CN116665482B - 一种基于智慧停车的停车位推荐方法及装置 - Google Patents

一种基于智慧停车的停车位推荐方法及装置 Download PDF

Info

Publication number
CN116665482B
CN116665482B CN202310657516.2A CN202310657516A CN116665482B CN 116665482 B CN116665482 B CN 116665482B CN 202310657516 A CN202310657516 A CN 202310657516A CN 116665482 B CN116665482 B CN 116665482B
Authority
CN
China
Prior art keywords
parking
information
recommended
consumption
parking space
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.)
Active
Application number
CN202310657516.2A
Other languages
English (en)
Other versions
CN116665482A (zh
Inventor
王侃
李师可
胡迪
李英
吴智敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Easy Parking Network Technology Co ltd
Original Assignee
Xi'an Easy Parking Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Easy Parking Network Technology Co ltd filed Critical Xi'an Easy Parking Network Technology Co ltd
Priority to CN202310657516.2A priority Critical patent/CN116665482B/zh
Publication of CN116665482A publication Critical patent/CN116665482A/zh
Application granted granted Critical
Publication of CN116665482B publication Critical patent/CN116665482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于智慧停车的停车位推荐方法及装置，涉及智慧交通技术领域，包括将停车需求方的消费记录信息进行层次分析，得到停车需求方的消费等级信息；将停车需求方的周围三公里内所有停车场的位置信息、停车场空闲车位数量信息和停车场价格信息分别和所有停车需求方的消费等级信息进行关联分析，确定每个停车需求方的推荐停车场信息；将停车场内的停车位位置信息、停车位温度信息和停车位湿度信息发送至停车位推荐模块进行停车位位置选取，然后将选取到的停车位位置信息生成停车位推荐链接。本发明快速收集每个停车场的信息，并且进行停车位智能推荐，提高推荐准确率，保障了消费者和停车场双方的权益。

Description

一种基于智慧停车的停车位推荐方法及装置
技术领域
本发明涉及智慧交通技术领域，具体而言，涉及一种基于智慧停车的停车位推荐方法及装置。
背景技术
随着智慧交通的发展，智慧停车系统快速在各大城市中得到应用，以缓解城市的停车难问题。而针对于不同的人群在不同的城市的停车有着不同的需求，进而难以达到预定的效果，而且现有的大部分停车管理平台智能化水平较低，存在停车位信息孤岛的问题，容易使人们在停车过程中造成不必要的资源浪费，因此需要一种能够快速收集每个停车场的信息，并且智能推荐给每个客户所需求的停车位的停车方法及装置。
发明内容
本发明的目的在于提供一种基于智慧停车的停车位推荐方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
一方面，本申请提供了一种基于智慧停车的停车位推荐方法，包括：
获取第一信息、第二信息和第三信息，所述第一信息包括所有停车需求方的消费记录信息，所述第二信息包括停车需求方的周围三公里内所有停车场的位置信息、停车场空闲车位数量信息和停车场价格信息，所述第三信息包括所有停车场内的停车位位置信息、停车位温度信息和停车位湿度信息；
将所述第一信息进行层次分析，得到所有停车需求方的消费等级信息；
将所述第二信息内所有数据分别和所有停车需求方的消费等级信息进行关联分析，确定每个停车需求方的推荐停车场信息；
将所述第三信息发送至停车位推荐模块进行停车位位置选取，然后将选取到的停车位位置信息生成停车位推荐链接，并推送至停车需求方的通讯设备内。
另一方面，本申请还提供了一种基于智慧停车的停车位推荐装置，包括：
获取单元，用于获取第一信息、第二信息和第三信息，所述第一信息包括所有停车需求方的消费记录信息，所述第二信息包括停车需求方的周围三公里内所有停车场的位置信息、停车场空闲车位数量信息和停车场价格信息，所述第三信息包括所有停车场内的停车位位置信息、停车位温度信息和停车位湿度信息；
第一分析单元，用于将所述第一信息进行层次分析，得到所有停车需求方的消费等级信息；
第二分析单元，用于将所述第二信息内所有数据分别和所有停车需求方的消费等级信息进行关联分析，确定每个停车需求方的推荐停车场信息；
处理单元，用于将所述第三信息发送至停车位推荐模块进行停车位位置选取，然后将选取到的停车位位置信息生成停车位推荐链接，并推送至停车需求方的通讯设备内。
本发明的有益效果为：
本发明通过对消费人群进行分析，确定每个消费者的消费等级，并且通过将消费者的消费等级和停车场的条件信息进行关联分析，保障能够推荐到消费者满意的停车位，进而增加消费者接受推荐的可能性，保障消费者和停车场双方的权益，然后通过智慧停车场内的智能设备获取选定对应的停车场的对应位置信息、停车位的温度和湿度信息，确定停车场内优先推荐条件适宜的停车位，保障停车场的服务满意度，并且还通过神经网络和最小鉴别原理，确定最合适的停车位，保障不偏向，其中神经网络预测最适合的五个停车位，然后通过最小鉴别原理确定其中一个，保障不偏向任何一个条件，保障选取停车位的客观性。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的基于智慧停车的停车位推荐方法流程示意图；
图2为本发明实施例中所述的基于智慧停车的停车位推荐装置结构示意图。
图中标记：701、获取单元；702、第一分析单元；703、第二分析单元；704、处理单元；7021、第一分析子单元；7022、第二分析子单元；7023、第一计算子单元；7024、第一判断子单元；7025、第一处理子单元；7031、第二处理子单元；7032、第二计算子单元；7033、第三计算子单元；7041、第三处理子单元；7042、第四处理子单元；7043、第四计算子单元；7044、第五计算子单元；7045、第五处理子单元；70421、第六处理子单元；70422、第七处理子单元；70423、第八处理子单元；70424、第二判断子单元；。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种基于智慧停车的停车位推荐方法。
参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一信息、第二信息和第三信息，所述第一信息包括所有停车需求方的消费记录信息，所述第二信息包括停车需求方的周围三公里内所有停车场的位置信息、停车场空闲车位数量信息和停车场价格信息，所述第三信息包括所有停车场内的停车位位置信息、停车位温度信息和停车位湿度信息；
可以理解的是本步骤通过智慧停车场内的电子通讯设备、温度传感器和湿度传感器等设备获取第一信息、第二信息和第三信息，进而通过智慧停车场内的数据处理设备进行数据处理，达到快速进行停车位推荐的目的。
步骤S2、将所述第一信息进行层次分析，得到所有停车需求方的消费等级信息；
可以理解的是本步骤是通过对所有停车需求方的消费信息进行采集，进而对每个停车需求方的消费等级进行判断，进而更加精确的确定每个停车需求方的停车场需求，本步骤中，步骤S2包括步骤S21、步骤S22、步骤S23、步骤S24和步骤S25。
步骤S21、将所有停车需求方的所述消费记录信息进行分析，并建立层次结构模型，其中将所有停车需求方的所述消费记录信息按照消费时间、消费次数和消费金额建立由上到下的三个层级的层次结构模型；
可以理解的是本步骤是通过将所有停车需求方的所述消费记录信息进行分析，其中对停车需求方的消费时间、每段时间的消费次数、每次消费的消费金额进行建立层次结构模型，进而达到快速对消费者的消费等级进行判断的目的。
步骤S22、依次对所述层次结构模型内每个层级内的数据进行重要性评分，并将所有评分进行归一化处理，构建得到判别矩阵；
可以理解的是在本步骤通过对层次结构模型中的两两消费信息进行比较，获得对应两个消费信息的相对重要程度关系，然后采用1-9标度法对每个指标进行打分，并做归一化处理后得到判别矩阵，判别矩阵如公式(1)所示：
A＝(aij)n×n (1)
其中：A为判别矩阵；aij为当前层级的消费信息i和消费信息j对上一层级的重要性比例标度；i和j分别为不同种类的因素；n为层次结构模型的维度。
步骤S23、基于所述判别矩阵计算得到所述判别矩阵的特征向量和最大特征值，并基于所述判别矩阵的特征向量和最大特征值进行一致性检验，得到检验结果；
可以理解的是本步骤基于判别矩阵按列向量进行归一化处理，得到正规化矩阵；然后再将正规化矩阵按行相加，得到特征向量，再基于特征向量计算所述最大特征值，然后对判别矩阵进行一致性检验，基于最大特征值和公式(2)得到度量判别矩阵偏离一致性的指标，公式(2)如下所示：
其中：R为一致性指标；λmax为判别矩阵的最大特征值；n为判别矩阵的阶数；E为平均随机一致性指标；
步骤S24、若所述检验结果为所述判别矩阵的特征向量和最大特征值满足一致性指标，则基于所述特征向量和所述最大特征值对每个层级的消费记录信息进行排序，得到由大到小排序的消费层级信息；
可以理解的是，在判别矩阵满足一致性指标时，说明方案权重合理。若不满足则重新设计判别矩阵。然后通过几何平均法求取指标权重，首先将判别矩阵通过一致性校验后，求最大特征值对应的特征向量，并将其归一化后，其每个元素对应值即为该层每个因素的权重，基于权重值的大小进行排序，将每个层级的消费信息按照从大到小的顺序进行排列，例如从每天消费一万元依次排序到每天消费一百元、每天消费五次到每天消费一次，每天消费十小时到每天消费一小时。
步骤S25、将所有第一信息与所有的消费层级信息进行对应，确定每个停车需求方的消费等级信息。
可以理解的是本步骤是为了判断所述停车需求方位于哪个消费层级，进而同个每个停车需求方的消费层级来进行相加，其中例如，某停车需求方位于第一层级的第一级、第二层级的第二级和第三层级的第三级，则所述停车需求方的消费等级为六级，其中消费等级越低，则代表停车需求方的消费能力越强，进而可以基于每个停车需求方的消费等级确定适合的停车场。
步骤S3、将所述第二信息内所有数据分别和所有停车需求方的消费等级信息进行关联分析，确定每个停车需求方的推荐停车场信息；
可以理解的是本步骤通过将所有停车需求方的消费等级信息和每个停车场的消费条件进行关联分析，进而确定适合的停车场，其中，步骤S3包括步骤S31、步骤S32和步骤S33。
步骤S31、基于均值转换法分别对所述第二信息内所有数据和所有停车需求方的消费等级信息进行无量纲化处理，得到无量纲化的第二信息和无量纲化的所有停车需求方的消费等级信息；
可以理解的是本步骤为了避免数量级差别过大而致使后续处理误差过大，在对数据计算前对每个数据进行无量纲化处理，本实施例中基于均值转换法分别对所述第二信息内所有数据和所有停车需求方的消费等级信息进行计算，消除不同数据之间的量纲差异，均值转换法如公式(3)所示：
其中，X`为无量纲化处理后的参数，x为所述第二信息内所有数据或所有停车需求方的消费等级信息的某个数据，μ为所述第二信息内所有数据或所有停车需求方的消费等级信息的数据均值；σ为所述第二信息内所有数据或所有停车需求方的消费等级信息的数据标准差。
步骤S32、基于关联系数的计算公式计算无量纲化的第二信息和无量纲化的所有停车需求方的消费等级信息之间的关联系数，得到所述第二信息内所有数据和每个停车需求方的消费等级信息之间的关联系数；
可以理解的是本步骤通过关联系数计算公式计算两者之间的关联系数，确定其中的关联性，其中关联系数的计算公式(4)如下：
其中：γf(k)为无量纲化的第二信息f相对于无量钢化的停车需求方的消费等级信息k的关系系数；f为无量纲化的第二信息；k为所有停车需求方的消费等级信息；y(k)为无量钢化的停车需求方的历史消费等级信息；xf(k)为无量纲化的历史第二信息；ρ为分辨系数，取0-1之间。
步骤S33、基于所述关联系数计算得到所述第二信息内所有数据和所有停车需求方的消费等级信息之间的关联度值，并基于所有的关联度值确定每个停车需求方的推荐停车场信息。
可以理解的是本步骤基于两者之间的关联系数计算得到关联度值，然后基于关联度值的大小选择与每个停车需求方的等级信息关联度最大的停车场，将所述停车场作为推荐停车场，其中关联度值的计算公式(5)如下所示：
其中：εt为无量钢化的停车需求方的消费等级信息t对应的关联度；t为无量钢化的停车需求方的消费等级信息的种类；h为第二信息内所有数据的种类；n为无量钢化的停车需求方的消费等级信息的样本总数量；γf(h)为无量钢化的停车需求方的消费等级信息f相对于第二信息内所有数据h的关系系数。
步骤S4、将所述第三信息发送至停车位推荐模块进行停车位位置选取，然后将选取到的停车位位置信息生成停车位推荐链接，并推送至停车需求方的通讯设备内。
可以理解的是本步骤通过选取到推荐的停车场后，继续进行智能选取停车场内的停车位，进而保障停车位需求方的满意度，其中通过神经网络和最小鉴别原理进行选取，达到智能精确选取的作用，本步骤中，步骤S4包括步骤S41、步骤S42、步骤S43、步骤S44和步骤S45。
步骤S41、将每个停车需求方的推荐停车场信息与所述第三信息进行对应，得到每个停车需求方的推荐停车场对应的第三信息；
可以理解的是本步骤确定通过每个停车需求方的推荐停车场信息选定对应停车场内的停车位位置信息、停车位温度信息和停车位湿度信息，进而通过上述条件进行停车位选取。
步骤S42、将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐，得到五个推荐停车位位置；
可以理解的是本步骤通过神经网络进行停车位推荐选取，其中选取五个推荐停车位，进而在五个推荐停车位内进行挑选，减少计算量的同时增加推荐准确率，本步骤中，步骤S42包括步骤S421、步骤S422、步骤S423和步骤S424。
步骤S421、将预设的历史停车需求方的推荐停车位和历史推荐停车位对应的第三信息分为训练集和验证集；
可以理解的是本步骤通过对预设的历史停车需求方的推荐停车位和历史推荐停车位对应的第三信息进行分类，这样可以对BP神经网络进行训练和验证，进而得到一个优化后的BP神经网络模型。
步骤S422、将所述训练集发送至BP神经网络模型内进行初始化处理，得到初始化的输入参数和粒子群参数，并通过粒子群优化算法计算每个粒子群参数的适应度值；
可以理解的是本步骤通过将BP神经网络的输入参数进行输入，其中所述输入参数包括输入层数、隐含层节点和输入层数，所述输入层数基于历史数据的参数种类进行确定，本实施例中为4层，所述隐含层节点为随机输入，所述输出层数为4，所述粒子群参数包括种群的最大迭代次数、种群大小、粒子更新参数、每个粒子的速度的取值范围为-0.5到0.5之间、每个粒子的位置取值范围为-0.5到0.5之间。
可以理解的是本步骤将BP神经网络的输入参数初始化后，通过确定BP神经网络输入层与隐含层之间的输入权值和阈值个数，根据BP神经网络输入层与隐含层之间的输入权值和阈值个数随机初始化粒子向量维数和范围，得到初始化的参数，其中粒子的初始化范围为-0.5到0.5之间。
步骤S423、基于粒子群中粒子的适应度大小，确定粒子的个体最优位置和全局最优位置，并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到训练后的BP神经网络模型；
可以理解的是本步骤通过将所述训练集作为输入数据输入至所述预测网络并根据粒子群优化算法中的适应度函数计算粒子适应度，得到每个粒子群中粒子的适应度值。
可以理解的是本步骤中的适应度函数计算公式(6)如下：
其中，ET1为第a个历史停车需求方的推荐停车位的实际值，ET2为第a个历史停车需求方的推荐停车位的预测值，N为训练集内数据的组数。
步骤S424、将所述验证集发送至训练后的BP神经网络模型进行验证处理,若验证结果为验证集与所述训练后的BP神经网络模型的输出结果一致,则将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐,并选取最后五次迭代预测的停车位作为推荐停车位，得到五个推荐停车位位置。
可以理解的是本步骤中的个体最优位置的更新准则为按照适应度值的大小选取更大适应度值的个体位置作为个体最优位置，全局最优位置的更新准则为按照适应度值的大小选取更大适应度值的全局位置作为全局最优位置。
可以理解的是本步骤通过如下公式(7)和公式(8)来更新自己的位置：
Va+1＝Va×ω+c1×rand(0，1)×(pbesta-xa)+c2×rand(0，1)×(gbesta-xa) (7)
其中，Va+1为更新后的速度，Va为当前的速度，c1和c2为学习因子，通常取2，xa为粒子当前位置，a为粒子总数，rand(0，1)为取0到1之间的随机数，pbesta为到目前为止本粒子发现的最佳位置，gbesta为到目前位置所有粒子发现的最佳位置，ω为惯性因子。
xa＝xa-1+va-1(8)
其中，xa为粒子更新后的位置，xa-1为粒子在更新前的位置，va-1为粒子更新前的位置。
可以理解的是本步骤通过粒子群优化算法优化BP神经网络的预测结果，进而选取最优的五个推荐停车位，保障停车位的精确推送。
步骤S43、依据最小鉴别信息原理建立目标函数，并求解所述目标函数构建拉格朗日函数；
可以理解的是本步骤中的最小鉴别信息原理描述的是两个停车位位置之间的差异性，而根据所述最小鉴别信息原理组合位置应该尽可能地接近所有位置，而不偏向任一个位置，进而建立所述目标函数(9)如下：
其中，αi为第i个位置的横坐标值，βi为第i个位置的纵坐标值，wi为第i个位置的横坐标和纵坐标的组合权重向量，n为位置总个数；
步骤S44、将所有的推荐停车位位置代入到所述拉格朗日函数进行求解，得到所有推荐停车位的组合位置；
可以理解的是构建拉格朗日函数(10)如下：
其中，L为拉格朗日函数，λ拉格朗日常数，αi为第i个位置的横坐标值，βi为第i个位置的纵坐标值，wi为第i个位置的横坐标和纵坐标的组合权重向量，n为位置总个数。
步骤S45、选取所有推荐停车位位置中离推荐停车位的组合位置最近的一个位置，并生成停车位推荐链接推送至停车需求方的通讯设备内。
可以理解的是本步骤中得到的组合位置坐标不一定为实际停车位的坐标，进而需要选择一个离推荐停车位的组合位置最近的一个停车位位置作为实际推荐的停车位，进而保证停车位推送的可靠性。
实施例2：
如图2所示，本实施例提供了一种基于智慧停车的停车位推荐装置，所述装置包括获取单元701、第一分析单元702、第二分析单元703和处理单元704。
获取单元701，用于获取第一信息、第二信息和第三信息，所述第一信息包括所有停车需求方的消费记录信息，所述第二信息包括停车需求方的周围三公里内所有停车场的位置信息、停车场空闲车位数量信息和停车场价格信息，所述第三信息包括所有停车场内的停车位位置信息、停车位温度信息和停车位湿度信息；
第一分析单元702，用于将所述第一信息进行层次分析，得到所有停车需求方的消费等级信息；
第二分析单元703，用于将所述第二信息内所有数据分别和所有停车需求方的消费等级信息进行关联分析，确定每个停车需求方的推荐停车场信息；
处理单元704，用于将所述第三信息发送至停车位推荐模块进行停车位位置选取，然后将选取到的停车位位置信息生成停车位推荐链接，并推送至停车需求方的通讯设备内。
在本公开的一种具体实施方式中，所述第一分析单元702包括第一分析子单元7021、第二分析子单元7022、第一计算子单元7023、第一判断子单元7024和第一处理子单元7025。
第一分析子单元7021，用于将所有停车需求方的所述消费记录信息进行分析，并建立层次结构模型，其中将所有停车需求方的所述消费记录信息按照消费时间、消费次数和消费金额建立由上到下的三个层级的层次结构模型；
第二分析子单元7022，用于依次对所述层次结构模型内每个层级内的数据进行重要性评分，并将所有评分进行归一化处理，构建得到判别矩阵；
第一计算子单元7023，用于基于所述判别矩阵计算得到所述判别矩阵的特征向量和最大特征值，并基于所述判别矩阵的特征向量和最大特征值进行一致性检验，得到检验结果；
第一判断子单元7024，用于若所述检验结果为所述判别矩阵的特征向量和最大特征值满足一致性指标，则基于所述特征向量和所述最大特征值对每个层级的消费记录信息进行排序，得到由大到小排序的消费层级信息；
第一处理子单元7025，用于将所有第一信息与所有的消费层级信息进行对应，确定每个停车需求方的消费等级信息。
在本公开的一种具体实施方式中，所述第二分析单元703包括第二处理子单元7031、第二计算子单元7032和第三计算子单元7033。
第二处理子单元7031，用于基于均值转换法分别对所述第二信息内所有数据和所有停车需求方的消费等级信息进行无量纲化处理，得到无量纲化的第二信息和无量纲化的所有停车需求方的消费等级信息；
第二计算子单元7032，用于基于关联系数的计算公式计算无量纲化的第二信息和无量纲化的所有停车需求方的消费等级信息之间的关联系数，得到所述第二信息内所有数据和每个停车需求方的消费等级信息之间的关联系数；
第三计算子单元7033，用于基于所述关联系数计算得到所述第二信息内所有数据和所有停车需求方的消费等级信息之间的关联度值，并基于所有的关联度值确定每个停车需求方的推荐停车场信息。
在本公开的一种具体实施方式中，所述处理单元704包括第三处理子单元7041、第四处理子单元7042、第四计算子单元7043、第五计算子单元7044和第五处理子单元7045。
第三处理子单元7041，用于将每个停车需求方的推荐停车场信息与所述第三信息进行对应，得到每个停车需求方的推荐停车场对应的第三信息；
第四处理子单元7042，用于将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐，得到五个推荐停车位位置；
第四计算子单元7043，用于依据最小鉴别信息原理建立目标函数，并求解所述目标函数构建拉格朗日函数；
第五计算子单元7044，用于将所有的推荐停车位位置代入到所述拉格朗日函数进行求解，得到所有推荐停车位的组合位置；
第五处理子单元7045，用于选取所有推荐停车位位置中离推荐停车位的组合位置最近的一个位置，并生成停车位推荐链接推送至停车需求方的通讯设备内。
在本公开的一种具体实施方式中，所述第四处理子单元7042包括第六处理子单元70421、第七处理子单元70422、第八处理子单元70423和第二判断子单元70424。
第六处理子单元70421，用于将预设的历史停车需求方的推荐停车位和历史推荐停车位对应的第三信息分为训练集和验证集；
第七处理子单元70422，用于将所述训练集发送至BP神经网络模型内进行初始化处理，得到初始化的输入参数和粒子群参数，并通过粒子群优化算法计算每个粒子群参数的适应度值；
第八处理子单元70423，用于基于粒子群中粒子的适应度大小，确定粒子的个体最优位置和全局最优位置，并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到训练后的BP神经网络模型；
第二判断子单元70424，用于将所述验证集发送至训练后的BP神经网络模型进行验证处理，若验证结果为验证集与所述训练后的BP神经网络模型的输出结果一致，则将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐，并选取最后五次迭代预测的停车位作为推荐停车位，得到五个推荐停车位位置。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于智慧停车的停车位推荐方法，其特征在于，包括：
获取第一信息、第二信息和第三信息，所述第一信息包括所有停车需求方的消费记录信息，所述第二信息包括停车需求方的周围三公里内所有停车场的位置信息、停车场空闲车位数量信息和停车场价格信息，所述第三信息包括所有停车场内的停车位位置信息、停车位温度信息和停车位湿度信息；
将所述第一信息进行层次分析，得到所有停车需求方的消费等级信息；
将所述第二信息内所有数据分别和所有停车需求方的消费等级信息进行关联分析，确定每个停车需求方的推荐停车场信息；
将所述第三信息发送至停车位推荐模块进行停车位位置选取，然后将选取到的停车位位置信息生成停车位推荐链接，并推送至停车需求方的通讯设备内；
其中，将所述第一信息进行层次分析，得到所有停车需求方的消费等级信息，包括：
将所有停车需求方的所述消费记录信息进行分析，并建立层次结构模型，其中将所有停车需求方的所述消费记录信息按照消费时间、消费次数和消费金额建立由上到下的三个层级的层次结构模型；
依次对所述层次结构模型内每个层级内的数据进行重要性评分，并将所有评分进行归一化处理，构建得到判别矩阵；
基于所述判别矩阵计算得到所述判别矩阵的特征向量和最大特征值，并基于所述判别矩阵的特征向量和最大特征值进行一致性检验，得到检验结果；
若所述检验结果为所述判别矩阵的特征向量和最大特征值满足一致性指标，则基于所述特征向量和所述最大特征值对每个层级的消费记录信息进行排序，得到由大到小排序的消费层级信息；
将所有第一信息与所有的消费层级信息进行对应，确定每个停车需求方的消费等级信息；
其中，将所述第二信息内所有数据分别和所有停车需求方的消费等级信息进行关联分析，包括：
基于均值转换法分别对所述第二信息内所有数据和所有停车需求方的消费等级信息进行无量纲化处理，得到无量纲化的第二信息和无量纲化的所有停车需求方的消费等级信息；
基于关联系数的计算公式计算无量纲化的第二信息和无量纲化的所有停车需求方的消费等级信息之间的关联系数，得到所述第二信息内所有数据和每个停车需求方的消费等级信息之间的关联系数；
基于所述关联系数计算得到所述第二信息内所有数据和所有停车需求方的消费等级信息之间的关联度值，并基于所有的关联度值确定每个停车需求方的推荐停车场信息。
2.根据权利要求1所述的基于智慧停车的停车位推荐方法，其特征在于，将所述第三信息发送至停车位选择模块进行停车位位置选择，包括：
将每个停车需求方的推荐停车场信息与所述第三信息进行对应，得到每个停车需求方的推荐停车场对应的第三信息；
将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐，得到五个推荐停车位位置；
依据最小鉴别信息原理建立目标函数，并求解所述目标函数构建拉格朗日函数；
将所有的推荐停车位位置代入到所述拉格朗日函数进行求解，得到所有推荐停车位的组合位置；
选取所有推荐停车位位置中离推荐停车位的组合位置最近的一个位置，并生成停车位推荐链接推送至停车需求方的通讯设备内。
3.根据权利要求2所述的基于智慧停车的停车位推荐方法，其特征在于，所述将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐，包括：
将预设的历史停车需求方的推荐停车位和历史推荐停车位对应的第三信息分为训练集和验证集；
将所述训练集发送至BP神经网络模型内进行初始化处理，得到初始化的输入参数和粒子群参数，并通过粒子群优化算法计算每个粒子群参数的适应度值;
基于粒子群中粒子的适应度大小，确定粒子的个体最优位置和全局最优位置，并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到训练后的BP神经网络模型；
将所述验证集发送至训练后的BP神经网络模型进行验证处理，若验证结果为验证集与所述训练后的BP神经网络模型的输出结果一致，则将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐，并选取最后五次迭代预测的停车位作为推荐停车位，得到五个推荐停车位位置。
4.一种基于智慧停车的停车位推荐装置，其特征在于，包括：
获取单元，用于获取第一信息、第二信息和第三信息，所述第一信息包括所有停车需求方的消费记录信息，所述第二信息包括停车需求方的周围三公里内所有停车场的位置信息、停车场空闲车位数量信息和停车场价格信息，所述第三信息包括所有停车场内的停车位位置信息、停车位温度信息和停车位湿度信息；
第一分析单元，用于将所述第一信息进行层次分析，得到所有停车需求方的消费等级信息；
第二分析单元，用于将所述第二信息内所有数据分别和所有停车需求方的消费等级信息进行关联分析，确定每个停车需求方的推荐停车场信息；
处理单元，用于将所述第三信息发送至停车位推荐模块进行停车位位置选取，然后将选取到的停车位位置信息生成停车位推荐链接，并推送至停车需求方的通讯设备内；
其中，所述第一分析单元包括：
第一分析子单元，用于将所有停车需求方的所述消费记录信息进行分析，并建立层次结构模型，其中将所有停车需求方的所述消费记录信息按照消费时间、消费次数和消费金额建立由上到下的三个层级的层次结构模型；
第二分析子单元，用于依次对所述层次结构模型内每个层级内的数据进行重要性评分，并将所有评分进行归一化处理，构建得到判别矩阵；
第一计算子单元，用于基于所述判别矩阵计算得到所述判别矩阵的特征向量和最大特征值，并基于所述判别矩阵的特征向量和最大特征值进行一致性检验，得到检验结果；
第一判断子单元，用于若所述检验结果为所述判别矩阵的特征向量和最大特征值满足一致性指标，则基于所述特征向量和所述最大特征值对每个层级的消费记录信息进行排序，得到由大到小排序的消费层级信息；
第一处理子单元，用于将所有第一信息与所有的消费层级信息进行对应，确定每个停车需求方的消费等级信息；
其中，所述第二分析单元包括：
第二处理子单元，用于基于均值转换法分别对所述第二信息内所有数据和所有停车需求方的消费等级信息进行无量纲化处理，得到无量纲化的第二信息和无量纲化的所有停车需求方的消费等级信息；
第二计算子单元，用于基于关联系数的计算公式计算无量纲化的第二信息和无量纲化的所有停车需求方的消费等级信息之间的关联系数，得到所述第二信息内所有数据和每个停车需求方的消费等级信息之间的关联系数；
第三计算子单元，用于基于所述关联系数计算得到所述第二信息内所有数据和所有停车需求方的消费等级信息之间的关联度值，并基于所有的关联度值确定每个停车需求方的推荐停车场信息。
5.根据权利要求4所述的基于智慧停车的停车位推荐装置，其特征在于，所述装置包括：
第三处理子单元，用于将每个停车需求方的推荐停车场信息与所述第三信息进行对应，得到每个停车需求方的推荐停车场对应的第三信息；
第四处理子单元，用于将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐，得到五个推荐停车位位置；
第四计算子单元，用于依据最小鉴别信息原理建立目标函数，并求解所述目标函数构建拉格朗日函数；
第五计算子单元，用于将所有的推荐停车位位置代入到所述拉格朗日函数进行求解，得到所有推荐停车位的组合位置；
第五处理子单元，用于选取所有推荐停车位位置中离推荐停车位的组合位置最近的一个位置，并生成停车位推荐链接推送至停车需求方的通讯设备内。
6.根据权利要求5所述的基于智慧停车的停车位推荐装置，其特征在于，所述装置包括：
第六处理子单元，用于将预设的历史停车需求方的推荐停车位和历史推荐停车位对应的第三信息分为训练集和验证集；
第七处理子单元，用于将所述训练集发送至BP神经网络模型内进行初始化处理，得到初始化的输入参数和粒子群参数，并通过粒子群优化算法计算每个粒子群参数的适应度值;
第八处理子单元，用于基于粒子群中粒子的适应度大小，确定粒子的个体最优位置和全局最优位置，并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到训练后的BP神经网络模型；
第二判断子单元，用于将所述验证集发送至训练后的BP神经网络模型进行验证处理，若验证结果为验证集与所述训练后的BP神经网络模型的输出结果一致，则将每个停车需求方的推荐停车场对应的第三信息发送至训练后的神经网络进行每个停车需求方的推荐停车位推荐，并选取最后五次迭代预测的停车位作为推荐停车位，得到五个推荐停车位位置。
CN202310657516.2A 2023-06-05 2023-06-05 一种基于智慧停车的停车位推荐方法及装置 Active CN116665482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310657516.2A CN116665482B (zh) 2023-06-05 2023-06-05 一种基于智慧停车的停车位推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310657516.2A CN116665482B (zh) 2023-06-05 2023-06-05 一种基于智慧停车的停车位推荐方法及装置

Publications (2)

Publication Number Publication Date
CN116665482A CN116665482A (zh) 2023-08-29
CN116665482B true CN116665482B (zh) 2024-05-03

Family

ID=87727546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310657516.2A Active CN116665482B (zh) 2023-06-05 2023-06-05 一种基于智慧停车的停车位推荐方法及装置

Country Status (1)

Country Link
CN (1) CN116665482B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819964A (zh) * 2012-08-24 2012-12-12 中国科学院深圳先进技术研究院 停车引导管理系统
CN106600039A (zh) * 2016-11-25 2017-04-26 浙江工业大学 一种电商商品消息推送优化方法
CN112884329A (zh) * 2021-02-26 2021-06-01 河海大学 一种基于多层次灰色关联的设备信息评估方法
CN114973745A (zh) * 2021-02-19 2022-08-30 广州汽车集团股份有限公司 停车场推荐方法及汽车
KR20220144179A (ko) * 2021-04-19 2022-10-26 김태윤 Cctv 기반 영상인식 기술을 활용한 주차장 최적 운영 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819964A (zh) * 2012-08-24 2012-12-12 中国科学院深圳先进技术研究院 停车引导管理系统
CN106600039A (zh) * 2016-11-25 2017-04-26 浙江工业大学 一种电商商品消息推送优化方法
CN114973745A (zh) * 2021-02-19 2022-08-30 广州汽车集团股份有限公司 停车场推荐方法及汽车
CN112884329A (zh) * 2021-02-26 2021-06-01 河海大学 一种基于多层次灰色关联的设备信息评估方法
KR20220144179A (ko) * 2021-04-19 2022-10-26 김태윤 Cctv 기반 영상인식 기술을 활용한 주차장 최적 운영 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于AHP法的智能手机用户消费等级研究;李灵 等;计算机技术与发展(第05期);第191-194页 *
基于层次分析和灰关联分析的虚拟仿真实验过程评价研究;李敏之 等;实验室研究与探索;第42卷(第4期);第132-137页 *
基于随机权重混沌粒子群反向神经网络算法的RFID 定位算法;施佳佳;南通大学学报（自然科学版）;第17-23页 *
天津港煤炭物流中心选址问题研究;薛明;中国优秀硕士学位论文全文数据库;第28-30页 *

Also Published As

Publication number Publication date
CN116665482A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
Ni et al. Modeling heart rate and activity data for personalized fitness recommendation
CN111091196B (zh) 客流数据确定方法、装置、计算机设备和存储介质
CN109145245A (zh) 预测点击率的方法、装置、计算机设备及存储介质
CN116665482B (zh) 一种基于智慧停车的停车位推荐方法及装置
CN107274020A (zh) 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法
CN109214863B (zh) 一种基于快递数据预测城市房屋需求的方法
CN111582559A (zh) 一种到达时间的预估方法及装置
CN103577876A (zh) 基于前馈神经网络的可信与不可信用户识别方法
CN108304935A (zh) 机器学习模型训练方法、装置和计算机设备
CN112347864A (zh) 轨道交通客流感知及诱导方法、装置、设备和系统
CN110674858A (zh) 一种基于时空关联与大数据挖掘的交通拥堵检测方法
CN115952355A (zh) 基于时空幂律注意力的下一兴趣点推荐系统
CN116884222B (zh) 一种卡口节点的短时交通流预测方法
Thu et al. Multi-source data analysis for bike sharing systems
CN110704789B (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
Liu et al. Maintenance spare parts demand forecasting for automobile 4S shop considering weather data
CN115691140B (zh) 一种汽车充电需求时空分布的分析与预测方法
CN106779181A (zh) 一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法
CN113516229A (zh) 面向群智感知系统的可信用户优化选择方法
CN109635057B (zh) 用电业务处理方法、装置、计算机设备和存储介质
CN113158086A (zh) 一种基于深度强化学习的个性化客户推荐系统和方法
CN116776501B (zh) 一种道岔的弹性夹结构的设计方法及系统
CN112215520B (zh) 一种多目标融合通行方法、装置、计算机设备及存储介质
Prudêncio et al. Selecting and ranking time series models using the NOEMON approach
CN115132279A (zh) 一种基于深度残差收缩网络的多组学与表型关联预测方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240315

Address after: Room 05, 27th Floor, Building 1, Phase 3, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 (Wuhan Area of Free Trade Zone)

Applicant after: Wuhan Tianzhiran Intellectual Property Operation Co.,Ltd.

Country or region after: China

Address before: 610000 Xihua University, No. 9999, Hongguang Avenue, Pidu District, Chengdu, Sichuan

Applicant before: XIHUA University

Country or region before: China

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240411

Address after: Room 11803, Unit 1, Building 1, Langchen Building, No. 13 Gaoxin Fourth Road, High tech Zone, Xi'an City, Shaanxi Province, 710000

Applicant after: Xi'an Easy Parking Network Technology Co.,Ltd.

Country or region after: China

Address before: Room 05, 27th Floor, Building 1, Phase 3, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 (Wuhan Area of Free Trade Zone)

Applicant before: Wuhan Tianzhiran Intellectual Property Operation Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant