CN112258879A - 一种利用随机矩阵优化城市停车构造方法 - Google Patents
一种利用随机矩阵优化城市停车构造方法 Download PDFInfo
- Publication number
- CN112258879A CN112258879A CN202011110545.XA CN202011110545A CN112258879A CN 112258879 A CN112258879 A CN 112258879A CN 202011110545 A CN202011110545 A CN 202011110545A CN 112258879 A CN112258879 A CN 112258879A
- Authority
- CN
- China
- Prior art keywords
- data
- coordinate
- sample
- parking
- path
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用随机矩阵优化城市停车构造方法,获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理;获取样本数据,将样本数据进行坐标化设定;将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记;计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合;对路径距离数据进行最优迭代筛选;利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定;利用停车矩阵将待停车辆坐标数据进行分析;解决了现有方案中城市车辆停车过程中车位指引不能进行优化的缺陷。
Description
技术领域
本发明涉及停车技术领域,尤其涉及一种利用随机矩阵优化城市停车构造方法。
背景技术
在数学中,随机矩阵是用来描述一个马尔可夫链的转变矩阵,它的每一项都是一个表示概率的非负实数。它适用于概率论、统计学和线性代数,也在计算机科学和群体遗传学中使用;
停车场智能化设备指停车管理采用现代计算机网络监控指挥系统,包括智能化计时计费管理系统、网络多点运作信息传递系统、自动化电脑操作系统、消防火警报警系统、防盗窃报警系统、电视监控、对讲系统组成的多功能设备。智能化设备分为主系统和子系统,主系统即中心控制室,子系统即各自独立按程序操作,并将操作信息及时反馈给主系统加以汇总,发出新的指令。
公开号CN111190942A公开了基于数据挖掘技术的城市道路停车点统筹分析方法,包括:步骤1、构造停车点数据集;步骤2、根据实际需求设置停车点特征向量不同维度的不同权重;步骤3、使用Canopy聚类算法对设定权重之后的停车点数据进行聚类分析,获得估计的聚类个数。该发明的有益效果是:基于数据挖掘技术对如何统筹分析城市中所有的道路停车点这一问题提供了解决方案,对如何将城市中使用模式类似同时地理位置相近的道路停车点归为一类以便于更好的分析提供了解决方案,有益于停车资源整合问题的解决和建设大型停车场前的调研分析,从而促进停车难问题的解决,进而提高社会效率。但是存在城市车辆停车过程中车位指引不能进行优化的缺陷。
发明内容
本发明的目的在于提供一种利用随机矩阵优化城市停车构造方法,其主要目的在于解决城市车辆停车过程中车位指引不能进行优化的技术问题。
本发明的目的可以通过以下技术方法实现:一种利用随机矩阵优化城市停车构造方法,包括以下步骤:
S1:获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点;
S2:获取样本数据,将样本数据进行坐标化设定,得到样本坐标数据;
S3:将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据;其中,样本访问数据中包含样本标记浓度;
S4:计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据;
S5:对路径距离数据进行最优迭代筛选,得到路径迭代数据;其中,路径迭代数据中包含样本标记迭代浓度;
S6:利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;
S7:获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定,得到待停车辆坐标数据;
S8:利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果。
进一步地,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点,具体的步骤包括:
S21:根据预设的横坐标轴长和纵坐标轴长,将城市位置数据设定为城市坐标栅格;
S22:将停车位置数据在城市坐标栅格上进行定位和标记,得到停车位置坐标点。
进一步地,将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据,具体的步骤包括:
S31:以样本坐标数据为圆心,将样本坐标数据在城市坐标栅格上朝样本坐标数据八个方向中的任一个方向,随机向停车位置坐标点的位置进行自由移动,得到样本访问移动数据,样本访问移动数据包含样本访问路径数据和样本访问路径长度数据;
S32:获取移动的路径位置,并根据移动位置经过的路径进行要素标记,得到要素标记数据;其中,要素标记涉及的公式为:
其中,τij表示为要素标记值,Δτij表示为要素标记更新值,k表示为经过的路径总数,Ck表示为经过的路径总长度,Q表示为预设的参数,m表示为样本坐标数据中的样本坐标;
S33:将若干个要素标记数据组合,得到要素标记组合数据;
S34:计算若干个要素标记数据在要素标记组合数据中的占比,得到样本标记浓度;
S35:将要素标记数据、样本访问移动数据与样本标记浓度组合,得到样本访问数据。
进一步地,计算样本坐标数据与停车位置坐标栅格中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据,涉及的计算式包括:
其中,DLJi表示为路径值,xi表示为样本坐标数据位于第i行,xj表示为坐标点位于第j行,yi表示为样本坐标数据位于第i列,yj表示为坐标点位于第j列。
进一步地,xi通过第一坐标公式获取,该第一坐标公式为:
其中,a1表示为城市坐标栅格中的横坐标轴长,mod(i,yi)表示为i除以yi的余数,i表示为非零的自然数;
yi通过第二坐标公式获取,该第二坐标公式为:
进一步地,对路径距离数据进行最优迭代筛选,得到路径迭代数据,包括:
S61:将路径距离数据中的若干个路径值进行最值筛选,得到路径最值数据和路径筛选数据;其中,路径最值数据包含路径最小值和路径最大值;
S62:将路径筛选数据中的若干个路径筛选值进行降序排列,得到路径筛选排序数据;
S63:将路径筛选数据和路径筛选排序数据组合,得到路径迭代数据。
进一步地,利用样本标记迭代浓度和停车位置坐标点构造停车矩阵,包括:
S71:对若干个停车位置坐标点构造划分矩阵;
S72:根据预设矩阵划分范围,利用样本标记迭代浓度对划分矩阵进行数据填充,得到填充矩阵;其中,划分矩阵中的初始元素均为0;
S73:将若干个填充矩阵按照行列位置进行排列组合,得到停车矩阵。
进一步地,利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果,包括:
S81:获取待停车辆坐标数据在样本访问数据中对应的样本访问值和样本标记浓度值;
S82:利用样本访问值和样本标记浓度值获取停车矩阵上对应的最小矩阵元素;
S83:利用最小矩阵元素获取待停车辆的停车路径。
进一步地,包含第一数据处理模块、数据分析模块、数据计算模块、第二数据处理模块和分析结果模块;
所述第一数据处理模块用于获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点;获取样本数据,将样本数据进行坐标化设定,得到样本坐标数据;
所述数据分析模块用于将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据;其中,样本访问数据中包含样本标记浓度;
所述数据计算模块用于计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据;对路径距离数据进行最优迭代筛选,得到路径迭代数据;其中,路径迭代数据中包含样本标记迭代浓度;利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;
所述第二数据处理模块用于获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定,得到待停车辆坐标数据;
所述分析结果模块用于利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果。
本发明的有益效果:
本发明公开的各个方面,利用第一数据处理模块获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点;获取样本数据,将样本数据进行坐标化设定,得到样本坐标数据;
利用数据分析模块将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据;其中,样本访问数据中包含样本标记浓度;
利用数据计算模块计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据;对路径距离数据进行最优迭代筛选,得到路径迭代数据;其中,路径迭代数据中包含样本标记迭代浓度;利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;
利用第二数据处理模块获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定,得到待停车辆坐标数据;
利用分析结果模块利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果;通过各个模块的配合使用,可以解决城市车辆停车过程中车位指引不能进行优化的问题,通过将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点,可以有效提高对停车车位和待停车辆的位置的分析效率,通过以样本坐标数据为圆心,将样本坐标数据在城市坐标栅格上朝样本坐标数据八个方向中的任一个方向,可以达到遍历至停车位的所有路径的目的,便于对待停车辆提供样本数据支持,通过获取移动的路径位置,并根据移动位置经过的路径进行要素标记,得到要素标记数据,计算若干个要素标记数据在要素标记组合数据中的占比,得到样本标记浓度,其中,若干个要素标记数据在要素标记组合数据中的占比对应停车矩阵中的元素,通过对占比的大小进行分析,可以得到待停车辆的最佳停车路径,通过计算获取要素标记值和要素标记更新值,并将若干个要素标记数据组合,得到要素标记组合数据,通过对要素标记值进行更新和优化,最终达到对车辆停车过程中车位指引进行优化的目的。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明一种利用随机矩阵优化城市停车构造方法的流程示意图。
图2为本发明的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方法进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
请参阅图1-2所示,本发明为一种利用随机矩阵优化城市停车构造方法,包括以下步骤:
S1:获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点;包括:
根据预设的横坐标轴长和纵坐标轴长,将城市位置数据设定为城市坐标栅格;
将停车位置数据在城市坐标栅格上进行定位和标记,得到停车位置坐标点;
本发明实施例中,根据预设的横坐标轴长和纵坐标轴长,将城市位置数据进行栅格化处理,使得城市位置数据二维平面化和坐标化,并且对停车位置数据进行坐标化设定,便于处理停车位置与待停车辆之间的数据关系,其中,横坐标轴长和纵坐标轴长的具体数值,可以根据停车位置数据在城市位置数据上的分布进行预设;
S2:获取样本数据,将样本数据进行坐标化设定,得到样本坐标数据;
S3:将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据;其中,样本访问数据中包含样本标记浓度;包括:
以样本坐标数据为圆心,将样本坐标数据在城市坐标栅格上朝样本坐标数据八个方向中的任一个方向,随机向停车位置坐标点的位置进行自由移动,得到样本访问移动数据,样本访问移动数据包含样本访问路径数据和样本访问路径长度数据;
获取移动的路径位置,并根据移动位置经过的路径进行要素标记,得到要素标记数据;其中,要素标记涉及的公式为:
其中,τij表示为要素标记值,Δτij表示为要素标记更新值,k表示为经过的路径总数,Ck表示为经过的路径总长度,Q表示为预设的参数,m表示为样本坐标数据中的样本坐标;
将若干个要素标记数据组合,得到要素标记组合数据;
计算若干个要素标记数据在要素标记组合数据中的占比,得到样本标记浓度;
将要素标记数据、样本访问移动数据与样本标记浓度组合,得到样本访问数据;
本发明实施例中,样本坐标数据八个方向包含中间向上方向、一侧角斜向上方向、另一侧角斜向上方向、中间向一侧方向、中间向另一侧向下、一侧角斜向下方向、另一侧角斜向下方向和中间向下方向;要素标记用于统计路径的距离和标记浓度情况,标记浓度情况可以通过该路径路过的次数进行汇总和排序,通过对移动的路径、距离以及次数综合考虑和不断优化,最终达到对停车引导优化的目的;
S4:计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据;涉及的计算式包括:
其中,DLJi表示为路径值,xi表示为样本坐标数据位于第i行,xj表示为坐标点位于第j行,yi表示为样本坐标数据位于第i列,yj表示为坐标点位于第j列。
xi通过第一坐标公式获取,该第一坐标公式为:
其中,a1表示为城市坐标栅格中的横坐标轴长,mod(i,yi)表示为i除以yi的余数,i表示为非零的自然数;
yi通过第二坐标公式获取,该第二坐标公式为:
本发明实施例中,通过对样本坐标数据与停车位置坐标点中各个坐标点进行计算和组合,得到路径距离数据,该路径距离数据包含坐标点距离所有停车位置的路径距离以及总和;
S5:对路径距离数据进行最优迭代筛选,得到路径迭代数据;其中,路径迭代数据中包含样本标记迭代浓度;包括:
将路径距离数据中的若干个路径值进行最值筛选,得到路径最值数据和路径筛选数据;其中,路径最值数据包含路径最小值和路径最大值;
将路径筛选数据中的若干个路径筛选值进行降序排列,得到路径筛选排序数据;
将路径筛选数据和路径筛选排序数据组合,得到路径迭代数据;
本发明实施例中,路径最小值和路径最大值为该坐标点距离某个停车位置的最佳路径和最差路径,路径筛选数据用于为优化路径提供数据支持;
S6:利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;包括:
对若干个停车位置坐标点构造划分矩阵;
根据预设矩阵划分范围,利用样本标记迭代浓度对划分矩阵进行数据填充,得到填充矩阵;其中,划分矩阵中的初始元素均为0;
将若干个填充矩阵按照行列位置进行排列组合,得到停车矩阵;
本发明实施例中,停车矩阵中的元素对应样本标记迭代浓度,样本标记迭代浓度中的样本标记迭代浓度值对应停车矩阵中的不同元素,通过停车矩阵中的元素方便快速的对待停车辆进行引导;
S7:获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定,得到待停车辆坐标数据;
S8:利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果:包括:
获取待停车辆坐标数据在样本访问数据中对应的样本访问值和样本标记浓度值;
利用样本访问值和样本标记浓度值获取停车矩阵上对应的最小矩阵元素;
利用最小矩阵元素获取待停车辆的停车路径;
包含第一数据处理模块、数据分析模块、数据计算模块、第二数据处理模块和分析结果模块;
所述第一数据处理模块用于获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点;获取样本数据,将样本数据进行坐标化设定,得到样本坐标数据;
所述数据分析模块用于将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据;其中,样本访问数据中包含样本标记浓度;
所述数据计算模块用于计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据;对路径距离数据进行最优迭代筛选,得到路径迭代数据;其中,路径迭代数据中包含样本标记迭代浓度;利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;
所述第二数据处理模块用于获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定,得到待停车辆坐标数据;
所述分析结果模块用于利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果。
本发明实施例的工作原理为:利用第一数据处理模块获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点;获取样本数据,将样本数据进行坐标化设定,得到样本坐标数据;
利用数据分析模块将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据;其中,样本访问数据中包含样本标记浓度;
利用数据计算模块计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据;对路径距离数据进行最优迭代筛选,得到路径迭代数据;其中,路径迭代数据中包含样本标记迭代浓度;利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;
利用第二数据处理模块获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定,得到待停车辆坐标数据;
利用分析结果模块利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果;通过各个模块的配合使用,可以解决城市车辆停车过程中车位指引不能进行优化的问题,通过将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点,可以有效提高对停车车位和待停车辆的位置的分析效率,通过以样本坐标数据为圆心,将样本坐标数据在城市坐标栅格上朝样本坐标数据八个方向中的任一个方向,可以达到遍历至停车位的所有路径的目的,便于对待停车辆提供样本数据支持,通过获取移动的路径位置,并根据移动位置经过的路径进行要素标记,得到要素标记数据,计算若干个要素标记数据在要素标记组合数据中的占比,得到样本标记浓度,其中,若干个要素标记数据在要素标记组合数据中的占比对应停车矩阵中的元素,通过对占比的大小进行分析,可以得到待停车辆的最佳停车路径,通过计算获取要素标记值和要素标记更新值,并将若干个要素标记数据组合,得到要素标记组合数据,通过对要素标记值进行更新和优化,最终达到对车辆停车过程中车位指引进行优化的目的。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (9)
1.一种利用随机矩阵优化城市停车构造方法,其特征在于,包括以下步骤:
S1:获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点;
S2:获取样本数据,将样本数据进行坐标化设定,得到样本坐标数据;
S3:将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据;其中,样本访问数据中包含样本标记浓度;
S4:计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据;
S5:对路径距离数据进行最优迭代筛选,得到路径迭代数据;其中,路径迭代数据中包含样本标记迭代浓度;
S6:利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;
S7:获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定,得到待停车辆坐标数据;
S8:利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果。
2.根据权利要求1所述的一种利用随机矩阵优化城市停车构造方法,其特征在于,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点,具体的步骤包括:
S21:根据预设的横坐标轴长和纵坐标轴长,将城市位置数据设定为城市坐标栅格;
S22:将停车位置数据在城市坐标栅格上进行定位和标记,得到停车位置坐标点。
3.根据权利要求1所述的一种利用随机矩阵优化城市停车构造方法,其特征在于,将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据,具体的步骤包括:
S31:以样本坐标数据为圆心,将样本坐标数据在城市坐标栅格上朝样本坐标数据八个方向中的任一个方向,随机向停车位置坐标点的位置进行自由移动,得到样本访问移动数据,样本访问移动数据包含样本访问路径数据和样本访问路径长度数据;
S32:获取移动的路径位置,并根据移动位置经过的路径进行要素标记,得到要素标记数据;其中,要素标记涉及的公式为:
其中,τij表示为要素标记值,Δτij表示为要素标记更新值,k表示为经过的路径总数,Ck表示为经过的路径总长度,Q表示为预设的参数,m表示为样本坐标数据中的样本坐标;
S33:将若干个要素标记数据组合,得到要素标记组合数据;
S34:计算若干个要素标记数据在要素标记组合数据中的占比,得到样本标记浓度;
S35:将要素标记数据、样本访问移动数据与样本标记浓度组合,得到样本访问数据。
6.根据权利要求1所述的一种利用随机矩阵优化城市停车构造方法,其特征在于,对路径距离数据进行最优迭代筛选,得到路径迭代数据,包括:
S61:将路径距离数据中的若干个路径值进行最值筛选,得到路径最值数据和路径筛选数据;其中,路径最值数据包含路径最小值和路径最大值;
S62:将路径筛选数据中的若干个路径筛选值进行降序排列,得到路径筛选排序数据;
S63:将路径筛选数据和路径筛选排序数据组合,得到路径迭代数据。
7.根据权利要求1所述的一种利用随机矩阵优化城市停车构造方法,其特征在于,利用样本标记迭代浓度和停车位置坐标点构造停车矩阵,包括:
S71:对若干个停车位置坐标点构造划分矩阵;
S72:根据预设矩阵划分范围,利用样本标记迭代浓度对划分矩阵进行数据填充,得到填充矩阵;其中,划分矩阵中的初始元素均为0;
S73:将若干个填充矩阵按照行列位置进行排列组合,得到停车矩阵。
8.根据权利要求1所述的一种利用随机矩阵优化城市停车构造方法,其特征在于,利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果,包括:
S81:获取待停车辆坐标数据在样本访问数据中对应的样本访问值和样本标记浓度值;
S82:利用样本访问值和样本标记浓度值获取停车矩阵上对应的最小矩阵元素;
S83:利用最小矩阵元素获取待停车辆的停车路径。
9.根据权利要求1-8任一项所述的一种利用随机矩阵优化城市停车构造方法,其特征在于,包含第一数据处理模块、数据分析模块、数据计算模块、第二数据处理模块和分析结果模块;
所述第一数据处理模块用于获取停车位置数据和城市位置数据,将城市位置数据和停车位置数据进行预处理,得到城市坐标栅格和停车位置坐标点;获取样本数据,将样本数据进行坐标化设定,得到样本坐标数据;
所述数据分析模块用于将样本坐标数据对城市坐标栅格上的停车位置坐标点进行随机访问,并对停车位置坐标点访问的局部路径进行要素标记,得到样本访问数据;其中,样本访问数据中包含样本标记浓度;
所述数据计算模块用于计算样本坐标数据与停车位置坐标点中各个坐标点之间的路径值,并将若干个路径值组合,得到路径距离数据;对路径距离数据进行最优迭代筛选,得到路径迭代数据;其中,路径迭代数据中包含样本标记迭代浓度;利用样本标记迭代浓度和停车位置坐标点构造停车矩阵;
所述第二数据处理模块用于获取待停车辆位置数据,将所述待停车辆位置数据进行坐标化设定,得到待停车辆坐标数据;
所述分析结果模块用于利用停车矩阵将待停车辆坐标数据进行分析,得到待停车辆分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011110545.XA CN112258879B (zh) | 2020-10-16 | 2020-10-16 | 一种利用随机矩阵优化城市停车构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011110545.XA CN112258879B (zh) | 2020-10-16 | 2020-10-16 | 一种利用随机矩阵优化城市停车构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258879A true CN112258879A (zh) | 2021-01-22 |
CN112258879B CN112258879B (zh) | 2021-11-02 |
Family
ID=74244478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011110545.XA Active CN112258879B (zh) | 2020-10-16 | 2020-10-16 | 一种利用随机矩阵优化城市停车构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258879B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101465058A (zh) * | 2009-01-05 | 2009-06-24 | 天津大学 | 智能式动态路线诱导系统诱导单元决策方法 |
US20130317742A1 (en) * | 2012-05-25 | 2013-11-28 | Xerox Corporation | System and method for estimating origins and destinations from identified end-point time-location stamps |
US8655593B1 (en) * | 2013-03-12 | 2014-02-18 | United Parcel Service Of America, Inc. | Concepts for defining travel paths in parking areas |
CN103700283A (zh) * | 2014-01-09 | 2014-04-02 | 北京交通发展研究中心 | 地磁传感器停车监测方法 |
CN105243871A (zh) * | 2015-10-21 | 2016-01-13 | 东华大学 | 一种基于泊车与寻车的停车系统 |
CN107560615A (zh) * | 2017-08-11 | 2018-01-09 | 清华大学苏州汽车研究院(吴江) | 用于停车场自动驾驶系统的停车路径规划方法 |
CN108133611A (zh) * | 2016-12-01 | 2018-06-08 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及系统 |
CN109242153A (zh) * | 2018-08-16 | 2019-01-18 | 青岛华通石川岛停车装备有限责任公司 | 一种立体停车场取车路径规划方法 |
CN109785661A (zh) * | 2019-02-01 | 2019-05-21 | 广东工业大学 | 一种基于机器学习的停车引导方法 |
CN110288184A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 基于时空特征的城市停车场排序方法、装置、终端及介质 |
CN110415365A (zh) * | 2019-07-24 | 2019-11-05 | 深圳市凯达尔科技实业有限公司 | 基于车联网的智慧城市停车管理方法、存储介质及系统 |
-
2020
- 2020-10-16 CN CN202011110545.XA patent/CN112258879B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101465058A (zh) * | 2009-01-05 | 2009-06-24 | 天津大学 | 智能式动态路线诱导系统诱导单元决策方法 |
US20130317742A1 (en) * | 2012-05-25 | 2013-11-28 | Xerox Corporation | System and method for estimating origins and destinations from identified end-point time-location stamps |
US8655593B1 (en) * | 2013-03-12 | 2014-02-18 | United Parcel Service Of America, Inc. | Concepts for defining travel paths in parking areas |
CN103700283A (zh) * | 2014-01-09 | 2014-04-02 | 北京交通发展研究中心 | 地磁传感器停车监测方法 |
CN105243871A (zh) * | 2015-10-21 | 2016-01-13 | 东华大学 | 一种基于泊车与寻车的停车系统 |
CN108133611A (zh) * | 2016-12-01 | 2018-06-08 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及系统 |
CN107560615A (zh) * | 2017-08-11 | 2018-01-09 | 清华大学苏州汽车研究院(吴江) | 用于停车场自动驾驶系统的停车路径规划方法 |
CN109242153A (zh) * | 2018-08-16 | 2019-01-18 | 青岛华通石川岛停车装备有限责任公司 | 一种立体停车场取车路径规划方法 |
CN109785661A (zh) * | 2019-02-01 | 2019-05-21 | 广东工业大学 | 一种基于机器学习的停车引导方法 |
CN110288184A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 基于时空特征的城市停车场排序方法、装置、终端及介质 |
CN110415365A (zh) * | 2019-07-24 | 2019-11-05 | 深圳市凯达尔科技实业有限公司 | 基于车联网的智慧城市停车管理方法、存储介质及系统 |
Non-Patent Citations (3)
Title |
---|
GENNARO NOTOMISTA,MICHAEL BOTSCH: "《Maneuver segmentation for autonomous parking based on ensemble learning》", 《 2015 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
JINCAO,MONICAMENENDEZ: "《A Parking-state-based Transition Matrix of Traffic on Urban Networks》", 《TRANSPORTATION RESEARCH PROCEDIA》 * |
党媚: "《区域停车诱导系统综合评价研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112258879B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522603B (zh) | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 | |
CN107784380B (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN103399849B (zh) | 一种基于改进型粒子群算法的道路三维线形自动优化方法 | |
US20240126936A1 (en) | Multi-scale aggregation pattern analysis method for complex traffic network | |
CN103778477B (zh) | 监视台站布站方法和装置 | |
CN116186566A (zh) | 基于深度学习的扩散预测方法及系统 | |
Zhang et al. | Recommending pick-up points for taxi-drivers based on spatio-temporal clustering | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN111221867B (zh) | 一种保护性建筑信息管理系统 | |
CN116109462B (zh) | 一种自然灾害后饮水水源地污染监测预警方法及系统 | |
Zou et al. | Air quality prediction based on a spatiotemporal attention mechanism | |
CN112954623B (zh) | 一种基于手机信令大数据的居民入住率估算方法 | |
CN112232574B (zh) | 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法 | |
Xi et al. | A hybrid algorithm of traffic accident data mining on cause analysis | |
CN111984702A (zh) | 村镇聚落的空间演化分析方法、装置、设备及存储介质 | |
CN110674975B (zh) | 城市规划时用于减少碳排放的空间布局方法及装置 | |
CN112000755A (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
CN109754638B (zh) | 一种基于分布式技术的停车位分配方法 | |
CN112258879B (zh) | 一种利用随机矩阵优化城市停车构造方法 | |
Zhong et al. | Multi-objective optimization approach of shelter location with maximum equity: an empirical study in Xin Jiekou district of Nanjing, China | |
Tan et al. | Statistical analysis and prediction of regional bus passenger flows | |
CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
CN113673619B (zh) | 一种基于拓扑分析的地理大数据空间潜模式分析方法 | |
CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
Zhang et al. | Cross-modal travel route recommendation algorithm based on internet of things awareness |
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 |