(山東工藝美術(shù)學(xué)院公共課教學(xué)部 山東 濟(jì)南 250000)

引言

“分享經(jīng)濟(jì)”是通過大數(shù)據(jù)技術(shù)以及互聯(lián)網(wǎng)技術(shù)進(jìn)行資源配合，整和重構(gòu)資源所誕生的一種全新商業(yè)模式，降低了消費(fèi)者的購買成本和提高了生產(chǎn)效率。隨著分享經(jīng)濟(jì)的興起,將會(huì)使商業(yè)和社會(huì)帶來翻天覆地的變化。從15年滴滴打車與快的打車的合并，再到16年滴滴收購Uber，移動(dòng)出行巨頭——滴滴出行，為人們的城市交通出行帶來了巨大的變化。滴滴出行作為移動(dòng)互聯(lián)網(wǎng)背景下“分享經(jīng)濟(jì)”的領(lǐng)軍人物，它利用GPS、移動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)，充分利用了閑置的交通資源，使出行更加高效便捷，解決了緊張的交通資源，節(jié)約了人們等車的時(shí)間，使人們的出行方式由普通的打車變?yōu)榱爽F(xiàn)在利用互聯(lián)網(wǎng)智慧出行，推動(dòng)了互聯(lián)網(wǎng)和傳統(tǒng)產(chǎn)業(yè)的創(chuàng)新融合。

移動(dòng)出行平臺(tái)發(fā)揮了“分享經(jīng)濟(jì)”的低成本優(yōu)勢(shì)，它們通過運(yùn)營(yíng)管理，有效地解決了信息不對(duì)稱，通過技術(shù)手段，連接了車主和乘客，并且對(duì)每個(gè)人都有信用記錄，在交易平臺(tái)上給出一個(gè)清晰透明的價(jià)格，使服務(wù)順利達(dá)成，原本閑置的資源被利用起來，釋放了分享經(jīng)濟(jì)的低成本優(yōu)勢(shì)。

近年來，隨著通訊技術(shù)的發(fā)展和空間定位的普及和應(yīng)用，我國(guó)大多數(shù)車上都安設(shè)了GPS系統(tǒng)，通過GPS的定位功能，產(chǎn)生了大量車輛連續(xù)性的時(shí)間和空間的軌跡數(shù)據(jù)，這些數(shù)據(jù)獲取的成本低，覆蓋范圍廣，擁有動(dòng)態(tài)特性，使得這些數(shù)據(jù)成為研究人們出行的新數(shù)據(jù)來源。

一、中國(guó)移動(dòng)出行應(yīng)用分析

(一)移動(dòng)出行應(yīng)用市場(chǎng)分類

目前，我國(guó)移動(dòng)出行應(yīng)用主要有專車、打車、拼車和租車四種類型，這使人們出行選擇多種多樣，也滿足了各個(gè)年齡階段、各個(gè)地域以及各個(gè)階層的需求，表1顯示了四種移動(dòng)出行的代表應(yīng)用及其主要特點(diǎn)。

表1 移動(dòng)出行市場(chǎng)主流軟件及其特點(diǎn)

2016年下半年移動(dòng)出行應(yīng)用排名如圖1所示，滴滴出行的市場(chǎng)份額和用戶活躍度遠(yuǎn)高于其他應(yīng)用，其原當(dāng)然離不開各大公司背后強(qiáng)大的資金支持以及技術(shù)支持。而更主要的是，滴滴出行與快的打車合并后，又收購了Uber中國(guó)，其業(yè)務(wù)拓展速度非常之快，占據(jù)了中國(guó)超過75%的市場(chǎng)用戶。而其經(jīng)常采取的補(bǔ)貼戰(zhàn)略，更是吸引了一大批消費(fèi)者。

圖1 移動(dòng)出行領(lǐng)域榜單

圖2 各專車應(yīng)用的活躍用戶量及啟動(dòng)次數(shù)

從圖2中可以看出，滴滴出行APP占據(jù)了絕大部分市場(chǎng)份額，活躍用戶數(shù)量以及啟動(dòng)次數(shù)遠(yuǎn)遠(yuǎn)高于其他幾個(gè)專車應(yīng)用。從圖1-3中可以看出，在日均活躍用戶量、日均啟動(dòng)次數(shù)和日均使用時(shí)長(zhǎng)上看，占據(jù)領(lǐng)先地位的是Uber和神州專車。

(二)用戶行為分析

用戶選擇出行軟件的時(shí)候，往往考慮以下幾個(gè)因素：首先，在價(jià)格方面，用軟件打車的價(jià)格是否合理，是否比打普通出租車要便宜。其次，是否能及時(shí)到達(dá)自己所在的地點(diǎn)。因此商家為了留住顧客，經(jīng)常采取一些補(bǔ)貼優(yōu)惠政策，使價(jià)格方面盡量讓人們接受，甚至用白菜價(jià)吸引那些潛在的客戶，再利用其便捷的優(yōu)點(diǎn)，使?jié)撛诳蛻舭l(fā)展為長(zhǎng)期客戶。隨著注冊(cè)的車主越來越多，打車也越來越便捷，打車的人也變得越來越多。因此打車的效率和速度就提高了。

如圖3顯示的人均行為，我們可以得出人均啟動(dòng)次數(shù)和人均使用時(shí)長(zhǎng)最多的是滴滴出行，其次是Uber和神州專車。

圖3 人均行為分析圖

(三)用戶構(gòu)成分析

移動(dòng)出行類應(yīng)用的主要用戶主要集中在20-30歲以下的青年人士，這些年輕人對(duì)互聯(lián)網(wǎng)接觸了解的較多，并且樂于嘗試新型的出行方式。而41歲以上的人群只占了10%的份額。

從使用的領(lǐng)域來看，一線城市的市場(chǎng)份額占據(jù)了50%以上，這與一線城市人群有較高的收入水平有關(guān)系，他們的出行頻次也比較高。而隨著年齡的遞增，收入檔次的提高，移動(dòng)出行用戶數(shù)量逐漸減少，其原因主要有以下兩點(diǎn)：一是我國(guó)高收入者占總?cè)丝诘谋戎剌^??；二是高收入者一般有自己的汽車。隨著移動(dòng)出行應(yīng)用的普及，將會(huì)有更多的年輕人進(jìn)入這個(gè)市場(chǎng)，也會(huì)逐步有中年人士放棄自己開車而選擇專車和拼車，這將是綠色出行，實(shí)現(xiàn)節(jié)約能源的第一步。

二、大數(shù)據(jù)挖掘理論綜述

近年來，在我們生活在互聯(lián)網(wǎng)海洋的每時(shí)每刻，都會(huì)產(chǎn)生海量的數(shù)據(jù)。而面對(duì)這些海量的數(shù)據(jù)，人們的肉眼和手工方法很難去處理這些數(shù)據(jù)并發(fā)現(xiàn)其中的價(jià)值，在這些數(shù)據(jù)的海洋中，人們急切需要更有效的方法來處理這些數(shù)據(jù)來獲得有用的知識(shí)。數(shù)據(jù)挖掘正是在這種強(qiáng)烈需求的背景下應(yīng)運(yùn)而生的，為我們從大量數(shù)據(jù)中提煉出有價(jià)值的只是提供了可行有效地方法。

高校承載的社會(huì)服務(wù)功能，在實(shí)現(xiàn)精準(zhǔn)扶貧、促進(jìn)鄉(xiāng)村振興應(yīng)發(fā)揮作用，為更好的輸出高水平的農(nóng)村電商人才應(yīng)該構(gòu)建相對(duì)權(quán)威標(biāo)準(zhǔn)的人才培養(yǎng)體系，包括培養(yǎng)目標(biāo)、培養(yǎng)模式、課程體系、實(shí)踐教學(xué)體系、評(píng)價(jià)體系等，并加強(qiáng)農(nóng)村電商師資培養(yǎng)的師資、教材和其他資源的建設(shè)。高校建立相關(guān)的研究所等來深入研究農(nóng)村電商發(fā)展的實(shí)際問題，助力農(nóng)村電商發(fā)展。

(一)大數(shù)據(jù)挖掘技術(shù)的概念

數(shù)據(jù)挖掘結(jié)合了多個(gè)領(lǐng)域的技術(shù)，如人工智能、概率學(xué)、數(shù)據(jù)庫技術(shù)、機(jī)器學(xué)習(xí)等。數(shù)據(jù)挖掘是在不完全的數(shù)據(jù)信息中，去除噪聲、重復(fù)數(shù)據(jù)、不一致數(shù)據(jù)，發(fā)現(xiàn)那些對(duì)人們有價(jià)值的信息。數(shù)據(jù)挖掘技術(shù)還可以用于預(yù)測(cè)信息，發(fā)現(xiàn)數(shù)據(jù)之間的規(guī)律，推測(cè)出將來可能的行為。

數(shù)據(jù)挖掘也往往用來解決商業(yè)的實(shí)際問題，首先從商業(yè)角度理解問題，將這些問題轉(zhuǎn)化為數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行建模，然后對(duì)模型進(jìn)行評(píng)估，最后發(fā)布模型得出目標(biāo)結(jié)果。

(二)大數(shù)據(jù)挖掘的過程

數(shù)據(jù)挖掘的整個(gè)行程是為了發(fā)現(xiàn)在最初的數(shù)據(jù)中，所隱含著的對(duì)我們有價(jià)值的信息，所以在進(jìn)行數(shù)據(jù)挖掘前，我們首先要知道，我們要解決的問題是什么以及想達(dá)到什么樣的目的。只有這樣將問題和目的結(jié)合起來才能得到我們想要的結(jié)果。數(shù)據(jù)挖掘的過程分為以下幾個(gè)階段：數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘和模型最終效果的評(píng)估。

1.大數(shù)據(jù)預(yù)處理

我們剛開始收集的原始數(shù)據(jù)往往具有復(fù)雜和多樣等特性，為了將這些最初的數(shù)據(jù)轉(zhuǎn)化為我們最終需要的數(shù)據(jù)，我們要對(duì)數(shù)據(jù)進(jìn)行一些處理，使原本不完整的數(shù)據(jù)變得完整，使數(shù)據(jù)變得一致起來。我們要對(duì)數(shù)據(jù)進(jìn)行清洗來消除數(shù)據(jù)的噪聲和重復(fù)的觀測(cè)值。數(shù)據(jù)預(yù)處理過程又分為以下四個(gè)子階段：

數(shù)據(jù)清理：數(shù)據(jù)清理包括消除數(shù)據(jù)的噪聲、填補(bǔ)那些遺缺的數(shù)據(jù)，使數(shù)據(jù)變得平滑起來。車輛軌跡數(shù)據(jù)存在的主要問題是軌跡點(diǎn)經(jīng)緯度坐標(biāo)越界和異常的軌跡點(diǎn)，需要對(duì)這些異常數(shù)據(jù)進(jìn)行處理。

數(shù)據(jù)選擇和分析：是指在大量的數(shù)據(jù)中取出一些相關(guān)數(shù)據(jù)，在不損失有效信息的情況下，對(duì)數(shù)據(jù)的范圍進(jìn)行合理的選擇，以減少不必要的時(shí)間浪費(fèi)。

數(shù)據(jù)變換：是指通過離散化、平滑處理以及標(biāo)準(zhǔn)規(guī)則化處理等方法，將數(shù)據(jù)變化成適合進(jìn)行數(shù)據(jù)挖掘的形式。

其中對(duì)GPS測(cè)數(shù)據(jù)的數(shù)據(jù)剔除方法我們可以使用萊茵達(dá)準(zhǔn)則法和羅曼洛夫斯基準(zhǔn)則，這種GPS載波相位差分技術(shù)的運(yùn)用，極大地降低了如衛(wèi)星相關(guān)誤差及電離層折射延遲、對(duì)流層折射延遲等主要誤差源的影響。為了盡可能可靠地提高GPS定位的精度，必須對(duì)測(cè)量數(shù)據(jù)進(jìn)行粗差剔除。

(1)萊茵達(dá)準(zhǔn)則

(2)羅曼洛夫斯基準(zhǔn)則

Pα=(1-α)和t分布的自由度v=n-2確定tg值。若被懷疑并提出的測(cè)量值確屬于含有過失誤差，則剩余誤差滿足|vg|≥tgs，即將該測(cè)量值剔除是正確的；反之若不滿足上式，則說明該測(cè)量值并不敢有過失誤差，應(yīng)重新將其列入觀測(cè)列，并重新估算標(biāo)準(zhǔn)差。

2.大數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是為了在初始不規(guī)則的數(shù)據(jù)中發(fā)現(xiàn)對(duì)我們有用的信息，數(shù)據(jù)挖掘的模式有兩種，其中一種是描述性模型，用特征化分析、聚類分析、關(guān)聯(lián)分析等方法描述數(shù)據(jù)的一般特征，再用數(shù)學(xué)統(tǒng)計(jì)模型對(duì)隱含在這些數(shù)據(jù)中的信息進(jìn)行解釋；另一種是預(yù)測(cè)性模式，通過分類、孤立點(diǎn)分析、回歸等方法，在預(yù)測(cè)和推斷這些數(shù)據(jù)。

3.模型最終效果的評(píng)估

在數(shù)據(jù)挖掘階段之后，挖掘到的數(shù)據(jù)是需要我們進(jìn)行分析的，要用恰當(dāng)?shù)脑u(píng)價(jià)標(biāo)準(zhǔn)來衡量結(jié)果的正確與否。

(三)數(shù)據(jù)挖掘的方法任務(wù)及分析

數(shù)據(jù)挖掘有兩種方法類型，一種是統(tǒng)計(jì)型的，常用的方法包括聚類分析和相關(guān)性分析，這種類型旨在發(fā)現(xiàn)數(shù)據(jù)中藏匿的一般規(guī)律。另一種類型是機(jī)器學(xué)習(xí)類型，它通過大量的數(shù)據(jù)樣本得到模型，然后對(duì)未知的樣本進(jìn)行預(yù)測(cè)。本論文使用的是第二種類型，通過乘客和司機(jī)的出行數(shù)據(jù)，對(duì)乘客和司機(jī)的歷史行為進(jìn)行分析。這種結(jié)合了概率學(xué)、人工智能、數(shù)據(jù)庫等技術(shù)的綜合性方法，減少了只在單個(gè)分析方法中的缺點(diǎn)和不足，將多重分析方法的優(yōu)勢(shì)結(jié)合起來，更好的分析數(shù)據(jù)得出結(jié)論。下面介紹四種數(shù)據(jù)挖掘任務(wù)。

1.預(yù)測(cè)建模

預(yù)測(cè)建模有回歸建模形式和分類建模形式，它們通過提取數(shù)據(jù)的普通模式來預(yù)測(cè)未來的變化趨勢(shì)?；貧w建模的函數(shù)模型是連續(xù)的，可以用線性回歸的方式來解決許多問題，而通過變換，我們也可以將許多非線性問題轉(zhuǎn)化為線性問題來解決。分類建模是預(yù)測(cè)離散的數(shù)值。這兩種建模形式都是預(yù)測(cè)問題。分類和回歸預(yù)測(cè)的經(jīng)典方法有決策樹、貝葉斯、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、組合學(xué)習(xí)方法和K鄰域。

2.關(guān)聯(lián)分析

關(guān)聯(lián)分析方法是為了發(fā)現(xiàn)數(shù)據(jù)集中的關(guān)聯(lián)性和相關(guān)性。但是，在海量的數(shù)據(jù)中要發(fā)現(xiàn)它們的聯(lián)系要耗費(fèi)大量的時(shí)間和資源，同時(shí)，發(fā)現(xiàn)的這些相關(guān)性也會(huì)有偶然的情況和錯(cuò)誤的情況，為了解決這兩個(gè)問題，在關(guān)聯(lián)分析中，要使用規(guī)則的支持度和置信度，使得去除那些偶然出現(xiàn)的規(guī)則，得到最可靠的信息。利用關(guān)聯(lián)分析的算法主要有FP-growth和Apriori等。

3.聚類分析

聚類分析是一種沒有監(jiān)督的方法，它通過合理劃分那些未標(biāo)注的樣本，對(duì)不同類別使用顯式或隱式的方法進(jìn)行描述，層次方法、劃分方法、基于網(wǎng)絡(luò)的方法等都是聚類分析的主要方法。

4.異常檢測(cè)

異常檢測(cè)的目的是為了發(fā)現(xiàn)那些特征明顯不同于其他數(shù)據(jù)的對(duì)象，從而避免將正常的觀測(cè)對(duì)象標(biāo)記為異常數(shù)值。異常檢測(cè)在公共損失檢測(cè)、網(wǎng)絡(luò)攻擊、疾病的不尋常模式、醫(yī)療處理等方面都有重要作用。