CN113053125B - 基于前馈lstm模型的停车场库推荐方法 - Google Patents

基于前馈lstm模型的停车场库推荐方法 Download PDF

Info

Publication number
CN113053125B
CN113053125B CN202110334679.8A CN202110334679A CN113053125B CN 113053125 B CN113053125 B CN 113053125B CN 202110334679 A CN202110334679 A CN 202110334679A CN 113053125 B CN113053125 B CN 113053125B
Authority
CN
China
Prior art keywords
parking lot
parking
index
traffic
time
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
CN202110334679.8A
Other languages
English (en)
Other versions
CN113053125A (zh
Inventor
武鑫
张超
张帅
王高翔
李桦媛
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.)
Zhejiang University of Finance and Economics
Original Assignee
Zhejiang University of Finance and Economics
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 Zhejiang University of Finance and Economics filed Critical Zhejiang University of Finance and Economics
Priority to CN202110334679.8A priority Critical patent/CN113053125B/zh
Publication of CN113053125A publication Critical patent/CN113053125A/zh
Application granted granted Critical
Publication of CN113053125B publication Critical patent/CN113053125B/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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于前馈LSTM模型的停车场库推荐方法。本发明综合考虑前往交通热点区域车辆至停车场的时间花费、停车场内寻找车位的时间花费以及驶离停车场的时间花费，本发明在对车场的便捷指数和通行指数预测时使用了天气数据，可以有效的提高预测的精度。该预测精度的提高有助于提升车主的停车体验，使车主更易接受本发明提出的推荐方案，本发明可有效缓解交通热点区域周边交通通行压力。

Description

基于前馈LSTM模型的停车场库推荐方法
技术领域
本发明涉及一种交通热点区域周边停车场库推荐方法，更具体地，涉及一种基于前馈LSTM模型的停车场库推荐方法。
背景技术
随着城市化的深入，城市的人口和交通已经远远超过城市土地和基础设施所能承受的规模。加快建设城市交通基础设施(道路交通系统、地铁轨道交通系统、车站及停车场系统等)，注重提高已有交通设施和设备的运用效率等传统措施受到土地资源、资金以及体制等因素的限制，已经进入边际效益递减的发展阶段，短时间内无法大幅度提高城市的交通容量。尤其在医院等重点交通热点区域，难免形成“经络不通”的城市交通“痛点”。如何在现有基础设施下，利用更多科技手段，动用更多基层系统去解决这些“痛点”成为现在大中型城市交通和民生改善极为重要的课题之一。
对类似于医院周边等城市交通的“栓点”，对其进行综合治理是和城市居民生活息息相关的重要民生话题。这些地方的停车位与局部的停车需求严重不匹配，导致在一些时间段内大量车辆滞留再区域内，形成排队现象，对相应路段的通行效率产生了极大的影响。通常这些区域路况复杂，周边停车场停车能力有限，且很多车场位于写字楼、办公楼等，每日泊位分布是同峰的，由车辆自行寻找车场难度很大。因此对这样的区域来说，进行引流疏导是优选方案。
目前在对车辆进行引流疏导现行通用的做法是通过导示牌等将周边车场的拥堵指数、停车指数、泊位指数等推送给车主，车主根据这些信息自主选择车场进行泊车。在这样的方法中，需要车主对各个指数的含义以及周边地理较为熟悉才能起到较好的引流效果，但实际上很多车主并不清楚这些指数所代表的具体含义，以及对其而言到底哪个车场才是最合适的。同时，在这样的操作中，并没有考虑到引流对区域通行产生的影响，以及车辆接受引流后到达引流车场的效率。
发明内容
本发明要克服现有技术上的上述缺点，提供一种停车场库的推荐方法，既保证车主能快速找到合适的停车场进行泊车，又提高了车辆接受引流后到达引流车场的效率。
本发明的所采取的技术方案为：
步骤一：根据采集到的停车场周边道路的历史信息计算停车场通行指数ICk。
步骤二：根据采集到的车辆到达热点区域后再在停车场停放的历史信息计算停车场停车便捷指数IAk。
步骤三：根据历史数据分别计算停车场k的便捷指数和通行指数得到样本集：
Figure BDA0002996923530000021
其中，IAkj为第j个单位时间时由步骤一计算得到的停车场k的便捷指数，ICkj为第j个所述时间时由步骤二计算得到的停车场k的通行指数，Wj为第j个单位时间时对应的天气数据集合。
步骤四：构造输入集Input和输出集Output。
输入集：
Figure BDA0002996923530000022
对应的输出集：
Figure BDA0002996923530000023
步骤五：将所述输入集及对应的输出集划分为训练集和测试集，其中，训练集包括前m个输入集及其对应的输出集。所述测试集包括第m+1到第M个输入集及其对应的输出集。对所述训练集和样本集分别进行归一化处理。
步骤六：将归一化后的训练集输入LSTM神经网络模型进行训练，并判断训练误差是否小于预定误差阈值或训练次数是否达到预定次数阈值。如果达到所述阈值，则训练结束。
步骤七：将测试集输入所述LSTM神经网络模型中，得到预测结果集。将预测结果集进行反归一化处理，得到停车场k便捷指数的预测值
Figure BDA0002996923530000031
和通行指数的预测值
Figure BDA0002996923530000032
步骤八：计算停车场k空余车位被车主找到的概率
Figure BDA0002996923530000033
其中rk为剩余车位数量，Tk为停车场k的车位总数。由该概率计算停车场k内停车花费时间的期望
Figure BDA0002996923530000034
步骤九：根据tek、
Figure BDA0002996923530000035
和
Figure BDA0002996923530000036
计算车场推荐得分。根据推荐得分从低到高排序，将排序前5的车场一次进行推荐。
本发明的有益效果：本发明综合考虑前往交通热点区域车辆至停车场的时间花费、停车场内寻找车位的时间花费以及驶离停车场的时间花费，提出了一种有效的交通热点区域周边停车场库推荐方法。首先，交通热点区域，尤其就医停车具有时间要求紧迫、对停车价格敏感度低等特点，本发明从停车时间角度考虑推荐，这与车主的感受一致，起到了较好的推荐效果，同时也避免了无效推荐。第二，本发明在对车场的便捷指数和通行指数预测时使用了天气数据，可以有效的提高预测的精度。该预测精度的提高有助于提升车主的停车体验，使车主更易接受本发明提出的推荐方案，进一步缓解了交通热点区域周边交通通行压力。根据本发明在某医院的使用后的调查显示，医院周边居民及就医患者的平均满意度从发明未使用时的38.4％提升至使用后的87.33％。
附图说明
图1是本发明方法的流程图。
具体实施方式
现将参照附图来详细描述本发明的各种示例性实施例。该示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
本发明用于交通热点区域周边引流，缓解交通热点区域通行压力，见图1，包括以下步骤：
步骤一：根据采集到的停车场周边道路的历史信息得到停车场通行指数。记录车辆i驶出停车场k进入附近道路的时间标签
Figure BDA0002996923530000041
以及离开区域内道路i的时间标签
Figure BDA0002996923530000042
由此可计算车辆i在停车场k附近道路的行驶时间
Figure BDA0002996923530000043
Figure BDA0002996923530000044
其中停车场也可以由停车库替换。
停车场k的通行指数ICk计算如下：
Figure BDA0002996923530000045
其中，ICk为区域的通行指数，
Figure BDA0002996923530000046
为车辆i在停车场k附近道路的行驶时间，mr为经过区域的车辆总和。
步骤二：根据采集到的车辆到达热点区域后再在停车场停放的历史信息计算停车场停车便捷指数。
车辆i在交通热点区域落客的时间标签为
Figure BDA0002996923530000047
该车辆进入引流车场k的时间标签
Figure BDA0002996923530000048
由此可计算车辆i落客后行驶至停车场k的行驶时间
Figure BDA0002996923530000049
停车场k的便捷指数IAk计算方法如下：
Figure BDA0002996923530000051
其中，IA为停车便捷指数
Figure BDA0002996923530000052
为车辆j落客后行驶至停车场k的行驶时间。Sk为热点区域至车场的距离，mp为到达热点区域落客并进入停车场的车辆总和，15为步行速度，
Figure BDA0002996923530000053
可以理解为说服车主将车辆停至较远处的代价。
步骤三：为了提高预测的准确性，本发明的LSTM神经网络中还包括当日的天气数据，具体包括当日天气状况，温度和湿度。根据历史数据计分别计算停车场k的便捷指数和通行指数得到样本集
Figure BDA0002996923530000054
其中，IAkj为第j个单位时间时由步骤一计算得到的停车场k的便捷指数，ICkj为第j个单位时间时由步骤二计算得到的停车场k的通行指数，Wj为第j个单位时间时对应的天气数据集合。
步骤四：构造输入集Input和输出集Output。
输入集：
Figure BDA0002996923530000055
对应的输出集：
Figure BDA0002996923530000056
步骤五：将所述输入集及对应的输出集划分为训练集和测试集，其中，训练集包括所述样本集中的前m个输入集及其对应的输出集。所述测试集包括所述样本集中的第m+1到第M个输入集及其对应的输出集。对所述训练集和样本集分别进行归一化处理。
步骤六：将归一化后训练集输入LSTM神经网络模型进行训练，并判断训练误差是否小于预定误差阈值或训练次数是否达到预定次数阈值。如果达到所述阈值，则训练结束。
步骤七：将测试集输入所述神经网络模型中，得到预测结果集。将结果集进行反归一化处理，得到停车场k便捷指数的预测值
Figure BDA0002996923530000061
和通行指数的预测值
Figure BDA0002996923530000062
步骤八：计算停车场k空余车位被车主找到的概率为
Figure BDA0002996923530000063
其中rk为剩余车位数量，Tk为停车场k的车位总数。车主在车场找到车位的时间为反S型曲线，即车场剩余车位为100％时，花费时间为0，随着车场剩余车位的减少，花费时间逐渐增加，当车场剩余车位为0％时，花费时间为∞，停车场k内停车花费时间的期望为
Figure BDA0002996923530000064
可利用高伯茨曲线形式进行计算，具体计算如下：
Figure BDA0002996923530000065
其中，a和b为高伯茨曲线的参数，可以通过车场的历史数据拟合得到。
步骤九：根据计算出的车场内停车花费时间的期望tek、预测出的便捷指数
Figure BDA0002996923530000066
和预测出的通行指数
Figure BDA0002996923530000067
计算车场推荐得分
Figure BDA0002996923530000068
之后，根据推荐的分从低到高排序，得分越低，推荐优先级越高，得分超过60则不推荐。将排序前5的车场一次进行推荐。
实施例：
本实施例提供了一种基于前馈LSTM模型的停车场库推荐方法，用于对某医院排队车辆进行引导，缓解医院周边区域的交通压力。在本实例中共有两家医院，这两家医院的道路距离为2公里，由于这两家医院内停车位与医院的停车需求严重不匹配，导致在医院工作时间段大量车辆滞留医院门口，形成排队现象。医院周边区域路况复杂，周边停车场停车能力有限，且很多车场位于写字楼，每日泊位分布与医院泊位分布是同峰的，由待入医院车辆自行寻找车场难度很大。因此对此区域来说，进行引流疏导是优选方案。在该实例中，引流车场有9个，具体情况如下：
表1停车场情况
Figure BDA0002996923530000071
首先，采集数据计算通行指数和便捷指数
记车辆i驶出停车场k进入附近道路的时间标签
Figure BDA0002996923530000072
以及离开区域内道路i的时间标签
Figure BDA0002996923530000073
由此可计算车辆i在停车场k附近道路的行驶时间
Figure BDA0002996923530000074
Figure BDA0002996923530000075
本实例中，通过匹配停车场出场车牌号与路口监控拍摄的车牌号来实现。
停车场k的通行指数ICk计算如下：
Figure BDA0002996923530000076
其中，ICk为区域的通行指数，
Figure BDA0002996923530000077
为车辆i在停车场k附近道路的行驶时间，mr为经过区域的车辆总和。
记就医车辆i在医院落客的时间标签为
Figure BDA0002996923530000078
该车辆进入引流车场k的时间标签
Figure BDA0002996923530000079
由此可计算车辆i落客后行驶至停车场k的行驶时间
Figure BDA00029969235300000710
Figure BDA00029969235300000711
在本实例中，通过匹配医院门口就医车辆的车牌号与停车场入场记录的车牌号，如果同一车牌号在两个地点的时间标签小于2小时，就认为该车辆是在医院落客后进入停车场。
停车场k的便捷指数IAk计算如下：
Figure BDA0002996923530000081
其中，IA为停车便捷指数
Figure BDA0002996923530000082
为车辆i落客后行驶至停车场k的行驶时间。Sk为医院至车场的距离，mp为到达目的地落客并进入停车场的车辆总和，15为步行速度，
Figure BDA0002996923530000083
可以理解为说服车主将车辆停至较远处的代价。
其次，带入LSTM模型进行训练
根据历史数据计算所述分别计算停车场k的便捷指数和通行指数得到样本集
Figure BDA0002996923530000084
其中，IAkj为第j个单位时间时计算得到的停车场k的便捷指数，ICkj为第j个单位时间时计算得到的停车场k的通行指数，Wj为第j个单位时间时对应的天气数据集合。构造输入集Input和输出集Output。输入集
Figure BDA0002996923530000085
Figure BDA0002996923530000086
对应的输出集为
Figure BDA0002996923530000087
单位时间为人为设定的时间段，例如可以为1小时或6小时或1日等。在本实例中，单位时间为1小时，天气数据可从当地气象部门获取。
将样本集划分为训练集和测试集，其中，训练集包括所述中的前m个输入集{Input(1),…,Input(m)}及其对应的输出集{Output(1),…,Output(m)}。所述测试集包括所述样本集中的第m+1到第M个输入集{Input(m+1),…,Input(M)}及其对应的输出集{Output(m+1),…,Output(M)}。
对所述训练集和样本集分别进行归一化处理。具体的，采用以下公式对训练集和测试集中的数据进行归一化处理：
Figure BDA0002996923530000091
其中xmax为样本集中的最大值，xmin为样本集中的最小值。
设定LSTM网络形式，本实例中输入层为5个结点(包括2个指数，天气状况，温度，湿度)，隐含层最终结果为3个，输出层节点个数为2(包括2个指数)，将归一化训练集的输入集输入LSTM神经网络模型的输入层，得到输入层输出结果。将输入层的结果输入隐含层，得到隐含层的结果，再将该结果输入输出层，得到输出层的结果。将输出层结果与输出集的值进行比较，计算输出层结果与输出集的绝对差值，判断训练误差是否小于预定误差阈值或训练次数是否达到预定次数阈值。如果未达到所述阈值，则将该差值反馈回隐含层，借助梯度下降法更新隐含层至输出层各节点的权值。之后计算隐含层输出值与更新权值后的输入层输入值的绝对插值，并将该差值反馈回输入层，借助梯度下降法更新输入层至隐含层各节点的权值。LSTM的连接层的激活函数为sigmod函数。否则训练结束。
将测试集输入所述神经网络模型中，检验模型的稳定性。如果测试集效果较好，则模型可以投入使用。否则，调整网络结构重新进行训练。
第三，计算停车场k便捷指数的预测值
Figure BDA0002996923530000092
和通行指数的预测值
Figure BDA0002996923530000093
在本实例中，利用滚动预测方法对未来一天的便捷指数和通行指数进行预测。具体而言，例如需要预测3月20日的便捷指数和通行指数，首先计算3月19日1：00-24：00的便捷指数和通行指数，之后这两个指数以及天气数据输入网络(天气数据采用气象部门对3月20日做出的预报)，得到3月20日1：00的结果，之后再将3月19日2：00-24：00、3月20日1：00的预报结果和天气数据输入网络，得到3月20日2：00的结果，以此类推，可以得到3月20日1：00-24：00的预报结果。
第四：计算停车场k空余车位被车主找到的概率为
Figure BDA0002996923530000101
其中rk为剩余车位数量，Tk为停车场k的车位总数。车主在车场找到车位的时间为反S型曲线，即车场剩余车位为100％时，花费时间为0，随着车场剩余车位的减少，花费时间逐渐增加，当车场剩余车位为0％时，花费时间为∞，停车场k内停车花费时间的期望为
Figure BDA0002996923530000102
可利用高伯茨曲线形式进行计算，具体计算如下：
Figure BDA0002996923530000103
其中，a和b为高伯茨曲线的参数，可以通过车场的历史数据拟合得到。在本实例中得到的拟合结果如下：
表2期望停车时间结果
车场名称 车位数 已用车位 空余车位 期望停车时间
停车场1 112 96 16 11.374
停车场2 132 110 22 11.0809
停车场3 82 67 15 10.8923
停车场4 281 15 266 2.28387
停车场5 82 14 68 4.28378
停车场6 469 200 269 7.17872
停车场7 277 15 262 2.30002
停车场8 226 50 176 4.95909
停车库9 158 67 91 7.15579
第五：根据计算出的车场内停车花费时间的期望tek、预测出的便捷指数
Figure BDA0002996923530000104
和预测出的通行指数
Figure BDA0002996923530000111
计算车场推荐得分
Figure BDA0002996923530000112
之后，根据推荐的分从低到高排序，得分越低，推荐优先级越高，得分超过60则不推荐。将排序前5的车场一次进行推荐。本实例推荐结果如下：
表3停车场推荐排序
序号 医院一推荐顺序 医院二推荐顺序
1 停车场7 停车场6
2 停车场2 停车场9
3 停车场6 停车场7
4 停车场5 停车场8
5 停车场3 停车场1
通过本实施例提供的基于前馈LSTM模型的停车场库推荐方法，可以在得到目标停车场的历史便捷指数和通行指数中第一个单位时间的历史便捷指数和通行指数后，推算出所有单位时间的历史便捷指数和通行指数，更加灵活的计算目标停车场的历史便捷指数和通行指数。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (4)

1.基于前馈LSTM模型的停车场库推荐方法，用于交通热点区域周边引流，缓解交通热点区域周边通行压力，包括以下步骤：
步骤一：根据采集到的停车场周边道路的历史信息计算停车场通行指数ICk；具体是：
记录车辆i驶出停车场k进入附近道路的时间标签
Figure FDA0003365848980000011
以及离开区域内道路i的时间标签
Figure FDA0003365848980000012
计算车辆i在停车场k附近道路的行驶时间
Figure FDA0003365848980000013
Figure FDA0003365848980000014
则停车场k的通行指数ICk计算如下：
Figure FDA0003365848980000015
其中mr为经过区域的车辆总和；
步骤二：根据采集到的车辆到达热点区域后再在停车场停放的历史信息计算停车场停车便捷指数IAk；具体是：
到达热点区域的车辆i在热点区域落客的时间标签为Ti dropoff，该车辆进入引流车场k的时间标签
Figure FDA0003365848980000016
计算车辆i落客后行驶至停车场k的行驶时间
Figure FDA0003365848980000017
则停车场k的便捷指数IAk计算如下：
Figure FDA0003365848980000018
其中Sk为热点区域至车场的距离，mp为到达热点区域落客并进入停车场的车辆总和；
步骤三：根据历史数据分别计算停车场k的便捷指数和通行指数得到样本集：
Figure FDA0003365848980000019
其中，IAkj为第j个单位时间时由步骤一计算得到的停车场k的便捷指数，ICkj为第j个所述时间时由步骤二计算得到的停车场k的通行指数，Wj为第j个单位时间时对应的天气数据集合；
步骤四：构造输入集Input和输出集Output；
输入集：
Figure FDA0003365848980000021
对应的输出集：
Figure FDA0003365848980000022
步骤五：将所述输入集及对应的输出集划分为训练集和测试集，其中，训练集包括前m个输入集及其对应的输出集；所述测试集包括第m+1到第M个输入集及其对应的输出集；对所述训练集和样本集分别进行归一化处理；
步骤六：将归一化后的训练集输入LSTM神经网络模型进行训练，并判断训练误差是否小于预定误差阈值或训练次数是否达到预定次数阈值；如果达到所述阈值，则训练结束；
步骤七：将测试集输入所述LSTM神经网络模型中，得到预测结果集；将预测结果集进行反归一化处理，得到停车场k便捷指数的预测值
Figure FDA0003365848980000023
和通行指数的预测值
Figure FDA0003365848980000024
步骤八：计算停车场k空余车位被车主找到的概率
Figure FDA0003365848980000025
其中γk为剩余车位数量，Tk为停车场k的车位总数；由该概率计算停车场k内停车花费时间的期望
Figure FDA0003365848980000026
步骤九：根据tek、
Figure FDA0003365848980000027
和
Figure FDA0003365848980000028
计算车场推荐得分；根据推荐得分从低到高排序，，将排序前5的车场一次进行推荐。
2.根据权利要求1所述的基于前馈LSTM模型的停车场库推荐方法，其特征在于：步骤八中的期望
Figure FDA0003365848980000029
利用高伯茨曲线形式进行计算，具体计算如下：
Figure FDA0003365848980000031
其中，a和b为高伯茨曲线的参数，通过车场的历史数据拟合得到。
3.根据权利要求1所述的基于前馈LSTM模型的停车场库推荐方法，其特征在于：步骤九中车场推荐得分
Figure FDA0003365848980000032
得分越低，推荐优先级越高，得分超过60则不推荐。
4.根据权利要求3所述的基于前馈LSTM模型的停车场库推荐方法，其特征在于：
Figure FDA0003365848980000033
和
Figure FDA0003365848980000034
由滚动预测法得到。
CN202110334679.8A 2021-03-29 2021-03-29 基于前馈lstm模型的停车场库推荐方法 Active CN113053125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110334679.8A CN113053125B (zh) 2021-03-29 2021-03-29 基于前馈lstm模型的停车场库推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110334679.8A CN113053125B (zh) 2021-03-29 2021-03-29 基于前馈lstm模型的停车场库推荐方法

Publications (2)

Publication Number Publication Date
CN113053125A CN113053125A (zh) 2021-06-29
CN113053125B true CN113053125B (zh) 2021-12-31

Family

ID=76516050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110334679.8A Active CN113053125B (zh) 2021-03-29 2021-03-29 基于前馈lstm模型的停车场库推荐方法

Country Status (1)

Country Link
CN (1) CN113053125B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284359B (zh) * 2021-07-22 2022-03-29 腾讯科技（深圳）有限公司 车位推荐方法、装置、设备及计算机可读存储介质
CN113538949B (zh) * 2021-09-16 2021-12-03 环球数科集团有限公司 城市景点停车分流数据处理方法、系统及存储装置
CN115019509B (zh) * 2022-06-22 2023-08-04 同济大学 基于两阶段注意力lstm的停车场空余车位预测方法及系统
CN115019551B (zh) * 2022-08-01 2022-11-15 阿里巴巴（中国）有限公司 场库的余位的校正方法、余位预测模型的训练方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5980753B2 (ja) * 2013-09-25 2016-08-31 株式会社駐車場綜合研究所 駐車場案内装置、駐車場案内方法、駐車場案内プログラム
CN107527520B (zh) * 2017-08-30 2021-01-15 重庆电子工程职业学院 基于大数据的智慧停车云平台
CN108961816B (zh) * 2018-07-19 2020-03-24 泰华智慧产业集团股份有限公司 基于优化lstm模型的道路停车泊位预测方法
GB2576312A (en) * 2018-08-13 2020-02-19 Continental Automotive Gmbh Method and system of recommending a place to park
CN110189537B (zh) * 2019-05-08 2022-03-04 深圳先进技术研究院 基于时空特征的停车诱导方法、装置、设备及存储介质
CN110555990B (zh) * 2019-08-29 2021-04-13 桂林电子科技大学 一种基于lstm神经网络的有效停车时空资源预测方法

Also Published As

Publication number Publication date
CN113053125A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113053125B (zh) 基于前馈lstm模型的停车场库推荐方法
CN112598182B (zh) 一种轨道交通智能调度方法及系统
CN110047279B (zh) 一种基于订单数据确定共享单车调度量的方法
CN107679654B (zh) 一种停车规模预估控制系统及实现方法
CN110288212B (zh) 基于改进的mopso的电动出租车新建充电站选址方法
CN111260221A (zh) 一种面向城市全局基于动态模型的交通设施承载力评估方法
CN103310287A (zh) 基于svm预测乘客出行概率的轨道交通客流预测方法
CN112036757B (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
CN103838868B (zh) 一种基于多公交线路运行数据融合的城市公交到站时间预测方法
Levashev et al. Modelling parking based trips
CN109460937B (zh) 评价轨道站点周边慢行交通系统接驳水平的流程与方法
CN108898822A (zh) 一种推荐共享单车借车点和还车点的方法
CN105469602A (zh) 一种基于ic卡数据的公交乘客候车时间范围的预测方法
CN112562377A (zh) 一种基于随机机会约束的客运车辆实时调度方法
CN109840272B (zh) 一种共享电动汽车站点用户需求预测方法
CN112309119A (zh) 一种城市交通系统容量分析优化方法
CN112363999A (zh) 一种公共交通的客流分析方法、装置、设备、存储介质
CN109409563B (zh) 一种公交运营车辆实时人数的分析方法、系统和存储介质
CN114549075A (zh) 一种基于停车和视频大数据的区域停车评价方法
CN116415756B (zh) 一种基于vr技术的城市虚拟场景体验管理系统
CN109447352B (zh) 一种公交出行od矩阵反推的组合方法
CN116090785B (zh) 针对大型活动散场场景两阶段的定制公交规划方法
CN105046958A (zh) 一种高速公路交通信息采集点非等距优化布局方法
Najafi Moghaddam Gilani et al. Investigation of bus special lane performance using statistical analysis and optimization of the signalized intersection delay by machine learning methods
Park The prioritized design elements for urban regeneration in the era of autonomous vehicles

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