CN111985835A - 一种居住区共享停车泊位的分配方法 - Google Patents
一种居住区共享停车泊位的分配方法 Download PDFInfo
- Publication number
- CN111985835A CN111985835A CN202010893366.1A CN202010893366A CN111985835A CN 111985835 A CN111985835 A CN 111985835A CN 202010893366 A CN202010893366 A CN 202010893366A CN 111985835 A CN111985835 A CN 111985835A
- Authority
- CN
- China
- Prior art keywords
- parking
- shared
- time
- parking space
- residential area
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Abstract
本发明公开了一种居住区共享停车泊位的分配方法,对居住区共享停车泊位分配模型提出假设,建立模型参数;通过泊车共享时段窗匹配、最短步行距离、停车泊位利用率和居住区泊位高峰时段的对外共享率对共享泊位进行筛选,得到备选泊位;根据停车需求用户停车影响因素作为评价指标,并对指标的权重采用主客观组合赋权;根据备选方案与理想解的综合贴近度确定最佳方案,结合灰关联的TOPSIS模型决策最优泊位;根据预约起点与最优共享泊位,用改进的蚁群算法以行程时间为权值进行泊位路径的选择,确定出行起点到最优泊位的最佳路径。本发明提高居住区闲置泊位利用率,有效节省用户无效的寻车位时间,缓解局部交通拥堵,同时增加车位提供者的共享泊位收益。
Description
技术领域
本发明涉及共享停车的技术领域,具体为一种居住区共享停车泊位的分配方法。
背景技术
随着我国机动车保有量的日益增长,传统停车位数量已经无法满足停车需求,导致城市停车难问题凸显。图6为2015-2020年我国停车位需求数与传统停车位数量对比,如图6所示,预计在2020年我国停车位需求数达3.65亿个,但传统停车位数量仅为1.2亿个,这种严重的供需不平衡将会直接导致停车资源的紧张以及因停车问题而引发的城市交通拥堵,尤其是在城市土地资源受限的商业区、医院或行政办公等区域,其建筑配建停车场在高峰时期往往无法承载超负荷的外来停车需求量。在缓解城市停车难的问题上,合理整合区域停车资源往往比新建满足需求的停车位基础设施效果更为明显。由于居住区与商业区、医院或行政办公区用地彼此毗邻,则合理利用居住区停车位的闲置时间段实现居住区停车泊位共享,就能错峰缓解周边建筑的停车压力。
而随着信息技术的更新发展,目前居住小区一般安装门禁系统与小区内部监控以提高小区安全性,在停车位方面也会安装车位锁以方便对停车位的管理。但是居住区的管控措施一般只针对小区内部的业主服务,不接收外来车辆进入小区,因此外来车辆需要在保证小区正常秩序的前提下,征得物业部门与业主的同意才能进入小区实现停车泊位共享。我国现有的小区绝大部分小区业主都是早出晚归,因此小区停车位使用时间段一般在晚上,并且居住区域针对一般住户车位配比在1:0.4到1:0.8之间,这就造成了居住区大量的停车位在白天闲置的现象。
但是,要想实现停车资源的区域优化和居住区停车泊位共享,当下需要解决居住区业主、物业管理部门、泊车环境、停车用户以及技术条件等五方面之间的各种矛盾。因此,在停车位资源受限的情况下,如何实现居住区停车位共享的条件,从而提高居住区停车泊位的利用效率,优化区域停车资源,缓解城市停车难的现状问题,已经成为亟待解决的问题。
发明内容
本发明的目的是为了提供一种居住区共享停车泊位的分配方法,通过居住区停车泊位共享以均衡周边商业区等用地配建停车场高峰压力,通过居住区共享车位智能系统平台进行车位分配,提高居住区闲置泊位利用率,有效节省用户无效的寻车位时间,缓解局部交通拥堵,同时增加车位提供者的共享泊位收益。
为了实现上述发明目的,本发明采用了以下技术方案:一种居住区共享停车泊位的分配方法,包括以下步骤:步骤1.对居住区共享停车泊位分配模型提出假设,建立模型参数;
步骤2.通过泊车共享时段窗匹配、最短步行距离、停车泊位利用率和居住区泊位高峰时段的对外共享率对共享泊位进行筛选,得到备选泊位;
步骤3.根据停车需求用户停车影响因素作为评价指标,并对指标的权重采用主客观组合赋权;
步骤4.根据备选方案与理想解的综合贴近度确定最佳方案,结合灰关联的TOPSIS模型决策最优泊位;
步骤5.根据预约起点与最优共享泊位,用改进的蚁群算法以行程时间为权值进行泊位路径的选择,确定出行起点到最优泊位的最佳路径。
优选的,在步骤1中,提出分配模型假设具体包括如下步骤:步骤1-1.假设参与共享停车的居住小区满足对外开放条件,停车用户必须在泊位共享管理平台上注册真实信息,且只能通过平台泊车共享申请才能进入居住小区;
步骤1-2.居住区一旦实现共享,即认为小区内部所有车位均可共享,且车位状态信息实时与系统平台同步共享,在共享时间段内受平台统一分配;
步骤1-3.停车用户遵守车位共享规则与居住区业主规定准则,在预约时间段结束前离开被分配车位,同时每一居住区对同一时段同一用户的车位预约申请有且只有一个;
步骤1-4.同一居住区的通车泊位收费价格相同,且由系统平台根据不同时段统一调控;
步骤1-5.假设停车需求用户的初始位置、目的地和共享停车泊位的坐标已知。
优选的,在步骤1中,建设模型参数具体包括如下操作:假设在有限个居民小区S中,存在第j个居民小区Sj中共有可共享泊位总数H个,停车需求总量M个,对于第j个居民小区中的第i个停车泊位hi,泊位满足多方需求为mi、mj,其中i,j∈I,hi∈H,mi∈M,I为同一车位的需求总数;
优选的,在步骤2中,所述泊车共享时段窗匹配在共享停车需求用户在发出停车预约需求后,需要在居住区泊车位上匹配出符合停车需求时间段内的空闲车位,并在居住区Sj内筛选出所有符合停车需求时段的空闲泊位,具体包括如下操作:假设用户在选择共享泊车位i时,该用户的停车需求时段为车位共享时段为当面对停车预约多方需求i,j满足时,表明在车位i上存在需求mi与mj的停车冲突,不能同时分配到车位i上,此时否则
除了解决共享泊位i在停车预约时段的多方需求冲突,停车需求必须满足其在共享时间窗内的约束,ymh表示车位共享时间段与停车需求时段之间的关系,对于i∈I,如果 表明停车需求时段不满足共享车位i的任何一个出租时段的时间窗约束,此时ymh=1,反之当车辆需求mi可以停在车位i上时,ymh=0,相应的数学表达式为:
决策变量xmh表示是否能将共享车位hi分配给mi停放使用,当xmh=1时,表示分配成功,当不能成功分配时xmh=0,
因此,基于时间窗的共享车位分配需要满足以下条件:
式(2-5)表示共享车位时间窗约束,若ymh=1,则说明停车需求mi不符合车位i的共享时段,故ymh=0;
式(2-6)表示的约束为一个停车需求最多只能分配到一个车位上。
优选的,在步骤2中,基于最短步行距离的选择具体包括如下操作:设居住区S中共享泊位总数为H,则共享泊位(xi,yi)(i≤H)距离出行终点(xj,yj)之间的欧式几何距离可以用如下位置关系表示:
式中,(xi,yi)表示第i个停车泊位的中心坐标,(xj,yj)表示出行终点j的中心坐标,Lij表示第i个停车泊位到出行终点j的步行距离;
设Lmax为停车用户从停车位到出行终点所能接受的步行距离的最大上限,令最大停车步行距离Lmax=500m,则第i个停车位置对出行终点的最短步行距离fij可用下式表示:
优选的,在步骤2中,所述共享泊位利用率为泊位共享利用时长与总可利用时长的比值,构建共享车位分配模型为:
基于居住区泊位高峰时段的对外共享率选择具体包括如下操作:将某时刻区域范围居住区的泊位空闲指数排序,R1≤R2≤…≤Rj≤…≤Rs(j=1,2,…,S)称ΔRj=Rj-R1为泊位空闲指数差值,设θpeak为高峰判别指数,当R1≤θpeak时,称为高峰泊位空闲指数差异均值,越小,说明各个居住区泊位利用越趋于均衡,不易对各个居住区产生影响;
在高峰时段对泊位空闲指数较高的居住区进行优先共享泊位分配,居住区泊位高峰对外共享率可以表示为:
式中,SPjk表示居住区j分担的周边建筑物吸引的车辆数,即高峰期接收的外来共享车辆数,Sjk表示居住区在k时段对外共享率,用于衡量对外服务情况。
优选的,在步骤3中,所述用户停车影响因素包括停放费用、停放安全性与停放便利性,所述停车费用根据所停放时间按时收费,考虑到用户可能在允许停放时间外继续占用车位,因此需要将收费价格分为在共享时段内的固定价格,以及超出共享时段的高额价格,分时段收费价格Ci可用下式表示:
式中,ti1、ti2分别表示在共享时段内的停车时间与超出共享时段的停车时间,yi1、yi2分别表示在共享时段内的停车单价与超出共享时段的停车单价,且满足yi2>yi1>0;Ti表示车位i的可利用共享时段;
所述停放安全性通过对于露天停车位、住宅底层停车位、地下停车位与机械停车位多种停车位类型进行安全赋值,所述停车位的便利性方面通过结合停车位的类型与不同形式进行赋值。
优选的,在步骤4中,基于灰色关联的TOPSIS模型结合指标权重采用主客观组合赋权的方法,包括以下步骤:步骤4-1.构建决策矩阵,具有包括以下操作:假设居住区共享泊位分配备选方案共有m个,每个方案都有n个评价指标,则初始决策矩阵X为:
并构建规范化矩阵Y:①效益型指标处理(越大越优型指标):
②成本型指标处理(越小越优型指标):
因此,矩阵X标准化后的规范化矩阵Y为:
所以第j项指标的熵值ei、差异系数gi与权重βij可用下式表示:
式中,若指标的差异系数gi越大,说明对方案的评价作用越大,指标的熵值ei越小,指标的权重系数βij越大;反之,指标的差异系数gi越小,说明对方案的评价作用越小,指标的权重系数βij越小,
将层次分析法取得的主观权重与熵权法计算的客观权重组合,得到指标组合综合权重wj为:
其中,αj表示层次分析法计算所得的权重;βj表示熵权法计算所得的权重,对无量纲化规范矩阵赋予权重,按公式zij=ωijyij计算得加权决策矩阵Z为:
其中,选取参考序列z0={z0j|j=1,2,…,n},z0为每个评价指标的最理想值;
步骤4-3.确定正、负理想方案,正、负理想方案具体可用下式表示:
步骤4-4.计算评价对象到正、负理想方案的距离,具体包括以下操作:通过计算n维欧几里得距离,分别得到各个备选路径到正理想解和负理想解的距离值,各备选路径到正、负理想解的距离为:
步骤4-5.确定灰色关联系数具体包括以下操作:计算参考序列与其他各比较序列对应的绝对差值,利用绝对差值矩阵可计算各个备选路径同正、负理想解之间的灰色关联系数矩阵R+和R-:
因此本文最终得到的方案评价的综合贴近度为:
按照综合贴进度的大小对各备选方案进行排序。
优选的,在步骤5中,所述蚁群算法的改进包括概率选择、约束因子和信息素更新规则的改进,具体包括以下操作:将下一个节点j与终点g之间的直线距离加入到启发函数中,加快算法收敛速度,表达式如下所示:
式中,dij为当前节点i到下一节点j的距离,djg为下一节点j到终点g的距离,都可用欧氏距离进行求解;若djg<dij,规定节点j为远距离节点,反之则规定节点j为近距离节点,因此,对传统蚁群算法的概率选择进行如下改进:
所述信息素更新规则的改进包括加入惩罚因子,对信息素更新规则改进如下:
式中,Dbest表示遍历到的最优路径,|Dbest|表示其长度;Dworst表示遍历到的最差路径,|Dworst|表示其长度;ρ为信息素挥发性系数,取值范围在[0,1]之间;μ为改进蚁群算法的信息素增强因子,且μ∈[0,1],表示对遍历到的最差路径降低其信息素浓度,对遍历到的最优路径信息素浓度进行增强,同时,为了防止在改进蚁群算法的过程中,路径信息素浓度无限制的累加,必须对于其进行限制,约束表达式如下所示:
式中,τmax、τmin分别信息素的最大值与最小值。
优选的,所述约束因子的改进包括行程时间因子和道路平均通畅程度的改进,所述行程时间因子的改进具体包括以下操作:基于已知的泊车位置与小区出入口位置的固定距离dj,可对车辆行程时间Tj进行如下定义:
式中,Tj、tj1、tj2分别表示总行程时间、路段行程时间与小区内部行程时间;泊位车辆共经过R条路段,tjr0表示交通量为0时驶向第j小区经过第r路段的行驶时间,Qjr表示驶往第j小区第r路段的交通量,Cjr表示驶往第j小区第r路段的实际通行能力;α、β表示回归参数,可用最小二乘法确定,取α=0.15、β=4;dj表示已知的泊车位置与小区出入口位置的固定距离,表示用户车辆在小区内部的平均行驶车速;
X1(j)为行程时间因子,表示行驶到节点j的实际行程时间与预估最长时间的比值,该比值越大表明实际行驶时间越长:
式中,Tjmax表示车辆在道路行驶过程中允许预估最长时间的上限,Tj表示车辆行驶实际行程时间,满足Tj≤Tjmax;
所述道路平均通畅程度的改进具体包括以下操作:
式中,X2(j)为表示行驶到节点j的路径通畅程度与车辆行驶道路通畅度最低忍受度的比值,该比值越大表明车辆行驶该路径越通畅;Clj表示车辆行驶到节点j的路径通畅程度,Cljmax表示车辆行驶道路通畅度的最低忍受度;
综上可得,约束函数X(j)的表示如下:
与现有技术相比,采用了上述技术方案的居住区共享停车泊位的分配方法,具有如下有益效果:采用本发明的居住区共享停车泊位的分配方法,通过泊车共享时段窗匹配、最短步行距离、停车泊位利用率和居住区泊位高峰时段的对外共享率对共享泊位进行筛选,得到备选泊位,并根据停车需求用户停车影响因素作为评价指标,并对指标的权重采用主客观组合赋权,通过居住区停车泊位共享以均衡周边商业区等用地配建停车场高峰压力,再通过居住区共享车位智能系统平台进行车位分配,提高居住区闲置泊位利用率,有效节省用户无效的寻车位时间,缓解局部交通拥堵,并同时增加车位提供者的共享泊位收益。
附图说明
图1为本发明居住区共享停车泊位的分配方法实施例的流程示意图;
图2为本实施例中共享泊位可利用时段的分布示意图;
图3为本实施例中模糊效益型指标的量化赋值等级的坐标示意图;
图4为本实施例中不同类型停车位安全性赋值的表格示意图;
图5为本实施例中不同类型停车位便利性赋值的表格示意图;
图6为背景技术中2015-2020年我国停车位需求数与传统停车位数量的对比示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
共享停车需求用户一般在停车过程中,通常选择在出行起点与出行终点之间寻求位置最佳的共享泊位点,以求得出行效率最大。对用户而言,首先需要在车位共享时段选择泊车位置,其次由于居住区的停车安全性、可行性和可达性相对较高,因此在出行终点的距离筛选半径中,用户往往首先选择步行距离最短的停车泊位,如图1所示为居住区共享停车泊位的分配方法的流程示意图。
对于车位提供者,往往追求在允许的共享时段里取得利润最大化,希望该共享停车泊位利用率最大,即在忽略停车费用差异的情况下,每一共享泊位的时段都能得到充分利用,保证停车收益最大。
对于居住区而言,共享泊位对正常的居住环境造成了一定的影响,尤其在泊车高峰时段。因此,居住区必须要在高峰时段内部不产生拥堵时,能接受的外来最大共享车辆数以下进行对外服务,同时,由于居住区本身的车位空闲率反映了该小区的提供共享泊位的能力,所以针对各居住区所能容纳最大共享车辆数的高峰时段不同,可以错时分配策略,保证居住区泊位高峰时段的对外共享率最低。
居住区共享停车泊位的分配方法包括以下步骤:步骤1.对居住区共享停车泊位分配模型提出假设,具体包括如下步骤:步骤1-1.假设参与共享停车的居住小区满足对外开放条件,停车用户必须在泊位共享管理平台上注册真实信息,且只能通过平台泊车共享申请才能进入居住小区;步骤1-2.居住区一旦实现共享,即认为小区内部所有车位均可共享,且车位状态信息实时与系统平台同步共享,在共享时间段内受平台统一分配;步骤1-3.停车用户遵守车位共享规则与居住区业主规定准则,在预约时间段结束前离开被分配车位,同时每一居住区对同一时段同一用户的车位预约申请有且只有一个;步骤1-4.同一居住区的通车泊位收费价格相同,且由系统平台根据不同时段统一调控;步骤1-5.假设停车需求用户的初始位置、目的地和共享停车泊位的坐标已知。
建立模型参数具体包括如下操作:假设在有限个居民小区S中,存在第j个居民小区Sj中共有可共享泊位总数H个,停车需求总量M个,对于第j个居民小区中的第i个停车泊位hi,泊位满足多方需求为mi、mj,其中i,j∈I,hi∈H,mi∈M,I为同一车位的需求总数。车位共享的开始时间和结束时间分别为与停车需求车辆的到达时间和离开时间分别为与则车位i的总可利用时长为停车需求为
如图2所示为共享泊位可利用时段的分布示意图,其中,阴影部分表示为居住区业主的个人停车使用时段,空白部分是共享停车泊位可出租时段。假设Hj为居住区j的泊位总数;为居住区j初始空闲泊位数;为居住区j在k时刻的初始空闲泊位数;为高峰时居住区溢出的停车数,根据上述定义,居住区泊位空闲指数高峰泊位溢出指数
步骤2.通过泊车共享时段窗匹配、最短步行距离、停车泊位利用率和居住区泊位高峰时段的对外共享率对共享泊位进行筛选,得到备选泊位;
泊车共享时段窗匹配在共享停车需求用户在发出停车预约需求后,需要在居住区泊车位上匹配出符合停车需求时间段内的空闲车位,并在居住区Sj内筛选出所有符合停车需求时段的空闲泊位,具体包括如下操作:假设用户在选择共享泊车位i时,该用户的停车需求时段为车位共享时段为当面对停车预约多方需求i,j满足时,表明在车位i上存在需求mi与mj的停车冲突,不能同时分配到车位i上,此时否则
除了解决共享泊位i在停车预约时段的多方需求冲突,停车需求必须满足其在共享时间窗内的约束,ymh表示车位共享时间段与停车需求时段之间的关系,对于i∈I,如果表明停车需求时段不满足共享车位i的任何一个出租时段的时间窗约束,此时ymh=1,反之当车辆需求mi可以停在车位i上时,ymh=0,相应的数学表达式为:
决策变量xmh表示是否能将共享车位hi分配给mi停放使用,当xmh=1时,表示分配成功,当不能成功分配时xmh=0,
因此,基于时间窗的共享车位分配需要满足以下条件:
式(2-5)表示共享车位时间窗约束,若ymh=1,则说明停车需求mi不符合车位i的共享时段,故ymh=0;
式(2-6)表示的约束为一个停车需求最多只能分配到一个车位上。
基于最短步行距离的选择具体包括如下操作:设居住区S中共享泊位总数为H,则共享泊位(xi,yi)(i≤H)距离出行终点(xj,yj)之间的欧式几何距离可以用如下位置关系表示:
式中,(xi,yi)表示第i个停车泊位的中心坐标,(xj,yj)表示出行终点j的中心坐标,Lij表示第i个停车泊位到出行终点j的步行距离;
设Lmax为停车用户从停车位到出行终点所能接受的步行距离的最大上限,令最大停车步行距离Lmax=500m,则第i个停车位置对出行终点的最短步行距离fij可用下式表示:
优选的,在步骤2中,所述共享泊位利用率为泊位共享利用时长与总可利用时长的比值,构建共享车位分配模型为:
基于居住区泊位高峰时段的对外共享率选择具体包括如下操作:将某时刻区域范围居住区的泊位空闲指数排序,R1≤R2≤…≤Rj≤…≤Rs(j=1,2,…,S)称ΔRj=Rj-R1为泊位空闲指数差值,设θpeak为高峰判别指数,当R1≤θpeak时,称为高峰泊位空闲指数差异均值,越小,说明各个居住区泊位利用越趋于均衡,不易对各个居住区产生影响;
在高峰时段对泊位空闲指数较高的居住区进行优先共享泊位分配,居住区泊位高峰对外共享率可以表示为:
式中,SPjk表示居住区j分担的周边建筑物吸引的车辆数,即高峰期接收的外来共享车辆数,Sjk表示居住区在k时段对外共享率,用于衡量对外服务情况。
步骤3.根据停车需求用户停车影响因素作为评价指标,并对指标的权重采用主客观组合赋权。针对居住区共享停车的影响因素进行分析,其考虑的部分评价指标可以具体量化,如步行距离、行程时间、停放费用等;但部分评价指标只能定性分析,如停放安全性与停放便利性,故需要对其进行量化处理。因为式(2-9)已经对最短步行距离fij进行约束说明,所以共享评价量化分析指标为:停放费用、停放安全性与停放便利性。
用户停车影响因素包括停放费用、停放安全性与停放便利性,所述停车费用根据所停放时间按时收费,考虑到用户可能在允许停放时间外继续占用车位,因此需要将收费价格分为在共享时段内的固定价格,以及超出共享时段的高额价格,分时段收费价格Ci可用下式表示:
式中,ti1、ti2分别表示在共享时段内的停车时间与超出共享时段的停车时间,yi1、yi2分别表示在共享时段内的停车单价与超出共享时段的停车单价,且满足yi2>yi1>0;Ti表示车位i的可利用共享时段;
由于停车安全性与便利性是较为模糊的定性评价指标,难以量化分析,故引进直线坐标系对其进行赋值,从而确定评价指标等级,如图3所示为模糊效益型指标的量化赋值等级的坐标示意图,根据模糊效益评价指标的量化赋值等级标准,通过对于露天停车位、住宅底层停车位、地下停车位与机械停车位等停车位类型进行安全赋值,发现露天停车位的安全性很低,住宅底层停车位的安全性一般,地下停车位与机械停车位的安全性很高,如图4为不同类型停车位安全性赋值的表格示意图所示。
在停车位的便利性方面,结合停车位的类型与不同形式进行赋值,考虑到在常见的停车位形式中,斜字型停车位的便利性很高,一字型停车位的便利性一般,非字型的便利性很低;在停车位类型中,露天停车位和住宅底层停车位的停放便利性最好,地下停车位的停车便利性次之,机械停车位的停车便利性最差,因此对不同类型停车位的停放便利性赋值,如图5不同类型停车位便利性赋值的表格示意图所示。
步骤4.根据备选方案与理想解的综合贴近度确定最佳方案,结合灰关联的TOPSIS模型决策最优泊位;基于灰色关联的TOPSIS模型结合指标权重采用主客观组合赋权的方法,包括以下步骤:步骤4-1.构建决策矩阵,具有包括以下操作:假设居住区共享泊位分配备选方案共有m个,每个方案都有n个评价指标,则初始决策矩阵X为:
由于各评价指标的量纲单位不同,故需要对初始评价指标进行无量纲化处理,并构建规范化矩阵Y:①效益型指标处理(越大越优型指标):
②成本型指标处理(越小越优型指标):
因此,矩阵X标准化后的规范化矩阵Y为:
步骤4-2.评价指标的加权矩阵,具体包括以下操作:采用层次分析法(AHP)-熵权法相结合的组合赋权法进行指标加权,层次分析法会将总目标进行分层,再将各个指标按不同层次分类,形成指标层、准则层与目标层,然后借助层次分析法,计算本层次的指标对上一层指标的权重,利用最大特征值法依次归并,最终求出总目标的权重系数α。指标越重要,反映出的指标权重系数就会越大。
因此,层次分析法的计算需要以下步骤:
①建立层次结构模型,根据各指标之间的影响与包含关系进行分组和组合,形成多层次结构;
②通过设计调查问卷,利用比例标度法确定各指标的重要性程度,同时在选择范围上,调查评价指标对象的构成;
③整理分析问卷并根据指标重要性构建判断矩阵,邀请专家进行打分,以此计算出权重系数α;
④进行排序一致性检验,若满足一致性检验,说明构造的判断矩阵合理,否则需要进行调整。
在信息论中熵是对系统的一种不确定性的度量,若某一指标的信息量越大,则其信息不确定性就越小,表示其熵值就越小,反之熵值就越大。依据熵权法的理论,计算出第i个备选方案下第j个评价指标占该指标的比重为:
所以第j项指标的熵值ei、差异系数gi与权重βij可用下式表示:
式中,若指标的差异系数gi越大,说明对方案的评价作用越大,指标的熵值ei越小,指标的权重系数βij越大;反之,指标的差异系数gi越小,说明对方案的评价作用越小,指标的权重系数βij越小,
将层次分析法取得的主观权重与熵权法计算的客观权重组合,得到指标组合综合权重wj为:
其中,αj表示层次分析法计算所得的权重;βj表示熵权法计算所得的权重,对无量纲化规范矩阵赋予权重,按公式zij=ωijyij计算得加权决策矩阵Z为:
其中,选取参考序列z0={z0j|j=1,2,…,n},z0为每个评价指标的最理想值;
步骤4-3.确定正、负理想方案,正、负理想方案具体可用下式表示:
步骤4-4.计算评价对象到正、负理想方案的距离,具体包括以下操作:通过计算n维欧几里得距离,分别得到各个备选路径到正理想解和负理想解的距离值,各备选路径到正、负理想解的距离为:
步骤4-5.确定灰色关联系数具体包括以下操作:计算参考序列与其他各比较序列对应的绝对差值,利用绝对差值矩阵可计算各个备选路径同正、负理想解之间的灰色关联系数矩阵R+和R-:
因此本文最终得到的方案评价的综合贴近度为:
按照综合贴进度的大小对各备选方案进行排序,贴近度越大,则方案越优,反之贴近度越小,则方案越劣。
步骤5.根据预约起点与最优共享泊位,用改进的蚁群算法以行程时间为权值进行泊位路径的选择,确定出行起点到最优泊位的最佳路径,蚁群算法的改进包括概率选择、约束因子和信息素更新规则的改进。
对概率选择的改进具体包括以下操作:由于传统蚁群算法的启发函数只考虑相邻两个节点之间的距离的倒数ηij(t)=1/dij,但这种方式只反映了当前节点与相邻节点的关系,缺少反映当前节点和目标点的关系。这种没方向性的搜寻方式容易让蚂蚁陷入局部最优,只能搜索出局部最短路径,而且容易导致得到的解并非全局最优路径,从而失去了全局搜寻最优解的能力。因此,将下一个节点j与终点g之间的直线距离加入到启发函数中,加快算法收敛速度,表达式如下所示:
式中,dij为当前节点i到下一节点j的距离,djg为下一节点j到终点g的距离,都可用欧氏距离进行求解;若djg<dij,规定节点j为远距离节点,反之则规定节点j为近距离节点,因此,对传统蚁群算法的概率选择进行如下改进:
基于最优路径的选择主要考虑的行驶时间与道路平均通畅程度,本文通过设置行程时间因子、道路平均通畅程度因子来对路径选择建立基于多个约束因子的数学模型X(j),实现基于多约束条件的路径实时更新和动态选择,更加精确地得到最优路径。
行程时间因子的改进具体包括以下操作:基于已知的泊车位置与小区出入口位置的固定距离dj,可对车辆行程时间Tj进行如下定义:
式中,Tj、tj1、tj2分别表示总行程时间、路段行程时间与小区内部行程时间;泊位车辆共经过R条路段,tjr0表示交通量为0时驶向第j小区经过第r路段的行驶时间,Qjr表示驶往第j小区第r路段的交通量,Cjr表示驶往第j小区第r路段的实际通行能力;α、β表示回归参数,可用最小二乘法确定,取α=0.15、β=4;dj表示已知的泊车位置与小区出入口位置的固定距离,表示用户车辆在小区内部的平均行驶车速;
X1(j)为行程时间因子,表示行驶到节点j的实际行程时间与预估最长时间的比值,该比值越大表明实际行驶时间越长:
式中,Tjmax表示车辆在道路行驶过程中允许预估最长时间的上限,Tj表示车辆行驶实际行程时间,满足Tj≤Tjmax;
所述道路平均通畅程度的改进具体包括以下操作:
式中,X2(j)为表示行驶到节点j的路径通畅程度与车辆行驶道路通畅度最低忍受度的比值,该比值越大表明车辆行驶该路径越通畅;Clj表示车辆行驶到节点j的路径通畅程度,Cljmax表示车辆行驶道路通畅度的最低忍受度;
综上可得,约束函数X(j)的表示如下:
信息素更新规则的改进为了加快算法的收敛速度,对行驶环境较差的路径进行削弱,故加入惩罚因子,以期望降低其被选择的概率,同时增强道路行驶环境较好的路径信息素浓度,使蚂蚁选择质量更佳的路径。对信息素更新规则改进如下:
式中,Dbest表示遍历到的最优路径,|Dbest|表示其长度;Dworst表示遍历到的最差路径,|Dworst|表示其长度;ρ为信息素挥发性系数,取值范围在[0,1]之间;μ为改进蚁群算法的信息素增强因子,且μ∈[0,1],表示对遍历到的最差路径降低其信息素浓度,对遍历到的最优路径信息素浓度进行增强。
同时,为了防止在改进蚁群算法的过程中,路径信息素浓度无限制的累加,必须对于其进行限制,约束表达式如下所示:
式中,τmax、τmin分别信息素的最大值与最小值。
通过泊车共享时段匹配、最短步行距离、停车泊位利用率和居住区泊位高峰时段的对外共享率对共享泊位进行筛选,同时对影响停车用户的评价指标进行量化分析得到备选泊位。并且,基于模型所得出的备选泊位进行停车泊位决策,结合灰关联分析的TOPSIS法,对指标权重采用主客观组合赋权的方法,根据备选方案与理想解的综合贴近度确定最佳方案,即得到最优共享泊位。根据预约起点与最优共享泊位,用改进的蚁群算法以行程时间为权值进行泊位路径的选择,确定出行起点到最优停车泊位的最优路径。
通过居住区停车泊位共享以均衡周边商业区等用地配建停车场高峰压力,通过居住区共享车位智能系统平台进行车位分配,提高居住区闲置泊位利用率,有效节省用户无效的寻车位时间,缓解局部交通拥堵,同时增加车位提供者的共享泊位收益。通过对居住区共享停车泊位模型,将用户停车选择过程分为两阶段,模型约束条件既考虑了车位的时空特性,又结合用户的个人偏好,保证了居住区共享停车泊位分配的合理性,结合居住区共享车位智能系统平台为其实现提供了技术支撑。
以上是本发明的优选实施方式,对于本领域的普通技术人员来说不脱离本发明原理的前提下,还可以做出若干变型和改进,这些也应视为本发明的保护范围。
Claims (10)
1.一种居住区共享停车泊位的分配方法,其特征在于:包括以下步骤:步骤1.对居住区共享停车泊位分配模型提出假设,建立模型参数;
步骤2.通过泊车共享时段窗匹配、最短步行距离、停车泊位利用率和居住区泊位高峰时段的对外共享率对共享泊位进行筛选,得到备选泊位;
步骤3.根据停车需求用户停车影响因素作为评价指标,并对指标的权重采用主客观组合赋权;
步骤4.根据备选方案与理想解的综合贴近度确定最佳方案,结合灰关联的TOPSIS模型决策最优泊位;
步骤5.根据预约起点与最优共享泊位,用改进的蚁群算法以行程时间为权值进行泊位路径的选择,确定出行起点到最优泊位的最佳路径。
2.根据权利要求1所述的居住区共享停车泊位的分配方法,其特征在于:在步骤1中,提出分配模型假设具体包括如下步骤:步骤1-1.假设参与共享停车的居住小区满足对外开放条件,停车用户必须在泊位共享管理平台上注册真实信息,且只能通过平台泊车共享申请才能进入居住小区;
步骤1-2.居住区一旦实现共享,即认为小区内部所有车位均可共享,且车位状态信息实时与系统平台同步共享,在共享时间段内受平台统一分配;
步骤1-3.停车用户遵守车位共享规则与居住区业主规定准则,在预约时间段结束前离开被分配车位,同时每一居住区对同一时段同一用户的车位预约申请有且只有一个;
步骤1-4.同一居住区的通车泊位收费价格相同,且由系统平台根据不同时段统一调控;
步骤1-5.假设停车需求用户的初始位置、目的地和共享停车泊位的坐标已知。
3.根据权利要求1所述的居住区共享停车泊位的分配方法,其特征在于:在步骤1中,建设模型参数具体包括如下操作:假设在有限个居民小区S中,存在第j个居民小区Sj中共有可共享泊位总数H个,停车需求总量M个,对于第j个居民小区中的第i个停车泊位hi,泊位满足多方需求为mi、mj,其中i,j∈I,hi∈H,mi∈M,I为同一车位的需求总数;
4.根据权利要求3所述的居住区共享停车泊位的分配方法,其特征在于:在步骤2中,所述泊车共享时段窗匹配在共享停车需求用户在发出停车预约需求后,需要在居住区泊车位上匹配出符合停车需求时间段内的空闲车位,并在居住区Sj内筛选出所有符合停车需求时段的空闲泊位,具体包括如下操作:假设用户在选择共享泊车位i时,该用户的停车需求时段为车位共享时段为当面对停车预约多方需求i,j满足时,表明在车位i上存在需求mi与mj的停车冲突,不能同时分配到车位i上,此时否则
除了解决共享泊位i在停车预约时段的多方需求冲突,停车需求必须满足其在共享时间窗内的约束,ymh表示车位共享时间段与停车需求时段之间的关系,对于i∈I,如果表明停车需求时段不满足共享车位i的任何一个出租时段的时间窗约束,此时ymh=1,反之当车辆需求mi可以停在车位i上时,ymh=0,相应的数学表达式为:
决策变量xmh表示是否能将共享车位hi分配给mi停放使用,当xmh=1时,表示分配成功,当不能成功分配时xmh=0,
因此,基于时间窗的共享车位分配需要满足以下条件:
式(2-5)表示共享车位时间窗约束,若ymh=1,则说明停车需求mi不符合车位i的共享时段,故ymh=0;
式(2-6)表示的约束为一个停车需求最多只能分配到一个车位上。
6.根据权利要求5所述的居住区共享停车泊位的分配方法,其特征在于:在步骤2中,所述共享泊位利用率为泊位共享利用时长与总可利用时长的比值,构建共享车位分配模型为:
基于居住区泊位高峰时段的对外共享率选择具体包括如下操作:将某时刻区域范围居住区的泊位空闲指数排序,R1≤R2≤…≤Rj≤…≤Rs(j=1,2,…,S)称ΔRj=Rj-R1为泊位空闲指数差值,设θpeak为高峰判别指数,当R1≤θpeak时,称为高峰泊位空闲指数差异均值,越小,说明各个居住区泊位利用越趋于均衡,不易对各个居住区产生影响;
在高峰时段对泊位空闲指数较高的居住区进行优先共享泊位分配,居住区泊位高峰对外共享率可以表示为:
式中,SPjk表示居住区j分担的周边建筑物吸引的车辆数,即高峰期接收的外来共享车辆数,Sjk表示居住区在k时段对外共享率,用于衡量对外服务情况。
7.根据权利要求6所述的居住区共享停车泊位的分配方法,其特征在于:在步骤3中,所述用户停车影响因素包括停放费用、停放安全性与停放便利性,所述停车费用根据所停放时间按时收费,考虑到用户可能在允许停放时间外继续占用车位,因此需要将收费价格分为在共享时段内的固定价格,以及超出共享时段的高额价格,分时段收费价格Ci可用下式表示:
式中,ti1、ti2分别表示在共享时段内的停车时间与超出共享时段的停车时间,yi1、yi2分别表示在共享时段内的停车单价与超出共享时段的停车单价,且满足yi2>yi1>0;Ti表示车位i的可利用共享时段;
所述停放安全性通过对于露天停车位、住宅底层停车位、地下停车位与机械停车位多种停车位类型进行安全赋值,所述停车位的便利性方面通过结合停车位的类型与不同形式进行赋值。
8.根据权利要求7所述的居住区共享停车泊位的分配方法,其特征在于:在步骤4中,基于灰色关联的TOPSIS模型结合指标权重采用主客观组合赋权的方法,包括以下步骤:步骤4-1.构建决策矩阵,具有包括以下操作:假设居住区共享泊位分配备选方案共有m个,每个方案都有n个评价指标,则初始决策矩阵X为:
并构建规范化矩阵Y:①效益型指标处理(越大越优型指标):
②成本型指标处理(越小越优型指标):
因此,矩阵X标准化后的规范化矩阵Y为:
所以第j项指标的熵值ei、差异系数gi与权重βij可用下式表示:
式中,若指标的差异系数gi越大,说明对方案的评价作用越大,指标的熵值ei越小,指标的权重系数βij越大;反之,指标的差异系数gi越小,说明对方案的评价作用越小,指标的权重系数βij越小,
将层次分析法取得的主观权重与熵权法计算的客观权重组合,得到指标组合综合权重wj为:
其中,αj表示层次分析法计算所得的权重;βj表示熵权法计算所得的权重,对无量纲化规范矩阵赋予权重,按公式zij=ωijyij计算得加权决策矩阵Z为:
其中,选取参考序列z0={z0j|j=1,2,…,n},z0为每个评价指标的最理想值;
步骤4-3.确定正、负理想方案,正、负理想方案具体可用下式表示:
步骤4-4.计算评价对象到正、负理想方案的距离,具体包括以下操作:通过计算n维欧几里得距离,分别得到各个备选路径到正理想解和负理想解的距离值,各备选路径到正、负理想解的距离为:
步骤4-5.确定灰色关联系数具体包括以下操作:计算参考序列与其他各比较序列对应的绝对差值,利用绝对差值矩阵可计算各个备选路径同正、负理想解之间的灰色关联系数矩阵R+和R-:
因此本文最终得到的方案评价的综合贴近度为:
按照综合贴进度的大小对各备选方案进行排序。
9.根据权利要求1所述的居住区共享停车泊位的分配方法,其特征在于:在步骤5中,所述蚁群算法的改进包括概率选择、约束因子和信息素更新规则的改进,具体包括以下操作:将下一个节点j与终点g之间的直线距离加入到启发函数中,加快算法收敛速度,表达式如下所示:
式中,dij为当前节点i到下一节点j的距离,djg为下一节点j到终点g的距离,都可用欧氏距离进行求解;若djg<dij,规定节点j为远距离节点,反之则规定节点j为近距离节点,因此,对传统蚁群算法的概率选择进行如下改进:
所述信息素更新规则的改进包括加入惩罚因子,对信息素更新规则改进如下:
式中,Dbest表示遍历到的最优路径,|Dbest|表示其长度;Dworst表示遍历到的最差路径,|Dworst|表示其长度;ρ为信息素挥发性系数,取值范围在[0,1]之间;μ为改进蚁群算法的信息素增强因子,且μ∈[0,1],表示对遍历到的最差路径降低其信息素浓度,对遍历到的最优路径信息素浓度进行增强,同时,为了防止在改进蚁群算法的过程中,路径信息素浓度无限制的累加,必须对于其进行限制,约束表达式如下所示:
式中,τmax、τmin分别信息素的最大值与最小值。
10.根据权利要求9所述的居住区共享停车泊位的分配方法,其特征在于:所述约束因子的改进包括行程时间因子和道路平均通畅程度的改进,所述行程时间因子的改进具体包括以下操作:基于已知的泊车位置与小区出入口位置的固定距离dj,可对车辆行程时间Tj进行如下定义:
式中,Tj、tj1、tj2分别表示总行程时间、路段行程时间与小区内部行程时间;泊位车辆共经过R条路段,tjr0表示交通量为0时驶向第j小区经过第r路段的行驶时间,Qjr表示驶往第j小区第r路段的交通量,Cjr表示驶往第j小区第r路段的实际通行能力;α、β表示回归参数,可用最小二乘法确定,取α=0.15、β=4;dj表示已知的泊车位置与小区出入口位置的固定距离,表示用户车辆在小区内部的平均行驶车速;
X1(j)为行程时间因子,表示行驶到节点j的实际行程时间与预估最长时间的比值,该比值越大表明实际行驶时间越长:
式中,Tjmax表示车辆在道路行驶过程中允许预估最长时间的上限,Tj表示车辆行驶实际行程时间,满足Tj≤Tjmax;
所述道路平均通畅程度的改进具体包括以下操作:
式中,X2(j)为表示行驶到节点j的路径通畅程度与车辆行驶道路通畅度最低忍受度的比值,该比值越大表明车辆行驶该路径越通畅;Clj表示车辆行驶到节点j的路径通畅程度,Cljmax表示车辆行驶道路通畅度的最低忍受度;
综上可得,约束函数X(j)的表示如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010893366.1A CN111985835A (zh) | 2020-08-31 | 2020-08-31 | 一种居住区共享停车泊位的分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010893366.1A CN111985835A (zh) | 2020-08-31 | 2020-08-31 | 一种居住区共享停车泊位的分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985835A true CN111985835A (zh) | 2020-11-24 |
Family
ID=73440328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010893366.1A Withdrawn CN111985835A (zh) | 2020-08-31 | 2020-08-31 | 一种居住区共享停车泊位的分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985835A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735172A (zh) * | 2020-12-25 | 2021-04-30 | 长安大学 | 一种停车域的共享车位动态预约与分配方法 |
CN113554276A (zh) * | 2021-06-25 | 2021-10-26 | 桂林电子科技大学 | 基于泊位供给可用性感知冲突规避泊位分配系统 |
CN113593289A (zh) * | 2021-06-25 | 2021-11-02 | 桂林电子科技大学 | 基于泊位可用状态感知路内停车冲突规避调度方法与系统 |
CN113593290A (zh) * | 2021-06-25 | 2021-11-02 | 桂林电子科技大学 | 基于泊位可感知停车冲突规避调度方法、系统及存储介质 |
CN113919656A (zh) * | 2021-09-18 | 2022-01-11 | 东南大学 | 一种大型综合体配建停车设施供给特征评价方法 |
CN114093196A (zh) * | 2021-11-17 | 2022-02-25 | 湖北大学 | 基于移动性权重分簇算法的智能停车位选择方法 |
CN114241808A (zh) * | 2022-02-22 | 2022-03-25 | 科大天工智能装备技术(天津)有限公司 | 共享车位的树形索引的构建、分配方法、设备及存储介质 |
CN114387813A (zh) * | 2021-12-09 | 2022-04-22 | 青岛亿联信息科技股份有限公司 | 一种规则优化的共享停车泊位调度方法 |
CN114495552A (zh) * | 2022-01-21 | 2022-05-13 | 东南大学成贤学院 | 一种快速停车找车导航方法及其系统 |
CN114584311A (zh) * | 2022-01-26 | 2022-06-03 | 华东师范大学 | 一种基于信誉的安全动态智能车位共享方法 |
CN114783204A (zh) * | 2022-03-21 | 2022-07-22 | 上海理工大学 | 一种自动泊车背景下共享停车的供需匹配方法 |
CN115131984A (zh) * | 2022-05-31 | 2022-09-30 | 南京邮电大学 | 一种基于停车需求的泊车辅助方法 |
CN115131983A (zh) * | 2022-05-31 | 2022-09-30 | 南京邮电大学 | 一种基于停车影响因子的泊车引导方法 |
CN117392874A (zh) * | 2023-12-13 | 2024-01-12 | 湖北省长投智慧停车有限公司 | 多车场共享车位动态预约与分配方法及系统 |
-
2020
- 2020-08-31 CN CN202010893366.1A patent/CN111985835A/zh not_active Withdrawn
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735172B (zh) * | 2020-12-25 | 2021-12-28 | 长安大学 | 一种停车域的共享车位动态预约与分配方法 |
CN112735172A (zh) * | 2020-12-25 | 2021-04-30 | 长安大学 | 一种停车域的共享车位动态预约与分配方法 |
CN113593290B (zh) * | 2021-06-25 | 2022-12-13 | 桂林电子科技大学 | 基于泊位可感知停车冲突规避调度方法、系统及存储介质 |
CN113554276A (zh) * | 2021-06-25 | 2021-10-26 | 桂林电子科技大学 | 基于泊位供给可用性感知冲突规避泊位分配系统 |
CN113593289A (zh) * | 2021-06-25 | 2021-11-02 | 桂林电子科技大学 | 基于泊位可用状态感知路内停车冲突规避调度方法与系统 |
CN113593290A (zh) * | 2021-06-25 | 2021-11-02 | 桂林电子科技大学 | 基于泊位可感知停车冲突规避调度方法、系统及存储介质 |
CN113554276B (zh) * | 2021-06-25 | 2023-11-07 | 桂林电子科技大学 | 基于泊位供给可用性感知冲突规避泊位分配系统 |
CN113593289B (zh) * | 2021-06-25 | 2023-02-28 | 桂林电子科技大学 | 基于泊位可用状态感知路内停车冲突规避调度方法与系统 |
CN113919656A (zh) * | 2021-09-18 | 2022-01-11 | 东南大学 | 一种大型综合体配建停车设施供给特征评价方法 |
CN113919656B (zh) * | 2021-09-18 | 2024-04-09 | 东南大学 | 一种大型综合体配建停车设施供给特征评价方法 |
CN114093196A (zh) * | 2021-11-17 | 2022-02-25 | 湖北大学 | 基于移动性权重分簇算法的智能停车位选择方法 |
CN114387813A (zh) * | 2021-12-09 | 2022-04-22 | 青岛亿联信息科技股份有限公司 | 一种规则优化的共享停车泊位调度方法 |
CN114495552A (zh) * | 2022-01-21 | 2022-05-13 | 东南大学成贤学院 | 一种快速停车找车导航方法及其系统 |
CN114495552B (zh) * | 2022-01-21 | 2023-04-07 | 东南大学成贤学院 | 一种快速停车找车导航方法及其系统 |
CN114584311A (zh) * | 2022-01-26 | 2022-06-03 | 华东师范大学 | 一种基于信誉的安全动态智能车位共享方法 |
CN114241808A (zh) * | 2022-02-22 | 2022-03-25 | 科大天工智能装备技术(天津)有限公司 | 共享车位的树形索引的构建、分配方法、设备及存储介质 |
CN114783204B (zh) * | 2022-03-21 | 2023-10-13 | 上海理工大学 | 一种自动泊车背景下共享停车的供需匹配方法 |
CN114783204A (zh) * | 2022-03-21 | 2022-07-22 | 上海理工大学 | 一种自动泊车背景下共享停车的供需匹配方法 |
CN115131983A (zh) * | 2022-05-31 | 2022-09-30 | 南京邮电大学 | 一种基于停车影响因子的泊车引导方法 |
CN115131984A (zh) * | 2022-05-31 | 2022-09-30 | 南京邮电大学 | 一种基于停车需求的泊车辅助方法 |
CN115131983B (zh) * | 2022-05-31 | 2024-03-26 | 南京邮电大学 | 一种基于停车影响因子的泊车引导方法 |
CN117392874A (zh) * | 2023-12-13 | 2024-01-12 | 湖北省长投智慧停车有限公司 | 多车场共享车位动态预约与分配方法及系统 |
CN117392874B (zh) * | 2023-12-13 | 2024-03-12 | 湖北省长投智慧停车有限公司 | 多车场共享车位动态预约与分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985835A (zh) | 一种居住区共享停车泊位的分配方法 | |
CN109409599B (zh) | 基于实时需求的定制公交线路开通优化方法 | |
CN108417031B (zh) | 一种基于Agent仿真的智能停车泊位预约策略优化方法 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN110111601B (zh) | 一种基于两阶段选择的区域停车位动态分配方法 | |
CN108898830B (zh) | 组合停车场的时空共享匹配度计算的车位均衡方法 | |
CN105719083A (zh) | 一种基于多层次分区的公共自行车高峰期调度方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
CN115423168A (zh) | 一种考虑服务稳定性的定制公交路网优化方法及系统 | |
CN114495552B (zh) | 一种快速停车找车导航方法及其系统 | |
CN113780808A (zh) | 基于柔性公交接驳系统线的车辆服务属性决策优化方法 | |
CN112381398B (zh) | 考虑用户有限理性出行的电动汽车充电站选址方法及系统 | |
CN114842668A (zh) | 一种基于层次分析法的多场景停车车位导引方法 | |
CN112419716A (zh) | 一种轨道站点换乘影响区内的共享单车设施布局配置方法 | |
CN116090646A (zh) | 一种用于室内停车场的最佳泊位求解方法及停车引导系统 | |
CN112949987A (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
CN112418514A (zh) | 一种运用蚁群系统优化校园公交线路规划的方法 | |
CN116976045A (zh) | 一种非拥堵状态下控制子区多目标约束仿真方法 | |
CN111091286A (zh) | 一种公共自行车调度模型与求解方法 | |
CN115440059A (zh) | 基于物联网的智慧车位管理系统 | |
CN113380071B (zh) | 一种面向大型综合体的车位级停车需求状态评价方法 | |
CN114119075A (zh) | 一种大型综合体配建停车场内差异化定价策略制定方法 | |
CN114331633A (zh) | 共享停车的配对方法、装置及计算机程序产品、电子装置 | |
CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201124 |