[发明专利]一种面向实时场景计算的出租车打车决策方法及系统

说明书

本发明属于交通技术领域，公开了一种面向实时场景计算的出租车打车决策方法及系统，通过将地图网格化、计算热点区域离本地点的距离、分析当前位置的拥堵情况、分析道路的基础设施情况、计算历史空车到达比例、概率融合，面向实时场景计算的出租车打车决策通过对用户所在时间和位置，利用历史出租车轨迹大数据进行挖掘分析，进而计算用户可能等到空出租车的概率。本发明通过大规模历史出租车载客数据和用户所在时空环境因素，兼顾了客观道路设施、交通信息及司机的载客心理等，能够实时并且精准的让用户了解当前位置的出租车到达概率，从而进行决策是否继续等待。

技术领域

本发明属于交通技术领域，尤其涉及一种面向实时场景计算的出租车打车决策方法及系统。

背景技术

目前，业内常用的现有技术是这样的：

随着经济和社会的快速发展，城市规模迅速扩大，人口数量急剧增长，交通的问题变得日益严重，出租车也就成为越来越多的人出行的交通工具。对于出租车司机来说，获得更多的收益是他们的主要目的。想要获得更多的收益，就必须要避免经过某些拥堵或者红绿灯频繁的线路，以至于不用耗费太多时间在堵车和等红绿灯上。这也就导致了在某些路段，市民很难甚至不可能遇到出租车。因此，为了避免无休止的等待，市民需要去了解当前位置的出租车打车概率，来决策是否继续在该位置等待出租车的到来。

而传统的出租车打车概率模型大多是将出租车轨迹数据和数学模型结合起来，计算当前位置的打车概率。例如王诏远等人提出的基于经验分布的打车概率和等待时间预测模型中将出租车GPS轨迹数据和经验分布结合起来、齐观德等人提出的基于出租车轨迹数据挖掘的乘客候车时间预测模型中将出租车GPS轨迹数据和泊松分布结合起来。利用数学模型来计算打车概率存在着几个问题：准确率不高，一个数学模型很难完全概括出租车的到达规律；不能实时的计算出租车到达概率，并且计算效率不高，时间较慢；没有考虑时空特征，不能进行动态决策。

综上所述，现有技术存在的问题是：

现有技术中，出租车打车概率计算中一个数学模型很难完全概括出租车的到达规律，导致正确率不高。

现有的技术没有考虑时间对乘车概率的影响，一个地点的概率不会随时间而变化。没有考虑时空特征，不能进行动态决策。

现有的技术，不能实时的计算出租车到达概率，并且计算效率不高，时间较慢。

解决上述技术问题的难度：

出租车的轨迹数据十分庞大，而且存在着误差，需求对轨迹数据进行预处理。很难实时计算出租车到达概率。

不能结合时空特征，动态的计算概率，一个地点的概率会随时间变化，造成计算效率不高。

解决上述技术问题的意义：

利用出租车轨迹数据和城市POI数据等多源数据，结合司机心理主观因素和客观的时空特征，基于地图网格化来计算出租车到达概率，准确率比仅使用数学模型要高，而且概率随时间变化，更符合客观规律。当用户使用本发明时，能够实时的计算用户当前位置当前时间的乘车概率，让用户来决策是否继续等待。因此具有很大的实用价值。

发明内容

针对现有技术存在的问题，本发明提供了一种面向实时场景计算的出租车打车决策方法及APP。

本发明是这样实现的，一种面向实时场景计算的出租车打车决策方法包括：

第一步，将地图网格化。

第二步，计算热点区域离本地点的距离。

第三步，分析当前位置的拥堵情况。

第四步，分析道路的基础设施情况。

第五步，计算历史空车到达比例。

第六步，概率融合。