CN114691758A - 一种盲点停车场库问题诊断方法、装置和应用 - Google Patents

一种盲点停车场库问题诊断方法、装置和应用 Download PDF

Info

Publication number
CN114691758A
CN114691758A CN202210611025.XA CN202210611025A CN114691758A CN 114691758 A CN114691758 A CN 114691758A CN 202210611025 A CN202210611025 A CN 202210611025A CN 114691758 A CN114691758 A CN 114691758A
Authority
CN
China
Prior art keywords
parking lot
blind spot
library
feature
parking
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
Application number
CN202210611025.XA
Other languages
English (en)
Other versions
CN114691758B (zh
Inventor
齐韬
江杨
薛炜
刘仿
杨彬
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 CN202210611025.XA priority Critical patent/CN114691758B/zh
Publication of CN114691758A publication Critical patent/CN114691758A/zh
Application granted granted Critical
Publication of CN114691758B publication Critical patent/CN114691758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提出了一种盲点停车场库问题诊断方法、装置和应用，包括以下步骤：获取目标区域内的所有停车场库和每个所述停车场库的第一特征信息和第二特征信息；对所述第一特征信息进行聚类得到聚类结果，并基于所述聚类结果分析得到盲点停车场库；基于第二特征信息对所述盲点停车场库的各个特征信息进行特征评分，得到所述盲点停车场库各个特征信息的特征评分；基于所述特征评分，对所述盲点停车场库进行问题诊断。通过本方案可识别出目标区域内的所有盲点停车场库，对其指导停车规划和建设，为停车场库管理提供决策依据。

Description

一种盲点停车场库问题诊断方法、装置和应用
技术领域
本申请涉及智慧交通、智慧停车领域，特别是涉及一种盲点停车场库问题诊断方法、装置和应用。
背景技术
机动车保有量的增长与停车场库和泊位数量的不足之间的矛盾是近年来大中城市普遍面临的问题。虽然过去针对“停车难”问题的传统管控手段取得了一定的效果，但一方面如机动车牌照摇号、提高停车收费等措施只能减缓停车需求的增长；另一方面，城市中心土地资源紧张，无法无限制地增加停车供给，泊位紧张问题仍然广泛存在，将智慧交通的理念应用于停车领域，通过科学安排停车设施、构建有序停车环境、合理引导交通需求，引导静态交通可持续发展是大势所趋。
城市中停车场库的种类繁多，按场库形式有露天场库、地下场库、立体停车楼等；按位置又可分布于商业中心、居民区、办公区等各处。各场库的占有率往往存在不均衡的现象，停车盲点是城市停车场库中利用率与临近场库或区域平均水平相比明显较低的场库。
目前虽然也有相关技术研究如何通过多源数据分析城市的停车盲点，但是这些方案在分析停车盲点时无法根据周边信息进行系统分析，且无法深度剖析停车盲点存在的问题。换言之，目前的分析方案仅能给管理者提供停车盲点所在的位置，以供一时的资源调配需求而无法告知停车盲点的痛点所在，无法很好地协助管理者对停车盲点进行针对性的整治。
发明内容
本申请实施例提供了一种盲点停车场库问题诊断方法、装置和应用，该方法可识别出目标场库中的停车盲点，且深度剖析场库存在的问题，指导管理者有针对性地补齐短板，盲点识别及问题诊断是提高停车资源利用率，构筑有序停车环境的有效法宝。
第一方面，本申请实施例提供了一种盲点停车场库问题诊断方法，所述方法包括：
获取目标区域内的所有停车场库和所述每个停车场库的第一特征信息和第二特征信息，其中所述第一特征信息表征每个所述停车场库的自身平均占有率和临近场库平均占有率，所述第二特征信息表征所述停车场库的停车特征信息；
对所述第一特征信息进行聚类，并对聚类结果进行分析得到盲点停车场库；
基于所述第二特征信息对对所述盲点停车场库在内的各个特征信息进行特征评分，得到所述盲点停车场库各个特征信息的特征评分；
基于所述所有停车场库各特征评分，对所述盲点停车场库进行问题诊断。
第二方面，本申请实施例提供了一种盲点停车场问题诊断装置，包括：
获取模块：获取目标区域内的所有停车场库和每个所述停车场库的第一特征信息和第二特征信息，其中所述第一特征信息表征每个所述停车场库的自身平均占有率和临近场库平均占有率，所述第二特征信息表征所述停车场库的停车特征信息；
第一计算模块：对所述第一特征信息进行聚类得到聚类结果，并基于所述聚类结果分析得到盲点停车场库；
第二计算模块：基于第二特征信息对所述盲点停车场库的各个特征信息进行特征评分，得到所述盲点停车场库各个特征信息的特征评分；
判断模块：基于所述特征评分，对所述盲点停车场库进行问题诊断。
第三方面，本申请实施例提供了一种电子装置，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一种盲点停车场库问题诊断方法。
第四方面，本申请实施例提供了一种可读存储介质，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，所述过程包括一种盲点停车场库问题诊断方法。
本发明的主要贡献和创新点如下：
本申请实施例构造第一特征向量和第二特征向量时，融合了停车相关的多种数据源，除周边路网密度、周边POI密度等相对静态的数据外，还纳入了周边违章停车数据、场库平均周转率、占有率等实时变化的动态数据，考量角度全面，本申请实施例所提出的盲点停车场库问题诊断方法，采用k-means聚类算法获取综合利用率较低的场库，并根据临近场库平均占有率进行二次筛选，标准客观，不需要专家主观评估；本申请实施例所提出的方法在构造停车场库第一特征向量、第二特征向量和对停车场库进行聚类时，可以根据应用城市实际情况调整各参数，具有因地制宜，操作灵活的优点。
通过本申请实施例所提出的盲点停车场库问题诊断方法，可以深度剖析场库存在的问题，指导停车场库管理者有针对性地补齐短板，且可以提高停车资源利用率，构筑有序停车环境。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种盲点停车场库问题诊断方法的流程图；
图2是根据本申请实施例的一种盲点停车场库问题诊断方法的逻辑图；
图3是根据本申请实施例的一种盲点停车场库问题诊断方法的盲点停车场库指标评分雷达示意图；
图4是根据本申请实施例的一种盲点停车场库问题诊断装置的结构框图；
图5是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
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。
为了方便理解本案，首先介绍本方案涉及的名词：
k-means聚类算法：一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心，聚类中心以及分配给它们的对象就代表一个聚类，每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复直到满足某个终止条件，终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小，本方案的一些实施例中，通过k-means聚类算法来对所述第一特征信息进行聚类。
POI数据：POI是“Point of Interest”的缩写，可以翻译成兴趣点，也有些叫做“Point of Information”，即信息点，电子地图上一般用气泡图标来表示POI，像电子地图上的景点、政府机构、公司、商场、饭馆等，都是POI，在本方案中，POI指的是目标区域内的生活居住、公司商务、消费娱乐及公共服务等几类场所，其中，生活居住类场所可包含住宅、小区、公寓等，公司商务类场所包含公司、工厂、产业园等，消费娱乐类场所包含餐厅、购物中心、市场等，公共服务类场所包含学校、医院、政府机关等。
实施例一
本申请旨在提出一种盲点停车场库问题诊断方法，该方法融合了停车场库属性数据、泊位变动时序数据、路网数据、兴趣点（POI）数据、违章停车数据等，利用上述多源数据构造场库特征表，使用聚类方法识别出盲点停车场库，并给出所述盲点停车场库可能存在的问题诊断。
本申请实施例提供了一种盲点停车场库问题诊断方法，可以实现数据快速、自动导入的目的，具体地，参考图1，所述方法包括：
获取目标区域内的所有停车场库和每个所述停车场库的第一特征信息和第二特征信息，其中所述第一特征信息表征每个所述停车场库的自身平均占有率和临近场库平均占有率，所述第二特征信息表征所述停车场库的停车特征信息；
对所述第一特征信息进行聚类，并对聚类结果进行分析得到盲点停车场库；
基于第二特征信息对所述盲点停车场库的各个特征信息进行特征评分，得到所述盲点停车场库各个特征信息的特征评分；
基于所述特征评分对所述盲点停车场库进行问题诊断。
在一些实施例中，在“获取目标区域内的所有停车场库和每个所述停车场库的第一特征信息和第二特征信息”步骤之前包括步骤：获取目标区域的所有停车场库的场库基本信息，基于所述场库基本信息计算所述第一特征信息以及所述第二特征信息。
具体的，所述场库基本信息包括：地理位置、泊位数、停车费用、出入口总数、场库进出场数据以及道路长度数据，所述场库基本信息是通过城市管理系统中的网格数据获取的。
在一些实施例中，所述第二特征信息为：目标区域内所有停车场库的停车特征信息，所述停车特征信息包括：平均停车时长、总泊位数、停车费用、出入口总数、周边违章停车数据、周边POI密度、周边路网密度、平均周转率。
在本方案中，所述自身平均占有率表示的是所述停车场库在一段时间内的停车泊位量同总泊位开放量的比值的平均值，所述临近场库平均占有率表示的是以所述停车场库为圆心，一定半径范围内的其他场库的自身平均占有率。
示例性的，在城市级停车系统中，先将城市划分为一个个网格，由城管部门对各个停车场的泊位、停车数据等信息进行收集，同时融合交警的违停数据、卡口数据以及高德停车轨迹获取所述各个停车场的各种基本信息，再将所述基本信息上传到所述网格中，本方案通过城市级停车系统中的网格数据来获取目标范围内所有停车场库的部分所述第二特征信息。
在一些实施例中，在所述第一特征信息中的自身平均占有率是获取给定日期内一停车场库的场库进出场数据，以第一固定时间为单位计算一次所述该停车场库内的剩余泊位，通过在一天中多次计算所述剩余泊位，计算得出所述停车场库的日平均剩余泊位，通过所述停车场库的日平均剩余泊位和所述停车场库当日的总泊位开放数，再结合所述给定日期的天数信息得出所述场库自身的自身平均占有率，其计算公式如下：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示停车场库p的自身平均占有率，
Figure DEST_PATH_IMAGE006
表示所述停车场库p的日平均剩余泊位，OB p 表示所述停车场库p的泊位开放数，n为所述给定日期的天数信息，p表示某一具体停车场库。
具体的，在所述第一特征信息中，所述临近场库平均占有率是以一个目标停车场库为圆心，将所述目标停车场库一定半径范围内的其他停车场库作为所述目标停车场库的临近停车场库，分别计算每个所述临近停车场库的自身平均占有率得到临近场库平均占有率。
城市管理系统所述第二特征信息中的平均停车时长表征在给定日期中一停车场库中的车辆平均停车时长。在本方案的实施例中，所述停车时长是通过所述城市管理系统中的网格数据获取该场库中车辆的场库进出场数据，从而获取该场库的所述平均停车时长；所述第二特征信息中的总泊位数表征目标区域内每个所述停车场库的开放泊位数，在本方案的实施例中，所述总泊位数是通过所述城市管理系统中的网格数据获取的；所述第二特征信息中的停车费用表征目标区域内每个所述停车场库的收费情况，在本方案的实施例中，所述收费情况是通过所述城市管理系统中的网格数据获取的；所述第二特征信息中的出入口总数表征目标区域内每个所述停车场库的出口数量和入口数量之和，所述出口数量和入口数量之和是根据所述城市管理系统中的网格数据获取的；所述第二特征信息中的周边违章停车数据表征以一停车场库为中心点构建以该停车场库为中心的目标区域，所述目标区域在给定日期内的违章停车数量，所述违章停车数量是根据所述城市管理系统中的网格数据获取的；所述第二特征信息中的周边POI密度表征以一停车场库为中心点构建以该停车场库为中心的目标区域，根据所述目标区域内的POI数量来判断POI密集程度，所述POI数量是根据所述城市管理系统中的网格数据获取的；所述第二特征信息中的周边路网密度表征以一停车场库为中心点构建以该停车场库为中心的目标区域，通过所述目标区域内的总道路长度得到该场库的周边路网密度，所述总道路长度是根据所述城市管理系统中的网格数据获取的；所述第二特征信息中的平均周转率表征给定日期内一停车场库的开放泊位周转状态，通过该场库每天的进场车辆与开放泊位数获取，所述每天的进场车辆与开放泊位数通过所述城市管理系统中的网格数获得。
具体的，在所述第二特征信息中平均停车时长是获取给定日期内所述各个停车场库的场库进出场数据，通过所述各个停车场库的场库进出场数据得出所述各个停车场库中每辆车的停车时长，根据所述各个挺长场库中每辆车的停车时间，结合所述各个停车场库的停车数量进而计算出所述各个停车场库的平均停车时长。
具体的，在所述第二特征信息中周边违章停车数据是根据目标停车场库的地理位置信息，以所述目标场库为圆心，将所述目标场库一定半径范围内的区域划为周边区域，以所述周边区域在给定日期内的违停数据作为所述各个场库的周边违停数量。
具体的，在所述第二特征信息中周边POI密度是根据目标场库的地理位置信息，以所述目标场库为圆心，将所述目标场库一定半径范围内的区域划为周边区域，并将POI数据划分到所述周边区域，所述周边区域中所述POI数据的数量与所述周边区域的面积的比值即为所述目标场库的POI密度，其计算公式如下：
Figure DEST_PATH_IMAGE008
其中，POI pb 表示所述周边区域的POI密度，
Figure DEST_PATH_IMAGE010
表示所述周边区域的POI数量，A pb 为所述周边区域的面积，pb为所述目标场库的周边区域。
具体的，在所述第二特征信息中周边路网密度是根据目标场库的地理位置信息，以所述目标场库为圆心，将所述目标场库一定半径范围内的区域划为周边区域，通过所述网格数据获取所述周边区域的道路长度，并计算所述周边区域的面积，所述周边区域的道路长于与所述周边区域的面积的比值即为所述路网密度，其计算公式如下：
Figure DEST_PATH_IMAGE012
其中，RD pb 表示所述周边路网密度，RL pb 表示所述周边区域道路长度，A pb 为所述周边区域面积，pb为所述目标场库周边区域。
具体的，所述第二特征信息中平均周转率是根据所述给定日期获得所述给定日期内各个停车场库的进出场数据，通过所述各个停车场库的进出场数据获得所述各个停车场库每天的进场车辆数量与开放泊位数，对所述各个停车场库每天的进场车辆数量与所述各个停车场库每天的开放泊位数的比值进行求和，在除以所述给定日期的天数得到所述平均周转率，其计算公式如下：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
表示场库平均周转率，CI p 表示所述各个停车场库每天的进场车辆数，OB p 表示所述各个停车场库的开放泊位数，n为所述给定日期的历史天数，p表示某一停车场库。
在一些实施例中，“对所述第一特征信息进行聚类，并对聚类结果进行分析得到盲点停车场库”步骤包括：基于所述第一特征信息对各场库进行聚类得到聚类结果，将聚类结果为自身平均占有率低的场库作为疑似盲点停车场库。
在一些实施例中，基于聚类结果得到了4个簇，分别为：自身场库平均占有率低且周边场库平均占有率低、自身场库平均占有率低且周边场库平均占有率高、自身场库平均占有率高且周边场库平均占有率低、自身场库平均占有率高且周边场库平均占有率高；本方案将将聚类结果为自身平均占有率低的场库作为疑似盲点停车场库；将聚类结果为自身平均占有率高的场库作为非盲点停车场库。
具体的，将自身场库平均占有率低且周边场库平均占有率低记为LL，将自身场库平均占有率低且周边场库平均占有率高记为LH，将自身场库平均占有率高且周边场库平均占有率低HL，将自身场库平均占有率高且周边场库平均占有率高记为HH，将所述LL和LH簇记为疑似盲点簇，所述疑似盲点簇中的场库记为疑似盲点停车场库，将所述HL和HH簇中的场库记为非盲点停车场库。
在一些实施例中，还可结合所述疑似盲点停车场库的所述第一特征信息进行对疑似盲点停车场库进行二次判断，其步骤为：对所述非盲点停车场库的第一特征信息进行阈值计算得到第一设定阈值；对所述疑似盲点停车场库的第一特征信息进行阈值计算，将得到的计算结果与所述第一设定阈值比较，将所述疑似盲点停车场库的阈值计算结果低于所述第一设定阈值的疑似盲点停车场库记为盲点停车场库。
具体的，基于地理区域数据计算每个区域内的第一设定阈值，结合所述第一设定阈值对每个所述区域内的所述疑似盲点停车场库进行判断，得到盲点停车场库。
示例性的，在目标区域g中，对HL簇和HH簇中的所有停车场库自身的平均占有率进行求和后，除以所述HL簇和HH簇中的所述非盲点停车场库的个数，并乘以阈值系数k得出第一设定阈值，其公式如下：
Figure DEST_PATH_IMAGE018
其中，T g 表示所述目标区域g的第一设定阈值，
Figure DEST_PATH_IMAGE020
表示所述目标区域g中所述HL簇中的所有停车场库自身的平均占有率，
Figure DEST_PATH_IMAGE022
表示所述目标区域g中所述HH簇中的所有停车场库自身的平均占有率，i和j分别表示所述g目标区域内所述HL、HH簇中的所述非盲点停车场库的个数，k为阈值系数（k为设定值，其范围为（0，1））。
进一步的，将所述目标区域g中的疑似盲点停车场库的所述自身平均占有率乘以相同的所述k值，并将其获得的阈值与所述目标区域内的所述第一设定阈值进行比对，将所述疑似盲点停车场库的阈值低于所述第一设定阈值的疑似盲点停车场库作为盲点停车场库。
在一些实施例中，本方案可通过对所有停车场库进行聚类，进行聚类的方式如下：
将所述目标区域内所有停车场库的平均占有率和所述临近场库平均占有率构成第一数据集S，对所述第一数据集S内的数据进行多次随机采样得到n个不同的所述第一数据集S的子集{S1,S2,...,Sn}，对每个所述子集采用k-means算法进行聚类，设定聚类数目为4，得到聚类结果，由于设定聚类数目为4，所以聚类中心点数目为4，计算每两个所述聚类中心点之间的欧氏距离并求和，并除以求和项得到所述聚类结果中所述聚类中心点之间的距离均值，其公式如下：
Figure DEST_PATH_IMAGE024
其中，D i 为所述第一数据集S中第i个子集不同聚类中心点之间的距离均值，ct j 和ct k 表示通过聚类得到的不同所述聚类中心点，dist(ct j ,ct k )表示两个所述聚类中心点之间的欧氏距离，m为所述聚类数目。
进一步的，对所述聚类结果进行聚类不稳定值的计算，基于所述聚类不稳定值判断所述聚类结果是否稳定，计算方式如下：
计算所述第一数据集S中每个所述子集中的距离均值，对所述聚类中心点之间的距离均值减去所述子集中的距离均值的平方值求和，并除以所述子集的数量得到聚类不稳定性值，其公式如下：
Figure DEST_PATH_IMAGE026
其中，instab为所述聚类不稳定性值，D i 为所述两个聚类中心点之间的距离均值，
Figure DEST_PATH_IMAGE028
表示所述第一数据集S中所有所述子集不同聚类中心点距离D i 的均值，n为所述子集的数量；所述聚类不稳定性值越小，说明聚类结果越稳定。
在一些实施例中，在“基于所述第二特征信息对包括所述盲点停车场库在内的所有停车场库进行特征评分，得到所有停车场库各特征评分”步骤中，通过采用特征归一化或采用特征与平均值之差的百分比对所述第二特征信息进行特征评分，得到每一停车场库的各特征评分。
进一步的，所述特征归一化是通过对所述盲点停车场库的第二特征信息进行最大最小归一化；所述采用特征与平均值之差的百分比是对所有停车场库的各特征评分求平均值得到特征评分平均值，并计算所述盲点停车场库各特征评分与对应各特征评分均值之差的百分比。
具体的，所述特征归一化是计算所述目标区域内的一所述盲点停车场库的某项特征信息减去该项特征信息在所述目标区域内的最小值，将其计算结果比上该项特征信息在所述目标区域内的最大值减去该项特征信息在所述目标区域内的最小值，即得出所述目标区域内的一所述盲点停车场库的该项特征信息的特征评分，其公式如下：
Figure DEST_PATH_IMAGE030
其中：
Figure DEST_PATH_IMAGE032
表示所述目标区域内的一所述盲点停车场库p的某项特征信息的评分，
Figure DEST_PATH_IMAGE034
表示所述盲点停车场库p的某个特征信息，i∈{第二特征信息中的任一特征信息}，p表示一具体盲点停车场库，n表示所述目标区域内所有停车场库的数量。
具体的，所述特征与平均值之差的百分比是计算所述目标区域内所有停车场库的某一特征信息的平均值，再计算所述目标区域内一盲点停车场库的该特征的值与所述平均值的差值，并除以所述平均值，其公式如下：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示所述目标区域内的一所述盲点停车场库p的某项特征信息的评分，
Figure 664089DEST_PATH_IMAGE034
表示所述盲点停车场库p的某个特征信息，i∈{第二特征信息中的任一特征信息}，p表示一具体盲点停车场库，n表示所述目标区域内所有停车场库的数量，j∈[1，n]，表示不同停车场库。
在一些实施例中，在“基于所述特征评分，对所述盲点停车场库进行问题诊断”步骤中，将所述盲点停车场库各特征评分与第二设定阈值进行基于规则的问题诊断。
在一些实施例中，采用所述特征归一化来判断所述盲点停车场库各特征评分时，所述第二设定阈值为目标区域内所有停车场库各特征得分的最小值与最大值之间的插值比例；当采用所述特征与平均值之差的百分比来判断所述盲点停车场库各特征评分时，所述第二设定阈值为所述盲点停车场库各特征得分与所有停车场库各特征得分平均值相差的百分数。
示例性的，其所述盲点停车场库问题诊断规则如下：
当盲点停车场库p的停车费用特征评分大于q1或q2时，则该盲点停车场库p存在的问题是停车费用过高；当盲点停车场库p的周边POI密度特征评分小于q1或-q2时，则该盲点停车场库p存在的问题是地理位置偏僻；当盲点停车场库p的周边路网密度特征评分小于q1或-q2时，则该盲点停车场库p存在的问题是交通条件不变；当盲点停车场库p的出入口总数特征评分小于q1或-q2时，则该盲点停车场库p存在的问题是场库设计不便；当盲点停车场库p的总泊位数特征评分大于q1或q2且周边POI密度特征评分小于q1或-q2，则该盲点停车场库p存在的问题是场库规模超前；当盲点停车场库p的周边违章停车数据特征评分大于q1或q2且周边POI密度特征评分小于q1或-q2时，该盲点停车场库p存在的问题是处罚力度不够；当盲点停车场库p的周边POI密度特征评分大于q1或q2且周边违章停车数据特征评分大于q1或q2时，该盲点停车场库p存在的问题是停车引导不足；当盲点停车场库p的周边POI密度特征评分大于q1或q2且停车费用特征评分小于q1或-q2，则该盲点停车场库p存在的问题是停车引导不足；当该盲点停车场库p的平均周转率特征评分大于q1或q2且平均停车时长特征评分小于q1或-q2且周边POI密度特征评分大于q1或q2，则该盲点停车场库p存在的问题是需求开发未饱和；当盲点停车场库p的平均周转率特征评分q1或-q2且平均停车时长特征评分大于q1或q2且周边POI密度特征评分大于q1或q2，则该盲点停车场库p存在的问题是需求开发未饱和。
具体的，所述第二设定阈值的取值范围为（0，1），当采用所述特征归一化方法获得的所述所有停车场库的各特征评分来进行基于规则的问题诊断时，其所述第二设定阈值用q1来表示；当采用所述特征与平均值之差的百分比方法获得的所述所有停车场库的各特征评分来进行基于规则的问题诊断时，其所述第二设定阈值用q2来表示。
示例性的，图2为根据本申请实施例的一种盲点停车场库问题诊断方法的逻辑图，通过此逻辑图以乐清市2022-03-17至2022-03-23共7天的场库数据为例，通过上述实施例的方法获取第一特征信息和第二特征信息，通过多次随机采样得到50个停车场库样本，均进行相同聚类算法，得到结果计算instab值为0.00345，说明该聚类方法得到的结果十分稳定；最终聚类识别出的所述LL簇和LH簇中疑似盲点停车场库的平均占有率分别为23.80%和25.38%，所述LL簇和LH簇中共计17个疑似盲点场库。结合区域地理信息可得疑似盲点场库来自区域城东街道、乐成街道、城南街道，通过计算分别得到城东街道、乐成街道、城南街道的第一设定阈值分别为51.78%、59.54%、53.97%。通过阈值进行二次判断，发现其中场库510015所属区域城南街道且平均占有率为54.12%，大于区域判断阈值53.97%，故排除该场库，余下16个场库均符合阈值判断要求，为最终识别出的盲点场库。
进一步的，以识别出的盲点场库510011为例，采用本方案中的特征归一化方法对所述盲点场库510011的各特征信息进行评分，得到所述各特征信息评分如下：平均周转率评分0.53、总泊位数评分0.16、平均停车时间评分0.38、场库费用评分0、POI密度评分0.15、路网密度评分0.21、周边违停评分0、出入口数评分0.17。根据上述评分绘制雷达图如图3所示。
基于得到的510011场库所述各特征信息评分雷达图，结合问题诊断阈值q1=0.5和所述诊断规则进行问题诊断，最终确定510011场库问题为：地理位置偏僻、交通条件不便、场库设计不便。
实施例二
基于相同的构思，参考图4，本申请还提出了一种盲点停车场库问题诊断装置，包括：
获取模块：获取目标区域内的所有停车场库和所述每个停车场库的第一特征信息和第二特征信息，基于所述第一特征信息和第二特征信息构建场库特征表；
第一计算模块：对所述第一特征信息进行聚类，并对聚类结果进行分析，得到盲点停车场库；
第二计算模块：基于所述场库特征表对包括所述盲点停车场库在内的所有停车场库进行特征评分，得到所有停车场库各特征评分，所述所有停车场库各特征评分中包括盲点停车场库各特征评分；
判断模块：基于所述特征评分，对所述盲点停车场库进行问题诊断。
实施例三
本实施例还提供了一种电子装置，参考图5，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申请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盲点停车场库问题诊断方法。
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，输入的信息可以所述目标区域内所有停车场库的第一特征信息和第二特征信息等，输出的信息可以是所述目标区域内所有停车场库的特征评分、所述盲点停车场库的地理位置以及所述盲点停车场库的问题等。
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以下步骤：
S101、获取目标区域内的所有停车场库和每个所述停车场库的第一特征信息和第二特征信息，其中所述第一特征信息表征每个所述停车场库的自身平均占有率和临近场库平均占有率，所述第二特征信息表征所述停车场库的停车特征信息；
S102、对所述第一特征信息进行聚类，并对聚类结果进行分析，得到盲点停车场库；
S103、基于所述第二特征信息对所述盲点停车场库的各个特征信息进行特征评分，得到所述盲点停车场库各个特征信息的特征评分；
S104、基于所述特征评分，对所述盲点停车场库进行问题诊断。
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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种盲点停车场库问题诊断方法，其特征在于，包括以下步骤：
获取目标区域内的所有停车场库和每个所述停车场库的第一特征信息和第二特征信息，其中所述第一特征信息表征每个所述停车场库的自身平均占有率和临近场库平均占有率，所述第二特征信息表征所述停车场库的停车特征信息；
对所述第一特征信息进行聚类，并对聚类结果进行分析得到盲点停车场库；
基于所述第二特征信息对所述盲点停车场库的各个特征信息进行特征评分，得到所述盲点停车场库各个特征信息的特征评分；
基于所述特征评分，对所述盲点停车场库进行问题诊断。
2.根据权利要求1所述的一种盲点停车场库问题诊断方法，其特征在于，“对所述第一特征信息进行聚类，并对聚类结果进行分析得到盲点停车场库”步骤包括：基于所述第一特征信息对各场库进行聚类得到聚类结果，所述聚类结果包括：自身场库平均占有率低且周边场库平均占有率低、自身场库平均占有率低且周边场库平均占有率高、自身场库平均占有率高且周边场库平均占有率低、自身场库平均占有率高且周边场库平均占有率高，将聚类结果为自身平均占有率低的场库作为疑似盲点停车场库。
3.根据权利要求2所述的一种盲点停车场库问题诊断方法，其特征在于，还包括：结合所述疑似盲点停车场库的所述第一特征信息对疑似盲点停车场库进行二次判断，其步骤为：将聚类结果为自身平均占有率高的场库作为非盲点停车场库，对所述非盲点停车场库的第一特征信息进行阈值计算得到第一设定阈值；对所述疑似盲点停车场库的第一特征信息进行阈值计算，将得到的计算结果与所述第一设定阈值比较，将所述疑似盲点停车场库的阈值计算结果低于所述第一设定阈值的疑似盲点停车场库记为盲点停车场库。
4.根据权利要求1所述的一种盲点停车场库问题诊断方法，其特征在于，在“基于所述第二特征信息对所述盲点停车场库的各个特征信息进行特征评分，得到所述盲点停车场库各个特征信息的特征评分”步骤中，通过采用特征归一化或采用特征与平均值之差的百分比对所述第二特征信息进行特征评分，得到每一停车场库的各特征评分。
5.根据权利要求4所述的一种盲点停车场库问题诊断方法，其特征在于，所述特征归一化是通过对所述盲点停车场库的第二特征信息进行最大最小归一化；所述采用特征与平均值之差的百分比是对所有停车场库的各特征评分求平均值得到特征评分平均值，并计算所述盲点停车场库各特征评分与对应各特征评分均值之差的百分比。
6.根据权利要求1所述的一种盲点停车场库问题诊断方法，其特征在于，在“基于所述特征评分，对所述盲点停车场库进行问题诊断”步骤中，将所述盲点停车场库各特征评分与第二设定阈值进行基于规则的问题诊断，当采用所述特征归一化来判断所述盲点停车场库各特征评分时，所述第二设定阈值为目标区域内所有停车场库各特征得分的最小值与最大值之间的插值比例；当采用所述特征与平均值之差的百分比来判断所述盲点停车场库各特征评分时，所述第二设定阈值为所述盲点停车场库各特征得分与所有停车场库各特征得分平均值相差的百分数。
7.根据权利要求1所述的一种盲点停车场库问题诊断方法，其特征在于，对所述聚类结果进行聚类不稳定值的计算，基于所述聚类不稳定值判断所述聚类结果是否稳定。
8.根据权利要求1所述的一种盲点停车场库问题诊断方法，其特征在于，在“获取目标区域内的所有停车场库和每个所述停车场库的第一特征信息和第二特征信息”步骤之前包括步骤：获取目标区域的所有停车场库的场库基本信息，基于所述场库基本信息计算所述第一特征信息以及所述第二特征信息。
9.根据权利要求1所述的一种盲点停车场库问题诊断方法，其特征在于，所述第二特征信息为目标区域内所有停车场库的停车基本信息，所述停车基本信息包括：平均停车时长、总泊位数、停车费用、出入口总数、周边违章停车数据、周边POI密度、周边路网密度、平均周转率。
10.一种盲点停车场库问题诊断装置，其特征在于，包括：
获取模块：获取目标区域内的所有停车场库和每个所述停车场库的第一特征信息和第二特征信息，其中所述第一特征信息表征每个所述停车场库的自身平均占有率和临近场库平均占有率，所述第二特征信息表征所述停车场库的停车特征信息；
第一计算模块：对所述第一特征信息进行聚类得到聚类结果，并基于所述聚类结果分析得到盲点停车场库；
第二计算模块：基于第二特征信息对所述盲点停车场库的各个特征信息进行特征评分，得到所述盲点停车场库各个特征信息的特征评分；
判断模块：基于所述特征评分，对所述盲点停车场库进行问题诊断。
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1-9任一所述的一种盲点停车场库问题诊断方法。
12.一种可读存储介质，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1-9任一项所述的一种盲点停车场库问题诊断方法。
CN202210611025.XA 2022-06-01 2022-06-01 一种盲点停车场库问题诊断方法、装置和应用 Active CN114691758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210611025.XA CN114691758B (zh) 2022-06-01 2022-06-01 一种盲点停车场库问题诊断方法、装置和应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210611025.XA CN114691758B (zh) 2022-06-01 2022-06-01 一种盲点停车场库问题诊断方法、装置和应用

Publications (2)

Publication Number Publication Date
CN114691758A true CN114691758A (zh) 2022-07-01
CN114691758B CN114691758B (zh) 2022-09-06

Family

ID=82131042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210611025.XA Active CN114691758B (zh) 2022-06-01 2022-06-01 一种盲点停车场库问题诊断方法、装置和应用

Country Status (1)

Country Link
CN (1) CN114691758B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405315A (zh) * 2015-12-17 2016-03-16 杭州优橙科技有限公司 一种基于k近邻机器学习的磁场传感器智能停车检测方法
US20170092130A1 (en) * 2015-09-25 2017-03-30 International Business Machines Corporation Automatic selection of parking spaces based on parking space attributes, driver preferences, and vehicle information
CN107680401A (zh) * 2017-10-17 2018-02-09 长沙理工大学 一种基于区间二型模糊集合的停车位满意度的评价方法
JP2018037009A (ja) * 2016-09-02 2018-03-08 株式会社日立製作所 クラスタ分析システム、クラスタ分析装置、クラスタ分析方法
CN110675651A (zh) * 2019-09-29 2020-01-10 百度在线网络技术（北京）有限公司 停车场推荐方法和装置
US20200035101A1 (en) * 2018-07-27 2020-01-30 Walmart Apollo, Llc Systems and methods for allocating vehicle parking spaces
CN111081058A (zh) * 2019-12-23 2020-04-28 北京首钢自动化信息技术有限公司 一种基于大数据的停车场管理方法和装置
US20200175634A1 (en) * 2018-12-04 2020-06-04 Sidewalk Labs LLC Methods, systems, and media for coordinating parking availability
CN113240936A (zh) * 2021-05-12 2021-08-10 北京百度网讯科技有限公司 停车区域推荐方法、装置、电子设备和介质
CN113935620A (zh) * 2021-10-14 2022-01-14 城云科技（中国）有限公司 一种基于网格基础数据的停车场评估方法、装置及应用
CN114038231A (zh) * 2021-10-25 2022-02-11 深圳市神州路路通网络科技有限公司 停车场利用率调度方法、系统、设备以及存储介质
CN114049788A (zh) * 2021-11-12 2022-02-15 城云科技（中国）有限公司 停车盲点识别方法、装置及电子装置、计算机程序产品
CN114428916A (zh) * 2021-12-09 2022-05-03 科大讯飞股份有限公司 停车场推荐方法以及相关装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170092130A1 (en) * 2015-09-25 2017-03-30 International Business Machines Corporation Automatic selection of parking spaces based on parking space attributes, driver preferences, and vehicle information
CN105405315A (zh) * 2015-12-17 2016-03-16 杭州优橙科技有限公司 一种基于k近邻机器学习的磁场传感器智能停车检测方法
JP2018037009A (ja) * 2016-09-02 2018-03-08 株式会社日立製作所 クラスタ分析システム、クラスタ分析装置、クラスタ分析方法
CN107680401A (zh) * 2017-10-17 2018-02-09 长沙理工大学 一种基于区间二型模糊集合的停车位满意度的评价方法
US20200035101A1 (en) * 2018-07-27 2020-01-30 Walmart Apollo, Llc Systems and methods for allocating vehicle parking spaces
US20200175634A1 (en) * 2018-12-04 2020-06-04 Sidewalk Labs LLC Methods, systems, and media for coordinating parking availability
CN110675651A (zh) * 2019-09-29 2020-01-10 百度在线网络技术（北京）有限公司 停车场推荐方法和装置
CN111081058A (zh) * 2019-12-23 2020-04-28 北京首钢自动化信息技术有限公司 一种基于大数据的停车场管理方法和装置
CN113240936A (zh) * 2021-05-12 2021-08-10 北京百度网讯科技有限公司 停车区域推荐方法、装置、电子设备和介质
CN113935620A (zh) * 2021-10-14 2022-01-14 城云科技（中国）有限公司 一种基于网格基础数据的停车场评估方法、装置及应用
CN114038231A (zh) * 2021-10-25 2022-02-11 深圳市神州路路通网络科技有限公司 停车场利用率调度方法、系统、设备以及存储介质
CN114049788A (zh) * 2021-11-12 2022-02-15 城云科技（中国）有限公司 停车盲点识别方法、装置及电子装置、计算机程序产品
CN114428916A (zh) * 2021-12-09 2022-05-03 科大讯飞股份有限公司 停车场推荐方法以及相关装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SOOMOK LEE 等: "Directional-DBSCAN: Parking-slot detection using a clustering method in around-view monitoring system", 《IEEE》 *
于小玄: "城市智能停车系统分析与设计", 《电脑知识与技术》 *
殷敬敬等: "基于Logit模型的停车行为研究", 《物流科技》 *
黄烈一等: "智能停车服务系统开发设计", 《智能城市》 *

Also Published As

Publication number Publication date
CN114691758B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
RU2406158C2 (ru) Способы предсказания пунктов назначения из частичных траекторий, применяющие способы моделирования открытого и замкнутого мира
Cheng et al. Optimizing location of car-sharing stations based on potential travel demand and present operation characteristics: the case of Chengdu
Ionita et al. Where to park? predicting free parking spots in unmonitored city areas
CN109800940B (zh) 一种充电桩选址方法及装置
CN109840272B (zh) 一种共享电动汽车站点用户需求预测方法
CN116437291A (zh) 一种基于手机信令的文化圈规划方法和系统
CN114897454B (zh) 城市基础设施群沉降评价方法、电子设备及存储介质
CN114218483A (zh) 停车推荐方法及其应用
CN114548811A (zh) 一种机场可达性的检测方法、装置、电子设备及存储介质
CN115829124A (zh) 充电桩选址方法、装置、设备及存储介质
CN111737378A (zh) 道路通行方向识别方法、装置、计算机设备和存储介质
CN114511938A (zh) 一种智慧停车管理方法和平台
CN112150045B (zh) 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测系统
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN113935620A (zh) 一种基于网格基础数据的停车场评估方法、装置及应用
CN114049788A (zh) 停车盲点识别方法、装置及电子装置、计算机程序产品
CN113379269A (zh) 多因素空间聚类的城市商业功能区划方法、装置及介质
CN110659774B (zh) 大数据方法驱动的停车需求预测方法
CN114691758B (zh) 一种盲点停车场库问题诊断方法、装置和应用
Maric et al. Parking search optimization in urban area
CN115640756A (zh) 一种基于多源数据的停车需求预测模型、方法及其应用
GB2584862A (en) System and method for populating a database with occupancy data of parking facilities
CN116597649A (zh) 一种基于高速公路收费系统的路网交通流量推演方法
CN114186146B (zh) 带容量限制的网约车服务网点选址方法及系统
CN114007186B (zh) 定位方法及相关产品

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