目标函数下公式所示：
其中，ψ表示目标函数，W和b分别表示无人驾驶出租车需求预测所涉及的所有权重和偏差集合；
步骤5：在步骤4预测的无人驾驶出租车需求的基础上，采用启发式遗传算法实现无人驾驶出租车与乘客的匹配；
步骤5.1：采用实数编码方式对无人驾驶出租车和乘客进行编码；
采用实数编码方式表示无人驾驶出租车和乘客，即[x1,y1,x2,y2,…,xn,yn]，其中，xi为无人驾驶出租车did，yi为乘客sid，[xi,yi]表示无人驾驶出租车与乘客匹配，也表示染色体内的一个基因，i＝1、2、…、n，n表示无人驾驶出租车的数量；
步骤5.2：种群初始化；
将种群分为C个基因组，基因组数量C根据无人驾驶出租车位置动态决定，各组分别包括u个基因组染色体，u的值由公式(13)给出；
其中，Agen为基因组内乘客数量，Bgen为基因组内无人驾驶出租车数量；
基因组内，当Agen-Bgen＞0时，固定无人驾驶出租车did，不重复的随机生成乘客sid，此时，无人驾驶出租车的数量n＝Bgen，车辆完全匹配；当Agen-Bgen＜0时，随机选取数量为Agen的无人驾驶出租车，固定其对应的车辆编号did，不重复的随机生成乘客编号sid，此时，无人驾驶出租车的数量n＝Agen，乘客完全匹配；
从各基因组中分别随机选取基因组染色体拼合形成G条带有基因组标记的完整染色体，对G条完整染色体进行去重和遗传操作，经历θ次迭代，选出最优染色体即为无人驾驶出租车与乘客的匹配结果；
步骤5.3：对种群内完整染色体进行去重与修复；
步骤5.3.1：对种群内完整染色体进行去重；
步骤5.3.1.1：取染色体中乘客编号集合SID与车辆编号集合DID，定位染色体中重复出现的乘客编号及其所在基因组，获取该基因组内乘客总编号集合与SID的差集SDS，将重复乘客对应的车辆编号和车辆总编号集合与DID的差集汇总为集合DDS；定位染色体中重复出现的车辆编号及其所在基因组，获取该基因组内车辆总编号集合与DID的差集DDS，将重复车辆对应的乘客编号和乘客总编号集合与SID的差集汇总为集合SDS；
步骤5.3.1.2：判断集合SDS和DDS是否是空集，如果是空集则从染色体中删除该基因，否则，将集合SDS和DDS中元素汇总形成二分图，通过匈牙利算法得到与该基因最优匹配基因，并替换到原来基因位置；
步骤5.3.1.3：判断所有重复乘客和车辆的编号是否全部替换完毕，若全部替换完毕则结束操作，否则重新执行步骤5.3.1.1；
步骤5.3.2：对完整染色体进行修复；
首先获取车辆和乘客总编号集合，并分别计算车辆和乘客总编号集合与染色体中车辆和乘客编号的差集Dds和Sds，再将差集Dds和Sds汇总并形成二分图，采用匈牙利算法得到最优匹配的基因，最后将最优匹配的基因添加到当前染色体尾部；
染色体经过去重和修复操作后，无人驾驶出租车的数量n＝min{A,B}，A为乘客总数，B 为无人驾驶出租车总数；
步骤5.4：确定种群内完整染色体的适应度函数；
将染色体适应度γ定义为如下公式所示：
其中，
为经济效益
与需求密度集群效益
加权和；
其中，ρ为无人驾驶出租车里程费；δ为时长费；
为tj时段车辆平均速度，
是tj时段车辆在任意两地间平均速度，其值是根据公式
得到各时段内车辆行驶任意两地间所需平均时间
确定的；ε为油耗指数，其与车速的关系满足公式 (16)；N为乘客出发地与乘客目的地的测地距离，E为车辆与乘客的匹配距离，其值随传感邻域阶数
呈线性增长，如公式(17)所示，U为车辆当前位置与乘客出发地的测地距离；
其中，X为下客区无人驾驶出租车需求密度，其值即为无人驾驶出租车需求预测值；σ为权重系数；
为下客区一阶传感邻域无人驾驶出租车需求密度；Xavg为车辆到达目的地时所属时段全局需求密度均值；τ为有效需求区域数；
步骤5.5：对种群内完整染色体进行遗传操作，得到无人驾驶出租车与乘客的最优匹配结果；
步骤5.5.1：对种群内染色体进行选择；
采用轮盘赌选择法和最佳染色体保存法相结合的方式进行染色体选择；
染色体选择概率probability如下公式所示：
其中，γa为当前种群中第a个染色体的适应度，G为种群规模；
将适应度排在前
的染色体直接复制到下一代而不进行交叉，剩余
个染色体采用轮盘赌选择法选择染色体进行交叉；
步骤5.5.2：染色体交叉；
交叉操作在满足交叉概率F＝0.9条件下进行；首先生成0和1之间的随机数Frand，当F 大于Frand时，随机在乘客编码位后产生两个交叉点，定义两交叉点间区域为匹配区域，使用位置交换操作交换两个染色体的匹配区域，执行去重操作，保留适应度大于设定值的染色体并复制到下一代；
步骤5.5.3：染色体变异；
变异操作在满足变异概率K＝0.8条件下进行；其流程如下：
步骤5.5.3.1：判断车辆总编号集中是否有未匹配到乘客编号的车辆编号，若没有，直接执行步骤5.5.3.2；否则，将未匹配到乘客编号的车辆编号汇总为集合DDS，遍历DDS中各车辆编号，执行以下操作；
①获取未匹配到乘客编号的车辆编号所在基因组中未匹配车辆的乘客集Sds，若
遍历Sds中元素，直到找到与车辆编号匹配可使染色体适应度值变大的乘客编号，将该车辆编号与乘客编号插入到染色体中；如果没有可使染色体适应度值变大的乘客编号或
则直接执行步骤②；
②遍历DDS中下一个元素，并再次执行步骤①，直到DDS中所有元素遍历完毕；
步骤5.5.3.2：获取染色体中车辆集DID和乘客集SID，判断车辆总编号集中是否有未匹配到乘客编号的车辆编号，乘客总编号集中是否有未匹配到车辆编号的乘客编号，将未匹配到乘客编号的车辆编号汇总为集合DDS，未匹配到车辆编号的乘客编号汇总为集合SDS；并执行以下操作：
i.判断DDS和SDS是否为空，若
遍历DDS中元素DDSn，然后执行步骤ii；
ii.遍历DID中元素DIDm，判断DIDm所在基因组与DDSn所在基因组是否相同，若不同，则遍历DID下一个元素，重复执行步骤ii，直到遍历完DID中所有元素，再遍历DDS下一个元素；否则，执行步骤iii；
iii.交换染色体DDSn与DIDm，查看染色体适应度值是否增大，如果染色体适应度值增大，则遍历集合DID的下一个元素，重复执行步骤i；否则，更新染色体，重新获取集合DID、SID、 DDS和SDS，并再次执行步骤i；
若
执行与DDS相同操作；当
且
或DDS、SDS中元素全部遍历完成时，执行步骤5.5.3.3；
步骤5.5.3.3：获取染色体中车辆集DID和乘客集SID；遍历集合DID中元素DIDu，并执行以下操作：
Ⅰ、判断该元素DIDu与其后一个元素所在基因组是否相同，若相同，则执行步骤Ⅱ；否则，遍历集合DID下一个元素，直至遍历完集合DID中所有元素；当该元素DIDu与其后所有元素判断完毕，遍历集合DID中的下一个元素；
Ⅱ、交换DIDu与其后一个元素DIDv，查看染色体适应度值是否增大，若没有增大，则遍历元素DIDv的后一个元素，并重复执行操作Ⅰ；否则，更新染色体，重新获取集合DID与SID，并再次遍历集合DID中元素DIDu，执行上述操作Ⅰ、Ⅱ。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于需求密度预测的无人驾驶出租车集约化调度方法，消除了无人驾驶出租车需求密度对某一特征的过度依赖，可将无人驾驶出租车及时调度到具有高收益潜力的区域，兼顾了全局供需平衡和总体盈利能力；消除了无人驾驶出租车需求密度受个别极值点的影响，可平衡数据趋势较大的空间；可有效减少无人驾驶出租车空驶距离和乘客等待时间，结合匈牙利算法防止遗传操作造成基因缺失而无法获得最优解；提升了无人驾驶出租车接单率和利润率，实现了全局供需平衡。
附图说明
图1为本发明实施例提供的一种基于需求密度预测的无人驾驶出租车集约化调度方法的流程图；
图2为本发明实施例提供的对种群内完整染色体进行去重的流程图；
图3为本发明实施例提供的染色体交叉的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，一种基于需求密度预测的无人驾驶出租车集约化调度方法，如图1所示，包括以下步骤：
步骤1：动态聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征；
步骤1.1：将无人驾驶出租车需求按照时间尺度划分为邻近层Hc、周期层Hd、近趋势层 Hk和远趋势层Hm四个时间层；
步骤1.2：将每个时间层的无人驾驶出租车需求按照需求频度划分为三个感知域；
将一个地区划分成PxQ个空间网格，每个网格都有对应的无人驾驶出租车历史需求数据，则将4个时间层对应的无人驾驶出租车历史需求数据记为张量
η＝c,d,k,m用于表示四个时间层，
表示实数；再将每个时间层的无人驾驶出租车需求按照需求频度划分为三个感知域，如下公式所示：
其中，
表示时间层η对应的第g个感知域，g＝0、1、2，I为无人驾驶出租车需求；α和β为动态确定的需求边界；
步骤1.3：针对4个时间层，设计CELU网络结构捕获无人驾驶出租车需求的全范围时空相关性；
所述CELU网络结构由卷积层Conva、L层残差单元以及卷积层Convb组成，能够动态聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征，具体方法为：
(1)针对每个时间层内的需求频度，将不同区域历史时段的需求转换成双通道图像状矩阵，通过卷积层Conva进行初步特征提取，输出结果记为
如下公式所示：
其中，
分别为卷积层Conva的权重和偏置，用于调整不同时间层对结果预测的重要程度；*表示卷积算子；
(2)将卷积层Conva输出的特征映射送入l个连续的残差单元，每个残差单元计算结果如下公式所示：
其中，ξ是残差函数，
为残差单元的输入；
表示第l个残差单元中所有需学习的参数；
所述残差单元为三层结构，其中第一层和第二层均为层卷积层Conv和激活函数ELU的结构组合，第三层在第二层的基础上叠加Dropout层；
(3)经过第L个残差单元后的输出记为
将其送至卷积层Convb进行数据规格的统一，从而得到一个时间层的无人驾驶出租车需求输出，记为
如下公式所示：
其中，
是激活函数(ELU)；
和
分别为卷积层Convb的权重和偏置；
步骤2：提取无人驾驶出租车需求的外部环境特征和兴趣点特征；
步骤2.1：提取无人驾驶出租车需求的外部环境特征；
对每个时段分别提取一组无人驾驶出租车需求的外部环境特征向量，包含气象Omet、星期向量
是整数、工作日Owrk和节假日Ohol；并将不同时段的特征向量拼接为矩阵的形式，记为Ohmw，再将该矩阵送入全连接层进行特征提取，得到基于Omet、
Owrk和Ohol的外部环境特征，记为Ost，如下公式所示：
其中，×表示矩阵的乘法，Wst和bst分别代表外部环境特征的权重和偏置；
步骤2.2：使用卷积神经网络结合全连接层来提取无人驾驶出租车需求的兴趣点特征，得到基于兴趣点Opoi的兴趣点特征，记为Osc，如下公式所示：
其中，Wsc和bsc分别代表兴趣点特征的权重和偏置，其值取决于各兴趣点对无人驾驶出租车需求的影响程度；
步骤3：将无人驾驶出租车需求的时空特征和外部特征进行融合；
步骤3.1：采用基于参数矩阵的融合方式，从4个不同的时间层上挖掘无人驾驶出租车需求的时空信息，得到tj时段无人驾驶出租车需求的时空特征，记为
如下公式所示：
此处的融合分为两个部分，首先是每个时间层内的3种不同需求频度感知域融合，得到的融合向量记为
之后是4个时间层之间的融合，计算公式如式(8)、(9)所示：
其中，
是Hadamard乘积(即两个矩阵对应位置的元素相乘，最终可得到同维度的输出矩阵)；Wη,0，Wη,1，Wη,2分别表示3个需求频度感知域的权重矩阵；Wc，Wd，Wk，Wm分别表示4个时间层的权重矩阵；
为偏置；这些均为网络训练中需学习的参数。
步骤3.2：将外部环境特征和兴趣点特征进行融合，得到无人驾驶出租车需求的外部特征，记为REx，如式(10)所示：
其中，Wsc，Wst，bEx均为可调整的权重参数；
步骤3.3：将无人驾驶出租车需求的时空特征和外部特征进行融合，使二者进行协同训练以获取不同领域无人驾驶出租车需求的预测值；
利用两种不同的融合方法对时空特征和外部特征进行融合；采用求和融合方法
来表征逐步变化的需求，而对于突然变化的需求，则应用基于门控机制的融合方法进行融合
最后通过Tanh函数将融合的特征映射到[-1,1]，以便在训练过程中得到更快的收敛速度，得到无人驾驶出租车需求的预测值，如下公式所示：
其中，
为tj时段无人驾驶出租车需求的预测值，φ为门控激活函数sigmoid；
步骤4：从四个时间层和外部特征预测无人驾驶出租车需求；
以最小化无人驾驶出租车需求的预测矩阵
和真实矩阵
之间的均方误差为目标函数，获得无人驾驶出租车需求预测所涉及的权重和偏差的最优取值，实现从四个时间层和外部特征预测需求；
目标函数下公式所示：
其中，ψ表示目标函数，W和b分别表示无人驾驶出租车需求预测所涉及的所有权重和偏差集合；
步骤5：在步骤4预测的无人驾驶出租车需求的基础上，采用启发式遗传算法实现无人驾驶出租车与乘客的匹配；
步骤5.1：采用实数编码方式对无人驾驶出租车和乘客进行编码；
采用实数编码方式表示无人驾驶出租车和乘客，即[x1,y1,x2,y2,…,xn,yn]，其中，xi为无人驾驶出租车did，yi为乘客sid，[xi,yi]表示无人驾驶出租车与乘客匹配，也表示染色体内的一个基因，i＝1、2、…、n，n表示无人驾驶出租车的数量；
步骤5.2：种群初始化；
将种群分为C个基因组，基因组数量C根据无人驾驶出租车位置动态决定，各组分别包括u个基因组染色体，u的值由公式(13)给出；
其中，Agen为基因组内乘客数量，Bgen为基因组内无人驾驶出租车数量；
基因组内，当Agen-Bgen＞0时，固定无人驾驶出租车did，不重复的随机生成乘客sid，此时，无人驾驶出租车的数量n＝Bgen，车辆完全匹配；当Agen-Bgen＜0时，随机选取数量为Agen的无人驾驶出租车，固定其对应的车辆编号did，不重复的随机生成乘客编号sid，此时，无人驾驶出租车的数量n＝Agen，乘客完全匹配；
从各基因组中分别随机选取基因组染色体拼合形成G条带有基因组标记的完整染色体，对G条完整染色体进行去重和遗传操作，经历θ次迭代，选出最优染色体即为无人驾驶出租车与乘客的匹配结果；
本发明的种群，基因组，基因组染色体，完整染色体是四个不同的名词，其中，完整染色体不再属于基因组，而属于种群，基因组和基因组染色体为自定义的名词，可以把基因组染色体看做是一条完整染色体的一部分。每个基因组都含有一条完整染色体的一部分，把它们拼在一起才能形成一条完整染色体。
步骤5.3：对种群内完整染色体进行去重与修复；
步骤5.3.1：对种群内完整染色体进行去重，如图2所示，具体方法为：
各基因组染色体随机拼合后会导致完整染色体中基因出现重复，为此给出去重方法。
步骤5.3.1.1：取染色体中乘客编号集合SID与车辆编号集合DID，定位染色体中重复出现的乘客编号及其所在基因组，获取该基因组内乘客总编号集合与SID的差集SDS，将重复乘客对应的车辆编号和车辆总编号集合与DID的差集汇总为集合DDS；定位染色体中重复出现的车辆编号及其所在基因组，获取该基因组内车辆总编号集合与DID的差集DDS，将重复车辆对应的乘客编号和乘客总编号集合与SID的差集汇总为集合SDS；
步骤5.3.1.2：判断集合SDS和DDS是否是空集，如果是空集则从染色体中删除该基因，否则，将集合SDS和DDS中元素汇总形成二分图，通过匈牙利算法得到与该基因最优匹配基因，并替换到原来基因位置；
步骤5.3.1.3：判断所有重复乘客和车辆的编号是否全部替换完毕，若全部替换完毕则结束操作，否则重新执行步骤5.3.1.1；
步骤5.3.2：对完整染色体进行修复；
首先获取车辆和乘客总编号集合，并分别计算车辆和乘客总编号集合与染色体中车辆和乘客编号的差集Dds和Sds，再将差集Dds和Sds汇总并形成二分图，采用匈牙利算法得到最优匹配的基因，最后将最优匹配的基因添加到当前染色体尾部；
染色体经过去重和修复操作后，无人驾驶出租车的数量n＝min{A,B}，A为乘客总数，B 为无人驾驶出租车总数；
步骤5.4：确定种群内完整染色体的适应度函数；
将染色体适应度γ定义为如下公式所示：
其中，
为经济效益
与需求密度集群效益
加权和；
其中，ρ为无人驾驶出租车里程费；δ为时长费；
为tj时段车辆平均速度，
是tj时段车辆在任意两地间平均速度，其值是根据公式
得到各时段内车辆行驶任意两地间所需平均时间
确定的；ε为油耗指数，其与车速的关系满足公式 (16)；N为乘客出发地与乘客目的地的测地距离，E为车辆与乘客的匹配距离，其值随传感邻域(车辆周围最近的8个区域为一阶传感邻域，再外圈16个区域为二阶传感邻域，以此类推)阶数
呈线性增长，如公式(17)所示，U为车辆当前位置与乘客出发地的测地距离；
其中，X为下客区无人驾驶出租车需求密度，其值即为无人驾驶出租车需求预测值；σ为权重系数；
为下客区一阶传感邻域无人驾驶出租车需求密度；Xavg为车辆到达目的地时所属时段全局需求密度均值；τ为有效需求区域数(即需求数大于0的区域)；
步骤5.5：对种群内完整染色体进行遗传操作，得到无人驾驶出租车与乘客的最优匹配结果；
步骤5.5.1：对种群内染色体进行选择；
采用轮盘赌选择法和最佳染色体保存法相结合的方式进行染色体选择；
染色体选择概率probability如下公式所示：
其中，γa为当前种群中第a个染色体的适应度，G为种群规模；
将适应度排在前
的染色体直接复制到下一代而不进行交叉，剩余
个染色体采用轮盘赌选择法选择染色体进行交叉；
步骤5.5.2：染色体交叉；
交叉操作在满足交叉概率F＝0.9条件下进行，如图3所示，具体过程为：首先生成0和 1之间的随机数Frand，当F大于Frand时，随机在乘客编码位后产生两个交叉点，定义两交叉点间区域为匹配区域，使用位置交换操作交换两个染色体的匹配区域，执行去重操作，保留适应度大于设定值的染色体并复制到下一代；去重与修复方法与步骤5.3相同。
步骤5.5.3：染色体变异；
变异操作在满足变异概率K＝0.8条件下进行；其流程如下：
步骤5.5.3.1：判断车辆总编号集中是否有未匹配到乘客编号的车辆编号，若没有，直接执行步骤5.5.3.2；否则，将未匹配到乘客编号的车辆编号汇总为集合DDS，遍历DDS中各车辆编号，执行以下操作；
①获取未匹配到乘客编号的车辆编号所在基因组中未匹配车辆的乘客集Sds，若
遍历Sds中元素，直到找到与车辆编号匹配可使染色体适应度值变大的乘客编号，将该车辆编号与乘客编号插入到染色体中；如果没有可使染色体适应度值变大的乘客编号或
则直接执行步骤②；
②遍历DDS中下一个元素，并再次执行步骤①，直到DDS中所有元素遍历完毕；
步骤5.5.3.2：获取染色体中车辆集DID和乘客集SID，判断车辆总编号集中是否有未匹配到乘客编号的车辆编号，乘客总编号集中是否有未匹配到车辆编号的乘客编号，将未匹配到乘客编号的车辆编号汇总为集合DDS，未匹配到车辆编号的乘客编号汇总为集合SDS；并执行以下操作：
i.判断DDS和SDS是否为空，若
遍历DDS中元素DDSn，然后执行步骤ii；
ii.遍历DID中元素DIDm，判断DIDm所在基因组与DDSn所在基因组是否相同，若不同，则遍历DID下一个元素，重复执行步骤ii，直到遍历完DID中所有元素，再遍历DDS下一个元素；否则，执行步骤iii；
iii.交换染色体DDSn与DIDm，查看染色体适应度值是否增大，如果染色体适应度值增大，则遍历集合DID的下一个元素，重复执行步骤i；否则，更新染色体，重新获取集合DID、SID、 DDS和SDS，并再次执行步骤i；
若
执行与DDS相同操作；当
且
或DDS、SDS中元素全部遍历完成时，执行步骤5.5.3.3；
步骤5.5.3.3：获取染色体中车辆集DID和乘客集SID；遍历集合DID中元素DIDu，并执行以下操作：
Ⅰ、判断该元素DIDu与其后一个元素所在基因组是否相同，若相同，则执行步骤Ⅱ；否则，遍历集合DID下一个元素，直至遍历完集合DID中所有元素；当该元素DIDu与其后所有元素判断完毕，遍历集合DID中的下一个元素；
Ⅱ、交换DIDu与其后一个元素DIDv，查看染色体适应度值是否增大，若没有增大，则遍历元素DIDv的后一个元素，并重复执行操作Ⅰ；否则，更新染色体，重新获取集合DID与SID，并再次遍历集合DID中元素DIDu，执行上述操作Ⅰ、Ⅱ。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种基于需求密度预测的无人驾驶出租车集约化调度方法，其特征在于：包括以下步骤：
步骤1：动态聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征；
步骤2：提取无人驾驶出租车需求的外部特征；所述外部特征包括外部环境特征和兴趣点特征；
步骤3：将无人驾驶出租车需求的时空特征和外部特征进行融合，使二者进行协同训练以获取不同领域无人驾驶出租车需求的预测值；
步骤4：从时间层和外部特征预测无人驾驶出租车需求；
步骤5：在步骤4预测的无人驾驶出租车需求的基础上，采用启发式遗传算法实现无人驾驶出租车与乘客的匹配。
2.根据权利要求1所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法，其特征在于：所述步骤1的具体方法为：
步骤1.1：将无人驾驶出租车需求按照时间尺度划分为邻近层Hc、周期层Hd、近趋势层Hk和远趋势层Hm四个时间层；
步骤1.2：将每个时间层的无人驾驶出租车需求按照需求频度划分为三个感知域；
将一个地区划分成PxQ个空间网格，每个网格都有对应的无人驾驶出租车历史需求数据，则将4个时间层对应的无人驾驶出租车历史需求数据记为张量
η＝c,d,k,m用于表示四个时间层，
表示实数；再将每个时间层的无人驾驶出租车需求按照需求频度划分为三个感知域，如下公式所示：
其中，
表示时间层η对应的第g个感知域，g＝0、1、2，I为无人驾驶出租车需求；α和β为动态确定的需求边界；
步骤1.3：针对4个时间层，设计CELU网络结构捕获无人驾驶出租车需求的全范围时空相关性；
所述CELU网络结构由卷积层Conva、L层残差单元以及卷积层Convb组成，能够动态聚合无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特征，具体方法为：
(1)针对每个时间层内的需求频度，将不同区域历史时段的需求转换成双通道图像状矩阵，通过卷积层Conva进行初步特征提取，输出结果记为
如下公式所示：
其中，
分别为卷积层Conva的权重和偏置，用于调整不同时间层对结果预测的重要程度；*表示卷积算子；
(2)将卷积层Conva输出的特征映射送入l个连续的残差单元，每个残差单元计算结果如下公式所示：
其中，ξ是残差函数，
为残差单元的输入；
表示第l个残差单元中所有需学习的参数；
所述残差单元为三层结构，其中第一层和第二层均为层卷积层Conv和激活函数ELU的结构组合，第三层在第二层的基础上叠加Dropout层；
(3)经过第L个残差单元后的输出记为
将其送至卷积层Convb进行数据规格的统一，从而得到一个时间层的无人驾驶出租车需求输出，记为
如下公式所示：
其中，
是激活函数；
和
分别为卷积层Convb的权重和偏置。
3.根据权利要求2所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法，其特征在于：所述步骤2的具体方法为：
步骤2.1：提取无人驾驶出租车需求的外部环境特征；
对每个时段分别提取一组无人驾驶出租车需求的外部环境特征向量，包含气象Omet、星期向量
是整数、工作日Owrk和节假日Ohol；并将不同时段的特征向量拼接为矩阵的形式，记为Ohmw，再将该矩阵送入全连接层进行特征提取，得到基于Omet、
Owrk和Ohol的外部环境特征，记为Ost，如下公式所示：
其中，×表示矩阵的乘法，Wst和bst分别代表外部环境特征的权重和偏置；
步骤2.2：使用卷积神经网络结合全连接层来提取无人驾驶出租车需求的兴趣点特征，得到基于兴趣点Opoi的兴趣点特征，记为Osc，如下公式所示：
其中，Wsc和bsc分别代表兴趣点特征的权重和偏置，其值取决于各兴趣点对无人驾驶出租车需求的影响程度。
4.根据权利要求3所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法，其特征在于：所述步骤3的具体方法为：
步骤3.1：采用基于参数矩阵的融合方式，从4个不同的时间层上挖掘无人驾驶出租车需求的时空信息，得到tj时段无人驾驶出租车需求的时空特征，记为
如下公式所示：
此处的融合分为两个部分，首先是每个时间层内的3种不同需求频度感知域融合，得到的融合向量记为
之后是4个时间层之间的融合，计算公式如式(8)、(9)所示：
其中，
是Hadamard乘积；Wη,0，Wη,1，Wη,2分别表示3个需求频度感知域的权重矩阵；Wc，Wd，Wk，Wm分别表示4个时间层的权重矩阵；
为偏置；
步骤3.2：将外部环境特征和兴趣点特征进行融合，得到无人驾驶出租车需求的外部特征，记为REx，如式(10)所示：
其中，Wsc，Wst，bEx均为可调整的权重参数；
步骤3.3：将无人驾驶出租车需求的时空特征和外部特征进行融合，使二者进行协同训练以获取不同领域无人驾驶出租车需求的预测值；
利用两种不同的融合方法对时空特征和外部特征进行融合；采用求和融合方法
来表征逐步变化的需求，而对于突然变化的需求，则应用基于门控机制的融合方法进行融合
最后通过Tanh函数将融合的特征映射到[-1,1]，得到无人驾驶出租车需求的预测值，如下公式所示：
其中，
为tj时段无人驾驶出租车需求的预测值，φ为门控激活函数sigmoid。
5.根据权利要求4所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法，其特征在于：所述步骤4的具体方法为：
以最小化无人驾驶出租车需求的预测矩阵
和真实矩阵
之间的均方误差为目标函数，获得无人驾驶出租车需求预测所涉及的权重和偏差的最优取值，实现从四个时间层和外部特征预测需求；
目标函数下公式所示：
其中，ψ表示目标函数，W和b分别表示无人驾驶出租车需求预测所涉及的所有权重和偏差集合。
6.根据权利要求5所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法，其特征在于：所述步骤5的具体方法为：
步骤5.1：采用实数编码方式对无人驾驶出租车和乘客进行编码；
采用实数编码方式表示无人驾驶出租车和乘客，即[x1,y1,x2,y2,···,xn,yn]，其中，xi为无人驾驶出租车did，yi为乘客sid，[xi,yi]表示无人驾驶出租车与乘客匹配，也表示染色体内的一个基因，i＝1、2、…、n，n表示无人驾驶出租车的数量；
步骤5.2：种群初始化；
将种群分为C个基因组，基因组数量C根据无人驾驶出租车位置动态决定，各组分别包括u个基因组染色体，u的值由公式(13)给出；
其中，Agen为基因组内乘客数量，Bgen为基因组内无人驾驶出租车数量；
基因组内，当Agen-Bgen＞0时，固定无人驾驶出租车did，不重复的随机生成乘客sid，此时，无人驾驶出租车的数量n＝Bgen，车辆完全匹配；当Agen-Bgen＜0时，随机选取数量为Agen的无人驾驶出租车，固定其对应的车辆编号did，不重复的随机生成乘客编号sid，此时，无人驾驶出租车的数量n＝Agen，乘客完全匹配；
从各基因组中分别随机选取基因组染色体拼合形成G条带有基因组标记的完整染色体，对G条完整染色体进行去重和遗传操作，经历θ次迭代，选出最优染色体即为无人驾驶出租车与乘客的匹配结果；
步骤5.3：对种群内完整染色体进行去重与修复；
步骤5.4：确定种群内完整染色体的适应度函数；
将染色体适应度γ定义为如下公式所示：
其中，
为经济效益
与需求密度集群效益
加权和；
其中，ρ为无人驾驶出租车里程费；δ为时长费；
为tj时段车辆平均速度，
是tj时段车辆在任意两地间平均速度，其值是根据公式
得到各时段内车辆行驶任意两地间所需平均时间
确定的；ε为油耗指数，其与车速的关系满足公式(16)；N为乘客出发地与乘客目的地的测地距离，E为车辆与乘客的匹配距离，其值随传感邻域阶数θ呈线性增长，如公式(17)所示，U为车辆当前位置与乘客出发地的测地距离；
其中，X为下客区无人驾驶出租车需求密度，其值即为无人驾驶出租车需求预测值；σ为权重系数；
为下客区一阶传感邻域无人驾驶出租车需求密度；Xavg为车辆到达目的地时所属时段全局需求密度均值；τ为有效需求区域数；
步骤5.5：对种群内完整染色体进行遗传操作，得到无人驾驶出租车与乘客的最优匹配结果。
7.根据权利要求6所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法，其特征在于：所述步骤5.3的具体方法为：
步骤5.3.1：对种群内完整染色体进行去重；
步骤5.3.1.1：取染色体中乘客编号集合SID与车辆编号集合DID，定位染色体中重复出现的乘客编号及其所在基因组，获取该基因组内乘客总编号集合与SID的差集SDS，将重复乘客对应的车辆编号和车辆总编号集合与DID的差集汇总为集合DDS；定位染色体中重复出现的车辆编号及其所在基因组，获取该基因组内车辆总编号集合与DID的差集DDS，将重复车辆对应的乘客编号和乘客总编号集合与SID的差集汇总为集合SDS；
步骤5.3.1.2：判断集合SDS和DDS是否是空集，如果是空集则从染色体中删除该基因，否则，将集合SDS和DDS中元素汇总形成二分图，通过匈牙利算法得到与该基因最优匹配基因，并替换到原来基因位置；
步骤5.3.1.3：判断所有重复乘客和车辆的编号是否全部替换完毕，若全部替换完毕则结束操作，否则重新执行步骤5.3.1.1；
步骤5.3.2：对完整染色体进行修复；
首先获取车辆和乘客总编号集合，并分别计算车辆和乘客总编号集合与染色体中车辆和乘客编号的差集Dds和Sds，再将差集Dds和Sds汇总并形成二分图，采用匈牙利算法得到最优匹配的基因，最后将最优匹配的基因添加到当前染色体尾部；
染色体经过去重和修复操作后，无人驾驶出租车的数量n＝min{A,B}，A为乘客总数，B为无人驾驶出租车总数。
8.根据权利要求7所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法，其特征在于：所述步骤5.5的具体方法为：
步骤5.5.1：对种群内染色体进行选择；
采用轮盘赌选择法和最佳染色体保存法相结合的方式进行染色体选择；
染色体选择概率probability如下公式所示：
其中，γa为当前种群中第a个染色体的适应度，G为种群规模；
将适应度排在前
的染色体直接复制到下一代而不进行交叉，剩余
个染色体采用轮盘赌选择法选择染色体进行交叉；
步骤5.5.2：染色体交叉；
交叉操作在满足交叉概率F＝0.9条件下进行；首先生成0和1之间的随机数Frand，当F大于Frand时，随机在乘客编码位后产生两个交叉点，定义两交叉点间区域为匹配区域，使用位置交换操作交换两个染色体的匹配区域，执行去重操作，保留适应度大于设定值的染色体并复制到下一代；
步骤5.5.3：染色体变异；
变异操作在满足变异概率K＝0.8条件下进行；其流程如下：
步骤5.5.3.1：判断车辆总编号集中是否有未匹配到乘客编号的车辆编号，若没有，直接执行步骤5.5.3.2；否则，将未匹配到乘客编号的车辆编号汇总为集合DDS，遍历DDS中各车辆编号，执行以下操作；
①获取未匹配到乘客编号的车辆编号所在基因组中未匹配车辆的乘客集Sds，若
遍历Sds中元素，直到找到与车辆编号匹配可使染色体适应度值变大的乘客编号，将该车辆编号与乘客编号插入到染色体中；如果没有可使染色体适应度值变大的乘客编号或
则直接执行步骤②；
②遍历DDS中下一个元素，并再次执行步骤①，直到DDS中所有元素遍历完毕；
步骤5.5.3.2：获取染色体中车辆集DID和乘客集SID，判断车辆总编号集中是否有未匹配到乘客编号的车辆编号，乘客总编号集中是否有未匹配到车辆编号的乘客编号，将未匹配到乘客编号的车辆编号汇总为集合DDS，未匹配到车辆编号的乘客编号汇总为集合SDS；并执行以下操作：
i.判断DDS和SDS是否为空，若
遍历DDS中元素DDSn，然后执行步骤ii；
ii.遍历DID中元素DIDm，判断DIDm所在基因组与DDSn所在基因组是否相同，若不同，则遍历DID下一个元素，重复执行步骤ii，直到遍历完DID中所有元素，再遍历DDS下一个元素；否则，执行步骤iii；
iii.交换染色体DDSn与DIDm，查看染色体适应度值是否增大，如果染色体适应度值增大，则遍历集合DID的下一个元素，重复执行步骤i；否则，更新染色体，重新获取集合DID、SID、DDS和SDS，并再次执行步骤i；
若
执行与DDS相同操作；当
且
或DDS、SDS中元素全部遍历完成时，执行步骤5.5.3.3；
步骤5.5.3.3：获取染色体中车辆集DID和乘客集SID；遍历集合DID中元素DIDu，并执行以下操作：
Ⅰ、判断该元素DIDu与其后一个元素所在基因组是否相同，若相同，则执行步骤Ⅱ；否则，遍历集合DID下一个元素，直至遍历完集合DID中所有元素；当该元素DIDu与其后所有元素判断完毕，遍历集合DID中的下一个元素；
Ⅱ、交换DIDu与其后一个元素DIDv，查看染色体适应度值是否增大，若没有增大，则遍历元素DIDv的后一个元素，并重复执行操作Ⅰ；否则，更新染色体，重新获取集合DID与SID，并再次遍历集合DID中元素DIDu，执行上述操作Ⅰ、Ⅱ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211126102.9A CN115438868A (zh) | 2022-09-16 | 2022-09-16 | 一种基于需求密度预测的无人驾驶出租车集约化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211126102.9A CN115438868A (zh) | 2022-09-16 | 2022-09-16 | 一种基于需求密度预测的无人驾驶出租车集约化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115438868A true CN115438868A (zh) | 2022-12-06 |
Family
ID=84248522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211126102.9A Pending CN115438868A (zh) | 2022-09-16 | 2022-09-16 | 一种基于需求密度预测的无人驾驶出租车集约化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115438868A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408502A (zh) * | 2023-12-15 | 2024-01-16 | 成都川油瑞飞科技有限责任公司 | 应用于油气生产系统的数据流编排方法及系统 |
-
2022
- 2022-09-16 CN CN202211126102.9A patent/CN115438868A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408502A (zh) * | 2023-12-15 | 2024-01-16 | 成都川油瑞飞科技有限责任公司 | 应用于油气生产系统的数据流编排方法及系统 |
| CN117408502B (zh) * | 2023-12-15 | 2024-03-15 | 成都川油瑞飞科技有限责任公司 | 应用于油气生产系统的数据流编排方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111862579B (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
| Zheng et al. | Order dispatch in price-aware ridesharing | |
| Zhang et al. | Models, algorithms, and evaluation for autonomous mobility-on-demand systems | |
| Zhang et al. | Find multi-objective paths in stochastic networks via chaotic immune PSO | |
| CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
| CN111898793B (zh) | 一种组合出行方式下考虑用户感知差异性的路径选择方法 | |
| CN112150207A (zh) | 基于时空上下文注意力网络的网约车订单需求预测方法 | |
| CN108256969B (zh) | 一种公共自行车租赁点调度区域划分方法 | |
| CN111046576B (zh) | 一种考虑双网信息的电动私家车充电负荷预测方法 | |
| CN111667086A (zh) | 一种车辆共乘路径寻优方法及系统 | |
| CN115438868A (zh) | 一种基于需求密度预测的无人驾驶出租车集约化调度方法 | |
| CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
| Duan et al. | Optimizing order dispatch for ride-sharing systems | |
| WO2022073444A1 (en) | Systems and methods for dispatching shared rides through ride-hailing platform | |
| Dai et al. | A balanced assignment mechanism for online taxi recommendation | |
| CN114550482A (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
| Wang et al. | Predicting the matching probability and the expected ride/shared distance for each dynamic ridepooling order: A mathematical modeling approach | |
| CN115146946A (zh) | 基于多源数据的汽车充电设施选择及规划方法 | |
| CN116187896A (zh) | 绿色车辆路径问题求解方法、装置、计算机设备以及介质 | |
| JP7291252B2 (ja) | 処理ルート情報 | |
| CN111882915A (zh) | 采用复合算法及交互模型的应需定制公交线路规划方法 | |
| CN113140108B (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
| CN108830401B (zh) | 基于元胞传输模型的动态拥堵收费最优费率计算方法 | |
| Chen et al. | Improvement of an online ride-hailing system based on empirical GPS data | |
| CN116089744B (zh) | 一种基于Transformer动态时空关联的医院停车场推荐方法 |
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 |