无桩车辆调度方法和系统与流程

本公开涉及数据处理领域，尤其涉及一种无桩车辆调度方法和系统。

背景技术

作为一种绿色出行方式，自行车一直深受政府和人们的喜爱。选择自行车进行短距离出行，不仅更为方便，还能够锻炼身体，减少汽车尾气排放，缓解交通拥堵。

传统的公共自行车系统在客流量多的地方设置自行车租赁点，租客需要在自行车租赁点租赁自行车，使用结束后将自行车归还至任一自行车租赁点。近年来，涌现了一大批无桩公共自行车系统。与传统的公共自行车系统不同的是，无桩自行车系统允许用户在任何地方租赁自行车，并将自行车归还到任何地点。由于没有固定的租赁地点，无桩自行车能让用户使用得更加方便。

传统的有桩自行车主要是在各个租赁点进行自行车调度，而无桩自行车允许用户在任何地点骑车、还车，对其调度问题提出了更高的要求。如果没有有效的调度策略，无桩自行车在某些地方就会有严重的堆积现象，从而引发交通拥堵，造成资源浪费。另一方面，在某些骑行需求量很大的区域会出现供不应求的局面，从而影响用户的出行体验。

技术实现要素：

本公开要解决的一个技术问题是提供一种无桩车辆调度方法和系统，能够更加有效地进行无桩车辆调度。

根据本公开一方面，提出一种无桩车辆调度方法，包括：基于区域内的历史多源数据抽取每个目标停车点预定范围内的数据特征；将数据特征作为车辆需求预测模型的输入参数，将每个目标停车点的车辆需求量作为车辆需求预测模型的输出参数，训练车辆需求预测模型；基于训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量；根据每个目标停车点的车辆需求量确定车辆调度策略。

可选地，基于训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量包括：基于区域内的多源数据抽取每个目标停车点预设时间段内的数据特征；将数据特征输入到训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量。

可选地，该方法还包括：对历史车辆分布数据、兴趣点数据和路网数据进行空间聚类计算，确定停车区域；根据兴趣点数据和路网数据确定每个停车区域的目标停车点。

可选地，该方法还包括：基于最优化目标在车辆调度策略选择最优车辆调度策略。

可选地，最优化目标包括各个车辆从投放到被借走的总时间最短、各个目标停车点需要调度的车辆总数据量最小或被调度车辆需要移动的总距离之和最小中的至少一项。

可选地，多源数据包括空气质量数据、公共交通流量数据、天气数据、车辆分布数据、兴趣点数据和路网数据。

可选地，该方法还包括：将空气质量数据、公共交通流量数据、天气数据和车辆分布数据分为工作日数据和节假日数据；将工作日数据和节假日数据分别按照预定时间间隔进行划分；将每个目标停车点划分好的工作日数据和节假日数据作为车辆需求预测模型的输入参数。

可选地，车辆需求预测模型采用人工神经网络ann模型、贝叶斯模型、决策树模型和深度网络模型中的至少一种模型。

根据本公开的另一方面，还提出一种无桩车辆调度系统，包括：数据特征提取单元，用于基于区域内的历史多源数据抽取每个目标停车点预定范围内的数据特征；预测模型训练单元，用于将数据特征作为车辆需求预测模型的输入参数，将每个目标停车点的车辆需求量作为车辆需求预测模型的输出参数，训练车辆需求预测模型；需求量预测单元，用于基于训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量；调度策略生成单元，用于根据每个目标停车点的车辆需求量确定车辆调度策略。

可选地，数据特征提取单元还用于基于区域内的多源数据抽取每个目标停车点预设时间段内的数据特征；需求量预测单元用于将数据特征输入到训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量。

可选地，该系统还包括：目标区域确定单元，用于对历史车辆分布数据、兴趣点数据和路网数据进行空间聚类计算，确定停车区域；目标停车点确定单元，用于根据兴趣点数据和路网数据确定每个停车区域的目标停车点。

可选地，该系统还包括：最优策略选择单元，用于基于最优化目标在车辆调度策略选择最优车辆调度策略。

可选地，最优化目标包括各个车辆从投放到被借走的总时间最短、各个目标停车点需要调度的车辆总数据量最小或被调度车辆需要移动的总距离之和最小中的至少一项。

可选地，多源数据包括空气质量数据、公共交通流量数据、天气数据、车辆分布数据、兴趣点数据和路网数据。

可选地，该系统还包括：时间划分单元，用于将空气质量数据、公共交通流量数据、天气数据和车辆分布数据分为工作日数据和节假日数据，将工作日数据和节假日数据分别按照预定时间间隔进行划分；其中，将每个目标停车点划分好的工作日数据和节假日数据作为车辆需求预测模型的输入参数。

可选地，多源数据包括空气质量数据、公共交通流量数据、天气数据、车辆分布数据、兴趣点数据和路网数据。

根据本公开的另一方面，还提出一种无桩车辆调度系统，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的无桩车辆调度方法。

根据本公开的另一方面，还提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的无桩车辆调度方法的步骤。

与相关技术相比，本公开实施例利用多源数据训练车辆需求预测模型，然后基于训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量，根据每个目标停车点的车辆需求量确定车辆调度策略，从而能够更加有效地进行无桩车辆调度。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1为本公开无桩车辆调度方法的一个实施例的流程示意图。

图2为本公开无桩车辆调度方法的另一个实施例的流程示意图。

图3为不同时间段自行车使用量的变化。

图4为不同空气质量下自行车使用占比。

图5为不同天气自行车使用量占比。

图6为本公开无桩车辆调度系统的一个实施例的结构示意图。

图7为本公开无桩车辆调度系统的另一个实施例的结构示意图。

图8为本公开无桩车辆调度系统的又一个实施例的结构示意图。

图9为本公开无桩车辆调度系统的再一个实施例的结构示意图。

具体实施方式

现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

现有自行车调度方法主要基于有桩公共自行车系统。相对于有桩公共自行车系统，无桩自行车系统的自行车停放地点数目更多、位置不固定、每个停放点的容量没有限制，因此，基于有桩自行车调度的算法无法直接用于无桩自行车的调度中。无桩自行车作为新的一种租赁方式，关于它的调度方案研究并不多。目前各大无桩公共自行车的调度主要基于自行车的分布数据，无法精确预测未来各个位置用户的骑行需求，从而无法有效地进行调度。

图1为本公开无桩车辆调度方法的一个实施例的流程示意图。

在步骤110，基于区域内的历史多源数据抽取每个目标停车点预定范围内的数据特征。其中，多源数据例如为空气质量数据、公共交通流量数据、天气数据、车辆分布数据、poi(pointofinterest，兴趣点)数据和路网数据等。其中，poi数据和路网数据属于静态数据，即数据不随时间进行变化。空气质量数据、公共交通流量数据、天气数据和自行车分布数据等为动态数据，即数据随着时间在变化。提取的数据特征例如包括空气质量特征、人流量、天气特征、自行车分布特征、poi分布特征、路网分布特征等。

在步骤120，将数据特征作为车辆需求预测模型的输入参数，将每个目标停车点的车辆需求量作为车辆需求预测模型的输出参数，训练车辆需求预测模型。其中，车辆需求预测模型可以采用ann(artificialneuralnetwork，人工神经网络)模型、贝叶斯模型、决策树模型、深度网络模型等，还可以采用多个模型的组合。

在一个实施例中，可以将数据特征作为车辆需求预测模型的输入参数，将每个目标停车点的车辆需求量作为车辆需求预测模型的输出参数，通过迭代训练车辆需求预测模型。迭代训练车辆需求预测模型的过程例如为：将车辆需求预测模型的输出结果与相应采集的目标停车点的车辆需求量进行比较，判断比较结果是否满足构建的车辆需求量损失函数的要求，反复迭代，优化和调整车辆需求预测模型的参数，使得比较结果最终满足构建的车辆需求预测模型的车辆需求量损失函数的要求，保存该车辆需求预测模型。

在步骤130，基于训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量。

在步骤140，根据每个目标停车点的车辆需求量确定车辆调度策略。例如a目标停车点现有车辆为10辆，但实际需求量为20辆，b目标点车点现有车辆为50辆，但实际需求量为15辆，c目标停车点现有车辆为40辆，但实际需求量为25辆。则可以从b目标停车点向a目标停车点调度车辆，也可以从c目标停车点向a目标停车点调度车辆，还可以由b、c两个目标停车点向a目标停车点调度车辆。

在该实施例中，利用多源数据训练车辆需求预测模型，然后基于训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量，根据每个目标停车点的车辆需求量确定车辆调度策略，从而能够更加有效地进行无桩车辆调度。

图2为本公开无桩车辆调度方法的另一个实施例的流程示意图。

在步骤210，对历史自行车分布数据、兴趣点数据和路网数据进行空间聚类计算，确定停车区域。例如，可以采用dbscan(density-basedspatialclusteringofapplicationswithnoise，具有噪声的基于密度的聚类方法)、k-means(k均值)等聚类算法找到租车、还车需求较多的有限个停车区域。

在步骤220，根据兴趣点数据和路网数据确定每个停车区域的目标停车点。对于每个停车区域，结合路网和poi数据找到允许停放自行车的一个或多个目标停车点。这样就将无限个目标地点转化成有限个目标停车点，整个调度算法在限个目标停车点之间进行自行车调度。

在步骤230，基于区域内的历史空气质量数据、公共交通流量数据、天气数据、自行车分布数据、兴趣点数据和路网数据抽取每个目标停车点预定范围内的数据特征。其中，针对每个目标停车点，可以抽取其周围一段范围内数据的特征。数据特征可以分为静态特征和动态特征。静态特征是指数据不随时间进行变化，例如路网和poi。动态特征是指数据读数随着时间的变化，例如空气质量数据、公共交通流量数据、天气数据和自行车分布数据。

其中，不同时间段自行车使用量不同。图3为某市2016年9月份各时间段某无桩公共自行车的使用量。由图可知，在早高峰(7点到8点)和晚高峰(17点到19点)自行车的使用量增多，而在夜晚(23点至第二天5点)自行车使用量很少。因此，在自行车的调度过程中，应该考虑时间因素，同时，在早晚高峰时期前，应该将自行车调度好，以满足更多人的骑行需求。因此，对于动态特征，数据可以按产生时间进行分片，例如，按工作日和节假日将数据分成两部分，对于每个部分，可以按小时分成24切片。这样，共有48个切片数据，其中工作日24个，节假日24个。

图4给出了某市2016年9月份某无桩公共自行车在不同的空气质量情况下每小时的使用量占比情况。有图可知，在空气质量好的情况下，人们更喜欢使用自行车，因为空气质量差的情况下，人们会减少室外活动，进而自行车的使用量也会相应减少。因此，在训练车辆需求预测模型时，需要考虑空气质量数据。对于空气质量数据，可以提取空气质量特征。例如计算每个时间切片各个目标点的空气质量情况，例如：pm2.5、pm10、so2、no2、co、o3等污染物的浓度。

无桩公共自行车的租赁/归还地点大多分布在地铁口、公交车站点旁、商场周围、小区门口以及办公楼旁。因此，在自行车调度的过程中，我们应该着重考虑地铁口、公交车站、商场、小区及办公楼旁的自行车。此外，地铁、公交等的刷卡数据能够帮助我们预测每个地铁出口和公交车站点的乘车需求。因此，在训练车辆需求预测模型时，需要考虑公共交通流量数据，即提取每个目标停车点周围人流量。另外，还可以根据信号基站数据、wifi连接数据、出租车轨迹数据等计算人流量数据。

图5显示的是某市2016年9月份某无桩公共自行车在晴天和雨天平均每小时的使用量占比情况。由图5可知，在晴天自行车的使用量远远大于雨天自行车的使用量。此外，冬天自行车的使用量远远少于夏天自行车的使用量。因此，在训练车辆需求预测模型时，需要考虑天气数据。针对天气数据抽取天气特征，例如，每个时间切片各个目标停车点的天气状况(阴、晴、雨等)、气温、风速、风向、湿度等。

针对自行车分布数据，可以抽取历史自行车的分布特征，例如：每个时间切片各个目标停车点周围的自行车总数、每辆车从投放到被骑走的时间长度等。

针对兴趣点数据和路网数据，可以抽取周围δ公里的poi/路网分布特征，例如：各类poi的数目、各种等级路段的长度、交叉路口数目、红绿灯的数目等。

在步骤240，将数据特征作为车辆需求预测模型的输入参数，将每个目标停车点的自行车需求量作为车辆需求预测模型的输出参数，训练车辆需求预测模型。其中，可以将每个目标停车点划分好的工作日数据和节假日数据作为车辆需求预测模型的输入参数。

在步骤250，基于区域内的空气质量数据、公共交通流量数据、天气数据、自行车分布数据、兴趣点数据和路网数据抽取每个目标停车点预设时间段内的数据特征。即，抽取每个目标停车点最近一段时间数据的特征。

在步骤260，将数据特征输入到训练好的车辆需求预测模型，预测每个目标停车点的自行车需求量。

在步骤270，根据每个目标停车点的自行车需求量确定自行车调度策略。

在步骤280，基于最优化目标在自行车调度策略选择最优自行车调度策略。例如，在选择最优自行车调度策略时，考虑各个自行车从投放到被借走的总时间最短、各个目标停车点需要调度的自行车总数据量最小或被调度自行车需要移动的总距离之和最小。

在该实施例中，利用空间聚类的方法确定自行车调度的目标停车点，使得无限个目标地点转化为有限个目标停车点。另外，在该实施例中，兴趣点数据、路网数据、公共交通流量数据、天气数据、空气质量数据、以及自行车的历史分布数据训练车辆需求预测模型，然后预测每个目标停车点的车辆需求量，根据每个目标停车点的车辆需求量确定车辆调度策略，能够有效解决无桩公共自行车的调度问题。一旦成功运用，能够减少自行车运营商的调度成本，提升自行车的利用率，还能够缓解由自行车胡乱摆放而造成的交通拥堵，更加方便人们出行。

图6为本公开无桩车辆调度系统的一个实施例的结构示意图。该系统包括数据特征提取单元610、预测模型训练单元620、需求量预测单元630和调度策略生成单元640。

数据特征提取单元，用于基于区域内的历史多源数据抽取每个目标停车点预定范围内的数据特征。其中，多源数据例如为空气质量数据、公共交通流量数据、天气数据、车辆分布数据、poi数据和路网数据等。

预测模型训练单元620用于将数据特征作为车辆需求预测模型的输入参数，将每个目标停车点的车辆需求量作为车辆需求预测模型的输出参数，训练车辆需求预测模型。其中，车辆需求预测模型可以采用ann(artificialneuralnetwork，人工神经网络)模型、贝叶斯模型、决策树模型、深度网络模型等，还可以是多个模型的组。

需求量预测单元630用于基于训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量。

调度策略生成单元640用于根据每个目标停车点的车辆需求量确定车辆调度策略。

在该实施例中，利用多源数据训练车辆需求预测模型，然后基于训练好的车辆需求预测模型，预测每个目标停车点的车辆需求量，根据每个目标停车点的车辆需求量确定车辆调度策略，从而能够更加有效地进行无桩车辆调度。

图7为本公开无桩车辆调度系统的另一个实施例的结构示意图。该系统还包括目标区域确定单元710和目标停车点确定单元720。

目标区域确定单元710用于对历史自行车分布数据、兴趣点数据和路网数据进行空间聚类计算，确定停车区域。

目标停车点确定单元720用于根据兴趣点数据和路网数据确定每个停车区域的目标停车点。对于每个停车区域，结合路网和poi数据找到允许停放自行车的一个或多个目标停车点。

数据特征提取单元610用于在离线学习阶段，基于区域内的历史空气质量数据、公共交通流量数据、天气数据、自行车分布数据、兴趣点数据和路网数据抽取每个目标停车点预定范围内的数据特征。另外，数据特征提取单元610还用于在在线预测阶段，基于区域内的空气质量数据、公共交通流量数据、天气数据、自行车分布数据、兴趣点数据和路网数据抽取每个目标停车点预设时间段内的数据特征。即，抽取每个目标停车点最近一段时间数据的特征。

在一个实施例中，在自行车的调度过程中，应该考虑时间因素。该系统还包括时间划分单元730，用于将所述空气质量数据、公共交通流量数据、天气数据和车辆分布数据分为工作日数据和节假日数据，将工作日数据和节假日数据分别按照预定时间间隔进行划分。

预测模型训练单元620用于将数据特征作为车辆需求预测模型的输入参数，将每个目标停车点的自行车需求量作为车辆需求预测模型的输出参数，训练车辆需求预测模型。其中，可以将每个目标停车点划分好的工作日数据和节假日数据作为车辆需求预测模型的输入参数。

需求量预测单元630用于将数据特征输入到训练好的车辆需求预测模型，预测每个目标停车点的自行车需求量。

调度策略生成单元640用于根据每个目标停车点的自行车需求量确定自行车调度策略。

在另一个实施例中，该系统还可以包括最优策略选择单元740，用于基于最优化目标在车辆调度策略选择最优车辆调度策略。例如，在选择最优自行车调度策略时，考虑各个自行车从投放到被借走的总时间最短、各个目标停车点需要调度的自行车总数据量最小或被调度自行车需要移动的总距离之和最小。

在该实施例中，利用空间聚类的方法确定自行车调度的目标停车点，使得无限个目标地点转化为有限个目标停车点。另外，在该实施例中，兴趣点数据、路网数据、公共交通流量数据、天气数据、空气质量数据、以及自行车的历史分布数据训练车辆需求预测模型，然后预测每个目标停车点的车辆需求量，根据每个目标停车点的车辆需求量确定车辆调度策略，能够有效解决无桩公共自行车的调度问题。一旦成功运用，能够减少自行车运营商的调度成本，提升自行车的利用率，还能够缓解由自行车胡乱摆放而造成的交通拥堵，更加方便人们出行。

图8为本公开无桩车辆调度系统的又一个实施例的结构示意图。该系统包括存储器810和处理器820。其中：

存储器810可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1-2所对应实施例中的指令。处理器820耦接至存储器810，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器820用于执行存储器中存储的指令。

在一个实施例中，还可以如图9所示，该系统900包括存储器910和处理器920。处理器920通过bus总线930耦合至存储器910。该系统900还可以通过存储接口940连接至外部存储装置950以便调用外部数据，还可以通过网络接口960连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。

在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够有效提高无桩车辆调度效率。

在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图1-2所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。