CN111383055B - 租车中心仓选品方法、装置、设备及计算机可读存储介质 - Google Patents
租车中心仓选品方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111383055B CN111383055B CN202010171414.6A CN202010171414A CN111383055B CN 111383055 B CN111383055 B CN 111383055B CN 202010171414 A CN202010171414 A CN 202010171414A CN 111383055 B CN111383055 B CN 111383055B
- Authority
- CN
- China
- Prior art keywords
- city
- renting
- vehicle
- demand
- dimension
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000003066 decision tree Methods 0.000 claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000005587 bubbling Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010187 selection method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000007306 turnover Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种租车中心仓选品方法、装置、设备及计算机可读存储介质。该方法包括：获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。本申请实施例实现了精准地选品，使得租车中心仓停放的车辆与用户的需求匹配度高，进而提高了车辆周转率。
Description
技术领域
本申请实施例涉及数据处理领域，尤其涉及一种租车中心仓选品方法、装置、设备及计算机可读存储介质。
背景技术
随着互联网线上业务的发展，越来越多的应用平台为大家提供便利。其中，为了方便人们出行，衍生出很多租车平台。租车平台设有中心仓，需要出行的用户可以通过租车平台根据所在地理位置选择所需租车的车型，并到所选车型的车辆所在中心仓提车，进而实现出行计划。由于中心仓的车辆是动态的来源于各个租赁公司的，因此，为了租车平台的逐渐发展，租车平台上的选品问题变得尤其重要。
针对租车选品，目前是通过人工统计市场车辆情况，比如，需要对租车平台上网约车司机所开车辆的车型进行统计排序，认为平台上司机所开车型数量越多的越是热门的车型，将数据给到运营员工后手动将车型录入系统，通知渠道平台需要从车辆提供方获取哪些车型。
但是人工统计需要大量的人工干预以及人为经验的决策，无法根据最新的市场行情以及用户需求的变动进行及时调整，而且每个城市的受欢迎车型不同。例如杭州司机开电动车的占比非常多，电动车相比油车更受欢迎；而在西北地区，由于充电桩的建设不完善以及地广人稀的特点，人们对于油车更加青睐；那么每在一个新城市开通租车平台，就需要去调研该城市当地的车辆情况和司机偏好程度，这样对于运营人力消耗非常大。因此，对于租车选品受多方因素的影响，现有技术无法精准地选品，进而使得中心仓停放的车辆与用户的需求匹配度低。
发明内容
本申请实施例提供一种租车中心仓选品方法、装置、设备及计算机可读存储介质，能够实现精准地选品，使得租车中心仓停放的车辆与用户的需求匹配度高，进而提高车辆周转率。
第一方面，本申请实施例提供一种租车中心仓选品方法，应用于租车平台，该方法包括：获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。
可选的，在所述得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据之前，所述方法还包括：获取多个预定城市中的每个预定城市在第二预设历史时间段内的历史特征数据和每个所述预定城市的各个租车中心仓在第三预设历史时间段内对各个车型的历史需求量，所述历史特征数据包括多个维度的数据；根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型；其中，第一预设历史时间段的时间间隔等于第二预设历史时间段的时间间隔，第二预设历史时间段的时间间隔大于第三预设历史时间段的时间间隔，预设时间段的时间间隔等于第三预设历史时间段的时间间隔。
可选的，所述多个维度包括：租车平台下单维度、租车平台冒泡维度、租车平台司机维度、城市出行维度、租车中心仓环境维度、城市人口密度维度、城市环境维度、城市租赁公司维度以及城市人口收入维度；所述根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型，包括：对所述多个维度的数据进行归一化处理，得到多个维度的特征量；以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，其中，所述历史需求量为所述决策树模型训练过程中的标签；根据所述决策树模型的输出，以及作为所述标签的所述历史需求量之间的差异，调整所述决策树模型的参数，直至所述决策树模型达到期望训练效果；将所述达到期望训练效果的决策树模型作为所述车型需求预测模型。
可选的，所述对所述多个维度的数据进行归一化处理，得到多个维度的特征量，包括：对所述租车中心仓环境维度的数据、所述城市环境维度的数据以及所述城市租赁公司维度的数据进行预定义编码，得到所述租车中心仓环境维度的特征量、所述城市环境维度的特征量以及所述城市租赁公司维度的特征量；将所述租车平台下单维度的下单车型数量作为所述租车平台下单维度的特征量，将所述租车平台冒泡维度的用户冒泡数量作为所述租车平台冒泡维度的特征量，将所述租车平台司机维度的司机数量作为所述租车平台司机维度的特征量，将所述城市出行维度的月均出行数量作为所述城市出行维度的特征量，将所述城市人口密度维度的人口密度值作为所述城市人口密度维度的特征量，将所述城市人口收入维度的人均月收入值作为所述城市人口收入维度的特征量。
可选的，所述以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，包括：根据每个所述预定城市的每个租车中心仓对应的各个所述维度的特征量，生成第一矩阵；根据每个所述预定城市的每个租车中心仓对应的各个车型的历史需求量，生成第二矩阵；根据所述第一矩阵和所述第二矩阵，形成所述训练样本，所述训练样本为所述第一矩阵和所述第二矩阵的合并矩阵，其中，所述第一矩阵为所述合并矩阵中的第一输入量X，所述第二矩阵作为所述合并矩阵的标签输入量Y，所述第一输入量X对应唯一的所述标签输入量Y；将所述第一输入量X和标签输入量Y同步输入到所述决策树模型中训练，输出所述标签输入量Y对应的预测值。
可选的，所述根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，包括：对所述特征数据进行归一化处理，得到所述特征数据分布在所述目标城市中各个租车中心仓对应的目标特征量；将所述目标特征数据对应的特征量输入到所述车型需求预测模型中，得到所述目标城市中各个租车中心仓在预设时间段内对车型需求的车型需求预测数据。
可选的，所述车型需求预测数据包括多个预选车型的预测需求量；所述根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果，包括：根据所述多个预选车型中每个预选车型的预测需求量，通过需求转化率，计算所述目标城市中各个租车中心仓在预设时间段内对每个预选车型需求的第一实际需求量；针对每个租车中心仓，对每个所述预选车型对应的第一实际需求量依据从高到低的顺序进行排序；将在预设排名顺序内的所有预选车型作为所述租车中心仓的选品结果。
可选的，所述需求转化率是由历史需求量和所述历史需求量对应的预测值作比值得到的；所述历史需求量对应的预测值是对所述决策树模型训练过程中得到的。
可选的，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：将所述选品结果对应的车型推送至各个用户端，以使各个所述用户端的用户针对所述选品结果对应的车型进行意见反馈；接收各个所述用户端的反馈信息，并根据所述反馈信息，调整所述选品结果。
可选的，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：根据各个所述租车中心仓的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个车型数量。
可选的，在所述调整所述选品结果之后，所述方法还包括：根据各个所述租车中心仓对应的调整后的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个车型数量。
可选的，所述训练样本存储在样本库中；在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：获取所述目标城市中各个租车中心仓在预设时间段内对车型需求的第二实际需求量；根据所述特征数据和所述第二实际需求量，更新所述样本库。
可选的，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：获取所述目标城市中各个租车中心仓在预设时间段内对车型需求的第二实际需求量；根据所述第一实际需求量和所述第二实际需求量，通过误差计算，调整所述需求转化率。
第二方面，本申请实施例提供一种租车中心仓选品装置，包括：第一获取模块，用于获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；预测模块，用于根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；选品模块，用于根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。
第三方面，本申请实施例提供一种租车中心仓设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的方法。
本申请实施例提供的租车中心仓选品方法、装置、设备及计算机可读存储介质，获取目标城市在第一预设历史时间段内的特征数据，其中目标城市为设有至少一个所述租车中心仓，该特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；然后根据特征数据，通过由决策树模型训练得到的车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据；再根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果，因此，通过获取的目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据，考虑多方因素，实现了全链路数据的打通，再结合机器学习算法，比如通过训练决策树模型实现了车型需求预测，无需人工干预，也大大节省了人力资源，然后基于预测数据，对租车中心仓的选品进行决策，实现了精准地选品，进而使得租车中心仓停放的车辆与用户的需求匹配度高，提高了车辆周转率。
附图说明
图1为本申请实施例提供的用户使用租车平台的应用场景示意图；
图2为本申请实施例提供的租车中心仓选品方法的流程示意图；
图3为本申请另一实施例提供的租车中心仓选品方法的流程示意图；
图4为本申请又一实施例提供的租车中心仓选品方法的流程示意图；
图5为本申请再一实施例提供的租车中心仓选品方法的流程示意图；
图6为本申请另一实施例提供的租车中心仓选品方法的应用场景示意图；
图7为本申请实施例提供的租车中心仓选品装置的结构示意图；
图8为本申请实施例提供的租车中心仓选品设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是本申请实施例提供的用户使用租车平台的应用场景示意图。如图1所示，该场景包括：用户和租车平台；其中，用户可以在自身的终端设备上打开租车平台的租车功能，用户可以在租车界面中选择租车类型，比如，长租、短租、共享汽车。不同的租车类型，对应不同的选车场景，比如，长租类型的界面可以直接选择租车的车型，选定车型后进入车型详情界面，可以根据提供的租车方案选择符合自己的方案去下单或是根据提供的租车方案进行门店咨询等操作；短租类型的界面包括取车点和时间，然后点击去选车，进入选车列表；共享汽车类型的界面可以直接选择去选车，然后进入选车列表等。可见，租车平台上可以为用户提供多种租车方案，并且提供多种租车的车型，因此，为了提高与用户需求的匹配度，对租车平台上中心仓的选品尤为重要，精准度越高，则匹配度越高，进而提高中心仓的车辆周转率。由于现有的技术是通过人工统计数据源，然后通过人工经验决定中心仓的选品存在人工干预，导致数据以及选品的不精准，无法根据最新的市场行情以及用户需求的变动进行及时调整，并且也没有考虑地域差异带来的车型选择上的差异，比如，杭州司机开电动车的占比非常多，电动车相比油车更受欢迎；而在西北地区，由于充电桩的建设不完善以及地广人稀的特点，人们对于油车更加青睐，所以人工统计的数据不具有各个城市以及各个中心仓的特征意义，因此，为了克服上述问题，本申请结合多方实时数据源，通过机器学习对各车型进行需求预测，由于多方因素的数据考虑到中心仓以及所在城市的信息，不仅使得预测值准确度高，也使得预测的结果更加符合用户需求，即提高了与用户需求的匹配度；然后结合预测值确定未来一定时间段内该地区对中心仓中车型车辆的需求，进而提前为中心仓补入，保证车辆的周转率。
具体地，本申请实施例提供的租车中心仓选品方法，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请实施例提供的租车中心仓选品方法的流程示意图。本申请实施例针对现有技术的如上技术问题，提供了租车中心仓选品方法，该方法具体步骤如下：
步骤S201、获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据。
本实施例的执行主体可以为租车平台的服务器。
本实施例中，服务器获取某个城市中在一个预设历史时间段内的特征数据，比如，该城市在一个月前所对应的特征数据。为了方便理解，以下将该城市视为目标城市，这里的目标城市设有至少一个租车中心仓，租车中心仓用于存放各种车型的车辆，租车中心仓的车辆是动态的来源于各个租赁公司的。
其中，目标城市对应的特征数据中包括每个租车中心仓自身的特征数据以及目标城市的独有特征。租车中心仓自身的特征数据可以包括租车中心仓所在位置的环境信息，比如租车中心仓所能够覆盖目标城市中区域的人口密集程度、道路特征，如交叉口数量、形态、交通是否便利等。目标城市的独有特征可以包括整个城市的环境信息、环境信息相关的车辆信息，比如整个城市的人口密集程度、道路特征、与车型相关信息(比如，平台上下单的车型、该城市较为偏好的车型等)。因此，目标城市对应的特征数据具有该城市或者各个所选租车中心仓的特征，该特征数据具有的多方影响因素为租车中心仓选品的精准度提供了有效地数据源。
步骤S202、根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到。
本实施例中，由于各个租车中心仓选品直接影响到租车中心仓的车辆周转效率，为了提高周转效率，可以通过预测目标城市在未来一个时间段对车型的需求量，进而及时调整租车中心仓的车型以及数量。
具体地，为了使得预测的结果准确度高，采用决策树算法，通过历史特征数据对决策树模型进行训练得到车型需求预测模型，然后对目标城市当前的特征数据，比如前一个月的特征数据，通过数据预处理后输入到车型需求预测模型中，得到该目标城市中每个租车中心仓在预设时间段内(比如未来一周时间)内对车型需求的预测值即车型需求预测数据。虽然预测的是未来一段时间内的车型需求量比如未来一周的车型需求量，但是在当前时间节点的下一个正常日，依然可以重新获取以前的历史数据(包括当前时间节点的数据，比如一个月的数据)来预测下一个未来一周的车型需求量，因此，该预测的方式可以是日更新的动态迭代的，实现了租车中心仓的精细化选品。
由于该预测方式的输入数据是考虑到多方因素的特征数据，更加符合所在地域居民的需求，因此，该车型需求预测数据的确定，能够为租车中心仓选品与用户需求产生较高的匹配度。
可选的，本实施例在上述实施例的基础上，例如在图2所述的实施例的基础上，对步骤S202进行了详细说明。所述根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，包括：
步骤a1，对所述特征数据进行归一化处理，得到所述特征数据分布在所述目标城市中各个租车中心仓对应的目标特征量；
步骤a2，将所述目标特征数据对应的特征量输入到所述车型需求预测模型中，得到所述目标城市中各个租车中心仓在预设时间段内对车型需求的车型需求预测数据。
本实施例中，首先对目标城市的特征数据进行归一化处理，即进行特征量化，转换成数字特征。比如，将语言特征转化为数字型向量。然后对目标城市的特征数据整合成至少一条数据，每条数据包括一个租车中心仓对应的特征量和该目标城市对应的固有特征量(如上述的整个城市的人口密集程度、道路特征、与车型相关信息等)，然后将每条数据输入到车型需求预测模型中，能够得到该目标城市中每个租车中心仓在预设时间段内对车型需求的车型需求预测数据。该预测结果融合了目标城市中每个租车中心仓的特征和该目标城市的道路、人口以及对车型的喜好等因素，因此，该车型需求预测数据的确定，不但数据精准，还使得租车中心仓停放的车辆能够和用户的需求匹配度高，进而提高了车辆周转率。
步骤S203、根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。
本实施例中，由于根据各个租车中心仓所在的地理位置以及规模大小，可以确定出该每个租车中心仓所能覆盖的用户区域，因此，可以将每个租车中心仓对应的车型需求预测数据作为选品的依据，比如将该租车中心仓所能覆盖的用户区域的车型按预测数据大小排序，最终选择排序前几的车型作为该租车中心仓的选品结果。
本申请提供的租车中心仓选品方法，通过获取的目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据，考虑多方因素，实现了全链路数据的打通，再结合机器学习算法，比如通过训练决策树模型实现了车型需求预测，无需人工干预，也大大节省了人力资源，然后基于预测数据，对租车中心仓的选品进行决策，实现了精准地选品，进而使得租车中心仓停放的车辆与用户的需求匹配度高，使得租车中心仓停放的车辆能够和用户的需求匹配度高，提高了车辆周转率。
可选的，本实施例在上述实施例的基础上，比如在图2所述的实施例的基础上，对步骤S203进行了详细说明。其中，所述车型需求预测数据包括多个预选车型的预测需求量。所述根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果，包括：
步骤b1，根据所述多个预选车型中每个预选车型的预测需求量，通过需求转化率，计算所述目标城市中各个租车中心仓在预设时间段内对每个预选车型需求的第一实际需求量；
步骤b2，针对每个租车中心仓，对每个所述预选车型对应的第一实际需求量依据从高到低的顺序进行排序；
步骤b3，将在预设排名顺序内的所有预选车型作为所述租车中心仓的选品结果。
本实施例中，每个租车中心仓对应的车型需求预测数据中包含了多个预选车型以及每个预选车型的需求量，这里预测的未来预设时间段(比如，未来一周时间)内对每个预选车型的需求量是较为符合该租车中心仓所在目标城市覆盖区域的需求，即与用户需求具有较高的匹配度，且由于租车中心仓所在地域环境以及规模限制，需要从多个预选车型中选择最终的车型。因此，可以依据每个租车中心仓对应的车型需求预测数据中预选车型的需求量大小，来确定最终选择的车型。
具体地，首先将每个预选车型的预测需求量转化成第一实际需求量，比如，通过需求转化率来计算：每个预选车型的预测需求量*需求转化率＝每个预选车型的第一实际需求量。
可选地，需求转化率是由历史需求量和所述历史需求量对应的预测值作比值得到的；所述历史需求量对应的预测值是对所述决策树模型训练过程中得到的。
然后针对每个租车中心仓，基于每个预选车型的第一实际需求量，将所有预选车型依据数量从高到低的顺序排序，将在预设排名顺序内的所有预选车型作为所述租车中心仓的选品结果，比如，将顺序的前十名预选车型作为所述租车中心仓的选品车型，且选品结果中包含每个选定的车型的需求量。这样就可以通过选定的车型以及需求量对租车中心仓中当前的车型情况进行合理补充或是合理调度。
为了实现预测，需要建立预测模型，参见图3所示，图3为本申请另一实施例提供的租车中心仓选品方法的流程示意图，本实施例在上述实施例的基础上，例如在图2所述的实施例的基础上，对如何建立车型需求预测模型进行了详细说明。在所述得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据之前，所述方法还包括：
步骤S301、获取多个预定城市中的每个预定城市在第二预设历史时间段内的历史特征数据和每个所述预定城市的各个租车中心仓在第三预设历史时间段内对各个车型的历史需求量，所述历史特征数据包括多个维度的数据；
S302、根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型。
其中，第一预设历史时间段的时间间隔等于第二预设历史时间段的时间间隔，第二预设历史时间段的时间间隔大于第三预设历史时间段的时间间隔，预设时间段的时间间隔等于第三预设历史时间段的时间间隔。
在实际应用中，第一预设历史时间段可以为当前时间之前的一个月，比如2019.10-2019.11，时间间隔为一个月；第二预设历史时间段可以为一个也可以为多个，可以与第一预设历史时间段上的时间有交叉，第二预设历史时间段得终止时间也可以在第一预设历史时间段的起始时间之前(比如，2019.9-2019.10)，时间间隔为一个月；第三预设历史时间段的起始时间可以为第二预设历史时间段的终止时间(比如2019.10.1-2019.10.7)，第三预设历史时间段的时间间隔为7天即一周时间，预设时间段的起始时间可以为第一预设历史时间段的终止时间(比如，2019.11.1-2019.11.7)，预设时间段的时间间隔为7天。
具体地，首先选取多个城市即多个预定城市，每个预设城市设有一个或多个租车中心仓，多个预定城市中可以包括目标城市也可以不包括，在此不做限定。针对每个预定城市，获取每个预定城市在当前时间之前的某一个月或几个月中每个月对应的历史特征数据，这样第二预设历史时间段可以为一个或多个，然后针对每个月对应的历史特征数据进行预处理。其中，每个预定城市在一个第二预设历史时间段内的历史特征数据包括该预定城市的固有特征数据以及该预定城市中各个租车中心仓的特征数据，因此，一个第二预设历史时间段内的历史特征数据可以包括多个维度的数据。然后根据以多个维度的数据和该预定城市中各个租车中心仓对应的历史需求量作为训练数据，对决策树模型进行训练，得到车型需求预测模型。
其中，多个维度可以包括：租车平台下单维度、租车平台冒泡维度、租车平台司机维度、城市出行维度、租车中心仓环境维度、城市人口密度维度、城市环境维度、城市租赁公司维度以及城市人口收入维度。
具体地，租车平台下单维度的数据是表示租车中心仓下单车型的数量，租车平台冒泡维度的数据是表示用户在租车平台上选择过的车型但并未下单的数量，租车平台司机维度的数据是表示该租车平台上在该预定城市的司机数量，城市出行维度的数据是表示该预定城市所有人口的月均历史出行数据量，租车中心仓环境维度的数据是表示租车中心仓所覆盖的区域的人口密集程度和租车中心仓周围道路特征，城市人口密度维度的数据是表示该预定城市的人口密集程度，城市环境维度的数据是表示该预定城市的道路特征，城市租赁公司维度的数据是表示该预定城市中所有租赁公司口碑以及规模，城市人口收入维度的数据是表示该预定城市所有人口的月均收入。
因此，这些维度考虑了所在城市租车平台上的下单车型数量和用户在租车平台上的行为数据(比如用户在租车平台上选择过的车型但并未下单的数量)，还考虑了所在城市的人口密度、交通环境、收入，也考虑了具体到每个租车中心仓所覆盖区域的人口密度、交通环境，还考虑了选取车型入租车中心仓的租赁公司的口碑以及规模等等可能引起车型需求预测数据准确度的多方因素，将多方因素的数据作为训练数据对决策树的训练提高了参数的精度，使得训练后得到的车型需求预测模型更优，进而保证了预测结果的准确度。
具体地，参见图4，图4为本申请又一实施例提供的租车中心仓选品方法的流程示意图。如何基于每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型，可以通过如下步骤实现：
步骤S401、对所述多个维度的数据进行归一化处理，得到多个维度的特征量。
可选地，对所述租车中心仓环境维度的数据、所述城市环境维度的数据以及所述城市租赁公司维度的数据进行预定义编码，得到所述租车中心仓环境维度的特征量、所述城市环境维度的特征量以及所述城市租赁公司维度的特征量。其中，一个租车中心仓对应一个租车中心仓环境维度的特征量。
将所述租车平台下单维度的下单车型数量作为所述租车平台下单维度的特征量，将所述租车平台冒泡维度的用户冒泡数量作为所述租车平台冒泡维度的特征量，将所述租车平台司机维度的司机数量作为所述租车平台司机维度的特征量，将所述城市出行维度的月均出行数量作为所述城市出行维度的特征量，将所述城市人口密度维度的人口密度值作为所述城市人口密度维度的特征量，将所述城市人口收入维度的人均月收入值作为所述城市人口收入维度的特征量。
步骤S402、以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，其中，所述历史需求量为所述决策树模型训练过程中的标签；
步骤S403、根据所述决策树模型的输出，以及作为所述标签的所述历史需求量之间的差异，调整所述决策树模型的参数，直至所述决策树模型达到期望训练效果；
步骤S404、将所述达到期望训练效果的决策树模型作为所述车型需求预测模型。
本实施例中，若每个预定城市设有多个租车中心仓，则每个预定城市的多个维度的特征以及多个租车中心仓中的每个租车中心仓对应的历史需求量可以分为多个样本，其中样本的个数与该预定城市中租车中心仓的个数一致。
例如，预定城市1设有2个租车中心仓(租车中心仓11和租车中心仓12)，则该预定城市1的多个维度的特征以及每个租车中心仓对应的历史需求量可以分为2个样本(样本11和样本12)，则样本11包括租车中心仓11环境维度的特征量、城市环境维度的特征量、城市租赁公司维度的特征量、租车平台下单维度的特征量、租车平台冒泡维度的特征量、租车平台司机维度的特征量、城市出行维度的特征量、城市人口密度维度的特征量、城市人口收入维度的特征量、租车中心仓11对应的历史需求量；样本12包括租车中心仓12环境维度的特征量、城市环境维度的特征量、城市租赁公司维度的特征量、租车平台下单维度的特征量、租车平台冒泡维度的特征量、租车平台司机维度的特征量、城市出行维度的特征量、城市人口密度维度的特征量、城市人口收入维度的特征量、租车中心仓12对应的历史需求量，因此，每个预定城市的每个样本中包含的各个租车中心仓环境维度的特征量不同，但是有关各个租车中心仓所在同一城市的其他维度的特征量相同。因此，这样的训练样本不仅仅具有用户的地域特性还有租车中心仓特性，使得为各个租车中心仓的选品具有针对性和唯一性，进而使得租车中心仓的车型与用户的需求匹配度高。
具体地，训练样本为模型的输入量，将历史需求量为所述决策树模型训练过程中的标签，输出量为车型需求预测数据，然后将输出量与标签进行比对，计算误差，然后对决策树模型的参数进行反馈调整，直到输出量与标签的误差较小且趋于稳定，即决策树模型达到期望训练效果，将该训练后的决策树模型作为车型需求预测模型。
可选的，如何通过训练样本对决策树模型进行训练，本实施例在上述实施例的基础上，例如，在图4所述的实施例的基础上，对步骤S402进行了详细说明。所述以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，包括以下步骤：
步骤c1、根据每个所述预定城市的每个租车中心仓对应的各个所述维度的特征量，生成第一矩阵；
步骤c2、根据每个所述预定城市的每个租车中心仓对应的各个车型的历史需求量，生成第二矩阵；
步骤c3、根据所述第一矩阵和所述第二矩阵，形成所述训练样本，所述训练样本为所述第一矩阵和所述第二矩阵的合并矩阵，其中，所述第一矩阵为所述合并矩阵中的第一输入量X，所述第二矩阵作为所述合并矩阵的标签输入量Y，所述第一输入量X对应唯一的所述标签输入量Y；
步骤c4、将所述第一输入量X和标签输入量Y同步输入到所述决策树模型中训练，输出所述标签输入量Y对应的预测值。
本实施例中，每个租车中心仓对应的各个所述维度的特征量包括该租车中心仓环境维度的特征量、城市环境维度的特征量、城市租赁公司维度的特征量、租车平台下单维度的特征量、租车平台冒泡维度的特征量、租车平台司机维度的特征量、城市出行维度的特征量、城市人口密度维度的特征量、城市人口收入维度的特征量，则每个租车中心仓对应的各个所述维度的特征量生成的第一矩阵为[该租车中心仓环境维度的特征量城市环境维度的特征量城市租赁公司维度的特征量租车平台下单维度的特征量租车平台冒泡维度的特征量租车平台司机维度的特征量城市出行维度的特征量城市人口密度维度的特征量城市人口收入维度的特征量]，第二矩阵是由租车中心仓对应的各个车型的历史需求量生成的，即[车型1的历史需求量车型2的历史需求量…车型N的历史需求量]，则训练样本为[该租车中心仓环境维度的特征量城市环境维度的特征量城市租赁公司维度的特征量租车平台下单维度的特征量租车平台冒泡维度的特征量租车平台司机维度的特征量城市出行维度的特征量城市人口密度维度的特征量城市人口收入维度的特征量车型1的历史需求量车型2的历史需求量…车型N的历史需求量]，针对每个训练样本的输出结果为每个车型的历史需求量对应的预测值或是该租车中心仓对每个车型的车型需求预测数据。
可选的，为了使得租车中心仓的选品结果能够提高用户的满意度，参见图5所示，图5为本申请再一实施例提供的租车中心仓选品方法的流程示意图，本实施例在上述实施例的基础上，例如在图2所述的实施例的基础上，对租车中心仓选品方法进行了详细说明。在所述确定各个所述租车中心仓的选品结果之后，所述方法还可以包括：
步骤S501、将所述选品结果对应的车型推送至各个用户端，以使各个所述用户端的用户针对所述选品结果对应的车型进行意见反馈；
步骤S502、接收各个所述用户端的反馈信息，并根据所述反馈信息，调整所述选品结果。
本实施例中，服务器可以将计算出的选品结果即所需车型通过租车平台推送给各个用户端，各个用户端接收到推送消息后，根据推送消息中的提示对推送的车型进行意见反馈。比如，参见图6所示，租车平台的推送消息为：“请对以下车型进行满意度打分：5分、3分、1分”，用户通过用户端根据自己喜好选择对应分值，然后点击“提交”，用户端将用户提交的结果反馈至租车平台中的服务器，服务器根据反馈意见适应调整对选品结果中各个车型的需求量进行调整，使得调整后的选品结果能够使得用户有较高的满意度。
可选的，为了及时的填补租车中心仓的车型需求的空缺，以及及时向租赁公司进行协商，进而提高租车中心仓中车辆的周转率，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：
根据各个所述租车中心仓的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个车型数量；或者，根据各个所述租车中心仓对应的调整后的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个车型数量。
其中，这两种计算方式均为计算租车中心仓当前的车型的数据与选品结果中对应车型的需求量之差，将差值作为租车中心仓的待补入的各个车型数。除此之外，还可以通过其他算法来补入该租车中心仓中各个车型数量，保证租车中心仓中各种车型车辆的后续调度。
可选地，训练样本存储在样本库中；为了动态更新样本或是优化车型需求预测模型，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：
获取所述目标城市中各个租车中心仓在预设时间段内对车型需求的第二实际需求量；根据所述特征数据和所述第二实际需求量，更新所述样本库。
本实施例中，为了在实际应用中不断地优化车型需求预测模型，可以在经过上述预设时间段后，获取目标城市中各个租车中心仓在该预设时间段内对车型需求的真实值即第二实际需求量，然后将该真实值替换之前通过车型需求预测模型预测得到的第一实际需求量，将目标城市中每个租车中心仓对应的多维的特征量和对应的所述第二实际需求量作为新的样本存储至数据库中，使得数据库能够动态更新。
可选地，在得到选品结果后还可以更新需求转换率，进而提高选品结果的准确度，即在所述确定各个所述租车中心仓的选品结果之后，该方法还可以包括：
获取所述目标城市中各个租车中心仓在预设时间段内对车型需求的第二实际需求量；根据所述第一实际需求量和所述第二实际需求量，通过误差计算，调整所述需求转化率。
本实施例中，为了适时调整需求转化率，可以在经过上述预设时间段后，获取目标城市中各个租车中心仓在该预设时间段内对车型需求的真实值即第二实际需求量，然后将真实值与之前通过车型需求预测模型预测得到的第一实际需求量进行误差计算，进而达到调整需求转化率的目的，保证预测结果经过需求转化率转换后的选品结果精准度高。
本申请提供的租车中心仓选品方法，在整个过程中，可以是日更新的动态迭代的，每天根据租车中心仓已停放的车辆信息以及计算得到的该租车中心仓的选品结果进行比较，自动化的决策出还需要让车辆提供方(比如租赁公司)为提供哪种车型的车辆以及各提供多少辆，该方案实现了租车中心仓的精细化选品，并且是日更新的，通过全链路数据的打通，实现了端到端的预测和决策，无需人工干预，大大节省了运营人力，并且能够更加精准的选品，使得租车中心仓停放的车辆能够和用户的需求匹配度高，提高了车辆周转率。
图7为本申请实施例提供的租车中心仓选品装置的结构示意图。该租车中心仓选品装置具体可以是上述实施例中的租车平台。本申请实施例提供的租车中心仓选品装置可以执行租车中心仓选品方法实施例提供的处理流程，如图7所示，租车中心仓选品装置700包括：第一获取模块701、预测模块702和选品模块703；其中，第一获取模块701，用于获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；预测模块702，用于根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；选品模块703，用于根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果。
可选的，所述装置700还包括：模型建立模块704，模型建立模块704，包括：第一获取单元和模型训练单元。
第一获取单元，用于获取多个预定城市中的每个预定城市在第二预设历史时间段内的历史特征数据和每个所述预定城市的各个租车中心仓在第三预设历史时间段内对各个车型的历史需求量，所述历史特征数据包括多个维度的数据。
模型确定单元，用于根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型；其中，第一预设历史时间段的时间间隔等于第二预设历史时间段的时间间隔，第二预设历史时间段的时间间隔大于第三预设历史时间段的时间间隔，预设时间段的时间间隔等于第三预设历史时间段的时间间隔。
可选的，所述多个维度包括：租车平台下单维度、租车平台冒泡维度、租车平台司机维度、城市出行维度、租车中心仓环境维度、城市人口密度维度、城市环境维度、城市租赁公司维度以及城市人口收入维度；所述模型确定单元，包括：数据处理子单元、模型训练子单元、参数调整子单元和模型确定子单元。
数据处理子单元，用于对所述多个维度的数据进行归一化处理，得到多个维度的特征量。
模型训练子单元，用于以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，其中，所述历史需求量为所述决策树模型训练过程中的标签。
参数调整子单元，用于根据所述决策树模型的输出，以及作为所述标签的所述历史需求量之间的差异，调整所述决策树模型的参数，直至所述决策树模型达到期望训练效果。
模型确定子单元，用于将所述达到期望训练效果的决策树模型作为所述车型需求预测模型。
可选的，数据处理子单元，具体用于：对所述租车中心仓环境维度的数据、所述城市环境维度的数据以及所述城市租赁公司维度的数据进行预定义编码，得到所述租车中心仓环境维度的特征量、所述城市环境维度的特征量以及所述城市租赁公司维度的特征量；将所述租车平台下单维度的下单车型数量作为所述租车平台下单维度的特征量，将所述租车平台冒泡维度的用户冒泡数量作为所述租车平台冒泡维度的特征量，将所述租车平台司机维度的司机数量作为所述租车平台司机维度的特征量，将所述城市出行维度的月均出行数量作为所述城市出行维度的特征量，将所述城市人口密度维度的人口密度值作为所述城市人口密度维度的特征量，将所述城市人口收入维度的人均月收入值作为所述城市人口收入维度的特征量。
可选的，模型训练子单元，具体用于：根据每个所述预定城市的每个租车中心仓对应的各个所述维度的特征量，生成第一矩阵；根据每个所述预定城市的每个租车中心仓对应的各个车型的历史需求量，生成第二矩阵；根据所述第一矩阵和所述第二矩阵，形成所述训练样本，所述训练样本为所述第一矩阵和所述第二矩阵的合并矩阵，其中，所述第一矩阵为所述合并矩阵中的第一输入量X，所述第二矩阵作为所述合并矩阵的标签输入量Y，所述第一输入量X对应唯一的所述标签输入量Y；将所述第一输入量X和标签输入量Y同步输入到所述决策树模型中训练，输出所述标签输入量Y对应的预测值。
可选的，所述预测模块，具体用于：对所述特征数据进行归一化处理，得到所述特征数据分布在所述目标城市中各个租车中心仓对应的目标特征量；将所述目标特征数据对应的特征量输入到所述车型需求预测模型中，得到所述目标城市中各个租车中心仓在预设时间段内对车型需求的车型需求预测数据。
可选的，所述车型需求预测数据包括多个预选车型的预测需求量；所述选品模块，具体用于：根据所述多个预选车型中每个预选车型的预测需求量，通过需求转化率，计算所述目标城市中各个租车中心仓在预设时间段内对每个预选车型需求的第一实际需求量；针对每个租车中心仓，对每个所述预选车型对应的第一实际需求量依据从高到低的顺序进行排序；将在预设排名顺序内的所有预选车型作为所述租车中心仓的选品结果。
可选的，所述需求转化率是由历史需求量和所述历史需求量对应的预测值作比值得到的；所述历史需求量对应的预测值是对所述决策树模型训练过程中得到的。
可选的，所述装置还包括：第一调整模块705；第一调整模块，用于在所述确定各个所述租车中心仓的选品结果之后，将所述选品结果对应的车型推送至各个用户端，以使各个所述用户端的用户针对所述选品结果对应的车型进行意见反馈；接收各个所述用户端的反馈信息，并根据所述反馈信息，调整所述选品结果。
可选的，所述装置还包括：第一待补入数据确定模块706；第一待补入数据确定模块706，用于在所述确定各个所述租车中心仓的选品结果之后，根据各个所述租车中心仓的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个车型数量。
可选的，所述装置还包括：第二待补入数据确定模块707；第二待补入数据确定模块707，用于在所述调整所述选品结果之后，根据各个所述租车中心仓对应的调整后的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个车型数量。
可选的，所述训练样本存储在样本库中；所述装置还包括：第一更新模块708；更新模块708，用于在所述确定各个所述租车中心仓的选品结果之后，获取所述目标城市中各个租车中心仓在预设时间段内对车型需求的第二实际需求量；根据所述特征数据和所述第二实际需求量，更新所述样本库。
可选的，所述装置还包括：第二调整模块709；第二调整模块709，用于在所述确定各个所述租车中心仓的选品结果之后，获取所述目标城市中各个租车中心仓在预设时间段内对车型需求的第二实际需求量；根据所述第一实际需求量和所述第二实际需求量，通过误差计算，调整所述需求转化率。
图7所示实施例的租车中心仓选品装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本申请实施例通过获取目标城市在第一预设历史时间段内的特征数据，其中目标城市为设有至少一个所述租车中心仓，该特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；然后根据特征数据，通过由决策树模型训练得到的车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据；再根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果，因此，通过获取的目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据，考虑多方因素，实现了全链路数据的打通，再结合机器学习算法，比如通过训练决策树模型实现了车型需求预测，无需人工干预，也大大节省了人力资源，然后基于预测数据，对租车中心仓的选品进行决策，实现了精准地选品，进而使得租车中心仓停放的车辆与用户的需求匹配度高，使得租车中心仓停放的车辆能够和用户的需求匹配度高，提高了车辆周转率。
在整个过程中，可以是日更新的动态迭代的，每天根据租车中心仓已停放的车辆信息以及计算得到的该租车中心仓的选品结果进行比较，自动化的决策出还需要让车辆提供方(比如租赁公司)为提供哪种车型的车辆以及各提供多少辆，该方案实现了租车中心仓的精细化选品，并且是日更新的，通过全链路数据的打通，实现了端到端的预测和决策，无需人工干预，大大节省了运营人力，并且能够更加精准的选品，使得租车中心仓停放的车辆能够和用户的需求匹配度高，提高了车辆周转率。
图8为本申请实施例提供的租车中心仓选品设备的结构示意图。该租车中心仓选品设备具体可以是上述实施例中的租车平台。本申请实施例提供的租车中心仓选品设备可以执行租车中心仓选品方法实施例提供的处理流程，如图8所示，本实施例提供的设备800包括：至少一个处理器801和存储器802。其中，处理器801、存储器802通过总线803连接。
在具体实现过程中，至少一个处理器801执行所述存储器802存储的计算机执行指令，使得至少一个处理器801执行上述方法实施例中的方法。
处理器801的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图8所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
另外，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的租车中心仓选品方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (15)
1.一种租车中心仓选品方法，其特征在于，应用于租车平台，所述方法包括：
获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；
根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；
根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果；
在所述得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据之前，所述方法还包括：
获取多个预定城市中的每个预定城市在第二预设历史时间段内的历史特征数据和每个所述预定城市的各个租车中心仓在第三预设历史时间段内对各个车型的历史需求量，所述历史特征数据包括多个维度的数据；所述多个维度包括：租车平台下单维度、租车平台冒泡维度、租车平台司机维度、城市出行维度、租车中心仓环境维度、城市人口密度维度、城市环境维度、城市租赁公司维度以及城市人口收入维度；
根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型；
其中，第一预设历史时间段的时间间隔等于第二预设历史时间段的时间间隔，第二预设历史时间段的时间间隔大于第三预设历史时间段的时间间隔，预设时间段的时间间隔等于第三预设历史时间段的时间间隔。
2.根据权利要求1所述的方法，其特征在于，所述根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型，包括：
对所述多个维度的数据进行归一化处理，得到多个维度的特征量；
以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，其中，所述历史需求量为所述决策树模型训练过程中的标签；
根据所述决策树模型的输出，以及作为所述标签的所述历史需求量之间的差异，调整所述决策树模型的参数，直至所述决策树模型达到期望训练效果；
将所述达到期望训练效果的决策树模型作为所述车型需求预测模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述多个维度的数据进行归一化处理，得到多个维度的特征量，包括：
对所述租车中心仓环境维度的数据、所述城市环境维度的数据以及所述城市租赁公司维度的数据进行预定义编码，得到所述租车中心仓环境维度的特征量、所述城市环境维度的特征量以及所述城市租赁公司维度的特征量；
将所述租车平台下单维度的下单车型数量作为所述租车平台下单维度的特征量，将所述租车平台冒泡维度的用户冒泡数量作为所述租车平台冒泡维度的特征量，将所述租车平台司机维度的司机数量作为所述租车平台司机维度的特征量，将所述城市出行维度的月均出行数量作为所述城市出行维度的特征量，将所述城市人口密度维度的人口密度值作为所述城市人口密度维度的特征量，将所述城市人口收入维度的人均月收入值作为所述城市人口收入维度的特征量。
4.根据权利要求2所述的方法，其特征在于，所述以每个所述预定城市的每个租车中心仓对应的多个维度的特征量和所述历史需求量为一个训练样本，对所述决策树模型进行训练，包括：
根据每个所述预定城市的每个租车中心仓对应的各个所述维度的特征量，生成第一矩阵；
根据每个所述预定城市的每个租车中心仓对应的各个车型的历史需求量，生成第二矩阵；
根据所述第一矩阵和所述第二矩阵，形成所述训练样本，所述训练样本为所述第一矩阵和所述第二矩阵的合并矩阵，其中，所述第一矩阵为所述合并矩阵中的第一输入量X，所述第二矩阵作为所述合并矩阵的标签输入量Y，所述第一输入量X对应唯一的所述标签输入量Y；
将所述第一输入量X和标签输入量Y同步输入到所述决策树模型中训练，输出所述标签输入量Y对应的预测值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，包括：
对所述特征数据进行归一化处理，得到所述特征数据分布在所述目标城市中各个租车中心仓对应的目标特征量；
将所述特征数据对应的目标特征量输入到所述车型需求预测模型中，得到所述目标城市中各个租车中心仓在预设时间段内对车型需求的车型需求预测数据。
6.根据权利要求1所述的方法，其特征在于，所述车型需求预测数据包括多个预选车型的预测需求量；
所述根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果，包括：
根据所述多个预选车型中每个预选车型的预测需求量，通过需求转化率，计算所述目标城市中各个租车中心仓在预设时间段内对每个预选车型需求的第一实际需求量；
针对每个租车中心仓，对每个所述预选车型对应的第一实际需求量依据从高到低的顺序进行排序；
将在预设排名顺序内的所有预选车型作为所述租车中心仓的选品结果。
7.根据权利要求6所述的方法，其特征在于，所述需求转化率是由历史需求量和所述历史需求量对应的预测值作比值得到的；
所述历史需求量对应的预测值是对所述决策树模型训练过程中得到的。
8.根据权利要求1-7任一项所述的方法，其特征在于，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：
将所述选品结果对应的车型推送至各个用户端，以使各个所述用户端的用户针对所述选品结果对应的车型进行意见反馈；
接收各个所述用户端的反馈信息，并根据所述反馈信息，调整所述选品结果。
9.根据权利要求1所述的方法，其特征在于，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：
根据各个所述租车中心仓的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个车型数量。
10.根据权利要求8所述的方法，其特征在于，在所述调整所述选品结果之后，所述方法还包括：
根据各个所述租车中心仓对应的调整后的选品结果，以及各个所述租车中心仓当前的各个车型数量，计算各个所述租车中心仓的待补入的各个车型数量。
11.根据权利要求2所述的方法，其特征在于，所述训练样本存储在样本库中；
在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：
获取所述目标城市中各个租车中心仓在预设时间段内对车型需求的第二实际需求量；
根据所述特征数据和所述第二实际需求量，更新所述样本库。
12.根据权利要求7所述的方法，其特征在于，在所述确定各个所述租车中心仓的选品结果之后，所述方法还包括：
获取所述目标城市中各个租车中心仓在预设时间段内对车型需求的第二实际需求量；
根据所述第一实际需求量和所述第二实际需求量，通过误差计算，调整所述需求转化率。
13.一种租车中心仓选品装置，其特征在于，包括：
第一获取模块，用于获取目标城市在第一预设历史时间段内的特征数据，所述目标城市为设有至少一个所述租车中心仓的城市，所述特征数据用于表示所述目标城市中各个租车中心仓的环境信息以及所在目标城市的车型的相关联数据；
预测模块，用于根据所述特征数据，通过车型需求预测模型，得到所述目标城市中各个租车中心仓在预设时间段内对应的车型需求预测数据，所述车型需求预测模型是由决策树模型训练得到；
选品模块，用于根据所述车型需求预测数据，确定各个所述租车中心仓的选品结果；
模型建立模块，包括：第一获取单元和模型训练单元；
第一获取单元，用于获取多个预定城市中的每个预定城市在第二预设历史时间段内的历史特征数据和每个所述预定城市的各个租车中心仓在第三预设历史时间段内对各个车型的历史需求量，所述历史特征数据包括多个维度的数据；所述多个维度包括：租车平台下单维度、租车平台冒泡维度、租车平台司机维度、城市出行维度、租车中心仓环境维度、城市人口密度维度、城市环境维度、城市租赁公司维度以及城市人口收入维度；
模型确定单元，用于根据每个所述预定城市对应的所述多个维度的数据和所述历史需求量，对所述决策树模型进行训练，得到所述车型需求预测模型；其中，第一预设历史时间段的时间间隔等于第二预设历史时间段的时间间隔，第二预设历史时间段的时间间隔大于第三预设历史时间段的时间间隔，预设时间段的时间间隔等于第三预设历史时间段的时间间隔。
14.一种租车中心仓选品设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-12中任一所述的方法。
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如权利要求1-12任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171414.6A CN111383055B (zh) | 2020-03-12 | 2020-03-12 | 租车中心仓选品方法、装置、设备及计算机可读存储介质 |
| PCT/CN2020/139589 WO2021129831A1 (zh) | 2019-12-26 | 2020-12-25 | 一种车辆调配方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171414.6A CN111383055B (zh) | 2020-03-12 | 2020-03-12 | 租车中心仓选品方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111383055A CN111383055A (zh) | 2020-07-07 |
| CN111383055B true CN111383055B (zh) | 2023-11-17 |
Family
ID=71221608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010171414.6A Active CN111383055B (zh) | 2019-12-26 | 2020-03-12 | 租车中心仓选品方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111383055B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021129831A1 (zh) * | 2019-12-26 | 2021-07-01 | 北京嘀嘀无限科技发展有限公司 | 一种车辆调配方法、装置、设备及计算机可读存储介质 |
| CN112967109A (zh) * | 2021-03-15 | 2021-06-15 | 杭州邻汇网络科技有限公司 | 一种快闪店的智能选品方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116825A (zh) * | 2013-01-29 | 2013-05-22 | 江苏省邮电规划设计院有限责任公司 | 智慧城市管理系统 |
| CN105719019A (zh) * | 2016-01-21 | 2016-06-29 | 华南理工大学 | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 |
| CN106897919A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术（北京）有限公司 | 用车类型预测模型建立、信息提供方法及装置 |
| EP3514738A1 (en) * | 2018-01-23 | 2019-07-24 | Toyota Jidosha Kabushiki Kaisha | Demand prediction apparatus, redistribution plan generation apparatus, user model generation apparatus |
| CN110119827A (zh) * | 2018-02-06 | 2019-08-13 | 北京嘀嘀无限科技发展有限公司 | 用车类型的预测方法及装置 |
| CN110298530A (zh) * | 2018-03-22 | 2019-10-01 | 丰田自动车株式会社 | 信息处理装置和非瞬态计算机可读记录介质 |
| CN110413884A (zh) * | 2019-07-17 | 2019-11-05 | 北京三快在线科技有限公司 | 网约车服务提供装置、方法、存储介质及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9499128B2 (en) * | 2013-03-14 | 2016-11-22 | The Crawford Group, Inc. | Mobile device-enhanced user selection of specific rental vehicles for a rental vehicle reservation |
-
2020
- 2020-03-12 CN CN202010171414.6A patent/CN111383055B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116825A (zh) * | 2013-01-29 | 2013-05-22 | 江苏省邮电规划设计院有限责任公司 | 智慧城市管理系统 |
| CN105719019A (zh) * | 2016-01-21 | 2016-06-29 | 华南理工大学 | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 |
| CN106897919A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术（北京）有限公司 | 用车类型预测模型建立、信息提供方法及装置 |
| EP3514738A1 (en) * | 2018-01-23 | 2019-07-24 | Toyota Jidosha Kabushiki Kaisha | Demand prediction apparatus, redistribution plan generation apparatus, user model generation apparatus |
| CN110119827A (zh) * | 2018-02-06 | 2019-08-13 | 北京嘀嘀无限科技发展有限公司 | 用车类型的预测方法及装置 |
| CN110298530A (zh) * | 2018-03-22 | 2019-10-01 | 丰田自动车株式会社 | 信息处理装置和非瞬态计算机可读记录介质 |
| CN110413884A (zh) * | 2019-07-17 | 2019-11-05 | 北京三快在线科技有限公司 | 网约车服务提供装置、方法、存储介质及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 杨亚 ; 张伟勇 ; 刘玉印 ; .基于顾客选择行为的租车需求修复方法研究.数学的实践与认识.2018,(第17期),第35-43页. * |
| 黎景壮 ; 温惠英 ; 林龙 ; 漆巍巍 ; .基于QPSO__RBF神经网络的网约车需求量预测模型.广西大学学报(自然科学版).2018,(第02期),第272-281页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111383055A (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
| WO2021121354A1 (en) | Model-based deep reinforcement learning for dynamic pricing in online ride-hailing platform | |
| CN111383055B (zh) | 租车中心仓选品方法、装置、设备及计算机可读存储介质 | |
| Qiu et al. | Dynamic pricing in shared mobility on demand service | |
| CN113935505A (zh) | 基于列生成和蚁群算法融合的共享电动汽车运营优化方法 | |
| CN114298559A (zh) | 换电站的换电方法、换电管理平台及存储介质 | |
| CN112906980A (zh) | 订单处理方法、装置、系统及可读存储介质 | |
| CN112613637A (zh) | 充电负荷的处理方法和装置 | |
| CN112579910A (zh) | 信息处理方法、信息处理装置、存储介质和电子设备 | |
| CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
| GS et al. | Prediction of bus passenger traffic using Gaussian process regression | |
| CN116911717B (zh) | 一种用于城市贸易中的运力分配方法及系统 | |
| CN113807560A (zh) | 一种物流成本预测方法、装置、电子设备以及存储介质 | |
| CN109034494B (zh) | 公交调度方法 | |
| Hamadneh et al. | Evaluation of the impacts of autonomous vehicles on the mobility of user groups by using agent-based simulation | |
| CN111859289A (zh) | 交通工具的交易转化率预估方法、装置、电子设备及介质 | |
| CN115994787A (zh) | 一种基于神经网络的拼车需求预测匹配方法 | |
| CN115527365A (zh) | 基于人工神经网络的城市出行活动预测方法及装置 | |
| CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 | |
| CN114820014A (zh) | 费用预估方法、装置、电子设备及存储介质 | |
| CN113011672A (zh) | 物流时效预测方法、装置、电子设备及存储介质 | |
| WO2021129831A1 (zh) | 一种车辆调配方法、装置、设备及计算机可读存储介质 | |
| JP2020194445A (ja) | 情報処理方法及びコンピュータプログラム | |
| CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
| CN116772877B (zh) | 一种新能源汽车续航里程预测方法、系统、装置及介质 |
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 |