CN114267197A - 一种基于停车数据的停车推荐算法 - Google Patents
一种基于停车数据的停车推荐算法 Download PDFInfo
- Publication number
- CN114267197A CN114267197A CN202111546266.2A CN202111546266A CN114267197A CN 114267197 A CN114267197 A CN 114267197A CN 202111546266 A CN202111546266 A CN 202111546266A CN 114267197 A CN114267197 A CN 114267197A
- Authority
- CN
- China
- Prior art keywords
- parking
- data
- parking lot
- time
- yard
- 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
Links
Images
Abstract
本发明公开了一种基于停车数据的停车推荐算法,涉及交通协调技术领域。本发明包括如下步骤:S1,停车数据获取;包括获取静态数据和动态数据;S2,基于统计学方法分析直观停车数据,基于机器学习方法处理非直观停车数据;S3,将步骤S2中处理后的停车数据进行整合,用统一的格式表示;S4,偏好优先策略推荐;根据车场地理位置、收费标准、车位空闲数量因素分别对上述结果进行排序,用户可以根据自己的需求选择不同的排序结果,当未选择特定因素时,将自动按各个因素的平均值进行结果排序;S5,结果反馈;根据客户的需求将S4中的结果信息反馈给用户。本发明通过获取停车数据并对其进行分析和处理,实现动态车位的推荐。
Description
技术领域
本发明属于交通协调系统技术领域,涉及一种基于停车数据的停车推荐算法。
背景技术
随着城市现代化进程的迅速发展,人民的生活水平得到了巨大的提升,目前城市居民中几乎家家有车,车已经成为了最便捷的代步工具,但由于我国人口基数大,加上城市人口流入大,车辆数量迅速增加,这给交通带来了严重的负担,停车位供应也面临着巨大的压力。在日常生活中,往往由于无法及时找到合适的停车位,给出行带来了不便,不仅浪费了时间,还使得城市生活体验变差,这与为市民提供便利的城市服务宗旨不符。但值得注意的是,停车位紧缺是一个问题,另一个更需要解决的问题是停车位管理问题。根据《中国城市智慧停车指数报告》统计,在一线城市中,停车位平均缺口率高达 76.3%,但与此同时停车场泊位空闲率为 44.6%,约一半的停车位未得到合理利用,这是对资源的极大浪费。造成这种现象的原因主要为市民无法便利的获取到区域内的停车位信息,因此无法准确合理的选择停车泊位,这也就导致了上述报告中所述中,近一半的停车位被闲置。因此若能利用计算机科学技术,提供一种自动化停车推荐算法,根据时间,地理位置等信息为车主提前提供停车信息,这不仅可以提供停车位的有效利用率,还可以在一定程度上减少乱停乱放的违法行为,同时还可以提升市民对城市服务的满意度,这对城市发展是非常有利的。
针对停车位推荐的相关研究,国内目前还处于初级阶段,大多数都是问题现状分析,数据统计等基于理论和统计学的研究。即使有成熟的技术可以利用,也往往受限于某一范围,而无法进一步延伸。因此目前国内暂时缺少关于符合我国城市综合特性的通用的停车位管理推荐方法。人工智能技术的不断发展,在许多方面已经进入智能化时代,例如目前较为成熟的车牌识别技术,智能家居等方面。利用人工智能技术,研究关于智能停车推荐方法是符合时代背景的,而人工智能技术在多领域的杰出表现,也表明了人工智能技术可以在大多数方面取得良好效果,为此,利用计算机科学技术实现智能化,自动化停车位推荐是非常重要的。
发明内容
本发明为了弥补现有技术的不足,提供了一种基于停车数据的停车推荐算法,通过获取停车数据并对其进行分析和处理,实现动态车位的推荐。本发明是通过如下技术方案实现的:本发明提供了一种基于停车数据的停车推荐算法,包括如下步骤:
S1.停车数据获取,包括获取静态数据和动态数据;
S2.基于统计学方法分析直观停车数据:包括获取对应车场的车位信息、获取车辆进入车场的时间和离开时间、根据这两个时间计算目前车场内空闲的车位数量,并提供该车场所处位置以及收费标准;基于机器学习方法处理非直观停车数据:将摄像机拍摄的图片利用机器学习方法对其进行处理,获取其高层表示,并通过决策层来检测判断车位是否为空闲状态;
S3.将步骤S2中处理后的停车数据进行整合,用统一的格式表示;对于步骤S2获得的结果数据,需要进行格式化表示,并存入数据库中,以便为用户推荐结果,其字段包括车场地理位置、空闲车辆和收费标准;
S4.偏好优先策略推荐,根据车场地理位置、收费标准、车位空闲数量因素分别对上述结果进行排序,用户可以根据自己的需求选择不同的排序结果,当未选择特定因素时,将自动按各个因素的平均值进行结果排序;
S5.结果反馈,根据客户的需求将S4中的结果信息反馈给用户,供用户参考使用。
作为优选方案,S1步骤中获取的静态数据包括:车场的地理位置,车场容纳量,收费标准;S1步骤中通过具有线上管理系统的车场搭建调用接口,实时获取该车场的车位使用情况的动态数据,包括:车辆进入车场的时间和离开车场的时间、摄像机拍摄的车位使用状态图片。
作为优选方案,步骤S2中基于机器学习判断车位是否为空闲状态的方法为:将摄像头固定安装好,摄像头获取图片数据后进行训练,获得预训练模型;利用目标检测中的YOLO模型作为基模型,对图片数据进行处理。
本发明的有益效果是:
本发明构建了一个通用算法,该算法可以适用于各个城市。其具体是分别采用基于统计学方法和机器学习方法针对不同的停车数据类型进行建模,最后并根据用户偏好进行智能推荐,为用户反馈实时反馈停车场的位置信息,车位信息以及收费信息等。由于该建模过程涉及的数据主要指停车场管理线上平台收集的数据,如车辆进出时间,车场最大容纳量等,而这些数据对于所有采用停车场管理平台的场地来说都可以便捷的获得数据,且其结果适用于该类场景下的所有场地,容易扩展。基于深度学习的模块,由于其模式简单,即停车环境简单,有明显停车线等标志,且任务较为简单,只需判断车位上是否空闲,而针对该类场景下所有车位都具有该特点,所以利用预训练的模型就可以得到很好的准确性能和泛化性能。而且即使有新的数据增加,也不需要繁重的再训练负担,这样就可以保证系统健稳使用,最终实现提高车位的使用率,减轻交通负担,路况负担,提升车主的生活质量的目的。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的停车推荐算法框架示意图。
图2为本发明的基于机器学习判断车位是否为空闲状态的方法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
附图1为本发明的一种基于停车数据的停车推荐算法的具体实施例。该实施例包括如下步骤:
S1.停车数据获取;包括获取静态数据和动态数据;获取的静态数据包括但不限于:车场的地理位置,车场容纳量,收费标准;静态数据由于其不变性,因此只需要在开始保存一次即可,只有当发生变化时,才进行维护,一般周期较长。
通过具有线上管理系统的车场搭建调用接口,实时获取该车场的车位使用情况的动态数据,包括:车辆进入车场的时间和离开车场的时间、摄像机拍摄的车位使用状态图片。该类数据是随时发生变化的,因此需要根据实时性需求设置数据更新间隔,在每个间隔之后就获取一次数据,输入给模型。
S2.基于统计学方法分析直观停车数据:包括获取对应车场的车位信息、获取车辆进入车场的时间和离开时间、利用该时间计算目前车场内空闲的车位数量,并提供该车场所处位置以及收费标准。
基于机器学习方法处理非直观停车数据,一般为露天且无人管理的公用停车位,而这些车位如果无法得到有效利用,往往会造成严重的影响,例如造成交通拥堵等。为此,合理利用该类车位也是城市智能泊车推荐中重要的一部分,为了和其它车场达到同样的效果,实时获取该类车位的状态,本发明采用摄像机定时对车位拍摄,通过图片的形式对其进行处理。值得一提的是,由于停车位的固有属性,它并不会随着时间变化,而且由于我们只需要知道车位是否处于空闲状态,因此对其进行检测时,也不像一般的目标检测任务一样,需要较高的检测能力,我们只需要能够判断是否空闲即可,因此该任务受光照等外见因素较小,此外由于这些车位的不变性,当固定摄像头后,获得部分数据进行训练之后,获得的预训练模型就可以在新的数据上拥有较好的性能,这样就减少了当有新车位出现时需要重训练的代价,与此同时还能保证较好的性能。
将摄像机拍摄的图片利用机器学习方法对其进行处理,获取其高层表示,并通过决策层来检测判断车位是否为空闲状态;由于车场中这些车位是固定的,即它不会随着车辆流动而改变其车位位置,所以当摄像头固定时,拍摄出的图片位置也是固定的,只需要根据检测对应位置是否有车辆即可判断该车位是否空闲。
基于机器学习判断车位是否为空闲状态的方法为:将摄像头固定安装好,摄像头获取图片数据后进行训练,获得预训练模型;利用目标检测中的YOLO模型作为基模型,对图片数据进行处理,利用YOLO模型所用的损失函数来优化模型,实现网络学习。其具体步骤如附图2所示,步骤流程包括:首先利用PIL库对原始图片进行处理,获得图片的张量表示,作为模型的输入,然后利用模型对数据进行特征提取,获得高层的特征表示,最后对获得的特征表示进行边框预测和分类,来判断该车位是否空闲。
另外需要注意的是由于在某些区域缺乏管理,存在车位乱用的情况,即存在停放非车辆的其他物品情况,但这种情况也会导致车位无法正常使用,为此也需要将这种情况列为非空闲状态。
基于统计学数值计算,只需要统计某一车场内车辆的进出时间和车场的最大容纳量,然后根据公式(1)即可直接获得该车场所余空闲车位。通过基于统计学方法分析直观停车数据和基于机器学习方法处理非直观停车数据的两种方法,即可获得该车场空闲车位数量以及车场的地理位置,收费标准等信息,将这些结果输入到下游任务。
S3.将步骤S2中处理后的停车数据进行整合,用统一的格式表示;对于步骤S2获得的结果数据,需要进行格式化表示,并存入数据库中,以便为用户推荐结果,其字段包括车场地理位置、空闲车辆和收费标准。
S4.偏好优先策略推荐;根据车场地理位置、收费标准、车位空闲数量因素分别对上述结果进行排序,用户可以根据自己的需求选择不同的排序结果,当未选择特定因素时,将自动按各个因素的平均值进行结果排序。
S5.结果反馈;根据客户的需求将S4中的结果信息反馈给用户,供用户参考使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (4)
1.一种基于停车数据的停车推荐算法,其特征在于:包括如下步骤:
S1.停车数据获取,包括获取静态数据和动态数据;
S2.基于统计学方法分析直观停车数据:包括获取对应车场的车位信息、获取车辆进入车场的时间和离开时间、并根据车俩进出车场的时间计算出目前车场内空闲的车位数量,并提供该车场所处位置以及收费标准;基于机器学习方法处理非直观停车数据:对于没有线上平台的车场,将摄像机拍摄的图片利用机器学习方法对其进行处理,获取其高层表示,并通过决策层来检测判断车位是否为空闲状态;
S3.将步骤S2中处理后的停车数据进行整合,用统一的格式表示;对于步骤S2获得的结果数据,需要进行格式化表示,并存入数据库中,以便为用户推荐结果,其字段包括车场地理位置、空闲车辆和收费标准;
S4.偏好优先策略推荐,根据车场地理位置、收费标准、车位空闲数量因素分别对上述结果进行排序,用户可以根据自己的需求选择不同的排序结果,当未选择特定因素时,将自动按各个因素的平均值进行结果排序;
S5.结果反馈,根据客户的需求将S4中的结果信息反馈给用户,供用户参考使用。
2.根据权利要求1所述的基于停车数据的停车推荐算法,其特征在于:S1步骤中获取的静态数据包括:车场的地理位置,车场容纳量,收费标准;S1步骤中通过具有线上管理系统的车场搭建调用接口,实时获取该车场的车位使用情况的动态数据,包括:车辆进入车场的时间和离开车场的时间、摄像机拍摄的车位使用状态图片数据。
4.根据权利要求1所述的基于停车数据的停车推荐算法,其特征在于:步骤S2中基于机器学习判断车位是否为空闲状态的方法为:将摄像头固定安装好,摄像头获取图片数据后进行训练,获得预训练模型;利用目标检测中的YOLO模型作为基模型,对图片数据进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546266.2A CN114267197A (zh) | 2021-12-17 | 2021-12-17 | 一种基于停车数据的停车推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546266.2A CN114267197A (zh) | 2021-12-17 | 2021-12-17 | 一种基于停车数据的停车推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114267197A true CN114267197A (zh) | 2022-04-01 |
Family
ID=80827550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111546266.2A Pending CN114267197A (zh) | 2021-12-17 | 2021-12-17 | 一种基于停车数据的停车推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114267197A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822076A (zh) * | 2022-06-01 | 2022-07-29 | 杭州极豆科技有限公司 | 车位选择方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436756A (zh) * | 2010-09-29 | 2012-05-02 | 北京紫光百会科技有限公司 | 一种智能停车诱导系统和方法 |
CN103871270A (zh) * | 2014-02-28 | 2014-06-18 | 张剑锋 | 基于云计算和大数据的停车方法和系统 |
CN105989737A (zh) * | 2015-02-05 | 2016-10-05 | 辽宁省交通高等专科学校 | 一种停车诱导方法 |
CN108154706A (zh) * | 2017-12-28 | 2018-06-12 | 北京悦畅科技有限公司 | 用于泊车的信息处理方法及装置 |
CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
-
2021
- 2021-12-17 CN CN202111546266.2A patent/CN114267197A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436756A (zh) * | 2010-09-29 | 2012-05-02 | 北京紫光百会科技有限公司 | 一种智能停车诱导系统和方法 |
CN103871270A (zh) * | 2014-02-28 | 2014-06-18 | 张剑锋 | 基于云计算和大数据的停车方法和系统 |
CN105989737A (zh) * | 2015-02-05 | 2016-10-05 | 辽宁省交通高等专科学校 | 一种停车诱导方法 |
CN108154706A (zh) * | 2017-12-28 | 2018-06-12 | 北京悦畅科技有限公司 | 用于泊车的信息处理方法及装置 |
CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822076A (zh) * | 2022-06-01 | 2022-07-29 | 杭州极豆科技有限公司 | 车位选择方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | An unlicensed taxi identification model based on big data analysis | |
Chen et al. | Dynamic cluster-based over-demand prediction in bike sharing systems | |
Cai et al. | Deep learning-based video system for accurate and real-time parking measurement | |
CN109887283B (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
CN109308546A (zh) | 乘客公交出行下车站点预测方法及系统 | |
CN106651027B (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN105844229A (zh) | 一种乘客拥挤度的计算方法及其系统 | |
CN107292417B (zh) | 基于重污染序列案例库的区域重污染判别预报方法及装置 | |
CN110097249A (zh) | 一种公交客流监测分析系统及其方法 | |
CN113194138A (zh) | 基于ai深度学习的出行管理方法和系统 | |
CN111105628A (zh) | 一种停车场画像构建方法和装置 | |
CN108648052B (zh) | 共享单车违停率判定方法及系统 | |
CN114463868B (zh) | 面向交通流管控的收费站交通流组合预测方法及系统 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN114267197A (zh) | 一种基于停车数据的停车推荐算法 | |
CN113255552A (zh) | 公交车载视频乘客od分析系统、方法、装置及存储介质 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN112906945A (zh) | 一种交通流量预测方法、系统及计算机可读存储介质 | |
Liu et al. | Effects and feasibility of shared mobility with shared autonomous vehicles: An investigation based on data-driven modeling approach | |
CN108664995A (zh) | 基于DBScan的多粒度城市公共自行车调度方法及系统 | |
Bi et al. | Examining the varying influences of built environment on bike-sharing commuting: Empirical evidence from Shanghai | |
Zhou et al. | Method for judging parking status based on yolov2 target detection algorithm | |
Montoliu | Discovering mobility patterns on bicycle-based public transportation system by using probabilistic topic models | |
CN113256978A (zh) | 一种城市拥堵地区的诊断方法、系统及储存介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220401 |