【技术实现步骤摘要】
本专利技术涉及一种基于云边端协同的空载出租车行驶路线推荐方法，属于出租车行驶路线推荐算法领域。
技术介绍
1、目前，出租车为城市交通出行提供了方便灵活的服务，通常情况下空载出租车会沿着道路或者街道进行巡航，以寻找潜在的乘客。因此，合适的空载出租车推荐行驶路线既能帮助司机获得最大利润，又能够尽可能地减少乘客叫车的等待时长。近年来，车联网技术以及深度学习算法经过不断发展，已经被广泛应用于解决现有的城市交通问题。本专利技术基于云边端协同的网络框架，对城市区域进行合理划分，实现了空载出租车行驶路线推荐算法模型的协同训练。同时不同区域所属边缘服务器会预测区域内乘客平均等待时长，并通过云服务器对不同区域的出租车进行调度，最终实现区域内出租车的供需平衡。
2、有鉴于此，确有必要提出一种基于云边端协同的空载出租车行驶路线推荐方法，以解决上述问题。
技术实现思路
1、本专利技术目的在于提供一种基于云边端协同的空载出租车行驶路线推荐方法，以解决目前对出租车调度不够合理的问题。
2、为实现上述目的，本专利技术提供了一种基于云边端协同的空载出租车行驶路线推荐方法，包括：
3、s1、搭建协同框架，所述协同框架包括乘客端、出租车端、边缘服务器、云服务器；
4、s2、以乘客的历史上车地点为依据，通过聚类算法，将城市划分成i个区域，对于每个划分后的区域ri都有一个与之对应的边缘服务器ei；
5、s3、位于同一区域内的出租车将采用联邦学习的方式，协同训练其
6、s4、载客状态下的出租车端上传载客数据至所述边缘服务器ei，同时区域内乘客端也上传叫车等待时长至所述边缘服务器ei，所述边缘服务器ei通过训练多层感知机结构的深度学习模型，对区域内乘客平均等待时长进行预测；
7、s5、所述边缘服务器将所预测的区域内乘客的平均等待时长上传至所述云服务器，所述云服务器进行区域间空载出租车调度。
8、作为本专利技术进一步的改进，所述步骤s2具体包括：将空闲出租车训练后的本地模型参数定期上传到所述边缘服务器ei进行参数聚合，聚合所述本地模型参数后的全局模型被所述边缘服务器ei下发至每个空闲出租车并生成推荐行驶路线，ωi(v1),ωi(v2),…,ωi(vn)表示在区域ri内由空载出租车上传的本地模型参数，代表聚合后的全局模型参数；
9、作为本专利技术进一步的改进，所述步骤s4具体包括：载客状态下的出租车端上传载客数据至所述边缘服务器ei，同时区域内乘客端也上传叫车等待时长至所述边缘服务器ei，所述边缘服务器ei通过训练多层感知机结构的深度学习模型，对区域内乘客平均等待时长进行预测，其中ai表示所述区域ri的面积，在第t-1时隙内区域内乘客数量和出租车空载率分别表示为和
10、表示进行预测的时间间隔，基于所述多层感知机结构的深度学习模型的乘客平均等待时长预测模型的输入input，输入input表示将所有变量组成的向量在第二维度上的拼接，输入input的公式如下：
11、
12、则预测出的第t时隙乘客平均等待时长的公式如下：
13、
14、其中，σ和δ分别为sigmoid和relu激活函数。
15、作为本专利技术进一步的改进，所述步骤s5还包括：所述边缘服务器将所预测的区域内乘客的平均等待时长上传至所述云服务器，假设第t时隙所有区域的乘客平均等待时长记作区域ri若所预测的等待时长大于区域ri邻接区域的数值，则判定区域ri为出租车供应不足区域ris，否则判定区域ri为rss。
16、作为本专利技术进一步的改进，所述步骤s5还包括：分别为ris和rss组成的区域集合，通过梯度下降算法，在少数轮的迭代后，云服务器计算得到满足目标函数最小的最优化调度策略，所述目标函数的公式为：
17、
18、作为本专利技术进一步的改进，在联邦学习的本地模型中使用双层长短期记忆网络构造编码器部分，并连接一个单层长短期记忆网络作为解码器，所述解码器与mlp共同组成用于学习出租车历史轨迹数据，并生成推荐行驶路线的深度学习模型，出租车使用本地数据中载客前的m+n个轨迹点对所述推荐行驶路线的深度学习模型进行训练，其中前m个轨迹点将会被分别转化成包含位置信息li、时间信息time、星期信息dow的序列经过一层mlp网络的映射作为所述构造解码器的输入，在所述解码器中，代表编码器二层长短期记忆网络隐藏层信息，hm+n-1代表解码器中长短期记忆网络的隐藏层信息，<start>、<end>标签分别代表所述解码器的开始和结束，使用后n个轨迹点提取出的位置信息l组成的序列数据作为训练标签，基于双层长短期记忆网络的出租车行驶路线推荐模型生成推荐轨迹序列的步骤的公式为：
19、
20、本专利技术的有益效果是：本专利技术的基于云边端协同的空载出租车行驶路线推荐方法，实现基于云边端协同的空载出租车行驶路线推荐算法需要搭建由乘客与出租车端、边缘服务器、云服务器三者的协同框架，实现为空载状态下的出租车推荐合适的行驶路线，保证其尽早搭载潜在乘客，并提高自身收益，同时，也考虑到城市不同区域间的出租车供需平衡。
本文档来自技高网...【技术保护点】
1.一种基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，所述步骤S2具体包括：将空闲出租车训练后的本地模型参数定期上传到所述边缘服务器Ei进行参数聚合，聚合所述本地模型参数后的全局模型被所述边缘服务器Ei下发至每个空闲出租车并生成推荐行驶路线，ωi(v1),ωi(v2),…,ωi(vn)表示在区域Ri内由空载出租车上传的本地模型参数，代表聚合后的全局模型参数。
3.根据权利要求2所述的基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，所述步骤S4具体包括：载客状态下的出租车端上传载客数据至所述边缘服务器Ei，同时区域内乘客端也上传叫车等待时长至所述边缘服务器Ei，所述边缘服务器Ei通过训练多层感知机结构的深度学习模型，对区域内乘客平均等待时长进行预测，其中Ai表示所述区域Ri的面积，在第t-1时隙内区域内乘客数量和出租车空载率分别表示为和
4.根据权利要求3所述的基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，所述步骤S5还包括：所述边
5.根据权利要求4所述的基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，所述步骤S5还包括：分别为RIS和RSS组成的区域集合，通过梯度下降算法，在少数轮的迭代后，云服务器计算得到满足目标函数最小的最优化调度策略，所述目标函数的公式为：
6.根据权利要求1所述的基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，在联邦学习的本地模型中使用双层长短期记忆网络构造编码器部分，并连接一个单层长短期记忆网络作为解码器，所述解码器与MLP共同组成用于学习出租车历史轨迹数据，并生成推荐行驶路线的深度学习模型，出租车使用本地数据中载客前的m+n个轨迹点对所述推荐行驶路线的深度学习模型进行训练，其中前m个轨迹点将会被分别转化成包含位置信息li、时间信息time、星期信息dow的序列经过一层MLP网络的映射作为所述构造解码器的输入，在所述解码器中，代表编码器二层长短期记忆网络隐藏层信息，hm+n-1代表解码器中长短期记忆网络的隐藏层信息，<Start>、<End>标签分别代表所述解码器的开始和结束，使用后n个轨迹点提取出的位置信息l组成的序列数据作为训练标签，基于双层长短期记忆网络的出租车行驶路线推荐模型生成推荐轨迹序列的步骤的公式为：
...【技术特征摘要】
1.一种基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，所述步骤s2具体包括：将空闲出租车训练后的本地模型参数定期上传到所述边缘服务器ei进行参数聚合，聚合所述本地模型参数后的全局模型被所述边缘服务器ei下发至每个空闲出租车并生成推荐行驶路线，ωi(v1),ωi(v2),…,ωi(vn)表示在区域ri内由空载出租车上传的本地模型参数，代表聚合后的全局模型参数。
3.根据权利要求2所述的基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，所述步骤s4具体包括：载客状态下的出租车端上传载客数据至所述边缘服务器ei，同时区域内乘客端也上传叫车等待时长至所述边缘服务器ei，所述边缘服务器ei通过训练多层感知机结构的深度学习模型，对区域内乘客平均等待时长进行预测，其中ai表示所述区域ri的面积，在第t-1时隙内区域内乘客数量和出租车空载率分别表示为和
4.根据权利要求3所述的基于云边端协同的空载出租车行驶路线推荐方法，其特征在于，所述步骤s5还包括：所述边缘服务器将所预测的区域内乘客的平均等待时长上传至所述云服务器，假设第t时隙所有区域的乘客平均等待时长记作区域ri若所预测的等待时长大于区域ri邻接区域的数值，则判定...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。