CN116151600A - 共享车辆的维护方法、装置、计算机设备和存储介质 - Google Patents
共享车辆的维护方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116151600A CN116151600A CN202310444213.2A CN202310444213A CN116151600A CN 116151600 A CN116151600 A CN 116151600A CN 202310444213 A CN202310444213 A CN 202310444213A CN 116151600 A CN116151600 A CN 116151600A
- Authority
- CN
- China
- Prior art keywords
- target
- resource loss
- area
- vehicle
- subarea
- 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
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种共享车辆的维护方法、装置、计算机设备和存储介质。所述方法包括:获取待维护的目标区域的区域信息;区域信息包括目标区域中各目标子区域的时空需求特征信息;针对每一个目标子区域,将预测时段对应的目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到目标子区域在各子时段的需求预测结果;根据目标子区域在各子时段的需求预测结果、目标子区域的车辆信息和待维护车辆的资源损失概率,计算目标子区域的区域资源损失;基于各目标子区域的区域资源损失,在目标区域中确定目标地点,并输出包含目标地点的维护提示信息。采用本方法能够提高共享车辆维护的效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种共享车辆的维护方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着共享经济的发展,共享车辆入驻越来越多的城市。在运营共享车辆的过程中,维护共享车辆的重要性不言而喻。
相关的共享车辆的维护方法需要运维人员自行查看共享车辆的车辆状况,并根据个人经验,选取待维护车辆,规划维护路程。因此,相关的共享车辆的维护方法需要耗费大量时间,效率低下。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高效率的共享车辆的维护方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种共享车辆的维护方法。所述方法包括:
获取待维护的目标区域的区域信息;所述区域信息包括目标区域中各目标子区域的时空需求特征信息;
针对每一个目标子区域,将预测时段对应的所述目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到所述目标子区域在各子时段的需求预测结果;
根据所述目标子区域在各子时段的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失;
基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点,并输出包含所述目标地点的维护提示信息。
在其中一个实施例中,所述根据所述目标子区域在各子时段的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失包括:
根据所述目标区域的日资源量和所述目标区域的共享车辆总数,确定预测时长;
根据所述目标子区域在各子时段的需求预测结果和所述预测时长,确定所述目标子区域在预测时长的需求预测结果;
根据所述目标子区域在预测时长的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失。
在其中一个实施例中,所述根据所述目标子区域在预测时长的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失包括:
根据所述目标子区域的车辆总数、待维护车辆的车辆信息和待维护车辆的资源损失概率,确定所述目标子区域的资源损失概率;
根据所述目标子区域在预测时长的需求预测结果和所述目标子区域的资源损失概率,确定所述目标子区域的区域资源损失。
在其中一个实施例中,所述基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点包括:
基于各所述目标子区域的区域资源损失,在各所述目标子区域中,选取目标维护区域;
针对每一个目标维护区域,对所述目标维护区域内的待维护车辆进行聚类,得到所述目标维护区域内各聚类结果;
针对所述目标维护区域内每一个聚类结果,根据所述聚类结果对应的中心点,确定所述聚类结果的目标地点;各所述聚类结果的目标地点构成所述目标区域的目标地点。
在其中一个实施例中,所述方法还包括:
针对所述目标维护区域内每一个聚类结果,根据所述聚类结果包括的各所述待维护车辆的位置信息和所述聚类结果的中心点的位置信息,计算所述聚类结果包括的各所述待维护车辆与所述聚类结果的中心点之间的距离;
将最大的待维护车辆与所述聚类结果的中心点之间的距离,作为所述聚类结果的维护半径;
生成包含各所述聚类结果的目标地点和维护半径的维护提示信息。
在其中一个实施例中,所述区域资源损失包括缺电区域资源损失和故障区域资源损失,所述基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点包括:
基于各所述目标子区域的缺电区域资源损失,在所述目标区域中确定缺电地点;
基于各所述目标子区域的故障区域资源损失,在所述目标区域中确定故障地点;所述缺电地点和所述故障地点构成目标地点。
在其中一个实施例中,所述待维护车辆的资源损失概率包括待维护车辆的缺电资源损失概率和待维护车辆的故障资源损失概率,所述方法还包括:
将缺电电量、预测时段对应的目标区域的缺电资源损失周期特征信息、缺电资源损失统计特征信息和日期特征信息输入至预先训练的缺电资源损失概率预测模型,得到待维护车辆的缺电资源损失概率;
将故障信息、所述预测时段对应的目标区域的故障资源损失周期特征信息、故障资源损失统计特征信息和日期特征信息输入至预先训练的故障资源损失概率预测模型,得到待维护车辆的故障资源损失概率。
第二方面,本申请还提供了一种共享车辆的维护装置。所述装置包括:
获取模块,用于获取待维护的目标区域的区域信息;所述区域信息包括目标区域中各目标子区域的时空需求特征信息;
第一预测模块,用于针对每一个目标子区域,将预测时段对应的所述目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到所述目标子区域在各子时段的需求预测结果;
第一计算模块,用于根据所述目标子区域在各子时段的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失;
第一确定模块,用于基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点,并输出包含所述目标地点的维护提示信息。
在其中一个实施例中,所述第一计算模块,具体用于:
根据所述目标区域的日资源量和所述目标区域的共享车辆总数,确定预测时长;
根据所述目标子区域在各子时段的需求预测结果和所述预测时长,确定所述目标子区域在预测时长的需求预测结果;
根据所述目标子区域在预测时长的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失。
在其中一个实施例中,所述第一计算模块,具体用于:
根据所述目标子区域的车辆总数、待维护车辆的车辆信息和待维护车辆的资源损失概率,确定所述目标子区域的资源损失概率;
根据所述目标子区域在预测时长的需求预测结果和所述目标子区域的资源损失概率,确定所述目标子区域的区域资源损失。
在其中一个实施例中,所述第一确定模块,具体用于:
基于各所述目标子区域的区域资源损失,在各所述目标子区域中,选取目标维护区域;
针对每一个目标维护区域,对所述目标维护区域内的待维护车辆进行聚类,得到所述目标维护区域内各聚类结果;
针对所述目标维护区域内每一个聚类结果,根据所述聚类结果对应的中心点,确定所述聚类结果的目标地点;各所述聚类结果的目标地点构成所述目标区域的目标地点。
在其中一个实施例中,所述装置还包括:
第二计算模块,用于针对所述目标维护区域内每一个聚类结果,根据所述聚类结果包括的各所述待维护车辆的位置信息和所述聚类结果的中心点的位置信息,计算所述聚类结果包括的各所述待维护车辆与所述聚类结果的中心点之间的距离;
第二确定模块,用于将最大的待维护车辆与所述聚类结果的中心点之间的距离,作为所述聚类结果的维护半径;
生成模块,用于生成包含各所述聚类结果的目标地点和维护半径的维护提示信息。
在其中一个实施例中,所述区域资源损失包括缺电区域资源损失和故障区域资源损失,所述第一确定模块,具体用于:
基于各所述目标子区域的缺电区域资源损失,在所述目标区域中确定缺电地点;
基于各所述目标子区域的故障区域资源损失,在所述目标区域中确定故障地点;所述缺电地点和所述故障地点构成目标地点。
在其中一个实施例中,所述待维护车辆的资源损失概率包括待维护车辆的缺电资源损失概率和待维护车辆的故障资源损失概率,所述装置还包括:
第二预测模块,用于将缺电电量、预测时段对应的目标区域的缺电资源损失周期特征信息、缺电资源损失统计特征信息和日期特征信息输入至预先训练的缺电资源损失概率预测模型,得到待维护车辆的缺电资源损失概率;
第三预测模块,用于将故障信息、所述预测时段对应的目标区域的故障资源损失周期特征信息、故障资源损失统计特征信息和日期特征信息输入至预先训练的故障资源损失概率预测模型,得到待维护车辆的故障资源损失概率。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述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上述第一方面所述的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述共享车辆的维护方法、装置、计算机设备、存储介质和计算机程序产品,获取待维护的目标区域的区域信息;所述区域信息包括目标区域中各目标子区域的时空需求特征信息;针对每一个目标子区域,将预测时段对应的所述目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到所述目标子区域在各子时段的需求预测结果;根据所述目标子区域在各子时段的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失;基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点,并输出包含所述目标地点的维护提示信息。这样,通过分别对目标区域中各目标子区域在预测时段内各子时段的资源需求进行预测,并根据得到的目标子区域在各子时段的需求预测结果,预测目标子区域的区域资源损失,再根据预测得到的各目标子区域的区域订单损失,自动确定运维人员需要对共享车辆进行维护的目标地点,不依赖人工,需要耗费的时间短,提高共享车辆维护的效率。
附图说明
图1为一个实施例中共享车辆的维护方法的流程示意图;
图2为一个实施例中计算目标子区域的区域资源损失步骤的流程示意图;
图3为一个实施例中计算区域资源损失具体过程的流程示意图;
图4为一个实施例中确定目标地点步骤的流程示意图;
图5为另一个实施例中共享车辆的维护方法的流程示意图;
图6为另一个实施例中确定目标地点步骤的流程示意图;
图7为一个实施例中待维护车辆的资源损失概率的确定过程的流程示意图;
图8为一个实施例中共享车辆的维护装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种共享车辆的维护方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤101,获取待维护的目标区域的区域信息。
其中,区域信息包括目标区域中各目标子区域的时空需求特征信息。
在本申请实施例中,终端获取待维护的目标区域的区域信息。具体的,终端获取目标区域中各目标子区域的时空需求特征信息,得到待维护的目标区域的区域信息。其中,待维护的目标区域为共享车辆待维护的目标区域。目标区域为共享车辆投放的区域。目标区域可以为城市,可以为城市服务区,也可以为其他形式的共享车辆投放的区域。共享车辆为共享经济的车辆,可以为共享单车、共享电单车和共享汽车。目标子区域为目标区域的一部分,各目标子区域构成目标区域。
时空需求特征信息用于表示区域内资源需求特征。时空需求特征信息包括时空需求周期特征信息和时空需求统计特征信息。时空需求周期特征信息可以包括预测时段的前一天相同时段的资源需求量、预测时段的前一天上一个时段的资源需求量、预测时段的前一天下一个时段的资源需求量、预测时段的上周同一天相同时段的资源需求量、预测时段的上周同一天上一个时段的资源需求量和预测时段的上周同一天下一个时段的资源需求量。时空需求统计特征信息可以包括预测时段之前预设第一时间段内相同时段的目标资源需求量、预测时段之前预设第一时间段内上一个时段的目标资源需求量和预测时段之前预设第一时间段内下一个时段的目标资源需求量。第一时间段可以包括3天、7天、14天和30天。目标资源需求量包括平均资源需求量、最小资源需求量和最大资源需求量。资源需求量为用户对共享车辆资源的需求量。资源需求量为资源流出量和资源损失量的和。资源流出量为资源成交量。资源损失量为资源未成交量。资源损失量可以包括缺电资源损失量和故障资源损失量。缺电资源损失量为由于共享车辆缺电造成的资源未成交的量。故障资源损失量为由于共享车辆故障造成的资源未成交的量。例如,资源可以为订单。
在一个示例中,终端采用预设的划分规则,预先将待维护的目标区域划分成各目标子区域。其中,划分规则为划分目标区域的规则。不同的目标区域可以对应不同的划分规则,也可以对应相同的划分规则。划分规则可以为空间索引算法。例如,划分规则可以为Geohash算法、墨卡托投影算法、Google S2地理索引算法和六边形分层索引网格系统算法。
在一个实施例中,终端采用Uber H3 9级网格,将目标区域划分成各目标子区域。其中,目标子区域为9级H3地理索引子区域。
在一个示例中,若共享车辆的电量低于预设的电量阈值,则终端确定该共享车辆为缺电共享车辆。若在用户扫码缺电共享车辆后的预设第二时间段内,该用户的共享车辆订单未生成,则终端确定该未生成共享车辆订单为资源损失订单。终端将资源损失订单的数量,作为缺电资源损失量。其中,电量阈值为用于衡量共享车辆是否缺电的阈值。例如,电量阈值可以为30%。第二时间段为用于衡量共享车辆资源是否损失的时间段。例如,第二时间段可以为5分钟。可以理解的是,故障资源损失量的确定的具体过程和上述缺电资源损失量的确定的具体过程类似。这样,仅将在用户扫码缺电或故障共享车辆后的预设第二时间段内,该用户的共享车辆订单未生成的情况下的未生成共享车辆订单作为资源损失订单,排除了用户扫码提示缺电或故障,用户仍继续使用该共享车辆或用户更换高电量或无故障的共享车辆的情况,更加符合实际情况,提高资源损失量确定的准确性。
步骤102,针对每一个目标子区域,将预测时段对应的该目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到该目标子区域在各子时段的需求预测结果。
在本申请实施例中,终端获取预测时段对应的该目标子区域的时空需求特征信息、日期特征信息和天气特征信息。然后,针对每一个目标子区域,终端将预测时段对应的该目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到该目标子区域在各子时段的需求预测结果。
其中,时空需求预测模型为对目标子区域的资源需求量进行预测的模型。时空需求预测模型可以为梯度提升树模型,例如,时空需求预测模型可以为极端梯度提升(eXtreme Gradient Boosting,xgboost)树模型。需求预测结果用于表示对目标子区域的资源需求量进行预测的结果。需求预测结果包括目标子区域的资源需求量的预测值。预测时段为对目标子区域的资源需求量进行预测的时间段。预测时段可以为一个自然日。例如,预测时段可以为明天。子时段为预测时段的一部分,各子时段构成预测时段。例如,预测时段为一个自然日,包括24个子时段,每一个子时段均为一小时。日期特征信息用于表示预测时段的日期特征。日期特征信息可以包括:星期信息、周末信息和节假日信息。星期信息用于表示预测时段是星期几。周末信息用于表示预测时段是否周末。节假日信息用于表示预测时段是否节假日和是哪个节假日。天气特征信息用于表示预测时段的天气特征。天气特征信息可以包括温湿度信息、风信息、大气压强信息、能见度信息和云雨信息。温湿度信息可以包括:温度信息、体感温度信息和湿度信息。风信息可以包括:风向信息、风力信息和风速信息。云雨信息可以包括:云量信息、降雨量信息、当日是否下雨、昨日是否下雨和上周同一天是否下雨。
在一个示例中,终端根据预设的第三时间段的第一历史数据,构建第一数据集。然后,终端基于第一数据集,训练第一模型,得到第二模型。然后,若第二模型的准确率和召回率满足预设的训练条件,则终端将第二模型作为时空需求预测模型。然后,若第二模型的准确率和召回率不满足预设的训练条件,则终端将第二模型作为第一模型,并返回终端基于第一数据集,训练第一模型,得到第二模型步骤。其中,第三时间段可以为1年。第一历史数据包括目标子区域的样本时空需求特征信息、样本日期特征信息和样本天气特征信息、以及该目标子区域在各子时段的样本需求预测结果。
步骤103,根据目标子区域在各子时段的需求预测结果、目标子区域的车辆信息和待维护车辆的资源损失概率,计算目标子区域的区域资源损失。
在本申请实施例中,终端根据目标子区域在各子时段的需求预测结果、目标子区域的车辆信息和待维护车辆的资源损失概率,计算目标子区域的区域资源损失。其中,车辆信息为表示目标子区域内各共享车辆的车辆状况的信息。车辆信息可以包括目标子区域内各共享车辆的电量信息和故障信息、以及目标子区域内缺电共享车辆数量和故障共享车辆数量。待维护车辆的资源损失概率为共享车辆单车的资源损失概率,即一辆共享车辆由于车辆自身问题造成资源损失的概率。待维护车辆的资源损失概率可以为固定值,也可以随预测时段的不同而变化。不同车辆的资源损失概率可以不同。区域资源损失为目标子区域由于共享车辆自身问题造成的资源损失量。
步骤104,基于各目标子区域的区域资源损失,在目标区域中确定目标地点,并输出包含目标地点的维护提示信息。
在本申请实施例中,终端基于各目标子区域的区域资源损失,在目标区域中确定目标地点。然后,终端输出包含目标地点的维护提示信息。其中,维护提示信息用于提示维护人员对共享车辆进行维护,并指示维护人员去目标地点对共享车辆进行维护。目标地点为指示维护人员维护共享车辆前往的地点。
上述共享车辆的维护方法中,通过分别对目标区域中各目标子区域在预测时段内各子时段的资源需求进行预测,并根据得到的目标子区域在各子时段的需求预测结果,预测目标子区域的区域资源损失,再根据预测得到的各目标子区域的区域订单损失,自动确定运维人员需要对共享车辆进行维护的目标地点,不依赖人工,需要耗费的时间短,提高共享车辆维护的效率。并且,本方法将区域的时空资源需求纳入考量,指示运维人员优先对未来一段时间内资源需求量高的区域的共享车辆进行维护,不仅能够及时对共享车辆进行维护,还能够有效避免大量的资源浪费和因共享车辆的车辆状况发生变化造成的资源不均衡的情况。
在一个实施例中,如图2所示,根据目标子区域在各子时段的需求预测结果、目标子区域的车辆信息和待维护车辆的资源损失概率,计算目标子区域的区域资源损失的具体过程包括以下步骤:
步骤201,根据目标区域的日资源量和目标区域的共享车辆总数,确定预测时长。
在本申请实施例中,终端获取目标区域的日资源量和目标区域的共享车辆总数。然后,终端用目标区域的日资源量除以目标区域的共享车辆总数,计算目标区域的日平均车效。然后,终端用预测时段的小时数除以目标区域的日平均车效,计算预测小时数。然后,终端根据预测小时数,确定预测时长。其中,日资源量为一天的资源流出总量。日资源量可以为日均资源量。日平均车效为1辆共享车辆平均每天的流出资源量。预测时长为预测区域资源损失的时长,为对目标子区域的资源需求量进行预测的时间段中的一部分。预测时长可以用预测小时数表示。
在一个示例中,终端将预测小时数个小时,作为预测时长。
在一个示例中,终端获取预测时段之前的预设第四时间段内目标区域的资源总量。然后,终端用目标区域的该资源总量除以第四时间段,得到目标区域的日资源量。其中,第四时间段以天为单位。例如,第四时间段可以为7天。
在一个实施例中,终端根据目标区域的日资源量和目标区域的共享车辆总数,确定预测时长,可以表示为:
步骤202,根据目标子区域在各子时段的需求预测结果和预测时长,确定目标子区域在预测时长的需求预测结果。
在本申请实施例中,终端将目标子区域在预测时长包括的各子时段的需求预测结果相加,得到目标子区域在预测时长的需求预测结果。
在一个实施例中,终端根据目标子区域在各子时段的需求预测结果和预测时长,确定目标子区域在预测时长的需求预测结果,可以表示为:
其中,预测时长为N小时,需求预测结果为预测需求量,区域未来N小时的预测需求量为目标子区域在预测时长的需求预测结果,预测需求量i为目标子区域在第i小时的预测需求量。
步骤203,根据目标子区域在预测时长的需求预测结果、目标子区域的车辆信息和待维护车辆的资源损失概率,计算目标子区域的区域资源损失。
在本申请实施例中,终端根据目标子区域的车辆信息和待维护车辆的资源损失概率,确定目标子区域的资源损失概率。然后,终端根据目标子区域在预测时长的需求预测结果和目标子区域的资源损失概率,确定目标子区域的区域资源损失。其中,目标子区域的资源损失概率为由于目标子区域内共享车辆的车辆自身问题造成目标子区域的资源损失的概率。
上述共享车辆的维护方法中,根据目标区域的日资源量和目标区域的共享车辆总数,确定预测时长;根据目标子区域在各子时段的需求预测结果和预测时长,确定目标子区域在预测时长的需求预测结果;根据目标子区域在预测时长的需求预测结果、目标子区域的车辆信息和待维护车辆的资源损失概率,计算目标子区域的区域资源损失。这样,针对不同的预测时段,确定该预测时段内每一辆共享车辆的流出资源数,进而确定该预测时段对应的预测时长,确定目标子区域在预测时长的需求预测结果,实现目标子区域的区域资源损失的计算,预测时长和区域资源损失并非一成不变的,而是随预测时段变化的,更加符合实际情况,能够提高运维人员需要对共享车辆进行维护的目标地点的准确性,进一步提高共享车辆维护的效率和准确性,也能够进一步避免资源浪费和因共享车辆的车辆状况实时变化造成的资源不均衡的情况。
在一个实施例中,如图3所示,根据目标子区域在预测时长的需求预测结果、目标子区域的车辆信息和待维护车辆的资源损失概率,计算目标子区域的区域资源损失的具体过程包括以下步骤:
步骤301,根据目标子区域的车辆总数、待维护车辆的车辆信息和待维护车辆的资源损失概率,确定目标子区域的资源损失概率。
在本申请实施例中,资源损失概率包括缺电资源损失概率和故障资源损失概率。待维护车辆包括缺电车辆和故障车辆。
终端将目标子区域内的各缺电车辆的缺电资源损失概率相加。然后,终端用得到和除以目标子区域的车辆总数,得到目标子区域的缺电资源损失概率。同时,终端将目标子区域内的各故障车辆的故障资源损失概率相加。然后,终端用得到和除以目标子区域的车辆总数,得到目标子区域的故障资源损失概率。其中,不同电量的缺电车辆的缺电资源损失概率不同。不同故障程度的故障车辆的故障资源损失概率可以相同,也可以不同。
步骤302,根据目标子区域在预测时长的需求预测结果和目标子区域的资源损失概率,确定目标子区域的区域资源损失。
在本申请实施例中,区域资源损失包括缺电区域资源损失和故障区域资源损失。终端将目标子区域在预测时长的需求预测结果和目标子区域的缺电资源损失概率相乘,得到目标子区域的缺电区域资源损失。同时,终端将目标子区域在预测时长的需求预测结果和目标子区域的故障资源损失概率相乘,得到目标子区域的故障区域资源损失。
在一个实施例中,终端根据目标子区域在预测时长的需求预测结果、目标子区域的车辆信息和待维护车辆的资源损失概率,计算目标子区域的区域资源损失,可以表示为:
其中,区域未来N小时缺电订单损失为目标子区域的缺电区域资源损失,区域未来N小时故障订单损失为目标子区域的故障区域资源损失,缺电损失因子为待维护车辆的缺电资源损失概率,故障损失因子为待维护车辆的故障资源损失概率,不同故障程度的故障车辆的故障资源损失概率相同,m为缺电车辆的数量。
上述共享车辆的维护方法中,根据目标子区域的车辆总数、待维护车辆的车辆信息和待维护车辆的资源损失概率,确定目标子区域的资源损失概率;根据目标子区域在预测时长的需求预测结果和目标子区域的资源损失概率,确定目标子区域的区域资源损失。这样,通过待维护共享车辆的单车资源损失概率,确定目标子区域的资源损失概率,再通过目标子区域的资源损失概率和需求预测结果,确定目标子区域的区域资源损失,将区域的时空资源需求和资源损失纳入考量,指示运维人员优先对未来一段时间内资源需求量高的区域的共享车辆进行维护,不仅能够及时对共享车辆进行维护,还能够有效避免大量的资源浪费和因共享车辆的车辆状况发生变化造成的资源不均衡的情况。
在一个实施例中,如图4所示,基于各目标子区域的区域资源损失,在目标区域中确定目标地点的具体过程包括以下步骤:
步骤401,基于各目标子区域的区域资源损失,在各目标子区域中,选取目标维护区域。
在本申请实施例中,终端按照区域资源损失从大到小的顺序,对各目标子区域进行排序,得到各目标子区域的序列号。然后,终端将序列号小于或等于预设的排行阈值的目标子区域,作为目标维护区域。其中,排行阈值用于衡量是否对目标子区域内的共享车辆进行维护。排行阈值可以为目标子区域的数量相关,也可以与维护人员的数量相关。例如,排行阈值为10。
步骤402,针对每一个目标维护区域,对该目标维护区域内的待维护车辆进行聚类,得到该目标维护区域内各聚类结果。
在本申请实施例中,针对每一个目标维护区域,终端采用预设的聚类规则,对该目标维护区域内的待维护车辆进行聚类,得到该目标维护区域内各聚类结果。其中,聚类规则可以为基于密度并且对噪声鲁棒的空间聚类(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)算法。
步骤403,针对目标维护区域内每一个聚类结果,根据该聚类结果对应的中心点,确定该聚类结果的目标地点。
其中,各聚类结果的目标地点构成目标区域的目标地点。
在本申请实施例中,针对目标维护区域内每一个聚类结果,终端确定该聚类结果的中心点。然后,终端根据该聚类结果对应的中心点,确定该聚类结果的目标地点。
在一个示例中,终端将该聚类结果对应的中心点,作为该聚类结果的目标地点。
在一个示例中,终端根据该聚类结果对应的中心点的位置信息,分别计算该聚类结果中的各标志建筑物与该聚类结果对应的中心点之间的距离。然后,终端将与该聚类结果对应的中心点之间的距离最小的标志建筑物,作为目标地点。
在一个示例中,终端根据该聚类结果对应的中心点的位置信息,分别计算该聚类结果中的各共享车辆的投放点与该聚类结果对应的中心点之间的距离。然后,终端将与该聚类结果对应的中心点之间的距离最小的共享车辆的投放点,作为目标地点。
上述共享车辆的维护方法中,基于各目标子区域的区域资源损失,在各目标子区域中,选取目标维护区域;针对每一个目标维护区域,对该目标维护区域内的待维护车辆进行聚类,得到该目标维护区域内各聚类结果;针对目标维护区域内每一个聚类结果,根据该聚类结果对应的中心点,确定该聚类结果的目标地点。这样,通过区域资源损失,在目标子区域中筛选目标维护区域,再对每一个目标维护区域分别进行聚类,根据得到的聚类结果的中心点确定运维人员前往维护共享车辆的地点,仅对未来一段时间内资源需求量高的区域的共享车辆进行维护,能够在有限的运维人员的情况下,实现共享车辆维护的优化,进一步避免资源浪费,并且,自动为运维人员规划了合理的运维路径,进一步降低共享车辆维护的时间,进一步提高共享车辆维护的效率。
在一个实施例中,如图5所示,共享车辆的维护方法还包括以下步骤:
步骤501,针对目标维护区域内每一个聚类结果,根据该聚类结果包括的各待维护车辆的位置信息和该聚类结果的中心点的位置信息,计算该聚类结果包括的各待维护车辆与该聚类结果的中心点之间的距离。
在本申请实施例中,针对目标维护区域内每一个聚类结果,终端根据该聚类结果包括的各待维护车辆的位置信息和该聚类结果的中心点的位置信息,计算该聚类结果包括的各待维护车辆与该聚类结果的中心点之间的距离。
步骤502,将最大的待维护车辆与聚类结果的中心点之间的距离,作为该聚类结果的维护半径。
在本申请实施例中,终端将最大的待维护车辆与聚类结果的中心点之间的距离,作为该聚类结果的维护半径。其中,维护半径为对共享车辆进行维护的区域的半径,用于表示维护共享车辆的范围。
步骤503,生成包含各聚类结果的目标地点和维护半径的维护提示信息。
在本申请实施例中,终端生成包含各聚类结果的目标地点和维护半径的维护提示信息。例如,维护提示信息为“A处附近150m范围内,建议对待维护车辆进行维护”。
在一个示例中,终端将目标维护区域的序列号,作为该目标维护区域内的各聚类结果的维护优先级。然后,终端生成包含各聚类结果的目标地点、维护半径和维护优先级的维护提示信息。其中,维护优先级用于表示对共享车辆进行维护的优先程度或先后顺序。例如,若A聚类结果的维护优先级为1级,B聚类结果的维护优先级为2级,C聚类结果的维护优先级为1级,则先对A聚类结果和C聚类结果的共享车辆进行维护,再对B聚类结果的共享车辆进行维护。这样,能够避免运维人员根据惯性思维采用优先选择低电量车辆多并且距离较近的区域来规划换电路程和优先选择故障车辆多并且距离较近的区域来规划换电路程,进一步提高共享车辆维护的效率,进一步降低资源损失。
在一个示例中,针对每一个目标维护区域,终端生成包含该目标维护区域的待维护车辆的数量和区域资源损失、以及目标维护区域内各聚类结果的目标地点和维护半径的维护提示信息。例如,维护提示信息可以为“A处附近150m范围内,当前缺电车辆30辆,未来2小时预计订单损失55单,建议对电量为30%以下的车辆进行维护”和“B处附近100m范围内,当前故障车辆5辆,未来2小时预计订单损失8单,建议对故障车辆进行维护”。
上述共享车辆的维护方法中,针对目标维护区域内每一个聚类结果,根据该聚类结果包括的各待维护车辆的位置信息和该聚类结果的中心点的位置信息,计算该聚类结果包括的各待维护车辆与该聚类结果的中心点之间的距离;将最大的待维护车辆与聚类结果的中心点之间的距离,作为该聚类结果的维护半径;生成包含各聚类结果的目标地点和维护半径的维护提示信息。这样,生成的维护提示信息不仅包含维护共享车辆的目标地点,还包含维护共享车辆的维护半径,明确了维护共享车辆的范围,能够提高运维人员对共享车辆进行维护的准确性,进一步提高共享车辆维护的效率和准确性。
在一个实施例中,区域资源损失包括缺电区域资源损失和故障区域资源损失,如图6所示,基于各目标子区域的区域资源损失,在目标区域中确定目标地点的具体过程包括以下步骤:
步骤601,基于各目标子区域的缺电区域资源损失,在目标区域中确定缺电地点。
在本申请实施例中,终端按照缺电区域资源损失从大到小的顺序,对各目标子区域进行排序,得到各目标子区域的序列号。然后,终端将序列号小于或等于预设的排行阈值的目标子区域,作为缺电维护区域。针对每一个缺电维护区域,终端采用预设的聚类规则,对该缺电维护区域内的待维护车辆进行聚类,得到该缺电维护区域内各聚类结果。针对缺电维护区域内每一个聚类结果,根据该聚类结果对应的中心点,确定该聚类结果的缺电地点。其中,各聚类结果的缺电地点构成目标区域中的缺电地点。可以理解的,确定缺电地点的具体过程与步骤401-403的确定目标地点的具体过程类似。
步骤602,基于各目标子区域的故障区域资源损失,在目标区域中确定故障地点。
其中,缺电地点和故障地点构成目标地点。
在本申请实施例中,终端基于各目标子区域的故障区域资源损失,在目标区域中确定故障地点。可以理解的,确定故障地点的具体过程与确定缺电地点的具体过程类似,与步骤401-403的确定目标地点的具体过程类似。其中,确定故障地点的具体过程中排行阈值与确定缺电地点的具体过程中排行阈值可以相同,也可以不同。
上述共享车辆的维护方法中,基于各目标子区域的缺电区域资源损失,在目标区域中确定缺电地点;基于各目标子区域的故障区域资源损失,在目标区域中确定故障地点。这样,不仅根据缺电区域资源损失,确定目标地点,还根据故障区域资源损失,确定目标地点,并且,二者分别进行,互不干扰,更加符合车辆扫码缺电和车辆扫码故障是在运营共享车辆的城市中,由运维直接导致的资源损失的两大主要原因的实际情况,能够进一步提高共享车辆维护的准确性。
在一个实施例中,待维护车辆的资源损失概率包括待维护车辆的缺电资源损失概率和待维护车辆的故障资源损失概率,如图7所示,共享车辆的维护方法还包括以下步骤:
步骤701,将缺电电量、预测时段对应的目标区域的缺电资源损失周期特征信息、缺电资源损失统计特征信息和日期特征信息输入至预先训练的缺电资源损失概率预测模型,得到待维护车辆的缺电资源损失概率。
在本申请实施例中,终端将缺电电量、预测时段对应的目标区域的缺电资源损失周期特征信息、缺电资源损失统计特征信息和日期特征信息输入至预先训练的缺电资源损失概率预测模型,得到待维护车辆的缺电资源损失概率。其中,缺电资源损失概率预测模型用于对不同缺电电量的缺电的关共享车辆的缺电资源损失概率进行预测。缺电资源损失概率预测模型可以为梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型。缺电资源损失概率预测模型可以由过去1年的历史数据训练得到。缺电资源损失概率又称缺电损失因子。缺电资源损失周期特征信息包括预测时段的昨天的缺电资源损失概率和预测时段的上周同一天的缺电资源损失概率。缺电资源损失统计特征信息包括预测时段之前预设第五时间段内的目标缺电资源损失概率和预测时段之前预设第六时间段内每周同一天的目标缺电资源损失概率。第五时间段可以包括3天、7天、14天和30天。目标缺电资源损失概率包括平均缺电资源损失概率、最大缺电资源损失概率和最小缺电资源损失概率。第六时间段以周为单位。例如,第六时间段可以为4周。
步骤702,将故障信息、预测时段对应的目标区域的故障资源损失周期特征信息、故障资源损失统计特征信息和日期特征信息输入至预先训练的故障资源损失概率预测模型,得到待维护车辆的故障资源损失概率。
在本申请实施例中,终端将故障信息、预测时段对应的目标区域的故障资源损失周期特征信息、故障资源损失统计特征信息和日期特征信息输入至预先训练的故障资源损失概率预测模型,得到待维护车辆的故障资源损失概率。
其中,故障资源损失概率预测模型用于对故障的关共享车辆的故障资源损失概率进行预测。故障资源损失概率预测模型可以为梯度提升决策树(Gradient BoostingDecision Tree,GBDT)模型。故障资源损失概率预测模型可以由过去1年的历史数据训练得到。故障资源损失概率又称故障损失因子。故障资源损失周期特征信息包括预测时段的昨天的故障资源损失概率和预测时段的上周同一天的故障资源损失概率。故障资源损失统计特征信息包括预测时段之前预设第七时间段内的目标故障资源损失概率和预测时段之前预设第八时间段内每周同一天的目标故障资源损失概率。第七时间段可以包括3天、7天、14天和30天。目标故障资源损失概率包括平均故障资源损失概率、最大故障资源损失概率和最小故障资源损失概率。第八时间段以周为单位。例如,第八时间段可以为4周。
上述共享车辆的维护方法中,将缺电电量、预测时段对应的目标区域的缺电资源损失周期特征信息、缺电资源损失统计特征信息和日期特征信息输入至预先训练的缺电资源损失概率预测模型,得到待维护车辆的缺电资源损失概率;将故障信息、预测时段对应的目标区域的故障资源损失周期特征信息、故障资源损失统计特征信息和日期特征信息输入至预先训练的故障资源损失概率预测模型,得到待维护车辆的故障资源损失概率。这样,通过预先训练的模型和多种信息,实时分别预测随不同的预测时段变化的缺电资源损失概率和故障资源损失概率,更加符合目标区域随时间变化和共享车辆的车辆状况实时变化的实际情况,能够提高资源损失概率的准确性,进一步提高共享车辆维护的准确性。
在一个实施例中,共享车辆的维护方法还包括:针对每一种缺电电量,终端获取预测时段之前预设第九时段内目标区域的该缺电电量对应的缺电资源流出量和缺电资源损失量。然后,终端将该缺电电量对应的缺电资源流出量和缺电资源损失量相加,得到该缺电电量对应的缺电资源需求量。然后,终端用缺电资源损失量除以缺电资源需求量,得到该缺电电量对应的待维护车辆的缺电资源损失概率。类似的,终端获取预测时段之前预设第十时段内目标区域的故障资源流出量和故障资源损失量。然后,终端将故障资源流出量和故障资源损失量相加,得到故障资源需求量。然后,终端用故障资源损失量除以故障资源需求量,得到待维护车辆的故障资源损失概率。这样,实时分别计算随不同的预测时段变化的缺电资源损失概率和故障资源损失概率,方法简单的同时,也更加符合目标区域随时间变化和共享车辆的车辆状况实时变化的实际情况,也能够提高资源损失概率的准确性,进一步提高共享车辆维护的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的共享车辆的维护方法的共享车辆的维护装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个共享车辆的维护装置实施例中的具体限定可以参见上文中对于共享车辆的维护方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种共享车辆的维护装置800,包括:获取模块810、第一预测模块820、第一计算模块830和第一确定模块840,其中:
获取模块810,用于获取待维护的目标区域的区域信息;所述区域信息包括目标区域中各目标子区域的时空需求特征信息;
第一预测模块820,用于针对每一个目标子区域,将预测时段对应的所述目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到所述目标子区域在各子时段的需求预测结果;
第一计算模块830,用于根据所述目标子区域在各子时段的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失;
第一确定模块840,用于基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点,并输出包含所述目标地点的维护提示信息。
可选的,所述第一计算模块830,具体用于:
根据所述目标区域的日资源量和所述目标区域的共享车辆总数,确定预测时长;
根据所述目标子区域在各子时段的需求预测结果和所述预测时长,确定所述目标子区域在预测时长的需求预测结果;
根据所述目标子区域在预测时长的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失。
可选的,所述第一计算模块830,具体用于:
根据所述目标子区域的车辆总数、待维护车辆的车辆信息和待维护车辆的资源损失概率,确定所述目标子区域的资源损失概率;
根据所述目标子区域在预测时长的需求预测结果和所述目标子区域的资源损失概率,确定所述目标子区域的区域资源损失。
可选的,所述第一确定模块840,具体用于:
基于各所述目标子区域的区域资源损失,在各所述目标子区域中,选取目标维护区域;
针对每一个目标维护区域,对所述目标维护区域内的待维护车辆进行聚类,得到所述目标维护区域内各聚类结果;
针对所述目标维护区域内每一个聚类结果,根据所述聚类结果对应的中心点,确定所述聚类结果的目标地点;各所述聚类结果的目标地点构成所述目标区域的目标地点。
可选的,所述装置800还包括:
第二计算模块,用于针对所述目标维护区域内每一个聚类结果,根据所述聚类结果包括的各所述待维护车辆的位置信息和所述聚类结果的中心点的位置信息,计算所述聚类结果包括的各所述待维护车辆与所述聚类结果的中心点之间的距离;
第二确定模块,用于将最大的待维护车辆与所述聚类结果的中心点之间的距离,作为所述聚类结果的维护半径;
生成模块,用于生成包含各所述聚类结果的目标地点和维护半径的维护提示信息。
可选的,所述区域资源损失包括缺电区域资源损失和故障区域资源损失,所述第一确定模块840,具体用于:
基于各所述目标子区域的缺电区域资源损失,在所述目标区域中确定缺电地点;
基于各所述目标子区域的故障区域资源损失,在所述目标区域中确定故障地点;所述缺电地点和所述故障地点构成目标地点。
可选的,所述待维护车辆的资源损失概率包括待维护车辆的缺电资源损失概率和待维护车辆的故障资源损失概率,所述装置800还包括:
第二预测模块,用于将缺电电量、预测时段对应的目标区域的缺电资源损失周期特征信息、缺电资源损失统计特征信息和日期特征信息输入至预先训练的缺电资源损失概率预测模型,得到待维护车辆的缺电资源损失概率;
第三预测模块,用于将故障信息、所述预测时段对应的目标区域的故障资源损失周期特征信息、故障资源损失统计特征信息和日期特征信息输入至预先训练的故障资源损失概率预测模型,得到待维护车辆的故障资源损失概率。
上述共享车辆的维护装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种共享车辆的维护方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种共享车辆的维护方法,其特征在于,所述方法包括:
获取待维护的目标区域的区域信息;所述区域信息包括目标区域中各目标子区域的时空需求特征信息;
针对每一个目标子区域,将预测时段对应的所述目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到所述目标子区域在各子时段的需求预测结果;
根据所述目标子区域在各子时段的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失;
基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点,并输出包含所述目标地点的维护提示信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标子区域在各子时段的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失包括:
根据所述目标区域的日资源量和所述目标区域的共享车辆总数,确定预测时长;
根据所述目标子区域在各子时段的需求预测结果和所述预测时长,确定所述目标子区域在预测时长的需求预测结果;
根据所述目标子区域在预测时长的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标子区域在预测时长的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失包括:
根据所述目标子区域的车辆总数、待维护车辆的车辆信息和待维护车辆的资源损失概率,确定所述目标子区域的资源损失概率;
根据所述目标子区域在预测时长的需求预测结果和所述目标子区域的资源损失概率,确定所述目标子区域的区域资源损失。
4.根据权利要求1所述的方法,其特征在于,所述基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点包括:
基于各所述目标子区域的区域资源损失,在各所述目标子区域中,选取目标维护区域;
针对每一个目标维护区域,对所述目标维护区域内的待维护车辆进行聚类,得到所述目标维护区域内各聚类结果;
针对所述目标维护区域内每一个聚类结果,根据所述聚类结果对应的中心点,确定所述聚类结果的目标地点;各所述聚类结果的目标地点构成所述目标区域的目标地点。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
针对所述目标维护区域内每一个聚类结果,根据所述聚类结果包括的各所述待维护车辆的位置信息和所述聚类结果的中心点的位置信息,计算所述聚类结果包括的各所述待维护车辆与所述聚类结果的中心点之间的距离;
将最大的待维护车辆与所述聚类结果的中心点之间的距离,作为所述聚类结果的维护半径;
生成包含各所述聚类结果的目标地点和维护半径的维护提示信息。
6.根据权利要求1所述的方法,其特征在于,所述区域资源损失包括缺电区域资源损失和故障区域资源损失,所述基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点包括:
基于各所述目标子区域的缺电区域资源损失,在所述目标区域中确定缺电地点;
基于各所述目标子区域的故障区域资源损失,在所述目标区域中确定故障地点;所述缺电地点和所述故障地点构成目标地点。
7.根据权利要求6所述的方法,其特征在于,所述待维护车辆的资源损失概率包括待维护车辆的缺电资源损失概率和待维护车辆的故障资源损失概率,所述方法还包括:
将缺电电量、预测时段对应的目标区域的缺电资源损失周期特征信息、缺电资源损失统计特征信息和日期特征信息输入至预先训练的缺电资源损失概率预测模型,得到待维护车辆的缺电资源损失概率;
将故障信息、所述预测时段对应的目标区域的故障资源损失周期特征信息、故障资源损失统计特征信息和日期特征信息输入至预先训练的故障资源损失概率预测模型,得到待维护车辆的故障资源损失概率。
8.一种共享车辆的维护装置,其特征在于,所述装置包括:
获取模块,用于获取待维护的目标区域的区域信息;所述区域信息包括目标区域中各目标子区域的时空需求特征信息;
第一预测模块,用于针对每一个目标子区域,将预测时段对应的所述目标子区域的时空需求特征信息、日期特征信息和天气特征信息输入至预先训练的时空需求预测模型,得到所述目标子区域在各子时段的需求预测结果;
第一计算模块,用于根据所述目标子区域在各子时段的需求预测结果、所述目标子区域的车辆信息和待维护车辆的资源损失概率,计算所述目标子区域的区域资源损失;
第一确定模块,用于基于各所述目标子区域的区域资源损失,在所述目标区域中确定目标地点,并输出包含所述目标地点的维护提示信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310444213.2A CN116151600B (zh) | 2023-04-24 | 2023-04-24 | 共享车辆的维护方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310444213.2A CN116151600B (zh) | 2023-04-24 | 2023-04-24 | 共享车辆的维护方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116151600A true CN116151600A (zh) | 2023-05-23 |
CN116151600B CN116151600B (zh) | 2023-07-21 |
Family
ID=86360410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310444213.2A Active CN116151600B (zh) | 2023-04-24 | 2023-04-24 | 共享车辆的维护方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151600B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200050938A1 (en) * | 2017-05-25 | 2020-02-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for improvement of index prediction and model building |
CN111123778A (zh) * | 2019-12-23 | 2020-05-08 | 北京摩拜科技有限公司 | 监控车辆使用状况的方法、装置及电子设备 |
CN111190982A (zh) * | 2019-12-25 | 2020-05-22 | 航天信息股份有限公司 | 一种基于大数据的共享单车管理方法及系统 |
CN112215502A (zh) * | 2020-10-16 | 2021-01-12 | 宁波小遛共享信息科技有限公司 | 一种电池的调度补给方法、装置、电子设备以及存储介质 |
CN114118472A (zh) * | 2021-11-26 | 2022-03-01 | 武汉理工大学 | 基于任务分发和用户定价机制的共享设备维护系统及方法 |
CN115936379A (zh) * | 2022-12-13 | 2023-04-07 | 京东城市(北京)数字科技有限公司 | 一种共享车辆的调度方法、装置、设备及存储介质 |
-
2023
- 2023-04-24 CN CN202310444213.2A patent/CN116151600B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200050938A1 (en) * | 2017-05-25 | 2020-02-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for improvement of index prediction and model building |
CN111123778A (zh) * | 2019-12-23 | 2020-05-08 | 北京摩拜科技有限公司 | 监控车辆使用状况的方法、装置及电子设备 |
CN111190982A (zh) * | 2019-12-25 | 2020-05-22 | 航天信息股份有限公司 | 一种基于大数据的共享单车管理方法及系统 |
CN112215502A (zh) * | 2020-10-16 | 2021-01-12 | 宁波小遛共享信息科技有限公司 | 一种电池的调度补给方法、装置、电子设备以及存储介质 |
CN114118472A (zh) * | 2021-11-26 | 2022-03-01 | 武汉理工大学 | 基于任务分发和用户定价机制的共享设备维护系统及方法 |
CN115936379A (zh) * | 2022-12-13 | 2023-04-07 | 京东城市(北京)数字科技有限公司 | 一种共享车辆的调度方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116151600B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moreira-Matias et al. | Predicting taxi–passenger demand using streaming data | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
CN111476588A (zh) | 订单需求预测方法、装置、电子设备及可读存储介质 | |
CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及系统 | |
US10267950B2 (en) | System, method and program product for providing populace centric weather forecasts | |
US20190139059A1 (en) | Demand forecasting device, demand forecasting method and non-transitory computer readable medium | |
CN116151600B (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
CN114863418B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN116362431B (zh) | 共享车辆的调度方法、装置、计算机设备和存储介质 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN116341773A (zh) | 车辆需求预测方法、装置、计算机设备和存储介质 | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
CN116011322A (zh) | 基于数字孪生的城市信息展示方法、装置、设备及介质 | |
CN116503098B (zh) | 共享车辆车站的挖掘方法、装置、计算机设备和存储介质 | |
CN114236643A (zh) | 基于天气预报系统的气象预测方法、装置、设备及介质 | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
Yang et al. | A big-data-based urban flood defense decision support system | |
CN110146102B (zh) | 路径规划方法、装置、设备和存储介质 | |
Reijsbergen | Probabilistic modelling of station locations in bicycle-sharing systems | |
CN116798234B (zh) | 车站参数信息的确定方法、装置、计算机设备和存储介质 | |
CN116186417B (zh) | 推荐方法、装置、计算机设备和存储介质 | |
Zhang et al. | Research on destination prediction for urban taxi based on GPS trajectory | |
CN117744865A (zh) | 基于多任务学习的电单车交通需求预测方法及系统 | |
CN116090629A (zh) | 用电数据处理方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |