CN111832600A - 数据处理方法、装置、电子设备和计算机可读存储介质 - Google Patents
数据处理方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111832600A CN111832600A CN201911408501.2A CN201911408501A CN111832600A CN 111832600 A CN111832600 A CN 111832600A CN 201911408501 A CN201911408501 A CN 201911408501A CN 111832600 A CN111832600 A CN 111832600A
- Authority
- CN
- China
- Prior art keywords
- information
- grid
- demand
- supply
- shared
- 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 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/0042—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for hiring of objects
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/0042—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for hiring of objects
- G07F17/0057—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for hiring of objects for the hiring or rent of vehicles, e.g. cars, bicycles or wheelchairs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据处理方法、装置、电子设备和计算机可读存储介质,通过将获取的各网格的特征数据输入至预先训练的需求预测模型以获得各网格的共享设备的需求信息,获取各网格的共享设备的供给信息,并根据各网格的共享设备的需求信息和供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量,由此,可以提高共享设备的资源利用率。
Description
技术领域
本发明涉及互联网领域,更具体地,涉及一种数据处理方法、装置、电子设备和计算机可读存储介质。
背景技术
随着共享经济与互联网的发展,共享单车、共享汽车、共享充电宝等共享设备逐渐被广大互联网用户所接受。这种整合线下的闲散物品,让它们以较低的价格提供产品或服务的方式,以其独有的优势在市场上占领了一席之地。由此,如何提高共享设备的资源利用率是一项重要的课题。
发明内容
有鉴于此,本发明实施例提供了一种数据处理方法、装置、电子设备和计算机可读存储介质,以提高共享设备的资源利用率。
第一方面,本发明实施例提供一种数据处理方法,所述方法包括:
获取各网格的特征数据,所述特征数据包括网格信息、时段信息以及各网格在历史相同时段的共享设备的需求信息,所述网格信息包括对应网格的标识和环境信息,所述网格对应于预先划分的地理区域;
将所述各网格的特征数据输入至预先训练的需求预测模型,获得所述各网格的共享设备的需求信息;
获取各网格的共享设备的供给信息;
根据所述需求信息和所述供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量。
可选的,根据所述需求信息和所述供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量包括:
根据所述供给信息和所述需求信息确定供需比;
根据所述供需比确定所述资源消耗量。
可选的,根据所述供需比确定所述资源消耗量包括:
根据所述供需比、预先确定的供需比分段以及各所述供需比分段对应的权重确定所述资源消耗量。
可选的于,获取各网格的共享设备的供给信息包括:
根据各共享设备的位置信息确定各网格的共享设备的供给信息。
可选的,所述共享设备的位置信息由任务完成时用户终端的上报信息确定,或者由运维终端的上报信息确定。
可选的,所述需求预测模型通过以下步骤训练:
获取训练数据,所述训练数据包括各网格信息、各时段信息、以及历史需求信息;
根据所述训练数据训练获取所述需求预测模型;
其中,所述历史需求信息包括第一预定时间内的各网格在各时段的共享设备的需求均值和需求中值、第二预定时间内的各网格在各时段的共享设备的需求均值和需求中值、以及第三预定时间内的各网格在各时段的共享设备的需求均值和需求中值中的至少一项。
可选的,所述各时段信息包括时段的标识以及所述时段所处日期。
可选的,所述需求预测模型为XGBoost回归模型。
可选的,所述各网格根据GeoHash方法进行划分。
第二方面,本发明实施例提供一种数据处理装置,所述装置包括:
特征数据获取单元,被配置为获取各网格的特征数据,所述特征数据包括网格信息、时段信息以及各网格在历史相同时段的共享设备的需求信息,所述网格信息包括对应网格的标识和环境信息,所述网格对应于预先划分的地理区域;
需求信息获取单元,被配置为将所述各网格的特征数据输入至预先训练的需求预测模型,获得所述各网格的共享设备的需求信息;
供给信息获取单元,被配置为获取各网格的共享设备的供给信息;
确定单元,被配置为根据所述需求信息和所述供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量。
第三方面,本发明实施例提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如上所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时以实现如上所述的方法。
本发明实施例通过将获取的各网格的特征数据输入至预先训练的需求预测模型以获得各网格的共享设备的需求信息,获取各网格的共享设备的供给信息,并根据各网格的共享设备的需求信息和供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量,由此,可以提高共享设备的资源利用率。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本发明实施例的数据处理方法的流程图;
图2是本发明实施例的需求预测模型的训练方法的示意图;
图3是本发明实施例的数据处理方法的数据流向图;
图4是本发明实施例的数据处理方法的应用场景示意图;
图5是本发明实施例的数据处理装置的示意图;
图6是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
共享设备在不同的地理区域和时段中具有不同的需求。例如,共享单车在上下班时段的需求量较大,共享充电宝在周末的商场或在下午时段的需求量较大等。在下面的描述中,本发明实施例主要以共享单车为例,但是,应理解,与共享单车有相同性质的共享设备均可应用本实施例的数据处理方法。
城市交通存在明显的潮汐现象,也即,早高峰时段大部分人从小区转移到地铁站、公交车站、从地铁站转移到写字楼,晚高峰时段则相反。因此,在不同时间不同空间(地理空间)场景下,共享单车的供需关系具有显著差异,根据这种差异情况,本实施例提供一种数据处理方法,以提高共享设备的资源利用率。
图1是本发明实施例的数据处理方法的流程图。如图1所示,本实施例的数据处理方法包括:
步骤S110,获取各网格的特征数据。其中,网格的特征数据包括网格信息、时段信息以及各网格在历史相同时段的共享设备的需求信息,网格信息包括对应网格的标识和环境信息,网格对应于预先划分的地理区域。其中,网格的环境信息可以包括该网格中的建筑信息,例如,该网格内是否包括住宅小区、地铁站、公交车站、医院、学校、写字楼、商场等建筑以及所包含的各建筑的数量。在本实施例中,将一天的时间等分为多个时段,每个时段具有唯一的标识。可选的,每个时段为15min。假设每个时段的时间长度为15min,需要预测的时段为今日下午18:00-18:15,则各网格在历史相同时段的共享设备的需求信息为各网格各历史每天18:00-18:15的共享设备的需求量。
在一种可选的实现方式中,本实施例根据GeoHash方法将一地区区域划分为多个网格。GeoHash是一种地址编码方法,其能够把二维的经纬度数据编码成一个字符串。也即,GeoHash用一个字符串表示经度和纬度两个坐标,用于表征一个区域,并且,字符串的长度用于表征该区域的范围,字符串长度越长,其表征的范围越精确,也即表征的范围越小,反之,字符串长度越短,其表征的范围越大。可选的,在本实施例中,采用GeoHash7的粒度将一地区区域划分为多个网格,也即用长度为7的字符串表示各网格的经度和纬度。
步骤S120,将各网格的特征数据输入至预先训练的需求预测模型,获得各网格的共享设备的需求信息。
图2是本发明实施例的需求预测模型的训练方法的示意图。在一种可选的实现方式中,如图2所示,需求预测模型通过以下步骤进行训练:
步骤S121,获取训练数据,训练数据包括各网格信息、各时段信息、以及历史需求信息。在本实施例中,在空间维度上,预先通过GeoHash方法按照预定的粒度将一地区区域划分为多个网格,并赋予每个网格唯一的标识。在时间维度上,将一天的时间等分为多个时段,并赋予每个时段唯一的标识。可选的,每个时段为15min,则每个网格在每天具有96个时段,假设共有N(N>1)个网格,则在空间和时间维度,每天具有96*N个网格时段切片。由此,在获取的训练数据中,网格信息包括对应网格的标识和环境信息。在实施例中,时段信息包括时段的标识、该时段所处日期(例如工作日、周末、节假日以及月份等)。
历史需求信息包括第一预定时间内的各网格时段的共享设备的需求均值和需求中值、第二预定时间内的各网格时段的共享设备的需求均值和需求中值、以及第三预定时间内的各网格时段的共享设备的需求均值和需求中值中的至少一项。可选的,第一预定时间为最近56天、第二预定时间为最近28天、第三预定时间为最近14天。例如,最近14天内网格1在时段18:00-18:15的共享设备的需求均值为:最近14天内每天的时段18:00-18:15的需求量的平均值。
其中,对于每个网格时段,该网格时段的需求量为用户想要与共享设备关联的数量,例如扫描共享单车二维码的数量。可选的,同一个用户的多次扫码记为1次需求,并且只要扫码无论是否完成骑行均可记为1次需求。由此,可以相对准确地得到该网格时段的共享设备的需求量。
步骤S122,根据训练数据训练获取需求预测模型。在一种可选的实现方式中,需求预测模型为XGBoost回归模型。XGBoost模型是一种监督模型,可以构建并优化目标函数,并且还可以自定义一些损失函数,由此,本实施例的需求预测模型采用XGBoost回归模型,可以较为准确地获取每个网格在下个时段的共享设备的需求量。
步骤S130,获取各网格的共享设备的供给信息。其中,网格的共享设备的供给信息包括在该网格内功能正常、不在使用状态中的共享设备数量。可选的,根据各共享设备的位置信息确定各网格的共享设备的供给信息。
在一种可选的实现方式中,共享设备的位置信息由任务完成时用户终端的上报信息确定。也就是说,在用户租用共享设备结束时,通过用户终端上报租用结束的消息,根据用户终端上报的租用结束的消息获取共享设备当前的位置信息(也即用户结束租用的位置)。并且,当运维人员的终端挪动共享设备后,会通过运维终端上报挪动共享设备的相关信息,因此,也可以根据运维终端的上报信息获取相关共享设备的位置信息。在另一种可选的实现方式中,可以通过控制共享设备周期性地上报自身的位置信息以获取各共享设备当前的位置信息。应理解,本实施例并不限于上述获取共享设备的位置信息的方法,其他能够实现上述功能的方法均可应用于本实施例中。
应理解,步骤S120和步骤S130没有先后的执行顺序,步骤S130可以在步骤S120之前执行,也可以在步骤S120之后执行,也可以与步骤S120同时执行,本实施例并不对此进行限制。
步骤S140,根据需求信息和供给信息确定下个时段在各网格中关联共享设备的资源消耗量。
在一种可选的实现方式中,步骤S140可以包括:根据各网格的下个时段的供给信息和需求信息确定各网格在下个时段的供需比,根据所述供需比确定下个时段在各网格中关联共享设备的资源消耗量。可选的,在本实施例中,根据所述供需比、预先确定的供需比分段以及各所述供需比分段对应的权重确定所述资源消耗量。
举例来说,假设参考资源消耗量为x(x>0),各供需比分段与对应的权重对应表如表(1)所示,应理解,表(1)仅仅为示例性的,可以根据实际应用场景调整供需比分段、对应的权重以及供需比分段与对应的权重对应关系。
供需比 | 权重 | 调整后资源消耗量 |
≥1 | 1.0 | 1.0*x |
[0.75,1) | 1.25 | 1.25*x |
[0.5,0.75) | 1.5 | 1.5*x |
[0.25,0.5) | 2.0 | 2.0*x |
[0,0.25) | 3.0 | 3.0*x |
由此,假设在网格1中的计算获取的供需比为0.55,则可以将下个时段在网格1中关联共享设备的资源消耗量调整为1.5*x。由此,可以有效提高共享设备的资源利用率。
本发明实施例通过将获取的各网格的特征数据输入至预先训练的需求预测模型以获得各网格的共享设备的需求信息,获取各网格的共享设备的供给信息,并根据各网格的共享设备的需求信息和供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量,由此,可以提高共享设备的资源利用率。
图3是本发明实施例的数据处理方法的数据流向图。如图3所示,将获取的各网格的特征数据输入至预先训练的需求预测模型31,获得各网格的共享设备的需求信息。其中,网格的特征数据包括网格信息、时段信息以及各网格在历史相同时段的共享设备的需求信息,网格信息包括对应网格的标识和环境信息,网格对应于预先划分的地理区域。其中,网格的环境信息可以包括该网格中的建筑信息,例如,该网格内是否包括住宅小区、地铁站、公交车站、医院、学校、写字楼、商场等建筑以及所包含的各建筑的数量。在本实施例中,将一天的时间等分为多个时段,可选的,每个时段为15min。假设每个时段的时间长度为15min,需要预测的时段为今日下午18:00-18:15,则各网格在历史相同时段的共享设备的需求信息为各网格各历史每天18:00-18:15的共享设备的需求量。
可选的,需求预测模型通过获取的训练数据进行训练,训练数据包括各网格信息、各时段信息、以及历史需求信息。可选的,需求预测模型为XGBoost回归模型。其中,历史需求信息包括第一预定时间内的各网格在各时段的共享设备的需求均值和需求中值、第二预定时间内的各网格在各时段的共享设备的需求均值和需求中值、以及第三预定时间内的各网格在各时段的共享设备的需求均值和需求中值中的至少一项。可选的,第一预定时间为最近56天、第二预定时间为最近28天、第三预定时间为最近14天。例如,最近14天内网格1在时段18:00-18:15的共享设备的需求均值为:最近14天内每天的时段18:00-18:15的需求量的平均值。其中,对于每个网格时段,该网格时段的需求量为用户想要与共享设备关联的数量,例如扫描共享单车二维码的数量。可选的,同一个用户的多次扫码记为1次需求,并且只要扫码无论是否完成骑行均可记为1次需求。由此,可以相对准确地得到该网格时段的共享设备的需求量。应理解,由于城市交通中,工作日和休息日(周末和节假日)的共享设备需求量不同,因此,在进行模型训练时,可以引入时段所在日期信息(例如日期、工作日标识、休息日标识等),以进一步提高需求预测的准确度。
在本实施例中,根据供给信息获取单元32获取各网格在下个时段的共享设备的供给信息。其中,网格的共享设备的供给信息包括在该网格内功能正常、不在使用状态中的共享设备数量。可选的,根据各共享设备的位置信息确定各网格的共享设备的供给信息。
在一种可选的实现方式中,共享设备的位置信息由任务完成时用户终端的上报信息确定。也就是说,在用户租用共享设备结束时,通过用户终端上报租用结束的消息,根据用户终端上报的租用结束的消息获取共享设备当前的位置信息(也即用户结束租用的位置)。并且,当运维人员的终端挪动共享设备后,会通过运维终端上报挪动共享设备的相关信息,因此,也可以根据运动终端的上报信息获取相关共享设备的位置信息。在另一种可选的实现方式中,可以通过控制共享设备周期性地上报自身的位置信息以获取各共享设备当前的位置信息。应理解,本实施例并不限于上述获取共享设备的位置信息的方法,其他能够实现上述功能的方法均可应用于本实施例中。
确定单元33根据获取的需求信息和供给信息确定下个时段在各网格中关联共享设备的资源消耗量。可选的:根据各网格的下个时段的供给信息和需求信息确定各网格在下个时段的供需比,根据所述供需比确定下个时段在各网格中关联共享设备的资源消耗量。可选的,在本实施例中,根据所述供需比、预先确定的供需比分段以及各所述供需比分段对应的权重确定所述资源消耗量。
本发明实施例通过将获取的各网格的特征数据输入至预先训练的需求预测模型以获得各网格的共享设备的需求信息,获取各网格的共享设备的供给信息,并根据各网格的共享设备的需求信息和供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量,由此,可以提高共享设备的资源利用率。
图4是本发明实施例的数据处理方法的场景示意图。如图4所示,地区区域4被预先根据GeoHash方法划分为多个网格。其中,网格41中包括小区A,网格42中包括地铁B。假设当前时间为早上07:59,若要通过本实施例的数据处理方法来确定网格41和网格42在下个时段(也即早上08:00-08:15)对应的资源消耗量,则将获取的网格41和网格42的网格信息、时段信息以及历史相同时段的共享单车的需求信息输入至预先训练的需求预测模型中,以预测网格41和网格42在下个时段的需求信息,并基于用户终端和运维终端上报的信息确定网格41和网格42中的共享单车的供给信息,并基于预先确定的供需比分段、各所述供需比分段对应的权重以及计算获取的供需比,确定网格41和网格42在下个时段的资源消耗量。以参考资源消耗量为1元,表(1)中的供需比分段及对应的权重为例,假设网格41对应的供需比为0.3,网格42对应的供需比为2.0,则在下个时段,网格41对应的资源消耗量为2元,网格42对应的资源消耗量为1元。也即,若用户在网格41的小区A处租用共享单车的起步资源消耗量为2元,在网格42的地铁B处租用共享单车的起步资源消耗量为1元。由此,可以根据共享单车的供需比确定对应的资源消耗量,提高了共享设备的资源利用率。
本实施例以共享单车为例进行说明,应理解,其他共享设备,例如共享汽车、共享充电宝等均可应用本实施例的数据处理方法。
本发明实施例通过将获取的各网格的特征数据输入至预先训练的需求预测模型以获得各网格的共享设备的需求信息,获取各网格的共享设备的供给信息,并根据各网格的共享设备的需求信息和供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量,由此,可以提高共享设备的资源利用率。
图5是发明实施例的数据处理装置的示意图。如图5所示,本实施例的数据处理装置包括特征数据获取单元51、需求信息获取单元52、供给信息获取单元53和确定单元54。
特征数据获取单元51被配置为获取各网格的特征数据,所述特征数据包括网格信息、时段信息以及各网格在历史相同时段的共享设备的需求信息,所述网格信息包括对应网格的标识和环境信息,所述网格对应于预先划分的地理区域。可选的,各网格根据GeoHash方法进行划分。
需求信息获取单元52被配置为将所述各网格的特征数据输入至预先训练的需求预测模型,获得所述各网格的共享设备的需求信息。可选的,需求预测模型为XGBoost回归模型。
供给信息获取单元53被配置为获取各网格在下个时段的共享设备的供给信息。可选的,给信息获取单元53进一步被配置为根据各共享设备的位置信息确定各网格的共享设备的供给信息。可选的,所述共享设备的位置信息由任务完成时用户终端的上报信息确定,或者由运维终端的上报信息确定。
确定单元54被配置为根据所述需求信息和所述供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量。在一种可选的实现方式中,确定单元54进一步被配置为根据所述供给信息和所述需求信息确定供需比,并根据所述供需比确定所述资源消耗量。可选的,确定单元54进一步根据所述供需比、预先确定的供需比分段以及各所述供需比分段对应的权重确定所述资源消耗量。
本发明实施例通过将获取的各网格的特征数据输入至预先训练的需求预测模型以获得各网格的共享设备的需求信息,获取各网格的共享设备的供给信息,并根据各网格的共享设备的需求信息和供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量,由此,可以提高共享设备的资源利用率。
图6是本发明实施例的电子设备的示意图。如图6所示,图6所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器61和存储器62。处理器61和存储器62通过总线63连接。存储器62适于存储处理器61可执行的指令或程序。处理器61可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器61通过执行存储器62所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线63将上述多个组件连接在一起,同时将上述组件连接到显示控制器64和显示装置以及输入/输出(I/O)装置65。输入/输出(I/O)装置65可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置65通过输入/输出(I/O)控制器66与***相连。
本领域的技术人员应明白,本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以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,该指令装置实现流程图一个流程或多个流程中指定的功能。
也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中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理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 (12)
1.一种数据处理方法,其特征在于,所述方法包括:
获取各网格的特征数据,所述特征数据包括网格信息、时段信息以及各网格在历史相同时段的共享设备的需求信息,所述网格信息包括对应网格的标识和环境信息,所述网格对应于预先划分的地理区域;
将所述各网格的特征数据输入至预先训练的需求预测模型,获得所述各网格的共享设备的需求信息;
获取各网格的共享设备的供给信息;
根据所述需求信息和所述供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量。
2.根据权利要求1所述的方法,其特征在于,根据所述需求信息和所述供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量包括:
根据所述供给信息和所述需求信息确定供需比;
根据所述供需比确定所述资源消耗量。
3.根据权利要求2所述的方法,其特征在于,根据所述供需比确定所述资源消耗量包括:
根据所述供需比、预先确定的供需比分段以及各所述供需比分段对应的权重确定所述资源消耗量。
4.根据权利要求1所述的方法,其特征在于,获取各网格的共享设备的供给信息包括:
根据各共享设备的位置信息确定各网格的共享设备的供给信息。
5.根据权利要求4所述的方法,其特征在于,所述共享设备的位置信息由任务完成时用户终端的上报信息确定,或者由运维终端的上报信息确定。
6.根据权利要求1所述的方法,其特征在于,所述需求预测模型通过以下步骤训练:
获取训练数据,所述训练数据包括各网格信息、各时段信息、以及历史需求信息;
根据所述训练数据训练获取所述需求预测模型;
其中,所述历史需求信息包括第一预定时间内的各网格在各时段的共享设备的需求均值和需求中值、第二预定时间内的各网格在各时段的共享设备的需求均值和需求中值、以及第三预定时间内的各网格在各时段的共享设备的需求均值和需求中值中的至少一项。
7.根据权利要求6所述的方法,其特征在于,所述各时段信息包括时段的标识以及所述时段所处日期。
8.根据权利要求1所述的方法,其特征在于,所述需求预测模型为XGBoost回归模型。
9.根据权利要求1所述的方法,其特征在于,所述各网格根据GeoHash方法进行划分。
10.一种数据处理装置,其特征在于,所述装置包括:
特征数据获取单元,被配置为获取各网格的特征数据,所述特征数据包括网格信息、时段信息以及各网格在历史相同时段的共享设备的需求信息,所述网格信息包括对应网格的标识和环境信息,所述网格对应于预先划分的地理区域;
需求信息获取单元,被配置为将所述各网格的特征数据输入至预先训练的需求预测模型,获得所述各网格的共享设备的需求信息;
供给信息获取单元,被配置为获取各网格的共享设备的供给信息;
确定单元,被配置为根据所述需求信息和所述供给信息确定下个时段在各网格中关联所述共享设备的资源消耗量。
11.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-9中任一项所述的方法。
12.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时以实现如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911408501.2A CN111832600A (zh) | 2019-12-31 | 2019-12-31 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911408501.2A CN111832600A (zh) | 2019-12-31 | 2019-12-31 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832600A true CN111832600A (zh) | 2020-10-27 |
Family
ID=72912357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911408501.2A Pending CN111832600A (zh) | 2019-12-31 | 2019-12-31 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832600A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668394A (zh) * | 2020-11-30 | 2021-04-16 | 山东大学 | 一种农业大棚生产的在线预测方法及*** |
CN112700053A (zh) * | 2021-01-05 | 2021-04-23 | 上海钧正网络科技有限公司 | 电池分配方法、装置及设备 |
CN115687829A (zh) * | 2022-12-29 | 2023-02-03 | 四川绿源集科技有限公司 | 页面跳转方法、装置、计算机可读存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038503A (zh) * | 2017-04-18 | 2017-08-11 | 广东工业大学 | 一种共享设备的需求量预测方法及*** |
CN107194722A (zh) * | 2017-05-15 | 2017-09-22 | 马上游科技股份有限公司 | 一种共享经济下的基于数据挖掘的动态定价算法 |
CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN108062601A (zh) * | 2017-12-20 | 2018-05-22 | 青岛海信网络科技股份有限公司 | 一种停车场动态定价方法和装置 |
CN108717656A (zh) * | 2018-06-11 | 2018-10-30 | 上海云会贸易有限公司 | 一种出租管理*** |
CN108876056A (zh) * | 2018-07-20 | 2018-11-23 | 广东工业大学 | 一种共享自行车需求量预测方法、装置、设备及存储介质 |
CN108960476A (zh) * | 2018-03-30 | 2018-12-07 | 山东师范大学 | 基于ap-ti聚类的共享单车流量预测方法及装置 |
CN109543909A (zh) * | 2018-11-27 | 2019-03-29 | 平安科技(深圳)有限公司 | 车辆案件数量的预测方法、装置和计算机设备 |
CN109543922A (zh) * | 2018-12-20 | 2019-03-29 | 西安电子科技大学 | 用于有桩共享单车站点群的分时段借还量预测方法 |
CN109583491A (zh) * | 2018-11-23 | 2019-04-05 | 温州职业技术学院 | 一种共享单车智能调度方法 |
-
2019
- 2019-12-31 CN CN201911408501.2A patent/CN111832600A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038503A (zh) * | 2017-04-18 | 2017-08-11 | 广东工业大学 | 一种共享设备的需求量预测方法及*** |
CN107194722A (zh) * | 2017-05-15 | 2017-09-22 | 马上游科技股份有限公司 | 一种共享经济下的基于数据挖掘的动态定价算法 |
CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN108062601A (zh) * | 2017-12-20 | 2018-05-22 | 青岛海信网络科技股份有限公司 | 一种停车场动态定价方法和装置 |
CN108960476A (zh) * | 2018-03-30 | 2018-12-07 | 山东师范大学 | 基于ap-ti聚类的共享单车流量预测方法及装置 |
CN108717656A (zh) * | 2018-06-11 | 2018-10-30 | 上海云会贸易有限公司 | 一种出租管理*** |
CN108876056A (zh) * | 2018-07-20 | 2018-11-23 | 广东工业大学 | 一种共享自行车需求量预测方法、装置、设备及存储介质 |
CN109583491A (zh) * | 2018-11-23 | 2019-04-05 | 温州职业技术学院 | 一种共享单车智能调度方法 |
CN109543909A (zh) * | 2018-11-27 | 2019-03-29 | 平安科技(深圳)有限公司 | 车辆案件数量的预测方法、装置和计算机设备 |
CN109543922A (zh) * | 2018-12-20 | 2019-03-29 | 西安电子科技大学 | 用于有桩共享单车站点群的分时段借还量预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668394A (zh) * | 2020-11-30 | 2021-04-16 | 山东大学 | 一种农业大棚生产的在线预测方法及*** |
CN112668394B (zh) * | 2020-11-30 | 2023-10-31 | 山东大学 | 一种农业大棚生产的在线预测方法及*** |
CN112700053A (zh) * | 2021-01-05 | 2021-04-23 | 上海钧正网络科技有限公司 | 电池分配方法、装置及设备 |
CN115687829A (zh) * | 2022-12-29 | 2023-02-03 | 四川绿源集科技有限公司 | 页面跳转方法、装置、计算机可读存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832600A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
Meng et al. | Degree-day based non-domestic building energy analytics and modelling should use building and type specific base temperatures | |
CN110188970B (zh) | 共享车辆管理装置以及共享车辆管理方法 | |
CN108346010B (zh) | 基于用户需求分析的共享汽车调度方法 | |
US11038350B2 (en) | Method and device for managing energy consumption by user ranking | |
CN105556554A (zh) | 多个设备相关性 | |
CN105808784A (zh) | 推荐方法和装置 | |
CN103501379A (zh) | 电力管理方法 | |
CN104899443A (zh) | 用于评估当前出行需求及预测未来出行需求的方法及*** | |
KR101800286B1 (ko) | 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템 | |
CN103822638B (zh) | 用户位置信息的处理方法和装置 | |
JP2006303788A (ja) | 探索方法および探索システムと探索プログラム | |
KR20190054122A (ko) | 셔틀버스 노선의 처리 방법, 장치, 기기 및 컴퓨터 저장 매체 | |
CN107705038B (zh) | 一种运维管理***保养任务自适应派单方法及*** | |
CN106535204A (zh) | 一种业务覆盖质量评估方法及装置 | |
CN109523066A (zh) | 一种基于克里金插值的pm2.5新增移动站点选址方法 | |
CN116050947A (zh) | 车辆调度效果的评价方法、装置、计算机设备和存储介质 | |
CN103186660A (zh) | 信息源选择***、信息源选择方法和程序 | |
CN114496198B (zh) | 一种基于物联网的智慧城市疫苗调度方法和*** | |
CN112287503B (zh) | 用于交通需求预测的动态空间网络构建方法 | |
CN103077483A (zh) | 基于综合边界条件的电网规划方法 | |
CN104636806A (zh) | 一种预定会议室的方法及装置 | |
CN105516332A (zh) | 一种基于地理位置和时间的应用推荐方法和*** | |
CN116539006B (zh) | 径流预测方法、装置、计算机设备和存储介质 | |
CN111428197A (zh) | 数据处理方法、装置及设备 |
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 |