CN112382118B - 车位智能预约管理系统、方法、存储介质、计算机设备 - Google Patents

车位智能预约管理系统、方法、存储介质、计算机设备 Download PDF

Info

Publication number
CN112382118B
CN112382118B CN202010972438.1A CN202010972438A CN112382118B CN 112382118 B CN112382118 B CN 112382118B CN 202010972438 A CN202010972438 A CN 202010972438A CN 112382118 B CN112382118 B CN 112382118B
Authority
CN
China
Prior art keywords
parking space
parking
information
reservation
destination
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.)
Active
Application number
CN202010972438.1A
Other languages
English (en)
Other versions
CN112382118A (zh
Inventor
凌焕章
韩帅
刘子帆
吴昌翰
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202010972438.1A priority Critical patent/CN112382118B/zh
Publication of CN112382118A publication Critical patent/CN112382118A/zh
Application granted granted Critical
Publication of CN112382118B publication Critical patent/CN112382118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
    • 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
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/148—Management of a network of parking areas
    • 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
    • G08G1/149—Traffic control systems for road vehicles indicating individual free spaces in parking areas coupled to means for restricting the access to the parking space, e.g. authorization, access barriers, indicative lights
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明属于停车管理技术领域，公开了一种车位智能预约管理系统、方法、存储介质、计算机设备，包括手机客户端、停车服务网点、应用服务器以及云存储端；手机客户端，用于基于3G/4G/WIFI及其他移动移动网络的进行实时GPS定位、车位搜索、车位预约与验证，电子地图导航、电子支付；停车服务网点，用于进行车辆识别、车位锁控制以及识别结果显示；应用服务器即应答中心，用于响应用户及停车服务点的服务或数据请求，进行发送、接收数据，业务计算，响应服务；云存储端，用于存储用户车辆信息，个人信息及订单信息。本发明能够优化车位资源配置，实现车位信息实时显示，网上预约，可以有效解决用户停车难，政府管理难的问题。

Description

车位智能预约管理系统、方法、存储介质、计算机设备
技术领域
本发明属于停车管理技术领域，尤其涉及一种车位智能预约管理系统、方法、存储介质、计算机设备。
背景技术
目前，随着社会经济水平的提高，机动车保有量和停车位需求不断增加，而与之相适应的城市交通规划和停车位建设发展却相对缓慢，极大制约了人们的交通出行，快速准确地为车辆找到合适的车位停靠网点成为保证城市交通静态平衡的关键。
对司机(用户)而言，其目的地区域附近的停车位服务网点构成了其停放车辆的目的地停车服务网络。对于系统而言，需要通过计算向用户推荐多个车位网点供用户选择，当用户选择后规划路线并计算具体到达时间。
实现车位的智能预约与管理，是打造智慧城市的重要一步。车位的智能预约与管理，可以实时掌握车位的使用情况，及时为用户推荐并预定车位，从而大大缩减以往车辆寻找车位的周转作业时间，使得车位空闲间隔时间更小，交通通行效率提高，达到资源的合理配置并大幅增加收益。
通过上述分析，现有技术存在的问题及缺陷为：现有停车管理技术并不能进行车位的预约，导致停车时间长，寻找车位时间长，同时车位空闲间隔时间大，通行效率低；用户停车难，车位管理难。
发明内容
针对现有技术存在的问题，本发明提供了一种车位智能预约管理系统、方法、存储介质、计算机设备。
本发明是这样实现的，一种车位智能预约管理系统、方法、存储介质、计算机设备，所述车位智能预约管理系统、方法、存储介质、计算机设备，所述车位智能预约管理系统包括：
手机客户端、停车服务网点、应用服务器以及云存储端；
手机客户端，包括定位搜索模块、目的地搜索模块、预约模块、导航模块、信息显示模块以及支付模块；用于基于3G/4G/WIFI及其他移动移动网络的进行实时GPS定位、车位搜索、车位预约与验证，电子地图导航、电子支付；
停车服务网点，包括识别模块、车位锁控制模块、验证显示模块以及通信模块；用于进行车辆识别、车位锁控制以及识别结果显示；
应用服务器即应答中心，用于响应用户及停车服务点的服务或数据请求，进行发送、接收数据，业务计算，响应服务；
云存储端，用于存储用户车辆信息，个人信息及订单信息。
进一步，所述手机客户端包括：
定位搜索模块，用于获取当前位置周边的停车位信息；
目的地搜索模块，用于获取输入的目的地周边的停车位信息；
预约模块，用于进行车位预约；
导航模块，用于基于当前位置以及预约或确定的目的地车位进行导航；
信息显示模块，用于显示部分公共停车场位和道路停车位的实时空余车位信息；
支付模块，用于提供多种支付停车费用的支付方式或支付接口。
进一步，所述停车服务网点包括：
识别模块，用于利用RFID识别设备识别己预约用户车牌或其他可读设备；
车位锁控制模块，用于当识别模块识别成功时，控制车位锁开启；
验证显示模块，用于显示识别模块识别结果；同时用于识别模块识别成功，显示相关订单信息；
通信模块，用于进行网络数据通信。
进一步，所述应用服务器还包括：
用于通过业务计算进行路径规划及车位推荐；
所述路径规划用于利用优化算法为用户提供便捷的路线到达目的地；
所述车位推荐为多级推荐，用于通过模型计算优先为用户推荐前往目的地的最佳车位。
本发明的另一目的在于提供一种应用于所述车位智能预约管理系统的车位智能预约管理方法，所述车位智能预约管理方法包括：
步骤一，利用手机客户端获取当前车辆位置以及目的地信息；
步骤二，手机客户端基于获取的相关数据确定目的地搜索半径附近是否有空余车位；若没有空余车位，则显示当前范围的排队人数，并自动进入排队队列，并转向步骤三；若有空余车位，则转向步骤四；
步骤三，判断是否需要扩大搜索半径；若需要扩大搜索半径则返回步骤二，若不需要则手机客户端发送排队请求；同时应用服务器接收排队请求并进行数据库更新；同时应用服务器判断等位是否结束，若已经结束，则进行车位预约；若未结束，则显示排队人数与已排队时间并更新数据库；
步骤四，手机客户端显示剩余车位，并确定是否需要进行车位预约；若需要进行车位预约，则转入步骤五，若不需要则转入步骤七；
步骤五，判断出发前预约车位或达到时预约车位；若出发前预约，则应用服务器基于获取的当前位置以及目的地信息通过计算进行停车位推荐，并获取车位信息，并利用手机客户端进行显示；若到达后预约，则根据当前车辆位置获取搜索半径范围内的可用车位，并将获取的可用车位信息利用手机客户端进行显示；
步骤六，基于步骤五的选择的预约方式，应用服务器进行车位预约，并跟新数据库；
步骤七，将步骤一获取的信息或步骤七的车位预约信息传输至应用服务器，应用服务器接收相关数据进行路径计算，返回手机客户端；手机客户端接收应用服务器计算的路径，进行导航。
进一步，所述车位智能预约管理方法还包括：
利用导航到达车位后，停车服务网点进行车辆识别，当识别成功时，控制车位锁开启并进行停车计费；同时停车服务网点将相关信息发送至应用服务器，进行数据更新。
进一步，步骤五中，所述停车位推荐包括：
(1)确定用户坐标L(c1,e1)及目的地的坐标O(cc,e2)；以目的地为圆心搜索可用车位，将搜索到的可用车位随机排序为A＝{A1,A2,…An}，确定车位坐标Al＝(xi,yi)；
(2)计算用户位置L(c1,e1)到车位Ai＝(xi,yi)的距离di，取di的最大值max(di)及最小值min(di)，令：
Figure BDA0002684580850000021
(3)计算目的地O(c2,e2)到车位Ai＝(xi,yi)的距离：
Figure BDA0002684580850000022
(4)取
Figure BDA0002684580850000023
的最大值
Figure BDA0002684580850000024
及最小值
Figure BDA0002684580850000025
令：
Figure BDA0002684580850000026
(5)确定车位Ai价格mi(/h)，取mi的最大值max(mi)及最小值min(mi)，令：
Figure BDA0002684580850000031
(6)令：
Figure BDA0002684580850000032
(7)对矩阵P进行模糊规范化：成本型
Figure BDA0002684580850000033
规范后的矩阵为Z＝(ziij)3×n；
(8)设权重向量W＝(w1,w2,w3)T，
Figure BDA0002684580850000034
(9)令矩阵：
B＝WT·Z＝[B1 …Bn]
取最大的五个Bi＝(i＝1,2,…,n)，即对应最优的五个Ai。
进一步，步骤七中，所述进行路径计算包括：
确定起始点以及目的位置，利用A-Star算法计算最优路径。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明能够优化车位资源配置，实现车位信息实时显示，网上预约，可以有效解决用户停车难，政府管理难的问题。
本发明利用3G/4G网络，同时融合了移动互联网、物联网、云计算、定位等技术，采用模块化独立封装技术与标准化应用接口，功能强大而且扩展性强。车主用户通过本发明可以随时随地查询目的地车位情况，导航路径规划，获取停车优惠等智慧停车服务。车位巡查员可以通过智能终端实现车位状态实时监管，提高服务效率。系统管理员可远程查看各处停车服务点的工作状态，同时可获取更多数据，实现分析停车位使用率，合理规划车位、调整定价等功能。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的车位智能预约管理系统架构图。
图2是本发明实施例提供的车位智能预约管理系统结构示意图；
图中：1、手机客户端；2、停车服务网点；3、应用服务器；4、云存储端；11、定位搜索模块；12、目的地搜索模块；13、预约模块；14、导航模块；15、信息显示模块；16、支付模块；21、识别模块；22、车位锁控制模块；23、验证显示模块；24、通信模块。
图3是本发明实施例提供的车位智能预约管理方法原理图。
图4是本发明实施例提供的车位智能预约管理方法流程图。
图5是本发明实施例提供的模拟城市道路图。
图6是本发明实施例提供的需求——服务关系图。
图7是本发明实施例提供的移动互联网+物联网+云计算架构图。
图8是本发明实施例提供的智能停车位示意图。
图9是本发明实施例提供的贪心选择示意图。
图10是本发明实施例提供的最优子结构示意图。
图11是本发明实施例提供的案例图。
图12是本发明实施例提供的Dijkstra算法寻路搜索区域示意图。
图13是本发明实施例提供的贪心算法寻路搜索区域示意图。
图14是本发明实施例提供的有凹形障碍Dijkstra算法路径规划示意图。
图15是本发明实施例提供的有凹形障碍贪心算法路径规划示意图。
图16是本发明实施例提供的A-Star算法寻路搜索区域示意图。
图17是本发明实施例提供的有凹形障碍A-Star算法路径规划示意图。
图18是本发明实施例提供的某区域交通路线图。
图19是本发明实施例提供的网格划分图。
图20是本发明实施例提供的A-Star算法最优路径图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种车位智能预约管理系统、方法、存储介质、计算机设备，下面结合附图对本发明作详细的描述。
如图1-图2所示，本发明实施例提供的车位智能预约管理系统包括：
手机客户端1、停车服务网点2、应用服务器3以及云存储端4；
手机客户端1，包括定位搜索模块11、目的地搜索模块12、预约模块13、导航模块14、信息显示模块15以及支付模块16；用于基于3G/4G/WIFI及其他移动移动网络的进行实时GPS定位、车位搜索、车位预约与验证，电子地图导航、电子支付；
停车服务网点2，包括识别模块21、车位锁控制模块22、验证显示模块23以及通信模块24；用于进行车辆识别、车位锁控制以及识别结果显示；
应用服务器3即应答中心，用于响应用户及停车服务点的服务或数据请求，进行发送、接收数据，业务计算，响应服务；
云存储端4，用于存储用户车辆信息，个人信息及订单信息。
本发明实施例提供的手机客户端1包括：
定位搜索模块11，用于获取当前位置周边的停车位信息；
目的地搜索模块12，用于获取输入的目的地周边的停车位信息；
预约模块13，用于进行车位预约；
导航模块14，用于基于当前位置以及预约或确定的目的地车位进行导航；
信息显示模块15，用于显示部分公共停车场位和道路停车位的实时空余车位信息；
支付模块16，用于提供多种支付停车费用的支付方式或支付接口。
本发明实施例提供的停车服务网点2包括：
识别模块21，用于利用RFID识别设备识别己预约用户车牌或其他可读设备；
车位锁控制模块22，用于当识别模块识别成功时，控制车位锁开启；
验证显示模块23，用于显示识别模块识别结果；同时用于识别模块识别成功，显示相关订单信息；
通信模块24，用于进行网络数据通信。
本发明实施例提供的应用服务器还包括：
用于通过业务计算进行路径规划及车位推荐；
所述路径规划用于利用优化算法为用户提供便捷的路线到达目的地；
所述车位推荐为多级推荐，用于通过模型计算优先为用户推荐前往目的地的最佳车位。
如图3-图4所示，本发明实施例提供的车位智能预约管理方法包括以下步骤：
S101，利用手机客户端获取当前车辆位置以及目的地信息；
S102，手机客户端基于获取的相关数据确定目的地搜索半径附近是否有空余车位；若没有空余车位，则显示当前范围的排队人数，并自动进入排队队列，并转向步骤S103；若有空余车位，则转向步骤S104；
S103，判断是否需要扩大搜索半径；若需要扩大搜索半径则返回步骤S102，若不需要则手机客户端发送排队请求；同时应用服务器接收排队请求并进行数据库更新；同时应用服务器判断等位是否结束，若已经结束，则进行车位预约；若未结束，则显示排队人数与已排队时间并更新数据库；
S104，手机客户端显示剩余车位，并确定是否需要进行车位预约；若需要进行车位预约，则转入步骤S105，若不需要则转入步骤S107；
S105，判断出发前预约车位或达到时预约车位；若出发前预约，则应用服务器基于获取的当前位置以及目的地信息通过计算进行停车位推荐，并获取车位信息，并利用手机客户端进行显示；若到达后预约，则根据当前车辆位置获取搜索半径范围内的可用车位，并将获取的可用车位信息利用手机客户端进行显示；
S106，基于步骤S105的选择的预约方式，应用服务器进行车位预约，并跟新数据库；
S107，将步骤S101获取的信息或步骤S107的车位预约信息传输至应用服务器，应用服务器接收相关数据进行路径计算，返回手机客户端；手机客户端接收应用服务器计算的路径，进行导航；
S108，利用导航到达车位后，停车服务网点进行车辆识别，当识别成功时，控制车位锁开启并进行停车计费；同时停车服务网点将相关信息发送至应用服务器，进行数据更新。
步骤S105中，本发明实施例提供的停车位推荐包括：
(1)确定用户坐标L(c1,e1)及目的地的坐标O(c2,e2)；以目的地为圆心搜索可用车位，将搜索到的可用车位随机排序为A＝{A1,A2,…An}，确定车位坐标Ai＝(xi,yi)；
(2)计算用户位置L(c1,e1)到车位Ai＝(xi,yi)的距离di，取di的最大值max(di)及最小值min(di)，令：
Figure BDA0002684580850000051
(3)计算目的地O(c2,e2)到车位Ai＝(xi,yi)的距离：
Figure BDA0002684580850000052
(4)取
Figure BDA0002684580850000053
的最大值
Figure BDA0002684580850000054
及最小值
Figure BDA0002684580850000055
令：
Figure BDA0002684580850000061
(5)确定车位Ai价格mi(/h)，取mi的最大值max(mi)及最小值min(mi)，令：
Figure BDA0002684580850000062
(6)令：
Figure BDA0002684580850000063
(7)对矩阵P进行模糊规范化：成本型
Figure BDA0002684580850000064
规范后的矩阵为Z＝(zij)3×n；
(8)设权重向量W＝(w1,w2,w3)T，
Figure BDA0002684580850000065
(9)令矩阵：
B＝WT·Z＝[B1 … Bn]
取最大的五个Bi＝(i＝1,2,…,n)，即对应最优的五个Ai。
步骤S107中，本发明实施例提供的进行路径计算包括：
确定起始点以及目的位置，利用A-Star算法计算最优路径。
下面结合具体实施例对本发明的技术效果作进一步描述。
实施例1：
2.1问题描述
假设图5为某城市某区域交通路线图，其中黄色线路为双向车道，橘黄色为城市主干道，蓝色为内部道路，道路箭头方向为行车方向，部分道路两侧或单侧有停车位，绿点为空位，红点己有车停入此位，紫色点表示此位置己预约，有以下假设成立：
1.双向车道道路中央为实线，掉头只能在路口进行。
2.每个路口可直行、左转、右转。
3.只可顺向停车。
4.一台车占用一个车位，一个车位仅可容纳一台车。
该区域车位个数为N，停车用户需求为M(M与N大小关系未知)，请建立合适的模型：
1.完成从出发地至目的地的路径规划。
2.获取后台数据，用户出发前提示用户目的地附近剩余车位数量:
(1)若有空车位，构建模型为用户推荐目的地附近合适的停靠车位。
(2)若没有空车位，设计排队自动预约功能。
3.出发前预约需额外承担车位预约费用，当剩余车位数量十分充足或用户不愿承担额外费用时，设计动态搜索模式为用户提供服务。
2.2问题分析
根据以上问题描述，问题实质是用户(车主)向车位管理者(政府或政府委托合法运营者)发送车位需求申请，车位管理者根据用户前往的目的地信息，调取数据库中的空余车位信息，为用户安排合适的车位提供停车服务。如图6所示。
根据以上供需关系，可以得出用户、运营者、停车服务网点、网络服务器需具有表2.1功能。
表2.1功能列表
Figure BDA0002684580850000071
移动互联网(Mobile Internet，简称MI)与物联网(Internet ofThings，简称IOT)结合是实现以上功能的最佳方式，通过智能移动终端，采用移动无线通信方式发送服务请求，停车服务网点通过与后台服务器连通实现远程验证与开启，完成车位的智能预约与管理。
移动互联网包含终端、软件和应用三个层面，终端层包括智能手机、平板电脑、电子书、MID等；软件包括操作系统、中间件、数据库和安全软件等。应用层包括客户端服务APP。
物联网架构可分为三层:感知层、网络层和应用层。感知层由各种传感器构成，包括传感器、二维码标签、RFID标签和读写器、摄像头、红外线、GPS等感知终端。感知层是物联网识别物体、采集信息的来源。网络层由各种网络，包括互联网、广电网、网络管理系统和云计算平台等组成，是整个物联网的中枢，负责传递和处理感知层获取的信息。应用层是物联网和用户的接口，它与行业需求结合，实现物联网的智能应用。
在物联网应用中有三项关键技术，传感器技术、RFID标签和嵌入式系统
1、传感器技术：传感器把模拟信号转换成计算机能够处理的数字信号。
2、RFID标签:RFID技术是融合了无线射频技术和嵌入式技术为一体的综合技术，在自动识别、物品物流管理有着广阔的应用前景。
3、嵌入式系统技术:是综合了计算机软硬件、传感器技术、集成电路技术、电子应用技术为一体的复杂技术，在接收到信息后要进行分类处理。
移动互联网是互联网技术的变革，可通过智能终端实现随时随地的信息交互，物联网连通着传感器与智能识别设备，可实时监测车位服务状态，综合以上分析，构建如图7所示的移动互联网+物联网+云计算的整体架构，可以有效的解决问题。
3.软件设计方案
3.1软件简介
车位智能预约管理系统是一款优化车位资源配置，实现车位信息实时显示，网上预约等诸多功能的智能管理服务平台，可以有效解决用户停车难，政府管理难的问题。车主用户通过该平台可以随时随地查询目的地车位情况，导航路径规划，获取停车优惠等智慧停车服务。车位巡查员可以通过智能终端实现车位状态实时监管，提高服务效率。系统管理员可远程查看各处停车服务点的工作状态，同时可获取更多数据，实现分析停车位使用率，合理规划车位、调整定价等功能。
用户通过智能终端可获取以下服务：
1、定位搜索，随时随地获取您周围的停车位信息。
2、目的地搜索，可以输入目的地，获取周边停车位信息。
3、快速预约，出发前即可预约车位，到场即停无需等位。
4、导航功能，提供到达停车位出的导航功能。
5、实时信息，提供部分公共停车场位和道路停车位的实时空余车位信息。
6、支付费用，提供多种支付方式支付停车费用。
3.2软件功能设计：
车位智能预约管理系统利用3G/4G网络，同时融合了移动互联网、物联网、云计算、定位等技术，采用模块化独立封装技术与标准化应用接口，功能强大而且扩展性强。
系统主要包括以下几个部分：
(1)手机客户端应用：基于3G/4G/WIFI等移动互联网的车位智能预约管理系统仅提供手机客户端访问功能，手机客户端提供基于3G/4G/WIFI等移动网络的实时GPS定位、车位搜索、车位预约与验证，电子地图导航、电子支付等服务。
(2)停车服务网点：停车服务网点包含RFID识别设备，车位锁智能控制系统(嵌入式系统)，验证显示系统和网络通信系统。RFID识别设备用于识别己预约用户车牌或其他可读设备，验证成功后显示系统显示相关订单信息，同时车位智能控制系统(嵌入式系统)打开车位锁，允许车辆泊入。
(3)应用服务器(应答中心)：应答中心用于响应用户及停车服务点的服务或数据请求，主要实现发送/接收数据，业务计算，响应服务等功能。业务计算可进行路径规划及车位推荐，路径规划可使用优化算法为用户提供便捷的路线到达目的地；车位推荐为多级推荐，通过模型计算优先为用户推荐前往目的地的最佳车位，用户可继续发送请求，应答中心会将目的地附近的其次满足要求的车位发送给用户，以此类推。
(4)云存储：用于存储用户车辆信息，个人信息及订单信息。
3.3软件架构设计
停车服务涉及四个方面：用户，手机客户端，应答中心，停车服务网点。
软件使用流程：
1.用户确定前向目的地A，在手机客户端输入A点，同时获取当前(出发地B)位置，手机客户端将信息发送至应答中心，应答中心计算路径后返回手机客户端，导航准备。
2.手机客户端提示是否需要预约车位服务，并提示当前目的地附近车位数量(默认搜索半径200米，用户可调)。如果需要则面临两种选择，出发前预约(需额外承担预约费用)或到达时预约(仅停车费用)。
3.若选择出发前预约，则应答中心通过计算将结果返回客户端，为用户推荐目的地附近较好车位(驾车到达时间，步行时间，停车费用的综合决策结果)，并开启导航；若选择到达时预约，系统根据当前位置(车辆实时位置)搜索默认半径(100米，可调)范围内的可用车位，并显示在客户端共用户选择。
4.若目的地附近没有空余车位，则进入排队系统，当有车位空余后按排队先后顺序自动预约。
5.泊车入位之后，停车服务网点开始计时，并向应答中心返回信息，更新数据库。
6.服务结束后，用户通过手机客户端交纳费用，同时停车服务网点结束计费，返回信息至应答中心，更新数据库。
4.软件模型理论
4.1路径规划
4.1.1贪心算法
顾名思义，贪心算法总是作出在当前看来最好的选择。也就是说贪心算法并不从整体最优考虑，它所作出的选择只是在某种意义上的局部最优选择。当然，希望贪心算法得到的最终结果也是整体最优的。虽然贪心算法不能对所有问题都得到整体最优解，但对许多问题它能产生整体最优解。如单源最短路经问题，最小生成树问题等。在一些情况下，即使贪心算法不能得到整体最优解，其最终结果却是最优解的很好近似。
贪心算法没有固定的算法框架，算法设计的关键是贪心策略的选择，而且选择的贪心策略必须具备无后效性，即某个状态以后的过程不会影响以前的状态，只与当前状态有关。所以对所采用的贪心策略一定要仔细分析其是否满足无后效性。
贪心算法的基本要素：
1.贪心选择性质；
所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到。这是贪心算法可行的第一个基本要素，贪心算法通常以自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每作一次贪心选择就将所求问题简化为规模更小的子问题。对于一个具体问题，要确定它是否具有贪心选择性质，必须证明每一步所作的贪心选择最终导致问题的整体最优解。
2.最优子结构。
当一个问题的最优解包含其子问题的最优解时，称此问题具有最优子结构性质。问题的最优子结构性质是该问题可用动态规划算法或贪心算法求解的关键特征。
贪心算法的基本思路：从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。当达到算法中的某一步不能再继续前进时，算法停止。
4.1.2Dijkstra算法
Dijkstra(迪杰斯特拉)算法是典型的最短路径路由算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。Dijkstra算法能得出最短路径的最优解，但由于它遍历计算的节点很多，所以效率低。
给定带权存向图，其中每条边的权是非负实数。另外，还给定中的一个顶点，称为源。现在要计算从源到所有其他各顶点的最短路长度，这里路的长度是指路上各边权之和。这个问题通常称为单源最短路径问题，与问题描述中的路径规划需求一致。
1.算法基本思想
Dijkstra算法是解单源最短路径问题的贪心算法。其基本思想是，设置顶点集合并不断地做贪心选择来扩充这个集合。一个顶点属于集合当且仅当从源到该顶点的最短路径长度已知。初始时，中仅含有源。设u是的某一个顶点，把从源到u且中间只经过中顶点的路称为从源到u的特殊路径，并用数组dist记录当前每个顶点所对应的最短特殊路径长度。Dijkstra算法每次从中取出具有最短特殊路长度的顶点u，将u添加到屮，同时对数组dist进行必要的修改。一旦S包含了所有V中顶点，dist就记录了从源到所有其他顶点之间的最短路径长度。
(1)S为己经找到的从v出发的最短路径的终点集合，它的初始状态为空集，那么从v出发到图中其余各顶点(终点vi(vi∈V-S)可能达到的最短路径长度的初值为：
d[i]＝arcs[LocateVex(G，v)][i]，vi∈V；
(2)选择vj使得d[j]＝Min{d[i]|vi∈V-S}，vj就是当前求得的一条从V出发的最短路径的终点。令S＝S∪{j}；
(3)修改从V出发到集合V-S上任一顶点vk可达的最短路径长度。如果d[j]+arcs[j][k]＜d[k]，则修改d[k]为：d[k]＝d[j]+arcs[j][k]；
(4)重复(2)，知道所有顶点都包含在S中，此时得到v到图上其余各顶点的最短路径是依路径长度递增的序列。
3.算法的正确性和计算复杂性
下面讨论Dijkstra算法的正确性和计算复杂性。
(1)贪心选择性质
Dijkstra算法是应用贪心算法设计策略的一个典型例子。它所做出的贪心选择是从V-S中选择具有最短特殊路径的顶点u从而确定从源到u的最短路径长度dist[u]。这种贪心选择能导致最优解，是因为如果存在一条从源到u且长度比dist[u]更短的路，设这条路初次走出S之外到达的顶点为x∈V-S，然后徘徊于S内外若干次，最后离开S到达u如图9所示。
在这条路径上，分别记d(v，x)，d(u，x)和d(v，u)为顶点v到顶点u，顶点x到顶点u和顶点v到顶点u的路长，那么
dist[x]≤d(v，x)
d(v，x)+d(x，u)＝d(v，u)＜dist[u]
利用边权的非负性，可知，d(x，u)≥0，从而推得出dist[x]＜dist[u]。此为矛盾。这就证明了dist[u]是从源到顶点u的最短路径长度。
(2)最优子结构性质
要完成Dijkstra算法正确性的证明，还必须证明最优子结构性质，即算法中确定的dist[u]确实是当前从源到顶点u的最短特殊路径长度。为此，只要考察算法在添加u到S中后，dist[u]的值所起的变化。将添加u之前的S称为老的S。当添加了u之后，可能出现一条到顶点i的新的特殊路。如果这条新特殊路是先经过老的S到达顶点u然后从u经一条边直接到达顶点i，则这种路的最短的长度是dist[u]+a[u][i]。这时，如果dist[u]+a[u][i]＜dist[i]，则算法中用dist[u]+a[u][i]作为dist[i]的新值。如果这条新特殊路径经过老的S到达u后，不是从u经一条边直接到达i，而是像图10那样，回到老的S中某个顶点x，最后才到达顶点i，那么由于x在老的S中，因此x比u先加入S。
故图10中从源到x的路的长度比从源到u，再从u到x的路的长度小。于是当前dist[i]的值小于图10中从源经x到i的路的长度，也小于图中从源经u和x，最后到达i的路的长度。因此，在算法中不必考虑这种路。由此即知，不论算法中dist[u]的值是否有变化，它总是关于当前顶点集S的到顶点u的最短特殊路径长度。
(3)计算复杂性
对于具有n个顶点和e条边的带权有向图，如果用带权邻接矩阵表示这个图，那么Dijkstra算法的主循环体需要O(n)时间。这个循环需要执行n-1次，所以完成循环需要O(n2)时间。算法的其余部分所需要时间不超过O(n2)。
4.1.3A-Star算法
A-Star算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是许多其他问题的常用启发式算法，具有灵活多变，适用范围广泛的特点。与Dijkstra功能相同，A-Star也能用于搜索最短路径，但A-Star能用启发式函数引导本身，在简单的情况中，搜索速度很快。
A-Star公式表示为：
f(n)＝g(n)+h(n)
其中，f(n)是从初始状态经由状态到目标状态n的代价估计，g(n)是在状态空间中从初始状态到状态n的实际代价，h(n)是从状态到目标状态的最佳路径的估计代价。对于路径搜索问题，状态就是图中的节点，代价就是距离。h(n)为启发式函数，可以计算A-Star从任意结点n到目标结点的最小代价评估值。
启发式函数可以控制A-Star的行为：
如果h(n)经常都比从n移动到目标的实际代价小(或者相等)，则A-STAR保证能找到一条最短路径。h(n)越小，A-Star扩展的结点越多，运行就得越慢。
如果h(n)精确地等于从n移动到目标的代价，则A-Star将会仅仅寻找最佳路径而不扩展别的任何结点，这会运行得非常快。
如果h(n)有时比从n移动到目标的实际代价高，则A-Star不能保证找到一条最短路径，但它运行得更快。
因此A-Star算法是可控的，可以通过调节h(n)得到想要的结果。
4.1.4路径规划案例分析
物体的移动寻路规划问题十分复杂，用以下例子分析在路径规划过程中各算法的优缺点。
例：如图11所示，初始位置在地图的下方，想要到达地图的顶部。如果物体所能侦测到的地方(粉色部分所示)并没有障碍，那么物体就会直接向上走到它的目标位置。但在距离顶端较近的位置时，物体侦测到了障碍，因而改变了方向。该物体将不得不行进一个“U”形的路径绕过障碍物(如红色路径所示)。如果通过搜索一个更大的范围(如蓝色区域所示)，并寻找一个更短的路线(如蓝色路径所示)，使物体避免绕这条由凹陷障碍物造成的远路，则会更快的到达目的地。
Dijkstra算法简单说来，就是从起始点访问其他临近节点，并将该节点加入待检查节点集合中，使用松弛算法更新待检查节点的路径长度值。只要图不存在负权值的边，Dijkstra算法能够确保找到最短路径。在图12中，粉色的方格为起始点，蓝紫色的方格为目标点，青绿色的方格则为Dijkstra算法所扫描的节点。淡色的节点是距离起始点较远的节点。
贪心最好优先搜索算法大体与之类似，不同的是该算法对目标点的距离有一个估计值(启发值)。该算法并不在待检查节点集合中选取距离起始点近的节点进行下一步的计算，而是选择距离目标点近的节点。贪心最好优先搜索算法并不能保证寻找到最优路径，然而却能大大提高寻路速度，因为它使用了启发式方法引导了路径的走向。图13中的黄色节点指示了具有高启发值的节点(即到目标节点可能花费较大的节点)，而黑色则是低启发值的节点(即到目标节点的花费较小的节点)。图13说明了相比于Dijkstra算法，贪心最好优先算法能够更加快速地寻路。
然而上述的例子仅仅是最简单的：即地图上没有障碍物。考虑前文中曾经提到的凹陷障碍物，Dijkstra算法仍然能够寻找到最短路径，如图14所示；贪心最好优先算法虽然做了较少的计算，但却并不能找到一条较好的路径，如图15所示。
A-Star算法结合了贪心最好优先搜索算法和Dijsktra算法的优点，不仅拥有启发式算法的快速，同时，A-Star算法建立在启发式之上，能够保证在启发值无法保证最优的J情况下，生成确定的最短路径。
与Dijkstra算法相似的是，A-Star算法也能保证找到最短路径。同时A-Star算法也像贪心最好优先搜索算法一样，使用一种启发值对算法进行引导。在简单寻路问题中，它能够像贪心最好优先搜索算法一样快，如图17所示。而在后面的具有凹陷障碍物的地图中，A-Star算法也能够找到与Dijkstra算法所找到的相同的最短路径，如图18所不。
因此，A-Star算法在路径规划中效果显著。
4.2模糊偏好下的多目标决策
多目标决策是指在考虑多个目标的情况下，选择最优备选方案或进行方案排序的决策问题，在当前管理科学、决策理论、系统工程、运筹学、福利经济学等学科研究中占有十分重要的地位，具有广泛的理论价值和应用前景。在对有限多个方案进行评价或选择最优方案时，涉及两大问题：
(1)各种数据类型的处理；
(2)各方案的目标之间权重大小的确定。
对第一个问题，可以由决策者根据自己的偏好事先给出；而对第二个问题即各目标权重的确定问题，行之有效的方法，往往比较困难，因为它涉及到决策者认识的角度。目前己产生了许多例如，特征向量法、信息法、主成分分析法等客观权重法。最小平方和法和Delphi法等主观权重法，以及嫡主观权重法往往简单可行、操作方便，但易受决策者知识、能力、经验等限制，随意性很，不同的决策者给出的结果千差万别，直接影响到决策的科学性与合理性；而客观权重法又往往忽略了决策者的偏好程度，但具有对己知信息客观处理的优点。将决策者的主观模糊偏好信息所隐含的各目标权重通过定量的方法计算出来，形成一种新的客观权重确定方法，使具有模糊偏好的多目标决策更加客观合理。
4.2.1模糊决策矩阵模型
假设多目标决策模型由决策者、目标和决策方案3要素组成，其中决策者为E，由m个评价方案的目标组成目标集G＝{G1，G2，...，Gm}，并且目标之间相互独立且可加的，由n个方案组成决策方案集A＝{A1，A2，...，An}。设Aj对目标Gi的属性值为aij{i＝1，2，…，m；j＝1，2，…，n}，并且属性值是基于模糊偏好加以确定的。
设映射F：(Aj，Gi)→[0，1]，aij＝F(Aj，Gi)∈[0，1]表示方案Aj在目标Gi的属性值(i＝1，2，…，m；j＝1，2，…，n)，矩阵Am×n＝(aij)m×n称为方案集A关于目标集G的模糊偏好决策矩阵，简称模糊决策矩阵。
在目标集G中有两种类型目标：效益型与成本型，为了消除不同目标的不同物理量纲对决策结果的影响，按以下方法对模糊决策矩阵进行规范化处理：
对效益型目标Gi：
Figure BDA0002684580850000121
对成本型目标Gi：
Figure BDA0002684580850000122
则规范化后的矩阵为Z＝(zij)m×n
目标集中各目标的权重wi＝(i＝1，2，...，m)T组成权重向量W＝(w1，w2，...，wm)T，并且满足单位化约束条件
Figure BDA0002684580850000131
4.2.2确定目标权重的客观方法
一般地，若所有决策方案在目标Gi下的属性值差异越小，则说明该属性对方案决策的作用越小；反之，如果属性值Gi能使所有决策方案的属性值有较大的偏差，则说明该属性对决策方案决策将起重要作用。因此，从决策角度考虑，无论方案属性值本身重要性程度如何，偏差越大就应该赋予越大的权重，偏差越小就应该赋予越小的权重。特别地，若所有决策方案在属性Gi下的属性值无差异，则属性Gi对方案决策将不起作用，可令其权重为零。
在规范化矩阵Z＝(zij)m×n中，对目标Gi，若决策方案Aj与其它所有决策方案的偏差定义为：
Figure BDA0002684580850000132
且令
Figure BDA0002684580850000133
则对目标Gi而言，Di(w)表示所有决策方案与其它决策方案的总偏差。权重向量W的选择应该使所有目标对所有决策方案的总偏差最大。构造偏差函数：
Figure BDA0002684580850000134
作线性规划
Figure BDA0002684580850000135
Figure BDA0002684580850000136
wi≥0，i＝1，2，...m
构造Lagrange函数
Figure BDA0002684580850000141
关于wi和λ求偏导数，并令等于零，显然可得
Figure BDA0002684580850000142
4.2.3模糊偏好下多目标决策算法
假设客观权重向量W＝(w1，w2，...，wm)T己经求出，则方案Aj的综合属性值与目标权重之间的关系为线性关系式：
Figure BDA0002684580850000143
或者为非线性关系式：
Figure BDA0002684580850000144
其中，wi是第i个目Gi的权重。
线性关系式强调决策评价对象的局部效应，突出评价目标之间的互补性，而非线性关系式强调决策评价对象的整体效应，突出系统协调、均衡发展的作用。
具体算法为：
Step1对某一多目标决策问题，设A＝{A1，A2，...，An}是决策方案集，G＝{G1，G2，...，Gm}是目标集，并且在模糊映射关系下建立模糊偏好决策矩阵式、Am×n＝(aij)m×n；
Step2将决策矩阵式Am×n按公式(4-3)和(4-4转变为规范化矩阵Z＝(zij)m×n；
Step 3计算多目标的最优权重向量W；
Step4计算各决策方案的综合属性值yj(j＝1，2，…，n)；
Step 5按照属性值大小排序，即得到最优方案；
Step 6结束。
5.案例演示
图19为某城市某区域交通路线图，区域范围为150*205km2，下面以此模拟图演示推荐车位及路径规划的过程。
在图19中，红色线路表示主干道，不允许设置路边停车位，蓝色线路表示行车道，可设置路边停车位，图中所有道路均为双行道，图中标记含义及个数见表5.1。图中各点坐标见附表。
表5.1图中标记含义
Figure BDA0002684580850000151
有以下假设成立：
1.线路中均为实线，不得跨越，不得掉头。
2.各路口均可左转、右转、直行。
3.环岛按逆时针方向行驶，遇到出口即可驶出。
4.不考虑车道数。
5.1停车位推荐
5.1.1建立模型
1、确定用户坐标为L(c1，e1)及目的地的坐标O(c2，e2)。
2、以目的地为圆心搜索可用车位，可用车位为n个，将车位随机排序为：A＝{A1，A2，…，An}，确定车位坐标Ai＝(xi，yi)。
3、计算用户位置L(c1，e1)到车位Ai＝(xi，yi)的距离di，取di的最大值max(di)及最小值min(di)，令：
Figure BDA0002684580850000152
4、计算目的地O(c2，e2)到车位Ai＝(xi，yi)的距离：
Figure BDA0002684580850000153
取
Figure BDA0002684580850000154
的最大值
Figure BDA0002684580850000155
及最小值
Figure BDA0002684580850000156
令
Figure BDA0002684580850000157
5、确定车位Ai价格mi(/h)，取mi的最大值max(mi)及最小min(mi)，令
Figure BDA0002684580850000161
6、令：
Figure BDA0002684580850000162
7.对矩阵P进行模糊规范化：成本型
Figure BDA0002684580850000163
规范后的矩阵为Z＝(zij)3×n。
8.设权重向量W＝(w1，w2，w3)T；
Figure BDA0002684580850000164
9、令矩阵：
B＝WT·Z＝[B1 … Bn]
取最大的五个Bi(i＝1，2，…，n)，对应最优的五个Ai。
5.1.2程序运行
输入一个F点的编号代码，输入半径R，程序自动搜索可用的车位P，通过考虑停车位价格，停车位步行到目的地的距离，计算出最佳停车位并显示在地图上。
程序演示如下(其中距离为车位至目的地的步行距离)：
请输入F的编号(例如F37)，将计算半径范围为10以内的P的点：F37
请输入半径(默认为10，-1表示默认)：10
结果：
P133(97.9993,91.0574)
距离：
P 133(8.5247)
P134(100.6294,92.0479)
距离：
P134(5.7144)
P135(102.5733,92.6140)
距离：
P 135(3.6964)
P136(108.7483,97.9913)
距离：
P136(4.8460)
P137(107.7191,96.4347)
距离：
P137(2.9804)
P138(108.4052,92.7555)
距离：
P138(2.7081)
P139(110.8066,91.6234)
距离：
P139(5.3621)
P140(112.4075,90.7744)
距离：
P140(7.1736)
P141(106.5756,90.4913)
距离：
P141(3.5556)
P142(107.3761,85.9630)
距离：
P142(8.1540)
P143(105.4321,102.3781)
距离：
P143(8.3973)
P144(105.7752,99.2649)
距离：
P144(5.2697)
D＝P133 P143 P142P140P134；
运行结束
程序搜索显示的是以目的地为中心半径为10的所有车位，最终给出的P133,P143,P142,P140,P134为推荐的5个最佳车位。
5.2路径规划
将图19网络化，得到图19所示的网格图。
在图19的基础上，设F16点(绿色齿轮标志)为起始点，F27(黄色十字标志)点为终止点，通过使用A-Star算法计算得出最优路径为：
F16→J27→J26→J24→J23→J22→J21→J14→J35→F27
其中，蓝色表示距离出发点较近的点，而越接近红色则表示距离目标点越近。
6.前景
智慧城市是基于数字城市、物联网和云计算建立的现实世界与数字世界的融合，以实现对人和物的感知、控制和智能服务。智慧城市对经济转型发展、城市智能管理和对大众的智能服务具有广泛的前景，而建立车位智能预约管理系统，则是建设智慧城市的重要组成部分。
智慧城市则是建立在数字城市的基础框架上，通过无所不在的传感网将它与现实城市关联起来，将海量数据存储、计算、分析和决策交由云计算平台处理，并按照分析决策结果对各种设施进行自动化的控制。在智慧城市阶段，数字城市与物理城市可以通过物联网进行有机的融合，形成虚实一体化的空间。在这个空间内，将自动和实时地感知现实世界中人和物的各种状态和变化，由云计算中心处理其中海量和复杂的计算与控制，为人类经济发展、社会交往等提供各种智能化的服务，从而建立一个低碳、绿色和可持续发展的城市。
移动互联网驱动着整个全球互联网和新兴技术的创新与变革，也是规模最大、发展最快、创新最为活跃的一个领域；物联网作为国家倡导的新兴战略性产业，具有自主创新能力强、应用水平逐渐提高，国际竞争力逐步增强的特点，因此移动互联网与物联网结合是未来发展新的趋势。
基于移动互联网的车位智能预约管理系统有以下前景：
第一，提升城市形象。车位智能预约管理系统将移动互联技术、云计算技术、物联网技术、移动电子商务技术应用到自助停车，全方位、多渠道展示城市的内涵，大大提升城市的形象。
第二，促进智慧城市建设。车位智能预约管理系统是智慧城市的组成部分，是智慧城市的重要落脚点之一，其先进经验可在智慧商圈、智慧小区、智慧校园等其他领域推广，带动相关领域信息化建设，大大促进智慧城市建设。
第三，助力当地产业升级转型。车位智能预约管理系统借助科技助力传统服务业升级，将移动互联技术、云计算技术、物联网技术应用到停车服务，促进服务转型升级。
第四，提升使用者的舒适度。让使用者能够轻松地得到相关车位信息，大大简化了令人烦恼停车流程，提升了使用者的舒适度。
第五，缓解交通拥堵。以往交通拥堵有部分原因是因为车辆无法快速找到车位而在道路上游弋时间，提高道路通行效率。
车位智能预约管理系统的实现需要建设更加完善的信息基础设施，才能保证车位智能预约管理服务正常运营。车位的智术的研发，推进智慧城市发展建设，加科学、高效、低碳和安全地运行。能改造，将带动智能识别设备、数据服务等高新技以更好、更多的智慧应用服务大众的同时让城市更加科学、高效、低碳和安全地运行。
7.该软件组件架构拥有了自己的开发环境与编译环境，以确保规范的落实，提供自己的组件容器，以及组件管理与部署工具，以确保组件的可应用性。
7.1软件测试质量保障
准确的说明，测试本身就是软件质量保障的重要手段。这包括本发明通常所说的白盒测试与黑盒测试。本发明组织专门的测试组来确保软件质量。
白盒测试主要是读码测试。本发明采用交叉读码，小组讲码的方式进行。根据本发明的经验，读码与讲码不仅可以发现软件编码问题，更可以实现细节沟通，优化编码结构，提升软件质量。组织读码与讲码，是公司尽一年来开发软环境建设的重要内容。
黑盒测试的测试方法：是由一些非编码人员根据《需求规格说明书》的要求对打包好的软件进行测试环境部署、模仿使用，以发现软件中的问题。黑盒测试包括安装测试、功能测试、组装测试、压力测试、集成环境测试五种。在该项目中，本发明组织了专门的测试组来完成黑盒测试。另外，用户验收过程也是一个测试过程，是一个抽测过程。本发明会为用户起草验收测试方案。
再有，为了确保测试本身质量得以加强，本发明在测试过程中采取了以下手段来加强测试效果，确保测试质量。
(1)采用压力测试工具，发现系统得性能承受能力；
(2)采用测试软件管理整个测试环节；
(3)编写测试案例，规范测试行为，提高测试效率；
(4)编写测试大纲，加强测试组与开发组的沟通；
(5)平台测试，平台是公司己有产品，对平台的改动由独立的测试小组完成。
本发明的测试方案与测试用例对用户完全公开，并且需要经过用户或其委托人审批。测试中系统如有任何部分发生故障，则测试重新开始，整个系统需整体通过测试后才标志测试工作完成，最后提交测试报告。
7.2软件部署质量保障
软件部署过程包括了系统环境搭建、应用软件安装、数据库搭建、初始数据建设、系统调优和联调六个环节。软件部署质量保障关键在于软件部署方案的设计与落实。为此，要有专门的文字材料，要经过总工程师的审阅与用户的认可。
软件部署方案将包括环境要求、建设步骤、参数设置、初始数据内容、以及准确的联调时间，以及联调内容。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种车位智能预约管理方法，其特征在于，所述车位智能预约管理方法包括：
步骤一，利用手机客户端获取当前车辆位置以及目的地信息；
步骤二，手机客户端基于获取的相关数据确定目的地搜索半径附近是否有空余车位；
若没有空余车位，则显示当前范围的排队人数，并自动进入排队队列，并转向步骤三；若有空余车位，则转向步骤四；
步骤三，判断是否需要扩大搜索半径；若需要扩大搜索半径则返回步骤二，若不需要则手机客户端发送排队请求；同时应用服务器接收排队请求并进行数据库更新；同时应用服务器判断等位是否结束，若已经结束，则进行车位预约；若未结束，则显示排队人数与已排队时间并更新数据库；
步骤四，手机客户端显示剩余车位，并确定是否需要进行车位预约；若需要进行车位预约，则转入步骤五，若不需要则转入步骤七；
步骤五，判断出发前预约车位或达到时预约车位；若出发前预约，则应用服务器基于获取的当前位置以及目的地信息通过计算进行停车位推荐，并获取车位信息，并利用手机客户端进行显示；若到达后预约，则根据当前车辆位置获取搜索半径范围内的可用车位，并将获取的可用车位信息利用手机客户端进行显示；
步骤六，基于步骤五的选择的预约方式，应用服务器进行车位预约，并跟新数据库；
步骤七，将步骤一获取的信息或步骤七的车位预约信息传输至应用服务器，应用服务器接收相关数据进行路径计算，返回手机客户端；手机客户端接收应用服务器计算的路径，进行导航；
所述车位智能预约管理方法还包括：
利用导航到达车位后，停车服务网点进行车辆识别，当识别成功时，控制车位锁开启并进行停车计费；同时停车服务网点将相关信息发送至应用服务器，进行数据更新；
步骤五中，所述停车位推荐包括：
(1)确定用户坐标L(c1，e1)及目的地的坐标O(c2，e2)；以目的地为圆心搜索可用车位，将搜索到的可用车位随机排序为A＝{A1，A2，…An}，确定车位坐标Ai＝(xi，yi)；
(2)计算用户坐标L(c1，e1)到车位Ai＝(xi，yi)的距离di，取di的最大值max(di)及最小值min(di)，令：
Figure 766445DEST_PATH_IMAGE001
；
(3)计算目的地O(c2，e2)到车位Ai＝(xi，yi)的距离：
Figure 214744DEST_PATH_IMAGE002
；
(4)取
Figure 539022DEST_PATH_IMAGE003
的最大值
Figure 730969DEST_PATH_IMAGE004
及最小值
Figure 342079DEST_PATH_IMAGE005
令：
Figure 712011DEST_PATH_IMAGE006
；
(5)确定车位Ai价格mi(/h)，取mi的最大值max(mi)及最小值min(mi)，令：
Figure 775782DEST_PATH_IMAGE007
；
(6)令：
Figure 505841DEST_PATH_IMAGE008
；
(7)对矩阵P进行模糊规范化：成本型规范后的矩阵为Z＝(zij)3×n；
Figure 722190DEST_PATH_IMAGE009
，j=1,2,...,n；i=1,2,...,n；
(8)设权重向量W＝(w1，w2，w3)T，
Figure 512291DEST_PATH_IMAGE010
，j=1,2,...,n；
(9)令矩阵：
Figure 63358DEST_PATH_IMAGE011
取最大的五个Bi＝(i＝1，2，…，n)，即对应最优的五个Ai；
步骤七中，所述进行路径计算包括：
确定起始点以及目的位置，利用A-Star算法计算最优路径。
2.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述车位智能预约管理方法的步骤。
3.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1所述车位智能预约管理方法的步骤。
4.一种运行权利要求1所述车位智能预约管理方法的车位智能预约管理系统，其特征在于，所述车位智能预约管理系统包括：
手机客户端，用于基于3G/4G/WIFI及其他移动移动网络的进行实时GPS定位、车位搜索、车位预约与验证，电子地图导航、电子支付；
停车服务网点，用于进行车辆识别、车位锁控制以及识别结果显示；
应用服务器即应答中心，用于响应用户及停车服务点的服务或数据请求，进行发送、接收数据，业务计算，响应服务；
云存储端，用于存储用户车辆信息，个人信息及订单信息。
5.如权利要求4所述的车位智能预约管理系统，其特征在于，所述手机客户端包括：
定位搜索模块，用于获取当前位置周边的停车位信息；
目的地搜索模块，用于获取输入的目的地周边的停车位信息；
预约模块，用于进行车位预约；
导航模块，用于基于当前位置以及预约或确定的目的地车位进行导航；
信息显示模块，用于显示部分公共停车场位和道路停车位的实时空余车位信息；
支付模块，用于提供多种支付停车费用的支付方式或支付接口。
6.如权利要求4所述的车位智能预约管理系统，其特征在于，所述停车服务网点包括：
识别模块，用于利用RFID识别设备识别己预约用户车牌或其他可读设备；
车位锁控制模块，用于当识别模块识别成功时，控制车位锁开启；
验证显示模块，用于显示识别模块识别结果；同时用于识别模块识别成功，显示相关订单信息；
通信模块，用于进行网络数据通信。
7.如权利要求4所述的车位智能预约管理系统，其特征在于，所述应用服务器还包括：
用于通过业务计算进行路径规划及车位推荐；
所述路径规划用于利用优化算法为用户提供便捷的路线到达目的地；
所述车位推荐为多级推荐，用于通过模型计算优先为用户推荐前往目的地的最佳车位。
CN202010972438.1A 2020-09-16 2020-09-16 车位智能预约管理系统、方法、存储介质、计算机设备 Active CN112382118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010972438.1A CN112382118B (zh) 2020-09-16 2020-09-16 车位智能预约管理系统、方法、存储介质、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010972438.1A CN112382118B (zh) 2020-09-16 2020-09-16 车位智能预约管理系统、方法、存储介质、计算机设备

Publications (2)

Publication Number Publication Date
CN112382118A CN112382118A (zh) 2021-02-19
CN112382118B true CN112382118B (zh) 2021-10-22

Family

ID=74586119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010972438.1A Active CN112382118B (zh) 2020-09-16 2020-09-16 车位智能预约管理系统、方法、存储介质、计算机设备

Country Status (1)

Country Link
CN (1) CN112382118B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950826B (zh) * 2021-03-23 2022-08-16 苏州金睿澳科物联网科技有限公司 车联网智能融合通信调度系统
CN115019543B (zh) * 2022-05-19 2023-09-22 北京星火北斗科技有限公司 一种智能停车方法、系统、电子设备、可读存储介质
CN117975764B (zh) * 2024-03-29 2024-06-07 烟台富士智能科技有限公司 一种智能停车场的车位预约方法、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105810010A (zh) * 2016-05-25 2016-07-27 李兹铮 一种停车服务实现方法、装置以及系统
CN107134167A (zh) * 2017-06-19 2017-09-05 华南师范大学 基于城市智能化车位共享预约系统
US10424202B1 (en) * 2018-07-12 2019-09-24 Here Global B.V. Parking strategy recommendation based on parking space availability data

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819964B (zh) * 2012-08-24 2014-10-29 中国科学院深圳先进技术研究院 停车引导管理系统
DE102012221355A1 (de) * 2012-11-22 2014-05-22 Siemens Aktiengesellschaft Verfahren zum Bereitstellen von Ressourcen in einer Cloud und Vorrichtung
CN105702082B (zh) * 2016-04-13 2018-10-23 山东建筑大学 基于移动终端App实现车位预约和停车场选择的方法及系统
US10510251B2 (en) * 2017-10-04 2019-12-17 Resilience Magnum IP, LLC Parking space light
CN107680401B (zh) * 2017-10-17 2021-07-09 长沙理工大学 一种基于区间二型模糊集合的停车位满意度的评价方法
CN110555156B (zh) * 2018-03-26 2022-04-15 中移(苏州)软件技术有限公司 一种最优泊位推荐的方法及装置
CN108901052B (zh) * 2018-08-10 2020-04-03 北京邮电大学 一种异构网络的切换方法及装置
CN109191898B (zh) * 2018-10-23 2020-05-08 广州荣致鑫信息科技有限公司 一种在线智能停车系统
CN110675649A (zh) * 2019-09-19 2020-01-10 黄杰 一种智能预约停车系统和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105810010A (zh) * 2016-05-25 2016-07-27 李兹铮 一种停车服务实现方法、装置以及系统
CN107134167A (zh) * 2017-06-19 2017-09-05 华南师范大学 基于城市智能化车位共享预约系统
US10424202B1 (en) * 2018-07-12 2019-09-24 Here Global B.V. Parking strategy recommendation based on parking space availability data

Also Published As

Publication number Publication date
CN112382118A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
US20210110323A1 (en) Optimizing charging, fueling, and parking overheads of fleet vehicles in a maas architecture
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
US10639995B2 (en) Methods, circuits, devices, systems and associated computer executable code for driver decision support
CN112382118B (zh) 车位智能预约管理系统、方法、存储介质、计算机设备
Iglesias et al. Data-driven model predictive control of autonomous mobility-on-demand systems
Gao et al. Optimize taxi driving strategies based on reinforcement learning
Qin et al. Reinforcement learning for ridesharing: An extended survey
Miller-Hooks et al. Least expected time paths in stochastic, time-varying transportation networks
US11567495B2 (en) Methods and systems for selecting machine learning models to predict distributed computing resources
CN112074845A (zh) 用于优化拼车策略的深度强化学习
WO2020147920A1 (en) Traffic signal control by spatio-temporal extended search space of traffic states
Ghannadpour et al. A multi-objective vehicle routing and scheduling problem with uncertainty in customers’ request and priority
US20210073734A1 (en) Methods and systems of route optimization for load transport
CN109741626A (zh) 停车场停车情况预测方法、调度方法和系统
Zulfiqar et al. A survey on smart parking systems in urban cities
US20230104379A1 (en) System and Method for Estimating Arrival Time of a Vehicle at a Destination
CN111367275A (zh) 一种智能驾驶控制方法、装置、系统及存储介质
JP2023155476A (ja) 情報処理システム、情報処理装置、情報処理方法及び情報処理プログラム
Haliem et al. AdaPool: A diurnal-adaptive fleet management framework using model-free deep reinforcement learning and change point detection
Xie et al. A shared parking optimization framework based on dynamic resource allocation and path planning
EP3702980A1 (en) Method for route plan optimization taking constraint and event into account
Rahaman Context-aware mobility analytics and trip planning
Lejdel A conceptual framework for modeling smart parking
Habibi et al. Improvement of Multi-agent Routing Guidance with an Intelligent Traffic Light Scheduling and the Ability to Select Intermediate Destinations
Shimi et al. A Multi-Objective Decision-Based Solution for Facility Location-Allocation Problem Using Cuckoo Search And Genetic Algorithms

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