[发明专利]一种基于多元数据的电动车调度方法

说明书

一种基于多元数据的电动车调度方法，包括步骤：接收浮动车数据、手机信令数据和/或分时租赁汽车出行数据，建立出行数据库；在确定约束条件的前提下，利用机器学习中加权蓄水池采样算法来获取数据，并且建立最优化模型，求得最优解，即最佳调度方法。

技术领域

本发明属于电动车技术领域，特别涉及一种基于多元数据的电动车调度方法。

背景技术

电动车作为新能源车发展的主力之一，由于道路车辆流动的突发性和密集性等原因，导致运行成本比较高。目前推行的电动车辆正朝着智能化的方向发展，车辆管理系统的规划决策模块相当于车的大脑，通过综合分析环境感知系统提供的信息，对当前的车辆行为进行规划，包括速度规划、避障局部路径规划等，并产生相应的决策，例如跟车、换道、停车等。规划决策模块还需要考虑车辆的机械特性、动力学特性、运动学特性，常用的决策模型有专家控制、隐马尔科夫模型、贝叶斯网络、模糊逻辑等。

针对车辆调度问题,国内外专家学者开展了一系列研究。Gendreau等着重研究了车辆动态调度问题中出现的各种不确定性信息的影响,指出在求解此问题时,对这些不确定性信息应加以全面考虑。Powell详细分析了车辆动态调度问题中一类随机车辆调度模型,采用改进的A-priori两阶段优化方法求解了该问题。Minkoff以马尔可夫决策模型为基础,完成了车辆动态调度问题基于马尔可夫决策过程的建模求解,研究提出的算法在中小规模(10个需求)的车辆动态调度问题求解中可以得到比较满意的解,但因其模型的局限性,算法对大规模的问题难以求解。针对动态车辆调度问题实时性强的特点,张景玲、王旭等研究了车辆的动态调度问题,通过基于两阶段优化的方法对该类问题进行了有效求解。袁建清以解决车辆利用效率最大化为目标,建立了几类随机数学模型,提出了相应的智能算法,解决了车辆调度的不确定调度问题。

多元化数据给电动车的调度问题研究带来新的发展机会。例如，浮动车技术作为近年来快速发展的交通数据采集技术，由于其数据的数据量大，时效性强，准确性高，和相对的客观性等优点，在交通数据的采集中应用越来越广。手机数据的发展也为时代的发展提供很多信息，其中手机信令，作为大样本数据有条件提供整个城市范围内居民的活动信息。在车联网成为可能的情况下，处理这些几乎数量无限的数据流需要一种启发式的流采样算法从而在现阶段要使用用户的反馈行为做实时推荐。对于不同的用户，活跃程度不同，产生的反馈行为、数量不同，也可以用流采样，为每个用户取出固定数量的行为用于更新推荐结果。

发明内容

本发明提供一种基于多元数据的电动车调度方法。

本发明实施例之一，一种基于多元数据的电动车调度方法，包括以下步骤：

接收浮动车数据、手机信令数据和/或分时租赁汽车出行数据，建立出行数据库；

在确定约束条件的前提下，利用机器学习中加权蓄水池采样算法来获取数据，并且建立最优化模型，求得最优解，即最佳调度方法，

所述的约束条件包括公司获利、转运费用、短缺损失和/或最短路径。

本发明以电动车调度问题为背景,提出了基于多元数据的车辆调度算法。通过对车辆调度问题进行形式化描述,利用多元数据对电动车调度问题进行建模,根据多元标准决策的思想,设计实现求解调度吸引力函数的模型,并对模型进行了仿真性实验,验证了算法的有效性和优越性。

本发明以无限数据集作为研究目标，应用机器学习下加权蓄水池流采样算法，无论从自主性还是多样性上，对数据的准备度有所优势。

本发明可以根据具体需求不同更改约束条件，从而能够应对多数应用场景，约束条件包括最小转运费用、最短路径、短缺损失等，是一个很全面的方法。

本发明应用多元数据来提供整体需求，对于整个需求的准确度以及置信度大大提升。

附图说明