CN116798234A - 车站参数信息的确定方法、装置、计算机设备和存储介质 - Google Patents
车站参数信息的确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116798234A CN116798234A CN202311084086.6A CN202311084086A CN116798234A CN 116798234 A CN116798234 A CN 116798234A CN 202311084086 A CN202311084086 A CN 202311084086A CN 116798234 A CN116798234 A CN 116798234A
- Authority
- CN
- China
- Prior art keywords
- target
- station
- area
- order
- return
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000003491 array Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 description 1
- 101100511466 Caenorhabditis elegans lon-1 gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101150061388 LON1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 101150004293 lon2 gene Proteins 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
-
- 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
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车站参数信息的确定方法、装置、计算机设备和存储介质。所述方法包括:当目标子区域满足预设的站点优化条件时,确定所述目标子区域的各难还车订单对应的用户尝试还车位置,并确定所述目标子区域的各停车判罚订单对应的停车判罚位置;根据所述各难还车订单对应的用户尝试还车位置和所述各停车判罚订单对应的停车判罚位置,确定目标位置,并对各所述目标位置进行聚类,得到聚类簇;基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息。采用本方法能够提高车站参数信息确定的效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种车站参数信息的确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在运营共享车辆的城市中,如果站点设置不合理,可能会导致用户找车难、停车难、甚至无缘无故被罚款等情况,引起用户投诉过多,不仅阻碍订单增长,而且极大影响用车体验。因此,对共享车辆的车站进行调整是非常重要的。而对共享车辆的车站进行调整的前提是确定共享车辆的车站参数信息。
传统的车站参数信息的确定方法为相关技术人员根据个人经验确定运营城市的车站参数信息。因此,传统的车站参数信息的确定方法耗费的时间长,效率低下。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高效率的车站参数信息的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种车站参数信息的确定方法。所述方法包括:
当目标子区域满足预设的站点优化条件时,确定所述目标子区域的各难还车订单对应的用户尝试还车位置,并确定所述目标子区域的各停车判罚订单对应的停车判罚位置;
根据所述各难还车订单对应的用户尝试还车位置和所述各停车判罚订单对应的停车判罚位置,确定目标位置,并对各所述目标位置进行聚类,得到聚类簇;
基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息。
在其中一个实施例中,所述基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息包括:
针对每一个聚类簇,将所述聚类簇内的各目标位置点构成的最小凸闭包,作为所述聚类簇的覆盖范围;
基于所述聚类簇的覆盖范围和所述目标子区域的车站信息,确定所述聚类簇对应的车站参数子信息;
将各所述聚类簇对应的车站参数子信息,构成所述目标子区域的车站参数信息。
在其中一个实施例中,所述车站信息包括各车站的车站范围,所述基于所述聚类簇的覆盖范围和所述目标子区域的车站信息,确定所述聚类簇对应的车站参数子信息包括:
若存在车站的车站范围与所述聚类簇的覆盖范围有重叠,则基于所述聚类簇的覆盖范围和所述车站的车站范围,确定所述车站的优化车站范围,并生成包含所述车站的优化车站范围的所述聚类簇对应的车站参数子信息;
若不存在车站的车站范围与所述聚类簇的覆盖范围有重叠,则将所述聚类簇的覆盖范围,作为新建车站的车站范围,并生成包含新建车站的车站范围的所述聚类簇对应的车站参数子信息。
在其中一个实施例中,所述覆盖范围包括聚类簇的多个边界经纬度坐标点数组,所述车站范围包括车站的多个边界经纬度坐标点数组,所述基于所述聚类簇的覆盖范围和所述车站的车站范围,确定所述车站的优化车站范围包括:
将所述聚类簇的多个边界经纬度坐标点数组和所述车站的多个边界经纬度坐标点数组输入至预设的凸包检测函数,得到所述车站的多个优化边界经纬度坐标点数组;
将所述车站的多个优化边界经纬度坐标点数组,作为所述车站的优化车站范围。
在其中一个实施例中,所述方法还包括:
当满足预设的车站评估条件时,获取目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量;所述目标区域包括多个子区域,所述目标子区域为所述多个子区域中的一个;
基于所述目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及所述目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算所述目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及所述目标子区域的站点密度、难还车订单占比和停车判罚订单占比;
若所述目标子区域的站点密度小于所述目标区域的站点密度、或者所述目标子区域的难还车订单占比大于所述目标区域的难还车订单占比、或者所述目标子区域的停车判罚订单占比大于所述目标区域的停车判罚订单占比,则确定目标子区域满足预设的站点优化条件。
在其中一个实施例中,所述基于所述目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及所述目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算所述目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及所述目标子区域的站点密度、难还车订单占比和停车判罚订单占比包括:
基于所述目标区域的服务区信息,计算所述目标区域的服务区面积,并基于所述目标子区域的服务区信息,计算所述目标子区域的服务区面积;
将所述目标区域的车站数量与所述目标区域的服务区面积的比值,作为所述目标区域的站点密度,并将所述目标子区域的车站数量与所述目标子区域的服务区面积的比值,作为所述目标子区域的站点密度;
将所述目标区域的难还车订单数量与所述目标区域的订单总量的比值,作为所述目标区域的难还车订单占比,并将所述目标子区域的难还车订单数量与所述目标子区域的订单总量的比值,作为所述目标子区域的难还车订单占比;
将所述目标区域的停车判罚订单数量与所述目标区域的订单总量的比值,作为所述目标区域的停车判罚订单占比,并将所述目标子区域的停车判罚订单数量与所述目标子区域的订单总量的比值,作为所述目标子区域的停车判罚订单占比。
在其中一个实施例中,所述方法还包括:
获取目标订单对应的用户尝试还车的点击次数和所述目标订单的用户反馈信息;
若所述目标订单对应的用户尝试还车的点击次数大于或等于预设的难还车点击次数阈值、或者所述目标订单对应的用户反馈信息表示还车困难,则确定所述目标订单为难还车订单。
第二方面,本申请还提供了一种车站参数信息的确定装置。所述装置包括:
第一确定模块,用于当目标子区域满足预设的站点优化条件时,确定所述目标子区域的各难还车订单对应的用户尝试还车位置,并确定所述目标子区域的各停车判罚订单对应的停车判罚位置;
聚类模块,用于根据所述各难还车订单对应的用户尝试还车位置和所述各停车判罚订单对应的停车判罚位置,确定目标位置,并对各所述目标位置进行聚类,得到聚类簇;
第二确定模块,用于基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息。
在其中一个实施例中,所述第二确定模块,具体用于:
针对每一个聚类簇,将所述聚类簇内的各目标位置点构成的最小凸闭包,作为所述聚类簇的覆盖范围;
基于所述聚类簇的覆盖范围和所述目标子区域的车站信息,确定所述聚类簇对应的车站参数子信息;
将各所述聚类簇对应的车站参数子信息,构成所述目标子区域的车站参数信息。
在其中一个实施例中,所述车站信息包括各车站的车站范围,所述第二确定模块,具体用于:
若存在车站的车站范围与所述聚类簇的覆盖范围有重叠,则基于所述聚类簇的覆盖范围和所述车站的车站范围,确定所述车站的优化车站范围,并生成包含所述车站的优化车站范围的所述聚类簇对应的车站参数子信息;
若不存在车站的车站范围与所述聚类簇的覆盖范围有重叠,则将所述聚类簇的覆盖范围,作为新建车站的车站范围,并生成包含新建车站的车站范围的所述聚类簇对应的车站参数子信息。
在其中一个实施例中,所述覆盖范围包括聚类簇的多个边界经纬度坐标点数组,所述车站范围包括车站的多个边界经纬度坐标点数组,所述第二确定模块,具体用于:
将所述聚类簇的多个边界经纬度坐标点数组和所述车站的多个边界经纬度坐标点数组输入至预设的凸包检测函数,得到所述车站的多个优化边界经纬度坐标点数组;
将所述车站的多个优化边界经纬度坐标点数组,作为所述车站的优化车站范围。
在其中一个实施例中,所述装置还包括:
第一获取模块,用于当满足预设的车站评估条件时,获取目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量;所述目标区域包括多个子区域,所述目标子区域为所述多个子区域中的一个;
计算模块,用于基于所述目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及所述目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算所述目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及所述目标子区域的站点密度、难还车订单占比和停车判罚订单占比;
第三确定模块,用于若所述目标子区域的站点密度小于所述目标区域的站点密度、或者所述目标子区域的难还车订单占比大于所述目标区域的难还车订单占比、或者所述目标子区域的停车判罚订单占比大于所述目标区域的停车判罚订单占比,则确定目标子区域满足预设的站点优化条件。
在其中一个实施例中,所述计算模块,具体用于:
基于所述目标区域的服务区信息,计算所述目标区域的服务区面积,并基于所述目标子区域的服务区信息,计算所述目标子区域的服务区面积;
将所述目标区域的车站数量与所述目标区域的服务区面积的比值,作为所述目标区域的站点密度,并将所述目标子区域的车站数量与所述目标子区域的服务区面积的比值,作为所述目标子区域的站点密度;
将所述目标区域的难还车订单数量与所述目标区域的订单总量的比值,作为所述目标区域的难还车订单占比,并将所述目标子区域的难还车订单数量与所述目标子区域的订单总量的比值,作为所述目标子区域的难还车订单占比;
将所述目标区域的停车判罚订单数量与所述目标区域的订单总量的比值,作为所述目标区域的停车判罚订单占比,并将所述目标子区域的停车判罚订单数量与所述目标子区域的订单总量的比值,作为所述目标子区域的停车判罚订单占比。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取目标订单对应的用户尝试还车的点击次数和所述目标订单的用户反馈信息;
第四确定模块,用于若所述目标订单对应的用户尝试还车的点击次数大于或等于预设的难还车点击次数阈值、或者所述目标订单对应的用户反馈信息表示还车困难,则确定所述目标订单为难还车订单。
第三方面,本申请还提供了一种计算机设备。所述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上述第一方面所述的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述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上述第一方面所述的步骤。
第五方面,本申请还提供了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,该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述车站参数信息的确定方法、装置、计算机设备、存储介质和计算机程序产品,当目标子区域满足预设的站点优化条件时,确定所述目标子区域的各难还车订单对应的用户尝试还车位置,并确定所述目标子区域的各停车判罚订单对应的停车判罚位置;根据所述各难还车订单对应的用户尝试还车位置和所述各停车判罚订单对应的停车判罚位置,确定目标位置,并对各所述目标位置进行聚类,得到聚类簇;基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息。这样,当目标子区域满足站点优化条件时,根据各难还车订单对应的用户尝试还车位置和各停车判罚订单对应的停车判罚位置,确定目标位置,并对目标位置聚类,基于聚类簇和目标子区的车站信息,自动确定目标子区域的车站参数信息,耗费的时间短,能够提高车站参数信息确定的效率。
附图说明
图1为一个实施例中车站参数信息的确定方法的流程示意图;
图2为一个实施例中确定目标子区域的车站参数信息步骤的流程示意图;
图3为一个实施例中确定聚类簇对应的车站参数子信息步骤的流程示意图;
图4为一个实施例中确定车站的优化车站范围步骤的流程示意图;
图5为一个实施例中确定目标子区域满足预设的站点优化条件的流程示意图;
图6为一个实施例中计算目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及目标子区域的站点密度、难还车订单占比和停车判罚订单占比步骤的流程示意图;
图7为一个实施例中确定难还车订单的流程示意图;
图8为一个实施例中车站参数信息的确定装置的结构框图;
图9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,提供了一种车站参数信息的确定方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤101,当目标子区域满足预设的站点优化条件时,确定目标子区域的各难还车订单对应的用户尝试还车位置,并确定目标子区域的各停车判罚订单对应的停车判罚位置。
在本申请实施例中,目标子区域为待进行车站调整的子区域。目标子区域运营共享车辆。车站为共享车辆车站。目标子区域可以为城市,可以为城市服务区,也可以为其他形式的共享车辆运营的区域。共享车辆为共享经济的车辆,可以为共享单车、共享电单车和共享汽车。站点优化条件用于衡量子区域的车站是否需要进行优化或调整,可以为时间条件。例如,若上一次确定目标子区域的车站参数信息的时间距离现在已经超过预设的第一时间阈值,则终端确定目标子区域满足预设的站点优化条件。
难还车订单包含订单编号、订单起止时间和用户尝试还车位置。难还车订单为用户难以还车成功的订单。用户尝试还车位置为用户尝试还车,但未还车成功的位置。若难还车订单存在多个用户尝试还车,但未还车成功的位置,则终端确定该多个用户尝试还车,但未还车成功的位置的中心点,并将该中心点作为该难还车订单对应的用户尝试还车位置。具体的,终端可以对难还车订单存在多个用户尝试还车,但未还车成功的位置聚类,得到聚类结果,并将聚类结果的中心点,作为该多个用户尝试还车,但未还车成功的位置的中心点。停车判罚订单包含订单编号、订单起止时间和停车判罚位置。停车判罚订单为用户停车后被判罚的订单。停车判罚指用户未在车站内还车而导致***判罚。停车判罚位置为停车判罚订单的用户停车位置。
步骤102,根据各难还车订单对应的用户尝试还车位置和各停车判罚订单对应的停车判罚位置,确定目标位置,并对各目标位置进行聚类,得到聚类簇。
在本申请实施例中,终端基于预设的样本间最大距离和最小样本数量,采用密度聚类算法,对各目标位置进行聚类,得到聚类簇。其中,样本间最大距离为目标位置之间的最大距离,例如,样本间最大距离为50米。最小样本数量为聚类簇内目标位置的最小数量,例如,最小样本数量为90。可以理解的是,样本间最大距离和最小样本数量可以由技术人员根据实际情况或经验进行设定。密度聚类算法可以为基于密度,对噪声鲁棒的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)。聚类簇内所有目标位置的平均值表示为该聚类簇的中心点。
在一个示例中,终端将各难还车订单对应的用户尝试还车位置和各停车判罚订单对应的停车判罚位置,作为目标位置。
在另一个示例中,终端将位于目标子区域的服务区内的各难还车订单对应的用户尝试还车位置和各停车判罚订单对应的停车判罚位置,作为目标位置。
步骤103,基于聚类簇和目标子区域的车站信息,确定目标子区域的车站参数信息。
在本申请实施例中,车站参数信息用于指示对目标子区域内的车站进行调整。例如,车站参数信息可以包括新建车站的车站范围。车站范围包括车站边界的位置信息。例如,车站参数信息也可以包括原车站的优化车站范围。优化车站范围为调整后的车站范围。
终端判断各聚类簇的覆盖范围与目标子区域的车站的车站范围是否存在重叠,得到重叠判断结果。然后,终端基于重叠判断结果,确定目标子区域的车站参数信息。
上述车站参数信息的确定方法中,当目标子区域满足预设的站点优化条件时,确定目标子区域的各难还车订单对应的用户尝试还车位置,并确定目标子区域的各停车判罚订单对应的停车判罚位置;根据各难还车订单对应的用户尝试还车位置和各停车判罚订单对应的停车判罚位置,确定目标位置,并对各目标位置进行聚类,得到聚类簇;基于聚类簇和目标子区域的车站信息,确定目标子区域的车站参数信息。这样,当目标子区域满足站点优化条件时,根据各难还车订单对应的用户尝试还车位置和各停车判罚订单对应的停车判罚位置,确定目标位置,并对目标位置聚类,基于聚类簇和目标子区的车站信息,自动确定目标子区域的车站参数信息,耗费的时间短,能够提高车站参数信息确定的效率。而且,本方法通过难还车订单对应的用户尝试还车位置和停车判罚订单对应的停车判罚位置确定车站参数信息,考虑用户实际体验,更加符合实际情况,能够提高车站参数信息确定的准确性。并且,本方法通过确定车站参数信息,指示共享车辆运营人员对车站进行调整优化,使其更加合理,能够提高用户体验,也能够解决阻碍订单增加的问题,促进订单增长。
在一个实施例中,如图2所示,基于聚类簇和目标子区域的车站信息,确定目标子区域的车站参数信息的具体过程包括以下步骤:
步骤201,针对每一个聚类簇,将该聚类簇内的各目标位置点构成的最小凸闭包,作为该聚类簇的覆盖范围。
在本申请实施例中,针对每一个聚类簇,终端确定该聚类簇内的各目标位置点构成的最小凸闭包。然后,终端将该聚类簇内的各目标位置点构成的最小凸闭包,作为该聚类簇的覆盖范围。
在一个示例中,终端将聚类簇包含的各目标位置的经纬度坐标点数组输入至预设的凸包检测函数,得到该聚类簇的多个边界经纬度坐标点数组。然后,终端将该聚类簇的多个边界经纬度坐标点数组,作为最小凸闭包。其中,聚类簇的多个边界经纬度坐标点数组为聚类簇的边界的多个经纬度坐标点数组。
步骤202,基于该聚类簇的覆盖范围和目标子区域的车站信息,确定该聚类簇对应的车站参数子信息。
在本申请实施例中,终端基于该聚类簇的覆盖范围和目标子区域的车站信息,判断该聚类簇的覆盖范围与目标子区域的车站范围是否重叠,得到该聚类簇的重叠判断子结果。然后,终端基于该聚类簇的重叠判断子结果,确定该聚类簇对应的车站参数子信息。
步骤203,将各聚类簇对应的车站参数子信息,构成目标子区域的车站参数信息。
上述车站参数信息的确定方法中,针对每一个聚类簇,将该聚类簇内的各目标位置点构成的最小凸闭包,作为该聚类簇的覆盖范围;基于该聚类簇的覆盖范围和目标子区域的车站信息,确定该聚类簇对应的车站参数子信息;将各聚类簇对应的车站参数子信息,构成目标子区域的车站参数信息。这样,将该聚类簇内的各目标位置点构成的最小凸闭包,作为该聚类簇的覆盖范围,再基于聚类簇的覆盖范围和目标子区域的车站信息,确定目标子区域的车站参数信息,相较于固定形状的覆盖范围,本方法更加符合实际情况,能够提高聚类簇的覆盖范围确定的准确性,进而进一步提高车站参数信息确定的准确性。
在一个实施例中,如图3所示,车站信息包括各车站的车站范围,基于聚类簇的覆盖范围和目标子区域的车站信息,确定聚类簇对应的车站参数子信息的具体过程包括以下步骤:
步骤301,若存在车站的车站范围与聚类簇的覆盖范围有重叠,则基于聚类簇的覆盖范围和车站的车站范围,确定车站的优化车站范围,并生成包含车站的优化车站范围的聚类簇对应的车站参数子信息。
在申请实施例中,针对目标子区域的每一个车站,终端基于预设的重叠判断函数、该车站的车站范围和聚类簇的覆盖范围,判断该车站的车站范围与聚类簇的覆盖范围是否有重叠,得到该车站的重叠判断子结果。其中,重叠判断函数可以为计算交集的函数,例如,shapely库的intersects函数。优化车站范围为调整后的车站范围。
在一个示例中,覆盖范围包括聚类簇的多个边界经纬度坐标点数组,车站范围包括车站的多个边界经纬度坐标点数组。针对目标子区域的每一个车站,终端将该车站的多个边界经纬度坐标点数组和聚类簇的多个边界经纬度坐标点数组输入至预设的intersects函数,得到该车站的重叠判断子结果。
步骤302,若不存在车站的车站范围与聚类簇的覆盖范围有重叠,则将聚类簇的覆盖范围,作为新建车站的车站范围,并生成包含新建车站的车站范围的聚类簇对应的车站参数子信息。
上述车站参数信息的确定方法中,若存在车站的车站范围与聚类簇的覆盖范围有重叠,则基于聚类簇的覆盖范围和车站的车站范围,确定车站的优化车站范围,并生成包含车站的优化车站范围的聚类簇对应的车站参数子信息;若不存在车站的车站范围与聚类簇的覆盖范围有重叠,则将聚类簇的覆盖范围,作为新建车站的车站范围,并生成包含新建车站的车站范围的聚类簇对应的车站参数子信息。这样,在聚类簇的覆盖范围与目标子区域各车站的车站范围均不存在重叠的情况下,按照聚类簇的覆盖范围新建一个车站,能够解决目标子区域内站点数量不足的问题;在聚类簇的覆盖范围与目标子区域各车站的车站范围均存在重叠的情况下,基于聚类簇的覆盖范围与车站的车站范围,确定调整后的车站范围,调整已有车站的范围,使其更加合理,能够解决目标子区域内车站面积过小的问题,更加符合实际情况,综合提高车站参数信息确定的准确性。
在一个实施例中,如图4所示,覆盖范围包括聚类簇的多个边界经纬度坐标点数组,车站范围包括车站的多个边界经纬度坐标点数组,基于聚类簇的覆盖范围和车站的车站范围,确定车站的优化车站范围的具体过程包括以下步骤:
步骤401,将聚类簇的多个边界经纬度坐标点数组和车站的多个边界经纬度坐标点数组输入至预设的凸包检测函数,得到车站的多个优化边界经纬度坐标点数组。
在本申请实施例中,聚类簇的多个边界经纬度坐标点数组为聚类簇的边界的多个经纬度坐标点数组。车站的多个边界经纬度坐标点数组为车站边界的多个经纬度坐标点数组。车站的多个优化边界经纬度坐标点数组为调整后的车站边界的多个经纬度坐标点数组。
在一个实施例中,终端确定车站的多个优化边界经纬度坐标点数组,可以表示为:new_points_array=cv2.convexHull(points_array)。其中,new_points_array为车站的多个优化边界经纬度坐标点数组,points_array为聚类簇的多个边界经纬度坐标点数组和车站的多个边界经纬度坐标点数组,cv2.convexHull为凸包检测函数。输入是两个多边形的经纬度坐标点数组,输出是拼接成的一个最小包含区域的经纬度坐标点数组[(lon1,lat1), (lon2, lat2), ...],其中,lon1和lon2是车站的多个优化边界经纬度坐标点的经度,lat1和lat2是车站的多个优化边界经纬度坐标点的纬度。cv2.convexHull函数是OpenCV库中用于计算给定点集的凸包(Convex Hull)的函数。凸包是包围给定点集的最小凸多边形,即不会凹陷的最小外部多边形。cv2.convexHull函数的主要原理是通过格雷厄姆扫描算法(Graham Scan Algorithm)或快速凸包算法(Quick Hull Algorithm)来计算点集的凸包。这两种算法都是常见的凸包计算方法。Graham扫描算法的具体原理为:首先,选择点集中纵坐标最小的点作为起始点,然后根据极角大小对其余点进行排序。排序后,从起始点开始,依次遍历点,维护一个栈。遍历过程中,对于每个点,判断它与栈顶点和上一个栈顶点之间的关系。如果这三个点的组成的角度形成凹形,就将栈顶点弹出,直到不再凹形为止。最后,栈中的点就构成了凸包。QuickHull算法的具体原理为:首先,选择点集中横坐标最小和最大的两个点,将点集划分为两部分:在直线上方和直线下方的点。这两个点必然在凸包上。然后,递归地对这两个点集进行QuickHull算法。在每一步递归中,选择距离直线最远的点,将点集划分为直线两侧的点,并重复上述步骤。最后,合并所有的凸包边界,得到整个凸包。无论使用哪种算法,cv2.convexHull函数都会计算出点集的凸包顶点,这些顶点按照逆时针或顺时针顺序排列,以构成完整的凸包边界。
步骤402,将车站的多个优化边界经纬度坐标点数组,作为车站的优化车站范围。
上述车站参数信息的确定方法中,将聚类簇的多个边界经纬度坐标点数组和车站的多个边界经纬度坐标点数组输入至预设的凸包检测函数,得到车站的多个优化边界经纬度坐标点数组;将车站的多个优化边界经纬度坐标点数组,作为车站的优化车站范围。这样,通过凸包检测函数、聚类簇的多个边界经纬度坐标点数组和车站的多个边界经纬度坐标点数组,将聚类簇和已有车站拼接成一个能够包含聚类簇和已有车站的优化车站范围,使得优化调整后的车站能够覆盖难还车订单的用户尝试还车位置和停车判罚订单的停车判罚位置,考虑用户实际体验,更加符合实际情况,能够提高车站参数信息确定的准确性。
在一个实施例中,如图5所示,车站参数信息的确定方法还包括以下步骤:
步骤501,当满足预设的车站评估条件时,获取目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量。
其中,目标区域包括多个子区域,目标子区域为多个子区域中的一个。
在本申请实施例中,车站评估条件用于衡量子区域的车站是否需要进行评估,该评估为评估子区域的车站是否需要进行优化或调整,可以为时间条件。例如,若上一次判断目标子区域是否满足预设的站点优化条件的时间距离现在已经超过预设的第二时间阈值,则终端确定目标子区域满足预设的车站评估条件。服务区为城市中划定的可以运营共享车辆的一个地理区域。服务区信息包括服务区的边界位置信息。目标区域可以为某个地理区域的所有运营共享车辆的区域。订单总量、难还车订单数量和停车判罚订单数量均为历史时间段内的订单总量、难还车订单数量和停车判罚订单数量。例如,历史时间段可以为最近30天。
步骤502,基于目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及目标子区域的站点密度、难还车订单占比和停车判罚订单占比。
在本申请实施例中,终端基于目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算目标区域的站点密度、难还车订单占比和停车判罚订单占比。同时,终端基于目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算目标子区域的站点密度、难还车订单占比和停车判罚订单占比。
步骤503,若目标子区域的站点密度小于目标区域的站点密度、或者目标子区域的难还车订单占比大于目标区域的难还车订单占比、或者目标子区域的停车判罚订单占比大于目标区域的停车判罚订单占比,则确定目标子区域满足预设的站点优化条件。
在本申请实施例中,终端将目标子区域的站点密度与目标区域的站点密度进行比较,将目标子区域的难还车订单占比与目标区域的难还车订单占比进行比较,将目标子区域的停车判罚订单占比与目标区域的停车判罚订单占比进行比较。
上述车站参数信息的确定方法中,当满足预设的车站评估条件时,获取目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量;基于目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及目标子区域的站点密度、难还车订单占比和停车判罚订单占比;若目标子区域的站点密度小于目标区域的站点密度、或者目标子区域的难还车订单占比大于目标区域的难还车订单占比、或者目标子区域的停车判罚订单占比大于目标区域的停车判罚订单占比,则确定目标子区域满足预设的站点优化条件。这样,通过计算目标子区域和目标区域的站点密度、难还车订单占比和停车判罚订单占比,且在目标子区域的站点密度低于目标区域的均值、或者目标子区域的难还车订单占比高于目标区域的均值、或者目标子区域的停车判罚订单占比高于目标区域的均值实的情况下,即这三个指标中至少一项异常的情况下,确定目标子区域的车站设置不合理,确定目标子区域的车站参数信息,以优化调整目标子区域的车站,考虑用户实际体验,能够及时确定需要调整车站的子区域,能够提高车站参数信息确定的及时性。
在一个实施例中,如图6所示,基于目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及目标子区域的站点密度、难还车订单占比和停车判罚订单占比的具体过程包括以下步骤:
步骤601,基于目标区域的服务区信息,计算目标区域的服务区面积,并基于目标子区域的服务区信息,计算目标子区域的服务区面积。
在本申请实施例中,终端基于目标区域的服务区的边界位置信息,计算目标区域的服务区面积。同时,终端基于目标子区域的服务区的边界位置信息,计算目标子区域的服务区面积。
步骤602,将目标区域的车站数量与目标区域的服务区面积的比值,作为目标区域的站点密度,并将目标子区域的车站数量与目标子区域的服务区面积的比值,作为目标子区域的站点密度。
在本申请实施例中,站点密度为每单位面积内平均覆盖的车站数量,例如,可以为每平方公里平均覆盖的站点数。
步骤603,将目标区域的难还车订单数量与目标区域的订单总量的比值,作为目标区域的难还车订单占比,并将目标子区域的难还车订单数量与目标子区域的订单总量的比值,作为目标子区域的难还车订单占比。
在本申请实施例中,难还车订单占比为难还车订单数量占全部订单数量的比值。
步骤604,将目标区域的停车判罚订单数量与目标区域的订单总量的比值,作为目标区域的停车判罚订单占比,并将目标子区域的停车判罚订单数量与目标子区域的订单总量的比值,作为目标子区域的停车判罚订单占比。
在本申请实施例中,停车判罚占比为停车判罚订单数量占全部订单数量的比值。
上述车站参数信息的确定方法中,基于目标区域的服务区信息,计算目标区域的服务区面积,并基于目标子区域的服务区信息,计算目标子区域的服务区面积;将目标区域的车站数量与目标区域的服务区面积的比值,作为目标区域的站点密度,并将目标子区域的车站数量与目标子区域的服务区面积的比值,作为目标子区域的站点密度;将目标区域的难还车订单数量与目标区域的订单总量的比值,作为目标区域的难还车订单占比,并将目标子区域的难还车订单数量与目标子区域的订单总量的比值,作为目标子区域的难还车订单占比;将目标区域的停车判罚订单数量与目标区域的订单总量的比值,作为目标区域的停车判罚订单占比,并将目标子区域的停车判罚订单数量与目标子区域的订单总量的比值,作为目标子区域的停车判罚订单占比。这样,通过将单位服务区内的车站数量、难还车订单数量占全部订单数量的占比和停车判罚订单数量占全部订单数量的占比,作为衡量是否确定目标子区域的车站参数信息的条件,考虑用户实际体验,更加符合实际情况,能够提高判断是否确定目标子区域的车站参数信息的准确性,进一步提高车站参数信息确定的准确性。
在一个实施例中,如图7所示,车站参数信息的确定方法还包括以下步骤:
步骤701,获取目标订单对应的用户尝试还车的点击次数和目标订单的用户反馈信息。
在本申请实施例中,用户尝试还车的点击次数为用户尝试还车且未成功还车的点击还车次数。目标订单为全部订单中的任一订单。
步骤702,若目标订单对应的用户尝试还车的点击次数大于或等于预设的难还车点击次数阈值、或者目标订单对应的用户反馈信息表示还车困难,则确定目标订单为难还车订单。
在本申请实施例中,难还车点击次数阈值用于衡量订单是否为难还车订单。例如,难还车点击次数阈值可以为3。
上述车站参数信息的确定方法中,获取目标订单对应的用户尝试还车的点击次数和目标订单的用户反馈信息;若目标订单对应的用户尝试还车的点击次数大于或等于预设的难还车点击次数阈值、或者目标订单对应的用户反馈信息表示还车困难,则确定目标订单为难还车订单。这样,通过用户是否多次尝试还车且未还车成功和用户明确反馈还车困难来判断订单是否为难还车订单,考虑用户实际体验,更加符合实际情况,能够提高车站参数信息确定的准确性。
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车站参数信息的确定方法的车站参数信息的确定装置。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车站参数信息的确定装置实施例中的具体限定可以参见上文中对于车站参数信息的确定方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种车站参数信息的确定装置800,包括:第一确定模块810、聚类模块820和第二确定模块830,其中:
第一确定模块810,用于当目标子区域满足预设的站点优化条件时,确定所述目标子区域的各难还车订单对应的用户尝试还车位置,并确定所述目标子区域的各停车判罚订单对应的停车判罚位置;
聚类模块820,用于根据所述各难还车订单对应的用户尝试还车位置和所述各停车判罚订单对应的停车判罚位置,确定目标位置,并对各所述目标位置进行聚类,得到聚类簇;
第二确定模块830,用于基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息。
可选的,所述第二确定模块830,具体用于:
针对每一个聚类簇,将所述聚类簇内的各目标位置点构成的最小凸闭包,作为所述聚类簇的覆盖范围;
基于所述聚类簇的覆盖范围和所述目标子区域的车站信息,确定所述聚类簇对应的车站参数子信息;
将各所述聚类簇对应的车站参数子信息,构成所述目标子区域的车站参数信息。
可选的,所述车站信息包括各车站的车站范围,所述第二确定模块830,具体用于:
若存在车站的车站范围与所述聚类簇的覆盖范围有重叠,则基于所述聚类簇的覆盖范围和所述车站的车站范围,确定所述车站的优化车站范围,并生成包含所述车站的优化车站范围的所述聚类簇对应的车站参数子信息;
若不存在车站的车站范围与所述聚类簇的覆盖范围有重叠,则将所述聚类簇的覆盖范围,作为新建车站的车站范围,并生成包含新建车站的车站范围的所述聚类簇对应的车站参数子信息。
可选的,所述覆盖范围包括聚类簇的多个边界经纬度坐标点数组,所述车站范围包括车站的多个边界经纬度坐标点数组,所述第二确定模块830,具体用于:
将所述聚类簇的多个边界经纬度坐标点数组和所述车站的多个边界经纬度坐标点数组输入至预设的凸包检测函数,得到所述车站的多个优化边界经纬度坐标点数组;
将所述车站的多个优化边界经纬度坐标点数组,作为所述车站的优化车站范围。
可选的,所述装置800还包括:
第一获取模块,用于当满足预设的车站评估条件时,获取目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量;所述目标区域包括多个子区域,所述目标子区域为所述多个子区域中的一个;
计算模块,用于基于所述目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及所述目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算所述目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及所述目标子区域的站点密度、难还车订单占比和停车判罚订单占比;
第三确定模块,用于若所述目标子区域的站点密度小于所述目标区域的站点密度、或者所述目标子区域的难还车订单占比大于所述目标区域的难还车订单占比、或者所述目标子区域的停车判罚订单占比大于所述目标区域的停车判罚订单占比,则确定目标子区域满足预设的站点优化条件。
可选的,所述计算模块,具体用于:
基于所述目标区域的服务区信息,计算所述目标区域的服务区面积,并基于所述目标子区域的服务区信息,计算所述目标子区域的服务区面积;
将所述目标区域的车站数量与所述目标区域的服务区面积的比值,作为所述目标区域的站点密度,并将所述目标子区域的车站数量与所述目标子区域的服务区面积的比值,作为所述目标子区域的站点密度;
将所述目标区域的难还车订单数量与所述目标区域的订单总量的比值,作为所述目标区域的难还车订单占比,并将所述目标子区域的难还车订单数量与所述目标子区域的订单总量的比值,作为所述目标子区域的难还车订单占比;
将所述目标区域的停车判罚订单数量与所述目标区域的订单总量的比值,作为所述目标区域的停车判罚订单占比,并将所述目标子区域的停车判罚订单数量与所述目标子区域的订单总量的比值,作为所述目标子区域的停车判罚订单占比。
可选的,所述装置800还包括:
第二获取模块,用于获取目标订单对应的用户尝试还车的点击次数和所述目标订单的用户反馈信息;
第四确定模块,用于若所述目标订单对应的用户尝试还车的点击次数大于或等于预设的难还车点击次数阈值、或者所述目标订单对应的用户反馈信息表示还车困难,则确定所述目标订单为难还车订单。
上述车站参数信息的确定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9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***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***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***和计算机程序。该内存储器为非易失性存储介质中的操作***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车站参数信息的确定方法。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9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,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,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。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,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。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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 AccessMemory,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)
1.一种车站参数信息的确定方法,其特征在于,所述方法包括:
当目标子区域满足预设的站点优化条件时,确定所述目标子区域的各难还车订单对应的用户尝试还车位置,并确定所述目标子区域的各停车判罚订单对应的停车判罚位置;
根据所述各难还车订单对应的用户尝试还车位置和所述各停车判罚订单对应的停车判罚位置,确定目标位置,并对各所述目标位置进行聚类,得到聚类簇;
基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息包括:
针对每一个聚类簇,将所述聚类簇内的各目标位置点构成的最小凸闭包,作为所述聚类簇的覆盖范围;
基于所述聚类簇的覆盖范围和所述目标子区域的车站信息,确定所述聚类簇对应的车站参数子信息;
将各所述聚类簇对应的车站参数子信息,构成所述目标子区域的车站参数信息。
3.根据权利要求2所述的方法,其特征在于,所述车站信息包括各车站的车站范围,所述基于所述聚类簇的覆盖范围和所述目标子区域的车站信息,确定所述聚类簇对应的车站参数子信息包括:
若存在车站的车站范围与所述聚类簇的覆盖范围有重叠,则基于所述聚类簇的覆盖范围和所述车站的车站范围,确定所述车站的优化车站范围,并生成包含所述车站的优化车站范围的所述聚类簇对应的车站参数子信息;
若不存在车站的车站范围与所述聚类簇的覆盖范围有重叠,则将所述聚类簇的覆盖范围,作为新建车站的车站范围,并生成包含新建车站的车站范围的所述聚类簇对应的车站参数子信息。
4.根据权利要求3所述的方法,其特征在于,所述覆盖范围包括聚类簇的多个边界经纬度坐标点数组,所述车站范围包括车站的多个边界经纬度坐标点数组,所述基于所述聚类簇的覆盖范围和所述车站的车站范围,确定所述车站的优化车站范围包括:
将所述聚类簇的多个边界经纬度坐标点数组和所述车站的多个边界经纬度坐标点数组输入至预设的凸包检测函数,得到所述车站的多个优化边界经纬度坐标点数组;
将所述车站的多个优化边界经纬度坐标点数组,作为所述车站的优化车站范围。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当满足预设的车站评估条件时,获取目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量;所述目标区域包括多个子区域,所述目标子区域为所述多个子区域中的一个;
基于所述目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及所述目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算所述目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及所述目标子区域的站点密度、难还车订单占比和停车判罚订单占比;
若所述目标子区域的站点密度小于所述目标区域的站点密度、或者所述目标子区域的难还车订单占比大于所述目标区域的难还车订单占比、或者所述目标子区域的停车判罚订单占比大于所述目标区域的停车判罚订单占比,则确定目标子区域满足预设的站点优化条件。
6.根据权利要求5所述的方法,其特征在于,所述基于所述目标区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量、以及所述目标子区域的车站数量、服务区信息、订单总量、难还车订单数量和停车判罚订单数量,计算所述目标区域的站点密度、难还车订单占比和停车判罚订单占比、以及所述目标子区域的站点密度、难还车订单占比和停车判罚订单占比包括:
基于所述目标区域的服务区信息,计算所述目标区域的服务区面积,并基于所述目标子区域的服务区信息,计算所述目标子区域的服务区面积;
将所述目标区域的车站数量与所述目标区域的服务区面积的比值,作为所述目标区域的站点密度,并将所述目标子区域的车站数量与所述目标子区域的服务区面积的比值,作为所述目标子区域的站点密度;
将所述目标区域的难还车订单数量与所述目标区域的订单总量的比值,作为所述目标区域的难还车订单占比,并将所述目标子区域的难还车订单数量与所述目标子区域的订单总量的比值,作为所述目标子区域的难还车订单占比;
将所述目标区域的停车判罚订单数量与所述目标区域的订单总量的比值,作为所述目标区域的停车判罚订单占比,并将所述目标子区域的停车判罚订单数量与所述目标子区域的订单总量的比值,作为所述目标子区域的停车判罚订单占比。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取目标订单对应的用户尝试还车的点击次数和所述目标订单的用户反馈信息;
若所述目标订单对应的用户尝试还车的点击次数大于或等于预设的难还车点击次数阈值、或者所述目标订单对应的用户反馈信息表示还车困难,则确定所述目标订单为难还车订单。
8.一种车站参数信息的确定装置,其特征在于,所述装置包括:
第一确定模块,用于当目标子区域满足预设的站点优化条件时,确定所述目标子区域的各难还车订单对应的用户尝试还车位置,并确定所述目标子区域的各停车判罚订单对应的停车判罚位置;
聚类模块,用于根据所述各难还车订单对应的用户尝试还车位置和所述各停车判罚订单对应的停车判罚位置,确定目标位置,并对各所述目标位置进行聚类,得到聚类簇;
第二确定模块,用于基于所述聚类簇和所述目标子区域的车站信息,确定所述目标子区域的车站参数信息。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311084086.6A CN116798234B (zh) | 2023-08-28 | 2023-08-28 | 车站参数信息的确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311084086.6A CN116798234B (zh) | 2023-08-28 | 2023-08-28 | 车站参数信息的确定方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116798234A true CN116798234A (zh) | 2023-09-22 |
CN116798234B CN116798234B (zh) | 2024-01-26 |
Family
ID=88040090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311084086.6A Active CN116798234B (zh) | 2023-08-28 | 2023-08-28 | 车站参数信息的确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116798234B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016200983A (ja) * | 2015-04-10 | 2016-12-01 | 日産自動車株式会社 | 共用車両管理装置 |
CN106658417A (zh) * | 2017-03-08 | 2017-05-10 | 天津乾丰机电设备有限公司 | 一种基于无线定位基站的共享单车还车方法及*** |
CN108665724A (zh) * | 2017-03-31 | 2018-10-16 | 北京智汇空间科技有限公司 | 限定待停放车辆停放位置的***及方法 |
CN109063957A (zh) * | 2018-06-22 | 2018-12-21 | 南京师范大学 | 一种共享单车动态调度方法和*** |
CN109344782A (zh) * | 2018-10-11 | 2019-02-15 | 珠海市杰理科技股份有限公司 | 共享交通工具停放监控方法、装置 |
CN111260164A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种运力调度方法以及装置 |
CN111429000A (zh) * | 2020-03-23 | 2020-07-17 | 成都信息工程大学 | 一种基于站点聚类的共享单车取还站点推荐方法及*** |
CN112270825A (zh) * | 2020-11-03 | 2021-01-26 | 宁波小遛共享信息科技有限公司 | 一种停车判定方法、装置、电子设备及存储介质 |
CN112801727A (zh) * | 2020-11-30 | 2021-05-14 | 北京交通大学 | 一种考虑租赁点车位数量和车辆调度的联合优化方法 |
CN113283754A (zh) * | 2021-05-27 | 2021-08-20 | 哈尔滨工业大学(深圳) | 一种车站选址方法、装置、计算设备和存储介质 |
CN113393030A (zh) * | 2021-06-11 | 2021-09-14 | 上海钧正网络科技有限公司 | 车辆运营区域潜力站点选址方法、***、终端及介质 |
CN113869652A (zh) * | 2021-09-01 | 2021-12-31 | 宁波喵走科技有限公司 | 共享单车还车规划方法、装置、设备及存储介质 |
CN115879737A (zh) * | 2023-01-08 | 2023-03-31 | 北京工业大学 | 一种基于密度和出入度平衡聚类的共享单车站点选址方法 |
CN116308501A (zh) * | 2023-05-24 | 2023-06-23 | 北京骑胜科技有限公司 | 用于管理共享车辆的运营区域的方法、装置、设备和介质 |
CN116340443A (zh) * | 2021-12-24 | 2023-06-27 | 奥动新能源汽车科技有限公司 | 车辆行驶数据的热力图显示方法及***、设备及介质 |
CN116383689A (zh) * | 2023-04-26 | 2023-07-04 | 重庆长安汽车股份有限公司 | 停车区域识别方法、装置、车辆及存储介质 |
CN116453371A (zh) * | 2023-06-16 | 2023-07-18 | 北京阿帕科蓝科技有限公司 | 共享车辆的还车识别方法、装置、计算机设备和存储介质 |
CN116503098A (zh) * | 2023-06-27 | 2023-07-28 | 北京阿帕科蓝科技有限公司 | 共享车辆车站的挖掘方法、装置、计算机设备和存储介质 |
-
2023
- 2023-08-28 CN CN202311084086.6A patent/CN116798234B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016200983A (ja) * | 2015-04-10 | 2016-12-01 | 日産自動車株式会社 | 共用車両管理装置 |
CN106658417A (zh) * | 2017-03-08 | 2017-05-10 | 天津乾丰机电设备有限公司 | 一种基于无线定位基站的共享单车还车方法及*** |
CN108665724A (zh) * | 2017-03-31 | 2018-10-16 | 北京智汇空间科技有限公司 | 限定待停放车辆停放位置的***及方法 |
CN109063957A (zh) * | 2018-06-22 | 2018-12-21 | 南京师范大学 | 一种共享单车动态调度方法和*** |
CN109344782A (zh) * | 2018-10-11 | 2019-02-15 | 珠海市杰理科技股份有限公司 | 共享交通工具停放监控方法、装置 |
CN111260164A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种运力调度方法以及装置 |
CN111429000A (zh) * | 2020-03-23 | 2020-07-17 | 成都信息工程大学 | 一种基于站点聚类的共享单车取还站点推荐方法及*** |
CN112270825A (zh) * | 2020-11-03 | 2021-01-26 | 宁波小遛共享信息科技有限公司 | 一种停车判定方法、装置、电子设备及存储介质 |
CN112801727A (zh) * | 2020-11-30 | 2021-05-14 | 北京交通大学 | 一种考虑租赁点车位数量和车辆调度的联合优化方法 |
CN113283754A (zh) * | 2021-05-27 | 2021-08-20 | 哈尔滨工业大学(深圳) | 一种车站选址方法、装置、计算设备和存储介质 |
CN113393030A (zh) * | 2021-06-11 | 2021-09-14 | 上海钧正网络科技有限公司 | 车辆运营区域潜力站点选址方法、***、终端及介质 |
CN113869652A (zh) * | 2021-09-01 | 2021-12-31 | 宁波喵走科技有限公司 | 共享单车还车规划方法、装置、设备及存储介质 |
CN116340443A (zh) * | 2021-12-24 | 2023-06-27 | 奥动新能源汽车科技有限公司 | 车辆行驶数据的热力图显示方法及***、设备及介质 |
CN115879737A (zh) * | 2023-01-08 | 2023-03-31 | 北京工业大学 | 一种基于密度和出入度平衡聚类的共享单车站点选址方法 |
CN116383689A (zh) * | 2023-04-26 | 2023-07-04 | 重庆长安汽车股份有限公司 | 停车区域识别方法、装置、车辆及存储介质 |
CN116308501A (zh) * | 2023-05-24 | 2023-06-23 | 北京骑胜科技有限公司 | 用于管理共享车辆的运营区域的方法、装置、设备和介质 |
CN116453371A (zh) * | 2023-06-16 | 2023-07-18 | 北京阿帕科蓝科技有限公司 | 共享车辆的还车识别方法、装置、计算机设备和存储介质 |
CN116503098A (zh) * | 2023-06-27 | 2023-07-28 | 北京阿帕科蓝科技有限公司 | 共享车辆车站的挖掘方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
赵宏;史瑞刚;: "公共自行车***站点设置和锁桩配置评价研究", 兰州理工大学学报, no. 02, pages 113 - 118 * |
郭彦茹 等: "数据驱动的共享单车停放区规划方法研究", 《交通运输***工程与信息》, vol. 21, no. 6, pages 9 - 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN116798234B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069285B (zh) | 基于三维高精地图切片的地图生成方法、装置及电子设备 | |
Shekhar et al. | From GPS and virtual globes to spatial computing-2020 | |
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 | |
CN116453371B (zh) | 共享车辆的还车识别方法、装置、计算机设备和存储介质 | |
CN116781788B (zh) | 服务决策方法以及服务决策装置 | |
CN116151600B (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
CN116798234B (zh) | 车站参数信息的确定方法、装置、计算机设备和存储介质 | |
CN117037482A (zh) | 道路交通运行状态实时感知方法、***、设备及存储介质 | |
CN114430530B (zh) | 空间划分方法、装置、设备、介质和程序产品 | |
CN113360586B (zh) | 地址聚集度查询方法、装置、设备及计算机可读存储介质 | |
CN117576645B (zh) | 基于bev视角的车位检测方法、装置和计算机设备 | |
CN117787669B (zh) | 车辆管理方法、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 | |
CN112822045B (zh) | 基于多特征混合神经网络的内容传播热区预测方法 | |
CN116304384B (zh) | 兴趣点搜索方法、装置、计算机设备及存储介质 | |
CN116659538B (zh) | 变道路径规划方法、装置和车载设备 | |
CN116279935B (zh) | 车辆倾倒预警方法、装置及计算机设备 | |
CN117826277A (zh) | 降水预测方法、装置、计算机设备和存储介质 | |
CN117114278A (zh) | 网点选址方法、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 | |
CN116681470A (zh) | 门店选址方法、装置、计算机设备、存储介质和产品 | |
CN117876027A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN117422189A (zh) | 一种多类型车辆联合的城市环境感知优化方法及装置 | |
CN117132080A (zh) | 资源调度方法、装置及计算机设备 | |
CN114117241A (zh) | 一种加油站推荐方法、装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |