CN117876027A - 数据处理方法、装置、计算机设备和存储介质 - Google Patents
数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117876027A CN117876027A CN202410282325.7A CN202410282325A CN117876027A CN 117876027 A CN117876027 A CN 117876027A CN 202410282325 A CN202410282325 A CN 202410282325A CN 117876027 A CN117876027 A CN 117876027A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- available
- block
- vehicle set
- vehicles
- 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
- 238000003672 processing method Methods 0.000 title abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 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
- 230000000007 visual effect Effects 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本申请涉及一种数据处理方法、装置、计算机设备和存储介质。所述方法包括：将预设的目标区域划分为多个区块，并获取各时间周期内每一区块的区块可用车辆集；针对每一区块可用车辆集，确定与区块可用车辆集对应的第一车辆集和第二车辆集；比对区块可用车辆集和第一车辆集，得到流入车辆集，并比对区块可用车辆集和第二车辆集，得到流出车辆集；对各流出车辆集和各流入车辆集进行处理，得到目标区域的车辆流动量，并将车辆流动量确定为目标区域的估计订单量。采用本方法能够提高数据处理方法的准确性。
Description
技术领域
本申请涉及车辆技术领域，特别是涉及一种数据处理方法、装置、计算机设备和存储介质。
背景技术
对于运营共享设备的公司来说，需要公布各城市的订单量数据，便于后续基于订单量数据进行数据分析。但是，为了保证真实订单量不被泄露，需要通过数据处理方法进行脱敏处理，得到估计订单量，并公布估计订单量。
目前的数据处理方法，针对每一城市的真实订单量，对该城市的真实订单量进行向下取整处理，得到估计订单量。例如，若某一城市的每日真实订单量为四万三千次，对该真实订单量进行向下取整处理后的估计订单量为四万次。
然而，目前的数据处理方法，直接对城市的真实订单量进行向下取整处理，得到的估计订单量与真实订单量相差太大，造成基于该估计订单量进行数据分析后得到的分析结果会产生偏差。因此，目前的数据处理方法准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种数据处理方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种数据处理方法，包括：
将预设的目标区域划分为多个区块，并获取各时间周期内每一所述区块的区块可用车辆集；
针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集；
比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集；
对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，并将所述车辆流动量确定为所述目标区域的估计订单量。
在其中一个实施例中，所述获取各时间周期内每一所述区块的区块可用车辆集，包括：
获取各时间周期内的可用车辆集；所述可用车辆集中包含所述目标区域的各可用车辆的位置信息；
针对每一所述可用车辆集，确定所述可用车辆集中各所述可用车辆的位置信息对应的区块标识；
将同一所述区块标识对应的各所述可用车辆构建为所述区块标识对应的区块的区块可用车辆集。
在其中一个实施例中，所述获取各时间周期内的可用车辆集，包括：
获取各时间周期内的初始车辆集；所述初始车辆集中包含全量车辆的状态信息和位置信息；
针对每一所述时间周期内的初始车辆集，根据预设的可用车辆状态条件和各所述车辆的所述状态信息，对所述初始车辆集进行筛选，得到初始可用车辆集；所述初始可用车辆集中包含各初始可用车辆；
根据目标区域的服务区范围和各所述初始可用车辆的所述位置信息，在所述初始可用车辆集中确定可用车辆集。
在其中一个实施例中，所述针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集，包括：
针对每一所述区块可用车辆集，确定所述区块可用车辆集对应的当前时间周期和目标区块标识；
将所述当前时间周期的上一时间周期确定为第一时间周期，并将所述当前时间周期的下一时间周期确定为第二时间周期；
在各所述区块可用车辆集中，确定所述第一时间周期和所述目标区块标识对应的第一车辆集；
在各所述区块可用车辆集中，确定所述第二时间周期和所述目标区块标识对应的第二车辆集。
在其中一个实施例中，所述比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集，包括：
对比所述区块可用车辆集和所述第一车辆集，将所述区块可用车辆集存在的可用车辆且所述第一车辆集不存在的可用车辆确定为流入车辆，并根据各所述流入车辆构建流入车辆集；
对比所述区块可用车辆集和所述第二车辆集，将所述区块可用车辆集存在的可用车辆且所述第二车辆集不存在的可用车辆确定为流出车辆，并根据各所述流出车辆构建流出车辆集。
在其中一个实施例中，所述对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，包括：
确定各所述流出车辆集对应的流出车辆量，并对各所述流出车辆量进行加法处理，得到目标区域的流出量；
确定各所述流入车辆集对应的流入车辆量，并对各所述流入车辆量进行加法处理，得到所述目标区域的流入量；
对所述流出量和所述流入量进行均值处理，得到所述目标区域的车辆流动量。
第二方面，本申请还提供了一种数据处理装置，包括：
获取模块，用于将预设的目标区域划分为多个区块，并获取各时间周期内每一所述区块的区块可用车辆集；
确定模块，用于针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集；
比对模块，用于比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集
处理模块，用于对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，并将所述车辆流动量确定为所述目标区域的估计订单量。
在其中一个实施例中，所述获取模块划分子模块和第一获取子模块，所述第一获取子模块包括：
第二获取子模块，用于获取各时间周期内的可用车辆集；所述可用车辆集中包含所述目标区域的各可用车辆的位置信息；
第一确定子模块，用于针对每一所述可用车辆集，确定所述可用车辆集中各所述可用车辆的位置信息对应的区块标识；
第一构建子模块，用于将同一所述区块标识对应的各所述可用车辆构建为所述区块标识对应的区块的区块可用车辆集。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
将预设的目标区域划分为多个区块，并获取各时间周期内每一所述区块的区块可用车辆集；
针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集；
比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集；
对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，并将所述车辆流动量确定为所述目标区域的估计订单量。
第四方面，本申请还提供了一种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：
将预设的目标区域划分为多个区块，并获取各时间周期内每一所述区块的区块可用车辆集；
针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集；
比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集；
对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，并将所述车辆流动量确定为所述目标区域的估计订单量。
上述数据处理方法、装置、计算机设备和存储介质，将预设的目标区域划分为多个区块，并获取各时间周期内每一所述区块的区块可用车辆集；针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集；比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集；对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，并将所述车辆流动量确定为所述目标区域的估计订单量。采用本方法，将目标区域划分为多个区块，并以区块为单位进行数据处理，即针对每一区块的区块可用车辆集，将区块可用车辆集与第一车辆集和第二车辆集进行比对，得到流入车辆集和流出车辆集，明确了区块内车辆的流入流出情况。然后，将流入车辆集和流出车辆集进行处理，得到了目标区域的车辆流动量，该车辆流动量能够更加准确的表征目标区域的订单量，因此，将车辆流动量确定为估计订单量，提高了数据处理方法的准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中数据处理方法的流程示意图；
图2为一个实施例中获取各区块可用车辆集步骤的流程示意图；
图3为一个实施例中获取可用车辆集步骤的流程示意图；
图4为一个实施例中确定第一车辆集和第二车辆集步骤的流程示意图；
图5为一个实施例中确定流入车辆集和流出车辆集步骤的流程示意图；
图6为一个实施例中确定目标区域的车辆流动量步骤的流程示意图；
图7为一个实施例中数据处理装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种数据处理方法，本申请实施例以该方法应用于计算机设备为例进行说明，本申请实施例对于数据处理方法的执行设备不做限定，包括以下步骤102至步骤108：
步骤102，将预设的目标区域划分为多个区块，并获取各时间周期内每一区块的区块可用车辆集。
其中，区块可用车辆集包含某一时间周期内该区块内的各可用车辆。
在实施中，计算机设备中预先设置有目标区域和初始时间周期。计算机设备根据预设的划分标准将预设的目标区域划分为多个区块。然后，计算机设备按照预设的时间间隔将初始时间周期划分为多个时间周期。计算机设备获取各时间周期内每一区块的区块可用车辆集。
具体地，计算机设备中预先设置的初始时间周期为1天，目标区域可以为目标城市。计算机设备获取目标城市的服务区范围。其中，服务区范围为预先设置的可以为用户提供车辆服务的范围。计算机设备根据uber H3标准（一个六边形分层索引网格系统）将服务区划分为11级的H3区块，划分得到的H3区块大致为边长为25m的六边形区域。其中，划分的级别越高，得到的H3区块范围越小，数据处理方法的准确性越高；划分的级别越低，得到的H3区块范围越大，数据处理方法的准确性越低。然后，计算机设备按照30min（minute，分钟）的时间间隔对初始时间周期进行划分，得到48个时长为30min的时间周期。例如，将一天以M（比如30）分钟的时间间隔划分为连续的N（比如48）个时刻，即从1至N，分别表示从0:00至23:59之间的N个时刻。其中M与N的关系如下公式（1）所示：
（1）
其中，在上述公式（1）中，M为时间间隔，N为划分得到的时间周期。
可选的，初始时间周期可以为1天或者7天，本申请实施例对初始时间周期不做限定。
可选的，时间间隔可以设置为30分钟，也可以设置为60分钟，根据数据处理需求确定，本申请实施例对时间间隔不做限定。
可选的，目标区域可以为一个城市，也可以为一个县城，本申请实施例对目标区域不做限定。
步骤104，针对每一区块可用车辆集，确定与区块可用车辆集对应的第一车辆集和第二车辆集。
其中，区块可用车辆集对应的时间周期为当前时间周期。区块可用车辆集对应的第一车辆集为当前时间周期的上一时间周期对应的区块可用车辆集。区块可用车辆集对应的第二车辆集为当前时间周期的下一时间周期对应的区块可用车辆集。区块可用车辆集对应的第一车辆集和第二车辆集与区块可用车辆集同属一个区块。
在实施中，计算机设备针对每一区块可用车辆集，根据区块可用车辆集对应的时间周期和区块标识，在各区块可用车辆集中确定与该区块可用车辆集对应的第一车辆集和第二车辆集。
步骤106，比对区块可用车辆集和第一车辆集，得到流入车辆集，并比对区块可用车辆集和第二车辆集，得到流出车辆集。
在实施中，计算机设备比对区块可用车辆集和第一车辆集，确定区块可用车辆集存在的可用车辆且第一车辆集不存在的可用车辆为流入车辆。然后，计算机设备根据各流入车辆构建流入车辆集。计算机设备比对区块可用车辆集和第二车辆集，确定区块可用车辆集存在的可用车辆且第二车辆集不存在的可用车辆为流出车辆。然后，计算机设备根据各流出车辆构建流出车辆集。
步骤108，对各流出车辆集和各流入车辆集进行处理，得到目标区域的车辆流动量，并将车辆流动量确定为目标区域的估计订单量。
在实施中，计算机设备确定各流出车辆集对应的各流出车辆量，并确定各流入车辆集对应的各流入车辆量。然后，计算机设备对各流出车辆量和各流入车辆量进行数据处理，得到目标区域的车辆流动量。计算机设备将车辆流动量确定为目标区域的估计订单量。
上述数据处理方法中，将目标区域划分为多个区块，并以区块为单位进行数据处理，即针对每一区块的区块可用车辆集，将区块可用车辆集与第一车辆集和第二车辆集进行比对，得到流入车辆集和流出车辆集，明确了区块内车辆的流入流出情况。然后，将流入车辆集和流出车辆集进行处理，得到了目标区域的车辆流动量，该车辆流动量能够更加准确的表征目标区域的订单量，因此，将车辆流动量确定为估计订单量，提高了数据处理方法的准确性。
在一个示例性的实施例中，如图2所示，步骤102中的获取各时间周期内每一区块的区块可用车辆集的具体处理过程包括步骤202至步骤206。其中：
步骤202，获取各时间周期内的可用车辆集。
其中，可用车辆集中包含目标区域的各可用车辆的位置信息。
在实施中，计算机设备获取各时间周期的初始车辆集。然后，计算机设备根据目标区域的服务区范围和预设的可用车辆状态条件，筛选各初始车辆集，得到各时间周期内的可用车辆集。
步骤204，针对每一可用车辆集，确定可用车辆集中各可用车辆的位置信息对应的区块标识。
在实施中，计算机设备针对每一可用车辆集，确定可用车辆集中每一可用车辆的位置信息对应的区块标识。
步骤206，将同一区块标识对应的各可用车辆构建为区块标识对应的区块的区块可用车辆集。
在实施中，计算机设备将包含同一区块标识对应的各可用车辆构建为区块标识对应的区块的区块可用车辆集。
本实施例中，针对每一可用车辆集，按照可用车辆集中的各可用车辆的位置信息的区块标识对可用车辆集进行划分，得到各区块的区块可用车辆集，便于后续以区块为单位，对区块可用车辆集进行数据处理。
在一个示例性的实施例中，如图3所示，步骤202的具体处理过程包括步骤302至步骤306。其中：
步骤302，获取各时间周期内的初始车辆集。
其中，初始车辆集中包含全量车辆的状态信息和位置信息。
在实施中，计算机设备获取各时间周期内全量车辆的状态信息和位置信息。然后，计算机设备针对每一时间周期，根据时间周期内全量车辆的状态信息和位置信息构建该时间周期内的初始车辆集。
步骤304，针对每一时间周期内的初始车辆集，根据预设的可用车辆状态条件和各车辆的状态信息，对初始车辆集进行筛选，得到初始可用车辆集。
其中，初始可用车辆集中包含各初始可用车辆。可用车辆状态条件为车辆的车辆状态不为骑行中、故障中、维保中、仓库中。
在实施中，计算机设备针对每一时间周期的初始车辆集，将初始车辆集中车辆状态不为骑行中、故障中、维保中、仓库中的车辆确定为初始可用车辆。然后，计算机设备根据各初始可用车辆，构建初始可用车辆集。
步骤306，根据目标区域的服务区范围和各初始可用车辆的位置信息，在初始可用车辆集中确定可用车辆集。
其中，初始可用车辆的位置信息中包含该初始可用车辆所在的经纬度坐标。
在实施中，计算机设备针对初始可用车辆集中的每一初始可用车辆，判断初始可用车辆所在经纬度坐标是否在目标区域的服务区范围内。若初始可用车辆所在经纬度坐标在目标区域的服务区范围内，计算机设备将该初始可用车辆确定为可用车辆。然后，计算机设备根据各可用车辆构建可用车辆集。
本实施例中，通过目标区域的服务区范围和预设的可用车辆状态条件，对各初始车辆集进行筛选，得到可用车辆集，明确了各时间周期内可以供用户使用的车辆，便于根据可用车辆集确定车辆流动量。
在一个示例性的实施例中，如图4所示，步骤104的具体处理过程包括步骤402至步骤408。其中：
步骤402，针对每一区块可用车辆集，确定区块可用车辆集对应的当前时间周期和目标区块标识。
在实施中，计算机设备针对每一区块可用车辆集，将区块可用车辆集对应的时间周期确定为当前时间周期。然后，计算机设备将区块可用车辆集中可用车辆的位置信息的区块标识确定为目标区块标识。
步骤404，将当前时间周期的上一时间周期确定为第一时间周期，并将当前时间周期的下一时间周期确定为第二时间周期。
在实施中，计算机设备将当前时间周期的上一时间周期确定为第一时间周期。然后，计算机设备将当前时间周期的下一时间周期确定为第二时间周期。
在一个可选的实施例中，若当前时间周期为第二天的0:00到0:29，计算机设备将第一天的23：30至23：59确定为第一时间周期。
在一个可选的实施例总，若当前时间周期为第一天的23：30至23：59，计算机设备将第二天的0:00到0:29确定为第二时间周期。
步骤406，在各区块可用车辆集中，确定第一时间周期和目标区块标识对应的第一车辆集。
在实施中，计算机设备在各区块可用车辆集中，将第一时间周期和目标区块标识对应的区块可用车辆集为第一车辆集。
步骤408，在各区块可用车辆集中，确定第二时间周期和目标区块标识对应的第二车辆集。
在实施中，计算机设备在各区块可用车辆集中，将第二时间周期和目标区块标识对应的区块可用车辆集为第二车辆集。
本实施例中，针对每一区块可用车辆集，根据区块可用车辆集的区块标识和当前时间周期，确定区块可用车辆集对应的第一车辆集和第二车辆集，便于后续明确可用车辆的去留，进而确定车辆流动量。
在一个示例性的实施例中，如图5所示，步骤106的具体处理过程包括步骤502至步骤504。其中：
步骤502，对比区块可用车辆集和第一车辆集，将区块可用车辆集存在的可用车辆且第一车辆集不存在的可用车辆确定为流入车辆，并根据各流入车辆构建流入车辆集。
在实施中，计算机设备对比区块可用车辆集和区块可用车辆集对应的第一车辆集，将区块可用车辆集存在的可用车辆且第一车辆集不存在的可用车辆确定为流入车辆。然后，计算机设备根据各流入车辆构建流入车辆集。
在一可选的实施例中，计算机设备根据初始时间周期区块流入数算法，对初始时间周期内的各区块可用车辆集和各第一车辆集进行处理，得到初始时间周期内区块的车辆流入数。其中，初始时间周期区块流入数算法如下公式（2）所示：
（2）
其中，在上述公式（2）中，i表示第i个区块，j表示第j个时间周期。表示第i个区块在第j个时间周期的区块可用车辆集。/>为区块可用车辆集对应的第一车辆集。/>表示第j-1个时间周期不在第i个区块中但第j个时间周期在第i个区块中的车辆数；如果j=1，则j-1表示昨日的最后一个时间周期。区块估计流入数为初始时间周期内区块的车辆流入数。
步骤504，对比区块可用车辆集和第二车辆集，将区块可用车辆集存在的可用车辆且第二车辆集不存在的可用车辆确定为流出车辆，并根据各流出车辆构建流出车辆集。
在实施中，计算机设备对比区块可用车辆集和区块可用车辆集对应的第二车辆集，将区块可用车辆集存在的可用车辆且第二车辆集不存在的可用车辆确定为流出车辆。然后，计算机设备根据各流出车辆构建流出车辆集。
在一可选的实施例中，计算机设备根据初始时间周期区块流出数算法，对初始时间周期内的各区块可用车辆集和各第二车辆集进行处理，得到初始时间周期内区块的车辆流出数。其中，初始时间周期区块流出数算法如下公式（3）所示：
（3）
其中，在上述公式（3）中，i表示第i个区块，j表示第j个时间周期，表示第i个区块在第j个时间周期的区块可用车辆集，/>为区块可用车辆集对应的第二车辆集。/>表示第j个时间周期在第i个区块中但第j+1个时间周期不在第i个区块中的车辆数；如果j=N，则j+1表示次日的第一个时间周期。区块估计流出数为初始时间周期内区块的车辆流出数。
本实施例中，通过比对区块可用车辆集和第一车辆集，得到流入车辆集，可以明确区块在每一时间周期内的流入车辆的数量，并通过比对区块可用车辆集和第二车辆集，得到流出车辆集，可以明确区块在每一时间周期内的流出车辆的数量，便于后续确定车辆流动量。
在一个示例性的实施例中，如图6所示，步骤108中的对各流出车辆集和各流入车辆集进行处理，得到目标区域的车辆流动量的具体处理过程包括步骤602至步骤606。其中：
步骤602，确定各流出车辆集对应的流出车辆量，并对各流出车辆量进行加法处理，得到目标区域的流出量。
在实施中，计算机设备确定每一流出车辆集对应的流出车辆量。然后，计算机设备将各流出车辆量进行加法处理，得到目标区域的流出量。其中，该流出量表征目标区域在初始时间周期车辆流出各区块的数量。
在一可选的实施例中，计算机设备按照预设的流出车辆量算法对初始时间周期内各区块的车辆流出数进行加法运算，得到目标区域的流出量。其中，流出车辆量算法如下公式（4）所示：
（4）
其中，在上述公式（4）中，估计流出数为流出量，i表示第i个区块，区块估计流出数为初始时间周期内区块的车辆流出数。
步骤604，确定各流入车辆集对应的流入车辆量，并对各流入车辆量进行加法处理，得到目标区域的流入量。
在实施中，计算机设备确定每一流入车辆集对应的流入车辆量。然后，计算机设备将各流入车辆量进行加法处理，得到目标区域的流入量。其中，该流入量表征目标区域在初始时间周期车辆流入各区块的数量。
在一可选的实施例中，计算机设备按照预设的流入车辆量算法对初始时间周期内各区块的车辆流入数进行加法运算，得到目标区域的流入量。其中，流入车辆量算法如下公式（5）所示：
（5）
其中，在上述公式（5）中，估计流入数为流入量，i表示第i个区块，区块估计流入数为初始时间周期内区块的车辆流入数。
步骤606，对流出量和流入量进行均值处理，得到目标区域的车辆流动量。
在实施中，计算机设备根据车辆流动量算法，对流出量和流入量进行均值处理，得到目标区域的车辆流动量。其中，车辆流动量算法如下公式（6）所示：
（6）
其中，在上述公式（6）中，估计流出数为流出数，估计流入数为流入数。
本实施例中，通过各流入车辆集和各流出车辆集得到流出量和流入量，并基于流出量和流入量确定车辆流动量，明确了目标区域内车辆的移动情况，便于后续将车辆流动量确定为估计订单量，提高了数据处理方法的准确性。
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数据处理方法的数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个数据处理装置实施例中的具体限定可以参见上文中对于数据处理方法的限定，在此不再赘述。
在一个示例性的实施例中，如图7所示，提供了一种数据处理装置700，包括：获取模块701、确定模块702、比对模块703和处理模块704，其中：
获取模块701，用于将预设的目标区域划分为多个区块，并获取各时间周期内每一区块的区块可用车辆集。
确定模块702，用于针对每一区块可用车辆集，确定与区块可用车辆集对应的第一车辆集和第二车辆集。
比对模块703，用于比对区块可用车辆集和第一车辆集，得到流入车辆集，并比对区块可用车辆集和第二车辆集，得到流出车辆集。
处理模块704，用于对各流出车辆集和各流入车辆集进行处理，得到目标区域的车辆流动量，并将车辆流动量确定为目标区域的估计订单量。
在一示例性实施例中，获取模块701划分子模块和第一获取子模块。其中，第一获取子模块包括：
第二获取子模块，用于获取各时间周期内的可用车辆集；可用车辆集中包含所述目标区域的各可用车辆的位置信息。
第一确定子模块，用于针对每一可用车辆集，确定可用车辆集中各可用车辆的位置信息对应的区块标识。
第一构建子模块，用于将同一区块标识对应的各可用车辆构建为区块标识对应的区块的区块可用车辆集。
在一示例性实施例中，第二获取子模块包括：
第三获取子模块，用于获取各时间周期内的初始车辆集；初始车辆集中包含全量车辆的状态信息和位置信息。
筛选子模块，用于针对每一时间周期内的初始车辆集，根据预设的可用车辆状态条件和各车辆的状态信息，对初始车辆集进行筛选，得到初始可用车辆集；初始可用车辆集中包含各初始可用车辆。
第二确定子模块，用于根据目标区域的服务区范围和各初始可用车辆的位置信息，在初始可用车辆集中确定可用车辆集。
在一示例性实施例中，确定模块702包括：
第三确定子模块，用于针对每一区块可用车辆集，确定区块可用车辆集对应的当前时间周期和目标区块标识。
第四确定子模块，用于将当前时间周期的上一时间周期确定为第一时间周期，并将当前时间周期的下一时间周期确定为第二时间周期。
第五确定子模块，用于在各区块可用车辆集中，确定第一时间周期和目标区块标识对应的第一车辆集。
第六确定子模块，用于在各区块可用车辆集中，确定第二时间周期和目标区块标识对应的第二车辆集。
在一示例性实施例中，比对模块703包括：
第一对比子模块，用于对比区块可用车辆集和第一车辆集，将区块可用车辆集存在的可用车辆且第一车辆集不存在的可用车辆确定为流入车辆，并根据各流入车辆构建流入车辆集。
第二对比子模块，用于对比区块可用车辆集和第二车辆集，将区块可用车辆集存在的可用车辆且第二车辆集不存在的可用车辆确定为流出车辆，并根据各流出车辆构建流出车辆集。
在一示例性实施例中，处理模块704包括第一处理子模块和第七确定子模块，其中，第一处理子模块包括：
第二处理子模块，用于确定各流出车辆集对应的流出车辆量，并对各流出车辆量进行加法处理，得到目标区域的流出量。
第三处理子模块，用于确定各流入车辆集对应的流入车辆量，并对各流入车辆量进行加法处理，得到目标区域的流入量。
第四处理子模块，用于对流出量和流入量进行均值处理，得到目标区域的车辆流动量。
上述数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，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8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种数据处理方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。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8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。
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 Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种数据处理方法，其特征在于，所述方法包括：
将预设的目标区域划分为多个区块，并获取各时间周期内每一所述区块的区块可用车辆集；
针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集；
比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集；
对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，并将所述车辆流动量确定为所述目标区域的估计订单量。
2.根据权利要求1所述的方法，其特征在于，所述获取各时间周期内每一所述区块的区块可用车辆集，包括：
获取各时间周期内的可用车辆集；所述可用车辆集中包含所述目标区域的各可用车辆的位置信息；
针对每一所述可用车辆集，确定所述可用车辆集中各所述可用车辆的位置信息对应的区块标识；
将同一所述区块标识对应的各所述可用车辆构建为所述区块标识对应的区块的区块可用车辆集。
3.根据权利要求2所述的方法，其特征在于，所述获取各时间周期内的可用车辆集，包括：
获取各时间周期内的初始车辆集；所述初始车辆集中包含全量车辆的状态信息和位置信息；
针对每一所述时间周期内的初始车辆集，根据预设的可用车辆状态条件和各所述车辆的所述状态信息，对所述初始车辆集进行筛选，得到初始可用车辆集；所述初始可用车辆集中包含各初始可用车辆；
根据目标区域的服务区范围和各所述初始可用车辆的所述位置信息，在所述初始可用车辆集中确定可用车辆集。
4.根据权利要求1所述的方法，其特征在于，所述针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集，包括：
针对每一所述区块可用车辆集，确定所述区块可用车辆集对应的当前时间周期和目标区块标识；
将所述当前时间周期的上一时间周期确定为第一时间周期，并将所述当前时间周期的下一时间周期确定为第二时间周期；
在各所述区块可用车辆集中，确定所述第一时间周期和所述目标区块标识对应的第一车辆集；
在各所述区块可用车辆集中，确定所述第二时间周期和所述目标区块标识对应的第二车辆集。
5.根据权利要求1所述的方法，其特征在于，所述比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集，包括：
对比所述区块可用车辆集和所述第一车辆集，将所述区块可用车辆集存在的可用车辆且所述第一车辆集不存在的可用车辆确定为流入车辆，并根据各所述流入车辆构建流入车辆集；
对比所述区块可用车辆集和所述第二车辆集，将所述区块可用车辆集存在的可用车辆且所述第二车辆集不存在的可用车辆确定为流出车辆，并根据各所述流出车辆构建流出车辆集。
6.根据权利要求1所述的方法，其特征在于，所述对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，包括：
确定各所述流出车辆集对应的流出车辆量，并对各所述流出车辆量进行加法处理，得到目标区域的流出量；
确定各所述流入车辆集对应的流入车辆量，并对各所述流入车辆量进行加法处理，得到所述目标区域的流入量；
对所述流出量和所述流入量进行均值处理，得到所述目标区域的车辆流动量。
7.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于将预设的目标区域划分为多个区块，并获取各时间周期内每一所述区块的区块可用车辆集；
确定模块，用于针对每一所述区块可用车辆集，确定与所述区块可用车辆集对应的第一车辆集和第二车辆集；
比对模块，用于比对所述区块可用车辆集和所述第一车辆集，得到流入车辆集，并比对所述区块可用车辆集和所述第二车辆集，得到流出车辆集
处理模块，用于对各所述流出车辆集和各所述流入车辆集进行处理，得到所述目标区域的车辆流动量，并将所述车辆流动量确定为所述目标区域的估计订单量。
8.根据权利要求7所述的数据处理装置，其特征在于，所述获取模块划分子模块和第一获取子模块，所述第一获取子模块包括：
第二获取子模块，用于获取各时间周期内的可用车辆集；所述可用车辆集中包含所述目标区域的各可用车辆的位置信息；
第一确定子模块，用于针对每一所述可用车辆集，确定所述可用车辆集中各所述可用车辆的位置信息对应的区块标识；
第一构建子模块，用于将同一所述区块标识对应的各所述可用车辆构建为所述区块标识对应的区块的区块可用车辆集。
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6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6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410282325.7A CN117876027A (zh) | 2024-03-13 | 2024-03-13 | 数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410282325.7A CN117876027A (zh) | 2024-03-13 | 2024-03-13 | 数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117876027A true CN117876027A (zh) | 2024-04-12 |
Family
ID=90590346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410282325.7A Pending CN117876027A (zh) | 2024-03-13 | 2024-03-13 | 数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876027A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766280A (zh) * | 2019-09-20 | 2020-02-07 | 南京领行科技股份有限公司 | 一种车辆调度方法、目标订单预测模型的生成方法和装置 |
| CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
| CN111861086A (zh) * | 2020-02-14 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种资源配置方法和系统 |
| CN114819414A (zh) * | 2022-06-24 | 2022-07-29 | 北京阿帕科蓝科技有限公司 | 一种区块需求预测方法、系统及计算机存储介质 |
| CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
| 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 |
| CN117252307A (zh) * | 2023-11-14 | 2023-12-19 | 北京阿帕科蓝科技有限公司 | 流量预测方法、装置、计算机设备和存储介质 |
-
2024
- 2024-03-13 CN CN202410282325.7A patent/CN117876027A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766280A (zh) * | 2019-09-20 | 2020-02-07 | 南京领行科技股份有限公司 | 一种车辆调度方法、目标订单预测模型的生成方法和装置 |
| CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
| CN111861086A (zh) * | 2020-02-14 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种资源配置方法和系统 |
| CN114819414A (zh) * | 2022-06-24 | 2022-07-29 | 北京阿帕科蓝科技有限公司 | 一种区块需求预测方法、系统及计算机存储介质 |
| CN116341773A (zh) * | 2023-06-01 | 2023-06-27 | 北京阿帕科蓝科技有限公司 | 车辆需求预测方法、装置、计算机设备和存储介质 |
| 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 |
| CN117252307A (zh) * | 2023-11-14 | 2023-12-19 | 北京阿帕科蓝科技有限公司 | 流量预测方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110968585B (zh) | 面向列的存储方法、装置、设备及计算机可读存储介质 | |
| CN110019622A (zh) | 一种实时海量地图点位聚合方法及装置 | |
| CN116503098B (zh) | 共享车辆车站的挖掘方法、装置、计算机设备和存储介质 | |
| CN117435129A (zh) | 存储集群扩容方法、装置、计算机设备和存储介质 | |
| CN116883563B (zh) | 标注点渲染方法、装置、计算机设备、存储介质 | |
| CN116681470A (zh) | 门店选址方法、装置、计算机设备、存储介质和产品 | |
| CN117033766A (zh) | 业务处理行为预测方法、装置、计算机设备和存储介质 | |
| CN117876027A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN114022518A (zh) | 图像的光流信息获取方法、装置、设备和介质 | |
| CN111857630B (zh) | 地图多屏显示方法、装置、计算机设备和存储介质 | |
| CN116527908B (zh) | 运动场估计方法、装置、计算机设备和存储介质 | |
| CN116822916B (zh) | 订单量获取方法、装置、计算机设备和存储介质 | |
| CN116522148A (zh) | 车辆行驶轨迹确定方法、装置、计算机设备和存储介质 | |
| CN117332432B (zh) | 数据脱敏方法、装置、计算机设备和存储介质 | |
| 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 | |
| CN116821530A (zh) | 车辆保有量计算方法、装置、计算机设备及存储介质 | |
| CN117312653A (zh) | 服务策略确定方法、装置、计算机设备和存储介质 | |
| CN117290741A (zh) | 车辆聚类方法、装置、计算机设备和存储介质 | |
| CN116862358A (zh) | 多仓库路径规划方法、装置、计算机设备、介质和产品 | |
| CN117349320A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN117453957A (zh) | 资源处理方法、装置、计算机设备和存储介质 | |
| CN118353009A (zh) | 电力资源配置方法、装置、设备、介质和产品 | |
| CN116186417A (zh) | 推荐方法、装置、计算机设备和存储介质 | |
| CN116205392A (zh) | 车辆路线的确定方法、装置、计算机设备和存储介质 | |
| CN116798234A (zh) | 车站参数信息的确定方法、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 |