CN117875518A - 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 PDF

Info

Publication number
CN117875518A
CN117875518A CN202410252695.6A CN202410252695A CN117875518A CN 117875518 A CN117875518 A CN 117875518A CN 202410252695 A CN202410252695 A CN 202410252695A CN 117875518 A CN117875518 A CN 117875518A
Authority
CN
China
Prior art keywords
station
potential energy
stations
target
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410252695.6A
Other languages
English (en)
Other versions
CN117875518B (zh
Inventor
滕志勇
刘永威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Apoco Blue Technology Co ltd
Original Assignee
Beijing Apoco Blue Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Apoco Blue Technology Co ltd filed Critical Beijing Apoco Blue Technology Co ltd
Priority to CN202410252695.6A priority Critical patent/CN117875518B/zh
Publication of CN117875518A publication Critical patent/CN117875518A/zh
Application granted granted Critical
Publication of CN117875518B publication Critical patent/CN117875518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q30/0645—Rental transactions; Leasing transactions

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Traffic Control Systems (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。所述方法包括：在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据；基于目标历史骑行数据，确定当前日期内任意两个车站之间的预测车辆流动数量；根据当前日期内任意两个车站之间的预测车辆流动数量，构建目标范围内多个车站对应的车辆流动矩阵；基于车辆流动矩阵，确定各车站的车站势能；根据各车站的车站势能，进行车辆调度。采用本方法，能够根据与当前日期的日期相关的多个车站之间的历史骑行数据，确定每一车站的势能，进而根据车站的势能进行车辆调度。能够提高车辆调度的准确性以及用车的便捷性。

Description

车辆调度方法、装置、计算机设备和存储介质
技术领域
本申请涉及资源管理技术领域，特别是涉及一种车辆调度方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着共享车辆技术的发展，大部分城市已经引入了共享车辆，例如共享单车和共享电单车。为了提高共享车辆使用率，方便用户找车骑行，需要对共享车辆进行调度，将共享车辆从冷门区域调度到用车需求量较大的地方。
传统的车辆调度方法，能够根据历史统计数据，计算车站或区域的骑行量或通过机器学习算法训练模型，从而预测需求量并决定车站的调度量。
然而，传统的车辆调度方法只考虑了每一车站自身的需求，没有考虑车站之间用户骑行产生的影响。因此，现有的车辆调度方法存在车辆调度量的计算不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高车辆调度量计算准确度的车辆调度方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种车辆调度方法，包括：
在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据，所述目标历史骑行数据与所述当前日期的日期相关联；
基于所述目标历史骑行数据，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述预测车辆流动数量表征在任意两个所述车站之间的预测用车数量；
根据所述当前日期内任意两个所述车站之间的预测车辆流动数量，构建所述目标范围内多个所述车站对应的车辆流动矩阵；
基于所述车辆流动矩阵，确定各所述车站的车站势能，其中，车站势能越大，表征向其他车站流动的车辆数量越多、向所述其他车站流动的车辆流动概率越大；
根据各所述车站的车站势能，进行车辆调度。
在其中一个实施例中，所述基于所述目标历史骑行数据，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，包括：
基于所述目标历史骑行数据，确定所述当前日期内每一时段的任意两个所述车站之间的预测车辆流动数量；
根据所述当前日期内每一时段的任意两个所述车站之间的预测车辆流动数量和求和参数，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述当前日期内任意两个所述车站之间的预测车辆流动数量与所述时段负相关。
在其中一个实施例中，所述基于所述车辆流动矩阵，确定各所述车站的车站势能，包括：
基于所述车辆流动矩阵，确定任意两个所述车站之间的车辆流动概率；
根据任意两个所述车站之间的所述车辆流动概率，确定车辆转移矩阵；
基于所述车辆转移矩阵、初始势能向量、调节因子、所述车站的数量以及单位向量，确定各所述车站的车站势能。
在其中一个实施例中，所述基于所述车辆流动矩阵，确定任意两个所述车站之间的车辆流动概率，包括：
针对每一所述车站，基于所述车辆流动矩阵中每一流入车站流入所述车站的预测车辆流动数量、每一所述流入车站流入其他车站的预测车辆流动数量，确定每一所述流入车站流入所述车站的车辆流动概率，其中，所述流入车站流入所述车站的车辆流动概率与所述流入车站流入所述车站的预测车辆流动数量正相关，所述流入车站流入所述车站的车辆流动概率与所述流入车站流入其他车站的预测车辆流动数量负相关。
在其中一个实施例中，所述基于所述车辆转移矩阵、初始势能向量、调节因子、所述车站的数量以及单位向量，确定各所述车站的车站势能，包括：
在第k轮处理过程中，基于第k-1轮势能向量、所述车辆转移矩阵、调节因子、所述车站的数量、以及单位向量，确定第k轮势能向量，在所述第k轮势能向量与所述第k-1轮势能向量的差值大于或等于目标差值时，进入第k+1轮处理过程，直至第m轮势能向量与第m-1轮势能向量的差值小于所述目标差值，将所述第m轮势能向量作为目标势能向量；
基于所述目标势能向量，确定各所述车站的车站势能；
其中，k和m均为正整数，在k为1时，所述第k-1轮势能向量为初始势能向量。
在其中一个实施例中，所述基于第k-1轮势能向量、所述车辆转移矩阵、调节因子、所述车站的数量、以及单位向量，确定第k轮势能向量，包括：
基于第k-1轮势能向量、所述车辆转移矩阵和调节因子，确定第一势能参数，所述第一势能参数与所述第k-1轮势能向量正相关，所述第一势能参数与所述车辆转移矩阵正相关，所述第一势能参数与调节因子正相关；
基于所述车站的数量、所述调节因子和单位向量，确定第二势能参数，所述第二势能参数与所述车站的数量负相关，所述第二势能参数与所述调节因子负相关；
基于所述第一势能参数和所述第二势能参数，确定第k轮势能向量，所述第k轮势能向量与所述第一势能参数正相关，所述第k轮势能向量与所述第二势能参数正相关。
在其中一个实施例中，所述根据各所述车站的车站势能，进行车辆调度，包括：
按照各所述车站的车站势能由大到小的顺序，对各所述车站进行排序，得到排序结果；
根据所述排序结果，在各所述车站中确定目标车站；
根据各所述目标车站的车站势能，确定每一所述目标车站的分配车辆数，并根据每一所述目标车站的分配车辆数，对各所述目标车站进行车辆调度。
在其中一个实施例中，所述根据各所述目标车站的车站势能，确定每一所述目标车站的分配车辆数，包括：
将各所述目标车站的车站势能转化为概率分布，得到各所述目标车站的车站势能概率；
基于各所述目标车站的车站势能概率以及待分配车辆总数，确定每一所述目标车站的分配车辆数。
第二方面，本申请还提供了一种车辆调度装置，包括：
采集模块，用于在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据，所述目标历史骑行数据与所述当前日期的日期相关联；
第一确定模块，用于基于所述目标历史骑行数据，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述预测车辆流动数量表征在任意两个所述车站之间的预测用车数量；
构建模块，用于根据所述当前日期内任意两个所述车站之间的预测车辆流动数量，构建所述目标范围内多个所述车站对应的车辆流动矩阵；
第二确定模块，用于基于所述车辆流动矩阵，确定各所述车站的车站势能，其中，车站势能越大，表征向其他车站流动的车辆数量越多、向所述其他车站流动的车辆流动概率越大；
调度模块，用于根据各所述车站的车站势能，进行车辆调度。
在其中一个实施例中，所述第一确定模块具体用于：
基于所述目标历史骑行数据，确定所述当前日期内每一时段的任意两个所述车站之间的预测车辆流动数量；
根据所述当前日期内每一时段的任意两个所述车站之间的预测车辆流动数量和求和参数，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述当前日期内任意两个所述车站之间的预测车辆流动数量与所述时段负相关。
在其中一个实施例中，所述第二确定模块具体用于：
基于所述车辆流动矩阵，确定任意两个所述车站之间的车辆流动概率；
根据任意两个所述车站之间的所述车辆流动概率，确定车辆转移矩阵；
基于所述车辆转移矩阵、初始势能向量、调节因子、所述车站的数量以及单位向量，确定各所述车站的车站势能。
在其中一个实施例中，所述第二确定模块具体用于：
针对每一所述车站，基于所述车辆流动矩阵中每一流入车站流入所述车站的预测车辆流动数量、每一所述流入车站流入其他车站的预测车辆流动数量，确定每一所述流入车站流入所述车站的车辆流动概率，其中，所述流入车站流入所述车站的车辆流动概率与所述流入车站流入所述车站的预测车辆流动数量正相关，所述流入车站流入所述车站的车辆流动概率与所述流入车站流入其他车站的预测车辆流动数量负相关。
在其中一个实施例中，所述第二确定模块具体用于：
在第k轮处理过程中，基于第k-1轮势能向量、所述车辆转移矩阵、调节因子、所述车站的数量、以及单位向量，确定第k轮势能向量，在所述第k轮势能向量与所述第k-1轮势能向量的差值大于或等于目标差值时，进入第k+1轮处理过程，直至第m轮势能向量与第m-1轮势能向量的差值小于所述目标差值，将所述第m轮势能向量作为目标势能向量；
基于所述目标势能向量，确定各所述车站的车站势能；
其中，k和m均为正整数，在k为1时，所述第k-1轮势能向量为初始势能向量。
在其中一个实施例中，所述第二确定模块具体用于：
基于第k-1轮势能向量、所述车辆转移矩阵和调节因子，确定第一势能参数，所述第一势能参数与所述第k-1轮势能向量正相关，所述第一势能参数与所述车辆转移矩阵正相关，所述第一势能参数与调节因子正相关；
基于所述车站的数量、所述调节因子和单位向量，确定第二势能参数，所述第二势能参数与所述车站的数量负相关，所述第二势能参数与所述调节因子负相关；
基于所述第一势能参数和所述第二势能参数，确定第k轮势能向量，所述第k轮势能向量与所述第一势能参数正相关，所述第k轮势能向量与所述第二势能参数正相关。
在其中一个实施例中，所述调度模块具体用于：
按照各所述车站的车站势能由大到小的顺序，对各所述车站进行排序，得到排序结果；
根据所述排序结果，在各所述车站中确定目标车站；
根据各所述目标车站的车站势能，确定每一所述目标车站的分配车辆数，并根据每一所述目标车站的分配车辆数，对各所述目标车站进行车辆调度。
在其中一个实施例中，所述调度模块具体用于：
将各所述目标车站的车站势能转化为概率分布，得到各所述目标车站的车站势能概率；
基于各所述目标车站的车站势能概率以及待分配车辆总数，确定每一所述目标车站的分配车辆数。
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上述各车辆调度方法的步骤。
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上述各车辆调度方法的步骤。
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上述各车辆调度方法的步骤。
上述车辆调度方法、装置、计算机设备、存储介质和计算机程序产品，在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据，所述目标历史骑行数据与所述当前日期的日期相关联；基于所述目标历史骑行数据，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述预测车辆流动数量表征在任意两个所述车站之间的预测用车数量；根据所述当前日期内任意两个所述车站之间的预测车辆流动数量，构建所述目标范围内多个所述车站对应的车辆流动矩阵；基于所述车辆流动矩阵，确定各所述车站的车站势能，其中，车站势能越大，表征向其他车站流动的车辆数量越多、向所述其他车站流动的车辆流动概率越大；根据各所述车站的车站势能，进行车辆调度。采用本方法，根据与当前日期的日期相关的多个车站之间的历史骑行数据，确定每一车站的势能，进而根据车站的势能进行车辆调度。由于充分考虑到每两个车站之间的用户进行车辆的骑入、骑出产生的调度，能够得到与用户用车需求相关的预测车辆流动数量，进而能够提高车辆调度的准确性以及用车的便捷性。
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为一个实施例中确定当前日期内任意两个车站之间的预测车辆流动数量的流程示意图；
图3为一个实施例中确定各车站的车站势能的流程示意图；
图4为一个实施例中确定目标势能向量和各车站的车站势能的流程示意图；
图5为一个实施例中确定第k轮势能向量的流程示意图；
图6为一个实施例中对各目标车站进行车辆调度的流程示意图；
图7为另一个实施例中确定每一目标车站的分配车辆数的流程示意图；
图8为一个实施例中车辆调度装置的结构框图；
图9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。
在一个示例性的实施例中，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服务器进行举例说明，可以理解的是，该方法也可以应用于终端，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，在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据。
其中，目标历史骑行数据与当前日期的日期相关联。目标时间点为用户用车量较小的时间点，服务器能够在目标时间点计算车站的所需的调度量，在计算完成后，由技术人员进行车辆调度，目标时间点可以为当前日期的凌晨0点。目标范围为预设大小的、包含多个车站的地理区块，例如一座城市。骑行数据可以包括但不限于骑行起点经纬度、骑行终点经纬度和骑行时间戳。
本申请实施例中，服务器可以预先存储有日期与采样规则的映射关系，服务器在当前日期的目标时间点，根据日期与采样规则的映射关系，采集当前日期对应的目标范围内多个车站之间的目标历史骑行数据。
示例性地，服务器在当前日期为星期一、目标范围为城市A的情况下，获取城市A在当前日期的前预设时间段内产生的历史骑行数据，例如当前日期的前三个月内。然后，服务器在当前日期的前预设时间段内的历史骑行数据中，根据日期与采样规则的映射关系，确定星期一对应的采样规则。服务器根据星期一对应的采样规则，采集星期一对应的城市A中多个车站之间的目标历史骑行数据。
具体地，日期与采样规则的映射关系表可以参照表1所示，具体内容如下：
表1
其中，日期共分为两类，工作日和休息日。在当前日期为工作日（例如星期一至星期五）的情况下，前预设时间段内星期数相同的工作日的历史骑行数据采样率为100%，即，将当前日期的前预设时间段内星期数相同的工作日的历史骑行数据全部采样；其他工作日的历史骑行数据分别采样80%，即，将当前日期的前预设时间段内其他工作日的历史骑行数据随机采样80%；休息日的历史骑行数据分别采样50%，即，将当前日期的前预设时间段内休息日的历史骑行数据随机采样50%。
在当前日期为休息日（例如星期六至星期日）的情况下，前预设时间段内休息日的历史骑行数据采样率为100%，即，将当前日期的前预设时间段内休息日的历史骑行数据全部采样；工作日的历史骑行数据采样率分别为50%，即，将当前日期的前预设时间段内休息日的历史骑行数据随机采样50%。
在服务器采集目标范围内多个车站之间的目标历史骑行数据后，服务器针对每一目标历史骑行数据，根据该目标历史骑行数据的骑行起点经纬度、骑行终点经纬度、以及目标范围内各车站的经纬度和车站的覆盖范围，确定该目标历史骑行数据的骑行起点车站和骑行终点车站，每一车站均具有唯一ID（Identity document，身份标识号）。
服务器还可以将该目标历史骑行数据的骑行时间戳转换为时间段H。示例性地，服务器设置每60分钟一个时间段，一个自然日共包含24个时间段，时间段的取值范围为0至23的整数。
示例性地，服务器将凌晨0点-1点之间产生的目标历史骑行数据的时段设置为0，将凌晨23:00点-凌晨0点之间产生的目标历史骑行数据的时段设置为23。
步骤104，基于目标历史骑行数据，确定当前日期内任意两个车站之间的预测车辆流动数量。
其中，预测车辆流动数量表征在任意两个车站之间的预测用车数量。任意两个车站之间的车辆流动数量表征在任意两个车站之间的用车数量，示例性地，服务器确定在车站A和车站B之间，存在a条由车站A骑入车站B的目标历史骑行数据，存在b条由车站B骑入车站A的目标历史骑行数据，则由车站A到车站B的车辆流动数量为a，由车站B到车站A的车辆流动数量为b。
本申请实施例中，服务器能够确定每一目标历史骑行数据的骑行起点车站和骑行终点车站，因此，服务器能够根据每一目标历史骑行数据的骑行起点车站和骑行终点车站，确定目标历史骑行数据中任意两个车站之间的车辆流动数量。
服务器根据目标历史骑行数据中任意两个车站之间的车辆流动数量，对当前日期内任意两个车站之间的车辆流动数量进行预测，得到当前日期内任意两个车站之间的预测车辆流动数量。
步骤106，根据当前日期内任意两个车站之间的预测车辆流动数量，构建目标范围内多个车站对应的车辆流动矩阵。
本申请实施例中，服务器根据当前日期内任意两个车站之间的预测车辆流动数量，构建目标范围内多个车站对应的车辆流动矩阵。示例性地，车辆流动矩阵可以参照表2所示，具体内容如下：
表2
其中，车辆流动矩阵记录有每两个车站之间的预测车辆流动数量；S1至S4分别表示车站1至车站4；Nij表征由车站i骑入车站j的预测车辆流动数量；Day_Nij表征在当前时间日期内，由车站i骑入车站j的预测车辆流动数量，例如，Day_N11表征在当前时间日期内，由车站1骑入车站1的预测车辆流动数量，Day_N12表征在当前时间日期内，由车站1骑入车站2的预测车辆流动数量。
可以理解的是，服务器可以将流动矩阵中的对角线上的元素删除，参照表3所示，例如Day_N11、Day_N22、Day_N33…Day_Nnn，因为车站内车辆流向自己可以视为无效骑行，可能是由于车辆质量问题等原因导致无法骑行。
示例性地，将流动矩阵中的对角线上的元素删除后的车辆流动矩阵可以参照表3所示，具体内容如下：
表3
步骤108，基于车辆流动矩阵，确定各车站的车站势能。
本申请实施例中，服务器基于车辆流动矩阵和车站势能参数，确定各车站的车站势能。
其中，车站势能越大，表征向其他车站流动的车辆数量越多、向其他车站流动的车辆流动概率越大。车站势能参数可以包括但不限于车站势能向量、调节因子以及单位向量。
步骤110，根据各车站的车站势能，进行车辆调度。
其中，车站的车站势能越大，表征从该车站向其他车站流动的车辆数量越多、从该车站向其他车站流动的车辆流动概率越大。
本申请实施例中，服务器能够根据车站的车站势能，确定各车站中车辆向其他车站流动的情况，并根据车辆向其他车站流动的情况，确定每一车站的分配车辆数，根据分配车辆数对每一车站进行车辆调度。
上述车辆调度方法中，在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据，目标历史骑行数据与当前日期的日期相关联；基于目标历史骑行数据，确定当前日期内任意两个车站之间的预测车辆流动数量，预测车辆流动数量表征在任意两个车站之间的预测用车数量；根据当前日期内任意两个车站之间的预测车辆流动数量，构建目标范围内多个车站对应的车辆流动矩阵；基于车辆流动矩阵，确定各车站的车站势能，其中，车站势能越大，表征向其他车站流动的车辆数量越多、向其他车站流动的车辆流动概率越大；根据各车站的车站势能，进行车辆调度。采用本方法，根据与当前日期的日期相关的多个车站之间的历史骑行数据，确定每一车站的势能，进而根据车站的势能进行车辆调度。由于充分考虑到每两个车站之间的用户进行车辆的骑入、骑出产生的调度，能够得到与用户用车需求相关的预测车辆流动数量，进而能够提高车辆调度的准确性以及用车的便捷性。
在一个示例性的实施例中，如图2所示，步骤104包括：
步骤202，基于目标历史骑行数据，确定当前日期内每一时段的任意两个车站之间的预测车辆流动数量。
本申请实施例中，由于目标历史骑行数据包含车辆使用的时间段信息，因为，针对每一时间段，服务器按照该时间段，对目标历史骑行数据进行统计，确定该时间段中任意两个车辆之间的历史车辆流动数量。服务器按照目标历史骑行数据的采样天数，对每一时间段中任意两个车辆之间的历史车辆流动数量进行取平均值计算，确定每一时间段中任意两个车辆之间的日均历史车辆流动数量。
然后，服务器将每一时间段中任意两个车辆之间的日均历史车辆流动数量，作为当前日期内每一时段的任意两个车站之间的预测车辆流动数量。
步骤204，根据当前日期内每一时段的任意两个车站之间的预测车辆流动数量和求和参数，确定当前日期内任意两个车站之间的预测车辆流动数量。
其中，当前日期内任意两个车站之间的预测车辆流动数量与时段负相关。
本申请实施例中，服务器中可以预先存有预设的求和参数，例如求和参数可以取0.9。
服务器根据当前日期内每一时段的任意两个车站之间的预测车辆流动数量和求和参数，确定当前日期内任意两个车站之间的预测车辆流动数量，对于确定当前日期内任意两个车站之间的预测车辆流动数量的方式，可以参照公式（一）所示，具体内容如下：
公式（一）
其中，表征从车站i骑入车站j的预测车辆流动数量；/>表征在当前日期内，从车站i骑入车站j的预测车辆流动数量；H表示时段，取值范围为0至23的整数；/>表征在当前日期的时段H内，从车站i骑入车站j的预测车辆流动数量。
可以理解的是，考虑到一辆车越早被骑行，其在未来能够周转的次数越多，因此车辆流动数量可能会越多，因此，时段H的大小与当前日期内由车站i骑入车站j的预测车辆流动数量大小负相关。
本实施例中，服务器能够基于在当前日期的时段内，从车站i骑入车站j的预测车辆流动数量，确定当前日期内，从车站i骑入车站j的预测车辆流动数量。由于考虑到一辆车越早被骑行，其在未来能够周转的次数越多，车辆流动数量可能会越多。因此，通过上述公式（一），能够达到使时段H的大小与当前日期内由车站i骑入车站j的预测车辆流动数量大小负相关的效果，因此，能够更准确地得到从车站i骑入车站j的预测车辆流动数量。
在一个示例性的实施例中，如图3所示，步骤108包括：
步骤302，基于车辆流动矩阵，确定任意两个车站之间的车辆流动概率。
本申请实施例中，服务器基于车辆流动矩阵，确定当前日期内任意两个车站之间的预测车辆流动数量。服务器根据当前日期内任意两个车站之间的预测车辆流动数量，确定当前日期内任意两个车站之间的车辆流动概率。对于确定当前日期内任意两个车站之间的车辆流动概率的方法，可以参照公式（二）所示，具体内容如下：
公式（二）
其中，表征从车站i骑入车站j的车辆流动概率；/>表征在当前日期内，从车站i骑入车站j的车辆流动概率；/>表征从车站i骑入车站j的预测车辆流动数量；/>表征在当前日期内，从车站i骑入车站k的预测车辆流动数量。
步骤304，根据任意两个车站之间的车辆流动概率，确定车辆转移矩阵。
本申请实施例中，服务器根据当前时间内任意两个车站之间的车辆流动概率，构建车辆转移矩阵。示例性地，车辆转移矩阵可以参照表4所示，具体内容如下：
表4
其中，车辆转移矩阵记录有每两个车站之间的车辆流动概率；S1至S4分别表示车站1至车站4；Pij表征由车站i骑入车站j的车辆流动概率；Day_Pij表征在当前时间日期内，由车站i骑入车站j的车辆流动概率，例如，Day_P11表征在当前时间日期内，由车站1骑入车站1的车辆流动概率，Day_P12表征在当前时间日期内，由车站1骑入车站2的车辆流动概率。
步骤306，基于车辆转移矩阵、初始势能向量、调节因子、车站的数量以及单位向量，确定各车站的车站势能。
本申请实施例中，服务器可以能够根据目标范围内车站的数量，确定初始势能向量，具体地，初始势能向量R=[1/n，1/n，...1/n]。示例性地，在目标范围内车站的数量为4的情况下，初始势能向量R为[1/4，1/4，1/4，1/4]。
服务器可以预先存有调节因子，调节因子的取值范围为[0，1]。其中，调节因子用于调整车辆在车站间随机转移的程度。如果d等于1，则完全按照转移矩阵来转移。对于调节因子的具体取值，可以由技术人员在实际应用中确定，本申请实施例对此不做限定。
服务器基于车辆转移矩阵、初始势能向量、调节因子、车站的数量以及单位向量，确定各车站的车站势能。
本实施例中，服务器充分参考了车辆流动矩阵和多个车站势能参数，能够确定各车站的车站势能，便于后续服务器基于各车站的车站势能，进行各车站的车辆调度。
在一个示例性的实施例中，步骤302包括：
针对每一车站，基于车辆流动矩阵中每一流入车站流入该车站的预测车辆流动数量、每一流入车站流入其他车站的预测车辆流动数量，确定每一流入车站流入该车站的车辆流动概率。
其中，流入车站流入该车站的车辆流动概率与流入车站流入该车站的预测车辆流动数量正相关，流入车站流入该车站的车辆流动概率与流入车站流入其他车站的预测车辆流动数量负相关。
本申请实施例中，服务器针对每一车站，在目标范围内的其他车站中选取任意一个车站作为流入车站。然后，服务器根据车辆流动矩阵，确定流入车站流入该车站的预测车辆流动数量、以及流入车站流入目标范围内的其他车站的预测车辆流动数量。
服务器将流入车站流入该车站的预测车辆流动数量、以及流入车站流入目标范围内的其他车站的预测车辆流动数量进行求和计算，确定流入车站流入目标范围内各车站的总预测车辆流动数量。服务器根据流入车站流入目标范围内各车站的总预测车辆流动数量、以及流入车站流入该车站的预测车辆流动数量，确定流入车站流入该车站的车辆流动概率。
以此类推，服务器可以确定每一流入车站流入任一车站的车辆流动概率。
其中，对于确定流入车站流入某一车站的车辆流动概率的方法，可以参照公式（三）所示，具体内容如下：
公式（三）
其中，表征从车站i骑入车站j的车辆流动概率；/>表征在当前日期内，从车站i骑入车站j的车辆流动概率；/>表征在当前日期内，从车站i骑入车站j的预测车辆流动数量；/>表征在当前日期内，从车站i骑入目标范围内各车站的总预测车辆流动数量。
本实施例中，服务器通过车辆流动矩阵，确定任意两个所述车站之间的车辆流动概率，便于后续实现基于任意两个所述车站之间的车辆流动概率，确定车辆转移矩阵的效果。
在一个示例性的实施例中，如图4所示，步骤306包括：
步骤402，在第k轮处理过程中，基于第k-1轮势能向量、车辆转移矩阵、调节因子、车站的数量、以及单位向量，确定第k轮势能向量，在第k轮势能向量与第k-1轮势能向量的差值大于或等于目标差值时，进入第k+1轮处理过程，直至第m轮势能向量与第m-1轮势能向量的差值小于目标差值，将第m轮势能向量作为目标势能向量。
其中，k和m均为正整数，在k为1时，第k-1轮势能向量为初始势能向量。第m轮势能向量与第m-1轮势能向量的差值小于目标差值，用于表征第m轮势能向量达到迭代停止条件，第m轮势能向量表征的各车站中车辆的流动情况的准确度较高。
本申请实施例中，服务器将进行k轮处理，从而获取目标势能向量。
具体地，服务器可以预先存有目标差值，在第k轮处理过程中，基于第k-1轮势能向量、车辆转移矩阵、调节因子、车站的数量以及单位向量，确定第k轮势能向量。服务器在第k轮势能向量与第k-1轮势能向量的差值大于或等于目标差值时，进入第k+1轮处理过程，直至第m轮势能向量与第m-1轮势能向量的差值小于目标差值，停止k轮处理过程，服务器将第m轮势能向量作为目标势能向量。
示例性地，服务器在第1轮处理过程中，基于初始势能向量、车辆转移矩阵、调节因子、车站的数量、以及单位向量，确定第1轮势能向量。服务器确定第1轮势能向量与初始势能向量的差值，在第1轮势能向量与初始势能向量的差值大于或等于目标差值时，进入第2轮处理过程。
服务器在第2轮处理过程中，基于第1轮势能向量、车辆转移矩阵、调节因子、车站的数量、以及单位向量，确定第2轮势能向量。服务器确定第2轮势能向量与第1轮势能向量的差值，在第2轮势能向量与第1轮势能向量的差值小于目标差值时，结束k轮处理过程，并将第2轮势能向量作为目标势能向量。
步骤404，基于目标势能向量，确定各车站的车站势能。
本申请实施例中，服务器根据当前日期的目标范围内多个车站对应的目标势能向量，确定各车站的车站势能。
示例性地，服务器在当前日期的目标范围内多个车站对应的目标势能向量为[1/4，1/4，1/4，1/4]的情况下，服务器确定车站1的车站势能为0.25，车站2的车站势能为0.25，车站3的车站势能为0.25，车站4的车站势能为0.25。
本实施例中，通过k轮处理过程，对各车站的势能向量进行迭代，从而得到误差更小、更精准的车站的目标势能向量。能够达到通过目标势能向量，确定各车站的车站势能，进而根据车站的势能进行车辆调度。
在一个示例性的实施例中，如图5所示，步骤402包括：
步骤502，基于第k-1轮势能向量、车辆转移矩阵和调节因子，确定第一势能参数。
其中，第一势能参数与第k-1轮势能向量正相关，第一势能参数与车辆转移矩阵正相关，第一势能参数与调节因子正相关。
本申请实施例中，服务器根据第k-1轮势能向量、车辆转移矩阵和调节因子，确定第一势能参数，对于确定第一势能参数的方法，可以参照公式（四）所示，具体内容如下：
公式（四）
其中，表征第一势能参数；d表征调节因子，M表征车辆转移矩阵；/> 表征第k-1轮势能向量；第一势能参数与第k-1轮势能向量正相关，第一势能参数与车辆转移矩阵正相关，第一势能参数与调节因子正相关。
步骤504，基于车站的数量、调节因子和单位向量，确定第二势能参数。
其中，第二势能参数与车站的数量负相关，第二势能参数与调节因子负相关。
本申请实施例中，服务器根据目标范围内车站的数量、调节因子和单位向量，确定第二势能参数，确定第二势能参数的方法，可以参照公式（五）所示，具体内容如下：
公式（五）
其中，表征第二势能参数；d表征调节因子；n表征目标范围内车站的数量；E表征单位向量；第二势能参数与车站的数量负相关，第二势能参数与调节因子负相关。
步骤506，基于第一势能参数和第二势能参数，确定第k轮势能向量。
其中，第k轮势能向量与第一势能参数正相关，第k轮势能向量与第二势能参数正相关。
本申请实施例中，服务器根据第一势能参数和第二势能参数，确定第k轮势能向量，确定第k轮势能向量可以参照公式（六）所示，具体内容如下：
公式（六）
其中， W表征第k轮势能向量；表征第一势能参数；/>表征第二势能参数；第k轮势能向量与第一势能参数正相关，第k轮势能向量与第二势能参数正相关。
示例性地，在第1轮处理过程中，服务器基于初始势能向量、车辆转移矩阵、调节因子、车站的数量以及单位向量，确定第2轮势能向量，具体过程参照公式（七）所示，具体内容如下：
公式（七）
其中，调节因子取值为0.95；车辆转移矩阵为表4中的车辆转移矩阵；初始势能向量为[1/4，1/4，1/4，1/4]，即[0.25，0.25，0.25，0.25]；目标范围内车站的数量为4；第2轮势能向量为。
其中，服务器能够对第k轮势能向量进行矩阵变换，将的矩阵变换为/>的矩阵，便于服务器基于/>的矩阵，确定各车站的车站势能。对于矩阵变换的具体方式，任一能够实现矩阵变换的算法和公式均可用于本申请中，本申请实施例不作具体限定。
本实施例中，服务器通过第k-1轮势能向量、车辆转移矩阵、调节因子、车站的数量、以及单位向量，能够确定第k轮势能向量，便于后续服务器基于第k轮势能向量以及第k-1轮势能向量的差值，确定是否满足目标差值，从而得到目标势能向量。
在一个示例性的实施例中，如图6所示，步骤110包括：
步骤602，按照各车站的车站势能由大到小的顺序，对各车站进行排序，得到排序结果。
本申请实施例中，服务器在确定各车站的车站势能后，按照各车站的车站势能由大到小的顺序，对各车站进行排序，得到排序结果。
步骤604，根据排序结果，在各车站中确定目标车站。
本申请实施例中，服务器可以存储有预设车站数量阈值，例如，预设车站数量阈值可以为排序结果的前20%。例如，在目标范围内包含100个车站的情况下，服务器将该100个车站的车站势能进行排序，得到排序结果，将位于排序结果的前20%的车站作为目标车站。
步骤606，根据各目标车站的车站势能，确定每一目标车站的分配车辆数，并根据每一目标车站的分配车辆数，对各目标车站进行车辆调度。
本申请实施例中，服务器能够获取目标范围内的全部车辆的数量，根据各目标车站的车站势能、以及目标范围内的全部车辆的数量，确定每一目标车站的分配车辆数。对于目标范围内的非目标车站的车站，可以不分配车辆，或基于实际情况分配较少车辆。
然后，服务器根据每一目标车站的分配车辆数，生成多个调度工单，将调度工单发送至调度终端，以使调度人员基于调度终端，对各目标车站进行车辆调度。
其中，调度工单中可以包括但不限于待调度车辆编号、待调度车辆位置信息、待调度车辆所在的车站编号、待调度车辆所在车站的位置信息、待调度车站的目标调度车站编号、待调度车站的目标调度车站的位置信息等。
示例性地，调度人员基于调度终端，收到调度工单A。调度人员根据调度工单A中的待调度车辆编号1000、待调度车辆位置信息P0、待调度车辆所在的车站编号0010、待调度车辆所在车站的位置信息P1，能够在待调度车辆所在车站0010中寻找待调度车辆1000。然后，调度人员根据调度工单A，确定待调度车站的目标调度车站编号0001、待调度车站的目标调度车站的位置信息P1，将待调度车辆1000调度至待调度车站的目标调度车站0001中，完成车辆调度。
以此类推，能够实现在凌晨确定待调度车辆的数量后，完成待调度车辆的夜间调度的效果。
本实施例中，服务器能够基于各车站的车站势能以及目标范围内的全部车辆的数量，确定与各车站的车站势能相关的分配车辆数。并根据与各车站的车站势能相关的分配车辆数，对各目标车站进行车辆调度，能够实现在确定了各车站的车辆流动情况的基础上，将更多车辆调度至车辆向其他车站流动数量更大的目标车站中。由于用户会通过骑行将目标车站中的车辆调度至其他车站，因此，本实施例能够达到根据与用户用车需求相关联的分配车辆数，在夜间进行车辆调度，且在用户骑行调度后，目标范围内车辆分布较为均匀的效果，便于用户后续用车。
在一个示例性的实施例中，如图7所示，步骤606包括：
步骤702，将各目标车站的车站势能转化为概率分布，得到各目标车站的车站势能概率。
本申请实施例中，服务器能够将各目标车站的车站势能转化为概率分布，得到各目标车站的车站势能概率。
示例性地，服务器能够通过softmax（归一化指数函数）函数，将各目标车站的车站势能转化为概率分布，得到各目标车站的车站势能概率。其中，softmax用于将各目标车站的车站势能转换为表示概率分布的实数。其本质上是一种归一化函数，可以将一组任意的实数值转化为在[0, 1]之间的概率值。
步骤704，基于各目标车站的车站势能概率以及待分配车辆总数，确定每一目标车站的分配车辆数。
本申请实施例中，服务器能够获取目标范围内的车辆总数量，并将目标范围内的车辆总数量作为待分配车辆总数。
示例性地，服务器能够根据目标范围内的车辆的位置信息，确定目标范围内的车辆总数量，本申请实施例对于获取目标范围内的车辆总数量的具体方式不做限定。
可选地，为了保证其他车站内产生的少量骑行需求，服务器还可以针对目标范围内的每一个非目标车站的车站，保留预设数目个车辆。例如，预设数目可以为2，服务器针对目标范围内的每一个非目标车站的车站，保留2个（即预设数目）车辆，以保证少量用户的用车需求。在此情况下，服务器基于预设数目、目标范围内的非目标车站的车站数目、目标范围内的车辆总数量，确定待分配车辆总数。
示例性地，在预设数目为2、目标范围内的非目标车站的车站数目为80、目标范围内的车辆总数量为1000的情况下，待分配车辆总数为。
然后，服务器基于各目标车站的车站势能概率以及待分配车辆总数，确定每一目标车站的分配车辆数，对于每一目标车站的分配车辆数的计算方法，可以参照公式（八）所示，具体内容如下：
公式（八）
其中，X表征目标车站的分配车辆数；Q表征目标车站的车站势能概率；Num表征待分配车辆总数。
本实施例中，服务器能够确定与各车站的车站势能相关的分配车辆数，由于用户会通过骑行将目标车站中的车辆调度至其他车站，因此，本实施例能够达到根据与用户用车需求相关联的分配车辆数，便于用户后续用车。
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8所示，提供了一种车辆调度装置800，包括：采集模块802、第一确定模块804、构建模块806、第二确定模块808和调度模块810，其中：
采集模块802，用于在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据，所述目标历史骑行数据与所述当前日期的日期相关联。
第一确定模块804，用于基于所述目标历史骑行数据，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述预测车辆流动数量表征在任意两个所述车站之间的预测用车数量。
构建模块806，用于根据所述当前日期内任意两个所述车站之间的预测车辆流动数量，构建所述目标范围内多个所述车站对应的车辆流动矩阵。
第二确定模块808，用于基于所述车辆流动矩阵，确定各所述车站的车站势能，其中，车站势能越大，表征向其他车站流动的车辆数量越多、向所述其他车站流动的车辆流动概率越大。
调度模块810，用于根据各所述车站的车站势能，进行车辆调度。
采用本公开实施例提供的车辆调度装置，根据与当前日期的日期相关的多个车站之间的历史骑行数据，确定每一车站的势能，进而根据车站的势能进行车辆调度。由于充分考虑到每两个车站之间的用户进行车辆的骑入、骑出产生的调度，能够得到与用户用车需求相关的预测车辆流动数量，进而能够提高车辆调度的准确性以及用车的便捷性。
在一个实施例中，所述第一确定模块804具体用于：
基于所述目标历史骑行数据，确定所述当前日期内每一时段的任意两个所述车站之间的预测车辆流动数量；
根据所述当前日期内每一时段的任意两个所述车站之间的预测车辆流动数量和求和参数，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述当前日期内任意两个所述车站之间的预测车辆流动数量与所述时段负相关。
在一个实施例中，所述第二确定模块808具体用于：
基于所述车辆流动矩阵，确定任意两个所述车站之间的车辆流动概率；
根据任意两个所述车站之间的所述车辆流动概率，确定车辆转移矩阵；
基于所述车辆转移矩阵、初始势能向量、调节因子、所述车站的数量以及单位向量，确定各所述车站的车站势能。
在一个实施例中，所述第二确定模块808具体用于：
针对每一所述车站，基于所述车辆流动矩阵中每一流入车站流入所述车站的预测车辆流动数量、每一所述流入车站流入其他车站的预测车辆流动数量，确定每一所述流入车站流入所述车站的车辆流动概率，其中，所述流入车站流入所述车站的车辆流动概率与所述流入车站流入所述车站的预测车辆流动数量正相关，所述流入车站流入所述车站的车辆流动概率与所述流入车站流入其他车站的预测车辆流动数量负相关。
在一个实施例中，所述第二确定模块808具体用于：
在第k轮处理过程中，基于第k-1轮势能向量、所述车辆转移矩阵、调节因子、所述车站的数量、以及单位向量，确定第k轮势能向量，在所述第k轮势能向量与所述第k-1轮势能向量的差值大于或等于目标差值时，进入第k+1轮处理过程，直至第m轮势能向量与第m-1轮势能向量的差值小于所述目标差值，将所述第m轮势能向量作为目标势能向量；
基于所述目标势能向量，确定各所述车站的车站势能；
其中，k和m均为正整数，在k为1时，所述第k-1轮势能向量为初始势能向量。
在一个实施例中，所述第二确定模块808具体用于：
基于第k-1轮势能向量、所述车辆转移矩阵和调节因子，确定第一势能参数，所述第一势能参数与所述第k-1轮势能向量正相关，所述第一势能参数与所述车辆转移矩阵正相关，所述第一势能参数与调节因子正相关；
基于所述车站的数量、所述调节因子和单位向量，确定第二势能参数，所述第二势能参数与所述车站的数量负相关，所述第二势能参数与所述调节因子负相关；
基于所述第一势能参数和所述第二势能参数，确定第k轮势能向量，所述第k轮势能向量与所述第一势能参数正相关，所述第k轮势能向量与所述第二势能参数正相关。
在一个实施例中，所述调度模块810具体用于：
按照各所述车站的车站势能由大到小的顺序，对各所述车站进行排序，得到排序结果；
根据所述排序结果，在各所述车站中确定目标车站；
根据各所述目标车站的车站势能，确定每一所述目标车站的分配车辆数，并根据每一所述目标车站的分配车辆数，对各所述目标车站进行车辆调度。
在一个实施例中，所述调度模块810具体用于：
将各所述目标车站的车站势能转化为概率分布，得到各所述目标车站的车站势能概率；
基于各所述目标车站的车站势能概率以及待分配车辆总数，确定每一所述目标车站的分配车辆数。
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9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车辆调度方法相关的数据。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9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 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 (11)

1.一种车辆调度方法，其特征在于，所述方法包括：
在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据，所述目标历史骑行数据与所述当前日期的日期相关联；
基于所述目标历史骑行数据，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述预测车辆流动数量表征在任意两个所述车站之间的预测用车数量；
根据所述当前日期内任意两个所述车站之间的预测车辆流动数量，构建所述目标范围内多个所述车站对应的车辆流动矩阵；
基于所述车辆流动矩阵，确定各所述车站的车站势能，其中，车站势能越大，表征向其他车站流动的车辆数量越多、向所述其他车站流动的车辆流动概率越大；
根据各所述车站的车站势能，进行车辆调度。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标历史骑行数据，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，包括：
基于所述目标历史骑行数据，确定所述当前日期内每一时段的任意两个所述车站之间的预测车辆流动数量；
根据所述当前日期内每一时段的任意两个所述车站之间的预测车辆流动数量和求和参数，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述当前日期内任意两个所述车站之间的预测车辆流动数量与所述时段负相关。
3.根据权利要求1所述的方法，其特征在于，所述基于所述车辆流动矩阵，确定各所述车站的车站势能，包括：
基于所述车辆流动矩阵，确定任意两个所述车站之间的车辆流动概率；
根据任意两个所述车站之间的所述车辆流动概率，确定车辆转移矩阵；
基于所述车辆转移矩阵、初始势能向量、调节因子、所述车站的数量以及单位向量，确定各所述车站的车站势能。
4.根据权利要求3所述的方法，其特征在于，所述基于所述车辆流动矩阵，确定任意两个所述车站之间的车辆流动概率，包括：
针对每一所述车站，基于所述车辆流动矩阵中每一流入车站流入所述车站的预测车辆流动数量、每一所述流入车站流入其他车站的预测车辆流动数量，确定每一所述流入车站流入所述车站的车辆流动概率，其中，所述流入车站流入所述车站的车辆流动概率与所述流入车站流入所述车站的预测车辆流动数量正相关，所述流入车站流入所述车站的车辆流动概率与所述流入车站流入其他车站的预测车辆流动数量负相关。
5.根据权利要求3所述的方法，其特征在于，所述基于所述车辆转移矩阵、初始势能向量、调节因子、所述车站的数量以及单位向量，确定各所述车站的车站势能，包括：
在第k轮处理过程中，基于第k-1轮势能向量、所述车辆转移矩阵、调节因子、所述车站的数量、以及单位向量，确定第k轮势能向量，在所述第k轮势能向量与所述第k-1轮势能向量的差值大于或等于目标差值时，进入第k+1轮处理过程，直至第m轮势能向量与第m-1轮势能向量的差值小于所述目标差值，将所述第m轮势能向量作为目标势能向量；
基于所述目标势能向量，确定各所述车站的车站势能；
其中，k和m均为正整数，在k为1时，所述第k-1轮势能向量为初始势能向量。
6.根据权利要求5所述的方法，其特征在于，所述基于第k-1轮势能向量、所述车辆转移矩阵、调节因子、所述车站的数量、以及单位向量，确定第k轮势能向量，包括：
基于第k-1轮势能向量、所述车辆转移矩阵和调节因子，确定第一势能参数，所述第一势能参数与所述第k-1轮势能向量正相关，所述第一势能参数与所述车辆转移矩阵正相关，所述第一势能参数与调节因子正相关；
基于所述车站的数量、所述调节因子和单位向量，确定第二势能参数，所述第二势能参数与所述车站的数量负相关，所述第二势能参数与所述调节因子负相关；
基于所述第一势能参数和所述第二势能参数，确定第k轮势能向量，所述第k轮势能向量与所述第一势能参数正相关，所述第k轮势能向量与所述第二势能参数正相关。
7.根据权利要求1所述的方法，其特征在于，所述根据各所述车站的车站势能，进行车辆调度，包括：
按照各所述车站的车站势能由大到小的顺序，对各所述车站进行排序，得到排序结果；
根据所述排序结果，在各所述车站中确定目标车站；
根据各所述目标车站的车站势能，确定每一所述目标车站的分配车辆数，并根据每一所述目标车站的分配车辆数，对各所述目标车站进行车辆调度。
8.根据权利要求7所述的方法，其特征在于，所述根据各所述目标车站的车站势能，确定每一所述目标车站的分配车辆数，包括：
将各所述目标车站的车站势能转化为概率分布，得到各所述目标车站的车站势能概率；
基于各所述目标车站的车站势能概率以及待分配车辆总数，确定每一所述目标车站的分配车辆数。
9.一种车辆调度装置，其特征在于，所述装置包括：
采集模块，用于在当前日期的目标时间点，采集目标范围内多个车站之间的目标历史骑行数据，所述目标历史骑行数据与所述当前日期的日期相关联；
第一确定模块，用于基于所述目标历史骑行数据，确定所述当前日期内任意两个所述车站之间的预测车辆流动数量，所述预测车辆流动数量表征在任意两个所述车站之间的预测用车数量；
构建模块，用于根据所述当前日期内任意两个所述车站之间的预测车辆流动数量，构建所述目标范围内多个所述车站对应的车辆流动矩阵；
第二确定模块，用于基于所述车辆流动矩阵，确定各所述车站的车站势能，其中，车站势能越大，表征向其他车站流动的车辆数量越多、向所述其他车站流动的车辆流动概率越大；
调度模块，用于根据各所述车站的车站势能，进行车辆调度。
10.一种计算机设备，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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
CN202410252695.6A 2024-03-06 2024-03-06 车辆调度方法、装置、计算机设备和存储介质 Active CN117875518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410252695.6A CN117875518B (zh) 2024-03-06 2024-03-06 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
CN202410252695.6A CN117875518B (zh) 2024-03-06 2024-03-06 车辆调度方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN117875518A true CN117875518A (zh) 2024-04-12
CN117875518B CN117875518B (zh) 2024-06-18

Family

ID=90595024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410252695.6A Active CN117875518B (zh) 2024-03-06 2024-03-06 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) CN117875518B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404934A (zh) * 2015-11-11 2016-03-16 北京航空航天大学 一种基于条件随机场的城市人口移动数据模型分析方法
CN105512741A (zh) * 2014-09-26 2016-04-20 山西云智慧科技股份有限公司 一种公交客流组合预测方法
CN107766994A (zh) * 2017-12-04 2018-03-06 长沙理工大学 一种共享自行车调度方法与调度系统
US20230062565A1 (en) * 2020-12-25 2023-03-02 Casco Signal Co., Ltd. Intelligent dispatching method and system for rail transit
WO2023174187A1 (zh) * 2022-03-12 2023-09-21 南京理工大学 一种电动公交协调优化调度方法
CN116824861A (zh) * 2023-08-24 2023-09-29 北京亦庄智能城市研究院集团有限公司 基于城市大脑平台多维数据的共享单车调度方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512741A (zh) * 2014-09-26 2016-04-20 山西云智慧科技股份有限公司 一种公交客流组合预测方法
CN105404934A (zh) * 2015-11-11 2016-03-16 北京航空航天大学 一种基于条件随机场的城市人口移动数据模型分析方法
CN107766994A (zh) * 2017-12-04 2018-03-06 长沙理工大学 一种共享自行车调度方法与调度系统
US20230062565A1 (en) * 2020-12-25 2023-03-02 Casco Signal Co., Ltd. Intelligent dispatching method and system for rail transit
WO2023174187A1 (zh) * 2022-03-12 2023-09-21 南京理工大学 一种电动公交协调优化调度方法
CN116824861A (zh) * 2023-08-24 2023-09-29 北京亦庄智能城市研究院集团有限公司 基于城市大脑平台多维数据的共享单车调度方法和系统

Also Published As

Publication number Publication date
CN117875518B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN107844915B (zh) 一种基于话务预测的呼叫中心的自动排班方法
CN108364085B (zh) 一种外卖配送时间预测方法和装置
US20180096253A1 (en) Rare event forecasting system and method
WO2022021727A1 (zh) 城市综合体用电量预测方法、装置、电子设备及存储介质
CN108416619B (zh) 一种消费间隔时间预测方法、装置及可读存储介质
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
CN112613637A (zh) 充电负荷的处理方法和装置
CN114462722B (zh) 新能源发电功率轻量化高精度云预测系统、方法和装置
CN116934366A (zh) 充电场站的充电定价方法及装置、存储介质、计算机设备
CN114372754B (zh) 订单匹配方法、装置及计算机设备
CN115514020A (zh) 跨区域电力调度方法、装置、计算机设备和存储介质
CN109978241B (zh) 一种电动汽车充电负荷的确定方法及装置
CN117875518B (zh) 车辆调度方法、装置、计算机设备和存储介质
Hüttel et al. Mind the gap: Modelling difference between censored and uncensored electric vehicle charging demand
CN111275229A (zh) 资源模型训练方法、资源缺口预测方法、装置及电子设备
Li et al. Short-term traffic demand prediction using graph convolutional neural networks
Xu et al. An LSTM approach for predicting the short-time passenger flow of urban bus
CN116227738A (zh) 一种电网客服话务量区间预测方法及系统
CN116646917A (zh) 一种校园多步概率电力负荷预测方法及系统
CN115375199A (zh) 一种长距离智能供水调度方法及其系统
CN115456247A (zh) 线路规划方法、装置、计算机设备和可读存储介质
CN114925919A (zh) 业务资源处理方法、装置、计算机设备和存储介质
CN107203633A (zh) 数据表推数处理方法、装置及电子设备
Yuan et al. A novel learning approach for citywide crowd flow prediction
CN117217466B (zh) 车辆调度方法、装置、计算机设备和存储介质

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