CN112650941A - 一种基于排序和协同算法的智能停车场推荐方法 - Google Patents
一种基于排序和协同算法的智能停车场推荐方法 Download PDFInfo
- Publication number
- CN112650941A CN112650941A CN201910969272.5A CN201910969272A CN112650941A CN 112650941 A CN112650941 A CN 112650941A CN 201910969272 A CN201910969272 A CN 201910969272A CN 112650941 A CN112650941 A CN 112650941A
- Authority
- CN
- China
- Prior art keywords
- parking
- user
- charging
- algorithm
- coordinate information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 230000035945 sensitivity Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于排序和协同算法的智能停车场推荐方法,其包括以下步骤:S01、获取用户手机对应或选择的坐标信息和用户ID;S02、通过用户ID预测用户画像;S03、基于坐标信息检索附近的停车/充能场所,停车/充能场所包括停车场、加油站和充电桩;S04、通过排序算法对停车/充能场所进行排序获得初始序列;S05、通过协同算法对初始序列进行调整,获得最终序列;S06、将最终序列推荐给用户。本方案可以给用户提供最适合的停车/充电场所信息,缩短寻找时间,提高出行体验。本方案适用于智能交通领域。
Description
技术领域
本发明涉及交通引导领域,尤其是涉及一种基于排序和协同算法的智能停车场推荐方法。
背景技术
随着车辆保有量的不断提升,停车难、加油/充电难的现象越来越明显,严重影响出行体验。如何能够让用户快速、高效、精准地找到合适的停车/加油/充电场所,是急需解决的问题。
发明内容
本发明主要是解决现有技术所存在的缺乏适合的停车/充电场所查询和推荐方法的技术问题,提供一种高效、精准的基于排序和协同算法的智能停车场推荐方法。
本发明针对上述技术问题主要是通过下述技术方案得以解决的:一种基于排序和协同算法的智能停车场推荐方法,包括以下步骤:
S01、获取用户手机对应或选择的坐标信息和用户ID;
S02、通过用户ID预测用户画像;
S03、基于坐标信息检索附近的停车/充能场所,停车/充能场所包括停车场、加油站和充电桩;
S04、通过排序算法对停车/充能场所进行排序获得初始序列;
S05、通过协同算法对初始序列进行调整,获得最终序列;
S06、将最终序列推荐给用户。
作为优选,所述步骤S02中,通过用户ID预测用户画像具体为:
S201、判断用户车辆是否为电动车;
S202、依据用户的历史消费记录判断用户的价格敏感度;
S203、依据用户的历史停车/充能场所选择记录判断用户的等待敏感度。
用户画像包括是否为电动车、价格敏感度、等待敏感度等信息。
作为优选,其特征在于,所述步骤S03中,基于坐标信息检索附近的停车/充能场所具体为:
使用GeoHash算法检索第一区域范围内的所有停车/充能场所,如果停车/充能场所数量小于阈值,则将检索范围扩大到第二区域范围,如果停车/充能场所数量仍然小于阈值,则将检索范围扩大到第三区域范围;
计算坐标信息到每个停车/充能场所的行车距离;
依据当前道路信息和行车距离计算从坐标信息位置驾驶到每个停车/充能场所需要的行车时间。
当前道路信息可以从市政信息或用户实时行车信息获取。GeoHash算法是一种快速检索空间位置的算法,并且可以在不同的尺度上完成检索。
作为优选,所述第一区域范围为以坐标信息位置为圆心5公里为半径的圆形区域,所述第二区域范围为以坐标信息位置为圆心10公里为半径的圆形区域,所述第三区域范围为以坐标信息位置为圆心20公里为半径的圆形区域;所述阈值为10个。
作为优选,所述步骤S04中,通过排序算法对停车/充能场所进行排序获得初始序列具体为:
通过行车距离、行车时间、充电场所的空余数量、单价以及用户画像对每个停车/充能场所进行打分;
根据得分从高到低对停车/充能场所进行排序。
如果用户为纯电动车,则排除无充电桩的加油站项,如果用户为纯燃油车,则排除纯充电场所选项。
行车距离、行车时间、充电场所的空余数量和单价分别有各自的权重值,用户画像中的价格敏感度影响单价的权重值,价格敏感度越高,单价的权重值越低。
作为优选,所述步骤S05中,通过协同算法对初始序列进行调整,获得最终序列具体为:
依据当前所有用户的查询请求、初始序列和导航目的地对各个停车/充能场所的负荷进行预测,依据预测计算排队时间,依据排队时间和用户画像调整初始序列中各个停车/充能场所的分数,根据调整后的分数重新排序。
用户画像中的排队敏感度影响排队时间的权重值。协同算法可以让用户选择合适自己的充电/停车场所,并且引导车辆分散到不同的场所,避免少数几个场所大量车辆聚集,提高整体的效率和用户体验。
本发明带来的实质性效果是,给用户提供最适合的停车/充电场所信息,缩短寻找时间,打破信息孤岛,有效减少停车位闲置,提升停车/充电场所收入,可以给热门停车/充电场所分流,减少排队情况。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于排序和协同算法的智能停车场推荐方法,如图1所示,包括以下步骤:
S01、获取用户手机对应或选择的坐标信息和用户ID;
S02、通过用户ID预测用户画像;
S03、基于坐标信息检索附近的停车/充能场所,停车/充能场所包括停车场、加油站和充电桩;
S04、通过排序算法对停车/充能场所进行排序获得初始序列;
S05、通过协同算法对初始序列进行调整,获得最终序列;
S06、将最终序列推荐给用户。
所述步骤S02中,通过用户ID预测用户画像具体为:
S201、判断用户车辆是否为电动车;
S202、依据用户的历史消费记录判断用户的价格敏感度;
S203、依据用户的历史停车/充能场所选择记录判断用户的等待敏感度。
用户画像包括是否为电动车、价格敏感度、等待敏感度等信息。
其特征在于,所述步骤S03中,基于坐标信息检索附近的停车/充能场所具体为:
使用GeoHash算法检索第一区域范围内的所有停车/充能场所,如果停车/充能场所数量小于阈值,则将检索范围扩大到第二区域范围,如果停车/充能场所数量仍然小于阈值,则将检索范围扩大到第三区域范围;
计算坐标信息到每个停车/充能场所的行车距离;
依据当前道路信息和行车距离计算从坐标信息位置驾驶到每个停车/充能场所需要的行车时间。
当前道路信息可以从市政信息或用户实时行车信息获取。GeoHash算法是一种快速检索空间位置的算法,并且可以在不同的尺度上完成检索。
所述第一区域范围为以坐标信息位置为圆心5公里为半径的圆形区域,所述第二区域范围为以坐标信息位置为圆心10公里为半径的圆形区域,所述第三区域范围为以坐标信息位置为圆心20公里为半径的圆形区域;所述阈值为10个。
所述步骤S04中,通过排序算法对停车/充能场所进行排序获得初始序列具体为:
通过行车距离、行车时间、充电场所的空余数量、单价以及用户画像对每个停车/充能场所进行打分;
根据得分从高到低对停车/充能场所进行排序。
如果用户为纯电动车,则排除无充电桩的加油站项,如果用户为纯燃油车,则排除纯充电场所选项。
行车距离、行车时间、充电场所的空余数量和单价分别有各自的权重值,用户画像中的价格敏感度影响单价的权重值,价格敏感度越高,单价的权重值越低。
所述步骤S05中,通过协同算法对初始序列进行调整,获得最终序列具体为:
依据当前所有用户的查询请求、初始序列和导航目的地对各个停车/充能场所的负荷进行预测,依据预测计算排队时间,依据排队时间和用户画像调整初始序列中各个停车/充能场所的分数,根据调整后的分数重新排序。
用户画像中的排队敏感度影响排队时间的权重值。协同算法可以让用户选择合适自己的充电/停车场所,并且引导车辆分散到不同的场所,避免少数几个场所大量车辆聚集,提高整体的效率和用户体验。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了停车/充电场所、序列、协同算法等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (6)
1.一种基于排序和协同算法的智能停车场推荐方法,其特征在于,包括以下步骤:
S01、获取用户手机对应或选择的坐标信息和用户ID;
S02、通过用户ID预测用户画像;
S03、基于坐标信息检索附近的停车/充能场所,停车/充能场所包括停车场、加油站和充电桩;
S04、通过排序算法对停车/充能场所进行排序获得初始序列;
S05、通过协同算法对初始序列进行调整,获得最终序列;
S06、将最终序列推荐给用户。
2.根据权利要求1所述的一种基于排序和协同算法的智能停车场推荐方法,其特征在于,所述步骤S02中,通过用户ID预测用户画像具体为:
S201、判断用户车辆是否为电动车;
S202、依据用户的历史消费记录判断用户的价格敏感度;
S203、依据用户的历史停车/充能场所选择记录判断用户的等待敏感度。
3.根据权利要求1或2所述的一种基于排序和协同算法的智能停车场推荐方法,其特征在于,所述步骤S03中,基于坐标信息检索附近的停车/充能场所具体为:
使用GeoHash算法检索第一区域范围内的所有停车/充能场所,如果停车/充能场所数量小于阈值,则将检索范围扩大到第二区域范围,如果停车/充能场所数量仍然小于阈值,则将检索范围扩大到第三区域范围;
计算坐标信息到每个停车/充能场所的行车距离;
依据当前道路信息和行车距离计算从坐标信息位置驾驶到每个停车/充能场所需要的行车时间。
4.根据权利要求3所述的一种基于排序和协同算法的智能停车场推荐方法,其特征在于,所述第一区域范围为以坐标信息位置为圆心5公里为半径的圆形区域,所述第二区域范围为以坐标信息位置为圆心10公里为半径的圆形区域,所述第三区域范围为以坐标信息位置为圆心20公里为半径的圆形区域;所述阈值为10个。
5.根据权利要求3所述的一种基于排序和协同算法的智能停车场推荐方法,其特征在于,所述步骤S04中,通过排序算法对停车/充能场所进行排序获得初始序列具体为:
通过行车距离、行车时间、充电场所的空余数量、单价以及用户画像对每个停车/充能场所进行打分;
根据得分从高到低对停车/充能场所进行排序。
6.根据权利要求5所的一种基于排序和协同算法的智能停车场推荐方法,其特征在于,所述步骤S05中,通过协同算法对初始序列进行调整,获得最终序列具体为:
依据当前所有用户的查询请求、初始序列和导航目的地对各个停车/充能场所的负荷进行预测,依据预测计算排队时间,依据排队时间和用户画像调整初始序列中各个停车/充能场所的分数,根据调整后的分数重新排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969272.5A CN112650941A (zh) | 2019-10-12 | 2019-10-12 | 一种基于排序和协同算法的智能停车场推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969272.5A CN112650941A (zh) | 2019-10-12 | 2019-10-12 | 一种基于排序和协同算法的智能停车场推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112650941A true CN112650941A (zh) | 2021-04-13 |
Family
ID=75343796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910969272.5A Pending CN112650941A (zh) | 2019-10-12 | 2019-10-12 | 一种基于排序和协同算法的智能停车场推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112650941A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470205A (zh) * | 2021-06-30 | 2021-10-01 | 厦门中卡科技股份有限公司 | 全域etc支撑下的智慧出行控制系统及方法 |
CN117829377A (zh) * | 2024-03-04 | 2024-04-05 | 德阳城市智慧之心信息技术有限公司 | 基于神经网络的剩余车位预测方法、装置、设备及介质 |
-
2019
- 2019-10-12 CN CN201910969272.5A patent/CN112650941A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470205A (zh) * | 2021-06-30 | 2021-10-01 | 厦门中卡科技股份有限公司 | 全域etc支撑下的智慧出行控制系统及方法 |
CN113470205B (zh) * | 2021-06-30 | 2022-01-04 | 厦门中卡科技股份有限公司 | 全域etc支撑下的智慧出行控制系统及方法 |
CN117829377A (zh) * | 2024-03-04 | 2024-04-05 | 德阳城市智慧之心信息技术有限公司 | 基于神经网络的剩余车位预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10976170B2 (en) | Electric vehicle routing system | |
CN109808541B (zh) | 一种电动汽车充电方法及系统 | |
CN102884401B (zh) | 用于将电池操作的运输装置引导至重整站的方法和引导单元 | |
US8538694B2 (en) | Real-time route and recharge planning | |
CN103295074B (zh) | 具有最佳定位的充电站的电动车辆(ev)充电基础设施的方法和系统 | |
CN111532166A (zh) | 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质 | |
CN112867628A (zh) | 显示电动车辆的充电选项 | |
CN109795371A (zh) | 基于移动终端路线规划的电动车辆充电提醒方法及装置 | |
CN110174117A (zh) | 一种电动汽车充电路线规划方法 | |
WO2019225045A1 (ja) | 配車装置、配車方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
CN104697540A (zh) | 提供加油站信息的方法和信息处理装置及车载导航系统 | |
CN102118071A (zh) | 用于车载电池远程维护的方法和装置 | |
CN106979788A (zh) | 一种电能汽车的路径规划方法及导航设备 | |
EP3556601A1 (en) | Vehicle routing | |
CN103018672A (zh) | 电动车的消耗电能提供系统 | |
CN112650941A (zh) | 一种基于排序和协同算法的智能停车场推荐方法 | |
CN110189182A (zh) | 一种基于车联网的里程焦虑管理方法 | |
CN114670707A (zh) | 一种充电路线确定方法、装置和可读存储介质 | |
CN117076761B (zh) | 一种新能源汽车充电桩智能管理方法和系统 | |
US20230382256A1 (en) | Method and apparatus for providing a charging time window for an electric vehicle | |
US20230011007A1 (en) | Information processing device and information processing method | |
CN110015127A (zh) | 电动车的充电站搜寻方法 | |
CN115936281A (zh) | 电动汽车的充电规划方法、装置、电动汽车和存储介质 | |
CN116307445A (zh) | 车辆充电的方法及电子设备 | |
CN115907097A (zh) | 一种考虑用户出行特性与交通流量的加氢站优化布局方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210413 |
|
WD01 | Invention patent application deemed withdrawn after publication |