CN110827545B - 一种最优车辆数预测方法 - Google Patents

一种最优车辆数预测方法 Download PDF

Info

Publication number
CN110827545B
CN110827545B CN201911114301.6A CN201911114301A CN110827545B CN 110827545 B CN110827545 B CN 110827545B CN 201911114301 A CN201911114301 A CN 201911114301A CN 110827545 B CN110827545 B CN 110827545B
Authority
CN
China
Prior art keywords
vehicle
data
vehicles
city
average
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.)
Active
Application number
CN201911114301.6A
Other languages
English (en)
Other versions
CN110827545A (zh
Inventor
袁春雷
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.)
Beijing Shouqi Zhixing Technology Co Ltd
Original Assignee
Beijing Shouqi Zhixing Technology 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 Beijing Shouqi Zhixing Technology Co Ltd filed Critical Beijing Shouqi Zhixing Technology Co Ltd
Priority to CN201911114301.6A priority Critical patent/CN110827545B/zh
Publication of CN110827545A publication Critical patent/CN110827545A/zh
Application granted granted Critical
Publication of CN110827545B publication Critical patent/CN110827545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供的最优车辆数预测方法，机器学习技术领域，通过采用二元分类模型及迁移学习的方式，能够精确预测各个城市的车辆需求数量，提高了公司效益。

Description

一种最优车辆数预测方法
技术领域
本发明属于机器学习技术领域，具体涉及一种最优车辆数预测方法。
背景技术
目前共享汽车行业对每个城市的车辆投放数量主要通过市场情况人为预测适合各个城市的车辆投放量。该方式存在的缺陷为：
由于人工预测考虑的因素较少，导致预测结果与实际车辆需求量存在一定的偏差，影响公司效益。当有些城市车辆投放过多时，用户增长缓慢，会造成车辆的闲置率太高；当有些城市车辆投放过少时，用户增长较快，会造成供不应求，运力不够。
发明内容
针对现有技术存在的缺陷，本发明实施例提供了一种最优车辆数预测方法，该方法包括以下步骤：
S1在设定的时间段内，统计同一个城市的当运营车辆数、当前可用车人数、当前车辆平均使用时长，得到该城市当前的用车数据，生成第一用车数据；
S2分别采集各个城市的历史运营车辆数、历史可用车人数、加/减车比例、当前可用车人数、历史运营车辆平均使用时长及当前运营车辆平均使用时长，得到各个城市的用车数据，生成用车数据集合；
S3利用二元分类模型，分别判断所述用车数据集合的各组用车数据是否为真；
S4当确定所述用车数据集合的某组用车数据为真时，则将该组用车数据的加/减车比例P写入第一用车数据，得到第二用车数据；
S5利用二元分类模型并通过迁移学习的方式，判断所述第二用车数据是否为真，若为真，则确定第一/二用车数据中的当前运营车辆数与加/减车比例P的乘积为适合该城市的车辆数；
S6重复上述步骤S4-S5，得到该城市的最优车辆数。
优选地，分别判断所述用车数据集合的各组用车数据是否为真包括：
判断用车数据的车辆平均使用时长的增长率是否大于或等于可用车人数的增长率，若是，则确定所述用车数据为真。
优选地，利用二元分类模型并通过迁移学习的方式，判断所述第二用车数据是否为真包括：
若不为真，则确定第一/二用车数据中的当前运营车辆数与为适合该城市的车辆数。
本发明实施例提供的最优车辆数预测方法具有以下有益效果：
通过采用二元分类模型及迁移学习的方式，能够精确预测各个城市的车辆需求数量，提高了公司效益。
具体实施方式
以下结合具体实施例对本发明作具体的介绍。
本发明实施例提供的最优车辆数预测方法包括以下步骤：
S101，在设定的时间段内，统计同一个城市的当运营车辆数、当前可用车人数、当前车辆平均使用时长，得到该城市当前的用车数据，生成第一用车数据。
S102，分别采集各个城市的历史运营车辆数、历史可用车人数、加/减车比例、当前可用车人数、历史运营车辆平均使用时长及当前运营车辆平均使用时长，得到各个城市的用车数据，生成用车数据集合。
其中，运营车辆平均使用时长为一个月内，车辆平均每天的使用时长。
S103，利用二元分类模型，分别判断用车数据集合的各组用车数据是否为真。
S104，当确定所述用车数据集合的某组用车数据为真时，则将该组用车数据的加/减车比例P写入第一用车数据，得到第二用车数据。
S105，利用二元分类模型并通过迁移学习的方式，判断所述第二用车数据是否为真，若为真，则确定第一/二用车数据中的当前运营车辆数与加/减车比例P的乘积为适合该城市的车辆数。
S106，重复上述步骤S104-S105，得到该城市的最优车辆数。
作为一个具体的实施例，目前北京市的当前运营车辆数为5000台、当前可用车人数为10000人、当前车辆平均使用时长为5小时。
用车数据集合包括广州市的上月运营车辆数3000台、上月可用车人数为8000人、加/减车比例为1.5、当前可用车人数10000人、上月运营车辆平均使用时长为4小时、当前运营车辆平均使用时长为8小时及深圳市的上月运营车辆数2000台、上月可用车人数为5000人、加/减车比例为2、当前可用车人数6000人、上月运营车辆平均使用时长为2小时、当前运营车辆平均使用时长为5小时共2组用车数据。
经二元分类模型判断，上述2组用车数据均为真，则利用这2组数据预测北京市的最优运营车辆数量为：5000×1.5×2＝15000台。
可选地，分别判断用车数据集合的各组用车数据是否为真包括：
判断用车数据的车辆平均使用时长的增长率是否大于或等于可用车人数的增长率，若是，则确定该用车数据为真。
其中，车辆平均使用时长及可用车人数的增长率计算公式为：R＝M2/M1-1，M2为加/减车后的车辆平均使用时长或可用车人数，M1为加/减车前的车辆平均使用时长或可用车人数。
可选地，利用二元分类模型并通过迁移学习的方式，判断第二用车数据是否为真包括：
若不为真，则确定第一/二用车数据中的当前运营车辆数与为当前适合该城市的车辆数。
特别说明，本发明实施提供的最优车辆数预测方法，不仅适用于共享汽车或单车行业，还适用于其他共享行业。
本发明实施例提供的最优车辆数预测方法，通过采用二元分类模型及迁移学习的方式，能够精确预测各个城市的车辆需求数量，提高了公司效益。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (3)

1.一种最优车辆数预测方法，其特征在于，包括：
S1在设定的时间段内，统计同一个城市当前的运营车辆数、当前可用车人数、当前车辆平均使用时长，得到该城市当前的用车数据，生成第一用车数据；
S2分别采集各个城市的历史运营车辆数、历史可用车人数、加/减车比例、当前可用车人数、历史运营车辆平均使用时长及当前运营车辆平均使用时长，得到各个城市的用车数据，生成用车数据集合；
S3利用二元分类模型，分别判断所述用车数据集合的各组用车数据是否为真，包括：
当用车数据的车辆平均使用时长的增长率大于或等于可用车人数的增长率时，则确定该用车数据为真，其中，车辆平均使用时长及可用车人数的增长率计算公式为：R＝M2/M1-1，M2为加/减车后的车辆平均使用时长或可用车人数，M1为加/减车前的车辆平均使用时长或可用车人数；
S4当确定所述用车数据集合的某组用车数据为真时，则将该组用车数据的加/减车比例P写入第一用车数据，得到第二用车数据；
S5利用二元分类模型并通过迁移学习的方式，判断所述第二用车数据是否为真，若为真，则确定第一用车数据中的当前运营车辆数与第二用车数据中的各个加/减车比例连乘的乘积为适合该城市的车辆数。
2.根据权利要求1所述的最优车辆数预测方法，其特征在于，利用二元分类模型并通过迁移学习的方式，判断所述第二用车数据是否为真包括：
若不为真，则确定第一/二用车数据中的当前运营车辆数为适合该城市的车辆数。
3.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-2所述的步骤。
CN201911114301.6A 2019-11-14 2019-11-14 一种最优车辆数预测方法 Active CN110827545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911114301.6A CN110827545B (zh) 2019-11-14 2019-11-14 一种最优车辆数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911114301.6A CN110827545B (zh) 2019-11-14 2019-11-14 一种最优车辆数预测方法

Publications (2)

Publication Number Publication Date
CN110827545A CN110827545A (zh) 2020-02-21
CN110827545B true CN110827545B (zh) 2020-12-18

Family

ID=69555660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911114301.6A Active CN110827545B (zh) 2019-11-14 2019-11-14 一种最优车辆数预测方法

Country Status (1)

Country Link
CN (1) CN110827545B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190813A (zh) * 2018-08-22 2019-01-11 华南理工大学 一种基于双层规划的共享自行车区域投放规划方法
CN109670659A (zh) * 2017-10-16 2019-04-23 南京唯实科技有限公司 一种基于大数据的城市共享单车投放数量的优化方法
CN110322087A (zh) * 2018-03-29 2019-10-11 北京摩拜科技有限公司 共享车辆的调度方法和公共管理平台

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977364B1 (ko) * 2017-07-25 2019-05-13 주식회사 모던아이 자전거 임대 관리 시스템
KR101932608B1 (ko) * 2017-09-21 2018-12-27 충남대학교산학협력단 자전거 대여 시스템 관리 방법, 자전거 대여 시스템의 관리 서버, 및 컴퓨터 판독가능 기록 매체
CN108038578B (zh) * 2017-12-28 2020-09-22 东南大学 基于需求预测和中心辐射网络的公共自行车静态调度方法
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
CN109325443B (zh) * 2018-09-19 2021-09-17 南京航空航天大学 一种基于多实例多标签深度迁移学习的人脸属性识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670659A (zh) * 2017-10-16 2019-04-23 南京唯实科技有限公司 一种基于大数据的城市共享单车投放数量的优化方法
CN110322087A (zh) * 2018-03-29 2019-10-11 北京摩拜科技有限公司 共享车辆的调度方法和公共管理平台
CN109190813A (zh) * 2018-08-22 2019-01-11 华南理工大学 一种基于双层规划的共享自行车区域投放规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王俊维.论共享单车市场投放量的法律规制.《中国优秀硕士学位论文全文数据库 社会科学Ⅰ辑》.2018,(第07期), *

Also Published As

Publication number Publication date
CN110827545A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN109360413B (zh) 一种车辆调度方法及系统
CN103019948A (zh) 使用连续排序的交换文件的工作集合交换
CN112101637B (zh) 基于分时电价和能耗控制的动态充电优化方法及其应用
CN111754075A (zh) 基于区块链的多泊位港口船舶调度方法及设备、介质
CN112001560A (zh) 基于迭代邻域搜索的二阶段公交车辆排班算法
CN113095781B (zh) 一种基于边缘计算的温控设备管控方法、设备及介质
CN111524384B (zh) 一种停车网点车位占用及释放判断方法
CN104899079A (zh) 一种数据处理的方法及装置
CN110827545B (zh) 一种最优车辆数预测方法
CN110059866B (zh) 一种基于预约的出行时间推荐方法及装置
CN115907494B (zh) 一种基于区域能耗预算的能耗双控管理方法、设备及介质
CN104281587B (zh) 一种建立连接的方法及装置
CN117114750A (zh) 新能源交易电量的分解方法、装置、设备及介质
CN117196757A (zh) 一种非现货采购方法、装置、设备及介质
CN115587684A (zh) 地铁维修计划排程方法及相关设备
CN111126624A (zh) 一种判定模型预测结果有效性的方法
CN111369040A (zh) 一种路况信息更新方法
CN114625570A (zh) 一种数据库备份调度方法和装置
CN110991945B (zh) 设备备件的信息处理方法及装置、存储介质和处理器
CN113496416A (zh) 一种出行消费卡定价方法
CN110689372A (zh) 广告投放实验的控制方法、装置及广告投放实验平台
CN117635044B (zh) 一种高效的游戏研发项目管理方法、系统及存储介质
CN110766546A (zh) 一种银行账户管理方法
CN111461562A (zh) 一种车辆调度有效性判断方法
CN113283660B (zh) 互联网租赁自行车区域运行关联特征识别方法及系统

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
GR01 Patent grant
GR01 Patent grant