CN117236662B - 用于共享电动车自动驾驶的大数据平台 - Google Patents

Abstract

本发明涉及数据处理技术领域，提出了用于共享电动车自动驾驶的大数据平台，包括：用户需求模块；自动驾驶换电模块；自动驾驶运维模块；自动驾驶清洗维修模块；用户预约共享电动车模块，获取用户预约数据集和用户预约信息数据集，根据用户预约数据集获取预约概率分布曲线、预约特征系数，根据预约特征系数计算预约习惯特征相似系数，根据预约概率分布曲线计算预约偏向系数，根据预约偏向系数计算预约习惯偏向系数，根据预约习惯偏向系数和预约习惯特征相似系数计算预约习惯置信系数，根据预约习惯置信系数计算距离调整参数，根据距离调整参数对用户进行分类；数据存储模块。本发明通过共享电动车自动驾驶大数据平台提高共享电动车的使用效率。

Description

用于共享电动车自动驾驶的大数据平台

技术领域

本发明涉及数据处理技术领域，具体涉及用于共享电动车自动驾驶的大数据平台。

背景技术

随着互联网、移动互联网、物联网等网络技术的快速发展，共享电动车得到了较为广泛的应用，共享电动车的使用也给人们的日常生活带来极大的便利。共享电动车的使用也不断与先进技术相结合，提高了共享电动车使用的效率。

现如今共享电动车的使用还存在较多的问题，传统的共享电动车的更换电池、共享电动车的维修、共享电动车的清洁、共享电动车的调度等均采用人工的方式，这种方式存在工作强度大、工作效率低等问题，造成现如今的共享电动车的运维方式存在车辆运维效率低（换电效率低、车辆维修效率低、车辆调度效率低等）、车辆码放混乱、部分单车使用率低等问题，这些问题的存在使共享电动车的管理和使用的效率大幅度降低，也给共享电动车的调度、维护、使用产生了较大的影响；同时在用户预约模块中通常根据用户选定的车量信息为用户提供车辆，但这种方式为用户提供的车辆可能不是最佳选择，存在根据预约信息提供的车辆距离较远等问题，为解决上述问题，可以对用户进行分类，通过对同一类用户的预约数据综合分析为用户匹配合适的车辆，但传统的密度峰值聚类算法中存在输入参数选择误差较大的问题，导致对用户的分类结果不准确，降低用户匹配合适车辆的准确性，进而降低用户使用共享电动车的频次。

发明内容

本发明提供用于共享电动车自动驾驶的大数据平台，以解决共享电动车维护、调度、使用效率低的问题，所采用的技术方案具体如下：

本发明一个实施例用于共享电动车自动驾驶的大数据平台，该平台包括以下模块：

用户需求模块，获取共享电动车自动驾驶的相关数据，所述相关数据包括换电需求数据、运维需求数据、清洗维修需求数据、用户预约需求数据；

自动驾驶换电模块，根据换电需求数据对共享电动车进行自动驾驶换电；

自动驾驶运维模块，根据运维需求数据对共享电动车进行自动驾驶运维；

自动驾驶清洗维修模块，根据清洁维修需求数据对共享电动车进行自动驾驶清洁维修；

数据采集模块，根据用户预约需求数据获取用户预约数据集和用户预约信息数据集；

特征提取模块，根据用户预约数据集的数据特征的分析结果获取每名用户的预约概率分布曲线，根据每名用户的预约概率分布曲线获取每名用户的预约特征系数；根据每名用户的预约概率分布曲线和预约特征系数计算用户之间的预约习惯特征相似系数；根据每名用户的预约概率分布曲线获取每名用户的预约偏向系数；根据每名用户的预约偏向系数计算每名用户的预约习惯偏向系数；根据每名用户对应的预约习惯偏向系数和预约习惯特征相似系数计算每名用户的预约习惯置信系数；

用户分类模块，根据用户预约信息数据集获取用户预约特征数据集；根据用户的预约习惯置信系数计算用户预约特征数据集的距离调整参数；根据用户预约特征数据集的距离调整参数计算用户预约特征数据集的截断距离参数；基于截断距离参数采用密度峰值聚类算法获取用户预约特征数据集的聚类结果，根据所述聚类结果对用户进行的分类；

预约共享电动车模块，根据用户的分类结果及需求为用户预约匹配合适车辆。

优选的，所述根据用户预约数据集的数据特征的分析结果获取每名用户的预约概率分布曲线，根据预约概率分布曲线获取每名用户的预约特征系数的方法为：

所述每名用户的预约概率分布曲线包括预约车型概率分布曲线、预约车辆颜色概率分布曲线、预约车辆电量概率分布曲线，所述每名用户的预约特征系数包括预约车型特征系数、预约车辆颜色特征系数、预约车辆电量特征系数；统计每名用户预约数据集中每种车型的预约次数、每种车辆颜色的预约次数、每种车辆电量的预约次数；计算所述每种车型的预约次数与用户预约总次数的比值作为用户预约每种车型的预约概率，将车型作为横坐标，将用户对每种车型的预约概率作为纵坐标，根据所述横坐标和纵坐标获取每名用户的预约车型概率分布曲线，将所述每名用户的预约车型概率分布曲线的最大值作为每名用户的预约车型特征系数；

计算所述每种车辆颜色的预约次数与用户预约总次数的比值作为用户预约每种车辆颜色的预约概率，将车辆颜色作为横坐标，将用户对每种车辆颜色的预约概率作为纵坐标，根据所述横坐标和纵坐标获取每名用户的预约车辆颜色概率分布曲线，将所述每名用户的预约车辆颜色概率分布曲线的最大值作为每名用户的预约车辆颜色特征系数；

计算所述每种车辆电量的预约次数与用户预约总次数的比值作为用户预约每种车辆电量的预约概率，将车辆电量作为横坐标，将用户对每种车辆电量的预约概率作为纵坐标，根据所述横坐标和纵坐标获取每名用户的预约车辆电量概率分布曲线，将所述每名用户的预约车辆电量概率分布曲线的最大值作为每名用户的预约车辆电量特征系数。

优选的，所述根据每名用户的预约概率分布曲线和预约特征系数计算用户之间的预约习惯特征相似系数的方法为：

式中，表示第/>名用户和第/>名用户之间的预约习惯特征相似系数；/>和/>分别表示第/>名用户的第/>种预约数据的预约特征系数和预约概率分布曲线，/>和/>分别表示第/>名用户的第/>种预约数据的预约特征系数和预约概率分布曲线，其中所述预约数据包括预约车型、预约车辆颜色、预约车辆电量；/>表示计算/>和/>之间的KL散度；/>表示每名用户预约数据的种类数；/>表示调节参数。

优选的，所述根据每名用户的预约概率分布曲线获取每名用户的预约偏向系数的方法为：

所述每名用户的预约偏向系数包括预约车型偏向系数、预约车辆颜色偏向系数、预约车辆电量偏向系数，分别计算每名用户的预约车型概率分布曲线、预约车辆颜色概率分布曲线、预约车辆电量概率分布曲线的信息熵，将所述信息熵的计算结果分别作为所述每名用户的预约车型偏向系数、预约车辆颜色偏向系数、预约车辆电量偏向系数。

优选的，所述根据每名用户的预约偏向系数计算每名用户的预约习惯偏向系数的方法为：

将每名用户的预约车型偏向系数、预约车辆颜色偏向系数、预约车辆电量偏向系数的和作为所述每名用户的预约习惯偏向系数。

优选的，所述根据每名用户对应的预约习惯偏向系数和预约习惯特征相似系数计算每名用户的预约习惯置信系数的方法为：

式中，表示第/>名用户的预约习惯置信系数；/>表示第/>名用户的预约习惯偏向系数；/>表示第/>名用户的预约习惯偏向系数；/>表示第/>名用户和第/>名用户之间的预约习惯特征相似系数；/>表示用户的数量。

优选的，所述根据用户预约信息数据集获取用户预约特征数据集的方法为：

将用户预约信息数据集中每个数据作为一个用户预约数据样本；将用户的预约习惯偏向系数作为横坐标，将用户的预约习惯置信系数作为纵坐标，将所有的用户预约数据样本根据每个用户预约数据样本对应的预约习惯偏向系数和预约习惯置信系数映射到所述横坐标和纵坐标构成的二维直角坐标系中，将映射的结果作为用户预约特征数据集。

优选的，所述根据用户的预约习惯置信系数计算用户预约特征数据集的距离调整参数的方法为：

式中，表示距离调整参数；/>表示预约习惯置信序列，/>和/>分别表示中的最大值和最小值，/>表示/>中数据的均值；/>表示调节参数；/>表示用户的数量；表示向上取整函数。

优选的，所述根据用户预约特征数据集的距离调整参数计算用户预约特征数据集的截断距离参数的方法为：

将用户预约特征数据集的距离调整参数作为K近邻算法中的近邻参数，采用K近邻算法获取用户预约特征数据集中每个样本的近邻参数个近邻样本，计算所述每个样本的近邻参数个近邻样本中任意两个样本之间的欧氏距离，将所述每个样本的近邻参数个近邻样本对应欧式距离的计算结果作为所述每个样本的近邻距离数据集，将所述每个样本的近邻距离数据集中数据的最大值作为所述每个样本的截断距离，将用户预约特征数据集中所有样本的截断距离的均值作为用户预约特征数据集的截断距离参数。

优选的，所述基于截断距离参数采用密度峰值聚类算法获取用户预约特征数据集的聚类结果，根据用户预约特征数据集的聚类结果对用户进行的分类的方法为：

采用密度峰值聚类算法获取用户预约特征数据集的聚类结果，将用户预约特征数据集的聚类结果中每个聚类簇中样本对应的用户作为预约习惯特征相近的一类用户。

本发明的有益效果是：通过共享电动车自动驾驶功能与共享电动车自动驾驶大数据平台的结合，实现共享电动车自动驾驶运维、清洁、维修、换电的自动处理过程，通过共享电动车自动驾驶大数据平台对共享电动车进行运维、清洁、维修、换电等方面的优化，其有益效果在于可以替代传统人工过程并提高共享电动车的运维、清洁、维修、换电的效率，将传统的、独立运行的业务板块组合成系统，通过共享电动车自动驾驶平台的核心算法进行统筹安排；进一步的，在共享电动车自动驾驶大数据平台的预约流程中通过用户的历史预约数据分析用户的预约习惯特征，根据不同用户之间预约习惯特征的差异计算不同用户之间的预约习惯特征相似系数，根据每名用户的历史预约数据分析用户预约习惯偏向特征，根据分析结果计算每名用户的预约习惯偏向系数，根据预约习惯特征相似系数和预约习惯偏向系数计算预约习惯置信系数，根据预约习惯置信系数计算距离调整参数。基于距离调整参数计算截断距离参数，其有益效果在于考虑不同用户之间预约习惯特征的差异对聚类结果的影响，计算合适的截断距离参数，提高根据预约习惯特征对用户进行分类的准确性，进而提高为用户匹配合适车辆的准确性，提高共享电动车的使用率，减少人工劳作需求，提升用户满意度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的用于共享电动车自动驾驶的大数据平台的流程示意图；

图2为本发明一个实施例所提供的用户预约共享电动车模块的预约流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的用于共享电动车自动驾驶的大数据平台流程图，该平台包括：用户需求模块、自动驾驶换电模块、自动驾驶运维模块、自动驾驶清洗维修模块、数据采集模块、特征提取模块、用户分类模块、预约共享电动车模块。

用户需求模块，获取共享电动车自动驾驶的相关数据，所述共享电动车自动驾驶的相关数据包括换电需求数据、运维需求数据、清洁维修数据、用户预约需求数据等。

具体的，换电需求数据、运维需求数据、清洁维修数据、用户预约需求数据包括但不限于用户预约数据（车型、车牌、车辆颜色、电量、用车出发地、用车目的地、车辆位置信息和用车时间、单车的位置信息、等待时长、预估使用价格）、用户数据、历史数据（历史预约数据、历史骑行数据、历史路线数据等）、现有骑行动态数据、未来需求预估数据、天气数据、重特大活动安排、重特大事故数据、交通数据（交通热力图数据、城市交通地图数据、城市交通信号数据）、活动区域数据（停车区域、禁停区域、换电区域、自动清洗区、自动维修区）、僵尸车数据、车辆骑行率上限、车辆骑行率下限等数据。

自动驾驶换电模块，通过共享电动车大数据平台的统筹运算获取共享电动车的换电需求，根据换电需求数据对共享电动车进行自动驾驶换电。

传统的人工换电模式是将100%电池更换给亏电的共享电动车，以满足骑行需求。换电人员按照APP的提示及定位，在城市各街道寻找亏电车辆，更换完电池后再将亏电电池带回充电站进行统一充电。这种传统的人工换电的方式工作时间长、工作环境差、劳动强度高、工作单调乏味，致使共享电动车换电人员稀缺，同时采用人工换电的方式还存在人工成本逐年提升、换电岗位需求量大等问题。

针对上述问题，通过用户需求模块获取每辆共享电动车的换电需求数据，所述换电需求数据包括但不限于现有骑行动态数据、未来需求预估数据、天气数据、重特大活动安排、重特大事故数据、交通数据、活动区域数据等，通过对所述换电需求数据的分析自适应获取每辆共享电动车的换电需求信号，每辆共享电动车根据所述换电需求信号启动自动驾驶到附近换电站完成换电。

具体的，当共享电动车的电量到达电量的警戒线（系统设置的共享电动车需进行换电的最低电量）时对所述共享电动车发出换电需求信号（包括换电信号、需前往的换电站信息等），共享电动车根据收到的换电需求信号启动自动驾驶到需前往的换电站进行换电；当共享电动车的电量未达到电量的警戒线，但共享电动车所剩电量无法满足未来骑行需求，则对共享电动车发出换电需求信号（包括换电信号、需前往的换电站信息、进行换电的时间等），共享电动车根据收到的换电需求信号启动自动驾驶在进行换电的时间到需前往的换电站进行换电。

进一步的，共享电动车根据换电需求信号前往换电站后，换电站根据共享电动车的未来骑行需求、换电站现有电池资源、附近共享电动车故障和电量等数据对共享电动车更换合适电量的电池。例如共享电动车所在换电站没有100%电量的电池，可以根据共享电动车的未来骑行需求数据对共享电动车电池进行更换，其中更换电池的电量可能为70%或60%等；进一步的，若换电站没有满足共享电动车未来骑行需求的电池，但换电站附近有一辆车座损坏电量90%需进行维修的共享电动车，将所述车座损坏电量90%需进行维修的共享电动车的电池归还至充电站，将归还的电池更换到有未来骑行需求的共享电动车。

至此，完成了共享电动车自动驾驶换电过程。

自动驾驶运维模块，通过共享电动车大数据平台的统筹运算获取共享电动车的运维需求，根据运维需求数据对共享电动车进行自动驾驶运维。

现有共享电动车的运维方式采用人工逐辆搬运至指定区域进行投放；寻找APP定位的损坏且无法移动车辆，并将车辆运输至指定区域；将乱停、乱放的车辆摆放整齐。共享电动车的搬运、摆放等过程全部通过人工的方式完成，这种方式存在劳动强度大、无法长期劳作的缺点；采用人工的方式对共享电动车进行运维还存在共享电动车损害风险较高问题。

针对上述问题，通过用户需求模块获取共享电动车的运维需求数据，所述运维需求数据包括但不限于现有骑行动态数据、未来需求预估数据、天气数据、重特大活动安排、重特大事故数据、交通数据、活动区域数据等。根据共享电动车的运维需求数据的分析自适应获取运维需求信号（调度信号、位置调整信号等），共享电动车根据收到的运维需求信号启动自动驾驶到相应调度区域、启动自动驾驶调整车辆之间的间距和摆放位置，完成共享电动车的自动驾驶调度过程。

具体的，当共享电动车所在停车区域内的车辆数量超过所述停车区域规定车辆数量时，对所述停车区域内的部分共享电动车发出运维需求信号，所述停车区域内接收到运维需求信号的车辆启动自动驾驶到指定的调度区域。进一步的，当共享电动车所在停车区域内车辆的间距、车辆位置不在设定的参数范围内，对所述共享电动车所在停车区域的车辆发送运维需求信号，所述共享电动车停车区域内的车辆启动自动驾驶到指定的位置。经过上述过程可完成共享电动车自动驾驶运维过程。

自动驾驶清洁维修模块，通过共享电动车大数据平台的统筹运算获取共享电动车的清洁维修需求，根据清洁维修需求数据对共享电动车进行自动驾驶清洁维修。

共享电动车的自动驾驶功能是由AI摄像头、雷达、传感器等多组件组成的装置实现的，虽然共享电动车属于慢行交通工具，但是为了避免因数据采集不准确出现交通事故，对共享电动车的定期或不定期的清洁、对共享电动车进行及时维修都尤为重要。不仅为用户提供干净、卫生的共享电动车，而且为共享电动车自动驾驶换电、预约的稳定运行提供了保障。

具体的，根据用户需求模块获取共享电动车的清洁维修需求数据，所述清洁维修需求数据包括但不限于现有骑行动态数据、未来需求预估数据、天气数据、重特大活动安排、重特大事故数据、交通数据、活动区域数据等。根据共享电动车的清洁维修需求数据的分析自适应获取共享电动车的清洁维修需求信号（清洁维修信号、需前往的清洁维修站等），所述共享电动车根据清洁维修需求信号启动自动驾驶到需前往的清洁维修站进行清洗或者维修。

具体的，当共享电动车出现非正常的无人使用的情况（例如共享电动车1天内未被使用）时，对共享电动车发出清洁维修需求信号，所述共享电动车根据清洁维修需求信号前往指定的清洁维修站进行清洗或维修；当距离小于100米的使用中的共享电动车产生的数据存在较大偏差时将所述存在较大偏差的共享电动车标记为需检修车辆，在所述需检修车辆骑行结束后对所述需检修车辆发送清洁维修需求信号，所述需检修车辆接收到清洁维修信号后启动自动驾驶到指定清洁维修站进行清洁、维修；经过上述过程完成对共享电动车自动驾驶清洁维修过程。

用户预约共享电动车模块，共享电动车不再是停放在路边停车区域等待用户扫码骑行，而是根据用户对出行时间、颜色、款式、行驶距离等需求匹配合适的共享电动车自动驾驶至指定等待区域。

具体的，通过共享电动车大数据平台的统筹运算获取共享电动车的用户预约需求，根据用户需求模块获取用户预约共享电动车的用户预约需求数据，所述用户预约需求数据包括但不限于用户预约数据（车型、车牌、车辆颜色、电量、用车出发地、用车目的地、车辆位置信息和用车时间、单车的位置信息、等待时长、预估使用价格）、用户数据、历史数据（历史预约数据、历史骑行数据、历史路线数据等）、现有骑行动态数据、未来需求预估数据、天气数据、重特大活动安排、重特大事故数据等，通过用户预约共享电动车的用户预约需求数据的分析自适应匹配共享电动车，对匹配的共享电动车发送用户预约需求信号（包括用户预约信号、指定等待位置等），所述匹配的共享电动车根据用户预约需求信号启动自动驾驶到指定等待位置等待用户，完成用户通过预约使用共享电动车。

进一步的，当用户骑行结束后选择原地还车且还车位置未在规定的共享电动车停车区域，对共享电动车发送运维需求信号，所述共享电动车根据运维需求信号启动自动驾驶到指定停车区域，完成用户骑行结束后共享电动车自动驾驶归还过程。

进一步的，也可根据用户需求模块中用户的历史数据对用户的预约习惯进行分析，根据用户预约习惯的分析为用户推荐合适的车辆进行选择，具体的推荐过程包括：数据采集模块、特征提取模块、用户分类模块、预约共享电动车模块、数据存储模块。

数据采集模块，根据用户需求模块中的用户预约需求数据分别获取不同用户的历史预约数据，其中历史预约数据包括车型、车牌、车辆颜色、电量、用车出发地、用车目的地、车辆位置信息和用车时间等数据，采用UTF-8的编码规则对用户历史预约数据中的每种数据进行编码，其中用户一次历史预约数据的编码结果为，/>中的数据分别对应所述用户一次预约时的车型、车牌、车辆颜色、电量、用车出发地、用车目的地、车辆位置信息和用车时间的编码结果，将/>作为用户的一个历史预约数据序列，UTF-8的编码过程和爬虫技术为公知技术，具体实现过程不再进行赘述。

因此一名用户每次的历史预约数据均对应一个历史预约数据序列，获取每名用户次的历史预约数据，/>大小取经验值100，根据每名用户的/>次历史预约数据的历史预约数据序列构建每名用户的预约数据集/>。进一步的，获取的不同用户的预约数据集的数量为/>，/>大小取经验值500，实施者可根据实际需求选取合适的/>和/>的值进行分析，根据每名用户的预约数据集构建用户预约信息数据集/>。用户预约信息数据集/>中每个数据表示一名用户的预约数据集，其中/>则表示第/>名用户的预约数据集。

至此，获取了用户预约数据集和用户预约信息数据集。

特征提取模块，不同用户之间的喜好不同，因此预约车辆时选定的车辆信息存在差异，主要体现在共享电动车的车型、车辆颜色、电量等方面，如果仅根据用户的选定车辆信息为用户匹配完全符合的共享电动车，可能发生完全符合的共享电动车距离较远或者附近没有完全符合的车辆，导致用户等待时间较长或者无法用车。因此在用户预约车辆时若遇到无法匹配完全符合预约信息的车辆时会为用户匹配其它可用车辆。

上述匹配车辆的过程中若只根据用户自身的历史预约数据进行分析匹配，会导致无法为用户匹配合适的车辆，影响用户使用共享电动车。因此针对每名用户预约车辆的习惯特征和不同用户之间预约车辆的习惯特征的差异进行分析，可以对不同用户中预约车辆习惯相同的用户进行分类，根据分类的结果可以为用户匹配合适的共享电动车。

进一步的，不同用户预约车辆时对车辆的要求不同，例如一些用户可能对车辆的颜色有要求，另一些用户可能更加看重共享电动车的电量。因此可根据每名用户的历史预约数据对用户的预约习惯进行分析，根据分析结果获取每名用户的预约概率分布曲线、预约特征系数；所述每名用户的预约概率分布曲线包括预约车型概率分布曲线、预约车辆颜色概率分布曲线、预约车辆电量概率分布曲线，所述每名用户的预约特征系数包括预约车型特征系数、预约车辆颜色特征系数、预约车辆电量特征系数。

具体的，首先统计每名用户预约数据集中每种车型的预约次数，计算所述每种车型的预约次数与用户预约总次数的比值，将所述比值作为用户预约每种车型的预约概率。将车型作为横坐标，将用户对每种车型的预约概率作为纵坐标，根据所述横坐标和纵坐标获取每名用户的预约车型概率分布曲线，将每名用户预约车型的概率分布曲线的最大值作为每名用户的预约车型特征系数/>。

进一步的，与用户的预约车型的概率分布曲线的获取方式相同，分别统计每名用户预约数据集中每种车辆颜色、电量的预约次数，根据统计结果分别获取用户预约车辆颜色概率分布曲线、用户预约车辆电量概率分布曲线/>，分别将用户预约车辆颜色概率分布曲线、用户预约车辆电量概率分布曲线中的最大值作为用户的预约车辆颜色特征系数/>、预约车辆电量特征系数/>。

根据上述用户预约车型的概率分布曲线、用户预约车辆颜色概率分布曲线、用户预约车辆电量概率分布曲线和用户的预约车型特征系数、预约车辆颜色特征系数、预约车辆电量特征系数计算不同用户之间的预约习惯特征相似系数，具体的计算公式如下：

式中，表示第/>名用户和第/>名用户之间的预约习惯特征相似系数；/>和/>分别表示第/>名用户的第/>种预约数据的预约特征系数和预约概率分布曲线，/>和/>分别表示第/>名用户的第/>种预约数据的预约特征系数和预约概率分布曲线，其中所述预约数据包括预约车型、预约车辆颜色、预约车辆电量；/>表示计算/>和/>之间的KL散度，KL散度的计算过程为公知技术，具体过程不再赘述；/>表示每名用户预约数据的种类数；/>表示调节参数，大小取经验值0.01。

若两名用户之间预约车型、预约车辆颜色、预约车辆电量的概率分布越相近，则计算得到的的值越大，进一步的，若两名用户分别对预约车型、预约车辆颜色、预约车辆电量有较高的偏向性，则计算得到的/>的值越小，即计算得到的预约习惯特征相似系数/>的值越大，表示两名用户在预约共享电动车时选择车辆的车型、颜色和电量有着相近的选择习惯。

进一步的，考虑用户预约共享电动车时的预约习惯的置信程度，即用户对预约车辆的要求是否稳定。根据不同用户之间的预约习惯的相似程度和每名用户的预约车辆时选择车辆的车型、颜色、电量的稳定程度分析每名用户的预约习惯的置信程度。

具体的，通过每名用户历史预约数据中分别对车辆的车型、颜色、电量选择的稳定性反应用户对车辆的车型、颜色、电量选择的偏向特征，根据所述偏向特征计算每名用户的预约偏向系数，所述每名用户的预约偏向系数包括预约车型偏向系数、预约车辆颜色偏向系数、预约车辆电量偏向系数。

分别计算每名用户的预约车型概率分布曲线、预约车辆颜色概率分布曲线、预约车辆电量概率分布曲线的信息熵，将计算结果分别作为所述每名用户的预约车型偏向系数、预约车辆颜色偏向系数/>、预约车辆电量偏向系数/>。根据每名用户的预约车型偏向系数、预约车辆颜色偏向系数、预约车辆电量偏向系数计算每名用户的预约习惯置信系数，具体的计算公式如下：

式中，表示第/>名用户的预约习惯偏向系数；/>表示第/>名用户的第/>种预约数据的偏向系数，所述预约数据包括车辆的车型、颜色、电量；/>表示用户预约数据的种类数；/>表示第/>名用户的预约习惯置信系数；/>表示第/>名用户的预约习惯偏向系数；/>表示第/>名用户和第/>名用户之间的预约习惯特征相似系数；/>表示用户的数量。

若第名用户在预约习惯方面与其它用户都具有较大的差异，则计算得到的/>的值越小，同时第/>名用户在预约习惯方面偏向特征与其它用户有较大的差异，则计算得到的的值越大，计算得到的第/>名用户的预约习惯置信系数/>的值越大，表示第/>名用户与其它用户的预约习惯存在较大的差异的可能性越大。

至此，获取了每名用户的预约习惯偏向系数和预约习惯置信系数。

用户分类模块，不同用户预约习惯的不同，因此对用户的预约数据进行二维空间映射，根据映射结果获取用户预约习惯特征数据集，其中用户预约特征数据集的分布特征反应了不同用户之间预约习惯特征和预约习惯的偏向特征的不同。

通过用户预约特征数据集可以根据预约习惯特征对用户的历史预约数据进行分类。具体的，将用户预约信息数据集中每个数据作为一个用户预约数据样本，即每名用户的预约数据集作为一个用户预约数据样本，因此根据用户预约信息数据集/>可以得到/>个用户预约数据样本；将用户的预约习惯偏向系数作为横坐标，将用户的预约习惯置信系数作为纵坐标，将/>个用户预约数据样本根据每个用户预约数据样本对应的预约习惯偏向系数和预约习惯置信系数映射到所述横坐标和纵坐标构成的二维直角坐标系中，将映射的结果作为用户预约特征数据集。

进一步的，将个用户的预约习惯置信系数按照由大到小顺序排序组成的序列作为预约习惯置信序列/>。根据预约习惯置信序列计算距离调整参数，具体的计算公式如下：

式中，表示距离调整参数；/>表示预约习惯置信序列，/>和/>分别表示/>中的最大值和最小值，/>表示/>中数据的均值；/>表示调节参数，大小取经验值1；/>表示用户的数量；/>表示向上取整函数。

若获取的个用户的预约习惯置信系数相近，则计算得到的/>的值越小，计算得到的/>的值越小，表示获取的/>个用户之间的预约习惯特征整体较为相近，可以选取较小的截断距离进行聚类。

具体的，输入为用户预约特征数据集，K大小取，采用K近邻算法获取用户预约特征数据集中每个样本的/>个近邻样本，计算所述每个样本的/>个近邻样本中任意两个样本之间的欧氏距离，将所有欧式距离的计算结果作为所述每个样本的近邻距离数据集，将所述每个样本的近邻距离数据集中数据的最大值作为所述每个样本的截断距离。计算用户预约特征数据集中所有样本的截断距离的均值作为用户预约特征数据集的截断距离参数/>。

输入为用户预约特征数据集，截断距离参数为，采用密度峰值聚类算法获取用户预约特征数据集的聚类结果，密度峰值聚类算法的具体实现过程为公知技术，不再进行赘述。将用户预约特征数据集的聚类结果中每个聚类簇中的样本作为预约习惯特征相近的一类用户，因此可将/>个用户根据预约习惯特征分为不同的类别。

至此，完成了对不同用户的分类。

预约共享电动车模块，将不同用户的分类结果输入到用户需求模块中作为用户预约共享电动车模块的基础数据。用户进行共享电动车预约时可以根据不同用户的分类结果为用户匹配合适车辆。

具体的，共享电动车自动驾驶的大数据平台系统包括自动驾驶换电模块、自动驾驶运维模块、自动驾驶清洗维修模块、用户预约共享电动车模块。用户预约共享电动车模块的预约流程如图2所示：

步骤S1，用户选择预约车辆，用户登录软件后选择需要使用的共享电动车的款式、颜色、时间、车辆等待位置等信息。

步骤S2，平台匹配车辆，根据用户在用户预约共享电动车模块基础数据中的分类调取与用户预约习惯特征相近的其它用户的历史预约数据进行综合分析，根据分析结果为用户匹配合适车辆。

步骤S3，用户使用车辆，用户根据车辆的匹配结果进行确认，车辆信息确认后，用户收到共享电动车在指定位置的等待信息通知。

步骤S4，费用结算，用户使用车辆结束后，后台根据骑行数据、骑行时间等计算费用，用户支付后将明细发送给用户，将用户此次预约数据存储到共享电动车自动驾驶的大数据平台。

至此，通过共享电动车自动驾驶的大数据平台为用户匹配了合适的车辆，提高了共享电动车的使用率，提升了用户满意度。

数据存储模块，用户预约使用车辆后，将用户当天使用共享电动车的相关数据进行存储。具体的，将当天每名用户的预约数据（车型、车牌、车辆颜色、电量、用车出发地、用车目的地、车辆位置信息和用车时间、单车的位置信息、等待时长、预估使用价格）存储到用户需求模块中对应用户的历史数据集中，所述历史数据集包括历史预约数据、历史骑行数据、历史路线数据等，同时根据每名用户的历史数据集的更新情况，对每名用户的预约习惯置信系数和预约习惯偏向系数进行更新，将当天每名用户的预约习惯置信系数和预约习惯偏性系数的更新结果作为当天每名用户的预约特征值。

进一步的，将当天每名用户使用共享电动车过程中产生的现有骑行动态数据、未来需求预估数据、天气数据、重特大活动安排、重特大事故数据、交通数据（交通热力图数据、城市交通地图数据、城市交通信号数据）存储到用户需求模块中每名用户对应的骑行相关数据集中，并将当天每名用户的预约特征值作为所述当天每名用户使用共享电动车过程中产生的现有骑行动态数据、未来需求预估数据、天气数据、重特大活动安排、重特大事故数据、交通数据（交通热力图数据、城市交通地图数据、城市交通信号数据）等数据的骑行相关数据标签，即可以根据每名用户每天对应的预约特征值查询所述每名用户当天骑行的相关数据。

进一步的，将每天记录的共享电动车的活动区域数据（停车区域、禁停区域、换电区域、自动清洗区、自动维修区）、僵尸车数据、车辆骑行率上限、车辆骑行率下限等数据存储到用户需求模块中的基础数据集中，并将当天的日期数据作为所述共享电动车的活动区域数据（停车区域、禁停区域、换电区域、自动清洗区、自动维修区）、僵尸车数据、车辆骑行率上限、车辆骑行率下限等数据的存储标签，即可通过日期对相应的数据进行查询和使用。

至此，完成了用户使用共享电动车后相关数据的存储。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.用于共享电动车自动驾驶的大数据平台，其特征在于，该平台包括以下模块：

用户需求模块，获取共享电动车自动驾驶的相关数据，所述相关数据包括换电需求数据、运维需求数据、清洗维修需求数据、用户预约需求数据；

自动驾驶换电模块，根据换电需求数据对共享电动车进行自动驾驶换电；

自动驾驶运维模块，根据运维需求数据对共享电动车进行自动驾驶运维；

自动驾驶清洗维修模块，根据清洁维修需求数据对共享电动车进行自动驾驶清洁维修；

数据采集模块，根据用户预约需求数据获取用户预约数据集和用户预约信息数据集；

特征提取模块，根据用户预约数据集的数据特征的分析结果获取每名用户的预约概率分布曲线，根据每名用户的预约概率分布曲线获取每名用户的预约特征系数；根据每名用户的预约概率分布曲线和预约特征系数计算用户之间的预约习惯特征相似系数；根据每名用户的预约概率分布曲线获取每名用户的预约偏向系数；根据每名用户的预约偏向系数计算每名用户的预约习惯偏向系数；根据每名用户对应的预约习惯偏向系数和预约习惯特征相似系数计算每名用户的预约习惯置信系数；

用户分类模块，根据用户预约信息数据集获取用户预约特征数据集；根据用户的预约习惯置信系数计算用户预约特征数据集的距离调整参数；根据用户预约特征数据集的距离调整参数计算用户预约特征数据集的截断距离参数；基于截断距离参数采用密度峰值聚类算法获取用户预约特征数据集的聚类结果，根据所述聚类结果对用户进行的分类；

预约共享电动车模块，根据用户的分类结果及需求为用户预约匹配合适车辆。

2.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述根据用户预约数据集的数据特征的分析结果获取每名用户的预约概率分布曲线，根据每名用户的预约概率分布曲线获取每名用户的预约特征系数的方法为：

所述每名用户的预约概率分布曲线包括预约车型概率分布曲线、预约车辆颜色概率分布曲线、预约车辆电量概率分布曲线，所述每名用户的预约特征系数包括预约车型特征系数、预约车辆颜色特征系数、预约车辆电量特征系数；统计每名用户预约数据集中每种车型的预约次数、每种车辆颜色的预约次数、每种车辆电量的预约次数；计算所述每种车型的预约次数与用户预约总次数的比值作为用户预约每种车型的预约概率，将车型作为横坐标，将用户对每种车型的预约概率作为纵坐标，根据所述横坐标和纵坐标获取每名用户的预约车型概率分布曲线，将所述每名用户的预约车型概率分布曲线的最大值作为每名用户的预约车型特征系数；

计算所述每种车辆颜色的预约次数与用户预约总次数的比值作为用户预约每种车辆颜色的预约概率，将车辆颜色作为横坐标，将用户对每种车辆颜色的预约概率作为纵坐标，根据所述横坐标和纵坐标获取每名用户的预约车辆颜色概率分布曲线，将所述每名用户的预约车辆颜色概率分布曲线的最大值作为每名用户的预约车辆颜色特征系数；

计算所述每种车辆电量的预约次数与用户预约总次数的比值作为用户预约每种车辆电量的预约概率，将车辆电量作为横坐标，将用户对每种车辆电量的预约概率作为纵坐标，根据所述横坐标和纵坐标获取每名用户的预约车辆电量概率分布曲线，将所述每名用户的预约车辆电量概率分布曲线的最大值作为每名用户的预约车辆电量特征系数。

3.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述根据每名用户的预约概率分布曲线和预约特征系数计算用户之间的预约习惯特征相似系数的方法为：

式中，表示第/>名用户和第/>名用户之间的预约习惯特征相似系数；/>和/>分别表示第/>名用户的第/>种预约数据的预约特征系数和预约概率分布曲线，/>和/>分别表示第/>名用户的第/>种预约数据的预约特征系数和预约概率分布曲线，其中所述预约数据包括预约车型、预约车辆颜色、预约车辆电量；/>表示计算/>和/>之间的KL散度；/>表示每名用户预约数据的种类数；/>表示调节参数。

4.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述根据每名用户的预约概率分布曲线获取每名用户的预约偏向系数的方法为：

所述每名用户的预约偏向系数包括预约车型偏向系数、预约车辆颜色偏向系数、预约车辆电量偏向系数，分别计算每名用户的预约车型概率分布曲线、预约车辆颜色概率分布曲线、预约车辆电量概率分布曲线的信息熵，将所述信息熵的计算结果分别作为所述每名用户的预约车型偏向系数、预约车辆颜色偏向系数、预约车辆电量偏向系数。

5.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述根据每名用户的预约偏向系数计算每名用户的预约习惯偏向系数的方法为：

将每名用户的预约车型偏向系数、预约车辆颜色偏向系数、预约车辆电量偏向系数的和作为所述每名用户的预约习惯偏向系数。

6.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述根据每名用户对应的预约习惯偏向系数和预约习惯特征相似系数计算每名用户的预约习惯置信系数的方法为：

式中，表示第/>名用户的预约习惯置信系数；/>表示第/>名用户的预约习惯偏向系数；表示第/>名用户的预约习惯偏向系数；/>表示第/>名用户和第/>名用户之间的预约习惯特征相似系数；/>表示用户的数量。

7.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述根据用户预约信息数据集获取用户预约特征数据集的方法为：

将用户预约信息数据集中每个数据作为一个用户预约数据样本；将用户的预约习惯偏向系数作为横坐标，将用户的预约习惯置信系数作为纵坐标，将所有的用户预约数据样本根据每个用户预约数据样本对应的预约习惯偏向系数和预约习惯置信系数映射到所述横坐标和纵坐标构成的二维直角坐标系中，将映射的结果作为用户预约特征数据集。

8.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述根据用户的预约习惯置信系数计算用户预约特征数据集的距离调整参数的方法为：

式中，表示距离调整参数；/>表示预约习惯置信序列，/>和/>分别表示/>中的最大值和最小值，/>表示/>中数据的均值；/>表示调节参数；/>表示用户的数量；表示向上取整函数。

9.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述根据用户预约特征数据集的距离调整参数计算用户预约特征数据集的截断距离参数的方法为：

将用户预约特征数据集的距离调整参数作为K近邻算法中的近邻参数，采用K近邻算法获取用户预约特征数据集中每个样本的近邻参数个近邻样本，计算所述每个样本的近邻参数个近邻样本中任意两个样本之间的欧氏距离，将所述每个样本的近邻参数个近邻样本对应欧式距离的计算结果作为所述每个样本的近邻距离数据集，将所述每个样本的近邻距离数据集中数据的最大值作为所述每个样本的截断距离，将用户预约特征数据集中所有样本的截断距离的均值作为用户预约特征数据集的截断距离参数。

10.根据权利要求1所述的用于共享电动车自动驾驶的大数据平台，其特征在于，所述基于截断距离参数采用密度峰值聚类算法获取用户预约特征数据集的聚类结果，根据用户预约特征数据集的聚类结果对用户进行的分类的方法为：

采用密度峰值聚类算法获取用户预约特征数据集的聚类结果，将用户预约特征数据集的聚类结果中每个聚类簇中样本对应的用户作为预约习惯特征相近的一类用户。