面向大型交通枢纽下的出租车智能调度方法与流程

1.本发明涉及一种面向大型交通枢纽下的出租车智能调度方法，属于出租车智能调度技术领域。


背景技术：

2.我国是当今民航基础建设发展最快的国家，航空枢纽是为旅客提供交通转换的重要基础设施，出租车作为大部分乘客下机后的主要交通工具。国内大部分机场每天达到数以万计的流客量，出租车在蓄车池内排队平均3-4小时。国内大多数机场送客、接客通道分开，送客到机场的出租车司机将会面临选择：前往蓄车池排队等候或者直接返回市区拉客，本发明就以上两种选择建立了一种最优决策模型。


技术实现要素：

3.本发明目的是提供了一种面向大型交通枢纽下的出租车智能调度方法，将ahp—模糊综合决策与kmeans聚类结合，从交通延误、时间成本、供求关系等多方面构建评价指标体系，构建决策模型并收集一机场数据验证模型合理性，并设置专属乘客拼车点，实现短程拼单增利。
4.本发明为实现上述目的，通过以下技术方案实现：
5.一种面向大型交通枢纽下的出租车智能调度方法，包括以下步骤：
6.s1.确定对司机决策有影响的因素，对因素进行分层，建立司机决策指标体系；
7.s2.根据不同指标对出租车司机决策的影响机理和规律设计隶属度函数；
8.s3.根据隶属度函数对指标数据进行处理，建立ahp-模糊综合评判司机决策模型；
9.s4.用k-means聚类方法对短途载客再次返回的出租车进行聚类并设立合乘点，为短程单出租车司机提供合乘机会。
10.所述面向大型交通枢纽下的出租车智能调度方法优选方案，步骤s1具体过程如下：
11.s101.确定评价对象集为出租车司机在两种方案中的选择，即p＝{x/y}，其中x表示排队载客回市区，y表示放空直接返回市区，根据以上的影响机理分析，确定影响出租车司机决策的五个评价指标,
12.u＝{供求关系a1,交通延误a2,潜在的顾客收益a3,长途单的概率a4,空载损失a5}；
13.s102.对层次分析法确定的这五个指标的权值进行归一化处理，确定影响出租车司机决策的指标权重矩阵；
14.s103.根据不同指标对出租车司机决策的影响机理和规律设计隶属度函数，映射区间为[0,1]。
[0015]
所述面向大型交通枢纽下的出租车智能调度方法优选方案，步骤s2具体过程如下：
[0016]
建立隶属度函数a(x)：结合司机对当地航班的熟悉程度，以h表示在平时航班抵达
数的一般情况，h1表示航班最少抵达数，h2表示航班最多抵达数，
[0017][0018]
所述面向大型交通枢纽下的出租车智能调度方法优选方案，步骤s3具体过程如下：
[0019]
s301.根据相关指标参数，对隶属度函数进行数据处理，得到模糊综合评价矩阵的元素值,确定模糊综合评价矩阵r为：
[0020]
其中r
11
、r
12
、r
13
、r
14
、r
15
分别代表出租车返回市区与供求关系、交通延误、潜在顾客收益、长途单概率、空载损失指标的隶属度元素值，r
2i
代表继续等待方案与指标间的隶属度值，t代表矩阵转置；
[0021]
s302.选择评价的合成算子，将权重矩阵w和模糊综合评价矩阵r进行合成，可得下式：
[0022][0023]
s303.通过上述ahp—模糊综合评价，得到司机决策策略p，司机会偏向于选择两个决策中分值高者，使得收益最大。
[0024]
所述面向大型交通枢纽下的出租车智能调度方法优选方案，权重矩阵w＝[0.4200.2290.1120.1630.076]。
[0025]
所述面向大型交通枢纽下的出租车智能调度方法优选方案，步骤s4具体过程如下：
[0026]
s401.选择国内某机场附近的密集消费区三个类簇，并随机初始化3个中心点作为类簇中心；
[0027]
s402.根据聚类结果，再次计算3个类簇的中心，利用欧氏距离法计算两点之间的距离：
[0028]
其中xi,yi分别表示某点的横向坐标和纵向坐标，x
i-1
,y
i-1
分别表示另一点的横向坐标和纵向坐标；
[0029]
s403.采用误差平方和最小作为聚类质量衡量的目标函数，使用每个聚类的样本
均值作为新的聚类中心：
[0030][0031]
其中jc(i)代表损失函数，uj代表该类簇的质心，k代表给定的聚类数目，xi
‑‑
第i个样本点的位置，n样本总量，j聚类中心点，r
ij
代表是第i个样本点距离中心点的距离；
[0032]
s404.重复以上步骤，直到聚类中心稳定，即jc(i)-jc(i+1)＜ε成立；
[0033]
s405.将聚类后的合乘方向在地图上可视化，在聚类中心分别设立短程合乘点，分别驶向不同行程方向。
[0034]
本发明的优点在于：
[0035]
本发明根据天气、交通状况等多因素建立出租车司机选择决策模型，综合考虑机场乘客数量的变化规律和出租车司机的收益，本发明利用层次分析法、模糊综合评价法、隶属度函数、因素影响机理分析等多方面建立了一个合理的司机选择决策模型，降低了出租车司机空载损失。为减少司机骗短途票、改善收益均衡，本发明设计了合乘点模式与均值聚类方法，提高短途司机单周期的收益。
附图说明
[0036]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0037]
图1为本发明实施例的整体架构流程示意图。
[0038]
图2为本发明实施例的评价指标示意图。
[0039]
图3为以国内某机场为例kmeans聚类后的乘车点结果示意图。
具体实施方式
[0040]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
一种面向大型交通枢纽下的出租车智能调度方法，包括以下步骤：
[0042]
s1.确定评价对象集为出租车司机在两种方案中的选择，即p＝{x/y}，其中x表示排队载客回市区，y表示放空直接返回市区,根据以上的影响机理分析，确定影响出租车司机决策的五个评价指标:供求关系、交通延误、潜在顾客收益、长途单概率、空载损失,建立隶属度函数u＝{供求关系a1,交通延误a2,潜在的顾客收益a3,长途单的概率a4,空载损失a5}；由于篇幅限制，本发明仅展示潜在顾客受益的隶属度函数构建过程，
[0043]
建立潜在顾客收益隶属度函数a3：结合司机对当地航班的熟悉程度，以h表示在平时航班抵达数的一般情况，h1表示航班最少抵达数，h2表示航班最多抵达数
[0044][0045]
s2.对层次分析法确定的这五个指标的权值进行归一化处理，确定影响出租车司机决策的指标权重w,
[0046]
w＝[0.4200.2290.1120.1630.076]；
[0047]
s3.根据不同指标对出租车司机决策的影响机理和规律设计隶属度函数，映射区间为[0,1]，在隶属度函数的设定中，本发明将各项指标倾向于排队载客返回市区的隶属度值设定为1。决策结果的分界阈值为0.5，若决策模型中的评分大于0.5，决策为排队载客返回市区，否则返回市区；
[0048]
s4.根据相关指标参数，通过(3)中的隶属度函数进行数据处理，得到模糊综合评价矩阵的元素值,确定模糊综合评价矩阵r为：
[0049][0050]
s5.选择评价的合成算子，将权重矩阵w和模糊综合评价矩阵r进行合成，本发明选择算子对权重和评价矩阵进行合成，可得下式：
[0051]
其中r
11
、r
12
、r
13
、r
14
、r
15
分别代表出租车返回市区与供求关系、交通延误、潜在顾客收益、长途单概率、空载损失指标的隶属度元素值，r
2i
代表继续等待方案与指标间的隶属度值，t代表矩阵转置；
[0052]
s6.通过ahp—模糊综合评价，得到司机决策策略p，司机会偏向于选择两个决策中分值高者，使得收益最大；
[0053]
s7.选择国内某机场附近的密集消费区三个类簇，并随机初始化3个中心点作为类簇中心，根据聚类结果，再次计算3个类簇的中心，利用欧氏距离法计算两点之间的距离：
[0054][0055]
采用误差平方和最小作为聚类质量衡量的目标函数，使用每个聚类的样本均值作为新的聚类中心：
[0056][0057][0058]
重复以上步骤，直到聚类中心稳定，即jc(i)-jc(i+1)＜ε成立；
[0059]
s8.将结果输出如图3，图中区域边界划分清晰，说明聚类效果良好，进而可实现短程区域的合乘目的，将聚类后的合乘方向在地图上可视化，在聚类中心分别设立三处短程合乘点，分别驶向不同行程方向，以增加短程车的收益，从而实现短程、长途司机的均衡收益。
[0060]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种面向大型交通枢纽下的出租车智能调度方法，其特征在于：包括以下步骤：s1.确定对司机决策有影响的因素，对因素进行分层，建立司机决策指标体系；s2.根据不同指标对出租车司机决策的影响机理和规律设计隶属度函数；s3.根据隶属度函数对指标数据进行处理，建立ahp-模糊综合评判司机决策模型；s4.用k-means聚类方法对短途载客再次返回的出租车进行聚类并设立合乘点，为短程单出租车司机提供合乘机会。2.根据权利要求1所述面向大型交通枢纽下的出租车智能调度方法，其特征在于：步骤s1具体过程如下：s101.确定评价对象集为出租车司机在两种方案中的选择，即p＝{x/y}，其中x表示排队载客回市区，y表示放空直接返回市区，根据以上的影响机理分析，确定影响出租车司机决策的五个评价指标,u＝{供求关系a1,交通延误a2,潜在的顾客收益a3,长途单的概率a4,空载损失a5}；s102.对层次分析法确定的这五个指标的权值进行归一化处理，确定影响出租车司机决策的指标权重矩阵；s103.根据不同指标对出租车司机决策的影响机理和规律设计隶属度函数，映射区间为[0,1]。3.根据权利要求1所述面向大型交通枢纽下的出租车智能调度方法，其特征在于：步骤s2具体过程如下：建立隶属度函数a(x)：结合司机对当地航班的熟悉程度，以h表示在平时航班抵达数的一般情况，h1表示航班最少抵达数，h2表示航班最多抵达数，4.根据权利要求3所述面向大型交通枢纽下的出租车智能调度方法，其特征在于：步骤s3具体过程如下：s301.根据相关指标参数，对隶属度函数进行数据处理，得到模糊综合评价矩阵的元素值,确定模糊综合评价矩阵r为：其中r
11
、r
12
、r
13
、r
14
、r
15
分别代表出租车返回市区与供求关系、交通延误、潜在顾客收益、长途单概率、空载损失指标的隶属度元素值，r
2i
代表继续等待方案与指标间的隶属度，t代表转置；s302.选择评价的合成算子，将权重矩阵w和模糊综合评价矩阵r进行合成，可得下式：
s303.通过上述ahp—模糊综合评价，得到司机决策策略p，司机会偏向于选择两个决策中分值高者，使得收益最大。5.根据权利要求4所述面向大型交通枢纽下的出租车智能调度方法，其特征在于：权重矩阵w＝[0.420 0.229 0.112 0.163 0.076]。6.根据权利要求1所述面向大型交通枢纽下的出租车智能调度方法，其特征在于：步骤s4具体过程如下：s401.选择国内某机场附近的密集消费区三个类簇，并随机初始化3个中心点作为类簇中心；s402.根据聚类结果，再次计算3个类簇的中心，利用欧氏距离法计算两点之间的距离：其中x
i
,y
i
分别表示某点的横向坐标和纵向坐标，x
i-1
,y
i-1
分别表示另一点的横向坐标和纵向坐标；s403.采用误差平方和最小作为聚类质量衡量的目标函数，使用每个聚类的样本均值作为新的聚类中心：其中jc(i)代表损失函数，u
j
代表该类簇的质心，k代表给定的聚类数目，xi
‑‑
第i个样本点的位置，n样本总量，j聚类中心点，r
ij
代表是第i个样本点距离中心点的距离；s404.重复以上步骤，直到聚类中心稳定，jc(i)-jc(i+1)＜ε成立；s405.将聚类后的合乘方向在地图上可视化，在聚类中心分别设立短程合乘点，分别驶向不同行程方向。

技术总结
针对大型交通枢纽下出租车调度不合理、交通堵塞等问题，本发明提供了一种面向大型交通枢纽下的出租车智能调度方法，将AHP—模糊综合决策与Kmeans聚类结合，从交通延误、时间成本、供求关系等多方面构建评价指标体系，构建决策模型并收集一机场数据验证模型合理性，并设置专属乘客拼车点，实现短程拼单增利。其包括以下步骤：S1.确定对司机决策有影响的因素，对因素进行分层，建立司机决策指标体系；S2.根据不同指标对出租车司机决策的影响机理和规律设计隶属度函数；S3.根据隶属度函数对指标数据进行处理，建立AHP-模糊综合评判司机决策模型；S4.用为K-Means聚类方法对短途载客再次返回的出租车进行聚类并设立合乘点，为短程单出租车司机提供合乘机会。出租车司机提供合乘机会。出租车司机提供合乘机会。


技术研发人员：高岩 田冰 王雯哲 郝虹
受保护的技术使用者：山东新一代信息产业技术研究院有限公司
技术研发日：2022.02.08
技术公布日：2022/5/25