徐可超 王涵笑 霍思遠(yuǎn) 谷曉彤

摘 要：共享汽車(chē)行業(yè)曾在幾年前廣為繁榮，但由于其所具有的重模式、高成本、難以盈利等弊端，造成企業(yè)難以持續(xù)融資，行業(yè)難以持續(xù)繁榮的困境。如今，隨著汽車(chē)車(chē)型更新?lián)Q代日益迅速，加之疫情影響經(jīng)濟(jì)發(fā)展，消費(fèi)者更傾向于輕便的用車(chē)模式，使得具有“分時(shí)租賃”特點(diǎn)的共享汽車(chē)獲得很大發(fā)展機(jī)遇。本文綜合利用Excel、Python軟件，先以經(jīng)緯度為橫縱目標(biāo)對(duì)附件數(shù)據(jù)進(jìn)行離群值剔除與可視化展示，并將其在空間上劃分成25個(gè)區(qū)域，從而更準(zhǔn)確地研究其空間特征;其次，使用Matlab軟件構(gòu)建DBSCAN聚類(lèi)算法模型，將不同區(qū)域共享汽車(chē)的實(shí)際密度情況以熱力圖形式在地圖上可視展現(xiàn)，得出共享汽車(chē)分布主要集中在經(jīng)度34.78377、緯度32.0556等區(qū)域附近，這些區(qū)域大多集中位于城市中心，人口密度相對(duì)高，共享汽車(chē)使用頻率高的結(jié)論，同時(shí)編程得出不同型號(hào)車(chē)輛在整體區(qū)域信息的出現(xiàn)頻率次數(shù)表，進(jìn)行不同維度變化分析，得到共享汽車(chē)使用集中在早午晚高峰期，該時(shí)間段內(nèi)人流量大，用車(chē)需求量高，汽車(chē)使用頻率高的結(jié)論。

關(guān)鍵詞：聯(lián)合調(diào)度優(yōu)化模型 共享汽車(chē) DBSCAN聚類(lèi)算法

Abstract：The shared car industry once prospered a few years ago， but due to its heavy model， high cost， and difficulty in profitability， it is difficult for companies to continue financing and the industry to continue to prosper. Nowadays， with the increasingly rapid replacement of car models and the impact of the epidemic on economic development， consumers are more inclined to use the light-weight car model， making shared cars with the characteristics of “time-sharing lease” a great opportunity for development. In this paper， using Excel and Python software comprehensively， outlier removal and visual display of the attachment data are first performed with the latitude and longitude as the horizontal and vertical targets， and the space is divided into 25 regions， so as to more accurately study its spatial characteristics： secondly. Using Matlab software to build the DBSCAN clustering algorithm model， the actual density of shared cars in different areas is visually displayed on the map in the form of heat maps. It is concluded that the distribution of shared cars is mainly concentrated in areas near longitude 34.78377 and latitude 32.0556. Most of these areas is concentrated in the center of the city， the population density is relatively high， and the frequency of shared cars is high. At the same time， it is programmed to draw the frequency table of the appearance frequency of different types of vehicles in the overall area， and analyze the changes in different dimensions. It is obtained that the use of shared cars is concentrated in the morning， afternoon and evening. During the peak period， the flow of people is large， the demand for cars is high， and the frequency of car use is high.

Key words：joint scheduling optimization model， car sharing， DBSCAN clustering algorithm

1 引言

共享汽車(chē)行業(yè)曾在2015年以來(lái)“百花齊放”，受到投資融資方青睞，但由于其具有重模式、高成本、難以盈利等特點(diǎn)，導(dǎo)致其難以持續(xù)繁榮，陸續(xù)有公司因?yàn)槿谫Y問(wèn)題倒閉。在2019年，在共享汽車(chē)行業(yè)，中小企業(yè)不斷出局，頭部平臺(tái)拉動(dòng)了行業(yè)重新增長(zhǎng)，增速甚至超過(guò)網(wǎng)約車(chē)和線(xiàn)上租車(chē)。

2 模型建立

2.1 數(shù)據(jù)信息可視化分析與數(shù)據(jù)處理

由于附件中為列表數(shù)據(jù)集信息，為方便觀察特征，以經(jīng)緯度為橫縱坐標(biāo)，利用Python軟件對(duì)其進(jìn)行可視化處理，共享汽車(chē)經(jīng)緯度分布中部分區(qū)域出現(xiàn)離群點(diǎn)，為保證整體數(shù)據(jù)集分析的可靠性，減少模型因歧異值帶來(lái)的誤差，需要剔除離群點(diǎn)，剔除后的分布圖像如圖1所示。

針對(duì)分布圖中整體較為密集的集中停車(chē)點(diǎn)，以經(jīng)緯度為劃分標(biāo)準(zhǔn)進(jìn)行區(qū)域劃分，形成一個(gè)5*5的正方形矩陣區(qū)域。為了解各區(qū)域中共享汽車(chē)數(shù)量關(guān)于時(shí)間的變化情況，了解其汽車(chē)流量的高峰期低谷期，將區(qū)域數(shù)據(jù)按時(shí)間標(biāo)準(zhǔn)轉(zhuǎn)化為多列，以凌晨3;00-6;00、早上6;00-8;00、上午8;00-11;30、中午13;00-17;00、傍晚;17;00-19;00、晚上;19;00-23;00、深夜;23;00-3;00的標(biāo)準(zhǔn)劃分時(shí)間段;同時(shí)，以是否為假期、周末、節(jié)假日來(lái)考慮個(gè)列，從而得到各區(qū)域在一天不同時(shí)間段內(nèi)的停車(chē)數(shù)量變化。

2.2 DBSCAN空間密度聚類(lèi)分析

首先定義以下概念，給定數(shù)據(jù)集D和參數(shù)ε和MinPts，有以下定義：

（1）ε-鄰域：對(duì)xj∈D，其ε-鄰域包含數(shù)據(jù)集D中和xj距離不大于ε的樣本，即;

Nε（xj）={xj∈D∣dist（xj，xj）≤ε}

（2）核心對(duì)象：若xj的ε-鄰域至少包含MinPts各樣本，即∣Nε（xj）∣≥MinPts，則xj是一個(gè)核心對(duì)象;

（3）密度直達(dá)：若xj位于xi的ε-鄰域內(nèi)，且xi是核心對(duì)象，則稱(chēng)xj由xi密度直達(dá);

（4）密度可達(dá)：對(duì)xi與xj，若存在樣本序列P1，P2，…，Pn，其中P1=xi，Pn=xj，且Pi+1，由Pi密度直達(dá)，則稱(chēng)xj由xi密度可達(dá);

（5）密度相連：對(duì)xi與xj，若存在xk使得xi與xj均由xk密度可達(dá)，則稱(chēng)xj由xi密度相連。

基于以上定義，DBSCAN聚類(lèi)算法流程步驟為：

●輸入數(shù)據(jù)集D={x1，x2，…，xm}及參數(shù)ε和MinPts，從數(shù)據(jù)集中隨機(jī)抽取一個(gè)未被訪(fǎng)問(wèn)的對(duì)象，在其-鄰域內(nèi)滿(mǎn)足閾值要求的稱(chēng)為核心對(duì)象;

●遍歷全部數(shù)據(jù)集，找到所有從對(duì)象的密度可達(dá)對(duì)象，形成新的簇;

●利用密度相連，產(chǎn)生最終簇結(jié)果;

●重復(fù)步驟2與3，直到訪(fǎng)問(wèn)數(shù)據(jù)集中的所有對(duì)象為止。

因本題聚類(lèi)密度均勻且分布較為集中，將各區(qū)域停車(chē)車(chē)輛數(shù)量等相關(guān)信息作為數(shù)據(jù)集，以=0.05km和MinPts=261為參數(shù)進(jìn)行DBSCAN密度聚類(lèi)。[1]使用Matlab軟件編程得到不同區(qū)域的在地圖上的車(chē)輛密度分布熱力圖如圖2。

3 模型求解

由聚類(lèi)處理后數(shù)據(jù)可以得出：該城市共享汽車(chē)分布主要集中在城市中心，其人口密度相對(duì)較高的維度。對(duì)各天區(qū)域車(chē)輛數(shù)氣泡進(jìn)行分析，并結(jié)合上文中各區(qū)域一天不同時(shí)間段內(nèi)的汽車(chē)數(shù)量折線(xiàn)圖，可以得出一天中不同區(qū)域不同時(shí)間的車(chē)輛數(shù)目變化情況，進(jìn)而得到按時(shí)間段劃分的車(chē)輛時(shí)間變化趨勢(shì)，其各區(qū)域一天中停車(chē)數(shù)目分配大致相同，在早午晚高峰期內(nèi)中心區(qū)域車(chē)流量多，汽車(chē)數(shù)量多，在邊緣郊區(qū)汽車(chē)數(shù)量少，而在其他時(shí)間段內(nèi)汽車(chē)數(shù)量大致穩(wěn)定。

可以綜合得出，按天車(chē)流量在每月中旬呈上升趨勢(shì)，到達(dá)峰值后持續(xù)下降，上下旬均會(huì)出現(xiàn)一個(gè)較為平緩的增長(zhǎng)趨勢(shì)，并呈現(xiàn)先增后降的趨勢(shì);同時(shí)，用車(chē)數(shù)量在年末到達(dá)高峰期，這一期間人們用車(chē)需求增長(zhǎng)迅速，共享汽車(chē)使用數(shù)量大幅增長(zhǎng);在18、19年內(nèi)，12月/第四季度車(chē)輛數(shù)目均要多于1月/第一季度車(chē)輛數(shù)。

在時(shí)間上集中于早午晚高峰期，在這段時(shí)間內(nèi)人流量大，用車(chē)需求量高，汽車(chē)使用頻率高;在共享汽車(chē)型號(hào)上，最受消費(fèi)者歡迎的汽車(chē)為234號(hào)汽車(chē)，其次為199號(hào)、235號(hào)等，共享汽車(chē)使用次數(shù)在數(shù)據(jù)集中均高于2000次，受歡迎的汽車(chē)型號(hào)均高于3000次，使用頻繁。

4 總結(jié)

停車(chē)點(diǎn)是基于經(jīng)緯度定位，且數(shù)據(jù)龐大，密度集中，基于密度的聚類(lèi)算法以數(shù)據(jù)集在空間分布上的稠密程度為依據(jù)進(jìn)行聚類(lèi)，能處理任意形狀和大小的簇，方便處理多而繁瑣的停車(chē)點(diǎn)數(shù)據(jù)[2]。利用DBSCAN聚類(lèi)算法時(shí)，可在聚類(lèi)的同時(shí)發(fā)現(xiàn)樣本數(shù)據(jù)異常點(diǎn)，方便處理大量的影響數(shù)據(jù)有效性的異常值。[3]采用特征性分析，引入錫爾系數(shù)作為判斷的依據(jù)，有利于從多個(gè)角度為調(diào)度的方案提供依據(jù)。

密度聚類(lèi)算法對(duì)于輸入?yún)?shù)和MinPts敏感，確定參數(shù)較為困難，帶有一定的估算性質(zhì)。特征性分析對(duì)于次要因素包含度不高，推廣使用具有一定的局限性，仍需要進(jìn)一步優(yōu)化。而DBSCAN空間密度聚類(lèi)模型本身自帶的參數(shù)帶有一定的主觀性，可以利用遺傳算法對(duì)模型進(jìn)行進(jìn)一步優(yōu)化改進(jìn)。本題所建立的模型具有較好的理論基礎(chǔ)，得到的聯(lián)合優(yōu)化模型可以作為共享汽車(chē)企業(yè)的參考相關(guān)依據(jù)。聯(lián)合優(yōu)化模型為多模型綜合使用，適應(yīng)性廣，其不僅僅適用于共享汽車(chē)，也能推廣到共享單車(chē)等其他行業(yè)領(lǐng)域。

參考文獻(xiàn)：

[1]馬小賓，侯國(guó)林，李莉，楊燕.基于DBSCAN算法的民宿集群識(shí)別、分布格局及影響因素——以南京市為例[J].人文地理，2021，36（01）：84-93.

[2]王倩倩，孟繁宇，曾益萍，張少標(biāo)，吳國(guó)華，楊麗麗.基于DBSCAN聚類(lèi)的城市區(qū)域火災(zāi)風(fēng)險(xiǎn)計(jì)算方法——以深圳市鹽田區(qū)為例[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2021，17（02）：177-182.

[3]Ester M，Kriegel H P，Sander J，et al.A density-based algorithm for discovering clusters in large spatial databases with noise[C]. Portland，Oregon，USA：The AAAI Press，1996：226-231.

作者簡(jiǎn)介

徐可超：（2002.01—），男，漢族，山東濱州人，在讀本科。研究方向：智能開(kāi)采。