CN110210749A - 一种轨道站点衔接共享单车投放量和投放位置确定方法 - Google Patents

一种轨道站点衔接共享单车投放量和投放位置确定方法 Download PDF

Info

Publication number
CN110210749A
CN110210749A CN201910452887.0A CN201910452887A CN110210749A CN 110210749 A CN110210749 A CN 110210749A CN 201910452887 A CN201910452887 A CN 201910452887A CN 110210749 A CN110210749 A CN 110210749A
Authority
CN
China
Prior art keywords
shared bicycle
bicycle
injected volume
latitude
distance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910452887.0A
Other languages
English (en)
Other versions
CN110210749B (zh
Inventor
牛晓晖
杨敏
韦淳义
汪林
刘冬梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910452887.0A priority Critical patent/CN110210749B/zh
Publication of CN110210749A publication Critical patent/CN110210749A/zh
Application granted granted Critical
Publication of CN110210749B publication Critical patent/CN110210749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种轨道站点衔接共享单车投放量和投放位置确定方法。首先选取接驳轨道交通站点的共享单车订单数据，将其对应的终点（或起点）进行空间聚类得到共享单车虚拟桩；其次将虚拟桩内的订单按时间分布，计算各个小时的订单量并转换为相应的投放量；最后根据各时段的投放量对共享单车进行滚动投放，并使用各个小时投放量的最大值确定该虚拟桩的规模。利用本发明可以有效分析共享单车的使用量和聚集地，进而以此为依据，选择合适的共享单车投放点和投放规模。

Description

一种轨道站点衔接共享单车投放量和投放位置确定方法
技术领域
本发明属于公共交通规划领域，特别涉及了一种轨道站点衔接共享单车投放量和投放位置确定方法。
背景技术
轨道交通具有运量大、速度快、可靠性高等优点，但其可达性较差，存在“最后一公里”问题，共享单车的出现为解决该问题提供了全新的视角，使用共享单车出行，不仅符合倡导绿色交通的理念，而且对提升轨道交通的接驳范围和公共交通出行效率都有不可忽视的作用。然而，各家共享单车公司为了抢占市场份额，在公共区域大量投放共享单车，造成了土地资源和共享单车的浪费，也扰乱了正常交通秩序；共享单车随用随停的特点带来灵活性的同时，其停放与调度管理也成为城市治理的一个痛点，高峰扎堆停放，容易造成客流集散区域拥堵，用车高峰区域随时间变化，而调度响应落后，导致车辆供需经常失衡。究其原因，主要是对出行需求把握不清，尤其对步行寻车尺度下交通小区内的动态需求不了解。为了优化共享单车时空资源配置，使其充分发挥其接驳轨道交通的功能，需要深入挖掘用户需求，针对共享单车的使用特性对其投放量和投放位置进行测算，以实现共享单车接驳轨道交通的出行方式更加便捷高效有序。
发明内容
为解决上述问题，本发明公开了一种轨道站点衔接共享单车投放量和投放位置确定方法，使共享单车充分发挥接驳轨道交通的功能，对共享单车的投放位置和投放量进行测算，克服现有技术的不足。
为了达到以上目的，本发明提供如下技术方案：
一种轨道站点衔接共享单车投放量和投放位置确定方法，包含以下步骤：
1)选取一天之中起点(或终点)与轨道交通站点距离150m以内的共享单车订单数据，将其对应的终点(或起点)进行空间聚类得到共享单车的聚集位置，作为共享单车的虚拟桩；
2)将各虚拟桩内的订单按照时间排列，分析各个小时的订单量，按照一定的公式转换为该虚拟桩的各个小时的投放量；
3)根据各个虚拟桩各个小时的投放量对共享单车进行滚动投放，该虚拟桩的规模为各个小时投放量的最大值。
进一步地，在步骤1)中，所述共享单车订单数据包括：订单ID，用户ID，车辆ID，骑行开始时间，开始经度，开始纬度，骑行结束时间，结束经度，结束纬度，骑行日期。若共享单车订单数据存在部分null数据，在数据预处理时删除这部分数据。
进一步地，在步骤1)中，所述轨道交通站点数据包括：站点ID，站点名称，站点线路，站点经度，站点纬度。
进一步地，在步骤1)中，所述开始经度、开始纬度、结束经度、结束纬度、可以用来计算共享单车之间的距离。此距离默认为共享单车之间的直线距离，由于经纬度计算的是椭球面的球面距离，即地表距离，其和实际距离的差距取决于研究地区的非直线系数，此计算中涉及的距离较小，因此忽略此部分误差，计算公式如下：
其中，D1表示共享单车之间的距离；lon1表示第一辆共享单车的结束经度(或开始经度)；lon2表示第二辆共享单车的结束经度(或开始经度)；lat1表示第一辆共享单车的结束纬度(或开始纬度)，lat2表示第二辆共享单车的结束纬度(或开始纬度)。
进一步地，在步骤1)中，所述的开始经度、开始纬度、结束经度、结束纬度、可以用来计算共享单车的骑行距离。此距离默认为共享单车开始位置与结束位置之间的直线距离，计算公式如下：
其中，D2表示共享单车的骑行距离；lonO表示共享单车的开始经度；lonD表示共享单车的结束经度；latO表示共享单车的开始纬度，latD表示共享单车的结束纬度。
进一步地，在步骤1)中，所述的开始经度、开始纬度、结束经度、结束纬度、站点经度、站点纬度可以用来计算共享单车与轨道交通站点的距离。此距离默认为共享单车与轨道交通站点中心点的直线距离，计算公式如下：
其中，D3表示共享单车与轨道交通站点的距离；lonR表示轨道交通站点数据中的站点经度；lonB表示共享单车订单数据中的结束经度(或开始经度)；latR表示轨道交通站点数据中的站点纬度；latB表示共享单车订单数据中的结束纬度(或开始纬度)。
进一步地，在步骤1)中，所述的骑行开始时间、骑行结束时间、骑行日期可以用来筛选指定时间范围内使用的共享单车。骑行日期用来筛选指定日期的订单；骑行开始时间可以用来筛选起点在轨道交通站点150m之内的订单；骑行结束时间可以用来筛选终点在轨道交通站点150m之内的订单。
进一步地，在步骤1)中，共享单车的空间聚类使用K-Means聚类方法，该方法将共享单车之间的直线距离相对较近的共享单车订单聚为一类。骑行距离较远的共享单车非常少，已经脱离了接驳轨道交通的意义，因此选择骑行距离90％分位的订单进行分析。此时每个站点的服务范围约为半径2km的圆，一般认为非机动车停车位的服务半径为200m，因此将半径2km的圆分成100类较为合适。
进一步地，在步骤1)中，然后将聚集为同一类的共享单车订单所在位置的坐标点集求凸包，凸包所包括的范围即为该虚拟桩的服务范围，凸包的中心点即为该虚拟桩的中心位置。
进一步地，在步骤2)中，按照时间筛选出每小时每个虚拟桩服务范围内的订单量。根据订单量转换为投放量，转换公式如下式所示：
其中，R为共享单车的投放量；Q为共享单车的订单量；α为共享单车供应的比例，一般为0.9～1；β为共享单车的单位时间内的周转率，由实际统计得出，根据经验，一般高峰小时的周转率约为2，平峰时约为0.5。
进一步地，在步骤0中，每一个虚拟桩的规模根据该虚拟桩一天中各小时投放量的最大值确定，选择离该虚拟桩中心点较近的位置以减少出行者实际使用时的步行距离；选择投放量明显大于其他时间的时间段进行投放，例如早、晚高峰等。
本方案带来的有益效果：
(1)本发明方法可以有效测算共享单车的投放位置和投放量
区别于以往研究中对共享单车投放量的用户满意度模型，本发明直接以共享单车的实际使用特征入手，站在接驳轨道交通使用需求的视角，基于历史数据，对共享单车的实际使用位置和使用量进行分析，求得共享单车的投放位置和投放量。
(2)本发明使用聚类方法，基于凸包理论将杂乱的共享单车整理为集中的调度子区
本发明对共享单车的分布位置使用K-Means方法进行了聚类，将每一聚类的聚类中心附近作为共享单车投放位置，即虚拟桩；每一聚类的所有分布位置所组成的凸包作为该虚拟桩的服务范围，即调度子区。每个虚拟桩的服务范围半径约为200m，与一般非机动车停车场的服务范围相一致。
(3)本发明巧妙采用数据融合对大数据进行挖掘，数据获取方便
区别于传统数据来源多为行为数据调查，大数据时代后多以开源数据为主，然而多源数据的深度挖掘往往不足。本发明融合分析了共享单车运营数据、轨道交通站点信息等，获取轨道交通站点内的共享单车使用特征。
(4)本发明普适性好，具有好的推广价值
本发明直接利用共享单车的历史数据和轨道交通站点的坐标，数据来源容易；对于每一个站点的投放量，可叠加应用至整个城市的范围；该发明可推广至接驳地面公交、其他交通枢纽等的共享单车中，选择合适的共享单车投放位置和投放量，为规范化投放共享单车，充分发挥共享单车的接驳功能做贡献。
附图说明
图1为本发明方法流程图；
图2为共享单车订单数据处理流程图；
图3为实施例2浮桥站早高峰各虚拟桩共享单车投放量示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例1
如图1、图2所示的一种轨道站点衔接共享单车投放量和投放位置确定方法，包含以下步骤：
1)选取一天之中起点(或终点)与轨道交通站点距离150m以内的共享单车订单数据，将其对应的终点(或起点)进行空间聚类得到共享单车的聚集位置，作为共享单车的虚拟桩；所述共享单车订单数据包括：订单ID，用户ID，车辆ID，骑行开始时间，开始经度，开始纬度，骑行结束时间，结束经度，结束纬度，骑行日期。若共享单车订单数据存在部分null数据，在数据预处理时删除这部分数据；所述轨道交通站点数据包括：站点ID，站点名称，站点线路，站点经度，站点纬度。共享单车的空间聚类使用K-Means聚类方法，该方法将共享单车之间的直线距离相对较近的共享单车订单聚为一类。选择骑行距离90％分位的订单进行分析，此时每个站点的服务范围约为半径2km的圆，一般认为非机动车停车位的服务半径为200m，因此将半径2km的圆分成100类较为合适。然后将聚集为同一类的共享单车订单所在位置的坐标点集求凸包，凸包所包括的范围即为该虚拟桩的服务范围，凸包的中心点即为该虚拟桩的中心位置。
2)将各虚拟桩内的订单按照时间排列，分析各个小时的订单量，按照一定的公式转换为该虚拟桩的各个小时的投放量；按照时间筛选出每小时每个虚拟桩服务范围内的订单量。根据订单量转换为投放量，转换公式如下式所示：
其中，R为共享单车的投放量；Q为共享单车的订单量；α为共享单车供应的比例，一般为0.9～1；β为共享单车的单位时间内的周转率，由实际统计得出，根据经验，一般高峰小时的周转率约为2，平峰时约为0.5。
3)根据各个虚拟桩各个小时的投放量对共享单车进行滚动投放，该虚拟桩的规模为各个小时投放量的最大值。每一个虚拟桩的规模根据该虚拟桩一天中各小时投放量的最大值确定，选择离该虚拟桩中心点较近的位置以减少出行者实际使用时的步行距离；选择投放量明显大于其他时间的时间段进行投放，例如早、晚高峰等。
其中，利用开始经度、开始纬度、结束经度、结束纬度、可以用来计算共享单车之间的距离。此距离默认为共享单车之间的直线距离，由于经纬度计算的是椭球面的球面距离，即地表距离，其和实际距离的差距取决于研究地区的非直线系数，此计算中涉及的距离较小，因此忽略此部分误差，计算公式如下：
其中，D1表示共享单车之间的距离；lon1表示第一辆共享单车的结束经度(或开始经度)；lon2表示第二辆共享单车的结束经度(或开始经度)；lat1表示第一辆共享单车的结束纬度(或开始纬度)，lat2表示第二辆共享单车的结束纬度(或开始纬度)。
利用开始经度、开始纬度、结束经度、结束纬度、可以用来计算共享单车的骑行距离。此距离默认为共享单车开始位置与结束位置之间的直线距离，计算公式如下：
其中，D2表示共享单车的骑行距离；lonO表示共享单车的开始经度；lonD表示共享单车的结束经度；latO表示共享单车的开始纬度，latD表示共享单车的结束纬度。
利用开始经度、开始纬度、结束经度、结束纬度、站点经度、站点纬度可以用来计算共享单车与轨道交通站点的距离。此距离默认为共享单车与轨道交通站点中心点的直线距离，计算公式如下：
其中，D3表示共享单车与轨道交通站点的距离；lonR表示轨道交通站点数据中的站点经度；lonB表示共享单车订单数据中的结束经度(或开始经度)；latR表示轨道交通站点数据中的站点纬度；latB表示共享单车订单数据中的结束纬度(或开始纬度)。
其中，在步骤1)中，骑行开始时间、骑行结束时间、骑行日期可以用来筛选指定时间范围内使用的共享单车。骑行日期用来筛选指定日期的订单；骑行开始时间可以用来筛选起点在轨道交通站点150m之内的订单；骑行结束时间可以用来筛选终点在轨道交通站点150m之内的订单。
实施例2
以南京市地铁3号线浮桥站为例，方法流程图如图1所示，共享单车订单数据处理流程图如图2所示，具体实施步骤如下：
S1、从共享单车订单数据库中筛选天气晴好的工作日、起点(或终点)与浮桥站的距离不超过150m的共享单车的订单数据。其中，共享单车与浮桥站的距离可以使用相应经纬度坐标计算，计算公式如下：
其中，D3表示共享单车与轨道交通站点的距离；lonR表示轨道交通站点数据中的站点经度；lonB表示共享单车订单数据中的结束经度(或开始经度)；latR表示轨道交通站点数据中的站点纬度；latB表示共享单车订单数据中的结束纬度(或开始纬度)。
S2、计算共享单车的骑行距离，计算公式如下：
其中，D2表示共享单车的骑行距离；lonO表示共享单车的开始经度；lonD表示共享单车的结束经度；latO表示共享单车的开始纬度，latD表示共享单车的结束纬度。
S3、然后将骑行距离进行排列，计算90％分位骑行距离，该值约为1.9km。然后对该距离内的共享单车的终点(或起点)坐标进行K-Means聚类。其中，K-Means聚类时需要计算共享单车之间的距离，计算公式如下：
其中，D1表示共享单车之间的距离；lon1表示第一辆共享单车的结束经度(或开始经度)；lon2表示第二辆共享单车的结束经度(或开始经度)；lat1表示第一辆共享单车的结束纬度(或开始纬度)，lat2表示第二辆共享单车的结束纬度(或开始纬度)。
S4、将同一类的订单的终点(或起点)坐标所构成的凸包绘制出来。当聚类数量为100时，大部分凸包的半径小于200m，符合非机动车停车场的服务范围。此时，凸包所包括的范围即为该虚拟桩的服务范围，凸包的中心点即为该虚拟桩的中心位置。
S5、将每一个凸包内的共享单车的订单数据按小时筛选，得到各个凸包一天之中各个小时共享单车的订单量，使用转换公式将订单量转换为投放量：
其中，R为共享单车的投放量；Q为共享单车的订单量；α为共享单车供应的比例，这里取0.9；β为共享单车的单位时间内的周转率，这里取2
S6、对于投放量进行统计，得到共享单车在7:00～8:00、17:00～18:00的时间使用量最大，中午时段(13:00～14:00)的共享单车用量也比较大，因此考虑在这些时段进行滚动投放，其中，早高峰7:00～8:00的投放量如图3所示。每一个投放位置的规模由一天之中最大的投放量决定。投放位置为能够容纳该投放规模选址中最接近虚拟桩中心的位置。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于：
包含以下步骤：
1)选取一天之中起点或终点与轨道交通站点距离150m以内的共享单车订单数据，去除异常数据之后将其对应的终点或起点进行空间聚类得到共享单车的聚集位置，作为共享单车的虚拟桩；
2)将各虚拟桩内的订单按照时间排列，分析各个小时的订单量，转换为该虚拟桩的各个小时的投放量；
3)根据各个虚拟桩各个小时的投放量对共享单车进行滚动投放，该虚拟桩的投放规模为各个小时投放量的最大值。
2.根据权利要求1所述轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于，在步骤0中，所述共享单车订单数据包括：订单ID、用户ID、车辆ID、骑行开始时间、开始经度、开始纬度、骑行结束时间、结束经度、结束纬度、骑行日期。
3.根据权利要求1所述轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于，在步骤0中，若所述共享单车订单数据存在部分null数据，在数据预处理时删除这部分null数据。
4.根据权利要求2所述共享单车订单数据，其特征在于，所述骑行开始时间、骑行日期筛选指定时间范围内使用的共享单车；骑行开始时间筛选起点或终点在轨道交通站点150m之内的订单；骑行日期筛选指定日期的订单。
5.根据权利要求2所述轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于，在步骤0中，所述轨道交通站点数据包括：站点ID、站点名称、站点线路、站点经度、站点纬度。
6.根据权利要求5所述轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于，所述的开始经度、开始纬度、结束经度、结束纬度、站点经度、站点纬度用来计算(1)共享单车之间的距离；(2)共享单车的骑行距离；(3)共享单车与轨道交通站点的距离；
共享单车之间的距离；此距离默认为共享单车之间的直线距离，计算公式如下：
其中，D1表示共享单车之间的距离；lon1表示第一辆共享单车的结束经度或开始经度；lon2表示第二辆共享单车的结束经度或开始经度；lat1表示第一辆共享单车的结束纬度或开始纬度，lat2表示第二辆共享单车的结束纬度或开始纬度；
单车的骑行距离；此距离默认为共享单车之间的直线距离，计算公式如下：
其中，D2表示共享单车的骑行距离；lonO表示共享单车的开始经度；lonD表示共享单车的结束经度；latO表示共享单车的开始纬度，latD表示共享单车的结束纬度；
共享单车与轨道交通站点的距离，此距离默认为共享单车与轨道交通站点中心点的直线距离，计算公式如下：
其中，D3表示共享单车与轨道交通站点的距离；lonR表示轨道交通站点数据中的站点经度；lonB表示共享单车订单数据中的结束经度或开始经度；latR表示轨道交通站点数据中的站点纬度；latB表示共享单车订单数据中的结束纬度或开始纬度。
7.根据权利要求1所述轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于，在步骤0中，共享单车的空间聚类使用K-Means聚类方法，该方法将共享单车之间的直线距离相对较近的共享单车订单聚为一类；选择骑行距离90％分位的订单进行分析；每个站点的服务范围为半径2km的圆，将半径2km的圆分成100类。
8.根据权利要求7所述轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于，在步骤0中，将聚集为同一类的共享单车订单所在位置的坐标点集求凸包，凸包所包括的范围即为该虚拟桩的服务范围，凸包的中心点即为该虚拟桩的中心位置。
9.根据权利要求1所述轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于，在步骤0中，共享单车的订单量和共享单车的投放量之间的转换公式如下式所示：
其中，R为共享单车的投放量；Q为共享单车的订单量；α为共享单车供应的比例，为0.9～1；β为共享单车的单位时间内的周转率，高峰小时的周转率为2，平峰时为0.5。
10.根据权利要求1所述轨道站点衔接共享单车投放量和投放位置确定方法，其特征在于，在步骤0中，每一个虚拟桩的规模根据该虚拟桩一天中各小时投放量的最大值确定，选择离该虚拟桩中心点较近的位置；选择投放量大于其他时间的时间段进行投放。
CN201910452887.0A 2019-05-28 2019-05-28 一种轨道站点衔接共享单车投放量和投放位置确定方法 Active CN110210749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910452887.0A CN110210749B (zh) 2019-05-28 2019-05-28 一种轨道站点衔接共享单车投放量和投放位置确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910452887.0A CN110210749B (zh) 2019-05-28 2019-05-28 一种轨道站点衔接共享单车投放量和投放位置确定方法

Publications (2)

Publication Number Publication Date
CN110210749A true CN110210749A (zh) 2019-09-06
CN110210749B CN110210749B (zh) 2022-04-29

Family

ID=67789171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910452887.0A Active CN110210749B (zh) 2019-05-28 2019-05-28 一种轨道站点衔接共享单车投放量和投放位置确定方法

Country Status (1)

Country Link
CN (1) CN110210749B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914940A (zh) * 2020-08-11 2020-11-10 上海钧正网络科技有限公司 一种共享车辆站点分群聚类方法、系统、装置及存储介质
CN114255545A (zh) * 2021-11-29 2022-03-29 江苏点点续航互联网科技有限公司 一种基于物联网技术的数字货币充电系统
CN114462892A (zh) * 2022-04-09 2022-05-10 北京阿帕科蓝科技有限公司 一种基于车辆流入流出推荐车站的方法及系统
CN116822916A (zh) * 2023-08-31 2023-09-29 北京阿帕科蓝科技有限公司 订单量获取方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008034985A1 (fr) * 2006-09-20 2008-03-27 Jcdecaux Sa Procede et systeme automatique de stockage de cycles.
CN103259783A (zh) * 2013-04-09 2013-08-21 安徽科技学院 基于SIP会话和LBS定位的Android移动终端实时拼车系统及方法
US20150248639A1 (en) * 2014-02-28 2015-09-03 SynchroNet Logistics, Inc. Determining optimal routes and rates for cargo transportation
CN108229802A (zh) * 2017-12-22 2018-06-29 东峡大通（北京）管理咨询有限公司 车辆投放区域的调度方法和客户端
US20190088141A1 (en) * 2017-09-15 2019-03-21 Beijing Baidu Netcom Science And Technology Co., Ltd. Vehicle scheduling method and apparatus, device and storage medium
CN109508865A (zh) * 2018-10-19 2019-03-22 东南大学 基于时空使用模式的地铁站辐射范围内共享单车的部署方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008034985A1 (fr) * 2006-09-20 2008-03-27 Jcdecaux Sa Procede et systeme automatique de stockage de cycles.
CN103259783A (zh) * 2013-04-09 2013-08-21 安徽科技学院 基于SIP会话和LBS定位的Android移动终端实时拼车系统及方法
US20150248639A1 (en) * 2014-02-28 2015-09-03 SynchroNet Logistics, Inc. Determining optimal routes and rates for cargo transportation
US20190088141A1 (en) * 2017-09-15 2019-03-21 Beijing Baidu Netcom Science And Technology Co., Ltd. Vehicle scheduling method and apparatus, device and storage medium
CN108229802A (zh) * 2017-12-22 2018-06-29 东峡大通（北京）管理咨询有限公司 车辆投放区域的调度方法和客户端
CN109508865A (zh) * 2018-10-19 2019-03-22 东南大学 基于时空使用模式的地铁站辐射范围内共享单车的部署方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈亚洲等: "聚类和社会网络分析下的公交站点研究", 《武夷学院学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914940A (zh) * 2020-08-11 2020-11-10 上海钧正网络科技有限公司 一种共享车辆站点分群聚类方法、系统、装置及存储介质
CN111914940B (zh) * 2020-08-11 2022-12-27 上海钧正网络科技有限公司 一种共享车辆站点分群聚类方法、系统、装置及存储介质
CN114255545A (zh) * 2021-11-29 2022-03-29 江苏点点续航互联网科技有限公司 一种基于物联网技术的数字货币充电系统
CN114462892A (zh) * 2022-04-09 2022-05-10 北京阿帕科蓝科技有限公司 一种基于车辆流入流出推荐车站的方法及系统
CN114462892B (zh) * 2022-04-09 2022-07-08 北京阿帕科蓝科技有限公司 一种基于车辆流入流出推荐车站的方法及系统
CN116822916A (zh) * 2023-08-31 2023-09-29 北京阿帕科蓝科技有限公司 订单量获取方法、装置、计算机设备和存储介质
CN116822916B (zh) * 2023-08-31 2024-01-26 北京阿帕科蓝科技有限公司 订单量获取方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110210749B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN110210749A (zh) 一种轨道站点衔接共享单车投放量和投放位置确定方法
CN105590346B (zh) 基于路径识别系统的收费公路网交通信息采集与诱导系统
CN109508865A (zh) 基于时空使用模式的地铁站辐射范围内共享单车的部署方法
CN104574970A (zh) 城市地下停车系统出入口接驳处交通状态评价方法
CN108898830A (zh) 组合停车场的时空共享匹配度计算的车位均衡方法
CN106530709B (zh) 一种面向用户的高速公路交通指数发布系统
CN110956328B (zh) 一种大客流影响的轨道交通站点公交接驳规模预测方法
CN107316098A (zh) 一种基于用户行为分析的汽车租赁点选址方法
CN110111592A (zh) 基于交通信号控制机动态匹配最优信号配时方案的方法
CN104809112A (zh) 一种基于多源数据的城市公交发展水平综合评价方法
CN108447294A (zh) 一种网约车车辆调度方法及系统
CN110363985A (zh) 一种交通数据分析方法、装置、存储介质及设备
CN110288198B (zh) 基于交通分区的租赁自行车交通设施承载力测度方法
CN1716335A (zh) 道路交通实时信息调查系统
CN110796337A (zh) 一种评价城市公交站点服务可达性的系统
CN101123038A (zh) 一种路口关联路段动态路况采集方法
CN109886508A (zh) 基于gps大数据的出租车高效益寻客多目标规划算法
Zhao et al. Impact of land use on bicycle usage
CN109389243A (zh) 结合联网收费数据的高速公路交通情况调查站点布设方法
CN109919592A (zh) 基于高速公路全国联网的计费及清分结算应用方法及系统
Luo et al. Spatially varying impacts of the built environment on physical activity from a human-scale view: using street view data
CN110245774A (zh) 一种根据员工家庭住址进行班车线路优化的方法
CN108399736A (zh) 一种基于服务时间的区域共享自行车有效车辆数获取方法
CN109584546A (zh) 一种快速-常规公交共享车道发车流量阈值的确定方法
CN116090785B (zh) 针对大型活动散场场景两阶段的定制公交规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant