CN111833595B - 共享汽车辅助车辆配置方法、电子设备及存储介质 - Google Patents

共享汽车辅助车辆配置方法、电子设备及存储介质 Download PDF

Info

Publication number
CN111833595B
CN111833595B CN201910542045.4A CN201910542045A CN111833595B CN 111833595 B CN111833595 B CN 111833595B CN 201910542045 A CN201910542045 A CN 201910542045A CN 111833595 B CN111833595 B CN 111833595B
Authority
CN
China
Prior art keywords
auxiliary
vehicle
resource allocation
browsing
category
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910542045.4A
Other languages
English (en)
Other versions
CN111833595A (zh
Inventor
吕伟
向舒粲
李敏
王瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201910542045.4A priority Critical patent/CN111833595B/zh
Publication of CN111833595A publication Critical patent/CN111833595A/zh
Application granted granted Critical
Publication of CN111833595B publication Critical patent/CN111833595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/10—Services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种共享汽车辅助车辆配置方法、电子设备及存储介质，方法包括：基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；基于历史运营数据，对每个资源配置区域分配所述辅助车辆。一种共享汽车辅助车辆配置方法，其特征在于，包括：基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；基于历史运营数据，对每个资源配置区域分配所述辅助车辆。

Description

共享汽车辅助车辆配置方法、电子设备及存储介质
技术领域
本发明涉及车辆相关技术领域，特别是一种共享汽车辅助车辆配置方法、电子设备及存储介质。
背景技术
随着共享汽车服务的发展，越来越多的服务类型也随之拓展出来了，例如出租车辆、车辆维修、车辆保养等。
为了保障共享汽车的运行，需要为共享汽车提供各类型的辅助车辆，例如移动充电车、维修维保服务车辆等。
现有对辅助车辆的配置，都是根据人工经验确定，非常不可靠。
发明内容
基于此，有必要针对现有技术采用人工经验配置辅助车辆的技术问题，提供一种共享汽车辅助车辆配置方法、电子设备及存储介质。
本发明提供一种共享汽车辅助车辆配置方法，包括：
基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；
基于历史运营数据，对每个资源配置区域分配所述辅助车辆。
进一步地，所述基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域，具体包括：
获取辅助车辆的地理数据，对辅助车辆的地理数据进行聚类分析，划分出地理数据聚类区域；
获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合；
将地理数据聚类区域与浏览数据聚类车辆集合进行交集处理或并集处理，得到多个资源配置区域。
更进一步地，所述获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合，具体包括：
获取辅助车辆之间的多个类别的浏览关联行为，每一类别的浏览关联行为对应一预设类别权重；
计算具有浏览关联行为的两个辅助车辆之间的关联值，所述关联值为两个辅助车辆所具有的一个或多个类别的浏览关联行为对应的类别权重的加权值；
如果两个辅助车辆之间的关联值超过预设关系阈值，则判断该两个辅助车辆之间存在社交关系；
将社交关系数量将满足预设社交关系数量阈值的多个辅助车辆聚为同一类浏览数据聚类车辆集合。
再进一步地，所述获取辅助车辆之间的多个类别的浏览关联行为，具体包括：获取辅助车辆之间的第一类别浏览关联行为、第二类别浏览关联行为、第三类别浏览关联行为中的至少两者，其中：
同一列表中，被同一用户点击浏览的多个辅助车辆判断为具有第一类别浏览关联行为、或者，同一列表中，被超过预设点击阈值数量的用户点击的多个辅助车辆判断为具有第一类别浏览关联行为；
被同一用户实际使用的多个辅助车辆判断为具有第二类别浏览关联行为；
在同一用户的驾驶路线上的多个辅助车辆判断为具有第三类别浏览关联行为。
再进一步地，所述第二类别浏览关联行为对应的类别权重大于第一类别浏览关联行为对应的类别权重，且/或第一类别浏览关联行为对应的类别权重大于第三类别浏览关联行为对应的类别权重。
进一步地，所述基于历史运营数据，对每个资源配置区域分配所述辅助车辆，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆的数量；
根据每个资源配置区域内所述辅助车辆的数量，确定该资源配置区域所包括的共享汽车停车场中是否配置所述辅助车辆。
更进一步地，所述辅助车辆包括多个车辆类别的辅助车辆，所述基于历史运营数据，对每个资源配置区域分配所述辅助车辆，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量；
根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆。
再进一步地，所述基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量，具体包括：
对每个资源配置区域，计算该资源配置区域中，每一类辅助车辆的收益值，以使得该资源配置区域中总收益值最大为条件，配置该资源配置区域中辅助车辆每一车辆类别的数量。
再进一步地，所述根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆，具体包括：
对每个资源配置区域的每一车辆类别的辅助车辆，根据该资源配置区域中该车辆类别的辅助车辆的调度成本、平均订单量、订单平均成交总额数据建立该资源配置区域中配置辅助车辆的模型，所述模型为：
Figure BDA0002102855390000031
Figure BDA0002102855390000032
xi∈{0,1},i∈M
其中，xi为1则表示在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆，0则表示不在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆；
Figure BDA0002102855390000033
表示第i个共享汽车停车场在预设时间段内的平均订单量；PGMV表示每一订单的订单平均成交总额；uij表示第i个共享汽车停车场和第j个共享汽车停车场之间的距离；vi,k表示第i个共享汽车停车场和第k个辅助车辆调度点之间的距离；C表示每公里的平均调度成本；W1为共享汽车停车场之间调度成本的权重因子；W2表示共享汽车停车场与辅助车辆调度点之间调度成本的权重因子，N表示该资源配置区域配置该车辆类别的辅助车辆的数量，M表示该资源配置区域所包括的共享汽车停车场的数量，K表示该资源配置区域所包括的辅助车辆调度点的数量。
本发明提供一种共享汽车辅助车辆配置电子设备，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：
基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；
基于历史运营数据，对每个资源配置区域分配所述辅助车辆。
进一步地，所述基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域，具体包括：
获取辅助车辆的地理数据，对辅助车辆的地理数据进行聚类分析，划分出地理数据聚类区域；
获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合；
将地理数据聚类区域与浏览数据聚类车辆集合进行交集处理或并集处理，得到多个资源配置区域。
更进一步地，所述获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合，具体包括：
获取辅助车辆之间的多个类别的浏览关联行为，每一类别的浏览关联行为对应一预设类别权重；
计算具有浏览关联行为的两个辅助车辆之间的关联值，所述关联值为两个辅助车辆所具有的一个或多个类别的浏览关联行为对应的类别权重的加权值；
如果两个辅助车辆之间的关联值超过预设关系阈值，则判断该两个辅助车辆之间存在社交关系；
将社交关系数量将满足预设社交关系数量阈值的多个辅助车辆聚为同一类浏览数据聚类车辆集合。
再进一步地，所述获取辅助车辆之间的多个类别的浏览关联行为，具体包括：获取辅助车辆之间的第一类别浏览关联行为、第二类别浏览关联行为、第三类别浏览关联行为中的至少两者，其中：
同一列表中，被同一用户点击浏览的多个辅助车辆判断为具有第一类别浏览关联行为、或者，同一列表中，被超过预设点击阈值数量的用户点击的多个辅助车辆判断为具有第一类别浏览关联行为；
被同一用户实际使用的多个辅助车辆判断为具有第二类别浏览关联行为；
在同一用户的驾驶路线上的多个辅助车辆判断为具有第三类别浏览关联行为。
再进一步地，所述第二类别浏览关联行为对应的类别权重大于第一类别浏览关联行为对应的类别权重，且/或第一类别浏览关联行为对应的类别权重大于第三类别浏览关联行为对应的类别权重。
进一步地，所述基于历史运营数据，对每个资源配置区域分配所述辅助车辆，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆的数量；
根据每个资源配置区域内所述辅助车辆的数量，确定该资源配置区域所包括的共享汽车停车场中是否配置所述辅助车辆。
更进一步地，所述辅助车辆包括多个车辆类别的辅助车辆，所述基于历史运营数据，对每个资源配置区域分配所述辅助车辆，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量；
根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆。
再进一步地，所述基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量，具体包括：
对每个资源配置区域，计算该资源配置区域中，每一类辅助车辆的收益值，以使得该资源配置区域中总收益值最大为条件，配置该资源配置区域中辅助车辆每一车辆类别的数量。
再进一步地，所述根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆，具体包括：
对每个资源配置区域的每一车辆类别的辅助车辆，根据该资源配置区域中该车辆类别的辅助车辆的调度成本、平均订单量、订单平均成交总额数据建立该资源配置区域中配置辅助车辆的模型，所述模型为：
Figure BDA0002102855390000061
Figure BDA0002102855390000062
xi∈{0,1},i∈M
其中，xi为1则表示在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆，0则表示不在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆；
Figure BDA0002102855390000063
表示第i个共享汽车停车场在预设时间段内的平均订单量；PGMV表示每一订单的订单平均成交总额；uij表示第i个共享汽车停车场和第j个共享汽车停车场之间的距离；vi,k表示第i个共享汽车停车场和第k个辅助车辆调度点之间的距离；C表示每公里的平均调度成本；W1为共享汽车停车场之间调度成本的权重因子；W2表示共享汽车停车场与辅助车辆调度点之间调度成本的权重因子，N表示该资源配置区域配置该车辆类别的辅助车辆的数量，M表示该资源配置区域所包括的共享汽车停车场的数量，K表示该资源配置区域所包括的辅助车辆调度点的数量。
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共享汽车辅助车辆配置方法的所有步骤。
本发明基于地理数据及浏览数据的聚类分析，划分出资源配置区域，在资源配置区域中基于历史运营数据，使得对辅助车辆的配置最优。
附图说明
图1为本发明一实施例一种共享汽车辅助车辆配置方法的工作流程图；
图2为本发明第二实施例一种共享汽车辅助车辆配置方法的工作流程图；
图3为本发明第三可选实施例一种共享汽车辅助车辆配置方法的工作流程图；
图4为本发明最佳实施例的工作流程图；
图5为本发明第四实施例一种共享汽车辅助车辆配置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所示为本发明一实施例一种共享汽车辅助车辆配置方法的工作流程图，包括：
步骤S101，基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；
步骤S102，基于历史运营数据，对每个资源配置区域分配所述辅助车辆。
具体来说，步骤S101基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，确定出多个资源配置区域。聚类分析的方式可以采用现有的聚类方案实现，例如meanshift、近邻算法等聚类算法。由于该资源配置区域是结合地理数据及用户浏览数据进行聚类得出，因此，能够满足辅助车辆的地理特点以及用户对辅助车辆的浏览特点。然后在步骤S102中，为每个资源配置区域分配辅助车辆。其中，辅助车辆包括但不限于移动充电车辆和维修维保服务车辆。而历史运营数据，包括但不限于历史调度成本、历史订单量、投资收益数据。
本发明基于地理数据及浏览数据的聚类分析，划分出资源配置区域，在资源配置区域中基于历史运营数据，使得对辅助车辆的配置最优。
实施例二
如图2所示为本发明第二实施例一种共享汽车辅助车辆配置方法的工作流程图，包括：
步骤S201，获取辅助车辆的地理数据，对辅助车辆的地理数据进行聚类分析，划分出地理数据聚类区域。
具体来说，地理数据包括辅助车辆所在的位置，如经纬度数据。
收集到地理数据后，可以将上述数据上传至服务器，还可以将上述数据自动转化成文本数据，并且利用文本数据进行后续处理。
优选地，利用meanshift算法对地理数据进行聚类。
meanshift算法是通过迭代运算在一组数据的密度分布中寻找到局部极值(中心点)。具体地，利用上述地理数据形成一片点集区域。通过迭代计算在这一片区域中质量密度最高的中心点。然后以这个中心点为圆心画出一个圈，将该圈内的数据点作为一类。
步骤S202，获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合。
用户在应用程序app上的任意点击行为都会被记录下来，浏览数据包括用户的驾驶路线数据、经常访问的辅助车辆地理数据、历史交易支付订单，即历史上实际使用辅助车辆的数据。
在其中一个实施例中，所述获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合，具体包括：
获取辅助车辆之间的多个类别的浏览关联行为，每一类别的浏览关联行为对应一预设类别权重；
计算具有浏览关联行为的两个辅助车辆之间的关联值，所述关联值为两个辅助车辆所具有的一个或多个类别的浏览关联行为对应的类别权重的加权值；
如果两个辅助车辆之间的关联值超过预设关系阈值，则判断该两个辅助车辆之间存在社交关系；
将社交关系数量将满足预设社交关系数量阈值的多个辅助车辆聚为同一类浏览数据聚类车辆集合。
本实施例利用社交网络发现算法，将满足社交关系数量阈值的多个辅助车辆聚为一类。其中，社交关系数量阈值是预先设定的，例如，设定社交关系数量阈值为10条。当辅助车辆与另外12辆辅助车辆存在社交关系，则该辅助车辆的社交关系数量为12条，此时判断该辅助车辆与上述12辆辅助车辆可以聚为一类。
在其中一个实施例中，所述获取辅助车辆之间的多个类别的浏览关联行为，具体包括：获取辅助车辆之间的第一类别浏览关联行为、第二类别浏览关联行为、第三类别浏览关联行为中的至少两者，其中：
同一列表中，被同一用户点击浏览的多个辅助车辆判断为具有第一类别浏览关联行为、或者，同一列表中，被超过预设点击阈值数量的用户点击的多个辅助车辆判断为具有第一类别浏览关联行为；
被同一用户实际使用的多个辅助车辆判断为具有第二类别浏览关联行为；
在同一用户的驾驶路线上的多个辅助车辆判断为具有第三类别浏览关联行为。
在其中一个实施例中，所述第二类别浏览关联行为对应的类别权重大于第一类别浏览关联行为对应的类别权重，且/或第一类别浏览关联行为对应的类别权重大于第三类别浏览关联行为对应的类别权重。
浏览数据中辅助车辆之间的社交关系有三类：第一类：用户点击浏览的多个辅助车辆之间可能存在关联，其中，还可以根据关联度设置不同的权重。例如，APP推送移动充电车列表给用户，用户点击浏览了列表中的3个移动充电车(一个历史时间段内)，则该3个移动充电车之间可能存在关联。又例如，点击浏览了该3个移动充电车的人数超过100人，则该3个移动充电车之间关联度很高，则该3个移动充电车之间的社交关系权重可以更高或优先级更高。第二类：用户实际使用的多个辅助车辆之间可能存在关联，其中也可以根据关联度设置不同的权重。例如，同一用户对某几个辅助车辆使用次数越多，则该几个辅助车辆之间的社交关系权重可以更高或优先级更高。第三类：用户的驾驶路线和位于该路线上的多个辅助车辆之间可能存在关联。因为不能获得用户所有订单数据，因此可以根据用户驾驶路线推测，用户可能会使用了该驾驶路线上的多个辅助车辆。上述三类社交关系分别设置的权重满足第二类>第一类>第三类。然后，计算该辅助车辆对另一辅助车辆关于这三个类别的加权平均值，如果计算得到的加权平均值大于预设关系阈值，则认为该辅助车辆与另一辅助车辆之间存在社交关系。
步骤S203，将地理数据聚类区域与浏览数据聚类车辆集合进行交集处理或并集处理，得到多个资源配置区域。
其中，将地理数据聚类区域与浏览数据聚类车辆集合进行交集处理，即将在同一地理数据聚类区域中且在同一浏览数据聚类车辆集合中的车辆的地理数据作为资源配置区域。将地理数据聚类区域与浏览数据聚类车辆集合进行并集处理，即将同一浏览数据聚类车辆集合中的车辆所属的地理数据聚类区域的地理数据的并集作为资源配置区域。
步骤S204，基于历史运营数据，对每个资源配置区域分配所述辅助车辆。
本实施例基于地理数据及浏览数据的聚类分析，划分出资源配置区域，通过用户对辅助车辆的浏览数据采用社交网络发现算法来寻找合适的社交关系，使得辅助车辆之间的关联更为符合用户实际需要。
实施例三
如图3所示为本发明第三实施例一种共享汽车辅助车辆配置方法的工作流程图，包括：
步骤S301，基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域。
步骤S302，基于历史运营数据，确定每个资源配置区域内所述辅助车辆的数量。
在其中一个实施例中，所述辅助车辆包括多个车辆类别的辅助车辆，所述基于历史运营数据，确定每个资源配置区域内所述辅助车辆的数量，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量。
在其中一个实施例中，所述基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量，具体包括：
对每个资源配置区域，计算该资源配置区域中，每一类辅助车辆的收益值，以使得该资源配置区域中总收益值最大为条件，配置该资源配置区域中辅助车辆每一车辆类别的数量。
具体来说，可以利用Geohash评分估算每个资源配置区域的投资收益，以确定不同车辆类别的辅助车辆在每个资源配置区域内的数量。以移动充电车辆和维修维保服务车辆的最优资源配置方法为例。
对上述多个资源配置区域内的移动充电车和维修维保服务车辆做独立的Geohash综合分的计算，算法如下：将移动充电车资源配置标准视作维度1，并将其重要程度作为权重分；将维修维保服务车辆资源配置标准视作维度2，并将其重要程度作为权重分；则移动充电车Geohash综合分＝维度1的标准化*权重分；维修维保服务车辆Geohash综合分＝维度2的标准化*权重分。其中，标准化可以使用min-max或者z-score，视具体业务情况选择。
通过调节资源配置区域内移动充电车和维修维保服务车辆的投资收益(GrossMerchandise Volume，GMV)与毛利的权重，计算出使利益最大化的移动充电车辆和维修维保服务车辆的最优资源配置，具体为：
分别计算出每个资源配置区域内移动充电车和维修维保服务车辆的各自的估算单量，并利用该估算单量得到每个区域内移动充电车业务和维修维保服务车辆业务的各自成交金额GMV和毛利。其中计算方式为：
估算单量＝Geohash综合分*(日均单量/总Geohash综合分)，其中，日均单量可以是城市日平均单量
GMV＝估算单量*单均GMV
毛利＝估算单量*单均毛利
其中，单均GMV表示平均每单的GMV，单均毛利表示平均每单的毛利。成交金额GMV高并不代表平台收益会更大，因此可以分别为移动充电车和维修维保服务车辆的GMV与毛利分配权重。例如，用户使用1次移动充电车，平台可以获得50元的GMV，平台的毛利为5元；而用户使用1次维修维保服务车辆，平台可以获得20元的GMV，平台的毛利为10元。
平台可以通过业务资源倾斜，以获得最大利益。具体方法可以是通过调节资源配置区域内移动充电车和维修维保服务车辆的GMV与毛利的权重，以此确定移动充电车辆和维修维保服务车辆的最优资源配置。
步骤S303，根据每个资源配置区域内所述辅助车辆的数量，确定该资源配置区域所包括的共享汽车停车场中是否配置所述辅助车辆。
在其中一个实施例中，所述辅助车辆包括多个车辆类别的辅助车辆，所述根据每个资源配置区域内所述辅助车辆的数量，确定该资源配置区域所包括的共享汽车停车场中是否配置所述辅助车辆，具体包括：
根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆。
在其中一个实施例中，所述根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆，具体包括：
对每个资源配置区域的每一车辆类别的辅助车辆，根据该资源配置区域中该车辆类别的辅助车辆的调度成本、平均订单量、订单平均成交总额数据建立该资源配置区域中配置辅助车辆的模型，所述模型为：
Figure BDA0002102855390000131
Figure BDA0002102855390000132
xi∈{0,1},i∈M
其中，xi为1则表示在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆，0则表示不在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆；
Figure BDA0002102855390000133
表示第i个共享汽车停车场在预设时间段内的平均订单量；PGMV表示每一订单的订单平均成交总额；uij表示第i个共享汽车停车场和第j个共享汽车停车场之间的距离；vi,k表示第i个共享汽车停车场和第k个辅助车辆调度点之间的距离；C表示每公里的平均调度成本；W1为共享汽车停车场之间调度成本的权重因子；W2表示共享汽车停车场与辅助车辆调度点之间调度成本的权重因子，N表示该资源配置区域配置该车辆类别的辅助车辆的数量，M表示该资源配置区域所包括的共享汽车停车场的数量，K表示该资源配置区域所包括的辅助车辆调度点的数量。
不同车辆类型的辅助车辆的资源配置方式一致。以辅助车辆为移动充电车为例。在上述多个资源配置区域内，统计每个资源配置区域内的移动充电车订单量，每个资源配置区域内包括多个共享汽车停车场，确定相邻停车场之间的距离、停车场与周围的充电桩的距离等数据。基于上述数据，计算每个资源配置区域内移动充电车的平均调度成本(移动充电车从停车场调度到充电桩的成本、相邻停车场之间的调度成本)、平均订单量(如一周的平均订单量)、每一单的平均GMV等。
利用移动充电车的调度成本、平均订单量、订单平均GMV等数据进行建模，以确定是否在某一停车场配置移动充电车辆。
对于移动充电车，上述公式中的辅助车辆调度点为充电桩，vi,k表示第i个共享汽车停车场和第k个充电桩之间的距离。对于维修维保服务车辆，上述公式中的辅助车辆调度点为维修点，vi,k表示第i个共享汽车停车场和第k个维修点之间的距离。
本实施例估算每个资源配置区域的投资收益，以确定不同车辆类别的辅助车辆的最优资源配置方法，并通过对历史调度成本和历史订单量等数据，通过建模，确定是否在资源配置区域的共享汽车停车场中配置辅助车辆。从而使得辅助车辆的配置最优。
如图4所示为本发明最佳实施例的工作流程图，包括：
步骤S401，基于地理数据及浏览数据的聚类分析，划分出资源配置区域。
步骤S402，在资源配置区域中基于历史调度成本、历史订单量、投资收益等数据，确定移动充电车辆和维修维保服务车辆最优资源配置。
其中，步骤S401，具体包括：
1.1获取地理数据及浏览数据。
地理数据包括移动充电车/维修维保服务车辆所在的位置(如经纬度数据)。
用户在app上的任意点击行为都会被记录下来，浏览数据包括用户的驾驶路线数据、经常访问的移动充电车/维修维保服务车辆地理数据、历史交易支付订单(即历史上实际使用移动充电车/维修维保服务车辆)数据。
收集到地理数据和浏览数据后，可以将上述数据上传至服务器，还可以将上述数据自动转化成文本数据，并且利用文本数据进行后续处理。
1.2利用meanshift算法对地理数据进行聚类。
meanshift算法是通过迭代运算在一组数据的密度分布中寻找到局部极值(中心点)。具体地，利用上述地理数据形成一片点集区域。通过迭代计算在这一片区域中质量密度最高的中心点。然后以这个中心点为圆心画出一个圈，将该圈内的数据点作为一类。
1.3利用社交网络发现算法对浏览数据进行聚类。
社交网络发现算法是将满足社交关系数量阈值的多个移动充电车/维修维保服务车辆聚为一类。其中，社交关系数量阈值是人为划定(如，10条)。例如移动充电车与另外12辆移动充电车存在社交关系，则该移动充电车的社交关系数量为12条，且该移动充电车与上述12辆移动充电车可以聚为一类。
浏览数据中移动充电车/维修维保服务车辆之间的社交关系有三类：第一类：用户点击浏览的多个移动充电车/维修维保服务车辆之间可能存在关联，其中，还可以根据关联度设置不同的权重。例如，APP推送移动充电车列表给用户，用户在一个历史阶段，例如一周内，点击浏览了列表中的3个移动充电车，则该3个移动充电车之间可能存在关联。又例如，点击浏览了该3个移动充电车的人数超过100人，则该3个移动充电车之间关联度很高，则该3个移动充电车之间的社交关系权重可以更高或优先级更高。第二类：用户实际使用的多个移动充电车/维修维保服务车辆之间可能存在关联，其中也可以根据关联度设置不同的权重。例如，同一用户对某几个移动充电车/维修维保服务车辆使用次数越多，则该几个移动充电车/维修维保服务车辆之间的社交关系权重可以更高或优先级更高。第三类：用户的驾驶路线和位于该路线上的多个移动充电车/维修维保服务车辆之间可能存在关联。因为不能获得用户所有订单数据，因此可以根据用户驾驶路线推测，用户可能会使用了该驾驶路线上的多个移动充电车/维修维保服务车辆。上述三类社交关系分别设置的权重需满足第二类>第一类>第三类。
1.4对地理数据的聚类结果和浏览数据的聚类结果进行交并集处理，确定多个资源配置区域。
在上述资源配置区域中基于投资收益、历史调度成本、历史订单量等数据，确定移动充电车辆和维修维保服务车辆最优资源配置。
步骤S402，具体包括：
2.1利用Geohash评分估算每个资源配置区域的投资收益，以确定移动充电车辆和维修维保服务车辆的最优资源配置的方法。
首先，分析对移动充电车和维修维保服务车辆需求。
对上述多个资源配置区域内的移动充电车和维修维保服务车辆做独立的Geohash综合分的计算，算法如下：将移动充电车资源配置标准视作维度1，并将其重要程度作为权重分；将维修维保服务车辆资源配置标准视作维度2，并将其重要程度作为权重分；则移动充电车Geohash综合分＝维度1的标准化*权重分；维修维保服务车辆Geohash综合分＝维度2的标准化*权重分；标准化可以使用min-max或者z-score，视具体业务情况选择。
然后，通过调节资源配置区域内移动充电车和维修维保服务车辆的GMV与毛利的权重，计算出使利益最大化的移动充电车辆和维修维保服务车辆的最优资源配置。
分别计算出每个资源配置区域内移动充电车和维修维保服务车辆的各自的估算单量，并利用该估算单量得到每个区域内移动充电车业务和维修维保服务车辆业务的各自成交金额GMV和毛利。其中计算方式为：
估算单量＝Geohash综合分*(日均单量/总Geohash综合分)，其中，日均单量可以是城市日平均单量
GMV＝估算单量*单均GMV
毛利＝估算单量*单均毛利
成交金额GMV高并不代表平台收益会更大，因此可以分别为移动充电车和维修维保服务车辆的GMV与毛利分配权重。例如，用户使用1次移动充电车，平台可以获得50元的GMV，平台的毛利为5元；而用户使用1次维修维保服务车辆，平台可以获得20元的GMV，平台的毛利为10元。
平台可以通过业务资源倾斜，以获得最大利益。具体方法可以是通过调节资源配置区域内移动充电车和维修维保服务车辆的GMV与毛利的权重，以此确定移动充电车辆和维修维保服务车辆的最优资源配置。
2.2基于历史调度成本和历史订单量等数据，通过建模，确定是否在资源配置区域中的各个共享汽车停车场配置移动充电车辆和维修维保服务车辆。
计算移动充电车的资源配置方法和维修维保服务车辆的资源配置方法一致，下面以移动充电车的资源配置方法为例：
在上述多个资源配置区域内，统计每个资源配置区域内的移动充电车订单量，相邻共享汽车停车场之间的距离、共享汽车停车场与周围的充电桩的距离等数据；
基于上述数据，计算每个资源配置区域内移动充电车的平均调度成本(移动充电车从共享汽车停车场调度到充电桩的成本、相邻共享汽车停车场之间的调度成本)、平均订单量(如一周的平均订单量)、每一单的平均GMV等。
利用移动充电车的调度成本、平均订单量、订单平均GMV等数据进行建模，以确定是否配置移动充电车辆
Figure BDA0002102855390000171
Figure BDA0002102855390000172
xi∈{0,1},i∈M
其中，xi为1则表示在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆，0则表示不在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆；
Figure BDA0002102855390000173
表示第i个共享汽车停车场在预设时间段内的平均订单量；PGMV表示每一订单的订单平均成交总额；uij表示第i个共享汽车停车场和第j个共享汽车停车场之间的距离；vi,k表示第i个共享汽车停车场和第k个辅助车辆调度点之间的距离；C表示每公里的平均调度成本；W1为共享汽车停车场之间调度成本的权重因子；W2表示共享汽车停车场与辅助车辆调度点之间调度成本的权重因子，N表示该资源配置区域配置该车辆类别的辅助车辆的数量，M表示该资源配置区域所包括的共享汽车停车场的数量，K表示该资源配置区域所包括的辅助车辆调度点的数量。
实施例四
如图5所示为本发明第四实施例一种共享汽车辅助车辆配置电子设备的硬件结构示意图，包括：
至少一个处理器501；以及，
与所述至少一个处理器501通信连接的存储器502；其中，
所述存储器502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：
基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；
基于历史运营数据，对每个资源配置区域分配所述辅助车辆。
电子设备优选为服务器。图5中以一个处理器502为例。
电子设备还可以包括：输入装置503和输出装置504。
处理器501、存储器502、输入装置503及显示装置504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502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共享汽车辅助车辆配置方法对应的程序指令/模块，例如，图1至图3所示的方法流程。处理器501通过运行存储在存储器502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共享汽车辅助车辆配置方法。
存储器502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共享汽车辅助车辆配置方法的使用所创建的数据等。此外，存储器502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502可选包括相对于处理器501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共享汽车辅助车辆配置方法的装置。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503可接收输入的用户点击，以及产生与共享汽车辅助车辆配置方法的用户设置以及功能控制有关的信号输入。显示装置504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502中，当被所述一个或者多个处理器501运行时，执行上述任意方法实施例中的共享汽车辅助车辆配置方法。
本发明基于地理数据及浏览数据的聚类分析，划分出资源配置区域，在资源配置区域中基于历史运营数据，使得对辅助车辆的配置最优。
实施例五
本发明第五实施例一种共享汽车辅助车辆配置电子设备的硬件结构示意图，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：
获取辅助车辆的地理数据，对辅助车辆的地理数据进行聚类分析，划分出地理数据聚类区域；
获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合；
将地理数据聚类区域与浏览数据聚类车辆集合进行交集处理或并集处理，得到多个资源配置区域；
基于历史运营数据，对每个资源配置区域分配所述辅助车辆。
在其中一个实施例中，所述获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合，具体包括：
获取辅助车辆之间的多个类别的浏览关联行为，每一类别的浏览关联行为对应一预设类别权重；
计算具有浏览关联行为的两个辅助车辆之间的关联值，所述关联值为两个辅助车辆所具有的一个或多个类别的浏览关联行为对应的类别权重的加权值；
如果两个辅助车辆之间的关联值超过预设关系阈值，则判断该两个辅助车辆之间存在社交关系；
将社交关系数量将满足预设社交关系数量阈值的多个辅助车辆聚为同一类浏览数据聚类车辆集合。
在其中一个实施例中，所述获取辅助车辆之间的多个类别的浏览关联行为，具体包括：获取辅助车辆之间的第一类别浏览关联行为、第二类别浏览关联行为、第三类别浏览关联行为中的至少两者，其中：
同一列表中，被同一用户点击浏览的多个辅助车辆判断为具有第一类别浏览关联行为、或者，同一列表中，被超过预设点击阈值数量的用户点击的多个辅助车辆判断为具有第一类别浏览关联行为；
被同一用户实际使用的多个辅助车辆判断为具有第二类别浏览关联行为；
在同一用户的驾驶路线上的多个辅助车辆判断为具有第三类别浏览关联行为。
在其中一个实施例中，所述第二类别浏览关联行为对应的类别权重大于第一类别浏览关联行为对应的类别权重，且/或第一类别浏览关联行为对应的类别权重大于第三类别浏览关联行为对应的类别权重。
本实施例基于地理数据及浏览数据的聚类分析，划分出资源配置区域，通过用户对辅助车辆的浏览数据采用社交网络发现算法来寻找合适的社交关系，使得辅助车辆之间的关联更为符合用户实际需要。
实施例六
本发明第六实施例一种共享汽车辅助车辆配置电子设备的硬件结构示意图，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：
基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；
基于历史运营数据，确定每个资源配置区域内所述辅助车辆的数量；
根据每个资源配置区域内所述辅助车辆的数量，确定该资源配置区域所包括的共享汽车停车场中是否配置所述辅助车辆。
在其中一个实施例中，所述辅助车辆包括多个车辆类别的辅助车辆，所述基于历史运营数据，确定每个资源配置区域内所述辅助车辆的数量，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量。
在其中一个实施例中，所述基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量，具体包括：
对每个资源配置区域，计算该资源配置区域中，每一类辅助车辆的收益值，以使得该资源配置区域中总收益值最大为条件，配置该资源配置区域中辅助车辆每一车辆类别的数量。
在其中一个实施例中，所述辅助车辆包括多个车辆类别的辅助车辆，所述根据每个资源配置区域内所述辅助车辆的数量，确定该资源配置区域所包括的共享汽车停车场中是否配置所述辅助车辆，具体包括：
根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆。
在其中一个实施例中，所述根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆，具体包括：
对每个资源配置区域的每一车辆类别的辅助车辆，根据该资源配置区域中该车辆类别的辅助车辆的调度成本、平均订单量、订单平均成交总额数据建立该资源配置区域中配置辅助车辆的模型，所述模型为：
Figure BDA0002102855390000221
Figure BDA0002102855390000222
xi∈{0,1},i∈M
其中，xi为1则表示在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆，0则表示不在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆；
Figure BDA0002102855390000223
表示第i个共享汽车停车场在预设时间段内的平均订单量；PGMV表示每一订单的订单平均成交总额；uij表示第i个共享汽车停车场和第j个共享汽车停车场之间的距离；vi,k表示第i个共享汽车停车场和第k个辅助车辆调度点之间的距离；C表示每公里的平均调度成本；W1为共享汽车停车场之间调度成本的权重因子；W2表示共享汽车停车场与辅助车辆调度点之间调度成本的权重因子，N表示该资源配置区域配置该车辆类别的辅助车辆的数量，M表示该资源配置区域所包括的共享汽车停车场的数量，K表示该资源配置区域所包括的辅助车辆调度点的数量。
本实施例估算每个资源配置区域的投资收益，以确定不同车辆类别的辅助车辆的最优资源配置方法，并通过对历史调度成本和历史订单量等数据，通过建模，确定是否在资源配置区域的共享汽车停车场中配置辅助车辆。从而使得辅助车辆的配置最优。
实施例七
本发明第七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共享汽车辅助车辆配置方法的所有步骤。
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 (15)

1.一种共享汽车辅助车辆配置方法，其特征在于，包括：
基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；
基于历史运营数据，对每个资源配置区域分配所述辅助车辆；
所述基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域，具体包括：
获取辅助车辆的地理数据，对辅助车辆的地理数据进行聚类分析，划分出地理数据聚类区域；
获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合；
将地理数据聚类区域与浏览数据聚类车辆集合进行交集处理或并集处理，得到多个资源配置区域；
其中，所述获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合，具体包括：
获取辅助车辆之间的多个类别的浏览关联行为，每一类别的浏览关联行为对应一预设类别权重；
计算具有浏览关联行为的两个辅助车辆之间的关联值，所述关联值为两个辅助车辆所具有的一个或多个类别的浏览关联行为对应的类别权重的加权值；
如果两个辅助车辆之间的关联值超过预设关系阈值，则判断该两个辅助车辆之间存在社交关系；
将社交关系数量满足所述预设社交关系数量阈值的多个辅助车辆聚为同一类浏览数据聚类车辆集合。
2.根据权利要求1所述的共享汽车辅助车辆配置方法，其特征在于，所述获取辅助车辆之间的多个类别的浏览关联行为，具体包括：获取辅助车辆之间的第一类别浏览关联行为、第二类别浏览关联行为、第三类别浏览关联行为中的至少两者，其中：
同一列表中，被同一用户点击浏览的多个辅助车辆判断为具有第一类别浏览关联行为、或者，同一列表中，被超过预设点击阈值数量的用户点击的多个辅助车辆判断为具有第一类别浏览关联行为；
被同一用户实际使用的多个辅助车辆判断为具有第二类别浏览关联行为；
在同一用户的驾驶路线上的多个辅助车辆判断为具有第三类别浏览关联行为。
3.根据权利要求2所述的共享汽车辅助车辆配置方法，其特征在于，所述第二类别浏览关联行为对应的类别权重大于第一类别浏览关联行为对应的类别权重，且/或第一类别浏览关联行为对应的类别权重大于第三类别浏览关联行为对应的类别权重。
4.根据权利要求1所述的共享汽车辅助车辆配置方法，其特征在于，所述基于历史运营数据，对每个资源配置区域分配所述辅助车辆，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆的数量；
根据每个资源配置区域内所述辅助车辆的数量，确定该资源配置区域所包括的共享汽车停车场中是否配置所述辅助车辆。
5.根据权利要求4所述的共享汽车辅助车辆配置方法，其特征在于，所述辅助车辆包括多个车辆类别的辅助车辆，所述基于历史运营数据，对每个资源配置区域分配所述辅助车辆，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量；
根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆。
6.根据权利要求5所述的共享汽车辅助车辆配置方法，其特征在于，所述基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量，具体包括：
对每个资源配置区域，计算该资源配置区域中，每一类辅助车辆的收益值，以使得该资源配置区域中总收益值最大为条件，配置该资源配置区域中辅助车辆每一车辆类别的数量。
7.根据权利要求5所述的共享汽车辅助车辆配置方法，其特征在于，所述根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆，具体包括：
对每个资源配置区域的每一车辆类别的辅助车辆，根据该资源配置区域中该车辆类别的辅助车辆的调度成本、平均订单量、订单平均成交总额数据建立该资源配置区域中配置辅助车辆的模型，所述模型为：
Figure 258084DEST_PATH_IMAGE001
其中，
Figure 316169DEST_PATH_IMAGE002
为1则表示在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆，0则表示不在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆；
Figure 17278DEST_PATH_IMAGE003
表示第i个共享汽车停车场在预设时间段内的平均订单量；
Figure 68280DEST_PATH_IMAGE004
表示每一订单的订单平均成交总额；
Figure 275794DEST_PATH_IMAGE005
表示第i个共享汽车停车场和第j个共享汽车停车场之间的距离；
Figure 504782DEST_PATH_IMAGE006
表示第i个共享汽车停车场和第k个辅助车辆调度点之间的距离；C表示每公里的平均调度成本；W1为共享汽车停车场之间调度成本的权重因子；W2表示共享汽车停车场与辅助车辆调度点之间调度成本的权重因子，N表示该资源配置区域配置该车辆类别的辅助车辆的数量，M表示该资源配置区域所包括的共享汽车停车场的数量，K表示该资源配置区域所包括的辅助车辆调度点的数量。
8.一种共享汽车辅助车辆配置电子设备，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：
基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域；
基于历史运营数据，对每个资源配置区域分配所述辅助车辆；
所述基于辅助车辆的地理数据及用户对辅助车辆的浏览数据的聚类分析，划分出多个资源配置区域，具体包括：
获取辅助车辆的地理数据，对辅助车辆的地理数据进行聚类分析，划分出地理数据聚类区域；
获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合；
将地理数据聚类区域与浏览数据聚类车辆集合进行交集处理或并集处理，得到多个资源配置区域；
其中，所述获取用户对辅助车辆的浏览数据，对浏览数据进行聚类分析，划分出浏览数据聚类车辆集合，具体包括：
获取辅助车辆之间的多个类别的浏览关联行为，每一类别的浏览关联行为对应一预设类别权重；
计算具有浏览关联行为的两个辅助车辆之间的关联值，所述关联值为两个辅助车辆所具有的一个或多个类别的浏览关联行为对应的类别权重的加权值；
如果两个辅助车辆之间的关联值超过预设关系阈值，则判断该两个辅助车辆之间存在社交关系；
将社交关系数量满足所述预设社交关系数量阈值的多个辅助车辆聚为同一类浏览数据聚类车辆集合。
9.根据权利要求8所述的共享汽车辅助车辆配置电子设备，其特征在于，所述获取辅助车辆之间的多个类别的浏览关联行为，具体包括：获取辅助车辆之间的第一类别浏览关联行为、第二类别浏览关联行为、第三类别浏览关联行为中的至少两者，其中：
同一列表中，被同一用户点击浏览的多个辅助车辆判断为具有第一类别浏览关联行为、或者，同一列表中，被超过预设点击阈值数量的用户点击的多个辅助车辆判断为具有第一类别浏览关联行为；
被同一用户实际使用的多个辅助车辆判断为具有第二类别浏览关联行为；
在同一用户的驾驶路线上的多个辅助车辆判断为具有第三类别浏览关联行为。
10.根据权利要求9所述的共享汽车辅助车辆配置电子设备，其特征在于，所述第二类别浏览关联行为对应的类别权重大于第一类别浏览关联行为对应的类别权重，且/或第一类别浏览关联行为对应的类别权重大于第三类别浏览关联行为对应的类别权重。
11.根据权利要求8所述的共享汽车辅助车辆配置电子设备，其特征在于，所述基于历史运营数据，对每个资源配置区域分配所述辅助车辆，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆的数量；
根据每个资源配置区域内所述辅助车辆的数量，确定该资源配置区域所包括的共享汽车停车场中是否配置所述辅助车辆。
12.根据权利要求11所述的共享汽车辅助车辆配置电子设备，其特征在于，所述辅助车辆包括多个车辆类别的辅助车辆，所述基于历史运营数据，对每个资源配置区域分配所述辅助车辆，具体包括：
基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量；
根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆。
13.根据权利要求12所述的共享汽车辅助车辆配置电子设备，其特征在于，所述基于历史运营数据，确定每个资源配置区域内所述辅助车辆每一车辆类别的数量，具体包括：
对每个资源配置区域，计算该资源配置区域中，每一类辅助车辆的收益值，以使得该资源配置区域中总收益值最大为条件，配置该资源配置区域中辅助车辆每一车辆类别的数量。
14.根据权利要求12所述的共享汽车辅助车辆配置电子设备，其特征在于，所述根据每个资源配置区域内所述辅助车辆每一车辆类别的数量，对于每一车辆类别，确定该资源配置区域所包括的共享汽车停车场中是否配置该类辅助车辆，具体包括：
对每个资源配置区域的每一车辆类别的辅助车辆，根据该资源配置区域中该车辆类别的辅助车辆的调度成本、平均订单量、订单平均成交总额数据建立该资源配置区域中配置辅助车辆的模型，所述模型为：
Figure 427607DEST_PATH_IMAGE007
其中，
Figure 485562DEST_PATH_IMAGE002
为1则表示在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆，0则表示不在该资源配置区域的第i个共享汽车共享汽车停车场配置辅助车辆；
Figure 279074DEST_PATH_IMAGE003
表示第i个共享汽车停车场在预设时间段内的平均订单量；
Figure 919441DEST_PATH_IMAGE004
表示每一订单的订单平均成交总额；
Figure 595142DEST_PATH_IMAGE005
表示第i个共享汽车停车场和第j个共享汽车停车场之间的距离；
Figure 269837DEST_PATH_IMAGE006
表示第i个共享汽车停车场和第k个辅助车辆调度点之间的距离；C表示每公里的平均调度成本；W1为共享汽车停车场之间调度成本的权重因子；W2表示共享汽车停车场与辅助车辆调度点之间调度成本的权重因子，N表示该资源配置区域配置该车辆类别的辅助车辆的数量，M表示该资源配置区域所包括的共享汽车停车场的数量，K表示该资源配置区域所包括的辅助车辆调度点的数量。
15.一种存储介质，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1～7任一项所述的共享汽车辅助车辆配置方法的所有步骤。
CN201910542045.4A 2019-06-21 2019-06-21 共享汽车辅助车辆配置方法、电子设备及存储介质 Active CN111833595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910542045.4A CN111833595B (zh) 2019-06-21 2019-06-21 共享汽车辅助车辆配置方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910542045.4A CN111833595B (zh) 2019-06-21 2019-06-21 共享汽车辅助车辆配置方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111833595A CN111833595A (zh) 2020-10-27
CN111833595B true CN111833595B (zh) 2022-03-22

Family

ID=72911630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910542045.4A Active CN111833595B (zh) 2019-06-21 2019-06-21 共享汽车辅助车辆配置方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111833595B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159883B (zh) * 2021-03-23 2023-12-01 深圳前海联动云软件科技有限公司 一种汽车租赁动态库存管理方法及系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147979A (zh) * 2010-02-09 2011-08-10 厦门雅迅网络股份有限公司 一种快速定位车辆所属区域的方法
US20140340241A1 (en) * 2011-09-14 2014-11-20 Smart Ship Holdings Limited Allocating an area to a vehicle
US9697730B2 (en) * 2015-01-30 2017-07-04 Nissan North America, Inc. Spatial clustering of vehicle probe data
EP3307596B1 (en) * 2015-06-15 2019-08-21 Volvo Bus Corporation Adapting a vehicle control strategy based on historical data related to a geographical zone
JP6583178B2 (ja) * 2016-07-27 2019-10-02 株式会社デンソー カーシェアリングサービスの運用システム
CN106372776A (zh) * 2016-08-19 2017-02-01 北京恒天易开科技股份有限公司 电动汽车租赁行业无人值守租赁点车辆调度系统及其方法
CN106887887B (zh) * 2017-03-14 2020-07-24 南京邮电大学 一种无线可充电传感网中移动充电车调度方法
CN108416513B (zh) * 2018-02-12 2021-02-19 杭州电子科技大学 一种基于混合启发式算法的公共自行车动态调度方法
CN109087176A (zh) * 2018-08-15 2018-12-25 北京元链科技有限公司 一种基于区块链技术的共享单车使用记录系统
CN109492927A (zh) * 2018-11-22 2019-03-19 上海电机学院 充电桩智能调度管理方法
CN109784533A (zh) * 2018-12-13 2019-05-21 中国电力科学研究院有限公司 一种区域能源互联网优化配置方法及系统
CN109615253A (zh) * 2018-12-17 2019-04-12 北京智行者科技有限公司 一种充电车辆管理决策方法
CN109903125A (zh) * 2019-01-28 2019-06-18 东南大学 基于od数据的共享单车借还与停放时空分布可视化方法

Also Published As

Publication number Publication date
CN111833595A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
US11386359B2 (en) Systems and methods for managing a vehicle sharing facility
JP6414760B2 (ja) 電力需要予測装置、電力供給システム、及び電力需要予測方法
DE102013202059B4 (de) LADEINFRASTRUKTUR FÜR ELEKTROFAHRZEUGE (EVs) MIT OPTIMALER STANDORTWAHL FÜR LADESTATIONEN
US11392861B2 (en) Systems and methods for managing a vehicle sharing facility
US10692028B2 (en) Optimal demand-based allocation
CN106529711B (zh) 用户行为预测方法及装置
KR20190020852A (ko) 운송 능력 스케줄링을 위한 방법들 및 시스템들
US20200160251A1 (en) Adaptive Dispatching Engine For Advanced Taxi Management
US20200210905A1 (en) Systems and Methods for Managing Networked Vehicle Resources
US20180012164A1 (en) Method of planning for deployment of facilities and apparatus associated therewith
CN111428137B (zh) 一种电动汽车充电设施的推荐方法及推荐装置
US20160248914A1 (en) Telephone Call Placement
CN110704731B (zh) 一种充电桩链式推荐方法和装置
US20210201214A1 (en) System and method for recommending bidding bundle options in bidding-based ridesharing
CN109978241B (zh) 一种电动汽车充电负荷的确定方法及装置
CN111833595B (zh) 共享汽车辅助车辆配置方法、电子设备及存储介质
CN110826943B (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
CN111327661A (zh) 推送方法、推送装置、服务器和计算机可读存储介质
CN111798283A (zh) 订单派发方法、装置、电子设备及计算机可读存储介质
CN115423360A (zh) 公共充电站规划方法及其装置
CN114141043B (zh) 一种基于大数据的自动代客泊车需求预测方法和装置
WO2019145960A1 (en) System and method for optimizing deliveries allocation for a fleet of vehicles
US20210192404A1 (en) Cumulative surged ride value calculation on a ridesharing platform
CN114861962A (zh) 网约车供需信息输出方法、装置，以及电子设备
CN115688950A (zh) 一种基于二元Logistics回归的出租车司机决策方法

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