CN116777560A - 一种基于大数据的出租车派单系统及方法 - Google Patents

Abstract

本发明提出一种基于大数据的出租车派单系统及方法，获取打车订单的订单数据，并从订单数据中获取打车用户的用户信息和行程信息；获取无人驾驶出租车的车辆信息；根据用户信息计算用户权重值u；根据车辆信息计算车辆权重值w；根据行程信息计算行程权重值v；将打车订单按照u*v*t的值进行倒序排序得到用户队列顺序；获取打车用户与出租车的距离d；将无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序；按照车辆队列顺序，对用户队列顺序中的每个打车订单依次进行派车。本方发明案可以实现打车订单在无人驾驶出租车间有序且智能地派发。

Description

一种基于大数据的出租车派单系统及方法

技术领域

本发明涉及大数据技术领域，具体涉及一种基于大数据的出租车派单系统及方法。

背景技术

随着移动互联的发展与普及，目前用户出行大都通过智能移动终端上打车应用进行打车，在用户端发起打车订单后，订单会到达服务器，再推送给司机端，由司机端确定是否接单。随着无人驾驶技术的发展，无人驾驶出租车开始进入市场，但是目前的无人驾驶出租车的派单系统不够完善，智能化程度不高。

发明内容

本发明正是基于上述问题，提出了一种基于大数据的出租车派单系统及方法，通过本方发明案可以实现打车订单在无人驾驶出租车间有序且智能地派发。

有鉴于此，本发明的一方面提出了一种基于大数据的出租车派单系统，包括：云服务器、物联网服务器、物联网终端；

所述云服务器被配置为：

获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息；

获取无人驾驶出租车的车辆信息；

根据所述用户信息计算所述打车用户的用户权重值u；

根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w；

根据所述行程信息计算所述打车用户的行程权重值v；

将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间；

获取所述打车用户与所述无人驾驶出租车的距离d；

将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序；

按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。

可选地，所述根据所述用户信息计算所述打车用户的用户权重值u的步骤中，所述云服务器被配置为：

从所述用户信息中获取订单量、平均分、平台注册时长、驾驶资质值、驾驶年限值、驾驶技能值；

通过以下公式计算所述用户权重值u：

u＝a1*ud+a2*us+a3*ut+a4*dr+a5*dy+a6*dt；

其中，a1、a2、a3、a4、a5、a6为权重系数，ud为订单量，us为平均分，ut为平台注册时长，dr为驾驶资质值，dy为驾驶年限值，dt为驾驶技能值；

所述根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w的步骤，包括：

从所述车辆信息中获取接单量、平均响应时间、服务时长、平均评分、行驶里程、行驶路况值、车辆故障/维修值、人工辅助等级值；

通过以下公式计算所述车辆权重值w：

w＝b1*wd+b2*wt+b3*wst+b4*ws+b5*wr+b6*wp+b7*wq+b8*wx；

其中，b1、b2、b3、b4、b5、b6、b7、b8为权重系数；wd为接单量、wt为平均响应时间、wst为服务时长、ws为平均评分、wr为行驶里程、wp为行驶路况值、wq为车辆故障/维修值、wx为人工辅助等级值；

所述基于大数据的出租车派单方法还包括：

建立所述打车用户和所述无人驾驶出租车的历史数据仓库；

根据所述无人驾驶出租车所投放的地域的人员特征和地域特征，确定第一预设周期；

从所述历史数据仓库提取最近一个所述第一预设周期内产生的全部相关数据作为第一数据；

根据预设的权重算法，对有关于用车用户与出租车的数据进行并行计算，分别得到用于计算用户权重值u和车辆权重值w的第一权重系数；

利用深度学习模型，从所述历史数据仓库中选取第二数据和第三数据分别进行训练得到用户权重系数调整模型和车辆权重系数调整模型；

将所述第一数据进行前期处理后分别输入所述用户权重系数调整模型和所述车辆权重系数调整模型，得到用于计算用户权重值u和车辆权重值w的第二权重系数；

将所述第二权重系数和所述第一权重系数按预设规则进行融合，分别得到用于计算用户权重值u和车辆权重值w的综合权重系数；

将所述综合权重系数用于本周期派单。

可选地，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

根据所述行程信息，确定用户行程是否包含需要人工辅助的第一类特殊环境；

从所述打车订单中将包含了所述第一类特殊环境的第一用户行程对应的订单作为第一类特殊订单；

根据所述第一类特殊环境确定对应的第一人工辅助等级；

从所述车辆队列顺序中选择出满足所述第一人工辅助等级的第一无人驾驶出租车；

将所述第一类特殊订单派发至所述第一无人驾驶出租车。

可选地，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

从所述打车订单中剥离所述第一类特殊订单，得到第一打车订单子集；

从所述第一打车订单子集中选择用户行程满足第一预设行程条件的第二用户行程对应的订单作为第二类特殊订单；

将所述第二类特殊订单派发至所述第一无人驾驶出租车；

所述第一无人驾驶出租车根据所述第一类特殊订单与所述第二类特殊订单规划行驶任务方案。

可选地，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

确定所述打车订单对应的用户行程中是否包含数据待验证路段；

若是，则根据所述待验证路段的长度、所述待验证路段与用户行程起点的距离、出发时间，确定调整系数z，其中，z为小于1的正数；

将所述打车订单中包含所述待验证路段的用户行程对应的订单按照u*v*t*z的值进行调整后，得到第一用户队列顺序；

对所述第一用户队列顺序中的每个所述打车订单依次进行派车。

本发明的另一方面提供一种基于大数据的出租车派单方法，应用于一种基于大数据的出租车派单系统，所述基于大数据的出租车派单系统包括云服务器、物联网服务器、物联网终端，所述基于大数据的出租车派单方法包括：

所述云服务器获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息；

所述云服务器获取无人驾驶出租车的车辆信息；

所述云服务器根据所述用户信息计算所述打车用户的用户权重值u；

所述云服务器根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w；

所述云服务器根据所述行程信息计算所述打车用户的行程权重值v；

所述云服务器将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间；

所述云服务器获取所述打车用户与所述无人驾驶出租车的距离d；

所述云服务器将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序；

所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。

可选地，所述云服务器根据所述用户信息计算所述打车用户的用户权重值u的步骤，包括：

从所述用户信息中获取订单量、平均分、平台注册时长、驾驶资质值、驾驶年限值、驾驶技能值；

通过以下公式计算所述用户权重值u：

u＝a1*ud+a2*us+a3*ut+a4*dr+a5*dy+a6*dt；

其中，a1、a2、a3、a4、a5、a6为权重系数，ud为订单量，us为平均分，ut为平台注册时长，dr为驾驶资质值，dy为驾驶年限值，dt为驾驶技能值；

所述根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w的步骤，包括：

从所述车辆信息中获取接单量、平均响应时间、服务时长、平均评分、行驶里程、行驶路况值、车辆故障/维修值、人工辅助等级值；

通过以下公式计算所述车辆权重值w：

w＝b1*wd+b2*wt+b3*wst+b4*ws+b5*wr+b6*wp+b7*wq+b8*wx；

其中，b1、b2、b3、b4、b5、b6、b7、b8为权重系数；wd为接单量、wt为平均响应时间、wst为服务时长、ws为平均评分、wr为行驶里程、wp为行驶路况值、wq为车辆故障/维修值、wx为人工辅助等级值；

所述基于大数据的出租车派单方法还包括：

建立所述打车用户和所述无人驾驶出租车的历史数据仓库；

根据所述无人驾驶出租车所投放的地域的人员特征和地域特征，确定第一预设周期；

从所述历史数据仓库提取最近一个所述第一预设周期内产生的全部相关数据作为第一数据；

根据预设的权重算法，对有关于用车用户与出租车的数据进行并行计算，分别得到用于计算用户权重值u和车辆权重值w的第一权重系数；

利用深度学习模型，从所述历史数据仓库中选取第二数据和第三数据分别进行训练得到用户权重系数调整模型和车辆权重系数调整模型；

将所述第一数据进行前期处理后分别输入所述用户权重系数调整模型和所述车辆权重系数调整模型，得到用于计算用户权重值u和车辆权重值w的第二权重系数；

将所述第二权重系数和所述第一权重系数按预设规则进行融合，分别得到用于计算用户权重值u和车辆权重值w的综合权重系数；

将所述综合权重系数用于本周期派单。

可选地，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，包括：

根据所述行程信息，确定用户行程是否包含需要人工辅助的第一类特殊环境；

从所述打车订单中将包含了所述第一类特殊环境的第一用户行程对应的订单作为第一类特殊订单；

根据所述第一类特殊环境确定对应的第一人工辅助等级；

从所述车辆队列顺序中选择出满足所述第一人工辅助等级的第一无人驾驶出租车；

将所述第一类特殊订单派发至所述第一无人驾驶出租车。

可选地，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，包括：

从所述打车订单中剥离所述第一类特殊订单，得到第一打车订单子集；

从所述第一打车订单子集中选择用户行程满足第一预设行程条件的第二用户行程对应的订单作为第二类特殊订单；

将所述第二类特殊订单派发至所述第一无人驾驶出租车；

所述第一无人驾驶出租车根据所述第一类特殊订单与所述第二类特殊订单规划行驶任务方案。

可选地，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，还包括：

确定所述打车订单对应的用户行程中是否包含数据待验证路段；

若是，则根据所述待验证路段的长度、所述待验证路段与用户行程起点的距离、出发时间，确定调整系数z，其中，z为小于1的正数；

将所述打车订单中包含所述待验证路段的用户行程对应的订单按照u*v*t*z的值进行调整后，得到第一用户队列顺序；

对所述第一用户队列顺序中的每个所述打车订单依次进行派车。

采用本发明的技术方案，基于大数据的出租车派单方法包括：获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息；获取无人驾驶出租车的车辆信息；根据所述用户信息计算所述打车用户的用户权重值u；根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w；根据所述行程信息计算所述打车用户的行程权重值v；将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间；获取所述打车用户与所述无人驾驶出租车的距离d；将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序；按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。通过本实施例的方案，可将打车订单按用户权重值、行程权重值和订单等待时长进行排序，同时将无人驾驶出租车按车辆权重值和与打车订单的用户间的距离进行排序，从而可以实现打车订单在无人驾驶出租车间有序且智能地派发。

附图说明

图1是本发明一个实施例提供的基于大数据的出租车派单系统的示意框图；

图2是本发明一个实施例提供的基于大数据的出租车派单方法流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于大数据的出租车派单系统及方法。

如图1所示，本发明一个实施例提供一种基于大数据的出租车派单系统，包括：云服务器、物联网服务器、物联网终端；

所述云服务器被配置为：

获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息；

获取无人驾驶出租车的车辆信息；

根据所述用户信息计算所述打车用户的用户权重值u；

根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w；

根据所述行程信息计算所述打车用户的行程权重值v；

将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间；

获取所述打车用户与所述无人驾驶出租车的距离d；

将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序；

按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。

在本实施例中，所述云服务器获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息，以及获取无人驾驶出租车的车辆信息；根据所述用户信息计算所述打车用户的用户权重值u，再根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w，并根据所述行程信息计算所述打车用户的行程权重值v；其中，行程权重值v的确定方法如下：检测所述行程信息中是否包括第一类特殊地点(如目的地为医院、药店、学校、当天的考试考点等)，若是，则按预设的第一类紧急权重等级为v赋予大于1的正值；检测所述行程信息是否包括第二类特殊地点(如目的地或必须经过地点为危险地、不可通行地、灾害发生地等)，则根据预设的第二类限行权重等级为v赋予小于1的值，当v赋予负值时，表明此行程禁行，对应的打车订单不可执行；若所述行程信息中无所述第一类特殊地点和所述第二类特殊地点，则为v赋值为1。然后，将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间，并获取所述打车用户与所述无人驾驶出租车的距离d，将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序，最后，按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。通过本实施例的方案，可将打车订单按用户权重值、行程权重值和订单等待时长进行排序，同时将无人驾驶出租车按车辆权重值和与打车订单的用户间的距离进行排序，从而可以实现打车订单在无人驾驶出租车间有序且智能地派发。

应当知道的是，图1所示的基于大数据的出租车派单系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。

在本发明一些可能的实施方式中，为了能更高效且准确地派单，所述根据所述用户信息计算所述打车用户的用户权重值u的步骤中，所述云服务器被配置为：

从所述用户信息中获取订单量、平均分、平台注册时长、驾驶资质值、驾驶年限值、驾驶技能值；

通过以下公式计算所述用户权重值u：

u＝a1*ud+a2*us+a3*ut+a4*dr+a5*dy+a6*dt；

其中，a1、a2、a3、a4、a5、a6为权重系数，ud为订单量，us为平均分，ut为平台注册时长，dr为驾驶资质值，dy为驾驶年限值，dt为驾驶技能值；订单量和平台注册时长表示打车用户的忠诚度，平均分表示打车用户的良好度，驾驶资质值表示打车用户的具有哪种车型驾驶证，驾驶年限值表示打车用户的驾驶年限，驾驶技能值表示打车用户的驾驶车辆的类型、行驶里程等，根据业务需要设置这些因子间的权重系数以实现平衡，通过综合平衡这些因子可以更科学合理地确定用户的权重值。

所述根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w的步骤，包括：

从所述车辆信息中获取接单量、平均响应时间、服务时长、平均评分、行驶里程、行驶路况值、车辆故障/维修值、人工辅助等级值；

通过以下公式计算所述车辆权重值w：

w＝b1*wd+b2*wt+b3*wst+b4*ws+b5*wr+b6*wp+b7*wq+b8*wx；

其中，b1、b2、b3、b4、b5、b6、b7、b8为权重系数；wd为接单量、wt为平均响应时间、wst为服务时长、ws为平均评分、wr为行驶里程、wp为行驶路况值、wq为车辆故障/维修值、wx为人工辅助等级值；接单量和服务时长表示车辆的活跃度，响应时间和平均评分表示服务质量，行驶里程表示车辆的行驶距离，行驶路况值表示车辆所经历的路况的复杂度与困难度，车辆故障/维修值表示车辆发生的故障/维修的次数、程度，人工辅助等级值表示人工对车辆驾驶/控制的可干预程度等，设置合理的权重系数可以合理且高效地评估车辆综合性能。

所述基于大数据的出租车派单方法还包括：

建立所述打车用户和所述无人驾驶出租车的历史数据仓库；所述历史数据仓库存储有打车用户的用户订单、评分、生命周期,车辆接单、响应时间、服务时长、驾驶资质值、驾驶年限值、驾驶技能值等数据和无人驾驶出租车的接单量、平均响应时间、服务时长、平均评分、行驶里程、行驶路况值、车辆故障/维修值、人工辅助等级值等数据。

根据所述无人驾驶出租车所投放的地域的人员特征和地域特征，确定第一预设周期；

从所述历史数据仓库提取最近一个所述第一预设周期内产生的全部相关数据作为第一数据；

根据预设的权重算法，对有关于用车用户与出租车的数据进行并行计算，分别得到用于计算用户权重值u和车辆权重值w的第一权重系数；

利用深度学习模型，从所述历史数据仓库中选取第二数据和第三数据分别进行训练得到用户权重系数调整模型和车辆权重系数调整模型；

将所述第一数据进行前期处理后分别输入所述用户权重系数调整模型和所述车辆权重系数调整模型，得到用于计算用户权重值u和车辆权重值w的第二权重系数；

将所述第二权重系数和所述第一权重系数按预设规则(如按一定的权重进行调整)进行融合，分别得到用于计算用户权重值u和车辆权重值w的综合权重系数；模型结果可以对算法计算结果进行修正和优化。

将所述综合权重系数用于本周期派单并根据最新的用户和车辆数据，定期重新训练模型以提高预测精度。

在本实施例中，还可以构建车辆聚类模型，对无人驾驶出租车进行分类和分组(如按车辆支持的不同的人工辅助等级值进行分类)，不同的车辆分组采用不同的权重算法和模型，使结果更加准确。

在本发明实施例中，运用大数据技术实现历史数据存储和并行计算，结合人工智能的机器学习模型，可以更智能和动态的分别计算用于确定用户权重值u和车辆权重值w的权重系数，进而更新用户权重值u和车辆权重值w。

在本发明一些可能实施方式中，还包括将权重值和业务结合的方案，即运用计算出的这些权重值，结合具体的派单业务场景和规则，实现加权距离最近和智能匹配等算法(权重值的准确性和合理性，将直接影响派单结果的质量)，具体有：

智能匹配算法：可以将用户权重值u和车辆权重值w作为用户和车辆特征的一部分，输入到机器学习的匹配模型中，模型会综合考虑所有特征，进行智能匹配和排序，选择匹配度最高的车辆进行派单。

加权距离最近：在按照地理距离选择车辆的基础上，对距离不同的车辆设置不同的权重，权重设置可以参考车辆的权重值w，w值更高的车辆，其距离的权重也应相应提高；然后计算各车辆的加权距离，选择加权距离最近的车辆派单。

二次排序：首先根据地理位置选择一定数量的车辆作为候选(如5辆)，然后在候选车辆中，根据车辆权重值w的大小进行重新排序，选择w值最大的车辆派单；这种方法能兼顾距离和车辆综合质量。

组合算法：采用多个算法的结果，如智能匹配算法匹配度、加权距离和二次排序的结果，根据业务需要设置不同比重进行加权组合，最后汇总得到综合排名结果，选择排名靠前的车辆派单；这个方案可以最大限度发挥每个算法的优点，弥补不足，实现更加全面考量。

可以理解的是，权重值的准确计算是运用在具体派单业务中的关键，它可以体现在智能匹配、加权距离、二次排序和组合算法等各种方案中，通过设置权重值作为相对重要的判断因素和依据，来达到综合平衡派单的目的。

在本发明一些可能的实施方式中，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

根据所述行程信息，确定用户行程是否包含需要人工辅助的第一类特殊环境；

从所述打车订单中将包含了所述第一类特殊环境的第一用户行程对应的订单作为第一类特殊订单；

根据所述第一类特殊环境确定对应的第一人工辅助等级；

从所述车辆队列顺序中选择出满足所述第一人工辅助等级的第一无人驾驶出租车；

将所述第一类特殊订单派发至所述第一无人驾驶出租车。

可以理解的是，在实际行驶途中，可能存在无人驾驶系统无法解决或无法确定的问题，而无法进行自动驾驶操作，在这种情况下，就需要人工辅助干预，但是因各个无人驾驶出租车间可能存在差异，每一辆无人驾驶出租车是否支持人工辅助、支持何种类型的人工辅助存在不确定性，因此当出现需要面临特殊的、需要人工辅助的特殊环境时，需要选定支持对应人工辅助功能/类型的无人驾驶出租车，因此，在本实施例中，根据所述行程信息，确定用户行程是否包含需要人工辅助的第一类特殊环境；若存在，则从所述打车订单中将包含了所述第一类特殊环境的第一用户行程对应的订单作为第一类特殊订单；根据所述第一类特殊环境确定对应的第一人工辅助等级，即无人驾驶出租车在碰到第一类特殊环境时需要人工辅助干预的等级；从所述车辆队列顺序中选择出满足所述第一人工辅助等级的第一无人驾驶出租车；将所述第一类特殊订单派发至所述第一无人驾驶出租车。

在本发明一些可能的实施方式中，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

从所述打车订单中剥离所述第一类特殊订单，得到第一打车订单子集；

从所述第一打车订单子集中选择用户行程满足第一预设行程条件的第二用户行程对应的订单作为第二类特殊订单；

将所述第二类特殊订单派发至所述第一无人驾驶出租车；

所述第一无人驾驶出租车根据所述第一类特殊订单与所述第二类特殊订单规划行驶任务方案。

可以理解的是，为了最大程度的合理利用资源，从所述打车订单中剥离所述第一类特殊订单，得到第一打车订单子集；从所述第一打车订单子集中选择用户行程满足第一预设行程条件的第二用户行程(如第一预设行程条件可以为：所述第二用户行程对应的第一路线与所述第一用户行程对应的第二路线存在重叠路线且所述第一类特殊环境对应的路段在所述重叠路线内，即顺路)对应的订单作为第二类特殊订单；将所述第二类特殊订单派发至所述第一无人驾驶出租车；所述第一无人驾驶出租车根据所述第一类特殊订单与所述第二类特殊订单规划行驶任务方案，即将顺路且能利用多个乘客中每个人的驾驶技能在其下车前利用人工辅助功能处理与之驾驶技能对应的一段特殊路段的人工辅助驾驶操作的打车订单组合在一起；比如假设有A、B、C三个人，根据三个人的打车订单可以确认A的行程中有一段特殊环境对应的路段b、B的行程中有一段特殊环境对应的路段c、C的行程中有一段特殊环境对应的路段a(三者的特殊环境各不相同)；A具备执行应付路段a的人工辅助驾驶操作的技能、B具备执行应付路段b的人工辅助驾驶操作的技能、C具备执行应付c的人工辅助驾驶操作的技能，且A、B、C三个人行程顺路，且路段a包含在A的行程内、路段b包含在B的行程内、路段c包含在C的行程内，那么就可以将A、B、C三人打车订单组合在一起。

本实施例中，当行程中存在需要人工辅助的特殊环境且出现合适的辅助驾驶人时，调整打车订单序列，将具备不同路段/环境的驾驶经验的乘客进行组合(进行乘客拼单时，还可以综合考虑打车费用、能耗等因素)，到达对应特殊路段时移交控制权至具备对应驾驶经验或技能的人最大程度地利用了车辆资源并为用户提供便利。

在本发明一些可能的实施方式中，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

确定所述打车订单对应的用户行程中是否包含数据待验证路段；

若是，则根据所述待验证路段的长度、所述待验证路段与用户行程起点的距离、出发时间，确定调整系数z，其中，z为小于1的正数；

将所述打车订单中包含所述待验证路段的用户行程对应的订单按照u*v*t*z的值进行调整后，得到第一用户队列顺序；

对所述第一用户队列顺序中的每个所述打车订单依次进行派车。

可以理解的是，实际中道路/环境的变化较快，而无人驾驶系统的数据更新可能存在延迟，为了避免因这种情况导致无人驾驶出租车行驶至数据未更新的路段而无法正常工作时给用户带来不好的体验，在本实施例中，首先确定所述打车订单对应的用户行程中是否包含数据待验证路段(如根据路段历史数据无法估计当前路段的状态，比如修路进度等)；若是，则根据所述待验证路段的长度、所述待验证路段与用户行程起点的距离、出发时间，确定调整系数z，其中，z为小于1的正数；将所述打车订单中包含所述待验证路段的用户行程对应的订单按照u*v*t*z的值进行调整后，得到第一用户队列顺序；对所述第一用户队列顺序中的每个所述打车订单依次进行派车。

请参见图2，本发明的另一实施例提供一种基于大数据的出租车派单方法，应用于一种基于大数据的出租车派单系统，所述基于大数据的出租车派单系统包括云服务器、物联网服务器、物联网终端，所述基于大数据的出租车派单方法包括：

所述云服务器获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息；

所述云服务器获取无人驾驶出租车的车辆信息；

所述云服务器根据所述用户信息计算所述打车用户的用户权重值u；

所述云服务器根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w；

所述云服务器根据所述行程信息计算所述打车用户的行程权重值v；

所述云服务器将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间；

所述云服务器获取所述打车用户与所述无人驾驶出租车的距离d；

所述云服务器将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序；

所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。

在本实施例中，所述云服务器获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息，以及获取无人驾驶出租车的车辆信息；根据所述用户信息计算所述打车用户的用户权重值u，再根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w，并根据所述行程信息计算所述打车用户的行程权重值v；其中，行程权重值v的确定方法如下：检测所述行程信息中是否包括第一类特殊地点(如目的地为医院、药店、学校、当天的考试考点等)，若是，则按预设的第一类紧急权重等级为v赋予大于1的正值；检测所述行程信息是否包括第二类特殊地点(如目的地或必须经过地点为危险地、不可通行地、灾害发生地等)，则根据预设的第二类限行权重等级为v赋予小于1的值，当v赋予负值时，表明此行程禁行，对应的打车订单不可执行；若所述行程信息中无所述第一类特殊地点和所述第二类特殊地点，则为v赋值为1。然后，将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间，并获取所述打车用户与所述无人驾驶出租车的距离d，将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序，最后，按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。通过本实施例的方案，可将打车订单按用户权重值、行程权重值和订单等待时长进行排序，同时将无人驾驶出租车按车辆权重值和与打车订单的用户间的距离进行排序，从而可以实现打车订单在无人驾驶出租车间有序且智能地派发。

在本发明一些可能的实施方式中，为了能更高效且准确地派单，所述云服务器根据所述用户信息计算所述打车用户的用户权重值u的步骤，包括：

从所述用户信息中获取订单量、平均分、平台注册时长、驾驶资质值、驾驶年限值、驾驶技能值；

通过以下公式计算所述用户权重值u：

u＝a1*ud+a2*us+a3*ut+a4*dr+a5*dy+a6*dt；

其中，a1、a2、a3、a4、a5、a6为权重系数，ud为订单量，us为平均分，ut为平台注册时长，dr为驾驶资质值，dy为驾驶年限值，dt为驾驶技能值；订单量和平台注册时长表示打车用户的忠诚度，平均分表示打车用户的良好度，驾驶资质值表示打车用户具有哪种车型驾驶证，驾驶年限值表示打车用户的驾驶年限，驾驶技能值表示打车用户的驾驶车辆的类型、行驶里程等，根据业务需要设置这些因子间的权重系数以实现平衡，通过综合平衡这些因子可以更科学合理地确定用户的权重值。

所述根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w的步骤，包括：

从所述车辆信息中获取接单量、平均响应时间、服务时长、平均评分、行驶里程、行驶路况值、车辆故障/维修值、人工辅助等级值；

通过以下公式计算所述车辆权重值w：

w＝b1*wd+b2*wt+b3*wst+b4*ws+b5*wr+b6*wp+b7*wq+b8*wx；

其中，b1、b2、b3、b4、b5、b6、b7、b8为权重系数；wd为接单量、wt为平均响应时间、wst为服务时长、ws为平均评分、wr为行驶里程、wp为行驶路况值、wq为车辆故障/维修值、wx为人工辅助等级值；接单量和服务时长表示车辆的活跃度，响应时间和平均评分表示服务质量，行驶里程表示车辆的行驶距离，行驶路况值表示车辆所经历的路况的复杂度与困难度，车辆故障/维修值表示车辆发生的故障/维修的次数、程度，人工辅助等级值表示人工对车辆驾驶/控制的可干预程度等，设置合理的权重系数可以合理且高效地评估车辆综合性能。

所述基于大数据的出租车派单方法还包括：

建立所述打车用户和所述无人驾驶出租车的历史数据仓库；所述历史数据仓库存储有打车用户的用户订单、评分、生命周期,车辆接单、响应时间、服务时长、驾驶资质值、驾驶年限值、驾驶技能值等数据和无人驾驶出租车的接单量、平均响应时间、服务时长、平均评分、行驶里程、行驶路况值、车辆故障/维修值、人工辅助等级值等数据。

根据所述无人驾驶出租车所投放的地域的人员特征和地域特征，确定第一预设周期；

从所述历史数据仓库提取最近一个所述第一预设周期内产生的全部相关数据作为第一数据；

根据预设的权重算法，对有关于用车用户与出租车的数据进行并行计算，分别得到用于计算用户权重值u和车辆权重值w的第一权重系数；

利用深度学习模型，从所述历史数据仓库中选取第二数据和第三数据分别进行训练得到用户权重系数调整模型和车辆权重系数调整模型；

将所述第一数据进行前期处理后分别输入所述用户权重系数调整模型和所述车辆权重系数调整模型，得到用于计算用户权重值u和车辆权重值w的第二权重系数；

将所述第二权重系数和所述第一权重系数按预设规则(如按一定的权重进行调整)进行融合，分别得到用于计算用户权重值u和车辆权重值w的综合权重系数；模型结果可以对算法计算结果进行修正和优化。

将所述综合权重系数用于本周期派单并根据最新的用户和车辆数据，定期重新训练模型以提高预测精度。

在本实施例中，还可以构建车辆聚类模型，对无人驾驶出租车进行分类和分组(如按车辆支持的不同的人工辅助等级值进行分类)，不同的车辆分组采用不同的权重算法和模型，使结果更加准确。

在本发明实施例中，运用大数据技术实现历史数据存储和并行计算，结合人工智能的机器学习模型，可以更智能和动态的分别计算用于确定用户权重值u和车辆权重值w的权重系数，进而更新用户权重值u和车辆权重值w。

在本发明一些可能实施方式中，还包括将权重值和业务结合的方案，即运用计算出的这些权重值，结合具体的派单业务场景和规则，实现加权距离最近和智能匹配等算法(权重值的准确性和合理性，将直接影响派单结果的质量)，具体有：

智能匹配算法：可以将用户权重值u和车辆权重值w作为用户和车辆特征的一部分，输入到机器学习的匹配模型中，模型会综合考虑所有特征，进行智能匹配和排序，选择匹配度最高的车辆进行派单。

加权距离最近：在按照地理距离选择车辆的基础上，对距离不同的车辆设置不同的权重，权重设置可以参考车辆的权重值w，w值更高的车辆，其距离的权重也应相应提高；然后计算各车辆的加权距离，选择加权距离最近的车辆派单。

二次排序：首先根据地理位置选择一定数量的车辆作为候选(如5辆)，然后在候选车辆中，根据车辆权重值w的大小进行重新排序，选择w值最大的车辆派单；这种方法能兼顾距离和车辆综合质量。

组合算法：采用多个算法的结果，如智能匹配算法匹配度、加权距离和二次排序的结果，根据业务需要设置不同比重进行加权组合，最后汇总得到综合排名结果，选择排名靠前的车辆派单；这个方案可以最大限度发挥每个算法的优点，弥补不足，实现更加全面考量。

可以理解的是，权重值的准确计算是运用在具体派单业务中的关键，它可以体现在智能匹配、加权距离、二次排序和组合算法等各种方案中，通过设置权重值作为相对重要的判断因素和依据，来达到综合平衡派单的目的。

在本发明一些可能的实施方式中，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，包括：

根据所述行程信息，确定用户行程是否包含需要人工辅助的第一类特殊环境；

从所述打车订单中将包含了所述第一类特殊环境的第一用户行程对应的订单作为第一类特殊订单；

根据所述第一类特殊环境确定对应的第一人工辅助等级；

从所述车辆队列顺序中选择出满足所述第一人工辅助等级的第一无人驾驶出租车；

将所述第一类特殊订单派发至所述第一无人驾驶出租车。

可以理解的是，在实际行驶途中，可能存在无人驾驶系统无法解决或无法确定的问题，而无法进行自动驾驶操作，在这种情况下，就需要人工辅助干预，但是因各个无人驾驶出租车间可能存在差异，每一辆无人驾驶出租车是否支持人工辅助、支持何种类型的人工辅助存在不确定性，因此当出现需要面临特殊的、需要人工辅助的特殊环境时，需要选定支持对应人工辅助功能/类型的无人驾驶出租车，因此，在本实施例中，根据所述行程信息，确定用户行程是否包含需要人工辅助的第一类特殊环境；若存在，则从所述打车订单中将包含了所述第一类特殊环境的第一用户行程对应的订单作为第一类特殊订单；根据所述第一类特殊环境确定对应的第一人工辅助等级，即无人驾驶出租车在碰到第一类特殊环境时需要人工辅助干预的等级；从所述车辆队列顺序中选择出满足所述第一人工辅助等级的第一无人驾驶出租车；将所述第一类特殊订单派发至所述第一无人驾驶出租车。

在本发明一些可能的实施方式中，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，包括：

从所述打车订单中剥离所述第一类特殊订单，得到第一打车订单子集；

从所述第一打车订单子集中选择用户行程满足第一预设行程条件的第二用户行程对应的订单作为第二类特殊订单；

将所述第二类特殊订单派发至所述第一无人驾驶出租车；

所述第一无人驾驶出租车根据所述第一类特殊订单与所述第二类特殊订单规划行驶任务方案。

可以理解的是，为了最大程度的合理利用资源，从所述打车订单中剥离所述第一类特殊订单，得到第一打车订单子集；从所述第一打车订单子集中选择用户行程满足第一预设行程条件的第二用户行程(如第一预设行程条件可以为：所述第二用户行程对应的第一路线与所述第一用户行程对应的第二路线存在重叠路线且所述第一类特殊环境对应的路段在所述重叠路线内，即顺路)对应的订单作为第二类特殊订单；将所述第二类特殊订单派发至所述第一无人驾驶出租车；所述第一无人驾驶出租车根据所述第一类特殊订单与所述第二类特殊订单规划行驶任务方案，即将顺路且能利用多个乘客中每个人的驾驶技能在其下车前利用人工辅助功能处理与之驾驶技能对应的一段特殊路段的人工辅助驾驶操作的打车订单组合在一起；比如假设有A、B、C三个人，根据三个人的打车订单可以确认A的行程中有一段特殊环境对应的路段b、B的行程中有一段特殊环境对应的路段c、C的行程中有一段特殊环境对应的路段a(三者的特殊环境各不相同)；A具备执行应付路段a的人工辅助驾驶操作的技能、B具备执行应付路段b的人工辅助驾驶操作的技能、C具备执行应付c的人工辅助驾驶操作的技能，且A、B、C三个人行程顺路，且路段a包含在A的行程内、路段b包含在B的行程内、路段c包含在C的行程内，那么就可以将A、B、C三人打车订单组合在一起。

本实施例中，当行程中存在需要人工辅助的特殊环境且出现合适的辅助驾驶人时，调整打车订单序列，将具备不同路段/环境的驾驶经验的乘客进行组合(进行乘客拼单时，还可以综合考虑打车费用、能耗等因素)，到达对应特殊路段时移交控制权至具备对应驾驶经验或技能的人最大程度地利用了车辆资源并为用户提供便利。

在本发明一些可能的实施方式中，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，还包括：

确定所述打车订单对应的用户行程中是否包含数据待验证路段；

若是，则根据所述待验证路段的长度、所述待验证路段与用户行程起点的距离、出发时间，确定调整系数z，其中，z为小于1的正数；

将所述打车订单中包含所述待验证路段的用户行程对应的订单按照u*v*t*z的值进行调整后，得到第一用户队列顺序；

对所述第一用户队列顺序中的每个所述打车订单依次进行派车。

可以理解的是，实际中道路/环境的变化较快，而无人驾驶系统的数据更新可能存在延迟，为了避免因这种情况导致无人驾驶出租车行驶至数据未更新的路段而无法正常工作时给用户带来不好的体验，在本实施例中，首先确定所述打车订单对应的用户行程中是否包含数据待验证路段(如根据路段历史数据无法估计当前路段的状态，比如修路进度等)；若是，则根据所述待验证路段的长度、所述待验证路段与用户行程起点的距离、出发时间，确定调整系数z，其中，z为小于1的正数；将所述打车订单中包含所述待验证路段的用户行程对应的订单按照u*v*t*z的值进行调整后，得到第一用户队列顺序；对所述第一用户队列顺序中的每个所述打车订单依次进行派车。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。

Claims (10)

1.一种基于大数据的出租车派单系统，其特征在于，包括：云服务器、物联网服务器、物联网终端；

所述云服务器被配置为：

获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息；

获取无人驾驶出租车的车辆信息；

根据所述用户信息计算所述打车用户的用户权重值u；

根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w；

根据所述行程信息计算所述打车用户的行程权重值v；

将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间；

获取所述打车用户与所述无人驾驶出租车的距离d；

将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序；

按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。

2.根据权利要求1所述的基于大数据的出租车派单系统，其特征在于，所述根据所述用户信息计算所述打车用户的用户权重值u的步骤中，所述云服务器被配置为：

从所述用户信息中获取订单量、平均分、平台注册时长、驾驶资质值、驾驶年限值、驾驶技能值；

通过以下公式计算所述用户权重值u：

u＝a1*ud+a2*us+a3*ut+a4*dr+a5*dy+a6*dt；

其中，a1、a2、a3、a4、a5、a6为权重系数，ud为订单量，us为平均分，ut为平台注册时长，dr为驾驶资质值，dy为驾驶年限值，dt为驾驶技能值；

所述根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w的步骤，包括：

从所述车辆信息中获取接单量、平均响应时间、服务时长、平均评分、行驶里程、行驶路况值、车辆故障/维修值、人工辅助等级值；

通过以下公式计算所述车辆权重值w：

w＝b1*wd+b2*wt+b3*wst+b4*ws+b5*wr+b6*wp+b7*wq+b8*wx；

其中，b1、b2、b3、b4、b5、b6、b7、b8为权重系数；wd为接单量、wt为平均响应时间、wst为服务时长、ws为平均评分、wr为行驶里程、wp为行驶路况值、wq为车辆故障/维修值、wx为人工辅助等级值；

所述基于大数据的出租车派单方法还包括：

建立所述打车用户和所述无人驾驶出租车的历史数据仓库；

根据所述无人驾驶出租车所投放的地域的人员特征和地域特征，确定第一预设周期；

从所述历史数据仓库提取最近一个所述第一预设周期内产生的全部相关数据作为第一数据；

根据预设的权重算法，对有关于用车用户与出租车的数据进行并行计算，分别得到用于计算用户权重值u和车辆权重值w的第一权重系数；

利用深度学习模型，从所述历史数据仓库中选取第二数据和第三数据分别进行训练得到用户权重系数调整模型和车辆权重系数调整模型；

将所述第一数据进行前期处理后分别输入所述用户权重系数调整模型和所述车辆权重系数调整模型，得到用于计算用户权重值u和车辆权重值w的第二权重系数；

将所述第二权重系数和所述第一权重系数按预设规则进行融合，分别得到用于计算用户权重值u和车辆权重值w的综合权重系数；

将所述综合权重系数用于本周期派单。

3.根据权利要求2所述的基于大数据的出租车派单系统，其特征在于，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

根据所述行程信息，确定用户行程是否包含需要人工辅助的第一类特殊环境；

从所述打车订单中将包含了所述第一类特殊环境的第一用户行程对应的订单作为第一类特殊订单；

根据所述第一类特殊环境确定对应的第一人工辅助等级；

从所述车辆队列顺序中选择出满足所述第一人工辅助等级的第一无人驾驶出租车；

将所述第一类特殊订单派发至所述第一无人驾驶出租车。

4.根据权利要求3所述的基于大数据的出租车派单系统，其特征在于，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

从所述打车订单中剥离所述第一类特殊订单，得到第一打车订单子集；

从所述第一打车订单子集中选择用户行程满足第一预设行程条件的第二用户行程对应的订单作为第二类特殊订单；

将所述第二类特殊订单派发至所述第一无人驾驶出租车；

所述第一无人驾驶出租车根据所述第一类特殊订单与所述第二类特殊订单规划行驶任务方案。

5.根据权利要求4所述的基于大数据的出租车派单系统，其特征在于，所述按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，所述云服务器被配置为：

确定所述打车订单对应的用户行程中是否包含数据待验证路段；

若是，则根据所述待验证路段的长度、所述待验证路段与用户行程起点的距离、出发时间，确定调整系数z，其中，z为小于1的正数；

将所述打车订单中包含所述待验证路段的用户行程对应的订单按照u*v*t*z的值进行调整后，得到第一用户队列顺序；

对所述第一用户队列顺序中的每个所述打车订单依次进行派车。

6.一种基于大数据的出租车派单方法，其特征在于，应用于一种基于大数据的出租车派单系统，所述基于大数据的出租车派单系统包括云服务器、物联网服务器、物联网终端，所述基于大数据的出租车派单方法包括：

所述云服务器获取打车订单的订单数据，并从所述订单数据中获取打车用户的用户信息和行程信息；

所述云服务器获取无人驾驶出租车的车辆信息；

所述云服务器根据所述用户信息计算所述打车用户的用户权重值u；

所述云服务器根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w；

所述云服务器根据所述行程信息计算所述打车用户的行程权重值v；

所述云服务器将所有所述打车订单按照u*v*t的值进行倒序排序得到用户队列顺序，其中，t为用户订单等待时间；

所述云服务器获取所述打车用户与所述无人驾驶出租车的距离d；

所述云服务器将所有所述无人驾驶出租车按w/d的值进行倒序排序得到车辆队列顺序；

所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车。

7.根据权利要求6所述的基于大数据的出租车派单方法，其特征在于，所述云服务器根据所述用户信息计算所述打车用户的用户权重值u的步骤，包括：

从所述用户信息中获取订单量、平均分、平台注册时长、驾驶资质值、驾驶年限值、驾驶技能值；

通过以下公式计算所述用户权重值u：

u＝a1*ud+a2*us+a3*ut+a4*dr+a5*dy+a6*dt；

其中，a1、a2、a3、a4、a5、a6为权重系数，ud为订单量，us为平均分，ut为平台注册时长，dr为驾驶资质值，dy为驾驶年限值，dt为驾驶技能值；

所述根据所述车辆信息计算所述无人驾驶出租车的车辆权重值w的步骤，包括：

从所述车辆信息中获取接单量、平均响应时间、服务时长、平均评分、行驶里程、行驶路况值、车辆故障/维修值、人工辅助等级值；

通过以下公式计算所述车辆权重值w：

w＝b1*wd+b2*wt+b3*wst+b4*ws+b5*wr+b6*wp+b7*wq+b8*wx；

其中，b1、b2、b3、b4、b5、b6、b7、b8为权重系数；wd为接单量、wt为平均响应时间、wst为服务时长、ws为平均评分、wr为行驶里程、wp为行驶路况值、wq为车辆故障/维修值、wx为人工辅助等级值；

所述基于大数据的出租车派单方法还包括：

建立所述打车用户和所述无人驾驶出租车的历史数据仓库；

根据所述无人驾驶出租车所投放的地域的人员特征和地域特征，确定第一预设周期；

从所述历史数据仓库提取最近一个所述第一预设周期内产生的全部相关数据作为第一数据；

根据预设的权重算法，对有关于用车用户与出租车的数据进行并行计算，分别得到用于计算用户权重值u和车辆权重值w的第一权重系数；

利用深度学习模型，从所述历史数据仓库中选取第二数据和第三数据分别进行训练得到用户权重系数调整模型和车辆权重系数调整模型；

将所述第一数据进行前期处理后分别输入所述用户权重系数调整模型和所述车辆权重系数调整模型，得到用于计算用户权重值u和车辆权重值w的第二权重系数；

将所述第二权重系数和所述第一权重系数按预设规则进行融合，分别得到用于计算用户权重值u和车辆权重值w的综合权重系数；

将所述综合权重系数用于本周期派单。

8.根据权利要求7所述的基于大数据的出租车派单方法，其特征在于，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，包括：

根据所述行程信息，确定用户行程是否包含需要人工辅助的第一类特殊环境；

从所述打车订单中将包含了所述第一类特殊环境的第一用户行程对应的订单作为第一类特殊订单；

根据所述第一类特殊环境确定对应的第一人工辅助等级；

从所述车辆队列顺序中选择出满足所述第一人工辅助等级的第一无人驾驶出租车；

将所述第一类特殊订单派发至所述第一无人驾驶出租车。

9.根据权利要求8所述的基于大数据的出租车派单方法，其特征在于，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，包括：

从所述打车订单中剥离所述第一类特殊订单，得到第一打车订单子集；

从所述第一打车订单子集中选择用户行程满足第一预设行程条件的第二用户行程对应的订单作为第二类特殊订单；

将所述第二类特殊订单派发至所述第一无人驾驶出租车；

所述第一无人驾驶出租车根据所述第一类特殊订单与所述第二类特殊订单规划行驶任务方案。

10.根据权利要求9所述的基于大数据的出租车派单方法，其特征在于，所述云服务器按照所述车辆队列顺序，对所述用户队列顺序中的每个所述打车订单依次进行派车的步骤，还包括：

确定所述打车订单对应的用户行程中是否包含数据待验证路段；

若是，则根据所述待验证路段的长度、所述待验证路段与用户行程起点的距离、出发时间，确定调整系数z，其中，z为小于1的正数；

将所述打车订单中包含所述待验证路段的用户行程对应的订单按照u*v*t*z的值进行调整后，得到第一用户队列顺序；

对所述第一用户队列顺序中的每个所述打车订单依次进行派车。