CN114971717A - 一种商业优惠券发放方法 - Google Patents
一种商业优惠券发放方法 Download PDFInfo
- Publication number
- CN114971717A CN114971717A CN202210596228.6A CN202210596228A CN114971717A CN 114971717 A CN114971717 A CN 114971717A CN 202210596228 A CN202210596228 A CN 202210596228A CN 114971717 A CN114971717 A CN 114971717A
- Authority
- CN
- China
- Prior art keywords
- user
- riding
- time
- data
- shared bicycle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000000694 effects Effects 0.000 claims abstract description 158
- 238000009826 distribution Methods 0.000 claims abstract description 65
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000012800 visualization Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000006872 improvement Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 24
- 230000001351 cycling effect Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013508 migration Methods 0.000 claims description 13
- 230000005012 migration Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000002360 preparation method Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000004992 fission Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008450 motivation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000007847 structural defect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000010485 coping Effects 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001483 mobilizing effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0639—Item locations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种商业优惠券发放方法，包括：根据共享单车分布热点图可视化，获取城市各个区域的单车需求点和冗余点；获取目标用户有效骑行数据；根据共享单车冗余点和需求点的实时数据，向目标用户发放骑行优惠券；骑行与跑步性格检测，向运动达人推送运动骑行活动；本地大型活动实时统计，短信智能推送限时优惠停放地点；优惠券发放策略效果评估；优惠券发放策略调整。
Description
技术领域
本发明涉及信息技术领域，尤其涉及一种商业优惠券发放方法。
背景技术
共享单车经常是需要人们去骑行才能骑到固定地点，但是经常会出现，地铁口很多单车，而很多地方单车却不足的情况。单车多的地方阻塞交通，单车少的地方，又特别难找到单车。因此需要通过车辆进行再次调配运输，才能满足单车的再次使用。是否有办法通过对骑行者采取激励的方式，让单车停在更好的地方，避免通过货车再去搬运单车，降低成本。本发明希望通过优惠券的形式将运动和共享单车这两者链接起来，变成一种新的模式。
发明内容
本发明提供了一种商业优惠券发放方法，主要包括：
根据共享单车分布热点图可视化，获取城市各个区域的单车需求点和冗余点；获取目标用户有效骑行数据；根据共享单车冗余点和需求点的实时数据，向目标用户发放骑行优惠券；骑行与跑步性格检测，向运动达人推送运动骑行活动；本地大型活动实时统计，短信智能推送限时优惠停放地点；优惠券发放策略效果评估；优惠券发放策略调整；
进一步可选地，所述根据共享单车分布热点图可视化，获取城市各个区域的单车需求点和冗余点包括：
获取原始的城市路网地图，将地图中整条的道路在交叉路口处分割成多条路段，将多条路段重新编号，每相邻的两个分割点之间表示一条路段；获取城市内所有区域的共享单车的GPS数据，共享单车的GPS数据属性包括每次骑行行程的起始点和终点、单车编号和行程用时，通过python绘制共享单车实时分布热力图，数据以密度的形式记录在该城市的各个空间位置上共享单车的数量；基于骑行者在时间和空间上的出行差异，以共享单车历史订单为基础，借助ArcGIS缓冲方法筛选出工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段的共享单车骑行行程的起始点和终点流量分布数据，统计工作日早高峰、工作日晚高峰、周末早高峰和晚高峰这四个时间段的共享单车的骑行时空分布，找出共享单车在这四个重点时段中分布冗余和不足的区域；并选取标准差椭圆进行公共交通枢纽站点周边共享单车分布拟合，标准差椭圆的中心O表示共享单车分布的主要方向，椭圆的长轴和短轴分布表示数据分布偏离重心的主方向和次方向，根据椭圆长轴、短轴长度的不一致，获取共享单车在轴向和纵向的差异性分布，分析不同需求的人群的骑行行为对共享单车的不均衡分布的影响，利用时间序列建模方法对全天不同时段、不同区域内共享单车的需求进行分时预测。 进一步可选地，所述获取目标用户有效骑行数据包括：
从服务端上获取到的共享单车的数据进行预处理后，对GPS数据进行抽稀和去噪处理，获取共享单车的真实骑行轨迹；对用户的骑行行为进行分析，重现用户骑行轨迹；包括：共享单车的GPS数据抽稀；共享单车的GPS数据去噪处理；根据用户历史骑行数据，重现用户骑行轨迹；
所述共享单车的GPS数据抽稀，具体包括：
将从服务器接收到的共享单车的位置信息按照固定的格式存储在GPS日志文件中，对GPS日志进行解析，获得共享单车的定位信息。对原始数据进行初步筛选，删除共享单车的无效骑行数据，即将骑行行程的起始点和终点距离过短或过长的数据筛除；用抽稀算法对行程密集点抽稀，即将单车编号和骑行行程的起始点和终点进行重复数据筛查，若共享单车出现在某一位置逗留的情况， GPS轨迹的序列中相邻轨迹点间的距离小于预设阈值时，只记录总行程序列中的第一个和最后一个轨迹点，删除行程中的其他轨迹点。
所述共享单车的GPS数据去噪处理，具体包括：
在对共享单车的GPS轨迹点进行噪声检测时，需要对共享单车的位置信息和速度信息都进行噪声检测。在基于位置信息的噪声点检测上，GPS轨迹点应当在椭圆范围内，在检测过程中对异常轨迹点进行删除处理。在基于速度信息的噪声点检测上，根据得到的有效轨迹点数据，检测目标用户在两相邻轨迹点间的骑行速度信息，计算自行车在加速和减速过程中的加速度，根据骑行可达到的最大加速度，对每个轨迹点的瞬时速度的过滤，筛选出加速度过小或大于最大加速度的轨迹点并删除该轨迹点。先对噪声信号进行正向过滤，若检测过程与位移信息的检测过程相同，先以GPS轨迹点A1为基准点检验轨迹点A2是否满足速度的变化范围，即轨迹点A2是否在椭圆范围内，若超出范围，则将轨迹点A2标记为第一标记点，并删除轨迹点A2。检测继续，将轨迹点A1为基准，检测下一轨迹点A3是否满足条件，以此程序运行逻辑对所有的GPS轨迹点的检验。正向过滤完成后，沿反方向按同样的方法对GPS位移点再次进行噪声过滤操作，即先以GPS轨迹点A3为基准点，检验前一轨迹点A2是否满足速度的变化范围，若超出范围，则将轨迹点A2标记为第一标记。检测继续，将轨迹点A3为基准，检测下一轨迹点A1是否满足条件，以此程序运行逻辑对所有的GPS轨迹点的检验。
所述根据用户历史骑行数据，重现用户骑行轨迹，具体包括：
对用户的骑行数据进行统计和分析，剔除骑行频率在预设阈值外的用户数据，确定目标用户在工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段的骑行行程起始点和终点，寻找用户频繁出行的骑行行程起始点和终点，推断用户频繁骑行的目标起点和终点。根据用户出现概率最大的骑行起始点和终点，对骑行路径进行分析。将用户的总骑行轨迹按照路段进行划分，获取用户骑行过程中经过多条路径的GPS轨迹点。计算用户出现在各轨迹段与各条可通行的潜在路段匹配的可能性，找出最大概率经行的路段。按照聚类分析的方法，求出用户历史大概率出行起始点和终点的聚类中心和聚类半径R，缩小用户骑行路段和用户历史大概率出现地区的范围，并统计用户骑行频率最高的路段。当用户的历史骑行路段只有一条，则设定该路段为最大概率出行路段；若在同一路口处有两条或多条骑行路段可以通行，则对多条历史骑行路段进行频率赋值，结合用户的出行习惯、道路等级并依据Dijkstra最短路径算法寻找该用户的最大概率出行路段。根据轨迹段内一系列相邻轨迹点的连续性，复现用户在骑行行程起始点和终点间往返的最大频率骑行路段。
进一步可选地，所述根据共享单车冗余点和需求点的实时数据，向目标用户发放骑行优惠券包括：
设置共享单车分布热点地图的更新时间，每经过预设的时间，同步更新共享单车分布热点地图以及共享单车的冗余点和需求点；根据获取到的共享单车分布实时数据，构建共享单车分时预测模型，预测共享单车在每一时段下的实时需求量，并提前制定调配方案，给目标用户及时推送优惠活动并发放骑行优惠券；包括：构建共享单车需求预测模型；分析用户骑行成本、分析平台调配共享单车的成本，制定优惠政策；目标用户优惠政策智能推送；
所述构建共享单车需求预测模型，具体包括：
统计共享单车在全天不同时段的订单数据，构建非平稳周期性时间序列预测模型。对获取的共享单车的时间序列有效数据进行可视化处理，绘制共享单车的使用数量随时间变化的曲线图，衡量序列的平稳性。提取数据的线性特征，通过差分的方法将非平稳序列转化为平稳的时间序列，再通过季节性差分的方式将时间序列分解成正常时间序列部分和季节性周期部分，每一次的差分处理都需要重新对时序图进行分析。平稳性处理结束后，根据时间序列的自相关函数图的拖尾情况和偏自相关函数图的截尾情况，对共享单车的需求预测模型的参数进行定阶，通过利用最小二乘法对不同参数的模型性能进行评估，筛选出性能最优的模型参数。对具有最优参数的模型进行残差和白噪声检验，评估模型的稳定性。
所述分析用户骑行成本、分析平台调配共享单车的成本，制定优惠政策，具体包括：
根据共享单车平台的调配成本和盈利方式、用户的职业身份和出行习惯、共享单车的调配需求紧急度，制定骑行优惠方案。对影响用户骑行的各项影响因素建立判断矩阵，通过定量的研究方式对影响用户骑行的因素进行调查，计算各项指标的重要度向量，得到特征值并进行一致性检验，产出影响因素重要性表。在时间尺度和价格尺度上模拟用户骑行活动，并根据问卷调查结果，确定骑行优惠的折扣和优惠次数。在分析企业的成本和利润时，对企业上半年的盈利和成本进行分析，根据用户的骑行数据，获取共享单车被用户频繁使用的地点和时段，并对这些时段和地点进行企业净利润数据统计分析，获得共享单车平台的调配成本和盈利方式数据。查询平台推出的历史骑行优惠活动，分析在不同优惠活动下用户在不同地段、不同时间上的骑行行为数据，寻找能有效调动起用户骑行兴趣的活动内容和优惠政策并找出数据间的共性，获取用户的职业身份和出行习惯数据。在共享单车的实时调配需求上，对上半年共享单车在不同地段、不同时段的分布数据，统计共享单车最急需解决冗余量和供给问题的地段和时间段，获得共享单车的调配需求紧急度数据。根据共享单车平台的调配成本和盈利方式、用户的职业身份和出行习惯、共享单车的调配需求紧急度这三个指标，对优惠额度和优惠券的发放量进行权重的计算，根据计算结果，制定共享单车调配最优方案。
所述目标用户优惠政策智能推送，具体包括： 获取用户骑行数据，根据用户在平台上留下的个人资料和骑行历史记录，对用户的静态信息本体和动态行为进行分析，包括用户在本平台上留下的历史骑行数据以及用户在其他的电商、社交、媒体上留下的历史数据。对获取到的用户个人信息进行权重计算，在权重计算过程中，需要对行为对象在不同时间、地点上的行为内容信息保持一定的权重性，实现对用户画像数学模型的构建。用户画像构建完成后，对用户的骑行行为特征和骑行需求进行权重排列。结合共享单车的分布问题和用户的骑行偏好，有针对性地为用户制定个性化的骑行优惠活动推送，并通过短信推送的方式将优惠活动信息推送给特定的用户。
进一步可选地，所述骑行与跑步性格检测，向运动达人推送运动骑行活动包括：在建立群组用户画像后，骑行平台以整体用户可视化描述的方式，深入分析用户群体的跑步行为和骑行习惯，并结合用户的专业背景、性别、年龄三大维度进行聚类分析，形成特定用户群的共有规律；然后依据群体用户画像，从用户行为偏好、骑行频率两大维度对用户的跑步行为和骑行行为相结合，得到有跑步习惯且骑行频率高的目标群体，向这类目标用户群体推送骑行运动活动；包括：获取用户的跑步运动数据，邀请目标用户参与骑行与跑步性格检测；向目标用户智能推送运动骑行活动，活动结束后发放活动奖励；
所述获取用户的跑步运动数据，邀请目标用户参与骑行与跑步性格检测，具体包括： 根据用户参与跑步的历史运动数据构建跑步运动参与者的画像基本模型，模型包括四个方面：用户的基本信息、运动前准备、运动过程和跑步行为结果。用户的基本信息包括用户的年龄、性别和学历；运动前准备包括跑步的目的和跑步前的装备准备；跑步过程包括结伴偏好、跑步场地和路线安排；跑步行为结果，包括跑步运动的频率和单次运动时长。通过对用户进行问卷调查、访谈和用户在运动APP上的历史运动数据记录，对用户的跑步行为进行数据采集和研究分析。通过对用户的基本信息和参与跑步全过程的行为偏好分析，从用户数据中筛选出目标群体，向目标群体智能推送运动性格测试邀请，获取并分析用户在运动心理、运动频率、参与团体运动的社交动机这三方面的个人表现，根据获取到的数据分析影响用户运动的实际因素。
所述向目标用户智能推送运动骑行活动，活动结束后发放活动奖励，具体包括：通过机器学习算法准确识别和推测用户个体兴趣和跑步行为特征，发现既有跑步习惯又经常使用共享单车的目标用户，向目标用户群短信智能推送骑行运动活动。在用户的社交网络上进行传播动力学分析，利用链路预测理论完善社交网络中的结构缺陷，通过骑行活动信息传播模式的观测和反演，研究骑行运动活动的传播过程和大规模传播中的受约束节点，识别并吸引具有高影响力的节点参加活动。对成功参与运动骑行活动的用户给予奖励。通过社群裂变的方式，对成功邀请新用户参加骑行运动活动的旧用户给予奖励，对新用户发放骑行优惠券。
进一步可选地，所述本地大型活动实时统计，短信智能推送限时优惠停放地点包括： 构建浏览器模式下本地大型活动信息采集，实现对本地即将举行的大型活动信息的实时获取；结合寻优算法，根据功能函数进行本地大型活动信息聚类分析，对在不同地段、不同时段里举行的大型公共活动进行采集和统计，计算活动举办场所距离公共交通枢纽的距离，计算举办某大型活动的参与人数和参与人员的主要出行方式，对活动当天的人员流量和交通情况进行预测，根据研究结果对活动场地附近的共享单车放置点提前做好相应的人口流量应对工作，及时更新共享单车的优惠停放点；根据用户的定位信息，短信智能推送限时单车优惠停放点信息。
进一步可选地，所述优惠券发放策略效果评估包括：
优惠券发放活动的结果通过参与者的骑行频率和共享单车冗余点和需求点的改善情况进行衡量；预设一定的统计周期，统计目标用户参与优惠骑行活动的有效数据，分析影响用户参与积极性的影响因素；分时段对共享单车冗余点和需求点的共享单车改善情况进行统计分析；包括：以预设的统计周期记录目标区域共享单车的供给变化；实时统计用户参与度，收集用户意见反馈和改进建议；
所述以预设的统计周期记录目标区域共享单车的供给变化，具体包括：
基于时空立方体数据聚合模型以及时空热点分析工具，对共享单车冗余点和供应不足点的共享单车骑行时空特征和调配改善情况进行跟踪识别和对比。基于网格大小和时间步长间隔两大参数，分别依照工作日早高峰、工作日晚高峰时段、周末早高峰时段、周末晚高峰时段四个不同时段构造四个时空立方体模型。设置模型的数据采样时长阈值，根据预设的时长阈值，记录总时间长度为24小时内共享单车的使用情况和空间分布情况。统计用户使用共享单车的平均骑行距离，将模型中每个网格的数值设置为用户的平均骑行距离。建立时空立方体模型后，通过时空热点分析工具获取在预设时间内的时间序列中，每个网格中的共享单车的迁出量和迁入量随时间变化的时空模型。对在预设的时间阈值里的共享单车的迁入量和迁出量进行统计计算，以每周为一个统计周期，分析共享单车在四个高峰时段的冗余量和供给不足情况。
所述实时统计用户参与度，收集用户意见反馈和改进建议，具体包括：
以一个预设的时间周期，统计用户在总的骑行活动中，参与优惠骑行活动的频率，统计用户参与优惠停放活动的积极性；计算每一次用户的骑行终点距离骑行优惠点的距离。对经常将共享单车停放在距离优惠停放点为一定的阈值距离的用户，发放调查问卷，探究和统计用户没有参与优惠停放活动的因素。研究在工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段影响用户骑行共享单车的主要影响因素。对于骑行运动活动，统计用户参与骑行运动活动的次数和频率，统计用户邀请新用户的次数和积极性；统计在预设的时间周期内，用户参与骑行运动活动的积极性与活动区域内共享单车的调配改善情况之间的关系；统计用户参与骑行运动活动的积极性随时间周期的变化，对用户发放问卷，收集用户意见反馈和改进建议。
一种商业优惠券发放方法其特征在于，所述系统包括：
设置一个固定的统计时间周期，计算企业的成本和利润，成本包括共享单车的运营维护成本、折旧成本、调配成本，利润包括用户的骑行费用和违规罚款；分区域统计共享单车的供需改善结果和观测区域中企业的净利润，根据统计结果，调整优惠券的额度大小和发放量；统计用户参与骑行优惠活动的积极性、优惠活动的力度和传播力度和共享单车供需情况，调节优惠活动的传播力度；根据用户参与骑行运动活动的积极性随时间周期的变化，调整骑行运动活动的奖励机制。
本发明实施例提供的技术方案可以包括以下有益效果：
根据共享单车分布热点图可视化、有效骑行数据以及共享单车冗余点和需求点的实时数据，以发放骑行优惠券的形式，有效解决单车分配不均匀的问题，满足各个区域用户的单车需求，无需通过车辆多次调配，同时能够避免阻塞交通，使得单车能够高效调配。
【附图说明】
图1为本发明的一种商业优惠券发放方法的流程图。
图2为本发明的一种目标用户优惠政策智能推送的流程图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。 图1为本发明的一种商业优惠券发放方法流程图。如图1所示，本实施例一种商业优惠券发放方法具体可以包括：
步骤101，根据共享单车分布热点图可视化，获取城市各个区域的单车需求点和冗余点。 获取原始的城市路网地图，将地图中整条的道路在交叉路口处分割成多条路段，将多条路段重新编号，每相邻的两个分割点之间表示一条路段。获取城市内所有区域的共享单车的GPS数据，共享单车的GPS数据属性包括每次骑行行程的起始点和终点、单车编号和行程用时，通过python绘制共享单车实时分布热力图，数据以密度的形式记录在该城市的各个空间位置上共享单车的数量。基于骑行者在时间和空间上的出行差异，以共享单车历史订单为基础，借助ArcGIS缓冲方法筛选出工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段的共享单车骑行行程的起始点和终点流量分布数据，统计工作日早高峰、工作日晚高峰、周末早高峰和晚高峰这四个时间段的共享单车的骑行时空分布，找出共享单车在这四个重点时段中分布冗余和不足的区域。并选取标准差椭圆进行公共交通枢纽站点周边共享单车分布拟合，标准差椭圆的中心O表示共享单车分布的主要方向，椭圆的长轴和短轴分布表示数据分布偏离重心的主方向和次方向，根据椭圆长轴、短轴长度的不一致，获取共享单车在轴向和纵向的差异性分布，分析不同需求的人群的骑行行为对共享单车的不均衡分布的影响，利用时间序列建模方法对全天不同时段、不同区域内共享单车的需求进行分时预测。 步骤102，获取目标用户有效骑行数据。 从服务端上获取到的共享单车的数据进行预处理后，对GPS数据进行抽稀和去噪处理，获取共享单车的真实骑行轨迹。对用户的骑行行为进行分析，重现用户骑行轨迹。 共享单车的GPS数据抽稀。 将从服务器接收到的共享单车的位置信息按照固定的格式存储在GPS日志文件中，对GPS日志进行解析，获得共享单车的定位信息。对原始数据进行初步筛选，删除共享单车的无效骑行数据，即将骑行行程的起始点和终点距离过短或过长的数据筛除；用抽稀算法对行程密集点抽稀，即将单车编号和骑行行程的起始点和终点进行重复数据筛查，若共享单车出现在某一位置逗留的情况， GPS轨迹的序列中相邻轨迹点间的距离小于预设阈值时，只记录总行程序列中的第一个和最后一个轨迹点，删除行程中的其他轨迹点。不管是在城市交通枢纽周边，或是在全市范围内，早晚高峰时段是共享单车在高峰骑行时段。而对于上班族这类骑行用户，在工作日的早高峰时间段内会有较为规律的出行轨迹，离开居住地去公司上班，下班后从公司返回居住地。就工作日而言，当上班族与最近的公共交通枢纽有一定的距离时，其会选择骑行来解决“最后一公里”的出行问题。由此，结合路段长度、用户出行习惯、道路等级等相关因子，能得到在工作日时段共享单车数量冗余和供给不足的区域。而在周末的早高峰段时段，本地居民的休闲出行亦会根据与公共交通枢纽的距离而选择骑行，因此其骑行活动都会对存在共享单车数量冗余的区域造成较大的影响，因此就能获得较频繁出现共享单车冗余和供应不足的区域数据。因此可以重点对公共交通站点附近用户的骑行数据进行研究，获取居民小区、办公大楼和休闲场所附近的共享单车在这工作日早高峰、工作日晚高峰、周末早高峰和晚高峰这四个时间段的动态分布。 共享单车的GPS数据去噪处理。 在对共享单车的GPS轨迹点进行噪声检测时，需要对共享单车的位置信息和速度信息都进行噪声检测。在基于位置信息的噪声点检测上，GPS轨迹点应当在椭圆范围内，在检测过程中对异常轨迹点进行删除处理。在基于速度信息的噪声点检测上，根据得到的有效轨迹点数据，检测目标用户在两相邻轨迹点间的骑行速度信息，计算自行车在加速和减速过程中的加速度，根据骑行可达到的最大加速度，对每个轨迹点的瞬时速度的过滤，筛选出加速度过小或大于最大加速度的轨迹点并删除该轨迹点。先对噪声信号进行正向过滤，若检测过程与位移信息的检测过程相同，先以GPS轨迹点A1为基准点检验轨迹点A2是否满足速度的变化范围，即轨迹点A2是否在椭圆范围内，若超出范围，则将轨迹点A2标记为第一标记点，并删除轨迹点A2。检测继续，将轨迹点A1为基准，检测下一轨迹点A3是否满足条件，以此程序运行逻辑对所有的GPS轨迹点的检验。正向过滤完成后，沿反方向按同样的方法对GPS位移点再次进行噪声过滤操作，即先以GPS轨迹点A3为基准点，检验前一轨迹点A2是否满足速度的变化范围，若超出范围，则将轨迹点A2标记为第一标记。检测继续，将轨迹点A3为基准，检测下一轨迹点A1是否满足条件，以此程序运行逻辑对所有的GPS轨迹点的检验。从服务端上获取到的骑行数据存在数据集冗余、重复、无效等情况，因此我们需要对目标用户的骑行数据进行抽稀和去噪处理，保证获取到的数据都是有效且可用的骑行数据，重现目标用户的真实骑行轨迹。 根据用户历史骑行数据，重现用户骑行轨迹。 对用户的骑行数据进行统计和分析，剔除骑行频率在预设阈值外的用户数据，确定目标用户在工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段的骑行行程起始点和终点，寻找用户频繁出行的骑行行程起始点和终点，推断用户频繁骑行的目标起点和终点。根据用户出现概率最大的骑行起始点和终点，对骑行路径进行分析。将用户的总骑行轨迹按照路段进行划分，获取用户骑行过程中经过多条路径的GPS轨迹点。计算用户出现在各轨迹段与各条可通行的潜在路段匹配的可能性，找出最大概率经行的路段。按照聚类分析的方法，求出用户历史大概率出行起始点和终点的聚类中心和聚类半径R，缩小用户骑行路段和用户历史大概率出现地区的范围，并统计用户骑行频率最高的路段。当用户的历史骑行路段只有一条，则设定该路段为最大概率出行路段；若在同一路口处有两条或多条骑行路段可以通行，则对多条历史骑行路段进行频率赋值，结合用户的出行习惯、道路等级并依据Dijkstra最短路径算法寻找该用户的最大概率出行路段。根据轨迹段内一系列相邻轨迹点的连续性，复现用户在骑行行程起始点和终点间往返的最大频率骑行路段。在服务端收集到的共享单车的出行轨迹数据集会存在冗余、无效、异常等问题，因此在对共享单车的出行特征进行分析之前，必须要对海量的原始数据进行清洗、筛选并剔除无效和异常的数据。
步骤103，根据共享单车冗余点和需求点的实时数据，向目标用户发放骑行优惠券。 设置共享单车分布热点地图的更新时间，每经过预设的时间，同步更新共享单车分布热点地图以及共享单车的冗余点和需求点。根据获取到的共享单车分布实时数据，构建共享单车分时预测模型，预测共享单车在每一时段下的实时需求量，并提前制定调配方案，给目标用户及时推送优惠活动并发放骑行优惠券。在基于位置信息的噪声点检测上，由于GPS轨迹点应当在椭圆范围内，如果轨迹点超出椭圆的范围，则认为该轨迹点是噪声点，因此在检测过程中，若检测到异常轨迹点，以“第一标记”为其命名，并删除该轨迹点。并以异常轨迹点的前一轨迹点为基准点，检测后一轨迹点的确定性。通过对骑行位移点进行正向和反向两种过滤操作，实现对位移点数据的去噪处理，能极大地提高模型的清洗速度和检验准确率，实现了对共享单车的骑行轨迹的准确定位。 构建共享单车需求预测模型。 统计共享单车在全天不同时段的订单数据，构建非平稳周期性时间序列预测模型。对获取的共享单车的时间序列有效数据进行可视化处理，绘制共享单车的使用数量随时间变化的曲线图，衡量序列的平稳性。提取数据的线性特征，通过差分的方法将非平稳序列转化为平稳的时间序列，再通过季节性差分的方式将时间序列分解成正常时间序列部分和季节性周期部分，每一次的差分处理都需要重新对时序图进行分析。平稳性处理结束后，根据时间序列的自相关函数图的拖尾情况和偏自相关函数图的截尾情况，对共享单车的需求预测模型的参数进行定阶，通过利用最小二乘法对不同参数的模型性能进行评估，筛选出性能最优的模型参数。对具有最优参数的模型进行残差和白噪声检验，评估模型的稳定性。用户在工作日时期内的骑行轨迹最为频繁且重复性最高，因此可以对骑行用户在历史四个月内的骑行路程进行统计，找出用户骑行概率最大的起始点和终点。借助聚类分析算法缩小用户的骑行路段和骑行半径，确定相邻两个出行历经点在地图上的准确位置。借助Dijkstra最短路径算法，并结合实际路段的情况和用户的历史骑行路段，找出骑行用户最大可能途经的路段。根据道路的连续性，将多条骑行概率最大的骑行路段按照节点相连，直至在骑行的起始点和终点间形成一条完整的有向骑行轨迹为止。 分析用户骑行成本、分析平台调配共享单车的成本，制定优惠政策。 根据共享单车平台的调配成本和盈利方式、用户的职业身份和出行习惯、共享单车的调配需求紧急度，制定骑行优惠方案。对影响用户骑行的各项影响因素建立判断矩阵，通过定量的研究方式对影响用户骑行的因素进行调查，计算各项指标的重要度向量，得到特征值并进行一致性检验，产出影响因素重要性表。在时间尺度和价格尺度上模拟用户骑行活动，并根据问卷调查结果，确定骑行优惠的折扣和优惠次数。在分析企业的成本和利润时，对企业上半年的盈利和成本进行分析，根据用户的骑行数据，获取共享单车被用户频繁使用的地点和时段，并对这些时段和地点进行企业净利润数据统计分析，获得共享单车平台的调配成本和盈利方式数据。查询平台推出的历史骑行优惠活动，分析在不同优惠活动下用户在不同地段、不同时间上的骑行行为数据，寻找能有效调动起用户骑行兴趣的活动内容和优惠政策并找出数据间的共性，获取用户的职业身份和出行习惯数据。在共享单车的实时调配需求上，对上半年共享单车在不同地段、不同时段的分布数据，统计共享单车最急需解决冗余量和供给问题的地段和时间段，获得共享单车的调配需求紧急度数据。根据共享单车平台的调配成本和盈利方式、用户的职业身份和出行习惯、共享单车的调配需求紧急度这三个指标，对优惠额度和优惠券的发放量进行权重的计算，根据计算结果，制定共享单车调配最优方案。由于共享单车的冗余点和需求点会随着时间的变化而变化，根据共享单车的在每小时下的分布数据构造单车实时预测模型，通过模型，可以对在下一时段的共享单车分布的实时需求量进行预测，从而及时为用户推送优惠活动，实现共享单车的实时调控和供给需求。 目标用户优惠政策智能推送。 获取用户骑行数据，根据用户在平台上留下的个人资料和骑行历史记录，对用户的静态信息本体和动态行为进行分析，包括用户在本平台上留下的历史骑行数据以及用户在其他的电商、社交、媒体上留下的历史数据。对获取到的用户个人信息进行权重计算，在权重计算过程中，需要对行为对象在不同时间、地点上的行为内容信息保持一定的权重性，实现对用户画像数学模型的构建。用户画像构建完成后，对用户的骑行行为特征和骑行需求进行权重排列。结合共享单车的分布问题和用户的骑行偏好，有针对性地为用户制定个性化的骑行优惠活动推送，并通过短信推送的方式将优惠活动信息推送给特定的用户。共享单车的订单数据具有明确的起始和结束时间点，根据这项数据可以统计出共享单车在一天内、在同一地点处的骑入和骑出情况。共享单车的使用情况还存在季节、月份、星期等单位的周期性变化，而非平稳周期性时间序列预测模型作为一种传统的回归模型，可以使用非平稳周期性时间序列预测模型模型作为数据线性特征提取器，获取共享单车骑行数据的线性特征。
步骤104，骑行与跑步性格检测，向运动达人推送运动骑行活动。 在建立群组用户画像后，骑行平台以整体用户可视化描述的方式，深入分析用户群体的跑步行为和骑行习惯，并结合用户的专业背景、性别、年龄三大维度进行聚类分析，形成特定用户群的共有规律。然后依据群体用户画像，从用户行为偏好、骑行频率两大维度对用户的跑步行为和骑行行为相结合，得到有跑步习惯且骑行频率高的目标群体，向这类目标用户群体推送骑行运动活动。对于共享单车平台而言，调配成本主要集中在传统的人工调配的方式，调配共享单车过程中所花费的人力成本和调配的运输成本。而通过用户调配的方式可以极大地降低由于企业调配而产生的人工成本和运输成本。对于骑行用户而言，骑行的成本在于骑行费用，同时骑行距离、用户身体状态、时间成本又会对用户的骑行造成影响。优惠券发放的实施主要是通过降低用户的骑行成本来增加共享单车的调配效率。给用户发放优惠券，虽然在一定程度上降低了企业的收入，但却促进了共享单车的有效调配，极大地解决了共享单车冗余和供给不足的情况，此外，通过发放优惠券的方式还能提高用户使用共享单车的频率，整体上提高了共享单车的使用量，提升了企业的运营效益。 获取用户的跑步运动数据，邀请目标用户参与骑行与跑步性格检测。 根据用户参与跑步的历史运动数据构建跑步运动参与者的画像基本模型，模型包括四个方面：用户的基本信息、运动前准备、运动过程和跑步行为结果。用户的基本信息包括用户的年龄、性别和学历；运动前准备包括跑步的目的和跑步前的装备准备；跑步过程包括结伴偏好、跑步场地和路线安排；跑步行为结果，包括跑步运动的频率和单次运动时长。通过对用户进行问卷调查、访谈和用户在运动APP上的历史运动数据记录，对用户的跑步行为进行数据采集和研究分析。通过对用户的基本信息和参与跑步全过程的行为偏好分析，从用户数据中筛选出目标群体，向目标群体智能推送运动性格测试邀请，获取并分析用户在运动心理、运动频率、参与团体运动的社交动机这三方面的个人表现，根据获取到的数据分析影响用户运动的实际因素。“用户画像”技术是用数字化的方式将用户的个体信息显示出来，能根据用户在各大平台上的浏览记录、购买记录等，了解用户的性格、职业特性等。对于平台企业而言，根据用户的个人喜好需求、出行方式习惯、经济能力等，将这些碎片化的数据整合起来，从而给用户提供个性化的服务。共享单车运营平台通过结合多方采集的用户数据，在对获取到的用户数据进行清理处理后，以机器学习的方式建立用户行为模型，将群组用户画像分为数据采集、标签映射、数据挖掘三个层次，从中抽象出用户属性、特征等标签数据，并结合用户需求的动态变化，采用回归分析的方式，不断修正用户的消费心理和骑行行为等核心数据，发现不同层级的用户标签所展现出来的显著特征，并不断根据用户的实时数据不断更新和完善用户的标签体系，让获取到的用户数据更加贴近用户的真实特点，从而获得一个较为准确的用户画像。 向目标用户智能推送运动骑行活动，活动结束后发放活动奖励。 通过机器学习算法准确识别和推测用户个体兴趣和跑步行为特征，发现既有跑步习惯又经常使用共享单车的目标用户，向目标用户群短信智能推送骑行运动活动。在用户的社交网络上进行传播动力学分析，利用链路预测理论完善社交网络中的结构缺陷，通过骑行活动信息传播模式的观测和反演，研究骑行运动活动的传播过程和大规模传播中的受约束节点，识别并吸引具有高影响力的节点参加活动。对成功参与运动骑行活动的用户给予奖励。通过社群裂变的方式，对成功邀请新用户参加骑行运动活动的旧用户给予奖励，对新用户发放骑行优惠券。活动前期，邀请运动爱好者参加运动骑行活动，不仅可以实现共享单车的用户调配，大大地降低了调配成本，同时又可以起到吸引更多用户参与到用户调配的活动中的作用，提高用户调配的效率。
步骤105，本地大型活动实时统计，短信智能推送限时优惠停放地点。 构建浏览器模式下本地大型活动信息采集，实现对本地即将举行的大型活动信息的实时获取。结合寻优算法，根据功能函数进行本地大型活动信息聚类分析，对在不同地段、不同时段里举行的大型公共活动进行采集和统计，计算活动举办场所距离公共交通枢纽的距离，计算举办某大型活动的参与人数和参与人员的主要出行方式，对活动当天的人员流量和交通情况进行预测，根据研究结果对活动场地附近的共享单车放置点提前做好相应的人口流量应对工作，及时更新共享单车的优惠停放点。根据用户的定位信息，短信智能推送限时单车优惠停放点信息。对于喜爱跑步的目标用户而言，他们会采用运动APP记录跑步运动数据，可以通过以电子数据记录的运动数据，分析用户的跑步行为和特征。同时，用户的职业身份、空闲时间、年龄都会极大地影响用户实际运动活动的开展。因此在划分目标用户群体时，需要从用户的职业身份、空闲时间和年龄这三大维度上对用户进行划分，根据用户数据筛选出既有跑步习惯又经常使用共享单车的目标群体。找准目标用户群体后，以发送短信的方式向他们发送骑行和跑步性格检测邀请，通过问卷调查的形式，分析影响用户跑步行为的关键因素。
步骤106，优惠券发放策略效果评估。 优惠券发放活动的结果通过参与者的骑行频率和共享单车冗余点和需求点的改善情况进行衡量。预设一定的统计周期，统计目标用户参与优惠骑行活动的有效数据，分析影响用户参与积极性的影响因素；分时段对共享单车冗余点和需求点的共享单车改善情况进行统计分析。在互联网平台上吸引和邀请一定数量的具有高影响力的用户参加骑行运动活动，提供运动骑行活动的影响力和用户参与度。对于每一个成功参与并完成骑行活动的用户，发放一定数量的骑行优惠券，从而达到促进用户留存的目的。同时，为了激活存量用户并利用旧用户带动他的好友圈层，采用老带新的奖励活动，实现用户拉新，通过增大用户参与规模从而提高共享单车用户调控的效率。 以预设的统计周期记录目标区域共享单车的供给变化。 基于时空立方体数据聚合模型以及时空热点分析工具，对共享单车冗余点和供应不足点的共享单车骑行时空特征和调配改善情况进行跟踪识别和对比。基于网格大小和时间步长间隔两大参数，分别依照工作日早高峰、工作日晚高峰时段、周末早高峰时段、周末晚高峰时段四个不同时段构造四个时空立方体模型。设置模型的数据采样时长阈值，根据预设的时长阈值，记录总时间长度为24小时内共享单车的使用情况和空间分布情况。统计用户使用共享单车的平均骑行距离，将模型中每个网格的数值设置为用户的平均骑行距离。建立时空立方体模型后，通过时空热点分析工具获取在预设时间内的时间序列中，每个网格中的共享单车的迁出量和迁入量随时间变化的时空模型。对在预设的时间阈值里的共享单车的迁入量和迁出量进行统计计算，以每周为一个统计周期，分析共享单车在四个高峰时段的冗余量和供给不足情况。在大型活动举办前后，都会影响当地共享单车的数量分布。为了减少因大型公共活动造成的共享单车供需不协调的情况出现，对目标用户进行短信推送，让本地居民及时获知优惠停放点的最新消息，通过优惠激励的方式提高用户参与共享单车人工调配的参与度和积极性，从而实现对大型活动前后的共享单车均衡分布的有效调控。 实时统计用户参与度，收集用户意见反馈和改进建议。 以一个预设的时间周期，统计用户在总的骑行活动中，参与优惠骑行活动的频率，统计用户参与优惠停放活动的积极性；计算每一次用户的骑行终点距离骑行优惠点的距离。对经常将共享单车停放在距离优惠停放点为一定的阈值距离的用户，发放调查问卷，探究和统计用户没有参与优惠停放活动的因素。研究在工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段影响用户骑行共享单车的主要影响因素。对于骑行运动活动，统计用户参与骑行运动活动的次数和频率，统计用户邀请新用户的次数和积极性；统计在预设的时间周期内，用户参与骑行运动活动的积极性与活动区域内共享单车的调配改善情况之间的关系；统计用户参与骑行运动活动的积极性随时间周期的变化，对用户发放问卷，收集用户意见反馈和改进建议。
步骤107，优惠券发放策略调整。 设置一个固定的统计时间周期，计算企业的成本和利润，成本包括共享单车的运营维护成本、折旧成本、调配成本，利润包括用户的骑行费用和违规罚款。分区域统计共享单车的供需改善结果和观测区域中企业的净利润，根据统计结果，调整优惠券的额度大小和发放量。统计用户参与骑行优惠活动的积极性、优惠活动的力度和传播力度和共享单车供需情况，调节优惠活动的传播力度。根据用户参与骑行运动活动的积极性随时间周期的变化，调整骑行运动活动的奖励机制。网格热点图是通过热点的形式对某区域内共享单车的使用情况继续研究，通过对四个重要的时间点的网格热点进行分析，可以判断该地的共享单车的迁入量和迁出量，从而观察该地的共享单车调配的改善情况。例如，若在四个重要时间点上，连续的热点只出现在工作日，而不是周末，说明该区域在工作日时段，该网格区域内的共享单车的骑行终点的数量多于骑行起点，因此该区域出现共享单车供过于求、共享单车数量冗余的问题，因此需要在工作日的早高峰时期增大骑行优惠券的派发，激励用户将共享单车停放在共享单车较少的地方，将过多的共享单车分散到其他区域。从而避免出现共享单车大量堆积的情况出现。而在晚高峰时段到来之前，亦需要增大骑行优惠券的派发，通过用户调配的方式将共享单车从其他区域调配到该区域中，以应对晚高峰的共享单车使用需求。如果经过一个月的优惠政策，该地在早晚高峰期的热点得到减弱，说明该地的共享单车调配工作做得比较好，减缓了该地的共享单车使用压力。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。 用于实现本发明进行信息控制的程序，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。 程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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单元来实现本实施例方案的目的。 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。 上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本发明各个实施例所述方法的部分步骤。 而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (8)
1.一种商业优惠券发放方法，其特征在于，所述方法包括： 根据共享单车分布热点图可视化，获取城市各个区域的单车需求点和冗余点；获取目标用户有效骑行数据，所述获取目标用户有效骑行数据，具体包括：共享单车的GPS数据抽稀，共享单车的GPS数据去噪处理，根据用户历史骑行数据，重现用户骑行轨迹；根据共享单车冗余点和需求点的实时数据，向目标用户发放骑行优惠券，所述根据共享单车冗余点和需求点的实时数据，向目标用户发放骑行优惠券，具体包括：构建共享单车需求预测模型，分析用户骑行成本、分析平台调配共享单车的成本，制定优惠政策，目标用户优惠政策智能推送；骑行与跑步性格检测，向运动达人推送运动骑行活动，所述骑行与跑步性格检测，向运动达人推送运动骑行活动，具体包括：获取用户的跑步运动数据，邀请目标用户参与骑行与跑步性格检测，向目标用户智能推送运动骑行活动，活动结束后发放活动奖励；本地大型活动实时统计，短信智能推送限时优惠停放地点；优惠券发放策略效果评估，所述优惠券发放策略效果评估，具体包括：以预设的统计周期记录目标区域共享单车的供给变化，实时统计用户参与度，收集用户意见反馈和改进建议；优惠券发放策略调整。
2.根据权利要求1所述的方法，其中，所述根据共享单车分布热点图可视化，获取城市各个区域的单车需求点和冗余点，包括: 获取原始的城市路网地图，将地图中整条的道路在交叉路口处分割成多条路段，将多条路段重新编号，每相邻的两个分割点之间表示一条路段；获取城市内所有区域的共享单车的GPS数据，共享单车的GPS数据属性包括每次骑行行程的起始点和终点、单车编号和行程用时，通过python绘制共享单车实时分布热力图，数据以密度的形式记录在该城市的各个空间位置上共享单车的数量；基于骑行者在时间和空间上的出行差异，以共享单车历史订单为基础，借助ArcGIS缓冲方法筛选出工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段的共享单车骑行行程的起始点和终点流量分布数据，统计工作日早高峰、工作日晚高峰、周末早高峰和晚高峰这四个时间段的共享单车的骑行时空分布，找出共享单车在这四个重点时段中分布冗余和不足的区域；并选取标准差椭圆进行公共交通枢纽站点周边共享单车分布拟合，标准差椭圆的中心O表示共享单车分布的主要方向，椭圆的长轴和短轴分布表示数据分布偏离重心的主方向和次方向，根据椭圆长轴、短轴长度的不一致，获取共享单车在轴向和纵向的差异性分布，分析不同需求的人群的骑行行为对共享单车的不均衡分布的影响，利用时间序列建模方法对全天不同时段、不同区域内共享单车的需求进行分时预测。
3.根据权利要求1所述的方法，其中，所述获取目标用户有效骑行数据，包括: 从服务端上获取到的共享单车的数据进行预处理后，对GPS数据进行抽稀和去噪处理，获取共享单车的真实骑行轨迹；对用户的骑行行为进行分析，重现用户骑行轨迹；包括：共享单车的GPS数据抽稀；共享单车的GPS数据去噪处理；根据用户历史骑行数据，重现用户骑行轨迹； 所述共享单车的GPS数据抽稀，具体包括： 将从服务器接收到的共享单车的位置信息按照固定的格式存储在GPS日志文件中，对GPS日志进行解析，获得共享单车的定位信息；对原始数据进行初步筛选，删除共享单车的无效骑行数据，即将骑行行程的起始点和终点距离过短或过长的数据筛除；用抽稀算法对行程密集点抽稀，即将单车编号和骑行行程的起始点和终点进行重复数据筛查，若共享单车出现在某一位置逗留的情况， GPS轨迹的序列中相邻轨迹点间的距离小于预设阈值时，只记录总行程序列中的第一个和最后一个轨迹点，删除行程中的其他轨迹点； 所述共享单车的GPS数据去噪处理，具体包括： 在对共享单车的GPS轨迹点进行噪声检测时，需要对共享单车的位置信息和速度信息都进行噪声检测；在基于位置信息的噪声点检测上，GPS轨迹点应当在椭圆范围内，在检测过程中对异常轨迹点进行删除处理；在基于速度信息的噪声点检测上，根据得到的有效轨迹点数据，检测目标用户在两相邻轨迹点间的骑行速度信息，计算自行车在加速和减速过程中的加速度，根据骑行可达到的最大加速度，对每个轨迹点的瞬时速度的过滤，筛选出加速度过小或大于最大加速度的轨迹点并删除该轨迹点；先对噪声信号进行正向过滤，若检测过程与位移信息的检测过程相同，先以GPS轨迹点A1为基准点检验轨迹点A2是否满足速度的变化范围，即轨迹点A2是否在椭圆范围内，若超出范围，则将轨迹点A2标记为第一标记点，并删除轨迹点A2；检测继续，将轨迹点A1为基准，检测下一轨迹点A3是否满足条件，以此程序运行逻辑对所有的GPS轨迹点的检验；正向过滤完成后，沿反方向按同样的方法对GPS位移点再次进行噪声过滤操作，即先以GPS轨迹点A3为基准点，检验前一轨迹点A2是否满足速度的变化范围，若超出范围，则将轨迹点A2标记为第一标记；检测继续，将轨迹点A3为基准，检测下一轨迹点A1是否满足条件，以此程序运行逻辑对所有的GPS轨迹点的检验； 所述根据用户历史骑行数据，重现用户骑行轨迹，具体包括： 对用户的骑行数据进行统计和分析，剔除骑行频率在预设阈值外的用户数据，确定目标用户在工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段的骑行行程起始点和终点，寻找用户频繁出行的骑行行程起始点和终点，推断用户频繁骑行的目标起点和终点；根据用户出现概率最大的骑行起始点和终点，对骑行路径进行分析；将用户的总骑行轨迹按照路段进行划分，获取用户骑行过程中经过多条路径的GPS轨迹点；计算用户出现在各轨迹段与各条可通行的潜在路段匹配的可能性，找出最大概率经行的路段；按照聚类分析的方法，求出用户历史大概率出行起始点和终点的聚类中心和聚类半径R，缩小用户骑行路段和用户历史大概率出现地区的范围，并统计用户骑行频率最高的路段；当用户的历史骑行路段只有一条，则设定该路段为最大概率出行路段；若在同一路口处有两条或多条骑行路段可以通行，则对多条历史骑行路段进行频率赋值，结合用户的出行习惯、道路等级并依据Dijkstra最短路径算法寻找该用户的最大概率出行路段；根据轨迹段内一系列相邻轨迹点的连续性，复现用户在骑行行程起始点和终点间往返的最大频率骑行路段。
4.根据权利要求1所述的方法，其中，所述根据共享单车冗余点和需求点的实时数据，向目标用户发放骑行优惠券，包括: 设置共享单车分布热点地图的更新时间，每经过预设的时间，同步更新共享单车分布热点地图以及共享单车的冗余点和需求点；根据获取到的共享单车分布实时数据，构建共享单车分时预测模型，预测共享单车在每一时段下的实时需求量，并提前制定调配方案，给目标用户及时推送优惠活动并发放骑行优惠券；包括：构建共享单车需求预测模型；分析用户骑行成本、分析平台调配共享单车的成本，制定优惠政策；目标用户优惠政策智能推送； 所述构建共享单车需求预测模型，具体包括： 统计共享单车在全天不同时段的订单数据，构建非平稳周期性时间序列预测模型；对获取的共享单车的时间序列有效数据进行可视化处理，绘制共享单车的使用数量随时间变化的曲线图，衡量序列的平稳性；提取数据的线性特征，通过差分的方法将非平稳序列转化为平稳的时间序列，再通过季节性差分的方式将时间序列分解成正常时间序列部分和季节性周期部分，每一次的差分处理都需要重新对时序图进行分析；平稳性处理结束后，根据时间序列的自相关函数图的拖尾情况和偏自相关函数图的截尾情况，对共享单车的需求预测模型的参数进行定阶，通过利用最小二乘法对不同参数的模型性能进行评估，筛选出性能最优的模型参数；对具有最优参数的模型进行残差和白噪声检验，评估模型的稳定性； 所述分析用户骑行成本、分析平台调配共享单车的成本，制定优惠政策，具体包括： 根据共享单车平台的调配成本和盈利方式、用户的职业身份和出行习惯、共享单车的调配需求紧急度，制定骑行优惠方案；对影响用户骑行的各项影响因素建立判断矩阵，通过定量的研究方式对影响用户骑行的因素进行调查，计算各项指标的重要度向量，得到特征值并进行一致性检验，产出影响因素重要性表；在时间尺度和价格尺度上模拟用户骑行活动，并根据问卷调查结果，确定骑行优惠的折扣和优惠次数；在分析企业的成本和利润时，对企业上半年的盈利和成本进行分析，根据用户的骑行数据，获取共享单车被用户频繁使用的地点和时段，并对这些时段和地点进行企业净利润数据统计分析，获得共享单车平台的调配成本和盈利方式数据；查询平台推出的历史骑行优惠活动，分析在不同优惠活动下用户在不同地段、不同时间上的骑行行为数据，寻找能有效调动起用户骑行兴趣的活动内容和优惠政策并找出数据间的共性，获取用户的职业身份和出行习惯数据；在共享单车的实时调配需求上，对上半年共享单车在不同地段、不同时段的分布数据，统计共享单车最急需解决冗余量和供给问题的地段和时间段，获得共享单车的调配需求紧急度数据；根据共享单车平台的调配成本和盈利方式、用户的职业身份和出行习惯、共享单车的调配需求紧急度这三个指标，对优惠额度和优惠券的发放量进行权重的计算，根据计算结果，制定共享单车调配最优方案； 所述目标用户优惠政策智能推送，具体包括： 获取用户骑行数据，根据用户在平台上留下的个人资料和骑行历史记录，对用户的静态信息本体和动态行为进行分析，包括用户在本平台上留下的历史骑行数据以及用户在其他的电商、社交、媒体上留下的历史数据；对获取到的用户个人信息进行权重计算，在权重计算过程中，需要对行为对象在不同时间、地点上的行为内容信息保持一定的权重性，实现对用户画像数学模型的构建；用户画像构建完成后，对用户的骑行行为特征和骑行需求进行权重排列；结合共享单车的分布问题和用户的骑行偏好，有针对性地为用户制定个性化的骑行优惠活动推送，并通过短信推送的方式将优惠活动信息推送给特定的用户。
5.根据权利要求1所述的方法，其中，所述骑行与跑步性格检测，向运动达人推送运动骑行活动，包括: 在建立群组用户画像后，骑行平台以整体用户可视化描述的方式，深入分析用户群体的跑步行为和骑行习惯，并结合用户的专业背景、性别、年龄三大维度进行聚类分析，形成特定用户群的共有规律；然后依据群体用户画像，从用户行为偏好、骑行频率两大维度对用户的跑步行为和骑行行为相结合，得到有跑步习惯且骑行频率高的目标群体，向这类目标用户群体推送骑行运动活动；包括：获取用户的跑步运动数据，邀请目标用户参与骑行与跑步性格检测；向目标用户智能推送运动骑行活动，活动结束后发放活动奖励；所述获取用户的跑步运动数据，邀请目标用户参与骑行与跑步性格检测，具体包括： 根据用户参与跑步的历史运动数据构建跑步运动参与者的画像基本模型，模型包括四个方面：用户的基本信息、运动前准备、运动过程和跑步行为结果；用户的基本信息包括用户的年龄、性别和学历；运动前准备包括跑步的目的和跑步前的装备准备；跑步过程包括结伴偏好、跑步场地和路线安排；跑步行为结果，包括跑步运动的频率和单次运动时长；通过对用户进行问卷调查、访谈和用户在运动APP上的历史运动数据记录，对用户的跑步行为进行数据采集和研究分析；通过对用户的基本信息和参与跑步全过程的行为偏好分析，从用户数据中筛选出目标群体，向目标群体智能推送运动性格测试邀请，获取并分析用户在运动心理、运动频率、参与团体运动的社交动机这三方面的个人表现，根据获取到的数据分析影响用户运动的实际因素； 所述向目标用户智能推送运动骑行活动，活动结束后发放活动奖励，具体包括： 通过机器学习算法准确识别和推测用户个体兴趣和跑步行为特征，发现既有跑步习惯又经常使用共享单车的目标用户，向目标用户群短信智能推送骑行运动活动；在用户的社交网络上进行传播动力学分析，利用链路预测理论完善社交网络中的结构缺陷，通过骑行活动信息传播模式的观测和反演，研究骑行运动活动的传播过程和大规模传播中的受约束节点，识别并吸引具有高影响力的节点参加活动；对成功参与运动骑行活动的用户给予奖励；通过社群裂变的方式，对成功邀请新用户参加骑行运动活动的旧用户给予奖励，对新用户发放骑行优惠券。
6.根据权利要求1所述的方法，其中，所述本地大型活动实时统计，短信智能推送限时优惠停放地点，包括: 构建浏览器模式下本地大型活动信息采集，实现对本地即将举行的大型活动信息的实时获取；结合寻优算法，根据功能函数进行本地大型活动信息聚类分析，对在不同地段、不同时段里举行的大型公共活动进行采集和统计，计算活动举办场所距离公共交通枢纽的距离，计算举办某大型活动的参与人数和参与人员的主要出行方式，对活动当天的人员流量和交通情况进行预测，根据研究结果对活动场地附近的共享单车放置点提前做好相应的人口流量应对工作，及时更新共享单车的优惠停放点；根据用户的定位信息，短信智能推送限时单车优惠停放点信息。
7.根据权利要求1所述的方法，其中，所述优惠券发放策略效果评估，包括: 优惠券发放活动的结果通过参与者的骑行频率和共享单车冗余点和需求点的改善情况进行衡量；预设一定的统计周期，统计目标用户参与优惠骑行活动的有效数据，分析影响用户参与积极性的影响因素；分时段对共享单车冗余点和需求点的共享单车改善情况进行统计分析；包括：以预设的统计周期记录目标区域共享单车的供给变化；实时统计用户参与度，收集用户意见反馈和改进建议； 所述以预设的统计周期记录目标区域共享单车的供给变化，具体包括： 基于时空立方体数据聚合模型以及时空热点分析工具，对共享单车冗余点和供应不足点的共享单车骑行时空特征和调配改善情况进行跟踪识别和对比；基于网格大小和时间步长间隔两大参数，分别依照工作日早高峰、工作日晚高峰时段、周末早高峰时段、周末晚高峰时段四个不同时段构造四个时空立方体模型；设置模型的数据采样时长阈值，根据预设的时长阈值，记录总时间长度为24小时内共享单车的使用情况和空间分布情况；统计用户使用共享单车的平均骑行距离，将模型中每个网格的数值设置为用户的平均骑行距离；建立时空立方体模型后，通过时空热点分析工具获取在预设时间内的时间序列中，每个网格中的共享单车的迁出量和迁入量随时间变化的时空模型；对在预设的时间阈值里的共享单车的迁入量和迁出量进行统计计算，以每周为一个统计周期，分析共享单车在四个高峰时段的冗余量和供给不足情况； 所述实时统计用户参与度，收集用户意见反馈和改进建议，具体包括： 以一个预设的时间周期，统计用户在总的骑行活动中，参与优惠骑行活动的频率，统计用户参与优惠停放活动的积极性；计算每一次用户的骑行终点距离骑行优惠点的距离；对经常将共享单车停放在距离优惠停放点为一定的阈值距离的用户，发放调查问卷，探究和统计用户没有参与优惠停放活动的因素；研究在工作日早高峰、工作日晚高峰、周末早高峰和晚高峰四个时间段影响用户骑行共享单车的主要影响因素；对于骑行运动活动，统计用户参与骑行运动活动的次数和频率，统计用户邀请新用户的次数和积极性；统计在预设的时间周期内，用户参与骑行运动活动的积极性与活动区域内共享单车的调配改善情况之间的关系；统计用户参与骑行运动活动的积极性随时间周期的变化，对用户发放问卷，收集用户意见反馈和改进建议。
8.根据权利要求1所述的方法，其中，所述优惠券发放策略调整，包括： 设置一个固定的统计时间周期，计算企业的成本和利润，成本包括共享单车的运营维护成本、折旧成本、调配成本，利润包括用户的骑行费用和违规罚款；分区域统计共享单车的供需改善结果和观测区域中企业的净利润，根据统计结果，调整优惠券的额度大小和发放量；统计用户参与骑行优惠活动的积极性、优惠活动的力度和传播力度和共享单车供需情况，调节优惠活动的传播力度；根据用户参与骑行运动活动的积极性随时间周期的变化，调整骑行运动活动的奖励机制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210596228.6A CN114971717B (zh) | 2022-05-30 | 2022-05-30 | 一种商业优惠券发放方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210596228.6A CN114971717B (zh) | 2022-05-30 | 2022-05-30 | 一种商业优惠券发放方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114971717A true CN114971717A (zh) | 2022-08-30 |
| CN114971717B CN114971717B (zh) | 2024-09-10 |
Family
ID=82958493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210596228.6A Active CN114971717B (zh) | 2022-05-30 | 2022-05-30 | 一种商业优惠券发放方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971717B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033818A (zh) * | 2023-10-10 | 2023-11-10 | 一站发展(北京)云计算科技有限公司 | 一种周边信息处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251495A (zh) * | 2016-08-08 | 2016-12-21 | 滁州学院 | 一种移动式城市公共自行车的管理系统及调度方法 |
| CN106991807A (zh) * | 2017-05-23 | 2017-07-28 | 周雷文 | 一种共享单车调度方法和系统 |
| CN107093104A (zh) * | 2017-04-13 | 2017-08-25 | 成都步共享科技有限公司 | 一种基于用户参与的共享单车调度方法 |
| CN111127944A (zh) * | 2019-12-27 | 2020-05-08 | 中国联合网络通信集团有限公司 | 共享单车停放区域推荐方法、装置、系统及存储介质 |
| CN112101745A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市元征科技股份有限公司 | 车辆投放提示方法、装置、终端设备及存储介质 |
| CN113554353A (zh) * | 2021-08-25 | 2021-10-26 | 宁波工程学院 | 一种避免空间淤积的公共自行车空间调度优化方法 |
-
2022
- 2022-05-30 CN CN202210596228.6A patent/CN114971717B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251495A (zh) * | 2016-08-08 | 2016-12-21 | 滁州学院 | 一种移动式城市公共自行车的管理系统及调度方法 |
| CN107093104A (zh) * | 2017-04-13 | 2017-08-25 | 成都步共享科技有限公司 | 一种基于用户参与的共享单车调度方法 |
| CN106991807A (zh) * | 2017-05-23 | 2017-07-28 | 周雷文 | 一种共享单车调度方法和系统 |
| CN111127944A (zh) * | 2019-12-27 | 2020-05-08 | 中国联合网络通信集团有限公司 | 共享单车停放区域推荐方法、装置、系统及存储介质 |
| CN112101745A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市元征科技股份有限公司 | 车辆投放提示方法、装置、终端设备及存储介质 |
| CN113554353A (zh) * | 2021-08-25 | 2021-10-26 | 宁波工程学院 | 一种避免空间淤积的公共自行车空间调度优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 荣培君: "《城市居民碳排放空间分异机制研究》", 中国经济出版社, pages: 74 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033818A (zh) * | 2023-10-10 | 2023-11-10 | 一站发展(北京)云计算科技有限公司 | 一种周边信息处理方法及系统 |
| CN117033818B (zh) * | 2023-10-10 | 2023-12-05 | 一站发展(北京)云计算科技有限公司 | 一种周边信息处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114971717B (zh) | 2024-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Exploring bikesharing travel time and trip chain by gender and day of the week | |
| Wang et al. | Neighborhood socio-demographic characteristics and bike share member patterns of use | |
| Nair et al. | A model of deadheading trips and pick-up locations for ride-hailing service vehicles | |
| Huang et al. | Axis of travel: Modeling non-work destination choice with GPS data | |
| Chen et al. | Smart transport: A comparative analysis using the most used indicators in the literature juxtaposed with interventions in English metropolitan areas | |
| Feng et al. | Trip chain based usage patterns analysis of the round-trip carsharing system: A case study in Beijing | |
| CN107633035B (zh) | 一种基于K-Means&LightGBM模型的共享交通服务reorder预估方法 | |
| Chen et al. | The impact of rainfall on the temporal and spatial distribution of taxi passengers | |
| CN111539764A (zh) | 基于次模函数的大数据多址选择方法 | |
| Gehrke et al. | Patterns and predictors of dockless bikeshare trip generation and duration in Boston’s suburbs | |
| Baumgarte et al. | Revealing influences on carsharing users’ trip distance in small urban areas | |
| CN111489039B (zh) | 共享单车总量预测方法及系统 | |
| CN114971717B (zh) | 一种商业优惠券发放方法 | |
| Sun et al. | Assessing the impacts of ridesharing services: An agent-based simulation approach | |
| CN117933512B (zh) | 下车点推荐方法、装置、计算机设备和存储介质 | |
| Brusselaers et al. | A GPS-based approach to measure the environmental impact of construction-related HGV traffic on city level | |
| Qian et al. | Exploring the potential role of bikeshare to complement public transit: The case of San Francisco amid the coronavirus crisis | |
| Schoner et al. | Sharing to grow: Economic activity associated with Nice Ride Bike share stations | |
| Bagheri et al. | A Computational Framework for Revealing Competitive Travel Times with Low‐Carbon Modes Based on Smartphone Data Collection | |
| Ruch et al. | The impact of fleet coordination on taxi operations | |
| Maia et al. | Research instruments and data analysis for mode choice in travel within the university environment | |
| Millard-Ball et al. | Where ridehail drivers go between trips | |
| CN112052898A (zh) | 一种城际高铁乘客的潜在分类模型构建方法和系统 | |
| Hobi | The impact of real-time information sources on crowd-sourced parking availability prediction | |
| 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 |
Country or region after: China Address after: Room 609, No. 3 Yunchuang Street, Huangpu District, Guangzhou City, Guangdong Province, 510000 Applicant after: Xinyang Internet Technology (Guangzhou) Co.,Ltd. Address before: 510000 301-310-075, No. 16, Lingshan East Road, Tianhe District, Guangzhou, Guangdong Province Applicant before: Guangdong Xinyang Internet Technology Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |