CN112129315B - 用于推荐停车场的方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了用于推荐停车场的方法、装置、电子设备和存储介质，涉及地图技术领域，可以用于智能交通。具体实现方案为：接收目标车辆发送的包括目的地的导航请求；获取目的地附近预定范围内至少两个停车场的历史统计特征；响应于检测到目标车辆即将到达目的地，统计当前时刻至少两个停车场的动态统计特征；将至少两个停车场的历史统计特征和动态统计特征输入预先训练的学习排序模型，确定出分数最高的停车场。该实施方式实现了显著降低了用户在目的地停车绕行成本，解决了用户在目的地附近停车难的问题。

Description

用于推荐停车场的方法、装置、电子设备和存储介质

技术领域

本申请涉及计算机技术领域，具体涉及地图技术领域。

背景技术

地图凭借其精准数据优势，已经成为人们出行重要辅助软件。近年来，私家车数量不断增多，用户在目的地停车难的问题已经成为用户出行痛点。由于目的地无停车场或者停车场无空闲车位，用户在目的地停车绕行成本较高。目前通过接入第三方停车场实时数据可以精准判断目的地停车难易程度，但第三方覆盖量少，并且接入成本比较高。

现有技术的停车推荐方法只提供空闲车位等提示信息，无法给用户提供最佳引导位置。

发明内容

本公开提供了一种用于推荐停车场的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种用于推荐停车场的方法，包括：接收目标车辆发送的包括目的地的导航请求；获取目的地附近预定范围内至少两个停车场的历史统计特征；响应于检测到目标车辆即将到达目的地，统计当前时刻至少两个停车场的动态统计特征；将至少两个停车场的历史统计特征和动态统计特征输入预先训练的学习排序模型，确定出分数最高的停车场。

根据本公开的第二方面，提供了一种用于推荐停车场的装置，包括：接收单元，被配置成接收目标车辆发送的包括目的地的导航请求；获取单元，被配置成获取目的地附近预定范围内至少两个停车场的历史统计特征；统计单元，被配置成响应于检测到目标车辆即将到达目的地，统计当前时刻至少两个停车场的动态统计特征；排序单元，被配置成将至少两个停车场的历史统计特征和动态统计特征输入预先训练的学习排序模型，确定出分数最高的停车场。

根据本公开的第三方面，提供了一种电子设备，其特征在于，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面中任一项的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行第一方面中任一项的方法。

根据本申请的技术解决了在目的地附近停车难的问题，减少了停车绕行时间。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于推荐停车场的方法的一个实施例的流程图；

图3是根据本公开的用于推荐停车场的方法的一个应用场景的示意图；

图4是根据本公开的用于推荐停车场的方法的又一个实施例的流程图；

图5是根据本公开的用于推荐停车场的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于推荐停车场的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了可以应用本公开的用于推荐停车场的方法或用于推荐停车场的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括车辆101、102、103，网络104 和服务器105。网络104用以在车辆101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种类型的无线网络。

车辆101、102、103上可安装有导航设备。导航设备可以是车载的硬件也可以是用户的手机。导航设备上安装了导航APP，通过导航APP与服务器进行信息交互。

导航APP可将车辆的当前位置上报给服务器，由服务器引导车辆行驶。

需要说明的是，本公开的实施例所提供的用于推荐停车场的方法一般由服务器105执行，相应地，用于推荐停车场的装置一般设置于服务器105 中。

应该理解，图1中的车辆、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的车辆、网络和服务器。

继续参考图2，示出了根据本公开的用于推荐停车场的方法的一个实施例的流程200。该用于推荐停车场的方法，包括以下步骤：

步骤201，接收目标车辆发送的包括目的地的导航请求。

在本实施例中，用于推荐停车场的方法运行于其上的电子设备(例如图1所示的服务器)可通过无线网络接收目标车辆发送的包括目的地的导航请求。导航请求可由目标车辆的手机或车载导航设备发送。例如，目标车辆的司机将手机上导航APP的目的地设为中山公园。服务器可将从当前地址到中山公园的规划的路线发送给导航APP，并接收导航APP实时上报的车辆位置信息，实时提醒用户线路信息。

步骤202，获取目的地附近预定范围内至少两个停车场的历史统计特征。

在本实施例中，将目的地附近预定范围内的停车场作为候选，从中选择最适合的停车场。如果仅有一个停车场则无需进行推荐。这里的停车场可以是专用停车场，也可以是路边的停车位。可通过历史导航轨迹数据中确定出退出导航时的车辆的位置，从而统计出哪些位置是停车场。历史统计特征可包括分布热度特征(例如，某个停车场累计停了多少辆车)和时序特征(例如，某个停车场每天不同时间段停了多少辆车)。历史统计特征可直接从历史导航轨迹数据提取，也可从数据库(例如redis)读取。

步骤203，响应于检测到目标车辆即将到达目的地，统计当前时刻至少两个停车场的动态统计特征。

在本实施例中，即将到达目的地指的是车辆当前位置与目的地的距离小于预定距离阈值(例如500米)或预计到达时间小于预定时间阈值(例如，5分钟)。当满足上述任一条件时说明车辆即将到达目的地，需要服务器推荐停车场，此时统计当前时刻目的地附近的至少两个停车场的动态统计特征。每个停车场的动态统计特征可包括两种特征：一种是已到达该停车场中车辆的数量，另一种是即将到达该停车场的车辆的数量和距离。

已到达该停车场中车辆的数量可以是距离当前时刻预定时间范围内 (例如，3小时)已到达该停车场的车辆数量。预定时间范围是用来判断终点为该停车场，但还未离开的车辆。如果超过预定时间范围则说明车辆可能已经离开。可根据导航app的登录用户的到达停车场的时间和离开停车场的时间统计登录用户在该停车场的平均停车时间。将该平均停车时间作为该停车场的预定时间范围。例如，电影院附近停车场的平均停车时间为2个半小时，而公园附近停车场的平均停车时间为4个小时等。

即将到达该停车场的车辆的数量可以是进入导航并且距离该停车场预定空间范围内(例如200米)的车辆数量。还可统计其它同样目的地的车辆与目的地的距离，比如距离100米的车有3辆，距离150米的车有15 辆。

步骤204，将至少两个停车场的历史统计特征和动态统计特征输入预先训练的学习排序模型，确定出分数最高的停车场。

在本实施例中，学习排序模型的输入为不同停车场的特征，输出为分数最高的停车场。LTR(Learning torank，学习排序)是一种监督学习 (SupervisedLearning)的排序方法。本申请的LTR可以是pairwise类型，也可以是Listwise。对于推荐最优的停车场可采用pairwise类型LTR模型，无需关心所有停车场的排序高低，只要确定出分数最高的停车场就可以了。而如果需要推荐多个停车场让用户选择，则可采用Listwise类型LTR模型，把停车场按照分数由高到低的顺序排序。学习排序模型的训练过程可参考步骤401-404。服务器确定出分数最高的停车场后，可引导目标车辆进入分数最高的停车场。对于2个以上停车场使用pairwise类型LTR模型时，每一次选择2个停车场的特征输入LTR模型得到最高分的停车场，再将此次比较中最高分的停车场的特征与其它未比较过的停车场的特征输入LTR模型，然后得到最高分的停车场。同理，反复将得分最高的停车场的特征与其它未输入过LTR模型的停车场的特征通过LTR模型进行排序。最终得到所有停车场中分数最高的停车场。

本公开的上述实施例提供的方法，通过历史统计特征和动态统计特征进行停车场推荐，显著降低了用户在目的地停车绕行成本，解决了用户在目的地附近停车难的问题。

在本实施例的一些可选的实现方式中，获取目的地附近预定范围内至少两个停车场的历史统计特征，包括：将目的地作为键从数据库中查询至少两个停车场的历史统计特征，其中，历史统计特征包括分布热度特征和时序特征。可预先从历史导航轨迹数据中提取每个停车场的历史统计特征。历史导航轨迹数据可取前一年、一季度、一个月、一周等时间段的数据，太早的数据没有参考意义，可忽略不计。对于历史导航轨迹数据中的每个目的地，将该目的地与最终停车的停车场相关联。然后以目的地为键(key) 将停车场的历史统计特征存入数据库中(例如，redis等键值数据库)。在使用时，直接从数据库中按照目的地来搜索，即可找到目的地附近的停车场的历史统计特征，提高了特征提取的效率，加快了推荐速度。

在本实施例的一些可选的实现方式中，统计当前时刻至少两个停车场的动态统计特征，包括：对于至少两个停车场中每个停车场，统计距离当前时刻预定时间范围内已到达该停车场的车辆数量。已到达该停车场中车辆的数量可统计距离当前时刻预定时间范围内已到达该停车场的车辆数量。预定时间范围是用来判断终点为该停车场，但还未离开的车辆。如果超过预定时间范围则说明车辆可能已经离开。可根据导航app的登录用户的到达停车场的时间和离开停车场的时间统计登录用户在该停车场的平均停车时间。将该平均停车时间作为该停车场的预定时间范围。例如，电影院附近停车场的平均停车时间为2个半小时，而公园附近停车场的平均停车时间为4个小时等。

在本实施例的一些可选的实现方式中，统计当前时刻至少两个停车场的动态统计特征，包括：对于至少两个停车场中每个停车场，统计进入导航并且距离该停车场预定空间范围内车辆数量和每辆车与该停车场的距离。即将到达该停车场的车辆的数量可统计进入导航并且距离该停车场预定空间范围内(例如200米)车辆数量。还可统计其它同样目的地的车辆与目的地的距离，比如距离100米的车有3辆，距离150米的车有15辆。这样可统计出在目标车辆到达停车场之前，可能比目标车辆先到达停车场的数量，避免只根据已停车辆分配的停车场因为其它车辆比目标车辆到达的早而导致目标车辆没抢到车位。

在本实施例的一些可选的实现方式中，分布热度特征通过如下方式获得：从历史导航轨迹数据中提取所有的终点序列；将所有的终点序列进行聚类，得到至少一个聚类簇；对于至少一个聚类簇中每个聚类簇，将该聚类簇映射到最近的停车场，计算该聚类簇中终点的数量作为该停车场的分布热度特征。终点为用户退出导航时车辆的位置。每个历史导航轨迹数据都对应一个终点，这些终点构成了终点序列。由于用户可能会提前退出导航，所以退出导航时的位置未必是停车场的位置。因此可通过聚类的方法找停车场。例如采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法获得终点序列的聚类簇。将距离聚类中心的位置最近的停车场作为该聚类簇中每个终点对应的停车场。然后统计每个停车场对应的终点的数量作为该停车场的分布热度特征。

在本实施例的一些可选的实现方式中，时序特征通过如下方式获得：对于至少一个聚类簇中每个聚类簇对应的停车场，根据停车场所在区域确定出周期，按周期统计到达该停车场的车辆的数量作为该停车场的时序特征。周期包括以下至少一种：小时、天、周、月、季度。周期与停车场所在区域有关，对于预定区域(例如，商场、景区、学校等停车量有明显周期行为的区域)的停车场，按照以下至少一种周期统计到达该停车场的车辆的数量作为该停车场的时序特征：天、周、月、季度。部分目的地存在明显周期行为，例如商场、景区等目的地周末出行频率高，因此按照天以及周为维度统计目的地附近停车场的热度信息。对于非预定区域可利用历史导航轨迹数据对车辆出行时间统计，按照小时维度统计每天的不同时间段到达目的地附近不同停车场热度信息，可以明确目的地的每天不同时间段热度特征，从而在排序时选择热度低的停车场。热度可用到达该停车场的车辆的数量来衡量。则时序特征可以是例如，早8：00-9：00，热度为 10000，晚8：00-9：00热度为3等。

继续参见图3，图3是根据本实施例的用于推荐停车场的方法的应用场景的一个示意图。在图3的应用场景中，服务器预先根据历史导航轨迹数据确定目的地附近的停车场的历史统计特征。然后将各停车场的历史统计特征以目的地为key灌到redis中。当训练LTR模型时，根据目的地测试样本从reids中查询目的地测试样本附近停车场的历史统计特征。然后再结合目的地测试样本附近停车场的动态统计特征训练出LTR模型待用。目标车辆向服务器发送导航请求，目的地为A。服务器获取目的地A附近至少两个停车场的历史统计特征。在服务器检测到目标车辆距离目的地A 不到500米，或还剩5分钟到达时，获取当前时刻目的地A附近至少两个停车场(例如，停车场P1和P2)的动态统计特征，例如，当前时刻之前 1小时到达P1的车辆数量和到达P2的车辆数量，目的地同样是A，且在 P1的200米范围内的车辆数量和在P2的200米范围内的车辆数量，以及 P1的200米范围内每辆车与P1的距离，P2的200米范围内每辆车与P2 的距离。将P1的历史统计特征和动态统计特征，以及P2的历史统计特征和动态统计特征输入LTR模型中，由LTR模型打分排序，输出分数最高的停车场。

进一步参考图4，其示出了用于推荐停车场的方法的又一个实施例的流程400。该用于推荐停车场的方法的流程400，包括以下步骤：

步骤401，从历史导航轨迹数据中提取至少一个样本停车场的历史统计特征。

在本实施例中，用于推荐停车场的方法运行于其上的电子设备(例如图1所示的服务器或第三方服务器)可获取历史导航轨迹数据，并从历史导航轨迹数据中提取至少一个样本停车场的历史统计特征。历史统计特征包括分布热度特征和时序特征。上文中说明了如何提取分布热度特征和时序特征。然后将所有提取出的历史统计特征以目的地为键存入数据库中。训练LTR模型时，使用样本目的地从数据库中查询对应的样本停车场的历史统计特征。

步骤402，从当前导航轨迹数据中提取至少一个样本停车场的动态统计特征。

在本实施例中，当前导航轨迹数据指的是距离当前时刻一定时间范围内的导航轨迹数据，例如，历史导航轨迹数据可以是近一年的数据，而当前导航轨迹数据可以是昨天的数据，或者是1小时前的数据。提取动态统计特征的过程可参考步骤203。

步骤403，根据至少一个样本停车场的历史统计特征和动态统计特征构造样本集。

在本实施例中，每个样本包括停车场的历史统计特征和动态统计特征。每个样本具有相同维度的特征，例如，历史统计特征10个维度，动态统计特征6个维度。其中历史统计特征中时序特征可包括9个不同时间段的特征，例如，早8：00-9：00，11：00-11：30等，时间段可以不连续，时长也可以不相等。

步骤404，每次从样本集中选择2个样本作输入，将这2个样本的排序的分数作为输出，训练学习排序模型。

在本实施例中，训练时每次需要2个样本作为输入，具体训练过程是现有技术，因此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于推荐停车场的方法的流程400体现了训练学习排序模型的步骤。由此，本实施例描述的方案可以根据历史统计特征和动态统计特征训练学习排序模型。使用学习排序模型时，也是输入当前时刻之前的历史统计特征和当前时刻的动态统计特征即可对目的地附近的停车场进行打分，将分数最高的停车场作为终点进行导航。提高了停车场推荐的速度和准确率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于推荐停车场的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于推荐停车场的装置500包括：接收单元 501、获取单元502、统计单元503和排序单元504。其中，接收单元501，被配置成接收目标车辆发送的包括目的地的导航请求；获取单元502，被配置成获取目的地附近预定范围内至少两个停车场的历史统计特征；统计单元503，被配置成响应于检测到目标车辆即将到达目的地，统计当前时刻至少两个停车场的动态统计特征；排序单元504，被配置成将至少两个停车场的历史统计特征和动态统计特征输入预先训练的学习排序模型，确定出分数最高的停车场。

在本实施例中，用于推荐停车场的装置500的接收单元501、获取单元502、统计单元503和排序单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。

在本实施例的一些可选的实现方式中，获取单元502进一步被配置成：将目的地作为键从数据库中查询至少两个停车场的历史统计特征，其中，历史统计特征包括分布热度特征和时序特征。

在本实施例的一些可选的实现方式中，统计单元503进一步被配置成：对于至少两个停车场中每个停车场，统计距离当前时刻预定时间范围内已到达该停车场的车辆数量。

在本实施例的一些可选的实现方式中，统计单元503进一步被配置成：对于至少两个停车场中每个停车场，统计进入导航并且距离该停车场预定空间范围内车辆数量和每辆车与该停车场的距离。

在本实施例的一些可选的实现方式中，统计单元503进一步被配置成：从历史导航轨迹数据中提取所有的终点序列；将所有的终点序列进行聚类，得到至少一个聚类簇；对于至少一个聚类簇中每个聚类簇，将该聚类簇映射到最近的停车场，计算该聚类簇中终点的数量作为该停车场的分布热度特征。

在本实施例的一些可选的实现方式中，统计单元503进一步被配置成：对于至少一个聚类簇中每个聚类簇对应的停车场，根据停车场所在区域确定出周期，按周期统计到达该停车场的车辆的数量作为该停车场的时序特征，其中，周期包括以下至少一种：小时、天、周、月、季度。

在本实施例的一些可选的实现方式中，装置500还包括训练单元(附图中未示出)，被配置成：从历史导航轨迹数据中提取至少一个样本停车场的历史统计特征；从当前导航轨迹数据中提取至少一个样本停车场的动态统计特征；根据至少一个样本停车场的历史统计特征和动态统计特征构造样本集，其中，每个样本包括停车场的历史统计特征和动态统计特征；每次从样本集中选择2个样本作输入，将这2个样本的排序的分数作为输出，训练学习排序模型。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的用于推荐停车场的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601 为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的用于推荐停车场的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于推荐停车场的方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于推荐停车场的方法对应的程序指令/模块(例如，附图5所示的接收单元 501、获取单元502、统计单元503和排序单元504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于推荐停车场的方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于推荐停车场的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于推荐停车场的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于推荐停车场的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与用于推荐停车场的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和 /或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和 /或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

根据本申请实施例的技术方案，显著降低了用户在目的地停车绕行成本，解决了用户在目的地附近停车难的问题。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种用于推荐停车场的方法，包括：

接收目标车辆发送的包括目的地的导航请求；

获取所述目的地附近预定范围内至少两个停车场的历史统计特征；

响应于检测到所述目标车辆即将到达所述目的地，统计当前时刻所述至少两个停车场的动态统计特征；

将所述至少两个停车场的历史统计特征和动态统计特征输入预先训练的学习排序模型，确定出分数最高的停车场；

其中，所述获取所述目的地附近预定范围内至少两个停车场的历史统计特征，包括：

将所述目的地作为键从数据库中查询至少两个停车场的历史统计特征，其中，所述历史统计特征包括分布热度特征和时序特征；

所述统计当前时刻所述至少两个停车场的动态统计特征，包括：

对于所述至少两个停车场中每个停车场，统计距离当前时刻预定时间范围内已到达该停车场的车辆数量；

对于所述至少两个停车场中每个停车场，统计进入导航并且距离该停车场预定空间范围内车辆数量和每辆车与该停车场的距离。

2.根据权利要求1所述的方法，其中，所述分布热度特征通过如下方式获得：

从历史导航轨迹数据中提取所有的终点序列；

将所述所有的终点序列进行聚类，得到至少一个聚类簇；

对于所述至少一个聚类簇中每个聚类簇，将该聚类簇映射到最近的停车场，计算该聚类簇中终点的数量作为该停车场的分布热度特征。

3.根据权利要求2所述的方法，其中，所述时序特征通过如下方式获得：

对于所述至少一个聚类簇中每个聚类簇对应的停车场，根据停车场所在区域确定出周期，按所述周期统计到达该停车场的车辆的数量作为该停车场的时序特征，其中，所述周期包括以下至少一种：小时、天、周、月、季度。

4.根据权利要求1-3中任一项所述的方法，其中，所述学习排序模型通过以下步骤训练：

从历史导航轨迹数据中提取至少一个样本停车场的历史统计特征；

从当前导航轨迹数据中提取至少一个样本停车场的动态统计特征；

根据所述至少一个样本停车场的历史统计特征和动态统计特征构造样本集，其中，每个样本包括停车场的历史统计特征和动态统计特征；

每次从所述样本集中选择2个样本作输入，将这2个样本的排序的分数作为输出，训练学习排序模型。

5.一种用于推荐停车场的装置，包括：

接收单元，被配置成接收目标车辆发送的包括目的地的导航请求；

获取单元，被配置成获取所述目的地附近预定范围内至少两个停车场的历史统计特征；

统计单元，被配置成响应于检测到所述目标车辆即将到达所述目的地，统计当前时刻所述至少两个停车场的动态统计特征；

排序单元，被配置成将所述至少两个停车场的历史统计特征和动态统计特征输入预先训练的学习排序模型，确定出分数最高的停车场；

其中，所述获取单元进一步被配置成：

将所述目的地作为键从数据库中查询至少两个停车场的历史统计特征，其中，所述历史统计特征包括分布热度特征和时序特征；

所述统计单元进一步被配置成：

对于所述至少两个停车场中每个停车场，统计距离当前时刻预定时间范围内已到达该停车场的车辆数量；

对于所述至少两个停车场中每个停车场，统计进入导航并且距离该停车场预定空间范围内车辆数量和每辆车与该停车场的距离。

6.根据权利要求5所述的装置，其中，所述统计单元进一步被配置成：

从历史导航轨迹数据中提取所有的终点序列；

将所述所有的终点序列进行聚类，得到至少一个聚类簇；

对于所述至少一个聚类簇中每个聚类簇，将该聚类簇映射到最近的停车场，计算该聚类簇中终点的数量作为该停车场的分布热度特征。

7.根据权利要求6所述的装置，其中，所述统计单元进一步被配置成：

对于所述至少一个聚类簇中每个聚类簇对应的停车场，根据停车场所在区域确定出周期，按所述周期统计到达该停车场的车辆的数量作为该停车场的时序特征，其中，所述周期包括以下至少一种：小时、天、周、月、季度。

8.根据权利要求5-7中任一项所述的装置，其中，所述装置还包括训练单元，被配置成：

从历史导航轨迹数据中提取至少一个样本停车场的历史统计特征；

从当前导航轨迹数据中提取至少一个样本停车场的动态统计特征；

根据所述至少一个样本停车场的历史统计特征和动态统计特征构造样本集，其中，每个样本包括停车场的历史统计特征和动态统计特征；

每次从所述样本集中选择2个样本作输入，将这2个样本的排序的分数作为输出，训练学习排序模型。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。

Images