CN113240936A - 停车区域推荐方法、装置、电子设备和介质 - Google Patents
停车区域推荐方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113240936A CN113240936A CN202110518142.7A CN202110518142A CN113240936A CN 113240936 A CN113240936 A CN 113240936A CN 202110518142 A CN202110518142 A CN 202110518142A CN 113240936 A CN113240936 A CN 113240936A
- Authority
- CN
- China
- Prior art keywords
- parking
- candidate
- parking space
- area
- historical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G08G1/146—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is a limited parking space, e.g. parking garage, restricted space
Abstract
本公开公开了一种停车区域推荐方法、装置、电子设备和介质，涉及计算机技术领域，尤其涉及机器学习技术、云计算及云服务技术领域。具体实现方案为：确定目标停车场的车位占用数据；根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；其中，所述候选停车区域中包括至少两个停车位。本公开实现了提高停车区域推荐精准度的效果，改善了用户的停车体验。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及机器学习技术、云计算及云服务技术领域，特别涉及一种停车区域推荐方法、装置、电子设备和介质。
背景技术
随着我国汽车保有量的不断增加，导致停车位资源十分紧张，停车位的合理推荐变得越来越有意义。
目前的停车位推荐大多是基于各停车位与出入口及电梯口的距离，来向用户推荐最优停车位。
发明内容
本公开提供了一种用于提高停车区域推荐精准度的方法、装置、电子设备和介质。
根据本公开的一方面，提供了一种停车区域推荐方法，包括：
确定目标停车场的车位占用数据；
根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；其中，所述候选停车区域中包括至少两个停车位。
根据本公开的另一方面，提供了一种停车区域推荐装置，包括：
车位占用数据确定模块，用于确定目标停车场的车位占用数据；
目标停车区域选取模块，用于根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；其中，所述候选停车区域中包括至少两个停车位。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开中任一项所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例公开的一种停车区域推荐方法的流程图；
图2是根据本公开实施例公开的一种停车区域推荐方法的流程图；
图3是根据本公开实施例公开的一种停车区域推荐装置的结构示意图；
图4是用来实现本公开实施例公开的停车区域推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
申请人在研发过程中发现，现有的停车区域推荐大多是基于各停车位与出入口的距离，和/或用户下车后到电梯口或楼梯口的距离来向用户推荐最优停车位。但是这种方法仅考虑了用户主观关心的路径距离维度，考虑比较单一，从而导致无法准确的为用户推荐当前最优的停车区域，导致用户的停车体验较差。
申请人在研发过程中还发现，当一个用户去停车场停车的时候，用户一定是根据停车场各个车位被占用的情况，去分析判断选择停到哪个停车位的。例如说当进入停车场后，发现车位非常紧张，用户可能会在往前行驶的过程中，就近的选择一个停车位。又例如，当进入停车场后，发现车位非常充足，可能会选择离电梯口或出入口更近一些的车位。因此停车场的车位占用情况对用户选择在哪个停车区域进行停车，起到了重要作用。
图1是根据本公开实施例公开的一种停车区域推荐方法的流程图，本实施例可以适用于向用户推荐目标停车场的停车区域的情况。本实施例方法可以由本公开实施例公开的停车区域推荐装置来执行，所述装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。
如图1所示，本实施例公开的停车区域推荐方法可以包括：
S101、确定目标停车场的车位占用数据。
其中，目标停车场的类型包括但不限于露天停车场、地下停车场或者立体停车场等，目标停车场的层数可以是一层也可以多层，本实施例并不对目标停车场的类型和层数进行任何限定。车位占用数据体现了目标停车场中车位的被占用情况，车位占用数据可以用车位占用数量来表示，也可以用车位占用率来表示，还可以用车位占用数量和车位占用率两者共同来表示，本实施例并不对车位占用数据的数据类型做具体限定，凡是能够体现目标停车场中车位被占用情况的数据，都可以作为车位占用数据。
在一种实施方式中，用户在进入目标停车场之前，在智能终端安装的客户端中访问停车区域推荐界面，并在停车区域推荐界面中实施生成停车区域推荐指令的操作，其中，智能终端包括但不限于智能手机、智能平板、智能手表或笔记本电脑等任意安装有智能操作系统的电子设备；生成停车区域推荐指令的操作包括但不限于，用户在停车区域推荐界面中点击预设控件，例如“停车区域推荐”按钮控件，从而生成停车区域推荐指令。停车区域推荐服务器获取到客户端发送来的停车区域推荐指令，相应的获取目标停车场中各停车位的被占用情况，进而根据各停车位的被占用情况按预设规则进行统计分析，得到目标停车场的车位占用数据。其中，各停车位的被占用情况包括已被占用和未被占用两种情况。确定停车位是否被占用的方式包括但不限于以下至少一种：1)通过各停车位上安装的传感器检测停车位是否被占用，例如若通过光线传感器检测到光线被遮挡，则确定停车位已被占用；又例如通过压力传感器检测到压力增大，则确定停车位已被占用。2)通过摄像头拍摄的停车位图像确定停车位是否被占用，例如基于目标检测算法在停车位图像中检测到车辆，则确定停车位已被占用。
可选的，车位占用数据包括车位总占用率、各楼层的车位占用率、各候选停车区域的车位占用率和重点停车区域的车位占用率中的至少一种；其中，重点停车区域是根据各候选停车区域的标识信息确定的。
其中，车位总占用率表示目标停车场的停车位总占用率，通过停车位总占用数量与停车位总数量之间的比值表示，例如停车位总占用数量为500，停车位总数量为1000，则车位总占用率为500/1000×100％＝50％。
各楼层的车位占用率表示目标停车场各个楼层的停车位占用率，通过各楼层的停车位占用数量，与各楼层的停车位总数量之间的比值表示，例如目标停车场一楼的停车位占用数量为100，目标停车场一楼的停车位总数量为150，则目标停车场一楼的车位占用率为100/150×100％＝66％。
候选停车区域是预先由相关人员对目标停车场的各停车位进行区域划分得到的。各候选停车区域的车位占用率通过各候选停车区域的停车位占用数量，与各候选停车区域的停车位总数量之间的比值表示，例如候选停车区域A的停车位占用数量为10，候选停车区域A的停车位总数量为50，则候选停车区域A的车位占用率为10/50×100％＝20％。
重点停车区域是预先由相关人员设定的重要程度较高的候选停车区域，例如电梯口附近的候选停车区域、目标停车场入口附近的候选停车区域、目标停车场出口附近的候选停车区域、楼层入口附近的候选停车区域和楼层出口附近的候选停车区域等。不同候选停车区域对应不同的标识信息，而重点停车区域是根据候选停车区域的标识信息确定的。例如预先设定标识信息为“0001”、“0005”和“0010”的候选停车区域为重点停车区域，则遍历候选停车区域的标识信息，将标识信息为“0001”、“0005”和“0010”的候选停车区域作为重点停车区域，且将标识信息为“0001”、“0005”和“0010”的候选停车区域的车位占用率作为对应重点停车区域的车位占用率。
通过将车位总占用率、各楼层的车位占用率、各候选停车区域的车位占用率和重点停车区域的车位占用率中的至少一种，作为车位占用数据，扩充了车位占用数据的数据维度，间接提高了最终停车区域推荐的精准度。
可选的，车位占用数据包括车位总占用数量、各楼层的车位占用数量、所述各候选停车区域的车位占用数量和重点停车区域的车位占用数量中的至少一种。
其中，车位总占用数量表示目标停车场的停车位总占用数量。各楼层的车位占用数量表示目标停车场各个楼层的停车位占用数量。候选停车区域的车位占用数量即各候选停车区域中被占用的停车位数量。重点停车区域的车位占用数量，即相关人员设定的重要程度较高的候选停车区域中被占用的停车位数量。
通过确定目标停车场的车位占用数据，为后续根据车位占用数据选取目标停车区域奠定了数据基础。
S102、根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；其中，所述候选停车区域中包括至少两个停车位。
在一种实施方式中，将各候选停车区域的车位占用率进行排序，且按照车位占用率由低到高的顺序，从候选停车区域中选取目标停车区域。可选的，选取车位占用率最低的候选停车区域作为目标停车区域。在选取目标停车区域后，停车区域推荐服务器根据目标停车区域生成展示指令，并将展示指令发送给客户端，以使得客户端根据展示指令向用户展示目标停车区域。
在另一种实施方式中，基于停车区域推荐模型，根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域。
其中，停车区域推荐模型是基于用户的历史停车行为训练得到的，历史停车行为包括历史停车区域以及历史车位占用数据等。
具体的，根据海量用户的历史停车行为中的历史停车区域以及历史车位占用数据，采用机器学习的方法训练得到停车区域推荐模型。将用户当前停车时刻对应的当前车位占用数据输入到停车区域推荐模型中，则输出目标停车区域。
通过根据车位占用数据，从目标停车场的各候选停车区域中选取目标停车区域，实现了向用户推荐目标停车区域的技术效果。
本公开通过确定目标停车场的车位占用数据，并根据车位占用数据，从目标停车场的各候选停车区域中选取目标停车区域，由于车位占用数据对用户选择在哪个停车区域进行停车，起到了重要作用，因此本公开实现了提高停车区域推荐精准度的效果，改善了用户的停车体验。
在上述实施例的基础上，S102之后，还包括：
基于预先设定的车位推荐规则，从目标停车区域中未被占用的停车位中选择目标停车位。
可选的，车位推荐规则包括但不限于以下A、B、C和D四种：
A、若目标停车区域包括三个连续的未被占用的停车位，则将位于三个连续的未被占用的停车位中间的停车位作为目标停车位。
B、若目标停车区域包括两个连续的未被占用的停车位，则将两个连续的未被占用的停车位中的任一停车位作为目标停车位。
C、若目标停车区域不包括连续的未被占用的停车位，则将位于目标停车区域边缘的停车位，作为目标停车位。
D、若目标停车区域不包括连续的未被占用的停车位，则将任一未被占用的停车位作为目标停车位。
其中，A、B、C和D的优先级从高到低依次为A、B、C、D。
通过基于预先设定的车位推荐规则，从目标停车区域中未被占用的停车位中选择目标停车位，实现了为用户推荐停车位的效果，进一步满足了用户的停车需求，提高了用户的停车体验。
申请人在研发过程中发现，当基于停车区域推荐模型，根据车位占用数据，从目标停车场的各候选停车区域中选取目标停车区域时，若把每个停车位的占用情况作为特征字段来建立停车区域推荐模型，则会导致停车区域推荐模型非常复杂，难以拟合。
图2是根据本公开实施例公开的一种停车区域推荐方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。
S201、确定所述目标停车场中各停车位的历史占用时长以及位置信息。
其中，任一停车位的位置信息表示该停车位位于目标停车场的相对位置，可以用位置坐标来表示停车位的位置信息。任一停车位的历史占用时长表示该停车位在历史时间段中被占用的平均时长，其中历史时间段可以是时段，例如12点～13点，历史时间段还可以是天或者是周，本实施例并不对历史时间段进行限定。
S202、根据所述各停车位的历史占用时长以及位置信息，对所述各停车位进行区域划分，得到目标停车场的各候选停车区域。
在一种实施方式中，根据各停车位的历史占用时长以及位置信息，对各停车位进行聚类，并根据聚类结果对各停车位进行区域划分，得到目标停车场的各候选停车区域。
可选的，S202包括以下A1和B1两个步骤：
A1、根据所述各停车位的历史占用时长对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果。
在一种实施方式中，采用聚类算法对各停车位的历史占用时长进行聚类，得到各停车位的占用时长聚类结果，其中聚类算法包括但不限于K均值聚类算法、均值漂移聚类算法、基于密度的聚类算法或凝聚层次聚类算法等。
可选的，步骤A1包括A11、A12和A13三个步骤：
A11、确定所述各停车位在各时段中的历史平均占用时长。
示例性的，将每个停车位在任一天的占用时长分为24个时段进行统计，即分别统计0点～1点、1点～2点、2点～3点、3点～4点、4点～5点、5点～6点、6点～7点、7点～8点、8点～9点、9点～10点、10点～11点、11点～12点、12点～13点、13点～14点、14点～15点、15点～16点、16点～17点、17点～18点、18点～19点、19点～20点、20点～21点、21点～22点、22点～23点、23点～24点共24个时段的占用时长。进而计算在预设历史时间区间中，例如30天，每个时段的历史平均占用时长。
A12、根据所述各时段中的历史平均占用时长，构建所述各停车位的占用时长向量。
在一种实施方式中，采用预设的向量赋值规则，根据各时段中的历史平均占用时长，相应的进行向量赋值，构建各停车位的占用时长向量。
可选的，向量赋值规则可以是：把各时段的历史平均占用时长分为三种情况，一、短时间被占用，即历史平均占用时长为0-10分钟；二、较长时间被占用，即历史平均占用时长为10-40分钟；三、长时间被占用，即历史平均占用时长为40-60分钟。对于第一种情况向量赋值“0”，对于第二种情况向量赋值“1”，对于第三种情况向量赋值“2”，从而构建一个1*24维的占用时长向量。
示例性的，假设任一停车位在5点～6点的历史平均占用时长为24分钟，则将该时段向量赋值为“1”。
A13、根据所述各停车位的占用时长向量对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果。
在一种实施方式中，采用聚类算法对各停车位对应的1*24维的占用时长向量进行聚类，得到各停车位的占用时长聚类结果。其中，占用时长聚类结果的类别数量可根据需求进行设置，优选的为三类占用时长聚类结果。
通过确定各停车位在各时段中的历史平均占用时长，并根据各时段中的历史平均占用时长，构建各停车位的占用时长向量，进而根据各停车位的占用时长向量对各停车位进行聚类，得到各停车位的占用时长聚类结果，实现了基于历史平均占用时长对各停车位进行聚类，保证后续划分得到的各候选停车区域中各停车位都具有相似的历史平均占用时长，使得各候选停车区域各停车位在占用情况上是相似的。
B1、根据所述占用时长聚类结果以及所述各停车位的位置信息，对所述各停车位进行区域划分，得到各候选停车区域。
在一种实施方式中，将各停车位的占用时长聚类结果以及位置信息进行融合，并采用聚类算法对融合结果再次进行聚类，并根据聚类结果对各停车位进行区域划分，得到各候选停车区域。
可选的，步骤B1包括B11、B12和B13三个步骤：
B11、根据所述占用时长聚类结果以及所述各停车位的位置信息，构建所述各停车位的空间位置向量。
在一种实施方式中，根据占用时长聚类结果确定各停车位的占用时长类别，且将各停车位的占用时长类别与位置信息进行融合，构建各停车位的空间位置向量。
示例性的，假设一共有10个停车位：A01、A02、A03、A04、A05、A06、A07、A08、A09和A10。位置信息分别为(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)、(x5,y5)、(x6,y6)、(x7,y7)、(x8,y8)、(x9,y9)和(x10,y10)。占用时长聚类结果包括三类占用时长类别：1类、2类和3类，1类包括A01、A05和A08，2类包括A02、A03和A10，3类包括A04、A06、A07和A09。则各停车位的空间位置向量分别为：A01(1,x1,y1)、A02(2,x2,y2)、A03(2,x3,y3)、A04(3,x4,y4)、A05(1,x5,y5)、A06(3,x6,y6)、A07(3,x7,y7)、A08(1,x8,y8)、A09(3,x9,y9)和A10(2,x10,y10)。即各停车位对应一个1*3维的空间位置向量。
B12、根据所述各停车位的空间位置向量对所述各停车位进行聚类，得到所述各停车位的空间位置聚类结果。
在一种实施方式中，采用聚类算法对各停车位的1*3维的空间位置向量进行聚类，得到各停车位的空间位置聚类结果。
B13、根据所述各停车位的空间位置聚类结果，对所述各停车位进行区域划分，得到各所述候选停车区域。
在一种实施方式中，根据空间位置聚类结果，将同一类的停车位划分为同一个候选停车区域。例如空间位置聚类结果包括三类：1类、2类和3类，则属于将1类的停车位划分为一个候选停车区域，将属于2类的停车位划分为一个候选停车区域，将属于3类的停车位划分为一个候选停车区域。
通过根据占用时长聚类结果以及各停车位的位置信息，构建各停车位的空间位置向量，并根据各停车位的空间位置向量对各停车位进行聚类，得到各停车位的空间位置聚类结果，进而根据各停车位的空间位置聚类结果，对各停车位进行区域划分，得到各候选停车区域，实现了基于位置信息对各停车位进行聚类，保证得到的各候选停车区域中各停车位都具有相似的位置信息，使得各候选停车区域各停车位在空间位置上是相似的。
通过根据各停车位的历史占用时长对各停车位进行聚类，得到各停车位的占用时长聚类结果，并根据占用时长聚类结果以及各停车位的位置信息，对各停车位进行区域划分，得到各候选停车区域，实现了基于各停车位的历史占用时长和位置信息得到各候选停车区域，保证得到的各候选停车区域中各停车位都具有相似的历史占用时长和位置信息，使得各候选停车区域各停车位在占用情况和空间位置上都是相似的。
S203、确定目标停车场的车位占用数据。
S204、基于停车区域推荐模型，根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域。
可选的，停车区域推荐模型采用以下方式训练得到：
确定用户在任意历史时刻停车所在的历史停车区域，以及所述历史时刻对应的所述目标停车场的历史车位占用数据；根据所述历史车位占用数据和所述历史停车区域进行模型训练，得到所述停车区域推荐模型。
在一种实施方式中，将用户在任意历史时刻停车所在的历史停车区域作为训练标签，且将所述历史时刻对应的目标停车场的历史车位占用数据作为训练数据，进行模型训练得到停车区域推荐模型。
示例性的，假设用户A在B时刻将车停到了停车区域C，B时刻对应的车位占用数据为D，则将D作为训练数据，且将C作为D的训练标签进行模型训练，得到停车区域推荐模型。
通过确定用户在任意历史时刻停车所在的历史停车区域，以及历史时刻对应的目标停车场的历史车位占用数据；根据历史车位占用数据和历史停车区域进行模型训练，得到停车区域推荐模型，实现了通过机器学习的方式学习用户的停车行为，使得通过训练得到的停车区域推荐模型得到的目标停车区域，更加符合用户实际的停车需求。
可选的，停车区域推荐模型的类型包括但不限于Random Forest模型、XGBOOST模型、LightGBM模型或CatBoost模型等。
本公开通过确定目标停车场中各停车位的历史占用时长以及位置信息，并根据各停车位的历史占用时长以及位置信息，对各停车位进行区域划分，得到目标停车场的各候选停车区域，使得同一个候选停车区域的各停车位在占用情况和空间位置上都是相似的，因此仅需要将候选停车区域的占用情况作为特征字段来建立停车区域推荐模型，而无需把每个停车位的占用情况作为特征字段来建立停车区域推荐模型，从而大大降低了停车区域推荐模型的复杂度，保证模型能够正常进行拟合；通过基于停车区域推荐模型，根据车位占用数据，从目标停车场的各候选停车区域中选取目标停车区域，实现了基于推荐模型的方式快速向用户推荐目标停车区域的效果。
在上述实施例的基础上，还包括：
确定当前时刻对应的当前时间信息；其中，所述当前时间信息包括月、周、日和时段中的至少一种；根据所述当前时间信息和所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域。
其中，“月”即表示当前时刻的月份，例如一月份或二月份等；“周”即表示当前时刻为月份中的第几周；“日”即表示当前时刻为一周中的周几；“时段”即表示当前时刻为一天中的几点。
在一种实施方式中，基于停车区域推荐模型，根据当前时间信息和车位占用数据，从目标停车场的各候选停车区域中选取目标停车区域。
其中，停车区域推荐模型采用以下方式训练得到：确定用户在任意历史时刻停车所在的历史停车区域，以及所述历史时刻对应的所述目标停车场的历史车位占用数据，根据所述历史时刻的历史时间信息、所述历史车位占用数据和所述历史停车区域进行模型训练，得到所述停车区域推荐模型。停车区域推荐模型的训练过程与本实施例S204中的模型训练过程类似，在本处不再赘述。
通过确定当前时刻对应的当前时间信息；其中，当前时间信息包括月、周、日和时段中的至少一种；根据当前时间信息和车位占用数据，从目标停车场的各候选停车区域中选取目标停车区域，实现了基于当前时间信息和车位占用数据两个数据维度，共同确定目标停车区域，进一步提高了停车区域推荐的精准度，改善了用户的停车体验。
图3是根据本公开实施例公开的一种停车区域推荐装置的结构示意图，可以适用于向用户推荐目标停车场的停车区域的情况。本实施例装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。
如图3所示，本实施例公开的停车区域推荐装置30可以包括车位占用数据确定模块31和目标停车区域选取模块32，其中：
车位占用数据确定模块31，用于确定目标停车场的车位占用数据；
目标停车区域选取模块32，用于根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；其中，所述候选停车区域中包括至少两个停车位。
可选的，所述目标停车区域选取模块32，具体用于：
基于停车区域推荐模型，根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；
所述停车区域推荐模型采用以下方式训练得到：
确定用户在任意历史时刻停车所在的历史停车区域，以及所述历史时刻对应的所述目标停车场的历史车位占用数据；
根据所述历史车位占用数据和所述历史停车区域进行模型训练，得到所述停车区域推荐模型。
可选的，所述装置还包括候选停车区域确定模块，具体用于：
确定所述目标停车场中各停车位的历史占用时长以及位置信息；
根据所述各停车位的历史占用时长以及位置信息，对所述各停车位进行区域划分，得到各所述候选停车区域。
可选的，所述候选停车区域确定模块，具体还用于：
根据所述各停车位的历史占用时长对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果；
根据所述占用时长聚类结果以及所述各停车位的位置信息，对所述各停车位进行区域划分，得到各所述候选停车区域。
可选的，所述候选停车区域确定模块，具体还用于：
确定所述各停车位在各时段中的历史平均占用时长；
根据所述各时段中的历史平均占用时长，构建所述各停车位的占用时长向量；
根据所述各停车位的占用时长向量对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果。
可选的，所述候选停车区域确定模块，具体还用于：
根据所述占用时长聚类结果以及所述各停车位的位置信息，构建所述各停车位的空间位置向量；
根据所述各停车位的空间位置向量对所述各停车位进行聚类，得到所述各停车位的空间位置聚类结果；
根据所述各停车位的空间位置聚类结果，对所述各停车位进行区域划分，得到各所述候选停车区域。
可选的，所述车位占用数据包括车位总占用率、各楼层的车位占用率、所述各候选停车区域的车位占用率和重点停车区域的车位占用率中的至少一种；其中，所述重点停车区域是根据所述各候选停车区域的标识信息确定的。
可选的，还包括当前时间信息确定模块，具体用于：
确定当前时刻对应的当前时间信息；其中，所述当前时间信息包括月、周、日和时段中的至少一种；
根据所述当前时间信息和所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域。
本公开实施例所公开的停车区域推荐装置30可执行本公开实施例所公开的停车区域推荐方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
…
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如停车区域推荐方法。例如，在一些实施例中，停车区域推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的停车区域推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行停车区域推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种停车区域推荐方法，包括：
确定目标停车场的车位占用数据；
根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；其中，所述候选停车区域中包括至少两个停车位。
2.根据权利要求1所述的方法，其中，所述根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域，包括：
基于停车区域推荐模型，根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；
所述停车区域推荐模型采用以下方式训练得到：
确定用户在任意历史时刻停车所在的历史停车区域，以及所述历史时刻对应的所述目标停车场的历史车位占用数据；
根据所述历史车位占用数据和所述历史停车区域进行模型训练，得到所述停车区域推荐模型。
3.根据权利要求1所述的方法，其中，各所述候选停车区域是通过如下方式确定的：
确定所述目标停车场中各停车位的历史占用时长以及位置信息；
根据所述各停车位的历史占用时长以及位置信息，对所述各停车位进行区域划分，得到各所述候选停车区域。
4.根据权利要求3所述的方法，其中，所述根据所述各停车位的历史占用时长以及位置信息，对所述各停车位进行区域划分，得到各所述候选停车区域，包括：
根据所述各停车位的历史占用时长对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果；
根据所述占用时长聚类结果以及所述各停车位的位置信息，对所述各停车位进行区域划分，得到各所述候选停车区域。
5.根据权利要求4所述的方法，其中，所述根据所述各停车位的历史占用时长对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果，包括：
确定所述各停车位在各时段中的历史平均占用时长；
根据所述各时段中的历史平均占用时长，构建所述各停车位的占用时长向量；
根据所述各停车位的占用时长向量对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果。
6.根据权利要求4所述的方法，其中，所述根据所述占用时长聚类结果以及所述各停车位的位置信息，对所述各停车位进行区域划分，得到各所述候选停车区域，包括：
根据所述占用时长聚类结果以及所述各停车位的位置信息，构建所述各停车位的空间位置向量；
根据所述各停车位的空间位置向量对所述各停车位进行聚类，得到所述各停车位的空间位置聚类结果；
根据所述各停车位的空间位置聚类结果，对所述各停车位进行区域划分，得到各所述候选停车区域。
7.根据权利要求1所述的方法，其中，所述车位占用数据包括车位总占用率、各楼层的车位占用率、所述各候选停车区域的车位占用率和重点停车区域的车位占用率中的至少一种；其中，所述重点停车区域是根据所述各候选停车区域的标识信息确定的。
8.根据权利要求1所述的方法，还包括：
确定当前时刻对应的当前时间信息；其中，所述当前时间信息包括月、周、日和时段中的至少一种；
根据所述当前时间信息和所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域。
9.一种停车区域推荐装置，包括：
车位占用数据确定模块，用于确定目标停车场的车位占用数据；
目标停车区域选取模块，用于根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；其中，所述候选停车区域中包括至少两个停车位。
10.根据权利要求9所述的装置，其中，所述目标停车区域选取模块，具体用于：
基于停车区域推荐模型，根据所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域；
所述停车区域推荐模型采用以下方式训练得到：
确定用户在任意历史时刻停车所在的历史停车区域，以及所述历史时刻对应的所述目标停车场的历史车位占用数据；
根据所述历史车位占用数据和所述历史停车区域进行模型训练，得到所述停车区域推荐模型。
11.根据权利要求9所述的装置，其中，所述装置还包括候选停车区域确定模块，具体用于：
确定所述目标停车场中各停车位的历史占用时长以及位置信息；
根据所述各停车位的历史占用时长以及位置信息，对所述各停车位进行区域划分，得到各所述候选停车区域。
12.根据权利要求11所述的装置，其中，所述候选停车区域确定模块，具体还用于：
根据所述各停车位的历史占用时长对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果；
根据所述占用时长聚类结果以及所述各停车位的位置信息，对所述各停车位进行区域划分，得到各所述候选停车区域。
13.根据权利要求12所述的装置，其中，所述候选停车区域确定模块，具体还用于：
确定所述各停车位在各时段中的历史平均占用时长；
根据所述各时段中的历史平均占用时长，构建所述各停车位的占用时长向量；
根据所述各停车位的占用时长向量对所述各停车位进行聚类，得到所述各停车位的占用时长聚类结果。
14.根据权利要求12所述的装置，其中，所述候选停车区域确定模块，具体还用于：
根据所述占用时长聚类结果以及所述各停车位的位置信息，构建所述各停车位的空间位置向量；
根据所述各停车位的空间位置向量对所述各停车位进行聚类，得到所述各停车位的空间位置聚类结果；
根据所述各停车位的空间位置聚类结果，对所述各停车位进行区域划分，得到各所述候选停车区域。
15.根据权利要求9所述的装置，其中，所述车位占用数据包括车位总占用率、各楼层的车位占用率、所述各候选停车区域的车位占用率和重点停车区域的车位占用率中的至少一种；其中，所述重点停车区域是根据所述各候选停车区域的标识信息确定的。
16.根据权利要求9所述的装置，还包括当前时间信息确定模块，具体用于：
确定当前时刻对应的当前时间信息；其中，所述当前时间信息包括月、周、日和时段中的至少一种；
根据所述当前时间信息和所述车位占用数据，从所述目标停车场的各候选停车区域中选取目标停车区域。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110518142.7A CN113240936B (zh) | 2021-05-12 | 2021-05-12 | 停车区域推荐方法、装置、电子设备和介质 |
| EP22806254.3A EP4202888A1 (en) | 2021-05-12 | 2022-02-28 | Parking area recommendation method and apparatus, electronic device, and medium |
| JP2022551580A JP7422890B2 (ja) | 2021-05-12 | 2022-02-28 | 駐車エリア推薦方法、装置、電子機器および媒体 |
| PCT/CN2022/078157 WO2022237277A1 (zh) | 2021-05-12 | 2022-02-28 | 停车区域推荐方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110518142.7A CN113240936B (zh) | 2021-05-12 | 2021-05-12 | 停车区域推荐方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113240936A true CN113240936A (zh) | 2021-08-10 |
| CN113240936B CN113240936B (zh) | 2024-03-08 |
Family
ID=77133664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110518142.7A Active CN113240936B (zh) | 2021-05-12 | 2021-05-12 | 停车区域推荐方法、装置、电子设备和介质 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4202888A1 (zh) |
| JP (1) | JP7422890B2 (zh) |
| CN (1) | CN113240936B (zh) |
| WO (1) | WO2022237277A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113781826A (zh) * | 2021-09-03 | 2021-12-10 | 中通服和信科技有限公司 | 一种基于5g的智慧园区人工智能停车管理系统 |
| CN114664112A (zh) * | 2022-03-16 | 2022-06-24 | 广州小鹏汽车科技有限公司 | 面向车库的车位推荐方法、服务器和存储介质 |
| CN114691758A (zh) * | 2022-06-01 | 2022-07-01 | 城云科技（中国）有限公司 | 一种盲点停车场库问题诊断方法、装置和应用 |
| CN114882729A (zh) * | 2022-04-22 | 2022-08-09 | 超级视线科技有限公司 | 停车管理方法以及系统 |
| WO2022237277A1 (zh) * | 2021-05-12 | 2022-11-17 | 北京百度网讯科技有限公司 | 停车区域推荐方法、装置、电子设备和介质 |
| CN115410411A (zh) * | 2022-10-31 | 2022-11-29 | 宜宾腾卓智能科技有限公司 | 一种大型停车场停车规划方法 |
| CN115691206A (zh) * | 2022-10-19 | 2023-02-03 | 北京百度网讯科技有限公司 | 车位推荐方法、装置、设备以及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105723433A (zh) * | 2013-07-26 | 2016-06-29 | 艾纳高格有限公司 | 停车泊位占用率估计 |
| CN106971604A (zh) * | 2017-04-12 | 2017-07-21 | 青岛海信网络科技股份有限公司 | 一种停车位资源配置方法和装置 |
| CN109191896A (zh) * | 2018-10-17 | 2019-01-11 | 南京邮电大学 | 个性化停车位推荐方法和系统 |
| CN109949606A (zh) * | 2019-04-18 | 2019-06-28 | 佛山市百宇行智能科技有限公司 | 一种智能停车的大数据分析方法 |
| CN110610250A (zh) * | 2018-06-15 | 2019-12-24 | 阿里巴巴集团控股有限公司 | 推荐及提示空闲车位、寻车路线提示的方法、装置及设备 |
| CN111081058A (zh) * | 2019-12-23 | 2020-04-28 | 北京首钢自动化信息技术有限公司 | 一种基于大数据的停车场管理方法和装置 |
| CN111190942A (zh) * | 2020-01-06 | 2020-05-22 | 浙江大学城市学院 | 一种基于数据挖掘技术的城市道路停车点统筹分析方法 |
| CN112037577A (zh) * | 2020-09-23 | 2020-12-04 | 建信金融科技有限责任公司 | 停车场车位导航方法及系统 |
| CN112396862A (zh) * | 2021-01-19 | 2021-02-23 | 武汉中科通达高新技术股份有限公司 | 停车管理方法及装置 |
| CN112435353A (zh) * | 2020-11-05 | 2021-03-02 | 杨龙 | 一种基于区块链的闲置车位共享出租系统 |
| US20210097861A1 (en) * | 2019-09-29 | 2021-04-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Parking lot recommendation method and navigation server |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4817015B2 (ja) | 2006-10-13 | 2011-11-16 | 株式会社デンソー | 車載用ナビゲーション装置およびナビゲーションプログラム |
| CN107784856A (zh) * | 2016-08-31 | 2018-03-09 | 上海勤易机电科技有限公司 | 一种停车场自动引导分配车位系统及方法 |
| US11118932B2 (en) * | 2017-04-27 | 2021-09-14 | International Business Machines Corporation | Finding available parking spaces using cognitive algorithms |
| EP3462389A1 (en) * | 2017-09-27 | 2019-04-03 | Deutsche Telekom AG | Parking system that meets a second objective and method thereof |
| JP7020098B2 (ja) | 2017-12-13 | 2022-02-16 | トヨタ自動車株式会社 | 駐車場評価装置、駐車場情報提供方法およびプログラム |
| JP2019158354A (ja) | 2018-03-07 | 2019-09-19 | アイシン・エィ・ダブリュ株式会社 | 駐車支援システム及び駐車支援装置 |
| US11958475B2 (en) | 2019-09-06 | 2024-04-16 | Nissan Motor Co., Ltd. | Parking assist method and parking assist device |
| CN113240936B (zh) * | 2021-05-12 | 2024-03-08 | 北京百度网讯科技有限公司 | 停车区域推荐方法、装置、电子设备和介质 |
-
2021
- 2021-05-12 CN CN202110518142.7A patent/CN113240936B/zh active Active
-
2022
- 2022-02-28 JP JP2022551580A patent/JP7422890B2/ja active Active
- 2022-02-28 EP EP22806254.3A patent/EP4202888A1/en active Pending
- 2022-02-28 WO PCT/CN2022/078157 patent/WO2022237277A1/zh active Application Filing
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105723433A (zh) * | 2013-07-26 | 2016-06-29 | 艾纳高格有限公司 | 停车泊位占用率估计 |
| CN106971604A (zh) * | 2017-04-12 | 2017-07-21 | 青岛海信网络科技股份有限公司 | 一种停车位资源配置方法和装置 |
| CN110610250A (zh) * | 2018-06-15 | 2019-12-24 | 阿里巴巴集团控股有限公司 | 推荐及提示空闲车位、寻车路线提示的方法、装置及设备 |
| CN109191896A (zh) * | 2018-10-17 | 2019-01-11 | 南京邮电大学 | 个性化停车位推荐方法和系统 |
| CN109949606A (zh) * | 2019-04-18 | 2019-06-28 | 佛山市百宇行智能科技有限公司 | 一种智能停车的大数据分析方法 |
| US20210097861A1 (en) * | 2019-09-29 | 2021-04-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Parking lot recommendation method and navigation server |
| CN111081058A (zh) * | 2019-12-23 | 2020-04-28 | 北京首钢自动化信息技术有限公司 | 一种基于大数据的停车场管理方法和装置 |
| CN111190942A (zh) * | 2020-01-06 | 2020-05-22 | 浙江大学城市学院 | 一种基于数据挖掘技术的城市道路停车点统筹分析方法 |
| CN112037577A (zh) * | 2020-09-23 | 2020-12-04 | 建信金融科技有限责任公司 | 停车场车位导航方法及系统 |
| CN112435353A (zh) * | 2020-11-05 | 2021-03-02 | 杨龙 | 一种基于区块链的闲置车位共享出租系统 |
| CN112396862A (zh) * | 2021-01-19 | 2021-02-23 | 武汉中科通达高新技术股份有限公司 | 停车管理方法及装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022237277A1 (zh) * | 2021-05-12 | 2022-11-17 | 北京百度网讯科技有限公司 | 停车区域推荐方法、装置、电子设备和介质 |
| CN113781826A (zh) * | 2021-09-03 | 2021-12-10 | 中通服和信科技有限公司 | 一种基于5g的智慧园区人工智能停车管理系统 |
| CN114664112A (zh) * | 2022-03-16 | 2022-06-24 | 广州小鹏汽车科技有限公司 | 面向车库的车位推荐方法、服务器和存储介质 |
| CN114664112B (zh) * | 2022-03-16 | 2023-09-12 | 广州小鹏汽车科技有限公司 | 面向车库的车位推荐方法、服务器和存储介质 |
| CN114882729A (zh) * | 2022-04-22 | 2022-08-09 | 超级视线科技有限公司 | 停车管理方法以及系统 |
| CN114882729B (zh) * | 2022-04-22 | 2023-12-08 | 超级视线科技有限公司 | 停车管理方法以及系统 |
| CN114691758A (zh) * | 2022-06-01 | 2022-07-01 | 城云科技（中国）有限公司 | 一种盲点停车场库问题诊断方法、装置和应用 |
| CN115691206A (zh) * | 2022-10-19 | 2023-02-03 | 北京百度网讯科技有限公司 | 车位推荐方法、装置、设备以及存储介质 |
| CN115691206B (zh) * | 2022-10-19 | 2024-03-01 | 北京百度网讯科技有限公司 | 车位推荐方法、装置、设备以及存储介质 |
| CN115410411A (zh) * | 2022-10-31 | 2022-11-29 | 宜宾腾卓智能科技有限公司 | 一种大型停车场停车规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113240936B (zh) | 2024-03-08 |
| WO2022237277A1 (zh) | 2022-11-17 |
| JP2023528714A (ja) | 2023-07-06 |
| EP4202888A1 (en) | 2023-06-28 |
| JP7422890B2 (ja) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113240936B (zh) | 停车区域推荐方法、装置、电子设备和介质 | |
| CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
| CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
| CN114791982B (zh) | 对象推荐方法和装置 | |
| CN113923529A (zh) | 直播连麦方法、装置、设备以及存储介质 | |
| CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
| CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
| CN107832365A (zh) | 多类旅行产品推送方法、装置、电子设备、存储介质 | |
| CN114360027A (zh) | 一种特征提取网络的训练方法、装置及电子设备 | |
| CN113723607A (zh) | 时空数据处理模型的训练方法、装置、设备及存储介质 | |
| CN113627298A (zh) | 目标检测模型的训练方法及检测目标对象的方法、装置 | |
| CN111200836A (zh) | 异常识别方法及定位方法、装置、介质、电子设备 | |
| US20220164723A1 (en) | Method for determining boarding information, electronic device, and storage medium | |
| CN114238790A (zh) | 用于确定最大感知范围的方法、装置、设备以及存储介质 | |
| CN113378768A (zh) | 垃圾桶状态识别方法、装置、设备以及存储介质 | |
| CN113032251A (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
| CN113723585A (zh) | 人口预测方法、装置、电子设备和存储介质 | |
| CN112749707A (zh) | 利用神经网络进行目标分割的方法、设备和介质 | |
| CN115294530B (zh) | 一种智慧景区流量监测方法及系统 | |
| CN113326888B (zh) | 标注能力信息确定方法、相关装置及计算机程序产品 | |
| CN115691206B (zh) | 车位推荐方法、装置、设备以及存储介质 | |
| CN115294536B (zh) | 基于人工智能的违章检测方法、装置、设备及存储介质 | |
| CN114445683A (zh) | 属性识别模型训练、属性识别方法、装置及设备 | |
| CN115691205A (zh) | 车位推荐方法、装置、设备以及存储介质 | |
| CN114445805A (zh) | 属性识别模型训练、属性识别方法、装置及设备 |
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 |