基于云平台的智能出租车调度系统设计方案

基于云平台的智能出租车调度系统设计方案高天行，樊付星，卞微知南京航空航天大学引言随着科技的进步，现在越来越多的出租车开始内嵌GPS传感器，这些出租车还装有一个传感器，让调度中心知道乘客上下车的信息。出租车公司在出租车上部署GPS传感器的主要目的是为了帮助车辆调度和管理。然而现行的出租车行业GPS解决方案普遍对车载GPS数据的利用较肤浅，智能程度较低。本文将以车载GPS数据为基础，使用数据挖掘方法，实现出租车的智能调度，提高出租车的工作效率，降低出租车的空载率，减少乘客的平均等待时间。方案概述乘客终端云服务器乘客终端云服务器调度发布信息出租车终端监控中心本设计方案的核心思想是尽可能的利用历史GPS和当前的动态GPS数据预测出当前各路段存在等车乘客的概率，并将相关信息直观的呈现给出租车司机，从而使出租车司机能够优化行车路线，降低空载率。一个路段存在等车乘客的概率可依据历史GPS数据和路段的当前状态来进行预测。路段的当前状态包括：当前时间，上一个空车经过的时间，当前天气、当天是否为工作日等。由于这些因素与乘客存在概率之间的关系复杂，难以找到有效的数学模型来进行刻画，所以我们采用对非线性复杂关系具有很强的拟合能力的神经网络模型。乘客手机端软件则为系统提供了一些更加确切的乘客信息，进一步提高了出租车的工作效率，并且改变了乘客只能被动等车的情况，增加了乘客与司机之间的互动。云计算简介云计算（cloudcomputing）是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云是网络、互联网的一种比喻说法。云计算可以认为包括以下几个层次的服务：软件即服务（SaaS）），平台即服务（PaaS）和基础设施即服务（IaaS。本系统主要采用微软提供的云服务SAAS：软件即服务SaaS是Software-as-a-service（软件即服务）。SaaS在业内的叫法是软件运营，或称软营。是一种基于互联网提供软件服务的应用模式。一种随着互联网技术的发展和应用软件的成熟，在21世纪开始兴起的完全创新的软件应用模式，是软件科技发展的最新趋势。SaaS提供商为企业搭建信息化所需要的所有网络基础设施及软件、硬件运作平台，并负责所有前期的实施、后期的维护等一系列服务，企业无需购买软硬件、建设机房、招聘IT人员，即可通过互联网使用信息系统。就像打开自来水龙头就能用水一样，企业根据实际需要，向SaaS提供商租赁软件服务。SaaS是一种软件布局模型，其应用专为网络交付而设计，便于用户通过互联网托管、部署及接入。SaaS应用软件的价格通常为“全包”费用，囊括了通常的应用软件许可证费、软件维护费以及技术支持费，将其统一为每个用户的月度租用费。对于广大中小型企业来说，SaaS是采用先进技术实施信息化的最好途径。但SaaS绝不仅仅适用于中小型企业，所有规模的企业都可以从SaaS中获利。PAAS：平台即服务PaaS是Platform-as-a-Service的缩写，意思是平台即服务。把服务器平台作为一种服务提供的商业模式。通过网络进行程序提供的服务称之为SaaS(SoftwareasaService)，而云计算时代相应的服务器平台或者开发环境作为服务进行提供就成为了PaaS(PlatformasaService)。所谓PaaS实际上是指将软件研发的平台（计世资讯定义为业务基础平台）作为一种服务，以SaaS的模式提交给用户。因此，PaaS也是SaaS模式的一种应用。PaaS对于SaaS运营商来说，可以帮助他进行产品多元化和产品定制化。例如Salesforce的PaaS平台让更多的ISV成为其平台的客户，从而开发出基于他们平台的多种SaaS应用，使其成为多元化软件服务供货商（MultiApplicationVendor），而不再只是一家CRM随选服务提供商。而国内的SaaS厂商800app通过PAAS平台，改变了仅是CRM供应商的市场定位，实现了BTO(Builttoorder:按订单生产)，和在线交付流程。使用800app的PAAS开发平台，用户不再需要任何编程即可开发包括CRM、OA、HR、SCM、进销存管理等任何企业管理软件，而且不需要使用其他软件开发工具并立即在线运行。IAAS：基础设施即服务IaaS(InfrastructureasaService)基础设施即服务。通过Internet可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务（InfrastructureasaService，IaaS）。基于Internet的服务（如存储和数据库）是IaaS的一部分。Internet上其他类型的服务包括平台即服务（PlatformasaService，PaaS）和软件即服务（SoftwareasaService，SaaS）。PaaS提供了用户可以访问的完整或部分的应用程序开发，SaaS则提供了完整的可直接使用的应用程序，比如通过Internet管理企业资源。IaaS分为两种用法：公共的和私有的。AmazonEC2在基础设施云中使用公共服务器池。更加私有化的服务会使用企业内部数据中心的一组公用或私有服务器池。如果在企业数据中心环境中开发软件，那么这两种类型都能使用，而且使用EC2临时扩展资源的成本也很低—比方说测试。结合使用两者可以更快地开发应用程序和服务，缩短开发和测试周期。基于BP神经网络的路段等车乘客存在概率预测BP神经网络人工神经网络ANN(ArtificialNeuralNetwork)是20世纪80年代中期迅速兴起的一门非线性科学，是国内外学者关注的前沿研究领域。它是人们模拟人脑信息处理、贮存的检索机制而构造的，是由大量人工神经元密集连接而成的网络。人工神经网络具有并行处理、自适应性、联想记忆、容错性强及鲁棒性等特点，具有很好的非线性拟合及预测能力，因而受到众多领域学者的关注。它在模式识别、数据处理及自动控制等领域已经获得了初步应用。BP(BackPropagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。BP神经网络实现路段等车乘客存在概率预测的原理和步骤解决路段等车乘客存在概率预测问题，实际上就是要找到一个从当前路段信息参数到路段有乘客等车的概率之间的映射函数。这个映射函数存在的依据是这样一个常识：在一段时期内，一个路段每天产生的等车乘客的概率分布是相似的。BP神经网络的一个主要应用就是用一组已知的输入向量和输出向量训练一个网络使其逼近目标函数。网络拓扑结构的确定BP神经网络实际上是一个多级向前神经网络。而在实际应用中通常采用二级网络结构。Kolmogorov定理已经证明，充分学习二级BP神经网络已经足以模拟输入与输出之间的非线性映射关系。输入层和输出层的节点个数取决于具体问题的输入向量和输出向量的维数。在本问题中，输入向量应包含如下参数：“当前时间”、“上一次空车经过且没有拉到乘客的时间”、“上一次有出租车在此路段拉到乘客的时间”、“当时的天气状况”和“当天是否为工作日”。其中“当时的天气状况”和“当天是否为工作日”两个参数需进行量化。实际上天气状况可用“适宜出行指数”来代替。是否为工作日可用“工作饱和度”来代替。下图为本例的神经网络结构图：训练样本的准备选择过去3个月的GPS数据，从中提炼出训练样本。每个空车经过一个路段都会形成一个训练样本。如果空车恰在这个路段拉到了客人，则对应的样本输出为1，否则样本输出为0。此外，为了反映最近的样本比早先的样本更重要，可适当的将最近的训练样本多复制几份参与训练。复制操作的具体规模和尺度应根据神将网络的实际预测效果进行调整。然后对样本的输入变量进行归一化处理。神经网络的输入变量按如下方式归一化：式中是第个输入变量的评价结果，表示第个输入变量归一化处理后作为神经网络的实际输入值，和表示第个输入变量的下限和上限。这里输入变量的上限统一取100，下限取全体样本输入变量的最小值。激活函数的选择BP神经网络一般选择S型函数作为其激活函数。可选择S型函数的最简形式：训练神经网络。使用BP神经网络训练GPS样本数据的步骤如下：(1)网络训练开始时连接权值为未知数，一般用较小的随机数作为各层连接权值的初始值，随机初始化各层连接权值和阈值；(2)计算隐含层各单元的输入、输出。用输入层的输出、连接权值和阈值计算中间层各单元的输入，再用通过激活函数计算中间层各单元的输出：，(=1,2,…,)；(3)计算输出层各单元的输入、输出。用中间层的输出、连接权值和阈值计算输出层各单元的输入，然后用通过激活函数计算输出层各单元的输出：=；(4)使用以下误差函数，计算网络性能的均方差：；(5)计算输出层各单元的一般化误差。用期望输出和网络实际输出，计算输出层各单元的一般化误差：=()；(6)计算隐含层各单元的一般化误差。用连接权值、输出层的一般化误差和中间层各单元的输出，计算中间层各单元的一般化误差：其中表示输出层结点的误差通过权值向隐含层结点传播成为隐含层结点的误差。(7)调整隐含层和输出层的连接权值，以及输出层阈值。用输出层各单元的一般化误差、中间层各单元的输出修正连接权值和阈值：调整各连接权值：(8)调整输入层和隐含层的连接权值及隐含层阈值。用中间层各单元的一般化误差、输入层各单元的输入修正连接权值和阈值：按下式调整各连接权值：(9)判断学习模式是否训练完。若是，转(10)；否则，转(2)；(10)计算全局误差。判断是否达到指定的误差范围内，若是，转(11)；否则，转(2)；(11)结束学习。网络训练结束，确定当前网络权值和阈值。系统功能设计出租车辅助选路功能设计出租车辅助选路功能的目的是把从全局数据中挖掘出的有用信息呈献给出租车司机，以帮助出租车司机更好的规划自己的行车路线。所以最好的方式是当前的道路状态以量化的方式形象的呈现给司机，最终的选择权仍在司机那里，司机可以结合自己的经验和本功能提供的信息作出综合决策。本功能主要向司机提供下述3类信息：在车辆空载期间，出租车终端显示设备始终显示上一个空车经过同一地点距离现在的时间间隔。通过这一信息出租车司机可以判断出自己是否正在尾随其它空车。在空车接近路口时，重点显示设备会显示出下面的可选路段存在客人的概率，以及上一个空吃经过的时间。司机可以将终端显示窗口切换到全局地图模式，并可以观察所有路段当前有客人在等车的概率。概率越到的路段，其在地图上的亮度也越大。通过这一信息，司机可以了解全市范围内哪些区域的等车乘客密度较高。智能手机叫车服务功能设计出租车的对于一个城市的地位相当于第二公交车，能够方便市民的出行。但是由于出租车的移动性很强，所以乘客叫车已经成了一个问题，特别是在陌生的地方，想要快速的坐上出租车更不是一件易事。基于这个需求我们设计了手机智能叫车系统。现在已经有部分出租车公司已经具有了叫车的功能，但是出租车叫车系统大多基于电话叫车和短信叫车。这种叫车方式存在较多问题：1） 需要部分人工操作，浪费人力。2） 用户体验不佳，没有办法及时得到车辆的反馈。3） 出租车司机也不能及时获取顾客信息，来更快速的完成接客。为了解决以上问题我们设计了在智能手机上运行的智能叫车系统。客户终端具有叫车功能，需要打开手机定位功能，发送乘客位置，乘客人员，和乘客忍受等待时间等信息到云端服务器。出租车终端也需要随时像云服务器发送移动地理位置，是否载客信息。云服务器在已知每个出租车的位置的和是否载客的情况下，得到了客户的叫车信息后，就像最近的n（n由过往的载客经验，和总出租车量确定）辆出租车。由于车辆行驶是需要集中注意力，我们设计了语音系统。提示和操作都是通过语音来执行，尽量最小化对司机注意力的分散。司机在得到乘客叫车信息后，可以用语音进行应答，如果有人应答，这个乘客的请求进入处理状态，其他司机则不需要再前往接取乘客，到此这则乘客叫车信息预处理完成，司机和乘客建立连接，相互转发对方的地址。乘客可以直观的看到出租车司机的动向，出租车司机也可以更方便的找到乘客的位置。如果规定时间无人应答，云服务器自动扩大发送范围，直到有人应答。乘客在得到了司机的行动轨迹后也能放心等待，不必承受等车的焦虑。但是同时考虑到司机的切身利益，我们需要限制乘客的移动范围。我们会在一定间隔获取乘客的地理位置，如果移动范围超过了我们预定的MAXMOVE（最大的移动范围值），服务器会告知司机这次接客终止，司机收到终止信息后也不需要盲目的继续寻找该乘客了。系统是需要注册使用的，所以乘客的乘坐成功与否，和司机的接送成功与否都会影响自己的置信度。乘客信息预发布功能设计乘客除了可以发布自己的即时乘车信息以外，还可以发布预乘车信息，比如，某乘客下午五点开会结束需要乘车，在4点时候可以预发布自己的乘车需求。需要发布自己将要乘车的位置和时间。云端服务器记录该请求，在接近乘客预定的时间时，云服务器查询出附近的出租车发送请求，告诉司机在某地点有很大可能有乘客用户。和手机叫车不同的地方是，该服务是开放性服务，不是一对一。司机可以根据自己的需求选择去或者不去。云端只是分析该地点客户存在的可能性。乘客也可发布群体预乘车信息，比如晚上9点某演唱会结束，到时候个会有大量的乘客需要乘车服务，再者监控中心也可以根据自己得到的信息更佳的发布预乘车信息。到了群体预乘车信息时间点的时候云端，分析乘客密度，计算出需调度车辆数。发送请求，告诉附近司机在该地有演唱会，会有可能有大量客户，为司机提供提示服务，司机自行选择是否前往接客。技术可行性分析从硬件角度看，智能手机和手机上网已经普及，出租车GPS终端设备也已经在部分城市开始使用