CN107507448B - 基于Dijkstra优化算法的云停车场泊位寻优方法 - Google Patents
基于Dijkstra优化算法的云停车场泊位寻优方法 Download PDFInfo
- Publication number
- CN107507448B CN107507448B CN201710625171.7A CN201710625171A CN107507448B CN 107507448 B CN107507448 B CN 107507448B CN 201710625171 A CN201710625171 A CN 201710625171A CN 107507448 B CN107507448 B CN 107507448B
- Authority
- CN
- China
- Prior art keywords
- parking
- shortest
- optimization algorithm
- node
- optimal
- 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
Images
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
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
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
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,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;
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Ai的最短驾驶距离l1(i);
步骤42,选取某空车位Pz,Pz位于节点Ax、Ay所组成的区域W中,由步骤41说的入口源节点S到节点Ax、Ay最短驾驶距离为l1(x)、l1(y);
步骤43,Dijkstra优化算法计算空车位Pz到节点Ax、Ay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Pz的最短驾驶距离a,其线路为Pz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Ai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Aj,使l1[j]=min[l1[i]]|Ai∈A-V,Aj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∪{Aj};
步骤413,修改从S出发到集合A-V上任一定点Ak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(Ai,Aj) 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Ai的最短步行距离L1(i);
步骤46,选取某空车位Pz,Pz位于节点Ax、Ay所组成的区域W中,由步骤45所得出口源节点S到节点Ax、Ay最短步行距离为L1(x)、L1(y);
步骤47,Dijkstra优化算法计算空车位Pz到节点Ax、Ay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Pz的最短步行距离b,其线路为Pz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Pz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,Ai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va和预测步行速度vb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va=7.5m/s和步行速度vb=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Pz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Ai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Aj,使l1[j]=min[l1[i]]|Ai∈A-V,Aj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∪{Aj};
步骤413,修改从S出发到集合A-V上任一定点Ak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(Ai,Aj) 间的权重值。
步骤42,选取某空车位Pz,Pz位于节点Ax、Ay所组成的区域W中,由步骤41说的入口源节点S到节点Ax、Ay最短驾驶距离为l1(x)、l1(y);
步骤43,Dijkstra优化算法计算空车位Pz到节点Ax、Ay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Pz的最短驾驶距离a,其线路为Pz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Ai的最短步行距离L1(i);
步骤46,选取某空车位Pz,Pz位于节点Ax、Ay所组成的区域W中,由步骤45所得出口源节点S到节点Ax、Ay最短步行距离为L1(x)、L1(y);
步骤47,Dijkstra优化算法计算空车位Pz到节点Ax、Ay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Pz的最短步行距离b,其线路为Pz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Pz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Pz,将计算出来的a、b、y带入
即可得到Pz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,
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Ai的最短驾驶距离l1(i);
步骤42,选取某空车位Pz,Pz位于节点Ax、Ay所组成的区域W中,由步骤41所得入口源节点S到节点Ax、Ay最短驾驶距离为l1(x)、l1(y);
步骤43,Dijkstra优化算法计算空车位Pz到节点Ax、Ay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Pz的最短驾驶距离a,其线路为Pz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Ai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Aj,使l1[j]=min[l1[i]]|Ai∈A-V,Aj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∪{Aj};
步骤413,修改从S出发到集合A-V上任一定点Ak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(Ai,Aj)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Ai的最短步行距离L1(i);
步骤46,选取某空车位Pz,Pz位于节点Ax、Ay所组成的区域W中,由步骤45所得出口源节点S到节点Ax、Ay最短步行距离为L1(x)、L1(y);
步骤47,Dijkstra优化算法计算空车位Pz到节点Ax、Ay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Pz的最短步行距离b,其线路为Pz即为最短路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710625171.7A CN107507448B (zh) | 2017-07-27 | 2017-07-27 | 基于Dijkstra优化算法的云停车场泊位寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710625171.7A CN107507448B (zh) | 2017-07-27 | 2017-07-27 | 基于Dijkstra优化算法的云停车场泊位寻优方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107507448A CN107507448A (zh) | 2017-12-22 |
CN107507448B true CN107507448B (zh) | 2020-02-11 |
Family
ID=60689475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710625171.7A Expired - Fee Related CN107507448B (zh) | 2017-07-27 | 2017-07-27 | 基于Dijkstra优化算法的云停车场泊位寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507448B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470467A (zh) * | 2018-03-26 | 2018-08-31 | 京东方科技集团股份有限公司 | 停车位推荐方法及系统 |
CN110555156B (zh) * | 2018-03-26 | 2022-04-15 | 中移(苏州)软件技术有限公司 | 一种最优泊位推荐的方法及装置 |
CN108510785B (zh) * | 2018-04-17 | 2019-11-01 | 松立控股集团股份有限公司 | 一种基于大数据的商场停车位推送方法 |
CN108877292A (zh) * | 2018-08-17 | 2018-11-23 | 东莞市江夏建设工程有限公司 | 一种智能停车用的停车管理系统 |
CN110335492A (zh) * | 2018-10-23 | 2019-10-15 | 辽宁石油化工大学 | 停车场车位的车辆导向方法及装置、存储介质、终端 |
CN109255979A (zh) * | 2018-12-07 | 2019-01-22 | 安华智能股份公司 | 一种智能停车管理系统 |
CN109615917A (zh) * | 2018-12-28 | 2019-04-12 | 江苏航天大为科技股份有限公司 | 一种车位引导方法及系统 |
CN109949604B (zh) * | 2019-04-01 | 2021-06-11 | 南京邮电大学 | 一种大型停车场调度导航方法及系统 |
CN112037560A (zh) * | 2019-06-03 | 2020-12-04 | 北京国驿技术有限公司 | 智能化封闭式停车场运行模式下车位优化分配模型建立方法 |
CN110364016B (zh) * | 2019-07-08 | 2021-10-15 | 网链科技集团有限公司 | 一种无人机诱导停车方法 |
CN111708369B (zh) * | 2020-07-17 | 2021-07-23 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
JP7443992B2 (ja) * | 2020-08-28 | 2024-03-06 | 株式会社アイシン | 運転支援装置及びコンピュータプログラム |
CN112289073A (zh) * | 2020-11-04 | 2021-01-29 | 南京理工大学 | 一种停车场智能车位分配、停车方法及系统 |
CN112700655A (zh) * | 2020-12-23 | 2021-04-23 | 江苏高立泊车科技有限公司 | 一种室内外无缝对接导航方法 |
CN114519940B (zh) * | 2022-02-25 | 2023-05-09 | 深圳市道网科技有限公司 | 一种应用于智慧停车的大数据分析方法及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080024494A (ko) * | 2008-01-28 | 2008-03-18 | 테크온팜 주식회사 | 내비게이션 기능을 이용한 실시간 주차안내 시스템 및 그처리방법 |
CN103985268A (zh) * | 2014-03-04 | 2014-08-13 | 江南大学 | 一种基于最优泊位模型的智能停车场车位诱导机制算法 |
CN205354375U (zh) * | 2015-12-23 | 2016-06-29 | 南京航空航天大学 | 一种基于手机蓝牙的泊车诱导系统 |
CN105761545A (zh) * | 2016-05-11 | 2016-07-13 | 泽信息科技(上海)有限公司 | 多目标停车泊位预定优选方法 |
CN105989737A (zh) * | 2015-02-05 | 2016-10-05 | 辽宁省交通高等专科学校 | 一种停车诱导方法 |
CN106157689A (zh) * | 2016-08-29 | 2016-11-23 | 上海交通大学 | 一种停车场动态车位管理系统 |
CN106228841A (zh) * | 2016-08-10 | 2016-12-14 | 中国科学院深圳先进技术研究院 | 一种城市级停车诱导方法、装置及电子设备 |
CN106781643A (zh) * | 2016-11-10 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种停车位引导方法及系统 |
-
2017
- 2017-07-27 CN CN201710625171.7A patent/CN107507448B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080024494A (ko) * | 2008-01-28 | 2008-03-18 | 테크온팜 주식회사 | 내비게이션 기능을 이용한 실시간 주차안내 시스템 및 그처리방법 |
CN103985268A (zh) * | 2014-03-04 | 2014-08-13 | 江南大学 | 一种基于最优泊位模型的智能停车场车位诱导机制算法 |
CN105989737A (zh) * | 2015-02-05 | 2016-10-05 | 辽宁省交通高等专科学校 | 一种停车诱导方法 |
CN205354375U (zh) * | 2015-12-23 | 2016-06-29 | 南京航空航天大学 | 一种基于手机蓝牙的泊车诱导系统 |
CN105761545A (zh) * | 2016-05-11 | 2016-07-13 | 泽信息科技(上海)有限公司 | 多目标停车泊位预定优选方法 |
CN106228841A (zh) * | 2016-08-10 | 2016-12-14 | 中国科学院深圳先进技术研究院 | 一种城市级停车诱导方法、装置及电子设备 |
CN106157689A (zh) * | 2016-08-29 | 2016-11-23 | 上海交通大学 | 一种停车场动态车位管理系统 |
CN106781643A (zh) * | 2016-11-10 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种停车位引导方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于Dijkstra算法的大型停车场最优泊车路径规划;吴若伟 楼佩煌;《工业控制计算机》;20131231;第26卷(第5期);正文第93-95页 * |
基于权值的Dijkstra停车路径规划算法的优化与实现;袁琳 等;《湖北大学学报(自然科学版)》;20170531;第39卷(第3期);正文第279-284页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107507448A (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507448B (zh) | 基于Dijkstra优化算法的云停车场泊位寻优方法 | |
US20190371167A1 (en) | Road traffic analysis methods and apparatuses | |
RU2569123C1 (ru) | Устройство генерации команды управления потоком данных и устройство управления датчиками | |
CN103383816B (zh) | 复用电子警察混合交通流检测的交通信号控制方法及装置 | |
CN104200649B (zh) | 基于预先申请的交通高峰期路线资源调度分配系统与方法 | |
CN208521463U (zh) | 停车场管理系统及其车位管理系统、车牌识别收费系统 | |
CN108776852A (zh) | 无桩车辆调度方法和系统 | |
WO2016202009A1 (zh) | 一种基于强化学习的路面交通信号灯协调控制方法 | |
CN104750963B (zh) | 交叉口延误时长估计方法及装置 | |
CN110047319A (zh) | 停车场车位导航方法、电子装置及存储介质 | |
CN113077626B (zh) | 一种车道选择的引导方法、装置、系统、设备及存储介质 | |
CN112435353B (zh) | 一种基于区块链的闲置车位共享出租系统 | |
CN101887645B (zh) | 室内停车场有线式车辆检测器布线优化方法 | |
CN112767683B (zh) | 一种基于反馈机制的路径诱导方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN108985539B (zh) | 一种评价停车场道路规划的方法及装置 | |
KR20170072846A (ko) | 포그 및 클라우드 기반의 차량 네트워크에서 공유 주차 모델을 이용하는 시스템 및 방법 | |
CN102800212A (zh) | 一种物联网环境下的智能泊车系统 | |
CN114419924B (zh) | 一种基于智慧城市的ai应用控制管理系统 | |
Glushkov et al. | Analysis of the intersection throughput at changes in the traffic flow structure | |
JP2003085687A (ja) | 交差点間走行所要時間推定装置 | |
CN109658731B (zh) | 一种立体停车场控制方法 | |
JP2002297833A (ja) | 交通検証システム,交通検証装置,交通検証方法,プログラム並びにデータ記録媒体 | |
Singh et al. | An enhanced vehicle parking management using artificial intelligence | |
CN115294791A (zh) | 一种智慧城市用智能交通引导系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 |
Granted publication date: 20200211 Termination date: 20200727 |
|
CF01 | Termination of patent right due to non-payment of annual fee |