1.一种基于实时数据的计价车客流集散点载客决策方法,其特征在于,包括如下步骤:(S1)建立多元线性回归模型,所述多元线性回归模型表示为:
其中,p为决策值,当p<0.5时将为司机做出等待决策,当p>0.5时将为司机做出返回市区决策;X1、X2、X3、X4分别对应需求因素、返回收益因素、等待收益因素和个人能力因素,β0、β1、β2、β3、β4分别为第一至第五决策比例因子;所述需求因素为考虑天气影响后的客流量;所述返回收益因素为司机从所在客流集散点返回市区的预期返回净收益B返回_净;所述等待收益因素为司机从所在客流集散点返回市区的预期等待净收益B等待_净;所述个人能力因素为司机空载率;
(S2)为β0、β1、β2、β3、β4设定初值,基于当前的需求因素X1、返回收益因素X2、等待收益因素X3和个人能力因素X4根据所述多元线性回归模型求出决策值p为司机提供决策,根据决策后司机反馈的决策满意度调整β0、β1、β2、β3、β4的值以修正决策值p,如此重复,直到调整前后β0、β1、β2、β3、β4的值之差小于阈值;
(S3)根据最终调整后的β0、β1、β2、β3、β4的值,结合所述多元线性回归模型进行后续决策值p的计算。
2.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法,其特征在于,步骤(S2)中,根据决策后司机反馈的决策满意度调整β0、β1、β2、β3、β4的值以修正决策值p,具体包括根据以下式子调整β0、β1、β2、β3、β4:hβ=β0+β1X1+β2X2+β3X3+β4X4,
i
其中,β′j为βj的调整值;α为正的比例因子,是一个正数;m为司机反馈的样本总数;x 和i i iy分别为司机反馈的第i个样本中的满意度和对应的决策值,且x的取值只能为0或1,当xi的取值为0时代表司机不认同决策,当x 的取值为1时代表司机认同决策;
分别为司机反馈的第i个样本对应的需求因素、返回收益因素、等待收益因素和个人能力因素。
3.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法,其特征在于,所述考虑天气影响后的客流量等于不考虑天气影响时的预期客流量和天气影响因子的乘积;预期客流量为随时间变化的变量;所述天气影响因子为考虑当前天气影响的客流量与不考虑天气影响的预期客流量之比。
4.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法,其特征在于,所述预期返回净收益B返回_净通过以下方式计算:B返回_净=B返回‑C返回,
B返回=Bh×Tw,
C返回=Bh×Tr,
其中,B返回为预期返回收益,即司机空载返回市区之后,将留在机场的情况下所消耗的预期等待时长用于载客所获得的收益;C返回为司机从所在客流集散点空载返回市区的空载成本;Bh为司机每小时平均收益,Bh的计算方式为:通过计价车实时定位信息的历史数据、计价车实时载客信息的历史数据计算司机每小时的平均载客里程,再结合计价规则计算得到;Tw为留在机场的情况下所消耗的预期等待时长,Tr为从客流集散点返回市区的时间;其中,所述市区的定位由计程车实时位置数据和实时载客信息的历史数据计算得到。
5.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法,其特征在于,所述预期等待净收益B等待_净通过以下各式计算:B等待_净=B等待‑C等待,
C等待=β×Bh×Tw,
其中,B等待为预期等待收益,即司机留在机场载到客后,从客流集散点返回市区的平均等待收益;C等待为留在机场的情况下所消耗的预期等待时长所产生的等待成本;β为休息因子,为一个常数;所述预期等待收益B等待通过计价规则和从客流集散点返回市区的平均路程确定;其中,所述市区的定位由计程车实时位置数据和实时载客信息的历史数据计算得到。
6.根据权利要求4或5所述的基于实时数据的计价车客流集散点载客决策方法,其特征在于,所述市区的定位由计程车实时位置数据和实时载客信息的历史数据计算得到,具体为:(a)根据计程车实时位置数据和实时载客信息的历史数据分析得到所有乘客下车点;
(b)利用K‑means聚类方法将乘客下车点聚类为4个中心点,包括:通过随机选点的方式随机从所有乘客下车点中选出4个下车点作为初始中心点;将各初始中心点和与其最接近的下车点组成一个簇,这样就会形成4个簇,结合每个簇中所有下车点出现的次数和定位计算每个簇的中心定位点以替换上一次的中心点,重复计算直到中心点的定位不再变化;
(c)根据最终得到的4个聚类中心点的定位和对应的最接近下车点的数目确定市区的定位信息。
7.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法,其特征在于,所述司机空载率通过以下方式计算:(S41)根据计程车实时位置数据和实时载客信息的历史数据确定司机的日平均空载路程和日平均行驶总路程;
(S42)将司机的日平均空载路程除以日平均行驶总路程得到司机空载率。
8.根据权利要求1所述的基于实时数据的计价车客流集散点载客决策方法,其特征在于,所述客流集散点包括机场或客运站。
9.一种基于实时数据的计价车客流集散点载客决策系统,其特征在于,包括:需求因素计算模块,用于计算考虑天气影响后的客流量,作为需求因素;
返回收益因素计算模块,用于计算司机从所在客流集散点返回市区的预期返回净收益,作为返回收益因素;
等待收益因素计算模块,用于计算司机从所在客流集散点返回市区的预期等待净收益,作为等待收益因素;
个人能力因素计算模块,用于计算司机空载率,作为个人能力因素;
训练模块,用于对建立的多元线性回归模型进行训练,所述多元线性回归模型表示为:其中,p为决策值,当p<0.5时将为司机做出等待决策,当p>0.5时将为司机做出返回市区决策;X1、X2、X3、X4分别对应需求因素、返回收益因素、等待收益因素和个人能力因素,β0、β1、β2、β3、β4分别为第一至第五决策比例因子;对建立的多元线性回归模型进行训练包括:为β0、β1、β2、β3、β4设定初值,基于当前的需求因素X1、返回收益因素X2、等待收益因素X3和个人能力因素X4根据所述多元线性回归模型求出决策值p为司机提供决策,根据决策后司机反馈的决策满意度调整β0、β1、β2、β3、β4的值以修正决策值p,如此重复,直到修正前后β0、β1、β2、β3、β4的值之差小于阈值;
决策模块,用于根据最终调整后的β1、β2、β3、β4的值,结合所述多元线性回归模型进行决策值p的计算。
10.根据权利要求9所述的基于实时数据的计价车客流集散点载客决策系统 ,其特征在于,所述训练模块还用于根据以下式子调整β1、β2、β3、β4:hβ=β0+β1X1+β2X2+β3X3+β4X4,
i
其中,β′j为βj的调整值;α为正的比例因子,是一个正数;m为司机反馈的样本总数;x 和i i iy分别为司机反馈的第i个样本中的满意度和对应的决策值,且x的取值只能为0或1,当xi的取值为0时代表司机不认同决策,当x 的取值为1时代表司机认同决策;
分别为司机反馈的第i个样本对应的需求因素、返回收益因素、等待收益因素和个人能力因素。