CN116167536A - 一种基于时间段学习优化的智慧停车管理方法 - Google Patents
一种基于时间段学习优化的智慧停车管理方法 Download PDFInfo
- Publication number
- CN116167536A CN116167536A CN202211579250.6A CN202211579250A CN116167536A CN 116167536 A CN116167536 A CN 116167536A CN 202211579250 A CN202211579250 A CN 202211579250A CN 116167536 A CN116167536 A CN 116167536A
- Authority
- CN
- China
- Prior art keywords
- parking
- information
- parking lot
- parking space
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000007726 management method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012795 verification Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
-
- 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
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于时间段学习优化的智慧停车管理方法,通过获取预选区域中停车场的不同时间段停车信息,以及目标车辆的停车路径引导信息,分别建立训练、验证数据集并进行神经网络模型的训练、评估和优化生成不同时间段相应的停车训练样本信息以及停车路径引导路权信息,停车时可分析优化后,筛选出优选目的地停车场以及停车位置;本发明利用大数据获取停车信息和停车路径引导信息,通过对停车场出入车流、停车场收费、停车位使用和停车位步行等信息,以及停车位占有率、最短路径和相应的路段权重进行的分析,可筛选出优选目的地停车场并进行排列,提高了停车规划效果,有利于停车路径的引导以及用户的优先级选择等优点。
Description
技术领域
本发明涉及停车优化技术领域,特别是一种基于时间段学习优化的智慧停车管理方法。
背景技术
现阶段的智慧停车系统往往采用摄像头的图像处理分析车辆的泊车使用情况,进行停车场的统计,或者配合泊位诱导管理软件,停车场系统管理中心可以监控场内所有泊位的使用情况,对停车场进行有效的管理。但是现阶段缺少对不同时间段的泊车停车优化技术方案,道路上的用户,无法准确、全面地获取停车信息,从而造成停车规划效果较差,同时对规划路径的选择较多,不便于用户优先选择,即智慧停车的优先级不明显,特别是对于不同时间段的停车路径引导,缺少选择最优解的可选规划路径规划。
发明内容
鉴于上述现有的智慧停车中存在的问题,提出了本发明。
本发明提供一种基于时间段学习优化的智慧停车管理方法,其利用大数据获取停车信息和停车路径引导信息,通过对停车场出入车流、停车场收费、停车位使用和停车位步行,以及停车位占有率、最短路径和相应的路段权重进行分析,可筛选出优选目的地停车场并进行排列,提高了停车规划效果,有利于停车路径的引导以及用户的优先级选择等。
为实现上述目的,本发明提供如下技术方案:获取预选区域中停车场的不同时间段停车信息,以及目标车辆的停车路径引导信息;
基于上述停车信息和停车路径引导信息,分别建立训练、验证数据集并进行神经网络模型的训练、评估和优化,生成不同时间段相应的停车训练样本信息以及停车路径引导路权信息;
当前时刻在预选区域内选择目的地停车,根据目标车辆信息与目的地位置信息,匹配当前时刻的停车训练样本信息以及停车路径引导路权信息,并筛选出优选目的地停车场以及停车位置,并获取所述目的地停车场位置信息,以及所述停车场中的停车位信息。
作为本发明的一种优选方案,其中:所述停车信息包括停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,其中所述停车位步行信息为停车场出入口位置至停车位位置的步行信息,所述获取预选区域中停车场的不同时间段停车信息,具体地如下:
获取停车位使用信息和停车位步行信息,提取停车场监测视频,提取视频帧得到图片集;
对停车位图像数据中停车位边线进行语义分割得到相应的停车位使用特征信息并构建停车位图像数据的目标检测损失函数,以及根据相应的停车位使用特征信息生成相匹配的停车位步行特征信息,其中神经网络模型为轻量化深度学习语义分割模型;同时通过网络获取停车场出入车流信息和停车场收费信息,并生成相应的停车场出入车流特征信息和停车场收费特征信息;
根据上述停车位使用特征信息、停车位步行特征信息、停车场出入车流特征信息和停车场收费特征信息生成相应的目录链表,提取停车特征信息,将所述停车特征信息存储至标准停车特征矩阵中;
所述标准停车特征矩阵基于随机梯度下降,对不同时间段的停车信息进行迭代式更新训练,将训练好的停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,进行评估得到停车引导序列,基于所述停车引导序列,通过网络检索得到相应的停车目的点;
所述停车路径引导信息为目标车辆位置至预选区域中各个停车场位置的行车信息,根据所述停车引导序列生成的所述停车目的点,基于最短路径算法得到相应的路段权重,根据相应的路段权重以及停车位占有率评估后得到停车优化序列,基于所述停车优化序列以及优选权重值筛选出优选目的地停车场;
发送目的地停车场位置信息以及停车场中的停车位信息,并进行显示和提醒,以供参考。
作为本发明的一种优选方案,其中:在获取预选区域中停车场的不同时间段停车信息时,还包括对预选区域中停车场的停车位进行停车位占有率的分析评估,计算第n个停车场的停车位占有率Qn,如下:
其中,Qn为第n个停车场的停车位占有率,Tn为第n个停车场的停放车数,Yn为第n个停车场预约车位停放记录数,Nn为第n个停车场的总停车位数;;计算第n个停车场的停车位占有率Qn,生成到第n个停车场一段时间内的停车位占有率累计值后,利用GM灰色模型建立差分方程,利用第n个停车场一段时间内的停车位占有率累计值/>的历史数据建立微分方程,通过离散情况生成预选区域中相应的停车场的停车位占有率评估的预测值PQn。
作为本发明的一种优选方案,其中:将训练好的停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,进行评估得到停车引导序列,具体地通过分析第n个停车场不同时间段T的停车引导值得出,所述第n个停车场不同时间段T的停车引导值如下:
其中,为第n个停车场在第T段时间内停车场出入车流数据值,/>为第n个停车场在第T段时间内停车场收费数据值,/>为第n个停车场在第T段时间内停车位使用数据值,为第n个停车场在第T段时间内停车位步行数据值,w1、w2、w3、w4分别为对应的权重系数,且w1+w2+w3+w4=1。
作为本发明的一种优选方案,其中:所述停车路径引导信息根据所述停车引导序列生成的停车目的点,基于最短路径算法得到相应的路段权重,根据相应的路段权重以及停车位占有率评估后得到停车优化序列,具体地所述路段权重计算公式如下:
其中,Wi为第i条路段的权重,t0为第i条路段上车辆平均行驶时间,v/c为第i条路段上的道路饱和度,α、β分别为待标定的参数;
基于第i条路段的权重Wi、停车位占有率评估的预测值PQn和最短路径进行分析后,生成对应的停车优化序列;所述优选权重值为所述第i条路段的权重Wi、停车位占有率评估的预测值PQn和最短路径的预设权重值。
作为本发明的一种优选方案,其中:所述根据相应的停车位使用特征信息生成相匹配的停车位步行特征信息,具体地,通过获取相应的停车位的位置信息,以及对应停车场的各个出口位置信息,生成多条停车步行路径,以及相匹配的停车位步行时间特征信息。
具体地,对停车场出入车流信息以及停车场收费信息进行收集和分类,对指定停车场进行停车场进场车流量调查,每15分钟记录一次车流量和收费信息,计算得到该停车场场内实时车辆数,包括具体日期、具体时间段以及是否为工作日的数据信息;
在收集到大量可靠的车流量和收费信息数据作为样本数据后,将整个样本数据随机等分成三个子集:训练集、测试集和预测集;训练集的数据用于对建模过程中生成的各中间模型的参数进行估计,测试集的样本数据用于结合外准则对生成的中间待选模型进行筛选。
作为本发明的一种优选方案,其中:所述最短路径算法采用Dijkstra迪杰斯特拉算法。
本发明的有益效果:本发明利用大数据获取停车信息和停车路径引导信息,通过停车场出入车流、停车场收费、停车位使用和停车位步行,以及停车位占有率、最短路径和相应的路段权重的分析,可筛选出优选目的地停车场并进行排列,提高了停车规划效果,有利于停车路径的引导以及用户的优先级选择等优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明实施例中基于时间段学习优化的智慧停车管理方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,为本发明的一个实施例,该实施例提供了一种基于时间段学习优化的智慧停车管理方法,具体步骤如下:
步骤一,获取预选区域中停车场的不同时间段停车信息,以及目标车辆的停车路径引导信息;停车信息包括停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,其中停车位步行信息为停车场出入口位置至停车位位置步行信息,获取预选区域中停车场的不同时间段停车信息;停车路径引导信息为目标车辆位置至预选区域中各个停车场位置的行车信息。
步骤二,基于上述停车信息和停车路径引导信息,分别建立训练、验证数据集并进行神经网络模型的训练、评估和优化,生成不同时间段相应的停车训练样本信息以及停车路径引导路权信息,具体地如下:
获取停车位使用信息和停车位步行信息,提取停车场监测视频,提取视频帧得到图片集;
对停车位图像数据中停车位边线进行语义分割,得到相应的停车位使用特征信息并构建停车位图像数据的目标检测损失函数,以及根据相应的停车位使用特征信息生成相匹配的停车位步行特征信息,其中神经网络模型为轻量化深度学习语义分割模型;同时通过网络获取停车场出入车流信息和停车场收费信息,并生成相应的停车场出入车流特征信息和停车场收费特征信息;
根据上述停车位使用特征信息、停车位步行特征信息、停车场出入车流特征信息和停车场收费特征信息生成相应的目录链表,提取停车特征信息,将停车特征信息存储至标准停车特征矩阵中;
本实施例获取停车场出入车流信息以及停车场收费信息,匹配生成第n个停车场在第T段时间内停车场出入车流数据值以及停车场收费数据值/>具体地对停车场出入车流信息以及停车场收费信息的收集和分类,对指定停车场进行停车场进场车流量调查,每15分钟记录一次车流量和收费信息,计算得到该停车场场内实时车辆数,包括具体日期、具体时间段以及是否为工作日的数据信息;在收集到大量可靠的车流量和收费信息数据作为样本数据后,将整个样本数据随机等分成三个子集:训练集、测试集和预测集;训练集的数据用于对建模过程中生成的各中间模型的参数估计,测试集的样本数据用于结合外准则对生成的中间待选模型进行筛选。
本实施例根据相应的停车位使用特征信息生成相匹配的停车位步行特征信息,具体地,通过获取相应的停车位的位置信息,以及对应停车场的各个出口位置信息,生成多条停车步行路径,以及相匹配的停车位步行时间特征信息。
本实施例标准停车特征矩阵基于随机梯度下降,对不同时间段的停车信息进行迭代式更新训练,将训练好的停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,进行评估得到停车引导序列,具体地通过分析第n个停车场不同时间段T的停车引导值得出,第n个停车场不同时间段T的停车引导值/>如下:
其中,为第n个停车场在第T段时间内停车场出入车流数据值,/>为第n个停车场在第T段时间内停车场收费数据值,/>为第n个停车场在第T段时间内停车位使用数据值,为第n个停车场在第T段时间内停车位步行数据值,w1、w2、w3、w4分别为对应的权重系数,且w1+w2+w3+w4=1。/>
然后进行评估得到停车引导序列,基于停车引导序列,通过网络检索得到相应的停车目的点;
最后停车路径引导信息根据停车引导序列生成的停车目的点,基于最短路径算法得到相应的路段权重,根据相应的路段权重以及停车位占有率评估后得到停车优化序列,最短路径算法采用Dijkstra迪杰斯特拉算法,Dijkstra迪杰斯特拉算法是典型的单起点多讫点最短路径算法,用于计算一个起始节点到网路中其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展,直到扩展到终点为止,基于停车优化序列以及优选权重值筛选出优选目的地停车场。
本实施例需要强调的是在获取预选区域中停车场的不同时间段停车信息时,还包括对预选区域中停车场的停车位进行停车位占有率的分析评估,计算第n个停车场的停车位占有率Qn,如下:
其中,Qn为第n个停车场的停车位占有率,Tn为第n个停车场的停放车数,Yn为第n个停车场预约车位停放记录数,Nn为第n个停车场的总停车位数;
计算第n个停车场的停车位占有率Qn,生成到第n个停车场一段时间内的停车位占有率累计值后,利用GM灰色模型建立差分方程,利用第n个停车场一段时间内的停车位占有率累计值/>的历史数据建立微分方程,通过离散情况生成预选区域中相应的停车场的停车位占有率评估的预测值PQn。
步骤三,当前时刻在预选区域内选择目的地停车,根据目标车辆信息与目的地位置信息,匹配当前时刻的停车训练样本信息以及停车路径引导路权信息,并筛选出优选目的地停车场以及停车位置;停车路径引导信息根据停车引导序列生成的停车目的点,基于最短路径算法得到相应的路段权重,根据相应的路段权重以及停车位占有率评估后得到停车优化序列,具体地所述路段权重计算公式如下:
其中,Wi为第i条路段的权重,t0为第i条路段上车辆平均行驶时间,v/c为第i条路段上的道路饱和度,α、β分别为待标定的参数;
基于第i条路段的权重Wi、停车位占有率评估的预测值PQn和最短路径进行分析后,生成对应的停车优化序列;
优选权重值为第i条路段的权重Wi、停车位占有率评估的预测值PQn和最短路径的预设权重值。
最后获取目的地停车场位置信息,以及停车场中的停车位信息。
基于上述实施例内容,应用本申请的基于时间段学习优化的智慧停车技术方案后,相比传统停车规划具有以下优点:
其一,提高驾驶员的使用方便性和效率。驾驶员可以通过停车场大数据获取当前时刻的停车信息,例如:停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,以及停车占有率信息,全方位地了解停车场各个车库当前的使用状况,并且采用本申请方法的系统会自动为用户分配合适的泊位,提高了停车规划效果;同时通过对停车路径引导信息的优化,能够根据优先级动态规划停车场以及停车行驶路线,提高了停车效率和用户使用感受,有利于驾驶员的停车出行工作。
其二,保障了各个停车场内的停车秩序和停车利用率。驾驶员根据停车场内实时的信息,可快速高效完成停车,降低了预选区域下某个时间段、某些停车场的拥堵或空置情况的出现,可以很好的改善区域内停车的秩序,且有利于停车场的动态管理。
其三,促进停车场周围交通顺畅,确保交通安全,使得停车管理使用效率提高,缓解停车场进口的排队等待拥堵,避免停车场周围的迂回行驶,减少交通堵塞发生的可能性,从而实现畅通的交通流,确保交通安全。
综上所述,本发明利用大数据获取停车信息和停车路径引导信息,通过对停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,以及停车位占有率信息、最短路径和相应的路段权重进行的分析,可筛选出优选目的地停车场并进行排列,提高了停车规划效果,有利于停车路径的引导以及用户的优先级选择等优点。
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者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于时间段学习优化的智慧停车管理方法,其特征在于,包括:
获取预选区域中停车场的不同时间段停车信息,以及目标车辆的停车路径引导信息;
基于上述停车信息和停车路径引导信息,分别建立训练、验证数据集并进行神经网络模型的训练、评估和优化,生成不同时间段相应的停车训练样本信息以及停车路径引导路权信息;
当前时刻在预选区域内选择目的地停车,根据目标车辆信息与目的地位置信息,匹配当前时刻的停车训练样本信息以及停车路径引导路权信息,并筛选出优选目的地停车场,并获取所述目的地停车场位置信息,以及所述停车场中的停车位信息。
2.如权利要求1所述的一种基于时间段学习优化的智慧停车管理方法,其特征在于,所述停车信息包括停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,其中所述停车位步行信息为停车场出入口位置至停车位位置的步行信息,所述获取预选区域中停车场的不同时间段停车信息,具体地如下:
获取停车位使用信息和停车位步行信息,提取停车场监测视频,提取视频帧得到图片集;
对停车位图像数据中停车位边线进行语义分割,得到相应的停车位使用特征信息并构建停车位图像数据的目标检测损失函数,以及根据相应的停车位使用特征信息生成相匹配的停车位步行特征信息,其中神经网络模型为轻量化深度学习语义分割模型;同时通过网络获取停车场出入车流信息和停车场收费信息,并生成相应的停车场出入车流特征信息和停车场收费特征信息;
根据上述停车位使用特征信息、停车位步行特征信息、停车场出入车流特征信息和停车场收费特征信息生成相应的目录链表,提取停车特征信息,将所述停车特征信息存储至标准停车特征矩阵中;
所述标准停车特征矩阵基于随机梯度下降,对不同时间段的停车信息进行迭代式更新训练,将训练好的停车场出入车流信息、停车场收费信息、停车位使用信息和停车位步行信息,进行评估得到停车引导序列,基于所述停车引导序列,通过网络检索得到相应的停车目的点;
所述停车路径引导信息为目标车辆位置至预选区域中各个停车场位置的行车信息,根据所述停车引导序列生成的所述停车目的点,基于最短路径算法得到相应的路段权重,根据相应的路段权重以及停车位占有率评估后得到停车优化序列,基于所述停车优化序列以及优选权重值筛选出优选目的地停车场;
发送目的地停车场位置信息以及停车场中的停车位信息,并进行显示和提醒,以供参考。
3.如权利要求2所述的一种基于时间段学习优化的智慧停车管理方法,其特征在于,在获取预选区域中停车场的不同时间段停车信息时,还包括对预选区域中停车场的停车位进行所述停车位占有率的分析评估,计算第n个停车场的停车位占有率Qn,如下:
其中,Qn为第n个停车场的停车位占有率,Tn为第n个停车场的停放车数,Yn为第n个停车场预约车位停放记录数,Nn为第n个停车场的总停车位数;
6.如权利要求2所述的一种基于时间段学习优化的智慧停车管理方法,其特征在于,所述根据相应的停车位使用特征信息生成相匹配的停车位步行特征信息,具体地,通过获取相应的停车位的位置信息,以及对应停车场的各个出口位置信息,生成多条停车步行路径,以及相匹配的停车位步行时间特征信息。
具体地,对停车场出入车流信息以及停车场收费信息进行收集和分类,对指定停车场进行停车场进场车流量调查,每15分钟记录一次车流量和收费信息,计算得到该停车场场内实时车辆数,包括具体日期、具体时间段以及是否为工作日的数据信息;
在收集到大量可靠的车流量和收费信息数据作为样本数据后,将整个样本数据随机等分成三个子集:训练集、测试集和预测集;训练集的数据用于对建模过程中生成的模型的参数进行估计,测试集的样本数据用于结合外准则对生成的中间待选模型进行筛选。
8.如权利要求2所述的一种基于时间段学习优化的智慧停车管理方法,其特征在于,所述最短路径算法采用Dijkstra迪杰斯特拉算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211579250.6A CN116167536B (zh) | 2022-12-07 | 2022-12-07 | 一种基于时间段学习优化的智慧停车管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211579250.6A CN116167536B (zh) | 2022-12-07 | 2022-12-07 | 一种基于时间段学习优化的智慧停车管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116167536A true CN116167536A (zh) | 2023-05-26 |
CN116167536B CN116167536B (zh) | 2023-08-04 |
Family
ID=86412137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211579250.6A Active CN116167536B (zh) | 2022-12-07 | 2022-12-07 | 一种基于时间段学习优化的智慧停车管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167536B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829377A (zh) * | 2024-03-04 | 2024-04-05 | 德阳城市智慧之心信息技术有限公司 | 基于神经网络的剩余车位预测方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761545A (zh) * | 2016-05-11 | 2016-07-13 | 泽信息科技(上海)有限公司 | 多目标停车泊位预定优选方法 |
CN108417031A (zh) * | 2018-03-15 | 2018-08-17 | 浙江大学 | 一种基于Agent仿真的智能停车泊位预约策略优化方法 |
US20200166942A1 (en) * | 2018-11-28 | 2020-05-28 | International Business Machines Corporation | Navigation via predictive task scheduling interruption for autonomous vehicles |
CN112419711A (zh) * | 2020-10-22 | 2021-02-26 | 桂林电子科技大学 | 基于改进gmdh算法的封闭式停车场停车需求预测方法 |
CN113744528A (zh) * | 2021-09-03 | 2021-12-03 | 江苏巨楷科技发展有限公司 | 一种智慧城市交通视频监控系统 |
CN114495552A (zh) * | 2022-01-21 | 2022-05-13 | 东南大学成贤学院 | 一种快速停车找车导航方法及其系统 |
CN114758496A (zh) * | 2022-03-30 | 2022-07-15 | 同济大学 | 一种停车场内车辆的诱导方法、装置及存储介质 |
CN114842668A (zh) * | 2022-04-08 | 2022-08-02 | 中国人民解放军空军工程大学 | 一种基于层次分析法的多场景停车车位导引方法 |
CN115273028A (zh) * | 2022-07-14 | 2022-11-01 | 清华大学 | 一种基于全域感知的智慧停车场语义地图构建方法及系统 |
-
2022
- 2022-12-07 CN CN202211579250.6A patent/CN116167536B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761545A (zh) * | 2016-05-11 | 2016-07-13 | 泽信息科技(上海)有限公司 | 多目标停车泊位预定优选方法 |
CN108417031A (zh) * | 2018-03-15 | 2018-08-17 | 浙江大学 | 一种基于Agent仿真的智能停车泊位预约策略优化方法 |
US20200166942A1 (en) * | 2018-11-28 | 2020-05-28 | International Business Machines Corporation | Navigation via predictive task scheduling interruption for autonomous vehicles |
CN112419711A (zh) * | 2020-10-22 | 2021-02-26 | 桂林电子科技大学 | 基于改进gmdh算法的封闭式停车场停车需求预测方法 |
CN113744528A (zh) * | 2021-09-03 | 2021-12-03 | 江苏巨楷科技发展有限公司 | 一种智慧城市交通视频监控系统 |
CN114495552A (zh) * | 2022-01-21 | 2022-05-13 | 东南大学成贤学院 | 一种快速停车找车导航方法及其系统 |
CN114758496A (zh) * | 2022-03-30 | 2022-07-15 | 同济大学 | 一种停车场内车辆的诱导方法、装置及存储介质 |
CN114842668A (zh) * | 2022-04-08 | 2022-08-02 | 中国人民解放军空军工程大学 | 一种基于层次分析法的多场景停车车位导引方法 |
CN115273028A (zh) * | 2022-07-14 | 2022-11-01 | 清华大学 | 一种基于全域感知的智慧停车场语义地图构建方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘典 等: "城市停车场实时车位获取与分配研究", 《计算机工程与应用》, vol. 53, no. 07, pages 242 - 247 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829377A (zh) * | 2024-03-04 | 2024-04-05 | 德阳城市智慧之心信息技术有限公司 | 基于神经网络的剩余车位预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116167536B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191896A (zh) | 个性化停车位推荐方法和系统 | |
CN104169990B (zh) | 用于提供关于空闲停车位的驻车信息的方法 | |
CN106503840B (zh) | 停车场可用车位预测方法及系统 | |
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
CN108877226B (zh) | 景区交通旅游预测方法及预警系统 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN116167536B (zh) | 一种基于时间段学习优化的智慧停车管理方法 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN111191949B (zh) | 网约车辆异常行驶行为识别方法、装置、电子设备 | |
CN111507762A (zh) | 基于多任务共预测神经网络的城市出租车需求预测方法 | |
CN110472999A (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN111724184A (zh) | 一种转化概率预测方法及装置 | |
CN116757348A (zh) | 一种基于人工智能的出行信息智能规划管理系统及方法 | |
CN111737601A (zh) | 出行策略的推荐方法、装置、设备及存储介质 | |
CN113971893A (zh) | 一种车位推荐方法、装置及存储介质 | |
CN111951543B (zh) | 流量预测方法及装置 | |
CN114428916A (zh) | 停车场推荐方法以及相关装置 | |
CN116433269B (zh) | 基于大数据的片区式无人驾驶车辆停车场收费方法及装置 | |
CN114492169B (zh) | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 | |
CN110046535B (zh) | 基于机器学习的智能出行时间预测系统、方法及存储介质 | |
CN116451867A (zh) | 一种基于时空出行路径标定的地铁短时客流预测方法 | |
CN114387816B (zh) | 基于消费者行为预测分析的商城车流引导系统及方法 | |
CN113255958B (zh) | 描述波动特性的城市轨道交通客流量变化区间预测方法 | |
Slik et al. | Transaction-driven mobility analysis for travel mode choices | |
Rodrigues et al. | Hybrid context-aware multimodal routing |
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 |