一种共享车辆站点取还订单量的预测方法及装置与流程

1.本发明涉及人工智能技术，更具体的说，是涉及一种共享车辆站点取还订单量的预测方法及装置。


背景技术：

2.共享经济的概念在当今社会越来越广，共享汽车开始在生活中占据越来越多的地位，有别于普通的燃油汽车，共享电动汽车需要在特定站点取车，在建好的站点还车以供车辆充电。采用新能源汽车来实现共享，能够满足环保，降低成本等多个方面的优势。同时因为充电桩和站点的限制，需要保证每个站点都能有可供顾客使用的车辆，但同时车辆数目又不能超过总车位以及电桩数。同时为了满足各个站点间的车辆供需平衡，也需要运营人员来负责调度。
3.目前的技术中，共享汽车企业对于租赁车辆的管理主要集中在解决部分站点上待运车辆长时间无人租用的问题，以及部分站点归还车辆超过站点可用车位导致爆点的问题。但是，不同站点间的车辆调度的成本比较高，而且由于不能够做到提前预知需求和提前规划，从而难以实现时间最优化资源配置。


技术实现要素：

4.有鉴于此，本发明提供如下技术方案：
5.一种共享车辆站点取还订单量的预测方法，包括：
6.获得历史订单数据和各站点信息，所述历史订单数据中包含订单起始时间、订单结束时间、取车站点和还车站点；
7.基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征；
8.以单一站点为维度，基于当前站点对应的时间序列特征构建并训练预测模型；
9.基于所述预测模型得到未来第一时间段内当前站点的预测取车数量和预测还车数量。
10.可选的，所述基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征，包括：
11.基于所述历史订单数据和所述各站点信息，分别确定出各站点的历史取还车信息，所述历史取还车信息包括历史各个第二时间段的取车数量和还车数量；
12.基于所述历史取还车信息，采用滑动窗口的方法切割得到多个第一时间段，并基于各个第一时间段的对应的取还车信息生成连续的时间序列数据。
13.可选的，第一时间段对应的取还车信息中包含该时间段的订单数均值、订单最大值、订单最小值和订单均值。
14.可选的，所述历史订单数据中对应节假日的时间段具有节假日特征，则在所述未来第一时间段属于节假日时，所述预测模型预测得到节假日的所述未来第一时间段预测取
车数量和预测还车数量。
15.可选的，所述预测模型为wavenet模型。
16.可选的，所述以单一站点为维度，基于当前站点对应的时间序列特征构建并训练预测模型，包括：
17.以单一站点为维度，使用交叉验证的方式处理当前站点对应的时间序列特征，构建得到取车预测模型和还车预测模型；
18.分别对所述取车预测模型和还车预测模型进行训练，得到满足训练终止条件的取车预测模型和还车预测模型。
19.可选的，在所述基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征前，还包括：
20.对所述历史订单数据和所述各站点信息进行数据清洗，删除无用数据。
21.可选的，在所述基于所述预测模型得到未来第一时间段内当前站点的预测取车数量和预测还车数量后，还包括：
22.基于所述预测取车数量和所述预测还车数量，结合各站点的实时可用车辆数量确定站点间的车辆调度方案。
23.可选的，还包括：
24.在依据所述车辆调度方案实施不同站点间的车辆调度后，基于各站点的实际运行情况确定调度转化率。
25.一种共享车辆站点取还订单量的预测装置，包括：
26.数据获取模块，用于获得所有历史订单数据和各站点信息，所述历史订单数据中包含订单起始时间、订单结束时间、取车站点和还车站点；
27.特征获取模块，用于基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征；
28.模型处理模块，用于以单一站点为维度，基于当前站点对应的时间序列特征构建并训练预测模型；
29.结果预测模块，用于基于所述预测模型得到未来第一时间段内当前站点的预测取车数量和预测还车数量。
30.经由上述的技术方案可知，与现有技术相比，本发明实施例公开了一种共享车辆站点取还订单量的预测方法及装置，方法包括：获得历史订单数据和各站点信息，所述历史订单数据中包含订单起始时间、订单结束时间、取车站点和还车站点；基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征；以单一站点为维度，基于当前站点对应的时间序列特征构建并训练预测模型；基于所述预测模型得到未来第一时间段内当前站点的预测取车数量和预测还车数量。上述方案是基于流式的订单需求预测，能够有效保障预测结果的准确性，从而避免用户去站点用车却无车可用导致丢失订单的情况以及用户停车时，因为爆点问题导致的无法停车的情况；同时也减少了调度人员无意义的调度，由此降低了整体调度的成本，提高了订单数量。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
32.图1为本技术实施例公开的一种共享车辆站点取还订单量的预测方法的流程图；
33.图2为本技术实施例公开的获得时间序列特征的流程图；
34.图3为本技术实施例公开的门控结构和wavenet中多个tcn模块的叠加示意图；
35.图4为本技术实施例公开的另一个共享车辆站点取还订单量的预测方法的流程图；
36.图5为本技术实施例公开的车辆调度的实现示意图；
37.图6为本技术实施例公开的共享车辆站点取还订单量的预测及调度的实现流程示意图；
38.图7为本技术实施例公开的一种共享车辆站点取还订单量的预测装置的结构示意图。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.图1为本技术实施例公开的一种共享车辆站点取还订单量的预测方法的流程图，参见图1所示，方法可以包括：
41.步骤101：获得历史订单数据和各站点信息，所述历史订单数据中包含订单起始时间、订单结束时间、取车站点和还车站点。
42.其中，历史订单信息不限制为前述订单起始时间、订单结束时间、取车站点和还车站点，其还可以包括订单金额，订单里程数，订单开始时起始站点车辆数，订单结束时间停车站点车辆数等。
43.由于人们在不同季节、不同年份的用车习惯和观念可能不同，因此，历史订单信息不需要是全部的历史订单数据，可以是一段时间内的历史订单数据，例如一个月之内的历史订单数据，这样一方面可以使得最终的预测结果更加准确，一方面避免了计算资源的过度浪费。
44.其中的各站点信息指的是当前城市中对应于某特定企业的所有的共享车辆站点。
45.步骤102：基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征。
46.具体的，可以将历史订单数据分为取车订单与还车订单，并分别统计出每个站点在每个时间段的取还车数量。
47.一个实现中，步骤102的具体实现可以参见图2，图2为本技术实施例公开的获得时间序列特征的流程图，结合图2所示，所述基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征，可以包括：
48.步骤201：基于所述历史订单数据和所述各站点信息，分别确定出各站点的历史取
还车信息，所述历史取还车信息包括历史各个第二时间段的取车数量和还车数量。
49.其中的第二时间段，例如可以是一个小时。当然，本技术对此并不做固定限制，具体应用中可以根据实际情况调整第二时间段的长短。
50.步骤202：基于所述历史取还车信息，采用滑动窗口的方法切割得到多个第一时间段，并基于各个第一时间段的对应的取还车信息生成连续的时间序列数据。
51.实现中，可以确定最小单位为小时，总共长度为一周，处理各个站点连续时间序列数据。具体的，预测采用滑动窗口的方法来切割时间段，例如第一个时间段包括一点到两点的时间段和两点到三点的时间段，第二个时间段包括两点到三点的时间段和三点到四点的时间段(可形象的理解为第一个时间段包括1，2，第二个时间段包括2，3)。一个示例中，可以基于不同时间段的历史取还车信息所形成的时间序列数据来预测未来2个小时内的订单量。
52.步骤103：以单一站点为维度，基于当前站点对应的时间序列特征构建并训练预测模型。
53.由于需要预测得到各个站点的取车数据和还车数据，因此，需要以各个站点为独立的维度来构建并训练预测模型，以得到各个站点相应的预测数据。
54.步骤104：基于所述预测模型得到未来第一时间段内当前站点的预测取车数量和预测还车数量。
55.在预测模型训练好后，就可以将其投入使用，持续不断的预测得到未来第一时间段内当前站点的预测取车数量和预测还车数量。这样基于流式的预测方式，实现过程中是在不间断的进行预测，例如下午3点的预测结果在2点多计算；下午4点多的预测结果，在3点多的时候计算。
56.本实施例所述共享车辆站点取还订单量的预测方法是基于流式的订单需求预测，能够有效保障预测结果的准确性，从而避免用户去站点用车却无车可用导致丢失订单的情况以及用户停车时，因为爆点问题导致的无法停车的情况；同时也减少了调度人员无意义的调度，由此降低了整体调度的成本，提高了订单数量。
57.前述内容中，第一时间段对应的取还车信息中可以但不限制为包含该时间段的订单数均值、订单最大值、订单最小值和订单均值。
58.一个实现中，所述历史订单数据中对应节假日的时间段具有节假日特征，则在所述未来第一时间段属于节假日时，所述预测模型预测得到节假日的所述未来第一时间段预测取车数量和预测还车数量。例如，可以按照实际日期，添加节假日特征，获取n天内的节假日订单特征，具体为7天，14天，21天，28天内的节假日每个网点在12个时间段内的取还车订单。
59.一个实现中，所述预测模型可以为wavenet(wavenet模型是一种序列生成模型,可以用于语音生成建模)模型。
60.wavenet的组成部分是由多个tcn(temporal convolutional network，时间卷积网络)网络模块组成，cnn(convolutional neuralnetworks,卷积神经网络)应用于时间序列的代表即tcn，又被称为因果卷积。tcn与rnn(recurrentneural network，一类用于处理序列数据的神经网络)结构网络相比，具有如下的优势：
61.(1)并行性。与rnn中后继时间步长的预测必须等待之前时间步完成预测不同，卷
积可以并行完成，因为每一层都使用相同的滤波器。因此，在训练和评估中，tcn可以处理一整个较长的输入序列，而不是像rnn中那样顺序处理。
62.(2)灵活的感受野大小。tcn有多种方式更改其感受野大小。其中目前表现最好的即wavenet使用的扩大卷积(dilated convolution)。
63.(3)梯度稳定。tcn的反向传播与rnn相比明显不同，而且通过引入残差连接和跳跃连接，能够有效缓解和避免梯度爆炸和梯度消失现象。
64.为了更好的理解wavenet，可结合如下内容：
65.1、扩大因果卷积
66.因果卷积确保了模型输出不会违反数据的顺序：模型在t时刻输出的预测不会依赖任何一个未来时刻的数据，但是直接采用上述的因果卷积，为了使得模型能够捕捉长期依赖，模型必须拥有足够大的感受野，只能通过增加模型的深度和卷积核的大小，然而这将带来参数数量的迅速增加。wavenet使用堆叠式扩大卷积层，这种卷积只需要几层就能获得很大的感受野，同时保留了输入分辨率和计算效率。
67.2、pixelcnn门激活
68.图3展示了门控结构和wavenet中多个tcn模块的叠加，可结合图3理解具体应用。
69.3、跳跃连接和残差连接
70.跳跃连接可以解决网络层数较深的情况下梯度消失的问题，同时有助于梯度的反向传播，加快训练过程。残差连接是让前面某层的输出作为后面某层的输入，从而在序列网络中有效地创造了一条捷径。
71.前述内容中，所述以单一站点为维度，基于当前站点对应的时间序列特征构建并训练预测模型，可以包括：以单一站点为维度，使用交叉验证的方式处理当前站点对应的时间序列特征，构建得到取车预测模型和还车预测模型；分别对所述取车预测模型和还车预测模型进行训练，得到满足训练终止条件的取车预测模型和还车预测模型。
72.一个实现中，在所述基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征前，还可以包括：对所述历史订单数据和所述各站点信息进行数据清洗，删除无用数据。例如，可以将历史订单数据与现有站点信息进行匹配，清洗掉已经下线站点的相关数据。
73.图4为本技术实施例公开的另一个共享车辆站点取还订单量的预测方法的流程图，如图4所示，其他实现中，共享车辆站点取还订单量的预测方法可以包括：
74.步骤401：获得历史订单数据和各站点信息，所述历史订单数据中包含订单起始时间、订单结束时间、取车站点和还车站点。
75.步骤402：基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征。
76.步骤403：以单一站点为维度，基于当前站点对应的时间序列特征构建并训练预测模型。
77.步骤404：基于所述预测模型得到未来第一时间段内当前站点的预测取车数量和预测还车数量。
78.步骤405：基于所述预测取车数量和所述预测还车数量，结合各站点的实时可用车辆数量确定站点间的车辆调度方案。
79.得到预测模型之后，进行模型的应用部署，可以于每日晚凌晨，进行取还车滑动窗口时间段的数据预测，结合每个网点的实时车辆数，得出是否需要调车，需要调入或调出多少车辆的结论。
80.预测出各站点未来第一时间段内当前站点的取车数量和还车数量后，可以基于站点的实时情况，确定站点间的车辆调度方案。例如，预测出当前站点未来两小时大约会取用20辆车，还回5辆车，当前站点现有10辆车，则未来两小时内就会出现车辆不够用的情况，则需要从别的站点调车过来。
81.实现中，可以获取每个网点与网点间的时间距离矩阵，按照预测生成的调入调出需求，生成调度成本最低的调度计划，并分配给调度人员执行。
82.另一个实现中，享车辆站点取还订单量的预测方法，还可以进一步包括：在依据所述车辆调度方案实施不同站点间的车辆调度后，基于各站点的实际运行情况确定调度转化率。
83.调度完成后，检测每单的调度数据，定义调度成功评估标准：缺车调度，调度车辆生成订单，爆点调度，网点没有出现爆点情况。按照标准，得出调度转化率，评估整体方法的好与坏。例如，共计往a网点掉入了5辆车，之后产生了4个取车订单，那调度成功的转化率为80％。图5为本技术实施例公开的车辆调度的实现示意图，可结合图5理解前述内容。结合图5，调度的原则可以是：调拨计划针对调拨的优化，尽量把爆点网点的车辆调入缺车网点，使得调度的成本最低。
84.图6为本技术实施例公开的共享车辆站点取还订单量的预测及调度的实现流程示意图，结合图6所示，一个具体实现中，共享车辆站点取还订单量的预测及调度的实现过程可以包括如下内容：
85.1.准备与业务相关的各项历史数据以及实时数据，分别为，用户订单数据，网点数据，用户行为埋点数据，节假日数据。订单数据主要字段是订单开始时间，结束时间，起始站点，结束站点，订单时长，订单里程数，车辆剩余电量。网点数据主要字段为，网点坐标，网点车位数，网点现有车辆数。用户行为埋点数据主要字段为，用户查看的网点，埋点事件发生时用户的坐标。
86.2.搭建数据接口，实时对接数据。进行数据清理，清除质量有问题的数据。数据分析，进行站点分类，评级。生成每个站点，每天的订单量的统计数据。将24小时采用滑窗的办法将时间段切割，以每一个站点作为维度，统计该网点过去一周内，两周内，一个月内，每一个时间段的订单数均值，最大值，最小值，中位数。埋点统计每个站点周围的潜在用户情况。
87.3.依照数据进行特征工程并训练预测模型。模型给出未来两小时每一个站点预测出取车数量与还车数量。
88.4.将模型接入调度系统，由调度管理员触发算法模型获取每天每个时间段每个站点的取车数量与还车数量的结果。将取车预测数与还车预测数与站点当时的已有车辆数以及站点总共车位数，进行计算，得出该站点在未来两小时应该调入几辆车，不用调度，或者需要调出几辆车，来满足未来发生的情况。
89.5.得到网点车辆供求情况之后，通过站点间的时间距离矩阵，得出站点间调度的最优化方案，计划调拨方案。
90.计划调拨方案就是，将需要调出车辆的车辆以最短的距离调入需要调入车辆的网
点，以此来实现调度的成本最低。
91.6.由调度管理员将计划调拨方案的具体执行分配给调度人员去执行调度，并监控调度情况。
92.7.完成调度后，对两小时的订单进行监控，评估调度的成功率。评估分为两部分，调出车辆的站点是否在两小时内依然发生了爆点。调入车辆的站点是否有缺车现象，以此来生成调度成功的转化率。对该次调度的预测情况进行打分以及后续的分析。
93.对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
94.上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。
95.图7为本技术实施例公开的一种共享车辆站点取还订单量的预测装置的结构示意图，参见图7所示，享车辆站点取还订单量的预测装置70可以包括：
96.数据获取模块701，用于获得所有历史订单数据和各站点信息，所述历史订单数据中包含订单起始时间、订单结束时间、取车站点和还车站点。
97.特征获取模块702，用于基于所述历史订单数据和所述各站点信息，得到各站点表征取车数量和还车数量的时间序列特征。
98.模型处理模块703，用于以单一站点为维度，基于当前站点对应的时间序列特征构建并训练预测模型。
99.结果预测模块704，用于基于所述预测模型得到未来第一时间段内当前站点的预测取车数量和预测还车数量。
100.本实施例所述共享车辆站点取还订单量的预测装置是基于流式的订单需求预测，能够有效保障预测结果的准确性，从而避免用户去站点用车却无车可用导致丢失订单的情况以及用户停车时，因为爆点问题导致的无法停车的情况；同时也减少了调度人员无意义的调度，由此降低了整体调度的成本，提高了订单数量。
101.共享车辆站点取还订单量的预测装置中各个模块的具体实现以及其他可能的实现可参见方法实施例中相应部分的内容介绍，在此不再重复赘述。
102.上述实施例中的所述的任意一种共享车辆站点取还订单量的预测装置包括处理器和存储器，上述实施例中的数据获取模块、特征获取模块、模型处理模块、结果预测模块等均作为程序模块存储在存储器中，由处理器执行存储在所述存储器中的上述程序模块来实现相应的功能。
103.处理器中包含内核，由内核去存储器中调取相应的程序模块。内核可以设置一个或多个，通过调整内核参数来实现回访数据的处理。
104.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
105.本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述实施例中所述的共享车辆站点取还订单量的预测方法。
106.本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中所述的共享车辆站点取还订单量的预测方法。
107.进一步，本实施例提供了一种电子设备，包括处理器以及存储器。其中存储器用于存储所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令来执行上述实施例中所述的共享车辆站点取还订单量的预测方法。
108.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
109.还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
110.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
111.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。