CN113723858A - 一种依据供需的网约车排队场景的分析方法 - Google Patents
一种依据供需的网约车排队场景的分析方法 Download PDFInfo
- Publication number
- CN113723858A CN113723858A CN202111058926.2A CN202111058926A CN113723858A CN 113723858 A CN113723858 A CN 113723858A CN 202111058926 A CN202111058926 A CN 202111058926A CN 113723858 A CN113723858 A CN 113723858A
- Authority
- CN
- China
- Prior art keywords
- supply
- queuing
- demand
- scene
- demand ratio
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种依据供需的网约车排队场景的分析方法,所述分析方法包括:根据具体的业务,将乘客排队的影响因素分类,获得排队影响因素分类结果;根据所述排队影响因素分类结果建立排队场景影响因素结构模型;根据不同供需比将数据进行分类,分类的参考标准为历史供需比;根据所述供需比自动检测指标异常点。运用供需比自动检测,自动增加排队场景,避免了人工增加的主观性,完善了现有排队场景库,使排队场景更科学,提高了分析的时效性。
Description
技术领域
本发明涉及网约车领域,尤其涉及一种依据供需的网约车排队场景的分析方法。
背景技术
目前网约车平台都有排队场景,排队场景主要是司乘供需不匹配造成的,而造成供需不匹配的原因有很多,例如:特殊天气、早晚高峰、交通事故、堵车等……各种各样的因素使得排队场景具有很强的不确定性,当前没有一套标准的分析流程和方法来评估整个排队的效果,也很难从整体排队场景中定位到底是某类原因引发的问题。
目前针对排队场景,运营分析人员进行分析时主要通过sql导出数据,excel进行数据处理,现有的处理方式存在很多的问题:
1、大多数据存储在不同的数据库或者不同的表中,数据提取过程繁琐,有时候需要写一堆脚本才能找到一些单一维度数据:比如分小时数据维度、分区域数据维度,针对性差;
2、这些数据出来后还要用到excel进行人工手动筛选、整合,所以整个分析过程中人工数据清洗和整理数据具有较强的主观性,整体科学性较差。
3、排队场景涉及到的原因很多,一次分析就要运行所有的脚本、所有涉及到的原因都要排查一遍,耗费大量时间但最终大多数原因并不是引发问题的关键点,造成了人员和时间的浪费,实效性和针对性差。而统计分析是一个具有高时效性、高针对性和高科学性的分析过程,所以现有的模式无法满足运营分析人员对业务的精准分析也将无法及时得出有价值方案和意见。
发明内容
鉴于上述问题,提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种依据供需的网约车排队场景的分析方法。
根据本发明的一个方面,提供了一种依据供需的网约车排队场景的分析方法,所述分析方法包括:
根据具体的业务,将乘客排队的影响因素分类,获得排队影响因素分类结果;
根据所述排队影响因素分类结果建立排队场景影响因素结构模型;
根据不同供需比将数据进行分类,分类的参考标准为历史供需比;
根据所述供需比自动检测指标异常点。
可选的,所述根据所述排队影响因素分类结果建立排队场景影响因素结构模型具体包括:
所述排队场景影响因素结构模型包括大类、小类、维度和检测指标;
各层级结构根据具体的业务进行增加、修改和删除;
所述大类包括日常排队场景、节假日排队场景、特殊排队场景;
所述日常排队场景的小类包括正常天气的上下班早晚高峰供需不匹配引发的排队;
所述节假日排队场景的小类包括节假日出行人数上涨引发的供需不匹配;
所述特殊排队场景的小类包括由于恶略天气使得用户出行不便,引起供需不匹配;
所述维度包括时间、区域。
可选的,所述根据所述供需比自动检测指标异常点具体包括:
获取当前供需比x和标准供需比;将所述当前供需比x与所述标准供需比进行比较,判断所述当前供需比x在所述标准供需比阈值内,如果是,所述当前供需比x正常;否则,发送预警消息给相关人员,并指出当前供需比与对应场景的供需比出现偏差,罗列出各检测指标与历史指标存在偏差,快速定位、获得异常指标。
本发明提供的一种依据供需的网约车排队场景的分析方法,所述分析方法包括:根据具体的业务,将乘客排队的影响因素分类,获得排队影响因素分类结果;根据所述排队影响因素分类结果建立排队场景影响因素结构模型;根据不同供需比将数据进行分类,分类的参考标准为历史供需比;根据所述供需比自动检测指标异常点。运用供需比自动检测,自动增加排队场景,避免了人工增加的主观性,完善了现有排队场景库,使排队场景更科学,提高了分析的时效性。
上述说明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,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的乘客排队场景结构模型图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元。
下面结合附图和实施例,对本发明的技术方案做进一步的详细描述。
如图1所示,一种依据供需的网约车排队场景的分析方法,分析方法包括:
根据具体的业务,将乘客排队的影响因素分类,获得排队影响因素分类结果。
根据所述排队影响因素分类结果建立排队场景影响因素结构模型;根据不同供需比将数据进行分类,分类的参考标准为历史供需比;根据供需比自动检测指标异常点。分类的参考标准是历史供需比,例如:历史日常排队场景供需比n1,历史节假日场景供需比n2,历史特殊场景供需比n3;各小类场景对应的历史供需比:早晚高峰供需比为m1,学校区域供需比m2……依次得到每个小类场景的供需比;在再小类基础上细分数据,例如早晚高峰对应时间段的供需比u1、早晚高峰对应区域的供需比v1,同样学校区域小时的供需比u2、区域的供需比v2,……将所有小类按照维度细分得到对应的供需比Un、Vn。此时,依据各类供需比已经将数据进行了划分。
根据排队影响因素分类结果建立排队场景影响因素结构模型具体包括:排队场景影响因素结构模型包括大类、小类、维度和检测指标;各层级结构根据具体的业务进行增加、修改和删除;能紧跟业务动向,灵活进行配置。大类包括日常排队场景、节假日排队场景、特殊排队场景;日常排队场景的小类包括正常天气的上下班早晚高峰供需不匹配引发的排队;节假日排队场景的小类包括节假日出行人数上涨引发的供需不匹配;特殊排队场景的小类包括由于恶略天气使得用户出行不便,引起供需不匹配;维度包括时间、区域。检测指标:通过具体数据定位当前面内哪些指标存在异常,进行预警,例如:检测指标司机在线时长降低,此时运营就要针对提高在线时长筹划活动。
根据供需比自动检测指标异常点具体包括:
获取当前供需比x和标准供需比;将当前供需比x与所述标准供需比进行比较,判断当前供需比x在标准供需比阈值内,如果是,当前供需比x正常;否则,发送预警消息给相关人员,并指出当前供需比与对应场景的供需比出现偏差,罗列出各检测指标与历史指标存在偏差,快速定位、获得异常指标。
具体层级检测过程如下:
第一轮选大类:当前供需比x满足日常排队场景供需比阈值即在n1阈值范围内,不输出预警继续拆分供需比。相反,如果不满足,预警并依次对比其他大类供需比直至再次找到满足的大类,如果没有则新增加大类并保存记录;最终找到能得到供需比x对应的大类。
第二步选小类:
在选出大类的基础上将x细分,得到小类供需比x1。将x1与上步选出的“大类”对应的“小类”的供需比分别对比,对比过程同第一步,如果x1满足其中“小类”,则对应选出“小类”,没有则新加小类,此时还要增加新“小类”的小时和区域维度对应的新的检测指标值存储记录,最终找到满足供需比x1的小类。
第三步维度对比:
在选出“小类”后,将x1继续拆分成小时维度供需比x3和区域维度x4,依次与该“小类”标准的小时维度供需比u1和标准区域维度v1对比定位到具体时段和区域,并对比检测指标的偏差,就能知道哪个时段哪个区域具体某项指标异常引起的排队数据异常。例如:早晚高峰供需“小类”下小时维度x3满足标准时间供需比u1且x4不满足v4,则说明此次数据异常是早晚高峰某个区域数据发生了波动,再与该区域的检测指标:Y1、Y2、Y3、Y4……对比,找到具体是司机数量少还是订单量少引起的该区域数据异常。快速知道运营做出决策。
有益效果:运用供需比自动检测,自动增加排队场景,避免了人工增加的主观性,并完善了现有排队场景库,使排队场景更科学;自动处理数据输出报警信息,减少了人工处理数据的时间,提高了分析的实效性。
分层形式逐层检测,检测更全面,还能快速定位到异常指标,发现问题点,帮助运营人员提出解决方案。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种依据供需的网约车排队场景的分析方法,其特征在于,所述分析方法包括:
根据具体的业务,将乘客排队的影响因素分类,获得排队影响因素分类结果;
根据所述排队影响因素分类结果建立排队场景影响因素结构模型;
根据不同供需比将数据进行分类,分类的参考标准为历史供需比;
根据所述供需比自动检测指标异常点。
2.根据权利要求1所述的一种依据供需的网约车排队场景的分析方法,其特征在于,所述根据所述排队影响因素分类结果建立排队场景影响因素结构模型具体包括:
所述排队场景影响因素结构模型包括大类、小类、维度和检测指标;
各层级结构根据具体的业务进行增加、修改和删除;
所述大类包括日常排队场景、节假日排队场景、特殊排队场景;
所述日常排队场景的小类包括正常天气的上下班早晚高峰供需不匹配引发的排队;
所述节假日排队场景的小类包括节假日出行人数上涨引发的供需不匹配;
所述特殊排队场景的小类包括由于恶略天气使得用户出行不便,引起供需不匹配;
所述维度包括时间、区域。
3.根据权利要求1所述的一种依据供需的网约车排队场景的分析方法,其特征在于,所述根据所述供需比自动检测指标异常点具体包括:
获取当前供需比x和标准供需比;
将所述当前供需比x与所述标准供需比进行比较,判断所述当前供需比x在所述标准供需比阈值内,如果是,所述当前供需比x正常;否则,发送预警消息给相关人员,并指出当前供需比与对应场景的供需比出现偏差,罗列出各检测指标与历史指标存在偏差,快速定位、获得异常指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058926.2A CN113723858A (zh) | 2021-09-10 | 2021-09-10 | 一种依据供需的网约车排队场景的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058926.2A CN113723858A (zh) | 2021-09-10 | 2021-09-10 | 一种依据供需的网约车排队场景的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723858A true CN113723858A (zh) | 2021-11-30 |
Family
ID=78683107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111058926.2A Pending CN113723858A (zh) | 2021-09-10 | 2021-09-10 | 一种依据供需的网约车排队场景的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723858A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049419A (zh) * | 2022-03-07 | 2022-09-13 | 首约科技(北京)有限公司 | 一种供需失衡识别和预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793761A (zh) * | 2014-01-24 | 2014-05-14 | 同济大学 | 一种枢纽异常客流量产生因素的识别方法 |
CN110458336A (zh) * | 2019-07-23 | 2019-11-15 | 内蒙古工业大学 | 一种基于深度学习的网约车供需预测方法 |
CN110689229A (zh) * | 2019-08-29 | 2020-01-14 | 百度在线网络技术(北京)有限公司 | 一种信息处理方法、装置、设备和计算机存储介质 |
WO2020082900A1 (zh) * | 2018-10-25 | 2020-04-30 | 北京嘀嘀无限科技发展有限公司 | 订单服务安全性检测装置及方法 |
-
2021
- 2021-09-10 CN CN202111058926.2A patent/CN113723858A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793761A (zh) * | 2014-01-24 | 2014-05-14 | 同济大学 | 一种枢纽异常客流量产生因素的识别方法 |
WO2020082900A1 (zh) * | 2018-10-25 | 2020-04-30 | 北京嘀嘀无限科技发展有限公司 | 订单服务安全性检测装置及方法 |
CN110458336A (zh) * | 2019-07-23 | 2019-11-15 | 内蒙古工业大学 | 一种基于深度学习的网约车供需预测方法 |
CN110689229A (zh) * | 2019-08-29 | 2020-01-14 | 百度在线网络技术(北京)有限公司 | 一种信息处理方法、装置、设备和计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
谷远利;李萌;芮小平;陆文琦;王硕;: "基于深度学习的网约车供需缺口短时预测研究", 交通运输系统工程与信息, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049419A (zh) * | 2022-03-07 | 2022-09-13 | 首约科技(北京)有限公司 | 一种供需失衡识别和预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191896B (zh) | 个性化停车位推荐方法和系统 | |
US7487918B2 (en) | Information acquisition method, information presenting method, and information acquisition system | |
CN101887440B (zh) | 热点分析系统及方法 | |
CN105825706A (zh) | 一种车位信息推送方法和装置 | |
CN111651646B (zh) | 业务处理方法及装置 | |
JP7176218B2 (ja) | 情報検索サーバ、情報検索システムおよび情報検索方法 | |
CN113723858A (zh) | 一种依据供需的网约车排队场景的分析方法 | |
CN111652661B (zh) | 一种手机客户端用户流失预警处理方法 | |
CN115220843A (zh) | 基于场景、画像和产品体验的产品开发创景创新方法及系统 | |
Khattak et al. | Case-based reasoning: A planning tool for intelligent transportation systems | |
Javid et al. | Public satisfaction with service quality of Daewoo urban bus service in Lahore | |
Pozo et al. | Prediction of on-street parking level of service based on random undersampling decision trees | |
CN115691125A (zh) | 基于城市轨道交通设施系统的可靠度分析方法及相关装置 | |
Bi et al. | Capturing the characteristics of car-sharing users: Data-driven analysis and prediction based on classification | |
CN110555473A (zh) | 行车线路规划方法、服务器及系统 | |
CN116883035A (zh) | 一种基于用户分群统计的业务匹配方法 | |
Meng et al. | Patterns of knowledge development and diffusion in the global autonomous vehicle technological innovation system: a patent-based analysis | |
CN111506777A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115374291A (zh) | 基于业务对象的知识库构建方法及系统 | |
CN114234995A (zh) | 一种导航方法、装置、电子设备及存储介质 | |
CN112926796A (zh) | 一种基于特定场景的下车点推荐方法及装置 | |
Golob et al. | Mode choice prediction using attitudinal data: A procedure and some results | |
McLeod et al. | Planning urban futures for autonomous and shared vehicles: The role of planning support tools as a policy instrument | |
CN112419104A (zh) | 一种基于大数据的旅客信息管理系统 | |
US7516175B1 (en) | Method of organizing and analyzing field warranty data |
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 |