CN106228841A - 一种城市级停车诱导方法、装置及电子设备 - Google Patents

Abstract

本发明涉及一种城市级停车诱导方法、装置及电子设备，其中，方法包括：根据车辆的行驶方向和能容忍的停车距离，将备选停车场的地理坐标经过平移旋转，获得以车辆为原点的备选停车场的相对坐标；根据备选停车场的相对坐标确定备选停车场处于以车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，对不同象限的备选停车场赋予不同的优先级因子α；当前时刻下，备选停车场到车辆之间的距离归一化处理后的对数曲线与优先级因子α的乘积，加上备选停车场的停放率的对数曲线与调节因子β的乘积，构成停车场评价函数；利用停车场评价函数对备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

Description

一种城市级停车诱导方法、装置及电子设备

技术领域

本发明涉及智能停车技术领域，特别涉及一种城市级停车诱导方法、装置及电子设备。

背景技术

停车是当前大中城市热点区域的难题。由于早期规划等原因，这些区域所提供的停车位远少于进入的车辆，导致车辆在寻找停车位过程中，花费大量时间，浪费不必要的能源，引发交通拥堵等。由于在短期内，增加这些热点区域的停车位供应比较困难，因此强调在这些区域内提高停车位利用率就变得很重要，即需要实时的将车位信息推送给有需要的车辆，快速帮助车辆停车，这就是我们常说的车辆的停车诱导系统。

在当前的停车诱导系统应用中，主要的关注点都在停车信息的实时采集、整合和发布上，该行业的企业大部分都在从事类似的工作。停车信息的实时采集的主要技术手段是车牌识别、地磁识别、超声识别等感知技术，实时发布的主要技术手段主要是停车诱导屏，现在随着移动互联网的发展，实时发布也可以用手机作为载体，向行驶中的车辆推送停车场的实时车位信息。

无论是诱导屏还是手机，当前都只能将大量的数据推送到用户层面，需要用户自行选择目标停车场。这对用户来说，是一个很不好的体验，尤其是在车辆驾驶过程中。这也是影响目前绝大部分互联网停车类APP普及推广的一个重要原因。实际上，借鉴搜索引擎的发展情况，容易发现采用系统主动推荐匹配的方法无疑在这种应用场景下更具有优秀的用户体验，而匹配的精准程度将决定该应用的价值。

近两年来，大学及研究机构认为停车场匹配过程是一个智能决策过程，主要通过构造评价算法体系来进行研究。比如同济大学授权的专利(201410150943.2)一种考虑停车时间的停车诱导系统的调控方法，通过计算车辆到达停车场和停车泊位的时间，作为推荐停车场的排序指标。而专利(201510782673.1)，则提出了一种根据用户停车时长，停车频次所构建的诱导决策方法。

针对不同的车辆的目的地，行车路线、行车方向，精准的推荐合适的停车场所，最大程度降低车辆的介入程度，而不是将信息简单的展示，让车辆自行去判断选择，这才是停车诱导系统未来应该发展的方向。

作为诱导决策算法，应当从用户的长期以来形成的习惯入手，便于推广普及。因此，很自然需要考虑两方面的内容：1)停车场距离目的地或者车辆有多远，2)停车场还剩余多少可供停放的车位。然后主要通过这两方面内容的结合来构造决策算法。

当前技术在算法构造方面存在比较明显的缺点：

1)在计算停车场与车辆的距离时，忽略了汽车行进的方向。由于车辆直行、右转、左转、调头、倒车等行驶成本差距较大，因此在考虑停车场与车辆距离时，并非只是简单的越近越好，而是需要结合行驶成本来考虑。

2)现在的诱导决策算法完全依赖实时采集的剩余车位信息。由于当前获取停车场实时数据的成本非常高，需要依赖大量的设备投入，因此这种方法只适用于某几个停车场或者某一个区域，做到城市级的成本非常巨大。从2015年开始，相当多的企业采用这种方法来构建城市级的诱导平台，各自投入了从数千万到上亿的资金，但从效果看，所覆盖的停车场资源占比非常低，仍然未能形成有效的城市级诱导应用。

发明内容

本发明实施例的主要目的在于提出一种城市级停车诱导方法、装置及电子设备，实现更精准的推荐停车场，提高用户体验度。

为实现上述目的，本发明提供了一种城市级停车诱导方法，包括：

通过搜索实时获得备选停车场集合，并根据车辆的行驶方向和能容忍的停车距离，将备选停车场集合中备选停车场在世界坐标系中的坐标(x_j,y_j)经过平移旋转，获得以所述车辆为原点的所述备选停车场的相对坐标(x”_j,y”_j)；其中，j表示备选停车场集合中的任一备选停车场；

根据所述备选停车场的相对坐标确定所述备选停车场处于以所述车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，对不同象限的所述备选停车场赋予不同的优先级因子α；

当前时刻下，所述备选停车场到所述车辆之间的距离归一化处理后的对数曲线与所述优先级因子α的乘积，加上所述备选停车场的停放率的对数曲线与调节因子β的乘积，构建停车场评价函数；其中，所述调节因子β取值越大，表示在停车紧张的环境下优先考虑停车场的可用车位数量，0＜β＜1；

利用所述停车场评价函数对所述备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

优选地，所述停车场评价函数的表达式为：

$F(j,t)=\mathrm{\α}ln{\left(\frac{d_j}{\underset{j=1}{\overset{n}{\Σ}}{d}_j}\right)}^{-1}+\mathrm{\β}ln{\left(\frac{E_j\left(t\right)}{T_j}\right)}^{-1}$

式中，d_j表示备选停车场集合中的备选停车场j到车辆的距离；n表示备选停车场集合中备选停车场的个数；是备选停车场j到所述车辆之间的距离归一化处理后的对数曲线，用来表示车辆到备选停车场之间的距离对用户选择停车场的影响；T_j表示备选停车场集合中的备选停车场j的总车位数；E_j(t)表示在当前时刻t备选停车场集合中的备选停车场j的车辆停放数量；是备选停车场j的停放率的对数曲线，用来表示备选停车场已停放车辆数量对用户选择停车场的影响。

优选地，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率。

优选地，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=E_j\left(t_0\right)+\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率；E_j(t₀)是实时统计获取的当前时刻t₀备选停车场j停放的车辆数量。

优选地，所述备选停车场集合是将备选停车场的地理坐标按照geohash编码后以geohash的邻接算法搜索获得。

优选地，所述备选停车场的相对坐标(x”_j,y”_j)与所述备选停车场在世界坐标系中的坐标(x_j,y_j)之间的关系为：

x″_j＝(x_j-x₀)cosθ-(y_j-y₀)sinθ

y″_j＝(x_j-x₀)cosθ+(y_j-y₀)sinθ

式中，(x₀,y₀)是车辆在世界坐标系中的坐标；θ是车辆在世界坐标系中的行进方向。

为实现上述目的，本发明还提供了一种城市级停车诱导装置，包括：

平移旋转单元，用于通过搜索实时获得备选停车场集合，并根据车辆的行驶方向和能容忍的停车距离，将备选停车场集合中备选停车场在世界坐标系中的坐标(x_j,y_j)经过平移旋转，获得以所述车辆为原点的所述备选停车场的相对坐标(x”_j,y”_j)；其中，j表示备选停车场集合中的任一备选停车场；

优先级因子确定单元，用于根据所述备选停车场的相对坐标确定所述备选停车场处于以所述车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，对不同象限的所述备选停车场赋予不同的优先级因子α；

评价函数确定单元，用于当前时刻下，所述备选停车场到所述车辆之间的距离归一化处理后的对数曲线与所述优先级因子α的乘积，加上所述备选停车场的停放率的对数曲线与调节因子β的乘积，构建停车场评价函数；其中，所述调节因子β取值越大，表示在停车紧张的环境下优先考虑停车场的可用车位数量，0＜β＜1；

推荐停车场单元，用于利用所述停车场评价函数对所述备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

优选地，所述评价函数确定单元构建的停车场评价函数的表达式为：

$F(j,t)=\mathrm{\α}ln{\left(\frac{d_j}{\underset{j=1}{\overset{n}{\Σ}}{d}_j}\right)}^{-1}+\mathrm{\β}ln{\left(\frac{E_j\left(t\right)}{T_j}\right)}^{-1}$

式中，d_j表示备选停车场集合中的备选停车场j到车辆的距离；n表示备选停车场集合中备选停车场的个数；是备选停车场j到所述车辆之间的距离归一化处理后的对数曲线，用来表示车辆到备选停车场之间的距离对用户选择停车场的影响；T_j表示备选停车场集合中的备选停车场j的总车位数；E_j(t)表示在当前时刻t备选停车场集合中的备选停车场j的车辆停放数量；是备选停车场j的停放率的对数曲线，用来表示备选停车场已停放车辆数量对用户选择停车场的影响。

优选地，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率。

优选地，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=E_j\left(t_0\right)+\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率；E_j(t₀)是实时统计获取的当前时刻t₀备选停车场j停放的车辆数量。

优选地，所述平移旋转单元将备选停车场的地理坐标按照geohash编码后以geohash的邻接算法搜索实时获得备选停车场集合。

优选地，所述平移旋转单元将所述备选停车场在世界坐标系中的坐标(x_j,y_j)按照x″_j＝(x_j-x₀)cosθ-(y_j-y₀)sinθ、y″_j＝(x_j-x₀)cosθ+(y_j-y₀)sinθ的方式平移旋转得到所述备选停车场的相对坐标(x”_j,y”_j)；关系式中，(x₀,y₀)是车辆在世界坐标系中的坐标；θ是车辆在世界坐标系中的行进方向。

为实现上述目的，本发明还提供了一种电子设备，包括上述所述的城市级停车诱导决策装置。

上述技术方案具有如下有益效果：

1)与当前最好的技术相比，本发明在停车场备选集的构造上更加准确，通过对直行、右转、左转、调头等不同行驶成本的区分，可更精准的推荐停车场；

2)对于停车场停放率的计算，本发明可以不依赖实时数据，这意味着本发明可以通过非常低的成本去覆盖大量的停车场，为用户提供停车诱导的服务。

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为本发明提出的一种城市级停车诱导方法流程图；

图2为应用场景示意图；

图3为本发明提供的一种城市级停车诱导装置框图；

图4为电子设备示意图；

图5为本实施例的应用场景地图示意图；

图6为本实施例的车辆旋转角度与相应评价得分曲线图。

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。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种城市级停车诱导方法、装置及电子设备。

在本文中，需要理解的是，所涉及的术语中：

1、世界坐标系：由于图像采集设备可安放在环境中的任意位置，在环境中选择一个基准坐标系来描述图像采集设备的位置，并用基准坐标系描述环境中任何物体的位置，该基准坐标系为世界坐标系。

2、泊松过程：如果取非负整数值的计数过程{N(t),t≥0}满足：

N(0)＝0；具有独立增量；对任意0≤S≤t,N(t)-N(s)服从参数为λ(t-s)泊松分布，

$P\{N\left(t\right)-N\left(s\right)=k\}=\frac{{\[\mathrm{\λ}(t-s)\]}^k}{k!}{e}^{-\mathrm{\λ}(t-s)};k=0,1,2,\mathrm{......}$

则称{N(t),t≥0}为参数(或平均率、强度)为λ的(齐次)泊松过程。

此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

发明概述

常规上，当前停车诱导决策仅仅考虑了停车场与车辆之间的距离，并没有考虑行驶成本。并且，现有的停车诱导决策仅仅依靠实时获取的剩余车位信息，无法形成有效的城市级诱导应用。

对于这些情况，本发明提供了一种城市级停车诱导决策机制。该技术方案在车辆行驶过程中实时搜集备选停车场，建立备选停车场集合，通过旋转平移获得以车辆为原点的备选停车场的相对坐标，根据车辆直行、右转、左转、调头等不同的行驶成本，确定备选停车场的相对坐标在以所述车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，赋予各象限不同的优先级因子。考虑车辆到停车场之间的距离、停车场停放率两者对好旋转停车场的影响，利用优先级因子构建评价函数。利用评价函数对所述备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

在实际运用中，在车辆前往推荐停车场途中，由于停车场停放率的变化，或者由于行车路线的变化，导致之前的评价结果失效，将重新进行备选停车场集合的筛选和评价过程，直到用户距离推荐停车场小于一个预设距离为止。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

应用场景总览

第一种应用场景：车辆在没有明确目的地的情况下实时搜索备用停车场，建立备用停车场集合，实时建立相应的停车场评价函数，根据评价函数获得推荐停车场，实现用户快速停车的需求。

第二种应用场景：车辆在明确目的地的情况下实时搜集目的地附件的备用停车场，建立备用停车场集合，实时建立相应的停车场评价函数，根据评价函数获得推荐停车场，实现用户在明确目的地情况下的停车需求。

示例性方法

下面结合上述三种应用场景，参考图1对本发明的城市级停车诱导方法进行介绍。

需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。

如图1所示，为本发明提出的一种城市级停车诱导方法流程图。包括：

步骤101)：通过搜索实时获得备选停车场集合，并根据车辆的行驶方向和能容忍的停车距离，将备选停车场集合中备选停车场在世界坐标系中的坐标(x_j,y_j)经过平移旋转，获得以所述车辆为原点的所述备选停车场的相对坐标(x”_j,y”_j)；其中，j表示备选停车场集合中的任一备选停车场；

按照一般的空间搜索方式，我们以用户车辆为圆心，以根据经验设定用户停车容忍距离r(比如300米)作为搜索半径进行搜索。对于本技术方案来说，我们给出的实现方式是将停车场在世界坐标系中的坐标进行geohash编码后，利用geohash的邻接算法进行搜索，获得备用停车场集合。

如图2所示，应用场景示意图。在实际上，汽车在城市中直行、右转、左转、调头的行驶成本差别很大，因此我们需在获得备选停车场和车辆的相对位置。我们将该问题描述成备选停车场坐标(x_j,y_j)相对车辆坐标(x₀,y₀)的逆时针旋转问题，且旋转角为θ。该过程包含了平移和旋转两个步骤。

1、坐标平移，停车场坐标(x_j,y_j)以车辆为坐标原点的平移坐标为(x_j-x₀,y_j-y₀)，记为(x'_j,y'_j)。

2、坐标旋转，停车场坐标逆时针旋转θ后的新坐标：

x″_j＝x'_jcosθ-y'_jsinθ

y″_j＝y'_jsinθ+x'_jcosθ

对经平移旋转后的停车场坐标进行象限判断：

1)第一象限：车辆直行和右转可达

2)第二象限：车辆左转或调头可达

3)第三详细：车辆需调头可达

4)第四象限：车辆需两次调头可达。

步骤102)：根据所述备选停车场的相对坐标确定所述备选停车场处于以所述车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，对不同象限的所述备选停车场赋予不同的优先级因子α；

根据车辆不同行驶方式的成本，我们将不同象限赋予不同的优先级因子α，α记为{P_m}，m＝1,2,3,4。在同一象限的优先级因子相同，在不同一象限的优先级因子不相同。其中，P₁+P₂+P₃+P₄＝1。在距离相同或相近的情况下，1、2象限要优于3,4象限。

步骤103)：所述备选停车场到所述车辆之间的距离归一化处理后的对数曲线与所述优先级因子α的乘积，加上所述备选停车场的停放率的对数曲线与调节因子β的乘积，构建当前时刻的停车场评价函数；其中，所述调节因子β取值越大，表示在停车紧张的环境下优先考虑停车场的可用车位数量，0＜β＜1；

所述停车场评价函数的表达式为：

$F(j,t)=\mathrm{\α}ln{\left(\frac{d_j}{\underset{j=1}{\overset{n}{\Σ}}{d}_j}\right)}^{-1}+\mathrm{\β}ln{\left(\frac{E_j\left(t\right)}{T_j}\right)}^{-1}$

式中，d_j表示备选停车场集合中的备选停车场j到车辆的距离；n表示备选停车场集合中备选停车场的个数；是备选停车场j到所述车辆之间的距离归一化处理后的对数曲线，用来表示车辆到备选停车场之间的距离对用户选择停车场的影响；车辆停放率越高的停车场意味着用户在场内寻找停车位所耗费的时间越长，当停车场停满后，用户将再不能进入停车场，采用对数曲线能够很好模拟这种形态(ln1＝0)。T_j表示备选停车场集合中的备选停车场j的总车位数；E_j(t)表示在当前时刻t备选停车场集合中的备选停车场j的车辆停放数量；是备选停车场j的停放率的对数曲线，用来表示备选停车场已停放车辆数量对用户选择停车场的影响。调节因子β其取值范围为(0,1)，β的变化受备选停车场集合整体停放率的影响，整体停放率越高，调节因子β的取值越大，该参数表示在停车紧张的环境下，应当优先考虑停车场的可用车位数量。调节因子β可以根据训练样本进行调整，使之更符合用户的停车习惯。

E_j(t)是当前主要靠投入设备来获取，但是城市级的设备改造成本非常巨大，所以我们采用依靠历史数据来计算。相对实时数据，历史数据可以通过调研，采样获得，成本远低于设备投入。对已安装停车位统计设备的停车场，可以用实时数据来修正。

由于停车场存在不同的停车特征曲线，比如住宅是晚上紧张，白天空闲，而办公场所则相反，因此我们将其建模为非平稳泊松过程，以1天为周期，将其划分为高峰期，平稳期和谷底期。根据停车场的历史停车数据，可统计出这几个期间内的车辆平均到达率λ_i和平均离开率μ_i。

所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率。

对于能获取实时数据的停车场，则从该停车场实时数据获取时间t₀起，预计未来t时间内的停放数据，可以提高计算的精准程度。这种情况下，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=E_j\left(t_0\right)+\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率；E_j(t₀)是实时统计获取的当前时刻t₀备选停车场j停放的车辆数量。

步骤104)：利用所述停车场评价函数对所述备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

通过上述方式对集合内的停车场进行计算，得分最高的停车场将作为推荐停车场。用户在导航过程中，由于行车线路，或者停车场的停车数据发生了变化，使得之前的推荐停车场不再是最优，此时，需要重新计算该环境下的推荐停车场，使之满足用户快速停车的需要。当用户接近推荐停车场，即距离小于一预设距离S时，整个算法过程结束，提示用户已到达停车场。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

示例性装置

在介绍了本发明示例性实施方式的方法之后，接下来，参考图3对本发明示例性实施方式的装置进行介绍。

如图3所示，为本发明提供的一种城市级停车诱导装置框图。包括：

平移旋转单元301，用于通过搜索实时获得备选停车场集合，并根据车辆的行驶方向和能容忍的停车距离，将备选停车场集合中备选停车场在世界坐标系中的坐标(x_j,y_j)经过平移旋转，获得以所述车辆为原点的所述备选停车场的相对坐标(x”_j,y”_j)；其中，j表示备选停车场集合中的任一备选停车场；

在本实施例中，所述平移旋转单元301将备选停车场的地理坐标按照geohash编码后以geohash的邻接算法搜索实时获得备选停车场集合。

所述平移旋转单元301将所述备选停车场在世界坐标系中的坐标(x_j,y_j)按照x″_j＝(x_j-x₀)cosθ-(y_j-y₀)sinθ、y″_j＝(x_j-x₀)cosθ+(y_j-y₀)sinθ的方式平移旋转得到所述备选停车场的相对坐标(x”_j,y”_j)；关系式中，(x₀,y₀)是车辆在世界坐标系中的坐标；θ是车辆在世界坐标系中的行进方向。

优先级因子确定单元302，用于根据所述备选停车场的相对坐标确定所述备选停车场处于以所述车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，对不同象限的所述备选停车场赋予不同的优先级因子α；

评价函数确定单元303，用于所述备选停车场到所述车辆之间的距离归一化处理后的对数曲线与所述优先级因子α的乘积，加上所述备选停车场的停放率的对数曲线与调节因子β的乘积，构建当前时刻的停车场评价函数；其中，所述调节因子β取值越大，表示在停车紧张的环境下优先考虑停车场的可用车位数量，0＜β＜1；

所述评价函数确定单元303构建的停车场评价函数的表达式为：

$F(j,t)=\mathrm{\α}ln{\left(\frac{d_j}{\underset{j=1}{\overset{n}{\Σ}}{d}_j}\right)}^{-1}+\mathrm{\β}ln{\left(\frac{E_j\left(t\right)}{T_j}\right)}^{-1}$

式中，d_j表示备选停车场集合中的备选停车场j到车辆的距离；n表示备选停车场集合中备选停车场的个数；是备选停车场j到所述车辆之间的距离归一化处理后的对数曲线，用来表示车辆到备选停车场之间的距离对用户选择停车场的影响；T_j表示备选停车场集合中的备选停车场j的总车位数；E_j(t)表示在当前时刻t备选停车场集合中的备选停车场j的车辆停放数量；是备选停车场j的停放率的对数曲线，用来表示备选停车场已停放车辆数量对用户选择停车场的影响。

E_j(t)是当前主要靠投入设备来获取，但是城市级的设备改造成本非常巨大，所以我们采用依靠历史数据来计算。相对实时数据，历史数据可以通过调研，采样获得，成本远低于设备投入。对已安装停车位统计设备的停车场，可以用实时数据来修正。

由于停车场存在不同的停车特征曲线，比如住宅是晚上紧张，白天空闲，而办公场所则相反，因此我们将其建模为非平稳泊松过程，以1天为周期，将其划分为高峰期，平稳期和谷底期。根据停车场的历史停车数据，可统计出这几个期间内的车辆平均到达率λ_i和平均离开率μ_i。

所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率。

对于能获取实时数据的停车场，则从该停车场实时数据获取时间t₀起，预计未来t时间内的停放数据，可以提高计算的精准程度。这种情况下，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=E_j\left(t_0\right)+\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率；E_j(t₀)是实时统计获取的当前时刻t₀备选停车场j停放的车辆数量。

推荐停车场单元304，用于利用所述停车场评价函数对所述备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

此外，尽管在上文详细描述中提及了代理支付装置的若干单元，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。

示例性设备

基于上述示例性装置和方法，本实施例还提出一种电子设备，如图4所示。该电子设备用于根据各种请求指令去运行城市级停车诱导应用程序，包括：

存储器a，用于存储请求指令；

处理器b，其与所述存储器耦合，该处理器被配置为执行存储在所述存储器中的请求指令，其中，所述处理器被配置的应用程序用于：

通过搜索实时获得备选停车场集合，并根据车辆的行驶方向和能容忍的停车距离，将备选停车场集合中备选停车场在世界坐标系中的坐标(x_j,y_j)经过平移旋转，获得以所述车辆为原点的所述备选停车场的相对坐标(x”_j,y”_j)；其中，j表示备选停车场集合中的任一备选停车场；

根据所述备选停车场的相对坐标确定所述备选停车场处于以所述车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，对不同象限的所述备选停车场赋予不同的优先级因子α；

所述备选停车场到所述车辆之间的距离归一化处理后的对数曲线与所述优先级因子α的乘积，加上所述备选停车场的停放率的对数曲线与调节因子β的乘积，构建当前时刻的停车场评价函数；其中，所述调节因子β取值越大，表示在停车紧张的环境下优先考虑停车场的可用车位数量，0＜β＜1；

利用所述停车场评价函数对所述备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

本发明实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如图1所述的方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行如图1所述的方法。

实施例

为了能够更加直观的描述本发明的特点和工作原理，下文将结合一个实际运用场景来描述。

如图5所示，为本实施例的应用场景地图示意图。停车场A在世界坐标系的坐标为：(113.95105,22.537321)，停车场B在世界坐标系的坐标为：(113.952946,22.539281)，车辆在世界坐标系的坐标为：(113.952101,22.538302)，此时车辆正好位于该十字路口，且车辆距停车场A直线距离为153米，据B停车场直线距离为139米。

为表明行驶方向对停车场得分函数的影响，我们再设置停车场A和停车B具有相同的容量和停放车辆数量，如下表1所示。

表1

	位置	距离	容量	停放量
					Park A	113.95105,22.537321	153	200	176
Park B	113.952946,22.539281	139	200	176

在此条件下，将车辆在路口旋转360度，利用上述停车评价函数，分别计算停车场A和停车场B在车辆不同的旋转角度下的评价得分。根据旋转角度与相应评价得分得到如图6所示的曲线图。

从图中不难发现，当车辆在路口往北向和东向行驶时，停车场B得分较高，此时会推荐该停车场，而车辆在路口往南向和西向行驶时，停车场A得分较高，此时会推荐该停车场。

实际运行中，由于在路口环境下，直行、右转、左转和调头的行驶成本差别很大，因此司机更倾向于前往行驶成本更低的停车场，而本算法较好的体现了这种倾向性。

本发明经过了实际数据和实际车载运行测试，推荐精准度当前达到了90％以上。

通过本实施例可知，当前技术做停车场搜索时只基于用户位置和搜索半径做空间搜索，本发明将车辆的行驶方向考虑进去后，所得到的备选停车场集合按照车辆直行、右转、左转与调头等方式做了优先级区分，所推荐的停车场将更方便车辆到达停放。

当前技术必须依靠实时停车数据来做诱导，成本很高，而且覆盖率低，不能做城市级的诱导。本发明利用停车场的历史数据建立非平稳泊松过程，在不依赖实时数据的情况下，也能估算指定时刻的车辆停放数量，能够用于城市中大量不能上传实时信息的停车场。随着训练样本增多和实时数据的纠错，该方式的精准度会逐步提高，而且成本十分低廉，覆盖速度非常快。

以上具体实施方式，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，以上仅为本发明的具体实施方式而已，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 (13)

1.一种城市级停车诱导方法，其特征在于，包括：

通过搜索实时获得备选停车场集合，并根据车辆的行驶方向和能容忍的停车距离，将备选停车场集合中备选停车场在世界坐标系中的坐标(x_j,y_j)经过平移旋转，获得以所述车辆为原点的所述备选停车场的相对坐标(x”_j,y”_j)；其中，j表示备选停车场集合中的任一备选停车场；

根据所述备选停车场的相对坐标确定所述备选停车场处于以所述车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，对不同象限的所述备选停车场赋予不同的优先级因子α；

所述备选停车场到所述车辆之间的距离归一化处理后的对数曲线与所述优先级因子α的乘积，加上所述备选停车场的停放率的对数曲线与调节因子β的乘积，构建当前时刻的停车场评价函数；其中，所述调节因子β取值越大，表示在停车紧张的环境下优先考虑停车场的可用车位数量，0＜β＜1；

利用所述停车场评价函数对所述备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

2.如权利要求1所述的方法，其特征在于，所述停车场评价函数的表达式为：

$F(j,t)=\mathrm{\α}ln{\left(\frac{d_j}{\underset{j=1}{\overset{n}{\Σ}}{d}_j}\right)}^{-1}+\mathrm{\β}ln{\left(\frac{E_j\left(t\right)}{T_j}\right)}^{-1}$

式中，d_j表示备选停车场集合中的备选停车场j到车辆的距离；n表示备选停车场集合中备选停车场的个数；是备选停车场j到所述车辆之间的距离归一化处理后的对数曲线，用来表示车辆到备选停车场之间的距离对用户选择停车场的影响；T_j表示备选停车场集合中的备选停车场j的总车位数；E_j(t)表示在当前时刻t备选停车场集合中的备选停车场j的车辆停放数量；是备选停车场j的停放率的对数曲线，用来表示备选停车场已停放车辆数量对用户选择停车场的影响。

3.如权利要求2所述的方法，其特征在于，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率。

4.如权利要求2所述的方法，其特征在于，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=E_j\left(t_0\right)+\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率；E_j(t₀)是实时统计获取的当前时刻t₀备选停车场j停放的车辆数量。

5.如权利要求1所述的方法，其特征在于，所述备选停车场集合是将备选停车场的地理坐标按照geohash编码后以geohash的邻接算法搜索获得。

6.如权利要求1所述的方法，其特征在于，所述备选停车场的相对坐标(x”_j,y”_j)与所述备选停车场在世界坐标系中的坐标(x_j,y_j)之间的关系为：

x″_j＝(x_j-x₀)cosθ-(y_j-y₀)sinθ

y″_j＝(x_j-x₀)cosθ+(y_j-y₀)sinθ

式中，(x₀,y₀)是车辆在世界坐标系中的坐标；θ是车辆在世界坐标系中的行进方向。

7.一种城市级停车诱导装置，其特征在于，包括：

平移旋转单元，用于通过搜索实时获得备选停车场集合，并根据车辆的行驶方向和能容忍的停车距离，将备选停车场集合中备选停车场在世界坐标系中的坐标(x_j,y_j)经过平移旋转，获得以所述车辆为原点的所述备选停车场的相对坐标(x”_j,y”_j)；其中，j表示备选停车场集合中的任一备选停车场；

优先级因子确定单元，用于根据所述备选停车场的相对坐标确定所述备选停车场处于以所述车辆为原点、车辆行驶方向为纵坐标所构建的坐标系中的象限，对不同象限的所述备选停车场赋予不同的优先级因子α；

评价函数确定单元，用于所述备选停车场到所述车辆之间的距离归一化处理后的对数曲线与所述优先级因子α的乘积，加上所述备选停车场的停放率的对数曲线与调节因子β的乘积，构建当前时刻的停车场评价函数；其中，所述调节因子β取值越大，表示在停车紧张的环境下优先考虑停车场的可用车位数量，0＜β＜1；

推荐停车场单元，用于利用所述停车场评价函数对所述备选停车场进行计算，获得每个备选停车场的评价值，将评价值最高的停车场作为推荐停车场。

8.如权利要求7所述的装置，其特征在于，所述评价函数确定单元构建的停车场评价函数的表达式为：

$F(j,t)=\mathrm{\α}ln{\left(\frac{d_j}{\underset{j=1}{\overset{n}{\Σ}}{d}_j}\right)}^{-1}+\mathrm{\β}ln{\left(\frac{E_j\left(t\right)}{T_j}\right)}^{-1}$

式中，d_j表示备选停车场集合中的备选停车场j到车辆的距离；n表示备选停车场集合中备选停车场的个数；是备选停车场j到所述车辆之间的距离归一化处理后的对数曲线，用来表示车辆到备选停车场之间的距离对用户选择停车场的影响；T_j表示备选停车场集合中的备选停车场j的总车位数；E_j(t)表示在当前时刻t备选停车场集合中的备选停车场j的车辆停放数量；是备选停车场j的停放率的对数曲线，用来表示备选停车场已停放车辆数量对用户选择停车场的影响。

9.如权利要求8所述的装置，其特征在于，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)t}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率。

10.如权利要求8所述的装置，其特征在于，所述车辆停放数量E_j(t)的表达式为：

$E_j\left(t\right)=E_j\left(t_0\right)+\underset{k=0}{\overset{T_j}{\Σ}}k\×\frac{{\[({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)\]}^k}{k!}{e}^{-({\mathrm{\λ}}_i-{\mathrm{\μ}}_i)(t-t_0)}$

式中，k表示在时刻t备选停车场集合中备选停车场j停放的车辆数量；λ_i是基于历史数据统计得出的相应时间段的车辆平均到达率；μ_i是基于历史数据统计得出的相应时间段的车辆平均离开率；E_j(t₀)是实时统计获取的当前时刻t₀备选停车场j停放的车辆数量。

11.如权利要求7所述的装置，其特征在于，所述平移旋转单元将备选停车场的地理坐标按照geohash编码后以geohash的邻接算法搜索实时获得备选停车场集合。

12.如权利要求7所述的装置，其特征在于，所述平移旋转单元将所述备选停车场在世界坐标系中的坐标(x_j,y_j)按照x″_j＝(x_j-x₀)cosθ-(y_j-y₀)sinθ、y″_j＝(x_j-x₀)cosθ+(y_j-y₀)sinθ的方式平移旋转得到所述备选停车场的相对坐标(x”_j,y”_j)；关系式中，(x₀,y₀)是车辆在世界坐标系中的坐标；θ是车辆在世界坐标系中的行进方向。

13.一种电子设备，其特征在于，包括如权利要求7～12任一权利要求所述的装置。