CN116050947A - 车辆调度效果的评价方法、装置、计算机设备和存储介质 - Google Patents
车辆调度效果的评价方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116050947A CN116050947A CN202310320077.6A CN202310320077A CN116050947A CN 116050947 A CN116050947 A CN 116050947A CN 202310320077 A CN202310320077 A CN 202310320077A CN 116050947 A CN116050947 A CN 116050947A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- moving
- station
- determining
- effective
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 230000000875 corresponding effect Effects 0.000 claims description 105
- 230000008901 benefit Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 21
- 230000002596 correlated effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车辆调度效果的评价方法、装置、计算机设备和存储介质。所述方法包括:获取目标车辆调度任务的挪车数据;挪车数据包括各挪动车辆对应的挪出车站信息、挪入车站信息、挪车时间、与挪车时间对应的上一次使用时间和下一次使用时间;基于各挪动车辆的挪出车站信息和挪入车站信息,确定目标车辆调度任务的挪车位置指标;基于各挪动车辆的挪车时间、与挪车时间对应的上一次使用时间和下一次使用时间,确定目标车辆调度任务的挪车有效率指标;根据挪车位置指标和挪车有效率指标,确定目标车辆调度任务的评价分数,评价分数用于表征目标车辆调度任务的车辆调度效果。采用本方法能够准确、有效地评价车辆调度效果。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种车辆调度效果的评价方法、装置、计算机设备、存储介质。
背景技术
在运营共享车辆的城市中,用户骑行产生的车辆动态变化直接影响着城市车辆分布情况,车辆分布不均衡反过来影响城市订单的增长。比如部分车站在某些时段经常缺车,这就需要通过车辆调度来解决车站供给不足的问题。
车辆调度策略一般由人工根据经验制定,运维人员可以根据车辆调度策略执行挪车任务,如在某时段将车辆从A车站挪出,并挪入至B车站。而车辆调度效果的好坏,将影响车辆使用效率和运营效益。因此,为了确定是否需要调整车辆调度策略,有必要对车辆调度的效果进行评价。
发明内容
基于此,有必要针对上述技术问题,提供一种准确、有效的车辆调度效果的评价方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种车辆调度效果的评价方法。所述方法包括:
获取目标车辆调度任务的挪车数据;所述挪车数据包括各挪动车辆对应的挪出车站信息、挪入车站信息、挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间;
基于各所述挪动车辆对应的挪出车站信息和挪入车站信息,确定所述目标车辆调度任务的挪车位置指标;
基于各所述挪动车辆的挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间,确定所述目标车辆调度任务的挪车有效率指标;
根据所述挪车位置指标和所述挪车有效率指标,确定所述目标车辆调度任务的评价分数,所述评价分数用于表征所述目标车辆调度任务的车辆调度效果。
在其中一个实施例中,所述基于各所述挪动车辆对应的挪出车站信息和挪入车站信息,确定所述目标车辆调度任务的挪车位置指标,包括:
基于各所述挪动车辆对应的挪入车站信息,确定挪入车站的类型为目标车站类型的挪动车辆的第一数量;
基于各所述挪动车辆对应的挪出车站信息,确定挪出车站的类型为所述目标车站类型的挪动车辆的第二数量;
根据所述第一数量、所述第二数量、以及所述挪动车辆的总数量,确定所述目标车辆调度任务的挪车位置指标。
在其中一个实施例中,所述挪入车站信息包括挪入车站的历史车辆数据;所述基于各所述挪动车辆对应的挪入车站信息,确定挪入车站的类型为目标车站类型的挪动车辆的第一数量,包括:
针对每个挪入车站,根据所述挪入车站的历史车辆数据和车辆数预测模型,确定所述挪入车站的目标车辆数;所述目标车辆数指所述挪入车站在挪车时间之前的目标时段内满足用车需求的车辆数预测值;
在所述目标车辆数大于所述挪入车站在所述目标时段内的实际车辆数的情况下,将所述挪入车站确定为缺车车站;
基于所述挪入车站为缺车车站的挪动车辆的数量,确定第一数量。
在其中一个实施例中,所述挪出车站信息包括挪出车站单均收益,所述挪入车站信息包括挪入车站单均收益;所述根据所述第一数量、所述第二数量、以及所述挪动车辆的总数量,确定所述目标车辆调度任务的挪车位置指标,包括:
基于所述第一数量、所述第二数量、以及各所述挪动车辆的总数量,确定所述第一子挪车位置指标;
根据各所述挪动车辆对应的挪入车站单均收益和所述挪动车辆的总数量,确定挪入车站平均收益;
根据各所述挪动车辆对应的挪出车站单均收益和所述挪动车辆的总数量,确定挪出车站平均收益;
根据所述挪入车站平均收益和所述挪出车站平均收益,确定第二子挪车位置指标;
根据所述第一子挪车位置指标和所述第二子挪车位置指标,确定所述目标车辆调度任务的挪车位置指标。
在其中一个实施例中,所述基于各所述挪动车辆的挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间,确定所述目标车辆调度任务的挪车有效率指标,包括:
针对每个所述挪动车辆,确定所述挪动车辆的挪车时间和上一次使用时间的第一时间差,并在所述第一时间差大于预设阈值的情况下,将所述挪动车辆确定为闲置车辆;
确定所述挪动车辆中、所述闲置车辆的第一占比,并基于所述第一占比,确定第一子挪车有效率指标;
确定所述挪动车辆的挪车时间和下一次使用时间的第二时间差,并在所述第二时间差小于预设阈值的情况下,将所述挪动车辆确定为有效使用车辆;
确定所述挪动车辆中、所述有效使用车辆的第二占比,并基于所述第二占比,确定第二子挪车有效率指标;
根据所述第一子挪车有效率指标和所述第二子挪车有效率指标,确定所述目标车辆调度任务的挪车有效率指标。
在其中一个实施例中,所述闲置车辆具有闲置级别,所述闲置级别与所述第一时间差正相关;所述确定所述挪动车辆中、所述闲置车辆的第一占比,并基于所述第一占比,确定第一子挪车有效率指标,包括:
根据各所述闲置车辆对应的第一时间差和第一级别匹配策略,确定各所述闲置车辆对应的闲置级别,并确定所述挪动车辆中、各闲置级别的闲置车辆的子占比;
根据各所述闲置级别的闲置车辆的子占比、以及各所述闲置级别对应的第一权重,确定第一子挪车有效率指标;所述第一权重与所述闲置级别正相关。
在其中一个实施例中,所述有效使用车辆具有有效率级别,所述有效率级别与所述第二时间差正相关;所述确定所述挪动车辆中、所述有效使用车辆的第二占比,并基于所述第二占比,确定第二子挪车有效率指标,包括:
根据各所述有效使用车辆对应的第二时间差和第二级别匹配策略,确定各所述有效使用车辆对应的有效率级别,并确定所述挪动车辆中、各有效率级别的有效使用车辆的子占比;
根据各所述有效率级别的有效使用车辆的子占比、以及各所述有效率级别对应的第二权重,确定第二子挪车有效率指标;所述第二权重与所述有效率级别负相关。
在其中一个实施例中,所述挪出车站信息包括挪出车站位置信息,所述挪入车站信息包括挪入车站位置信息;所述方法还包括:
根据各所述挪动车辆的挪出车站位置信息和挪入车站位置信息,确定各所述挪动车辆的挪车距离;
根据各所述挪动车辆的挪车距离和所述挪动车辆的总数量,确定平均挪车距离;
在所述平均挪车距离小于预设阈值的情况下,将所述目标车辆调度任务确定为违规调度。
第二方面,本申请还提供了一种车辆调度效果的评价装置。所述装置包括:
获取模块,用于获取目标车辆调度任务的挪车数据;所述挪车数据包括各挪动车辆对应的挪出车站信息、挪入车站信息、挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间;
第一确定模块,用于基于各所述挪动车辆对应的挪出车站信息和挪入车站信息,确定所述目标车辆调度任务的挪车位置指标;
第二确定模块,用于基于各所述挪动车辆的挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间,确定所述目标车辆调度任务的挪车有效率指标;
第三确定模块,用于根据所述挪车位置指标和所述挪车有效率指标,确定所述目标车辆调度任务的评价分数,所述评价分数用于表征所述目标车辆调度任务的车辆调度效果。
在其中一个实施例中,所述第一确定模块具体用于:
基于各所述挪动车辆对应的挪入车站信息,确定挪入车站的类型为目标车站类型的挪动车辆的第一数量;基于各所述挪动车辆对应的挪出车站信息,确定挪出车站的类型为所述目标车站类型的挪动车辆的第二数量;根据所述第一数量、所述第二数量、以及所述挪动车辆的总数量,确定所述目标车辆调度任务的挪车位置指标。
在其中一个实施例中,所述挪入车站信息包括挪入车站的历史车辆数据;所述第一确定模块具体用于:
针对每个挪入车站,根据所述挪入车站的历史车辆数据和车辆数预测模型,确定所述挪入车站的目标车辆数;所述目标车辆数指所述挪入车站在挪车时间之前的目标时段内满足用车需求的车辆数预测值;在所述目标车辆数大于所述挪入车站在所述目标时段内的实际车辆数的情况下,将所述挪入车站确定为缺车车站;基于所述挪入车站为缺车车站的挪动车辆的数量,确定第一数量。
在其中一个实施例中,所述挪出车站信息包括挪出车站单均收益,所述挪入车站信息包括挪入车站单均收益;所述第一确定模块具体用于:
基于所述第一数量、所述第二数量、以及各所述挪动车辆的总数量,确定所述第一子挪车位置指标;根据各所述挪动车辆对应的挪入车站单均收益和所述挪动车辆的总数量,确定挪入车站平均收益;根据各所述挪动车辆对应的挪出车站单均收益和所述挪动车辆的总数量,确定挪出车站平均收益;根据所述挪入车站平均收益和所述挪出车站平均收益,确定第二子挪车位置指标;根据所述第一子挪车位置指标和所述第二子挪车位置指标,确定所述目标车辆调度任务的挪车位置指标。
在其中一个实施例中,所述第二确定模块具体用于:
针对每个所述挪动车辆,确定所述挪动车辆的挪车时间和上一次使用时间的第一时间差,并在所述第一时间差大于预设阈值的情况下,将所述挪动车辆确定为闲置车辆;确定所述挪动车辆中、所述闲置车辆的第一占比,并基于所述第一占比,确定第一子挪车有效率指标;确定所述挪动车辆的挪车时间和下一次使用时间的第二时间差,并在所述第二时间差小于预设阈值的情况下,将所述挪动车辆确定为有效使用车辆;确定所述挪动车辆中、所述有效使用车辆的第二占比,并基于所述第二占比,确定第二子挪车有效率指标;根据所述第一子挪车有效率指标和所述第二子挪车有效率指标,确定所述目标车辆调度任务的挪车有效率指标。
在其中一个实施例中,所述闲置车辆具有闲置级别,所述闲置级别与所述第一时间差正相关;所述第二确定模块具体用于:
根据各所述闲置车辆对应的第一时间差和第一级别匹配策略,确定各所述闲置车辆对应的闲置级别,并确定所述挪动车辆中、各闲置级别的闲置车辆的子占比;根据各所述闲置级别的闲置车辆的子占比、以及各所述闲置级别对应的第一权重,确定第一子挪车有效率指标;所述第一权重与所述闲置级别正相关。
在其中一个实施例中,所述有效使用车辆具有有效率级别,所述有效率级别与所述第二时间差正相关;所述第二确定模块具体用于:
根据各所述有效使用车辆对应的第二时间差和第二级别匹配策略,确定各所述有效使用车辆对应的有效率级别,并确定所述挪动车辆中、各有效率级别的有效使用车辆的子占比;根据各所述有效率级别的有效使用车辆的子占比、以及各所述有效率级别对应的第二权重,确定第二子挪车有效率指标;所述第二权重与所述有效率级别负相关。
在其中一个实施例中,所述挪出车站信息包括挪出车站位置信息,所述挪入车站信息包括挪入车站位置信息;所述装置还包括:
第四确定模块,用于根据各所述挪动车辆的挪出车站位置信息和挪入车站位置信息,确定各所述挪动车辆的挪车距离;
第五确定模块,用于根据各所述挪动车辆的挪车距离和所述挪动车辆的总数量,确定平均挪车距离;
第六确定模块,用于在所述平均挪车距离小于预设阈值的情况下,将所述目标车辆调度任务确定为违规调度。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的方法的步骤。
第四方面,本申请还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,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第一方面所述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述的方法的步骤。
上述车辆调度效果的评价方法、装置、计算机设备、存储介质和计算机程序产品,通过根据车辆调度任务的挪车数据,分别确定出挪车位置指标和挪车有效率指标。其中,挪车位置指标可以反映出不同需求量和/或不同收益的车站的车辆挪入挪出情况,如将低需求量车站的车辆挪入至高需求量车站(如热门车站、缺车车站等)的占比越大,或将低收益车站的车辆挪入至高收益车站的占比越大,则挪车位置指标的数值越大。挪车有效率指标可以反映出挪动车辆中挪车前长时间未使用的车辆占比和/或挪车后短时间被使用的车辆占比,如挪车前长时间未使用的车辆占比越大和/或挪车后短时间被使用的车辆占比越大,则挪车有效率指标的数值越大。从而基于该两大维度(需求量(可以含收益)和有效率)的指标确定出的车辆调度任务的评价分数,可以准确、有效地表征车辆调度效果。
附图说明
图1为一个实施例中车辆调度效果的评价方法的流程示意图;
图2为一个实施例中确定挪车位置指标的流程示意图;
图3为另一个实施例中确定挪车位置指标的流程示意图;
图4为一个实施例中确定挪车有效率指标的流程示意图;
图5为一个实施例中车辆调度效果的评价装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
首先,在具体介绍本申请实施例的技术方案之前,先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。在运营共享车辆(如单车、电单车等)的城市中,用户骑行产生的车辆动态变化直接影响着城市车辆分布情况,车辆分布不均衡反过来影响城市订单的增长。比如部分车站在某些时段经常缺车(需求量大于供给量),这就需要通过车辆调度来解决车站供给不足的问题。车辆调度策略一般由人工(如城市主管)根据经验制定,运维人员可以根据车辆调度策略执行挪车任务,如在某时段将车辆从A车站挪出,并挪入至B车站。车站指由人工选定或者系统划分的若干停车区域,一般供调度入站使用。而车辆调度效果的好坏,将影响车辆使用效率和运营效益。因此,有必要对车辆调度的效果进行有效、准确的评价。基于该背景,申请人通过长期的研发以及实验验证,提出本申请的车辆调度效果的评价方法,可以得到能准确反映车辆调度效果的评价结果,从而可以基于评价结果确定是否需要调整车辆调度策略,以保障共享车辆的使用效率和运营效益。另外,需要说明的是,本申请技术问题的发现以及下述实施例介绍的技术方案,申请人均付出了大量的创造性劳动。
在一个实施例中,如图1所示,提供了一种车辆调度效果的评价方法,该方法可以应用于终端,也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备等。本实施例以该方法应用于终端进行举例说明,该方法包括以下步骤:
步骤101,获取目标车辆调度任务的挪车数据。
其中,挪车数据包括各挪动车辆对应的挪出车站信息、挪入车站信息、挪车时间、以及与挪车时间对应的上一次使用时间和下一次使用时间。
在实施中,车辆调度任务一般对应有执行周期,如一天(一天调度一次)或半天(一天调度两次的情况)等。若一天调度一次,则可以在执行完当天的车辆调度任务后,对该目标车辆调度任务的调度效果进行评价。
执行目标车辆调度任务将产生挪车数据,包括挪动了哪些车辆,各挪动车辆的挪出车站信息(车站位置、车站标识、车站类型等)、挪入车站信息、挪车时间(挪出时间和/或挪入时间),以及各挪动车辆在挪车前最近一次的使用时间(即与挪车时间对应的上一次使用时间)和挪车后最近一次的使用时间(即与挪车时间对应的下一次使用时间)。挪车数据可以由运维人员录入终端,也可以基于车辆的GPS(Global Positioning System,全球定位系统)数据、业务系统的订单数据等得到挪车数据。
步骤102,基于各挪动车辆对应的挪出车站信息和挪入车站信息,确定目标车辆调度任务的挪车位置指标。
在实施中,终端获取到挪车数据后,可以根据各挪动车辆对应的挪出车站信息和挪入车站信息,确定出目标车辆调度任务的挪车位置指标。挪车位置指标可以是一个指标,也可以是多个单位指标的集合。挪车位置指标可以反映出将低需求量车站的车辆挪入至高需求量车站(如热门车站、缺车车站、核心区车站等)的占比和/或将高需求量车站的车辆挪入至低需求量车站的占比。一般来说,将低需求量车站的车辆挪入至高需求量车站的占比越大,相应的指标数值越大,相反,将高需求量车站的车辆挪入至低需求量车站的占比越大,相应的指标数值越小。或者,挪车位置指标还可以反映出将车辆从不同收益的车站挪入及挪出情况,一般来说,从低收益车站挪车至高收益车站,将产生正收益,正收益越大,相应的指标数值越大。
步骤103,基于各挪动车辆的挪车时间、以及与挪车时间对应的上一次使用时间和下一次使用时间,确定目标车辆调度任务的挪车有效率指标。
在实施中,终端可以根据各挪动车辆的挪车时间、以及各车辆的上一次使用时间和下一次使用时间,确定出挪车有效率指标。挪车有效率指标可以是一个指标,也可以是多个单位指标的集合。挪车有效率指标可以反映出各挪动车辆中、长时间未使用的车辆的占比,和/或挪车后短时间内被使用(产生订单)的车辆占比。可选的,挪车有效率指标可以反映出闲置车辆的占比,闲置车辆可以是指长时间未移动的车辆(即截止到本次挪车时间,较长时间未被骑行使用或被挪车移动),即上一次使用时间与本次挪车时间的时间差、以及上一次挪车时间与本次挪车时间的时间差均大于预设阈值,则可称为闲置车辆。
步骤104,根据挪车位置指标和挪车有效率指标,确定目标车辆调度任务的评价分数。
在实施中,终端确定出挪车位置指标和挪车有效率指标后,可以根据该两类指标,计算出目标车辆调度任务的评价分数,用于表征车辆调度效果。例如,可以将该两类指标的数值进行加权平均计算,得到评价分数。评价分数可以与车辆调度效果正相关,即评价分数越高,车辆调度效果越好。可选的,可以将车辆调度效果进行分级(如分为极差、差、一般、好、极好5个级别),每个级别对应一个评价分数区间,进而可以根据目标车辆调度任务的评价分数匹配的分数区间,确定出该目标车辆调度任务的调度效果级别,由此可以更直观的反映出车辆调度效果。
上述车辆调度效果的评价方法,通过根据车辆调度任务的挪车数据,分别确定出挪车位置指标和挪车有效率指标。其中,挪车位置指标可以反映出不同需求量和/或不同收益的车站的车辆挪入挪出情况,如将低需求量车站的车辆挪入至高需求量车站(如热门车站、缺车车站等)的占比越大,或将低收益车站的车辆挪入至高收益车站的占比越大,则挪车位置指标的数值越大。挪车有效率指标可以反映出挪动车辆中挪车前长时间未使用的车辆占比和/或挪车后短时间被使用的车辆占比,如挪车前长时间未使用的车辆占比越大和/或挪车后短时间被使用的车辆占比越大,则挪车有效率指标的数值越大。从而基于该两大维度(需求量(可以含收益)和有效率)的指标确定出的车辆调度任务的评价分数,可以准确、有效地表征车辆调度效果。
在一个实施例中,如图2所示,步骤102中确定挪车位置指标的过程具体包括如下步骤:
步骤201,基于各挪动车辆对应的挪入车站信息,确定挪入车站的类型为目标车站类型的挪动车辆的第一数量。
其中,目标车站类型可以是热门车站、核心区车站、缺车车站中的至少一种。
在实施中,各车站对应有车站类型,可以基于车站位置信息和各车站的历史订单数据、历史车辆数据等,对各车站进行分类,且可以从多个不同维度进行分类。具体的,从位置维度,可以根据车站的位置是否处于核心区,将车站分为核心区车站和非核心区车站。核心区指POI(Point of Interest,兴趣点)密度较高(满足预设密度阈值)的区域,POI可以包括商场、超市、餐饮店、理发店、水果店、日用品店、停车场入口、地铁站入口、火车站入口、居民区门口、办公楼门口、学校门口等。从订单维度,可以基于车站的历史订单量(如历史30天内的日均订单量)将车站分为热门车站和非热门车站,如将历史日均订单量排名在前的预设数量(如前30%)的车站划分为热门车站,其余为非热门车站。从车辆数维度,可以根据车站的车辆数是否满足用车需求,将车站分为缺车车站和非缺车车站。缺车车站可以是该车站在挪车前的目标时段内(如一个小时内)的目标用车需求量,大于该时段的流入车辆数和保有车辆数之和的车站,或者是假设该车站未发生挪车的情况下,该车站在挪车之后的目标时段内的目标用车需求量,大于该时段的预测流入车辆数与当前保有车辆数之和的车站。目标用车需求量和预测流入车辆数可以基于车站的历史车辆数据和机器学习模型(如XGBoost模型)预测得到。
可以预先将各车站进行分类,并将类型作为车站的属性信息进行存储,从而终端可以从数据库中获取各挪动车辆的挪入车站的类型。也可以由终端基于挪入车站信息(如历史车辆数据、历史订单数据、位置信息等),采用分类算法对车站进行分类,得到各挪入车站的类型。然后终端可以筛选出挪入车站的类型为目标车站类型的挪动车辆,并将该挪动车辆的数量作为第一数量(即向目标车站类型的车站挪入车辆的数量)。
步骤202,基于各挪动车辆对应的挪出车站信息,确定挪出车站的类型为目标车站类型的挪动车辆的第二数量。
在实施中,终端可以基于各挪动车辆对应的挪出车站信息,确定出挪出车站的类型为目标车站类型(如热门车站、核心区车站、缺车车站)的挪动车辆的第二数量(即从目标车站类型的车站挪出车辆的数量)。具体过程可以参考步骤201的说明,在此不再赘述。
步骤203,根据第一数量、第二数量、以及挪动车辆的总数量,确定目标车辆调度任务的挪车位置指标。
在实施中,终端在确定出挪入车站的类型为目标车站类型的挪动车辆的第一数量,以及挪出车站的类型为目标车站类型的第二数量后,可以根据第一数量、第二数量和挪动车辆的总数量,计算目标车辆调度任务的挪车位置指标。例如,可以将第一数量减去第二数量,得到差值,再将该差值与挪动车辆的总数量的比值,作为挪车位置指标。可以理解的,目标车站类型可以有多个,可以将各目标车站类型的挪动车辆数量与总数量的比值,作为子指标,然后将多个子指标进行加权平均计算,得到挪车位置指标。在一个示例中,挪车位置指标(可记为T1)的计算公式如下所示:
其中,C为目标车站类型的总数,如为3个(热门车站、核心区车站、缺车车站3个)。M为挪动车辆的总数量。为向车站类型为i的车站中挪入车辆的数量(第一数量),为从车站类型为i的车站中挪出车辆的数量(第二数量)。
本实施例中,可以先计算出向目标车站类型的车站挪入车辆的数量和挪出车辆的数量,目标车站类型可以为热门车站、核心区车站、缺车车站等对车辆需求量大的车站。然后基于挪入数量、挪出数量和挪动车辆的总数量,计算挪车位置指标,该指标可以反映出需求量大的车站挪入及挪出车辆的占比,向需求量大的车站挪入车辆的占比越大,该指标越大,挪出车辆的占比越大,该指标越小。从而基于该指标计算出的评价分数,考虑了车站需求量这一维度的车辆调度情况,可以有效表征车辆调度效果。
在一个实施例中,挪入车站信息包括挪入车站的历史车辆数据。步骤201中确定第一数量的过程具体包括如下步骤:根据挪入车站的历史车辆数据和车辆数预测模型,确定挪入车站的目标车辆数;目标车辆数指挪入车站在挪车时间之前的目标时段内满足用车需求的车辆数预测值;在目标车辆数大于挪入车站在目标时段内的实际车辆数的情况下,将挪入车站确定为缺车车站;基于挪入车站为缺车车站的挪动车辆的数量,确定第一数量。
在实施中,终端可以根据各挪动车辆的挪入车站的历史车辆数据,输入至预先训练好的车辆数预测模型(如XGBoost模型),得到各挪入车站的目标车辆数。目标车辆数指该挪入车站在挪车时间之前的目标时段内(如一个小时内)满足用车需求的车辆数预测值。也即,可以根据历史车辆数据,预测该时段内需要包含多少车辆才能满足用车需求。该挪入车站在该目标时段内的实际车辆数,指该时段的初始时刻的保有车辆数和该时段内的流入车辆数的总和,可以根据该车站在该时段内的历史车辆数据得到。然后,终端可以将该目标车辆数与实际车辆数进行比较,若目标车辆数大于实际车辆数,即该车站的实际车辆数不满足预测的需求量,因而可以将该车站确定为缺车车站。然后,终端可以基于向缺车车站挪入车辆的数量,确定第一数量。例如,若目标车站类型仅为缺车车站一个类型,则可以直接将向缺车车站挪入车辆的数量作为第一数量。若目标车站类型包含多个,则第一数量可以包含多个值(多个数值的集合),则终端可以将向缺车车站挪入车辆的数量,以及其它目标车站类型对应的挪入车辆的数量,一并作为第一数量。同理,从缺车车站挪出车辆的数量(第二数量)也可以采用相同的方法计算得到。
本实施例中,可以根据挪车车站(挪入或挪出)的历史车辆数据,判断该挪车车站在挪车时刻是否为缺车车站,进而基于向缺车车站挪入车辆的数量确定第一数量,将从缺车车站挪出车辆的数量确定为第二数量,以便后续计算挪车位置指标。该挪车位置指标考虑了缺车车站挪入和/或挪出车辆的情况,因而基于该指标计算的评价分数可以准确、有效的表征车辆调度效果。
在一个实施例中,挪出车站信息包括挪出车站单均收益,挪入车站信息包括挪入车站单均收益。如图3所示,步骤203中确定挪车位置指标的过程具体包括如下步骤:
步骤301,基于第一数量、第二数量、以及各挪动车辆的总数量,确定第一子挪车位置指标。
在实施中,终端可以基于第一数量、第二数量、以及各挪动车辆的总数量,确定第一子挪车位置指标。在一个示例中,第一子挪车位置指标(可记为T1-1)的计算公式如下所示:
其中,C为目标车站类型的总数,如为3个(热门车站、核心区车站、缺车车站3个)。M为挪动车辆的总数量。为向车站类型为i的车站中挪入车辆的数量(第一数量),为从车站类型为i的车站中挪出车辆的数量(第二数量)。
步骤302,根据各挪动车辆对应的挪入车站单均收益和挪动车辆的总数量,确定挪入车站平均收益。
在实施中,车站信息可以包括单均收益。单均收益指该车站平均产生一个订单的收益。具体可以是在目标时段内(如挪车后的一个小时内)的单均收益。例如,可以根据该车站的历史订单数据中,该同一时段内产生订单的平均金额,减去平均挪车成本,得到该车站的单均收益。车站的单均收益可以作为车站的基本信息进行预先存储,则终端可以直接获取各挪入车站和挪出车站的单均收益。也可以由终端基于各车站的历史订单数据和平均挪车成本计算得到。
终端可以计算各挪动车辆的挪入车站单均收益的第一和值,并计算第一和值与挪动车辆的总数量的比值,得到挪入车站平均收益。
步骤303,根据各挪动车辆对应的挪出车站单均收益和挪动车辆的总数量,确定挪出车站平均收益。
在实施中,终端可以计算各挪动车辆的挪出车站单均收益的第二和值,并计算第二和值与挪动车辆的总数量的比值,得到挪出车站平均收益。
步骤304,根据挪入车站平均收益和挪出车站平均收益,确定第二子挪车位置指标。
在实施中,终端可以将挪入车站平均收益与挪出车站平均收益的差值,除以挪入车站平均收益,得到第二子挪车位置指标。在一个示例中,第二子挪车位置指标(可记为T1-2)的计算公式如下所示:
其中,指挪入车站平均收益,指挪出车站平均收益。
步骤305,根据第一子挪车位置指标和第二子挪车位置指标,确定目标车辆调度任务的挪车位置指标。
在实施中,终端可以将第一子挪车位置指标和第二子挪车位置指标的集合,直接作为挪车位置指标(即挪车位置指标包含2个数值)。终端也可以将第一子挪车位置指标和第二子挪车位置指标进行加权平均计算,得到挪车位置指标(一个数值)。
本实施例中,基于目标车辆类型(需求量大)的车站挪入/挪出车辆的数量占比,计算第一子挪车位置指标,基于挪车后的车站平均收益的增长率,得到第二子挪车位置指标,然后根据第一子挪车位置指标和第二子挪车位置指标确定的挪车位置指标,考虑了车站收益维度和车站需求量维度的调度情况,因而基于该指标计算的评价分数可以更准确、有效的表征车辆调度效果。
在一个实施例中,如图4所示,步骤103中确定挪车有效率指标的过程具体包括如下步骤:
步骤401,针对每个挪动车辆,确定挪动车辆的挪车时间和上一次使用时间的第一时间差,并在第一时间差大于预设阈值的情况下,将挪动车辆确定为闲置车辆。
在实施中,终端可以计算各挪动车辆的挪车时间和该车辆的上一次使用时间的第一时间差,若第一时间差大于预设阈值,则可以将该挪动车辆确定为闲置车辆。预设阈值可以根据需要设置,如设为0.5天。即未使用时长超过0.5天的车辆,可以将其确定为闲置车辆。第一时间差小于或等于预设阈值的车辆,可以为非闲置车辆。可选的,闲置车辆具体可以是未使用的时长以及未被挪动的时长均大于预设阈值的车辆。
步骤402,确定挪动车辆中、闲置车辆的第一占比,并基于第一占比,确定第一子挪车有效率指标。
在实施中,终端可以根据闲置车辆的数量和挪动车辆的总数量的比值,得到第一占比,并将该第一占比作为第一子挪车有效率指标。
步骤403,确定挪动车辆的挪车时间和下一次使用时间的第二时间差,并在第二时间差小于预设阈值的情况下,将挪动车辆确定为有效使用车辆。
在实施中,终端可以计算各挪动车辆的挪车时间与下一次使用时间的第二时间差,若第二时间差小于预设阈值,则可以将该挪动车辆确定为有效使用车辆。预设阈值可以根据需要设置,如设为24小时,即车辆被挪后的24小时内,该车辆被使用(用户骑行),则可以将该车辆确定为有效使用车辆。第二时间差大于或等于预设阈值的车辆,可以为非有效使用车辆。
步骤404,确定挪动车辆中、有效使用车辆的第二占比,并基于第二占比,确定第二子挪车有效率指标。
在实施中,终端可以根据有效使用车辆的数量与挪动车辆的总数量的比值,得到第二占比,并将该第二占比作为第二子挪车有效率指标。
步骤405,根据第一子挪车有效率指标和第二子挪车有效率指标,确定目标车辆调度任务的挪车有效率指标。
在实施中,终端可以将第一子挪车有效率指标和第二子挪车有效率指标的集合,作为挪车有效率指标(即包含2个数值),也可以将第一子挪车有效率指标和第二子挪车有效率指标进行加权平均计算,得到挪车有效率指标(即包含1个数值)。
本实施例中,基于闲置车辆的占比得到第一子挪车有效率指标,并基于有效使用车辆的占比得到第二子挪车有效率指标,由此根据该两个子指标得到的挪车有效率指标,考虑了闲置车辆的调度情况(以便各车辆均衡使用)以及调度后车辆被有效使用的情况,因而基于该指标计算的评价分数可以准确、有效的表征车辆调度效果。
在一个实施例中,闲置车辆具有闲置级别,闲置级别与第一时间差正相关。步骤402中确定第一子挪车有效率指标的过程具体包括如下步骤:根据各闲置车辆对应的第一时间差和第一级别匹配策略,确定各闲置车辆对应的闲置级别,并确定挪动车辆中、各闲置级别的闲置车辆的子占比;根据各闲置级别的闲置车辆的子占比、以及各闲置级别对应的第一权重,确定第一子挪车有效率指标;第一权重与闲置级别正相关。
在实施中,可以根据车辆的闲置时长(对应第一时间差,截止本次挪车时间,未被使用或未被挪动的时长),将闲置车辆划分为多个级别。闲置时长越长,闲置车辆的级别越高。例如,一级闲置车辆的闲置时长可以设为0.5天,二级闲置车辆的闲置时长可以设为1天,三级闲置车辆的闲置时长可以设为2天,以此类推。
终端可以根据各闲置车辆的第一时间差,确定出与之匹配的闲置级别。例如,若闲置车辆的第一时间差为0.7天,即大于一级的0.5天、小于二级的1天,可以将该闲置车辆的闲置级别确定为一级。若闲置车辆的第一时间差为1.7天,即大于二级的1天、小于三级的2天,可以将该闲置车辆的闲置级别确定为三级。然后,终端可以根据各闲置级别的闲置车辆的数量和挪动车辆的总数量的比值,得到各闲置级别的闲置车辆的子占比。之后,终端可以根据各闲置级别的闲置车辆的子占比、以及与各闲置级别对应的权重,进行加权求和计算,得到第一子挪车有效率指标。各闲置级别的权重与闲置级别正相关,即闲置时长越长,级别越高,相应的权重越大。例如,各闲置级别的权重可以根据该级别对应的闲置时长与全部闲置级别的闲置时长之和的比值得到。在一个示例中,第一子挪车有效率指标(可记为T2-1)的计算公式如下所示:
其中,表示第j级闲置车辆对应的闲置时长(如N1=0.5天、N2=1天),a表示最高级别数或级别总数。表示第j级闲置车辆的子占比。表示各级别的闲置时长的总和,表示第j级闲置车辆对应的权重。可以先计算各级别闲置车辆的权重与子占比的乘积,再将各乘积求和,即得到第一子挪车有效率指标。
本实施例中,闲置车辆的闲置时长(第一时间差)越长,该闲置车辆在挪车有效率指标中的权重越大(加分越多),因而可以将闲置车辆进行分级,各级闲置车辆对应各自的权重,基于各级闲置车辆的占比和权重,计算得到第一子挪车有效率指标,充分考虑了车辆的均衡使用(延迟车辆使用寿命)维度的调度情况,因而基于该指标计算的评价分数可以更准确、有效的表征车辆调度效果。
在一个实施例中,有效使用车辆具有有效率级别,有效率级别与第二时间差正相关。步骤404中确定第二子挪车有效率指标的过程具体包括如下步骤:根据各有效使用车辆对应的第二时间差和第二级别匹配策略,确定各有效使用车辆对应的有效率级别,并确定挪动车辆中、各有效率级别的有效使用车辆的子占比;根据各有效率级别的有效使用车辆的子占比、以及各有效率级别对应的第二权重,确定第二子挪车有效率指标;第二权重与有效率级别负相关。
在实施中,可以根据车辆挪动后被使用(产生订单)的间隔时长(对应第二时间差),将有效使用车辆划分为多个级别。第二时间差越短,有效率级别越低。例如,一级有效率对应的时间差可以设为3小时,二级有效率对应的时间差可以设为6小时,最后一级有效率对应的时间差可以设为24小时。
终端可以根据各有效使用车辆的第二时间差,确定出与之匹配的有效率级别。例如,若第二时间差为2小时,即小于一级的3小时,可以将该车辆的有效率级别确定为一级。若第二时间差为4小时,即大于一级的3小时,小于二级的6小时,可以将该车辆的有效率级别确定为二级。然后,终端可以根据各有效率级别的有效使用车辆的数量和挪动车辆的总数量的比值,得到各有效率级别的有效使用车辆的子占比。之后,终端可以根据各有效率级别的有效使用车辆的子占比、以及与各有效率级别对应的权重,进行加权求和计算,得到第二子挪车有效率指标。各有效率级别的权重与有效率级别负相关,即第二时间差越短,有效率级别越低,相应的权重越大。例如,各有效率级别的权重可以根据该级别的关联级别对应的时间差与全部级别的时间差之和的比值得到。该级别与其关联级别的级数之和减去1,得到的数值可以为最大级别的级数。在一个示例中,第二子挪车有效率指标(可记为T2-2)的计算公式如下所示:
其中,表示第e级有效率级别对应的时间差(如K1=3小时、K2=6小时),b表示最大的有效率级别数或级别总数。表示第e级有效率级别的关联级别(即第b-e+1级)对应的时间差,第1级的关联级别即为第b级。表示第e级有效率级别的有效使用车辆的子占比。表示所有有效率级别的时间差的总和,表示第e级有效率级别对应的权重。可以先计算各级别的有效使用车辆的权重与子占比的乘积,再将各乘积求和,即得到第二子挪车有效率指标。
本实施例中,车辆被挪后投入使用的时间间隔(对应第二时间差)越短,该有效使用车辆在挪车有效率指标中的权重越大(加分越多),因而可以将有效使用车辆进行分级,各级有效使用车辆对应各自的权重。基于各级有效使用车辆的占比和权重,计算得到第二子挪车有效率指标,充分考虑了车辆被挪动后的使用效率,因而基于该指标计算的评价分数可以更准确、有效的表征车辆调度效果。
在一个实施例中,该方法还包括如下步骤:根据各挪动车辆的挪出车站位置信息和挪入车站位置信息,确定各挪动车辆的挪车距离;根据各挪动车辆的挪车距离和挪动车辆的总数量,确定平均挪车距离;在平均挪车距离小于预设阈值的情况下,将目标车辆调度任务的车辆调度效果确定为违规调度。
在实施中,终端可以根据各挪动车辆的挪出车站位置信息和挪入车站位置信息,计算挪出车站和挪入车站的距离,得到各挪动车辆的挪车距离。然后,终端可以根据各挪动车辆的挪车距离之和与挪动车辆的总数量的比值,得到平均挪车距离。之后,终端可以判断平均挪车距离是否小于预设阈值(如设为500米),若小于预设阈值,则可以将目标车辆调度任务确定为违规调度,表示运维人员执行目标车辆调度任务的过程中可能存在挪车作弊现象。
可选的,终端还可以根据挪动车辆的挪入车站信息和挪出车站信息,判断同一车站是否同时存在挪出车辆和挪入车辆,若同时存在挪出和挪入,则记为一次车站重复挪车。终端可以计算车站重复挪车数量与挪动车辆总数的比值,得到车站重复挪车占比。此外,终端还可以判断同一车辆是否被挪入后又再次被挪出,或同一车辆被挪出后又再次被挪入,将该类车辆记为车辆重复挪车。终端可以计算车辆重复挪车的数量与挪动车辆总数的比值,得到车辆重复挪车占比。然后,终端可以将车站重复挪车占比和车辆重复挪车占比进行加权平均计算,得到重复挪车指标。重复挪车指标可以表征是否存在违规调度。例如,若重复挪车指标大于预设阈值(如设为0.4),则可以将目标车辆调度任务确定为违规调度。
本实施例中,可以根据车辆调度的平均挪车距离,和/或重复挪车占比,判断车辆调度任务是否为违规调度(存在挪车作弊现象),由此可以监督挪车调度任务的有效执行。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的车辆调度效果的评价方法的车辆调度效果的评价装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个车辆调度效果的评价装置实施例中的具体限定可以参见上文中对于车辆调度效果的评价方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种车辆调度效果的评价装置500,包括:获取模块501、第一确定模块502、第二确定模块503和第三确定模块504,其中:
获取模块501,用于获取目标车辆调度任务的挪车数据;挪车数据包括各挪动车辆对应的挪出车站信息、挪入车站信息、挪车时间、以及与挪车时间对应的上一次使用时间和下一次使用时间。
第一确定模块502,用于基于各挪动车辆对应的挪出车站信息和挪入车站信息,确定目标车辆调度任务的挪车位置指标。
第二确定模块503,用于基于各挪动车辆的挪车时间、以及与挪车时间对应的上一次使用时间和下一次使用时间,确定目标车辆调度任务的挪车有效率指标。
第三确定模块504,用于根据挪车位置指标和挪车有效率指标,确定目标车辆调度任务的评价分数,评价分数用于表征目标车辆调度任务的车辆调度效果。
在一个实施例中,第一确定模块502具体用于:基于各挪动车辆对应的挪入车站信息,确定挪入车站的类型为目标车站类型的挪动车辆的第一数量;基于各挪动车辆对应的挪出车站信息,确定挪出车站的类型为目标车站类型的挪动车辆的第二数量;根据第一数量、第二数量、以及挪动车辆的总数量,确定目标车辆调度任务的挪车位置指标。
在一个实施例中,挪入车站信息包括挪入车站的历史车辆数据。第一确定模块502具体用于:针对每个挪入车站,根据挪入车站的历史车辆数据和车辆数预测模型,确定挪入车站的目标车辆数;目标车辆数指挪入车站在挪车时间之前的目标时段内满足用车需求的车辆数预测值;在目标车辆数大于挪入车站在目标时段内的实际车辆数的情况下,将挪入车站确定为缺车车站;基于挪入车站为缺车车站的挪动车辆的数量,确定第一数量。
在一个实施例中,挪出车站信息包括挪出车站单均收益,挪入车站信息包括挪入车站单均收益。第一确定模块502具体用于:基于第一数量、第二数量、以及各挪动车辆的总数量,确定第一子挪车位置指标;根据各挪动车辆对应的挪入车站单均收益和挪动车辆的总数量,确定挪入车站平均收益;根据各挪动车辆对应的挪出车站单均收益和挪动车辆的总数量,确定挪出车站平均收益;根据挪入车站平均收益和挪出车站平均收益,确定第二子挪车位置指标;根据第一子挪车位置指标和第二子挪车位置指标,确定目标车辆调度任务的挪车位置指标。
在一个实施例中,第二确定模块503具体用于:针对每个挪动车辆,确定挪动车辆的挪车时间和上一次使用时间的第一时间差,并在第一时间差大于预设阈值的情况下,将挪动车辆确定为闲置车辆;确定挪动车辆中、闲置车辆的第一占比,并基于第一占比,确定第一子挪车有效率指标;确定挪动车辆的挪车时间和下一次使用时间的第二时间差,并在第二时间差小于预设阈值的情况下,将挪动车辆确定为有效使用车辆;确定挪动车辆中、有效使用车辆的第二占比,并基于第二占比,确定第二子挪车有效率指标;根据第一子挪车有效率指标和第二子挪车有效率指标,确定目标车辆调度任务的挪车有效率指标。
在一个实施例中,闲置车辆具有闲置级别,闲置级别与第一时间差正相关。第二确定模块503具体用于:根据各闲置车辆对应的第一时间差和第一级别匹配策略,确定各闲置车辆对应的闲置级别,并确定挪动车辆中、各闲置级别的闲置车辆的子占比;根据各闲置级别的闲置车辆的子占比、以及各闲置级别对应的第一权重,确定第一子挪车有效率指标;第一权重与闲置级别正相关。
在一个实施例中,有效使用车辆具有有效率级别,有效率级别与第二时间差正相关。第二确定模块503具体用于:根据各有效使用车辆对应的第二时间差和第二级别匹配策略,确定各有效使用车辆对应的有效率级别,并确定挪动车辆中、各有效率级别的有效使用车辆的子占比;根据各有效率级别的有效使用车辆的子占比、以及各有效率级别对应的第二权重,确定第二子挪车有效率指标;第二权重与有效率级别负相关。
在一个实施例中,挪出车站信息包括挪出车站位置信息,挪入车站信息包括挪入车站位置信息。该装置还包括第四确定模块、第五确定模块和第六确定模块,其中:
第四确定模块,用于根据各挪动车辆的挪出车站位置信息和挪入车站位置信息,确定各挪动车辆的挪车距离。
第五确定模块,用于根据各挪动车辆的挪车距离和挪动车辆的总数量,确定平均挪车距离。
第六确定模块,用于在平均挪车距离小于预设阈值的情况下,将目标车辆调度任务确定为违规调度。
上述车辆调度效果的评价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆调度效果的评价方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种车辆调度效果的评价方法,其特征在于,所述方法包括:
获取目标车辆调度任务的挪车数据;所述挪车数据包括各挪动车辆对应的挪出车站信息、挪入车站信息、挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间;
基于各所述挪动车辆对应的挪出车站信息和挪入车站信息,确定所述目标车辆调度任务的挪车位置指标;
基于各所述挪动车辆的挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间,确定所述目标车辆调度任务的挪车有效率指标;
根据所述挪车位置指标和所述挪车有效率指标,确定所述目标车辆调度任务的评价分数,所述评价分数用于表征所述目标车辆调度任务的车辆调度效果。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述挪动车辆对应的挪出车站信息和挪入车站信息,确定所述目标车辆调度任务的挪车位置指标,包括:
基于各所述挪动车辆对应的挪入车站信息,确定挪入车站的类型为目标车站类型的挪动车辆的第一数量;
基于各所述挪动车辆对应的挪出车站信息,确定挪出车站的类型为所述目标车站类型的挪动车辆的第二数量;
根据所述第一数量、所述第二数量、以及所述挪动车辆的总数量,确定所述目标车辆调度任务的挪车位置指标。
3.根据权利要求2所述的方法,其特征在于,所述挪入车站信息包括挪入车站的历史车辆数据;所述基于各所述挪动车辆对应的挪入车站信息,确定挪入车站的类型为目标车站类型的挪动车辆的第一数量,包括:
针对每个挪入车站,根据所述挪入车站的历史车辆数据和车辆数预测模型,确定所述挪入车站的目标车辆数;所述目标车辆数指所述挪入车站在挪车时间之前的目标时段内满足用车需求的车辆数预测值;
在所述目标车辆数大于所述挪入车站在所述目标时段内的实际车辆数的情况下,将所述挪入车站确定为缺车车站;
基于所述挪入车站为缺车车站的挪动车辆的数量,确定第一数量。
4.根据权利要求2所述的方法,其特征在于,所述挪出车站信息包括挪出车站单均收益,所述挪入车站信息包括挪入车站单均收益;所述根据所述第一数量、所述第二数量、以及所述挪动车辆的总数量,确定所述目标车辆调度任务的挪车位置指标,包括:
基于所述第一数量、所述第二数量、以及各所述挪动车辆的总数量,确定所述第一子挪车位置指标;
根据各所述挪动车辆对应的挪入车站单均收益和所述挪动车辆的总数量,确定挪入车站平均收益;
根据各所述挪动车辆对应的挪出车站单均收益和所述挪动车辆的总数量,确定挪出车站平均收益;
根据所述挪入车站平均收益和所述挪出车站平均收益,确定第二子挪车位置指标;
根据所述第一子挪车位置指标和所述第二子挪车位置指标,确定所述目标车辆调度任务的挪车位置指标。
5.根据权利要求1所述的方法,其特征在于,所述基于各所述挪动车辆的挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间,确定所述目标车辆调度任务的挪车有效率指标,包括:
针对每个所述挪动车辆,确定所述挪动车辆的挪车时间和上一次使用时间的第一时间差,并在所述第一时间差大于预设阈值的情况下,将所述挪动车辆确定为闲置车辆;
确定所述挪动车辆中、所述闲置车辆的第一占比,并基于所述第一占比,确定第一子挪车有效率指标;
确定所述挪动车辆的挪车时间和下一次使用时间的第二时间差,并在所述第二时间差小于预设阈值的情况下,将所述挪动车辆确定为有效使用车辆;
确定所述挪动车辆中、所述有效使用车辆的第二占比,并基于所述第二占比,确定第二子挪车有效率指标;
根据所述第一子挪车有效率指标和所述第二子挪车有效率指标,确定所述目标车辆调度任务的挪车有效率指标。
6.根据权利要求5所述的方法,其特征在于,所述闲置车辆具有闲置级别,所述闲置级别与所述第一时间差正相关;所述确定所述挪动车辆中、所述闲置车辆的第一占比,并基于所述第一占比,确定第一子挪车有效率指标,包括:
根据各所述闲置车辆对应的第一时间差和第一级别匹配策略,确定各所述闲置车辆对应的闲置级别,并确定所述挪动车辆中、各闲置级别的闲置车辆的子占比;
根据各所述闲置级别的闲置车辆的子占比、以及各所述闲置级别对应的第一权重,确定第一子挪车有效率指标;所述第一权重与所述闲置级别正相关。
7.根据权利要求5所述的方法,其特征在于,所述有效使用车辆具有有效率级别,所述有效率级别与所述第二时间差正相关;所述确定所述挪动车辆中、所述有效使用车辆的第二占比,并基于所述第二占比,确定第二子挪车有效率指标,包括:
根据各所述有效使用车辆对应的第二时间差和第二级别匹配策略,确定各所述有效使用车辆对应的有效率级别,并确定所述挪动车辆中、各有效率级别的有效使用车辆的子占比;
根据各所述有效率级别的有效使用车辆的子占比、以及各所述有效率级别对应的第二权重,确定第二子挪车有效率指标;所述第二权重与所述有效率级别负相关。
8.根据权利要求1所述的方法,其特征在于,所述挪出车站信息包括挪出车站位置信息,所述挪入车站信息包括挪入车站位置信息;所述方法还包括:
根据各所述挪动车辆的挪出车站位置信息和挪入车站位置信息,确定各所述挪动车辆的挪车距离;
根据各所述挪动车辆的挪车距离和所述挪动车辆的总数量,确定平均挪车距离;
在所述平均挪车距离小于预设阈值的情况下,将所述目标车辆调度任务确定为违规调度。
9.一种车辆调度效果的评价装置,其特征在于,所述装置包括:
获取模块,用于获取目标车辆调度任务的挪车数据;所述挪车数据包括各挪动车辆对应的挪出车站信息、挪入车站信息、挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间;
第一确定模块,用于基于各所述挪动车辆对应的挪出车站信息和挪入车站信息,确定所述目标车辆调度任务的挪车位置指标;
第二确定模块,用于基于各所述挪动车辆的挪车时间、以及与所述挪车时间对应的上一次使用时间和下一次使用时间,确定所述目标车辆调度任务的挪车有效率指标;
第三确定模块,用于根据所述挪车位置指标和所述挪车有效率指标,确定所述目标车辆调度任务的评价分数,所述评价分数用于表征所述目标车辆调度任务的车辆调度效果。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一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权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310320077.6A CN116050947A (zh) | 2023-03-29 | 2023-03-29 | 车辆调度效果的评价方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310320077.6A CN116050947A (zh) | 2023-03-29 | 2023-03-29 | 车辆调度效果的评价方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050947A true CN116050947A (zh) | 2023-05-02 |
Family
ID=86116715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310320077.6A Pending CN116050947A (zh) | 2023-03-29 | 2023-03-29 | 车辆调度效果的评价方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050947A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227889A (zh) * | 2023-05-05 | 2023-06-06 | 北京阿帕科蓝科技有限公司 | 共享车辆的挪车方法、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 |
CN116542657A (zh) * | 2023-07-06 | 2023-08-04 | 北京阿帕科蓝科技有限公司 | 挪车校验方法、系统以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018018282A (ja) * | 2016-07-27 | 2018-02-01 | Kddi株式会社 | 配車管理装置、配車管理方法及び配車管理プログラム |
CN113052467A (zh) * | 2021-03-29 | 2021-06-29 | 武汉小安科技有限公司 | 基于运维成本的共享车辆调度方法及装置 |
CN114330784A (zh) * | 2022-03-11 | 2022-04-12 | 北京阿帕科蓝科技有限公司 | 一种运维人员排班方法、系统及计算机可读存储介质 |
CN115619051A (zh) * | 2022-12-19 | 2023-01-17 | 北京阿帕科蓝科技有限公司 | 一种共享车辆调配方法、系统及计算机存储介质 |
-
2023
- 2023-03-29 CN CN202310320077.6A patent/CN116050947A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018018282A (ja) * | 2016-07-27 | 2018-02-01 | Kddi株式会社 | 配車管理装置、配車管理方法及び配車管理プログラム |
CN113052467A (zh) * | 2021-03-29 | 2021-06-29 | 武汉小安科技有限公司 | 基于运维成本的共享车辆调度方法及装置 |
CN114330784A (zh) * | 2022-03-11 | 2022-04-12 | 北京阿帕科蓝科技有限公司 | 一种运维人员排班方法、系统及计算机可读存储介质 |
CN115619051A (zh) * | 2022-12-19 | 2023-01-17 | 北京阿帕科蓝科技有限公司 | 一种共享车辆调配方法、系统及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
武汉小安科技: "《数字化赋能共享电单车运维,小安科技AI调度功能上线》", pages 1, Retrieved from the Internet <URL:https://baijiahao.baidu.com/s?id=1735866422726878659&wfr=spider&for=pc> * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227889A (zh) * | 2023-05-05 | 2023-06-06 | 北京阿帕科蓝科技有限公司 | 共享车辆的挪车方法、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 |
CN116542657A (zh) * | 2023-07-06 | 2023-08-04 | 北京阿帕科蓝科技有限公司 | 挪车校验方法、系统以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Electric vehicle charging demand forecasting using deep learning model | |
Yu et al. | k-Nearest neighbor model for multiple-time-step prediction of short-term traffic condition | |
Sohrabi et al. | Real-time prediction of public bike sharing system demand using generalized extreme value count model | |
Raviv et al. | Optimal inventory management of a bike-sharing station | |
Deng et al. | Integrating operational decisions into the planning of one-way vehicle-sharing systems under uncertainty | |
Dragović et al. | Ship-berth link performance evaluation: simulation and analytical approaches | |
CN116050947A (zh) | 车辆调度效果的评价方法、装置、计算机设备和存储介质 | |
Guo et al. | Parking spaces repurchase strategy design via simulation optimization | |
Mao et al. | Faster deliveries and smarter order assignments for an on-demand meal delivery platform | |
Gao et al. | Location-centered house price prediction: A multi-task learning approach | |
Shimosaka et al. | Forecasting urban dynamics with mobility logs by bilinear Poisson regression | |
Temur | A novel multi attribute decision making approach for location decision under high uncertainty | |
Wu et al. | How transit scaling shapes cities | |
CN105183870A (zh) | 一种利用微博位置信息的城市功能区探测方法及系统 | |
Zhu et al. | Understanding the spatiotemporal patterns of public bicycle usage: A case study of Hangzhou, China | |
KR102373276B1 (ko) | 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법 | |
Zhang et al. | Mixed electric bus fleet scheduling problem with partial mixed-route and partial recharging | |
Jin et al. | Understanding residential location choices: An application of the UrbanSim residential location model on Suwon, Korea | |
Carlucci et al. | Infrastructure and logistics divide: regional comparisons between North Eastern & Southern Italy | |
Joshi et al. | Diversification of infrastructure projects for emergent and unknown non‐systematic risks | |
Liu et al. | A bi-objective model for robust yard allocation scheduling for outbound containers | |
Suder et al. | Minimizing environmental risks using fuzzy TOPSIS: Location selection for the ITU Faculty of Management | |
Lee et al. | Taxi vacancy duration: a regression analysis | |
Jiang et al. | GPS data in urban online ride-hailing: the technical potential analysis of demand prediction model | |
CN110956305A (zh) | 城市空间预测模型的建立方法及城市空间预测系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230502 |
|
RJ01 | Rejection of invention patent application after publication |