CN115188192B - 一种基于行程预测的自动控制泊车系统及方法 - Google Patents

Abstract

本申请提供一种基于行程预测的自动控制泊车系统及方法，所述自动控制泊车系统包括立体车库、云平台、显示终端，所述立体车库包括若干停车泊位，所述停车泊位上均设置有车位识别卡，所述车位识别卡中均加载有GPS定位模块、无线通信模块、电源模块、电信号发送模块，所述停车泊位上均安装有与所述车位识别卡对应的电信号接受模块；所述自动控制泊车方法通过对车位识别卡的实时位置进行采集，构建预测模型对驾驶人员是否前往立体车库取车进行预测，并根据预测结构对车辆位置进行调整；本申请缩短了取车的等待时间，加快了立体车库的运行效率，缓解了立体车库区域的交通拥堵的情况。

Description

一种基于行程预测的自动控制泊车系统及方法

技术领域

本发明涉及自动泊车领域，特别是一种基于行程预测的自动控制泊车系统及方法。

背景技术

随着经济的发展，人们生活水平的不断提高，近年来我国机动车保有量呈现出高速增长态势；机动车保有量的增加给城市停车系统带来了巨大的挑战，伴随着停车难问题的出现，立体车库开始被广泛应用于商圈、密集住宅区、办公园区等地方。

但现有受限于土地价格、土地面积、设备投资等因素的影响，现有立体车库依旧很难满足区域停车的需求，尤其是节假日的城市商圈停车等待时间可能长达数小时，排队等待停车的车辆常常会对道路交通造成拥堵，影响城市的通行效率，因此，如何在现有资源的情况下提高立体车库车位周转率成为亟待解决的问题。

现有立体车库存车过程中需要先将车辆停放到立体车库的底层空闲车位中，立体车库再将该车位及车辆调整到立体车库上层，再将空闲车位调整到车库底层，取车过程中需要驾驶人员到达立体停车库输入自己的车辆信息，管理人员再将待出库的车辆调整到立体车库的底层，存取车的时间较长不利于立体车库的车位周转，因此，缩短立体车库的存取车时间能够极大的提高车位周转率。

发明内容

本发明的一个目的就是提供一种基于行程预测的自动控制泊车系统，他可以根据驾驶人员距离立体车库的距离对车辆的位置进行自动调整。

本发明的目的是通过这样的技术方案实现的，包括立体车库，所述立体车库上设置有可左右、上下移动的若干停车泊位，还包括云平台、显示终端，所述显示终端与所述云平台数据交互，所述显示终端用于显示当前停车库的实时信息；

所述若干停车泊位上均设置有车位识别卡，所述车位识别卡中加载有GPS定位模块、无线通信模块、电源模块、电信号发送模块，所述停车泊位上均安装有与所述车位识别卡对应的电信号接受模块；

所述GPS定位模块用于实时定位车位识别卡当前所在的地理位置，所述无线通信模块与所述云平台通讯，将GPS定位模块的实时位置信息传输到云平台，所述电信号发送模块用于与所述电信号接受模块配合使用用于确定所述车位识别卡是否离开停车泊位。

本发明的一个目的就是提供一种基于行程预测的自动控制泊车系统，他可以根据驾驶人员距离立体车库的距离对驾驶人员是否前往立体车库取车进行预测，并根据预测结果对车辆的位置进行调整。

本发明的目的是通过这样的技术方案实现的，上述的一种基于行程预测的自动控制泊车系统，具体步骤如下：

1)数据采集：以△T为时间间隔采集车辆停入停车泊位后车位识别卡的位置信息，构建单个车辆的停车数据，所述单个车辆的停车数据包括车位识别卡与立体车库的距离S_i、距离变化量△S_i、停车开始时间t₀、取车时间t_y，其中：i表示第i次采样i∈N，N为最大采样次数，通过若干车辆的的停车数据构建历史数据库；

2)数据预处理：对历史数据库的数据进行预处理得到样本数据集，并根据停车时长采用K近邻聚类将样本数据集划分为M个数据集；

3)构建模型：以车位识别卡与立体车库的距离S_i以及距离变化量△S_i为输入，以驾驶人员是否前往取车Q为输出,构建M个基于BP神经网络的预测模型，并初始化模型参数；

4)模型训练：分别将M个数据集的样本数据集输入M个BP神经网络中对BP神经网络的参数进行优化训练，得到训练好的预测模型；

5)取车预测：以△T为时间间隔实时采集待判定车辆与立体停车库之间的距离，当车位识别卡与立体车库的距离S_j以及距离变化量△S_j均小于预设阈值时，计算当前该车辆的停车时长，根据当前的停车时间匹配对应的预测模型，将距离S_j以及距离变化量△S_j输入对应的模型中对是否取车进行预测，并根据预测结果对车辆的位置进行调整。

进一步，步骤1)中数据采集的具体步骤为：

1-1)将车辆停入立体车库底部的一个停车泊位中，驾驶人员取走停车泊位上的车位识别卡，当电信号接受模块识别到车位识别卡离开该停车泊位时，将该停车泊位及车辆存放到立体车库的指定位置，并将当前时间记为t₀；

1-2)以△T为时间间隔采集车位识别卡的位置信息，并计算车位识别卡与立体车库的距离S_i以及距离变化量△S_i，并记录实际的取车时间点t_y，构成单个车辆的停车数据C＝(S_i,△S_i,t₀,t_y),其中：i表示第i次采样i∈N，N为最大采样次数：

△S_i＝S_i-S_i-1

式中，△S_i为第i次采样的距离变化量，S_i为第i次采样车位识别卡与立体车库的距离，S_i-1为第i-1次采样车位识别卡与立体车库的距离；

1-3)采集若干车辆的停车数据，构建历史数据库。

进一步，步骤2)中数据预处理的具体步骤为：

2-1)剔除历史数据库中数据有缺失的样本，得到样本数据集；

2-2)根据停车时间采用K近邻聚类将样本数据集划分为M个数据集P＝{P₁,P₂,...,P_M}:

式中，0:T₁表示数据集P₁中样本数据停车时长的范围值，T₁:T₂表示数据集P₂中样本数据停车时长的范围值，T_M-1:T_M表示数据集P_M中样本数据停车时长的范围值。

进一步，步骤3)中构建模型的具体步骤为：

3-1)对于M个数据集均以车位识别卡与立体车库的距离S_i以及距离变化量△S_i为输入，以驾驶人员是否前往取车为输出Q,构建基于BP神经网络的预测模型：

其中：Q＝0表示驾驶人员未前往取车，Q＝1表示驾驶人员前往取车；

3-2)初始化M个BP神经网络的参数，所述模型参数包括权值、阈值、学习精度、最大迭代次数、学习率。

进一步，步骤4)模型训练的具体步骤为：

对M个BP神经网络均进行如下操作：

4-1)将数据集的训练集作为BP神经网络的输入数据，并对BP神经网络的权值和阈值进行初始值编码；

4-2)计算每个BP神经网络训练得到的实际输出与期望输出的误差，并将实际输出与期望输出的误差作为适应度值；

4-3)对适应度值依次进行选择、交叉、变异操作，并计算适应度值；

4-4)判断适应度值是否满足结束条件，若满足，则转至步骤4-5)，若不满足则转至步骤4-3)继续执行；

4-5)将优化后BP神经网络的权值和阈值作为训练后预测模型的权值和阈值参数，训练停止，并输出预测模型。

进一步，步骤5)取车预测的具体步骤为：

5-1)以△T为时间间隔实时采集待判定车辆与立体停车库之间的距离，并计算待判定车辆车位识别卡与立体车库的距离S_j以及距离变化量△S_j；

5-2)当第j次采样的距离S_j小于预设阈值S_f，且距离变化量△S_j大于预设阈值△S_f，计算第j次采样时待判定车辆的停车时长T_j，根据停车时长T_j匹配对应的预测模型，将S_j与△S_j输入匹配的预测模型中，并输出模型结果；

5-3)若模型输出为1，则判定驾驶人员会前往取车，启动立体车库将车位识别卡对应的车辆调换到立体车库底层；

若模型输出为0则驾驶人员不会前往取车，则返回步骤5-1)继续监测。

由于采用了上述技术方案，本发明具有如下的优点：

1、本申请通过对驾驶人员与立体车库的距离采集，对驾驶人员是否前往取车进行预测，缩短了取车的等待时间，加快了立体车库的运行效率，缓解了停车场门口交通拥堵的情况。

2、本申请通过设置车位识别卡既能对驾驶人员的实时信息进行采集，并与对其是否前往取车进行预测，又能通过停车泊位上的电信号接受模块与停车识别卡上的电信号发送模块配合识别驾驶人员是否离开该停车位，便于将停入立体车库底部的车辆移动到立体车库的上层进行存放。

3、本申请通过历史数据库中停车时长对样本数据进行分类，根据不同停车时长确定停车客户的类型，根据不同类型构建不同的预测模型，提高了模型预测的精度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明基于行程预测的自动控制泊车方法的流程图。

图2为本发明基于行程预测的自动控制泊车系统的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1：

如图2所示的一种基于行程预测的自动控制泊车系统，包括立体车库，所述立体车库上设置有可左右、上下移动的若干停车泊位，还包括云平台、显示终端，所述显示终端与所述云平台数据交互，所述显示终端用于显示当前停车库的实时信息；

所述若干停车泊位上均设置有车位识别卡，所述车位识别卡中加载有GPS定位模块、无线通信模块、电源模块、电信号发送模块，所述停车泊位上均安装有与所述车位识别卡对应的电信号接受模块；

所述GPS定位模块用于实时定位车位识别卡当前所在的地理位置，所述无线通信模块与所述云平台通讯，将GPS定位模块的实时位置信息传输到云平台，所述电信号发送模块用于与所述电信号接受模块配合使用用于确定所述车位识别卡是否离开停车泊位。

在本发明实例中，所述立体车库包含L横排和H竖列的停车泊位，使用时将车辆停入立体车库最底端的停车泊位中，驾驶人员将该车位的车位识别卡取出带走，车位识别卡上的电信号发送模块发送信号，该停车泊位上的电信号接受模块用于接收电信号，所述电信号接受模块包括安装在该停车泊位不同位置的多个接收天线组成，电信号接受模块听过多个天线接收到的信号强弱判定驾驶人员是否离开车位，若判定驾驶人员已经离开车位，则立体车库将该停车泊位及车辆移动到立体车库的上层。驾驶人员离开后，云平台对车位识别卡GPS定位模块的位置信息进行采集并分析，预测驾驶人员是否在前往立体车库取车的路上，若是，则云平台向立体车库发送指令将该车辆移动到立体车库的底层，缩短了取车的等待时间，加快了立体车库的运行效率。

实施例2：

如图1所示的一种基于行程预测的自动控制泊车方法，采用如权利要求1所述的一种基于行程预测的自动控制泊车系统，具体步骤如下：

1)数据采集：以△T为时间间隔采集车辆停入停车泊位后车位识别卡的位置信息，构建单个车辆的停车数据，所述单个车辆的停车数据包括车位识别卡与立体车库的距离S_i、距离变化量△S_i、停车开始时间t₀、取车时间t_y，其中：i表示第i次采样i∈N，N为最大采样次数，通过若干车辆的的停车数据构建历史数据库，具体步骤为：

1-1)将车辆停入立体车库底部的一个停车泊位中，驾驶人员取走停车泊位上的车位识别卡，当电信号接受模块识别到车位识别卡离开该停车泊位时，将该停车泊位及车辆存放到立体车库的指定位置，并将当前时间记为t₀；

1-2)以△T为时间间隔采集车位识别卡的位置信息，并计算车位识别卡与立体车库的距离S_i以及距离变化量△S_i，并记录实际的取车时间点t_y，构成单个车辆的停车数据C＝(S_i,△S_i,t₀,t_y),其中：i表示第i次采样i∈N，N为最大采样次数：

△S_i＝S_i-S_i-1

式中，△S_i为第i次采样的距离变化量，S_i为第i次采样车位识别卡与立体车库的距离，S_i-1为第i-1次采样车位识别卡与立体车库的距离；

1-3)采集若干车辆的停车数据，构建历史数据库。

在本发明实施例中，通过记录存车时间t₀和取车时间t_y便于对车辆的停车时间进行统计，通过对停车时间的统计判定该数据的类型，所述数据的类型包括居家人员停车、办公人员停车、临时停车三类，每个停车类型的距离变化以及距离变化量存在明显差异，如办公人员停车则在较长时间距离变化以及距离变化量都较小。

2)数据预处理：对历史数据库的数据进行预处理得到样本数据集，并根据停车时长采用K近邻聚类将样本数据集划分为M个数据集；具体步骤为：

2-1)剔除历史数据库中数据有缺失的样本，得到样本数据集；

2-2)根据停车时间采用K近邻聚类将样本数据集划分为M个数据集P＝{P₁,P₂,...,P_M}:

式中，0:T₁表示数据集P₁中样本数据停车时长的范围值，T₁:T₂表示数据集P₂中样本数据停车时长的范围值，T_M-1:T_M表示数据集P_M中样本数据停车时长的范围值。

在本发明实施例中，在样本采集过程中，受信号强度和传送效率的影响，个别数据样本会发生缺失，通过对确实样本的剔除减少了数据冗余，并通过停车时长将数据进行分类，便于后续针对不同的数据类型建立预测模型，提高了预测的精度。

3)构建模型：以车位识别卡与立体车库的距离S_i以及距离变化量△S_i为输入，以驾驶人员是否前往取车Q为输出,构建M个基于BP神经网络的预测模型，并初始化模型参数；具体步骤为：

3-1)对于M个数据集均以车位识别卡与立体车库的距离S_i以及距离变化量△S_i为输入，以驾驶人员是否前往取车为输出Q,构建基于BP神经网络的预测模型：

其中：Q＝0表示驾驶人员未前往取车，Q＝1表示驾驶人员前往取车；

3-2)初始化M个BP神经网络的参数，所述模型参数包括权值、阈值、学习精度、最大迭代次数、学习率。

在本发明实施例中，通过车位识别卡与立体车库的距离S_i以及距离变化量△S_i预测驾驶人员达到立体车库的时间，并将驾驶人员实际达到立体车库的时间与预测的达到时间进行比较并取整，当实际达到立体车库的时间小于2倍预测的达到时间时，则判定为在该距离S_i以及距离变化量△S_i的条件下驾驶人员前往立体车库取车，反之，则未前往取车。

4)模型训练：分别将M个数据集的样本数据集输入M个BP神经网络中对BP神经网络的参数进行优化训练，得到训练好的预测模型；具体步骤为：

对M个BP神经网络均进行如下操作：

4-1)将数据集的训练集作为BP神经网络的输入数据，并对BP神经网络的权值和阈值进行初始值编码；

4-2)计算每个BP神经网络训练得到的实际输出与期望输出的误差，并将实际输出与期望输出的误差作为适应度值；

4-3)对适应度值依次进行选择、交叉、变异操作，并计算适应度值；

4-4)判断适应度值是否满足结束条件，若满足，则转至步骤4-5)，若不满足则转至步骤4-3)继续执行；

4-5)将优化后BP神经网络的权值和阈值作为训练后预测模型的权值和阈值参数，训练停止，并输出预测模型。

在本发明实施例中，以驾驶人员是否前往取车为输出Q进行反向传播，对BP神经网络的权值和阈值进行优化，所述权值的的调整量与误差的梯度下降成正比。

5)取车预测：以△T为时间间隔实时采集待判定车辆与立体停车库之间的距离，当车位识别卡与立体车库的距离S_j以及距离变化量△S_j均小于预设阈值时，计算当前该车辆的停车时长，根据当前的停车时间匹配对应的预测模型，将距离S_j以及距离变化量△S_j输入对应的模型中对是否取车进行预测，并根据预测结果对车辆的位置进行调整；具体步骤为：

5-1)以△T为时间间隔实时采集待判定车辆与立体停车库之间的距离，并计算待判定车辆车位识别卡与立体车库的距离S_j以及距离变化量△S_j；

5-2)当第j次采样的距离S_j小于预设阈值S_f，且距离变化量△S_j大于预设阈值△S_f，计算第j次采样时待判定车辆的停车时长T_j，根据停车时长T_j匹配对应的预测模型，将S_j与△S_j输入匹配的预测模型中，并输出模型结果；

5-3)若模型输出为1，则判定驾驶人员会前往取车，启动立体车库将车位识别卡对应的车辆调换到立体车库底层；

若模型输出为0则驾驶人员不会前往取车，则返回步骤5-1)继续监测。

在本发明实施例中，通过设置距离阈值S_f和距离变化量阈值△S_f，对偏离较大的数据进行剔除，减小了云平台的计算量，节约了设备资源，通过对第j次采样时待判定车辆的停车时长T_j进行匹配，能够更好的匹配停车类型，提高了预测的精度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (4)

1.一种基于行程预测的自动控制泊车方法，其特征在于，包括有自动控制泊车系统，所述自动控制泊车系统包括立体车库，所述立体车库上设置有可左右、上下移动的若干停车泊位，还包括云平台、显示终端，所述显示终端与所述云平台数据交互，所述显示终端用于显示当前停车库的实时信息；

所述若干停车泊位上均设置有车位识别卡，所述车位识别卡中加载有GPS定位模块、无线通信模块、电源模块、电信号发送模块，所述停车泊位上均安装有与所述车位识别卡对应的电信号接受模块；

所述GPS定位模块用于实时定位车位识别卡当前所在的地理位置，所述无线通信模块与所述云平台通讯，将GPS定位模块的实时位置信息传输到云平台，所述电信号发送模块用于与所述电信号接受模块配合使用用于确定所述车位识别卡是否离开停车泊位；

所述泊车方法，具体步骤如下：

1)数据采集：以△T为时间间隔采集车辆停入停车泊位后车位识别卡的位置信息，构建单个车辆的停车数据，所述单个车辆的停车数据包括车位识别卡与立体车库的距离S_i、距离变化量△S_i、停车开始时间t₀、取车时间t_y，其中：i表示第i次采样i∈N，N为最大采样次数，通过若干车辆的停车数据构建历史数据库；

2)数据预处理：对历史数据库的数据进行预处理得到样本数据集，并根据停车时长采用K近邻聚类将样本数据集划分为M个数据集；

3)构建模型：以车位识别卡与立体车库的距离S_i以及距离变化量△S_i为输入，以驾驶人员是否前往取车Q为输出,构建M个基于BP神经网络的预测模型，并初始化模型参数；

4)模型训练：分别将M个数据集的样本数据集输入M个BP神经网络中对BP神经网络的参数进行优化训练，得到训练好的预测模型；

5)取车预测：以△T为时间间隔实时采集待判定车位识别卡与立体停车库之间的距离，当车位识别卡与立体车库的距离S_j以及距离变化量△S_j均小于预设阈值时，计算当前该车辆的停车时长，根据当前的停车时间匹配对应的预测模型，将距离S_j以及距离变化量△S_j输入对应的模型中对是否取车进行预测，并根据预测结果对车辆的位置进行调整；

步骤2)中数据预处理的具体步骤为：

2-1)剔除历史数据库中数据有缺失的样本，得到样本数据集；

2-2)根据停车时间采用K近邻聚类将样本数据集划分为M个数据集P＝{P₁,P₂,...,P_M}:

式中，0～T₁表示数据集P₁中样本数据停车时长的范围值，T₁～T₂表示数据集P₂中样本数据停车时长的范围值，T_M-1～T_M表示数据集P_M中样本数据停车时长的范围值；

步骤3)中构建模型的具体步骤为：

3-1)对于M个数据集均以车位识别卡与立体车库的距离S_i以及距离变化量△S_i为输入，以驾驶人员是否前往取车为输出Q,构建基于BP神经网络的预测模型：

其中：Q＝0表示驾驶人员未前往取车，Q＝1表示驾驶人员前往取车；

3-2)初始化M个BP神经网络的参数，所述模型参数包括权值、阈值、学习精度、最大迭代次数、学习率。

2.如权利要求1所述的一种基于行程预测的自动控制泊车方法，其特征在于，步骤1)中数据采集的具体步骤为：

1-1)将车辆停入立体车库底部的一个停车泊位中，驾驶人员取走停车泊位上的车位识别卡，当电信号接受模块识别到车位识别卡离开该停车泊位时，将该停车泊位及车辆存放到立体车库的指定位置，并将当前时间记为t₀；

1-2)以△T为时间间隔采集车位识别卡的位置信息，并计算车位识别卡与立体车库的距离S_i以及距离变化量△S_i，并记录实际的取车时间点t_y，构成单个车辆的停车数据C＝(S_i,△S_i,t₀,t_y),其中：i表示第i次采样i∈N，N为最大采样次数：

△S_i＝S_i-S_i-1

式中，△S_i为第i次采样的距离变化量，S_i为第i次采样车位识别卡与立体车库的距离，S_i-1为第i-1次采样车位识别卡与立体车库的距离；

1-3)采集若干车辆的停车数据，构建历史数据库。

3.如权利要求1所述的一种基于行程预测的自动控制泊车方法，其特征在于，步骤4)模型训练的具体步骤为：

对M个BP神经网络均进行如下操作：

4-1)将数据集的训练集作为BP神经网络的输入数据，并对BP神经网络的权值和阈值进行初始值编码；

4-2)计算每个BP神经网络训练得到的实际输出与期望输出的误差，并将实际输出与期望输出的误差作为适应度值；

4-3)计算适应度值；

4-4)判断适应度值是否满足结束条件，若满足，则转至步骤4-5)，若不满足则转至步骤4-3)继续执行；

4-5)将优化后BP神经网络的权值和阈值作为训练后预测模型的权值和阈值参数，训练停止，并输出预测模型。

4.如权利要求1所述的一种基于行程预测的自动控制泊车方法，其特征在于，步骤5)取车预测的具体步骤为：

5-1)以△T为时间间隔实时采集待判定车位识别卡与立体停车库之间的距离，并计算待判定车辆车位识别卡与立体车库的距离S_j以及距离变化量△S_j；

5-2)当第j次采样的距离S_j小于预设阈值S_f，且距离变化量△S_j大于预设阈值△S_f，计算第j次采样时待判定车辆的停车时长T_j，根据停车时长T_j匹配对应的预测模型，将S_j与△S_j输入匹配的预测模型中，并输出模型结果；

5-3)若模型输出为1，则判定驾驶人员会前往取车，启动立体车库将车位识别卡对应的车辆调换到立体车库底层；

若模型输出为0则驾驶人员不会前往取车，则返回步骤5-1)继续监测。

Images