一种燃油共享汽车的智能调度系统及其方法

摘要

本发明公开一种燃油共享汽车的智能调度系统，包括App模块、智能调度微服务模块、聚合层模块和订单预测模块，运维人员无需依赖过往的工作经验，也不需要等待管理人员发出调度指令，只需要根据其手持终端的App模块接收到的系统推送的智能调度任务来执行即可，简单高效。同时，还公开一种智能调度方法，通过智能调度方法中的模型训练算法，可自动快速预测各个网点在未来三个小时内的取车和还车的订单量信息，进而便于执行相应类型的调度工作，可减小平均订单转化时长，进一步减轻企业对运维人员的管理和培训成本。

说明书

技术领域

本发明涉及共享汽车技术领域，尤其涉及一种燃油共享汽车的智能调度系统及其方法。

背景技术

目前，国内燃油型共享汽车在日常调度运营过程中，主要依靠当地熟悉网点分布的运维人员，并根据常年累计的工作经验来实施调度，判断网点用车需求的波峰波谷也是依赖人的经验，再加上需要综合判断燃油车的油量、网点超停数量(燃油车取还停放数量的限制相对电动车更加宽松，容易导致大量客户集中一个网点进行还车，尤其是学校附近的网点)、车辆闲置停放时长、是否需要跨区调度等诸多因素，随着城市运营车辆、网点不断新增，单纯依靠人工判断，带来的后果是时效性差，经验可复制性差，且导致大量无效调度，由此也会产生额外油耗和人力资源，极大的浪费了企业的运营成本，也在一定程度上浪费了社会公共资源。

发明内容

本发明的目的是提供一种燃油共享汽车的智能调度系统及其方法，用以解决燃油共享汽车在人工发起调度指令过程中，存在的时效性差、调度经验不可快速复制，以及由人工调度带来的企业运营成本过高等问题。

为实现上述目的，采用以下技术方案：

一种燃油共享汽车的智能调度系统，包括：

App模块：与智能调度微服务模块通信连接，用于运维人员登录以领取调度任务，并将该运维人员的领取调度任务的请求和当前实时位置信息发送至智能调度微服务模块；

智能调度微服务模块：用于在收到运维人员发送的领取调度任务的请求后，从数据库获取智能调度系统的基础配置信息，并向聚合层模块发送获取运维人员周侧各个网点的实时运营信息和车辆的实时行驶信息的请求；

聚合层模块：与每个网点和每辆共享汽车通信连接，用于获取各个网点的实时运营信息和车辆的实时行驶信息，并将其返回至智能调度微服务模块；

订单预测模块：受智能调度微服务模块调用，通过其内部的模型训练算法预测各个网点在未来三个小时内的取车和还车的订单量信息，并将该信息返回至智能调度微服务模块，以便其综合之前获取的运维人员周侧网点的实时运营信息和车辆的实时行驶信息，规划出与运维人员当前位置相匹配的智能调度任务的具体内容信息，并将其返回至App模块。

进一步地，所述基础配置信息包括：调度工作类型、各城市不同车型预设的低油处理阈值、各城市人与网点及网点与网点之间的距离范围控制阈值、各城市预设的车辆闲置处理阈值、网点收费类型、网点车位数量信息，以及由多个网点组成的片区的整体车辆数量过高阈值和过低阈值。

进一步地，所述实时运营信息包括：各个网点的车辆进出数量信息、车辆在网点的停留时间信息和每个网点的实时库存信息。

进一步地，所述聚合层模块与共享汽车的OBD设备连接，其通过OBD设备获取车辆的实时行驶信息。

进一步地，所述车辆的实时行驶信息包括车辆的实时位置信息和车辆的实时剩余油量信息。

还提供一种燃油共享汽车的智能调度方法，包括以下步骤：

S1：运维人员通过App模块向智能调度微服务模块发送领取调度任务的请求；

S2：智能调度微服务模块从数据库获取智能调度系统的基础配置信息，并从聚合层模块获取各个网点的实时运营信息和车辆的实时行驶信息；

S3：智能调度微服务模块调用订单预测模块基于其内部的模型训练算法预测各个网点在未来三个小时内的取车和还车的订单量信息，并将该信息返回至智能调度微服务模块；

S4：智能调度微服务模块综合S2和S3获取的各种信息，规划出与运维人员当前位置相匹配的智能调度任务的具体内容信息，并将其返回至App模块；

S5：运维人员依据获取的智能调度任务的具体内容信息，实施具体的调度工作。

进一步地，所述S3中的模型训练算法包括以下步骤：

S31：获取训练数据信息；

S32：基于S31获取的训练数据信息对其进行存储及处理；

S33：基于S32处理后的数据信息进行机器学习训练，获取初步训练模型，并通过网格搜索调整模型参数，从而基于训练好的模型预测各个网点在未来三个小时内的取车和还车的订单量信息。

进一步地，所述S31中的训练数据信息包括：

网点历史订单信息：包括共享汽车所在网点的历史任意时刻的取车和还车订单量；

网点信息：包括网点地理特征信息、网点实时库存信息，以及网点活跃用户数量信息；

环境信息：包括历史天气、气温及降水信息；

特殊事件信息：包括网点之前举办的营销活动信息。

进一步地，所述S32中对训练数据信息进行处理包括：空值处理、样本噪点剔除处理和特征工程处理。

采用上述方案，本发明的有益效果是：

1)该系统包括App模块、智能调度微服务模块、聚合层模块和订单预测模块，运维人员无需依赖过往的工作经验，也不需要等待管理人员发出调度指令，只需要根据其手持终端的App模块接收到的系统推送的智能调度任务来执行即可，简单高效；

2)相比管理人员发出的调度指令，通过使用该系统，可减少人力资源的使用，以及降低无效调度，进而降低运营成本；

3)通过智能调度方法中的模型训练算法，可自动快速预测各个网点在未来三个小时内的取车和还车的订单量信息，进而便于执行相应类型的调度工作，可减小平均订单转化时长，进一步减轻企业对运维人员的管理和培训成本。

附图说明

图1为本发明的原理性框图；

图2为本发明的智能调度方法的流程性框图；

图3为本发明的模型训练算法的逻辑运算流程图；

其中，附图标识说明：

1—App模块； 2—智能调度微服务模块；

3—聚合层模块； 4—订单预测模块。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

参照图1所示，本发明提供一种燃油共享汽车的智能调度系统，包括：

App模块1：与智能调度微服务模块2通信连接，用于运维人员登录以领取调度任务，并将该运维人员的领取调度任务的请求和当前实时位置信息发送至智能调度微服务模块2；

智能调度微服务模块2：用于在收到运维人员发送的领取调度任务的请求后，从数据库获取智能调度系统的基础配置信息，并向聚合层模块3发送获取运维人员周侧各个网点的实时运营信息和车辆的实时行驶信息的请求；

聚合层模块3：与每个网点和每辆共享汽车通信连接，用于获取各个网点的实时运营信息和车辆的实时行驶信息，并将其返回至智能调度微服务模块2；

订单预测模块4：受智能调度微服务模块2调用，通过其内部的模型训练算法预测各个网点在未来三个小时内的取车和还车的订单量信息，并将该信息返回至智能调度微服务模块2，以便其综合之前获取的运维人员周侧网点的实时运营信息和车辆的实时行驶信息，规划出与运维人员当前位置相匹配的智能调度任务的具体内容信息，并将其返回至App模块1。

其中，所述基础配置信息包括：调度工作类型、各城市不同车型预设的低油处理阈值、各城市人与网点及网点与网点之间的距离范围控制阈值、各城市预设的车辆闲置处理阈值、网点收费类型、网点车位数量信息，以及由多个网点组成的片区的整体车辆数量过高阈值和过低阈值；所述实时运营信息包括：各个网点的车辆进出数量信息、车辆在网点的停留时间信息和每个网点的实时库存信息；所述聚合层模块3与共享汽车的OBD设备连接，其通过OBD设备获取车辆的实时行驶信息；所述车辆的实时行驶信息包括车辆的实时位置信息和车辆的实时剩余油量信息。

参照图2至3所示，还提供一种燃油共享汽车的智能调度方法，包括以下步骤：

S1：运维人员通过App模块1向智能调度微服务模块2发送领取调度任务的请求；

S2：智能调度微服务模块2从数据库获取智能调度系统的基础配置信息，并从聚合层模块3获取各个网点的实时运营信息和车辆的实时行驶信息；

S3：智能调度微服务模块2调用订单预测模块4基于其内部的模型训练算法预测各个网点在未来三个小时内的取车和还车的订单量信息，并将该信息返回至智能调度微服务模块2；

S4：智能调度微服务模块2综合S2和S3获取的各种信息，规划出与运维人员当前位置相匹配的智能调度任务的具体内容信息，并将其返回至App模块1；

S5：运维人员依据获取的智能调度任务的具体内容信息，实施具体的调度工作。

进一步地，所述S3中的模型训练算法包括以下步骤：

S31：获取训练数据信息；

S32：基于S31获取的训练数据信息对其进行存储及处理；

S33：基于S32处理后的数据信息进行机器学习训练，获取初步训练模型，并通过网格搜索调整模型参数，从而基于训练好的模型预测各个网点在未来三个小时内的取车和还车的订单量信息。

其中，所述S31中的训练数据信息包括：

网点历史订单信息：包括共享汽车所在网点的历史任意时刻的取车和还车订单量；

网点信息：包括网点地理特征信息、网点实时库存信息，以及网点活跃用户数量信息；

环境信息：包括历史天气、气温及降水信息；

特殊事件信息：包括网点之前举办的营销活动信息。

所述S32中对训练数据信息进行处理包括：空值处理、样本噪点剔除处理和特征工程处理。

本发明工作原理：

继续参照图1至3所示，本实施例中，该智能调度系统包括App模块1、智能调度微服务模块2、聚合层模块3和订单预测模块4，其中App模块1安装于运维人员身上的手持终端(智能手机等)设备上，运维人员可通过App模块1登录系统，在App模块1中的工作台界面认领调度任务；同时，还提供一种智能调度方法，参照图1至3所示，该方法大致流程如下：

1)运维人员通过App模块1向智能调度微服务模块2发送认领调度任务请求，App模块1就会把该运维人员当前所处的实时位置信息和领取调度任务的请求指令，发送到后台服务器端的智能调度微服务模块2；

2)智能调度微服务模块2收到领取调度任务的请求后，会从数据库获取智能调度系统的基础配置信息，该基础配置信息包括：调度工作类型、各城市不同车型预设的低油处理阈值、各城市人与网点及网点与网点之间距离范围控制阈值、各城市预设的车辆闲置处理阈值、网点收费类型(收费或免费)、网点车位数量信息，以及由多个网点组成的片区的整体车辆数量过高阈值和过低阈值(用于触发跨片区调度)；

3)在智能调度微服务模块2获取系统的基础配置信息的同时，会向聚合层模块3发送获取运维人员周侧各个网点的实时运营信息和车辆的实时行驶信息的请求；

4)聚合层模块3与各个网点和共享汽车上的OBD设备(车载自动诊断系统)通信连接，在根据运维人员的位置信息获取其周侧各个网点的实时运营信息和车辆的实时行驶信息后将其返回至智能调度微服务模块2，其中，车辆实时行驶信息包括车辆的实时位置信息和车辆的实时剩余油量信息，网点的实时运营信息包括：各个网点的车辆进出数量信息、车辆在网点的停留时间信息和每个网点的实时库存信息；

5)智能调度微服务模块2获取到上述信息后，调用订单预测模块4；

6)订单预测模块4通过其内部的模型训练算法预测结果并返回，其结果包括：各个网点在未来3小时的取车和还车的订单数量信息；

7)智能调度微服务模块2综合上述获得的信息，即综合了周边网点取还供需情况以及附近网点车辆实时状态，规划出符合在步骤(1)中，发起请求的运维人员所在位置最佳的调度任务并将任务内容返回到App模块1；

8)运维人员从App模块1上获取到系统推荐生成的智能调度任务后，实施具体的车辆调度工作。

该系统中的订单预测模块4中的模型训练算法是该系统的核心，其是通过对各网点历史车辆取还数据的清洗和特征化，经过机器学习模型的训练，实现对各网点未来特定时间范围的取还车辆需求的预测并生成调度需求，并综合燃油车油量，车辆闲置时长，各区网点库存分布，员工位置等修正需求，给出最佳的人和车的调度策略；具体地：

参照图3所示，预测网点取还订单的需求是以小时为维度，预测输出该网点未来3小时内用户取车的订单量和还车的订单量，其采用了一种回归类型的机器学习算法，具体使用的算法框架为XGBoost(其是分布式梯度提升库，提供了一套极端梯度提升的算法框架，用于训练预测模型)，为了得到最佳预测结果，构造了一个目标损失函数，然后让该函数取极小值，从而得到机器学习算法的模型参数；训练数据信息的来源主要包括以下4个方面：

1)网点历史订单信息，参照表1，其包含了共享汽车所在网点历史任意时刻的取还车订单量；

2)网点信息，参照表2，其包含了网点地理特征信息、历史任意时刻网点库存信息以及网点活跃用户数量信息；

3)环境信息，参照表3，其包含了历史任意时刻天气、气温及降水情况信息；

4)特殊事件信息，参照表4，其包含了各个网点存在的历史重大事件及举办的营销活动信息；

表1 网点每小时订单结构表

表2 网点信息结构表

表3 环境信息结构表

表4 特殊事件结构表

对训练数据信息的管理则采用关系型数据库(MySQL)和非关系型数据库(ElasticSearch)相结合，针对数据量级选取不同类型数据库存储，其中，对上述提及的训练数据做数据处理，包括：空值处理、样本噪点剔除和特征工程(部分特征值属性采用one-hot编码)，随后，再利用处理好的数据进行机器学习训练，网格搜索调整模型参数，用训练好的模型得到最终预测出来的特定时刻不同网点未来取车、还车的订单量。

在对共享汽车进行具体调度时，会首先依据共享汽车日常实际发生的调度工作，将其划分为三种类型：

1)低油处理(剩余油量低于预设阈值)；

2)闲置处理(车辆在一个网点停放时间过长，期间未产生过订单)；

3)缺车处理(网点的车辆库存无法满足未来几小时的用车需求)；

针对这三种类型的调度工作，下面分解其判断的依据，缺车处理是在获得网点预测订单结果后，综合网点内实时的库存，可直接判断网点是否需要以缺车为理由调入；而低油处理则是依靠共享汽车车载OBD设备实时上报车辆经纬度，以获得车辆的位置信息以及油缸的剩余油量信息；至于闲置处理，则是在划分网点时，预先设置了电子围栏，即通过绘制网点停车场周边多个坐标，形成一个虚拟的围栏，保存到solr搜索引擎中，用于判断车辆是否在网点内，以及车辆在同一个网点内停放的时间(可计算出车辆闲置时间)，并可以计算出网点内停放的车辆数(网点库存)，此外，还可按照城市的行政区域，把位置归属在相同区域的网点组合成一个片区，方便片区管理，统计整个片区的可用车辆数以及剩余车位数。

在同一时间，可能会生成多种不同调度任务，因此，需要预先制定智能调度任务的生成规则，本实施例中，以当前效率最高为原则，当运维人员通过App模块1认领任务时，系统根据运维人员最新的位置先找到其附近是否存在需要处理低油或者闲置车辆的网点，且就近匹配到调出网点，系统根据预先设置的优先级来匹配附近调出的网点，此优先级指的正是上述中，按照调度工作划分的三种任务类型，优先级可以按照不同片区和不同的时间段来配置不同的优先级顺序；运维人员在领取任务时，当系统查询到周边没有需要调出的低油车辆或者闲置车辆，但有需要做缺车调入的网点时，系统会根据评分规则来匹配推荐的调出网点，这里的评分规则包含两部分，即初阶评分和进阶评分。

其中，初阶评分的维度有：调出网点实时的车辆数(即实时库存)、调出网点未来几小时的取车单量和还车单量，只有当调出网点的库存在能够满足本网点最近几小时需求的情况下，才会被纳入推荐调出的网点范围，而进阶评分则需要根据各个维度的单项评分并使用加权算法，得分最高的网点为系统最终推荐的调出网点，其进阶评分的维度有：调出与调入网点之间的距离(距离越近单项得分越高)、运维人员与调出网点之间的距离(距离越近单项得分越高)、调出网点的库存超出自身未来几小时需求的数量(超出数量越高单项得分越高)、网点闲置时间、网点的日均出单量、周转率(其中网点的闲置时间、日均出单量、周转率是衡量一个网点整体取车订单量的指标，这些指标越差单项得分越高)，进阶评分的每一项维度都可以预先设置分数和权重比例，系统在生成任务过程中，自动计算这些网点的得分。

此外，上述提到的调度工作，如低油处理、闲置处理等，都是以运维人员为中心且在片区内循环的调度工作，除此之外，还有一些需要全局调控的调度工作，如超停调度和跨区调度，该系统会实时监控各个网点的可用车辆数以及整个片区的可用车辆数，针对单个网点超停数量过多，系统会以超停网点为中心，搜索半径3公里范围内是否有上班状态的运维人员，再以超停网点为中心匹配半径10公里范围内是否有适合调入的网点，这里指的适合调入的网点包括剩余可用车位数大于2个，或者调入网点本身库存不足的，也可以是存在需要调入置换出闲置、低油的车辆的网点；针对片区整体的车辆数量超过预设阈值的情况，系统会匹配车辆数量低于预设阈值的其他片区，生成对应的跨区调度任务，即从车辆数量超过阈值的片区内的网点调出，并跨区调入到车辆数量低于阈值片区内网点，从而达到平衡片区车辆数的目标。

通过该调度系统和调度方法，运维人员无需依赖过往的工作经验，也不需要等待管理人员发出调度指令，只需要根据其手持终端的App模块1接收到的系统推送的智能调度任务来执行即可，相比管理人员发出的调度指令，通过使用该系统，订单量在原订单规模基础上预计可以提升10％以上，并可减少20％以上的无效调度，同时，基于该方法预测的订单取还车订单量，执行缺车类型的调入后，平均订单转化时长在3小时内(运维人员调度完成后，平均3小时内可转化为有效客户订单)，同时也减轻了企业对运维人员的管理和培训成本。

以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。