CN116777171A - 一种面向网约车的点对点拼车动态调度方法及装置 - Google Patents
一种面向网约车的点对点拼车动态调度方法及装置 Download PDFInfo
- Publication number
- CN116777171A CN116777171A CN202310811799.1A CN202310811799A CN116777171A CN 116777171 A CN116777171 A CN 116777171A CN 202310811799 A CN202310811799 A CN 202310811799A CN 116777171 A CN116777171 A CN 116777171A
- Authority
- CN
- China
- Prior art keywords
- order
- vehicle
- time
- passenger
- point
- 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 44
- 230000008901 benefit Effects 0.000 claims abstract description 25
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003306 harvesting Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000003993 interaction Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000003064 k means clustering Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Abstract
本发明公开了一种面向网约车的点对点拼车动态调度方法及壮志,其包括:步骤1,设置规划周期,规划周期包括调度时刻;步骤2,获取订单、车辆类型集合和车辆状态;步骤3,根据乘客的订单信息进行聚类分析,综合考虑车辆和乘客形成的相关约束,将出发地和目的地接近的订单进行组合,形成点对点组合订单;步骤4,利用点对点拼车动态调度模型进行匹配,得到最优车辆信息,再反馈给乘客。本发明通过定义离散化调度时刻,综合考虑多目标函数和约束条件集,最终形成点对点组合订单,能够有效权衡运营商和乘客利益。
Description
技术领域
本发明涉及智能交通出行技术领域,特别是关于一种面向网约车的点对点拼车动态调度方法及装置。
背景技术
随着我国城市现代化的快速推进,基于互联网技术的智能交通出行方式以其方便快捷、数字化、高效可靠等特点,逐渐成为未来发展的主要趋势。其中,网约车作为当前主流的智能出行方式之一,以互联网、移动终端为载体,实时收集出行信息并完成乘客、司机供需匹配。相比于传统出租,网约车克服了“随遇随叫”的低效运营模式,有效改善了乘客、司机供需匹配不均的问题,提高乘客的出行体验和实际经济效益。
在现有的网约车出行方法中,调度平台多通过移动终端获取乘客出发地及目的地,提供不同车型、不同价位车以供乘客选择。由此可见,设计合理高效的网约车出行方法是提高智能出行服务质量、可靠性的基础。
然而在现实的出行情况中,难免会出现客流辆激增现象,如用车高峰时段、商业街等繁华区域。现有的网约车出行调度方法多采用包车、传统拼车模式出行,车辆信息和乘客请求无法实时更新,由此导致面对客流激增时,调度方法动态性不足、客流转移较慢,容易造成交通拥堵现象。
现有一专利文献公开了基于容易载客系数的出租汽车智能调度方法及装置,该专利技术是预先将一个打车区域划分为多个打车子区域,然后分别计算各子区域的容易载客系数并排序,选择排位靠前的多个打车子区域作为候选打车区域,最后根据各个空车状态的出租汽车与各个候选打车区域之间的距离进行智能调度。虽然考虑车辆与乘车区域之间的供需匹配,面对客流激增情况,该方法易导致个别区域、时段匹配车辆较多,造成交通拥堵现象,且对乘客需求考虑不足,影响乘客乘车体验。
现有另一专利文献公开了一种基于演化算法的拼车调度方法,该方法是获取参与静态拼车的车辆和乘客的拼车信息,以拼车信息为参数进行数学建模,得到分别以拼车方案服务质量和成本为目标的第一、第二目标函数,后采用演化算法得到车辆拼车行程,从而得到包括车辆乘客匹配方案、所述车辆乘客匹配方案下的拼车行程的拼车调度方案。该技术以服务质量对应的第一目标函数值最大、成本对应的第二目标函数值最小为优化目标,此方法对运营商成本考虑不足,且乘客和车辆信息给定,调度方法动态性不足。
发明内容
本发明的目的在于提供一种面向网约车的点对点拼车动态调度方法及装置来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的,本发明提供一种面向网约车的点对点拼车动态调度方法,其包括:
步骤1,设置规划周期,规划周期包括调度时刻;
步骤2,获取订单、车辆类型集合和车辆状态;
步骤3,根据乘客的订单信息进行聚类分析,综合考虑车辆和乘客形成的相关约束,将出发地和目的地接近的订单进行组合,形成点对点组合订单;
步骤4,利用点对点拼车动态调度模型进行匹配,得到最优车辆信息,再反馈给乘客,点对点拼车动态调度模型的目标函数如下式(4)所示:
约束设置如下:
(一)流量平衡约束,其包括式(5)表示的车辆在规划周期内服务或不服务某个订单、式(6)表示的车辆在服务完订单j后可以选择服务其他订单或不服务任何请求、以及式(7)表示的在规划周期结束时车辆节点或订单节点最终归于结束节点;
(二)访问约束:式(8)表示每个订单最多被一辆车所服务;
(三)容量约束:式(9)和式(10)表示订单分配的车辆最大载客容量应大于请求的乘客数量;
(四)时间窗约束:式(11)和式(12)表示的只有当车辆到达订单出发地的时间不大于订单的最大可忍受等待时间,车辆和订单才能建立匹配;
(五)连续性约束:式(13)表示的每辆车的行驶路径上不能行程子回路;
式中,Z为目标函数,表示车辆v完成当前订单i后进行下一订单j的决策变量,为车辆v执行完成当前订单i后执行下一订单j所得的收益,Xvi为车辆v在规划周期内优先接受当前订单i的决策变量,pvi为空闲车辆执行当前订单i所得的收益,Xvs表示车辆v在规划周期内不服务任何订单的决策变量,s为规划周期结束节点,Xvj表示车辆v在规划周期内优先接收下一订单j的决策变量,/>表示车辆v完成下一订单j后进行下一订单m的决策变量,/>表示车辆v在完成下一订单j后不服务任何订单的决策变量,N表示规划的车辆总数,/>V为车辆v的状态,/>Qc为订单的总数,/>为点对点组合当前订单i的乘客数量,/>为点对点组合下一订单j的乘客数量,Cv.k为车辆v的最大载客量,t为出发地到目的地之间的行驶时间,tidle为车辆v完成前一订单的空闲时间,lidle为车辆v完成前一订单的空闲位置,/>为表示某一订单/>的出发地,tt1为乘客在提交订单后的最大可忍受等待时长,/>为车辆v到达当前订单i的出发地/>的时间,/>为表示某一订单/>的目的地,/>和/>均表示一种订单,其中/>表示车辆完成/>后接收的下一订单。
进一步地,步骤3,根据乘客的订单信息进行聚类分析的方法具体包括:
步骤31,按下式(14)将规划周期内车辆类型的分类组数e;
式中,cave为异质车队的平均可载客量,β为校准数;
步骤32,将每个当前订单i的出发地和目的地的地理坐标作为一个数据xf=(of,df),of、df分别为当前订单i的出发地、目的地,则数据矩阵为X={x1,x2,…xf,…,xn},在数据矩阵X中随机选取e个数据作为初始的聚类中心,将所有的当前订单i分成e个聚类组;
步骤33,分别计算e个聚类组中每个数据xf距离与该数据xf对应聚类中心的路径距离,将与数据xf距离最近的聚类中心作为数据xf的聚类中心,再将数据xf及其聚类中心作为同一类,从而得到分类结果;
步骤34,重新计算每个数据xf和新的聚类中心的距离,并根据计算结果得到新的分类结果和新的聚类中心;
步骤35,重复步骤33和步骤34,直至每个数据xf距离其聚类中心的距离之和在前后两次迭代中小于一定阈值,输出所有聚类组,聚类组内包含各乘客订单信息;
步骤36,判断每个聚类组的乘客总人数n′是否大于最大车型的可载客容量,若是,则按下式(15)确定该聚类组的分类组数e’;
式中,β’为校准数;
步骤37,判断聚类组内的乘客距离聚类中心的步行时间超过乘客可忍受的最大步行时间twalk,若是,则向该乘客发送需要花费的步行时间,并将接受该步行时间的乘客保留在聚类组内,同时移除不接受该步行时间的乘客,获得拼车订单聚类组;
步骤38,将同一聚类组内的订单进行整合,形成点对点组合订单,并更新点对点组合订单的相关信息Qc={n,o,d,t},其出发地Qc.o和目的地Qc.d为聚类组的聚类中心,而乘客数量Qc.n为聚类组内所有订单的人数之和,出发时间Qc.t为聚类组内订单的出发时间和步行时间之和的最大。
进一步地,步骤4中的点对点拼车动态调度模型的目标函数的构建方法具体包括:
步骤41,根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素,再结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用;
步骤42,按下式(16)计算运营收益:
式中,pvi为处于空闲状态的车辆v执行当前订单i所得的收益,fv.k(oi,di)为车辆v完成订单Qi后乘客支付的费用,d(l,oi)、d(oi,di)分别为车辆v从当前位置l与订单出发地oi之间的行驶距离以及订单出发地oi与目的地di之间的行驶距离,Pv.k为车辆v单位距离的运营成本,为车辆v完成订单Qi的时间窗惩罚费用;/>为正在进行当前订单i的车辆v执行下一订单j所得的收益,d(di,oj)、d(oj,dj)分别为车辆v从订单Qi的目标点到订单Qj的出发地的距离以及订单Qj的出行距离,/>为正在进行当前订单i车辆的时间窗惩罚费用;
步骤43,以步骤42中的运营收益最大作为最终优化目标,得到式(4)表示的点对点拼车动态调度模型的目标函数。
进一步地,步骤41中的“根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素”具体包括:
假设当前订单i将在期望出发时间Qi.t到达出发地,对于订单Qi的乘客而言,其存在一个最大可接受等待时长tl和最大可忍受等待时长tt1,在最大可接受等待时长tl内乘客将直接等待车辆到达;而若等待时间超过tl但未超过最大可忍受等待时长tt1,则乘客可以继续等待,并因为等待时间较长而收获一定的补偿;若等待时间超过最大可忍受等待时长tt1,系统将安排其他车辆服务该订单。对于车辆而言,其存在一个可等待乘客时长tc,车辆在乘客期望出发时间前tc范围内到达出发地,则车辆可接受等待该乘客,并不产生等待成本;而如果车辆在Qi.t-tc之前到达,则会产生一定的等待成本。
进一步地,步骤41中的“结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用”具体包括:
根据双层软时间窗中的外层时间窗,设置下式(18)描述的惩罚费用Fp,惩罚费用Fp包括乘客等待产生的补偿和司机等待产生的成本,同时内层时间窗内不产生惩罚费用:
式中,Fp为惩罚费用,fq为单位时间内乘客等待补偿,为车辆到达订单出发地的时间。/>为单位时间的车辆等待费用,Qi.t是指订单Qi的期望出发时间,tc为可等待乘客时长,tl为最大可接受等待时长,tt1为最大可忍受等待时长。
进一步地,步骤1具体包括:
设置规划周期,将全天时间均匀离散为u个调度时刻,如{t1,t2,…,ta,ta+1,…,tu},ta表示第a个调度时刻,调度平台在每个调度时刻进行决策,决策周期为ΔT。对于任意调度时刻ta,调度平台为[ta-1,ta]时间段内提交出行请求的实时订单和出发时间在[ta,ta+ΔT]内的预定订单匹配车辆。
本发明还提供一种面向网约车的点对点拼车动态调度装置,其包括:
周期规划单元,其用于设置规划周期,规划周期包括调度时刻;
信息采集单元,其用于获取订单、车辆类型集合和车辆状态;
订单组合单元,其用于根据乘客的订单信息进行聚类分析,综合考虑车辆和乘客形成的相关约束,将出发地和目的地接近的订单进行组合,形成点对点组合订单;
最优车辆匹配单元,其用于利用点对点拼车动态调度模型进行匹配,得到最优车辆信息,再反馈给乘客,点对点拼车动态调度模型的目标函数如下式(4)所示:
约束设置如下:
(一)流量平衡约束,其包括式(5)表示的车辆在规划周期内服务或不服务某个订单、式(6)表示的车辆在服务完订单j后可以选择服务其他订单或不服务任何请求、以及式(7)表示的在规划周期结束时车辆节点或订单节点最终归于结束节点;
(二)访问约束:式(8)表示每个订单最多被一辆车所服务;
(三)容量约束:式(9)和式(10)表示订单分配的车辆最大载客容量应大于请求的乘客数量;
(四)时间窗约束:式(11)和式(12)表示的只有当车辆到达订单出发地的时间不大于订单的最大可忍受等待时间,车辆和订单才能建立匹配;
(五)连续性约束:式(13)表示的每辆车的行驶路径上不能行程子回路;
式中,Z为目标函数,表示车辆v完成当前订单i后进行下一订单j的决策变量,为车辆v执行完成当前订单i后执行下一订单j所得的收益,Xvi为车辆v在规划周期内优先接受当前订单i的决策变量,pvi为空闲车辆执行当前订单i所得的收益,Xvs表示车辆v在规划周期内不服务任何订单的决策变量,s为规划周期结束节点,Xvj表示车辆v在规划周期内优先接收下一订单j的决策变量,/>表示车辆v完成下一订单j后进行下一订单m的决策变量,/>表示车辆v在完成下一订单j后不服务任何订单的决策变量,N表示规划的车辆总数,/>V为车辆v的状态,/>Qc为订单的总数,/>为点对点组合当前订单i的乘客数量,/>为点对点组合下一订单j的乘客数量,Cv.k为车辆v的最大载客量,t为出发地到目的地之间的行驶时间,tidle为车辆v完成前一订单的空闲时间,lidle为车辆v完成前一订单的空闲位置,/>为表示某一订单/>的出发地,tt1为乘客在提交订单后的最大可忍受等待时长,/>为车辆v到达当前订单i的出发地/>的时间,/>为表示某一订单/>的目的地,/>和/>均表示一种订单,其中/>表示车辆完成/>后接收的下一订单。
进一步地,订单组合单元具体包括:
分类组数计算子单元,其用于按下式(14)将规划周期内车辆类型的分类组数e;
式中,cave为异质车队的平均可载客量,β为校准数;
订单划分子单元,其用于将每个当前订单i的出发地和目的地的地理坐标作为一个数据xf=(of,df),of、df分别为当前订单i的出发地、目的地,则数据矩阵为X={x1,x2,…xf,…,xn},在数据矩阵X中随机选取e个数据作为初始的聚类中心,将所有的当前订单i分成e个聚类组;
聚类子单元,其用于分别计算e个聚类组中每个数据xf距离与该数据xf对应聚类中心的路径距离,将与数据xf距离最近的聚类中心作为数据xf的聚类中心,再将数据xf及其聚类中心作为同一类,从而得到分类结果;
距离更新子单元,其用于重新计算每个数据xf和新的聚类中心的距离,并根据计算结果得到新的分类结果和新的聚类中心;
聚类组获取子单元,其用于在每个数据xf距离其聚类中心的距离之和在前后两次迭代中小于一定阈值,输出所有聚类组,聚类组内包含各乘客订单信息;
分类组数更新子单元,其用于判断每个聚类组的乘客总人数n′是否大于最大车型的可载客容量,若是,则按下式(15)确定该聚类组的分类组数e’;
式中,β’为校准数;
拼车订单聚类组规划子单元,其用于判断聚类组内的乘客距离聚类中心的步行时间超过乘客可忍受的最大步行时间twalk,若是,则向该乘客发送需要花费的步行时间,并将接受该步行时间的乘客保留在聚类组内,同时移除不接受该步行时间的乘客,获得拼车订单聚类组;
点对点组合订单形成子单元,其用于将同一聚类组内的订单进行整合,形成点对点组合订单,并更新点对点组合订单的相关信息Qc={n,o,d,t},其出发地Qc.o和目的地Qc.d为聚类组的聚类中心,而乘客数量Qc.n为聚类组内所有订单的人数之和,出发时间Qc.t为聚类组内订单的出发时间和步行时间之和的最大。
进一步地,最优车辆匹配单元中式(4)表示的点对点拼车动态调度模型的构建方法具体包括:
步骤41,根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素,再结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用;
步骤42,按下式(16)计算运营收益:
式中,pvi为处于空闲状态的车辆v执行当前订单i所得的收益,fv.k(oi,di)为车辆v完成订单Qi后乘客支付的费用,d(l,oi)、d(oi,di)分别为车辆v从当前位置l与订单出发地oi之间的行驶距离以及订单出发地oi与目的地di之间的行驶距离,Pv.k为车辆v单位距离的运营成本,为车辆v完成订单Qi的时间窗惩罚费用;/>为正在进行当前订单i的车辆v执行下一订单j所得的收益,d(di,oj)、d(oj,dj)分别为车辆v从订单Qi的目标点到订单Qj的出发地的距离以及订单Qj的出行距离,/>为正在进行当前订单i车辆的时间窗惩罚费用;
步骤43,以步骤42中的运营收益最大作为最终优化目标,得到式(4)表示的点对点拼车动态调度模型的目标函数。
进一步地,步骤41中的“根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素”具体包括:
假设当前订单i将在期望出发时间Qi.t到达出发地,对于订单Qi的乘客而言,其存在一个最大可接受等待时长tl和最大可忍受等待时长tt1,在最大可接受等待时长tl内乘客将直接等待车辆到达;而若等待时间超过tl但未超过最大可忍受等待时长tt1,则乘客可以继续等待,并因为等待时间较长而收获一定的补偿;若等待时间超过最大可忍受等待时长tt1,系统将安排其他车辆服务该订单。对于车辆而言,其存在一个可等待乘客时长tc,车辆在乘客期望出发时间前tc范围内到达出发地,则车辆可接受等待该乘客,并不产生等待成本;而如果车辆在Qi.t-tc之前到达,则会产生一定的等待成本;
“结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用”具体包括:
根据双层软时间窗中的外层时间窗,设置下式(18)描述的惩罚费用Fp,惩罚费用Fp包括乘客等待产生的补偿和司机等待产生的成本,同时内层时间窗内不产生惩罚费用:
式中,Fp为惩罚费用,fq为单位时间内乘客等待补偿,为车辆到达订单出发地的时间。/>为单位时间的车辆等待费用,Qi.t是指订单Qi的期望出发时间,tc为可等待乘客时长,tl为最大可接受等待时长,tt1为最大可忍受等待时长。
本发明由于采取以上技术方案,其具有以下优点:
本发明通过定义离散化调度时刻,综合考虑多目标函数和约束条件集,最终形成点对点组合订单,为权衡运营商和乘客利益提供新的动态调度方法。与现有技术不同的有三个方面:
1)考虑到实时订单或预定订单,提供一种滚动时间周期,以离散化方式定义调度规划周期;
2)采用K-means聚类算法,综合实际约束条件后得出订单的聚类组并整合,形成点对点组合订单;
3)综合考虑运营成本和乘客时间成本,提供一种双层软时间窗,并以此定义惩罚费用函数。
附图说明
图1为本发明实施例提供的面向网约车的点对点拼车动态调度方法的流程图。
图2为本发明实施例提供的点对点组合订单的示意图。
图3为本发明实施例提供的双层软时间窗的示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明实施例提供的面向网约车的点对点拼车动态调度方法包括:
步骤1,设置规划周期,规划周期包括调度时刻。
作为设置规划周期的一种优选实施方式,将全天时间均匀离散为u个调度时刻,如{t1,…,ta-1,ta,…,tu},t1为规划周期的初始时刻,tu为规划周期的结束时刻,ta-1为第a-1个调度时刻,ta为第a个调度时刻。调度平台在每个调度时刻进行决策,决策周期为ΔT。那么,对于任意调度时刻ta,调度平台为[ta-1,ta]时间段内提交出行请求的实时订单和出发时间在[ta,ta+ΔT]内的预定订单匹配车辆。
在设置规划周期的另一种优选实施方式,还可以设置调度时长T,将全天时间离散化为u个时间段,每个时间段长度为在每个时间段内处理实时订单和预定订单。当然,本领域技术人员也可以采用现有的其他方式设置规划周期。
步骤2,获取订单、车辆类型集合和车辆状态。
在一个实施例中,订单采用Q进行表示,Q={q,n,o,d,t},其中,q为订单编号,n为订单的乘客数量,o为订单的出发地,d为订单的目的地,t为订单期望的出发时间。订单在该实施例中的基础之上,增加其他的参数选项。需要说明的是,若订单类型为实时出发,则出发时间为提交订单的时刻;若订单类型为预定出发,则需要用户输入预定出发时间。
车辆类型集合采用K进行表示,K={1,…,k},对于第k类车型,其最大载客量为Ck,单位运营成本为Pk,单位时间的车辆等待费用为
车辆状态采用V进行表示,V={k,v,z,l,QV,r},其中,k为车辆的类型,v为车辆编号,z为车辆剩余容量,l为车辆当前位置,表示和车辆v已绑定匹配的订单队列,m是与车辆V绑定的订单总量,订单队列里的绑定订单/>包含订单q的出行信息Qq以及订单状态Sq,根据QV可以推算出车辆服务完绑定订单后的空闲时间tidle及空闲位置lidle。
步骤3,根据乘客的订单信息进行聚类分析,综合考虑车辆和乘客形成的相关约束,将出发地和目的地接近的订单进行组合,形成点对点组合订单,获得新出发地和新目的地,如图2所示,图中的o表示订单出发地,d表示订单目的地,出发地和目的地相近的订单重组成组合订单。
在一个实施例中,根据乘客的订单信息进行聚类分析的方法具体采用如下示出的K-means聚类算法实现:
步骤31,按下式(14)将规划周期内车辆类型的分类组数e;
式中,n为所有订单Q的乘客人数,β为校准数,取正整数,cave为异质车队的平均可载客量,异质车队是指由容量、功能或供能方式存在差异的可调度车辆组成的车队。
步骤32,将每个当前订单i的出发地和目的地的地理坐标作为一个数据xf=(of,df),of、df分别为当前订单i的出发地、目的地,则数据矩阵为X={x1,x2,…xf,…,xn},在数据矩阵X中随机选取e个数据作为初始的聚类中心,将所有的当前订单i分成e个聚类组。
步骤33,分别计算e个聚类组中每个数据xf距离与该数据xf对应聚类中心的路径距离,路径距离可以理解为步行距离或行驶距离,再将与数据xf距离最近的聚类中心作为数据xf的聚类中心,再将数据xf及其聚类中心作为同一类,从而得到分类结果。
步骤34,重新计算每个数据xf和新的聚类中心的距离,并根据计算结果得到新的分类结果和新的聚类中心。
步骤35,重复步骤33和步骤34,直至每个数据xf距离其聚类中心的距离之和在前后两次迭代中小于一定阈值,该阈值可以根据历史运营数据获取,例如可以是200m。最后输出所有聚类组,聚类组内包含各乘客订单信息。
步骤36,判断每个聚类组的乘客总人数n′是否大于最大车型的可载客容量,若是,则按下式(15)确定该聚类组的分类组数e’;
式中,β’为校准数,取正整数。
步骤37,判断聚类组内的乘客距离聚类中心的步行时间超过乘客可忍受的最大步行时间twalk,若是,则向该乘客发送需要花费的步行时间,并将接受该步行时间的乘客保留在聚类组内,同时移除不接受该步行时间的乘客,获得拼车订单聚类组。
步骤38,将同一聚类组内的订单进行整合,形成点对点组合订单,并更新点对点组合订单的相关信息Qc={n,o,d,t},其出发地Qc.o和目的地Qc.d为聚类组的聚类中心,而乘客数量Qc.n为聚类组内所有订单的人数之和,出发时间Qc.t为聚类组内订单的出发时间和步行时间之和的最大,即
步骤3除了使用上述K-means聚类算法实现,还可以采用其它基于划分的聚类算法同样可生成点对点组合订单,例如K-means++算法、FCM算法。
步骤4,利用点对点拼车动态调度模型进行匹配,得到最优车辆信息,再反馈给乘客。其中,点对点拼车动态调度模型的目标函数如下式(4)所示,选取最小化运营成本和乘客等待时间作为优化目标。
约束设置如下:
(一)流量平衡约束,其包括式(5)表示的车辆在规划周期内服务或不服务某个订单、式(6)表示的车辆在服务完订单j后可以选择服务其他订单或不服务任何请求、以及式(7)表示的在规划周期结束时车辆节点或订单节点最终归于结束节点;
(二)访问约束:式(8)表示每个订单最多被一辆车所服务;
(三)容量约束:式(9)和式(10)表示订单分配的车辆最大载客容量应大于请求的乘客数量;
(四)时间窗约束:式(11)和式(12)表示的只有当车辆到达订单出发地的时间不大于订单的最大可忍受等待时间,车辆和订单才能建立匹配;
(五)连续性约束:式(13)表示的每辆车的行驶路径上不能行程子回路;
/>
式中,Z为目标函数,表示车辆v完成当前订单i后进行下一订单j的决策变量,则该决策变量取1,否则取0;/>为车辆v执行完成当前订单i后执行下一订单j所得的收益,Xvi为车辆v在规划周期内优先接受当前订单i的决策变量,pvi为空闲车辆执行当前订单i所得的收益,Xvs表示车辆v在规划周期内不服务任何订单的决策变量,处于待定状态,s为规划周期结束节点,Xvj表示车辆v在规划周期内优先接收下一订单j的决策变量,在服务完下一订单j后车辆有两种状态,一种是/>表示车辆完成下一订单j后选择服务下一订单m,一种是表示车辆在完成下一订单j后不服务任何请求,/>表示车辆v完成下一订单j后进行下一订单m的决策变量,/>表示车辆v在完成下一订单j后不服务任何订单的决策变量,N表示规划的车辆总数,/>V为车辆v的状态,/>Qc为订单的总数,为点对点组合当前订单i的乘客数量,/>为点对点组合下一订单j的乘客数量,Cv.k为车辆v的最大载客量,t为出发地到目的地之间的行驶时间,tidle为车辆v完成前一订单的空闲时间,lidle为车辆v完成前一订单的空闲位置,/>为表示某一订单/>的出发地,tt1为乘客在提交订单后的最大可忍受等待时长,/>为车辆v到达当前订单i的出发地/>的时间,/>为表示某一订单/>的目的地,/>和/>均表示一种订单,其中/>表示车辆完成/>后接收的下一订单。
上述实施例构建的点对点组合约束条件集,保证所得方法在既定设置和资源配置下的实施可行性、合理性。
在一个实施例中,步骤4中的点对点拼车动态调度模型的目标函数的构建方法具体包括:
步骤41,根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素,再结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用。
如图3所示,图中的Qi.t为订单期望出发时间,tl为最大可接受等待时长,tt1为最大可忍受等待时长,tc为可等待乘客时长。作为“根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素”的一种优选实施方式,其具体包括:
假设当前订单i将在期望出发时间Qi.t到达出发地,对于订单Qi的乘客而言,其存在一个最大可接受等待时长tl和最大可忍受等待时长tt1,在最大可接受等待时长tl内乘客将直接等待车辆到达;而若等待时间超过tl但未超过最大可忍受等待时长tt1,则乘客可以继续等待,并因为等待时间较长而收获一定的补偿;若等待时间超过最大可忍受等待时长tt1,系统将安排其他车辆服务该订单。对于车辆而言,其存在一个可等待乘客时长tc,车辆在乘客期望出发时间前tc范围内到达出发地,则车辆可接受等待该乘客,并不产生等待成本;而如果车辆在Qi.t-tc之前到达,则会产生一定的等待成本。其中,tl、tt1、tc的具体数值根据历史运营数据分析得出,Qi.t表示订单Qi的期望出发时间,由步骤2获得。
“根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素”也可以“根据订单的出发地Qi.o,判断车辆的额外行驶成本”这样一种方式来实现,还可以通过现有的其他方式实现,在此不再一一列举。
作为步骤41中的“结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用”的一种优先实施方式,其具体包括:
根据双层软时间窗中的外层时间窗,设置下式(18)描述的惩罚费用Fp,惩罚费用Fp包括乘客等待产生的补偿和司机等待产生的成本,同时内层时间窗内不产生惩罚费用:
式中,Fp为惩罚费用,fq为单位时间内乘客等待补偿,为车辆到达订单出发地的时间。/>为单位时间的车辆等待费用,Qi.t是指订单Qi的期望出发时间,tc为可等待乘客时长,tl为最大可接受等待时长,tt1为最大可忍受等待时长。
步骤42,按下式(16)计算运营收益:
式中,pvi为处于空闲状态的车辆v执行当前订单i所得的收益,fv.k(oi,di)为车辆v完成订单Qi后乘客支付的费用,d(l,oi)、d(oi,di)分别为车辆v从当前位置l与订单出发地oi之间的行驶距离以及订单出发地oi与目的地di之间的行驶距离,Pv.k为车辆v单位距离的运营成本,为车辆v完成订单Qi的时间窗惩罚费用;/>为正在进行当前订单i的车辆v执行下一订单j所得的收益,d(di,oj)、d(oj,dj)分别为车辆v从订单Qi的目标点到订单Qj的出发地的距离以及订单Qj的出行距离,/>为正在进行当前订单i车辆的时间窗惩罚费用。
步骤41中的“结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用”的另一种优先实施方式是“设置车辆预期到达时间值,根据车辆预期到达时间和实际到达时间,判断惩罚费用”,还可以通过现有的其他方式实现。
步骤43,以步骤42中的运营收益最大作为最终优化目标,得到式(4)表示的点对点拼车动态调度模型的目标函数。
本发明实施例还提供一种面向网约车的点对点拼车动态调度装置,其包括周期规划单元、信息采集单元、订单组合单元和最优车辆匹配单元,其中:
周期规划单元用于设置规划周期,规划周期包括调度时刻。
信息采集单元用于获取订单、车辆类型集合和车辆状态。
订单组合单元用于根据乘客的订单信息进行聚类分析,综合考虑车辆和乘客形成的相关约束,将出发地和目的地接近的订单进行组合,形成点对点组合订单。
最优车辆匹配单元用于利用点对点拼车动态调度模型进行匹配,得到最优车辆信息,再反馈给乘客,点对点拼车动态调度模型的目标函数如式(4)所示,约束设置如下式(5)至(13)所示。
在一个实施例中,订单组合单元具体包括分类组数计算子单元、订单划分子单元、聚类子单元、距离更新子单元、聚类组获取子单元、分类组数更新子单元、拼车订单聚类组规划子单元和点对点组合订单形成子单元,其中:
分类组数计算子单元用于按式(14)将规划周期内车辆类型的分类组数e。
订单划分子单元用于将每个当前订单i的出发地和目的地的地理坐标作为一个数据xf=(of,df),of、df分别为当前订单i的出发地、目的地,则数据矩阵为X={x1,x2,…xf,…,xn},在数据矩阵X中随机选取e个数据作为初始的聚类中心,将所有的当前订单i分成e个聚类组。
聚类子单元用于分别计算e个聚类组中每个数据xf距离与该数据xf对应聚类中心的路径距离,将与数据xf距离最近的聚类中心作为数据xf的聚类中心,再将数据xf及其聚类中心作为同一类,从而得到分类结果。
距离更新子单元其用于重新计算每个数据xf和新的聚类中心的距离,并根据计算结果得到新的分类结果和新的聚类中心。
聚类组获取子单元用于在每个数据xf距离其聚类中心的距离之和在前后两次迭代中小于一定阈值,输出所有聚类组,聚类组内包含各乘客订单信息。
分类组数更新子单元用于判断每个聚类组的乘客总人数n′是否大于最大车型的可载客容量,若是,则按式(15)确定该聚类组的分类组数e’。
拼车订单聚类组规划子单元用于判断聚类组内的乘客距离聚类中心的步行时间超过乘客可忍受的最大步行时间twalk,若是,则向该乘客发送需要花费的步行时间,并将接受该步行时间的乘客保留在聚类组内,同时移除不接受该步行时间的乘客,获得拼车订单聚类组。
点对点组合订单形成子单元用于将同一聚类组内的订单进行整合,形成点对点组合订单,并更新点对点组合订单的相关信息Qc={n,o,d,t},其出发地Qc.o和目的地Qc.d为聚类组的聚类中心,而乘客数量Qc.n为聚类组内所有订单的人数之和,出发时间Qc.t为聚类组内订单的出发时间和步行时间之和的最大。
在一个实施例中,最优车辆匹配单元中式(4)表示的点对点拼车动态调度模型的构建方法具体包括步骤41-步骤43。
本发明实施例还提供一种面向网约车的点对点拼车动态调度系统,包括如下部分:
调度平台:包括调度管理系统、状态监控系统、信息交互平台、电子地图。调度管理系统由如上述面向网约车的点对点拼车动态调度装置实现,处理订单信息,计算分析后进行订单组合、车辆分配,。状态监控系统用来获取车辆类型集合和车辆状态,以供调度管理系统计算分配。信息交互平台实现调度平台与车辆、调度平台与乘客之间的信息交互。电子地图用来实时显示车辆状态信息、点对点组合订单信息。
车辆管理系统:包括定位系统、状态监控系统、信息交互平台、监控系统。定位系统内含GPS定位模块、GSM通讯模块,实现车辆准确定位和信息传递。状态监控系统用来获取当前车辆状态,通过接口上传至调度平台以供计算分析。信息交互平台实现车辆与调度平台、车辆与乘客之间的信息交互。监控系统包含车载监控,实时反馈车内状况,保障乘车安全。
客户端系统:包括乘车软件、信息交互平台、信息提示系统。乘车软件设置iOS、Android两种版本,乘客通过软件上传乘车信息,并在软件界面获取匹配车辆信息,同时可通过乘车软件实时观测车辆状态和位置信息。信息交互平台实现乘客与调度平台、乘客与车辆之间的信息交互。信息提示系统以短信的方式将车辆信息反馈至乘客,保障乘客出行。
本发明的有益效果在于以下方面:
1)考虑到车辆状态信息和乘客出行信息的时变特性,通过设计滚动时间周期的方式,离散化调度时刻,为实时订单或预定订单匹配最优车辆,以此保证调度方法的动态性和准确性;
2)考虑到客流激增时期存在出发地和目的地相近的多组订单,采用K-means聚类算法,综合乘客步行距离等约束条件后,形成点对点组合订单,有效缓解交通压力,提高乘客出行服务质量;
3)相比于传统拼车出行方法,本方法提供一种双层软时间窗,并定义惩罚费用函数,有效解决因车辆到达时间过早造成车辆运力闲置、车辆到达时间过晚造成乘客等待时间长的问题,提高网约车服务质量及成本。
所以,通过设计一种新型拼车出行方法,在面对突增的出行需求时,将行车路线相近的实时(或预定)订单构成新的订单完成出行,有效缓解用车高峰的拥堵现象,同时提高调度方案的实际效益。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种面向网约车的点对点拼车动态调度方法,其特征在于,包括:
步骤1,设置规划周期,规划周期包括调度时刻;
步骤2,获取订单、车辆类型集合和车辆状态;
步骤3,根据乘客的订单信息进行聚类分析,综合考虑车辆和乘客形成的相关约束,将出发地和目的地接近的订单进行组合,形成点对点组合订单;
步骤4,利用点对点拼车动态调度模型进行匹配,得到最优车辆信息,再反馈给乘客,点对点拼车动态调度模型的目标函数如下式(4)所示:
约束设置如下:
(一)流量平衡约束,其包括式(5)表示的车辆在规划周期内服务或不服务某个订单、式(6)表示的车辆在服务完订单j后可以选择服务其他订单或不服务任何请求、以及式(7)表示的在规划周期结束时车辆节点或订单节点最终归于结束节点;
(二)访问约束:式(8)表示每个订单最多被一辆车所服务;
(三)容量约束:式(9)和式(10)表示订单分配的车辆最大载客容量应大于请求的乘客数量;
(四)时间窗约束:式(11)和式(12)表示的只有当车辆到达订单出发地的时间不大于订单的最大可忍受等待时间,车辆和订单才能建立匹配;
(五)连续性约束:式(13)表示的每辆车的行驶路径上不能行程子回路;
式中,Z为目标函数,表示车辆v完成当前订单i后进行下一订单j的决策变量,/>为车辆v执行完成当前订单i后执行下一订单j所得的收益,Xvi为车辆v在规划周期内优先接受当前订单i的决策变量,pvi为空闲车辆执行当前订单i所得的收益,Xvs表示车辆v在规划周期内不服务任何订单的决策变量,s为规划周期结束节点,Xvj表示车辆v在规划周期内优先接收下一订单j的决策变量,/>表示车辆v完成下一订单j后进行下一订单m的决策变量,表示车辆v在完成下一订单j后不服务任何订单的决策变量,N表示规划的车辆总数,V为车辆v的状态,/>Qc为订单的总数,/>为点对点组合当前订单i的乘客数量,/>为点对点组合下一订单j的乘客数量,Cv.k为车辆v的最大载客量,t为出发地到目的地之间的行驶时间,tidle为车辆v完成前一订单的空闲时间,lidle为车辆v完成前一订单的空闲位置,/>为表示某一订单/>的出发地,tt1为乘客在提交订单后的最大可忍受等待时长,/>为车辆v到达当前订单i的出发地/>的时间,/>为表示订单/>的目的地,/>和/>均表示一种订单,其中/>表示车辆完成/>后接收的下一订单。
2.如权利要求1所述的面向网约车的点对点拼车动态调度方法,其特征在于,步骤3,根据乘客的订单信息进行聚类分析的方法具体包括:
步骤31,按下式(14)将规划周期内车辆类型的分类组数e;
式中,cave为异质车队的平均可载客量,β为校准数;
步骤32,将每个当前订单i的出发地和目的地的地理坐标作为一个数据xf=(of,df),of、df分别为当前订单i的出发地、目的地,则数据矩阵为X={x1,x2,…xf,…,xn},在数据矩阵X中随机选取e个数据作为初始的聚类中心,将所有的当前订单i分成e个聚类组;
步骤33,分别计算e个聚类组中每个数据xf距离与该数据xf对应聚类中心的路径距离,将与数据xf距离最近的聚类中心作为数据xf的聚类中心,再将数据xf及其聚类中心作为同一类,从而得到分类结果;
步骤34,重新计算每个数据xf和新的聚类中心的距离,并根据计算结果得到新的分类结果和新的聚类中心;
步骤35,重复步骤33和步骤34,直至每个数据xf距离其聚类中心的距离之和在前后两次迭代中小于一定阈值,输出所有聚类组,聚类组内包含各乘客订单信息;
步骤36,判断每个聚类组的乘客总人数n′是否大于最大车型的可载客容量,若是,则按下式(15)确定该聚类组的分类组数e’;
式中,β’为校准数;
步骤37,判断聚类组内的乘客距离聚类中心的步行时间超过乘客可忍受的最大步行时间twalk,若是,则向该乘客发送需要花费的步行时间,并将接受该步行时间的乘客保留在聚类组内,同时移除不接受该步行时间的乘客,获得拼车订单聚类组;
步骤38,将同一聚类组内的订单进行整合,形成点对点组合订单,并更新点对点组合订单的相关信息Qc={n,o,d,t},其出发地Qc.o和目的地Qc.d为聚类组的聚类中心,而乘客数量Qc.n为聚类组内所有订单的人数之和,出发时间Qc.t为聚类组内订单的出发时间和步行时间之和的最大。
3.如权利要求1或2所述的面向网约车的点对点拼车动态调度方法,其特征在于,步骤4中的点对点拼车动态调度模型的目标函数的构建方法具体包括:
步骤41,根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素,再结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用;
步骤42,按下式(16)计算运营收益:
式中,pvi为处于空闲状态的车辆v执行当前订单i所得的收益,fv.k(oi,di)为车辆v完成订单Qi后乘客支付的费用,d(l,oi)、d(oi,di)分别为车辆v从当前位置l与订单出发地oi之间的行驶距离以及订单出发地oi与目的地di之间的行驶距离,Pv.k为车辆v单位距离的运营成本,为车辆v完成订单Qi的时间窗惩罚费用;/>为正在进行当前订单i的车辆v执行下一订单j所得的收益,ddi,oj、doj,dj分别为车辆v从订单Qi的目标点到订单Qj的出发地的距离以及订单Qj的出行距离,/>为正在进行当前订单i车辆的时间窗惩罚费用;
步骤43,以步骤42中的运营收益最大作为最终优化目标,得到式(4)表示的点对点拼车动态调度模型的目标函数。
4.如权利要求3所述的面向网约车的点对点拼车动态调度方法,其特征在于,步骤41中的“根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素”具体包括:
假设当前订单i将在期望出发时间Qi.t到达出发地,对于订单Qi的乘客而言,其存在一个最大可接受等待时长tl和最大可忍受等待时长tt1,在最大可接受等待时长tl内乘客将直接等待车辆到达;而若等待时间超过tl但未超过最大可忍受等待时长tt1,则乘客可以继续等待,并因为等待时间较长而收获一定的补偿;若等待时间超过最大可忍受等待时长tt1,系统将安排其他车辆服务该订单。对于车辆而言,其存在一个可等待乘客时长tc,车辆在乘客期望出发时间前tc范围内到达出发地,则车辆可接受等待该乘客,并不产生等待成本;而如果车辆在Qi.t-tc之前到达,则会产生一定的等待成本。
5.如权利要求3或4所述的面向网约车的点对点拼车动态调度方法,其特征在于,步骤41中的“结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用”具体包括:
根据双层软时间窗中的外层时间窗,设置下式(18)描述的惩罚费用Fp,惩罚费用Fp包括乘客等待产生的补偿和司机等待产生的成本,同时内层时间窗内不产生惩罚费用:
式中,Fp为惩罚费用,fq为单位时间内乘客等待补偿, 为车辆到达订单出发地的时间。/>为单位时间的车辆等待费用,Qi.t是指订单Qi的期望出发时间,tc为可等待乘客时长,tl为最大可接受等待时长,tt1为最大可忍受等待时长。
6.如权利要求1-5中任一项所述的面向网约车的点对点拼车动态调度方法,其特征在于,步骤1具体包括:
设置规划周期,将全天时间均匀离散为u个调度时刻,如{t1,t2,…,ta,ta+1,…,tu},ta表示第a个调度时刻,调度平台在每个调度时刻进行决策,决策周期为ΔT。对于任意调度时刻ta,调度平台为[ta-1,ta]时间段内提交出行请求的实时订单和出发时间在[ta,ta+ΔT]内的预定订单匹配车辆。
7.一种面向网约车的点对点拼车动态调度装置,其特征在于,包括:
周期规划单元,其用于设置规划周期,规划周期包括调度时刻;
信息采集单元,其用于获取订单、车辆类型集合和车辆状态;
订单组合单元,其用于根据乘客的订单信息进行聚类分析,综合考虑车辆和乘客形成的相关约束,将出发地和目的地接近的订单进行组合,形成点对点组合订单;
最优车辆匹配单元,其用于利用点对点拼车动态调度模型进行匹配,得到最优车辆信息,再反馈给乘客,点对点拼车动态调度模型的目标函数如下式(4)所示:
约束设置如下:
(一)流量平衡约束,其包括式(5)表示的车辆在规划周期内服务或不服务某个订单、式(6)表示的车辆在服务完订单j后可以选择服务其他订单或不服务任何请求、以及式(7)表示的在规划周期结束时车辆节点或订单节点最终归于结束节点;
(二)访问约束:式(8)表示每个订单最多被一辆车所服务;
(三)容量约束:式(9)和式(10)表示订单分配的车辆最大载客容量应大于请求的乘客数量;
(四)时间窗约束:式(11)和式(12)表示的只有当车辆到达订单出发地的时间不大于订单的最大可忍受等待时间,车辆和订单才能建立匹配;
(五)连续性约束:式(13)表示的每辆车的行驶路径上不能行程子回路;
式中,Z为目标函数,表示车辆v完成当前订单i后进行下一订单j的决策变量,/>为车辆v执行完成当前订单i后执行下一订单j所得的收益,Xvi为车辆v在规划周期内优先接受当前订单i的决策变量,pvi为空闲车辆执行当前订单i所得的收益,Xvs表示车辆v在规划周期内不服务任何订单的决策变量,s为规划周期结束节点,Xvj表示车辆v在规划周期内优先接收下一订单j的决策变量,/>表示车辆v完成下一订单j后进行下一订单m的决策变量,表示车辆v在完成下一订单j后不服务任何订单的决策变量,N表示规划的车辆总数,V为车辆v的状态/>Qc为订单的总数,/>为点对点组合当前订单i的乘客数量,/>为点对点组合下一订单j的乘客数量,Cv.k为车辆v的最大载客量,t为出发地到目的地之间的行驶时间,tidle为车辆v完成前一订单的空闲时间,lidle为车辆v完成前一订单的空闲位置,/>为表示某一订单/>的出发地,tt1为乘客在提交订单后的最大可忍受等待时长,/>为车辆v到达当前订单i的出发地/>的时间,/>为表示某一订单/>的目的地,/>和/>均表示一种订单,其中/>表示车辆完成/>后接收的下一订单。
8.如权利要求7所述的面向网约车的点对点拼车动态调度装置,其特征在于,订单组合单元具体包括:
分类组数计算子单元,其用于按下式(14)将规划周期内车辆类型的分类组数e;
式中,cave为异质车队的平均可载客量,β为校准数;
订单划分子单元,其用于将每个当前订单i的出发地和目的地的地理坐标作为一个数据xf=(of,df),of、df分别为当前订单i的出发地、目的地,则数据矩阵为X={x1,x2,…xf,…,xn},在数据矩阵X中随机选取e个数据作为初始的聚类中心,将所有的当前订单i分成e个聚类组;
聚类子单元,其用于分别计算e个聚类组中每个数据xf距离与该数据xf对应聚类中心的路径距离,将与数据xf距离最近的聚类中心作为数据xf的聚类中心,再将数据xf及其聚类中心作为同一类,从而得到分类结果;
距离更新子单元,其用于重新计算每个数据xf和新的聚类中心的距离,并根据计算结果得到新的分类结果和新的聚类中心;
聚类组获取子单元,其用于在每个数据xf距离其聚类中心的距离之和在前后两次迭代中小于一定阈值,输出所有聚类组,聚类组内包含各乘客订单信息;
分类组数更新子单元,其用于判断每个聚类组的乘客总人数n′是否大于最大车型的可载客容量,若是,则按下式(15)确定该聚类组的分类组数e’;
式中,β’为校准数;
拼车订单聚类组规划子单元,其用于判断聚类组内的乘客距离聚类中心的步行时间超过乘客可忍受的最大步行时间twalk,若是,则向该乘客发送需要花费的步行时间,并将接受该步行时间的乘客保留在聚类组内,同时移除不接受该步行时间的乘客,获得拼车订单聚类组;
点对点组合订单形成子单元,其用于将同一聚类组内的订单进行整合,形成点对点组合订单,并更新点对点组合订单的相关信息Qc={n,o,d,t},其出发地Qc.o和目的地Qc.d为聚类组的聚类中心,而乘客数量Qc.n为聚类组内所有订单的人数之和,出发时间Qc.t为聚类组内订单的出发时间和步行时间之和的最大。
9.如权利要求7或8所述的面向网约车的点对点拼车动态调度装置,其特征在于,最优车辆匹配单元中式(4)表示的点对点拼车动态调度模型的构建方法具体包括:
步骤41,根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素,再结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用;
步骤42,按下式(16)计算运营收益:
式中,pvi为处于空闲状态的车辆v执行当前订单i所得的收益,fv.koi,di为车辆v完成订单Qi后乘客支付的费用,dl,oi、doi,di分别为车辆v从当前位置l与订单出发地oi之间的行驶距离以及订单出发地oi与目的地di之间的行驶距离,Pv.k为车辆v单位距离的运营成本,为车辆v完成订单Qi的时间窗惩罚费用;/>为正在进行当前订单i的车辆v执行下一订单j所得的收益,ddi,oj、doj,dj分别为车辆v从订单Qi的目标点到订单Qj的出发地的距离以及订单Qj的出行距离,/>为正在进行当前订单i车辆的时间窗惩罚费用;
步骤43,以步骤42中的运营收益最大作为最终优化目标,得到式(4)表示的点对点拼车动态调度模型的目标函数。
10.如权利要求9所述的面向网约车的点对点拼车动态调度方法,其特征在于,步骤41中的“根据当前订单i将在期望出发时间Qi.t到达出发地,判断乘客和车辆对于订单Qi的时间影响因素”具体包括:
假设当前订单i将在期望出发时间Qi.t到达出发地,对于订单Qi的乘客而言,其存在一个最大可接受等待时长tl和最大可忍受等待时长tt1,在最大可接受等待时长tl内乘客将直接等待车辆到达;而若等待时间超过tl但未超过最大可忍受等待时长tt1,则乘客可以继续等待,并因为等待时间较长而收获一定的补偿;若等待时间超过最大可忍受等待时长tt1,系统将安排其他车辆服务该订单。对于车辆而言,其存在一个可等待乘客时长tc,车辆在乘客期望出发时间前tc范围内到达出发地,则车辆可接受等待该乘客,并不产生等待成本;而如果车辆在Qi.t-tc之前到达,则会产生一定的等待成本;
“结合预设的双层软时间窗,判断乘客和车辆因等待产生的时间窗惩罚费用”具体包括:
根据双层软时间窗中的外层时间窗,设置下式(18)描述的惩罚费用Fp,惩罚费用Fp包括乘客等待产生的补偿和司机等待产生的成本,同时内层时间窗内不产生惩罚费用:
式中,Fp为惩罚费用,fq为单位时间内乘客等待补偿, 为车辆到达订单出发地的时间。/>为单位时间的车辆等待费用,Qi.t是指订单Qi的期望出发时间,tc为可等待乘客时长,tl为最大可接受等待时长,tt1为最大可忍受等待时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811799.1A CN116777171A (zh) | 2023-07-04 | 2023-07-04 | 一种面向网约车的点对点拼车动态调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811799.1A CN116777171A (zh) | 2023-07-04 | 2023-07-04 | 一种面向网约车的点对点拼车动态调度方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777171A true CN116777171A (zh) | 2023-09-19 |
Family
ID=87989378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310811799.1A Pending CN116777171A (zh) | 2023-07-04 | 2023-07-04 | 一种面向网约车的点对点拼车动态调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777171A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391399A (zh) * | 2023-12-06 | 2024-01-12 | 厦门蓝斯通信股份有限公司 | 一种拼单出行方法、系统及存储介质 |
-
2023
- 2023-07-04 CN CN202310811799.1A patent/CN116777171A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391399A (zh) * | 2023-12-06 | 2024-01-12 | 厦门蓝斯通信股份有限公司 | 一种拼单出行方法、系统及存储介质 |
CN117391399B (zh) * | 2023-12-06 | 2024-04-16 | 厦门蓝斯通信股份有限公司 | 一种拼单出行方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11386359B2 (en) | Systems and methods for managing a vehicle sharing facility | |
Jung et al. | Design and modeling of real-time shared-taxi dispatch algorithms | |
US11392861B2 (en) | Systems and methods for managing a vehicle sharing facility | |
CN107103383B (zh) | 一种基于打车热点的动态拼车调度方法 | |
CN105185116B (zh) | 网络集约小客车出行需求热力图构建方法 | |
CN107101643B (zh) | 一种拼车匹配方法 | |
CN105761482A (zh) | 基于公平性的出租车实时预约方法及系统 | |
CN110458456B (zh) | 基于人工智能的需求响应式公交系统的调度方法及系统 | |
CN110111601B (zh) | 一种基于两阶段选择的区域停车位动态分配方法 | |
Angelopoulos et al. | Incentivization schemes for vehicle allocation in one-way vehicle sharing systems | |
CN111340318B (zh) | 一种车辆动态调度方法、装置及终端设备 | |
CN116777171A (zh) | 一种面向网约车的点对点拼车动态调度方法及装置 | |
US20160247096A1 (en) | Systems and Methods for Managing Networked Vehicle Resources | |
WO2022073444A1 (en) | Systems and methods for dispatching shared rides through ride-hailing platform | |
CN109657820A (zh) | 一种可预约的出租车匹配方法 | |
CN112906980A (zh) | 订单处理方法、装置、系统及可读存储介质 | |
Liu et al. | Shared autonomous taxi system and utilization of collected travel-time information | |
CN116720997A (zh) | 一种基于大数据分析的公交线路评价体系及优化方法 | |
CN109583634A (zh) | 一种基于现代投资组合理论的外卖配送路径选择方法 | |
CN112949987A (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
CN106682759B (zh) | 针对电动出租车的电池供应系统及网络优化方法 | |
CN111738490A (zh) | 柔性公交线路资源复用分配调度方法 | |
CN111160597A (zh) | 基于出租车司机综合满意度的智能调度方法 | |
Huang et al. | Utility-aware batch-processing algorithms for dynamic carpooling based on double auction | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 |
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 |