CN114758496A - 一种停车场内车辆的诱导方法、装置及存储介质 - Google Patents
一种停车场内车辆的诱导方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114758496A CN114758496A CN202210328572.7A CN202210328572A CN114758496A CN 114758496 A CN114758496 A CN 114758496A CN 202210328572 A CN202210328572 A CN 202210328572A CN 114758496 A CN114758496 A CN 114758496A
- Authority
- CN
- China
- Prior art keywords
- parking lot
- exit
- vehicle
- path length
- road
- 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
Images
Classifications
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
Abstract
本发明涉及一种停车场内车辆的诱导方法、装置及存储介质,包括:接收停车场出口上下游路段和停车场内部路段的排队信息;根据驾驶员目的地和当前位置规划行车路径,并按照路径长度排序,确定备选停车场出口;以停车场出口上下游路段排队信息、停车场内部路段的排队信息、停车场出口对应的路径长度、备选停车场出口作为输入参数,利用深度强化学习框架构建停车场出口推荐模型,利用交通仿真平台实时传回的交互数据,迭代训练网络至收敛,以最大化期望效益,实现停车场出口推荐。与现有技术相比,本发明具有兼顾动静态交通信息,同时满足用户通行需求和道路交通效率等优点。
Description
技术领域
本发明涉及停车场内车辆诱导技术领域,尤其是涉及一种基于交通状态感知和高精度地图的停车场出口推荐和路径规划方法。
背景技术
随着汽车行业的发展,日益增加的机动车出行需求在给道路交通造成压力的同时,也造成了停车系统管控困难。城市大型停车场,往往存在多个出入口。当车辆在停车场内行驶时,驾驶员难以获取全面的道路交通信息,通常只根据停车场出口与目的地之间的距离进行选择。但在高峰时期,停车场出入口上下游的交通压力较大,若车辆只根据自身需求,选择总行程路径最短的停车场出口,很容易导致个别停车场出入口严重拥堵。考虑到当前智慧城市建设能够提供实时交通数据共享并支撑交通系统决策与控制,有必要结合广域的交通状态感知手段和交通诱导措施,由车路信息物理系统向车端发布推荐停车场出口,并依托室内导航技术实现车辆诱导,协调静态与动态交通之间的关系,以确保在车辆在快速到达目的地的同时,减小对道路交通产生的负面影响。
现有基于交通状态感知的停车场出口推荐方法中,还存在一些问题值得优化。例如,现存的停车场出口推荐方法只根据每个出口的出场时间,即只根据静态交通的当前状态推荐出口,其效果只能避免停车场内的拥堵,若车辆离开停车场后,无法快速进入主路,依旧会造成停车场内拥堵。同时,动态交通和静态交通的状态是时刻发生变化的,改变一辆车的停车场出口选择后,往往要经过一段时间才能在交通系统的状态上有所体现,仅凭借当前道路和出口拥挤程度推荐停车场出口,而不考虑车辆改变选择后对动态、静态交通的影响,难以实现整体交通系统的优化。
发明内容
本发明的目的就是为了提供一种综合考虑动静态交通的停车场内车辆的诱导方法、装置及存储介质。
本发明的目的可以通过以下技术方案来实现:
一种停车场内车辆的诱导方法,包括以下步骤:
对停车场出口进行编号,且该编号保持不变;
接收停车场出口上下游路段和停车场内部路段的排队信息;
根据驾驶员目的地和当前位置规划行车路径,并按照路径长度排序,
若为从小到大排序,选择路径长度排名前N的出口作为备选停车场出口,
若为从大到小排序,选择路径长度排名后N的出口作为备选停车场出口,其中,N为预配置的备选停车场出口数量;
以停车场出口上下游路段排队信息、停车场内部路段的排队信息、停车场出口对应的路径长度、备选停车场出口编号作为输入参数,利用深度强化学习框架构建停车场出口推荐模型,所述停车场出口推荐模型的构建方法为:基于深度Q网络,以停车场出口上下游道路排队信息、停车场内部排队信息、停车场出口对应的路径长度、备选停车场出口编号为状态输入网络,输出选择该行车路径的期望效益,利用交通仿真平台实时传回的交互数据,迭代训练网络至奖励函数收敛,以获取最大化期望效益,其中,停车场出口对应的路径长度为以车辆当前位置为起点,经过停车场出口,并以目的地为终点的路径的长度;
输入停车场出口上下游路段实时排队信息、停车场内道路实时排队信息、停车场出口对应的路径长度、备选停车场出口编号,利用停车场出口推荐模型,输出推荐停车场出口。
所述排队信息包含路段车辆行驶平均速度、排队长度。
所述备选停车场出口路径长度排序采用动态规划或蒙特卡洛树搜索算法求解。
所述停车场出口推荐模型的奖励函数由出口上下游路段平均排队长度、停车场内道路平均排队长度、所选出口对应路径长度与最小路径长度的差值决定。
所述奖励函数为:
其中,w1、w2、w3、w4为权重,为出口i上游在时间Δt内的排队长度的平均值,为出口i下游在时间Δt内的排队长度的平均值,为出口i在时间Δt内的停车场内部路段排队长度的平均值;Wmin为备选停车场出口中最小的路径长度;Wa为所选出口对应的路径长度。
所述期望效益是自当前时刻起,在预配置的时间间隔内奖励函数之和的期望值。
所述方法还包括:发送推荐停车场出口至指定车辆,若停车场出口改变,则重新规划驾驶路径作为新方案,在车端显示新方案与原方案的对比指标,根据接收到的用户反馈信息确认是否执行新方案;若停车场出口未改变,车辆遵循最初规划的行车路径。
所述排队信息根据车路信息物理系统实时获取的路侧传感器、车载设备的数据得到。
一种停车场内车辆的诱导装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现如上所述的方法。
一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如上所述的方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明同时考虑动静态交通对行车路线规划的影响,既保证了驾驶员的驾驶效率,又能防止停车场内部和停车场出口上下游产生过大排队,缓解了停车场出口与主路间的交通冲突,平衡用户需求和道路交通效率。
(2)本发明的算法考虑了车辆改变其对停车场出口的选择对动静态交通的影响,具有预测性,能避免因某些车辆的行程规划改变导致的区域拥堵,实现区域交通的整体调节。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
参照图1所示,本实施例提供一种停车场内车辆诱导方法,包括以下步骤:
在所控制的停车场出口的影响范围内,合理布设路侧视频摄像机、毫米波雷达等传感器,获取重点监测路段的车辆速度信息,进而与各车辆上传车路信息物理系统的数据进行融合,使得影响范围内所有道路的信息能够在系统中完整呈现。通过系统提供的各路段速度为零的车辆数量,获取路段排队信息,如排队长度、路段车辆平均速度等。
依托于高精度地图应用,基于物理信息系统返回的道路动态交通信息,建立动静交通网络G。动静交通网络G由路网节点集合V、路段集合E、停车位集合P、停车场出口Q组成。将路网节点编号为m,路段编号为n,停车位编号为l,停车场出口编号为t。具体而言,路网节点、路段、停车位、停车场出口可表示为vm、en、pl、qt,其中vm∈V、en∈E、pl∈P、qt∈Q。特别的是,路段en是有向路段,编号n可以由该路段上的两个节点表示,方向按照给定的节点由前向后的顺序确定。对于需要驶出停车场的车辆而言,路径规划L的起点为当前停车位po,讫点为路网节点vd。路径L可表示为从起点开始由相邻的路网节点连接至讫点的点集[po,vi,...,qt,...,vd],也可表示为连接相邻节点的路段的集合对于一个路径L,其长度为:
式中,W(vi,vi+1)为车辆通过节点vi和vi+1之间路段的距离。
以路径最短为目标,将路径规划问题定义为优化问题,计算每个路径的总成本。为了提供备选停车场出口,对停车场所有出口进行编号,并按照路径长度WL的大小从小到大排序,选择排名为前N的停车场出口作为备选出口,将这些出口编号作为备选并发送给车路信息系统。其中,N为预配置的所需停车场出口的备选数量。特别地,该问题可采用动态规划、蒙特卡洛树搜索等算法求解。
在交通仿真平台中,基于所述的车路信息物理系统提供的停车场出口上下游路段排队信息、停车场内部路段排队信息、停车场出口对应的路径长度、备选停车场出口编号,采用深度强化学习算法推荐停车场出口,利用大量的交互数据训练停车场出口推荐模型。
其中,对于每一个需要驶出停车场的车辆,停车场的状态s和推荐停车场出口动作a可以表示为:
S=[Cu1,cd1,Cp1,W1,...,Cui,Cdi,Cpi,Wi,...CpT,CdT,CuT,WT]
a={q1,...,qN}
式中,cui为停车场出口i上游排队长度,cdi为停车场出口i下游排队长度,cpi为停车场内出口i道路排队长度,Wi为停车场出口i对应的路径长度,T为停车场出口总数。特别的是,对所有停车场出口编号,且该编号在使用过程中保持不变,以上变量按照出口编号由小至大排列,若出口i为备选出口,则cui、cdi、cpi、Wi设为具体数值,若非备选出口,则这些变量设为-1。q1,...,qN为备选停车场出口的编号。
对于该状态下所选择的停车场出口,在后续评价时间段Δt内,交通仿真系统采用系统内置的车辆跟驰模型、换道模型、实时路径规划模型不断演化。在经过Δt后,深度强化学习通过奖励函数评价停车场出口推荐的效果。
其中,奖励函数用来评价采用推荐停车场出口对动静交通的影响,考虑出口推荐的目的是协调动静交通之间的关系,即在保证驾驶员能够快速到达目的地的同时,也能减缓停车场内道路和停车场出入口上下游的拥堵情况,则时间Δt内的奖励函数可表示为:
式中,w1、w2、w3、w4为权重,为出口i上游在时间Δt内的排队长度的平均值,为出口i下游在时间Δt内的排队长度的平均值,为出口i在时间Δt内的停车场内部路段排队长度的平均值;Wmin为备选停车场出口中最小的路径长度;Wa为所选出口对应的路径长度。
以经典的强化学习算法DQN(Deep Q Network)为例,随着仿真的不断进行,收集交通仿真平台实时传回的大量交互数据<s,a,r,s'>,并将其储存在经验池中。建立由Evaluate网络和Target网络构成DQN模型。网络以停车场出口上下游排队长度、停车场内部道路排队长度、停车场出口对应的路径长度、备选停车场出口编号为状态输入网络,输出选择该行车路径的期望效益。特别的是,由于将停车场出口上下游排队长度、停车场内部道路排队长度、所选路径长度与最短路径的差值设置为奖励函数,所述期望效益为自当前时刻起,在预配置的时间间隔内奖励函数之和的期望值。在训练数据足够的情况下,可以近似的采用平均值作为期望值。通过对DQN模型的迭代训练,网络学习到大量的历史数据中的状态、动作、奖励信息,并获得估计当前动作的期望效益的能力,以估计出口推荐在将来会对停车系统和周边道路交通产生的影响,避免在采用出口推荐后产生交通拥堵。训练过程中,评论家网络的损失函数为:
yj=rj+γmaxa'Q'(sj+1,a'|θ')
式中,S为从经验池中抽取的用于模型训练的总样本量,<sj,aj,rj,sj+1>为从经验池抽取的样本,Q和Q'分别为Evaluate和Target网络输出的价值函数,γ为折减率。每隔一定步数将Evaluate网络的参数复制到Target网络中。停车场出口推荐的方法是at=argmaxaQ(st,a|θ)。当奖励函数随着仿真的进行呈现出收敛趋势时,模型已完成训练。网络参数的设置如下表所示:
参数名称 | 数值 | 参数名称 | 数值 |
Actor学习率 | 0.0001 | 贝尔曼参数 | 0.9 |
Critic学习率 | 0.001 | 记忆库容量 | 1000 |
每批次学习的数据量 | 64 | 每回合训练步长 | 100 |
将停车场出口上下游路段实时排队长度、停车场内道路实时排队长度、停车场出口对应的路径长度、备选停车场出口编号输入停车场出口推荐模型,在车路信息物理系统中输出推荐停车场出口,并发送至指定车辆,若停车场出口改变,则重新规划驾驶路径作为新方案,在车端显示新方案与原方案的对比指标,根据接收到的用户反馈信息确认是否执行新方案;若停车场出口未改变,车辆遵循最初规划的行车路径。根据驾驶员选择的停车场出口,结合车路信息系统实时采集的道路排队信息和驾驶员目的地,在车端实时规划路径最短的驾驶路线。车辆在停车场内部时,利用车路通讯技术,与停车场内设施实时通讯。在停车场内的关键节点处,利用动态显示屏实时提示车辆行驶方向,实现停车场内实时导航。同时,地图应用载入停车场室内全景和局部地图,在地图上表面路线和前进方向,帮助驾驶员找到停车场出口。在离开停车场后,车辆根据地图应用上的导航信息,前往目的地。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种停车场内车辆的诱导方法,其特征在于,包括以下步骤:
对停车场出口进行编号,且该编号保持不变;
接收停车场出口上下游路段和停车场内部路段的排队信息;
根据驾驶员目的地和当前位置规划行车路径,并按照路径长度排序,
若为从小到大排序,选择路径长度排名前N的出口作为备选停车场出口,
若为从大到小排序,选择路径长度排名后N的出口作为备选停车场出口,其中,N为预配置的备选停车场出口数量;
以停车场出口上下游路段排队信息、停车场内部路段的排队信息、停车场出口对应的路径长度、备选停车场出口编号作为输入参数,利用深度强化学习框架构建停车场出口推荐模型,所述停车场出口推荐模型的构建方法为:基于深度Q网络,以停车场出口上下游道路排队信息、停车场内部排队信息、停车场出口对应的路径长度、备选停车场出口编号为状态输入网络,输出选择该行车路径的期望效益,利用交通仿真平台实时传回的交互数据,迭代训练网络至奖励函数收敛,以获取最大化期望效益,其中,停车场出口对应的路径长度为以车辆当前位置为起点,经过停车场出口,并以目的地为终点的路径的长度;
输入停车场出口上下游路段实时排队信息、停车场内道路实时排队信息、停车场出口对应的路径长度、备选停车场出口编号,利用停车场出口推荐模型,输出推荐停车场出口。
2.根据权利要求1所述的一种停车场内车辆的诱导方法,其特征在于,所述排队信息包含路段车辆行驶平均速度、排队长度。
3.根据权利要求1所述的一种停车场内车辆的诱导方法,其特征在于,所述备选停车场出口路径长度排序采用动态规划或蒙特卡洛树搜索算法求解。
4.根据权利要求1所述的一种停车场内车辆的诱导方法,其特征在于,所述停车场出口推荐模型的奖励函数由出口上下游路段平均排队长度、停车场内道路平均排队长度、所选出口对应路径长度与最小路径长度的差值决定。
6.根据权利要求1所述的一种停车场内车辆的诱导方法,其特征在于,所述期望效益是自当前时刻起,在预配置的时间间隔内奖励函数之和的期望值。
7.根据权利要求1所述的一种停车场内车辆的诱导方法,其特征在于,所述方法还包括:发送推荐停车场出口至指定车辆,若停车场出口改变,则重新规划驾驶路径作为新方案,在车端显示新方案与原方案的对比指标,根据接收到的用户反馈信息确认是否执行新方案;若停车场出口未改变,车辆遵循最初规划的行车路径。
8.根据权利要求1所述的一种停车场内车辆的诱导方法,其特征在于,所述排队信息根据车路信息物理系统实时获取的路侧传感器、车载设备的数据得到。
9.一种停车场内车辆的诱导装置,包括存储器、处理器,以及存储于所述存储器中的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210328572.7A CN114758496B (zh) | 2022-03-30 | 2022-03-30 | 一种停车场内车辆的诱导方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210328572.7A CN114758496B (zh) | 2022-03-30 | 2022-03-30 | 一种停车场内车辆的诱导方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114758496A true CN114758496A (zh) | 2022-07-15 |
CN114758496B CN114758496B (zh) | 2023-08-04 |
Family
ID=82330033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210328572.7A Active CN114758496B (zh) | 2022-03-30 | 2022-03-30 | 一种停车场内车辆的诱导方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758496B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167536A (zh) * | 2022-12-07 | 2023-05-26 | 江苏巨楷科技发展有限公司 | 一种基于时间段学习优化的智慧停车管理方法 |
WO2024027428A1 (zh) * | 2023-03-30 | 2024-02-08 | 杜豫川 | 一种动静态联动的车辆路径引导方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0457186A (ja) * | 1990-06-27 | 1992-02-24 | Amano Corp | 駐車場管理装置 |
JP2005284699A (ja) * | 2004-03-30 | 2005-10-13 | Hcx:Kk | 車両の駐車場内誘導方法および装置 |
CN106991829A (zh) * | 2017-05-22 | 2017-07-28 | 江苏智通交通科技有限公司 | 解决综合停车场出入拥堵问题的诱导系统及方法 |
CN108417031A (zh) * | 2018-03-15 | 2018-08-17 | 浙江大学 | 一种基于Agent仿真的智能停车泊位预约策略优化方法 |
CN109767639A (zh) * | 2019-02-26 | 2019-05-17 | 西安艾润物联网技术服务有限责任公司 | 停车场多出口出车调度方法、系统及存储介质 |
CN111354217A (zh) * | 2018-12-24 | 2020-06-30 | 沈阳美行科技有限公司 | 停车路线确定方法、装置、设备及介质 |
CN111833645A (zh) * | 2019-03-29 | 2020-10-27 | 本田技研工业株式会社 | 停车场管理装置、停车场管理方法、及存储介质 |
CN113269898A (zh) * | 2021-04-27 | 2021-08-17 | 北京易创智慧科技集团有限公司 | 一种基于物联网的智能停车场管理系统及其管理方法 |
CN114038218A (zh) * | 2021-12-28 | 2022-02-11 | 江苏泰坦智慧科技有限公司 | 基于进出路况信息的链式反馈多路口信号灯决策系统及方法 |
CN114239371A (zh) * | 2021-11-30 | 2022-03-25 | 东南大学 | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 |
-
2022
- 2022-03-30 CN CN202210328572.7A patent/CN114758496B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0457186A (ja) * | 1990-06-27 | 1992-02-24 | Amano Corp | 駐車場管理装置 |
JP2005284699A (ja) * | 2004-03-30 | 2005-10-13 | Hcx:Kk | 車両の駐車場内誘導方法および装置 |
CN106991829A (zh) * | 2017-05-22 | 2017-07-28 | 江苏智通交通科技有限公司 | 解决综合停车场出入拥堵问题的诱导系统及方法 |
CN108417031A (zh) * | 2018-03-15 | 2018-08-17 | 浙江大学 | 一种基于Agent仿真的智能停车泊位预约策略优化方法 |
CN111354217A (zh) * | 2018-12-24 | 2020-06-30 | 沈阳美行科技有限公司 | 停车路线确定方法、装置、设备及介质 |
CN109767639A (zh) * | 2019-02-26 | 2019-05-17 | 西安艾润物联网技术服务有限责任公司 | 停车场多出口出车调度方法、系统及存储介质 |
CN111833645A (zh) * | 2019-03-29 | 2020-10-27 | 本田技研工业株式会社 | 停车场管理装置、停车场管理方法、及存储介质 |
CN113269898A (zh) * | 2021-04-27 | 2021-08-17 | 北京易创智慧科技集团有限公司 | 一种基于物联网的智能停车场管理系统及其管理方法 |
CN114239371A (zh) * | 2021-11-30 | 2022-03-25 | 东南大学 | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 |
CN114038218A (zh) * | 2021-12-28 | 2022-02-11 | 江苏泰坦智慧科技有限公司 | 基于进出路况信息的链式反馈多路口信号灯决策系统及方法 |
Non-Patent Citations (5)
Title |
---|
ALEXEY SKRYNNIK ETAL.: "Hybrid Policy Learning for Multi-Agent Pathfinding" * |
于德新;杨兆升;刘雪杰;: "基于停车场选择的停车诱导路径优化方法研究", 交通运输系统工程与信息, no. 06 * |
刘俊杰;霍光;刘裕博;: "基于M/G/1模型的停车场出口排队延误", no. 01 * |
张术;韦钦平;: "平均排队长度差最小的单交叉口在线Q学习模型", 湖南理工学院学报(自然科学版), no. 04 * |
甘家华等: "考虑动态交通流的停车场车辆最优疏散模型" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167536A (zh) * | 2022-12-07 | 2023-05-26 | 江苏巨楷科技发展有限公司 | 一种基于时间段学习优化的智慧停车管理方法 |
CN116167536B (zh) * | 2022-12-07 | 2023-08-04 | 江苏巨楷科技发展有限公司 | 一种基于时间段学习优化的智慧停车管理方法 |
WO2024027428A1 (zh) * | 2023-03-30 | 2024-02-08 | 杜豫川 | 一种动静态联动的车辆路径引导方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114758496B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114758496B (zh) | 一种停车场内车辆的诱导方法、装置及存储介质 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN112216130B (zh) | 一种车路协同环境下的应急车辆诱导方法 | |
CN111177572A (zh) | 一种基于用户动态兴趣的个性化旅游路线推荐方法 | |
JP2021103566A (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 | |
WO2023186024A1 (zh) | 一种自适应停车场可变出入口控制方法 | |
CN111627246A (zh) | 基于图像识别与用户偏好的智能车位推荐方法 | |
CN112767683B (zh) | 一种基于反馈机制的路径诱导方法 | |
CN111429737B (zh) | 一种基于agent的城市区域边界控制方法及系统 | |
CN116050672B (zh) | 基于人工智能的城市管理方法及系统 | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
Li et al. | MADM-based smart parking guidance algorithm | |
CN115100867A (zh) | 一种基于数字孪生的城市智能交通仿真方法 | |
Tzamourani et al. | Exploring the social acceptance of transforming urban arterials to multimodal corridors. The case of Panepistimiou Avenue in Athens | |
CN113628446B (zh) | 一种基于物联网的交通信息采集分析方法及系统 | |
CN113379159B (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
CN115060278A (zh) | 基于多目标遗传算法的车辆智能换电导航方法和系统 | |
Chen et al. | Improvement of an online ride-hailing system based on empirical GPS data | |
CN114413923B (zh) | 一种行驶路线推荐方法、装置、存储介质及系统 | |
Rad et al. | A smart hybrid system for parking space reservation in VANET | |
Xing et al. | Recommendation of urban vehicle driving routes under traffic congestion: A traffic congestion regulation method considering road network equilibrium | |
CN116259175A (zh) | 一种面向多样化动态信号灯模式的车速推荐方法及装置 | |
Liu et al. | Learning to route via theory-guided residual network | |
CN114915940A (zh) | 一种基于边云计算的车路通信链路匹配方法及系统 | |
Khodadadi et al. | Improve traffic management in the vehicular ad hoc networks by combining ant colony algorithm and fuzzy system |
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 |