CN110796496A - 激励区域的设置方法、装置、计算机设备和存储介质 - Google Patents
激励区域的设置方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110796496A CN110796496A CN201911054738.5A CN201911054738A CN110796496A CN 110796496 A CN110796496 A CN 110796496A CN 201911054738 A CN201911054738 A CN 201911054738A CN 110796496 A CN110796496 A CN 110796496A
- Authority
- CN
- China
- Prior art keywords
- grid
- historical
- period
- vehicle
- determining
- 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
Links
Images
Classifications
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种共享车辆激励区域的设置方法、装置、计算机设备和存储介质。该方法包括:获取各个时段内第一网格的历史数据;第一网格通过划分共享车辆的运营区域而得到,历史数据包括历史画像数据和历史订单数据;通过第一网格所对应的车辆供需预测模型,根据第一网格的历史画像数据确定下一周期各个时段内第一网格的车辆需求量;根据下一周期各个时段内第一网格的车辆需求量和历史订单数据,确定下一周期各个时段内第一网格的综合评分;若下一周期各个时段内第一网格的综合评分满足第一预设条件,则确定第一网格为激励区域。不仅可以保证共享车辆的有效迁移,并提高共享车辆的使用率,解决了传统技术中车辆使用率不足的技术问题。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种共享车辆激励区域的设置方法、装置、计算机设备和存储介质。
背景技术
共享单车、共享汽车等共享车辆已经成为城市中新兴的出行方式,可以有效满足城市人群的出行需求。
由于共享车辆的数量呈爆发式增长,如何有效地调度车辆以抵御时空维度的“潮汐”效应,是共享车辆企业面临的核心问题之一。目前主流的调度方式是人工调度,运维端的全职或者兼职人员根据自身的经验驾驶调度车辆对各个区域的车辆进行调度。
但是,在传统技术中的调度方式难以保证共享车辆的有效迁移,导致车辆使用率不足的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种有利于共享车辆的迁移,提高车辆使用率的共享车辆激励区域的设置方法、装置、计算机设备和存储介质。
一种共享车辆激励区域的设置方法,所述方法包括:
获取各个时段内第一网格的历史数据;所述第一网格通过划分共享车辆的运营区域而得到,所述历史数据包括历史画像数据和历史订单数据;
通过所述第一网格所对应的车辆供需预测模型,根据所述第一网格的历史画像数据确定下一周期各个时段内所述第一网格的车辆需求量;
根据下一周期各个时段内所述第一网格的车辆需求量和所述历史订单数据,确定下一周期各个时段内所述第一网格的综合评分;
若下一周期各个时段内所述第一网格的综合评分满足第一预设条件,则确定所述第一网格为所述激励区域。
上述共享车辆激励区域的设置方法通过设置激励区域,吸引用户使用共享车辆并将共享车辆移动至激励区域,由于激励区域的需求量大以及激励区域内的共享车辆后续产生订单的能力,不仅可以保证共享车辆的有效迁移,并提高共享车辆的使用率,解决了传统技术中车辆使用率不足的技术问题。
附图说明
图1为一个实施例中共享车辆激励区域的设置方法的应用环境图;
图2为一个实施例中共享车辆激励区域的设置方法的流程示意图;
图3为一个实施例中共享车辆激励区域的设置方法的流程示意图;
图4为一个实施例中共享车辆激励区域的设置方法的流程示意图;
图5为一个实施例中共享车辆激励区域的设置方法的流程示意图;
图6为一个实施例中共享车辆激励区域的设置方法的流程示意图;
图7为一个实施例中共享车辆激励区域的设置方法的流程示意图;
图8为一个实施例中共享车辆激励区域的设置装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供一种共享车辆激励区域的设置方法,可以应用于图1所示的应用环境中。其中,终端110通过网络与服务器120进行数据交互,本申请对终端110与服务器120的数据交互方式不进行限制。终端110可以用于显示应用程序的应用页面,应用页面内设有使用共享车辆所对应的第一按钮和查看激励区域对应的第二按钮,且通过应用页面显示共享车辆的运营区域的地图、车辆分布。可以将共享车辆的运营区域划分为若干个网格,每个网格对应有不同的供需关系数据和翻台数据。通过前端埋点或者后端埋点的形式,服务器120可以获取各个网格的历史供需关系数据和历史翻台数据,根据每个网格的历史供需关系数据和历史翻台数据判断是否将该网格设置激励区域,并为激励区域分配对应的激励资源。通过应用页面还可以显示激励区域、激励区域所对应的激励资源。具体地,服务器120获取各个时段内第一网格的历史数据;第一网格通过划分共享车辆的运营区域而得到,历史数据包括历史画像数据和历史订单数据;通过第一网格所对应的车辆供需预测模型,根据第一网格的历史画像数据确定下一周期各个时段内第一网格的车辆需求量;根据下一周期各个时段内第一网格的车辆需求量和历史订单数据,确定下一周期各个时段内第一网格的综合评分;若下一周期各个时段内第一网格的综合评分满足第一预设条件,则确定第一网格为激励区域。
其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,本申请提供了一种共享车辆激励区域的设置方法,以该方法应用于图1的应用环境中的服务器为例进行说明,包括以下步骤:
S210、获取各个时段内第一网格的历史数据。
其中,第一网格通过划分共享车辆的运营区域而得到。运营区域是指需要使用共享车辆的地理区域,可以是以省、市、县或区为单位的区域,比如运营区域可以是上海市,也可以是上海市宝山区等。可以根据运营区域的面积等可以将运营区域划分为多个第一网格,也可以通过GeoHash将运营区域进行划分得到多个第一网格,比如第一网格的规格可以是8位的GeoHash网格,或者6位的GeoHash网格。Geohash是由Gustavo Niemeyer提出的把空间划分为网格的地理编码,是一种分级的数据结构。在此对运营区域和第一网格不作限制。在一个周期内,可以包括多个时段,比如时段可以是7:00~8:00,也可以是8:00~10:00等。时段还可以对工作日和节假日进行区分,如可以是工作日7:00~9:00,还可以是节假日10:00~11:00等。周期可以是一天,或者两天等。周期和时段的时长可以根据需要自由设置,不同周期和不同时段的时长可以相同也可以不同。针对任一第一网格内,第一网格内可以停放有若干共享车辆,用户可以开锁第一网格内停放的共享车辆以使用共享车辆,用户也可以将共享车辆移动至第一网格并内并关锁。服务器采集第一网格内产生的骑行数据,根据第一网格内产生的骑行数据对第一网格建模,生成第一网格的画像数据。共享车辆自第一网格移出后,用户开锁和使用共享车辆,服务器会生成对应的订单数据。
具体地,从服务器本地或者与服务器通信连接的服务器获取各个时段内第一网格的历史数据。历史数据可以包括服务器在下一周期之前的一个或者多个周期内生成的历史画像数据或者历史订单数据。比如,历史数据可以包括当前周期的上一周期内生成的历史画像数据或者历史订单数据,也可以包括当前周期的上一周期内及上一周期之前生成的历史画像数据或者历史订单数据。某个时段内的历史画像数据可以用于预测在下一周期该时段内第一网格的车辆需求量,某个时段内的历史订单数据可以在一定程度上反映在下一周期该时段内第一网格内的共享车辆后续产生的订单数量。
S220、通过第一网格所对应的车辆供需预测模型,根据第一网格的历史画像数据确定下一周期各个时段内第一网格的车辆需求量。
其中,第一网格所对应的车辆供需预测模型可以是利用多个训练样本数据对通用机器学习模型训练得到的。具体的,服务器获取多个训练样本数据,并标注每组训练样本数据对应的标签。通用机器学习模型包括多个模型参数。服务器计算预测量与标签的差异,根据差异调整通用机器学习模型的模型参数并继续训练,直至满足训练停止条件时结束训练,得到第一网格所对应的车辆供需预测模型。
具体地,运营区域内的第一网格具有对应的车辆供需预测模型。通过第一网格所对应的车辆供需预测模型,服务器根据某个第一网格的历史画像数据可以确定下一周期各个时段内该第一网格的车辆需求量。车辆需求量是第一网格在各个时段需要共享车辆的数量。
S230、根据下一周期各个时段内第一网格的车辆需求量和历史订单数据,确定下一周期各个时段内第一网格的综合评分。
其中,在设置共享车辆激励区域时,一方面,要考虑第一网格内的车辆需求量以确保共享车辆在下个周期内可以被使用,另一方面,要考虑第一网格内的共享车辆后续产生订单的能力。因此,结合各个第一网格的车辆需求量和历史订单数据建立打分模型。具体地,通过第一网格所对应的车辆供需预测模型得到下一周期各个时段内第一网格的车辆需求量,且已知第一网格内在各个时段的历史订单数据,则将下一周期各个时段内第一网格的车辆需求量和历史订单数据输入至建立的打分模型,确定下一周期各个时段内第一网格的综合评分。第一网格的综合评分越高,说明该第一网格内的共享车辆可以有效迁移且能够大概率利用。即第一网格的综合评分可以反映出该第一网格内的共享车辆的使用率。
S240、若下一周期各个时段内第一网格的综合评分满足第一预设条件,则确定第一网格为激励区域。
其中,第一预设条件是判断第一网格是否可以被设置为激励区域的条件。第一预设条件可以是第一网格的综合评分要大于根据经验或者数据分析设置的综合评分值。第一预设条件也可以是根据第一网格的总数量设置的综合评分最高的百分比,比如对每个第一网格的综合评分进行排序,选择综合评分最高的百分至一或者百分之二的第一网格作为激励区域,在此对具体地百分比数值不作限定。具体地,将运营区域划分为多个第一网格,计算每个第一网格的综合评分,判断各个第一网格的综合评分是否满足第一预设条件,将满足第一预设条件的各第一网格确定为激励区域。
本实施例中,通过获取各个时段内第一网格的历史数据;第一网格通过划分共享车辆的运营区域而得到,历史数据包括历史画像数据和历史订单数据;通过第一网格所对应的车辆供需预测模型,根据第一网格的历史画像数据确定下一周期各个时段内第一网格的车辆需求量;根据下一周期各个时段内第一网格的车辆需求量和历史订单数据,确定下一周期各个时段内第一网格的综合评分;若下一周期各个时段内第一网格的综合评分满足第一预设条件,则确定第一网格为激励区域。通过设置激励区域,吸引用户使用共享车辆并将共享车辆移动至激励区域,进一步由于激励区域的需求量大以及激励区域内的共享车辆后续产生订单的能力,不仅保证共享车辆的有效迁移,并提高共享车辆的使用率,解决了传统技术中车辆使用率不足的技术问题。
在一个实施例中,在获取各个时段内第一网格的历史数据之后,该方法还包括:根据第一网格的历史画像数据确定第一网格所属的类别,并根据第一网格所属的类别调用对应的车辆供需预测模型。
其中,由于将运营区域划分为多个第一网格,从统计学的角度来看,各个第一网格的历史画像数据是不同的,不同的历史画像数据具有不同的特征属性,不同的特征属性对应第一网格所属的类别。不同类别的第一网格需要采用不同的车辆供需预测模型进行车辆需求量的预测以确保预测结果的准确性。具体地,服务器获取到第一网格的历史画像数据,根据某个第一网格的历史画像数据确定该第一网格所属的类别。不同类别的第一网格具有对应的车辆供需预测模型,则根据第一网格所属的类别调用对应的车辆供需预测模型,以对车辆需求量进行预测。示例性地,历史画像数据包括共享车辆的用户历史开锁次数,可以根据某第一网格在近两周的日均开锁次数确定该第一网格所属的类别。比如,若该第一网格在近两周的日均开锁次数大于预设次数(4次或者9次等),则设置该第一网格所属的类别为第一类别,若该第一网格在近两周的日均开锁次数小于预设次数(4次或者9次等),则设置该第一网格所属的类别为第二类别。
本实施例中,通过根据第一网格的历史画像数据确定第一网格所属的类别,并根据第一网格所属的类别调用对应的车辆供需预测模型,提高共享车辆需求量的测算准确度。
在一个实施例中,历史数据还包括历史车辆数量统计值。历史车辆数量统计值是指下一周期或者当前周期之前多个周期内某个时段的车辆数量实际值的平均值。比如,周期采用天,时段采用小时,对于某个第一网格来说,对最近一周内各天在8点时的车辆数量实际值进行求平均,即得到该8点时段的历史车辆数量统计值。
如图3所示,根据第一网格的历史画像数据确定第一网格所属的类别,并根据第一网格所属的类别调用对应的车辆供需预测模型,包括:
S310、若根据第一网格的历史画像数据确定第一网格属于第一类别,则调用第一类别所对应的回归模型。
其中,第一类别所对应的回归模型可以是利用多个训练样本数据对通用机器学习模型训练得到的。服务器获取多个训练样本数据,训练样本数据可以包括天气相关特征数据(如温度,雨雪,风力,湿度等)、节假日相关特征数据(如是否是法定节假日,一周中的第几天等)、各个时段内的用户开锁次数、各个时段内的用户关锁次数、时段特征数据(如早高峰时段、平峰时段、晚高峰时段等)、城市标识、第一网格的地理位置属性数据(比如POI信息(Point Of Interest)、AOI信息(Area Of Interest))等。其中,各个时段内的用户开锁次数和各个时段内的用户关锁次数分别构成用户开锁次数序列和用户关锁次数序列。服务器标注每组训练样本数据对应的用户开锁次数序列和用户关锁次数序列,针对每组训练样本数据添加对应的用户开锁次数序列和用户关锁次数序列标签。通用机器学习模型包括多个模型参数。服务器计算预测量与标签的差异,根据差异调整通用机器学习模型的模型参数并继续训练,直至满足训练停止条件时结束训练,得到第一类别所对应的回归模型。第一类别所对应的回归模型可以是GBDT回归模型。GBDT模型是一种基于梯度提升的集成CART回归树的模型,能够有效地拟合出训练样本的特征与回归值之间的映射关系,且测试集的泛化性能较好。
具体地,服务器获取第一网格的历史画像数据,并根据第一网格的历史画像数据确定第一网格属于第一类别。又,第一类别的第一网格所对应的车辆供需预测模型为回归模型,则调用第一类别所对应的回归模型。
通过第一网格所对应的车辆供需预测模型,根据第一网格的历史画像数据确定下一周期各个时段内第一网格的车辆需求量,包括:
S320、通过第一类别所对应的回归模型,根据第一网格的历史画像数据得到下一周期各个时段内第一网格的预测用户开锁次数和预测用户关锁次数。
具体地,服务器根据第一网格的历史画像数据确定第一网格属于第一类别,第一网格具有对应的回归模型。通过第一网格所对应的根据第一网格的历史画像数据确定第一网格属于第一类别,服务器根据某个第一网格的历史画像数据可以得到下一周期各个时段内第一网格的用户开锁次数和用户关锁次数。
可以理解的是,服务器还可以获取下一周期内的天气相关特征数据、节假日相关特征数据、时段特征数据、城市标识等数据,服务器将这些获取的数据与第一网格的历史画像数据作为第一类别所对应的回归模型的输入,第一类别所对应的回归模型输出下一周期内用户开锁次数序列和用户关锁次数序列,即下一周期各个时段内第一网格的预测用户开锁次数和预测用户关锁次数。
S330、根据第一网格的历史车辆数量统计值、下一周期各个时段内第一网格的预测用户开锁次数和预测用户关锁次数,确定下一周期各个时段内第一网格的车辆需求量。
具体地,预测某个第一网格在下一周期某个时段的车辆需求量时,需要考虑该第一网格内的车辆数量、预测用户开锁次数、预测用户关锁次数。预测用户关锁次数与在下一周期某个时段内用户会将共享车辆停放在该第一网格的预测车辆数量有关。则下一周期某个时段内该第一网格可以提供给用户使用的共享车辆的车辆数量与该第一网格内的车辆数量和预测用户关锁次数之和有关。该第一网格内的车辆数量可以根据该第一网格的历史车辆数量统计值进行预测。示例性地,下一周期某个时段内该第一网格可以提供给用户使用的共享车辆的车辆数量等于该第一网格的历史车辆数量统计值与预测用户关锁次数两者之和。
进一步地,预测用户开锁次数与在下一周期某个时段内用户会使用该第一网格内共享车辆的预测车辆数量有关。该第一网格可以提供给用户使用的共享车辆的车辆数量与用户会使用该第一网格内共享车辆的预测车辆数量之间的差异决定着第一网格的车辆需求量,第一网格的车辆需求量可以为正数也可以为负数,当第一网格的车辆需求量为正数时,表明该第一网格供小于求;当第一网格的车辆需求量为负数时,表明该第一网格供大于求。
需要说明的是,服务器可以设置修正系数对预测用户开锁次数、预测用户关锁次数进行调整,修正系数可以是任意数值。
本实施例中,通过调用第一类别所对应的回归模型预测下一周期各个时段内第一网格的预测用户开锁次数和预测用户关锁次数,并根据第一网格的历史车辆数量统计值、下一周期各个时段内第一网格的预测用户开锁次数和预测用户关锁次数,确定下一周期各个时段内第一网格的车辆需求量,提升需求量预测的准确性。
在一个实施例中,历史数据还包括历史车辆数量实际值。历史车辆数量实际值是指下一周期或者当前周期之前多个周期内某个时段的车辆数量实际值。历史画像数据包括用户历史开锁次数和用户历史关锁次数。如图4所示,根据第一网格的历史画像数据确定第一网格所属的类别,并根据第一网格所属的类别调用对应的车辆供需预测模型,包括:
S410、若根据第一网格的历史画像数据确定第一网格属于第二类别,则调用第二类别所对应的专家策略规则模型。
其中,由于某些第一网格内的历史画像数据规律性较差,随机性较强,因此针对该类别的第一网格设置对应的专家策略规则模型。专家策略规则模型是具有大量的专门知识与经验的程序系统,它应用人工智能技术和计算机技术,根据某领域一个或多个专家提供的知识和经验,进行推理和判断,模拟人类专家的决策过程。具体地,服务器获取第一网格的历史画像数据,并根据第一网格的历史画像数据确定第一网格属于第二类别。又,第二类别的第一网格所对应的车辆供需预测模型为专家策略规则模型,则调用第二类别所对应的专家策略规则模型。
通过第一网格所对应的车辆供需预测模型,根据第一网格的历史画像数据确定下一周期各个时段内第一网格的车辆需求量,包括:
S420、在循环周期内,根据各个周期各个时段内第一网格的历史车辆数量实际值、用户历史开锁次数和用户历史关锁次数确定各个周期各个时段内第一网格的车辆需求量。
其中,循环周期包括预设数量的周期。示例性地,若周期采用天表示,循环周期可以采用周、两周或者月来表示。由于专家策略规则模型是依赖是过往的经验所做的预测,因此需要使用循环周期内各个周期的历史数据进行预测。具体地,由于调用第二类别所对应的专家策略规则模型,预测某个第一网格在下一周期某个时段的车辆需求量时可以使用各历史实际值进行预测。通过历史的车辆需求量确定下一周期的车辆需求量。在过去的循环周期内,每个周期各个时段内第一网格对应有历史车辆数量实际值、用户历史开锁次数和用户历史关锁次数。历史车辆数量实际值与用户历史关锁次数可以表征该第一网格可以提供给用户使用的共享车辆的车辆数量,用户历史开锁次数可以表征用户会使用该第一网格内共享车辆的车辆数量。提供给用户使用的共享车辆的车辆数量与用户会使用该第一网格内共享车辆的车辆数量之间的差异决定着第一网格的车辆需求量。即服务器根据各个周期各个时段内第一网格的历史车辆数量实际值、用户历史开锁次数和用户历史关锁次数确定各个周期各个时段内第一网格的车辆需求量。
需要说明的是,第一网格的车辆需求量可以为正数也可以为负数,当第一网格的车辆需求量为正数时,表明该第一网格供小于求;当第一网格的车辆需求量为负数时,表明该第一网格供大于求。服务器可以设置修正系数对历史用户开锁次数、历史用户关锁次数进行调整,修正系数可以是任意数值。
S430、对各个周期各个时段内第一网格的车辆需求量进行统计,根据统计结果确定下一周期各个时段内第一网格的车辆需求量。
具体地,根据历史车辆数量实际值、用户历史开锁次数和用户历史关锁次数确定各个周期各个时段内第一网格的车辆需求量。通过第二类别所对应的专家策略规则模型,服务器对各个周期各个时段内第一网格的车辆需求量进行统计,得到各第一网格的统计结果,根据各第一网格的统计结果对下一周期各个时段内各第一网格的车辆需求量进行预测。
本实施例中,通过调用第二类别所对应的专家策略规则模型预测下一周期各个时段内第一网格的预测第一网格的车辆需求量,有针对性选择对应的预测模型,提升需求量预测的准确性。
在一个实施例中,根据各个周期各个时段内第一网格的历史车辆数量实际值、用户历史开锁次数和用户历史关锁次数确定各个周期各个时段内第一网格的车辆需求量,包括:根据各个周期第I个时段内第一网格的历史车辆数量实际值、各个周期第I个时段之前各个时段内第一网格的用户历史关锁次数之和、各个周期第I个时段及之前各个时段内第一网格的用户历史开锁次数之和确定各个周期第I个时段第一网格的车辆需求量;对各个周期各个时段内第一网格的车辆需求量进行统计,根据统计结果确定下一周期各个时段内第一网格的车辆需求量,包括:对各个周期第I个时段内第一网格的车辆需求量进行统计,根据统计结果确定下一周期第I个时段内第一网格的车辆需求量。
具体地,在服务器计算出各个周期内各时段的车辆需求量后,服务器在循环周期内对各个周期第I个时段内第一网格的车辆需求量进行统计,并根据统计结果确定下一周期第I个时段内第一网格的车辆需求量。服务器根据对各个周期第I个时段内第一网格的车辆需求量进行统计,根据统计结果确定下一周期第I个时段内第一网格的车辆需求量。
示例性地,以循环周期采用周表示、周期采用天表示、时段采用小时表示为例进行说明。针对第T日第I小时的第一网格的车辆需求量d(I)来说:
其中,S为第一网格的历史车辆数量实际值,S可以是T-1日晚上23点59分的第一网格的历史车辆数量实际值。lock_num(i)为用户历史关锁次数,open_num(i)为用户历史开锁次数。
进一步地,服务器对该周各日第I小时的第一网格的车辆需求量d(I)进行统计,根据统计结果确定下一周期第I个时段内第一网格的车辆需求量。
在一个实施例中,如图5所示,在对各个周期第I个时段内第一网格的车辆需求量进行统计,根据统计结果确定下一周期第I个时段内第一网格的车辆需求量之前,方法还包括:
S510、判断各个周期第I个时段内第一网格的车辆需求量是否满足第二预设条件;
S520、根据判断的结果确定满足第二预设条件的周期的数量。
其中,由于第一网格的车辆需求量可以为正数也可以为负数,且当第一网格的车辆需求量为正数时,表明该第一网格供小于求,因此,为了准确地测算第一网格的车辆需求量,结合第二预设条件对第一网格的车辆需求量进行判断,第二预设条件是对满足条件的第一网格的车辆需求量的筛选条件。第二预设条件可以是第一网格的车辆需求量大于预设数值,预设数值可以是0或者1或者其他数值。具体地,在确定各个周期第I个时段第一网格的车辆需求量后,判断各个周期第I个时段内第一网格的车辆需求量是否满足第二预设条件,并计算满足第二预设条件的周期的数量。比如,第二预设条件为第一网格的车辆需求量大于0,则将一周7天内第I个时段内第一网格的车辆需求量与0进行比较,若有三天第一网格的车辆需求量大于0,则满足第二预设条件的周期的数量为3。
对各个周期第I个时段内第一网格的车辆需求量进行统计,根据统计结果确定下一周期第I个时段内第一网格的车辆需求量,包括:
S530、对各个周期的第I个时段内第一网格的车辆需求量进行求和,得到循环周期所对应的求和结果;
S540、根据满足第二预设条件的周期的数量和循环周期所对应的求和结果,确定下一周期第I个时段内第一网格的车辆需求量。
具体地,服务器分别对各个周期各个时段内第一网格的车辆需求量进行求和,得到循环周期各个时段所对应的求和结果。已知满足第二预设条件的周期的数量,从而服务器根据满足第二预设条件的周期的数量和循环周期所对应的求和结果,确定下一周期第I个时段内第一网格的车辆需求量。若以周和天为例进行说明,各个周期各个时段内第一网格的车辆需求量进行求和可以表示为:
示例性地,T+1日的第I小时的第一网格的车辆需求量Q(I)为:
其中,valid_num为在第I小时第一网格的车辆需求量大于0的天数。
在一个实施例中,历史订单数据包括历史翻台率和历史车辆需求量。其中,服务器会在预设时间对各个第一网格的翻台数据和车辆需求量进行统计并保存。历史翻台率是指共享车辆被用户使用且自第一网格移出后产生的订单数量与第一网格内的共享车辆的车辆数量的比值。历史翻台率用于表征在下一周期该时段内第一网格内的共享车辆后续产生的订单的能力。历史车辆需求量是各个第一网格在过去各周期各个时段内需要的共享车辆的实际车辆数量。
如图6所示,根据下一周期各个时段内第一网格的车辆需求量和获取的各第一网格的历史订单数据,确定下一周期各个时段内第一网格的综合评分,包括:
S610、在运营区域内,根据历史翻台率和历史车辆需求量,确定第I个时段所对应的最大历史翻台率和最大历史车辆需求量;
S620、计算下一周期第I个时段内第一网格的历史车辆需求量与最大历史车辆需求量的第一比值;
S630、计算上一周期第I个时段内第一网格的历史翻台率与最大历史翻台率的第二比值;
S640、根据第一比值和第二比值确定下一周期第I个时段内第一网格的综合评分。
具体地,服务器可以获取各个第一网格在第I个时段的历史翻台率和历史车辆需求量。从获取的历史翻台率和历史车辆需求量中确定第I个时段所对应的最大历史翻台率和最大历史车辆需求量。利用预测的下一周期第I个时段内第一网格的历史车辆需求量除以最大历史车辆需求量得到第一比值。计算获取的上一周期第I个时段内第一网格的历史翻台率除以最大历史翻台率得到第二比值。第一比值可以反映第一网格的车辆需求,第二比值可以反映第一网格后续产生的订单的能力,因此,服务器根据第一比值和第二比值对下一周期第I个时段内第一网格的综合评分进行计算。
进一步地,在根据第一比值和第二比值确定下一周期第I个时段内第一网格的综合评分之前,该方法还包括:利用网格搜索的调参方法确定第一比值所对应的第一权重比例以及第二比值所对应的第二权重比例;根据第一比值和第二比值确定下一周期第I个时段内第一网格的综合评分,包括:根据第一权重比例、第一比值、第二权重比例以及第二比值,确定下一周期第I个时段内第一网格的综合评分。
其中,网格搜索(Grid Search)是一种通过穷举搜索的调参手段。在所有候选的参数选择中,通过循环遍历,尝试每一种可能性,表现最好的参数确定为最终的结果。具体地,可以设置第一比值对应第一权重比例a,设置第二比值对应第二权重比例b。比如,设置a和b的起始值,且a与b的和为1,以0.1为步长扫描,画出24小时的分数曲线图,选择最佳的a与b的值。在确定第一比值所对应的第一权重比例以及第二比值所对应的第二权重比例后,根据第一权重比例、第一比值、第二权重比例以及第二比值,确定下一周期第I个时段内第一网格的综合评分。
示例性地,第一网格的综合评分可以表示为:
Score(I)=a*Q(I)/maxQ+b*F(I)/maxF
其中,maxQ为城市某个时段的最大缺车数,maxF为城市某个时段的最大翻台率,F(I)为第一网格T-1日第I个时段的翻台率,Q(I)为T+1日第I小时的第一网格的车辆需求量,a为第一权重比例,b为第二权重比例。
本实施例中,综合考虑第一网格需求量和后续产生订单的能力进行总和评分的计算,不仅保证共享车辆的有效迁移,并提高共享车辆的使用率,解决了传统技术中车辆使用率不足的技术问题。
在一个实施例中,该方法还包括:获取路网数据;根据获取的路网数据,对激励区域的地理位置进行修正,将地理位置修正后的激励区域确定为最终的激励区域。
其中,路网数据是定位精度较高的地理位置数据,路网数据包括运营区域内在一定区域内各种道路组成的相互联络、交织成网状分布的道路地理位置数据,每条道路包括若干节点。具体地,将运营区域划分为若干个第一网格,每个网格对应有地理位置,每个网格的地理位置具有一定范围的误差,比如十米甚至十几米。为了提升激励区域位置的准确性,服务器获取运行区域对应的路网数据。路网数据的精度较高,利用获取的路网数据对激励区域的地理位置进行调整,将地理位置调整后的激励区域确定为最终的激励区域。从而确保激励区域位于运营区域的道路上,而不是位于住宅小区等其他位置。
在一个实施例中,该方法还包括:根据激励区域的地理位置属性对各激励区域进行过滤,将过滤得到的激励区域设为禁止通行区域。
具体地,激励区域具有对应的地理位置,根据激励区域的地理位置可以确定地理位置属性,比如政府禁停区、住宅区、河流、城管收车区域、失联车辆频繁区域等。若该激励区域是否属于政府禁停区、住宅区、河流、城管收车区域、失联车辆频繁区域等中的任一种,对这些激励区域进行过滤,并将过滤得到的激励区域设为禁止通行区域。
在一个实施例中,该方法还包括:检测运营区域的各单位区域内是否包括激励区域;若不包括激励区,将运营区域划分为若干个第二网格;第二网格的区域内包括若干个第一网格;在第二网格的区域内,获取上一周期各个时段内的第一网格内的用户历史开锁次数,并将用户开锁次数最大的第一网格确定为补充的激励区域。
具体地,为了确保共享车辆的利用率,需要在运营区域范围的各单位区域内至少保证一个激励区域,则服务器对各单位区域内是否包括激励区域进行检测。若检测的某单位区域内不包括激励区域,则将运营区域划分为若干个第二网格,且第二网格的区域内包括若干个第一网格。获取位于第二网格的区域内的各个第一网格的用户历史开锁次数,从中查找到用户开锁次数最大的第一网格。用户开锁次数越大,该第一网格内的共享车辆被使用的概率越高,因此,将用户开锁次数最大的第一网格确定为补充的激励区域,吸引用户使用共享车辆并将共享车辆移动至补充的激励区域。
示例性地,需要在运营区域范围的每平方公里至少保证一个激励区域。可以采用GeoHash6粒度对运营区域进行划分得到第二网格,可以采用GeoHash8粒度对运营区域进行划分得到第一网格,基于第一网格的用户历史开锁次数,从第二网格中第二网格开锁数最大的第一网格作为补充的激励区域。
在一个实施例中,如图7所示,该方法还包括以下步骤:
S710、根据激励区域的综合评分,为激励区域分配相应额度的激励资源;
S720、获取共享车辆关锁时的位置和对共享车辆进行开锁操作的终端的位置;
S730、若共享车辆关锁时的位置与终端的位置之间的距离小于预设距离阈值,基于激励区域所分配的激励资源对到达激励区域的终端的用户进行资源转移。
其中,某激励区域的综合评分越高,说明该激励区域的共享车辆具有越高的使用率,且激励区域的共享车辆可以得到有效迁移。具体地,为了激励用户将共享车辆移动至激励区域,服务器根据激励区域的综合评分为激励区域分配相应额度的激励资源以吸引用户。共享车辆具有定位模块并向服务器上传其位置,对共享车辆进行开锁操作的终端也具有定位模块并向服务器上传其位置。因此,服务器可以获取共享车辆关锁时的位置和对共享车辆进行开锁操作的终端的位置。为了防止用户作弊骗取激励资源,需要确保终端和共享车辆均到达激励区域。但是由于定位误差的存在,共享车辆关锁时的位置与终端的位置可以具有一定距离,且两者之间的距离需要小于预设距离阈值。因此,当终端和共享车辆均到达激励区域,且共享车辆关锁时的位置与终端的位置之间的距离小于预设距离阈值时,基于激励区域所分配的激励资源对到达激励区域的终端的用户进行资源转移。可以理解的是,激励区域可以称为红包区域,激励资源可以是资金资源或权限资源等。其中,资金资源可以是代金券资源、红包资源等,对此不作限制。
本实施例中,通过根据激励区域的综合评分为激励区域分配相应额度的激励资源以激励车辆用户自身对共享车辆进行调度,不仅减少车辆调度成本,还可以提高车辆调度效率。
在一个实施例中,本申请提供一种共享车辆激励区域的设置方法,该方法包括以下步骤:
S802、获取各个时段内第一网格的历史数据;第一网格通过划分共享车辆的运营区域而得到,历史数据包括历史画像数据和历史订单数据。
S804、若根据第一网格的历史画像数据确定第一网格属于第一类别,则调用第一类别所对应的回归模型。
S806、通过第一类别所对应的回归模型,根据第一网格的历史画像数据得到下一周期各个时段内第一网格的预测用户开锁次数和预测用户关锁次数。
S808、根据第一网格的历史车辆数量统计值、下一周期各个时段内第一网格的预测用户开锁次数和预测用户关锁次数,确定下一周期各个时段内第一网格的车辆需求量。
S810、若根据第一网格的历史画像数据确定第一网格属于第二类别,则调用第二类别所对应的专家策略规则模型。
S812、在循环周期内,根据各个周期各个时段内第一网格的历史车辆数量实际值、用户历史开锁次数和用户历史关锁次数确定各个周期各个时段内第一网格的车辆需求量。
其中,循环周期包括预设数量的周期。具体地,根据各个周期第I个时段内第一网格的历史车辆数量实际值、各个周期第I个时段之前各个时段内第一网格的用户历史关锁次数之和、各个周期第I个时段及之前各个时段内第一网格的用户历史开锁次数之和确定各个周期第I个时段第一网格的车辆需求量。
S814、对各个周期各个时段内第一网格的车辆需求量进行统计,根据统计结果确定下一周期各个时段内第一网格的车辆需求量。
其中,对各个周期第I个时段内第一网格的车辆需求量进行统计,根据统计结果确定下一周期第I个时段内第一网格的车辆需求量。
S816、在运营区域内,根据历史翻台率和历史车辆需求量,确定第I个时段所对应的最大历史翻台率和最大历史车辆需求量。
S818、计算下一周期第I个时段内第一网格的历史车辆需求量与最大历史车辆需求量的第一比值。
S820、计算上一周期第I个时段内第一网格的历史翻台率与最大历史翻台率的第二比值。
S822、利用网格搜索的调参方法确定第一比值所对应的第一权重比例以及第二比值所对应的第二权重比例。
S824、根据第一权重比例、第一比值、第二权重比例以及第二比值,确定下一周期第I个时段内第一网格的综合评分。
S826、若下一周期各个时段内第一网格的综合评分满足第一预设条件,则确定第一网格为激励区域。
S828、获取路网数据。
S830、根据获取的路网数据,对激励区域的地理位置进行修正,将地理位置修正后的激励区域确定为最终的激励区域。
S832、根据激励区域的地理位置属性对各激励区域进行过滤,将过滤得到的激励区域设为禁止通行区域。
S834、检测运营区域的各单位区域内是否包括激励区域。
S836、若不包括激励区,将运营区域划分为若干个第二网格;第二网格的区域内包括若干个第一网格。
S838、在第二网格的区域内,获取上一周期各个时段内的第一网格内的用户历史开锁次数,并将用户开锁次数最大的第一网格确定为补充的激励区域。
S840、根据激励区域的综合评分,为激励区域分配相应额度的激励资源。
S842、获取共享车辆关锁时的位置和对共享车辆进行开锁操作的终端的位置。
S844、若共享车辆关锁时的位置与终端的位置之间的距离小于预设距离阈值,基于激励区域所分配的激励资源对到达激励区域的终端的用户进行资源转移。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种营收产品价格的处理装置。该处理装置800包括历史数据获取模块810、车辆需求确定模块820、综合评分确定模块830和激励区域设置模块840。其中:
历史数据获取模块810,用于获取各个时段内第一网格的历史数据;第一网格通过划分共享车辆的运营区域而得到,历史数据包括历史画像数据和历史订单数据;
车辆需求确定模块820,用于通过第一网格所对应的车辆供需预测模型,根据第一网格的历史画像数据确定下一周期各个时段内第一网格的车辆需求量;
综合评分确定模块830,用于根据下一周期各个时段内第一网格的车辆需求量和历史订单数据,确定下一周期各个时段内第一网格的综合评分;
激励区域设置模块840,用于若下一周期各个时段内第一网格的综合评分满足第一预设条件,则确定第一网格为激励区域。
关于共享车辆激励区域的设置装置的具体限定可以参见上文中对于共享车辆激励区域的设置方法的限定,在此不再赘述。上述共享车辆激励区域的设置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种共享车辆激励区域的设置方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中方法步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种共享车辆激励区域的设置方法,其特征在于,所述方法包括:
获取各个时段内第一网格的历史数据;所述第一网格通过划分共享车辆的运营区域而得到,所述历史数据包括历史画像数据和历史订单数据;
通过所述第一网格所对应的车辆供需预测模型,根据所述第一网格的历史画像数据确定下一周期各个时段内所述第一网格的车辆需求量;
根据下一周期各个时段内所述第一网格的车辆需求量和所述历史订单数据,确定下一周期各个时段内所述第一网格的综合评分;
若下一周期各个时段内所述第一网格的综合评分满足第一预设条件,则确定所述第一网格为所述激励区域。
2.根据权利要求1所述的方法,其特征在于,在所述获取各个时段内第一网格的历史数据之后,所述方法还包括:
根据所述第一网格的历史画像数据确定所述第一网格所属的类别,并根据所述第一网格所属的类别调用对应的车辆供需预测模型。
3.根据权利要求2所述的方法,其特征在于,所述历史数据还包括历史车辆数量统计值;所述根据所述第一网格的历史画像数据确定所述第一网格所属的类别,并根据所述第一网格所属的类别调用对应的车辆供需预测模型,包括:
若根据所述第一网格的历史画像数据确定所述第一网格属于第一类别,则调用所述第一类别所对应的回归模型;
所述通过所述第一网格所对应的车辆供需预测模型,根据所述第一网格的历史画像数据确定下一周期各个时段内所述第一网格的车辆需求量,包括:
通过所述第一类别所对应的回归模型,根据所述第一网格的历史画像数据得到下一周期各个时段内所述第一网格的预测用户开锁次数和预测用户关锁次数;
根据所述第一网格的历史车辆数量统计值、下一周期各个时段内所述第一网格的预测用户开锁次数和预测用户关锁次数,确定下一周期各个时段内所述第一网格的车辆需求量。
4.根据权利要求3所述的方法,其特征在于,所述历史数据还包括历史车辆数量实际值;所述历史画像数据包括用户历史开锁次数和用户历史关锁次数;所述根据所述第一网格的历史画像数据确定所述第一网格所属的类别,并根据所述第一网格所属的类别调用对应的车辆供需预测模型,包括:
若根据所述第一网格的历史画像数据确定所述第一网格属于第二类别,则调用所述第二类别所对应的专家策略规则模型;
所述通过所述第一网格所对应的车辆供需预测模型,根据所述第一网格的历史画像数据确定下一周期各个时段内所述第一网格的车辆需求量,包括:
在循环周期内,根据各个周期各个时段内所述第一网格的历史车辆数量实际值、所述用户历史开锁次数和所述用户历史关锁次数确定各个周期各个时段内所述第一网格的车辆需求量;其中,所述循环周期包括预设数量的周期;
对各个周期各个时段内所述第一网格的车辆需求量进行统计,根据统计结果确定下一周期各个时段内所述第一网格的车辆需求量。
5.根据权利要求4所述的方法,其特征在于,所述根据各个周期各个时段内所述第一网格的历史车辆数量实际值、所述用户历史开锁次数和所述用户历史关锁次数确定各个周期各个时段内所述第一网格的车辆需求量,包括:
根据各个周期第I个时段内所述第一网格的历史车辆数量实际值、各个周期第I个时段之前各个时段内所述第一网格的用户历史关锁次数之和、各个周期第I个时段及之前各个时段内所述第一网格的用户历史开锁次数之和确定各个周期第I个时段所述第一网格的车辆需求量;
所述对各个周期各个时段内所述第一网格的车辆需求量进行统计,根据统计结果确定下一周期各个时段内所述第一网格的车辆需求量,包括:
对各个周期第I个时段内所述第一网格的车辆需求量进行统计,根据统计结果确定下一周期第I个时段内所述第一网格的车辆需求量。
6.根据权利要求5所述的方法,其特征在于,在所述对各个周期第I个时段内所述第一网格的车辆需求量进行统计,根据统计结果确定下一周期第I个时段内所述第一网格的车辆需求量之前,所述方法还包括:
判断各个周期第I个时段内所述第一网格的车辆需求量是否满足第二预设条件;
根据判断的结果确定满足第二预设条件的周期的数量;
所述对各个周期第I个时段内所述第一网格的车辆需求量进行统计,根据统计结果确定下一周期第I个时段内所述第一网格的车辆需求量,包括:
对各个周期的第I个时段内所述第一网格的车辆需求量进行求和,得到所述循环周期所对应的求和结果;
根据所述满足第二预设条件的周期的数量和所述循环周期所对应的求和结果,确定下一周期第I个时段内所述第一网格的车辆需求量。
7.根据权利要求3或4所述的方法,其特征在于,所述历史订单数据包括历史翻台率和历史车辆需求量;所述根据下一周期各个时段内所述第一网格的车辆需求量和获取的各所述第一网格的历史订单数据,确定下一周期各个时段内所述第一网格的综合评分,包括:
在所述运营区域内,根据所述历史翻台率和所述历史车辆需求量,确定第I个时段所对应的最大历史翻台率和最大历史车辆需求量;
计算下一周期第I个时段内所述第一网格的历史车辆需求量与所述最大历史车辆需求量的第一比值;
计算上一周期第I个时段内所述第一网格的历史翻台率与所述最大历史翻台率的第二比值;
根据所述第一比值和所述第二比值确定下一周期第I个时段内所述第一网格的综合评分。
8.根据权利要求7所述的方法,其特征在于,在所述根据所述第一比值和第二比值确定下一周期第I个时段内所述第一网格的综合评分之前,所述方法还包括:
利用网格搜索的调参方法确定第一比值所对应的第一权重比例以及所述第二比值所对应的第二权重比例;
所述根据所述第一比值和第二比值确定下一周期第I个时段内所述第一网格的综合评分,包括:
根据所述第一权重比例、所述第一比值、所述第二权重比例以及所述第二比值,确定下一周期第I个时段内所述第一网格的综合评分。
9.根据权利要求1至6、8中任一项所述的方法,其特征在于,所述方法还包括:
获取路网数据;
根据获取的路网数据,对所述激励区域的地理位置进行修正,将地理位置修正后的激励区域确定为最终的激励区域。
10.根据权利要求1至6、8中任一项所述的方法,其特征在于,所述方法还包括:
根据所述激励区域的地理位置属性对各所述激励区域进行过滤,将过滤得到的激励区域设为禁止通行区域。
11.根据权利要求1至6、8中任一项所述的方法,其特征在于,所述方法还包括:
检测运营区域的各单位区域内是否包括所述激励区域;
若不包括所述激励区,将运营区域划分为若干个第二网格;所述第二网格的区域内包括若干个所述第一网格;
在所述第二网格的区域内,获取上一周期各个时段内的所述第一网格内的用户历史开锁次数,并将用户开锁次数最大的第一网格确定为补充的激励区域。
12.根据权利要求1至6、8中任一项所述的方法,其特征在于,所述方法还包括:
根据所述激励区域的综合评分,为所述激励区域分配相应额度的激励资源;
获取共享车辆关锁时的位置和对所述共享车辆进行开锁操作的终端的位置;
若所述共享车辆关锁时的位置与所述终端的位置之间的距离小于预设距离阈值,基于所述激励区域所分配的激励资源对到达所述激励区域的终端的用户进行资源转移。
13.一种共享车辆激励区域的设置装置,其特征在于,所述装置包括:
历史数据获取模块,用于获取各个时段内第一网格的历史数据;所述第一网格通过划分共享车辆的运营区域而得到,所述历史数据包括历史画像数据和历史订单数据;
车辆需求确定模块,用于通过所述第一网格所对应的车辆供需预测模型,根据所述第一网格的历史画像数据确定下一周期各个时段内所述第一网格的车辆需求量;
综合评分确定模块,用于根据下一周期各个时段内所述第一网格的车辆需求量和所述历史订单数据,确定下一周期各个时段内所述第一网格的综合评分;
激励区域设置模块,用于若下一周期各个时段内所述第一网格的综合评分满足第一预设条件,则确定所述第一网格为所述激励区域。
14.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述方法的步骤。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至12中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054738.5A CN110796496A (zh) | 2019-10-31 | 2019-10-31 | 激励区域的设置方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054738.5A CN110796496A (zh) | 2019-10-31 | 2019-10-31 | 激励区域的设置方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796496A true CN110796496A (zh) | 2020-02-14 |
Family
ID=69440661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054738.5A Pending CN110796496A (zh) | 2019-10-31 | 2019-10-31 | 激励区域的设置方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796496A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881226A (zh) * | 2020-05-21 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种判断面状区域通行属性的方法和系统 |
CN112150045A (zh) * | 2020-11-05 | 2020-12-29 | 北京阿帕科蓝科技有限公司 | 基于车辆位置统计判断城市车辆供需关系的方法及其监测系统 |
CN113065753A (zh) * | 2021-03-25 | 2021-07-02 | 上海钧正网络科技有限公司 | 基于路网需求热度的运维区域分层管理方法、装置、终端及介质 |
CN113240409A (zh) * | 2021-06-07 | 2021-08-10 | 福建乐摩物联科技有限公司 | 一种共享按摩椅的用户支付挽留方法、设备和介质 |
CN114254856A (zh) * | 2021-11-08 | 2022-03-29 | 武汉小安科技有限公司 | 基于蜂巢图实现的共享单车运维调度方法及系统 |
CN114595953A (zh) * | 2022-03-01 | 2022-06-07 | 杭州骑迹科技有限公司 | 一种共享电单车调度的方法和系统 |
CN116308501A (zh) * | 2023-05-24 | 2023-06-23 | 北京骑胜科技有限公司 | 用于管理共享车辆的运营区域的方法、装置、设备和介质 |
CN116934056A (zh) * | 2023-09-14 | 2023-10-24 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742184A (zh) * | 2017-10-11 | 2018-02-27 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
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 |
CN108960590A (zh) * | 2018-06-15 | 2018-12-07 | 平安科技(深圳)有限公司 | 车辆租赁方法、装置、计算机设备和存储介质 |
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 |
CN110147919A (zh) * | 2018-11-21 | 2019-08-20 | 太原理工大学 | 一种基于价格激励机制的公共自行车自动调度方法 |
-
2019
- 2019-10-31 CN CN201911054738.5A patent/CN110796496A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107742184A (zh) * | 2017-10-11 | 2018-02-27 | 北京摩拜科技有限公司 | 车辆调度方法、服务器、客户端及系统 |
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 |
CN108960590A (zh) * | 2018-06-15 | 2018-12-07 | 平安科技(深圳)有限公司 | 车辆租赁方法、装置、计算机设备和存储介质 |
CN110147919A (zh) * | 2018-11-21 | 2019-08-20 | 太原理工大学 | 一种基于价格激励机制的公共自行车自动调度方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881226A (zh) * | 2020-05-21 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种判断面状区域通行属性的方法和系统 |
CN112150045B (zh) * | 2020-11-05 | 2023-12-01 | 北京阿帕科蓝科技有限公司 | 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测系统 |
CN112150045A (zh) * | 2020-11-05 | 2020-12-29 | 北京阿帕科蓝科技有限公司 | 基于车辆位置统计判断城市车辆供需关系的方法及其监测系统 |
CN113065753A (zh) * | 2021-03-25 | 2021-07-02 | 上海钧正网络科技有限公司 | 基于路网需求热度的运维区域分层管理方法、装置、终端及介质 |
CN113065753B (zh) * | 2021-03-25 | 2022-05-27 | 上海钧正网络科技有限公司 | 基于路网需求热度的运维区域分层管理方法、装置、终端及介质 |
CN113240409A (zh) * | 2021-06-07 | 2021-08-10 | 福建乐摩物联科技有限公司 | 一种共享按摩椅的用户支付挽留方法、设备和介质 |
CN113240409B (zh) * | 2021-06-07 | 2023-01-31 | 福建乐摩物联科技有限公司 | 一种共享按摩椅的用户支付挽留方法、设备和介质 |
CN114254856A (zh) * | 2021-11-08 | 2022-03-29 | 武汉小安科技有限公司 | 基于蜂巢图实现的共享单车运维调度方法及系统 |
CN114254856B (zh) * | 2021-11-08 | 2024-05-31 | 武汉小安科技有限公司 | 基于蜂巢图实现的共享单车运维调度方法及系统 |
CN114595953A (zh) * | 2022-03-01 | 2022-06-07 | 杭州骑迹科技有限公司 | 一种共享电单车调度的方法和系统 |
CN116308501B (zh) * | 2023-05-24 | 2023-10-17 | 北京骑胜科技有限公司 | 用于管理共享车辆的运营区域的方法、装置、设备和介质 |
CN116308501A (zh) * | 2023-05-24 | 2023-06-23 | 北京骑胜科技有限公司 | 用于管理共享车辆的运营区域的方法、装置、设备和介质 |
CN116934056A (zh) * | 2023-09-14 | 2023-10-24 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
CN116934056B (zh) * | 2023-09-14 | 2024-03-15 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796496A (zh) | 激励区域的设置方法、装置、计算机设备和存储介质 | |
Chen et al. | Dynamic cluster-based over-demand prediction in bike sharing systems | |
Pan et al. | Predicting bike sharing demand using recurrent neural networks | |
Zhan et al. | A graph-based approach to measuring the efficiency of an urban taxi service system | |
He et al. | Customer preference and station network in the London bike-share system | |
Zhang et al. | Understanding taxi service strategies from taxi GPS traces | |
Xu et al. | Electric vehicle fleet size for carsharing services considering on-demand charging strategy and battery degradation | |
Vogel et al. | Strategic and operational planning of bike-sharing systems by data mining–a case study | |
Wong et al. | A cell-based logit-opportunity taxi customer-search model | |
Awasthi et al. | Using AHP and Dempster–Shafer theory for evaluating sustainable transport solutions | |
Castro-Neto et al. | AADT prediction using support vector regression with data-dependent parameters | |
Zhao et al. | Spatial-temporal aggregation graph convolution network for efficient mobile cellular traffic prediction | |
CN112488400B (zh) | 基于区块链技术与出行计划共享的交通出行行为调控方法 | |
CN110807921A (zh) | 车辆调度方法、装置、设备和存储介质 | |
He et al. | Spatio-temporal adaptive pricing for balancing mobility-on-demand networks | |
Pan et al. | DHPA: Dynamic human preference analytics framework: A case study on taxi drivers’ learning curve analysis | |
Xie et al. | PrivateHunt: Multi-source data-driven dispatching in for-hire vehicle systems | |
CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
Issa et al. | A decision support model for civil engineering projects based on multi-criteria and various data | |
Wang et al. | Predicting electric vehicle charging demand using a heterogeneous spatio-temporal graph convolutional network | |
Song et al. | An enhanced clustering-based method for determining time-of-day breakpoints through process optimization | |
Hu et al. | Participants selection for from-scratch mobile crowdsensing via reinforcement learning | |
Hassan et al. | Modelling of urban growth and planning: A critical review | |
D'Alberto et al. | A sustainable smart mobility? Opportunities and challenges from a big data use perspective | |
Wang et al. | Large-scale intelligent taxicab scheduling: A distributed and future-aware approach |
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 |
Application publication date: 20200214 |
|
RJ01 | Rejection of invention patent application after publication |