CN115880036A - 一种车位级动态共享智能管控交易平台 - Google Patents

Abstract

本申请涉及智能管控领域，其具体地公开了一种车位级动态共享智能管控交易平台，其通过采用基于深度学习的神经网络模型，基于用户发布的闲置车位共享语义理解特征和车位需求语义理解特征间的关联性特征来进行分类，以使得能够准确地进行车位资源的匹配和交易，提高车位资源的利用率。

Description

一种车位级动态共享智能管控交易平台

技术领域

本申请涉及智能管控领域，且更为具体地，涉及一种车位级动态共享智能管控交易平台。

背景技术

随着我国车辆保有量的增长，停车供需和时空矛盾愈发突出，很多核心区域，甚至时常发生“开车三十分，停车一小时”的情况。驾驶员寻找或等待停车位所浪费的时间以及由此衍生的交通拥堵加重问题，极大的影响了整个城市的运行效率，也造成了大量不必要的碳排放。与此同时，由于车位的时效性和信息不对称，大量停车场及个人车位闲置，无法得到充分、合理利用，造成了车位资源的极大浪费。

因此，期望一种优化的车位级动态共享智能管控交易平台。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种车位级动态共享智能管控交易平台，其通过采用基于深度学习的神经网络模型，基于用户发布的闲置车位共享语义理解特征和车位需求语义理解特征间的关联性特征来进行分类，以使得能够准确地进行车位资源的匹配和交易，提高车位资源的利用率。

根据本申请的一个方面，提供了一种车位级动态共享智能管控交易平台，其包括：车位共享信息发布模块，用于获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；车位需求信息发布模块，用于获取由第二用户发布的车位需求信息；车位共享信息理解模块，用于将所述闲置车位共享信息进行分词处理后通过基于转换器的第一语义编码器以得到闲置车位共享语义特征向量；车位需求信息理解模块，用于对所述车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量；关联编码模块，用于对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；小尺度关联优化模块，用于对所述匹配表达特征矩阵进行小尺度特征关联优化以得到优化匹配表达特征矩阵；以及管控结果生成模块，用于将所述优化匹配表达特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息。

在上述车位级动态共享智能管控交易平台中，所述车位共享信息理解模块，包括：第一分词单元，用于对所述闲置车位共享信息进行分词处理以将所述闲置车位共享信息转化为由多个词组成的词序列；第一词嵌入单元，用于使用所述基于转换器的第一语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第一上下文编码单元，用于使用所述基于转换器的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，第一级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述闲置车位共享语义特征向量。

在上述车位级动态共享智能管控交易平台中，所述第一上下文编码单元，包括：查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局词特征向量；自注意子单元，用于计算所述全局词特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。

在上述车位级动态共享智能管控交易平台中，所述车位需求信息理解模块，包括：第二分词单元，用于对所述车位需求信息进行分词处理以将所述车位需求信息转化为由多个词组成的词序列；第二词嵌入单元，用于使用所述基于转换器的第二语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第二上下文编码单元，用于使用所述基于转换器的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，第二级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述车位需求语义特征向量。

在上述车位级动态共享智能管控交易平台中，所述基于转换器的第一语义编码器和所述基于转换器的第二语义编码器为基于转换器的Bert模型。

在上述车位级动态共享智能管控交易平台中，所述关联编码模块，进一步用于：以如下公式对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；其中，所述公式为：

，

其中

表示所述闲置车位共享语义特征向量，/>

表示所述闲置车位共享语义特征向量的转置向量，/>

表示所述车位需求语义特征向量，/>

表示所述匹配表达特征矩阵，/>

表示向量相乘。

在上述车位级动态共享智能管控交易平台中，所述小尺度关联优化模块，包括：小尺度局部衍生特征矩阵计算单元，用于计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的小尺度局部衍生特征矩阵；以及，优化作用单元，用于以所述小尺度局部衍生特征矩阵作为加权特征矩阵对所述匹配表达特征矩阵进行按位置点乘以得到所述优化匹配表达特征矩阵。

在上述车位级动态共享智能管控交易平台中，所述小尺度局部衍生特征矩阵计算单元，进一步用于：以如下公式计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的所述小尺度局部衍生特征矩阵；其中，所述公式为：

，

其中

和/>

分别是所述闲置车位共享语义特征向量和所述车位需求语义特征向量的第/>

和第/>

个位置的特征值，/>

表示所述小尺度局部衍生特征矩阵的第

个位置的特征值。

在上述车位级动态共享智能管控交易平台中，所述管控结果生成模块，进一步用于：使用所述分类器以如下公式对所述优化匹配表达特征矩阵进行处理以获得分类结果，其中，所述公式为：

，其中/>

表示所述优化匹配表达特征矩阵，/>

表示将所述优化匹配表达特征矩阵投影为向量，

至/>

为各层全连接层的权重矩阵，/>

至/>

表示各层全连接层的偏置向量，/>

表示所述分类结果。

根据本申请的另一方面，提供了一种车位级动态共享智能管控交易方法，其包括：获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；获取由第二用户发布的车位需求信息；将所述闲置车位共享信息进行分词处理后通过基于转换器的第一语义编码器以得到闲置车位共享语义特征向量；对所述车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量；对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；对所述匹配表达特征矩阵进行小尺度特征关联优化以得到优化匹配表达特征矩阵；以及将所述优化匹配表达特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的车位级动态共享智能管控交易方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的车位级动态共享智能管控交易方法。

与现有技术相比，本申请提供的一种车位级动态共享智能管控交易平台，其通过采用基于深度学习的神经网络模型，基于用户发布的闲置车位共享语义理解特征和车位需求语义理解特征间的关联性特征来进行分类，以使得能够准确地进行车位资源的匹配和交易，提高车位资源的利用率。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的车位级动态共享智能管控交易平台的框图。

图2为根据本申请实施例的车位级动态共享智能管控交易平台的系统架构图。

图3为根据本申请实施例的车位级动态共享智能管控交易平台中车位共享信息理解模块的框图。

图4为根据本申请实施例的车位级动态共享智能管控交易平台中第一上下文编码单元的框图。

图5为根据本申请实施例的车位级动态共享智能管控交易平台中小尺度关联优化模块的框图。

图6为根据本申请实施例的车位级动态共享智能管控交易方法的流程图。

图7为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述：如前背景技术所言，由于车位的时效性和信息不对称，大量停车场及个人车位闲置，无法得到充分、合理利用，造成了车位资源的极大浪费。因此，期望一种优化的车位级动态共享智能管控交易平台。

具体地，车位级管控通过车位级动态共享使得城市充分释放现有存量停车资源特别是机构和个人私有停车资源的潜力，有效提升城市特别是核心城区的运行效率，其关键在于车位级资源共享平台的构建，以将以前由“停车场”为单位的车位管理，变为以“单个车位”为单位进行资源整合，与开发商或物业停车场、个人车位等静态交通资源进行合作，打通车位资源与社会的时空互通，多方联动为用户提供更方便、更智能、更安全的车位管理服务，打造智慧停车全新时代。

相应地，考虑到在实际进行车位管理过程中，最关键的就是关于闲置车位共享信息和车位需求信息的信息匹配问题。也就是说，要想提高车位级资源共享的精准度，需要提高闲置车位共享信息和车位需求信息的信息匹配的准确度。基于此，在本申请的技术方案中，期望基于用户发布的闲置车位共享语义理解特征和车位需求语义理解特征间的关联性特征来进行分类，以实现车位级资源的匹配表达，从而实现是否进行车位级资源共享的分类判断。在此过程中，难点在于如何挖掘所述闲置车位的共享语义理解特征和所述车位需求语义理解特征间的关联性关系，以使得能够准确地进行车位资源的共享，提高车位资源的利用率。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为挖掘所述闲置车位的共享语义理解特征和所述车位需求语义理解特征间的关联性关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述闲置车位的共享语义理解特征和所述车位需求语义理解特征间的关联性关系。

具体地，在本申请的技术方案中，首先，获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段。接着，考虑到所述闲置车位共享信息是由多个词组成，并且所述共享信息中的各个信息之间存在着关联性的语义特征，因此，为了能够准确地对所述于闲置车位共享信息进行语义理解，将所述闲置车位共享信息进行分词处理以避免词序混乱后通过基于转换器的第一语义编码器中进行编码，以提取出所述闲置车位共享信息中的各个信息以所述闲置车位共享信息的整体为语义背景的高维隐含特征信息，即基于全局的关于所述闲置车位共享信息的语义理解特征，从而得到闲置车位共享语义特征向量。也就是，具体地，对所述闲置车位共享信息进行分词处理并将分词后的每个词通过词嵌入模型以获得词嵌入向量的序列，再经由基于转换器的语义理解模型，例如基于转换器（transformer）的Bert模型得到闲置车位语义特征向量的序列，进一步再将其进行级联来得到闲置车位共享语义特征向量。特别地，这里，所述基于转换器的第一语义编码器为基于转换器的Bert模型，所述基于转换器的Bert模型能够通过转化器的内在掩码结构对所述词嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述闲置车位语义特征向量的序列。

然后，对于车位的需求信息来说，也需要对其进行充分且准确地语义理解，以此来提高车位级资源共享的精准度。具体地，首先，获取由第二用户发布的车位需求信息。然后，考虑到所述车位需求信息也包括有车位需求的所在区域所在地址和车位所需空闲时间段等信息，同时也考虑到所述车位需求信息是由多个词组成的，其中的各个信息间也具有着关联性关系。因此，在本申请的技术方案中，对所述车位需求信息进行分词处理以避免词序混乱后通过基于转换器的第二语义编码器中进行编码，以提取出所述车位需求信息中的各个信息以所述车位需求的语义理解信息的整体为语义背景的高维隐含特征信息，即基于全局的关于所述车位需求信息的语义理解特征，从而得到车位需求语义特征向量。特别地，这里，所述基于转换器的第二语义编码器为基于转换器的Bert模型。

进一步地，对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以此来提取出所述闲置车位的共享语义理解特征和所述车位需求语义理解特征间的关联性特征分布信息，也就是，关于所述闲置车位的共享信息与所述车位需求信息间的相互匹配关联特征信息，从而得到匹配表达特征矩阵。接着，进一步再将所述匹配表达特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息的分类结果。也就是，在本申请的技术方案中，以所述闲置车位的共享信息与所述车位需求信息间的相互匹配关联特征来进行二者的信息匹配分类处理，从而对于是否进行车位级资源的信息推送来进行准确地判断。这样，能够提高闲置车位共享信息和车位需求信息的匹配精准度，进而准确地进行车位资源的共享，提高车位资源的利用率。

特别地，这里，在对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码得到所述匹配表达特征矩阵时，考虑到所述闲置车位共享语义特征向量和所述车位需求语义特征向量均是通过对于词向量进行上下文语义编码后级联得到的，而对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码则是以特征值为单位进行按位置关联编码，因此期望增强所述闲置车位共享语义特征向量和所述车位需求语义特征向量在上下文词向量内部的小尺度特征关联。

因此，计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的小尺度局部衍生特征矩阵 来作为加权特征矩阵，表示为：

，

和/>

分别是所述闲置车位共享语义特征向量和所述车位需求语义特征向量的第/>

和第/>

个位置的特征值。

这里，通过计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量之间的小尺度局部衍生特征，可以基于所述闲置车位共享语义特征向量和所述车位需求语义特征向量之间的相应位置的几何逼近来模仿数据序列之间的互表达的物理性，从而以特征向量间的按位置逐点回归来增强跨特征域位置的局部非线性依赖。这样，通过以所述小尺度局部衍生特征矩阵作为加权特征图对所述匹配表达特征矩阵进行点乘来进行特征值加权，就可以提高所述匹配表达特征矩阵对于所述闲置车位共享语义特征向量和所述车位需求语义特征向量在上下文词向量内部的小尺度关联特征的表达效果，从而提高所述匹配表达特征矩阵的分类结果的准确性。这样，能够提高闲置车位共享信息和车位需求信息的匹配精准度，进而准确地进行车位资源的共享，提高车位资源的利用率。

基于此，本申请提出了一种车位级动态共享智能管控交易平台，其包括：车位共享信息发布模块，用于获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；车位需求信息发布模块，用于获取由第二用户发布的车位需求信息；车位共享信息理解模块，用于将所述闲置车位共享信息进行分词处理后通过基于转换器的第一语义编码器以得到闲置车位共享语义特征向量；车位需求信息理解模块，用于对所述车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量；关联编码模块，用于对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；小尺度关联优化模块，用于对所述匹配表达特征矩阵进行小尺度特征关联优化以得到优化匹配表达特征矩阵；以及，管控结果生成模块，用于将所述优化匹配表达特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统：图1为根据本申请实施例的车位级动态共享智能管控交易平台的框图。如图1所示，根据本申请实施例的车位级动态共享智能管控交易平台300，包括：车位共享信息发布模块310；车位需求信息发布模块320；车位共享信息理解模块330；车位需求信息理解模块340；关联编码模块350；小尺度关联优化模块360；以及，管控结果生成模块370。

其中，所述车位共享信息发布模块310，用于获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；所述车位需求信息发布模块320，用于获取由第二用户发布的车位需求信息；所述车位共享信息理解模块330，用于将所述闲置车位共享信息进行分词处理后通过基于转换器的第一语义编码器以得到闲置车位共享语义特征向量；所述车位需求信息理解模块340，用于对所述车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量；所述关联编码模块350，用于对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；所述小尺度关联优化模块360，用于对所述匹配表达特征矩阵进行小尺度特征关联优化以得到优化匹配表达特征矩阵；以及，所述管控结果生成模块370，用于将所述优化匹配表达特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息。

图2为根据本申请实施例的车位级动态共享智能管控交易平台的系统架构图。如图2所示，在该网络架构中，首先通过所述车位共享信息发布模块310获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；所述车位需求信息发布模块320获取由第二用户发布的车位需求信息；接着，所述车位共享信息理解模块330将所述车位共享信息发布模块310获取的闲置车位共享信息进行分词处理后通过基于转换器的第一语义编码器以得到闲置车位共享语义特征向量；所述车位需求信息理解模块340对所述车位需求信息发布模块320获取的车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量；然后，所述关联编码模块350对所述车位共享信息理解模块330得到的闲置车位共享语义特征向量和所述车位需求信息理解模块340得到的车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；所述小尺度关联优化模块360对所述关联编码模块350得到的匹配表达特征矩阵进行小尺度特征关联优化以得到优化匹配表达特征矩阵；进而，所述管控结果生成模块370将所述优化匹配表达特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息。

具体地，在所述车位级动态共享智能管控交易平台300的运行过程中，所述车位共享信息发布模块310和所述车位需求信息发布模块320，用于获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；以及，获取由第二用户发布的车位需求信息。考虑到在实际进行车位管理过程中，最关键的就是关于闲置车位共享信息和车位需求信息的信息匹配问题也就是说，要想提高车位级资源共享的精准度，需要提高闲置车位共享信息和车位需求信息的信息匹配的准确度。因此，在本申请的一个具体示例中，首先，应获取获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；以及，由第二用户发布的车位需求信息，由此可对其分别进行充分且准确地语义理解。

具体地，在所述车位级动态共享智能管控交易平台300的运行过程中，所述车位共享信息理解模块330，用于将所述闲置车位共享信息进行分词处理后通过基于转换器的第一语义编码器以得到闲置车位共享语义特征向量。考虑到所述闲置车位共享信息是由多个词组成，并且所述共享信息中的各个信息之间存在着关联性的语义特征，因此，为了能够准确地对所述于闲置车位共享信息进行语义理解，将所述闲置车位共享信息进行分词处理以避免词序混乱后通过基于转换器的第一语义编码器中进行编码，以提取出所述闲置车位共享信息中的各个信息以所述闲置车位共享信息的整体为语义背景的高维隐含特征信息，即基于全局的关于所述闲置车位共享信息的语义理解特征，从而得到闲置车位共享语义特征向量。也就是，具体地，对所述闲置车位共享信息进行分词处理并将分词后的每个词通过词嵌入模型以获得词嵌入向量的序列，再经由基于转换器的语义理解模型，例如基于转换器（transformer）的Bert模型得到闲置车位语义特征向量的序列，进一步再将其进行级联来得到闲置车位共享语义特征向量。特别地，这里，所述基于转换器的第一语义编码器为基于转换器的Bert模型，所述基于转换器的Bert模型能够通过转化器的内在掩码结构对所述词嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述闲置车位语义特征向量的序列。

图3为根据本申请实施例的车位级动态共享智能管控交易平台中车位共享信息理解模块的框图。如图3所示，所述车位共享信息理解模块330，包括：第一分词单元331，用于对所述闲置车位共享信息进行分词处理以将所述闲置车位共享信息转化为由多个词组成的词序列；第一词嵌入单元332，用于使用所述基于转换器的第一语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第一上下文编码单元333，用于使用所述基于转换器的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，第一级联单元334，用于将所述多个全局上下文语义特征向量进行级联以得到所述闲置车位共享语义特征向量。

图4为根据本申请实施例的车位级动态共享智能管控交易平台中上下文编码单元的框图。如图4所示，所述第一上下文编码单元333，包括：查询向量构造子单元3331，用于将所述词嵌入向量的序列进行一维排列以得到全局词特征向量；自注意子单元3332，用于计算所述全局词特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元3333，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元3334，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元3335，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；级联子单元3336，用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。

具体地，在所述车位级动态共享智能管控交易平台300的运行过程中，所述车位需求信息理解模块340，用于对所述车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量。考虑到所述车位需求信息也包括有车位需求的所在区域所在地址和车位所需空闲时间段等信息，同时也考虑到所述车位需求信息是由多个词组成的，其中的各个信息间也具有着关联性关系。因此，在本申请的技术方案中，对所述车位需求信息进行分词处理以避免词序混乱后通过基于转换器的第二语义编码器中进行编码，以提取出所述车位需求信息中的各个信息以所述车位需求的语义理解信息的整体为语义背景的高维隐含特征信息，即基于全局的关于所述车位需求信息的语义理解特征，从而得到车位需求语义特征向量。特别地，这里，所述基于转换器的第二语义编码器为基于转换器的Bert模型。更具体地，所述对所述车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量，包括：对所述车位需求信息进行分词处理以将所述车位需求信息转化为由多个词组成的词序列；使用所述基于转换器的第二语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述基于转换器的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述车位需求语义特征向量。

具体地，在所述车位级动态共享智能管控交易平台300的运行过程中，所述关联编码模块350，用于对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵。也就是，在本申请的技术方案中，对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以此来提取出所述闲置车位的共享语义理解特征和所述车位需求语义理解特征间的关联性特征分布信息，也就是，关于所述闲置车位的共享信息与所述车位需求信息间的相互匹配关联特征信息，从而得到匹配表达特征矩阵。在本申请的一个具体示例中，以如下公式对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；其中，所述公式为：

，其中/>

表示所述闲置车位共享语义特征向量，/>

表示所述闲置车位共享语义特征向量的转置向量，/>

表示所述车位需求语义特征向量，/>

表示所述匹配表达特征矩阵，/>

表示向量相乘。

具体地，在所述车位级动态共享智能管控交易平台300的运行过程中，所述小尺度关联优化模块360，用于对所述匹配表达特征矩阵进行小尺度特征关联优化以得到优化匹配表达特征矩阵。特别地，在本申请的技术方案中，在对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码得到所述匹配表达特征矩阵时，考虑到所述闲置车位共享语义特征向量和所述车位需求语义特征向量均是通过对于词向量进行上下文语义编码后级联得到的，而对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码则是以特征值为单位进行按位置关联编码，因此期望增强所述闲置车位共享语义特征向量和所述车位需求语义特征向量在上下文词向量内部的小尺度特征关联。因此，计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的小尺度局部衍生特征矩阵 来作为加权特征矩阵，表示为：

，

其中

和/>

分别是所述闲置车位共享语义特征向量和所述车位需求语义特征向量的第/>

和第/>

个位置的特征值，/>

表示所述小尺度局部衍生特征矩阵的第

个位置的特征值。这里，通过计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量之间的小尺度局部衍生特征，可以基于所述闲置车位共享语义特征向量和所述车位需求语义特征向量之间的相应位置的几何逼近来模仿数据序列之间的互表达的物理性，从而以特征向量间的按位置逐点回归来增强跨特征域位置的局部非线性依赖。这样，通过以所述小尺度局部衍生特征矩阵作为加权特征图对所述匹配表达特征矩阵进行点乘来进行特征值加权，就可以提高所述匹配表达特征矩阵对于所述闲置车位共享语义特征向量和所述车位需求语义特征向量在上下文词向量内部的小尺度关联特征的表达效果，从而提高所述匹配表达特征矩阵的分类结果的准确性。这样，能够提高闲置车位共享信息和车位需求信息的匹配精准度，进而准确地进行车位资源的共享，提高车位资源的利用率。

图5为根据本申请实施例的车位级动态共享智能管控交易平台中小尺度关联优化模块的框图。如图5所示，所述小尺度关联优化模块360，包括：小尺度局部衍生特征矩阵计算单元361，用于计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的小尺度局部衍生特征矩阵；以及，优化作用单元362，用于以所述小尺度局部衍生特征矩阵作为加权特征矩阵对所述匹配表达特征矩阵进行按位置点乘以得到所述优化匹配表达特征矩阵。

具体地，在所述车位级动态共享智能管控交易平台300的运行过程中，所述管控结果生成模块370，用于将所述优化匹配表达特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息。也就是，将所述述优匹配表达特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息的分类结果。也就是，在本申请的技术方案中，以所述闲置车位的共享信息与所述车位需求信息间的相互匹配关联特征来进行二者的信息匹配分类处理，从而对于是否进行车位级资源的信息推送来进行准确地判断。更具体地，所述将所述优化匹配表达特征矩阵通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述优化匹配表达特征矩阵进行处理以获得分类结果，其中，所述公式为：

，其中/>

表示所述优化匹配表达特征矩阵，/>

表示将所述优化匹配表达特征矩阵投影为向量，

至/>

为各层全连接层的权重矩阵，/>

至/>

表示各层全连接层的偏置向量，/>

表示所述分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述优化匹配表达特征矩阵投影为向量，例如，在一个具体的示例中，将所述优化匹配表达特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到所述编码分类特征向量归属于向第二用户推送由第一用户发布的闲置车位共享信息的第一标签，以及所述编码分类特征向量归属于不向第二用户推送由第一用户发布的闲置车位共享信息的第二标签。这样，能够提高闲置车位共享信息和车位需求信息的匹配精准度，进而准确地进行车位资源的共享，提高车位资源的利用率。

综上，根据本申请实施例的车位级动态共享智能管控交易平台300被阐明，其通过采用基于深度学习的神经网络模型，基于用户发布的闲置车位共享语义理解特征和车位需求语义理解特征间的关联性特征来进行分类，以使得能够准确地进行车位资源的匹配和交易，提高车位资源的利用率。

如上所述，根据本申请实施例的车位级动态共享智能管控交易平台可以实现在各种终端设备中。在一个示例中，根据本申请实施例的车位级动态共享智能管控交易平台300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该车位级动态共享智能管控交易平台300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该车位级动态共享智能管控交易平台300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该车位级动态共享智能管控交易平台300与该终端设备也可以是分立的设备，并且该车位级动态共享智能管控交易平台300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法：图6为根据本申请实施例的车位级动态共享智能管控交易方法的流程图。如图6所示，根据本申请实施例的车位级动态共享智能管控交易方法，包括步骤：S110，获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；S120，获取由第二用户发布的车位需求信息；S130，将所述闲置车位共享信息进行分词处理后通过基于转换器的第一语义编码器以得到闲置车位共享语义特征向量；S140，对所述车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量；S150，对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；S160，对所述匹配表达特征矩阵进行小尺度特征关联优化以得到优化匹配表达特征矩阵；以及，S170，将所述优化匹配表达特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息。

在一个示例中，在上述车位级动态共享智能管控交易方法中，所述步骤S130，包括：对所述闲置车位共享信息进行分词处理以将所述闲置车位共享信息转化为由多个词组成的词序列；使用所述基于转换器的第一语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述基于转换器的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述闲置车位共享语义特征向量。其中，所述使用所述基于转换器的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局词特征向量；计算所述全局词特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。

在一个示例中，在上述车位级动态共享智能管控交易方法中，所述步骤S140，包括：对所述车位需求信息进行分词处理以将所述车位需求信息转化为由多个词组成的词序列；使用所述基于转换器的第二语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述基于转换器的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述车位需求语义特征向量。其中，所述基于转换器的第一语义编码器和所述基于转换器的第二语义编码器为基于转换器的Bert模型。

在一个示例中，在上述车位级动态共享智能管控交易方法中，所述步骤S150，包括：以如下公式对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；其中，所述公式为：

，

其中

表示所述闲置车位共享语义特征向量，/>

表示所述闲置车位共享语义特征向量的转置向量，/>

表示所述车位需求语义特征向量，/>

表示所述匹配表达特征矩阵，/>

表示向量相乘。

在一个示例中，在上述车位级动态共享智能管控交易方法中，所述步骤S160，包括：计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的小尺度局部衍生特征矩阵；以及，以所述小尺度局部衍生特征矩阵作为加权特征矩阵对所述匹配表达特征矩阵进行按位置点乘以得到所述优化匹配表达特征矩阵。其中，所述计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的小尺度局部衍生特征矩阵，包括：以如下公式计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的所述小尺度局部衍生特征矩阵；其中，所述公式为：

，

其中

和/>

分别是所述闲置车位共享语义特征向量和所述车位需求语义特征向量的第/>

和第/>

个位置的特征值，/>

表示所述小尺度局部衍生特征矩阵的第

个位置的特征值。

在一个示例中，在上述车位级动态共享智能管控交易方法中，所述步骤S170，包括：使用所述分类器以如下公式对所述优化匹配表达特征矩阵进行处理以获得分类结果，其中，所述公式为：

，其中/>

表示所述优化匹配表达特征矩阵，/>

表示将所述优化匹配表达特征矩阵投影为向量，

至/>

为各层全连接层的权重矩阵，/>

至/>

表示各层全连接层的偏置向量，/>

表示所述分类结果。

综上，根据本申请实施例的车位级动态共享智能管控交易方法被阐明，其通过采用基于深度学习的神经网络模型，基于用户发布的闲置车位共享语义理解特征和车位需求语义理解特征间的关联性特征来进行分类，以使得能够准确地进行车位资源的匹配和交易，提高车位资源的利用率。

示例性电子设备：下面，参考图7来描述根据本申请实施例的电子设备。

图7示出了根据本申请实施例的电子设备的框图。

如图7所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的车位级动态共享智能管控交易平台中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如车位需求语义特征向量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的车位级动态共享智能管控交易方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的车位级动态共享智能管控交易方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (9)

1.一种车位级动态共享智能管控交易平台，其特征在于，包括：车位共享信息发布模块，用于获取由第一用户发布的闲置车位共享信息，所述共享信息包括车位所在区域所在地址和车位空闲时间段；车位需求信息发布模块，用于获取由第二用户发布的车位需求信息；车位共享信息理解模块，用于将所述闲置车位共享信息进行分词处理后通过基于转换器的第一语义编码器以得到闲置车位共享语义特征向量；车位需求信息理解模块，用于对所述车位需求信息进行分词处理后通过基于转换器的第二语义编码器以得到车位需求语义特征向量；关联编码模块，用于对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；小尺度关联优化模块，用于对所述匹配表达特征矩阵进行小尺度特征关联优化以得到优化匹配表达特征矩阵；以及管控结果生成模块，用于将所述优化匹配表达特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向第二用户推送由第一用户发布的闲置车位共享信息。

2.根据权利要求1所述的车位级动态共享智能管控交易平台，其特征在于，所述车位共享信息理解模块，包括：第一分词单元，用于对所述闲置车位共享信息进行分词处理以将所述闲置车位共享信息转化为由多个词组成的词序列；第一词嵌入单元，用于使用所述基于转换器的第一语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第一上下文编码单元，用于使用所述基于转换器的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及第一级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述闲置车位共享语义特征向量。

3.根据权利要求2所述的车位级动态共享智能管控交易平台，其特征在于，所述第一上下文编码单元，包括：查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局词特征向量；自注意子单元，用于计算所述全局词特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。

4.根据权利要求3所述的车位级动态共享智能管控交易平台，其特征在于，所述车位需求信息理解模块，包括：第二分词单元，用于对所述车位需求信息进行分词处理以将所述车位需求信息转化为由多个词组成的词序列；第二词嵌入单元，用于使用所述基于转换器的第二语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第二上下文编码单元，用于使用所述基于转换器的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及第二级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述车位需求语义特征向量。

5.根据权利要求4所述的车位级动态共享智能管控交易平台，其特征在于，所述基于转换器的第一语义编码器和所述基于转换器的第二语义编码器为基于转换器的Bert模型。

6.根据权利要求5所述的车位级动态共享智能管控交易平台，其特征在于，所述关联编码模块，进一步用于：以如下公式对所述闲置车位共享语义特征向量和所述车位需求语义特征向量进行关联编码以得到匹配表达特征矩阵；其中，所述公式为：

，

其中

表示所述闲置车位共享语义特征向量，/>

表示所述闲置车位共享语义特征向量的转置向量，/>

表示所述车位需求语义特征向量，/>

表示所述匹配表达特征矩阵，

表示向量相乘。

7.根据权利要求6所述的车位级动态共享智能管控交易平台，其特征在于，所述小尺度关联优化模块，包括：小尺度局部衍生特征矩阵计算单元，用于计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的小尺度局部衍生特征矩阵；以及优化作用单元，用于以所述小尺度局部衍生特征矩阵作为加权特征矩阵对所述匹配表达特征矩阵进行按位置点乘以得到所述优化匹配表达特征矩阵。

8.根据权利要求7所述的车位级动态共享智能管控交易平台，其特征在于，所述小尺度局部衍生特征矩阵计算单元，进一步用于：以如下公式计算所述闲置车位共享语义特征向量和所述车位需求语义特征向量的所述小尺度局部衍生特征矩阵；其中，所述公式为：

，

其中

和/>

分别是所述闲置车位共享语义特征向量和所述车位需求语义特征向量的第/>

和第/>

个位置的特征值，/>

表示所述小尺度局部衍生特征矩阵的第/>

个位置的特征值。

9.根据权利要求8所述的车位级动态共享智能管控交易平台，其特征在于，所述管控结果生成模块，进一步用于：使用所述分类器以如下公式对所述优化匹配表达特征矩阵进行处理以获得分类结果，其中，所述公式为：

，其中/>

表示所述优化匹配表达特征矩阵，/>

表示将所述优化匹配表达特征矩阵投影为向量，/>

至/>

为各层全连接层的权重矩阵，/>

至/>

表示各层全连接层的偏置向量，/>

表示所述分类结果。/>

Images