CN116188052A - 共享车辆的投放方法、装置、计算机设备和存储介质 - Google Patents
共享车辆的投放方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116188052A CN116188052A CN202310444127.1A CN202310444127A CN116188052A CN 116188052 A CN116188052 A CN 116188052A CN 202310444127 A CN202310444127 A CN 202310444127A CN 116188052 A CN116188052 A CN 116188052A
- Authority
- CN
- China
- Prior art keywords
- target
- subarea
- order
- exploration
- determining
- 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
- 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
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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投放方法、装置、计算机设备和存储介质。所述方法包括:采用预设的区块划分规则,将目标投放区域划分成目标区块;基于各所述目标区块的兴趣点的数量和人口密度,对各所述目标区块进行聚类,得到目标子区域;针对每一个目标子区域,将所述目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到所述目标子区域的预测订单热度等级;根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量。采用本方法能够提高共享车辆的投放效率。
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投放方法、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。当共享车辆入驻新城市时,需要确定共享车辆的投放位置,以便提供更好的服务和提高车辆使用效率。
而共享车辆入驻新城市是一个冷启动问题,没有相关的骑行数据。因此,传统方法主要依赖人工经验和判断进行车辆投放位置和数量的选择。因此,传统的共享车辆的投放方法需要耗费的时间多,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投放方法、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投放方法。所述方法包括:
采用预设的区块划分规则,将目标投放区域划分成目标区块;
基于各所述目标区块的兴趣点的数量和人口密度,对各所述目标区块进行聚类,得到目标子区域;
针对每一个目标子区域,将所述目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到所述目标子区域的预测订单热度等级;
根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量。
在其中一个实施例中,所述根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量包括:
针对每一个目标子区域,在预设的订单热度等级和基础投放数量的映射关系中,根据所述目标子区域的预测订单热度等级,查询所述目标子区域的共享车辆的基础投放数量;
根据所述订单预测模型,确定所述目标子区域的共享车辆的探索投放数量;
根据所述基础投放数量和所述探索投放数量,确定所述目标子区域的共享车辆的投放数量。
在其中一个实施例中,所述根据所述订单预测模型,确定所述目标子区域的共享车辆的探索投放数量包括:
获取所述订单预测模型中各类兴趣点对应的第一订单权重;
针对每一个目标子区域,根据所述目标子区域的各类兴趣点的数量和所述各类兴趣点对应的第一订单权重,计算所述目标子区域的兴趣度;
根据各所述目标子区域的兴趣度,确定各所述目标子区域对应的第一探索数;
针对每一个目标子区域,根据所述目标子区域的共享车辆的探索投放单位量和所述目标子区域对应的第一探索数,确定所述目标子区域的共享车辆的探索投放数量。
在其中一个实施例中,所述根据所述目标子区域的共享车辆的探索投放单位量和所述目标子区域对应的第一探索数,确定所述目标子区域的共享车辆的探索投放数量包括:
获取所述订单预测模型中人口密度对应的第二订单权重;
根据所述目标子区域的人口密度和所述人口密度对应的第二订单权重,计算所述目标子区域的人口密度的评估结果;
根据各所述目标子区域的人口密度的评估结果,确定各所述目标子区域对应的第二探索数;
针对每一个目标子区域,根据所述目标子区域的共享车辆的探索投放单位量、所述目标子区域对应的第一探索数和第二探索数,确定所述目标子区域的共享车辆的探索投放数量。
在其中一个实施例中,所述根据所述目标子区域的共享车辆的探索投放单位量、所述目标子区域对应的第一探索数和第二探索数,确定所述目标子区域的共享车辆的探索投放数量包括:
根据所述订单预测模型中各类兴趣点对应的第一订单权重和人口密度对应的第二订单权重,确定兴趣点权重和人口密度权重;
根据所述目标子区域对应的第一探索数和所述兴趣点权重的乘积、以及所述目标子区域对应的第二探索数和所述人口密度权重的乘积,确定所述目标子区域的目标探索数;
将所述目标子区域的共享车辆的探索投放单位量和所述目标子区域的目标探索数相乘,得到所述目标子区域的共享车辆的探索投放数量。
在其中一个实施例中,所述订单预测模型的训练过程包括:
根据目标投放区域的地理环境信息,在运营成熟的已投放区域中,选取目标参考区域;
采用预设的区块划分规则,将目标参考区域划分成参考区块;
基于各所述参考区块的各类兴趣点的数量和人口密度,对各所述参考区块进行聚类,得到参考子区域;
针对每一个参考子区域,根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度等级;
将各所述参考子区域的各类兴趣点的数量和人口密度、以及各所述参考子区域对应的样本订单热度等级,构成所述目标投放区域对应的目标数据集;
基于所述目标投放区域对应的目标数据集,训练目标模型,得到所述目标投放区域对应的订单预测模型。
在其中一个实施例中,所述根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度等级包括:
根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度区间;
在预设的订单热度区间和订单热度等级的映射关系中,查询所述样本订单热度区间对应的样本订单热度等级,得到所述参考子区域对应的样本订单热度等级。
第二方面,本申请还提供了一种共享车辆的投放装置。所述装置包括:
第一划分模块,用于采用预设的区块划分规则,将目标投放区域划分成目标区块;
第一聚类模块,用于基于各所述目标区块的兴趣点的数量和人口密度,对各所述目标区块进行聚类,得到目标子区域;
预测模块,用于针对每一个目标子区域,将所述目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到所述目标子区域的预测订单热度等级;
第一确定模块,用于根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量。
在其中一个实施例中,所述第一确定模块,具体用于:
针对每一个目标子区域,在预设的订单热度等级和基础投放数量的映射关系中,根据所述目标子区域的预测订单热度等级,查询所述目标子区域的共享车辆的基础投放数量;
根据所述订单预测模型,确定所述目标子区域的共享车辆的探索投放数量;
根据所述基础投放数量和所述探索投放数量,确定所述目标子区域的共享车辆的投放数量。
在其中一个实施例中,所述第一确定模块,具体用于:
获取所述订单预测模型中各类兴趣点对应的第一订单权重;
针对每一个目标子区域,根据所述目标子区域的各类兴趣点的数量和所述各类兴趣点对应的第一订单权重,计算所述目标子区域的兴趣度;
根据各所述目标子区域的兴趣度,确定各所述目标子区域对应的第一探索数;
针对每一个目标子区域,根据所述目标子区域的共享车辆的探索投放单位量和所述目标子区域对应的第一探索数,确定所述目标子区域的共享车辆的探索投放数量。
在其中一个实施例中,所述第一确定模块,具体用于:
获取所述订单预测模型中人口密度对应的第二订单权重;
根据所述目标子区域的人口密度和所述人口密度对应的第二订单权重,计算所述目标子区域的人口密度的评估结果;
根据各所述目标子区域的人口密度的评估结果,确定各所述目标子区域对应的第二探索数;
针对每一个目标子区域,根据所述目标子区域的共享车辆的探索投放单位量、所述目标子区域对应的第一探索数和第二探索数,确定所述目标子区域的共享车辆的探索投放数量。
在其中一个实施例中,所述第一确定模块,具体用于:
根据所述订单预测模型中各类兴趣点对应的第一订单权重和人口密度对应的第二订单权重,确定兴趣点权重和人口密度权重;
根据所述目标子区域对应的第一探索数和所述兴趣点权重的乘积、以及所述目标子区域对应的第二探索数和所述人口密度权重的乘积,确定所述目标子区域的目标探索数;
将所述目标子区域的共享车辆的探索投放单位量和所述目标子区域的目标探索数相乘,得到所述目标子区域的共享车辆的探索投放数量。
在其中一个实施例中,所述装置还包括:
选取模块,用于根据目标投放区域的地理环境信息,在运营成熟的已投放区域中,选取目标参考区域;
第二划分模块,用于采用预设的区块划分规则,将目标参考区域划分成参考区块;
第二聚类模块,用于基于各所述参考区块的各类兴趣点的数量和人口密度,对各所述参考区块进行聚类,得到参考子区域;
第二确定模块,用于针对每一个参考子区域,根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度等级;
构建模块,用于将各所述参考子区域的各类兴趣点的数量和人口密度、以及各所述参考子区域对应的样本订单热度等级,构成所述目标投放区域对应的目标数据集;
训练模块,用于基于所述目标投放区域对应的目标数据集,训练目标模型,得到所述目标投放区域对应的订单预测模型。
在其中一个实施例中,所述第二确定模块,具体用于:
根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度区间;
在预设的订单热度区间和订单热度等级的映射关系中,查询所述样本订单热度区间对应的样本订单热度等级,得到所述参考子区域对应的样本订单热度等级。
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。
上述共享车辆的投放方法、装置、计算机设备、存储介质和计算机程序产品,采用预设的区块划分规则,将目标投放区域划分成目标区块;基于各所述目标区块的各类兴趣点的数量和人口密度,对各所述目标区块进行聚类,得到目标子区域;针对每一个目标子区域,将所述目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到所述目标子区域的预测订单热度等级;根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量。这样,通过订单预测模型、目标子区域的各类兴趣点的数量和人口密度,对目标子区域的订单数量进行预测,即对目标子区域的共享车辆的需求进行预测,再根据对目标子区域的需求预测结果,自动确定在目标子区域的共享车辆的投放数量,实现对入驻新城市的共享车辆的准确投放,不依赖人工经验和判断,需要耗费的时间少,能够提高共享车辆的投放效率。
附图说明
图1为一个实施例中共享车辆的投放方法的流程示意图;
图2为一个实施例中确定共享车辆的投放数量步骤的流程示意图;
图3为一个实施例中确定共享车辆的探索投放数量步骤的流程示意图;
图4为另一个实施例中确定共享车辆的探索投放数量步骤的流程示意图;
图5为一个实施例中确定共享车辆的探索投放数量具体过程的流程示意图;
图6为一个实施例中订单预测模型的训练过程的流程示意图;
图7为一个实施例中确定参考子区域对应的样本订单热度等级的流程示意图;
图8为一个实施例中共享车辆的投放装置的结构框图;
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投放方法,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,采用预设的区块划分规则,将目标投放区域划分成目标区块。
在本申请实施例中,终端采用预设的区块划分规则,将目标投放区域划分成目标区块。其中,目标投放区域为共享车辆待投放的区域。目标投放区域可以为未投放过共享车辆的区域,即共享车辆未入驻的区域。目标投放区域可以为城市,也可以为其他形式的共享车辆待投放的区域。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。目标区块为目标投放区域的一部分。区块划分规则为划分目标投放区域的规则。不同的目标投放区域可以对应不同的区块划分规则,也可以对应相同的区块划分规则。区块划分规则可以为空间索引算法。例如,区块划分规则可以为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。
在一个示例中,终端在预设的投放区域和区块划分规则的映射关系中,查询目标投放区域对应的区块划分规则。然后,终端采用目标投放区域对应的区块划分规则,将目标投放区域划分成目标区块。
在一个示例中,终端采用Uber H3 11级网格,将目标投放区域划分成目标区块,并对划分得到的目标区块进行标识。其中,每个网格的大小约为2000m2,即每个目标区块的大小约为2000m2。这样,通过Uber H3网格可以更方便地管理和处理区块和兴趣点(point ofinterest,POI),从而提高共享车辆的投放效率。
在一个示例中,终端采用预设的区块划分规则,将目标投放区域划分成待投放区块。然后,终端将不包含城市禁停区的待投放区块,作为目标区块。
步骤102,基于各目标区块的各类兴趣点的数量和人口密度,对各目标区块进行聚类,得到目标子区域。
在本申请实施例中,终端将各类兴趣点的数量和人口密度作为聚类特征。然后,终端基于聚类特征、各目标区块的各类兴趣点的数量和人口密度,对各目标区块进行聚类,得到目标子区域。具体的,终端将兴趣点类型和数量相近、人口密度相似的目标区块合成一个目标子区域。其中,兴趣点(point of information OR point of interest,POI)为地图上任何非地理意义的有意义的点。例如,兴趣点可以为商店、银行和加油站。
在一个示例中,终端预设各类兴趣点。然后,终端获取各目标区块的各类兴趣点的数量和人口密度。然后,终端基于各目标区块的各类兴趣点的数量和人口密度,对各目标区块进行聚类,得到目标子区域。
在一个示例中,终端采用密度峰值聚类算法,基于各目标区块的各类兴趣点的数量和人口密度,对各目标区块进行聚类,得到目标子区域。
在一个实施例中,终端预设的各类兴趣点可以为:公共设施、体育休闲服务、地名地址信息、风景名胜、交通设施服务、科教文化服务、商务住宅、金融保险服务、餐饮服务、医疗保健服务、住宿服务、摩托车服务、购物服务、汽车服务、公司企业、政府机构及社会团体、生活服务、汽车销售和汽车维修。
步骤103,针对每一个目标子区域,将该目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到该目标子区域的预测订单热度等级。
在本申请实施例中,针对每一个目标子区域,终端将该目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到该目标子区域的预测订单热度等级。其中,订单预测模型用于预测目标子区域的订单数量多少的程度,用于预测目标子区域的订单热度。不同的目标投放区域对应的订单预测模型的网络参数不同。订单预测模型可以为机器学习模型,也可以为深度学习模型。例如,订单预测模型可以为线性回归模型或决策树模型,也可以为神经网络模型。预测订单热度等级为目标子区域的订单热度等级的预测值。订单热度等级用于衡量目标子区域的订单数量多少的程度。例如,订单热度等级可以包括4个等级。
在一个示例中,终端统计各目标子区域的各类兴趣点的数量和人口密度。
在一个示例中,针对每一个目标子区域,终端将该目标子区域内的各目标区块的各类兴趣点的数量分别相加,得到该目标子区域的各类兴趣点的数量。同时,终端根据该目标子区域内的各目标区块的人口信息,确定该目标子区域的人口密度。
步骤104,根据各目标子区域的预测订单热度等级,确定各目标子区域的共享车辆的投放数量。
在本申请实施例中,终端根据各目标子区域的预测订单热度等级,确定各目标子区域的共享车辆的投放数量。其中,投放数量为投放的共享车辆的数量。
在一个示例中,终端将不包含城市禁停区的目标子区域,作为投放子区域。然后,终端根据各投放子区域的预测订单热度等级,确定各投放子区域的共享车辆的投放数量。
在一个示例中,针对每一个目标子区域,终端在预设的订单热度等级和投放数量的映射关系中,查询该目标子区域的预测订单热度等级对应的投放数量,得到该目标子区域的共享车辆的投放数量。
在一个示例中,终端根据目标投放区域的各类兴趣点的数量和人口密度,确定目标投放区域的共享车辆的投放总量。然后,终端将订单热度等级最高的区域作为目标投放区域。然后,终端按照贪婪方式,为目标投放区域投放共享车辆。当投放完成目标投放区域后,终端更新共享车辆的投放总量。然后,终端将订单热度等级次高的区域作为目标投放区域。然后。终端返回为目标投放区域投放共享车辆步骤,直到共享车辆的投放总量为零或目标子区域投放完毕。具体的,终端在预设的订单热度等级和投放数量的映射关系中,查询目标投放区域的预测订单热度等级对应的投放数量,得到该目标投放区域的共享车辆的投放数量。
在一个实施例中,预测订单热度等级包括4级。终端按照订单热度等级,先投放订单热度等级最高的目标子区域。终端为每个预测订单热度等级为4级的目标子区域投放40辆车。若订单热度等级为4级的目标子区域已经投放完,则终端投放订单热度等级为3级的目标子区域。终端为每个预测订单热度等级为3级的目标子区域投放30辆车。若订单热度等级为3级的目标子区域已经投放完,则终端投放订单热度等级为2级的目标子区域。终端为每个预测订单热度等级为2级的目标子区域投放20辆车。若订单热度等级为2级的目标子区域已经投放完,则终端投放订单热度等级为1级的目标子区域。终端为每个预测订单热度等级为1级的目标子区域投放10辆车。以此类推,直至所有共享车辆投放完毕。
上述共享车辆的投放方法中,采用预设的区块划分规则,将目标投放区域划分成目标区块;基于各所述目标区块的各类兴趣点的数量和人口密度,对各所述目标区块进行聚类,得到目标子区域;针对每一个目标子区域,将所述目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到所述目标子区域的预测订单热度等级;根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量。这样,通过订单预测模型、目标子区域的各类兴趣点的数量和人口密度,对目标子区域的订单数量进行预测,即对目标子区域的共享车辆的需求进行预测,再根据对目标子区域的需求预测结果,自动确定在目标子区域的共享车辆的投放数量,实现对入驻新城市的共享车辆的准确投放,不依赖人工经验和判断,需要耗费的时间少,能够提高共享车辆的投放效率。并且,先将目标投放区域划分为目标区块,再将POI类型数量相近,人口密度相似的目标区块聚合成一个个的目标子区域,作为后续的基本单元,不仅实现了共享车辆投放位置的准确选择,还能够提升基本单元特征的稳定性,从而提高订单热度预测的准确性,提高共享车辆投放的准确性。
在一个实施例中,如图2所示,根据各目标子区域的预测订单热度等级,确定各目标子区域的共享车辆的投放数量的具体过程包括以下步骤:
步骤201,针对每一个目标子区域,在预设的订单热度等级和基础投放数量的映射关系中,根据该目标子区域的预测订单热度等级,查询该目标子区域的共享车辆的基础投放数量。
在本申请实施例中,针对每一个目标子区域,终端在预设的订单热度等级和基础投放数量的映射关系中,查询该目标子区域的预测订单热度等级对应的共享车辆的基础投放数量。其中,基础投放数量为每一个目标子区域投放共享车辆的最少数量。基础投放数量可以依订单热度等级递减。例如,订单热度等级包括4级。4级对应的基础投放数量可以为40;3级对应的基础投放数量可以为30;2级对应的基础投放数量可以为20;1级对应的基础投放数量可以为10。
在一个示例中,基础投放数量可以为基础投放单位数量和基础投放倍数的乘积。基础投放倍数可以与订单热度等级成正比。基础投放倍数可以与订单热度等级存在映射关系。基础投放单位数量可以与各目标子区域的订单数量的预测值和对目标投放区域的共享车辆的投放总量相关。例如,基础投放单位数量可以为10。
在一个示例中,针对每一个目标子区域,终端将该目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单数量预测模型,得到该目标子区域的预测订单数量。然后,终端比较各目标子区域的预测订单数量。然后,终端在预设的订单数量和基础投放单位数量的映射关系中,查询最小的目标子区域的预测订单数量对应的基础投放单位数量。
步骤202,根据订单预测模型,确定目标子区域的共享车辆的探索投放数量。
在本申请实施例中,终端根据订单预测模型的预测权重,确定目标子区域的共享车辆的探索投放数量。其中,探索投放数量为每一个目标子区域投放共享车辆的试探性投放数量,为每一个目标子区域投放共享车辆的额外数量。预测权重为订单预测模型对订单热度等级进行预测时影响订单热度等级预测结果的预测因子的权重。预测权重包括各类兴趣点对应的第一订单权重和人口密度对应的第二订单权重。
在一个示例中,终端根据订单预测模型的各类兴趣点对应的第一订单权重,确定目标子区域的共享车辆的探索投放数量。
在一个示例中,终端根据订单预测模型的人口密度对应的第二订单权重,确定目标子区域的共享车辆的探索投放数量。
在一个示例中,终端根据订单预测模型的各类兴趣点对应的第一订单权重和人口密度对应的第二订单权重,确定目标子区域的共享车辆的探索投放数量。
步骤203,根据基础投放数量和探索投放数量,确定目标子区域的共享车辆的投放数量。
在本申请实施例中,终端将基础投放数量和探索投放数量相加,得到目标子区域的共享车辆的投放数量。
上述共享车辆的投放方法中,针对每一个目标子区域,在预设的订单热度等级和基础投放数量的映射关系中,根据该目标子区域的预测订单热度等级,查询该目标子区域的共享车辆的基础投放数量;根据订单预测模型,确定目标子区域的共享车辆的探索投放数量;根据基础投放数量和探索投放数量,确定目标子区域的共享车辆的投放数量。这样,通过预测订单热度等级,确定基础投放数量,通过订单预测模型,确定探索投放数量,再将基础投放数量和探索投放数量相加,得到共享车辆的投放数量,充分考虑市场需求、以及城市等目标投放区域的资源,能够提升投放效果,进一步提高共享车辆投放的准确性,从而节约资源和管理成本。
在一个实施例中,如图3所示,根据订单预测模型,确定目标子区域的共享车辆的探索投放数量的具体过程包括以下步骤:
步骤301,获取订单预测模型中各类兴趣点对应的第一订单权重。
在本申请实施例中,终端获取订单预测模型中各类兴趣点对应的第一订单权重。其中,第一订单权重为订单预测模型的一类兴趣点对应的学习权重。
步骤302,针对每一个目标子区域,根据该目标子区域的各类兴趣点的数量和各类兴趣点对应的第一订单权重,计算该目标子区域的兴趣度。
在本申请实施例中,针对每一个目标子区域,终端计算该目标子区域的每一类兴趣点的数量和该类兴趣点对应的第一订单权重的乘积,得到各类兴趣点的兴趣度。然后,终端将各类兴趣点的兴趣度相加,得到该目标子区域的兴趣度。其中,兴趣度为目标子区域的兴趣点对该目标子区域的预测订单热度等级的影响程度。
步骤303,根据各目标子区域的兴趣度,确定各目标子区域对应的第一探索数。
在本申请实施例中,终端根据各目标子区域的兴趣度,确定各目标子区域的准确度的百分位数。然后,终端将各目标子区域的兴趣度的百分位数,分别作为各目标子区域对应的第一探索数。其中,第一探索数与每一个目标子区域投放共享车辆的试探性投放倍数正相关。第一探索数可以为每一个目标子区域投放共享车辆的试探性投放倍数。
步骤304,针对每一个目标子区域,根据该目标子区域的共享车辆的探索投放单位量和该目标子区域对应的第一探索数,确定该目标子区域的共享车辆的探索投放数量。
在本申请实施例中,针对每一个目标子区域,终端可以将该目标子区域的共享车辆的探索投放单位量和该目标子区域对应的第一探索数相乘,得到该目标子区域的共享车辆的探索投放数量。其中,探索投放单位量为每一个目标子区域投放共享车辆的试探性投放单位量。例如,探索投放单位量可以为10。
上述共享车辆的投放方法中,获取订单预测模型中各类兴趣点对应的第一订单权重;针对每一个目标子区域,根据该目标子区域的各类兴趣点的数量和各类兴趣点对应的第一订单权重,计算该目标子区域的兴趣度;根据各目标子区域的兴趣度,确定各目标子区域对应的第一探索数;针对每一个目标子区域,根据该目标子区域的共享车辆的探索投放单位量和该目标子区域对应的第一探索数,确定该目标子区域的共享车辆的探索投放数量。这样,通过不同目标子区域的兴趣点对该目标子区域的预测订单热度等级的影响程度,确定不同的探索投放数量,实现对不同兴趣点分布情况的目标子区域投放不同投放数量的共享车辆,充分考虑城市等目标投放区域的各类兴趣点资源,能够提升投放效果,进一步提高共享车辆投放的准确性,从而节约资源和管理成本。
在一个实施例中,如图4所示,根据目标子区域的共享车辆的探索投放单位量和目标子区域对应的第一探索数,确定目标子区域的共享车辆的探索投放数量的具体过程包括以下步骤:
步骤401,获取订单预测模型中人口密度对应的第二订单权重。
在本申请实施例中,终端获取订单预测模型中人口密度对应的第二订单权重。其中,第二订单权重为订单预测模型的人口密度对应的学习权重。
步骤402,根据目标子区域的人口密度和人口密度对应的第二订单权重,计算目标子区域的人口密度的评估结果。
在本申请实施例中,终端将目标子区域的人口密度和人口密度对应的第二订单权重相乘,得到目标子区域的人口密度的评估结果。其中,人口密度的评估结果为目标子区域的人口密度对该目标子区域的预测订单热度等级的影响程度。
步骤403,根据各目标子区域的人口密度的评估结果,确定各目标子区域对应的第二探索数。
在本申请实施例中,终端根据各目标子区域的人口密度的评估结果,确定各目标子区域的人口密度的评估结果的百分位数。然后,终端将各目标子区域的人口密度的评估结果的百分位数,分别作为各目标子区域对应的第二探索数。其中,第二探索数与每一个目标子区域投放共享车辆的试探性投放倍数正相关。
步骤404,针对每一个目标子区域,根据该目标子区域的共享车辆的探索投放单位量、该目标子区域对应的第一探索数和第二探索数,确定该目标子区域的共享车辆的探索投放数量。
在本申请实施例中,针对每一个目标子区域,终端可以根据该目标子区域对应的第一探索数和第二探索数,确定该目标子区域对应的目标探索数。然后,终端根据该目标子区域的共享车辆的探索投放单位量和该目标子区域对应的目标探索数,确定该目标子区域的共享车辆的探索投放数量。其中,目标探索数与每一个目标子区域投放共享车辆的试探性投放倍数正相关。目标探索数可以为每一个目标子区域投放共享车辆的试探性投放倍数。
上述共享车辆的投放方法中,获取订单预测模型中人口密度对应的第二订单权重;根据目标子区域的人口密度和人口密度对应的第二订单权重,计算目标子区域的人口密度的评估结果;根据各目标子区域的人口密度的评估结果,确定各目标子区域对应的第二探索数;针对每一个目标子区域,根据该目标子区域的共享车辆的探索投放单位量、该目标子区域对应的第一探索数和第二探索数,确定该目标子区域的共享车辆的探索投放数量。这样,通过不同目标子区域的兴趣点对该目标子区域的预测订单热度等级的影响程度和不同目标子区域的人口密度对该目标子区域的预测订单热度等级的影响程度,确定不同的探索投放数量,实现对不同兴趣点分布情况和不同人口分别情况的目标子区域投放不同投放数量的共享车辆,综合考虑城市等目标投放区域的各类兴趣点资源和市场需求,能够进一步提升投放效果,进一步提高共享车辆投放的准确性。
在一个示例中,终端根据订单预测模型的人口密度对应的第二订单权重,确定目标子区域的共享车辆的探索投放数量的具体过程包括:终端获取订单预测模型中人口密度对应的第二订单权重。然后,终端根据目标子区域的人口密度和人口密度对应的第二订单权重,计算目标子区域的人口密度的评估结果。然后,终端根据各目标子区域的人口密度的评估结果,确定各目标子区域对应的第二探索数。其中,第二探索数为每一个目标子区域投放共享车辆的试探性投放倍数。上述过程的具体过程与步骤401-403的具体过程类似。然后,针对每一个目标子区域,终端将该目标子区域的共享车辆的探索投放单位量和目标子区域对应的第二探索数相乘,得到该目标子区域的共享车辆的探索投放数量。
在一个实施例中,如图5所示,根据目标子区域的共享车辆的探索投放单位量、目标子区域对应的第一探索数和第二探索数,确定目标子区域的共享车辆的探索投放数量的具体过程包括以下步骤:
步骤501,根据订单预测模型中各类兴趣点对应的第一订单权重和人口密度对应的第二订单权重,确定兴趣点权重和人口密度权重。
在本申请实施例中,终端将订单预测模型中各类兴趣点对应的第一订单权重相加,得到兴趣点权重。同时,终端将人口密度对应的第二订单权重,作为人口密度权重。其中,兴趣点权重为订单预测模型的全部兴趣点对应的学习权重。人口密度权重为订单预测模型的人口密度对应的学习权重。
步骤502,根据目标子区域对应的第一探索数和兴趣点权重的乘积、以及目标子区域对应的第二探索数和人口密度权重的乘积,确定目标子区域的目标探索数。
在本申请实施例中,终端将目标子区域对应的第一探索数和兴趣点权重的相乘。然后,终端将目标子区域对应的第二探索数和人口密度权重的相乘。然后,终端将目标子区域对应的第一探索数和兴趣点权重的乘积、以及目标子区域对应的第二探索数和人口密度权重的乘积相加,得到目标子区域的目标探索数。
步骤503,将目标子区域的共享车辆的探索投放单位量和目标子区域的目标探索数相乘,得到目标子区域的共享车辆的探索投放数量。
在本申请实施例中,终端将目标子区域的共享车辆的探索投放单位量和目标子区域的目标探索数相乘,得到目标子区域的共享车辆的探索投放数量。
上述共享车辆的投放方法中,根据订单预测模型中各类兴趣点对应的第一订单权重和人口密度对应的第二订单权重,确定兴趣点权重和人口密度权重;根据目标子区域对应的第一探索数和兴趣点权重的乘积、以及目标子区域对应的第二探索数和人口密度权重的乘积,确定目标子区域的目标探索数;将目标子区域的共享车辆的探索投放单位量和目标子区域的目标探索数相乘,得到目标子区域的共享车辆的探索投放数量。这样,通过订单预测模型的全部兴趣点对应的学习权重和订单预测模型的人口密度对应的学习权重,确定第一探索数和第二探索数对目标探索数的影响,并将其转化为城市等目标投放区域的各类兴趣点资源和市场需求对共享车辆的探索投放数量的影响,能够进一步提升投放效果,进一步提高共享车辆投放的准确性。
在一个实施例中,如图6所示,订单预测模型的训练过程包括以下步骤:
步骤601,根据目标投放区域的地理环境信息,在运营成熟的已投放区域中,选取目标参考区域。
在本申请实施例中,终端根据目标投放区域的地理环境信息,在运营成熟的已投放区域中,选取目标参考区域。
在一个示例中,针对每一个运营成熟的已投放区域,终端确定该运营成熟的已投放区域的地理环境信息与目标投放区域的地理环境信息的相似度,得到该运营成熟的已投放区域的地理环境相似度。然后,终端将地理环境相似度最高的运营成熟的已投放区域,作为目标参考区域。
步骤602,采用预设的区块划分规则,将目标参考区域划分成参考区块。
在本申请实施例中,终端将划分目标投放区域时采用的区块划分规则,作为目标划分规则。然后,终端采用目标划分规则,将目标参考区域划分成参考区块。即终端划分目标投放区域和划分目标参考区域时采用相同的区块划分规则。
步骤603,基于各参考区块的各类兴趣点的数量和人口密度,对各参考区块进行聚类,得到参考子区域。
在本申请实施例中,终端将各类兴趣点的数量和人口密度作为聚类特征。然后,终端基于聚类特征、各目标区块的各类兴趣点的数量和人口密度,对各参考区块进行聚类,得到参考子区域。
步骤604,针对每一个参考子区域,根据该参考子区域的订单数量的百分位数,确定该参考子区域对应的样本订单热度等级。
在本申请实施例中,终端获取各参考子区域的订单数量。然后,终端确定各参考子区域的订单数量的百分位数。然后,针对每一个参考子区域,终端根据该参考子区域的订单数量的百分位数,确定该参考子区域对应的样本订单热度等级。其中,样本订单热度等级为参考子区域的订单热度等级的样本值。
步骤605,将各参考子区域的各类兴趣点的数量和人口密度、以及各参考子区域对应的样本订单热度等级,构成目标投放区域对应的目标数据集。
在本申请实施例中,针对每一个参考子区域,终端将该参考子区域的各类兴趣点的数量和人口密度、以及该参考子区域对应的样本订单热度等级,构成该参考子区域对应的样本。然后,终端将各参考子区域对应的样本,构成目标投放区域对应的目标数据集。
步骤606,基于目标投放区域对应的目标数据集,训练目标模型,得到目标投放区域对应的订单预测模型。
在本申请实施例中,终端基于目标投放区域对应的目标数据集,训练目标模型,得到目标投放区域对应的订单预测模型。
上述共享车辆的投放方法中,根据目标投放区域的地理环境信息,在运营成熟的已投放区域中,选取目标参考区域;采用预设的区块划分规则,将目标参考区域划分成参考区块;基于各参考区块的各类兴趣点的数量和人口密度,对各参考区块进行聚类,得到参考子区域;针对每一个参考子区域,根据该参考子区域的订单数量的百分位数,确定该参考子区域对应的样本订单热度等级;将各参考子区域的各类兴趣点的数量和人口密度、以及各参考子区域对应的样本订单热度等级,构成目标投放区域对应的目标数据集;基于目标投放区域对应的目标数据集,训练目标模型,得到目标投放区域对应的订单预测模型。这样,通过对与目标投放区域地理环境相似的参考投放区域进行类似的处理和订单热度等级的划分,构建目标数据集,实现为不同的目标投放区域训练不同的订单预测模型,更加符合目标投放区域的实际情况,避免其他因素的干扰,能够进一步提升订单热度预测的准确性,进一步提高共享车辆投放的准确性,进一步提升投放效果。
在一个实施例中,如图7所示,根据参考子区域的订单数量的百分位数,确定参考子区域对应的样本订单热度等级的具体过程包括以下步骤:
步骤701,根据参考子区域的订单数量的百分位数,确定参考子区域对应的样本订单热度区间。
在本申请实施例中,终端预设订单热度区间和订单热度等级的映射关系。每个订单热度区间包括第一订单热度区间阈值和第二订单热度区间阈值。第一订单热度区间阈值小于第二订单热度区间阈值。若参考子区域的订单数量的百分位数大于该订单热度区间的第一订单热度区间阈值、且小于或等于该订单热度区间的第二订单热度区间阈值,则终端确定参考子区域对应的样本订单热度区间为该订单热度区间。其中,样本订单热度区间为参考子区域对应的订单热度区间。
步骤702,在预设的订单热度区间和订单热度等级的映射关系中,查询样本订单热度区间对应的样本订单热度等级,得到参考子区域对应的样本订单热度等级。
在本申请实施例中,终端在预设的订单热度区间和订单热度等级的映射关系中,查询样本订单热度区间对应的样本订单热度等级,得到参考子区域对应的样本订单热度等级。
在一个实施例中,订单热度区间和订单热度等级的映射关系可以为:1级:order_num<=25分位数;2级:25<order_num<=50;3级:50<order_num<=75;4级:75<order_num<=100。其中,order_num为参考子区域的订单数量的百分位数。
上述共享车辆的投放方法中,根据参考子区域的订单数量的百分位数,确定参考子区域对应的样本订单热度区间;在预设的订单热度区间和订单热度等级的映射关系中,查询样本订单热度区间对应的样本订单热度等级,得到参考子区域对应的样本订单热度等级。这样,通过订单数量的百分位数,依次实现订单热度区间的匹配和订单热度等级的匹配,能够有效区分各个目标子区域的订单热度,更加符合共享车辆投放的实际情况,能够进一步提高共享车辆投放的准确性,进一步提升投放效果。
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投放方法的共享车辆的投放装置。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投放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投放方法的限定,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投放装置800,包括:第一划分模块810、第一聚类模块820、预测模块830和第一确定模块840,其中:
第一划分模块810,用于采用预设的区块划分规则,将目标投放区域划分成目标区块;
第一聚类模块820,用于基于各所述目标区块的兴趣点的数量和人口密度,对各所述目标区块进行聚类,得到目标子区域;
预测模块830,用于针对每一个目标子区域,将所述目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到所述目标子区域的预测订单热度等级;
第一确定模块840,用于根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量。
可选的,所述第一确定模块840,具体用于:
针对每一个目标子区域,在预设的订单热度等级和基础投放数量的映射关系中,根据所述目标子区域的预测订单热度等级,查询所述目标子区域的共享车辆的基础投放数量;
根据所述订单预测模型,确定所述目标子区域的共享车辆的探索投放数量;
根据所述基础投放数量和所述探索投放数量,确定所述目标子区域的共享车辆的投放数量。
可选的,所述第一确定模块840,具体用于:
获取所述订单预测模型中各类兴趣点对应的第一订单权重;
针对每一个目标子区域,根据所述目标子区域的各类兴趣点的数量和所述各类兴趣点对应的第一订单权重,计算所述目标子区域的兴趣度;
根据各所述目标子区域的兴趣度,确定各所述目标子区域对应的第一探索数;
针对每一个目标子区域,根据所述目标子区域的共享车辆的探索投放单位量和所述目标子区域对应的第一探索数,确定所述目标子区域的共享车辆的探索投放数量。
可选的,所述第一确定模块840,具体用于:
获取所述订单预测模型中人口密度对应的第二订单权重;
根据所述目标子区域的人口密度和所述人口密度对应的第二订单权重,计算所述目标子区域的人口密度的评估结果;
根据各所述目标子区域的人口密度的评估结果,确定各所述目标子区域对应的第二探索数;
针对每一个目标子区域,根据所述目标子区域的共享车辆的探索投放单位量、所述目标子区域对应的第一探索数和第二探索数,确定所述目标子区域的共享车辆的探索投放数量。
可选的,所述第一确定模块840,具体用于:
根据所述订单预测模型中各类兴趣点对应的第一订单权重和人口密度对应的第二订单权重,确定兴趣点权重和人口密度权重;
根据所述目标子区域对应的第一探索数和所述兴趣点权重的乘积、以及所述目标子区域对应的第二探索数和所述人口密度权重的乘积,确定所述目标子区域的目标探索数;
将所述目标子区域的共享车辆的探索投放单位量和所述目标子区域的目标探索数相乘,得到所述目标子区域的共享车辆的探索投放数量。
可选的,所述装置800还包括:
选取模块,用于根据目标投放区域的地理环境信息,在运营成熟的已投放区域中,选取目标参考区域;
第二划分模块,用于采用预设的区块划分规则,将目标参考区域划分成参考区块;
第二聚类模块,用于基于各所述参考区块的各类兴趣点的数量和人口密度,对各所述参考区块进行聚类,得到参考子区域;
第二确定模块,用于针对每一个参考子区域,根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度等级;
构建模块,用于将各所述参考子区域的各类兴趣点的数量和人口密度、以及各所述参考子区域对应的样本订单热度等级,构成所述目标投放区域对应的目标数据集;
训练模块,用于基于所述目标投放区域对应的目标数据集,训练目标模型,得到所述目标投放区域对应的订单预测模型。
可选的,所述第二确定模块,具体用于:
根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度区间;
在预设的订单热度区间和订单热度等级的映射关系中,查询所述样本订单热度区间对应的样本订单热度等级,得到所述参考子区域对应的样本订单热度等级。
上述共享车辆的投放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投放方法。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)
1.一种共享车辆的投放方法,其特征在于,所述方法包括:
采用预设的区块划分规则,将目标投放区域划分成目标区块;
基于各所述目标区块的各类兴趣点的数量和人口密度,对各所述目标区块进行聚类,得到目标子区域;
针对每一个目标子区域,将所述目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到所述目标子区域的预测订单热度等级;
根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量包括:
针对每一个目标子区域,在预设的订单热度等级和基础投放数量的映射关系中,根据所述目标子区域的预测订单热度等级,查询所述目标子区域的共享车辆的基础投放数量;
根据所述订单预测模型,确定所述目标子区域的共享车辆的探索投放数量;
根据所述基础投放数量和所述探索投放数量,确定所述目标子区域的共享车辆的投放数量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述订单预测模型,确定所述目标子区域的共享车辆的探索投放数量包括:
获取所述订单预测模型中各类兴趣点对应的第一订单权重;
针对每一个目标子区域,根据所述目标子区域的各类兴趣点的数量和所述各类兴趣点对应的第一订单权重,计算所述目标子区域的兴趣度;
根据各所述目标子区域的兴趣度,确定各所述目标子区域对应的第一探索数;
针对每一个目标子区域,根据所述目标子区域的共享车辆的探索投放单位量和所述目标子区域对应的第一探索数,确定所述目标子区域的共享车辆的探索投放数量。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标子区域的共享车辆的探索投放单位量和所述目标子区域对应的第一探索数,确定所述目标子区域的共享车辆的探索投放数量包括:
获取所述订单预测模型中人口密度对应的第二订单权重;
根据所述目标子区域的人口密度和所述人口密度对应的第二订单权重,计算所述目标子区域的人口密度的评估结果;
根据各所述目标子区域的人口密度的评估结果,确定各所述目标子区域对应的第二探索数;
针对每一个目标子区域,根据所述目标子区域的共享车辆的探索投放单位量、所述目标子区域对应的第一探索数和第二探索数,确定所述目标子区域的共享车辆的探索投放数量。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标子区域的共享车辆的探索投放单位量、所述目标子区域对应的第一探索数和第二探索数,确定所述目标子区域的共享车辆的探索投放数量包括:
根据所述订单预测模型中各类兴趣点对应的第一订单权重和人口密度对应的第二订单权重,确定兴趣点权重和人口密度权重;
根据所述目标子区域对应的第一探索数和所述兴趣点权重的乘积、以及所述目标子区域对应的第二探索数和所述人口密度权重的乘积,确定所述目标子区域的目标探索数;
将所述目标子区域的共享车辆的探索投放单位量和所述目标子区域的目标探索数相乘,得到所述目标子区域的共享车辆的探索投放数量。
6.根据权利要求1所述的方法,其特征在于,所述订单预测模型的训练过程包括:
根据目标投放区域的地理环境信息,在运营成熟的已投放区域中,选取目标参考区域;
采用预设的区块划分规则,将目标参考区域划分成参考区块;
基于各所述参考区块的各类兴趣点的数量和人口密度,对各所述参考区块进行聚类,得到参考子区域;
针对每一个参考子区域,根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度等级;
将各所述参考子区域的各类兴趣点的数量和人口密度、以及各所述参考子区域对应的样本订单热度等级,构成所述目标投放区域对应的目标数据集;
基于所述目标投放区域对应的目标数据集,训练目标模型,得到所述目标投放区域对应的订单预测模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度等级包括:
根据所述参考子区域的订单数量的百分位数,确定所述参考子区域对应的样本订单热度区间;
在预设的订单热度区间和订单热度等级的映射关系中,查询所述样本订单热度区间对应的样本订单热度等级,得到所述参考子区域对应的样本订单热度等级。
8.一种共享车辆的投放装置,其特征在于,所述装置包括:
第一划分模块,用于采用预设的区块划分规则,将目标投放区域划分成目标区块;
第一聚类模块,用于基于各所述目标区块的兴趣点的数量和人口密度,对各所述目标区块进行聚类,得到目标子区域;
预测模块,用于针对每一个目标子区域,将所述目标子区域的各类兴趣点的数量和人口密度输入至预先训练的订单预测模型,得到所述目标子区域的预测订单热度等级;
第一确定模块,用于根据各所述目标子区域的预测订单热度等级,确定各所述目标子区域的共享车辆的投放数量。
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 |
---|---|---|---|
CN202310444127.1A CN116188052A (zh) | 2023-04-24 | 2023-04-24 | 共享车辆的投放方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310444127.1A CN116188052A (zh) | 2023-04-24 | 2023-04-24 | 共享车辆的投放方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188052A true CN116188052A (zh) | 2023-05-30 |
Family
ID=86452457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310444127.1A Pending CN116188052A (zh) | 2023-04-24 | 2023-04-24 | 共享车辆的投放方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188052A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150142518A1 (en) * | 2012-05-22 | 2015-05-21 | Mobiag, Lda. | System for making available for hire vehicles from a fleet aggregated from a plurality of vehicle fleets |
CN110443634A (zh) * | 2019-07-08 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 售卖机的投放地址的确定方法、装置和服务器 |
CN112669537A (zh) * | 2020-12-17 | 2021-04-16 | 上海交通大学 | 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 |
CN115018389A (zh) * | 2022-08-05 | 2022-09-06 | 深圳壹家智能锁有限公司 | 自助轮椅的管理调度方法、装置、设备及存储介质 |
-
2023
- 2023-04-24 CN CN202310444127.1A patent/CN116188052A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150142518A1 (en) * | 2012-05-22 | 2015-05-21 | Mobiag, Lda. | System for making available for hire vehicles from a fleet aggregated from a plurality of vehicle fleets |
CN110443634A (zh) * | 2019-07-08 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 售卖机的投放地址的确定方法、装置和服务器 |
CN112669537A (zh) * | 2020-12-17 | 2021-04-16 | 上海交通大学 | 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 |
CN115018389A (zh) * | 2022-08-05 | 2022-09-06 | 深圳壹家智能锁有限公司 | 自助轮椅的管理调度方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Personalized recommendations of locally interesting venues to tourists via cross-region community matching | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
Jiao et al. | A novel next new point-of-interest recommendation system based on simulated user travel decision-making process | |
CN111047130B (zh) | 用于交通分析和管理的方法和系统 | |
CN116363854B (zh) | 共享出行车辆调度方法、装置和计算机设备 | |
Ma et al. | Modeling and analysis of daily driving patterns of taxis in reshuffled ride-hailing service market | |
CN110276012A (zh) | 一种可视化用户画像的生成方法、装置和计算设备 | |
Huang et al. | Interest-driven outdoor advertising display location selection using mobile phone data | |
CN116188052A (zh) | 共享车辆的投放方法、装置、计算机设备和存储介质 | |
CN112950079B (zh) | 绿地供需数据处理方法、系统、计算机设备及存储介质 | |
Smarzaro et al. | Could Data from Location-Based Social Networks Be Used to Support Urban Planning? | |
CN115408618A (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
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 | |
CN116151600B (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
Lopez et al. | Identifying spatio-temporal hotspots of human activity that are popular non-work destinations | |
Tan et al. | The Park city perspective study: Revealing the park accessibility influenced by experiences of visitors under different travel modes | |
Al_Sayed et al. | On the nature of urban dependencies: How Manhattan and Barcelona reinforced a natural organisation despite planning intentionality | |
CN114943407A (zh) | 区域规划方法、装置、设备、可读存储介质及程序产品 | |
Yu | Regional co-location pattern scoping on a street network considering distance decay effects of spatial interaction | |
Reijsbergen | Probabilistic modelling of station locations in bicycle-sharing systems | |
Korth et al. | On the influence of grid cell size on taxi demand prediction | |
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 | |
Zhang et al. | A data-driven approach of layout evaluation for electric vehicle charging infrastructure using agent-based simulation and GIS | |
Camargo et al. | Diagnosing the performance of human mobility models at small spatial scales using volunteered geographical information | |
CN116186417B (zh) | 推荐方法、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 |