CN116343461A - 一种车辆调度方法、装置及设备 - Google Patents

一种车辆调度方法、装置及设备 Download PDF

Info

Publication number
CN116343461A
CN116343461A CN202310347748.8A CN202310347748A CN116343461A CN 116343461 A CN116343461 A CN 116343461A CN 202310347748 A CN202310347748 A CN 202310347748A CN 116343461 A CN116343461 A CN 116343461A
Authority
CN
China
Prior art keywords
scheduling
vehicle
path
target
parameter set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310347748.8A
Other languages
English (en)
Other versions
CN116343461B (zh
Inventor
于志杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baiju Yixing Technology Co ltd
Original Assignee
Beijing Baiju Yixing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baiju Yixing Technology Co ltd filed Critical Beijing Baiju Yixing Technology Co ltd
Priority to CN202310347748.8A priority Critical patent/CN116343461B/zh
Publication of CN116343461A publication Critical patent/CN116343461A/zh
Application granted granted Critical
Publication of CN116343461B publication Critical patent/CN116343461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种车辆调度方法、装置及设备，方法包括：获取预设区域内各车辆的车辆位置、车辆状态、和调度前每一个子区域的车辆供需记录；基于车辆位置、车辆状态、车辆供需记录形成候选调度集，候选调度集中包括至少一种调度方案，调度方案中包括每一车辆对应的调度路径；获取第一调度路径对应的第一参数集，将第一参数集输入至预构建的预估模型中，输出与第一调度路径对应的评估结果；基于所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，并按照目标调度方案对所有可调度车辆进行调度。通过上述方式，将其它可能影响调度结果的因素涵盖到调度路径对应的评估结果中，使得最终基于评估结果得到的目标方案的成功率提高。

Description

一种车辆调度方法、装置及设备
技术领域
本发明涉及网约车领域，具体涉及一种车辆调度方法、装置及设备。
背景技术
移动互联网的发展推动了互联网与传统产业的创新和整合，互联网技术也推动了出租车行业的变革，网约车凭借着快捷、方便的服务，被广大出行用户接受。而供需不平衡则是网约车平台面临的非常重要的问题。
在一个时空内，打车需求爆发出现区域往往没有足够的可用运力。与之相对，在可用运力扎堆等待订单的区域，往往没有足够多的订单需求来充分使用运力。这就是典型的供需不平衡的情况。
相关技术中，通过供需预测和线性规划结合的方法进行车辆的调度，以达到解决供需平衡的目的，但是相关技术中，对车辆的调度仅考虑了区域的供需关系，而没有考虑其它会影响调度结果的因素，如，司机接受调度的意愿等。使得，最终提供的调度方案也并非最优的调度方案。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中考虑因素过于单一的缺陷，从而提供一种车辆调度方法、装置及设备。
第一方面，本发明提供了一种车辆调度方法，包括：
获取预设区域内各车辆的车辆位置、各车辆的车辆状态、以及在本轮次调度之前每一个子区域的车辆供需记录，其中，预设区域内包括至少一个子区域；基于车辆位置、车辆状态、车辆供需记录形成候选调度集，候选调度集中包括至少一种调度方案，调度方案中包括所有可调度车辆中的每一车辆到对应目标子区域的调度路径；获取第一调度路径对应的第一参数集，将第一参数集输入至预构建的预估模型中，输出与第一调度路径对应的评估结果，第一调度路径为任一调度方案中任一车辆到对应目标子区域的调度路径；基于所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，并按照目标调度方案对所有可调度车辆进行调度。
本发明通过获取的车辆位置、车辆状态以及每一个子区域对应的车辆供需记录构建好候选调度集后，将获取的每一条调度路径对应得第一参数集输入至预构建得预估模型中，实现对第一调度路径得评估结果得预估，最后，通过所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，并按照目标调度方案对所有可调度车辆进行调度。本方案通过上述方式，即可将其它可能影响调度结果的因素涵盖到每一条调度路径对应的评估结果中，不仅避免了相关技术中考虑因素过于单一的缺陷，还使得最终基于评估结果得到的目标方案的成功率提高。
结合第一方面，在第一方面的第一实施例中，第一参数集中包括第一调度路径对应的调度时长、第一调度路径起点所在的子区域对应的第一订单数和第一车辆数，第一调度路径终点所在的子区域对应的第二订单数和第二车辆数。
结合第一方面，在第一方面的第二实施例中，预估模型中包括第一子模型、第二子模型和第三子模型，将第一参数集输入至预构建的预估模型中，输出与第一调度路径对应的评估结果，包括：
将调度时长输入至第一子模型中，预估第一调度路径对应的补偿金额；将调度时长和补偿金额输入至第二子模型中，预估目标对象接受第一调度路径的概率；由第一调度路径对应的补偿金额、目标对象接受第一调度路径的概率、第一车辆数、第二车辆数、第一订单数和第二订单数构成第二参数集；从第二参数集中提取出与影响因子对应的目标参数集，并将目标参数集输入至与影响因子对应的第三子模型中，预估与影响因子对应的影响结果；基于第一调度路径对应的所有影响结果，确定第一调度路径对应的评估结果。
结合第一方面，在第一方面的第三实施例中，影响因子包括：
目标对象接受第一调度路径后获得收益的概率、目标对象接受第一调度路径后平台对应的订单应答率、以及目标对象接受第一调度路径后对应的平台补偿成本。
结合第一方面，在第一方面的第四实施例中，当影响因子为目标对象接受第一调度路径后获得收益的概率时，预估与影响因子对应的影响结果，包括：
从第二参数集中提取第一订单数、第一车辆数、第二订单数、第二车辆数、目标对象接受第一调度路径的概率构成目标参数集；将目标参数集输入至与影响因子对应的第三子模型中，预估目标对象接受第一调度路径后获得收益的概率。
结合第一方面，在第一方面的第五实施例中，当影响因子为目标对象接受第一调度路径后平台对应的订单应答率时，预估与影响因子对应的影响结果，包括：
从第二参数集中提取第一订单数、第一车辆数、第二订单数、第二车辆数、目标对象接受第一调度路径的概率构成目标参数集；将目标参数集输入至与影响因子对应的第三子模型中，预估目标对象接受第一调度路径后平台对应的订单应答率。
结合第一方面，在第一方面的第六实施例中，当影响因子为目标对象接受第一调度路径后对应的平台补偿成本时，预估与影响因子对应的影响结果，包括：
从第二参数集中提取第二订单数、第二车辆数、补偿金额和目标对象接受第一调度路径的概率构成目标参数集；将目标参数集输入至与影响因子对应的第三子模型中，生成目标对象接受第一调度路径后对应的平台补偿成本。
结合第一方面，在第一方面的第七实施例中，基于所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，包括：
基于每一条调度路径对应的评估结果，确定出每一个调度方案对应的评估总结果；从所有调度方案对应的评估总结果中筛选出最优结果，并将最优结果对应的调度方案确定为目标方案。
第二方面，本发明提供了一种车辆调度装置，包括：
第一获取模块，用于获取预设区域内各车辆的车辆位置、各车辆的车辆状态、以及在本轮次调度之前每一个子区域的车辆供需记录，其中，预设区域内包括至少一个子区域；构建模块，用于基于车辆位置、车辆状态、车辆供需记录形成候选调度集，候选调度集中包括至少一种调度方案，调度方案中包括所有可调度车辆中的每一车辆到对应目标子区域的调度路径；第二获取模块，用于获取第一调度路径对应的第一参数集，将第一参数集输入至预构建的预估模型中，输出与第一调度路径对应的评估结果，第一调度路径为任一调度方案中任一车辆到对应目标子区域的调度路径；筛选模块，用于基于所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，并按照目标调度方案对所有可调度车辆进行调度。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器用于存储计算机程序，计算机程序被处理器执行时，使处理器执行如发明内容中任一项的车辆调度方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆调度方法流程图；
图2为本发明实施例提供的车辆调度装置的连接图；
图3为本发明实施例提供的计算机设备连接图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
因此，本发明要解决的技术问题在于克服现有技术中考虑因素过于单一的缺陷，从而提供一种车辆调度方法、装置及设备。
本发明公开了一种车辆调度方法，如图1所示，该方法包括如下步骤：
S1：获取预设区域内各车辆的车辆位置、各车辆的车辆状态、以及在本轮次调度之前每一个子区域的车辆供需记录。
具体的，预设区域内包括至少一个子区域。
示例性地，车辆位置可以直接从车辆定位装置中直接获取。车辆状态可以从车辆管理平台中直接获取，车辆状态包括空闲和忙碌。
示例性地，车辆供需记录可以根据车辆管理平台中实时更新的每一个子区域对应的车辆数和订单数确定，也可以根据每一个子区域在预设一段时间内每天同一时刻的车辆供需记录对当前的车辆供需记录进行预估，还可以根据每一个子区域在上一轮次的调度记录、上一轮次的供需记录以及订单数的变化进行预估。车辆供需记录的获取方式以及确定方式可根据实际情况进行确定，在此处不作具体限定。
S2：基于车辆位置、车辆状态、车辆供需记录形成候选调度集，候选调度集中包括至少一种调度方案。
具体的，调度方案中包括所有可调度车辆中的每一车辆到对应目标子区域的调度路径
具体的，首先，基于预设区域内各车辆的车辆位置、各车辆的车辆状态以及每一个子区域内的车辆供需记录，确定出当前轮次可调度车辆以及需要车辆的目标子区域；然后，根据预设区域内当前轮次所有的可调度车辆和确定出的目标子区域形成候选调度集。
示例性地，在预设区域内，一共有3个子区域，分别为A、B、C。在A子区域内，车辆供需记录为6：3(7为车辆数，3为订单数)，且根据车辆状态显示，在该子区域内存在3辆空闲车辆；在B子区域内，车辆供需记录为3：6，且根据车辆状态显示，在该子区域内不存在空闲车辆；在C子区域内，车辆供需记录为2：3，且根据车辆状态显示，在该子区域内不存在空闲车辆。综上描述可知，在预设区域内，A子区域车辆过剩，存在3辆空闲车辆，而在B、C子区域内，车辆稀缺。因此，现需将A子区域的3辆可调度车辆调度到B、C子区域内，由于每一辆车最终可调度到一个目标子区域内，因此，最终形成的候选调度集种包括6种调度方案，调度方案分别为(1)1C、2C、3B；(2)1C、2B、3C；(3)1B、2C、3C；(4)1B、2B、3C；(5)1B、2C、3B；(6)1C、2B、3B。其中，1、2、3分别为3辆可调度车辆的车辆编号；B、C分别为2个目标子区域，车辆编号与目标子区域的组合即为一条调度路径，如1B表示将1号车调度到B子区域对应的调度路径。
S3：获取第一调度路径对应的第一参数集，将第一参数集输入至预构建的预估模型中，输出与第一调度路径对应的评估结果。
具体的，第一调度路径为任一调度方案中任一车辆到对应目标子区域的调度路径。
示例性地，在一可选实施例中，第一参数集中包括第一调度路径对应的调度时长、第一调度路径起点所在的子区域对应的第一订单数和第一车辆数，第一调度路径终点所在的子区域对应的第二订单数和第二车辆数。
如，第一调度路径为1B时，调度时长即为1号车从A子区域调度到B子区域时所用的时长。第一订单数为1号车所在的A子区域在本次调度前对应的订单数。第一车辆数为1号车所在的A子区域在本次调度前对应的车辆数。第二订单数为1号车所在的B子区域在本次调度后对应的订单数。第二车辆数为1号车所在的B子区域在本次调度后对应的车辆数。
示例性地，评估结果可以以评估分数的形式体现，也可以其它任意形式体现，此处不作具体限定。
S4：基于所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，并按照目标调度方案对所有可调度车辆进行调度。
示例性地，在一可选实施例中，基于每一条调度路径对应的评估结果，确定出每一个调度方案对应的评估总结果；从所有调度方案对应的评估总结果中筛选出最优结果，并将最优结果对应的调度方案确定为目标方案。
当评估结果是以评估分数形式体现时，最优结果即为最高分。
本发明通过获取的车辆位置、车辆状态以及每一个子区域对应的车辆供需记录构建好候选调度集后，将获取的每一条调度路径对应得第一参数集输入至预构建得预估模型中，实现对第一调度路径得评估结果得预估，最后，通过所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，并按照目标调度方案对所有可调度车辆进行调度。本方案通过上述方式，即可将其它可能影响调度结果的因素涵盖到每一条调度路径对应的评估结果中，不仅避免了相关技术中考虑因素过于单一的缺陷，还使得最终基于评估结果得到的目标方案的成功率提高。
在一可选实施例中，预估模型中包括第一子模型、第二子模型和第三子模型，将第一参数集输入至预构建的预估模型中，输出与第一调度路径对应的评估结果，包括：
将调度时长输入至第一子模型中，预估第一调度路径对应的补偿金额；将调度时长和补偿金额输入至第二子模型中，预估目标对象接受第一调度路径的概率；由第一调度路径对应的补偿金额、目标对象接受第一调度路径的概率、第一车辆数、第二车辆数、第一订单数和第二订单数构成第二参数集；从第二参数集中提取出与影响因子对应的目标参数集，并将目标参数集输入至与影响因子对应的第三子模型中，预估与影响因子对应的影响结果；基于第一调度路径对应的所有影响结果，确定第一调度路径对应的评估结果。
示例性地，第一子模型用于表征调度时长与补偿金额的映射关系，该映射关系可以是基于若干组基础数据拟合的一个函数。其中，基础数据为调度时长和调度时长对应的补偿金额形成的数据，该补偿金额为司机接收调度到达目标区域后，未接到订单时平台给予司机的金额补偿。在本实施例中，第一子模型可以表示为：
Wij＝fC(Eij)
其中，Eij为将车辆i调度到j子区域时对应的调度时长；Wij为将车辆i调度到j子区域时对应的补偿金额；fC()为拟合好的调度时长与补偿金额之间的函数。
第二子模型是用监督学习训练的模型，由于司机是整个调度环节的决定性环节，所以，司机接受调度的概率也是调度过程中的重要参考因素。而司机接受调度的概率又与接单失败对应的补偿金额、调度时长以及司机对于奖励的敏感度等因素相关，因此，需要用大量的训练数据，以司机接受第一调度路径为正样本，以司机拒绝第一调度路径为负样本对模型进行训练，从而得到第二子模型。训练后的第二子模型用于表征“调度时长和补偿金额”与“司机接收第一调度路径的概率”之间的映射关系。在本实施例中，第二子模型可以表示为：
Aij＝fA(Eij，Wij)
其中，Aij为司机接受将车辆i调度到j子区域的概率；Eij为将车辆i调度到j子区域时对应的调度时长；Wij为将车辆i调度到j子区域时对应的补偿金额；fC()为训练好的模型。
当通过第一子模型和第二子模型得到第一调度路径对应的补偿金额和目标对象接受第一调度路径的概率之后，再由第一调度路径对应的补偿金额、目标对象接受第一调度路径的概率、第一车辆数、第二车辆数、第一订单数和第二订单数构成第二参数集。
由于，车辆的调度需要同时兼顾司机和平台的收益，因此，影响最终调度结果的影响因子也必须从上述两方面进行分析。在本实施例中，影响因子包括目标对象接受第一调度路径后获得收益的概率、目标对象接受第一调度路径后平台对应的订单应答率、以及目标对象接受第一调度路径后对应的平台补偿成本。其中，目标对象即司机，第三子模型与影响因子对应，第三子模型可以为多个。
当构建好第二参数集后，从第二参数集中提取出与影响因子对应的目标参数集，并将目标参数集输入至与影响因子对应的第三子模型中，预估与影响因子对应的影响结果；基于第一调度路径对应的所有影响结果，确定第一调度路径对应的评估结果。在本实施例中，确定第一调度路径对应的评估结果的方式如下：
Yij＝α·Rij+β·Lij+γ·Cij
其中，α、β、γ为系数，Rij为目标对象接受第一调度路径后获得收益的概率，Lij为目标对象接受第一调度路径后平台对应的订单应答率，Cij为目标对象接受第一调度路径后对应的平台补偿成本，Yij为第一调度路径对应的评估结果，第一调度路径为将车辆从i子区域调度到j子区域对应的调度路径。
在一可选实施例中，当影响因子为目标对象接受第一调度路径后获得收益的概率时，预估与影响因子对应的影响结果，包括：
从第二参数集中提取第一订单数、第一车辆数、第二订单数、第二车辆数、目标对象接受第一调度路径的概率构成目标参数集；将目标参数集输入至与影响因子对应的第三子模型中，预估目标对象接受第一调度路径后获得收益的概率。
示例性地，当影响因子为目标对象接受第一调度路径后获得收益的概率时，第三子模型通过fR()函数实现，fR()函数用于表征“车辆数和订单数”与“获得收益的概率”之间的映射关系。预估目标对象接受第一调度路径后获得收益的概率的具体步骤为：
首先，从第二参数集中提取出第一订单数、第一车辆数、第二订单数、第二车辆数、目标对象接受第一调度路径的概率构成目标参数集。
然后，将基于第一车辆数和第一订单数输入至fR()函数中，预估目标对象在接受第一调度路径前可获得收益的第一概率；基于第二车辆数和第二订单数预估目标对象在接受第一调度路径后可获得收益的第二概率。
最后，基于第一概率、第二概率以及目标对象接受第一调度路径的概率，得到目标对象接受第一调度路径后获得收益的概率。具体预估过程体现为：
Rij＝[fR(|Dj|，DOj|)-fR(|Di|，|Oi|)]·Aij
其中，Rij为目标对象接受第一调度路径后获得收益的概率，|Dj|为第二车辆数，|Oj|为第二订单数，|Di|为第一车辆数，|Oi|为第一订单数，fR()为“车辆数和订单数”与“获得收益的概率”之间的函数关系式，Aij为目标对象接受第一调度路径的概率，第一调度路径为将车辆从i子区域调度到j子区域对应的调度路径。
在一可选实施例中，当影响因子为目标对象接受第一调度路径后平台对应的订单应答率时，预估与影响因子对应的影响结果，包括：
从第二参数集中提取第一订单数、第一车辆数、第二订单数、第二车辆数、目标对象接受第一调度路径的概率构成目标参数集；将目标参数集输入至与影响因子对应的第三子模型中，预估目标对象接受第一调度路径后平台对应的订单应答率。
示例性地，当影响因子为目标对象接受第一调度路径后平台对应的订单应答率时，第三子模型通过fL()函数实现，fL()用于对平台收益率进行预估。预估目标对象接受第一调度路径后平台对应的订单应答率的具体步骤为：
首先，从第二参数集中提取第一订单数、第一车辆数、第二订单数、第二车辆数、目标对象接受第一调度路径的概率构成目标参数集。
然后，将第一订单数、第一车辆数以及目标对象接受第一调度路径的概率输入至fL()函数中，得到目标对象接受第一调度路径前平台对应的第一应答率；将第二订单数、第二车辆数以及目标对象接受第一调度路径的概率输入至fL()函数中，得到目标对象接受第一调度路径后平台对应的第二应答率。
最后，基于第一应答率和第二应答率确定目标对象接受第一调度路径后平台对应的订单应答率。
Figure BDA0004161543640000141
其中，Lij为目标对象接受第一调度路径后平台对应的订单应答率，L1ij为目标对象接受第一调度路径后平台对应的第二应答率，L0ij为目标对象接受第一调度路径前平台对应的第一应答率，|Dj|为第二车辆数，|Oj|为第二订单数，|Di|为第一车辆数，|Oi|为第一订单数，Aij为司机接受将车辆i调度到j子区域的概率，fL()为平台收益率预估函数。
在一可选实施例中，当影响因子为目标对象接受第一调度路径后对应的平台补偿成本时，预估与影响因子对应的影响结果，包括：
从第二参数集中提取第二订单数、第二车辆数、补偿金额和目标对象接受第一调度路径的概率构成目标参数集；将目标参数集输入至与影响因子对应的第三子模型中，生成目标对象接受第一调度路径后对应的平台补偿成本。
示例性地，当影响因子为目标对象接受第一调度路径后对应的平台补偿成本时，第三子模型通过fR()函数实现。预估目标对象接受第一调度路径后对应的平台补偿成本的具体具体实现步骤为：
首先，从第二参数集中提取第二订单数、第二车辆数、补偿金额和目标对象接受第一调度路径的概率构成目标参数集。
然后，将第二车辆数、第二订单数输入至fR()函数中，预估目标对象在接受第一调度路径后可获得收益的第二概率；并通过第二概率和目标对象接受第一调度路径的概率确定目标对象在接受第一调度路径后得不到收益的第三概率；
最后，基于目标对象在接受第一调度路径后得不到收益的第三概率和补偿金额确定目标对象接受第一调度路径后对应的平台补偿成本。上述步骤通过如下方式实现：
Cij＝[1-fR(|Dj|，|Oj|)]·Aij·Wij
其中，Cij为目标对象接受第一调度路径后对应的平台补偿成本，|Dj|为第二车辆数，|Oj|为第二订单数，Wij为补偿金额，Aij为目标对象接受第一调度路径的概率，fR()为“车辆数和订单数”与“获得收益的概率”之间的函数关系式。
在一可选实施例中，基于所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，包括：
基于每一条调度路径对应的评估结果，确定出每一个调度方案对应的评估总结果；从所有调度方案对应的评估总结果中筛选出最优结果，并将最优结果对应的调度方案确定为目标方案。
示例性地，在本实施例中，评估结果的体现方式为评估分数。当确定出每一条调度路径对应的评估分数后，将每一个调度方案中包含的所有调度路径对应的评估分数相加求和，将该调度方案中所有评估分数的和作为调度方案的评估总分(即评估总结果)。当确定出候选调度集中每一个调度方案的评估总分后，从所有的评估总分中筛选出最高分，并将最高分对应的调度方案作为本轮次调度的目标方案。然后，将可调度车辆按照确定出的目标方案进行调度即可。
本发明公开了一种车辆调度装置，如图2所示，包括如下模块：
第一获取模块21，用于获取预设区域内各车辆的车辆位置、各车辆的车辆状态、以及在本轮次调度之前每一个子区域的车辆供需记录，其中，预设区域内包括至少一个子区域。
构建模块22，用于基于车辆位置、车辆状态、车辆供需记录形成候选调度集，候选调度集中包括至少一种调度方案，调度方案中包括所有可调度车辆中的每一车辆到对应目标子区域的调度路径。
第二获取模块23，用于获取第一调度路径对应的第一参数集，将第一参数集输入至预构建的预估模型中，输出与第一调度路径对应的评估结果，第一调度路径为任一调度方案中任一车辆到对应目标子区域的调度路径。
筛选模块24，用于基于所有调度路径对应的评估结果，从至少一种调度方案中筛选出目标调度方案，并按照目标调度方案对所有可调度车辆进行调度。
在一可选实施例中，所述第二获取模块23中的第一参数集中包括第一调度路径对应的调度时长、第一调度路径起点所在的子区域对应的第一订单数和第一车辆数，第一调度路径终点所在的子区域对应的第二订单数和第二车辆数。
在一可选实施例中，第二获取模块23中，预估模型中包括第一子模型、第二子模型和第三子模型，第二获取模块23，包括：
第一预估子模块，用于将调度时长输入至第一子模型中，预估第一调度路径对应的补偿金额；第二预估子模块，用于将调度时长和补偿金额输入至第二子模型中，预估目标对象接受第一调度路径的概率；构建子模块，用于由第一调度路径对应的补偿金额、目标对象接受第一调度路径的概率、第一车辆数、第二车辆数、第一订单数和第二订单数构成第二参数集；第三预估子模块，用于从第二参数集中提取出与影响因子对应的目标参数集，并将目标参数集输入至与影响因子对应的第三子模型中，预估与影响因子对应的影响结果；确定子模块，用于基于第一调度路径对应的所有影响结果，确定第一调度路径对应的评估结果。
在一可选实施例中，第三预估子模块中的影响因子包括：
目标对象接受第一调度路径后获得收益的概率、目标对象接受第一调度路径后平台对应的订单应答率、以及目标对象接受第一调度路径后对应的平台补偿成本。
在一可选实施例中，当影响因子为目标对象接受第一调度路径后获得收益的概率时，第三预估子模块，包括：
构建单元，用于从第二参数集中提取第一订单数、第一车辆数、第二订单数、第二车辆数、目标对象接受第一调度路径的概率构成目标参数集；预估单元，用于将目标参数集输入至与影响因子对应的第三子模型中，预估目标对象接受第一调度路径后获得收益的概率。
在一可选实施例中，当影响因子为目标对象接受第一调度路径后平台对应的订单应答率时，第三预估子模块，包括：
构建单元，用于从第二参数集中提取第一订单数、第一车辆数、第二订单数、第二车辆数、目标对象接受第一调度路径的概率构成目标参数集；预估单元，用于将目标参数集输入至与影响因子对应的第三子模型中，预估目标对象接受第一调度路径后平台对应的订单应答率。
在一可选实施例中，当影响因子为目标对象接受第一调度路径后对应的平台补偿成本时，第三预估子模块，包括：
构建单元，用于从第二参数集中提取第二订单数、第二车辆数、补偿金额和目标对象接受第一调度路径的概率构成目标参数集；预估单元，用于将目标参数集输入至与影响因子对应的第三子模型中，生成目标对象接受第一调度路径后对应的平台补偿成本。
在一可选实施例中，筛选模块24，包括：
确定子模块，用于基于每一条调度路径对应的评估结果，确定出每一个调度方案对应的评估总结果；筛选子模块，用于从所有调度方案对应的评估总结果中筛选出最优结果，并将最优结果对应的调度方案确定为目标方案。
本实施例提供一种计算机设备，如图3所示，该计算机设备可以包括至少一个处理器31、至少一个通信接口32、至少一个通信总线33和至少一个存储器34，其中，通信接口32可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口32还可以包括标准的有线接口、无线接口。存储器34可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器34可选的还可以是至少一个位于远离前述处理器31的存储装置。其中处理器31可以结合图3所描述的装置，存储器34中存储应用程序，且处理器31调用存储器34中存储的程序代码，以用于执行上述任意方法实施例的车辆调度方法。
其中，通信总线33可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线33可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器34可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器34还可以包括上述种类的存储器的组合。
其中，处理器31可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器31还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。可选地，存储器34还用于存储程序指令。处理器31可以调用程序指令，实现本发明任一实施例中的车辆调度方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种车辆调度方法，其特征在于，包括：
获取预设区域内各车辆的车辆位置、各车辆的车辆状态、以及在本轮次调度之前每一个子区域的车辆供需记录，其中，所述预设区域内包括至少一个子区域；
基于所述车辆位置、所述车辆状态、所述车辆供需记录形成候选调度集，所述候选调度集中包括至少一种调度方案，所述调度方案中包括所有可调度车辆中的每一车辆到对应目标子区域的调度路径；
获取第一调度路径对应的第一参数集，将所述第一参数集输入至预构建的预估模型中，输出与所述第一调度路径对应的评估结果，所述第一调度路径为任一所述调度方案中任一车辆到对应目标子区域的调度路径；
基于所有所述调度路径对应的评估结果，从至少一种所述调度方案中筛选出目标调度方案，并按照所述目标调度方案对所有所述可调度车辆进行调度。
2.根据权利要求1所述的车辆调度方法，其特征在于，所述第一参数集中包括所述第一调度路径对应的调度时长、所述第一调度路径起点所在的子区域对应的第一订单数和第一车辆数，所述第一调度路径终点所在的子区域对应的第二订单数和第二车辆数。
3.根据权利要求2所述的车辆调度方法，其特征在于，所述预估模型中包括第一子模型、第二子模型和第三子模型，所述将所述第一参数集输入至预构建的预估模型中，输出与所述第一调度路径对应的评估结果，包括：
将所述调度时长输入至所述第一子模型中，预估所述第一调度路径对应的补偿金额；
将所述调度时长和所述补偿金额输入至所述第二子模型中，预估目标对象接受所述第一调度路径的概率；
由所述第一调度路径对应的补偿金额、所述目标对象接受所述第一调度路径的概率、所述第一车辆数、所述第二车辆数、所述第一订单数和所述第二订单数构成第二参数集；
从所述第二参数集中提取出与影响因子对应的目标参数集，并将所述目标参数集输入至与所述影响因子对应的第三子模型中，预估与所述影响因子对应的影响结果；
基于所述第一调度路径对应的所有影响结果，确定所述第一调度路径对应的评估结果。
4.根据权利要求3所述的车辆调度方法，其特征在于，所述影响因子包括：
所述目标对象接受所述第一调度路径后获得收益的概率、所述目标对象接受所述第一调度路径后平台对应的订单应答率、以及所述目标对象接受第一调度路径后对应的平台补偿成本。
5.根据权利要求4所述的车辆调度方法，其特征在于，当所述影响因子为目标对象接受所述第一调度路径后获得收益的概率时，所述预估与所述影响因子对应的影响结果，包括：
从所述第二参数集中提取所述第一订单数、所述第一车辆数、所述第二订单数、所述第二车辆数、所述目标对象接受所述第一调度路径的概率构成所述目标参数集；
将所述目标参数集输入至与所述影响因子对应的第三子模型中，预估所述目标对象接受第一调度路径后获得收益的概率。
6.根据权利要求4所述的车辆调度方法，其特征在于，当所述影响因子为所述目标对象接受所述第一调度路径后平台对应的订单应答率时，所述预估与所述影响因子对应的影响结果，包括：
从所述第二参数集中提取所述第一订单数、所述第一车辆数、所述第二订单数、所述第二车辆数、所述目标对象接受所述第一调度路径的概率构成所述目标参数集；
将所述目标参数集输入至与所述影响因子对应的第三子模型中，预估所述目标对象接受所述第一调度路径后平台对应的订单应答率。
7.根据权利要求4所述的车辆调度方法，其特征在于，当所述影响因子为所述目标对象接受第一调度路径后对应的平台补偿成本时，所述预估与所述影响因子对应的影响结果，包括：
从所述第二参数集中提取所述第二订单数、所述第二车辆数、所述补偿金额和所述目标对象接受所述第一调度路径的概率构成所述目标参数集；
将所述目标参数集输入至与所述影响因子对应的第三子模型中，生成所述目标对象接受第一调度路径后对应的平台补偿成本。
8.根据权利要求1-7任一项所述的车辆调度方法，其特征在于，所述基于所有所述调度路径对应的评估结果，从至少一种所述调度方案中筛选出目标调度方案，包括：
基于每一条所述调度路径对应的评估结果，确定出每一个调度方案对应的评估总结果；
从所有所述调度方案对应的所述评估总结果中筛选出最优结果，并将所述最优结果对应的所述调度方案确定为所述目标方案。
9.一种车辆调度装置，其特征在于，包括：
第一获取模块，用于获取预设区域内各车辆的车辆位置、各车辆的车辆状态、以及在本轮次调度之前每一个子区域的车辆供需记录，其中，所述预设区域内包括至少一个子区域；
构建模块，用于基于所述车辆位置、所述车辆状态、所述车辆供需记录形成候选调度集，所述候选调度集中包括至少一种调度方案，所述调度方案中包括所有可调度车辆中的每一车辆到对应目标子区域的调度路径；
第二获取模块，用于获取第一调度路径对应的第一参数集，将所述第一参数集输入至预构建的预估模型中，输出与所述第一调度路径对应的评估结果，所述第一调度路径为任一所述调度方案中任一车辆到对应目标子区域的调度路径；
筛选模块，用于基于所有所述调度路径对应的评估结果，从至少一种所述调度方案中筛选出目标调度方案，并按照所述目标调度方案对所有所述可调度车辆进行调度。
10.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，使所述处理器执行如权利要求1至8中任一项所述的车辆调度方法。
CN202310347748.8A 2023-04-03 2023-04-03 一种车辆调度方法、装置及设备 Active CN116343461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310347748.8A CN116343461B (zh) 2023-04-03 2023-04-03 一种车辆调度方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310347748.8A CN116343461B (zh) 2023-04-03 2023-04-03 一种车辆调度方法、装置及设备

Publications (2)

Publication Number Publication Date
CN116343461A true CN116343461A (zh) 2023-06-27
CN116343461B CN116343461B (zh) 2023-11-17

Family

ID=86887681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310347748.8A Active CN116343461B (zh) 2023-04-03 2023-04-03 一种车辆调度方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116343461B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180032928A1 (en) * 2015-02-13 2018-02-01 Beijing Didi Infinity Technology And Development C O., Ltd. Methods and systems for transport capacity scheduling
CN111062629A (zh) * 2019-12-20 2020-04-24 上海钧正网络科技有限公司 车辆调度方法、装置、计算机设备和存储介质
CN111564053A (zh) * 2020-04-24 2020-08-21 上海钧正网络科技有限公司 车辆调度方法、装置、车辆调度设备和存储介质
CN113672846A (zh) * 2021-06-18 2021-11-19 中国科学院自动化研究所 网约车调度方法、装置、电子设备及存储介质
WO2021248607A1 (zh) * 2020-06-10 2021-12-16 深圳大学 一种基于深度强化学习的出租车调度方法及系统
CN114037110A (zh) * 2021-11-30 2022-02-11 阿里巴巴新加坡控股有限公司 车辆调度方法、装置、设备和计算机程序产品
CN114066079A (zh) * 2021-11-22 2022-02-18 北京白龙马云行科技有限公司 一种基于多租户的网约车供需差预测方法及装置
CN114168701A (zh) * 2021-12-08 2022-03-11 浙江吉利控股集团有限公司 一种车辆调度方法、系统、设备及存储介质
CN114862209A (zh) * 2022-05-12 2022-08-05 阿波罗智联(北京)科技有限公司 运力调度方法、装置、电子设备及存储介质
CN115841229A (zh) * 2022-12-02 2023-03-24 北京邮电大学 一种网联车系统的智能调度方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180032928A1 (en) * 2015-02-13 2018-02-01 Beijing Didi Infinity Technology And Development C O., Ltd. Methods and systems for transport capacity scheduling
CN111062629A (zh) * 2019-12-20 2020-04-24 上海钧正网络科技有限公司 车辆调度方法、装置、计算机设备和存储介质
CN111564053A (zh) * 2020-04-24 2020-08-21 上海钧正网络科技有限公司 车辆调度方法、装置、车辆调度设备和存储介质
WO2021248607A1 (zh) * 2020-06-10 2021-12-16 深圳大学 一种基于深度强化学习的出租车调度方法及系统
CN113672846A (zh) * 2021-06-18 2021-11-19 中国科学院自动化研究所 网约车调度方法、装置、电子设备及存储介质
CN114066079A (zh) * 2021-11-22 2022-02-18 北京白龙马云行科技有限公司 一种基于多租户的网约车供需差预测方法及装置
CN114037110A (zh) * 2021-11-30 2022-02-11 阿里巴巴新加坡控股有限公司 车辆调度方法、装置、设备和计算机程序产品
CN114168701A (zh) * 2021-12-08 2022-03-11 浙江吉利控股集团有限公司 一种车辆调度方法、系统、设备及存储介质
CN114862209A (zh) * 2022-05-12 2022-08-05 阿波罗智联(北京)科技有限公司 运力调度方法、装置、电子设备及存储介质
CN115841229A (zh) * 2022-12-02 2023-03-24 北京邮电大学 一种网联车系统的智能调度方法

Also Published As

Publication number Publication date
CN116343461B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN111325416A (zh) 预测叫车平台的用户流失的方法和装置
WO2020223249A1 (en) Vehicle service center dispatch system
US11861643B2 (en) Reinforcement learning method for driver incentives: generative adversarial network for driver-system interactions
CN113287124A (zh) 用于搭乘订单派遣的系统和方法
US20230281722A1 (en) Smart estimatics methods and systems
CN111047903A (zh) 停车位查找方法、系统、存储介质、电子设备及导航方法
CN110782301A (zh) 一种拼单方法、装置、电子设备及计算机可读存储介质
Rafei et al. Big data for finite population inference: Applying quasi-random approaches to naturalistic driving data using Bayesian additive regression trees
US20060004616A1 (en) Method and system for solution design and recording medium
CN116343461B (zh) 一种车辆调度方法、装置及设备
CN111754261B (zh) 一种车辆出租意愿的评估方法、装置及终端设备
US20150154493A1 (en) Techniques for utilizing and adapting a prediction model
CN111507541B (zh) 货量预测模型构建方法、货量测量方法、装置及电子设备
CN111046156B (zh) 奖励数据的确定方法、装置和服务器
CN111210315B (zh) 出行订单的处理方法、装置、电子设备及可读存储介质
CN112989188A (zh) 推荐订单的确定方法、装置和服务器
US20220327650A1 (en) Transportation bubbling at a ride-hailing platform and machine learning
JP2020004161A (ja) 審査支援装置、審査支援方法、およびサービス提供方法
US20220277652A1 (en) Systems and methods for repositioning vehicles in a ride-hailing platform
US20080172278A1 (en) Service management system
CN111754050A (zh) 配送对象配送画像的预测方法及装置
WO2021230808A1 (en) Server and method of determining an advanced booking fee for an advance booking
CN113822455A (zh) 一种时间预测方法、装置、服务器及存储介质
CN111833595A (zh) 共享汽车辅助车辆配置方法、电子设备及存储介质
CN117112539B (zh) 一种面向机器学习的数据模型管理系统

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
GR01 Patent grant
GR01 Patent grant