CN114758524A - 一种停车预测系统及方法 - Google Patents

一种停车预测系统及方法 Download PDF

Info

Publication number
CN114758524A
CN114758524A CN202210367921.6A CN202210367921A CN114758524A CN 114758524 A CN114758524 A CN 114758524A CN 202210367921 A CN202210367921 A CN 202210367921A CN 114758524 A CN114758524 A CN 114758524A
Authority
CN
China
Prior art keywords
vehicle
parking
information
positioning information
acquiring
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
CN202210367921.6A
Other languages
English (en)
Inventor
吴静涛
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202210367921.6A priority Critical patent/CN114758524A/zh
Publication of CN114758524A publication Critical patent/CN114758524A/zh
Pending legal-status Critical Current

Links

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
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • 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
    • G08G1/133—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 within the vehicle ; Indicators inside the vehicles or at stops

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种停车预测系统及方法，该停车预测方法包括：获取车辆的行驶信息；获取车辆的定位信息；根据所述车辆的行驶信息以及所述车辆的定位信息，基于机器学习训练模型判断所述车辆是否具有停车意图；在判定所述车辆具有停车意图时，依据所述车辆的定位信息搜寻周边的可用停车场；向用户发送询问停车的指令；在获取用户的确认回复信息时，显示车辆周边的可用停车场。在上述技术方案中，通过主动获取用户是否有停车的需求，并基于用户的确定需求信息向用户推荐停车场，方便了用户停车。

Description

一种停车预测系统及方法
技术领域
本说明书一个或多个实施例涉及汽车技术领域，尤其涉及一种停车预测系统及方法。
背景技术
当车辆在未使用导航的状态下，需要停车时不能及时找到停车场，甚至在找到停车场后发现车位已满，给车主带来不便的同时增加经济与时间成本。
现有的停车方案还停留在车主主动发起停车请求，车联网云端接收请求并查找附近停车场，其问题在于车主在驾驶的同时还需主动操作车机或手机导航，其一增加驾驶危险性，其二不便。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种停车预测系统及方法，用以方便用户进行停车。
第一方面，提供了一种停车预测方法，该停车预测方法包括：
获取车辆的行驶信息；获取车辆的定位信息；
根据所述车辆的行驶信息以及所述车辆的定位信息，基于机器学习训练模型判断所述车辆是否具有停车意图；
在判定所述车辆具有停车意图时，依据所述车辆的定位信息搜寻周边的可用停车场；
向用户发送询问停车的指令；
在获取用户的确认回复信息时，显示车辆周边的可用停车场。
在上述技术方案中，通过主动获取用户是否有停车的需求，并基于用户的确定需求信息向用户推荐停车场，方便了用户停车。
在一个具体的可实施方案中，所述获取车辆的行驶信息具体为：
通过发动机电控单元采集到转速信号、变速器档位信号、车速信号。
在一个具体的可实施方案中，所述根据所述车辆的行驶信息，基于机器学习训练模型判断所述车辆是否具有停车意图；具体为：
通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图。
在一个具体的可实施方案中，所述通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图，具体为：
通过对历史车辆在所述定位信息的地表数据进行人工标注，获得训练样本；
通过训练基于SPPNet的目标检测算法，识别当前车辆在当前位置；
通过训练基于LSTM的目标跟踪算法，预测所述车辆的未来的运动行为是否为停车。
在一个具体的可实施方案中，还包括获取所述车辆在当前位置时的交通信号；
根据所述车辆的行驶信息、所述车辆的定位信息以及所述车辆在当前位置的交通信号，基于机器学习训练模型判断所述车辆是否具有停车意图。
在一个具体的可实施方案中，还包括：
根据搜寻的周边的可用停车场以及所述车辆的定位信息，导航最优先的停车场路线。
第二方面，提供了一种停车预测系统，该系统包括：
信息采集模块，用于获取车辆的行驶信息以及获取车辆的定位信息；
数据处理模块，用于根据所述车辆的行驶信息以及所述车辆的定位信息，基于机器学习训练模型判断所述车辆是否具有停车意图；在判定所述车辆具有停车意图时，依据所述车辆的定位信息搜寻周边的可用停车场；向用户发送询问停车的指令；在获取用户的确认回复信息时，显示车辆周边的可用停车场。
在上述技术方案中，通过主动获取用户是否有停车的需求，并基于用户的确定需求信息向用户推荐停车场，方便了用户停车。
在一个具体的可实施方案中，所述信息采集模块包括用于采集发动机转速信号、变速器档位信号、车速信号的发动机电控单元；以及用于获取所述车辆定位信息的GPS模块。
在一个具体的可实施方案中，所述数据处理模块还用于通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图。
在一个具体的可实施方案中，所述数据处理模块还用于通过对历史车辆在所述定位信息的地表数据进行人工标注，获得训练样本；通过训练基于SPPNet的目标检测算法，识别当前车辆在当前位置；通过训练基于LSTM的目标跟踪算法，预测所述车辆的未来的运动行为是否为停车。
在一个具体的可实施方案中，所述信息采集模块还用于获取所述车辆在当前位置时的交通信号；
所述数据处理模块还用于根据所述车辆的行驶信息、所述车辆的定位信息以及所述车辆在当前位置的交通信号，基于机器学习训练模型判断所述车辆是否具有停车意图。
在一个具体的可实施方案中，所述数据处理模块还用于根据搜寻的周边的可用停车场以及所述车辆的定位信息，导航最优先的停车场路线。
第三方面，提供了一种汽车，该汽车包括车体以及设置在所述车体内的上述任一项所述的停车预测系统。在上述技术方案中，通过主动获取用户是否有停车的需求，并基于用户的确定需求信息向用户推荐停车场，方便了用户停车。
第四方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述任一项所述的停车预测方法。
第五方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述停车预测方法。
第五方面，还提供一种计算机程序产品，包括指令，当其在计算机上运行时，使得计算机执行本申请第三方面以及第三方面中任意一种可能的设计的方法。
另外，第三方面至第五方面中任一种可能设计方式所带来的技术效果可参见方法部分中不同设计方式带来的效果，在此不再赘述。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书一个或多个实施例，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。
图1为本申请实施例提供的停车预测系统的结构框图；
图2为本申请实施例提供的停车预测方法的流程图；
图3为本申请实施例提供的电子设备的结构框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
本说明书实施例中所述支付涉及的技术载体，例如可以包括近场通信(NearField Communication，NFC)、WIFI、3G/4G/5G、POS机刷卡技术、二维码扫码技术、条形码扫码技术、蓝牙、红外、短消息(Short Message Service，SMS)、多媒体消息(MultimediaMessage Service，MMS)等。
为方便理解本申请实施例提供的停车预测方法，首先说明其应用场景。本申请实施例提供的停车预测方法用于辅助用户查找停车场。当车辆行驶过程中未使用导航的状态下，需要停车时但不能及时找到有效的停车场。目前没有针对车辆在未导航状态下进行停车场推荐功能，只有车主在使用导航应用时，根据导航目的地推荐附近停车场，或者需要车主在驾驶的同时主动发起寻找停车场的请求，严重影响用户出行效率，并且增加了驾驶的危险性。为此，本申请实施例提供了一种停车预测方法，用以协助用户查找附近停车的停车场。为方便理解，下面结合具体的附图进行详细的说明。
首先参考图1，图1示出了停车预测系统的结构示意图。该停车预测系统为停车预测方法对应的硬件结构。本申请实施例提供的停车预测系统用以在车辆低速行驶时触发GPS位置上报，根据GPS位置结合历史车辆在当前位置时的停车结果数据，依据机器学习算法对当前车辆的意图做出预测，主动推荐附近可用停车场到车载终端，在有效保证车主安全驾驶的前提下解决车主当前停车需求。下面详细介绍一下停车预测系统的结构示意图。
本申请实施例提供的停车预测系统包括信息采集模块和数据处理模块20。其中，信息采集模块用于获取车辆的行驶信息以及获取车辆的定位信息。该信息采集模块作为整个停车预测系统的触发模块，是停车预测系统对于是否停车进行判断的原始数据。而数据处理模块20是整个预测系统进行数据处理的模块，该数据处理模块20用于根据车辆的行驶信息以及车辆的定位信息，基于机器学习训练模型判断车辆是否具有停车意图；在判定车辆具有停车意图时，依据车辆的定位信息搜寻周边的可用停车场；向用户发送询问停车的指令；在获取用户的确认回复信息时，显示车辆周边的可用停车场。
首先说明一下信息采集模块，该信息采集模块主要具有两个功能，其一采集车辆的当前车速信息，其二采集车辆的当前位置信息。信息采集模块主要包括发动机电控单元11和GPS模块12，其中，发动机电控单元11用于采集发动机转速信号、变速器档位信号、车速信号；而GPS模块12用于获取车辆定位信息。
在具体采集时，首先发动机电控单元11采集到转速信号、变速器档位信号、车速信号。当数据处理模块20根据上述信息判定车辆为低速时，GPS模块12开始上报当前车辆位置到GPS卫星定位系统，GPS卫星定位系统回传车辆位置地表画面数据作为决策部分的输入源，从而实现GPS模块12对车辆位置的确定。另外，GPS卫星定位系统回传的车辆位置地表画面的数据还作为数据处理模块20查找附近停车场的原始数据，进行处理。
数据处理模块20可为车辆的中央控制器，或者还可为云服务器。该数据处理模块20在进行数据处理时，以信号采集模块10采集的车辆的行驶信息以及获取车辆的定位信息作为原始数据进行处理。在具体处理时，数据处理模块20首先根据信号采集模块10采集的车辆的行驶信息判断车辆是否具有停车意图；在判定车辆具有停车意图时，依据车辆的定位信息搜寻周边的可用停车场。并向用户发送询问停车的指令，在获取用户的确认回复信息时，显示车辆周边的可用停车场。
由上述描述可看出，本申请实施提供的数据处理模块20首先判定车辆是否具有停车的意图，该判定的依据是基于机器学习的模型来进行判断。示例性的，数据处理模块20通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图。
在具体通过训练模型进行判断时，数据处理模块20首先通过对历史车辆在定位信息的地表数据进行人工标注，获得训练样本；基于上述的训练样本，通过训练基于SPPNet的目标检测算法，识别当前车辆在当前位置；另外，通过训练基于LSTM的目标跟踪算法，预测车辆的未来的运动行为是否为停车。
数据处理模块20基于智能图像识别系统作为决策特征，通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图，输出判定结果。随着有大量的GPS卫星系统对车辆所处位置地表画面数据上报，机器学习训练的模型对决策将愈加准确。
当判定为当前车辆有停车意图时，数据处理模块20下发停车询问指令并进行语音播放的同时依据GPS卫星定位搜索附近可用停车场，用户回复确认导航指令时则在车载终端导航模块展示停车场列表。应理解，在数据处理模块20为云服务器时，则下载停车场列表并将停车场显示在车载终端导航模块；在数据处理模块20为车辆的中央控制器时，则直接将停车场显示在车载终端导航模块。
另外，为方便用户停车，数据处理模块20还用于根据搜寻的周边的可用停车场以及车辆的定位信息，导航最优先的停车场路线。上述导航的最优的停车路线是基于停车场具有停车位，以及距离车辆的定位距离最短的停车场。导航系统对不同道路的拥堵情况进行推优路线，上述导航的具体推优策略可采用现有的推优策略，在此不再详细赘述。
另外，作为一个可选的方案，为降低停车预测系统误报的情况，本申请实施例提供的信息采集模块还用于获取车辆在当前位置时的交通信号；数据处理模块20还用于根据车辆的行驶信息、车辆的定位信息以及车辆在当前位置的交通信号，基于机器学习训练模型判断车辆是否具有停车意图。具体的，信息采集模块可通过交通网络系统获取车辆在当前位置时的交通信号，或者可通过摄像装置采集交通信号灯的信号。在具体进行数据处理时，数据处理模块20根据车辆的行驶信息、车辆的定位信息以及车辆在当前位置的交通信号，基于机器学习训练模型判断车辆是否具有停车意图。示例性的，若当前交通信号灯为禁止通行或者即将禁止通行时，则在采集到车辆行驶信息时，即使采集发动机转速信号、变速器档位信号、车速信号均比较低时，也判定车辆为正常行驶状态，不存在停车的意图，除非在进行机器学习时，出现大量的在当前位置时，即使交通信号为通行或禁止时，车主都有进行停车的选择时，才会忽略信号灯对车辆的行驶速度影响。也即在上述技术方案中，将交通信号灯的影响参与到判断车辆是否有停车意图的过程中，从而降低由于信号灯导致车辆的车速变化而造成的误判断。
为方便理解本申请实施例提供的停车预测系统，本申请实施例还提供了一种停车预测方法，下面结合图2对其进行详细的说明。该方法具体包括以下步骤：
步骤001：获取车辆的行驶信息；获取车辆的定位信息；
具体的，在具体采集时，首先通过发动机电控单元采集到转速信号、变速器档位信号、车速信号作为车辆的行驶信息。当数据处理模块根据上述信息判定车辆为低速时，通过GPS模块上报当前车辆位置到GPS卫星定位系统，GPS卫星定位系统回传车辆位置地表画面数据作为决策部分的输入源，从而实现GPS模块对车辆位置的确定。另外，GPS卫星定位系统回传的车辆位置地表画面的数据还作为数据处理模块查找附近停车场的原始数据，进行处理。
步骤002：根据车辆的行驶信息以及车辆的定位信息，基于机器学习训练模型判断车辆是否具有停车意图；
具体的，通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图。
在具体通过训练模型进行判断时，首先通过对历史车辆在定位信息的地表数据进行人工标注，获得训练样本；基于上述的训练样本，通过训练基于SPPNet的目标检测算法，识别当前车辆在当前位置；另外，通过训练基于LSTM的目标跟踪算法，预测车辆的未来的运动行为是否为停车。
基于智能图像识别系统作为决策特征，通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图，输出判定结果。随着有大量的GPS卫星系统对车辆所处位置地表画面数据上报，机器学习训练的模型对决策将愈加准确。
还包括获取车辆在当前位置时的交通信号；根据车辆的行驶信息、车辆的定位信息以及车辆在当前位置的交通信号，基于机器学习训练模型判断车辆是否具有停车意图。
具体的，通过信息采集模块获取车辆在当前位置时的交通信号；并通过数据处理模块根据车辆的行驶信息、车辆的定位信息以及车辆在当前位置的交通信号，基于机器学习训练模型判断车辆是否具有停车意图。
信息采集模块可通过交通网络系统获取车辆在当前位置时的交通信号，或者可通过摄像装置采集交通信号灯的信号。在具体进行数据处理时，数据处理模块根据车辆的行驶信息、车辆的定位信息以及车辆在当前位置的交通信号，基于机器学习训练模型判断车辆是否具有停车意图。示例性的，若当前交通信号灯为禁止通行或者即将禁止通行时，则在采集到车辆行驶信息时，即使采集发动机转速信号、变速器档位信号、车速信号均比较低时，也判定车辆为正常行驶状态，不存在停车的意图，除非在进行机器学习时，出现大量的在当前位置时，即使交通信号为通行或禁止时，车主都有进行停车的选择时，才会忽略信号灯对车辆的行驶速度影响。也即在上述技术方案中，将交通信号灯的影响参与到判断车辆是否有停车意图的过程中，从而降低由于信号灯导致车辆的车速变化而造成的误判断。
步骤003：在判定车辆具有停车意图时，依据车辆的定位信息搜寻周边的可用停车场；
具体的，通过GPS卫星定位系统回传的车辆位置地表画面的数据还作为数据处理模块查找附近停车场的原始数据，进行处理。
步骤004：向用户发送询问停车的指令；在获取用户的确认回复信息时，显示车辆周边的可用停车场。
具体的，数据处理模块下发停车询问指令并进行语音播放的同时依据GPS卫星定位搜索附近可用停车场，用户回复确认导航指令时则在车载终端导航模块展示停车场列表。
根据搜寻的周边的可用停车场以及车辆的定位信息，导航最优先的停车场路线。可通过数据处理模块根据搜寻的周边的可用停车场以及车辆的定位信息，导航最优先的停车场路线。上述导航的最优的停车路线是基于停车场具有停车位，以及距离车辆的定位距离最短的停车场。导航系统对不同道路的拥堵情况进行推优路线，上述导航的具体推优策略可采用现有的推优策略，在此不再详细赘述。
本申请实施例还提供了一种汽车，该汽车包括车体以及设置在车体内的上述任一项的停车预测系统。在上述技术方案中，通过主动获取用户是否有停车的需求，并基于用户的确定需求信息向用户推荐停车场，方便了用户停车。
本申请实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时实现如上述任一项的停车预测方法。
本申请实施例还提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行上述任一停车预测方法。
本申请实施例还提供一种计算机程序产品，包括指令，当其在计算机上运行时，使得计算机执行本申请第三方面以及第三方面中任意一种可能的设计的方法。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，可通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (15)

1.一种停车预测方法，其特征在于，所述停车预测方法包括：
获取车辆的行驶信息；
获取车辆的定位信息；
根据所述车辆的行驶信息以及所述车辆的定位信息，基于机器学习训练模型判断所述车辆是否具有停车意图；
在判定所述车辆具有停车意图时，依据所述车辆的定位信息搜寻周边的可用停车场；
向用户发送询问停车的指令；
在获取用户的确认回复信息时，显示车辆周边的可用停车场。
2.根据权利要求1所述的停车预测方法，其特征在于，所述获取车辆的行驶信息具体为：
通过发动机电控单元采集到转速信号、变速器档位信号、车速信号。
3.根据权利要求2所述的停车预测方法，其特征在于，所述根据所述车辆的行驶信息，基于机器学习训练模型判断所述车辆是否具有停车意图；具体为：
通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图。
4.根据权利要求3所述的停车预测方法，其特征在于，所述通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图，具体为：
通过对历史车辆在所述定位信息的地表数据进行人工标注，获得训练样本；
通过训练基于SPPNet的目标检测算法，识别当前车辆在当前位置；
通过训练基于LSTM的目标跟踪算法，预测所述车辆的未来的运动行为是否为停车。
5.根据权利要求4所述的停车预测方法，其特征在于，还包括获取所述车辆在当前位置时的交通信号；
根据所述车辆的行驶信息、所述车辆的定位信息以及所述车辆在当前位置的交通信号，基于机器学习训练模型判断所述车辆是否具有停车意图。
6.根据权利要求1～5任一项所述的停车预测方法，其特征在于，还包括：
根据搜寻的周边的可用停车场以及所述车辆的定位信息，导航最优先的停车场路线。
7.一种停车预测系统，其特征在于，包括：
信息采集模块，用于获取车辆的行驶信息以及获取车辆的定位信息；
数据处理模块，用于根据所述车辆的行驶信息以及所述车辆的定位信息，基于机器学习训练模型判断所述车辆是否具有停车意图；在判定所述车辆具有停车意图时，依据所述车辆的定位信息搜寻周边的可用停车场；向用户发送询问停车的指令；在获取用户的确认回复信息时，显示车辆周边的可用停车场。
8.根据权利要求7所述的停车预测系统，其特征在于，
所述信息采集模块包括用于采集发动机转速信号、变速器档位信号、车速信号的发动机电控单元，以及用于获取所述车辆定位信息的GPS模块。
9.根据权利要求8所述的停车预测系统，其特征在于，所述数据处理模块还用于通过训练DNN模型分类模型，对当前车辆行为作为预测，判定车辆行为为是否有停车意图。
10.根据权利要求9所述的停车预测系统，其特征在于，所述数据处理模块还用于通过对历史车辆在所述定位信息的地表数据进行人工标注，获得训练样本；通过训练基于SPPNet的目标检测算法，识别当前车辆在当前位置；通过训练基于LSTM的目标跟踪算法，预测所述车辆的未来的运动行为是否为停车。
11.根据权利要求10所述的停车预测系统，其特征在于，所述信息采集模块还用于获取所述车辆在当前位置时的交通信号；
所述数据处理模块还用于根据所述车辆的行驶信息、所述车辆的定位信息以及所述车辆在当前位置的交通信号，基于机器学习训练模型判断所述车辆是否具有停车意图。
12.根据权利要求11所述的停车预测系统，其特征在于，所述数据处理模块还用于根据搜寻的周边的可用停车场以及所述车辆的定位信息，导航最优先的停车场路线。
13.一种汽车，其特征在于，包括车体以及设置在所述车体内的如权利要求7～12任一项所述的停车预测系统。
14.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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至6任意一项所述的停车预测方法。
15.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至6任一所述停车预测方法。
CN202210367921.6A 2022-04-08 2022-04-08 一种停车预测系统及方法 Pending CN114758524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210367921.6A CN114758524A (zh) 2022-04-08 2022-04-08 一种停车预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210367921.6A CN114758524A (zh) 2022-04-08 2022-04-08 一种停车预测系统及方法

Publications (1)

Publication Number Publication Date
CN114758524A true CN114758524A (zh) 2022-07-15

Family

ID=82328834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210367921.6A Pending CN114758524A (zh) 2022-04-08 2022-04-08 一种停车预测系统及方法

Country Status (1)

Country Link
CN (1) CN114758524A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104097636A (zh) * 2013-04-15 2014-10-15 现代自动车株式会社 用于停车辅助的装置和方法
CN105225519A (zh) * 2014-06-28 2016-01-06 大众汽车有限公司 定向停车可用信息的可视化系统
CN107735825A (zh) * 2014-12-02 2018-02-23 凯文·孙林·王 合法停车的方法和系统
CN110203195A (zh) * 2019-04-29 2019-09-06 惠州市德赛西威汽车电子股份有限公司 一种主动预测泊车意图的方法
CN112550275A (zh) * 2019-09-26 2021-03-26 比亚迪股份有限公司 车辆及其泊车方法、泊车装置和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104097636A (zh) * 2013-04-15 2014-10-15 现代自动车株式会社 用于停车辅助的装置和方法
CN105225519A (zh) * 2014-06-28 2016-01-06 大众汽车有限公司 定向停车可用信息的可视化系统
CN107735825A (zh) * 2014-12-02 2018-02-23 凯文·孙林·王 合法停车的方法和系统
CN110203195A (zh) * 2019-04-29 2019-09-06 惠州市德赛西威汽车电子股份有限公司 一种主动预测泊车意图的方法
CN112550275A (zh) * 2019-09-26 2021-03-26 比亚迪股份有限公司 车辆及其泊车方法、泊车装置和计算机可读存储介质

Similar Documents

Publication Publication Date Title
US10745050B2 (en) Automated vehicle parking
CN109895850B (zh) 弯道导向方法、装置、电子装置及计算机可读记录介质
CN107111752B (zh) 使用位置数据和图像数据的缩放空间表示进行物件检测
US20180350157A1 (en) Parking management system, parking management method, and non-transitory computer readable medium storing program causing computer to execute processing
JP6312831B2 (ja) 走行支援システム及び走行支援方法
EP1898183B1 (en) Navigation apparatus and method
CN111311902B (zh) 一种数据处理方法、装置、设备和机器可读介质
US11408745B2 (en) Methods and systems for identifying safe parking spaces
CN104180815A (zh) 存储和调用位置数据的系统和方法
CN111462511B (zh) 一种行车提醒方法、装置及电子设备
JP2004252661A (ja) 駐車場システム
CN114299741A (zh) 基于辅助驾驶系统的车辆控制方法和装置
CN113454555A (zh) 用于驾驶策略的轨迹预测
JP2019066440A (ja) ナビゲーション装置、目的地案内システム、プログラム
CN107444118B (zh) 一种车辆控制方法及相关设备
CN114758524A (zh) 一种停车预测系统及方法
CN115203457B (zh) 图像检索方法、装置、车辆、存储介质及芯片
US20210158692A1 (en) Information processing device, information processing system, and computer readable recording medium
JP2019113421A (ja) 案内システム、及び案内プログラム
CN111145576B (zh) 寻车方法及相关设备
JP2008082915A (ja) 位置決定装置及び移動体搭載端末
JP2009053751A (ja) カーナビゲーション連携システム、それに用いる装置、方法およびプログラム
CN114554410A (zh) 确定车辆停放位置的方法、车辆及用户终端
CN112908023A (zh) 停车导航方法、装置、计算机设备以及存储介质
JP2023093243A (ja) 制御装置及び誘導方法

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