CN110189537B - 基于时空特征的停车诱导方法、装置、设备及存储介质 - Google Patents

基于时空特征的停车诱导方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110189537B
CN110189537B CN201910380725.0A CN201910380725A CN110189537B CN 110189537 B CN110189537 B CN 110189537B CN 201910380725 A CN201910380725 A CN 201910380725A CN 110189537 B CN110189537 B CN 110189537B
Authority
CN
China
Prior art keywords
parking
urban
vehicle
space
time
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.)
Active
Application number
CN201910380725.0A
Other languages
English (en)
Other versions
CN110189537A (zh
Inventor
彭磊
聂焱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910380725.0A priority Critical patent/CN110189537B/zh
Publication of CN110189537A publication Critical patent/CN110189537A/zh
Application granted granted Critical
Publication of CN110189537B publication Critical patent/CN110189537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明适用计算机技术领域，提供了一种基于时空特征的停车诱导方法、装置、设备及存储介质，该方法包括：获取用户车辆的预计行驶信息，预计行驶信息包括用户车辆的行驶规划路径、目的地和目的地的预计到达时间，将预计行驶信息输入预先训练好的城市级停车诱导系统，生成用户车辆对应的停车场推荐信息，城市级停车诱导系统为以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器，从而无需依赖城市中各停车场的停车数据，有效地提高了城市级停车诱导的效果。

Description

基于时空特征的停车诱导方法、装置、设备及存储介质
技术领域
本发明属于计算机技术领域，尤其涉及一种基于时空特征的停车诱导方法、装置、设备及存储介质。
背景技术
随着社会不断发展，城市中车辆保有量开始迅速增加，城市中停车场的建设数量远远跟不上车辆的增加量，大中型城市都面临着停车资源短缺的问题，导致行驶过程中的汽车在寻找停车位时，浪费了大量不必要的时间。停车诱导系统(Parking GuidanceSystem，PGS)能够在停车资源短缺的情况下有效降低人们的停车时间成本。然而，传统的PGS需要在交通要道建立信息板，用于显示周围停车场的空车位数量，以对过往车辆进行停车诱导。随着停车难问题的严重化，这种方式已经无法满足快速增长的停车需求。
近年来，城市级停车诱导系统(City-wide Parking Guidance System，CPGS)已经被提出并受到重视，与传统的PGS不同，CPGS使用移动终端或只能车辆设备作为系统终端，为整个城市的车辆提供停车诱导服务，不需要在街道上部署信息板。然而，CPGS依赖于城市中所有停车场的停车数据，才能实现准确度较高的停车诱导。收集停车场的停车数据，需要在停车场部署传感器设备，考虑到经济成本和安装施工的时间成本，无法在城市中所有停车场都部署这些设备。此外，停车场的停车数据是一种商业数据，很少有停车场管理者愿意公开。停车数据的缺乏将大大影响停车诱导算法的诱导效果。
发明内容
本发明的目的在于提供一种基于时空特征的停车诱导方法、装置、设备及存储介质，旨在解决现有技术中城市级停车诱导方法依赖于停车场的停车数据，而停车场停车数据采集困难，导致城市级停车诱导效果不佳的问题。
一方面，本发明提供了一种基于时空特征的停车诱导方法，所述方法包括下述步骤：
获取用户车辆的预计行驶信息，所述预计行驶信息包括所述用户车辆的行驶规划路径、目的地和所述目的地的预计到达时间；
将所述预计行驶信息输入预先训练好的城市级停车诱导系统，生成所述用户车辆对应的停车场推荐信息，所述城市级停车诱导系统为以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器。
另一方面，本发明提供了一种基于时空特征的停车诱导装置，所述装置包括：
用户车辆信息获取单元，用于获取用户车辆的预计行驶信息，所述预计行驶信息包括所述用户车辆的行驶规划路径、目的地和所述目的地的预计到达时间；以及
停车场推荐单元，用于将所述预计行驶信息输入预先训练好的城市级停车诱导系统，生成所述用户车辆对应的停车场推荐信息，所述城市级停车诱导系统为以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器。
另一方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述停车诱导方法所述的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述停车诱导方法所述的步骤。
本发明获取用户车辆的预计行驶信息，将这些信息输入至训练好的城市级停车诱导系统中，获得城市级停车诱导系统输出的停车场推荐信息，为用户车辆推荐合适的停车场，而停车场诱导系统是以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器，无需依赖停车场的停车数据，避免受到部分停车场停车数据缺乏的影响，有效地提高了城市级的停车诱导效果。
附图说明
图1是本发明实施例一提供的基于时空特征的停车诱导方法的实现流程图；
图2是本发明实施例二提供的基于时空特征的停车诱导方法中城市级停车诱导系统的训练流程图；
图3是本发明实施例二提供的基于时空特征的停车诱导方法中时空分类器的结构示例图；
图4是本发明实施例三提供的基于时空特征的停车诱导装置的结构示意图；以及
图5是本发明实施例四提供的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的基于时空特征的停车诱导方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，获取用户车辆的预计行驶信息。
本发明实施例适用于数据处理平台、系统或者设备，可以由单独的计算机实现，也可以由服务器或者服务器集群实现。
在本发明实施例中，获取用户车辆的预计行驶信息，用户车辆的预计行驶信息包括用户车辆的行驶规划路径、目的地和该目的地的预计到达时间。可由用户直接输入这些信息，或者接收导航设备或导航系统发送的这些信息。例如，用户在导航设备上输入出发地和目的地，由导航设备或者用户车辆上的导航系统根据出发地和目的地进行路径规划，得到行驶规划路径和目的地的预计达到时间。其中，行驶规划路径即出发地和目的地之间的规划路径。
在步骤S102中，将预计行驶信息输入预先训练好的城市级停车诱导系统，生成用户车辆对应的停车场推荐信息，城市级停车诱导系统为以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器。
在本发明实施例中，城市车辆的停车事件包括城市车辆的行驶路径、停车时间和停车位置，以当前城市中城市车辆的停车事件作为训练数据，对预设的时空分类器进行训练，训练好的时空分类器即城市级停车诱导系统，从而无需依赖城市中所有停车场的停车数据(例如，停车场的停车位数量、不同时间的空闲停车位数量等)对城市级停车诱导系统训练，摆脱了城市中所有停车场的停车数据难以采集的限制，有效地提高了城市级停车诱导系统的停车诱导准确度，同时通过城市中较大数量的停车事件可以有效地覆盖整个城市的所有停车场，有效地提高了城市级停车诱导系统在城市中覆盖的停车场范围。其中，时空分类器的具体训练过程参见实施例二的详细描述，在此不再赘述。
在本发明实施例中，城市级停车诱导系统将当前城市中的每个停车场分别当作一个类别，对用户车辆的预计行驶信息进行分类，得到用户车辆对应的停车场，将该停车场的地理位置、名称等停车场信息作为停车场推荐信息，反馈给用户车辆。
在本发明实施例中，城市级停车诱导系统是以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器，将用户车辆的预计行驶信息输入城市级停车诱导系统，得到用户车辆对应的停车场推荐信息，从而在不依赖城市中停车场的停车数据的情况下，实现对用户车辆的停车诱导，有效地提高了停车诱导的准确度和覆盖范围，进而有效地提高了停车诱导效果。
实施例二：
图2示出了本发明实施例二提供的基于时空特征的停车诱导方法中对城市级停车诱导系统进行训练的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤201中，获取城市车辆的行驶信息，并检测城市车辆的停车行为。
本发明实施例适用于数据处理平台、系统或者设备，可以由单独的计算机实现，也可以由服务器或者服务器集群实现。在本发明实施例中，城市中每天来来往往无数的城市车辆，可采集这些城市车辆的行驶信息，同时在城市车辆行驶时，检测城市车辆的停车行为。其中，城市车辆的行驶信息包括城市车辆在各个行驶时刻的地理位置。
优选地，城市车辆的用户大多要依赖导航系统进行驾驶导航，通过接收城市车辆上导航系统发送的导航信号，能够便捷准确地获得城市车辆的行驶信息。进一步地，导航信号的视线传播特性使得导航信号在城市高层建筑中容易受阻，加上地面发射和信号传输时系统误差的影响，使得导航信号传播时的观测误差不是严格的高斯分布，这种情形下卡尔曼滤波器的滤波和预测精度难以保证。粒子滤波器是一种非线性非高斯滤波器，采用粒子滤波器对导航信号进行处理，能够减少城市车辆行驶过程导航信号的信号漂移，提高导航信号传输的准确度。
优选地，通过检测城市车辆的车辆电源的状态，来检测城市车辆的停车行为，提高城市车辆停车行为检测的便捷度和准确度。其中，车辆电源打开时城市车辆的电机启动，车辆电源关闭时城市车辆的电机停止。进一步地，将城市车辆上导航系统连接到车辆电源的接口上，使得车辆电源断开时导航系统也停止导航，当检测到导航信号停止传输时，确定城市车辆停车，从而结合车辆电源和导航信号可以确定城市车辆的停车行为和停车位置。
在步骤202中，当检测到城市车辆的停车行为时，依据行驶信息和预先采集的当前城市的停车场集合，构建城市车辆的停车事件。
在本发明实施例中，由于城市车辆停车不是一个物体，而是一个事件，无法像图像、文本一样，将城市车辆的停车事件直接输入到需要训练的城市级停车诱导系统中。因此，在检测到城市车辆的停车行为时，即检测到城市车辆停车时，从城市车辆的行驶信息获得城市车辆的行驶路径和当前位置，城市车辆的当前位置即停车位置，检测到停车行为的时间即停车时间。在预先采集的当前城市的停车场集合中，查询城市车辆停车位置对应的停车场，该停车场可认为是城市车辆所在的停车场。其中，当前城市的停车场集合包括当前城市中所有停车场的位置。
在本发明实施例中，由城市车辆的停车时间、停车位置和城市车辆所在的停车场构成城市车辆的停车事件，从而将城市车辆的停车事件划分为时间数据和空间数据，便于将城市车辆的停车事件作为训练数据，输入城市级停车诱导系统并对该系统进行训练。作为示例地，如果城市车辆v沿着道路r行驶，在时间t到目的地d并停在了停车场p，则城市车辆v的停车事件可以描述为：
[wt,dt,d,r]:p，其中，时间t作为停车时间分为wt和dt两部分，wt表示星期，dt表示一天中的时刻，以便时空分类器更好地提取城市车辆停车事件的时间特征。冒号左边的内容从空间和时间上描述了城市车辆的停车过程，作为时空分类器的输入，冒号右边的内容描述了城市车辆的停车结果，作为时空分类器的输出。
优选地，在停车场集合中查询城市车辆所在的停车场时，计算城市车辆的停车位置分别与停车场集合中各停车场之间的距离，将城市车辆的停车位置聚类至与自身距离最近的停车场，城市车辆的停车位置聚类到的停车场即城市车辆所在的停车场，从而提高查询城市车辆所在的停车场的准确度。
在步骤203中，将城市车辆的停车事件作为训练数据，对时空分类器进行有监督训练，生成城市级停车诱导系统。
在本发明实施例中，将城市车辆的停车事件中的停车位置、停车时间和行驶路径设置为时空分类器的输入，将城市车辆所在的停车场设置为时空分类器的目标输出，对时空分类器进行有监督的训练，得到训练好的时空分类器。训练好的时空分类器即训练好的城市级停车诱导系统。
优选地，时空分类器包括卷积神经网络和长短期记忆网络(Long Short-TermMemory，简称LSTM网络)，从而通过卷积神经网络和长短期记忆网络，充分利用城市车辆的停车事件的时间特征和空间特征，有效地提高训练得到的时空分类器的分类效果，进而有效地提高了城市级停车诱导系统的停车诱导效果。
进一步优选地，在对时空分类器进行有监督训练时，将城市车辆的停车事件中的停车位置、停车时间和行驶路径，输入时空分类器。通过时空分类器中的卷积层对停车事件的空间特征进行捕捉，得到停车事件的空间特征向量。将空间特征向量输入时空分类器中的长短期记忆网络中，通过长短期记忆网络学习停车事件的时间特征，获得长短期记忆网络输出的特征向量。通过时空分类器中的全连接层和激活函数，对长短期记忆网络的输出进行处理，获得停车场集合中每个停车场的推荐概率。根据停车场集合中每个停车场的推荐概率和城市车辆的停车事件中的停车场，对时空分类器的训练参数进行调整，从而对时空分类器进行有监督训练。其中，在对时空分类器的训练参数进行调整时，可采用误差反向传播算法，在此对时空分类器的训练算法不做限制。
进一步优选地，在通过时空分类器中的卷积层对停车事件的空间特征进行捕捉时，卷积层的公式表示为：
Ci＝f(w*x+b)，其中，w为卷积层的权重向量，b为卷积层的偏置项，*为卷积操作，f()为非线性激活函数。将停车事件输入卷积层，此时停车事件可表示为向量up，包括停车位置、停车时间和行驶路径，卷积后得到该停车事件的空间特征向量U'＝[u′1,u'2,",u'n]，n为卷积层的卷积核个数。
进一步优选地，在通过长短期记忆网络学习停车事件的时间特征时，长短期记忆网络包括输入门i、输出门o、遗忘门f和存储器单元c，这些门和存储器单元的结合，有效地增强了长短期记忆网络的数据处理能力。
进一步优选地，停车事件的空间特征向量U'＝[u′1,u'2,",u'n]是长短期记忆网络的输入，经过输入门i、输出门o、遗忘门f和存储器单元c，长短期记忆网络输出的特征表示为H＝[h1,h2,",hq]，q为长短期记忆网络中隐藏单元的数量。长短期记忆网络的计算过程可表示为：
it＝σ(Wxixt+Whihh-1+bi)，
ft＝σ(Wxfxt+Whfhh-1+bf)，
ct＝ft·ct-1+it·σh(Wxcxt+Whchh-1+bc)，
ot＝σ(Wxoxt+Whohh-1+bo)。
其中，it、ot、ft和ct分别为第t个隐藏单元中的输入门、输出门、遗忘门和存储器单元，Wxi、Wxo、Wxf、Wxc分别是连接卷积层与长短期记忆网络中的输入门、输出门、遗忘门的权重矩阵，Wxi、Wxo、Wxf、Wxc分别是连接长短期记忆网络中隐藏单元与长短期记忆网络中的输入门、输出门、遗忘门的权重矩阵。bi、bo、bf、bt分别是输入门、输出门、遗忘门和存储器单元的偏置，σ()和σh()分别是激活函数。
进一步优选地，在时空分类器中，长短期记忆网络后面连接着两层全连接层，最后一层全连接层使用激活函数输出停车场集合中各停车场的推荐概率。其中，第一层全连接层的公式表示为：
H1＝σ'(W0H+b0)，其中，H为长短期记忆网络输出的特征，H1为第一层全连接层输出的特征，W0为第一层全连接层的权重矩阵，b0为第一层全连接层的偏置，σ'()为第一层全连接层的激活函数。
最后一层全连接层的公式表示为：
yt＝σs(W1H1+b1)，其中，W1为最后一层全连接层的权重矩阵，b1为最后一层全连接层的偏置，σs()最后一层为全连接层的激活函数，yt为最后一层全连接层的输出，yt的维度与停车场集合中停车场数量一致，每个维度的值为每个停车场的推荐概率。优选地，最后一层全连接层采用的激活函数为Softmax激活函数，Softmax激活函数用于对停车场的推荐概率进行归一化处理，使得输出的推荐概率简洁明了。
作为示例地，图3为时空分类器的示例图，在图3中时空分类器包括卷积层、长短期记忆网络层(LSTM层)、两层全连接层，将停车事件输入至时空分类器，可得到停车事件对应的每个停车场的推荐概率。
在本发明实施例中，采集城市车辆的停车事件，将城市车辆的停车事件作为训练数据，对包括了卷积神经网络和长短期记忆网络的时空分类器进行训练，充分地利用了停车事件中的时间特征和空间特征，有效地提高了时空分类器的训练效果，同时摆脱了城市级停车诱导系统对停车场的停车数据的依赖，有效地提高了城市级停车诱导系统的停车诱导效果。
实施例三：
图4示出了本发明实施例三提供的基于时空特征的停车诱导装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
用户车辆信息获取单元41，用于获取用户车辆的预计行驶信息，预计行驶信息包括用户车辆的行驶规划路径、目的地和目的地的预计到达时间；以及
停车场推荐单元42，用于将行驶信息输入预先训练好的城市级停车诱导系统，生成用户车辆对应的停车场推荐信息，城市级停车诱导系统为以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器。
优选地，停车诱导装置还包括：
城市车辆信息获取单元，用于获取城市车辆的行驶信息，并检测城市车辆的停车行为；
停车事件构建单元，用于当检测到城市车辆的停车行为时，依据行驶信息和预先采集的当前城市的停车场集合，构建城市车辆的停车事件；以及
诱导系统生成单元，用于将城市车辆的停车事件作为训练数据，对时空分类器进行有监督训练，生成城市级停车诱导系统。
优选地，城市车辆信息获取单元包括：
导航信号接收单元，用于接收城市车辆上的导航系统发送的导航信号；以及
导航信息滤波单元，用于通过粒子滤波器对导航信号进行处理，获得行驶信息。
优选地，城市车辆的行驶信息包括城市车辆在各个行驶时刻的地理位置；停车事件构建单元包括：
停车信息获取单元，用于当检测到城市车辆的停车行为时，从行驶信息中获取城市车辆的停车位置、停车时间和行驶路径；
停车场确定单元，用于根据停车位置和停车场集合，确定城市车辆所在的停车场；以及
停车事件构建子单元，用于根据城市车辆的停车位置、停车时间、行驶路径和城市车辆所在的停车场，构建城市车辆的停车事件。
优选地，停车场确定单元包括：
停车位置聚类单元，用于依据城市车辆的停车位置与停车场集合中各停车场之间的距离，对城市车辆的停车位置进行聚类；以及
停车场确定子单元，用于根据停车位置的聚类结果，确定城市车辆所在的停车场。
优选地，诱导系统生成单元包括：
时空分类器训练单元，用于将停车事件中的停车位置、停车时间和行驶路径设置为时空分类器的输入，将停车事件中的停车场设置为时空分类器的目标输出，对时空分类器进行有监督训练。
优选地，时空分类器包括卷积神经网络和长短期记忆网络；诱导系统生成单元包括：
空间特征捕捉单元，用于通过时空分类器中的卷积层对停车事件的空间特征进行捕捉，生成停车事件的空间特征向量；
时间特征提取单元，用于将停车事件的空间特征向量输入时空分类器中的长短期记忆网络中，以通过长短期记忆网络提取停车事件的时间特征；以及
推荐概率生成单元，用于通过时空分类器中的全连接层和激活函数，对长短期记忆网络的输出进行处理，获得停车场集合中每个停车场的推荐概率；以及
参数调整单元，用于根据停车场集合中每个停车场的推荐概率和停车事件中的停车场，对时空分类器的训练参数进行调整。
在本发明实施例中，获取用户车辆的预计行驶信息，将这些信息输入至训练好的城市级停车诱导系统中，获得城市级停车诱导系统输出的停车场推荐信息，为用户车辆推荐合适的停车场。停车场诱导系统是以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器，无需依赖停车场的停车数据，避免受到部分停车场停车数据缺乏的影响，有效地提高了城市级的停车诱导效果。
在本发明实施例中，基于时空特征的停车诱导装置的各单元的实施内容可参照实施例一、实施例二相应步骤的详细描述，在此不再赘述。
在本发明实施例中，基于时空特征的停车诱导装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例四：
图5示出了本发明实施例四提供的计算机设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的计算机设备5包括处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。该处理器50执行计算机程序52时实现上述方法实施例中的步骤，例如图1所示的步骤S101至S102、图2所示的步骤S201至S203。或者，处理器50执行计算机程序52时实现上述各装置实施例中各单元的功能，例如图4所示单元41至42的功能。
在本发明实施例中，获取用户车辆的预计行驶信息，将这些信息输入至训练好的城市级停车诱导系统中，获得城市级停车诱导系统输出的停车场推荐信息，为用户车辆推荐合适的停车场。停车场诱导系统是以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器，无需依赖停车场的停车数据，避免受到部分停车场停车数据缺乏的影响，有效地提高了城市级的停车诱导效果。
实施例五：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤，例如，图1所示的步骤S101至S102、图2所示的步骤S201至S203。或者，该计算机程序被处理器执行时实现上述装置实施例中各单元的功能，例如图4所示单元41至42的功能。
在本发明实施例中，获取用户车辆的预计行驶信息，将这些信息输入至训练好的城市级停车诱导系统中，获得城市级停车诱导系统输出的停车场推荐信息，为用户车辆推荐合适的停车场。停车场诱导系统是以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器，无需依赖停车场的停车数据，避免受到部分停车场停车数据缺乏的影响，有效地提高了城市级的停车诱导效果。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于时空特征的停车诱导方法，其特征在于，所述方法包括下述步骤：
获取用户车辆的预计行驶信息，所述预计行驶信息包括所述用户车辆的行驶规划路径、目的地和所述目的地的预计到达时间；
将所述预计行驶信息输入预先训练好的城市级停车诱导系统，生成所述用户车辆对应的停车场推荐信息，所述城市级停车诱导系统为以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器；
所述城市级停车诱导系统的获取具体包括：
获取所述城市车辆的行驶信息，并检测所述城市车辆的停车行为；
当检测到所述城市车辆的停车行为时，依据所述行驶信息和预先采集的所述当前城市的停车场集合，构建所述城市车辆的停车事件；
将所述城市车辆的停车事件作为训练数据，对所述时空分类器进行有监督训练，生成所述城市级停车诱导系统；
其中，所述时空分类器包括卷积神经网络和长短期记忆网络；所述对预设的时空分类器进行有监督训练的步骤，包括：
通过所述时空分类器中的卷积层对所述停车事件的空间特征进行捕捉，生成所述停车事件的空间特征向量；
将所述停车事件的空间特征向量输入所述时空分类器中的长短期记忆网络中，以通过所述长短期记忆网络提取所述停车事件的时间特征；
通过所述时空分类器中的全连接层和激活函数，对所述长短期记忆网络的输出进行处理，获得所述停车场集合中每个停车场的推荐概率；
根据所述停车场集合中每个停车场的推荐概率和所述停车事件中的停车场，对所述时空分类器的训练参数进行调整。
2.如权利要求1所述的方法，其特征在于，所述获取所述城市车辆的行驶信息的步骤，包括：
接收所述城市车辆上的导航系统发送的导航信号；
通过粒子滤波器对所述导航信号进行处理，获得所述行驶信息。
3.如权利要求1所述的方法，其特征在于，所述城市车辆的行驶信息包括所述城市车辆在各个行驶时刻的地理位置；所述构建所述城市车辆的停车事件的步骤，包括：
当检测到所述城市车辆的停车行为时，从所述行驶信息中获取所述城市车辆的停车位置、停车时间和行驶路径；
根据所述停车位置和所述停车场集合，确定所述城市车辆所在的停车场；
根据所述城市车辆的停车位置、停车时间、行驶路径和所述城市车辆所在的停车场，构建所述城市车辆的停车事件。
4.如权利要求3所述的方法，其特征在于，所述确定所述城市车辆所在的停车场的步骤，包括：
依据所述城市车辆的停车位置与所述停车场集合中各停车场之间的距离，对所述城市车辆的停车位置进行聚类；
根据所述停车位置的聚类结果，确定所述城市车辆所在的停车场。
5.如权利要求3所述的方法，其特征在于，所述对预设的时空分类器进行有监督训练的步骤，包括：
将所述停车事件中的停车位置、停车时间和行驶路径设置为所述时空分类器的输入，将所述停车事件中的停车场设置为所述时空分类器的目标输出，对所述时空分类器进行有监督训练。
6.根据权利要求1所述的方法，其特征在于，假设城市车辆v沿着道路r行驶，在时间t到目的地d并停在了停车场p，则城市车辆v的停车事件可以描述为：
[wt，dt，d，r]:p
其中，时间t作为停车时间，分为wt和dt两部分，wt表示星期，dt表示一天中的时刻；
冒号左边的内容从空间和时间上描述了城市车辆的停车过程，作为所述时空分类器的输入；
冒号右边的内容描述了城市车辆的停车结果，作为所述时空分类器的输出。
7.一种基于时空特征的停车诱导装置，其特征在于，所述装置包括：
用户车辆信息获取单元，用于获取用户车辆的预计行驶信息，所述预计行驶信息包括所述用户车辆的行驶规划路径、目的地和所述目的地的预计到达时间；以及
停车场推荐单元，用于将所述预计行驶信息输入预先训练好的城市级停车诱导系统，生成所述用户车辆对应的停车场推荐信息，所述城市级停车诱导系统为以当前城市中城市车辆的停车事件为训练数据训练得到的时空分类器；
城市车辆信息获取单元，用于获取城市车辆的行驶信息，并检测城市车辆的停车行为；
停车事件构建单元，用于当检测到城市车辆的停车行为时，依据行驶信息和预先采集的当前城市的停车场集合，构建城市车辆的停车事件；
诱导系统生成单元，用于将城市车辆的停车事件作为训练数据，对时空分类器进行有监督训练，生成城市级停车诱导系统；
其中，所述时空分类器包括卷积神经网络和长短期记忆网络；所述对时空分类器进行有监督训练的步骤，包括：
通过所述时空分类器中的卷积层对所述停车事件的空间特征进行捕捉，生成所述停车事件的空间特征向量；
将所述停车事件的空间特征向量输入所述时空分类器中的长短期记忆网络中，以通过所述长短期记忆网络提取所述停车事件的时间特征；
通过所述时空分类器中的全连接层和激活函数，对所述长短期记忆网络的输出进行处理，获得所述停车场集合中每个停车场的推荐概率；
根据所述停车场集合中每个停车场的推荐概率和所述停车事件中的停车场，对所述时空分类器的训练参数进行调整。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN201910380725.0A 2019-05-08 2019-05-08 基于时空特征的停车诱导方法、装置、设备及存储介质 Active CN110189537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910380725.0A CN110189537B (zh) 2019-05-08 2019-05-08 基于时空特征的停车诱导方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910380725.0A CN110189537B (zh) 2019-05-08 2019-05-08 基于时空特征的停车诱导方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110189537A CN110189537A (zh) 2019-08-30
CN110189537B true CN110189537B (zh) 2022-03-04

Family

ID=67715809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910380725.0A Active CN110189537B (zh) 2019-05-08 2019-05-08 基于时空特征的停车诱导方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110189537B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325382B (zh) 2020-01-23 2022-06-28 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
CN113053125B (zh) * 2021-03-29 2021-12-31 浙江财经大学 基于前馈lstm模型的停车场库推荐方法
CN115424470B (zh) * 2022-08-31 2023-12-08 苏州智能交通信息科技股份有限公司 一种城市级智能停车系统、整合分析方法以及终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106297383A (zh) * 2016-08-25 2017-01-04 华南师范大学 基于大数据和深度学习的停车诱导方法和系统
CN106779256A (zh) * 2017-03-24 2017-05-31 山东大学 一种基于事件驱动的停车空余泊位数实时预测方法及系统
CN107850895A (zh) * 2015-05-13 2018-03-27 优步技术公司 通过引导协助操作的自动驾驶车辆

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10169993B1 (en) * 2018-01-11 2019-01-01 Conduent Business Services, Llc Forecasting with matrix powers
JP6669825B2 (ja) * 2018-09-07 2020-03-18 Ｎｅｃプラットフォームズ株式会社 駐停車位置案内装置、駐停車位置案内方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107850895A (zh) * 2015-05-13 2018-03-27 优步技术公司 通过引导协助操作的自动驾驶车辆
CN106297383A (zh) * 2016-08-25 2017-01-04 华南师范大学 基于大数据和深度学习的停车诱导方法和系统
CN106779256A (zh) * 2017-03-24 2017-05-31 山东大学 一种基于事件驱动的停车空余泊位数实时预测方法及系统

Also Published As

Publication number Publication date
CN110189537A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
US11520331B2 (en) Methods and apparatus to update autonomous vehicle perspectives
Grassi et al. Parkmaster: An in-vehicle, edge-based video analytics service for detecting open parking spaces in urban environments
CN109919347B (zh) 路况生成方法、相关装置和设备
EP4152204A1 (en) Lane line detection method, and related apparatus
CN110189537B (zh) 基于时空特征的停车诱导方法、装置、设备及存储介质
CN110969857B (zh) 一种交通信息处理方法及装置
US20230257003A1 (en) Method and system for graph neural network based pedestrian action prediction in autonomous driving systems
CN112997211B (zh) 数据分发系统、传感器装置和服务器
CN113654564A (zh) 用于运载工具的方法
US11887324B2 (en) Cross-modality active learning for object detection
CN113935441B (zh) 汽车自动驾驶功能测试道路的选取方法、设备和存储介质
WO2020223935A1 (zh) 基于时空特征的停车诱导方法、装置、设备及存储介质
Zhang et al. Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images
US11238735B2 (en) Parking lot information management system, parking lot guidance system, parking lot information management program, and parking lot guidance program
CN113424209A (zh) 使用深度学习多预测器融合和贝叶斯优化的轨迹预测
WO2021150166A1 (en) Determining a route between an origin and a destination
Wei et al. Data-driven energy and population estimation for real-time city-wide energy footprinting
Sasaki et al. Road segment interpolation for incomplete road data
CN113056715B (zh) 用于操作运载工具的方法、运载工具和存储介质
Yenkanchi Multi sensor data fusion for autonomous vehicles
AU2021106173A4 (en) Spatial-temporal-characteristics-based parking guidance method and apparatus, device and storage medium
CN115691164B (zh) 一种基于大数据的智慧交通管理方法及系统
Sun et al. Deep learning-based probability model for traffic information estimation
KR102381527B1 (ko) 스테레오 영상과 딥러닝을 이용한 교통량 산정 시스템 및 그 방법
EP4219261A1 (en) Estimation of risk exposure for autonomous vehicles

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