列码作为该顾客订单的唯一标识 ID，那么当该顾客多次下单，或者使用同一手机不同手机号（有可能顾客手机为双卡双待） 下单时，就可以判定为同一订单，这样防止重复下单，减少订单冗余和误操作率。
[0093] ②当司机在终端确认接单后，服务器迅速响应，在订单通告中将该订单信息进行 删除，防止多个司机接单情况发生，同时对该订单的接客司机进行记录。
[0094] ③顾客订单完成后，可以对待客司机进行评价打分，后期对于打分过低的司机需 要进行学习培训在上岗，举报特别多的司机予以严肃处理。减少顾客过度等待的情况。
[0095] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定 本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱 离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应 当视为属于本发明的保护范围。
【主权项】
1. 一种代驾订单预测方法，用于预定场所，其特征在于：包括W下步骤： 51、 分别获取多个预定场所在一历史期间内的代驾订单数据并进行数据预处理，W分 别建立各预定场所的订单数据库； 52、 基于每个预定场所的所述订单数据库，将所述多个预定场所按照订单变化相似度 进行区域聚类，使得所述多个预定场所归于不同的区域类； 53、 对于每个所述区域类，都执行W下操作：将一天均匀划分为多个基础时间段，从所 述订单数据库中获取同一区域类中的预定场所在所述历史期间内的每一天的每一所述基 础时间段中的订单量，根据各所述基础时间段内的订单量将所述多个基础时间段进行时间 段聚类，W使所述多个基础时间段聚类至不同的订单预测基准时间段； 54、 针对每一区域类中的每一订单预测基准时间段，都执行W下操作：提取一订单预测 基准时间段内的订单数据和相应的变化因子，并输入BP神经网络进行非线性拟合，W获得 每一区域类中的每一订单预测基准时间段的订单预测模型； 55、 接收订单预测请求，判断所述订单预测请求来自哪个区域类W及请求预测的时间 属于哪个订单预测基准时间段，W选择相应区域类下相应订单预测基准时间段的订单预测 模型，并获取所述订单预测请求中的变化因子W供所对应的订单预测模型进行订单量预 测。2. 如权利要求1所述的代驾订单预测方法，其特征在于：所述步骤Sl中的所述数据预 处理包括： 提取所述代驾订单数据中的关键信息，所述关键信息至少包括所述历史期间内每天的 预约订单量、约定执行时间、订单实际执行时间、取消订单量W及取消订单原因；计算每个 成功执行的订单的顾客等待时间。3. 如权利要求1所述的代驾订单预测方法，其特征在于：所述步骤S2具体包括： 521、 基于每个所述预定场所的所述订单数据库，将所述历史期间内订单量的变化采用 =方向链码来描述，W建立各所述预定场所的变化描述序列； 522、 对所述多个预定场所，采用所述变化描述序列计算两两之间的编辑距离； 523、 根据编辑距离来判断所述订单变化相似度W将所述多个预定场所进行区域类的 划分。4. 如权利要求3所述的代驾订单预测方法，其特征在于：所述步骤S22具体包括： 选取待计算的两个预定场所A和B的变化描述序列Stringi与string2,计算变化描 述序列Stringi中的第i个链码string1(i)与变化描述序列strings中的第j个链码string2(j)之间的链码编辑距离edit(i，j)，其中O《i《L1，0《j《12,Ll和L2分别 表示变化描述序列Stringi、strings的总长度； 初始化一个LlXL2的矩阵D，采用如下公式计算所述链码编辑距离edit(i，j)来填充 矩阵D:经过上述公式计算得到完整的LIXL2的矩阵D，并且，矩阵D中的元素D(LI,L2)即为 两个所述预定场所A与B之间的编辑距离editAe; 按照上述方法，计算任意两个所述预定场所的编辑距离，共得到个编辑距离， 其中E为预定场所的总个数； 所述步骤S23具体包括：对步骤S22中得到的个编辑距离采用迭代自组织数 据分析算法进行聚类，W使得E个预定场所按照订单变化相似度划分为不同的区域类。5. 如权利要求4所述的代驾订单预测方法，其特征在于：所述=方向链码包括0、1、2 : 订单量比前一天增加并且增加的值大于第一阔值时用链码2表示"上升";订单量比前一天 减少并且减少的值大于所述第一阔值时用链码O表示"下降";订单量与前一天相比不变，或 者增大但增大的值小于所述第一阔值，或者减小但减小的值小于所述第一阔值时，用链码1 表示"不变"。6. 如权利要求2所述的代驾订单预测方法，其特征在于：所述步骤S3中所述基础时间 段的时长不小于所述顾客等待时间； 所述步骤S3中进行所述时间段聚类具体包括： 531、 对每一区域类都执行W下操作：统计一区域类中的所有所述预定场所每一天在每 一基础时间段内的订单量，分别W各所述基础时间段和每一基础时间段内对应的订单量为 维度数据建立二维向量X(r，h)，则该区域类存在y=FXH个二维向量Xi,X2,X3,L，Xy,其中 H为所述基础时间段的个数，F为所述历史期间所含的天数； 532、 对每一个区域类均执行W下操作：将每个二维向量中各维度的数据进行标准化W 统一量纲，标准化公式，庚中Xmi。、Xm。、分别为y个二维向量中同一 维度数据中的最小值和最大值，从而得到y个标准化后的二维向量主,，女,，LX,; 533、 对于每一个区域类，采用最近邻聚类方法，基于欧氏距离对步骤S32中标准化后 得到的y个二维向量玄1，支。，L,去,进行聚类，得到基于订单量相似程度的m个向量样本类； 534、 统计一基础时间段在m个向量样本类中分别拥有多少订单量，然后将该基础时间 段归类于出现订单量最多的一个向量样本类中； 535、 对每个基础时间段都执行步骤S34后，使得每个向量样本类中的基础时间段在时 间上连续，并且各向量样本类中不存在重叠的基础时间段；然后对m个向量样本类分别进 行基础时间段的合并，从而形成m个所述订单预测基准时间段。7. 如权利要求1所述的代驾订单预测方法，其特征在于：所述步骤S4中提取一订单预 测基准时间段内的订单数据包括：对于一区域类中的每个预定场所，提取所述历史期间内 的每一天的该订单预测基准时间段内的订单量及对应的日期；所述变化因子至少包括每一 天的该订单预测基准时间段的天气情况。8. 如权利要求7所述的代驾订单预测方法，其特征在于：所述步骤S4中采用BP神经 网络进行非线性拟合具体包括： 选择神经元的输入输出对照公式W及激活函数； 定义BP神经网络的层数W及各层的神经元数； 将一区域类中的一订单预测基准时间段内的所述订单数据及所述变化因子放入BP神 经网络进行训练，即可得到该区域类中的该订单预测基准时间段的所述订单预测模型。9. 如权利要求1所述的代驾订单预测方法，其特征在于：在步骤Sl之前还包括步骤 SO:将代驾订单依据路线的不同分为不同的代驾类型，并对各所述代驾类型的代驾订单也 执行步骤Sl至S4 ; 并且，步骤S5中在接收到订单预测请求时，还需判断所述订单预测请求中的代驾订单 属于何种代驾类型，W选择相应代驾类型下相应区域类中相应订单预测基准时间段的订单 预测模型。10. -种代驾运力调度方法，其特征在于：包括W下步骤： 采用如权利要求1至9任一项所述的代驾订单预测方法来预测订单； 根据订单预测结果，产生代驾司机调度方案，所述调度方案为：代驾司机人数为预测的 订单量的一预定倍数，所述预定倍数大于1。
【专利摘要】本发明公开代驾订单预测方法和代驾运力调度方法，可用于机场，代驾订单预测方法包括：建立各机场的历史订单数据库；根据订单变化相似度将机场进行区域聚类；对各区域类按照基础时间段内的订单量，将多个基础时间段进行时间段聚类，使每个区域类下形成不同的订单预测基准时间段；对每一区域类的每一订单预测基准时间段，提取相应的订单量和变化因子，采用BP神经网络进行非线性拟合，从而每一区域类的每一订单预测基准时间段都得到各自不同的订单预测模型；接收到订单预测请求时根据请求的区域类和订单预测基准时间段，选择对应的订单预测模型，结合变化因子预测出订单量。代驾运力调度方法根据上述订单预测结果来产生合理的司机分配方案。
【IPC分类】G06Q10/02, G06Q50/30, G06N3/02, G06Q30/06
【公开号】CN105373840
【申请号】CN201510663215
【发明人】张磊, 钟小武
【申请人】深圳市天行家科技有限公司
【公开日】2016年3月2日
【申请日】2015年10月14日