CN114781768B - 基于城市资源数据的停车场设施规划方法、装置及设备 - Google Patents
基于城市资源数据的停车场设施规划方法、装置及设备 Download PDFInfo
- Publication number
- CN114781768B CN114781768B CN202210718087.0A CN202210718087A CN114781768B CN 114781768 B CN114781768 B CN 114781768B CN 202210718087 A CN202210718087 A CN 202210718087A CN 114781768 B CN114781768 B CN 114781768B
- Authority
- CN
- China
- Prior art keywords
- parking
- target area
- data
- calculating
- parking lot
- 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.)
- Active
Links
- 238000013439 planning Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000007306 turnover Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及停车场规划技术，揭露了一种基于城市资源数据的停车场设施规划方法、装置及设备。所述方法包括：采集预设城市路口的探测仪数据，根据探测仪数据计算每个城市路口的车流量数据；根据车流量数据划分停车场设施基于城市的多级区域；从多级区域中逐个选取一个目标区域，获取目标区域的停车场数据，并根据目标区域的车流量数据以及停车场数据进行计算，得到目标区域的停车需求；根据目标区域中城市建筑的资源数据及停车需求计算需求缺口数量，利用需求缺口数量生成目标区域的综合影响系数；根据需求缺口数量确定目标区域的停车场设施数量，并根据综合影响系数及目标区域计算目标区域的停车场设施坐标。本发明可以提高城市停车场使用效率。
Description
技术领域
本发明涉及停车场规划技术领域，尤其涉及一种基于城市资源数据的停车场设施规划方法、装置及电子设备。
背景技术
随着我国城市化水平的不断提高，在迈向新型城市化背景下，停车产业在内因和外因的双重刺激下，越来越受到重视。
目前，传统的停车场设施规划往往从微观层面考虑，例如，基于小范围区域停车场的历史停车数据和停车特征数据，不能从现有汽车出行状况、城市住宅建筑以及居民生活习惯等城市宏观层面综合考虑，难以实现对停车场设施的全局分析与规划，从而导致城市停车场使用效率不高的问题。
发明内容
本发明提供一种基于城市资源数据的停车场设施规划方法、装置及电子设备，其主要目的在于解决城市停车场使用效率不高的问题。
为实现上述目的，本发明提供的一种基于城市资源数据的停车场设施规划方法，包括：
采集预设城市路口的探测仪数据，根据所述探测仪数据计算每个所述城市路口的车流量数据；
根据所述车流量数据划分停车场设施基于城市的多级区域；
从所述多级区域中逐个选取一个目标区域，获取所述目标区域的停车场数据，并根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求；
根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，利用所述需求缺口数量生成所述目标区域的综合影响系数；
根据所述需求缺口数量确定所述目标区域的停车场设施数量，并根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标。
可选地，所述根据所述探测仪数据计算每个所述城市路口的车流量数据，包括：
将所述探测仪数据进行灰度图转换，得到多帧待识别图像；
将所述待识别图像输入预定的检测网络，得到每一帧所述待识别图像的车辆类型信息；
基于所述车辆类型信息对所述城市路口的车辆进行累积统计，根据所述探测仪数据对应的时间段以及统计得到的车辆数据计算车流量。
可选地，所述将所述待识别图像输入预设的检测网络，得到每一帧所述待识别图像的车辆类型信息，包括：
利用所述检测网络中第一层神经网络的一类卷积核对所述待识别图像计算，得到目标存在判定、车辆数量分类的第一输出；
利用所述检测网络中第二层神经网络的二类卷积核对所述第一输出计算，并将计算结果进行全连接，得到目标存在判定、车辆数量分类的第二输出；
利用所述检测网络中第三层神经网络的三类卷积核对所述第二输出计算，并将计算结果进行全连接，得到目标存在判定、车辆数量分类的第三输出，并将所述第三输出作为车辆类型信息，其中，所述一类卷积核、所述二类卷积核、所述三类卷积核的大小为逐渐增加。
可选地，所述根据所述车流量数据划分停车场设施基于城市的多级区域，包括：
根据所述车流量数据选取车流量大于预设阈值的车流量数据所对应的城市路口作为高密度路口；
根据所述高密度路口确定城市的中心区域范围，并根据所述城市中心区域范围确定一级中心点；
利用预设的中心地理论，根据所述一级中心点及所述中心区域范围生成所述城市的多级中心点；
根据所述多级中心点以及所述中心区域范围对所述城市的区域进行切割，得到多级区域。
可选地，所述根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求，包括：
提取所述停车场数据中的停车泊位周转率及停车场停车率，并计算所述停车泊位周转率及所述停车场停车率的平均值，得到停车泊位平均周转率及停车场平均停车率；
根据所述目标区域的车流量数据预测所述目标区域的车辆出行量；
根据所述停车泊位平均周转率、所述停车场平均停车率及所述车辆出行量计算所述目标区域的停车需求，其中，所述根据所述停车泊位平均周转率、所述停车场平均停车率及所述车辆出行量计算所述目标区域的停车需求，包括：
利用下式计算所述目标区域的停车需求：
其中，
为所述目标区域的停车需求；
为所述车辆出行量；
为所述停车场平均
停车率；
为所述停车泊位平均周转率。
可选地，所述根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，包括：
从所述资源数据中获取所述城市建筑的建筑类型、配置基数及建筑停车场数据，根据所述建筑类型提取对应的停车位配置系数；
根据所述建筑停车场数据获取所述目标区域的现有车位，根据所述配置基数及所述停车位配置系数计算建筑车位需求；
根据所述建筑车位需求、所述停车需求及所述现有车位计算需求缺口数量，其中，所述根据所述建筑车位需求、所述停车需求及所述现有车位计算需求缺口数量，包括：
利用下式计算所述需求缺口数量：
其中，
为所述目标区域的需求缺口数量；
为所述目标区域的停车需求；
为所
述目标区域中城市建筑的停车位配置系数；
为所述目标区域中城市建筑的配置基数；
为所述目标区域的现有车位。
可选地，所述根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标，包括：
根据所述区域数据建立坐标系，根据所述坐标系获取所述目标区域中心点坐标；
从所述坐标系上的区域数据计算所述目标区域的区域面积，并获取所述目标区域的停车场设施数量；
根据所述目标区域中心点坐标、所述区域面积、所述综合影响系数以及所述停车场设施数量，计算所述目标区域的停车场设施坐标。
可选地，所述根据所述目标区域中心点坐标、所述区域面积、所述综合影响系数以及所述停车场设施数量，计算所述目标区域的停车场设施坐标，包括：
利用下式计算所述目标区域的停车场设施坐标：
其中，
为停车场设施坐标的横坐标与纵坐标；
为所述目标区域中心点
坐标中的横坐标与纵坐标；
为所述目标区域的综合影响系数；
为所述目标区域的区域面
积；
为预设的停车场设施数量，
为常数。
为了解决上述问题，本发明还提供一种基于城市资源数据的停车场设施规划装置，所述装置包括：
车流量数据计算模块，用于采集预设城市路口的探测仪数据，根据所述探测仪数据计算每个所述城市路口的车流量数据；
多级区域划分模块，用于根据所述车流量数据划分停车场设施基于城市的多级区域；
停车需求生成模块，用于从所述多级区域中逐个选取一个目标区域，获取所述目标区域的停车场数据，并根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求；
综合影响系数生成模块，用于根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，利用所述需求缺口数量生成所述目标区域的综合影响系数；
停车场设施规划模块，用于根据所述需求缺口数量确定所述目标区域的停车场设施数量，并根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于城市资源数据的停车场设施规划方法。
本发明实施例通过对车流量数据进行分析，划分了停车场设施基于城市的多级区域，灵活结合了城市交通数据，根据交通数据实现了停车设施的初步规划分析；通过结合车流量数据以及目标区域的停车场数据，实现对区域内停车需求的预测；通过现有城市资源数据计算需求缺口数量，进而确定目标区域的综合影响系数，其代表着城市现有存在的客观因素；通过需求缺口数量和综合影响系数分别可以确定停车场设施数量以及停车场设施的区域坐标，实现基于城市资源数据的停车场设施规划，提高了城市停车场的使用效率。因此本发明提出的基于城市资源数据的停车场设施规划方法、装置及电子设备，可以解决城市停车场使用效率不高的问题。
附图说明
图1为本发明一实施例提供的基于城市资源数据的停车场设施规划方法的流程示意图；
图2为本发明一实施例提供的根据探测仪数据计算每个城市路口的车流量数据的流程示意图；
图3为本发明一实施例提供的根据车流量数据划分停车场设施基于城市的多级区域的流程示意图；
图4为本发明一实施例提供的基于城市资源数据的停车场设施规划装置的功能模块图；
图5为本发明一实施例提供的实现所述基于城市资源数据的停车场设施规划方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于城市资源数据的停车场设施规划方法。所述基于城市资源数据的停车场设施规划方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于城市资源数据的停车场设施规划方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于城市资源数据的停车场设施规划方法的流程示意图。在本实施例中，所述基于城市资源数据的停车场设施规划方法包括：
S1、采集预设城市路口的探测仪数据，根据所述探测仪数据计算每个所述城市路口的车流量数据。
本发明实施例中，所述探测仪数据可以为雷达探测器获取的毫米波雷达探测数据或者道路监控摄像头拍摄的道路图像等。
请参阅图2所示，本发明实施例中，所述根据所述探测仪数据计算每个所述城市路口的车流量数据，包括：
S21、将所述探测仪数据进行灰度图转换，得到多帧待识别图像；
S22、将所述待识别图像输入预定的检测网络，得到每一帧所述待识别图像的车辆类型信息；
S23、基于所述车辆类型信息对所述城市路口的车辆进行累积统计，根据所述探测仪数据对应的时间段以及统计得到的车辆数据计算车流量。
本发明实施例中，所述车辆类型信息可以为无车辆、有车辆：一辆车、两辆车等。
本发明实施例中，所述检测网络可以是基于R-CNN系列的检测网络训练得到，包括但不限于R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN；也可以是基于YOLO系列的检测网络训练得到，包括但不限于YOLOv1、YOLOv2、YOLOv3、YOLOv4和YOLOv5。
本发明实施例中，车流量表示单位时间内通过的车辆。其中，单位时间可以是5分钟、10分钟、1小时等，可根据实际情况进行设置。
本发明实施例中，所述检测网络可以由三层神经网络构成，所述三层神经网络将输入的原始图片缩放至不同尺寸，对每个尺寸的图片分别通过神经网络进行计算，兼顾图片中不同大小的目标形态，从而实现基于统一尺度对图片中不同大小的车辆目标进行检测，并对车辆目标数量进行分类。所述三层神经网络中上一层神经网络的输出也是下一层神经网络的输入之一，起到过滤作用，提升了网络整体的训练效率和准确性。
具体地，所述将所述待识别图像输入预设的检测网络，得到每一帧所述待识别图像的车辆类型信息，包括：
利用所述检测网络中第一层神经网络的一类卷积核对所述待识别图像计算，得到目标存在判定、车辆数量分类的第一输出；
利用所述检测网络中第二层神经网络的二类卷积核对所述第一输出计算，并将计算结果进行全连接，得到目标存在判定、车辆数量分类的第二输出；
利用所述检测网络中第三层神经网络的三类卷积核对所述第二输出计算，并将计算结果进行全连接，得到目标存在判定、车辆数量分类的第三输出，并将所述第三输出作为车辆类型信息，其中，所述一类卷积核、所述二类卷积核、所述三类卷积核的大小为逐渐增加。
例如，第一层神经网络的输入是12×12×1的数据，首先通过10个3×3的卷积核和2×2的池化处理，生成10个5×5的特征图；其次，通过16个3×3×10的卷积核处理，生成16个3×3的特征图；然后，通过32个3×3×16的卷积核处理，生成32个1×1的特征图，最后，分别通过2个1×1×32、4个1×1×4、10个1×1×32的卷积核处理，得到目标存在判定、车辆数量分类判断两个输出。第二层神经网络的输入是24×24×1的数据，首先通过28个3×3的卷积核和3×3的池化处理，生成28个11×11的特征图；其次，通过48个3×3×28的卷积核和3×3的池化处理，生成48个4×4的特征图；再次，通过64个2×2×48的卷积核处理，生成64个3×3的特征图，然后，把3×3×64的特征图转换为128尺寸的全连接层，最后，分别接入尺寸为2、4、10的全连接层，得到目标存在判定、车辆数量分类判断两个输出。第三层神经网络的输入是48×48×1的数据，首先通过32个3×3的卷积核和3×3的池化处理，生成32个23×23的特征图；其次，通过64个3×3×32的卷积核和3×3的池化处理，生成64个10×10的特征图；再次，通过64个3×3×64的卷积核和3×3的池化处理，生成64个4×4的特征图，然后，通过128个2×2×64的卷积核转换为128个3×3的特征图；再然后，把3×3×64的特征图转换为256尺寸的全连接层，最后，分别接入尺寸为2、4、10的全连接层，得到目标存在判定、车辆数量分类判断两个输出。
本发明实施例中，所述第二层神经网络相比于所述第一层神经网络在更大的区域进行检测，并将检测结果提交给第三层神经网络；所述第三层神经网络在所述第一层神经网络和所述第二层神经网络过滤的基础上，进行更大区域的检测，最后做出分类判别。本发明实施例的所述检测网络可以采用中心损失进行车辆目标数量的分类判别训练收敛。
S2、根据所述车流量数据划分停车场设施基于城市的多级区域。
本发明实施例中，可以根据车流量数据确定城市中心点，根据所述城市中心点向四周扩散并切割出多个区域。
请参阅图3所示，本发明实施例中，所述根据所述车流量数据划分停车场设施基于城市的多级区域，包括：
S31、根据所述车流量数据选取车流量大于预设阈值的车流量数据所对应的城市路口作为高密度路口；
S32、根据所述高密度路口确定城市的中心区域范围，并根据所述城市中心区域范围确定一级中心点；
S33、利用预设的中心地理论，根据所述一级中心点及所述中心区域范围生成所述城市的多级中心点；
S34、根据所述多级中心点以及所述中心区域范围对所述城市的区域进行切割，得到多级区域。
本发明实施例中，所述中心地理论为六边形网络布局，根据一个基础六边形区域进行六面区域扩散，该基础六边形区域的中心点为一级中心点，该基础六边形区域的范围为中心区域范围；根据中心地理论对所述城市进行网络布局时，布局得到的其余区域也为六边形区域，且范围和中心点对应位置与上述基础六边形区域所述的相同。
S3、从所述多级区域中逐个选取一个目标区域，获取所述目标区域的停车场数据，并根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求。
本发明实施例中，所述停车场数据包括停车泊位周转率、停车场停车率、停车场平均停车数量等。
本发明实施例中，所述根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求，包括：
提取所述停车场数据中的停车泊位周转率及停车场停车率，并计算所述停车泊位周转率及所述停车场停车率的平均值，得到停车泊位平均周转率及停车场平均停车率；
根据所述目标区域的车流量数据预测所述目标区域的车辆出行量；
根据所述停车泊位平均周转率、所述停车场平均停车率及所述车辆出行量计算所述目标区域的停车需求。
本发明实施例中，可以采用下式计算所述目标区域的停车需求：
其中，
为所述目标区域的停车需求；
为所述车辆出行量；
为所述停车场平均
停车率；
为所述停车泊位平均周转率。
本发明实施例中，可以根据所述目标区域的车流量数据按照预设的时间段进行统计，根据多组时间段的车流量统计结果进行均值计算等，得到所述目标区域的车辆出行量。
S4、根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，利用所述需求缺口数量生成所述目标区域的综合影响系数。
本发明实施例中，所述城市建筑的资源数据包括建筑类型、建筑停车场资源、建筑容载量、建筑与用户的关系等；所述需求缺口数量是指所述目标区域中城市建筑除原有停车供给之外所缺少的车位需求。
本发明实施例中，所述根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，包括：
从所述资源数据中获取所述城市建筑的建筑类型、配置基数及建筑停车场数据，根据所述建筑类型提取对应的停车位配置系数；
根据所述建筑停车场数据获取所述目标区域的现有车位，根据所述配置基数及所述停车位配置系数计算建筑车位需求；
根据所述建筑车位需求、所述停车需求及所述现有车位计算需求缺口数量。
具体地，所述根据所述建筑车位需求、所述停车需求及所述现有车位计算需求缺口数量，包括：
利用下式计算所述需求缺口数量：
其中，
为所述目标区域的需求缺口数量；
为所述目标区域的停车需求；
为所
述目标区域中城市建筑的停车位配置系数；
为所述目标区域中城市建筑的配置基数；
为所述目标区域的现有车位。
本发明实施例中，多级区域中的每一个区域的需求缺口数量都有所不同，可以根据需求缺口数量的大小对每一个区域设置对应的影响值，并将该影响值作为综合影响系数。
例如，区域A、区域B、区域C的需求缺口数量分别为100、350、200，可以设置区域A、区域B、区域C的影响值为0.6、1、0.8，进一步地，可以将区域A、区域B、区域C的综合影响系数设置为0.6、1、0.8。
S5、根据所述需求缺口数量确定所述目标区域的停车场设施数量，并根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标。
本发明实施例中，获取所述目标区域的停车场设施供应系数，根据所述供应系数及所述需求缺口数量进行计算，进而确定所述目标区域的停车场设施数量。所述停车场设施供应系数可以通过大数据技术采集目标区域停车场数据并计算得到。例如，其路内停车场设施 ：路外停车场设施 ：配建停车场设施分别对应的停车场设施供应系数为3％ ：12％：85％，所述需求缺口数量为2000 ，则路内停车场设施数量为2000*3％＝ 30，路外停车场设施数量为2000*12％＝240，配建停车场设施数量为2000*85％＝1700。
进一步地，本发明实施例还可以根据停车场充电桩、维修设备的供应系数以及需求缺口数量，确定停车场充电桩、维修设备的数量。
本发明实施例中，所述根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标，包括：
根据所述区域数据建立坐标系，根据所述坐标系获取所述目标区域中心点坐标；
从所述坐标系上的区域数据计算所述目标区域的区域面积，并获取所述目标区域的停车场设施数量；
根据所述目标区域中心点坐标、所述区域面积、所述综合影响系数以及所述停车场设施数量，计算所述目标区域的停车场设施坐标。
具体地，所述根据所述目标区域中心点坐标、所述区域面积、所述综合影响系数以及所述停车场设施数量，计算所述目标区域的停车场设施坐标，包括：
利用下式计算所述目标区域的停车场设施坐标：
其中，
为停车场设施坐标的横坐标与纵坐标；
为所述目标区域中心点
坐标中的横坐标与纵坐标；
为所述目标区域的综合影响系数；
为所述目标区域的区域面
积；
为预设的停车场设施数量，
为常数。
本发明实施例通过对车流量数据进行分析，划分了停车场设施基于城市的多级区域，灵活结合了城市交通数据，根据交通数据实现了停车设施的初步规划分析；通过结合车流量数据以及目标区域的停车场数据，实现对区域内停车需求的预测；通过现有城市资源数据计算需求缺口数量，进而确定目标区域的综合影响系数，其代表着城市现有存在的客观因素；通过需求缺口数量和综合影响系数分别可以确定停车场设施数量以及停车场设施的区域坐标，实现基于城市资源数据的停车场设施规划，提高了城市停车场的使用效率。因此本发明提出的基于城市资源数据的停车场设施规划方法，可以解决城市停车场使用效率不高的问题。
如图4所示，是本发明一实施例提供的基于城市资源数据的停车场设施规划装置的功能模块图。
本发明所述基于城市资源数据的停车场设施规划装置100可以安装于电子设备中。根据实现的功能，所述基于城市资源数据的停车场设施规划装置100可以包括车流量数据计算模块101、多级区域划分模块102、停车需求生成模块103、综合影响系数生成模块104及停车场设施规划模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述车流量数据计算模块101，用于采集预设城市路口的探测仪数据，根据所述探测仪数据计算每个所述城市路口的车流量数据；
所述多级区域划分模块102，用于根据所述车流量数据划分停车场设施基于城市的多级区域；
所述停车需求生成模块103，用于从所述多级区域中逐个选取一个目标区域，获取所述目标区域的停车场数据，并根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求；
所述综合影响系数生成模块104，用于根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，利用所述需求缺口数量生成所述目标区域的综合影响系数；
所述停车场设施规划模块105，用于根据所述需求缺口数量确定所述目标区域的停车场设施数量，并根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标。
详细地，本发明实施例中所述基于城市资源数据的停车场设施规划装置100中所述的各模块在使用时采用与附图中所述的基于城市资源数据的停车场设施规划方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于城市资源数据的停车场设施规划方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于城市资源数据的停车场设施规划程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于城市资源数据的停车场设施规划程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于城市资源数据的停车场设施规划程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于城市资源数据的停车场设施规划程序是多个指令的组合，在所述处理器10中运行时，可以实现：
采集预设城市路口的探测仪数据，根据所述探测仪数据计算每个所述城市路口的车流量数据；
根据所述车流量数据划分停车场设施基于城市的多级区域；
从所述多级区域中逐个选取一个目标区域，获取所述目标区域的停车场数据，并根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求；
根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，利用所述需求缺口数量生成所述目标区域的综合影响系数；
根据所述需求缺口数量确定所述目标区域的停车场设施数量，并根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于城市资源数据的停车场设施规划方法，其特征在于，所述方法包括：
采集预设城市路口的探测仪数据，将所述探测仪数据进行灰度图转换，得到多帧待识别图像；
将所述待识别图像输入预定的检测网络，利用所述检测网络中第一层神经网络的一类卷积核对所述待识别图像进行计算，得到目标存在判定、车辆数量分类的第一输出，利用所述检测网络中第二层神经网络的二类卷积核对所述第一输出进行计算，并将计算结果进行全连接，得到目标存在判定、车辆数量分类的第二输出，及利用所述检测网络中第三层神经网络的三类卷积核对所述第二输出进行计算，并将计算结果进行全连接，得到目标存在判定、车辆数量分类的第三输出，并将所述第三输出作为车辆类型信息，其中，所述一类卷积核、所述二类卷积核、所述三类卷积核的大小为逐渐增加；
基于所述车辆类型信息对所述城市路口的车辆进行累积统计，根据所述探测仪数据对应的时间段以及统计得到的车辆数据计算车流量数据；
根据所述车流量数据划分停车场设施基于城市的多级区域；
从所述多级区域中逐个选取一个目标区域，获取所述目标区域的停车场数据，并根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求；
根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，利用所述需求缺口数量生成所述目标区域的综合影响系数；
根据所述需求缺口数量确定所述目标区域的停车场设施数量，并根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标。
2.如权利要求1所述的基于城市资源数据的停车场设施规划方法，其特征在于，所述根据所述车流量数据划分停车场设施基于城市的多级区域，包括：
根据所述车流量数据选取车流量大于预设阈值的车流量数据所对应的城市路口作为高密度路口；
根据所述高密度路口确定城市的中心区域范围，并根据所述城市中心区域范围确定一级中心点；
利用预设的中心地理论，根据所述一级中心点及所述中心区域范围生成所述城市的多级中心点；
根据所述多级中心点以及所述中心区域范围对所述城市的区域进行切割，得到多级区域。
3.如权利要求1所述的基于城市资源数据的停车场设施规划方法，其特征在于，所述根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求，包括：
提取所述停车场数据中的停车泊位周转率及停车场停车率，并计算所述停车泊位周转率及所述停车场停车率的平均值，得到停车泊位平均周转率及停车场平均停车率；
根据所述目标区域的车流量数据预测所述目标区域的车辆出行量；
根据所述停车泊位平均周转率、所述停车场平均停车率及所述车辆出行量计算所述目标区域的停车需求，其中，所述根据所述停车泊位平均周转率、所述停车场平均停车率及所述车辆出行量计算所述目标区域的停车需求，包括：
利用下式计算所述目标区域的停车需求：
其中，P为所述目标区域的停车需求；M为所述车辆出行量；γ为所述停车场平均停车率；β为所述停车泊位平均周转率。
4.如权利要求1所述的基于城市资源数据的停车场设施规划方法，其特征在于，所述根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，包括：
从所述资源数据中获取所述城市建筑的建筑类型、配置基数及建筑停车场数据，根据所述建筑类型提取对应的停车位配置系数；
根据所述建筑停车场数据获取所述目标区域的现有车位，根据所述配置基数及所述停车位配置系数计算建筑车位需求；
根据所述建筑车位需求、所述停车需求及所述现有车位计算需求缺口数量，其中，所述根据所述建筑车位需求、所述停车需求及所述现有车位计算需求缺口数量，包括：
利用下式计算所述需求缺口数量：
其中，D为所述目标区域的需求缺口数量；P为所述目标区域的停车需求；α为所述目标区域中城市建筑的停车位配置系数；Q为所述目标区域中城市建筑的配置基数；T为所述目标区域的现有车位。
5.如权利要求1至4中任一项所述的基于城市资源数据的停车场设施规划方法，其特征在于，所述根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标，包括：
根据所述目标区域的区域数据建立坐标系，根据所述坐标系获取所述目标区域中心点坐标；
从所述坐标系上的区域数据计算所述目标区域的区域面积，并获取所述目标区域的停车场设施数量；
根据所述目标区域中心点坐标、所述区域面积、所述综合影响系数以及所述停车场设施数量，计算所述目标区域的停车场设施坐标。
6.如权利要求5所述的基于城市资源数据的停车场设施规划方法，其特征在于，所述根据所述目标区域中心点坐标、所述区域面积、所述综合影响系数以及所述停车场设施数量，计算所述目标区域的停车场设施坐标，包括：
利用下式计算所述目标区域的停车场设施坐标：
其中，X、Y为停车场设施坐标的横坐标与纵坐标；x、y为所述目标区域中心点坐标中的横坐标与纵坐标；k为所述目标区域的综合影响系数；S为所述目标区域的区域面积；n为预设的停车场设施数量，π为常数。
7.一种基于城市资源数据的停车场设施规划装置，其特征在于，所述装置包括：
车流量数据计算模块，用于采集预设城市路口的探测仪数据，将所述探测仪数据进行灰度图转换，得到多帧待识别图像，将所述待识别图像输入预定的检测网络，利用所述检测网络中第一层神经网络的一类卷积核对所述待识别图像进行计算，得到目标存在判定、车辆数量分类的第一输出，利用所述检测网络中第二层神经网络的二类卷积核对所述第一输出进行计算，并将计算结果进行全连接，得到目标存在判定、车辆数量分类的第二输出，及利用所述检测网络中第三层神经网络的三类卷积核对所述第二输出进行计算，并将计算结果进行全连接，得到目标存在判定、车辆数量分类的第三输出，并将所述第三输出作为车辆类型信息，其中，所述一类卷积核、所述二类卷积核、所述三类卷积核的大小为逐渐增加，基于所述车辆类型信息对所述城市路口的车辆进行累积统计，根据所述探测仪数据对应的时间段以及统计得到的车辆数据计算车流量数据；
多级区域划分模块，用于根据所述车流量数据划分停车场设施基于城市的多级区域；
停车需求生成模块，用于从所述多级区域中逐个选取一个目标区域，获取所述目标区域的停车场数据，并根据所述目标区域的车流量数据以及所述停车场数据计算得到所述目标区域的停车需求；
综合影响系数生成模块，用于根据所述目标区域中的城市建筑的资源数据及所述停车需求计算需求缺口数量，利用所述需求缺口数量生成所述目标区域的综合影响系数；
停车场设施规划模块，用于根据所述需求缺口数量确定所述目标区域的停车场设施数量，并根据所述综合影响系数及所述目标区域计算所述目标区域的停车场设施坐标。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的基于城市资源数据的停车场设施规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210718087.0A CN114781768B (zh) | 2022-06-23 | 2022-06-23 | 基于城市资源数据的停车场设施规划方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210718087.0A CN114781768B (zh) | 2022-06-23 | 2022-06-23 | 基于城市资源数据的停车场设施规划方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114781768A CN114781768A (zh) | 2022-07-22 |
| CN114781768B true CN114781768B (zh) | 2022-09-16 |
Family
ID=82422218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210718087.0A Active CN114781768B (zh) | 2022-06-23 | 2022-06-23 | 基于城市资源数据的停车场设施规划方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114781768B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115719110B (zh) * | 2022-11-11 | 2023-08-11 | 湖北华中电力科技开发有限责任公司 | 一种基于地理信息的交通资源动态优化方法及系统 |
| CN116205530B (zh) * | 2023-02-17 | 2023-09-22 | 连云港海通市民一卡通有限公司 | 一种城市智慧停车规划方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578280A (zh) * | 2013-10-12 | 2014-02-12 | 西安理工大学 | 基于物联网的车流量监测系统及车辆监测方法 |
| CN104036323A (zh) * | 2014-06-26 | 2014-09-10 | 叶茂 | 一种基于卷积神经网络的车辆检测方法 |
| CN108564218A (zh) * | 2018-04-17 | 2018-09-21 | 东南大学 | 一种基于区域资源的高速公路服务区的选址方法 |
| CN108710875A (zh) * | 2018-09-11 | 2018-10-26 | 湖南鲲鹏智汇无人机技术有限公司 | 一种基于深度学习的航拍公路车辆计数方法及装置 |
| CN111932933A (zh) * | 2020-08-05 | 2020-11-13 | 杭州像素元科技有限公司 | 一种城市智能停车位检测方法、设备及可读存储介质 |
| CN113705891A (zh) * | 2021-08-27 | 2021-11-26 | 南京林业大学 | 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法 |
| CN113902341A (zh) * | 2021-11-12 | 2022-01-07 | 中国公路工程咨询集团有限公司 | 一种停车场车位选址的方法、装置及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256551A (zh) * | 2017-12-15 | 2018-07-06 | 安徽四创电子股份有限公司 | 一种基于区域卷积神经网络的车辆检测方法 |
-
2022
- 2022-06-23 CN CN202210718087.0A patent/CN114781768B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578280A (zh) * | 2013-10-12 | 2014-02-12 | 西安理工大学 | 基于物联网的车流量监测系统及车辆监测方法 |
| CN104036323A (zh) * | 2014-06-26 | 2014-09-10 | 叶茂 | 一种基于卷积神经网络的车辆检测方法 |
| CN108564218A (zh) * | 2018-04-17 | 2018-09-21 | 东南大学 | 一种基于区域资源的高速公路服务区的选址方法 |
| CN108710875A (zh) * | 2018-09-11 | 2018-10-26 | 湖南鲲鹏智汇无人机技术有限公司 | 一种基于深度学习的航拍公路车辆计数方法及装置 |
| CN111932933A (zh) * | 2020-08-05 | 2020-11-13 | 杭州像素元科技有限公司 | 一种城市智能停车位检测方法、设备及可读存储介质 |
| CN113705891A (zh) * | 2021-08-27 | 2021-11-26 | 南京林业大学 | 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法 |
| CN113902341A (zh) * | 2021-11-12 | 2022-01-07 | 中国公路工程咨询集团有限公司 | 一种停车场车位选址的方法、装置及系统 |
Non-Patent Citations (7)
| Title |
|---|
| 中心商业区公共停车场选址模型研究;刘庆;《中国优秀博硕士学位论文全文数据库(硕士）·工程科技Ⅱ辑》;20110615;第C034-226页 * |
| 城市共享停车规划对策研究――以湖南金融中心片区为例;方可;《中外建筑》;20200701(第07期);第122-126页 * |
| 基于LA模型的潍坊市路外公共停车场选址研究;刘曼等;《现代城市研究》;20170515(第05期);第125-131页 * |
| 基于YOLO的车辆信息检测和跟踪系统;王福建等;《工业控制计算机》;20180725(第07期);第92-94页 * |
| 基于移动互联网的停车场选址研究;晋磊;《测绘技术装备》;20160925(第03期);第12-14页 * |
| 淮安市中心城区公共停车设施规划研究;林丽等;《江苏城市规划》;20170928(第09期);第24-31页 * |
| 试论城市机动车停车场的规划与布局;江滔;《中国市政工程》;19970625(第02期);第7-11页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114781768A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114781768B (zh) | 基于城市资源数据的停车场设施规划方法、装置及设备 | |
| CN112566029B (zh) | 基于手机定位数据的城市就业中心识别方法及装置 | |
| CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| WO2021169174A1 (zh) | 道路拥堵程度预测方法、装置、计算机设备及可读存储介质 | |
| CN116011322A (zh) | 基于数字孪生的城市信息展示方法、装置、设备及介质 | |
| CN112580881B (zh) | 营业网点选址方法、装置、计算机设备及存储介质 | |
| CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
| CN112733944A (zh) | 基于图像和类别的注意力的目标检测方法、装置及介质 | |
| CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
| CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN114219023A (zh) | 数据聚类方法、装置、电子设备及可读存储介质 | |
| CN114792169A (zh) | 基于MIC-XGBoost算法的居民用水量预测方法 | |
| CN114418360A (zh) | 一种智慧城市运行体征大数据分析方法及装置 | |
| CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
| CN112216112B (zh) | 基于与物联融合场景的北斗定位诱导泊车系统及方法 | |
| CN113887439A (zh) | 基于图像识别的自动预警方法、装置、设备及存储介质 | |
| CN116703132B (zh) | 共享车辆动态调度的管理方法、装置及计算机设备 | |
| CN115455369B (zh) | 不动产登记平台的构建方法及装置 | |
| CN112541047A (zh) | 一种适用于多级网格化管理系统的海量数据聚合方法 | |
| CN113052486B (zh) | 监控点位布局评价方法、装置、电子设备及可读存储介质 | |
| CN117037482A (zh) | 道路交通运行状态实时感知方法、系统、设备及存储介质 | |
| CN114626766B (zh) | 基于大数据的共享电动车调度方法、装置、设备及介质 | |
| CN116244395A (zh) | 基于城市道路和poi数据的区域类型判别方法、装置及设备 | |
| CN114049230A (zh) | 基于客户信息的自然风险预警方法、装置、设备及介质 |
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 |