CN113284359B - 车位推荐方法、装置、设备及计算机可读存储介质 - Google Patents
车位推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113284359B CN113284359B CN202110830161.3A CN202110830161A CN113284359B CN 113284359 B CN113284359 B CN 113284359B CN 202110830161 A CN202110830161 A CN 202110830161A CN 113284359 B CN113284359 B CN 113284359B
- Authority
- CN
- China
- Prior art keywords
- parking
- parking lot
- floor
- target
- parking space
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096877—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement
- G08G1/096883—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement where input information is obtained using a mobile device, e.g. a mobile phone, a PDA
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车位推荐方法、装置、设备及计算机可读存储介质；该方法应用于车联网领域，该方法包括：基于接收到的车位推荐请求中携带的目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征；将停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列；基于第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、目标停车场内的目标楼层和所述目标楼层中的目标停车位；将携带有目标停车场、目标楼层和目标停车位的车位推荐响应发送至终端。通过本申请，能够实现车位精准推荐。
Description
技术领域
本申请涉及互联网技术，尤其涉及一种车位方法、装置、设备及计算机可读存储介质。
背景技术
随着社会经济的发展，汽车保有量增长迅速，在汽车能方便人们出行的同时，停车难的问题也日益凸显。在用户达到出行目的地时往往因为寻找停车位而花费很长时间，相关技术中，往往是客户选择目的地，然后推荐目的地的停车场及可用停车位，由用户采用提前预约的方式来解决停车难问题，但是该方案仅利用了停车场特征进行推荐，并且需要提前预约，会造成资源的提前占用，如果用户临时改变行程，忘记取消预约，则造成车位占等资源浪费。
发明内容
本申请实施例提供一种车位推荐方法、装置及计算机可读存储介质，能够利用停车场、停车楼层、各个楼层停车位的相关性关系实现车位精准推荐。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种车位推荐方法，包括：
接收终端发送的车位推荐请求，所述车位推荐请求携带有用户标识和目的地信息；
基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征；
将所述停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到所述终端在各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列；
基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位；
将携带有所述目标停车场、所述目标楼层和所述目标停车位的车位推荐响应发送至所述终端。
本申请实施例提供一种车位推荐装置，包括：
第一接收模块，用于接收终端发送的车位推荐请求，所述车位推荐请求携带有用户标识和目的地信息；
第一确定模块，用于基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征；
分类模块，用于将所述停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到所述终端在各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列；
第二确定模块，用于基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位；
第一发送模块，用于将携带有所述目标停车场、所述目标楼层和所述目标停车位的车位推荐响应发送至所述终端。
在一些实施例中，该第二确定模块，还用于：
将所述第一得分序列中得分最高的停车场确定为目标停车场；
从所述第二得分序列中获取所述目标停车场包括的各个停车楼层的第二得分子集；
将所述第二得分子集中得分最高的停车楼层确定为所述目标停车场内的目标楼层；
从所述第三得分序列中获取所述目标楼层包括的各个停车位的第三得分子集；
将所述第三得分子集中得分最高的停车位确定为所述目标楼层中的目标停车位。
在一些实施例中，该第一确定模块，还用于：
基于所述目的地信息，将与所述目的地信息之间的距离小于距离阈值的停车场确定为候选停车场；
获取所述候选停车场的停车场属性信息和用户停车场偏好信息，将所述停车场属性信息和所述用户停车场偏好信息确定为所述候选停车场的停车场特征；
获取所述候选停车场中各个停车楼层的楼层属性信息、车辆停放信息和用户停车楼层偏好信息，将所述楼层属性信息、所述车辆停放信息和所述用户停车楼层偏好信息确定为停车楼层特征；
获取所述各个停车楼层中各个停车位的车位属性信息、车位占用状态和用户停车位偏好信息，将所述车位属性信息、所述车位占用状态和所述用户停车位偏好信息确定为停车位特征。
在一些实施例中，该装置还包括：
第三确定模块，用于当监测到所述目标停车位被占用时，确定所述终端是否到达所述目标停车场；
第二发送模块，用于当确定所述车辆达到目标停车场时，向所述终端发送是否更新推荐车位的通知消息；
第四确定模块，用于当接收到更新推荐车位请求时，基于所述第一得分序列、所述第二得分序列和所述第三得分序列中的至少之一确定更新后的推荐车位信息；
第三发送模块，用于将所述更新后的推荐车位信息发送至所述终端。
在一些实施例中，该第四确定模块，还用于：
当基于所述第三得分序列确定所述目标楼层中包括可用的其他停车位时，将所述其他停车位中得分最高的停车位确定为更新后的目标停车位；
将所述目标停车场、所述目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
在一些实施例中，该第四确定模块，还用于：
当基于所述第三得分序列确定所述目标楼层中不包括可用的其他停车位时，基于所述第二得分序列确定所述目标停车场中除所述目标楼层之外的其他楼层是否包括可用车位；
当所述目标停车场中除所述目标楼层之外的其他楼层包括可用车位时，将所述目标停车场中除所述目标楼层之前的其他楼层中得分最高的楼层确定为更新后的目标楼层；
从所述第三得分子集中获取所述更新后的目标楼层对应的第三得分子集；
将所述更新后的目标楼层对应的第三得分子集中得分最高的停车位确定为更新后的目标停车位；
将所述目标停车场、所述更新后的目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
在一些实施例中，该第四确定模块，还用于：
当基于所述第二得分序列确定所述目标停车场中除所述目标楼层之外的其他楼层不包括可用车位时，基于所述第一得分序列将候选停车场中除目标停车场之外的其他停车场中得分最高的停车场确定为更新后的目标停车场；
将所述更新后的目标停车场中得分最高的楼层确定为更新后的目标楼层；
将所述更新后的目标楼层中得分最高的停车位确定为更新后的目标停车位；
将所述更新后的目标停车场、所述更新后的目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
在一些实施例中，所述训练好的多分类模型包括训练好的停车场子模型、训练好的楼层子模型和训练好的车位子模型，该装置还包括：
第一获取模块，用于获取训练数据，所述训练数据包括当前时间周期的停车多分类标签和当前时间周期的上一个时间周期中车辆停放的停车场训练特征、楼层训练特征和车位训练特征，所述停车多分类标签包括停车场标签、楼层标签和车位标签；
第二获取模块，用于获取预设的多分类模型，所述多分类模型包括停车场子模型、楼层子模型和车位子模型；
第一训练模块，用于利用所述停车场训练特征和所述停车场标签对所述停车场子模型进行训练，得到训练好的停车场子模型；
第二训练模块，用于利用所述楼层训练特征和所述楼层特征对所述楼层子模型进行训练，得到训练好的楼层子模型；
第三训练模块，用于利用所述车位训练特征和所述车位标签对所述车位子模型进行训练，得到训练好的车位子模型。
在一些实施例中，该第一获取模块，还用于：
获取所述当前时间周期中各个车辆停放的停车场标识、停车楼层标识和停车位标识和各个车辆对应的用户标识；
基于所述停车场标识、所述停车楼层标识和所述停车位标识确定停车多分类标签；
基于所述用户标识，确定所述当前时间周期的上一个时间周期中车辆停放的停车场训练特征、楼层训练特征和车位训练特征。
在一些实施例中，第一训练模块，还用于：
将所述停车场训练特征输入所述停车场子模型，对所述停车场子模型进行迭代训练；
在确定达到迭代结束条件时，获取初步训练好的停车场子模型；
获取测试数据，所述测试数据中至少包括停车场测试特征和停车场标签；
将所述停车场测试特征输入初步训练好的停车场子模型，得到预测停车场信息；
当基于所述停车场标签和所述预测停车场信息确定所述初步训练好的停车场子模型达到训练结束条件时，将所述初步训练好的停车子模型确定为训练好的停车子模型。
在一些实施例中，该装置还包括：
第三获取模块，用于当基于所述停车场标签和所述预测停车场信息确定所述初步训练好的停车场子模型未达到训练结束条件时，再次获取新的训练数据；
第四训练模块，用于利用所述新的训练数据中的停车场训练特征和停车场标签对所述停车场子模型继续进行训练，直至达到训练结束条件，得到训练好的停车场子模型。
在一些实施例中，该装置还包括：
第四获取模块，用于获取所述终端对应车辆的车辆当前位置和所述目标停车场的停车场位置；
第五确定模块，用于基于所述车辆当前位置和所述停车场位置，确定出行路线；
第四发送模块，用于将所述出行路线发送至所述终端。
本申请实施例提供一种车位推荐设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的车位推荐方法。
本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的车位推荐方法。
本申请实施例具有以下有益效果：
在接收到终端发送的车位推荐请求后，基于车位推荐请求中携带的目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征，在进行推荐车位预测时，将停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列；基于第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、目标停车场内的目标楼层和所述目标楼层中的目标停车位，此时也就确定出的要推荐的目标车位，最后将携带有目标停车场、目标楼层和目标停车位的车位推荐响应发送至终端，在进行车位推荐预测时，是充分考虑了停车场特征、停车楼层特征和停车位特征，并且由于停车场、停车楼层和停车位之间具有相互包含关系，因此在本申请实施例中利用通过三层配对多分类概率模型确定待推荐的目标停车场、目标楼层和目标停车位，能够提高车位推荐的准确性。
附图说明
图1是本申请实施例提供的车位推荐系统100的网络架构示意图；
图2是本申请实施例提供的服务器400的结构示意图；
图3是本申请实施例提供的车位推荐方法的一种实现流程示意图；
图4是本申请实施例提供的多分类模型的训练实现流程示意图；
图5为本申请实施例提供的车位推荐方法的再一种实现流程示意图；
图6为本申请实施例提供的车位推荐方法的实现流程示意图，；
图7A为本申请实施例提供的显示推荐车位的界面示意图；
图7B为本申请实施例提供的更新推荐车位的界面示意图；
图8A为本申请实施例提供的去往目标停车场的提示消息界面示意图；
图8B为本申请实施例提供的是否更新车位信息的提示消息界面示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
1）配对多分类算法，一种针对成对分类标签Y=(i,j,k)推荐的多分类算法。
2）三层配对分类算法，一种基于具有相关性的三层网络的配对算法，记为：
其中，i，j，k具有层级相关，例如，i包含j和k，j包含k。现实中常见的有第i个停车场，第j层，第k个车位。
3）Softmax算法，将一个含任意实数的K维向量Z“压缩”到另一个K维实向量f(Z)中，使得每一个元素的范围都在（0,1）之间，并且所有元素的和为1。其概率计算公式（1-1）如下：
4）可交换原则，乘法交换律的方阵称为可交换矩阵，即矩阵A，B满足：A·B=B·A。
5）车位推荐，根据停车场信息、用户停车偏好信息等，对停车场车位进行推荐的一种推荐方式。
为了更好的理解本申请实施例提供的车位推荐方法，首先对相关技术中的车位推荐方法及存在的缺点进行说明。
第一种方案、一种智能停车场交通优化导航方法，在实现时接收用户输入的停车位查询请求，所述停车位查询请求中携带有用户的目的地、当前位置和/或行驶路线；根据所述目的地、当前位置和/或行驶路线，以及各智能停车场发送的可用车位信息，将位于所述目的地附近、位于所述当前位置附近和/或位于所述行驶路线沿线附近的智能停车场的可用车位信息推荐至所述用户，以使所述用户根据推荐的可用车位信息行驶至相应的智能停车场进行停车存放。本发明能够解决停车位寻找困难和难于停车的问题，方便了用户停车，优化了交通流量和交通安全管理。
第二种方案、获取车辆导航设备的导航数据；所述导航数据中包含导航目的位置和车辆位置；在检测到所述车辆位置与所述导航目的位置的距离小于距离阈值的情况下，确定满足停车条件的至少一个候选停车场；获取所述候选停车场在历史时间区间内的历史支付数据以及历史导航数据；基于所述历史支付数据和所述历史导航数据，确定所述至少一个候选停车场中向所述车辆导航设备推荐的目标停车场；生成所述目标停车场的推荐信息并向所述车辆导航设备推荐。
第三种方案、首先获取车主输入的停车位预约信息和停车位偏好信息；根据所述停车位预约信息获取多个可预约车位，并根据所述停车位偏好信息计算每个可预约车位对应的偏好值；判断该可预约车位的偏好值是否大于预设的推荐偏好值，如果是，则将该可预约车位确定为推荐车位；根据每个推荐车位对应的偏好值对多个推荐车位进行排序，以便根据排序结果对车主进行停车位预约推荐；能够根据用户的喜好进行停车位预约推荐，以提高停车位推荐对于用户停车的指导性，同时，提高用户停车体验。
以上三种方案存在的缺点如下：
第一种方案、主要根据车主预约车位，系统根据当前位置附近和/或位于所述行驶路线沿线附近的智能停车场信息为车主推荐车位。该方案通过事先预约的方案，造成了资源的占用，如果用户临时改变行程，忘记取消预约，则造成车位占用等资源浪费。同时，通过计算当前位置附近停车场的方式，也没有考虑停车场、停车楼层、停车位置的相互包含关系。
第二种方案、主要是停车场推荐，通过距离计算的方法，没有考虑车主停车偏好，也没有考虑停车场、停车楼层、停车位置的相互包含关系，也没有做到停车位的推荐，用户根据该方案得到的停车场，依然需要人工寻找停车位。
第三种方案、主要根据车主停车位偏好信息计算每个可预约车位对应的偏好值，若该可预约车位的偏好值是大于预设的推荐偏好值，则将该可预约车位确定为推荐车位。然而，该方案通过事先预约的方案，也没有考虑停车场、停车楼层、停车位置的相互包含关系，同时，也造成了资源的占用，如果用户临时改变行程，忘记取消预约，则造成车位占用等资源浪费。
基于此，本申请实施例提供一种车位推荐方法、装置、设备和计算机可读存储介质，该车位推荐方法在实现时，将停车场、停车楼层、停车位三者结合进行同步考虑，将分类标签由传统多分类方法的单个label的方式（即Y=i）推广为采用成对label的方式（即Y=(i，j，k)）进行分类，并且能够根据用户停车偏好及停车场后台管理系统，为用户提供符合用户偏好，且根据停车场与车辆当前车辆位置信息实时更新停车位，并形成推荐信息推荐给用户。解决了停车难问题，也满足用户停车偏好。
下面说明本申请实施例提供的车位推荐设备的示例性应用，本申请实施例提供的设备可以实施为车载终端，还可以是笔记本电脑，平板电脑，台式计算机，移动设备（例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备）等各种类型的用户终端，此时用户终端与车载系统建立有通信连接，能够获取车辆信息，也可以实施为服务器。下面，将说明设备实施为服务器时示例性应用。
参见图1，图1是本申请实施例提供的车位推荐系统100的网络架构示意图，如图1所示，该系统100包括：终端200、网络300和服务器400，在本申请实施例中，以终端200为车辆自带的车载终端为例进行说明。终端200通过网络300连接服务器400，网络300可以是广域网或者局域网，又或者是二者的组合。
当用户有出行需求需要导航时，可以利用终端基于出发地和目的地进行路线规划，并且可以进行目的地附近停车场的搜索，在本申请实施例中，在终端进行路线规划时，可以触发车位推荐请求，并将车位推荐请求发送至服务器，服务器在接收到车位推荐请求后，基于车位推荐请求中携带的目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征，之后将停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，从而确定出目标停车场、目标停车场内的目标楼层和所述目标楼层中的目标停车位，最后将携带有目标停车场、目标楼层和目标停车位的车位推荐响应发送至终端，终端在接收到该车位推荐响应后可以通过短消息或者浮层的方式在显示界面上显示目标停车场、目标楼层和目标停车位的信息。在本申请实施例中，车辆在行驶过程中，如果目标停车位被占用，那么服务器会继续搜索其他停车位并发送给终端，直至终端达到完成停车过程。
该车位推荐方法可以是通过功能插件的形式嵌入地图应用中，也可以是作为单独的功能通过应用程序的形式实现。
在一些实施例中，服务器400可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端200可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例中不做限制。
参见图2，图2是本申请实施例提供的服务器400的结构示意图，图2所示的服务器400包括：至少一个处理器410、存储器440、至少一个网络接口420。服务器400中的各个组件通过总线系统430耦合在一起。可理解，总线系统430用于实现这些组件之间的连接通信。总线系统430除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统430。
处理器410可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器（DSP，Digital Signal Processor），或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
存储器440可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器440可选地包括在物理位置上远离处理器410的一个或多个存储设备。
存储器440包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器（ROM，Read Only Memory），易失性存储器可以是随机存取存储器（RAM，Random Access Memory）。本申请实施例描述的存储器440旨在包括任意适合类型的存储器。
在一些实施例中，存储器440能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。
操作系统441，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
网络通信模块442，用于经由一个或多个（有线或无线）网络接口420到达其他计算设备，示例性的网络接口420包括：蓝牙、无线相容性认证（WiFi）、和通用串行总线（USB，Universal Serial Bus）等；
在一些实施例中，本申请实施例提供的装置可以采用软件方式实现，图2示出了存储在存储器440中的车位推荐装置443，其可以是程序和插件等形式的软件，包括以下软件模块：第一接收模块4431、第一确定模块4432、分类模块4433、第二确定模块4434和第一发送模块4435，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。
将在下文中说明各个模块的功能。
在另一些实施例中，本申请实施例提供的装置可以采用硬件方式实现，作为示例，本申请实施例提供的装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的车位推荐方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路（ASIC，Application Specific Integrated Circuit）、DSP、可编程逻辑器件（PLD，Programmable Logic Device）、复杂可编程逻辑器件（CPLD，ComplexProgrammable Logic Device）、现场可编程门阵列（FPGA，Field-Programmable GateArray）或其他电子元件。
将结合本申请实施例提供的服务器的示例性应用和实施，说明本申请实施例提供的车位推荐方法。
本申请实施例提供一种车位推荐方法，该方法应用于服务器，图3是本申请实施例提供的车位推荐方法的一种实现流程示意图，以下将结合图3示出的步骤对本申请实施例提供的车位推荐方法进行说明。
步骤S101，接收终端发送的车位推荐请求。
其中，车位推荐请求携带有用户标识和目的地信息。在一些实施例中，该车位推荐请求可以与终端发送的路线规划请求同时发送的，也可以是单独发送发送的。
步骤S102，基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征。
步骤S102在实现时，可以是基于目的地信息将以目的地为中心的预设范围内的停车场确定为候选停车场，例如可以是将以目的地为中心，以1公里为半径的圆形区域内的停车场确定为候选停车场，还可以是将以目的地为中心，以2公里为边长的正方形区域。
在确定出至少一个候选停车场后，可以基于候选停车场的标识，获取各个候选停车场的停车场特征，然后在确定各个候选停车场中包括的停车楼层的楼层特征，进而在获取各个停车楼层中各个停车位的特征。
在本申请实施例中，停车场特征可以包括停车场属性信息和用户停车场偏好信息，停车楼层特征可以包括楼层属性信息、车辆停放信息和用户停车楼层偏好信息，停车位特征可以包括车位属性信息、车位占用状态和用户停车位偏好信息。
步骤S103，将所述停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到所述终端在各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列。
该训练好的多分类模型可以是多层配对多分类模型，由于在本申请实施例中，考虑了停车场特征、停车楼层特征和停车位特征这三个层次且具有包含关系的特征，因此，该训练好的多分类模型可以是三层配对多分类模型。
在一些实施例中，如果获取到的是更多层次的特征，例如包含四个层次或者五个层次特征，那么对应地，多分类模型可以是四层配对多分类模型或者五层配对多分类模型。
在本申请实施例中，训练好的多分类模型可以包括训练好的停车场子模型、训练好的楼层子模型和训练好的车位子模型。步骤S103在实现时，可以是利用停车场特征和训练好的停车场子模型，得到第一得分序列，该第一得分序列中包括的第一得分的数量与候选停车场的数量相同，假设有三个停车场，那么第一得分序列中包括三个第一得分，各个第一得分可以表示停车场与用户偏好的匹配程度，第一得分越高，说明该停车场与用户偏好的匹配程度就越高；对应地，可以利用停车楼层特征和楼层子模型，得到第二得分序列，利用停车位特征和车位子模型，得到第三得分序列。
步骤S104，基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位。
步骤S104在实现时，可以首先利用第一得分序列确定出目标停车场，然后在从第二得分序列中确定出目标停车场的各个停车楼层的第二得分子集，进而基于第二得分子集中第二得分最高的停车楼层确定为目标楼层，再确定目标楼层对应的第三得分子集，将第三得分子集中第三得分最高的停车位确定为目标停车位。确定确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位实际上确定的可以是目标停车场的标识、目标停车场内的目标楼层的标识和目标楼层中的目标停车位的标识。
步骤S105，将携带有所述目标停车场、所述目标楼层和所述目标停车位的车位推荐响应发送至所述终端。
车位推荐响应中携带的目标停车场、目标楼层和目标停车位可以理解为车位推荐响应中携带的是目标停车场的标识、目标楼层的标识以及目标停车位的标识。在一些实施例中，终端在接收到车位推荐响应后，解析该车位推荐响应，得到目标停车场标识、目标停车场内的目标楼层标识和目标楼层中的目标停车位标识，并呈现在终端的显示界面中。
在本申请实施例提供的车位推荐方法中，在接收到终端发送的车位推荐请求后，基于车位推荐请求中携带的目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征，在进行推荐车位预测时，将停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列；基于第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、目标停车场内的目标楼层和所述目标楼层中的目标停车位，此时也就确定出的要推荐的目标车位，最后将携带有目标停车场、目标楼层和目标停车位的车位推荐响应发送至终端，在进行车位推荐预测时，是充分考虑了停车场特征、停车楼层特征和停车位特征，并且由于停车场、停车楼层和停车位之间具有相互包含关系，因此在本申请实施例中利用通过三层配对多分类概率模型确定待推荐的目标停车场、目标楼层和目标停车位，能够提高车位推荐的准确性。
在一些实施例中，上述步骤S102“基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征”可以通过以下步骤实现：
步骤S1021，基于所述目的地信息，将与所述目的地信息之间的距离小于距离阈值的停车场确定为候选停车场。
在实现时，可以以目的地为圆心，以该距离阈值为半径的圆形区域内的停车场确定为候选停车场。
步骤S1022，获取所述候选停车场的停车场属性信息和用户停车场偏好信息，将所述停车场属性信息和所述用户停车场偏好信息确定为所述候选停车场的停车场特征。
在本申请实施例中，停车场属性信息可以包括停车场位置信息、停车场类型、收费信息、商圈信息等；停车场类型可以包括地上停车场、地下停车场，还可以包括是否为机械停车场，用户停车场偏好信息可以是偏好的停车场类型、偏好的收费信息等。
步骤S1023，获取所述候选停车场中各个停车楼层的楼层属性信息、车辆停放信息和用户停车楼层偏好信息，将所述楼层属性信息、所述车辆停放信息和所述用户停车楼层偏好信息确定为停车楼层特征。
楼层属性信息可以包括每层楼层车位数、公共车位数、私人车位数，车辆停放信息可以包括车辆在该楼层停放时长、车辆在该楼层排队的队列信息；用户在停车楼层的偏好信息可以包括用户偏好停放高楼层还是偏好停放低楼层。
步骤S1024，获取所述各个停车楼层中各个停车位的车位属性信息、车位占用状态和用户停车位偏好信息，将所述车位属性信息、所述车位占用状态和所述用户停车位偏好信息确定为停车位特征。
其中，车位属性信息可以包括停车位编码信息、停车位车辆停留时长，车位占用状态可以包括已占用和可用；用户停车位偏好信息可以是偏好停放靠电梯口位置、偏好停放左柱位置、偏好停放右柱位置、偏好停放中间位置等。
通过上述的步骤S1021至步骤S1024，即获取到了三个层次且具有包含关系的停车场特征，为后续的推荐车位预测提供必要的数据基础。
在一些实施例中，上述步骤S104“基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位”，可以通过以下步骤实现：
步骤S1041，将所述第一得分序列中得分最高的停车场确定为目标停车场。
步骤S1042，从所述第二得分序列中获取所述目标停车场对应的第二得分子集。
在本申请实施例中，可以将第二得分序列中包括的多个第二得分按照停车场标识进行分组，每个停车场对应一个第二得分子集，该第二得分子集中包括的第二得分的数量与该停车场包括的停车楼层数相同，例如，目标停车场有两个停车楼层，分别为-1层和-2层，那么此时目标停车场对应的第二得分子集中包括两个第二得分，分别为-1层对应的第二得分和-2层对应的第二得分。
步骤S1043，将所述第二得分子集中得分最高的停车楼层确定为所述目标停车场内的目标楼层。
步骤S1044，从所述第三得分序列中获取所述目标楼层对应的的第三得分子集。
该第三得分子集中包括位于目标楼层的各个停车位的第三得分。在本申请实施例中，将第三得分序列中的各个第三得分按照停车场、停车楼层进行分组，位于同一停车场且同一停车楼层的停车位的第三得分在同一个分组。第三得分子集中包括的第三得分的数量与目标楼层中包括的停车位的数量是相同的。
步骤S1045，将所述第三得分子集中得分最高的停车位确定为所述目标楼层中的目标停车位。
通过上述的步骤S1041至步骤S1045，即通过由多分类模型得出的第一得分序列、第二得分序列和第三得分序列确定出与当前用户匹配度最高的目标停车场以及目标停车场中的目标停车楼层和目标停车楼层中的目标停车位，得到的推荐车位信息更加详细、准确，从而保证精准推荐。
在一些实施例中，所述训练好的多分类模型包括训练好的停车场子模型、训练好的楼层子模型和训练好的车位子模型，在上述步骤S101之前，需要先通过图4所述的各个步骤得到训练好的多分类模型，以下结合图4对多分类模型的训练过程进行说明。
步骤S201，获取训练数据。
该训练数据包括当前时间周期的停车多分类标签和当前时间周期的上一个时间周期中车辆停放的停车场训练特征、楼层训练特征和车位训练特征，所述停车多分类标签包括停车场标签、楼层标签和车位标签。
一个时间周期可以为预设时长，例如可以为24个小时，可以为12个小时。假设当前时间周期为第T期，那么该训练数据包括第T期的停车多分类标签
，m表示停车场总数量，i表示第i个停车场，也即停车场标签；
表示第i个停车场下停车楼层的总数量，j表示第j层，也即楼层标签；
表示第j层中停车位的总数量，k表示第k个停车位，也即车位标签。i、j、k之间具有包含的相关关系，及k被i和j包含，j被i包含。当前时间周期的上一个时间周期也即第T-1期，在本申请实施例中，当前时间周期的上一个时间周期中车辆停放的停车场训练特征用
表示、楼层训练特征用
表示，车位训练特征用
表示。
步骤S202，获取预设的多分类模型。
该多分类模型包括停车场子模型、楼层子模型和车位子模型。
在本申请实施例中，使用贝叶斯条件概率模型，对多分类概率模型进行数学推导，得到多分类模型如公式（2-1）所示：
根据可交换原则将多分类模型重构为如公式（2-2）所示：
其中，停车场子模型可以用公式（2-3）表示：
楼层子模型可以用公式（2-4）表示：
车位子模型可以用公式（2-5）表示：
步骤S203，利用所述停车场训练特征和所述停车场标签对所述停车场子模型进行训练，得到训练好的停车场子模型。
步骤S203在实现时，可以将停车场训练特征输入到上述公式（2-3）所示的停车场子模型，采用梯度下降法进行迭代训练，在达到迭代结束条件时，得到该停车场子模型中的分类权重
，然后利用测试数据和停车场标签确定初步训练好的停车场子模型是否达到评估标准，如果该初步训练好的停车场子模型达到评估标准，就确定停车场子模型训练完成，如果该初步训练好的停车场子模型为达到评估标准，则再次获取训练数据，对停车场子模型继续训练直至达到评估标准。
步骤S204，利用所述楼层训练特征和所述楼层特征对所述楼层子模型进行训练，得到训练好的楼层子模型。
步骤S204在实现时，可以将停车场训练特征输入到上述公式（2-4）所示的楼层子模型，采用梯度下降法进行迭代训练，在达到迭代结束条件时，得到该楼子模型中的分类权重
，然后利用测试数据和楼层标签确定初步训练好的楼层子模型是否达到评估标准，如果该初步训练好的楼层子模型达到评估标准，就确定楼层子模型训练完成，如果该初步训练好的楼层子模型为达到评估标准，则再次获取训练数据，对楼层子模型继续训练直至达到评估标准。
步骤S205，利用所述车位训练特征和所述车位标签对所述车位子模型进行训练，得到训练好的车位子模型。
步骤S205的实现过程与步骤S203、步骤S204的实现过程是类似的。
在上述步骤S201至步骤S205中，多分类模型为三层配对多分类模型，并且是通过严格的数学推导得到三层配对多分类概率模型，为算法模型的构建提供严格的数学保证，保证模型的准确性，另外模型可以包括三个层次的子模型，分别为停车场子模型、楼层子模型和车位子模型，在训练过程中利用停车场训练特征、停车楼层特征和车位训练特征对应训练停车场子模型、楼层子模型和车位子模型，不仅能降低训练复杂度还能提高训练效率。
在一些实施例中，上述步骤S201“获取训练数据”，可以通过以下步骤实现：
步骤S2011，获取所述当前时间周期中各个车辆停放的停车场标识、停车楼层标识和停车位标识和各个车辆对应的用户标识。
各个车辆对应的用户标识可以是登录车载终端的用户账号标识，也可以是各个车辆对应车主的终端标识。
步骤S2012，基于所述停车场标识、所述停车楼层标识和所述停车位标识确定停车多分类标签。
在本申请实施例中，可以预先建立停车场标识与停车场标签、停车楼层标识和楼层标签以及停车位标识和车位标签之间的对应关系，步骤S2012在实现时，可以分别通过停车场标识、所述停车楼层标识和所述停车位标识确定对应的停车场标签、楼层标签和停车位标签，从而基于停车场标签、楼层标签和停车位标签确定各个车辆的停车多分类标签。
步骤S2013，基于所述用户标识，确定所述当前时间周期的上一个时间周期中车辆停放的停车场训练特征、楼层训练特征和车位训练特征。
在实现时，基于用户标识，确定各个车辆在当前时间周期的上一个时间周期所停放的停车场标识、停车楼层标识和所述停车位标识，从而基于上一时间周期所停放的停车场标识、停车楼层标识和所述停车位标识确定对应的停车场特征、楼层特征和车位特征。然后将上一时间周期的所有的停车场特征、楼层特征和车位特征按一定比例随机切分为训练特征集（比例为а）和测试特征集（比例为1-а）。在步骤S2013中，可以在每次训练中从训练特征集中随机选取一部分作为本次的停车场训练特征、楼层训练特征和车位训练特征。
在一些实施例中，上述步骤S203“利用所述停车场训练特征和所述停车场标签对所述停车场子模型进行训练，得到训练好的停车场子模型”，可以通过以下步骤实现：
步骤S2031，将所述停车场训练特征输入所述停车场子模型，对所述停车场子模型进行迭代训练。
在实现时，可以是采用梯度下降法对停车场子模型进行迭代训练。
步骤S2032，在确定达到迭代结束条件时，获取初步训练好的停车场子模型。
在本申请实施例中，迭代条件可以是达到预设的迭代次数，还可以是达到目标函数的最小值。
步骤S2033，获取测试数据。
在本申请实施例中，测试数据中至少包括停车场测试特征和停车场标签。
步骤S2034，将所述停车场测试特征输入初步训练好的停车场子模型，得到预测停车场信息。
步骤S2035，基于所述停车场标签和所述预测停车场信息确定所述初步训练好的停车场子模型是否达到训练结束条件。
步骤S2035在实现时，可以是基于停车场标签和预测停车场信息确定该初步训练好的停车场子模型的评估指标值，评估指标可以包括查全率、查准率、AUC中的至少之一，然后确定评估指标值是否达到预设的指标阈值，当评估指标值达到指标阈值时，确定该初步训练好的停车场子模型达到训练结束条件，此时，进入步骤S2036；当评估指标值达到指标阈值时，确定该初步训练好的停车场子模型达到训练结束条件时，进入步骤S2037。
步骤S2036，将所述初步训练好的停车子模型确定为训练好的停车子模型。
步骤S2037，再次获取新的训练数据。
该步骤在实现时，是从上述训练特征集中再次选取一部分作为新的训练数据，也即新的训练数据中包括的也为第T-1期的停车场训练特征、楼层训练特征和车位训练特征。
步骤S2038，利用所述新的训练数据中的停车场训练特征和停车场标签对所述初步训练好的停车场子模型继续进行训练，直至达到训练结束条件，得到训练好的停车场子模型。
步骤S2038在实现时，是利用新的训练数据中的停车场训练特征对初步训练好的停车场子模型继续训练，直至达到迭代结束条件，然后再次获取测试数据，对停车场子模型进行指标评估以确定是否达到训练结束条件，在达到训练结束条件时，得到训练好的停车场子模型，在未达到训练结束条件时，继续重复步骤S2037和步骤S2098，直至得到训练好的停车场子模型。
需要说明的是，上述步骤S204以及步骤S205的实现过程与步骤S203的实现过程是类似的，在实现时可以参照上述的步骤S2031至步骤S2038的实现过程。
基于前述的实施例，本申请实施例提供一种车位推荐方法，应用于图1所示的网络架构，图5为本申请实施例提供的车位推荐方法的再一种实现流程示意图，如图5所示，该流程包括：
步骤S301，终端接收通过地图应用触发的路线规划操作，获取出发地信息、目的地信息以及出行方式。
在本申请实施例中，以车位推荐为地图应用的一个功能插件为例进行说明。当用户通过终端打开地图应用，终端显示界面显示地图界面，并可以通过输入目的地信息来触发路线规划操作，此时获取出发地信息、目的地信息和出行方式，出行方式可以包括驾车、打车、公交、步行、骑行等。
步骤S302，终端响应于该路线规划操作，向服务器发送路线规划请求。
路线规划请求中至少包括出发地信息、目的地信息以及出行方式。
步骤S303，当终端确定车位推荐功能开启时，向服务器发送车位推荐请求。
由于只有驾车这种出行方式需要停车，因此步骤S303在实现时是需要满足出行方式为驾车且开启车位推荐功能时，向服务器发送车位推荐请求，车位推荐请求中至少携带有目的地信息。
步骤S304，服务器基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征。
步骤S305，服务器将所述停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到所述终端在各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列。
步骤S306，服务器基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位。
步骤S307，服务器将携带有所述目标停车场、所述目标楼层和所述目标停车位的车位推荐响应发送至所述终端。
上述步骤S303至步骤S307的实现过程与步骤S101至步骤S105的实现过程是相同的，在实现时可以参考上述步骤S101至步骤S105的实现过程。
步骤S308，终端接收到车位推荐响应，在地图应用的显示界面显示目标停车场、目标楼层和目标停车位。
该步骤在实现时，可以如图7A所示，在地图应用的显示界面中目标停车场所在的显示区域的附近，通过消息气泡或者浮窗的形式显示目标停车场、目标楼层和目标停车位。
步骤S309，当终端接收到去往该目标停车场的操作时，向服务器发送针对该目标停车场的路径规划请求。
在本申请实施例中，在确定出目标停车位后，可以如图8A所示，在显示界面中输出是否去往该目标停车位所在目标停车场的提示信息，并且提供有选择控件“是”801以及选择控件“否”802。当接收到针对选择控件“是”801的触控操作，或者接受到去往该目标停车场的语音指令时，向服务器发送针对该目标停车场的路径规划请求。该路径规划请求中携带有终端的当前位置，还可以携带有目标停车场的标识或目标停车场的位置。
步骤S310，服务器接收该针对该目标停车场的路线规划请求，并基于车辆当前位置和目标停车场的位置信息确定出行路线。
步骤S311，服务器将出行路线发送至终端。
步骤S312，终端接收服务器发送的出行路线，并在地图应用的显示界面中进行显示。
步骤S313，服务器实时监测该目标停车位是否被占用。
当监测到该目标停车位被占用时，进入步骤S314；如果没有监测到目标停车位被占用时，返回步骤S313。
步骤S314，服务器确定车辆是否到达目标停车场。
当确定达到目标停车场时，说明可能该目标停车位是车辆自身占用的，此时进入步骤S315；当确定未到达目标停车场时，说明该目标停车位肯定不是车辆自身占用的，此时进入步骤S317。
步骤S315，当确定车辆到达目标停车场时，服务器向终端发送是否更新推荐车位的通知消息。
在一些实施例中，终端在接收到是否更新推荐车位的通知消息时，可以如图8B所示，在地图应用的显示界面中输出该更新推荐车位的通知消息，并且提供有选择控件“是”811以及选择控件“否”812。
步骤S316，服务器确定是否接收到更新推荐车位请求。
当终端接收到针对选择控件“是”811的触控操作，或者接收到更新推荐车位的语音指令时，向服务器发送更新推荐车位请求，当服务器接收到更新推荐车位请求时，进入步骤S317；当服务器未接收到更新推荐车位请求时，说明该目标车位是车辆自身占用，此时结束流程。
步骤S317，服务器基于第一得分序列、第二得分序列和第三得分序列的至少之一确定更新后的停车位信息。
在实现时，当目标停车位所在的目标楼层中还有可用停车位时，那么仅需要第三得分序列即可确定出更新后的停车位信息；当目标停车位所在目标楼层没有可用停车位但其他楼层有可用停车位时，利用第二得分序列和第三得分序列确定出更新后的停车位信息；当目标停车位所在目标停车场均没有可用车位时，则需要利用第一得分序列、第二得分序列和第三得分序列确定更新后的停车位信息。
步骤S318，服务器将更新后的停车位信息发送至终端。
在一些实施例中，终端接收到更新后的停车位信息后，可以如图7B所示，在地图应用的显示界面中显示该更新后的停车位信息。
在本申请实施例提供的车位推荐方法中，当终端启动地图应用进行路径规划并且开启了车位推荐功能时，终端会向服务器发送车位推荐请求，在服务器接收到终端发送的车位推荐请求后进行推荐车位预测时，将停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列；基于第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、目标停车场内的目标楼层和所述目标楼层中的目标停车位，此时也就确定出的要推荐的目标车位，最后将携带有目标停车场、目标楼层和目标停车位的车位推荐响应发送至终端，在进行车位推荐预测时，是充分考虑了停车场特征、停车楼层特征和停车位特征，能够保证车位推荐的准确性；另外服务器还会实时监测目标停车位是否被占用，当被占用时进一步确定是否到达目标停车场，如果车辆未到达目标停车场或者确定该目标停车位不是车辆自身占用时，会基于第一得分序列、第二得分序列和第三得分序列中的至少之一确定出更新后的停车位信息，并发送至终端，因此能够保证车辆在停车之前始终能够获取到可用的停车位信息，提高推荐性能。
在一些实施例中，上述步骤S317可以通过以下步骤实现：
步骤S3171，服务器基于所述第三得分序列确定所述目标楼层中是否包括可用的其他停车位。
步骤S3171在实现时，可用是通过第三得分序列中的第三得分子集中是否包括除目标停车位的第三得分之外的其他第三得分，当还有其他第三得分时，确定所述目标楼层中包括可用的其他停车位，此时进入步骤S3172；当没有其他第三得分时，确定所述目标楼层中不包括可用的其他停车位，此时进入步骤S3174。
步骤S3172，服务器将所述其他停车位中得分最高的停车位确定为更新后的目标停车位。
步骤S3173，将所述目标停车场、所述目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
步骤S3174，基于所述第二得分序列确定所述目标停车场中除所述目标楼层之外的其他楼层是否包括可用车位。
步骤S3174在实现时，可用是通过第二得分序列中的第二得分子集中是否包括除目标楼层的第二得分之外的其他第二得分，当还有其他第二得分时，确定目标停车场中除所述目标楼层之外的其他楼层包括可用车位，此时进入步骤S3175；当没有其他第二得分时，确定目标停车场中除所述目标楼层之外的其他楼层不包括可用车位，此时进入步骤S3179。
步骤S3175，将所述目标停车场中除所述目标楼层之前的其他楼层中得分最高的楼层确定为更新后的目标楼层。
步骤S3176，从所述第三得分序列中获取所述更新后的目标楼层对应的第三得分子集。
更新后的目标楼层对应的第三得分子集中包括的各个第三得分是位于更新后的目标楼层的各个停车位的得分。
步骤S3177，将所述更新后的目标楼层对应的第三得分子集中得分最高的停车位确定为更新后的目标停车位。
步骤S3178，将所述目标停车场、所述更新后的目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
步骤S3179，基于所述第一得分序列将候选停车场中除目标停车场之外的其他停车场中得分最高的停车场确定为更新后的目标停车场。
步骤S31710，将所述更新后的目标停车场中得分最高的楼层确定为更新后的目标楼层。
步骤S31710在实现时，可以获取更新后的目标停车场的第二得分子集，然后将第二得分子集中得分最高的楼层确定为更新后的目标楼层。
步骤S31711，将所述更新后的目标楼层中得分最高的停车位确定为更新后的目标停车位。
步骤S31711在实现时，可以是获取更新后的目标楼层的第三得分子集，然后从更新后的目标楼层的第三得分子集中确定出得分最高的停车位，并将该停车位确定为更新后的目标停车位。
步骤S31712，将所述更新后的目标停车场、所述更新后的目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
通过上述步骤S3171至步骤S31712，能够在初始确定出的目标停车位被占用时，通过第三得分序列、第二得分序列和第一得分序列，采用层次递进的方式推荐当前目标楼层的其他停车位，或者推荐当前目标停车场中其他楼层的停车位，或者其他停车场的其他停车位，直到用户找到合适的停车位为止，不仅能够充分利用停车场车位的闲置时间，最大限度为用户推荐符合用户偏好的停车位置，同时能够充分利用停车位，解决停车难的问题。
下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。
图6为本申请实施例提供的车位推荐方法的实现流程示意图，如图6所示，该流程包括：步骤S601，数据输入并构建配对标签。
在本申请实施例中，输入的数据包括：T期用户停车信息配对多分类标签；T-1期用户当前车辆位置信息、停车场特征
（停车场位置信息、收费信息、商圈信息等；用户停车场偏好信息）、停车楼层特征
（每层楼层车位数、公共车位数、私人车位数、车辆在该楼层停放时长、车辆在该楼层排队队列信息等；用户在停车楼层的偏好信息）、停车位特征
（停车位车辆停留时长、停车位编码信息、停车位空置信息等；用户对停车位的偏好信息）等；T期用户当前车辆位置信息、停车场特征
（停车场位置信息、收费信息、商圈信息等；用户停车场偏好信息）、停车楼层特征
（每层楼层车位数、公共车位数、私人车位数、车辆在该楼层停放时长、车辆在该楼层排队队列信息等；用户在停车楼层的偏好信息）、停车位特征
（停车位车辆停留时长、停车位编码信息、停车位空置信息等；用户对停车位的偏好信息）等。其中：
T期用户停车配对多分类标签为：
，其中，i=0时，j只能为0，且(0,0,0)表示除了已标记的停车位外的其他位置。
T-1期用户当前车辆位置信息、停车场特征（停车场位置信息、收费信息、商圈信息等；用户停车场偏好信息）、停车楼层特征（每层楼层车位数、公共车位数、私人车位数、车辆在该楼层停放时长、车辆在该楼层排队队列信息等；用户在停车楼层的偏好信息）、停车位特征（停车位车辆停留时长、停车位编码信息、停车位空置信息等；用户对停车位的偏好信息）等，用于构建训练样本和测试样本。
T期用户当前车辆位置信息、停车场特征（停车场位置信息、收费信息、商圈信息等；用户停车场偏好信息）、停车楼层特征（每层楼层车位数、公共车位数、私人车位数、车辆在该楼层停放时长、车辆在该楼层排队队列信息等；用户在停车楼层的偏好信息）、停车位特征（停车位车辆停留时长、停车位编码信息、停车位空置信息等；用户对停车位的偏好信息）等，用于模型预测T+1期用户配对出行概率及分类。
步骤S602，样本处理。
在实现时，使用T期的用户配对多分类标签
及T-1期特征数据序列
按照用户id进行连接，得到T-1期的整体样本序列
，按一定比例随机切分为训练样本序列
（比例为а）和测试样本
（比例为1-а）。使用T期特征数据序列
作为T期预测样本序列
，用于预测T+1期的分类概率。
步骤S603，三层配对模型构建。
在实现时，使用贝叶斯条件概率模型，对三层配对多分类概率算法模型进行数学推导，得到概率模型如公式（2-1）所示：
其中，m表示停车场总数量，i表示第i个停车场；
表示第i个停车场下停车楼层的总数量，j表示第j层；
表示第j层中停车位的总数量，k表示第k个停车位。根据可交换原则将模型重构为公式（2-2）：
步骤S604，模型训练测试。
输入训练样本
、测试样本
，配对softmax多分类概率模型：
，采用梯度下降法进行迭代训练出配对模型。训练和测试分为以下三个步骤：
步骤S6041、输入训练样本
，代入模型
，采用梯度下降法进行迭代训练，得到基于停车场特征的停车场分类模型
，在模型测试阶段，输入测试样本
和模型
，计算得到用户在每一停车场的分类概率，并计算测试样本下的查全率、查准率、AUC等评估指标，当模型达标后，保存模型
，否则重复步骤S602至步骤S604，直到模型达标后，再保存最终模型
。
步骤S6042、输入训练样本
，代入模型
，采用梯度下降法进行迭代训练，得到基于停车楼层特征的分类模型
，在模型测试阶段，输入测试样本
和模型
，计算得到用户在每一停车场的分类概率，并计算测试样本下的查全率、查准率、AUC等评估指标，当模型达标后，保存模型
，否则重复步骤S602至步骤S604，直到模型达标后，再保存最终模型
。
Step4-3、输入训练样本
，代入模型
，采用梯度下降法进行迭代训练，得到基于停车位特征的分类模型
，在模型测试阶段，输入测试样本
和模型
，计算得到用户在每一停车场的分类概率，并计算测试样本下的查全率、查准率、AUC等评估指标，当模型达标后，保存模型
，否则重复步骤S602至步骤S604，直到模型达标后，再保存最终模型
。
从而得到基于停车场、停车楼层、停车位的三层配对模型
，并输出配对模型
。
步骤S605，模型预测。
输入步骤S602中的T期预测样本序列
，步骤S604得到的出行方式和出行路线配对模型
，代入三层配对多分类模型：
步骤S606，车位推荐。
输入步骤S605概率得分分组倒排序序列，车辆当前位置信息，根据停车场位置与车辆当前位置选择距离当前位置最近且在上述排序序列中得分最高的停车位通过地图推荐给用户。如图7A所示，可以在地图应用上通过在浮窗701输出推荐的车位信息，包括停车场名称、楼层及车位号，如果在车辆行驶过程中，推荐的停车位被另一车辆占了，如图7B所示，停车场后台管理系统实时更新停车位信息，并将该信息发送到地图客户端。地图后台系统则按得分从大到小顺序先后推荐该停车场、停车楼层的其它停车位，如此类推，如果该楼层停车位被占满，则按得分先后，推荐其它楼层停车位，如果该停车场被占满，则按照得分先后，推荐其它停车场的停车位。直到用户找到合适位置为止。
在本申请实施例提供的车位推荐方法中，本方案充分考虑了停车场、停车楼层、停车位置的相互包含关系，并通过严格的数学推导得到三层配对多分类概率模型，为算法模型的构建提供严格的数学保证。并且无需通过先预定停车位的方式，再进行导航的方式。而是采用根据用户当前车辆位置信息、停车场特征（停车场位置信息、收费信息、商圈信息等；用户停车场偏好信息）、停车楼层特征（每层楼层车位数、公共车位数、私人车位数、车辆在该楼层停放时长、车辆在该楼层排队队列信息等；用户在停车楼层的偏好信息）、停车位特征（停车位车辆停留时长、停车位编码信息、停车位空置信息等；用户对停车位的偏好信息）等，根据三层配对分类算法，计算用户停车偏好概率，主动推荐具体停车位给用户，另外停车场车位信息管理系统实时更新停车场停车位的信息，并通过网络发送到用户地图端，地图端根据用户车辆当前位置及停车场车位信息，进行实时算法更新，并通过地图推荐车位，并形成推荐路线通过地图为用户导航。还能够充分利用停车场车位的闲置时间，最大限度为用户推荐复合用户偏好的停车位置，同时能够充分利用停车位，有效解决停车难问题。
下面继续说明本申请实施例提供的车位推荐装置443实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器440的车位推荐装置装置443中的软件模块可以包括：
第一接收模块4431，用于接收终端发送的车位推荐请求，所述车位推荐请求携带有用户标识和目的地信息；
第一确定模块4432，用于基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征；
分类模块4433，用于将所述停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到所述终端在各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列；
第二确定模块4434，用于基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位；
第一发送模块4435，用于将携带有所述目标停车场、所述目标楼层和所述目标停车位的车位推荐响应发送至所述终端。
在一些实施例中，该第二确定模块，还用于：
将所述第一得分序列中得分最高的停车场确定为目标停车场；
从所述第二得分序列中获取所述目标停车场包括的各个停车楼层的第二得分子集；
将所述第二得分子集中得分最高的停车楼层确定为所述目标停车场内的目标楼层；
从所述第三得分序列中获取所述目标楼层包括的各个停车位的第三得分子集；
将所述第三得分子集中得分最高的停车位确定为所述目标楼层中的目标停车位。
在一些实施例中，该第一确定模块，还用于：
基于所述目的地信息，将与所述目的地信息之间的距离小于距离阈值的停车场确定为候选停车场；
获取所述候选停车场的停车场属性信息和用户停车场偏好信息，将所述停车场属性信息和所述用户停车场偏好信息确定为所述候选停车场的停车场特征；
获取所述候选停车场中各个停车楼层的楼层属性信息、车辆停放信息和用户停车楼层偏好信息，将所述楼层属性信息、所述车辆停放信息和所述用户停车楼层偏好信息确定为停车楼层特征；
获取所述各个停车楼层中各个停车位的车位属性信息、车位占用状态和用户停车位偏好信息，将所述车位属性信息、所述车位占用状态和所述用户停车位偏好信息确定为停车位特征。
在一些实施例中，该装置还包括：
第三确定模块，用于当监测到所述目标停车位被占用时，确定所述终端是否到达所述目标停车场；
第二发送模块，用于当确定所述车辆达到目标停车场时，向所述终端发送是否更新推荐车位的通知消息；
第四确定模块，用于当接收到更新推荐车位请求时，基于所述第一得分序列、所述第二得分序列和所述第三得分序列中的至少之一确定更新后的推荐车位信息；
第三发送模块，用于将所述更新后的推荐车位信息发送至所述终端。
在一些实施例中，该第四确定模块，还用于：
当基于所述第三得分序列确定所述目标楼层中包括可用的其他停车位时，将所述其他停车位中得分最高的停车位确定为更新后的目标停车位；
将所述目标停车场、所述目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
在一些实施例中，该第四确定模块，还用于：
当基于所述第三得分序列确定所述目标楼层中不包括可用的其他停车位时，基于所述第二得分序列确定所述目标停车场中除所述目标楼层之外的其他楼层是否包括可用车位；
当所述目标停车场中除所述目标楼层之外的其他楼层包括可用车位时，将所述目标停车场中除所述目标楼层之前的其他楼层中得分最高的楼层确定为更新后的目标楼层；
从所述第三得分子集中获取所述更新后的目标楼层对应的第三得分子集；
将所述更新后的目标楼层对应的第三得分子集中得分最高的停车位确定为更新后的目标停车位；
将所述目标停车场、所述更新后的目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
在一些实施例中，该第四确定模块，还用于：
当基于所述第二得分序列确定所述目标停车场中除所述目标楼层之外的其他楼层不包括可用车位时，基于所述第一得分序列将候选停车场中除目标停车场之外的其他停车场中得分最高的停车场确定为更新后的目标停车场；
将所述更新后的目标停车场中得分最高的楼层确定为更新后的目标楼层；
将所述更新后的目标楼层中得分最高的停车位确定为更新后的目标停车位；
将所述更新后的目标停车场、所述更新后的目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
在一些实施例中，所述训练好的多分类模型包括训练好的停车场子模型、训练好的楼层子模型和训练好的车位子模型，该装置还包括：
第一获取模块，用于获取训练数据，所述训练数据包括当前时间周期的停车多分类标签和当前时间周期的上一个时间周期中车辆停放的停车场训练特征、楼层训练特征和车位训练特征，所述停车多分类标签包括停车场标签、楼层标签和车位标签；
第二获取模块，用于获取预设的多分类模型，所述多分类模型包括停车场子模型、楼层子模型和车位子模型；
第一训练模块，用于利用所述停车场训练特征和所述停车场标签对所述停车场子模型进行训练，得到训练好的停车场子模型；
第二训练模块，用于利用所述楼层训练特征和所述楼层特征对所述楼层子模型进行训练，得到训练好的楼层子模型；
第三训练模块，用于利用所述车位训练特征和所述车位标签对所述车位子模型进行训练，得到训练好的车位子模型。
在一些实施例中，该第一获取模块，还用于：
获取所述当前时间周期中各个车辆停放的停车场标识、停车楼层标识和停车位标识和各个车辆对应的用户标识；
基于所述停车场标识、所述停车楼层标识和所述停车位标识确定停车多分类标签；
基于所述用户标识，确定所述当前时间周期的上一个时间周期中车辆停放的停车场训练特征、楼层训练特征和车位训练特征。
在一些实施例中，第一训练模块，还用于：
将所述停车场训练特征输入所述停车场子模型，对所述停车场子模型进行迭代训练；
在确定达到迭代结束条件时，获取初步训练好的停车场子模型；
获取测试数据，所述测试数据中至少包括停车场测试特征和停车场标签；
将所述停车场测试特征输入初步训练好的停车场子模型，得到预测停车场信息；
当基于所述停车场标签和所述预测停车场信息确定所述初步训练好的停车场子模型达到训练结束条件时，将所述初步训练好的停车子模型确定为训练好的停车子模型。
在一些实施例中，该装置还包括：
第三获取模块，用于当基于所述停车场标签和所述预测停车场信息确定所述初步训练好的停车场子模型未达到训练结束条件时，再次获取新的训练数据；
第四训练模块，用于利用所述新的训练数据中的停车场训练特征和停车场标签对所述停车场子模型继续进行训练，直至达到训练结束条件，得到训练好的停车场子模型。
在一些实施例中，该装置还包括：
第四获取模块，用于获取所述终端对应车辆的车辆当前位置和所述目标停车场的停车场位置；
第五确定模块，用于基于所述车辆当前位置和所述停车场位置，确定出行路线；
第四发送模块，用于将所述出行路线发送至所述终端。
这里需要指出的是：以上车位推荐装置实施例项的描述，与上述方法描述是类似的，具有同方法实施例相同的有益效果。对于本申请车位推荐装置实施例中未披露的技术细节，本领域的技术人员请参照本申请方法实施例的描述而理解。
本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例上述的车位推荐方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图3、图4和图5示出的方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。
Claims (14)
1.一种车位推荐方法，其特征在于，包括：
接收终端发送的车位推荐请求，所述车位推荐请求携带有目的地信息；
基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征，所述停车位特征至少包括用户停车位偏好信息；
将所述停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到所述终端在各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列，所述停车场特征、停车楼层特征和停车位特征为三个层次且具有包含关系的特征；
基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位；
将携带有所述目标停车场、所述目标楼层和所述目标停车位的车位推荐响应发送至所述终端；
当监测到所述目标停车位被占用时，确定所述终端是否到达所述目标停车场；
当确定所述终端到达目标停车场时，向所述终端发送是否更新推荐车位的通知消息；
当接收到更新推荐车位请求时，基于所述第一得分序列、所述第二得分序列和所述第三得分序列中的至少之一确定更新后的推荐车位信息；
将所述更新后的推荐车位信息发送至所述终端。
2.根据权利要求1中所述的方法，其特征在于，所述基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位，包括：
将所述第一得分序列中得分最高的停车场确定为目标停车场；
从所述第二得分序列中获取所述目标停车场包括的各个停车楼层的第二得分子集；
将所述第二得分子集中得分最高的停车楼层确定为所述目标停车场内的目标楼层；
从所述第三得分序列中获取所述目标楼层包括的各个停车位的第三得分子集；
将所述第三得分子集中得分最高的停车位确定为所述目标楼层中的目标停车位。
3.根据权利要求1中所述的方法，其特征在于，所述基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征，包括：
基于所述目的地信息，将与所述目的地信息之间的距离小于距离阈值的停车场确定为候选停车场；
获取所述候选停车场的停车场属性信息和用户停车场偏好信息，将所述停车场属性信息和所述用户停车场偏好信息确定为所述候选停车场的停车场特征；
获取所述候选停车场中各个停车楼层的楼层属性信息、车辆停放信息和用户停车楼层偏好信息，将所述楼层属性信息、所述车辆停放信息和所述用户停车楼层偏好信息确定为停车楼层特征；
获取所述各个停车楼层中各个停车位的车位属性信息、车位占用状态和用户停车位偏好信息，将所述车位属性信息、所述车位占用状态和所述用户停车位偏好信息确定为停车位特征。
4.根据权利要求1中所述的方法，其特征在于，所述基于所述第一得分序列、所述第二得分序列和所述第三得分序列中的至少之一确定更新后的推荐车位信息，包括：
当基于所述第三得分序列确定所述目标楼层中包括可用的其他停车位时，将所述其他停车位中得分最高的停车位确定为更新后的目标停车位；
将所述目标停车场、所述目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
5.根据权利要求4中所述的方法，其特征在于，所述基于所述第一得分序列、所述第二得分序列和所述第三得分序列中的至少之一确定更新后的推荐车位信息，包括：
当基于所述第三得分序列确定所述目标楼层中不包括可用的其他停车位时，基于所述第二得分序列确定所述目标停车场中除所述目标楼层之外的其他楼层是否包括可用车位；
当所述目标停车场中除所述目标楼层之外的其他楼层包括可用车位时，将所述目标停车场中除所述目标楼层之前的其他楼层中得分最高的楼层确定为更新后的目标楼层；
从所述第三得分序列中获取所述更新后的目标楼层对应的第三得分子集；
将所述更新后的目标楼层对应的第三得分子集中得分最高的停车位确定为更新后的目标停车位；
将所述目标停车场、所述更新后的目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
6.根据权利要求5中所述的方法，其特征在于，所述基于所述第一得分序列、所述第二得分序列和所述第三得分序列中的至少之一确定更新后的推荐车位信息，包括：
当基于所述第二得分序列确定所述目标停车场中除所述目标楼层之外的其他楼层不包括可用车位时，基于所述第一得分序列将候选停车场中除目标停车场之外的其他停车场中得分最高的停车场确定为更新后的目标停车场；
将所述更新后的目标停车场中得分最高的楼层确定为更新后的目标楼层；
将所述更新后的目标楼层中得分最高的停车位确定为更新后的目标停车位；
将所述更新后的目标停车场、所述更新后的目标楼层和所述更新后的目标停车位确定为更新后的推荐车位信息。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述训练好的多分类模型包括训练好的停车场子模型、训练好的楼层子模型和训练好的车位子模型，所述方法还包括：
获取训练数据，所述训练数据包括当前时间周期的停车多分类标签和当前时间周期的上一个时间周期中车辆停放的停车场训练特征、楼层训练特征和车位训练特征，所述停车多分类标签包括停车场标签、楼层标签和车位标签；
获取预设的多分类模型，所述多分类模型包括停车场子模型、楼层子模型和车位子模型；
利用所述停车场训练特征和所述停车场标签对所述停车场子模型进行训练，得到训练好的停车场子模型；
利用所述楼层训练特征和所述楼层特征对所述楼层子模型进行训练，得到训练好的楼层子模型；
利用所述车位训练特征和所述车位标签对所述车位子模型进行训练，得到训练好的车位子模型。
8.根据权利要求7中所述的方法，其特征在于，所述获取训练数据，包括：
获取所述当前时间周期中各个车辆停放的停车场标识、停车楼层标识和停车位标识和各个车辆对应的用户标识；
基于所述停车场标识、所述停车楼层标识和所述停车位标识确定停车多分类标签；
基于所述用户标识，确定所述当前时间周期的上一个时间周期中车辆停放的停车场训练特征、楼层训练特征和车位训练特征。
9.根据权利要求7中所述的方法，其特征在于，所述利用所述停车场训练特征和所述停车场标签对所述停车场子模型进行训练，得到训练好的停车场子模型，包括：
将所述停车场训练特征输入所述停车场子模型，对所述停车场子模型进行迭代训练；
在确定达到迭代结束条件时，获取初步训练好的停车场子模型；
获取测试数据，所述测试数据中至少包括停车场测试特征和停车场标签；
将所述停车场测试特征输入初步训练好的停车场子模型，得到预测停车场信息；
当基于所述停车场标签和所述预测停车场信息确定所述初步训练好的停车场子模型达到训练结束条件时，将所述初步训练好的停车子模型确定为训练好的停车子模型。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
当基于所述停车场标签和所述预测停车场信息确定所述初步训练好的停车场子模型未达到训练结束条件时，再次获取新的训练数据；
利用所述新的训练数据中的停车场训练特征和停车场标签对所述初步训练好的停车场子模型继续进行训练，直至达到训练结束条件，得到训练好的停车场子模型。
11.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
获取所述终端对应车辆的车辆当前位置和所述目标停车场的停车场位置；
基于所述车辆当前位置和所述停车场位置，确定出行路线；
将所述出行路线发送至所述终端。
12.一种车位推荐装置，其特征在于，包括：
第一接收模块，用于接收终端发送的车位推荐请求，所述车位推荐请求携带有用户标识和目的地信息；
第一确定模块，用于基于所述目的地信息确定至少一个候选停车场，获取各个候选停车场的停车场特征、停车楼层特征和停车位特征，所述停车位特征至少包括用户停车位偏好信息；
分类模块，用于将所述停车场特征、停车楼层特征和停车位特征输入训练好的多分类模型，得到所述终端在各个停车场的第一得分序列、在各个停车楼层的第二得分序列和在各个停车位的第三得分序列，所述停车场特征、停车楼层特征和停车位特征为三个层次且具有包含关系的特征；
第二确定模块，用于基于所述第一得分序列、所述第二得分序列和第三得分序列确定目标停车场、所述目标停车场内的目标楼层和所述目标楼层中的目标停车位；
第一发送模块，用于将携带有所述目标停车场、所述目标楼层和所述目标停车位的车位推荐响应发送至所述终端；
第三确定模块，用于当监测到所述目标停车位被占用时，确定所述终端是否到达所述目标停车场；
第二发送模块，用于当确定所述终端达到目标停车场时，向所述终端发送是否更新推荐车位的通知消息；
第四确定模块，用于当接收到更新推荐车位请求时，基于所述第一得分序列、所述第二得分序列和所述第三得分序列中的至少之一确定更新后的推荐车位信息；
第三发送模块，用于将所述更新后的推荐车位信息发送至所述终端。
13.一种车位推荐设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至11任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至11任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110830161.3A CN113284359B (zh) | 2021-07-22 | 2021-07-22 | 车位推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110830161.3A CN113284359B (zh) | 2021-07-22 | 2021-07-22 | 车位推荐方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113284359A CN113284359A (zh) | 2021-08-20 |
| CN113284359B true CN113284359B (zh) | 2022-03-29 |
Family
ID=77287079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110830161.3A Active CN113284359B (zh) | 2021-07-22 | 2021-07-22 | 车位推荐方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113284359B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023039794A1 (en) * | 2021-09-16 | 2023-03-23 | Chun Kuen Sze | Parking place management system and parking place management method |
| CN113851016B (zh) * | 2021-10-29 | 2024-04-30 | 中国联合网络通信集团有限公司 | 泊车管理方法、装置、电子设备及存储介质 |
| CN114187775B (zh) * | 2021-12-06 | 2023-05-09 | 广东飞翔云计算有限公司 | 基于大数据的停车位推荐的方法、装置、设备及存储介质 |
| CN114120704A (zh) * | 2021-12-07 | 2022-03-01 | 卢俊杰 | 停车导航方法、终端设备及可读存储介质 |
| US20230192070A1 (en) * | 2021-12-22 | 2023-06-22 | Aptiv Technologies Limited | Selection of a Parking Space Using a Probabilistic Approach |
| CN114842667B (zh) * | 2022-04-01 | 2024-01-16 | 合众新能源汽车股份有限公司 | 停车导航方法、装置及网络设备 |
| CN115019543B (zh) * | 2022-05-19 | 2023-09-22 | 北京星火北斗科技有限公司 | 一种智能停车方法、系统、电子设备、可读存储介质 |
| CN115131987A (zh) * | 2022-06-27 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 停车位推荐方法、装置、计算机设备和存储介质 |
| CN117542223B (zh) * | 2024-01-08 | 2024-03-12 | 西安卓越软件开发有限公司 | 基于计算机视觉的停车管理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109559553A (zh) * | 2018-12-12 | 2019-04-02 | 重庆邮电大学 | 一种智慧停车系统及其停车管理方法 |
| CN111832869A (zh) * | 2019-08-06 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种车辆调度方法、装置、电子设备及存储介质 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101094153B1 (ko) * | 2010-03-18 | 2011-12-14 | 이원석 | 주차 안내 및 주차장 관리를 위한 통합 시스템 |
| CN105206100A (zh) * | 2015-09-24 | 2015-12-30 | 上海车音网络科技有限公司 | 辅助停车方法、装置及系统 |
| JP2018106375A (ja) * | 2016-12-26 | 2018-07-05 | ダイハツ工業株式会社 | 駐車場誘導システム |
| CN107610532B (zh) * | 2017-09-26 | 2019-07-30 | 民航成都信息技术有限公司 | 一种基于偏好排序的航班停机位冲突解决方法 |
| KR101976110B1 (ko) * | 2018-07-27 | 2019-08-28 | 주식회사 에이디테크 | 스마트시티를 위한 IoT 표준기반 주차 유도 최적화시스템 |
| CN113139558B (zh) * | 2020-01-16 | 2023-09-05 | 北京京东振世信息技术有限公司 | 确定物品的多级分类标签的方法和装置 |
| CN111797323A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨理工大学 | 一种基于大数据的停车场智能推荐系统 |
| CN112101187A (zh) * | 2020-09-11 | 2020-12-18 | 腾讯科技（深圳）有限公司 | 道路识别方法、装置及电子设备 |
| CN112185162A (zh) * | 2020-09-18 | 2021-01-05 | 厦门路桥信息股份有限公司 | 停车位预约推荐方法及系统 |
| CN112129315B (zh) * | 2020-09-28 | 2022-09-20 | 北京百度网讯科技有限公司 | 用于推荐停车场的方法、装置、电子设备和存储介质 |
| CN112396862B (zh) * | 2021-01-19 | 2021-04-27 | 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 |
| CN112989182B (zh) * | 2021-02-01 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、信息处理设备及存储介质 |
| CN113053125B (zh) * | 2021-03-29 | 2021-12-31 | 浙江财经大学 | 基于前馈lstm模型的停车场库推荐方法 |
| CN113011529B (zh) * | 2021-04-28 | 2024-05-07 | 平安科技（深圳）有限公司 | 文本分类模型的训练方法、装置、设备及可读存储介质 |
-
2021
- 2021-07-22 CN CN202110830161.3A patent/CN113284359B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109559553A (zh) * | 2018-12-12 | 2019-04-02 | 重庆邮电大学 | 一种智慧停车系统及其停车管理方法 |
| CN111832869A (zh) * | 2019-08-06 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种车辆调度方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113284359A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113284359B (zh) | 车位推荐方法、装置、设备及计算机可读存储介质 | |
| TWI676783B (zh) | 用於預估到達時間之方法及系統 | |
| CN109478364B (zh) | 确定预计到达时间的方法及系统 | |
| CN109155104B (zh) | 推荐估计到达时间的系统和方法 | |
| CN112766607B (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
| TWI704508B (zh) | 用於線上到線下服務的系統、方法和電腦可讀取媒體 | |
| CN110537212B (zh) | 确定预估到达时间的系统与方法 | |
| Hillel et al. | Recreating passenger mode choice-sets for transport simulation: A case study of London, UK | |
| WO2016127918A1 (zh) | 一种运力调度方法及系统 | |
| CN112868036B (zh) | 位置推荐的系统和方法 | |
| US20170293857A1 (en) | Distributed online learning for privacy-preserving personal predictive models | |
| CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
| CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
| CN111667693B (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
| CN111433795A (zh) | 一种确定线上到线下服务的预估到达时间的系统和方法 | |
| CN111104585B (zh) | 一种问题推荐方法及装置 | |
| Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
| CN113918802B (zh) | 导航方法、装置、设备、介质及产品 | |
| CN112164225B (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN111539796B (zh) | 一种订单处理方法、装置及存储介质 | |
| Herberth et al. | Identifying atypical travel patterns for improved medium-term mobility prediction | |
| CN114330786A (zh) | 基于自动驾驶的车辆预约方法、装置、设备及存储介质 | |
| Schmoll et al. | Dynamic Resource Routing using Real-Time Information. | |
| CN113283184B (zh) | 一种出行推荐方法、装置、计算机设备和存储介质 | |
| CN111831927B (zh) | 信息推送装置、方法、电子设备和计算机可读存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40051613 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |