CN108986527A - 一种停车位引导方法、装置、系统及电子设备 - Google Patents
一种停车位引导方法、装置、系统及电子设备 Download PDFInfo
- Publication number
- CN108986527A CN108986527A CN201810784619.4A CN201810784619A CN108986527A CN 108986527 A CN108986527 A CN 108986527A CN 201810784619 A CN201810784619 A CN 201810784619A CN 108986527 A CN108986527 A CN 108986527A
- Authority
- CN
- China
- Prior art keywords
- information
- parking
- parking stall
- target vehicle
- vehicle
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及信息处理技术领域,尤其涉及一种停车位引导方法,所述方法包括:接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,并基于所述图像信息,获取所述目标车辆的车辆信息;根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位;根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。通过本申请实施例提供的停车位引导方案,可以结合目标车辆及停车场车位的实际情况,为目标车辆提供停车位及停车位引导路线。本申请实施例还提供了一种停车位引导装置、系统及电子设备。
Description
技术领域
本申请涉及信息处理技术领域,尤其涉及一种停车位引导方法、装置、系统及电子设备。
背景技术
随着社会的发展,目标车辆已经成为人们不可或缺的代步工具,随着目标车辆数量的不断增加,停车的压力也日益增大。目前,大部分停车场是通过车位下方预埋的地磁、通信模块,或者车位上方放置的红外感应装置,来确定停车位是否空闲。在目标车辆进入停车场时,可以通过屏幕提示空闲停车位的位置,进而引导目标车辆停车。
但是,现有的停车位引导方案,在目标车辆进入停车场后,停车位的位置及停车位的引导路线就确定了,如果目标车辆未按照既定的停车位引导线路行车,就不能实时为目标车辆安排合适的停车位及引导路线,从而不能为目标车辆提供有效的路线引导。同时,在为目标车辆选择停车位时,也没有根据目标车辆及驾驶员的实际情况为目标车辆选择合适的车位,如车位太小不适合大型目标车辆或新手驾驶的目标车辆等情况。
发明内容
有鉴于此,本申请实施例提供一种停车位引导方法、装置、系统及电子设备,用以根据目标车辆及驾驶员的实际情况为目标车辆提供适合的停车位及停车位引导路线。
本申请实施例提供了一种停车位引导方法,应用于边缘计算服务器,所述方法包括:
接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,并基于所述图像信息,获取所述目标车辆的车辆信息;
根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位;
根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
上述技术方案中,根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位,包括:
将所述车辆信息在多种维度下的特征分别输入所述车位匹配模型,得到与所述车辆信息匹配的车位属性信息;
从所述当前空闲车位信息所指示的空闲车位中,选择符合所述匹配的车位属性信息的空闲车位。
上述技术方案中,所述方法还包括:
获取所述停车场内已经开放的停车区域的空闲车位信息,并基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前所述停车场的车流量信息;
根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域;
根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
上述技术方案中,所述根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域,包括:
根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,判断所述停车场内已经开放的停车区域的空闲车位是否能够满足当前预测的车流量;
若不能,则确定当前需要增加开放的停车区域。
上述技术方案中,所述方法还包括:
实时获取当前所述停车场的车流量信息,并将当前所述停车场的车流量信息上传至云计算系统;
利用所述云计算系统周期性反馈的调整后的特征参数,更新所述车流量预测模型。
上述技术方案中,所述根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线,包括:
根据所述目标车辆当前所在的位置信息以及确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供到达所述匹配的空闲车位的停车位引导路线;
在为所述目标车辆提供匹配的停车位引导路线之后,还包括:
若确定所述目标车辆的行车路线偏离所述停车位引导路线,则根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的调整后的空闲车位,并根据所述调整后的空闲车位,为所述目标车辆提供调整后的停车位引导路线。
上述技术方案中,所述车辆信息包括所述目标车辆当前所在的位置信息;基于所述图像信息,获取所述目标车辆的当前所在的位置信息,包括:
提取所述图像信息中的标志性特征;
基于所述标志性特征,以及预存的停车场内标志性特征的位置信息,确定所述目标车辆当前所在的位置信息。
上述技术方案中,基于所述图像信息,获取所述目标车辆的车辆信息和驾驶员信息,包括:
在所述图像信息中提取所述目标车辆的车牌号及所述目标车辆的驾驶员图像;
根据所述车牌号及所述驾驶员图像获取所述目标车辆的车辆信息和驾驶员信息;其中,所述车辆信息包括车辆型号信息,所述驾驶员信息包括驾驶员性别和/或驾驶员驾龄信息。。
本申请实施例还提供了一种停车位引导装置,应用于边缘计算服务器,所述装置包括:获取模块、确定模块和处理模块;其中,
所述获取模块,用于接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,并基于所述图像信息,获取所述目标车辆的车辆信息;
所述确定模块,用于根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位;
所述处理模块,用于根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
上述技术方案中,所述确定模块具体用于:
将所述车辆信息在多种维度下的特征分别输入所述车位匹配模型,得到与所述车辆信息匹配的车位属性信息;从所述当前空闲车位信息所指示的空闲车位中,选择符合所述匹配的车位属性信息的空闲车位。
上述技术方案中,所述装置还包括:
控制模块,用于获取所述停车场内已经开放的停车区域的空闲车位信息,并基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前所述停车场的车流量信息;根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域;根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
本申请实施例还提供了一种停车位引导系统,所述系统包括:安装在停车场内的摄像装置及边缘计算服务器;其中,
所述摄像装置,用于采集进入停车场的目标车辆的图像信息,并将采集的图像信息传输给所述边缘计算服务器;
所述边缘计算服务器,用于接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,基于所述图像信息,获取所述目标车辆的车辆信息,并根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位,根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
上述技术方案中,所述系统还包括:安装在每个停车位上的地磁传感器;
所述地磁传感器,用于检测所在停车位的停车状态,并将检测结果传输给所述边缘计算服务器;
所述边缘计算服务器,具体用于基于所述地磁传感器的检测结果,确定当前的空闲车位信息。
上述技术方案中,所述系统还包括:地磁信号接收器;
所述地磁传感器具体用于将所述检测结果通过所述地磁信号接收器传输给所述边缘计算服务器。
上述技术方案中,所述系统还包括:显示屏;
所述边缘计算服务,还用于将为所述目标车辆提供的停车位引导路线发送至所述显示屏进行显示。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述可能的实施方式中的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述可能的实施方式中的步骤。
采用上述方案,可以通过在停车场部署的摄像装置,获取进入停车场的目标车辆的图像信息,并基于目标车辆的图像信息,获取目标车辆的车辆信息,进而可以根据目标车辆的车辆信息、当前的空闲车位信息以及预先通过机器学习训练得到的车位匹配模型,确定与目标车辆的车辆信息匹配的空闲车位,根据确定的空闲车位,可以为目标车辆提供匹配的停车位引导路线。这样,利用目标车辆的图像信息,可以得到目标车辆的车辆信息,从而可以结合目标车辆及停车场车位的实际情况,为目标车辆提供合适的停车位及停车位引导路线,可以为驾驶员寻找停车位以及在停车位停车提供便利。
为使本申请实施例的上述目的、特征和优点能更明显易懂,下面将结合实施例,并配合所附附图,作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的停车位引导方法的流程图;
图2示出了本申请实施例所提供的推荐停车位引导路线的流程图;
图3示出了本申请实施例所提供的停车位实时切换过程的流程图;
图4示出了本申请实施例所提供的确定开放的停车区域的流程图;
图5示出了本申请实施例所提供的控制停车场分区域开放过程的流程图;
图6示出了本申请实施例所提供的停车位引导方法的具体流程图;
图7示出了本申请实施例所提供的停车位引导装置的结构图;
图8示出了本申请实施例所提供的停车位引导系统的结构图;
图9示出了本申请实施例所提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例下述方法、装置、电子设备或计算机存储介质可以应用于任何需要对停车位进行路线引导的场景,比如,可以应用于停车场、社区等。本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的方法对停车位进行引导的方案均在本申请保护范围内。
在具体实施中,本申请实施例提供的停车位引导方法可以应用于边缘计算服务器中。这里,边缘计算是指在靠近数据源的网络边缘侧,采用网络、计算、存储、应用核心能力为一体的开放平台,为服务对象就近提供最近端服务。边缘计算与云计算的重要区别之一在于:边缘计算采用分布式计算架构,将数据分散在靠近数据源的近端设备进行处理,而不是把所有数据回传云端进行处理,具有实时性、效率高、延迟短等特性,并且边缘计算还可以在没有网络或网络不佳的情况下为服务对象提供计算能力。边缘计算服务器相较于普通服务器而言,边缘计算服务器可以支持分布式部署,可以具备以下三个能力:采集边缘数据、智能运算能力和可执行决策反馈。
本申请实施例中,边缘计算服务器可以通过在停车场部署的摄像装置,获取进入停车场的目标车辆的图像信息,并根据由图像信息获取的目标车辆的车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位,进而可以结合目标车辆及停车场车位的实际情况,确定适合目标车辆的停车位,并向目标车辆提供相应的停车位引导路线。与目前为目标车辆的提供既定的停车位引导路线的方案相比,可以结合目标车辆的行驶路线等车辆信息,实时调整停车位引导路线,并且可以结合目标车辆的车辆型号、驾驶员驾龄等信息,为目标车辆提供合适的停车位及停车位引导路线,如为目标车辆提供停车位大小匹配车辆大小的停车位,为驾驶员寻找停车位以及在停车位停车提供便利。下述实施例将会对停车位引导过程作详细说明。
本申请实施例提供的一种停车位引导方法的基本流程如图1所示,包括:
S101:接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,并基于所述图像信息,获取所述目标车辆的车辆信息。
在具体实施中,边缘计算服务器可以接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息。停车场中可以部署多个摄像装置,从而可以利用摄像装置对停车场内的目标车辆进行实时监控。每个摄像装置的拍摄视野可以重合,这样可以对目标车辆进行多角度地拍摄,从而可以准确地从目标车辆的图像信息中提取目标车辆的相关信息。
这里,停车场可以包括多个的停车区域,每个停车区域的入口处可以设置有入口闸门,通过入口闸门的开关可以控制相应的停车区域的开放状态。其中每个停车区域中的停车位布局可以不同,例如,停车区域A均设置大型停车位,停车区域B均设置小型停车位,或者,停车区域A设置大型和小型的混合停车位,停车区域B设置中型停车位,这样,边缘计算服务器可以根据停车区域的编号确定停车区域中停车位的布局。每个停车区域的停车位布局也可以相同,即每个停车区域均设置大型、中型和小型停车位,这样可以节省停车场空间及成本,如在需要停车的目标车辆较少的情况,仅开放一个停车区域就可以满足不同车型的目标车辆的需求。
在一些实施例中,边缘计算服务器中可以部署有视频流收集OpenCV软件、开源消息Apache KafKa软件、视频流处理Apache Spark软件,OpenCV用于接收摄像装置传输的包括目标车辆图像信息的视频数据流,并将视频流数据进行帧序列化,形成目标车辆的图像帧数据流。Apache KafKa用于将目标车辆的图像帧数据流缓存在可容错数据队列中。Apache Spark用于对KafKa缓存的目标车辆的图像帧数据流进行分析处理,例如为收到的图像帧数据流进行分区等,如将目标车辆的车牌号的图像帧数据流划分为一个区,这样可以方便获取某个主题(目标车辆的车牌号)的相关数据。
在具体实施中,边缘计算服务器可以基于摄像装置拍摄的图像信息,在图像信息中提取目标车辆的车牌号,进而可以根据目标车辆的车牌号,在车辆信息库中获取与目标车辆的车牌号对应的车辆信息。这里,车辆信息可以包括车辆型号信息、车龄信息等。该车辆信息还可以包括目标车辆的位置信息,边缘计算服务器可以从目标车辆的图像信息中获取目标车辆的位置信息。一些实施方式中,车辆信息还可以包括驾驶员信息,如可以包括驾驶员的性别、年龄、驾龄及违章信息等。此外,边缘计算服务器还可以根据目标车辆的图像信息中提取驾驶员图像,并根据驾驶员图像确定驾驶员信息,如驾驶员性别、年龄等。这样,边缘计算服务器可以根据目标车辆实际情况为目标车辆选择停车位。
这里,边缘计算服务器在根据目标车辆的图像信息,获取目标车辆的车辆信息时,可以利用训练好的车辆人物模型获取目标车辆的车辆信息。边缘计算服务器可以部署开源机器学习框架Google tensorflow软件,并选择深度神经网络模型,将采集的目标车辆的历史图像信息以及对应的历史车辆信息输入深度神经网络模型,进行模型训练后得到车辆模型,将采集的目标车辆的历史图像信息输入深度神经网络模型,进行模型训练后得到人物模型。在得到训练好的车辆人物模型之后,可以不断将采集的目标车辆的历史图像信息以及对应的车辆信息导入训练好的模型中,验证车辆模型和人物模型的准确性,从而可以动态地调整车辆人物模型的模型参数,得到更优的车辆人物模型。
S102:根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位。
在具体实施中,边缘计算服务器可以根据获取的目标车辆的车辆信息以及停车场当前的空闲车位信息以及预先通过机器学习训练得到的车位匹配模型,在当前空闲的停车位中为目标车辆选择匹配目标车辆信息及驾驶员信息的停车位。
这里,在确定与车辆信息匹配的空闲车位时,可以将车辆信息在多种维度下的特征分别输入车位匹配模型,得到与所述车辆信息匹配的车位属性信息,然后可以从当前空闲车位信息所指示的空闲车位中,选择符合所述匹配的车位属性信息的空闲车位。其中的车位匹配模型可以为历史车辆信息及与历史车辆信息匹配的车位属性信息输入至机器学习模型经过训练得到的。
S103:根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
在具体实施中,边缘计算服务器在确定选择的停车位之后,可以根据目标车辆的当前位置及确定的停车位的位置,生成由目标车辆的当前位置到达确定的停车位的位置的停车位引导路线,并向目标车辆提供生成的停车位引导路线。例如,边缘计算服务器可以根据目标车辆的车辆型号信息,在确定目标车辆为大型车辆时,为目标车辆选择大型停车位,向目标车辆提供到达该大型停车位的停车位引导路线;边缘计算服务器在确定目标车辆为小型车辆,但是根据目标车辆的驾驶员的驾龄信息,确定驾驶员为新手或年纪较大的驾驶员时,可以为目标车辆选择中型停车位,并为目标车辆提供到达该中型车位的停车位引导路线。
一些实施方式中,边缘计算服务器可以根据目标车辆的位置信息实时对停车位引导路线进行调整。具体如,如果目标车辆没有按照推荐的停车位引导路线进行行驶,或者确定目标车辆的行车路线偏离停车位引导路线,边缘计算服务器则可以根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,为目标车辆确定与车辆信息匹配的调整后的空闲车位,并根据调整后的空闲车位,生成调整后的停车引导路线,并将调整后的停车位引导路线推荐给目标车辆,实现停车位的实时切换及停车位引导路线的实时调整。
这里,目标车辆的车辆信息可以包括目标车辆当前所在的位置信息。边缘计算服务器在获取目标车辆的当前所在的位置信息时,可以在目标车辆的图像信息中提取标志性特征,如车位牌、建筑物等标志性特征,进而可以基于标志性特征,以及预存的停车场内标志性特征的位置信息,确定目标车辆当前所在的位置信息。
这里,在向目标车辆提供停车位引导路线时,可以通过停车场内部署的显示屏向目标车辆的驾驶员进行显示。停车场的停车区域中可以部署多个显示屏,从而边缘计算服务器可以实时为目标车辆推荐车辆引导路线,同时驾驶员也可以实时通过显示屏获取车辆引导路线。如果存在多个目标车辆,显示屏可以在不同的显示区域内显示不同目标车辆的车牌号及相应的停车位引导路线,目标车辆可以通过车牌号得到自身的停车位引导路线。在停车位进行设置时,可以不局限于上述提到的三种停车位类性(大型、中型、小型),可以根据实际情况进行多种的停车位类性设置,如根据停车位的位置为不同的停车位进行分类,如靠墙停车位、普通停车位等。上述提到的大型、中型、小型可以是相对于标准停车位尺寸而言的,如,小型停车位为2.5米宽,5.0至5.5米长。
边缘计算服务器在规划停车位引导路线时,可以利用开源函数计算框架IBMOpenwhisk软件,并设置IBM Openwhisk的触发条件,例如根据目标车辆的图像帧数据流分析目标车辆行驶路线,并确定目标车辆的行驶路线有误的触发条件,如将目标车辆的位置信息达到停车位引导路线的最近距离超出预设值设置为触发条件,并在达到触发条件时,触发IBMOpenwhisk重新规划目标车辆的停车位引导路线。
一些实施方式中,边缘计算服务器还可以通过无线的方式与驾驶员的终端设备进行通信,将规划的停车位路线发送给驾驶员的终端设备,这样,驾驶员可以根据终端设备显示的停车位路线进行行驶。这种方式需要驾驶员预先向边缘计算服务器进行注册及登录,在注册和登录时,可以使用目标车辆的车牌号作为通行账号。
采用本申请实施例提供的停车位引导方法,一方面,可以综合考虑目标车辆、驾驶人及停车场的实际情况,为目标车辆选择合适的空闲车位,并为驾驶员推荐合适的停车位引导路线,为驾驶员寻找停车位以及在停车位停车提供便利;另一方面,还可以实时根据目标车辆的位置为目标车辆选择合适的空闲车位,即使目标车辆未按照推荐的停车位引导路线进行行驶,可以重新为目标车辆提供新的停车位引导路线,使目标车辆可以随时获取停车位引导路线,为驾驶员停车提供便利。
如图2所述,上述边缘计算服务器可以通过以下步骤推荐停车位引导路线:
S201:在所述空闲车位信息指示的空闲车位中,查找与所述目标车辆的车辆信息匹配的空闲车位。
这里,边缘计算服务器可以根据停车位的地磁信号,判断开放的停车区域中停车位的空闲状态,确定当前停车场内的空闲车位信息。每个停车位上可以设置地磁传感器,地磁传感器可以实时发送相应停车位的地磁信号,存在车辆的车位的地磁信号与空闲车位的地磁信号不同,从而边缘计算服务器可以根据停车位的地磁信号获取当前停车场内的空闲车位信息。地磁传感器还可以将停车位编号与地磁信号一同发送,这样,边缘计算服务器可以根据停车位编号及地磁信号,确定接收的地磁信号所属的停车位。
在具体实施中,边缘计算服务器可以在确定空闲停车位之后,查找匹配目标车辆的车辆信息及驾驶员信息的推荐停车位。如果查找到多个匹配目标车辆的空闲车位,则可以在多个空闲车位中随机选择一个停车位作为最终的空闲车位,还可以根据目标车辆当前的位置信息,在多个推荐停车位中选择距离目标车辆最近的空闲车位作为最终的空闲车位。如果在当前开放的停车区域中未查找到匹配目标车辆的空闲车位,则可以在当前开放的停车区域中选择适合目标车辆型号的停车位或大于目标车辆型号的空闲车位,或者在当前关闭的停车场区域内,为目标车辆选择匹配目标车辆的空闲车位,并开启推荐停车位所在的停车场区域。
S202:根据目标车辆当前所在的位置信息以及确定的与车辆信息匹配的空闲车位的位置信息,为所述目标车辆提供到达确定的空闲车位的停车位引导路线。
在具体实施中,边缘计算服务器可以通过目标车辆的图像信息确定目标车辆当前所在的位置信息,并根据目标车辆当前所在的位置信息以及推荐停车位的位置信息,生成由目标车辆当前所在的位置到达确定的空闲车位的位置停车位引导路线,并推荐给目标车辆。
这里,边缘计算服务器在生成停车位引导路线时,可以通过距离优先原则,选择距离最短的路线生成停车位引导路线,这种方式可能要求驾驶员具有较好驾驶技能,因此在通过距离优先原则生成停车位引导路线需要结合驾驶员信息。边缘计算服务器还可以通过通行便利优先原则,选择通行便利的路线生成停车位引导路线,这种方式可能增加目标车辆的行驶距离。
一些实施例中,如果目标车辆的驾驶员通过终端设备与边缘计算服务器进行通信,则边缘计算服务器可以直接获取目标车辆当前的位置信息。如果目标车辆的驾驶员通过终端设备与边缘计算服务器进行通信,驾驶员可以在移动终端上输入自身的驾驶熟练度、身体状况、停车位偏好等信息,这样,边缘计算服务器可以根据驾驶员输入的信息为目标车辆选择满足驾驶员要求的停车位,并向驾驶员提供相应的停车位引导路线。
采用上述为目标车辆提供匹配的停车位引导路线的方式,可以在结合目标车辆当前的位置信息,在停车场内空闲停车位中选择适合目标车辆的停车位,并结合目标车辆当前所在的位置信息,为目标车辆实时提供停车位引导路线。
如图3所示,本申请实施例还提供了停车位实时切换的过程,可以包括以下步骤:
S301:目标车辆在停车场中行驶,寻找合适的停车位。
S302:停车场的摄像装置实时采集目标车辆的图像信息,并将目标车辆的图像信息上传至边缘计算服务器。
S303:边缘计算服务器根据目标车辆的图像信息,获取目标车辆的位置信息并对目标车辆的行车路线进行实时分析,如果确定目标车辆的行车路线有误,则实时切换停车位,并重新生成新的停车位引导路线,发送至显示屏。
S304:显示屏显示新的停车位引导路线。
通过上述停车位实时切换的过程,边缘计算服务器可以实时根据目标车辆的位置为目标车辆选择合适的停车位,即使目标车辆未按照推荐的停车位引导路线进行行驶,可以重新为目标车辆提供新的停车位引导路线,使目标车辆可以随时获取停车位引导路线,为驾驶员停车提供便利。
本申请实施例中,边缘计算服务器还可以实时确定当前需要开放的停车区域。如图4所示,确定开放的停车区域可以包括以下步骤:
S401:获取所述停车场内已经开放的停车区域的空闲车位信息,并基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前所述停车场的车流量信息。
在具体实施中,边缘计算服务器可以根据停车位的地磁信号,获取停车场内已经开放的停车区域的空闲车位信息。在获取当前预测的车流量信息时,可以基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前停车场的车流量信息。车流量预测模型可以为根据历史车流量信息及历史车流量信息对应的时间点训练得到的机器学习模型,在车流量预测模型训练时,可以将当天之前第一时间点的历史车流量信息以及第一时间点作为车流量预测模型的输入变量,将当天第一时间点的历史车流量信息作为输出变量,对车流量预测模型进行训练。在利用训练出的车流量预测模型预测当前车流量信息时,可以将之前时间点与当前时间点一致的历史时间点的历史车流量信息,输入车流量预测模型,进而车流量预测模型可以输出当前时间点的车流量信息。例如,可以将2018年6月7日之前每天10:00-12:00的历史车流量信息输入车流量预测模型,可以预测得到2018年6月7日10:00-12:00的车流量信息。
这里,边缘计算服务器在构建车流量预测模型时,可以部署ApacheHadoop开源大数据框架软件,进而可以将不同时间以及不同时段历史车流量信息的采集数据导入到Hadoop软件中的分布式数据库,Hadoop软件可以对历史车流量信息进行统计以及分析,并对针对采集数据进行挖掘,对车流量预测模型进行训练,进而可以利用训练后的车流量预测模型预测不同时间及不同时段的车流量,动态调整停车场的分区域开放。
在一些实施方式中,边缘计算服务器在对停车场的车流量进行预测的同时,还可以实时获取当前停车场的车流量信息,并将当前停车场的车流量信息上传至云计算系统。云计算系统可以接收多个停车程的车流量信息,从而可以通过对车流量信息进行分析来调整上述车流量预测模型中的特征参数。这里的特征参数可以为车流量预测模型在预测车流量过程中使用的参数。云计算系统可以周期性地向边缘计算服务器反馈调整后的特征参数,边缘计算服务器可以根据接收的调整后的特征参数对车流量预测模型进行调整,从而利用更加准确的车流量预测模型预测停车场的车流量信息。
S402:根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域。
在具体实施中,边缘计算服务器可以根据停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,判断停车场内已经开放的停车区域的空闲车位是否能够满足当前预测的车流量。如果当前停车场内已经开放的停车区域的空闲车位可以满足当前预测的车流量,则可以维持当前开放的停车区域。如果当前停车场内已经开放的停车区域的空闲车位不能满足当前预测的车流量,则确定当前需要增加开放的停车区域。
S403:根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
这里,边缘计算服务器可以向停车区域的入口闸门发送控制信号,控制停车区域的入口闸门根据确定的当前需要开放的停车区域,开放入口闸门。
采用本申请实施提供的确定开放的停车区域的方案,可以结合预测的车流量与实际的车流量确定停车场当前开放的停车区域,进而可以根据停车场内空闲车位的情况,对当前开放的停车区域进行调整,减少停车场的资源损耗,实现停车场的停车区域的智能管理。
本申请实施例提供的控制停车场分区域开放的过程如图5所示,包括:
S501:地磁传感器对停车位进行检测,向地磁信号接收器发送地磁信号及停车位编号;
S502:地磁信号接收器向边缘计算服务器发送地磁信号和停车位编号;
S503:边缘计算服务器接收多个地磁信号接收器发送的地磁信号和停车位编号,根据汇总的地磁信号和停车位编号,确定每个开放的停车区域的空闲车位信息,然后结合空闲车位信息及当前预测的车流量信息,确定当前需要开放的停车区域,并发送控制信号指示停车场分区域开放。
S504:停车区域的入口闸门根据边缘计算服务器的控制信号进行确定开放状态,并根据确定的开放状态进行开发或关闭。
采用本申请实施提供的确定开放的停车区域的方案,可以结合预测的车流量与实际的车流量确定停车场当前开放的停车区域,进而可以根据停车场内空闲车位的情况,对当前开放的停车区域进行调整,减少停车场的资源损耗,实现停车场的停车区域的智能管理。
本申请实施例提供的停车位引导方法的具体流程如图6所示,包括以下步骤:
S601:目标车辆进入停车场。
这里,边缘计算服务器可以根据当前实际的车辆量以及当前预测的车流量,在停车场的停车区域中选择一个或多个停车位区域进行开放。
S602:停车场的摄像装置实时采集目标车辆的图像信息,并将目标车辆的图像信息上传至边缘计算服务器。
这里,停车场中可以设置有多个摄像装置,进而边缘计算服务器可以根据摄像装置拍摄的图像信息实时监测目标车辆的动态。
S603:边缘计算服务器根据目标车辆的图像信息,获取目标车辆的车辆信息。
在具体实施中,边缘计算服务器可以在目标车辆的图像信息中提取目标车辆的车牌号,并利用目标车辆的车牌号,在车辆信息库中查找与目标车辆的车牌号对应的车辆信息。这里,目标车辆的车辆信息可以由经过训练的车辆人物模型利用机器学习技术经过训练得到的。目标车辆的车辆信息可以包括驾驶员信息、车辆型号信息、出厂时间信息、车龄信息及损耗程度信息。其中的驾驶员信息可以包括驾驶员的性别、年龄、驾龄、违章信息、驾驶员停车位偏好等信息。
S604:边缘计算服务器根据目标车辆的车辆信息,利用车位匹配模型确定匹配目标车辆的停车位,并为所述目标车辆提供匹配的停车位引导路线。
这里,边缘计算服务器可以根据获取的目标车辆的车辆信息,结合当前的空闲车位信息,利用车位匹配模型为目标车辆选择匹配目标车辆信息的空闲车位。在确定选择的空闲车位之后,可以根据目标车辆的当前位置及确定的空闲车位的位置,生成由目标车辆的当前位置到达确定的空闲车位的位置的停车位引导路线,并将生成的车位引导路线传输给停车场的显示屏以展示给目标车辆。
S605:边缘计算服务器根据目标车辆的图像信息,实时获取目标车辆的位置信息,并根据目标车辆的位置信息确定目标车辆的行驶路线。
这里,边缘计算服务器可以根据目标车辆的图像信息实施获取目标车辆的位置信息,并根据目标车辆的位置信息确定目标车辆的行驶路线。
S606:边缘计算服务器在确定目标车辆的行车路线偏离停车位引导路线时,则根据目标车辆当前的位置信息、当前的空闲车位信息以及所述目标车辆的车辆信息,重新利用车位匹配模型确定匹配目标车辆的空闲车位,并基于新的空闲车位的位置信息,调整停车位引导路线。
在具体实施中,边缘计算服务器如果目标车辆没有按照推荐的停车位引导路线进行行驶,或者确定目标车辆的行车路线偏离停车位引导路线,边缘计算服务器则可以根据目标车辆当前的位置信息,以及所述目标车辆的车辆信息,重新为目标车辆选择匹配目标车辆的车辆信息的空闲车位,为目标车辆确定匹配的调整后的停车位引导路线,生成调整后的停车引导路线。
S607:向显示屏发送调整后的停车位引导路线,以引导目标车辆按照调整后的停车位引导路线进行行驶。
采用本申请实施例提供的停车位引导方法,一方面,可以综合考虑目标车辆及驾驶人的实际情况,为目标车辆选择合适的空闲车位,并为驾驶员推荐合适的停车位引导路线,为驾驶员寻找停车位以及在停车位停车提供便利;另一方面,还可以实时根据目标车辆的位置为目标车辆选择合适的空闲车位,即使目标车辆未按照推荐的停车位引导路线进行行驶,可以重新为目标车辆提供新的停车位引导路线,使目标车辆可以随时获取停车位引导路线,为驾驶员停车提供便利。
如图7所示,本申请实施例还提供了一种停车位引导装置70,可以应用于边缘计算服务器中,所述装置包括:获取模块71、确定模块72和处理模块73;其中,
所述获取模块71,用于接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,并基于所述图像信息,获取所述目标车辆的车辆信息;
所述确定模块72,用于根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位;
所述处理模块73,用于根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
采用上述停车位引导装置70,可以通过在停车场部署的摄像装置,获取进入停车场的目标车辆的图像信息,再基于目标车辆的图像信息,获取目标车辆的车辆信息,进而可以根据目标车辆的车辆信息当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,为目标车辆确定与车辆信息匹配的空闲车位,并根据确定的空闲车位,为目标车辆提供匹配的停车位引导路线。这样,利用目标车辆的图像信息,可以得到目标车辆的车辆信息,从而可以结合目标车辆、驾驶员及停车场的实际情况,为目标车辆提供合适的停车位及停车位引导路线,可以为驾驶员寻找停车位以及在停车位停车提供便利。
在具体实施例中,所述确定模块72,具体用于将所述车辆信息在多种维度下的特征分别输入所述车位匹配模型,得到与所述车辆信息匹配的车位属性信息;从所述当前空闲车位信息所指示的空闲车位中,选择符合所述匹配的车位属性信息的空闲车位。
进一步地,所述装置70还包括:
控制模块74,用于获取所述停车场内已经开放的停车区域的空闲车位信息,并基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前所述停车场的车流量信息;根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域;根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
所述确定模块72,具体用于根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,判断所述停车场内已经开放的停车区域的空闲车位是否能够满足当前预测的车流量;若不能,则确定当前需要增加开放的停车区域。
所述处理模块73,还用于实时获取当前所述停车场的车流量信息,并将当前所述停车场的车流量信息上传至云计算系统;利用所述云计算系统周期性反馈的调整后的特征参数,更新所述车流量预测模型。
所述处理模块73,具体用于根据所述目标车辆当前所在的位置信息以及确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供到达所述匹配的空闲车位的停车位引导路线;
在为所述目标车辆提供匹配的停车位引导路线之后,所述处理模块73,还用于若确定所述目标车辆的行车路线偏离所述停车位引导路线,则根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的调整后的空闲车位,并根据所述调整后的空闲车位,为所述目标车辆提供调整后的停车位引导路线。
进一步地,所述车辆信息包括所述目标车辆当前所在的位置信息;所述处理模块73,具体用于提取所述图像信息中的标志性特征;基于所述标志性特征,以及预存的停车场内标志性特征的位置信息,确定所述目标车辆当前所在的位置信息。
进一步地,所述获取模块71,具体用于在所述图像信息中提取所述目标车辆的车牌号及所述目标车辆的驾驶员图像;根据所述车牌号及所述驾驶员图像获取所述目标车辆的车辆信息和驾驶员信息;其中,所述车辆信息包括车辆型号信息,所述驾驶员信息包括驾驶员性别和/或驾驶员驾龄信息。
采用本申请提供的停车位引导装置70,一方面,可以综合考虑目标车辆、驾驶人及停车场的实际情况,为目标车辆选择合适的空闲车位,并为驾驶员推荐合适的停车位引导路线,为驾驶员寻找停车位以及在停车位停车提供便利。另一方面,还可以实时根据目标车辆的位置为目标车辆选择合适的空闲车位,即使目标车辆未按照推荐的停车位引导路线进行行驶,可以重新为目标车辆提供新的停车位引导路线,使目标车辆可以随时获取停车位引导路线,为驾驶员停车提供便利。
本申请实施例还提供了一种停车位引导系统80,如图8所示,所述系统包括:安装在停车场内的摄像装置81及边缘计算服务器82;其中,
所述摄像装置81,用于采集进入停车场的目标车辆的图像信息,并将采集的图像信息传输给所述边缘计算服务器82;
所述边缘计算服务器82,用于接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,基于所述图像信息,获取所述目标车辆的车辆信息,并根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位,根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
在具体实施中,所述系统80还包括:安装在每个停车位上的地磁传感器83;
所述地磁传感器83,用于检测所在停车位的停车状态,并将检测结果传输给所述边缘计算服务器;
所述边缘计算服务器82,用于基于所述地磁传感器83的检测结果,确定所述停车场内已经开放的停车区域的空闲车位信息,基于所述空闲车位信息以及当前预测的车流量信息,确定当前需要开放的停车区域,并根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
进一步地,所述系统80还包括:地磁信号接收器84;
所述地磁传感器具体用于将所述检测结果通过所述地磁信号接收器传输给所述边缘计算服务器。
所述系统80还包括:显示屏85;
所述边缘计算服务,还用于将为所述目标车辆提供的停车位引导路线发送至所述显示屏85进行显示。
进一步地,所述边缘计算服务器82,具体用于将所述车辆信息在多种维度下的特征分别输入所述车位匹配模型,得到与所述车辆信息匹配的车位属性信息;从所述当前空闲车位信息所指示的空闲车位中,选择符合所述匹配的车位属性信息的空闲车位。
所述边缘计算服务器82,还用于获取所述停车场内已经开放的停车区域的空闲车位信息,并基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前所述停车场的车流量信息;根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域;根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
具体用户根据以下步骤确定当前需要开放的停车区域:
根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,判断所述停车场内已经开放的停车区域的空闲车位是否能够满足当前预测的车流量;
若不能,则确定当前需要增加开放的停车区域。
所述边缘计算服务器82,还用于实时获取当前所述停车场的车流量信息,并将当前所述停车场的车流量信息上传至云计算系统;利用所述云计算系统周期性反馈的调整后的特征参数,更新所述车流量预测模型。。
所述边缘计算服务器82,具体用于根据所述目标车辆当前所在的位置信息以及确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供到达所述匹配的空闲车位的停车位引导路线;
若确定所述目标车辆的行车路线偏离所述停车位引导路线,则根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的调整后的空闲车位,并根据所述调整后的空闲车位,为所述目标车辆提供调整后的停车位引导路线。
边缘计算服务器82,具体用于提取所述图像信息中的标志性特征;基于所述标志性特征,以及预存的停车场内标志性特征的位置信息,确定所述目标车辆当前所在的位置信息。
所述边缘计算服务器82,具体用于在所述图像信息中提取所述目标车辆的车牌号及所述目标车辆的驾驶员图像;根据所述车牌号及所述驾驶员图像获取所述目标车辆的车辆信息和驾驶员信息;其中,所述车辆信息包括车辆型号信息,所述驾驶员信息包括驾驶员性别和/或驾驶员驾龄信息。
采用本申请提供的停车位引导系统80,一方面,可以综合考虑目标车辆及停车场的实际情况,为目标车辆选择合适的空闲车位,并为驾驶员推荐合适的停车位引导路线,为驾驶员寻找停车位以及在停车位停车提供便利。另一方面,还可以实时根据目标车辆的位置为目标车辆选择合适的空闲车位,即使目标车辆未按照推荐的停车位引导路线进行行驶,可以重新为目标车辆提供新的停车位引导路线,使目标车辆可以随时获取停车位引导路线,为驾驶员停车提供便利。
本申请实施例还提供了一种边缘计算服务器90的结构示意图,如图9所示,包括:处理器91、存储器92和总线93;
所述存储器存储92有所述处理器91可执行的机器可读指令(比如,图7中的获取模块71、确定模块72和处理模块73对应的执行指令),当电子设备运行时,所述处理器91与所述存储器92之间通过总线93通信,所述机器可读指令被所述处理器91执行时执行如下处理:
接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,并基于所述图像信息,获取所述目标车辆的车辆信息;
根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位;
根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
在具体实施中,上述处理器91执行的处理中,根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位,包括:
将所述车辆信息在多种维度下的特征分别输入所述车位匹配模型,得到与所述车辆信息匹配的车位属性信息;
从所述当前空闲车位信息所指示的空闲车位中,选择符合所述匹配的车位属性信息的空闲车位。
在具体实施中,上述处理器91执行的处理中,所述方法还包括:
获取所述停车场内已经开放的停车区域的空闲车位信息,并基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前所述停车场的车流量信息;
根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域;
根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
在具体实施中,上述处理器91执行的处理中,所述根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域,包括:
根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,判断所述停车场内已经开放的停车区域的空闲车位是否能够满足当前预测的车流量;
若不能,则确定当前需要增加开放的停车区域。
在具体实施中,上述处理器91执行的处理中,所述方法还包括:
实时获取当前所述停车场的车流量信息,并将当前所述停车场的车流量信息上传至云计算系统;
利用所述云计算系统周期性反馈的调整后的特征参数,更新所述车流量预测模型。
在具体实施中,上述处理器91执行的处理中,所述根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线,包括:
根据所述目标车辆当前所在的位置信息以及确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供到达所述匹配的空闲车位的停车位引导路线;
在为所述目标车辆提供匹配的停车位引导路线之后,还包括:
若确定所述目标车辆的行车路线偏离所述停车位引导路线,则根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的调整后的空闲车位,并根据所述调整后的空闲车位,为所述目标车辆提供调整后的停车位引导路线。
在具体实施中,上述处理器91执行的处理中,所述车辆信息包括所述目标车辆当前所在的位置信息;基于所述图像信息,获取所述目标车辆的当前所在的位置信息,包括:
提取所述图像信息中的标志性特征;
基于所述标志性特征,以及预存的停车场内标志性特征的位置信息,确定所述目标车辆当前所在的位置信息。
在具体实施中,上述处理器91执行的处理中,基于所述图像信息,获取所述目标车辆的车辆信息,包括:
在所述图像信息中提取所述目标车辆的车牌号及所述目标车辆的驾驶员图像;
根据所述车牌号及所述驾驶员图像获取所述目标车辆的车辆信息和驾驶员信息;其中,所述车辆信息包括车辆型号信息,所述驾驶员信息包括驾驶员性别和/或驾驶员驾龄信息。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一实施例停车位引导方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述停车位引导方法,从而解决目前不能结合目标车辆及驾驶员的实际情况为目标车辆提供停车位引导路线的问题,进而为驾驶员寻找车位及停车提供便利。
本申请实施例所提供的停车位引导方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种停车位引导方法,其特征在于,应用于边缘计算服务器,所述方法包括:
接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,并基于所述图像信息,获取所述目标车辆的车辆信息;
根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位;
根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
2.根据权利要求1所述的方法,其特征在于,根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位,包括:
将所述车辆信息在多种维度下的特征分别输入所述车位匹配模型,得到与所述车辆信息匹配的车位属性信息;
从所述当前空闲车位信息所指示的空闲车位中,选择符合所述匹配的车位属性信息的空闲车位。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述停车场内已经开放的停车区域的空闲车位信息,并基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前所述停车场的车流量信息;
根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域;
根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
4.根据权利要求3所述的方法,其特征在于,所述根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域,包括:
根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,判断所述停车场内已经开放的停车区域的空闲车位是否能够满足当前预测的车流量;
若不能,则确定当前需要增加开放的停车区域。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
实时获取当前所述停车场的车流量信息,并将当前所述停车场的车流量信息上传至云计算系统;
利用所述云计算系统周期性反馈的调整后的特征参数,更新所述车流量预测模型。
6.根据权利要求1所述的方法,其特征在于,所述根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线,包括:
根据所述目标车辆当前所在的位置信息以及确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供到达所述匹配的空闲车位的停车位引导路线;
在为所述目标车辆提供匹配的停车位引导路线之后,还包括:
若确定所述目标车辆的行车路线偏离所述停车位引导路线,则根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的调整后的空闲车位,并根据所述调整后的空闲车位,为所述目标车辆提供调整后的停车位引导路线。
7.根据权利要求6所述的方法,其特征在于,所述车辆信息包括所述目标车辆当前所在的位置信息;基于所述图像信息,获取所述目标车辆的当前所在的位置信息,包括:
提取所述图像信息中的标志性特征;
基于所述标志性特征,以及预存的停车场内标志性特征的位置信息,确定所述目标车辆当前所在的位置信息。
8.根据权利要求1所述的方法,其特征在于,基于所述图像信息,获取所述目标车辆的车辆信息,包括:
在所述图像信息中提取所述目标车辆的车牌号及所述目标车辆的驾驶员图像;
根据所述车牌号及所述驾驶员图像获取所述目标车辆的车辆信息和驾驶员信息;其中,所述车辆信息包括车辆型号信息,所述驾驶员信息包括驾驶员性别和/或驾驶员驾龄信息。
9.一种停车位引导装置,其特征在于,应用于边缘计算服务器,所述装置包括:获取模块、确定模块和处理模块;其中,
所述获取模块,用于接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,并基于所述图像信息,获取所述目标车辆的车辆信息;
所述确定模块,用于根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位;
所述处理模块,用于根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
10.根据权利要求9所述的装置,其特征在于,所述确定模块具体用于:
将所述车辆信息在多种维度下的特征分别输入所述车位匹配模型,得到与所述车辆信息匹配的车位属性信息;从所述当前空闲车位信息所指示的空闲车位中,选择符合所述匹配的车位属性信息的空闲车位。
11.根据权利要求9所述的装置,其特征在于,所述装置还包括:
控制模块,用于获取所述停车场内已经开放的停车区域的空闲车位信息,并基于与当前时间点匹配的历史车流量信息,以及预先训练出的车流量预测模型,预测当前所述停车场的车流量信息;根据所述停车场内已经开放的停车区域的空闲车位信息,以及当前预测的车流量信息,确定当前需要开放的停车区域;根据确定的当前需要开放的停车区域,控制每个停车区域的入口闸门的开放。
12.一种停车位引导系统,其特征在于,所述系统包括:安装在停车场内的摄像装置及边缘计算服务器;其中,
所述摄像装置,用于采集进入停车场的目标车辆的图像信息,并将采集的图像信息传输给所述边缘计算服务器;
所述边缘计算服务器,用于接收在停车场部署的摄像装置发送的进入所述停车场的目标车辆的图像信息,基于所述图像信息,获取所述目标车辆的车辆信息,并根据所述车辆信息、当前的空闲车位信息、以及预先通过机器学习训练得到的车位匹配模型,确定与所述车辆信息匹配的空闲车位,根据确定的与所述车辆信息匹配的空闲车位,为所述目标车辆提供匹配的停车位引导路线。
13.根据权利要求12所述的系统,其特征在于,所述系统还包括:安装在每个停车位上的地磁传感器;
所述地磁传感器,用于检测所在停车位的停车状态,并将检测结果传输给所述边缘计算服务器;
所述边缘计算服务器,具体用于基于所述地磁传感器的检测结果,确定当前的空闲车位信息。
14.一种边缘计算服务器,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1~7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784619.4A CN108986527A (zh) | 2018-07-17 | 2018-07-17 | 一种停车位引导方法、装置、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784619.4A CN108986527A (zh) | 2018-07-17 | 2018-07-17 | 一种停车位引导方法、装置、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108986527A true CN108986527A (zh) | 2018-12-11 |
Family
ID=64549837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810784619.4A Pending CN108986527A (zh) | 2018-07-17 | 2018-07-17 | 一种停车位引导方法、装置、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986527A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785661A (zh) * | 2019-02-01 | 2019-05-21 | 广东工业大学 | 一种基于机器学习的停车引导方法 |
CN110070642A (zh) * | 2019-03-22 | 2019-07-30 | 天津大学 | 一种基于深度学习的交通事故责任评估方法及装置 |
CN110189545A (zh) * | 2019-06-26 | 2019-08-30 | 广州小鹏汽车科技有限公司 | 车辆的泊车调度方法、装置、存储介质及计算机设备 |
CN110264727A (zh) * | 2019-05-27 | 2019-09-20 | 同济大学 | 面向智慧社区停车应用的多模式自主智能无人系统及方法 |
CN110364022A (zh) * | 2019-07-29 | 2019-10-22 | 恒大智慧科技有限公司 | 车位推送方法、计算机设备及可读存储介质 |
CN110390836A (zh) * | 2019-07-17 | 2019-10-29 | 青岛海尔空调器有限总公司 | 用于引导行驶路线的方法、装置及停车场管理系统 |
CN111310987A (zh) * | 2020-01-23 | 2020-06-19 | 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 |
CN111369779A (zh) * | 2018-12-26 | 2020-07-03 | 北京图森智途科技有限公司 | 一种岸吊区卡车精准停车方法、设备及系统 |
CN111402590A (zh) * | 2019-01-03 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 停车引导方法、装置、车载单元、中心服务器以及系统 |
CN111554095A (zh) * | 2019-02-08 | 2020-08-18 | 丰田自动车株式会社 | 信息处理设备、信息处理方法和程序 |
CN111915926A (zh) * | 2020-08-14 | 2020-11-10 | 中国工商银行股份有限公司 | 停车位智能指引系统及方法 |
WO2020237822A1 (zh) * | 2019-05-28 | 2020-12-03 | 惠州市德赛西威汽车电子股份有限公司 | 一种学习型智能泊车方法及系统 |
CN112149851A (zh) * | 2020-09-18 | 2020-12-29 | 万翼科技有限公司 | 车位预约方法及相关设备 |
CN112509205A (zh) * | 2020-11-25 | 2021-03-16 | 云南电网有限责任公司电力科学研究院 | 一种基于图像识别的园区公共管理智能化联动系统 |
CN112863229A (zh) * | 2020-12-30 | 2021-05-28 | 中兴智能交通股份有限公司 | 一种基于停车设备和技术实现无人值守的系统及其方法 |
CN112950976A (zh) * | 2019-11-26 | 2021-06-11 | 丰田自动车株式会社 | 信息处理装置、信息处理系统及计算机可读取的记录介质 |
CN113327372A (zh) * | 2021-06-08 | 2021-08-31 | 北京市商汤科技开发有限公司 | 充电设备共享方法、装置及信息处理设备 |
CN113362644A (zh) * | 2021-07-14 | 2021-09-07 | 深圳电目科技有限公司 | 车位导航方法、车位导航装置及计算机设备 |
CN113487759A (zh) * | 2021-07-16 | 2021-10-08 | 杭州海康汽车软件有限公司 | 一种停车巡检方法、装置、移动巡逻设备及巡检系统 |
CN113870615A (zh) * | 2021-11-12 | 2021-12-31 | 吉林大学 | 一种基于智慧城市的智能车停车系统及停车方法 |
CN114023098A (zh) * | 2021-10-27 | 2022-02-08 | 海信集团控股股份有限公司 | 一种停车场车辆引导方法及装置 |
CN114255596A (zh) * | 2022-03-01 | 2022-03-29 | 江苏九比特信息系统有限公司 | 一种基于大数据的停车场车位推荐系统及方法 |
CN114881156A (zh) * | 2022-05-12 | 2022-08-09 | 电子科技大学 | 一种w型地磁阵列的多传感器融合决策车辆检测方法 |
CN114973757A (zh) * | 2022-05-17 | 2022-08-30 | 星觅(上海)科技有限公司 | 一种停车引导系统及方法 |
CN114973756A (zh) * | 2022-05-13 | 2022-08-30 | 保利物业服务股份有限公司 | 一种基于物业行业的停车场引导方法及系统 |
CN115424468A (zh) * | 2022-06-01 | 2022-12-02 | 星即科技(上海)有限公司 | 一种基于多摄像头融合的停车位检测系统 |
CN115440059A (zh) * | 2022-07-22 | 2022-12-06 | 张伟 | 基于物联网的智慧车位管理系统 |
CN115641747A (zh) * | 2022-12-23 | 2023-01-24 | 中电信数字城市科技有限公司 | 停车导航方法、系统和电子设备 |
CN115691211A (zh) * | 2023-01-03 | 2023-02-03 | 广州小鹏自动驾驶科技有限公司 | 车位推荐方法、装置、车辆及存储介质 |
CN116182891A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市科莱德电子有限公司 | 车载导航方法、系统、设备及计算机可读存储介质 |
CN116994454A (zh) * | 2023-07-10 | 2023-11-03 | 深圳进化动力数码科技有限公司 | 一种车辆身份的识别指引方法、系统、终端及存储介质 |
CN117373254A (zh) * | 2022-07-01 | 2024-01-09 | 上海未来宽带技术股份有限公司 | 基于5g边缘云的泊车管理方法、系统、介质及装置 |
CN117409611A (zh) * | 2023-10-25 | 2024-01-16 | 武汉理工大学 | 一种基于大型地下停车场的智慧泊车引导系统 |
CN117894204A (zh) * | 2024-03-14 | 2024-04-16 | 武汉无线飞翔科技有限公司 | 一种地下车库停车智慧引导系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750836A (zh) * | 2012-07-20 | 2012-10-24 | 深圳市捷顺科技实业股份有限公司 | 一种停车场车辆视频引导系统及方法 |
CN104036659A (zh) * | 2014-05-28 | 2014-09-10 | 江苏科技大学 | 一种停车场车位引导及管理系统及方法 |
CN106157681A (zh) * | 2015-04-08 | 2016-11-23 | 腾石智能科技(上海)有限公司 | 停车区域管理系统及方法 |
CN106875737A (zh) * | 2017-04-07 | 2017-06-20 | 深圳迅停科技发展有限公司 | 一种车位找寻方法及智慧停车服务系统 |
CN107784856A (zh) * | 2016-08-31 | 2018-03-09 | 上海勤易机电科技有限公司 | 一种停车场自动引导分配车位系统及方法 |
CN108182823A (zh) * | 2017-12-14 | 2018-06-19 | 特斯联(北京)科技有限公司 | 一种园区停车位区块化智慧管理与服务引导系统 |
-
2018
- 2018-07-17 CN CN201810784619.4A patent/CN108986527A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750836A (zh) * | 2012-07-20 | 2012-10-24 | 深圳市捷顺科技实业股份有限公司 | 一种停车场车辆视频引导系统及方法 |
CN104036659A (zh) * | 2014-05-28 | 2014-09-10 | 江苏科技大学 | 一种停车场车位引导及管理系统及方法 |
CN106157681A (zh) * | 2015-04-08 | 2016-11-23 | 腾石智能科技(上海)有限公司 | 停车区域管理系统及方法 |
CN107784856A (zh) * | 2016-08-31 | 2018-03-09 | 上海勤易机电科技有限公司 | 一种停车场自动引导分配车位系统及方法 |
CN106875737A (zh) * | 2017-04-07 | 2017-06-20 | 深圳迅停科技发展有限公司 | 一种车位找寻方法及智慧停车服务系统 |
CN108182823A (zh) * | 2017-12-14 | 2018-06-19 | 特斯联(北京)科技有限公司 | 一种园区停车位区块化智慧管理与服务引导系统 |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369779A (zh) * | 2018-12-26 | 2020-07-03 | 北京图森智途科技有限公司 | 一种岸吊区卡车精准停车方法、设备及系统 |
CN111369779B (zh) * | 2018-12-26 | 2021-09-03 | 北京图森智途科技有限公司 | 一种岸吊区卡车精准停车方法、设备及系统 |
CN111402590A (zh) * | 2019-01-03 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 停车引导方法、装置、车载单元、中心服务器以及系统 |
CN109785661A (zh) * | 2019-02-01 | 2019-05-21 | 广东工业大学 | 一种基于机器学习的停车引导方法 |
CN111554095A (zh) * | 2019-02-08 | 2020-08-18 | 丰田自动车株式会社 | 信息处理设备、信息处理方法和程序 |
CN110070642A (zh) * | 2019-03-22 | 2019-07-30 | 天津大学 | 一种基于深度学习的交通事故责任评估方法及装置 |
CN110264727A (zh) * | 2019-05-27 | 2019-09-20 | 同济大学 | 面向智慧社区停车应用的多模式自主智能无人系统及方法 |
WO2020237822A1 (zh) * | 2019-05-28 | 2020-12-03 | 惠州市德赛西威汽车电子股份有限公司 | 一种学习型智能泊车方法及系统 |
CN110189545A (zh) * | 2019-06-26 | 2019-08-30 | 广州小鹏汽车科技有限公司 | 车辆的泊车调度方法、装置、存储介质及计算机设备 |
CN110390836A (zh) * | 2019-07-17 | 2019-10-29 | 青岛海尔空调器有限总公司 | 用于引导行驶路线的方法、装置及停车场管理系统 |
CN110364022A (zh) * | 2019-07-29 | 2019-10-22 | 恒大智慧科技有限公司 | 车位推送方法、计算机设备及可读存储介质 |
CN112950976A (zh) * | 2019-11-26 | 2021-06-11 | 丰田自动车株式会社 | 信息处理装置、信息处理系统及计算机可读取的记录介质 |
CN111310987A (zh) * | 2020-01-23 | 2020-06-19 | 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 |
CN111310987B (zh) * | 2020-01-23 | 2023-04-07 | 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 |
CN111915926A (zh) * | 2020-08-14 | 2020-11-10 | 中国工商银行股份有限公司 | 停车位智能指引系统及方法 |
CN112149851A (zh) * | 2020-09-18 | 2020-12-29 | 万翼科技有限公司 | 车位预约方法及相关设备 |
CN112509205A (zh) * | 2020-11-25 | 2021-03-16 | 云南电网有限责任公司电力科学研究院 | 一种基于图像识别的园区公共管理智能化联动系统 |
CN112863229A (zh) * | 2020-12-30 | 2021-05-28 | 中兴智能交通股份有限公司 | 一种基于停车设备和技术实现无人值守的系统及其方法 |
CN113327372A (zh) * | 2021-06-08 | 2021-08-31 | 北京市商汤科技开发有限公司 | 充电设备共享方法、装置及信息处理设备 |
CN113327372B (zh) * | 2021-06-08 | 2022-11-18 | 北京市商汤科技开发有限公司 | 充电设备共享方法、装置及信息处理设备 |
CN113362644A (zh) * | 2021-07-14 | 2021-09-07 | 深圳电目科技有限公司 | 车位导航方法、车位导航装置及计算机设备 |
CN113487759A (zh) * | 2021-07-16 | 2021-10-08 | 杭州海康汽车软件有限公司 | 一种停车巡检方法、装置、移动巡逻设备及巡检系统 |
CN113487759B (zh) * | 2021-07-16 | 2023-04-18 | 杭州海康汽车软件有限公司 | 一种停车巡检方法、装置、移动巡逻设备及巡检系统 |
CN114023098A (zh) * | 2021-10-27 | 2022-02-08 | 海信集团控股股份有限公司 | 一种停车场车辆引导方法及装置 |
CN113870615A (zh) * | 2021-11-12 | 2021-12-31 | 吉林大学 | 一种基于智慧城市的智能车停车系统及停车方法 |
CN114255596A (zh) * | 2022-03-01 | 2022-03-29 | 江苏九比特信息系统有限公司 | 一种基于大数据的停车场车位推荐系统及方法 |
CN114255596B (zh) * | 2022-03-01 | 2022-05-17 | 江苏九比特信息系统有限公司 | 一种基于大数据的停车场车位推荐系统及方法 |
CN114881156A (zh) * | 2022-05-12 | 2022-08-09 | 电子科技大学 | 一种w型地磁阵列的多传感器融合决策车辆检测方法 |
CN114881156B (zh) * | 2022-05-12 | 2023-05-23 | 电子科技大学 | 一种w型地磁阵列的多传感器融合决策车辆检测方法 |
CN114973756A (zh) * | 2022-05-13 | 2022-08-30 | 保利物业服务股份有限公司 | 一种基于物业行业的停车场引导方法及系统 |
CN114973757A (zh) * | 2022-05-17 | 2022-08-30 | 星觅(上海)科技有限公司 | 一种停车引导系统及方法 |
CN115424468A (zh) * | 2022-06-01 | 2022-12-02 | 星即科技(上海)有限公司 | 一种基于多摄像头融合的停车位检测系统 |
CN117373254A (zh) * | 2022-07-01 | 2024-01-09 | 上海未来宽带技术股份有限公司 | 基于5g边缘云的泊车管理方法、系统、介质及装置 |
CN115440059A (zh) * | 2022-07-22 | 2022-12-06 | 张伟 | 基于物联网的智慧车位管理系统 |
CN115641747A (zh) * | 2022-12-23 | 2023-01-24 | 中电信数字城市科技有限公司 | 停车导航方法、系统和电子设备 |
CN115691211A (zh) * | 2023-01-03 | 2023-02-03 | 广州小鹏自动驾驶科技有限公司 | 车位推荐方法、装置、车辆及存储介质 |
CN116182891A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市科莱德电子有限公司 | 车载导航方法、系统、设备及计算机可读存储介质 |
CN116182891B (zh) * | 2023-04-24 | 2023-08-04 | 深圳市科莱德电子有限公司 | 车载导航方法、系统、设备及计算机可读存储介质 |
CN116994454A (zh) * | 2023-07-10 | 2023-11-03 | 深圳进化动力数码科技有限公司 | 一种车辆身份的识别指引方法、系统、终端及存储介质 |
CN117409611A (zh) * | 2023-10-25 | 2024-01-16 | 武汉理工大学 | 一种基于大型地下停车场的智慧泊车引导系统 |
CN117409611B (zh) * | 2023-10-25 | 2024-04-26 | 武汉理工大学 | 一种基于大型地下停车场的智慧泊车引导系统 |
CN117894204A (zh) * | 2024-03-14 | 2024-04-16 | 武汉无线飞翔科技有限公司 | 一种地下车库停车智慧引导系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986527A (zh) | 一种停车位引导方法、装置、系统及电子设备 | |
US10346888B2 (en) | Systems and methods to obtain passenger feedback in response to autonomous vehicle driving events | |
Chen et al. | Learning from all vehicles | |
US10424195B2 (en) | Traffic prediction system, vehicle-mounted display apparatus, vehicle, and traffic prediction method | |
KR102515483B1 (ko) | 리턴 여정 지연에 기초하여 사용자에게 교통 경고 제공 | |
US9631941B2 (en) | Information providing system and information providing method | |
US10229229B2 (en) | Driving model generation device, driving model generation method, driving evaluation device, driving evaluation method, and driving support system | |
CN109086919A (zh) | 一种景点路线规划方法、装置、系统及电子设备 | |
CN107067786B (zh) | 违章信息管理系统及其引导路径生成方法 | |
US20140058652A1 (en) | Traffic information processing | |
CN108021858A (zh) | 移动客体识别方法及客体流量分析方法 | |
CN105917191A (zh) | 用于制成矢量地图的方法和系统 | |
CN109584567A (zh) | 基于车路协同的交通管理方法 | |
CN110363984B (zh) | 交通流量预测方法和设备 | |
US20220153298A1 (en) | Generating Motion Scenarios for Self-Driving Vehicles | |
JP2015076077A (ja) | 交通量推定システム、端末装置、交通量推定方法および交通量推定プログラム | |
CN111323033A (zh) | 路径引导装置及其控制方法、信息处理服务器、以及路径引导系统 | |
US20210146949A1 (en) | Localization with Diverse Dataset for Autonomous Vehicles | |
CN110059646A (zh) | 训练动作规划模型的方法及目标搜索方法 | |
JP2020030870A (ja) | 渋滞予測システム、端末装置、渋滞予測方法および渋滞予測プログラム | |
JP2013149035A (ja) | 情報提供装置 | |
CN114103713A (zh) | 用于预测针对车辆的充电站的可用性的方法和驾驶员辅助系统 | |
CN112710322A (zh) | 规划导航路线的方法、装置、计算机设备和介质 | |
JP2009245295A (ja) | 交通信号制御装置及び方法、到着プロファイルの推定装置、並びに、コンピュータプログラム | |
JP5018599B2 (ja) | 交通信号制御装置及び方法、到着プロファイルの推定装置、並びに、コンピュータプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |