CN110047279A - 一种基于订单数据确定共享单车调度量的方法 - Google Patents

Abstract

本发明公开了一种基于订单数据确定共享单车调度量的方法，包括以下步骤：(1)对共享单车订单数据进行聚类分析，划分虚拟站点服务区域；(2)通过判断每辆车的每次出行终点与下次出行起点是否在不同虚拟站点，识别实际调度行为并测算企业调度能力；(3)根据企业调度能力确定虚拟站点的车辆数量阈值，通过预测虚拟站点的车辆数量变化来确定各虚拟站点的车辆调入调出需求数量。本发明仅利用订单数据就能准确识别各个区域的共享单车车辆调度需求，计算简便快捷，识别效果好，为企业运营调度降本增效提供了有效决策支持。

Description

一种基于订单数据确定共享单车调度量的方法

技术领域

本发明涉及共享单车运营和数据挖掘领域，具体涉及一种基于订单数据确定共享单 车调度量的方法。

背景技术

近年来，“移动通讯、互联网+、共享经济”等新技术新业态进入交通领域，给城市交通带来了巨大机遇和挑战。2012年，快的打车和滴滴打车等网约车平台先后上线，从 出租车逐步推广到私家车，对行业发展产生巨大影响。2016年，以ofo小黄车和摩拜单 车为代表的随借随还的共享单车(也称“互联网租赁自行车”)，在上海、北京等一线城 市投放车辆运营，因为使用方便形象时尚等优点得到用户广泛接受，覆盖城市和投放规 模都不断增长。

伴随着单车大量投放，客流热点区域容易发生车辆堆积现象、高峰时段部分区域存 在无车可借情况、单车企业用于运营管理资源相对有限等问题越发严重，共享单车企业需要进行合理高效的运营调度。当前的共享单车调度模式可以简化为：利用政府人员和 社会力量发现车辆堆积或无序停放等不良现象，政府部门在通讯群中发布调度任务，企 业运营人员驾驶调度货车到达地点完成任务。现有模式过分依赖人力来发现不良停放现 象，未能有效利用企业运营大数据的分析挖掘来识别共享单车调度需求，也难以做到提 前预知和及时解决共享单车停放问题。

发明内容

发明目的：针对现有技术的不足，本发明提出了一种基于订单数据确定共享单车调 度量的方法，通过对共享单车运营数据的挖掘分析，为企业合理安排运营调度提供有效依据。

技术方案：一种基于订单数据确定共享单车调度量的方法，包括以下步骤：

(1)对共享单车订单数据中的出行起点进行聚类分析，划分虚拟站点服务区域；

(2)通过判断每辆车的每次出行终点与下次出行起点是否在不同虚拟站点，识别实际调度行为并测算企业调度能力；

(3)根据企业调度能力确定虚拟站点的车辆数量阈值，通过预测虚拟站点的车辆数量变化来确定各虚拟站点的车辆调入调出需求数量。

进一步地，所述步骤1中聚类分析结果满足约束条件：所有虚拟站点的服务半径r_m都不大于用户最大步行距离dist_walk，

其中，olo_i,j为第i辆车第j次出行的出行起点的出发经度；ola_i,j为第i辆车第j次出 行的出行起点的出发纬度；lo_m为第m个虚拟站点聚类中心C_m的经纬度；la_m是第m个 虚拟站点包含的所有出行起点的经纬度均值；O_i,j为第i辆车第j次出行的出行起点；Z_m为第m个虚拟站点服务范围，是其包含的所有出行起点的最小包围多边形；r_m为第m 个虚拟站点服务半径，是其包含的所有出行起点到聚类中心的距离最大值。

进一步地，所述步骤3包括以下步骤：

3.1，根据企业调度能力确定虚拟站点的车辆数量阈值：

β_m＝d·S_m

α_m＝k·β_m

B_m,max＝MAX(B_m,t),t∈(t₀,t₀+T)

B_m,min＝MIN(B_m,t),t∈(t₀,t₀+T)

其中，Y_m为研究时段(t₀,t₀+T)内第m个虚拟站点的车辆调出需求数量，X_m为研究时段(t₀,t₀+T)内第m个虚拟站点的车辆调入需求数量，d为车辆密度界限，k为车辆数量 比例界限，l为调度启动界限，B_m,t是研究时段t时第m个虚拟站点的车辆数量，S_m为第 m个虚拟站点服务范围的面积，α_m表示第m个虚拟站点的车辆数量阈值下限，β_m表示 第m个虚拟站点的车辆数量阈值上限，B_m,max表示研究时段(t₀,t₀+T)内第m个虚拟站点 的车辆数量最大值，B_m,min表示研究时段(t₀,t₀+T)内第m个虚拟站点的车辆数量最小值；

在计算过程中需满足约束条件：研究时段(t₀,t₀+T)内所有虚拟站 点的车辆调出需求数量之和等于所有虚拟站点的车辆调入需求数量之和，且都等于企业 调度能力R；

并且满足约束条件：即任何时段所有虚拟站点的车辆数量之和不大于车辆总数N；

3.2，预测下一个研究时段(t₀+T,t₀+2T)的虚拟站点的车辆数量变化情况；

满足约束条件：即任何时段所有虚拟站点的车辆数量之和不大于车辆总数N；

3.3，确定各虚拟站点的车辆调入调出需求数量：

v_m,max＝MAX(B_m,t),t∈(t₀+T,t₀+2T)

v_m,min＝MIN(B_m,t),t∈(t₀+T,t₀+2T)

其中，ν_m,max表示下一个研究时段(t₀+T,t₀+2T)内第m个虚拟站点的车辆数量最大值， ν_m,min表示同时段内第m个虚拟站点的车辆数量最小值；

满足约束条件：即下一个研究时段(t+T,t+2T)内所有虚拟站点 的车辆调出需求数量之和等于所有虚拟站点的车辆调入需求数量之和，且都不大于企业 调度能力R。

有益效果：本发明根据共享单车订单数据聚类分析来划分虚拟站点服务区域，识别 实际调度行为并测算企业调度能力，根据企业调度能力确定虚拟站点的车辆数量阈值，通过预测虚拟站点的车辆数量变化来确定各虚拟站点的车辆调入调出需求数量，为企业运营调度降本增效提供了分析方法。本发明能有效识别共享单车在各个区域内的车辆调度需求数量，改善共享单车运营调度中缺乏提前预知和难以及时解决的现状问题，为通 过数据挖掘引导企业高效经营提供了有效决策支持。

附图说明

图1为根据本发明的基于订单数据获取共享单车调度量的方法流程图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

图1所示为本发明确定各个区域共享单车车辆调度需求数量的流程图，本发明基于 订单数据来确定共享单车的调度量，主要包含以下步骤：

步骤(1)，根据共享单车订单数据聚类分析来确定虚拟站点，虚拟站点的含义是：一个步行可达区域内共享单车的集聚点。设虚拟站点数量为M，第m个虚拟站点的中 心为C_m，第m个虚拟站点的服务区域为Z_m，第m个虚拟站点的服务半径为r_m，研究开 始时间为t₀，研究周期为T，研究时段为(t₀,t₀+T)。订单数据包括车辆编号、出发时间、 出发经度、出发纬度、到达时间、到达经度、到达纬度等7个字段。出发经度、出发纬 度构成出行起点，到达纬度、到达经度构成出行终点。

根据订单数据出行起点的聚类分析结果来划分共享单车的各个虚拟站点服务区域。 满足约束条件：r_m＜dist_walk,m∈[1,M]，即所有虚拟站点的服务半径都应不大于用户最大 步行距离dist_walk，若不满足则需要调整参数重新聚类，聚类算法包括K均值、密度和层次聚类等方法。用户最大步行距离dist_walk应根据不同城市的实际情况确定，一般而言用户最大步行距离dist_walk的取值范围为50-800米。

其中，第m个虚拟站点聚类中心C_m的经纬度lo_m、la_m是其包含的所有出行起点的 经纬度均值；第m个虚拟站点服务范围Z_m是其包含的所有出行起点的最小包围多边形； 第m个虚拟站点服务半径r_m是其包含的所有出行起点到聚类中心的距离最大值，olo_i,j为第i辆车第j次出行的出行起点的出发经度，ola_i,j为第i辆车第j次出行的出行起点的 出发纬度。

步骤(2)，通过判断每辆车的每次出行终点与下次出行起点是否在不同虚拟站点，识别实际调度行为并测算企业调度能力。

设车辆总数为N，第i辆车第j次出行的出行起点为O_i,j，第i辆车第j次出行的出 行终点为D_i,j。每辆车的每次出行终点与下次出行起点在不同虚拟站点，识别为发生一 次调度，反之则不认为是调度。研究周期T内所有调度的累计次数就是企业调度能力R。

步骤(3)，根据企业调度能力确定虚拟站点的车辆数量阈值，通过预测用户出行需求而掌握虚拟站点的车辆数量变化，来确定各虚拟站点的车辆调入调出需求数量。

具体步骤包括：

(31)根据企业调度能力确定虚拟站点的车辆数量阈值。

β_m＝d·S_m

α_m＝k·β_m

B_m,max＝MAX(B_m,t),t∈(t₀,t₀+T)

B_m,min＝MIN(B_m,t),t∈(t₀,t₀+T)

其中，d为车辆密度界限，k为车辆数量比例界限，l为调度启动界限，B_m,t是研究 时段t时第m个虚拟站点的车辆数量，S_m为第m个虚拟站点服务范围的面积，α_m表示 第m个虚拟站点的车辆数量阈值下限，β_m表示第m个虚拟站点的车辆数量阈值上限，B_m,max表示研究时段(t₀,t₀+T)内第m个虚拟站点的车辆数量最大值，B_m,min表示研究时段 (t₀,t₀+T)内第m个虚拟站点的车辆数量最小值，研究时段(t₀,t₀+T)内第m个虚拟站点的 车辆调出需求数量为Y_m，研究时段(t₀,t₀+T)内第m个虚拟站点的车辆调入需求数量为 X_m。

满足约束条件：研究时段(t₀,t₀+T)内所有虚拟站点的车辆调出需 求数量之和等于所有虚拟站点的车辆调入需求数量之和，且都等于企业调度能力R。满足约束条件：即任何时段所有虚拟站点的车辆数量之和 不大于车辆总数N。

一般而言，车辆密度界限d的取值范围为100-5000辆/平方千米，车辆数量比例界限k的取值范围为10-100％，这两个指标的具体数值由企业调度能力R决定。车辆密度 界限d的取值和第m个虚拟站点服务范围的面积S_m直接决定第m个虚拟站点的车辆数 量阈值上限β_m，β_m和车辆数量比例界限k直接决定第m个虚拟站点的车辆数量阈值下 限α_m。第m个虚拟站点服务范围的面积S_m是已知的，车辆密度界限d和车辆数量比例 界限k的具体数值是根据企业调度能力R和上述公式及约束条件在取值范围内使用二分 法计算而出。确定车辆密度界限d和车辆数量比例界限k的数值后，可根据上述公式计 算出第m个虚拟站点的车辆数量阈值上限β_m和车辆数量阈值下限α_m，进一步根据公式 可以计算出研究时段(t₀,t₀+T)内第m个虚拟站点的车辆调出需求数量Y_m和车辆调入需 求数量X_m。

(32)预测下一个研究时段(t₀+T,t₀+2T)的虚拟站点的车辆数量变化情况。

根据各个虚拟站点的历史订单数据来预测下一个研究时段(t₀+T,t₀+2T)的虚拟站点 的车辆数量情况，预测算法包括历史均值、时间序列、神经网络、随机森林等。因为现 有预测方法不能保证预测时段所有虚拟站点车辆数量之和不超过车辆总数，所以需要提 出相应约束条件。满足约束条件：即任何时段所有 虚拟站点的车辆数量之和不大于车辆总数N。如果预测时段所有虚拟站点车辆数量之和 超过车辆总数，需要对所有虚拟站点车辆数量进行等比例折减直到满足该约束。

(33)确定各虚拟站点的车辆调入调出需求数量。

v_m,max＝MAX(B_m,t),t∈(t₀+T,t₀+2T)

v_m,min＝MIN(B_m,t),t∈(t₀+T,t₀+2T)

其中，ν_m,max表示下一个研究时段(t₀+T,t₀+2T)内第m个虚拟站点的车辆数量最大值， ν_m,min表示同时段内第m个虚拟站点的车辆数量最小值，同时段内第m个虚拟站点的车辆调出需求数量为y_m，同时段内第m个虚拟站点的车辆调入需求数量为x_m。满足约束 条件：即下一个研究时段(t₀+T,t₀+2T)内所有虚拟站点的车辆调出 需求数量之和等于所有虚拟站点的车辆调入需求数量之和，且都不大于企业调度能力R。

确定车辆密度界限d和车辆数量比例界限k的数值在步骤(31)中已经确定，第m 个虚拟站点的车辆数量阈值上限β_m和车辆数量阈值下限α_m在步骤(31)中也已经确定。 根据公式可以计算出预测时段(t₀+T,t₀+2T)内第m个虚拟站点的车辆调出需求数量y_m和 车辆调入需求数量x_m。

下面用具体实施例来进一步说明本发明的技术方案。

研究周期T的取值为一天(即24小时)，用户最大步行距离dist_walk的取值为500米，调度启动界限l的取值为1辆。案例研究对象为共享单车，有6辆车，共计8次出 行，获取2017年9月20日的订单数据如表1所示。

表1 2017年9月20日案例订单数据

1、根据出行起点聚类结果来划分共享单车的两个区域。使用常用的K均值聚类方法，将8个出行起点聚类为2个虚拟站点，1号虚拟站点的中心为C₁的经纬度依次为118.0006°、32.0007°，1号虚拟站点服务范围的面积S₁为0.01平方公里，1号虚拟站点 服务半径r₁为71米，2号虚拟站点的中心为C₂的经纬度依次为118.0106°、32.0107°， 2号虚拟站点服务范围的面积S₂为0.01平方公里，2号虚拟站点服务半径r₂为71米， 所有虚拟站点服务半径都不大于用户最大步行距离dist_walk，虚拟站点聚类结果可以接受。

2、判断每辆车的每次出行终点与下次出行起点是否在不同虚拟站点，识别实际调度行为。每辆车的每次出行终点与下次出行起点在不同虚拟站点，识别为发生一次调度，反之则不认为是调度。研究周期T内所有调度的累计次数就是企业调度能力R。

表2 2017年9月20日调度行为识别结果

统计所有调度次数后得到企业调度能力R＝1车次/日。

3、根据企业调度能力确定虚拟站点的车辆数量阈值，通过预测用户出行需求而掌握虚拟站点的车辆数量变化，来确定各虚拟站点的车辆调入调出需求数量。

(31)根据企业调度能力确定虚拟站点的车辆数量阈值。

表3 2017年9月20日各个虚拟站点的车辆变化情况

表4 2017年9月20日各个虚拟站点的车辆调度需求数量计算过程及结果

根据企业调度能力和公式及约束条件，使用二分法计算得出车辆数量比例界限k的 取值为100％，车辆密度界限d的取值为300辆/平方千米，1号虚拟站点的车辆数量阈 值上限β₁为3辆，1号虚拟站点的车辆数量阈值下限α₁为3辆，2号虚拟站点的车辆数 量阈值上限β₂为3辆，2号虚拟站点的车辆数量阈值下限α₂为3辆。

(32)预测下一个研究时段(t₀+T,t₀+2T)的虚拟站点的车辆数量变化情况。

满足约束条件：即任何时段所有虚拟站点的车辆数量之和不大于车辆总数N。使用历史均值的预测方法，预测下一研究时段2017年9 月21日各个虚拟站点的车辆数量变化情况，如表5所示。下一研究时段第1个虚拟站 点的车辆数量最大值v_1,max为4，车辆数量最小值v_1,min为2。下一研究时段内第2个虚 拟站点的车辆数量最大值v_2,max为2，车辆数量最小值v_2,min为2。

表5下一研究时段2017年9月21日各个虚拟站点的车辆数量变化预测结果

(33)确定各虚拟站点的车辆调入调出需求数量。

根据上述公式和约束条件，计算出下一个研究时段的调度需求，如表6所示。

表6下一研究时段2017年9月21日各个虚拟站点的车辆调度需求数量计算过程及结果

大数据提供了针对城市交通的大样本连续观察能力，尤其是对于复杂适应性系统的 监管调控具有重要意义。共享单车运营数据的挖掘分析有助于解决充满挑战性的车辆调 度问题。

以上内容仅是通过一个具体实施例对本发明所作的进一步详细说明，不能认定本发 明只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于订单数据确定共享单车调度量的方法，其特征在于，所述方法包括以下步骤：

(1)对共享单车订单数据中的出行起点进行聚类分析，划分虚拟站点服务区域；

(2)通过判断每辆车的每次出行终点与下次出行起点是否在不同虚拟站点，识别实际调度行为并测算企业调度能力；

(3)根据企业调度能力确定虚拟站点的车辆数量阈值，通过预测虚拟站点的车辆数量变化来确定各虚拟站点的车辆调入调出需求数量。

2.根据权利要求1所述的基于订单数据确定共享单车调度量的方法，其特征在于，所述步骤1中聚类分析结果满足约束条件：所有虚拟站点的服务半径r_m都不大于用户最大步行距离dist_walk，

其中，olo_i,j为第i辆车第j次出行的出行起点的出发经度；ola_i,j为第i辆车第j次出行的出行起点的出发纬度；lo_m为第m个虚拟站点聚类中心C_m的经纬度；la_m是第m个虚拟站点包含的所有出行起点的经纬度均值；O_i,j为第i辆车第j次出行的出行起点；Z_m为第m个虚拟站点服务范围，是其包含的所有出行起点的最小包围多边形；r_m为第m个虚拟站点服务半径，是其包含的所有出行起点到聚类中心的距离最大值。

3.根据权利要求1所述的基于订单数据确定共享单车调度量的方法，其特征在于，所述步骤1中聚类算法包括：K均值法、密度法和层次聚类法。

4.根据权利要求1所述的基于订单数据确定共享单车调度量的方法，其特征在于，所述步骤2中识别实际调度行为的标准为：每辆车的每次出行终点与下次出行起点在不同虚拟站点，识别为发生一次调度，反之则不认为是调度；一定周期T内所有调度的累计次数就是企业调度能力R。

5.根据权利要求1所述的基于订单数据确定共享单车调度量的方法，其特征在于，所述步骤3包括以下步骤：

3.1，根据企业调度能力确定虚拟站点的车辆数量阈值：

β_m＝d·S_m

α_m＝k·β_m

B_m,max＝MAX(B_m,t),t∈(t₀,t₀+T)

B_m,min＝MIN(B_m,t),t∈(t₀,t₀+T)

其中，Y_m为研究时段(t₀,t₀+T)内第m个虚拟站点的车辆调出需求数量，X_m为研究时段(t₀,t₀+T)内第m个虚拟站点的车辆调入需求数量，d为车辆密度界限，k为车辆数量比例界限，l为调度启动界限，B_m,t是研究时段t时第m个虚拟站点的车辆数量，S_m为第m个虚拟站点服务范围的面积，α_m表示第m个虚拟站点的车辆数量阈值下限，β_m表示第m个虚拟站点的车辆数量阈值上限，B_m,max表示研究时段(t₀,t₀+T)内第m个虚拟站点的车辆数量最大值，B_m,min表示研究时段(t₀,t₀+T)内第m个虚拟站点的车辆数量最小值；

在计算过程中需满足约束条件：研究时段(t₀,t₀+T)内所有虚拟站点的车辆调出需求数量之和等于所有虚拟站点的车辆调入需求数量之和，且都等于企业调度能力R；

并且满足约束条件：即任何时段所有虚拟站点的车辆数量之和不大于车辆总数N；

3.2，预测下一个研究时段(t₀+T,t₀+2T)的虚拟站点的车辆数量变化情况；

满足约束条件：即任何时段所有虚拟站点的车辆数量之和不大于车辆总数N；

3.3，确定各虚拟站点的车辆调入调出需求数量：

v_m,max＝MAX(B_m,t),t∈(t₀+T,t₀+2T)

v_m,min＝MIN(B_m,t),t∈(t₀+T,t₀+2T)

其中，ν_m,max表示下一个研究时段(t₀+T,t₀+2T)内第m个虚拟站点的车辆数量最大值，ν_m,min表示同时段内第m个虚拟站点的车辆数量最小值；

满足约束条件：即下一个研究时段(t+T,t+2T)内所有虚拟站点的车辆调出需求数量之和等于所有虚拟站点的车辆调入需求数量之和，且都不大于企业调度能力R。

6.根据权利要求5所述的基于订单数据确定共享单车调度量的方法，其特征在于，所述步骤3.2中预测算法包括历史均值、时间序列、神经网络、随机森林。