CN111626589B - 淤积区域确定方法及装置、交通工具调度方法及装置 - Google Patents
淤积区域确定方法及装置、交通工具调度方法及装置 Download PDFInfo
- Publication number
- CN111626589B CN111626589B CN202010436199.8A CN202010436199A CN111626589B CN 111626589 B CN111626589 B CN 111626589B CN 202010436199 A CN202010436199 A CN 202010436199A CN 111626589 B CN111626589 B CN 111626589B
- Authority
- CN
- China
- Prior art keywords
- travel
- user
- vehicle
- information
- area
- 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 107
- 238000010801 machine learning Methods 0.000 claims abstract description 84
- 230000006399 behavior Effects 0.000 claims abstract description 38
- 238000004062 sedimentation Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 55
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0639—Item locations
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例涉及一种淤积区域确定方法、交通工具调度方法、装置、电子设备和存储介质。该淤积区域确定方法包括:获取网格区域对应的用户出行特征;用户出行特征包括出行行为特征和出行意愿特征,出行行为特征用于表征用户使用交通工具时所产生的行为特征,出行意愿特征用于表征用户有使用交通工具的意愿特征;将网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,出行样本包括用户出行特征样本;若交通工具的流量信息符合预设淤积条件,则确定网格区域为淤积区域。采用本方法能够提高交通工具淤积判定的准确性。
Description
技术领域
本公开实施例涉及交通控制技术领域,特别是涉及一种淤积区域确定方法、交通工具调度方法、装置、电子设备和存储介质。
背景技术
随着互联网技术的发展,共享交通工具例如共享单车、共享汽车等越来越受欢迎。用户在使用共享交通工具到达目的地后,需将共享交通工具停放于公共停放区域,以便于其他人可以继续使用,提高了共享交通工具的使用效率。尤其是对于共享单车而言,在给用户出行带来很大便利的同时,还能减少碳排放量。
传统技术中,在判断公共停放区域内的共享交通工具是否淤积时,主要是通过管理人员在线下观察并依据经验来做出人为判断。
然而,采用传统方法,存在共享交通工具淤积判定的准确性较低的问题。
发明内容
本公开实施例提供一种淤积区域确定方法、交通工具调度方法、装置、电子设备和存储介质,可以用于提高共享交通工具淤积判定的准确性。
第一方面,本公开实施例提供一种淤积区域确定方法,所述方法包括:
获取网格区域对应的用户出行特征;所述用户出行特征包括出行行为特征和出行意愿特征,所述出行行为特征用于表征用户使用交通工具时所产生的行为特征,所述出行意愿特征用于表征用户有使用交通工具的意愿特征;
将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;
若所述交通工具的流量信息符合预设淤积条件,则确定所述网格区域为淤积区域。
第二方面,本公开实施例提供一种交通工具调度方法,所述方法包括:
获取用户终端的位置信息;
若根据所述用户终端的位置信息,确定所述用户终端与淤积区域的位置关系符合预设位置关系条件,则获取资源偏好信息和所述淤积区域中交通工具的流量信息;其中,所述淤积区域通过交通工具流量确定机器学习模型对用户出行特征进行处理而确定,所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;
根据所述资源偏好信息和所述交通工具的流量信息,确定资源推送策略并发送至所述用户终端。
第三方面,本公开实施例提供一种淤积区域确定装置,所述装置包括:
出行特征获取模块,用于获取网格区域对应的用户出行特征;所述用户出行特征包括出行行为特征和出行意愿特征,所述出行行为特征用于表征用户使用交通工具时所产生的行为特征,所述出行意愿特征用于表征用户有使用交通工具的意愿特征;
流量信息确定模块,用于将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;
淤积区域确定模块,用于若所述交通工具的流量信息符合预设淤积条件,则确定所述网格区域为淤积区域。
第四方面,本公开实施例提供一种交通工具调度装置,所述装置包括:
位置信息获取模块,用于获取用户终端的位置信息;
位置关系确定模块,用于若根据所述用户终端的位置信息,确定所述用户终端与淤积区域的位置关系符合预设位置关系条件,则获取资源偏好信息和所述淤积区域中交通工具的流量信息;其中,所述淤积区域通过交通工具流量确定机器学习模型对用户出行特征进行处理而确定,所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;
资源推送模块,用于根据所述资源偏好信息和所述交通工具的流量信息,确定资源推送策略并发送至所述用户终端。
第五方面,本公开实施例提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面或第二方面所述的方法。
第六方面,本公开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时实现上述第一方面或第二方面所述的方法。
本公开实施例提供的淤积区域确定方法、交通工具调度方法、装置、电子设备和存储介质,通过获取网格区域对应的用户出行特征,采用预先训练好的交通工具流量确定机器学习模型来处理该用户出行特征,以确定网格区域的交通工具的流量信息,从而确定淤积区域。可以理解,本公开采用了机器学习模型强大的数据处理性能,实现自动预测网格区域中交通工具的流量信息,并由此确定出淤积区域,有利于提高交通工具淤积判定的准确性。
附图说明
图1为一个实施例中淤积区域确定方法的应用环境图;
图2为一个实施例中淤积区域确定方法的流程示意图;
图3为一个实施例中将网格区域对应的用户出行特征输入交通工具流量确定神经网络模型,得到交通工具的流量信息的补充方案的流程示意图;
图4为一个实施例中确定网格区域为淤积区域的补充方案的流程示意图;
图5为一个实施例中获取用户使用交通工具的出行数据的补充方案的流程示意图;
图6为一个实施例中交通工具调度方法的流程示意图;
图7为一个实施例中补贴区域结果示意图;
图8为一个实施例中淤积区域确定方法的流程示意图;
图9为一个实施例中交通工具流量确定神经网络模型的训练与使用过程的流程示意图;
图10为一个实施例中淤积区域确定装置的结构框图;
图11为一个实施例中交通工具调度装置的结构框图;
图12为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开实施例进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本公开实施例,并不用于限定本公开实施例。
首先,在具体介绍本公开实施例的技术方案之前,先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。通常情况下,在交通工具出行领域,当前的技术背景是:交通工具淤积是指停放于公共停放区域内的交通工具的数量超出该公共停放区域所能承载的最大数量而导致车辆堆积严重。在判断公共停放区域内的共享交通工具是否淤积时,主要是通过管理人员在线下观察并依据经验来做出人为判断。基于该背景,申请人通过长期的模型模拟研发以及实验数据的搜集、演示和验证,发现采用传统方法,存在共享交通工具淤积判定的准确性较低的问题。因此,如何提高共享交通工具淤积判定的准确性,成为目前亟待解决的难题。
下面结合本公开实施例所应用的场景,对本公开实施例涉及的技术方案进行介绍。
本公开实施例提供的淤积区域确定方法和交通工具调度方法,可以应用于如图1所示的系统架构中。该系统架构包括交通工具端101、客户端102以及服务器103。其中,交通工具可以为脚踏自行车、电动自行车、滑板车、摩托车、汽车等非机动或者机动车辆;客户端102可以为手机、平板电脑、IPAD(平板电脑)、穿戴式设备等电子设备,还可以为安装在电子设备上的APP(应用程序)软件;服务器103可以为独立的服务器或者是多个服务器组成的服务器集群。其中,交通工具端101设置有通信组件,其可以通过无线的方式与客户端102或者服务器103进行通信,例如,客户端102可以根据用户的解锁操作向交通工具端101发送解锁指令等。另外,客户端102和服务器103之间可以采用无线或者有线的方式进行通信。本公开实施例对交通工具端101、客户端102以及服务器103之间的通信方式并不做限定。
在一示例性实施例中,请参阅图2,提供了一种淤积区域确定方法,以该方法应用于图1中的服务器为例进行说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,该方法具体可以通过以下步骤实现:
步骤S202,获取网格区域对应的用户出行特征。
其中,网格区域是指采用网格划分方式对地理区域进行划分所得到的网格化的区域,可起到供交通工具出行的作用。用户出行特征用于表征用户使用交通工具出行时的特征数据。其中,用户出行特征包括出行行为特征和出行意愿特征。出行行为特征用于表征用户使用交通工具时所产生的行为特征,出行意愿特征用于表征用户有使用交通工具的意愿特征。
具体地,服务器获取网格区域对应的用户出行特征。可选地,该网格区域对应的用户出行特征可以预先存储于服务器中,以便服务器随时调取。可选地,该用户出行特征可以是根据用户使用交通工具出行时所产生的出行数据经过统计、分析获得。
举例而言,在用户使用共享单车出行时,可以统计用户使用共享单车的次数、使用共享单车的时间以及用车位置信息和停车位置信息,通过分析前述出行数据,可获得用户偏好的出行时间、用户偏好的出行位置等出行行为特征。根据用户打开出行软件的频率、用户点击出行软件推送消息的次数,可分析出表征用户使用交通工具进行出行的意愿的出行意愿特征。
步骤S204,将网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息。
其中,交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型。可选地,交通工具流量确定机器学习模型可预先内嵌于服务器中。出行样本包括用户出行特征样本。可选地,用户出行特征样本可以根据获取预设时段内的用户的历史出行数据经过统计、分析获得。历史出行数据可包括用户使用共享单车的次数、使用共享单车的时间以及用车位置信息和停车位置信息等数据。使用用户出行特征样本预先对待训练的交通工具流量确定机器学习模型进行模型训练,得到训练好的交通工具流量确定机器学习模型。
具体地,服务器将网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息。可选地,交通工具流量确定机器学习模型可以是线性回归模型、随机森林模型、LightGBM模型、XGBoost模型等。利用前述模型可以对交通工具的流入数量和交通工具的流出数量等量值进行回归预测。
步骤S206,若交通工具的流量信息符合预设淤积条件,则确定网格区域为淤积区域。
具体地,服务器判断交通工具的流量信息是否符合预设淤积条件,若符合,则确定网格区域为淤积区域;若不符合,则确定网格区域为非淤积区域。可选地,预设淤积条件包括交通工具的流入数量大于交通工具的流出数量,或者交通工具的流入数量与交通工具的流出数量的差值大于差值阈值等等。
上述淤积区域确定方法中,通过获取网格区域对应的用户出行特征,采用预先训练好的交通工具流量确定机器学习模型来处理该用户出行特征,以确定网格区域的交通工具的流量信息,从而确定淤积区域。可以理解,本方法采用了机器学习模型强大的数据处理性能,实现自动预测网格区域中交通工具的流量信息,并由此确定出淤积区域,有利于提高交通工具淤积判定的准确性。
在一示例性实施例中,输入交通工具流量确定神经网络模型的用户出行特征可以是实时采集的当前时间下的用户出行特征,以便于及时获得交通工具的流量信息。
为了增加模型输入数据的多样性,以助于帮助模型分析出更有价值的出行规律,以此来提高交通工具的流量信息的准确性,在一示例性实施例中,请参阅图3,涉及将网格区域对应的用户出行特征输入交通工具流量确定神经网络模型,得到交通工具的流量信息的一种可能的实现方式。在上述实施例的基础上,请参阅图3,步骤S204具体可以通过以下步骤实现:
步骤S212,获取用户出行特征关联的时间信息;
步骤S214,根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征;
步骤S216,将网格区域对应的当前时间下的用户出行特征和符合预设时间条件的用户出行特征输入交通工具流量确定神经网络模型,得到交通工具的流量信息。
其中,时间信息为用户出行特征对应的出行数据产生时的时间。可以理解,用户出行特征关联的时间信息即是其对应的出行数据产生时的时间,这样可保证数据的实时性和准确性。为了保证时间上的同步,可在采集到出行数据时,即可分析出用户出行特征并存储。
其中,预设时间条件根据当前时间确定。例如,假设当前时间为8:00,则预设时间条件可以之前一个小时,即7:00~8:00。
具体地,为了获得多样的数据,服务器首先获取用户出行特征关联的时间信息,并根据该时间信息,从用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征,这样,模型输入的用户出行特征不仅仅包括当前时间下的用户出行特征,还包括其他时间下的用户出行特征。接下来,服务器将当前时间下的用户出行特征和符合预设时间条件的用户出行特征输入交通工具流量确定神经网络模型,得到交通工具的流量信息。
本实施例中,将当前时间下的用户出行特征和符合预设时间条件的用户出行特征作为交通工具流量确定神经网络模型的输入数据,这样不仅可以保证输入数据的实时性,还增加了输入数据的多样性,由此得到的交通工具的流量信息具有很好的及时性和准确性。
可选地,符合预设时间条件的用户出行特征包括第一用户出行特征、第二用户出行特征或第三用户出行特征中的至少一种。基于此,在一示例性实施例中,涉及根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征的一种可能的实现方式。在上述实施例的基础上,步骤S214具体可以通过以下步骤实现:
步骤S2142,根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征,以及在当前时间之前第一预设时段内的第一用户出行特征。
具体地,服务器以当前时间为基准,一方面获取当前时间下的用户出行特征,另一方面获取在当前时间之前第一预设时段内的第一用户出行特征。
续举前例,假设当前时间为8:00,第一预设时段为1小时,那么,当前时间之前第一预设时段即为7:00~8:00,也就是说,需获取8:00之前1个小时内的用户出行特征作为第一用户出行特征。
步骤S2144,根据时间信息,在用户出行特征中,将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,以及将历史日期中处于第二预设时段内的用户出行特征作为第二用户出行特征。
具体地,服务器以当前时间为基准,一方面将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,另一方面将历史日期中处于第二预设时段内的用户出行特征作为第二用户出行特征。
举例而言,假设当前时间为8:00,当前时间所处的第二预设时段为7:00~9:00,由于目前只有7:00~8:00的用户出行特征,因此将7:00~8:00的用户出行特征作为当前时间下的用户出行特征。另外,还需获取历史日期中处于7:00~9:00的用户出行特征,例如昨天处于7:00~9:00的用户出行特征、前一周内处于7:00~9:00的用户出行特征作为第二用户出行特征。
步骤S2146,根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征,以及在当前时间之前第三预设时段内的第三用户出行特征。
具体地,服务器以当前时间为基准,一方面获取当前时间下的用户出行特征,另一方面获取在当前时间之前第三预设时段内的第三用户出行特征。
续举前例,假设当前时间为8:00,第三预设时段为1个月或半年,那么,当前时间之前第三预设时段即为1个月前的8:00到当前日期的8:00或半年前的8:00到当前日期的8:00,也就是说,需获取当前日期8:00之前1个月内或半年内的用户出行特征作为第三用户出行特征。
可选地,第一预设时段与第二预设时段可以相同,也可以不同。
本实施例中,获取不同时段下的用户出行特征,可分析出在不同时间维度下的出行规律,由此可根据实际需求确定出更为准确的交通工具的流量信息,提供更为多样化的功能供应。
在一示例性实施例中,该方法还包括:
步骤S222,获取网格区域中的天气信息和交通事件信息;
步骤S224,对天气信息和交通事件信息进行融合,得到融合后的数据。
具体地,服务器获取网格区域中的天气信息例如晴朗、小雨、大雨等,以及交通事件信息例如堵车、交通工具供不应求等信息。可选地,服务器可通过获取交通工具例如共享单车、共享汽车和共享电单车的出行轨迹以及上传的路况信息,分析网格区域是否有堵车、是否交通工具供不应求等。接下来,服务器对天气信息和交通事件信息进行融合,得到融合后的数据。可选地,服务器对天气信息和交通事件信息重新进行排列组合,得到排列组合后的天气信息和交通事件信息,将排列组合前的天气信息和交通事件信息和排列组合后的天气信息和交通事件信息作为融合后的数据。
在上一实施例的基础上,步骤S204具体可以通过以下步骤实现:
步骤S226,将网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定神经网络模型,得到交通工具的流量信息。
其中,出行样本还包括天气信息样本和交通事件信息样本融合后的样本数据。
具体地,服务器将网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定神经网络模型,得到交通工具的流量信息。可选地,交通工具流量确定机器学习模型包括空间属性特征提取网络、向量表达网络和全连接网络。基于此,交通工具流量确定神经网络模型对用户出行特征和融合后的数据进行处理的过程可以是:服务器将网格区域对应的用户出行特征输入空间属性特征提取网络,得到空间属性特征。接下来,服务器将空间属性特征和融合后的数据输入向量表达网络,得到流量特征向量。接下来,服务器将流量特征向量输入全连接网络,得到交通工具的流量信息。
可选地,空间属性特征提取网络包括深度残差网络(ResNet网络)。
在一示例性实施例中,交通工具的流量信息包括交通工具的流入数量和交通工具的流出数量,或者交通工具的流量信息包括交通工具的流入数量与交通工具的流出数量的差值。基于此,在上述实施例的基础上,步骤S206具体可以通过以下步骤实现:
步骤S2062,若网格区域中的交通工具的流入数量与交通工具的流出数量的差值大于差值阈值,则确定网格区域为淤积区域。
具体地,假设交通工具的流入数量表示为m,交通工具的流出数量表示为n,差值阈值表示为y,若m-n〉y,则服务器确定网格区域为淤积区域,反之,则为非淤积区域。可选地,y为0-20中的任一值。y的取值可以根据交通工具的类型以及网格区域中可停放交通工具的最大数量而设定。例如,在同一区域中,共享汽车相对于共享单车而言,y的取值要小。
本实施例中,根据网格区域中的交通工具的流入数量与交通工具的流出数量的差值是否大于差值阈值来判断网格区域是否为淤积区域,有利于提高淤积区域判定的准确性。
为了进一步提高淤积判定的准确性,在一示例性实施例中,请参阅图4,步骤S2062具体可以通过以下步骤实现:
步骤S206a,获取网格区域中的交通工具的数量;
步骤S206b,计算网格区域中的交通工具的流入数量与交通工具的流出数量的第一差值;
步骤S206c,计算第一差值与交通工具的数量的第二差值;
步骤S206d,若第二差值大于差值阈值,则确定网格区域为淤积区域。
具体地,如上所述,进一步假设交通工具的数量为k,若m-n-k〉y,则服务器确定网格区域为淤积区域,反之,则为非淤积区域。
在一示例性实施例中,涉及获取网格区域对应的用户出行特征的一种可能的实现方式。在上述实施例的基础上,步骤S202具体可以通过以下步骤实现:
步骤S2022,获取用户使用交通工具的出行数据;
步骤S2024,分析出行数据,得到用户出行特征;
步骤S2026,根据用户出行特征关联的位置信息,将用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。
具体地,服务器获取用户使用交通工具的出行数据,例如使用交通工具的类型、使用共享单车的时间以及用车位置信息和停车位置信息。接下来,服务器分析该出行数据,得到用户出行特征,并将该用户出行特征关联位置信息例如用车位置信息和停车位置信息。接下来,服务器根据用户出行特征关联的位置信息,将用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。可选地,匹配过程可以是:若某一用户出行特征关联的位置位于某一网格区域中,则将该用户出行特征匹配并映射到该网格区域。其中,每个网格区域的划分方式可以是对城市地理位置按照geoHash划分为多个大小相近的网格区域。
可选地,服务器在获得出行数据后,首先对出行数据进行预处理,包括对出行数据中的异常值、缺失值进行填充,以及对离散数据进行词向量表达(embedding)和对连续数据进行标准化处理例如Z-score处理。
本实施例中,通过对初始的出行数据进行分析得到用户出行特征,并将用户出行特征关联到对应的网格区域中,这样,每个网格区域中的数据都是准确且完整的,由此可提高每个网格区域中的交通工具的流量信息的准确性。
可选地,在一示例性实施例中,出行数据包括交通工具使用数据和交通工具归还数据。基于此,请参阅图5,步骤S2022具体可以通过以下步骤实现:
步骤S202a,获取针对交通工具的订单对应的交通工具使用日志数据,并分析交通工具使用日志数据,得到交通工具使用数据;
步骤S202b,获取针对交通工具的订单对应的交通工具归还日志数据,并分析交通工具归还日志数据,得到交通工具归还数据;
步骤S202c,整合交通工具使用数据和交通工具归还数据,得到出行数据。
其中,交通工具使用日志数据包括交通工具使用的起始位置信息、交通工具信息和交通工具使用的起始时间信息。交通工具归还日志数据包括交通工具归还的终止位置信息、交通工具信息和交通工具归还的终止时间信息。可选地,交通工具使用日志数据和交通工具归还日志数据是选取的同一预设时段内的日志数据。该预设时段可以根据实际需求进行设定,例如2018.3.15-2018.4.25。可选地,起始位置信息和终止位置信息可以通过交通工具上设置的定位装置采集得到。
具体地,服务器分别从记录订单数据的交通工具使用日志数据和交通工具归还日志数据中分析并统计交通工具使用数据和交通工具归还数据,并将交通工具使用数据和交通工具归还数据整合在一起,得到出行数据。
本实施例中,采用交通工具使用数据和交通工具归还数据作为出行数据,使得出行数据更具代表性,有利于进一步提高淤积判断的准确性。
基于同一发明构思,请参阅图6,本公开一实施例还提供了一种交通工具调度方法,以该方法应用于图1中的服务器为例进行说明,具体可以通过以下步骤实现:
步骤S302,获取用户终端的位置信息;
步骤S304,若根据用户终端的位置信息,确定用户终端与淤积区域的位置关系符合预设位置关系条件,则获取资源偏好信息和淤积区域中交通工具的流量信息;
步骤S306,根据资源偏好信息和交通工具的流量信息,确定资源推送策略并发送至用户终端。
其中,淤积区域通过交通工具流量确定神经网络模型对用户出行特征进行处理而确定。交通工具流量确定神经网络模型为根据出行样本预先训练好的神经网络模型。其中,出行样本包括用户出行特征样本。
其中,资源偏好信息是指表征用户对于出行补贴资源的敏感程度的信息,其可以区别不同用户对于不同出行补贴力度的接受度。例如,有些用户对于补贴力度大的补贴资源的接受度更高,从而有使用该补贴资源的意愿,而有些用户对于有补贴资源即可接受并使用该补贴资源。
具体地,服务器获取用户终端的位置信息,若根据用户终端的位置信息,确定用户终端与淤积区域的位置关系符合预设位置关系条件,则获取资源偏好信息和淤积区域中交通工具的流量信息。可选地,若用户终端位于淤积区域内,则用户终端与淤积区域的位置关系符合预设位置关系条件。接下来,服务器根据资源偏好信息和交通工具的流量信息,确定资源推送策略并发送至用户终端。举例而言,假设补贴资源包括1折-9折,那么根据资源偏好信息和交通工具的流量信息,分析出一淤积区域的淤积越严重且该区域中的用户的敏感度越高,则折扣力度就越大。即,折扣力度与淤积程度以及用户敏感度呈正相关的关系。补贴区域结果示意图如图7所示。
上述交通工具调度方法中,若有用户处于淤积区域附近,则根据用户的资源偏好信息和淤积区域的交通工具的流量信息,确定资源推送策略并发送至用户终端,以提升用户使用该淤积区域中的交通工具的意愿,提升交通工具调度的效率。
在一示例性实施例中,该方法还包括以下步骤:
步骤S312,获取用户使用交通工具的出行信息;
步骤S314,将出行信息输入资源偏好神经网络模型,得到资源偏好信息。
其中,出行信息是指用户使用交通工具出行时所产生的信息。出行信息包括出行成本信息。出行成本信息包括出行所花费的金额。出行信息还包括使用交通工具的类型、使用共享单车的时间以及用车位置信息和停车位置信息等等。
其中,资源偏好神经网络模型为根据出行信息样本预先训练好的神经网络模型。
具体地,服务器获取用户使用交通工具的出行信息,将该出行信息输入资源偏好神经网络模型,得到资源偏好信息。可选地,该资源偏好信息可以是分值,该分值可用于衡量用户对于补贴资源的敏感程度。
本实施例中,采用了神经网络模型强大的数据处理性能对出行信息进行处理,实现自动获得用户的资源偏好信息,根据该资源偏好信息有利于提高交通工具调度的效率。
在一示例性实施例中,该方法还包括以下步骤:
步骤S322,获取网格区域对应的用户出行特征;用户出行特征包括出行行为特征和出行意愿特征,出行行为特征用于表征用户使用交通工具时所产生的行为特征,出行意愿特征用于表征用户有使用交通工具的意愿特征;
步骤S324,将网格区域对应的用户出行特征输入交通工具流量确定神经网络模型,得到交通工具的流量信息;交通工具流量确定神经网络模型为根据出行样本预先训练好的神经网络模型,出行样本包括用户出行特征样本;
步骤S326,若交通工具的流量信息符合预设淤积条件,则确定网格区域为淤积区域。
具体地,步骤S322~步骤S326的具体实现过程可参见上述步骤S202-步骤S206的具体实现过程,在此不再赘述。
在一示例性实施例中,步骤S324具体可以通过以下步骤实现:
步骤S332,获取用户出行特征关联的时间信息;
步骤S334,根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征;
步骤S336,将网格区域对应的当前时间下的用户出行特征和符合预设时间条件的用户出行特征输入交通工具流量确定神经网络模型,得到交通工具的流量信息。
具体地,步骤S332~步骤S336的具体实现过程可参见上述步骤S212-步骤S216的具体实现过程,在此不再赘述。
在一示例性实施例中,步骤S334具体可以通过以下步骤实现:
步骤S3342,根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征,以及在当前时间之前第一预设时段内的第一用户出行特征。
步骤S3344,根据时间信息,在用户出行特征中,将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,以及将历史日期中处于第二预设时段内的用户出行特征作为第二用户出行特征。
步骤S3346,根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征,以及在当前时间之前第三预设时段内的第三用户出行特征。
具体地,步骤S3342~步骤S3346的具体实现过程可参见上述步骤S2142~步骤S2146的具体实现过程,在此不再赘述。
在一示例性实施例中,该方法还包括:
步骤S342,获取网格区域中的天气信息和交通事件信息;
步骤S344,对天气信息和交通事件信息进行融合,得到融合后的数据。
具体地,步骤S342~步骤S344的具体实现过程可参见上述步骤S222~步骤S224的具体实现过程,在此不再赘述。
在上一实施例的基础上,步骤S324具体可以通过以下步骤实现:
步骤S346,将网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定神经网络模型,得到交通工具的流量信息。
具体地,步骤S346的具体实现过程可参见上述步骤S226的具体实现过程,在此不再赘述。
在一示例性实施例中,步骤S326具体可以通过以下步骤实现:
步骤S3262,若网格区域中的交通工具的流入数量与交通工具的流出数量的差值大于差值阈值,则确定网格区域为淤积区域。
具体地,步骤S3262的具体实现过程可参见上述步骤S2062的具体实现过程,在此不再赘述。
在一示例性实施例中,步骤S3262具体可以通过以下步骤实现:
步骤S326a,获取网格区域中的交通工具的数量;
步骤S326b,计算网格区域中的交通工具的流入数量与交通工具的流出数量的第一差值;
步骤S326c,计算第一差值与交通工具的数量的第二差值;
步骤S326d,若第二差值大于差值阈值,则确定网格区域为淤积区域。
具体地,步骤S326a~步骤S326d的具体实现过程可参见上述步骤S2206a~步骤S206d的具体实现过程,在此不再赘述。
在一示例性实施例中,步骤S322具体可以通过以下步骤实现:
步骤S3222,获取用户使用交通工具的出行数据;
步骤S3224,分析出行数据,得到用户出行特征;
步骤S3226,根据用户出行特征关联的位置信息,将用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。
具体地,步骤S3222~步骤S3226的具体实现过程可参见上述步骤S2022~步骤S2026的具体实现过程,在此不再赘述。
在一示例性实施例中,步骤S3222具体可以通过以下步骤实现:
步骤S322a,获取针对交通工具的订单对应的交通工具使用日志数据,并分析交通工具使用日志数据,得到交通工具使用数据;
步骤S322b,获取针对交通工具的订单对应的交通工具归还日志数据,并分析交通工具归还日志数据,得到交通工具归还数据;
步骤S322c,整合交通工具使用数据和交通工具归还数据,得到出行数据。
具体地,步骤S322a~步骤S322c的具体实现过程可参见上述步骤S202a~步骤S202c的具体实现过程,在此不再赘述。
在一实际应用场景对应的实施例中,请参阅图8,其中,运行区域使用网格表示,交通工具以共享单车为例。图8中通过交通工具流量确定机器学习模型预测网格(即运行区域)当前时段车辆的流入流出数量,并根据输出的流入流出数量确定车辆淤积的网格(即淤积区域)。进而通过实时获取用户终端的位置信息,判断用户是否位于车辆淤积区域附近,若是,则通过资源偏好神经网络模型预测当前用户对于补贴资源的敏感度,并根据该敏感度确定资源补贴策略,包括补贴方式和补贴金额。由此,通过将资源补贴策略发送至用户终端以使用户触发补贴来引导用户骑行行为,最终达到释放淤积车辆的目的。若否,则结束流程。
可选地,承上一实施例所述,交通工具流量确定机器学习模型的训练过程和使用过程可参阅图9,首先,从数据库中获取样本数据包括出行行为特征、出行意愿特征、天气信息和交通事件信息。接下来,对城市划分为多个网格,并根据出行行为特征、出行意愿特征、天气信息和交通事件信息关联的位置信息,将出行行为特征、出行意愿特征、天气信息和交通事件信息映射到各网格中,达到空间转换数据目的。接下来,将当前时间下的用户出行特征和符合预设时间条件的用户出行特征融合,以及将天气信息和交通事件信息融合,并将融合后的数据作为ResNet模型的输入样本数据以实现对该模型的训练过程。将训练好的模型替代之前的模型完成模型的更新,从而基于更新后的模型预测网格区域内共享单车的流入流出量。
应该理解的是,虽然图2-6的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,图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一示例性实施例中,如图10所示,提供了一种淤积区域确定装置,包括:出行特征获取模块402、流量信息确定模块404和淤积区域确定模块406,其中:
该出行特征获取模块402用于获取网格区域对应的用户出行特征;用户出行特征包括出行行为特征和出行意愿特征,出行行为特征用于表征用户使用交通工具时所产生的行为特征,出行意愿特征用于表征用户有使用交通工具的意愿特征;
该流量信息确定模块404用于将网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,出行样本包括用户出行特征样本;
该淤积区域确定模块406用于若交通工具的流量信息符合预设淤积条件,则确定网格区域为淤积区域。
上述淤积区域确定装置中,通过获取网格区域对应的用户出行特征,采用预先训练好的交通工具流量确定机器学习模型来处理该用户出行特征,以确定网格区域的交通工具的流量信息,从而确定淤积区域。可以理解,本装置采用了机器学习模型强大的数据处理性能,实现自动预测网格区域中交通工具的流量信息,并由此确定出淤积区域,有利于提高交通工具淤积判定的准确性。
在一示例性实施例中,该流量信息确定模块404具体用于获取用户出行特征关联的时间信息;时间信息为用户出行特征对应的出行数据产生时的时间;根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征;预设时间条件根据当前时间确定;将网格区域对应的当前时间下的用户出行特征和符合预设时间条件的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息。
在一示例性实施例中,符合预设时间条件的用户出行特征包括第一用户出行特征、第二用户出行特征或第三用户出行特征中的至少一种;该流量信息确定模块404具体用于根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征,以及在当前时间之前第一预设时段内的第一用户出行特征;根据时间信息,在用户出行特征中,将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,以及将历史日期中处于第二预设时段内的用户出行特征作为第二用户出行特征;根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征,以及在当前时间之前第三预设时段内的第三用户出行特征;其中,第三预设时段大于第一预设时段。
在一示例性实施例中,该装置还包括:信息获取模块,用于获取网格区域中的天气信息和交通事件信息;信息融合模块,用于对天气信息和交通事件信息进行融合,得到融合后的数据;该流量信息确定模块404具体用于将网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定机器学习模型,得到交通工具的流量信息;其中,出行样本还包括天气信息样本和交通事件信息样本融合后的样本数据。
在一示例性实施例中,交通工具流量确定机器学习模型包括空间属性特征提取网络、向量表达网络和全连接网络;该流量信息确定模块404具体用于将网格区域对应的用户出行特征输入空间属性特征提取网络,得到空间属性特征;将空间属性特征和融合后的数据输入向量表达网络,得到流量特征向量;将流量特征向量输入全连接网络,得到交通工具的流量信息。
在一示例性实施例中,交通工具的流量信息包括交通工具的流入数量和交通工具的流出数量,或者交通工具的流量信息包括交通工具的流入数量与交通工具的流出数量的差值;该淤积区域确定模块406具体用于若网格区域中的交通工具的流入数量与交通工具的流出数量的差值大于差值阈值,则确定网格区域为淤积区域。
在一示例性实施例中,该淤积区域确定模块406具体用于获取网格区域中的交通工具的数量;计算网格区域中的交通工具的流入数量与交通工具的流出数量的第一差值;计算第一差值与交通工具的数量的第二差值;若第二差值大于差值阈值,则确定网格区域为淤积区域。
在一示例性实施例中,该出行特征获取模块402具体用于获取用户使用交通工具的出行数据;分析出行数据,得到用户出行特征;根据用户出行特征关联的位置信息,将用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。
在一示例性实施例中,该出行特征获取模块402具体用于获取针对交通工具的订单对应的交通工具使用日志数据,并分析交通工具使用日志数据,得到交通工具使用数据;获取针对交通工具的订单对应的交通工具归还日志数据,并分析交通工具归还日志数据,得到交通工具归还数据;整合交通工具使用数据和交通工具归还数据,得到出行数据。
关于淤积区域确定装置的具体限定可以参见上文中对于淤积区域确定方法的限定,在此不再赘述。上述淤积区域确定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。上述各模块可以以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一示例性实施例中,如图11所示,提供了一种交通工具调度装置,包括:位置信息获取模块502、位置关系确定模块504和资源推送模块506,其中:
该位置信息获取模块502用于获取用户终端的位置信息;
该位置关系确定模块504用于若根据用户终端的位置信息,确定用户终端与淤积区域的位置关系符合预设位置关系条件,则获取资源偏好信息和淤积区域中交通工具的流量信息;其中,淤积区域通过交通工具流量确定机器学习模型对用户出行特征进行处理而确定,交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,出行样本包括用户出行特征样本;
该资源推送模块506用于根据资源偏好信息和交通工具的流量信息,确定资源推送策略并发送至用户终端。
上述交通工具调度装置中,若有用户处于淤积区域附近,则根据用户的资源偏好信息和淤积区域的交通工具的流量信息,确定资源推送策略并发送至用户终端,以提升用户使用该淤积区域中的交通工具的意愿,提升交通工具调度的效率。
在一示例性实施例中,该装置还包括:出行信息获取模块,用于获取用户使用交通工具的出行信息,出行信息包括出行成本信息;偏好信息获得模块,用于将出行信息输入资源偏好神经网络模型,得到资源偏好信息;资源偏好神经网络模型为根据出行信息样本预先训练好的神经网络模型。
在一示例性实施例中,该装置还包括:出行特征获取模块,用于获取网格区域对应的用户出行特征;用户出行特征包括出行行为特征和出行意愿特征,出行行为特征用于表征用户使用交通工具时所产生的行为特征,出行意愿特征用于表征用户有使用交通工具的意愿特征;流量信息确定模块,用于将网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,出行样本包括用户出行特征样本;淤积区域确定模块,用于若交通工具的流量信息符合预设淤积条件,则确定网格区域为淤积区域。
在一示例性实施例中,流量信息确定模块具体用于获取用户出行特征关联的时间信息;时间信息为用户出行特征对应的出行数据产生时的时间;根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征;预设时间条件根据当前时间确定;将网格区域对应的当前时间下的用户出行特征和符合预设时间条件的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息。
在一示例性实施例中,符合预设时间条件的用户出行特征包括第一用户出行特征、第二用户出行特征或第三用户出行特征中的至少一种;流量信息确定模块具体用于根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征,以及在当前时间之前第一预设时段内的第一用户出行特征;根据时间信息,在用户出行特征中,将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,以及将历史日期中处于第二预设时段内的用户出行特征作为第二用户出行特征;根据时间信息,从用户出行特征中抽取当前时间下的用户出行特征,以及在当前时间之前第三预设时段内的第三用户出行特征;其中,第三预设时段大于第一预设时段。
在一示例性实施例中,该装置还包括:信息获取模块,用于获取网格区域中的天气信息和交通事件信息;信息融合模块,用于对天气信息和交通事件信息进行融合,得到融合后的数据;流量信息确定模块具体用于将网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定机器学习模型,得到交通工具的流量信息;其中,出行样本还包括天气信息样本和交通事件信息样本融合后的样本数据。
在一示例性实施例中,交通工具流量确定机器学习模型包括空间属性特征提取网络、向量表达网络和全连接网络;流量信息确定模块具体用于将网格区域对应的用户出行特征输入空间属性特征提取网络,得到空间属性特征;将空间属性特征和融合后的数据输入向量表达网络,得到流量特征向量;将流量特征向量输入全连接网络,得到交通工具的流量信息。
在一示例性实施例中,交通工具的流量信息包括交通工具的流入数量和交通工具的流出数量,或者交通工具的流量信息包括交通工具的流入数量与交通工具的流出数量的差值;淤积区域确定模块具体用于若网格区域中的交通工具的流入数量与交通工具的流出数量的差值大于差值阈值,则确定网格区域为淤积区域。
在一示例性实施例中,淤积区域确定模块具体用于获取网格区域中的交通工具的数量;计算网格区域中的交通工具的流入数量与交通工具的流出数量的第一差值;计算第一差值与交通工具的数量的第二差值;若第二差值大于差值阈值,则确定网格区域为淤积区域。
在一示例性实施例中,出行特征获取模块具体用于获取用户使用交通工具的出行数据;分析出行数据,得到用户出行特征;根据用户出行特征关联的位置信息,将用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。
在一示例性实施例中,出行特征获取模块具体用于获取针对交通工具的订单对应的交通工具使用日志数据,并分析交通工具使用日志数据,得到交通工具使用数据;获取针对交通工具的订单对应的交通工具归还日志数据,并分析交通工具归还日志数据,得到交通工具归还数据;整合交通工具使用数据和交通工具归还数据,得到出行数据。
关于交通工具调度装置的具体限定可以参见上文中对于交通工具调度方法的限定,在此不再赘述。上述交通工具调度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。上述各模块可以以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图12是根据一示例性实施例示出的一种服务器1400的框图。参照图12,服务器1400包括处理组件1420,其进一步包括一个或多个处理器,以及由存储器1422所代表的存储器资源,用于存储可由处理组件1420执行的指令或者计算机程序,例如应用程序。存储器1422中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1420被配置为执行指令,以执行上述淤积区域确定方法或交通工具调度方法。
服务器1400还可以包括一个电源组件1424被配置为执行设备1400的电源管理,一个有线或无线网络接口1426被配置为将设备1400连接到网络,和一个输入输出(I/O)接口1428。服务器1400可以操作基于存储在存储器1422的操作系统,例如Window14 14erverTM,Mac O14XTM,UnixTM,LinuxTM,FreeB14DTM或类似。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器1422,上述指令可由服务器1400的处理器执行以完成上述方法。存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
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,本公开实施例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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上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公开实施例的几种实施方式,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,在不脱离本公开实施例构思的前提下,还可以做出若干变形和改进,这些都属于本公开实施例的保护范围。因此,本公开实施例专利的保护范围应以所附权利要求为准。
Claims (38)
1.一种淤积区域确定方法,其特征在于,所述方法包括:
获取网格区域对应的用户出行特征;所述用户出行特征包括出行行为特征和出行意愿特征,所述出行行为特征用于表征用户使用交通工具时所产生的行为特征,所述出行意愿特征用于表征用户有使用交通工具的意愿特征;
将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;
若所述交通工具的流量信息符合预设淤积条件,则确定所述网格区域为淤积区域;
其中,所述将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息,包括:
获取所述用户出行特征关联的时间信息;所述时间信息为用户出行特征对应的出行数据产生时的时间;
根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征;所述预设时间条件根据所述当前时间确定;
将所述网格区域对应的所述当前时间下的用户出行特征和所述符合预设时间条件的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息。
2.根据权利要求1所述的方法,其特征在于,所述符合预设时间条件的用户出行特征包括第一用户出行特征、第二用户出行特征或第三用户出行特征中的至少一种;所述根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征,包括:
根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征,以及在所述当前时间之前第一预设时段内的所述第一用户出行特征;
根据所述时间信息,在所述用户出行特征中,将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,以及将历史日期中处于所述第二预设时段内的用户出行特征作为所述第二用户出行特征;
根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征,以及在所述当前时间之前第三预设时段内的所述第三用户出行特征;
其中,所述第三预设时段大于所述第一预设时段。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取网格区域中的天气信息和交通事件信息;
对所述天气信息和交通事件信息进行融合,得到融合后的数据;
所述将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息,包括:
将所述网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定机器学习模型,得到交通工具的流量信息;其中,所述出行样本还包括天气信息样本和交通事件信息样本融合后的样本数据。
4.根据权利要求3所述的方法,其特征在于,所述交通工具流量确定机器学习模型包括空间属性特征提取网络、向量表达网络和全连接网络;所述将所述网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定机器学习模型,得到交通工具的流量信息,包括:
将所述网格区域对应的用户出行特征输入所述空间属性特征提取网络,得到空间属性特征;
将所述空间属性特征和所述融合后的数据输入所述向量表达网络,得到流量特征向量;
将所述流量特征向量输入所述全连接网络,得到交通工具的流量信息。
5.根据权利要求1所述的方法,其特征在于,所述交通工具的流量信息包括所述交通工具的流入数量和所述交通工具的流出数量,或者所述交通工具的流量信息包括所述交通工具的流入数量与所述交通工具的流出数量的差值;
所述若所述交通工具的流量信息符合预设淤积条件,则确定所述网格区域为淤积区域,包括:
若所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的差值大于差值阈值,则确定所述网格区域为淤积区域。
6.根据权利要求5所述的方法,其特征在于,所述若所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的差值大于差值阈值,则确定所述网格区域为淤积区域,包括:
获取所述网格区域中的所述交通工具的数量;
计算所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的第一差值;
计算所述第一差值与所述交通工具的数量的第二差值;
若所述第二差值大于差值阈值,则确定所述网格区域为淤积区域。
7.根据权利要求1所述的方法,其特征在于,所述获取网格区域对应的用户出行特征,包括:
获取用户使用交通工具的出行数据;
分析所述出行数据,得到用户出行特征;
根据所述用户出行特征关联的位置信息,将所述用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。
8.根据权利要求7所述的方法,其特征在于,所述获取用户使用交通工具的出行数据,包括:
获取针对所述交通工具的订单对应的交通工具使用日志数据,并分析所述交通工具使用日志数据,得到交通工具使用数据;
获取针对所述交通工具的订单对应的交通工具归还日志数据,并分析所述交通工具归还日志数据,得到交通工具归还数据;
整合所述交通工具使用数据和所述交通工具归还数据,得到所述出行数据。
9.一种交通工具调度方法,其特征在于,所述方法包括:
获取用户终端的位置信息;
若根据所述用户终端的位置信息,确定所述用户终端与淤积区域的位置关系符合预设位置关系条件,则获取资源偏好信息和所述淤积区域中交通工具的流量信息;其中,所述淤积区域通过交通工具流量确定机器学习模型对用户出行特征进行处理而确定,所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;所述资源偏好信息是指表征用户对于出行补贴资源的敏感程度的信息;
根据所述资源偏好信息和所述交通工具的流量信息,确定资源推送策略并发送至所述用户终端;
其中,所述淤积区域通过交通工具流量确定机器学习模型对用户出行特征进行处理而确定,包括:
获取网格区域对应的用户出行特征;所述用户出行特征包括出行行为特征和出行意愿特征,所述出行行为特征用于表征用户使用交通工具时所产生的行为特征,所述出行意愿特征用于表征用户有使用交通工具的意愿特征;
将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;
若所述交通工具的流量信息符合预设淤积条件,则确定所述网格区域为所述淤积区域。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
获取用户使用交通工具的出行信息,所述出行信息包括出行成本信息;
将所述出行信息输入资源偏好神经网络模型,得到资源偏好信息;所述资源偏好神经网络模型为根据出行信息样本预先训练好的神经网络模型。
11.根据权利要求9所述的方法,其特征在于,所述将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息,包括:
获取所述用户出行特征关联的时间信息;所述时间信息为用户出行特征对应的出行数据产生时的时间;
根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征;所述预设时间条件根据所述当前时间确定;
将所述网格区域对应的所述当前时间下的用户出行特征和所述符合预设时间条件的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息。
12.根据权利要求11所述的方法,其特征在于,所述符合预设时间条件的用户出行特征包括第一用户出行特征、第二用户出行特征和第三用户出行特征中的至少一种;所述根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征,包括:
根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征,以及在所述当前时间之前第一预设时段内的所述第一用户出行特征;
根据所述时间信息,在所述用户出行特征中,将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,以及将历史日期中处于所述第二预设时段内的用户出行特征作为所述第二用户出行特征;
根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征,以及在所述当前时间之前第三预设时段内的所述第三用户出行特征;
其中,所述第三预设时段大于所述第一预设时段。
13.根据权利要求9所述的方法,其特征在于,所述方法还包括:
获取网格区域中的天气信息和交通事件信息;
对所述天气信息和交通事件信息进行融合,得到融合后的数据;
所述将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息,包括:
将所述网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定机器学习模型,得到交通工具的流量信息;其中,所述出行样本还包括天气信息样本和交通事件信息样本融合后的样本数据。
14.根据权利要求13所述的方法,其特征在于,所述交通工具流量确定机器学习模型包括空间属性特征提取网络、向量表达网络和全连接网络;所述将所述网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定机器学习模型,得到交通工具的流量信息,包括:
将所述网格区域对应的用户出行特征输入所述空间属性特征提取网络,得到空间属性特征;
将所述空间属性特征和所述融合后的数据输入所述向量表达网络,得到流量特征向量;
将所述流量特征向量输入所述全连接网络,得到交通工具的流量信息。
15.根据权利要求9所述的方法,其特征在于,所述交通工具的流量信息包括所述交通工具的流入数量和所述交通工具的流出数量,或者所述交通工具的流量信息包括所述交通工具的流入数量与所述交通工具的流出数量的差值;
所述若所述交通工具的流量信息符合预设淤积条件,则确定所述网格区域为淤积区域,包括:
若所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的差值大于差值阈值,则确定所述网格区域为淤积区域。
16.根据权利要求15所述的方法,其特征在于,所述若所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的差值大于差值阈值,则确定所述网格区域为淤积区域,包括:
获取所述网格区域中的所述交通工具的数量;
计算所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的第一差值;
计算所述第一差值与所述交通工具的数量的第二差值;
若所述第二差值大于差值阈值,则确定所述网格区域为淤积区域。
17.根据权利要求9所述的方法,其特征在于,所述获取网格区域对应的用户出行特征,包括:
获取用户使用交通工具的出行数据;
分析所述出行数据,得到用户出行特征;
根据所述用户出行特征关联的位置信息,将所述用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。
18.根据权利要求17所述的方法,其特征在于,所述方法还包括:
获取针对所述交通工具的订单对应的交通工具使用日志数据,并分析所述交通工具使用日志数据,得到交通工具使用数据;
获取针对所述交通工具的订单对应的交通工具归还日志数据,并分析所述交通工具归还日志数据,得到交通工具归还数据;
整合所述交通工具使用数据和所述交通工具归还数据,得到所述出行数据。
19.一种淤积区域确定装置,其特征在于,所述装置包括:
出行特征获取模块,用于获取网格区域对应的用户出行特征;所述用户出行特征包括出行行为特征和出行意愿特征,所述出行行为特征用于表征用户使用交通工具时所产生的行为特征,所述出行意愿特征用于表征用户有使用交通工具的意愿特征;
流量信息确定模块,用于将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;
淤积区域确定模块,用于若所述交通工具的流量信息符合预设淤积条件,则确定所述网格区域为淤积区域;
其中,所述流量信息确定模块具体用于获取所述用户出行特征关联的时间信息;所述时间信息为用户出行特征对应的出行数据产生时的时间;根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征;所述预设时间条件根据所述当前时间确定;将所述网格区域对应的所述当前时间下的用户出行特征和所述符合预设时间条件的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息。
20.根据权利要求19所述的装置,其特征在于,所述符合预设时间条件的用户出行特征包括第一用户出行特征、第二用户出行特征或第三用户出行特征中的至少一种;所述流量信息确定模块具体用于根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征,以及在所述当前时间之前第一预设时段内的所述第一用户出行特征;根据所述时间信息,在所述用户出行特征中,将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,以及将历史日期中处于所述第二预设时段内的用户出行特征作为所述第二用户出行特征;根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征,以及在所述当前时间之前第三预设时段内的所述第三用户出行特征;其中,所述第三预设时段大于所述第一预设时段。
21.根据权利要求19所述的装置,其特征在于,所述装置还包括:
信息获取模块,用于获取网格区域中的天气信息和交通事件信息;
信息融合模块,用于对所述天气信息和交通事件信息进行融合,得到融合后的数据;
所述流量信息确定模块具体用于将所述网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定机器学习模型,得到交通工具的流量信息;其中,所述出行样本还包括天气信息样本和交通事件信息样本融合后的样本数据。
22.根据权利要求21所述的装置,其特征在于,所述交通工具流量确定机器学习模型包括空间属性特征提取网络、向量表达网络和全连接网络;所述流量信息确定模块具体用于将所述网格区域对应的用户出行特征输入所述空间属性特征提取网络,得到空间属性特征;将所述空间属性特征和所述融合后的数据输入所述向量表达网络,得到流量特征向量;将所述流量特征向量输入所述全连接网络,得到交通工具的流量信息。
23.根据权利要求19所述的装置,其特征在于,所述交通工具的流量信息包括所述交通工具的流入数量和所述交通工具的流出数量,或者所述交通工具的流量信息包括所述交通工具的流入数量与所述交通工具的流出数量的差值;所述淤积区域确定模块具体用于若所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的差值大于差值阈值,则确定所述网格区域为淤积区域。
24.根据权利要求23所述的装置,其特征在于,所述淤积区域确定模块具体用于获取所述网格区域中的所述交通工具的数量;计算所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的第一差值;计算所述第一差值与所述交通工具的数量的第二差值;若所述第二差值大于差值阈值,则确定所述网格区域为淤积区域。
25.根据权利要求19所述的装置,其特征在于,所述出行特征获取模块具体用于获取用户使用交通工具的出行数据;分析所述出行数据,得到用户出行特征;根据所述用户出行特征关联的位置信息,将所述用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。
26.根据权利要求25所述的装置,其特征在于,所述出行特征获取模块具体用于获取针对所述交通工具的订单对应的交通工具使用日志数据,并分析所述交通工具使用日志数据,得到交通工具使用数据;获取针对所述交通工具的订单对应的交通工具归还日志数据,并分析所述交通工具归还日志数据,得到交通工具归还数据;整合所述交通工具使用数据和所述交通工具归还数据,得到所述出行数据。
27.一种交通工具调度装置,其特征在于,所述装置包括:
位置信息获取模块,用于获取用户终端的位置信息;
位置关系确定模块,用于若根据所述用户终端的位置信息,确定所述用户终端与淤积区域的位置关系符合预设位置关系条件,则获取资源偏好信息和所述淤积区域中交通工具的流量信息;其中,所述淤积区域通过交通工具流量确定机器学习模型对用户出行特征进行处理而确定,所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;所述资源偏好信息是指表征用户对于出行补贴资源的敏感程度的信息;
资源推送模块,用于根据所述资源偏好信息和所述交通工具的流量信息,确定资源推送策略并发送至所述用户终端;
其中,所述装置还包括:
出行特征获取模块,用于获取网格区域对应的用户出行特征;所述用户出行特征包括出行行为特征和出行意愿特征,所述出行行为特征用于表征用户使用交通工具时所产生的行为特征,所述出行意愿特征用于表征用户有使用交通工具的意愿特征;
流量信息确定模块,用于将所述网格区域对应的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息;所述交通工具流量确定机器学习模型为根据出行样本预先训练好的机器学习模型,所述出行样本包括用户出行特征样本;
淤积区域确定模块,用于若所述交通工具的流量信息符合预设淤积条件,则确定所述网格区域为淤积区域。
28.根据权利要求27所述的装置,其特征在于,所述装置还包括:
出行信息获取模块,用于获取用户使用交通工具的出行信息,所述出行信息包括出行成本信息;
偏好信息获得模块,用于将所述出行信息输入资源偏好神经网络模型,得到资源偏好信息;所述资源偏好神经网络模型为根据出行信息样本预先训练好的神经网络模型。
29.根据权利要求27所述的装置,其特征在于,所述流量信息确定模块具体用于获取所述用户出行特征关联的时间信息;所述时间信息为用户出行特征对应的出行数据产生时的时间;根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征和符合预设时间条件的用户出行特征;所述预设时间条件根据所述当前时间确定;将所述网格区域对应的所述当前时间下的用户出行特征和所述符合预设时间条件的用户出行特征输入交通工具流量确定机器学习模型,得到交通工具的流量信息。
30.根据权利要求29所述的装置,其特征在于,所述符合预设时间条件的用户出行特征包括第一用户出行特征、第二用户出行特征或第三用户出行特征中的至少一种;所述流量信息确定模块具体用于根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征,以及在所述当前时间之前第一预设时段内的所述第一用户出行特征;根据所述时间信息,在所述用户出行特征中,将当前时间所处的第二预设时段内的用户出行特征作为当前时间下的用户出行特征,以及将历史日期中处于所述第二预设时段内的用户出行特征作为所述第二用户出行特征;根据所述时间信息,从所述用户出行特征中抽取当前时间下的用户出行特征,以及在所述当前时间之前第三预设时段内的所述第三用户出行特征;其中,所述第三预设时段大于所述第一预设时段。
31.根据权利要求29所述的装置,其特征在于,所述装置还包括:
信息获取模块,用于获取网格区域中的天气信息和交通事件信息;
信息融合模块,用于对所述天气信息和交通事件信息进行融合,得到融合后的数据;
所述流量信息确定模块具体用于将所述网格区域对应的用户出行特征和网格区域中的融合后的数据输入交通工具流量确定机器学习模型,得到交通工具的流量信息;其中,所述出行样本还包括天气信息样本和交通事件信息样本融合后的样本数据。
32.根据权利要求31所述的装置,其特征在于,所述交通工具流量确定机器学习模型包括空间属性特征提取网络、向量表达网络和全连接网络;所述流量信息确定模块具体用于将所述网格区域对应的用户出行特征输入所述空间属性特征提取网络,得到空间属性特征;将所述空间属性特征和所述融合后的数据输入所述向量表达网络,得到流量特征向量;将所述流量特征向量输入所述全连接网络,得到交通工具的流量信息。
33.根据权利要求29所述的装置,其特征在于,所述交通工具的流量信息包括所述交通工具的流入数量和所述交通工具的流出数量,或者所述交通工具的流量信息包括所述交通工具的流入数量与所述交通工具的流出数量的差值;所述淤积区域确定模块具体用于若所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的差值大于差值阈值,则确定所述网格区域为淤积区域。
34.根据权利要求33所述的装置,其特征在于,所述淤积区域确定模块具体用于获取所述网格区域中的所述交通工具的数量;计算所述网格区域中的所述交通工具的流入数量与所述交通工具的流出数量的第一差值;计算所述第一差值与所述交通工具的数量的第二差值;若所述第二差值大于差值阈值,则确定所述网格区域为淤积区域。
35.根据权利要求29所述的装置,其特征在于,所述出行特征获取模块具体用于获取用户使用交通工具的出行数据;分析所述出行数据,得到用户出行特征;根据所述用户出行特征关联的位置信息,将所述用户出行特征匹配至多个网格区域,得到每个网格区域对应的用户出行特征。
36.根据权利要求35所述的装置,其特征在于,所述出行特征获取模块具体用于获取针对所述交通工具的订单对应的交通工具使用日志数据,并分析所述交通工具使用日志数据,得到交通工具使用数据;获取针对所述交通工具的订单对应的交通工具归还日志数据,并分析所述交通工具归还日志数据,得到交通工具归还数据;整合所述交通工具使用数据和所述交通工具归还数据,得到所述出行数据。
37.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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权利要求1至8或9至18中任一项所述的方法的步骤。
38.一种存储介质,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8或9至18中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010436199.8A CN111626589B (zh) | 2020-05-21 | 2020-05-21 | 淤积区域确定方法及装置、交通工具调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010436199.8A CN111626589B (zh) | 2020-05-21 | 2020-05-21 | 淤积区域确定方法及装置、交通工具调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626589A CN111626589A (zh) | 2020-09-04 |
CN111626589B true CN111626589B (zh) | 2023-06-23 |
Family
ID=72272157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010436199.8A Active CN111626589B (zh) | 2020-05-21 | 2020-05-21 | 淤积区域确定方法及装置、交通工具调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626589B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669537B (zh) * | 2020-12-17 | 2022-08-09 | 上海交通大学 | 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 |
CN114627656B (zh) * | 2022-02-18 | 2023-06-30 | 摩拜(北京)信息技术有限公司 | 车辆调度方法和车辆调度管理设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346280B (zh) * | 2018-01-30 | 2019-10-22 | 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 |
CN109360421B (zh) * | 2018-11-28 | 2022-03-25 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN110491124B (zh) * | 2019-08-19 | 2020-09-08 | 上海新共赢信息科技有限公司 | 一种车辆流量预测方法、装置、设备及存储介质 |
CN111008223B (zh) * | 2019-10-21 | 2023-11-14 | 北京交通大学 | 一种基于时空关联规则的区域交通拥堵相关性计算方法 |
-
2020
- 2020-05-21 CN CN202010436199.8A patent/CN111626589B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111626589A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985475B (zh) | 基于深度神经网络的网约车召车需求预测方法 | |
Alexander et al. | Assessing the impact of real-time ridesharing on urban traffic using mobile phone data | |
WO2018058967A1 (zh) | 公交路线推荐方法、装置、设备及计算机存储介质 | |
CN111626589B (zh) | 淤积区域确定方法及装置、交通工具调度方法及装置 | |
CN104346921B (zh) | 基于位置信息的出租车信息通讯服务系统、终端和方法 | |
WO2019237522A1 (zh) | 车辆租赁方法、装置、计算机设备和存储介质 | |
Yu et al. | Modeling user activity patterns for next-place prediction | |
CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
Furletti et al. | Analysis of GSM calls data for understanding user mobility behavior | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN108966148A (zh) | 出行信息的预测方法、服务器及存储介质 | |
CN113470352B (zh) | 一种基于多任务学习的交通大数据分析与预测系统及方法 | |
CN111210537A (zh) | 一种油耗分析方法、装置、设备和存储介质 | |
CN113033860A (zh) | 一种汽车故障预测方法、装置、电子设备及存储介质 | |
CN111062562A (zh) | 一种社区网格服务联动处置控制方法及系统 | |
CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
CN110730198A (zh) | 一种公交信息的推送方法、装置、存储介质及终端 | |
CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
Rix et al. | Why taxi tracking trumps tracking passengers with apps in planning for the electrification of Africa’s paratransit | |
CN110619748A (zh) | 基于交通大数据的交通状况分析与预测方法、装置及系统 | |
Liu et al. | Applying deep recurrent neural network to predict vehicle mobility | |
CN111427932B (zh) | 出行预测方法、装置、设备和存储介质 | |
CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
CN113469232A (zh) | 车辆用户分类方法、设备及计算机可读存储介质 | |
Saini et al. | Urban travel demand estimation using genetic algorithm |
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 |