CN110415546A - 泊车诱导方法、装置和介质 - Google Patents

泊车诱导方法、装置和介质 Download PDF

Info

Publication number
CN110415546A
CN110415546A CN201810386939.4A CN201810386939A CN110415546A CN 110415546 A CN110415546 A CN 110415546A CN 201810386939 A CN201810386939 A CN 201810386939A CN 110415546 A CN110415546 A CN 110415546A
Authority
CN
China
Prior art keywords
parking
parking lot
berth
destination
index
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
Application number
CN201810386939.4A
Other languages
English (en)
Inventor
赵炎
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.)
Zhongchang (suzhou) Software Technology Co Ltd
China Mobile Communications Group Co Ltd
Original Assignee
Zhongchang (suzhou) Software Technology Co Ltd
China Mobile Communications Group Co Ltd
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 Zhongchang (suzhou) Software Technology Co Ltd, China Mobile Communications Group Co Ltd filed Critical Zhongchang (suzhou) Software Technology Co Ltd
Priority to CN201810386939.4A priority Critical patent/CN110415546A/zh
Publication of CN110415546A publication Critical patent/CN110415546A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G08G1/144—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces on portable or mobile units, e.g. personal digital assistant [PDA]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能交通技术领域，公开了泊车诱导方法、装置和介质，该方法包括：接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；根据出行的出发点和目的地预测目的地的到达时刻；确定以该目的地为基准的指定范围内的停车场；根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型。通过长时预测模型对未来空余泊位进行预测便于进行泊车诱导。此外本申请中还通过短时预测模型便于实时查看空余泊位，进一步提高泊位诱导的效率。

Description

泊车诱导方法、装置和介质
技术领域
本申请涉及智能交通技术领域，尤其涉及泊车诱导方法、装置和介质。
背景技术
本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
为了帮助车辆驾驶者寻找到合适的停车场停车，泊车诱导技术应运而生。现有的泊车诱导方案包括以下两种：
1)三级显示屏诱导方式：该方式主要包括一级屏、二级屏、三级屏三种类型发布设备。在交通主要干道入口：设置第一级LED(发光二极管)停车诱导电子显示屏；内部道路路口设置二级停车诱导电子显示屏和标志牌；停车场入口设置三级停车场车位数显示屏。该方法只能通过提供道路交通状况和停车场车位的客观信息引导到停车场入口，且用户驶入可以看见显示屏的视野区域内才能得知停车场泊位状况，故此引导范围有限。
2)导航软件引导方式：该方法的引导重点在于基于路线引导，大部分基于路况信息进行引导，而路况信息与停车场的信息具有一定差别，故此引导的结果不太理想。
故此，需要一种能够普遍适用的引导效果好的泊车诱导方法。
发明内容
本申请实施例提供泊车诱导方法、装置和介质，用以提高泊车诱导的效率。
本申请实施例提供泊车诱导方法，包括：
接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；
根据出行的出发点和目的地预测目的地的到达时刻；
确定以该目的地为基准的指定范围内的停车场；
根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型。
本申请实施例还提供一种泊车诱导方法，包括：
发送停车场泊位预测请求给服务端，所述泊位预测请求中包括出行的出发点和目的地；
接收所述服务端发送所述目的地的到达时刻所述目的地的指定范围内的各停车场的空余泊位数并显示。
本申请实施例还提供一种泊车诱导装置，包括：
接收模块，用于接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；
到达时刻预测模块，用于根据出行的出发点和目的地预测目的地的到达时刻；
停车场确定模块，用于确定以该目的地为基准的指定范围内的停车场；
空余泊位预测模块，用于根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型。
本申请实施例还提供一种泊车诱导装置，包括：
发送模块，用于发送停车场泊位预测请求给服务端，所述泊位预测请求中包括出行的出发点和目的地；
空余泊位数处理模块，用于接收所述服务端发送所述目的地的到达时刻所述目的地的指定范围内的各停车场的空余泊位数并显示。
本申请实施例提供一种计算装置，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行本申请实施例提供的任一泊车诱导方法。
本申请实施例提供一种计算机可读介质，其存储有可由计算装置执行的计算机程序，当所述程序在计算装置上运行时，使得所述计算装置执行本申请实施例提供的任一泊车诱导方法。
本申请实施例提供的泊车诱导方法、装置和介质，通过长时预测模型预测目的地到达时刻停车场的空余泊位数，便于对用户进行泊位诱导。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为根据现有技术的泊车诱导方法的应用场景示意图；
图2为根据本申请一实施例方式提供的泊车诱导方法的流程示意图之一；
图3为根据本申请一实施例方式提供的BP神经网络的结构示意图；
图4为根据本申请一实施例方式提供的客户端显示界面的效果图之一；
图5为根据本申请另一实施例方式提供的泊车诱导方法的流程示意图；
图6a为根据本申请一实施例方式提供的客户端显示界面的效果图之二；
图6b为根据本申请一实施例方式提供的客户端显示界面的效果图之三；
图7为根据本申请一实施例方式提供的客户端显示界面的效果图之四；
图8为根据本申请实施例方式的泊车诱导装置的结构示意图；
图9为根据本申请另一实施例方式的泊车诱导装置的结构示意图；
图10为根据本申请另一实施例方式的泊车诱导系统的结构示意图；
图11为根据本申请实施例方式的计算装置的结构示意图。
具体实施方式
为了提高泊车诱导的效率，能够更好的引导车辆驾驶者找到合适的停车场停靠车辆，本申请实施例提供了泊车诱导方法、装置和介质。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示，其为本申请实施例提供的应用场景示意图。该场景例如可以包括用户10、终端设备11和服务器12。其中，所述终端设备11中可安装有各种客户端，如导航客户端。终端设备11的客户端和服务器12建立通信连接后，客户端可以发送停车场泊位预测请求给服务器12，服务器12可以根据该请求中的出行的出发点和目的地预测目的地的到达时刻；然后确定以该目的地为基准的指定范围内的停车场；进而根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示。这样，用户便可以通过预测的各停车场的空余泊位数来选择合适的停车场停车，实现泊车诱导。
其中，终端设备11和服务器12可通过通信网络进行通信连接，该网络可以为局域网、广域网等。终端设备11可以为手机、平板电脑、笔记本电脑、个人计算机等，服务器12可以为任何能够支持相应的泊车诱导方法的服务器设备。
具体的，如图2所示，其为本申请实施例提供的泊车诱导方法的实施流程示意图，可以包括以下步骤：
S21、接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；
S22、根据出行的出发点和目的地预测目的地的到达时刻；
其中，要获得到达时间的泊位预测，就要尽可能获取准确的目的地到达时间。到达时间取决于OD(ORIGIN DESTINATION，交通起止点)路线路线的行驶时间。首先，通过分析实时道路交通情况，预测到达时间t。具体方法为：从驾驶者开始导航到抵达停车场的行车时长T需要通过道路的特性函数来获得。由于BPR路阻函数(美国联邦公路局函数)考虑到了行车路线上的道路载荷影响，并且该函数较为简单准确。具体实施时可以采用BPR路阻函数来计算从出发点到目的地的行车时长，该函数是描述行车时间和道路上实时变化的交通量之间的关系的函数，具体如公式(1)：
式(1)中，T0为自由流状态下，出发点到停车场的时间；V为道路交通量，C为车主当前所在道路的通行能力；α和β为参数，根据美国道路交通状况，其设定参数α＝0.15，β＝4，由于我国国内交通情况与美国不同，可以根据具体数据进行验证。由此可得，预计到达时刻t可由下列公式(2)获得。
t＝T+T0 (2)
S23、确定以该目的地为基准的指定范围内的停车场；
具体实施时，可以以目的地为基准，确定其周围200-500米内的停车场进行参考。
根据停车场的历史停车数据可以分析得出，停车场在不同时段内停放车辆具有周期性和变动性。故此，本申请实施例中可以通过模型预测未来的空余泊位数。有鉴于此，可以继续执行步骤S24为用户提供空余泊位数的预测结果。
S24、根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型。
在一种可能的实施方式中，可以针对每个停车场执行：获取该停车场的历史停车数据，该历史停车数据包括不同时间段内进场车辆数和出场车辆数；根据不同时间段内的进场车辆数和出场车辆数、基于指数平滑预测方法建立长时预测模型。其中，指数平滑预测方法建立的长时预测模型可以如公式(3)所示：
其中代表下期预测数，代表本期预测数，Yt为本期实际数，α为平滑系数取值范围为0.3-0.5。具体实施时，第一次的预测数可以为第一次的实际数。
这样通过指数平滑预测方法即可建立长时预测模型，该模型计算简便能够减少计算量，提高处理效率。
通常情况下，可以在出发前根据长时预测模型查看各停车场的空余泊位数，为自己的出行做好初步规划。
进一步的，长时预测模型仅用于算出未来某个时间点的预测结果，为了便于用户实时了解停车场的空余泊位，本申请实施例中还可以在所述客户端对应的用户行驶至所述目的地的行车过程中，基于预先训练的BP(Back Propagation)神经网络模型，实时预测所述指定范围内的各停车场的空余泊位数。
BP神经网络，即多层前馈式误差反传播神经网络。通常由输入层i、输出层k和若干隐含层j构成，每层含有若干节点，每一个节点代表一个神经元，上层节点与下层节点之间的连接称为权，同一层节点之间没有联系。如图3所示，描述的是一个单隐含层BP神经网络模型拓扑结构图。
BP神经网络的基本思想是：学习过程可以分为输入信号的正向传播和误差信号的反向传播两个过程。系统正向传播时，信号从输入层进入网络系统，各隐层通过权值处理后，进入输出层。当输出层的实际输出与预先设定的期望值不符，则系统转入误差的反向传播阶段。误差反传是指将输出误差以某种形式通过隐层向输入层逐层反向传播，并将误差分派给各层的所有节点，进而得出各层单元的误差，该误差信号为修正各连接权值提供依据。这种结合信息正向传播与误差反向传播的各层权值综合调节过程，得到最终结果前是在一直进行的。那么，权值的自我调整过程就是神经网络的学习训练过程。该过程结束分两种情况。一种是网络输出误差减少到允许范围内，另一种是系统达到了预定的学习次数。
学习率是训练BP神经网络的一项重要参数。传统的BP神经网络计算方法中需要不断地人工调整学习率来实现最优的训练次数和收敛结果，该过程将浪费很多不必要的检验时间。为了提高训练效率，本申请实施例中提出了改进BP神经网络的自适应预测算法。该方法通过BP神经网络训练函数对学习率进行自适应调整，当误差大于前一次误差时，自适应减小学习率；若误差小于前一次误差时，自适应增大学习率。具体的，针对每个停车场执行为：获取该停车场的历史停车数据，该历史停车数据包括不同时间段内进场车辆数和出场车辆数；根据不同时间段内进场车辆数和出场车辆数构建训练样本；根据训练样本和学习率训练所述BP神经网络模型；根据本次训练误差和上次训练误差调整所述学习率，其中，若本次训练误差小于上次训练误差，则增大所述学习率，若本次训练误差大于上次训练误差，则降低所述学习率；然后根据调整后的学习率训练所述BP神经网络模型。
进一步的，停车指数能够表征停车场停车的难易程度，在泊车诱导时，当然希望诱导用户行驶至较容易停车的停车场。有鉴于此，本申请实施例中可以：
根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数；
针对各停车场，根据该停车场的空余泊位数计算该停车场的泊位占用率；
根据泊位占用率确定该停车场的停车指数；
将停车指数为指定停车指数的停车场作为推荐停车场；
将推荐停车场的空余泊位数发送给所述客户端显示。
这样，推荐给客户端的停车场是便于停车的停车场，能够更好的诱导停车。
进一步的，为了便于用户通过多种停车指标进行泊位诱导，可以将所述到达时刻所述指定范围内的各停车场的泊位占用率和/或停车指数并发送给所述客户端。这样，用户可以通过泊位占用率和/或停车指数进一步了解停车场的详细情况，便于选择理想的停车场。
进一步的，用户往往希望简单而便于观察的方式进行泊位诱导。故此，根据泊位占用率确定停车场的停车指数时，停车指数的等级不需要过多。本申请实施例中，确定使用三级停车指数即可。具体的：
若泊位占用率小于第一阈值则停车指数为第一级；
若泊位占用率大于或等于第一阈值且小于第二阈值则停车指数为第二级；
若泊位占用率大于或等于第二阈值则停车指数为第三级。
例如表1所示为停车指数判断标准表，需要说明的是，该表仅用于说明本申请实施例并不用于限定。其中，颜色一栏为终端可以对应显示的颜色。
表1
停车场车位利用率 停车指数 颜色 Web端显示结果 含义
u(t)<<70％ 1 绿 空闲 停车非常容易
70％<<u(t)<<95％ 2 黄 较满 停车较容易
u(t)>95％ 3 红 满 停车困难
这样，第一级表示空余车位充足，非常便于停车，第二级表示空余车位一般充足，可停车；第三级表示空余车位不足，难以停车。这样，仅通过三级难易程度，即可帮助用户进行决策。
进一步的，用户往往希望将车辆停放到熟悉的停车场，故此，用户在重复往返特定地方时，具有自己的停车偏好。故此，为了便于泊位诱导，本申请实施例中，还可以挖掘用户的停车喜好，具体实施时可以获取所述客户端对应的用户的行车记录，所述行车记录中包括出行时间及停靠停车场；然后统计出行时间在指定时间段内所述目的地的指定范围内的各停车场的停车次数；最后将各停车场的停车次数发送给所述客户端显示。
例如某用户的停车偏好可以如图4所示，显示了该用户近期在几个地点的停车偏好。图4中显示出了用户在几个停车场的停车次数。
具体实施时，可以建立数据库表，包含海量的停车数据、导航数据及其所蕴含的其他高价值数据。便于本申请实施例使用表中相关信息进行泊车预测和用户偏好分析。
此外，具体实施时，还可以统计各停车场过去一段时间内的空余泊位数，发送给客户端进行显示，便于用户了解停车场的历史情况。
综上所述，本申请实施例中，通过预测未来空余车位，便于进行泊位诱导。进一步的，通过BP神经网络模型自适应调整学习率，可以缩短训练时间，提高训练效率。
基于相同的发明构思，本申请实施例还提供一种泊车诱导方法，如图5所示，所述方法包括：
S51、发送停车场泊位预测请求给服务端，所述泊位预测请求中包括出行的出发点和目的地；
S52、接收所述服务端发送所述目的地的到达时刻所述目的地的指定范围内的各停车场的空余泊位数并显示。
为便于用户实时了解停车场空余泊位情况，本申请实施例中还可以在所述客户端对应的用户行驶至所述目的地的行车过程中，实时接收所述服务端发送的所述指定范围内的各停车场的空余泊位数并显示。
进一步的，为便于用户决策出合适的停车场，本申请中还可以接收服务端发送的用户到达目的地的时刻所述指定范围内的各停车场的泊位占用率和/或停车指数并显示。
具体实施时，接收服务端发送的用户到达目的地的时刻停车指数并显示，可具体包括：
接收服务端发送的用户到达目的地的时刻停车指数；
确定所述停车指数的级别对应的颜色；
在表示停车指数的显示区域显示所述颜色。
如图6a和6b所示，为本申请实施例中提供的客户端的界面示意图：其中，停车场所在层数、查询按钮和当前车位数顾名思义不作进一步解释。结合图6b需要说明的是：目的停车场可以是根据图6a从多个停车指数合适的多个停车场选择的一个；选择时间可以是估计的到达时间，也可以是用户输入的时间；
在确定选择时间后，可以展示选择时间对应的时刻预测的车位占用率(如图中79％，并用相应的停车指数颜色显示)，预计使用级别则用户说明车位的空闲情况。
进一步的，如前所述，还可以显示用户的停车偏好，即接收服务端发送的所述客户端对应的用户在指定时间段内在所述目的地的指定范围内的各停车场的停车次数；显示所述停车场及对应的停车次数。这样，便于用户根据自身的偏好进行泊车。
此外，如图7所示，还可以如前所述，显示停车场过去一段时间(例如图7中所示的一年内)全时段平均空余车位，便于用户作为参考。
如图8所示，其为本申请实施例提供的泊车诱导装置的结构示意图，可以包括：
接收模块801，用于接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；
到达时刻预测模块802，用于根据出行的出发点和目的地预测目的地的到达时刻；
停车场确定模块803，用于确定以该目的地为基准的指定范围内的停车场；
空余泊位预测模块804，用于根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型。
在一种可能的实施方式中，所述装置还包括：
长时预测模型建立模块，用于根据以下方法建立所述长时预测模型：
针对每个停车场执行：获取该停车场的历史停车数据，该历史停车数据包括不同时间段内进场车辆数和出场车辆数；根据不同时间段内的进场车辆数和出场车辆数、基于指数平滑预测装置建立长时预测模型。
在一种可能的实施方式中，所述装置还包括：
实时预测模块，用于在所述客户端对应的用户行驶至所述目的地的行车过程中，基于预先训练的BP神经网络模型，实时预测所述指定范围内的各停车场的空余泊位数。
在一种可能的实施方式中，所述装置还包括：
BP神经网络模型训练模块，用于根据以下方法训练所述BP神经网络模型：
针对每个停车场执行：获取该停车场的历史停车数据，该历史停车数据包括不同时间段内进场车辆数和出场车辆数；
根据不同时间段内进场车辆数和出场车辆数构建训练样本；
根据训练样本和学习率训练所述BP神经网络模型；
根据本次训练误差和上次训练误差调整所述学习率，其中，若本次训练误差小于上次训练误差，则增大所述学习率，若本次训练误差大于上次训练误差，则降低所述学习率；
根据调整后的学习率训练所述BP神经网络模型。
在一种可能的实施方式中，所述空余泊位预测模块，具体包括：
空余泊位数确定单元，用于根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数；
泊位占用率计算单元，用于针对各停车场，根据该停车场的空余泊位数计算该停车场的泊位占用率；
停车指数确定单元，用于根据泊位占用率确定该停车场的停车指数；
推荐停车场确定单元，用于将停车指数为指定停车指数的停车场作为推荐停车场；
发送单元，用于将推荐停车场的空余泊位数发送给所述客户端显示。
在一种可能的实施方式中，所述装置还包括：
附加信息发送模块，用于将所述到达时刻所述指定范围内的各停车场的泊位占用率和/或停车指数并发送给所述客户端。
在一种可能的实施方式中，停车指数确定单元，具体用于：
若泊位占用率小于第一阈值则停车指数为第一级；
若泊位占用率大于或等于第一阈值且小于第二阈值则停车指数为第二级；
若泊位占用率大于或等于第二阈值则停车指数为第三级。
在一种可能的实施方式中，所述装置还包括：
行车记录获取模块，用于获取所述客户端对应的用户的行车记录，所述行车记录中包括出行时间及停靠停车场；
统计模块，用于统计出行时间在指定时间段内所述目的地的指定范围内的各停车场的停车次数；
停车次数发送模块，用于将各停车场的停车次数发送给所述客户端显示。
基于相同的发明构思，如图9所示，本申请实施例还提供一种泊车诱导装置，所述装置包括：
发送模块901，用于发送停车场泊位预测请求给服务端，所述泊位预测请求中包括出行的出发点和目的地；
空余泊位数处理模块902，用于接收所述服务端发送所述目的地的到达时刻所述目的地的指定范围内的各停车场的空余泊位数并显示。
在一种可能的实施方式中，所述装置还包括：
实时接收模块，用于在所述客户端对应的用户行驶至所述目的地的行车过程中，实时接收所述服务端发送的所述指定范围内的各停车场的空余泊位数并显示。
在一种可能的实施方式中，所述装置还包括：
附加信息处理模块，用于接收服务端发送的用户到达目的地的时刻所述指定范围内的各停车场的泊位占用率和/或停车指数并显示。
在一种可能的实施方式中，附加信息处理模块，具体包括：
接收单元，用于接收服务端发送的用户到达目的地的时刻停车指数；
颜色确定单元，用于确定所述停车指数的级别对应的颜色；
显示单元，用于在表示停车指数的显示区域显示所述颜色。
在一种可能的实施方式中，所述装置还包括：
停车次数接收模块，用于接收服务端发送的所述客户端对应的用户在指定时间段内在所述目的地的指定范围内的各停车场的停车次数；
停车次数显示模块，用于显示所述停车场及对应的停车次数。
基于相同的发明构思，本申请实施例中还提供一种泊位诱导系统，如图10所示，所述系统包括：
服务端1001，用于接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；根据出行的出发点和目的地预测目的地的到达时刻；确定以该目的地为基准的指定范围内的停车场；根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型；
客户端1002，用于发送停车场泊位预测请求给服务端；接收所述服务端发送所述目的地的到达时刻所述目的地的指定范围内的各停车场的空余泊位数并显示。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
本申请实施例提供的泊车诱导装置可以独立设置，也可以集成于车内现有的设备中，例如，可以集成于行车记录仪中，也可以集成于车载导航中等等。
在介绍了本申请示例性实施方式泊车诱导方法和装置之后，接下来，介绍根据本申请的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本申请的计算装置可以至少包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述描述的根据本申请各种示例性实施方式泊车诱导方法中的步骤。例如，所述处理单元可以执行如图2或图5中所示的步骤。
下面参照图11来描述根据本申请的这种实施方式的计算装置110。图11显示的计算装置110仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示，计算装置110以通用计算设备的形式表现。计算装置110的组件可以包括但不限于：上述至少一个处理单元111、上述至少一个存储单元112、连接不同系统组件(包括存储单元112和处理单元111)的总线113。
总线113表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元112可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)421和/或高速缓存存储器1122，还可以进一步包括只读存储器(ROM)1123。
存储单元112还可以包括具有一组(至少一个)程序模块1124的程序/实用工具1125，这样的程序模块1124包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置110也可以与一个或多个外部设备114(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置110交互的设备通信，和/或与使得该计算装置110能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口115进行。并且，计算装置110还可以通过网络适配器116与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器116通过总线113与用于计算装置110的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置110使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本申请提供的泊车诱导方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的泊车诱导方法中的步骤，例如，所述计算机设备可以执行如图2或图5中所示的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的泊车诱导的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，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。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，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。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (31)

1.一种泊车诱导方法，其特征在于，包括：
接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；
根据出行的出发点和目的地预测目的地的到达时刻；
确定以该目的地为基准的指定范围内的停车场；
根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据以下方法建立所述长时预测模型：
针对每个停车场执行：获取该停车场的历史停车数据，该历史停车数据包括不同时间段内进场车辆数和出场车辆数；根据不同时间段内的进场车辆数和出场车辆数、基于指数平滑预测方法建立长时预测模型。
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：
在所述客户端对应的用户行驶至所述目的地的行车过程中，基于预先训练的BP神经网络模型，实时预测所述指定范围内的各停车场的空余泊位数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据以下方法训练所述BP神经网络模型：
针对每个停车场执行：获取该停车场的历史停车数据，该历史停车数据包括不同时间段内进场车辆数和出场车辆数；
根据不同时间段内进场车辆数和出场车辆数构建训练样本；
根据训练样本和学习率训练所述BP神经网络模型；
根据本次训练误差和上次训练误差调整所述学习率，其中，若本次训练误差小于上次训练误差，则增大所述学习率，若本次训练误差大于上次训练误差，则降低所述学习率；
根据调整后的学习率训练所述BP神经网络模型。
5.根据权利要求1所述的方法，其特征在于，所述根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，具体包括：
根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数；
针对各停车场，根据该停车场的空余泊位数计算该停车场的泊位占用率；
根据泊位占用率确定该停车场的停车指数；
将停车指数为指定停车指数的停车场作为推荐停车场；
将推荐停车场的空余泊位数发送给所述客户端显示。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将所述到达时刻所述指定范围内的各停车场的泊位占用率和/或停车指数并发送给所述客户端。
7.根据权利要求5所述的方法，其特征在于，根据泊位占用率确定停车场的停车指数，具体包括：
若泊位占用率小于第一阈值则停车指数为第一级；
若泊位占用率大于或等于第一阈值且小于第二阈值则停车指数为第二级；
若泊位占用率大于或等于第二阈值则停车指数为第三级。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述客户端对应的用户的行车记录，所述行车记录中包括出行时间及停靠停车场；
统计出行时间在指定时间段内所述目的地的指定范围内的各停车场的停车次数；
将各停车场的停车次数发送给所述客户端显示。
9.一种泊车诱导方法，其特征在于，所述方法包括：
发送停车场泊位预测请求给服务端，所述泊位预测请求中包括出行的出发点和目的地；
接收所述服务端发送所述目的地的到达时刻所述目的地的指定范围内的各停车场的空余泊位数并显示。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
在所述客户端对应的用户行驶至所述目的地的行车过程中，实时接收所述服务端发送的所述指定范围内的各停车场的空余泊位数并显示。
11.根据权利要求9所述的方法，其特征在于，所述方法还包括：
接收服务端发送的用户到达目的地的时刻所述指定范围内的各停车场的泊位占用率和/或停车指数并显示。
12.根据权利要求11所述的方法其特征在于，接收服务端发送的用户到达目的地的时刻停车指数并显示，具体包括：
接收服务端发送的用户到达目的地的时刻停车指数；
确定所述停车指数的级别对应的颜色；
在表示停车指数的显示区域显示所述颜色。
13.根据权利要求9-12任一所述的方法，其特征在于，所述方法还包括：
接收服务端发送的所述客户端对应的用户在指定时间段内在所述目的地的指定范围内的各停车场的停车次数；
显示所述停车场及对应的停车次数。
14.一种泊车诱导装置，其特征在于，所述装置包括：
接收模块，用于接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；
到达时刻预测模块，用于根据出行的出发点和目的地预测目的地的到达时刻；
停车场确定模块，用于确定以该目的地为基准的指定范围内的停车场；
空余泊位预测模块，用于根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型。
15.根据权利要求14所述的装置，其特征在于，所述装置还包括：
长时预测模型建立模块，用于根据以下方法建立所述长时预测模型：
针对每个停车场执行：获取该停车场的历史停车数据，该历史停车数据包括不同时间段内进场车辆数和出场车辆数；根据不同时间段内的进场车辆数和出场车辆数、基于指数平滑预测装置建立长时预测模型。
16.根据权利要求14所述的装置，其特征在于，所述装置还包括：
实时预测模块，用于在所述客户端对应的用户行驶至所述目的地的行车过程中，基于预先训练的BP神经网络模型，实时预测所述指定范围内的各停车场的空余泊位数。
17.根据权利要求16所述的装置，其特征在于，所述装置还包括：
BP神经网络模型训练模块，用于根据以下方法训练所述BP神经网络模型：
针对每个停车场执行：获取该停车场的历史停车数据，该历史停车数据包括不同时间段内进场车辆数和出场车辆数；
根据不同时间段内进场车辆数和出场车辆数构建训练样本；
根据训练样本和学习率训练所述BP神经网络模型；
根据本次训练误差和上次训练误差调整所述学习率，其中，若本次训练误差小于上次训练误差，则增大所述学习率，若本次训练误差大于上次训练误差，则降低所述学习率；
根据调整后的学习率训练所述BP神经网络模型。
18.根据权利要求14所述的装置，其特征在于，所述空余泊位预测模块，具体包括：
空余泊位数确定单元，用于根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数；
泊位占用率计算单元，用于针对各停车场，根据该停车场的空余泊位数计算该停车场的泊位占用率；
停车指数确定单元，用于根据泊位占用率确定该停车场的停车指数；
推荐停车场确定单元，用于将停车指数为指定停车指数的停车场作为推荐停车场；
发送单元，用于将推荐停车场的空余泊位数发送给所述客户端显示。
19.根据权利要求18所述的装置，其特征在于，所述装置还包括：
附加信息发送模块，用于将所述到达时刻所述指定范围内的各停车场的泊位占用率和/或停车指数并发送给所述客户端。
20.根据权利要求18所述的装置，其特征在于，停车指数确定单元，具体用于：
若泊位占用率小于第一阈值则停车指数为第一级；
若泊位占用率大于或等于第一阈值且小于第二阈值则停车指数为第二级；
若泊位占用率大于或等于第二阈值则停车指数为第三级。
21.根据权利要求14所述的装置，其特征在于，所述装置还包括：
行车记录获取模块，用于获取所述客户端对应的用户的行车记录，所述行车记录中包括出行时间及停靠停车场；
统计模块，用于统计出行时间在指定时间段内所述目的地的指定范围内的各停车场的停车次数；
停车次数发送模块，用于将各停车场的停车次数发送给所述客户端显示。
22.一种泊车诱导装置，其特征在于，所述装置包括：
发送模块，用于发送停车场泊位预测请求给服务端，所述泊位预测请求中包括出行的出发点和目的地；
空余泊位数处理模块，用于接收所述服务端发送所述目的地的到达时刻所述目的地的指定范围内的各停车场的空余泊位数并显示。
23.根据权利要求22所述的装置，其特征在于，所述装置还包括：
实时接收模块，用于在所述客户端对应的用户行驶至所述目的地的行车过程中，实时接收所述服务端发送的所述指定范围内的各停车场的空余泊位数并显示。
24.根据权利要求23所述的装置，其特征在于，所述装置还包括：
附加信息处理模块，用于接收服务端发送的用户到达目的地的时刻所述指定范围内的各停车场的泊位占用率和/或停车指数并显示。
25.根据权利要求24所述的装置其特征在于，附加信息处理模块，具体包括：
接收单元，用于接收服务端发送的用户到达目的地的时刻停车指数；
颜色确定单元，用于确定所述停车指数的级别对应的颜色；
显示单元，用于在表示停车指数的显示区域显示所述颜色。
26.根据权利要求22-25任一所述的装置，其特征在于，所述装置还包括：
停车次数接收模块，用于接收服务端发送的所述客户端对应的用户在指定时间段内在所述目的地的指定范围内的各停车场的停车次数；
停车次数显示模块，用于显示所述停车场及对应的停车次数。
27.一种泊位诱导系统，其特征在于，所述系统包括：
服务端，用于接收客户端发送的停车场泊位预测请求，所述泊位预测请求中包括出行的出发点和目的地；根据出行的出发点和目的地预测目的地的到达时刻；确定以该目的地为基准的指定范围内的停车场；根据预先建立的长时预测模型，确定所述到达时刻所述指定范围内的各停车场的空余泊位数并发送给所述客户端显示，其中，长时预测模型为预先根据停车场的历史停车数据建立的能够预测各停车场的不同时段的空余泊位数的模型；
客户端，用于发送停车场泊位预测请求给服务端；接收所述服务端发送所述目的地的到达时刻所述目的地的指定范围内的各停车场的空余泊位数并显示。
28.一种计算装置，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～8任一权利要求所述方法的步骤。
29.一种计算机可读介质，其特征在于，其存储有可由计算装置执行的计算机程序，当所述程序在计算装置上运行时，使得所述计算装置执行权利要求1～8任一所述方法的步骤。
30.一种计算装置，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求9～13任一权利要求所述方法的步骤。
31.一种计算机可读介质，其特征在于，其存储有可由计算装置执行的计算机程序，当所述程序在计算装置上运行时，使得所述计算装置执行权利要求9～13任一所述方法的步骤。
CN201810386939.4A 2018-04-26 2018-04-26 泊车诱导方法、装置和介质 Pending CN110415546A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810386939.4A CN110415546A (zh) 2018-04-26 2018-04-26 泊车诱导方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810386939.4A CN110415546A (zh) 2018-04-26 2018-04-26 泊车诱导方法、装置和介质

Publications (1)

Publication Number Publication Date
CN110415546A true CN110415546A (zh) 2019-11-05

Family

ID=68345727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810386939.4A Pending CN110415546A (zh) 2018-04-26 2018-04-26 泊车诱导方法、装置和介质

Country Status (1)

Country Link
CN (1) CN110415546A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111325382A (zh) * 2020-01-23 2020-06-23 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
CN112201075A (zh) * 2020-09-18 2021-01-08 厦门路桥信息股份有限公司 停车场车位可用性预测方法及系统
CN112863231A (zh) * 2020-12-31 2021-05-28 深圳市顺易通信息科技有限公司 一种停车场剩余车位校准方法、系统、装置及存储介质
CN113160607A (zh) * 2021-02-04 2021-07-23 北京百度网讯科技有限公司 停车位导航方法、装置、电子设备、存储介质及产品
CN113487905A (zh) * 2021-06-09 2021-10-08 海南漫游谷电子商务有限公司 一种停车场车位预测方法及服务器
CN113793507A (zh) * 2021-11-16 2021-12-14 湖南工商大学 可用车位预测方法、装置、计算机设备及存储介质
CN113838303A (zh) * 2021-09-26 2021-12-24 千方捷通科技股份有限公司 停车场推荐方法、装置、电子设备及存储介质
CN114141048A (zh) * 2020-08-11 2022-03-04 支付宝(杭州)信息技术有限公司 车位推荐方法及装置、停车场的车位预测方法及装置
CN114267204A (zh) * 2022-01-07 2022-04-01 斑马网络技术有限公司 车辆信息的处理方法、装置及存储介质
CN115050210A (zh) * 2022-06-07 2022-09-13 杭州市城市大脑停车系统运营股份有限公司 基于时序预测的停车场智能诱导方法、系统及装置
CN115150463A (zh) * 2022-09-05 2022-10-04 广东广宇科技发展有限公司 智慧城市内涝信息推送方法、装置、电子设备及存储介质
CN117133144A (zh) * 2023-07-12 2023-11-28 中交一公局第六工程有限公司 一种基于物联网的智慧城市停车场车位预测方法及系统

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003296896A (ja) * 2002-04-05 2003-10-17 Sumitomo Electric Ind Ltd 駐車検出装置、駐車検出方法及び駐車検出システム
CN101540112A (zh) * 2009-04-14 2009-09-23 上海喜泊客信息技术有限公司 停车泊位引导系统及方法
CN101604480A (zh) * 2008-06-11 2009-12-16 爱信艾达株式会社 停车场引导装置、停车场引导方法以及程序
CN101930670A (zh) * 2010-08-12 2010-12-29 东南大学 公交行驶路段社会车辆运行时间预测方法
CN102024343A (zh) * 2010-12-20 2011-04-20 东南大学 停车场有效泊位占有率短时预测方法
CN102622910A (zh) * 2012-04-18 2012-08-01 复旦大学 一种停车场车位预订的方法及系统
CN102855773A (zh) * 2012-09-13 2013-01-02 东南大学 一种停车场有效泊位占有率短时预测方法
CN102867407A (zh) * 2012-09-13 2013-01-09 东南大学 一种停车场有效泊位占有率多步预测方法
CN103778323A (zh) * 2014-01-03 2014-05-07 株洲南车时代电气股份有限公司 基于指数平滑的预测交通流数据的方法和系统
CN103871270A (zh) * 2014-02-28 2014-06-18 张剑锋 基于云计算和大数据的停车方法和系统
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
CN104933891A (zh) * 2015-07-06 2015-09-23 深圳市腾讯计算机系统有限公司 信息处理方法、客户端及服务平台
CN105489058A (zh) * 2016-01-15 2016-04-13 成都宜泊信息科技有限公司 停车场的闲时车位的数量和闲时时段的计算方法
CN105513414A (zh) * 2015-12-25 2016-04-20 江苏东大金智信息系统有限公司 基于实时交通查询和云模型的停车场车位预测和推荐方法
CN105760960A (zh) * 2016-02-29 2016-07-13 东南大学 基于轨道交通的停车换乘设施最优选址和容量确定方法
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
CN106504577A (zh) * 2016-11-23 2017-03-15 青岛海信网络科技股份有限公司 一种停车换乘出行路线规划方法及装置
CN106530810A (zh) * 2016-11-18 2017-03-22 安徽超清科技股份有限公司 一种基于停车场信息的交通诱导系统
CN106781677A (zh) * 2017-01-26 2017-05-31 王勇 一种停车场空闲车位的统计方法及系统
CN106940829A (zh) * 2017-04-28 2017-07-11 兰州交通大学 一种车联网环境下的个性化路径推荐方法
CN106980897A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法
CN107038488A (zh) * 2017-02-25 2017-08-11 浙江大学 一种基于泊位预测和停车选择的停车场实时泊位预约方法
CN107123260A (zh) * 2017-06-26 2017-09-01 上海交通大学 基于出行者预算限制的交通分配方法
CN107134142A (zh) * 2017-07-10 2017-09-05 中南大学 一种基于多源数据融合的城市道路流量预测方法
CN107146462A (zh) * 2017-06-23 2017-09-08 武汉大学 一种停车场空闲车位数长时预测方法
CN107609067A (zh) * 2017-08-30 2018-01-19 重庆电子工程职业学院 基于大数据的智慧停车车位推荐方法和系统
CN107730961A (zh) * 2016-08-10 2018-02-23 操轶 一种停车位信息显示方法及装置

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003296896A (ja) * 2002-04-05 2003-10-17 Sumitomo Electric Ind Ltd 駐車検出装置、駐車検出方法及び駐車検出システム
CN101604480A (zh) * 2008-06-11 2009-12-16 爱信艾达株式会社 停车场引导装置、停车场引导方法以及程序
CN101540112A (zh) * 2009-04-14 2009-09-23 上海喜泊客信息技术有限公司 停车泊位引导系统及方法
CN101930670A (zh) * 2010-08-12 2010-12-29 东南大学 公交行驶路段社会车辆运行时间预测方法
CN102024343A (zh) * 2010-12-20 2011-04-20 东南大学 停车场有效泊位占有率短时预测方法
CN102622910A (zh) * 2012-04-18 2012-08-01 复旦大学 一种停车场车位预订的方法及系统
CN102855773A (zh) * 2012-09-13 2013-01-02 东南大学 一种停车场有效泊位占有率短时预测方法
CN102867407A (zh) * 2012-09-13 2013-01-09 东南大学 一种停车场有效泊位占有率多步预测方法
CN103778323A (zh) * 2014-01-03 2014-05-07 株洲南车时代电气股份有限公司 基于指数平滑的预测交通流数据的方法和系统
CN103871270A (zh) * 2014-02-28 2014-06-18 张剑锋 基于云计算和大数据的停车方法和系统
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
CN104933891A (zh) * 2015-07-06 2015-09-23 深圳市腾讯计算机系统有限公司 信息处理方法、客户端及服务平台
CN105513414A (zh) * 2015-12-25 2016-04-20 江苏东大金智信息系统有限公司 基于实时交通查询和云模型的停车场车位预测和推荐方法
CN105489058A (zh) * 2016-01-15 2016-04-13 成都宜泊信息科技有限公司 停车场的闲时车位的数量和闲时时段的计算方法
CN105760960A (zh) * 2016-02-29 2016-07-13 东南大学 基于轨道交通的停车换乘设施最优选址和容量确定方法
CN107730961A (zh) * 2016-08-10 2018-02-23 操轶 一种停车位信息显示方法及装置
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
CN106530810A (zh) * 2016-11-18 2017-03-22 安徽超清科技股份有限公司 一种基于停车场信息的交通诱导系统
CN106504577A (zh) * 2016-11-23 2017-03-15 青岛海信网络科技股份有限公司 一种停车换乘出行路线规划方法及装置
CN106781677A (zh) * 2017-01-26 2017-05-31 王勇 一种停车场空闲车位的统计方法及系统
CN107038488A (zh) * 2017-02-25 2017-08-11 浙江大学 一种基于泊位预测和停车选择的停车场实时泊位预约方法
CN106980897A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法
CN106940829A (zh) * 2017-04-28 2017-07-11 兰州交通大学 一种车联网环境下的个性化路径推荐方法
CN107146462A (zh) * 2017-06-23 2017-09-08 武汉大学 一种停车场空闲车位数长时预测方法
CN107123260A (zh) * 2017-06-26 2017-09-01 上海交通大学 基于出行者预算限制的交通分配方法
CN107134142A (zh) * 2017-07-10 2017-09-05 中南大学 一种基于多源数据融合的城市道路流量预测方法
CN107609067A (zh) * 2017-08-30 2018-01-19 重庆电子工程职业学院 基于大数据的智慧停车车位推荐方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
孙涌等: "停车诱导系统中车位预测模型的研究", 《计算机应用与软件》 *
张庆等: "动态停车场数据预处理及短时预测方法研究", 《科技信息》 *
武美先: "BP神经网络的双学习率自适应学习算法", 《现代制造工程》 *
王科俊等: "几种变学习率的快速BP算法比较研究", 《哈尔滨工程大学学报》 *
高广银等: "基于BP神经网络的停车诱导泊位预测", 《计算机系统应用》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325382A (zh) * 2020-01-23 2020-06-23 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
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
US11574259B2 (en) 2020-01-23 2023-02-07 Beijing Baidu Netcom Science And Technology Co., Ltd. Parking lot free parking space predicting method, apparatus, electronic device and storage medium
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
CN114141048A (zh) * 2020-08-11 2022-03-04 支付宝(杭州)信息技术有限公司 车位推荐方法及装置、停车场的车位预测方法及装置
CN112201075B (zh) * 2020-09-18 2022-05-10 厦门路桥信息股份有限公司 停车场车位可用性预测方法及系统
CN112201075A (zh) * 2020-09-18 2021-01-08 厦门路桥信息股份有限公司 停车场车位可用性预测方法及系统
CN112863231A (zh) * 2020-12-31 2021-05-28 深圳市顺易通信息科技有限公司 一种停车场剩余车位校准方法、系统、装置及存储介质
CN113160607A (zh) * 2021-02-04 2021-07-23 北京百度网讯科技有限公司 停车位导航方法、装置、电子设备、存储介质及产品
CN113487905A (zh) * 2021-06-09 2021-10-08 海南漫游谷电子商务有限公司 一种停车场车位预测方法及服务器
WO2022257281A1 (zh) * 2021-06-09 2022-12-15 海南漫游谷电子商务有限公司 一种停车场车位预测方法及服务器
CN113838303A (zh) * 2021-09-26 2021-12-24 千方捷通科技股份有限公司 停车场推荐方法、装置、电子设备及存储介质
CN113793507A (zh) * 2021-11-16 2021-12-14 湖南工商大学 可用车位预测方法、装置、计算机设备及存储介质
CN114267204A (zh) * 2022-01-07 2022-04-01 斑马网络技术有限公司 车辆信息的处理方法、装置及存储介质
CN115050210A (zh) * 2022-06-07 2022-09-13 杭州市城市大脑停车系统运营股份有限公司 基于时序预测的停车场智能诱导方法、系统及装置
CN115050210B (zh) * 2022-06-07 2023-10-20 杭州市城市大脑停车系统运营股份有限公司 基于时序预测的停车场智能诱导方法、系统及装置
CN115150463A (zh) * 2022-09-05 2022-10-04 广东广宇科技发展有限公司 智慧城市内涝信息推送方法、装置、电子设备及存储介质
CN115150463B (zh) * 2022-09-05 2022-11-29 广东广宇科技发展有限公司 智慧城市内涝信息推送方法、装置、电子设备及存储介质
CN117133144A (zh) * 2023-07-12 2023-11-28 中交一公局第六工程有限公司 一种基于物联网的智慧城市停车场车位预测方法及系统
CN117133144B (zh) * 2023-07-12 2024-03-12 中交一公局第六工程有限公司 一种基于物联网的智慧城市停车场车位预测方法及系统

Similar Documents

Publication Publication Date Title
CN110415546A (zh) 泊车诱导方法、装置和介质
CN110472764B (zh) 基于强化学习使用半合作纳什平衡来协调多方服务的方法和系统
CN106779190B (zh) 一种城市轨道交通乘客出行路径建议方法及系统
US20230060713A1 (en) Methods for recommending parking lots in smart cities, internet of things systems, and storage medium thereof
US20200104761A1 (en) Payment card for multi-leg journey
DE102016107713A1 (de) Mitfahr-Routenplanung unter Verwendung von kontextuellen Beschränkungen
US11067406B2 (en) Navigation method using historical navigation data to provide geographical- and user-optimised route suggestions
CN107038488A (zh) 一种基于泊位预测和停车选择的停车场实时泊位预约方法
CN110458456B (zh) 基于人工智能的需求响应式公交系统的调度方法及系统
CN106017496A (zh) 一种基于路况的实时导航方法
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划系统及方法
CN108510730A (zh) 共享汽车网点间车辆调度方法及系统
CN104280028A (zh) 基于室内地图路径计算涉及跨楼层路径部分的实现方法
CN109784536A (zh) 旅游行程的推荐方法、装置、计算机设备和存储介质
CN106326471A (zh) 一种路线推荐方法以及装置
Ziat et al. Joint prediction of road-traffic and parking occupancy over a city with representation learning
US20130325483A1 (en) Dialogue models for vehicle occupants
CN109002625A (zh) 一种基于鲁棒优化的接驳公交网络设计方法
CN110400177A (zh) 公交乘客出行信息匹配方法、介质、设备及装置
CN107215363A (zh) 一种地铁站内乘客排队引导方法和引导系统
JP7460062B2 (ja) オンライン予約車両情報処理方法、装置、機器、及びコンピュータ記憶媒体
CN110285820A (zh) 一种用于车机的出行路况预测方法及系统
CN107764276A (zh) 一种基于视频监控的导航规划系统
Gholami et al. Economic conditions for minibus usage in a multimodal feeder network
CN107860395A (zh) 一种基于视频监控的导航规划方法

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: 20191105