CN113496625A - 一种基于改进bp神经网络的私人停车位共享方法 - Google Patents
一种基于改进bp神经网络的私人停车位共享方法 Download PDFInfo
- Publication number
- CN113496625A CN113496625A CN202110918452.8A CN202110918452A CN113496625A CN 113496625 A CN113496625 A CN 113496625A CN 202110918452 A CN202110918452 A CN 202110918452A CN 113496625 A CN113496625 A CN 113496625A
- Authority
- CN
- China
- Prior art keywords
- iteration
- neural network
- neuron
- layer
- improved
- 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
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
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Abstract
本发明公开了一种基于改进BP神经网络的私人停车位共享方法,是应用于由出租者终端、驾驶员终端和后台所形成的共享网络中,并包括:1、后台收集真实场景下当前车辆目的地的共享停车数据并作为原始数据;2、构建改进BP神经网络并使用原始数据对其进行训练;3、训练直至误差小于某一给定范围或者达到最大迭代次数则停止训练,完成构建改进BP神经网络;4、后台根据出租者终端和驾驶员终端发送的信息进行分析处理,通过改进BP神经网络预测得到输出结果并发送给驾驶员终端;5、驾驶员根据驾驶员终端上的输出结果选择相应的私人停车位后完成停车。本发明能通过BP神经网络来实现私人停车位共享,提高资源利用率,从而缓解城市停车压力。
Description
技术领域
本发明涉及道路停车领域,具体涉及一种基于改进BP神经网络的私人停车位共享方法。
背景技术
随着国内经济的持续健康发展和城镇化的高度推进,居民收入水平进一步提高,汽车保有量持续上涨,对于停车场区位的需求也在不断上升,在供需严重失衡的情况下,由于停车信息难以获取和现有停车设施利用率较低等问题的存在,加剧了“停车难”问题,因此私人停车共享作为停车治理的一种重要手段应运而生。实施私人停车共享不仅可以缓解停车供需矛盾、提高经济效益,同时也能减少路内违法停车等影响道路正常通行秩序的问题发生。然而目前缺乏合理的私人停车位共享方法。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于改进BP神经网络的私人停车位共享方法,以期能通过BP神经网络来实现私人停车位共享,缓解停车供需矛盾,提高停车设施利用率,从而缓解城市停车压力。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于改进BP神经网络的私人停车位共享方法,其特点在于,是应用于由出租者终端、驾驶员终端和后台所形成的共享网络中,并包括以下步骤:
步骤1:后台收集真实场景下当前车辆目的地的共享停车数据并作为原始数据,包括:当前车辆在t时刻与目的地周边的第i个私人停车位的距离目的地周边的第i个私人停车位与当前车辆目的地的距离di、目的地周边一定范围内的公共停车场在t时刻的泊位占有率pt、其他车辆对目的地周边的私人停车位在t时刻的满意度st和目的地周边的第i个私人停车位在t时刻的实时分值
步骤2:后台构建改进BP神经网络,包括:输入层、隐藏层和输出层;
定义输入层的第m个神经元与隐藏层的第k个神经元的连接权重为wkm,m∈[1,M],k∈[1,K],隐藏层的第k个神经元的阈值为θk;
定义隐藏层的第k个神经元与输出层的第n个神经元的连接权重为w′nk,n∈[1,N],定义输出层的第n个神经元的阈值为θ′n;
步骤3:所述改进BP神经网络的前馈过程;
步骤3.1:定义p是当前迭代次数,pmax是最大迭代次数,并初始化p=1;
式(1)中,f(·)表示隐藏层的激活函数,表示第p次迭代时的隐藏层的第k个神经元的输入,且 表示第p次迭代时的输入层的第m个神经元与隐藏层的第k个神经元的连接权重,表示第p次迭代时所述输入层中的第m个神经元的输入;
步骤4:所述改进BP神经网络的反馈过程;
利用式(4)得到所述改进BP神经网络的反馈过程中第p次迭代时权重的变化量:
式(4)中,表示第p次迭代时输入层的第m个神经元与隐藏层的第k个神经元的权重变化量,表示第p次迭代时隐藏层的第k个神经元与输出层的第n个神经元的权重变化量,ηp表示所述改进BP神经网络第p次迭代时的学习率,且ηp∈[0,1];
利用式(5)得到所述改进BP神经网络的反馈过程中第p次迭代时阈值的调整量:
利用式(6)得到所述改进BP神经网络的反馈过程中第p次迭代时的参数更新:
式(6)中,ηp+1表示所述改进BP神经网络第p+1次迭代时的学习率,gp表示第p次迭代时的梯度,mp表示第p次迭代时的移动平均指数,mp-1表示第p-1次迭代时的移动平均指数,sp表示第p次迭代时的梯度gp和移动平均指数mp的差方和,sp-1表示第p-1次迭代时的差方和,和分别是第p次迭代时的移动平均指数mp的修正以及差方和sp的修正,和是第p次迭代时的两个可变参数;α和ε是两个固定参数;
根据式(7)得到所述改进BP神经网络的反馈过程中第p次迭代时的权重和阈值的更新公式:
式(7)中,表示第p+1次迭代时输入层的第m个神经元与隐藏层的第k个神经元的连接权重,表示第p+1次迭代时隐藏层的第k个神经元与输出层的第n个神经元的连接权重,表示第p+1次迭代时隐藏层的第k个神经元的阈值,表示第p次迭代时隐藏层的第k个神经元的阈值,表示第p+1次迭代时输出层的第n个神经元的阈值,表示第p次迭代时输出层的第n个神经元的阈值,σ为参数,且σ∈[-1,1];
步骤5:p+1赋值给p后,返回步骤3.2顺序执行,直至误差小于某一给定范围或者p达到最大迭代次数pmax时停止训练,从而得到训练好的BP神经网络;
步骤6:所述出租者终端将自身所拥有的私人停车位的位置以及空闲时间发送给所述后台进行共享;所述驾驶员终端发送自身位置、目的地以及停放时间给所述后台;
步骤7、所述后台根据所述出租者终端和驾驶员终端发送的信息进行分析处理,得到当前输入向量,并利用训练好的BP神经网络对当前输入向量进行预测,并得到对应的输出结果中并发送给所述驾驶员终端;
步骤8、所述驾驶员终端根据所述输出结果选择相应的私人停车位后完成停车,并将满意度发送给所述后台进行更新,同时,所述后台更新泊位占有率。
与现有技术相比,本发明的有益效果体现在:
1、本发明通过将私人停车位拥有者的出租者终端与驾驶员的驾驶员终端通过后台联系起来,利用一种基于改进BP神经网络的方法训练可以帮助驾驶员在任意时刻得到最佳停车位选择,解决了当前信息难以获取和现有停车设施利用率较低等问题,帮助缓解停车供需矛盾和减少路内违法停车等影响道路正常通行秩序的问题。
2、本发明操作简单,私人停车位的拥有者只需将车位信息在出租者终端输入信息;需要使用共享的私人停车位的机动车驾驶员在驾驶员终端选择适当的车位预约,从而可以通过后台联系轻松将信息共享起来。
3、本发明依据改进BP神经网络训练得出的结果,考虑的因素较为全面,因此其合理性和有效性可以得到保障。
4、本发明对现有的BP神经网络的学习率进行改进,在使用梯度下降法的过程中,考虑了梯度和步长之间的关系,对其学习率进行实时调整,保证了其训练的稳定性。
5、本发明对现有的BP神经网络的步长进行改进,在当前的梯度方向上调整步长的过程中,随着迭代次数的增加,其权重调整值系数逐渐变小,此时可以有效防止其陷入局部最优,从而平衡了其探索与开发能力。
附图说明
图1是出租者终端示意图;
图2是驾驶员终端示意图;
图3是改进BP神经网络示意图;
图4是一种基于改进BP神经网络的私人停车位共享流程图。
具体实施方式
本实施例中,一种基于改进BP神经网络的私人停车位共享方法,是应用于由图1所示的用于传递停车位位置,空闲时间段和期望收益等信息的出租者终端、由图2所示的用于传递驾驶员车辆位置,目的地,停车时间段等信息并根据后台反馈的信息选择合适的停车位的驾驶员终端和用于接收,处理,传递信息的后台所形成的共享网络中,并包括以下步骤:
步骤1:后台收集真实场景下当前车辆目的地的共享停车数据并作为原始数据,包括:当前车辆在t时刻与目的地周边的第i个私人停车位的距离目的地周边的第i个私人停车位与当前车辆目的地的距离di、目的地周边一定范围内的公共停车场在t时刻的泊位占有率pt、其他车辆对目的地周边的私人停车位在t时刻的满意度st作为输入向量和作为输出向量的目的地周边的第i个私人停车位在t时刻的实时分值
步骤2:后台构建改进BP神经网络,包括:改进BP神经网络输入层、改进BP神经网络隐藏层和改进BP神经网络输出层,如图3所示;
改进BP神经网络输入层的第m个神经元与改进BP神经网络隐藏层的第k个神经元的连接权重为wkm,m∈[1,M],k∈[1,K],改进BP神经网络隐藏层的第k个神经元的阈值为θk;
改进BP神经网络隐藏层的第k个神经元与改进BP神经网络输出层的第n个神经元的连接权重为w′nk,n∈[1,N],改进BP神经网络输出层的第n个神经元的阈值为θ′n;
步骤3:改进BP神经网络的前馈过程;
步骤3.1:p是当前迭代次数,pmax是最大迭代次数,并初始化p=1;
式(1)中,f(·)表示改进BP神经网络隐藏层的激活函数,表示第p次迭代时的改进BP神经网络隐藏层的第k个神经元的输入,且 表示第p次迭代时的改进BP神经网络输入层的第m个神经元与改进BP神经网络隐藏层的第k个神经元的连接权重,表示第p次迭代时改进BP神经网络输入层中的第m个神经元的输入;
式(2)中,f′(·)表示改进BP神经网络输出层的激活函数,表示第p次迭代时的改进BP神经网络输出层的第n个神经元的输入,且 表示第p次迭代时的改进BP神经网络隐藏层的第k个神经元与改进BP神经网络输出层的第n个神经元的连接权重;
步骤4:改进BP神经网络的反馈过程;
利用式(5)得到改进BP神经网络的反馈过程中第p次迭代时权重的变化量:
利用式(6)将式(5)进一步转化得到改进BP神经网络的反馈过程中第p次迭代时权重的变化量:
式(6)中,表示第p次迭代时改进BP神经网络输入层的第m个神经元与改进BP神经网络隐藏层的第k个神经元的权重变化量,表示第p次迭代时改进BP神经网络隐藏层的第k个神经元与改进BP神经网络输出层的第n个神经元的权重变化量,ηp表示所述改进BP神经网络第p次迭代时的学习率,且ηp∈[0,1];
利用式(7)得到所述改进BP神经网络的反馈过程中第p次迭代时阈值的调整量:
利用式(8)得到所述改进BP神经网络的反馈过程中第p次迭代时的参数更新:
式(8)中,ηp+1表示所述改进BP神经网络第p+1次迭代时的学习率,gp表示第p次迭代时的梯度,mp表示第p次迭代时的移动平均指数,mp-1表示第p-1次迭代时的移动平均指数,sp表示第p次迭代时的梯度gp和移动平均指数mp的差方和,sp-1表示第p-1次迭代时的差方和,和分别是第p次迭代时的移动平均指数mp的修正以及差方和sp的修正,和是第p次迭代时的两个可变参数;α和ε是两个固定参数;
这一步是在当前的梯度方向上调整步长,使用移动平均指数作为下一个梯度的预测,如果观察到的梯度与预测到的梯度相差比较大,则对其步长进行较小的调整;反之,如果观察到的梯度与预测到的梯度相差比较小,则对其步长进行较大的调整,如此则可以保证其训练的稳定性。
根据式(9)得到所述改进BP神经网络的反馈过程中第p次迭代时的权重和阈值的更新公式:
式(9)中,表示第p+1次迭代时改进BP神经网络输入层的第m个神经元与改进BP神经网络隐藏层的第k个神经元的连接权重,表示第p+1次迭代时改进BP神经网络隐藏层的第k个神经元与改进BP神经网络输出层的第n个神经元的连接权重,表示第p+1次迭代时改进BP神经网络隐藏层的第k个神经元的阈值,表示第p次迭代时改进BP神经网络隐藏层的第k个神经元的阈值,表示第p+1次迭代时改进BP神经网络输出层的第n个神经元的阈值,表示第p次迭代时改进BP神经网络输出层的第n个神经元的阈值,σ为参数,且σ∈[-1,1];
这一步是在当前的梯度方向上调整步长的过程中,在迭代初期,权重调整值取值较大,可以有效提高其搜索效率,但随着其迭代次数的增加,其权重调整值系数逐渐变小,此时可以有效防止其陷入局部最优,从而平衡其探索与开发能力。
步骤5:p+1赋值给p后,返回步骤3.2顺序执行,直至误差小于某一给定范围或者p达到最大迭代次数pmax时停止训练,从而得到训练好的BP神经网络;
步骤6:如图4所示,出租者终端将自身所拥有的私人停车位的位置以及空闲时间发送给后台进行共享;驾驶员终端发送自身位置、目的地以及停放时间给后台;
步骤7:后台根据出租者终端和驾驶员终端发送的信息进行分析处理,得到当前输入向量,并利用训练好的BP神经网络对当前输入向量进行预测,并得到对应的输出结果中并发送给驾驶员终端;
步骤8:驾驶员终端根据输出结果选择相应的私人停车位发送信息给后台预约后完成停车,待到驾驶员结束此次共享之后对此次共享停车进行打分评价并将满意度发送给后台进行更新,同时,后台更新泊位占有率。
Claims (1)
1.一种基于改进BP神经网络的私人停车位共享方法,其特征在于,是应用于由出租者终端、驾驶员终端和后台所形成的共享网络中,并包括以下步骤:
步骤1:后台收集真实场景下当前车辆目的地的共享停车数据并作为原始数据,包括:当前车辆在t时刻与目的地周边的第i个私人停车位的距离目的地周边的第i个私人停车位与当前车辆目的地的距离di、目的地周边一定范围内的公共停车场在t时刻的泊位占有率pt、其他车辆对目的地周边的私人停车位在t时刻的满意度st和目的地周边的第i个私人停车位在t时刻的实时分值
步骤2:后台构建改进BP神经网络,包括:输入层、隐藏层和输出层;
定义输入层的第m个神经元与隐藏层的第k个神经元的连接权重为wkm,m∈[1,M],k∈[1,K],隐藏层的第k个神经元的阈值为θk;
定义隐藏层的第k个神经元与输出层的第n个神经元的连接权重为w′nk,n∈[1,N],定义输出层的第n个神经元的阈值为θ′n;
步骤3:所述改进BP神经网络的前馈过程;
步骤3.1:定义p是当前迭代次数,pmax是最大迭代次数,并初始化p=1;
式(1)中,f(·)表示隐藏层的激活函数,表示第p次迭代时的隐藏层的第k个神经元的输入,且 表示第p次迭代时的输入层的第m个神经元与隐藏层的第k个神经元的连接权重,表示第p次迭代时所述输入层中的第m个神经元的输入;
步骤4:所述改进BP神经网络的反馈过程;
利用式(4)得到所述改进BP神经网络的反馈过程中第p次迭代时权重的变化量:
式(4)中,表示第p次迭代时输入层的第m个神经元与隐藏层的第k个神经元的权重变化量,表示第p次迭代时隐藏层的第k个神经元与输出层的第n个神经元的权重变化量,ηp表示所述改进BP神经网络第p次迭代时的学习率,且ηp∈[0,1];
利用式(5)得到所述改进BP神经网络的反馈过程中第p次迭代时阈值的调整量:
利用式(6)得到所述改进BP神经网络的反馈过程中第p次迭代时的参数更新:
式(6)中,ηp+1表示所述改进BP神经网络第p+1次迭代时的学习率,gp表示第p次迭代时的梯度,mp表示第p次迭代时的移动平均指数,mp-1表示第p-1次迭代时的移动平均指数,sp表示第p次迭代时的梯度gp和移动平均指数mp的差方和,sp-1表示第p-1次迭代时的差方和,和分别是第p次迭代时的移动平均指数mp的修正以及差方和sp的修正,和是第p次迭代时的两个可变参数;α和ε是两个固定参数;
根据式(7)得到所述改进BP神经网络的反馈过程中第p次迭代时的权重和阈值的更新公式:
式(7)中,表示第p+1次迭代时输入层的第m个神经元与隐藏层的第k个神经元的连接权重,表示第p+1次迭代时隐藏层的第k个神经元与输出层的第n个神经元的连接权重,表示第p+1次迭代时隐藏层的第k个神经元的阈值,表示第p次迭代时隐藏层的第k个神经元的阈值,表示第p+1次迭代时输出层的第n个神经元的阈值,θ′n p表示第p次迭代时输出层的第n个神经元的阈值,σ为参数,且σ∈[-1,1];
步骤5:p+1赋值给p后,返回步骤3.2顺序执行,直至误差小于某一给定范围或者p达到最大迭代次数pmax时停止训练,从而得到训练好的BP神经网络;
步骤6:所述出租者终端将自身所拥有的私人停车位的位置以及空闲时间发送给所述后台进行共享;所述驾驶员终端发送自身位置、目的地以及停放时间给所述后台;
步骤7、所述后台根据所述出租者终端和驾驶员终端发送的信息进行分析处理,得到当前输入向量,并利用训练好的BP神经网络对当前输入向量进行预测,并得到对应的输出结果中并发送给所述驾驶员终端;
步骤8、所述驾驶员终端根据所述输出结果选择相应的私人停车位后完成停车,并将满意度发送给所述后台进行更新,同时,所述后台更新泊位占有率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918452.8A CN113496625B (zh) | 2021-08-11 | 2021-08-11 | 一种基于改进bp神经网络的私人停车位共享方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918452.8A CN113496625B (zh) | 2021-08-11 | 2021-08-11 | 一种基于改进bp神经网络的私人停车位共享方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496625A true CN113496625A (zh) | 2021-10-12 |
CN113496625B CN113496625B (zh) | 2022-04-01 |
Family
ID=77995883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918452.8A Active CN113496625B (zh) | 2021-08-11 | 2021-08-11 | 一种基于改进bp神经网络的私人停车位共享方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496625B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2015114592A1 (en) * | 2014-01-30 | 2015-08-06 | Universidade Do Porto | Device and method for self-automated parking lot for autonomous vehicles based on vehicular networking |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
US20170337448A1 (en) * | 2016-05-18 | 2017-11-23 | Hong Kong Productivity Council | Automatic electric ground service equipment parking bay monitoring system |
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 |
CN108564810A (zh) * | 2018-06-05 | 2018-09-21 | 长沙大京网络科技有限公司 | 一种车位共享系统及其方法 |
CN109240885A (zh) * | 2018-08-30 | 2019-01-18 | 郑州云海信息技术有限公司 | 一种性能监控方法、系统及电子设备和存储介质 |
DE102017130488A1 (de) * | 2017-12-19 | 2019-06-19 | Valeo Schalter Und Sensoren Gmbh | Verfahren zur Klassifizierung von Parklücken in einem Umgebungsbereich eines Fahrzeugs mit einem neuronalen Netzwerk |
CN110853398A (zh) * | 2019-10-11 | 2020-02-28 | 岳天一 | 一种嵌入式物联网车位共享系统 |
CN112419711A (zh) * | 2020-10-22 | 2021-02-26 | 桂林电子科技大学 | 基于改进gmdh算法的封闭式停车场停车需求预测方法 |
-
2021
- 2021-08-11 CN CN202110918452.8A patent/CN113496625B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2015114592A1 (en) * | 2014-01-30 | 2015-08-06 | Universidade Do Porto | Device and method for self-automated parking lot for autonomous vehicles based on vehicular networking |
US20170337448A1 (en) * | 2016-05-18 | 2017-11-23 | Hong Kong Productivity Council | Automatic electric ground service equipment parking bay monitoring system |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
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 |
DE102017130488A1 (de) * | 2017-12-19 | 2019-06-19 | Valeo Schalter Und Sensoren Gmbh | Verfahren zur Klassifizierung von Parklücken in einem Umgebungsbereich eines Fahrzeugs mit einem neuronalen Netzwerk |
CN108564810A (zh) * | 2018-06-05 | 2018-09-21 | 长沙大京网络科技有限公司 | 一种车位共享系统及其方法 |
CN109240885A (zh) * | 2018-08-30 | 2019-01-18 | 郑州云海信息技术有限公司 | 一种性能监控方法、系统及电子设备和存储介质 |
CN110853398A (zh) * | 2019-10-11 | 2020-02-28 | 岳天一 | 一种嵌入式物联网车位共享系统 |
CN112419711A (zh) * | 2020-10-22 | 2021-02-26 | 桂林电子科技大学 | 基于改进gmdh算法的封闭式停车场停车需求预测方法 |
Non-Patent Citations (1)
Title |
---|
黎冬平等: "城市中心区停车场短时车辆到达与离去特性研究", 《现代交通技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113496625B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021103625A1 (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
Wu et al. | A combined deep learning method with attention-based LSTM model for short-term traffic speed forecasting | |
CN108091135B (zh) | 基于优化小波神经网络的停车泊位多步预测方法 | |
CN108791270B (zh) | 一种混合动力车辆基于工况预测的动力部件工作点调控方法 | |
CN106971566B (zh) | 基于遗传算法的自适应控制方法 | |
CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
CN113554875B (zh) | 一种基于边缘计算的高速公路异质交通流可变限速控制方法 | |
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
CN110458337A (zh) | 一种基于c-gru的网约车供需预测方法 | |
CN112052895A (zh) | 一种纯电动汽车驾驶风格聚类方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN112614346B (zh) | 基于奇异谱分析和回声状态网络的短时交通流预测方法 | |
CN108394429B (zh) | 一种为城轨列车群生成自动驾驶曲线的方法 | |
CN115578870B (zh) | 一种基于近端策略优化的交通信号控制方法 | |
CN113479187B (zh) | 一种插电式混合动力汽车分层异步长能量管理方法 | |
CN107688556B (zh) | 一种基于函数型主成分分析的实时行程时间计算方法 | |
CN113496625B (zh) | 一种基于改进bp神经网络的私人停车位共享方法 | |
CN104527637A (zh) | 混合动力汽车控制方法和系统 | |
CN113554060B (zh) | 一种融合dtw的lstm神经网络轨迹预测方法 | |
CN114743396A (zh) | 基于粒子群优化算法的交通诱导调度系统及其调度方法 | |
CN107145714B (zh) | 基于多因素的公共自行车使用量预测方法 | |
CN104751652A (zh) | 基于遗传算法的绿波优化算法 | |
CN106347373B (zh) | 一种基于电池荷电状态预测的动态规划方法 | |
CN117559468A (zh) | 一种基于超短期频率偏差预测的v2g站快速调频响应方法 | |
CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 |
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 |