CN116362527A - 车辆调度方法、装置、计算机设备和存储介质 - Google Patents

车辆调度方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116362527A
CN116362527A CN202310646889.XA CN202310646889A CN116362527A CN 116362527 A CN116362527 A CN 116362527A CN 202310646889 A CN202310646889 A CN 202310646889A CN 116362527 A CN116362527 A CN 116362527A
Authority
CN
China
Prior art keywords
target
users
user
vehicle
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.)
Granted
Application number
CN202310646889.XA
Other languages
English (en)
Other versions
CN116362527B (zh
Inventor
刘璇恒
刘永威
刘思喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Apoco Blue Technology Co ltd
Original Assignee
Beijing Apoco Blue Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Apoco Blue Technology Co ltd filed Critical Beijing Apoco Blue Technology Co ltd
Priority to CN202310646889.XA priority Critical patent/CN116362527B/zh
Publication of CN116362527A publication Critical patent/CN116362527A/zh
Application granted granted Critical
Publication of CN116362527B publication Critical patent/CN116362527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种车辆调度方法、装置、计算机设备和存储介质。所述方法包括：获取全量用户的历史行为数据；确定所述全量用户中目标用户类型的用户，并得到所述目标用户类型的用户的目标历史行为数据；根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点；基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，基于所述用车数量进行车辆调度。采用本方法能够提高共享单车车辆调度的有效性。

Description

车辆调度方法、装置、计算机设备和存储介质
技术领域
本申请涉及车辆调度技术领域，特别是涉及一种车辆调度方法、装置、计算机设备和存储介质。
背景技术
随着共享单车技术的发展，共享单车已成为城市中的一项重要出行交通工具，由于用户的用车需求与共享单车的供给不平衡，针对共享单车的调度问题限制了共享单车的进一步发展。
传统技术中，通过预测模型对全量用户的历史骑行行为进行预测，确定城市中各共享单车投放车站所需投放的共享单车数量。
然而，目前基于全量用户的历史骑行确定各共享单车投放车站所需投放的共享单车数量，确定出的各投放车站所需投放的共享单车数量与用车需求匹配度较低，导致共享单车调度的有效性较差。
发明内容
基于此，有必要针对上述技术问题，提供一种车辆调度方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种车辆调度方法。所述方法包括：
获取全量用户的历史行为数据；
确定所述全量用户中目标用户类型的用户，并得到所述目标用户类型的用户的目标历史行为数据；
根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点；
基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，基于所述用车数量进行车辆调度。
在其中一个实施例中，所述确定所述全量用户中目标用户类型的用户，包括：
根据所述历史行为数据，将所述全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户；所述预设筛选条件包括满足订单量条件、反馈条件和付费条件中至少一种。
在其中一个实施例中，所述历史行为数据包括订单量、付费数据和反馈数据；所述根据所述历史行为数据，将所述全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户，包括：
根据第一采集周期内的所述全量用户的所述订单量，将所述全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户；
根据所述第一采集周期内的所述全量用户的所述反馈数据，将所述全量用户中满足所述反馈条件的用户，确定反馈用户类型的用户；
根据所述第一采集周期内的所述全量用户的所述付费数据，确定付费用户类型的用户。
在其中一个实施例中，所述第一采集周期包括第一预设周期与第二预设周期；所述根据第一采集周期内的所述全量用户的所述订单量，将所述全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户，包括：
在所述第一预设周期内，对所述第一预设周期内所述全量用户的所述订单量进行排序，得到所述订单量的第一订单排名；
将所述第一订单排名中满足第一目标排名条件的所述订单量对应的用户，确定为频繁用户类型；
计算所述第二预设周期内所述全量用户的月度平均订单量；
对所述第二预设周期内所述全量用户的月度平均订单量的进行排序，得到第二订单排名；
将所述历史行为数据中的注册时间大于预设时间阈值，且所述第二订单排名中满足第二目标排名条件的月度平均订单量对应的用户，确定为长期用户类型。
在其中一个实施例中，所述根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点，包括：
根据预设聚类半径、聚类簇最小样本量和预设的聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点。
在其中一个实施例中，所述基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，包括：
获取第二采集周期内所述目标用户类型的用户对应的各起点位置的车辆使用时间；
根据所述第二采集周期内所述目标用户类型的用户对应的各所述起点位置的车辆使用时间，确定各单位时间内各所述起点位置对应的所述目标用车地点的车辆使用次数；
根据所述第二采集周期内属于相同时段的各所述起点位置的车辆使用次数，确定各所述目标用车地点的各时段内的日均车辆使用次数；
基于各所述时段内的所述日均车辆使用次数确定各所述目标用车地点的用车数量。
在其中一个实施例中，所述基于各所述时段内的所述日均车辆使用次数确定各所述目标用车地点的用车数量之后，所述方法还包括：
对所述相同时段的各所述目标用车地点的所述单位时间的日均车辆使用次数进行排序，得到动态用车次数排名；
将所述动态用车次数排名满足第三目标排名条件的各所述目标用车地点的用车数量进行调整。
第二方面，本申请还提供了一种车辆调度装置。所述装置包括：
获取模块，用于获取全量用户的历史行为数据；
第一确定模块，用于确定所述全量用户中目标用户类型的用户，并得到所述目标用户类型的用户的目标历史行为数据；
聚类模块，用于根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点；
第二确定模块，用于基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，基于所述用车数量进行车辆调度。
在其中一个实施例中，所述第一确定模块具体用于：
根据所述历史行为数据，将所述全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户；所述预设筛选条件包括满足订单量条件、反馈条件和付费条件中至少一种。
在其中一个实施例中，所述第一确定模块具体用于：
根据第一采集周期内的所述全量用户的所述订单量，将所述全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户；
根据所述第一采集周期内的所述全量用户的所述反馈数据，将所述全量用户中满足所述反馈条件的用户，确定反馈用户类型的用户；
根据所述第一采集周期内的所述全量用户的所述付费数据，确定付费用户类型的用户。
在其中一个实施例中，所述第一确定模块具体用于：
在所述第一预设周期内，对所述第一预设周期内所述全量用户的所述订单量进行排序，得到所述订单量的第一订单排名；
将所述第一订单排名中满足第一目标排名条件的所述订单量对应的用户，确定为频繁用户类型；
计算所述第二预设周期内所述全量用户的月度平均订单量；
对所述第二预设周期内所述全量用户的月度平均订单量的进行排序，得到第二订单排名；
将所述历史行为数据中的注册时间大于预设时间阈值，且所述第二订单排名中满足第二目标排名条件的月度平均订单量对应的用户，确定为长期用户类型。
在其中一个实施例中，所述聚类模块具体用于：
根据预设聚类半径、聚类簇最小样本量和预设的聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点。
在其中一个实施例中，所述第二确定模块具体用于：
获取第二采集周期内所述目标用户类型的用户对应的各起点位置的车辆使用时间；
根据所述第二采集周期内所述目标用户类型的用户对应的各所述起点位置的车辆使用时间，确定各单位时间内各所述起点位置对应的所述目标用车地点的车辆使用次数；
根据所述第二采集周期内属于相同时段的各所述起点位置的车辆使用次数，确定各所述目标用车地点的各时段内的日均车辆使用次数；
基于各所述时段内的所述日均车辆使用次数确定各所述目标用车地点的用车数量。
在其中一个实施例中，所述装置还包括：
排序模块，用于对所述相同时段的各所述目标用车地点的所述单位时间的日均车辆使用次数进行排序，得到动态用车次数排名；
调整模块，用于将所述动态用车次数排名满足第三目标排名条件的各所述目标用车地点的用车数量进行调整。
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：
获取全量用户的历史行为数据；
确定所述全量用户中目标用户类型的用户，并得到所述目标用户类型的用户的目标历史行为数据；
根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点；
基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，基于所述用车数量进行车辆调度。
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：
获取全量用户的历史行为数据；
确定所述全量用户中目标用户类型的用户，并得到所述目标用户类型的用户的目标历史行为数据；
根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点；
基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，基于所述用车数量进行车辆调度。
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：
获取全量用户的历史行为数据；
确定所述全量用户中目标用户类型的用户，并得到所述目标用户类型的用户的目标历史行为数据；
根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点；
基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，基于所述用车数量进行车辆调度。
上述车辆调度方法、装置、计算机设备、存储介质和计算机程序产品，通过全量用户的历史行为数据对全量用户进行筛选分类，确定出目标用户类型用户的目标历史行为数据，目标用户类型用户的目标历史行为数据对于车辆使用情况具有针对性的特点，进而通过对目标历史行为数据进行聚类分析得到的对车辆使用情况具有针对性的目标用车地点，以及根据目标用车地点与历史行为数据，能够在各目标用车地点中确定与用车需求更加匹配的用车数量，提高共享单车车辆调度的有效性。
附图说明
图1为一个实施例中车辆调度方法的流程示意图；
图2为一个实施例中确定目标用户类型的用户的方法的流程示意图；
图3为一个实施例中确定频繁用户类型与长期用户类型步骤的流程示意图；
图4为一个实施例中确定目标用车地点的用车数量的方法的流程示意图；
图5为一个实施例中调整目标用车地点的用车数量的方法的流程示意图；
图6为一个实施例中车辆调度装置的结构框图；
图7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，提供了一种车辆调度方法，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。本实施例中，该方法包括以下步骤：
步骤102，获取全量用户的历史行为数据。
本申请实施例中，用户在使用共享单车服务前，需要进行用户注册，终端会获取到用户的注册时间。用户在使用共享单车服务后，终端能够获取用户的起点位置、支付数据和反馈数据等，并保存为该用户的历史行为数据。在本实施例的实施过程中，终端可以获取全量用户的历史行为数据，以根据用户的历史行为数据进行分析处理。
步骤104，确定全量用户中目标用户类型的用户，并得到目标用户类型的用户的目标历史行为数据。
本申请实施例中，终端可以根据不同的筛选分类条件，对全量用户进行筛选分类，得到目标用户类型的用户，以及目标用户类型的用户对应的目标历史行为数据。例如，全量用户中的每一用户具有一个用户序列号，该用户序列号具有唯一性，终端可以根据用户在预设周期内使用共享单车服务的历史行为数据，例如，终端查询在预设周期内的订单量、付费数据或反馈数据满足预设条件的用户，则说明该类用户在预设周期内使用共享单车服务的次数满足预设条件，因此，终端将确定活跃类型的用户，并将活跃类型确定为目标用户类型，并确定出用户类型为活跃用户类型的用户序列号，根据属于活跃类型用户的用户序列号匹配该用户序列号对应的历史行为数据，并将此历史行为数据确定为目标历史行为数据。
可选的，该目标用户类型可以包括多个子目标用户类型，终端根据多个子目标用户类型得到该多个子目标用户类型的用户对应的目标历史行为数据。例如，终端根据历史行为数据确定出多个不同等级的目标用户类型的用户，得到各等级的目标用户类型的用户对应的多个类型的目标历史行为数据。
步骤106，根据预设聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点。
其中，目标用车地点表征目标用户类型的用户使用共享单车服务的频率满足预设聚类方法中的聚类条件的用车地点。
本申请实施例中，在终端得到目标历史行为数据后，可以根据目标历史行为数据确定出预设聚类方法的各个参数，根据预设聚类方法对目标历史行为数据确定出的参数进行聚类处理，确定出具有相同特征的目标用户类型的用户对应的目标用车地点。其中，预设聚类方法可以为密度聚类方法，该密度聚类方法可以为DBSCAN（Density-Based SpatialClustering of Applications with Noise，具有噪声的基于密度的聚类方法）密度聚类算法，也可以为CFDP（Clustering by fastsearch and find of density peaksd，通过快速搜索和查找密度峰值进行聚类），本申请实施例对于该密度聚类方法不作限定。
在一个可选的实施例中，终端可以包括多个预设用车地点，在根据预设聚类方法与目标历史行为数据确定出目标用车地点后，终端查询距离每个目标用车地点最近的一个预设用车地点，将该预设用车地点更新为目标用车地点。
步骤108，基于目标历史行为数据与目标用车地点，确定各目标用车地点的用车数量，基于用车数量进行车辆调度。
本申请实施例中，终端先确定各目标用车地点对应的目标历史行为数据，该目标历史行为数据能够反映其对应的目标用车地点的目标用户类型的用户的用车需求，终端基于目标用车地点与其对应的目标历史行为数据，能够确定出各目标用车地点的用车数量，终端基于各目标用车地点的用车数量，确定车辆调度结果，该车辆调度结果包括待调取车辆的类型和数量。可选的，终端根据各目标用车地点的用车数量，确定待调取车辆的类型，并基于待调取车辆的类型确定待调取车辆。其中，待调取车辆的类型可以为目标用车地点外的车辆，例如，用户骑出目标用车地点以外的车辆，或非目标用车地点的用车地点的车辆，待调取车辆的类型还可以为堆积车辆、不动车辆和盈余车辆。
通过全量用户的历史行为数据对全量用户进行筛选分类，确定出目标用户类型用户的目标历史行为数据，目标用户类型用户的目标历史行为数据对于车辆使用情况具有针对性的特点，进而通过对目标历史行为数据进行聚类分析得到的对车辆使用情况具有针对性的目标用车地点，以及根据目标用车地点与历史行为数据，能够在各目标用车地点中确定与用车需求更加匹配的用车数量，提高共享单车车辆调度的有效性。
在一个实施例中，步骤104确定全量用户中目标用户类型的用户，包括：
根据历史行为数据，将全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户。
其中，预设筛选条件包括满足订单量条件、反馈条件和付费条件中至少一种。
本申请实施例中，终端确定全量用户中满足订单量条件或反馈条件或付费条件中的至少一种的目标历史行为数据，将目标历史行为数据对应的用户类型确定为目标用户类型，因此，终端可以得到目标用户类型的用户。
例如，在终端中保存了全量用户的历史行为数据的用户数据表中，该用户数据表包括用户序列号、预设采集周期内的订单量数据、预设采集周期内的反馈数据和预设采集周期内的付费条件，终端根据满足预设周期内的订单量条件的订单量数据或满足预设周期内的反馈条件的反馈数据和预设采集周期内的付费条件的付费数据，确定该订单量数据或反馈数据或付费数据对应的用户序列号，并将该用户序列号的类型确定为目标用户类型，终端对根据目标用户类型的用户序列号进行汇总，得到目标用户类型的用户。
本实施例中，通过根据预设筛选条件对全量用户进行筛选，可以确定出满足筛选条件的目标用户类型，基于该目标用户类型的用户的目标历史行为数据确定目标用车地点和目标用车地点的用车数量，可以提高目标用车地点与用车需求的匹配度，从而提高共享单车的车辆调度的有效性。
在一个实施例中，如图2所示，根据历史行为数据，将全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户，包括：
步骤202，根据第一采集周期内的全量用户的订单量，将全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户。
其中，历史行为数据包括订单量、付费数据和反馈数据。
本申请实施例中，终端根据第一采集周期内全量用户的订单量，可以在全量用户中，确定出频繁使用的共享单车的用户，并将该类型的用户确定为频繁用户类型，以及确定出长期使用共享单车服务的用户，将该类型的用户确定为长期用户类型。因此，终端获取第一采集周期内的全量用户的订单量，将该第一采集周期内全量用户的订单量中，满足订单量条件的订单量对应的用户，确定为频繁用类型和长期用户类型，并将被确定为频繁用类型的用户与被确定为长期用户类型的用户进行汇总，得到频繁用户类型的用户和长期用户类型的用户。
步骤204，根据第一采集周期内的全量用户的反馈数据，将全量用户中满足反馈条件的用户，确定反馈用户类型的用户。
本申请实施例中，终端根据第一采集周期内的全量用户的反馈数据，可以确定出对共享单车服务提供反馈并帮助改进服务的用户，并将该类型的用户确定为反馈用户类型。因此，终端获取第一采集周期内的全量用户的反馈数据，将第一采集周期内的全量用户的反馈数据中满足反馈条件的用户确定为反馈用户类型，并将被确定为反馈用户类型的用户进行汇总，得到反馈用户类型的用户。
步骤206，根据第一采集周期内的全量用户的反馈数据，将全量用户中满足反馈条件的用户，确定反馈用户类型的用户。
本申请实施例中，终端根据第一采集周期内的全量用户的付费数据，可以确定出在第一采集周期内已经对共享单车服务进行支付或订阅服务的用户，并将该类型的用户确定为付费用户类型。因此，终端获取第一采集周期内的全量用户的付费数据，将第一采集周期内的全量用户的反馈数据中满足付费条件的用户确定为付费用户类型，并将被确定为付费用户类型的用户进行汇总，得到付费用户类型的用户。
本实施例中，根据订单量条件、反馈条件与支付条件分别对全量用户的订单量、付费数据和反馈数据进行筛选，可以确定出满足筛选条件的目标用户类型，基于该目标用户类型的用户的目标历史行为数据确定目标用车地点和目标用车地点的用车数量，可以提高目标用车地点与用车需求的匹配度，从而提高共享单车车辆调度的有效性。
在一个实施例中，如图3所示，步骤202根据第一采集周期内的全量用户的订单量，将全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户，包括：
步骤302，在第一预设周期内，对第一预设周期内全量用户的订单量进行排序，得到订单量的第一订单排名。
其中，第一采集周期包括第一预设周期与第二预设周期。
本申请实施例中，终端在确定目标用车地点前，根据第一预设周期动态地对全量用户的订单量进行排序，得到全量用户在第一预设周期内的第一订单排名。例如，第一采集周期可以为30天，终端动态（车辆调度的日期的前30天）获取30天内全量用户的订单量，并对该订单量进行排序，得到30天内订单量的第一订单排名。
步骤304，将第一订单排名满足第一目标排名条件的订单量对应的用户，确定为频繁用户类型。
本申请实施例中，终端获取第一目标排名条件，并在终端或服务器中根据全量用户的第一订单排名，查询满足第一目标排名条件的订单量对应用户的用户序列号，并将此用户序列号的用户确定为频繁用户类型，终端后续可以根据频繁用户类型的用户序列号查询频繁用户类型的用户的历史行为数据。例如，第一目标排名条件可以为在当前城市中，月度骑行订单量最高的TOP10%的用户，终端将月度骑行订单量最高的TOP10%用户的用户序列进行汇总，并将其标记为频繁用户类型。
步骤306，计算第二预设周期内全量用户的月度平均订单量。
本申请实施例中，终端根据全量用户的历史用户行为，确定全量用户中的长期用户类型的用户，该类型的用户为在预设周期内具有稳定行为特征，为了在全量用户中确定在预设周期内具有稳定行为特征的长期用户，终端计算第二预设周期内全量用户的月度平均订单量。其中，第二预设周期可以为三个月，本申请实施例对该第二预设周期的时长不做限定。
步骤308，对第二预设周期内全量用户的月度平均订单量的进行排序，得到第二订单排名。
本申请实施例中，终端将计算出的第二预设周期内全量用户的月度平均订单量进行排序，其中，月度平均订单量可以反映全量用户中具有稳定行为特征的用户，因此，终端计算预设第二周期的区间内全量用户月度平均订单量的第二订单排名。
步骤310，将历史行为数据中的注册时间大于预设时间阈值，且第二订单排名满足第二目标排名条件的月度平均订单量对应的用户，确定为长期用户类型。
本申请实施例中，终端首先查询全量用户的注册时间，将注册时间大于预设时间阈值的用户进行筛选，然后，在注册时间大于预设时间阈值的用户的历史行为数据中，查询第二订单量排名满足第二目标排名条件的用户，将该类用户确定为长期用户类型。其中，预设时间阈值可以为三个月，第二目标排名条件可以为月度平均订单量的第二订单排名处于当前城市的TOP30%。
本实施例中，通过不同周期、不同目标排名条件的方式筛选出具有不同特征的目标用户类型，具有不同特征的目标用户类型可以表征该类用户的使用服务的特点，因此，根据目标历史行为数据确定目标用车地点和目标用车地点的用车数量，可以提高目标用车地点与用车需求的匹配度，从而提高共享单车车辆调度的有效性。
在一个实施例中，步骤106根据预设聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点，包括：
根据预设聚类半径、聚类簇最小样本量和预设的聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点。
本申请实施例中，预设聚类方法可以为密度聚类方法的DBSCAN算法，DBSCAN算法的参数包括聚类半径和最小样本数。其中，聚类半径为聚类时考虑的点之间的最大距离。如果两个点的距离小于聚类半径，则将它们视为属于同一簇，聚类半径能够体现不同簇之间特征的差异大小。本实施例中，终端将目标用车地点的半径确定为聚类半径。如果一个区域内的样本数量小于最小样本数，则将该区域确定为噪声，并舍弃噪声的区域。因此，需要确定出与当前城市匹配的最小样本数，具体的，终端根据目标用户类型的用户对应的历史行为数据，计算当前城市的城市车效，该城市车效可以为城市当日总订单数与城市可用车辆的比值，通过30天内的平均城市车效确定出90天的城市车效，并确定为最小样本数。
可选的，终端可以通过Haversine（半正矢公式）方法确定两个坐标点之间的实际距离，提高聚类处理的精确度。
本实施例中，通过对目标历史行为数据进行聚类处理，可以根据目标用户类型的用户的特征，确定出目标用户类型的用户的常用用车地点，作为目标用车地点，基于对用车地点的选取，提高各目标用车地点与各目标用车地点的用车需求的匹配度，从而提高共享单车车辆调度的有效性。
在一个实施例中，如图4所示，步骤108基于目标历史行为数据与目标用车地点，确定各目标用车地点的用车数量，包括：
步骤402，获取第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间。
本申请实施例中，在目标用户使用共享单车服务时，终端或服务器根据全量用户所使用的共享单车的位置，确定为起点位置，并将起点位置与起点位置的车辆使用时间作为全量用户的历史行为数据保存在用户数据表中。因此，终端可以在全量用户的历史行为数据中，确定目标用户类型对应的目标历史行为数据，并在目标历史行为数据中，获取目标用户类型的用户的各起点位置对应的车辆使用时间。例如，第二采集周期可以为三个月，终端获取三个月内各目标历史行为数据中的起点位置对应的车辆使用时间。
步骤404，根据第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间，确定各单位时间内各起点位置对应的目标用车地点的车辆使用次数。
本申请实施例中，终端获取到各目标历史行为数据中的起点位置对应的车辆使用时间与目标用户类型的用户对应的目标用车地点后，根据各起点位置与目标用车地点的相对距离，确定各起点位置对应的目标用车地点，然后，终端根据各单位时间内各起点位置对应的目标用车地点，以及车辆使用时间确定各目标用车地点的车辆使用次数。具体的，终端将起点位置与目标用车地点的相对距离小于预设距离阈值的起点位置，确定为该目标用车地点对应的起点位置，并将该起点位置的车辆使用时间计入该时间段内的该目标用车地点的车辆使用次数。
例如，第二采集周期可以为三个月，单位时间可以为一小时，预设距离阈值可以为25米。首先，终端获取三个月内目标用户类型的目标历史行为数据中的起点位置与各起点位置对应的车辆使用时间，查询相对距离小于25米的各起点位置与目标用车地点的相对距离，将该起点位置确定为该目标用车地点对应的起点位置，然后，终端根据起点位置的车辆使用时间确定每个小时内各目标用车地点包含的起点位置的数量，得到当前单位时间内目标用车地点的车辆使用次数。
步骤406，根据第二采集周期内属于相同时段的各起点位置的车辆使用次数，确定各目标用车地点的各时段内的日均车辆使用次数。
本申请实施例中，以第二采集周期内的每一天为单位，将一天划分为24个时段，终端根据第二采集周期内每天的各时间段的起点位置的车辆使用次数的总量，确定各起点位置对应的目标用车地点的各时段内日均车辆使用次数。例如，第二采集周期可以为三个月，时段以每天的18-19时为例，终端计算三个月内每一天的各目标用车地点在18-19时的车辆使用次数的总量，并将此三个月内各目标用车地点在18-19时的车辆使用次数的总量除以90，得到各目标用车地点的该时段内的日均车辆使用次数。
在一个可选的实施例中，终端将日均车辆使用次数小于3的时段进行消除，得到所用目标用车地点的用车时段与最小日均车辆使用次数，降低计算量的同时能够提高车辆调度的有效性。
步骤408，基于各时段内的日均车辆使用次数确定各目标用车地点的用车数量。
本申请实施例中，终端将同一天的各时段内的日均车辆使用次数进行汇总，得到同一天内的车辆使用次数，此同一天内的车辆使用次数为各目标用车地点的同一天内的车辆使用次数，并将此同一天内各目标用车地点的车辆使用次数确定为各目标用车地点的用车数量。该用车数量用于指示车辆调度。
在一个可选的实施例中，终端根据车辆调度的日期，动态调整该日期的用车数量。例如，车辆调度的日期类型可以为工作日和节假日，终端根据工作日的各目标用车地点的用车数量调整车辆调度的日期类型为工作日的用车数量，根据节假日的各目标用车地点的用车数量调整车辆调度的日期类型为节假日的用车数量。可选的，终端还可以根据用车数量的周期变化趋势对用车数量进行调整，例如，随天气逐渐变暖，各目标用车地点的用车数量会逐渐提升，若当前城市各目标用车地点的用车数量在上一周中提升10%，则终端根据下一周用车数量提升10%，在一周内的每一天中线形提高各目标用车地点的用车数量，直至当前周的总用车数量相比上一周提高10%，以顺应用车数量的周期变化，避免目标用户类型的用户的用车需求与可用车辆的数量不匹配。
本实施例中，通过计算第二采集周期内，各时段内各目标用车地点的日均用车数量，可以确定出第二采集周期内每一天的日均用车数量，将日均用车数量确定为各目标用车地点的用车数量，可以提高目标用车地点和目标用车地点的用车数量，可以提高目标用车地点与用车需求的匹配度，从而提高共享单车车辆调度的有效性。
在一个实施例中，如图5所示，步骤408基于各时段内的日均车辆使用次数确定各目标用车地点的用车数量之后，方法还包括：
步骤502，对相同时段的各目标用车地点的单位时间的日均车辆使用次数进行排序，得到动态用车次数排名。
本申请实施例中，在确定各目标用车地点的用车数量后，该用车数量可以表征目标用户类型的用户的用车数量，然而，在各目标用车地点可能有其他非目标用户类型的用户具有用车需求，其他非目标用户类型的用户具有用车需求为特殊情况，因此，终端根据当前城市中各目标用车地点的日均车辆使用次数调整目标用车地点的用车数量。
具体的，终端对各单位时间内的日均车辆使用次数进行排序，得到用日均用车次数最多的时段，并将该时段内各目标用车地点的日均用车次数进行排序，得到该时段针对各目标用车地点的动态用车次数排名。
步骤504，将动态用车次数排名满足第三目标排名条件的各目标用车地点的用车数量进行调整。
本申请实施例中，终端预设有第三目标排名条件，该第三目标排名条件可以为动态用车次数排名TOP10%，终端将动态用车次数排名在动态排名TOP10%的目标用车地点的用车数量增加2个。可选的，终端可以预设有第四目标排名条件，第四目标排名条件可以为动态用车次数排名TOP10%-TOP30%，终端将满足第四目标排名条件的目标用车地点的用车数量增加1个。
本实施例中，通过对目标用车地点的用车数量进行排序，确定出动态用车次数排名，可以根据该动态用车次数排名对满足第三目标排名条件的目标用车地点的用车数量进行调整，可以针对车辆调度，对非目标用户类型的用户的用车需求进行参与计算，提高针对特殊情况的车辆调度的有效性。
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车辆调度方法的车辆调度装置。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车辆调度装置实施例中的具体限定可以参见上文中对于车辆调度方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种车辆调度装置600，包括：获取模块601、第一确定模块602、聚类模块603和第二确定模块604，其中：
获取模块601，用于获取全量用户的历史行为数据；
第一确定模块602，用于确定全量用户中目标用户类型的用户，并得到目标用户类型的用户的目标历史行为数据；
聚类模块603，用于根据预设聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点；
第二确定模块604，用于基于目标历史行为数据与目标用车地点，确定各目标用车地点的用车数量，基于用车数量进行车辆调度。
在其中一个实施例中，第一确定模块602具体用于：
根据历史行为数据，将全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户；预设筛选条件包括满足订单量条件、反馈条件和付费条件中至少一种。
在其中一个实施例中，第一确定模块602具体用于：
根据第一采集周期内的全量用户的订单量，将全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户；
根据第一采集周期内的全量用户的反馈数据，将全量用户中满足反馈条件的用户，确定反馈用户类型的用户；
根据第一采集周期内的全量用户的付费数据，确定付费用户类型。
在其中一个实施例中，第一确定模块602具体用于：
在第一预设周期内，对第一预设周期内全量用户的订单量进行排序，得到订单量的第一订单排名；
将第一订单排名中满足第一目标排名条件的订单量对应的用户，确定为频繁用户类型；
计算第二预设周期内全量用户的月度平均订单量；
对第二预设周期内全量用户的月度平均订单量的进行排序，得到第二订单排名；
将历史行为数据中的注册时间大于预设时间阈值，且第二订单排名中满足第二目标排名条件的月度平均订单量对应的用户，确定为长期用户类型。
在其中一个实施例中，聚类模块603具体用于：
根据预设聚类半径、聚类簇最小样本量和预设的聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点。
在其中一个实施例中，第二确定模块604具体用于：
获取第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间；
根据第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间，确定各单位时间内各起点位置对应的目标用车地点的车辆使用次数；
根据第二采集周期内属于相同时段的各起点位置的车辆使用次数，确定各目标用车地点的各时段内的日均车辆使用次数；
基于各时段内的日均车辆使用次数确定各目标用车地点的用车数量。
在其中一个实施例中，装置600还包括：
排序模块，用于对相同时段的各目标用车地点的单位时间的日均车辆使用次数进行排序，得到动态用车次数排名；
调整模块，用于将动态用车次数排名满足第三目标排名条件的各目标用车地点的用车数量进行调整。
上述车辆调度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服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储全量用户的历史行为数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种流量调度方法。
本领域技术人员可以理解，图7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以下步骤：
获取全量用户的历史行为数据；
确定全量用户中目标用户类型的用户，并得到目标用户类型的用户的目标历史行为数据；
根据预设聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点；
基于目标历史行为数据与目标用车地点，确定各目标用车地点的用车数量，基于用车数量进行车辆调度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据历史行为数据，将全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户；预设筛选条件包括满足订单量条件、反馈条件和付费条件中至少一种。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据第一采集周期内的全量用户的订单量，将全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户；
根据第一采集周期内的全量用户的反馈数据，将全量用户中满足反馈条件的用户，确定反馈用户类型的用户；
根据第一采集周期内的全量用户的付费数据，确定付费用户类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在第一预设周期内，对第一预设周期内全量用户的订单量进行排序，得到订单量的第一订单排名；
将第一订单排名中满足第一目标排名条件的订单量对应的用户，确定为频繁用户类型；
计算第二预设周期内全量用户的月度平均订单量；
对第二预设周期内全量用户的月度平均订单量的进行排序，得到第二订单排名；
将历史行为数据中的注册时间大于预设时间阈值，且第二订单排名中满足第二目标排名条件的月度平均订单量对应的用户，确定为长期用户类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据预设聚类半径、聚类簇最小样本量和预设的聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间；
根据第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间，确定各单位时间内各起点位置对应的目标用车地点的车辆使用次数；
根据第二采集周期内属于相同时段的各起点位置的车辆使用次数，确定各目标用车地点的各时段内的日均车辆使用次数；
基于各时段内的日均车辆使用次数确定各目标用车地点的用车数量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对相同时段的各目标用车地点的单位时间的日均车辆使用次数进行排序，得到动态用车次数排名；
将动态用车次数排名满足第三目标排名条件的各目标用车地点的用车数量进行调整。
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以下步骤：
获取全量用户的历史行为数据；
确定全量用户中目标用户类型的用户，并得到目标用户类型的用户的目标历史行为数据；
根据预设聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点；
基于目标历史行为数据与目标用车地点，确定各目标用车地点的用车数量，基于用车数量进行车辆调度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据历史行为数据，将全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户；预设筛选条件包括满足订单量条件、反馈条件和付费条件中至少一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第一采集周期内的全量用户的订单量，将全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户；
根据第一采集周期内的全量用户的反馈数据，将全量用户中满足反馈条件的用户，确定反馈用户类型的用户；
根据第一采集周期内的全量用户的付费数据，确定付费用户类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在第一预设周期内，对第一预设周期内全量用户的订单量进行排序，得到订单量的第一订单排名；
将第一订单排名中满足第一目标排名条件的订单量对应的用户，确定为频繁用户类型；
计算第二预设周期内全量用户的月度平均订单量；
对第二预设周期内全量用户的月度平均订单量的进行排序，得到第二订单排名；
将历史行为数据中的注册时间大于预设时间阈值，且第二订单排名中满足第二目标排名条件的月度平均订单量对应的用户，确定为长期用户类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据预设聚类半径、聚类簇最小样本量和预设的聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间；
根据第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间，确定各单位时间内各起点位置对应的目标用车地点的车辆使用次数；
根据第二采集周期内属于相同时段的各起点位置的车辆使用次数，确定各目标用车地点的各时段内的日均车辆使用次数；
基于各时段内的日均车辆使用次数确定各目标用车地点的用车数量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对相同时段的各目标用车地点的单位时间的日均车辆使用次数进行排序，得到动态用车次数排名；
将动态用车次数排名满足第三目标排名条件的各目标用车地点的用车数量进行调整。
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以下步骤：
获取全量用户的历史行为数据；
确定全量用户中目标用户类型的用户，并得到目标用户类型的用户的目标历史行为数据；
根据预设聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点；
基于目标历史行为数据与目标用车地点，确定各目标用车地点的用车数量，基于用车数量进行车辆调度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据历史行为数据，将全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户；预设筛选条件包括满足订单量条件、反馈条件和付费条件中至少一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第一采集周期内的全量用户的订单量，将全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户；
根据第一采集周期内的全量用户的反馈数据，将全量用户中满足反馈条件的用户，确定反馈用户类型的用户；
根据第一采集周期内的全量用户的付费数据，确定付费用户类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在第一预设周期内，对第一预设周期内全量用户的订单量进行排序，得到订单量的第一订单排名；
将第一订单排名中满足第一目标排名条件的订单量对应的用户，确定为频繁用户类型；
计算第二预设周期内全量用户的月度平均订单量；
对第二预设周期内全量用户的月度平均订单量的进行排序，得到第二订单排名；
将历史行为数据中的注册时间大于预设时间阈值，且第二订单排名中满足第二目标排名条件的月度平均订单量对应的用户，确定为长期用户类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据预设聚类半径、聚类簇最小样本量和预设的聚类方法，对目标历史行为数据进行聚类处理，得到目标用户类型的用户对应的目标用车地点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间；
根据第二采集周期内目标用户类型的用户对应的各起点位置的车辆使用时间，确定各单位时间内各起点位置对应的目标用车地点的车辆使用次数；
根据第二采集周期内属于相同时段的各起点位置的车辆使用次数，确定各目标用车地点的各时段内的日均车辆使用次数；
基于各时段内的日均车辆使用次数确定各目标用车地点的用车数量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对相同时段的各目标用车地点的单位时间的日均车辆使用次数进行排序，得到动态用车次数排名；
将动态用车次数排名满足第三目标排名条件的各目标用车地点的用车数量进行调整。
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。
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 RandomAccess 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 Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccessMemory，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 (11)

1.一种车辆调度方法，其特征在于，所述方法包括：
获取全量用户的历史行为数据；
确定所述全量用户中目标用户类型的用户，并得到所述目标用户类型的用户的目标历史行为数据；
根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点；
基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，基于所述用车数量进行车辆调度。
2.根据权利要求1所述的方法，其特征在于，所述确定所述全量用户中目标用户类型的用户，包括：
根据所述历史行为数据，将所述全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户；所述预设筛选条件包括满足订单量条件、反馈条件和付费条件中至少一种。
3.根据权利要求2所述的方法，其特征在于，所述历史行为数据包括订单量、付费数据和反馈数据；所述根据所述历史行为数据，将所述全量用户中满足预设筛选条件的用户，确定为目标用户类型的用户，包括：
根据第一采集周期内的所述全量用户的所述订单量，将所述全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户；
根据所述第一采集周期内的所述全量用户的所述反馈数据，将所述全量用户中满足所述反馈条件的用户，确定反馈用户类型的用户；
根据所述第一采集周期内的所述全量用户的所述付费数据，确定付费用户类型的用户。
4.根据权利要求3所述的方法，其特征在于，所述第一采集周期包括第一预设周期与第二预设周期；所述根据第一采集周期内的所述全量用户的所述订单量，将所述全量用户中满足订单量条件的用户，确定为频繁用户类型的用户和长期用户类型的用户，包括：
在所述第一预设周期内，对所述第一预设周期内所述全量用户的所述订单量进行排序，得到所述订单量的第一订单排名；
将所述第一订单排名中满足第一目标排名条件的所述订单量对应的用户，确定为频繁用户类型；
计算所述第二预设周期内所述全量用户的月度平均订单量；
对所述第二预设周期内所述全量用户的月度平均订单量的进行排序，得到第二订单排名；
将所述历史行为数据中的注册时间大于预设时间阈值，且所述第二订单排名中满足第二目标排名条件的月度平均订单量对应的用户，确定为长期用户类型。
5.根据权利要求1所述的方法，其特征在于，所述根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点，包括：
根据预设聚类半径、聚类簇最小样本量和预设的聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，包括：
获取第二采集周期内所述目标用户类型的用户对应的各起点位置的车辆使用时间；
根据所述第二采集周期内所述目标用户类型的用户对应的各所述起点位置的车辆使用时间，确定各单位时间内各所述起点位置对应的所述目标用车地点的车辆使用次数；
根据所述第二采集周期内属于相同时段的各所述起点位置的车辆使用次数，确定各所述目标用车地点的各时段内的日均车辆使用次数；
基于各所述时段内的所述日均车辆使用次数确定各所述目标用车地点的用车数量。
7.根据权利要求6所述的方法，其特征在于，所述基于各所述时段内的所述日均车辆使用次数确定各所述目标用车地点的用车数量之后，所述方法还包括：
对所述相同时段的各所述目标用车地点的所述单位时间的日均车辆使用次数进行排序，得到动态用车次数排名；
将所述动态用车次数排名满足第三目标排名条件的各所述目标用车地点的用车数量进行调整。
8.一种车辆调度装置，其特征在于，所述装置包括：
获取模块，用于获取全量用户的历史行为数据；
第一确定模块，用于确定所述全量用户中目标用户类型的用户，并得到所述目标用户类型的用户的目标历史行为数据；
聚类模块，用于根据预设聚类方法，对所述目标历史行为数据进行聚类处理，得到所述目标用户类型的用户对应的目标用车地点；
第二确定模块，用于基于所述目标历史行为数据与所述目标用车地点，确定各所述目标用车地点的用车数量，基于所述用车数量进行车辆调度。
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。
11.一种计算机程序产品，包括计算机程序，其特征在于，该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。
CN202310646889.XA 2023-06-02 2023-06-02 车辆调度方法、装置、计算机设备和存储介质 Active CN116362527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310646889.XA CN116362527B (zh) 2023-06-02 2023-06-02 车辆调度方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310646889.XA CN116362527B (zh) 2023-06-02 2023-06-02 车辆调度方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN116362527A true CN116362527A (zh) 2023-06-30
CN116362527B CN116362527B (zh) 2023-12-05

Family

ID=86913387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310646889.XA Active CN116362527B (zh) 2023-06-02 2023-06-02 车辆调度方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116362527B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703132A (zh) * 2023-08-08 2023-09-05 北京阿帕科蓝科技有限公司 共享车辆动态调度的管理方法、装置及计算机设备
CN116934056A (zh) * 2023-09-14 2023-10-24 北京阿帕科蓝科技有限公司 车辆调度方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599088A (zh) * 2015-02-13 2015-05-06 北京嘀嘀无限科技发展有限公司 基于订单的调度方法和调度系统
US20150134244A1 (en) * 2013-11-12 2015-05-14 Mitsubishi Electric Research Laboratories, Inc. Method for Predicting Travel Destinations Based on Historical Data
CN111260164A (zh) * 2018-11-30 2020-06-09 北京嘀嘀无限科技发展有限公司 一种运力调度方法以及装置
CN113344240A (zh) * 2021-04-26 2021-09-03 山东师范大学 一种共享单车流量预测方法及系统
CN116029510A (zh) * 2022-12-30 2023-04-28 海科（平潭）信息技术有限公司 车辆调度方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150134244A1 (en) * 2013-11-12 2015-05-14 Mitsubishi Electric Research Laboratories, Inc. Method for Predicting Travel Destinations Based on Historical Data
CN104599088A (zh) * 2015-02-13 2015-05-06 北京嘀嘀无限科技发展有限公司 基于订单的调度方法和调度系统
CN111260164A (zh) * 2018-11-30 2020-06-09 北京嘀嘀无限科技发展有限公司 一种运力调度方法以及装置
CN113344240A (zh) * 2021-04-26 2021-09-03 山东师范大学 一种共享单车流量预测方法及系统
CN116029510A (zh) * 2022-12-30 2023-04-28 海科（平潭）信息技术有限公司 车辆调度方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩震;杨丽;徐小凡;: "基于共享单车出行数据的用户行为分析", 大连海事大学学报, no. 04, pages 80 - 86 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703132A (zh) * 2023-08-08 2023-09-05 北京阿帕科蓝科技有限公司 共享车辆动态调度的管理方法、装置及计算机设备
CN116703132B (zh) * 2023-08-08 2023-12-12 北京阿帕科蓝科技有限公司 共享车辆动态调度的管理方法、装置及计算机设备
CN116934056A (zh) * 2023-09-14 2023-10-24 北京阿帕科蓝科技有限公司 车辆调度方法、装置、计算机设备和存储介质
CN116934056B (zh) * 2023-09-14 2024-03-15 北京阿帕科蓝科技有限公司 车辆调度方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN116362527B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN116362527B (zh) 车辆调度方法、装置、计算机设备和存储介质
CN110210731A (zh) 提醒任务分配方法、装置、计算机设备和存储介质
CN113326126A (zh) 任务处理方法、任务调度方法、装置及计算机设备
CN108897757B (zh) 一种照片存储方法、存储介质和服务器
CN116363854B (zh) 共享出行车辆调度方法、装置和计算机设备
US20190266666A1 (en) Vehicle management device, vehicle management method, and non-transitory computer-readable medium
CN116934056B (zh) 车辆调度方法、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
CN113935528A (zh) 智能调度方法、装置、计算机设备及存储介质
CN113838303A (zh) 停车场推荐方法、装置、电子设备及存储介质
CN113850427A (zh) 时间序列的预测方法和电子设备，及计算机存储介质
CN112767032A (zh) 一种信息处理方法、装置、电子设备及存储介质
CN116433245B (zh) 一种客户拜访计划生成方法及系统
CN115837855B (zh) 充电桩输出功率控制方法、装置、充电桩和存储介质
CN110689163A (zh) 一种节假日期间货量智能预测方法和系统
CN117875518B (zh) 车辆调度方法、装置、计算机设备和存储介质
CN112463233A (zh) 一种系统配置方法、系统、设备以及介质
CN113837782A (zh) 时间序列模型的周期项参数优化方法、装置、计算机设备
CN117834715A (zh) 服务访问处理方法、装置、计算机设备和存储介质
CN115408396B (zh) 业务数据的存储方法、装置、计算机设备和存储介质
CN110781217A (zh) 排序数据的处理方法、装置及存储介质、服务器
CN116681454B (zh) 虚拟资源配比策略生成方法、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
US20210117891A1 (en) Information processing apparatus and information processing method
CN117040029B (zh) 配电网电力调度方法、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