CN116050742A - 一种共享车辆运维人员智能调度配置方法及系统 - Google Patents
一种共享车辆运维人员智能调度配置方法及系统 Download PDFInfo
- Publication number
- CN116050742A CN116050742A CN202211640201.9A CN202211640201A CN116050742A CN 116050742 A CN116050742 A CN 116050742A CN 202211640201 A CN202211640201 A CN 202211640201A CN 116050742 A CN116050742 A CN 116050742A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- dispatching
- path
- vehicle
- module
- 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
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种共享车辆运维人员智能调度配置方法及系统,涉及共享车辆技术领域,基于预设时间周期对共享车辆进行历史调度数据调取,构建调度任务匹配模块与调度路径生成模块,生成车辆运维调度模型,获取用户的车辆需求申请并整合作为批次目标申请信息,生成单组调度任务与多个调度路径,其中单组调度任务与多个调度路径一一对应,基于单组调度任务与多个调度路径实现智能化车辆调度运维。本发明解决了现有共享车辆运维人员调度配置方法无法根据不同时空共享车辆资源的需求量建立合理指标,导致运维人员分配不合理的技术问题。实现了多模型协调优化,进行最优运维任务分配,达到提高车辆利用率,降低运维人员工作强度的技术效果。
Description
技术领域
本发明涉及共享车辆技术领域,具体涉及一种共享车辆运维人员智能调度配置方法及系统。
背景技术
共享车辆是指企业在校园、地铁站点、公交站点、居民区、商业区、公共服务区等提供自行车、助力车、汽车共享服务,是一种分时租赁模式,共享车辆是一种新型绿色环保共享经济,实质是一种新型的交通工具租赁业务-共享车辆租赁业务,其主要依靠载体为车辆。可以很充分利用城市因快速的经济发展而带来的自行车出行萎靡状况,最大化的利用了公共道路通过率,共享车辆已经越来越多地引起人们的注意,随着共享经济的到来,共享车辆飞速发展,极大提高了生活的便利性,但共享车辆资源配置还存在一定的不合理性,现今常用的共享车辆运维运维人员调度配置方法还存在着一定的弊端,对于共享车辆运维运维人员调度配置还存在着一定的可提升空间。
现有共享车辆运维人员调度配置方法无法根据不同时空共享车辆资源的需求量建立合理指标,导致运维人员分配不合理。
发明内容
本申请实施例提供了一种共享车辆运维人员智能调度配置方法及系统,用于针对解决现有共享车辆运维人员调度配置方法无法根据不同时空共享车辆资源的需求量建立合理指标,导致运维人员分配不合理的技术问题。
鉴于上述问题,本申请实施例提供了一种共享车辆运维人员智能调度配置方法及系统。
第一方面,本申请实施例提供了一种共享车辆运维人员智能调度配置方法,所述方法包括:基于预设时间周期,对共享车辆进行历史调度数据调取,获取历史调度信息;将所述历史调度信息作为训练信息,构建调度任务匹配模块与调度路径生成模块;将所述调度任务匹配模块作为前置模块,将所述调度路径生成模块作为后置模块,生成所述车辆运维调度模型;获取用户的车辆需求申请,对所述车辆需求申请进行整合作为批次目标申请信息;将所述批次目标申请信息输入模型中,通过进行模块联动分析生成单组调度任务与多个调度路径,其中,所述单组调度任务与所述多个调度路径一一对应;基于所述单组调度任务与所述多个调度路径实现智能化车辆调度运维。
第二方面,本申请实施例提供了一种共享车辆运维人员智能调度配置系统,所述系统包括:历史调度数据调取模块,所述历史调度数据调取模块用于基于预设时间周期,对共享车辆进行历史调度数据调取,获取历史调度信息;历史调度信息训练模块,所述历史调度信息训练模块用于将所述历史调度信息作为训练信息,构建调度任务匹配模块与调度路径生成模块;运维调度模型构建模块,所述运维调度模型构建模块用于将所述调度任务匹配模块作为前置模块,将所述调度路径生成模块作为后置模块,生成所述车辆运维调度模型;车辆需求申请整合模块,所述车辆需求申请整合模块用于获取用户的车辆需求申请,对所述车辆需求申请进行整合作为批次目标申请信息;联动分析模块,所述联动分析模块用于将所述批次目标申请信息输入模型中,通过进行模块联动分析生成单组调度任务与多个调度路径,其中,所述单组调度任务与所述多个调度路径一一对应;车辆调度运维实施模块,所述车辆调度运维实施模块用于基于所述单组调度任务与所述多个调度路径实现智能化车辆调度运维。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种共享车辆运维人员智能调度配置方法,涉及共享车辆技术领域,基于预设时间周期,对共享车辆进行历史调度数据调取,构建调度任务匹配模块与调度路径生成模块,生成车辆运维调度模型,获取用户的车辆需求申请并进行整合作为批次目标申请信息,通过进行模块联动分析生成单组调度任务与多个调度路径,其中,单组调度任务与多个调度路径一一对应,基于单组调度任务与多个调度路径实现智能化车辆调度运维。解决了现有共享车辆运维人员调度配置方法无法根据不同时空共享车辆资源的需求量建立合理指标,导致运维人员分配不合理的技术问题。实现了多模型协调优化,进行最优运维任务分配,达到提高车辆利用率,降低运维人员工作强度的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种共享车辆运维人员智能调度配置方法流程示意图;
图2为本申请实施例提供了一种共享车辆运维人员智能调度配置方法中获取历史调度信息流程示意图;
图3为本申请实施例提供了一种共享车辆运维人员智能调度配置方法中确定批次目标申请信息流程示意图;
图4为本申请实施例提供了一种共享车辆运维人员智能调度配置系统结构示意图。
附图标记说明:历史调度数据调取模块10,历史调度信息训练模块20,运维调度模型构建模块30,车辆需求申请整合模块40,联动分析模块50,车辆调度运维实施模块60。
具体实施方式
本申请实施例通过提供一种共享车辆运维人员智能调度配置方法,用于针对解决现有共享车辆运维人员调度配置方法无法根据不同时空共享车辆资源的需求量建立合理指标,导致运维人员分配不合理的技术问题。
实施例一
如图1所示,本申请实施例提供了一种共享车辆运维人员智能调度配置方法,该方法应用于一种共享车辆运维人员智能调度配置系统,该方法包括:
步骤S100:基于预设时间周期,对共享车辆进行历史调度数据调取,获取历史调度信息;
具体而言,本申请实施例提供的一种共享车辆运维人员智能调度配置方法应用于共享车辆运维人员智能调度配置系统。首先,预设时间周期为根据共享车辆使用情况设置的,用于限定对共享车辆进行数据调取的时间期限。基于所述预设时间周期调取多组调度数据,其中,一组调度数据包括多维度数据类型,对所述多组调度数据进行数据识别分析,获取缺失数据,对所述缺失数据进行可调性分析,基于可调性分析结果对所述多组调度数据进行预处理,当所述可调性分析结果为是时,基于n最近邻均值法进行缺失数据补充;当所述可调性分析结果为否时,对单项缺失数据对应的调度数据组进行剔除,获取数据预处理结果,由于不同的时间段对于共享车辆的需求也不同,因此根据节假日、工作日、休息日等确定多数据划分层级,以此访问数据预处理结果中的每一项数据,根据多数据划分层级对数据进行多层级归类,生成历史调度信息。通过对共享车辆进行历史调度数据调取,实现了对共享车辆使用情况的初步掌握,为后续生成车辆运维调度模型打下基础。
步骤S200:将所述历史调度信息作为训练信息,构建调度任务匹配模块与调度路径生成模块;
具体而言,历史调度信息包括历史车辆需求位置、需求量信息、历史车辆堆积停放位置、堆积量信息,连同与之对应的历史运维调度路线和调度时间数据,将调度时间数据和对应的历史车辆信息作为第一组数据,将历史运维调度路线和对应的历史车辆信息作为第二组数据。对于第一组数据,将数据按照8:2的比例分为第一训练集和第一验证集,其中,训练集用于估计模型,验证集用来确定网络结构或者作为控制复杂模型复杂程度的参数。训练集与验证集用于监督学习中,监督学习是指利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,也称为监督训练或者有教师学习。在监督学习中,每个实例都是由一个输入对象和一个期望的输出值组成,具体算法是分析该训练数据,并产生一个推断功能,用于映射出新的实例,对于第一组数据而言,即根据历史车辆需求位置、需求量信息、历史车辆堆积停放位置、堆积量信息推断出调度时间数据,以此构建调度任务匹配模块。根据同样的方法将第二组数据分为第二组数据分为第二训练集和第二验证集,构建调度路径生成模块。通过对原始数据的划分,实现了对于效果最好、准确率最高的模型的构建。
步骤S300:将所述调度任务匹配模块作为前置模块,将所述调度路径生成模块作为后置模块,生成所述车辆运维调度模型;
具体而言,所述车辆运维调度模型为BP神经网络模型,从结构上讲,具有输入层、隐藏层和输出层,其中隐藏层为一层或者多层。BP神经网络的计算过程由正向计算过程和反向计算过程组成,正向传播过程中,输入模式从输入层经隐藏层逐层处理,并转向输出层,每一层神经元只影响下一层神经元状态,如果在输出层不能得到期望的输出,则转入反向传播,在误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。将所述调度任务匹配模块作为前置模块,当共享车辆数据通过输入层输入后,优先在调度任务匹配模块中进行处理,即优先根据共享车辆数据进行调度任务匹配,所述调度路径生成模块作为后置模块,即在调度任务匹配完成后,将调度任务匹配结果作为输入数据,输入调度路径生成模块进行处理,根据调度任务匹配结果匹配调度路径,将匹配结果作为模型的输出数据进行输出。
步骤S400:获取用户的车辆需求申请,对所述车辆需求申请进行整合作为批次目标申请信息;
具体而言,设定申请统计时区,确定调度管控区域,基于所述申请统计时区对用户的所述车辆需求申请进行统计,获取申请统计结果,基于所述申请统计结果,确定批次目标申请信息。通过对车辆需求申请进行整合,避免了对数据的重复统计,实现了资源的合理分配。
步骤S500:将所述批次目标申请信息输入模型中,通过进行模块联动分析生成单组调度任务与多个调度路径,其中,所述单组调度任务与所述多个调度路径一一对应;
具体而言,根据所述历史调度信息,基于dbscan聚类算法构建车位匹配模块,将所述批次目标申请信息输入模型,基于位置标识进行信息聚类,获取聚类结果,基于所述聚类结果计算轮廓系数,作为聚类评估结果,设定系数阈值,判断所述聚类评估结果绝对值是否满足所述系数阈值,当不满足时,重新进行车位点聚类,直至聚类结果满足所述轮廓系数阈值,基于所述聚类结果生成单组调度任务,将所述单组调度任务作为模块输出结果。
基于所述单组调度任务,随机提取一项进行路径规划,确定多个可行性路径,基于所述多个可行性路径进行路径寻优,获取时限最短路径,作为最佳调度路径,对所述单组调度任务中N项任务分别进行路径寻优,获取N条最佳调度路径,对所述N条最佳调度路径进行任务标识,作为所述调度路径生成模块输出结果。
步骤S600:基于所述单组调度任务与所述多个调度路径实现智能化车辆调度运维。
具体而言,基于所述单组调度任务与所述多个调度路径进行运维人员匹配,获取人员匹配结果,基于所述单组调度任务与所述多个调度路径生成多个任务清单,基于所述人员匹配结果与所述任务清单实施车辆调度运维。实现了共享车辆运维人员的智能调度配置,达到提升人员调度的合理性和效率的效果。
进一步而言,如图2所示,本申请步骤S100还包括:
步骤S110:基于所述预设时间周期调取多组调度数据,其中,一组调度数据包括多维度数据类型;
步骤S120:对所述多组调度数据进行数据识别分析,获取缺失数据;
步骤S130:对所述缺失数据进行可调性分析,基于可调性分析结果对所述多组调度数据进行预处理;
步骤S140:当所述可调性分析结果为是时,基于n最近邻均值法进行缺失数据补充;当所述可调性分析结果为否时,对单项缺失数据对应的调度数据组进行剔除,获取数据预处理结果;
步骤S150:设定数据划分层级,遍历所述数据预处理结果进行多层级归类,生成所述历史调度信息。
具体而言,所述预设时间周期即根据实际情况提前设置的进行调度数据调取的频率,如对于车辆需求量大的地方需要每天调取,而对于车辆需求量小的地方三天调取一次即可,多组调度数据为根据不同预设时间周期进行调度数据调取后获取的数据,其中,一组调度数据包括多维度数据类型,多维度数据类型包括历史车辆需求位置、需求量信息、历史车辆堆积停放位置、堆积量信息,连同与之对应历史运维调度路线和调度时间数据。
将多维度数据类型作为数据识别指标,示例性地,历史车辆需求位置A、需求量信息B、历史车辆堆积停放位置C、堆积量信息D,历史运维调度路线E和调度时间数据F,一组调度数据中有该项指标的标记为大写,没有该项指标的标记为小写,以此对多组调度数据进行数据识别分析,对标识后的多组调度数据,根据小写字母的标识情况进行分类。对于标记为小写a的调度数据,即表示缺失历史车辆需求位置信息,对每组的缺失信息进行分析,判断该数据识别指标是否可根据其他信息进行推断、补充。当不可以时,说明该组数据缺失关键信息,无法继续利用,因此对该组数据进行剔除;当可以时,说明一些时刻或连续时间段内的值无法采集到,但该项值可以根据前后关系进行推导、补充,基于n最近邻均值法进行缺失数据补充,即考虑两两样本之间的“距离”,选取最接近的几个观测的平均值或距离加权,作为有缺失的样本的填补值。将剔除和缺失数据补充后的数据作为数据预处理结果。
通过对缺失数据的补充以及对缺失关键信息数据的剔除,实现了完整数据的获取及冗余数据的剔除,达到精简数据、提升数据准确度的效果。
进一步而言,如图3所示,本申请步骤S400还包括:
步骤S410:设定申请统计时区;
步骤S420:确定调度管控区域,基于所述申请统计时区对用户的所述车辆需求申请进行统计,获取申请统计结果;
步骤S430:基于所述申请统计结果,确定批次目标申请信息。
具体而言,申请统计时区为根据申请频次进行申请实施的时间,如该地用车需求量大,申请频次高,则统计周期短,将同一统计周期内的申请作为同批次申请,以一个周期对统计结果进行数据整合,例如姓名-位置-时间等生成申请序列,提高信息有序性。调度管控区域为实行与相关要素关联的区域进行集中统一控制,划分控制区域的标准,即根据申请统计时区,对调度管控区域内的车辆需求申请进行统计,获取申请统计结果,将申请统计结果进行整合,即同一调度管控区域内在统计周期内的所有申请划定为同一批次申请。
进一步而言,本申请步骤S500还包括:
步骤S510-1:根据所述历史调度信息,基于dbscan聚类算法构建车位匹配模块;
步骤S510-2:将所述批次目标申请信息输入模型,基于位置标识进行信息聚类,获取聚类结果;
步骤S510-3:基于所述聚类结果计算轮廓系数,作为聚类评估结果;
步骤S510-4:设定系数阈值,判断所述聚类评估结果绝对值是否满足所述系数阈值;
步骤S510-5:当不满足时,重新进行车位点聚类,直至聚类结果满足所述轮廓系数阈值;
步骤S510-6:基于所述聚类结果生成单组调度任务,将所述单组调度任务作为模块输出结果。
具体而言,dbscan聚类算法是一种基于密度的空间聚类算法,该算法将具有足够密度的区域划分为簇,并在具有噪声的空间数据库中发现任意形状的簇,它将簇定义为密度相连的点的最大集合。形象来说,系统在众多样本点中随机选中一个,围绕这个被选中的样本点画一个圆,规定这个圆的半径以及圆内最少包含的样本点,如果在指定半径内有足够多的样本点在内,那么这个圆圈的圆心就转移到这个内部样本点,继续去圈附近其它的样本点,继续去发展下线。直到这个滚来滚去的圈所圈住的样本点数量少于预先指定的值,就停止了。那么称最开始那个点为核心点,停下来的那个点为边界点,没得滚的那个点为离群点。基于上述聚类过程产生的结果生成单组调度任务,将单组调度任务作为模块输出结果。
进一步而言,本申请步骤S500还包括:
步骤S520-1:基于所述单组调度任务,随机提取一项进行路径规划,确定多个可行性路径;
步骤S520-2:基于所述多个可行性路径进行路径寻优,获取时限最短路径,作为最佳调度路径;
步骤S520-3:对所述单组调度任务中N项任务分别进行路径寻优,获取N条最佳调度路径;
步骤S520-4:对所述N条最佳调度路径进行任务标识,作为所述调度路径生成模块输出结果。
具体而言,基于所述单组调度任务,随机提取一项进行路径规划,通过进行历史数据比对,确定所述多个可行性路径,基于所述多个可行性路径随机提取一条路径进行调度时限评估,获取第一路径调度时限,将随机提取路径作为当前最优路径,再次基于所述多个可行性路径随提提取一条路径,获取第二路径调度时限,对所述第一路径调度时限与所述第二路径调度时限进行校对,将时限较短者迭代为所述当前最优路径,重复进行路径寻优迭代,直至达到预定迭代次数,获取所述最佳调度路径。
进一步而言,本申请步骤S520-2包括:
步骤S520-21:基于所述单组调度任务,随机提取一项进行路径规划,通过进行历史数据比对,确定所述多个可行性路径;
步骤S520-22:基于所述多个可行性路径随机提取一条路径进行调度时限评估,获取第一路径调度时限;
步骤S520-23:将随机提取路径作为当前最优路径,再次基于所述多个可行性路径随提提取一条路径,获取第二路径调度时限;
步骤S520-24:对所述第一路径调度时限与所述第二路径调度时限进行校对,将时限较短者迭代为所述当前最优路径;
步骤S520-25:重复进行路径寻优迭代,直至达到预定迭代次数,获取所述最佳调度路径。
具体而言,在单组调度任务随机提取一项进行路径规划,即连接起点位置和终点位置,中间产生多条路径,将产生的多个路径与历史数据进行对比,将与历史数据相似的作为可行性路径。在多条可行性路径中任选一条路径,基于节假日、工作日、休息日等确定多数据划分层级确定日期匹配数据,作为数据参考,对该条路径的实时道路流量、红绿灯等进行判断,获取该条路径通行的时间,作为第一路径调度时限。同样的方法获取第二路径调度时限,对比第一路径调度时限和第二路径调度时限,将时限较短的迭代为当前最优路径,重复迭代步骤,直至将所有路径调度时限都迭代完成,获取最佳调度路径。
进一步而言,本申请步骤S600还包括:
步骤S610:基于所述单组调度任务与所述多个调度路径进行运维人员匹配,获取人员匹配结果;
步骤S620:基于所述单组调度任务与所述多个调度路径生成多个任务清单;
步骤S630:基于所述人员匹配结果与所述任务清单实施车辆调度运维。
具体而言,一个调度任务包含多个调度路径和共享车辆需求量,根据调度路径的条数、方向和共享车辆需求量的大小进行运维人员的匹配,如调度路径为多条且都不在一个方向,则需要适当增加运维人员数量,对于共享车辆需求量,需求量越大,则需要的运维人员数量就越多,以此获取人员匹配结果,根据匹配到的运维人员与其对应的调度路径、调度时间、任务量等构建任务清单,将任务清单发送至对应运维人员移动终端,对应运维人员即可根据任务清单实施车辆调度运维,如换电、调度、摆放工作。
进一步而言,本申请步骤S600还包括:
步骤S640:基于共享车辆调度进程,同步进行车辆质检,获取质检结果;
步骤S650:确定车辆需求量,基于所述质检结果对可调度车辆进行优劣排序,确定待调度车辆;
步骤S660:对所述可调度车辆中剩余车辆进行质检结果标识与位置标识,获取车辆标识结果;
步骤S670:基于所述车辆标识结果进行返厂维修。
具体而言,运维人员根据任务清单实施车辆调度运维的同时,对共享车辆同时进行质检,根据共享车辆的使用情况、车身磨损、零件丢失等情况对共享车辆的当前质量进行分级,如车身只是简单磨损没有零件损坏作为S级,车身有零件少量损坏但可以继续使用作为A级,车身零件损坏较多需要维修作为B级,车身零件损坏严重影响使用作为C级,根据车辆需求量情况,当车辆需求量较大时,保留S、A、B级车辆先进行车辆供给,当车辆需求量较小时,保留S、A车辆,可以对B、C级车辆进行维修,将需要维修的车辆进行等级和位置标识,以此进行返厂维修。
实施例二
基于与前述实施例中一种共享车辆运维人员智能调度配置方法相同的发明构思,如图4所示,本申请提供了一种共享车辆运维人员智能调度配置系统,系统包括:
历史调度数据调取模块10,所述历史调度数据调取模块10用于基于预设时间周期,对共享车辆进行历史调度数据调取,获取历史调度信息;
历史调度信息训练模块20,所述历史调度信息训练模块20用于将所述历史调度信息作为训练信息,构建调度任务匹配模块与调度路径生成模块;
运维调度模型构建模块30,所述运维调度模型构建模块30用于将所述调度任务匹配模块作为前置模块,将所述调度路径生成模块作为后置模块,生成所述车辆运维调度模型;
车辆需求申请整合模块40,所述车辆需求申请整合模块40用于获取用户的车辆需求申请,对所述车辆需求申请进行整合作为批次目标申请信息;
联动分析模块50,所述联动分析模块50用于将所述批次目标申请信息输入模型中,通过进行模块联动分析生成单组调度任务与多个调度路径,其中,所述单组调度任务与所述多个调度任务一一对应;
车辆调度运维实施模块60,所述车辆调度运维实施模块60用于基于所述单组调度任务与所述多个调度路径实现智能化车辆调度运维。
进一步而言,系统还包括:
多组调车辆调度运维实施模块度数据调取模块,用于基于所述预设时间周期调取多组调度数据,其中,一组调度数据包括多维度数据类型;
数据识别分析模块,用于对所述多组调度数据进行数据识别分析,获取缺失数据;
可调性分析模块,用于对所述缺失数据进行可调性分析,基于可调性分析结果对所述多组调度数据进行预处理;
数据预处理结果获取模块,用于当所述可调性分析结果为是时,基于n最近邻均值法进行缺失数据补充;当所述可调性分析结果为否时,对单项缺失数据对应的调度数据组进行剔除,获取数据预处理结果;
历史调度信息生成模块,用于设定数据划分层级,遍历所述数据预处理结果进行多层级归类,生成所述历史调度信息。
进一步而言,系统还包括:
申请统计时区获取模块,用于设定申请统计时区;
需求申请统计模块,用于确定调度管控区域,基于所述申请统计时区对用户的所述车辆需求申请进行统计,获取申请统计结果;
批次目标申请信息确定模块,用于基于所述申请统计结果,确定批次目标申请信息。
进一步而言,系统还包括:
车位匹配模块构建模块,用于根据所述历史调度信息,基于dbscan聚类算法构建车位匹配模块;
信息聚类模块,用于将所述批次目标申请信息输入模型,基于位置标识进行信息聚类,获取聚类结果;
轮廓系数计算模块,用于基于所述聚类结果计算轮廓系数,作为聚类评估结果;
系数阈值获取模块,用于设定系数阈值,判断所述聚类评估结果绝对值是否满足所述系数阈值;
车位点聚类模块,用于当不满足时,重新进行车位点聚类,直至聚类结果满足所述轮廓系数阈值;
单组调度任务生成模块,用于基于所述聚类结果生成单组调度任务,将所述单组调度任务作为模块输出结果。
进一步而言,系统还包括:
多个可行性路径确定模块,用于基于所述单组调度任务,随机提取一项进行路径规划,确定多个可行性路径;
时限最短路径获取模块,用于基于所述多个可行性路径进行路径寻优,获取时限最短路径,作为最佳调度路径;
N条最佳调度路径获取模块,用于对所述单组调度任务中N项任务分别进行路径寻优,获取N条最佳调度路径;
任务标识模块,用于对所述N条最佳调度路径进行任务标识,作为所述调度路径生成模块输出结果。
进一步而言,系统还包括:
多个可行性路径获取模块,用于基于所述单组调度任务,随机提取一项进行路径规划,通过进行历史数据比对,确定所述多个可行性路径;
第一路径调度时限获取模块,用于基于所述多个可行性路径随机提取一条路径进行调度时限评估,获取第一路径调度时限;
第二路径调度时限获取模块,用于将随机提取路径作为当前最优路径,再次基于所述多个可行性路径随提提取一条路径,获取第二路径调度时限;
校对模块,用于对所述第一路径调度时限与所述第二路径调度时限进行校对,将时限较短者迭代为所述当前最优路径;
路径寻优迭代模块,用于重复进行路径寻优迭代,直至达到预定迭代次数,获取所述最佳调度路径。
进一步而言,系统还包括:
运维人员匹配模块,用于基于所述单组调度任务与所述多个调度路径进行运维人员匹配,获取人员匹配结果;
多个任务清单生成模块,用于基于所述单组调度任务与所述多个调度路径生成多个任务清单;
调度运维实施模块,用于基于所述人员匹配结果与所述任务清单实施车辆调度运维。
进一步而言,系统还包括:
车辆质检模块,用于基于共享车辆调度进程,同步进行车辆质检,获取质检结果;
优劣排序模块,用于确定车辆需求量,基于所述质检结果对可调度车辆进行优劣排序,确定待调度车辆;
车辆标识结果获取模块,用于对所述可调度车辆中剩余车辆进行质检结果标识与位置标识,获取车辆标识结果;
返厂维修模块,用于基于所述车辆标识结果进行返厂维修。
本说明书通过前述对一种共享车辆运维人员智能调度配置方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种共享车辆运维人员智能调度配置方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种共享车辆运维人员智能调度配置方法,其特征在于,所述方法包括:
基于预设时间周期,对共享车辆进行历史调度数据调取,获取历史调度信息;
将所述历史调度信息作为训练信息,构建调度任务匹配模块与调度路径生成模块;
将所述调度任务匹配模块作为前置模块,将所述调度路径生成模块作为后置模块,生成所述车辆运维调度模型;
获取用户的车辆需求申请,对所述车辆需求申请进行整合作为批次目标申请信息;
将所述批次目标申请信息输入模型中,通过进行模块联动分析生成单组调度任务与多个调度路径,其中,所述单组调度任务与所述多个调度路径一一对应;
基于所述单组调度任务与所述多个调度路径实现智能化车辆调度运维。
2.如权利要求1所述的方法,其特征在于,所述基于预设时间周期,对共享车辆进行历史调度数据调取,获取历史调度信息,包括:
基于所述预设时间周期调取多组调度数据,其中,一组调度数据包括多维度数据类型;
对所述多组调度数据进行数据识别分析,获取缺失数据;
对所述缺失数据进行可调性分析,基于可调性分析结果对所述多组调度数据进行预处理;
当所述可调性分析结果为是时,基于n最近邻均值法进行缺失数据补充;当所述可调性分析结果为否时,对单项缺失数据对应的调度数据组进行剔除,获取数据预处理结果;
设定数据划分层级,遍历所述数据预处理结果进行多层级归类,生成所述历史调度信息。
3.如权利要求1所述的方法,其特征在于,包括:
设定申请统计时区;
确定调度管控区域,基于所述申请统计时区对用户的所述车辆需求申请进行统计,获取申请统计结果;
基于所述申请统计结果,确定批次目标申请信息。
4.如权利要求1所述的方法,其特征在于,包括:
根据所述历史调度信息,基于DBSCAN聚类算法构建车位匹配模块;
将所述批次目标申请信息输入模型,基于位置标识进行信息聚类,获取聚类结果;
基于所述聚类结果计算轮廓系数,作为聚类评估结果;
设定系数阈值,判断所述聚类评估结果绝对值是否满足所述系数阈值;
当不满足时,重新进行车位点聚类,直至聚类结果满足所述轮廓系数阈值;
基于所述聚类结果生成单组调度任务,将所述单组调度任务作为模块输出结果。
5.如权利要求4所述的方法,其特征在于,包括:
基于所述单组调度任务,随机提取一项进行路径规划,确定多个可行性路径;
基于所述多个可行性路径进行路径寻优,获取时限最短路径,作为最佳调度路径;
对所述单组调度任务中N项任务分别进行路径寻优,获取N条最佳调度路径;
对所述N条最佳调度路径进行任务标识,作为所述调度路径生成模块输出结果。
6.如权利要求5所述的方法,其特征在于,所述基于所述多个可行性路径进行路径寻优,获取时限最短路径,作为最佳调度路路径,包括:
基于所述单组调度任务,随机提取一项进行路径规划,通过进行历史数据比对,确定所述多个可行性路径;
基于所述多个可行性路径随机提取一条路径进行调度时限评估,获取第一路径调度时限;
将随机提取路径作为当前最优路径,再次基于所述多个可行性路径随提提取一条路径,获取第二路径调度时限;
对所述第一路径调度时限与所述第二路径调度时限进行校对,将时限较短者迭代为所述当前最优路径;
重复进行路径寻优迭代,直至达到预定迭代次数,获取所述最佳调度路径。
7.如权利要求1所述的方法,其特征在于,所述,包括:
基于所述单组调度任务与所述多个调度路径进行运维人员匹配,获取人员匹配结果;
基于所述单组调度任务与所述多个调度路径生成多个任务清单;
基于所述人员匹配结果与所述任务清单实施车辆调度运维。
8.如权利要求7所述的方法,其特征在于,包括:
基于共享车辆调度进程,同步进行车辆质检,获取质检结果;
确定车辆需求量,基于所述质检结果对可调度车辆进行优劣排序,确定待调度车辆;
对所述可调度车辆中剩余车辆进行质检结果标识与位置标识,获取车辆标识结果;
基于所述车辆标识结果进行返厂维修。
9.一种共享车辆运维人员智能调度配置系统,其特征在于,所述系统包括:
历史调度数据调取模块,所述历史调度数据调取模块用于基于预设时间周期,对共享车辆进行历史调度数据调取,获取历史调度信息;
历史调度信息训练模块,所述历史调度信息训练模块用于将所述历史调度信息作为训练信息,构建调度任务匹配模块与调度路径生成模块;
运维调度模型构建模块,所述运维调度模型构建模块用于将所述调度任务匹配模块作为前置模块,将所述调度路径生成模块作为后置模块,生成所述车辆运维调度模型;
车辆需求申请整合模块,所述车辆需求申请整合模块用于获取用户的车辆需求申请,对所述车辆需求申请进行整合作为批次目标申请信息;
联动分析模块,所述联动分析模块用于将所述批次目标申请信息输入模型中,通过进行模块联动分析生成单组调度任务与多个调度路径,其中,所述单组调度任务与所述多个调度任务一一对应;
车辆调度运维实施模块,所述车辆调度运维实施模块用于基于所述单组调度任务与所述多个调度路径实现智能化车辆调度运维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640201.9A CN116050742A (zh) | 2022-12-19 | 2022-12-19 | 一种共享车辆运维人员智能调度配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640201.9A CN116050742A (zh) | 2022-12-19 | 2022-12-19 | 一种共享车辆运维人员智能调度配置方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050742A true CN116050742A (zh) | 2023-05-02 |
Family
ID=86121354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211640201.9A Pending CN116050742A (zh) | 2022-12-19 | 2022-12-19 | 一种共享车辆运维人员智能调度配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050742A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993131A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市海成智联科技有限公司 | 一种基于公共交通线路管理的优化方法及系统 |
CN117649069A (zh) * | 2023-11-07 | 2024-03-05 | 北京城建设计发展集团股份有限公司 | 基于遗传算法的多片区运维资源统筹调度方法 |
-
2022
- 2022-12-19 CN CN202211640201.9A patent/CN116050742A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993131A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市海成智联科技有限公司 | 一种基于公共交通线路管理的优化方法及系统 |
CN116993131B (zh) * | 2023-09-27 | 2024-01-02 | 深圳市海成智联科技有限公司 | 一种基于公共交通线路管理的优化方法及系统 |
CN117649069A (zh) * | 2023-11-07 | 2024-03-05 | 北京城建设计发展集团股份有限公司 | 基于遗传算法的多片区运维资源统筹调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116050742A (zh) | 一种共享车辆运维人员智能调度配置方法及系统 | |
CN108053062B (zh) | 一种基于多源数据的定制公交线路生成方法 | |
CN108764555B (zh) | 一种基于Hadoop的共享单车停放点选址方法 | |
CN110751314B (zh) | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 | |
CN107862864A (zh) | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 | |
CN108564391B (zh) | 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 | |
CN106485262A (zh) | 一种母线负荷预测方法 | |
CN110555990A (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
CN111507762A (zh) | 基于多任务共预测神经网络的城市出租车需求预测方法 | |
CN111415049A (zh) | 一种基于神经网络及聚类的停电敏感性分析方法 | |
CN115063184A (zh) | 电动汽车充电需求建模方法、系统、介质、设备及终端 | |
Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
CN111126799A (zh) | 基于二分图的共享网络司乘匹配方法 | |
Liu et al. | Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN113553350A (zh) | 一种相似演化模式聚类及动态时区划分的交通流分区模型 | |
Peña et al. | Multiobjective optimization of greenhouse gas emissions enhancing the quality of service for urban public transport timetabling | |
CN110619422A (zh) | 一种智能车站客流状况预测方法和系统 | |
CN116432136A (zh) | 一种基于用电采集系统的分布式用电异常检测方法 | |
CN113592246B (zh) | 一种基于pca-topsis模型的道路施工期公交线网评价方法 | |
CN114626622A (zh) | 一种光伏功率预测方法、系统、装置及存储介质 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN113011512A (zh) | 基于rbf神经网络模型的交通生成预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |