CN111815012A - 租车平台中心仓车位分配方法、电子设备及存储介质 - Google Patents
租车平台中心仓车位分配方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111815012A CN111815012A CN201911369388.1A CN201911369388A CN111815012A CN 111815012 A CN111815012 A CN 111815012A CN 201911369388 A CN201911369388 A CN 201911369388A CN 111815012 A CN111815012 A CN 111815012A
- Authority
- CN
- China
- Prior art keywords
- peak value
- rental
- central bin
- bin
- quota
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims description 31
- 239000000126 substance Substances 0.000 claims description 4
- 230000007306 turnover Effects 0.000 abstract description 9
- 238000007726 management method Methods 0.000 abstract description 7
- 239000013256 coordination polymer Substances 0.000 description 21
- 238000012937 correction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种租车平台中心仓车位分配方法、电子设备及存储介质,方法包括:获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,根据真实交付峰值与预测交付峰值的差值,对初始库位配额进行修正得到该中心仓的修正后库位配额;向租赁公司的每个中心仓分配对应的修正后库位配额的车辆。本发明实现了租车业务中心仓的库位智能化管理,能够动态的为每个租赁公司分配库位。其次,该方法极大的节省了运营人力,并且提高了车位利用率和车辆周转率。最后,本发明对库位配额进行修正,更为符合真实需求。
Description
技术领域
本发明涉及汽车相关技术领域,特别是一种租车平台中心仓车位分配方法、电子设备及存储介质。
背景技术
租车业务中,需要在每个城市中维护多个中心仓,在每个中心仓中保留有多个库位。租车平台需要保证好这些库位的高效使用,以及能够满足多个合作的租赁公司(租赁)的需求。如果中心仓的库位空置过多,没有充分利用,则需要由平台支付的车位费用非常高(当租赁公司的车停放在车位上时,是租赁公司支付停车位费用,若闲置,则有平台支付),导致业务成本过高;如果没有让租赁公司的车即时的停放到中心仓的库位上满足用户的需求,则会导致租赁公司与平台的合作关系恶化,业务难以长期发展。因此如何给每个租赁公平合理的动态分配库位是提高车位周转率和库位利用率的重要因素,也是关系到业务能够持续发展的重要环节。
目前库位分配的整体工作流是偏线下、人工、滞后的;中心仓车位的管理是靠人工手动计算的,其逻辑是通过每个公司前半年的车辆出租单量来计算每家租赁公司的市占率,进而通过市占率的排序根据业务方制定的规则给租赁公司分配多少个库位。这种方法存在很多缺陷:(1)通过统计半年来的单量数据来计算当前租赁的市占率缺乏时效性;(2)通过市占率单一的指标来决策库位分配的数量是不合理的,例如租赁公司与平台的合作关系,租赁的服务水平等都应该影响到平台对其分配的库位数;(3)通过硬规则的方式来决策分配的库位个数非常不灵活,而且会受规则中阈值的影响较大;(4)人工手动计算,效率低,人工成本高,不能灵活响应一些实时变化的需求。
发明内容
基于此,有必要针对现有技术的中心仓车位分配方法不灵活且效率的技术问题,提供一种租车平台中心仓车位分配方法、电子设备及存储介质。
本发明提供一种租车平台中心仓车位分配方法,包括:
获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;
对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据所述初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额;
向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。
进一步地,所述预测交付峰值y=X×N/A,其中,y为预测交付峰值,X为初始库位配额,N为历史时间段长度,A为车位流速。
更进一步地,所述根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额,具体包括:
如果预测交付峰值减去真实交付峰值的差值大于差值阈值,则以所述初始库位配额作为所述修正后库位配额;
如果预测交付峰值减去真实交付峰值的差值小于等于差值阈值,则计算所述修正后库位配额为:(真实交付峰值+差值阈值)/(N/A)。
再进一步地,所述获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额,具体包括:
获取租赁公司的总租车数量和总还车数量;
获取租赁公司每个中心仓的历史占比,确定每个中心仓的租车数量为总租车数量×该中心仓的历史占比,每个中心仓的还车数量为总还车数量×该中心仓的历史占比;
获取每个中心仓的停车数量;
基于每个中心仓的租车数量、还车数量、以及停车数量,确定每个中心仓的缺口车辆数作为每个中心仓的初始库位配额。
再进一步地,所述获取租赁公司的总租车数量和总还车数量,具体包括:
获取租赁公司的历史租车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总租车数量;
获取租赁公司的历史还车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总还车数量。
本发明提供一种租车平台中心仓车位分配电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;
对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据所述初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额;
向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。
进一步地,所述预测交付峰值y=X×N/A,其中,y为预测交付峰值,X为初始库位配额,N为历史时间段长度,A为车位流速。
更进一步地,所述根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额,具体包括:
如果预测交付峰值减去真实交付峰值的差值大于差值阈值,则以所述初始库位配额作为所述修正后库位配额;
如果预测交付峰值减去真实交付峰值的差值小于等于差值阈值,则计算所述修正后库位配额为:(真实交付峰值+差值阈值)/(N/A)。
再进一步地,所述获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额,具体包括:
获取租赁公司的总租车数量和总还车数量;
获取租赁公司每个中心仓的历史占比,确定每个中心仓的租车数量为总租车数量×该中心仓的历史占比,每个中心仓的还车数量为总还车数量×该中心仓的历史占比;
获取每个中心仓的停车数量;
基于每个中心仓的租车数量、还车数量、以及停车数量,确定每个中心仓的缺口车辆数作为每个中心仓的初始库位配额。
再进一步地,所述获取租赁公司的总租车数量和总还车数量,具体包括:
获取租赁公司的历史租车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总租车数量;
获取租赁公司的历史还车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总还车数量。
本发明提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的租车平台中心仓车位分配方法的所有步骤。
本发明实现了租车业务中心仓的库位智能化管理,能够动态的为每个租赁公司分配库位,并且支持中心仓数量和租赁数量的增加以及每个中心仓的总库位的变动,进而大规模的扩展到其他城市,只要提供仓库的一些基础信息和订单数据即可快速拓展到其他城市。其次,该方法极大的节省了运营人力,并且提高了车位利用率和车辆周转率,充分满足租赁的需求,不会发生因为库位分配不公或者不够导致租赁没能及时满足用户的订车需求,使得平台与租赁的合作更加高效。最后,本发明根据真实交付峰值对库位配额进行修正,使得库位配额更为符合真实需求。
附图说明
图1为本发明一种租车平台中心仓车位分配方法的工作流程图;
图2为本发明第二实施例一种租车平台中心仓车位分配方法的工作流程图;
图3为本发明最佳实施例的系统原理图;
图4为本发明一种租车平台中心仓车位分配电子设备的硬件结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
实施例一
如图1所示为本发明一种租车平台中心仓车位分配方法的工作流程图,包括:
步骤S101,获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;
步骤S102,对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据所述初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额;
步骤S103,向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。
具体来说,本发明主要应用于租车平台的服务器,由服务器为每个租赁公司作出分配决策。租赁公司一般拥有多个中心仓,步骤S101获取租赁公司在每个中心仓的缺口车辆数。该缺口车辆数可以通过预测确定,也可以通过传感器监控,也可以通过工作人员上传数据。该缺口车辆数用于表示需要为该租赁公司新增或减少多少个库位。然后步骤S102对每个中心仓的初始库位配额进行修正,使得库位配额更为符合真实需求。最后,步骤S103向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。分配方式可以通过下达工单等方式实现。
本发明实现了租车业务中心仓的库位智能化管理,能够动态的为每个租赁公司分配库位,并且支持中心仓数量和租赁数量的增加以及每个中心仓的总库位的变动,进而大规模的扩展到其他城市,只要提供仓库的一些基础信息和订单数据即可快速拓展到其他城市。其次,该方法极大的节省了运营人力,并且提高了车位利用率和车辆周转率,充分满足租赁的需求,不会发生因为库位分配不公或者不够导致租赁没能及时满足用户的订车需求,使得平台与租赁的合作更加高效。最后,本发明根据真实交付峰值对库位配额进行修正,使得库位配额更为符合真实需求。
实施例二
如图2所示为本发明第二实施例一种租车平台中心仓车位分配方法的工作流程图,包括:
步骤S201,获取租赁公司的历史租车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总租车数量;
步骤S202,获取租赁公司的历史还车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总还车数量;
步骤S203,获取租赁公司每个中心仓的历史占比,确定每个中心仓的租车数量为总租车数量×该中心仓的历史占比,每个中心仓的还车数量为总还车数量×该中心仓的历史占比;
步骤S204,获取每个中心仓的停车数量;
步骤S205,基于每个中心仓的租车数量、还车数量、以及停车数量,确定每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;
步骤S206,对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据所述初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,所述预测交付峰值y=X×N/A,其中,y为预测交付峰值,X为初始库位配额,N为历史时间段长度,A为车位流速;
步骤207,如果预测交付峰值减去真实交付峰值的差值大于差值阈值,则以所述初始库位配额作为所述修正后库位配额;
步骤S208,如果预测交付峰值减去真实交付峰值的差值小于等于差值阈值,则计算所述修正后库位配额为:(真实交付峰值+差值阈值)/(N/A);
步骤S209,向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。
具体来说,步骤S201和步骤S202通过机器学习模型,对租赁公司的总租车数量和总还车数量进行预测。优选地,通过输入历史租车单量、租赁公司规模数据、节假日信息、天气、租赁公司信用分、车型丰富度、租赁品牌知名度等维度特征到机器学习模型中,做租车单量的回归,输出每个租赁公司在未来X个小时内出租车辆的预测数据。其中,X为可变参数。还车数量预测同上,通过历史老用户租期到后还车的单量数据,和租赁公司的一些特征及上下文信息,将其数据处理后输入到机器学习模型中进行还车数量的预测,通过模型预测输出每个租赁公司在未来X个小时内还车数量的预测数据。
然后,步骤S203通过历史占比,将总租车数量和总还车数量按照每个中心仓的历史占比,确定每个中心仓的租车数量和还车数量。再结合步骤S204获得的每个租赁公司在中心仓现有停放的车辆数,即可计算出每家租赁公司每个中心仓的缺口车辆数。此时,步骤S205可计算出还需为每个租赁公司的每个中心仓新增或减少多少个库位,作为该中心仓的初始库位配额。
当业务规模小时,若历史数据量级较小时,模型预测出的值误差会相对大,此时步骤S206至步骤S208则通过实时数据对初始库位配额进行修正。为了保证为每个租赁公司的每个中心仓配置的库位数能够满足其接下来N天的车辆交付,通过近N天的实际交付车辆数进行数据修正。具体逻辑如下:在初始配额下的交付峰值,即y=X*N/A,其中X为初始库位配额,y为预测的交付峰值,A为车位流速,优选以每个车位2天1台车的流速计算;然后再与近N天租赁公司该中心仓真实的交付峰值进行比较,如果预测的交付峰值-租赁公司该中心仓真实的交付峰值>差值阈值,则不做任何修正,否则进行配额修正,修正的计算公式为:(租赁公司该中心仓真实的交付峰值+差值阈值)/(N/A),优选向上取整得到修正后的库位配额数。公式中之所以除以A是和业务背景相关,一辆车出库和入库所需要一定的时间,通常情况下一个车在车位流速A天内周转一辆车,该模块的目的是保证基于模型预测的分配的库位数够符合每个租赁公司真实的车辆周转率。的系统原理图
本实施例通过机器学习模型预测租赁公司的总租车数量和总还车数量,然后基于每个中心仓的历史占比,将总租车数量和总还车数量分配到每个中心仓中。由于采用整个租赁公司的数据进行预测,因此具有足够大的数据样本,使得整体数据准确,而通过历史占比进行分配也能准确反映每个中心仓的情况。最后,通过对库位配额的修正,避免预测出现较大误差,同时,引入车位流速进行模型预测,符合每个租赁公司真实的车辆周转率。
实施例三
如图3所示为本发明最佳实施例的系统原理图,整体分为三层,第一层是数据获取层31,其主要负责获取各方来源数据,并做数据清洗、特征处理和结构化存储,包括仓位获取装置311、租赁公司数据获取装置312、历史单量获取装置313、天气节假日数据采集装置314;第二层是基础模型预测层32,其是通过在线回归预测模型进行租车需求预测和还车数量预测,为后续模块提供决策数据支撑,包括租车需求预测模块321、以及还车数量预测模块322;第三层是业务决策层33,其基于预测的数据以及业务场景,做自动化的实时决策,包括库位配额决策模块331、以及库位配额修正模块332。其中:
租车需求预测模块321:通过输入历史租车单量、CP公司规模数据、节假日信息、天气、CP公司信用分、车型丰富度、CP品牌知名度等维度特征到机器学习模型中,做租车单量的回归,输出每个CP公司在未来X个小时内出租车辆的预测数据。(X小时可灵活变,为一个参数)
还车数量预测模块322:同上,通过历史老用户租期到后还车的单量数据,还CP公司的一些特征及上下文信息,将其数据处理后输入到机器学习模型中进行还车数量的预测,通过模型预测输出每个CP公司在未来X个小时内还车数量的预测数据。
库位配额决策模块31:基于上述预测的租车需求数据和还车数量,可以知道每个CP公司要出租出去的车和要收回来的车,那么再将该数据按历史占比分配到每个中心仓,即可知道每个CP公司对应到每个中心仓的租车数量和还车数量,那么再结合每个CP公司在中心仓现有停放的车辆数,即可计算出每家CP公司的缺口车辆数。此时,可计算出还需为每个CP公司新增或减少多少个库位。
库位配额修正模块332:当业务规模小时,若历史数据量级较小时,模型预测出的值误差会相对大,此时可以通过实时数据来进行矫正。为了保证为每个CP配置的库位数能够满足其接下来N天的车辆交付,我们通过近N天的实际交付车辆数进行数据修正。具体逻辑如下:以每个车位2天1台车的流速计算在初始配额下的交付峰值,即y=X*N/2,其中X为“库位配额决策”模块计算出的初始库位数,y为预测的交付峰值;然后再与近两N天每个CP真实的交付峰值进行比较,如果预测的交付峰值-CP真实的交付峰值>thresho l d,则不做任何修正,否则进行配额修正,修正的计算公式为:(CP真实的交付峰值+thresho l d)/(N/2)向上取整得到修正后的库位配额数。公式中之所以除以2是和业务背景相关,一辆车出库和入库所需要一定的时间,通常情况下一个车位在2天内周转一辆车,该模块的目的是保证基于模型预测的分配的库位数够每个CP公司真实的车辆周转率。
通过该技术方案实现了租车业务中心仓的库位智能化管理,能够每天动态的为每个CP公司分配库位,并且支持中心仓数量和CP数量的增加以及每个中心仓的总库位的变动,进而大规模的扩展到其他城市,只要提供仓库的一些基础信息和订单数据即可快速拓展到其他城市。其次,该方法极大的节省了运营人力,并且提高了车位利用率和车辆周转率,充分满足CP的需求,不会发生因为库位分配不公或者不够导致CP没能及时满足用户的订车需求,使得平台与CP的合作更加高效。
实施例四
如图4所示为本发明一种租车平台中心仓车位分配电子设备的硬件结构示意图,包括:
至少一个处理器401;以及,
与所述至少一个处理器401通信连接的存储器402;其中,
所述存储器402存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;
对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据所述初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额;
向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。
图4中以一个处理器401为例。
电子设备优选为租车平台的服务器。电子设备还可以包括:输入装置403和显示装置404。
处理器401、存储器402、输入装置403及显示装置404可以通过总线或者其他方式连接,图中以通过总线连接为例。
存储器402作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的租车平台中心仓车位分配方法对应的程序指令/模块,例如,图1所示的方法流程。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的租车平台中心仓车位分配方法。
存储器402可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据租车平台中心仓车位分配方法的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器402可选包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至执行租车平台中心仓车位分配方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置403可接收输入的用户点击,以及产生与租车平台中心仓车位分配方法的用户设置以及功能控制有关的信号输入。显示装置404可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器402中,当被所述一个或者多个处理器401运行时,执行上述任意方法实施例中的租车平台中心仓车位分配方法。
本发明实现了租车业务中心仓的库位智能化管理,能够动态的为每个租赁公司分配库位,并且支持中心仓数量和租赁数量的增加以及每个中心仓的总库位的变动,进而大规模的扩展到其他城市,只要提供仓库的一些基础信息和订单数据即可快速拓展到其他城市。其次,该方法极大的节省了运营人力,并且提高了车位利用率和车辆周转率,充分满足租赁的需求,不会发生因为库位分配不公或者不够导致租赁没能及时满足用户的订车需求,使得平台与租赁的合作更加高效。最后,本发明根据真实交付峰值对库位配额进行修正,使得库位配额更为符合真实需求。
实施例五
本发明第五实施例一种租车平台中心仓车位分配电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取租赁公司的历史租车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总租车数量;
获取租赁公司的历史还车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总还车数量;
获取租赁公司每个中心仓的历史占比,确定每个中心仓的租车数量为总租车数量×该中心仓的历史占比,每个中心仓的还车数量为总还车数量×该中心仓的历史占比;
获取每个中心仓的停车数量;
基于每个中心仓的租车数量、还车数量、以及停车数量,确定每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;
对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据所述初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,所述预测交付峰值y=X×N/A,其中,y为预测交付峰值,X为初始库位配额,N为历史时间段长度,A为车位流速;
如果预测交付峰值减去真实交付峰值的差值大于差值阈值,则以所述初始库位配额作为所述修正后库位配额;
如果预测交付峰值减去真实交付峰值的差值小于等于差值阈值,则计算所述修正后库位配额为:(真实交付峰值+差值阈值)/(N/A);
向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。
本实施例通过机器学习模型预测租赁公司的总租车数量和总还车数量,然后基于每个中心仓的历史占比,将总租车数量和总还车数量分配到每个中心仓中。由于采用整个租赁公司的数据进行预测,因此具有足够大的数据样本,使得整体数据准确,而通过历史占比进行分配也能准确反映每个中心仓的情况。最后,通过对库位配额的修正,避免预测出现较大误差,同时,引入车位流速进行模型预测,符合每个租赁公司真实的车辆周转率。
本发明第六实施例提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的租车平台中心仓车位分配方法的所有步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种租车平台中心仓车位分配方法,其特征在于,包括:
获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;
对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据所述初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额;
向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。
2.根据权利要求1所述的租车平台中心仓车位分配方法,其特征在于,所述预测交付峰值y=X×N/A,其中,y为预测交付峰值,X为初始库位配额,N为历史时间段长度,A为车位流速。
3.根据权利要求2所述的租车平台中心仓车位分配方法,其特征在于,所述根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额,具体包括:
如果预测交付峰值减去真实交付峰值的差值大于差值阈值,则以所述初始库位配额作为所述修正后库位配额;
如果预测交付峰值减去真实交付峰值的差值小于等于差值阈值,则计算所述修正后库位配额为:(真实交付峰值+差值阈值)/(N/A)。
4.根据权利要求1至3任一项所述的租车平台中心仓车位分配方法,其特征在于,所述获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额,具体包括:
获取租赁公司的总租车数量和总还车数量;
获取租赁公司每个中心仓的历史占比,确定每个中心仓的租车数量为总租车数量×该中心仓的历史占比,每个中心仓的还车数量为总还车数量×该中心仓的历史占比;
获取每个中心仓的停车数量;
基于每个中心仓的租车数量、还车数量、以及停车数量,确定每个中心仓的缺口车辆数作为每个中心仓的初始库位配额。
5.根据权利要求4所述的租车平台中心仓车位分配方法,其特征在于,所述获取租赁公司的总租车数量和总还车数量,具体包括:
获取租赁公司的历史租车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总租车数量;
获取租赁公司的历史还车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总还车数量。
6.一种租车平台中心仓车位分配电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额;
对于每个中心仓,获取该中心仓历史时间段内的真实交付峰值,根据所述初始库位配额计算相同历史时间段内该中心仓的预测交付峰值,根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额;
向所述租赁公司的每个中心仓分配对应的所述修正后库位配额的车辆。
7.根据权利要求6所述的租车平台中心仓车位分配电子设备,其特征在于,所述预测交付峰值y=X×N/A,其中,y为预测交付峰值,X为初始库位配额,N为历史时间段长度,A为车位流速。
8.根据权利要求7所述的租车平台中心仓车位分配电子设备,其特征在于,所述根据所述真实交付峰值与所述预测交付峰值的差值,对所述初始库位配额进行修正得到该中心仓的修正后库位配额,具体包括:
如果预测交付峰值减去真实交付峰值的差值大于差值阈值,则以所述初始库位配额作为所述修正后库位配额;
如果预测交付峰值减去真实交付峰值的差值小于等于差值阈值,则计算所述修正后库位配额为:(真实交付峰值+差值阈值)/(N/A)。
9.根据权利要求6至8任一项所述的租车平台中心仓车位分配电子设备,其特征在于,所述获取租赁公司在每个中心仓的缺口车辆数作为每个中心仓的初始库位配额,具体包括:
获取租赁公司的总租车数量和总还车数量;
获取租赁公司每个中心仓的历史占比,确定每个中心仓的租车数量为总租车数量×该中心仓的历史占比,每个中心仓的还车数量为总还车数量×该中心仓的历史占比;
获取每个中心仓的停车数量;
基于每个中心仓的租车数量、还车数量、以及停车数量,确定每个中心仓的缺口车辆数作为每个中心仓的初始库位配额。
10.根据权利要求9所述的租车平台中心仓车位分配电子设备,其特征在于,所述获取租赁公司的总租车数量和总还车数量,具体包括:
获取租赁公司的历史租车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总租车数量;
获取租赁公司的历史还车数量、租赁公司的信息维度数据、时间数据,输入机器学习模型,获得机器学习模型输出的租赁公司的总还车数量。
11.一种存储介质,其特征在于,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如权利要求1-5任一项所述的租车平台中心仓车位分配方法的所有步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369388.1A CN111815012A (zh) | 2019-12-26 | 2019-12-26 | 租车平台中心仓车位分配方法、电子设备及存储介质 |
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 |
---|---|---|---|
CN201911369388.1A CN111815012A (zh) | 2019-12-26 | 2019-12-26 | 租车平台中心仓车位分配方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815012A true CN111815012A (zh) | 2020-10-23 |
Family
ID=72844581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911369388.1A Pending CN111815012A (zh) | 2019-12-26 | 2019-12-26 | 租车平台中心仓车位分配方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815012A (zh) |
Cited By (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 |
CN115186906A (zh) * | 2022-07-15 | 2022-10-14 | 中远海运科技股份有限公司 | 一种集装箱经营性租赁还箱智能预测方法及平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004139452A (ja) * | 2002-10-18 | 2004-05-13 | Sumitomo Heavy Ind Ltd | 駐車場管理方法、駐車場管理装置、駐車場、駐車場管理プログラム及び記録媒体 |
US20160196747A1 (en) * | 2012-12-21 | 2016-07-07 | Parkopedia Limited | System and Method for Locating Available Parking Spaces |
CN109840648A (zh) * | 2017-11-27 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 用于输出储位信息的方法和装置 |
CN110309980A (zh) * | 2019-07-09 | 2019-10-08 | 北京首汽智行科技有限公司 | 一种固定停车网点最优月租车位数确定方法 |
CN110444041A (zh) * | 2019-08-15 | 2019-11-12 | 同济大学 | 一种基于分区的停车场精细化管理方法 |
-
2019
- 2019-12-26 CN CN201911369388.1A patent/CN111815012A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004139452A (ja) * | 2002-10-18 | 2004-05-13 | Sumitomo Heavy Ind Ltd | 駐車場管理方法、駐車場管理装置、駐車場、駐車場管理プログラム及び記録媒体 |
US20160196747A1 (en) * | 2012-12-21 | 2016-07-07 | Parkopedia Limited | System and Method for Locating Available Parking Spaces |
CN109840648A (zh) * | 2017-11-27 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 用于输出储位信息的方法和装置 |
CN110309980A (zh) * | 2019-07-09 | 2019-10-08 | 北京首汽智行科技有限公司 | 一种固定停车网点最优月租车位数确定方法 |
CN110444041A (zh) * | 2019-08-15 | 2019-11-12 | 同济大学 | 一种基于分区的停车场精细化管理方法 |
Cited By (3)
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 |
CN115186906A (zh) * | 2022-07-15 | 2022-10-14 | 中远海运科技股份有限公司 | 一种集装箱经营性租赁还箱智能预测方法及平台 |
CN115186906B (zh) * | 2022-07-15 | 2024-01-19 | 中远海运科技股份有限公司 | 一种集装箱经营性租赁还箱智能预测方法及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102135B (zh) | 订单分配方法及装置 | |
CN110705753B (zh) | 基于调度模型的车辆调度方法、装置、计算机设备及存储介质 | |
CN111967627B (zh) | 一种共享停车位预定和分配系统及方法 | |
CN108346010B (zh) | 基于用户需求分析的共享汽车调度方法 | |
CN107437144A (zh) | 一种订单调度方法、系统、计算机设备和存储介质 | |
WO2015177644A1 (en) | Method and system for balancing rental fleet of movable assets | |
CN111815012A (zh) | 租车平台中心仓车位分配方法、电子设备及存储介质 | |
CN113435968B (zh) | 网约车派单方法、装置、电子设备及存储介质 | |
CN111695842B (zh) | 配送方案确定方法、装置、电子设备及计算机存储介质 | |
CN110472836A (zh) | 网约车订单处理方法、设备及终端设备 | |
KR101480374B1 (ko) | 벌크 분배 방법 | |
CN111861080A (zh) | 一种信息处理的方法、装置、电子设备及存储介质 | |
CN116739315B (zh) | 一种门窗订单派送方法、装置、电子设备及存储介质 | |
JP2008192088A (ja) | ホテル・レンタカープランの自動生成・予約システム。 | |
CN108694549A (zh) | 全自动物流派送服务的租用方法 | |
CN112002142B (zh) | 一种基于浮动价格的共享停车泊位分配系统及方法 | |
CN110826943A (zh) | 判断是否需要进行配车及确定公交配车数的方法及相关设备 | |
CN115689258A (zh) | 优化共享车还车位置的方法、提示方法、系统及存储介质 | |
CN101258500B (zh) | 调度设备,调度方法和记录介质 | |
CA2853832A1 (en) | Fuel pricing | |
CN111833595B (zh) | 共享汽车辅助车辆配置方法、电子设备及存储介质 | |
CN112308266B (zh) | 仓库选址方法、装置、设备和可读存储介质 | |
CN113807560A (zh) | 一种物流成本预测方法、装置、电子设备以及存储介质 | |
WO2021129831A1 (zh) | 一种车辆调配方法、装置、设备及计算机可读存储介质 | |
CN110706513A (zh) | 车位预约管理系统、方法、社区平台及存储介质 |
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 |