CN112487281A - 一种立体车库推荐方法 - Google Patents

一种立体车库推荐方法 Download PDF

Info

Publication number
CN112487281A
CN112487281A CN202011191085.8A CN202011191085A CN112487281A CN 112487281 A CN112487281 A CN 112487281A CN 202011191085 A CN202011191085 A CN 202011191085A CN 112487281 A CN112487281 A CN 112487281A
Authority
CN
China
Prior art keywords
garage
decision
candidate
weight
garages
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.)
Pending
Application number
CN202011191085.8A
Other languages
English (en)
Inventor
牛丹
黄雪颖
陈夕松
王思敏
许翠红
陈善龙
陈有成
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.)
Jiangyin Zhixing Industrial Control Technology Co ltd
Nanjing Yunniu Intelligent Technology Co ltd
Southeast University
Original Assignee
Jiangyin Zhixing Industrial Control Technology Co ltd
Nanjing Yunniu Intelligent Technology Co ltd
Southeast 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 Jiangyin Zhixing Industrial Control Technology Co ltd, Nanjing Yunniu Intelligent Technology Co ltd, Southeast University filed Critical Jiangyin Zhixing Industrial Control Technology Co ltd
Priority to CN202011191085.8A priority Critical patent/CN112487281A/zh
Publication of CN112487281A publication Critical patent/CN112487281A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种立体车库推荐方法。属于交通智能自动化领域；在用户给定目的地和最远步行距离的条件下，具体步骤：1、分析用户停车选择行为，确定用户的车库选择因素，作为车库的评价指标；2、根据目的地和最远步行距离，基于Geohash算法筛选出候选车库；3、获取筛选出候选车库的属性值，根据候选车库的属性值生成决策矩阵；4、采用极差变换法对决策矩阵进行规范化；5、确定属性组合权重；6、基于多属性决策对候选车库进行排序，得出最优车库。本发明通过Geohash算法筛选出候选车库，避免了大量的计算过程，提高了计算效率。

Description

一种立体车库推荐方法
技术领域
本发明属于交通智能自动化领域领域，涉及一种立体车库推荐方法。
背景技术
随着社会经济与汽车工业的发展，汽车保有量急速增长，给居民出行带来极大便利的同时，也给城市交通管理以及公共停车设施建设带来了巨大的压力。库容量大且占地面积小的立体车库应运而生，成为解决“停车难”问题的有效方式。立体车库相较于传统的平面车库具有诸多优势，在我国一些经济发达且人口密度较大的城市已经开始大力发展立体车库。当前我国立体车库已经朝着智能化、网络化、人性化水平发展，已经有不少学者开始研究立体车库管理系统，旨在提高立体车库服务效能。当系统接入大量车库供用户选择预约时，为了提高停车效率，减少用户车库选择时间，有必要提供一种立体车库推荐方法。
在车库的推荐问题上，从不同的角度分析，会有不同的推荐策略。有学者根据一种经典网络搜索算法(PageRank算法)的思想，设计了一种静态的停车等级算法，根据停车等级向司机推荐停车场。也有学者提出结合距离、空位率、收费标准和交通状况四个条件，通过基于BPR的最优推荐算法，为用户推荐性价比最高的停车场。在不知道车库实时剩余车位数量的情况下，不少学者着重于对车位的使用状态进行预测，以到达停车场成功停车的概率来为用户推荐停车场。本课题基于物联网技术，可以实时获取到车位剩余数量，在此基础上研究车库推荐策略。由于车库推荐问题具有缺乏历史数据、候选方案数量有限甚至较少、实时性强等特点，因此不适合用传统的推荐算法，如基于内容的推荐、基于用户的推荐进行求解。一些学者通过对用户选择车库相关因素进行分析和量化，来为用户推荐满足期望的车库。
发明内容
针对上述问题，本发明提供了一种立体车库推荐方法，通过使用Geohash 算法筛选出候选车库，根据候选车库的各属性值，基于多属性决策，建立相关模型，即可计算出最优车库。
本发明的技术方案是：一种立体车库推荐方法，具体步骤包括如下：
步骤(1)、分析用户停车选择行为，确定用户的车库选择因素，作为车库的评价指标，包括行驶距离d、驾车时间t、步行距离w、停车单价p以及剩余车位数量n；
步骤(2)、根据目的地和最远步行距离，基于Geohash算法筛选出候选车库；
步骤(3)、获取筛选出的候选车库的属性值，包括：行驶距离d、驾车时间t、步行距离w、停车单价p以及剩余车位数量n，根据候选车库的属性值生成决策矩阵；
步骤(4)、采用极差变换法对决策矩阵进行规范化；
步骤(5)、确定属性组合权重；
步骤(6)、基于多属性决策对候选车库进行排序，得出最优车库。
进一步的，在所述步骤(2)中，基于Geohash算法筛选出候选车库具体操作步骤如下：
(2.1)、基于Geohash算法，对目的地经纬度进行编码，得到目的地的 Geohash值；
(2.2)、根据目的地的Geohash值求出目的地周围八个区域的Geohash值；
(2.3)、根据Geohash值得到预选车库，依次计算这些车库与目的地的距离，筛选出距离小于给定值的车库作为候选车库。
进一步的，在步骤(5)中，所述属性组合权重的计算步骤如下：
(5.1)、基于层次分析法确定主观权重w＝[w1,w2,Λ,wn]；
(5.2)、基于熵值法确定客观权重v＝[v1,v2,Λ,vn]；
(5.3)、根据最小熵原理由主观权重w和客观权重v求解组合权重λ，以λj和wj以及vj尽可能接近为原则得：
Figure BDA0002752814060000021
Figure BDA0002752814060000022
式中，F表示熵；n表示权重个数；j表示第j个权重；λj表示第j个组合权重；wj表示第j个主观权重；vj表示第j个客观权重；
根据拉格朗日乘子法求解上述问题得：
Figure BDA0002752814060000023
式中，m表示权重个数。
进一步的，在步骤(5.1)中，所述基于层次分析法确定主观权重 w＝[w1,w2,Λ,wn]；其具体步骤如下：
(5.1.1)、将决策目标、决策影响因素以及决策对象按照之间的关系分为表示决策要解决问题的最高层、表示决策影响因素的中间层以及表示备选方案的最底层；
(5.1.2)、所有元素进行两两比较判断相对重要程度，按照重要程度划分为1～M个等级，构造判断矩阵；
(5.1.3)、求取判断矩阵的最大特征根λmax和对应的特征向量W，用下式求出判断矩阵的一致性指标CI，式中n表示因素个数，定义一致性比率
Figure BDA0002752814060000031
一致性比率小于0.1通过一致性检验，否则对判断矩阵进行调整，通过检验后将特征向量进行归一化后得到主观权重w；
Figure BDA0002752814060000032
进一步的，在步骤(5.2)中，所述的基于熵值法确定客观权重v＝[v1,v2,Λ,vn]；其具体步骤如下：
(5.2.1)、基于规范后的决策矩阵X＝(xij)m×n，根据下式计算第j个指标在所有样本中的所占的比重yij；
Figure BDA0002752814060000033
式中，xij表示规范后的第i个候选车库的第j个指标的决策属性值；yij表示第j个指标在所有样本中的所占比重；
(5.2.2)、根据下式分别计算第j个指标的信息熵值ej和信息效用值dj；
Figure BDA0002752814060000034
dj＝1-ej
(5.2.3)、根据下式计算第j项指标的权重，其中，xij表示第i个方案的第 j个属性的初始决策指标值；
Figure BDA0002752814060000035
进一步的，在步骤(6)中，所述基于多属性决策对候选车库进行排序的具体操作步骤如下：
(6.1)、由下式计算加权标准化矩阵，
U＝(uij)m×n＝(λjxij)m×n
式中，λj为第j个指标的组合权重；U表示加权标准化矩阵；uij表示加权标准化矩阵第i行j列值；
(6.2)、根据标准化矩阵中的行向量，获取最优值向量和最劣值向量；
其中，最优值解：
u+＝(ui1 +,ui2 +,Λ,uin +),uij +＝max(uij),j＝1,2,Λ,m
最劣值解：
u-＝(ui1 -,ui2 -,Λ,uin -),uij -＝min(uij),j＝1,2,Λ,m
(6.3)、计算每个对象与最优解和最劣解的欧式距离Di +与Di -，并计算各个评价对象与最优解的接近度Ci；
Figure BDA0002752814060000041
Figure BDA0002752814060000042
Figure BDA0002752814060000043
本发明的有益效果是：本发明公开了一种立体车库推荐方法，通过Geohash 算法筛选出候选车库，避免了大量的计算过程，提高了计算效率。基于多属性决策，首先获取候选车库的属性值，根据候选车库的相关属性值生成决策矩阵并进行规范化，采用组合赋权法得到权重，最后基于理想点法计算出最优车库，为有停车需求的用户推荐目的地附近最优的车库，提高了用户的停车效率。
附图说明
图1为本发明的流程示意图；
图2为本发明中具体实施方式中的实际场景图之一；
图3为本发明中具体实施方式中的实际场景图之二。
具体实施方式
为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：
一种立体车库推荐方法，具体步骤包括如下：
步骤(1)、分析用户停车选择行为，确定用户的车库选择因素，将各个因素作为车库的评价指标，此处选择选择行驶距离d、驾车时间t、步行距离w、停车单价p以及剩余车位数量n进行分析；
步骤(2)、根据目的地和最远步行距离，基于Geohash算法筛选出候选车库；
具体的，基于Geohash算法筛选出候选车库具体操作步骤如下：
(2.1)、基于Geohash算法，对目的地经纬度进行编码，得到目的地的 Geohash值；
(2.2)、根据目的地的Geohash值求出目的地周围八个区域的Geohash值；
(2.3)、根据Geohash值得到预选车库，依次计算这些车库与目的地的距离，筛选出距离小于给定值的车库作为候选车库，此处假设候选车库有四个，{A，B， C，D}，各车库的各属性值如表1所示：
表1：候选车库属性值表
候选车库 d(km) t(h) w(km) p(元) n(个)
A 6.2 0.50 0.50 10 13
B 5.8 0.44 0.65 9 9
C 6.6 0.62 0.48 8 16
D 6.0 0.48 0.52 10 12
步骤(3)、获取筛选出的候选车库的属性值，包括：行驶距离d、驾车时间t、步行距离w、停车单价p以及剩余车位数量n，根据候选车库的属性值生成决策矩阵，此处决策矩阵为：
Figure BDA0002752814060000051
步骤(4)、采用极差变换法对决策矩阵进行规范化；将初始决策矩阵规范化后得到：
Figure BDA0002752814060000052
步骤(5)、确定属性组合权重；
具体的，所述属性组合权重的计算步骤如下：
(5.1)、基于层次分析法确定主观权重w＝[w1,w2,Λ,wn]；
(5.2)、基于熵值法确定客观权重v＝[v1,v2,Λ,vn]；
(5.3)、根据最小熵原理由主观权重w和客观权重v求解组合权重λ，以λj和wj以及vj尽可能接近为原则得：
Figure BDA0002752814060000061
Figure BDA0002752814060000062
式中，F表示熵；n表示权重个数；j表示第j个权重；λj表示第j个组合权重；wj表示第j个主观权重；vj表示第j个客观权重；
根据拉格朗日乘子法求解上述问题得：
Figure BDA0002752814060000063
式中，m表示权重个数；
在步骤(5.1)中，所述基于层次分析法确定主观权重w＝[w1,w2,Λ,wn]；其具体步骤如下：
(5.1.1)、将决策目标、决策影响因素以及决策对象按照之间的关系分为表示决策要解决问题的最高层、表示决策影响因素的中间层以及表示备选方案的最底层；
(5.1.2)、所有元素进行两两比较判断相对重要程度，按照重要程度划分为1～M个等级，构造判断矩阵；其具体情况如下式所示：
Figure BDA0002752814060000064
计算得权重向量为w＝[0.110,0.220,0.336,0.292,0.042]，最大特征根为5.0454，一致性指标
Figure BDA0002752814060000065
随机一致性指标RI＝1.12，一致性比率 CR＝0.01135/1.12＝0.010＜0.1，通过一致性检验；
(5.1.3)、求取判断矩阵的最大特征根λmax和对应的特征向量W，用下式求出判断矩阵的一致性指标CI，式中n表示因素个数，定义一致性比率
Figure BDA0002752814060000066
一致性比率小于0.1通过一致性检验，否则对判断矩阵进行调整，通过检验后将特征向量进行归一化后得到主观权重w；
Figure BDA0002752814060000071
如表2所述：随机一致性指标RI表
n 1 2 3 4 5 6 7 8 9 10
RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49
在步骤(5.2)中，所述的基于熵值法确定客观权重v＝[v1,v2,Λ,vn]；其具体步骤如下：
(5.2.1)、基于规范后的决策矩阵X＝(xij)m×n，根据下式计算第j个指标在所有样本中的所占的比重yij；
Figure BDA0002752814060000072
式中，xij表示规范后的第i个候选车库的第j个指标的决策属性值；yij表示第j个指标在所有样本中的所占比重；
(5.2.2)、根据下式分别计算第j个指标的信息熵值ej和信息效用值dj；
Figure BDA0002752814060000073
dj＝1-ej
表3各属性均值标准差表
e<sub>j</sub> 0.7647 0.7829 0.7878 0.4590 0.7465
d<sub>j</sub> 0.2353 0.2171 0.2122 0.5410 0.2535
(5.2.3)、根据下式计算第j项指标的权重，其中，xij表示第i个方案的第 j个属性的初始决策指标值，可确定客观权重为v＝[0.161,0.149,0.145,0.371,0.174]；
Figure BDA0002752814060000074
进一步的，由主观权重w和客观权重v来求解组合权重λ，以λj和wj以及vj尽可能接近为原则，根据最小熵原理可得：
Figure BDA0002752814060000081
Figure BDA0002752814060000082
根据拉格朗日乘子法求解上述问题，得：
Figure BDA0002752814060000083
此处，根据已求出的主观权重和客观权重，可求得组合权重为λ＝[0.140,0.191,0.232,0.347,0.090]；
步骤(6)、基于多属性决策对候选车库进行排序，得出最优车库。
所述基于多属性决策对候选车库进行排序的具体操作步骤如下：
(6.1)、由下式计算加权标准化矩阵，
U＝(uij)m×n＝(λjxij)m×n
式中，λj为第j个指标的组合权重；U表示加权标准化矩阵；uij表示加权标准化矩阵第i行j列值；
此处，加权标准化矩阵
Figure BDA0002752814060000084
(6.2)、根据标准化矩阵中的行向量，获取最优值向量和最劣值向量；
其中，最优值解：
u+＝(ui1 +,ui2 +,Λ,uin +),uij +＝max(uij),j＝1,2,Λ,m
最劣值解：
u-＝(ui1 -,ui2 -,Λ,uin -),uij -＝min(uij),j＝1,2,Λ,m
此处，最优值解：u+＝(0.14,0.191,0.232,0.347,0.09)，最劣值解：u-＝(0,0,0,0,0)；
(6.3)、计算欧氏距离与接近度：
计算每个对象与最优解和最劣解的欧式距离Di +与Di -，并计算各个评价对象与最优解的接近度Ci；此处每个对象与最优解和最劣解的欧式距离Di +与Di -，以及接近度Ci如表4所示，因此可求出最优车库为C；
Figure BDA0002752814060000091
Figure BDA0002752814060000092
Figure BDA0002752814060000093
表4欧氏距离与接近度表
A B C D
D<sub>i</sub><sup>+</sup> 0.3628 0.3030 0.2369 0.3593
D<sub>i</sub><sup>-</sup> 0.2559 0.2939 0.4270 0.2564
C<sub>i</sub> 0.4136 0.4924 0.6432 0.4164
具体实施例：叙述图2及图3：
图2中，在地图上以图标的方式标记出车库，用户在搜索框中输入目的地，并点击车库推荐按钮，程序会根据获取到的用户当前位置信息，基于Geohash 算法，为用户获取当前位置附近的候选车库，并从数据库中获取候选车库的属性值，基于多属性决策，为用户生成综合最优车库推荐，如图3所示。图3共为用户提供5个车库推荐方案，包括综合最优，距离当前最近，距离目的地最近，剩余车位最多，价格最低，综合最优方案是本发明的较佳应用，距离当前最近车库和距离目的地最近车库分别以距离当前所在位置与距离目的地所在位置最优为目标，剩余车位最多方案以剩余车位数量为选择标准，价格最低方案为用户推荐价格最低的车库。
上述只是本发明的较佳实施例，并非对本发明做任何形式上的限定。因此，凡是未脱离被技术方案的内容，依据本发明技术实质对以上实例所做的任何简单修改，等同变化和修饰。

Claims (6)

1.一种立体车库推荐方法，其特征在于，具体步骤包括如下：
步骤(1)、分析用户停车选择行为，确定用户的车库选择因素，作为车库的评价指标，其包括行驶距离d、驾车时间t、步行距离w、停车单价p以及剩余车位数量n；
步骤(2)、根据目的地和最远步行距离，基于Geohash算法筛选出候选车库；
步骤(3)、获取筛选出候选车库的属性值，根据候选车库的属性值生成决策矩阵；
步骤(4)、采用极差变换法对决策矩阵进行规范化；
步骤(5)、确定属性组合权重；
步骤(6)、基于多属性决策对候选车库进行排序，得出最优车库。
2.根据权利要求1所述的一种立体车库推荐方法，其特征在于，在所述步骤(2)中，基于Geohash算法筛选出候选车库具体操作步骤如下：
(2.1)、基于Geohash算法，对目的地经纬度进行编码，得到目的地的Geohash值；
(2.2)、根据目的地的Geohash值求出目的地周围八个区域的Geohash值；
(2.3)、根据Geohash值得到预选车库，依次计算预选车库与目的地的距离，筛选出距离小于给定值的车库作为候选车库。
3.根据权利要求1所述的一种立体车库推荐方法，其特征在于，在步骤(5)中，所述属性组合权重的计算步骤如下：
(5.1)、基于层次分析法确定主观权重w＝[w1,w2,Λ,wn]；
(5.2)、基于熵值法确定客观权重v＝[v1,v2,Λ,vn]；
(5.3)、根据最小熵原理，由主观权重w和客观权重v求解组合权重λ，以λj和wj及vj三者接近为原则得下式：
Figure FDA0002752814050000011
Figure FDA0002752814050000012
式中，F表示熵；n表示权重个数；j表示第j个权重；λj表示第j个组合权重；wj表示第j个主观权重；vj表示第j个客观权重；
根据拉格朗日乘子法求解上述问题得：
Figure FDA0002752814050000021
式中，m表示权重个数。
4.根据权利要求3所述的一种立体车库推荐方法，其特征在于，在步骤(5.1)中，所述基于层次分析法确定主观权重w＝[w1,w2,Λ,wn]；其具体步骤如下：
(5.1.1)、将决策目标、决策影响因素及决策对象按照之间的关系分为表示决策要解决问题的最高层、表示决策影响因素的中间层及表示备选方案的最底层；
(5.1.2)、所有元素进行两两比较判断相对重要程度，按照重要程度划分为1～M个等级，构造判断矩阵；
(5.1.3)、求取判断矩阵的最大特征根λmax和对应的特征向量W，用下式求出判断矩阵的一致性指标CI，式中n表示因素个数，定义一致性比率
Figure FDA0002752814050000022
一致性比率小于0.1通过一致性检验，否则对判断矩阵进行调整，通过检验后将特征向量进行归一化后得到主观权重w；
Figure FDA0002752814050000023
5.根据权利要求3所述的一种立体车库推荐方法，其特征在于，在步骤(5.2)中，所述的基于熵值法确定客观权重v＝[v1,v2,Λ,vn]；其具体步骤如下：
(5.2.1)、基于规范后的决策矩阵X＝(xij)m×n，根据下式计算第j个指标在所有样本中的所占的比重yij；
Figure FDA0002752814050000024
式中，xij表示规范后的第i个候选车库的第j个指标的决策属性值；yij表示第j个指标在所有样本中的所占比重；
(5.2.2)、根据下式分别计算第j个指标的信息熵值ej和信息效用值dj；
Figure FDA0002752814050000031
dj＝1-ej
(5.2.3)、根据下式计算第j项指标的权重，其中，xij表示第i个方案的第j个属性的初始决策指标值；
Figure FDA0002752814050000032
6.根据权利要求3所述的一种立体车库推荐方法，其特征在于，在步骤(6)中，所述基于多属性决策对候选车库进行排序的具体操作步骤如下：
(6.1)、由下式计算加权标准化矩阵，
U＝(uij)m×n＝(λjxij)m×n
式中，λj为第j个指标的组合权重；U表示加权标准化矩阵；uij表示加权标准化矩阵第i行j列值；
(6.2)、根据标准化矩阵中的行向量，获取最优值向量和最劣值向量；
其中，最优值解：
u+＝(ui1 +,ui2 +,Λ,uin +),uij +＝max(uij),j＝1,2,Λ,m
最劣值解：
u-＝(ui1 -,ui2 -,Λ,uin -),uij -＝min(uij),j＝1,2,Λ,m
(6.3)、计算每个对象与最优解和最劣解的欧式距离Di +与Di -，并计算各个评价对象与最优解的接近度Ci；
Figure FDA0002752814050000033
Figure FDA0002752814050000034
Figure FDA0002752814050000035
CN202011191085.8A 2020-10-30 2020-10-30 一种立体车库推荐方法 Pending CN112487281A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011191085.8A CN112487281A (zh) 2020-10-30 2020-10-30 一种立体车库推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011191085.8A CN112487281A (zh) 2020-10-30 2020-10-30 一种立体车库推荐方法

Publications (1)

Publication Number Publication Date
CN112487281A true CN112487281A (zh) 2021-03-12

Family

ID=74927546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011191085.8A Pending CN112487281A (zh) 2020-10-30 2020-10-30 一种立体车库推荐方法

Country Status (1)

Country Link
CN (1) CN112487281A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393671A (zh) * 2021-06-24 2021-09-14 公安部道路交通安全研究中心 一种道路交通组织方案优化方法及装置
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
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
CN115330357A (zh) * 2022-10-09 2022-11-11 深圳市奇见科技有限公司 智能立体车库数据管理方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103996081A (zh) * 2014-05-30 2014-08-20 山东大学 一种用于网架重构方案评估的混合多属性群决策方法
CN106228841A (zh) * 2016-08-10 2016-12-14 中国科学院深圳先进技术研究院 一种城市级停车诱导方法、装置及电子设备
CN108010376A (zh) * 2017-12-14 2018-05-08 浙江大学城市学院 一种基于物联网技术的城市停车诱导系统及方法
CN111582552A (zh) * 2020-04-16 2020-08-25 浙江大学城市学院 一种基于多目标遗传算法的共享单车停放点分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103996081A (zh) * 2014-05-30 2014-08-20 山东大学 一种用于网架重构方案评估的混合多属性群决策方法
CN106228841A (zh) * 2016-08-10 2016-12-14 中国科学院深圳先进技术研究院 一种城市级停车诱导方法、装置及电子设备
CN108010376A (zh) * 2017-12-14 2018-05-08 浙江大学城市学院 一种基于物联网技术的城市停车诱导系统及方法
CN111582552A (zh) * 2020-04-16 2020-08-25 浙江大学城市学院 一种基于多目标遗传算法的共享单车停放点分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄雪颖: "智能立体车库云门户系统研究与设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 034 - 1482 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393671A (zh) * 2021-06-24 2021-09-14 公安部道路交通安全研究中心 一种道路交通组织方案优化方法及装置
CN113393671B (zh) * 2021-06-24 2022-11-15 公安部道路交通安全研究中心 一种道路交通组织方案优化方法及装置
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
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
CN115330357A (zh) * 2022-10-09 2022-11-11 深圳市奇见科技有限公司 智能立体车库数据管理方法、装置、设备及存储介质
CN115330357B (zh) * 2022-10-09 2022-12-23 深圳市奇见科技有限公司 智能立体车库数据管理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112487281A (zh) 一种立体车库推荐方法
CN109191896B (zh) 个性化停车位推荐方法和系统
Pei et al. ECNN: evaluating a cluster-neural network model for city innovation capability
Yang et al. Hotel location evaluation: A combination of machine learning tools and web GIS
CN102324075A (zh) 一种基于WebGIS的绿色建筑智能化节能评估管理系统
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN115643285A (zh) 智慧城市停车场推荐方法和物联网系统、装置、存储介质
CN110287269A (zh) 一种基于复合层次分析的数据处理分类方法和装置
CN115239127A (zh) 生态脆弱性评价方法、计算机设备、存储介质和验证方法
CN114742389A (zh) 基于gra和改进topsis的城市道路施工期缓堵交通组织方案比选方法
CN108898244A (zh) 一种耦合多源要素的数字标牌位置推荐方法
Dadashpour Moghaddam et al. A GIS-based assessment of urban tourism potential with a branding approach utilizing hybrid modeling
Xiang et al. Design of resource matching model of intelligent education system based on machine learning
Qu et al. Investigating the intensive redevelopment of urban central blocks using data envelopment analysis and deep learning: a case study of Nanjing, China
CN110633401A (zh) 一种门店数据的预测模型及其建立方法
Sun et al. Tourism demand forecasting of multi-attractions with spatiotemporal grid: a convolutional block attention module model
Fadda et al. Evaluation of optimal charging station location for electric vehicles: An Italian case-study
CN114239962A (zh) 一种基于开源信息的精细化空间负荷预测方法
Qiu et al. RPSBPT: A route planning scheme with best profit for taxi
CN114626655A (zh) 一种区域综合能源系统多标准综合评价方法
CN110633910A (zh) 一种旅游公路服务设施营地布局方法
CN113837913B (zh) 一种村镇耕地资源承载力关键阈值确定方法及装置
CN114399249A (zh) 一种电力物资配送路径选择优化方法及系统
CN114386142A (zh) 基于多源融合特征选择和模糊差异性增强Stacking框架的建筑能耗预测方法
CN113470205B (zh) 全域etc支撑下的智慧出行控制系统及方法

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