CN116739320B - 车站布局方法、装置、计算机设备和存储介质 - Google Patents
车站布局方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116739320B CN116739320B CN202311021538.6A CN202311021538A CN116739320B CN 116739320 B CN116739320 B CN 116739320B CN 202311021538 A CN202311021538 A CN 202311021538A CN 116739320 B CN116739320 B CN 116739320B
- Authority
- CN
- China
- Prior art keywords
- illegal
- block
- target
- cluster
- order
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 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
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000005457 optimization Methods 0.000 description 1
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
-
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车站布局方法、装置、计算机设备和存储介质。所述方法包括:获取目标违规订单集;目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的;确定目标违规订单集中的各违规停放位置的所属区块,并在各区块中确定目标区块;对各目标区块进行聚类处理,得到多个聚类簇,并根据各聚类簇中的特征信息,确定各聚类簇的特征得分;基于各聚类簇的特征得分以及预设聚类簇位置条件,确定各聚类簇对应的车站布局策略;车站布局策略用于新建或扩展车站。采用本方法能够提高车站布局方法的效率。
Description
技术领域
本申请涉及共享设备技术领域,特别是涉及一种车站布局方法、装置、计算机设备和存储介质。
背景技术
随着共享电单车在城市交通中的普及和使用率的不断增加,用户违规停车行为已经成为一个普遍存在的问题。由于城市站点建设不合理,许多用户在骑行完毕后往往没有合适的站点可供停车,导致用户在停车后系统判断为违规停车。因此,需要对车站的布局进行优化,减少违规停车行为的产生。
目前的车站布局方法是获取全量用户的大量订单数据集,并对订单数据集进行数据处理,得到热门停车点,以基于热门停车点和现有车站确定补充车站。
然而,目前的车站布局方法,对全量用户的大量订单数据进行处理,在数据处理过程中,由于数据量庞大,数据处理时间较长,使得确定车站的站点位置会花费较长的时间,导致目前的车站布局方法效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种车站布局方法、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站布局方法。所述方法包括:
获取目标违规订单集;所述目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的;
确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块;
对各所述目标区块进行聚类处理,得到多个聚类簇,并根据各所述聚类簇中的特征信息,确定各所述聚类簇的特征得分;
基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略;所述车站布局策略用于新建或扩展车站。
在其中一个实施例中,所述满意度条件为用户订单评分满足预设的评分阈值,所述获取目标违规订单集,包括:
获取初始违规订单集,并根据所述初始违规订单集中的各所述用户订单评分,筛选满足所述评分阈值的第一违规订单集;所述评分阈值用于判别用户是否满意所述初始违规订单;
根据所述第一违规订单集中的违规停放位置,在所述第一违规订单集中筛选所述违规停放位置位于预设停车点的目标违规订单集。
在其中一个实施例中,所述根据所述第一违规订单集中的违规停放位置,在所述第一违规订单集中筛选所述违规停放位置位于预设停车点的目标违规订单集,包括:
针对所述第一违规订单集中的每一第一违规订单,判断所述第一违规订单中的违规停放位置是否在异常停车点;
若所述第一违规订单中的违规停放位置不在所述异常停车点,判断所述第一违规订单中的违规停放位置是否在服务区内;
若所述第一违规订单中的违规停放位置在所述服务区内,确定所述第一违规订单中的违规停放位置位于预设停车点,并确定所述第一违规订单为目标违规订单;
根据各所述目标违规订单,构建目标违规订单集。
在其中一个实施例中,所述确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块,包括:
对所述目标违规订单集中的各违规停放位置进行地理索引转换,得到各所述违规停放位置的所属区块;
统计各所述区块中所述目标违规订单的数量,得到每一所述区块对应的区块订单数量;
针对各所述区块中的每一所述区块,判断所述区块对应的区块订单数量是否大于预设的区块订单阈值;
若所述区块对应的区块订单数量大于所述区块订单阈值,确定所述区块为目标区块。
在其中一个实施例中,所述根据各所述聚类簇中的特征信息,确定各所述聚类簇的特征得分,包括:
获取各所述聚类簇中的特征信息;所述特征信息为所述聚类簇中包含的标志建筑物的类型和数量;
根据各所述标志建筑物的类型,确定各所述标志建筑物的权重;
针对每一所述聚类簇,基于预设的特征得分算法,对所述聚类簇中的各所述标志建筑物的权重和数量进行数据处理,得到所述聚类簇的特征得分。
在其中一个实施例中,所述基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略,包括:
针对每一所述聚类簇,判断所述聚类簇的特征得分是否达到预设的特征得分阈值;
在所述聚类簇的特征得分达到所述特征得分阈值的情况下,根据预设的距离阈值,在现有车站集中查询目标车站;
若存在所述目标车站,确定所述聚类簇对应的车站布局策略为扩展目标车站策略;
若不存在所述目标车站,确定所述聚类簇对应的车站布局策略为新建车站策略,并将所述聚类簇的位置确定为新建车站的位置。
第二方面,本申请还提供了一种车站布局装置。所述装置包括:
获取模块,用于获取目标违规订单集;所述目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的;
第一确定模块,用于确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块;
聚类模块,用于对各所述目标区块进行聚类处理,得到多个聚类簇,并根据各所述聚类簇中的特征信息,确定各所述聚类簇的特征得分;
第二确定模块,用于基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略。
在其中一个实施例中,所述满意度条件为用户订单评分满足预设的评分阈值,所述获取模块包括:
第一筛选子模块,用于获取初始违规订单集,并根据所述初始违规订单集中的各所述用户订单评分,筛选满足所述评分阈值的第一违规订单集;所述评分阈值用于判别用户是否满意所述初始违规订单。
第二筛选子模块,用于根据所述第一违规订单集中的违规停放位置,在所述第一违规订单集中筛选所述违规停放位置位于预设停车点的目标违规订单集。
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:
获取目标违规订单集;所述目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的;
确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块;
对各所述目标区块进行聚类处理,得到多个聚类簇,并根据各所述聚类簇中的特征信息,确定各所述聚类簇的特征得分;
基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略;所述车站布局策略用于新建或扩展车站。
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:
获取目标违规订单集;所述目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的;
确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块;
对各所述目标区块进行聚类处理,得到多个聚类簇,并根据各所述聚类簇中的特征信息,确定各所述聚类簇的特征得分;
基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略;所述车站布局策略用于新建或扩展车站。
上述车站布局方法、装置、计算机设备和存储介质,获取目标违规订单集;所述目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的;确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块;对各所述目标区块进行聚类处理,得到多个聚类簇,并根据各所述聚类簇中的特征信息,确定各所述聚类簇的特征得分;基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略;所述车站布局策略用于新建或扩展车站。采用本方法,获取筛选后的目标违规订单集,并基于目标违规订单集确定目标区块,不仅减少了数据处理数量,而且确定出的目标区块,可以表征容易违规停车的区域,并且,将目标区块聚合得到聚类簇,并确定聚类簇对应的车站布局策略,明确了是对车站进行扩展还是新建车站,提高了车站布局方法的效率。
附图说明
图1为一个实施例中车站布局方法的流程示意图;
图2为一个实施例中获取目标违规订单集步骤的流程示意图;
图3为一个实施例中确定目标违规订单集步骤的流程示意图;
图4为一个实施例中确定目标区块步骤的流程示意图;
图5为一个实施例中确定聚类簇的特征得分步骤的流程示意图;
图6为一个实施例中确定车站布局策略步骤的流程示意图;
图7为另一个实施例中确定车站布局策略的算法示意图;
图8为一个实施例中车站布局装置的结构框图;
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,提供了一种车站布局方法,本申请实施例对于执行车站布局方法的执行设备不做限定,以该方法应用于计算机设备为例进行说明,包括以下步骤:
步骤102,获取目标违规订单集。
其中,目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的。
在实施中,计算机设备获取初始违规订单集。然后,计算机设备根据预设停车点位置筛选初始违规订单集,得到第一违规订单集。其中,第一违规订单集中包含多个用户评分满足预设评分阈值的第一违规订单。计算机设备根据预设停车点筛选第一违规订单集,得到目标违规订单集。
步骤104,确定目标违规订单集中的各违规停放位置的所属区块,并在各区块中确定目标区块。
其中,目标违规订单集中包含多个目标违规订单。
在实施中,计算机设备针对每一目标违规订单,对目标违规订单中的违规停放位置进行地理索引转换,得到违规停放位置的所属区块。然后,计算机设备统计每一区块中的目标违规订单数量,得到每一区块对应的区块订单数量。计算机设备基于区块订单数量和预设的区块订单阈值在各区块中确定目标区块。
步骤106,对各目标区块进行聚类处理,得到多个聚类簇,并根据各聚类簇中的特征信息,确定各聚类簇的特征得分。
其中,聚类簇的面积需要大于0平方米且小于现有车站的面积。
在实施中,计算机设备根据预设的聚类算法对各目标区块进行聚类处理,得到多个聚类簇。然后,计算机设备获取各聚类簇的特征信息。并根据预设的特征算法,对各聚类簇的特征信息进行运算,得到各聚类簇对应的特征得分。
在一可选的实施例中,目标区块的面积为307平方米。计算机设备预先设置有每个聚类簇量不得超过7个。计算机设备根据预设的密度峰值聚类算法对各目标区块进行聚类处理,得到多个聚类簇。其中,每个聚类簇的面积大于0并且小于2149平方米。
优选的,聚类算法为密度峰值聚类算法,本申请实施例对聚类算法不做限定。
步骤108,基于各聚类簇的特征得分以及预设聚类簇位置条件,确定各聚类簇对应的车站布局策略。
其中,车站布局策略用于新建或扩展车站。
在实施中,计算机设备中预先设置有现有车站集。其中,现有车站集中包含多个现有车站和各现有车站对应的位置信息。计算机设备针对每一聚类簇,判断聚类簇的特征得分是否大于预设的特征得分阈值。在该聚类簇的特征得分大于特征得分阈值的情况下,计算机设备根据预设的距离阈值,在现有车站集中查询目标车站。计算机设备根据目标车站确定车站布局策略。
上述车站布局方法中,获取筛选后的目标违规订单集,并基于目标违规订单集确定目标区块,不仅减少了数据处理数量,而且确定出的目标区块,可以表征容易违规停车的区域,并且,将目标区块聚合得到聚类簇,并确定聚类簇对应的车站布局策略,明确了是对车站进行扩展还是新建车站,提高了车站布局方法的效率。
在一个实施例中,满意度条件为用户订单评分满足预设的评分阈值。如图2所示,步骤102的具体处理过程包括:
步骤202,获取初始违规订单集,并根据初始违规订单集中的各用户订单评分,筛选满足评分阈值的第一违规订单集。
其中,评分阈值用于判别用户是否满意初始违规订单。初始违规订单中包含多个初始违规订单,每一初始违规订单中包含违规停放位置和用户评分。违规停放位置为车辆停放位置未停放在现有车站。
在实施中,计算机设备获取各用户订单。然后,计算机设备针对各用户订单中的每一用户订单,判断用户订单中的车辆停放位置是否在违规停放位置。若用户订单中的车辆停放位置在违规停放位置,计算机设备确定该用户订单为初始违规订单。计算机设备根据各初始违规订单构建初始违规订单集。然后,计算机设备针对初始违规订单集中的每一初始违规订单,判断初始违规订单中的用户评分是否未达到预设的评分阈值。若初始违规订单中的用户评分未达到预设的评分阈值,计算机设备确定该初始违规订单满足评分阈值,并将该初始违规订单确定为第一违规订单。然后,计算机设备根据各第一违规订单构建第一违规订单集。
步骤204,根据第一违规订单集中的违规停放位置,在第一违规订单集中筛选违规停放位置位于预设停车点的目标违规订单集。
在实施中,计算机设备针对第一违规订单集中的每一第一违规订单,判断第一违规订单的违规停放位置是否在预设停车点内。若该第一违规订单的违规停放位置在预设停车点内,计算机设备确定该第一违规订单为目标违规订单。然后,计算机设备根据各目标违规订单构建目标违规订单集。
本实施例中,根据违规停放位置和评分阈值在初始违规订单集中确定目标违规订单集,得到了用户经常违规停车的地点,减少了数据处理数量,提高了车辆布局方法的效率。
在一个实施例中,如图3所示,步骤204的具体处理过程包括:
步骤302,针对第一违规订单集中的每一第一违规订单,判断第一违规订单中的违规停放位置是否在异常停车点。
在实施中,计算机设备中预先设置有异常停车点。计算机设备针对第一违规订单集中的每一第一违规订单,判断第一违规订单中的违规停放位置是否在异常停车点。
可选的,异常停车点可以但不限于为河中,湖中,道路中间和建筑物中,本申请实施例对异常停车点不做限定。
步骤304,若第一违规订单中的违规停放位置不在异常停车点,判断第一违规订单中的违规停放位置是否在服务区内。
其中,计算机设备中预先设置有服务区,服务区为可以为共享车辆提供服务的地区。
在实施中,若第一违规订单中的违规停放位置不在异常停车点,计算机设备判断第一违规订单中的违规停放位置是否在服务区内。
步骤306,若第一违规订单中的违规停放位置在服务区内,确定第一违规订单中的违规停放位置位于预设停车点,并确定第一违规订单为目标违规订单。
在实施中,若第一违规订单中的违规停放位置在服务区内,计算机设备确定第一违规订单中的违规停放位置在预设停车点内。然后,计算机设备确定该第一违规订单为目标违规订单。
步骤308,根据各目标违规订单,构建目标违规订单集。
在实施中,计算机设备基于各目标违规订单,构建目标违规订单集。
本实施例中,通过预设停车点在各第一违规订单中筛选目标违规订单,明确了需要进行处理的数据集,减少了数据量,提高了车站布局方法的效率。
在一个实施例中,如图4所示,步骤104的具体处理过程包括:
步骤402,对目标违规订单集中的各违规停放位置进行地理索引转换,得到各违规停放位置的所属区块。
其中,违规停放位置可以用违规停车的经纬度来表示。
在实施中,计算机设备根据预设的索引转换算法对目标违规订单集中的每一违规停车的经纬度进行地理索引转换,得到每一违规停放位置的所属区块。计算机设备得到多个区块。
优选的,索引转换算法可以但不限于为Uber H3索引算法(一种地理索引算法)。若采用Uber H3索引算法,每一区块的面积约为307平方米。本申请实施例在此对索引转换算法和区块面积不做限定。
步骤404,统计各区块中目标违规订单的数量,得到每一区块对应的区块订单数量。
在实施中,计算机设备针对各区块中的每一区块,统计区块中目标违规订单的数量,得到该区块对应的区块订单数量。
步骤406,针对各区块中的每一区块,判断区块对应的区块订单数量是否大于预设的区块订单阈值。
其中,计算机设备中预先设置有各城市对应的区块订单阈值。
在实施中,计算机设备确定各区块对应的目标城市,然后,计算机设备各区块订单阈值中确定目标城市对应的目标区块订单阈值。计算机设备针对各区块中的每一区块,判断该区块对应的区块订单数量是否大于预设的目标区块订单阈值。
可选的,区块订单阈值根据该城市对应的车站的平均停车数量来设定,本申请实施例在此对区块订单阈值不做限定。
步骤408,若区块对应的区块订单数量大于区块订单阈值,确定区块为目标区块。
在实施中,若区块的区块订单数量大于目标区块订单阈值,计算机设备将该区块确定为目标区块。
本实施例中,基于目标违规订单集确定区块,将单独的违规停车位置集合在区块中,并且,根据区块订单阈值在各区块中确定目标区块,不仅减少了数据处理数量,而且确定出的目标区块,可以表征容易违规停车的区域。
在一个实施例中,如图5所示,步骤106中的根据各聚类簇中的特征信息,确定各聚类簇的特征得分的具体处理过程包括:
步骤502,获取各聚类簇中的特征信息。
其中,特征信息为聚类簇中包含的标志建筑物的类型和数量。
在实施中,计算机设备获取各聚类簇中包含的标志建筑物的类型和数量,得到各聚类簇中的特征信息。其中,标志建筑物简称为poi。
步骤504,根据各标志建筑物的类型,确定各标志建筑物的权重。
在实施中,计算机设备中预先设置有标志建筑物权重表。每一类型的标志建筑物对应一个权重。计算机设备针对各标志建筑物中的每一标志建筑物,根据该标志建筑物的类型,在标志建筑物权重表中查询该标志建筑物的权重。其中,表1为一示例性标志建筑物权重表。
表1
在上表1中,POI是指标志建筑物,weight是指权重。公共设施类型对应的权重为87%(百分比)。休闲体育服务类型对应的权重为70%。地名地址信息类型对应的权重为57%。风景名胜类型对应的权重为57%。交通设施服务类型对应的权重为41%。科教文化服务类型对应的权重为30%。商务住宅对应的权重为28%。金融保险服务类型对应的权重为26%。餐饮服务类型对应的权重为21%。
可选的,公共设施类型对应的权重可以为87%,也可以为50%,本申请实施例对标志建筑物的类型和标志建筑物的类型对应的权重不做限定。
步骤506,针对每一聚类簇,基于预设的特征得分算法,对聚类簇中的各标志建筑物的权重和数量进行数据处理,得到聚类簇的特征得分。
在实施中,计算机设备针对每一聚类簇,根据预设的特征得分算法,对该聚类簇中的各标志建筑物的权重和数量进行运算,得到聚类簇的特征得分。
其中,特征得分算法如下公式(1)所示:
(1)
在公式(1)中,为标志建筑物的数量,/>为标志建筑物的权重。/>为聚类簇的特征得分。
本实施例中,将目标区块聚合得到聚类簇,得到了与现有车站面积相同的聚类簇,并根据聚类簇中的特征信息,确定聚类簇对应的特征得分,便于后续根据聚类簇的特征得分,确定聚类簇对应的车站布局策略。
在一个实施例中,如图6所示,步骤108的具体处理过程包括:
步骤602,针对每一聚类簇,判断聚类簇的特征得分是否达到预设的特征得分阈值。
在实施中,计算机设备中预先设置有特征得分阈值。计算机设备针对每一聚类簇,判断该聚类簇的特征得分是否大于等于预设的特征得分阈值。
可选的,特征得分阈值可以但不限于为城市车站平均特征得分,本申请实施例在此对特征得分阈值不做限定。
步骤604,在聚类簇的特征得分达到特征得分阈值的情况下,根据预设的距离阈值,在现有车站集中查询目标车站。
其中,目标车站为与聚类簇距离最相近的现有车站,且目标车站与聚类簇的距离小于距离阈值。
在实施中,计算机设备中预先设置有距离阈值和现有车站集。计算机设备在聚类簇的特征得分达到特征得分阈值的情况下,根据预设的距离阈值,在现有车站集中查询目标车站。
可选的,距离阈值可以但不限于设置为5米,本申请实施例在此对距离阈值不做限定。
步骤606,若存在目标车站,确定聚类簇对应的车站布局策略为扩展目标车站策略。
在实施中,若存在目标车站,计算机设备确定聚类簇对应的车站布局策略为扩展目标车站策略。然后,计算机设备将扩展区域确定为该聚类簇的区域。
步骤608,若不存在目标车站,确定聚类簇对应的车站布局策略为新建车站策略,并将聚类簇的位置确定为新建车站的位置。
在实施中,若存在目标车站,计算机设备确定聚类簇对应的车站布局策略为新建车站策略。然后,计算机设备将聚类簇的位置确定为新建车站的位置。
在一示例性实施例中,提供了车站布局策略的确定算法,如图7所示,计算机设备针对每一聚类簇,在现有车站集中查询与聚类簇距离最近的目标车站。然后,计算机设备判断目标车站与聚类簇的距离是否小于距离阈值。若目标车站与聚类簇的距离小于距离阈值,计算机设备确定聚类簇对应的车站布局策略为扩展目标车站策略。然后,计算机设备将扩展区域确定为该聚类簇的区域。若目标车站与聚类簇的距离大于或等于距离阈值,计算机设备确定聚类簇对应的车站布局策略为新建车站策略。然后,计算机设备将聚类簇的位置确定为新建车站的位置。
本实施例中,基于聚类簇的特征得分和预设聚类簇位置条件,确定聚类簇对应的车站布局策略,明确了是对车站进行扩展还是新建车站,提高了车站布局方法的效率。并且,通过合理的车站建设和优化,用户能够更方便地找到合适的停车位置,提高用户使用共享车辆的便利性和舒适度。
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站布局方法的车站布局装置。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站布局装置实施例中的具体限定可以参见上文中对于车站布局方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种车站布局装置800,包括:获取模块801、第一确定模块802、聚类模块803和第二确定模块804,其中:
获取模块801,用于获取目标违规订单集;目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的。
第一确定模块802,用于确定目标违规订单集中的各违规停放位置的所属区块,并在各区块中确定目标区块。
聚类模块803,用于对各目标区块进行聚类处理,得到多个聚类簇,并根据各聚类簇中的特征信息,确定各聚类簇的特征得分。
第二确定模块804,用于基于各聚类簇的特征得分以及预设聚类簇位置条件,确定各聚类簇对应的车站布局策略。
在一示例性实施例中,满意度条件为用户订单评分满足预设的评分阈值,获取模块801包括:
第一筛选子模块,用于获取初始违规订单集,并根据初始违规订单集中的各用户订单评分,筛选满足评分阈值的第一违规订单集;评分阈值用于判别用户是否满意初始违规订单。
第二筛选子模块,用于根据第一违规订单集中的违规停放位置,在第一违规订单集中筛选违规停放位置位于预设停车点的目标违规订单集。
在一示例性实施例中,第二筛选子模块包括:
第一判断子模块,用于针对第一违规订单集中的每一第一违规订单,判断第一违规订单中的违规停放位置是否在异常停车点。
第二判断子模块,用于若第一违规订单中的违规停放位置不在异常停车点,判断第一违规订单中的违规停放位置是否在服务区内。
第一确定子模块,用于若第一违规订单中的违规停放位置在服务区内,确定第一违规订单中的违规停放位置位于预设停车点,并确定第一违规订单为目标违规订单。
第一构建子模块,用于根据各目标违规订单,构建目标违规订单集。
在一示例性实施例中,第一确定模块802包括:
转换子模块,用于对目标违规订单集中的各违规停放位置进行地理索引转换,得到各违规停放位置的所属区块。
统计字模块,用于统计各区块中目标违规订单的数量,得到每一区块对应的区块订单数量。
第三判断子模块,用于针对各区块中的每一区块,判断区块对应的区块订单数量是否大于预设的区块订单阈值。
第二确定子模块,用于若区块对应的区块订单数量大于区块订单阈值,确定区块为目标区块。
在一示例性实施例中,聚类模块803包括聚类子模块和第三确定子模块,其中,第三确定子模块包括:
获取子模块,用于获取各聚类簇中的特征信息;特征信息为聚类簇中包含的标志建筑物的类型和数量。
第四确定子模块,用于根据各标志建筑物的类型,确定各标志建筑物的权重。
第一处理子模块,用于针对每一聚类簇,基于预设的特征得分算法,对聚类簇中的各标志建筑物的权重和数量进行数据处理,得到聚类簇的特征得分。
在一示例性实施例中,第二确定模块804包括:
第四判断子模块,用于针对每一聚类簇,判断聚类簇的特征得分是否达到预设的特征得分阈值。
查询子模块,用于在聚类簇的特征得分达到特征得分阈值的情况下,根据预设的距离阈值,在现有车站集中查询目标车站。
第五确定子模块,用于若存在目标车站,确定聚类簇对应的车站布局策略为扩展目标车站策略。
第六确定子模块,用于若不存在目标车站,确定聚类簇对应的车站布局策略为新建车站策略,并将聚类簇的位置确定为新建车站的位置。
上述车站布局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车站布局方法。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,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。
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 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)
1.一种车站布局方法,其特征在于,所述方法包括:
获取目标违规订单集;所述目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的;
确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块;
对各所述目标区块进行聚类处理,得到多个聚类簇,并获取各所述聚类簇中的特征信息;所述特征信息为所述聚类簇中包含的标志建筑物的类型和数量;
根据各所述标志建筑物的类型,确定各所述标志建筑物的权重;
针对每一所述聚类簇,基于预设的特征得分算法,对所述聚类簇中的各所述标志建筑物的权重和数量进行数据处理,得到所述聚类簇的特征得分;
基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略;所述车站布局策略用于新建或扩展车站;
所述确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块,包括:
对所述目标违规订单集中的各违规停放位置进行地理索引转换,得到各所述违规停放位置的所属区块;
统计各所述区块中所述目标违规订单的数量,得到每一所述区块对应的区块订单数量;
针对各所述区块中的每一所述区块,判断所述区块对应的区块订单数量是否大于预设的区块订单阈值;
若所述区块对应的区块订单数量大于所述区块订单阈值,确定所述区块为目标区块;
所述基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略,包括:
针对每一所述聚类簇,判断所述聚类簇的特征得分是否达到预设的特征得分阈值;
在所述聚类簇的特征得分达到所述特征得分阈值的情况下,根据预设的距离阈值,在现有车站集中查询目标车站;
若存在所述目标车站,确定所述聚类簇对应的车站布局策略为扩展目标车站策略;
若不存在所述目标车站,确定所述聚类簇对应的车站布局策略为新建车站策略,并将所述聚类簇的位置确定为新建车站的位置。
2.根据权利要求1所述的方法,其特征在于,所述满意度条件为用户订单评分满足预设的评分阈值,所述获取目标违规订单集,包括:
获取初始违规订单集,并根据所述初始违规订单集中的各所述用户订单评分,筛选满足所述评分阈值的第一违规订单集;所述评分阈值用于判别用户是否满意所述初始违规订单;
根据所述第一违规订单集中的违规停放位置,在所述第一违规订单集中筛选所述违规停放位置位于预设停车点的目标违规订单集。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一违规订单集中的违规停放位置,在所述第一违规订单集中筛选所述违规停放位置位于预设停车点的目标违规订单集,包括:
针对所述第一违规订单集中的每一第一违规订单,判断所述第一违规订单中的违规停放位置是否在异常停车点;
若所述第一违规订单中的违规停放位置不在所述异常停车点,判断所述第一违规订单中的违规停放位置是否在服务区内;
若所述第一违规订单中的违规停放位置在所述服务区内,确定所述第一违规订单中的违规停放位置位于预设停车点,并确定所述第一违规订单为目标违规订单;
根据各所述目标违规订单,构建目标违规订单集。
4.一种车站布局装置,其特征在于,所述装置包括:
获取模块,用于获取目标违规订单集;所述目标违规订单集是基于预设停车点位置以及满意度条件筛选得到的;
第一确定模块,用于确定所述目标违规订单集中的各违规停放位置的所属区块,并在各所述区块中确定目标区块;
聚类模块,用于对各所述目标区块进行聚类处理,得到多个聚类簇,并获取各所述聚类簇中的特征信息;所述特征信息为所述聚类簇中包含的标志建筑物的类型和数量;根据各所述标志建筑物的类型,确定各所述标志建筑物的权重;针对每一所述聚类簇,基于预设的特征得分算法,对所述聚类簇中的各所述标志建筑物的权重和数量进行数据处理,得到所述聚类簇的特征得分;
第二确定模块,用于基于各所述聚类簇的特征得分以及预设聚类簇位置条件,确定各所述聚类簇对应的车站布局策略;
所述第一确定模块,用于对所述目标违规订单集中的各违规停放位置进行地理索引转换,得到各所述违规停放位置的所属区块;统计各所述区块中所述目标违规订单的数量,得到每一所述区块对应的区块订单数量;针对各所述区块中的每一所述区块,判断所述区块对应的区块订单数量是否大于预设的区块订单阈值;若所述区块对应的区块订单数量大于所述区块订单阈值,确定所述区块为目标区块;
所述第二确定模块,用于针对每一所述聚类簇,判断所述聚类簇的特征得分是否达到预设的特征得分阈值;在所述聚类簇的特征得分达到所述特征得分阈值的情况下,根据预设的距离阈值,在现有车站集中查询目标车站;若存在所述目标车站,确定所述聚类簇对应的车站布局策略为扩展目标车站策略;若不存在所述目标车站,确定所述聚类簇对应的车站布局策略为新建车站策略,并将所述聚类簇的位置确定为新建车站的位置。
5.根据权利要求4所述的车站布局装置,其特征在于,所述满意度条件为用户订单评分满足预设的评分阈值,所述获取模块包括:
第一筛选子模块,用于获取初始违规订单集,并根据所述初始违规订单集中的各所述用户订单评分,筛选满足所述评分阈值的第一违规订单集;所述评分阈值用于判别用户是否满意所述初始违规订单;
第二筛选子模块,用于根据所述第一违规订单集中的违规停放位置,在所述第一违规订单集中筛选所述违规停放位置位于预设停车点的目标违规订单集。
6.根据权利要求5所述的车站布局装置,其特征在于,所述第二筛选子模块包括:
第一判断子模块,用于针对所述第一违规订单集中的每一第一违规订单,判断所述第一违规订单中的违规停放位置是否在异常停车点;
第二判断子模块,用于若所述第一违规订单中的违规停放位置不在所述异常停车点,判断所述第一违规订单中的违规停放位置是否在服务区内;
第一确定子模块,用于若所述第一违规订单中的违规停放位置在所述服务区内,确定所述第一违规订单中的违规停放位置位于预设停车点,并确定所述第一违规订单为目标违规订单;
第一构建子模块,用于根据各所述目标违规订单,构建目标违规订单集。
7.根据权利要求4所述的车站布局装置,其特征在于,所述第一确定模块包括:
转换子模块,用于对所述目标违规订单集中的各违规停放位置进行地理索引转换,得到各所述违规停放位置的所属区块;
统计子模块,用于统计各所述区块中所述目标违规订单的数量,得到每一所述区块对应的区块订单数量;
第三判断子模块,用于针对各所述区块中的每一所述区块,判断所述区块对应的区块订单数量是否大于预设的区块订单阈值;
第二确定子模块,用于若所述区块对应的区块订单数量大于所述区块订单阈值,确定所述区块为目标区块。
8.根据权利要求4所述的车站布局装置,其特征在于,所述聚类模块包括聚类子模块和第三确定子模块,所述第三确定子模块包括:
获取子模块,用于获取各所述聚类簇中的特征信息;所述特征信息为所述聚类簇中包含的标志建筑物的类型和数量;
第四确定子模块,用于根据各所述标志建筑物的类型,确定各所述标志建筑物的权重
第一处理子模块,用于针对每一所述聚类簇,基于预设的特征得分算法,对所述聚类簇中的各所述标志建筑物的权重和数量进行数据处理,得到所述聚类簇的特征得分。
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3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3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021538.6A CN116739320B (zh) | 2023-08-15 | 2023-08-15 | 车站布局方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021538.6A CN116739320B (zh) | 2023-08-15 | 2023-08-15 | 车站布局方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739320A CN116739320A (zh) | 2023-09-12 |
CN116739320B true CN116739320B (zh) | 2023-12-26 |
Family
ID=87915468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311021538.6A Active CN116739320B (zh) | 2023-08-15 | 2023-08-15 | 车站布局方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739320B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708853A (zh) * | 2020-05-25 | 2020-09-25 | 安徽师范大学 | 特征化密度峰聚类的出租车热点区域提取方法 |
CN113283754A (zh) * | 2021-05-27 | 2021-08-20 | 哈尔滨工业大学(深圳) | 一种车站选址方法、装置、计算设备和存储介质 |
WO2021237996A1 (zh) * | 2020-05-26 | 2021-12-02 | 多伦科技股份有限公司 | 基于模糊c均值的自适应能耗最优车辆聚类方法 |
CN116340443A (zh) * | 2021-12-24 | 2023-06-27 | 奥动新能源汽车科技有限公司 | 车辆行驶数据的热力图显示方法及系统、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120148092A1 (en) * | 2010-12-09 | 2012-06-14 | Gorilla Technology Inc. | Automatic traffic violation detection system and method of the same |
-
2023
- 2023-08-15 CN CN202311021538.6A patent/CN116739320B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708853A (zh) * | 2020-05-25 | 2020-09-25 | 安徽师范大学 | 特征化密度峰聚类的出租车热点区域提取方法 |
WO2021237996A1 (zh) * | 2020-05-26 | 2021-12-02 | 多伦科技股份有限公司 | 基于模糊c均值的自适应能耗最优车辆聚类方法 |
CN113283754A (zh) * | 2021-05-27 | 2021-08-20 | 哈尔滨工业大学(深圳) | 一种车站选址方法、装置、计算设备和存储介质 |
CN116340443A (zh) * | 2021-12-24 | 2023-06-27 | 奥动新能源汽车科技有限公司 | 车辆行驶数据的热力图显示方法及系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116739320A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102176206B (zh) | 兴趣点周边查找方法及装置 | |
CN110019568B (zh) | 基于空间聚类的选址方法、装置、计算机设备及存储介质 | |
US20170318434A1 (en) | Systems and Methods to Identify Home Addresses of Mobile Devices | |
CN109800940B (zh) | 一种充电桩选址方法及装置 | |
JP2022535533A (ja) | 情報プッシュ方法及び装置 | |
CN116363854B (zh) | 共享出行车辆调度方法、装置和计算机设备 | |
CN112348324B (zh) | 一种冲突空间识别方法、终端设备及存储介质 | |
Maoh et al. | Exploring the land development process and its impact on urban form in Hamilton, Ontario | |
US20180276242A1 (en) | System and Method For Efficient Geospatial Indexing | |
Zhang et al. | Simulating land use change for sustainable land management in rapid urbanization regions: a case study of the Yangtze River Delta region | |
CN112860831A (zh) | 处理、展现城管事件的gis点位的方法、系统 | |
CN108198411B (zh) | 一种车辆停车区的建立方法和建立系统 | |
CN117952690B (zh) | 车辆推荐方法、装置、计算机设备和存储介质 | |
CN104135718B (zh) | 一种位置信息的获取方法及装置 | |
CN116739320B (zh) | 车站布局方法、装置、计算机设备和存储介质 | |
CN116703132B (zh) | 共享车辆动态调度的管理方法、装置及计算机设备 | |
CN116433053B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
JP2018063628A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN114500872B (zh) | 摄像机与道路信息的匹配方法、计算机设备和存储介质 | |
WO2020227981A1 (zh) | 基于时空特征的城市停车场排序方法、装置、终端及介质 | |
WO2021189363A1 (zh) | 停车场服务区域的确定方法、装置、设备以及存储介质 | |
CN104156475A (zh) | 地理信息读取方法及装置 | |
CN109658159B (zh) | 停车券推送方法及相关产品 | |
Oluwajana et al. | Need for strategic planning of electric vehicle charging locations in Windsor, Ontario | |
CN117853714B (zh) | 停车区生成方法、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 |