CN116304393A - 数据处理方法、装置、计算机设备和存储介质 - Google Patents
数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116304393A CN116304393A CN202310565955.0A CN202310565955A CN116304393A CN 116304393 A CN116304393 A CN 116304393A CN 202310565955 A CN202310565955 A CN 202310565955A CN 116304393 A CN116304393 A CN 116304393A
- Authority
- CN
- China
- Prior art keywords
- target
- clustering
- area
- determining
- position information
- 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
- 238000003672 processing method Methods 0.000 title abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 72
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012508 change request Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 10
- 238000006243 chemical reaction Methods 0.000 description 44
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/906—Clustering; Classification
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种数据处理方法、装置、计算机设备和存储介质。所述方法包括：响应于目标对象发起的换电请求，确定目标对象的位置信息以及目标区域内各目标车辆的位置信息；根据预设的聚类算法以及各目标车辆的位置信息，对目标区域内各目标车辆进行聚类处理，并基于聚类结果确定聚类区域；根据各聚类区域对应的历史特征数据以及预设的预测模型，确定各聚类区域对应的预测特征数据；历史特征数据用于反映历史时间段内聚类区域中各目标车辆的历史使用情况；根据各聚类区域对应的预测特征数据以及目标对象的位置信息，在各聚类区域中确定出目标聚类区域，将目标聚类区域反馈给目标对象。采用本方法，可以提高车辆换电有效性。
Description
技术领域
本申请涉及共享单车技术领域，特别是涉及一种数据处理方法、装置、计算机设备和存储介质。
背景技术
共享单车在人们的日常生活中越来越普遍，为人们的日常生活带来了便利，在共享单车的日常管理中，共享单车的运营商需要定期为共享单车进行换电，以保证共享单车的可用性。
目前的共享单车换电方法，通常是采用人工换电的方式，由换电工携带新的电池，对低电的共享单车进行换电。在具体换电过程中，换电工可以基于移动终端显示目标区域内各低电车辆的分布位置，然后，换电工通常采用就近原则选择最接近的换电区域，结合自身经验进行换电规划，依次对低电车辆进行换电。
然而，目前的共享单车换电过程中，换电工通过自身经验等选择的换电区域存在车辆的使用频次不高的情况，造成对该换电区域内各车辆进行换电处理，换点后的车辆转化率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种数据处理方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种数据处理方法。所述方法包括：
响应于目标对象发起的换电请求，确定所述目标对象的位置信息以及目标区域内各目标车辆的位置信息；所述目标车辆为满足预设电量条件的车辆；
根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并基于聚类结果确定聚类区域；
根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据；所述历史特征数据用于反映历史时间段内所述聚类区域中各所述目标车辆的历史使用情况；
根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，将所述目标聚类区域作为推荐区域，反馈给所述目标对象。
在其中一个实施例中，所述根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并基于聚类结果确定聚类区域，包括：
根据预设的聚类算法以及所述目标区域内各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行预设聚类簇数目的聚类处理，得到所述预设聚类簇数目个聚类簇；
在所述预设聚类簇数目个聚类簇中，确定满足预设聚类条件的各目标聚类簇，将所述目标聚类簇作为聚类结果并确定各所述聚类结果对应的聚类区域。
在其中一个实施例中，所述根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据，包括：
针对各所述聚类区域中的每一所述聚类区域，确定所述聚类区域中包含的所述目标车辆的位置信息在所述聚类区域中的所属区块，并基于各所述区块中所述目标车辆的历史特征数据，构建各所述区块对应的历史特征数据；
将各所述区块对应的历史特征数据，输入至预设的预测模型中，对各所述历史特征数据进行预测处理，得到各所述区块对应的预测特征数据；
基于各所述区块对应的预测特征数据，确定所述目标预测时段内所述聚类区域对应的预测特征数据。
在其中一个实施例中，所述根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，包括：
根据各所述聚类区域的中心的位置信息与所述目标对象的位置信息，确定各所述聚类区域的中心与所述目标对象间的相对距离；
根据各所述相对距离以及各所述聚类区域对应的预测特征数据，对各所述聚类区域进行评估处理，得到各所述聚类区域对应的评估结果；
根据各所述聚类区域对应的评估结果，将所述评估结果最高的聚类区域确定为目标聚类区域。
在其中一个实施例中，所述根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据之前，所述方法还包括：
获取训练特征数据集，所述训练特征数据集中包含所述目标区域内各区块对应的训练特征数据以及参考特征数据；
将各所述区块对应的所述训练特征数据集输入至预测模型中，对所述训练特征数据集进行预测处理，得到各所述区块对应的预测特征数据；
根据所述预测特征数据和所述参考特征数据进行损失计算，得到损失结果，直至所述损失结果满足预设损失条件时，确定所述预测模型训练完成。
在其中一个实施例中，所述获取训练特征数据集，包括：
按照预设的区域划分规则，将所述目标区域划分为多个区块；
根据各所述目标车辆的位置信息，确定所述多个区块中每一区块包含的目标车辆，并获取历史时段内每一所述区块对应的目标车辆的历史特征数据，作为所述区块对应的训练特征数据和参考特征数据；
根据各所述区块对应的训练特征数据和参考特征数据，构建训练特征数据集。
在其中一个实施例中，所述将所述目标聚类区域作为推荐区域，反馈给所述目标对象，包括：
获取所述目标区域的地图数据；所述地图数据中包含所述目标对象的位置信息以及各所述目标车辆的位置信息；
在所述地图数据中标记所述目标聚类区域，以及标记所述目标对象当前的位置信息；
在显示页面中显示包含所述目标聚类区域以及所述目标对象当前的位置信息的地图数据。
第二方面，本申请还提供了一种数据处理装置。所述装置包括：
第一确定模块，用于响应于目标对象发起的换电请求，确定所述目标对象的位置信息以及目标区域内各目标车辆的位置信息；所述目标车辆为满足预设电量条件的车辆；
第二确定模块，用于根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并确定聚类处理后的各聚类区域；
第三确定模块，用于根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据；所述历史特征数据用于反映历史时间段内所述聚类区域中各所述目标车辆的历史使用情况；
反馈模块，用于根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，将所述目标聚类区域作为推荐区域，反馈给所述目标对象。
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以下步骤：
响应于目标对象发起的换电请求，确定所述目标对象的位置信息以及目标区域内各目标车辆的位置信息；所述目标车辆为满足预设电量条件的车辆；
根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并基于聚类结果确定聚类区域；
根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据；所述历史特征数据用于反映历史时间段内所述聚类区域中各所述目标车辆的历史使用情况；
根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，将所述目标聚类区域作为推荐区域，反馈给所述目标对象。
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以下步骤：
响应于目标对象发起的换电请求，确定所述目标对象的位置信息以及目标区域内各目标车辆的位置信息；所述目标车辆为满足预设电量条件的车辆；
根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并基于聚类结果确定聚类区域；
根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据；所述历史特征数据用于反映历史时间段内所述聚类区域中各所述目标车辆的历史使用情况；
根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，将所述目标聚类区域作为推荐区域，反馈给所述目标对象。
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以下步骤：
响应于目标对象发起的换电请求，确定所述目标对象的位置信息以及目标区域内各目标车辆的位置信息；所述目标车辆为满足预设电量条件的车辆；
根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并基于聚类结果确定聚类区域；
根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据；所述历史特征数据用于反映历史时间段内所述聚类区域中各所述目标车辆的历史使用情况；
根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，将所述目标聚类区域作为推荐区域，反馈给所述目标对象。
上述数据处理方法、装置、计算机设备、存储介质和计算机程序产品，响应于目标对象发起的换电请求，确定所述目标对象的位置信息以及目标区域内各目标车辆的位置信息；所述目标车辆为满足预设电量条件的车辆；根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并基于聚类结果确定聚类区域；根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类 区域对应的预测特征数据；所述历史特征数据用于反映历史时间段内所述聚类区域中各所述目标车辆的历史使用情况；根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，将所述目标聚类区域作为推荐区域，反馈给所述目标对象。采用本方法，对目标区域内各目标车辆进行聚类处理，并基于聚类结果确定聚类区域，进而基于预测模型对各聚类区域的历史特征数据进行预测处理，得到各聚类区域的预测特征数据，从而，可以基于预测特征数据以及目标对象的位置信息实现对各聚类区域的筛选，筛选出的目标聚类区域中包含的目标车辆具备高转换率，在对目标聚类区域内目标车辆进行换电，可以提高车辆换电有效性。
附图说明
图1为一个实施例中数据处理方法的流程示意图；
图2为一个实施例中对目标区域进行聚类处理步骤的流程示意图；
图3为一个实施例中确定各聚类区域对应的预测特征数据步骤的流程图；
图4为一个实施例中确定目标聚类区域步骤的流程示意图；
图5为一个实施例中训练预测模型方法的流程示意图；
图6为一个实施例中构建训练特征数据集步骤的流程示意图；
图7为一个实施例中显示目标聚类区域以及目标对象的位置信息步骤的流程示意图；
图8为一个实施例中在终端中执行数据处理方法的流程示意图；
图9为一个实施例中终端显示页面的界面示意图；
图10为一个实施例中数据处理装置的结构框图；
图11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，提供了一种数据处理方法，该数据处理方法可以应用于共享单车的应用场景中，具体为针对共享单车的换电服务，应用该数据处理方法，本实施例中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。本实施例中，该方法包括以下步骤：
步骤S102，响应于目标对象发起的换电请求，确定目标对象的位置信息以及目标区域内各目标车辆的位置信息。
其中，目标车辆为满足预设电量条件的车辆。
在实施中，目标对象通过终端发起换电请求时，终端响应于该目标对象发起的换电请求，确定目标对象的位置信息以及确定目标区域内各目标车辆的位置信息。具体地，以共享单车的换电服务作为具体应用场景，目标对象即可以提供换电服务的换电工，目标车辆即为需要进行换电服务的低电量车辆（即电池电量满足预设电量条件的车辆）。进而，在目前的共享单车换电服务过程中，换电工可以通过触发终端的显示页面中的目标选项，发起换电请求，终端响应于该换电请求，确定换电工当前的位置信息，以及目标区域（例如，提供共享单车服务的全域）内各低电量车辆的位置信息。
可选的，在终端的显示页面以展示换电定位地图的方式展示换电工当前的位置信息以及目标区域内各低电量车辆的位置信息。
可选的，预设电量条件可以但不限于为电量低于30%，本申请实施例对于预设电量条件不做限定。
步骤S104，根据预设的聚类算法以及各目标车辆的位置信息，对目标区域内各目标车辆进行聚类处理，并基于聚类结果确定聚类区域。
在实施中，在终端的后台处理中，终端根据预设的聚类算法以及目标区域内各目标车辆的位置信息，对目标区域内各目标车辆进行聚类处理，得到聚类处理后的多个聚类结果。进而，终端根据聚类算法中的凸闭包聚类原则，确定各聚类结果中的每一聚类结果对应的聚类区域。
可选的，预设的聚类算法可以但不限于为K-means聚类算法，本申请实施例对于聚类算法不做限定。
步骤S106，根据各聚类区域对应的历史特征数据以及预设的预测模型，确定各聚类区域对应的预测特征数据。
其中，历史特征数据用于反映历史时间段内聚类区域中各目标车辆的历史使用情况。
在实施中，终端基于预设的UberH3标准（一种基于网格的地图索引），将目标区域划分为大小相同的多个区块，进而，终端统计每一区块内包含的各目标车辆的历史特征数据，即将每一区块内包含的全部目标车辆对应的历史特征数据作为该区块对应的历史特征数据。进而，针对聚类处理后确定的各聚类区域，将每一聚类区域中包含的各区块对应的历史特征数据，作为该聚类区域对应的历史特征数据。并且，终端中预先存储并训练有预测模型，该预测模型可以用于预测未来时段内各区块对应特征数据（该预测得到的特征数据也称为预测特征数据）。以及终端中还记录有各目标车辆在历史时段产生的特征数据（也称为历史特征数据）。因此，在进行换电处理的过程中，终端根据各聚类区域对应的历史特征数据以及预设的预测模型，确定各聚类区域对应的预测特征数据。其中，预测特征数据可以用于反映各目标车辆的使用转换率。
可选的，目标车辆的历史特征数据可以但不限于包含目标车辆在历史时间段内的订单需求量以及订单损失量，基于该历史时间段内的订单需求量以及订单损失量可以反映该目标车辆在历史时间段内的使用情况。
步骤S108，根据各聚类区域对应的预测特征数据以及目标对象的位置信息，在各聚类区域中确定出目标聚类区域，将目标聚类区域作为推荐区域，反馈给目标对象。
在实施中，终端根据各聚类区域对应的预测特征数据以及目标对象的位置信息，对各聚类区域进行综合评估，不仅基于各聚类区域对应的预测特征数据评估该聚类区域内各目标车辆的转换率，而且考虑了各聚类区域相当于目标对象所处的位置间的距离。进而，终端设备基于对各聚类区域的综合评估结果，在各聚类区域中确定目标聚类区域。然后，终端将目标聚类区域作为推荐区域，输出给目标对象，以使目标对象对该输出反馈的目标聚类区域内的各目标车辆进行换电处理。
上述数据处理方法中，终端对目标区域内各目标车辆进行聚类处理，并基于聚类结果确定聚类区域，进而基于预测模型对各聚类区域的历史特征数据进行预测处理，得到各聚类区域的预测特征数据，从而，可以基于预测特征数据以及目标对象的位置信息实现对各聚类区域的筛选，筛选出的目标聚类区域中包含的目标车辆具备高转换率，对目标聚类区域内目标车辆进行换电，可以提高车辆换电有效性。
在一个实施例中，如图2所示，步骤S104中根据预设的聚类算法以及各目标车辆的位置信息，对目标区域内各目标车辆进行聚类处理，并基于聚类结果确定聚类区域的具体处理过程包括以下步骤：
步骤S202，根据预设的聚类算法以及目标区域内各目标车辆的位置信息，对目标区域内各目标车辆进行预设聚类簇数目的聚类处理，得到预设聚类簇数目个聚类簇。
在实施中，针对目标区域中分布的各目标车辆，终端根据预设的聚类算法以及目标区域内各目标车辆的位置信息，对目标区域内各目标车辆进行预设聚类簇数目的聚类处理，得到预设聚类簇数目个聚类簇。
具体的，在共享单车的换电过程中，换电工通常携带预设数目，（例如，M块）电池进行共享单车的换电，为了保证换电工可以在某一区域内进行集中换电，因此，在进行聚类处理时，可以预先配置聚类处理的参数，使得聚类处理得到的各聚类簇的最小样本数为M，从而，换电工可以在聚类区域内完成M块电池的换电任务。本实施例中，针对不同的聚类分析算法，可以基于最小样本数需求，对聚类分析算法进行灵活配置，例如，直接设置聚类分析算法的最小样本数。或者，例如，K-means聚类分析方法，无法直接设置最小样本数的，则
采取设置聚类簇数量N的方式间接保证各聚类簇的最小样本数大于等于M。具体聚类簇数量公式为：
进而，以确定出的聚类簇数量作为预设聚类簇数目，终端获取目标区域内各目标车辆的位置信息，并根据预设的K-means聚类算法以及预设聚类簇数目的约束条件，对各目标车辆进行聚类处理，得到预设聚类簇数目个聚类簇。
步骤S204，在预设聚类簇数目个聚类簇中，确定满足预设聚类条件的各目标聚类簇，并确定各目标聚类簇对应的聚类区域。
在实施中，在预设聚类簇数目个聚类簇中，终端确定满足预设聚类条件的各目标聚类簇，并确定各目标聚类簇对应的聚类区域。具体的，由于聚类处理得到的各聚类簇中仍然可能存在不满足最小样本数目的情况。因此，以聚类簇中样本数目满足预设最小样本数目作为预设聚类条件。在聚类处理完成之后，终端，根据该预设聚类条件，在聚类处理得到的预设聚类簇数目个聚类簇中，确定出聚类簇内样本数目（即目标车辆数目）满足预设聚类条件的各目标聚类簇。然后，终端根据预设的凸闭包区域计算方法，针对每一目标聚类簇，计算每一目标聚类簇对应的最小凸闭包，得到该目标聚类簇对应的聚类区域。
本实施例中，通过对目标区域内各目标车辆进行聚类处理，得到满足预设聚类条件的目标聚类簇，将目标聚类簇作为聚类结果，确定各聚类结果对应的聚类区域，实现将目标区域中包含的各目标车辆划分在相对集中的区域，使得在对各聚类区域中的车辆进行换电处理时，可以提高换电效率。
在一个实施例中，如图3所示，步骤S106中根据各聚类区域对应的历史特征数据以及预设的预测模型，确定各聚类区域对应的预测特征数据的具体处理过程包括以下步骤：
步骤S302，针对各聚类区域中的每一聚类区域，确定聚类区域中包含的目标车辆的位置信息在聚类区域中的所属区块，并基于各区块中目标车辆的历史特征数据，构建各区块对应的历史特征数据。
在实施中，目标区域预先划分为多个区块，因此，在对目标区域对应的聚类区域进行数据处理时，终端可以基于聚类区域中各目标车辆的位置信息，确定各目标车辆所属的区块，从而统计各区块中每一区块中各目标车辆的历史特征数据，构建得到各区块对应的历史特征数据。
步骤S304，将各区块对应的历史特征数据，输入至预设的预测模型中，对各历史特征数据进行预测处理，得到各区块对应的预测特征数据。
在实施中，终端中预先训练有预测模型，该预测模型用于实现对区块的特征数据进行预测，因此，终端将各区块对应的历史特征数据，输入至预测模型中，通过该预测模型对各历史特征数据进行预测处理，得到各区块对应的预测特征数据。
具体的，预测模型的输出结果可以但不限于为各区块对应的预测特征向量，每一区块对应的预测特征向量内包含按照时段先后的顺序对应的各区块在该时段的预测特征数据。
可选的，区块的历史特征数据可以但不限于包括区块对应的订单需求数和订单损失数。其中，用户扫码某一目标车辆后并未骑行该车辆，且在预设时长内（例如，5分钟内）也未骑行附近其他车辆的情况，记做一次订单损失，统计订单损失，得到订单损失数。具体的订单需求数与订单损失数都可以确定对应的统计时长，例如，以天为单位，一天内包含24个小时，每一小时作为一个统计时段，则共计1-24个时段，统计各区块对应的订单需求数和订单损失数，进而，得到各区块一天内对应的订单需求数和订单损失数，即得到各区块对应的历史特征数据。
可选的，针对历史特征数据的时段的选取，若需要预测各区块在2022年2月25日的12时段至24时段对应的特征数据，则可以选取各区块同年前一天对应时段的历史特征数据，即2022年2月24日的12时段至24时段对应的历史特征数据，作为预测模型的输入数据。或者，若需要预测各区块下周三4时段至10时段对应的特征数据，则可以选取各区块本周三4时段至10时段对应的历史特征数据，作为预测模型的输入数据，又或者，选取四周前的周三4时段至10时段对应的历史特征数据，作为预测模型的输入数据。本申请实施例通常选取与目标预测时段具有相同或者相似特征的历史时段，作为历史特征数据的选取时段， 本公开实施例对于历史特征数据的选取时段不做限定。
步骤S306，基于各区块对应的预测特征数据，确定目标预测时段内聚类区域对应的预测特征数据。
在实施中，终端基于各区块对应的预测特征数据进行统计计算，确定目标预测时段内聚类区域对应的预测特征数据。具体的，针对聚类区域中包含的目标区块，以及模型输出的目标区块在预测时段对应的预测特征数据，统计得到该聚类区域在目标预测时段对应的预测特征数据。
具体地，预测特征数据中包含预测订单需求数以及预测订单损失数，由此，计算目标预测时段内聚类区域对应的预测特征数据的计算公式如下所示：
本实施例中，通过聚类区域中各区块对应的历史特征数据作为预测模型的输入数据，基于预测模型预测聚类区域中各区块的预测特征数据，进而，得到聚类区域对应的预测特征数据，该聚类区域对应的预测特征数据可以实现对该聚类区域内各目标车辆的转换率的评估，以保证筛选出的目标聚类区域中的各目标车辆具有高转换率。
在一个实施例中，如图4所示，步骤S108中根据各聚类区域对应的预测特征数据以及目标对象的位置信息，在各聚类区域中确定出目标聚类区域的具体处理过程包括以下步骤：
步骤S402，根据各聚类区域的中心的位置信息与目标对象的位置信息，确定各聚类区域的中心与目标对象间的相对距离。
在实施中，终端根据各聚类区域的中心的位置信息与目标对象的位置信息，确定各聚类区域的中心与目标对象间的相对距离。具体的，考虑到目标对象当前的所处位置与各聚类区域间的距离也是影响换电效率的因素之一，因此，终端先确定各聚类区域的中心的位置信息，进而，基于各聚类区域中每一聚类区域的中心的位置信息与目标对象的位置信息计算相对距离，以该相对距离的大小反映目标对象与每一聚类区域间的远近程度。
步骤S404，根据各相对距离以及各聚类区域对应的预测特征数据，对各聚类区域进行评估处理，得到各聚类区域对应的评估结果。
在实施中，终端根据各相对距离以及各聚类区域对应的预测特征数据，对各聚类区域进行评估处理，得到各聚类区域对应的评估结果。具体的，各聚类区域的区域评估得分公式如下所示：
预测特征数据中包含预测订单需求数以及预测订单损失数。终端计算预测特征数据中预测订单需求与预测订单损失数的乘积，得到预测订单得分。该预测订单得分可以反映目标车辆的转换率情况，然后，终端再基于预测订单得分与距离的比值，确定聚类区域对应的评估结果。该聚类区域对应的评估结果则可以综合反映该聚类区域内各目标车辆的转换率情况以及目标对象达到该聚类区域进行换电的效率情况（目标对象达到该聚类区域的路程作为影响换电效率的一部分因素）。
步骤S406，根据各聚类区域对应的评估结果，将评估结果最高的聚类区域确定为目标聚类区域。
在实施中，终端根据各聚类区域对应的评估结果，将评估结果最高的聚类区域确定为目标聚类区域。该目标聚类区域即综合考虑了与目标对象间的相对距离以及目标聚类区域内各目标车辆的转换率因素选出的最优换电区域。
本实施例中，基于各聚类区域与目标对象间的相对距离以及各聚类区域对应的预测特征数据，对各聚类区域进行综合评估，得到各聚类区域对应的评估结果，进而，基于各聚类区域对应的评估结果筛选目标聚类区域，以将目标聚类区域推荐给目标对象，从而提高换电效率和换电有效性。
在一个实施例中，终端中预先存储有初始的预测模型，在终端对各聚类区域的历史特征数据进行预测之前，终端可以先基于训练特征数据集对该预测模型进行训练，则如图5所示，步骤S106之前，该方法还包括：
步骤S502，获取训练特征数据集。
其中，训练特征数据集中包含目标区域内各区块对应的训练特征数据以及参考特征数据。
在实施中，终端获取训练特征数据集。该训练特征数据集中包含目标区域在历史时间段产生的历史特征数据。其中，特征数据可以但不限于为目标区域内各目标车辆对应的订单需求数和订单损失数。并且，可以对目标区域进行划分，得到划分后的多个区块，进而，以区块对应的特征数据作为训练数据，实现对目标区域内各区块特征数据的预测。另外，随着时间的推移，不断产生新的历史特征数据，则该训练特征数据集也可以不断进行更新，以满足训练需求。
步骤S504，将各区块对应的训练特征数据集输入至预测模型中，对训练特征数据集进行预测处理，得到各区块对应的预测特征数据。
在实施中，终端将各区块对应的训练特征数据集输入至预测模型中，通过该预测模型对训练特征数据集进行预测处理，得到各区块对应的预测特征数据。
可选的，预测模型可以但不限于为xgboot模型，本申请实施例对于预测模型的类型不做限定。
步骤S506，根据预测特征数据和参考特征数据进行损失计算，得到损失结果，直至损失结果满足预设损失条件时，确定预测模型训练完成。
在实施中，终端中预先设置有模型训练的损失条件，在预测模型输出预测结果（即预测特征数据）之后，终端根据预测特征数据和参考特征数据进行损失计算，得到损失结果，判断当前损失结果是否满足预设的损失条件，若不满足预设损失条件，则基于训练特征数据集对预测模型进一步训练，直至在模型训练过程中预测模型输出的预测特征数据与参考特征数据间的损失结果满足预设损失条件时，终端确定预测模型训练完成。
本实施例中，通过训练特征数据集对预测模型进行训练，得到训练完成的预测模型，通过该训练完成的预测模型对各聚类区域在未来时间段内的特征数据进行预测，可以实现基于预测特征数据对各聚类区域内换电转换率进行预测评估。
在一个实施例中，如图6所示，步骤S502中获取训练特征数据集的具体处理过程包括：
步骤S602，按照预设的区域划分规则，将目标区域划分为多个区块。
在实施中，终端按照预设的区域划分规则，将目标区域划分为多个区块。具体的，终端按照uberH3标准对目标区域进行划分，在uberH3标准的各区块等级中，本实施例中仅选取uberH3标准中各第9等级的H3区块对目标区域进行划分，得到目标区域对应的多个第9等级大小的区块。
步骤S604，根据各目标车辆的位置信息，确定多个区块中每一区块包含的目标车辆，并获取历史时段内每一区块对应的目标车辆的历史特征数据，作为区块对应的训练特征数据和参考特征数据。
在实施中，终端根据各目标车辆的位置信息，确定多个区块中每一区块包含的目标车辆，并获取各预设时段内每一区块对应的目标车辆的训练特征数据，作为区块对应的训练特征数据。例如，根据各目标车辆的位置信息，确定区块1中包含10辆目标车辆，将这10辆目标车辆在历史时段内的历史特征数据，作为该区块1在历史时段内的历史特征数据，并在该区块1对应的历史时段内的历史特征数据中选取出该区块的训练特征数据和参考特征数据。
具体的，在确定目标区域包含的多个区块之后，终端将全天划分为24个时段，统计过去30天（即历史时段）内每个区块在一天的各个时段的订单需求数以及订单损失数，作为历史特征数据。进而，在历史特征数据中确定目标特征数据作为训练特征数据，以及与目标特征数据对应的历史特征数据作为参考特征数据。例如，选取过去30天中目标日期的历史特征数据作为参考特征数据，选取该目标日期的前一天作为训练特征数据；又如，选取目标日期的上周同一天的历史特征数据作为训练特征数据，目标日期的历史特征数据作为参考特征数据；再如，选取目标日期之前的过去四周的同一天（例如过去四周的周三）的历史特征数据作为训练特征数据，目标日期的历史特征数据作为参考特征数据。本申请实施例对于训练特征数据和参考特征数据不做限定。
步骤S606，根据各区块对应的训练特征数据和参考特征数据，构建训练特征数据集。
在实施中，终端根据各区块对应的训练特征数据和参考特征数据，构建训练特征数据集。具体的，获取每一区块对应的训练特征数据以及参考特征数据，每一区块的训练特征数据与参考特征数据的组合可以但不限于是一个，然后，基于各区块的包含训练特征数据与参考特征数据的组合，构建得到训练特征数据集。本申请实施例对于构建的训练特征数据集中包含的具体数据量不做限定。
本实施例中，根据各区块内各目标车辆的历史特征数据，确定各区块对应的训练特征数据和参考特征数据，进而构建训练特征数据集，由于在训练特征数据集构建过程中，将目标区域划分为各个区块，实现了更加细粒度的对目标区域内的未来时间段内预测特征数据的预测，进而，以该训练特征数据训练预测模型，提高了预测模型的预测准确度。
在一个实施例中，如图7所示，步骤S108中，将目标聚类区域作为推荐区域，反馈给目标对象的具体处理过程包括如下步骤：
步骤S702，获取目标区域的地图数据。
其中，地图数据中包含目标对象的位置信息以及各目标车辆的位置信息
在实施中，终端中预先存储有目标区域的地图数据，在终端后台系统确定出目标聚类区域之后，终端获取该目标区域的地图数据，以用于在终端的显示页面上进行标记显示。
步骤S704，在地图数据中标记目标聚类区域，以及标记目标对象当前的位置信息。
在实施中，终端在地图数据中标记目标聚类区域，以及标记目标对象当前的位置信息。可选的，目标聚类区域可以通过凸闭区域的标记框进行标记，目标对象当前的位置信息可以通过位置标签进行标记，本申请实施例对此不做限定。
步骤S706，在显示页面中显示包含目标聚类区域以及目标对象当前的位置信息的地图数据。
在实施中，在终端的显示页面中显示包含目标聚类区域以及目标对象当前的位置信息的地图数据。如图8所示，图8中显示有目标对象对应的位置标签以及向目标对象推荐的目标聚类区域，该目标聚类区域即为推荐给目标对象的最优换电区域。其中，显示页面中还可以显示目标对象与最优换电区域的直线路径，进而，用户通过终端的显示页面去往目标聚类区域完成换电。
本实施例中，通过终端对目标聚类区域进行输出显示，将目标聚类区域反馈给目标对象，以使目标对象根据指示前往目标聚类区域进行换电，提高换电效率。
在一个可选的实施例中，如图9所示，终端后台执行上述数据处理方法，获得换电工位置，基于车辆位置以及满足预设电量条件的各目标车辆的位置信息，确定目标聚类区域，最后，通过OEP（Original Entry Point，程序的入口点）支持在目标聚类区域内进行线性规划，确定目标聚类区域内的最优换电路径，提高了换电效率。
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数据处理方法的数据处理装置。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数据处理装置实施例中的具体限定可以参见上文中对于数据处理方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种数据处理装置，包括：第一确定模块1001、第二确定模块1002、第三确定模块1003和反馈模块1004，其中：
第一确定模块1001，用于响应于目标对象发起的换电请求，确定目标对象的位置信息以及目标区域内各目标车辆的位置信息；目标车辆为满足预设电量条件的车辆。
第二确定模块1002，用于根据预设的聚类算法以及各目标车辆的位置信息，对目标区域内各目标车辆进行聚类处理，并确定聚类处理后的各聚类区域。
第三确定模块1003，用于根据各聚类区域对应的历史特征数据以及预设的预测模型，确定各聚类区域对应的预测特征数据；历史特征数据用于反映历史时间段内聚类区域中各目标车辆的历史使用情况。
反馈模块1004，用于根据各聚类区域对应的预测特征数据以及目标对象的位置信息，在各聚类区域中确定出目标聚类区域，将目标聚类区域作为推荐区域，反馈给目标对象。
在其中一个实施例中，第二确定模块1002，具体用于根据预设的聚类算法以及目标区域内各目标车辆的位置信息，对目标区域内各目标车辆进行预设聚类簇数目的聚类处理，得到预设聚类簇数目个聚类簇；
在预设聚类簇数目个聚类簇中，确定满足预设聚类条件的各目标聚类簇，将目标聚类簇作为聚类结果并确定各聚类结果对应的聚类区域。
在其中一个实施例中，第三确定模块1003，具体用于针对各聚类区域中的每一聚类区域，确定聚类区域中包含的目标车辆的位置信息在聚类区域中的所属区块，并基于各区块中目标车辆的历史特征数据，构建各区块对应的历史特征数据；
将各区块对应的历史特征数据，输入至预设的预测模型中，对各历史特征数据进行预测处理，得到各区块对应的预测特征数据；
基于各区块对应的预测特征数据，确定目标预测时段内聚类区域对应的预测特征数据。
在其中一个实施例中，反馈模块1004，具体用于根据各聚类区域的中心的位置信息与目标对象的位置信息，确定各聚类区域的中心与目标对象间的相对距离；
根据各相对距离以及各聚类区域对应的预测特征数据，对各聚类区域进行评估处理，得到各聚类区域对应的评估结果；
根据各聚类区域对应的评估结果，将评估结果最高的聚类区域确定为目标聚类区域。
在其中一个实施例中，该装置1000还包括：
获取模块，用于获取训练特征数据集，训练特征数据集中包含目标区域内各区块对应的训练特征数据以及参考特征数据；
训练模块，用于将各区块对应的训练特征数据集输入至预测模型中，对训练特征数据集进行预测处理，得到各区块对应的预测特征数据；
判别模块，用于根据预测特征数据和参考特征数据进行损失计算，得到损失结果，直至损失结果满足预设损失条件时，确定预测模型训练完成。
在其中一个实施例中，获取模块具体用于按照预设的区域划分规则，将目标区域划分为多个区块；
根据各目标车辆的位置信息，确定多个区块中每一区块包含的目标车辆，并获取历史时段内每一区块对应的目标车辆的历史特征数据，作为区块对应的训练特征数据和参考特征数据；
根据各区块对应的训练特征数据和参考特征数据，构建训练特征数据集。
在其中一个实施例中，反馈模块1004，具体用于获取目标区域的地图数据；地图数据中包含目标对象的位置信息以及目标车辆的位置信息；
在地图数据中标记目标聚类区域，以及标记目标对象当前的位置信息；
在显示页面中显示包含目标聚类区域以及目标对象当前的位置信息的地图数据。
上述数据处理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11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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、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数据处理方法。该计算机设备的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11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，还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，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。
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。
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)
1.一种数据处理方法，其特征在于，所述方法包括：
响应于目标对象发起的换电请求，确定所述目标对象的位置信息以及目标区域内各目标车辆的位置信息；所述目标车辆为满足预设电量条件的车辆；
根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并基于聚类结果确定聚类区域；
根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据；所述历史特征数据用于反映历史时间段内所述聚类区域中各所述目标车辆的历史使用情况；
根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，将所述目标聚类区域作为推荐区域，反馈给所述目标对象。
2.根据权利要求1所述的方法，其特征在于，所述根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并基于聚类结果确定聚类区域，包括：
根据预设的聚类算法以及所述目标区域内各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行预设聚类簇数目的聚类处理，得到所述预设聚类簇数目个聚类簇；
在所述预设聚类簇数目个聚类簇中，确定满足预设聚类条件的各目标聚类簇，将所述目标聚类簇作为聚类结果并确定各所述聚类结果对应的聚类区域。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据，包括：
针对各所述聚类区域中的每一所述聚类区域，确定所述聚类区域中包含的所述目标车辆的位置信息在所述聚类区域中的所属区块，并基于各所述区块中所述目标车辆的历史特征数据，构建各所述区块对应的历史特征数据；
将各所述区块对应的历史特征数据，输入至预设的预测模型中，对各所述历史特征数据进行预测处理，得到各所述区块对应的预测特征数据；
基于各所述区块对应的预测特征数据，确定所述目标预测时段内所述聚类区域对应的预测特征数据。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，包括：
根据各所述聚类区域的中心的位置信息与所述目标对象的位置信息，确定各所述聚类区域的中心与所述目标对象间的相对距离；
根据各所述相对距离以及各所述聚类区域对应的预测特征数据，对各所述聚类区域进行评估处理，得到各所述聚类区域对应的评估结果；
根据各所述聚类区域对应的评估结果，将所述评估结果最高的聚类区域确定为目标聚类区域。
5.根据权利要求1所述的方法，其特征在于，所述根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据之前，所述方法还包括：
获取训练特征数据集，所述训练特征数据集中包含所述目标区域内各区块对应的训练特征数据以及参考特征数据；
将各所述区块对应的所述训练特征数据集输入至预测模型中，对所述训练特征数据集进行预测处理，得到各所述区块对应的预测特征数据；
根据所述预测特征数据和所述参考特征数据进行损失计算，得到损失结果，直至所述损失结果满足预设损失条件时，确定所述预测模型训练完成。
6.根据权利要求5所述的方法，其特征在于，所述获取训练特征数据集，包括：
按照预设的区域划分规则，将所述目标区域划分为多个区块；
根据各所述目标车辆的位置信息，确定所述多个区块中每一区块包含的目标车辆，并获取历史时段内每一所述区块对应的目标车辆的历史特征数据，作为所述区块对应的训练特征数据和参考特征数据；
根据各所述区块对应的训练特征数据和参考特征数据，构建训练特征数据集。
7.根据权利要求1所述的方法，其特征在于，所述将所述目标聚类区域作为推荐区域，反馈给所述目标对象，包括：
获取所述目标区域的地图数据；所述地图数据中包含所述目标对象的位置信息以及各所述目标车辆的位置信息；
在所述地图数据中标记所述目标聚类区域，以及标记所述目标对象当前的位置信息；
在显示页面中显示包含所述目标聚类区域以及所述目标对象当前的位置信息的地图数据。
8.一种数据处理装置，其特征在于，所述装置包括：
第一确定模块，用于响应于目标对象发起的换电请求，确定所述目标对象的位置信息以及目标区域内各目标车辆的位置信息；所述目标车辆为满足预设电量条件的车辆；
第二确定模块，用于根据预设的聚类算法以及各所述目标车辆的位置信息，对所述目标区域内各所述目标车辆进行聚类处理，并确定聚类处理后的各聚类区域；
第三确定模块，用于根据各所述聚类区域对应的历史特征数据以及预设的预测模型，确定各所述聚类区域对应的预测特征数据；所述历史特征数据用于反映历史时间段内所述聚类区域中各所述目标车辆的历史使用情况；
反馈模块，用于根据各所述聚类区域对应的预测特征数据以及所述目标对象的位置信息，在各所述聚类区域中确定出目标聚类区域，将所述目标聚类区域作为推荐区域，反馈给所述目标对象。
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 |
|---|---|---|---|
| CN202310565955.0A CN116304393B (zh) | 2023-05-19 | 2023-05-19 | 数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565955.0A CN116304393B (zh) | 2023-05-19 | 2023-05-19 | 数据处理方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116304393A true CN116304393A (zh) | 2023-06-23 |
| CN116304393B CN116304393B (zh) | 2023-10-24 |
Family
ID=86801753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310565955.0A Active CN116304393B (zh) | 2023-05-19 | 2023-05-19 | 数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304393B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290741A (zh) * | 2023-11-14 | 2023-12-26 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392389A (zh) * | 2017-08-03 | 2017-11-24 | 重庆大学 | 基于arima模型的出租车调度处理方法 |
| WO2019023324A1 (en) * | 2017-07-26 | 2019-01-31 | Via Transportation, Inc. | SYSTEMS AND METHODS FOR MANAGING AND ROUTING COOPERATING VEHICLES |
| 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 |
| CN112550059A (zh) * | 2020-12-24 | 2021-03-26 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能换电方法及系统 |
| CN114066503A (zh) * | 2021-10-10 | 2022-02-18 | 北京工业大学 | 一种基于构建虚拟服务片区进行出租车需求预测的方法 |
| CN114633655A (zh) * | 2020-12-15 | 2022-06-17 | 北京骑胜科技有限公司 | 共享车辆的充电方法、电池管理服务器和系统 |
| CN115705511A (zh) * | 2021-08-09 | 2023-02-17 | 北京三快在线科技有限公司 | 取件区域的确定方法、装置、设备及存储介质 |
-
2023
- 2023-05-19 CN CN202310565955.0A patent/CN116304393B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019023324A1 (en) * | 2017-07-26 | 2019-01-31 | Via Transportation, Inc. | SYSTEMS AND METHODS FOR MANAGING AND ROUTING COOPERATING VEHICLES |
| CN107392389A (zh) * | 2017-08-03 | 2017-11-24 | 重庆大学 | 基于arima模型的出租车调度处理方法 |
| 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 |
| CN114633655A (zh) * | 2020-12-15 | 2022-06-17 | 北京骑胜科技有限公司 | 共享车辆的充电方法、电池管理服务器和系统 |
| CN112550059A (zh) * | 2020-12-24 | 2021-03-26 | 深圳市泰比特科技有限公司 | 一种基于大数据的共享单车云平台智能换电方法及系统 |
| CN115705511A (zh) * | 2021-08-09 | 2023-02-17 | 北京三快在线科技有限公司 | 取件区域的确定方法、装置、设备及存储介质 |
| CN114066503A (zh) * | 2021-10-10 | 2022-02-18 | 北京工业大学 | 一种基于构建虚拟服务片区进行出租车需求预测的方法 |
Non-Patent Citations (2)
| Title |
|---|
| YANG WANG 等: "Poster Abstract: Planning Battery SwappingStations for Urban Electrical Taxis", 2015 IEEE 35TH INTERNATIONAL CONFERENCE ON DISTRIBUTED COMPUTING SYSTEMS * |
| 张必达 等: "基于实时交通信息的电动汽车充换电路径规划方法", 吉林大学学报（ 工学版） * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290741A (zh) * | 2023-11-14 | 2023-12-26 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备和存储介质 |
| CN117290741B (zh) * | 2023-11-14 | 2024-03-19 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116304393B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116304393B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN114757457B (zh) | 基于电力大数据的电碳排放全过程监测方法和装置 | |
| CN116362431B (zh) | 共享车辆的调度方法、装置、计算机设备和存储介质 | |
| CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
| CN116611678B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| Wang et al. | Ride-hailing origin-destination demand prediction with spatiotemporal information fusion | |
| CN117234712A (zh) | 算力资源部署方法、装置、计算机设备以及存储介质 | |
| CN115774813A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN115759574A (zh) | 物资的存储方法、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 | |
| CN117290741B (zh) | 车辆聚类方法、装置、计算机设备和存储介质 | |
| CN117875737A (zh) | 资源预测方法、装置、设备、存储介质和程序产品 | |
| CN117037499B (zh) | 拥堵路段预测方法、装置、计算机设备和存储介质 | |
| CN118674505A (zh) | 信息推送方法、装置、计算机设备、存储介质和程序产品 | |
| CN117495131A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
| CN118353009A (zh) | 电力资源配置方法、装置、设备、介质和产品 | |
| CN114240045A (zh) | 外包业务的质量评估方法、装置、计算机设备和存储介质 | |
| CN116861273A (zh) | 划分参数确定方法、装置、计算机设备和存储介质 | |
| CN117911172A (zh) | 财务数据处理方法、装置、计算机设备和存储介质 | |
| CN117313952A (zh) | 负荷预测方法、装置、设备和存储介质 | |
| CN117829890A (zh) | 电量预测方法、装置、计算机设备、存储介质和程序产品 | |
| CN118394530A (zh) | 资源数据处理方法、装置、计算机设备和可读存储介质 | |
| CN118798582A (zh) | 基于人工智能的救援资源调配方法及系统 | |
| CN116546601A (zh) | 节能方法、装置、计算机设备和存储介质 | |
| Sun et al. | Public Bike Scheduling Strategy Based on Demand Prediction for Unbalanced Life-Value Distribution |
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 |