CN116934056B - 车辆调度方法、装置、计算机设备和存储介质 - Google Patents
车辆调度方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116934056B CN116934056B CN202311185061.5A CN202311185061A CN116934056B CN 116934056 B CN116934056 B CN 116934056B CN 202311185061 A CN202311185061 A CN 202311185061A CN 116934056 B CN116934056 B CN 116934056B
- Authority
- CN
- China
- Prior art keywords
- station
- dispatching
- area
- areas
- clustering
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 99
- 239000011159 matrix material Substances 0.000 claims description 134
- 239000013598 vector Substances 0.000 claims description 72
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 26
- 238000003064 k means clustering Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013468 resource allocation 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
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 1
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance 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
- 230000035515 penetration Effects 0.000 description 1
- 230000000284 resting effect Effects 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车辆调度方法、装置、计算机设备和存储介质。该方法包括:获取目标区域的全量的历史订单信息;根据历史订单信息构建车站流通图;车站流通图用于反映目标区域内各调度车站的车辆流转情况;基于车站流通图,对各调度车站进行聚类处理,并基于聚类处理的聚类结果确定目标区域包含的多个服务区域;根据历史订单信息、每个服务区域对应的实时车辆数量,确定多个服务区域中的调入区域、调入区域对应的调出区域和调度数量;根据调度数量,从调出区域向调入区域进行车辆调度。采用本方法能够提高各服务区域中车辆供给的稳定性。
Description
技术领域
本申请涉及车辆调度技术领域,特别是涉及一种车辆调度方法、装置、计算机设备和存储介质。
背景技术
随着共享单车技术的发展,共享单车已成为城市中的一项重要出行交通工具,共享单车车辆调度通过智能算法和数据分析,合理安排共享单车的分布和调配,以提高车辆利用率和满足用户需求。
传统方法中,在某一区域内,针对每个车站进行车辆调度。基于该车站与其他附近车站间的车辆需求关系,进行小范围车站间的车辆调度,例如,当某车站车辆过多时,可以将一部分车辆调度至车辆需求较高的车站,以达到当前小范围内各车站间的车辆均衡。
然而,传统方法基于车站进行车辆调度,由于车辆的日常流转过程中可能出现聚集的情况,导致区域内各车站的车辆数量出现失衡,会影响到该区域内车辆调度方法的准确率,进而导致共享单车的供给稳定性较差。
发明内容
基于此,有必要针对上述技术问题,提供一种车辆调度方法、装置、计算机设备和计算机可读存储介质。
第一方面,本申请提供了一种车辆调度方法,包括:
获取目标区域的全量的历史订单信息;
根据所述历史订单信息构建车站流通图;所述车站流通图用于反映所述目标区域内各调度车站的车辆流转情况;
基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域;
根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量;
根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度。
在其中一个实施例中,所述历史订单信息包括车辆编号、车辆起始位置和车辆结束位置,所述根据所述历史订单信息构建车站流通图,包括:
根据所述历史订单信息中每一所述车辆编号对应所述车辆起始位置、所述车辆结束位置和调度车站的位置,确定每一所述调度车站对应的流入车辆数量和流出车辆数量;
基于所述调度车站、所述调度车站对应的所述流入车辆数量和所述流出车辆数量构建车站流通图。
在其中一个实施例中,所述基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域,包括:
基于所述车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵;
根据所述拉普拉斯矩阵计算每个所述调度车站的特征值,并根据所述特征值计算特征向量,得到每个所述调度车站的特征向量;
根据预设聚类算法与每个所述调度车站的特征向量,对所述调度车站进行聚类,基于聚类结果确定所述目标区域包含的多个服务区域。
在其中一个实施例中,所述基于所述车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵,包括:
基于所述车站流通图中的入边属性和出边属性构建邻接权重矩阵,并基于入边属性构建入度矩阵;
根据所述邻接权重矩阵和所述入度矩阵构建拉普拉斯矩阵。
在其中一个实施例中,所述根据所述拉普拉斯矩阵计算每个所述调度车站的特征值,并根据所述特征值计算特征向量,得到每个所述调度车站的特征向量,包括:
根据预设特征值计算方法,对所述拉普拉斯矩阵进行迭代分解,直至分解后的拉普拉斯矩阵收敛,得到上三角矩阵;
根据所述上三角矩阵,得到每个所述调度车站的特征值;
根据所述特征值计算初始特征向量,并对所述初始特征向量进行正交化,得到每个所述调度车站的特征向量。
在其中一个实施例中,所述根据预设聚类算法与每个所述调度车站的特征向量,对所述调度车站进行聚类,基于聚类结果确定所述目标区域包含的多个服务区域,包括:
对所述特征值进行排名,并基于排名结果在所述调度车站中确定目标调度车站;
根据所述目标调度车站对应的特征向量得到特征矩阵,并根据预设聚类算法对所述目标调度车站进行聚类,得到所述目标区域包含的多个服务区域。
在其中一个实施例中,所述预设聚类算法为K均值聚类算法,所述根据预设聚类算法与每个所述调度车站的特征向量,对所述调度车站进行聚类,基于聚类结果确定所述目标区域包含的多个服务区域,包括:
根据所述K均值聚类算法对所述调度车站进行聚类,得到多个聚类簇;
根据多个所述聚类簇与城市路网信息确定服务区域的边界,得到多个服务区域。
在其中一个实施例中,所述历史订单信息包括城市日均订单数量,所述根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量,包括:
根据所述历史订单信息确定每个所述服务区域对应的历史日均订单数量;
根据所述每个所述服务区域对应的历史日均订单数量在所述城市日均订单数量的占比,确定每个所述服务区域对应的最佳车辆数量;
将满足调度条件的所述服务区域确定为调入区域,并计算每一所述调入区域的调度优先级和调度数量;
按照所述调度优先级对每个所述调入区域进行遍历,针对每一所述调入区域,将所述实时车辆数量大于所述最佳车辆数量的所述调入区域的相邻服务区域确定为调出区域。
在其中一个实施例中,所述服务区域包含主调度站,所述根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度,包括:
根据所述调度数量,从所述调出区域的主调度站向所述调入区域的主调度站进行车辆调度。
第二方面,本申请还提供了一种车辆调度装置,包括:
获取模块,用于获取目标区域的全量的历史订单信息;
构建模块,用于根据所述历史订单信息构建车站流通图;所述车站流通图用于反映所述目标区域内各调度车站的车辆流转情况;
聚类模块,用于基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域;
确定模块,用于根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量;
调度模块,用于根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度。
在其中一个实施例中,所述构建模块具体用于:
根据所述历史订单信息中每一所述车辆编号对应所述车辆起始位置、所述车辆结束位置和调度车站的位置,确定每一所述调度车站对应的流入车辆数量和流出车辆数量;
基于所述调度车站、所述调度车站对应的所述流入车辆数量和所述流出车辆数量构建车站流通图。
在其中一个实施例中,所述聚类模块具体用于:
基于所述车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵;
根据所述拉普拉斯矩阵计算每个所述调度车站的特征值,并根据所述特征值计算特征向量,得到每个所述调度车站的特征向量;
根据预设聚类算法与每个所述调度车站的特征向量,对所述调度车站进行聚类,基于聚类结果确定所述目标区域包含的多个服务区域。
在其中一个实施例中,所述聚类模块具体用于:
基于所述车站流通图中的入边属性和出边属性构建邻接权重矩阵,并基于入边属性构建入度矩阵;
根据所述邻接权重矩阵和所述入度矩阵构建拉普拉斯矩阵。
在其中一个实施例中,所述聚类模块具体用于:
根据预设特征值计算方法,对所述拉普拉斯矩阵进行迭代分解,直至分解后的拉普拉斯矩阵收敛,得到上三角矩阵;
根据所述上三角矩阵,得到每个所述调度车站的特征值;
根据所述特征值计算初始特征向量,并对所述初始特征向量进行正交化,得到每个所述调度车站的特征向量。
在其中一个实施例中,所述聚类模块具体用于:
对所述特征值进行排名,并基于排名结果在所述调度车站中确定目标调度车站;
根据所述目标调度车站对应的特征向量得到特征矩阵,并根据预设聚类算法对所述目标调度车站进行聚类,得到所述目标区域包含的多个服务区域。
在其中一个实施例中,所述聚类模块具体用于:
根据所述K均值聚类算法对所述调度车站进行聚类,得到多个聚类簇;
根据多个所述聚类簇与城市路网信息确定服务区域的边界,得到多个服务区域。
在其中一个实施例中,所述确定模块具体用于:
根据所述历史订单信息确定每个所述服务区域对应的历史日均订单数量;
根据所述每个所述服务区域对应的历史日均订单数量在所述城市日均订单数量的占比,确定每个所述服务区域对应的最佳车辆数量;
将满足调度条件的所述服务区域确定为调入区域,并计算每一所述调入区域的调度优先级和调度数量;
按照所述调度优先级对每个所述调入区域进行遍历,针对每一所述调入区域,将所述实时车辆数量大于所述最佳车辆数量的所述调入区域的相邻服务区域确定为调出区域。
在其中一个实施例中,所述调度模块具体用于:
根据所述调度数量,从所述调出区域的主调度站向所述调入区域的主调度站进行车辆调度。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标区域的全量的历史订单信息;
根据所述历史订单信息构建车站流通图;所述车站流通图用于反映所述目标区域内各调度车站的车辆流转情况;
基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域;
根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量;
根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度。
第四方面,本申请还提供了一种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以下步骤:
获取目标区域的全量的历史订单信息;
根据所述历史订单信息构建车站流通图;所述车站流通图用于反映所述目标区域内各调度车站的车辆流转情况;
基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域;
根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量;
根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度。
第五方面,本申请还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以下步骤:
获取目标区域的全量的历史订单信息;
根据所述历史订单信息构建车站流通图;所述车站流通图用于反映所述目标区域内各调度车站的车辆流转情况;
基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域;
根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量;
根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度。
上述车辆调度方法、装置、计算机设备和存储介质,通过历史订单信息构建车站流通图,能够直观反映各调度车站的流量分布情况,根据车站流通图对调度车站进行聚类,确定出服务区域,其中,服务区域是基于各调度车站的流量分布情况确定的,使得该服务区域中的调度车站具有更加相似的流量分布特征,并且通过历史订单信息、每个服务区域的实时车辆数量和各调度车站的流量分布情况,在服务区域中筛选出调入区域和调出区域,进而将调出区域的富裕车辆调度至调入区域,实现对城市内各服务区域的车辆流转,使得各服务区域的供需平衡,可以提高各服务区域中车辆供给的稳定性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为一个实施例中车辆调度方法的流程示意图;
图2为一个实施例中构建车站流通图的方法的流程示意图;
图3为一个实施例中对调度车站进行聚类的方法的流程示意图;
图4为一个实施例中构建拉普拉斯矩阵的方法的流程示意图;
图5为一个实施例中计算特征向量的方法的流程示意图;
图6为另一个实施例中对调度车站进行聚类的方法的流程示意图;
图7为一个实施例中确定服务区域的方法的流程示意图;
图8为一个实施例中确定调入区域、调出区域和调度数量的方法的流程示意图;
图9为一个实施例中车辆调度装置的结构框图;
图10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。
在一个实施例中,如图1所示,提供了一种车辆调度方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法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。本实施例中,该方法包括以下步骤:
步骤102,获取目标区域的全量的历史订单信息。
本申请实施例中,目标区域为需要进行共享单车车辆调度的目标城市,终端可以通过共享单车服务平台,获取目标城市在历史六个月内产生的全量的历史订单信息,该历史订单信息可以包括共享单车的车辆编号,每个车辆产生的订单中的订单发起位置的经纬度和订单结束位置,能够表征车辆在该订单中的起始位置和结束位置。
可选的,终端在获取目标区域的全量的历史订单信息后,可以将历史订单信息中包含的无效骑行记录进行数据清洗,例如,将骑行时间过短的订单信息,或订单发起位置和订单结束位置相同的订单信息作为无效骑行记录,并将其消除,使用数据清洗后的历史订单信息进行后续计算和处理。
可选的,目标区域的全量的历史订单信息可以分类为工作日的全量的历史订单信息和休息日的全量的历史订单信息。
步骤104,根据历史订单信息构建车站流通图。
其中,车站流通图用于反映目标区域内各调度车站的车辆流转情况。
本申请实施例中,调度车站可以为共享单车服务中,对共享单车进行投放的位置,用户可以在调度车站中进行共享单车服务。
终端可以根据历史订单信息中包含的订单数据映射为构建图的参数,并构建车站流通图。具体的,终端在历史订单信息中能够反映各调度车站间车辆流转情况的订单数据中,提取各调度车站间的车辆流转关系,并将车站作为图的节点,将车辆流转关系作为图中各节点的关系,即,作为图中各节点的边,从而,实现对表征调度车站车辆流转情况的车站流通图的构建。
可选的,终端可以根据工作日和休息日分别对应的历史订单信息,分别构建工作日对应的车站流通图和休息日对应的车站流通图。进而,对工作日和休息日分别对应的车站流通图进行聚类,得到工作日和休息日分别对应的目标区域包含的多个服务区域和调度数量,最终在对工作日进行车辆调度时,使用工作日对应的服务区域和调度数量进行车辆调度,在对休息日进行车辆调度时,使用休息日对应的服务区域和调度数量进行车辆调度。
步骤106,基于车站流通图,对各调度车站进行聚类处理,并基于聚类处理的聚类结果确定目标区域包含的多个服务区域。
本申请实施例中,终端对车站流通图进行数据处理,将车站流通图转化为邻接矩阵或图数据结构的形式,并提取出表征车站间车辆流转关系的特征,例如,车站流入和流出车辆的数量等参数。然后,终端可以根据预设聚类算法对车站流通图的特征进行聚类处理,根据特征的相似性将调度车站归类为不同的聚类簇,该聚类簇即为聚类结果。其中,预设聚类算法可以为K-Means聚类算法(K均值聚类算法),例如,终端根据目标区域的规模,即城市的规模,确定K-Means聚类算法的聚类数量,并迭代求取聚类簇和聚类中心,具体的,计算每个节点与每个初始聚类中心的距离,并将其分配至距离最近的聚类中心所在的聚类簇中,针对每个聚类簇,计算每个聚类簇中包含的所有节点的平均值,并将该平均值作为新的聚类中心,直至聚类中心不再发生改变或满足预设的迭代次数。
在得到聚类簇后,终端可以根据每个聚类簇中包含的调度车站的范围确定每个服务区域的范围,例如,终端可以先确定聚类簇的边界的调度车站,将该边界的调度车站的车站范围的对应的最外围边界确定为服务区域的边界,进而根据聚类结果得到目标区域包含的多个服务区域。
可选的,终端还可以根据工作日的车站流通图和休息日的车站流通图分别进行聚类处理,得到工作日对应的聚类结果和休息日对应的聚类结果,并分别基于工作日的聚类结果确定目标区域在工作日下包含的服务区域和目标区域在休日下包含的服务区域。
步骤108,根据历史订单信息、每个服务区域对应的实时车辆数量,确定多个服务区域中的调入区域、调入区域对应的调出区域和调度数量。
本申请实施例中,终端根据历史订单信息和每个服务区域对应的实时车辆数量计算每个服务区域的需求量和供给量差异,并根据每个服务区域的需求量和供给量差异确定需求量较大而实时车辆数量不足的服务区域,作为调入区域,以及确定在调入区域相邻的需求量较小而实时车辆数量较多的服务区域,作为调出区域,同时,根据需求和供给量差异确定出需要调度数量。
可选的,终端还可以基于上述原理计算工作日对应的调入区域、调入区域对应的调出区域和调度数量,以及休息日对应的调入区域、调入区域对应的调出区域和调度数量。
步骤110,根据调度数量,从调出区域向调入区域进行车辆调度。
本申请实施例中,终端根据确定出的每个调出区域向其对应的调入区域进行车辆调度的调度数量,作为调度策略指示大型载具将调出区域的共享单车向调入区域进行车辆调度。
可选的,调度数量还可以分为休息日对应的调度数量和工作日的调度数量,终端根据进行车辆调度的日期类型,确定车辆调度所使用的调度数量。
上述车辆调度方法中,通过历史订单信息构建车站流通图,能够直观反映各调度车站的流量分布情况,根据车站流通图对调度车站进行聚类,确定出服务区域,其中,服务区域是基于各调度车站的流量分布情况确定的,使得该服务区域中的调度车站具有更加相似的流量分布特征,并通过历史订单信息和每个服务区域的实时车辆数量和各调度车站的流量分布情况,在服务区域中筛选出调入区域和调出区域,进而将调出区域的富裕车辆调度至调入区域,实现对城市内各服务区域的车辆流转,使得各服务区域的供需平衡,可以提高各服务区域中车辆供给的稳定性。
在其中一个实施例中,历史订单信息包括车辆编号、车辆起始位置和车辆结束位置,基于历史订单信息中包含的车辆编号、车辆起始位置和车辆结束位,可以构建表征调度车站的车辆流转情况的图,以图的形式参与后续的分析和计算,如图2所示,步骤104根据历史订单信息构建车站流通图,包括:
步骤202,根据历史订单信息中每一车辆编号对应车辆起始位置、车辆结束位置和调度车站的位置,确定每一调度车站对应的流入车辆数量和流出车辆数量。
本申请实施例中,终端在历史订单信息中提取每一车辆编号对应的车辆起始位置、车辆结束位置,并根据调度车站的位置统计每个调度车站对应的流入车辆数量和流出车辆数量。
步骤204,基于调度车站、调度车站对应的流入车辆数量和流出车辆数量构建车站流通图。
本申请实施例中,终端基于每两个调度车站间的流入车辆数量和流出车辆数量,以及对应的调度车站的编号,基于构件图的原理构建车站流通图,其中,图包含多个节点和每个节点间的关联关系,因此,终端可以将调度车站的编号作为图的节点,将每两个调度车站间的车辆流转关系作为对应节点的关系作为图的边,例如,基于历史订单信息进行统计得到的数据格式可以为(station a,station b,N),station a表征起始车站,可以为订单发起的车站编号,并作为图的a节点,station b表征结束车站,可以为订单结束的车站编号,作为图的b节点,N表征station a向station b流入的车辆数量,将N作为图中节点a与节点b间的边的值,并将station a与station b的流通方向作为节点a与节点中b之间的边的方向,然后,终端按照相同的原理,根据每两个具有车辆流转关系的调度车站构建有向图,作为车站流通图。
本实施例中,通过对历史订单信息进行提取,得到构建图的基本因素对应的数据,可以构建车站流通图,通过车站流通图可以清晰展示不同调度车站之间的车辆流转关系,为后续车辆调度提供参考,基于车站流通图实现数据驱动的决策,可以提高车辆调度的策略的准确性。
在其中一个实施例中,如图3所示,步骤106基于车站流通图,对各调度车站进行聚类处理,并基于聚类处理的聚类结果确定目标区域包含的多个服务区域,包括:
步骤302,基于车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵。
本申请实施例中,车站流通图中每个节点的关系中包括入度边和出度边,入度边的值作为入边属性,表征流出当前节点的车辆数量,出度边的值作为出边属性,表征流出当前节点的车辆数量。终端基于车站流通图中入边属性和出边属性的具体数值,并根据拉普拉斯矩阵的原理,可以构建拉普拉斯矩阵。
步骤304,根据拉普拉斯矩阵计算每个调度车站的特征值,并根据特征值计算特征向量,得到每个调度车站的特征向量。
本申请实施例中,终端根据拉普拉斯矩阵计算每个调度车站的特征值,然后利用该特征值计算特征向量,可以得到每个调度车站的特征向量。其中,特征值和特征向量是拉普拉斯矩阵的元素性质,用于描述图的拓扑结构和特征。
特征值是一个标量,表示了特征向量所对应的线性变换的放缩因子。在本实施例中,特征值可以衡量调度车站在车站流通图中的重要性或特殊性。特征向量是由特征值所对应的线性变换计算得到的,特征向量可以表征调度车站在车站流通图中的特征模式或振动。
步骤306,根据预设聚类算法与每个调度车站的特征向量,对调度车站进行聚类,基于聚类结果确定目标区域包含的多个服务区域。
本申请实施例中,终端根据预设的聚类算法和每个调度车站的特征向量,可以对调度车站进行聚类,将相似的调度车站分为同一组,得到多个具有相似特征的车站集合,形成多个聚类簇并作为聚类结果。终端可以通过每个聚类簇中包含的调度车站,以及调度车站的范围,确定服务区域的范围,进而得到目标区域中包含的多个服务区域。
本实施例中,通过计算每个调度车站的特征值和特征向量,可以确定车站流通图中每个调度车站的重要性、特征模式和振动情况的信息,以确定调度车站之间的相似性,根据特征向量对调度车站进行聚类,得到聚类结果,并根据聚类结果确定服务区域,可以根据服务区域的特征进行精细化的资源分配,提高车辆调度的有效性和准确度,同时,基于服务区域进行车辆调度还可以实现对城市内不同服务区域的车辆流转,使得各服务区域共享单车的供需平衡,提高车辆供给的稳定性。
在其中一个实施例中,如图4所示,步骤302基于车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵,包括:
步骤402,基于车站流通图中的入边属性和出边属性构建邻接权重矩阵,并基于入边属性构建入度矩阵。
本申请实施例中,终端根据车站流通图里的表征不同车站间的车辆流转情况的入度边和出度边,构建邻接权重矩阵。例如,邻接权重矩阵W中的元素W[i][j]表示从车站j流向车站i的车辆数,其中,由于车站通常不会与自己有直接的流量连接,邻接权重矩阵W对角线上的元素通常被设置为0,W[i][j]和W[j][i]可能是不同的,因为车站流通图中节点i指向节点j的边的值与节点j指向节点i的边的值可能不相同,即调度车站i与调度车站j的车辆流入流出的车辆数量不对称。
终端根据车站流通图里的表征不同车站间的车辆流入情况的入度边,构建入度矩阵。例如,入度矩阵D为一个对角矩阵,其对角线元素D[i][i]表示流入调度车站i的车辆数量。通过入度矩阵在构建拉普拉斯矩阵时,将每个调度车站的流入车辆数量和流出车辆数量相关联。
步骤404,根据邻接权重矩阵和入度矩阵构建拉普拉斯矩阵。
本申请实施例中,终端通过临界权重矩阵和入度矩阵可以构建表征车站流通图的图结构的矩阵,包含车站流通图的结构性质,构建拉普拉斯矩阵L的公式如下所示:
L=D-W (4-1)
其中,D为入度矩阵,W为邻接权重矩阵。
在通过拉普拉斯矩阵对各调度车站的车辆流转情况进行描述时,拉普拉斯矩阵L对角线上的元素L[i][i]表示调度车站i的流转车辆的数量总和,即调度车站i的流出车辆数量与流入车辆数量之间的差,能够表征调度车站i自身的流量保持度或流量不平衡情况。拉普拉斯矩阵L非对角线上的元素L[i][j]表示调度车站i与调度车站j之间的车辆流转关系,即调度车站i流入调度车站j的车辆数量与调度车站j流入调度车站i的车辆数量之间的差,能够表征每两个具有车辆流转关系的调度车站间的流量交换情况。
本实施例中,根据车站流通图构建拉普拉斯矩阵可以揭示车站流通图的结构,并为后续对车辆调度的决策计算提供基础,提高对服务区域的划分的效率。
在其中一个实施例中,如图5所示,步骤304根据拉普拉斯矩阵计算每个调度车站的特征值,并根据特征值计算特征向量,得到每个调度车站的特征向量,包括:
步骤502,根据预设特征值计算方法,对拉普拉斯矩阵进行迭代分解,直至分解后的拉普拉斯矩阵收敛,得到上三角矩阵。
本申请实施例中,预设特征值计算方法可以为QR algorithm(一种基于递归方法计算矩阵特征值和特征向量的算法),针对拉普拉斯矩阵L,终端首先对其进行分解,通过Householder变换和Givens旋转,将其分解为两个矩阵的乘积,表示方式如下公式(5-1)所示:
L=Q×R (5-1)
其中,Q为正交矩阵,R为初始上三角矩阵。
然后,通过正交矩阵Q和上三角矩阵R计算新的拉普拉斯矩阵L’,并重复执行对拉普拉斯矩阵进行分解并根据正交矩阵Q和上三角矩阵R计算新的拉普拉斯矩阵的步骤,实现对该拉普拉斯矩阵进行迭代分解,重复执行对拉普拉斯矩阵的分解和生成新的拉普拉斯矩阵的步骤,直至分解后的拉普拉斯矩阵收敛,即得到上三角矩阵。其中,分解后的拉普拉斯矩阵的对角线元素为特征值,收敛条件为两个相邻迭代之间拉普拉斯矩阵的特征值之差的绝对值小于预设阈值。
步骤504,根据上三角矩阵,得到每个调度车站的特征值。
本申请实施例中,在分解后的拉普拉斯矩阵收敛后,该拉普拉斯矩阵为上三角矩阵,终端通过该上三角矩阵的对角线元素得到特征值,即为每个调度车站的特征值。
步骤506,根据特征值计算初始特征向量,并对初始特征向量进行正交化,得到每个调度车站的特征向量。
本申请实施例中,终端针对上三角矩阵包含的每个特征值,计算每个调度车站的特征向量,具体的,计算方法如下公式(5-2)所示:
(L-λI)v=0 (5-2)
其中,L为拉普拉斯矩阵,λ为特征值,v为特征向量,I为单位矩阵。
在得到特征向量后,对每个特征向量进行正交化处理,得到正交归一化的特征向量。
本实施例中,基于拉普拉斯矩阵计算每个调度车站的特征值和特征向量,可以得到表征调度车站间车辆流转特征的特征向量,并对特征向量进行正交化处理,可以避免特征向量的线性相关性导致的数值不稳定性,提高特征向量的准确度,进而提高基于特征向量进行服务区域划分的准确度。
在其中一个实施例中,如图6所示,步骤306根据预设聚类算法与每个调度车站的特征向量,对调度车站进行聚类,基于聚类结果确定目标区域包含的多个服务区域,包括:
步骤602,对特征值进行排名,并基于排名结果在调度车站中确定目标调度车站。
本申请实施例中,终端可以先对目标区域,即城市中的调度车站进行初步筛选,基于特征值对调度车站进行排名,得到排名结果,并在排名结果中选取topK个特征值对应的调度车站作为目标调度车站。其中,K的值可以根据城市中共享单车服务的规模进行选择。
步骤604,根据目标调度车站对应的特征向量得到特征矩阵,并根据预设聚类算法对目标调度车站进行聚类,得到目标区域包含的多个服务区域。
本申请实施例中,终端根据目标调度车站对应的特征向量构成特征矩阵,并根据预设聚类算法对特征矩阵中的目标调度车站进行聚类处理,并根据聚类结果确定目标区域包含的服务区域,其聚类处理的过程与步骤106中描述的聚类过程相同,为避免重复,本申请实施例不再对聚类过程进行赘述。
本实施例中,通过特征值对调度车站进行筛选,可以将对目标区域中共享单车服务贡献度较高的调度车站进行筛选,作为目标调度车站,并根据目标调度车站进行聚类处理,得到目标区域的服务区域,可以提高目标调度车站的利用率,提高车辆调度的准确度和和服务区域车辆供给的稳定性。
在其中一个实施例中,预设聚类算法为K均值聚类算法,如图7所示,步骤306根据预设聚类算法与每个调度车站的特征向量,对调度车站进行聚类,基于聚类结果确定目标区域包含的多个服务区域,包括:
步骤702,根据K均值聚类算法对调度车站进行聚类,得到多个聚类簇。
本申请实施例中,终端根据目标区域的规模或目标区域中共享单车服务的规模,确定K均值聚类算法的聚类数量,以及根据各调度车站的特征向量构建特征矩阵,基于特征矩阵对目标区域中的调度车站进行聚类处理,得到聚类数量的聚类簇,即得到多个服务区域,每个聚类簇中包含的调度车站即为聚类簇对应的服务区域包含的调度车站。
可选的,在确定出目标区域的多个服务区域后,终端还可以将每个服务区域的聚类中心对应的调度车站作为每个服务区域中包含的主调度站。
可选的,本申请实施例也可以在步骤602的基础上实施,终端可以根据K均值聚类算法对基于排名结果在调度车站中确定的目标调度车站进行聚类,在目标调度车站中得到多个聚类簇。
步骤704,根据多个聚类簇与城市路网信息确定服务区域的边界,得到多个服务区域。
本申请实施例中,针对每个聚类簇中包含的调度车站,终端可以根据城市网路信息进行临近连接分析,通过网路信息中道路网络的拓扑结构、调度车站间的距离和道路连接性等指标,每个聚类簇的边界,即得到每个服务区域的边界,并根据确定的每个服务区域的边界,将每个聚类簇划分为一个独立的服务区域。例如,终端根据道路的交叉口以及交通枢纽等位置,作为每个聚类簇的边界顶点,根据相邻调度车站间的道路或道路网络确定为边界线。可选的,终端在确定服务区域的边界时,可以在边界顶点上设置权重或阈值,得到聚类簇内部连接性较强、聚类簇之间连接性较弱的边界线。
本实施例中,根据K均值聚类算法对调度车站进行积累处理,可以将调度车站划分为具有相似特征的聚类簇,使得服务区域的划分更加准确,并结合城市网路信息确定服务区域的边界,可以提高对服务区域进行划分的准确性,进而提高目标区域的各服务区域中车辆供给的稳定性。
在其中一个实施例中,历史订单信息包括城市日均订单数量,如图8所示,步骤108根据历史订单信息、每个服务区域对应的实时车辆数量,确定多个服务区域中的调入区域、调入区域对应的调出区域和调度数量,包括:
步骤802,根据历史订单信息确定每个服务区域对应的历史日均订单数量。
本申请实施例中,历史订单信息可以为目标区域历史六个月内的全量的历史订单信息,终端通过历史订单信息中每个订单发起时的位置,确定历史六个月内每个目标区域内的历史订单信息,根据每个目标区域六个月内的历史订单信息中历史订单的数量,确定每个目标区域的历史日均订单数量。
步骤804,根据每个服务区域对应的历史日均订单数量在城市日均订单数量的占比,确定每个服务区域对应的最佳车辆数量。
本申请实施例中,终端根据历史订单信息中六个月内每个服务区域的历史订单数量,确定出每个服务区域的历史日均订单数量,以及根据六个月内目标区域(城市)的订单数量,得到目标区域的日均订单数量,并确定每个服务区域的历史日均订单数量在城市日均订单数量的占比。然后,终端根据目标区域当前存在的全量车辆数量和每个服务区域的历史日均订单数量在城市日均订单数量的占比,确定出每个服务区域的最佳车辆数量。
步骤806,将满足调度条件的服务区域确定为调入区域,并计算每一调入区域的调度优先级和调度数量。
本申请实施例中,调度条件如下公式(8-1)所示:
(N(b)-Nc(b))/N(b)>20% (8-1)
其中,N(b)为服务区域的最佳车辆数量,Nc(b)为服务区域当前的实时车辆数量,20%为预设占比阈值,根据需求也可以为其他数值。
终端将满足公式(8-1)的调度条件的服务区域确定为调入区域,根据调入区域的最佳车辆数量与当前的实时车辆数量的差作为调度数量,并基于各服务区域与其相邻的相邻服务区域之间的关系计算每个调入区域的调度优先级,调度优先级方法如下公式所示:
(8-2)
其中,I(b)为调入区域b的相邻服务区域,Nc(i)为相邻服务区域i当前的实时车辆数量,B为调入区域集合,相邻服务区域i不属于调入区域集合B。
步骤808,按照调度优先级对每个调入区域进行遍历,针对每一调入区域,将实时车辆数量大于最佳车辆数量的调入区域的相邻服务区域确定为调出区域。
本申请实施例中,终端在确定调度策略时,按照每个调入区域的调度优先级依次遍历每个调入区域,对于每个调入区域相邻的相邻服务区域,获取该区域当前时刻的实时车辆数量,并与该区域的最佳车辆数量进行比较,若实时车辆数量大于最佳车辆数量,则将该相邻服务区域确定为调出区域。
可选的,相邻服务区域可以根据预先定义的邻接关系或者网络图结构来确定,确保与调入区域有良好的连接性。
本实施例中,通过确定调入区域并按照调度优先级对调入区域进行遍历,可以优先关注车辆需求量较大的调入区域,提高车辆调度的有效性,并确定出调入区域相邻的调出区域,可以提高车辆调度的效率,并提高各服务区域间车辆供给的稳定性。
在其中一个实施例中,服务区域包含主调度站,步骤110根据调度数量,从调出区域向调入区域进行车辆调度,包括:
根据调度数量,从调出区域的主调度站向调入区域的主调度站进行车辆调度。
其中,主调度站为聚类簇的聚类中心对应的调度车站。
本申请实施例中,终端以调出区域的主调度站和调入区域的主调度站为中心生成对应的调度计划,例如,生成调度路线规划、调度时间和调度资源分配等,并将调度数量与调度计划相结合,得到调度策略,根据调度策略指示大型载具将调出区域的共享单车向调入区域进行车辆调度。
本实施例中,通过以调出区域的主调度站和调入区域的主调度站为中心进行车辆调度,可以实现调度的集中化,降低车辆调度的复杂度,提高车辆调度的效率,将调出区域的主调度站向调入区域的主调度站进行车辆调度,还可以提高各服务区域间车辆供给的稳定性。
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方法的车辆调度装置。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装置实施例中的具体限定可以参见上文中对于车辆调度方法的限定,在此不再赘述。
在一个示例性的实施例中,如图9所示,提供了一种车辆调度装置900,包括:获取模块901、构建模块902、聚类模块903、确定模块904和调度模块905,其中:
获取模块901,用于获取目标区域的全量的历史订单信息;
构建模块902,用于根据历史订单信息构建车站流通图;车站流通图用于反映目标区域内各调度车站的车辆流转情况;
聚类模块903,用于基于车站流通图,对各调度车站进行聚类处理,并基于聚类处理的聚类结果确定目标区域包含的多个服务区域;
确定模块904,用于根据历史订单信息、每个服务区域对应的实时车辆数量,确定多个服务区域中的调入区域、调入区域对应的调出区域和调度数量;
调度模块905,用于根据调度数量,从调出区域向调入区域进行车辆调度。
在其中一个实施例中,构建模块902具体用于:
根据历史订单信息中每一车辆编号对应车辆起始位置、车辆结束位置和调度车站的位置,确定每一调度车站对应的流入车辆数量和流出车辆数量;
基于调度车站、调度车站对应的流入车辆数量和流出车辆数量构建车站流通图。
在其中一个实施例中,聚类模块903具体用于:
基于车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵;
根据拉普拉斯矩阵计算每个调度车站的特征值,并根据特征值计算特征向量,得到每个调度车站的特征向量;
根据预设聚类算法与每个调度车站的特征向量,对调度车站进行聚类,基于聚类结果确定目标区域包含的多个服务区域。
在其中一个实施例中,聚类模块903具体用于:
基于车站流通图中的入边属性和出边属性构建邻接权重矩阵,并基于入边属性构建入度矩阵;
根据邻接权重矩阵和入度矩阵构建拉普拉斯矩阵。
在其中一个实施例中,聚类模块903具体用于:
根据预设特征值计算方法,对拉普拉斯矩阵进行迭代分解,直至分解后的拉普拉斯矩阵收敛,得到上三角矩阵;
根据上三角矩阵,得到每个调度车站的特征值;
根据特征值计算初始特征向量,并对初始特征向量进行正交化,得到每个调度车站的特征向量。
在其中一个实施例中,聚类模块903具体用于:
对特征值进行排名,并基于排名结果在调度车站中确定目标调度车站;
根据目标调度车站对应的特征向量得到特征矩阵,并根据预设聚类算法对目标调度车站进行聚类,得到目标区域包含的多个服务区域。
在其中一个实施例中,聚类模块903具体用于:
根据K均值聚类算法对调度车站进行聚类,得到多个聚类簇;
根据多个聚类簇与城市路网信息确定服务区域的边界,得到多个服务区域。
在其中一个实施例中,确定模块904具体用于:
根据历史订单信息确定每个服务区域对应的历史日均订单数量;
根据每个服务区域对应的历史日均订单数量在城市日均订单数量的占比,确定每个服务区域对应的最佳车辆数量;
将满足调度条件的服务区域确定为调入区域,并计算每一调入区域的调度优先级和调度数量;
按照调度优先级对每个调入区域进行遍历,针对每一调入区域,将实时车辆数量大于最佳车辆数量的调入区域的相邻服务区域确定为调出区域。
在其中一个实施例中,调度模块905具体用于:
根据调度数量,从调出区域的主调度站向调入区域的主调度站进行车辆调度。
上述车辆调度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。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储历史订单信息、车站流通图。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆调度方法。
本领域技术人员可以理解,图10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。
在一个示例性的实施例中,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以下步骤:
获取目标区域的全量的历史订单信息;
根据历史订单信息构建车站流通图;车站流通图用于反映目标区域内各调度车站的车辆流转情况;
基于车站流通图,对各调度车站进行聚类处理,并基于聚类处理的聚类结果确定目标区域包含的多个服务区域;
根据历史订单信息、每个服务区域对应的实时车辆数量,确定多个服务区域中的调入区域、调入区域对应的调出区域和调度数量;
根据调度数量,从调出区域向调入区域进行车辆调度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据历史订单信息中每一车辆编号对应车辆起始位置、车辆结束位置和调度车站的位置,确定每一调度车站对应的流入车辆数量和流出车辆数量;
基于调度车站、调度车站对应的流入车辆数量和流出车辆数量构建车站流通图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵;
根据拉普拉斯矩阵计算每个调度车站的特征值,并根据特征值计算特征向量,得到每个调度车站的特征向量;
根据预设聚类算法与每个调度车站的特征向量,对调度车站进行聚类,基于聚类结果确定目标区域包含的多个服务区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于车站流通图中的入边属性和出边属性构建邻接权重矩阵,并基于入边属性构建入度矩阵;
根据邻接权重矩阵和入度矩阵构建拉普拉斯矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设特征值计算方法,对拉普拉斯矩阵进行迭代分解,直至分解后的拉普拉斯矩阵收敛,得到上三角矩阵;
根据上三角矩阵,得到每个调度车站的特征值;
根据特征值计算初始特征向量,并对初始特征向量进行正交化,得到每个调度车站的特征向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对特征值进行排名,并基于排名结果在调度车站中确定目标调度车站;
根据目标调度车站对应的特征向量得到特征矩阵,并根据预设聚类算法对目标调度车站进行聚类,得到目标区域包含的多个服务区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据K均值聚类算法对调度车站进行聚类,得到多个聚类簇;
根据多个聚类簇与城市路网信息确定服务区域的边界,得到多个服务区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据历史订单信息确定每个服务区域对应的历史日均订单数量;
根据每个服务区域对应的历史日均订单数量在城市日均订单数量的占比,确定每个服务区域对应的最佳车辆数量;
将满足调度条件的服务区域确定为调入区域,并计算每一调入区域的调度优先级和调度数量;
按照调度优先级对每个调入区域进行遍历,针对每一调入区域,将实时车辆数量大于最佳车辆数量的调入区域的相邻服务区域确定为调出区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据调度数量,从调出区域的主调度站向调入区域的主调度站进行车辆调度。
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,且相关数据的收集、使用和处理需要符合相关规定。
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 (12)
1.一种车辆调度方法,其特征在于,所述方法包括:
获取目标区域的全量的历史订单信息;
根据所述历史订单信息构建车站流通图;所述车站流通图用于反映所述目标区域内各调度车站的车辆流转情况;
基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域;
根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量;
根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度;
所述根据所述历史订单信息构建车站流通图,包括:
将所述历史订单信息中的订单数据映射为构建图的参数,并根据所述构建图的参数构建车站流通图;
所述根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量,包括:
根据所述历史订单信息,计算每个所述服务区域的需求量;
根据所述需求量和每个所述服务区域对应的实时车辆数量,确定多个所述服务区域中的调入区域、所述调入区域对应所述调出区域和所述调度数量。
2.根据权利要求1所述的方法,其特征在于,所述历史订单信息包括车辆编号、车辆起始位置和车辆结束位置,所述根据所述历史订单信息构建车站流通图,包括:
根据所述历史订单信息中每一所述车辆编号对应所述车辆起始位置、所述车辆结束位置和调度车站的位置,确定每一所述调度车站对应的流入车辆数量和流出车辆数量;
基于所述调度车站、所述调度车站对应的所述流入车辆数量和所述流出车辆数量构建车站流通图。
3.根据权利要求1所述的方法,其特征在于,所述基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域,包括:
基于所述车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵;
根据所述拉普拉斯矩阵计算每个所述调度车站的特征值,并根据所述特征值计算特征向量,得到每个所述调度车站的特征向量;
根据预设聚类算法与每个所述调度车站的特征向量,对所述调度车站进行聚类,基于聚类结果确定所述目标区域包含的多个服务区域。
4.根据权利要求3所述的方法,其特征在于,所述基于所述车站流通图中的入边属性和出边属性,构建拉普拉斯矩阵,包括:
基于所述车站流通图中的入边属性和出边属性构建邻接权重矩阵,并基于入边属性构建入度矩阵;
根据所述邻接权重矩阵和所述入度矩阵构建拉普拉斯矩阵。
5.根据权利要求3所述的方法,其特征在于,所述根据所述拉普拉斯矩阵计算每个所述调度车站的特征值,并根据所述特征值计算特征向量,得到每个所述调度车站的特征向量,包括:
根据预设特征值计算方法,对所述拉普拉斯矩阵进行迭代分解,直至分解后的拉普拉斯矩阵收敛,得到上三角矩阵;
根据所述上三角矩阵,得到每个所述调度车站的特征值;
根据所述特征值计算初始特征向量,并对所述初始特征向量进行正交化,得到每个所述调度车站的特征向量。
6.根据权利要求3所述的方法,其特征在于,所述根据预设聚类算法与每个所述调度车站的特征向量,对所述调度车站进行聚类,基于聚类结果确定所述目标区域包含的多个服务区域,包括:
对所述特征值进行排名,并基于排名结果在所述调度车站中确定目标调度车站;
根据所述目标调度车站对应的特征向量得到特征矩阵,并根据预设聚类算法对所述目标调度车站进行聚类,得到所述目标区域包含的多个服务区域。
7.根据权利要求3所述的方法,其特征在于,所述预设聚类算法为K均值聚类算法,所述根据预设聚类算法与每个所述调度车站的特征向量,对所述调度车站进行聚类,基于聚类结果确定所述目标区域包含的多个服务区域,包括:
根据所述K均值聚类算法对所述调度车站进行聚类,得到多个聚类簇;
根据多个所述聚类簇与城市路网信息确定服务区域的边界,得到多个服务区域。
8.根据权利要求1所述的方法,其特征在于,所述历史订单信息包括城市日均订单数量;
所述根据所述历史订单信息,计算每个所述服务区域的需求量,包括:
根据所述历史订单信息确定每个所述服务区域对应的历史日均订单数量;
根据所述每个所述服务区域对应的历史日均订单数量在所述城市日均订单数量的占比,确定每个所述服务区域对应的最佳车辆数量,作为每个所述服务区域的需求量;
所述根据所述需求量和每个所述服务区域对应的实时车辆数量,确定多个所述服务区域中的调入区域、所述调入区域对应所述调出区域和所述调度数量,包括:
将满足调度条件的所述服务区域确定为调入区域,并计算每一所述调入区域的调度优先级和调度数量;
按照所述调度优先级对每个所述调入区域进行遍历,针对每一所述调入区域,将所述实时车辆数量大于所述最佳车辆数量的所述调入区域的相邻服务区域确定为调出区域。
9.根据权利要求1所述的方法,其特征在于,所述服务区域包含主调度站,所述根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度,包括:
根据所述调度数量,从所述调出区域的主调度站向所述调入区域的主调度站进行车辆调度。
10.一种车辆调度装置,其特征在于,所述装置包括:
获取模块,用于获取目标区域的全量的历史订单信息;
构建模块,用于根据所述历史订单信息构建车站流通图;所述车站流通图用于反映所述目标区域内各调度车站的车辆流转情况;
聚类模块,用于基于所述车站流通图,对各所述调度车站进行聚类处理,并基于聚类处理的聚类结果确定所述目标区域包含的多个服务区域;
确定模块,用于根据所述历史订单信息、每个所述服务区域对应的实时车辆数量,确定所述多个服务区域中的调入区域、所述调入区域对应的调出区域和调度数量;
调度模块,用于根据所述调度数量,从所述调出区域向所述调入区域进行车辆调度;
所述构建模块,具体用于将所述历史订单信息中的订单数据映射为构建图的参数,并根据所述构建图的参数构建车站流通图;
所述确定模块,具体用于根据所述历史订单信息,计算每个所述服务区域的需求量;根据所述需求量和每个所述服务区域对应的实时车辆数量,确定多个所述服务区域中的调入区域、所述调入区域对应所述调出区域和所述调度数量。
11.一种计算机设备,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9中任一项所述的方法的步骤。
12.一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9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311185061.5A CN116934056B (zh) | 2023-09-14 | 2023-09-14 | 车辆调度方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311185061.5A CN116934056B (zh) | 2023-09-14 | 2023-09-14 | 车辆调度方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934056A CN116934056A (zh) | 2023-10-24 |
CN116934056B true CN116934056B (zh) | 2024-03-15 |
Family
ID=88384676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311185061.5A Active CN116934056B (zh) | 2023-09-14 | 2023-09-14 | 车辆调度方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934056B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252307B (zh) * | 2023-11-14 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 流量预测方法、装置、计算机设备和存储介质 |
CN117787669A (zh) * | 2024-02-26 | 2024-03-29 | 北京阿帕科蓝科技有限公司 | 车辆管理方法、装置、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047279A (zh) * | 2019-04-04 | 2019-07-23 | 东南大学 | 一种基于订单数据确定共享单车调度量的方法 |
CN110188970A (zh) * | 2018-02-23 | 2019-08-30 | 丰田自动车株式会社 | 共享车辆管理装置以及共享车辆管理方法 |
CN110796496A (zh) * | 2019-10-31 | 2020-02-14 | 上海钧正网络科技有限公司 | 激励区域的设置方法、装置、计算机设备和存储介质 |
CN111324453A (zh) * | 2020-01-23 | 2020-06-23 | 天津大学 | 用于区块链平台资源调度的方法 |
CN112766591A (zh) * | 2021-01-27 | 2021-05-07 | 同济大学 | 共享单车调度方法 |
CN114254856A (zh) * | 2021-11-08 | 2022-03-29 | 武汉小安科技有限公司 | 基于蜂巢图实现的共享单车运维调度方法及系统 |
CN115392548A (zh) * | 2022-08-05 | 2022-11-25 | 上海钧正网络科技有限公司 | 一种针对出行站点的出行需求预测方法、装置及存储介质 |
CN116029510A (zh) * | 2022-12-30 | 2023-04-28 | 海科(平潭)信息技术有限公司 | 车辆调度方法、装置、设备及存储介质 |
CN116258288A (zh) * | 2021-12-08 | 2023-06-13 | 东风汽车集团股份有限公司 | 一种车辆调度方法、装置、服务器和存储介质 |
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 |
CN116362527A (zh) * | 2023-06-02 | 2023-06-30 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285936A1 (en) * | 2019-03-05 | 2020-09-10 | STATGRAF Research LLP. | Cognitive system |
US20230275912A1 (en) * | 2022-02-25 | 2023-08-31 | Microsoft Technology Licensing, Llc | Graph-based analysis of security incidents |
-
2023
- 2023-09-14 CN CN202311185061.5A patent/CN116934056B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188970A (zh) * | 2018-02-23 | 2019-08-30 | 丰田自动车株式会社 | 共享车辆管理装置以及共享车辆管理方法 |
CN110047279A (zh) * | 2019-04-04 | 2019-07-23 | 东南大学 | 一种基于订单数据确定共享单车调度量的方法 |
CN110796496A (zh) * | 2019-10-31 | 2020-02-14 | 上海钧正网络科技有限公司 | 激励区域的设置方法、装置、计算机设备和存储介质 |
CN111324453A (zh) * | 2020-01-23 | 2020-06-23 | 天津大学 | 用于区块链平台资源调度的方法 |
CN112766591A (zh) * | 2021-01-27 | 2021-05-07 | 同济大学 | 共享单车调度方法 |
CN114254856A (zh) * | 2021-11-08 | 2022-03-29 | 武汉小安科技有限公司 | 基于蜂巢图实现的共享单车运维调度方法及系统 |
CN116258288A (zh) * | 2021-12-08 | 2023-06-13 | 东风汽车集团股份有限公司 | 一种车辆调度方法、装置、服务器和存储介质 |
CN115392548A (zh) * | 2022-08-05 | 2022-11-25 | 上海钧正网络科技有限公司 | 一种针对出行站点的出行需求预测方法、装置及存储介质 |
CN116029510A (zh) * | 2022-12-30 | 2023-04-28 | 海科(平潭)信息技术有限公司 | 车辆调度方法、装置、设备及存储介质 |
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 |
CN116362527A (zh) * | 2023-06-02 | 2023-06-30 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
面向机器学习任务的调度方法研究;孙景玉 等;软件导刊;第19卷(第05期);9-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934056A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116934056B (zh) | 车辆调度方法、装置、计算机设备和存储介质 | |
Fu et al. | A two-stage robust approach to integrated station location and rebalancing vehicle service design in bike-sharing systems | |
CN109872535A (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
Sun et al. | Dynamic path planning algorithms with load balancing based on data prediction for smart transportation systems | |
CN105824686B (zh) | 一种虚拟机宿主机的选择方法和选择系统 | |
Ayoubi et al. | An autonomous IoT service placement methodology in fog computing | |
Gao et al. | Optimal multi-taxi dispatch for mobile taxi-hailing systems | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
Tenney et al. | Structures for distributed decisionmaking | |
CN103701894A (zh) | 动态资源调度方法与系统 | |
Sun et al. | Optimizing the Location of Virtual Stations in Free‐Floating Bike‐Sharing Systems with the User Demand during Morning and Evening Rush Hours | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
CN111045827A (zh) | 云雾环境中基于资源共享的时间有效性的任务调度方法 | |
Jia et al. | Hierarchical prediction based on two-level affinity propagation clustering for bike-sharing system | |
Correa et al. | Congestion-aware ride-sharing | |
CN103997515A (zh) | 一种分布式云中计算中心选择方法及其应用 | |
Li et al. | Efficient adaptive matching for real-time city express delivery | |
Adacher et al. | Performance analysis of decentralized vs centralized control for the traffic signal synchronization problem | |
Ming et al. | A facility location and allocation model for cooperative fire services | |
CN116307336B (zh) | 换电路径规划方法、装置及计算机设备 | |
Tchappi et al. | Holonification model for a multilevel agent-based system: Application to road traffic | |
CN117252307A (zh) | 流量预测方法、装置、计算机设备和存储介质 | |
Zhao et al. | Large-scale scheduling model based on improved ant colony algorithm | |
Ivaschenko et al. | Multi-layer data model for transportation logistics solutions | |
Cheng et al. | Design of a support system for complicated logistics location integrating big data |
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 |