CN114387816A - 基于消费者行为预测分析的商城车流引导系统及方法 - Google Patents
基于消费者行为预测分析的商城车流引导系统及方法 Download PDFInfo
- Publication number
- CN114387816A CN114387816A CN202111643675.4A CN202111643675A CN114387816A CN 114387816 A CN114387816 A CN 114387816A CN 202111643675 A CN202111643675 A CN 202111643675A CN 114387816 A CN114387816 A CN 114387816A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking
- mall
- parking space
- information
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 58
- 230000007306 turnover Effects 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 4
- 101000630730 Homo sapiens Small VCP/p97-interacting protein Proteins 0.000 claims description 3
- 102100026336 Small VCP/p97-interacting protein Human genes 0.000 claims description 3
- 230000003749 cleanliness Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于消费者行为预测分析的商城车流引导系统及方法，涉及到商城车流引导系统及方法领域，包括停车场入口架设车辆摄像头，采用如下软件架构识别车辆基本信息、车辆扩展信息以及车主会员信息，包括但不限于，如车牌、车型、品牌、车辆整洁度、会员ID、会员等级。本发明能够引导车辆就近停靠其目标购物店铺，改善其购物体验，精准引导车辆落位，降低用户寻找车位时间和场内有害气体排放，并且数字化精准运营，通过商场优惠或停车费减免等，引导部分车辆进入指定位置，提高停车周转率，实现消费积分和信用无感出车，实现停车场服务和收费的多样化与差异化，实时调整停车费用，鼓励正确行为，约束不良停车行为。
Description
技术领域
本发明涉及商城车流引导系统及方法领域，特别涉及基于消费者行为预测分析的商城车流引导系统及方法。
背景技术
目前已有的停车场引导系统仅能完成单一缴费和车辆放行任务，不能与消费者在线下购物中心的消费行为实时联动，不能实时调整车辆引导策略，导致停车场管理效率不高和有车用户线下购物体验不佳。
本发明内容
本发明的目的在于提供基于消费者行为预测分析的商城车流引导系统及方法，以解决上述背景技术中提出的目前已有的停车场引导系统仅能完成单一缴费和车辆放行任务，不能与消费者在线下购物中心的消费行为实时联动，不能实时调整车辆引导策略，导致停车场管理效率不高和有车用户线下购物体验不佳的问题。
为实现上述目的，本发明提供如下技术方案：基于消费者行为预测分析的商城车流引导方法，包括停车场入口架设车辆摄像头，采用如下软件架构识别车辆基本信息、车辆扩展信息以及车主会员信息，包括但不限于，如车牌、车型、品牌、车辆整洁度、会员ID、会员等级，其特征在于：所述人车一体识别模块由边缘计算设备、图像识别以及商城会员系统构成，所述商城会员系统通过会员绑定车牌的操作，实现人与车的连接映射，所述当用户某日到达某店频次大于0时，则标记该日为到访日，否则为缺席日。
优选的，所述边缘计算设备与车辆监控摄像头集成在一起，完成车辆识别所要求的照片摄录和车牌数字信息的快速识别，车辆扩展信息图像识别功能部署在GPU服务器，采取业界主流的深度学习网络和计算机图像视觉技术，完成车辆相关的扩展信息识别；
一旦消费者开车入场，人车一体识别模块在停车场入口首先识别车牌号码，然后查询商城会员系统，从而实现对人和车的整体一次性识别。
优选的，首先，使用快速傅立叶算法或差分整合移动平均自回归模型等其他成熟算法，检测连续到访天数时间分布子序列是否呈现周期性规律，如果呈现周期性规律，则预测其周期为连续到访天数，否则，采取其他算法预测连续到访天数；
一般而言，针对历史到访记录，有两种主流处理方法，一是假定所有样本在预测用户行为时有相同权值，比如中位数，算术平均值；二是不同样本在预测用户行为时有不同权值，权值随着时间衰减，换句话说，时间越久的样本，对预测结果影响越小，反之亦然，此类常见预测算法有滑动平均算法，指数滑动平均算法；
同样地，基于连续缺席天数时间分布子序列，该模块可以预测用户连续缺席的天数，也即两次到访之间的间隔天数；
其次，一旦获取到连续到访天数的预测值和连续缺席天数的预测值，该模块可以生成某个用户到访某个店铺潜在行为模式。
优选的，消费者驾车入场且不显性录入当天到访店铺，店铺到访预测模块的逻辑步骤如下：
S1、车牌基本信息被停车场入口摄像头识别；
S2、查询与车牌相关联的会员信息；
S3、轮询该消费者历史上所有到访店铺的行为预测图；
S4、基于预测分析，选择出当日可能到访的店铺；
S5、当存在多个到访店铺，选择出一个历史到访频度最高的店铺。
基于消费者行为预测分析的商城车流引导系统，包括停车行为分析引擎，所述停车行为分析引擎由按会员分层预测车辆到场数量模块、停车行为标识模块、车辆引导决策模块、车辆计费及出场模块组成。
优选的，所述按会员分层预测车辆到场数量模块执行如下步骤预测不同会员等级的车辆到场数量：
S1、车牌基本信息被停车场入口摄像头识别；
S2、查询与车牌相关联的会员等级信息；
S3、当日对应会员等级车辆入场车次自增一次；
S4、按会员等级形成多组车辆入场车次时间分布子序列，比如SVIP到访车次时间序列为[1968, 2001, 2100, 1898, …]；
S5、若按等权重预测算法，可以用过去N天的算数平均值或中位数预测次日对应到访车次；
S6、若按时间衰减权重预测算法，也可以用过去N天样本预测，但时间越近的样本，预测权重越大，比如指数滑动平均算法；
S7、计算过去N天停车场车位周转率；
S8、各会员等级预测到访车次除以停车场车位周转率，计算出各会员等级需要预留的车位数量。
优选的，所述停车行为标识模块执行如下逻辑步骤：
S1、落位摄像头拍取车辆正面照；
S2、边缘计算节点识别出车牌号和车位号；
S3、若无车位号，表明车辆停在过道等非车位区域，视为违规停车；
S4、若有车位号，但与系统指引分配车位号不一致，视为违规停车；
S5、若有车位号，且属于完成奖励任务对应车位，视为奖励停车；
S6、其他，一概视为正常停车。
优选的，所述车辆引导决策模块执行如下逻辑步骤：
S1、车牌基本信息被停车场入口摄像头识别；
S2、查询与车牌相关联的会员等级信息；
S3、若会员没有手动输入目的店铺，预测其到访店铺；
S4、优先匹配其高频停放车位，若距离到访店铺低于门限值，引导车辆到对应车位；
S5、否则，在其会员等级相匹配的空闲车位池中推选一个离目标店铺最近的车位。
优选的，所述车辆计费及出场模块执行如下逻辑步骤：
S1、车牌基本信息被停车场出口摄像头识别；
S2、计算会员停车时长的正常停车费用；
S3、识别是否场内违规行为，若有且违规次数超过门限值，增加惩罚性收费；
S4、识别是否完成了奖励任务，若有，奖励金直接抵扣停车费。
优选的，会员等级根据消费者在线下购物中心的消费金额、消费频度、最近消费日期、互动活动以及其他奖惩活动，综合拟合出会员成长值，然后据此切分成不同的用户等级；
会员成长值量测用户潜在消费能力和活跃度，主要来源于会员历史消费记录以及特定任务完成。成长值为会员分层的唯一量化依据，其依赖于会员消费和互动活动，可增可减，从而实现会员再各层级的动态跃迁。
本发明的技术效果和优点：本发明能够让车流引导系统通过大数据分析技术和人工智能算法，深度挖掘用户历史消费行为，预测用户在线下购物中心的消费行为，有效引导车辆落位，进而达到如下主要目的：
1.基于用户消费行为，引导车辆就近停靠其目标购物店铺，改善其购物体验；
2.基于用户消费行为和落位习惯，精准引导车辆落位，降低用户寻找车位时间和场内有害气体排放；
3.基于用户消费行为，数字化精准运营，通过商场优惠或停车费减免等，引导部分车辆进入指定位置，提高停车周转率；
4.基于用户消费行为，实现消费积分和信用无感出车；
5.基于用户消费行为，实现停车场服务和收费的多样化与差异化；
6.基于用户停车场内行为实时调整停车费用，鼓励正确行为，约束不良停车行为。
附图说明
图1为本发明的识别方法流程图。
图2为本发明的识别预测过程和系统决策图。
图3为本发明的管理分析过程和系统图。
图4为本发明的管理分析系统决策图。
图5为本发明的行为分析过程图。
图6为本发明的会议行为分析系统图。
图7为本发明的会员分析行为过程和系统决策图。
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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施例一：
如图1所示，包括停车场入口架设车辆摄像头，采用如下软件架构识别车辆基本信息、车辆扩展信息以及车主会员信息，包括但不限于，如车牌、车型、品牌、车辆整洁度、会员ID、会员等级，其特征在于：所述人车一体识别模块由边缘计算设备、图像识别以及商城会员系统构成，所述商城会员系统通过会员绑定车牌的操作，实现人与车的连接映射，所述当用户某日到达某店频次大于0时，则标记该日为到访日，否则为缺席日；
如图1所示，所述边缘计算设备与车辆监控摄像头集成在一起，完成车辆识别所要求的照片摄录和车牌数字信息的快速识别，车辆扩展信息图像识别功能部署在GPU服务器，采取业界主流的深度学习网络和计算机图像视觉技术，完成车辆相关的扩展信息识别，一旦消费者开车入场，人车一体识别模块在停车场入口首先识别车牌号码，然后查询商城会员系统，从而实现对人和车的整体一次性识别；
如图1所示，一般而言，针对历史到访记录，有两种主流处理方法，一是假定所有样本在预测用户行为时有相同权值，比如中位数，算术平均值；二是不同样本在预测用户行为时有不同权值，权值随着时间衰减，换句话说，时间越久的样本，对预测结果影响越小，反之亦然，此类常见预测算法有滑动平均算法，指数滑动平均算法，同样地，基于连续缺席天数时间分布子序列，该模块可以预测用户连续缺席的天数，也即两次到访之间的间隔天数，其次，一旦获取到连续到访天数的预测值和连续缺席天数的预测值，该模块可以生成某个用户到访某个店铺潜在行为模式。
具体实施例二：
如图2所示，消费者驾车入场且不显性录入当天到访店铺，店铺到访预测模块的逻辑步骤如下：S1、车牌基本信息被停车场入口摄像头识别，S2、查询与车牌相关联的会员信息，S3、轮询该消费者历史上所有到访店铺的行为预测图，S4、基于预测分析，选择出当日可能到访的店铺，S5、当存在多个到访店铺，选择出一个历史到访频度最高的店铺。
具体实施例三：
会员等级根据消费者在线下购物中心的消费金额、消费频度、最近消费日期、互动活动以及其他奖惩活动，综合拟合出会员成长值，然后据此切分成不同的用户等级，会员成长值量测用户潜在消费能力和活跃度，主要来源于会员历史消费记录以及特定任务完成。成长值为会员分层的唯一量化依据，其依赖于会员消费和互动活动，可增可减，从而实现会员再各层级的动态跃迁。
具体实施例四：
如图3所示，所述按会员分层预测车辆到场数量模块执行如下步骤预测不同会员等级的车辆到场数量：S1、车牌基本信息被停车场入口摄像头识别，S2、查询与车牌相关联的会员等级信息，S3、当日对应会员等级车辆入场车次自增一次，S4、按会员等级形成多组车辆入场车次时间分布子序列，比如SVIP到访车次时间序列为[1968, 2001, 2100, 1898,…]，S5、若按等权重预测算法，可以用过去N天的算数平均值或中位数预测次日对应到访车次，S6、若按时间衰减权重预测算法，也可以用过去N天样本预测，但时间越近的样本，预测权重越大，比如指数滑动平均算法，S7、计算过去N天停车场车位周转率，S8、各会员等级预测到访车次除以停车场车位周转率，计算出各会员等级需要预留的车位数量；
如图4所示，所述停车行为标识模块执行如下逻辑步骤：S1、落位摄像头拍取车辆正面照，S2、边缘计算节点识别出车牌号和车位号，S3、若无车位号，表明车辆停在过道等非车位区域，视为违规停车，S4、若有车位号，但与系统指引分配车位号不一致，视为违规停车，S5、若有车位号，且属于完成奖励任务对应车位，视为奖励停车，S6、其他，一概视为正常停车；
如图5和6所示，所述车辆引导决策模块执行如下逻辑步骤：S1、车牌基本信息被停车场入口摄像头识别，S2、查询与车牌相关联的会员等级信息，S3、若会员没有手动输入目的店铺，预测其到访店铺，S4、优先匹配其高频停放车位。若距离到访店铺低于门限值，引导车辆到对应车位，S5、否则，在其会员等级相匹配的空闲车位池中推选一个离目标店铺最近的车位。
如图7所示，所述车辆计费及出场模块执行如下逻辑步骤：S1、车牌基本信息被停车场出口摄像头识别，S2、计算会员停车时长的正常停车费用，S3、识别是否场内违规行为。若有且违规次数超过门限值，增加惩罚性收费，S4、识别是否完成了奖励任务，若有，奖励金直接抵扣停车费。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于消费者行为预测分析的商城车流引导方法，包括停车场入口架设车辆摄像头，采用如下软件架构识别车辆基本信息、车辆扩展信息以及车主会员信息，包括但不限于，如车牌、车型、品牌、车辆整洁度、会员ID、会员等级，其特征在于：所述人车一体识别模块由边缘计算设备、图像识别以及商城会员系统构成，所述商城会员系统通过会员绑定车牌的操作，实现人与车的连接映射，所述当用户某日到达某店频次大于0时，则标记该日为到访日，否则为缺席日。
2.根据权利要求1所述的基于消费者行为预测分析的商城车流引导方法，其特征在于：所述边缘计算设备与车辆监控摄像头集成在一起，完成车辆识别所要求的照片摄录和车牌数字信息的快速识别，车辆扩展信息图像识别功能部署在GPU服务器，采取业界主流的深度学习网络和计算机图像视觉技术，完成车辆相关的扩展信息识别；
一旦消费者开车入场，人车一体识别模块在停车场入口首先识别车牌号码，然后查询商城会员系统，从而实现对人和车的整体一次性识别。
3.根据权利要求1所述的基于消费者行为预测分析的商城车流引导方法，其特征在于：首先，使用快速傅立叶算法或差分整合移动平均自回归模型等其他成熟算法，检测连续到访天数时间分布子序列是否呈现周期性规律，如果呈现周期性规律，则预测其周期为连续到访天数，否则，采取其他算法预测连续到访天数；
一般而言，针对历史到访记录，有两种主流处理方法，一是假定所有样本在预测用户行为时有相同权值，比如中位数，算术平均值；二是不同样本在预测用户行为时有不同权值，权值随着时间衰减，换句话说，时间越久的样本，对预测结果影响越小，反之亦然，此类常见预测算法有滑动平均算法，指数滑动平均算法；
同样地，基于连续缺席天数时间分布子序列，该模块可以预测用户连续缺席的天数，也即两次到访之间的间隔天数；
其次，一旦获取到连续到访天数的预测值和连续缺席天数的预测值，该模块可以生成某个用户到访某个店铺潜在行为模式。
4.根据权利要求1所述的基于消费者行为预测分析的商城车流引导方法，其特征在于：当消费者驾车入场且不显性录入当天到访店铺，店铺到访预测模块的逻辑步骤如下：
S1、车牌基本信息被停车场入口摄像头识别；
S2、查询与车牌相关联的会员信息；
S3、轮询该消费者历史上所有到访店铺的行为预测图；
S4、基于预测分析，选择出当日可能到访的店铺；
S5、当存在多个到访店铺，选择出一个历史到访频度最高的店铺。
5.基于消费者行为预测分析的商城车流引导系统，包括停车行为分析引擎，其特征在于：所述停车行为分析引擎由按会员分层预测车辆到场数量模块、停车行为标识模块、车辆引导决策模块、车辆计费及出场模块组成。
6.根据权利要求5所述的基于消费者行为预测分析的商城车流引导系统，其特征在于：所述按会员分层预测车辆到场数量模块执行如下步骤预测不同会员等级的车辆到场数量：
S1、车牌基本信息被停车场入口摄像头识别；
S2、查询与车牌相关联的会员等级信息；
S3、当日对应会员等级车辆入场车次自增一次；
S4、按会员等级形成多组车辆入场车次时间分布子序列，比如SVIP到访车次时间序列为[1968, 2001, 2100, 1898, …]；
S5、若按等权重预测算法，可以用过去N天的算数平均值或中位数预测次日对应到访车次；
S6、若按时间衰减权重预测算法，也可以用过去N天样本预测，但时间越近的样本，预测权重越大，比如指数滑动平均算法；
S7、计算过去N天停车场车位周转率；
S8、各会员等级预测到访车次除以停车场车位周转率，计算出各会员等级需要预留的车位数量。
7.根据权利要求5所述的基于消费者行为预测分析的商城车流引导系统，其特征在于：所述停车行为标识模块执行如下逻辑步骤：
S1、落位摄像头拍取车辆正面照；
S2、边缘计算节点识别出车牌号和车位号；
S3、若无车位号，表明车辆停在过道等非车位区域，视为违规停车；
S4、若有车位号，但与系统指引分配车位号不一致，视为违规停车；
S5、若有车位号，且属于完成奖励任务对应车位，视为奖励停车；
S6、其他，一概视为正常停车。
8.根据权利要求5所述的基于消费者行为预测分析的商城车流引导系统，其特征在于：所述车辆引导决策模块执行如下逻辑步骤：
S1、车牌基本信息被停车场入口摄像头识别；
S2、查询与车牌相关联的会员等级信息；
S3、若会员没有手动输入目的店铺，预测其到访店铺；
S4、优先匹配其高频停放车位，若距离到访店铺低于门限值，引导车辆到对应车位；
S5、否则，在其会员等级相匹配的空闲车位池中推选一个离目标店铺最近的车位。
9.根据权利要求5所述的基于消费者行为预测分析的商城车流引导系统，其特征在于：所述车辆计费及出场模块执行如下逻辑步骤：
S1、车牌基本信息被停车场出口摄像头识别；
S2、计算会员停车时长的正常停车费用；
S3、识别是否场内违规行为，若有且违规次数超过门限值，增加惩罚性收费；
S4、识别是否完成了奖励任务，若有，奖励金直接抵扣停车费。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643675.4A CN114387816B (zh) | 2021-12-30 | 2021-12-30 | 基于消费者行为预测分析的商城车流引导系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643675.4A CN114387816B (zh) | 2021-12-30 | 2021-12-30 | 基于消费者行为预测分析的商城车流引导系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114387816A true CN114387816A (zh) | 2022-04-22 |
| CN114387816B CN114387816B (zh) | 2023-12-01 |
Family
ID=81200817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111643675.4A Active CN114387816B (zh) | 2021-12-30 | 2021-12-30 | 基于消费者行为预测分析的商城车流引导系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387816B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473003A (zh) * | 2023-12-28 | 2024-01-30 | 山东街景智能制造科技股份有限公司 | 一种用于车辆定制的数据库管理方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101422994A (zh) * | 2008-01-08 | 2009-05-06 | 张凯 | 方便消费者使用的优惠项目集合载体 |
| CN102117549A (zh) * | 2009-12-31 | 2011-07-06 | 北京众库传媒广告有限公司 | 用于停车场的车位引导系统 |
| US20140129132A1 (en) * | 2011-07-05 | 2014-05-08 | Toyota Jidosha Kabushiki Kaisha | Recommendation information provision system |
| CN105023467A (zh) * | 2015-08-20 | 2015-11-04 | 桂林电子科技大学 | 一种停车场车位远程预订系统及方法 |
| CN106652550A (zh) * | 2016-12-08 | 2017-05-10 | 赵伟 | 可预约定位的车位管理系统及其方法 |
| JP2018106375A (ja) * | 2016-12-26 | 2018-07-05 | ダイハツ工業株式会社 | 駐車場誘導システム |
| CN108492387A (zh) * | 2018-03-23 | 2018-09-04 | 西安艾润物联网技术服务有限责任公司 | 固定车位管理方法、系统及计算机可读存储介质 |
| CN109887322A (zh) * | 2019-03-26 | 2019-06-14 | 林木水 | 基于车位积分的智能车位管理系统 |
| CN110084722A (zh) * | 2019-04-23 | 2019-08-02 | 贵州车秘科技有限公司 | 一种基于车牌识别的会员服务方法及系统 |
| CN110942661A (zh) * | 2019-11-23 | 2020-03-31 | 广州市天眼互联网科技有限公司 | 一种智能停车管理方法及其系统 |
| CN111613085A (zh) * | 2020-05-21 | 2020-09-01 | 正则控股有限公司 | 一种基于大数据的停车场管理系统 |
| US20210073728A1 (en) * | 2018-06-11 | 2021-03-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Apparatus, methods, and storage media for recommending pick-up locations |
| CN113053129A (zh) * | 2021-03-09 | 2021-06-29 | 秦睿 | 一种基于车牌识别的智能会员管理系统 |
| CN113128766A (zh) * | 2021-04-21 | 2021-07-16 | 科大讯飞股份有限公司 | 目的地预判方法、装置、电子设备和存储介质 |
-
2021
- 2021-12-30 CN CN202111643675.4A patent/CN114387816B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101422994A (zh) * | 2008-01-08 | 2009-05-06 | 张凯 | 方便消费者使用的优惠项目集合载体 |
| CN102117549A (zh) * | 2009-12-31 | 2011-07-06 | 北京众库传媒广告有限公司 | 用于停车场的车位引导系统 |
| US20140129132A1 (en) * | 2011-07-05 | 2014-05-08 | Toyota Jidosha Kabushiki Kaisha | Recommendation information provision system |
| CN105023467A (zh) * | 2015-08-20 | 2015-11-04 | 桂林电子科技大学 | 一种停车场车位远程预订系统及方法 |
| CN106652550A (zh) * | 2016-12-08 | 2017-05-10 | 赵伟 | 可预约定位的车位管理系统及其方法 |
| JP2018106375A (ja) * | 2016-12-26 | 2018-07-05 | ダイハツ工業株式会社 | 駐車場誘導システム |
| CN108492387A (zh) * | 2018-03-23 | 2018-09-04 | 西安艾润物联网技术服务有限责任公司 | 固定车位管理方法、系统及计算机可读存储介质 |
| US20210073728A1 (en) * | 2018-06-11 | 2021-03-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Apparatus, methods, and storage media for recommending pick-up locations |
| CN109887322A (zh) * | 2019-03-26 | 2019-06-14 | 林木水 | 基于车位积分的智能车位管理系统 |
| CN110084722A (zh) * | 2019-04-23 | 2019-08-02 | 贵州车秘科技有限公司 | 一种基于车牌识别的会员服务方法及系统 |
| CN110942661A (zh) * | 2019-11-23 | 2020-03-31 | 广州市天眼互联网科技有限公司 | 一种智能停车管理方法及其系统 |
| CN111613085A (zh) * | 2020-05-21 | 2020-09-01 | 正则控股有限公司 | 一种基于大数据的停车场管理系统 |
| CN113053129A (zh) * | 2021-03-09 | 2021-06-29 | 秦睿 | 一种基于车牌识别的智能会员管理系统 |
| CN113128766A (zh) * | 2021-04-21 | 2021-07-16 | 科大讯飞股份有限公司 | 目的地预判方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 段满珍;杨兆升;张林;田秀娟;: "个性化诱导下的居住区共享停车泊位分配模型", 东北大学学报(自然科学版), no. 02 * |
| 陕立勤;钱少单;: "基于经济学视角的停车费价格机制分析", 兰州交通大学学报, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473003A (zh) * | 2023-12-28 | 2024-01-30 | 山东街景智能制造科技股份有限公司 | 一种用于车辆定制的数据库管理方法 |
| CN117473003B (zh) * | 2023-12-28 | 2024-03-22 | 山东街景智能制造科技股份有限公司 | 一种用于车辆定制的数据库管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114387816B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Bus arrival time calculation model based on smart card data | |
| US10430736B2 (en) | System and method for estimating a dynamic origin-destination matrix | |
| CN102324128B (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
| Arhin et al. | Optimization of transit total bus stop time models | |
| US20090018902A1 (en) | Commuter credits system and method | |
| Caicedo | The use of space availability information in “PARC” systems to reduce search times in parking facilities | |
| US20160111004A1 (en) | Method and device for dynamic management of urban mobility | |
| Edara et al. | Model of an advance-booking system for highway trips | |
| CN109741621B (zh) | 基于群智感知的停车位信息处理方法、系统和计算机装置 | |
| CN116629738B (zh) | 一种物流路径优化方法、相关方法、装置、设备及介质 | |
| CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
| KR20170048146A (ko) | 주차장 정보 제공 시스템 및 방법 | |
| Yu et al. | Optimal operations planning of electric autonomous vehicles via asynchronous learning in ride-hailing systems | |
| CN114387816A (zh) | 基于消费者行为预测分析的商城车流引导系统及方法 | |
| CN112686417B (zh) | 一种地铁大客流预测方法、系统及电子设备 | |
| Assemi et al. | On-street parking occupancy inference based on payment transactions | |
| JP2007234058A (ja) | 動線情報を基にした施設管理装置 | |
| Tian et al. | A long-term shared autonomous vehicle system design problem considering relocation and pricing | |
| CN111667083B (zh) | 网约车预估价确定方法和装置 | |
| JP4728202B2 (ja) | 交通量調査プログラム及び交通量調査方法 | |
| Yu et al. | Simulation-based optimization for the operation of toll plaza at car park exit with mixed types of tollbooths and waiting-time-dependent service | |
| JP5149691B2 (ja) | 駐車場管理装置、駐車場管理方法及び駐車場管理システム | |
| JP6843362B1 (ja) | 情報処理システム、情報処理装置、端末装置、サーバ装置、プログラム、又は方法 | |
| CN109191157A (zh) | 一种车辆使用管理方法、服务器及计算机可读存储介质 | |
| Nourinejad | Economics of parking: Short, medium, and long-term planning |
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 |