CN107507448B - 基于Dijkstra优化算法的云停车场泊位寻优方法 - Google Patents

Abstract

本发明公开了一种基于Dijkstra优化算法的云停车场泊位寻优方法，云停车场内视频车位检测终端将检测到的车位数据上传到云平台；依据车位数据绘制停车场路网带权有向示意图；依据路网带权有向示意图建立最优泊位模型；依据最优泊位模型利用Dijkstra优化算法计算所有空车位最短驾驶距离和最短步行距离；计算所有空车位的相对驾驶距离θ值，所有相对驾驶距离θ值集合中的最小值即为所对应的泊位即为最优泊位，最优泊位对应的路径为最优路径。本发明在保证寻车距离的条件下有效的解决了停车场区域使用率不均衡等问题，同时采用Dijkstra优化算法使寻优过程变得更简单更高效。

Description

基于Dijkstra优化算法的云停车场泊位寻优方法

技术领域

本发明涉及停车场导航技术领域，尤其涉及一种基于Dijkstra优化算法的云停车场泊位寻优方法。

背景技术

智能化的停车场车位引导系统已经运用到国内外各大停车场。各种路径寻优算法被广泛应用到智能化停车场车位引导系统中，但目前大部分泊位寻优模型均从驾驶者的角度出发，考虑其消耗时间或是经过的距离，却没能够关注停车场各区域的使用情况，从而导致所寻优的停车位均集中在某些区域，停车场肯定会出现区域使用率不均衡，从而给某些区域造成密集效应，而驾驶员特别是新手在空旷区域比在密集区域停车给其感受明显不同。再者智能化停车场在车位信息共享问题上一直没很好的解决方案。

发明内容：

为了克服上述背景技术的缺陷，本发明提供一种基于Dijkstra优化算法的云停车场泊位寻优方法用以提高停车场停车效率和平衡区域使用率。

为了解决上述技术问题本发明的所采用的技术方案为，一种基于 Dijkstra优化算法的云停车场泊位寻优方法，包括：

步骤1，云停车场内视频车位检测终端将检测到的车位数据上传到云平台；

步骤2，依据车位数据绘制停车场路网带权有向示意图；

步骤3，依据路网带权有向示意图建立最优泊位模型，最优泊位模型为相对驾驶距离与最短驾驶距离、步行距离、步行速度相对驾驶速度系数和区域车位使用率相对函数之间的关系模型；

步骤4，依据最优泊位模型利用Dijkstra优化算法计算所有空车位最短驾驶距离和最短步行距离；

步骤5，计算所有空车位的相对驾驶距离θ值，所有相对驾驶距离θ值集合中的最小值即为所对应的泊位即为最优泊位，最优泊位对应的路径为最优路径。

较佳地，步骤1还包括将车位检测系统、室内车位引导系统、室外信息发布系统、自助缴费和反向寻车一体机均接入云平台的步骤。

较佳地，步骤2中路网带权有向示意图是以停车场入口和停车场出口分别为起点，并以每个交叉路口为节点绘制；

较佳地，步骤3中最优泊位模型为θ＝a+λb+y；

其中，a＝min(l₁+l₂)，b＝min(L₁+L₂)，θ为相对驾驶距离；a为最短驾驶距离，l₁为从入口S到节点最短驾驶距离，l₂为节点到车位最短驾驶距离；b为最短步行距离，L₁为从出口E到节点最短步行距离，L₂为节点到车位最短步行距离；λ为步行速度相对驾驶速度系数；y为区域车位使用率相对函数。

较佳地，步行速度相对驾驶速度系数

其中，v_a为预测驾驶速度，v_b为预测步行速度，所述预测驾驶速度v_a和所述预测步行速度v_b均为人工设定的经验参数。

较佳地，区域车位使用率相对函数y，是依据与空车位所处区域的区域车位使用率η结合停车场实际情况进行设定的；

区域车位使用率

其中，p为某空车位所处区域内车位使用数量，v为某空车位所处区域车位总数量。

较佳地，步骤4依据最优泊位模型利用Dijkstra优化算法计算所有空车位最短驾驶距离，具体包括如下步骤：

步骤41，利用Dijkstra优化算法计算入口源节点S到全部节点A_i的最短驾驶距离l₁(i)；

步骤42，选取某空车位P_z，P_z位于节点A_x、A_y所组成的区域W中，由步骤41说的入口源节点S到节点A_x、A_y最短驾驶距离为l₁(x)、l₁(y)；

步骤43，Dijkstra优化算法计算空车位P_z到节点A_x、A_y的最短驾驶距离l₂(x)、l₂(y)。

步骤44，将min(l₁+l₂)作为入口S到空车位P_z的最短驾驶距离a，其线路为P_z即为最短路径。

较佳地，步骤41，利用Dijkstra优化算法计算入口源节点S到全部节点A_i的最短驾驶距离l₁(i)的具体步骤包括：

步骤411，初始化最短路径集合V和对应的最短路径l₁[i]，令V＝{S}， l₁[i]＝C[0][i]，其中i∈[0,n-1]，n为A中所有定点的数目；

步骤412，选择A_j，使l₁[j]＝min[l₁[i]]|A_i∈A-V，A_j就是当前求得的一条从S出发的最短路径的终点，修改V＝V∪{A_j}；

步骤413，修改从S出发到集合A-V上任一定点A_k的最短路径的，令l[k]＝min{l₁[k]，l₁[k]+C[j][k]}；

步骤414，重复步骤412和步骤413，直至集合A内的节点全部包含在V中，即可求得S到其余各定点的最短路径l₁[i]；

V为以停车场入口S为入口源节点的最短路径集合，C表示以空余节点的邻接矩阵，邻接矩阵C中的每个元素C(i，j)表示各节点(A_i，A_j) 间的权重值。

较佳地，步骤4依据所述最优泊位模型利用Dijkstra优化算法计算所有空车位最短步行距离，具体包括如下步骤：

步骤45，利用Dijkstra优化算法计算出口源节点E到全部节点A_i的最短步行距离L₁(i)；

步骤46，选取某空车位P_z，P_z位于节点A_x、A_y所组成的区域W中，由步骤45所得出口源节点S到节点A_x、A_y最短步行距离为L₁(x)、L₁(y)；

步骤47，Dijkstra优化算法计算空车位P_z到节点A_x、A_y的最短步行距离L₂(x)、L₂(y)。

步骤48，将min(L₁+L₂)作为出口E到空车位P_z的最短步行距离b，其线路为P_z即为最短路径。

较佳地，步骤5中，将上述计算值a、b、λ、y带入最优泊位模型θ＝a+λb+y，得到空车位P_z的θ值，而所有空车位的θ值集合中的最小值即为所对应的泊位即为最优泊位，最优泊位对应的路径为最优路径。

本发明的有益效果在于：本发明不仅从驾驶员角度出发，确定驾驶距离、步行至电梯距离为泊位和路径寻优时的决定性因素，也将停车场区域使用率纳入路径寻优时的决定性因素之一，在保证寻车距离的条件下有效的解决了停车场区域使用率不均衡等问题。同时采用 Dijkstra优化算法使寻优过程变得更简单更高效，而采用云平台进行数据分析处理不仅可以将该停车场与周边区域乃至全市停车场实现车位信息共享，而且其他停车场接入云平台只需购买服务便可进行数据分析处理从而缩小服务器安装和运维成本。

附图说明

图1为发明实施例所述某地下云停车场场景平面图；

图2发明实施例入口为起点的某地下停车场路网带权有向示意图；

图3发明实施例的方法流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

图1为某地下云停车场场景平面图，云停车场内包括车位检测系统、室内车位引导系统、室外信息发布系统、自助缴费和反向寻车一体机，且这些系统均接入云平台。车位检测系统是在每两个车位安装一个识别车牌和判别是否有车的车位摄像机，室内车位引导系统是控制显示屏，引导车主从最优路径到达最优泊位，室外信息发布系统通过入口显示屏发布停车场内总车位以及剩余车位数量信息，自助缴费和反向寻车一体机在输入车牌号后可以缴纳停车费及查询车辆停泊位置，所有系统在购买云服务后均接入云平台。云停车场内部的道路宽度为6m，车位宽3m、长6m，入口为S，出口即电梯入口为E，A_i为交叉各路口的节点。

一种基于Dijkstra优化算法的云停车场泊位寻优方法包括以下步骤：

步骤S1，云停车场内视频车位检测终端将检测到的车位数据上传到云平台。

视频车位检测终端可以检测到各个车位是否停车，进而将车位数据信息上传到云平台。根据场景可绘制图1。

云停车场内，车位检测系统、室内车位引导系统、室外信息发布系统、自助缴费和反向寻车一体机等均接入云平台。

云平台数据存储及处理能力巨大，当用户购买其服务后便可通过账号接入，在征得用户同意后可实现云平台数据共享。云平台将收集停车场的数据输入其内部系统便可以得到此刻最优泊位和停车路径，并将信息传给室内车位引导系统，当车辆进入云停车场在室内引导系统引导下通过最优路径到达最优泊位。

步骤S2，依据车位数据绘制停车场路网带权有向示意图；

路网带权有向示意图是以入口和出口分别为起点，以每个交叉路口为节点绘制的路网带权有向示意图。路网带权有向示意图是按照图论的方法，结合停车场内部结构及路网信息，将停车场路网抽象为带权有向示意图，从而将泊位寻优方法转换为带权图上的最短距离计算问题。

根据场景图以以入口和出口分别为起点，以每个交叉路口为节点绘制的路网带权有向示意图，如图2为以入口为起点的某地下停车场路网带权有向示意图，以出口为起点的某地下停车场路网带权有向示意图同理。

步骤S3，依据路网带权有向示意图建立最优泊位模型，最优泊位模型为相对驾驶距离与最短驾驶距离、步行距离、步行速度相对驾驶速度系数和区域车位使用率相对函数之间的关系模型；

最优泊位模型为θ＝a+λb+y；

其中，a＝min(l₁+l₂)，b＝min(L₁+L₂)，θ为相对驾驶距离；a为最短驾驶距离，l₁为从入口S到节点最短驾驶距离，l₂为节点到车位最短驾驶距离；b为最短步行距离，L₁为从出口E到节点最短步行距离，L₂为节点到车位最短步行距离；λ为步行速度相对驾驶速度系数；y为区域车位使用率相对函数。

步行速度相对驾驶速度系数

为预测驾驶速度v_a和预测步行速度v_b均为人工设定的经验参数。本实施例中，某云停车场情况预测驾驶速度v_a＝7.5m/s和步行速度v_b＝1.5m/s，故λ＝5。

区域车位使用率相对函数y可由停车场实际情况进行设定，这里根据某地下云停车场场景设为βη²。

y＝βη²，β为相对系数，根据场景设为300。

η为区域车位使用率

p为某空车位所处区域内车位使用数量，v为某空车位所处区域车位总数量。

区域车位使用数量和总数量均由视频车位检测终端检测传到云平台计算而得。

空车位P_z所处区域W，则y＝300η²。

步骤S4，依据最优泊位模型利用Dijkstra优化算法计算所有空车位最短驾驶距离和最短步行距离；

步骤41，利用Dijkstra优化算法计算入口源节点S到全部节点A_i的最短驾驶距离l₁(i)，具体步骤包括：

步骤411，初始化最短路径集合V和对应的最短路径l₁[i]，令V＝{S}， l₁[i]＝C[0][i]，其中i∈[0,n-1]，n为A中所有定点的数目；

步骤412，选择A_j，使l₁[j]＝min[l₁[i]]|A_i∈A-V，A_j就是当前求得的一条从S出发的最短路径的终点，修改V＝V∪{A_j}；

步骤413，修改从S出发到集合A-V上任一定点A_k的最短路径的，令l[k]＝min{l₁[k]，l₁[k]+C[j][k]}；

步骤414，重复步骤412和步骤413，直至集合A内的节点全部包含在V中，即可求得S到其余各定点的最短路径l₁[i]；

V为以停车场入口S为入口源节点的最短路径集合，C表示以空余节点的邻接矩阵，邻接矩阵C中的每个元素C(i，j)表示各节点(A_i，A_j) 间的权重值。

步骤42，选取某空车位P_z，P_z位于节点A_x、A_y所组成的区域W中，由步骤41说的入口源节点S到节点A_x、A_y最短驾驶距离为l₁(x)、l₁(y)；

步骤43，Dijkstra优化算法计算空车位P_z到节点A_x、A_y的最短驾驶距离l₂(x)、l₂(y)。

步骤44，将min(l₁+l₂)作为入口S到空车位P_z的最短驾驶距离a，其线路为P_z即为最短路径。

步骤45，利用Dijkstra优化算法计算出口源节点E到全部节点A_i的最短步行距离L₁(i)；

步骤46，选取某空车位P_z，P_z位于节点A_x、A_y所组成的区域W中，由步骤45所得出口源节点S到节点A_x、A_y最短步行距离为L₁(x)、L₁(y)；

步骤47，Dijkstra优化算法计算空车位P_z到节点A_x、A_y的最短步行距离L₂(x)、L₂(y)。

步骤48，将min(L₁+L₂)作为出口E到空车位P_z的最短步行距离b，其线路为P_z即为最短路径。

步骤5中，将上述计算值a、b、λ、y带入最优泊位模型θ＝a+λb+y，，得到空车位P_z的θ值，而所有空车位的θ值集合中的最小值即为所对应的泊位即为最优泊位，最优泊位对应的路径为最优路径。

在某地下云停车场实施例中，相对驾驶距离θ越小则泊位越优，求得所有空车位所对应的θ进行对比，得到min(θ)。则min(θ)所对应的泊位为最优泊位，其线路为最优路径。

对于空车位P_z，将计算出来的a、b、y带入

即可得到P_z所对应的θ值。

计算出所有空车位的θ值，进行对比得到min(θ)，则min(θ)所对应的泊位为最优泊位，其线路为最优路径。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.基于Dijkstra优化算法的云停车场泊位寻优方法，其特征在于，包括：

步骤1，云停车场内视频车位检测终端将检测到的车位数据上传到云平台；

步骤2，依据所述车位数据绘制停车场路网带权有向示意图；

步骤3，依据所述路网带权有向示意图建立最优泊位模型，所述最优泊位模型为相对驾驶距离与最短驾驶距离、步行距离、步行速度相对驾驶速度系数和区域车位使用率相对函数之间的关系模型；

步骤4，依据所述最优泊位模型利用Dijkstra优化算法计算所有空车位最短驾驶距离和最短步行距离；

步骤5，计算所有空车位的相对驾驶距离θ值，所有相对驾驶距离θ值集合中的最小值即为所对应的泊位即为最优泊位，所述最优泊位对应的路径为最优路径；

所述步骤3中所述最优泊位模型为θ＝a+λb+y，

其中，a＝min(l₁+l₂)，b＝min(L₁+L₂)，θ为相对驾驶距离；a为最短驾驶距离，l₁为从入口S到节点最短驾驶距离，l₂为节点到车位最短驾驶距离；b为最短步行距离，L₁为从出口E到节点最短步行距离，L₂为节点到车位最短步行距离；所述λ为步行速度相对驾驶速度系数；y为区域车位使用率相对函数；

所述步行速度相对驾驶速度系数

其中，v_a为预测驾驶速度，v_b为预测步行速度，所述预测驾驶速度v_a和所述预测步行速度v_b均为人工设定的经验参数；

所述区域车位使用率相对函数y＝βη²，其中β为依据停车场实际情况人工设定的相对系数，

区域车位使用率

其中，所述p为某空车位所处区域内车位使用数量，v为某空车位所处区域车位总数量。

2.根据权利要求1所述的基于Dijkstra优化算法的云停车场泊位寻优方法，其特征在于：所述步骤1还包括将车位检测系统、室内车位引导系统、室外信息发布系统、自助缴费和反向寻车一体机均接入云平台的步骤。

3.根据权利要求1所述的基于Dijkstra优化算法的云停车场泊位寻优方法，其特征在于：所述步骤2中所述路网带权有向示意图是以停车场入口和停车场出口分别为起点，并以每个交叉路口为节点绘制。

4.根据权利要求1所述的基于Dijkstra优化算法的云停车场泊位寻优方法，其特征在于，所述步骤4依据所述最优泊位模型利用Dijkstra优化算法计算所有空车位最短驾驶距离，具体包括如下步骤：

步骤41，利用Dijkstra优化算法计算入口源节点S到全部节点A_i的最短驾驶距离l₁(i)；

步骤42，选取某空车位P_z，P_z位于节点A_x、A_y所组成的区域W中，由步骤41所得入口源节点S到节点A_x、A_y最短驾驶距离为l₁(x)、l₁(y)；

步骤43，Dijkstra优化算法计算空车位P_z到节点A_x、A_y的最短驾驶距离l₂(x)、l₂(y)；

步骤44，将min(l₁+l₂)作为入口S到空车位P_z的最短驾驶距离a，其线路为P_z即为最短路径。

5.根据权利要求4所述的基于Dijkstra优化算法的云停车场泊位寻优方法，其特征在于，所述步骤41，利用Dijkstra优化算法计算入口源节点S到全部节点A_i的最短驾驶距离l₁(i)的具体步骤包括：

步骤411，初始化最短路径集合V和对应的最短路径l₁[i]，令V＝{S}，l₁[i]＝C[0][i]，其中i∈[0,n-1]，n为A中所有定点的数目；

步骤412，选择A_j，使l₁[j]＝min[l₁[i]]|A_i∈A-V，A_j就是当前求得的一条从S出发的最短路径的终点，修改V=V∪{A_j}；

步骤413，修改从S出发到集合A-V上任一定点A_k的最短路径，令l[k]＝min{l₁[k]，l₁[k]+C[j][k]}；

步骤414，重复所述步骤412和所述步骤413，直至集合A内的节点全部包含在V中，即可求得S到其余各定点的最短路径l₁[i]；

V为以停车场入口S为入口源节点的最短路径集合，C表示以空余节点的邻接矩阵，邻接矩阵C中的每个元素C(i，j)表示各节点(A_i，A_j)间的权重值。

6.根据权利要求1所述的基于Dijkstra优化算法的云停车场泊位寻优方法，其特征在于，所述步骤4依据所述最优泊位模型利用Dijkstra优化算法计算所有空车位最短步行距离，具体包括如下步骤：

步骤45，利用Dijkstra优化算法计算出口源节点E到全部节点A_i的最短步行距离L₁(i)；

步骤46，选取某空车位P_z，P_z位于节点A_x、A_y所组成的区域W中，由步骤45所得出口源节点S到节点A_x、A_y最短步行距离为L₁(x)、L₁(y)；

步骤47，Dijkstra优化算法计算空车位P_z到节点A_x、A_y的最短步行距离L₂(x)、L₂(y)；

步骤48，将min(L₁+L₂)作为出口E到空车位P_z的最短步行距离b，其线路为P_z即为最短路径。

Images