TWI635447B - 乘車需求量預測方法及系統 - Google Patents
乘車需求量預測方法及系統 Download PDFInfo
- Publication number
- TWI635447B TWI635447B TW106120100A TW106120100A TWI635447B TW I635447 B TWI635447 B TW I635447B TW 106120100 A TW106120100 A TW 106120100A TW 106120100 A TW106120100 A TW 106120100A TW I635447 B TWI635447 B TW I635447B
- Authority
- TW
- Taiwan
- Prior art keywords
- type
- demand
- weight
- ride
- calculating
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 21
- 238000003066 decision tree Methods 0.000 description 11
- 238000007637 random forest analysis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000000611 regression analysis Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種乘車需求量預測方法,包含有取得複數個影響因素;取得對應於一地理區域中一特定時段的一基本乘車需求量;根據該複數個影響因素以及該基本乘車需求量,計算至少一第一類預測需求量;自該複數個影響因素中,挑選至少一重要影響因素,並根據對應該至少一重要影響因素,計算至少一第二類預測需求量;以及根據該第一類預測需求量以及該第二類預測需求量,計算一合併預測需求量。
Description
本發明係指一種乘車需求量預測方法及系統,尤指一種有效地預測乘車需求量並將之傳遞至計程車司機的乘車需求量預測方法及系統。
對於計程車司機而言,如何有效提升其營收,一直是個重要的問題。在行動通訊技術日新月異的今天,透過後端平台進行營運資訊統計與分析的車載資通訊應用,已漸漸成為主流。以派遣系統為例,可透過電話、網路與行動裝置(例如:PDA、智慧型手機)接收乘客的計程車乘車需求,以提供線上派遣的服務,並透過資料庫記錄與分析出營運密度較高的區域。然而,不論是個人經驗累積或派遣系統的方式,均屬於局部性的資料,無法有效掌握場域內因各地不同的變動因素(天氣、在地活動、交通狀況)所造成的營運影響,亦難以預估臨時性的需求。且計程車車隊調度中心是以車隊的營收為主要目標,無法顧及每一位司機的個人營運需求,計程車司機只能被動地等待命令的指派,而缺乏主動性。而計程車司機漫無目的的行駛於市區或郊區的街道間以等待被乘客招攬,徒增營運成本及空氣污染。
因此,如何有效地預測乘車需求量並將之傳遞至計程車司機,也就成為業界所努力的目標之一。
因此,本發明之主要目的即在於提供一種乘車需求量預測方法及系統,其可有效地預測乘車需求量並將之傳遞至計程車司機,以改善習知技術的缺點。
本發明揭露一種乘車需求量預測方法,用來預測一地理區域於一特定時段的一乘車需求量,該乘車需求量預測方法包含有取得對應複數個影響因素的複數個測量值,其中該複數個影響因素為於該特定時段可能對該地理區域的該乘車需求量造成影響的因素;取得對應於該地理區域中該特定時段的一基本乘車需求量;根據該複數個影響因素以及該基本乘車需求量,計算至少一第一類預測需求量;自該複數個影響因素中,挑選至少一重要影響因素,並根據對應該至少一重要影響因素,計算至少一第二類預測需求量;以及根據該第一類預測需求量以及該第二類預測需求量,計算一合併預測需求量。
本發明揭露一種乘車需求量預測系統用來預測一地理區域於一特定時段的一乘車需求量,該乘車需求量預測系統包含有一雲端裝置,包含有一處理單元;一儲存單元,用來儲存一程式碼,該程式碼用來指示該處理單元執行取得對應複數個影響因素的複數個測量值,其中該複數個影響因素為於該特定時段可能對該地理區域的該乘車需求量造成影響的因素;取得對應於該地理區域中該特定時段的一基本乘車需求量;根據該複數個影響因素以及該基本乘車需求量,計算至少一第一類預測需求量;自該複數個影響因素中,挑選至少一重要影響因素,並根據對應該至少一重要影響因素,計算至少一第二類預測需求量;以及根據該第一類預測需求量以及該第二類預測需求量,計算一合併預測需求量;以及一終端裝置,用來接收該合併預測需求量。
請參考第1圖,第1圖為本發明實施例一乘車需求量預測系統10之示意圖。乘車需求量預測系統10用來預測一地理區域ZN於一特定時段TM的計程車乘車需求量,並將該計程車乘車需求量提供給計程車司機或計程車調度中心的調度人員。乘車需求量預測系統10包含一雲端裝置100以及一終端裝置120,雲端裝置100為具有運算功能的電子裝置如電腦、伺服器等,雲端裝置100包含一處理單元102以及一儲存單元104。儲存單元104可用來儲存一程式碼106,程式碼106用來指示處理單元102執行一預測流程,以預測不同地理區域於不同時段的計程車乘車需求量。終端裝置120可由計程車司機(或計程車調度中心)所持有,其可為個人行動電子裝置(如手機)或車載電子裝置,終端裝置120可連線至雲端裝置100,以取得於各個時段以及各個地理區域的預測乘車需求量,而計程車司機可根據前述預測乘車需求量,決定其行駛方向。
地理區域ZN可為地理上的特定區域,於一實施例中,地理區域ZN可為地理上的一方塊(Block)區域,也就是說,地理區域ZN可代表其經度(Longitude)介於一第一特定範圍且其緯度(Latitude)介於一第二特定範圍的地理區域,而不限於此。另外,特定時段TM可代表一個星期中一日的一時段,舉例來說,特定時段TM可為「星期一的10:00:00(上午十點整)~10:30:00(上午十點半)」。
請參考第2圖,第2圖為本發明實施例一預測流程20之示意圖。預測流程20可編譯成程式碼106,而由雲端裝置100來執行。如第2圖所示,預測流程20包含以下步驟:
步驟200:開始。
步驟202:取得對應複數個影響因素α
1~α
M的複數個測量值a
1~a
M,其中複數個影響因素α
1~α
M為於一特定時段TM可能會對地理區域ZN的乘車需求量造成影響的因素。
步驟204:取得對應於地理區域ZN中特定時段TM的一基本乘車需求量BSC。
步驟206:根據複數個影響因素α
1~α
M以及基本乘車需求量BSC所組成的函數,計算至少一第一類預測需求量P
11~P
1R。
步驟208:自複數個影響因素α
1~α
M中,挑選至少一重要影響因素,並根據該至少一重要影響因素,計算至少一第二類預測需求量P
21~P
2N。
步驟210:根據第一類預測需求量P
11~P
1R以及第二類預測需求量P
21~P
2N,計算一合併預測需求量P
CMB。
步驟212:結束。
詳細來說,於步驟202中,雲端裝置100取得對應複數個影響因素α
1~α
M的複數個測量值a
1~a
M,其中複數個影響因素α
1~α
M為於特定時段TM中可能會對地理區域ZN的乘車需求量造成影響的因素。舉例來說,複數個影響因素α
1~α
M可代表「地理區域ZN於特定時段TM的氣溫」、「地理區域ZN於特定時段TM的有無降雨」或「地理區域ZN於特定時段TM的有無大型集會活動」等,其中大型集會可為在地理區域ZN內(或附近)於特定時段TM所舉辦的演唱會、展覽或演講、大型集會遊行/公民社會運動等。於一實施例中,複數個測量值a
1~a
M可代表對應影響因素α
1~α
M真偽值(True/False Value),複數個測量值a
1~a
M可為二元(Binary)數值,例如當一測量值a
m等於1時,可代表「地理區域ZN於特定時段TM的有降雨」;當一測量值a
m等於0時,可代表「地理區域ZN於特定時段TM的無降雨」。於一實施例中,複數個測量值a
1~a
M可代表其對應影響因素α
1~α
M發生的機率或程度,例如一測量值a
m可代表地理區域ZN於特定時段TM的降雨機率或降雨程度(其可代表短暫陣雨或強降雨)。於一實施例中,雲端裝置100可連線至政府機關(如中央氣象局或警察單位)或民間機構的資訊系統,以取得複數個測量值a
1~a
M。
於步驟204中,雲端裝置100取得對應於地理區域ZN中特定時段TM的基本乘車需求量BSC。於一實施例中,雲端裝置100可連線至一計程車運輸管理資訊系統,取得一原始資料OG,原始資料OG可包含在過去一段時間內所有計程車接到客人的實際時間以及地理座標(地理座標可透過全球定位系統(Global Position System,GPS)取得),其中「過去一段時間」可為自雲端裝置100連線至運輸管理資訊系統的時間起往前推算一個月或一年,其時間長短可視實際需要而定,而不限於此。於取得原始資料OG後,雲端裝置100可分類彙整原始資料OG,以取得於地理區域ZN內的歷史需求量HS,歷史需求量HS可包含於地理區域ZN中於不同時段的計程車乘車需求量,歷史需求量HS的範例可如下列表I所示。為了方便說明,表I所示的歷史需求量HS列舉了2016年3月7日到2016年3月31日之間於星期一10:00:00~10:30:00(以下簡稱第一時段)以及星期四14:00:00(下午兩點整)~14:30:00(下午兩點半)(以下簡稱第二時段)的計程車乘車需求量(歷史需求量HS)。根據歷史需求量HS,雲端裝置100可計算對應於第一時段及第二時段的基本乘車需求量BSC,基本乘車需求量BSC可包含對應於第一時段及第二時段的計程車需求量的平均數、中位數或眾數,即基本乘車需求量BSC可包含對應於第一時段及第二時段的計程車需求量的統計量。較佳地,基本乘車需求量BSC包含對應於第一時段及第二時段的計程車需求量的平均數,如下列表II所示,其中對應於第一時段的一基本乘車需求量BSC
1為25,對應於第二時段的一基本乘車需求量BSC
2為9。 表I
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 時間 </td><td> 星期 </td><td> 地理區域ZN內的歷史需求量HS </td></tr><tr><td><b>2016-03-07 10:00:00</b><b>~</b><b>10:30:00</b></td><td><b>星期一</b></td><td><b>10</b></td></tr><tr><td><b>…</b></td><td><b>…</b></td><td><b>…</b></td></tr><tr><td> 2016-03-10 14:00:00~14:30:00 </td><td> 星期四 </td><td> 10 </td></tr><tr><td><b>…</b></td><td><b>…</b></td><td><b>…</b></td></tr><tr><td><b>2016-03-14 10:00:00</b><b>~</b><b>10:30:00</b></td><td><b>星期一</b></td><td><b>24</b></td></tr><tr><td><b>…</b></td><td><b>…</b></td><td><b>…</b></td></tr><tr><td> 2016-03-17 14:00:00~14:30:00 </td><td> 星期四 </td><td> 3 </td></tr><tr><td><b>…</b></td><td><b>…</b></td><td><b>…</b></td></tr><tr><td><b>2016-03-21 10:00:00</b><b>~</b><b>10:30:00</b></td><td><b>星期一</b></td><td><b>40</b></td></tr><tr><td><b>…</b></td><td><b>…</b></td><td><b>…</b></td></tr><tr><td> 2016-03-24 14:00:00~14:30:00 </td><td> 星期四 </td><td> 5 </td></tr><tr><td><b>…</b></td><td><b>…</b></td><td><b>…</b></td></tr><tr><td><b>2016-03-28 10:00:00</b><b>~</b><b>10:30:00</b></td><td><b>星期一</b></td><td><b>26</b></td></tr><tr><td><b>…</b></td><td><b>…</b></td><td><b>…</b></td></tr><tr><td> 2016-03-31 14:00:00~14:30:00 </td><td> 星期四 </td><td> 9 </td></tr></TBODY></TABLE>表II
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 星期 </td><td> 時間 </td><td> 地理區域ZN內的基本乘車需求量BSC </td></tr><tr><td><b>星期一</b></td><td><b>10:00:00</b><b>~</b><b>10:30:00</b></td><td><b>25</b></td></tr><tr><td><b>…</b></td><td><b>…</b></td><td><b>…</b></td></tr><tr><td> 星期四 </td><td> 14:00:00~14:30:00 </td><td> 9 </td></tr></TBODY></TABLE>
需注意的是,基本乘車需求量BSC可反應一星期中於不同天的不同時段的乘車需求量,舉例來說,對早上十點整到早上十點半之間的時段而言,星期一與星期日會有不同的乘車需求量;另外,對星期一而言,早上十點整到早上十點半之間的時段與下午兩點整到下午兩點半之間的時段會有不同的乘車需求量。
關於步驟204的操作,可歸納成為一流程30,如第3圖所示,流程30包含以下步驟:
步驟302:根據原始資料OG,取得地理區域ZN中對應於複數個時段的歷史需求量HS。
步驟304:計算歷史需求量HS的統計量,以取得基本乘車需求量BSC。
於步驟206中,雲端裝置100根據複數個影響因素α
1~α
M以及基本乘車需求量BSC,計算至少第一類預測需求量P
11~P
1R於一實施例中,雲端裝置100可利用迴歸分析(Regression Analysis)的方法,分析出乘車需求量與複數個影響因素α
1~α
M之間的關係,並於複數個影響因素α
1~α
M中挑選對乘車需求量影響較顯著的影響因素(即汰除對乘車需求量影響較不顯著的影響因素),得到顯著影響因素α
(1)~α
(K),並建立至少一第一類統計預測模型,並根據該第一類統計預測模型,計算第一類預測需求量P
11~P
1R。
具體來說,雲端裝置100可分別計算在分別考慮影響因素α
1~α
M的情況下,對一乘車需求量F所產生的複數個變化量ΔF
1~ΔF
M,詳細來說,變化量ΔF
n可為在考量影響因素α
n的情況下所得到的一乘車需求量F
n,1與在未考量影響因素α
n的情況下所得到的乘車需求量F
n,0之間的差值,其中乘車需求量F
n,1可為對應影響因素之測量值a
n=1的乘車需求量,乘車需求量F
n,0可為對應影響因子a
n=0的乘車需求量。於一實施例中,雲端裝置100取得變化量ΔF
1~ΔF
M之後,雲端裝置100可逐一判斷變化量ΔF
1~ΔF
M中每一變化量ΔF
k是否大於一第一特定值,若變化量ΔF
k大於第一特定值,代表其對應之影響因素α
k為顯著的影響因子,而予以保留;若變化量ΔF
k小於第一特定值,代表其對應之影響因素α
k為不顯著的影響因子,而予以汰除。為了方便說明,經過選取、汰除之後,影響因素α
1~α
M中的影響因素α
(1)~α
(K)為顯著影響因素。如此一來,雲端裝置100可利用第一類統計預測模型,根據基本乘車需求量BSC以及對應顯著影響因素α
(1)~α
(K)的測量值a
(1)~a
(K),計算一第一類預測需求量P
11~P
1R。
於一實施例中,一第一類預測需求量
可為
=BSC
TM+ c1×a
(1)+ c2×a
(2)+ c3×a
(3)+ c4×a
(4)+ c5×a
(5)(公式1),其中BSC
TM代表於地理區域ZN中對應於特定時段TM的基本乘車需求量,c1~c5代表第一類統計預測模型中對應顯著影響因素α
(1)~α
(5)的係數,於公式1所示的第一類統計預測模型中,包含有5個顯著影響因素之測量值,於一實施例中,顯著影響因素α
(1)~α
(5)可為「地理區域ZN於特定時段TM的有無降雨」、「地理區域ZN於特定時段TM的有無大型集會活動」、「地理區域ZN中有無大眾運輸轉運站」、「地理區域ZN所在的經度」及「地理區域ZN所在的緯度」,其中大眾運輸轉運站可為客運轉運站、鐵路車站、捷運站、機場、渡船碼頭等。關於迴歸分析的操作細節,為本領域技術人員所熟知,於此不贅述。
於一實施例中,雲端裝置100可一次性考量所有的影響因素α
1~α
M,在根據變化量ΔF
1~ΔF
M逐一汰除對乘車需求量F不顯著的影響因素。於一實施例中,雲端裝置100可一次僅考量一個影響因素α
k,並根據考量影響因素α
k後對乘車需求量F的變化量ΔF
k決定影響因素α
k的去留,亦符合本發明的要求。
於步驟208中,雲端裝置100自複數個影響因素α
1~α
M中,挑選重要影響因素,並根據重要影響因素,計算至少一第二類預測需求量P
21~P
2N。詳細來說,雲端裝置100可計算/衡量(Evaluate)複數個影響因素α
1~α
M對乘車需求量F的重要性q
1~q
M,其中重要性q
1~q
M可為介於0與1之間的數值,但不限於此。當對應於影響因素α
k’的重要性q
k’大於一第二特定值(如第二特定值可為0.4)時,則判斷影響因素α
k’為重要影響因素;當對應於影響因素α
k’的重要性q
k’小於第二特定值時,則判斷影響因素α
k’為非重要影響因素。為了方便說明,經過前述挑選步驟之後,影響因素α
1~α
M中的影響因素α
<1>~α
<K’>為重要影響因素。如此一來,雲端裝置100可建立至少一第二類統計模型,並利用第二類統計模型,根據重要影響因子a
<1>~a
<K’>,計算第二類預測需求量P
21~P
2N。
於一實施例中,雲端裝置100可利用隨機森林(Random Forest)的方法,建立多個迴歸樹/決策樹(Decision Tree),並根據對應於該多個迴歸樹/決策樹的結果,計算/衡量複數個影響因素α
1~α
M對乘車需求量F的重要性q
1~q
M。具體來說,可先將地理區域ZN內歷史需求量HS,經過重複抽樣的方式分成N
0個子集合,對每一個子集合進行迴歸樹/決策樹建模,判斷影響因素α
k’(如地理區域ZN於特定時段TM的有無降雨)是否被納入迴歸樹/決策樹中,並統計N
0個子集合中影響因素α
k’被納入迴歸樹/決策樹的次數(假設N
0個子集合中影響因素α
k’被納入迴歸樹/決策樹的次數為n
0),以計算影響因素α
k’被納入迴歸樹/決策樹的機率(即為n
0/ N
0),此機率即為對應影響因素α
k’的重要性q
k’。經過判斷重要性q
1~q
M是否大於第二特定值的挑選步驟之後,可利用挑選的重要影響因素α
<1>~α
<K’>,構築隨機森林樹,建立一第二類統計模型,根據重要影響因素之測量值a
<1>~a
<K’>,計算第二類預測需求量P
21~P
2N。其中,構築隨機森林樹的方式,為本領域技術人員所熟知,故於此不贅述。
於一實施例中,判斷影響因素α
1~α
M是否為重要影響因素的重要性,亦可經由各影響因素在複數個決策樹模型裡的配適準確增值來決定其重要性q
1~q
M。
關於步驟208的操作,可歸納成為一流程40,如第4圖所示,流程40包含以下步驟:
步驟402:將區域歷史需求量HS重複抽樣分成複數個子集合。
步驟404:對每一個子集合進行迴歸樹/決策樹建模,逐一計算影響因素α
1~α
M被納入迴歸樹/決策樹中的重要性。
步驟406:取得重要性q
1~q
M為計算影響因素α
1~α
M被納入迴歸樹/決策樹的有效程度,其中重要性q
1~q
M可為機率或模型配適準確增值。
步驟408:判斷重要性q
1~q
M是否大於第二特定值,以選取重要影響因素α
<1>~α
<K’>。
步驟410:根據重要影響因素α
<1>~α
<K’>的測量值a
<1>~a
<K’>,計算至少一第二類預測需求量P
21~P
2N。
於步驟210中,雲端裝置100根據第一類預測需求量P
11~P
1R以及第二類預測需求量P
21~P
2N,計算合併預測需求量P
CMB。詳細來說,雲端裝置100可於時間點t
-1執行步驟206,以取得對應於一時間點t
0的至少一第一類配置乘車需求量F
11~F
1R,並由計程車運輸管理資訊系統取得於時間點t
0的實際乘車需求量T,並根據配置乘車需求量F
11~F
1R及實際乘車需求量T,計算第一類配置誤差e
11~e
1R;另外,雲端裝置100可於一時間點t
-1執行步驟208,以取得時間點t
0的至少一第二類配置乘車需求量F
21~F
2N,並由計程車運輸管理資訊系統取得於時間點t
0的實際乘車需求量T,並根據第二類配置乘車需求量F
21~F
2N及實際乘車需求量T,計算一第二類配置誤差e
21~e
2N。根據第一類配置誤差e
11~e
1R及第二類配置誤差e
21~e
2N,雲端裝置100可計算對應於第一類預測需求量P
11~P
1R的第一類權重w
11~w
1R及第二類預測需求量P
21~P
2N對應的第二類權重w
21~w
2N,並根據第一類預測需求量P
11~P
1R、第二類預測需求量P
21~P
2N、第一類權重w
11~w
1R及第二類權重w
21~w
2N計算合併預測需求量P
CMB,用以預測t
1時間點的乘車需求量。其中,時間點t
-1代表比時間點t
0較早的時間點又時間點t
0代表比時間點t
1較早的時間點(即t
-1<t
0< t
1)。
關於步驟210的操作,可歸納成為一流程50,如第5圖所示,流程50包含以下步驟:
步驟502:於時間點t
-1執行步驟206,以配適對應於時間點t
0的至少一第一類配置需求量F
11~F
1R,並由計程車運輸管理資訊系統取得於時間點t
0的實際乘車需求量T,並根據第一類配置需求量F
11~F
1R及實際乘車需求量T,計算對應之第一類誤差e
11’~e
1R’。
步驟504:計算第一類配置誤差e
11~e
1R。
步驟506:於時間點t
-1執行步驟208,以預測對應於時間點t
0的第二類配置需求量F
21~F
2N,並由計程車運輸管理資訊系統取得於時間點t
0的實際乘車需求量T,並根據第二類配置需求量F
21~F
2N及實際乘車需求量T,計算第二類誤差e
21’~e
2N’。
步驟508:計算第二類配置誤差e
21~e
2N。
步驟510:根據第一類配置誤差e
11~e
1R及第二類配置誤差e
21~e
2N,計算對應於第一類預測需求量P
11~P
1R的第一類權重w
11~w
1R及第二類預測需求量P
21~P
2N的第二類權重w
21~w
2N。
步驟512:根據第一類預測需求量P
11~P
1R、第二類預測需求量P
21~P
2N、第一類權重w
11~w
1R及第二類權重w
21~w
2N計算合併預測需求量P
CMB。
於步驟502及步驟506中,時間點t
-1及時間點t
0僅示意性地表示時間點t
-1為時間點t
0之前(較時間點t
0早)的時間點,時間點t
-1及時間點t
0不限於訂時間點。換句話說,在特地的地理區域ZN,雲端裝置100可重複地執行步驟502及步驟506,以取得複數個第一類誤差e
11’~e
1R’以及複數個第二類誤差e
21’~e
2N’,並於步驟504及步驟508計算第一類配置誤差e
11~e
1R為該複數個第一類誤差e
11’~e
1R’的各別統計量及計算第二類配置誤差e
21~e
2N為該複數個第二誤差e
21’~e
2N’ 的各別統計量,舉例來說,雲端裝置100可計算一第一類配置誤差e
11(第二類配置誤差e
21)為該複數個第一類誤差e
11’( 該複數個第二類誤差e
21’)的一平均。另外,當雲端裝置100每次執行步驟502及步驟506時,第一類誤差e
11’可為e
11’=|T- F
11|,而第二類誤差e
21’可為e
21’=|T- F
21|,其中|∙|代表取絕對值運算。
當雲端裝置100每次執行步驟502及步驟506時,第一類誤差e
11’亦可為e
11’=|T- F
11|
2,而第二類誤差e
21’ 亦可為e
21’=|T- F
21|
2,其中|∙|代表取絕對值運算。
於步驟510中,於一實施例中,若第一類預測需求量的個數R以及第二類預測需求量的個數N皆為1(即R = N = 1),雲端裝置100可計算第一類權重 w
11為w
11=e
21/( e
11+ e
21) ,並計算第二類權重w
21為w
21=e
11/( e
11+ e
21) ,而不限於此。於步驟510中,雲端裝置100於一實施例中可計算合併預測需求量P
CMB為P
CMB=w
11×P
11+w
21×P
21,而不限於此。
於一實施例中,若第一類預測需求量的個數R以及第二類預測需求量的個數N均大於等於1,雲端裝置100可利用一流程60來計算第一類權重與第二類權重,流程60為步驟510的一具體實施方式,如圖6所示,流程60包含以下步驟:
步驟602:將第一類配置誤差e
11~e
1R與第二類配置誤差e
21~e
2N由小到大排列,以取得一配置誤差序列ES,其中ES表示為ES={es
(1), es
(2), … , es
(R+N)}且es
(1)≦ es
(2)≦…≦es
(R+N)。
步驟604:取得大於es
(1)的一第三特定值H,並逐一檢查配置誤差序列ES內的值是否大於H?若ES內沒有值大於H,則執行步驟614;若ES內至少有一值大於H,則執行步驟608。
步驟608:假設H<es
(i)≦…≦es
(R+N),並檢查i是否等於2?若i=2,則執行步驟610;如果i≠2,則執行步驟612。
步驟610:計算並取得權重ws的值為一二元值(0或者1)。
步驟612:計算並取得部分權重ws的值與對應配置誤差序列ES的值成反比,剩餘部分的權重值則為0。
步驟614:計算並取得權重ws的值與對應配置誤差序列ES的值成反比。
步驟616:取得一權重序列WS以及一預測需求量序列PS,根據權重WS的值與對應預測需求量PS計算合併預測需求量P
CMB,其中權重序列WS表示為WS={ ws
1, ws
2, … , ws
R+N},預測需求量序列PS表示為PS={ ps
1, ps
2, … , ps
R+N},權重ws
1~ws
R+N及預測需求量ps
1~ps
R+N對應配置誤差es
(1)~es
(R+N)。
舉例來說,當第一類預測需求量的個數R為2(R=2)以及第二類預測需求量的個數N為3(N=3)時,假設第一類配置誤差e
11~e
12與第二類配置誤差e
21~e
23分別為e
11=5,e
12=3,e
21=1,e
22=2,e
23=4,雲端裝置100執行步驟602可得配置誤差序列ES為ES={es
(1)=1, es
(2)=2, es
(3)=3, es
(4)=4, es
(5)=5}。
於一實施例中,當第三特定值H為3.5時,雲端裝置100經過步驟604的判斷之後執行步驟608的判斷,因H=3.5而i=4,雲端裝置100執行步驟612。於步驟612中,雲端裝置100可計算對應於配置誤差es
(1)、es
(2)、es
(3)的權重ws
1、ws
2、ws
3,使得ws
1:ws
2:ws
3=1/ es
(1):1/ es
(2):1/ es
(3)且ws
1+ws
2+ws
3=1,並將對應於配置誤差es
(1)、es
(2)的權重ws
4、ws
5設為0。換句話說,於步驟612、616中,雲端裝置100取得權重序列WS為WS={ ws
1=6/11, ws
2=3/11, ws
3=2/11, ws
4=0, ws
5=0 }。
於一實施例中,當第三特定值H為1.5時,雲端裝置100經過步驟604的判斷之後執行步驟608的判斷,因H=1.5而i=2,雲端裝置100執行步驟610。換句話說,於步驟610、616中,雲端裝置100取得權重序列WS為WS={ ws
1=1, ws
2=0, ws
3=0, ws
4=0, ws
5=0 }。
於一實施例中,當第三特定值H為5.5時,雲端裝置100經過步驟604的判斷之後執行步驟608的判斷,雲端裝置100執行步驟614。於步驟614中,雲端裝置100可計算對應於配置誤差es
(1)、es
(2)、es
(3)、es
(4)、es
(5)的權重ws
1、ws
2、ws
3、ws
4、ws
5,使得ws
1:ws
2:ws
3:ws
4:ws
5=1/ es
(1):1/ es
(2):1/ es
(3):1/ es
(4):1/ es
(5)且ws
1+ws
2+ws
3+ws
4+ws
5=1。換句話說,於步驟614、616中,雲端裝置100取得權重序列WS為WS={ ws
1=60/137, ws
2=30/137, ws
3=20/137, ws
4=15/137, ws
5=12/137 }。
於步驟616中,雲端裝置100取得權重序列WS及預測需求量序列PS後,雲端裝置100即可於步驟512計算P
CMB=
。其中,預測需求量序列PS中的預測需求量ps
1~ps
5可參考前述相關段落而得之,於此不再贅述。其中,權重ws
1即為對應配置誤差e
21的權重w
21,權重ws
2即為對應配置誤差e
22的權重w
22,權重ws
3即為對應配置誤差e
12的權重w
12,權重ws
4即為對應配置誤差e
23的權重w
23,權重ws
5即為對應配置誤差e
11的權重w
11,另外,權重w
11~w
12即為第一類權重w
11~w
12,權重w
21~w
23即為第二類權重w
21~w
23。
需注意的是,引入第三特定值H可針對不同程度誤差給予不同的權重,當配置誤差大於H,則不予採計對應於該配置誤差對應的方法,具體來說,即將其對應權重設為0。換句話說,流程60中的第三特定值H可同時兼融/考量不同種預測模型,如此一來,雲端裝置100不但可僅呈現最佳的單一預測模型(配置誤差最小),亦可考量全部的方法/並根據配置誤差分別給予權重,除此之外,雲端裝置100還可僅呈現較佳的若干種預測模型。換句話說,執行流程60可為雲端裝置100帶來融合預測模型的多種選擇彈性。
雲端裝置100計算合併預測需求量P
CMB後,終端裝置120自雲端裝置100可接收對應於地理區域ZN於特定時段TM的合併預測需求量P
CMB,而計程車司機可根據對應於地理區域ZN於特定時段TM的合併預測需求量P
CMB,決定其行駛方向。
需注意的是,一般而言,當有舉辦大型活動或特殊事件發生時,雲端裝置100利用迴歸分析的方法執行步驟206所得到的第一類預測需求量P
11~P
1R具有較佳的準確度,而雲端裝置100利用隨機森林法執行步驟208所得到的第二類預測需求量P
21~P
2N具有較差的準確度;相反地。若無大型活動或無特殊事件發生時,雲端裝置100利用隨機森林法執行步驟208所得到的第二類預測需求量P
21~P
2N具有較佳的準確度,而雲端裝置100利用迴歸分析的方法執行步驟206所得到的第一類預測需求量P
11~P
1R具有較差的準確度。在此情況下,雲端裝置100利用步驟210結合步驟206中的迴歸分析法與隨機森林法的優點並補償迴歸分析法與隨機森林法的缺點,藉此增加乘車需求量的預測精準度。
需注意的是,前述實施例用以說明本發明之概念,本領域具通常知識者當可據以做不同的修飾,而不限於此。舉例來說,於步驟510中,雲端裝置100於計算第一類權重w
11為w
11=e
21/( e
11+ e
21)且計算第二類權重w
21為w
21=e
11/( e
11+ e
21) ,而不限於此,只要第一類權重w
11與第一類配置誤差e
11之間呈遞減/反比關係及第二類權重w
21與第二類配置誤差e
21之間呈遞減/反比關係,即第一類權重w
11隨著第一類配置誤差e
11遞增而遞減,第二類權重w
21隨著第二類配置誤差e
21遞增而遞減,即符合本發明的要求而屬於本發明的範疇。處理單元102可為一中央處理單元(CPU),而不在此限。儲存單元104可包含唯讀式記憶體(Read-Only Memory,ROM)、隨機存取記憶體(Random-Access Memory,RAM)或非揮發性記憶體(Non-Volatile Memory,例如,一電子抹除式可複寫唯讀記憶體(Electrically Erasable Programmable Read Only Memory,EEPROM)或一快閃記憶體(Flash Memory)),而不在此限。
由上述可知,本發明利用迴歸分析法與隨機森林法來分別進行乘車需求量的預測,並將利用迴歸分析法的預測結果與利用隨機森林法的預測結果予以結合,以增加乘車需求量的預測精準度。 以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
10‧‧‧乘車需求量預測系統
100‧‧‧雲端裝置
102‧‧‧處理單元
104‧‧‧儲存單元
106‧‧‧程式碼
120‧‧‧終端裝置
20、30、40、50、60‧‧‧流程
200~212、302~304、402~410、502~512、602~616‧‧‧步驟
第1圖為本發明實施例一乘車需求量預測系統之示意圖。 第2圖為本發明實施例一預測流程之示意圖。 第3圖為本發明實施例一流程之示意圖。 第4圖為本發明實施例一流程之示意圖。 第5圖為本發明實施例一流程之示意圖。 第6圖為本發明實施例一流程之示意圖。
Claims (18)
- 一種乘車需求量預測方法,用來預測一地理區域於一特定時段的一乘車需求量,該乘車需求量預測方法包含有:取得對應複數個影響因素的複數個測量值,其中該複數個影響因素為於該特定時段對該地理區域的該乘車需求量造成影響的因素;取得對應於該地理區域中該特定時段的一基本乘車需求量;根據該複數個影響因素以及該基本乘車需求量,計算至少一第一類預測需求量;自該複數個影響因素中,挑選至少一重要影響因素,並根據對應該至少一重要影響因素,計算至少一第二類預測需求量;以及根據該第一類預測需求量以及該第二類預測需求量,計算一合併預測需求量。
- 如請求項1所述之乘車需求量預測方法,其中取得對應於該地理區域中該特定時段的該基本乘車需求量的步驟包含有:根據一原始資料,取得該地理區域中對應於複數個時段的一歷史需求量;以及計算該歷史需求量的統計量,以取得該基本乘車需求量。
- 如請求項1所述之乘車需求量預測方法,其中根據該複數個影響因素以及該基本乘車需求量,計算該第一類預測需求量的步驟包含有:計算該複數個影響因素對該乘車需求量所產生複數個變化量;根據該複數個變化量,自該複數個影響因素選取至少一顯著影響因素,其中該複數個變化量中對應於該至少一顯著影響因素的至少一變化量大 於一第一特定值;以及根據該至少一顯著影響因素以及該基本乘車需求量,計算該第一類預測需求量。
- 如請求項1所述之乘車需求量預測方法,其中自該複數個影響因素中,挑選該至少一重要影響因素的步驟包含有:計算該複數個影響因素對該乘車需求量的複數個重要性;當對應於該複數個影響因素中一第一影響因素的一第一重要性大於一第二特定值時,挑選該第一影響因素為一重要影響因素。
- 如請求項4所述之乘車需求量預測方法,其中該複數個重要性中一重要性介於0與1之間。
- 如請求項1所述之乘車需求量預測方法,其中根據該第一類預測需求量以及該第二類預測需求量,計算該合併預測需求量的步驟包含有:計算對應於該第一類預測需求量的一第一類配置誤差;計算對應於該第二類預測需求量的一第二類配置誤差;根據該第一類配置誤差及該第二類配置誤差,計算對應於該第一類預測需求量的一第一類權重以及對應於該第二類預測需求量的一第二類權重;以及根據該第一類預測需求量、該第二類預測需求量、該第一類權重及該第二類權重,計算該合併預測需求量;其中,該第一類權重隨著該第一類配置誤差遞增而遞減,該第二類權重隨著該第二類配置誤差遞增而遞減。
- 如請求項6所述之乘車需求量預測方法,其中根據該第一類配置誤差及該第二類配置誤差,計算該第一類權重及該第二類權重的步驟包含有:計算該第一類權重中的一第一權重,其中該第一權重與該第一類配置誤差中對應於該第一權重的一第一配置誤差成反比;以及計算該第二類權重中的一第二權重,其中該第二權重與該第二類配置誤差中對應於該第二權重的一第二配置誤差成反比。
- 如請求項6所述之乘車需求量預測方法,其中根據該第一類配置誤差及該第二類配置誤差,計算該第一類權重及該第二類權重的步驟另包含:取得一第三特定值;判斷該第一類配置誤差及該第二類配置誤差是否大於該第三特定值,產生一判斷結果;以及根據該判斷結果,計算該第一類權重及該第二類權重。
- 如請求項6所述之乘車需求量預測方法,其中根據該第一類預測需求量、該第二類預測需求量、該第一類權重及該第二類權重,計算該合併預測需求量的步驟包含有:計算該合併預測需求量;其中,w11~w1R代表該第一類權重,w21~w2N代表該第二類權重,P11~P1R代表該第一類預測需求量,P21~P2N代表該第二類預測需求量。
- 一種乘車需求量預測系統,用來預測一地理區域於一特定時段的一乘車需求量,該乘車需求量預測系統包含有: 一雲端裝置,包含有:一處理單元;一儲存單元,用來儲存一程式碼,該程式碼用來指示該處理單元執行以下步驟:取得對應複數個影響因素的複數個測量值,其中該複數個影響因素為於該特定時段對該地理區域的該乘車需求量造成影響的因素;取得對應於該地理區域中該特定時段的一基本乘車需求量;根據該複數個影響因素以及該基本乘車需求量,計算至少一第一類預測需求量;自該複數個影響因素中,挑選至少一重要影響因素,並根據對應該至少一重要影響因素,計算至少一第二類預測需求量;以及根據該第一類預測需求量以及該第二類預測需求量,計算一合併預測需求量;以及一終端裝置,用來接收該合併預測需求量。
- 如請求項10所述之乘車需求量預測系統,其中該程式碼另用來指示該處理單元執行以下步驟,以取得對應於該地理區域中該特定時段的該基本乘車需求量:根據一原始資料,取得該地理區域中對應於複數個時段的一歷史需求量;以及計算該歷史需求量的統計量,以取得該基本乘車需求量。
- 如請求項10所述之乘車需求量預測系統,其中該程式碼另用來指示該處理單元執行以下步驟,以根據該複數個影響因素以及該基本乘車需求量,計算該第一類預測需求量:計算該複數個影響因素對該乘車需求量所產生複數個變化量;根據該複數個變化量,自該複數個影響因素選取至少一顯著影響因素,其中該複數個變化量中對應於該至少一顯著影響因素的至少一變化量大於一第一特定值;以及根據該至少一顯著影響因素以及該基本乘車需求量,計算該第一類預測需求量。
- 如請求項10所述之乘車需求量預測系統,其中該程式碼另用來指示該處理單元執行以下步驟,以自該複數個影響因素中,挑選該至少一重要影響因素的步驟:計算該複數個影響因素對該乘車需求量的複數個重要性;當對應於該複數個影響因素中一第一影響因素的一第一重要性大於一第二特定值時,挑選該第一影響因素為一重要影響因素。
- 如請求項13所述之乘車需求量預測系統,其中該複數個重要性中一重要性介於0與1之間。
- 如請求項10所述之乘車需求量預測系統,其中該程式碼另用來指示該處理單元執行以下步驟,以根據該第一類預測需求量以及該第二類預測需求量,計算該合併預測需求量:計算對應於該第一類預測需求量的一第一類配置誤差; 計算對應於該第二類預測需求量的一第二類配置誤差;根據該第一類配置誤差及該第二類配置誤差,計算對應於該第一類預測需求量的一第一類權重以及對應於該第二類預測需求量的一第二類權重;以及根據該第一類預測需求量、該第二類預測需求量、該第一類權重及該第二類權重,計算該合併預測需求量;其中,該第一類權重隨著該第一類配置誤差遞增而遞減,該第二類權重隨著該第二類配置誤差遞增而遞減。
- 如請求項15所述之乘車需求量預測系統,其中該程式碼另用來指示該處理單元執行以下步驟,以根據該第一類配置誤差及該第二類配置誤差,計算該第一類權重及該第二類權重:計算該第一類權重中的一第一權重,其中該第一權重與該第一類配置誤差中對應於該第一權重的一第一配置誤差成反比;以及計算該第二類權重中的一第二權重,其中該第二權重與該第二類配置誤差中對應於該第二權重的一第二配置誤差成反比。
- 如請求項15所述之乘車需求量預測系統,中該程式碼另用來指示該處理單元執行以下步驟,以根據該第一類配置誤差及該第二類配置誤差,計算該第一類權重及該第二類權重:取得一第三特定值;判斷該第一類配置誤差及該第二類配置誤差是否大於該第三特定值,產生一判斷結果;以及根據該判斷結果,計算該第一類權重及該第二類權重。
- 如請求項15所述之乘車需求量預測系統,其中該程式碼另用來指示該處理單元執行以下步驟,以根據該第一類預測需求量、該第二類預測需求量、該第一類權重及該第二類權重,計算該合併預測需求量:計算該合併預測需求量;其中,w11~w1R代表該第一類權重,w21~w2N代表該第二類權重,P11~P1R代表該第一類預測需求量,P21~P2N代表該第二類預測需求量。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106120100A TWI635447B (zh) | 2017-06-16 | 2017-06-16 | 乘車需求量預測方法及系統 |
CN201810203872.6A CN109146113B (zh) | 2017-06-16 | 2018-03-13 | 乘车需求量预测方法及系统 |
US15/984,434 US20180365717A1 (en) | 2017-06-16 | 2018-05-21 | Method and System of Predicting Passenger Demand |
EP18175972.1A EP3416112A1 (en) | 2017-06-16 | 2018-06-05 | Method and system of predicting passenger demand |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106120100A TWI635447B (zh) | 2017-06-16 | 2017-06-16 | 乘車需求量預測方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI635447B true TWI635447B (zh) | 2018-09-11 |
TW201905772A TW201905772A (zh) | 2019-02-01 |
Family
ID=62630934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106120100A TWI635447B (zh) | 2017-06-16 | 2017-06-16 | 乘車需求量預測方法及系統 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20180365717A1 (zh) |
EP (1) | EP3416112A1 (zh) |
CN (1) | CN109146113B (zh) |
TW (1) | TWI635447B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210295224A1 (en) * | 2020-03-23 | 2021-09-23 | Lyft, Inc. | Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices |
JP7553409B2 (ja) | 2021-07-26 | 2024-09-18 | 株式会社Nttドコモ | 情報処理装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200515159A (en) * | 2003-10-23 | 2005-05-01 | Microsoft Corp | Accessing different types of electronic messages through a common messaging interface |
US7349528B2 (en) * | 1999-03-23 | 2008-03-25 | Verizon Laboratories Inc. | Unified messaging system |
TW201128563A (en) * | 2010-02-10 | 2011-08-16 | Der-Cherng Liaw | Intelligent mass transportation system and its method of transferring information |
US20120265580A1 (en) * | 2009-11-24 | 2012-10-18 | Ntt Docomo, Inc. | Demand prediction device and demand prediction method |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6453298B2 (en) * | 1998-07-10 | 2002-09-17 | Honda Giken Kogyo Kabushiki Kaisha | Method of operating a vehicle redistribution system based upon predicted ride demands |
CN103366224B (zh) * | 2013-07-15 | 2021-09-17 | 鲁东大学 | 一种基于公交网络的乘客需求预测系统和方法 |
TWI524303B (zh) * | 2014-03-27 | 2016-03-01 | Chunghwa Telecom Co Ltd | Forecasting Device and Method of Vehicle Trend Forecasting Based on Large Cloud Data Processing |
US10102485B2 (en) * | 2015-01-29 | 2018-10-16 | Conduent Business Services, Llc | Method and system for predicting demand for vehicles |
CN104700164A (zh) * | 2015-03-25 | 2015-06-10 | 浙江欣凯锐电力发展有限公司 | 一种车辆需求预测方法与系统 |
CN105389975B (zh) * | 2015-12-11 | 2017-11-14 | 北京航空航天大学 | 专车调度方法和装置 |
-
2017
- 2017-06-16 TW TW106120100A patent/TWI635447B/zh active
-
2018
- 2018-03-13 CN CN201810203872.6A patent/CN109146113B/zh active Active
- 2018-05-21 US US15/984,434 patent/US20180365717A1/en not_active Abandoned
- 2018-06-05 EP EP18175972.1A patent/EP3416112A1/en not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7349528B2 (en) * | 1999-03-23 | 2008-03-25 | Verizon Laboratories Inc. | Unified messaging system |
TW200515159A (en) * | 2003-10-23 | 2005-05-01 | Microsoft Corp | Accessing different types of electronic messages through a common messaging interface |
US20120265580A1 (en) * | 2009-11-24 | 2012-10-18 | Ntt Docomo, Inc. | Demand prediction device and demand prediction method |
TW201128563A (en) * | 2010-02-10 | 2011-08-16 | Der-Cherng Liaw | Intelligent mass transportation system and its method of transferring information |
Also Published As
Publication number | Publication date |
---|---|
EP3416112A1 (en) | 2018-12-19 |
US20180365717A1 (en) | 2018-12-20 |
CN109146113A (zh) | 2019-01-04 |
TW201905772A (zh) | 2019-02-01 |
CN109146113B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gurumurthy et al. | Analyzing the dynamic ride-sharing potential for shared autonomous vehicle fleets using cellphone data from Orlando, Florida | |
US10928209B2 (en) | Assessing inter-modal passenger travel options | |
Haglund et al. | Where did Kutsuplus drive us? Ex post evaluation of on-demand micro-transit pilot in the Helsinki capital region | |
US9726502B2 (en) | Route planner for transportation systems | |
US7908076B2 (en) | Representative road traffic flow information based on historical data | |
RU2629438C2 (ru) | Способ и система для навигации транспортного парка, диспетчеризация и прокладка маршрута для множества транспортных средств и множества мест назначения | |
US20120173136A1 (en) | Advanced routing of vehicle fleets | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
KR20120049846A (ko) | 이력 및 현재 데이터에 기초하는 예상된 도로 교통 조건의 예측 | |
US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
US10489431B2 (en) | Digital location-based data methods and product | |
Kim et al. | Estimating vehicle miles traveled (VMT) in urban areas using regression kriging | |
CN104024801A (zh) | 使用有界地理区域用于导航的方法和系统 | |
Jakob et al. | Macroscopic Modeling of On‐Street and Garage Parking: Impact on Traffic Performance | |
Ozbay et al. | Big data and the calibration and validation of traffic simulation models | |
TWI635447B (zh) | 乘車需求量預測方法及系統 | |
Klunder et al. | Improvement of Network Performance by In‐Vehicle Routing Using Floating Car Data | |
CN114005294A (zh) | 一种路径确定方法、装置、设备及介质 | |
Gracious et al. | Performance Evaluation of Passenger Information Systems | |
Sharma et al. | Performance-based operations assessment of adaptive control implementation in Des Moines, Iowa | |
Skhosana et al. | An intelligent machine learning-based real-time public transport system | |
Liu | Bi-level optimization algorithm for dynamic reversible lane control based on short-term traffic flow prediction | |
Jonker | Modelling the trip length distribution of shopping trips from GPS data | |
Pennetti | Improving Supply Chain Logistics with Agent-Based Spatiotemporal Mechanistic Enumeration and Probe Vehicle Data | |
Shemyakin et al. | The architecture of a mesoscopic model of the real-time transport corridor in projects of intelligent transport system |