一种基于实时数据的计价车客流集散点载客决策方法和系统技术方案

本发明专利技术提供了一种基于实时数据的计价车客流集散点载客决策方法和系统，该方法包括：(S1)建立决策值随需求因素、返回收益因素、等待收益因素和个人能力因素变化的多元线性回归模型；(S2)对所述多元线性回归模型进行初始化，基于当前的需求因素、返回收益因素、等待收益因素和个人能力因素根据所述多元线性回归模型为司机提供决策，根据决策后司机反馈的决策满意度样本训练多元线性回归模型；(S3)用训练后的多元线性回归模型为司机提供决策；该系统根据上述方法向计价车司机提供决策建议。本发明专利技术能够以较高的准确率实现实时预测供求关系，以帮助司机做出决策，提高了旅客出行效率和司机收益效率。

【技术实现步骤摘要】
一种基于实时数据的计价车客流集散点载客决策方法和系统
本专利技术涉及一种决策方法及系统，尤其是涉及一种基于实时数据的计价车客流集散点载客决策方法及系统。
技术介绍
出租车司机在将乘客送达机场后，往往需要判断是留在机场接载抵港旅客还是返回市区寻找客源。现有技术通常借助乘客通过APP发出的需求，让计价车司机据此来判断是否接单。此种方式弊端在于这种类型的APP一般难以实时预测供求关系，导致司机接单后的反应时间和效率较之司机随着供求关系自行前往略为低下。只有实现实时预测供求关系，才能够保证大型旅客集散地的客流与出租车司机供求较为平衡，从而保证出租车实时满足旅客需求。申请号为201911036243.X的专利技术专利申请公开了一种机场出租车载客问题的决策方法。该方法通过建立收益最大化模型，比较出租车司机的等待净收益和返回净收益，选择净收益最大的决策。然而，该申请仅考虑了客观因素，如航班和季节因素以及收益因素(包括等待净收益和返回净收益)，但完全没有考虑到在相同客观因素下司机载客能力和决策倾向的个体差异因素。相对于客观因素，司机的个体差异因素往往较难把握，但个体差异因素直接导致不同个体在同一决策下获得的收益存在显著差异。例如，司机的个人载客能力可以通过空载率直观体现。空载率越大，表明其平常越难拉到客、通过载客赚取的钱越少，空载率越大司机可能更倾向于留在机场获取较为稳定的收益。此外，该申请提供的决策方法过于理性缺乏弹性，无法根据司机的体验和反馈对各因素的决策比重进行调节。
技术实现思路
专利技术目的：为克服现有技术的缺陷，本专利技术旨在提供一种基于实时数据的出租车计价车路线规划建议方法。本专利技术还提供一种基于实时数据的计价车路线规划建议系统。技术方案：一方面中，本专利技术公开了一种基于实时数据的计价车客流集散点载客决策方法。该方法包括如下步骤：(S1)建立多元线性回归模型:其中，p为决策值，当p＜0.5时将为司机做出等待决策，当p＞0.5时将为司机做出返回市区决策；X1、X2、X3、X4分别对应需求因素、返回收益因素、等待收益因素和个人能力因素，β0、β1、β2、β3、β4分别为第一至第五决策因子；所述需求因素为考虑天气影响后的客流量；所述返回收益因素为司机从所在客流集散点返回市区的预期返回净收益B返回_净；所述等待收益因素为司机从所在客流集散点返回市区的预期等待净收益B等待_净；所述个人能力因素为司机空载率；(S2)为β0、β1、β2、β3、β4设定初值，基于当前的需求因素X1、返回收益因素X2、等待收益因素X3和个人能力因素X4通过式(1)求出决策值p为司机提供决策，根据决策后司机反馈的决策满意度调整β0、β1、β2、β3、β4的值以修正决策值p，如此重复，直到修正前后β0、β1、β2、β3、β4的值之差小于阈值；(S3)将最终修正后的β0、β1、β2、β3、β4的值代入式(1)用于后续决策值p的计算。进一步地，步骤(S2)中，根据决策后司机反馈的决策满意度调整β0、β1、β2、β3、β4的值以修正决策值p，具体包括根据以下式子调整β0、β1、β2、β3、β4：hβ＝β0+β1X1+β2X2+β3X3，其中，β′j为βj的调整值；α为学习率，是一个正数；m为司机反馈的样本总数；xi和yi分别为司机反馈的第i个样本中的满意度和对应的决策值，且xi的取值只能为0或1，当xi的取值为0时代表司机不认同决策，当xi的取值为1时代表司机认同决策；分别为司机反馈的第i个样本对应的需求因素、返回收益因素、等待收益因素和个人能力因素。进一步地，所述考虑天气影响后的客流量等于不考虑天气影响时的预期客流量和天气影响因子的乘积；预期客流量为随时间变化的变量；所述天气影响因子为考虑当前天气影响的客流量与不考虑天气影响的预期客流量之比。进一步地，所述预期返回净收益B返回_净通过以下方式计算：B返回_净＝B返回-C返回，B返回＝Bh×Tw，C返回＝Bh×Tr，其中，B返回为预期返回收益，即司机空载返回市区之后，将留在机场的情况下所消耗的预期等待时长用于载客所获得的收益；C返回为司机从所在客流集散点空载返回市区的空载成本；Bh为司机每小时平均收益，Bh的计算方式为：通过计价车实时定位信息的历史数据、计价车实时载客信息的历史数据计算司机每小时的平均载客里程，再结合计价规则计算得到；Tw为留在机场的情况下所消耗的预期等待时长，Tr为从客流集散点返回市区的时间；其中，所述市区的定位由计程车实时位置数据和实时载客信息的历史数据计算得到。进一步地，所述预期等待净收益B等待_净通过以下各式计算：B等待_净＝B等待-C等待，C等待＝β×Bh×Tw，其中，B等待为预期等待收益，即司机留在机场载到客后，从客流集散点返回市区的平均等待收益；C等待为留在机场的情况下所消耗的预期等待时长所产生的等待成本；β为休息因子，为一个常数；所述预期等待收益B等待通过计价规则和从客流集散点返回市区的平均路程确定；其中，所述市区的定位由计程车实时位置数据和实时载客信息的历史数据计算得到。进一步地，所述市区的定位由计程车实时位置数据和实时载客信息的历史数据计算得到，具体为：(a)根据计程车实时位置数据和实时载客信息的历史数据分析得到所有乘客下车点；(b)利用K-means聚类方法将乘客下车点聚类为4个中心点，包括：通过随机选点的方式随机从所有乘客下车点中选出4个下车点作为初始中心点；将各初始中心点和与其最接近的下车点组成一个簇，这样就会形成4个簇，结合每个簇中所有下车点出现的次数和定位计算每个簇的中心定位点以替换上一次的中心点，重复计算直到中心点的定位不再变化；(c)根据最终得到的4个聚类中心点的定位和对应的最接近下车点的数目确定市区的定位信息。进一步地，所述司机空载率通过以下方式计算：(S41)根据计程车实时位置数据和实时载客信息的历史数据确定司机的日平均空载路程和日平均行驶总路程；(S42)将司机的日平均空载路程除以日平均行驶总路程得到司机空载率。进一步地，所述客流集散点包括机场或客运站。另一方面，本专利技术涉及一种基于实时数据的计价车客流集散点载客决策系统。该系统包括：需求因素计算模块，用于计算考虑天气影响后的客流量，作为需求因素；返回收益因素计算模块，用于计算司机从所在客流集散点返回市区的预期返回净收益，作为返回收益因素；等待收益因素计算模块，用于计算司机从所在客流集散点返回市区的预期等待净收益，作为等待收益因素；个人能力因素计算模块，用于计算司机空载率，作为个人能力因素；训练模块，用于对建立的多元线性回归模型进行训练，所述多元线性回归模型表示为:其中，p为决策值，当p＜0.5时将为司机做出等待决策，当p＞0.5时将为司机做出返回市区决策；X1、X2、X3、X4分别对应需求因素、返回收益因素、等待收益因素和个人能力因素，β0、本文档来自技高网...

【技术保护点】
1.一种基于实时数据的计价车客流集散点载客决策方法，其特征在于，包括如下步骤：/n(S1)建立多元线性回归模型，所述多元线性回归模型表示为：/n

【技术特征摘要】
1.一种基于实时数据的计价车客流集散点载客决策方法，其特征在于，包括如下步骤：
(S1)建立多元线性回归模型，所述多元线性回归模型表示为：



其中，p为决策值，当p＜0.5时将为司机做出等待决策，当p＞0.5时将为司机做出返回市区决策；X1、X2、X3、X4分别对应需求因素、返回收益因素、等待收益因素和个人能力因素，β0、β1、β2、β3、β4分别为第一至第五决策比例因子；所述需求因素为考虑天气影响后的客流量；所述返回收益因素为司机从所在客流集散点返回市区的预期返回净收益B返回_净；所述等待收益因素为司机从所在客流集散点返回市区的预期等待净收益B等待_净；所述个人能力因素为司机空载率；
(S2)为β0、β1、β2、β3、β4设定初值，基于当前的需求因素X1、返回收益因素X2、等待收益因素X3和个人能力因素X4根据所述多元线性回归模型求出决策值p为司机提供决策，根据决策后司机反馈的决策满意度调整β0、β1、β2、β3、β4的值以修正决策值p，如此重复，直到调整前后β0、β1、β2、β3、β4的值之差小于阈值；
(S3)根据最终调整后的β0、β1、β2、β3、β4的值，结合所述多元线性回归模型进行后续决策值p的计算。


2.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法，其特征在于，步骤(S2)中，根据决策后司机反馈的决策满意度调整β0、β1、β2、β3、β4的值以修正决策值p，具体包括根据以下式子调整β0、β1、β2、β3、β4：



hβ＝β0+β1X1+β2X2+β3X3+β4X4，
其中，β′j为βj的调整值；α为正的比例因子，是一个正数；m为司机反馈的样本总数；xi和yi分别为司机反馈的第i个样本中的满意度和对应的决策值，且xi的取值只能为0或1，当xi的取值为0时代表司机不认同决策，当xi的取值为1时代表司机认同决策；分别为司机反馈的第i个样本对应的需求因素、返回收益因素、等待收益因素和个人能力因素。


3.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法，其特征在于，所述考虑天气影响后的客流量等于不考虑天气影响时的预期客流量和天气影响因子的乘积；预期客流量为随时间变化的变量；所述天气影响因子为考虑当前天气影响的客流量与不考虑天气影响的预期客流量之比。


4.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法，其特征在于，所述预期返回净收益B返回_净通过以下方式计算：
B返回_净＝B返回-C返回，
B返回＝Bh×Tw，
C返回＝Bh×Tr，
其中，B返回为预期返回收益，即司机空载返回市区之后，将留在机场的情况下所消耗的预期等待时长用于载客所获得的收益；C返回为司机从所在客流集散点空载返回市区的空载成本；Bh为司机每小时平均收益，Bh的计算方式为：通过计价车实时定位信息的历史数据、计价车实时载客信息的历史数据计算司机每小时的平均载客里程，再结合计价规则计算得到；Tw为留在机场的情况下所消耗的预期等待时长，Tr为从客流集散点返回市区的时间；其中，所述市区的定位由计程车实时位置数据和实时载客信息的历史数据计算得到。


5.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法，其特征在于，所述预期等待净收益B等待_净通过以下各式计算：
B等待_净＝B等待-C等待，
C等待＝β×Bh×Tw，
其中，B等待为预期等待收益，即司机留在机场载到客后，从客流集散点返回市区的平均等待收益；C等待为留在机场的情况下所消耗的预期等待时长所产生的等待成本；β为休...

【专利技术属性】
技术研发人员：叶竞成，包兴达，方筠捷，王浩宇，邹辉，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32