CN105513414A - 基于实时交通查询和云模型的停车场车位预测和推荐方法 - Google Patents
基于实时交通查询和云模型的停车场车位预测和推荐方法 Download PDFInfo
- Publication number
- CN105513414A CN105513414A CN201511000508.2A CN201511000508A CN105513414A CN 105513414 A CN105513414 A CN 105513414A CN 201511000508 A CN201511000508 A CN 201511000508A CN 105513414 A CN105513414 A CN 105513414A
- Authority
- CN
- China
- Prior art keywords
- parking
- parking lot
- cloud
- prediction
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于实时交通查询和云模型的停车场车位预测和推荐方法,该方法包括实时交通查询反馈和空余泊位预测两个模块,在停车场车位预测方面既考虑了停车场空余泊位数历史规律对预测的指导意义,又顾及了泊位数的实时变化以及未来可能的变化因素,实现了短时停车场空余泊位数变化的自适应预测,同时很好地避开了噪声引起的预测误差问题,能够兼顾预测准确性和实时性的要求。本发明的方法克服了停车场车位预测中随机性、模糊性以及非线性的问题,极大地提高了预测准确性,有助于解决城市的停车难问题,并缓解交通拥堵现象,有利于均衡各停车场的泊位使用率,提高停车场泊位管理效率。
Description
技术领域
本发明属于智慧城市交通系统中数据挖掘和信息处理技术领域,具体涉及对城市中停车场的泊位进行预测和推荐的技术。
背景技术
私家车作为大众出行的一种交通工具,在人们的日常生活中扮演着重要的角色,极大地拓宽了人们活动的空间和半径。随着汽车保有量的急速上升,导致人们对城中停车泊位需求的急升。然而由于城中可用于停车的空间有限,出现了停车泊位严重不足的问题。随着私家车数与城中停车位数之间的差值不断拉大,常常出现由于信息不全面,导致驾驶员行驶到目的地的停车场时,该停车场已无空余车位,从而必须长时间等候停车位的出现,且由此造成了交通拥堵和周边的其他停车场尚余空闲车位的局面。空余泊位是指公共停车场内未被占用,可以用于泊车的车位。空余泊位预测是智能停车诱导系统的关键技术,其预测的精度决定着停车诱导系统的交通协调能力。由此可见,如能够精确的预测停车场的空余泊位信息,作为智能交通系统重要组成的停车诱导系统将能够对私家车的出行、交通流量规划和诱导产生积极的影响,缓解停车场的停车和周边道路的交通压力。
空余泊位预测技术能够让驾驶员提前感知和掌握停车场若干分钟后的空余泊位数的变化情况,能使驾驶员决定是否需要预定停车位等。同时使用车位预测技术可以对交通流进行调节,避免部分停车场以及相关道路过分拥挤。停车场推荐技术,现有研究主要是考虑目的地附近的天气、路况、经常在附近停车用户的停车场选择、停车场费用、距离目的地远近等因素,向驾驶员进行停车场的推荐。但这些因素不够准确,没有考虑驾驶员的个人偏好和未来停车场的空余泊位数情况。向驾驶员进行停车场的推荐和预约,可以减少驾驶员的等候时间,对交通流量进行调节。当驾驶员了解到短时间后各停车场的大致空余泊位数后,就便于驾驶员综合判断选择拥挤程度较低的停车场,从而达到对交通流进行调节的作用。此外,预先获得未来时段的停车场车位变化情况也有助于停车场的管理工作。
目前对停车场空余泊位数进行预测的方案主要有如下三类方案:1)基于神经网络预测的方法。尤其是基于BP神经网络。2)基于统计理论模型的,包括卡尔曼(Kalman)滤波预测方法、指数平滑预测方法等。3)基于非线性系统理论的预测方法,包括基于小波分析的预测方法、基于混沌理论的预测方法等。
这三种方案在实际应用中都存在着不同的问题和缺陷。首先,第一种方案需要依赖对大量的历史数据进行分析,从而校验和修正相关模型的参数,计算量相当大;此外基于BP神经网络的预测方法存在收敛速度慢、容易出现震荡和陷入局部优化等缺点。其次,第二种方案在交通流量比较复杂的城市交通系统,无法满足泊位、道路和交通流量等结果预测的准确性和兼顾交通流量的动态实时反馈的要求。最后,第三种方案中,基于非线性系统理论的预测方法突出了交通系统的非线性特征,然而却以很高的计算复杂性为代价,来获得较好的预测精确性,这影响了其在现实场景中应用的可行性。
发明内容
为解决现有技术中停车场空余泊位数预测模型中预测精度高的计算量较大,难以保证短时预测的实时性和自适应性,而简单的模型又不能很好的拟合实际泊位数,预测精度达不到控制或诱导的要求,且在对停车场的空余泊位数进行预测时存在随机性、模糊性和非线性的问题,本发明提出了基于实时交通查询和云模型的停车场车位预测和推荐方法。
为实现上述发明目的,本发明采取如下技术方案:当驾驶员利用电子地图进行路线导航时,停车场利用电子地图的API接口接收驾驶员的查询访问,然后将目的地附近停车场的当前空余泊位数和预测的驾驶员到达时间内的空余泊位数进行实时反馈和推送。此外,根据对停车场附近交通流量的监控以及停车场内空余泊位数的变化情况,向驾驶员提供停车场推荐和泊位预约功能。另外,本发明根据私家车驾驶员选择的目的地,将查询请求信息用在未来停车场空余泊位数的预测中。而使用云模型进行预测,主要是因为云模型作为定性定量转换的不确定性模型,能够充分体现语言概念的随机性和模糊性,是实现定性定量转换的有效工具,它可以结合停车场的历史数据以及当前实时的变化,预测未来停车场的空余泊位数变化趋势。
基于实时交通查询和云模型的停车场车位预测和推荐方法包括如下功能:1)接收来自驾驶员的查询请求,并根据请求信息调整停车场泊位的预测参数;2)根据当前停车场泊位的相关参数,对停车场当前的空余泊位数以及预测的空余泊位数进行计算;3)根据停车场的相关泊位情况和停车场推荐策略,向驾驶员提供停车场的推荐,并可以进行在线泊位预约等功能。该方法主要包括两个模块,一是实时交通查询反馈模块,二是空余泊位预测模块。
实时交通查询反馈模块:
步骤1-1:驾驶员在出发之前以及行驶途中可利用电子地图进行目的地的路线导航。目的地附近的停车场根据电子地图提供的LBS云服务,从“云端”接收驾驶员的查询信息,并对信息进行处理和利用。
步骤1-2:停车场方面向驾驶员提供推送信息服务,推送内容包括:当前时间驾驶员所选择的目的地附近停车场的空余泊位数;根据驾驶员的导航路线,结合其驾驶速度以及路网流量情况,估算驾驶员到达停车场的时间;在估算的驾驶员到达时间内,预测的停车场的空余泊位数。
步骤1-3:除了步骤1-2的消息推送服务之外,还向驾驶员提供了停车场的推荐和在线泊位预约功能。根据驾驶员选择的目的地,综合驾驶员停车记录中选择停车场的个人偏好、距离目的地远近、停车场费用和预测的驾驶员到达时间内的空余泊位数这四个因素,计算驾驶员选择某一停车场的概率P,向驾驶员推荐其选择概率最大的停车场。驾驶员根据自身情况,可以选择是否要进行泊位预约,预约时需选好到达时间区间并支付一定金额的预约金,若在预约时间内没有到达停车场,则取消预约车位并扣除预约金。设某一段时间里进行预约的车辆数为X,停车场内可供预约的车位总数为M。
步骤1-4:对于选择了某一目的地,但没有进行停车场车位预约的驾驶员,同样利用步骤1-3的四个因素,计算其选择某一停车场的概率P。设四个因素在概率计算中所占权重依次分别是:λ、β、γ、δ,且λ+β+γ+δ=1,则P=A×λ+B×β+C×γ+D×δ,其中,A={0,1},表示如果驾驶员停车记录中有该停车场,则A=1,否则A=0;其中L为该停车场距离目的地的距离,Desmin表示距离驾驶员目的地最近的停车场的距离;其中Pr为该停车场每小时的停车费用,Csotmin表示目的地附近所有停车场中每小时停车费用最低的;即D表示空余率,其中Total表示该停车场总共的泊位数,Re表示在驾驶员到达时间内预测的剩余空余泊位数。
步骤1-5:根据用户利用电子地图的查询结果(电子地图可以计算出驾驶员到达目的地的时间),可以得到在某一时间到达某一地点的车辆数,设为N。那么在那一段时间里某一停车场的车流量Y是N辆车中选择该停车场概率P最大的车辆的总和。
空余泊位预测模块利用云模型实现对停车场空余泊位的预测,云的数字特征用Ex、En和He表征。Ex表示云滴在论域空间分布的期望,即最能够代表定性概念的点,或者说是这个概念量化的最典型样本;En代表熵,是定性概念的不确定性度量,由概念的随机性和模糊性共同决定,一方面反映了能代表这个定性概念云滴的离散程度,另一方面又是定性概念亦此亦彼性的度量,反映了论域空间中可被概念接受的云滴的取值范围,因此熵必然反映了随机性和模糊性之间的关联性;超熵He是熵的不确定性的度量,即熵的熵,反映了云的离散程度,它的大小间接地反映了云的厚度,由熵的随机性和模糊性共同决定。通过输入这三个数字特征的具体值,以及云滴的个数,通过云发生器,就能够得到一个合乎条件的云滴的分布图。因此,通过不确定性云模型,能够用定量的数值来表示要表达的定性概念的不确定性。
结合历史数据和当前停车场空余泊位数的实时变化信息,利用云模型对停车场的空余泊位数进行预测,结果设为Z,并利用基于交通实时查询反馈的信息,预测停车场未来某一时间段的空余泊位数,结果设为R,具体步骤如下:
步骤2-1:停车场空余泊位数周期变化的实时表示是由历史云来完成的,设Ai(Exi,Eni,Hei,i=1,2,...,m)和Bi分别是由云模型表示的推理规则前件和后件语言变量的原子概念,则可以由前件Ai生成后件历史云Bi。
步骤2-2:停车场空余泊位数预测云的生成。将反映当前趋势的当前云It和历史云Bi进行惯性加权得到预测云Si,用预测云Si进行停车场空余泊位数的预测。
步骤2-3:在步骤2得到预测云Si之后,与历史数据生成云模Ai一起进行停车场车位的动态预测,结果即为Z。
步骤2-4:根据步骤1-3、1-5的信息以及步骤2-3的结果,得出最终预测结果R,R=α×Z-(1-α)×Y-X,0≤α≤1,X≤M。在此假设进行预约的车辆全部都会进入停车场停车,加权系数α利用上个星期同一时间的真实历史记录产生。将历史记录中真实的R,X,Y,Z代入上式,计算出加权系数α。
本发明与现有技术相比,具有以下优点:
利用基于电子地图查询的信息,考虑了停车场空余泊位数未来变化的可能性。而基于云模型的预测综合了模糊性、随机性以及两者之间的关联性,实现了定性概念与定量数值之间的自然转换,非常适合停车场空余泊位数的随机性和非线性性。利用云模型来预测,既考虑了停车场空余泊位数历史规律对预测的指导意义,又顾及泊位数的实时变化,实现了短时停车场空余泊位数变化的自适应预测,同时很好地避开了噪声引起的预测误差问题,能够兼顾预测精度和实时性的要求。即本发明综合考虑了停车场空余泊位数的历史数据信息、当前实时变化信息以及未来的变化信息,使得本发明的预测更加具有可信度和准确性。
本发明采用实时交通流量信息和查询信息,不仅考虑历史规律变化,也注意实时性以及未来可能变化因素,克服了停车场车位预测中随机性、模糊性以及非线性的问题,极大地提高了预测准确性,有助于解决城市的停车难问题,并缓解交通拥堵现象,有利于均衡各停车场的泊位使用率,提高停车场泊位管理效率。
附图说明
图1预测算法功能实现结构图。
图2实时推送内容模板。
图3历史云的生成。
图4一维正向云发生器。
具体实施方式
下面结合附图说明和具体实施方式对本发明的方案做进一步说明。
实施例1:
图1描述的是整个预测算法结构体系框图,包括实时交通查询反馈和空余泊位预测模块。实时交通查询反馈模块具体包括如下步骤:
步骤1-1:驾驶员在出发之前以及行驶途中均可利用电子地图进行导航,目的地附近的停车场根据电子地图提供的LBS云服务,利用电子地图的API接口,从“云端”接收驾驶员的查询访问信息,并对信息进行处理和利用。
步骤1-2:停车场将空余泊位信息实时推送给驾驶员,推送内容的模板如图2所示,主要内容包括:目的地附近的各个停车场名称,当前各个停车场空余的泊位数S,驾驶员预计到达目的地停车场的时间T(min),在T时间后停车场可能的空余泊位数R。
步骤1-3:根据驾驶员选择的目的地,综合驾驶员停车记录中选择停车场的个人偏好、距离目的地远近、停车场费用和预测的驾驶员到达时间内的空余泊位数这四个因素,计算驾驶员选择某一停车场的概率P,向驾驶员推荐其选择概率最大的停车场。驾驶员根据自身情况,可以选择是否要进行泊位预约,预约时需选好到达时间区间并支付一定金额的预约金,若在预约时间内没有到达停车场,则取消预约车位并扣除预约金。设某一段时间里进行预约的车辆数为X,停车场内可供预约的车位总数为M。设进行预约的车辆数为X,停车场总的可供预约的车位数为M。
步骤1-4:对于选择了某一目的地,但没有进行预约的车辆,同样根据驾驶员停车记录中选择停车场的个人偏好、距离目的地远近、停车场费用和预测的驾驶员到达时间内的空余泊位数这四个因素,计算驾驶员选择某一停车场的概率P,向驾驶员推荐其选择概率最大的停车场。设四个因素在概率计算中所占权重依次分别是:λ、β、γ、δ,λ+β+γ+δ=1,具体数值可以根据不同的停车场的实际情况,动态的调整比例变化。则P=A×λ+B×β+C×γ+D×δ,其中,A={0,1},表示如果驾驶员停车记录中有该停车场,则A=1,否则A=0;其中L为该停车场距离目的地的距离,Desmin表示距离驾驶员目的地最近的停车场的距离;其中Pr为该停车场每小时的停车费用,Costmin表示目的地附近所有停车场中每小时停车费用最低的;即D表示空余率,其中Total表示该停车场总共的泊位数,Re表示在驾驶员到达时间内预测的剩余空余泊位数。
步骤1-5:根据用户利用电子地图的查询结果(电子地图可以计算出驾驶员到达目的地的时间),可以得到在某一时间到达某一地点的车辆数,设为N。那么在T时间里某一停车场的车流量Y是N辆车中选择该停车场概率P最大的车辆的总和。计算出车流量Y后,可根据停车场历史停车信息以及当前实时变化信息,利用云模型进行停车场空余泊位的预测,设预测结果为Z。
下面进一步阐明本发明中利用云模型的停车场空余泊位数的预测方法,具体步骤如下:
步骤2-1:停车场的空余泊位数的历史云模型主要是用来表示历史停车场的空余泊位数的变化,它是由时间变量t刺激X条件云发生器得到。设Ai和Bi分别是由云模型表示的推理规则前件和后件语言变量的原子概念,Ai(Exi,Eni,Hei,i=1,2,…,m)由历史数据生成。图3表示历史云的生成过程。而历史云Bi的判定生成过程如下:
步骤(1):根据A1,…,Ai,….,Am构造X条件发生器CG1,…,CGi,…,CGm;
步骤(2):将x=t作为条件输入发生器,得到μ1,…,μi,…,μm;
步骤(3):找出最大的μi,则μi∈Ai;
步骤(4):Ai的后件Bi为历史云。
步骤2-2:通过云发生器得到反映当前停车场空余泊位数状况的当前云It和历史云Bj,通过云的惯性加权得到预测云St。已知停车场空余泊位数历史云模型Bi(Ex1,En1,He1)和停车场空余泊位数当前云模型It(Ex2,En2,He2),假设进行加法计算后的预测云模型为St(Ex,En,He),则它们之间的数字特征满足以下公式:
En=En1+En2(2)
云发生器(CloudGenerator,CG)即云产生算法,而云模型中最关键的算法莫过于正向云发生器以及逆向云发生器。本发明采用正向正态云发生器(ForwardNormalCloudGenerator)。正向云发生器是从定性到定量的映射,它根据云的数字特征(Ex,En,He)产生云滴,其输入为数字特征(Ex,En,He)以及所要产生的云滴的数目N,输出为每一个云滴的坐标以及其所对应的不确定度drop(xi,μi),i=1,2,…,n,具体实现过程算法如图4所示,具体算法如下:
步骤(1):生成以En为期望值,He2为方差的一个正态随机数Eni=NORM(En,He2),NORM是能够产生服从正态分布随机数的函数。
步骤(2):生成以Ex为期望值,为方差的一个正态随机数
步骤(3):计算
步骤(4):具有确定度μi的xi成为数域中的一个云滴。
步骤(5):重复步骤2-1到2-4N次,直到产生要求的N个云滴。
步骤2-3:在得到预测云St后,与历史数据生成云模Ai一起进行停车场空余泊位数预测,算法如下:
步骤(1):输入t刺激前件云Ai的发生器CGα,产生云滴drop(t,μi)。
步骤(2):将云滴drop(t,μi)中的隶属程度值μi又刺激后件云Si的发生器CGs,产生云滴drop(μi,q)。
步骤(3):随机地获得Ai和St上的两个云滴drop(t,μi)和drop(μi,q),产生n个云滴。
步骤(4):采用加权平均法,将作为预测值输出。
那么云模型的预测结果Z=q。
步骤2-4:根据步骤1-3、1-5的信息以及步骤2-3的结果,整个预测的最终结果为R,R=α×Z-(1-α)×Y-X,0≤α≤1,X≤M。在此假设进行预约的车辆全部都会进入停车场停车,加权系数α利用上个星期同一时间的真实历史记录产生。将历史记录中真实的R,X,Y,Z代入上式,计算出加权系数α。
Claims (9)
1.基于实时交通查询和云模型的停车场车位预测和推荐方法,其特征在于,该方法分为两个模块,第一个模块是实时交通查询反馈模块,第二个模块是空余泊位预测模块,所述空余泊位预测模块使用云模型进行预测,结合停车场的历史数据以及当前实时的变化,预测未来停车场的空余泊位数变化趋势。
2.根据权利要求1所述的停车场车位预测和推荐方法,其特征在于,所述实时交通查询反馈模块主要流程如下:
步骤1:驾驶员利用电子地图进行目的地的路线导航,目的地附近的停车场根据电子地图提供的LBS云服务,对驾驶员的查询信息进行处理和利用;
步骤2:停车场向驾驶员实时推送停车场泊位信息服务;
步骤3:停车场向驾驶员提供推荐和在线泊位预约服务,综合个人偏好、距离目的地远近、停车场费用、预测的空余泊位数四个因素,向驾驶员推荐其选择概率最大的停车场;
步骤4:对于选择了某一目的地,但没有进行停车场车位预约的驾驶员,综合步骤3的四个因素,计算其选择目的地附近某一停车场的概率;
步骤5:停车场根据估算出的驾驶员到达时间,依据步骤4计算出来的概率,预测在那一段时间里进入停车场的车流量。
3.根据权利要求1所述的停车场车位预测和推荐方法,其特征在于,所述空余泊位预测模块预测流程如下:
步骤1:设Ai和Bi分别是由云模型表示的推理规则前件和后件语言变量的原子概念,由前件Ai生成后件历史云Bi;
步骤2:将反映当前趋势的当前云It(Ex2,En2,He2)和历史云Bi(Ex1,En1,He1)进行惯性加权得到预测云Si(Ex,En,He),用预测云Si进行停车场空余泊位数的预测;
步骤3:预测云Si与历史数据生成云模Ai,一起进行停车场车位的动态预测,预测结果为Z;
步骤4:获取最终的预测结果R,R=α×Z-(1-α)×Y-X,0≤α≤1,X≤M,加权系数α利用上个星期同一时间的真实历史记录产生,将历史记录中真实的R,X,Y,Z代入上式,计算出加权系数α。
4.根据权利要求2所述的停车场车位预测和推荐方法,其特征在于,所述步骤(2)中停车场推送的内容包括目的地附近的各个停车场名称,当前各个停车场空余的泊位数S,驾驶员预计到达目的地停车场的时间T(min),在T时间后停车场可能的空余泊位数R。
5.根据权利要求2所述的停车场车位预测和推荐方法,其特征在于,所述步骤3中,驾驶员可根据自身情况选择泊位预约,预约时需选好到达时间区间并支付一定金额的预约金,若在预约时间内没有到达停车场,则取消预约车位并扣除预约金。
6.根据权利要求3所述的停车场车位预测和推荐方法,其特征在于,所述步骤1中的历史云模型由时间变量t刺激X条件云发生器得到,所述历史云Bi的判定生成过程如下:
步骤1:根据A1,…,Ai,….,Am构造X条件发生器CG1,…,CGi,…,CGm;
步骤2:将x=t作为条件输入发生器,得到μ1,…,μi,…,μm;
步骤3:找出最大的μi,则μi∈Ai;
步骤4:Ai的后件Bi为历史云。
7.根据权利要求3所述的停车场车位预测和推荐方法,其特征在于,所述步骤2中,预测云模型St(Ex,En,He)、历史云模型Bi(Ex1,En1,He1)和当前云模型It(Ex2,En2,He2)之间的数字特征关系为:En=En1+En2;
8.根据权利要求6所述的停车场车位预测和推荐方法,其特征在于,所述云发生器为正向云发生器,具体算法如下:
步骤1:生成以En为期望值,He2为方差的一个正态随机数Eni=NORM(En,He2),NORM是能够产生服从正态分布随机数的函数;
步骤2:生成以Ex为期望值,为方差的一个正态随机数xi=NORM(Ex,);
步骤3:计算
步骤4:具有确定度μi的xi成为数域中的一个云滴;
步骤5:重复步骤1到4N次,直到产生要求的N个云滴。
9.根据权利要求3所述的停车场车位预测和推荐方法,其特征在于,所述步骤3停车场车位的动态预测算法如下:
步骤1:输入t刺激前件云Ai的发生器CGa,产生云滴drop(t,μi);
步骤2:将云滴drop(t,μi)中的隶属程度值μi又刺激后件云Si的发生器CGs,产生云滴drop(μi,q);
步骤3:随机地获得Ai和St上的两个云滴drop(t,μi)和drop(μi,q),产生n个云滴;
步骤4:采用加权平均法,将作为预测值输出;
云模型的预测结果Z=q。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511000508.2A CN105513414A (zh) | 2015-12-25 | 2015-12-25 | 基于实时交通查询和云模型的停车场车位预测和推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511000508.2A CN105513414A (zh) | 2015-12-25 | 2015-12-25 | 基于实时交通查询和云模型的停车场车位预测和推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105513414A true CN105513414A (zh) | 2016-04-20 |
Family
ID=55721355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511000508.2A Pending CN105513414A (zh) | 2015-12-25 | 2015-12-25 | 基于实时交通查询和云模型的停车场车位预测和推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105513414A (zh) |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228848A (zh) * | 2016-09-29 | 2016-12-14 | 北京百度网讯科技有限公司 | 一种停车导航方法和装置 |
CN106297383A (zh) * | 2016-08-25 | 2017-01-04 | 华南师范大学 | 基于大数据和深度学习的停车诱导方法和系统 |
CN106504577A (zh) * | 2016-11-23 | 2017-03-15 | 青岛海信网络科技股份有限公司 | 一种停车换乘出行路线规划方法及装置 |
CN106779256A (zh) * | 2017-03-24 | 2017-05-31 | 山东大学 | 一种基于事件驱动的停车空余泊位数实时预测方法及系统 |
CN106991484A (zh) * | 2016-11-14 | 2017-07-28 | 蔚来汽车有限公司 | 基于智能重复预定的二次资源预约方法 |
CN107146466A (zh) * | 2017-06-29 | 2017-09-08 | 胡玥莹 | 一种停车位预定方法 |
CN107240292A (zh) * | 2017-06-21 | 2017-10-10 | 深圳市盛路物联通讯技术有限公司 | 一种基于驾驶员自身停车技能的停车诱导方法及系统 |
WO2018032169A1 (zh) * | 2016-08-14 | 2018-02-22 | 阮元 | 一种基于目标地址进行信息推送的方法及服务器 |
CN107730983A (zh) * | 2017-10-13 | 2018-02-23 | 朱平 | 一种私人车位的共享方法及其系统 |
CN107886717A (zh) * | 2017-10-10 | 2018-04-06 | 深圳先进技术研究院 | 一种停车诱导方法、装置、计算设备及存储介质 |
CN107945571A (zh) * | 2017-12-21 | 2018-04-20 | 蒙城县航远信息科技有限责任公司 | 一种出行车辆停车导航系统 |
CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
CN108133619A (zh) * | 2018-02-06 | 2018-06-08 | 百度在线网络技术(北京)有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
CN108133614A (zh) * | 2017-12-21 | 2018-06-08 | 蒙城县航远信息科技有限责任公司 | 一种车位推荐系统 |
CN108133612A (zh) * | 2016-11-30 | 2018-06-08 | 财团法人资讯工业策进会 | 停车位预测与停车场导引规划系统及方法 |
CN108133615A (zh) * | 2017-12-21 | 2018-06-08 | 蒙城县航远信息科技有限责任公司 | 一种车位快速寻找方法 |
CN108154706A (zh) * | 2017-12-28 | 2018-06-12 | 北京悦畅科技有限公司 | 用于泊车的信息处理方法及装置 |
CN108417081A (zh) * | 2018-04-29 | 2018-08-17 | 武汉理工大学 | 一种路边临时停车管理优化方法 |
CN108491477A (zh) * | 2018-03-09 | 2018-09-04 | 重庆邮电大学 | 基于多维云和用户动态兴趣的神经网络推荐方法 |
CN108648050A (zh) * | 2018-05-03 | 2018-10-12 | 苏州工业园区服务外包职业学院 | 共享泊位推送方法和平台 |
CN108831185A (zh) * | 2018-06-19 | 2018-11-16 | 深圳市元征科技股份有限公司 | 一种停车场推荐方法、系统及设备和存储介质 |
CN108961104A (zh) * | 2018-06-29 | 2018-12-07 | 深圳春沐源控股有限公司 | 景区车位管理方法及景区车位管理装置 |
CN108986528A (zh) * | 2018-07-26 | 2018-12-11 | 维沃移动通信有限公司 | 一种行车引导方法、信息指示方法、终端设备及服务器 |
TWI651697B (zh) * | 2018-01-24 | 2019-02-21 | National Chung Cheng University | 停車場空位偵測方法及其偵測模型建立方法 |
CN110288184A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 基于时空特征的城市停车场排序方法、装置、终端及介质 |
CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
CN110458597A (zh) * | 2019-06-27 | 2019-11-15 | 广州有位智能科技有限公司 | 同城停车券获取空车位信息实现方法及存储介质 |
CN110796885A (zh) * | 2019-11-06 | 2020-02-14 | 北京交通大学 | 一种停车诱导方法及停车场诱导系统 |
CN110827563A (zh) * | 2019-11-06 | 2020-02-21 | 北京交通大学 | 一种基于最可靠路径的停车诱导系统及方法 |
CN110880052A (zh) * | 2019-11-22 | 2020-03-13 | 河北轨道运输职业技术学院 | 一种城市轨道交通短期客流动态预测方法 |
CN110914642A (zh) * | 2017-07-18 | 2020-03-24 | 大众汽车有限公司 | 用于确定与指定地点不同的目的地点的方法、系统和装备有该系统的机动车 |
CN111009151A (zh) * | 2019-12-10 | 2020-04-14 | 珠海格力电器股份有限公司 | 一种停车位推荐方法、存储介质及终端设备 |
CN111210656A (zh) * | 2020-01-23 | 2020-05-29 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
CN111220171A (zh) * | 2020-03-08 | 2020-06-02 | 陈小燕 | 车辆导航方法、导航软件及配置该导航软件的手机 |
US10733891B2 (en) | 2018-11-05 | 2020-08-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Parking lot assistant |
CN111654530A (zh) * | 2020-05-22 | 2020-09-11 | 江苏泊威智能科技股份有限公司 | 一种用于立体车库的停车控制方法及系统 |
CN111798694A (zh) * | 2020-07-13 | 2020-10-20 | 城云科技(中国)有限公司 | 一种综合停车因素的停车场推荐方法和装置 |
CN112085963A (zh) * | 2019-06-14 | 2020-12-15 | 上海博泰悦臻电子设备制造有限公司 | 车辆、停车管理设备及其停车场推荐方法 |
CN112118277A (zh) * | 2019-06-21 | 2020-12-22 | 上海博泰悦臻电子设备制造有限公司 | 停车场的停车难易度的推送方法、系统及云端服务器 |
CN112289041A (zh) * | 2020-10-25 | 2021-01-29 | 储美红 | 基于热点定位和信息共享的智慧停车场管理方法及云平台 |
CN112885138A (zh) * | 2021-01-12 | 2021-06-01 | 重庆市掌亭科技有限公司 | 一种泊位系统及其使用方法 |
CN113487905A (zh) * | 2021-06-09 | 2021-10-08 | 海南漫游谷电子商务有限公司 | 一种停车场车位预测方法及服务器 |
CN113538964A (zh) * | 2021-09-17 | 2021-10-22 | 成都宜泊信息科技有限公司 | 一种停车管理方法、管理系统、存储介质、电子设备 |
CN113570866A (zh) * | 2021-09-24 | 2021-10-29 | 成都宜泊信息科技有限公司 | 一种停车场管理方法、系统、存储介质及电子设备 |
CN113763700A (zh) * | 2021-04-26 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
CN114141043A (zh) * | 2021-12-06 | 2022-03-04 | 广东飞翔云计算有限公司 | 一种基于大数据的自动代客泊车需求预测方法和装置 |
CN114446063A (zh) * | 2021-12-10 | 2022-05-06 | 深圳市顺易通信息科技有限公司 | 一种剩余车位数的提醒方法及装置 |
CN114822070A (zh) * | 2022-03-28 | 2022-07-29 | 阿里巴巴(中国)有限公司 | 停车场状态确定方法及电子设备 |
CN115019551A (zh) * | 2022-08-01 | 2022-09-06 | 阿里巴巴(中国)有限公司 | 场库的余位的校正方法、余位预测模型的训练方法和装置 |
CN115440059A (zh) * | 2022-07-22 | 2022-12-06 | 张伟 | 基于物联网的智慧车位管理系统 |
US11537953B2 (en) | 2018-11-29 | 2022-12-27 | Here Global B.V. | Method and apparatus for proactive booking of a shared vehicle |
CN116013106A (zh) * | 2023-03-24 | 2023-04-25 | 北京静态交通投资运营有限公司 | 一种智慧泊车管理方法、系统、终端及存储介质 |
CN117133144A (zh) * | 2023-07-12 | 2023-11-28 | 中交一公局第六工程有限公司 | 一种基于物联网的智慧城市停车场车位预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635090A (zh) * | 2009-05-22 | 2010-01-27 | 上海宝康电子控制工程有限公司 | 一种停车诱导系统及其实现方法 |
CN103093644A (zh) * | 2013-01-11 | 2013-05-08 | 王山山 | 基于lbs提供、预测和推荐停车位的方法及系统 |
CN103903475A (zh) * | 2014-04-04 | 2014-07-02 | 荣辉桂 | 一种面向城市级的智能泊车服务系统及泊车调度方法 |
US20140340242A1 (en) * | 2012-02-01 | 2014-11-20 | Bayerische Motoren Werke Aktiengesellschaft | Method for Providing Parking Information on Free Parking Spaces |
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN105096647A (zh) * | 2014-05-04 | 2015-11-25 | 陈伯妤 | 一种车位查询方法和系统 |
-
2015
- 2015-12-25 CN CN201511000508.2A patent/CN105513414A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635090A (zh) * | 2009-05-22 | 2010-01-27 | 上海宝康电子控制工程有限公司 | 一种停车诱导系统及其实现方法 |
US20140340242A1 (en) * | 2012-02-01 | 2014-11-20 | Bayerische Motoren Werke Aktiengesellschaft | Method for Providing Parking Information on Free Parking Spaces |
CN103093644A (zh) * | 2013-01-11 | 2013-05-08 | 王山山 | 基于lbs提供、预测和推荐停车位的方法及系统 |
CN103903475A (zh) * | 2014-04-04 | 2014-07-02 | 荣辉桂 | 一种面向城市级的智能泊车服务系统及泊车调度方法 |
CN105096647A (zh) * | 2014-05-04 | 2015-11-25 | 陈伯妤 | 一种车位查询方法和系统 |
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
Non-Patent Citations (2)
Title |
---|
刘芹等: "基于云模型的短时交通流预测方法研究", 《计算机工程与设计》 * |
郁娇娇: "基于云模型的短时交通流预测", 《电子世界》 * |
Cited By (71)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018032169A1 (zh) * | 2016-08-14 | 2018-02-22 | 阮元 | 一种基于目标地址进行信息推送的方法及服务器 |
CN106297383B (zh) * | 2016-08-25 | 2021-01-22 | 华南师范大学 | 基于大数据和深度学习的停车诱导方法和系统 |
CN106297383A (zh) * | 2016-08-25 | 2017-01-04 | 华南师范大学 | 基于大数据和深度学习的停车诱导方法和系统 |
CN106228848A (zh) * | 2016-09-29 | 2016-12-14 | 北京百度网讯科技有限公司 | 一种停车导航方法和装置 |
CN106991484A (zh) * | 2016-11-14 | 2017-07-28 | 蔚来汽车有限公司 | 基于智能重复预定的二次资源预约方法 |
CN106504577A (zh) * | 2016-11-23 | 2017-03-15 | 青岛海信网络科技股份有限公司 | 一种停车换乘出行路线规划方法及装置 |
CN106504577B (zh) * | 2016-11-23 | 2019-08-30 | 青岛海信网络科技股份有限公司 | 一种停车换乘出行路线规划方法及装置 |
TWI645388B (zh) * | 2016-11-30 | 2018-12-21 | 財團法人資訊工業策進會 | 停車位預測與停車場導引規劃系統及方法 |
CN108133612A (zh) * | 2016-11-30 | 2018-06-08 | 财团法人资讯工业策进会 | 停车位预测与停车场导引规划系统及方法 |
CN106779256A (zh) * | 2017-03-24 | 2017-05-31 | 山东大学 | 一种基于事件驱动的停车空余泊位数实时预测方法及系统 |
CN106779256B (zh) * | 2017-03-24 | 2020-06-30 | 山东大学 | 一种基于事件驱动的停车空余泊位数实时预测方法及系统 |
CN107240292A (zh) * | 2017-06-21 | 2017-10-10 | 深圳市盛路物联通讯技术有限公司 | 一种基于驾驶员自身停车技能的停车诱导方法及系统 |
CN107146466A (zh) * | 2017-06-29 | 2017-09-08 | 胡玥莹 | 一种停车位预定方法 |
CN110914642A (zh) * | 2017-07-18 | 2020-03-24 | 大众汽车有限公司 | 用于确定与指定地点不同的目的地点的方法、系统和装备有该系统的机动车 |
CN107886717A (zh) * | 2017-10-10 | 2018-04-06 | 深圳先进技术研究院 | 一种停车诱导方法、装置、计算设备及存储介质 |
CN107730983A (zh) * | 2017-10-13 | 2018-02-23 | 朱平 | 一种私人车位的共享方法及其系统 |
CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
CN108133614A (zh) * | 2017-12-21 | 2018-06-08 | 蒙城县航远信息科技有限责任公司 | 一种车位推荐系统 |
CN108133615A (zh) * | 2017-12-21 | 2018-06-08 | 蒙城县航远信息科技有限责任公司 | 一种车位快速寻找方法 |
CN107945571A (zh) * | 2017-12-21 | 2018-04-20 | 蒙城县航远信息科技有限责任公司 | 一种出行车辆停车导航系统 |
CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
CN108154706A (zh) * | 2017-12-28 | 2018-06-12 | 北京悦畅科技有限公司 | 用于泊车的信息处理方法及装置 |
TWI651697B (zh) * | 2018-01-24 | 2019-02-21 | National Chung Cheng University | 停車場空位偵測方法及其偵測模型建立方法 |
CN108133619B (zh) * | 2018-02-06 | 2020-05-29 | 百度在线网络技术(北京)有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
CN108133619A (zh) * | 2018-02-06 | 2018-06-08 | 百度在线网络技术(北京)有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
CN108491477B (zh) * | 2018-03-09 | 2022-02-18 | 重庆邮电大学 | 基于多维云和用户动态兴趣的神经网络推荐方法 |
CN108491477A (zh) * | 2018-03-09 | 2018-09-04 | 重庆邮电大学 | 基于多维云和用户动态兴趣的神经网络推荐方法 |
CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
CN108417081A (zh) * | 2018-04-29 | 2018-08-17 | 武汉理工大学 | 一种路边临时停车管理优化方法 |
CN108648050A (zh) * | 2018-05-03 | 2018-10-12 | 苏州工业园区服务外包职业学院 | 共享泊位推送方法和平台 |
CN108831185A (zh) * | 2018-06-19 | 2018-11-16 | 深圳市元征科技股份有限公司 | 一种停车场推荐方法、系统及设备和存储介质 |
CN108961104A (zh) * | 2018-06-29 | 2018-12-07 | 深圳春沐源控股有限公司 | 景区车位管理方法及景区车位管理装置 |
CN108961104B (zh) * | 2018-06-29 | 2022-04-26 | 深圳春沐源控股有限公司 | 景区车位管理方法及景区车位管理装置 |
CN108986528A (zh) * | 2018-07-26 | 2018-12-11 | 维沃移动通信有限公司 | 一种行车引导方法、信息指示方法、终端设备及服务器 |
US10733891B2 (en) | 2018-11-05 | 2020-08-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Parking lot assistant |
US11537953B2 (en) | 2018-11-29 | 2022-12-27 | Here Global B.V. | Method and apparatus for proactive booking of a shared vehicle |
CN110288184A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 基于时空特征的城市停车场排序方法、装置、终端及介质 |
CN112085963A (zh) * | 2019-06-14 | 2020-12-15 | 上海博泰悦臻电子设备制造有限公司 | 车辆、停车管理设备及其停车场推荐方法 |
CN112118277A (zh) * | 2019-06-21 | 2020-12-22 | 上海博泰悦臻电子设备制造有限公司 | 停车场的停车难易度的推送方法、系统及云端服务器 |
CN110458597A (zh) * | 2019-06-27 | 2019-11-15 | 广州有位智能科技有限公司 | 同城停车券获取空车位信息实现方法及存储介质 |
CN110827563B (zh) * | 2019-11-06 | 2021-03-30 | 北京交通大学 | 一种基于最可靠路径的停车诱导系统及方法 |
CN110827563A (zh) * | 2019-11-06 | 2020-02-21 | 北京交通大学 | 一种基于最可靠路径的停车诱导系统及方法 |
CN110796885A (zh) * | 2019-11-06 | 2020-02-14 | 北京交通大学 | 一种停车诱导方法及停车场诱导系统 |
CN110880052A (zh) * | 2019-11-22 | 2020-03-13 | 河北轨道运输职业技术学院 | 一种城市轨道交通短期客流动态预测方法 |
CN111009151A (zh) * | 2019-12-10 | 2020-04-14 | 珠海格力电器股份有限公司 | 一种停车位推荐方法、存储介质及终端设备 |
CN111009151B (zh) * | 2019-12-10 | 2021-01-22 | 珠海格力电器股份有限公司 | 一种停车位推荐方法、存储介质及终端设备 |
CN111210656B (zh) * | 2020-01-23 | 2021-12-24 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
CN111210656A (zh) * | 2020-01-23 | 2020-05-29 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
CN111220171A (zh) * | 2020-03-08 | 2020-06-02 | 陈小燕 | 车辆导航方法、导航软件及配置该导航软件的手机 |
CN111220171B (zh) * | 2020-03-08 | 2024-09-13 | 深圳立专信息科技有限公司 | 车辆导航方法、导航软件及配置该导航软件的手机 |
CN111654530A (zh) * | 2020-05-22 | 2020-09-11 | 江苏泊威智能科技股份有限公司 | 一种用于立体车库的停车控制方法及系统 |
CN111798694B (zh) * | 2020-07-13 | 2021-06-01 | 城云科技(中国)有限公司 | 一种综合停车因素的停车场推荐方法和装置 |
CN111798694A (zh) * | 2020-07-13 | 2020-10-20 | 城云科技(中国)有限公司 | 一种综合停车因素的停车场推荐方法和装置 |
CN112289041B (zh) * | 2020-10-25 | 2021-12-03 | 上海智能交通有限公司 | 基于热点定位和信息共享的智慧停车场管理方法及云平台 |
CN112289041A (zh) * | 2020-10-25 | 2021-01-29 | 储美红 | 基于热点定位和信息共享的智慧停车场管理方法及云平台 |
CN112885138A (zh) * | 2021-01-12 | 2021-06-01 | 重庆市掌亭科技有限公司 | 一种泊位系统及其使用方法 |
CN113763700A (zh) * | 2021-04-26 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
WO2022227303A1 (zh) * | 2021-04-26 | 2022-11-03 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
CN113487905A (zh) * | 2021-06-09 | 2021-10-08 | 海南漫游谷电子商务有限公司 | 一种停车场车位预测方法及服务器 |
CN113538964B (zh) * | 2021-09-17 | 2021-12-14 | 成都宜泊信息科技有限公司 | 一种停车管理方法、管理系统、存储介质、电子设备 |
CN113538964A (zh) * | 2021-09-17 | 2021-10-22 | 成都宜泊信息科技有限公司 | 一种停车管理方法、管理系统、存储介质、电子设备 |
CN113570866A (zh) * | 2021-09-24 | 2021-10-29 | 成都宜泊信息科技有限公司 | 一种停车场管理方法、系统、存储介质及电子设备 |
CN114141043A (zh) * | 2021-12-06 | 2022-03-04 | 广东飞翔云计算有限公司 | 一种基于大数据的自动代客泊车需求预测方法和装置 |
CN114446063A (zh) * | 2021-12-10 | 2022-05-06 | 深圳市顺易通信息科技有限公司 | 一种剩余车位数的提醒方法及装置 |
CN114822070A (zh) * | 2022-03-28 | 2022-07-29 | 阿里巴巴(中国)有限公司 | 停车场状态确定方法及电子设备 |
CN115440059A (zh) * | 2022-07-22 | 2022-12-06 | 张伟 | 基于物联网的智慧车位管理系统 |
CN115019551A (zh) * | 2022-08-01 | 2022-09-06 | 阿里巴巴(中国)有限公司 | 场库的余位的校正方法、余位预测模型的训练方法和装置 |
CN115019551B (zh) * | 2022-08-01 | 2022-11-15 | 阿里巴巴(中国)有限公司 | 场库的余位的校正方法、余位预测模型的训练方法和装置 |
CN116013106A (zh) * | 2023-03-24 | 2023-04-25 | 北京静态交通投资运营有限公司 | 一种智慧泊车管理方法、系统、终端及存储介质 |
CN117133144B (zh) * | 2023-07-12 | 2024-03-12 | 中交一公局第六工程有限公司 | 一种基于物联网的智慧城市停车场车位预测方法及系统 |
CN117133144A (zh) * | 2023-07-12 | 2023-11-28 | 中交一公局第六工程有限公司 | 一种基于物联网的智慧城市停车场车位预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105513414A (zh) | 基于实时交通查询和云模型的停车场车位预测和推荐方法 | |
Qiu et al. | Reinforcement learning for electric vehicle applications in power systems: A critical review | |
CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
Christofa et al. | Person-based traffic responsive signal control optimization | |
Ghiani et al. | Real-time vehicle routing: Solution concepts, algorithms and parallel computing strategies | |
Liu et al. | Optimizing fleet size and scheduling of feeder transit services considering the influence of bike-sharing systems | |
CN107103383A (zh) | 一种基于打车热点的动态拼车调度方法 | |
Li et al. | Deep learning based parking prediction on cloud platform | |
CN109544929A (zh) | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
Kim et al. | Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization | |
CN109741626A (zh) | 停车场停车情况预测方法、调度方法和系统 | |
CN102394011A (zh) | 公交车自动化动态调度系统及方法 | |
CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
CN116324838A (zh) | 用于通过叫车平台调度共享乘车的系统和方法 | |
EP4252217A1 (en) | Distributed multi-task machine learning for traffic prediction | |
CN103366224A (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
Li et al. | Trajectory-driven planning of electric taxi charging stations based on cumulative prospect theory | |
He et al. | Road grade prediction for predictive energy management in hybrid electric vehicles | |
Wang et al. | Wireless charging lane deployment in urban areas considering traffic light and regional energy supply-demand balance | |
Wang et al. | Towards accessible shared autonomous electric mobility with dynamic deadlines | |
Qiao et al. | Short-term traffic flow forecast based on parallel long short-term memory neural network | |
Kaddoura et al. | A Simulation-based heuristic for the improvement on-demand mobility services | |
CN110503822A (zh) | 确定交通方案的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160420 |