CN116777514A - 区域划分方法、装置、服务器以及存储介质 - Google Patents
区域划分方法、装置、服务器以及存储介质 Download PDFInfo
- Publication number
- CN116777514A CN116777514A CN202310738313.6A CN202310738313A CN116777514A CN 116777514 A CN116777514 A CN 116777514A CN 202310738313 A CN202310738313 A CN 202310738313A CN 116777514 A CN116777514 A CN 116777514A
- Authority
- CN
- China
- Prior art keywords
- sub
- distance
- cluster
- clustering
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 65
- 238000012804 iterative process Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000000977 initiatory effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 description 3
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
Abstract
本发明提供一种区域划分方法、装置、服务器以及存储介质,涉及网约车技术领域,该方法包括:确定目标区域内的多个子区域的特征信息;根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,以实现针对多个簇群对目标区域进行处理。本发明实施例能够通过目标区域的多个子区域进行聚类处理,得到多个簇群,这样将多个子区域分成相比于子区域个数来说,数量比较少的簇群,并基于簇群对目标区域进行处理,相比于逐一对每个子区域进行处理来说,降低了处理的工作量,提高了效率。
Description
技术领域
本发明涉及网约车技术领域,尤其涉及一种区域划分方法、装置、服务器以及存储介质。
背景技术
网约车服务过程中,网约车平台基于派单规则将乘客的订单分配给网约车。一般来说,网约车平台会把区域划分成多个子区域,在处理时,会逐一对多个子区域内进行处理,例如,有的子区域内乘客发起的订单的个数比较多,子区域内的空闲车辆比较少,导致供不应求,有的子区域内乘客发起的订单的个数比较小,子区域内的空闲车辆比较多,导致供应溢出,这样就需要网约车平台会逐一每个子区域安排调度策略,对子区域进行调度处理,以平衡多个子区域的供需。又如,每个子区域针对订单的优惠策略,需要根据每个子区域内订单情况,对每个子区域制定订单的优惠策略。这样逐一对每个子区域进行处理的话,会导致工作量比较大,效率比较低。
发明内容
本发明提供一种区域划分方法、装置、服务器以及存储介质,能够通过将目标区域的多个子区域进行聚类处理,将多个子区域分成相比于子区域个数来说,数量比较少的簇群,并基于簇群进行处理,从而降低了处理的工作量,提高了效率。
第一方面,本发明实施例提供一种区域划分方法,包括:
确定目标区域内的多个子区域的特征信息;
根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,以实现针对多个簇群对目标区域进行处理。
上述方法,能够通过确定目标区域内子区域的特征信息,基于特征信息将目标区域的多个子区域进行聚类处理,得到多个簇群,这样将多个子区域分成相比于子区域个数来说,数量比较少的簇群,并基于簇群进行处理,这样对于同一簇群内的子区域即可安排相同的策略,相比于逐一对每个子区域安排策略来说,降低了处理的工作量,提高了效率。
在一种可能实施的方式中,所述特征信息包括:历史需求向量、历史供给向量以及位置信息;其中,子区域的历史需求向量中的元素包括子区域内多个历史时间段的订单数量;子区域的历史供给向量中的元素包括子区域内多个历史时间段的巡游车辆数。
上述方法,能够从供应量、需求量、以及实际的位置情况,确定子区域的特征信息,并基于该特征信息进行聚类处理,这样能够从供应、需求、位置等情况找到子区域之间的相似性,从而组成簇,为后续安排策略,提高了准确率。
在一种可能实施的方式中,对多个子区域进行聚类处理,包括:
在未满足聚类终止条件之前,对多个子区域进行迭代处理;
其中,每次迭代处理过程中,确定每次迭代处理的多个聚类中心,根据每个子区域和每次迭代处理的每个聚类中心之间的距离,将每个子区域分配给每个子区域对应的聚类中心;子区域对应的聚类中心为与子区域距离最近的,且每次迭代聚类处理的聚类中心;
每个子区域和每次迭代处理的每个聚类中心之间的距离是根据每个子区域和每次迭代处理的每个聚类中心之间的历史需求向量、历史供给向量以及位置信息确定的。
上述方法,能够根据需求距离、供应距离、以及实际位置距离组成两个子区域之间的距离,这样考虑多个供需因素进行距离计算,能够更加准确判定两个子区域之间的供需的相似性。
在一种可能实施的方式中,通过以下方式确定每个子区域和每次迭代处理的每个聚类中心之间的距离:
根据每个子区域的历史需求向量和每次迭代处理的每个聚类中心的历史需求向量,确定每个子区域和每次迭代处理的每个聚类中心之间的需求距离;根据每个子区域的历史供应向量和每次迭代处理的每个聚类中心的历史供应向量,确定每个子区域和每次迭代处理的每个聚类中心之间的供应距离;根据每个子区域的位置信息和每次迭代处理的每个聚类中心的位置信息,确定每个子区域和每次迭代处理的每个聚类中心之间的地理距离;
根据需求距离对应的权重、供应距离对应的权重、地理距离对应的权重、每个子区域和每次迭代处理的每个聚类中心之间的需求距离、供应距离以及地理距离,确定每个子区域和每次迭代处理的每个聚类中心之间的距离。
上述方法,通过需求、供应和位置之间的权重,对每个因素进行不同的加权处理,能够更好的区分不同的因素,确定不同的因素对于两个子区域的供需相似性的贡献,能够更加准确判定两个子区域之间的供需的相似性。
在一种可能实施的方式中,确定多个预设数组;其中,每个预设数组包括需求距离对应的权重、供应距离对应的权重、地理距离对应的权重的预设值;
根据每个预设数组,对多个子区域进行聚类处理,得到每个预设数组对应的簇群;
将闭合度最大的预设数组中包括的预设值作为需求距离对应的权重、供应距离对应的权重、地理距离对应的权重;
其中,闭合度是根据预设数组对应的簇群内的车辆接起订单的数量和预设数组对应的簇群内发起订单的数量之间的比值确定的;所述目标订单为预设数组对应的簇群内的车辆接起该预设数组对应的簇群内发起的订单;
其中,需求距离对应的权重、供应距离对应的权重、地理距离对应的权重之和等于1。
上述方法,能够通过检测实际的闭合度,确定需求、供应、距离对应的权重,提高了不同的因素对于两个子区域的供需相似性的贡献准确性。
在一种可能实施的方式中,根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,包括:
确定多个子区域划分簇群的个数k;
根据目标区域内多个子区域的特征信息,对多个区域进行聚类处理,得到k个簇群;
其中,通过以下方式确定k的值:
确定k的多个初始值;
针对每个k的初始值,根据目标区域内多个子区域的特征信息,采用k均值聚类算法,对多个子区域进行聚类处理,得到k的初始值的簇群;
针对每个簇群,根据所述簇群中每个子区域对应的距离和所述簇群的距离平均值之间的差值,确定所述簇群对应的聚类误差;其中,子区域对应的距离为子区域和所述子区域所在的簇群的聚类中心之间的距离;
将k的初始值的簇群对应的聚类误差之和,作为k的初始值对应的误差值;
将k的多个初始值对应的误差值组成的曲线的拐点对应的k的初始值作为k的值。
上述方法,能够通过由多个簇群对应的聚类误差和组成的曲线的拐点确定k的值,这样找到簇群之间的相似性变化情况,将变化趋于越少时k的初始值定为k的值,提高了聚类的区分度。
在一种可能实施的方式中,根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,包括:
从多个子区域中,选择k个子区域作为初始聚类中心;
根据目标区域内多个子区域的特征信息和初始聚类中心,对多个子区域进行聚类处理,得到多个簇群;
通过以下方式确定初始聚类中心:
将多个子区域中预设特征最大的子区域,加入到聚类集合中;
对子区域进行迭代处理,并将迭代处理完成后的聚类集合中的子区域作为初始聚类中心;
其中,每次迭代处理过程为:确定其他子区域中预设特征最大的其他子区域和聚类集合中的子区域之间的距离;其他子区域为多个子区域中除去聚类集合中的子区域之外的子区域;
若预设特征最大的其他子区域和聚类集合中的子区域之间的每个距离均超过预设值,则将预设特征最大的其他子区域加入到聚类集合;
若聚类集合中子区域的个数为k的值,则停止对子区域进行迭代处理;
若对所有的子区域进行迭代处理完成后,聚类集合中的子区域的个数小于k的值,则从多个子区域中随机选择子区域加入到聚类集合中,随机选择的子区域的个数和未加入随机选择的子区域的聚类集合中的子区域的个数之和等于k的值。
上述方法,通过子区域之间的距离大小确定初始聚类中心,这样相比于随机选择的初始聚类中心,使得聚类效果更好。
第二方面,本发明实施例提供一种区域划分装置,包括:
确定模块,用于确定目标区域内的多个子区域的特征信息;
聚类模块,用于根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,以实现针对多个簇群对目标区域进行处理。
第三方面,本发明实施例提供一种服务器,包括:
处理器;
处理器,用于执行所述存储器中的计算机程序或指令,使得如第一方面中任一所述的区域划分方法被执行。
第四方面,本发明实施例提供一种计算机可读存储介质,当所述存储介质中的指令由处理器执行时,使得所述处理器能够执行如第一方面中任一所述的区域划分方法。
第五方面,本发明实施例提供一种计算机程序产品,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述如第一方面中任一所述的区域划分方法。
另外,第二方面至第五方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果,此处不再赘述。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
图1为本发明实施例提供的一种区域划分方法的流程图;
图2为本发明实施例提供的一种将多个子区域进行聚类后得到的簇群的示意图;
图3为本发明实施例提供的一种对多个子区域进行聚类处理的流程图;
图4为本发明实施例提供的一种多个聚类误差形成的曲线的示意图;
图5为本发明实施例提供的另一种区域划分方法的流程图;
图6为本发明实施例提供的一种区域划分装置的结构示意图;
图7为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
以下结合附图进行详细说明本发明:
结合图1所示,本发明实施例提供了一种区域划分方法,包括:
S100:确定目标区域内的多个子区域的特征信息;
其中,子区域可以为六边形网格,目标区域内的子区域相连但不重叠。
特征信息包括:历史需求向量、历史供给向量以及位置信息;其中,子区域的历史需求向量中的元素包括子区域内多个历史时间段的订单数量;子区域的历史供给向量中的元素包括子区域内多个历史时间段的巡游车辆数。
巡游车辆为多个历史时间段内未接单的车辆。
示例性的,子区域的历史需求向量为:每个网格统计历史7天,每个小时订单。X=(x1,x2…x168),共计7*24=168维数据,按照时间顺序组织该数据,即生成一个含有168个元素的向量;
子区域的历史供给向量:每个网格统计历史7天,每个小时去重的巡游车辆数。Y=(y1,y2…y168),共计7*24=168维数据,按照时间顺序组织该数据,即生成一个含有168个元素的向量;其中,每个小时去重的巡游车辆数,是每个小时内有相同的重游车辆,保留一个即可,计算其巡游车辆的数量。
子区域的位置信息为子区域的中心点经纬度数据Z(lat,lng)。
S101:根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,以实现针对多个簇群对目标区域进行处理。
示例性的,可以对每一个簇群指定调度策略,然后将每一个簇群对应的调度策略,对该簇群中的每个子区域进行调度处理。
结合图2所示,一共为三个簇群,第一簇群包括子区域1~子区域3(黑色六边形),第二簇群包括子区域4~子区域12(灰色六边形),第三簇群包括子区域13~子区域21(白色六边形)。为三个簇群设置调度策略,第一簇群中的子区域1~子区域3,均可以采用第一簇群对应的调度策略进行车辆调度处理;第二簇群中的子区域4~子区域12,均可以采用第二簇群对应的调度策略进行车辆调度处理;第三簇群中的子区域13~子区域21,均可以采用第三簇群对应的调度策略进行车辆调度处理。
示例性的,可以对每一个簇群指定优惠策略,然后将每一个簇群对应的优惠策略,对该簇群中的每个子区域进行处理。可以基于一个簇群中的一个子区域的订单接起率,确定这个子区域的优惠策略,即订单的打折优惠为95%,将该子区域的优惠策略,作为该子区域所属的簇群的优惠策略。
又如图2所示,第一簇群中的子区域1~子区域3,均可以采用第一簇群对应的优惠策略进行处理;第二簇群中的子区域4~子区域12,均可以采用第二簇群对应的优惠策略进行处理;第三簇群中的子区域13~子区域20,均可以采用第三簇群对应的优惠策略进行处理。
基于特征信息包括:历史需求向量、历史供给向量以及位置信息,对多个子区域进行聚类处理的过程,具体包括:
在未满足聚类终止条件之前,对多个子区域进行迭代处理;
其中,每次迭代处理过程中,确定每次迭代处理的多个聚类中心,根据每个子区域和每次迭代处理的每个聚类中心之间的距离,将每个子区域分配给每个子区域对应的聚类中心;子区域对应的聚类中心为与子区域距离最近的,且每次迭代聚类处理的聚类中心;
需要说明的是,每次迭代处理的聚类中心可以理解为,第一次迭代时,每次迭代处理的聚类中心为,初始聚类中心;第二次迭代,每次迭代处理的聚类中心为第二次迭代所使用的聚类中心;第三次迭代,每次迭代处理的聚类中心为第三次迭代所使用的聚类中心,依次类推。
每个子区域和每次迭代处理的每个聚类中心之间的距离是根据每个子区域和每次迭代处理的每个聚类中心之间的历史需求向量、历史供给向量以及位置信息确定的;
根据每个子区域的历史需求向量和每次迭代处理的每个聚类中心的历史需求向量,确定每个子区域和每次迭代处理的每个聚类中心之间的需求距离,实现方式为,每个子区域的历史需求向量和每次迭代处理的每个聚类中心的历史需求向量之间的余弦相似度;
根据每个子区域的历史供应向量和每次迭代处理的每个聚类中心的历史供应向量,确定每个子区域和每次迭代处理的每个聚类中心之间的供应距离,实现方式为:每个子区域的历史供应向量和每次迭代处理的每个聚类中心的历史供应向量之间的余弦相似度;
根据每个子区域的位置信息和每次迭代处理的每个聚类中心的位置信息,确定每个子区域和每次迭代处理的每个聚类中心之间的地理距离,实现方式为:每个子区域的位置信息和每次迭代处理的每个聚类中心的位置信息之间的距离。
针对两个子区域之间的需求距离的算法为:子区域A和子区域B的需求距离(用余弦相似度表征)为:
其中,XA为子区域A的历史需求向量,XB为子区域B的历史需求向量。
子区域A和子区域B的供给距离(用余弦相似度表征)为:
其中,YA为子区域A的历史供应向量,YB为子区域B的历史供应向量。
子区域A和子区域B的地理距离(也就是地理空间距离)为:
Line_dis(A,B)=R*arccos(cos(lat2)*cos(lat1)
*cos(lng2-lng1)+sin(lat2)*sin(lat1))
其中:
R为地球半径;
子区域A中心经纬度ZA=(lat1,lng1);
子区域B中心经纬度ZB=(lat2,lng2)。
进一步的,根据需求距离对应的权重、供应距离对应的权重、地理距离对应的权重、每个子区域和每次迭代处理的每个聚类中心之间的需求距离、供应距离以及地理距离,确定每个子区域和每次迭代处理的每个聚类中心之间的距离。
示例性的,两个子区域之间的距离采用如下公式计算:
dis(A,B)=a*Demanddis+b*Supplydis+c*Line_dis
其中,a表示需求距离对应的权重,b表示供应距离对应的权重,c表示地理距离对应的权重。
两个子区域之间的距离可以为:两个子区域之间的需求距离和需求距离对应的权重相乘,两个子区域之间的供应距离和供应距离对应的权重相乘,两个子区域之间的地理距离和地理距离对应的权重相乘,将他们的乘积累加的值。
基于上述方案,结合图3所示,本发明实施例提供的一种聚类方法,包括:
S300:确定本次迭代处理的多个聚类中心;
S301:根据需求距离对应的权重、供应距离对应的权重、地理距离对应的权重、每个子区域和本次迭代处理的每个聚类中心之间的需求距离、供应距离以及地理距离,确定每个子区域和本次迭代处理的每个聚类中心之间的距离;
S302:根据每个子区域和本次迭代处理的每个聚类中心之间的距离,将每个子区域分配给每个子区域对应的聚类中心,得到多个簇群;
S303:判断多个簇群是否满足终止条件;如果是,则结束,否则执行S300。
基于图3,聚类过程详细来说:先随机选取K个子区域作为初始的聚类中心。然后根据需求距离对应的权重、供应距离对应的权重、地理距离对应的权重、每个子区域和本次迭代处理的每个聚类中心之间的需求距离、供应距离以及地理距离,确定每个子区域和初始的聚类中心之间的距离;根据每个子区域与各个初始的聚类中心之间的距离,把每个子区域分配给距离它最近的聚类中心。聚类中心以及分配给它们的子区域就代表一个聚类。一旦全部子区域都被分配了,即判断是否满足终止条件,如果没有满足终止条件,那么重新计算聚类中心,再基于聚类中心,重新将多个子区域进行分配,这个过程将不断重复直到满足终止条件,得到多个簇群。
本发明实施例提供了一种确定需求距离对应的权重、供应距离对应的权重、地理距离对应的权重的方法,具体包括:
确定多个预设数组;其中,每个预设数组包括需求距离对应的权重、供应距离对应的权重、地理距离对应的权重的预设值;
根据每个预设数组,对多个子区域进行聚类处理,得到每个预设数组对应的簇群;
将闭合度最大的预设数组中包括的预设值作为需求距离对应的权重、供应距离对应的权重、地理距离对应的权重;
其中,闭合度是根据预设数组对应的簇群内的车辆接起订单的数量和预设数组对应的簇群内发起订单的数量之间的比值确定的;所述目标订单为预设数组对应的簇群内的车辆接起该预设数组对应的簇群内发起的订单;
其中,需求距离对应的权重、供应距离对应的权重、地理距离对应的权重之和等于1。
预设数组对应的簇群内的车辆可以理解为,该车辆在接起订单时在预设数组对应的簇群的范围内;
预设数组对应的簇群内发起订单可以理解为,在发起订单时发起订单的乘客在预设数组对应的簇群内。
详细来说,针对需求距离对应的权重、供应距离对应的权重、地理距离对应的权重设定多个预设值,将其组成多个预设数组,每个预设数组内包括需求距离对应的权重的一个预设值、供应距离对应的权重的一个预设值、地理距离对应的权重的一个预设值。其中每个预设数组内的需求距离对应的权重的一个预设值、供应距离对应的权重的一个预设值、地理距离对应的权重的一个预设值之和等于1;
按照多个预设数组,对多个子区域进行聚类处理,得到每个预设数组对应的簇群;即将目标区域划分成每个预设数组对应的簇群;
在划分完成后,取n天的订单情况,统计每个预设数组对应的簇群内的车辆接起每个预设数组对应的簇群内发起的订单的数量,每个预设数组对应的簇群内的发起订单的数量。
例如,一共有10个预设数组,每个预设数组划分3个簇群,针对每个预设数组,确定该预设数组的第一个簇群内的车辆接起该预设数组的第一簇群发起的订单的数量和该预设数组的第一个簇群内的发起订单的数量之间的比值;其中,该预设数组的第一簇群内的车辆,为该车辆在接起订单时在该预设数组的第一簇群的范围内;该预设数组的第一簇群内发起订单可以理解为,在发起订单时发起订单的乘客在该预设数组的第一簇群内。
同样的,确定该预设数组的第二个簇群内的车辆接起该预设数组的第二簇群发起的订单的数量和该预设数组的第二个簇群内的发起订单的数量之间的比值;确定该预设数组的第三个簇群内的车辆接起该预设数组的第三簇群发起的订单的数量和该预设数组的第三个簇群内的发起订单的数量之间的比值;将这三个簇群的比值之和,作为该预设数组对应的闭合度。
依次类推,依次计算其他9个预设数组对应的闭合度,比较10个预设数组对应的闭合度的大小,将最大闭合度的预设数组中需求距离对应的权重的预设值作为需求距离对应的权重、供应距离对应的权重的预设值作为供应距离对应的权重、地理距离对应的权重的预设值作为地理距离对应的权重。
在一些实施例中,根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,包括:
确定多个子区域划分簇群的个数k;
根据目标区域内多个子区域的特征信息,对多个区域进行聚类处理,得到k个簇群;
其中,通过以下方式确定k的值:
确定k的多个初始值;
针对每个k的初始值,根据目标区域内多个子区域的特征信息,采用k均值聚类算法,对多个子区域进行聚类处理,得到k的初始值的簇群;
针对每个簇群,根据所述簇群中每个子区域对应的距离和所述簇群的距离平均值之间的差值,确定所述簇群对应的聚类误差;其中,子区域对应的距离为子区域和所述子区域所在的簇群的聚类中心之间的距离;
将k的初始值的簇群对应的聚类误差之和,作为k的初始值对应的误差值;
将k的多个初始值对应的误差值组成的曲线的拐点对应的k的初始值作为k的值。
详细来说,随机设定k的多个初始值,例如,k等于3、4、5、6、7、8、9、10,针对k的每个初始值,例如k等于3,随机选择3个初始的聚类中心,然后根据需求距离对应的权重、供应距离对应的权重、地理距离对应的权重、每个子区域和3个初始的聚类中心之间的需求距离、供应距离以及地理距离,确定每个子区域和3个初始的聚类中心之间的距离;根据每个子区域与3个初始的聚类中心之间的距离,把每个子区域分配给距离它最近的聚类中心。得到3个簇群,判断3个簇群是否满足终止条件,如果没有满足终止条件,那么重新计算3个聚类中心,再基于3个聚类中心,重新将多个子区域进行分配,这个过程将不断重复直到满足终止条件,得到3个簇群。
计算第一个簇群的聚类误差;其中可以通过如下公式计算:
其中,p为第一簇群中的一个子区域和第一簇群的聚类中心之间的距离,m为第一簇群的所有子区域和第一簇群的聚类中心之间的距离的平均值,p-mi为两个距离之间的差值,SSE为第一簇群的聚类误差;其中聚类误差代表聚类效果的好坏;
依次类推,分别计算第二簇群的聚类误差,第三簇群的聚类误差,将第一簇群的聚类误差、第二簇群的聚类误差、第三簇群的聚类误差之和,作为k=3对应的误差值。
基于上述的算法,依次计算,k=4对应的误差值,k=5对应的误差值,k=6对应的误差值,k=7对应的误差值,k=8对应的误差值,k=9对应的误差值,k=10对应的误差值。
按照8个误差值的大小顺序,对8个误差值进行排序,将排序后的误差值,组成曲线,结合图4所示,8个误差值从大到小的顺序为:k=4对应的误差值B、k=6对应的误差值D、k=7对应的误差值E、k=3对应的误差值A、k=8对应的误差值F、k=9对应的误差值G、k=10对应的误差值H、k=5对应的误差值C。
8个误差值组成的曲线的起始点为k=4对应的误差值B,拐点为k=7对应的误差值E,那么k的值为7。
其中,曲线的拐点的计算方式可以为:
按照排序后的聚类误差,计算k=4对应的误差值B和k=6对应的误差值D之间的斜率,计算k=6对应的误差值D、与k=7对应的误差值E之间的斜率,计算k=7对应的误差值E、与k=3对应的误差值A之间的斜率,计算k=3对应的误差值A、与k=8对应的误差值F之间的斜率,计算k=8对应的误差值F、与k=9对应的误差值G之间的斜率,计算k=9对应的误差值G、与k=10对应的误差值H之间的斜率,计算k=10对应的误差值H、与k=5对应的误差值C之间的斜率。
由于计算k=6对应的误差值D、与k=7对应的误差值E之间的斜率,计算k=7对应的误差值E、与k=3对应的误差值A之间的斜率,这两个斜率变化比较大,那么k=7对应的误差值E即为曲线的拐点。
本发明实施例提供,根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,的实现方式,包括:
从多个子区域中,选择k个子区域作为初始聚类中心;
根据目标区域内多个子区域的特征信息和初始聚类中心,对多个子区域进行聚类处理,得到多个簇群;
通过以下方式确定初始聚类中心:
将多个子区域中预设特征最大的子区域,加入到聚类集合中;
对子区域进行迭代处理,并将迭代处理完成后的聚类集合中的子区域作为初始聚类中心;
其中,每次迭代处理过程为:确定其他子区域中预设特征最大的其他子区域和聚类集合中的子区域之间的距离;其他子区域为多个子区域中除去聚类集合中的子区域之外的子区域;
若预设特征最大的其他子区域和聚类集合中的子区域之间的每个距离均超过预设值,则将预设特征最大的其他子区域加入到聚类集合;
若聚类集合中子区域的个数为k的值,则停止对子区域进行迭代处理;
若对所有的子区域进行迭代处理完成后,聚类集合中的子区域的个数小于k的值,则从多个子区域中随机选择子区域加入到聚类集合中,随机选择的子区域的个数和未加入随机选择的子区域的聚类集合中的子区域的个数之和等于k的值。
示例性的,预设特征可以为,订单数,或者巡游车辆数。当比较重视需求因素,那么可以将订单数作为预设特征,如果比较重视供应因素,那么可以将巡游车辆数作为预设特征。以比较重视需求为例,统计多个子区域近7天订单数,每个子区域组成一个历史需求向量,子区域1的历史需求向量A1,子区域2的历史需求向量A2,子区域3的历史需求向量A3,子区域3的历史需求向量A3,子区域4的历史需求向量A4,依次类推,确定目标区域所有的子区域的历史需求向量。
然后按照历史需求向量内所有元素之和从大到小的顺序,对多个子区域进行排序,例如,降序排序{A1,A2,A3,A4,A5…}。
首先选择子区域1的历史需求向量A1为第一个初始聚类中心,把子区域1的历史需求向量A1添加到聚类集合中,聚类集合表示为{A1};
其次计算子区域2的位置信息和聚类集合中的子区域的位置信息之间距离,如果距离均>预设阈值,则选取子区域2加入聚类集合,如果距离有部分不大于预设阈值,则放弃子区域2加入聚类集合中;两个子区域的位置信息之间的距离,采用上述采用地理距离公式计算。
重复上一步,直到聚类集合中的子区域的个数为K或者所有子区域都遍历完。如果遍历完,聚类集合中的子区域的个数小于K,则随机从子区域中抽取子区域,直到聚类集合中的子区域的个数为K为止。
基于上述方案,结合图5所示,本发明实施例提供了另一种区域划分方法,包括:
S500:确定目标区域内的多个子区域的历史需求向量、历史供给向量以及位置信息;
S501:根据子区域的预设特征的大小,从多个子区域中,选择k个子区域作为初始聚类中心;
其中,步骤501的具体实现过程可以参照上述确定初始聚类中心的方案,k的具体取值,可以参考上述确定k的值的方案。
S502:根据需求距离对应的权重、供应距离对应的权重、地理距离对应的权重、每个子区域和k个初始聚类中心之间的需求距离、供应距离以及地理距离,确定每个子区域和k个初始聚类中心之间的距离;
S503:根据每个子区域和k个初始聚类中心之间的距离,将每个子区域分配给每个子区域对应的初始聚类中心;其中,子区域对应的初始聚类中心为k个初始聚类中心中,与子区域之间的距离最近的初始聚类中心;
S504:判断分配后的k个簇群是否满足终止条件;如果是,则执行S505;否则,执行S506;
S505:根据多个簇群,对目标区域内进行处理;
S506:从多个子区域中,选择k个子区域作为聚类中心,基于该聚类中心重新分配每个子区域,直到分配后的k个簇群满足终止条件。
如图6所示,本发明还提供一种区域划分装置,包括:
确定模块600,用于确定目标区域内的多个子区域的特征信息;
聚类模块601,用于根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,以实现针对多个簇群对目标区域进行处理。
可选的,所述特征信息包括:历史需求向量、历史供给向量以及位置信息;其中,子区域的历史需求向量中的元素包括子区域内多个历史时间段的订单数量;子区域的历史供给向量中的元素包括子区域内多个历史时间段的巡游车辆数。
可选的,聚类模块601,具体用于:
在未满足聚类终止条件之前,对多个子区域进行迭代处理;
其中,每次迭代处理过程中,确定每次迭代处理的多个聚类中心,根据每个子区域和每次迭代处理的每个聚类中心之间的距离,将每个子区域分配给每个子区域对应的聚类中心;子区域对应的聚类中心为与子区域距离最近的,且每次迭代聚类处理的聚类中心;
每个子区域和每次迭代处理的每个聚类中心之间的距离是根据每个子区域和每次迭代处理的每个聚类中心之间的历史需求向量、历史供给向量以及位置信息确定的。
可选的,聚类模块601,具体用于:
根据每个子区域的历史需求向量和每次迭代处理的每个聚类中心的历史需求向量,确定每个子区域和每次迭代处理的每个聚类中心之间的需求距离;根据每个子区域的历史供应向量和每次迭代处理的每个聚类中心的历史供应向量,确定每个子区域和每次迭代处理的每个聚类中心之间的供应距离;根据每个子区域的位置信息和每次迭代处理的每个聚类中心的位置信息,确定每个子区域和每次迭代处理的每个聚类中心之间的地理距离;
根据需求距离对应的权重、供应距离对应的权重、地理距离对应的权重、每个子区域和每次迭代处理的每个聚类中心之间的需求距离、供应距离以及地理距离,确定每个子区域和每次迭代处理的每个聚类中心之间的距离。
可选的,所述装置还包括调节模块,调节模块用于:
确定多个预设数组;其中,每个预设数组包括需求距离对应的权重、供应距离对应的权重、地理距离对应的权重的预设值;
根据每个预设数组,对多个子区域进行聚类处理,得到每个预设数组对应的簇群;
将闭合度最大的预设数组中包括的预设值作为需求距离对应的权重、供应距离对应的权重、地理距离对应的权重;
其中,闭合度是根据预设数组对应的簇群内的车辆接起订单的数量和预设数组对应的簇群内发起订单的数量之间的比值确定的;所述目标订单为预设数组对应的簇群内的车辆接起该预设数组对应的簇群内发起的订单;
其中,需求距离对应的权重、供应距离对应的权重、地理距离对应的权重之和等于1。
可选的,聚类模块601,具体用于:
确定多个子区域划分簇群的个数k;
根据目标区域内多个子区域的特征信息,对多个区域进行聚类处理,得到k个簇群;
其中,通过以下方式确定k的值:
确定k的多个初始值;
针对每个k的初始值,根据目标区域内多个子区域的特征信息,采用k均值聚类算法,对多个子区域进行聚类处理,得到k的初始值的簇群;
针对每个簇群,根据所述簇群中每个子区域对应的距离和所述簇群的距离平均值之间的差值,确定所述簇群对应的聚类误差;其中,子区域对应的距离为子区域和所述子区域所在的簇群的聚类中心之间的距离;
将k的初始值的簇群对应的聚类误差之和,作为k的初始值对应的误差值;
将k的多个初始值对应的误差值组成的曲线的拐点对应的k的初始值作为k的值。
可选的,聚类模块601,具体用于:
从多个子区域中,选择k个子区域作为初始聚类中心;
根据目标区域内多个子区域的特征信息和初始聚类中心,对多个子区域进行聚类处理,得到多个簇群;
通过以下方式确定初始聚类中心:
将多个子区域中预设特征最大的子区域,加入到聚类集合中;
对子区域进行迭代处理,并将迭代处理完成后的聚类集合中的子区域作为初始聚类中心;
其中,每次迭代处理过程为:确定其他子区域中预设特征最大的其他子区域和聚类集合中的子区域之间的距离;其他子区域为多个子区域中除去聚类集合中的子区域之外的子区域;
若预设特征最大的其他子区域和聚类集合中的子区域之间的每个距离均超过预设值,则将预设特征最大的其他子区域加入到聚类集合;
若聚类集合中子区域的个数为k的值,则停止对子区域进行迭代处理;
若对所有的子区域进行迭代处理完成后,聚类集合中的子区域的个数小于k的值,则从多个子区域中随机选择子区域加入到聚类集合中,随机选择的子区域的个数和未加入随机选择的子区域的聚类集合中的子区域的个数之和等于k的值。
另外,结合图1-图6描述的本发明实施例的区域划分方法和装置可以由服务器来实现。
服务器,包括:处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述介绍的任一项所述的区域划分方法。
基于上述的介绍,示例性的,提出了图7的服务器结构。
服务器可以包括处理器710以及存储有计算机程序指令的存储器720。
具体地,上述处理器710可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器720可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器720可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器720可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器720可在数据处理装置的内部或外部。在特定实施例中,存储器720是非易失性固态存储器。在特定实施例中,存储器720包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器710通过读取并执行存储器720中存储的计算机程序指令,以实现上述实施例中的任意一种执行任务的方法。
在一个示例中,服务器还可包括通信接口730和总线740。其中,如图7所示,处理器710、存储器720、通信接口730通过总线740连接并完成相互间的通信。
通信接口730,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线740包括硬件、软件或两者,将服务器的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线740可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
该服务器可以基于接收到的任务,执行本发明实施例中的区域划分方法,从而实现结合图1-图6描述的区域划分方法和装置。
另外,结合上述实施例中的服务器,本发明实施例可提供一种存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得所述服务器能够执行如上述任一项所述的区域划分方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种区域划分方法,其特征在于,包括:
确定目标区域内的多个子区域的特征信息;
根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,以实现针对多个簇群对目标区域进行处理。
2.根据权利要求1所述的区域划分方法,其特征在于,所述特征信息包括:历史需求向量、历史供给向量以及位置信息;其中,子区域的历史需求向量中的元素包括子区域内多个历史时间段的订单数量;子区域的历史供给向量中的元素包括子区域内多个历史时间段的巡游车辆数。
3.根据权利要求2所述的区域划分方法,其特征在于,对多个子区域进行聚类处理,包括:
在未满足聚类终止条件之前,对多个子区域进行迭代处理;
其中,每次迭代处理过程中,确定每次迭代处理的多个聚类中心,根据每个子区域和每次迭代处理的每个聚类中心之间的距离,将每个子区域分配给每个子区域对应的聚类中心;子区域对应的聚类中心为与子区域距离最近的,且每次迭代聚类处理的聚类中心;
每个子区域和每次迭代处理的每个聚类中心之间的距离是根据每个子区域和每次迭代处理的每个聚类中心之间的历史需求向量、历史供给向量以及位置信息确定的。
4.根据权利要求3所述的区域划分方法,其特征在于,通过以下方式确定每个子区域和每次迭代处理的每个聚类中心之间的距离:
根据每个子区域的历史需求向量和每次迭代处理的每个聚类中心的历史需求向量,确定每个子区域和每次迭代处理的每个聚类中心之间的需求距离;根据每个子区域的历史供应向量和每次迭代处理的每个聚类中心的历史供应向量,确定每个子区域和每次迭代处理的每个聚类中心之间的供应距离;根据每个子区域的位置信息和每次迭代处理的每个聚类中心的位置信息,确定每个子区域和每次迭代处理的每个聚类中心之间的地理距离;
根据需求距离对应的权重、供应距离对应的权重、地理距离对应的权重、每个子区域和每次迭代处理的每个聚类中心之间的需求距离、供应距离以及地理距离,确定每个子区域和每次迭代处理的每个聚类中心之间的距离。
5.根据权利要求4所述的区域划分方法,其特征在于,通过以下方式确定需求距离对应的权重、供应距离对应的权重、地理距离对应的权重:
确定多个预设数组;其中,每个预设数组包括需求距离对应的权重、供应距离对应的权重、地理距离对应的权重的预设值;
根据每个预设数组,对多个子区域进行聚类处理,得到每个预设数组对应的簇群;
将闭合度最大的预设数组中包括的预设值作为需求距离对应的权重、供应距离对应的权重、地理距离对应的权重;
其中,闭合度是根据预设数组对应的簇群内的车辆接起的目标订单的数量和预设数组对应的簇群内发起订单的数量之间的比值确定的;所述目标订单为预设数组对应的簇群内的车辆接起该预设数组对应的簇群内发起的订单;
其中,需求距离对应的权重、供应距离对应的权重、地理距离对应的权重之和等于1。
6.根据权利要求1~5任一项所述的区域划分方法,其特征在于,根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,包括:
确定多个子区域划分簇群的个数k;
根据目标区域内多个子区域的特征信息,对多个区域进行聚类处理,得到k个簇群;
其中,通过以下方式确定k的值:
确定k的多个初始值;
针对每个k的初始值,根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到k的初始值的簇群;
针对每个簇群,根据所述簇群中每个子区域对应的距离和所述簇群的距离平均值之间的差值,确定所述簇群对应的聚类误差;其中,子区域对应的距离为子区域和所述子区域所在的簇群的聚类中心之间的距离;
将k的初始值的簇群对应的聚类误差之和,作为k的初始值对应的误差值;
将k的多个初始值对应的误差值组成的曲线的拐点对应的k的初始值作为k的值。
7.根据权利要求6所述的区域划分方法,其特征在于,根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,包括:
从多个子区域中,选择k个子区域作为初始聚类中心;
根据目标区域内多个子区域的特征信息和初始聚类中心,对多个子区域进行聚类处理,得到多个簇群;
通过以下方式确定初始聚类中心:
将多个子区域中预设特征最大的子区域,加入到聚类集合中;
对子区域进行迭代处理,并将迭代处理完成后的聚类集合中的子区域作为初始聚类中心;
其中,每次迭代处理过程为:确定其他子区域中预设特征最大的其他子区域和聚类集合中的子区域之间的距离;其他子区域为多个子区域中除去聚类集合中的子区域之外的子区域;
若预设特征最大的其他子区域和聚类集合中的子区域之间的每个距离均超过预设值,则将预设特征最大的其他子区域加入到聚类集合;
若聚类集合中子区域的个数为k的值,则停止对子区域进行迭代处理;
若对所有的子区域进行迭代处理完成后,聚类集合中的子区域的个数小于k的值,则从多个子区域中随机选择子区域加入到聚类集合中,随机选择的子区域的个数和未加入随机选择的子区域的聚类集合中的子区域的个数之和等于k的值。
8.一种区域划分装置,其特征在于,包括:
确定模块,用于确定目标区域内的多个子区域的特征信息;
聚类模块,用于根据目标区域内多个子区域的特征信息,对多个子区域进行聚类处理,得到多个簇群,以实现针对多个簇群对目标区域进行处理。
9.一种服务器,其特征在于,包括:
存储器,用于存储计算机程序或指令;
处理器,用于执行所述存储器中的计算机程序或指令,使得如权利要求1-7中任一所述的区域划分方法被执行。
10.一种计算机可读存储介质,其特征在于,当所述存储介质中的指令由处理器执行时,使得所述处理器能够执行如权利要求1-7中任一所述的区域划分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310738313.6A CN116777514A (zh) | 2023-06-20 | 2023-06-20 | 区域划分方法、装置、服务器以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310738313.6A CN116777514A (zh) | 2023-06-20 | 2023-06-20 | 区域划分方法、装置、服务器以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777514A true CN116777514A (zh) | 2023-09-19 |
Family
ID=88005886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310738313.6A Pending CN116777514A (zh) | 2023-06-20 | 2023-06-20 | 区域划分方法、装置、服务器以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777514A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003028A (zh) * | 2018-07-17 | 2018-12-14 | 北京百度网讯科技有限公司 | 用于划分物流区域的方法和装置 |
CN110414613A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 区域聚类的方法、装置、设备和计算机可读存储介质 |
CN112053105A (zh) * | 2019-06-05 | 2020-12-08 | 北京京东振世信息技术有限公司 | 划分服务区域的方法和装置 |
CN113011946A (zh) * | 2021-03-17 | 2021-06-22 | 北京三快在线科技有限公司 | 一种订单处理的方法及装置 |
US20220188580A1 (en) * | 2020-12-11 | 2022-06-16 | Soundhound, Inc. | System and method for computing region centers by point clustering |
-
2023
- 2023-06-20 CN CN202310738313.6A patent/CN116777514A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003028A (zh) * | 2018-07-17 | 2018-12-14 | 北京百度网讯科技有限公司 | 用于划分物流区域的方法和装置 |
CN112053105A (zh) * | 2019-06-05 | 2020-12-08 | 北京京东振世信息技术有限公司 | 划分服务区域的方法和装置 |
CN110414613A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 区域聚类的方法、装置、设备和计算机可读存储介质 |
US20220188580A1 (en) * | 2020-12-11 | 2022-06-16 | Soundhound, Inc. | System and method for computing region centers by point clustering |
CN113011946A (zh) * | 2021-03-17 | 2021-06-22 | 北京三快在线科技有限公司 | 一种订单处理的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326126B (zh) | 任务处理方法、任务调度方法、装置及计算机设备 | |
CN105389975A (zh) | 专车调度方法和装置 | |
CN111191899B (zh) | 一种基于区域划分并行遗传算法的车辆调度方法 | |
CN110969275B (zh) | 交通流量预测方法、装置、可读存储介质及电子设备 | |
CN111291875B (zh) | 用于确定存储器大小的方法和设备 | |
US11972347B2 (en) | System and method for emulating quantization noise for a neural network | |
CN109146816A (zh) | 一种图像滤波方法、装置、电子设备和存储介质 | |
CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN110020741A (zh) | 数据预测的方法、装置和电子设备 | |
CN113419833B (zh) | 用于量子云计算平台任务调度的方法、装置和量子云计算平台任务调度服务器 | |
CN116777514A (zh) | 区域划分方法、装置、服务器以及存储介质 | |
CN111260041A (zh) | 具有自适应精度的数值的离散化 | |
CN116701001B (zh) | 目标任务分配方法、装置、电子设备及存储介质 | |
CN109032789B (zh) | 一种物流网络的部署方法、装置和服务器 | |
CN112258129A (zh) | 配送路径预测网络训练、配送资源调度方法及装置 | |
CN111985448A (zh) | 车辆图像识别方法、装置、计算机设备及可读存储介质 | |
CN113409095B (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
CN113537833B (zh) | 交通事故的应急车辆调度方法、装置及设备 | |
CN114970985A (zh) | 维修器材需求预测方法、装置及终端 | |
CN115534744A (zh) | 一种基于充电桩响应特性的充电桩调度方法及装置 | |
CN115392348A (zh) | 联邦学习梯度量化方法、高效通信联邦学习方法及相关装置 | |
CN113902156B (zh) | 网约车的调度方法、装置及存储介质 | |
CN113496276A (zh) | 信息处理设备和信息处理方法 | |
US20180365350A1 (en) | Generating circuits |
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 |