本發(fā)明涉及車輛調(diào)度，具體而言，涉及一種城際網(wǎng)約車多區(qū)域短時分布位置的預(yù)測方法及裝置。

背景技術(shù)：

1、隨著網(wǎng)約車服務(wù)的普及，城市間交通需求呈現(xiàn)出高度動態(tài)和復(fù)雜的特點，尤其是在高峰時段和節(jié)假日期間，不同區(qū)域的出行需求波動較大。傳統(tǒng)的靜態(tài)調(diào)度方式無法滿足這種變化多端的需求，導(dǎo)致乘客等待時間增加和司機空駛率上升，影響服務(wù)質(zhì)量和運營效益。城市間的交通需求受工作日與周末出行習(xí)慣、大型活動和突發(fā)事件等多種因素影響，具有高度的時空變異性。傳統(tǒng)調(diào)度方法基于固定經(jīng)驗規(guī)則，缺乏對實時數(shù)據(jù)的動態(tài)響應(yīng)能力，難以應(yīng)對復(fù)雜的需求變化。因此，城際網(wǎng)約車服務(wù)亟需一種能夠?qū)崟r預(yù)測和動態(tài)調(diào)整車輛分布的位置預(yù)測方法，以適應(yīng)快速變化的需求環(huán)境，從而提高乘客的服務(wù)滿意度，優(yōu)化司機的工作效率，并提升網(wǎng)約車平臺的整體運營效益。

2、運力變化受調(diào)度策略影響，基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)算法的預(yù)測不具有解釋性，不能預(yù)知具體車輛的所處位置和情況，不能隨調(diào)度策略的變化實時更新運力分布情況，預(yù)測精度低?，F(xiàn)有專利文件cn117593043b《城際網(wǎng)約車輛未來短期時刻分布估計方法、裝置及設(shè)備》不適用于車輛行駛速度數(shù)據(jù)不可獲得的情況，且并不涉及城市中的多區(qū)域每輛車的情況。

3、有鑒于此，申請人在研究了現(xiàn)有的技術(shù)后特提出本技術(shù)。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在提供一種城際網(wǎng)約車多區(qū)域短時分布位置的預(yù)測方法及裝置，以解決現(xiàn)有模型無法解釋對運力的預(yù)測，不能預(yù)知具體每個車輛的所處位置和情況，且精度低的問題。

2、為解決上述技術(shù)問題，本發(fā)明通過以下技術(shù)方案實現(xiàn)：

3、一種城際網(wǎng)約車多區(qū)域短時分布位置的預(yù)測方法，包括：

4、s1,根據(jù)實時獲取的城際網(wǎng)約車在運營線路中城市a和城市b的道路網(wǎng)絡(luò)數(shù)據(jù)，分別劃分若干子區(qū)域，并構(gòu)建指定的城市a的城際出入口ea和城市b的城際出入口eb；

5、s2，根據(jù)獲取的城市a和城市b的各子區(qū)域的乘客下單數(shù)據(jù)，分別構(gòu)建城市a和城市b各子區(qū)域的初始車輛報班集合ka和kb；

6、s3，根據(jù)初始車輛報班集合ka和kb，為每輛車單獨建立多任務(wù)自適應(yīng)卡爾曼濾波模型；所述多任務(wù)自適應(yīng)卡爾曼濾波模型以車輛在當(dāng)前時刻的最高繞行系數(shù)、乘客數(shù)量和上一個狀態(tài)數(shù)據(jù)為輸入，輸出該車輛的下一個預(yù)測狀態(tài)數(shù)據(jù)與預(yù)測出城時刻

7、s4，在設(shè)立的平臺調(diào)度決策時刻中的每個調(diào)度決策時刻t,根據(jù)車輛報班集合ka，構(gòu)建城市a所有子區(qū)域在t時刻的真實車輛分布集合以及t到t+n時刻城市a所有子區(qū)域的預(yù)測可用車輛分布集合n為預(yù)估步長；同理，根據(jù)車輛報班集合kb，構(gòu)建城市b所有子區(qū)域的真實車輛分布集合和預(yù)測可用車輛分布集合

8、s5，以每個調(diào)度決策時刻t為觸發(fā)事件，遍歷城市a的真實車輛分布集合計算出車輛在t時刻的繞行系數(shù)，并將非空載且未滿載的城內(nèi)車輛在時刻t的繞行系數(shù)和乘客數(shù)量輸入至該車輛的自適應(yīng)卡爾曼濾波模型，輸出車輛的預(yù)測出城時刻根據(jù)預(yù)測出城時刻構(gòu)建城市a多區(qū)域的預(yù)出城車輛集合；同理構(gòu)建城市b多區(qū)域的預(yù)出城車輛集合

9、s6，以城市a的車輛k在t時刻經(jīng)過城際出入口ea為觸發(fā)事件，遍歷城市a的真實車輛分布集合對已出城的車輛計算所有乘客的到達時刻集合構(gòu)建城市a的途中車輛集合根據(jù)途中車輛集合中最后一個乘客的到達時刻和下車地點，更新城市b的預(yù)測可用車輛分布集合同理以城市b的車輛k在t時刻經(jīng)過城際出入口eb為觸發(fā)事件,構(gòu)建城市b的途中車輛集合和更新城市a的預(yù)測可用車輛分布集合

10、s7，根據(jù)實時獲取的已出城的車輛的實際出城時刻更新對應(yīng)車輛的自適應(yīng)卡爾曼濾波模型的數(shù)據(jù)，直至車輛重新報班，重置該車輛的自適應(yīng)卡爾曼濾波模型。

11、本發(fā)明還提供了一種城際網(wǎng)約車多區(qū)域短時分布位置的預(yù)測裝置，包括：

12、多區(qū)域調(diào)度環(huán)境構(gòu)建單元,用于根據(jù)實時獲取的城際網(wǎng)約車在運營線路中城市a和城市b的道路網(wǎng)絡(luò)數(shù)據(jù)，分別劃分若干子區(qū)域，并構(gòu)建指定的城市a的城際出入口ea和城市b的城際出入口eb；

13、多區(qū)域車輛報班集合構(gòu)建單元，用于根據(jù)獲取的城市a和城市b的各子區(qū)域的乘客下單數(shù)據(jù)，分別構(gòu)建城市a和城市b各子區(qū)域的初始車輛報班集合ka和kb；

14、多任務(wù)模型構(gòu)建單元，用于根據(jù)初始車輛報班集合ka和kb，為每輛車單獨建立多任務(wù)自適應(yīng)卡爾曼濾波模型；所述多任務(wù)自適應(yīng)卡爾曼濾波模型以車輛在當(dāng)前時刻的最高繞行系數(shù)、乘客數(shù)量和上一個狀態(tài)數(shù)據(jù)為輸入，輸出該車輛的下一個預(yù)測狀態(tài)數(shù)據(jù)與預(yù)測出城時刻

15、多區(qū)域車輛分布集合構(gòu)建單元，用于獲得真實車輛分布集合與預(yù)測可用車輛分布集合，在設(shè)立的平臺調(diào)度決策時刻中的每個調(diào)度決策時刻t,根據(jù)車輛報班集合ka，構(gòu)建城市a所有子區(qū)域在t時刻的真實車輛分布集合以及t到t+n時刻城市a所有子區(qū)域的預(yù)測可用車輛分布集合n為預(yù)估步長；同理，根據(jù)車輛報班集合kb，構(gòu)建城市b所有子區(qū)域的真實車輛分布集合和預(yù)測可用車輛分布集合

16、多區(qū)域預(yù)出城車輛集合構(gòu)建單元，用于獲得多區(qū)域預(yù)出城車輛集合，以每個調(diào)度決策時刻t為觸發(fā)事件，遍歷城市a的真實車輛分布集合計算出車輛在t時刻的繞行系數(shù)，并將非空載且未滿載的城內(nèi)車輛在時刻t的繞行系數(shù)和乘客數(shù)量輸入至該車輛的自適應(yīng)卡爾曼濾波模型，輸出車輛的預(yù)測出城時刻根據(jù)預(yù)測出城時刻構(gòu)建城市a多區(qū)域的預(yù)出城車輛集合；同理構(gòu)建城市b多區(qū)域的預(yù)出城車輛集合

17、途中車輛集合構(gòu)建單元，用于獲得途中車輛集合，以城市a的車輛k在t時刻經(jīng)過城際出入口ea為觸發(fā)事件，遍歷城市a的真實車輛分布集合對已出城的車輛計算所有乘客的到達時刻集合構(gòu)建城市a的途中車輛集合根據(jù)途中車輛集合中最后一個乘客的到達時刻和下車地點，更新城市b的預(yù)測可用車輛分布集合同理以城市b的車輛k在t時刻經(jīng)過城際出入口eb為觸發(fā)事件,構(gòu)建城市b的途中車輛集合和更新城市a的預(yù)測可用車輛分布集合

18、模型更新單元，用于根據(jù)實時獲取的已出城的車輛的實際出城時刻更新對應(yīng)車輛的自適應(yīng)卡爾曼濾波模型的數(shù)據(jù)，直至車輛重新報班，重置該車輛的自適應(yīng)卡爾曼濾波模型。

19、本發(fā)明還提供了一種城際網(wǎng)約車多區(qū)域短時分布位置的預(yù)測設(shè)備，包括處理器以及存儲器，所述存儲器內(nèi)存儲有計算機程序，所述計算機程序能夠被所述處理器執(zhí)行，以實現(xiàn)如上所述的一種城際網(wǎng)約車多區(qū)域短時分布位置的預(yù)測方法。

20、本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機可讀指令，所述計算機可讀指令被計算機可讀存儲介質(zhì)所在設(shè)備的處理器執(zhí)行時實現(xiàn)如上所述的一種城際網(wǎng)約車多區(qū)域短時分布位置的預(yù)測方法。

21、綜上所述，與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

22、(1)本發(fā)明為每輛車單獨建立卡爾曼濾波模型，車輛之間的數(shù)據(jù)互不干擾，獨立更新，能更好地捕捉每輛車的特性。

23、(2)本發(fā)明構(gòu)建的多任務(wù)自適應(yīng)卡爾曼濾波模型，除了將上一個狀態(tài)數(shù)據(jù)作為模型輸入外，將車輛的當(dāng)前乘客數(shù)量和最高繞行系數(shù)輸入卡爾曼濾波模型，得到預(yù)測出城時刻。最高繞行系數(shù)和乘客數(shù)量越接近約束值，車輛越可能直接出城，使車輛分布預(yù)測具有可解釋性，讓車輛“有跡可循”。

24、(3)本發(fā)明無需獲取車輛的行駛速度，即可預(yù)知多個區(qū)域內(nèi)具體車輛的位置和狀態(tài)，實時更新車輛信息，能有效提高預(yù)測精度，適應(yīng)快速變化的需求環(huán)境和調(diào)度策略，優(yōu)化司機的工作效率，并提升網(wǎng)約車平臺的整體運營效益。

25、(4)本發(fā)明將城市劃分為若干子區(qū)域，能實時獲取某一城市具體區(qū)域的車輛情況，減少數(shù)據(jù)傳輸，提升運行效率。