CN111510488A - 一种智能停车场搜寻与导航方法 - Google Patents

Abstract

本发明公开了一种智能停车场搜寻与导航方法，是应用于由用户端、使用端和云端服务器所组成的网络环境中，该用户端和使用端从外部环境收集有关信息，并发送给云端服务器，云端服务器使用已建立的模型处理数据并输出反馈给用户端和使用端，从而引导用户端前往对应的停车场。本发明能最大程度上的利用每一个停车场的每一个车位，更加合理的分配每一个停车场，从而达到缓解“停车难”，交通拥堵的目的。

Description

一种智能停车场搜寻与导航方法

技术领域

本发明涉及智能交通领域，具体的说是一种智能停车场搜寻与导航方法。

背景技术

目前我国大城市小汽车与停车位的比例约为1:0.8，中小城市约为1∶0.5，而发达国家约为1∶1.3。保守估计我国停车位缺口超过5000万个。因此，国内出现了“停车难”、“天价车位”的情况。

国内外的现有的技术以及研究，大多停留在对于某一单个车位的研究，或者某一单个车辆的停车方案的研究上，缺乏对于区域整体车位的研究和对于一段时间内的某一区域的所需停车的车辆的集合的研究，从而不能形成对区域内的全部车辆实施统一化分配，出现了一些停车场爆满，同时其他停车场却已就剩余大量车位的现象，导致了社会公共资源的浪费。而且大多数现有的技术，也仅仅是停留在对于车辆的导航，而并不注意结果是否有无车位空余，往往当车主到达目的地后，却发现车位已满，既浪费了车主的时间，又因为重复的寻找车位，加剧了周围道路的拥堵。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种智能停车场搜寻与导航方法，以期能最大程度上的利用每一个停车场的每一个车位，更加合理的分配每一个停车场，从而达到缓解“停车难”，交通拥堵的目的。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种智能停车场搜寻与导航方法的特点是应用于由用户端、使用端和云端服务器所组成的网络环境中，并按如下步骤进行：

步骤1，有关数据的信息收集及上传；

步骤1.1，收集车辆i上的用户端的地理位置和目的地的地理位置；

步骤1.2，收集所述用户端的个人偏好，包括：步行距离心理阻抗权重系数m₁、停车费用心理阻抗权重系数m₂和安全系数γ，且γ＝ε_j-ε_min，其中，ε_j为停车场j的安保密度，即停车场单位面积监控探头的数量；ε_min为对停车场安保密度所能接受的最小值；

若车辆i上的用户端选择较少步行，则令m₁＞m₂，若所述车辆i上的用户端选择较少费用，则令m₁＜m₂，若所述车辆i上的用户端选择较为安全，则令

为车辆i所在城市的停车场单位面积监控探头数量的平均值；

步骤1.3，停车场类型的选择：

判断车辆i上的用户端选择的停车场j的类型，若停车场j为露天停车场，则停车场j上的使用端收集目的地所在的一定范围内所有露天停车场的车位状态数量信息、地理位置、费用信息、安保密度；

若停车场j为非露天停车场，则停车场j上的使用端收集目的地所在的一定范围内所有非露天停车场的车位状态数量信息、地理位置、费用信息、安保密度；

若停车场j为私人停车场，则停车场j上的使用端收集目的地所在的一定范围内所有私人停车场的车位状态数量信息、地理位置、费用信息、安保密度；

所述车位状态数量信息包括：已占用数量，可预订数量，已预订数量；

步骤1.4，用户端和使用端把收集到的地理位置、个人偏好、选择的停车场类型以及预存的停车费用数据上传至云端服务器；

步骤2，云端服务器根据所接收到的数据，计算车辆i对于目的地所在的一定范围内所有相应类型的停车场的成本，并将所有计算结果进行升序排序后，向所选择的停车场k的使用端发送请求停车信息：

利用式(1)建立个体停车模型：

式(1)中，c_i,j是车辆i上的用户端选择停车场j停泊的实际停车成本；p_j为停车场j收取的停车费用；α₁为用户端从出发地行驶到停车场的成本比重，并有：

α₁＝k₁P₀P_p (2)

式(2)中，P₀为单位时间内汽车消耗燃料的费用；P_p为通过生产法计算出的时间价值；k₁为开车时间的影响系数；

式(1)中，α2为用户端从停车场步行到目的地的成本比重，并有：

α₂＝k₂P_p (3)

式(3)中，k₂为步行时间的影响系数；

式(1)中，

为车辆i行驶至停车场j的行驶时间，并有：

式(4)中，

中为车辆i行驶至停车场j的行驶距离，v_D为理想状态下汽车行驶的速度，ρ为拥堵修正系数；

式(1)中，

为车辆i上的用户端从停车场j步行至目的地的步行时间，并有：

式(5)中，

为车辆i上的用户端从停车场j步行至目的地的步行距离；v_w为平均步行速度；

式(1)中，θ_i,j为惩罚成本，并有：

式(6)中，P_t,j为用户端预订的停车场j单位时间内的价格，

为车辆i上的用户端从开始预订停车场j到取消预订的时间长度；当

时，令θ_i,j＝0；其中，

为停车基本时间，并有：

式(7)中，ρ₀为汽车平均行驶单位距离的时间；

式(1)中，Q_i,j是诱导判断参量，当

且

且ε_j-ε_min＞0时，令Q_i,j＝1，表示将车辆i上的用户端诱导至停车场j，否则，令Q_i,j＝0，表示不对车辆i诱导；其中，

为车辆i上的用户端步行到停车场j距离的心理阻抗，β_2,j为车辆i上的用户端对停车场j的停车费用的心理阻抗，并有：

式(8)中，s_max为用户端愿意接受的最大步行距离；

式(9)中，p_max为用户端愿意接受的最大停车费用；

当Q_i,j＝1时，利用式(10)得到实际停车成本c_i,j：

当Q_i,j＝0时且当

时，令c_i,j＝0；

当Q_i,j＝0时且当

时，则利用式(11)得到实际停车成本c_i,j：

c_i,j＝θ_i,j(1-Q_i,j) (11)

步骤3，停车场k上的使用端接收所有用户端发送的请求停车信息，并将所有用户的请求停车信息以及停车场k的车位状态上传至所述云端服务器；

步骤4，所述云端服务器根据所接收到的信息，利用式(12)建立多个体停车模型：

式(12)中，

为Δt时间段内的t时刻的停车场k的判断因子；β_θ为环境干扰系数；

为停车场k的总车位数量；

为停车场k在t时刻空余车位数目；

为停车场k在t时刻通过用户端接收到的所有请求停车信息的数目；

为包含t时刻的Δt时间段内未通过用户端而进入停车k车辆数量；

步骤5，所述云端服务器判断

是否成立，若成立，则表示停车场k能容纳所有发送请求停车信息的用户端；否则，表示停车场k能容纳部分发送请求停车信息的用户端，并执行步骤6；其中，

为包含t时刻的Δt时间段内停车场k的容量阈值；

步骤6，所述云端服务器利用式(13)计算t时刻车辆i上的用户端到停车场k的行驶时间T_t ^i,k：

式(13)中，v_i为车辆i上的用户端的行驶速度，a_i,k为车辆i上的用户端到停车场k的拥堵系数，

为t时刻车辆i上的用户端到停车场k的行驶距离；

步骤7，所述云端服务器判断T_t ^i,k≥t_b是否成立，若成立，则表示t时刻车辆i上的用户端达到停车场k时可能无车位，并发送提示消息给车辆i上的用户端；否则，表示t时刻车辆i上的用户端达到停车场k时有车位；t_b为时间阈值；

步骤8，当所述车辆i上的用户端在t时刻接收到提示可能无车位的信息时，车辆i上的用户端若放弃停车场k，则根据步骤2的排序结果，重新选择另一停车场后发送请求停车信息，并返回步骤3执行；否则，车辆i上的用户端继续向停车场k行驶。

与现有技术相比，本发明的有益效果在于：

1、本发明智能停车场搜寻与导航方法通过收集用户需求个人偏好，实时的停车场状态，并利用已有的地理(路程距离)有关数据，运用所建立起的两个模型，对三种不同类型停车场(露天停车场、非露天停车场和私人停车场)目标，进行合理分配和导航，从而在一定程度上缓解了“停车难”，降低了交通拥堵的现状。

2、本发明个人偏好的信息收集，对人这一客观主体进行更加全面的分析，更加符合人机关系，提高了用户对于本方法的使用体验，同时丰富了停车场的筛选标准，提高了找到符合用户的车位的可能性。

3、本发明个体停车模型，通过对收集到的数据信息，进行量化指标，将每一个停车场对于用户的适合程度定义为“成本”，从而更加简明的表示了某一停车场对于用户的合适程度，提高了用户的选择的便利性，提升了停车场分配的严谨性。

4、本发明三种停车场类型，露天停车场，非露天停车场，私人停车场，基本涵盖了区域内的所有停车位，为用户提供更加多样的选择，同时提高了区域内的车位利用率，缓解了“停车难”的现状。

5、本发明多个体停车模型，考虑一段时间内的某一区域的前往某一确定的停车场所有车辆，通过收集相关信息，诱导车辆是继续前往目标停车场，还是更换更合适的另一目标停车位，从而提高了停车位的合理分配的效率，以及相对减少了用户的时间浪费

附图说明

图1为本发明用户端，使用端和云端服务器之间的关系图；

图2为本发明方法的流程图。

具体实施方式

本实施例中，如图1所示，一种智能停车场搜寻与导航方法，是应用于由用户端、使用端和云端服务器所组成的网络环境中，如图2所示，并按如下步骤进行：

步骤1，有关数据的信息收集及上传，包括用户端和使用端两个部分分别收集，每一辆使用该方法运行的车上都对应有一个用户端，而每一个停车场也对应有一个使用端。再把收集到的数据和一些预存的数据上传至云端服务器。

步骤1.1，收集车辆i上的用户端的地理位置和目的地的地理位置，这里的用户端的地理位置是指车辆i此时此刻的地理位置对应在云端服务器的存储的数据代码，目的地的地理位置是指所要前往的地点的地理位置对应在云端服务器的存储的数据代码。

步骤1.2，收集上述车辆i上的用户端的个人偏好，包括：步行距离心理阻抗权重系数m₁、停车费用心理阻抗权重系数m₂和安全系数γ，且γ＝ε_j-ε_min，其中，ε_j为停车场j的安保密度，即停车场单位面积监控探头的数量；ε_min为对停车场安保密度所能接受的最小值。

对于一个停车场j，初始都认为它是安全的，即满足上述的ε_j-ε_min＞0，初始可以设定ε_min为0.8倍的ε_j(可以根据具体情况改变)，每一次用户选择使用停车场j后，都将让用户对该停车场进行一次安全评定，如果他在一个较为合适的时间尺度下，低于该城市的平均安全评定，则将会适当提高对应停车场j的ε_min的具体数值，也就使ε_j-ε_min＞0满足变得更加困难。当然，如果停车场改变了监控探头的数量，对应的ε_j也会改变。

若车辆i上的用户端选择较少步行，则令m₁＞m₂，若所述车辆i上的用户端选择较少费用，则令m₁＜m₂，若所述车辆i上的用户端选择较为安全，则令

为车辆i所在城市的停车场单位面积监控探头数量的平均值。

这里的令

是一个特殊情况，不再考虑安全评定对于ε_min的影响。

步骤1.3，收集选择的停车场类型：

共有三种停车场可供选择，露天停车场，非露天停车场，私人停车场；

若选择的停车场j为露天停车场，则停车场j上的使用端收集目的地所在的一定范围内所有露天停车场的车位状态数量信息、地理位置、费用信息、安保密度。露天停车场，是指实际上的露天停车场以及某一区域内的零散停车位所规划组成的露天停车场；

若选择的停车场j为非露天停车场，则停车场j上的使用端收集目的地所在的一定范围内所有非露天停车场的车位状态数量信息、地理位置、费用信息、安保密度。非露天停车场，是指公共场所地下停车场；

若选择的停车场j为私人停车场，则停车场j上的使用端收集目的地所在的一定范围内所有私人停车场的车位状态数量信息、地理位置、费用信息、安保密度。私人停车场，是指私人对外开放的真正实际上的私人停车场以及一个小区内的由所有人同意对外开放的私人停车位所构成的私人停车场。

车位状态数量信息包括：已占用数量，可预订数量，已预订数量。

车位状态数量信息仅仅是指该停车场不同处于状态的车位数量，但不涉及停车场j中的某一具体停车位的状态。已占用数量是指停车场j中被其他车辆占用，不能被其他车辆预定或占用的车位数量。可预订数量是指停车场j中还可以被其他用户端预定的车位数量。已预订数量是指停车场j已被其他车辆预定的车位数量。

值得注意的是：

1、已占用数量，可预订数量，已预订数量三者之和至多等于停车场j所拥有的车位数量。

2、方法不收集停车场的某一具体停车位的状态，也不知道任一停车位是何种状态。

3、当已占用数量，可预订数量，已预订数量三者之和等于或即将等于停车场j所拥有的车位数量时，不通过该方法的车辆仍然可以在该停车场的未被使用的停车位上就停。此时，如何解决预定的车辆的停车问题，在多个体停车模型处有解释。

步骤1.4，用户端和使用端把收集到的地理位置、个人偏好、选择的停车场类型以及预存的停车费用数据上传至云端服务器。

步骤2，云端服务器根据所接收到的数据，对于停车场j成本计算。即根据用户端选择的停车场j的类型以及有关数据，计算车辆i对于目的地所在的一定范围内所有相应类型的停车场的成本，并将所有计算结果进行升序排序后，向所选择的停车场k的使用端发送请求停车信息：

利用式(1)建立个体停车模型：

式(1)中，c_i,j是车辆i上的用户端选择停车场j停泊的实际停车成本；p_j为停车场j收取的停车费用，；α₁为用户端从出发地行驶到停车场的成本比重，并有：

α₁＝k₁P₀P_p (2)

式(2)中，P₀为单位时间内汽车消耗燃料的费用，该数据一般取该城市一年内所有车辆在单位时间内的平均耗油量，为一个常数；P_p为通过生产法计算出的时间价值，生产法计算时间价值的方法为该城市的当年的国民生产总值GDP除以该城市的年均就业人员与个人年均工作时间的乘积；k₁为开车时间的影响系数；

式(1)中，α2为用户端从停车场步行到目的地的成本比重，并有：

α₂＝k₂P_p (3)

式(3)中，k₂为步行时间的影响系数；

式(1)中，

为车辆i行驶至停车场j的行驶时间，并有：

式(4)中，

中为车辆i行驶至停车场j的行驶距离，v_D为理想状态下汽车行驶的速度，ρ为拥堵修正系数。

可以利用收集到的地理位置数据，在外挂地图软件中获取。城市内部的车辆行驶的速度一般在35km/h。拥堵修正系数为一个从0-1的数值，可以利用一些已有软件对于路况分析数据，如高德地图，对于很堵的路况为红色，较堵的路况为橙色，通畅的路况为绿色，来界定拥堵修正系数的具体数值；

式(1)中，

为车辆i上的用户端从停车场j步行至目的地的步行时间，并有：

式(5)中，

为车辆i上的用户端从停车场j步行至目的地的步行距离；v_w为平均步行速度。步行距离

可以利用收集到的地理位置数据，在外挂地图软件中获取。人的一般步行速度在1m/s；

式(1)中，θ_i,j为惩罚成本，并有：

惩罚成本的引出主要是考虑到一部分车主在使用该方法寻找车位时，可能会中途取消前往该车位，可能的原因这里列出两个：1.放弃前往该目的地；2.前往的停车场的车位即将或已经用完了，这种情况在多个体停车模型处有解释。

式(6)中，P_t,j为用户端预订的停车场j单位时间内的价格，

为车辆i上的用户端从开始预订停车场j到取消预订的时间长度；当

时，令θ_i,j＝0；其中，

为停车基本时间，并有：

式(7)中，ρ₀为汽车平均行驶单位距离的时间。这里的ρ₀与前述的v_D是互为倒数；

式(1)中，Q_i,j是诱导判断参量，当

且

且ε_j-ε_min＞0时，令Q_i,j＝1，表示将车辆i上的用户端诱导至停车场j，否则，令Q_i,j＝0，表示不对车辆i诱导。这里的诱导是指被纳入最终供车辆i上的用户端所选择的车位序列，并不指让车辆i就是前往该停车场；其中，

为车辆i上的用户端步行到停车场j距离的心理阻抗，β_2,j为车辆i上的用户端对停车场j的停车费用的心理阻抗，并有：

式(8)中，s_max为用户端愿意接受的最大步行距离；

式(9)中，p_max为用户端愿意接受的最大停车费用；

当Q_i,j＝1时，利用式(10)得到实际停车成本c_i,j：

当Q_i,j＝0时且当

时，令c_i,j＝0；

当Q_i,j＝0时且当

时，则利用式(11)得到实际停车成本c_i,j：

c_i,j＝θ_i,j(1-Q_i,j) (11)

这里的

实际意义是指，用户若花费了超过正常前往该停车场的时间来取消该任务，则认为该用户是不正常的，因而产生了惩罚成本。

步骤3，停车场k上的使用端接收所有用户端发送的请求停车信息，并将所有用户的请求停车信息以及停车场k的车位状态上传至所述云端服务器；

步骤4，云端服务器根据所接收到的信息，利用式(12)建立多个体停车模型，引入多个体停车模型，是为了避免同时有多辆汽车向同一个停车场出发，以及存在的部分车辆不采用该方法停车，从而使车位供不应求而导致的社会资源浪费的情况：

式(12)中，

为Δt时间段内的t时刻的停车场k的判断因子；β_θ为环境干扰系数；

为停车场k的总车位数量；

为停车场k在t时刻空余车位数目，就是指停车场k在时刻t的可预订数目；

为停车场k在t时刻通过用户端接收到的所有请求停车信息的数目；

为包含t时刻的Δt时间段内未通过用户端而进入停车k车辆数量，就是指未使用该方法，直接进入停车场k的车辆数目，具体数目需要实际测试；

步骤5，云端服务器判断

是否成立，若成立，则表示停车场k能容纳所有发送请求停车信息的用户端所对应的车辆；否则，表示停车场k能容纳部分发送请求停车信息的用户端所对应的车辆，则需要进行下列判断，其中，

为包含t时刻的Δt时间段内停车场k的容量阈值，为小于1的数，需要具体实际测试得到，可以参考使用一个接近0的小数：

步骤6，云端服务器利用式(13)计算t时刻车辆i上的用户端到停车场k的行驶时间T_t ^i,k：

式(13)中，v_i为车辆i上的用户端的行驶速度，a_i,k为车辆i上的用户端到停车场k的拥堵系数，

为t时刻车辆i上的用户端到停车场k的行驶距离；

步骤7，云端服务器判断T_t ^i,k≥t_b是否成立，若成立，则表示t时刻车辆i上的用户端达到停车场k时可能无车位，并发送提示消息给车辆i上的用户端；否则，表示t时刻车辆i上的用户端达到停车场k时有车位；t_b为时间阈值，需要具体测试，一般的获取方式为：将所有的前往停车场k的车辆i的对于T_t ^i,k进行降序排序，逐一提示，当第z车辆满足

则第z车辆对应的时间T_t ^i,k，就是t_b对应的值；

步骤8，当所述车辆i上的用户端在t时刻接收到提示可能无车位的信息时，车辆i上的用户端若放弃停车场k，则根据之前得到的成本排序结果，重新选择另一停车场后发送请求停车信息，并前往；否则，车辆i上的用户端继续向停车场k行驶。

Claims (1)

1.一种智能停车场搜寻与导航方法，其特征是应用于由用户端、使用端和云端服务器所组成的网络环境中，并按如下步骤进行：

步骤1，有关数据的信息收集及上传；

步骤1.1，收集车辆i上的用户端的地理位置和目的地的地理位置；

步骤1.2，收集所述用户端的个人偏好，包括：步行距离心理阻抗权重系数m₁、停车费用心理阻抗权重系数m₂和安全系数γ，且γ＝ε_j-ε_min，其中，ε_j为停车场j的安保密度，即停车场单位面积监控探头的数量；ε_min为对停车场安保密度所能接受的最小值；

若车辆i上的用户端选择较少步行，则令m₁＞m₂，若所述车辆i上的用户端选择较少费用，则令m₁＜m₂，若所述车辆i上的用户端选择较为安全，则令

为车辆i所在城市的停车场单位面积监控探头数量的平均值；

步骤1.3，停车场类型的选择：

判断车辆i上的用户端选择的停车场j的类型，若停车场j为露天停车场，则停车场j上的使用端收集目的地所在的一定范围内所有露天停车场的车位状态数量信息、地理位置、费用信息、安保密度；

若停车场j为非露天停车场，则停车场j上的使用端收集目的地所在的一定范围内所有非露天停车场的车位状态数量信息、地理位置、费用信息、安保密度；

若停车场j为私人停车场，则停车场j上的使用端收集目的地所在的一定范围内所有私人停车场的车位状态数量信息、地理位置、费用信息、安保密度；

所述车位状态数量信息包括：已占用数量，可预订数量，已预订数量；

步骤1.4，用户端和使用端把收集到的地理位置、个人偏好、选择的停车场类型以及预存的停车费用数据上传至云端服务器；

步骤2，云端服务器根据所接收到的数据，计算车辆i对于目的地所在的一定范围内所有相应类型的停车场的成本，并将所有计算结果进行升序排序后，向所选择的停车场k的使用端发送请求停车信息：

利用式(1)建立个体停车模型：

式(1)中，c_i,j是车辆i上的用户端选择停车场j停泊的实际停车成本；p_j为停车场j收取的停车费用；α₁为用户端从出发地行驶到停车场的成本比重，并有：

α₁＝k₁P₀P_p (2)

式(2)中，P₀为单位时间内汽车消耗燃料的费用；P_p为通过生产法计算出的时间价值；k₁为开车时间的影响系数；

式(1)中，α2为用户端从停车场步行到目的地的成本比重，并有：

α₂＝k₂P_p (3)

式(3)中，k₂为步行时间的影响系数；

式(1)中，

为车辆i行驶至停车场j的行驶时间，并有：

式(4)中，

中为车辆i行驶至停车场j的行驶距离，v_D为理想状态下汽车行驶的速度，ρ为拥堵修正系数；

式(1)中，

为车辆i上的用户端从停车场j步行至目的地的步行时间，并有：

式(5)中，

为车辆i上的用户端从停车场j步行至目的地的步行距离；v_w为平均步行速度；

式(1)中，θ_i,j为惩罚成本，并有：

式(6)中，P_t,j为用户端预订的停车场j单位时间内的价格，

为车辆i上的用户端从开始预订停车场j到取消预订的时间长度；当

时，令θ_i,j＝0；其中，

为停车基本时间，并有：

式(7)中，ρ₀为汽车平均行驶单位距离的时间；

式(1)中，Q_i,j是诱导判断参量，当

且

且ε_j-ε_min＞0时，令Q_i,j＝1，表示将车辆i上的用户端诱导至停车场j，否则，令Q_i,j＝0，表示不对车辆i诱导；其中，

为车辆i上的用户端步行到停车场j距离的心理阻抗，β_2,j为车辆i上的用户端对停车场j的停车费用的心理阻抗，并有：

式(8)中，s_max为用户端愿意接受的最大步行距离；

式(9)中，p_max为用户端愿意接受的最大停车费用；

当Q_i,j＝1时，利用式(10)得到实际停车成本c_i,j：

当Q_i,j＝0时且当

时，令c_i,j＝0；

当Q_i,j＝0时且当

时，则利用式(11)得到实际停车成本c_i,j：

c_i,j＝θ_i,j(1-Q_i,j) (11)

步骤3，停车场k上的使用端接收所有用户端发送的请求停车信息，并将所有用户的请求停车信息以及停车场k的车位状态上传至所述云端服务器；

步骤4，所述云端服务器根据所接收到的信息，利用式(12)建立多个体停车模型：

式(12)中，

为Δt时间段内的t时刻的停车场k的判断因子；β_θ为环境干扰系数；

为停车场k的总车位数量；

为停车场k在t时刻空余车位数目；

为停车场k在t时刻通过用户端接收到的所有请求停车信息的数目；

为包含t时刻的Δt时间段内未通过用户端而进入停车k车辆数量；

步骤5，所述云端服务器判断

是否成立，若成立，则表示停车场k能容纳所有发送请求停车信息的用户端；否则，表示停车场k能容纳部分发送请求停车信息的用户端，并执行步骤6；其中，

为包含t时刻的Δt时间段内停车场k的容量阈值；

步骤6，所述云端服务器利用式(13)计算t时刻车辆i上的用户端到停车场k的行驶时间T_t ^i,k：

式(13)中，v_i为车辆i上的用户端的行驶速度，a_i,k为车辆i上的用户端到停车场k的拥堵系数，

为t时刻车辆i上的用户端到停车场k的行驶距离；

步骤7，所述云端服务器判断T_t ^i,k≥t_b是否成立，若成立，则表示t时刻车辆i上的用户端达到停车场k时可能无车位，并发送提示消息给车辆i上的用户端；否则，表示t时刻车辆i上的用户端达到停车场k时有车位；t_b为时间阈值；

步骤8，当所述车辆i上的用户端在t时刻接收到提示可能无车位的信息时，车辆i上的用户端若放弃停车场k，则根据步骤2的排序结果，重新选择另一停车场后发送请求停车信息，并返回步骤3执行；否则，车辆i上的用户端继续向停车场k行驶。

Images