一种车辆投放的方法、装置、可读存储介质和电子设备与流程

[0001]
本发明涉及共享车辆领域，具体涉及一种车辆投放的方法、装置、 可读存储介质和电子设备。


背景技术：

[0002]
随着共享经济的发展，共享设备日益增多，人们的生活也随之改变， 例如，共享车辆、和共享雨伞等，其中，共享车辆包括共享单车、共享 电动车、和共享汽车；共享车辆的出现极大地方便了人们的出行，人们 可以在有共享车辆投放的城市中，通过对应的客户端自主借还共享车辆， 提高出现的便捷程度。
[0003]
现有的共享车辆投放过程中，车辆的投放位置主要是依赖于线下运 维人员的经验进行判断，当一个区域范围内出现学术会议、演唱会、运 动会、新商业综合体开业等聚集性活动时，或者公共交通站点的更新、 新生活区的使用等，也会影响该区域范围内车辆的需求情况，通过线下 运维人员的经验对车辆进行投放，可能会出现投放不及时，无法解决用 户的用车需求等问题。


技术实现要素：

[0004]
有鉴于此,本发明实施例提供了一种车辆投放的方法、装置、可读存 储介质和电子设备，提高了车辆投放的准确性，以及车辆投放的速度。
[0005]
第一方面，本发明实施例提供了一种车辆投放的方法，该方法包括： 获取第一时刻以及第一位置；根据所述第一时刻以及所述第一位置确定 设定时长以及设定范围内的实时行程数据，其中，所述设定时长为所述 第一时刻之后的设定长度的时间，所述设定范围为以所述第一位置为中 心的区域，所述实时行程数据包括至少一个出行点位置；对所述至少一 个出行点位置进行聚类，确定至少一个聚类区域；根据所述至少一个聚 类区域，确定至少一个车辆投放位置，其中，每个所述聚类区域包括至 少一个所述车辆投放位置；对所述至少一个车辆投放位置进行路径规划， 确定初步车辆投放路线，其中，所述初步车辆投放路线中包括全部所述 车辆投放位置；对所述初步车辆投放路线进行调整，确定车辆投放路线。
[0006]
优选地，该方法还包括：所述获取第一时刻以及第一位置，具体包 括：获取舆情信息；根据自然语言处理nlp对所述舆情信息进行分析， 确定第一时刻以及第一位置，其中，所述第一时刻为聚集事件发生的起 始时间，所述第一位置为聚集事件发生的位置。
[0007]
优选地，所述获取舆情信息包括：爬取网络数据源获取所述舆情信 息，其中，所述网络数据源包括网络新闻、评论、论坛、博客、微博、 转帖中的至少一项。
[0008]
优选地，所述对所述至少一个出行点位置进行聚类，具体包括：通 过基于密度的空间聚类与噪声应用dbscan对所述至少一个出行点位 置进行聚类。
[0009]
优选地，所述对所述至少一个车辆投放位置进行路径规划，确定初 步车辆投放路线，具体包括：通过蚁群算法对所述至少一个车辆投放位 置进行路径规划，确定出最优路
径，其中，所述最优路径为所述车辆投 放位置之间距离最短的路径；将所述最优路径确定为所述初步车辆投放 路线。
[0010]
优选地，所述对所述初步车辆投放路线进行调整，确定车辆投放路 线，具体包括：根据匈牙利算法对所述初步车辆投放路线中任意两个车 辆投放位置之间的路径的权重进行调整，确定车辆投放路线。
[0011]
优选地，所述实时行程数据还包括poi兴趣点。
[0012]
优选地，该方法还包括：根据所述实时行程数据的出行点位置、所 述poi、所述区域、聚集事件、所述聚集事件发生的时间，采用决策树 模型对所述实时行程数据对应的行程进行分类，确定所述行程对应的事 件类型，其中，所述事件类型包括长期聚集事件或短期聚集事件。
[0013]
优选地，该方法还包括：响应于所述事件类型为长期聚集事件，将 所述车辆投放路线确定为长期车辆投放路线。
[0014]
优选地，该方法还包括：响应于所述事件类型为短期聚集事件，将 所述车辆投放路线确定为短期车辆投放路线。
[0015]
第二方面，本发明实施例提供了一种车辆投放的装置，该装置包括： 获取单元，用于获取第一时刻以及第一位置；确定单元，用于根据所述 第一时刻以及所述第一位置确定设定时长以及设定范围内的实时行程数 据，其中，所述设定时长为所述第一时刻之后的设定长度的时间，所述 设定范围为以所述第一位置为中心的区域，所述实时行程数据包括至少 一个出行点位置；聚类单元，用于对所述至少一个出行点位置进行聚类， 确定至少一个聚类区域；所述确定单元还用于，根据所述至少一个聚类 区域，确定至少一个车辆投放位置，其中，每个所述聚类区域包括至少 一个所述车辆投放位置；处理单元，用于对所述至少一个车辆投放位置 进行路径规划，确定初步车辆投放路线，其中，所述初步车辆投放路线 中包括全部所述车辆投放位置；所述处理单元还用于，对所述初步车辆 投放路线进行调整，确定车辆投放路线。
[0016]
优选地，所述获取单元具体用于：获取舆情信息；根据自然语言处 理nlp对所述舆情信息进行分析，确定第一时刻以及第一位置，其中， 所述第一时刻为聚集事件发生的起始时间，所述第一位置为聚集事件发 生的位置。
[0017]
优选地，所述获取单元还用于：爬取网络数据源获取所述舆情信息， 其中，所述网络数据源包括网络新闻、评论、论坛、博客、微博、转帖 中的至少一项。
[0018]
优选地，所述聚类单元具有用于：通过基于密度的空间聚类与噪声 应用dbscan对所述至少一个出行点位置进行聚类。
[0019]
优选地，所述处理单元具有用于：通过蚁群算法对所述至少一个车 辆投放位置进行路径规划，确定出最优路径，其中，所述最优路径为所 述车辆投放位置之间距离最短的路径；将所述最优路径确定为所述初步 车辆投放路线。
[0020]
优选地，所述处理单元具体还用于：根据匈牙利算法对所述初步车 辆投放路线中任意两个车辆投放位置之间的路径的权重进行调整，确定 车辆投放路线。
[0021]
优选地，所述实时行程数据还包括poi兴趣点。
[0022]
优选地，该装置还包括：分类单元，用于根据所述实时行程数据的 出行点位置、所述poi、所述区域、聚集事件、所述聚集事件发生的时 间，采用决策树模型对所述实时行程
数据对应的行程进行分类，确定所 述行程对应的事件类型，其中，所述事件类型包括长期聚集事件或短期 聚集事件。
[0023]
优选地，所述处理单元还用于：响应于所述事件类型为长期聚集事 件，将所述车辆投放路线确定为长期车辆投放路线。
[0024]
优选地，所述处理单元还用于：响应于所述事件类型为短期聚集事 件，将所述车辆投放路线确定为短期车辆投放路线。
[0025]
第三方面，本发明实施例提供了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实现如第一 方面或第一方面任一种可能中任一项所述的方法。
[0026]
第四方面，本发明实施例提供了一种电子设备，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第一方面或第一方面 任一种可能中任一项所述的方法。
[0027]
本发明实施例通过获取第一时刻以及第一位置；根据所述第一时刻 以及所述第一位置确定设定时长以及设定范围内的实时行程数据，其中， 所述设定时长为所述第一时刻之后的设定长度的时间，所述设定范围为 以所述第一位置为中心的区域，所述实时行程数据包括至少一个出行点 位置；对所述至少一个出行点位置进行聚类，确定至少一个聚类区域； 根据所述至少一个聚类区域，确定至少一个车辆投放位置，其中，每个 所述聚类区域包括至少一个所述车辆投放位置；对所述至少一个车辆投 放位置进行路径规划，确定初步车辆投放路线，其中，所述初步车辆投 放路线中包括全部所述车辆投放位置；对所述初步车辆投放路线进行调 整，确定车辆投放路线。通过上述方法，可以确定出需要投放车辆的车 辆投放位置，并且根据确定出的车辆投放路线，向车辆投放位置进行车 辆投放，提高车辆投放的准确性和速度。
附图说明
[0028]
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：
[0029]
图1是本发明实施例的一种车辆投放的方法流程图；
[0030]
图2是本发明实施例的一种车辆投放的地图示意图；
[0031]
图3是本发明实施例的一种车辆投放的地图示意图；
[0032]
图4是本发明实施例的一种车辆投放的地图示意图；
[0033]
图5是本发明实施例的一种车辆投放的地图示意图；
[0034]
图6是本发明实施例的一种车辆投放的方法流程图；
[0035]
图7是本发明实施例的车辆投放的装置示意图；
[0036]
图8是本发明实施例的电子设备的示意图。
具体实施方式
[0037]
以下基于实施例对本发明公开进行描述，但是本发明公开并不仅仅 限于这些实施例。在下文对本发明公开的细节描述中，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 以完全理解本发明公开。为了避免混淆本发明
公开的实质，公知的方法、 过程、流程、元件和电路并没有详细叙述。
[0038]
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。
[0039]
除非上下文明确要求，否则整个申请文件中的“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。
[0040]
在本发明公开的描述中，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 公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0041]
通常在现有技术中，共享车辆在投放过程中，车辆的投放位置主要 是依赖于线下运维人员的经验进行判断，例如，线下运维人员凭经验判 断某一区域范围的用车的需求量增加，则在该区域进行车辆投放，但线 下运维人员的经验对车辆进行投放会存在一定的限制，会出现投放不及 时或者投放不准确的情况；例如，当一个区域范围内出现学术会议、演 唱会、运动会、新商业综合体开业等聚集性活动的短期的聚集活动时， 可能在几天或者几小时内，车辆的需求量骤增，但是该区域范围内的车 辆投放数量远远满足不了用户的需求；或者，新生活区的使用、新地铁 站、新公交站的开通，以及公共交通站点的更新等，会长期影响该区域 范围内车辆的需求情况；如果只依靠线下运维人员的经验对车辆进行投 放，无法自动挖掘新的车辆投放位置，以及无法满足短期聚集性出行需 求，进行可能会出现投放不及时，无法解决用户的用车需求等问题。
[0042]
本发明实施例公开了一种车辆投放的方法，图1是本发明实施例的 一种车辆投放的方法流程图。如图1所示，具体包括如下步骤：
[0043]
步骤s100、获取第一时刻以及第一位置。
[0044]
在一种可能的实现方式中，所述获取第一时刻以及第一位置，具体 包括：获取舆情信息；根据自然语言处理(natural language processing， nlp)对所述舆情信息进行分析，确定第一时刻以及第一位置，其中， 所述第一时刻为聚集事件发生的起始时间，所述第一位置为聚集事件发 生的位置。
[0045]
其中，所述舆情信息是对舆情的一种描述和反映，所述舆情信息， 是指在民众态度的收集、整理、分析、报送、利用和反馈的信息运动过 程中，用以客观反映舆情状态及其运动情况的资讯、消息、音信、情报、 指令、数据和信号。所述获取舆情信息包括：爬取网络数据源获取所述 舆情信息，其中，所述网络数据源包括网络新闻、评论、论坛、博客、 微博、转帖中的至少一项，所述舆情信息的来源还可以包括其他情况， 本发明实施例对其不再赘述。
[0046]
举例说明，假设根据自然语言处理对获取到的舆情信息进行分析， 假设所述舆情信息来源于微博，在一段时间内，有大量用户在朝阳区798 艺术区发布了关于艺术展览的信息、并且有用户发布了在该位置共享车 辆难以寻找的信息、还有一些用户发布了上述艺术展览的起始时刻为 2020年8月20日和终止时刻为2020年8月25等信息，通过对上述舆 情信息的分析，确定出该艺术展览发生的起始时刻，即第一时刻，确定 出该艺术展览发生的第一位置为朝阳区798艺术区。
[0047]
步骤s101、根据所述第一时刻以及所述第一位置确定设定时长以及 设定范围内的实时行程数据，其中，所述设定时长为所述第一时刻之后 的设定长度的时间，所述设定
范围为以所述第一位置为中心的区域，所 述实时行程数据包括至少一个出行点位置。
[0048]
在一种可能的实现方式中，假设所述实时行程数据为短程出行数据， 例如，2.5千米(km)内的行程为短程，将第一时刻之后1小时确定为 设定时长，将以第一位置为中心，5km为半径的区域确定为设定范围， 确定出第一时刻之后一小时内，在设定区域中包括的实时行程数据，具 体的，实时行程数据包括多个出行点，其中，所述出行点还可以称为用 户的上车点。
[0049]
举例说明，如图2所示，在第一时刻之后1小时内，一个半径为5km 的圆形区域内，确定出50个行程数据，则确定出50个出行点，每个出 行点进行标号，分别从1到50，图2中，仅仅给出前20个出行点标号， 即出行点1、出行点2、出行点3、出行点4、出行点5、出行点6、出行 点7、出行点8、出行点9、出行点10、出行点11、出行点12、出行点 13、出行点14、出行点15、出行点16、出行点17、出行点18、出行点 19和出行点20，其他出行点不再赘述标明。
[0050]
步骤s102、对所述至少一个出行点位置进行聚类，确定至少一个聚 类区域。
[0051]
在一种可能的实现方式中，所述对所述至少一个出行点位置进行聚 类，具体包括：通过基于密度的空间聚类与噪声应用(density-basedspatial clustering of applications with noise，dbscan)对所述至少一个 出行点位置进行聚类。
[0052]
具体的，所述dbscan算法的特点是不依赖于距离，而是依赖于 密度，从而克服基于距离的算法只能发现球形聚簇的缺点；所述 dbscan算法的核心思想是从某个核心点出发，不断向密度可达的区域 扩张，从而得到一个包含核心点和边界点的最大化区域，区域中任意两 点密度相连；所述dbscan算法在聚类的时候不需要预先指定簇的个 数，最终簇的个数也是不确定的。
[0053]
本发明实施例中，还可以采用其他的聚类算法对出行点进行聚类， 本发明实施例对其不做限定。
[0054]
举例说明，假设图2中的出行点经过dbscan算法进聚类后，确 定出5个聚类区域，具体如图3所示，分别为聚类区域1、聚类区域2、 聚类区域3、聚类区域4和聚类区域5，由于所述聚类区域是出现点经过 聚类生成的，因此每个聚类区域中包括一定数量的出行点。例如，聚类 区域1中包括出行点1、出行点2、出行点3、出行点4、出行点5、出 行点6、出行点7、出行点8、出行点9和出行点10，上述仅仅为示例性 说明，具体的聚类情况根据实际情况确定，本发明实施例对其不做赘述。
[0055]
步骤s103、根据所述至少一个聚类区域，确定至少一个车辆投放位 置，其中，每个所述聚类区域包括至少一个所述车辆投放位置。
[0056]
在一种可能的实现方式中，将所述聚类区域中的任一位置作为车辆 投放位置，其中，所述车辆投放位置还可以称为车辆投放点，即运维人 员集中投放车辆的地点；具体的，可以将所述聚类区域的中心点确定为 该区域的车辆投放位置。
[0057]
在一种可能的实现方式中，每个聚类区域可以具有一个车辆投放位 置，也可以具有多个车辆投放位置，本发明实施例对其不做限定，具体 根据实际情况确定。
[0058]
举例说明，如图3所示，具有聚类区域1、聚类区域2、聚类区域3、 聚类区域4和聚类区域5，5个聚类区域，假设在每个区域中确定1个车 辆投放位置，则具有5个车辆投放位置，具体如图4所示，5个车辆投 放位置，具体的，聚类区域1的车辆投放位置为车辆投放位置a、聚类 区域2的车辆投放位置为车辆投放位置b、聚类区域3的车辆投放位置 为车辆投放位
置c、聚类区域4的车辆投放位置为车辆投放位置d和聚 类区域5的车辆投放位置为车辆投放位置e。
[0059]
步骤s104、对所述至少一个车辆投放位置进行路径规划，确定初步 车辆投放路线，其中，所述初步车辆投放路线中包括全部所述车辆投放 位置。
[0060]
在一种可能的实现方式中，所述对所述至少一个车辆投放位置进行 路径规划，确定初步车辆投放路线，具体包括：通过蚁群算法(ant colonyoptimization,aco)对所述至少一个车辆投放位置进行路径规划，确定出 最优路径，其中，所述最优路径为所述车辆投放位置之间距离最短的路 径；将所述最优路径确定为所述初步车辆投放路线。
[0061]
具体的，所述蚁群算法又称蚂蚁算法，是一种用来在图中寻找优化 路径的机率型算法。来源于蚂蚁在寻找食物过程中发现路径的行为，蚁 群算法是一种模拟进化算法。所述蚁群算法的原理为蚂蚁在运动过程中， 会留下一种称为信息素的东西，并且会随着移动的距离，播散的信息素 越来越少，所以往往在家或者食物的周围，信息素的浓度是最强的，而 蚂蚁自身会根据信息素去选择方向，当然信息素越浓，被选择的概率也 就越大，并且信息素本身具有一定的挥发作用。蚂蚁的运动过程可以简 单归纳如下：当周围没有信息素指引时，蚂蚁的运动具有一定的惯性， 并有一定的概率选择其他方向；当周围有信息素的指引时，按照信息素 的浓度强度概率性的选择运动方向；找食物时，蚂蚁留下家相关的a信 息素，找家时，蚂蚁留下食物相关的b信息素，并随着移动距离的增加， 洒播的信息素越来越少随着时间推移，信息素会自行挥发；例如，如果 现在有两条通往食物的路径，一条较长路径a,一条较短路径b,虽然刚开 始路径a和路径b上都有蚂蚁，又因为路径b比路径a短，蚂蚁通过路 径b花费的时间较短，随着时间的推移和信息素的挥发，逐渐的路径b 上的信息素浓度会强于路径a，这时候因为路径b的浓度比路径a强， 越来越多的蚂蚁会选择路径b，而这时候路径b上的浓度只会越来越强。 随着时间的推移，蚂蚁会收敛到路径b上，从而可以跳出局部最优，即 获得了最短路径。
[0062]
本发明实施例中，假设途径车辆投放位置a、车辆投放位置b、车 辆投放位置c、车辆投放位置d和车辆投放位置e，5个车辆投放位置 的最优路径如图5所示，最优路径经过车辆投放位置的顺序为车辆投放 位置a—车辆投放位置c—车辆投放位置b—车辆投放位置d—车辆投 放位置e，每两个车辆投放位置之间的路径都为两个车辆投放位置之间 的最短路径。
[0063]
步骤s105、对所述初步车辆投放路线进行调整，确定车辆投放路线。
[0064]
在一种可能的实现方式中，所述对所述初步车辆投放路线进行调整， 确定车辆投放路线，具体包括：根据匈牙利算法对所述初步车辆投放路 线中任意两个车辆投放位置之间的路径的权重进行调整，确定车辆投放 路线。
[0065]
具体的，所述匈牙利算法是部图匹配最常见的算法，该算法的核心 就是寻找增广路径，它是一种用增广路径求二分图最大匹配的算法，由 增广路的性质，增广路中的匹配边总是比未匹配边多一条，所以如果我 们放弃一条增广路中的匹配边，选取未匹配边作为匹配边，则匹配的数 量就会增加。匈牙利算法就是在不断寻找增广路，如果找不到增广路， 就说明达到了最大匹配。
[0066]
本发明实施例中，假设车辆投放位置b—车辆投放位置d之间的最 短路径不可通行，则根据匈牙利算法确定其他可通行的路径，假设确定 出两条其他可通行的路径，进而
根据所述确定出的两条其他可通行的路 径的权重，选择其中一条路径，进而确定出最终的车辆投放路线。
[0067]
本发明实施例中，首先获取聚集事件发生的第一时刻以及第一位置， 然后根据所述第一时刻以及所述第一位置确定设定时长以及设定范围内 的实时行程数据，其中，所述设定时长为所述第一时刻之后的设定长度 的时间，所述设定范围为以所述第一位置为中心的区域，所述实时行程 数据包括至少一个出行点位置；进而对所述至少一个出行点位置进行聚 类，确定至少一个聚类区域，然后根据所述至少一个聚类区域，确定至 少一个车辆投放位置，其中，每个所述聚类区域包括至少一个所述车辆 投放位置；最后根据蚁群算法对所述至少一个车辆投放位置进行路径规 划，确定初步车辆投放路线，其中，所述初步车辆投放路线中包括全部 所述车辆投放位置，根据匈牙利算法对所述初步车辆投放路线进行调整， 确定车辆投放路线。通过上述方法，可以快速的确定出聚集事件对应的 时间与范围内需要投放车辆的位置，并且规划了最佳的车辆投放路线， 运维人员根据最佳的车辆投放路线，逐一向该车辆投放路线上的车辆投 放位置投放车辆。
[0068]
在一种可能的实现方式中，确定出车辆投放路线后，立即将投放路 线发送给运维人员，运维人员按照车辆投放路线以及车辆投放位置对车 辆进行投放，满足用户的用车需求，提高用户的用车体验。
[0069]
在一种可能的实现方式中，由于聚集事件可以分为两类，一类是短 期聚集事件，另一类为长期聚集事件，其中，所述短期聚集事件包括学 术会议、演唱会、运动会、新商业综合体开业等聚集性活动等，即此类 只在一段时间内发生的聚集事件；所述长期聚集事件包括新生活区的使 用、新地铁站、新公交站的开通，即此类会在很长时间内持续发生的聚 集事件。
[0070]
在一种可能的实现方式中，由于不同的聚集事件的持续时间不同， 因此在进行车辆投放之前需要先确定聚集事件的类型，具体的，根据所 述实时行程数据的出行点位置、兴趣点(poi)、区域、聚集事件、所 述聚集事件发生的时间，采用决策树模型对所述实时行程数据对应的行 程进行分类，确定所述行程对应的事件类型，其中，所述事件类型包括 长期聚集事件或短期聚集事件；在本发明实施例中，上述行程分类的过 程发生在获取实施行程数据之后。
[0071]
下面通过一个具体实施例对一种车辆投放的方法进行完成的说明， 具体如图6所示，包括如下步骤：
[0072]
步骤s600、获取第一时刻以及第一位置；
[0073]
步骤s601、根据所述第一时刻以及所述第一位置确定设定时长以及 设定范围内的实时行程数据，其中，所述设定时长为所述第一时刻之后 的设定长度的时间，所述设定范围为以所述第一位置为中心的区域，所 述实时行程数据包括至少一个出行点位置；
[0074]
步骤s602、根据所述实时行程数据的出行点位置、兴趣点(poi)、 区域、聚集事件、所述聚集事件发生的时间，采用决策树模型对所述实 时行程数据对应的行程进行分类，确定所述行程对应的事件类型。
[0075]
步骤s603、对所述至少一个出行点位置进行聚类，确定至少一个聚 类区域。
[0076]
步骤s604、根据所述至少一个聚类区域，确定至少一个车辆投放位 置，其中，每个所述聚类区域包括至少一个所述车辆投放位置。
[0077]
步骤s605、根据蚁群算法对所述至少一个车辆投放位置进行路径规 划，确定初步车辆投放路线，其中，所述初步车辆投放路线中包括全部 所述车辆投放位置。
[0078]
步骤s606、根据匈牙利算法对所述初步车辆投放路线进行调整，确 定车辆投放路线。
[0079]
在一种可能的实现方式中，上述步骤s602与上述步骤s603可以是 并列的逻辑关系，也可以将步骤s602放在步骤s603之后进行处理，本 发明对其不做限定。
[0080]
在一种可能的实现方式中，上述步骤s602的目的在于，响应于所 述事件类型为长期聚集事件，将所述车辆投放路线确定为长期车辆投放 路线；或者响应于所述事件类型为短期聚集事件，将所述车辆投放路线 确定为短期车辆投放路线。
[0081]
举例说明，若判断出所述事件类型为长期聚集事件，则确定出的车 辆投放路线是长期有效的，线下运维人员需要长期的对该车辆投放路线 上的车辆投放位置进行车辆投放以及车辆维护；若判断出所述事件类型 为短期聚集事件，则确定出的车辆投放路线是短期有效的，线下运维人 员只需要短期内(例如3天之内、一周之内等)对该车辆投放路线上的 车辆投放位置进行车辆投放以及车辆维护，短期聚集事件结束后，可以 对该车辆投放路线上的车辆进行回收等处理；只需要短期的满足用户的 用车需求即可。
[0082]
在一种可能的实现方式中，当短期聚集事件的车辆投放路线确定之 后，还需要对所述短期聚集事件的出行需求进行快速的运营评估，若评 估确定的收益程度满足设定条件，则按照确定出的车辆投放路线进行车 辆投放；当长期聚集事件的车辆投放路线确定之后，还需要对所述长期 聚集事件所在地的政策，确定是否可以进行车辆投放，若所在地允许进 行车辆投放，则按照确定出的车辆投放路线进行车辆投放；
[0083]
本发明实施例中，根据获取到的实时行程数据，确定出至少一个出 行点，对所述至少一个出行点位置进行聚类，确定至少一个聚类区域； 根据所述至少一个聚类区域，确定至少一个车辆投放位置，每个所述聚 类区域包括至少一个所述车辆投放位置，进而确定车辆投放路线，通过 上述方法可以实时获取用户的出行需求，并根据用户的出行需求确定出 车辆投放路线以及车辆投放路线上的车辆投放位置，可以动态的满足用 户的出行需求，提高了用户的使用感受。
[0084]
图7是本发明实施例的一种车辆投放的装置示意图。如图7所示， 本实施例的装置包括获取单元701、确定单元702、聚类单元703和处理 单元704。
[0085]
其中，所述获取单元701，用于获取第一时刻以及第一位置；确定 单元702，用于根据所述第一时刻以及所述第一位置确定设定时长以及 设定范围内的实时行程数据，其中，所述设定时长为所述第一时刻之后 的设定长度的时间，所述设定范围为以所述第一位置为中心的区域，所 述实时行程数据包括至少一个出行点位置；聚类单元703，用于对所述 至少一个出行点位置进行聚类，确定至少一个聚类区域；所述确定单元 702还用于，根据所述至少一个聚类区域，确定至少一个车辆投放位置， 其中，每个所述聚类区域包括至少一个所述车辆投放位置；处理单元 704，用于对所述至少一个车辆投放位置进行路径规划，确定初步车辆投 放路线，其中，所述初步车辆投放路线中包括全部所述车辆投放位置； 所述处理单元704还用于，对所述初步车辆投放路线进行调整，确定车 辆投放路线。
[0086]
进一步地，所述获取单元具体用于：获取舆情信息；根据自然语言 处理nlp对所述舆情信息进行分析，确定第一时刻以及第一位置，其中， 所述第一时刻为聚集事件发生的
起始时间，所述第一位置为聚集事件发 生的位置。
[0087]
进一步地，所述获取单元还用于：爬取网络数据源获取所述舆情信 息，其中，所述网络数据源包括网络新闻、评论、论坛、博客、微博、 转帖中的至少一项。
[0088]
进一步地，所述聚类单元具有用于：通过基于密度的空间聚类与噪 声应用dbscan对所述至少一个出行点位置进行聚类。
[0089]
进一步地，所述处理单元具有用于：通过蚁群算法对所述至少一个 车辆投放位置进行路径规划，确定出最优路径，其中，所述最优路径为 所述车辆投放位置之间距离最短的路径；将所述最优路径确定为所述初 步车辆投放路线。
[0090]
进一步地，所述处理单元具体还用于：根据匈牙利算法对所述初步 车辆投放路线中任意两个车辆投放位置之间的路径的权重进行调整，确 定车辆投放路线。
[0091]
进一步地，所述实时行程数据还包括poi兴趣点。
[0092]
进一步地，该装置还包括：分类单元，用于根据所述实时行程数据 的出行点位置、所述poi、所述区域、聚集事件、所述聚集事件发生的 时间，采用决策树模型对所述实时行程数据对应的行程进行分类，确定 所述行程对应的事件类型，其中，所述事件类型包括长期聚集事件或短 期聚集事件。
[0093]
进一步地，所述处理单元还用于：响应于所述事件类型为长期聚集 事件，将所述车辆投放路线确定为长期车辆投放路线。
[0094]
进一步地，所述处理单元还用于：响应于所述事件类型为短期聚集 事件，将所述车辆投放路线确定为短期车辆投放路线。
[0095]
图8是本发明实施例的电子设备的示意图。在本实施例中，电子设 备为服务器。应理解，还可以为其他电子设备，如树莓派。如图8所示， 该电子设备：至少包括一个处理器801；以及，与至少一个处理器801 通信连接的存储器802；以及，与扫描装置通信连接的通信组件803，通 信组件803在处理器801的控制下接收和发送数据；其中，存储器802 存储有可被至少一个处理器801执行的指令，指令被至少一个处理器801 执行以实现：获取第一时刻以及第一位置；根据所述第一时刻以及所述 第一位置确定设定时长以及设定范围内的实时行程数据，其中，所述设 定时长为所述第一时刻之后的设定长度的时间，所述设定范围为以所述 第一位置为中心的区域，所述实时行程数据包括至少一个出行点位置； 对所述至少一个出行点位置进行聚类，确定至少一个聚类区域；根据所 述至少一个聚类区域，确定至少一个车辆投放位置，其中，每个所述聚 类区域包括至少一个所述车辆投放位置；对所述至少一个车辆投放位置 进行路径规划，确定初步车辆投放路线，其中，所述初步车辆投放路线 中包括全部所述车辆投放位置；对所述初步车辆投放路线进行调整，确 定车辆投放路线。
[0096]
进一步地，所述处理器具体用于执行：获取舆情信息；根据自然语 言处理nlp对所述舆情信息进行分析，确定第一时刻以及第一位置，其 中，所述第一时刻为聚集事件发生的起始时间，所述第一位置为聚集事 件发生的位置。
[0097]
进一步地，所述处理器具体用于执行：爬取网络数据源获取所述舆 情信息，其中，所述网络数据源包括网络新闻、评论、论坛、博客、微 博、转帖中的至少一项。
[0098]
进一步地，所述处理器具体用于执行：通过基于密度的空间聚类与 噪声应用dbscan对所述至少一个出行点位置进行聚类。
[0099]
进一步地，所述处理器具体用于执行：通过蚁群算法对所述至少一 个车辆投放位置进行路径规划，确定出最优路径，其中，所述最优路径 为所述车辆投放位置之间距离最短的路径；将所述最优路径确定为所述 初步车辆投放路线。
[0100]
进一步地，所述处理器具体用于执行：根据匈牙利算法对所述初步 车辆投放路线中任意两个车辆投放位置之间的路径的权重进行调整，确 定车辆投放路线。
[0101]
进一步地，所述实时行程数据还包括poi兴趣点。
[0102]
进一步地，所述处理器还用于执行：根据所述实时行程数据的出行 点位置、所述poi、所述区域、聚集事件、所述聚集事件发生的时间， 采用决策树模型对所述实时行程数据对应的行程进行分类，确定所述行 程对应的事件类型，其中，所述事件类型包括长期聚集事件或短期聚集 事件。
[0103]
进一步地，所述处理器还用于执行：响应于所述事件类型为长期聚 集事件，将所述车辆投放路线确定为长期车辆投放路线。
[0104]
进一步地，所述处理器还用于执行：响应于所述事件类型为短期聚 集事件，将所述车辆投放路线确定为短期车辆投放路线。
[0105]
具体地，该电子设备包括：一个或多个处理器801以及存储器802， 图8以一个处理器801为例。处理器801、存储器802可以通过总线或 者其他方式连接，图8中以通过总线连接为例。存储器802作为一种非 易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性 计算机可执行程序以及模块。处理器801通过运行存储在存储器802中 的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以 及数据处理，即实现上述车辆投放方法。
[0106]
存储器802可以包括存储程序区和存储数据区，其中，存储程序区 可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储 选项列表等。此外，存储器802可以包括高速随机存取存储器，还可以 包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他 非易失性固态存储器件。在一些实施例中，存储器802可选包括相对于 处理器801远程设置的存储器，这些远程存储器可以通过网络连接至外 接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、 移动通信网及其组合。
[0107]
一个或者多个模块存储在存储器802中，当被一个或者多个处理器 801执行时，执行上述任意方法实施例中的车辆投放方法。
[0108]
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的 功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本 申请实施例所提供的方法。
[0109]
本发明的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。
[0110]
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-only memory)、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。
[0111]
本领域的普通技术人员可以理解，上述各实施例是实现本发明的具 体实施例，而
在实际应用中，可以在形式上和细节上对其作各种改变， 而不偏离本发明的精神和范围。