一种基于行程时间预测的网约车合乘动态匹配方法

本发明涉及城市道路交通运行管理，尤其涉及一种基于行程时间预测的网约车合乘动态匹配方法。

背景技术：

1、随着全球定位系统、移动通信技术及互联网技术的发展，网约车依托其高效、便捷等优势，成为许多人日常出行的首选交通方式。网约车平台可以通过实时整合乘客与车辆的出行信息，实现供需资源的高效精准匹配，针对出租车座位利用率低的缺点，能够利用其互联网特性，组织多名乘客合乘进行改善。合乘出行可以通过智能算法对乘客的上下车时间、地点进行优化，对行程时间进行预测，从而使得车辆行驶的路径更加合理。相比常规网约车出行，合乘出行能够提高车辆利用率，减少行驶距离以及交通碳排放量，是快速缓解交通拥堵、能源浪费和环境污染等问题的一种行之有效的手段。

2、现阶段，在网约车合乘匹配方法上已有一些突破和创新，但仍然存在一些问题。首先，出行时间受到复杂交通状况、天气状况的影响，往往难以被精准预测，而常规机器学习算法的“黑箱”属性也使得预测缺乏可解释性。其次，不合理的订单匹配策略导致部分合乘订单路线重叠率不高、绕路距离较远。因此，如何开发一种有效地以低碳为导向的网约车合乘动态匹配方法是一个亟待解决的问题。

技术实现思路

1、本发明的实施例提供了一种基于行程时间预测的网约车合乘动态匹配方法，以实现有效地提高网约车服务效率并减少碳排放。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种基于行程时间预测的网约车合乘动态匹配方法，包括：

4、获取网约车订单的数据集；

5、构建基于可解释机器学习的出行时间预测模型，利用所述数据集使用可解释机器学习模型shap方法对所述出行时间预测模型进行训练，得到训练好的出行时间预测模型；

6、构建共享网络，通过训练好的出行时间预测模型预测出各个订单的出行时间，根据按需合乘动态匹配算法匹配合乘订单；

7、以碳减排为导向，进行合乘匹配订单的动态派单。

8、优选地，所述的获取网约车订单的数据集，包括：

9、准备和分析统计特定区域内网约车的订单数据、乘客上下车位置的兴趣点信息以及对应的天气信息，按照3σ原则对行程时间、行程距离进行数据清洗，剔除由于定位或时间偏差引起的错误订单信息，在订单数据中，添加上下车站点附近的兴趣点信息和天气信息。同时根据乘客提供的经纬度信息，将乘客的上下车点匹配到距离最近的交叉口；

10、将处理后的订单数据的70％作为训练数据集，订单数据的其余30％作为测试集。

11、优选地，所述的构建基于可解释机器学习的出行时间预测模型，利用所述数据集使用shap方法对所述出行时间预测模型进行训练，得到训练好的出行时间预测模型，包括：

12、采用以xgboost模型、catboost模型和lgbm模型作为基学习器、linearregression模型为元学习器，构建采用stacking-xcl集成算法的出行时间预测模型，所述stacking-xcl集成算法的训练数据为所述训练数据集中的网约车订单数据，所述stacking-xcl集成算法的输入数据包括订单数据中的乘客的上下车地点、行程距离、上车时间、上下车地点的poi信息及当日天气信息等，输出特征为该订单的行程时间，基于所述验证数据集中的网约车订单数据使用可解释机器学习模型shap方法通过k折交叉验证过程对出行时间预测模型进行验证，所述stacking-xcl集成算法中的各个基学习器都分别使用所述训练数据集和验证数据集进行训练，得到多个不同基学习器的预测结果，将各个基学习器的预测结果通过元学习器进行融合，得到最终预测结果，当训练数据集误差不再降低时保存当前的模型参数，得到训练好的出行时间预测模型。

13、优选地，所述的stacking-xcl集成算法中的各个基学习器都分别使用所述训练数据集和验证数据集进行训练，得到多个不同基学习器的预测结果，将各个基学习器的预测结果通过元学习器进行融合，得到最终预测结果，包括：

14、在训练stacking-xcl集成算法中的基学习器时，采用k折交叉验证法将所有基学习器的预测结果结合起来，作为元学习器的训练数据，元学习器使用linear regression模型利用shapley方法对各个基学习器的预测结果进行学习和整合；

15、在可解释机器学习中，shap方法通过为输入特征分配影响模型输出的相对重要性，提供了对出行时间预测模型预测的解释，对于具有n个特征的预测值fx，通过将各个特征添加到出行时间预测模型，比较具有和不具有该特征的模型输出来计算shapley值，对于特定特征n，shapley值φn(f,x)为：

16、

17、其中，n为预测特征数量，s是已经添加到模型中的特征的子集。fx是使用该子集s得到的预测结果。φn(f,x)是特征n的shapley值，φn(f,x)是特征n的shapley值，通过对特征的所有样本的shapley值幅度求和来计算特征重要性；

18、当使用多个基学习器时，stacking-xcl模型的元学习器训练一个回归模型，利用回归模型学习每个基学习器的权重，将每个基学习器的预测结果加权后得到最终的预测结果。在stacking-xcl模型训练过程中，根据基学习器的性能和重要性调整基学习器在最终预测结果中的权重。

19、优选地，所述的构建共享网络，通过训练好的出行时间预测模型预测出各个订单的出行时间，根据按需合乘动态匹配算法匹配合乘订单，包括：

20、设存在一个网约车服务平台，该平台为用户提供合乘出行服务，乘客向平台发送需求信息，每个需求ri∈r定义为元组oi表示订单i的起点，di表示订单i的终点，表示订单i的需求发出时间，表示订单i的期望到达时间，其中r表示系统收集的一段时间间隔的需求，根据经纬度信息将乘客上下车点匹配到距离最近的交叉口，考虑两个订单的合乘和匹配，o′i和d′i分别表示订单i和订单j合乘后的实际上的起终点，表示订单i期望的出发时间，表示订单j期望的出发时间；

21、对于每一个订单需求，根据时间窗口约束δ和乘客允许的延误时间δ来判断是否可以进行合乘，只有在时间窗口内存在其他订单，并且两位乘客的出发和到达时间都在可允许的延误范围内时，才将这两个订单判定为合乘订单；判断订单i和订单j和满足“先上车先下车fafl”和“先上车后下车fall”两种合乘方式中某一种方式时，将订单i和订单j作为潜在合乘订单，加入候选集；

22、分别计算候选集中每对潜在合乘订单的总延误、节约时间与节约里程，行程i的预计到达时间为依据式8、9计算行程i与行程j的实际到达时间，行程i的实际到达时间是由行程i的出发时间oi与oj之间的行程时间和oj与di之间的行程时间计算得出的，行程j的实际到达时间需额外加上di与dj之间的行程时间，总延误是指在式10中因两个行程下车地点的匹配顺序而造成的延误。节约时间指两个行程的单独行程时间之和减去合乘匹配后的总行程时间，由式11计算，节约里程由式12计算，等待时间是指第二名乘客相较于实际上车时间的等待时间，由式13计算；

23、

24、

25、

26、

27、

28、

29、式中表示行程i的预计出发时间，为行程i的预计到达时间,为行程i的实际到达时间，由公式8计算，t(oi,oj)表示行程i的上车地点与行程j的上车地点之间的行程时间，t(oj,di)表示行程i的上车地点和行程i的下车地点之间的行程时间，t(di,dj)表示行程i的下车地点和行程j的下车地点之间的行程时间，γ(oi,di)表示行程i与上车地点与下车地点间的行程距离，γ(oi,oj)表示行程i上车地点与行程j上车地点间的行程距离；

30、在订单出行网络中，连边的权重为计算的合乘订单的总延误、节约时间与节约里程，分别以订单合并后订单总延误最小、订单总节约时间和里程最多为目标，使用图论中的最大权重匹配算法，确定哪些订单能够进行合并，得到订单合乘匹配结果。

31、优选地，所述的以碳减排为导向，进行合乘匹配订单的动态派单，包括：

32、根据copert iii模型进行合称订单的交通排放计算，将交通排放分为热启动排放、冷启动排放和蒸发排放，热排放因子efk是指特定污染物k在单个车辆每公里行驶时产生的污染物总量，热排放因子efk具有五个参数，分别为a、b、c、d和e，其计算方式为式14：

33、

34、co2和pm2.5的排放因子与fc燃料消耗成正比例，计算方式为式(15)和(16)：

35、

36、

37、对于每一个网约车而言，在不考虑其完成最后一个出行任务后的返程条件下，其完成所有出行任务n所产生的特定污染物k的量表示为网约车从起点到第一次出行任务的产生量e1、每次出行任务的产生量e2、前后两次出行任务之间运行的产生量e3：

38、

39、式17中：为单个网约车i完成其所有任务n所产生的污染物k排放量，对于e1，考虑把距离第一个出行任务的起点最近的一个交叉口作为起点，表示其在该过程中的热排放因子，为两点间的距离；对于e2，表示其在第n个出行任务中的热排放因子，为第n个出行任务起讫点间的轨迹距离；对于e3，表示其在第m和m+1个出行任务之间路段，即第m次出行任务终点和第m+1次出行任务起点之间的路段的热排放因子，为在第m和m+1个出行任务之间的路段距离；

40、将网约车的车辆调配问题描述为派遣一系列的网约车去服务一段时间内的用户出行需求，考虑最小化式17计算出的各种污染物排放量，利用hopcroft-karp图匹配算法求解订单合乘匹配网络中的最小路径覆盖问题，每条路径即为同一辆网约车连续服务的订单，完成实时动态的车辆调配和路径规划，获得最优的派单方案。

41、由上述本发明的实施例提供的技术方案可以看出，本发明提出一种基于行程时间预测的网约车合乘动态匹配及碳排放量化方法，旨在解决网约车合乘过程中的订单匹配和车辆调度问题。同时结合可解释机器学习的出行时间预测方法，该系统利用乘客的需求信息和位置数据，通过合理的算法和优化策略，将符合条件的乘客订单进行匹配，并通过合乘行程来减少车辆的空驶和重复行驶，提高网约车服务效率并减少碳排放。

42、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。