基于“互联网+”时代下的出租车资源优化配置研究

姜宝胜 张建建 乔亚娟

【摘要】 基于“互联网+”的融合，对出租车资源配置进行了优化研究. 通过建立改进的多边匹配因素分析模型，将出租车与乘客供求匹配因素分为必须要满足的硬度因素和可协调的软度因素，得到不同时空出租车匹配程度. 将优势补贴方案和公司资本相结合，确定打车软件公司、司机和乘客三者之间的利益平衡点，借助整数规划实现模型的优化.

【关键词】 多边匹配；满意度；整数规划

引 言

随着我国城市化进程的加速，城市交通问题已经成为许多城市面临的难题，而作为主要交通工具的出租车，“打车难”问题日益突出. 在“互联网+”时代的大背景下，运用互联网技术解决打车难问题尤为重要.

一、双边匹配模型的建立与求解

在日常生活中，很多市场都存在一项重要功能，即把市场一方与另一方匹配起来，在经济体系中，一方与另一方之间会形成“集团”或“对”.

如果将乘车供求关系看成是“商品”交换的话，则可以将影响出租车供求信息匹配程度的因素分为两大类：硬性因素和软性因素.

对于乘客硬性因素：必须在规定的时间内到达目的地D 软性因素：等待时间C 费用较小D

对于司机硬性因素：收益最大D 软性因素：乘客所在的区间D 打车时的时间D

图1 属性因素分类分级图

为了能够得到匹配过程中的每对供求信息之间的相对评价信息，也就是说在搜寻匹配供求信息时，一方需要对对方信息进行评价，那么评价指标如何描述和量化，这时可以用“满意度值”来表示，通过满意度的量化，从而得到“供求匹配”程度的高低. 把供应信息对需求信息的满意度用G表示，需求信息对供应信息的满意度用X来表示.确定这个满意度值实际上是一个多目标决策过程，要考虑多种因素，只有当一条供应信息满足了另一条需求信息的硬性期望值，那么，这条供应信息才有可能与需求信息进一步匹配，否则，就会破坏其匹配的稳定性，即“供求匹配”程度低.

现有假设：乘客需求信息集合R={r1，r2，r1，rn}，其中ri表示集合中R第i个信息. 司机供应信息集合S = {s1，s2，…，si，…，sn}（j，m？哿N），其中sj表示集合S中第i个信息.

乘客需求信息的影响因素个数为pr；乘客需求信息ri对司机供应信息sj的总体满意度为Dij；乘客需求信息ri对司机供应信息sj的第k个因素的满意度为D ；乘客需求信息ri对司机供应信息sj的第k个因素的期望值为E ，司机供应信息给出的相应值C .

司机需求信息的影响因素个数为ps；司机供应信息sj对乘客需求信息ri的总体满意度为Dji；司机供应信息sj对乘客需求信息ri的第k个因素的满意度为D ；司机供应信息sj对乘客需求信息ri的第k个因素的期望值为E ，乘客需求信息给出的相应值为C . 讨论乘客需求信息对司机供应信息的满意度值X表示方法：

（1）对于硬度因素D 的满意度值表示方法：

D = 1，满足硬度因素0，否则

（2）对乘车区间因素D 的满意度值表示：

D = ，E ≥C 1，E ≤C

（3）对打车时间因素D 的满意度值表示：

D = ，E ≥C 1，E ≤C

根据双边匹配理论的要求，司机在抢单之前，需要对顾客整体信息集合进行满意度值排序，在这个集合中，排序越靠前，说明与其匹配的可能性就越大. 本文将供应信息sj对需求信息ri的总体满意度值表示为Dji，需求信息ri对供应信息sj的总体满意度表示为Dij，则有：

Dij = ViD ，Dji = VjD .

其中Vi表示需求信息给出的权重 Vi = 1，Vi > 0，表示需求信息属性因素的个数，Vj表示供应信息给出的权重 Vj = 1，Vj > 0，ps表示供应信息属性因素的个数.

二、多边匹配模型的建立与求解

在互联网的背景下，打车软件与传统的招手打车有很大差别. 乘客通过在网络发布自己的乘车信息，司机寻找适合自己的乘客. 这实际上是多对多的关系，彼此双向选择如图2.

对城市繁华程度数据进行分析，通过Matlab软件对数据进行三维坐标处理，得到图3.

结 论

分析选取的清晨0点到12点数据，结果显示出租车匹配数据三维图中，区间繁华程度一定时，上班高峰期（8点到9点）的出租车供求匹配程度为求大于供，且匹配程度低，而7点则相对持平. 其他时段匹配程度为供大于求，且匹配程度高. 时间一定时，繁华地段求大于供且匹配程度高，而较荒凉地区匹配程度低.

结合北上广深四大城市打车难衡量标准，对主流打车软件“滴滴、快的”服务平台进行对比，最终得到缓解打车难的影响值，从而确定打车补贴方案对“缓解打车难”有帮助，但并不长远.