本發(fā)明涉及資源分配，具體為基于云計算的資源動態(tài)分配方法。

背景技術(shù)：

1、在現(xiàn)有打車服務(wù)系統(tǒng)中，尤其是在繁華地區(qū)和高峰時段，用戶常常面臨著極為不便的長時間等待和頻繁的排隊問題。當(dāng)前的傳統(tǒng)系統(tǒng)難以有效應(yīng)對高峰時段的激增交通需求，導(dǎo)致用戶的整體體驗急劇下降，同時也使司機面臨相當(dāng)長的空駛等待時間，大幅降低了整體車輛利用率。

2、在這種現(xiàn)狀下，傳統(tǒng)打車服務(wù)系統(tǒng)未能充分利用云計算和先進(jìn)技術(shù)手段進(jìn)行訂單的智能化分配和優(yōu)化。存在的問題包括系統(tǒng)未能準(zhǔn)確預(yù)測高峰期的訂單需求，導(dǎo)致車輛分配不均，用戶需求難以得到滿足，同時在繁華地區(qū)常見的排隊等待現(xiàn)象也頻繁發(fā)生。此外，司機在等待訂單的過程中，存在大量的空駛時間，不僅極大地減低了車輛的時間利用率，還對環(huán)境造成了不必要的負(fù)擔(dān)。這種現(xiàn)象在繁忙的城市交通中尤為顯著，使得傳統(tǒng)打車服務(wù)體系在高負(fù)載和高需求的環(huán)境中顯得不夠高效和智能。因此，設(shè)計提高車輛利用率以及用戶打車體驗的基于云計算的資源動態(tài)分配方法是很有必要的。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于云計算的資源動態(tài)分配方法，以解決上述背景技術(shù)中提出的問題。

2、為了解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：基于云計算的資源動態(tài)分配系統(tǒng)，該系統(tǒng)的運行方法包括以下步驟：

3、步驟一：通過網(wǎng)格與地圖數(shù)據(jù)實現(xiàn)子區(qū)域劃分及標(biāo)注；

4、步驟二：通過建立區(qū)域打車訂單預(yù)測模型實現(xiàn)用戶訂單預(yù)測；

5、步驟三：通過對用戶訂單進(jìn)行預(yù)測以實現(xiàn)司機空駛時間的最小化；

6、步驟四：進(jìn)行訂單優(yōu)先級排名以及實行用戶反饋。

7、根據(jù)上述技術(shù)方案，所述通過網(wǎng)格與地圖數(shù)據(jù)實現(xiàn)子區(qū)域劃分及標(biāo)注的步驟，包括：

8、系統(tǒng)首先收集當(dāng)前區(qū)域的衛(wèi)星圖像、地圖數(shù)據(jù)和實時交通信息，隨后對收集的數(shù)據(jù)進(jìn)行預(yù)處理后進(jìn)行子區(qū)域劃分，其具體方法如下：首先選擇正方形的網(wǎng)格形狀，然后將地圖數(shù)據(jù)投影到坐標(biāo)系中，隨后將地圖劃分為正方形網(wǎng)格，最后將每個網(wǎng)格與其地理坐標(biāo)關(guān)聯(lián)起來，使每個網(wǎng)格都有唯一的標(biāo)識，在網(wǎng)格劃分完成后，基于各個子區(qū)域歷史訂單數(shù)量，對每個子區(qū)域進(jìn)行高需求和低需求標(biāo)注，通過對每個子區(qū)域歷史訂單數(shù)量的統(tǒng)計，系統(tǒng)計算訂單數(shù)量的平均值，并以此作為閾值，若某一子區(qū)域的訂單數(shù)量高于平均歷史訂單數(shù)量，則將其標(biāo)注為高需求區(qū)域；反之，則標(biāo)注為低需求區(qū)域。

9、根據(jù)上述技術(shù)方案，所述通過建立區(qū)域打車訂單預(yù)測模型實現(xiàn)用戶訂單預(yù)測的步驟，包括：

10、提取與打車需求相關(guān)的關(guān)鍵特征；

11、將訓(xùn)練好的模型部署到實際打車系統(tǒng)中，實現(xiàn)對每個地點和時間段的打車需求的預(yù)測。

12、根據(jù)上述技術(shù)方案，所述提取與打車需求相關(guān)的關(guān)鍵特征的步驟，包括：

13、在云計算平臺上建立專門的存儲空間，用來存放從各個可用數(shù)據(jù)源中獲取的歷史打車訂單數(shù)據(jù)，包括時間、地點、訂單完成時間信息，隨后，對采集的數(shù)據(jù)進(jìn)行特征工程，主要提取以下特征，首先使用時間戳進(jìn)行時間特征提取，主要提取小時和日期，其次進(jìn)行訂單時長計算，使用時間戳數(shù)據(jù)，通過計算訂單創(chuàng)建時間和完成時間之間的時間差，以獲得訂單的時長信息，以及利用時間序列分析方法，在云計算平臺上對歷史訂單數(shù)量的滑動時間窗口統(tǒng)計，這包括使用統(tǒng)計庫對每個時間窗口內(nèi)的訂單數(shù)量進(jìn)行計數(shù)，最后，利用機器學(xué)習(xí)或深度學(xué)習(xí)模型，訓(xùn)練一個事件識別模型，用于識別歷史訂單數(shù)據(jù)中的特殊事件，如國慶節(jié)假日。

14、根據(jù)上述技術(shù)方案，所述將訓(xùn)練好的模型部署到實際打車系統(tǒng)中，實現(xiàn)對每個地點和時間段的打車需求的預(yù)測的步驟，包括：

15、將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，數(shù)據(jù)集為上述步驟所提取的數(shù)據(jù)特征，其中80％的數(shù)據(jù)用于模型訓(xùn)練，20％用于評估模型性能，選擇gbm模型，并配置關(guān)鍵參數(shù)，包括100棵樹、學(xué)習(xí)率為0.1、每棵樹的最大深度為3，這些參數(shù)的選擇是基于對問題的理解和初步的實驗結(jié)果，接下來，使用訓(xùn)練集對gbm模型進(jìn)行了訓(xùn)練，模型逐漸學(xué)習(xí)歷史訂單數(shù)據(jù)中的復(fù)雜關(guān)系，用于更準(zhǔn)確地預(yù)測未來的打車需求，在訓(xùn)練完成后，將模型應(yīng)用于測試集，通過評估指標(biāo)如均方根誤差來衡量模型在測試數(shù)據(jù)上的性能，而且通過分析模型的輸出，可以理解哪些特征對于預(yù)測打車需求最為重要，最后使用驗證集對模型進(jìn)行驗證，確保其在新數(shù)據(jù)上的泛化能力，最終，當(dāng)模型在測試階段表現(xiàn)良好，便將其部署到實際的打車系統(tǒng)中，在實時應(yīng)用中，模型可以提供對每個地點和時間段的打車需求的預(yù)測，從而幫助系統(tǒng)智能地分配司機資源，提高服務(wù)效率和用戶體驗。

16、根據(jù)上述技術(shù)方案，所述通過對用戶訂單進(jìn)行預(yù)測以實現(xiàn)司機空駛時間的最小化的步驟，包括：

17、設(shè)定最小化司機空駛時間為優(yōu)化目標(biāo)；

18、整合實時交通信息，為司機提供避開擁堵路段的最優(yōu)路徑。

19、根據(jù)上述技術(shù)方案，所述設(shè)定最小化司機空駛時間為優(yōu)化目標(biāo)的步驟，包括：

20、智能派單算法的優(yōu)化目標(biāo)可以用以下數(shù)學(xué)公式表示，其中考慮了最小化司機的空駛時間：空駛時間i，目標(biāo)函數(shù)包括了所有司機的空駛時間，n為司機數(shù)量，空駛時間i表示第i位司機的空駛時間，在派單時，系統(tǒng)通過實時監(jiān)控訂單需求和司機位置，確保司機在完成訂單后能夠迅速接到下一個訂單，這涉及到智能派單算法的實時決策，將司機引導(dǎo)至最有可能有新訂單的區(qū)域，該算法的決策基于訂單的實時性、地理位置和預(yù)測模型的輸出，系統(tǒng)在系統(tǒng)層面采用實時訂單需求地圖，動態(tài)監(jiān)控各區(qū)域的訂單情況，以預(yù)測訂單密度較高的地方，從而減少司機的空閑等待時間。

21、根據(jù)上述技術(shù)方案，所述整合實時交通信息，為司機提供避開擁堵路段的最優(yōu)路徑的步驟，包括：

22、同時，系統(tǒng)通過云端計算資源高效處理和利用交通流數(shù)據(jù)和實時地圖信息，結(jié)合智能導(dǎo)航系統(tǒng)，為司機提供避開擁堵路段的最優(yōu)路徑，在公式中，表示為：行駛時間j，其中，m為路徑上的路段數(shù)量，行駛時間j表示第j個路段的行駛時間，最后，系統(tǒng)實時監(jiān)控訂單狀況和司機位置，動態(tài)調(diào)整派送策略以適應(yīng)不同的交通和訂單需求情況，在高峰期或特殊事件發(fā)生時，即時調(diào)整派送算法，重新評估司機分配策略，以應(yīng)對交通擁堵或訂單激增情況。

23、根據(jù)上述技術(shù)方案，所述進(jìn)行訂單優(yōu)先級排名以及實行用戶反饋的步驟，包括：

24、系統(tǒng)通過步驟二訓(xùn)練的預(yù)測模型，檢測到某個子區(qū)域即將迎來高峰期，系統(tǒng)隨即開始針對低需求區(qū)域進(jìn)行訂單引導(dǎo)，具體而言，訂單引導(dǎo)的實現(xiàn)方式包括對訂單的優(yōu)先級排名，系統(tǒng)會根據(jù)距離高需求區(qū)域的遠(yuǎn)近，為每個訂單分配優(yōu)先級，距離高需求區(qū)域更近的訂單將具有更高的優(yōu)先級，此外，系統(tǒng)還參考排隊時間的優(yōu)先級，以避免長時間等待，即：優(yōu)先級＝α×距離優(yōu)先級+(1-α)×?xí)r間優(yōu)先級，其中，α為權(quán)衡距離和時間的權(quán)重，可根據(jù)實際情況進(jìn)行調(diào)整，結(jié)合這些優(yōu)先級信息，系統(tǒng)進(jìn)行智能派單，確保在訂單引導(dǎo)過程中優(yōu)先考慮低需求區(qū)域的訂單，這需要對智能派單算法進(jìn)行適度調(diào)整，使其在訂單引導(dǎo)期間更加靈活。

25、根據(jù)上述技術(shù)方案，所述該系統(tǒng)包括：

26、地域劃分與標(biāo)注模塊，用于為后續(xù)基于云計算的資源動態(tài)分配提供可靠的地理基礎(chǔ)，確保系統(tǒng)能夠智能地識別和響應(yīng)不同子區(qū)域的需求；

27、打車訂單預(yù)測與派送優(yōu)化模塊，用于建立區(qū)域級別的打車訂單預(yù)測模型，并通過優(yōu)化派送算法提高司機車輛的利用率；

28、智能分配與實時優(yōu)化模塊，用于通過智能派單算法最小化司機的空駛時間，結(jié)合實時訂單需求地圖、交通信息和動態(tài)調(diào)整策略，實現(xiàn)訂單的智能分配和實時優(yōu)化。

29、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果是：本發(fā)明，通過采集地圖數(shù)據(jù)、劃分子區(qū)域，并結(jié)合云計算資源，實現(xiàn)了精準(zhǔn)的地域劃分和高低需求標(biāo)注，通過建立區(qū)域級別的訂單預(yù)測模型和優(yōu)化派送算法，充分利用云端計算能力提高司機車輛的利用率，系統(tǒng)還引入訂單引導(dǎo)機制和動態(tài)車輛調(diào)配，根據(jù)預(yù)測模型檢測高需求子區(qū)域并靈活調(diào)配車輛資源，最后，通過用戶反饋數(shù)據(jù)和云端分析，不斷優(yōu)化預(yù)測模型和派送算法，以提升系統(tǒng)對用戶需求的準(zhǔn)確響應(yīng)和優(yōu)化用戶體驗，這一整套系統(tǒng)架構(gòu)和方法，基于云計算平臺，為打車服務(wù)提供了高效、智能和個性化的解決方案。