CN114218483A - 停车推荐方法及其应用 - Google Patents

停车推荐方法及其应用 Download PDF

Info

Publication number
CN114218483A
CN114218483A CN202111542559.3A CN202111542559A CN114218483A CN 114218483 A CN114218483 A CN 114218483A CN 202111542559 A CN202111542559 A CN 202111542559A CN 114218483 A CN114218483 A CN 114218483A
Authority
CN
China
Prior art keywords
parking
parking lot
data
library
target
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.)
Pending
Application number
CN202111542559.3A
Other languages
English (en)
Inventor
郁强
叶俊宏
董佳磊
陶肖寅
徐剑炯
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.)
CCI China Co Ltd
Original Assignee
CCI China 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 CCI China Co Ltd filed Critical CCI China Co Ltd
Priority to CN202111542559.3A priority Critical patent/CN114218483A/zh
Publication of CN114218483A publication Critical patent/CN114218483A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明涉及停车推荐方法及其应用，该方案包括步骤：获取用户的目的地、出行计划信息以及用户偏好；依据目的地确定目的地设定范围内的至少一备选停车场库；确定用户抵达每一备选停车场库的预计到达时间；依据预计到达时间筛选出位于用户理想步行时间区间的目标停车场库，并计算目标停车场库与目的地之间的步行距离；确定每一目标停车场库的停放可行性数据；确定每一目标停车场库的停车性价比数据；基于用户偏好结合步行距离、停放可行性数据、停车性价比数据以及目标场库容错性数据排序目标停车场库。本发明将停车领域有关场库，用户行为，历史拥堵等进行充分开发利用，以此满足计划出行的停车场地有效推荐，缓解热门区域停车难的情况。

Description

停车推荐方法及其应用
技术领域
本发明涉及城市智慧停车技术领域，具体涉及停车推荐方法及其应用。
背景技术
停车难问题早已成为各大城市的通病。智慧停车行业也因此成为了改善停车环境、满足停车需求的破解良方。智慧停车是各地政府、企业和民众多方共赢的必然选择，也是优化社会资源配置、提升城市形象、推动产业升级和促进生态文明城市建设的必经之途，具有良好的发展前景。从用户的角度出发，出行之前用户会规划好自己的出行时间和目的地，却无法知悉未来目的地周边的停车泊位情况，导致停车难、停车累，尤其是医院、商圈周边，最终导致区域停车乱。因此，从政府运营角度出发，结合计划出行的特征，提供一种停车推荐方法，不仅能够缓解停车难问题，也能增强用户的获得感，还能带来更高的经济收益。
然而，目前城市智慧停车仍处于探索发展阶段，现阶段各城市只是将场库做数据接入，城市停车运营公司对数据的重视程度越来越高，如何有效利用海量的停车数据，挖掘数据价值，解决停车难，停车乱，违章停车多等现状是他们的最关注的问题。一方面，随着城市级停车的发展，市民侧对计划出行的需求日益明确，实时的推荐不能满足用户的需求，如以往在进行停车推荐时，往往只能定义在当前时间，不能满足未来计划出行的场景，只能从当前场库剩余泊位的即时数据入手，而缺少对预测数据的利用，因此需要结合计划出行的特征，包含出行时间、目的地、个人停车习惯、行驶距离等，另一方面，需要一种更加合理、更加客观的方法，才能有效推荐合适的停车场，缓解停车难的情况。
综上，亟待一种能够停车推荐方法及其应用。
发明内容
本发明实施例的目的是针对现有技术中存在的上述问题，提供了一种停车推荐方法及其应用。
第一方面，本发明实施例提供了一种停车推荐方法包括以下步骤：
获取用户的目的地、出行计划信息以及用户偏好；
确定所述目的地设定范围内的至少一备选停车场库；
依据每一所述备选停车场库的道路历史拥堵数据以及所述出行计划信息，确定用户抵达每一所述备选停车场库的预计到达时间；
依据所述预计到达时间筛选出位于用户理想步行时间区间的目标停车场库，并计算所述目标停车场库与所述目的地之间的步行距离；
依据每一所述目标停车场库的历史剩余泊位数和历史停车数据，确定每一所述目标停车场库的停放可行性数据；
依据每一所述目标停车场库的场地数据，确定每一所述目标停车场库的停车性价比数据，其中所述停车性价比数据包括停车成本、安全性数据及便捷性数据；
获取每一所述目标停车场库周边的备选停车场库的剩余泊位数据，并依据所述剩余泊位数据得出每一所述目标停车场库的目标场库容错性数据；
基于用户偏好结合所述步行距离、所述停放可行性数据、所述停车性价比数据以及所述目标场库容错性数据排序所述目标停车场库。
在其中一个实施例中，在得出每一所述目标停车场库的所述目标场库容错性数据后以及排序所述目标停车场库之前，还包括：归一处理所述步行距离、所述预计到达时间、所述停放可行性数据、所述停车性价比数据及所述目标场库容错性数据。
此步骤的目的在于，将上述数据经过处理后限制在需要的一定范围内，可显著减少后续数据处理的计算量，其次是避免某些指标被忽视，影响到数据分析的结果。
在其中一个实施例中，所述用户偏好通过获取用户调研结果和用户行为数据，基于所述用户调研结果和所述用户行为数据分析得到。
此步骤的目的在于，通过每位用户的行为数据，即用户使用期间的行为习惯，还有调研得到的数据，相当于用户主动提供的数据和用户被动提供的数据，可帮助偏好权重向量模型不断优化改进，最终依据偏好权重向量模型得到的推荐备选停车场库推荐引导数据可以更加客观准确且合理。
在其中一个实施例中，在基于所述用户调研结果和所述用户行为数据分析得到所述用户偏好中还包括：根据用户调研结果的多个偏好因素生成偏好权重向量，采用层次分析法将所述偏好权重向量构建成对对比矩阵，依据所述用户行为数据的累计对所述成对对比矩阵或所述偏好权重向量进行迭代更新，输出确认的所述用户偏好。
在其中一个实施例中，基在于所述用户调研结果和所述用户行为数据分析得到所述用户偏好中还包括：对所述成对对比矩阵进行一致性检验直至该成对对比矩阵达到可接受的范围为止。
在其中一个实施例中，在确定每一所述目标停车场库的停放可行性数据中还包括：依据每一所述目标停车场库的历史剩余泊位数分别预测未来一个单位时刻的每一所述目标停车场库的剩余泊位数量，依据预测得到的所述剩余泊位数量除以所述目标停车场库的总泊位数得到所述停放可行性数据。
在其中一个实施例中，在依据所述剩余泊位数据得出每一所述目标停车场库的目标场库容错性数据的步骤中还包括：依据每一所述备选停车场库的每间隔单位时间的历史剩余泊位数分别预测每一所述备选停车场库未来一个单位时刻的剩余泊位数，基于所述目标停车场库周围设定范围内所有所述备选停车场库的所述未来一个单位时刻的剩余泊位数得到所述目标场库容错性数据。
在其中一个实施例中，在计算每一所述目标停车场库与所述目的地之间的步行距离之后包括：若所述目标停车场库和所述目的地之间的步行距离大于设定阈值，自所述目标停车场库中剔除该目标停车场库。
在其中一个实施例中，所述停放可行性数据表征当用户到达指定所述目标停车场库时，该目标停车场库仍有剩余泊位的概率，所述停车性价比数据表征用户停车在目标停车场库的性价比；所述目标场库容错性数据表征当用户到达指定目标停车场库后，在该指定目标停车场库附近能够停车的概率。
第二方面，本发明实施例提供了一种计划出行停车推荐装置包括以下模块：
数据获取模块，用于用户的目的地、出行计划信息以及用户偏好；
调研模块，用于利用层次分析法对用户进行调研并记录调研结果；
计算模块，确定所述目的地设定范围内的至少一备选停车场库；依据每一所述备选停车场库的道路历史拥堵数据以及所述出行计划信息，确定用户抵达每一所述备选停车场库的预计到达时间；依据所述预计到达时间筛选出位于用户理想步行时间区间的目标停车场库，并计算所述目标停车场库与所述目的地之间的步行距离；依据每一所述目标停车场库的历史剩余泊位数和历史停车数据，确定每一所述目标停车场库的停放可行性数据；依据每一所述目标停车场库的场地数据，确定每一所述目标停车场库的停车性价比数据，其中所述停车性价比数据包括停车成本、安全性数据及便捷性数据；获取每一所述目标停车场库周边的备选停车场库的剩余泊位数据，并依据所述剩余泊位数据得出每一所述目标停车场库的目标场库容错性数据；基于用户偏好结合所述步行距离、所述停放可行性数据、所述停车性价比数据以及所述目标场库容错性数据排序所述目标停车场库；
显示模块，用于显示排序后的所述目标停车场库。
第三方面，本发明实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述第一方面任一实施例所述的停车推荐方法。
第四方面，本发明实施例提供了一种计算机程序产品包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行上述第一方面任一实施例所述的停车推荐方法。
第五方面，本发明实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据上述第一方面任一实施例所述的停车场推荐方法。
本发明实施例提供的停车推荐方法及其应用，具有如下有益效果：1、与现有技术只根据交通拥堵情况和停车位位置推荐备选停车场库相比，本发明有效结合了用户的计划出行特征以及每个备选停车场库的特征，可包含计划出行特征、出发地、目的地、个人停车习惯、行走距离、停车性价比等，尤其是通过对于用户调研结果对各项数据(特征)进行偏好排序，如此可以更加合理且客观地推荐给用户合适的目标停车场库；
2、与现有技术相比，本发明的备选停车场库推荐引导数据是可以不断优化的，因为本发明的结构基于用户偏好，随着越来越多用户的使用，可以不断地提高偏好权重向量模型的准确率，得出适合绝大多数用户的普适性备选停车场库推荐引导数据，也能够得出最符合个人需求的最优备选停车场库推荐引导数据。
附图说明
图1是本发明方法的流程图；
图2是本发明方法另一种具体实施方式的流程图；
图3是本发明方法中备选停车场库的建筑类型评分标准；
图4是本发明电子装置的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例1，
本发明旨在提出一种能够有效结合了用户的计划出行特征以及每个备选停车场库的特征，可以更加合理且客观地推荐给用户合适的备选停车场库的停车推荐方法及其应用。
如图1所示，本停车推荐方法以下步骤：
S00、获取用户的目的地、出行计划信息以及用户偏好；其中，用户偏好通过获取用户调研结果和用户行为数据，基于用户调研结果和用户行为数据分析得到；
根据用户调研结果的多个偏好因素生成偏好权重向量，采用层次分析法将偏好权重向量构建成对对比矩阵，依据用户行为数据的累计对成对对比矩阵或偏好权重向量进行迭代更新，输出确认的用户偏好。
对成对对比矩阵进行一致性检验直至该成对对比矩阵达到可接受的范围为止。
S10、确定目的地设定范围内的至少一备选停车场库；
若备选停车场库和目的地之间的步行距离大于设定阈值，自备选停车场库中剔除该备选停车场库；
S20、依据每一备选停车场库的道路历史拥堵数据以及出行计划信息，确定用户抵达每一备选停车场库的预计到达时间；
S30、依据预计到达时间筛选出位于用户理想步行时间区间的目标停车场库，并计算目标停车场库与目的地之间的步行距离；若目标停车场库和所述目的地之间的步行距离大于设定阈值，自目标停车场库中剔除该目标停车场库；
S40、依据每一目标停车场库的历史剩余泊位数和历史停车数据，确定每一目标停车场库的停放可行性数据；
依据每一目标停车场库的历史剩余泊位数分别预测未来一个单位时刻的每一目标停车场库的剩余泊位数量，依据预测得到的剩余泊位数量除以目标停车场库的总泊位数得到停放可行性数据；其中，停放可行性数据表征当用户到达指定目标停车场库时，该目标停车场库仍有剩余泊位的概率；
S50、依据每一目标停车场库的场地数据，确定每一目标停车场库的停车性价比数据，其中停车性价比数据包括停车成本、安全性数据及便捷性数据；
S60、获取每一目标停车场库周边的备选停车场库的剩余泊位数据，并依据剩余泊位数据得出每一目标停车场库的目标场库容错性数据；
依据每一备选停车场库的每间隔单位时间的历史剩余泊位数分别预测每一备选停车场库未来一个单位时刻的剩余泊位数，基于目标停车场库周围设定范围内所有备选停车场库的未来一个单位时刻的剩余泊位数得到目标场库容错性数据；其中，目标场库容错性数据表征当用户到达指定目标停车场库后，在该指定目标停车场库附近停车的概率；
S61、归一处理步行距离、预计到达时间、停放可行性数据、停车性价比数据及目标场库容错性数据；将上述数据经过处理后限制在需要的一定范围内，可显著减少后续数据处理的计算量，其次是避免某些指标被忽视，影响到数据分析的结果；
S70、基于用户偏好结合步行距离、停放可行性数据、停车性价比数据以及目标场库容错性数据排序备选停车场库。其中，用户偏好包括用户调研结果和用户行为数据，通过每位用户的行为数据，即用户使用期间的行为习惯，还有调研得到的数据，相当于用户主动提供的数据和用户被动提供的数据，可帮助偏好权重向量模型不断优化改进，最终依据偏好权重向量模型得到的推荐备选停车场库推荐引导数据可以更加客观准确且合理；
在此步骤中，还包括：
S61、根据用户调研结果的多个偏好因素生成偏好权重向量，采用层次分析法将偏好权重向量构建成对对比矩阵；
S62、对成对对比矩阵进行一致性检验直至该成对对比矩阵达到可接受的范围为止；
S63、依据用户行为数据的累计对成对对比矩阵或偏好权重向量进行迭代更新，以使得目标停车场库能够符合每个用户的个性化偏好；
因此最终的目标停车场库是随着用户的使用不断优化贴近用户行为习惯和用户的实际需求的。
实施例2，
如图2所示，作为本发明的另一种具体实施方式，该图2中展示了本发明方法的简化流程步骤，具体步骤以下文为准，本停车推荐方法以下步骤：
S000、获取城市级所有备选停车场库的场库普查接入数据、历史停车数据、剩余泊位数据及道路历史拥堵数据，其中剩余泊位数据包括当前备选停车场库的剩余泊位数据和历史泊位数据；此步骤的目的在于可先获取需要的数据，不用在用户请求时再进行获取，当用户请求时直接调取即可，大大缩短了用户使用期间等待的时间，提高了用户体验。
其中，场库普查接入数据包含：场库类型(配建/公共/道路)、停车位置(路内/路外)、场库地理位置、配建类型、建筑类型(地面、地下、地上、地上及地下)、收费标准、有无特殊泊位等。历史停车数据包含：车牌号、停车场、入场时间、离场时间、收费价格；
历史停车数据包含：车牌号、停车场、入场时间、离场时间、收费价格；
剩余泊位数据包含：历史泊位变动记录，未来泊位预测值；
道路历史拥堵数据包含：历史道路拥堵情况，根据高德接口获取，用于预测未来拥堵情况以计算到达时间；
S100、依据用户提交的目的地信息推荐设定范围内的备选停车场库；设定范围包括不同范围大小的多个目标范围，且范围小的目标范围推荐优先级高于范围大的目标范围；
此步骤中，当用户发起场库推荐请求时，会提交目的地的地址信息，服务器或程序会获取目的地附近500m和1000m范围内的停车场信息，获得备选停车场集合C，其中C＝{C1,C2,…,Cn}，系统会优先推荐500m范围内的停车场，若500m范围内没有可供推荐的停车场，才会对1000m范围内的停车场进行推荐，如此在初步计算阶段可以减少计算量，也能够快速确定推荐的备选停车场库。而且在其他实施例中，也可以是200m范围内或100米范围内，具体根据当地的建筑物密集程度以及基础设施水平而定。
S200、依据备选停车场库的道路历史拥堵数据以及用户提交的计划出行时间、出发地、目的地预估行驶时间，并依据预估行驶时间确定预计到达时间；
此步骤中，用户在请求时还会提交计划出行时间、出发地和目的地，因此需要根据用户计划出行时间、出发地和目的地，通过道路历史拥堵数据进行测算，预估驾驶时间，从而确定预计到达时间。驾驶时间是指用户从出发点驾车至场库的所花费的时间，驾驶时间是驾驶距离和道路拥堵情况的综合反映。用户选择备选停车场库时通常希望驾驶时间越短越好。记驾驶时间为t，其指标值可以利用高德接口或百度接口或谷歌接口获取。其中用户的出发地可以是用户的当前定位位置或者是用户选定的位置，因此出发地也可以默认是用户当前的位置，且后续可以自行更改。
S300、依据预计到达时间筛选设定范围内的备选停车场库，并计算筛选得到的目标停车场库与目的地之间的步行距离；
此步骤中，如用户选择目标停车场库时通常希望步行的理想距离小于200米(也可以是100米或更短)，即步行5-7min(甚至2min或3min)可到达目的地，最大可接受上限为500米。记步行距离为d，其指标值可以利用高德接口或百度接口或谷歌接口获取。
当然此步骤中的步行距离可以为备选停车场库的中心位置到目的地的步行距离，因为目标停车场库通常很大，而且不知道哪个备选停车场库内的哪个位置是空余的，有些目标停车场库从最里面步行到出口通常需要几分钟，选因此择停车场的中心位置能够代表最为准确的目标停车场库到目的地的步行距离，可以进一步优化推荐结果。
S400、依据目标停车场库的历史停车数据和历史剩余泊位数据得到目标停车场库内每间隔单位时间的历史剩余泊位数，并依据历史剩余泊位数得出停放可行性数据；
此步骤中，其中历史剩余泊位数利用城市级所有目标停车场库的历史剩余泊位数据，每日0时上传的场库剩余泊位数减去间隔单位时间内驶入场库的车辆数再加上间隔单位时间内驶出场库的车辆数。
记i时刻剩余泊位为xi，单位时间内驶入场库的车辆数为ai,单位时间内驶出场库的车辆数为bi,则一个单位时间后i+1时刻剩余泊位数xi+1＝xi-ai+bi。在得出目标停车场内每间隔单位时间的历史剩余泊位数后，结合时间(包含当天是否为工作日，是否是周末，是否是法定节假日，周几等时间因素)、天气、建成环境等多项数据源利用集成学习算法XgBoost对未来一个单位时刻的目标场库剩余泊位数进行预测，由于时序模型具有较强的时序性影响，一般来说包含趋势变动、季节变动、循环变动和随机波动，在做时序预测时，还需要分别衡量趋势变动、季节变动、循环变动对序列的影响，只留下随机性波动，在预测时根据当前时间点的基础值加上趋势值、季节变动值、循环变动值得到最终的预测结果，一般利用差分、二阶差分和季节性差分的方法。记目标场库总泊位数为n，未来一个单位时刻的目标场库剩余泊位数绝对值
Figure BDA0003414733570000111
则未来一个单位时刻的目标场库剩余泊位数量相对值
Figure BDA0003414733570000112
停放可行性数据指当用户到达目标停车场后仍有剩余泊位的概率，以此来判断用户到达后能停到车的概率。用户选择目标停车场库时通常希望可行性越大越好。停放可行性利用预测剩余泊位数量的绝对值和相对值来衡量。记第i个场库指定时间预测剩余泊位数量的绝对值为r1，预测剩余泊位数量的相对值为r2，其中预测得到的是未来目标场库剩余停车泊位数的绝对值，相对值是根据该绝对值和总泊位数计算得到的。
S500、依据目标停车场库的场地数据得出停车性价比数据，其中停车性价比数据包括停车成本、安全性数据及便捷性数据，其中场地数据包括停车设施类型、停车场模式、停车位置、配建类型、建筑类型及定价类型；
此步骤中，停车成本即用户停车时段内单位时间的收费情况，停车场模式和定价类型包含在其中，可以根据场库接入数据获取。一般来说，场库采用分时段累进制收费，即规定一定时间内停车免费，超出后开始计时收费，直到最高的上限值，具体如下公式所示：
Figure BDA0003414733570000121
其中，T为用户停车时长，Timin为第i个场库的免费停车时长，如果没有免费停车时长，则Timin为0，yi1为第i个场库第一阶段的收费单价，yi2为第i个场库第二阶段的收费单价，FiL为第i个场库收费的最高限额。因为有阶段收费的情况存在，因此每一个场库的单位收费标准与停车时长有关，通过计算历史各场库车辆平均停放时间并以此来计算场库平均单位收费价格，记场库平均单位收费价格为p。目前绝大多数停车场都是15分钟或半小时内免费，1小时不到以及超过一小时以上按每小时5元或10元计费，封顶30元或40元，甚至有些地方没有封顶上限，因此停车成本是用户提成的最重要的考虑因素，而且有些停车场存在会员免费停车或包月包年的情况，因此还可以将用户录入的会员信息以及备选停车场库的收费信息进行计算，进一步优化停车成本的计算。
其中，停车设施类型是指目标停车场库的建筑类型，主要包括地上停车场、地下停车场、立体式停车、路边停车设施等，即停车位置、配建类型、建筑类型等，设施的类型不同对停车的安全性和便捷性会产生一定影响。这两个值难以直接量化，此处将其定性属性映射到坐标轴上，并对其赋予相对数据，如图3所示，还提供了下表1，
Figure BDA0003414733570000131
表1为停放安全性和停放便利性量化对应表，其中记备选停车场库安全性指标为s，便捷性指标为c，其值根据量化对应表中的均值获取。
S600、获取每个目标停车场库周边的备选停车场库的剩余泊位数据，并以剩余泊位数据得出目标场库容错性数据；其中目标场库容错性数据是指如果当到达指定目标停车场库后，发现没有剩余泊位，在该目标停车场库附近停到车的可能性为多大，其可能性通过对附近备选停车场库剩余泊位数及距离该目标停车场库的距离来综合衡量。记目标场库容错性数据指标为f。
此步骤中，利用目标停车场库内每间隔单位时间的历史剩余泊位数，结合时间、天气、建成环境等多项数据源，在消除时间属性的影响后，利用集成学习算法XgBoost对未来一个单位时刻的目标备选停车场库剩余泊位数进行预测，对所有目标停车场库进行以上步骤计算，获取所有目标停车场库在未来一个单位时刻剩余泊位数，目标停车场库的容错性通过一个备选停车场库周围2公里以内所有目标停车场库的加权平均剩余泊位数来定义，记目标停车场库容错性指标为f，距离目标备选停车场库500m范围内场库数共m1个，其中各目标停车场库数据剩余泊位数为xi1，距离目标目标停车场库500m-1000m范围内场库数共m2个，其中各目标停车场库剩余泊位数为xi2，距离目标停车场库1000m-2000m范围内目标停车场库数共m3个，其中各目标停车场库剩余泊位数为xi3，因此目标场库容错性数据指标为
Figure BDA0003414733570000141
S610、对步行距离、停放可行性数据、停车性价比数据以及目标场库容错性数据进行归一化处理得到归一化数据；
此步骤中，将步骤S200～S600中的所有得到的数据进行归一化处理，设设定范围内有m个可供选择目标停车场库，n个指标的决策矩阵集合可以表示为：
Figure BDA0003414733570000142
其中ymn为指标值，包括数值型指标值。
而目前影响场库推荐算法中的数值型指标可以分为“效益型”和“消耗型”两大类。“效益型”指标主要包括停放可行性、停车设施类型、场库容错性三种，其指标值越大越好，而“消耗型”指标主要包括驾驶距离及时间、步行距离、停放成本三类，其指标值越小越好，因此在进行指标归一化处理时，需要对这两类指标做不同的处理。
首先对于“效益型”指标进行归一化处理，公式如下：
Figure BDA0003414733570000143
其次对于“消耗型”指标进行归一化处理，公式如下：
Figure BDA0003414733570000144
其中
Figure BDA0003414733570000151
为同一指标的最大值，
Figure BDA0003414733570000152
为同一指标的最小值，zij为归一化后的矩阵，也就是归一化数据。
S700、依据用户调研结果对步行距离、停放可行性数据、停车性价比数据以及目标场库容错性数据进行偏好排序，得到偏好权重向量模型；其中，用户调研结果通过每次用户停车完毕后对用户利用层次分析法调研得到；
此步骤中，利用层次分析的方法对用户用户进行调研，根据用户的对停放可行性，驾驶距离，驾驶时间，步行距离，停放成本多个因素的偏好，生成一个偏好权重向量。一般情况下，不会存在停放可行性高，驾驶时间短，步行距离短，停放成本低，既安全又便捷，容错率又高的完美备选停车场库推荐给用户，因此需要根据由用户的偏好进行场库推荐，记用户的停放可行性偏好为ωr，驾驶时间偏好为ωt，步行距离偏好为ωd，停放成本偏好为ωp，安全性偏好为ωc，便捷性偏好为ωs，容错率偏好为ωf，因此用户的偏好权重向量W＝{ωr,ωt,ωd,ωp,ωc,ωs,ωf}。
对于用户的偏好权重向量采用层次分析法进行计算，需要对停放可行性偏好，驾驶时间偏好，步行距离偏好，停放成本偏好，安全性偏好，便捷性偏好，容错率偏好这七类偏好进行两两比较，以此来构建成对对比矩阵，具体如下所示：
Figure BDA0003414733570000153
其中aij表示第i个元素相对于第j个元素的重要性，其赋值在1-9及其倒数之间，一般的：
当aij＝1时，认为第i个元素相对于第j个元素的重要性相同；
当aij＝3时，认为第i个元素相对于第j个元素略重要；
当aij＝5时，认为第i个元素相对于第j个元素重要；
当aij＝7时，认为第i个元素相对于第j个元素重要得多；
当aij＝9时，认为第i个元素相对于第j个元素极其重要；
当aij＝2n,n＝1,2,3,4时，认为第i个元素相对于第j个元素的重要性介于aij＝2n-1与aij＝2n+1；
成对比较矩阵的特点：aij>0,aij＝1,
Figure BDA0003414733570000161
例如当a34＝5时，表示用户对步行距离偏好为停放成本偏好的5倍，此时
Figure BDA0003414733570000162
成对比较矩阵的获取通过问卷的形式获取，根据背景的不同，交通领域内问询调查的方式通常分为RP(Revealed Preference Survey)调查和SP(Stated PreferenceSurvey)调查两种方法。在这一场景下，RP调查表示根据已经存在的PGIS(ParkingGuidance and Information System，停车引导信息系统)设施进行调查，被调查者根据自己的实际选择进行作答，得到用户实际在使用PGIS的情况；SP调查表示向被调查者提供一些假设条件下的选项，被调查者根据自己的意愿来选择。两种调查方法各有优劣势，本实施例中采用SP的调查方式进行。
在得到成对比较矩阵后，在理论上矩阵应当满足aijajk＝aik,1≤i,j,k≤n的条件，但实际上所构造的成对比较矩阵要满足该条件是很困难的，因此削弱该条件要求，要求矩阵满足一定的一致性。因此需要进行一致性检验：
首先需要计算成对比较矩阵的不一致程度指标CI为：
Figure BDA0003414733570000163
其中λmax(A)为矩阵A的最大特征向量，n为矩阵的阶数。
其次查阅平均随机一致性指标RI，它的值只与矩阵的阶数n有关，见下表2，
n 1 2 3 4 5 6 7 8 9
RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45
可见，依据表2，最后计算随机一致性比率CR为
Figure BDA0003414733570000171
当CR<0.1时，认为成对比较矩阵的一致性是可接受的，否则就需要对成对比较矩阵进行调整，直到达到可接受的范围为止。
当成对比较矩阵的一致性是可接受时，其最大特征值所对应的特征向量经过标准化的处理，使其各分量的权重大于零，分量之和等于1，就得到了用户的偏好权重向量W。
根据用户的对停放可行性，驾驶距离，驾驶时间，步行距离，停放成本等多个因素的偏好，生成一个偏好权重向量W，根据权重向量和归一化后的指标矩阵计算得到最终的场库综合推荐指数R:
R＝W*ZT。
其中，归一化处理就是要把需要处理的数据经过处理后限制在你需要的一定范围内，主要是为了后面数据处理的方便，其次是保证程序运行时收敛加快。引入归一化，是由于在不同评价指标(特征指标)中，其量纲或是量纲单位的不同，变化区间处于不同的数量级，若不进行归一化，可能导致某些指标被忽视，影响到数据分析的结果。为消除特征数据之间的量纲影响，需要进行归一化处理，以解决特征指标之间的可比性。本方法用离差标准化的方法进行归一化处理。
其中，离差标准化，是对原始数据的线性变换使结果值映射到[0-1]之间转换函数：X.＝(x-min)/(max-min)，其中max为样本数据的最大值，min为样本数据的最小值。
其中，层次分析法是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标(或准则、约束)的若干层次，通过定性指标模糊量化方法算出层次单排序(权数)和总排序，以作为目标(多指标)、多方案优化决策的系统方法。该方法将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。
S800、依据偏好权重向量模型排序得出备选停车场库推荐引导数据；
此步骤中，由于提前对效益性指标和消耗型指标进行了归一化处理，因此归一化后的值都需要越大越好，所以其乘以偏好权重向量的结果也要越大越好，因此对被筛选出的场库按综合推荐指数R倒序的方式排序即为综合推荐的场库列表，也就是推荐场库名单。
S900、依据用户行为数据更新迭代偏好权重向量模型，其中用户行为数据包括用户调研结果和用户停车完毕后的整个流程的行为数据；
此步骤中，由于本发明方法的载体一般为服务器和APP，因此用户在使用时，服务器或APP后台会记录用户在使用本发明功能时的操作记录，包含用户的点击、滑动、返回、确定备选停车场库并导航、评价等相关记录，选定用户确定备选停车场库并导航为最重要的指标，此外，用户的频繁滑动可以认为用户对首推的备选停车场库并不满意，用户的点击后返回可以认为用户对该类型备选停车场库的偏好较低，因此可以根据这些行为对用户的偏好矩阵进行个性化调整。
例如设置偏好权重向量模型关于确定某一备选停车场库并导航的学习率为l1，用户当前的偏好矩阵W＝{ωr,ωt,ωd,ωp,ωc,ωs,ωf}，现有两个场库的指标得分Y1＝{y11,y12,y13,y14,y15,y16,y17}，Y2＝{y21,y22,y23,y24,y25,y26,y27}，当场库1的推荐指数W*Y1 T大于场库2的推荐指数W*Y1 T时，系统的综合推荐会将场库1排在场库2之上，若用户选择Y2场库并进行导航，其偏好矩阵会修正为W′＝W+l1(Y2-Y1)，同样的设置偏好权重向量模型关于点击后返回的学习率为l2，即当用户点击场库3查看相关信息后，认为不满意又点击返回，最终确定场库2并导航出发，因此其偏好矩阵会修正为W′＝W+l2(Y2-Y3)。
当用户对该次出行停车推荐进行评价时，需要分开来讨论，可以假设设置评价的指标为满意、一般及不满意三类，当用户对该次出行并停在场库2的行程评价为满意时，用户的偏好矩阵需要向场库优势方向更新，假设偏好权重向量模型关于评价的学习率为l3，用户的偏好矩阵会修正为W′＝W+l3(Y2-E)，其中E表示备选停车场库在各项指标上的得分相同，即
Figure BDA0003414733570000191
当用户对该次出行并停在场库2的行程评价为不满意时，用户的偏好矩阵需要向备选停车场库优势的反方向更新，用户的偏好矩阵会修正为W′＝W+l3(E-Y2)，当用户对该次出行并停在场库2的行程评价为一般时，用户的偏好矩阵暂不更新。
计算其余用户行为对偏好矩阵的影响同理，即用户的在线行为通过对埋点数据的探查会直接影响其偏好矩阵，但这里需要注意的是，每一种行为的影响程度不同，在学习率的设置上一般取0.01-0.05，但实际运用时看具体情况来定，本发明不对学习率的选取做明确限定。通过用户行为数据的累计对偏好矩阵不断迭代更新，最终实现千人千面，根据用户个性化的偏好矩阵推荐相应备选停车场库，使每位用户都能选择到满意的备选停车场库。
实施例3，
计划出行停车推荐装置包括以下模块：
数据获取模块，用于用户的目的地、出行计划信息以及用户偏好；
调研模块，用于利用层次分析法对用户进行调研并记录调研结果；
计算模块，确定目的地设定范围内的至少一备选停车场库；依据每一备选停车场库的道路历史拥堵数据以及出行计划信息，确定用户抵达每一备选停车场库的预计到达时间；依据预计到达时间筛选出位于用户理想步行时间区间的目标停车场库，并计算目标停车场库与目的地之间的步行距离；依据每一目标停车场库的历史剩余泊位数和历史停车数据，确定每一目标停车场库的停放可行性数据；依据每一目标停车场库的场地数据，确定每一目标停车场库的停车性价比数据，其中停车性价比数据包括停车成本、安全性数据及便捷性数据；获取每一目标停车场库周边的备选停车场库的剩余泊位数据，并依据剩余泊位数据得出每一目标停车场库的目标场库容错性数据；基于用户偏好结合步行距离、停放可行性数据、停车性价比数据以及目标场库容错性数据排序目标停车场库；
迭代模块，用于依据用户行为数据更新迭代偏好权重向量模型，其中用户行为数据包括用户调研结果和用户停车完毕后的整个流程的行为数据；
显示模块，用于显示目标停车场库推荐引导数据。
实施例3，
请参阅图4，一种电子装置，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例(如实施例1和实施例2)中的步骤。
具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种停车推荐方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是当前数据表例如疫情流调文档、特征数据、模板表等，输出的信息可以是特征指纹、指纹模板、文本分类推荐信息、文件模板配置映射表、文件模板配置信息表等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行实施例1或2中的步骤。
实施例4，
一种计算机程序产品包括软件代码部分，当计算机程序产品在计算机上被运行时，软件代码部分用于执行上述的停车推荐方法。
实施例5，
一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括执行上述的停车推荐方法。
实施例3-5中，可以具体为移动终端、程序、服务器、U盘等。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (13)

1.停车推荐方法，其特征在于，包括以下步骤：
获取用户的目的地、出行计划信息以及用户偏好；
确定所述目的地设定范围内的至少一备选停车场库；
依据每一所述备选停车场库的道路历史拥堵数据以及所述出行计划信息，确定用户抵达每一所述备选停车场库的预计到达时间；
依据所述预计到达时间筛选出位于用户理想步行时间区间的目标停车场库，并计算所述目标停车场库与所述目的地之间的步行距离；
依据每一所述目标停车场库的历史剩余泊位数和历史停车数据，确定每一所述目标停车场库的停放可行性数据；
依据每一所述目标停车场库的场地数据，确定每一所述目标停车场库的停车性价比数据，其中所述停车性价比数据包括停车成本、安全性数据及便捷性数据；
获取每一所述目标停车场库周边的备选停车场库的剩余泊位数据，并依据所述剩余泊位数据得出每一所述目标停车场库的目标场库容错性数据；
基于用户偏好结合所述步行距离、所述停放可行性数据、所述停车性价比数据以及所述目标场库容错性数据排序所述目标停车场库。
2.根据权利要求1所述的停车推荐方法，其特征在于，在得出每一所述目标停车场库的所述目标场库容错性数据后以及排序所述目标停车场库之前，还包括：归一处理所述步行距离、所述预计到达时间、所述停放可行性数据、所述停车性价比数据及所述目标场库容错性数据。
3.根据权利要求1所述的停车推荐方法，其特征在于，所述用户偏好通过获取用户调研结果和用户行为数据，基于所述用户调研结果和所述用户行为数据分析得到。
4.根据权利要求3所述的停车推荐方法，其特征在于，在基于所述用户调研结果和所述用户行为数据分析得到所述用户偏好中还包括：根据用户调研结果的多个偏好因素生成偏好权重向量，采用层次分析法将所述偏好权重向量构建成对对比矩阵，依据所述用户行为数据的累计对所述成对对比矩阵或所述偏好权重向量进行迭代更新，输出确认的所述用户偏好。
5.根据权利要求4所述的停车推荐方法，其特征在于，基在于所述用户调研结果和所述用户行为数据分析得到所述用户偏好中还包括：对所述成对对比矩阵进行一致性检验直至该成对对比矩阵达到可接受的范围为止。
6.根据权利要求1所述的停车推荐方法，其特征在于，在确定每一所述目标停车场库的停放可行性数据中还包括：依据每一所述目标停车场库的历史剩余泊位数分别预测未来一个单位时刻的每一所述目标停车场库的剩余泊位数量，依据预测得到的所述剩余泊位数量除以所述目标停车场库的总泊位数得到所述停放可行性数据。
7.根据权利要求1所述的停车推荐方法，其特征在于，在依据所述剩余泊位数据得出每一所述目标停车场库的目标场库容错性数据的步骤中还包括：依据每一所述备选停车场库的每间隔单位时间的历史剩余泊位数分别预测每一所述备选停车场库未来一个单位时刻的剩余泊位数，基于所述目标停车场库周围设定范围内所有所述备选停车场库的所述未来一个单位时刻的剩余泊位数得到所述目标场库容错性数据。
8.根据权利要求1所述的停车推荐方法，其特征在于，在计算每一所述目标停车场库与所述目的地之间的步行距离之后包括：若所述目标停车场库和所述目的地之间的步行距离大于设定阈值，自所述目标停车场库中剔除该目标停车场库。
9.根据权利要求1所述的停车推荐方法，其特征在于，所述停放可行性数据表征当用户到达指定所述目标停车场库时，该目标停车场库仍有剩余泊位的概率，所述停车性价比数据表征用户停车在目标停车场库的性价比；所述目标场库容错性数据表征当用户到达指定目标停车场库后，在该指定目标停车场库附近能够停车的概率。
10.计划出行停车推荐装置，其特征在于，包括以下模块：
数据获取模块，用于用户的目的地、出行计划信息以及用户偏好；
计算模块，确定所述目的地设定范围内的至少一备选停车场库；依据每一所述备选停车场库的道路历史拥堵数据以及所述出行计划信息，确定用户抵达每一所述备选停车场库的预计到达时间；依据所述预计到达时间筛选出位于用户理想步行时间区间的目标停车场库，并计算所述目标停车场库与所述目的地之间的步行距离；依据每一所述目标停车场库的历史剩余泊位数和历史停车数据，确定每一所述目标停车场库的停放可行性数据；依据每一所述目标停车场库的场地数据，确定每一所述目标停车场库的停车性价比数据，其中所述停车性价比数据包括停车成本、安全性数据及便捷性数据；获取每一所述目标停车场库周边的备选停车场库的剩余泊位数据，并依据所述剩余泊位数据得出每一所述目标停车场库的目标场库容错性数据；基于用户偏好结合所述步行距离、所述停放可行性数据、所述停车性价比数据以及所述目标场库容错性数据排序所述目标停车场库；
显示模块，用于显示排序后的所述目标停车场库。
11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至9任一所述的停车场推荐方法。
12.一种计算机程序产品，其特征在于，包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行权利要求1至9任一项所述的停车场推荐方法。
13.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至9任一项所述的停车场推荐方法。
CN202111542559.3A 2021-12-16 2021-12-16 停车推荐方法及其应用 Pending CN114218483A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111542559.3A CN114218483A (zh) 2021-12-16 2021-12-16 停车推荐方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111542559.3A CN114218483A (zh) 2021-12-16 2021-12-16 停车推荐方法及其应用

Publications (1)

Publication Number Publication Date
CN114218483A true CN114218483A (zh) 2022-03-22

Family

ID=80702922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111542559.3A Pending CN114218483A (zh) 2021-12-16 2021-12-16 停车推荐方法及其应用

Country Status (1)

Country Link
CN (1) CN114218483A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842667A (zh) * 2022-04-01 2022-08-02 合众新能源汽车有限公司 停车导航方法、装置及网络设备
CN115050210A (zh) * 2022-06-07 2022-09-13 杭州市城市大脑停车系统运营股份有限公司 基于时序预测的停车场智能诱导方法、系统及装置
CN115511251A (zh) * 2022-08-01 2022-12-23 无锡喔趣信息科技有限公司 应用于大数据的人力资源排班管理系统及方法
CN117079359A (zh) * 2023-09-04 2023-11-17 厦门中卡科技股份有限公司 基于神经网络的智能停车缴费方法和系统
CN117746616A (zh) * 2023-09-18 2024-03-22 杭州目博科技有限公司 基于大数据分析的区域车位管理系统及应用

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427596A (zh) * 2015-11-26 2016-03-23 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
CN105761545A (zh) * 2016-05-11 2016-07-13 泽信息科技（上海）有限公司 多目标停车泊位预定优选方法
CN110415546A (zh) * 2018-04-26 2019-11-05 中移(苏州)软件技术有限公司 泊车诱导方法、装置和介质
CN111125515A (zh) * 2019-11-27 2020-05-08 大众问问(北京)信息科技有限公司 一种停车场所推荐方法、装置及设备
CN111798694A (zh) * 2020-07-13 2020-10-20 城云科技（中国）有限公司 一种综合停车因素的停车场推荐方法和装置
CN113139118A (zh) * 2020-01-19 2021-07-20 百度在线网络技术（北京）有限公司 停车场推荐方法、装置、电子设备和介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427596A (zh) * 2015-11-26 2016-03-23 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
CN105761545A (zh) * 2016-05-11 2016-07-13 泽信息科技（上海）有限公司 多目标停车泊位预定优选方法
CN110415546A (zh) * 2018-04-26 2019-11-05 中移(苏州)软件技术有限公司 泊车诱导方法、装置和介质
CN111125515A (zh) * 2019-11-27 2020-05-08 大众问问(北京)信息科技有限公司 一种停车场所推荐方法、装置及设备
CN113139118A (zh) * 2020-01-19 2021-07-20 百度在线网络技术（北京）有限公司 停车场推荐方法、装置、电子设备和介质
CN111798694A (zh) * 2020-07-13 2020-10-20 城云科技（中国）有限公司 一种综合停车因素的停车场推荐方法和装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842667A (zh) * 2022-04-01 2022-08-02 合众新能源汽车有限公司 停车导航方法、装置及网络设备
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
CN115050210A (zh) * 2022-06-07 2022-09-13 杭州市城市大脑停车系统运营股份有限公司 基于时序预测的停车场智能诱导方法、系统及装置
CN115050210B (zh) * 2022-06-07 2023-10-20 杭州市城市大脑停车系统运营股份有限公司 基于时序预测的停车场智能诱导方法、系统及装置
CN115511251A (zh) * 2022-08-01 2022-12-23 无锡喔趣信息科技有限公司 应用于大数据的人力资源排班管理系统及方法
CN115511251B (zh) * 2022-08-01 2024-05-28 无锡喔趣信息科技有限公司 基于大数据的人力资源排班管理系统及方法
CN117079359A (zh) * 2023-09-04 2023-11-17 厦门中卡科技股份有限公司 基于神经网络的智能停车缴费方法和系统
CN117746616A (zh) * 2023-09-18 2024-03-22 杭州目博科技有限公司 基于大数据分析的区域车位管理系统及应用

Similar Documents

Publication Publication Date Title
CN114218483A (zh) 停车推荐方法及其应用
Huang et al. A two-phase optimization model for the demand-responsive customized bus network design
Hillel et al. Recreating passenger mode choice-sets for transport simulation: A case study of London, UK
Nourinejad et al. A dynamic carsharing decision support system
JP7264357B2 (ja) 交通システム内でのサイト及び場所の間のルート又はルート距離を使用してサイトを検索又は比較するための方法及び装置
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
CN111582559B (zh) 一种到达时间的预估方法及装置
Fabbiani et al. Analysis of mobility patterns for public transportation and bus stops relocation
WO2021243568A1 (en) Multi-objective distributional reinforcement learning for large-scale order dispatching
CN111861643A (zh) 一种乘车位置的推荐方法、装置、电子设备及存储介质
CN111859172B (zh) 信息推送方法、装置、电子设备和计算机可读存储介质
US20200334761A1 (en) Systems and methods for georeferencing and scoring vehicle data in communities
CN116437291B (zh) 一种基于手机信令的文化圈规划方法和系统
Waddell et al. An integrated pipeline architecture for modeling urban land use, travel demand, and traffic assignment
Marques et al. Ridership estimation along bus transit lines based on kriging: Comparative analysis between network and Euclidean distances
Ayala et al. Spatio-temporal matching for urban transportation applications
WO2020254418A1 (en) System and method for populating a database with occupancy data of parking facilities
CN115511308A (zh) 一种区域无障碍设施布局合理性的评价方法及相关装置
CN115034429A (zh) 基于深度图神经网络的城市出租车接客点推荐方法
US20150142482A1 (en) Search engine for identifying business travel proposals
Zhou et al. A data-driven discrete simulation-based optimization algorithm for large-scale two-way car-sharing network design
Phiboonbanakit et al. Analyzing Bangkok city taxi ride: reforming fares for profit sustainability using big data driven model
Zakaria et al. Multiobjective car relocation problem in one-way carsharing system
CN113159416B (zh) 一种公交单次刷卡下车站点的推算方法及智能终端
Rastogi et al. Segmentation analysis of commuters accessing transit: Mumbai study

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