CN113393030A - 车辆运营区域潜力站点选址方法、系统、终端及介质 - Google Patents
车辆运营区域潜力站点选址方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN113393030A CN113393030A CN202110652788.4A CN202110652788A CN113393030A CN 113393030 A CN113393030 A CN 113393030A CN 202110652788 A CN202110652788 A CN 202110652788A CN 113393030 A CN113393030 A CN 113393030A
- Authority
- CN
- China
- Prior art keywords
- potential
- data
- vehicle operation
- site
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000002093 peripheral effect Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012732 spatial analysis Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000005192 partition Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010205 computational analysis Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q30/02—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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供车辆运营区域潜力站点选址方法、系统、终端及介质,包括使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,并根据分析结果筛选一或多个高潜力区域;基于所筛选的高潜力区域,结合所述车辆运营区域的路网数据,生成潜力站点的地址信息。本发明旨在基于现有站点产单率与周边POI信息、路网信息进行共享助力车优质站点智能选址。geohash8网格评价以周边POI与路网数据量化指标为标准,从现有站点数据、订单数据、POI数据、路网数据中挖掘出高产单率区域的重要特征,综合考虑各项特征进行geo8网格产单潜力评价与优质站点推荐。
Description
技术领域
本发明涉及站点智能选址技术领域,尤其涉及车辆运营区域潜力站点选址方法、系统、终端及介质。
背景技术
随着共享经济的发展,共享助力车作为短距离出行的重要方式,已成为大众日常出行不可或缺的部分。
在共享助力车实际运营中,需要对站点进行迭代更新,取消产单率低的站点,新增具有产单潜力的优质站点。站点产单率低,说明从该位置出发的用车需求较低,助力车辆的供给与居民实际需求不匹配。数据表明,位于城市不同空间位置的站点吸引乘客、产生订单的效率有较大差异。以上海市2019年11月份订单数据为例,排名前5%的geohash8网格贡献了全城75.9%的订单量,前10%的网格贡献了全城89.3%的订单量。
因此,发掘优质点位并进行合理的运营对于订单量的提升会有非常明显的效果。新增站点是一个包括点位推荐、实地踏勘、站点设置、效果检验等过程的长周期工作,而站点选址方法决定了新增站点的实际产单效果,因此科学化、智能化选址方法在站点新增过程中具有关键作用。
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进行智能选址。
为实现上述目的,本发明提供了一种车辆运营区域潜力站点选址方法,包括:使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,并根据分析结果筛选一或多个高潜力区域;基于所筛选的高潜力区域,结合所述车辆运营区域的路网数据,生成潜力站点的地址信息。
在本发明的较佳实施方式中,所述使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,包括:提取各运营子区域内所有站点的自变特征数据;所述自变特征数据包括人群活动密度数据、可行驶路网数据及周边站点数据;将所有站点的自变特征数据输入所述车辆运营区域产单潜力预测模型,以获取基于运营子区域中所有站点的因变特征数据而得到的运营子区域的产单潜力值;所述因变特征数据包括站点订单数据。
在本发明的较佳实施方式中,所述方法还包括:通过空间分析算法将预设距离内的高潜力区域合并为若干个热点区域,供与车辆运营区域的路网进行空间相交后得到路侧站点的高潜力路段。
在本发明的较佳实施方式中,所述方法还包括执行如下任一种或多种的站点筛选:基于路段属性删除位于封闭管理场所内的站点;基于空间位置关系删除与现有站点之间的距离小于预设阈值的站点;位于主道与辅道之间的站点。
在本发明的较佳实施方式中,所述车辆运营区域产单潜力预测模型的构建过程包括:按照区域规划基本单元将车辆运营区域划分为多个运营子区域,并获取各所述运营子区域的与产单潜力相关的多源数据;基于所述多源数据,选择已设有站点的运营子区域为训练集来训练回归模型,据以构建车辆运营区域产单潜力预测模型。
在本发明的较佳实施方式中,所述多源数据包括:站点订单数据、人群活动密度数据、可行驶路网数据及周边站点数据。
在本发明的较佳实施方式中,构建车辆运营区域产单潜力预测模型的过程包括:将所述训练集中的人群活动密度数据、可行驶路网数据、周边站点数据作为所述回归模型的自变量,并将训练集中的站点订单数据作为所述回归模型的因变量,以构建所述车辆运营区域产单潜力预测模型。
为实现上述目的,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,所述计算机程序被处理器执行时实现所述车辆运营区域潜力站点选址方法。
为实现上述目的,本发明还提供了一种车辆运营区域潜力站点选址系统,包括:筛选模块,用于使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,并根据分析结果筛选一或多个高潜力区域;选址模块,用于基于所筛选的高潜力区域,结合所述车辆运营区域的路网数据,生成潜力站点的地址信息。
为实现上述目的,本发明还提供了一种站点选址终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述车辆运营区域潜力站点选址方法。
本发明提供的车辆运营区域潜力站点选址方法、系统、终端及介质具有以下技术效果:本发明旨在基于现有站点产单率与周边POI信息、路网信息进行共享助力车优质站点智能选址。geohash8网格评价以周边POI与路网数据量化指标为标准,从现有站点数据、订单数据、POI数据、路网数据中挖掘出高产单率区域的重要特征,综合考虑各项特征进行geo8网格产单潜力评价与优质站点推荐。
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是本发明一实施例中车辆运营区域产单潜力预测模型的构建方法的流程示意图。
图2是本发明一实施例中车辆运营区域潜力站点选址方法的流程示意图。
图3A是本发明一实施例中车辆运营区域潜力站点选址系统的结构示意图。
图3B是本发明一实施例中车辆运营区域潜力站点选址系统的工作流程图。
图4是本发明一实施例中选址终端的结构示意图。
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。
考虑到优质站点选址的上述需求,本发明所要解决的技术问题是,共享助力车运营区域内geohash8网格产单潜力评价与优质站点位置划定。为此,本发明提供一种共享助力车运营区域产单潜力评价与优质站点位置划定的方案,旨在基于现有站点产单率与周边POI信息、路网信息进行共享助力车优质站点智能选址。geohash8网格评价以周边POI与路网数据量化指标为标准,从现有站点数据、订单数据、POI数据、路网数据中挖掘出高产单率区域的重要特征,综合考虑各项特征进行geo8网格产单潜力评价与优质站点推荐。
为了使本发明的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本发明实施例中的技术方案的进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定发明。
实施例一:
如图1所示,展示了本发明一实施例中车辆运营区域产单潜力预测模型的构建方法的流程示意图,主要包括步骤S11和S12。
需说明的是,本发明中车辆运营区域产单潜力预测模型的构建方法可应用于控制器,例如ARM(Advanced RISC Machines)控制器、FPGA(Field Programmable Gate Array)控制器、SoC(System on Chip)控制器、DSP(Digital Signal Processing)控制器、或者MCU(Micorcontroller Unit)控制器等等;也可应用于台式电脑、笔记本电脑、平板电脑、智能手机、智能手环、智能手表、智能头盔等智能终端设备;还可应用于服务器,所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上,也可以由分布的或集中的服务器集群构成。
步骤S11:按照区域规划基本单元将车辆运营区域划分为多个运营子区域,并获取各所述运营子区域的与产单潜力相关的多源数据。应理解,本实施例中所指的车辆包括需借助于站点来取/还车的共享车辆,例如共享电动汽车、共享助力车或共享自行车等。
需说明的是,所述区域规划基本单元是指对车辆运营区域进行划分的最小单位;应选择合适大小的划分单元,若划分单元过大则无法计算出精准的选址结果,若划分单元国小则会导致计算量呈几何倍数增加,计算效率无法满足要求。所述车辆运营区域可小至学校、商场或办公楼周遭的车辆运营区域,大至行政区、城市、甚或省份等地域内所有的车辆运营区域,本实施例对此并不做限定。
有鉴于此,本实施例采用geohash8网格作为区域规划基本单元,在对指定城市运营区做站点选址推荐时,以空间为对象进行计算分析,例如可将城市运营区划分为若干个geohash8网格,规定以每个geohash8网格为中心的77个网格(7×11)为该网格的影响范围,该影响范围为一个直径约200米的网格。
需说明的是,geohash是一种地址编码方法,能够把二维的空间经纬度数据编码成一个字符串,其原理是将区域划分为一个个规则矩形,并对每个矩形进行编码。geohash8是一种地理区域范围的表现形式,以一维字符串形式表示区域的经纬度范围,在查询时同时使用定位点的geohash编码以及定位点周围8个区域的geohash进行匹配,避免距离定位点较远的搜索目标与定位点geohash编码一致(在同一个geohash区域块),但距离定位点较近的搜索目标反而与定位点geohash编码不一致(不在同一个geohash区域块)的情况。
在一些示例中,所述运营子区域的车辆运营相关的多源数据包括但不限于所述运营子区域的站点订单数据、人群活动密度数据、可行驶路网数据、周边站点数据,这些数据的解释说明如下。
站点订单数据是基于车辆运营区域内现有站点的空间位置,筛选出已有站点的运营子区域;被筛选出来的运营子区域内站点的日均订单数据作为建模自变量,用于构建优质站点重要特征回归模型。
人群活动密度数据主要用以反映居民活动的密集程度,可通过POI数量来表示;POI是Point of Interest的缩写(意为兴趣点),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;在本实施例中,一个POI是一个车辆运营站点,为每个POI构建反映居民活动的生活圈并制作对应的热力图,即可反映出居民活动的密集程度。
可行驶路网数据是指每个运营子区域内的道路网络数据,所谓道路网络是由各种道路(如主路、辅路、支路、岔路等)组成的相互联络、交织成网状分布的可供车辆行驶的道路系统。
周边站点数据是指每个运营站点周边的站点数量情况,若一个运营站点周边还有其它站点,那么可能会形成竞争关系,因此周边站点数据也是本发明分析的特征属性之一。
步骤S12:基于各所述运营子区域的车辆运营相关的多源数据,选择已设有站点的运营子区域为训练集来训练回归模型,据以构建车辆运营区域产单潜力预测模型。
具体而言,可基于站点订单数据、人群活动密度数据、可行驶路网数据、周边站点数据,选择已设有站点的运营子区域为训练集;将所述训练集中的人群活动密度数据、可行驶路网数据、周边站点数据作为回归模型的自变量,并将所述训练集中的站点订单数据作为所述回归模型的因变量,据以构建所述车辆运营区域产单潜力预测模型。
需说明的是,回归模型是对统计关系进行定量描述的一种数学模型,是一种预测性的建模技术,它研究的是因变量(目标)和自变量(预测器)之间的关系。本实施例可采用的回归模型具体可以是Lasso Regression套索回归模型、Linear Regression线性回归模型、Logistic Regression逻辑回归模型、Polynomial Regression多项式回归模型、Stepwise Regression逐步回归模型、Ridge Regression岭回归模型、Elastic Net回归模型等。
以其中的Lasso Regression套索回归模型为例进行说明如下:Lasso回归模型通过构造一个惩罚函数得到一个较为精炼的模型,使得它压缩一些回归系数,即强制系数绝对值之和小于某个固定值;同时设定一些回归系数为0。Lasso回归模型在传统的最小二乘估计上对模型的系数施加惩罚,将回归系数收缩在一定范围内,通过将一些变量的系数收缩为0来进行特征筛选,以获得一个精炼的模型。
进一步地,本发明采用交叉验证方法确定Lasso回归的最佳λ值,以得到具备优良性能且自变量个数较少的模型,实现优质网格的重要特征筛选,最终生成的优质站点识别模型如下所示:
其中,geo_8scorei表示geohash8网格i的产单潜力评分;keepj表示特征属性j是否在模型中保留,保留的特征即为重要特征;wj表示特征属性j的权重系数,权重系数越大代表该特征越重要;xij代表geohash8网格i的特征j的属性值;
实施例二:
如图2所示,展示了本发明一实施例中车辆运营区域潜力站点选址方法的流程示意图,主要包括步骤S21~S22。
需说明的是,本实施例中车辆运营区域潜力站点选址方法可应用于控制器,例如ARM(Advanced RISC Machines)控制器、FPGA(Field Programmable Gate Array)控制器、SoC(System on Chip)控制器、DSP(Digital Signal Processing)控制器、或者MCU(Micorcontroller Unit)控制器等等;也可应用于台式电脑、笔记本电脑、平板电脑、智能手机、智能手环、智能手表、智能头盔等智能终端设备;还可应用于服务器,所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上,也可以由分布的或集中的服务器集群构成。
步骤S21:使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,并根据分析结果选取一或多个高潜力运营子区域。
需说明的是,所述已构建的车辆运营区域产单潜力预测模型例如可使用上文所构建的车辆运营区域产单潜力预测模型;也即,基于站点订单数据、人群活动密度数据、可行驶路网数据、周边站点数据,选择已设有站点的运营子区域为训练集;将所述训练集中的人群活动密度数据、可行驶路网数据、周边站点数据作为回归模型的自变量,并将所述训练集中的站点订单数据作为所述回归模型的因变量。因车辆运营区域产单潜力预测模型的构建过程及原理已于前文中详述,此处不再赘述。
在选定车辆运营区域产单潜力预测模型后,可将运营区域内所有运营子区域的重要特征属性进行统计,具体是指提取每个运营子区域内的所有站点的人群活动密度数据、可行驶路网数据及周边站点数据,将这些数据输入到车辆运营区域产单潜力预测模型后,得到每个站点的站点订单数据,然后按照每个站点在运营子区域中的权重来计算运营子区域整体的产单潜力值。
在得到每个运营子区域的产单潜力值后,相应生成整个运营区域的产单潜力热力图,选取排名靠前的一或多个运营子区域作为高潜力区域;其中,高潜力区域的数量可根据城市运营区域的大小及拟推荐站点数量而定,本实施例并不作任何限定。
步骤S22:基于所筛选的高潜力区域,结合所述车辆运营区域的路网数据,生成潜力站点的地址信息。也即,在得到城市运营区域内的高潜力区域后,可结合该城市的路网数据来绘制潜力站点的空间位置。
进一步地,所述方法在执行步骤S21和S22后还可再执行如下步骤:通过空间分析算法将预设距离内的高潜力区域合并为若干个热点区域,供与车辆运营区域的路网进行空间相交后得到路侧站点的高潜力路段。其中,所述空间分析算法是地理信息系统(GIS)的核心功能,其通过研究地理空间数据及其相应分析理论、方法和技术,探索和证明地理要素之间的关系。本实施例使用的空间分析算法包括但不限于平面扫描算法、空间拓扑分析算法、凸包的算法、Voronoi图算法或最短路径算法等。
举例来说,通过空间分析算法将所有临近的高潜力网格合并,形成若干个热门区域,与城市运营区内的路网进行空间相交,找出用于绘制路侧站点的高潜力路段。绘制站点的指标与原则包括:站点绘制在行驶方向右侧、站点大小长15米宽8米、两个站点在同一路段上间隔50米以上等。
鉴于路网数据的复杂性,站点绘制后需进行适当筛选,减少实地无法新建站点的情况,本实施例执行如下任一种或多种的站点筛选:基于路段属性删除位于封闭管理场所内的站点;基于空间位置关系删除与现有站点之间的距离小于预设阈值的站点;位于主道与辅道之间的站点。举例来说,基于路段属性删去绘制在小区道路上的站点;基于空间位置关系删去距离现有站点不超过10m的站点、位于道路主道与辅道之间的站点。完成筛选后即可基于拟推荐站点数量给出优质站点选址推荐结果。
实施例三:
如图3A所示,展示了本发明一实施例中车辆运营区域潜力站点选址系统的结构示意图。本实施例中车辆运营区域潜力站点选址系统300包括如下各个模块:区域划分模块301、数据获取模块302、模型构建模块303、筛选模块304、选址模块305。
区域划分模块301用于按照区域规划基本单元将车辆运营区域划分为多个运营子区域。
所述区域规划基本单元是指对车辆运营区域进行划分的最小单位;应选择合适大小的划分单元,若划分单元过大则无法计算出精准的选址结果,若划分单元国小则会导致计算量呈几何倍数增加,计算效率无法满足要求。所述车辆运营区域可小至学校、商场或办公楼周遭的车辆运营区域,大至行政区、城市、甚或省份等地域内所有的车辆运营区域,本实施例对此并不做限定。
有鉴于此,本实施例采用geohash8网格作为区域规划基本单元,在对指定城市运营区做站点选址推荐时,以空间为对象进行计算分析,例如可将城市运营区划分为若干个geohash8网格,规定以每个geohash8网格为中心的77个网格(7×11)为该网格的影响范围,该影响范围为一个直径约200米的网格。需说明的是,geohash是一种地址编码方法,能够把二维的空间经纬度数据编码成一个字符串,其原理是将区域划分为一个个规则矩形,并对每个矩形进行编码。geohash8是一种地理区域范围的表现形式,以一维字符串形式表示区域的经纬度范围,在查询时同时使用定位点的geohash编码以及定位点周围8个区域的geohash进行匹配,避免距离定位点较远的搜索目标与定位点geohash编码一致(在同一个geohash区域块),但距离定位点较近的搜索目标反而与定位点geohash编码不一致(不在同一个geohash区域块)的情况。
数据获取模块302用于获取各所述运营子区域的与产单潜力相关的多源数据。所述运营子区域的车辆运营相关的多源数据包括但不限于所述运营子区域的站点订单数据、人群活动密度数据、可行驶路网数据、周边站点数据。
模型构建模块303用于基于各所述运营子区域的车辆运营相关的多源数据,选择已设有站点的运营子区域为训练集来训练回归模型,据以构建车辆运营区域产单潜力预测模型。
具体而言,可基于站点订单数据、人群活动密度数据、可行驶路网数据、周边站点数据,选择已设有站点的运营子区域为训练集;将所述训练集中的人群活动密度数据、可行驶路网数据、周边站点数据作为回归模型的自变量,并将所述训练集中的站点订单数据作为所述回归模型的因变量,据以构建所述车辆运营区域产单潜力预测模型。需说明的是,回归模型是对统计关系进行定量描述的一种数学模型,是一种预测性的建模技术,它研究的是因变量(目标)和自变量(预测器)之间的关系。本实施例可采用的回归模型具体可以是Lasso Regression套索回归模型、Linear Regression线性回归模型、LogisticRegression逻辑回归模型、Polynomial Regression多项式回归模型、StepwiseRegression逐步回归模型、Ridge Regression岭回归模型、Elastic Net回归模型等。
筛选模块304用于使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,并根据分析结果筛选一或多个高潜力区域。
所述已构建的车辆运营区域产单潜力预测模型例如可使用上文所构建的车辆运营区域产单潜力预测模型;也即,基于站点订单数据、人群活动密度数据、可行驶路网数据、周边站点数据,选择已设有站点的运营子区域为训练集;将所述训练集中的人群活动密度数据、可行驶路网数据、周边站点数据作为回归模型的自变量,并将所述训练集中的站点订单数据作为所述回归模型的因变量。因车辆运营区域产单潜力预测模型的构建过程及原理已于前文中详述,此处不再赘述。
在得到每个运营子区域的产单潜力值后,相应生成整个运营区域的产单潜力热力图,选取排名靠前的一或多个运营子区域作为高潜力区域;其中,高潜力区域的数量可根据城市运营区域的大小及拟推荐站点数量而定,本实施例并不作任何限定。
选址模块305用于基于所筛选的高潜力区域,结合所述车辆运营区域的路网数据,生成潜力站点的地址信息。也即,在得到城市运营区域内的高潜力区域后,可结合该城市的路网数据来绘制潜力站点的空间位置。
为便于理解,现结合图3B来对车辆运营区域潜力站点选址系统的工作流程做详细的解释说明。
步骤1)进行数据整合,提取每个运营子区域中与产单潜力相关的多源数据,包括站点订单数据、POI数据(人群活动密度数据)、路网数据及站点周边数据。
步骤2)构建车辆运营区域产单潜力预测模型:基于各所述运营子区域的车辆运营相关的多源数据,选择已设有站点的运营子区域为训练集来训练回归模型,据以构建车辆运营区域产单潜力预测模型。
步骤3)筛选高潜力区域:使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,并根据分析结果筛选一或多个高潜力区域。
步骤4)路侧潜力站点选址推荐:基于所筛选的高潜力区域,结合所述车辆运营区域的路网数据,生成潜力站点的地址信息。
应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,模型构建模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上模型构建模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital signal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
实施例四:
如图4所示,展示了本发明一实施例中选址终端的结构示意图。本实施例的模型构建终端包括:处理器41、存储器42、通信器43;存储器42通过系统总线与处理器41和通信器43连接并完成相互间的通信,存储器42用于存储计算机程序,通信器43用于和其他设备进行通信,处理器41用于运行计算机程序,使电子终端执行如上所述车辆运营区域产单潜力预测模型的构建方法的各个步骤。
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。
实施例五:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述车辆运营区域潜力站点选址方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
于本申请提供的实施例中,所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外,任何连接都可以适当地称为计算机可读介质。例如,如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术,从网站、服务器或其它远程源发送的,则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而,应当理解的是,计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质,而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘,其中,磁盘通常磁性地复制数据,而光盘则用激光来光学地复制数据。
Claims (10)
1.一种车辆运营区域潜力站点选址方法,其特征在于,包括:
使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,并根据分析结果筛选一或多个高潜力区域;
基于所筛选的高潜力区域,结合所述车辆运营区域的路网数据,生成潜力站点的地址信息。
2.如权利要求1所述的车辆运营区域潜力站点选址方法,其特征在于,所述使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,包括:
提取各运营子区域内所有站点的自变特征数据;所述自变特征数据包括人群活动密度数据、可行驶路网数据及周边站点数据;
将所有站点的自变特征数据输入所述车辆运营区域产单潜力预测模型,以获取基于运营子区域中所有站点的因变特征数据而得到的运营子区域的产单潜力值;所述因变特征数据包括站点订单数据。
3.如权利要求1所述的车辆运营区域潜力站点选址方法,其特征在于,还包括:通过空间分析算法将预设距离内的高潜力区域合并为若干个热点区域,供与车辆运营区域的路网进行空间相交后得到路侧站点的高潜力路段。
4.如权利要求3所述的车辆运营区域潜力站点选址方法,其特征在于,还包括执行如下任一种或多种的站点筛选:
基于路段属性删除位于封闭管理场所内的站点;
基于空间位置关系删除与现有站点之间的距离小于预设阈值的站点;
位于主道与辅道之间的站点。
5.如权利要求1所述的车辆运营区域潜力站点选址方法,其特征在于,所述车辆运营区域产单潜力预测模型的构建过程包括:
按照区域规划基本单元将车辆运营区域划分为多个运营子区域,并获取各所述运营子区域的与产单潜力相关的多源数据;
基于所述多源数据,选择已设有站点的运营子区域为训练集来训练回归模型,据以构建所述车辆运营区域产单潜力预测模型。
6.如权利要求5所述的车辆运营区域潜力站点选址方法,其特征在于,所述多源数据包括:站点订单数据、人群活动密度数据、可行驶路网数据及周边站点数据。
7.如权利要求6所述的车辆运营区域潜力站点选址方法,其特征在于,所述构建所述车辆运营区域产单潜力预测模型的过程包括:将所述训练集中的人群活动密度数据、可行驶路网数据、周边站点数据作为所述回归模型的自变量,并将训练集中的站点订单数据作为所述回归模型的因变量,以构建所述车辆运营区域产单潜力预测模型。
8.一种车辆运营区域潜力站点选址系统,其特征在于,包括:
筛选模块,用于使用已构建的车辆运营区域产单潜力预测模型对车辆运营区域内所有的运营子区域进行产单潜力分析,并根据分析结果筛选一或多个高潜力区域;
选址模块,用于基于所筛选的高潜力区域,结合所述车辆运营区域的路网数据,生成潜力站点的地址信息。
9.一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实现权利要求1至7中任一项所述的车辆运营区域潜力站点选址方法。
10.一种选址终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述选址终端执行如权利要求1至7中任一项所述的车辆运营区域潜力站点选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110652788.4A CN113393030A (zh) | 2021-06-11 | 2021-06-11 | 车辆运营区域潜力站点选址方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110652788.4A CN113393030A (zh) | 2021-06-11 | 2021-06-11 | 车辆运营区域潜力站点选址方法、系统、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393030A true CN113393030A (zh) | 2021-09-14 |
Family
ID=77620464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110652788.4A Pending CN113393030A (zh) | 2021-06-11 | 2021-06-11 | 车辆运营区域潜力站点选址方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393030A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677048A (zh) * | 2022-04-22 | 2022-06-28 | 北京阿帕科蓝科技有限公司 | 一种需求区域挖掘方法 |
TWI791349B (zh) * | 2021-12-16 | 2023-02-01 | 永豐商業銀行股份有限公司 | 分行據點的選址方法和選址裝置 |
TWI805048B (zh) * | 2021-10-28 | 2023-06-11 | 湛積股份有限公司 | 營運站點的部署規劃方法 |
CN116503098A (zh) * | 2023-06-27 | 2023-07-28 | 北京阿帕科蓝科技有限公司 | 共享车辆车站的挖掘方法、装置、计算机设备和存储介质 |
CN116665455A (zh) * | 2023-07-18 | 2023-08-29 | 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 |
CN116798234A (zh) * | 2023-08-28 | 2023-09-22 | 北京阿帕科蓝科技有限公司 | 车站参数信息的确定方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127327A (zh) * | 2016-05-17 | 2016-11-16 | 北京京东尚科信息技术有限公司 | 基于gis的配送站点选址方法和系统 |
CN109102093A (zh) * | 2017-06-21 | 2018-12-28 | 北京嘀嘀无限科技发展有限公司 | 一种网约车下单热点区域的确定方法、装置及电子设备 |
CN109840272A (zh) * | 2018-12-19 | 2019-06-04 | 东南大学 | 一种共享电动汽车站点用户需求预测方法 |
CN110458589A (zh) * | 2019-02-01 | 2019-11-15 | 吉林大学 | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 |
CN111178577A (zh) * | 2019-11-22 | 2020-05-19 | 陕西天行健车联网信息技术有限公司 | 一种基于geohash算法的服务站选址方法 |
CN111275296A (zh) * | 2020-01-14 | 2020-06-12 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
CN111753910A (zh) * | 2020-06-27 | 2020-10-09 | 长安大学 | 基于lstm的滴滴订单需求预测方法及装置 |
CN111833079A (zh) * | 2019-04-15 | 2020-10-27 | 北京三快在线科技有限公司 | 一种热点区域预测方法和装置 |
CN112115385A (zh) * | 2020-08-25 | 2020-12-22 | 北京交通大学 | 一种考虑充电时间的单向共享汽车系统选址优化方法 |
-
2021
- 2021-06-11 CN CN202110652788.4A patent/CN113393030A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127327A (zh) * | 2016-05-17 | 2016-11-16 | 北京京东尚科信息技术有限公司 | 基于gis的配送站点选址方法和系统 |
CN109102093A (zh) * | 2017-06-21 | 2018-12-28 | 北京嘀嘀无限科技发展有限公司 | 一种网约车下单热点区域的确定方法、装置及电子设备 |
CN109840272A (zh) * | 2018-12-19 | 2019-06-04 | 东南大学 | 一种共享电动汽车站点用户需求预测方法 |
CN110458589A (zh) * | 2019-02-01 | 2019-11-15 | 吉林大学 | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 |
CN111833079A (zh) * | 2019-04-15 | 2020-10-27 | 北京三快在线科技有限公司 | 一种热点区域预测方法和装置 |
CN111178577A (zh) * | 2019-11-22 | 2020-05-19 | 陕西天行健车联网信息技术有限公司 | 一种基于geohash算法的服务站选址方法 |
CN111275296A (zh) * | 2020-01-14 | 2020-06-12 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
CN111753910A (zh) * | 2020-06-27 | 2020-10-09 | 长安大学 | 基于lstm的滴滴订单需求预测方法及装置 |
CN112115385A (zh) * | 2020-08-25 | 2020-12-22 | 北京交通大学 | 一种考虑充电时间的单向共享汽车系统选址优化方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI805048B (zh) * | 2021-10-28 | 2023-06-11 | 湛積股份有限公司 | 營運站點的部署規劃方法 |
TWI791349B (zh) * | 2021-12-16 | 2023-02-01 | 永豐商業銀行股份有限公司 | 分行據點的選址方法和選址裝置 |
CN114677048A (zh) * | 2022-04-22 | 2022-06-28 | 北京阿帕科蓝科技有限公司 | 一种需求区域挖掘方法 |
CN114677048B (zh) * | 2022-04-22 | 2024-01-16 | 北京阿帕科蓝科技有限公司 | 一种需求区域挖掘方法 |
CN116503098A (zh) * | 2023-06-27 | 2023-07-28 | 北京阿帕科蓝科技有限公司 | 共享车辆车站的挖掘方法、装置、计算机设备和存储介质 |
CN116503098B (zh) * | 2023-06-27 | 2023-11-14 | 北京阿帕科蓝科技有限公司 | 共享车辆车站的挖掘方法、装置、计算机设备和存储介质 |
CN116665455A (zh) * | 2023-07-18 | 2023-08-29 | 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 |
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 |
CN116798234A (zh) * | 2023-08-28 | 2023-09-22 | 北京阿帕科蓝科技有限公司 | 车站参数信息的确定方法、装置、计算机设备和存储介质 |
CN116798234B (zh) * | 2023-08-28 | 2024-01-26 | 北京阿帕科蓝科技有限公司 | 车站参数信息的确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113393030A (zh) | 车辆运营区域潜力站点选址方法、系统、终端及介质 | |
Huang et al. | Explorations of the implementation of a parallel IDW interpolation algorithm in a Linux cluster-based parallel GIS | |
CN103134505B (zh) | 路径规划系统及其方法 | |
CN110569580B (zh) | 城市街道空间活力模拟方法、系统、计算机设备及介质 | |
Jeddoub et al. | Digital Twins for cities: Analyzing the gap between concepts and current implementations with a specific focus on data integration | |
CN113570275A (zh) | 基于bim和数字高程模型的水资源实时监测系统 | |
Bruno et al. | Location and GIS | |
CN110334164A (zh) | 一种生态空间数据的融合方法 | |
Khan et al. | Metis–a tool to harmonize and analyze multi-sectoral data and linkages at variable spatial scales | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
Yan et al. | An improved coverage-oriented retrieval algorithm for large-area remote sensing data | |
CN113722564A (zh) | 基于空间图卷积能源物资供应链的可视化方法及装置 | |
Shariatpour et al. | Urban 3D Modeling as a Precursor of City Information Modeling and Digital Twin for Smart City Era: A Case Study of the Narmak Neighborhood of Tehran City, Iran | |
CN117117833A (zh) | 光伏输出功率预测方法、装置、电子设备及存储介质 | |
CN111339446B (zh) | 一种兴趣点挖掘方法、装置、电子设备和存储介质 | |
Liu et al. | [Retracted] Collaboration and Management of Heterogeneous Robotic Systems for Road Network Construction, Management, and Maintenance under the Vision of “BIM+ GIS” Technology | |
CN114779978A (zh) | 一种数据可视化的融合方法、系统、装置和介质 | |
Hu et al. | Digital Twins For Topology Density Map Analysis. | |
Reijsbergen | Probabilistic modelling of station locations in bicycle-sharing systems | |
Gao et al. | MOOP: An efficient utility-rich route planning framework over two-fold time-dependent road networks | |
CN111581754A (zh) | 滨水景点网络生成方法、系统、计算机设备及存储介质 | |
LU502699B1 (en) | Method and system for predicting risk of geological disasters in villages and towns | |
Qin et al. | UrbanEvolver: function-aware urban layout regeneration | |
Fusco et al. | Spatial analysis of the Indian Subcontinent: The complexity investigated through neural networks | |
Zeng et al. | STA-former: encoding traffic flows with spatio-temporal associations in transformer networks for prediction |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |
|
RJ01 | Rejection of invention patent application after publication |