CN111914940B - 一种共享车辆站点分群聚类方法、系统、装置及存储介质 - Google Patents

一种共享车辆站点分群聚类方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN111914940B
CN111914940B CN202010800397.8A CN202010800397A CN111914940B CN 111914940 B CN111914940 B CN 111914940B CN 202010800397 A CN202010800397 A CN 202010800397A CN 111914940 B CN111914940 B CN 111914940B
Authority
CN
China
Prior art keywords
similarity
unlocking
order
station
user
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
CN202010800397.8A
Other languages
English (en)
Other versions
CN111914940A (zh
Inventor
杨磊
杨瑞飞
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.)
Shanghai Junzheng Network Technology Co Ltd
Original Assignee
Shanghai Junzheng Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Junzheng Network Technology Co Ltd filed Critical Shanghai Junzheng Network Technology Co Ltd
Priority to CN202010800397.8A priority Critical patent/CN111914940B/zh
Publication of CN111914940A publication Critical patent/CN111914940A/zh
Application granted granted Critical
Publication of CN111914940B publication Critical patent/CN111914940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种共享车辆站点分群聚类方法和系统，包括：确定种子站点，并建立以种子站点为中心的站点组；根据与种子站点之间的路面距离，划定一个或多个一阶潜在能聚站点，其中，一阶潜在能聚站点与种子站点之间的路面距离不超过第一距离阈值；以及根据与种子站点的相似度，从一个或多个一阶潜在能聚站点中确定一个或多个一阶能聚站点，并将一阶能聚站点加入站点组，其中，一阶能聚站点与种子站点的相似度不低于第一相似度阈值。通过将能聚站点与种子站点一起组成一个站点组，然后基于站点组进行管理，能够有效地降低管理难度，提升管理效率，并且还不会显著地降低用户使用的便利性。

Description

一种共享车辆站点分群聚类方法、系统、装置及存储介质
技术领域
本发明涉及共享单车、共享助力车、共享汽车等共享出行领域以及智能调度领域。
背景技术
在共享单车或共享助力车等共享出行领域，为了给用户提供便捷的服务，用户可以在共享服务提供商限定的运营范围内，在任意起点取车，任意起点还车。这是共享单车相当于过去城市有桩停车的主要进步，极大的方便了用户的出行。
但是，用户的骑行起终点都是较随机的时候，车辆分布较难控制，为后续的调度和换电等运维工作带来了挑战。所以，各大共享出行服务供应商都提出了虚拟站点的概念，要求用户停车到虚拟的站点附近。但是，为了兼顾用户的体验，通常一个城市范围内有成千上万的站点。站点多，则车辆分布散；站点少，则用户体验差。当前，为照顾用户体验，主流决策都是为用户准备足够充足的站点。
因此，本领域的技术人员致力于开发一种基于路面距离、路网数据、需求人群相似度的站点分群聚类方法，以有效地缓解用户体验和实际车辆运维工作之间的冲突。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何有效地在用户体验和实际车辆运维工作之间进行平衡，使得在尽量在保持用户体验的情况下提升运维工作的效率。
为实现上述目的，一方面，本发明提供了一种共享车辆站点分群聚类方法，包括：确定种子站点，并建立以种子站点为中心的站点组；根据与种子站点之间的路面距离，划定一个或多个一阶潜在能聚站点，其中，一阶潜在能聚站点与种子站点之间的路面距离不超过第一距离阈值；以及根据与种子站点的相似度，从一个或多个一阶潜在能聚站点中确定一个或多个一阶能聚站点，并将一阶能聚站点加入站点组，其中，一阶能聚站点与种子站点的相似度不低于第一相似度阈值。
在一些实施例中，可选的，根据与种子站点之间的路面距离，划定一个或多个二阶潜在能聚站点，其中，二阶潜在能聚站点与种子站点之间的路面距离不超过第二距离阈值，第二距离阈值大于第一距离阈值；以及根据与一阶能聚站点的相似度，从一个或多个二阶潜在能聚站点中确定一个或多个二阶能聚站点，并将二阶能聚站点加入站点组，其中，二阶能聚站点与一阶能聚站点的相似度不低于第二相似度阈值。
在一些实施例中，可选的，根据历史数据确定种子站点，其中，历史数据包括以下一种或多种数据：历史订单数据、总订单量、总开锁次数、设定时间范围内的订单量、设定时间范围内的开锁次数。
在一些实施例中，可选的，路面距离为沿地图上所指示的不违反交通规则而正常行进的路线长度。
在一些实施例中，可选的，相似度包括：
(i)O开锁用户集∩A开锁用户集/A开锁用户集，为AO开锁用户相似度；
(ii)O关锁用户集∩A关锁用户集/A关锁用户集，为AO关锁用户相似度；
(iii)O开锁用户集∩A开锁用户集/O开锁用户集，为OA开锁用户相似度；
(iv)O关锁用户集∩A关锁用户集/O关锁用户集，为OA关锁用户相似度；
其中，O和A分别表示两个站点，O开锁用户集表示在O站点开锁的用户的集合，A开锁用户集表示在A站点开锁的用户的集合，O关锁用户集表示在O站点关锁的用户的集合，A关锁用户集表示在A站点关锁的用户的集合。
在一些实施例中，可选的，将AO开锁用户相似度、AO关锁用户相似度、OA开锁用户相似度、OA关锁用户相似度中的最高值作为O和A两个站点之间相似度的取值。
另一方面，本发明还提供一种共享车辆站点分群聚类系统，包括站点组，站点组包括：种子站点；一阶能聚站点，一阶能聚站点与种子站点之间的路面距离不超过第一距离阈值，以及一阶能聚站点与种子站点的相似度不低于第一相似度阈值。
在一些实施例中，可选的，站点组还包括：二阶能聚站点，二阶能聚站点与种子站点之间的路面距离不超过第二距离阈值，以及二阶能聚站点与一阶能聚站点的相似度不低于第二相似度阈值；其中，第二距离阈值大于第一距离阈值。
在一些实施例中，可选的，相似度包括：
(i)O开锁用户集∩A开锁用户集/A开锁用户集，为AO开锁用户相似度；
(ii)O关锁用户集∩A关锁用户集/A关锁用户集，为AO关锁用户相似度；
(iii)O开锁用户集∩A开锁用户集/O开锁用户集，为OA开锁用户相似度；
(iv)O关锁用户集∩A关锁用户集/O关锁用户集，为OA关锁用户相似度；
其中，O和A分别表示两个站点，O开锁用户集表示在O站点开锁的用户的集合，A开锁用户集表示在A站点开锁的用户的集合，O关锁用户集表示在O站点关锁的用户的集合，A关锁用户集表示在A站点关锁的用户的集合。
在一些实施例中，可选的，O和A两个站点之间相似度的取值为AO开锁用户相似度、AO关锁用户相似度、OA开锁用户相似度、OA关锁用户相似度中的最高值。
另一方面，本发明还提供了一种共享车辆站点分群聚类装置，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，处理器被配置为能够在执行计算机程序时实现上述的共享车辆站点分群聚类方法的步骤。
另一方面，本发明还提供了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，计算机程序被处理器执行时能够实现上述的共享车辆站点分群聚类方法的步骤。
本发明提供的方法和系统至少具有以下技术效果：
(1)以站点组的形式管理车辆，大大的减小管理的难度和成本。
(2)站点组内的用户需求分布相对稳定，有利于更准确的供需预测。(同一用户，从相邻两个站点取车可能存在一定的偏好，但是若A站点无车的情况下，B站点取车也能同样满足需求。)
(3)调度类任务，若单站点缺口较少，不利于线下执行，站点组缺口汇总后，集中任务派发，减小执行难度。
(4)换电类任务，如果每个站点换电车辆较少，派发给司机，执行难度较大，集中对站点组派发任务，有利于执行。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明中共享车辆站点分群聚类方法的一个较佳实施例的步骤示意图。
图2是本发明中共享车辆站点分群聚类方法的一个较佳实施例的步骤示意图。
图3是本发明中共享车辆站点分群聚类方法的一个较佳实施例的示意图。
图4是本发明中计算机装置、设备或终端的一个较佳实施例的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
为了便于描述，附图中所表示的各个模块或部分之间的连接关系仅为示例性的描述，本领域技术人员完全可以采用其他等效的连接关系，只要在这样的连接关系下各个模块或部分也同样能够实现本申请的技术方案的功能即可。本申请所公开的实施例可以按照不同的等效的连接关系设置，所以附图及其说明书的相关内容中所表示的连接关系只是作为说明而不应视作为限制。
本申请中所使用的单数形式的“一种”、“所述”和“该”等描述旨在同时包括单数或多数的形式，除非上下文清楚地表示其它含义。“多种”或“多个”等一般包含至少两种或至少两个。本申请中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、同时存在A和B、单独存在B这三种情况。另外，本申请中字符“/”，一般表示前后关联对象是一种“或”的关系。
为了阐释的目的而描述了本发明的一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。
图1是本发明中共享车辆站点分群聚类方法的一个较佳实施例的步骤示意图。如图1所示，共享车辆站点分群取类方法可以包括以下步骤：
步骤S110，由服务器确定种子站点，建立站点组。以种子站点为中心建立站点组，由站点组替代单一的站点，在管理、运维、调度时以站点组为单位进行处理。服务器可以是统一负责任务管理的服务器、平台或系统。
在一些实施例中，可以根据历史数据确定种子站点。历史数据可以包括以下一种或多种数据：历史订单数据、总订单量、总开锁次数、设定时间范围内的订单量、设定时间范围内的开锁次数。
在一些实施例中，可以基于历史订单数据，获取若干核心场景或者单量较大的POI，如公交站、地铁站、小区出口、商场门口、办公楼附近街道，或者其他单量较多已有站点(如日均订单>20)。POI是“Point of Information”的缩写，中文可以翻译为“信息点”。每个POI可以包含四方面信息，名称、类别、坐标、分类。在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等，在本申请中可以是一个用于停放共享车辆的站点，例如：在人行道上的某个区域用黄线划出的一个区域。取得以上poi附近单量最高的站点，作为种子点O。
在一些实施例中，可以根据最近一段时间内的总订单量或开锁次数来确定种子站点。例如：最近一周、最近两周、最近一个月等。
选取的时间长度越短，例如最近1-5天，则得到的数据或结果波动会越大，并且由于共享车辆停放或使用的频次具有一定的周期性，例如：工作日的数据和周末的数据可能差异较大，因此选取的时间不能过短，不少于一周为宜，从而能够提升数据统计和分析结果的稳定性或可预测性。
选取的时间长度越长，则得到的数据或结果波动会越小，趋于稳定，但由于共享车辆停放或使用的情况也会受到季节、天气或重大社会事件的影响，例如：冬天较冷时外出的人流量会减少，共享车辆的使用频次也会减少；在梅雨季节，共享车辆的使用频次也会减少；疫情期间，共享车辆的使用频次也会减少。因此选取的时间也不能过长，不多于一个月为宜，以减少季节、天气的变化或重大社会事件产生的影响。
在一些实施例中，可以选取最近7-30天的时间长度来统计历史数据，优选30天。
步骤S120，由服务器划定一阶潜在能聚站点。根据与种子站点之间的路面距离，划定一个或多个一阶潜在能聚站点。其中，一阶潜在能聚站点与种子站点之间的路面距离不超过第一距离阈值。路面距离为沿地图上所指示的不违反交通规则而正常行进的路线长度。
在一些实施例中，取种子点附近路面距离一定范围内(例如50米或100米)站点作为一阶潜在能聚站点，例如A、B、C。可以根据路网数据，判断O分别到A、B、C是否需要穿过马路或者非直接可达。若需要横穿马路或无法直接可达，则在候选集中删除。在此可以通过在地图上标注O、A、B、C等站点，然后调用路线规划或类似的算法来测算得到O点分别到A、B、C之间的路面距离及相应的路线情况。
步骤S130，由服务器确定一阶能聚站点，加入站点组。根据与种子站点的相似度，从一个或多个一阶潜在能聚站点中确定一个或多个一阶能聚站点，并将一阶能聚站点加入站点组。其中，一阶能聚站点与种子站点的相似度不低于第一相似度阈值。
对于O和A两个站点来说，这两个站点之间的相似度可以包括：
(i)O开锁用户集∩A开锁用户集/A开锁用户集，为AO开锁用户相似度；
(ii)O关锁用户集∩A关锁用户集/A关锁用户集，为AO关锁用户相似度；
(iii)O开锁用户集∩A开锁用户集/O开锁用户集，为OA开锁用户相似度；
(iv)O关锁用户集∩A关锁用户集/O关锁用户集，为OA关锁用户相似度；
其中，O和A分别表示两个站点，O开锁用户集表示在O站点开锁的用户的集合，A开锁用户集表示在A站点开锁的用户的集合，O关锁用户集表示在O站点关锁的用户的集合，A关锁用户集表示在A站点关锁的用户的集合。
在一些实施例中，可以将AO开锁用户相似度、AO关锁用户相似度、OA开锁用户相似度、OA关锁用户相似度中的最高值作为O和A两个站点之间相似度的取值，即这四个相似度中有一个或者多个超过设定阈值(例如50％)，则判定A站点和O站点是同一分组站点，亦即AO能聚。B，C类似。在其他的一些实施例中，也可以根据需要，进一步通过对这四个相似度进行其他方式的计算而得到相应的判断依据。
相似度代表了用户群体的重合程度。两个站点的相似度高，说明有较多相同的用户会在这两个站点停放或取用共享车辆，也就是说，对于经常在该区域活动的同一个用户来说，在这两个站点停放或取用共享车辆区别不大，其中一个站点没有车时还可以到另一个站点去取车，这两个车站可以互相替换。两个站点的相似度低，说明在这两个站点停放或取用共享车辆的用户更多的是不同用户，也就是说，对于经常在该区域活动的同一个用户来说，在这两个站点停放或取用共享车辆的区别较大，即使其中一个站点没有车时也不太会到另一个站点去取车，这两个站点难以互相替换。
因此，可以基于相似度的高低来将不同的站点进行分群聚类，将相似度较高的站点加入到同一个站点组中统一管理、运维或调度，使得站点组内的用户需求分布相对稳定，有利于更准确的供需预测，既减少了所需要管理的节点数，提高了管理效率，也不会明显降低用户使用共享车辆便利性和用户体验。在一些实施例中，相似度阈值可以设为20％-50％，优选50％，50％即代表两个站点之间有一半的用户是相同的。
相似度阈值可以是预先设定的值，也可以根据不同的情况预先进行调整或者动态进行调整。在一些实施例中，当站点分布的密度或者车辆分布的密度较低时，若相似度阈值过高，则可能难以找到能聚站点，则可以相应地调低相似度阈值；当站点分布的密度或者车辆分布的密度较高时，若相似度阈值过低，则可能会找到过多的能聚站点，则可以相应地调高相似度阈值。
服务器将一阶能聚站点加入到种子站点的站点组中，然后以站点组的方式统一管理种子站点及其相应的一个或多个一阶能聚站点。在一些实施例中，可以在原有的管理体系中直接由站点组来替代单独的站点，而不再管理具体的单独站点。如果有某个单独的站点无法与其他任何一个站点形成站点组，那就将建立一个只包含该单独站点的站点组，即作为一个只包含一个站点的站点组来进行管理。在另一些实施例中，也可以在由站点组替代站点的基础上，进一步通过站点组对所属的站点进行更细分的管理。
图2是本发明中共享车辆站点分群聚类方法的一个较佳实施例的步骤示意图。如图2所示，共享车辆站点分群取类方法可以包括以下步骤：
步骤S210，由服务器确定种子站点，建立站点组。以种子站点为中心建立站点组，由站点组替代单一的站点，在管理、运维、调度时以站点组为单位进行处理。服务器可以是统一的任务管理的服务器、平台或系统。
在一些实施例中，可以根据历史数据确定种子站点。历史数据可以包括以下一种或多种数据：历史订单数据、总订单量、总开锁次数、设定时间范围内的订单量、设定时间范围内的开锁次数。
步骤S220，由服务器划定一阶潜在能聚站点。根据与种子站点之间的路面距离，划定一个或多个一阶潜在能聚站点。其中，一阶潜在能聚站点与种子站点之间的路面距离不超过第一距离阈值。路面距离为沿地图上所指示的不违反交通规则而正常行进的路线长度。
步骤S230，由服务器确定一阶能聚站点，加入站点组。根据与种子站点的相似度，从一个或多个一阶潜在能聚站点中确定一个或多个一阶能聚站点，并将一阶能聚站点加入站点组。其中，一阶能聚站点与种子站点的相似度不低于第一相似度阈值。
在图2的实施例中，步骤S210、步骤S220、步骤S230分别与图1的实施例中的步骤S110、步骤S120、步骤S130类似。
步骤S240，由服务器划定二阶潜在能聚站点。根据与种子站点之间的路面距离，划定一个或多个二阶潜在能聚站点。其中，二阶潜在能聚站点与种子站点之间的路面距离不超过第二距离阈值，第二距离阈值大于第一距离阈值。
在一些实施例中，可以通过与划定一阶潜在能聚站点类似的方式来划定二阶潜在能聚站点，二阶潜在能聚站点相对于一阶潜在能聚站点来说，距离种子站点的路面距离更远，范围更大。
第一距离阈值和第二距离阈值，代表了与种子站点之间的最远路面距离，通常可以认为是当用户在种子站点找不到共享车辆时，需要行走多远的距离能够到达下一个站点取车。这个距离越近越好，在视线能及的范围内为宜，越远则越不方便。在一些实施例中，可以设置第一距离阈值为50米，第二距离阈值为100米；或者可以设置第一距离阈值为100米，第二距离阈值为150米或200米。
步骤S250，由服务器确定二阶能聚站点，加入站点组。根据与一阶能聚站点的相似度，从一个或多个二阶潜在能聚站点中确定一个或多个二阶能聚站点，并将二阶能聚站点加入站点组。其中，二阶能聚站点与一阶能聚站点的相似度不低于第二相似度阈值。
在一些实施例中，若AO能聚，即A为O的一阶能聚站点，则以A为新一轮种子点找到A的所有候选能聚站点，即二阶潜在能聚站点，例如D、E、F。如果D、E、F距离原始种子点O的路面距离小于一定范围(例如100米或200米)，则将D、E、F作为O站点的二阶能聚站点。
在一些实施例中，可以通过与确定一阶能聚站点类似的方式来确定二阶能聚站点。对于D点来说，可以采用与上述类似的方式计算OD之间的相似度，可以包括DO开锁用户相似度、DO关锁用户相似度、OD开锁用户相似度、OD关锁用户相似度，并取其中的最高值或者通过其他运算方式得到的值作为O和D两个站点之间相似度，然后再与第二相似度阈值比较来确定D点是否为二阶能聚站点。
第二相似度阈值可以大于、等于或小于第一相似度阈值，例如可以设置为20-50％，优选50％。
在一些实施例中，还可以进一步计算D点与一阶能聚站点A点之间的相似度，可以包括DA开锁用户相似度、DA关锁用户相似度、AD开锁用户相似度、AD关锁用户相似度，从而得出AD之间的相似度。然后综合考虑OD之间的相似度和AD之间的相似度，来确定D点是否为二阶能聚站点。在综合考虑的过程中，OD之间的相似度的重要性或权重可以大于AD之间的相似度，即更侧重于考虑与种子站点之间的用户群体重合程度。
服务器将二阶能聚站点也加入到种子站点的站点组中，然后以站点组的方式统一管理种子站点及其相应的一个或多个一阶能聚站点和二阶能聚站点。
采用类似的方式，还可以进一点得到三阶或更多阶的能聚站点，但由于每多增加一阶，这些站点与种子站点之间的路面距离就越远，用户在这些站点之间取用或停放共享车辆就越不方便，因此阶数不宜过多。同时，阶数越多，距离种子站点越远，与种子站点之间的相似度就会越低，通过合理地设定相似度阈值，就可以控制阶数。例如，当设定相似度阈值为50％时，得到三阶能聚站点的可能性就较小。
通过将包括一阶能聚站点和二阶能聚站点在内的能聚站点与种子站点一起组成一个站点组，然后基于站点组进行管理，能够有效地降低管理难度，提升管理效率，并且还不会显著地降低用户使用的便利性。
在对共享车辆进行管理的过程中，经常需要对用户需求进行预测，例如对于某个站点来说，投放多少车辆能够满足需求。对于单一的站点，用户需求的波动可能较大，难以较为准确地进行预测。而对于一个包含多个站点的站点组来说，用户需求在整体上就会相对稳定，预测也会更为准确。
具体地说，同一用户，从相邻两个站点取车可能存在一定的偏好，比如更喜欢从A点取车而不太喜欢从B点取车，但如果当A点没有车的情况下，从B点取车也同样可以满足需求。因此，对于A和B两个站点单独来说，其用户需求可能不太稳定，受各种因素干扰较大。而将A和B做一个整体的站点组来说，其用户需求就会更为稳定，不论是从A点还是从B点取车，对于站点组来说是一样的。
对于调度类任务来说，需要监控各个站点的车辆情况，如果发现某个站点车辆不足，就需要从其他站点调度车辆过来；如果发现某个站点车辆过剩，也需要将多余的车辆向其他站点调度。对于单个的站点来说，可能一个站点本身的车辆就不多，其产生的缺口也较少，比如和该站点的预测值相比可能只缺少1-2辆车，经常还会得出非整数的缺口数值，例如缺少1.5辆车。这样，要对该站点进行调度，成本较高、效率较低、难度也较大，不利于在线下执行。通过站点组来进行预测和调度，将站点组内各个站点的缺口汇总后，集中任务派发，能够降低成本、提升效率，减小执行难度。
对于换电类任务来说，需要识别具体是哪辆车的电量不足需要更换电池。如果对于单个站点进行管理，则需要将该车辆所在的站点及其位置派发给司机或其他相关工作人员。由于单个站点数量较大，派发的任务量较大，而每个任务中需要换电的车辆数较小，任务管理的数据量及管理难度都相对较大。并且单个站点分布较为密集，定位可能不会很准确，定位误差较大，会增加换电的司机或工作人员实际执行时的难度，比如不易识别或确认某个单独的站点。以站点组的形式集中派发任务，任务总的数量会降低，每个任务中需要换电的车辆数增加，任务管理的数据量及管理难度都相对较小。并且对于站点组来说，由于是一个区域，因此定位误差也会比较小。
图3是本发明中共享车辆站点分群聚类方法的一个较佳实施例的示意图，用一个具体的例子示例性示出了共享车辆站点分群聚类的方法。
如图3所示，为地图上的一个区域，其中的深色矩形方框表示站点，例如：路边人行道上、小区门口或者公交车站旁边的某个区域。亿嘉丽都是一个小区，金茂领秀城是另一个小区，这两个小区之间是一条主干道。站点A、O、B分布在靠近亿嘉丽都小区一侧的路边，站点C、F分布在靠近金茂领秀城小区一侧的路边，站点D位于亿嘉丽都小区西侧的小路上，站点E位于亿嘉丽都一侧经过小路口的公交车站旁边。
通过最近一段时间历史数据的统计分析，站点O的订单量最高，确定站点O为种子站点，可能是由于站点O位于亿嘉丽都小区的大门处。
通过上述的方法，确定站点A和B是种子站点O的一阶能聚站点，从而A、B可以与O能聚，可能是由于站点O、A、B之间的路面距离较短，其用户群可能都主要同样是亿嘉丽都小区的用户，相似度较高。
进一步可以确定站点D是种子站点O的二阶能聚站点，从而D也与O能聚，与O、A、B共同组成一个站点组。这可能是由于站点D与O之间的路面距离也不长，例如站点D可以位于亿嘉丽都小区的侧门处，其用户群可能也都主要同样是亿嘉丽都小区的用户，相似度较高。
通过上述的方法，确定站点E也不是种子站点O的能聚站点。虽然站点E与种子站点O位于马路的同一侧，其之间的路面距离也不长，但由于站点E位于公交车站旁边，站点E的用户群体可能主要是乘坐公交车或者在该公交车站下车的用户，可能与亿嘉丽都小区的用户重合度较低，即相似度较低，因此与种子站点O不属于同一个站点组。
而站点C和F也不是种子站点O的能聚站点。虽然站点C和F从地图上看起来与种子站点O之间的直线距离很短，但由于与种子站点O分别位于马路的两侧，在不能横穿马路的情况下，其与种子站点O之间的路面距离较大，例如：可能需要绕到下一个路口才能过马路。此外，站点C和F的用户可能主要是金茂领秀城小区的用户，其用户群体与种子站点O重合度较低，即相似度较低。因此，站点C和F无法和种子站点O能聚，不属于同一个站点组。
本发明还提供一种共享车辆站点分群聚类系统，包括站点组，站点组可以包括种子站点和一阶能聚站点。一阶能聚站点与种子站点之间的路面距离不超过第一距离阈值，以及一阶能聚站点与种子站点的相似度不低于第一相似度阈值。
站点组还可以包括二阶能聚站点，二阶能聚站点与种子站点之间的路面距离不超过第二距离阈值，以及二阶能聚站点与一阶能聚站点的相似度不低于第二相似度阈值；其中，第二距离阈值大于第一距离阈值。
在一些实施例中，相似度可以包括：
(i)O开锁用户集∩A开锁用户集/A开锁用户集，为AO开锁用户相似度；
(ii)O关锁用户集∩A关锁用户集/A关锁用户集，为AO关锁用户相似度；
(iii)O开锁用户集∩A开锁用户集/O开锁用户集，为OA开锁用户相似度；
(iv)O关锁用户集∩A关锁用户集/O关锁用户集，为OA关锁用户相似度；
其中，O和A分别表示两个站点，O开锁用户集表示在O站点开锁的用户的集合，A开锁用户集表示在A站点开锁的用户的集合，O关锁用户集表示在O站点关锁的用户的集合，A关锁用户集表示在A站点关锁的用户的集合。
在一些实施例中，O和A两个站点之间相似度的取值为AO开锁用户相似度、AO关锁用户相似度、OA开锁用户相似度、OA关锁用户相似度中的最高值。
在一些实施例中，本发明还提供一种共享车辆站点分群聚类方法，包括以下步骤：
(1)基于历史订单数据，获取若干核心场景或者单量较大的POI，如公交站、地铁站、小区出口、商场门口、办公楼附近街道，或者其他单量较多已有站点(如日均订单>20)。
(2)取得以上poi附近单量最高的站点，作为种子点O，取种子点附近路面距离一定范围内(例如100米)站点作为潜在能聚站点，例如A，B，C。
(3)根据路网数据，判断O到A，B，C是否需要穿过马路或者非直接可达。若是，则在候选集中删除。
(4)获取O，A，B，C过去30天内的开关锁用户集合：
(i)O开锁用户集∩A开锁用户集/A开锁用户集，为AO开锁用户相似度；
(ii)O关锁用户集∩A关锁用户集/A关锁用户集，为AO关锁用户相似度；
(5)AO开锁用户相似度，AO关锁用户相似度，OA开锁用户相似度，OA关锁用户相似度，中一个或者多个超过设定阈值(例如50％)，则判定A站点和O站点是同一分组站点。亦即AO能聚。B，C类似。
(6)若AO能聚，则以A为新一轮种子点找到A的所有候选能聚站点，例如DEF，如果D、E、F距离原始种子点路面距离小于一定范围(例如200米)，则DEF作为O站点的二阶能聚站点。
(7)O站点的所有能聚站点和二阶能聚站点组成O站点为中心点的站点组。
本发明提供的共享车辆站点分群聚类方法以及系统，通过基于路面距离、路网数据、需求人群相似度的站点分群聚类方法，相对于现有技术能够产生以下有益的技术效果：
(1)以站点组的形式管理车辆，大大的减小管理的难度和成本。
(2)站点组内的用户需求分布相对稳定，有利于更准确的供需预测。(同一用户，从相邻两个站点取车可能存在一定的偏好，但是若A站点无车的情况下，B站点取车也能同样满足需求。)
(3)调度类任务，若单站点缺口较少，不利于线下执行，站点组缺口汇总后，集中任务派发，减小执行难度。
(4)换电类任务，如果每个站点换电车辆较少，派发给司机，执行难度较大，集中对站点组派发任务，有利于执行。
在一些实施例中，本发明还提供一种计算机装置、设备或终端，其一个实施例的内部结构可以如图4所示。该计算机装置、设备或终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，处理器用于提供计算和控制能力，存储器包括非易失性存储介质、内存储器。非易失性存储介质存储有操作系统和计算机程序。内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。网络接口用于与外部的终端通过网络连接通信。计算机程序被处理器执行时以实现本发明公开的各种方法、流程、步骤，或者处理器执行计算机程序时实现本发明公开的实施例中各个模块或单元的功能。显示屏可以是液晶显示屏或者电子墨水显示屏，输入装置可以是显示屏上覆盖的触摸层，也可以是外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
示例性的，计算机程序可以被分割成一个或多个模块或单元，这些模块或单元被存储在存储器中，并可由处理器执行，以实现本发明的技术方案。这些模块或单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在装置、设备或终端中的执行过程。
上述的装置、设备或终端可以是桌上型计算机、笔记本、移动电子设备、掌上电脑及云端服务器等计算设备。本领域技术人员应当理解，图中所示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的装置、设备或终端的限定，具体的装置、设备或终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
处理器可以是中央处理单元(Central Processing Unit，CPU)，也可以是其他通用或专用的处理器、微处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器是上述的装置、设备或终端的控制中心，利用各种接口和线路连接装置、设备或终端的各个部分。
存储器可用于存储计算机程序、模块和数据，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现装置、设备或终端的各种功能。存储器可主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；数据存储区可存储根据应用所创建的各类数据(比如多媒体数据、文档、操作历史记录等)等。此外，存储器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，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)、磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。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，本发明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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上述的装置或终端设备集成的模块和单元，如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在计算机可读存储介质中。基于这样的理解，本发明实现所公开的各种方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
在一些实施例中，本发明公开的各种方法、流程、模块、装置、设备或系统可以在一个或多个处理装置(例如，数字处理器、模拟处理器、被设计成用于处理信息的数字电路、被设计成用于处理信息的模拟电路、状态机、计算设备、计算机和/或用于以电子方式处理信息的其他机构)中被实现或执行。该一个或多个处理装置可以包括响应于以电子方式存储在电子存储介质上的指令来执行方法的一些或所有操作的一个或多个装置。该一个或多个处理装置可以包括通过硬件、固件和/或软件被配置而专门设计成用于执行方法的一项或多项操作的一个或多个装置。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
本发明的实施方式可以在硬件、固件、软件或其各种组合中进行，还可以作为存储在机器可读介质上的且可以使用一个或多个处理装置读取和执行的指令来实现。在一些实施方式中，机器可读介质可以包括用于存储和/或传输呈机器(例如，计算装置)可读形式的信息的各种机构。例如，机器可读存储介质可以包括只读存储器、随机存取存储器、磁盘存储介质、光存储介质、快闪存储器装置以及用于存储信息的其他介质，并且机器可读传输介质可以包括多种形式的传播信号(包括载波、红外信号、数字信号)以及用于传输信息的其他介质。虽然在执行某些动作的特定示例性方面和实施方式的角度可以在以上公开内容中描述固件、软件、例程或指令，但将明显的是，这类描述仅出于方便目的并且这类动作实际上由机器设备、计算装置、处理装置、处理器、控制器、或执行固件、软件、例程或指令的其他装置或机器产生。
在本申请的权利要求书和说明书中，用来执行指定功能的模块或者使用功能性特征描述的模块，意在涵盖能够执行该功能的任何方式，例如：执行该功能的电路元件的组合，用来执行或实现该功能的软件，或者任何形式的软件、固件、代码及其与适当电路的组合。由各种模块提供的功能被以权利要求书所主张的方式组合在一起，由此应当认为，是可以提供这些功能的任何模块、部件、元件都等价或等效于权利要求书中限定的模块。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.一种共享车辆站点分群聚类方法，其特征在于，包括：
确定种子站点，并建立以所述种子站点为中心的站点组；
根据与所述种子站点之间的路面距离，划定一个或多个一阶潜在能聚站点，其中，所述一阶潜在能聚站点与所述种子站点之间的路面距离不超过第一距离阈值；
根据与所述种子站点的相似度，从一个或多个所述一阶潜在能聚站点中确定一个或多个一阶能聚站点，并将所述一阶能聚站点加入所述站点组，其中，所述一阶能聚站点与所述种子站点的相似度不低于第一相似度阈值；
根据与所述种子站点之间的路面距离，划定一个或多个二阶潜在能聚站点，其中，所述二阶潜在能聚站点与所述种子站点之间的路面距离不超过第二距离阈值，所述第二距离阈值大于所述第一距离阈值；以及
根据与所述一阶能聚站点的相似度，从一个或多个所述二阶潜在能聚站点中确定一个或多个二阶能聚站点，并将所述二阶能聚站点加入所述站点组，其中，所述二阶能聚站点与所述一阶能聚站点的相似度不低于第二相似度阈值；
其中，所述相似度代表用户群体的重合程度，所述相似度包括：
（i）O开锁用户集∩A开锁用户集/A开锁用户集，为AO开锁用户相似度；
（ii）O关锁用户集∩A关锁用户集/A关锁用户集，为AO关锁用户相似度；
（iii）O开锁用户集∩A开锁用户集/O开锁用户集，为OA开锁用户相似度；
（iv）O关锁用户集∩A关锁用户集/O关锁用户集，为OA关锁用户相似度；
其中，O和A分别表示两个站点，O开锁用户集表示在O站点开锁的用户的集合，A开锁用户集表示在A站点开锁的用户的集合，O关锁用户集表示在O站点关锁的用户的集合，A关锁用户集表示在A站点关锁的用户的集合；以及
所述AO开锁用户相似度、所述AO关锁用户相似度、所述OA开锁用户相似度、所述OA关锁用户相似度中有一个或者多个超过所述第一相似度阈值。
2.根据权利要求1所述的共享车辆站点分群聚类方法，其特征在于：
根据历史数据确定所述种子站点，其中，所述历史数据包括以下一种或多种数据：历史订单数据、总订单量、总开锁次数、设定时间范围内的订单量、设定时间范围内的开锁次数。
3.根据权利要求1所述的共享车辆站点分群聚类方法，其特征在于：
所述路面距离为沿地图上所指示的不违反交通规则而正常行进的路线长度。
4.根据权利要求1所述的共享车辆站点分群聚类方法，其特征在于：
将所述AO开锁用户相似度、所述AO关锁用户相似度、所述OA开锁用户相似度、所述OA关锁用户相似度中的最高值作为O和A两个站点之间相似度的取值。
5.一种共享车辆站点分群聚类系统，其特征在于，包括站点组，所述站点组包括：
种子站点；
一阶能聚站点，所述一阶能聚站点与所述种子站点之间的路面距离不超过第一距离阈值，以及所述一阶能聚站点与所述种子站点的相似度不低于第一相似度阈值；
二阶能聚站点，所述二阶能聚站点与所述种子站点之间的路面距离不超过第二距离阈值，以及所述二阶能聚站点与所述一阶能聚站点的相似度不低于第二相似度阈值；其中，所述第二距离阈值大于所述第一距离阈值；
其中，所述相似度代表用户群体的重合程度，所述相似度包括：
（i）O开锁用户集∩A开锁用户集/A开锁用户集，为AO开锁用户相似度；
（ii）O关锁用户集∩A关锁用户集/A关锁用户集，为AO关锁用户相似度；
（iii）O开锁用户集∩A开锁用户集/O开锁用户集，为OA开锁用户相似度；
（iv）O关锁用户集∩A关锁用户集/O关锁用户集，为OA关锁用户相似度；
其中，O和A分别表示两个站点，O开锁用户集表示在O站点开锁的用户的集合，A开锁用户集表示在A站点开锁的用户的集合，O关锁用户集表示在O站点关锁的用户的集合，A关锁用户集表示在A站点关锁的用户的集合；以及
所述AO开锁用户相似度、所述AO关锁用户相似度、所述OA开锁用户相似度、所述OA关锁用户相似度中有一个或者多个超过所述第一相似度阈值。
6.一种共享车辆站点分群聚类装置，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器被配置为能够在执行所述计算机程序时实现根据权利要求1-4中任一项所述的共享车辆站点分群聚类方法的步骤。
7.一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能够实现根据权利要求1-4中任一项所述的共享车辆站点分群聚类方法的步骤。
CN202010800397.8A 2020-08-11 2020-08-11 一种共享车辆站点分群聚类方法、系统、装置及存储介质 Active CN111914940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010800397.8A CN111914940B (zh) 2020-08-11 2020-08-11 一种共享车辆站点分群聚类方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010800397.8A CN111914940B (zh) 2020-08-11 2020-08-11 一种共享车辆站点分群聚类方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111914940A CN111914940A (zh) 2020-11-10
CN111914940B true CN111914940B (zh) 2022-12-27

Family

ID=73283789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010800397.8A Active CN111914940B (zh) 2020-08-11 2020-08-11 一种共享车辆站点分群聚类方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111914940B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699284B (zh) * 2021-01-11 2022-08-30 四川大学 一种基于多源数据的公交站点优化可视化方法
CN113547949B (zh) * 2021-07-02 2022-12-27 上海钧正网络科技有限公司 换电任务生成方法、装置、终端及存储介质
CN116665455B (zh) * 2023-07-18 2023-12-01 北京阿帕科蓝科技有限公司 一种车辆站点选择方法、装置、计算机设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108417014A (zh) * 2017-09-15 2018-08-17 杭州创屹机电科技有限公司 一种共享单车管理调度系统及方法
CN108898822A (zh) * 2018-06-15 2018-11-27 西南交通大学 一种推荐共享单车借车点和还车点的方法
CN109543922A (zh) * 2018-12-20 2019-03-29 西安电子科技大学 用于有桩共享单车站点群的分时段借还量预测方法
CN110047279A (zh) * 2019-04-04 2019-07-23 东南大学 一种基于订单数据确定共享单车调度量的方法
CN110210749A (zh) * 2019-05-28 2019-09-06 东南大学 一种轨道站点衔接共享单车投放量和投放位置确定方法
CN110929150A (zh) * 2019-11-18 2020-03-27 上海钧正网络科技有限公司 停车站点处理方法、系统、终端及可读存储介质
CN110969215A (zh) * 2019-12-18 2020-04-07 浙江大华技术股份有限公司 聚类处理方法和装置、存储介质及电子装置
CN111126752A (zh) * 2019-11-08 2020-05-08 上海钧正网络科技有限公司 车辆站点管理方法、装置、计算机设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108417014A (zh) * 2017-09-15 2018-08-17 杭州创屹机电科技有限公司 一种共享单车管理调度系统及方法
CN108898822A (zh) * 2018-06-15 2018-11-27 西南交通大学 一种推荐共享单车借车点和还车点的方法
CN109543922A (zh) * 2018-12-20 2019-03-29 西安电子科技大学 用于有桩共享单车站点群的分时段借还量预测方法
CN110047279A (zh) * 2019-04-04 2019-07-23 东南大学 一种基于订单数据确定共享单车调度量的方法
CN110210749A (zh) * 2019-05-28 2019-09-06 东南大学 一种轨道站点衔接共享单车投放量和投放位置确定方法
CN111126752A (zh) * 2019-11-08 2020-05-08 上海钧正网络科技有限公司 车辆站点管理方法、装置、计算机设备和存储介质
CN110929150A (zh) * 2019-11-18 2020-03-27 上海钧正网络科技有限公司 停车站点处理方法、系统、终端及可读存储介质
CN110969215A (zh) * 2019-12-18 2020-04-07 浙江大华技术股份有限公司 聚类处理方法和装置、存储介质及电子装置

Also Published As

Publication number Publication date
CN111914940A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
Tu et al. Exploring nonlinear effects of the built environment on ridesplitting: Evidence from Chengdu
Anjos et al. Increasing electric vehicle adoption through the optimal deployment of fast-charging stations for local and long-distance travel
CN111914940B (zh) 一种共享车辆站点分群聚类方法、系统、装置及存储介质
Hua et al. Estimating the parking demand of free-floating bike sharing: A journey-data-based study of Nanjing, China
CN110298500B (zh) 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法
Liu et al. Multi-scale urban passenger transportation CO2 emission calculation platform for smart mobility management
CN111275965B (zh) 一种基于互联网大数据的实时交通仿真分析系统与方法
Qu et al. Location optimization for urban taxi stands based on taxi GPS trajectory big data
Xie et al. PrivateHunt: Multi-source data-driven dispatching in for-hire vehicle systems
CN113327424B (zh) 交通需求的预测方法、预测装置及电子设备
Ma et al. Evolution regularity mining and gating control method of urban recurrent traffic congestion: a literature review
Wang et al. Digital roadway interactive visualization and evaluation network applications to WSDOT operational data usage.
Wang et al. Understanding the long-term evolution of electric taxi networks: A longitudinal measurement study on mobility and charging patterns
Lupa et al. Emergency ambulance speed characteristics: a case study of Lesser Poland voivodeship, southern Poland
Kamel et al. A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks
Yu et al. GPS data in urban bicycle-sharing: Dynamic electric fence planning with assessment of resource-saving and potential energy consumption increasement
Qiao et al. Fast-charging station location problem: A two-phase approach with mathematical program with equilibrium constraints considering charging choice behaviour
Feng et al. Environmental benefits mining based on data-driven taxi cruising recommendation strategy
CN113160600B (zh) 一种用于城市微循环公交系统的车辆调度方法
Bellini et al. Mobility and Transport Data for City Digital Twin Modeling and Exploitation
Yuan et al. Taxi high-income region recommendation and spatial correlation analysis
CN111723871B (zh) 一种公交车实时车厢满载率的估算方法
Haque et al. A literature review on park-and-rides
Lin et al. Bus frequency optimisation considering user behaviour based on mobile bus applications
Ma et al. An influence analytical model of dedicated bus lane on network traffic by macroscopic fundamental diagram

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