CN116090646A - 一种用于室内停车场的最佳泊位求解方法及停车引导系统 - Google Patents

Abstract

本发明适用于停车场管理技术领域，提供了一种用于室内停车场的最佳泊位求解方法，方法包括如下步骤：步骤一、采集相关数据；步骤二、将停车信息表单数据发送并保存至云服务器；步骤三、发出停车请求到云服务器；步骤四、云服务器接受停车请求并调用中央控制器；步骤五、中央控制器求解最佳泊位并规划最佳路径；步骤六、将获取的最佳泊位和路径传递至前端功能处理板；步骤七、根据获取的最佳泊位和路径信息开始泊车。本发明中的一种用于室内停车场的最佳泊位求解方法及停车引导系统，通过建立基于多因素决策的最佳泊位分配模型，综合考虑车主的个人需求以及停车场的系统利用率，在最大程度上提高了车主的停泊满意度，提高了停泊效率。

Description

一种用于室内停车场的最佳泊位求解方法及停车引导系统

技术领域

本发明属于停车场管理技术领域，尤其涉及一种用于室内停车场的最佳泊位求解方法及停车引导系统。

背景技术

随着社会经济不断发展进步，人们的生活水平逐步提高，私家车已然司空见惯，越来越多的车辆在带给人们生活便利的同时，也产生了不少亟待解决的问题，例如交通拥堵和环境污染等。其中，作为引起交通压力的重要原因之一的停车问题日益严重，且尤为突出。

为了解决“停车难”这一现实问题，停车场的建设和管理尤为重要。现实情况中，当停车者对目的地附近停车场的停车信息一无所知时，通常会采用传统的巡泊方式寻找停车位，这种无诱导系统帮助下的泊车流程将花费停车者大量的时间。比较常见的室内地下停车库的空间密闭，具有辨识度的参照物少，易使停车者迷失方向，这不仅增加了巡泊的难度，而且还易使停车者的心情烦躁，导致停车的舒适度不佳。

然而，当前很多智能停车场车位引导系统派位随机，控制策略不清晰，系统利用率低，个体效率和系统效率时常矛盾，需要构建一个具有清晰控制策略、效率高且能够真实满足车主停车需求的智能化泊位分配模型，并提供给车主从停车场入口到被分配泊位的路径引导，以解决室内停车场智能化导泊这一现实问题，从而改善车主的出行体验以及环境问题，提高停车场的管理效率。

因此，针对以上现状，迫切需要开发一种用于室内停车场的最佳泊位求解方法及停车引导系统，以克服当前实际应用中的不足。

发明内容

针对现有技术存在的不足，本发明实施例的目的在于提供一种用于室内停车场的最佳泊位求解方法及停车引导系统，以解决上述背景技术中的问题。

为实现上述目的，本发明提供如下技术方案：

一种用于室内停车场的最佳泊位求解方法，所述方法包括如下步骤：

步骤一、面向车主提供个人信息管理功能，采集车主的停车数据以及停车场的相关数据；

步骤二、将车主的停车信息表单数据发送并保存至云服务器；

步骤三、车主根据个人需求发出停车请求到云服务器；

步骤四、云服务器接受停车请求并调用中央控制器；

步骤五、中央控制器首先根据待泊车辆的密度选择相应的停车控制策略，接着调用最佳泊位分配模型求解最佳泊位，最后根据求解的最佳泊位规划相应的最佳路径；

步骤六、中央控制器调用结束，云服务器将获取的最佳泊位和路径传递至前端功能处理板；

步骤七、车主通过前端功能处理板获取最佳泊位和路径信息开始泊车。

作为本发明进一步的技术方案，在步骤一中，所述相关数据车辆数据和停车场数据；

车辆数据是指车主通过前端功能处理板登记的停车信息，停车信息包括静态信息和动态信息，静态信息包括车主姓名、有效证件号、驾驶证件信息、车牌号以及联系方式，动态信息包括车型大小、驾驶熟练程度、可接受的最大步行距离以及拟前往的目的地；

停车场数据包括停车场的停车位类型、停车场入口、电梯出口、目的地垂直映射位置、停车场各分区的泊位分配情况、各分区的泊位占用率、泊车流量控制阈值以及停车场的拓扑结构图。

作为本发明进一步的技术方案，在步骤四中，云服务器以泊车申请作为输入，以最佳泊位和全局最优规划路径作为输出，并将车主的静态数据和动态数据一同提供给中央控制器，等待中央控制器的分配结果。

作为本发明进一步的技术方案，在步骤五中，所述停车控制策略包括先到先服务式的贪心控制策略和多目标同时优化的控制策略，中央控制器通过检查等待队列中排队请求的个数，计算待泊车辆的密度；

当待泊车辆的密度没有超过既定阈值时，按照车流量较小的情况进行处理，采取先到先服务式的贪心控制策略；

当待泊车辆的密度超过既定阈值时，按照车流量较大的情况进行处理，采取多目标同时优化的控制策略。

作为本发明进一步的技术方案，所述取先到先服务式的贪心控制策略是指依次为每个申请泊位的车辆单独调用最佳泊位分配模型，求解满足其个人需求的最佳泊位，输入与输出是一对一的关系；

所述多目标同时优化的控制策略是指通过组合优化算法同时对多个待泊车辆进行优化，采取模拟退火算法，调用一次最佳泊位分配模型，同时求解满足多名车主各自需求的最佳泊位，输入与输出是多对多的关系。

作为本发明进一步的技术方案，在步骤五中，最佳泊位分配模型是基于多变量因素决策的，最佳泊位分配模型包括用户因素以及系统因素；

用户因素是为了满足用户的个人需求，包括车型的大小，驾驶水平的熟练程度，所选目的地以及可接受的最大步行距离，针对车型大小和驾驶水平的定性指标，通过模糊评价法将其转化为定量描述；

系统因素包括每一个泊位距离停车入口的行驶距离、泊位距离电梯出口的步行距离、停泊难度、停车场各分区的泊位利用率以及局部路段拥堵系数。

作为本发明进一步的技术方案，所述最佳泊位分配模型求解的最佳泊位是指通过泊位的适应度函数将各个评价指标归一后进行带权求和评估得到的最优结果，泊位的适应度函数是用户因素和系统因素的综合考虑。

作为本发明进一步的技术方案，在步骤五中，最佳路径是指中央控制器以入口为起点，以最佳泊位为终点，在停车场拓扑图中应用Dijkstra算法，得到全局最优的规划路径。

一种停车引导系统，应用于上述的用于室内停车场的最佳泊位求解方法，所述停车引导系统包括：

数据采集模块，用于车主进行个人注册和信息登记，采集泊位分配模型所需的用户因素；

数据储存模块，用于存储车主的数据以及停车场的相关数据；

数据传输模块，用于将用户发出的停车请求传送给云服务器，再将泊位分配的结果和规划路径发送给用户；以及

数据处理模块。

作为本发明进一步的技术方案，所述数据处理模块包括：

密度估计模块，用于估算短时间内申请停泊的车流密度；

策略选择模块，用于比较车流密度与既定阈值的大小，选择相应的停车控制策略；

泊位求解模块，根据既定的停车控制策略，通过最佳泊位分配泊位求解最佳泊位并规划最佳路径。

与现有技术相比，本发明的有益效果是：

本发明通过建立基于多因素决策的最佳泊位分配模型，综合考虑了车主的个人需求以及停车场的系统利用率，在最大程度上提高了车主的停泊满意度，提高了停泊效率，同时停车场不会出现某部分区域车位被集中分配，而其他的区域空车位过剩这一情况，系统利用率得到提高，泊位资源的利用和分配更加合理；

此外，通过对车流密度进行估计，采用不同的停车控制策略；当车流量较少时，采取先到先服务式的贪心策略，依次为待泊车辆分配泊位，保障每位车主的停车满意度；当车流量较大时，采取多目标同时优化的策略，为短时间内的多辆待泊车辆同时分配最佳泊位，该策略能够很好地解决在不同车流量情况下的泊位分配问题；建立负责不同功能的模块，各个模块之间分工明确，通过协调配合，建立完整的停车位引导系统；对于用户端，操作简便易行且效率高，对于服务器端，控制策略清晰，计算方法高效合理。

为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明。

附图说明

图1为本发明室内停车场模拟测试环境平面图例。

图2为本发明最佳泊位分配模型所考虑影响因素的示意图。

图3为本发明所述先到先服务式的贪心控制策略流程图。

图4为本发明所述多目标同时优化控制策略的流程图。

图5为本发明所述多目标同时优化控制策略中初始泊位分配方案求解流程图。

图6为本发明所述多目标同时优化控制策略中新的泊位分配方案生成求解流程图。

图7为本发明停车控制策略选择的流程图。

图8为本发明车位引导系统各个模块之间的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

以下结合具体实施例对本发明的具体实现进行详细描述。

作为本发明一个实施例提供的一种用于室内停车场的最佳泊位求解方法，所述方法包括如下步骤：

步骤一、面向车主提供个人信息管理功能，采集车主的停车数据以及停车场的相关数据；

步骤二、将车主的停车信息表单数据发送并保存至云服务器；

步骤三、车主根据个人需求发出停车请求到云服务器；

步骤四、云服务器接受停车请求并调用中央控制器；

步骤五、中央控制器首先根据待泊车辆的密度选择相应的停车控制策略，接着调用最佳泊位分配模型求解最佳泊位，最后根据求解的最佳泊位规划相应的最佳路径；

步骤六、中央控制器调用结束，云服务器将获取的最佳泊位和路径传递至前端功能处理板；

步骤七、车主通过前端功能处理板获取最佳泊位和路径信息开始泊车。

作为本发明的一种优选实施例，在步骤一中，所述相关数据车辆数据和停车场数据；

车辆数据是指车主通过前端功能处理板登记的停车信息，停车信息包括静态信息和动态信息，静态信息包括车主姓名、有效证件号、驾驶证件信息、车牌号以及联系方式等，动态信息包括车型大小、驾驶熟练程度、可接受的最大步行距离以及拟前往的目的地等；

前端功能处理板可以是停车APP，它管理进入停车场的所有用户，车主使用停车场需要注册并登记信息；

停车场数据包括停车场的停车位类型、停车场入口、电梯出口、目的地垂直映射位置、停车场各分区的泊位分配情况、各分区的泊位占用率、泊车流量控制阈值以及停车场的拓扑结构图。

作为本发明的一种优选实施例，在步骤四中，云服务器以泊车申请作为输入，以最佳泊位和全局最优规划路径作为输出，并将车主的静态数据和动态数据一同提供给中央控制器，等待中央控制器的分配结果。

作为本发明的一种优选实施例，在步骤五中，所述停车控制策略包括先到先服务式的贪心控制策略和多目标同时优化的控制策略，中央控制器通过检查等待队列中排队请求的个数，计算待泊车辆的密度；

当待泊车辆的密度没有超过既定阈值时，按照车流量较小的情况进行处理，采取先到先服务式的贪心控制策略；

当待泊车辆的密度超过既定阈值时，按照车流量较大的情况进行处理，采取多目标同时优化的控制策略。

作为本发明的一种优选实施例，所述取先到先服务式的贪心控制策略是指依次为每个申请泊位的车辆单独调用最佳泊位分配模型，求解满足其个人需求的最佳泊位，输入与输出是一对一的关系；

所述多目标同时优化的控制策略是指通过组合优化算法同时对多个待泊车辆进行优化，采取模拟退火算法，调用一次最佳泊位分配模型，同时求解满足多名车主各自需求的最佳泊位，输入与输出是多对多的关系。

作为本发明的一种优选实施例，在步骤五中，最佳泊位分配模型是基于多变量因素决策的，最佳泊位分配模型包括用户因素以及系统因素；

用户因素是为了满足用户的个人需求，包括车型的大小，驾驶水平的熟练程度，所选目的地以及可接受的最大步行距离，针对车型大小和驾驶水平的定性指标，通过模糊评价法将其转化为定量描述；

系统因素包括每一个泊位距离停车入口的行驶距离、泊位距离电梯出口的步行距离、停泊难度、停车场各分区的泊位利用率以及局部路段拥堵系数。

作为本发明的一种优选实施例，所述最佳泊位分配模型求解的最佳泊位是指通过泊位的适应度函数将各个评价指标归一后进行带权求和评估得到的最优结果，泊位的适应度函数是用户因素和系统因素的综合考虑。

作为本发明的一种优选实施例，在步骤五中，最佳路径是指中央控制器以入口为起点，以最佳泊位为终点，在停车场拓扑图中应用Dijkstra算法，得到全局最优的规划路径。

一种停车引导系统，应用于上述的用于室内停车场的最佳泊位求解方法，所述停车引导系统包括：

数据采集模块，位于客户端，用于用户进行个人信息的注册和登记，采集泊位分配模型所需的用户因素；

数据储存模块，位于云服务器端，用于存储用户的静态数据、动态数据以及停车场的相关数据；

数据传输模块，连接客户端和服务器端，将用户的泊车请求以及用户的动态数据从客户端传递给服务器端，将得到的最佳泊位和全局最优路径从服务器端传递给客户端，供用户使用；以及

数据处理模块，位于云服务器端，本发明中主要是中央控制器选择合适的停车控制策略，以用户的动态数据和停车场相关数据作为输入，调用最佳泊位分配方法，求得最佳泊位和全局最优路径，并将二者作为输出。

作为本发明的一种优选实施例，所述数据处理模块包括：

密度估计模块，用于估算短时间内申请停泊的车流密度；

策略选择模块，用于比较车流密度与既定阈值的大小，选择相应的停车控制策略；

泊位求解模块，根据既定的停车控制策略，通过最佳泊位分配泊位求解最佳泊位并规划最佳路径。

如图1所述，图中1是指的是停车场的入口位置，即待泊车辆的起点；

图中2是指单层停车位，测试环境共计52个单层车位；

图中3是指双层停车位，每个双层车位可供停泊5辆车，测试环境共计16个双层停车位，可供停泊车辆总数为80；

图中4、5、6和7均是指电梯出口，也叫步行出口，即车主将车在指定泊位停放后步行前往该出口；

图中8、9和10均是指目的地，这里的目的地并非真实在停车场内，而是实际目的地的垂直映射，例如，将该停车场设计应用于某一商圈的地下停车场；9所指的目的地对应于一家电影院，那么从车主的角度出发，若想尽快前往电影院，最佳选择必然是在5标识的电梯出口附近寻得一个合适的车位，显然，这样的车位要比仅仅按照最短行驶距离为原则而选定的车位更能让车主满意；

图中11和12是指划分的两个停车区域，其他所有的车位构成第三个停车区域，对于车位的管理采用分区管理原则，尽可能让每个区域的车位利用率在整个停车场的运行中维持均衡。

如图2所述，本发明模型将影响泊位分配的重要影响因素分为两大类，分别是用户因素和系统因素，其中，用户因素能够适应于不同类型的用户需求，同时，用户因素是通过影响系统因素来发挥其作用，所以两类因素并非相互独立，而是从逻辑上将其进行分类。

对于系统因素，用以下因素详细描述：

行驶时间T(s',j)：表示车辆从入口s'出发驶向泊位j并完成泊车的时长，包括如下几个构成部分：

行驶距离D(s',j)表示车辆从入口s'出发驶向泊位j的最短距离，用v_c代表车速；

转弯用时t_ci，表示第i辆车的转弯用时，x为弯道个数；

泊车用时t_pi，为第i辆车直接进入泊位的耗时；

调度用时t_mj，表示第j个泊位需要通过双层停车位调度的额外时间开销，η表示该泊位是否需要额外调度开销，取值为0或1；

综合以上各部分，给出行驶时间T(s',j)的计算公式如(1)所示。

步行距离D(j,e_k)，表示泊位j距离电梯出口e_k的最短距离，本发明在实际计算中采用泊位j距离电梯出口e_k的欧式距离来代表该值。

停泊难度r，影响车主在停车场内的行驶时间以及停车入位时间，其通过模糊评价法求得结果，受用户因素的影响，具体计算方法将在后文用户因素部分进行详细描述。

局部路段拥堵系数P_z，用来描述由于停车引导所引起的停车场内局部路段的拥堵情况，计算公式如(2)所示：

在公式(2)中，

表示以d_z作为目的地的待泊车辆总数，

表示在目的地d_z一定范围内的空余泊位数量，显然，P_z可以直观反映由于为向前往目的地d_z的待泊车辆进行停车引导而引起的局部路段拥堵情况，P_z越小，表示同一时间内，目的地d_z一定范围内的空余泊位数越多，而待泊车辆越少，这些泊位被分配出去的概率越大。

对于用户因素，用以下因素详细描述：

车型大小M_i：直接影响车主在停车场内的行驶时间以及停车入位时间，属于定性指标；

驾驶水平L_i：直接影响车主在停车场内的行驶时间以及停车入位时间，属于定性指标；

目的地d_z：车主根据自身需求所选择的目的地，直接影响步行距离D(j,e_k)的值，因为不同的目的地d_z必然会导致不同的步行出口e_k，相应的步行距离D(j,e_k)也会随之改变；

可接受的最大步行距离D_MAX：表示车主愿意为泊位满意度妥协的程度，通常而言车主希望D_MAX尽可能小以获得具有最小步行距离的泊位，从而更快地到达目的地，该指标的最小值会随着停车场空余泊位数量m的减少而增大。

对于车型大小M_i以及驾驶水平L_i，采取模糊评价法进行等级评价，具体评价方法如表1所示，图中括号内的整数值代表该属性值的定量表示。

表1

如图3所述，设置车型大小M_i和驾驶水平L_i的权重分别为w₁和w₂，则模糊评价结果r，即停泊难度的计算公式如公式(3)所示：

r＝w₁Mx+w₂L_i(0≤w₁<1,0≤w₂<1)   (3)

综上所述，泊位j的评价函数可做如下定义，如公式(4)所示：

F(s',j)＝αT(s',j)^*+βD(j,e_k)^*+γP_z ^*    (4)

对于公式(4)，需要说明的是：

T(s',j)^*、D(j,e_k)^*和P_z ^*分别是T(s',j)、D(j,e_k)和P_z归一化后的结果；

αβ，γ均为权重因子，取值范围为(0,1)，其中α＝λr(λ>0)，即a正比于停泊难度评价值r。

如图3所示，详细介绍对任意待泊车辆如何寻找最佳泊位：

1.云服务器将待泊车辆的相关属性值传给中央控制器；

2.中央控制器先对当前停车场空余泊位集合S_m进行拷贝，以便后续使用，为了兼顾停车场的系统利用率，将所有空余泊位分区管理，三个分区分别对应于泊位集合S_m1，S_m2和S_m3；

3.获得三个分区泊位集合的车位占用率，计算方式即为当前已经占用的车位数量与该分区泊位总数之比，三个分区的泊位占用率分别为rate1，rate2和rate3；

4.求得rate1，rate2和rate3三者的最小值，记为rate；

5.根据求得的rate，选择相对应的泊位集合S_mk；

6.对于S_mk中的所有空余泊位，分别计算它们的评估函数值F(s',j)，求得使评估函数值最小的泊位j^*，作为拟定最佳泊位；

7.从S_mk中删除j^*；

8.比较拟定最佳泊位j^*的步行距离D(j^*,e_k)和车主可接受的最大步行距离D_MAX；

9.如果D(j^*,e_k)<D_MAX，则拟定最佳泊位j^*即为满足车主需求的最佳泊位，中央控制器采用Dijkstra算法，以入口s'为起点，以最佳泊位j^*为终点，计算全局最优路径Path(s',j^*)；

10.中央控制器返回计算结果，包括最佳泊位j^*，全局最优路径Path(s',j^*)以及当前最小可接受的最大步行距离D_MAX。

11.如果D(j^*,e_k)>D_MAX，即拟定最佳泊位j^*无法满足车主需求，需要重新进行计算；

12.若

即当前空余泊位数量为0，则说明当前停车场的所有空余泊位均无法满足车主的需求，因此需将D_MAX增大，同时用2.中拷贝好的空余泊位集合来复原S_mk；

上述先到先服务式的贪心控制策略运行结束后，云服务器将最佳泊位j^*，全局最优路径Path(s',j^*)返回给前端信息板，即在停车APP上进行展示，车主可按照路径引导开始寻泊，同时云服务器将更新后台数据库中的最大步行距离D_MAX值，将其下限提高为新的D_MAX值，这样保证后续车主发出的寻泊请求也能够找到最佳泊位。

如图4所述，多目标同时优化的控制策略旨在解决待泊车流量较大的情况，将会牺牲一小部分用户满意度来提高整个系统的泊位利用率，从而降低停车场内部的拥堵情况，因此在该策略下将对可接受最大步行距离值D_MAX不予考虑，下面将结合图4，详细介绍对短时间内同时申请泊位的多个待泊车辆如何分配最佳泊位：

1.云服务器将所有待泊车辆的相关属性值传给中央控制器；

2.中央控制器采用模拟退火算法进行多目标同时优化，设定初始温度T_start和终止温度T_end，设置在每个温度下的迭代次数iterations，降温控制策略使用公式(5)中的温度更新方法：

T_curr＝ρT_pre   (5)

在公式(5)中，T_pre为上一轮迭代的温度值，T_curr为下一轮迭代的温度值，ρ＝0.95。

3.在空余泊位集合中选择一个合适的分配方案A₀，A₀中含有n个泊位，作为初始解准备进行迭代优化，同时注意，A₀中泊位的选择同样需要保证停车场各分区的泊位利用率的均衡性，本发明的初始泊位选择方案如图5所示：

4.生成新的泊位分配方案NA_k，具体的生成方法如图5所示：

5.计算泊位分配方案A_k-1和NA_k各自的评价函数值F(A_k-1)和F(NA_k)；

6.判断程序当前是否满足终止条件，采用两个终止条件来控制程序的结束，它们分别是：

若|F(NA_k)-F(A_k-1)|<θ，满足终止条件，其中θ为系统的既定阈值；

若T_start≤T_end，满足终止条件。

7.若程序满足了其中某一条终止条件，则表示已经求得最佳泊位的分配方案NA_k，执行A_k＝NA_k；

8.中央控制器调用Dijkstra算法，依次对最佳泊位分配方案A_k中的每个泊位求解全局最优路径，得到全局最优路径集合Path(A_k)；

9.中央控制器将最佳泊位分配方案A_k和全局最优路径集合Path(A_k)一并返回；

10.若程序不满足任何一条终止条件，则说明分配方案A_k-1并非最优解，需要判断方案A_k-1和当前生成的新方案NA_k的评价函数值的大小关系；

11.若F(NA_k)<F(A_k-1)，则说明当前生成的新方案NA_k要优于Ax_-1，因此将当前方案A_k赋值为NA_k，表示接受新方案；

12.进行当前温度下的下一次迭代；

13.若F(NA_k)>F(A_k-1)，则说明当前生成的新方案比A_k-1更差，这时为了防止程序陷入局部极小解，以一定概率p接受这个更差的方案作为当前方案，否则，当前方案不变，程序进入当前温度下的下一次迭代计算，概率p的计算采用公式(6)：

其中，ΔF＝F(NA_k)-F(A_k-1)。

图7为本发明所述停车控制策略选择流程图，如图7所示：

1.中央控制器会定期检查请求队列里的待泊申请数量，将该值记为size；

2.设定车流量阈值为δ，例如设置δ＝10；

3.若size>δ，则说明待泊车辆数大于10，属于车流量较大的情况，中央控制器将请求队列中的所有请求一次性全部取出，采用多目标同时优化控制策略；

4.若size<δ，则说明待泊车辆数不超过10，属于车流量较小的情况，中央控制器将依次处理请求队列里排在队首的请求，采用先到先服务式的控制策略。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于室内停车场的最佳泊位求解方法，其特征在于，所述方法包括如下步骤：

步骤一、面向车主提供个人信息管理功能，采集车主的停车数据以及停车场的相关数据；

步骤二、将车主的停车信息表单数据发送并保存至云服务器；

步骤三、车主根据个人需求发出停车请求到云服务器；

步骤四、云服务器接受停车请求并调用中央控制器；

步骤五、中央控制器首先根据待泊车辆的密度选择相应的停车控制策略，接着调用最佳泊位分配模型求解最佳泊位，最后根据求解的最佳泊位规划相应的最佳路径；

步骤六、中央控制器调用结束，云服务器将获取的最佳泊位和路径传递至前端功能处理板；

步骤七、车主通过前端功能处理板获取最佳泊位和路径信息开始泊车。

2.根据权利要求1所述的用于室内停车场的最佳泊位求解方法，其特征在于，在步骤一中，所述相关数据车辆数据和停车场数据；

车辆数据是指车主通过前端功能处理板登记的停车信息，停车信息包括静态信息和动态信息，静态信息包括车主姓名、有效证件号、驾驶证件信息、车牌号以及联系方式，动态信息包括车型大小、驾驶熟练程度、可接受的最大步行距离以及拟前往的目的地；

停车场数据包括停车场的停车位类型、停车场入口、电梯出口、目的地垂直映射位置、停车场各分区的泊位分配情况、各分区的泊位占用率、泊车流量控制阈值以及停车场的拓扑结构图。

3.根据权利要求1所述的用于室内停车场的最佳泊位求解方法，其特征在于，在步骤四中，云服务器以泊车申请作为输入，以最佳泊位和全局最优规划路径作为输出，并将车主的静态数据和动态数据一同提供给中央控制器，等待中央控制器的分配结果。

4.根据权利要求1所述的用于室内停车场的最佳泊位求解方法，其特征在于，在步骤五中，所述停车控制策略包括先到先服务式的贪心控制策略和多目标同时优化的控制策略，中央控制器通过检查等待队列中排队请求的个数，计算待泊车辆的密度；

当待泊车辆的密度没有超过既定阈值时，按照车流量较小的情况进行处理，采取先到先服务式的贪心控制策略；

当待泊车辆的密度超过既定阈值时，按照车流量较大的情况进行处理，采取多目标同时优化的控制策略。

5.根据权利要求4所述的用于室内停车场的最佳泊位求解方法，其特征在于，所述取先到先服务式的贪心控制策略是指依次为每个申请泊位的车辆单独调用最佳泊位分配模型，求解满足其个人需求的最佳泊位，输入与输出是一对一的关系；

所述多目标同时优化的控制策略是指通过组合优化算法同时对多个待泊车辆进行优化，采取模拟退火算法，调用一次最佳泊位分配模型，同时求解满足多名车主各自需求的最佳泊位，输入与输出是多对多的关系。

6.根据权利要求1所述的用于室内停车场的最佳泊位求解方法，其特征在于，在步骤五中，最佳泊位分配模型是基于多变量因素决策的，最佳泊位分配模型包括用户因素以及系统因素；

用户因素是为了满足用户的个人需求，包括车型的大小，驾驶水平的熟练程度，所选目的地以及可接受的最大步行距离，针对车型大小和驾驶水平的定性指标，通过模糊评价法将其转化为定量描述；

系统因素包括每一个泊位距离停车入口的行驶距离、泊位距离电梯出口的步行距离、停泊难度、停车场各分区的泊位利用率以及局部路段拥堵系数。

7.根据权利要求6所述的用于室内停车场的最佳泊位求解方法，其特征在于，所述最佳泊位分配模型求解的最佳泊位是指通过泊位的适应度函数将各个评价指标归一后进行带权求和评估得到的最优结果，泊位的适应度函数是用户因素和系统因素的综合考虑。

8.根据权利要求1所述的用于室内停车场的最佳泊位求解方法，其特征在于，在步骤五中，最佳路径是指中央控制器以入口为起点，以最佳泊位为终点，在停车场拓扑图中应用Dijkstra算法，得到全局最优的规划路径。

9.一种停车引导系统，应用于权利要求1至8任一项所述的用于室内停车场的最佳泊位求解方法，其特征在于，所述停车引导系统包括：

数据采集模块，用于车主进行个人注册和信息登记，采集泊位分配模型所需的用户因素；

数据储存模块，用于存储车主的数据以及停车场的相关数据；

数据传输模块，用于将用户发出的停车请求传送给云服务器，再将泊位分配的结果和规划路径发送给用户；以及

数据处理模块。

10.根据权利要求9所述的停车引导系统，其特征在于，所述数据处理模块包括：

密度估计模块，用于估算短时间内申请停泊的车流密度；

策略选择模块，用于比较车流密度与既定阈值的大小，选择相应的停车控制策略；

泊位求解模块，根据既定的停车控制策略，通过最佳泊位分配泊位求解最佳泊位并规划最佳路径。

Images