CN105989737B - 一种停车诱导方法 - Google Patents
一种停车诱导方法 Download PDFInfo
- Publication number
- CN105989737B CN105989737B CN201510059424.XA CN201510059424A CN105989737B CN 105989737 B CN105989737 B CN 105989737B CN 201510059424 A CN201510059424 A CN 201510059424A CN 105989737 B CN105989737 B CN 105989737B
- Authority
- CN
- China
- Prior art keywords
- parking
- parking lot
- data
- target
- real
- 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.)
- Expired - Fee Related
Links
Abstract
本发明提供了一种停车诱导方法，包括：获取城市道路网区域中的实时道路交通数据和实时停车场数据，实时道路交通数据包括道路网数据；根据道路网数据构建交通网络拓扑图；根据目的地和实时停车场数据生成候选停车场集合；以用户需求数据为目标函数，根据高维多目标差分进化算法从候选停车场集合选择最优停车场集合；利用单目标差分进化算法根据用户的位置数据、用户从最优停车场集合中选择的目标停车场生成停车诱导结果。本发明的方法，既能实现出行前静态的高维多目标最优停车场选择及路径诱导，又能在行进中提供动态实时的高维多目标最优停车场选择及路径诱导，充分考虑停车场及道路交通信息的动态变化，有效提升停车诱导的精确性和智能化程度。
Description
技术领域
本发明涉及智能交通领域，具体的讲是一种停车诱导方法。
背景技术
停车诱导系统(Parking Guidance System,PGS)是智能交通系统(IntelligentTransportation Systems,ITS)最重要的子系统之一，能够提高驾驶者的停车成功率，减少无效巡游路程进而缓解交通拥塞，是提高城市停车管理水平、解决城市“停车难”问题的有效方法与途径。
PGS一般由信息采集、信息传输、信息处理和信息发布等四个子系统组成，其中信息处理子系统是PGS中最关键的子系统，核心技术包括智能化的停车场选择及路径诱导。然而，目前国内相关研究多侧重于PGS系统整体构架设计、诱导显示屏布设等方面，关于智能停车场选择及路径诱导行为决策的理论研究仍相对较少，相应的系统开发尚处于起步阶段。
现有技术中的智能停车场选择及路径诱导使用的多目标停车场选择模型以驾驶员使用最便利、可达性最强、停放成本最低等实际需求为选择标准，利用加权求和法将多目标优化选择问题转化为单目标优化问题，在此基础上利用启发式单目标智能优化算法计算近似最优选择方案。但是现有技术的缺陷为：(1)采用的停车场多目标优化选择模型均为静态模型，多为用户在出行前提供决策方案，没有考虑用户行进过程中停车场及道路交通信息动态变化造成的影响，不适应实际动态交通环境，不利于用户实时更新调整选择方案；(2)同时最大化满足用户差异性需求的停车场选择及路径诱导问题本质为多目标优化问题(Multi-Objective Optimization Problems,MOPs)，甚至为高维多目标优化问题(即同时需要满足的用户需求目标数>＝4)，多个目标之间往往相互冲突且高维的特性使得决策空间及目标空间中的计算复杂度和搜索难度急剧增加，该类问题是目前国内外智能优化领域最难解决的问题之一。此外，采用现有技术的加权求和法将MOPs转化为简单的单目标优化问题求解存在权重系数设置复杂、近似最优解、需要预知用户偏好信息等问题。
发明内容
为克服现有技术中智能停车场选择及路径诱导方法中用户需求目标数少、不能适应实时变化的动态交通环境，并且权重系数设置复杂、需要预知用户偏好信息、算法求解精度和稳定性不高的问题，本发明提供一种停车诱导方法，包括：
采集城市道路网区域中的实时道路交通数据和实时停车场数据，其中，所述实时道路交通数据包括道路网数据；
根据所述道路网数据构建交通网络拓扑图；
根据目的地和所述实时停车场数据生成候选停车场集合；
以四项用户需求数据为目标函数，根据高维多目标差分进化算法从所述候选停车场集合中选择最优停车场集合；
利用单目标差分进化算法根据用户的位置数据、用户从所述最优停车场集合中选择的目标停车场、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果。
具体的，本发明实施例中，根据目的地和所述停车场数据生成候选停车场集合包括：
以目的地为圆心按预设的半径范围确定候选停车场分布；
根据所述实时停车场数据和候选停车场分布生成候选停车场集合。
具体的，本发明实施例中，用户需求数据包括：停车场位置距离目的地的步行距离、有效停车位数据、停车设施安全性数据以及停车场收费数据。
具体的，本发明实施例中，以用户需求数据为目标函数，根据高维多目标差分进化算法从所述候选停车场集合选择最优停车场集合包括：
根据所述用户需求数据分别建立所述候选停车场集合中各停车场的目标函数；
以所述候选停车场集合中各停车场的目标函数为个体构建种群；
根据构建的种群进行高维多目标差分进化算法的K支配比较从所述候选停车场集合中选择最优停车场集合。
具体的，本发明实施例中，根据构建的种群进行高维多目标差分进化算法的K支配比较从所述候选停车场集合选择最优停车场集合包括：
计算构建的种群中每个个体的能量函数；
根据所述能量函数和K支配条件对种群中的个体进行K支配比较，确定每个个体受种群中其它个体支配的数目；
根据所述每个个体受种群中其它个体支配的数目进行非支配等级排序，将非支配等级为零的个体对应的停车场纳入最优停车场集合。
具体的，本发明实施例中，用户的位置数据包括：用户出发时的初始位置数据、行驶过程中的当前位置数据。
具体的，本发明实施例中，利用单目标差分进化算法根据用户的位置数据、用户从所述最优停车场集合中选择的目标停车场、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果包括：
根据所述位置数据确定行驶位置路口节点；
根据用户选择的目标停车场确定目标路口节点；
利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果。
具体的，本发明实施例中，利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果包括：
利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点及交通网络拓扑图生成当前停车诱导路径；
判断行驶位置路口节点为所述目标路口节点时，输出用户选择的目标停车场及当前停车诱导路径作为停车诱导结果。
具体的，本发明实施例中，利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果还包括：
判断行驶位置路口节点并非所述目标路口节点时，根据所述实时道路交通数据、实时停车场数据更新目标停车场；
根据更新的目标停车场确定更新的目标路口节点；
利用单目标差分进化算法根据所述行驶位置路口节点、更新的目标路口节点及交通网络拓扑图生成当前停车诱导路径。
具体的，本发明实施例中，根据实时道路交通数据、实时停车场数据更新目标停车场包括：
根据所述实时道路交通数据及实时停车场数据判断所述候选停车场集合内无剩余停车位时，以用户需求为目标函数，根据所述高维多目标差分进化算法从所述候选停车场之外有停车位的停车场中选择最优停车场集合，生成更新的目标停车场及更新的目标路口节点。
根据所述实时道路交通数据及实时停车场数据判断所述候选停车场集合内有剩余停车位时，以用户需求为目标函数，根据所述高维多目标差分进化算法从所述候选停车场集合中有停车位的停车场中选择最优停车场集合，生成更新的目标停车场及更新的目标路口节点。
具体的，本发明实施例中，利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点及交通网络拓扑图生成当前停车诱导路径包括：
以预先确定的用户出发时的初始位置节点至目标路口节点的最大节点数为决策变量维数，根据预设参数构建初始种群；
根据所述交通网络拓扑结构解码确定种群中个体对应的路径节点信息；
计算种群中的个体的适应度函数值；
采用单目标差分进化算法的DE/rand/2/bin模式对种群个体进行变异生成变异个体；
对变异后的个体进行交叉操作生成试验个体；
对所述试验个体在预设的取值范围内进行调整，生成调整后的个体；
将调整后的试验个体与原个体进行比较，将适应度函数值满足预设规则的个体纳入下一代种群；
确定当代种群中适应度值最优的个体及其对应的路径，更新全局最优路径。
根据确定的全局最优路径确定当前停车诱导路径。
具体的，本发明实施例中，实时道路交通数据还包括：城市道路网各路段的实时行驶速度数据。
本发明的停车诱导方法，设计了驾驶者出行前静态的高维多目标停车场选择及路径诱导模型，无需设置权重系数或预知用户偏好信息，能够为用户在出行前提供高维多目标最优的停车场选择及路径诱导决策方案，同时最大化满足用户对于停车场距离出行目的地步行距离、有效停车泊位数、停车设施的安全性、停车收费及到达停车场所需时间的差异性需求，；同时，设计了驾驶者行进中动态的高维多目标停车场选择及路径诱导模型，充分考虑停车场及道路交通信息动态变化对停车诱导决策造成的影响，无需设置权重系数或预知用户偏好信息，能够为用户在行进过程中实时制定动态最优的停车场选择及路径诱导方案，克服出行前静态诱导不适应实时交通变化的问题；设计了高效的高维多目标智能优化算法，有效提升了国内外现有高维多目标智能优化算法的求解性能，保证高维多目标停车场选择及路径诱导问题求解的高精度、高可靠性和智能化程度。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种停车诱导方法的流程图；
图2为本发明实施例中一实施步骤的流程图；
图3为本发明实施例中一实施步骤的流程图；
图4为本发明实施例中一实施步骤的流程图；
图5为本发明实施例中一实施步骤的流程图；
图6为本发明实施例中一实施步骤的流程图；
图7为本发明一实施例的流程图；
图8为本发明实施例中应用KS-MODE算法进行高维多目标优化的流程图；
图9为本发明实施例中基于单目标智能优化算法DE的最优路径计算的流程图；
图10为本发明实施例中构建二维平面交通网络拓扑图；
图11为本发明实施例中道路网区域中所有停车场位置分布；
图12为本发明实施例中至停车场5对应的最优行驶路径；
图13为本发明实施例中至停车场57对应的最优行驶路径；
图14为本发明实施例中至目标停车场5历史遍历节点构成的最优行驶路径；
图15为本发明实施例中至目标停车场57历史遍历节点构成的最优行驶路径.
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了克服现有智能停车场选择及路径诱导方法中用户需求目标数较少、不能适应实时变化的动态交通环境、权重系数设置复杂、需要预知用户偏好信息、算法求解精度和稳定性不高等一系列问题，本发明设计新的智能化的高维多目标停车场选择及路径诱导模型，以高效的高维多目标智能优化算法保证模型求解精度和稳定性，不仅在用户出行前提供5目标最优的停车场选择及路径诱导方案，而且在用户行进过程中实时更新动态最优的停车场选择及路径诱导方案，满足实际交通环境下的智能停车需求，为提高现有PGS诱导精度及智能化程度提供技术支持。
如图1所示，为本发明提供的一种停车诱导方法，包括：
步骤S101，采集城市道路网区域中的实时道路交通数据和实时停车场数据，其中，所述实时道路交通数据包括道路网数据(道路网节点之间的物理距离及各路段实时平均行驶速度)；
步骤S102，根据所述道路网数据构建交通网络拓扑图；
步骤S103，根据目的地和所述实时停车场数据生成候选停车场集合；
步骤S104，以用户需求数据为目标函数，根据高维多目标差分进化算法从所述候选停车场集合选择最优停车场集合；
步骤S105，利用单目标差分进化算法根据用户的位置数据、用户从所述最优停车场集合中选择的目标停车场、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果。即根据获得的实时道路交通信息，以最短行驶时间为目标，应用单目标差分进化算法优化选择初始目标节点至目标停车场对应的节点之间的最优路径。
本发明实施例中，用户的位置数据包括：用户出发时的初始位置数据、行驶过程中的当前位置数据；实时道路交通数据同时还包括：城市道路网各路段的实时行驶速度数据。
具体实施例中，步骤S103中根据目的地和所述停车场数据生成候选停车场集合包括：
以目的地为圆心按预设的半径范围确定候选停车场分布；
根据所述实时停车场数据和候选停车场分布生成候选停车场集合。
具体实施例中，用户需求数据包括：停车场位置距离目的地的步行距离、有效停车位数据、停车设施安全性数据以及停车场收费数据。
如图2所示为步骤S104中选择最优停车场集合的步骤，具体包括：
步骤S1041，根据用户需求数据分别建立所述候选停车场集合中各停车场的目标函数；
步骤S1042，以所述候选停车场集合中各停车场的目标函数为个体构建种群；
步骤S1043，应用高维多目标差分进化算法对种群中所有个体进行K支配比较，从所述候选停车场集合中选择最优停车场集合。
其中，如图3所示，步骤S1043应用高维多目标差分进化算法对种群中所有个体进行K支配比较，从所述候选停车场集合中选择最优停车场集合进一步包括：
步骤S301，计算构建的种群中每个个体的能量函数；
步骤S302，根据所述能量函数和K支配条件对种群中的个体进行K支配比较，确定每个个体受种群中其它个体支配的数目；
步骤S303，根据所述每个个体受种群中其它个体支配的数目进行非支配等级排序，将非支配等级为零的个体对应的停车场纳入最优停车场集合。
具体实施例中，如图4所示，步骤S105中利用单目标差分进化算法根据用户的位置数据、用户从所述最优停车场集合中选择的目标停车场、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果的步骤包括：
步骤S1051，根据所述位置数据确定行驶位置路口节点；
步骤S1052，根据用户选择的目标停车场确定目标路口节点；
步骤S1053，利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果。
如图5所示，步骤S1053利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果还包括：
步骤S501，利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点及交通网络拓扑图生成当前停车诱导路径；
步骤S502，判断行驶位置路口节点是否为所述目标路口节点；判断是，执行步骤S503，否则执行步骤S504；
步骤S503，判断行驶位置路口节点为所述目标路口节点时，输出用户选择的目标停车场及当前停车诱导路径作为停车诱导结果。
步骤S504，判断行驶位置路口节点并非所述目标路口节点时，根据所述实时道路交通数据、实时停车场数据更新目标停车场；
步骤S505，根据更新的目标停车场确定更新的目标路口节点；
步骤S506，利用单目标差分进化算法根据所述行驶位置路口节点、更新的目标路口节点及交通网络拓扑图生成当前停车诱导路径。
具体实施例中，步骤S504中根据实时道路交通数据、实时停车场数据更新目标停车场包括：
根据所述实时道路交通数据及实时停车场数据判断所述候选停车场集合内无剩余停车位时，以用户需求为目标函数，根据所述高维多目标差分进化算法从所述候选停车场之外有停车位的停车场中选择最优停车场集合，生成更新的目标停车场及更新的目标路口节点；
根据所述实时道路交通数据及实时停车场数据判断所述候选停车场集合内有剩余停车位时，以用户需求为目标函数，根据所述高维多目标差分进化算法从所述候选停车场集合中有停车位的停车场中选择最优停车场集合，生成更新的目标停车场及更新的目标路口节点。
如图6所示，本发明实施例中，利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点及交通网络拓扑图生成当前停车诱导路径包括：
步骤S601，以预先确定的用户出发时的初始位置节点至目标路口节点的最大节点数为决策变量维数，根据预设参数构建初始种群。
步骤S602，根据所述交通网络拓扑结构确定种群中个体的路径节点信息；根据城市区域道路网拓扑结构解码获得种群中每个个体变量对应的真实路径节点信息。
步骤S603，计算种群中的个体的适应度函数值；即根据道路网节点之间的物理距离及各路段实时平均行驶速度，计算每条路径行驶时间。选择种群中行驶时间最短路径对应个体为初始最优个体。
步骤S604，采用单目标差分进化算法的DE/rand/2/bin模式对种群个体进行变异生成变异个体；
步骤S605，对变异后的个体进行交叉操作生成试验个体；还进一步包括对个体进行调整，将个体各维变量限制在取值范围[xmin,xmax]内，解码获得试验个体对应路径并进行验证，避免出现路径反折现象。
步骤S606，对所述试验个体在预设的取值范围内进行调整，生成调整后的个体；
步骤S607，将调整后的个体与原个体进行比较，将适应度函数值满足预设规则的个体纳入下一代种群；
步骤S608，确定当代种群中适应度值最优的个体及其对应的路径，更新全局最优路径。
步骤S609，根据确定的全局最优路径确定当前停车诱导路径。
本发明的停车诱导方法，是一种基于高维多目标智能优化的面向用户的主动停车诱导方法，基本思想是：首先，设计用户出行前静态的高维多目标智能停车场选择及路径诱导模型，充分考虑用户在停车场选择时对于停车场距离出行目的地步行距离、有效停车泊位数、停车设施的安全性、停车收费及到达停车场所需时间等方面的需求差异，在出行前为用户提供5项需求目标同时达到最优的停车场及路径选择方案；其次，设计用户行进中动态的高维多目标智能停车场选择及路径诱导模型，综合考虑道路网交通信息及停车场信息动态变化对于停车诱导方案决策造成的影响，在用户行驶过程中实时更新高维多目标最优的停车场及路径选择方案；最后，设计一种基于改进K支配排序的高维多目标优化算法，高效求解高维多目标优化问题，为高维多目标停车场选择及路径诱导模型求解提供算法支持。该算法能够在用户出行前和行进中对于停车场及行驶路径进行高维多目标最优的整体智能选择，无需预知用户偏好信息且避免了繁杂的权重系数设置，精确、高效地为用户提供主动停车诱导决策方案。
下面对本发明的技术方案具体步骤做进一步详细描述，如图7所示，为本发明的具体实施步骤，具体包括：
步骤1：根据城市道路网区域中真实的道路网分布构建二维平面交通网络拓扑图。确定用户出行的初始道路交叉口节点O，目的地Tar及预计停车时长t。
步骤2：获取城市道路网区域中的停车场位置分布、剩余有效停车位数目、停车设施条件、收费价格等实时信息。以出行目的地Tar为圆心，选定距离目的地500米半径范围内的N个已运营停车场为候选停车场集合P＝{P1,P2,…PN}。
步骤3：以停车场距离出行目的地步行距离L、有效停车泊位数B、停车设施的安全性S及停车收费F四项用户需求为目标，应用基于改进K支配排序的高维多目标智能优化算法KS-MODE(K-dominated Sorting Based Many-Objective Differential Evolution)从候选停车场集合P中多目标优化选择最优停车场集合P_best。由于多目标优化问题的最优解不是单个解而是解集，因此最终得到的最优停车场为一个集合。
步骤4：用户根据个人偏好或随机从最优候选停车场集合P_best中选定目标停车场P。搜索城市道路网区域中距离目标停车场P最近的道路交叉口节点D，将其作为最优路径规划的终止目标节点D。
步骤5：根据获得的实时道路交通信息，以最短行驶时间为目标，应用单目标差分进化(DE，Differential Evolution)算法优化选择初始目标节点O至目标停车场P之间的最优路径Route。
上述的步骤1—步骤5设计了用户出行前静态的高维多目标智能停车场选择及路径诱导方法，在出行前为用户提供5项需求目标同时达到最优的停车场及路径选择方案。本发明同时提供用户行进过程中动态最优的停车场选择及路径诱导方案，基于更新道路网交通信息及停车场信息，利用高维多目标智能优化算法实时制定5目标最优的选择方案，具体方法如步骤6—步骤12所示。
步骤6：根据出行前制定的最优停车场及路径选择方案，确定车辆行驶路径的初始节点L1＝Route(1)＝O及下一目标节点L2＝Route(2)。
步骤7：判断初始节点L1是否为路径终止目标节点D，若是则输出当前目标停车场P为最优目标停车场，输出道路网中历史遍历节点为最优行驶路径Best_route，算法运行结束。否则转至步骤8。
步骤8：行驶至下一目标节点L2。获取最新的道路交通信息以及停车场信息。
步骤9：判断当前候选停车场集合P的剩余有效停车位是否为0。若是，则执行步骤10，以L、B、S及F四项用户需求为目标，应用KS-MODE算法从城市道路网区域范围内集合P之外有停车位的停车场中多目标优化选择m’个非支配停车场作为候选最优停车场集合P_best；否则，执行步骤11，以L、B、S及F四项用户需求为目标，应用KS-MODE算法从集合P中有停车位的停车场中多目标优化选择m个非支配停车场作为候选最优停车场集合P_best。
步骤12：判断当前目标停车场P是否在更新后的P_best中。若是，执行步骤13，即保持目标停车场P保持不变，终止目标节点D不变；否则，执行步骤14，由用户根据个人偏好或随机从更新后的P_best中选择新的目标停车场P，并搜索道路网中距离P最近的交叉口节点D，将其作为新最优路径的终止目标节点。
步骤15：根据实时获得的道路交通信息，以节点L2为新的最优路径初始节点，以D为新的最优路径终止节点，应用DE算法优化选择初始节点L2至停车场P的实时最佳路径Route。
步骤16：更新动态最优路径的起止节点信息，令下一初始节点L1＝L2，下一目标节点L2＝Route(2)。记录车辆历史遍历节点并更新动态最优行驶路径Best_route及实际时耗T。转至步骤7。
在步骤3和步骤9中，设计了一种基于改进K支配排序的高维多目标智能优化算法，即基于改进K支配排序的高维多目标差分进化算法KS-MODE(K-dominated Sorting BasedMany-Objective Differential Evolution)。该算法设计了个体能量函数加强了K支配条件，有效克服K支配中存在的循环支配现象，在此基础上设计了新的等级排序方法，从而有效降低高维环境下种群中非支配个体比例，增强精英个体选择压力，提升种群个体等级分布多样性，促进算法收敛性能提升。相比较于国内外现有多目标智能优化算法，KS-MODE能够高效求解4-30维的高维多目标优化问题，避免早熟收敛或收敛停滞现象，大幅提升现有多目标优化算法的收敛性能及稳定性。
在步骤3和步骤9中，提出一种基于高维多目标智能优化算法KS-MODE的最优停车场选择方法。以停车场距离出行目的地步行距离L、有效停车泊位数B、停车设施的安全性S及停车收费F四项用户停车实际需求为选择优化目标，应用KS-MODE算法对四项目标同时进行优化选择，从候选停车场集合P中多目标优化选择最优停车场集合P_best。该方法无需设置权重系数或预知用户偏好信息，能够获得Pareto最优解集，实现用户对于停车场多项需求的同时最优化选择。
本实施例中，应用KS-MODE算法进行高维多目标优化计算的具体实施流程如图8所示，具体操作过程如下：
步骤801、确定最优停车场的M个选择目标；根据用户在城市道路网中停车场选择实际需求的调查统计，确立最优停车场选择4项目标。目标1：停车场距离出行目的地步行距离；目标2：有效停车泊位数；目标3：停车设施的安全性；目标4：停车收费。
步骤802、计算候选停车场集合P＝{P1,P2,…PN}中N个候选停车场在4项目标上的目标函数值f1,f2,f3,f4。
目标1：停车场距离出行目的地步行距离。第Pi(i＝1,2,…N)个候选停车场至目的地Tar的步行距离计算公式如(1)式所示。
其中(xPi,yPi)，(xTar,yTar)分别为停车场Pi和目的地Tar的坐标。停车场选择目标1即为停车场至出行目的地的步行距离L最短，即f1＝min(L)。
目标2：停车场有效停车泊位数。根据停车场实时发布信息，获得N个候选停车场的剩余有效停车位数量B。停车场选择目标2即为停车场的有效停车位数量B最多，由于多目标优化问题中需要统一目标取值的极值性，因此设置f2＝min(1/B)。
目标3：停车场停车设施的安全性。车辆停放安全性由停车设施类型决定，为各类型停车场的停放安全性进行量化赋值，设置立体停车楼安全等级Saf＝1；地下停车库安全等级Saf＝2；路外地面停车场安全等级Saf＝3；路内停车位安全等级Saf＝4。停车场选择目标3为停车场停车设施的安全性最高，即f3＝min(Saf)。
目标4：停车场停车收费。现有停车场大多按照车辆停放时间的长短收取停车费，根据用户车辆预计停放时间t，按(2)式计算车辆停放费用。
式中Tmin为停车场免费停放时间长度；T1为停车场计时收费第一阶段时间长度；Tmax为停车场计时收费最大时间长度；y1为停车场计时收费第一阶段单价；y2为停车场计时收费第二阶段单价；FL为停车场计时收费最高限额。停车场选择目标4为停车场停车收费最低，即f4＝min(F)。
步骤803、构建规模为N，维数为M的个体种群；N为候选停车场集合中个体数目，每个个体x＝{f1,f2,f3,f4}的维数设置为M＝4。
步骤804、根据公式(3)计算每个个体的能量函数G(x)，其中参数p取值为2。
步骤805、对种群中N个个体进行K支配比较，对于种群中任意两个个体x和x*，当满足同时满足G(x)<G(x*)和公式(4)时称x K支配x*，记为x＞K x*。
其中Bt(x,x*)表示M维目标中x比x*表现好的目标个数；Eq(x,x*)表示x与x*表现相同的目标个数；Ws(x,x*)表示x比x*表现差的目标个数，计算公式如(5)式所示。
其中card表示集合的规模。记录每个个体受种群中其他个体支配的数目Ωi＝{xj|xj＞K xi,1≤j≤NP,j≠i}。
步骤806、根据种群个体的非支配等级KS对种群个体进行从小到大的非支配等级排序。
KS(xi)＝|Ωi| 1≤i≤NP (6)
步骤807、筛选出种群中非支配等级KS为0的个体集合作为最优候选停车场集合P_best。
在步骤6-步骤12中，设计了用户行进过程中实时最优的高维多目标智能停车场选择及路径诱导方法，通过获取实时更新的道路网交通信息及停车场信息，在每经过一个道路交叉口节点时，以停车场距离出行目的地步行距离L、有效停车泊位数B、停车设施的安全性S及停车收费F四项用户停车实际需求为选择优化目标，应用KS-MODE算法对四项目标同时进行智能优化选择从而确定新的目标停车场，并利用DE算法计算获得新的诱导路径，为用户实时制定动态最优的停车场选择及路径诱导方案，克服出行前静态诱导不适应实时交通变化的问题。
在步骤5和步骤15中，设计了基于单目标智能优化算法DE的最优路径计算方法，具体实施流程如图9所示，具体操作过程如下：
步骤901、构建初始种群。设置种群规模NP＝200，种群个体即种群决策变量X＝(x1,x2,…xn)维数n＝20，每一维变量x取值空间[xmin,xmax]＝[1,4]，其中，xmin,xmax物理意义代表种群个体X中每一维变量x取值的最小值和最大值，二者构成取值空间，其中维数n为初始目标节点至终止目标节点所经历的最大节点数。设置算法最大迭代次数Gen。
步骤902、种群个体在取值范围内随机初始化，根据城市区域道路网拓扑结构解码获得种群中每个个体变量对应的真实路径节点信息。
步骤903、计算每个个体的适应度函数值，即根据道路网节点之间的物理距离及各路段实时平均行驶速度，计算每条路径行驶时间。选择种群中行驶时间最短路径对应个体为初始最优个体，初始最优路径记为Route。
步骤904、判断终止条件是否满足，若满足则算法结束，执行步骤905，输出当前全局最优路径，作为停车诱导结果，否则，执行步骤906。
步骤906、对种群个体进行变异操作，采用DE/rand/2/bin模式的变异策略生成变异个体，计算公式为：
Vi(g+1)＝Xr1(g)+F×(Xr2(g)-Xr3(g))+F×(Xr4(g)-Xr5(g)) (1)
其中，Vi(g+1)为目标个体矢量Xi(g)对应的变异个体矢量。F∈[0,2]为一常数，是DE算法的变异因子。r1,r2,r3,r4,r5∈{1,2,…NP}为随机选取的互不相同的正整数，且与当前目标个体矢量索引号i不同。g<＝Gen为当前进化迭代次数。
步骤907、对种群中变异后的个体进行交叉操作，生成试验个体，公式如(2)式所示。
其中uij(g+1)表示试验个体Ui(g+1)中的第j维分量，xij(g)表示父代种群中目标个体矢量Xi(g)中的第j维分量，vij(g+1)为变异个体Vi(g+1)中的第j维分量，i＝1,…,NP为种群个体序号，j＝1,…,n为个体变量维数序号。rand(j)∈[0,1]为第j维分量对应的随机数，CR∈[0,1]是DE算法的交叉概率因子，决定了Vi(g+1)在生成的Ui(g+1)中所占的概率。k为第i个个体对应的系数，一般是从序列[1,2,…n]中随机选择的一个整数，用来确保Ui(g+1)中至少有一维分量来自Vi(g+1)。
步骤908、对试验个体进行调整，将个体各维变量限制在取值范围[xmin,xmax]内。解码获得试验个体对应路径并进行验证，避免出现路径反折现象。
步骤909、对调整后的试验个体与原个体进行比较，选择适应度值较好的个体，即路径行驶时间较小的个体进入下一代。
步骤910、记录当代种群中适应度值最优的个体及其对应解码路径，更新全局最优路径Route。
本发明提供了一种基于高维多目标智能优化的面向用户的主动停车诱导方法，首先，设计用户出行前静态的高维多目标智能停车场选择及路径诱导模型，充分考虑用户在停车场选择时对于停车场距离出行目的地步行距离、有效停车泊位数、停车设施的安全性、停车收费及到达停车场所需时间等方面的需求差异，在出行前为用户提供5项需求目标同时达到最优的停车场及路径选择方案；其次，设计用户行进中动态的高维多目标智能停车场选择及路径诱导模型，综合考虑道路网交通信息及停车场信息动态变化对于方案决策造成的影响，在用户进行过程中实时更新高维多目标最优的停车场及路径选择方案；最后，设计一种基于改进K支配排序的高维多目标优化方法，高效求解高维多目标优化问题，为用户出行前静态的和行进中动态的高维多目标停车场选择及路径诱导模型求解提供算法支持。该方法能够在用户出行前和行进中对于停车场及行驶路径进行高维多目标最优的整体智能选择，无需预知用户偏好信息及繁杂的权重系数设置，精确、高效地为用户提供主动停车诱导决策方案。
下面将结合附图及本发明的具体实施步骤，对本发明实施例中的方法进行清楚、完整的描述和论证，它将有助于理解本发明，但不限制本发明的内容。
步骤1：根据城市道路网区域中真实的道路网分布构建二维平面交通网络拓扑图，如图10所示。确定用户出行的初始道路交叉口节点O＝[0,0]，目的地Tar＝[14.4442,49.0579]及预计停车时长t＝4h。
步骤2：获取城市道路网区域中的100个停车场的位置分布、剩余有效停车位数目、停车设施条件、收费价格等实时信息。以出行目的地Tar为圆心，选定距离目的地500米半径范围内的N＝30个已运营停车场为候选停车场集合P＝{P1,P2,…PN}。道路网区域中所有停车场位置分布如图11所示。停车场的设施类型、安全性等级及收费价格等信息如表1所示，其中Saf为停车场安全等级；Tmin为停车场免费停放时间长度；T1为停车场计时收费第一阶段时间长度；Tmax为停车场计时收费最大时间长度；y1为停车场计时收费第一阶段单价；y2为停车场计时收费第二阶段单价；FL为停车场计时收费最高限额。
表1城市道路网区域中停车场信息
步骤3：以停车场距离出行目的地步行距离L、有效停车泊位数B、停车设施的安全性S及停车收费F四项用户需求为目标，应用KS-MODE算法从30个候选停车场集合P中多目标优化选择最优停车场集合P_best＝{5,57}。由于多目标优化问题的最优解不是单个解而是解集，因此最终得到的最优停车场为一个集合。
该步骤中应用KS-MODE算法进行高维多目标优化计算的具体实施流程如图8所示，具体操作过程如下：
1、根据用户在城市道路网中停车场选择实际需求的调查统计，确立最优停车场选择4项目标。目标1：停车场距离出行目的地步行距离；目标2：有效停车泊位数；目标3：停车设施的安全性；目标4：停车收费。
2、计算候选停车场集合P＝{P1,P2,…PN}中N＝30个候选停车场在4项目标上的目标函数值f1,f2,f3,f4。
目标1：停车场距离出行目的地步行距离。第Pi(i＝1,2,…N)个候选停车场至目的地Tar的步行距离计算公式如(1)式所示。
其中(xPi,yPi)，(xTar,yTar)分别为停车场Pi和目的地Tar的坐标。停车场选择目标1即为停车场至出行目的地的步行距离L最短，即f1＝min(L)。
目标2：停车场有效停车泊位数。根据停车场实时发布信息，获得N个候选停车场的剩余有效停车位数量B。停车场选择目标2即为停车场的有效停车位数量B最多，由于多目标优化问题中需要统一目标取值的极值性，因此设置f2＝min(1/B)。
目标3：停车场停车设施的安全性。车辆停放安全性由停车设施类型决定，为各类型停车场的停放安全性进行量化赋值，设置立体停车楼安全等级Saf＝1；地下停车库安全等级Saf＝2；路外地面停车场安全等级Saf＝3；路内停车位安全等级Saf＝4。停车场选择目标3为停车场停车设施的安全性最高，即f3＝min(Saf)。
目标4：停车场停车收费。现有停车场大多按照车辆停放时间的长短收取停车费，根据用户车辆预计停放时间t，按(2)式计算车辆停放费用。
式中Tmin为停车场免费停放时间长度；T1为停车场计时收费第一阶段时间长度；Tmax为停车场计时收费最大时间长度；y1为停车场计时收费第一阶段单价；y2为停车场计时收费第二阶段单价；FL为停车场计时收费最高限额。停车场选择目标4为停车场停车收费最低，即f4＝min(F)。
3、根据N个候选停车场的各项目标函数值，构建规模为N的个体种群，每个个体x＝{f1,f2,f3,f4}的维数设置为M＝4。
4、根据公式(3)计算每个个体的能量函数G(x)，其中参数p取值为2。
5、对种群中N个个体进行K支配比较，对于种群中任意两个个体x和x*，当满足同时满足G(x)<G(x*)和公式(4)时称x K支配x*，记为x＞K x*。
其中Bt(x,x*)表示M维目标中x比x*表现好的目标个数；Eq(x,x*)表示x与x*表现相同的目标个数；Ws(x,x*)表示x比x*表现差的目标个数，计算公式如(5)式所示。
其中card表示集合的规模。记录每个个体受种群中其他个体支配的数目Ωi＝{xj|xj＞Kxi,1≤j≤NP,j≠i}。
6、根据种群个体的非支配等级KS对种群个体进行从小到大的非支配等级排序。
KS(xi)＝|Ωi| 1≤i≤NP (6)
7、筛选出种群中非支配等级KS为0的个体集合作为最优候选停车场集合P_best。
步骤4：用户根据个人偏好或随机从最优候选停车场集合P_best中选定目标停车场P。搜索城市道路网区域中距离目标停车场P最近的道路交叉口节点D，将其作为最优路径规划的终止目标节点D＝{71,50}。
步骤5：根据获得的实时道路交通信息，以最短行驶时间为目标，应用DE算法优化选择初始目标节点O至目标停车场P之间的最优路径Route。
该步骤中应用DE算法进行路径优化的具体实施流程如图9所示，具体操作过程如下：
1、构建初始种群。设置种群规模NP＝200，种群个体X＝(x1,x2,…xn)维数n＝20，每一维变量x取值空间[xmin,xmax]＝[1,4]，其中维数n为初始目标节点至终止目标节点所经历的最大节点数。设置算法最大迭代次数Gen。
2、种群个体在取值范围内随机初始化，根据城市区域道路网拓扑结构解码获得种群中每个个体变量对应的真实路径节点信息。
3、计算每个个体的适应度函数值，即根据道路网节点之间的物理距离及各路段实时平均行驶速度，计算每条路径行驶时间。选择种群中行驶时间最短路径对应个体为初始最优个体，初始最优路径记为Route。
4、对种群个体进行变异操作，采用DE/rand/2/bin模式的变异策略生成变异个体，计算公式为：
Vi(g+1)＝Xr1(g)+F×(Xr2(g)-Xr3(g))+F×(Xr4(g)-Xr5(g)) (1)
5、对种群中变异后的个体进行交叉操作，生成试验个体，公式如(2)式所示。
其中g为当前进化迭代次数，i＝1,…,NP为种群个体序号，j＝1,…,n为个体决策变量维数序号。
6、对试验个体进行调整，将个体各维变量限制在取值范围[xmin,xmax]内。解码获得试验个体对应路径并进行验证，避免出现路径反折现象。
7、对调整后的试验个体与原个体进行比较，选择适应度值较好的个体，即路径行驶时间较小的个体进入下一代。
8、记录当代种群中适应度值最优的个体及其对应解码路径，更新全局最优路径Route。
9、判断终止条件是否满足，若满足则算法结束，输出当前全局最优路径Route；否则转至4至循环结束。
步骤1—步骤5设计了用户出行前静态的高维多目标智能停车场选择及路径诱导方法，在出行前为用户提供5项需求目标同时达到最优的停车场及路径选择方案，最优目标停车场集合P_best＝{5,57}的各项目标值如表2所示。用户根据个人偏好或随机选择停车场5、停车场57时对应的最优行驶路径如图12、图13中的粗线所示。
表2出行前停车场多目标优化选择结果
如图12所示，停车场5对应最优行驶路径：
1→21→2→3→4→5→25→26→46→47→48→49→50→70→71至停车场5；
如图13所示，停车场57对应最优行驶路径：
1→21→2→3→4→5→25→26→46→47→48→49→50至停车场57。
为验证本发明提出的基于高维多目标智能优化算法KS-MODE的停车场选择及路径诱导方法的先进性，将其与现有技术的基于PSO的加权求和法进行对比，其中加权求和法中5项用户需求目标对应的权重系数分别为w1＝0.1905；w2＝0.0411；w3＝0.3197；w4＝0.2113；w5＝0.2329，算法PSO中学习因子C1＝C2＝2。同样实验条件下，该方法计算获得的最优停车场为停车场10，各项目标值如表3所示。
表3出行前基于PSO的加权求和法停车场优化选择结果
对比表3中的数据不难看出，停车场10不属于帕累托(Pareto)最优的停车场，停车场5各项目标值均优于停车场10，二者属于支配关系，因此基于PSO的加权求和法最终获得的仅为近似最优解，而非真正的多目标优化最优解，由此证明本发明中基于高维多目标智能优化算法KS-MODE的停车场选择及路径诱导方法具有相对较高的计算精度，能够为用户提供更为精确的诱导决策方案。
为提供用户行进过程中动态最优的停车场选择及路径诱导方案，基于更新道路网交通信息及停车场信息，利用高维多目标智能优化算法KS-MODE实时制定5目标最优的选择方案，具体方法如步骤6—步骤12所示。
步骤6：根据出行前制定的最优停车场P_best＝{5,57}及路径选择方案，用户根据个人偏好或随机选择停车场5或停车场57作为目标停车场，根据其各自对应的最优诱导路径确定车辆行驶路径的初始节点L1＝Route(1)＝1及下一目标节点L2＝Route(2)＝21。
步骤7：判断初始节点L1是否为路径终止目标节点D，若是则输出当前目标停车场P为最优目标停车场，输出道路网中历史遍历节点为最优行驶路径Best_route，算法运行结束。否则转至步骤8。
步骤8：行驶至下一目标节点L2。获取最新的道路交通信息以及停车场信息。
步骤9：判断当前候选停车场集合P的剩余有效停车位是否为0。若是，则以L、B、S及F四项用户需求为目标，应用KS-MODE算法从城市道路网区域范围内集合P之外有停车位的停车场中多目标优化选择m’个非支配停车场作为候选最优停车场集合P_best；否则，以L、B、S及F四项用户需求为目标，应用KS-MODE算法从集合P中有停车位的停车场中多目标优化选择m个非支配停车场作为候选最优停车场集合P_best。
该步骤中应用KS-MODE算法进行高维多目标停车场优化选择的具体实施流程如图2所示，具体操作过程同步骤3，在此不再赘述。
步骤10：判断当前目标停车场P是否在更新后的P_best中。若是，则目标停车场P保持不变，终止目标节点D不变；否则，由用户根据个人偏好或随机从更新后的P_best中选择新的目标停车场P，并搜索道路网中距离P最近的交叉口节点D，将其作为新最优路径的终止目标节点。
步骤11：根据实时获得的道路交通信息，以节点L2为新的最优路径初始节点，以D为新的最优路径终止节点，应用DE算法优化选择初始节点L2至停车场P的实时最佳路径Route。
该步骤中应用DE算法进行最优路径优化选择的具体实施流程如图3所示，具体操作过程同步骤5，在此不再赘述。
步骤12：更新动态最优路径的起止节点信息，令下一初始节点L1＝L2，下一目标节点L2＝Route(2)。记录车辆历史遍历节点并更新动态最优行驶路径Best_route及实际时耗T。转至步骤7。
用户行进过程中动态的高维多目标停车场选择结果仍为P_best＝{5,57}，但由于城市道路网区域中道路交通状况实时变化使得最优行驶路径不断变化，本实施例中，用户行驶至目标停车场5或57过程中由历史遍历节点构成的最优行驶路径Best_route如图14、15所示。
如图14所示，停车场5对应的历史最优行驶路径：
1→21→2→3→4→24→44→45→65→66→67→68→69→70→71至停车场5；
如图15所示，停车场57对应的历史最优行驶路径：
1→21→2→22→42→43→23→24→25→26→46→47→48→49→50至停车场57。
如上所述，根据本发明中基于KS-MODE算法的高维多目标动态停车场选择及路径诱导方法具有以下优点：
1、能够在用户出行前和行进中提供城市道路网区域中高维多目标最优的停车场选择及路径诱导决策方案，能够综合考虑用户对于停车场选择的5项实际需求，并使得最终的决策方案在5项用户需求上同时达到最优；
2、不仅能够在用户出行前提供基于静态道路网信息的高维多目标最优诱导决策方案，而且能够在用户行进过程中根据实时路网信息及停车场信息变化，提供实时、动态的高维多目标最优诱导决策方案；
3、将停车场智能选择及智能路径诱导有机结合起来，避免二者相互独立，为用户提供更加全面的停车诱导决策方案；
4、首次仿真实现了用户出行前和行进中的高维多目标智能停车场选择及路径诱导，克服同领域内相关研究成果仅限于方法设计而缺乏实际案例分析的缺陷，为智能车设计及城市停车诱导系统PGS的理论研究与实际开发提供一定的参考。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种停车诱导方法，其特征在于，所述的方法包括：
获取城市道路网区域中的实时道路交通数据和实时停车场数据，其中，所述实时道路交通数据包括道路网数据；
根据所述道路网数据构建交通网络拓扑图；
根据目的地和所述实时停车场数据生成候选停车场集合；
以用户需求数据为目标函数，根据高维多目标差分进化算法从候选停车场集合选择最优停车场集合；
利用单目标差分进化算法根据用户的位置数据、用户从所述最优停车场集合中选择的目标停车场、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果；其中，
所述的以用户需求数据为目标函数，根据高维多目标差分进化算法从所述候选停车场集合选择最优停车场集合包括：
根据所述用户需求数据分别建立所述候选停车场集合中各停车场的目标函数；
以所述候选停车场集合中各停车场的目标函数为个体构建种群；
根据构建的种群进行高维多目标差分进化算法的K支配比较从所述候选停车场集合选择最优停车场集合；
所述的根据构建的种群进行高维多目标差分进化算法的K支配比较从所述候选停车场集合选择最优停车场集合包括：
计算构建的种群中每个个体的能量函数；
根据所述能量函数和K支配条件对种群中的个体进行K支配比较，确定每个个体受种群中其它个体支配的数目；
根据所述每个个体受种群中其它个体支配的数目进行非支配等级排序，将非支配等级为零的个体对应的停车场纳入最优停车场集合；
所述的利用单目标差分进化算法根据用户的位置数据、用户从所述最优停车场集合中选择的目标停车场、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果包括：
根据所述位置数据确定行驶位置路口节点；
根据用户选择的目标停车场确定目标路口节点；
利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果；
所述的利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果包括：
利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点及交通网络拓扑图生成当前停车诱导路径；
判断行驶位置路口节点为所述目标路口节点时，输出用户选择的目标停车场及当前停车诱导路径作为停车诱导结果。
2.如权利要求1所述的停车诱导方法，其特征在于，所述的根据目的地和所述停车场数据生成候选停车场集合包括：
以目的地为圆心按预设的半径范围确定候选停车场分布；
根据所述实时停车场数据和候选停车场分布生成候选停车场集合。
3.如权利要求2所述的停车诱导方法，其特征在于，所述的用户需求数据包括：停车场位置距离目的地的步行距离、有效停车位数据、停车设施安全性数据以及停车场收费数据。
4.如权利要求1所述的停车诱导方法，其特征在于，所述的用户的位置数据包括：用户出发时的初始位置数据、行驶过程中的当前位置数据。
5.如权利要求1所述的停车诱导方法，其特征在于，所述的利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点、所述实时道路交通数据、实时停车场数据及交通网络拓扑图生成停车诱导结果还包括：
判断行驶位置路口节点并非所述目标路口节点时，根据所述实时道路交通数据、实时停车场数据更新目标停车场；
根据更新的目标停车场确定更新的目标路口节点；
利用单目标差分进化算法根据所述行驶位置路口节点、更新的目标路口节点及交通网络拓扑图生成当前停车诱导路径。
6.如权利要求5所述的停车诱导方法，其特征在于，所述的根据实时道路交通数据、实时停车场数据更新目标停车场包括：
根据所述实时道路交通数据及实时停车场数据判断所述候选停车场集合内无剩余停车位时，以用户需求为目标函数，根据所述高维多目标差分进化算法从所述候选停车场之外有停车位的停车场中选择最优停车场集合，生成更新的目标停车场及更新的目标路口节点；
根据所述实时道路交通数据及实时停车场数据判断所述候选停车场集合内有剩余停车位时，以用户需求为目标函数，根据所述高维多目标差分进化算法从所述候选停车场集合中有停车位的停车场中选择最优停车场集合，生成更新的目标停车场及更新的目标路口节点。
7.如权利要求6所述的停车诱导方法，其特征在于，所述的利用单目标差分进化算法根据所述行驶位置路口节点、目标路口节点及交通网络拓扑图生成当前停车诱导路径包括：
以预先确定的用户出发时的初始位置节点至目标路口节点的最大节点数为决策变量维数，根据预设参数构建初始种群；根据所述交通网络拓扑图解码确定种群中个体对应的路径节点信息；
计算种群中的个体的适应度函数值；
采用单目标差分进化算法的DE/rand/2/bin模式对种群个体进行变异生成变异个体；
对变异后的个体进行交叉操作生成试验个体；
对所述试验个体在预设的取值范围内进行调整，生成调整后的个体；
将调整后的试验个体与原个体进行比较，将适应度函数值满足预设规则的个体纳入下一代种群；
确定当代种群中适应度值最优的个体及其对应的路径，更新全局最优路径；
根据确定的全局最优路径确定当前停车诱导路径。
8.如权利要求7所述的停车诱导方法，其特征在于，所述的实时道路交通数据还包括：城市道路网各路段的实时行驶速度数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510059424.XA CN105989737B (zh) | 2015-02-05 | 2015-02-05 | 一种停车诱导方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510059424.XA CN105989737B (zh) | 2015-02-05 | 2015-02-05 | 一种停车诱导方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105989737A CN105989737A (zh) | 2016-10-05 |
| CN105989737B true CN105989737B (zh) | 2019-04-05 |
Family
ID=57036081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510059424.XA Expired - Fee Related CN105989737B (zh) | 2015-02-05 | 2015-02-05 | 一种停车诱导方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105989737B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018086122A1 (zh) * | 2016-11-14 | 2018-05-17 | 深圳市大疆创新科技有限公司 | 多路传感数据融合的方法和系统 |
| CN106767865B (zh) * | 2016-12-05 | 2021-01-05 | 车音智能科技有限公司 | 导航方法及装置 |
| CN107507448B (zh) * | 2017-07-27 | 2020-02-11 | 武汉科技大学 | 基于Dijkstra优化算法的云停车场泊位寻优方法 |
| CN109709943B (zh) * | 2017-10-26 | 2022-07-26 | 宇通客车股份有限公司 | 一种自动驾驶公交车进站停靠点的选取方法 |
| CN109615921B (zh) * | 2018-12-28 | 2020-10-23 | 西安艾润物联网技术服务有限责任公司 | 虚拟停车场划分方法及相关产品 |
| CN111785065B (zh) * | 2020-06-15 | 2022-03-15 | 北京航空航天大学 | 基于用户出行成本与出行效率的智能远程自主泊车方法 |
| CN111899551B (zh) * | 2020-06-16 | 2021-09-17 | 广州文远知行科技有限公司 | 确定停车点的方法、装置、计算机设备和存储介质 |
| CN112185107B (zh) * | 2020-08-27 | 2022-08-12 | 北京北大千方科技有限公司 | 一种最优停车场计算方法、装置、存储介质及终端 |
| WO2023000261A1 (zh) * | 2021-07-22 | 2023-01-26 | 深圳先进技术研究院 | 一种区域交通的预测方法以及设备 |
| CN114267197A (zh) * | 2021-12-17 | 2022-04-01 | 松立控股集团股份有限公司 | 一种基于停车数据的停车推荐算法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4072853B2 (ja) * | 2003-06-06 | 2008-04-09 | アルパイン株式会社 | ナビゲーション装置 |
| CN100447829C (zh) * | 2004-08-18 | 2008-12-31 | 山连根 | 城市停车诱导移动提示方法和实现系统 |
| WO2007007378A1 (ja) * | 2005-07-07 | 2007-01-18 | Matsushita Electric Industrial Co., Ltd. | 入場情報提供装置及び入場情報利用端末装置 |
| CN102509468B (zh) * | 2011-11-01 | 2013-12-04 | 北京世纪高通科技有限公司 | 获取停车场信息的方法和装置 |
-
2015
- 2015-02-05 CN CN201510059424.XA patent/CN105989737B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105989737A (zh) | 2016-10-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105989737B (zh) | 一种停车诱导方法 | |
| CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
| CN107832882A (zh) | 一种基于马尔科夫决策过程的出租车寻客策略推荐方法 | |
| Guo et al. | Day-to-day flow dynamics and congestion control | |
| Chen et al. | The α-reliable path problem in stochastic road networks with link correlations: A moment-matching-based path finding algorithm | |
| CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
| CN105551239B (zh) | 旅行时间预测方法及装置 | |
| CN110175780A (zh) | 一种电动汽车充电站选址方法、系统及相关装置 | |
| CN103050016B (zh) | 一种基于混合推荐的交通信号控制方案实时选取方法 | |
| CN106875734B (zh) | 一种推送停车路线的方法及装置 | |
| CN108537691A (zh) | 一种区域游览智能管理系统及方法 | |
| CN109741626A (zh) | 停车场停车情况预测方法、调度方法和系统 | |
| CN114550482B (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
| CN109612488A (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
| CN106228265A (zh) | 基于改进粒子群优化的总拖期运输计划调度算法 | |
| Chen et al. | Flow equilibrium under dynamic traffic assignment and signal control—An illustration of pretimed and actuated signal control policies | |
| Aswani et al. | Game-theoretic routing of GPS-assisted vehicles for energy efficiency | |
| CN113393690A (zh) | 考虑自动驾驶专用车道的混合交通均衡分配方法 | |
| CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
| CN106530702A (zh) | 一种基于交通指数的随机动态网络交通规划方法 | |
| Lu et al. | The vehicle relocation problem with operation teams in one-way carsharing systems | |
| CN107588779B (zh) | 一种基于任意两节点间行程时间的车辆智能导航方法 | |
| CN105825675B (zh) | 一种基于大数据的路段旅行时间计算方法和装置 | |
| CN114812584A (zh) | 一种路径规划方法、系统、存储介质及设备 | |
| JP2014156232A (ja) | 運行管理装置、運行管理方法、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190405 Termination date: 20200205 |