代驾调度方法及相关装置制造方法及图纸

本申请涉及一种代驾调度方法及相关装置，该方法包括以下步骤：获取新订单并基于订单特征和预训练的预测模型预测订单量；评估司机对象可用性；计算司机对象在不同激励策略下的预期收益，基于预期收益选择最优激励策略；动态匹配司机对象和订单，将司机对象指派给相应的订单；基于激励效果优化激励策略。本申请有助于代驾平台实现更智能、更高效的激励策略优化。通过实时监测激励策略的投入产出比、计算激励策略权重并为新订单选择合适的激励策略，代驾平台可以更好地平衡资源分配，提高订单完成率以及整体运营效率。成率以及整体运营效率。成率以及整体运营效率。

【技术实现步骤摘要】
代驾调度方法及相关装置


[0001]本申请涉及运力运筹的领域，尤其是涉及一种代驾调度方法及相关装置。

技术介绍

[0002]随着社会对安全意识的日益关注，"酒后不开车"的观念已经被广泛接受。这促使了代驾服务的兴起，不仅普及了代驾服务，还在很大程度上预防了因酒后驾驶引发的交通事故。据估计，每年代驾服务可以避免超过300万起酒驾事故。因此，代驾已经成为一种新兴的经济领域，有效地解决了酒驾问题，并降低了交通事故的发生率。
[0003]在移动互联网迅速发展的背景下，智能手机已经成为日常生活中不可或缺的工具。这为代驾行业铺平了一种标准化的服务流程，人们使用智能手机叫代驾，代驾平台分配订单，代驾司机接单。作为连接用户和司机的关键纽带，这些平台必须能够快速响应用户需求，同时确保司机有机会接受更多订单，获得更高的收入。
[0004]然而，在现实生活中存在许多不确定因素，例如代驾司机的上线时间、位置以及订单产生的时机等，这些因素导致了代驾资源的分布不均衡。如何实时引导司机前往订单热点区域以提高运力利用率，成为了代驾行业亟待解决的问题。

技术实现思路

[0005]为了提高运力利用率，本申请提供一种代驾调度方法及相关装置。
[0006]第一方面，本申请提供的一种代驾调度方法，采用如下的技术方案：一种代驾调度方法，包括以下步骤：获取新订单并基于订单特征和预训练的预测模型预测订单量；评估司机对象可用性；计算司机对象在不同激励策略下的预期收益，基于预期收益选择最优激励策略；动态匹配司机对象和订单，将司机对象指派给相应的订单；基于激励效果优化激励策略。
[0007]通过采用上述技术方案，运用人工智能和数据科学的方法，通过分析订单和司机数据，预测繁忙区域和时段。借助预训练的模型，可以评估司机的可用性并进行动态匹配和调度。此外，设计合理的激励策略，对司机可以进一步提高司机的工作积极性和整体服务质量，让司机优先对紧急订单快速响应，缩短服务周期。通过这些技术手段，代驾平台可以在不断优化的过程中，实现更高效的运力调度和更优质的服务体验。
[0008]可选的，所述预测模型的预训练方法包括以下步骤：构建LSTM模型并配置模型参数；预处理数据，以将其转换为对应于训练LSTM模型的格式；使用该预处理过的数据训练LSTM模型，并对模型进行验证。
[0009]通过采用上述技术方案，选择LSTM模型作为深度学习方法可以更好地捕捉时序数据中的长期依赖关系。配置模型参数使得模型能够根据实际问题和数据集进行调整，从而
提高预测准确性和模型的泛化能力。预处理数据是为了让数据符合LSTM模型的输入要求，这样可以确保模型在训练过程中更好地理解和学习数据特征。预处理过程包括数据清洗、标准化、特征提取等步骤，有助于提高模型的训练效率和预测性能。在训练过程中，模型将学习数据中的模式以预测未来的需求或其他变量。验证模型则是为了评估模型在未知数据上的性能，以避免过拟合或欠拟合现象。这样可以确保模型在实际应用中具有较高的预测精度和可靠性。
[0010]可选的，所述的评估司机对象可用性的步骤，包括：获取司机对象相关信息和订单相关信息，以生成特征并归一化；基于训练好的模型输入归一化特征，计算得到司机对象预测评分，其中，该深度学习模型基于历史数据对模型进行训练；基于预测得分对司机对象进行排序，检查司机是否可用，如果可用，则为该订单指派该司机对象，并将其状态更改为忙碌；否则，继续检查下一个司机对象。
[0011]通过采用上述技术方案，通过获取司机和订单的相关信息，可以生成特征用于深度学习模型的输入。归一化处理是为了消除不同特征之间的量纲影响，使得模型能够更好地学习数据中的模式。这一步骤有助于提高模型的预测准确性和泛化能力。通过使用训练好的深度学习模型，可以根据输入特征为每个司机计算预测评分。这一预测评分反映了司机在当前订单下的可用性，有助于为订单分配合适的司机。根据预测评分对司机进行排序，可以确保最适合的司机被优先分配给订单。通过实时检查司机的可用状态，可以有效地调度司机资源，提高平台的运力利用率。
[0012]可选的，所述的计算司机对象在不同激励策略下的预期收益，基于预期收益选择最优激励策略的步骤，包括：定义状态空间、动作空间和Q表，其中，状态空间用于反映订单特征和司机对象相关信息，动作空间用于表示不同的激励策略，Q表的行表示状态，列表示动作；在每个调度周期中，基于司机对象可用性，部分随机地为司机对象选定激励策略 ；观察激励策略的效果并计算奖励值，基于计算得到的奖励值更新Q表；重复前两步骤直至Q表收敛或达到预定的重复次数。
[0013]通过采用上述技术方案，通过定义状态空间、动作空间和Q表，为使用强化学习方法（如Q
‑
learning）寻找最优激励策略提供了基础。这样的设定有助于在调度过程中学习到最佳的激励策略，以提高司机的服务效率和满意度。通过在每个调度周期中为司机对象部分随机地选定激励策略，可以在学习过程中实现探索与利用的平衡。这一步骤有助于实时调整激励策略，提高激励策略的适应性和针对性。观察激励策略的效果并计算奖励值，有助于评估当前激励策略的表现。根据奖励值更新Q表可以实现对激励策略的优化，从而使模型学会在不同情况下选择更合适的激励策略，进一步提高司机运力的利用率。通过重复前两步骤，不断地更新Q表，直至收敛或达到预定的重复次数，可以保证在学习过程中找到最优激励策略。
[0014]可选的，所述的动态匹配司机对象和订单，将司机对象指派给相应的订单的步骤，包括：监测实时事件，并基于实时事件的发生返回到评估司机对象可用性的步骤；
基于实时交通情况调度对于当前所有订单平均司机对象预测评分低于预设阈值的空闲司机前往订单多发区域。
[0015]通过采用上述技术方案，通过监测实时事件并根据事件的发生实时评估司机对象可用性，可以使代驾平台更灵活地应对各种突发情况，如订单取消、订单变更等。此外，这一步骤也有助于实时更新司机对象的状态，确保匹配过程的准确性。根据实时交通情况，将预测评分低于预设阈值的空闲司机调度至订单多发区域，有助于平衡代驾运力分布。这一步骤可以提高运力利用率，降低等待时间，进而提升客户满意度。
[0016]可选的，所述的基于激励效果优化激励策略的步骤，包括：实时监测激励策略的投入产出比；在预设周期结束时，根据监测得到的历史数据计算激励策略的权重；使用更新后的激励策略权重为新订单选择激励策略。
[0017]通过采用上述技术方案，实时监测激励策略的投入产出比可以帮助代驾平台及时了解各种激励策略的实际效果。这将有助于平台识别哪些策略更有效地促进订单完成。通过在预设周期结束时计算激励策略权重，代驾平台可以根据历史数据对各种激励策略的效果进行量化评估。根据更新后的激励策略权重，代驾平台可以为新订单选择更合适的激励策略。这将有助于提高订单完成率、降低激励成本，从而提高整体运营效率。
[0018]第二方面，本申请提供的一种代驾调度系统，采用如下的技术方案：一种代驾调度系统，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种代驾调度方法，其特征在于，包括以下步骤：获取新订单并基于订单特征和预训练的预测模型预测订单量；评估司机对象可用性；计算司机对象在不同激励策略下的预期收益，基于预期收益选择最优激励策略；动态匹配司机对象和订单，将司机对象指派给相应的订单；基于激励效果优化激励策略。2.根据权利要求1所述的代驾调度方法，其特征在于，所述预测模型的预训练方法包括以下步骤：构建LSTM模型并配置模型参数；预处理数据，以将其转换为对应于训练LSTM模型的格式；使用该预处理过的数据训练LSTM模型，并对模型进行验证。3.根据权利要求2所述的代驾调度方法，其特征在于，所述的评估司机对象可用性的步骤，包括：获取司机对象相关信息和订单相关信息，以生成特征并归一化；基于训练好的模型输入归一化特征，计算得到司机对象预测评分，其中，该深度学习模型基于历史数据对模型进行训练；基于预测得分对司机对象进行排序，检查司机是否可用，如果可用，则为该订单指派该司机对象，并将其状态更改为忙碌；否则，继续检查下一个司机对象。4.根据权利要求3所述的代驾调度方法，其特征在于，所述的计算司机对象在不同激励策略下的预期收益，基于预期收益选择最优激励策略的步骤，包括：定义状态空间、动作空间和Q表，其中，状态空间用于反映订单特征和司机对象相关信息，动作空间用于表示不同的激励策略，Q表的行表示状态，列表示动作；在每个调度周期中，基于司机对象可用性，部分随机地为司机对象选定激励策略；观察激励策略的效果并计算奖励值，基于计算得到的奖励值更新Q表；重复前两步骤直至Q表收敛或达到预定的重复次数。...

【专利技术属性】
技术研发人员：姚英杰，
申请(专利权)人：上海安师傅汽车服务股份有限公司，
类型：发明
国别省市：