CN113283660A - 互联网租赁自行车区域运行关联特征识别方法及系统 - Google Patents

互联网租赁自行车区域运行关联特征识别方法及系统 Download PDF

Info

Publication number
CN113283660A
CN113283660A CN202110626855.5A CN202110626855A CN113283660A CN 113283660 A CN113283660 A CN 113283660A CN 202110626855 A CN202110626855 A CN 202110626855A CN 113283660 A CN113283660 A CN 113283660A
Authority
CN
China
Prior art keywords
area
target area
cluster
riding
internet
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.)
Granted
Application number
CN202110626855.5A
Other languages
English (en)
Other versions
CN113283660B (zh
Inventor
王家川
郭彦茹
戎建中
石睿轩
杜勇
周轶
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 Academy Of Emergency Management Science And Technology
BEIJING TRANSPORTATION INFORMATION CENTER
Original Assignee
Beijing Academy Of Emergency Management Science And Technology
BEIJING TRANSPORTATION INFORMATION CENTER
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 Academy Of Emergency Management Science And Technology, BEIJING TRANSPORTATION INFORMATION CENTER filed Critical Beijing Academy Of Emergency Management Science And Technology
Priority to CN202110626855.5A priority Critical patent/CN113283660B/zh
Publication of CN113283660A publication Critical patent/CN113283660A/zh
Application granted granted Critical
Publication of CN113283660B publication Critical patent/CN113283660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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

Landscapes

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

Abstract

本发明提供了一种互联网租赁自行车区域运行关联特征识别方法及系统。该方法包括：按照目标区域空间范围提取互联网租赁自行车订单数据；对于订单数据进行清洗；判断订单对应的骑行起终点和目标区域的关系并进行分类，识别区域运行特征；对于起终点一端在目标区域以外的骑行，分别对于区域外的起点和终点用DBSCAN算法聚类，生成相对于目标区域的发生簇和吸引簇；计算任意发生簇和吸引簇中心位置的距离，识别目标区域互联网租赁自行车运行的对称关联区，发生关联区和吸引关联区，并计算关联区相对于目标区域的影响因子。本发明提供的互联网租赁自行车区域运行关联特征识别方法及系统能支持运营企业有针对性的调度车辆，并为其他短途出行交通方式的组织优化提供依据。

Description

互联网租赁自行车区域运行关联特征识别方法及系统
技术领域
本发明涉及交通数据分析技术领域，特别是涉及一种互联网租赁自行车区域运行关联特征识别方法及系统。
背景技术
随着“互联网+交通”模式的发展，越来越多的交通新业态融入了城市综合交通体系。互联网租赁自行车(又称共享单车)是近年出现的共享经济新模式，为公众短途出行和接驳其他交通方式提供了便捷，是满足个性化出行需求的有效方式。互联网租赁自行车经过初入城市，爆炸式增长，到目前基本进入运行平稳期，2020年日均订单为200万单，约占轨道交通日均客运量的20％，公共电汽车日均客运量的24％，最高日订单达到380万单，已成为绿色出行方式的重要组成部分。由于互联网租赁自行车的骑行与职住区域及发生吸引点用地性质密切关联，因此，产生了局部点位车辆过多导致淤积影响其他车辆通行，以及无车可骑用户投诉至管理部门的现象。基于这些问题，运营企业对车辆进行高效调度和交通行政管理部门统筹完善交通组织的需求日益迫切。
目前交通行政管理部门对于互联网租赁自行车采用属地管理的方式按照市-区-街道(乡镇)逐级细化，运营企业则基于成本考虑采用网格化管理以分配调度人员和车辆。因此除了较为宏观的概况分析，例如骑行量，平均骑行距离和骑行时间，车辆周转率等，各方管理者都更关注所属责任区域内具体点位(如轨道交通站点、办公区等)的运行情况，缺乏对管理区域整体运行特征以及与其他区域之间运行关联性的了解。通常采用属地兼职管理人员抽查，微信群内通知或电话协调运营企业联系人指派人员前往具体点位整理调度车辆的方式。不仅会造成车辆调度的效率低下甚至无效调度，更无法对交通组织优化方案如设置区域间公交专线等提供规划依据，也难以实现互联网租赁自行车整体的服务能力提升。
互联网租赁自行车订单数据记录了承租人一次骑行的起点和终点的位置和租还时间信息，能够支持相关部门进行OD分析。已开展基于空间的分析有城市的租车、还车热点分布，轨道交通站点租还量排名，疫情对于不同区域骑行量的影响等。但还没有对于特定的区域(如交通小区、街区等)为空间单元识别运行特征，与其他区域运行关联性的方法和实例。本发明通过对于目标区域骑行OD进行分析并分类，并通过DBSCAN算法对不同类型骑行起终点进行聚类，以判断区域的互联网租赁自行车运行是否均衡以及与其他区域的时空关联性。
发明内容
本发明要解决的技术问题是提供一种互联网租赁自行车区域运行关联特征识别方法及系统，能够支持运营企业有针对性的调度车辆，并为其他短途出行交通方式的组织优化提供依据。
为解决上述技术问题，本发明提供了一种互联网租赁自行车区域运行关联特征识别方法，所述方法包括：按照目标区域空间范围提取互联网租赁自行车订单数据；对于订单数据进行清洗；判断订单对应的骑行起终点和区域的关系并进行分类，识别区域运行特征；对于起终点一端在目标区域以外的骑行，分别对于区域外的起点和终点用DBSCAN算法聚类，生成相对于目标区域的发生簇和吸引簇；计算任意发生簇和吸引簇中心位置的距离，识别目标区域互联网租赁自行车运行的对称关联区，发生关联区和吸引关联区，并计算关联区相对于目标区域的影响因子。
在一些实施方式中，按照目标区域空间范围提取互联网租赁自行车订单数据，包括：根据目标区域的空间范围，提取一个时间段内互联网租赁自行车订单数据，满足订单的起点位置或终点位置在目标区域内。
在一些实施方式中，对于订单数据进行清洗，包括：按照预设清洗准则对订单数据进行清洗，且，所述预设清洗准则包括：准则1：去除骑行起点或骑行终点缺失的订单，以保证OD完整；准则2：去除骑行起点或终点在市域范围之外的订单；准则3：根据开始和结束时间计算骑行时长，去除超长时间骑行的订单。
在一些实施方式中，判断订单对应的骑行起终点和目标区域的关系并进行分类，识别区域运行特征，包括：判断订单起终点与目标区域的空间关系并分类统计数量，分别记为起终点均在目标区域内的订单，仅起点在目标区域内的订单和仅终点在目标区域内的订单；分别计算各类订单数量与订单总量的比值，判定目标区域为运行均衡区域，车辆流入区域，或车辆流出区域及混合运行区域；通过DBSCAN算法识别目标区域内的租还热点。
在一些实施方式中，对于起终点一端在目标区域以外的骑行，分别对于区域外的起点和终点用DBSCAN算法聚类，生成相对于目标区域的发生簇和吸引簇，包括：用DBSCAN算法对于在区域之外的起点进行聚类，形成相对于目标区域的发生簇Oi；对于在区域之外的终点进行聚类，形成相对于目标区域的吸引簇Dj。
在一些实施方式中，计算任意发生簇和吸引簇中心位置的距离，识别目标区域互联网租赁自行车运行的对称关联区，发生关联区和吸引关联区，并计算关联区相对于目标区域的影响因子，包括：计算任意发生簇和吸引簇中心点的距离；筛选距离小于阈值s的发生簇和吸引簇的簇对，如存在发生簇簇号相同或吸引簇簇号相同的簇对将其归并，则此组发生簇和吸引簇所在区域识别为目标区域的对称关联区；除此之外的Oi识别为目标区域的发生关联区，Dj识别为目标区域的吸引关联区；并分别根据关联区包含的发生簇聚类点总数，吸引簇聚类点总数计算关联区相对于目标区域的影响因子。
此外，本发明还提供了一种互联网租赁自行车区域运行关联特征识别系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的互联网租赁自行车区域运行关联特征识别方法。
此外，本发明还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行根据前文所述的互联网租赁自行车区域运行关联特征识别方法。
采用这样的设计后，本发明至少具有以下优点：
1、可以通过对骑行订单起终点与目标区域空间关系，识别区域整体互联网租赁自行车运行情况，能够支持管理部门梳理出本区域租还热点和规模，以及运营企业配置本区域的维护和调度资源。
2、可以发现对本区域互联网租赁自行车运行产生影响的外部区域，有利于运营企业设计调度计划，提高效率，避免无效的调度。也可为交通行政管理部门有针对性的开展区域间交通组织优化提供依据。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是区域运行关联特征识别方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，一种互联网租赁自行车区域运行关联特征识别方法包括以下步骤：
步骤1)提取一个时间段内的全市域订单数据，并分别按照起点坐标和终点坐标转化为点要素，分别以位于目标区域空间范围内的条件对点要素进行筛选，记录订单编码。去重后得到目标区域互联网租赁自行车骑行订单数据集合。
每个骑行订单至少包括(OID,O(Ox,Oy),t1,D(Dx,Dy),t2)要素。
其中，OID为订单唯一编码，O(Ox,Oy)为骑行的起点，Ox为起点经度坐标，Oy为起点纬度坐标，t1为骑行开始时间，D(Dx,Dy)为骑行的终点，Dx为终点经度坐标，Dy为终点纬度坐标，t2为骑行结束时间，
步骤2)骑行订单数据清洗
由于数据传输错误以及卫星定位漂移等因素，需要对订单数据进行清洗。数据清洗的条件包括以下3项：
删除不完整数据，即删除起点坐标或者终点坐标数据缺失的骑行订单数据；
删除位置异常数据。从企业运营限制和骑行距离角度，一次骑行都不能超出所在城市范围，如存在此类起、终点则表明定位数据漂移或数据错误，需删除，即删除起点或终点经纬度坐标超出市域范围的骑行订单；
计算订单骑行时间Δt＝t2-t1。由于互联网租赁自行车用途为短距离出行和公共交通接驳，因此超长时间骑行通常是数据传输错误或维修调度，不能作为正常骑行数据纳入分析。依据数据分析和经验值，本发明选取骑行时长阈值为2h。即Δt≥2h的骑行订单将作为异常订单删除。
清洗后的目标区域骑行订单总量记为N。
步骤3)判断骑行订单起终点位置与目标区域空间关系并识别区域运行特征。判断订单O、D与目标区域的关系，分别标记为区域内订单(O、D均在目标区域内)，数量为NODin；起点订单(仅O在目标区域内)，数量为NOin；终点订单(仅D在目标区域内)，数量为NDin。以上三类订单数量之和为目标区域骑行订单总量，即，N＝NODin+NOin+NDin。当
Figure BDA0003101663510000061
大于等于阈值r(本发明按经验值设定r＝60％)时，判定目标区域为互联网租赁自行车运行均衡区域；当
Figure BDA0003101663510000062
大于等于阈值r，判定目标区域为车辆流出区域；当
Figure BDA0003101663510000063
大于等于阈值r，判定目标区域为车辆流入区域。否则目标区域判定为混合运行区域。
对于目标区域内的订单起、终点分别进行用DBSCAN算法聚类，识别出区域内的租车热点POi和还车热点PDi。
步骤4)对于终点订单，对其起点O用DBSCAN算法聚类，输入参数为：位置点、最小包含点数MPts(本发明专利选取点数为2)、搜索领域半径Eps(本发明专利依据主干路不含路侧带宽度经验值选取为30m)。生成相对于目标区域的发生簇，输出格式为Oi(i，xi，yi，Li)，i为簇号，xi为簇中心经度坐标，yi为簇中心纬度坐标，Li为聚类点个数。对于起点订单，对其终点D用DBSCAN算法聚类，输入参数为：位置点、最小包含点数MPts(本发明专利选取点数为2)、搜索领域半径Eps(本发明专利依据主干路不含路侧带宽度经验值选取为30m)。生成相对于目标区域的吸引簇，输出格式为Dj(j，xj，yj，Mj)，j为簇号，xj为簇中心经度坐标，yj为簇中心纬度坐标，Mj为聚类点个数。
步骤5)计算任意的发生簇Oi和吸引簇Dj之间的距离d,
Figure BDA0003101663510000071
筛选出d≤s(s为簇间距离阈值，本发明专利按照次干路不含路侧带宽度经验值取为20m)的(Oi，Dj)簇对，如存在发生簇簇号相同或吸引簇簇号相同的簇对将其归并为一组。则此至少包含一个发生簇和一个吸引簇的组记为Ak，Ak识别为目标区域的对称关联区。除此之外的Oi识别为目标区域的发生关联区，Dj识别为目标区域的吸引关联区。关联区相对于目标区域的发生影响因子为
Figure BDA0003101663510000072
关联区相对于目标区域的吸引影响因子为
Figure BDA0003101663510000073
当目标区域车辆淤积，应优先向发生影响因子高的关联区调运车辆；当目标区域缺车，应优先从吸引影响因子高的关联区调来车辆；如果存在发生影响因子和吸引影响因子均较高的对称关联区，可以考虑增加其与目标区域的微循环公交线路或增设既有线路的站点。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)，和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或内存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦出可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分相互参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本类似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块或单元可以是或者也可以不是物理上分开的，作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (8)

1.一种互联网租赁自行车区域运行关联特征识别方法，其特征在于，包括：
按照目标区域空间范围提取互联网租赁自行车订单数据；
对于订单数据进行清洗；
判断订单对应的骑行起终点和目标区域的关系并进行分类，识别区域运行特征；
对于起终点一端在目标区域以外的骑行，分别对于区域外的起点和终点用DBSCAN算法聚类，生成相对于目标区域的发生簇和吸引簇；
计算任意发生簇和吸引簇中心位置的距离，识别目标区域互联网租赁自行车运行的对称关联区，发生关联区和吸引关联区，并计算关联区相对于目标区域的影响因子。
2.根据权利要求1所述的互联网租赁自行车区域运行关联特征识别方法，其特征在于，按照目标区域空间范围提取互联网租赁自行车订单数据，包括：
根据目标区域的空间范围，提取一个时间段内互联网租赁自行车订单数据，满足订单的起点位置或终点位置在目标区域内。
3.根据权利要求1所述的互联网租赁自行车区域运行关联特征识别方法，其特征在于，对于订单数据进行清洗，包括：
按照预设清洗准则对订单数据进行清洗，且，所述预设清洗准则包括：
准则1：去除骑行起点或骑行终点缺失的订单，以保证OD完整；
准则2：去除骑行起点或终点在市域范围之外的订单；
准则3：根据开始和结束时间计算骑行时长，去除超长时间骑行的订单。
4.根据权利要求1所述的互联网租赁自行车区域运行关联特征识别方法，其特征在于，判断订单对应的骑行起终点和目标区域的关系并进行分类，识别区域运行特征，包括：
判断订单起终点与目标区域的空间关系并分类统计数量，分别记为起终点均在目标区域内的订单，仅起点在目标区域内的订单和仅终点在目标区域内的订单；
分别计算各类订单数量与订单总量的比值，判定目标区域为运行均衡区域，车辆流入区域，车辆流出区域或混合运行区域；
通过DBSCAN算法识别目标区域内的租还热点。
5.根据权利要求1所述的互联网租赁自行车区域运行关联特征识别方法，其特征在于，对于起终点一端在目标区域以外的骑行，分别对于区域外的起点和终点用DBSCAN算法聚类，生成相对于目标区域的发生簇和吸引簇，包括：
用DBSCAN算法对于在目标区域之外的起点进行聚类，形成相对于目标区域的发生簇Oi；
对于在目标区域之外的终点进行聚类，形成相对于目标区域的吸引簇Dj。
6.根据权利要求1所述的互联网租赁自行车区域运行关联特征识别方法，其特征在于，计算任意发生簇和吸引簇中心位置的距离，识别目标区域互联网租赁自行车运行的对称关联区，发生关联区和吸引关联区，并计算关联区相对于目标区域的影响因子，包括：
计算任意发生簇和吸引簇中心点的距离；
筛选距离小于阈值s的发生簇和吸引簇的簇对，如存在发生簇簇号相同或吸引簇簇号相同的簇对将其归并，则此组发生簇和吸引簇所在区域识别为目标区域的对称关联区；
除此之外的Oi识别为目标区域的发生关联区，Dj识别为目标区域的吸引关联区；
并分别根据关联区包含的发生簇聚类点总数，吸引簇聚类点总数计算关联区相对于目标区域的影响因子。
7.一种互联网租赁自行车区域运行关联特征识别系统，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至6任意一项所述的互联网租赁自行车区域运行关联特征识别方法。
8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行根据权利要求1至6任意一项所述的互联网租赁自行车区域运行关联特征识别方法。
CN202110626855.5A 2021-06-04 2021-06-04 互联网租赁自行车区域运行关联特征识别方法及系统 Active CN113283660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110626855.5A CN113283660B (zh) 2021-06-04 2021-06-04 互联网租赁自行车区域运行关联特征识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110626855.5A CN113283660B (zh) 2021-06-04 2021-06-04 互联网租赁自行车区域运行关联特征识别方法及系统

Publications (2)

Publication Number Publication Date
CN113283660A true CN113283660A (zh) 2021-08-20
CN113283660B CN113283660B (zh) 2022-07-05

Family

ID=77283570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110626855.5A Active CN113283660B (zh) 2021-06-04 2021-06-04 互联网租赁自行车区域运行关联特征识别方法及系统

Country Status (1)

Country Link
CN (1) CN113283660B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985247A (zh) * 2014-04-24 2014-08-13 北京嘀嘀无限科技发展有限公司 基于城市叫车需求分布密度的出租车运力调度系统
CN104166895A (zh) * 2014-07-28 2014-11-26 浙江工业大学 公共自行车调度区域划分方法
CN104167092A (zh) * 2014-07-30 2014-11-26 北京市交通信息中心 一种确定出租车上下客热点区域中心的方法以及装置
CN109359682A (zh) * 2018-10-11 2019-02-19 北京市交通信息中心 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法
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
CN110929783A (zh) * 2019-11-21 2020-03-27 同济大学 基于共享对象的租还数据的用地属性分类方法
CN112734532A (zh) * 2021-01-15 2021-04-30 东南大学 基于共享电单车借还车点数据的通勤行为识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985247A (zh) * 2014-04-24 2014-08-13 北京嘀嘀无限科技发展有限公司 基于城市叫车需求分布密度的出租车运力调度系统
CN104166895A (zh) * 2014-07-28 2014-11-26 浙江工业大学 公共自行车调度区域划分方法
CN104167092A (zh) * 2014-07-30 2014-11-26 北京市交通信息中心 一种确定出租车上下客热点区域中心的方法以及装置
CN109359682A (zh) * 2018-10-11 2019-02-19 北京市交通信息中心 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法
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
CN110929783A (zh) * 2019-11-21 2020-03-27 同济大学 基于共享对象的租还数据的用地属性分类方法
CN112734532A (zh) * 2021-01-15 2021-04-30 东南大学 基于共享电单车借还车点数据的通勤行为识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JI YANJIE等: "Analysis of temporal and spatial usage patterns of dockless bike sharing system around rail transit station area", 《JOURNAL OF SOUTHEAST UNIVERSITY(ENGLISHEDITION)》 *
JINJUN TANG等: "Uncovering urban human mobility from large scale taxi GPS", 《PHYSICA A 438 (2015) 140–153》 *
王家川等: "北京市轨道交通站点周边区域共享自行车运行不均衡性研究", 《交通运输系统工程与信息》 *
高楹等: "北京市摩拜共享单车源汇时空特征分析及空间调度", 《地球信息科学》 *

Also Published As

Publication number Publication date
CN113283660B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Richter et al. Smart cities, urban mobility and autonomous vehicles: How different cities needs different sustainable investment strategies
US9043151B2 (en) Large scale demand responsive transit framework
Campbell et al. Freight and service parking needs and the role of demand management
Desai et al. A pattern analysis of daily electric vehicle charging profiles: Operational efficiency and environmental impacts
Teng et al. Development of a behavior-based passenger flow assignment model for urban rail transit in section interruption circumstance
Gingerich et al. The role of airport proximity on warehouse location and associated truck trips: Evidence from Toronto, Ontario
Oskarbski et al. Potential for ITS/ICT solutions in urban freight management
Sanchez-Diaz et al. Accommodating urban freight in city planning
Ozus et al. Hierarchical cluster analysis of multicenter development and travel patterns in Istanbul
Zhang et al. Evaluating the impacts of bus stop design and bus dwelling on operations of multitype road users
Turoń et al. Support for pro-ecological solutions in smart cities with the use of travel databases–a case study based on a bike-sharing system in Budapest
Hasnat et al. Differential impacts of autonomous and connected-autonomous vehicles on household residential location
Räth et al. Assessing service characteristics of an automated transit on-demand service
CN113283660B (zh) 互联网租赁自行车区域运行关联特征识别方法及系统
CN102880943A (zh) 校车运营管理方法及系统
Jiang et al. Modeling actual dwell time for rail transit using data analytics and support vector regression
CN110807078A (zh) 一种服务于民生规划的公民轨迹大数据服务平台
Nasiboglu et al. Origin-destination matrix generation using smart card data: Case study for Izmir
CN115294773A (zh) 一种公交专用道优化配置方法、电子设备及存储介质
Verma et al. PAM clustering based taxi hotspot detection for informed driving
Akin et al. Modeling the change of urban spatial structure: Use interzonal travel data to estimate urban growth and expansion by hierarchical cluster analyses
Mbiydzenyuy Impact assessments of intelligent transport system performance in a freight transport corridor
Wahid Smart Loading Zone Applications for Urban Last Mile Delivery
Kagho et al. Potential impacts of integrating an on-demand transport service with public transit system: A case study for Zurich
Yigitcanlar et al. Sustainable Australia: Containing travel in master planned estates

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
CB02 Change of applicant information

Address after: 100000 No. 9, Nanli, Liuliqiao, Fengtai District, Beijing

Applicant after: Beijing Intelligent Transportation Development Center (Beijing motor vehicle regulation and management center)

Applicant after: Beijing Academy of emergency management science and technology

Address before: 100000 No. 9, Nanli, Liuliqiao, Fengtai District, Beijing

Applicant before: BEIJING TRANSPORTATION INFORMATION CENTER

Applicant before: Beijing Academy of emergency management science and technology

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant