CN113570866B - 一种停车场管理方法、系统、存储介质及电子设备 - Google Patents

一种停车场管理方法、系统、存储介质及电子设备 Download PDF

Info

Publication number
CN113570866B
CN113570866B CN202111120299.0A CN202111120299A CN113570866B CN 113570866 B CN113570866 B CN 113570866B CN 202111120299 A CN202111120299 A CN 202111120299A CN 113570866 B CN113570866 B CN 113570866B
Authority
CN
China
Prior art keywords
vehicle
parking information
predicted
reserved
order
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111120299.0A
Other languages
English (en)
Other versions
CN113570866A (zh
Inventor
赖俊楠
陈诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Ebo Information Technology Co ltd
Original Assignee
Chengdu Ebo Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Ebo Information Technology Co ltd filed Critical Chengdu Ebo Information Technology Co ltd
Priority to CN202111120299.0A priority Critical patent/CN113570866B/zh
Publication of CN113570866A publication Critical patent/CN113570866A/zh
Application granted granted Critical
Publication of CN113570866B publication Critical patent/CN113570866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q50/40—
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Analytical Chemistry (AREA)
  • Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明适用于停车管理技术领域，提供了一种停车场管理方法、系统、存储介质及电子设备，停车场管理方法包括如下步骤：获取通行预测模型，所述通行预测模型用于预测预定时间段内的预测车辆入场函数、预测车辆在场函数和预测车辆出场函数；获取预约停车信息，根据预约停车信息修正所述通行预测模型；若无预约停车信息，则继续执行；根据通行预测模型预测停车场的通行状态。本发明提供的一种停车场管理方法、系统、存储介质及电子设备能够预测停车场的通行状态，提高了用户体验和停车场的服务质量。

Description

一种停车场管理方法、系统、存储介质及电子设备
技术领域
本发明涉及停车管理技术领域，尤其是涉及一种停车场管理方法、系统、存储介质及电子设备。
背景技术
随着经济的快速发展，人均汽车保有量与日俱增，人们对停车位需求与与日俱增，同时停车场内的拥堵日渐频繁，极大影响了停车场的服务质量，也影响了停车用户的服务体验，一定程度上影响着国民幸福指数。因此，能否准确地对停车场内通行情况进行短时预测，已成为交通管理与控制方向的重要问题之一。
目前停车场内的车辆通行情况，除受到业态、车位数等停车场基础属性的影响之外，也会受到特定日期属性的影响，如节假日、天气、星期等，同时，还会受到来自多方的停车场预定活动的影响，如预定会议或其他聚集活动等，从而导致停车场内车辆通行状况预测难度大。
近年来，国内外学者建立了多种停车场短时预测模型，如时间序列法、模糊神经网络、BP神经网络方法、小波神经网络等。但均存在推理过程不易实现、运算量大、参数难以确定等缺陷，且上述短时预测模型均未能实现对停车场内拥堵状态的短时预测。
综上所述，现有技术存在的技术问题在于：
1.现有技术中停车场内通行状况的短时预测，已成为交通管理和控制方向的重要问题之一；
2.现有技术中停车场内通行情况受到多方因素、多种因素的影响，具有预测难度大的特点；
3.现有技术中停车场的短时预测模型具有推理过程难度大、参数模糊等缺陷，同时未能实现对停车场内拥堵状态的短时预测。
发明内容
本发明的目的是提供一种停车场管理方法、系统、存储介质及电子设备，旨在预测停车场的通行状态，提高用户体验和停车场的服务质量。
本发明第一方面提供了一种停车场管理方法，包括如下步骤：
步骤S100：获取通行预测模型，所述通行预测模型用于预测预定时间段内的预测车辆入场函数、预测车辆在场函数和预测车辆出场函数；
步骤S200：获取预约停车信息，根据预约停车信息修正所述通行预测模型；若无预约停车信息，则执行步骤S300；
步骤S300：根据通行预测模型预测停车场的通行状态。
进一步的，步骤S100中，建立通行预测模型包括如下步骤：
步骤S110：获取多组实际通行数据，每组所述实际通行数据包括实际车辆入场数、实际车辆在场数和实际车辆出场数；
步骤S120：对每组所述实际通行数据进行拟合，得到拟合函数，所述拟合函数包括拟合车辆入场函数、拟合车辆在场函数和拟合车辆出场函数；
步骤S130：将与所述实际通行数据之间误差最小的拟合函数作为预测函数，所述预测函数包括预测车辆入场函数、预测车辆在场函数和预测车辆出场函数；
步骤S140：根据所述预测函数建立所述通行预测模型，所述通行预测模型的预测公式为：
M t,i,j =|∆Y t,i,j /∆t|
其中，M t,i,j 为第i次第j号预约停车信息的通行预测函数值，∆Y t,i,j 为第i次第j号预约停车信息在指定时间段内剩余车位数的变化量，∆t为指定时间段，所述指定时间段内剩余车位数的变化量∆Y t,i,j 的计算公式为：
Figure 114111DEST_PATH_IMAGE001
，所述指定时间段的计算公式为∆t=|t a -t b |，t为时间点，
Figure 177882DEST_PATH_IMAGE002
为第i次第j号预约停车信息在预测起始时间点t a 的剩余车位数，
Figure 907940DEST_PATH_IMAGE003
为第i次第j号预约停车信息在预测终止时间点t b 的剩余车位数，t a 为预测起始时间点，t b 为预测终止时间点，a为预测起始的时间点序号，b为预测终止的时间点序号，所述指定时间段∆t小于所述预定时间段，Y t,i,j 为第i次第j号预约停车信息在时间点t时的剩余车位数，所述剩余车位数Y t,i,j 包括第i次第j号预约停车信息在时间点t时的预测车辆入场数、第i次第j号预约停车信息在时间点t时的预测车辆在场数和第i次第j号预约停车信息在时间点t时的预测车辆出场数，i为第j号预约停车信息的次数的序号，j为预约停车信息的序号。
进一步的，所述剩余车位数Y t,i,j 的计算公式为：Y t,i,j =PZ-A i,j ·PS t,i,j -B i,j · PI t,i,j +C i,j ·PO t,i,j 计算通行预测模型，其中，PZ为停车场的总车位数，A i,j 为第i次第j号预约停车信息的车辆在场系数，PS t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆在场数，B i,j 为第i次第j号预约停车信息的车辆入场系数，PI t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆入场数，C i,j 为第i次第j号预约停车信息的车辆出场系数，PO t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆出场数。
进一步的，步骤S200中，所述第i次第j号预约停车信息包括第i次预约停车数量和第i次预约时间段，根据所述预约停车数量设定车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j ；和/或所述预约时间段设定车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j 。
进一步的，还包括步骤S400：当再次出现第j号预约停车信息时，根据预测车辆在场数PS t,i,j 与第i次预约停车信息时的实际车辆在场数的在场差值修正第i+1次预约停车信息的车辆在场系数A i+1,j 、和/或根据预测车辆入场数PI t,i,j 与第i次预约停车信息时的实际车辆入场数的入场差值修正第i+1次预约停车信息的车辆入场系数B i+1,j 、和/或根据预测车辆出场数PO t,i,j 与第i次预约停车信息时的实际车辆出场数的出场差值修正第i+1次预约停车信息的车辆出场系数C i+1,j ；令i=i+1，执行步骤S100。
进一步的，车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j 随时间点t变化。
进一步的，步骤S300中，若M t,i,j ≧Q，则预测停车场在指定时间段∆t内处于拥堵状态，其中，Q为预设拥堵阈值；若M t,i,j <Q，则预测停车场在指定时间段∆t内处于非拥堵状态。
本发明第二方面提供了一种停车场管理系统，包括如下模块：通行预测模型获取模块，用于获取实际通行数据，并根据获取到的实际通行数据建立通行预测模型；预约停车信息获取模块，用于获取预约停车信息，并根据预约停车信息修正所述通行预测模型；通行状态预测模块，用于根据所述通行预测模型预测停车场的通行状态。
本发明第三方面提供了一种可读存储介质，用于存储程序，所述程序被执行时，用于实现所述的停车场管理方法。
本发明第四方面提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的停车场管理方法。
综上所述，本发明至少具有如下技术效果：
1. 本发明通过将预测车辆入场数、预测车辆在场数和预测车辆出场数作为建立通行预测模型的参数，将车辆入场数和车辆出场数作为影响停车场通行状态的因素，更加全面的反应了停车场内车辆的通行状态，保证了通行状态预测模型的精确性；
2. 本发明通过对多组实际通行数据对多组实际车辆入场数、多组实际车辆在场数和多组实际车辆出场数进行拟合，并选择误差最小的拟合函数作为预测函数，得到预测车辆入场数、预测车辆在场数和预测车辆出场数，最终通过预测车辆入场数、预测车辆在场数和预测车辆出场数得到剩余车位数，再通过剩余车位数在指定时间段的平均变化率建立通行预测模型，该通行预测模型具有推理过程简单、参数准确的特点，同时通过更加全面的数据和简单的计算实现了对停车场内指定时间段内拥堵状态的预测；
3. 本发明通过根据第i次预约停车数量和第i次预约时间段设置预约车辆在场系数、车辆入场系数和车辆出场系数为预约停车信息提供可调整的空间，通过预约端的信息对预测模型进行修正，进而提前预测了预约时间段前后和预约时间段内的停车信息，能够尽可能早的预测停车场内的通行信息，为进一步提高预测时间提供可能；
4. 本发明通过第i次预约停车信息时的预测车辆在场数、预测车辆入场数和预测车辆出场数，与第i次预约停车信息时的实际车辆在场数、实际车辆入场数和实际车辆出场数的在场差值修正第i+1次预约停车信息的车辆在场系数A i+1,j 、B i+1,j 、和/或C i+1,j ，进一步加速了对通行预测模型的矫正，使得通行预测模型快速接近实际值，提高了同样预约停车信息时，停车场内通行状态预测的精确性；
5. 本发明通过判断通行预测函数值与预设拥堵阈值的比较，预测停车场内在指定时间段内的通行状态，为用户的出行提供参考，为未来停车场实现智慧停车奠定了理论方法基础，对智慧城市的建设具有重大的实用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明中停车场管理方法的流程示意图；
图2是本发明中建立通行预测模型的流程示意图；
图3是本发明中车辆在场系数、车辆入场系数、车辆出场系数的变化曲线；
图4是本发明中停车场管理系统的示意图。
具体实施方式
以下的说明提供了许多不同的实施例、或是例子，用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式，仅用来精简的表达本发明，其仅作为例子，而并非用以限制本发明。
在本发明的描述中，需要理解的是，术语"上"、"下"、"前"、"后"、"左"、"右"、"垂直"、"水平"、"顶"、"底"、"内"、"外"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接：可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之"上"或之"下"可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征"之上"、"上方"和"上面"包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征"之下"、"下方"和"下面"包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度小于第二特征。
本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例一：
如图1所示，本发明实施例一提供了一种停车场管理方法，包括如下步骤：
步骤S100：获取通行预测模型，所述通行预测模型用于预测预定时间段内的预测车辆入场函数、预测车辆在场函数和预测车辆出场函数；
步骤S200：获取预约停车信息，根据预约停车信息修正所述通行预测模型；若无预约停车信息，则执行步骤S300；
步骤S300：根据通行预测模型预测停车场的通行状态。
本申请人经过多种、多次试验，并结合经验发现：当停车场内发生拥堵，主要是因为有很多人要在同一时刻离开，这些人有些是必须出行的，有些是非必须的；同时，拥堵时，还有更多的人不知道正在发生拥堵，而在不久后加入到停车场的拥堵情况中。若能够让非必须出行的人和即将出行却不知道可能发生拥堵的人，提前获知停车场在短时间内的通行状态，则有助于他们提前调整出行方案和计划，进而缓解停车场内通行情况。
因此，本申请人提出了停车场在预定时间段内的通行预测模型，通过将预测车辆入场数、预测车辆在场数和预测车辆出场数作为建立通行预测模型的参数，将车辆入场数和车辆出场数作为影响停车场通行状态的因素，更加全面的反应了停车场内车辆的通行状态，保证了通行状态预测模型的精确性。
同时，考虑了当发生预约事件时产生的预约停车信息，如：预定会议或预定活动等，并通过提前获知的预约停车信息修正通行预测模型，从而尽可能对指定时间段内停车场内的预测车辆入场数、预测车辆在场数和预测车辆出场数进行修正，从而尽可能早的将预测到的通行状态发送到终端，为终端进一步的计划和安排提供参考，同时保证了预约事件的有序进行。
进一步的，如图2所示，步骤S100中，建立通行预测模型包括如下步骤：
步骤S110：获取多组实际通行数据，每组所述实际通行数据包括实际车辆入场数、实际车辆在场数和实际车辆出场数；
步骤S120：对每组所述实际通行数据进行拟合，得到拟合函数，所述拟合函数包括拟合车辆入场函数、拟合车辆在场函数和拟合车辆出场函数；
步骤S130：将与所述实际通行数据之间误差最小的拟合函数作为预测函数，所述预测函数包括预测车辆入场函数、预测车辆在场函数和预测车辆出场函数；
步骤S140：根据所述预测函数建立所述通行预测模型，所述通行预测模型的预测公式为：
M t,i,j =|∆Y t,i,j /∆t|
其中，M t,i,j 为第i次第j号预约停车信息的通行预测函数值，∆Y t,i,j 为第i次第j号预约停车信息在指定时间段内剩余车位数的变化量，∆t为指定时间段，所述指定时间段内剩余车位数的变化量∆Y t,i,j 的计算公式为：
Figure 842398DEST_PATH_IMAGE001
，所述指定时间段的计算公式为∆t=|t a -t b |，t为时间点，
Figure 616188DEST_PATH_IMAGE002
为第i次第j号预约停车信息在预测起始时间点t a 的剩余车位数，
Figure 636097DEST_PATH_IMAGE003
为第i次第j号预约停车信息在预测终止时间点t b 的剩余车位数，t a 为预测起始时间点，t b 为预测终止时间点，a为预测起始的时间点序号，b为预测终止的时间点序号，所述指定时间段∆t小于所述预定时间段，Y t,i,j 为第i次第j号预约停车信息在时间点t时的剩余车位数，所述剩余车位数Y t,i,j 包括第i次第j号预约停车信息在时间点t时的预测车辆入场数、第i次第j号预约停车信息在时间点t时的预测车辆在场数和第i次第j号预约停车信息在时间点t时的预测车辆出场数，i为第j号预约停车信息的次数的序号，j为预约停车信息的序号。
所述实际通行数据可根据不同日期属性进行分类，每个日期属性中收集多组实际通行数据，日期属性包括节日特征、天气特征和星期特征。例如：将节日特征可分为法定假期和工作日2类，天气特征可分为晴天、多云、小雨、中雨和大雨5类，星期特征可分为周内和周末2类，此时，日期属性则是由上述三个特征的子类排列组合而得到，即此时的日期属性共有2×5×2=20类，因此，将实际通行数据分为20类。
表1 不同日期属性实际通行数据的分类表
Figure 638688DEST_PATH_IMAGE004
每类实际通行数据（如：日期属性为法定假期-晴天-周末）包括多组实际通行数据，每组所述实际通行数据包括实际车辆入场数、实际车辆在场数和实际车辆出场数；再对每组所述实际通行数据进行拟合，得到拟合函数，，所述拟合函数包括拟合车辆入场函数、拟合车辆在场函数和拟合车辆出场函数。即通过对实际车辆入场数进行拟合得到拟合车辆入场数，对实际车辆在场数进行拟合得到拟合车辆在场数，对实际车辆出场数进行拟合得到拟合车辆出场数。其中，拟合方法可以是多项式拟合或最小二乘拟合。此处以多项式拟合为例：当将实际车辆入场数通过多项式拟合得到拟合车辆入场数时，拟合车辆入场数的拟合方程为：PI m,x =D n ×t n +D n-1 ×t n-1 +D n-2 ×t n-2 +···+D 1 ×t 1 +D 0 ，其中，PI m,x 为第m个实际通行数据的拟合车辆入场数，n为多项式的最高次幂数，D n 、D n-1 、D n-2 、···、D 0 分别为多项式各项的系数，t为时间点，m为实际通行数据分类的编号，m为整数且m=1、2、3、...、M，M为实际通行数据分类的总分类数量，如M=20。同时，实际存储过程中可对每类实际通行数据进行编号，如实际通行数据进行编号为r，r为整数且r=1、2、3、...、R，R为实际通行数据的总分类数量，从而进一步根据r对拟合函数、预测函数、预测模型进行编号和分类。
然后，将与所述实际通行数据之间误差最小的拟合函数作为预测函数，所述预测函数包括预测车辆入场函数、预测车辆在场函数和预测车辆出场函数。即将与所述实际通行数据之间误差最小的拟合车辆入场数作为预测车辆入场数，将与所述实际通行数据之间误差最小的拟合车辆在场数作为预测车辆在场数，将与所述实际通行数据之间误差最小的拟合车辆出场数作为预测车辆出场数。其中，误差的判断方法可以是均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）。
所述剩余车位数Y t,i,j 包括第i次第j号预约停车信息在时间点t时的预测车辆入场数、第i次第j号预约停车信息在时间点t时的预测车辆在场数和第i次第j号预约停车信息在时间点t时的预测车辆出场数。如：通过对M个拟合车辆入场数PI m,t 与M个实际通行数据之间误差进行计算，得到误差最小的拟合车辆入场数PI m,t 是第2个拟合车辆入场数PI 2,t ，则将拟合车辆入场数PI 2,t 作为第i次第j号预约停车信息在时间点t时的预测车辆入场数PI t,i,j 。
根据所述预测函数建立所述通行预测模型，所述通行预测模型为第i次第j号预约停车信息在指定时间段∆t内剩余车位数∆Y t,i,j 的变化量，即当指定时间段30分钟内剩余车位数的变化量为50个，当30分钟内的剩余车位数的变化量较大，接近于停车场能够承载的通行车辆数，则表明该停车场的通行状态较差。
进一步的，所述剩余车位数Y t,i,j 的计算公式为：Y t,i,j =PZ-A i,j ·PS t,i,j -B i,j · PI t,i,j +C i,j ·PO t,i,j 计算通行预测模型，其中，PZ为停车场的总车位数，A i,j 为第i次第j号预约停车信息的车辆在场系数，PS t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆在场数，B i,j 为第i次第j号预约停车信息的车辆入场系数，PI t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆入场数，C i,j 为第i次第j号预约停车信息的车辆出场系数，PO t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆出场数。
通过对多组实际通行数据对多组实际车辆入场数、多组实际车辆在场数和多组实际车辆出场数进行拟合，并选择误差最小的拟合函数作为预测函数，得到预测车辆入场数、预测车辆在场数和预测车辆出场数，最终通过预测车辆入场数、预测车辆在场数和预测车辆出场数得到剩余车位数，再通过剩余车位数在指定时间段的平均变化率建立通行预测模型，该通行预测模型具有推理过程简单、参数准确的特点，同时通过更加全面的数据和简单的计算实现了对停车场内指定时间段内拥堵状态的预测。
所述剩余车位数Y t,i,j 小于等于停车场的总车位数PZ。无论是否对实际通行数据按照日期属性进行分类，在初次预测或无预约停车信息时，均可将所述预约车辆在场系数A i,j 、和/或所述车辆入场系数B i,j 、和/或所述车辆出场系数C i,j 将设置为定值，如均设置为常数1。
进一步的，步骤S200中，所述第i次第j号预约停车信息包括第i次预约停车数量和第i次预约时间段，根据所述预约停车数量设定车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j ；和/或所述预约时间段设定车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j 。
当第i次第j号预约停车信息为临时停车信息时，所述临时停车可以通过用户在进入停车场时扫描二维码登录到终端，填写预约时间段所获得的，如预约时间段为2小时。即根据所述预约时间段2小时设定车辆在场系数A i,j ，此时，车辆在场系数A i,j 可设定为大于所述定值，如设定车辆在场系数A i,j 为1.1。同时，根据预约时间段2小时设定2小时后的车辆出场系数C i,j ，此时，车辆在场系数C i,j 可设定为大于所述定值，如设定车辆在场系数C i,j 为1.2。
如图3所示，当第i次第j号预约停车信息为计划停车信息时，所述计划停车信息为提前预定的活动或会议，所述计划停车信息包括预约停车数量、预约开始时间和预约时间段，如预约停车数量为30辆，预约开始时间为上午8:00，预约时间段为3小时。则根据30辆的预约停车数量和/或预约时间段3小时设定上午7:30-11:00之间的车辆在场系数A i,j ，和/或车辆入场系数B i,j ；同时，根据30辆的预约停车数量和/或预约时间段3小时设定上午11:00-11:30之间的车辆出场系数C i,j 。所述计划停车信息的输入端包括停车场使用端或外部预约端。
通过根据第i次预约停车数量和第i次预约时间段设置预约车辆在场系数、车辆入场系数、和/或车辆出场系数为预约停车信息提供可调整的空间，通过预约端的信息对预测模型进行修正，进而提前预测了预约时间段前后和预约时间段内的停车信息，能够尽可能早的预测停车场内的通行信息，为进一步提高预测时间提供可能。
进一步的，还包括步骤S400：当再次出现第j号预约停车信息时，根据预测车辆在场数PS t,i,j 与第i次预约停车信息时的实际车辆在场数的在场差值修正第i+1次预约停车信息的车辆在场系数A i+1,j 、和/或根据预测车辆入场数PI t,i,j 与第i次预约停车信息时的实际车辆入场数的入场差值修正第i+1次预约停车信息的车辆入场系数B i+1,j 、和/或根据预测车辆出场数PO t,i,j 与第i次预约停车信息时的实际车辆出场数的出场差值修正第i+1次预约停车信息的车辆出场系数C i+1,j ；令i=i+1，执行步骤S100。
当再次出现第j号预约停车信息时，如当再次出现计划停车信息为预约停车数量30辆、预约开始时间上午8:00和/或预约时间段3小时时，根据第i次预约停车信息时的预测函数值与实际通行数据的差值修正第i+1次预约停车信息的车辆在场系数A i+1,j 、车辆入场系数B i+1,j 和/或车辆出场系数C i+1,j ；进而对第j号预约停车信息的通行预测函数值进行矫正，多次矫正之后将获得一个更加接近实际情况的通行预测函数值。
同时，当没有预约停车信息时，也可采用同样的方法对通行预测模型进行矫正；当存在多个类比的通行预测模型时，则对不同类别的通行预测模型分别进行矫正。多次矫正后，将获得不同类别、不同预约停车信息条件下的通行预测模型，所述通行预测模型更加接近实际值，进而保证了预测的准确性。
通过第i次预约停车信息时的预测车辆在场数、预测车辆入场数、和/或预测车辆出场数，与第i次预约停车信息时的实际车辆在场数、实际车辆入场数、和/或实际车辆出场数的在场差值修正第i+1次预约停车信息的车辆在场系数A i+1,j 、B i+1,j 、和/或C i+1,j ，进一步加速了对通行预测模型的矫正，使得通行预测模型快速接近实际值，提高了同样预约停车信息时，停车场内通行状态预测的精确性。
进一步的，车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j 随时间点t变化。
车辆在场系数A i,j 为车辆在场系数函数A i,j,t ，和/或车辆入场系数B i,j 为车辆入场系数函数B i,j,t 、和/或车辆出场系数C i,j 为车辆出场系数函数C i,j,t 。例如，车辆在场系数函数A i,j,t 为二次函数、多项式函数、多段函数，当车辆在场系数函数A i,j,t 为二次函数时其计算公式为A i,j,t =at 2 +bt+c，其中，a、b、c分别为二次项系数、一次项系数和常数项。
进一步的，步骤S300中，若M t,i,j ≧Q，则预测停车场在指定时间段∆t内处于拥堵状态，其中，Q为预设拥堵阈值；若M t,i,j <Q，则预测停车场在指定时间段∆t内处于非拥堵状态。
所述预设拥堵阈值可以由管理人员综合停车场的规模、业态、指定时间段的时间长、指定时间段的单位等信息根据经验输入的经验值，也可以人为或自动的根据实际拥堵状态对预设阈值进行修正和调整。
如：总停车位为100的停车场，指定时间段为0.5小时，当停车场业态较差时，设定预设拥堵阈值Q为100，即当M t,i,j =100时，剩余车位数Y t,i,j =50辆，若M t,i,j ≧100，则预测停车场在0.5小时内将处于拥堵状态；当停车场业态较好时，设定预设拥堵阈值Q为50，即当M t,i,j =50时，剩余车位数Y t,i,j =25辆，若M t,i,j ≧50，则预测停车场在0.5小时内将处于拥堵状态。同时，当停车场业态较好时，指定时间段的单位为25分钟时，设定预设拥堵阈值Q为1，即当M t,i,j =1时，剩余车位数Y t,i,j =25辆，若M t,i,j ≧1，则预测停车场在25分钟内将处于拥堵状态。
根据通行预测模型对停车场的拥堵状态的预测，绘制图表并发送至信息终端，和/或向终端发送指定时间段内的拥堵状态信息。如当预测到未来30分钟内将出现拥堵，则将拥堵信息发送至信息终端，所述信息终端包括停车场使用端和用户端，以提醒停车场使用端做好应对拥堵的准备，并提醒用户以便于用户及时调整出入停车场的计划，从而延后拥堵的发生，减少拥堵的时长，实现缓解停车场拥堵情况，提升通行效率的结果。停车场使用端包括停车场管理人员后台、停车场内的屏幕、停车场场内广播设置，停车场所在场所内的屏幕或广播设施。
通过判断通行预测函数值与预设拥堵阈值的比较，预测停车场内在指定时间段内的通行状态，为用户的出行提供参考，为未来停车场实现智慧停车奠定了理论方法基础，对智慧城市的建设具有重大的实用价值。
本发明提供的一种停车场管理方法可结合智能车辆路径规划，在拥堵前和/或拥堵中指引用户的入场路线和/或出场路线；同时，当添加了停车场所在场所内的固定事件之后，如：电影院、健身房等，可为不同固定事件配置相应的事件系数，或者将固定时间作为预约停车信息的一种，即增加预约停车信息的序号j，根据所述预约停车信息设定或修正车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j ，从而进一步增加通行预测的准确性。此外，本发明提供的停车管理方法若能够与车辆自动驾驶系统相匹配，获得车辆控制权，则能够实现完全预测并控制拥堵。
实施例二：
本发明实施例二提供了一种停车场管理系统，如图4所示，包括如下模块：通行预测模型获取模块，用于获取实际通行数据，并根据获取到的实际通行数据建立通行预测模型；预约停车信息获取模块，用于获取预约停车信息，并根据预约停车信息修正所述通行预测模型；通行状态预测模块，用于根据所述通行预测模型预测停车场的通行状态。
实施例三：
本发明实施例三提供了一种可读存储介质，用于存储程序，所述程序被执行时，用于实现所述的停车场管理方法。
实施例四：
本发明实施例四提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的停车场管理方法。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种停车场管理方法，其特征在于，包括如下步骤：
步骤S100：获取通行预测模型，所述通行预测模型用于预测预定时间段内的预测车辆入场函数、预测车辆在场函数和预测车辆出场函数；所述通行预测模型通过如下步骤建立：
步骤S110：获取多组实际通行数据，每组所述实际通行数据包括实际车辆入场数、实际车辆在场数和实际车辆出场数；
步骤S120：对每组所述实际通行数据进行拟合，得到拟合函数，所述拟合函数包括拟合车辆入场函数、拟合车辆在场函数和拟合车辆出场函数；
步骤S130：将与所述实际通行数据之间误差最小的拟合函数作为预测函数，所述预测函数包括预测车辆入场函数、预测车辆在场函数和预测车辆出场函数；
步骤S140：根据所述预测函数建立所述通行预测模型，所述通行预测模型的预测公式为：
M t,i,j =|∆Y t,i,j /∆t|
其中，M t,i,j 为第i次第j号预约停车信息的通行预测函数值，∆Y t,i,j 为第i次第j号预约停车信息在指定时间段内剩余车位数的变化量，∆t为指定时间段，所述指定时间段内剩余车位数的变化量∆Y t,i,j 的计算公式为：
Figure DEST_PATH_IMAGE002
，所述指定时间段的计算公式为∆t=|t a -t b |，t为时间点，
Figure DEST_PATH_IMAGE004
为第i次第j号预约停车信息在预测起始时间点t a 的剩余车位数，
Figure DEST_PATH_IMAGE006
为第i次第j号预约停车信息在预测终止时间点t b 的剩余车位数，t a 为预测起始时间点，t b 为预测终止时间点，a为预测起始的时间点序号，b为预测终止的时间点序号，所述指定时间段∆t小于所述预定时间段，Y t,i,j 为第i次第j号预约停车信息在时间点t时的剩余车位数，所述剩余车位数Y t,i,j 包括第i次第j号预约停车信息在时间点t时的预测车辆入场数、第i次第j号预约停车信息在时间点t时的预测车辆在场数和第i次第j号预约停车信息在时间点t时的预测车辆出场数，i为第j号预约停车信息的次数的序号，j为预约停车信息的序号；
步骤S200：获取预约停车信息，根据预约停车信息修正所述通行预测模型；若无预约停车信息，则执行步骤S300；
步骤S300：根据通行预测模型预测停车场的通行状态。
2.如权利要求1所述的一种停车场管理方法，其特征在于，所述剩余车位数Y t,i,j 的计算公式为：Y t,i,j =PZ-A i,j ·PS t,i,j -B i,j ·PI t,i,j +C i,j ·PO t,i,j 计算通行预测模型，其中，PZ为停车场的总车位数，A i,j 为第i次第j号预约停车信息的车辆在场系数，PS t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆在场数，B i,j 为第i次第j号预约停车信息的车辆入场系数，PI t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆入场数，C i,j 为第i次第j号预约停车信息的车辆出场系数，PO t,i,j 为第i次第j号预约停车信息在时间点t时的预测车辆出场数。
3.如权利要求2所述的一种停车场管理方法，其特征在于，步骤S200中，所述第i次第j号预约停车信息包括第i次预约停车数量和第i次预约时间段，根据所述预约停车数量设定车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j ；和/或所述预约时间段设定车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j 。
4.如权利要求2或3所述的一种停车场管理方法，其特征在于，还包括步骤S400：当再次出现第j号预约停车信息时，根据预测车辆在场数PS t,i,j 与第i次预约停车信息时的实际车辆在场数的在场差值修正第i+1次预约停车信息的车辆在场系数A i+1,j 、和/或根据预测车辆入场数PI t,i,j 与第i次预约停车信息时的实际车辆入场数的入场差值修正第i+1次预约停车信息的车辆入场系数B i+1,j 、和/或根据预测车辆出场数PO t,i,j 与第i次预约停车信息时的实际车辆出场数的出场差值修正第i+1次预约停车信息的车辆出场系数C i+1,j ；令i=i+1，执行步骤S100。
5.如权利要求2或3所述的一种停车场管理方法，其特征在于，车辆在场系数A i,j 、和/或车辆入场系数B i,j 、和/或车辆出场系数C i,j 随时间点t变化。
6.如权利要求1所述的一种停车场管理方法，其特征在于，步骤S300中，若M t,i,j ≧Q，则预测停车场在指定时间段∆t内处于拥堵状态，其中，Q为预设拥堵阈值；若M t,i,j <Q，则预测停车场在指定时间段∆t内处于非拥堵状态。
7.一种停车场管理系统，其特征在于，包括如下模块：通行预测模型获取模块，用于获取实际通行数据，并根据获取到的实际通行数据建立通行预测模型；预约停车信息获取模块，用于获取预约停车信息，并根据预约停车信息修正所述通行预测模型；通行状态预测模块，用于根据所述通行预测模型预测停车场的通行状态；
所述通行预测模型通过如下步骤建立：
步骤S110：获取多组实际通行数据，每组所述实际通行数据包括实际车辆入场数、实际车辆在场数和实际车辆出场数；
步骤S120：对每组所述实际通行数据进行拟合，得到拟合函数，所述拟合函数包括拟合车辆入场函数、拟合车辆在场函数和拟合车辆出场函数；
步骤S130：将与所述实际通行数据之间误差最小的拟合函数作为预测函数，所述预测函数包括预测车辆入场函数、预测车辆在场函数和预测车辆出场函数；
步骤S140：根据所述预测函数建立所述通行预测模型，所述通行预测模型的预测公式为：
M t,i,j =|∆Y t,i,j /∆t|
其中，M t,i,j 为第i次第j号预约停车信息的通行预测函数值，∆Y t,i,j 为第i次第j号预约停车信息在指定时间段内剩余车位数的变化量，∆t为指定时间段，所述指定时间段内剩余车位数的变化量∆Y t,i,j 的计算公式为：
Figure 427410DEST_PATH_IMAGE002
，所述指定时间段的计算公式为∆t=|t a -t b |，t为时间点，
Figure 705070DEST_PATH_IMAGE004
为第i次第j号预约停车信息在预测起始时间点t a 的剩余车位数，
Figure 219228DEST_PATH_IMAGE006
为第i次第j号预约停车信息在预测终止时间点t b 的剩余车位数，t a 为预测起始时间点，t b 为预测终止时间点，a为预测起始的时间点序号，b为预测终止的时间点序号，所述指定时间段∆t小于预定时间段，Y t,i,j 为第i次第j号预约停车信息在时间点t时的剩余车位数，所述剩余车位数Y t,i,j 包括第i次第j号预约停车信息在时间点t时的预测车辆入场数、第i次第j号预约停车信息在时间点t时的预测车辆在场数和第i次第j号预约停车信息在时间点t时的预测车辆出场数，i为第j号预约停车信息的次数的序号，j为预约停车信息的序号。
8.一种可读存储介质，其特征在于，用于存储程序，所述程序被执行时，用于实现如权利要求1-6任一项所述的停车场管理方法。
9.一种电子设备，其特征在于，包括：一个或多个处理器；存储器，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6之一所述的停车场管理方法。
CN202111120299.0A 2021-09-24 2021-09-24 一种停车场管理方法、系统、存储介质及电子设备 Active CN113570866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111120299.0A CN113570866B (zh) 2021-09-24 2021-09-24 一种停车场管理方法、系统、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111120299.0A CN113570866B (zh) 2021-09-24 2021-09-24 一种停车场管理方法、系统、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113570866A CN113570866A (zh) 2021-10-29
CN113570866B true CN113570866B (zh) 2021-12-21

Family

ID=78174299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111120299.0A Active CN113570866B (zh) 2021-09-24 2021-09-24 一种停车场管理方法、系统、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113570866B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115050188B (zh) * 2022-08-15 2022-10-28 中交一公局第六工程有限公司 一种室内停车场剩余车位预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111210656A (zh) * 2020-01-23 2020-05-29 北京百度网讯科技有限公司 停车场空闲车位预测方法、装置、电子设备及存储介质

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205050354U (zh) * 2015-09-24 2016-02-24 江苏嘉泽建设有限公司 停车场管理系统
CN105427596B (zh) * 2015-11-26 2017-12-26 北京航空航天大学 一种基于时空特征的社区停车位状态检测及服务方法
CN105513414A (zh) * 2015-12-25 2016-04-20 江苏东大金智信息系统有限公司 基于实时交通查询和云模型的停车场车位预测和推荐方法
CN105489058B (zh) * 2016-01-15 2017-12-29 成都宜泊信息科技有限公司 停车场的闲时车位的数量和闲时时段的计算方法
CN106504583B (zh) * 2017-01-05 2019-04-05 陕西理工学院 停车场车位状态的云监控方法
CN107038488B (zh) * 2017-02-25 2020-07-28 浙江大学 一种基于泊位预测和停车选择的停车场实时泊位预约方法
CN107248317A (zh) * 2017-07-27 2017-10-13 武汉市艾派智能科技有限公司 一种基于车牌识别系统的停车场空余车位数预测方法
CN108010378B (zh) * 2017-12-20 2020-05-22 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
CN108831183A (zh) * 2018-06-06 2018-11-16 哈尔滨工业大学（威海） 基于机器视觉的停车场管理系统
DE112019001981T5 (de) * 2018-06-18 2021-01-28 Hitachi Automotive Systems, Ltd. Fahrzeugsteuervorrichtung, Fahrzeugsteuerzentrum und Einparkhilfesystem
CN108877223A (zh) * 2018-07-13 2018-11-23 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN108734972B (zh) * 2018-07-16 2021-02-26 上海世脉信息科技有限公司 一种大数据环境下停车场占有率的预测方法
CN108961816B (zh) * 2018-07-19 2020-03-24 泰华智慧产业集团股份有限公司 基于优化lstm模型的道路停车泊位预测方法
KR20200072017A (ko) * 2018-12-12 2020-06-22 현대자동차주식회사 주차장 정보 제공 시스템 및 방법
CN109637186A (zh) * 2018-12-29 2019-04-16 曲阜师范大学 一种停车诱导信息处理系统及方法、计算机
CN110599236A (zh) * 2019-08-14 2019-12-20 同济大学 一种基于gru模型的短时停车需求预测方法
CN110444042B (zh) * 2019-09-12 2020-12-04 乐清市辰卓电气有限公司 停车场停车车辆的精细化云管理系统及方法
CN113034969B (zh) * 2020-05-11 2022-08-23 路特迩科技(杭州)有限公司 基于区域的停车服务与管理方法、系统
CN112820134B (zh) * 2020-12-30 2022-08-23 深圳市前海亿车科技有限公司 一种局部区域预约停车的方法、系统及介质
CN113257004B (zh) * 2021-06-03 2021-09-21 成都宜泊信息科技有限公司 一种车位管理方法、系统、存储介质及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111210656A (zh) * 2020-01-23 2020-05-29 北京百度网讯科技有限公司 停车场空闲车位预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113570866A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN108390421B (zh) 计及用户满意度的电动汽车双尺度充电引导方法及系统
CN109703389B (zh) 基于新能源公交车的车桩网一体化充电调度装置及方法
CN110111592B (zh) 基于交通信号控制机动态匹配最优信号配时方案的方法
CN108665707B (zh) 一种预防局部交通拥堵的高速公路入口分流及流量协同控制方法
CN106274546A (zh) 一种停车场所智能充电管理系统的充电管理方法
CN113570866B (zh) 一种停车场管理方法、系统、存储介质及电子设备
CN106326992A (zh) 一种基于电量匹配的app预约租车系统及方法
EP2694917A1 (de) Verfahren und vorrichtung zum durchführen einer reiseroutenplanung für ein fahrzeug
EP2697608A2 (de) Verfahren und vorrichtung zum durführen einer reiseroutenplanung für ein fahrzeug
US20230060713A1 (en) Methods for recommending parking lots in smart cities, internet of things systems, and storage medium thereof
CN111160588A (zh) 一种预约充电服务方法及系统
CN110889601A (zh) 一种信息确定方法、装置、服务器及存储介质
CN108944339A (zh) 汽车空调远程控制系统、方法及服务器
CN109612485B (zh) 一种新能源汽车用智能路线规划系统
CN110281807B (zh) 一种用于电动汽车和充电桩的匹配方法及系统
CN113257004B (zh) 一种车位管理方法、系统、存储介质及电子设备
US20150291047A1 (en) System and method of monitoring usage of a charging station
CN111179506A (zh) 共享充电桩自助充电系统及共享充电桩的推荐方法
CN101527082A (zh) 一种交通路况采集系统以及方法
CN111709562A (zh) 一种公交车辆的排班时刻表的生成方法及装置
CN116051052A (zh) 一种数字可视化汽车道路救援智能管理平台
CN112836951B (zh) 一种基于大数据的共享单车云平台智能调度方法及系统
CN112446538A (zh) 一种基于个性化避险的最优路径获取方法
CN115907227B (zh) 一种高速公路固定与移动充电设施双层协同优化方法
CN116227839A (zh) 一种公交行车作业计划动态调整方法

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