基于智能重复预定的二次资源预约方法与流程

本发明涉及资源调度领域，具体涉及一种基于智能重复预定的二次资源预约方法。

背景技术：

资源分配调度的问题遍布于人类社会的各个方便，特别是资源少、需求多的时候，资源分配调度的问题尤其显得重要。一个好的分配调度方法将能带来资源的充分利用。

在现实生活中，由于各种各样的原因，往往存在订单初始分配时间与资源的实际占用时间存在较大出入的情况，特别是资源的实际占用时间有所延误时，就使得资源始终处于被预定状态，该状态下资源处于空闲状态，使得资源不能得到有效的利用，间接造成了资源的浪费。

例如目前新出现的一种代客加电的新的商业模式下，用户在下订单后，由服务方分配工作人员到订单指定地点取车，然后到分配地点进行电动汽车加电，整个过程需要满足用户的时间设定，这就涉及到充电资源的预约。

常规状态下的预约分配模式包括以下步骤：(1)依据用户订单信息，分配订单对应车辆充电时间段中空闲的充电资源给该订单，并将对应充电资源对应的充电时间空置等待车辆的到来；(2)分配人员到订单指定地点取车，并行使至所分配资源点进行加电。

该预约分配模式下，为了保证客户服务的确定性和体验，一般都会先进行资源预约确保车到了加电资源点的时候一定有加电资源可以使用，但由于路上特别是找车时间的不确定性，很难保证车能在预约的时间准时到达加电资源点。为了解决车晚到或者早到的问题，一般会为每次服务预留一定的缓冲，比如在服务前后各多预留15分钟。此方法虽然能在一定程度上解决车不能准时到达加电资源点的问题，但也存在明显的缺点。

现有技术方案主要是在服务发起请求时对资源进行一次预定，并且在此资源释放前由该次服务独享。此类方法不能灵活的根据实际情况对预约进行调整，同时由于资源被该次服务独占，当预约情况跟实际情况发生不一致时，会造成资源的极大浪费，特别是发生车辆在预定资源时长增加的情况时，资源浪费就更为严重了。

技术实现要素：

为了解决现有技术中的上述问题，即为了解决现有预约模式资源浪费率较高的问题，本发明提出了一种基于智能重复预定的二次资源预约方法，提高了资源预约的准确性，减少了资源的浪费。

本发明提出的一种基于智能重复预定的二次资源预约方法，包括如下步骤：

步骤1，在接收到订单时，依据订单信息、以及服务区域内的资源点被成功占用概率信息进行第一次资源预约；

步骤2，在接收到服务对象交接确认信息时，依据当前时间及订单信息进行第二次资源预约。

优选地，步骤2中完成第二次资源预约后，将第二次资源预约的信息发送至服务终端。

优选地，所述资源点被成功占用概率信息为服务区域内各资源点在各服务时间段内被成功占用的概率；

所述的服务时间段为将所述服务区域每天的服务时间进行划分后顺序排列的各时间段；

所述各资源点在各服务时间段内被成功占用的概率为：对应资源点在对应时间段内，已分配的所有第一次资源预约与对应第二次资源预约一致的概率的总和、或者第二次资源预约的概率；

所述第一次资源预约与对应第二次资源预约一致的概率为pi，pi<1；所述第二次资源预约的概率为0或1，当存在第二次资源预约时取1，否则取0。

优选地，所述第一次资源预约需满足如下条件：

订单被分配的资源点在订单执行所需时间段内，不存在第二次资源预约、或者已分配的所有第一次资源预约与对应第二次资源预约一致的概率的总和小于设定的概率阈值。

优选地，所述第一次资源预约，具体包括：

步骤11，依据订单信息，进行资源点及服务时间段的匹配；

步骤12，判断步骤11所匹配的资源点在对应服务时间段内的资源点被成功占用概率p是否小于所述设定的概率阈值，若小于则执行步骤13；

步骤13，将订单分配至所匹配的资源点、以及所匹配的服务时间段，完成第一次资源预约。

优选地，所述第二次资源预约，具体包括：

步骤21，在接收到服务对象交接确认信息时，对到达第一次资源预约对应资源点的时间进行估算，并判断第一次资源预约对应时间段的起始时间与所述估算时间的差值的绝对值是否小于设定阈值，若是则执行步骤22，否则执行步骤23；

步骤22，判断对应订单第一次资源预约所分配的资源点和时间段是否已被其他订单进行第二次资源预约，如是则执行步骤24，否则执行步骤25；

步骤23，选择步骤21中所估算的到达第一次资源预约对应资源点的时间所对应的时间段，并进一步选择该时间段中未分配的资源点，以该步骤中所选择的时间段、以及资源点确定第二次资源预约；

步骤24，选择服务区域中对应第一次资源预约的时间段内未分配资源点进行对应订单的第二次资源预约；

步骤25，将对应订单第一次资源预约所分配的资源点和时间段用于第二次资源预约。

优选地，所述的概率阈值可以为0.8。

优选地，所述第一次资源预约与对应第二次资源预约一致的概率的计算方法为：pi＝1/n，n为资源点允许第一次预约的次数。

优选地，所述的服务对象为车辆。

优选地，所述第一次资源预约与对应第二次资源预约一致的概率的计算方法为：

步骤131，依据订单对应车辆所在停车场、以及对应停车场的使用率，计算找车所需时长的概率分布；

步骤132，依据找车所需时长的概率分布p(tf)，计算该订单对应车辆到达并占用资源点的时间的概率分布p(t)，并基于概率分布p(t)计算第一次资源预约与对应第二次资源预约一致的概率pi，即计算第一次资源预约时预计资源点被占用的时间在误差为t的时间区间内对应的概率；t为设定误差时长。

优选地，步骤131中所述找车所需时长的概率分布，其计算方法为：将停车场找车时间模型的正态分布、与找车时延模型的正态分布相加；

所述停车场找车时间模型，具体为依据停车场的规模分类，所建立的找车时长的正态分布概率模型；

所述找车时延模型，具体为在停车场车位使用率高于所设定使用率阈值时，所建立的找车时延的正态分布概率模型。

优选地，所述停车场的规模，依据停车位的数量可以划分为三类：分类包括大规模停车场、中规模停车场、小规模停车场。

优选地，所述大规模停车场对应的车位数大于300；所述中规模停车场对应的车位数所对应的区间为[100，300]；所述小规模停车场对应的车位数所对应的区间为(0，100)。

优选地，所述找车时延模型中的所设定使用率阈值可以为90％。

本发明提出的方法，在资源预约时，能根据每次服务之前资源点被占用的概率情况对同一资源点进行重复预定，同时在服务执行过程中当我们对预定准确性有把握时对资源进行二次预定。通过该资源预约机制不但可以提高资源预约的准确性同时也大大降低了资源预定的浪费。

方案1、一种基于智能重复预定的二次资源预约方法，其特征在于，包括如下步骤：

步骤1，在接收到订单时，依据订单信息、以及服务区域内的资源点被成功占用概率信息进行第一次资源预约；

步骤2，在接收到服务对象交接确认信息时，依据当前时间及订单信息进行第二次资源预约。

方案2、根据方案1所述的方法，其特征在于，步骤2中完成第二次资源预约后，将第二次资源预约的信息发送至服务终端。

方案3、根据方案2所述的方法，其特征在于，所述资源点被成功占用概率信息为服务区域内各资源点在各服务时间段内被成功占用的概率；

所述的服务时间段为将所述服务区域每天的服务时间进行划分后顺序排列的各时间段；

所述各资源点在各服务时间段内被成功占用的概率为：对应资源点在对应时间段内，已分配的所有第一次资源预约与对应第二次资源预约一致的概率的总和、或者第二次资源预约的概率；

所述第一次资源预约与对应第二次资源预约一致的概率为pi，pi<1；所述第二次资源预约的概率为0或1，当存在第二次资源预约时取1，否则取0。

方案4、根据方案3所述的方法，其特征在于，所述第一次资源预约需满足如下条件：

订单被分配的资源点在订单执行所需时间段内，不存在第二次资源预约、或者已分配的所有第一次资源预约与对应第二次资源预约一致的概率的总和小于设定的概率阈值。

方案5、根据方案4所述的方法，其特征在于，所述第一次资源预约，具体包括：

步骤11，依据订单信息，进行资源点及服务时间段的匹配；

步骤12，判断步骤11所匹配的资源点在对应服务时间段内的资源点被成功占用概率p是否小于所述设定的概率阈值，若小于则执行步骤13；

步骤13，将订单分配至所匹配的资源点、以及所匹配的服务时间段，完成第一次资源预约。

方案6、根据方案5所述的方法，其特征在于，所述第二次资源预约，具体包括：

步骤21，在接收到服务对象交接确认信息时，对到达第一次资源预约对应资源点的时间进行估算，并判断第一次资源预约对应时间段的起始时间与所述估算时间的差值的绝对值是否小于设定阈值，若是则执行步骤22，否则执行步骤23；

步骤22，判断对应订单第一次资源预约所分配的资源点和时间段是否已被其他订单进行第二次资源预约，如是则执行步骤24，否则执行步骤25；

步骤23，选择步骤21中所估算的到达第一次资源预约对应资源点的时间所对应的时间段，并进一步选择该时间段中未分配的资源点，以该步骤中所选择的时间段、以及资源点确定第二次资源预约；

步骤24，选择服务区域中对应第一次资源预约的时间段内未分配资源点进行对应订单的第二次资源预约；

步骤25，将对应订单第一次资源预约所分配的资源点和时间段用于第二次资源预约。

方案7、根据方案6所述的方法，其特征在于，所述的概率阈值可以为0.8。

方案8、根据方案3～7中任一项所述的方法，其特征在于，所述第一次资源预约与对应第二次资源预约一致的概率的计算方法为：

pi＝1/n，n为资源点允许第一次预约的次数。

方案9、根据方案3～7中任一项所述的方法，其特征在于，所述的服务对象为车辆。

方案10、根据方案9所述的方法，其特征在于，所述第一次资源预约与对应第二次资源预约一致的概率的计算方法为：

步骤131，依据订单对应车辆所在停车场、以及对应停车场的使用率，计算找车所需时长的概率分布p(tf)；

步骤132，依据找车所需时长的概率分布，计算该订单对应车辆到达并占用资源点的时间的概率分布p(t)，并基于概率分布p(t)计算第一次资源预约与对应第二次资源预约一致的概率pi，即计算第一次资源预约时预计资源点被占用的时间在误差为t的时间区间内对应的概率；t为设定误差时长。

方案11、根据方案10所述的方法，其特征在于，步骤131中所述找车所需时长的概率分布，其计算方法为：将停车场找车时间模型的正态分布、与找车时延模型的正态分布相加；

所述停车场找车时间模型，具体为依据停车场的规模分类，所建立的找车时长的正态分布概率模型；

所述找车时延模型，具体为在停车场车位使用率高于所设定使用率阈值时，所建立的找车时延的正态分布概率模型。

方案12、根据方案11所述的方法，其特征在于，所述停车场的规模，依据停车位的数量可以划分为三类：大规模停车场、中规模停车场、小规模停车场。

方案13、根据方案12所述的方法，其特征在于，所述大规模停车场对应的车位数大于300；所述中规模停车场对应的车位数所对应的区间为[100，300]；所述小规模停车场对应的车位数所对应的区间为(0，100)。

方案14、根据方案13所述的方法，其特征在于，所述找车时延模型中的所设定使用率阈值可以为90％。

附图说明

图1是本发明第一次资源预约的流程示意图；

图2是本发明第二次资源预约的流程示意图；

图3是本发明中订单对应车辆到达并占用资源点的时间的概率分布示意图。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

为了可以更加清晰的对本发明技术方案进行描述，以下仅以电动汽车领域的具体实施例为例进行描述，同时本发明技术方案还可以应用到其他领域，比如代客加油、代客洗车、代客洗衣等等，只要涉及到订单指定地点交接服务对象(直接作用对象，如汽车、电动自行车、衣物等)，并把该服务对象送至特定资源点进行服务(如加电、加油、洗衣等)，均可以采用本发明的资源分配技术方案。

通过对代客加电服务流程的分析，可以将代客加电的路上时间分解为以下几步：

(1)服务人员来到客户车停放的车库或者小区；

(2)服务人员找到用户的车；

(3)服务人员开车去分配的加电资源点。

上述三步中，第二步花费时间的不确定性最大，也是影响预约时间精准性的重要因子。所以为了排除此步的影响，可以在这步完成后通知系统后台，此时系统后台会再次计算服务人员开车到达加电资源点的预计时间，并根据此预计时间重新预定资源的使用时间。由于第三步时间预计的准确性很高，经过第二次预约后，资源预约的准确率也就相应的提高了。

本发明的一种基于智能重复预定的二次资源预约方法，包括如下步骤：

步骤1，在接收到订单时，依据订单信息、以及服务区域内的资源点被成功占用概率信息进行第一次资源预约。

所述资源点被成功占用概率信息为服务区域内各资源点在各服务时间段内被成功占用的概率，用p表示；所述的服务时间段为将所述服务区域每天的服务时间进行划分后顺序排列的各时间段；所述各资源点在各服务时间段内被成功占用的概率p为：对应资源点在对应时间段内，已分配的所有第一次资源预约与对应第二次资源预约一致的概率的总和、或者第二次资源预约的概率；所述第一次资源预约与对应第二次资源预约一致的概率为pi，pi<1，其中i为对应资源点在对应时间段内第一次资源预约的订单的序号，i为自然数；所述第二次资源预约的概率为0或1，当存在第二次资源预约时取1，否则取0。

本实施例中第一次资源预约需满足的条件为：订单被分配的资源点在订单执行所需时间段内，不存在第二次资源预约、或者已分配的所有第一次资源预约与对应第二次资源预约一致的概率的总和小于设定的概率阈值。可以取设定的概率阈值为0.8，也可以为其他数值。

本实施例中第一次资源预约的具体步骤如图1所示，包括：

步骤11，依据订单信息，进行资源点及服务时间段的匹配；

该步骤中，订单成立的前提是，预约的时间对应得时间段内存在可以被预约的资源点，且估算的获取订单所对应得服务对象、并到达资源点的时间早于订单所预约的时间。

步骤12，判断步骤11所匹配的资源点在对应服务时间段内的资源点被成功占用概率p是否小于所述设定的概率阈值，若小于则执行步骤13；

步骤13，将订单分配至所匹配的资源点、以及所匹配的服务时间段，完成第一次资源预约。

步骤2，在接收到服务对象交接确认信息时，依据当前时间及订单信息进行第二次资源预约；

本实施例中第二次资源预约的具体步骤如图2所示，包括：

步骤21，在接收到服务对象(电动汽车)交接确认信息时，对到达第一次资源预约对应资源点的时间t2进行重新估算，并判断第一次资源预约对应时间段的起始时间t1与所述估算时间t2的差值的绝对值是否小于设定阈值，若是则执行步骤22，否则执行步骤23；

步骤22，判断对应订单第一次资源预约所分配的资源点和时间段是否已被其他订单进行第二次资源预约，如是则执行步骤24，否则执行步骤25；

步骤23，选择步骤21中所估算的到达第一次资源预约对应资源点的时间t2所对应的时间段，并进一步选择该时间段中未分配的资源点，以该步骤中所选择的时间段、以及资源点确定第二次资源预约；

步骤24，选择服务区域中对应第一次资源预约的时间段内未分配资源点进行对应订单的第二次资源预约；

步骤25，将对应订单第一次资源预约所分配的资源点和时间段用于第二次资源预约。

步骤3，将第二次资源预约的信息发送至服务终端；本实施例中的服务终端为服务人员的手持终端，用于服务人员接收资源预约信息等信息，以及发送位置信息、交接确认信息等信息。

本发明第一次资源预约与对应第二次资源预约一致的概率的计算方法可以为固定概率策略，还可以为动态概率模型策略，本实施例采用动态概率模型策略。

固定概率策略，即根据历史统计信息或者运营经验直接固定第一次预约资源时允许重复的次数n(n可以为2,3等任意数值)，当重复次数小于n时，我们可以允许其他的服务预定该资源。该策略下，pi＝1/n，n为资源点允许第一次预约的次数。

动态概率模型策略，即根据事先设定的概率模型，在第一次资源预约时，动态计算每个订单第一次资源预约与对应第二次资源预约一致的概率。资源预约的时长信息中包含找车时长、送车时长，找车时长受较多因素的影响，不确定性较强，送车时长则相对准确性很高，所以通过对找车时长的概率分布进行计算，再与对应的送车时长相加即可得到整体的预约时长的概率分布。因此，动态概率模型策略可以具体包括如下步骤：

步骤131，依据订单对应车辆所在停车场、以及对应停车场的使用率，计算找车所需时长的概率分布。

找车所需时长的概率分布的计算方法为：将停车场找车时间模型的正态分布、与找车时延模型的正态分布相加。

停车场找车时间模型，具体为依据停车场的规模分类，所建立的找车时长的正态分布概率模型。停车场的规模分类可以依据停车位的数量划分为三类：大规模停车场、中规模停车场、小规模停车场；所述数量划分的区间设定可以依据大量停车场的找车时间进行统计，例如，本实施例中设定的大规模停车场对应的车位数大于300；中规模停车场对应的车位数所对应的区间为[100，300]；小规模停车场对应的车位数所对应的区间为(0，100)。对不同规模的停车场，分别取不同的期望值和标准差建立不同的停车场找车时间模型。

找车时延模型，具体为在停车场车位使用率高于所设定使用率阈值时，所建立的找车时延的正态分布概率模型。本实施例中找车时延模型中的所设定使用率阈值为90％。通过使用率的高低来反映停车场繁忙度，比如车位占用率大于90％为繁忙，否则为不繁忙。在停车场在繁忙时，寻找被服务电动车会增加一定的时延，同样也按照正态分布对时延情况进行建模。

步骤132，依据找车所需时长的概率分布p(tf)，计算该订单对应车辆到达并占用资源点的时间的概率分布p(t)，并基于概率分布p(t)计算第一次资源预约与对应第二次资源预约一致的概率pi，即计算第一次资源预约时预计资源点被占用的时间在误差为t的时间区间内对应的概率，t为设定误差时长；如图3所示，该图为订单对应车辆到达并占用资源点的时间t的概率分布p(t)，其中阴影部分的三条虚线中间那条对应为第一次资源预约时预计资源点被占用的时间，并提前和延后时长t，构成2t的时间区间，以该时间区间的对应概率分布p(t)中阴影面积的概率作为概率pi。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。