CN114428916A - 停车场推荐方法以及相关装置 - Google Patents

停车场推荐方法以及相关装置 Download PDF

Info

Publication number
CN114428916A
CN114428916A CN202111498805.XA CN202111498805A CN114428916A CN 114428916 A CN114428916 A CN 114428916A CN 202111498805 A CN202111498805 A CN 202111498805A CN 114428916 A CN114428916 A CN 114428916A
Authority
CN
China
Prior art keywords
parking lot
time
parking
factor
obtaining
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
CN202111498805.XA
Other languages
English (en)
Inventor
何闯
章伟
黄猛
路新宇
刘俊峰
雷琴辉
李展眉
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.)
iFlytek Co Ltd
Original Assignee
iFlytek 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 iFlytek Co Ltd filed Critical iFlytek Co Ltd
Priority to CN202111498805.XA priority Critical patent/CN114428916A/zh
Publication of CN114428916A publication Critical patent/CN114428916A/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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种停车场推荐方法以及相关装置，该方法包括：获取目的地；根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻；其中，当前位置为当前时刻发送目的地的车辆的位置；获得位于出发时刻和到达时刻之间的多个中间时刻下的至少一个备选停车场的实时停车场数据，并将实时停车场数据输入至停车场推荐模型中以获得当前时刻下至少一个备选停车场对应的推荐值；根据推荐值从至少一个备选停车场中确定出目标停车场。可以实时推荐车主最优的停车场方案，通过基于数据的相关指标分析扩大了停车场使用率，进而优化了停车场资源分配问题。

Description

停车场推荐方法以及相关装置
技术领域
本申请涉及停车场推荐技术领域，特别是涉及一种停车场推荐方法以及相关装置。
背景技术
汽车作为代步工具，在给拥有者提供便捷、高效的同时，同时也带了一些问题，比如：在上班高峰期，某些道路某些时段出现拥堵问题、在工作日中车流量大造成停车难和停车效率低下等问题。
针对停车难的问题，有的学者提出了停车位预约的解决方案，车主在上班途中根据目的地停车状况可线上直接预约车位，但是对于停车高峰期的时间段，可能会出现目的地停车场没有可预订停车位，这时车主可能就近选择一个停车场去等待，事实上高峰期这样随意的一个选择，可能并不是最好的选择；也有的学者根据过往停车记录，根据一些预定的指标计算每个停车场不同时间段内停车难度，从而推荐最优的停车场，这种方式需要在准确把握影响停车难的主要因素前提下对历史数据进行分析，如果因素选取不够准确和基础数据不多的话，可能得出的结果并不在预期之内。但是这些方案对是否为停车高峰期(把每天划分为不同时间段)的区分不是很明显，而且影响停车的因素有很多，如果只是基于少量的数据和某个单一的影响因素进行分析，可能很难达到推荐最优停车场的预期效果。因此，亟需一种新的停车场推荐方法来解决上述问题。
发明内容
本申请主要解决的技术问题是提供一种停车场推荐方法以及相关装置，可以实时推荐车主最优的停车场方案。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种停车场推荐方法，包括：获取目的地；根据所述目的地获得至少一个备选停车场以及从当前位置到所述至少一个备选停车场的到达时刻；其中，所述当前位置为当前时刻发送所述目的地的车辆的位置；获得位于出发时刻和所述到达时刻之间的多个中间时刻下的所述至少一个备选停车场的实时停车场数据，并将所述实时停车场数据输入至停车场推荐模型中以获得当前时刻下所述至少一个备选停车场对应的推荐值；根据所述推荐值从所述至少一个备选停车场中确定出目标停车场。
其中，所述实时停车场数据包括当前时刻下进入所述至少一个备选停车场的车辆数量、当前时刻下出所述至少一个备选停车场的车辆数量、当前时刻下所述至少一个备选停车场中每个停车车辆的停车耗时以及当前时刻下所述至少一个备选停车场中已停车的车位数量中的至少一个。
其中，所述根据所述推荐值从所述至少一个备选停车场中确定出目标停车场的步骤之后，包括：响应于所述车辆与所述目的地之间的距离小于第一阈值，或响应于当前时刻所述车辆到达所述目的地的时间小于第二阈值，将所述目标停车场发送至所述车辆，并停止计算。
其中，所述停车场推荐模型的训练过程包括：构建训练样本库；其中，所述训练样本库包括多个停车场样本，且每个所述停车场样本包括多个时间段的历史样本数据；针对每个所述停车场样本，基于所述历史样本数据获得所述停车场样本每个时间段内的至少一个因子数值，并利用所述因子数值获得所述停车场样本对应的因子平均数值；通过层次分析法调整所述停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值；利用所述因子平均数值和所述因子权重比值获得所述停车场样本对应的推荐值。
其中，所述因子数值包括车位流动率、车辆耗时率、车辆饱和率中的至少一个；所述针对每个所述停车场样本，基于所述历史样本数据获得所述停车场样本每个时间段内的至少一个因子数值的步骤，包括：获得当前时间段内进入所述停车场样本的车辆数量与当前时间段内出所述停车场样本的车辆数量之间的第一比值，并将所述第一比值作为所述车位流动率；和/或，获得每个所述时间段内所述停车场样本中的所有车辆的停车耗时之和与所述车辆的数量之间的第二比值，并将所述第二比值作为所述车辆耗时率；和/或，获得每个所述时间段内所述停车场样本中所有时刻的车位饱和率之和与所述时刻的数量之间的第三比值，并将所述第三比值作为所述车辆饱和率。
其中，所述利用所述因子数值获得所述停车场样本对应的因子平均数值的步骤，包括：获得所述停车场样本属于当前时间段的所有所述因子数值的总和与所述因子数值的数量之间的第四比值，并将所述第四比值作为所述因子平均数值；其中，所述因子平均数值包括所述多个时间段内的车位流动率的平均值、车辆耗时率的平均值、车辆饱和率的平均值中的至少一个。
其中，当获得一时间段内的第一因子数值时，获得第一因子数值和对应时间段内的因子平均数值之间的差值、所述因子数值的数量和一的第一和值、以及所述差值和所述第一和值之间的第五比值，并将所述因子数值和所述第五比值之间的第二和值作为所述因子平均数值。
其中，所述通过层次分析法调整所述停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值的步骤，包括：针对决策问题建立层次结构模型，以生成所述决策问题的递阶层次结构；其中，所述递阶层次结构包括多个层次，所述多个层次包括最高层、中间层和最底层，所述中间层包括所述决策问题的多个影响因素；将所述影响因素两两之间进行比较以构造判断矩阵，并通过方根法获得所述判断矩阵的特征向量和最大特征根；利用所述特征向量和所述最大特征根对所述判断矩阵进行层次单排序和层次总排序；根据所述层次总排序的结果获得所述最底层中各影响因素相对于所述最高层的因子权重比值。
其中，所述利用所述特征向量和所述最大特征根对所述判断矩阵进行层次单排序和层次总排序的步骤，包括：利用所述特征向量和所述最大特征根获得上一层次因素对应的同一层次各因素之间相关重要性的所述层次单排序的结果；沿所述层次单排序的结果由上而下逐层计算各层次中所有因素相对于所述最高层相对重要性或相对优劣的所述层次总排序的结果；其中，对于所述最高层而言，所述层次总排序的结果为所述层次单排序的结果。
其中，所述根据所述层次总排序的结果获得所述最底层中各影响因素相对于所述最高层的因子权重比值的步骤之后，包括：利用所述最大特征根获得所述判断矩阵的定义一致性指标，并根据所述定义一致性指标和随机一致性指标获得所述判断矩阵的定义一致性比率；利用所述定义一致性比率对所述判断矩阵进行一致性检验；响应于未通过一致性检验，对所述判断矩阵进行调整并返回至所述通过层次分析法调整所述停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值的步骤。
其中，所述利用所述因子平均数值和所述因子权重比值获得所述停车场样本对应的推荐值的步骤，包括：针对每个所述停车场样本，获得所有所述因子平均数值与对应的因子权重比值的乘积的第三和值，并将所述第三和值作为所述停车场样本对应的推荐值。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种停车场推荐方法，包括：发送目的地至服务终端，以使得所述服务终端根据所述目的地获得至少一个备选停车场以及从当前位置到所述至少一个备选停车场的到达时刻，获得位于出发时刻和所述到达时刻之间的多个中间时刻下的所述至少一个备选停车场的实时停车场数据，并将所述实时停车场数据输入至停车场推荐模型中以获得当前时刻下所述至少一个备选停车场对应的推荐值；其中，所述当前位置为当前时刻发送所述目的地的车辆的位置；接收所述服务终端根据所述推荐值从所述至少一个备选停车场中确定出的目标停车场。
为解决上述技术问题，本申请采用的又一个技术方案是：提供一种停车场推荐方法，包括：获取目的地；根据所述目的地获得至少一个备选停车场以及从当前位置到所述至少一个备选停车场的到达时刻；将所述到达时刻输入至停车场推荐模型中，并利用所述停车场推荐模型获得所述到达时刻对应的时间段内各个所述备选停车场的推荐值；其中，按照时间顺序每天被划分为多个时间段，且相邻时间段之间无重叠，一个所述到达时刻对应一个时间段；根据所述推荐值从所述备选停车场中确定出目标停车场。
为解决上述技术问题，本申请采用的又一个技术方案是：提供一种停车场推荐装置，包括：获取模块，用于获取目的地；处理模块，与所述获取模块耦接，用于根据所述目的地获得至少一个备选停车场以及从当前位置到所述至少一个备选停车场的到达时刻；其中，所述当前位置为当前时刻发送所述目的地的车辆的位置；所述处理模块还用于获得位于出发时刻和所述到达时刻之间的多个中间时刻下的所述至少一个备选停车场的实时停车场数据，并将所述实时停车场数据输入至停车场推荐模型中以获得当前时刻下所述至少一个备选停车场对应的推荐值；确定模块，与所述处理模块耦接，用于根据所述推荐值从所述至少一个备选停车场中确定出目标停车场。
为解决上述技术问题，本申请采用的又一个技术方案是：提供一种电子设备，包括相互耦接的存储器和处理器，所述存储器内存储有程序指令，所述处理器用于执行所述程序指令以实现上述任一实施例所提及的停车场推荐方法。
为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于实现上述任一实施例所提及的停车场推荐方法。
区别于现有技术的情况，本申请的有益效果是：本申请提供的停车场推荐方法包括：获取目的地，根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻，其中，当前位置为当前时刻发送目的地的车辆的位置，再获得位于出发时刻和到达时刻之间的多个中间时刻下的至少一个备选停车场的实时停车场数据，并将实时停车场数据输入至停车场推荐模型中以获得当前时刻下至少一个备选停车场对应的推荐值，最后根据推荐值从至少一个备选停车场中确定出目标停车场。通过海量的数据和数据模型，对停车难的三个主要影响因素进行分析，从而可以在车辆行驶过程中实时推荐车主最优的停车场方案，通过此方法即使在停车高峰期车位缺乏的时候，也能分析出等车时间最短的停车场，进一步优化了高峰期内停车场资源分配问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。其中：
图1是停车场推荐装置的结构示意图；
图2是图1中车内操作装置的结构示意图；
图3是图1中停车场信息装置的结构示意图；
图4是图1中服务终端的结构示意图；
图5是本申请停车场推荐方法一实施方式的流程示意图；
图6是停车场推荐模型的训练过程一实施方式的流程示意图；
图7是图6中步骤S12一实施方式的流程示意图；
图8是选择最优停车场层次结构示意图；
图9是本申请停车场推荐方法另一实施方式的流程示意图；
图10是本申请停车场推荐方法又一实施方式的流程示意图；
图11是本申请停车场推荐装置一实施方式的框架示意图；
图12是本申请停车场推荐装置另一实施方式的框架示意图；
图13是本申请停车场推荐装置又一实施方式的框架示意图；
图14是本申请电子设备一实施方式的框架示意图；
图15是本申请计算机可读存储介质一实施方式的框架示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面先介绍一下本申请所使用的停车场推荐装置。
请参阅图1，图1是停车场推荐装置的结构示意图。该停车场推荐装置包括车内操作装置、停车场信息装置、服务终端，其中停车场信息装置具备信息的显示功能、采集和监控等功能。请参阅图2-图4，图2是图1中车内操作装置的结构示意图，图3是图1中停车场信息装置的结构示意图，图4是图1中服务终端的结构示意图。如图2所示，车内操作装置的外观是一个小型可智能操控的显示屏，包括两个子组件：显示屏和GPS定位系统。车内操作装置可以连线服务终端以实时获取目标停车场的数据，并且自带GPS导航功能。如图3所示，停车场信息装置由入出口显示装置、摄像装置和车位监控装置组成，入出口显示装置可以及时显示停车场的车位情况以及当前进入车辆信息的显示；摄像装置和入出口显示装置一样都是位于入出口，通过智能摄像功能获取当前入出口车辆的牌号、车辆的品牌和车辆的颜色等信息，并实时把数据传入服务终端进行保存；车位监控装置位于停车场内部，用于监控当前车位上是否有车辆，通过该监控装置智能获取每个车位号是否有车的状态值，并实时传给服务终端进行保存。如图4所示，服务终端是一个后台服务系统，是停车场信息获取和保存的信息中心，用于与车内操作装置、停车场信息装置进行连接和数据交互。服务终端包括两个子组件：数据存储和查询系统和模型训练系统，其中，模型训练系统包括两个子系统：规则制定系统和计算系统。
下面将从服务终端的角度介绍本申请所提供的停车场推荐方法。
请参阅图5，图5是本申请停车场推荐方法一实施方式的流程示意图。具体地，该停车场推荐方法包括：
S1：获取目的地。
具体而言，车主在车内推荐装置上输入要到达的目的地以及目的地的位置等信息。
S2：根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻。
具体而言，获取目的地一定距离内的所有备选停车场列表、备选停车场的实时停车信息以及从当前位置到备选停车场的到达时刻。具体地，当前位置为当前时刻发送目的地的车辆的位置。在本实施例中，若车主不启动推荐功能，则选择备选停车场列表中的其中一个停车场，通过GPS导航系统行使至目的地停车场，并采集车辆从开始进入到最后出停车场过程的相关数据并保存至服务终端；若车主启动推荐功能，则进入步骤S3，根据到达时刻获取最优的停车场方案。
S3：获得位于出发时刻和到达时刻之间的多个中间时刻下的至少一个备选停车场的实时停车场数据，并将实时停车场数据输入至停车场推荐模型中以获得当前时刻下至少一个备选停车场对应的推荐值。
具体而言，在车辆的行进过程中，若出发时刻为10:10，步骤S2中获得的从当前位置到达目的地的到达时刻为10:30，举例而言，此时需要获得位于出发时刻10:10和到达时刻10:30之间的中间时刻10:15下的各个备选停车场的推荐值，则需要实时获得中间时刻10:15下各个备选停车场的实时停车场数据。具体地，在本实施例中，这里的实时停车场数据可以是当前时刻10:15下进入备选停车场的车辆数量、当前时刻10:15下出备选停车场的车辆数量、当前时刻10:15下备选停车场中每个停车车辆的停车耗时以及当前时刻10:15下备选停车场中已停车的车位数量等，根据这些数据可以计算获得当前时刻10:15下每个备选停车场的车位流动率、停车耗时率以及车位饱和率。当然，在其他实施例中，实时停车场数据也可以直接是当前时刻10:15下每个备选停车场的车位流动率、停车耗时率以及车位饱和率，本申请在此不作限定。得到实时停车场数据之后，将上述实时停车场数据输入至停车场推荐模型中以获得当前时刻10:15下各个备选停车场对应的平均车位流动率、平均停车耗时率、平均车位饱和率等平均因子数值，最后根据平均车位流动率、平均停车耗时率、平均车位饱和率等平因子数值获得各个备选停车场的推荐值，具体地计算过程可参见关于停车场推荐模型的详细阐述。这样得到的当前时刻的推荐值就是在车辆行驶过程中利用停车场推荐模型得到的实时数据，可以提高停车场推荐的效率和准确率。通过此方法即使在停车高峰期车位缺乏的时候，也能分析出等车时间最短的停车场，进一步优化了高峰期内停车场资源分配问题。当然，上述具体的中间时刻可以由车主自行选择，也可以由车主选择是否需要使用推荐功能，本申请对此不作限定。
在一个实施例中，本申请所提供的停车场推荐方法中还包括停车场推荐模型的训练过程，可选地，在本实施例中，上述训练过程可以是在上述步骤S1之前，当然，上述训练过程也可以是在步骤S3之前，在此不作限定。请参阅图6，图6是停车场推荐模型的训练过程一实施方式的流程示意图。具体而言，停车场推荐模型的训练过程包括：
S10：构建训练样本库。
具体而言，训练样本库包括多个停车场样本，且每个停车场样本包括多个时间段的历史样本数据。通过目的地符合条件的停车场过往的历史数据进行统计分析，由于每天不同的时间段停车的流量是不同的，例如：上班早高峰，停车的需求是高于其它时刻的，因此本申请中统计的是周一到周日每天不同时间段。停车场信息装置是一个信息获取的装置，数据获取主要获取两个方面的信息，第一是获取停车场停车状况信息，通过停车场车位监控装置，间隔一定的时间就对停车场的停车数、空余车位数按时间进行统计和计算，并保存至服务终端；第二就是获取进入停车场的车辆相关信息，对当前进入车辆的牌号、车的品牌、颜色、停车开始时间以及停车耗时进行记录，并及时保存至服务终端生成一条停车记录；第三就是当某辆车出停车场的时候，需要更新服务终端中对应车辆记录的停车状态和出停车场的时间。
S11：针对每个停车场样本，基于历史样本数据获得停车场样本每个时间段内的至少一个因子数值，并利用因子数值获得停车场样本对应的因子平均数值。
在本实施例中，将以停车场的车位流动率、停车耗时率、车位饱和率三个影响因素为中心，以下对这三个指标进行解释并说明选取的原因。(1)车位流动率：统计的是一个时间段进入停车场车辆和出停车场的比值，反应了该时间段停车场车辆流动情况，比值越大说明停车场的车位比较紧张，随着时间的推移停车场车位有饱和的趋势。通过统计某个时间段的车位流动率，可以反应该时间段车位紧俏情况。(2)停车耗时率：统计的是一个时间段内进入停车场所有车辆的停车平均耗时。通过计算车辆从开始进入停车场到找到车位停车结束的时间，可以清楚知道该时间段车场停车活跃度，耗时越长说明停车比较难，原因比如：找车位花了较长时间、车场进出车辆比较多，造成道路拥挤耽误了停车等等。(3)车位饱和率：统计的是一个时间段内平均车位空余情况，是把某个时间段再进行切分为不同的时刻，分别计算这些时刻的已停车位数与车位总数的比值，然后根据这些比值再计算平均值，从而得出一个该时间段内车位饱和率。车位已停率越大说明停车场车位缺少，也是一个很能反映当前停车场停车状况的一个指标。当然，在其他实施例中，影响因素也可以为其他影响停车的因素，在此不作限定。优选地，在本实施例中，上述因子数值包括车位流动率、车辆耗时率、车辆饱和率中的至少一个。当然，在其他实施例中，因子数值也可以为其他影响停车的因素的数值，在此不作限定。
根据过往各停车场历史数据来统计分析的影响因子有车位流动率、停车耗时率、车位饱和率，具体地，在本实施例中，图6中步骤S11包括：(1)获得当前时间段内进入停车场样本的车辆数量n1与当前时间段内出停车场样本的车辆数量n2之间的第一比值，并将第一比值作为车位流动率。具体而言，车位流动率计算的是周一到周日每天不同时间段内当前时间段内进入停车场车辆数量与当前时间段内出停车场车辆数量的比值，其计算公式如下：
Figure BDA0003401950850000101
(2)获得每个时间段内停车场样本中的所有车辆的停车耗时之和与车辆的数量之间的第二比值，并将第二比值作为车辆耗时率。具体而言，车位耗时率计算的是某个时间段停车平均停车耗时，对于某个车辆停车耗时是车辆进入停车场时间与车辆停好的时间差，因此计算某个时间段停车平均停车耗时首先拿到该时间段内所有的停车记录并计算各自的停车耗时，最后求所有车辆耗时的平均值就得出了该天某个时间段内停车的平均耗时。例如:某个时间段内总共停了5辆车，各自平均耗时为T耗1、T耗2、T耗3、T耗4、T耗5，其计算公式为：
Figure BDA0003401950850000111
(3)获得每个时间段内停车场样本中所有时刻的车位饱和率之和与时刻的数量之间的第三比值，并将第三比值作为车辆饱和率。具体而言，车位饱和率计算的是某段时间内平均车位饱和率，对于某个时刻车位饱和率为某个时刻停车场已停车位数量与停车场总车位数的比值，具体计算是把该时间段进一步分为不同的时刻，计算每个时刻的车位饱和率，最后求这些时刻的平均值，例如：一个时间段又被划成5个时刻，每个时刻车位饱和率分别为N饱1、N饱2、N饱3、N饱4、N饱5，其计算公式为：
Figure BDA0003401950850000112
Figure BDA0003401950850000113
具体地，在本实施例中，图6中步骤S11中利用因子数值获得停车场样本对应的因子平均数值的步骤包括：获得停车场样本属于当前时间段的所有因子数值的总和与因子数值的数量之间的第四比值，并将第四比值作为因子平均数值。在本实施例中，因子平均数值包括多个时间段内的车位流动率的平均值、车辆耗时率的平均值、车辆饱和率的平均值中的至少一个。具体而言，把各停车场停车历史的数据按周一到周日分门别类，接着再把每天的停车数据再按时间段进行划分，每个时间段间隔可以以半个小时为准，也可以设置其他时间间隔，但是设置的时间间隔不宜过长，因为高峰期停车的流动性很大，合适的时间段间隔有利于区分出车辆高峰期，设置的时间间隔也不宜过短，过短计算出的影响因子差别不是很明显，而且增加了统计和计算的压力。数据分类好之后，最后就需要进行计算，这里计算分两步：(1)基于历史数据计算所有周一到周日每天不同时间段的这三个因子数值(车位流动率、停车耗时率、车位饱和率)，并保存；(2)由于历史数据很多，也就是说计算出的，类似周一到周日某天某个时间段的这三个因子数值也是很多的，因此需要再次对这些相同类型的因子数据求平均值，例如：某停车场从开业以来，一共经历了M个周一，按照(1)的计算规则，周一的某个时间段就各自得到M条车位流动率、停车耗时率及车位饱和率的因子数值，因此基于所有历史数据周一的该时间段内的车位流动率、停车耗时率及车位饱和率就应该分别是这得到的M条车位流动率的平均值、M条停车耗时率的平均值及M条车位饱和率的平均值。基于所有历史计算三个因子平均数值公式如下：
Figure BDA0003401950850000121
停车场推荐模型的训练过程是历史海量数据根据以上计算规则得出各个停车场周一到周日每天不同时间内车位流动率、停车耗时率、车位饱和率这三个因子平均数值的过程。由于历史数据是不断增加的，因此计算的数据体量也是不断加大的，数据样本足够多，计算出的指标也就更接近事件的真实特征，因此当有新的数据时需要重新计算这三个因子的均值，为了不增加系统计算的压力，在本实施例中新的计算是基于先前计算的基础上。较佳地，在本实施例中，当获得一时间段内的第一因子数值时，获得第一因子数值和对应时间段内的因子平均数值之间的差值、因子数值的数量和一的第一和值、以及差值和第一和值之间的第五比值，并将因子数值和第五比值之间的第二和值作为因子平均数值。假设经过模型训练先前某个停车场周一上午8:00-8:30此时间段内车位平均流动率为
Figure BDA0003401950850000122
已计算次数为N，如果模型训练周期为一周的话，新的一周周一上午8:00-8:30此时间段内车位流动率为Y，那新的平均流动率为
Figure BDA0003401950850000123
具体的计算公式如下：
Figure BDA0003401950850000124
Figure BDA0003401950850000125
通过上述步骤S12可以获得周一到周日各个停车场不同时间段的车位流动率的平均值、停车耗时率的平均值、车位饱和率的平均值，上述平均数值对停车场选取有影响因素进行权重分析，对因子的影响程度进行排序，这样在某个时刻推荐出的停车场更有说服力。以下就本实施例采用的层次分析法(AHP)详细步骤进行说明，层次分析法是一种定性与定量相结合的决策分析方法，所要解决的问题是关于最底层对最高层的相对权重的问题，按此相对权重可以对最底层中的各种方案、措施进行排序，从而在不同的方案中做出选择或形成选择方案的原则。
S12：通过层次分析法调整停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值。
请一并参阅图7和图8，图7是图6中步骤S12一实施方式的流程示意图，图8是选择最优停车场层次结构示意图。具体地，步骤S12中通过层次分析法调整停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值的步骤包括：
S20：针对决策问题建立层次结构模型，以生成决策问题的递阶层次结构。
具体而言，递阶层次结构包括多个层次，多个层次包括最高层、中间层和最底层，中间层包括决策问题的多个影响因素。对于选择最优停车场这事件，这里影响决策的因素为车位流动率、停车耗时率、车位饱和率等三个方面，如图8所示，将决策的目标(例如，选择哪个停车场)、考虑的影响因素(车位流动率、停车耗时率、车位饱和率)和决策对象(例如，停车A、停车场B、停车场C等)按它们之间的相互关系分为最高层、中间层和最底层，建立层次结构模型以生成决策问题的递阶层次结构。具体地，最高层、中间层和最底层分别为图8中的目标层、准则层和方案层。
S21：将影响因素两两之间进行比较以构造判断矩阵，并通过方根法获得判断矩阵的特征向量和最大特征根。
具体而言，在确定各层次各因素之间的权重时，如果只是定性的结果，则常常不容易被别人接受，因此在本实施例中采用一致矩阵法，即：不把所有因素放在一起比较，而是两两相互比较。对比时采用相对尺度，以尽可能减少性质不同的因素相互比较的困难，以提高准确度。
表1重要性标度含义表
一对比较值 定义
1 表示两个因素相比，具有同样重要性
3 表示两个因素相比，一个因素比另一个因素稍微重要
5 表示两个因素相比，一个因素比另一个因素明显重要
7 表示两个因素相比，一个因素比另一个因素强烈重要
9 表示两个因素相比，一个因素比另一个因素极端重要
2，4，6，8 上述两相邻判断的中值
具体地，由专家对最高层“选择最优停车场”的三个影响因素的相对重要性(两两因素之间)进行打分，如表1所示，表1是重要性标度含义表，相对重要性的比例标度取1-9之间，同时，对各同级指标的重要性评价时，存在三种标度范畴，如表2所示，表2是标度范畴表，根据研究需要自行选择。
表2标度范畴表
Figure BDA0003401950850000141
具体地，将影响因素两两之间构建判断矩阵A(正交矩阵)，用aij表示第i个因素相对于第j个因素的比较结果，判断矩阵A的计算结果为：
Figure BDA0003401950850000142
将判断矩阵A的各行向量进行几何平均(即方根法)得到
Figure BDA0003401950850000143
然后进行归一化，即得到各评价指标权重Wi和特征向量W：
Figure BDA0003401950850000144
其中，
Figure BDA0003401950850000145
的计算方法，例如：计算
Figure BDA0003401950850000146
时，
Figure BDA0003401950850000147
此外，最大特征根λmax的计算公式为：
Figure BDA0003401950850000148
Figure BDA0003401950850000149
S22：利用特征向量和最大特征根对判断矩阵进行层次单排序和层次总排序。
具体地，在本实施例中，步骤S22包括：1、利用特征向量W和最大特征根λmax获得上一层次因素对应的同一层次各因素之间相关重要性的层次单排序的结果；2、沿层次单排序的结果由上而下逐层计算各层次中所有因素相对于最高层相对重要性或相对优劣的层次总排序的结果；其中，对于最高层而言，层次总排序的结果为层次单排序的结果。
S23：根据层次总排序的结果获得最底层中各影响因素相对于最高层的因子权重比值。
具体而言，根据层次总排序的结果获得最底层中各影响因素相对于最高层的因子权重比值，得到最底层中车位流动率的因子权重比值LQ、停车耗时率的因子权重比值LP和车位饱和率的因子权重比值LO。
较佳地，在本实施例中，步骤S23之后包括：a、利用最大特征根获得判断矩阵A的定义一致性指标CI(Consistency Index)，并根据定义一致性指标CI和随机一致性指标RI(Random Index)获得判断矩阵A的定义一致性比率CR(Consistency Ratio)；具体而言，定义一致性指标CI的计算公式为
Figure BDA0003401950850000151
定义一致性比率CR的计算公式为
Figure BDA0003401950850000152
一般情况下，当定义一致性比率CR＜0.1时，即认为判断矩阵A具有满意的一致性，否则需要对判断矩阵A进行调整。判断矩阵A的一致性检验，所谓一致性是指判断思维的逻辑一致性。如当甲比丙是强烈重要，而乙比丙是稍微重要时，显然甲一定比乙重要。这就是判断思维的逻辑一致性，否则判断就会有矛盾。具体而言，随机一致性指标RI是自由度指标(即为修正值)，如表3所示，表3是自由度指标。b、利用定义一致性比率CR对判断矩阵A进行一致性检验；c、判断判断矩阵A是否通过一致性检验；d、若是，则输出因子权重比值并进入步骤S13；e、否则，对判断矩阵A进行调整并返回至步骤S12。
表3自由度指标
维数(n) 1 2 3 4 5 6 7 …
RI 0.00 0.00 0.58 0.96 1.12 1.24 1.32 …
S13：利用因子平均数值和因子权重比值获得停车场样本对应的推荐值。
具体地，在本实施例中，步骤S13包括：针对每个停车场样本，获得所有因子平均数值与对应的因子权重比值的乘积的第三和值，并将第三和值作为停车场样本对应的推荐值。例如：目标目的地车主可以选择的停车场有三个：停车场A、停车场B和停车场C，某个时刻在距离目的地一定距离内，车主通过车内操作装置启动停车场推荐功能，服务终端通过计算分别获取了这三个停车场相应时间段内的三个因子平均数值：车位流动率的平均值(QA、QB、Qc)、停车耗时率的平均值(PA、PB、Pc)、车位饱和率的平均值(OA、OB、OC)，以及步骤S23中获得的三个影响因素的因子权重比值为(LQ、LP、LO)，采用如下公式分别获得停车场A、B、C的推荐值WA荐、WB荐、WC荐：
WA荐＝QA*LQ+PA*LP+OA*LO；
WB荐＝QB*LQ+PB*LP+OB*LO；
WC荐＝QC*LQ+PC*LP+OC*LO。
S4：根据推荐值从至少一个备选停车场中确定出目标停车场。
具体地，在本实施例中，根据每个备选停车场的W荐值来推荐最优的目标停车场，车位流动率、停车耗时率、车位饱和率这三个因子值越大，说明停车越难，所以推荐值W荐越小越好，也就是说W荐越小，即为最优的目标停车场。在本实施例中，计算部分都是在服务终端内部完成，车主看到是系统推荐出来的最优停车场。
具体地，在本实施例中，在步骤S4之后，还可以包括：响应于该车辆与目的地之间的距离是否小于第一阈值，或响应于当前时刻车辆到达目的地的时间小于第二阈值，将目标停车场发送至车辆，并停止计算，此时，该车辆直接开往该目标停车场。
这样可以在车辆行驶过程中实时获得各个备选停车场的推荐值，可以提高停车场推荐的效率和准确率。通过此方法即使在停车高峰期车位缺乏的时候，也能分析出等车时间最短的停车场，进一步优化了高峰期内停车场资源分配问题。
优选地，在本实施例中，停车场推荐模型的训练维度是可以根据实际情况进行改变的，例如，周一到周日每天划分时间段长度、只统计工作日的停车数据或者只统计节假日停车数据、目的地规定区域的范围大小等都是可以根据实际情况变化的，这些计算逻辑都是可以不断调整的，在此不作限定，但是计算的方法和步骤流程都是一样的，这样一来，模型训练出来的三个因子平均数值在具体的场景将更有说服力了。在本实施例中，车主在位于出发时刻和到达时刻之间不同的中间时刻可以选择不同的训练维度来获得停车场推荐模型推荐出来的目标停车场。
为了提高目的地停车有效性和真实性，只有进入目的地规定的区域范围内才能使用推荐最优停车场功能。具体的应用场景为：当车主开着车驶进目的地规定区域内，车主通过车内操作装置输入目的地，显示屏会把最优的停车场直观的展示给车主。从输入目的地→显示最优停车场给车主这个过程是经过内部系统经过一系列的逻辑处理得到的。逻辑处理的过程具体为：首先，用户输入目的地，系统根据目的地名称查询内部数据库获取目的地周围所有符合条件的备选停车场及其信息，并通过推荐装置内置的GPS定位系统获取车辆的当前位置到各个备选停车场的距离以及耗时，再根据使用推荐功能的时间和车辆所在位置到各个备选停车场的耗时，选择对应日期的时间段内模型训练出来的三个因子数值，例如：车主使用推荐功能的时间是某天周一上午7:40，假如通过导航系统得出到达目的地A停车场需要耗时半个小时，也就是说车主到达A停车场将在上午8:10左右到达，因此挑选出模型训练得到周一某个时间段包括这个时间点的三个因子平均数值用于权重计算，并根据该时间段各影响因素的因子权重比值得出每个备选停车场的推荐值，最后根据推荐值从备选停车场中确定最优的目标停车场。
下面将从车内操作装置的角度介绍本申请所提供的另一停车场推荐方法。
请参阅图9，图9是本申请停车场推荐方法另一实施方式的流程示意图。该停车场推荐方法包括：
S30：发送目的地至服务终端，以使得服务终端根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻，获得位于出发时刻和到达时刻之间的多个中间时刻下的至少一个备选停车场的实时停车场数据，并将实时停车场数据输入至停车场推荐模型中以获得当前时刻下至少一个备选停车场对应的推荐值。
具体而言，当前位置为该车辆发送目的地的位置。在本实施例中，车主将需要去往的目的地输入至车内操作装置，由车内操作装置将目的地发送至服务终端，服务终端获得各个备选停车场的推荐值的具体过程可参照步骤S1-S3。
S31：接收服务终端根据推荐值从至少一个备选停车场中确定出的目标停车场。
具体地，在本实施例中，服务终端根据获得的推荐值从多个备选停车场中确定出目标停车场，最终车内操作装置接收该目标停车场。
这样可以在车辆行驶过程中实时获得各个备选停车场的推荐值，可以提高停车场推荐的效率和准确率。通过此方法即使在停车高峰期车位缺乏的时候，也能分析出等车时间最短的停车场，进一步优化了高峰期内停车场资源分配问题。
下面仍然从服务终端的角度介绍本申请所提供的又一停车场推荐方法。
请参阅图10，图10是本申请停车场推荐方法又一实施方式的流程示意图。该停车场推荐方法包括：
S40：获取目的地。
S41：根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻。
具体地，步骤S40-S41与步骤S1-S2的具体过程相同，在此不再赘述。
S42：将到达时刻输入至停车场推荐模型中，并利用停车场推荐模型获得到达时刻对应的时间段内各个备选停车场的推荐值；其中，按照时间顺序每天被划分为多个时间段，且相邻时间段之间无重叠，一个到达时刻对应一个时间段。
具体地，在本实施例中，按照时间顺序每天被划分为多个时间段，且相邻时间段之间无重叠，一个到达时刻对应一个时间段。其中，停车场推荐模型的训练过程如上所述，在此不再赘述。在本实施例中，利用停车场推荐模型获得到达时刻对应的时间段内各个备选停车场的推荐值。
S43：根据推荐值从备选停车场中确定出目标停车场。
具体地，在本实施例中，根据每个备选停车场的推荐值来推荐最优的目标停车场，具体的过程与步骤S4相同，在此不再赘述。在本实施例中，计算部分都是在服务终端内部完成，车主看到是系统推荐出来的最优停车场。
这样可以推荐车主最优的停车场方案，通过此方法即使在停车高峰期车位缺乏的时候，也能分析出等车时间最短的停车场，进一步优化了高峰期内停车场资源分配问题。
请参阅图11，图11是本申请停车场推荐装置一实施方式的框架示意图。该停车场推荐装置具体包括：
第一获取模块11，用于获取目的地。
第一处理模块12，与第一获取模块11耦接，用于根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻；其中，当前位置为当前时刻发送目的地的车辆的位置。此外，第一处理模块12还用于获得位于出发时刻和到达时刻之间的多个中间时刻下的各个备选停车场的实时停车场数据，并将实时停车场数据输入至停车场推荐模型中以获得当前时刻下各个备选停车场对应的推荐值。
第一确定模块13，与第一处理模块12耦接，用于根据推荐值从至少一个备选停车场中确定出目标停车场。
在一个实施例中，本申请所提供的停车场推荐装置还包括用于停车场推荐模型训练的第一训练模块10，可选地，在本实施例中，第一训练模块10与第一获取模块11连接，当然，在其他实施例中，第一训练模块10的两端也可以与第一获取模块11和第一处理模块12连接，本申请在此不作限定。其中，第一训练模块10包括依次相互连接的构建模块、计算模块、调整模块以及推荐值模块。其中，构建模块用于构建训练样本库；其中，训练样本库包括多个停车场样本，且每个停车场样本包括多个时间段的历史样本数据。计算模块用于针对每个停车场样本，基于历史样本数据获得停车场样本每个时间段内的至少一个因子数值。此外，在本实施例中，计算模块还用于利用因子数值获得停车场样本对应的因子平均数值。调整模块用于通过层次分析法调整停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值。在本实施例中，推荐值模块用于利用因子平均数值和因子权重比值获得停车场样本对应的推荐值。进一步，推荐值模块具体用于针对每个停车场样本，获得所有因子平均数值与对应的因子权重比值的乘积的第三和值，并将第三和值作为停车场样本对应的推荐值。
可选地，在本实施例中，计算模块包括因子数值模块和因子平均数值模块，因子数值模块用于获得当前时间段内进入停车场样本的车辆数量与当前时间段内出停车场样本的车辆数量之间的第一比值，并将第一比值作为车位流动率；和/或，获得每个时间段内停车场样本中的所有车辆的停车耗时之和与车辆的数量之间的第二比值，并将第二比值作为车辆耗时率；和/或，获得每个时间段内停车场样本中所有时刻的车位饱和率之和与时刻的数量之间的第三比值，并将第三比值作为车辆饱和率。因子平均数值模块用于获得停车场样本属于当前时间段的所有因子数值的总和与因子数值的数量之间的第四比值，并将第四比值作为因子平均数值；其中，因子平均数值包括多个时间段内的车位流动率的平均值、车辆耗时率的平均值、车辆饱和率的平均值中的至少一个。此外，在本实施例中，因子平均数值模块还用于当获得一时间段内的第一因子数值时，获得第一因子数值和对应时间段内的因子平均数值之间的差值、因子数值的数量和一的第一和值、以及差值和第一和值之间的第五比值，并将因子数值和第五比值之间的第二和值作为因子平均数值。
在又一个实施例中，调整模块具体包括依次相互连接的建立模块、构造模块、排序模块、因子权重比值模块。具体而言，建立模块用于针对决策问题建立层次结构模型，以生成决策问题的递阶层次结构；其中，递阶层次结构包括多个层次，多个层次包括最高层、中间层和最底层，中间层包括决策问题的多个影响因素。构造模块用于将影响因素两两之间进行比较以构造判断矩阵，并通过方根法获得判断矩阵的特征向量和最大特征根。在本实施例中，排序模块用于利用特征向量和最大特征根对判断矩阵进行层次单排序和层次总排序。此外，在本实施例中，因子权重比值模块用于根据层次总排序的结果获得最底层中各影响因素相对于最高层的因子权重比值。
进一步，排序模块包括依次相互连接的层次单排序模块和层次总排序模块。具体地，层次单排序模块用于利用征向量和最大特征根获得上一层次因素对应的同一层次各因素之间相关重要性的层次单排序的结果。此外，在本实施例中，层次总排序模块用于沿层次单排序的结果由上而下逐层计算各层次中所有因素相对于最高层相对重要性或相对优劣的层次总排序的结果；其中，对于最高层而言，层次总排序的结果为层次单排序的结果。
在又一个实施例中，调整模块还包括检验模块，检验模块与因子权重比值模块连接，用于利用最大特征根获得判断矩阵的定义一致性指标，并根据定义一致性指标和随机一致性指标获得判断矩阵的定义一致性比率，并利用定义一致性比率对判断矩阵进行一致性检验；响应于未通过一致性检验，对判断矩阵进行调整并返回至通过层次分析法调整停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值的步骤。
请参阅图12，图12是本申请停车场推荐装置另一实施方式的框架示意图。该停车场推荐装置具体包括：
发送模块20，用于发送目的地至服务终端，以使得服务终端根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻，获得位于出发时刻和到达时刻之间的多个中间时刻下的至少一个备选停车场的实时停车场数据，并将实时停车场数据输入至停车场推荐模型中以获得当前时刻下至少一个备选停车场对应的推荐值。
接收模块21，与发送模块20耦接，用于接收服务终端根据推荐值从至少一个备选停车场中确定出的目标停车场。
此外，该停车场推荐装置还包括第二训练模块(图未示)，上述第二训练模块可以与发送模块20耦接，也可以分别与发送模块20和接收模块21耦接，其中，第二训练模块与图11中的第一训练模块10相同，在此不再赘述。
请参阅图13，图13是本申请停车场推荐装置又一实施方式的框架示意图。该停车场推荐装置具体包括：
第二获取模块30，用于获取目的地。
第二处理模块31，与第二获取模块30耦接，用于根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻。此外，第二处理模块31还用于将到达时刻输入至停车场推荐模型中，并利用停车场推荐模型获得到达时刻对应的时间段内各个备选停车场的推荐值；其中，按照时间顺序每天被划分为多个时间段，且相邻时间段之间无重叠，一个到达时刻对应一个时间段。
第二确定模块32，与第二处理模块31耦接，用于根据推荐值从备选停车场中确定出目标停车场。
此外，该停车场推荐装置还包括第三训练模块(图未示)，上述第三训练模块可以与第二获取模块30耦接，也可以分别与第二获取模块30和第二处理模块31耦接，其中，第三训练模块与图11中的第一训练模块10相同，在此不再赘述。
请参阅图14，图14是本申请电子设备一实施方式的框架示意图。该电子设备包括相互耦接的存储器40和处理器42。具体地，在本实施例中，存储器40内存储有程序指令，处理器42用于执行程序指令以实现上述任一实施例所提及的停车场推荐方法。
具体而言，处理器42还可以称为CPU(Central Processing Unit，中央处理单元)。处理器42可能是一种集成电路芯片，具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器42可以由多个集成电路芯片共同实现。
请参阅图15，图15是本申请计算机可读存储介质一实施方式的框架示意图。该计算机可读存储介质50存储有计算机程序500，能够被计算机所读取，计算机程序500能够被处理器执行，以实现上述任一实施例中所提及的停车场推荐方法。其中，该计算机程序500可以以软件产品的形式存储在上述计算机可读存储介质50中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。具有存储功能的计算机可读存储介质50可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
总而言之，区别于现有技术的情况，本申请提供的停车场推荐方法包括：获取目的地，根据目的地获得至少一个备选停车场以及从当前位置到至少一个备选停车场的到达时刻，其中，当前位置为当前时刻发送目的地的车辆的位置，再获得位于出发时刻和到达时刻之间的多个中间时刻下的各个备选停车场的实时停车场数据，并将实时停车场数据输入至停车场推荐模型中以获得当前时刻下各个备选停车场对应的推荐值，最后根据推荐值从备选停车场中确定出目标停车场。通过海量的数据和数据模型，对停车难的三个主要影响因素进行分析，从而可以在车辆行驶过程中实时推荐车主最优的停车场方案，通过基于数据的相关指标分析扩大了停车场使用率，进而优化了停车场资源分配问题。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (16)

1.一种停车场推荐方法，其特征在于，包括：
获取目的地；
根据所述目的地获得至少一个备选停车场以及从当前位置到所述至少一个备选停车场的到达时刻；其中，所述当前位置为当前时刻发送所述目的地的车辆的位置；
获得位于出发时刻和所述到达时刻之间的多个中间时刻下的所述至少一个备选停车场的实时停车场数据，并将所述实时停车场数据输入至停车场推荐模型中以获得当前时刻下所述至少一个备选停车场对应的推荐值；
根据所述推荐值从所述至少一个备选停车场中确定出目标停车场。
2.根据权利要求1所述的停车场推荐方法，其特征在于，
所述实时停车场数据包括当前时刻下进入所述至少一个备选停车场的车辆数量、当前时刻下出所述至少一个备选停车场的车辆数量、当前时刻下所述至少一个备选停车场中每个停车车辆的停车耗时以及当前时刻下所述至少一个备选停车场中已停车的车位数量中的至少一个。
3.根据权利要求1所述的停车场推荐方法，其特征在于，所述根据所述推荐值从所述至少一个备选停车场中确定出目标停车场的步骤之后，包括：
响应于所述车辆与所述目的地之间的距离小于第一阈值，或响应于当前时刻所述车辆到达所述目的地的时间小于第二阈值，将所述目标停车场发送至所述车辆，并停止计算。
4.根据权利要求1所述的停车场推荐方法，其特征在于，所述停车场推荐模型的训练过程包括：
构建训练样本库；其中，所述训练样本库包括多个停车场样本，且每个所述停车场样本包括多个时间段的历史样本数据；
针对每个所述停车场样本，基于所述历史样本数据获得所述停车场样本每个时间段内的至少一个因子数值，并利用所述因子数值获得所述停车场样本对应的因子平均数值；
通过层次分析法调整所述停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值；
利用所述因子平均数值和所述因子权重比值获得所述停车场样本对应的推荐值。
5.根据权利要求4所述的停车场推荐方法，其特征在于，
所述因子数值包括车位流动率、车辆耗时率、车辆饱和率中的至少一个；所述针对每个所述停车场样本，基于所述历史样本数据获得所述停车场样本每个时间段内的至少一个因子数值的步骤，包括：
获得当前时间段内进入所述停车场样本的车辆数量与当前时间段内出所述停车场样本的车辆数量之间的第一比值，并将所述第一比值作为所述车位流动率；和/或，
获得每个所述时间段内所述停车场样本中的所有车辆的停车耗时之和与所述车辆的数量之间的第二比值，并将所述第二比值作为所述车辆耗时率；和/或，
获得每个所述时间段内所述停车场样本中所有时刻的车位饱和率之和与所述时刻的数量之间的第三比值，并将所述第三比值作为所述车辆饱和率。
6.根据权利要求5所述的停车场推荐方法，其特征在于，所述利用所述因子数值获得所述停车场样本对应的因子平均数值的步骤，包括：
获得所述停车场样本属于当前时间段的所有所述因子数值的总和与所述因子数值的数量之间的第四比值，并将所述第四比值作为所述因子平均数值；其中，所述因子平均数值包括所述多个时间段内的车位流动率的平均值、车辆耗时率的平均值、车辆饱和率的平均值中的至少一个。
7.根据权利要求6所述的停车场推荐方法，其特征在于，
当获得一时间段内的第一因子数值时，获得第一因子数值和对应时间段内的因子平均数值之间的差值、所述因子数值的数量和一的第一和值、以及所述差值和所述第一和值之间的第五比值，并将所述因子数值和所述第五比值之间的第二和值作为所述因子平均数值。
8.根据权利要求4所述的停车场推荐方法，其特征在于，所述通过层次分析法调整所述停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值的步骤，包括：
针对决策问题建立层次结构模型，以生成所述决策问题的递阶层次结构；其中，所述递阶层次结构包括多个层次，所述多个层次包括最高层、中间层和最底层，所述中间层包括所述决策问题的多个影响因素；
将所述影响因素两两之间进行比较以构造判断矩阵，并通过方根法获得所述判断矩阵的特征向量和最大特征根；
利用所述特征向量和所述最大特征根对所述判断矩阵进行层次单排序和层次总排序；
根据所述层次总排序的结果获得所述最底层中各影响因素相对于所述最高层的因子权重比值。
9.根据权利要求8所述的停车场推荐方法，其特征在于，所述利用所述特征向量和所述最大特征根对所述判断矩阵进行层次单排序和层次总排序的步骤，包括：
利用所述特征向量和所述最大特征根获得上一层次因素对应的同一层次各因素之间相关重要性的所述层次单排序的结果；
沿所述层次单排序的结果由上而下逐层计算各层次中所有因素相对于所述最高层相对重要性或相对优劣的所述层次总排序的结果；其中，对于所述最高层而言，所述层次总排序的结果为所述层次单排序的结果。
10.根据权利要求8所述的停车场推荐方法，其特征在于，所述根据所述层次总排序的结果获得所述最底层中各影响因素相对于所述最高层的因子权重比值的步骤之后，包括：
利用所述最大特征根获得所述判断矩阵的定义一致性指标，并根据所述定义一致性指标和随机一致性指标获得所述判断矩阵的定义一致性比率；
利用所述定义一致性比率对所述判断矩阵进行一致性检验；
响应于未通过一致性检验，对所述判断矩阵进行调整并返回至所述通过层次分析法调整所述停车场推荐模型中每个停车场样本不同时间段对应的因子权重比值的步骤。
11.根据权利要求4所述的停车场推荐方法，其特征在于，所述利用所述因子平均数值和所述因子权重比值获得所述停车场样本对应的推荐值的步骤，包括：
针对每个所述停车场样本，获得所有所述因子平均数值与对应的因子权重比值的乘积的第三和值，并将所述第三和值作为所述停车场样本对应的推荐值。
12.一种停车场推荐方法，其特征在于，包括：
发送目的地至服务终端，以使得所述服务终端根据所述目的地获得至少一个备选停车场以及从当前位置到所述至少一个备选停车场的到达时刻，获得位于出发时刻和所述到达时刻之间的多个中间时刻下的所述至少一个备选停车场的实时停车场数据，并将所述实时停车场数据输入至停车场推荐模型中以获得当前时刻下所述至少一个备选停车场对应的推荐值；
接收所述服务终端根据所述推荐值从所述至少一个备选停车场中确定出的目标停车场。
13.一种停车场推荐方法，其特征在于，包括：
获取目的地；
根据所述目的地获得至少一个备选停车场以及从当前位置到所述至少一个备选停车场的到达时刻；
将所述到达时刻输入至停车场推荐模型中，并利用所述停车场推荐模型获得所述到达时刻对应的时间段内各个所述备选停车场的推荐值；其中，按照时间顺序每天被划分为多个时间段，且相邻时间段之间无重叠，一个所述到达时刻对应一个时间段；
根据所述推荐值从所述备选停车场中确定出目标停车场。
14.一种停车场推荐装置，其特征在于，包括：
第一获取模块，用于获取目的地；
第一处理模块，与所述第一获取模块耦接，用于根据所述目的地获得至少一个备选停车场以及从当前位置到所述至少一个备选停车场的到达时刻；所述第一处理模块还用于获得位于出发时刻和所述到达时刻之间的多个中间时刻下的所述至少一个备选停车场的实时停车场数据，并将所述实时停车场数据输入至停车场推荐模型中以获得当前时刻下所述至少一个备选停车场对应的推荐值；
第一确定模块，与所述第一处理模块耦接，用于根据所述推荐值从所述至少一个备选停车场中确定出目标停车场。
15.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述存储器内存储有程序指令，所述处理器用于执行所述程序指令以实现权利要求1至11中任一项所述的停车场推荐方法或者实现权利要求12所述的停车场推荐方法或者实现权利要求13所述的停车场推荐方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于实现权利要求1至11任一项所述的停车场推荐方法或者实现权利要求12所述的停车场推荐方法或者实现权利要求13所述的停车场推荐方法。
CN202111498805.XA 2021-12-09 2021-12-09 停车场推荐方法以及相关装置 Pending CN114428916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111498805.XA CN114428916A (zh) 2021-12-09 2021-12-09 停车场推荐方法以及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111498805.XA CN114428916A (zh) 2021-12-09 2021-12-09 停车场推荐方法以及相关装置

Publications (1)

Publication Number Publication Date
CN114428916A true CN114428916A (zh) 2022-05-03

Family

ID=81312137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111498805.XA Pending CN114428916A (zh) 2021-12-09 2021-12-09 停车场推荐方法以及相关装置

Country Status (1)

Country Link
CN (1) CN114428916A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114691758A (zh) * 2022-06-01 2022-07-01 城云科技（中国）有限公司 一种盲点停车场库问题诊断方法、装置和应用
CN116304357A (zh) * 2023-05-16 2023-06-23 松立控股集团股份有限公司 一种医院停车场推荐方法、系统及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114691758A (zh) * 2022-06-01 2022-07-01 城云科技（中国）有限公司 一种盲点停车场库问题诊断方法、装置和应用
CN116304357A (zh) * 2023-05-16 2023-06-23 松立控股集团股份有限公司 一种医院停车场推荐方法、系统及电子设备
CN116304357B (zh) * 2023-05-16 2023-08-11 松立控股集团股份有限公司 一种医院停车场推荐方法、系统及电子设备

Similar Documents

Publication Publication Date Title
US12112630B2 (en) Methods for recommending parking lots in smart cities, internet of things systems, and storage medium thereof
Rahimi et al. Adoption and willingness to pay for autonomous vehicles: attitudes and latent classes
Kim et al. Route choice stickiness of public transport passengers: Measuring habitual bus ridership behaviour using smart card data
US9424515B2 (en) Predicting taxi utilization information
CN114428916A (zh) 停车场推荐方法以及相关装置
CN108010376A (zh) 一种基于物联网技术的城市停车诱导系统及方法
US20210158382A1 (en) System and method for dealer evaluation and dealer network optimization using spatial and geographic analysis in a network of distributed computer systems
US20210201393A1 (en) System and method for bidding-based ridesharing
CN113971893B (zh) 一种车位推荐方法、装置及存储介质
Fourati et al. Trajectory-based measurement of signalized intersection capacity
CN116629738A (zh) 一种物流路径优化方法、相关方法、装置、设备及介质
US20220058673A1 (en) System and method for determination and use of spatial and geography based metrics in a network of distributed computer systems
Micus et al. Customer integration in product development using big data: An example of using fleet data to determine parking behavior
CN117690295A (zh) 一种基于大数据的数据分析系统
CN113379318A (zh) 公共交通系统运营服务质量评价方法、装置和计算机设备
CN117576943A (zh) 一种停车场车辆信息智能分析管理系统
CN109523788B (zh) 一种路段运行效果评价方法
CN114419894B (zh) 一种路内停车泊位设置与使用监测的方法与系统
Percoco Spaces of competition in the sharing economy: taxi markets and Uber entry in NYC.
CN111768017A (zh) 一种网约车业务的指引方法、装置、设备及存储介质
Hobi The impact of real-time information sources on crowd-sourced parking availability prediction
CN117807283B (zh) 基于大数据的停车订单分析方法和系统
Li et al. Mileage traveled, driving time, and speeding behavior as predictors for hazmat transportation risk assessment using naturalistic driving data
Marra et al. Spatial Rents, Garage Location, and Competition in the London Bus Market
EP4083956A1 (en) Quality assessment of mobility-related prediction models

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