CN115601971A - 基于神经网络的园区自适应车辆调度及停车智能管控方法 - Google Patents
基于神经网络的园区自适应车辆调度及停车智能管控方法 Download PDFInfo
- Publication number
- CN115601971A CN115601971A CN202211416231.1A CN202211416231A CN115601971A CN 115601971 A CN115601971 A CN 115601971A CN 202211416231 A CN202211416231 A CN 202211416231A CN 115601971 A CN115601971 A CN 115601971A
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- grid
- information
- park
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000007726 management method Methods 0.000 claims abstract description 39
- 238000013439 planning Methods 0.000 claims abstract description 28
- 239000003016 pheromone Substances 0.000 claims description 56
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 241000257303 Hymenoptera Species 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 229940060587 alpha e Drugs 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/091—Traffic information broadcasting
-
- 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
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供基于神经网络的园区自适应车辆调度及停车智能管控方法,包括:S1获取进入园区车辆的当前位置信息、特征信息、权限信息和目的地信息;S2获取园区内道路的道路监控数据,并根据道路监控数据分析园区内道路的拥堵情况;S3根据园区车辆的权限信息,匹配相应的可用道路数据;根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块;S4显示车辆到达目的地的路径信息。本发明有助于提高园区车辆调度和道路管理的适应性和可靠性。
Description
技术领域
本发明涉及园区车辆管理技术领域,特别是基于神经网络的园区自适应车辆调度及停车智能管控方法。
背景技术
近几年来,有效的园区管理成为促进园区健康发展的重要手段,随着园区的不断发展,传统的管理方式已越来越不适应园区迅速发展的需要。智慧园区的建设不仅是科学技术发展的必然,信息化、智能化、智慧化在给园区带来管理的重大进展的同时,本着园区管理运营及为入驻园区企业提供优质服务的角度出发,园区企业通过先进的科技产品提供优质的园区服务,同时也给园区内居住和工作的人员带来了生活方式的巨大变革。
目前,针对园区内的半封闭规划管理,通常会在园区内建设能够环绕园区的公共道路,其中公共道路的建设一般较为宽敞,能够满足大量车流以及大型物流或者工程车辆通行的需求,同时园区内也会建设内部道路,内部道路穿梭在各建筑群中,供车辆到达具体的建筑物位置,但是由于收到场地限制等,一般内部道路较窄,近能够供轿车、面包车等小型车辆进入。
目前,在进入园区的关口,通常会设置智能门闸,能够对进入园区的车辆进行限制,但是,现有技术中的只能门闸通常只能够提供车位数量统计、空余车位提醒、自动收费等基本服务。车辆在进入园区后则无法对车辆进行管控和疏导,而驾驶员也不清楚不容易得到园区内道路的情况,容易造成园区内道路出现拥堵等情况,不利于园区合理管理的需求。
发明内容
针对上述问题,本发明旨在提供基于神经网络的园区自适应车辆调度及停车智能管控方法。
本发明的目的采用以下技术方案来实现:
第一方面,本发明提出基于神经网络的园区自适应车辆调度及停车智能管控方法,其中园区的道路包括内部道路和公共道路,包括:
S1获取进入园区车辆的当前位置信息、特征信息、权限信息和目的地信息;
S2获取园区内道路的道路监控数据,并根据道路监控数据分析园区内道路的拥堵情况;
S3根据园区车辆的权限信息,匹配相应的可用道路数据;根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块;
S4显示车辆到达目的地的路径信息。
一种实施方式中,步骤S1包括:
S11获取进入园区车辆的当前位置信息;
S12获取进入园区车辆的图像信息,并基于神经网络构建的机器视觉分析模型来提取车辆特征信息,其中车辆的特征信息包括车辆类型;
S13获取进入园区车辆的车牌信息,并根据获取的车牌信息识别该车辆的权限信息,其中车辆的权限信息包括白名单车辆、普通车辆和黑名单车辆;
S14根据选择的目标企业或者目标场所获取相应的目的地信息,其中目标场所包括目标建筑或者目标停车场。
一种实施方式中,步骤S12包括:
采集进入园区车辆的整体图像,并将获取的车辆整体图像传输到预处理单元;
对获取的车辆整体图像进行预处理,包括图像增强和图像标准化处理,得到预处理后的车辆整体图像;
将获取的预处理后的车辆整体图像输入到训练好的基于神经网络构建的机器视觉分析模型中,获取机器视觉分析模型输出的车辆类型信息,其中车辆类型包括小型车、中型车和大型车。
一种实施方式中,基于神经网络构建的机器视觉分析模型基于AlexNet网络构建,其中AlexNet网络结构包含依此连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层和softmax层;
其中输入层为输入预处理后的车辆整体图像;第一卷积层和第二卷积层分别包含32个卷积核,卷积核的尺寸分别为7*7和5*5,其中每个卷积层卷积核后存在激活层,激活层后进行池化操作和归一化操作;第三卷积层包含16个卷积核,卷积核尺寸为3*3,第三卷积层进行卷积操作后再依次进行激活和池化操作;第一全连接层包含256个神经元,第二全连接层包含16个神经元,第二全连接层输出能够反应车辆类型的特征向量;softmax层根据第二全连接层输出的特征向量进行分类,输出车辆类型识别结果。
一种实施方式中,步骤S1还包括:
S15对车辆的权限信息进行管理,包括设置车辆为白名单或黑名单。
一种实施方式中,步骤S2包括:
S21采集园区道路的视频监控数据;
S22视频分析单元用于根据获取的视频监控数据分析对应道路的车流量信息,并根据得到的车流量信息获取该对应道路的拥堵情况。
一种实施方式中,步骤S3包括:
S31根据车辆的权限信息,匹配相应的可用道路数据,其中道路包括园区内部道路和公共道路;
S32根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块。
一种实施方式中,步骤S32具体包括:
基于蚂蚁群算法构建的全局路径规划模型来获取车辆到达目的路径信息,包括:
根据实际园区道路地图信息建立道路栅格地图,其中栅格地图中包含有道路区域,其中道路区域包括内部道路区域和公共道路区域,并根据车辆当前位置信息和目的地信息确定起始点和目标点的栅格位置;
根据道路情况,获取道路区域内各栅格的道路等级,其中,根据道路的种类、宽度等信息,信息,设置相应的道路等级,其中道路的道路等级对应该道路的理想平均行驶速度;
设置迭代次数N和蚂蚁数量M,并初始化格栅格的信息素浓度;
在蚂蚁寻路的过程中:
根据设定的启发函数计算道路区域内可通过栅格的启发值,其中采用的启发函数为:
H(a,b)=L(a,b)×t(a,b)×d(a,b)
式中,H(a,b)表示当前栅格a与可通过栅格b的启发值,L(a,b)栅格a到栅格b的可通行参数,其中L(a,b)根据当前车辆的可用道路数据获得,如果栅格b为当前车辆的可用道路,则L(a,b)=1,如果栅格b为不为当前车辆的可用道路,则L(a,b)=0;t(a,b)表示栅格a到栅格b的时间参数,其中d(a,b)表示栅格a到栅格b的距离,v(a,b)表示栅格a到栅格b的速度参数,其中v(a,b)=min(v'(a,b),vt(a,b)),其中,v'(a,b)表示栅格a到栅格b的对应道路的理想平均行驶速度;vt(a,b)为根据道路监控数据得到的栅格a到栅格b的对应道路的实际平均车速,其中,当栅格a到栅格b的对应道路一段时间周期内没有车辆通行,则vt(a,b)不取值;
根据道路区域内各栅格的通行等级和启发值,计算道路区域内各栅格的转移概率,根据得到的转移概率转移到下一栅格并进行局部信息素更新;其中,采用的转移概率计算函数为:
式中,Pk(a,b)表示蚂蚁k从栅格a转移到栅格b的概率,τα(a,b)表示栅格a到栅格b路径上的信息素浓度,Hβ(a,b)表示栅格a到栅格b路径上的启发值;J(a,b)栅格a到栅格b路径上的道路等级,τα(a,c)表示栅格a到栅格c路径上的信息素浓度,其中allow表示蚂蚁k的待访问节点集合;Hβ(a,c)表示栅格a到栅格c路径上的启发值,J(a,c)栅格a到栅格c路径上的道路等级,α表示信息素比重因子,其中α∈[0,5],β表示启发函数比重因子,其中β∈[0,5];
其中采用的局部信息素更新更新函数为:
τ′(a,b)=(1-ξ)×τ(a,b)
式中,τ'(a,b)表示更新后表示栅格a到栅格b路径上的信息素浓度,τ(a,b)表示更新前栅格a到栅格b路径上的信息素浓度,ξ表示设定的信息素调节因子,其中ξ∈[0.01,0.99];
判断蚂蚁是否到达目标点;若蚂蚁到达目标点,则进行全局信息素更新,并进一步判断是否满足停止条件;若满足停止条件,则输出最优路径;若不满足迭代停止条件,则在起始点重新放置蚂蚁并开始下一轮蚂蚁寻路的过程;若蚂蚁没有到达目标点,则蚂蚁继续寻路;
其中采用的全局信息素更新函数为:
τn+1(a,b)=ω×τn(a,b)+Δτn(a,b)
式中,τn+1(a,b)表示第n+1次循环中栅格a到栅格b路径上的信息素浓度,τn(a,b)表示当前第n次循环中栅格a到栅格b路径上的信息素浓度;其中n=1,2,…N-1,ω表示调节参数,其中ω∈[0.01,0.99],Δτn(a,b)表示在当前第n次循环中,所有蚂蚁在栅格a到栅格b路径上的信息素浓度之和。
第二方面,本发明提出基于神经网络的园区自适应车辆调度及停车智能管控系统,其中园区的道路包括内部道路和公共道路,包括:信息获取模块、道路监控模块、数据处理模块和显示模块;其中,
信息获取模块用于获取进入园区车辆的当前位置信息、特征信息、权限信息和目的地信息;
道路监控模块用于获取园区内道路的道路监控数据,并根据道路监控数据分析园区内道路的拥堵情况;
数据处理模块用于根据园区车辆的权限信息,匹配相应的可用道路数据;根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块;
显示模块用于显示车辆到达目的地的路径信息。
本发明的有益效果为:
1)本发明提出一种基于神经网络的园区自适应车辆调度及停车智能管控方法和系统,通过在车辆进入园区的时候,获取车辆的位置信息、特征信息、权限信息和目的地信息;能够自适应地根据园区内的道路情况进行相应的路径分析,得到车辆到达目的地的最优路径展示给车辆的驾驶员,以使得车辆能够参考最优路径到达目的地,一方面有助于节省车辆到达园区内目的地的时间和行驶距离;另一方面有助于合理提高园区内道路疏导和车辆调度的合理性,提高园区道路的综合管理水平。
2)根据车辆的权限信息匹配车辆的可用道路数据,并对园区的内部道路进行自适应的控制,有助于提高园区内部道路的管理水平和利用率,提高道路管理和车辆调度、车辆停车的管理水平。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明实施例所示一种基于神经网络的园区自适应车辆调度及停车智能管控方法的示意图;
图2为本发明实施例所示一种基于神经网络的园区自适应车辆调度及停车智能管控系统的框架结构图。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1实施例所示本发明提出基于神经网络的园区自适应车辆调度及停车智能管控方法,其中园区的道路包括内部道路和公共道路,包括:
S1获取进入园区车辆的当前位置信息、特征信息、权限信息和目的地信息;
一种实施方式中,步骤S1包括:
S11获取进入园区车辆的当前位置信息;其中,如果获取车辆定位信息的装置为设置在园区车闸的智能终端,则将该车闸所在的位置作为车辆的当前位置;如果获取车辆定位信息的装置为设置在车辆上的智能终端,则获取车辆的实时位置信息作为车辆的当前位置;
S12获取进入园区车辆的图像信息,并基于神经网络构建的机器视觉分析模型来提取车辆特征信息,其中车辆的特征信息包括车辆类型;
一种实施方式中,步骤S12包括:
采集进入园区车辆的整体图像,并将获取的车辆整体图像传输到预处理单元;
对获取的车辆整体图像进行预处理,包括图像增强和图像标准化处理,得到预处理后的车辆整体图像;
将获取的预处理后的车辆整体图像输入到训练好的基于神经网络构建的机器视觉分析模型中,获取机器视觉分析模型输出的车辆类型信息,其中车辆类型包括小型车、中型车和大型车。
考虑到在采集进入园区辆的整体图像的时候,容易受到园区闸口灯光或者昼夜环境的影响,容易到导致车辆整体图像的清晰度不足,影响后续进一步采用机器视觉分析模型进行车辆类型分析的准确率。
一种实施方式中,步骤S12中,对获取的车辆整体图像进行增强,具体包括:
根据获取的车辆整体图像,基于haar小波基和2级分解尺度对车辆整体图像进行小波分解,得到车辆整体图像的低频小波系数和高频小波系数;
针对得到的低频小波系数重构低频分量子图像,并将低频分量子图从RGB颜色空间转换到HSV颜色空间,得到低频分量子图的色调子分量H、饱和度子分量S和明度子分量V;
根据得到的明度子分量V进行全局明度调节,得到全局明度调节后的明度子分量V';其中,全局明度调节采用的具体函数为:
式中,V'(x,y)表示全局明度调节后像素点(x,y)的明度级,V(x,y)表示明度子分量中像素点(x,y)的明度级,VT表示设定的标准明度级,其中VT∈[0.5,0.7],表示以像素点(x,y)为中心的周边范围(例如以像素点(x,y)为中心的3×3、5×5、7×7区域等)内各像素点的明度级平均值;表示以像素点(x,y)为中心的周边范围内各像素点的明度级标准差,σT表示设定的明度标准差阈值;ωa、ωb和ωc表示设定的区域权重因子,其中ωa+ωb+ωc=1,ωa≥ωb≥ωc,ωd和ωe表示设定的全局权重因子,其中ωd+ωe=1,ωd≥ωe;
根据全局明度调节后的明度子分量V'与色调子分量H、饱和度子分量S进行重构,得到增强后的低频分量子图;
针对得到的高频小波系数进行滤波处理,得到滤波处理后的高频小波系数;其中,滤波处理采用的具体函数为:
式中,gj',k表示滤波处理后的第j分解尺度第k个高频小波系数,gj,k表示第j分解尺度第k个高频小波系数,T表示设定的系数阈值,其中med(gj)表示第j分解尺度的高频小波系数的中值,L表示系数的长度,ωf表示设定的滤波因子,其中ωf∈[0.6,0.8],ωg和ωh表示设定的调节因子,其中ωg>ωh,ωg∈[0.1,10],ωh∈[0.1,10],ωi表示补偿因子,其中ωi∈[0.1,10];
根据滤波处理后的高频小波系数进行重构,得到高频分量子图像;
根据得到的高频分量子图像进行灰度调节处理,得到增强后的高频分量子图;其中,灰度调节处理采用的具体函数为:
式中,h'(x,y)表示灰度调节处理后像素点(x,y)的灰度值,表示以像素点(x,y)为中心的周边范围(例如以像素点(x,y)为中心的3×3、5×5、7×7区域等)内除中心像素点外其他邻域像素点的平均灰度值,表示以像素点(x,y)为中心的周边范围内除中心像素点外其他邻域像素点的最大灰度值,表示以像素点(x,y)为中心的周边范围内除中心像素点外其他邻域像素点的最小灰度值;Th表示设定的灰度阈值,表示以像素点(x,y)为中心的周边范围内除中心像素点外其他邻域像素点的灰度值标准差,Tσ表示设定的标准差阈值,表示补偿灰度值,其中 ωj表示设定的补偿因子,其中ωj∈[0.1,0.2];
根据增强后的高频分量子图和增强后的低频分量子图进行重构,得到增强后的车联整体图像;
对增强后的车联整体图像进一步进行图像标准化处理,得到预处理后的车辆整体图像。
本发明上述事实方式,针对在采集车辆整体图像的时候,容易到园区闸口灯光或者昼夜环境的影响,容易到导致车辆整体图像的清晰度不足的问题,特别提出了一种针对采集到的车辆整体图像首先进行增强预处理的技术方案。其中,基于采集到的车辆整体图像,首先将图像进行小波分解,得到图像的高频分量和低频分量。其中,针对低频分量子图像特别进行基于HSV颜色空间的明度调节处理,其中提出了一种全局明度调节函数对低频分量子图像的亮度信息进行自适应的调节,有助于提高图像的整体亮度水平,提高图像的整体清晰度,其中在明度调节的过程中,特别考虑到局部明度信息的变化程度,来进行针对性的调节,有效避免因光照反光或者光线不足导致的图像不清晰的情况。其中针对高频分量首先进行基于高频小波系数的滤波处理,通过提出的滤波处理函数,能够贴近车辆整体图像高频小波系数的变化特征,自适应地提出图像中存在的噪声干扰,同时最大程度地保留边缘细节信息的完整性。基于滤波处理后的高频分量子图,进一步根据图像中的细节信息部分进行灰度调节处理,其中提出了一种改进的灰度调节处理函数,能够根据像素点所在的周边区域的细节信息进行自适应的灰度调节,有效提高图像如边缘信息、纹理信息等特征的表征程度,提高了图像细节信息的清晰度。最后基于增强后的高频分量子图像和低频分量子图像进行重构得到的车辆整体图像,能够从整体和局部进行清晰度的提升,提高了后续进一步基于训练好的基于神经网络构建的机器视觉分析模型对车辆整体图像进行分析并提取车辆类型信息的可靠性。
一种实施方式中,基于神经网络构建的机器视觉分析模型基于AlexNet网络构建,其中AlexNet网络结构包含依此连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层和softmax层;
其中输入层为输入预处理后的车辆整体图像;第一卷积层和第二卷积层分别包含32个卷积核,卷积核的尺寸分别为7*7和5*5,其中每个卷积层卷积核后存在激活层,激活层后进行池化操作和归一化操作;第三卷积层包含16个卷积核,卷积核尺寸为3*3,第三卷积层进行卷积操作后再依次进行激活和池化操作;第一全连接层包含256个神经元,第二全连接层包含16个神经元,第二全连接层输出能够反应车辆类型的特征向量;softmax层根据第二全连接层输出的特征向量进行分类,输出车辆类型识别结果。
一种场景中,通过机器视觉的方式来获取入场车辆的车辆类型,例如当车辆为大型车辆(例如货车、卡车、工程车、大巴车)时,则直接匹配该大型车辆的可用道路为仅公共道路,避免该大型车辆进入内部道路导致内部道路因路窄会车导致的拥堵情况。
一种实施方式中,步骤S12还包括:
训练所述基于神经网络构建的机器视觉分析模型,包括:
训练集中包含有标准车辆整体图像和相应的车辆类型标识;
基于构建的训练集对基于神经网络构建的机器视觉分析模型进行训练;
采用测试集对训练后的机器视觉分析模型进行测试,当测试准确率超过设定的标准时,输出训练好的基于神经网络构建的机器视觉分析模型。
上述实施方式,提出了一种基于神经网络搭建机器视觉分析模型,并进一步对进入园区的车辆的类型进行自适应分析的技术方案,能够针对进入园区车辆的车辆整体图像进行分析车辆的类型,从而进一步根据车辆类型判断是否允许该车辆进入园区内部道路,有助于避免大型车辆进入内部道路导致内部道路拥堵的情况,提高了园区道路的管理水平。
S13获取进入园区车辆的车牌信息,并根据获取的车牌信息识别该车辆的权限信息,其中车辆的权限信息包括白名单车辆、普通车辆和黑名单车辆;
一种场景中,园区管理者能够根据实际情况设置白名单车辆信息和黑名单车辆信息,其中,可以根据园区内企业的特别拜访要求,设置带有时限的车辆白名单信息,供企业拜访车辆能够在特定的时间自由进入园区以及园区的内部道路;
或者,当园区管理者发现外来车辆多次在园区内违法停靠导致道路拥堵,则将该车辆列为黑名单车辆,以使得该车辆不能进入园区内的内部道路,避免道路拥堵的发生。
S14根据选择的目标企业或者目标场所获取相应的目的地信息,其中目标场所包括目标建筑或者目标停车场。
一种场景中,目的地信息包括园区内的目标建筑,当入场车辆需要临时停车位时,则目的地信息为目标建筑附近的临时停车位信息;
一种实施方式中,步骤S1还包括:
S15对车辆的权限信息进行管理,包括设置车辆为白名单或黑名单。
S2获取园区内道路的道路监控数据,并根据道路监控数据分析园区内道路的拥堵情况;
一种实施方式中,步骤S2包括:
S21采集园区道路的视频监控数据;
S22视频分析单元用于根据获取的视频监控数据分析对应道路的车流量信息,并根据得到的车流量信息获取该对应道路的拥堵情况。
通过对园区内道路的进行实时监控,能够根据园区内部道路的情况做出适应性的调度决策,例如当内部道路区域的车辆密度低于设定的标准水平是,则允许普通车辆进入内部道路,以提高内部道路的使用率;当内部道路的发生拥堵等情况时,则优先保证白名单车辆能够优先使用内部道路,有助于提高内部到道路的车辆调度水平。
一种实施方式中,步骤S22中,基于AI视频分析引擎,对获取的园区道路的视频监控数据进行智能化的分析,通过AI视频分析引擎,对道路的拥堵情况和平均车速信息进行分析,例如,根据获取的视频监控数据,提取道路中的车辆信息,并根据提取的车辆进行跟踪和统计,当道路的车辆数目超过设定的阈值,且车辆平均速度低于设定的速度阈值时,则输出该道路发生拥堵;或者根据获取的视频监控数据提取道路中的车辆信息,并根据提取的车辆信息进行跟踪,当检测到车辆停留在道路中的连续时间超过设定的时间阈值时,则标记该车辆为停靠车辆。
同时,基于AI视频分析引擎,还能够结合多个道路的视频监控数据,对园区内车辆的行驶轨迹进行跟踪和记录,基于得到的车辆历史轨迹构建车辆轨迹数据库,有助于根据得到的车辆轨迹数据作为后续车辆路径规划分析的数据库支持。后台管理模块也能够根据不同场景需求对车辆的历史轨迹进行回放,方便园区管理者对指定车辆的跟踪,提高了园区内车辆管理的适应性的可靠性。
S3根据园区车辆的权限信息,匹配相应的可用道路数据;根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块;
一种实施方式中,步骤S3包括:
S31根据车辆的权限信息,匹配相应的可用道路数据,其中道路包括园区内部道路和公共道路;
S32根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块。
一种实施方式中,步骤S31还包括,根据车辆的车辆类型信息、可用道路周围危险性来匹配相应的可用道路数据。
其中,步骤S31具体包括:获取车辆的车辆类型信息,如果车辆为大型车辆,则进一步根据道路的安全系数匹配相应的可用道路。例如,根据道路的宽窄程度设定道路的安全系数,道路越宽,安全系数越高,反之道路越窄,则安全系数越低(表明车辆经过道路的时候存在危险)。
当道路或道路附近范围内出现施工、或者根据视频监控数据分析到道路存在道路阻塞或者存在障碍物时,则降低道路的安全系数(道路中的施工、阻塞情况影响了车辆经过该道路的安全性);此外,针对道路周围的危险源等级及环境变化,例如根据重大危险源的等级场景,来调整安全系数,当道路附近时常存在雾霾,或者存在山体滑坡,或者道路附近存在高等级重大危险化工厂等一系列重大危险源,按照级别分别降低安全系数,而上述评定根据,普遍适用于所有类型车辆。
根据园区内各道路的安全系数,当道路的安全系数低于设定的针对大型车辆的标准阈值时,则标记该道路为不可用道路。如果有指定危险车辆行驶路线的园区,道路选择只能在指定的范围内选择。
一种实施方式中,步骤S32具体包括:
基于蚂蚁群算法构建的全局路径规划模型来获取车辆到达目的路径信息,包括:
根据实际园区道路地图信息建立道路栅格地图,其中栅格地图中包含有道路区域,其中道路区域包括内部道路区域和公共道路区域,并根据车辆当前位置信息和目的地信息确定起始点和目标点的栅格位置;
根据道路情况,获取道路区域内各栅格的道路等级,其中,根据道路的种类、宽度等信息,信息,设置相应的道路等级,其中道路的道路等级对应该道路的理想平均行驶速度;
设置迭代次数N和蚂蚁数量M,并初始化格栅格的信息素浓度;
在蚂蚁寻路的过程中:
根据设定的启发函数计算道路区域内可通过栅格的启发值,其中采用的启发函数为:
H(a,b)=L(a,b)×t(a,b)×d(a,b)
式中,H(a,b)表示当前栅格a与可通过栅格b的启发值,L(a,b)栅格a到栅格b的可通行参数,其中L(a,b)根据当前车辆的可用道路数据获得,如果栅格b为当前车辆的可用道路,则L(a,b)=1,如果栅格b为不为当前车辆的可用道路,则L(,b)=0;t(a,b)表示栅格a到栅格b的时间参数,其中d(a,b)表示栅格a到栅格b的距离,v(a,b)表示栅格a到栅格b的速度参数,其中v(a,b)=min(v'(a,b),vt(a,b)),其中,v'(a,b)表示栅格a到栅格b的对应道路的理想平均行驶速度;vt(a,b)为根据道路监控数据得到的栅格a到栅格b的对应道路的实际平均车速,其中,当栅格a到栅格b的对应道路一段时间周期内没有车辆通行,则vt(a,b)不取值;
根据道路区域内各栅格的通行等级和启发值,计算道路区域内各栅格的转移概率,根据得到的转移概率转移到下一栅格并进行局部信息素更新;其中,采用的转移概率计算函数为:
式中,Pk(a,b)表示蚂蚁k从栅格a转移到栅格b的概率,τα(a,b)表示栅格a到栅格b路径上的信息素浓度,Hβ(a,b)表示栅格a到栅格b路径上的启发值;J(a,b)栅格a到栅格b路径上的道路等级,τα(a,c)表示栅格a到栅格c路径上的信息素浓度,其中allow表示蚂蚁k的待访问节点集合;Hβ(a,c)表示栅格a到栅格c路径上的启发值,J(a,c)栅格a到栅格c路径上的道路等级,α表示信息素比重因子,其中α∈[0,5],β表示启发函数比重因子,其中β∈[0,5];
其中采用的局部信息素更新更新函数为:
τ′(a,n)=(1-ξ)×τ(a,b)
式中,τ'(a,b)表示更新后表示栅格a到栅格b路径上的信息素浓度,τ(a,b)表示更新前栅格a到栅格b路径上的信息素浓度,ξ表示设定的信息素调节因子,其中ξ∈[0.01,0.99];
判断蚂蚁是否到达目标点;若蚂蚁到达目标点,则进行全局信息素更新,并进一步判断是否满足停止条件;若满足停止条件,则输出最优路径;若不满足迭代停止条件,则在起始点重新放置蚂蚁并开始下一轮蚂蚁寻路的过程;若蚂蚁没有到达目标点,则蚂蚁继续寻路;
其中采用的全局信息素更新函数为:
τn+1(a,b)=ω×τn(a,b)+Δτn(a,b)
式中,τn+1(a,b)表示第n+1次循环中栅格a到栅格b路径上的信息素浓度,τn(a,b)表示当前第n次循环中栅格a到栅格b路径上的信息素浓度;其中n=1,2,…N-1,ω表示调节参数,其中ω∈[0.01,0.99],Δτn(a,b)表示在当前第n次循环中,所有蚂蚁在栅格a到栅格b路径上的信息素浓度之和。
本发明上述实施方式,提出了一种基于蚂蚁群算法构建的全局路径规划模型来对车辆到达目的地的路径进行适应性和合理的规划,其中在路径规划的时候特别考虑车辆到达目的地的时间和路程信息作为依据进行最优路径判断,有助于提高车辆路径指引的效果。同时在路径规划的时候,能够特别考虑园区内的实施道路状况进行实时分析,有助于避免车辆路径扎堆导致的道路拥堵情况,提高了园区车辆调度的合理性和智能化水平。
其中,步骤S3还包括:
临时权限管理,当权限匹配单元匹配到车辆的可用道路数据包含内部道路时,则将该车辆的车牌信息传输到内部道路的闸口控制终端,以使得闸口控制终端能够放行车辆进入内部道路。
S4显示车辆到达目的地的路径信息。
一种场景中,能够基于园区车闸门的智能终端显示相应的路径信息,以使得车辆在进入园区的时候,能够看到到达目的地的最优路径信息或者临时停车位的位置和路径信息,有助于协助驾驶员记录并根据显示的路径信息到达相应的目的地,通过在车辆进入园区的时候对车辆的路径进行提示,有助于保持园区内道路的畅通,避免引信息无法及时获取导致的道路拥堵情况的发生,提高了园区道路管理的适应性和智能化效果。
本发明上述实施方式,提出一种基于神经网络的园区自适应车辆调度及停车智能管控方法,通过在车辆进入园区的时候,获取车辆的位置信息、特征信息、权限信息和目的地信息;能够自适应地根据园区内的道路情况进行相应的路径分析,得到车辆到达目的地的最优路径展示给车辆的驾驶员,以使得车辆能够参考最优路径到达目的地,一方面有助于节省车辆到达园区内目的地的时间和行驶距离;另一方面有助于合理提高园区内道路疏导和车辆调度的合理性,提高园区道路的综合管理水平。
根据车辆的权限信息匹配车辆的可用道路数据,并对园区的内部道路进行自适应的控制,有助于提高园区内部道路的管理水平和利用率,提高道路管理和车辆调度、车辆停车的管理水平。
参见图2,本发明提出基于神经网络的园区自适应车辆调度及停车智能管控系统,其中园区的道路包括内部道路和公共道路,包括:信息获取模块、道路监控模块、数据处理模块和显示模块;其中,
信息获取模块用于获取进入园区车辆的当前位置信息、特征信息、权限信息和目的地信息;
道路监控模块用于获取园区内道路的道路监控数据,并根据道路监控数据分析园区内道路的拥堵情况;
数据处理模块用于根据园区车辆的权限信息,匹配相应的可用道路数据;根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块;
显示模块用于显示车辆到达目的地的路径信息。
其中,本发明提供的管控系统,能够基于园区内部设置的硬件设置进行搭建,例如,信息获取模块和显示模块设置在园区入口车闸的智能终端中,道路监控模块和数据处理模块基于集中的数据处理设备(如云服务器、智能终端)等设置,能够满足车辆在进入园区的时候能够通过闸口的智能终端得到车辆指引信息的需求。
同时,本发明也能够基于园区内的无人驾驶车辆设置,即将管控系统设置在无人驾驶车辆中,以满足车辆的智能化控制需求。
其中,目的地信息包括园区内的目标建筑,当入场车辆需要临时停车位时,则目的地信息为目标建筑附近的临时停车位信息;
一种实施方式中,信息获取模块包括定位单元、特征获取单元、目的地选择单元和权限获取单元;其中,
定位单元用于获取进入园区车辆的当前位置信息;
特征获取单元用于获取进入园区车辆的图像信息,并基于神经网络构建的机器视觉分析模型来提取车辆特征信息,其中车辆的特征信息包括车辆类型;
权限获取单元用于获取进入园区车辆的车牌信息,并根据获取的车牌信息识别该车辆的权限信息,其中车辆的权限信息包括白名单车辆、普通车辆和黑名单车辆;
目的地选择单元用于根据选择的目标企业或者目标场所获取相应的目的地信息,其中目标场所包括目标建筑或者目标停车场。
一种实施方式中,特征获取单元包括图像采集单元、预处理单元和特征提取单元;
图像采集单元用于采集进入园区车辆的整体图像,并将获取的车辆整体图像传输到预处理单元;
预处理单元用于对获取的车辆整体图像进行预处理,包括图像增强和图像标准化处理,得到预处理后的车辆整体图像并传输到特征提取单元;
特征提取单元用于将获取的预处理后的车辆整体图像输入到训练好的基于神经网络构建的机器视觉分析模型中,获取机器视觉分析模型输出的车辆类型信息,其中车辆类型包括小型车、中型车、大型车等;
一种实施方式中,基于神经网络构建的机器视觉分析模型也能够基于YOLOv4网络、AlexNet网络和R-CNN网络等结构搭建。
一种实施方式中,基于神经网络构建的机器视觉分析模型基于AlexNet网络构建,其中AlexNet网络结构包含依此连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层和softmax层;
其中输入层为输入预处理后的车辆整体图像;第一卷积层和第二卷积层分别包含32个卷积核,卷积核的尺寸分别为7*7和5*5,其中每个卷积层卷积核后存在激活层,激活层后进行池化操作和归一化操作;第三卷积层包含16个卷积核,卷积核尺寸为3*3,第三卷积层进行卷积操作后再依次进行激活和池化操作;第一全连接层包含256个神经元,第二全连接层包含16个神经元,第二全连接层输出能够反应车辆类型的特征向量;softmax层根据第二全连接层输出的特征向量进行分类,输出车辆类型识别结果。
其中激活函数采用ReLU6激活函数。
一种实施方式中,特征获取单元还包括模型训练单元;
模型训练单元用于训练所述基于神经网络构建的机器视觉分析模型,包括:
构建训练集,其中训练集中包含有标准车辆整体图像和相应的车辆类型标识;
基于构建的训练集对基于神经网络构建的机器视觉分析模型进行训练;
采用测试集对训练后的机器视觉分析模型进行测试,当测试准确率超过设定的标准时,输出训练好的基于神经网络构建的机器视觉分析模型。
上述实施方式,提出了一种基于神经网络搭建机器视觉分析模型,并进一步对进入园区的车辆的类型进行自适应分析的技术方案,能够针对进入园区车辆的车辆整体图像进行分析车辆的类型,从而进一步根据车辆类型判断是否允许该车辆进入园区内部道路,有助于避免大型车辆进入内部道路导致内部道路拥堵的情况,提高了园区道路的管理水平。
一种实施方式中,目的地选择单元还用于根据获取的临时停车需求,选择的目的企业或者目的场所匹配相应的临时停车位作为目的地。
一种实施方式中,信息获取模块还包括权限管理单元;
权限管理单元用于对车辆的权限信息进行管理,包括设置车辆为白名单或黑名单;
其中,黑名单车辆能够根据视频监控数据自动设置。
一种实施方式中,道路监控模块包括视频监控单元和视频分析单元;
视频监控单元用于采集园区道路的视频监控数据;
视频分析单元用于根据获取的视频监控数据分析对应道路的车流量信息,并根据得到的车流量信息获取该对应道路的拥堵情况。
通过对园区内道路的进行实时监控,能够根据园区内部道路的情况做出适应性的调度决策,例如当内部道路区域的车辆密度低于设定的标准水平是,则允许普通车辆进入内部道路,以提高内部道路的使用率;当内部道路的发生拥堵等情况时,则优先保证白名单车辆能够优先使用内部道路,有助于提高内部到道路的车辆调度水平。
一种实施方式中,数据处理模块包括权限匹配单元和路径规划单元;
权限匹配单元用于根据车辆的权限信息,匹配相应的可用道路数据,其中道路包括园区内部道路和公共道路;
路径规划单元用于根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块。
一种场景中,数据处理模块还包括临时权限管理单元,用于当权限匹配单元匹配到车辆的可用道路数据包含内部道路时,则将该车辆的车牌信息传输到内部道路的闸口控制终端,以使得闸口控制终端能够放行车辆进入内部道路。
一种实施方式中,所述全局路径规划模型为基于蚂蚁群算法构建的全局路径规划模型。
一种实施方式中,路径规划单元中,基于蚂蚁群算法构建的全局路径规划模型来获取车辆到达目的路径信息,包括:
根据实际园区道路地图信息建立道路栅格地图,其中栅格地图中包含有道路区域,其中道路区域包括内部道路区域和公共道路区域,并根据车辆当前位置信息和目的地信息确定起始点和目标点的栅格位置;
根据道路情况,获取道路区域内各栅格的道路等级,其中,根据道路的种类、宽度等信息,信息,设置相应的道路等级,其中道路的道路等级对应该道路的理想平均行驶速度;例如,道路等级分为5、4、3、2、1的6个等级,分别对应理想平均行驶速度为50km/h、40km/h、30km/h、20km/h、10km/h;
设置迭代次数N和蚂蚁数量M,并初始化格栅格的信息素浓度;
在蚂蚁寻路的过程中:
根据设定的启发函数计算道路区域内可通过栅格的启发值,其中采用的启发函数为:
H(a,b)=L(a,b)×t(a,b)×d(a,b)
式中,H(a,b)表示当前栅格a与可通过栅格b的启发值,L(a,b)栅格a到栅格b的可通行参数,其中L(a,b)根据当前车辆的可用道路数据获得,如果栅格b为当前车辆的可用道路,则L(a,b)=1,如果栅格b为不为当前车辆的可用道路(例如车辆的可用道路仅为公共道路,而栅格b属于内部道路区域),则L(a,b)=0;t(a,b)表示栅格a到栅格b的时间参数,其中d(a,b)表示栅格a到栅格b的距离,v(a,b)表示栅格a到栅格b的速度参数,其中v(a,b)=min(v'(a,b),vt(a,b)),其中,v'(a,b)表示栅格a到栅格b的对应道路的理想平均行驶速度;vt(a,b)为根据道路监控数据得到的栅格a到栅格b的对应道路的实际平均车速,其中,当栅格a到栅格b的对应道路一段时间周期内没有车辆通行,则vt(a,b)不取值;
根据道路区域内各栅格的通行等级和启发值,计算道路区域内各栅格的转移概率,根据得到的转移概率转移到下一栅格并进行局部信息素更新;其中,采用的转移概率计算函数为:
式中,Pk(a,b)表示蚂蚁k从栅格a转移到栅格b的概率,τα(a,b)表示栅格a到栅格b路径上的信息素浓度,Hβ(a,b)表示栅格a到栅格b路径上的启发值;J(a,b)栅格a到栅格b路径上的道路等级,τα(a,c)表示栅格a到栅格c路径上的信息素浓度,其中allow表示蚂蚁k的待访问节点集合;Hβ(a,c)表示栅格a到栅格c路径上的启发值,J(a,c)栅格a到栅格c路径上的道路等级,α表示信息素比重因子,其中α∈[0,5],β表示启发函数比重因子,其中β∈[0,5];
其中采用的局部信息素更新更新函数为:
τ′(a,b)=(1-ξ)×τ(a,b)
式中,τ'(a,b)表示更新后表示栅格a到栅格b路径上的信息素浓度,τ(a,b)表示更新前栅格a到栅格b路径上的信息素浓度,ξ表示设定的信息素调节因子,其中ξ∈[0.01,0.99];
判断蚂蚁是否到达目标点;若蚂蚁到达目标点,则进行全局信息素更新,并进一步判断是否满足停止条件;若满足停止条件,则输出最优路径;若不满足停止条件,则在起始点重新放置蚂蚁并开始蚂蚁寻路的过程;若蚂蚁没有到达目标点,则蚂蚁继续寻路。
其中采用的全局信息素更新函数为:
τn+1(a,b)=ω×τn(a,b)+Δτn(a,b)
式中,τn+1(a,b)表示第n+1次循环中栅格a到栅格b路径上的信息素浓度,τn(a,b)表示当前第n次循环中栅格a到栅格b路径上的信息素浓度;其中n=1,2,…N-1,ω表示调节参数,其中ω∈[0.01,0.99],Δτn(a,b)表示在当前第n次循环中,所有蚂蚁在栅格a到栅格b路径上的信息素浓度之和。
本发明上述实施方式,提出了一种基于蚂蚁群算法构建的全局路径规划模型来对车辆到达目的地的路径进行适应性和合理的规划,其中在路径规划的时候特别考虑车辆到达目的地的时间和路程信息作为依据进行最优路径判断,有助于提高车辆路径指引的效果。同时在路径规划的时候,能够特别考虑园区内的实施道路状况进行实时分析,有助于避免车辆路径扎堆导致的道路拥堵情况,提高了园区车辆调度的合理性和智能化水平。
需要说明的是,与上述基于神经网络的园区自适应车辆调度及停车智能管控方法相对应,本发明提出的管控系统中的各功能模块和单元能够实现上述如图1中各实施例对应的方法步骤,本发明在此不重复叙述。
需要说明的是,在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中,也可以是各个单元/模块单独物理存在,也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用软件功能单元/模块的形式实现。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解应当理解,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现,实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时,可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
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,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当分析,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (9)
1.基于神经网络的园区自适应车辆调度及停车智能管控方法,其中园区的道路包括内部道路和公共道路,其特征在于,包括:
S1获取进入园区车辆的当前位置信息、特征信息、权限信息和目的地信息;
S2获取园区内道路的道路监控数据,并根据道路监控数据分析园区内道路的拥堵情况;
S3根据园区车辆的权限信息,匹配相应的可用道路数据;根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块;
S4显示车辆到达目的地的路径信息。
2.根据权利要求1所述的基于神经网络的园区自适应车辆调度及停车智能管控方法,其特征在于,步骤S1包括:
S11获取进入园区车辆的当前位置信息;
S12获取进入园区车辆的图像信息,并基于神经网络构建的机器视觉分析模型来提取车辆特征信息,其中车辆的特征信息包括车辆类型;
S13获取进入园区车辆的车牌信息,并根据获取的车牌信息识别该车辆的权限信息,其中车辆的权限信息包括白名单车辆、普通车辆和黑名单车辆;
S14根据选择的目标企业或者目标场所获取相应的目的地信息,其中目标场所包括目标建筑或者目标停车场。
3.根据权利要求2所述的基于神经网络的园区自适应车辆调度及停车智能管控方法,其特征在于,步骤S12包括:
采集进入园区车辆的整体图像,并将获取的车辆整体图像传输到预处理单元;
对获取的车辆整体图像进行预处理,包括图像增强和图像标准化处理,得到预处理后的车辆整体图像;
将获取的预处理后的车辆整体图像输入到训练好的基于神经网络构建的机器视觉分析模型中,获取机器视觉分析模型输出的车辆类型信息,其中车辆类型包括小型车、中型车和大型车。
4.根据权利要求3所述的基于神经网络的园区自适应车辆调度及停车智能管控方法,其特征在于,基于神经网络构建的机器视觉分析模型基于AlexNet网络构建,其中AlexNet网络结构包含依此连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层和softmax层;
其中输入层为输入预处理后的车辆整体图像;第一卷积层和第二卷积层分别包含32个卷积核,卷积核的尺寸分别为7*7和5*5,其中每个卷积层卷积核后存在激活层,激活层后进行池化操作和归一化操作;第三卷积层包含16个卷积核,卷积核尺寸为3*3,第三卷积层进行卷积操作后再依次进行激活和池化操作;第一全连接层包含256个神经元,第二全连接层包含16个神经元,第二全连接层输出能够反应车辆类型的特征向量;softmax层根据第二全连接层输出的特征向量进行分类,输出车辆类型识别结果。
5.根据权利要求2所述的基于神经网络的园区自适应车辆调度及停车智能管控方法,其特征在于,步骤S1还包括:
S15对车辆的权限信息进行管理,包括设置车辆为白名单或黑名单。
6.根据权利要求2所述的基于神经网络的园区自适应车辆调度及停车智能管控方法,其特征在于,步骤S2包括:
S21采集园区道路的视频监控数据;
S22视频分析单元用于根据获取的视频监控数据分析对应道路的车流量信息,并根据得到的车流量信息获取该对应道路的拥堵情况。
7.根据权利要求6所述的基于神经网络的园区自适应车辆调度及停车智能管控方法,其特征在于,步骤S3包括:
S31根据车辆的权限信息,匹配相应的可用道路数据,其中道路包括园区内部道路和公共道路;
S32根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块。
8.根据权利要求7所述的基于神经网络的园区自适应车辆调度及停车智能管控方法,其特征在于,步骤S32具体包括:
基于蚂蚁群算法构建的全局路径规划模型来获取车辆到达目的路径信息,包括:
根据实际园区道路地图信息建立道路栅格地图,其中栅格地图中包含有道路区域,其中道路区域包括内部道路区域和公共道路区域,并根据车辆当前位置信息和目的地信息确定起始点和目标点的栅格位置;
根据道路情况,获取道路区域内各栅格的道路等级,其中,根据道路的种类、宽度等信息,设置相应的道路等级,其中道路的道路等级对应该道路的理想平均行驶速度;
设置迭代次数N和蚂蚁数量M,并初始化格栅格的信息素浓度;
在蚂蚁寻路的过程中:
根据设定的启发函数计算道路区域内可通过栅格的启发值,其中采用的启发函数为:
H(a,b)=L(a,b)×t(a,b)×d(a,b)
式中,H(a,b)表示当前栅格a与可通过栅格b的启发值,L(a,b)栅格a到栅格b的可通行参数,其中L(a,b)根据当前车辆的可用道路数据获得,如果栅格b为当前车辆的可用道路,则L(a,b)=1,如果栅格b为不为当前车辆的可用道路,则L(a,b)=0;t(a,b)表示栅格a到栅格b的时间参数,其中表示栅格a到栅格b的距离,v(a,b)表示栅格a到栅格b的速度参数,其中v(a,b)=min(v'(a,b),vt(a,b)),其中,v'(a,b)表示栅格a到栅格b的对应道路的理想平均行驶速度;vt(a,b)为根据道路监控数据得到的栅格a到栅格b的对应道路的实际平均车速,其中,当栅格a到栅格b的对应道路一段时间周期内没有车辆通行,则vt(a,b)不取值;
根据道路区域内各栅格的通行等级和启发值,计算道路区域内各栅格的转移概率,根据得到的转移概率转移到下一栅格并进行局部信息素更新;其中,采用的转移概率计算函数为:
式中,Pk(a,b)表示蚂蚁k从栅格a转移到栅格b的概率,τα(a,b)表示栅格a到栅格b路径上的信息素浓度,Hβ(a,b)表示栅格a到栅格b路径上的启发值;J(a,b)栅格a到栅格b路径上的道路等级,τα(a,c)表示栅格a到栅格c路径上的信息素浓度,其中allow表示蚂蚁k的待访问节点集合;Hβ(a,c)表示栅格a到栅格c路径上的启发值,J(a,c)栅格a到栅格c路径上的道路等级,α表示信息素比重因子,其中α∈[0,5],β表示启发函数比重因子,其中β∈[0,5];
其中采用的局部信息素更新更新函数为:
τ'(a,b)=(1-ξ)×τ(a,b)
式中,τ'(a,b)表示更新后表示栅格a到栅格b路径上的信息素浓度,τn(a,b)表示更新前栅格a到栅格b路径上的信息素浓度,ξ表示设定的信息素调节因子,其中ξ∈[0.01,0.99];
判断蚂蚁是否到达目标点;若蚂蚁到达目标点,则进行全局信息素更新,并进一步判断是否满足停止条件;若满足停止条件,则输出最优路径;若不满足迭代停止条件,则在起始点重新放置蚂蚁并开始下一轮蚂蚁寻路的过程;若蚂蚁没有到达目标点,则蚂蚁继续寻路;
其中采用的全局信息素更新函数为:
τn+1(a,b)=ω×τn(a,b)+Δτn(a,b)
式中,τn+1(a,b)表示第n+1次循环中栅格a到栅格b路径上的信息素浓度,τn(a,b)表示当前第n次循环中栅格a到栅格b路径上的信息素浓度;其中n=1,2,…N-1,ω表示调节参数,其中ω∈[0.01,0.99],Δτn(a,b)表示在当前第n次循环中,所有蚂蚁在栅格a到栅格b路径上的信息素浓度之和。
9.基于神经网络的园区自适应车辆调度及停车智能管控系统,其中园区的道路包括内部道路和公共道路,其特征在于,包括:信息获取模块、道路监控模块、数据处理模块和显示模块;其中,
信息获取模块用于获取进入园区车辆的当前位置信息、特征信息、权限信息和目的地信息;
道路监控模块用于获取园区内道路的道路监控数据,并根据道路监控数据分析园区内道路的拥堵情况;
数据处理模块用于根据园区车辆的权限信息,匹配相应的可用道路数据;根据车辆当前位置信息、车辆特征信息、可用道路数据、可用道路的拥堵情况和获取的目的地信息,基于全局路径规划模型来获取车辆到达目的路径信息,并将路径信息传输到显示模块;
显示模块用于显示车辆到达目的地的路径信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211416231.1A CN115601971B (zh) | 2022-11-12 | 2022-11-12 | 基于神经网络的园区自适应车辆调度及停车智能管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211416231.1A CN115601971B (zh) | 2022-11-12 | 2022-11-12 | 基于神经网络的园区自适应车辆调度及停车智能管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115601971A true CN115601971A (zh) | 2023-01-13 |
CN115601971B CN115601971B (zh) | 2023-11-10 |
Family
ID=84853483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211416231.1A Active CN115601971B (zh) | 2022-11-12 | 2022-11-12 | 基于神经网络的园区自适应车辆调度及停车智能管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601971B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824897A (zh) * | 2023-08-03 | 2023-09-29 | 深圳市景悦科技有限公司 | 一种基于智慧社区的交通管理方法及系统 |
CN117689185A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市拓远能源科技有限公司 | 一种基于物联网的设备数据调度优化方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010117151A (ja) * | 2008-11-11 | 2010-05-27 | Aisin Aw Co Ltd | 車載用ナビゲーション装置及びプログラム |
CN103267529A (zh) * | 2013-04-26 | 2013-08-28 | 北京车音网科技有限公司 | 导航方法和装置 |
CN105760954A (zh) * | 2016-02-15 | 2016-07-13 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
CN109584617A (zh) * | 2018-12-27 | 2019-04-05 | 济南浪潮高新科技投资发展有限公司 | 一种地下停车场智能导航方法及系统 |
CN111433565A (zh) * | 2017-12-18 | 2020-07-17 | 智加科技公司 | 用于自动驾驶车辆中的自身性能觉知路径规划的方法和系统 |
CN113240906A (zh) * | 2021-05-27 | 2021-08-10 | 山东产研信息与人工智能融合研究院有限公司 | 基于物流园区道路拥堵实时监控的车辆引导方法及系统 |
CN113743812A (zh) * | 2021-09-13 | 2021-12-03 | 江明权 | 基于智慧园区的运载车辆装载量调度方法及中心云平台 |
CN113985888A (zh) * | 2021-11-08 | 2022-01-28 | 合肥工业大学 | 一种基于改进蚁群算法的叉车路径规划方法及系统 |
CN114518124A (zh) * | 2022-04-20 | 2022-05-20 | 四川九通智路科技有限公司 | 一种车辆行驶线路规划方法及规划系统 |
CN114721402A (zh) * | 2022-05-24 | 2022-07-08 | 西安建筑科技大学 | 一种基于改进蚁群算法的泊车路径规划方法及系统 |
CN115375030A (zh) * | 2022-08-19 | 2022-11-22 | 阿维塔科技(重庆)有限公司 | 车辆行程规划方法、装置、设备及计算机可读存储介质 |
-
2022
- 2022-11-12 CN CN202211416231.1A patent/CN115601971B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010117151A (ja) * | 2008-11-11 | 2010-05-27 | Aisin Aw Co Ltd | 車載用ナビゲーション装置及びプログラム |
CN103267529A (zh) * | 2013-04-26 | 2013-08-28 | 北京车音网科技有限公司 | 导航方法和装置 |
CN105760954A (zh) * | 2016-02-15 | 2016-07-13 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN111433565A (zh) * | 2017-12-18 | 2020-07-17 | 智加科技公司 | 用于自动驾驶车辆中的自身性能觉知路径规划的方法和系统 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
CN109584617A (zh) * | 2018-12-27 | 2019-04-05 | 济南浪潮高新科技投资发展有限公司 | 一种地下停车场智能导航方法及系统 |
CN113240906A (zh) * | 2021-05-27 | 2021-08-10 | 山东产研信息与人工智能融合研究院有限公司 | 基于物流园区道路拥堵实时监控的车辆引导方法及系统 |
CN113743812A (zh) * | 2021-09-13 | 2021-12-03 | 江明权 | 基于智慧园区的运载车辆装载量调度方法及中心云平台 |
CN113985888A (zh) * | 2021-11-08 | 2022-01-28 | 合肥工业大学 | 一种基于改进蚁群算法的叉车路径规划方法及系统 |
CN114518124A (zh) * | 2022-04-20 | 2022-05-20 | 四川九通智路科技有限公司 | 一种车辆行驶线路规划方法及规划系统 |
CN114721402A (zh) * | 2022-05-24 | 2022-07-08 | 西安建筑科技大学 | 一种基于改进蚁群算法的泊车路径规划方法及系统 |
CN115375030A (zh) * | 2022-08-19 | 2022-11-22 | 阿维塔科技(重庆)有限公司 | 车辆行程规划方法、装置、设备及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824897A (zh) * | 2023-08-03 | 2023-09-29 | 深圳市景悦科技有限公司 | 一种基于智慧社区的交通管理方法及系统 |
CN117689185A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市拓远能源科技有限公司 | 一种基于物联网的设备数据调度优化方法 |
CN117689185B (zh) * | 2024-02-02 | 2024-05-07 | 深圳市拓远能源科技有限公司 | 一种基于物联网的设备数据调度优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115601971B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115601971B (zh) | 基于神经网络的园区自适应车辆调度及停车智能管控方法 | |
CN113409579B (zh) | 一种基于ai物联网技术的智慧城市交通管控系统 | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
DE102018105693A1 (de) | Strassenbau-Erfassungssysteme und -Verfahren | |
CN108983219A (zh) | 一种交通场景的图像信息和雷达信息的融合方法及系统 | |
DE102018104717A1 (de) | Systeme und verfahren zur vorhersage der fahrzeugabmessung | |
CN108574929A (zh) | 用于自主驾驶系统中的车载环境中的联网场景再现和增强的方法和设备 | |
CN108372856A (zh) | 来自自主驾驶系统中的感知流的有效情景意识 | |
US20190051164A1 (en) | System and method for retail revenue based traffic management | |
CN106485927A (zh) | 一种智能交通违章信息采集装置及采集方法 | |
WO2018141403A1 (en) | System, device and method for managing traffic in a geographical location | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN108831183A (zh) | 基于机器视觉的停车场管理系统 | |
AU2021205006A1 (en) | A system and method for detecting and transmitting incidents of interest of a roadway to a remote server | |
US20210279476A1 (en) | Method and system for analyzing the movement of bodies in a traffic system | |
CN113593250A (zh) | 一种基于视觉识别的违章停车检测系统 | |
EP4198454A1 (en) | Illumination-dependent navigation routes for vehicles | |
CN114882732A (zh) | 一种智慧城市的智能化停车管理系统 | |
DE112017008214T5 (de) | Shuttle-Routenplanungssystem | |
CN114662378A (zh) | 运输环境数据服务 | |
CN113085891A (zh) | 车辆控制方法、装置、非易失性存储介质及处理器 | |
CN116432956B (zh) | 一种基于客流量的公交车调配方法、系统、设备及介质 | |
US10642269B2 (en) | Vehicle localization system | |
CN114913447B (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
US11333519B2 (en) | Dynamic map generation with focus on construction and localization field of technology |
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 |