CN116189470B - 一种基于人工智能的计算机数据智能识别系统及方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的计算机数据智能识别系统及方法，涉及数据智能识别技术领域。所述系统包括数据采集模块、预测分析模块、磨损预测识别模块、智能推荐模块；所述数据采集模块的输出端与所述预测分析模块的输入端相连接；所述预测分析模块的输出端与所述磨损预测识别模块的输入端相连接；所述磨损预测识别模块的输出端与所述智能推荐模块的输入端相连接。本发明还提供了一种基于人工智能的计算机数据智能识别方法，通过构建最佳车位推荐模型，可以实现对车位的精准推荐，既满足管理人员对立体停车场的智能化运维管理，又进一步满足用户对车位的使用需求。

Description

一种基于人工智能的计算机数据智能识别系统及方法

技术领域

本发明涉及数据智能识别技术领域，具体为一种基于人工智能的计算机数据智能识别系统及方法。

背景技术

车辆无处停放的问题是城市的社会、经济、交通发展到一定程度产生的结果，由于很多新建小区内住户与车位的配比为1:1，为了解决停车位占地面积与住户商用面积的矛盾，立体停车场以其平均单车占地面积小的独特特性，已被广大用户接受；立体停车场与地下停车场相比可更加有效地保证人身和车辆的安全，一方面，立体停车场从管理上可以做到彻底的人车分流；另一方面，立体停车场可以免除采暖通风设施，有效解决车库短缺的小区停车难的问题。

然而，由于立体停车场采用的是机械移动的方式对车辆进行存取的，通常来说机械材料的使用寿命是有限的，例如主要负责移动车位的链条在使用的过程中会产生机械磨损，随着使用次数和使用时间的增加，车位链条的机械磨损会日趋严重，最终达到使用上限必须进行更换，在现实生活中，一般情况下，立体停车场的车辆停放位置的选择是由管理人员人机操作决定的，管理人员通常只会将车辆停放进空闲车位上，而不会考虑到某组车位一直被使用的情况，这就会造成某一组或某几组车位链条的机械磨损特别严重，而另外某些组车位链条的机械磨损却很小，这样的停放方式不仅不利于对立体停车场的维护管理，而且立体停车场车位链条的机械磨损故障可能会损失停车场用户的财产安全。

发明内容

本发明的目的在于提供一种基于人工智能的计算机数据智能识别系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：

一种基于人工智能的计算机数据智能识别方法，所述方法包括以下步骤：

步骤S1：获取历史大数据中立体停车场车位链条的历史使用次数，所述立体停车场车位链条用于在双层立体停车场中调整车位的链条，构建使用次数预测模型，计算立体停车场车位链条的预测使用次数；

步骤S2：对立体停车场内所有车位进行分组，获取立体停车场内所有分组车位的编号信息，获取每组车位链条的当前使用次数，基于立体停车场车位链条的预测使用次数计算每组车位链条的剩余使用次数；

步骤S3：构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间，利用重力传感器识别每组车位链条的承载重量，构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；

步骤S4：构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口。

进一步的，在步骤S1中，所述构建使用次数预测模型包括：

获取历史大数据中立体停车场车位链条的历史使用次数，记为A＝{a₁、a₂、a₃、......、a_z}；其中，a₁、a₂、a₃、......、a_z分别表示立体停车场第1、2、3、......、z组车位链条的历史使用次数；

根据公式：

其中，表示立体停车场车位链条的预测使用次数；a_i表示立体停车场第i组车位链条的历史使用次数。

进一步的，在步骤S2中，

对立体停车场内所有车位进行分组，共分为p组，每组车位包含q个车位，获取立体停车场内所有分组车位的编号信息；

获取每组车位链条的当前使用次数，记为B＝{b₁、b₂、b₃、......、b_p}；

根据公式：

其中，c_j表示第j组车位链条的剩余使用次数；表示立体停车场车位链条的预测使用次数；b_j表示第j组车位链条的当前使用次数。

在上述技术方案中，本申请的应用场景是双层升降横移式立体停车场，考虑到立体停车场车位链条的使用寿命是有限的，首先，通过获取立体停车场车位链条的历史使用次数并利用均值法求得立体停车场车位链条的预测使用次数可以预测立体停车场车位链条的使用寿命，另外，通过获取每组车位链条的当前使用次数，计算每组车位链条的剩余使用次数可以保证所有车位链条磨损的大体一致性，不会出现某组车位链条磨损严重，而另外某组车位链条未磨损的情况。

进一步的，在步骤S3中，所述构建车位链条磨损预测模型包括：

构建时间周期，记一天为一个时间周期；

获取任意一个时间周期k下第j组车位链条的所有使用缓冲时间，记为 其中，/>表示任意一个时间周期k下第j组车位链条在第1、2、3、......、u次的使用缓冲时间；所述使用缓冲时间是指连续多次使用同一组车位的间隔时间；

设置每组车位链条的使用缓冲时间分界值，记为t₀；

当时，判断第j组车位链条的第v次使用缓冲时间为长缓冲时间；

当时，判断第j组车位链条的第v次使用缓冲时间为短缓冲时间；

获取任意一个时间周期k下第j组车位链条长缓冲时间的次数，记为e_j；

获取任意一个时间周期k下第j组车位链条短缓冲时间的次数，记为f_j；

利用重力传感器识别出每组车位链条的承载重量，记为M＝{m₁、m₂、m₃、......、m_p}；其中，m₁、m₂、m₃、......、m_p分别表示第1、2、3、......、p组车位链条的承载重量；

构建车位链条磨损预测模型：

G(j)＝μ₁*m_j+μ₂*e_j+μ₃*f_j

其中，G(j)表示第j组车位链条的预测磨损值；μ₁表示车位链条承载重量的回归系数权重；m_j表示第j组车位链条的承载重量；μ₂表示车位链条长缓冲时间次数的回归系数权重；e_j表示任意一个时间周期k下第j组车位链条长缓冲时间的次数；μ₃表示车位链条短缓冲时间次数的回归系数权重；f_j表示任意一个时间周期k下第j组车位链条短缓冲时间的次数。

在上述技术方案中，首先，考虑到当连续多次使用同一组车位的间隔时间越短，意味着该组车位链条的使用缓冲时间越短，那么对该组车位链条造成的机械磨损就会越严重；其次，由于每个车辆的重量均有多不同且每组车位停放的数量也有所不同就会造成每组车位链条的承载重量有差异，当车位链条的承载重量越大时，对于车位链条的机械磨损就越严重。

进一步的，在步骤S4中，所述构建最佳车位推荐模型包括：

分别获取第j组车位链条的剩余使用次数c_j和第j组车位链条的预测磨损值；

构建最佳车位推荐模型：

H(j)＝H₀+α₁*c_j+α₂*G(j)

其中，H(j)表示第j组车位的推荐得分；H₀表示每组车位的归一化得分；α₁表示每组车位链条剩余使用次数的回归系数权重；α₂每组车位链条预测磨损值的回归系数权重；

按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口。

一种基于人工智能的计算机数据智能识别系统，所述系统包括数据采集模块、预测分析模块、磨损预测识别模块、智能推荐模块；

所述数据采集模块用于获取历史大数据中立体停车场车位链条的历史使用次数、对立体停车场内所有车位进行分组、获取立体停车场内所有分组车位的编号信息和获取每组车位链条的当前使用次数；所述预测分析模块用于构建使用次数预测模型，计算立体停车场车位链条的预测使用次数，并基于立体停车场车位链条的预测使用次数和每组车位链条的当前使用次数计算每组车位链条的剩余使用次数；所述磨损预测识别模块用于构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间，利用重力传感器识别每组车位链条的承载重量，构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；所述智能推荐模块用于构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口；

所述数据采集模块的输出端与所述预测分析模块的输入端相连接；所述预测分析模块的输出端与所述磨损预测识别模块的输入端相连接；所述磨损预测识别模块的输出端与所述智能推荐模块的输入端相连接。

进一步的，所述数据采集模块包括历史数据采集单元和当前数据采集单元；

所述历史数据采集单元用于获取历史大数据中立体停车场车位链条的历史使用次数；

所述当前数据采集单元用于对立体停车场内所有车位进行分组、获取立体停车场内所有分组车位的编号信息和获取每组车位链条的当前使用次数；

所述历史数据采集单元的输出端与所述当前数据采集单元的输入端相连接；所述当前数据采集单元的输出端与所述预测分析模块的输入端相连接。

进一步的，所述预测分析模块包括使用次数预测模型构建单元和第一分析单元；

所述使用次数预测模型构建单元用于构建使用次数预测模型，计算立体停车场车位链条的预测使用次数；

所述第一分析单元用于基于立体停车场车位链条的预测使用次数和每组车位链条的当前使用次数计算每组车位链条的剩余使用次数；

所述使用次数预测模型构建单元的输出端与所述第一分析单元的输入端相连接；所述第一分析单元的输出端与所述磨损预测识别模块的输入端相连接。

进一步的，所述磨损预测识别模块包括时间数据获取单元、智能识别单元、车位链条磨损预测模型构建分析单元；

所述时间数据获取单元用于构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间；

所述智能识别单元用于利用重力传感器识别每组车位链条的承载重量；

所述车位链条磨损预测模型构建分析单元用于构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；

所述时间数据获取单元的输出端与所述智能识别单元的输入端相连接；所述智能识别单元的输出端与所述车位链条磨损预测模型构建分析单元的输入端相连接；所述车位链条磨损预测模型构建分析单元的输出端与所述智能推荐模块的输入端相连接。

进一步的，所述智能推荐模块包括最佳车位推荐模型构建分析单元、列表更新单元和智能输出单元；

所述最佳车位推荐模型构建分析单元用于构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表；

所述列表更新单元用于把不存在空余车位的车位分组删除后更新推荐列表；

所述智能输出单元用于将推荐得分最高的分组车位的编号信息反馈至用户端口；

所述最佳车位推荐模型构建分析单元的输出端与所述列表更新单元的输入端相连接；所述列表更新单元的输出端与所述智能输出单元的输入端相连接。

与现有技术相比，本发明所达到的有益效果是：本发明能够基于历史大数据中立体停车场车位链条的历史使用次数，构建使用次数预测模型，计算立体停车场车位链条的预测使用次数，并获取每组车位链条的当前使用次数，计算每组车位链条的剩余使用次数；通过构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；以及通过构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口。本发明能够充分考虑立体停车场内每组车位的使用情况，基于每组车位链条的剩余使用次数和每组车位链条的预测磨损值构建最佳车位推荐模型，既可以实现对车位的精准推荐，又可以保证每组车位链条磨损大体一致，促进管理人员对立体停车场的维护管理，提高每组车位的使用率，降低因频繁使用某组车位造成的该组车位链条机械磨损严重而导致车辆从高处跌落受损的风险，维护停车场用户财产安全。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于人工智能的计算机数据智能识别系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供技术方案：

一种基于人工智能的计算机数据智能识别方法，所述方法包括以下步骤：

步骤S1：获取历史大数据中立体停车场车位链条的历史使用次数，所述立体停车场车位链条用于在双层立体停车场中调整车位的链条，构建使用次数预测模型，计算立体停车场车位链条的预测使用次数；

步骤S2：对立体停车场内所有车位进行分组，获取立体停车场内所有分组车位的编号信息，获取每组车位链条的当前使用次数，基于立体停车场车位链条的预测使用次数计算每组车位链条的剩余使用次数；

步骤S3：构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间，利用重力传感器识别每组车位链条的承载重量，构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；

步骤S4：构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口。

进一步的，在步骤S1中，所述构建使用次数预测模型包括：

获取历史大数据中立体停车场车位链条的历史使用次数，记为A＝{a₁、a₂、a₃、......、a_z}；其中，a₁、a₂、a₃、......、a_z分别表示立体停车场第1、2、3、......、z组车位链条的历史使用次数；

根据公式：

其中，表示立体停车场车位链条的预测使用次数；a_i表示立体停车场第i组车位链条的历史使用次数。

进一步的，在步骤S2中，

对立体停车场内所有车位进行分组，共分为p组，每组车位包含q个车位，获取立体停车场内所有分组车位的编号信息；

获取每组车位链条的当前使用次数，记为B＝{b₁、b₂、b₃、......、b_p}；

根据公式：

其中，c_j表示第j组车位链条的剩余使用次数；表示立体停车场车位链条的预测使用次数；b_j表示第j组车位链条的当前使用次数。

进一步的，在步骤S3中，所述构建车位链条磨损预测模型包括：

构建时间周期，记一天为一个时间周期；

获取任意一个时间周期k下第j组车位链条的所有使用缓冲时间，记为 其中，/>表示任意一个时间周期k下第j组车位链条在第1、2、3、......、u次的使用缓冲时间；所述使用缓冲时间是指连续多次使用同一组车位的间隔时间；

设置每组车位链条的使用缓冲时间分界值，记为t₀；

当时，判断第j组车位链条的第v次使用缓冲时间为长缓冲时间；

当时，判断第j组车位链条的第v次使用缓冲时间为短缓冲时间；

获取任意一个时间周期k下第j组车位链条长缓冲时间的次数，记为e_j；

获取任意一个时间周期k下第j组车位链条短缓冲时间的次数，记为f_j；

利用重力传感器识别出每组车位链条的承载重量，记为M＝{m₁、m₂、m₃、......、m_p}；其中，m₁、m₂、m₃、......、m_p分别表示第1、2、3、......、p组车位链条的承载重量；

构建车位链条磨损预测模型：

G(j)＝μ₁*m_j+μ₂*e_j+μ₃*f_j

其中，G(j)表示第j组车位链条的预测磨损值；μ₁表示车位链条承载重量的回归系数权重；m_j表示第j组车位链条的承载重量；μ₂表示车位链条长缓冲时间次数的回归系数权重；e_j表示任意一个时间周期k下第j组车位链条长缓冲时间的次数；μ₃表示车位链条短缓冲时间次数的回归系数权重；f_j表示任意一个时间周期k下第j组车位链条短缓冲时间的次数。

进一步的，在步骤S4中，所述构建最佳车位推荐模型包括：

分别获取第j组车位链条的剩余使用次数c_j和第j组车位链条的预测磨损值；

构建最佳车位推荐模型：

H(j)＝H₀+α₁*c_j+α₂*G(j)

其中，H(j)表示第j组车位的推荐得分；H₀表示每组车位的归一化得分；α₁表示每组车位链条剩余使用次数的回归系数权重；α₂每组车位链条预测磨损值的回归系数权重；

按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口。

一种基于人工智能的计算机数据智能识别系统，所述系统包括数据采集模块、预测分析模块、磨损预测识别模块、智能推荐模块；

所述数据采集模块用于获取历史大数据中立体停车场车位链条的历史使用次数、对立体停车场内所有车位进行分组、获取立体停车场内所有分组车位的编号信息和获取每组车位链条的当前使用次数；所述预测分析模块用于构建使用次数预测模型，计算立体停车场车位链条的预测使用次数，并基于立体停车场车位链条的预测使用次数和每组车位链条的当前使用次数计算每组车位链条的剩余使用次数；所述磨损预测识别模块用于构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间，利用重力传感器识别每组车位链条的承载重量，构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；所述智能推荐模块用于构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口；

所述数据采集模块的输出端与所述预测分析模块的输入端相连接；所述预测分析模块的输出端与所述磨损预测识别模块的输入端相连接；所述磨损预测识别模块的输出端与所述智能推荐模块的输入端相连接。

进一步的，所述数据采集模块包括历史数据采集单元和当前数据采集单元；

所述历史数据采集单元用于获取历史大数据中立体停车场车位链条的历史使用次数；

所述当前数据采集单元用于对立体停车场内所有车位进行分组、获取立体停车场内所有分组车位的编号信息和获取每组车位链条的当前使用次数；

所述历史数据采集单元的输出端与所述当前数据采集单元的输入端相连接；所述当前数据采集单元的输出端与所述预测分析模块的输入端相连接。

进一步的，所述预测分析模块包括使用次数预测模型构建单元和第一分析单元；

所述使用次数预测模型构建单元用于构建使用次数预测模型，计算立体停车场车位链条的预测使用次数；

所述第一分析单元用于基于立体停车场车位链条的预测使用次数和每组车位链条的当前使用次数计算每组车位链条的剩余使用次数；

所述使用次数预测模型构建单元的输出端与所述第一分析单元的输入端相连接；所述第一分析单元的输出端与所述磨损预测识别模块的输入端相连接。

进一步的，所述磨损预测识别模块包括时间数据获取单元、智能识别单元、车位链条磨损预测模型构建分析单元；

所述时间数据获取单元用于构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间；

所述智能识别单元用于利用重力传感器识别每组车位链条的承载重量；

所述车位链条磨损预测模型构建分析单元用于构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；

所述时间数据获取单元的输出端与所述智能识别单元的输入端相连接；所述智能识别单元的输出端与所述车位链条磨损预测模型构建分析单元的输入端相连接；所述车位链条磨损预测模型构建分析单元的输出端与所述智能推荐模块的输入端相连接。

进一步的，所述智能推荐模块包括最佳车位推荐模型构建分析单元、列表更新单元和智能输出单元；

所述最佳车位推荐模型构建分析单元用于构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表；

所述列表更新单元用于把不存在空余车位的车位分组删除后更新推荐列表；

所述智能输出单元用于将推荐得分最高的分组车位的编号信息反馈至用户端口；

所述最佳车位推荐模型构建分析单元的输出端与所述列表更新单元的输入端相连接；所述列表更新单元的输出端与所述智能输出单元的输入端相连接。

在本实施例中：

获取历史大数据中立体停车场车位链条的历史使用次数，记为A＝{a₁、a₂、a₃、

......、a_z}；其中，a₁、a₂、a₃、......、a_z分别表示立体停车场第1、2、3、......、z组车位链条的历史使用次数；

根据公式：

其中，表示立体停车场车位链条的预测使用次数；a_i表示立体停车场第i组车位链条的历史使用次数。

根据上式可得出，立体停车场车位链条的预测使用次数

对立体停车场内所有车位进行分组，共分为50组，每组车位包含6个车位，获取立体停车场内所有分组车位的编号信息；

获取每组车位链条的当前使用次数，记为B＝{b₁、b₂、b₃、......、b₅₀}；

根据公式：

其中，c_j表示第j组车位链条的剩余使用次数；表示立体停车场车位链条的预测使用次数；b_j表示第j组车位链条的当前使用次数。

根据上式可得到，第1、2、3、......、50组车位链条的剩余使用次数c₁、c₂、c₃、......、c₅₀；

构建时间周期，记一天为一个时间周期；

获取任意一个时间周期k下第j组车位链条的所有使用缓冲时间，记为 其中，/>表示任意一个时间周期k下第j组车位链条在第1、2、3、......、u次的使用缓冲时间；所述使用缓冲时间是指连续多次使用同一组车位的间隔时间；

设置每组车位链条的使用缓冲时间分界值，记为t₀；

当时，判断第j组车位链条的第v次使用缓冲时间为长缓冲时间；

当时，判断第j组车位链条的第v次使用缓冲时间为短缓冲时间；

获取任意一个时间周期k下第j组车位链条长缓冲时间的次数，记为e_j；

获取任意一个时间周期k下第j组车位链条短缓冲时间的次数，记为f_j；

利用重力传感器识别出每组车位链条的承载重量，记为M＝{m₁、m₂、m₃、......、m_p}；其中，m₁、m₂、m₃、......、m_p分别表示第1、2、3、......、p组车位链条的承载重量；

设置车位链条承载重量的回归系数权重μ₁＝0.4；设置车位链条长缓冲时间次数的回归系数权重μ₂＝0.2；车位链条短缓冲时间次数的回归系数权重μ₃＝0.4；

构建车位链条磨损预测模型：

G(j)＝μ₁*m_j+μ₂*e_j+μ₃*f_j

其中，G(j)表示第j组车位链条的预测磨损值；μ₁表示车位链条承载重量的回归系数权重；m_j表示第j组车位链条的承载重量；μ₂表示车位链条长缓冲时间次数的回归系数权重；e_j表示任意一个时间周期k下第j组车位链条长缓冲时间的次数；μ₃表示车位链条短缓冲时间次数的回归系数权重；f_j表示任意一个时间周期k下第j组车位链条短缓冲时间的次数。

分别获取第j组车位链条的剩余使用次数c_j和第j组车位链条的预测磨损值；

构建最佳车位推荐模型：

H(j)＝H₀+α₁*c_j+α₂*G(j)

其中，H(j)表示第j组车位的推荐得分；H₀表示每组车位的归一化得分；α₁表示每组车位链条剩余使用次数的回归系数权重；α₂每组车位链条预测磨损值的回归系数权重；

按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于人工智能的计算机数据智能识别方法，其特征在于，所述方法包括以下步骤：

步骤S1：获取历史大数据中立体停车场车位链条的历史使用次数，所述立体停车场车位链条用于在双层立体停车场中调整车位的链条，构建使用次数预测模型，计算立体停车场车位链条的预测使用次数；

步骤S2：对立体停车场内所有车位进行分组，获取立体停车场内所有分组车位的编号信息，获取每组车位链条的当前使用次数，基于立体停车场车位链条的预测使用次数计算每组车位链条的剩余使用次数；

步骤S3：构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间，利用重力传感器识别每组车位链条的承载重量，构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；

步骤S4：构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口；

在步骤S1中，所述构建使用次数预测模型包括：

获取历史大数据中立体停车场车位链条的历史使用次数，记为A＝{a₁、a₂、a₃、......、a_z}；其中，a₁、a₂、a₃、......、a_z分别表示停车场第1、2、3、......、z组车位链条的历史使用次数；

根据公式：

其中，表示停车场车位链条的预测使用次数；a_i表示停车场第i组车位链条的历史使用次数；

在步骤S2中，

对停车场内所有车位进行分组，共分为p组，每组车位包含q个车位，获取立体停车场内所有分组车位的编号信息；

获取每组车位链条的当前使用次数，记为B＝{b₁、b₂、b₃、......、b_p}；

根据公式：

其中，c_j表示第j组车位链条的剩余使用次数；表示停车场车位链条的预测使用次数；b_j表示第j组车位链条的当前使用次数；

在步骤S3中，所述构建车位链条磨损预测模型包括：

构建时间周期，记一天为一个时间周期；

获取任意一个时间周期k下第j组车位链条的所有使用缓冲时间，记为 其中，/>表示任意一个时间周期k下第j组车位链条在第1、2、3、......、u次的使用缓冲时间；所述使用缓冲时间是指连续多次使用同一组车位的间隔时间；

设置每组车位链条的使用缓冲时间分界值，记为t₀；

当时，判断第j组车位链条的第v次使用缓冲时间为长缓冲时间；

当时，判断第j组车位链条的第v次使用缓冲时间为短缓冲时间；

获取任意一个时间周期k下第j组车位链条长缓冲时间的次数，记为e_j；

获取任意一个时间周期k下第j组车位链条短缓冲时间的次数，记为f_j；

利用重力传感器识别出每组车位链条的承载重量，记为M＝{m₁、m₂、m₃、......、m_p}；其中，m₁、m₂、m₃、......、m_p分别表示第1、2、3、......、p组车位链条的承载重量；

构建车位链条磨损预测模型：

G(j)＝μ₁*m_j+μ₂*e_j+μ₃*f_j

其中，G(j)表示第j组车位链条的预测磨损值；μ₁表示车位链条承载重量的回归系数权重；m_j表示第j组车位链条的承载重量；μ₂表示车位链条长缓冲时间次数的回归系数权重；e_j表示任意一个时间周期k下第j组车位链条长缓冲时间的次数；μ₃表示车位链条短缓冲时间次数的回归系数权重；f_j表示任意一个时间周期k下第j组车位链条短缓冲时间的次数；

在步骤S4中，所述构建最佳车位推荐模型包括：

分别获取第j组车位链条的剩余使用次数c_j和第j组车位链条的预测磨损值；

构建最佳车位推荐模型：

H(j)＝H₀+α₁*c_j+α₂*G(j)

其中，H(j)表示第j组车位的推荐得分；H₀表示每组车位的归一化得分；α₁表示每组车位链条剩余使用次数的回归系数权重；α₂每组车位链条预测磨损值的回归系数权重；

按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口。

2.应用于一种基于人工智能的计算机数据智能识别方法的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述系统包括数据采集模块、预测分析模块、磨损预测识别模块、智能推荐模块；

所述数据采集模块用于获取历史大数据中立体停车场车位链条的历史使用次数、对立体停车场内所有车位进行分组、获取立体停车场内所有分组车位的编号信息和获取每组车位链条的当前使用次数；所述预测分析模块用于构建使用次数预测模型，计算立体停车场车位链条的预测使用次数，并基于立体停车场车位链条的预测使用次数和每组车位链条的当前使用次数计算每组车位链条的剩余使用次数；所述磨损预测识别模块用于构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间，利用重力传感器识别每组车位链条的承载重量，构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；所述智能推荐模块用于构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表，把不存在空余车位的车位分组删除后更新推荐列表，将推荐得分最高的分组车位的编号信息输出至用户端口；

所述数据采集模块的输出端与所述预测分析模块的输入端相连接；所述预测分析模块的输出端与所述磨损预测识别模块的输入端相连接；所述磨损预测识别模块的输出端与所述智能推荐模块的输入端相连接。

3.根据权利要求2所述的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述数据采集模块包括历史数据采集单元和当前数据采集单元；

所述历史数据采集单元用于获取历史大数据中立体停车场车位链条的历史使用次数；

所述当前数据采集单元用于对立体停车场内所有车位进行分组、获取立体停车场内所有分组车位的编号信息和获取每组车位链条的当前使用次数；

所述历史数据采集单元的输出端与所述当前数据采集单元的输入端相连接；所述当前数据采集单元的输出端与所述预测分析模块的输入端相连接。

4.根据权利要求2所述的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述预测分析模块包括使用次数预测模型构建单元和第一分析单元；

所述使用次数预测模型构建单元用于构建使用次数预测模型，计算立体停车场车位链条的预测使用次数；

所述第一分析单元用于基于立体停车场车位链条的预测使用次数和每组车位链条的当前使用次数计算每组车位链条的剩余使用次数；

所述使用次数预测模型构建单元的输出端与所述第一分析单元的输入端相连接；所述第一分析单元的输出端与所述磨损预测识别模块的输入端相连接。

5.根据权利要求2所述的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述磨损预测识别模块包括时间数据获取单元、智能识别单元、车位链条磨损预测模型构建分析单元；

所述时间数据获取单元用于构建时间周期，获取任意一个时间周期下每组车位链条的使用缓冲时间；

所述智能识别单元用于利用重力传感器识别每组车位链条的承载重量；

所述车位链条磨损预测模型构建分析单元用于构建车位链条磨损预测模型，计算每组车位链条的预测磨损值；

所述时间数据获取单元的输出端与所述智能识别单元的输入端相连接；所述智能识别单元的输出端与所述车位链条磨损预测模型构建分析单元的输入端相连接；所述车位链条磨损预测模型构建分析单元的输出端与所述智能推荐模块的输入端相连接。

6.根据权利要求2所述的一种基于人工智能的计算机数据智能识别系统，其特征在于：所述智能推荐模块包括最佳车位推荐模型构建分析单元、列表更新单元和智能输出单元；

所述最佳车位推荐模型构建分析单元用于构建最佳车位推荐模型，计算每组车位的推荐得分，按照每组车位推荐得分的高低进行排序生成推荐列表；

所述列表更新单元用于把不存在空余车位的车位分组删除后更新推荐列表；

所述智能输出单元用于将推荐得分最高的分组车位的编号信息反馈至用户端口；

所述最佳车位推荐模型构建分析单元的输出端与所述列表更新单元的输入端相连接；所述列表更新单元的输出端与所述智能输出单元的输入端相连接。