CN103606299B - 基于智能手机的停车位信息共享方法 - Google Patents

Abstract

本发明属于移动网络服务技术领域，涉及一种基于智能手机的停车位信息共享方法，在该方法中，携带有智能手机的一个个车主，即是信息的使用者，也是信息的采集者，作为信息的采集者的车主自主地将采集的信息发送到服务器，服务器对所采集的信息进行标记，将信息量化成极限学习的一个个维度信息量，并根据量化的维度信息进行实时的学习预测，同时作为信息的使用者的车主，从服务器获取经过学习预测的有关停车位信息，信息的采集和标记主要分为三个大类进行。本发明提供的共享方法能够使车主及时的获得停车位的信息将减少寻找车位带来的不便，减少寻找停车位的时间。

Description

基于智能手机的停车位信息共享方法

所属技术领域

本发明属于移动网络服务技术领域，涉及一种停车位信息共享方法。

背景技术

随着生产技术的发展,越来越多的人拥有了自己的汽车,然而不管是节假日外出旅游还是探亲访友,寻找停车位常常给不少车主带来不便。网络逐渐融入了日常生活的方方面面，网络与搜索停车位的结合无疑是一个可以实现的发展方向。然而目前在实际应用中,一些现有的方案过于繁杂，所需要的设备过于繁多,而且实现较不易。比如某种查寻系统，它包括至少一个停车位信息采集单元、至少一个停车位搜索预定服务器、至少一个通信控制器和至少一个终端设备，停车位信息采集单元通过通信媒质与通信控制器连接，这给车主带来了不少的不便，车主需要另行装置一个通信设备以获得停车位数据。通常，车主需要自己到达具体的停车区域，然后自己寻找空闲的车位或者需要人工的指引获得停车位。这样车主自己不能事先获得车位的具体信息，也不知道哪些地方可以停车，给出行带来不小的麻烦。

发明内容

本发明的目的是克服现有技术的上述不足，提供一种停车位信息共享方法。本发明提供的共享方法能够根据实际的环境及时的将停车位的信息发送到车主的智能手机终端上，使车主及时的获得停车位的信息将减少寻找车位带来的不便，不需要车主自己寻找停车位，不仅能使车主获得实际环境停车位的信息，也能减少寻找停车位的时间。技术方案如下：

一种基于移动网络服务的停车位信息共享方法，在该方法中，携带有智能手机的一个个车主，即是信息的使用者，也是信息的采集者，作为信息的采集者的车主自主地将采集的信息发送到服务器，服务器对所采集的信息进行标记，将信息量化成极限学习的一个个维度信息量，并根据量化的维度信息进行实时的学习预测，同时作为信息的使用者的车主，从服务器获取经过学习预测的有关停车位信息，信息的采集和标记主要分为三个大类进行，方法如下：

第一类来自大型停车场、街边一些有具体停车车位数目以及某些小区和服务区内有固定停车数目的区域的信息收集，方法为：将此类区域的停车位数据分为比较少、比较多和很多三类，对每一类，赋予一个维度，将采集的信息对应相应的维度进行标记；剩余的其他维度可以将其他信息对应输入维度中，停车场周边的人流密度，按照高低对应不同的维度，将停车位费用按照免费及高低对应不同的维度或者在同一个维度中用不同的数字表示，车主通过弹出的界面将这些信息输入，通过智能手机上传到服务器，服务器将这些数据进行极限学习的存储和计算估计，通过对不同时间段多样本数据的收集和处理，更新对应的极限学习算法的模型，然后将获得的数据通过智能手机界面再呈现给需要搜索停车位的车主。

第二类来自于一些停车场以及只有停车区域却没有停车数目的街边和小区的信息收集，对采集的信息进行对应的标记分类,此类标记有停车数目的估算值，方法为：用户停车后按照对周围环境的观察，按照不同的维度输入停车场信息，四周比较宽敞、不是很宽敞、很窄没有什么其他停车分别对应不同的维度，并引入新的维度进行停车位标记，新的维度为停车数目的估算值，用户估算所在的区域剩余能停多少辆车，将这个对应的信息量也标记进入此种分类的样本中，根据用户的判断，按照可以停放车辆的多少对所述的新引入的维度进行标记；车主通过弹出的界面将这些信息输入，通过智能手机上传到服务器，服务器将这些数据进行极限学习的存储和计算估计，通过对不同时间段多样本数据的收集和处理，更新对应的极限学习算法的模型，然后将获得的数据通过智能手机界面再呈现给需要搜索停车位的车主。

第三类来自于一些其他信息的收集：车主行驶在一些马路上，遇到的停车区域在原有的系统上没有标识，通过搜索也没有的，车主将自己所获得的第一手信息进行上传，随着越来越多的车主参与进来，这样这个区域的上传信息将会越来越多，最终服务器用极限学习的方法对上传的信息通过再一次标记的方法进行分类，然后进行训练，最终更新参数的模型，给以后需要搜索停车位的车主提供可靠的数据信息。

本发明最突出的特点是实现了停车位信息的实时共享，能够给用户提供及时的，动态的信息，以提高用户生活质量，能有效解决现有出行找停车位困难的问题。本发明充分利用了智能手机的传感器功能以及定位功能，使得信息提供及时，精确，用户操作简单。用机器学习的方法对收集到的数据进行有效的分析，预测，以最大限度提供给用户方便。根据本发明提出的共享方法得到的搜索结果，还能用于改善交通管理，提高交通运输速率等。采用此种方法建立的搜索平台也可以装入车载系统，使装有车载系统的汽车能够通过车载系统就能获得停车位信息，使出行更方便，而且装入车载系统的搜索平台能够使汽车附带功能更加强大，带来的经济效益更好。

附图说明

图1应用平台整体框架图。

图2信息搜集界面图。

图3极限学习的原理图。

具体实施方式

本发明提出了一种不需要车主寻找停车位就能有效获得停车位信息的一个搜索平台。下面结合实施例和附图对本发明进行说明。

本发明的一个实施例是：客户端采用在智能手机上独立开发一种应用，这种应用可以同时在手机和车载系统上使用，并且在用户注册时与所使用的手机号码绑定。而且在有移动网络或wife覆盖的地方都可以实现数据的传递，在服务器端，通过商用云计算平台如Windows Azues来实现服务器功能，这些商业云平台提供了性价比极高的云存储，云计算与sql搜索的工能。停车位在节假日尤其紧张，云计算平台的可伸缩性可以很好的满足这类需求，在平时可以相对少的租用云资源，而在有需求时则申请较多的云计算资源。

本发明的数据采集不同于其他专利，以往的一些专利对街边和居民社区这些很多时候没有停车位划线也没有摄像头监控停车位数目的区域很难提供有效的估计或者根本就没有这样的功能。而本发明可以提供完善的数据，本发明的数据采集方式具有非常好的半智能化功能。本发明的数据采集不仅是通过原有的互联网络技术获得一般大型停车场固定的车位数目，而且更重要的是每一个用户都可能是一个信息提供者，进行停车位数据的发送。比如当一个车主通过安装在其智能手机上的搜索平台找到了需要的停车位，而这个时候车主发现停车后，很多其他人也都来停车，停车位的数目已经越来越少，这个时候车主就可以通过手机将现在的情况发送到云服务器端，使得信息实时变化，这样可以使得数据迅速更新，比一般的专利数据更新上更加迅捷。当车主行驶在某条道路上，发现某个地方也能停车，而这个地方没有摄像头也没有停车线，没有与网络相连接，以往的一些专利不能解决这些停车位的收集信息。而本发明由于搜索平台是在智能手机上安装，智能手机具有定位功能，只要车主将定位打开，以往遗漏的停车位信息就能发送到云服务器端。当车主进入居民小区时，小区里有多少停车位是几乎没办法统计的，但是当一个车主停车后，他可以将自己周围是否有空旷位置可以停车通过智能手机发送到云服务器端，这样的数据采集方式是一般专利所不能比拟的。类似的在某些街道旁边停车时，有多少车位也是确定不了的，但是车主同样可以通过智能手机，将自己当前所处区域的大致停车位情况比如车辆是否多，是否有空余位置可以停车，这样的即时数据传送给云服务器端。即使对一般具有固定数目停车位数目的大型停车场，虽然可以通过停车场前的安保人员或者显示牌获得停车位有无的信息，但是对一个车主而言，知道这样的信息是需要自己驾驶到停车场才能知道的，而最重要的是当车主到达时，可能停车位已经没了。而本发明通过实时的数据更新，让尽可能多的车主参与进来，那么一些车主很多时候不需要驾驶到停车场附近就能获得停车位的信息，而且所获得信息是实时的，比停车场的显示牌信息更迅速。同时，对于一些停车场，是没有人员管理也没有电脑监控但确实有固定停车位的。当车主搜索停车位的时候，这样的停车场数据采集就是每一个车主本身，参与的车主通过智能手机提供数据，让停车位的信息发送给云服务器端，不仅提供有效的停车位信息而且也能提供停车位的位置，使得需要停车位的车主省却了在停车场内找停车位的麻烦。

本发明通过一个个即是用户也是信息采集发送者的使用者将采集的信息发送到服务器端，量化成极限学习的一个个维度信息量，在搜索平台利用云计算的强大功能，将量化的维度信息进行学习预测，将结果发送到用户的接收端平台。本发明对信息的采集预测分析，主要采用极限学习的方法，该方法是一种简单易用、有效的单隐层前馈神经网络SLFNS学习算法。相比一般的神经网络算法，极限学习方法不仅对海量数据的分类处理，特征提取，特征筛选，特征分类能够非常的迅速而且层数少，不用调整网络层内部的参数，只需调整与输出神经元节点相联系的参数。架构如图1所示，信息发送者在智能手机界面上发送收集的信息（空余停车位数目，空余停车区域，停车收费等相关方面）如图2所示。智能手机将信息上传到远端服务器，远端服务器接收信息后，根据自身数据库携带的停车位信息和实时其它信息发送者提供的信息，构建出动态停车位信息分布图。接收端用户可以搜索实时信息快速获得停车位。服务器端也可以根据用户需求推送一些停车位信息给用户，如距离用户最短的停车区域，收费最便宜的停车位等。

现将搜索平台各部分功能介绍如下：

信息发送端：

信息采集方式：现今的智能手机都配备着各种传感器，可以获得空气的湿度，温度，尘土颗粒的浓度，周围环境的嘈杂等。智能手机用户采集的信息包括停车费用，车位的多少，停车区域的疏密程度，附近餐厅酒店等。通过这两种混合式的信息收取，将信息传送到服务器上。

信息采集者：本发明的信息采集者主要是携带了智能手机的车主，车主本身其实也是信息的使用者，另一部分是志愿者，他们提供初始的系统部分数据如无摄像头监管有固定停车位的停车场。

作为信息采集者的用户或志愿者，在信息搜集时候，手机上的应用首先根据手机定位信息，确定用户的位置，用户根据需要采集的信息是哪一类的信息，选择相应的信息采集界面，只需要按下选择按钮或者输入一些数字，即可完成信息的输入。

服务器端：

1数据收集与处理

收集的停车位信息主要是来源于三方面，第一个是原有固定的停车场，由于进出停车场都有电脑控制，停车位的总体数目，停车位剩余多少，甚至停车位的大致位置，都可以较方便的通过搜索停车场附近的显示牌或者通过安保人员或者进行联网等获得并且能立即获得有多少空余停车位的数目。第二个是道路街边或居民社区的停车位信息，这需要信息采集者随时的提供信息比如可以通过街拍图片获得图像信息上传服务器。第三个是某些大型停车场或停车区域却是无摄像头也无显示牌也没有安保人员的，这部分区域有固定的停车位需要志愿者提供停车位数据。其他一些辅助信息包括天气，环境，人流密集等也可以作为某些特定信息搜索。我们对输入的信息数据进行优化和处理，提取数据特征，提供实时更新的数据发送给用户。

2信息有效性的验证

在服务器端对所收集的数据进行信息有效性的判断主要基于所获得数据在一小段时间内提供一种信息的用户是否比提供另一种信息的用户多，其他一些用户对该用户所提供的信息的反馈情况和通过以往的历史记录，通过极限学习的方法来获得概率进行判断。

3预测分析

通过数据的采集和有效性的验证，系统的基本数据库已经完善。系统接受需要获得数据的用户的请求，通过数据分析，预测当前停车位以及周边环境将数据发送给需要的用户。这种系统的预测分析，即使没有获得最近一段时间信息，或者遇到一些突发事件比如天气原因导致一些街边停车位积水，也可以通过极限学习方法迅速提供有效的信息使用户获得停车位的信息。极限学习的基本原理阐述如下：极限学习机ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法.传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,并且很容易产生局部最优解.极限学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此具有学习速度快且泛化性能好的优点。对于N个任意的样本(x_i,t_i)∈R^d×R^m，单隐层前馈网络具有L个隐藏节点的数学模型表达式如下：

这里β_i是隐藏层的输出参数，g_i(x_i)是隐藏层的激励函数，b_i是输入偏移参数对应值

如果单隐藏前馈网络的性能足够良好，输出的N个样本的对应结果必然是0误差，即那么就存在着参数(a_i,b_i)和β_i使得

$\underset{i=1}{\overset{L}{\mathrm{\Π}}}{\mathrm{\β}}_{i}G(a_i,b_i,x_j)=t_j,j=1,.....,N$

这里O_j是经过运算得到的结果，而t_j是原先每一个样本对应的标记结果，如果二者相等，那么预测的结果是最好的。以上的N个等式写成矩阵形式为Hβ＝T。其中

$H=\left[\begin{array}{c}h\left(x_1\right)\\ ...\\ h\left(x_N\right)\end{array}\right]={\left[\begin{array}{ccc}G(a_1,b_1,x_1)& ...& G(a_L,b_L,x_1)\\ ...& ...& ...\\ G(a_1,b_1,x_N)& ...& G(a_L,b_L,x_N)\end{array}\right]}_{N\×L}$

$\mathrm{\β}={\left[\begin{array}{c}{\mathrm{\β}}_1^T\\ \·\·\·\\ {\mathrm{\β}}_L^T\end{array}\right]}_{L\×m},T={\left[\begin{array}{c}{T}_1^T\\ \·\·\·\\ T_L^T\end{array}\right]}_{N\×m},$ H称为SLFN隐藏层的输出矩阵，其中隐藏层的目的是将数据从原先的d维降低到L维数据。H矩阵的第j列对应输入的x₁，x₂，...，x_N样本的隐藏节点的输出。H矩阵的第i行是对应输入样本x_i的每一个特征值。对应的原理图如图3所示。

这里的F(x)即O(x)，只是在一般的函数表达中，习惯用F(x)进行表述。极限学习算法的参数的更新表达式为这里对采集的数据主要分为三个大类进行标记：第一类来自大型停车场，街边一些有具体停车车位数目以及某些小区和服务区内有固定停车数目的区域。这些地方我们可以对采集的数据进行分类对应标记，然后对应到输入样本的维度中，比如对于大型停车场内当大型停车场内停车位50个以内（比较少）我们对应输入样本的第一维标记为1，有50～100个停车位（或者比较多）我们对应于输入样本的第二个维度标记为1，大型停车场内有100个以上（很多）我们对应输入样本的第三个维度标记为1。剩余的其他维度可以将其他信息对应输入维度中，比如停车场周边的人流密度，高低依次对应第四维和第五维分别标记为1和2。第六维和第七维及第八维标记为停车位费用。免费的标记为第六维为1，每小时2元到5元的第七维标记为1,5元到10元的第八维标记为1。每一个时间段数据的收集也分别标记为早上8～12点第9维为1,12到18点标记第9维2,18到24点第9维标记为3,0点到8点第9维标记为4。本发明暂时拟定输入样本的维度为100个维度，其他信息如果没有的，其他维度就全部标记为0。那么一个样本输入可以写为x=[1 0 0 1 0 1 0 0 1 .... 0]这样的输入表明某一个车主在某地的早上8点到12点间提供了一个大型停车场50个车位以内，周边人流密度比较高，免费停车的样本数据。如果将来信息量增加，只要将维度增加就可以。同样对于街边,小区和服务区内有具体数目的停车位信息都可以按照这样的方式标记进行，车主通过弹出的界面将这些信息输入，通过智能手机上传到服务器，服务器将这些数据进行极限学习的存储和计算估计。当然一个样本的采集是不够的，在刚开始的时候，多个人不同时间段数据收集，通过极限学习，更新数据的参数。对应的输出主要是停车位的停车数目以及停车位价格的多少。第二类来自于一些停车场以及街边和小区只有停车区域却没有停车数目的。这些地方我们也可以对采集的信息进行对应的标记分类。只是这类标记和具体停车位的可以看出多少停车数目的不同。这类的标记本发明分为如果当一个车主停下车后发现四周比较宽敞则对应输入样本的第一个维度标记为1，如果不是很宽敞则相对应第二个维度标记为2，相应的如果很窄没有什么其他停车的地方相应第三维度可以标记为3，但是由于以上三类的标记比较模糊，所以引入第四个对应停车位的标记，如果车主根据自己的经验能判断出所在的区域剩余能停多少辆车，本发明将这个对应的信息量也标记进入这一种分类的样本中，这样有助于判断。如果车主判断出可以停100辆以上（很多）则第四维标记为1，如果是50到100则第四维标记为2，如果是50以内则第四维标记为3。否则第四维标记为0。其他一些对应信息的标记同大型停车场有固定停车位的标记相类似。比如x=[1 0 0 3 1 0 1 0 0 1 .... 0]表示某一个车主在某地的早上8点到12点提供了一个人流密度较高，免费停车虽然四周比较宽敞但只能大概还能停50辆车以内的样本数据。同样的车主通过智能手机的弹出界面将这些信息上传到服务器，服务器将这些信息进行处理，更新对应的极限学习算法的模型，然后将获得的数据通过智能手机界面再呈现给需要搜索的车主。第三类来自于一些其他信息的收集。比如车主行驶在一些马路上，遇到的停车区域在原有的系统上没有标识，通过搜索也没有的，这个时候车主可以将自己所获得的第一手信息进行上传。随着越来越多的车主参与进来，这样这个区域的上传信息将会越来越多，最终服务器用极限学习的方法对上传的信息通过再一次标记的方法进行分类，然后进行训练，最终更新参数的模型，给以后需要搜索的车主提供可靠的数据信息。以上三大类对信息区分后进行输入，通过模型进行预测都是实时进行的。即使在某些时候没有新的数据样本的输入进行更新，依靠原有的数据资料也可以提供非常好的预测结果。而且极限学习这个模型预测分析计算的速度相当快，对同一时间段内即使输入的参考样本数目众多也可以迅速的进行分类预测。

4信用体系和奖励与惩罚

服务器端对每一个使用该系统的用户与用户的手机号绑定，都拥有有一个基本的信用级别。对提供有效真实信息的用户将会提供奖励比如每周新歌推荐，每日笑话，好利来代金券，饮食小健康提示等，同时信用级别会逐渐升高。而对提供虚假信息的用户，信用级别会逐渐下降，同时服务器端对信用级别较低的用户提供的信息不做主要信息处理。信用级别降到一定程度会被停止使用该系统一周，之后需要重新申请使用该系统时，信用级别恢复为基本的信用级别，但如果继续提供虚假信息则信用级别再次下降，被停止使用该系统两周，以此类推。

5服务器实现

服务器主要包括三个部分内容：数据保存，数据分析和搜索服务，我们打算通过windows云计算平台来实现服务器功能。Windows Azues提供了对应的解决方案，分别对应为云存储，云计算与sql搜索。停车位搜索系统的一个重要特点是其在不同时间段对系统资源的要求是不同的。对停车位的需求节假日，早上8,9点，晚上6,7点会居多些而其他时间段会需求少些。云计算平台的可伸缩性可以很好的满足这类需求。平时系统可以租用较少的云资源，而在有需求时则申请更多的云计算资源。

6信息接收端：

用户所需要的停车位信息将会以服务器主动提供信息服务和用户自己搜索特殊需求的方式呈现在手机界面上，并在用户使用的同时鼓励用户提供停车位信息。

主动方式

用户注册了账号开始使用系统的服务，当用户在某一位置时，相关的停车位信息就会定时发送到用户智能手机上。

被动方式

用户可以根据自己的需求搜索停车位信息，比如哪个停车位距离最近，哪个停车位费用最便宜，停车位附近餐饮娱乐等信息。

Claims (1)

1.一种基于智能手机的停车位信息共享方法，在该方法中，携带有智能手机的一个个车主，既是信息的使用者，也是信息的采集者，作为信息的采集者的车主自主地将采集的信息发送到服务器，服务器对所采集的信息进行标记，将信息量化成极限学习的一个个维度信息量，并根据量化的维度信息进行实时的学习预测，同时作为信息的使用者的车主，从服务器获取经过学习预测的有关停车位信息，信息的采集和标记主要分为三个大类进行，其特征在于，方法如下：

第一类来自大型停车场、街边一些有具体停车车位数目以及某些小区和服务区内有固定停车数目的区域的信息收集，方法为：将此类区域的停车位数据分为比较少、比较多和很多三类，对每一类，赋予一个维度，将采集的信息对应相应的维度进行标记；剩余的其他维度将其他信息对应输入维度中，停车场周边的人流密度，按照高低对应不同的维度，将停车位费用按照免费及高低对应不同的维度或者在同一个维度中用不同的数字表示，车主通过弹出的界面将这些信息输入，通过智能手机上传到服务器，服务器将这些数据进行极限学习的存储和计算估计，通过对不同时间段多样本数据的收集和处理，更新对应的极限学习算法的模型，然后将获得的数据通过智能手机界面再呈现给需要搜索停车位的车主；

第二类来自于一些停车场以及只有停车区域却没有停车数目的街边和小区的信息收集，对采集的信息进行对应的标记分类,此类标记有停车数目的估算值，方法为：用户停车后按照对周围环境的观察，按照不同的维度输入停车场信息，四周比较宽敞、不是很宽敞、很窄没有什么其他停车分别对应不同的维度，并引入新的维度进行停车位标记，新的维度为停车数目的估算值，用户估算所在的区域剩余能停多少辆车，将这个对应的信息量也标记进入此种分类的样本中，根据用户的判断，按照能够停放车辆的多少对所述的新引入的维度进行标记；车主通过弹出的界面将这些信息输入，通过智能手机上传到服务器，服务器将这些数据进行极限学习的存储和计算估计，通过对不同时间段多样本数据的收集和处理，更新对应的极限学习算法的模型，然后将获得的数据通过智能手机界面再呈现给需要搜索停车位的车主；

第三类来自于一些其他信息的收集：车主行驶在一些马路上，遇到的停车区域在原有的系统上没有标识，通过搜索也没有的，车主将自己所获得的第一手信息进行上传，随着越来越多的车主参与进来，这样这个区域的上传信息将会越来越多，最终服务器用极限学习的方法对上传的信息通过再一次标记的方法进行分类，然后进行训练，最终更新参数的模型，给以后需要搜索停车位的车主提供可靠的数据信息。