申请/专利权人：安徽大学

申请日：2023-12-05

公开（公告）日：2024-04-02

公开（公告）号：CN117808235A

主分类号：G06Q10/0631

分类号：G06Q10/0631;G06Q50/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种基于时间序列需求预测的城市出租车调度方法，包括：1、通过k‑means聚类对城市的出租车需求点进行聚类，将城市的打车需求点划分成各个区域；2、用一维卷积神经网络提取空间特征，结合时间周期规律以及各个区域的出租车需求数量用LSTM模型来预测各个区域未来的出租车需求；3、基于NSGA‑II算法使用双种群对城市出租车进行调度。本发明可以在最大化打车用户满意度的同时，尽可能地减少出租车调度总距离，从而增大出租车出行效率。

主权项：1.一种基于时间序列需求预测的城市出租车调度方法，其特征在于，包括以下步骤；步骤1、获得整个服务区域的所有出租车的出行记录数据，并通过k-means聚类算法对所述出行记录数据中的历史出租车需求点进行聚类处理，得到由不同历史出租车需求点所所组成的N个子服务区域；计算每个子服务区域中各个历史出租车需求点在若干历史时段下的历史打车需求量之和，从而得到N个子服务区域的历史打车需求量His＝{his1,his2,...,hisi,...,hisN}，其中，hisi表示第i个子服务区域的历史打车需求量；且hisi＝[hisik]k＝1,2,…,K，hisit表示第i个子服务区域在第k个历史时段下的历史打车需求量之和；K表示历史时段的总数；步骤2、建立城市出租车调度模型；步骤2.1、利用式1和式2分别建立以最小化所有调度车辆行驶距离D为目标的出租车调度模型的第一目标函数f1和以最大化各个区域出租车需求满足度平均值A为目标的出租车调度模型的第一目标函数f2： 式1中：Mij为第i个子服务区域往第j个子服务区域调度的车辆数；dij为第i个子服务区域和第j个子服务区域之间的距离；N表示所划分的子服务区域数量；式2中：Di为第i个子服务区域的出租车需求数量；Mi为第i个子服务区域能用的出租车总数；其中，代表第i个子服务区域的满意度，其最大值为1；步骤2.2、利用式3-式5构建出租车调度模型的约束条件： dij＜Δ4 式3表示当第i个子服务区域的需求量大于能用的出租车数量时，禁止从第i个子服务区域调出出租车；式4表示单个出租车的调度距离小于所设定的距离阈值Δ；式5表示所有子服务区域的调出出租车数量和所有子服务区域调入的出租车数量相等，Mji表示第j个子服务区域往第i个子服务区域调度的车辆数；步骤3、构建神经网络预测模型，包括：一维卷积神经网络、LSTM网络；步骤3.1、所述一维卷积神经网络利用卷积和池化操作对第i个子服务区域的历史打车需求量hisi进行提取空间特征，得到特征向量再嵌入hisi中，得到LSTM的输入特征hisi′；步骤3.2、将hisi′输入LSTM中，并通过一个全连接层的处理后，输出未来第K+1个时段下第i个子服务区域的打车需求预测量prei，从而得到未来第K+1个时段下N个子服务区域的打车需求预测量矩阵Pre＝[pre1,pre2,...,prei,...,preN]；步骤3.4、获取未来第K+1个时段下各个子服务区域可用的出租车数量矩阵Ava＝[ava1,ava2,...,avai,...,avaN]，并与Pre＝[pre1,pre2,...,prei,...,preN]相减后，得到未来第K+1个时段下N个子服务区域的出租车需求矩阵Dem＝[dem1,dem2,...,demi...,demN]，其中，avai表示未来第K+1个时段下第i个子服务区域可用的出租车数量，demi表示未来第K+1个时段下第i个子服务区域的出租车需求；步骤4、分别设计主种群和辅助种群的决策变量以及各自种群的编码方式；步骤4.1、定义主种群的决策变量为N×N的矩阵表示N个子服务区域之间出租车的调度情况，令Aij代表第i个子服务区域向第j个子服务区域调入或调出的车辆数；若Aij为正，则代表调入，若Aij为负，代表调出；主种群的第一个目标函数为f1，第二个目标函数为f2；步骤4.2、定义辅助种群的决策变量为1×N的向量B1,B2,...,Bi,...,BN表示N个子服务区域的出租车调入、调出情况，其中，Bi代表第i个子服务区域调入或调出的车辆数，若Bi为正，代表调入，若Bi为负，代表调出；令辅助种群的第一个目标函数f′1是调度的总距离，第二个目标函数f′2是所有区域的需求和调动车辆数的差值；步骤5、基于主种群和辅助种群，通过NSGA-II算法对城市出租车调度模型进行求解，得到最优出租车供需调度方案；步骤5.1、初始化NSGA-II算法的各个参数，包括：主种群的个体数量和辅助种群的个体数量均为M、当前迭代次数为t、最大迭代次数为Tmax、交叉率为pc、变异率为pm，并初始化t＝1；步骤5.2、对第t代主种群进行初始化，得到第t代主种群Atparent＝{α1t,α2t,...,αit,...,αMt}，其中，αit表示第t代主种群中的第i个个体；第t代主种群中的每个个体为一个主种群的决策变量；步骤5.3、对第t代辅助种群进行初始化，得到第t代辅助种群Btparent＝{β1t,β2t,...,βit,...,βMt}，其中，βit表示第t代辅助种群中的第i个个体；且第t代辅助种群中的每个个体为辅助种群的一个决策变量；步骤5.4、采用二元锦标赛法对第t代主种群Atparent和第t代辅助种群Btparent分别进行选择操作，得到对第t代更新后的主种群A′tparent＝{α1′t,α2′t,...,αi′t,...,αM′t}和第t代更新后的辅助种群B′tparent＝{β1′t,β2′t,...,βi′t,...,βM′t}，其中，αi′t表示第t代更新后的主种群中的第i个个体，βi′t表示第t代更新后的辅助种群中的第i个个体；步骤5.5、对A′tparent先进行交叉操作，再进行变异操作后得到第t代主种群Atparent的子代种群A”tchild＝{α1”t,α2”t,...,αi”t,...,αM”t}；其中，αi”t表示第t代主种群Atparent的子代种群A”tchild中的第i个个体；步骤5.6、对B′tparent先进行交叉操作，再进行变异操作后得到第t代辅助种群Btparent的子代种群B”tchild＝{β1”t,β2”t,...,βi”t,...,βM”t}，其中，βi”t表示第t代辅助种群Btparent的子代种群B”tchild中的第i个个体；将B”tchild作为t+1代辅助种群Bt+1parent＝{β1t+1,β2t+1,...,βit+1,...,βMt+1}；其中，βit+1表示第t+1代辅助种群中的第i个个体；步骤5.7、从B”tchild中随机取出X个子代个体，记为{β”xt|x＝1,2,…X}，其中，β”xt表示第x个子代个体，且β”xt＝B”x,1t,B”x,2t,...,B”x,it,...,B”x,Nt，其中，B”x,it表示第t代第x个子代个体β”xt中第i个子服务区域调入或调出的车辆数；根据贪心算法对B”x,it进行解码，使得第i个子服务区域调入或调出的车辆数分配到与其距离的N个子服务区域中，得到第i个维度为N×N的调度矩阵γx,it，从而得到第x个子代个体β”xt的调度矩阵γxt，进而X个子代个体{β”xt|x＝1,2,…X}的调度矩阵Ct＝{γ1t,γ2t,...,γxt...,γXt}；步骤5.8、将Ct和A”tchild合并，得到规模为M+X的第t代合并种群Dt，并对Dt中的个体进行交叉和变异操作，得到规模为M+X的第t代更新后的合并种群D′t；根据式1和式2计算D′t中每个个体的适应度值，并根据适应度值保留M个个体作为第t+1代主种群At+1parent；步骤5.9、将t+1赋值给t后，判断tTmax是否成立，若是，则返回步骤5.4顺序执行；否则，表示得到第Tmax代合并种群D′t并作为最优出租车供需调度方案集。

全文数据：

权利要求：

百度查询： 安徽大学 一种基于时间序列需求预测的城市出租车调度方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD