大数据平台下出租车资源配置分析及优化.docVIP

大数据平台下出租车资源配置分析及优化 　　摘要：随着人民生活水平的提高，出租车已经成为城市居民重要的交通工具，但出租车资源供求匹配矛盾也日益突出。大数据时代的到来为解决出租车资源配置问题提供了新思路。本文选取苍穹滴滴快的智能出行平台、高德LBS开放平台、易观智库等大数据平台，结合一些大数据研究机构对当今出租车资源配置问题的判断，对出租车资源配置情况进行了分析，并提出优化方案。 　　关键词：大数据平台；出租车行业；资源配置优化 　　随着我国城乡居民整体生活水平的提升，出租车在城市交通中所占份额不断提高，呈现与公共汽车等其他交通工具竞争的趋势。此外，随着科技的不断进步，打车软件如滴滴打车、Uber等已被大范围推广与接受，移动互联网实现了司机与乘客的信息互通。然而，由于出租车行业面临着巨大的资源配置问题，“打车难”的现象随处可见，诸如司机拒载、恶意抬价、出租车调配系统落后等问题更是恶化了供需矛盾。 　　大数据时代的到来为解决出租车资源配置问题提供了新思路。通过分析大数据，构建出租车资源配置模型，平衡资源配置，可以缓解人们“打车难”的问题。根据比达（BDR）数据中心数据，滴滴和快的公司占据互联网软件服务平台90%以上的市场，故此我们选取苍穹滴滴快的智能出行平台、高德LBS开放平台、易观智库等大数据平台，结合一些大数据研究机构对当今出租车资源配置问题的判断，对出租车资源配置情况进行了分析，并提出优化方案。 　　苍穹滴滴快的智能出行平台含有全国用车情况和重要城市情况两大部分，每部分又可以查询相关城市的打车难易度、打车需求量和被抢单时间。除此之外，它还提供了十大重要城市的车费及出租车出行轨迹。平台下方展示了近一周来城市的打车情况，时间精确到小时。由于仅从网页只能看到平台所展示的众多表象，我们无法直观地看到原始数据并进行更多研究。 　　为了满足对时间和空间分布的需求，我们选取北京、上海和西安三个主要城市2015年9月5日～9月11日且每个城市每天均选取100、800、1200、1800、2200这五个时间段进行分析。 　　对散点数据进行面差值并汇出热力图，我们可以得出以下结论： 　　1.1：00和22：00这两个时间段的匹配度明显高于8：00、12：00和18：00这三个时间段的匹配度。由此可以看出，早中晚的上下班高峰时间由于乘客需求量变大，出租车的资源匹配程度往往低于一般的时间段。 　　2.2015年9月5日和9月6日的出租车匹配程度略低于其余时间。由此可见，由于假期出行人员数量增多，双休日出租车的供求匹配度低于工作日。 　　3.北京、上海的出租车匹配程度相当，而西安的匹配度明显高于前两个城市。这说明了即使北京上海经济发展比西安更迅速，但是伴随而来的商业繁华地区出租车供不应求的问题却困扰着这类大型都市。 　　为解决现实生活中“打车难”的问题，各大公司纷纷推出打车服务软件，致力于解决司机与乘客之间关联匹配的问题。下面通过蒙特卡洛模拟实验来说明打车软件对出租车资源配置的影响。 　　该模拟满足如下几个条件： 　　1.在未使用打车软件时，由于司机无法判断乘客所在地，只能采取随机游走路线。 　　2.使用打车软件后，司机能够采取最佳路线驶向乘客。 　　3.假设出租车速度基本一致，出租车每小时能行驶的最大路程为R。 　　下面阐述试验步骤： 　　1.不使用打车软件时，在以乘客所在点为圆心的单位圆内随机取10个点，即为出租车的分布点。 　　2.以上述步骤中每个点为圆心，做半径为R的圆，即为出租车单位时间后所在位置。 　　3.计算以乘客为圆心，半径为r的圆内出租车数量，记为d1。 　　4.在使用打车软件时，在以乘客所在点为圆心的单位圆内随机取1个点，重复步骤2-3的内容。并计算以乘客为圆心，半径为r的圆内出租车数量为d2。 　　5.统计d2d1的次数，对比其与d1d2，d1=d2的关系。 　　通过求解模型后我们可以发现： 　　由于d1d2的次数占全部情况的大半部分且几乎没有d1d2的情况，故我们可以认为打车软件对缓解“打车难”的问题有显著效果。事实上，这类软件拥有较强的监控匹配能力且能够充分解析人们的心理，能合理采用打车补贴的方式促进司机和乘客的匹配。 　　除去我们分别采用传统研究方法和大数据平台挖掘方法得到的结论，一些大型研究机构也对当今出租车资源配置做出了如下的判断： 　　自打车软件出现以来，社会上存在的一个普遍问题是：司机都不愿意接受打车距离过近、打车路段偏远或者是易堵车路段的订单，这给处于最差处境的乘客们带来了很多困扰，“打车难”问题没有得到解决。因此，2014年12月滴滴打车推出滴米调度系统，该系统可以补偿司机接受的这类被认为是“差”的订单所带来的损失，该措施一定程度上缓解了此类社会问题。 　　参