摩拜创始人退出,ofo陷困境,哈罗会成为最大受益者么?

摩拜创始人胡玮炜宣布辞去摩拜CEO一职,代表着她在共享单车行业的正式退出,另一个共享单车行业的巨头ofo则遭遇了用户蜂拥退押金而导致陷入困境的局面,目前在共享单车行业势头最猛的无疑是哈罗单车,看起来哈罗似乎正成为共享单车行业的最成功者。


640?wx_fmt=jpeg


共享单车行业来得快,去得也快

ofo成立于2014年1月,在早期它主要是为大学生提供服务,并强调通过获取租金收入维持运营;摩拜成立于2015年1月,成立时间较ofo晚一年,而在它成立之后就开始致力于为大城市的用户服务。可以说一开始两家企业面向的用户有很大的不同,双方并没太强的竞争关系。

2016年初ofo开始放弃深耕校园的做法,开始向大城市公众用户提供服务,它与摩拜的竞争正式开始。由于网约车行业在资本的支持后迅速成就了滴滴这家企业,共享单车行业也吸引了资本的关注,2016年也是ofo与摩拜开始持续展开融资并进行业务扩张的一年,从2016年起两家企业的融资额不断创出新高度,最高达到10亿美元。

在资本的支持下,ofo和摩拜在整个2016年都处于快速扩张中,单车投放量以百万计算,单车投放量不断增加,用户也在迅速增长,用户的增加又吸引了新的资本进入,让共享单车行业迅速进入高潮。

不过共享单车行业,用一年多时间发展至高潮,也因此迅速在2017年到了结束的时候。由于共享单车行业的投资极大,然而收入却远低于投入,在后来美团收购摩拜公布的数据显示2017年12月摩拜的亏损高达6亿元,持续的巨资投入却看不到盈利的前景,让投资者开始丧失信心,他们不愿再投资让共享单车企业烧钱,而希望获利退出。

ofo的主要投资者之一的金沙江创业投资基金合伙人朱啸虎公开呼吁ofo与摩拜合并,但是由于ofo创始人戴威的坚持,双方没有合并成功,摩拜投资人最终推动将它出售给美团;而拒绝合并的ofo则开始面临资金困境,在泥潭中挣扎。

可见共享单车行业的快速发展仅仅只有一年多时间,就如一阵风来得快去得也快。

哈罗会成为最大受益者么

在摩拜与ofo在谈论合并之时,阿里巴巴开始强势扶持哈罗单车。哈罗单车成立于2016年11月,此时共享单车行业已进入高潮,形成了摩拜与ofo两大巨头,本来哈罗单车是没有机会,毕竟此时已传出不少中小共享单车企业陷入困境,但是在关键时刻阿里巴巴出现了。

2017年10月,哈罗单车宣布与阿里投资的永安行合并,随后阿里巴巴不断加大对哈罗单车的投资,最终在2018年5月阿里系成为哈罗的大股东。

阿里支持哈罗单车的发展在于它在网约车行业的教训。在网约车行业,腾讯支持了滴滴,而阿里支持了快的,不过两家网约车企业迅速在2012年合并,而滴滴为合并后的存续公司,腾讯在其中取得了更大的话语权。阿里和腾讯进入共享出行行业的重点不仅仅是在该行业布局,还在于支持它们各自的移动支付平台支付宝、微信支付的发展,近年来双方在移动支付市场的份额正快速接近,正因此阿里选择了扶持当时弱小的哈罗单车以支持自己的移动支付平台的发展。

在摩拜被美团收购,ofo陷入资金困境后,在阿里支持下的哈罗单车正快速发展,据称哈罗单车的日订单量已成为共享单车行业第一名,并且哈罗正计划进入摩拜和ofo占据优势的一二线城市,而如今的形势显然相当有利于哈罗单车的拓展。

不过让人意外的是收购了摩拜的美团和正迅速发展的哈罗似乎都开始转移视线。美团的网约车业务在南京和上海开城后处于停滞,但是近日有消息指它已获得北京的网约车牌照,似乎它正计划进一步发展网约车业务;另一边的哈罗单车也已改名为哈罗出行,在今年10月份上线了打车入口,并与首汽约车携手合作推出打车服务,双方的目标都不约而同的转向了网约车市场。

其实这也是可以理解的,共享单车行业至今找不到盈利模式,而网约车行业已为滴滴带来巨大的资金流量,共享单车行业已到了终局,而它们的目标其实并不是共享单车而是网约车。

柏颖漫谈 baiyingmantan

640?wx_fmt=jpeg


使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值