[發明專利]網約車停車誘導方法、平臺及系統

有效

• 申請號: 201811032151.X
• 申請日: 2018-09-05
• 公開（公告）號: CN109087528B
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 朱鳳華;呂宜生;王飛躍;董西松;熊剛;趙紅霞
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G08G1/14
• 分類號: G08G1/14;G08G1/01
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩

1.一種網約車的停車誘導方法，其特征在于，所述停車誘導方法包括：

獲取網約車的停車誘導請求信息；

獲取當前時刻之前各個區域的網約車需求量和當前時刻之前各個區域的網約車空閑量；

根據所述當前時刻之前各個區域的網約車需求量和所述當前時刻之前各個區域的網約車空閑量計算所述當前時刻之后預設時段內各個區域的網約車供需比例；

將所述當前時刻之后所述預設時段內各個區域的網約車供需比例傳輸給網約車以供網約車選擇停車區域；

“根據所述當前時刻之前各個區域的網約車需求量和所述當前時刻之前各個區域的網約車空閑量計算所述當前時刻之后預設時段內各個區域的網約車供需比例”的步驟包括：

根據所述當前時刻之前各個區域的網約車需求量計算所述當前時刻之后所述預設時段內各個區域的網約車需求量；

根據所述當前時刻之前各個區域的網約車空閑量計算所述當前時刻之后所述預設時段內各個區域的網約車空閑量；

根據所述當前時刻之后所述預設時段內各個區域的網約車需求量和所述時刻之后所述預設時段內各個區域的網約車空閑量計算所述當前時刻之后所述預設時段內各個區域內網約車的供需比例；

其中，所述當前時刻之后所述預設時段內各個區域內網約車的供需比例為所述當前時刻之后所述預設時段內各個區域的網約車需求量與所述當前時刻之后所述預設時段內各個區域的網約車空閑量的比值；

“根據所述當前時刻之前各個區域的網約車需求量計算所述當前時刻之后所述預設時段內各個區域的網約車需求量”的步驟包括：

如果所述當前時刻屬于出行高峰時段，則采用卡爾曼濾波方法計算所述當前時刻之后所述預設時段內各個區域的網約車需求量；

如果所述當前時刻屬于出行非高峰時段，則采用滑動平均估計方法計算所述當前時刻之后所述預設時段內各個區域的網約車需求量；

“采用卡爾曼濾波方法計算所述當前時刻之后所述預設時段內各個區域的網約車需求量”的計算方法如下：

步驟S41：用狀態一步預測方程初步預測所述當前時刻之后所述預設時段內各個區域的網約車需求量

其中，A_t+1，t是一個n×n的矩陣，A_t+1，t需要使用歷史數據進行標定，歷史數據包括初步預測的各個區域的網約車需求量和實際統計的各個區域的網約車需求量，如無歷史數據，假設A_t+1，t＝I，I為單位矩陣，D^t是一個1×n的矩陣，D^t由所述當前時刻之前所述預設時段內各個區域的網約車需求量組成，n表示區域；

步驟S42：用均方誤差的一步預測描述步驟S41的隨機誤差：

其中，Q是白噪聲，P_t是D^t的協方差矩陣，是A_t+1，t的轉置矩陣；

步驟S43：用濾波增益方程計算卡爾曼增益：

H_t+1＝P_t+1，tC^T[CP_t+1，tC^T+R]^-1

其中，R是白噪聲，C是n×n的觀測矩陣，C需要根據外在因素進行標定，外在因素包括天氣和日期，C^T是C的轉置矩陣；

步驟S44：用濾波估計方程對進行校正，從而計算出所述當前時刻之后所述預設時段內各個區域的網約車需求量

步驟S45：對所述當前時刻之后所述預設時段內各個區域的網約車需求量的協方差矩陣P_t+1進行更新：

P_t+1＝[I-H_t+1C]P_t+1，t

其中，I為單位矩陣；

“采用滑動平均估計方法計算所述當前時刻之后所述預設時段內各個區域的網約車需求量”的計算方法如下：

計算所述區域i在所述當前時刻之后所述預設時段內網約車需求量首先獲取所述區域i在所述當前時刻之前p個所述預設時段內網約車需求量，

其中，θ_k是需要標定的系數，系數θ_k需要根據天氣和日期分別進行標定，ε_k是t-k+1時段內的預測誤差，即：

“根據所述當前時刻之前各個區域的網約車空閑量計算所述當前時刻之后所述預設時段內各個區域的網約車空閑量”的步驟包括：

如果所述當前時刻屬于出行高峰時段，則采用卡爾曼濾波方法計算所述當前時刻之后所述預設時段內各個區域的網約車空閑量；

如果所述當前時刻屬于出行非高峰時段，則采用滑動平均估計方法計算所述當前時刻之后所述預設時段內各個區域的網約車空閑量；

“采用卡爾曼濾波方法計算所述當前時刻之后所述預設時段內各個區域的網約車空閑量”的步驟包括：

步驟S71：用狀態一步預測方程初步預測所述當前時刻之后所述預設時段內各個區域的網約車空閑量

其中，B_t+1，t是一個n×n的矩陣，B_t+1，t需要使用歷史數據進行標定，歷史數據包括初步預測的各個區域的網約車空閑量和實際統計的各個區域的網約車空閑量，如無歷史數據，假設B_t+1，t＝I，I為單位矩陣，S^t是一個1×n的矩陣，S^t由所述當前時刻之前所述預設時段內各個區域的網約車空閑量組成，n表示區域；

步驟S72：用均方誤差的一步預測描述步驟S71的隨機誤差：

其中，W是白噪聲，E_t是S^t的協方差矩陣，是B_t+1，t的轉置矩陣；

步驟S73：用濾波增益方程計算卡爾曼增益：

F_t+1＝E_t+1，tG^T[GE_t+1，tG^T+V]^-1

其中，V是白噪聲，G是n×n的觀測矩陣，G需要根據外在因素進行標定，外在因素包括天氣和日期，G^T是G的轉置矩陣；

步驟S74：用濾波估計方程對進行校正，從而計算出所述當前時刻之后所述預設時段內各個區域的網約車空閑量

步驟S75：對所述當前時刻之后所述預設時段內各個區域的網約車空閑量的協方差矩陣E_t+1進行更新：

E_t+1＝[I-F_t+1G]E_t+1，t

其中，I為單位矩陣；

“采用滑動平均估計方法計算所述當前時刻之后所述預設時段內各個區域的網約車空閑量”的步驟包括：

計算區域i在所述當前時刻之后所述預設時段內網約車空閑量首先獲取所述區域i在所述當前時刻之前m個所述預設時段內網約車空閑量，

其中，α_k，β_k是需要標定的系數，系數α_k，β_k需要根據天氣和日期分別進行標定，δ_k是t-k+1時段內的預測誤差，即：