CN115619051A - 一种共享车辆调配方法、系统及计算机存储介质 - Google Patents
一种共享车辆调配方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN115619051A CN115619051A CN202211634660.6A CN202211634660A CN115619051A CN 115619051 A CN115619051 A CN 115619051A CN 202211634660 A CN202211634660 A CN 202211634660A CN 115619051 A CN115619051 A CN 115619051A
- Authority
- CN
- China
- Prior art keywords
- station
- time
- vehicle
- space
- information
- 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 66
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000002860 competitive effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 23
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车辆调配技术领域，特别涉及一种共享车辆调配方法、系统及计算机存储介质。方法包括以下步骤：获取基础数据，基于基础数据信息计算得到离线数据信息：车站时空信息、城市时点信息、车站时空效率、区块机会成本以及车站时空最优车辆数；获取实时车辆位置信息以及实时车站信息，并计算车辆到每个车站的距离成本以及实时车站是否需要挪入车辆；基于离线数据信息、车辆到每个车站的距离成本以及实时车站是否需要挪入车辆求解生成调度运输数据。本发明考虑到各个车站在各个时段的效率不同以及车站在各个时段的最优车辆数，自适应能力较强，结合考虑了各车站在不同时段下的效率以及车站容量求解获得最终的调度方案，以此达到最高的收益。
Description
技术领域
本发明涉及车辆调配技术领域，其特别涉及一种共享车辆调配方法、系统及计算机存储介质。
背景技术
共享两轮车作为短途出行的重要工具，为用户的城市出行提供了极大便捷。由于用户的骑行会使得车辆在城市中的分布产生差异，所以为了更好地服务、满足用户的短途出行需求，需要一线运维人员对车辆进行调度，从而适应城市的供需状态变化。
一个城市一个时空点位置附近是否有车，对于有短途出行需求的用户来说十分重要，而城市车辆投放量并不是饱和式的，所以如何将有限的车辆资源在城市时空点位进行分配是十分重要的一个问题，针对共享两轮车的车辆预测的方法有很多，如基于 xgboost和 lightgbm 等树模型、基于lstm、attention 等深度学习模型、基于拓扑关系的图卷积模型。得到了时空点位的车辆需求预测值后，面临的另一个问题是如何进行车辆调度，即从哪些时空点位捡车，又放到哪些时空点位，同样有很多如车辆路径规划等方法。但是上述的车辆预测及调度方法有着很多问题。如预测方法中常用 pred_需求=pred_骑出-pred_骑入，得到预测的点位需求，多个预测任务的预测误差会产生叠加效应，使得需求预测的精度更差，且自适应能力较差，紧结合预测的需求量来调车之后并不能达到最高的收益。
发明内容
为了解决车辆调度的自适应能力较差的问题，本发明提供一种共享车辆调配方法、系统及计算机存储介质。
本发明为解决上述技术问题，提供如下的技术方案：一种共享车辆调配方法，其特征在于：包括以下步骤：
获取基础数据，基于基础数据信息计算得到离线数据信息，离线数据信息包括：车站时空信息、城市时点信息、车站时空效率、区块机会成本以及车站时空最优车辆数；车站时空最优车辆数根据车站时空信息、城市时点信息以及车站时空效率计算获得；
获取实时车辆位置信息以及实时车站信息，并结合离线数据信息计算每辆车辆到每个车站的距离成本以及实时车站是否需要挪入车辆；
基于离线数据信息、每辆车辆到每个车站的距离成本以及实时车站是否需要挪入车辆生成调度运输数据。
优选地，所述基础数据包括可用车表、竞对车表、城市时点划分表、订单表、挪车表、区块绑定车站表、以及区块表等等。
优选地，获取基础数据，基于基础数据信息计算得到离线数据信息包括以下步骤：
对基础数据加工整合得到车站粒度的车站每日订单时空效率表及车站每日挪车时空效率表，以及区块粒度的区块机会成本表，
基于车站每日订单时空效率表及车站每日挪车时空效率表计算获得车站时空效率；
基于贪心策略计算获得车站时空最优车辆数。
优选地，车站时空信息包括城市 id、车站 id、区块 id、时段 id、车站的最大容量、最小容量以及预测骑入量；城市时点信息包括城市在各时段的需求、城市可用车数量以及城市当日车效。
优选地，选取历史预设时间的车站骑出车辆数进行排序，车站最大容量取a分位数，90≤a≤100，车站最小容量取b分位数，5≤b≤15；预测骑入量采用加权平均计算：
predict_in_bikes= X*avg_7 +Y*avg_14+Z*avg_30
其中predict_in_bikes表示预测骑入量、avg_7表示最近七天的平均车辆流入量、avg_14表示最近14天平均车辆流入量、avg_30表示最近30天平均车辆流入量，X、Y、Z均表示权重。
优选地，基于车站每日订单时空效率表及车站每日挪车时空效率表计算获得车站时空效率具体为：当前时段车站效率等于当前时段挪入的车辆、当前时段用户骑入的车辆以及当前时段开始时已经停在此处的车辆，这三种车辆在时段 t 内产生的被用户骑走的车辆数除以这些车辆在当前时段t停留的时间。
优选地，基于贪心策略计算获得车站时空最优车辆数具体为：
先满足车站的最小容量，然后将车站效率与车站最大容量相乘之后进行排序；
然后由大到小向下遍历，将遍历的车站的容量调整为车站最大容量，直到城市达到城市可用车辆数上限后停止分配，由此得到各车站的时空最优车辆数。
优选地，基于离线数据信息、每辆车辆到每个车站的距离成本以及实时车站是否需要挪入车辆求解生成调度运输数据包括：
离线数据信息、每个车辆到每个车站的机会成本以及实时车站是否需要挪入车辆同步到线上mysql 库中；
采用最优运输求解生成调度运输数据。
本发明为解决上述技术问题，提供又一技术方案如下：一种共享车辆调配系统，该系统运行时实现如前述的一种共享车辆调配方法，包括以下模块：离线数据统计模块、实时信息模块以及调度任务生成模块；
离线数据统计模块用于获取基础数据，基于基础数据信息计算得到离线数据信息，离线数据信息包括车站时空信息、城市时点信息、车站时空效率、区块机会成本以及车站时空最优车辆数；车站时空最优车辆数根据车站时空信息、城市时点信息以及车站时空效率计算获得；
实时信息模块用于获取实时车辆位置信息以及实时车站信息，并结合离线数据信息计算车辆到每个车站的机会成本以及实时车站是否需要挪入车辆；
调度任务生成模块用于基于离线数据信息、每辆车辆到每个车站的机会成本以及实时车站是否需要挪入车辆生成调度运输数据。
本发明为解决上述技术问题，提供又一技术方案如下：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的一种共享车辆调配方法。
与现有技术相比，本发明所提供的一种共享车辆调配方法、系统及计算机存储介质，具有如下的有益效果：
1.本发明实施例提供的一种共享车辆调配方法，根据最底层的基础数据进行计算获得离线数据、离线数据用于最终求解生成最终的调度方法，其中计算获得离线数据包括车站时空效率、区块机会成本以及车站时空最优车辆数，考虑到各个车站在各个时段的效率不同，会导致最终的收益结果有很大的差距，其中还考虑到车站在各个时段的最优车辆数，以此说明各个车站在某个时段应该拥有多少车辆才能达到最高的收益，自适应能力较强，结合考虑了各车站在不同时段下的效率以及车站容量，用于调整求解获得最终的调度方案，以此达到最高的收益。
2.本发明实施例提供的一种共享车辆调配方法，其中基础数据加工整合就是把相关的一些信息整理在一个表中，通过查看一个表就可以获得更多的信息，便于管理人员查阅，其中车站每日订单时空效率表反映出各个车站每日的订单情况，收益情况以及车辆使用效率等等，车站每日挪车时空效率表反映出车站每日的挪车情况以及效率等等，其中区块机会成本表记录各个区块的机会成本，表示为如果从这个区块挪走车辆可能会损失多少订单。
3.本发明实施例提供的一种共享车辆调配方法，车站最大容量是根据历史30天的车站骑出车辆数的 95 分位数，车站最小容量是10分位数，都向上取整数，由于是场景区分进行计算的，也即车站骑出车辆数量越大，那么其容量也会越大，更能体现出该处车站的车辆使用情况，容量越大表示该车站热度值更高。
4.本发明实施例提供的一种共享车辆调配方法，其中预测骑入量采用加权平均计算，能够更准确，更符合实际情况的预测出未来某时段的骑入量。
5.本发明实施例提供的一种共享车辆调配方法，基于贪心策略计算获得车站在各时段的最优车辆数，相当于车站效率越大后面的排序该车站也会更靠前，而车辆的最大容量在前面陈述了是根据车站的车辆骑出量来确定的，相当于车辆骑出量越多的以及车站效率越大的越靠前，后续分配时的优先级越高，从大充分的利用城市的可用车辆数，以此分配来达到最高的收益率。
6.本发明实施例还提供一种共享车辆调配系统，具有和前述的一种共享车辆调配方法相同的有益效果，在此不做赘述。
7.本发明实施例还提供一种计算机可读存储介质，具有和前述的一种共享车辆调配方法相同的有益效果，在此不做赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的一种共享车辆调配方法的步骤流程图。
图2是本发明第一实施例提供的一种共享车辆调配方法之步骤S1的步骤流程图。
图3是本发明第一实施例提供的一种共享车辆调配方法之步骤S13的步骤流程图。
图4是本发明第一实施例提供的一种共享车辆调配方法之步骤S3的步骤流程图。
图5是本发明第一实施例提供的一种共享车辆调配系统的框图。
附图标识说明：
1、共享车辆调配系统；
10、离线数据统计模块；20、实时信息模块；30、调度任务生成模块。
具体实施方式
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。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。
请参阅图1，本发明第一实施例提供一种共享车辆调配方法，包括以下步骤：
S1：获取基础数据，基于基础数据信息计算得到离线数据信息：车站时空信息、城市时点信息、车站时空效率、区块机会成本以及车站时空最优车辆数；车站时空最优车辆数根据车站时空信息、城市时点信息以及车站时空效率计算获得；
S2：获取实时车辆位置信息以及实时车站信息，并计算每个车辆到每个车站的机会成本以及实时车站是否需要挪入车辆；
S3：基于离线数据信息、每个车辆到每个车站的机会成本以及实时车站是否需要挪入车辆求解生成调度运输数据。
可以理解地，在本发明实施例中，其中车站定义为：一段周期内（可以是一个月、一季度等）用户骑入的最热点区域；热度大于一定阈值，可根据分位数对热点区域排序筛选；车站以中心点经纬度为坐标，半径 25m 的一个圆表示，各车站之间间隔大于 50 米，保证车站范围不重叠；且可放置车辆，避免城市条例管控、小区内部不常见的位置等不合理问题。
区块定义为：区块是各城市内部反映不同区域需求的地理块，大小不等，一般为1500 平方米～3000 平方米的不规则地理块；车站不仅是用户骑行车辆停放点，同时也是不同区块内车辆调度的基本单元，挪车人员根据不同时段需求和车辆盈余情况进行调度；每个区块最多绑定一个车站作为车辆调度车站。
具体地，其中基础数据包括可用车表、竞对车表、城市时点划分表、订单表、挪车表、区块绑定车站表、以及区块表；其中可用车表记录城市每日可用的车辆信息，竞对车表记录城市竞争对手车辆信息，城市时点划分表记录将城市 24h 分为几个时段，订单表记录城市订单起终点时间等信息，挪车表记录城市挪车的起终点时间等信息，区块绑定车站表记录城市每个区块的绑定车站的坐标及启用情况信息，区块表记录城市区块的坐标等信息。
可以理解地，以上基础数据可根据车辆的历史运营数据统计出来，其中车站时空效率考虑到各个车站在各个时段的效率不同，会导致最终的收益结果有很大的差距，其中车站时空最优车辆数还考虑到车站在各个时段的最优车辆数，以此说明各个车站在某个时段应该拥有多少车辆才能达到最高的收益，自适应能力较强，结合考虑了各车站在不同时段下的效率以及车站容量，用于调整求解获得最终的调度方案，以此达到最高的收益。
具体地，其中实时车站信息包括车站的坐标以及范围大小，集合每个车辆的实时车辆位置信息，可计算出各个车站中拥有多少车辆，同时也计算出车辆到每个车站的距离成本。
进一步地，请参阅图2，在步骤S1中“获取基础数据，基于基础数据信息计算得到离线数据信息”包括以下步骤：
S11：对基础数据加工整合得到车站粒度的车站每日订单时空效率表及车站每日挪车时空效率表，以及区块粒度的区块机会成本表，
S12：基于车站每日订单时空效率表及车站每日挪车时空效率表计算获得车站时空效率；
S13：基于贪心策略计算获得车站时空最优车辆数。
其中基础数据加工整合就是把相关的一些信息整理在一个表中，通过查看一个表就可以获得更多的信息，便于管理人员查阅，其中车站每日订单时空效率表反映出各个车站每日的订单情况，收益情况以及车辆使用效率等等，车站每日挪车时空效率表反映出车站每日的挪车情况以及效率等等，其中区块机会成本表记录各个区块的机会成本，表示为如果从这个区块挪走车辆可能会损失多少订单。
城市时点信息包括城市在各时段的需求、城市可用车数量以及城市当日车效，除此之外主要还记录城市当日的时段划分情况，城市时段划分根据城市近十天的平均车效计算而来，当日车效=当日订单/当日可用车辆数，其中当日订单以及当日可用车辆数在基础数据中有，当日车效相当于衡量一辆车每天被周转骑行的次数，用 24h 除以近 10 天车效均值得到平均几个小时会有一单，例如：24/5.8 = 4.1，向下取整得到该城市近期每4h 车辆周转 1 次，那么将城市以每 4 个小时作为一个时段，即 24h 可分为 6 个时段[0，4) 、[4，8)、[8，12)、[12，16)、[16，20) 、[20，24) ，如果每半点 0.5h 作为一个基础单位的话，那么 6 个时段也可用如下表示：0~7、8~15、16~23、24~31、32~39、40~47。
车站时空信息主要包括城市 id、车站 id、区块 id、时段 id、车站的最大容量、最小容量以及预测骑入量；其中该表可统计历史 30 天内车站的每日每个时段的骑入骑出量。
以上的两个表均有场景分区用于区分开工作日、周末、节假日，也就是不同场景的数据分开计算。
具体地，选取历史预设时间的车站骑出车辆数进行排序，车站最大容量取a分位数，90≤a≤100，车站最小容量取b分位数，5≤b≤15；
作为一个优选地实施方案，计算车站最大容量与最小容量时，根据历史30天的车站骑出车辆数，选取95 分位数作为车站最大容量，车站最小容量是10分位数，都向上取整数，其中历史30天的车站骑出车辆数可根据离线数据信息中获得。
由于是场景区分进行计算的，也即车站骑出车辆数量越大，那么其容量也会越大，更能体现出该处车站的车辆使用情况，也即示例性的如：假设今天是周末，那么就拿到历史30 天内周末的数据来计算车站的最大容量、最小容量以及预测骑入量。
其中预测骑入量采用加权平均计算：
predict_in_bikes= X*avg_7 +Y*avg_14+Z*avg_30
其中predict_in_bikes表示预测骑入量、avg_7表示最近七天的平均车辆流入量、avg_14表示最近14天平均车辆流入量、avg_30表示最近30天平均车辆流入量，X、Y、Z均表示权重。采用加权算法能够好的预测到未来某时段的骑入量，其中历史的平均车辆流入量可在基础数据中获得。优选地，其中X、Y、Z分别取0.6、0.2、0.2。
具体地，车站时空效率主要记录城市当日车站时空效率信息，主要包括效率、车站收益用来表示未来24h收益，也即车站每天各个时段内存在的所有车辆在未来24h内产生的平均订单量，然后计算历史 30 天内的均值作为此表的车站收益统计值，并且在该表中也区分周末、工作日以和/或节假日，即分开计算不同场景下的数据。
计算获得车站时空效率具体为：当前时段车站效率等于当前时段挪入的车辆、当前时段用户骑入的车辆以及当前时段开始时已经停在此处的车辆，这三种车辆在时段 t内产生的被用户骑走的车辆数/这些车辆在当前时段t停留的时间；也就是说该车站的车辆被骑行的越多，等的时间越短，车站效率越高，后续在车站的容量分配上就会赋予更高的容量。
请参阅图3，步骤S13“基于贪心策略计算获得车站时空最优车辆数”具体为：
S131：先满足车站的最小容量，然后将车站效率与车站最大容量相乘之后进行排序；
S132：然后由大到小向下遍历，将遍历的车站的容量调整为车站最大容量，直到城市达到城市可用车辆数上限后停止分配，由此得到各车站的时空最优车辆数。
车站时空最优车辆数按照时段划分，也即是每天每个时段的车辆时空最优车辆数单独计算获得，时段的划分依据前面的城市时点信息中的时段划分情况，其中车站的最小容量以及最大容量都可基于前面的车站时空信息得到，具体的车站的最小容量以及最大容量也可按照划分的时段单独计算获得，也即每个时段的最大容量以及最小容量都可以不相同。
可以理解地，相当于车站效率越大后面的排序该车站也会更靠前，而车辆的最大容量在前面陈述了是根据车站的车辆骑出量来确定的，相当于车辆骑出量越多的以及车站效率越大的越靠前，后续分配时的优先级越高，从大充分的利用城市的可用车辆数，以此分配来达到最高的收益率。
通过车站时空最优车辆数，结合前述计算获得的车站中具有多少车辆，可计算出车站应该需要调入多少车辆以及车站盈余多少车辆可以调出去。
进一步地，请参阅图4，步骤S3“基于离线数据信息、每个车辆到每个车站的机会成本以及实时车站是否需要挪入车辆求解生成调度运输数据”包括：
S31：将离线数据信息、每个车辆到每个车站的机会成本以及实时车站是否需要挪入车辆同步到线上mysql 库中；
S32：采用最优运输求解生成调度运输数据。
前述的数据都为离线可统计计算的数据，在实时的计算请求下，需要将这些数据同步到mysql 库中，用于实时计算的需要，在计算时，采用最优运算求解，生成最终的调度运输数据。
具体重要的主要包括起始区块，表示从这个区块调出车辆，目标车站，表示将车辆调入到这个车站中，以及移动车辆数，表示从起始区块需要调度多少辆车需要调度到目标车站中。
可以理解地，根据车站是否需要挪入车辆这个信息可获得该车站应该需要挪入多少车辆，因此根据这个需要挪入的车辆数可计算预估获得挪入后的车站收益，具体可结合前述的车站效率来计算，结合挪车后的车站收益来进行最优运输求解，可确保实现挪车后的收益最大化。
由此可见，通过以上方式来进行最优运输求解，实现挪车成本最小化，收益最大化的目的；工作人员可根据该调度运输数据中的内容完成车辆的调度任务，以适应城市的供需变化，使城市中的可使用车辆数得到充分的利用，满足绝大部分用户的需求，并且使得车辆带来的收益更高。
请参阅图5，本发明第二实施例还提供一种共享车辆调配系统1，该系统运行时实现如第一实施例所述的一种共享车辆调配方法，包括以下模块：离线数据统计模块10、实时信息模块20以及调度任务生成模块30；
离线数据统计模块10用于获取基础数据，基于基础数据信息计算得到离线数据信息：车站时空信息、城市时点信息、车站时空效率、区块机会成本以及车站时空最优车辆数；车站时空最优车辆数根据车站时空信息、城市时点信息以及车站时空效率计算获得；
实时信息模块20用于获取实时车辆位置信息以及实时车站信息，并结合离线数据信息计算车辆到每个车站的机会成本以及实时车站是否需要挪入车辆；
调度任务生成模块30用于基于离线数据信息、每辆车辆到每个车站的机会成本以及实时车站是否需要挪入车辆生成调度运输数据。
可以理解地，该共享车辆调配系统1在使用时具有和第一实施例所述的一种共享车辆调配方法相同的有益效果，在此不做赘述。
本发明第三实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一实施例所述的一种共享车辆调配方法。并且该计算机可读存储介质在使用时具有和第一实施例所述的一种共享车辆调配方法相同的有益效果，在此不做赘述。
可以理解地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本发明的附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方案中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，在此基于涉及的功能而确定。需要特别注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
与现有技术相比，本发明所提供的一种共享车辆调配方法、系统及计算机存储介质具有如下的有益效果：
1.本发明实施例提供的一种共享车辆调配方法，根据最底层的基础数据进行计算获得离线数据、离线数据用于最终求解生成最终的调度方法，其中计算获得离线数据包括车站时空效率、区块机会成本以及车站时空最优车辆数，考虑到各个车站在各个时段的效率不同，会导致最终的收益结果有很大的差距，其中还考虑到车站在各个时段的最优车辆数，以此说明各个车站在某个时段应该拥有多少车辆才能达到最高的收益，自适应能力较强，结合考虑了各车站在不同时段下的效率以及车站容量，用于调整求解获得最终的调度方案，以此达到最高的收益。
2.本发明实施例提供的一种共享车辆调配方法，其中基础数据加工整合就是把相关的一些信息整理在一个表中，通过查看一个表就可以获得更多的信息，便于管理人员查阅，其中车站每日订单时空效率表反映出各个车站每日的订单情况，收益情况以及车辆使用效率等等，车站每日挪车时空效率表反映出车站每日的挪车情况以及效率等等，其中区块机会成本表记录各个区块的机会成本，表示为如果从这个区块挪走车辆可能会损失多少订单。
3.本发明实施例提供的一种共享车辆调配方法，车站最大容量是根据历史30天的车站骑出车辆数的 95 分位数，车站最小容量是10分位数，都向上取整数，由于是场景区分进行计算的，也即车站骑出车辆数量越大，那么其容量也会越大，更能体现出该处车站的车辆使用情况，容量越大表示该车站热度值更高。
4.本发明实施例提供的一种共享车辆调配方法，其中预测骑入量采用加权平均计算，能够更准确，更符合实际情况的预测出未来某时段的骑入量。
5.本发明实施例提供的一种共享车辆调配方法，基于贪心策略计算获得车站在各时段的最优车辆数，相当于车站效率越大后面的排序该车站也会更靠前，而车辆的最大容量在前面陈述了是根据车站的车辆骑出量来确定的，相当于车辆骑出量越多的以及车站效率越大的越靠前，后续分配时的优先级越高，从大充分的利用城市的可用车辆数，以此分配来达到最高的收益率。
6.本发明实施例还提供一种共享车辆调配系统，具有和前述的一种共享车辆调配方法相同的有益效果，在此不做赘述。
7.本发明实施例还提供一种计算机可读存储介质，具有和前述的一种共享车辆调配方法相同的有益效果，在此不做赘述。
以上对本发明实施例公开的一种共享车辆调配方法、系统及计算机存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，凡在本发明的原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种共享车辆调配方法，其特征在于：包括以下步骤：
获取基础数据，基于基础数据信息计算得到离线数据信息，离线数据信息包括：车站时空信息、城市时点信息、车站时空效率、区块机会成本以及车站时空最优车辆数；车站时空最优车辆数根据车站时空信息、城市时点信息以及车站时空效率计算获得；
获取实时车辆位置信息以及实时车站信息，并结合离线数据信息计算每辆车辆到每个车站的距离成本以及实时车站是否需要挪入车辆；
基于离线数据信息、每辆车辆到每个车站的距离成本以及实时车站是否需要挪入车辆生成调度运输数据。
2.如权利要求1所述的共享车辆调配方法，其特征在于：所述基础数据包括可用车表、竞对车表、城市时点划分表、订单表、挪车表、区块绑定车站表、以及区块表。
3.如权利要求2所述的共享车辆调配方法，其特征在于：获取基础数据，基于基础数据信息计算得到离线数据信息包括以下步骤：
对基础数据加工整合得到车站粒度的车站每日订单时空效率表及车站每日挪车时空效率表，以及区块粒度的区块机会成本表，
基于车站每日订单时空效率表及车站每日挪车时空效率表计算获得车站时空效率；
基于贪心策略计算获得车站时空最优车辆数。
4.如权利要求3所述的共享车辆调配方法，其特征在于：车站时空信息包括城市 id、车站 id、区块 id、时段 id、车站的最大容量、最小容量以及预测骑入量；城市时点信息包括城市在各时段的需求、城市可用车数量以及城市当日车效。
5.如权利要求4所述的共享车辆调配方法，其特征在于：选取历史预设时间的车站骑出车辆数进行排序，车站最大容量取a分位数，90≤a≤100，车站最小容量取b分位数，5≤b≤15；预测骑入量采用加权平均计算：
predict_in_bikes= X*avg_7 +Y*avg_14+Z*avg_30
其中predict_in_bikes表示预测骑入量、avg_7表示最近七天的平均车辆流入量、avg_14表示最近14天平均车辆流入量、avg_30表示最近30天平均车辆流入量，X、Y、Z均表示权重。
6.如权利要求4所述的共享车辆调配方法，其特征在于：基于车站每日订单时空效率表及车站每日挪车时空效率表计算获得车站时空效率具体为：当前时段车站效率等于当前时段挪入的车辆、当前时段用户骑入的车辆以及当前时段开始时已经停在此处的车辆，这三种车辆在时段 t 内产生的被用户骑走的车辆数除以这些车辆在当前时段t停留的时间。
7.如权利要求3所述的共享车辆调配方法，其特征在于：基于贪心策略计算获得车站时空最优车辆数具体为：
先满足车站的最小容量，然后将车站效率与车站最大容量相乘之后进行排序；
然后由大到小向下遍历，将遍历的车站的容量调整为车站最大容量，直到城市达到城市可用车辆数上限后停止分配，由此得到各车站的时空最优车辆数。
8.如权利要求1所述的共享车辆调配方法，其特征在于：基于离线数据信息、每辆车辆到每个车站的距离成本以及实时车站是否需要挪入车辆求解生成调度运输数据包括：
离线数据信息、每辆车辆到每个车站的机会成本以及实时车站是否需要挪入车辆同步到线上mysql 库中；
采用最优运输求解生成调度运输数据。
9.一种共享车辆调配系统，该系统运行时实现如权利要求1-8任一项所述的一种共享车辆调配方法，其特征在于：包括以下模块：离线数据统计模块、实时信息模块以及调度任务生成模块；
离线数据统计模块用于获取基础数据，基于基础数据信息计算得到离线数据信息，离线数据信息包括车站时空信息、城市时点信息、车站时空效率、区块机会成本以及车站时空最优车辆数；车站时空最优车辆数根据车站时空信息、城市时点信息以及车站时空效率计算获得；
实时信息模块用于获取实时车辆位置信息以及实时车站信息，并结合离线数据信息计算车辆到每个车站的机会成本以及实时车站是否需要挪入车辆；
调度任务生成模块用于基于离线数据信息、每辆车辆到每个车站的机会成本以及实时车站是否需要挪入车辆生成调度运输数据。
10.一种计算机可读存储介质，其上存储有计算机程序，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1-8任一项所述的一种共享车辆调配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211634660.6A CN115619051A (zh) | 2022-12-19 | 2022-12-19 | 一种共享车辆调配方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211634660.6A CN115619051A (zh) | 2022-12-19 | 2022-12-19 | 一种共享车辆调配方法、系统及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115619051A true CN115619051A (zh) | 2023-01-17 |
Family
ID=84879715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211634660.6A Pending CN115619051A (zh) | 2022-12-19 | 2022-12-19 | 一种共享车辆调配方法、系统及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115619051A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050947A (zh) * | 2023-03-29 | 2023-05-02 | 北京阿帕科蓝科技有限公司 | 车辆调度效果的评价方法、装置、计算机设备和存储介质 |
| CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
| CN116362431A (zh) * | 2023-06-02 | 2023-06-30 | 北京阿帕科蓝科技有限公司 | 共享车辆的调度方法、装置、计算机设备和存储介质 |
| CN116363854A (zh) * | 2023-05-31 | 2023-06-30 | 北京阿帕科蓝科技有限公司 | 共享出行车辆调度方法、装置和计算机设备 |
| CN116911575A (zh) * | 2023-09-13 | 2023-10-20 | 亿雅捷交通系统(北京)有限公司 | 一种共享单车全时段调度方法、系统及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150185034A1 (en) * | 2007-01-12 | 2015-07-02 | Raj V. Abhyanker | Driverless vehicle commerce network and community |
| CN110472999A (zh) * | 2019-07-17 | 2019-11-19 | 深圳市综合交通运行指挥中心 | 基于地铁和共享单车数据的客流模式分析方法及装置 |
| CN114021883A (zh) * | 2021-09-28 | 2022-02-08 | 淮阴工学院 | 一种高峰时期地铁接驳共享单车的调度方法 |
-
2022
- 2022-12-19 CN CN202211634660.6A patent/CN115619051A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150185034A1 (en) * | 2007-01-12 | 2015-07-02 | Raj V. Abhyanker | Driverless vehicle commerce network and community |
| CN110472999A (zh) * | 2019-07-17 | 2019-11-19 | 深圳市综合交通运行指挥中心 | 基于地铁和共享单车数据的客流模式分析方法及装置 |
| CN114021883A (zh) * | 2021-09-28 | 2022-02-08 | 淮阴工学院 | 一种高峰时期地铁接驳共享单车的调度方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050947A (zh) * | 2023-03-29 | 2023-05-02 | 北京阿帕科蓝科技有限公司 | 车辆调度效果的评价方法、装置、计算机设备和存储介质 |
| CN116363854A (zh) * | 2023-05-31 | 2023-06-30 | 北京阿帕科蓝科技有限公司 | 共享出行车辆调度方法、装置和计算机设备 |
| CN116363854B (zh) * | 2023-05-31 | 2023-10-24 | 北京阿帕科蓝科技有限公司 | 共享出行车辆调度方法、装置和计算机设备 |
| CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
| CN116362431A (zh) * | 2023-06-02 | 2023-06-30 | 北京阿帕科蓝科技有限公司 | 共享车辆的调度方法、装置、计算机设备和存储介质 |
| CN116362431B (zh) * | 2023-06-02 | 2023-10-24 | 北京阿帕科蓝科技有限公司 | 共享车辆的调度方法、装置、计算机设备和存储介质 |
| CN116911575A (zh) * | 2023-09-13 | 2023-10-20 | 亿雅捷交通系统(北京)有限公司 | 一种共享单车全时段调度方法、系统及设备 |
| CN116911575B (zh) * | 2023-09-13 | 2024-01-26 | 亿雅捷交通系统(北京)有限公司 | 一种共享单车全时段调度方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115619051A (zh) | 一种共享车辆调配方法、系统及计算机存储介质 | |
| CN111862579B (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
| Wallar et al. | Vehicle rebalancing for mobility-on-demand systems with ride-sharing | |
| US11584237B2 (en) | Mobile internet-based integrated vehicle energy replenishment system and method, and storage medium | |
| Bayram et al. | Unsplittable load balancing in a network of charging stations under QoS guarantees | |
| CN111915176B (zh) | 一种混合运营模式下纯电动公交车辆的排班方法及其系统 | |
| CN108346010B (zh) | 基于用户需求分析的共享汽车调度方法 | |
| Biondi et al. | Optimal deployment of stations for a car sharing system with stochastic demands: A queueing theoretical perspective | |
| CN111452669B (zh) | 公交智能充电的系统和方法及介质 | |
| CN110490380B (zh) | 自动化动态最小运力的即时派单方法及装置 | |
| CN105702017B (zh) | 一种车辆调度方法及装置 | |
| CN111612358A (zh) | 共享汽车车辆调度及调度员路径优化方法 | |
| CN110210652A (zh) | 一种轨道交通站点客流控制方法及装置 | |
| EP3110653B1 (en) | Self-managing charging poles | |
| CN112308389A (zh) | 基于云计算的电动汽车有序充电调度系统及方法 | |
| Chen et al. | Deadline scheduling for large scale charging of electric vehicles with renewable energy | |
| CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
| CN109816128A (zh) | 网约车订单的处理方法、装置、设备及可读存储介质 | |
| CN111967710A (zh) | 一种基于区块链与边缘计算技术的共享单车调度系统 | |
| CN114819414B (zh) | 一种区块需求预测方法、系统及计算机存储介质 | |
| CN113095553A (zh) | 调度方法、装置、电子设备及存储介质 | |
| Gao et al. | BM-DDPG: An integrated dispatching framework for ride-hailing systems | |
| CN112819228B (zh) | 任务处理方法、装置、存储介质和电子设备 | |
| CN113962313A (zh) | 一种需求预测方法、系统、存储介质及电子设备 | |
| CN116805201A (zh) | 一种无人机的能源补给站部署方法 |
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 |