本发明涉及一种巡游出租车运力规模动态调整方法，属于道路交通工程技术领域。
背景技术
制定合理的出租车运力规模调整体系是政府对出租车行业结构实施宏观调整的重要手段，是缓解行业矛盾和促进出租车行业良性发展的重要保障。现有对出租车运力规模预测通常涉及万人拥有量、出租车占公共交通分担比、里程利用率或空驶率等多项指标及阈值，但巡游出租车运力规模调整指标并无统一体系，各个关键指标阈值无明确的定量标准且缺乏指标间的重要性排序关系，难以为巡游车运力规模调整提供支撑。
技术实现要素：
本发明所要解决的技术问题在于克服现有技术不足，提供一种巡游出租车运力规模动态调整方法，可对与出租车运力规模相关的各关键指标的重要性进行科学合理排序，从而可获得更为准确的出租车运力规模预测值，进而为城市巡游车运力规模调整提供理论依据和决策支持。
本发明具体采用以下技术方案解决上述技术问题：
一种巡游出租车运力规模动态调整方法，包括以下步骤：
步骤a、使用供需平衡预测法对出租车运力进行初始预测，得到运力规模初始预测值；
步骤b、计算出与所述运力规模初始预测值所对应的运力规模外部影响因素数据，并通过与所述运力规模外部影响因素数据的理想指标进行比较来对运力规模初始预测值进行调整，得到运力规模中间预测值；
步骤c、将所述运力规模中间预测值与当前的运力规模内部影响因素数据输入回归决策树预测模型，得到运力规模最终预测值，并根据所述运力规模最终预测值对巡游出租车运力规模进行调整；所述回归决策树预测模型是以巡游出租车运力规模历史数据作为决策变量，以相应的历史运力规模内部影响因素数据作为特征变量，通过预先训练得到。
优选地，所述运力规模外部影响因素数据包括以下数据中的至少一种：巡游出租车万人拥有量、巡游出租车占公交分担比、巡游出租车与网约车业务分担比、巡游出租车乘客等待时间。
进一步优选地，所述运力规模外部影响因素数据的理想指标具体如下：
巡游出租车万人拥有量大于21辆；
巡游出租车占公交分担比小于18％；
巡游出租车与网约车业务分担比小于10:6.54；
巡游出租车乘客等待时间是否小于11.38分钟。
更进一步优选地，所述通过与所述运力规模外部影响因素数据的理想指标进行比较来对运力规模初始预测值进行调整，具体如下：
(1)输入运力规模初始预测值；
(2)判断巡游出租车万人拥有量是否大于21辆；是，继续下一步；否，则需增加运力规模15辆，得到新的运力规模初始预测值，返回(1)；
(3)判断巡游出租车占公交分担比是否小于18％；是，继续下一步；否，则需增加运力规模15辆，得到新的运力规模初始预测值，返回(1)；
(4)判断巡游出租车与网约车业务分担比是否小于10:6.54；是，继续下一步；否，则需增加运力规模15辆，得到新的运力规模初始预测值，返回(1)；
(5)判断巡游出租车乘客等待时间是否小于11.38分钟；是，则将最终的运力规模数值作为运力规模中间预测值输出；否，则需增加运力规模15辆，得到新的运力规模初始预测值，返回(1)。
优选地，所述运力规模内部影响因素数据包括以下数据中的至少一种：巡游出租车里程利用率、巡游出租车百公里营收、巡游出租车单车日均车次、巡游出租车单车日均营收、巡游出租车单车平均等候时长、巡游出租车单车日均营运时长。
优选地，所述回归决策树预测模型使用方差分析的卡方自动交叉诊断器(chi-squaredautomaticinteractiondetector，chaid)算法预先训练得到。
优选地，所述供需平衡预测法的具体公式如下：
其中，n为运力规模初始预测值，单位为辆；l有为全市巡游出租车总有效行驶里程，单位为万km；t为一天当中巡游出租车平均运营时间，单位为h；k为巡游出租车的空驶率；v为巡游出租车平均运营车速，单位为km/h。
相比现有技术，本发明技术方案具有以下有益效果：
(1)本发明针对巡游出租车运力规模调整的复杂性，以出租车信息管理系统运营数据为基础，综合考虑单车日均车次、里程利用率、营收水平、单车平均营运时长、单差等待时长、网约车业务分担比等指标，采用数据挖掘-决策树方法构建巡游车运力规模调整回归树模型，提出巡游车动态调整机制及关键指标的阈值和排序关系，为城市巡游车运力规模调整提供理论依据和决策支持。
(2)解决了巡游出租车运力规模调整指标无统一体系的问题，解决了各个关键指标阈值无明确的定量标准且缺乏指标间的重要性排序关系的问题，同时考虑到与网约车竞争关系，为巡游车运力规模调整提供支撑。
附图说明
图1为本发明巡游出租车运力规模动态调整方法一个具体实施例的流程示意图；
图2为chaid算法的参数对应示例图；
图3为回归决策树预测模型的结构示意图；
图4为回归决策树预测模型的一个实例。
具体实施方式
针对现有技术不足，本发明的思路是以出租车信息管理系统运营数据为基础，综合考虑单车日均车次、里程利用率、营收水平、单车平均营运时长、单差等待时长、网约车业务分担比等指标，采用数据挖掘-决策树方法构建巡游车运力规模调整回归树模型，提出巡游车动态调整机制及关键指标的阈值和排序关系，以解决巡游出租车运力规模调整指标无统一体系的问题，以及各个关键指标阈值无明确的定量标准且缺乏指标间的重要性排序关系的问题。
本发明所提出的巡游出租车运力规模动态调整方法，具体包括以下步骤：
步骤a、使用供需平衡预测法对出租车运力进行初始预测，得到运力规模初始预测值；
步骤b、计算出与所述运力规模初始预测值所对应的运力规模外部影响因素数据，并通过与所述运力规模外部影响因素数据的理想指标进行比较来对运力规模初始预测值进行调整，得到运力规模中间预测值；
步骤c、将所述运力规模中间预测值与当前的运力规模内部影响因素数据输入回归决策树预测模型，得到运力规模最终预测值，并根据所述运力规模最终预测值对巡游出租车运力规模进行调整；所述回归决策树预测模型是以巡游出租车运力规模历史数据作为决策变量，以相应的历史运力规模内部影响因素数据作为特征变量，通过预先训练得到。
其中，运力规模外部影响因素数据和运力规模内部影响因素数据可根据实际情况选择；优选地，所述运力规模外部影响因素数据包括以下数据中的至少一种：巡游出租车万人拥有量、巡游出租车占公交分担比、巡游出租车与网约车业务分担比、巡游出租车乘客等待时间；所述运力规模内部影响因素数据包括以下数据中的至少一种：巡游出租车里程利用率、巡游出租车百公里营收、巡游出租车单车日均车次、巡游出租车单车日均营收、巡游出租车单车平均等候时长、巡游出租车单车日均营运时长。便于描述起见，下文中的部分影响因素名称中省略了之前的“巡游出租车”。
优选地，所述运力规模外部影响因素数据的理想指标具体如下：
巡游出租车万人拥有量大于21辆；
巡游出租车占公交分担比小于18％；
巡游出租车与网约车业务分担比小于10:6.54；
巡游出租车乘客等待时间是否小于11.38分钟。
所述回归决策树预测模型可采用现有的c4.5算法、c5.0算法、chaid算法、cart算法和quest算法等，本发明优选chaid算法预先训练得到。
为了便于公众理解，下面以一个具体实施例并结合附图来对本发明的技术方案进行进一步详细说明：
本实施例中的巡游出租车运力规模动态调整的方法的流程如图1所示，具体包括以下步骤：
(1)获取城市巡游出租车相关的指标数据；数据内容分外部影响因素与内部影响因素；外部影响因素有：机动车保有量、市区常住人口、出租车占公交分担比、巡游车与网约车业务分担比等；内部影响因素有：里程利用率、乘客平均等待时间、出租车的有效行驶里程、百公里营收、单车日均车次、单车日均营收等；
(2)根据步骤(1)采集的巡游出租车的相关指标数据，运用供需平衡预测法对出租车运力进行预测，预测运力规模；本实施例中的供需平衡预测法的具体公式如下：
其中，n为运力规模初始预测值，单位为辆；l有为全市巡游出租车总有效行驶里程，单位为万km；t为一天当中巡游出租车平均运营时间，单位为h；k为巡游出租车的空驶率；v为巡游出租车平均运营车速，单位为km/h；
(3)将步骤(2)供需平衡预测法得到的运力规模数值作为运力规模初始预测值输入；
(4)判断万人拥有量是否大于21辆；是，继续下一步；否，则需增加运力规模15辆，得到新的运力规模初始预测值，返回步骤(3)；
(5)判断出租车占公交分担比是否小于18％；是，继续下一步；否，则需增加运力规模15辆，得到新的运力规模初始预测值，返回步骤(3)；
(6)判断巡游车与网约车业务分担比是否小于10:6.54；是，继续下一步；否，则需增加运力规模15辆，得到新的运力规模初始预测值，返回步骤(3)；
(7)判断乘客等待时间是否小于11.38分钟；是，则将最终的运力规模数值作为运力规模中间预测值输出；否，则需增加运力规模15辆，得到新的运力规模初始预测值，返回步骤(3)；
(8)获取当前的里程利用率、乘客平均等待时间、出租车的有效行驶里程、百公里营收、单车日均车次、单车日均营收等运力规模内部影响因素数据，并与所得到的运力规模中间预测值一起输入回归决策树预测模型，得到运力规模最终预测值；
(9)输出最终预测的运力规模值；
(10)得出运力规模调整方案，并继续对市场新的供求状况进行检测，更新数据。
本实施例中的回归决策树预测模型采用chaid算法训练构建，该算法为现有技术，相关变量的映射关系如下表1：
表1参数解释表
图2为chaid算法的参数对应示例图，算法实现的基本过程如下：
①首先，确认节点m：
假设某一关键指标如里程利用率对应决策节点m(对应如图2所示指标)，另xm为x(对应图2指标值的所有样本训练数据)到达节点m的子集，即它是x∈x的满足从树根到节点m的所有决策点条件的所有x，则
②然后，计算节点m估计值的均方误差em，得出划分阈值，并且完成分支：
估计值的均方误差:
其中
其中，gm为节点m中的估计值，计算方法如下:
如果em<θr(其中，θr为可接受的误差)，则创建一个树节点，存放gm；
否则，达到节点m的数据进一步划分，使得分支的误差和最小。(在每个节点上，寻找最小化误差的属性和数值属性的划分阈值，然后递归地进行上述过程。)
令xmj为xm的取分支j子集：
令gmj是到达节点m的分支j的估计值
而划分后的误差为
对于任意划分，误差的减少由式(2)和式(6)之差给出。寻找最大化误差的减少的划分方向或等价于式(6)取最小值。均方误差是一种可能的误差函数，另一种最大误差
应用最大误差可保证任意实例的误差都不大于给定的阈值。可接受的误差阈值是复杂度的函数；其值越小，产生的树越大且过分拟合的风险越大，其值越大，拟合不足和过分光滑的可能性越大。
当每个决策节点使用所有关键性指标作为输入维时，则线性多变量节点定义为
从根到树叶的路径上的相继节点进一步划分实例，而叶节点定义输入空间上的多面体，逐一对权重wmj进行微调来降低统计显著性指标，通过子集选择降低维度并降低节点的复杂度。
③最后，得到决策树结构图。
最终即可得到类似图3的回归决策树预测模型。
为了验证本发明效果，以宁波市数据为例，来对巡游出租车运力规模动态调整，具体步骤如下：
1)采集数据。获取城市巡游出租车相关的指标数据；数据内容包括：分外部影响因素与内部影响因素；外部影响因素有：机动车保有量、市区常住人口、出租车占公交分担比、巡游车与网约车业务分担比等。内部影响因素有：里程利用率、乘客平均等待时间、出租车的有效行驶里程、百公里营收、单车日均车次、单车日均营收等；
2)根据步骤1)采集的巡游出租车的相关指标数据，运用供需平衡预测法对出租车运力进行预测，具体结果如下：
＝有效行驶里程(1110138)/(一天当中出租车平均运营时间(13h)*(1-空驶率(30％))*出租车平均运营速度(28km/h)*0.9)＝4841辆
3)根据步骤2供需平衡预测法得到的运力规模数值作为运力规模初始值输入；
运力规模预测值4841(辆)；
4)判断出租车万人拥有量是否大于21辆；
宁波市出租车总量4841辆，市区常住人口220.04万人；
计算方法：出租车万人拥有量＝出租车数(辆)/市区常住人口(万人)＝4841/220.04＝22辆>21辆，继续下一步。
5)判断出租车占公交分担比是否小于18％；
宁波市出租车占公交分担比＝17.2％<18％，继续下一步。
6)判断巡游车与网约车业务分担比是否小于10:6.54；
宁波市巡游车与网约车业务分担比＝10:7.35<10:6.54，继续下一步。
7)判断乘客平均等待时间是否小于11.38分钟；
乘客平均等待时间＝10.46分钟<11.38分钟，继续下一步。
8)获取当前的里程利用率、乘客平均等待时间、出租车的有效行驶里程、百公里营收、单车日均车次、单车日均营收等运力规模内部影响因素数据，并与所得到的运力规模中间预测值一起输入回归决策树预测模型，得到运力规模最终预测值；
其中，采用chaid算法作为构建回归树的算法，数据采用2014年1月至2017年8月的宁波市出租车运营数据进行建模分析，其关键指标对应的数据来源于宁波市客运管理局出租车运营管理信息系统，包含有效样本数据1317组(约一天一组)，其中训练样本856组，约占65％用于决策树构造，35％用于模型检验。最终构建的回归决策树预测模型如图4所示。
获取宁波市巡游出租车的当前调整周期的各个指标值如下：
里程利用率为0.6699；
百公里营收为235.53元；
单车日均车次为40.80次；
单车日均营收为910.67元；
单差平均等候时长为209.49秒；
单车日均营运时长为602.85分；
由前面步骤得出，运力规模为4841+0＝4841辆，将值输入决策树结构内，根据图3的回归树结构对指标进行评判：
节点1：出租车的里程利用率为0.6699处于(0.6179，0.6616]区间内，因此预测运力需4955辆出租车，于是调整窗口打开，投放运力(4955-4841＝114辆)；
节点4：出租车的单车日均营运时长为602.85<＝616.27606，因此预测运力需4977辆出租车，于是调整窗口打开，投放运力(4977-4841＝136辆)；
节点7：单车日均车次为40.80>39.73000，因此预测运力需4990辆出租车，于是调整窗口打开，投放运力(4990-4841＝149辆)；
因此，最终需投放运力(114+136+149＝399辆)，调整运力规模为4841+399＝5240辆。
9)输出最终预测的运力规模值5240辆。
10)得出运力规模调整方案：需投放出租车运力399辆，运力规模为5240辆。继续对市场新的供求状况进行检测，更新数据。