CN107451714A - 一种基于大数据分析的共享交通资源时域配置方法及*** - Google Patents
一种基于大数据分析的共享交通资源时域配置方法及*** Download PDFInfo
- Publication number
- CN107451714A CN107451714A CN201710483141.7A CN201710483141A CN107451714A CN 107451714 A CN107451714 A CN 107451714A CN 201710483141 A CN201710483141 A CN 201710483141A CN 107451714 A CN107451714 A CN 107451714A
- Authority
- CN
- China
- Prior art keywords
- demand
- user
- shared
- rented
- object unit
- 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
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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种对共享交通资源实现时域预测配置的方法以及相应***。本发明基于大数据分析,实现了对隐形、时变的用户租用需求热点区域的发现以及预测,进而实现了一种科学化、定量化的共享交通资源配置解决方案,对于保障热点地带用户租用需求与可用共享交通资源数量在空间和时域上的相互匹配具有重要作用,从根本上提升资源利用效率和改善用户体验。
Description
技术领域
本发明属于智慧交通领域,具体涉及一种基于大数据分析的共享交通资源时域配置方法及***。
背景技术
共享型交通工具由运营商拥有并投放到城市公路交通当中,任何用户可以经身份认证之后租借使用该交通工具,并且在使用完毕后将该交通工具归还,以便供其他用户继续租借和使用该交通工具,根据对交通工具的使用时间为用户计费。共享型交通工具在提高车辆利用率、减少公路总车流辆、降低出行成本、节能环保等方面具有积极的意义。
城市中的公共自行车就属于最常见的共享型交通工具。特别是近年来,与手机上网、二维码、移动支付、GPS定位等网络通信服务相结合,以随处可取、随处可还模式运营的共享自行车服务在各大城市中迅速兴起。使用者可在共享自行车运营商提供的网络服务中登记为注册用户并进行一定的预储值;当注册用户需要租用自行车时,即可以来到距离自己尽可能近的共享自行车停放位置,并通过自己手机扫描该共享自行车车身上所附的二维码打开车锁,从而完成对该共享自行车的租用;在共享自行车使用完成之后,用户将该车停放在道路两侧不影响交通的位置处,锁闭车锁即完成归还操作;运营商的网络服务基于对用户租用车辆时长的计量来核减用户的储值额度;一般共享自行车服务还提供对注册用户手机实时位置和每辆共享自行车实时位置的GPS定位,以便为用户查找自身附近的共享自行车提供便利。
从***优化的角度来看,如何以有限的共享交通工具资源总量来满足尽可能多的用户租用需求,对于运营商来说是一个关键的问题,因为这对于降低运行成本、提高用户体验满意度是非常重要的。
满足用户租用需求的一个核心方面在于,能够使用户从距离自己尽可能近的位置处获得可用的共享交通工具。以最常见的共享自行车为例,由于大多数用户均是将其作为在中、短距离上代步的工具,因此,如果可用的共享自行车全都距离用户过远,则用户就很有可能放弃本次租用的打算。可见,尽可能保障在离大多数用户较近的距离范围内均具有可用的共享交通工具资源,才能够满足并鼓励用户的租用需求。
从资源配置的角度来看,用户的租用需求是在整个城区大小的空间范围内分布存在的。而且,用户租用需求在该空间范围之内并不是平均分布的,而是集簇分布的;也就是说,在城区空间范围中存在很多个用户租用需求数量较大且分布非常集中的热点,例如人员密集且流动性大的地铁站点、医院、大型商场、高层写字楼、居民密集型小区等地带就很容易成为用户租用需求聚集分布的热点;以热点为中心,用户租用需求一般向着该中心热点的周边辐射区域逐渐扩散开来,扩散至距离热点越远的地带,用户租用需求的数量就越小,且分布密度越稀疏;直至进入另一个热点的辐射区域。
空间上看,用户租用需求呈现以热点为中心集簇分布的性质。而从时域上来看,用户租用需求具有明显的时变特性。在一个时间周期(例如24小时)之内,热点的存在与否是随着时间推移而变化的;热点处的用户租用需求数量也处在持续性的变化之中。例如,写字楼在工作日的下班时段往往会成为用户租用需求的热点,但在其它时段该热点是不存在的;又例如,某些繁华的地铁站点在其整个营运时段都属于热点,但是该热点在不同时段上用户租用需求的数量变化是非常明显的,在早晚上下班高峰时段该热点的用户租用需求相对于其它时段的用户租用需求会呈现一个数量级以上的增大。
可用的共享交通工具资源同样是在城区空间范围内分布放置的。而且,可用共享交通工具资源的分布也经常出现集簇的现象。在某些地点,共享交通工具的输入量持续性地高于输出量,例如某些地铁站点停车进站人数持续高于出站取车人数;或者,某些地点共享交通工具的输出量不足以充分消减该地点的已有存量,例如,写字楼在早间上班时段由于大量上班族用户停车进楼而积累了较多的存量,但在下班之前的工作时段,取车外出的上班族用户数量很少,不足以对已经形成的存量造成明显影响;因而,就会出现大量的可用共享交通资源在某一地点沉积下来的情形。
可用共享交通资源的沉积,无疑就意味着资源配置上存在低效率的情况。沉积下来的共享交通工具无法满足附近其它地带-特别是用户租用需求热点地带-的用户租用需求,于是就经常会出现某个地带大量共享交通工具闲置,而就在短短一两公里之外的某个用户租用需求热点地带却空无一车,潜在使用者被迫放弃租车的打算。例如,在下班时段,经常就会出现以下现象:某个地铁站点由于停车进站回家的人数始终多于出站租车人数,造成该地铁站附近大量共享交通工具堆积,不但浪费资源还阻塞交通;相反,就在一两公里之内的某个写字楼,其楼下停放的共享交通工具早已经被租用一空,还有很多即将下班的***无法租借到车辆。
可见,由于共享交通工具的用户租用需求在空间上集簇分布,且具有较强的时变特性;而共享交通工具本身的集簇沉积通常无法在时间和空间上与用户租用需求热点达到分布相一致;因而,如何使各个用户租用需求的热点附近区域内存在的可用交通工具资源总量与该区域中用户租用需求总量二者在各个时段保持匹配;特别是进行未来一个时段上用户租用需求的量化预测,发现潜在的用户租用需求热点,并相应调配共享交通资源,是解决在离大多数用户较近的距离范围内均具有可用的共享交通工具资源这一问题的重点解决方案。
目前,各种共享型交通资源提供商-特别是共享单车运营商-均采取一定的共享交通资源调配措施来解决上述问题;例如,共享单车运营商可以基于GPS定位发现某些地点出现了共享单车的集簇沉积现象,而某些地带的共享单车分布较稀疏,甚至出现分布空白,于是就安排货运机动车作为调度车,将沉积地点的单车收走,再布放到分布稀疏和空白的地带。
但是,上述手段单纯依靠监测共享交通资源在空间中分布数量或密度来决定配置方案,无法根本上使其与未来一个时间段上用户租用需求的时空分布相一致,精确性和预测性都非常低。
事实上,在现有的技术手段下,对用户租用需求的定量化预测是较为难以实现的,因为用户租用需求一般是隐性存在的。在现有共享单车服务中,虽然具有提前约车的功能,但由于会增加租车计时,使用该功能的用户比较少,因而利用约车功能统计出来的用户租车需求分布是根本不准确的。多数用户是在出行时通过定位查找附近车辆的方式实时找车的,也就是说,运营平台只有在用户租用已经临近发生了才能获知该租用需求;还有相当大比例的用户是来到道路两侧以目视来发现周边是否存在可用共享车辆的,这种情况下运营平台根本无法提前获得用户租用需求。而且,调配共享车辆资源需要一定的作业时间,一般要在0.5-1小时左右,对用户租用需求的预测提前量需要大于该作业时间,否则就无法利用预测结论来指挥完成调配。
大数据技术是由具有海量级数据负荷能力的运算平台,针对各种服务运营当中产生的业务数据,运用高度智能化的算法,执行数据的汇集、处理和分析,挖掘各种信息当中有意义的相互联系和变化规律,并加以实际应用。大数据技术可以广泛适用于在已有数据基础之上,对事物未来发展变化展开预测。
可见,探索基于大数据分析实现的共享交通资源配置解决方案,对于保障热点地带用户租用需求与可用共享交通资源数量在空间和时域上的相互匹配,从而从根本上提升资源利用效率和改善用户体验,是非常必要的。
发明内容
为了满足现有技术存在的上述需求,本发明提供一种基于大数据分析对共享交通资源实现时域预测配置的方法与***。
本发明所述的对共享交通资源实现时域预测配置的方法,其特征在于:
步骤1,针对共享单车等共享交通资源平台下的每台共享交通工具,记录其在第N个用户租用过程结束时间TE(N)与第N+1个用户租用过程开始时间TS(N+1)之间的等待租用时长WT(N),并且利用GPS定位确定该台共享交通工具在等待租用时长WT(N)期间所在的等待空间位置WP(N),将WT(N)与WP(N)关联起来作为该台共享交通工具所产生的一个分析对象单元进行存储;
步骤2,获得在当前时间之前一个预定时间段内,在该共享交通资源平台下的全部共享交通工具所产生的全部分析对象单元,汇聚为用户租用需求分析样本;
步骤3,利用分类算法对所述用户租用需求分析样本当中的分析对象单元进行分类处理,从该用户租用需求分析样本中遴选出属于用户租用需求热点类的分析对象单元;
步骤4,根据遴选出来的属于用户租用需求热点类的分析对象单元的等待空间位置WP(N),将这些分析对象单元聚集为若干个彼此位置接近的分组;根据每个分组中的分析对象单元的等待空间位置WP(N),确定用户租用需求的热点空间区域以及该区域中心;
步骤5,根据分析对象单元的等待空间位置WP(N),确定归属于每个热点空间区域的分析对象单元;
步骤6,根据归属于每个热点空间区域的分析对象单元的等待租用时长WT(N),统计这些等待租用时长WT(N)的分布特性;参照等待租用时长WT(N)分布特性与用户租用需求量的模式映射表,预测热点空间区域的预期用户租用需求量;
步骤7,确定热点空间区域内的可用共享交通工具量,根据预期用户租用需求量与可用共享交通工具量,从用户租用需求的热点空间区域中选取资源缺乏区域;
步骤8,利用GPS定位确定每台可用共享交通工具的实时位置RP,确定可用共享交通资源分布集簇区域;
步骤9,根据可用共享交通资源分布集簇区域与用户租用需求的热点空间区域之间的相对位置关系,从可用共享交通资源分布集簇位置中选取可用共享交通资源沉积区域,并确定与之对应的资源缺乏区域,以及确定资源调配量;
步骤10,执行由可用共享交通资源沉积位置至与之对应的资源缺乏区域之间的共享交通资源调配。
优选的是,步骤3中,根据预定的用户租用需求热点提取标准,提取符合该标准的一部分分析对象单元,作为分类训练样本;将所述分类训练样本输入分类器进行训练;将用户租用需求分析样本当中的分析对象单元输入训练之后的分类器,进行分类处理;根据分类结果,从该用户租用需求分析样本中遴选出属于用户租用需求热点类的分析对象单元。
进一步优选的是,所述用户租用需求热点提取标准为:分析对象单元的等待租用时长WT(N)短于等待时长阈值,且该分析对象单元与其它WT(N)短于等待时长阈值的分析对象单元的间距小于距离阈值。
进一步优选的是,步骤3中分类器采用贝叶斯分类器或SVM分类器。
优选的是,步骤4中,对于遴选出来的属于用户租用需求热点类的分析对象单元,根据等待空间位置WP(N),计算遴选出来的各个分析对象单元的间距;根据这些间距,利用聚类算法将分析对象单元进行聚类,使得同一类中的分析对象单元之间的总间距最小化,且不同类中的分析对象单元之间的总间距最大化;将聚类之后每一类中的分析对象单元归为一个彼此位置接近的分组。
进一步优选的是,步骤4中,对于每个分组中的分析对象单元,根据其等待空间位置WP(N),将能够覆盖该分组中的全部分析对象单元且面积最小的圆形区域确定为用户租用需求的热点空间区域,并将该圆形的圆心作为该区域的中心。
优选的是,步骤6中,划分若干时间区间,并统计等待租用时长WT(N)进入每个时间区间范围内的分析对象单元的数量,作为所述等待租用时长WT(N)的分布特性。
优选的是,步骤6中,预先选定若干实验性热点空间区域,向实验性热点空间区域中投放预定数量的可用共享交通工具,并且采集该实验性热点空间区域的分析对象单元的等待租用时长WT(N),统计其分布特性;通过调节可用共享交通工具的投放数量,记录与该投放数量相对应的等待租用时长WT(N);将投放数量作为用户租用需求量,与相应的等待租用时长WT(N)的分布特性相关联计入所述模式映射表。
优选的是,步骤8中,将共享交通服务覆盖的空间区域划分为若干圆形区域,根据每台可用共享交通工具的实时位置RP,计算每个区域中可用共享交通工具的分布密度,并且将分布密度在一定时间长度内持续大于阈值的区域作为可用共享交通资源分布集簇位置。
优选的是,步骤9中,计算可用共享交通资源分布集簇区域与用户租用需求的热点空间区域之间的间距(例如,可用共享交通资源分布集簇区域的圆心与热点空间区域的圆心之间的间距);如果可用共享交通资源分布集簇区域预定的距离内没有用户租用需求的热点空间区域,则将该可用共享交通资源分布集簇区域作为可用共享交通资源沉积区域;并且根据所述间距确定与之对应的资源缺乏区域。
本发明进而提供了一种共享交通工具资源时域配置***,其特征在于,包括:
共享交通工具,具有GPS定位功能,获取自身的实时位置;并且具有计时功能,可获取每次用户租用过程的开始时间和结束时间;还具有无线通信功能,可上传所述实时位置以及所述开始时间和结束时间;
通信模块,用于与共享交通资源平台下的每台共享交通工具建立无线通信连接,并接收每台共享交通工具发送的所述实时位置以及所述开始时间和结束时间;
分析对象单元生成模块,针对共享单车等共享交通资源平台下的每台共享交通工具,记录其在第N个用户租用过程结束时间TE(N)与第N+1个用户租用过程开始时间TS(N+1)之间的等待租用时长WT(N),并且利用GPS定位确定该台共享交通工具在等待租用时长WT(N)期间所在的等待空间位置WP(N),将WT(N)与WP(N)关联起来作为该台共享交通工具所产生的一个分析对象单元进行存储;
用户租用需求分析样本生成单元,用于获得在当前时间之前一个预定时间段内,在该共享交通资源平台下的全部共享交通工具所产生的全部分析对象单元,汇聚为用户租用需求分析样本;
分类热点遴选单元,用于利用分类算法对所述用户租用需求分析样本当中的分析对象单元进行分类处理,从该用户租用需求分析样本中遴选出属于用户租用需求热点类的分析对象单元;
热点空间区域确定单元,用于根据遴选出来的属于用户租用需求热点类的分析对象单元的等待空间位置WP(N),将这些分析对象单元聚集为若干个彼此位置接近的分组;根据每个分组中的分析对象单元的等待空间位置WP(N),确定用户租用需求的热点空间区域以及该区域中心;
分析对象单元归属确定单元,用于根据分析对象单元的等待空间位置WP(N),确定归属于每个热点空间区域的分析对象单元;
用户租用需求量预测单元,根据归属于每个热点空间区域的分析对象单元的等待租用时长WT(N),统计这些等待租用时长WT(N)的分布特性;参照等待租用时长WT(N)分布特性与用户租用需求量的模式映射表,预测热点空间区域的预期用户租用需求量;
资源缺乏区域决定单元,用于确定热点空间区域内的可用共享交通工具量,根据预期用户租用需求量与可用共享交通工具量,从用户租用需求的热点空间区域中选取资源缺乏区域;
交通资源分布监测单元,用于利用GPS定位确定每台可用共享交通工具的实时位置RP,确定可用共享交通资源分布集簇区域;
资源调配单元,根据可用共享交通资源分布集簇区域与用户租用需求的热点空间区域之间的相对位置关系,从可用共享交通资源分布集簇位置中选取可用共享交通资源沉积区域,并确定与之对应的资源缺乏区域,以及确定资源调配量;并且向资源调配执行工具下达资源调配指令;
资源调配执行工具,用于根据资源调配单元下达的资源调配指令,执行由可用共享交通资源沉积位置至与之对应的资源缺乏区域之间的共享交通资源调配。
可见,本发明基于大数据分析,实现了对隐形、时变的用户租用需求热点区域的发现以及预测,进而实现了一种科学化、定量化的共享交通资源配置解决方案,对于保障热点地带用户租用需求与可用共享交通资源数量在空间和时域上的相互匹配具有重要作用,从根本上提升资源利用效率和改善用户体验。
附图说明
图1是本发明对共享交通资源实现配置的实体架构示意图;
图2是本发明实现共享交通工具资源时域配置的大数据分析平台模块架构图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案做进一步具体的说明。
图1是本发明对共享交通资源实现配置的实体架构示意图。从实体设施的角度来看,本发明的***包括:海量的共享交通工具1、基于大数据分析实现共享交通工具资源时域配置的大数据分析平台2、一定数量的资源调配执行工具3。以目前较为普及的共享单车服务为例,海量的共享交通工具1为共享自行车;大数据分析平台2由共享单车服务运营商在服务器侧予以架设;资源调配执行工具3是用于流动调配共享自行车的机动车辆。
每台共享交通工具1具有GPS定位功能,获取自身的实时位置;并且具有计时功能,可获取每次用户租用过程的开始时间和结束时间;还具有无线通信功能,可上传所述实时位置以及所述开始时间和结束时间至所述大数据平台2。
大数据平台2基于大数据分析,实现了对隐形、时变的用户租用需求热点区域的发现以及预测,进而实现了一种科学化、定量化的共享交通资源配置解决方案。
大数据分析平台2的模块架构如图2所示,包括:通信模块201、分析对象单元生成模块202、用户租用需求分析样本生成单元203、分类热点遴选单元204、热点空间区域确定单元205、分析对象单元归属确定单元206、用户租用需求量预测单元207、资源缺乏区域决定单元208、交通资源分布监测单元209、资源调配单元210。
通信模块201用于与共享交通资源平台下的每台共享交通工具1建立无线通信连接,并接收每台共享交通工具1发送的所述实时位置以及所述开始时间和结束时间。通信模块201将收到的海量的所述实时位置以及所述开始时间和结束时间的数据存储在大数据平台的原始业务数据存储设备当中,以便实现后续的大数据分析。
在此基础之上,大数据分析平台2通过其各个功能模块,执行以下对共享交通资源实现时域预测配置的方法。
步骤1,由分析对象单元生成模块202执行;本步骤中,由于共享单车等共享交通资源平台下的每台共享交通工具都会把它的每个用户租用过程的开始时间和结束时间上传到大数据分析平台2,因此,分析对象单元生成模块202能够记录每台共享交通工具在第N个用户租用过程结束时间TE(N)与第N+1个用户租用过程开始时间TS(N+1)之间的等待租用时长WT(N)。并且,分析对象单元生成模块202可以获得每台共享交通工具利用自身GPS定位确定的其在任何一个时间点的空间位置,从而确定该台共享交通工具在每个等待租用时长WT(N)期间所在的等待空间位置WP(N),WP(N)可以用GPS定位模式下的空间位置坐标来表征。分析对象单元生成模块202将每台共享交通工具的每个WT(N)与WP(N)关联起来作为该台共享交通工具所产生的一个分析对象单元进行存储。
步骤2,由用户租用需求分析样本生成单元203执行;用户租用需求分析样本生成单元203获得在当前时间之前一个预定时间段内,在该共享交通资源平台下的全部共享交通工具所产生的全部分析对象单元,汇聚为用户租用需求分析样本。例如,用户租用需求分析样本生成单元203可以调取当前时间之前12或24个小时内全部共享交通工具所产生的全部分析对象单元,将全部的分析对象单元汇聚为用户租用需求分析样本。
步骤3,由分类热点遴选单元204利用大数据计算中常用的分类算法,对所述用户租用需求分析样本当中的全部分析对象单元进行分类处理,从该用户租用需求分析样本中遴选出属于用户租用需求热点类的分析对象单元。
具体来说,在步骤3中,分类热点遴选单元204运用大数据分析中常用且性能较佳的贝叶斯分类器或SVM分类器,按照如下方式实现大数据分类算法。首先,确定用户租用需求热点提取标准,该标准是分析对象单元的等待租用时长WT(N)短于等待时长阈值,且该分析对象单元与其它WT(N)短于等待时长阈值的分析对象单元的间距小于距离阈值;等待租用时长WT(N)短说明该共享交通工具所在位置用户租用需求旺盛,可用共享交通工具距离上一次用户租用过程结束后以很短的等待时长就被其他用户开始了新的用户租用过程;而该分析对象单元与一定数量的其它WT(N)短于等待时长阈值的分析对象单元的间距小于距离阈值,则表明该位置处旺盛的用户租用需求是集簇分布且具有一定数量规模的,并不是偶然和分散的。接下来,根据预定的用户租用需求热点提取标准,提取符合该标准的一部分分析对象单元,作为分类训练样本;可以从所述用户租用需求分析样本当中提取这些分类训练样本,也可以预设一部分符合用户租用需求热点提取标准的分析对象单元,作为分类训练样本。然后,将所述分类训练样本输入贝叶斯分类器或SVM分类器进行训练。进而,在训练过程完成之后,开始执行真正的分类计算过程,将用户租用需求分析样本当中的全部分析对象单元输入训练之后的分类器,进行分类处理,分类处理会生成与分类训练样本中的分析对象单元可归属于同一类的分析对象单元,以及不可归属于同一类的分析对象单元。根据输出的分类结果,将与分类训练样本中的分析对象单元可归属于同一类的分析对象单元,作为从该用户租用需求分析样本中遴选出来的分析对象单元,将这些遴选出来的分析对象单元归属于用户租用需求热点类。
步骤4,由热点空间区域确定单元205执行;根据遴选出来的属于用户租用需求热点类的分析对象单元,获取这些分析对象单元的等待空间位置WP(N),再利用对这些等待空间位置WP(N)展开聚类算法,将这些分析对象单元聚集为若干个彼此位置接近的分组;根据每个分组中的分析对象单元的等待空间位置WP(N),确定用户租用需求的热点空间区域以及该区域中心。
具体来说,步骤4中,对于遴选出来的属于用户租用需求热点类的分析对象单元,根据其中每个分析对象单元的等待空间位置WP(N),计算遴选出来的各个分析对象单元彼此之间的间距。然后,根据这些间距,利用K聚类等常用的大数据聚类算法,将这些分析对象单元进行聚类,使得同一类中的分析对象单元之间的总间距最小化,且不同类中的分析对象单元之间的总间距最大化;将聚类之后每一类中的分析对象单元归为一个彼此位置接近的分组。对于每个分组中的分析对象单元,根据其等待空间位置WP(N),将能够覆盖该分组中的全部分析对象单元且面积最小的圆形区域确定为用户租用需求的热点空间区域,并将该圆形的圆心作为该区域的中心。
步骤5,由分析对象单元归属确定单元206执行,取得用户租用需求分析样本当中的全部分析对象单元的等待空间位置WP(N),凡等待空间位置在热点空间区域的空间范围之内,则将该分析对象单元归为属于该热点空间区域的分析对象单元。
步骤6,由用户租用需求量预测单元207执行;根据归属于每个热点空间区域的分析对象单元的等待租用时长WT(N),统计这些等待租用时长WT(N)的分布特性,具体来说,划分若干时间区间,并统计等待租用时长WT(N)进入每个时间区间范围内的分析对象单元的数量,作为所述等待租用时长WT(N)的分布特性。
参照等待租用时长WT(N)分布特性与用户租用需求量的模式映射表,预测热点空间区域的预期用户租用需求量。关于该模式映射表,具体来说,共享交通资源的运营平台预先选定若干实验性热点空间区域,向实验性热点空间区域中投放预定数量的可用共享交通工具,并且采集该实验性热点空间区域的分析对象单元的等待租用时长WT(N),统计其分布特性;通过调节可用共享交通工具的投放数量,记录与该投放数量相对应的等待租用时长WT(N);将投放数量作为用户租用需求量,与相应的等待租用时长WT(N)的分布特性相关联计入所述模式映射表。进而,在预测所述预期用户租用需求量时,参照该模式映射表,以等待租用时长WT(N)分布特性来查询预期用户租用需求量。
步骤7,由资源缺乏区域决定单元208执行;确定热点空间区域内的可用共享交通工具量,根据预期用户租用需求量与可用共享交通工具量,从用户租用需求的热点空间区域中选取资源缺乏区域。基于GPS定位功能获得每台可用共享交通工具的位置,凡可用共享交通工具的位置进入到前述热点空间区域的空间范围之内,则将该可用共享交通工具计入可用共享交通工具量。判断该热点空间区域内的预期用户租用需求量与可用共享交通工具量之间的差额,如果该差额大于预定值则将该热点空间区域认定为资源缺乏区域。
步骤8,由交通资源分布监测单元209执行;利用GPS定位确定每台可用共享交通工具的实时位置RP,确定可用共享交通资源分布集簇区域。将共享交通服务覆盖的空间区域划分为若干圆形区域,根据每台可用共享交通工具的实时位置RP,计算每个区域中可用共享交通工具的分布密度,并且将分布密度在一定时间长度内持续大于阈值的区域作为可用共享交通资源分布集簇位置。
步骤9,由资源调配单元210执行;该单元根据可用共享交通资源分布集簇区域与用户租用需求的热点空间区域之间的相对位置关系,从可用共享交通资源分布集簇位置中选取可用共享交通资源沉积区域,并确定与之对应的资源缺乏区域,以及确定资源调配量。具体来说,计算可用共享交通资源分布集簇区域与用户租用需求的热点空间区域之间的间距(例如,可用共享交通资源分布集簇区域的圆心与热点空间区域的圆心之间的间距);如果可用共享交通资源分布集簇区域预定的距离内没有用户租用需求的热点空间区域,则将该可用共享交通资源分布集簇区域作为可用共享交通资源沉积区域;并且根据所述间距,确定与之间距在一定距离之内的资源缺乏区域。根据资源缺乏区域的可用共享交通工具量上的缺口,以及可用共享交通资源分布集簇位置的沉积量,确定资源调配量。资源调配单元210向资源调配执行工具3下达资源调配指令。
步骤10,由资源调配执行工具3根据资源调配单元下达的资源调配指令,执行由可用共享交通资源沉积位置至与之对应的资源缺乏区域之间的共享交通资源调配。
可见,本发明基于大数据分析,实现了对隐形、时变的用户租用需求热点区域的发现以及预测,进而实现了一种科学化、定量化的共享交通资源配置解决方案,对于保障热点地带用户租用需求与可用共享交通资源数量在空间和时域上的相互匹配具有重要作用,从根本上提升资源利用效率和改善用户体验。
以上实施例仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种对共享交通资源实现时域预测配置的方法,其特征在于,包括以下步骤:
步骤1,针对共享单车等共享交通资源平台下的每台共享交通工具,记录其在第N个用户租用过程结束时间TE(N)与第N+1个用户租用过程开始时间TS(N+1)之间的等待租用时长WT(N),并且利用GPS定位确定该台共享交通工具在等待租用时长WT(N)期间所在的等待空间位置WP(N),将WT(N)与WP(N)关联起来作为该台共享交通工具所产生的一个分析对象单元进行存储;
步骤2,获得在当前时间之前一个预定时间段内,在该共享交通资源平台下的全部共享交通工具所产生的全部分析对象单元,汇聚为用户租用需求分析样本:
步骤3,利用分类算法对所述用户租用需求分析样本当中的分析对象单元进行分类处理,从该用户租用需求分析样本中遴选出属于用户租用需求热点类的分析对象单元;
步骤4,根据遴选出来的属于用户租用需求热点类的分析对象单元的等待空间位置WP(N),将这些分析对象单元聚集为若干个彼此位置接近的分组;根据每个分组中的分析对象单元的等待空间位置WP(N),确定用户租用需求的热点空间区域以及该区域中心;
步骤5,根据分析对象单元的等待空间位置WP(N),确定归属于每个热点空间区域的分析对象单元;
步骤6,根据归属于每个热点空间区域的分析对象单元的等待租用时长WT(N),统计这些等待租用时长WT(N)的分布特性;参照等待租用时长WT(N)分布特性与用户租用需求量的模式映射表,预测热点空间区域的预期用户租用需求量;
步骤7,确定热点空间区域内的可用共享交通工具量,根据预期用户租用需求量与可用共享交通工具量,从用户租用需求的热点空间区域中选取资源缺乏区域;
步骤8,利用GPS定位确定每台可用共享交通工具的实时位置RP,确定可用共享交通资源分布集簇区域;
步骤9,根据可用共享交通资源分布集簇区域与用户租用需求的热点空间区域之间的相对位置关系,从可用共享交通资源分布集簇位置中选取可用共享交通资源沉积区域,并确定与之对应的资源缺乏区域,以及确定资源调配量;
步骤10,执行由可用共享交通资源沉积位置至与之对应的资源缺乏区域之间的共享交通资源调配。
2.根据权利要求1所述的共享交通资源实现时域预测配置的方法,其特征在于,步骤3中,根据预定的用户租用需求热点提取标准,提取符合该标准的一部分分析对象单元,作为分类训练样本;将所述分类训练样本输入分类器进行训练;将用户租用需求分析样本当中的分析对象单元输入训练之后的分类器,进行分类处理;根据分类结果,从该用户租用需求分析样本中遴选出属于用户租用需求热点类的分析对象单元。
3.根据权利要求2所述的共享交通资源实现时域预测配置的方法,其特征在于,所述用户租用需求热点提取标准为:分析对象单元的等待租用时长WT(N)短于等待时长阈值,且该分析对象单元与其它WT(N)短于等待时长阈值的分析对象单元的间距小于距离阈值。
4.根据权利要求3所述的共享交通资源实现时域预测配置的方法,其特征在于,步骤3中分类器采用贝叶斯分类器或SVM分类器。
5.根据权利要求1所述的共享交通资源实现时域预测配置的方法,其特征在于,步骤4中,对于遴选出来的属于用户租用需求热点类的分析对象单元,根据等待空间位置WP(N),计算遴选出来的各个分析对象单元的间距;根据这些间距,利用聚类算法将分析对象单元进行聚类,使得同一类中的分析对象单元之间的总间距最小化,且不同类中的分析对象单元之间的总间距最大化;将聚类之后每一类中的分析对象单元归为一个彼此位置接近的分组。
6.根据权利要求5所述的共享交通资源实现时域预测配置的方法,其特征在于,步骤4中,对于每个分组中的分析对象单元,根据其等待空间位置WP(N),将能够覆盖该分组中的全部分析对象单元且面积最小的圆形区域确定为用户租用需求的热点空间区域,并将该圆形的圆心作为该区域的中心。
7.根据权利要求1所述的共享交通资源实现时域预测配置的方法,其特征在于,步骤6中,划分若干时间区间,并统计等待租用时长WT(N)进入每个时间区间范围内的分析对象单元的数量,作为所述等待租用时长WT(N)的分布特性。
8.根据权利要求7所述的共享交通资源实现时域预测配置的方法,其特征在于,步骤6中,预先选定若干实验性热点空间区域,向实验性热点空间区域中投放预定数量的可用共享交通工具,并且采集该实验性热点空间区域的分析对象单元的等待租用时长WT(N),统计其分布特性;通过调节可用共享交通工具的投放数量,记录与该投放数量相对应的等待租用时长WT(N);将投放数量作为用户租用需求量,与相应的等待租用时长WT(N)的分布特性相关联计入所述模式映射表。
9.根据权利要求1所述的共享交通资源实现时域预测配置的方法,其特征在于,步骤8中,将共享交通服务覆盖的空间区域划分为若干圆形区域,根据每台可用共享交通工具的实时位置RP,计算每个区域中可用共享交通工具的分布密度,并且将分布密度在一定时间长度内持续大于阈值的区域作为可用共享交通资源分布集簇位置。
10.一种共享交通工具资源时域配置***,其特征在于,包括:
共享交通工具,具有GPS定位功能,获取自身的实时位置;并且具有计时功能,可获取每次用户租用过程的开始时间和结束时间;还具有无线通信功能,可上传所述实时位置以及所述开始时间和结束时间;
通信模块,用于与共享交通资源平台下的每台共享交通工具建立无线通信连接,并接收每台共享交通工具发送的所述实时位置以及所述开始时间和结束时间;
分析对象单元生成模块,针对共享单车等共享交通资源平台下的每台共享交通工具,记录其在第N个用户租用过程结束时间TE(N)与第N+1个用户租用过程开始时间TS(N+1)之间的等待租用时长WT(N),并且利用GPS定位确定该台共享交通工具在等待租用时长WT(N)期间所在的等待空间位置WP(N),将WT(N)与WP(N)关联起来作为该台共享交通工具所产生的一个分析对象单元进行存储;
用户租用需求分析样本生成单元,用于获得在当前时间之前一个预定时间段内,在该共享交通资源平台下的全部共享交通工具所产生的全部分析对象单元,汇聚为用户租用需求分析样本;
分类热点遴选单元,用于利用分类算法对所述用户租用需求分析样本当中的分析对象单元进行分类处理,从该用户租用需求分析样本中遴选出属于用户租用需求热点类的分析对象单元;
热点空间区域确定单元,用于根据遴选出来的属于用户租用需求热点类的分析对象单元的等待空间位置WP(N),将这些分析对象单元聚集为若干个彼此位置接近的分组;根据每个分组中的分析对象单元的等待空间位置WP(N),确定用户租用需求的热点空间区域以及该区域中心;
分析对象单元归属确定单元,用于根据分析对象单元的等待空间位置WP(N),确定归属于每个热点空间区域的分析对象单元;
用户租用需求量预测单元,根据归属于每个热点空间区域的分析对象单元的等待租用时长WT(N),统计这些等待租用时长WT(N)的分布特性;参照等待租用时长WT(N)分布特性与用户租用需求量的模式映射表,预测热点空间区域的预期用户租用需求量;
资源缺乏区域决定单元,用于确定热点空间区域内的可用共享交通工具量,根据预期用户租用需求量与可用共享交通工具量,从用户租用需求的热点空间区域中选取资源缺乏区域;
交通资源分布监测单元,用于利用GPS定位确定每台可用共享交通工具的实时位置RP,确定可用共享交通资源分布集簇区域;
资源调配单元,根据可用共享交通资源分布集簇区域与用户租用需求的热点空间区域之间的相对位置关系,从可用共享交通资源分布集簇位置中选取可用共享交通资源沉积区域,并确定与之对应的资源缺乏区域,以及确定资源调配量;并且向资源调配执行工具下达资源调配指令;
资源调配执行工具,用于根据资源调配单元下达的资源调配指令,执行由可用共享交通资源沉积位置至与之对应的资源缺乏区域之间的共享交通资源调配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710483141.7A CN107451714A (zh) | 2017-06-22 | 2017-06-22 | 一种基于大数据分析的共享交通资源时域配置方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710483141.7A CN107451714A (zh) | 2017-06-22 | 2017-06-22 | 一种基于大数据分析的共享交通资源时域配置方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107451714A true CN107451714A (zh) | 2017-12-08 |
Family
ID=60486373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710483141.7A Pending CN107451714A (zh) | 2017-06-22 | 2017-06-22 | 一种基于大数据分析的共享交通资源时域配置方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451714A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090806A (zh) * | 2017-12-11 | 2018-05-29 | 北京金山云网络技术有限公司 | 一种信息生成方法、装置、服务器及存储介质 |
CN108197793A (zh) * | 2017-12-27 | 2018-06-22 | 南京邮电大学 | 一种基于潮汐模型和粒子群算法的共享单车调配方法 |
CN108399736A (zh) * | 2018-04-27 | 2018-08-14 | 东南大学 | 一种基于服务时间的区域共享自行车有效车辆数获取方法 |
CN108460537A (zh) * | 2018-03-23 | 2018-08-28 | 华南理工大学 | 一种基于大数据与用户心理预测共享自行车需求量的方法 |
CN109034692A (zh) * | 2018-07-09 | 2018-12-18 | 遵义师范学院 | 一种二手书快速流通方法和*** |
CN109087176A (zh) * | 2018-08-15 | 2018-12-25 | 北京元链科技有限公司 | 一种基于区块链技术的共享单车使用记录*** |
CN110222893A (zh) * | 2019-06-06 | 2019-09-10 | 武汉元光科技有限公司 | 共享交通资源的投放地点推荐方法、装置与电子设备 |
US20200234223A1 (en) * | 2016-04-01 | 2020-07-23 | Snap-On Incorporated | Technician Timer |
CN111612488A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 共享资源投放方法及装置 |
CN111860926A (zh) * | 2019-08-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 用于预测服务需求信息的***和方法 |
CN113469475A (zh) * | 2020-03-30 | 2021-10-01 | 北京骑胜科技有限公司 | 数据处理方法、装置、存储介质和电子设备 |
CN113705959A (zh) * | 2021-05-11 | 2021-11-26 | 北京邮电大学 | 网络资源分配方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070074350A (ko) * | 2006-01-09 | 2007-07-12 | 주식회사 케이티프리텔 | 버스정보 안내 서비스 제공 방법 및 그 시스템 |
CN103985247A (zh) * | 2014-04-24 | 2014-08-13 | 北京嘀嘀无限科技发展有限公司 | 基于城市叫车需求分布密度的出租车运力调度*** |
CN104537831A (zh) * | 2015-01-23 | 2015-04-22 | 北京嘀嘀无限科技发展有限公司 | 车辆调度的方法及设备 |
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*** |
CN106373387A (zh) * | 2016-10-25 | 2017-02-01 | 先锋智道(北京)科技有限公司 | 一种车辆调度方法、装置及*** |
-
2017
- 2017-06-22 CN CN201710483141.7A patent/CN107451714A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070074350A (ko) * | 2006-01-09 | 2007-07-12 | 주식회사 케이티프리텔 | 버스정보 안내 서비스 제공 방법 및 그 시스템 |
CN103985247A (zh) * | 2014-04-24 | 2014-08-13 | 北京嘀嘀无限科技发展有限公司 | 基于城市叫车需求分布密度的出租车运力调度*** |
CN104537831A (zh) * | 2015-01-23 | 2015-04-22 | 北京嘀嘀无限科技发展有限公司 | 车辆调度的方法及设备 |
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*** |
CN106373387A (zh) * | 2016-10-25 | 2017-02-01 | 先锋智道(北京)科技有限公司 | 一种车辆调度方法、装置及*** |
Non-Patent Citations (4)
Title |
---|
张文阁: "北京市出租车交通需求预测及其应用研究", 《万方学位数据库》 * |
贾婷: "基于乘客需求及分布的出租车调度方法技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵桂香: "基于出租车承载行为的优化决策调度方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈峰: "基于出租车GPS数据的信息融合研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200234223A1 (en) * | 2016-04-01 | 2020-07-23 | Snap-On Incorporated | Technician Timer |
US11995583B2 (en) * | 2016-04-01 | 2024-05-28 | Snap-On Incorporated | Technician timer |
CN108090806A (zh) * | 2017-12-11 | 2018-05-29 | 北京金山云网络技术有限公司 | 一种信息生成方法、装置、服务器及存储介质 |
CN108090806B (zh) * | 2017-12-11 | 2021-06-04 | 北京金山云网络技术有限公司 | 一种信息生成方法、装置、服务器及存储介质 |
CN108197793A (zh) * | 2017-12-27 | 2018-06-22 | 南京邮电大学 | 一种基于潮汐模型和粒子群算法的共享单车调配方法 |
CN108460537A (zh) * | 2018-03-23 | 2018-08-28 | 华南理工大学 | 一种基于大数据与用户心理预测共享自行车需求量的方法 |
CN108399736A (zh) * | 2018-04-27 | 2018-08-14 | 东南大学 | 一种基于服务时间的区域共享自行车有效车辆数获取方法 |
CN108399736B (zh) * | 2018-04-27 | 2020-08-28 | 东南大学 | 一种基于服务时间的区域共享自行车有效车辆数获取方法 |
CN109034692A (zh) * | 2018-07-09 | 2018-12-18 | 遵义师范学院 | 一种二手书快速流通方法和*** |
CN109087176A (zh) * | 2018-08-15 | 2018-12-25 | 北京元链科技有限公司 | 一种基于区块链技术的共享单车使用记录*** |
CN111612488A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 共享资源投放方法及装置 |
CN111612488B (zh) * | 2019-02-25 | 2023-09-01 | 北京嘀嘀无限科技发展有限公司 | 共享资源投放方法及装置 |
CN110222893B (zh) * | 2019-06-06 | 2021-11-16 | 武汉元光科技有限公司 | 共享交通资源的投放地点推荐方法、装置与电子设备 |
CN110222893A (zh) * | 2019-06-06 | 2019-09-10 | 武汉元光科技有限公司 | 共享交通资源的投放地点推荐方法、装置与电子设备 |
CN111860926A (zh) * | 2019-08-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 用于预测服务需求信息的***和方法 |
CN111860926B (zh) * | 2019-08-22 | 2024-03-29 | 北京嘀嘀无限科技发展有限公司 | 用于预测服务需求信息的***和方法 |
WO2021031222A1 (en) * | 2019-08-22 | 2021-02-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for predicting service demand information |
CN113469475A (zh) * | 2020-03-30 | 2021-10-01 | 北京骑胜科技有限公司 | 数据处理方法、装置、存储介质和电子设备 |
CN113469475B (zh) * | 2020-03-30 | 2024-05-14 | 北京骑胜科技有限公司 | 数据处理方法、装置、存储介质和电子设备 |
CN113705959A (zh) * | 2021-05-11 | 2021-11-26 | 北京邮电大学 | 网络资源分配方法及电子设备 |
CN113705959B (zh) * | 2021-05-11 | 2023-08-15 | 北京邮电大学 | 网络资源分配方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451714A (zh) | 一种基于大数据分析的共享交通资源时域配置方法及*** | |
CN108162771A (zh) | 一种电动汽车智能充电导航方法 | |
CN105303704B (zh) | 一种互联网电动汽车充电桩管理***及方法 | |
Huang et al. | Vehicle relocation in one-way station-based electric carsharing systems: A comparative study of operator-based and user-based methods | |
CN105185116B (zh) | 网络集约小客车出行需求热力图构建方法 | |
Ou et al. | Investigating wireless charging and mobility of electric vehicles on electricity market | |
CN107818411A (zh) | 基于WiFi检测和GPS定位的公交车动态调度***及调度方法 | |
CN105007171B (zh) | 基于通信领域大数据的用户数据分析***及方法 | |
CN107204077B (zh) | 一种用于共享移动汽车电池的方法 | |
CN113851016B (zh) | 泊车管理方法、装置、电子设备及存储介质 | |
CN106373387A (zh) | 一种车辆调度方法、装置及*** | |
CN102842109B (zh) | 停车场服务水平量化分级的评价方法 | |
CN106530810A (zh) | 一种基于停车场信息的交通诱导*** | |
DE102013202059A1 (de) | LADEINFRASTRUKTUR FÜR ELEKTROFAHRZEUGE (EVs) MIT OPTIMALER STANDORTWAHL FÜR LADESTATIONEN | |
CN104320789B (zh) | 一种基于博弈论的车联网rsu最优配置方法 | |
CN104766473A (zh) | 基于多模式公交数据匹配的公共交通出行特征提取方法 | |
CN109508865A (zh) | 基于时空使用模式的地铁站辐射范围内共享单车的部署方法 | |
CN111190942B (zh) | 一种基于数据挖掘技术的城市道路停车点统筹分析方法 | |
Boldrini et al. | Weak signals in the mobility landscape: car sharing in ten European cities | |
Tan et al. | A stochastic flow capturing location and allocation model for siting electric vehicle charging stations | |
CN109102093B (zh) | 一种网约车下单热点区域的确定方法、装置及电子设备 | |
CN110472999A (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
Shen et al. | Exploring the effect of the telephone/online booking system on taxi service: Case study of Suzhou City in China | |
Zhu et al. | Optimization approach to depot location in car sharing systems with big data | |
Benseny et al. | City strategies for a 5G small cell network on light poles |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |
|
RJ01 | Rejection of invention patent application after publication |