互联网+”时代的出租车资源配置
关于互联网时代的出租车资源配置的研究
一些互联网平台和出租车公司已经尝试并实践了基于互联网的出租车资源配 置模式，取得了不错的效果和反响。
04
互联网时代出租车资源配置的优化策略
基于大数据分析的出租车资源配置优化
乘客需求预测
利用大数据分析技术，对历年乘客需求数 据进行挖掘，结合时间、季节、天气等因 素，构建预测模型，提前预测未来乘客需 求，为资源配置提供决策依据。
通过研究互联网时代的出租车资源配置，可以提供更灵活、更便捷、更优质的出行服务。
缓解城市交通拥堵问题
通过优化资源配置，可以减少车辆空驶和拥堵现象，缓解城市交通压力。
提升传统出租车行业的竞争力
通过改进传统出租车行业的运营模式和服务质量，可以增强其市场竞争力，提高行业整体水平。
研究目的
要点一
研究互联网时代出租 车资源配置的现…
互联网对出租车行业的影响
传统出租车行业现状
传统的出租车行业存在着服务供给不足、资源浪费等问题，同时存在着信息 不对称和运力不均等问题。
互联网对出租车行业的影响
互联网技术的应用改变了出租车行业的发展模式和服务方式，提高了出租车 的服务供给能力和资源利用效率，解决了传统出租车行业的一些痛点。
互联网平台对出租车资源配置的作用
互联网约车平台的出现可以更好 地满足人们的出行需求，增加了 出行便利性。
缓解交通拥堵
新型出租车的兴起可以缓解交通 拥堵状况，因为这些车辆通常采 用更加智能化的路径规划和管理 方式。
提高公共交通使用率
互联网约车平台的出现可以更好 地满足人们的出行需求，从而减 少了对公共交通的依赖，提高了 公共交通使用率。
中国出租车市场规模
提供中国出租车行业的市场规模，包括线上和线下市场规模，并分析市场规模的 构成。
2015年高教杯大学生数学建模竞赛省奖论文
5
图 2 出租车空载率与出租车需求数量之间的关系图 汽车空载率是通过在人流量较为密集的区域选取几个观测点， 对单位时间通 过道路的空载出租车数量占总通过出租车数量的比值，计算公式为： N （5.3） K 1 100% N 根据我国城市出租车管理协会对国内外一些城市的调查统计得出， 当出租车 的空载率在 30%左右时，城市出租车客运需求和供应几乎达到供求匹配状态，此 时出租车资源能够得到合理地利用，出行行人可以在较合理的时间内打上车，从 而达到整体的一个供求平衡的目的。 5.2 模型求解 本文采用问卷的形式对乘客能够接受最长等待时间进行调查， 调查对象是城 市街道中随机遇到的人群。 芜湖市民打车可接受等车时间调查 调查姓名_______________调查时间__________________调查________________
2
§3 模型的假设
1.出租车不会拒载、搭顺风车等情况 2.城市出行人数不受节假日、天气等不可抗拒因素影响 3.出租车均烧汽油 4.出租车驾驶员的支出只有交给出租车公司的份子钱和油耗 5.出租车每公里的油耗相同 6.每位乘客每次乘出租车行驶距离不超过 30 公里 7.忽略出租车每月维修、维护、保险等费用 8.汽车的油价认定为 6 元每升
1. 请问，您乘坐出租车等候的时间一般是 A.5 分钟以内 B.5—10 分钟
? D. 15—20 分钟
C. 10—15 分钟
2. 请问，您可以接受的等车时间__________?
最后，需要了解您部分个人情况，仅供资料分析，希望可以得到您的理解和配合。 Q1.记录被访者性别： 男 女 Q2.请问你的年龄______________ Q3.请问你的工作性质______________
§2 问题的分析
2022年数模国赛论文B题-2
2022年数模国赛论文B题-2“互联网+”时代的出租车资源配置摘要关键词：主成分分析法、供求平衡阀法、对比比值法一、问题的重述二、问题分析三、模型的假设与符号说明1、模型假设2、符号说明四、模型建立与求解2.2.1指标体系的建立城市出租车合理运力规模万人拥有量里程利用率空载率居民出行量居民出行量乘客平均等乘客平均车时间等车时间1）万人拥有量:该项指标反映了城市出租车的客观需求。
依据国内外各大城市的经验,城市出租车万人拥有量应介于20-30辆之间,此时能表现出较好的市场接受度。
2）里程利用率:指出租车正常运营过程中一定时间内载客行驶里程占总行驶里程的百分比,其计算公式为:里程利用率=营运载客里程100%总行驶里程3）出租车空载率:是反映出租车营运状况的一个重要指标,其计算公式为:出租车空载率=出租车空车数量100%行驶中的出租车总量4）乘客平均等车时间:指乘客在选择出租车出行的时候等候出租车辆的平均时间,单位为min,其计算公式为:乘客平均等车时间=等车时间总候车次数5）居民出行量：指居民在单位时间内出行人数主成分分析法也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。
2、主成分分析法的算法步骤2.1原始指标数据的标准化设有n个样本,p项指标,可得数据矩阵某(某ij)n某p,i1,2,...,n 表示n个样本,j=1,2,...,p表示p个指标,某ij表示第i个样本的第j 项指标值.用Zcore法对数据进行标准化变换:Zij(某ij某j)/Sj式中,某j(某)/niji1nSj(某ij某j)21/(n1)2i1ni1,2,...,nj1,2,...,p2.2求指标数据的相关矩阵R(rjk)p某pj1,2,...,pk1,2,...,prjk为指标j与指标k的相关系数.1nrjk[(某ij某j)/Sj][(某ik某k)2/Sk]n1i11n即rjkZijZjk有rij1，rjkrkjn1i1i1,2,...,nj1,2,...,pk1,2,...,p2.3求相关矩阵R的特征根特征向量,确定主成分由特征方程式Ip,可求得的p个特征根g(g1,2,...,p),1将其按大小顺序排列为12p,它是主成分的方差,它的大小描述了各个主成分在描述对象上所起作用的大小。
2015年全国大学生数学建模竞赛B题国一优秀论文
2.1 概论 目前城市“打车难”的社会问题导致越来越多的打车软件出现在市场上。以
此为背景，我们需要首先分析影响出租车资源的“供求匹配”程度的因素，进而 分析现已出台的补贴政策是否能够通过调整“供求匹配”程度进而缓解“打车难” 的现象，并在最后提出了我们自己关于补贴方案的想法。 2.2 问题一分析
0.70
0.53
0.66
0.68
0.40
0.86
0.71
0.71
0.84
0.82
0.88
0.91
0.66
0.68
0.84
0.79
6
2.被抢单时间 t 被抢单时间 t 表示客户使用打车软件下单后被司机接单的时间，可在一定程 度上反映打车难易程度。在滴滴快的打车智能出行平台上，基于需要研究的三个
时间段，采集西安的被抢单时间 t，制作表格如下：
火车站 121.23 142.45 219.44 161.04 210.23 231.67 278.93 240.28 198.67 245.92 221.38 221.99
北大街 67.23 107.52 98.23 90.99 72.92 82.98 187.23 114.38 63.95 145.23 98.25 102.48
小寨 62.19 78.31 103.20 81.23 136.25 178.27 162.73 159.08 83.82 103.27 121.93 103.01
西安交大 子午大道
47.21
43.98
82.34
64.53
102.34 65.92
77.30
58.14
121.94 67.74
167.42 93.03
数学建模期末论文“互联网”时代的出租车资源配置
数学建模期末论文“互联网”时代的出租车资源配置引言出租车服务在现代城市中起着至关重要的作用。
然而，在传统的出租车服务模式下，资源的配置通常是不够高效和经济的。
随着互联网的发展，出租车服务也出现了一些创新的解决方案，其中包括利用互联网技术来改善出租车资源的配置。
本文将探讨如何在“互联网”时代中最佳地配置出租车资源。
背景在传统的出租车服务模式下，出租车司机通常会巡游城市中的街道，等待乘客的召唤。
这种模式存在一些问题，例如资源利用率低下、等待时间长等。
随着互联网技术的发展，出现了一些新的出租车服务平台，如滴滴出行，通过互联网平台连接乘客和司机，实现出租车资源的高效配置。
模型建立在研究出租车资源配置的问题时，我们需要考虑到多个因素，包括乘客的需求、司机的路线选择和交通状况等。
为了简化问题，我们可以使用数学建模的方法来建立模型。
以下是我们建立的数学模型：输入变量•乘客的位置和目的地•司机的初始位置•出租车司机的数量输出变量•司机的路线选择•乘客等待时间•出租车资源利用率假设•出租车司机以最短路径的方式前往乘客的位置•乘客之间是独立的，即乘客之间不会相互干扰•交通状况不会导致司机无法按照最短路径到达目的地模型公式我们可以使用以下公式来表示出租车资源配置的问题：minimize: ∑(wait_time_i)subject to: ∑(car_utilization_i) = total_cars其中，wait_time_i表示第i个乘客的等待时间，car_utilization_i表示第i个出租车的资源利用率，total_cars表示总出租车数量。
求解方法对于上述建立的模型，我们可以使用线性规划或模拟退火等方法来求解最优解。
这些方法可以通过计算机程序来实现。
线性规划线性规划是一种数学优化方法，可以用来解决具有线性约束条件的最优化问题。
我们可以将上述模型转化为线性规划问题，然后使用线性规划算法求解最优解。
模拟退火模拟退火是一种启发式搜索算法，可以用来求解组合优化问题。
2022年数模国赛论文B题-1
2022年数模国赛论文B题-1互联网时代的出租车资源配置摘要出租车是市民出行的重要交通工具之一，“打车难”是人们关注的一个社会热点问题。
随着互联网时代的到来，很多家出租车公司建立了自己的打车软件服务平台，打车软件服务平台也走进了人们的生活，增加了交易机会，实现了乘客与出租车司机之间的信息互通，同时推出了多种出租车的补贴方案。
我们通过建立合适的数学模型来分析如今的补贴方案是否能缓解打车难的问题。
针对问题一，为了将“供求匹配程度”这一抽象的概念进行定量研究，我们试图建立出租车万人拥有量、空驶率、乘客等车时间、里程利用率等四个指标结合经济学的角度来进行问题的分析，并基于层次分析模型进行模糊综合评价来分析不同时空出租车资源的“供求匹配”程度。
针对问题二，要求我们分析各公司的出租车补贴方案是否对缓解打车难问题有帮助，我们利用数学期望假设检验的方法，主要通过对使用打车软件前后乘客平均等车时间和出租车司机驾车空驶率两个因素的分析，验证出租车补贴方案是否对缓解打车难问题，并验证了这些打车软件服务平台和出台的相应的出租车及乘客补贴政策提高了打车双方的积极性，对缓解“打车难”的问题起到了一定的帮助。
针对问题三，建立一个新的打车软件服务平台首先应该考虑在缓解“打车难“这个难题基础上，增加其核心竞争力，再充分汲取现有打车软件服务平台的优点，寻找背后合作伙伴，在初期实施一些大型的优惠补贴政策，吸引客户，并抢占市场份额。
这就需要我们设计出自己的补贴方案，与在原来的补贴方案下相关数据进行比较，分析原来的补贴数目，做出相应的调整。
并进行试验，从而得出其合理性。
关键词：层次分析法，模糊综合评价法，经济学，数学期望假设检验一、问题重述随着人民生活水平的日益提高，出行乘坐出租汽车的人越来越多。
但是，在许多大城市中，打车已经变得越来越难，特别是在上下班高峰期和恶劣天气时更是“一车难求”。
出租车是市民出行的重要交通工具之一，“打车难”是人们关注的一个社会热点问题。
互联网+”时代的出租车资源配置--数学建模优秀论文44
西安邮电大学(理学院)数学建模报告题目：“互联网+”时代的出租车资源配置问题班级：信息工程1403学号：********姓名：***成绩：2016年6月30日关于“互联网+”时代的出租车资源配置模型摘要本文以互联网+打车软件服务平台为背景，根据“打车难”现象，分别建立了出 租车需求模型， Borda 综合评价模型，排队论模型和多元回归模型，分别求出了出 租车需求函数，乘客等待概率函数和多元回归函数。
针对问题一：本文通过网络，收集了淮南市某周出租车运营相关数据(见表 1)， 选取了空载率、满载率、乘客满意度、实际出租车需求量等 4 个指标，通过出租车 需求函数计算出实际出租车需求量 2330 辆，运用 Borda 计算法得出该地区出租车 资源的”供求匹配“程度为 0.61，匹配程度偏差。
针对问题二：就出租车运行效率 μ 和乘客乘车率 λ 建立 M / M / n / ∞ / ∞ 排队模 型。
得到乘客等待概率函数：⎧ 1 ( λ )np n ≤ c ⎪⎪ p n = ⎨n ! μ 0 ⎪ 1 1 ( λ )n p n > c⎪⎩ c ! cn -cμ 对函数进行数学分析和数据代入检验得出 P n 0与 μ 呈负相关，即随着 μ 的增大 P n减小。
（ P n 代表乘客等待概率）结合滴滴打车公司补贴方案、社会实际现象和相关评 论，综合得出一定的补贴对出租车运行效率 μ 有促进效果，即对缓解打车难有帮助。
针对问题三：建立了司机平均补贴金额 y ，有效行驶里程 x 1 和全天载客次数 x 2 的多元回归模型，采用 MATLAB 软件，拟合得到 y = 5.9305 + 0.0347x 1 + 0.4799x 2 ，拟 合决定系数 R 2 =0.9381。
有效行驶里程每增加 100 公里，每天补贴金额多 3.47 元。
全天载客次数增加 10 次，补贴金额多 4.79 元，高于之前打车软件。
本文主要特点在于所建模型易于操作，在对原始数据进行简单预处理后，就可 应用于模型求解。
“互联网+”时代的出租车资源配置模型
“互联网+”时代的出租车资源配置模型随着互联网技术的快速进步和智能手机的普及应用，传统出租车行业在过去几年中发生了巨大的变化。
在“互联网+”时代，出租车资源的合理配置变得尤为重要，以满足人们对于出行的需求，提高出行效率，降低交通拥堵，并推动城市交通的可持续进步。
本文将盘绕展开论述，探讨其特点、优势和挑战，以及将来进步的可能性。
一、的特点1. 个性化服务：通过互联网技术，出租车企业可以依据用户的需求进行智能化调度和资源配置，提供更加个性化的出行服务。
用户可以通过手机App随时预约出租车，选择车型、司机等等，从而享受到更加便捷、舒适的出行体验。
2. 实时监控和调度：出租车企业可以通过GPS定位和云计算技术实时监控和调度车辆，防止空车行驶、重复竞争等问题，提高车辆利用率和效率。
同时，司机也可以通过挪动终端实时接收调度信息，缩减等待时间和空驶里程。
3. 数据驱动决策：通过对大数据的采集、处理和分析，出租车企业可以更好地了解用户需求，优化车辆调度和路线选择，实现合理的资源分配。
同时，政府和交通管理部门也可以通过大数据分析，优化交通规划，缩减拥堵和交通事故发生的可能性。
二、的优势1. 提高效率：通过个性化服务和实时调度，出租车企业可以提高车辆利用率和运输效率，降低用户等待时间，提高出行效率。
同时，车辆的优化调度也可以缩减空驶里程，降低油耗和排放，实现节能环保。
2. 优化用户体验：个性化服务的提供，可以满足用户对于出行的各种需求，提供更加舒适、安全的出行体验。
同时，用户可以通过手机App实时了解车辆位置和估计到达时间，提前做好出行筹办，防止等待。
3. 增进共享经济：通过，可以实现出租车的共享和利用率的提升。
例如，通过拼车功能，多个用户可以共享一辆出租车，缩减了车辆数量和交通拥堵，推动城市交通的可持续进步。
三、面临的挑战1. 需要政府的政策支持和监管：出租车资源的合理配置需要政府的政策支持和监管，例如出租车配额管理、拼车服务的规范等等。
2015年数学建模B题全国一等奖论文
精心整理“互联网+”时代的出租车资源配置模型摘要本文针对城市出租车资源配置问题，采用定性与定量相结合的研究方法，建立衡量出租车供求匹配程度的指标，分析打车软件各种补贴方案对所建指标的影响，在充分考虑各方利益的前提下，得到打车软件的最优补贴方案，对城市出租车行业资源优化配置、持续良性发展具有一定的参考意义。
软件公司三方的满意度，利用熵值法确定这三方各自满意度的权重，将三方满意度加权之和作为综合满意度，进而以综合满意度为目标函数，以打车软件对出租车司机每单补贴金额为控制变量，以补贴金额设置的范围为约束条件建立优化模型。
遍历所有可能的方案得到最优补贴方案为对出租车司机每单补贴9元,综合满意度为0.5710。
关键词：聚类分析；回归分析；灰色预测；阻滞增长模型；熵值法；最优化一、问题重述随着经济的发展，近年来，人们对出行的要求不断提高，城市出租车以其方便、快捷、舒适和私密性的特点成为越来越多人的出行选择。
但是，国内各大城市交通问题日趋严重，“打车难”也是人们关注的一个社会热点问题。
数据显示，包括上海、杭州等众多大城市，出租车非高峰期的空驶率始终在30%上下徘徊，而高峰期却打不到车。
这与众多市民反映的打车难背后所隐藏的强烈需求看似形成了一个矛盾。
究其原因，最主要的莫过于司机与乘客需求信息不对称，缺乏及时沟通交流的平台。
通过查阅文献可以确定居民出行选择出租车作为出行方式的比例从而，计算得出城市的出租车运输量的需求量。
然后根据供需平衡法预测出城市出租车需求量。
将城市实际出租车数量与城市出租车需求数量作比，得到衡量出租车资源的供求匹配程度的指标即供求匹配率。
对未来城市的出租需求量进行灰色关联预测，得到未来城市的出租需求量，通过计算不同城市的出租车需求量，进行不同时空的出租车资源供求匹配的分析。
对于各公司的出租车补贴方案是否对“缓解打车难”有帮助问题，由于难以得到各公司不同时间的补贴方案对居民打车难度的实际影响效果数据，我们从公司对每单的补贴金额入手，分析每单补贴金额范围为0～15元，认为补贴金额再高对公司利益有较大损失。
数学建模B题
B题“互联网+”时代的出租车资源配置摘要本文针对现代生活中“打车难”这一问题，寻找引起其发生的主要因素，并在此基础上建立了与之相对应的打车软件服务信息平台，提出了最优控制策略，最后通过对深圳市出租车辆的调查做出了具体检验措施，验证出此模型的合理性。
针对问题一，本文首先运用层次分析方法，筛选出四至五个相对合理的指标以此来评判出对出租车供求的影响；其次运用SPSS软件对这些指标的数据进行预处理，应用主成分分析法从中再次筛选出三个重要指标，分别得出深圳市和佛山市供给量与需求量与对应三个重要指标间的关系，并利用MATLAB软件绘制供求量随影响因素变化的模型。
利用灰色预测模型来分别预测未来几年深圳市和佛山市供给量与需求量发展趋势，验证其匹配状况，进而解决不同时间下的匹配度问题。
运用灵敏度分析法，修正误差，完善模型。
针对问题二，考虑到出租车补贴主要为燃油补贴，由问题一的模型可知，燃油价格因素直接影响了供给量，通过问题一得出出租车补贴方案对缓解打车难有明显影响。
针对问题三，在软件平台建立上，为实现匹配度最佳，基于打车者与出租车距离最短，等待时间最短，首先利用图论的知识找出最短路径，进而运用改进的遗传算法求出最短时间，寻求到最优方案。
其次根据空载量，分情况讨论具体补贴方案。
最后根据GPS定位数据随机选取出“滴滴打车”某一时间内的经纬度，对以上服务信息平台进行检验，得出该平台较之前具有更好的合理性。
关键词：主成分分析灰色预测模型SPSS数据处理遗传算法一、问题重述随着经济的快速发展，人口密度的增大，“打车难”已成为全国大部分城市所面临的主要问题，人们均是采取“招手打车”方式，这不仅降低了司机载客量，而且对顾客来说，也浪费了很多时间。
现在出现了“滴滴打车”，“快的打车”等软件服务平台，让人们利用“互联网+”方便快捷地打到车。
而我们这个模型的主要目的既是通过搜集相关合理数据，从而进行以下问题的讨论。
1.寻找合适指标，建立数学模型，分析在不同时间地点的出租车需求量以及供应量之间的匹配程度。
“互联网+”时代的出租车配置的研究
流， 在 打车软件公 司不 断推 出新的补 贴政策让 市民受惠 的同时 ， 如何 正确的利 用打车软件合 理 的配置 出租 车资源也 成为 需要 思考 的问题 。我们通过对所 查数 据的分析 、 整合 ， 找到 可以表 示 出打 车难 易度 的指标 以及 影 响打 车难 易度 的主要 影响 因素 ， 建立 出租 车 的运 量投放 模型 ， 利用车辆 满载 率和 乘客 等待 时间的关 系， 加入各 公 司补贴政 策 因素 ， 间接 表示 出打车软件公 司对“ 缓 解打 车难” 所
起到 的作用不是特 别明显。
关键 词 ： 运 量投放 模型 ； 车辆满载率 ； 乘客 等待时 间
随着社会 的发展 ， 我 们进 去以大 数据 出租 车运 营过程 中的燃 油费用 （ Ａ ） 、 车 运营 情况 ， 就需 要 动态 分布 ， 动态 分布 为背景 的时代 ， 大 数据 时代也 引发 了许 多 车 辆 的损 耗 （ Ａ ） 以及 出 租车 所 花费 的 费 表现出了各个采样时刻的出租车运营状 服 务平 台 ， 打 车软 件就是 依托互联 网建 立 用 （ Ａ ３ ） 为主 要的 运营成 本 ， 将出租 车运行 态 ， 可 以针 对 某一 个参 数进 行分 析 ， 围观 的服务 平台 ， 在打 车软件公 司推 出补贴 方 的收入 （ Ｂ ） 和 所花费 的费用 进行 方程表 示 调控 ， 在其 他 条件 不变 的情 况 下 ， 当 车辆 案 同时 ， 也 产 生许 多社 会热 点问题 ， 影 响 Ｅ ＝ Ａ 。 ＋ Ａ ＋ Ａ 。 在 出 租 车运 营 过 程 中有 很 多 满载率增 加过 多的时候 ， 出租 车资源 会供 着 我们 的生活 。下面建 立合 适的模 型 ， 解 影响 因素 ，模型 假设 中将其忽 略不计 ， 将 不应 求 ， 应 该加 大 投放 量 ， 确 保满 载 率稳 决 出租车 补贴方 案能否 缓解 “ 打 车难 ” 的 出租车运 营过程 进行 简化 ， 方便模 型的建 定在 一个稳 定的参 数 ， 使 顾客 、 司机 、 出租 问题 ？ 立， 在 这样 的条 件 下 ， 可 以表 示出 一个 周 车公 司都 处于一个相对稳定 的水平 。 我 们假 设 不考 虑 自然 因 素对 出租 车 期 内的出租车 运营费用情 况（ 为车辆行 静态 方程 以 及 车辆 满 载率 的 动态 分 的影 响 、 道路发 生交通 事故对 出租 车的影 驶 平 均速 度 ； Ｔ为时 间 周期 ； 为 每公 里 布 能够 基 本的推 导 出乘 客等 待 时 间的 关 响； 不考 虑打车 软件发 生故障 对出租 车 的 耗油 费 ； Ｂ 为汽油价格 ； ｗ为 出租 车运价 ； 系 ， 分析 出 出租 车 目前 的运营 情况 ， 探 究 影 响 ；其它 影 响供 求 关系 的 因素 忽 略不 Ｃ为 出租 车公 司管理费用 ； ） ： 在 出租车运营 过程 中 ， 各影 响 因素 之 间的 Ｅ ＝ Ｔ （ １ ） ・ Ｖ ・ Ｗ 计； 不 考 虑驾 驶 员主 观 因素 的影 响 ； 流 动 关系 。通 过定 量分析 ， 固 定某些 因素探 究 人 口使 用 出租 车 出行和 固 定 人 口使用 出 Ａ： 主要 因素的影 响程度 ，建立模 型框 架 ， 观 Ｔ ． Ａ２ ＋ Ｔ ． ６＋ Ｔ ・ Ｂ ＋ Ｃ 租 车 出行 时间耗时 相同 ； 研究 的出租 车类 测探 究因素 的动态变化 ， 但是 模型 中 由于 型一样 ； 出租 车运 营成本 与车辆满 载率 之 将两个式子合 并得到 忽略 了很多影 响因素 ， 所 以得出 的结果 可 １ ） ． ｖ ． ｗ ： Ａ ， ＋ （ ） ： ！ ： Ｂ＋ 间 的影 响忽 略 不计 ； 出租 车投 放 量 、 运 价 （ 能会有 相对较 大的误差 ， 不过 基本 的发展 Ｔ・ Ｂ ＋ Ｃ ０ｃ 水平 、 城市发达 程度保持不变 。 趋 势不会受到很大影响 。 将方程 化 简 可以 得 出运 价和 车 辆平 在 出租 车运 营过程 中 ， 对一个 城市 而 在 备个 打 车软 件公 司 发布 各 种打 车 均满载率 、 消耗 费用之间的关系 言， 乘客 的等待 时 间短 ， 就说 明 城市 的数 补 贴方案 的同 时 ， 根据我 们列 出的静 态方 量 明显过 多 （ 出租车 资源供 大于 求 ） ， 乘 客 ｗ＝ ＋ Ｂ 程 给出的 车辆满载 率和运 价 、 费用 等关系 的 需求可 以被满 足 ， 出租车 的车辆 满载率 化简得 中可 以看 出 ， 运 价在 方程 中被 约 掉 ， 而各 就会 很低 ， 导致 出租车 资源 的运营成 本大 个 打车 软件 公 司所发 放 的补 贴 政 策不 会 Ｃ ＋ Ｇ＇ Ｖ ＂ ￣ － Ａ２ ＋ Ｂ ＋ 大提高 。如 果出租车 数量较 少 ， 出租 车满 对乘 车满载率 有任何 影响 ， 当使用 打车 软 ｗ ＝ ： — ＋— ＋ 载率 很 低 ，就会 是 乘客 等 待 时 间大大 增 件 的人数多 的时候 ， 不使 用打车 软件 的人 加， 打 不 到车 的情 况 ， 所以 依据 乘 客等 待 上述等式能表示出出租车运价和车 的等 车时 间将 会大大加 长 ， 使整个 运营 过 费用 之 间的 关系 ， 当汽 车 程 中总 的车辆满 载率不会改变 。而我们 在 时间和 出租 车满 载率进行建立模 型。判断 辆 平均 满载 率 、 出租 车运价 和运营 损 分析 的 时候 就说 明车 辆满 载 率在 一 定 程 乘客等 待时 间 ， 将 其与打 车难易 度结合 到 平均 满载率不 变时 ， 起。 耗、 出租车司机收入和出租车公司管理费 度 上可 以代表乘客 等待 的时 间 ， 所 以说备 乘客 的需 求水平是一 种抽 象描述 ， 将 用之间呈线性相 关关系 。 个 打车软 件公司推 出的补 贴方案 对于 “ 打 其 表达 出来 要使 用 出租 车供 求 匹配 的 重 但是 ， 汽车在运行过程中是一个不断 车难 ” 问题并不会有 太明显的改善 。 要 指标之 一 的车辆满 载率 ， 车辆满 载率 从 变化 的 数值 ， 不断 反馈 着 乘客 、 司机 以及 参考文献 『 勺 信息， 因此我们 建立 的方程只 ［ 定 角度 表 现 了乘 客对 出租 车 的需 求 程 公司之 间Ｉ １ 】 姜启 源、 谢金 星、 叶俊编著 ， 《 数 学模型》 度 ，满载率 高说 明乘客对 出租车 需 求高 ， 能是 静态的 。只能用 来确定各个方程参数 （ 第 四版 ） ， 【 Ｍ】北京 ：高 等教 育 出版 社 ， ２ ００ ３ ． ０ ８ ． 乘客 等待 时 间就相对 的长 。 在忽略不计运 ｝ 『 勺 初 始值 ， 整体发 展趋势和比例 。 营成 本和车 辆满 载率之 间的影 响关系 下 。 化 简 可以得 出车 辆平 均满 载 率和 费 【 ２ 】 杨康 、 齐怀超 、 肖飞 ， 城 市出租 车的投放 出租 车 车辆 满 载率 就 是探 究乘 客 和 出租 用之 间的关系如下 控 制模 型研 究 ， 电子设 计工程 ， 第２ １卷 第 车之 间供 求关系的 中心思想 。在一定时亥 ０ ｗ ｖ一旦 一 ｖ — Ａ ２ － Ｂ — Ｃ ９期 ： １ ９ １页 ． ２ ０ １ ３ ． ０ ５ ． ———旦—一 同一 个 周期 内载客 车数 量 和总 出租 车 数 Ｇ＝ 【 ３ 】 卡卡 ， ２ ０ １ ３年第 一季度 全 国各 城 市平 量的 比值表 示车辆平均满载率 。 均 月薪榜 单． 然 而运价在化 简过程 中约掉 ， 只 剩下车 辆 对 一定 数量 （ １ ０ ｏ 或者 ２ ０ ０ ） 的出租 车 项 目名 称 ： “ 互联 网 ＋ ” 时代 的 出租 车 平均满载率和 费用之 间的关系 。 在周期 内进行 抽样调 查 。 可以得 出车 辆平 资源配置 静态方程 能够描 述宏观情 况 ， 如 果想 均满载 率 ， 也就 能够得 出在 某个 时刻 的所 项 目编号 ： ２ ０ １ ６ １ ３ ７ ４ ４ ０ ５ ０ 要知 道 一 天 内每 一 个 时刻所 对 应 的出４ ） 总第 １ ２ ８ ５
数学建模在“互联网 ”时代的应用——出租车资源配置
了优化，忽略天气、路况等对模型建立的影响。
用强有力的结果进一步证实了数学模型的有用性。
三、模型建立与求解
针对这一数学模型建立有如下几个合理的指标：1. 出租车
需求量；2. 乘客打车难易程度；3. 被抢单时间。通过滴滴快的
打车平台导出深圳市 2019 年 9 月 8 日这一天内各个指标的数
据，例如：被抢单时间、乘客打车难易程度、出租车需求量、出租
花的总费用超过起步价每多 10 元则可享受减 5 元的福利。
2. 对于出租车司机：若出租车司机通过这个新的打车软件
平台接到乘客的话，则每单生意可以享受到本单生意所花燃油
费的 10% 的补贴；若司机通过这个新的打车软件服务平台接
到的生意超过这个月总生意的 50% 的话，即可享受每个月 300
元的补贴。
一有用信息进行加工和分析，最终获取最优最佳的建议。
关键词：出租车；补贴；出租车需求量
一、问题
出租车在大城市特别是一线大城市的交通中起着关键性
的作用。随着城市设置规模的日益扩大，人们对于出行需求不
断地增加，然而导致出租车的领域散布与顾客叫出租车中的需
求散布这两者之间很难做到协调的。因为这协调不匹配，就出
现了一系列打出租车困难的情况，最重要的是这一情况在一线
间上来分析打车难，往往出现在一些人群聚集、交通堵塞和边
远的地方。
对于想要创立一个新的，更有利于司机和乘客打车软件服
务平台，并且这个平台一定要比平常的招手拦车要更好，因此，
假设制定了以下的补贴方案：
1. 对于乘客：若乘客使用这个新的打车软件平台叫车，所
据来支撑模型，通俗易懂，形式简洁能被大多数人所理解；
和出租车分布和抢单时间的数据进行分析，提升了模型的实用
2015年全国大学生数学建模竞赛B题
“互联网+”时代的出租车资源配置摘要近几年来，随着燃油价格、维修等费用的上涨，导致了出租车运行成本显著上涨，“打车难”成了人们关注的一个热点问题。
为了缓解大城市打车难的问题，打车软件应运而生。
本文通过Matlab拟合和定性分析以及计算等方法，建立演化博弈模型，针对打车难问题设计出了合理的补贴方案。
针对问题一，根据2014年各省拥有的出租车总数量情况和城市人口情况，发现北京、上海、杭州、武汉等城市具有拥有出租车数量较多，常驻人口多，流动人口大，出租车需求量大等特点，所以选取这四个城市，查找高峰期与非高峰期时刻的出租车需求量和实载量数据，以实载量与需求量的比值作为指标，通过计算，分析出不同时空的出租车资源的供求匹配程度，在凌晨一点时上海出租车需求量大，其次是杭州、北京，武汉需求量小，早上七点时，北京出租车需求量大，其次是上海、杭州，武汉需求量小，下午一点时，北京需求量大，其次是上海、杭州，武汉需求量小，晚上19点时，上海出租车需求量大，其次是北京、杭州，武汉需求量小，但总体供小于求。
并采用Matlab软件画出各个城市对应的供求关系图。
针对问题二，建立出租车司机与乘客对打车软件使用意向的演化博弈模型，通过乘客与出租车司机效益的对比，对模型求解与分析，得出结论，认为乘客由于出租车价格偏高而不愿意使用打车软件，又通过计算，发现出租车司机使用打车软件后由于较高的燃油费导致收入增加不明显，而不太愿意使用打车软件。
所以公司只在司机收入方面部分缓解了打车难这个问题。
针对问题三，通过分析传统打车方式下的出租车的供求关系，可以看出打车软件的出现却有其现实意义，但在实践过程中也存在一些不足，比如部分出租车司机抱怨有较高的燃油费，收入相对来说偏低。
面对燃油价格的变化，出租车经营者不能按照自己目标制定出租车经营策略。
本文根据燃油价格变化情况，以达到利润最大化为目标，制定了基于经营合理利润水平的出租车补贴方案；又根据出租车经营利润的变化率与燃油价格变化率成正比，制定了基于燃油价格变化率的出租车补贴方案。
“互联网”时代的出租车资源配置问题评析
“互联网”时代的出租车资源配置问题评析一、本文概述随着"互联网+"时代的深入发展，出租车行业作为城市交通的重要组成部分，正面临着前所未有的挑战与机遇。
传统的出租车资源配置模式已经无法满足日益增长的出行需求，而互联网技术的广泛应用为出租车行业的创新提供了可能。
本文旨在探讨"互联网+"时代出租车资源配置的问题，分析现状，揭示存在的问题，并提出相应的解决策略。
我们将首先回顾出租车行业的发展历程，分析传统出租车行业的资源配置模式及其存在的问题。
然后，我们将深入探讨"互联网+"时代出租车资源配置的新模式，如网约车平台的兴起、共享经济的影响等。
在此基础上，我们将对"互联网+"时代出租车资源配置的优缺点进行分析，揭示其面临的挑战和机遇。
本文将提出在"互联网+"时代背景下，如何优化出租车资源配置的建议。
我们希望通过这些建议，为出租车行业的健康发展提供参考，为城市交通出行的高效便捷做出贡献。
二、“互联网+”时代出租车资源配置现状分析随着“互联网+”时代的到来，出租车行业也迎来了前所未有的变革。
借助大数据、云计算等先进技术，出租车资源配置的效率、准确性和灵活性得到了显著提升。
然而，与此也暴露出一些问题，需要我们进行深入的分析和思考。
从资源配置效率来看，“互联网+”时代下的出租车行业通过智能调度系统，实现了对出租车资源的快速匹配和优化配置。
乘客可以通过手机APP实时查看附近的出租车信息，并在线预约，大大提高了出租车的利用率和乘客的出行效率。
然而，这也导致了部分区域、部分时段出租车资源的供过于求或供不应求，尤其是在高峰时段和热点区域，出租车资源紧张的问题仍然突出。
从资源配置的准确性来看，“互联网+”时代下的出租车行业通过大数据分析，可以更加准确地预测乘客的出行需求和出租车资源的分布情况，从而进行更加精准的资源配置。
然而，由于数据的时效性和准确性问题，以及出租车司机对智能调度系统的接受程度等因素的影响，资源配置的准确性仍然存在一定的提升空间。
全国大学生数学建模竞赛b题
“互联网+”时代的出租车资源配置摘要随着“互联网+”时代的到来，针对当今社会“打车难”的问题，多家公司建立了打车软件服务平台，并推出了多种补贴方案，这无论是对乘客和司机自身需求还是对出租车行业发展都具有一定的现实意义。
本文依靠ISM解释结构、AHP-模糊综合评价、价格需求理论、线性规划等模型依次较好的解决了三个问题。
对于问题一求解不同时空出租车资源“供求匹配”程度的问题，本文先将ISM模型里的层级隶属关系进行改进，将影响出租车供求匹配的12个子因素分为时间、空间、经济、其它共四类组合，然后使用经过改进的AHP-模糊综合评价方法建立模型，提出了出租车空载率这一指标作为评价因子的方案，来分析冬季某节假日哈尔滨市南岗区出租车资源“供求匹配”程度。
通过代入由1-9标度法确定的各因素相互影响的系数，得出各个影响因素的权重大小，利用无量纲化处理各影响因素，得出最终评判因子为0.3062，根据“供求匹配”标准，得出哈尔滨市南岗区出租车资源“供求匹配”程度处于供需合理状态的结论。
同理，也得到了哈尔滨市不同区县、不同时间的供求匹配程度，最后作出哈尔滨市出租车“供求匹配”程度图。
对于问题二我们运用价格需求理论建立模型，以补贴前后打车人数比值与空驶率变化分别对滴滴和快的两个公司的不同补贴方案进行求解，依次得到补贴后对应的打车人数及空驶率的变化，再和无补贴时的状态对比，最后得出结论：当各公司补贴金额大于5元时，打车容易，即补贴方案能够缓解“打车难”的状况；当补贴小于5元时，不能缓解“打车难”的状况。
对于问题三，在问题二的模型下，建立了一个寻找最优补贴金额的优化模型，利用lingo软件[1]进行求解算出最佳补贴金额为8元，然后将这个值带入问题二的模型进行验证，经论证合理后将补贴金额按照4种分配方案分配给司机乘客。
关键词：ISM解释结构模型；AHP-模糊综合评价；价格需求理论；线性规划一问题重述交通是社会生活众多产业当中的一项基础产业，不但和社会的经济发展关系紧密，与人们的生活也是息息相关。
国赛论文
6
将表 1 的数据代入公式（6）～（8），可以得到四个城市的空驶率、空驶里 程、空驶时间和乘客平均等待时间，如下图所示：
图 1 正常情形时四个城市的空驶率、空驶里程、空驶时间和平均乘客等待时间
在没有打车软件补贴的情况下，北京、上海、成都和大连四个城市的空驶率 都接近或超过 35%，空驶里程接近或者超过 100 千米，空驶时间超过 6 小时，部 分城市的乘客平均等待时间超过 10 分钟，尤其是成都的空驶率达到 42.98%，空 驶距离达到 200 千米，上海的空驶时间超过 8 小时，乘客平均等待时间超过 17 分钟。 5.2 问题二的模型建立和解决
7
在对乘客进行现金补贴 b1 和积分补贴贴现 b2 的情况下，使用出租车出行的居 民中对价格敏感人群所占比例将发生变化：
2
(1 1)
kE P1
（9）
式中， P1 为乘客实际支付的单次平均费用，满足：
P1 P0 b1 b2
（10）
在对司机进行现金补贴 b3 和积分补贴贴现 b4 的情况下，司机会增加接单的频 率以获得更多的收益，从而增加了全市出租车营运时间。假设一定范围内，出租 车司机的营运时间与超额收益成负相关关系，则有：
K 1 R A D w k E (P0 k E) 1
(6)
T0 v N r
P0
除了考虑出租车的空驶率，本文还要考虑乘客的等待时间。利用柯布—道格
拉斯函数形式来量化乘客等待时间与出租车空驶里程的关系，如下所示：
5
t S
（7）
式中， t 为乘客平均等待时间， 和 分别表示城市需求弹性系数和空驶里
最后，对所建立的模型和求解方法的优缺点给出了客观的评价，并指出了改进的方 法。 关键字： 打车软件服务平台 补贴方案 数学模型 Visio 图 博弈分析
“互联网”时代的出租车资源配置模型
“互联网”时代的出租车资源配置模型一、本文概述1、互联网时代的出租车行业背景随着科技的快速发展和互联网的普及，我们已经进入了“互联网+”时代。
这一变革不仅改变了人们的日常生活方式，也对各行各业产生了深远影响。
其中，出租车行业作为城市公共交通的重要组成部分，也在这一大背景下经历了前所未有的变革。
传统的出租车行业面临着诸多问题，如车辆调度不灵活、信息不对称、服务效率低下等。
这些问题在一定程度上限制了出租车行业的发展，也影响了乘客的出行体验。
然而，随着互联网技术的引入，出租车行业开始逐渐打破这些限制，实现了资源配置的优化和服务质量的提升。
“互联网+”时代的出租车行业，借助大数据、云计算、人工智能等先进技术，实现了车辆调度的智能化、信息获取的便捷化和服务流程的标准化。
乘客可以通过手机APP随时随地预约出租车，司机也可以通过这些平台快速找到乘客，大大提高了出行效率。
同时，互联网平台还提供了丰富的车辆信息和司机评价，使乘客能够更好地选择适合自己的出行方式。
然而，“互联网+”时代的出租车行业也面临着新的挑战。
如何在保障乘客安全的前提下，实现行业的可持续发展？如何在激烈的市场竞争中，保持服务质量和用户体验的持续提升？这些问题都需要我们深入思考和探索。
因此，建立一个科学的出租车资源配置模型，对于优化出租车行业的资源配置、提高服务效率和质量、促进行业的可持续发展具有重要意义。
这也是本文研究的核心问题。
在接下来的部分，我们将详细探讨如何构建这样一个模型，并分析其在实践中的应用前景。
2、出租车资源配置的重要性在“互联网+”时代背景下，出租车资源配置的重要性愈发凸显。
出租车作为城市公共交通的重要组成部分，其资源配置的合理性直接关系到城市交通的顺畅与市民出行的便捷。
随着城市化进程的加快和人口规模的不断扩大，城市出行需求日益增长，出租车资源的配置问题愈发重要。
合理的出租车资源配置能够有效缓解城市交通压力。
通过科学规划和布局，使出租车资源在时间和空间上更加均衡地分布，可以减少出租车空驶率，提高车辆使用效率，从而减轻城市交通拥堵现象。
《2024年“互联网+”时代的出租车资源配置问题评析》范文
《“互联网+”时代的出租车资源配置问题评析》篇一
一、引言
随着“互联网+”时代的到来，出租车行业经历了前所未有的变革。
传统的出租车运营模式与新兴的互联网技术相结合，不仅为乘客提供了更为便捷的叫车服务，也使得出租车资源的配置更加高效和智能化。
然而，在这一进程中，也暴露出了一些资源配置方面的问题。
本文将对“互联网+”时代的出租车资源配置问题进行评析，旨在探讨其现状、问题及未来发展方向。
二、互联网+出租车行业的现状
在“互联网+”的推动下，出租车行业实现了信息化、网络化、智能化的升级。
通过手机APP、网络叫车平台等工具，乘客可以更加便捷地叫到出租车，提高了出行效率。
同时，出租车司机也能通过智能调度系统实时了解车辆状况和订单信息，提高了运营效率。
此外，互联网技术的应用还为出租车行业提供了数据支持，使得行业管理者能够根据数据进行分析和决策，优化资源配置。
三、出租车资源配置存在的问题
尽管“互联网+”为出租车行业带来了诸多便利，但在资源配置方面仍存在一些问题。
1. 资源分配不均：在高峰期或特定区域，由于供需不平衡，导致出租车资源分配不均，部分地区叫车困难。
2. 空驶率较高：由于智能调度系统不完善或司机对平台的依赖程度不同，部分出租车存在空驶率较高的问题，浪费了资源。
3. 价格机制不合理：部分地区在特定时段或特定情况下，出租车价格过高或过低，影响了市场秩序和资源配置效率。
4. 监管不足：虽然有相关监管部门对出租车行业进行监管，但在互联网环境下，仍存在监管不到位、数据不透明等问题。
四、问题分析
造成。
《2024年“互联网+”时代的出租车资源配置模型》范文
《“互联网+”时代的出租车资源配置模型》篇一一、引言在“互联网+”时代的背景下，传统出租车行业正面临着深刻的变革。
以大数据、云计算和移动通信等为驱动的科技革新，重塑了出租车的资源配置方式和服务模式。
传统的以供求关系为基础的出租车资源配置模型，已无法满足日益增长和多样化的出行需求。
因此，构建一个高效、智能的出租车资源配置模型，对于提升出租车行业的服务水平和效率具有重要意义。
二、传统出租车资源配置模型的局限性传统的出租车资源配置模型主要依赖于供求关系和人工调度，其局限性表现在以下几个方面：1. 信息不对称：乘客与出租车司机之间缺乏实时、准确的信息交流平台，导致供需失衡。
2. 调度效率低：人工调度方式无法快速响应突发情况，造成资源浪费和乘客等待时间过长。
3. 缺乏个性化服务：无法根据乘客的特殊需求提供个性化服务。
三、互联网+出租车资源配置模型构建针对传统出租车资源配置模型的局限性，结合“互联网+”的技术优势，构建新型的出租车资源配置模型如下：1. 数据平台建设：通过建立大数据平台，实时收集并处理出租车供求信息、交通路况信息等数据，为资源调度提供决策支持。
2. 智能调度系统：通过云计算和移动通信技术，构建智能调度系统，实现乘客与出租车之间的信息互通，快速匹配供需关系。
3. 多样化服务模式：通过移动应用程序等手段，为乘客提供预约、拼车、专车等多种服务模式，满足不同需求。
4. 动态定价机制：根据交通拥堵程度、距离远近、时间段等因素，实行动态定价，既保证司机的收入，又降低乘客的出行成本。
5. 评价与反馈系统：建立乘客对服务的评价与反馈系统，提高服务质量，促进司机与乘客之间的良性互动。
四、模型实施效果及优势实施“互联网+”出租车资源配置模型后，将带来以下效果及优势：1. 信息透明化：乘客可实时了解附近可用出租车数量及位置，提高出行效率。
2. 调度高效化：智能调度系统可快速匹配供需关系，减少空驶和等待时间。
3. 服务个性化：乘客可根据个人需求选择不同服务模式，提高出行体验。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关键词：层次分析模型 模糊评价模型 供求匹配程度 指标
1
一、问题重述
“打车难”是人们关注的一个社会热点问题。随着“互联网+”时代的到来,多家公 司依托互联网建立了打车软件服务平台，推出了多种出租车的补贴方案。 搜集相关数据，建立数学模型来分析下列问题： (1) 试建立合理的指标，并分析不同时空出租车资源的“供求匹配”程度。 (2) 分析各公司的出租车补贴方案是否对“缓解打车难”有帮助？ (3) 如果要创建一个新的打车软件服务平台，你们将设计什么样的补贴方案，并 论证其合理性。
然后利用 MATLAB 求解矩阵 A 的最大特征值得： =11.853，对正互反矩阵进行 一致性检验，采用 T.L.Saaty 一致性指标： CI n / n 1 根据 Saaty 的随机一致性指标表格: 表 6 随机一致性 RI 的数值 n 1 2 3 4 5 6 7 8 9 10 11 RI 0 0 0.58 0.90 0.12 0.24 0.32 0.41 1.45 1.49 1.51 得 RI =1.51 一致性比例 CR CI / RI 0.8528 /1.51 0.0742 0.1 ，即通过了一致性检验。 最 后 通 过 归 一 化 ， 得 到 归 一 化 特
4.2.2.1 针对模型 M，确定准则层（B）对目标层（A）的权重 W1 再分析准则层对目标层的影响，然后根据 Saaty 等人提出的 1-9 尺度（见附录 ） ， 构出成对比较矩阵 A= ，A 是 11 阶正互反矩阵，矩阵 A 如下所示：
8
1 7 1 2 1 2 3 5 A 4 5 2 1 2 1 2
[2]
M 0.39 0.39 0.374 0.38 0.38 0.359
由此根据我们建立的评价标准可以看出上海的供求匹配程度 在上班的高峰期 8:00-9:00 12:00-2:00 18:00-20:00 相对于其他时段较低 整体上海的供求匹配程
度在（0.3,0.5）属于一般水平。 4.2 问题二的模型建立和求解
万人拥有量
满载率
需求量/供应量
4
以表中的数据来求得北京地区供求匹配成度
U U 1
U U
2
3
,U 4
U
1
=0.3
U
2
=0.5
U
3
=0.2
U
4
=0.2
V V1 V2 V3
V1 0.5 V2 0.3 V3 0.2
0.15 0.25 R 0.25 0.1 0.1
表1 里程利用率 北京 西安 青岛 68% 70% 64.51% 万人拥有量 34 25 22 满载率 68% 72% 70% 需求量/供应 量 10% 2.50% 4.10%
建立三级评价体系 （好，一般，差）来评估分别对应（0.5,0.3,0.2）
表2 里程利用率 70-100% 65-70% 60-65% 30 以上 25-30 25 以下 75%以上 70-75% 70%以下 3%以下 3-4% 4%以上 好 一般 差 好 一般 差 好 一般 差 好 一般 差 0.35 0.3 0.2 0.5 0.3 0.2 0.5 0.3 0.2 0.5 0.3 0.2
7
4.2.1 建立层次结构 首先建立第一个关于乘客效益的层次分析模型（M） ，共分三层： 最上层为目标层（A） ：从乘客效益的角度选择补贴方案；第二层为准则层（B） ： 共有以下 11 个准则：司机违约风险（B1） 、黑车安全风险（B2） 、移动支付模型（B3） 、 移动支付便利（B4） 、节假日需求（B5） 、偏远特殊地区需求（B6） 、早高峰需求（B7） 、 恶劣天气需求（B8） 、候车时间（B9） 、车费返现（B10） 、流量耗费（B11）;最下层为方 案层（C）:“传统出租车” （ C1 ） 、 “滴滴打车” （C2）和“快的打车” （C3）三个方案供 选择。 再建立第二个关于司机效益的层次分析模型（N） ，共分三层： 最上层为目标层（E） ：从司机效益的角度选择补贴方案；第二层为准则层（F） ：共 有以下 7 个准则：流量电话费耗费（F1） 、奖励制度（F2） 、收入水平（F3） 、乘客违约风 险（F4） 、转移注意力安全风险（F5） 、自主选择路线（F6） 、自主选择时间段（F7） ；最 下层为方案层，有“传统出租车” （G1） 、 “滴滴打车” （G2）和“快的打车” （G3）三个 方案供选择。 4.2.2 确定准则层对目标层的权重
[5]
0.3 M3 0.38 0.404 0.5
在一般和好之
满载率 0.52 0.723 0.734 0.73 0.725 019% 14.7% 14.56% 23.44% 36.18% 19.81%
建立评价标准（好，一般，差）对应的比率（0.5,0.3,0.2） 。
2
享出租车司机信息就可以解决这些问题，并且对于乘客，出租车公司，第三方手机打车 软件公司都能取得更大的利润，为了论证方法的正确与否采用层次分析法进行论证。
三、模型的假设与符号说明
3.1 模型假设 1.司机接单不违约，乘客利用打车软件一定有空闲司机接单 2.获得数据真实且可靠。 3.出租车行驶过程中，不考虑交通限制，突发情况的影响。 4.各个指标相互独立，互不影响。
二、问题分析
2.1 问题一分析 不同时空下供求匹配程度跟里程利用率，万人出租车拥有率，实载率和一定区域内 需求量和供应量的比率密切相关，分别收集一线（比如北上广） ，二线（比如西安） ，通 过几个城市的不同指标来求得不同空间的共求匹配程度。 通过分析几个城市 早（7:00—9:00） 中（12:00-2:00） 晚（18:00-19:00） 和平时时段的打车的供求情况这就是第一问中的“时”搜集指标数据建立模糊评价 体制。最后求得不同时空供求匹配程度。
“互联网+”时代的出租车资源配置 摘 要
本文围绕最优补贴方案问题,建立了模糊评价模型和层次分析模型,分别分析了在; 合理指标下,不同时空出租车供求匹配程度和各公司的补贴方案并针对实际问题，最终 制定出合适的打车补贴方案。 针对问题一：通过不同城市和同一城市一天不同时间段的里程利用率，万人出 租车拥有数 ，实载率三大指标和需求/供应量建立模糊综合评价体系来求得不同时 空供求匹配程度。 针对问题二：以“滴滴打车”和“快的打车”为例，对比传统出租车，建立了 两个关于乘客效益和司机效益的层次分析模型。从乘客效益和司机效益这两个角度 出发，进而分析出打车软件补贴方案对缓解打车难有明显帮助。 针对问题三：通过第三方手机打车软件公司代管电调和数据共享解决了老年人 不会用手机软件打车和乘客安全问题。建立层次分析模型对乘客，出租车公司和第 三方打车软件公司的利益分析进行论证得出方案可以解决上述问题。
0.09 0.06 0.15 0.1 0.15 0.1 0.06 0.04 0.06 0.04
A 0.3 0.3 0.3 0.1 B A * R 0.18 0.096 0.064
把结果化一 得
B 0.6 6 25 4 25
A 0.4 0.4 0.2
M B *V
B = A * R = 0.18, 0.078, 0.052
把结果化一
B 0.58 0.25 0.17
M B *V = 0.339
-
由此同理可得:
表5 时间 8：00-9:00 10:00-12:00 13:00-14:00 15:00-18:00 19:00-20:00 21:00-24:00
表4 里程利用率 70%以上 60-70% 60%以下 满载率 70%以上 60-70% 60%以下 需求/供应 10%以下 10-20% 20%以上 好 一般 差 好 一般 差 好 一般 差 0.5 0.3 0.2 0.5 0.3 0.2 0.5 0.3 0.2
6
1:00-7:00 点的上海供求匹配程度：
3.2 符号说明
符号
U V
意义 评判因素组成的集合 评语等级组成的集合 评判结果 综合评判结果 供求匹配程度 评判结果的归一化结果
R B M
B
3
四、模型的建立与求解
4.1 问题一的模型建立与求解 以里程利用率，满载率，万人拥车数，供应量，需求量为指标来建立模糊综合评价 模型求得不同时空的供求匹配程度。
2.2 问题二的分析 先从网络上查找出出租车公司的补贴方案，以“滴滴打车”和“快的打车”为例对 比传统出租车， 建立关于乘客效益和司机效益的层次分析模型来分析这两个公司补贴方 案是否对“缓解打车难”有帮助。 2.3 问题三的分析 手机打车软件的使用出现了老年人不会用其打车， 乘客安全受到威胁和自主加价冲 击市场的问题。 为了解决这些问题让第三方手机打车软件公司代管电调与出租车公司分
1 7 1 1 5 1 5 1 3 1 3 1 2 1 3 1 7 1 7 1 7
2 5 1 1 3 5 4 5 3 2 1 2
2 5 1 1 2 4 3 4 3 2 1 2
1 3 3 1 3 1 2 1 2 1 2 2 3 1 2 1 2
1 5 3 1 5 1 4 1 2 1 1 2 1 1 4 1 5 1 5
M 1 B*V 0.404
0.3 M 1 0.5
从而得到北京的供求匹配程度介于一般和好之间 西安的匹配度 U1 0.5 U 2 0.3 U 3 0.5 U 4 0.5 V1 0.5 V2 0.3 V3 0.2 0.25 0.15 R 0.25 0.25 0.15 0.1 0.09 0.06 0.15 0.1 0.15 0.1
U U1 U 2 U 3 U 4 V V1 V2 V3
U1 0.2 U 2 0.2 U 3 0.5 V1 0.5 V2 0.3 V3 0.2