CN117217466B - 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
- CN117217466B CN117217466B CN202311173945.9A CN202311173945A CN117217466B CN 117217466 B CN117217466 B CN 117217466B CN 202311173945 A CN202311173945 A CN 202311173945A CN 117217466 B CN117217466 B CN 117217466B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- unit time
- predicted
- predicted vehicle
- historical
- 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 62
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method 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
- 230000008569 process Effects 0.000 description 1
Landscapes
- Traffic Control Systems (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：接收针对目标车站的车辆调度策略配置请求；响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。采用本方法能够将车辆需求精确到单位时间，提高对共享车辆调度的实时性和准确性，大大提高对共享车辆的调度效率，降低车辆的调度成本。
Description
技术领域
本申请涉及共享技术领域，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
共享技术的发展，共享单车、共享电单车、共享汽车等共享车辆已融入日常生活，给生活出行带来了便利。
为了提高共享车辆的使用率，可以对共享车辆进行调度，使得车站内的车辆数量能与实际需求匹配。
鉴于此，如何提供一种实时性和准确性高的车辆调度方法，成为目前亟待解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实时性和准确性高的车辆调度方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种车辆调度方法。该方法包括：
接收针对目标车站的车辆调度策略配置请求；
响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；
若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。
在其中一个实施例中，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量，包括：
获取目标车站在各单位时间的预测车辆驶入数量和预测车辆驶出数量；
根据各预测车辆驶入数量和各预测车辆驶出数量获取各单位时间的预测车辆需求数量，其中，每个单位时间的预测车辆需求数量与单位时间之前的各个单位时间的预测车辆需求数量相关。
在其中一个实施例中，根据各预测车辆驶入数量和各预测车辆驶出数量获取各单位时间的预测车辆需求数量，包括：
在第一单位时间为预设时间段中的首个单位时间的情况下，根据第一单位时间的预测车辆驶入数量和预测车辆驶出数量获取第一单位时间的预测车辆需求数量；
在第二单位时间为预设时间段中的非首个单位时间的情况下，获取第二单位时间之前的第三单位时间的预测车辆需求数量，并至少根据第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量。
在其中一个实施例中，至少根据第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量，包括：
若车辆调度策略配置请求的接收时间与第三单位时间之间存在时间长度小于一个单位时间的时间段，则根据时间段的预测车辆需求数量、第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量。
在其中一个实施例中，获取目标车站在各单位时间的预测车辆驶入数量和预测车辆驶出数量，包括：
获取历史时间段中各个车站关联的用户标识所对应的多个历史用车数据；
对于每个历史用车数据，根据历史用车数据中的车辆出发位置确定历史出发车站，并根据历史用车数据中的车辆到达位置确定历史到达车站；
对各单位时间内的历史出发车站和历史到达车站进行统计，获取目标车站在各单位时间的历史车辆驶出数量和历史车辆驶入数量，根据各单位时间的历史车辆驶出数量确定目标车站在各单位时间的预测车辆驶出数量，并根据各单位时间的历史车辆驶入数量确定目标车站在各单位时间的预测车辆驶入数量。
在其中一个实施例中，根据历史用车数据中的车辆出发位置确定历史出发车站，并根据历史用车数据中的车辆到达位置确定历史到达车站，包括：
将与车辆出发位置的距离小于第一预设距离阈值的车站作为历史出发车站，并将与车辆到达位置的距离小于第二预设距离阈值的车站作为历史到达车站。
在其中一个实施例中，根据各单位时间的历史车辆驶出数量确定目标车站在各单位时间的预测车辆驶出数量，并根据各单位时间的历史车辆驶入数量确定目标车站在各单位时间的预测车辆驶入数量，包括：
获取历史时间段中相同时序位置的各单位时间的历史有效车辆驶出概率和历史有效车辆驶出数量均值，并根据各历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量；
获取历史时间段中相同时序位置的各单位时间的历史车辆驶入数量的车辆驶入数量均值，并根据各车辆驶入数量均值确定各单位时间的预测车辆驶入数量。
在其中一个实施例中，该方法还包括：
根据预设的置信度对各历史有效车辆驶出概率进行修正，得到各修正后的历史有效车辆驶出概率；
根据各历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量，包括：
根据各修正后的历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量。
在其中一个实施例中，该方法还包括：
接收车辆调度优先级，车辆调度优先级与各车站的预测车辆需求数量相关；
按照车辆调度优先级和车辆调度策略，对目标车站进行车辆调度。
在其中一个实施例中，该方法还包括：
若目标单位时间的目标预测车辆需求数量小于零，则停止检测目标单位时间后的单位时间的预测车辆需求数量与需求数量阈值之间的大小关系，并禁止响应车辆调度策略配置。
第二方面，本申请还提供了一种车辆调度装置。该装置包括：
请求接收模块，用于接收针对目标车站的车辆调度策略配置请求；
需求获取模块，用于响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；
调度策略确定模块，用于若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
接收针对目标车站的车辆调度策略配置请求；
响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；
若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。
第四方面，本申请还提供了一种计算机可读存储介质。该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以下步骤：
接收针对目标车站的车辆调度策略配置请求；
响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；
若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。
上述车辆调度方法、装置、计算机设备和存储介质，接收针对目标车站的车辆调度策略配置请求；响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。该车辆调度方法在接收到车辆调度策略配置请求后，根据预设时间段中的每个单位时间的预测车辆需求数量确定车辆调度策略，在对共享车辆实现调度时，不仅与实际的车辆需求进行匹配，还将车辆需求精确到单位时间，提高对共享车辆调度的实时性和准确性，大大提高对共享车辆的调度效率，降低车辆的调度成本。
附图说明
图1为一个实施例中车辆调度方法的应用环境图；
图2为一个实施例中车辆调度方法的流程示意图；
图3为一个实施例中确定预测车辆需求数量的流程示意图；
图4为一个实施例中对历史有效车辆驶出概率进行修正的对比图；
图5为另一个实施例中车辆调度方法的流程示意图；
图6为一个实施例中车辆调度装置的结构框图；
图7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。
本申请实施例提供的车辆调度方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据，如共享车辆的数据，其中，共享车辆可以是共享单车、共享电单车、共享汽车。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
服务器104接收针对目标车站的车辆调度策略配置请求；响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种车辆调度方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤202至步骤206。其中：
步骤202，接收针对目标车站的车辆调度策略配置请求。
其中，车站包括多辆已投放的共享车辆，通过车站可以实现对共享车辆的调度、投放、维护等统一管理。一般来说，车站可以表示为一个固定半径的圆形区域，对于流量大的区域，车辆的半径可以设置的小于流量小的区域。在本实施例中，不同车站之间可能会存在重叠区域。目标车站用于表征需要进行车辆调度的车站。
车辆调度策略用于进行车辆调度，通过车辆的调度可以使车站的车辆数量满足车辆需求。示例性地，车辆调度人员可以通过终端向服务器发送车辆调度策略配置请求，请求服务器生成车辆调度策略，其中，终端可以是智能手机、笔记本电脑、平板电脑、智能手表、智能手环、物联网设备等。
步骤204，响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量。
其中，单位时间表示某一时间段内以某个时间段作为一个单位，例如一秒、一分钟、一小时、两个小时等。一般来说，车辆调度的单位时间为一小时，为了提高车辆调度的精度，也可以将单位时间设置为半小时或十分钟等，相应的，对于车辆流量不高，对车辆调度精度要求不高的区域，也可以将单位时间设置为两个小时等。
预测车辆需求数量表示对目标车站的预测需求数量，根据预测车辆需求数量实现对目标车站的调度。例如，在需要获取目标车站在预设时间段为二十四小时，且单位时间为一小时的车辆调度策略配置请求后，获取目标车站在未来二十四小时内每个小时的预测车辆需求数量。
示例性地，预测车辆需求数量直接获取，也可以通过对单位时间目标车站的车辆驶入数和车辆驶出数做差得到，也可以通过对历史时间段目标车站的车辆驶入数和车辆驶出数预测得到。
本实施例的预测车辆需求数量精确到各单位时间，可以实时的根据各单位时间的预测车辆需求数量进行车辆调度，满足目标车站的车辆需求，避免车站出现堆车或者由于车站的车辆不足不能满足用户需求的情况发生。
步骤206，若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。
对目标车站在预设时间段中各单位时间的预测车辆需求数量进行判断，若存在目标单位时间的目标预测车辆需求数量大于需求数量阈值时，表示该单位时间的车站需要进行车辆调度，根据目标预测车辆需求数量、目标车站的车站标识和目标预测车辆需求数量对应的目标单位时间确定车辆调度策略。
以需求数量阈值为五为例，当目标单位时间的目标预测车辆需求数量大于五，表示目标车站在目标单位时间需要进行车辆调度。需求数量阈值可以根据车辆调度的效率设置，例如本实施例当需求数量阈值为五时，用于车辆调度的车可以满载，车辆调度效率高。
上述车辆调度方法中，接收针对目标车站的车辆调度策略配置请求；响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。该车辆调度方法在接收到车辆调度策略配置请求后，根据预设时间段中的每个单位时间的预测车辆需求数量确定车辆调度策略，在对共享车辆实现调度时，不仅与实际的车辆需求进行匹配，还将车辆需求精确到单位时间，提高对共享车辆调度的实时性和准确性，大大提高对共享车辆的调度效率，降低车辆的调度成本。
在一个实施例中，如图3所示，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量，包括以下步骤302至步骤304。
步骤302，获取目标车站在各单位时间的预测车辆驶入数量和预测车辆驶出数量。
预测车辆驶入数量表示目标车站在各单位时间的预计驶入数量，预测车辆驶出数量表示目标车站在各单位时间的预计驶出数量。因为共享车辆的使用区域、使用时间段存在一定的规律性，本实施例可以根据历史时间段的历史车辆驶入数量和历史车辆驶出数量预测得到目标车站在各单位时间的预测车辆驶入数量和预测车辆驶出数量。
步骤304，根据各预测车辆驶入数量和各预测车辆驶出数量获取各单位时间的预测车辆需求数量，其中，每个单位时间的预测车辆需求数量与单位时间之前的各个单位时间的预测车辆需求数量相关。
本实施例的车辆调度是在车辆调度策略配置请求之后，根据得到的车辆调度策略实现的，基于预设时间段的各单位时间的预测车辆需求数量进行调度。其中，车辆调度策略包括多个单位时间的预测车辆需求数量，可以表示为一个需求向量，该需求向量中的每个元素表示一个单位时间的预测车辆需求数量，每个单位时间的预测车辆需求数量与该单位时间之前各个单位时间的预测车辆需求数量相关。
示例性地，以A单位时间的预测车辆需求数量为A1为例，A单位时间之后的B单位时间的预测车辆需求数量B1与A单位时间的驶入车辆、B单位时间的驶入车辆，A单位时间的驶出车辆以及B单位时间的驶出车辆相关，也就是说，B1是在A1基础上，结合B单位时间的驶入车辆和驶出车辆得到。
在一个示例性的实施例中，根据各预测车辆驶入数量和各预测车辆驶出数量获取各单位时间的预测车辆需求数量，包括：在第一单位时间为预设时间段中的首个单位时间的情况下，根据第一单位时间的预测车辆驶入数量和预测车辆驶出数量获取第一单位时间的预测车辆需求数量；在第二单位时间为预设时间段中的非首个单位时间的情况下，获取第二单位时间之前的第三单位时间的预测车辆需求数量，并至少根据第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量。
其中，第一单位时间表示预设时间段中的首个单位时间，第二单位时间表示预设时间段中的非首个单位时间，第三单位时间表示预设时间段中在第二单位时间之间的时间段。例如预设时间段包括M、N、L三个单位时间，M表示第一单位时间，若第二单位时间为L，第三单位时间可以为M、N或M加N，此时，第二单位时间和第三单位时间的时间长度可以相同也可以不同。
示例性地，下面根据两种情况对预测车辆需求数量的获取方式进行说明。
第一种情况是若需要确定预测车辆需求数量的单位时间为预设时间段的首个单位时间的情况下，根据该单位时间的预测车辆驶入数量和预测车辆驶出数量确定预测车辆需求数量。进一步的，此时的预测车辆需求数量表示为当前单位时间的预测车辆驶出数与预测车辆驶入数做差，再减去车辆的实时车辆数。
第二种情况是若需要确定预测车辆需求数量的单位时间为预设时间段的非收个单位时间的情况下，除了要确定该单位时间的预测车辆驶入数量和预测车辆驶出数量确定预测车辆需求数量，还需要获取该单位时间之前时间段的预测车辆需求数量。进一步的，此时的预测车辆需求数量表示为当前单位时间的预测车辆驶出数与预测车辆驶入数做差，加上该单位时间之前时间段的预测车辆需求数量，再减去车辆的实时车辆数。
在一个实施例中，至少根据第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量，包括：若车辆调度策略配置请求的接收时间与第三单位时间之间存在时间长度小于一个单位时间的时间段，则根据时间段的预测车辆需求数量、第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量。
由于车辆调度策略配置请求的接收时间可能并不是一个单位时间的起点，导致车辆调度策略配置请求的接收时间与第三单位时间之间存在小于一个单位时间的时间段，获取的预测车辆需求数量需包括该时间段的预测车辆需求数量。由于该时间段不足一个单位时间，为了提高该时间段预测车辆需求数量的准确性，需要对该时间段的车辆需求进行预估，得到该时间段的预测车辆需求数量。
示例性地，该时间段的预测车辆需求数量可以通过该时间段在一个单位时间的占比与该时间段所在的单位时间的预测车辆需求数量得到。例如，若单位时间为一个小时，该时间段为四十分钟，则可以通过40/60，得到该时间段在一个单位时间的占比，并将该占比与当前单位时间的驶出车辆和驶入车辆结合，进一步得到该时间段预测车辆需求数量。假设当前单位时间的预测车辆驶入数量为、6，预测车辆驶出数量为9，将该时间段占比40/60分别与6和9相乘，得到该时间段的预测车辆驶入数量和预测车辆驶出数量，将该时间段的预测车辆驶出数量和预测车辆驶入数量做差，进一步得到该时间段预测车辆需求数量。
本实施例获取的预测车辆驶出数量可以精确到单位时间中任意大小的时间段，精准度高，可以提高预测的实时性和准确性。
在一个实施例中，获取目标车站在各单位时间的预测车辆驶入数量和预测车辆驶出数量，包括：获取历史时间段中各个车站关联的用户标识所对应的多个历史用车数据；对于每个历史用车数据，根据历史用车数据中的车辆出发位置确定历史出发车站，并根据历史用车数据中的车辆到达位置确定历史到达车站；对各单位时间内的历史出发车站和历史到达车站进行统计，获取目标车站在各单位时间的历史车辆驶出数量和历史车辆驶入数量，根据各单位时间的历史车辆驶出数量确定目标车站在各单位时间的预测车辆驶出数量，并根据各单位时间的历史车辆驶入数量确定目标车站在各单位时间的预测车辆驶入数量。
其中，历史用车数据是根据用户标识获取的用户用车数据，获取历史用车数据时的用户标识与每个车站关联。如前所述，车站之间可能会存在重合，为了更准确的得到每个车站的实际驶入数据和实际驶出数据，需要通过对用户的历史用车数据进行分析，得到每条历史车辆行程的历史出发车站和历史到达车站。
当获取到所有的历史出发车站和历史到达车站后，对每个单位时间内的历史出发车站和历史到达车站进行统计，可以得到目标车站在各单位时间的历史车辆驶出数量和历史车辆驶入数量，其中，历史出发车站表示该车站有一次驶出记录，历史到达车站表示该车站有一次驶入记录，通过对所有历史出发车站和历史到达车站的统计，得到目标车站在各单位时间的历史车辆驶出数量和历史车辆驶入数量。
进一步的，根据目标车站在各单位时间的历史车辆驶出数量和历史车辆驶入数量实现对预设时间段的预测，得到目标车站在预设时间段中各单位时间的预测车辆驶出数量和预测车辆驶入数量。
在一个实施例中，根据历史用车数据中的车辆出发位置确定历史出发车站，并根据历史用车数据中的车辆到达位置确定历史到达车站，包括：将与车辆出发位置的距离小于第一预设距离阈值的车站作为历史出发车站，并将与车辆到达位置的距离小于第二预设距离阈值的车站作为历史到达车站。
在根据历史用车数据确定历史出发车站和历史到达车站时，先获取历史用车数据的车辆出发位置和车辆到达位置，然后将车辆出发位置的距离小于第一预设距离阈值的车站作为历史出发车站，将与车辆到达位置的距离小于第二预设距离阈值的车站作为历史到达车站。在计算车辆出发位置与车站的距离，或车辆到达位置与车站的距离时，可以将车辆出发位置和车辆到达位置转换为坐标，得到车辆出发坐标和车辆到达坐标，然后通过计算车辆出发坐标与车站坐标的距离，以及计算车辆到达坐标与车站坐标的距离，确定历史出发车站和历史到达车站。
示例性地，将车辆出发位置和车辆到达位置分别转换为车辆出发坐标和车辆到达坐标，在将位置转换为坐标时，可以先获取城市服务区的中心点的经纬度位置，将该城市服务区的中心点作为坐标原点，根据车辆出发位置和车辆到达位置与城市中心点的经纬度之间的欧式距离，对坐标的x和y轴进行投影，得到车辆出发位置和车辆到达位置对应的车辆出发坐标和车辆到达坐标。对于车站的坐标同理通过车站中心点的经纬度进行转换，得到车站坐标。进一步的，在计算车辆出发坐标和车辆到达坐标与车站坐标之间距离时，对车站坐标构造一颗K维树(KDtree)，基于K维树确定与车辆出发坐标的距离小于第一预设距离的车站作为历史出发车站。进一步的，可以先将与车辆出发坐标的距离在预设距离阈值内的车站坐标对应的车站列为候选车站，然后在所有候选车站中确定与车辆出发坐标的距离小于第一预设距离的，也就是距离车辆出发位置最近的车站作为历史出发车站。同样的，历史到达车站根据与车辆到达位置的距离确定，确定方式与历史出发车站相同，此处不再赘述。
在一个实施例中，根据各单位时间的历史车辆驶出数量确定目标车站在各单位时间的预测车辆驶出数量，并根据各单位时间的历史车辆驶入数量确定目标车站在各单位时间的预测车辆驶入数量，包括：获取历史时间段中相同时序位置的各单位时间的历史有效车辆驶出概率和历史有效车辆驶出数量均值，并根据各历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量；获取历史时间段中相同时序位置的各单位时间的历史车辆驶入数量的车辆驶入数量均值，并根据各车辆驶入数量均值确定各单位时间的预测车辆驶入数量。
其中，对于车辆驶入数量，可以根据各单位时间的历史车辆驶入数量可以确定目标车站在各单位时间的预测车辆驶入数量，例如，可以对历史时间段中相同时序的单位时间的历史车辆驶入数量求平均，得到车辆驶入数量均值，再根据各车辆驶入数量均值确定各单位时间的预测车辆驶入数量。
对于车辆驶出数量，由于历史数据中可能存在由于车站车辆数量不足导致的历史车辆驶出数量不准的问题，也就是说，在历史车辆驶出数量为零时，可能是由于车站的车辆数据不足，并不表示该单位时间没有车辆需求。因此，需要对历史车辆驶出数量进行修正。例如，通过对历史车辆驶出数量中的有效值，也就是非零值进行计算，剔除零值的计算可以提高预测的精准度。
在通过历史车辆驶出数量中的有效值进行预测时，获取历史时间段中相同时序位置的各单位时间的非零历史车辆驶出数量占全部历史车辆驶出数量的占比，得到历史有效车辆驶出概率，获取历史时间段中相同时序位置的各单位时间的非零历史车辆驶出数量的均值，得到历史有效车辆驶出数量均值，并将相同时序单位时间的历史有效车辆驶出概率和历史有效车辆驶出数量均值相乘，得到该单位时间的预测车辆驶出数量。
本实施例通过对历史车辆驶出数量的修正，避免历史车辆驶出数量中零值导致的预测误差，提高预测的准确性。
在一个实施例中，该方法还包括：根据预设的置信度对各历史有效车辆驶出概率进行修正，得到各修正后的历史有效车辆驶出概率；根据各历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量，包括：根据各修正后的历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量。
本实施例对历史有效车辆驶出概率进行修正，以提高计算的准确性。例如，通过威尔逊修正算法实现对历史有效车辆驶出概率的修正，威尔逊修正中一般有三个参数，可以表示为历史有效车辆驶出概率的分子e，分母f和z值，z值可以设置为1.96，表示95％的置信度，分子也就是历史时间段中历史车辆驶出数量不为零的数量，分母即历史时间段中包括的具体相同时序单位时间的数量。
如图4所示，以历史90天为历史时间段，90天中目标单位时间的历史车辆驶出数量不为零值的有30天，则e为30，f为90，通过威尔逊算法对原始概率e/f进行修正，原始的历史有效车辆驶出概率为30/90＝0.3，修正后的历史有效车辆驶出概率为0.244。本实施例通过对历史有效车辆驶出概率的修正，可以降低偶然因素对预测结果的影响，降低数据噪声。
在一个实施例中，该方法还包括：接收车辆调度优先级，车辆调度优先级与各车站的预测车辆需求数量相关；按照车辆调度优先级和车辆调度策略，对目标车站进行车辆调度。
其中，车辆调度优先级用于表征车辆调度的紧急程度，也就是说，车辆调度优先级高的目标车站紧急度搞，车辆调度优先级低的紧急度低。车辆调度优先级与各车站的预测车辆需求数量相关，也就是与各车辆的流量相关，对于流量大的车站，为了提高车辆的利用率和用户体验，需要优先调度，对于流量小的车站，由于车辆的实际车辆需求不高，调度顺序可以后延。
示例性地，将预设时间段中所有单位时间的预测车辆需求数量求平均，得到预测车辆需求平均数量，根据各个车站的预测车辆需求平均数量进行排序，得到各车站的优先级。在确定目标车站的车辆调度策略时，车辆调度人员可以根据车辆调度优先级对目标车站进行车辆调度。
在一个实施例中，该方法还包括：若目标单位时间的目标预测车辆需求数量小于零，则停止检测目标单位时间后的单位时间的预测车辆需求数量与需求数量阈值之间的大小关系，并禁止响应车辆调度策略配置。
对目标车站在预设时间段中各单位时间的预测车辆需求数量进行判断，若存在预测车辆需求数量小于零，表示该单位时间目标车站的车辆在没有人工干预的情况下就可能出现供大于求的状态，会产生堆车，因此停止检测当前单位时间后任一单位时间的预测车辆需求数量，不考虑目标车站后续的车辆需求，并禁止响应车辆调度策略配置。
在一个示例性的实施例中，如图5所示，以一小时为单位时间，未来二十四小时为预设时间段，过去的三个月共九十天为历史时间段为例，提供一种车辆调度方法，包括以下步骤502至512。其中：
步骤502，获取历史时间段中各个车站关联的用户标识所对应的多个历史用车数据。
获取历史三个月各个车站关联的用户标识所对应的多个用车数据，该用车数据包括车辆标识、车辆出发位置、车辆到达位置、车辆出发时间、车辆到达时间，其中车辆出发时间和车辆到达时间为时间戳，车辆出发位置和车辆结束位置为经纬度。对于各个车站，获取每个车站的中心点位置、车站标识。
步骤504，对于每个历史用车数据，根据历史用车数据中的车辆出发位置确定历史出发车站，并根据历史用车数据中的车辆到达位置确定历史到达车站。
由于车站表现为一个固定半径的圆，不同的车站之间会存在重合的情况，使得根据车辆的位置可以对应到对个车站，本实施例为了提高数据置信度，将车辆准确映射到车站中。
具体地，包括以下步骤(Ⅰ)至(Ⅲ)。
(Ⅰ)将车辆出发位置和车辆到达位置分别转换为车辆出发坐标和车辆到达坐标，将各个车站中心点位置也转换为车站坐标。
将位置参数转换为坐标参数时，首先获取城市服务区的中心点经纬度，将城市中心点作为坐标原点，计算车辆出发位置、车辆结束位置、车站中心点位置基于坐标原点的欧式距离，根据各位置在坐标系x轴和y轴上的投影作为其平面坐标(x，y)。
(Ⅱ)对车站二维平面构造一颗K维树。
(Ⅲ)对于车辆出发位置，通过K维树确定与每个车辆出发位置的距离小于第一预设距离阈值的车站坐标对应的车站作为历史出发车站，确定与每个车辆到达位置的距离小于第二预设距离阈值的车站坐标对应的车站作为历史到达车站。
在确定每个车辆出发位置与车站之间的距离时，可以先通过K维树确定与车辆出发位置之间的距离在阈值范围内的候选车站，然后在所有候选车站中确定与车辆出发位置距离最短的车站作为历史出发车站，该阈值范围可以是25米。历史到达车站根据车辆到达位置确定，确定方式与历史出发车站相同，此处不再赘述。
步骤506，对各单位时间内的历史出发车站和历史到达车站进行统计，获取目标车站在各单位时间的历史车辆驶出数量和历史车辆驶入数量。
将前述步骤获取的车辆出发时间和车辆到达时间映射为每个小时。将一天分为二十四的小时，也就是二十四个单位时间，可以表示为[0,23]。统计历史时间段中每个单位时间的历史出发车站和历史到达车站，也就是对历史三个月中每天每小时的出发车站和历史到达车站进行统计，得到每个车站每天每小时的历史车辆驶出数量和历史车辆驶入数量。
将该历史车辆驶出数量和历史车辆驶入数量通过向量表示，历史车辆驶出数量和历史车辆驶入数量对应的向量维度均为H X D，其中H为24，表示该向量对应每行有24个单位时间，D为90，表示获取的是历史三个月共九十天的数据。在历史车辆驶出向量和历史车辆驶入向量中的空值用零填充。
步骤508，根据各单位时间的历史车辆驶出数量确定目标车站在各单位时间的预测车辆驶出数量，并根据各单位时间的历史车辆驶入数量确定目标车站在各单位时间的预测车辆驶入数量。
通过对历史时间段中每个相同时序的历史车辆驶出数量和历史车辆驶入数量求平均值，得到目标车站在各单位时间的预测车辆驶出数量和预测车辆驶入数量。例如，将历史车辆驶出向量和历史车辆驶入向量中的每行数据求平均，得到一个H行1列的向量，则是预测得到的预测车辆驶出数量和预测车辆驶入数量。
对于历史车辆驶出数量，由于供给性问题，有些车站可能没有车从而导致历史车辆驶出数量为零，并不能说明该车站在该单位时间没有车辆需求，因此需要对历史车辆驶出数量的均值进行修正。
对于历史车辆驶出向量，认为零值为无效数据，将无效数据剔除只计算有点值，即统计每行中非零天数占总天数的比例，得到表示历史有效车辆驶出概率的H行1列的向量a，再计算H行D列的历史车辆驶出向量中每行的非零值均值，得到表示历史有效车辆驶出数量均值的H行1列的向量b，将向量a与向量b相乘，得到预测车辆驶出数量。
进一步的，还可以通过威尔逊修正算法对历史有效车辆驶出概率进行修正，以降低偶然因素的影响，降低数据噪声。修正后的历史有效车辆驶出概率可以表示为向量a’，当历史有效车辆驶出概率修正后，根据修改后的历史有效车辆驶出概率a’与向量b相乘，得到预测车辆驶出数量。
步骤510，接收并响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量。
当车辆调度人员需要确定车辆调度策略时，发出车辆调度策略配置请求。服务器根据接收到的车辆调度策略配置请求确定预设时间段中各个单位时间的预测车辆需求数量。
在接收到车辆调度策略配置请求时，先获取每个车站当前停靠的实时车辆数current_num，过滤掉实时车辆中低电量和已经报修的车辆数据，只包括可以使用的车辆数量，获取车辆调度策略配置请求的接收时间，该接收时间通过时间戳表示。
确定该接收时间与相邻单位时间之间的时间段，若该时间段的时间长度小于一个单位时间，确定该时间段在一个单位时间中的时间比例，根据该时间占比与该接收时间对应的单位时间的预测车辆需求数量得到该时间段的预测车辆需求数量。
例如，车辆调度策略配置请求的接收时间为13：40，需要确定目标车站在未来24小时中每个小时的预测车辆需求数量，该预测车辆需求数量Dn表示为：
其中，Rout(h,m)表示到下一个单位时间不足一个单位时间的时间段的预测车辆驶出数量，Rin(h,m)表示到下一个单位时间不足一个单位时间的时间段的预测车辆驶入数量。out(i)为第i时段的预测车辆驶出数量，in(i)为第i时段的预测车辆驶入数量。
Rout(h,m)计算方式为：
用以根据该时间段在单位时间的权重估算该时间段的预测车辆驶出数量，其中h为当前小时时段，m为当前分钟数。
Rin(h,m)计算方式为：
用以根据该时间段在单位时间的权重估算该时间段的预测车辆驶入数量，其中h为当前小时时段，m为当前分钟数。
以车辆调度策略配置请求的接收时间为13：40为例，若需得到14点的预测车辆需求数量，则通过13点至14点的预测车辆需求数量以及13点40分至14点之间的20分钟在一小时之内的占比得到，其中13点至14点的预测车辆需求数量通过13点至14点的预测车辆驶出数量、13点至14点的预测车辆驶入数量和当前实时车辆数得到。若需要得到15点的预测车辆需求数量，则通过13点40分至14点之间的预测车辆需求数量以及14点至15点之间的预测车辆需求数量得到，以此类推。
本实施例将预测车辆需求数量精确到每个单位时间，可以提高预测的实时性和准确性。
步骤512，检测目标车站各单位时间的预测车辆需求数量，确定目标车站在目标单位时间的车辆调度策略。
对于目标车站，根据时间顺序依次遍历各单位时间，若目标单位时间的预测车辆需求数量小于零，表示未来会堆车，停车对目标车站的遍历。若目标单位时间的预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。
需求数量阈值根据调度需求确定，当需求数量阈值设置为5时，可以满足每次车辆调度均满载的需求，提高车辆调度效率。
进一步的，在车辆调度策略中，还可以包括车辆调度优先级，用以按照车辆调度优先级和车辆调度策略，对目标车站进行车辆调度。其中，车辆调度优先级可以根据各车站在预设时间段中各个单位时间的预测车辆需求数量的均值排序得到。
应该理解的是，虽然上述描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，上述描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。
在一个实施例中，如图6所示，提供了一种车辆调度装置，包括：请求接收模块602、需求获取模块604和调度策略确定模块606，其中：
请求接收模块602，用于接收针对目标车站的车辆调度策略配置请求；
需求获取模块604，用于响应于车辆调度策略配置请求，获取目标车站在预设时间段中各个单位时间的预测车辆需求数量；
调度策略确定模块606，用于若各单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据目标预测车辆需求数量、目标车站的车站标识和目标单位时间，确定目标车站与目标单位时间的车辆调度策略。
在一个实施例中，需求获取模块604还用于：获取目标车站在各单位时间的预测车辆驶入数量和预测车辆驶出数量；根据各预测车辆驶入数量和各预测车辆驶出数量获取各单位时间的预测车辆需求数量，其中，每个单位时间的预测车辆需求数量与单位时间之前的各个单位时间的预测车辆需求数量相关。
在一个实施例中，需求获取模块604还用于：在第一单位时间为预设时间段中的首个单位时间的情况下，根据第一单位时间的预测车辆驶入数量和预测车辆驶出数量获取第一单位时间的预测车辆需求数量；在第二单位时间为预设时间段中的非首个单位时间的情况下，获取第二单位时间之前的第三单位时间的预测车辆需求数量，并至少根据第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量。
在一个实施例中，需求获取模块604还用于：若车辆调度策略配置请求的接收时间与第三单位时间之间存在时间长度小于一个单位时间的时间段，则根据时间段的预测车辆需求数量、第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量。
在一个实施例中，需求获取模块604还用于：获取历史时间段中各个车站关联的用户标识所对应的多个历史用车数据；对于每个历史用车数据，根据历史用车数据中的车辆出发位置确定历史出发车站，并根据历史用车数据中的车辆到达位置确定历史到达车站；对各单位时间内的历史出发车站和历史到达车站进行统计，获取目标车站在各单位时间的历史车辆驶出数量和历史车辆驶入数量，根据各单位时间的历史车辆驶出数量确定目标车站在各单位时间的预测车辆驶出数量，并根据各单位时间的历史车辆驶入数量确定目标车站在各单位时间的预测车辆驶入数量。
在一个实施例中，需求获取模块604还用于：将与车辆出发位置的距离小于第一预设距离阈值的车站作为历史出发车站，并将与车辆到达位置的距离小于第二预设距离阈值的车站作为历史到达车站。
在一个实施例中，需求获取模块604还用于：获取历史时间段中相同时序位置的各单位时间的历史有效车辆驶出概率和历史有效车辆驶出数量均值，并根据各历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量；获取历史时间段中相同时序位置的各单位时间的历史车辆驶入数量的车辆驶入数量均值，并根据各车辆驶入数量均值确定各单位时间的预测车辆驶入数量。
在一个实施例中，需求获取模块604还用于：根据预设的置信度对各历史有效车辆驶出概率进行修正，得到各修正后的历史有效车辆驶出概率；根据各历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量，包括：根据各修正后的历史有效车辆驶出概率和各历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量。
在一个实施例中，该车辆调度装置还用于：接收车辆调度优先级，车辆调度优先级与各车站的预测车辆需求数量相关；按照车辆调度优先级和车辆调度策略，对目标车站进行车辆调度。
在一个实施例中，调度策略确定模块606还用于：若目标单位时间的目标预测车辆需求数量小于零，则停止检测目标单位时间后的单位时间的预测车辆需求数量与需求数量阈值之间的大小关系，并禁止响应车辆调度策略配置。
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7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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用车数据和车辆调度策略数据。该计算机设备的网络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7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户的用车信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该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 Access Memory，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 (10)
1.一种车辆调度方法，其特征在于，所述方法包括：
接收针对目标车站的车辆调度策略配置请求；
响应于所述车辆调度策略配置请求，获取所述目标车站在预设时间段中各个单位时间的预测车辆需求数量，所述预测车辆需求数量表示为需求向量，所述需求向量中的每个元素表示一个单位时间的预测车辆需求数量，每个单位时间的预测车辆需求数量与该单位时间之前各个单位时间的预测车辆需求数量相关；
若各所述单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据所述目标预测车辆需求数量、所述目标车站的车站标识和所述目标单位时间，确定所述目标车站与所述目标单位时间的车辆调度策略；
所述获取所述目标车站在预设时间段中各个单位时间的预测车辆需求数量，包括：
获取目标车站在各单位时间的预测车辆驶入数量和预测车辆驶出数量；
根据各所述预测车辆驶入数量和各所述预测车辆驶出数量获取各所述单位时间的所述预测车辆需求数量，其中，
在第一单位时间为预设时间段中的首个单位时间的情况下，预测车辆需求数量表示为当前单位时间的预测车辆驶出数与预测车辆驶入数做差，再减去车辆的实时车辆数；
在第二单位时间为预设时间段中的非首个单位时间的情况下，获取所述第二单位时间之前的第三单位时间的预测车辆需求数量，并至少根据所述第三单位时间的预测车辆需求数量以及所述第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取所述第二单位时间的预测车辆需求数量；预测车辆需求数量表示为当前单位时间的预测车辆驶出数与预测车辆驶入数做差，加上该单位时间之前时间段的预测车辆需求数量，再减去车辆的实时车辆数；若车辆调度策略配置请求的接收时间与第三单位时间之间存在时间长度小于一个单位时间的时间段，则根据时间段的预测车辆需求数量、第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量，其中，时间段的预测车辆需求数量通过该时间段在一个单位时间的占比与该时间段所在的单位时间的预测车辆需求数量得到。
2.根据权利要求1所述的方法，其特征在于，所述获取所述目标车站在各所述单位时间的预测车辆驶入数量和预测车辆驶出数量，包括：
获取历史时间段中各个车站关联的用户标识所对应的多个历史用车数据；
对于每个所述历史用车数据，根据所述历史用车数据中的车辆出发位置确定历史出发车站，并根据所述历史用车数据中的车辆到达位置确定历史到达车站；
对各所述单位时间内的历史出发车站和历史到达车站进行统计，获取所述目标车站在各所述单位时间的历史车辆驶出数量和历史车辆驶入数量，根据各所述单位时间的历史车辆驶出数量确定所述目标车站在各所述单位时间的预测车辆驶出数量，并根据各所述单位时间的历史车辆驶入数量确定所述目标车站在各所述单位时间的预测车辆驶入数量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史用车数据中的车辆出发位置确定历史出发车站，并根据所述历史用车数据中的车辆到达位置确定历史到达车站，包括：
将与所述车辆出发位置的距离小于第一预设距离阈值的车站作为所述历史出发车站，并将与所述车辆到达位置的距离小于第二预设距离阈值的车站作为所述历史到达车站。
4.根据权利要求2所述的方法，其特征在于，所述根据各所述单位时间的历史车辆驶出数量确定所述目标车站在各所述单位时间的预测车辆驶出数量，并根据各所述单位时间的历史车辆驶入数量确定所述目标车站在各所述单位时间的预测车辆驶入数量，包括：
获取历史时间段中相同时序位置的各单位时间的历史有效车辆驶出概率和历史有效车辆驶出数量均值，并根据各所述历史有效车辆驶出概率和各所述历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量；
获取历史时间段中相同时序位置的各单位时间的历史车辆驶入数量的车辆驶入数量均值，并根据各所述车辆驶入数量均值确定各单位时间的预测车辆驶入数量。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据预设的置信度对各所述历史有效车辆驶出概率进行修正，得到各修正后的历史有效车辆驶出概率；
所述根据各所述历史有效车辆驶出概率和各所述历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量，包括：
根据各所述修正后的历史有效车辆驶出概率和各所述历史有效车辆驶出数量均值确定各单位时间的预测车辆驶出数量。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收车辆调度优先级，所述车辆调度优先级与各车站的预测车辆需求数量相关；
按照所述车辆调度优先级和所述车辆调度策略，对所述目标车站进行车辆调度。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述目标单位时间的所述目标预测车辆需求数量小于零，则停止检测所述目标单位时间后的单位时间的预测车辆需求数量与所述需求数量阈值之间的大小关系，并禁止响应所述车辆调度策略配置。
8.一种车辆调度装置，其特征在于，所述装置包括：
请求接收模块，用于接收针对目标车站的车辆调度策略配置请求；
需求获取模块，用于响应于所述车辆调度策略配置请求，获取所述目标车站在预设时间段中各个单位时间的预测车辆需求数量，所述预测车辆需求数量表示为需求向量，所述需求向量中的每个元素表示一个单位时间的预测车辆需求数量，每个单位时间的预测车辆需求数量与该单位时间之前各个单位时间的预测车辆需求数量相关；
调度策略确定模块，用于若各所述单位时间中的目标单位时间的目标预测车辆需求数量大于需求数量阈值，则根据所述目标预测车辆需求数量、所述目标车站的车站标识和所述目标单位时间，确定所述目标车站与所述目标单位时间的车辆调度策略；
所述需求获取模块具体用于：获取目标车站在各单位时间的预测车辆驶入数量和预测车辆驶出数量；
根据各所述预测车辆驶入数量和各所述预测车辆驶出数量获取各所述单位时间的所述预测车辆需求数量，其中，
在第一单位时间为预设时间段中的首个单位时间的情况下，预测车辆需求数量表示为当前单位时间的预测车辆驶出数与预测车辆驶入数做差，再减去车辆的实时车辆数；
在第二单位时间为预设时间段中的非首个单位时间的情况下，获取所述第二单位时间之前的第三单位时间的预测车辆需求数量，并至少根据所述第三单位时间的预测车辆需求数量以及所述第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取所述第二单位时间的预测车辆需求数量；预测车辆需求数量表示为当前单位时间的预测车辆驶出数与预测车辆驶入数做差，加上该单位时间之前时间段的预测车辆需求数量，再减去车辆的实时车辆数；若车辆调度策略配置请求的接收时间与第三单位时间之间存在时间长度小于一个单位时间的时间段，则根据时间段的预测车辆需求数量、第三单位时间的预测车辆需求数量以及第二单位时间的预测车辆驶入数量和预测车辆驶出数量，获取第二单位时间的预测车辆需求数量，其中，时间段的预测车辆需求数量通过该时间段在一个单位时间的占比与该时间段所在的单位时间的预测车辆需求数量得到。
9.一种计算机设备，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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311173945.9A CN117217466B (zh) | 2023-09-12 | 2023-09-12 | 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 |
|---|---|---|---|
| CN202311173945.9A CN117217466B (zh) | 2023-09-12 | 2023-09-12 | 车辆调度方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217466A CN117217466A (zh) | 2023-12-12 |
| CN117217466B true CN117217466B (zh) | 2024-06-07 |
Family
ID=89045632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311173945.9A Active CN117217466B (zh) | 2023-09-12 | 2023-09-12 | 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) | CN117217466B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017088838A1 (zh) * | 2015-11-27 | 2017-06-01 | 应石磊 | 一种车位预约方法及装置、车位预约系统 |
| CN108830436A (zh) * | 2018-04-08 | 2018-11-16 | 浙江广播电视大学 | 基于分形树自平衡划分的共享自行车调度方法 |
| CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
| CN111222821A (zh) * | 2019-12-31 | 2020-06-02 | 广州酷旅旅行社有限公司 | 一种货品补充方法、装置、计算机设备和存储介质 |
| KR20200074758A (ko) * | 2018-12-17 | 2020-06-25 | 주식회사 인터유니크 | 주차장 입출차량 분석을 통한 주차량 및 혼잡도 예측 정보제공 시스템 |
| CN111886620A (zh) * | 2018-04-13 | 2020-11-03 | 日产自动车株式会社 | 调度车辆管理装置和调度车辆管理方法 |
| KR20210005450A (ko) * | 2019-07-05 | 2021-01-14 | 브이씨엔씨(주) | 한계 대기 시간에 기초한 차량 방법, 시스템 및 프로그램 |
| CN112836951A (zh) * | 2021-01-26 | 2021-05-25 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能调度方法及系统 |
| WO2021169165A1 (zh) * | 2020-02-28 | 2021-09-02 | 平安国际智慧城市科技股份有限公司 | 基于轨迹监测的共享车辆监控方法、装置和计算机设备 |
| CN116012029A (zh) * | 2022-12-29 | 2023-04-25 | 黑河学院 | 一种大数据信息采集方法及系统 |
| CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
-
2023
- 2023-09-12 CN CN202311173945.9A patent/CN117217466B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017088838A1 (zh) * | 2015-11-27 | 2017-06-01 | 应石磊 | 一种车位预约方法及装置、车位预约系统 |
| CN108830436A (zh) * | 2018-04-08 | 2018-11-16 | 浙江广播电视大学 | 基于分形树自平衡划分的共享自行车调度方法 |
| CN111886620A (zh) * | 2018-04-13 | 2020-11-03 | 日产自动车株式会社 | 调度车辆管理装置和调度车辆管理方法 |
| KR20200074758A (ko) * | 2018-12-17 | 2020-06-25 | 주식회사 인터유니크 | 주차장 입출차량 분석을 통한 주차량 및 혼잡도 예측 정보제공 시스템 |
| KR20210005450A (ko) * | 2019-07-05 | 2021-01-14 | 브이씨엔씨(주) | 한계 대기 시간에 기초한 차량 방법, 시스템 및 프로그램 |
| CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
| CN111222821A (zh) * | 2019-12-31 | 2020-06-02 | 广州酷旅旅行社有限公司 | 一种货品补充方法、装置、计算机设备和存储介质 |
| WO2021169165A1 (zh) * | 2020-02-28 | 2021-09-02 | 平安国际智慧城市科技股份有限公司 | 基于轨迹监测的共享车辆监控方法、装置和计算机设备 |
| CN112836951A (zh) * | 2021-01-26 | 2021-05-25 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能调度方法及系统 |
| CN116012029A (zh) * | 2022-12-29 | 2023-04-25 | 黑河学院 | 一种大数据信息采集方法及系统 |
| CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| "Multi-objective optimal scheduling model for shared bikes based on spatiotemporal big data";Wang Xiaoxia 等;《JOURNAL OF CLEANER PRODUCTION》;20230807;第421卷;第1383629(1-13)页 * |
| "公共自行车动态调度系统需求预测模型研究";何流 等;《武汉理工大学学报(交通科学与工程版)》;20130430;第37卷(第2期);第278-282页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217466A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476588B (zh) | 订单需求预测方法、装置、电子设备及可读存储介质 | |
| US10473475B2 (en) | Method and apparatus for determining a location of a point of interest | |
| CN110807921A (zh) | 车辆调度方法、装置、设备和存储介质 | |
| CN104471573A (zh) | 更新高速缓存的数据库查询结果 | |
| CN111192451B (zh) | 车辆到达时间的预测方法、装置、计算机设备及存储介质 | |
| US11250031B2 (en) | Method of predicting a traffic behaviour in a road system | |
| WO2023277814A2 (en) | Computer-implemented apparatus and method for predicting traffic conditions in a route planning application | |
| CN116363854A (zh) | 共享出行车辆调度方法、装置和计算机设备 | |
| CN116341773A (zh) | 车辆需求预测方法、装置、计算机设备和存储介质 | |
| CN112801376A (zh) | 确定船只的预计到达时间的方法、装置和存储介质 | |
| Sadek et al. | Forecasting truck parking using Fourier transformations | |
| CN114742507A (zh) | 车辆货物配载方法、装置、计算机设备及存储介质 | |
| CN116934056A (zh) | 车辆调度方法、装置、计算机设备和存储介质 | |
| CN117217466B (zh) | 车辆调度方法、装置、计算机设备和存储介质 | |
| CN113065803B (zh) | 站间行车数据处理方法、装置、电子设备及存储介质 | |
| Toplak et al. | Novel road classifications for large scale traffic networks | |
| CN110543699A (zh) | 共享车辆出行数据仿真、共享车辆调度方法、装置及设备 | |
| GB2584862A (en) | System and method for populating a database with occupancy data of parking facilities | |
| US20240140244A1 (en) | Method and system for electric vehicle (ev) fleet charging | |
| CN113935528A (zh) | 智能调度方法、装置、计算机设备及存储介质 | |
| CN116453371B (zh) | 共享车辆的还车识别方法、装置、计算机设备和存储介质 | |
| CN117252307A (zh) | 流量预测方法、装置、计算机设备和存储介质 | |
| CN114066079B (zh) | 一种基于多租户的网约车供需差预测方法及装置 | |
| CN111008729A (zh) | 一种迁移预测的方法和装置 | |
| CN113627695B (zh) | 氢能源待制备量的确定方法、装置和存储介质 |
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 |