CN113227842A - 提供用于求取停车位可用性状态的评估数据的方法、求取停车位可用性状态的方法和设备 - Google Patents
提供用于求取停车位可用性状态的评估数据的方法、求取停车位可用性状态的方法和设备 Download PDFInfo
- Publication number
- CN113227842A CN113227842A CN201980085234.1A CN201980085234A CN113227842A CN 113227842 A CN113227842 A CN 113227842A CN 201980085234 A CN201980085234 A CN 201980085234A CN 113227842 A CN113227842 A CN 113227842A
- Authority
- CN
- China
- Prior art keywords
- parking space
- wavelet coefficient
- wavelet
- parking
- coefficient distribution
- 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 48
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 2
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
- G01V3/087—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices the earth magnetic field being modified by the objects or geological structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/15—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat
- G01V3/17—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat operating with electromagnetic waves
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- 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
- G08G1/142—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces external to the vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Electromagnetism (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geochemistry & Mineralogy (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于提供用于求取停车位的可用性状态的评估数据的方法，所述方法具有以下步骤：基于参考数据(R)，针对所述停车位的地磁信号的每个测量过程创建二维图，其中，在每个二维图中，相应于所述参考数据(R)，将与所述停车位的占用状态相对应的地磁信号的x值和y值在x‑y坐标系中进行连接；基于Hammond的谱图小波理论，由所述二维图计算小波变换，其中，针对每个图求取第一小波系数分布；由所述小波系数分布和所述二维图的元素训练神经网络，其中，针对所述停车位的占用状态求取具有定义维度的权重矩阵。
Description
技术领域
本发明涉及一种用于提供用于求取停车位的可用性状态的评估数据的方法。本发明还涉及一种用于求取停车位的可用性状态的方法。本发明还涉及一种用于求取停车位的可用性状态的设备。本发明还涉及一种基于神经网络的磁停车传感器。本发明还涉及一种计算机程序产品。
背景技术
在车辆交通方面，停车是一个大问题，对交通拥堵和城市景观具有显著影响。停车空间的减少越来越多地导致全自动化的和机械的停车系统的发展，其中，然而，这些系统也由于其建造成本和维护成本而受到限制。
APLM(英语：automated parking lots management，自动停车场管理)环境中的磁信号强度分析是强非线性问题，并且能够通过自适应结构基于参考测量来进行近似。
在文献中，所谓的“小波神经网络”(wavelet neural network，WNN)表示一种新的网络，其以巨大的成功用于大量不同的应用中，如例如从Alexandridis等人的《Waveletneural networks Apractical guide》(Neural Networks，卷42，1-27页，2013年)中已知的那样。
用于WNN的应用的一个普遍承认的原则是，使用(分形)小波函数作为神经网络的隐藏层中的激活函数。在此，使用S形(sigmoidal)函数作为输出层中的激活函数，其中，在WNN中，S形函数由分形母小波取代。
已知分形小波函数的进一步发展，其以来自《Wavelets on graphs via spectralgraph theory》(Applied and Computational Harmonic Analysis，卷30，第2期，2011年，129-150页)的、Hammond等人(2011年)的谱图小波理论的形式。谱图小波理论聚焦于辨识具有拓扑相似的网络相邻点的节点，然而，这些节点处于网络的潜在地间隔开的区域中。
发明内容
本发明的任务是，提供一种成本有利的、高效的磁停车传感器。
根据第一方面，该任务借助一种用于提供用于求取停车位的可用性状态的评估数据的方法来解决，该方法具有以下步骤：
-基于参考数据，针对停车位的地磁信号的每个测量过程创建二维图，其中，在每个二维图中，相应于参考数据，将与停车位的占用状态相相对应的地磁信号的x值和y值在x-y坐标系中进行连接；
-基于Hammond的谱图小波理论，由二维图计算小波变换，其中，针对每个图求取第一小波系数分布；
-由小波系数分布和二维图的元素训练神经网络，其中，针对停车位的占用状态求取具有定义维度的权重矩阵。
以这种方式，提供所谓的离线分析阶段，其结果是提供神经网络的权重矩阵，以便随后在停车传感器的微型计算机中使用；
根据第二方面，该任务借助一种用于求取停车位的可用性状态的方法来解决，该方法具有以下步骤：
-周期性地检测定义数量的地磁测量值，其中，地磁测量值的数量相应于在分析阶段中所求取的小波系数分布向量的维度；
-根据离线分析阶段，根据停车位的占用状态或未占用状态，定义小波系数向量；
-借助权重矩阵的至少一个定义区段，通过所检测的地磁测量值的乘法，激活所检测的地磁测量值的向量，其中，创建小波系数分布；
-将小波系数分布与离线分析阶段的小波系数分布进行比较；和
-基于该比较，求取停车位的可用性状态。
以这种方式，提供一种用于在嵌入区域中使用的简单方法，该方法以非常成本有利的方式在短时间内执行，并且实现停车位的可用性状态的高效求取。有利地，这能够以非常节能的方式实现，其中，由此长时间地避免嵌入式系统中的电池更换，并且由此支持停车传感器在现场中的长的运行持续时间。有利地，该方法能够在计算能力低的微控制器上实施。
根据第三方面，该任务借助一种基于神经网络的磁停车传感器来解决，该磁停车传感器具有：
-用于在停车位的区域中对地磁测量值进行周期性的三维检测的检测装置；
-与检测装置功能性地连接的先进先出存储装置，地磁测量值能够加载到该先进先出存储装置中；和
-与先进先出存储装置功能性地连接的求取装置，该求取装置设置用于：
-基于Hammond的谱图小波理论，根据停车位的占用状态或未占用状态，定义小波系数向量；
-借助权重矩阵的至少一个定义区段，激活所检测的地磁测量值的向量，其中，创建小波系数分布；
-将该小波系数分布与离线分析阶段的小波系数分布进行比较；和
-基于该比较，求取停车位的可用性状态。
该方法的优选扩展方案是从属权利要求的主题。
该用于提供用于求取停车位的可用性状态的评估数据的方法的一种有利扩展方案的特征在于，已经根据非磁测量原理检测参考数据，其中，已经借助以下方式中的至少一个检测参考数据：雷达、光学传感器、手动输入。由此有利地实现参考数据的多个求取可能性。
该用于提供用于求取停车位的可用性状态的评估数据的方法的另一有利扩展方案的特征在于，由每个二维图求取拉普拉斯矩阵，其中，求取拉普拉斯矩阵的特征值以及特征值的分形维数。有利地，由此将Hammond的理论附加地与拉普拉斯矩阵的特征值的分形维数的确定一起应用。
该用于提供用于求取停车位的可用性状态的评估数据的方法的另一有利扩展方案的特征在于，小波系数分布优选地包括至少512个元素。有利地，由此提供随后也在微控制器中的嵌入区域中使用的数据格式。以这种方式有利地提供数据格式的兼容性。
该用于求取停车位的可用性状态的方法的一种有利扩展方案设置，检测512个地磁测量值。以这种方式，使用在APLM环境中常见的数据格式。替代地，也可以检测1024个或者更多的测量值。通过二次幂，能够通过编程技术以简单的方式通过改变指数来改变先进先出存储装置的容量。有利地，由此支持能够根据指数设定探测率。有利地，这种方式使得能够确定磁停车传感器的探测精度的大小。
该用于求取停车位的可用性状态的方法的另一有利扩展方案的特征在于，根据占用状态或未占用状态的定义的小波系数分布和权重矩阵的定义区段优选地包括十个元素。由此有利地支持，以减少的分析开销和计算开销来高效地使用所提出的方法。
附图说明
以下基于多个附图借助其他特征和优点详细描述本发明。相同的或功能相同的元素具有相同的附图标记。
所公开的方法特征类似地由相应的、所公开的设备特征得出，反之亦然。这尤其意味着，关于基于神经网络的磁停车传感器的特征、技术优点和实施方案以类似的方式由关于用于求取停车位的可用性状态的方法的相应实施方案、特征和优点得出，反之亦然。
在附图中示出：
图1示出用于由参考数据库生成二维图的原理性图示；
图2示出图1的局部视图以及所提出的方法的作用方式的原理性图示；
图3示出所提出的方法的数学运算的图示；
图4示出所提出的用于提供用于求取停车位的可用性状态的评估数据的方法的一种实施方式的原理性图示；
图5示出所提出的用于求取停车位的可用性状态的方法的一种实施方式的原理性图示；
图6示出所提出的基于神经网络的磁停车传感器的原理性方框图。
具体实施方式
在APLM环境中，力求尽可能可靠地求取停车位的空闲状态和占用状态。力求对停车位的可用性状态进行所谓的“全局”识别，在该识别中，在电源复位之后可以立即识别出停车位是“空闲的”还是“占用的”。
本发明的核心思想尤其在于，提出一种成本有利的磁停车传感器，该磁停车传感器基于磁信号分析，并且该磁停车传感器实现对停车位的可用性状态的所谓的全局识别。
所提出的、基于谱图小波神经网络的停车传感器允许在地磁APLM环境中以可靠、高度准确且成本有利的方式以上面所提及的全局方式和方法(无需了解占用历史)求取停车位可用性状态(空闲的或占用的)。
在此设置，使用地磁测量值序列作为图，并且使用谱图算法和用于该谱的神经网络，以用于基于结构辨识来探测停车位的可用性状态。
在图1中示出地磁APLM测量的二维图示，其中，地磁信号M的x方向和y方向是所使用的地磁传感器的最重要的方向。在图1的上部区段中，可以看到时间上的测量连同如下分配：根据参考数据R对测量进行分配，即占用状态B和未占用状态(空闲状态)NB。在此，在上部区段中仅示出地磁信号M的x分量。同样需要的、地磁信号M的y分量的时间上的变化过程未在图1的上部区段中示出。
在图1的下部区段中示出的是，相应于参考数据R将占用状态B和未占用状态NB在二维图中进行合并或连接。
优选地，已经基于雷达或光传感器测量求取参考数据R，替代地，为此也可以考虑通过观察人员进行手动检测。
本发明的一个核心构思在于，充分利用以下事实：如果谱图小波系数分布相同，则图a和图b的二维图的图节点具有相同的停车类别(占用的和未占用的)，如在先前执行的数据密集且开销大的离线分析阶段中的那样。
图2在下部区段中示出图1的二维图的局部视图。尽管节点a和b在二维图中是彼此间隔开的，但是在离线分析阶段期间已经将节点a和b作为占用状态来参考。虽然节点a、b的原始谱图小波系数可能非常不同，但是将其作为小波系数分布(在图2中在节点a的左侧以及在节点b的右侧示出)进行处理，其中，针对本发明充分利用以下事实：相同停车状态(Parkstati)的小波系数分布是相同的。可以看到二维图的两个节点a、b的小波系数分布。
地磁测量值的测量序列表示具有N个节点V＝{a1,…,aN}、连接E、起点终点矩阵A(英语：Origin Destination Matrix)和邻域矩阵Dii＝PjAij(定义图的各个节点具有多少相邻点)的无向图G＝(V,E)，其中，通过母小波学习执行神经网络优化。
针对二维图的每个节点(地磁测量值)ai，在结构任务的连续多维空间中执行节点的结构辨识。提出Hammond的谱图小波理论的使用以用于在APLM环境中使用。
图3示出所提出的数学方法的基本结构。U表示非归一化拉普拉斯矩阵L＝D-A的特征向量分解，其中，在图3中示出八元素拉普拉斯矩阵L的示例性构造。
基于Hammond等人的方法，以如下方式求取拉普拉斯矩阵L：
L＝UΛUT
其中，Λ＝Diag(λ1,…,λN)表示拉普拉斯矩阵L的特征值λ1,…,λN的对角元素。
作为本身已知的Hammond方法的附加，根据本发明，求取拉普拉斯矩阵L的特征值λ1,…,λN的所谓的“分形维数”d。因此设置，使用gd作为具有分形维数参数d的滤波核(Filterkernel)，其中，d分形维数以数字的形式表示特征值λ1,…,λN的多样性或非均匀性或差异性。
分形核能够通过以下数学关系来表示：
gd＝e-λd
图信号处理将与所提及的分形滤波核有关的谱图小波系数定义为如下信号：该信号由Dirac信号在谱域中的调制产生，该Dirac信号以围绕节点a的图为中心。
谱图小波系数Ψa通过以下N维向量进行表示：
Ψa＝U Diag(gd(λ1),…,gd(λN))UTδa
其中：
δa＝1(a)：磁图节点a的分形维数向量，
U：非归一化拉普拉斯矩阵L的特征向量分解。
列向量的第m个小波系数可以以如下方式表示：
Ψma＝ΠNgd(λl)UmlUal
l＝1
其中：
ai：第i个连接
λi：L的第i个特征值
Λ：Diag(λ1,…,λN)是拉普拉斯矩阵L的特征值λ1,…,λN的对角元素(Diag)
gd：具有分形维数参数d的滤波核
d：拉普拉斯矩阵L的特征值λ1,…,λN的分形维数
Ψa：小波系数的N维向量
Ψa：U Diag(gd(λ1),…，gd(λN))UTδa
δa：1(a)，磁图节点a的分形维数向量
Ψma：ΠNgd(λl)UmlUal，第m个小波系数，l＝1
在谱图小波中，分形核gd如此调制特征谱，使得所产生的信号通常定位在图域和谱域中。
谱图小波基于信号的瞬时频率与拉普拉斯特征值之间的相应性(Analogie)。具有较小特征值的特征向量包含缓慢变化的信号，激励相邻节点共享相似的值。与此相反，具有较大特征值的特征向量包含快速变换的信号变化。因此，低通滤波核gd可以视为调制算子，该调制算子将较高的特征值降低并且支持图的信号变化中的平滑性。
图3示出拉普拉斯矩阵L的求取：
在上部区段中示出图2的图的一个区段，其中，v1、v2表示图元素(图节点)。
D：邻域矩阵ΠAi,j(定义各个元素具有多少相邻点)
A：起点终点矩阵(英语：Origin Destination Matrix)Ai,j，如果第i行第j列是1，则在i、j之间存在连接)
L：拉普拉斯矩阵
在这种情况下，最重要的矩阵是拉普拉斯矩阵L，该拉普拉斯矩阵由减法D-A得出，并且然后进行检验。结合本发明，拉普拉斯矩阵具有512×512个元素的维度，其中，对该矩阵的512个特征值进行检验。
图4示出用于提供用于求取停车位的可用性状态的评估数据的方法的一种实施方式的原理性流程图。
在步骤100中，基于参考数据R，针对停车位的地磁信号的每个测量过程创建二维图，其中，在每个二维图中，相应于参考数据，将与停车位的占用状态相对应的地磁信号的x值和y值在x-y坐标系中连接。
在步骤110中，基于Hammond的谱图小波理论，由二维图计算小波变换，其中，针对每个图求取第一小波系数分布。
在步骤120中，由小波系数分布和二维图的元素来训练神经网络，其中，针对停车位的占用状态求取具有定义维度的权重矩阵。
图5示出用于求取停车位的可用性状态的方法的原理性流程图，该方法在具有有限计算能力的微控制器上的嵌入区域中实施。
在步骤200中，周期性地检测定义数量的地磁测量值，其中，所检测的地磁测量值的数量相应于在分析阶段中所求取的小波系数分布向量的维度。
在步骤210中，根据离线分析阶段，根据停车位的占用状态或未占用状态，定义小波系数向量。
在步骤220中，借助权重矩阵的至少一个定义区段，通过所检测的地磁测量值的乘法，激活所检测的地磁测量值的向量，其中，创建小波系数分布。
在步骤230中，将小波系数分布与离线分析阶段的小波系数分布进行比较。
在步骤240中，基于该比较求取停车位的可用性状态。
在此，正好当比较的结果相应于根据离线分析阶段的占用状态的小波系数分布时，识别出停车位的占用状态。正好当比较的结果相应于根据离线分析阶段的未占用状态的小波系数分布时，识别出停车位的未占用状态。
优选地，可以设置，将在离线分析阶段中所求取的权重矩阵和所检测的地磁测量值在嵌入区域中以少于512个元素(例如以十个元素)的方式使用，由此支持停车位的可用性状态的甚至更快的检测。
图6示出所提出的基于神经网络的磁停车传感器300的原理性方框图。
可以看到检测装置310，借助该检测装置检测地磁测量值的x、y和z分量，并且将这些分量提供给先进先出存储装置320(例如环形缓冲器，英语：ring buffer)，该先进先出存储装置以二次幂的大小构造并且包括至少512个元素。通过二次幂，能够通过改变指数通过编程技术以简单的方式改变先进先出存储装置320的容量。先进先出存储装置320的该值越大，所提出的用于识别停车位的可用性状态的方法就越可靠地正常工作。
先进先出存储装置320的大小还取决于用于所提出的磁停车传感器的硬件的计算能力，该硬件由系统决定地通常仅具有低的电池资源和计算资源，并且设置用于在长的持续时间上在现场中使用。所提出的磁停车传感器的计算单元优选地构造为本身已知的微控制器或微处理器，其以汇编代码编程。
先进先出存储装置320功能性地与求取装置330连接，该求取装置以上述方式求取停车位的可用性状态。
有利地，所提出的方法可以在计算能力低的微控制器中的嵌入区域中实现，其中，这类微控制器有利地消耗少量电能。这有利地实现，所提出的基于神经网络的停车传感器300能够在现场中长时间地运行，而无需电池更换。以这种方式有利地支持物联网(英语：internet of things)的成本有利的实现。
在一种有利的构造中可以设置，多个基于神经网络的停车传感器300形成一个系统，该系统能够将用户引航到空闲的停车位。
该方法构造为计算机程序产品，该计算机程序产品具有用于在基于状态机的磁停车传感器100上实施该方法的程序代码单元，优选地呈以汇编、C、C++等编码的软件程序的形式。
尽管上面已经基于具体的实施例对本发明进行描述，但是本领域技术人员可以在不偏离本发明的核心的情况下实现上面还未公开的或仅部分公开的实施方式。
Claims (11)
1.一种用于提供用于求取停车位的可用性状态的评估数据的方法，所述方法具有以下步骤：
基于参考数据(R)，针对所述停车位的地磁信号的每个测量过程创建二维图，其中，在每个二维图中，相应于所述参考数据(R)，将与所述停车位的占用状态相对应的地磁信号的x值和y值在x-y坐标系中进行连接；
基于Hammond的谱图小波理论，由所述二维图计算小波变换，其中，针对每个图求取第一小波系数分布；
由所述小波系数分布和所述二维图的元素训练神经网络，其中，针对所述停车位的占用状态求取具有定义维度的权重矩阵。
2.根据权利要求1所述的方法，其中，已经根据非磁测量原理检测所述参考数据(R)，其中，已经借助以下方式中的至少一个检测所述参考数据(R)：雷达、光学传感器、手动输入。
3.根据权利要求1或2所述的方法，其中，由每个二维图求取拉普拉斯矩阵，其中，求取所述拉普拉斯矩阵的特征值以及所述特征值的分形维数。
4.根据以上权利要求中任一项所述的方法，其中，所述小波系数分布优选地包括至少512个元素。
5.一种用于求取停车位的可用性状态的方法，所述方法具有以下步骤：
周期性地检测定义数量的地磁测量值，其中，所检测的地磁测量值的所述数量相应于在分析阶段中所求取的小波系数分布向量的维度；
根据离线分析阶段，根据所述停车位的占用状态或未占用状态，定义小波系数向量；
借助所述权重矩阵的至少一个定义区段，通过所检测的地磁测量值的乘法，激活所检测的地磁测量值的向量，其中，创建小波系数分布；
将所述小波系数分布与所述离线分析阶段的小波系数分布进行比较；和
基于所述比较，求取所述停车位的可用性状态。
6.根据权利要求5所述的方法，其中，检测512个地磁测量值。
7.根据权利要求5或6所述的方法，其中，根据占用状态或未占用状态的定义的小波系数分布以及所述权重矩阵的定义区段优选地包括十个元素。
8.一种基于神经网络的磁停车传感器(300)，所述停车传感器具有：
用于在停车位的区域中对地磁测量值(M)进行周期性的三维检测的检测装置(310)；
与所述检测装置(310)功能性地连接的先进先出存储装置(320)，所述地磁测量值(M)能够加载到所述先进先出存储装置中；和
与所述先进先出存储装置(320)功能性地连接的求取装置(330)，所述求取装置设置用于：
基于Hammond的谱图小波理论，根据所述停车位的占用状态或未占用状态，定义小波系数向量；
借助所述权重矩阵的至少一个定义区段，激活所检测的地磁测量值的向量；
将所述小波系数分布与所述离线分析阶段的小波系数分布进行比较；和
基于所述比较，求取所述停车位的可用性状态。
9.根据权利要求8所述的基于神经网络的磁停车传感器(300)，其特征在于，所述先进先出存储装置(320)针对二次幂个所述地磁测量值(M)进行构造，优选地针对多于512个测量值进行构造。
10.一种系统，所述系统具有定义数量的彼此联网的磁停车传感器，所述磁停车传感器是根据权利要求8或9所述的基于神经网络的磁停车传感器。
11.一种计算机程序产品，所述计算机程序产品具有程序代码单元，当所述程序代码单元在基于神经网络的磁停车传感器(300)和分析处理装置上运行或存储在计算机可读的数据载体上时，所述程序代码单元用于实施根据权利要求5至7中任一项所述的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102018222489.7A DE102018222489A1 (de) | 2018-12-20 | 2018-12-20 | Verfahren zum Bereitstellen von Bewertungsdaten zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes sowie Verfahren und Vorrichtung zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes |
| DE102018222489.7 | 2018-12-20 | ||
| PCT/EP2019/083238 WO2020126423A2 (de) | 2018-12-20 | 2019-12-02 | Verfahren zum bereitstellen von bewertungsdaten zum ermitteln eines verfügbarkeitszustands eines parkplatzes sowie verfahren und vorrichtung zum ermitteln eines verfügbarkeitszustands eines parkplatzes |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113227842A true CN113227842A (zh) | 2021-08-06 |
Family
ID=68766761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980085234.1A Pending CN113227842A (zh) | 2018-12-20 | 2019-12-02 | 提供用于求取停车位可用性状态的评估数据的方法、求取停车位可用性状态的方法和设备 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN113227842A (zh) |
| DE (1) | DE102018222489A1 (zh) |
| WO (1) | WO2020126423A2 (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070050240A1 (en) * | 2005-08-30 | 2007-03-01 | Sensact Applications, Inc. | Wireless Parking Guidance System |
| CN102855773A (zh) * | 2012-09-13 | 2013-01-02 | 东南大学 | 一种停车场有效泊位占有率短时预测方法 |
| CN102867407A (zh) * | 2012-09-13 | 2013-01-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
| US20140225763A1 (en) * | 2011-09-27 | 2014-08-14 | Sensys Networks, Inc. | Position and/or Distance Measurement, Parking and/or Vehicle Detection, Apparatus, Networks, Operations and/or Systems |
| KR101586706B1 (ko) * | 2015-08-10 | 2016-02-03 | (주)버드나인 | 카스토퍼 지자기 무선센서를 이용한 주차 관리 방법 |
| CN106960580A (zh) * | 2017-05-02 | 2017-07-18 | 成都蓉易停科技有限公司 | 一种基于地磁传感器的车位检测方法 |
| DE102016211099A1 (de) * | 2016-06-22 | 2017-12-28 | Robert Bosch Gmbh | Konzept zum Ermitteln eines Belegungszustands eines Parkplatzes |
| CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
| CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
| CN108171969A (zh) * | 2016-12-07 | 2018-06-15 | 罗伯特·博世有限公司 | 用于在错误方面检查用于检测停车位的占用状态的传感器系统的方案以及设备 |
| DE102017200685A1 (de) * | 2017-01-17 | 2018-07-19 | Robert Bosch Gmbh | Bestimmen einer Verfügbarkeit eines Stellplatzes für ein Kraftfahrzeug |
-
2018
- 2018-12-20 DE DE102018222489.7A patent/DE102018222489A1/de not_active Withdrawn
-
2019
- 2019-12-02 WO PCT/EP2019/083238 patent/WO2020126423A2/de active Application Filing
- 2019-12-02 CN CN201980085234.1A patent/CN113227842A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070050240A1 (en) * | 2005-08-30 | 2007-03-01 | Sensact Applications, Inc. | Wireless Parking Guidance System |
| US20140225763A1 (en) * | 2011-09-27 | 2014-08-14 | Sensys Networks, Inc. | Position and/or Distance Measurement, Parking and/or Vehicle Detection, Apparatus, Networks, Operations and/or Systems |
| CN102855773A (zh) * | 2012-09-13 | 2013-01-02 | 东南大学 | 一种停车场有效泊位占有率短时预测方法 |
| CN102867407A (zh) * | 2012-09-13 | 2013-01-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
| KR101586706B1 (ko) * | 2015-08-10 | 2016-02-03 | (주)버드나인 | 카스토퍼 지자기 무선센서를 이용한 주차 관리 방법 |
| DE102016211099A1 (de) * | 2016-06-22 | 2017-12-28 | Robert Bosch Gmbh | Konzept zum Ermitteln eines Belegungszustands eines Parkplatzes |
| CN108171969A (zh) * | 2016-12-07 | 2018-06-15 | 罗伯特·博世有限公司 | 用于在错误方面检查用于检测停车位的占用状态的传感器系统的方案以及设备 |
| DE102017200685A1 (de) * | 2017-01-17 | 2018-07-19 | Robert Bosch Gmbh | Bestimmen einer Verfügbarkeit eines Stellplatzes für ein Kraftfahrzeug |
| CN106960580A (zh) * | 2017-05-02 | 2017-07-18 | 成都蓉易停科技有限公司 | 一种基于地磁传感器的车位检测方法 |
| CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
| CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| BLYTHE，PHIL等: "short-term forecasting of available parking space using wavelet neural network model", IET INTELLIGENT TRANSPORT SYSTEMS, vol. 09, no. 02, 31 December 2015 (2015-12-31), pages 202 - 209 * |
| HAMMOND等: "Wavelets on graphs via spectral graph theory", APPLIED AND COMPUTATIONAL HARMONIC ANALYSIS, vol. 30, no. 02, 31 December 2011 (2011-12-31), pages 129 - 150 * |
| J. WOLFF等: "Parking monitor system based on magnetic field senso", 2006 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE, 30 September 2006 (2006-09-30), pages 1275 - 1279, XP055671586, DOI: 10.1109/ITSC.2006.1707398 * |
| JUAN VERA-GÓMEZ等: "An Intelligent Parking Management System for Urban Areas", SENSORS, vol. 16, no. 06, 21 June 2016 (2016-06-21), pages 931 * |
| 季彦婕;陈晓实;王炜;胡波;: "基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测", 吉林大学学报(工学版), vol. 46, no. 02, 31 December 2016 (2016-12-31), pages 399 - 405 * |
| 李田田;杨有;余平;陈艳平;: "优化小波神经网络停车泊位多步预测", 重庆师范大学学报(自然科学版), vol. 35, no. 05, 30 September 2018 (2018-09-30), pages 107 - 114 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020126423A3 (de) | 2020-08-13 |
| WO2020126423A2 (de) | 2020-06-25 |
| DE102018222489A1 (de) | 2020-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107451619A (zh) | 一种基于感知生成对抗网络的小目标检测方法 | |
| US11113597B2 (en) | Artificial neural network and method of training an artificial neural network with epigenetic neurogenesis | |
| Huembeli et al. | Automated discovery of characteristic features of phase transitions in many-body localization | |
| CN109711410A (zh) | 一种三维物体快速分割和识别方法、装置及系统 | |
| CN113366509B (zh) | 运算装置 | |
| CN107582061B (zh) | 一种识别人体运动状态的方法及智能移动设备 | |
| CN110517494A (zh) | 基于集成学习的交通流预测模型、预测方法、系统、装置 | |
| CN112613617A (zh) | 基于回归模型的不确定性估计方法和装置 | |
| CN113703048B (zh) | 对抗神经网络高分辨率地震断层检测方法和系统 | |
| CN115393633A (zh) | 数据处理方法、电子设备、存储介质及程序产品 | |
| CN114861928A (zh) | 一种量子测量方法及装置和计算设备 | |
| CN115563020B (zh) | 危险测试场景的生成方法及系统、电子设备、存储介质 | |
| CN113227842A (zh) | 提供用于求取停车位可用性状态的评估数据的方法、求取停车位可用性状态的方法和设备 | |
| CN115691669B (zh) | 一种基于量子卷积神经网络的蛋白质结构分类系统 | |
| CN111435457A (zh) | 对传感器获取的采集进行分类的方法 | |
| O'Sullivan et al. | Explanation based learning for mobile robot perception | |
| CN104851090A (zh) | 图像变化检测方法及装置 | |
| CN115730730A (zh) | 一种产线作业的调度方法、系统和装置 | |
| Hochgeschwender et al. | Evaluating uncertainty estimation methods on 3D semantic segmentation of point clouds | |
| Yasaswi | AOA based masked region-CNN model for detection of parking space in IoT environment | |
| CN117994778B (zh) | 一种基于点云数据的冲压件自动计数和分类方法 | |
| Morelande et al. | Reduced sigma point filtering for partially linear models | |
| CN117523636B (zh) | 一种人脸检测方法、装置、电子设备及存储介质 | |
| CN116152669A (zh) | 一种基于注意力机制的土地变化类型检测方法及装置 | |
| EP4356153A1 (en) | Systems and methods for provisioning training data to enable neural networks to analyze signals in nmr measurements |
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 |