CN110298558A - 车辆资源部署方法和装置 - Google Patents

车辆资源部署方法和装置 Download PDF

Info

Publication number
CN110298558A
CN110298558A CN201910502658.5A CN201910502658A CN110298558A CN 110298558 A CN110298558 A CN 110298558A CN 201910502658 A CN201910502658 A CN 201910502658A CN 110298558 A CN110298558 A CN 110298558A
Authority
CN
China
Prior art keywords
cluster
vehicle
center
demand
deployment
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.)
Pending
Application number
CN201910502658.5A
Other languages
English (en)
Inventor
杨旭光
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.)
Euler Information Services Co Ltd
Original Assignee
Euler Information Services Co Ltd
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 Euler Information Services Co Ltd filed Critical Euler Information Services Co Ltd
Priority to CN201910502658.5A priority Critical patent/CN110298558A/zh
Publication of CN110298558A publication Critical patent/CN110298558A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本发明涉及数据处理领域，提供一种车辆资源部署方法和装置。本发明所述的车辆资源部署方法包括：采集多个需求点的定位信息；对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇；对所述至少一个簇中的每个簇进行K‑means聚类，得到所述每个簇的簇中心；根据所述多个需求点的定位信息和所述每个簇的簇中心得到所述每个簇中心的位置信息；根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署，以使聚类效果与实际数据分布拟合度高，车辆部署更准确。

Description

车辆资源部署方法和装置
技术领域
本发明涉及数据处理技术领域，特别涉及一种车辆资源部署方法和装置。
背景技术
对出行服务提供商来说，比较理想的是准确地知晓在特定时间哪些位置是用户用车的热点区域，并及时将相应数量的车辆资源调度到这些热门地点。
对此，可以利用聚类算法进行处理，例如K-means聚类和DBSCAN聚类是两种聚类方案。采用K-means聚类的方案可以给出各个簇(类)中心，但很难处理非凸数据(非球形的簇)，另外，还需要人为事先规定聚类数K，指定不同的K值，而用户用车需求位置分布无法保证是凸集(球形簇)，并且不同时间分布情况是不同的，无法事先知道有多少个聚集区域，所以也就无法确定合适的聚类数，造成实际聚类效果不好。而基于DBSCAN聚类的方案虽然可以根据位置的实际分布的紧密程度进行聚类而不需要事先指定聚类数，但是聚类区域很不规则，无法据此有效部署服务，并且无法给出各个簇(类)中心。再者，DBSCAN聚类也需要事先指定相关参数：扫描半径(eps)和扫描半径内需至少包含的点数(MinPts)，而不同时间及不同地区需求的位置分布密度是不同的，很难事先给出一组合适的相关参数(eps和MinPts)，所以实际聚类效果不佳，从而难以精确部署车辆。
发明内容
有鉴于此，本发明旨在提出一种车辆资源部署方法，以使聚类效果与实际数据分布拟合度高，车辆部署更准确。
为达到上述目的，本发明的技术方案是这样实现的：
一种车辆资源部署方法，所述车辆资源部署方法包括：采集多个需求点的定位信息；对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇；对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心；根据所述多个需求点的定位信息和所述每个簇的簇中心得到所述每个簇中心的位置信息；根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署。
进一步的，所述需求点为用户约车时的位置和/或成单时车辆的位置。
进一步的，所述对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇包括：设置DBSCAN聚类的相关参数和迭代步长，所述相关参数包括扫描半径和扫描半径内需至少包含的点数；根据所述初始相关参数对所述多个需求点进行DBSCAN聚类，得到至少一个簇；根据所述迭代步长更新所述相关参数，并使用更新的相关参数重复上述聚类步骤，直到所得到的至少一个簇之外的需求点占所有需求点的比例在最接近预设值时停止，并以此次聚类所得到的至少一个簇为最终结果。
进一步的，所述对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心包括：将所述至少一个簇中的每个簇的需求点占所有需求点的比例乘以期望簇总数，得到所述每个簇的K-means聚类的K值；根据所述每个簇的K-means聚类的K值对所述每个簇进行K-means聚类。
进一步的，所述根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署包括：使用所述每个簇中心对应的簇的需求点占所有需求点的比例乘以所述可部署的车辆的数量，得到所述每个簇中心周围建议部署的车辆的数量；根据所述每个簇中心周围建议部署的车辆的数量以及所述每个簇中心的位置信息，进行所述车辆的部署。
相对于现有技术，本发明所述的车辆资源部署方法具有以下优势：
本发明所述的车辆资源部署方法在采集多个需求点的定位信息之后，先进行多次迭代式DBSCAN聚类，再对聚类的结果进行K-means聚类，从而根据聚类得到的至少一个簇中心的位置信息、每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，对得到的至少一个簇中心进行车辆的部署，可以使聚类效果与实际数据分布拟合度高，车辆部署更准确。
本发明的另一目的在于提出一种车辆资源部署装置，以使聚类效果与实际数据分布拟合度高，车辆部署更准确。
为达到上述目的，本发明的技术方案是这样实现的：
一种车辆资源部署装置，所述车辆资源部署装置包括：采集单元、聚类单元以及部署单元，其中，所述采集单元用于采集多个需求点的定位信息；所述聚类单元用于：对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇；对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心；根据所述多个需求点的定位信息和所述每个簇的簇中心得到所述每个簇中心的位置信息；所述部署单元用于根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署。
进一步的，所述需求点为用户约车时的位置和/或成单时车辆的位置。
进一步的，所述对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇包括：设置DBSCAN聚类的相关参数和迭代步长，所述相关参数包括扫描半径和扫描半径内需至少包含的点数；根据所述初始相关参数对所述多个需求点进行DBSCAN聚类，得到至少一个簇；根据所述迭代步长更新所述相关参数，并使用更新的相关参数重复上述聚类步骤，直到所得到的至少一个簇之外的需求点占所有需求点的比例在最接近预设值时停止，并以此次聚类所得到的至少一个簇为最终结果。
进一步的，所述对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心包括：将所述至少一个簇中的每个簇的需求点占所有需求点的比例乘以期望簇总数，得到所述每个簇的K-means聚类的K值；根据所述每个簇的K-means聚类的K值对所述每个簇进行K-means聚类。
进一步的，所述根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署包括：使用所述每个簇中心对应的簇的需求点占所有需求点的比例乘以所述可部署的车辆的数量，得到所述每个簇中心周围建议部署的车辆的数量；根据所述每个簇中心周围建议部署的车辆的数量以及所述每个簇中心的位置信息，进行所述车辆的部署。
所述车辆资源部署装置与上述车辆资源部署方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明一实施例提供的车辆资源部署方法的流程图；
图2是本发明一实施例提供的多次迭代式DBSCAN聚类方法的流程图；
图3是本发明一实施例提供的K-means聚类方法的流程图；
图4是本发明另一实施例提供的车辆资源部署方法的流程图；
图5是本发明一实施例提供的车辆资源部署装置的结构示意图。
附图标记说明
1 采集单元 2 聚类单元
3 部署单元
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
下面将参考附图并结合实施方式来详细说明本发明。
图1是本发明一实施例提供的车辆资源部署方法的流程图。如图1所示，所述车辆资源部署方法包括：
步骤S11，采集多个需求点的定位信息；
步骤S12，对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇；
步骤S13，对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心；
步骤S14，根据所述多个需求点的定位信息和所述每个簇的簇中心得到所述每个簇中心的位置信息；
步骤S15，根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署。
在本发明中，车辆可以特指为共享车辆，其中，使用的两个聚类方法分别如下：
K-means(K均值)聚类是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。其中K代表簇(类)个数，means代表类簇内数据对象的均值。
DBSCAN聚类(Density-Based Spatial Clustering of Applications withNoise，具有噪声的基于密度的聚类方法)是一个基于密度的聚类算法。它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在带有噪声(异常点)的空间数据库中发现任意形状的聚类。DBSCAN需要事先指定两个相关参数：扫描半径(eps)和扫描半径内需至少包含的点数(MinPts)。
本发明实施例分两阶段对定位数据依次进行DBSCAN聚类和K-means聚类，并通过自学习的方式确定最佳聚类参数。具体来说，首先对原始定位数据进行DBSCAN聚类，根据数据密度分布情况给出一个粗略的划分，剔除掉一些异常点(分布比较分散，离其他点较远的孤立点)，然后在此基础上再采用K-means聚类进行细化，给出分布半径比较合理的聚集区域的中心地点。在第一阶段进行DBSCAN聚类时，没有采用固定的相关参数(eps和MinPts)，而是根据实际的位置数据分布情况，通过多次迭代，学习到最优的相关参数(eps和MinPts)。在第二阶段，分别对第一阶段聚类结果中较大的簇再进行一次K-means聚类，得到每个簇的簇中心，以便计算簇中心的位置信息，从而部署车辆。
首先进行定位数据采集：通过终端设备中的定位系统采集多个需求点的定位信息，汇总生成位置数据集。其中每个位置数据为二元组(经度，纬度)。终端设备根据业务场景的不同，可以是任何内置定位系统的装置，如用户手机或乘坐车辆等，通过用户手机采集的是用户约车时的位置，通过乘坐车辆采集的是成单时车辆的位置。定位可以采用GPS或北斗导航系统等，只要能以经纬度形式提供位置信息即可。需要说明的是，本方法的目标是分析位置的聚集情况，所以并不收集任何位置信息以外的数据，很好的保护了用户的隐私。
下文将详细说明采集定位信息之后的步骤。
图2是本发明一实施例提供的多次迭代式DBSCAN聚类方法的流程图。如图2所示，该方法包括：
步骤S21，设置DBSCAN聚类的相关参数和迭代步长，所述相关参数包括eps和MinPts；
步骤S22，根据所述初始相关参数对所述多个需求点进行DBSCAN聚类，得到至少一个簇；
步骤S23，判断所得到的至少一个簇之外的需求点占所有需求点的比例是否最接近预设值；
步骤S24，在所得到的至少一个簇之外的需求点占所有需求点的比例未最接近预设值时，根据所述迭代步长更新所述相关参数，并使用更新的相关参数重复上述聚类步骤；
步骤S25，在所得到的至少一个簇之外的需求点占所有需求点的比例是否最接近预设值时停止，并以此次聚类所得到的至少一个簇为最终结果。
首先，第一步如本实施例所述，进行多次迭代式DBSCAN聚类。具体为：
设定DBSCAN聚类的相关参数初始值和迭代步长：
相关参数初始值：包括eps(扫描半径)和MinPts(扫描半径内需至少包含的点数)。以A城市用户使用共享汽车的业务场景为例，eps初始值优选设为1(单位为千米)，MinPts初始值优选设为3，但不限于此。需要说明的是，MinPts初始值应该设置为比较小的值，以便在迭代开始时，包含尽可能多的位置点，然后在每次迭代中逐步加大密度，逐步排除一些异常点(孤立点，即簇之外的需求点)，直到满足终止条件。
迭代步长：即在每次迭代中eps(扫描半径)减小的值和MinPts(扫描半径内需至少包含的点数)增加的值。以A城市用户使用共享汽车的业务场景为例，设置eps步长优选为0.1(单位为千米)，即每次迭代值减少0.1，设置MinPts步长优选为1，即每次迭代值增加1，但不限于此。
然后，进行迭代式DBSCAN聚类，即对定位信息进行多次DBSCAN聚类。在本步骤中，需要进行多次迭代，目的是学习到合适的聚类参数，以达到最佳的聚类效果。由于有两个参数(eps和MinPts)需要学习，如果每次迭代中同时调整这两个参数，由于组合太多，学习过程会变得冗长。所以可以使两个参数分开学习，即在迭代中，学习其中一个参数时，固定另一个参数。具体就eps和MinPts两个参数来说，虽然缩小eps(扫描半径)和增加MinPts(半径内需至少包含的点数)都可以使得密度变大，但由于圆的面积和半径的平方成正比，所以缩小eps，密度增加的更多，这样可以更快地进入事先规定的合理区间，所以在迭代初期，固定MinPts，逐步缩小eps，直到异常点比例进入事先设置的范围。在此后的迭代中，固定eps，逐步增大MinPts，一直到异常点比例接近事先设定的范围区间中值(即预设值)时，迭代结束。两次迭代对应的异常点比例分别位于范围区间中值(即预设值)两侧时，这两次迭代聚类中一定有一次的异常点比例是最接近范围区间中值(即预设值)的。最终结果取异常点比例离范围区间中值(即预设值)较近的那次聚类得到的至少一个簇。此时的参数即为学习到的最优值，聚类结果也为最佳。例如迭代终止时，被排除的异常点所占的比例范围为x％～y％,其中x，y取整数，且x<y。迭代结束时，异常点所占比例应该接近该区间的中心，即(x+y)/2。以A城市用户使用共享汽车的业务场景为例，取值范围优选可以为5％-9％，中值即为7％。
图3是本发明一实施例提供的K-means聚类方法的流程图。如图3所示，
步骤S31，将所述至少一个簇中的每个簇的需求点占所有需求点的比例乘以期望簇总数，得到所述每个簇的K-means聚类的K值；
步骤S32，根据所述每个簇的K-means聚类的K值对所述每个簇进行K-means聚类。
然后，如本实施例所述，对DBSCAN聚类得到的至少一个簇中的每个簇进行K-means聚类。具体为：
对上一步DBSCAN聚类后生成的至少一个簇中的每个簇分别再进行一次K-means聚类，将比较大的簇进一步划分成K个更小的簇，并给出各个簇的聚类中心。其中，每次K-means聚类中使用的K值根据各个DBSCAN聚类簇的大小及期望的最终簇的数目自动计算。以A城市用户使用共享汽车的业务场景为例，设上一步DBSCAN聚类后生成的某个簇C包含的需求点占全部需求点的比例为p(0＝<p<＝1)，而期望簇总数为n(即期望最终得到多少个簇，此处可以根据待部署车辆数量进行设置)，则对簇C进行K-means聚类时，K值设为对n*p进行下取整的结果，另外，如果n*p小于1，则K设为1。例如，n＝35，p＝0.3，n*p＝10.5，则K＝10；n＝35，p＝0.05，n*p＝0.175，则K＝1。对于比较小的类别，K值设为1，即不再进一步划分，只计算其簇中心。至于K-means聚类详细的聚类过程较为公知，在此不再赘述。
图4是本发明另一实施例提供的车辆资源部署方法的流程图。如图4所示，该方法包括：
步骤S41，使用所述每个簇中心对应的簇的需求点占所有需求点的比例乘以所述可部署的车辆的数量，得到所述每个簇中心周围建议部署的车辆的数量；
步骤S42，根据所述每个簇中心周围建议部署的车辆的数量以及所述每个簇中心的位置信息，进行所述车辆的部署。
在本实施例中，使用上述K-means聚类得到的簇中心进行车辆的部署，具体如下：
将上一步得到的各个簇中心对应的经纬度数据转换成具体的位置，并根据各个簇包含的需求点占所有需求点的比例，结合可提供的服务总量，给出各个热点区域中心周围建议部署的服务数量。以A城市用户使用共享汽车的业务场景为例，如果某个簇i包含的需求点占所有需求点的比例为p(0＝<p<＝1)，可提供的车辆总数为m，则该簇中心周围建议部署的车辆数为对m*p进行下取整的结果。
本发明针对基于K-means聚类的方案和基于DBSCAN聚类的方案的不足，本发明分两阶段分别使用DBSCAN和K-means对定位数据进行聚类，既发挥了各自的优点，同时规避了各自的缺点。并且不再事先给出固定的参数，而是根据实际定位数据分布，动态自适应地学习最佳的DBSCAN聚类的相关参数(eps和MinPts)及K-means聚类最终聚类数(K)，从而解决了使用固定参数导致的聚类效果与实际数据分布拟合度差，聚类半径过大或过小，实用性差等问题。
图5是本发明一实施例提供的车辆资源部署装置的结构示意图。如图5所示，所述车辆资源部署装置包括：采集单元1、聚类单元2以及部署单元3，其中，所述采集单元1用于采集多个需求点的定位信息；所述聚类单元2用于：对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇；对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心；根据所述多个需求点的定位信息和所述每个簇的簇中心得到所述每个簇中心的位置信息；所述部署单元3用于根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署。
进一步的，所述需求点为用户约车时的位置和/或成单时车辆的位置。
进一步的，所述对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇包括：设置DBSCAN聚类的相关参数和迭代步长，所述相关参数包括eps和MinPts；根据所述初始相关参数对所述多个需求点进行DBSCAN聚类，得到至少一个簇；根据所述迭代步长更新所述相关参数，并使用更新的相关参数重复上述聚类步骤，直到所得到的至少一个簇之外的需求点占所有需求点的比例在最接近预设值时停止，并以此次聚类所得到的至少一个簇为最终结果。
进一步的，所述对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心包括：将所述至少一个簇中的每个簇的需求点占所有需求点的比例乘以期望簇总数，得到所述每个簇的K-means聚类的K值；根据所述每个簇的K-means聚类的K值对所述每个簇进行K-means聚类。
进一步的，所述根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署包括：使用所述每个簇中心对应的簇的需求点占所有需求点的比例乘以所述可部署的车辆的数量，得到所述每个簇中心周围建议部署的车辆的数量；根据所述每个簇中心周围建议部署的车辆的数量以及所述每个簇中心的位置信息，进行所述车辆的部署。
上述车辆资源部署装置与上文所述的车辆资源部署方法的实施例类似，在此不再赘述。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车辆资源部署方法，其特征在于，所述车辆资源部署方法包括：
采集多个需求点的定位信息；
对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇；
对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心；
根据所述多个需求点的定位信息和所述每个簇的簇中心得到所述每个簇中心的位置信息；
根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署。
2.根据权利要求1所述的车辆资源部署方法，其特征在于，所述需求点为用户约车时的位置和/或成单时车辆的位置。
3.根据权利要求1所述的车辆资源部署方法，其特征在于，所述对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇包括：
设置DBSCAN聚类的相关参数和迭代步长，所述相关参数包括扫描半径和扫描半径内需至少包含的点数；
根据所述初始相关参数对所述多个需求点进行DBSCAN聚类，得到至少一个簇；
根据所述迭代步长更新所述相关参数，并使用更新的相关参数重复上述聚类步骤，直到所得到的至少一个簇之外的需求点占所有需求点的比例在最接近预设值时停止，并以此次聚类所得到的至少一个簇为最终结果。
4.根据权利要求1所述的车辆资源部署方法，其特征在于，所述对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心包括：
将所述至少一个簇中的每个簇的需求点占所有需求点的比例乘以期望簇总数，得到所述每个簇的K-means聚类的K值；
根据所述每个簇的K-means聚类的K值对所述每个簇进行K-means聚类。
5.根据权利要求1所述的车辆资源部署方法，其特征在于，所述根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署包括：
使用所述每个簇中心对应的簇的需求点占所有需求点的比例乘以所述可部署的车辆的数量，得到所述每个簇中心周围建议部署的车辆的数量；
根据所述每个簇中心周围建议部署的车辆的数量以及所述每个簇中心的位置信息，进行所述车辆的部署。
6.一种车辆资源部署装置，其特征在于，所述车辆资源部署装置包括：
采集单元、聚类单元以及部署单元，其中，
所述采集单元用于采集多个需求点的定位信息；
所述聚类单元用于：
对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇；
对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心；
根据所述多个需求点的定位信息和所述每个簇的簇中心得到所述每个簇中心的位置信息；
所述部署单元用于根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署。
7.根据权利要求6所述的车辆资源部署装置，其特征在于，所述需求点为用户约车时的位置和/或成单时车辆的位置。
8.根据权利要求6所述的车辆资源部署装置，其特征在于，所述对所述多个需求点进行多次迭代式DBSCAN聚类，得到至少一个簇包括：
设置DBSCAN聚类的相关参数和迭代步长，所述相关参数包括扫描半径和扫描半径内需至少包含的点数；
根据所述初始相关参数对所述多个需求点进行DBSCAN聚类，得到至少一个簇；
根据所述迭代步长更新所述相关参数，并使用更新的相关参数重复上述聚类步骤，直到所得到的至少一个簇之外的需求点占所有需求点的比例在最接近预设值时停止，并以此次聚类所得到的至少一个簇为最终结果。
9.根据权利要求6所述的车辆资源部署装置，其特征在于，所述对所述至少一个簇中的每个簇进行K-means聚类，得到所述每个簇的簇中心包括：
将所述至少一个簇中的每个簇的需求点占所有需求点的比例乘以期望簇总数，得到所述每个簇的K-means聚类的K值；
根据所述每个簇的K-means聚类的K值对所述每个簇进行K-means聚类。
10.根据权利要求6所述的车辆资源部署装置，其特征在于，所述根据所述每个簇中心的位置信息、所述每个簇中心对应的簇的需求点的数量以及可部署的车辆的数量，进行所述车辆的部署包括：
使用所述每个簇中心对应的簇的需求点占所有需求点的比例乘以所述可部署的车辆的数量，得到所述每个簇中心周围建议部署的车辆的数量；
根据所述每个簇中心周围建议部署的车辆的数量以及所述每个簇中心的位置信息，进行所述车辆的部署。
CN201910502658.5A 2019-06-11 2019-06-11 车辆资源部署方法和装置 Pending CN110298558A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910502658.5A CN110298558A (zh) 2019-06-11 2019-06-11 车辆资源部署方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910502658.5A CN110298558A (zh) 2019-06-11 2019-06-11 车辆资源部署方法和装置

Publications (1)

Publication Number Publication Date
CN110298558A true CN110298558A (zh) 2019-10-01

Family

ID=68027829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910502658.5A Pending CN110298558A (zh) 2019-06-11 2019-06-11 车辆资源部署方法和装置

Country Status (1)

Country Link
CN (1) CN110298558A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144612A (zh) * 2019-11-27 2020-05-12 北京中交兴路信息科技有限公司 一种加油站位置点预测方法、装置、存储介质及终端
CN111372186A (zh) * 2019-12-17 2020-07-03 广东小天才科技有限公司 一种非均匀定位场景下的位置计算方法及终端设备
CN112380906A (zh) * 2020-10-19 2021-02-19 上汽通用五菱汽车股份有限公司 一种基于行车数据确定用户住址的方法
CN114048915A (zh) * 2021-11-23 2022-02-15 中国民用航空总局第二研究所 机场无障碍服务资源规划方法、装置、设备及介质
CN116047546A (zh) * 2022-07-07 2023-05-02 北京玖天气象科技有限公司 基于多源卫星数据的山火监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577602A (zh) * 2013-11-18 2014-02-12 浪潮(北京)电子信息产业有限公司 一种二次聚类方法及系统
CN105427003A (zh) * 2015-12-30 2016-03-23 北京航空航天大学 一种基于出行需求分析的公交站点部署方法
WO2017201605A1 (en) * 2016-05-03 2017-11-30 Affinio Inc. Large scale social graph segmentation
CN108182446A (zh) * 2017-12-13 2018-06-19 北京中交兴路信息科技有限公司 一种基于聚类算法的司机常驻地预测方法及装置
CN108664995A (zh) * 2018-04-18 2018-10-16 宁波工程学院 基于DBScan的多粒度城市公共自行车调度方法及系统
CN109583799A (zh) * 2017-09-28 2019-04-05 北京三快在线科技有限公司 区域划分的方法及装置、电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577602A (zh) * 2013-11-18 2014-02-12 浪潮(北京)电子信息产业有限公司 一种二次聚类方法及系统
CN105427003A (zh) * 2015-12-30 2016-03-23 北京航空航天大学 一种基于出行需求分析的公交站点部署方法
WO2017201605A1 (en) * 2016-05-03 2017-11-30 Affinio Inc. Large scale social graph segmentation
CN109583799A (zh) * 2017-09-28 2019-04-05 北京三快在线科技有限公司 区域划分的方法及装置、电子设备
CN108182446A (zh) * 2017-12-13 2018-06-19 北京中交兴路信息科技有限公司 一种基于聚类算法的司机常驻地预测方法及装置
CN108664995A (zh) * 2018-04-18 2018-10-16 宁波工程学院 基于DBScan的多粒度城市公共自行车调度方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
C.Y. XUE， Y.X. LI: "Exploring Traffic Patterns of Bicycle Sharing System", 《PROCEEDINGS OF THE 2ND INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND APPLICATION ENGINEERING》 *
王科明: "共享汽车场站选址决策及联合调度优化研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144612A (zh) * 2019-11-27 2020-05-12 北京中交兴路信息科技有限公司 一种加油站位置点预测方法、装置、存储介质及终端
CN111144612B (zh) * 2019-11-27 2023-05-09 北京中交兴路信息科技有限公司 一种加油站位置点预测方法、装置、存储介质及终端
CN111372186A (zh) * 2019-12-17 2020-07-03 广东小天才科技有限公司 一种非均匀定位场景下的位置计算方法及终端设备
CN111372186B (zh) * 2019-12-17 2021-08-24 广东小天才科技有限公司 一种非均匀定位场景下的位置计算方法及终端设备
CN112380906A (zh) * 2020-10-19 2021-02-19 上汽通用五菱汽车股份有限公司 一种基于行车数据确定用户住址的方法
CN112380906B (zh) * 2020-10-19 2024-05-31 上汽通用五菱汽车股份有限公司 一种基于行车数据确定用户住址的方法
CN114048915A (zh) * 2021-11-23 2022-02-15 中国民用航空总局第二研究所 机场无障碍服务资源规划方法、装置、设备及介质
CN116047546A (zh) * 2022-07-07 2023-05-02 北京玖天气象科技有限公司 基于多源卫星数据的山火监测方法
CN116047546B (zh) * 2022-07-07 2024-02-27 北京玖天气象科技有限公司 基于多源卫星数据的山火监测方法

Similar Documents

Publication Publication Date Title
CN110298558A (zh) 车辆资源部署方法和装置
Soto et al. Robust land use characterization of urban landscapes using cell phone data
CN110533038A (zh) 一种基于信息数据的城市活力区和中心城区边界识别的方法
CN105718465A (zh) 地理围栏生成方法及装置
Lee et al. Urban spatiotemporal analysis using mobile phone data: Case study of medium-and large-sized Korean cities
Jin et al. Location-based social networking data: exploration into use of doubly constrained gravity model for origin–destination estimation
CN105744566B (zh) 一种基于感知器的自适应按需加权分簇方法
CN108810846B (zh) 一种基于城市公共交通的车载网络群感知覆盖方法
US20180124566A1 (en) Method and system for a real-time counting of a number of persons in a crowd by means of aggregated data of a telecommunication network
Syamkumar et al. Deployment characteristics of" the edge" in mobile edge computing
CN106507475A (zh) 基于EKNN的室内区域WiFi定位方法及系统
CN109034474A (zh) 一种基于poi数据和客流数据的地铁站聚类与回归分析方法及系统
CN104809572A (zh) 一种基于夜晚灯光数据反演人口密度的方法
Rodrigues et al. Measures in sectorization problems
CN103185589A (zh) 一种群组车辆行驶路径规划方法、装置和系统
Schmitt et al. Community-level access divides: A refugee camp case study
EP3278579A1 (en) Method and system for estimating a posteriori a number of persons in one or more crowds by means of aggregated data of a telecommunication network
Lee et al. The attributes of residence/workplace areas and transit commuting
CN112734607A (zh) 基于基础教育设施的可达性分析评价方法
US8250002B2 (en) Method and system for positioning
CN117151427B (zh) 一种基于大数据的交通警务协同管理方法及系统
CN107493579B (zh) 一种高校无线网建设前规划方法和装置
Kong et al. Charging pile siting recommendations via the fusion of points of interest and vehicle trajectories
Asvial et al. Internet of Things Solution for Motorcycle Riders to Overcome Traffic Jam in Jakarta Using EBkSP
CN110428196A (zh) 针对物流网点选址的定量分析方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191001