CN113971893A - 一种车位推荐方法、装置及存储介质 - Google Patents
一种车位推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113971893A CN113971893A CN202010725919.2A CN202010725919A CN113971893A CN 113971893 A CN113971893 A CN 113971893A CN 202010725919 A CN202010725919 A CN 202010725919A CN 113971893 A CN113971893 A CN 113971893A
- Authority
- CN
- China
- Prior art keywords
- parking space
- information
- recommendation
- parking
- user
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种车位推荐方法、装置及存储介质，该方法首先根据车辆目标位置确定与之匹配的第一车位推荐信息；其次再基于用户的第一车位偏好推荐模型对第一车位推荐信息进行筛选，得到第二车位推荐信息；基于用户的第二车位偏好推荐模型对第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；第二车位偏好推荐模型是基于用户的历史车位信息建立的；最后对第二车位推荐信息和第三车位推荐信息进行加权处理，得到车辆的目标推荐信息。如此，通过结合用户静态设定的偏好信息和实际偏好信息，向用户推荐更符合用户需求的车位推荐信息，能够提高车位信息推荐的精确度。
Description
技术领域
本申请涉及计算机技术，尤其涉及一种车位推荐方法、装置及存储介质。
背景技术
随着人们的生活水平逐渐提高，汽车成为每个人出行必不可少的交通工具。汽车保有量基数大且呈爆发式增长，导致车位数据严重不足。除此之外，车位利用率不高，车位难寻以及停车体验差等问题也接踵而至地浮现。面对这种社会趋势，越来越多车位推荐系统应运而生。停车系统中推荐算法的有效性直接关系到用户车位的推荐结果，影响用户的停车体验、车位利用率等问题。
目前市场的停车系统包括传统停车场的显示屏推荐以及APP终端类型的推荐。其中传统的车位推荐是根据停车场内部设置的感应器，在停车场外部将停车服务信息导入到显示屏，当用户到达该停车场时才能得到车位信息；其次APP终端类型的车位推荐涉及到大数据处理平台的推荐算法，现有的产品主要是根据用户目的地位置进行车位的推荐。当用户到达目的地附近时，以用户位置为圆心、距离阈值为半径，统计设定范围内的停车场集合，从集合中获取可用车位，并结合停车费信息再次筛选集合推荐给用户终端。
现有的泊车推荐系统中，传统停车场显示屏的形式车位推荐局限性很大，用户无法提前预知停车场内部的车位详情，同时人工管理的成本比较高。APP终端类型的推荐形式，推荐结果单一且比较粗略，导致用户体验较差。
发明内容
为解决上述技术问题，本申请实施例期望提供一种车位推荐方法、装置及存储介质。
本申请的技术方案是这样实现的：
第一方面，提供了一种车位推荐方法，该方法包括：
基于第一用户的车辆目标位置，生成第一车位推荐信息；其中，所述第一车位推荐信息包括至少一个空闲车位的车位信息；
基于所述第一用户的第一车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第二车位推荐信息；其中，所述第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；
基于所述第一用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，所述第二车位偏好推荐模型是基于用户的历史车位信息建立的；
对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，得到所述车辆的目标推荐信息。
上述方案中，所述基于第一用户的车辆目标位置，生成第一车位推荐信息，包括：确定以所述目标位置为中心的目标区域；获取所述目标区域内至少一个空闲车位的车位信息；其中，所述车位信息至少包括：车位位置、车位类型和车位价格；利用所述至少一个空闲车位的车位信息组成所述第一车位推荐信息。
上述方案中，所述方法还包括：获取所述第一用户设定的偏好配置信息；其中，所述偏好配置信息中包含不同车位信息的第一优先级；利用所述偏好配置信息建立所述第一车位偏好推荐模型。
上述方案中，所述基于所述第一用户的第一车位偏好推荐模型对所述第一车位推荐信息进行筛选，包括：基于所述车位信息的第一优先级对所述第一车位推荐信息进行排序，得到车位信息的优先级从高到底排列的第二车位推荐信息。
上述方案中，所述方法还包括：获取历史车位信息；对于所述历史车位信息进行特征提取，得到至少一种历史车位信息的特征；采用特征分析算法对所述至少一种历史车位信息的特征进行分析，确定所述至少一种历史车位信息的第二优先级；利用所述至少一种历史车位信息的第二优先级建立所述第二车位偏好推荐模型。
上述方案中，所述方法还包括：获取第二用户的第三车位偏好推荐模型；将所述第二车位偏好推荐模型与所述第三车位偏好推荐模型进行匹配，确定所述第二车位偏好模型与所述第三车位偏好模型的相似度；当相似度大于相似度阈值时，将所述第三车位偏好模型中所述第二车位偏好模型未包含的车位偏好信息推荐给所述第一用户，并更新所述第二车位偏好推荐模型。
上述方案中，所述基于所述第一用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，包括：基于所述第二优先级对所述第一车位推荐信息进行排序，得到车位信息的优先级从高到底排列的第三车位推荐信息。
上述方案中，所述对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，得到所述车辆的目标推荐信息，包括：获取所述第二车位推荐信息和所述第三车位推荐信息中的车位评价信息；获取历史真实停车信息与历史车位推荐信息的匹配度；基于所述车位评价信息和所述匹配度，确定所述第二车位推荐信息和所述第三车位推荐信息的权重值；基于所述权重值，对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，并对加权处理结果进行排序得到所述车辆的目标推荐信息。
上述方案中，所述得到所述车辆的目标推荐信息之后，所述方法还包括：基于用户车位选择信息，从所述目标推荐信息中确定用户选择的第一车位；实时监控所述第一车位的车位状态；若所述第一车位的车位状态从空闲状态变为占用状态，生成车位占用提示信息，并向用户推荐处于空闲状态的第二车位。
上述方案中，所述方法还包括：若所述第一车位的车位状态不变，且所述第一用户的车辆在预定时间到达所述第一车位，将所述第一车位的车位状态由空闲状态转变为占用状态；若所述第一车位的车位状态不变，且所述第一用户的车辆在预定时间未到达所述第一车位，向其他用户释放所述第一车位。
上述方案中，所述从所述目标推荐信息中确定用户选择的第一车位之后，所述方法还包括：向所述车辆发送所述第一车位的位置引导信息。
第二方面，提供了一种车位推荐装置，所述装置包括：
推荐单元，用于基于第一用户的车辆目标位置，生成第一车位推荐信息；其中，所述第一车位推荐信息包括至少一个空闲车位的车位信息；
所述推荐单元，还用于基于所述第一用户的第一车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第二车位推荐信息；其中，所述第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；
所述推荐单元，还用于基于所述第一用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，所述第二车位偏好推荐模型是基于用户的历史车位信息建立的；
加权处理单元，用于对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，得到所述车辆的目标推荐信息。
第三方面，提供了另一种车位推荐装置，包括：处理器和配置为存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器配置为运行所述计算机程序时，执行前述方法的步骤。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现前述方法的步骤。
本申请实施例提供了一种车位推荐方法、装置及存储介质，该方法首先根据车辆目标位置确定与之匹配的第一车位推荐信息；其次再基于用户的第一车位偏好推荐模型对第一车位推荐信息进行筛选，得到第二车位推荐信息；基于用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，所述第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；所述第二车位偏好推荐模型是基于用户的历史车位信息建立的；最后再对第二车位推荐信息和所述第三车位推荐信息进行加权处理，得到所述车辆的目标推荐信息。如此，通过结合用户静态设定的偏好信息和实际偏好信息，向用户推荐更符合用户需求的车位推荐信息，能够提高车位信息推荐的精确度。
附图说明
图1为本申请实施例中车位推荐方法的第一流程示意图；
图2为本申请实施例中第一车位偏好推荐模型的组成结构示意图；
图3为本申请实施例中历史车位信息的采集流程示意图；
图4为本申请实施例中历史车位信息的处理流程示意图；
图5为本申请实施例中加权处理的流程示意图；
图6为本申请实施例中车位推荐方法的第二流程示意图；
图7为本申请实施例中车位冲突处理的流程示意图；
图8为本申请实施例中车位推荐装置的第一组成结构示意图；
图9为本申请实施例中车位推荐装置的第二组成结构示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请实施例。
本申请实施例提供了一种车位推荐方法，图1为本申请实施例中车位推荐方法的第一流程示意图，如图1所示，该方法具体可以包括：
步骤101：基于第一用户的车辆目标位置，生成第一车位推荐信息；其中，第一车位推荐信息中包括至少一个空闲车位的车位信息；
步骤102：基于第一用户的第一车位偏好推荐模型对第一车位推荐信息进行筛选，得到第二车位推荐信息；其中，第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；
步骤103：基于第二用户的第二车位偏好推荐模型对第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，第二车位偏好推荐模型是基于用户的历史车位信息建立的；
步骤104：对第二车位推荐信息和第三车位推荐信息进行加权处理，得到车辆的目标推荐信息。
这里，步骤101至步骤104的执行主体可以为车位后台管理服务器。
这里，车辆目标位置可以为车辆当前位置或目的地位置。通过用户终端或者车载终端向服务器上传车辆当前位置或者所要到达的目的地位置。当上传的是车辆当前位置时，服务器根据当前位置确定当前时间与当前位置匹配的第一车位推荐信息，当上传的是车辆所要到达的目的地位置时，需同时上传到达目的地的到达时间，服务器根据目的地位置确定到达时间与目的地位置匹配的第一车位推荐信息。
比如，用户上车后通过手机定位功能定位手机当前位置，并上传手机当前位置至服务器；或者，用户在手机上输入车辆当前位置并上传当前位置至服务器；或者，用户在手机上输入车辆的目的地位置并上传当前位置至服务器；或者，用户上车后开启车载终端通过车载终端定位功能定位车辆位置，并上传车辆当前位置至服务器；或者，用户上车后在车载终端上输入车辆的目的地位置并上传当前位置至服务器。
在一些实施例中，所述基于第一用户的车辆目标位置，生成第一车位推荐信息，包括：确定以所述目标位置为中心的目标区域；获取所述目标区域内至少一个空闲车位的车位信息；其中，所述车位信息至少包括：车位位置、车位类型和车位价格；利用所述至少一个空闲车位的车位信息组成所述第一车位推荐信息。
这里，目标区域可以为以目标位置为圆心d、距离阈值确定半径r的圆，或者以目标位置为圆心d、距离阈值确定边长的矩形、菱形。目标区域的形状可以根据道路状况、车位分布特点进行灵活调整。
车位位置具体可以包括：车位所在小区、道路、停车场、车程等。车位类型具体可以包括：室内、室外、靠墙、中间、距离出口最近等。
在一些实施例中，该方法还包括：获取所述第一用户设定的偏好配置信息；其中，所述偏好配置信息中包含不同车位信息的第一优先级；利用所述偏好配置信息建立所述第一车位偏好推荐模型。
这里，车位信息至少包括车位位置、车位类型和车位价格，用户根据自己的停车习惯首先为这三种车位信息分别设置第一优先级，若不同类型的车位信息中包括不同的子车位信息，也可以为不同子车位信息设置第一优先级。比如，为不同车位位置设置第一优先级，为不同车位类型设置第一优先级，为不同车位价格设置第一优先级。
图2为本申请实施例中第一车位偏好推荐模型的组成结构示意图，首先，如图2所示，用u＝{u1,u2,...,un}表示用户数据集合，在自主设定停车位数据集中，用户ui属性集为{user_id,sex,age}，分别代表用户标识、性别、年龄；用p＝{p1,p2,...,pm}表示停车位集合，停车位pj属性集为{p_style,p_distance,p_price}，分别代表停车位的类型、停车场距离、停车位价格。
其次，如表1所示，用户在客户端(比如手机客户端或车载客户端)设置停车位类型、停车位距离以及停车场价格这三者之间的优先级。然后在每个子属性下再次做优先级选择，如停车位类型的选择，在不同车位类型里根据偏好选择几种偏好的车位类型并且设置优先级。根据用户选择的优先级数据分别赋予不同类型的权重，用户自主偏好模型设定权重如下：最优项权重为w1，次优项为w2，最后一项赋予w3，其中，w1＞w2＞w3。同时根据时间戳的变化更新用户的自主设定偏好配置信息(若时间戳未发生改变，则代表用户未作出修改，则该数据不变)，构建第一车位偏好推荐模型。
表1为用户自主设定车位信息的权重值
| 用户标识 | 停车位类型 | 停车位距离 | 停车场价格 |
| 001 | W1 | W2 | W3 |
| 002 | W2 | W3 | W1 |
| …… | ...... | …… | …… |
相应的，所述基于所述第一用户的第一车位偏好推荐模型对所述第一车位推荐信息进行筛选，包括：基于所述车位信息的第一优先级对所述第一车位推荐信息进行排序，得到车位信息的优先级从高到底排列的第二车位推荐信息。
也就是说，在建立了第一车位偏好推荐模型之后，根据用户设定的车位信息的第一优先级，对第一车位推荐信息进行排序，确定与用户设置的车位偏好匹配度从高到低排列的第二车位推荐信息。
在一些实施例中，该方法还包括：获取历史车位信息；对于所述历史车位信息进行特征提取，得到至少一种历史车位信息的特征；采用特征分析算法对所述至少一种历史车位信息的特征进行分析，确定所述至少一种历史车位信息的第二优先级；利用所述至少一种历史车位信息的第二优先级建立所述第二车位偏好推荐模型。
实际应用中，用户车辆完成每一次的停车后，需要采集用户的车位信息。图3为本申请实施例中历史车位信息的采集流程示意图；如图3所示，历史车位信息的具体采集步骤包括：
步骤301：当车辆发生停车行为时，从客户端获取车辆的当前位置P1；
步骤302：获取用户所在停车区域内车位状态改变的车位位置P2；
这里，停车区域可以为室内或室外固定区域的停车场。
步骤303：|P1-P2|<距离阈值，如果是，执行步骤304；如果否，执行步骤305；
当用户发生停车行为时，将检测到停车场车位状态发生变化，利用此时用户从客户端获取的用户位置P1与该停车场发生状态改变(由无车变有车)停车位的位置P2作距离差值限定，进行匹配，从而得到该用户所停的停车位信息和状态，收集信息可以得到用户历史停车信息。
步骤304：确定用户车辆与车位匹配；
步骤305：确定用户车辆与车位不匹配。
这里，用户车辆与车位匹配时，收集该车位信息，用于建立实际偏好车位。用户车辆与车位不匹配时，说明用户车辆当前没有停放在规范停车位上，可以忽略此时的停车信息，或者确定用户车辆与车位不匹配，生成规范停车提示信息，并发送规范停车提示信息，用于提示用户当前车辆未停放在规范停车位上，请用户将车辆停放在规范停车位上。
图4为本申请实施例中历史车位信息的处理流程示意图，如图4所示，历史车位信息处理步骤具体可以包括：
步骤401：获取历史车位信息；
步骤402：对于历史车位信息进行特征提取，得到至少一种历史车位信息的特征；
步骤403：采用特征分析算法对至少一种历史车位信息的特征进行分析，确定至少一种历史车位信息的第二优先级；
步骤404：利用至少一种历史车位信息的第二优先级建立第二车位偏好推荐模型。
根据用户停车时收集到的历史车位信息分析用户实际车位偏好，从停车位的每个维度(类型，距离，价格)对用户进行历史偏好分析。首先对收集的大量用户历史数据近出数据预处理，包括用户停车的车位类型，价格等属性，针对单个用户得到不同车位类型选择的次数以及选择不同价格的区间等构建停车偏好特征，利用决策树算法进行分类以及特征权重的求解，得到每个特征的权重值。
在一些实施例中，在建立了第二车位偏好推荐模型之后，该方法还包括：获取第二用户的第三车位偏好推荐模型；将所述第二车位偏好推荐模型与所述第三车位偏好推荐模型进行匹配，确定所述第二车位偏好模型与所述第三车位偏好模型的相似度；当相似度大于相似度阈值时，将所述第三车位偏好模型中所述第二车位偏好模型未包含的车位偏好信息推荐给所述第一用户，并更新所述第二车位偏好推荐模型。
也就是说，利用偏好相似的第二用户的第三车位偏好推荐模型更新第一用户的第二偏好推荐模型。这里，第三车位偏好推荐模型可以为第二用户的第一车位偏好推荐模型或第二车位偏好推荐模型。
如表2所示，分析用户对停车位偏好，找到与用户A偏好相似的邻居用户C，然后将邻居用户C偏好的车位推荐信息中的停车位组合3推荐给第一用户。在计算上，就是将一个用户对停车位的偏好作为一个向量来计算用户之间的相似度，利用Pearson相关系数计算相似度并找到邻居用户，根据邻居用户的相似度权重及其对停车位的偏好，预测当前用户没有涉及的偏好停车位，计算得到一个排序的停车位列表作为推荐。
表2基于用户的协同过滤推荐算法
| 用户/停车位 | 停车位组合1 | 停车位组合2 | 停车位组合3 |
| 用户A | √ | 推荐 | |
| 用户B | √ | ||
| 用户C | √ | √ |
示例性的，其中用户相似度的计算，使用Pearson相关系数计算用户相似度。Pearson相关系数将两个用户共同评分的n个停车位看做一组向量，计算两个用户在这n个项目上评分的相似度sim(U,V)，减去用户平均评分是基于用户评分尺度的考量，公式如下：
其中，IUV表示U和用户V都评过分的停车位集合，i表示IUV中的第i个项目，Ru,i表示用户U对第i个停车位的评分，
表示用户U对IUV中n个停车位评分的平均值，Rv,j表示用户V对第i个停车位的评分，
表示用户V对IUV中n个停车位评分的平均值。
根据上式得到用户之间的兴趣相似度后，基于用户的协同过滤算法会给用户推荐和他兴趣最相似的k个用户喜好的停车位，如下的公式度量了用户u对停车位i的感兴趣程度，以此进行车位推荐：
其中，S(u,k)包含与用户U兴趣最接近的k个用户，N(i)是对停车位i有过评价行为的用户集合，wuv是用户u和用户v的兴趣相似度，rvi代表用户v对停车位i的兴趣。
所述基于所述第一用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，包括：基于所述第二优先级对所述第一车位推荐信息进行排序，得到车位信息的优先级从高到底排列的第三车位推荐信息。
图5为本申请实施例中加权处理的流程示意图，如图5所示，对第二车位推荐信息和第三车位推荐信息的进行加权处理的步骤具体包括：
步骤501：获取第二车位推荐信息和第三车位推荐信息中的车位评价信息；
步骤502：获取历史真实停车信息与历史车位推荐信息的匹配度；
步骤503：基于车位评价信息和匹配度，确定第二车位推荐信息和第三车位推荐信息的权重值；
步骤504：基于权重值，对第二车位推荐信息和第三车位推荐信息进行加权处理，并对加权处理结果进行排序得到车辆的目标推荐信息。
针对上述两个推荐模型，采用加权型的混合推荐技术，将来自不同推荐算法生成的停车位推荐信息，进一步进行组合加权，智能推荐当前最适合用户的停车位。
不过不同推荐算法得到的推荐信息可能根据场景不同推荐效果也有变化，直接采用固定权重值不能合理满足场景的需求，所以通过设置训练样本实现组合加权，然后与用户对停车位推荐结果的评价以及真实停车与系统推荐结果的符合程度相对比，利用训练得到的结果生成加权的模型，动态的调整权重。
采用上述技术方案，能够结合用户静态设定的偏好信息和实际偏好信息，向用户推荐更符合用户需求的车位推荐信息，能够提高车位信息推荐的精确度。
在上述实施例的基础上还提供了一种更具体的车位推荐方法，图6为本申请实施例中车位推荐方法的第二流程示意图，如图6所示，该方法包括：
步骤601：基于第一用户的车辆目标位置，生成第一车位推荐信息；其中，第一车位推荐信息中包括至少一个空闲车位的车位信息；
步骤602：基于第一用户的第一车位偏好推荐模型对第一车位推荐信息进行筛选，得到第二车位推荐信息；其中，第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；
步骤603：基于第二用户的第二车位偏好推荐模型对第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，第二车位偏好推荐模型是基于用户的历史车位信息建立的；
步骤604：对第二车位推荐信息和第三车位推荐信息进行加权处理，得到车辆的目标推荐信息；
步骤605：基于用户车位选择信息，从目标推荐信息中确定用户选择的第一车位；
步骤606：实时监控第一车位的车位状态；
步骤607：若第一车位的车位状态从空闲状态变为占用状态，生成车位占用提示信息，并向用户推荐处于空闲状态的第二车位。
在一些实施例中，该方法还包括：若所述第一车位的车位状态不变，且所述第一用户的车辆在预定时间到达所述第一车位，将所述第一车位的车位状态由空闲状态转变为占用状态；若所述第一车位的车位状态不变，且所述第一用户的车辆在预定时间未到达所述第一车位，向其他用户释放所述第一车位。
也就是说，本申请实施例中还增加了车位冲突解决方案，用户从推荐车位中选择将要前往的第一车位，当用户前往第一车位时，后台在一段时间内不会将该车位推荐给其他用户，但若超过指定时间还未前往该车位，后台将该车位释放，并推荐给其他用户；或者后台实时监控该车位是否被占用，一旦检测到推荐车位状态发生变化，且客户端实时获取到的用户位置距离停车位较远，后台判定车位被其他人占用，并扫描当前停车场剩余车位，选择相同或相似类型并距离推荐车位最近的车位，推荐给用户。
图7为本申请实施例中车位冲突处理的流程示意图；如图7所示，车位冲突处理的步骤具体包括：
步骤701：用户车辆前往推荐车位；
这里的推荐车位为用户从第三车位推荐结果中选择的第一车位；
步骤702：后台实时监控车位状态；
比如，通过安装在车位处的车辆检测装置来检测车位状态，比如，红外线检测装置、图像检测装置等。
步骤703：判断车位是否被占用，如果是，执行步骤704；如果否，执行步骤706；
这里通过监控车位状态来判断车位是否被占用，当车位从空闲状态变为占用状态时，判断车位被占用，车位状态持续为空闲状态则未被占用。
步骤704：后台扫描停车场空余车位；
步骤705：推荐相同或相似车位类型，或者车位距离最近的车位；
步骤706：判断是够在制定时间到达，如果是，执行步骤707；如果否，执行步骤708；
步骤707：用户停车，并将该车位状态变为占用状态；
步骤708：释放该车位。
在一些实施例中，从所述目标推荐信息中确定用户选择的第一车位之后，该方法还包括：向所述车辆发送所述第一车位的位置引导信息。
实际应用中，当给用户智能推荐完合适的停车场和停车位时，需要给用户引导至该停车位，当停车场为室内停车场时，当前导航系统只能定位到某个停车场，无法精确到某个停车位，同时对于地下停车场存在信号不好的情况，这将给引导功能带来很大的不精准度问题。对于此问题，可结合多方面的信息提示，如用户在停车场内信号弱的前一秒的用户位置、时间、距离停车位的距离、停车位的位置等数据，以及结合停车场内部地图引导和APP的停车位文字描述(如-1楼211区3号)，让用户在传统导航失效的情况下也能更高效的找到停车位，提高用户的体验感。
相比于现有的车位推荐方法，本申请具有以下优点：
1)考虑的用户停车位偏好信息更加全面，提高用户的出行体验感；
2)算法考虑更加全面，能够结合用户静态设定的偏好信息和实际偏好信息，向用户推荐更符合用户需求的车位推荐信息，能够提高车位信息推荐的精确度；
3)用户以及车位数据分析得更加精细，提高车位的利用率；
4)考虑了各种冲突问题，并给出了解决方案，让推荐系统更加全面。
本申请实施例中还提供了一种车位推荐装置，如图8所示，该装置包括：
推荐单元801，用于基于第一用户的车辆目标位置，生成第一车位推荐信息；其中，所述第一车位推荐信息包括至少一个空闲车位的车位信息；
所述推荐单元801，还用于基于所述第一用户的第一车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第二车位推荐信息；其中，所述第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；
所述推荐单元801，还用于基于所述第一用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，所述第二车位偏好推荐模型是基于用户的历史车位信息建立的；
加权处理单元802，用于对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，得到所述车辆的目标推荐信息。
在一些实施例中，所述推荐单元801，具体用于确定以所述目标位置为中心的目标区域；获取所述目标区域内至少一个空闲车位的车位信息；其中，所述车位信息至少包括：车位位置、车位类型和车位价格；利用所述至少一个空闲车位的车位信息组成所述第一车位推荐信息。
在一些实施例中，该装置还包括：第一构建单元，用于获取所述第一用户设定的偏好配置信息；其中，所述偏好配置信息中包含不同车位信息的第一优先级；利用所述偏好配置信息建立所述第一车位偏好推荐模型。
在一些实施例中，推荐单元801，具体用于基于所述车位信息的第一优先级对所述第一车位推荐信息进行排序，得到车位信息的优先级从高到底排列的第二车位推荐信息。
在一些实施例中，该装置还包括：第二构建单元，用于获取历史车位信息；对于所述历史车位信息进行特征提取，得到至少一种历史车位信息的特征；采用特征分析算法对所述至少一种历史车位信息的特征进行分析，确定所述至少一种历史车位信息的第二优先级；利用所述至少一种历史车位信息的第二优先级建立所述第二车位偏好推荐模型。
在一些实施例中，所述第二构建单元，还用于获取第二用户的第三车位偏好推荐模型；将所述第二车位偏好推荐模型与所述第三车位偏好推荐模型进行匹配，确定所述第二车位偏好模型与所述第三车位偏好模型的相似度；当相似度大于相似度阈值时，将所述第三车位偏好模型中所述第二车位偏好模型未包含的车位偏好信息推荐给所述第一用户，并更新所述第二车位偏好推荐模型。
在一些实施例中，所述推荐单元801，具体用于基于所述第二优先级对所述第一车位推荐信息进行排序，得到车位信息的优先级从高到底排列的第三车位推荐信息。
在一些实施例中，所述加权处理单元802，具体用于获取所述第二车位推荐信息和所述第三车位推荐信息中的车位评价信息；获取历史真实停车信息与历史车位推荐信息的匹配度；基于所述车位评价信息和所述匹配度，确定所述第二车位推荐信息和所述第三车位推荐信息的权重值；基于所述权重值，对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，并对加权处理结果进行排序得到所述车辆的目标推荐信息。
在一些实施例中，该装置还包括：冲突处理单元，用于基于用户车位选择信息，从所述目标推荐信息中确定用户选择的第一车位；实时监控所述第一车位的车位状态；若所述第一车位的车位状态从空闲状态变为占用状态，生成车位占用提示信息，并向用户推荐处于空闲状态的第二车位。
在一些实施例中，该装置还包括：冲突处理单元，还用于若所述第一车位的车位状态不变，且所述第一用户的车辆在预定时间到达所述第一车位，将所述第一车位的车位状态由空闲状态转变为占用状态；若所述第一车位的车位状态不变，且所述第一用户的车辆在预定时间未到达所述第一车位，向其他用户释放所述第一车位。
在一些实施例中，该装置还包括：通信单元，用于向所述车辆发送所述第一车位的位置引导信息。
上述装置，通过结合用户静态设定的偏好信息和实际偏好信息，向用户推荐更符合用户需求的车位推荐信息，能够提高车位信息推荐的精确度。
本申请实施例还提供了另一种车位推荐装置，如图9所示，该装置包括：处理器901和配置为存储能够在处理器上运行的计算机程序的存储器902；处理器901运行存储器902中计算机程序时实现本申请实施例中方法的步骤。
当然，实际应用时，如图9所示，该装置中的各个组件通过总线系统903耦合在一起。可理解，总线系统903用于实现这些组件之间的连接通信。总线系统903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9中将各种总线都标为总线系统903。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
在实际应用中，上述处理器可以为特定用途集成电路(ASIC，ApplicationSpecific Integrated Circuit)、数字信号处理装置(DSPD，Digital Signal ProcessingDevice)、可编程逻辑装置(PLD，Programmable Logic Device)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
上述存储器可以是易失性存储器(volatile memory)，例如随机存取存储器(RAM，Random-Access Memory)；或者非易失性存储器(non-volatile memory)，例如只读存储器(ROM，Read-Only Memory)，快闪存储器(flash memory)，硬盘(HDD，Hard Disk Drive)或固态硬盘(SSD，Solid-State Drive)；或者上述种类的存储器的组合，并向处理器提供指令和数据。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种车位推荐方法，其特征在于，所述方法包括：
基于第一用户的车辆目标位置，生成第一车位推荐信息；其中，所述第一车位推荐信息包括至少一个空闲车位的车位信息；
基于所述第一用户的第一车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第二车位推荐信息；其中，所述第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；
基于所述第一用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，所述第二车位偏好推荐模型是基于用户的历史车位信息建立的；
对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，得到所述车辆的目标推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述基于第一用户的车辆目标位置，生成第一车位推荐信息，包括：
确定以所述目标位置为中心的目标区域；
获取所述目标区域内至少一个空闲车位的车位信息；其中，所述车位信息至少包括：车位位置、车位类型和车位价格；
利用所述至少一个空闲车位的车位信息组成所述第一车位推荐信息。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述第一用户设定的偏好配置信息；其中，所述偏好配置信息中包含不同车位信息的第一优先级；
利用所述偏好配置信息建立所述第一车位偏好推荐模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一用户的第一车位偏好推荐模型对所述第一车位推荐信息进行筛选，包括：
基于所述车位信息的第一优先级对所述第一车位推荐信息进行排序，得到车位信息的优先级从高到底排列的第二车位推荐信息。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取历史车位信息；
对于所述历史车位信息进行特征提取，得到至少一种历史车位信息的特征；
采用特征分析算法对所述至少一种历史车位信息的特征进行分析，确定所述至少一种历史车位信息的第二优先级；
利用所述至少一种历史车位信息的第二优先级建立所述第二车位偏好推荐模型。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取第二用户的第三车位偏好推荐模型；
将所述第二车位偏好推荐模型与所述第三车位偏好推荐模型进行匹配，确定所述第二车位偏好模型与所述第三车位偏好模型的相似度；
当相似度大于相似度阈值时，将所述第三车位偏好模型中所述第二车位偏好模型未包含的车位偏好信息推荐给所述第一用户，并更新所述第二车位偏好推荐模型。
7.根据权利要求5或6所述的方法，其特征在于，所述基于所述第一用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，包括：
基于所述第二优先级对所述第一车位推荐信息进行排序，得到车位信息的优先级从高到底排列的第三车位推荐信息。
8.根据权利要求1所述的方法，其特征在于，所述对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，得到所述车辆的目标推荐信息，包括：
获取所述第二车位推荐信息和所述第三车位推荐信息中的车位评价信息；
获取历史真实停车信息与历史车位推荐信息的匹配度；
基于所述车位评价信息和所述匹配度，确定所述第二车位推荐信息和所述第三车位推荐信息的权重值；
基于所述权重值，对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，并对加权处理结果进行排序得到所述车辆的目标推荐信息。
9.根据权利要求1所述的方法，其特征在于，所述得到所述车辆的目标推荐信息之后，所述方法还包括：
基于用户车位选择信息，从所述目标推荐信息中确定用户选择的第一车位；
实时监控所述第一车位的车位状态；
若所述第一车位的车位状态从空闲状态变为占用状态，生成车位占用提示信息，并向用户推荐处于空闲状态的第二车位。
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：
若所述第一车位的车位状态不变，且所述第一用户的车辆在预定时间到达所述第一车位，将所述第一车位的车位状态由空闲状态转变为占用状态；
若所述第一车位的车位状态不变，且所述第一用户的车辆在预定时间未到达所述第一车位，向其他用户释放所述第一车位。
11.根据权利要求9所述的方法，其特征在于，所述从所述目标推荐信息中确定用户选择的第一车位之后，所述方法还包括：
向所述车辆发送所述第一车位的位置引导信息。
12.一种车位推荐装置，其特征在于，所述装置包括：
推荐单元，用于基于第一用户的车辆目标位置，生成第一车位推荐信息；其中，所述第一车位推荐信息包括至少一个空闲车位的车位信息；
所述推荐单元，还用于基于所述第一用户的第一车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第二车位推荐信息；其中，所述第一车位偏好推荐模型是基于用户设定的车位偏好信息建立的；
所述推荐单元，还用于基于所述第一用户的第二车位偏好推荐模型对所述第一车位推荐信息进行筛选，得到第三车位推荐信息；其中，所述第二车位偏好推荐模型是基于用户的历史车位信息建立的；
加权处理单元，用于对所述第二车位推荐信息和所述第三车位推荐信息进行加权处理，得到所述车辆的目标推荐信息。
13.一种车位推荐装置，所述装置包括：处理器和配置为存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器配置为运行所述计算机程序时，执行权利要求1至11任一项所述方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至11任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010725919.2A CN113971893B (zh) | 2020-07-24 | 2020-07-24 | 一种车位推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010725919.2A CN113971893B (zh) | 2020-07-24 | 2020-07-24 | 一种车位推荐方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113971893A true CN113971893A (zh) | 2022-01-25 |
| CN113971893B CN113971893B (zh) | 2022-12-16 |
Family
ID=79584563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010725919.2A Active CN113971893B (zh) | 2020-07-24 | 2020-07-24 | 一种车位推荐方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113971893B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114415692A (zh) * | 2022-02-23 | 2022-04-29 | 阿里巴巴（中国）有限公司 | 停车场的自动泊车方法、装置、设备、存储介质及程序 |
| CN115565404A (zh) * | 2022-12-07 | 2023-01-03 | 中国汽车技术研究中心有限公司 | 座舱与车位协同的车位数据处理方法和系统 |
| CN117542223A (zh) * | 2024-01-08 | 2024-02-09 | 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 (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020121989A1 (en) * | 2001-03-05 | 2002-09-05 | Ronnie Burns | Method and system for providing personalized traffic alerts |
| US7836057B1 (en) * | 2001-09-24 | 2010-11-16 | Auguri Corporation | Weighted preference inference system and method |
| JP2013117780A (ja) * | 2011-12-01 | 2013-06-13 | Denso Corp | 駐車位置案内システム、車両用駐車位置案内装置 |
| WO2013100915A1 (en) * | 2011-12-27 | 2013-07-04 | Intel Corporation | Integration of contextual and historical data into route determination |
| US20140285361A1 (en) * | 2013-03-25 | 2014-09-25 | Audi Ag | Personalized parking assistant |
| US20160019790A1 (en) * | 2014-07-21 | 2016-01-21 | Ford Global Technologies, Llc | Parking service |
| CN107481545A (zh) * | 2017-08-01 | 2017-12-15 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的停车场导航方法，及服务器 |
| WO2018035403A1 (en) * | 2016-08-18 | 2018-02-22 | Allstate Insurance Company | Generating and transmitting parking instructions for autonomous and non-autonomous vehicles |
| CN109410634A (zh) * | 2018-10-26 | 2019-03-01 | 西安艾润物联网技术服务有限责任公司 | 车辆管理方法、系统及存储介质 |
| CN110766944A (zh) * | 2019-10-28 | 2020-02-07 | 长沙地大物泊网络科技有限公司 | 一种基于车辆轨迹大数据挖掘的停车位推荐方法 |
-
2020
- 2020-07-24 CN CN202010725919.2A patent/CN113971893B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020121989A1 (en) * | 2001-03-05 | 2002-09-05 | Ronnie Burns | Method and system for providing personalized traffic alerts |
| US7836057B1 (en) * | 2001-09-24 | 2010-11-16 | Auguri Corporation | Weighted preference inference system and method |
| JP2013117780A (ja) * | 2011-12-01 | 2013-06-13 | Denso Corp | 駐車位置案内システム、車両用駐車位置案内装置 |
| WO2013100915A1 (en) * | 2011-12-27 | 2013-07-04 | Intel Corporation | Integration of contextual and historical data into route determination |
| US20140285361A1 (en) * | 2013-03-25 | 2014-09-25 | Audi Ag | Personalized parking assistant |
| US20160019790A1 (en) * | 2014-07-21 | 2016-01-21 | Ford Global Technologies, Llc | Parking service |
| WO2018035403A1 (en) * | 2016-08-18 | 2018-02-22 | Allstate Insurance Company | Generating and transmitting parking instructions for autonomous and non-autonomous vehicles |
| CN107481545A (zh) * | 2017-08-01 | 2017-12-15 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的停车场导航方法，及服务器 |
| CN109410634A (zh) * | 2018-10-26 | 2019-03-01 | 西安艾润物联网技术服务有限责任公司 | 车辆管理方法、系统及存储介质 |
| CN110766944A (zh) * | 2019-10-28 | 2020-02-07 | 长沙地大物泊网络科技有限公司 | 一种基于车辆轨迹大数据挖掘的停车位推荐方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114415692A (zh) * | 2022-02-23 | 2022-04-29 | 阿里巴巴（中国）有限公司 | 停车场的自动泊车方法、装置、设备、存储介质及程序 |
| CN115565404A (zh) * | 2022-12-07 | 2023-01-03 | 中国汽车技术研究中心有限公司 | 座舱与车位协同的车位数据处理方法和系统 |
| CN117542223A (zh) * | 2024-01-08 | 2024-02-09 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113971893B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113971893B (zh) | 一种车位推荐方法、装置及存储介质 | |
| CN115643285A (zh) | 智慧城市停车场推荐方法和物联网系统、装置、存储介质 | |
| CN111428137B (zh) | 一种电动汽车充电设施的推荐方法及推荐装置 | |
| CN104268783A (zh) | 车辆定损估价的方法、装置和终端设备 | |
| CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
| CN107861957B (zh) | 一种数据分析方法及装置 | |
| CN113506457B (zh) | 基于大型停车场场景下寻找停车位的装置和方法 | |
| CN111047903A (zh) | 停车位查找方法、系统、存储介质、电子设备及导航方法 | |
| CN105550951A (zh) | 一种旅游出行辅助决策系统和方法 | |
| US20160189546A1 (en) | Information processing device, information processing method, and storage medium | |
| CN112556717B (zh) | 出行方式筛选方法和出行路线推荐方法和装置 | |
| CN113901329B (zh) | 旅游住宿推荐方法、装置和计算机设备 | |
| CN113052505A (zh) | 基于人工智能的跨境文旅推荐方法、装置和设备 | |
| CN111078997B (zh) | 一种资讯推荐方法及装置 | |
| CN114428916A (zh) | 停车场推荐方法以及相关装置 | |
| CN109325177B (zh) | 信息推送方法、系统、可读存储介质和计算机设备 | |
| JP2004325371A (ja) | 経路案内用サーバ、経路案内用端末、経路案内システム、方法、およびプログラム | |
| CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
| CN116433269B (zh) | 基于大数据的片区式无人驾驶车辆停车场收费方法及装置 | |
| JP5823332B2 (ja) | 個人行動嗜好分析システムおよび個人行動嗜好分析方法 | |
| CN116167536B (zh) | 一种基于时间段学习优化的智慧停车管理方法 | |
| CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
| CN115357798A (zh) | 一种基于大数据的智慧旅游目标推荐方法及系统 | |
| CN111833595B (zh) | 共享汽车辅助车辆配置方法、电子设备及存储介质 | |
| CN113434777A (zh) | 出行方式的推荐方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |