CN117037501B - 基于人工智能的城市停车管理方法和管理系统 - Google Patents

基于人工智能的城市停车管理方法和管理系统 Download PDF

Info

Publication number
CN117037501B
CN117037501B CN202311302635.2A CN202311302635A CN117037501B CN 117037501 B CN117037501 B CN 117037501B CN 202311302635 A CN202311302635 A CN 202311302635A CN 117037501 B CN117037501 B CN 117037501B
Authority
CN
China
Prior art keywords
monitoring
supervisor
area
monitoring area
optimal solution
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
CN202311302635.2A
Other languages
English (en)
Other versions
CN117037501A (zh
Inventor
彭长军
彭志科
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.)
Chengdu Chuangyi Botong Technology Co ltd
Original Assignee
Chengdu Chuangyi Botong 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 Chengdu Chuangyi Botong Technology Co ltd filed Critical Chengdu Chuangyi Botong Technology Co ltd
Priority to CN202311302635.2A priority Critical patent/CN117037501B/zh
Publication of CN117037501A publication Critical patent/CN117037501A/zh
Application granted granted Critical
Publication of CN117037501B publication Critical patent/CN117037501B/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
    • G08G1/01—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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

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

Abstract

本申请公开了基于人工智能的城市停车管理方法和管理系统。步骤1：确定管理区范围，并记录所有管理区内的路口信息，并根据路口信息将管理区划分为若干个监控区域；步骤2：记录所有路口的车流量数据，车流量数据包括与路口相邻的所有道路之间的车辆交互数据，根据车辆流量数据得到每个监控区域的车辆吞吐量数据；步骤3：将各个监控区域的车辆吞吐量数据输入至调度中心，调度中心根据监管者的所在位置，调整每个监管者的巡查路线。本申请中所提供的方案，在安排监管者进行巡查时，能够对拥堵路段进行处理，减少因违规停车导致的城市交通拥堵，以及城市资源被长时间的占用。

Description

基于人工智能的城市停车管理方法和管理系统
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的城市停车管理方法和管理系统。
背景技术
城市道路的两边有很多停车位，这些停车位有着不同的停车时长，除此之外，还有道路两旁，没有规划停车位，但是还是会临时停靠的地点。这些停车位和停车点的用途主要是为了方便城市居民的出行，避免由于找不到停车位而导致的交通堵塞。所以，这些停车位和停车点是允许合理使用的。
但是，在实际情况下，城市交通的参与者不可避免的会存在违停的现象，将临时停靠点长久占用，进而影响了其余市面的合理使用，同时也容易造成交通拥堵。目前，针对这种现象，除开城市中一些车流量的交通主干道、高架桥、高速路等地区，是通过电子拍摄，以发出电子罚单的形式。在其余的道路，如果出现违停现象一般都是交警进行人工巡查，对不合理的违规停车进行处罚和驱离。
而目前的人工巡查都是按照固定的路线，或者每次巡查预先设置的路线进行巡查，这种巡查方式比较单一，只能对部分经常违停的车主起到警示作用，并且在巡查路线不发生改变的情况下，很容易出现一些车主在发现巡查规律之后，在巡查的间隙进行违规停车。如此，违规停车所导致的交通堵塞、交通拥堵，以及城市资源被个别车主长时间占用的情况无法得到预期缓解。
发明内容
本申请的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决当前的违规停车巡查工作无法合理的安排巡查路线，而导致城市停车位被长时间违法停靠的问题，本申请提供了如下技术方案：
步骤1：确定管理区范围，并记录所有管理区内的路口信息，并根据路口信息将管理区划分为若干个监控区域；
步骤2：记录所有路口的车流量数据，车流量数据包括与路口相邻的所有道路之间的车辆交互数据，根据车辆流量数据得到每个监控区域的车辆吞吐量数据；
步骤3：将各个监控区域的车辆吞吐量数据输入至调度中心，调度中心根据监管者的所在位置，调整每个监管者的巡查路线。
本申请所提供的方案中，根据每个路口的车流量数据，估计每个监控区域内的车辆数量。如果一个监控区域的车辆数量超过了预定阈值（拥堵情况），则安排监管者对这一路段的进行巡查，则可以让监管者对拥堵的交通进行调查，如果是出现了交通事故，则可以快速达到现场，如果是路边长时间的停靠非法的车辆，则可以对停靠在路边的非法车辆进行处理。所以，本申请中所提供的方案，在安排监管者进行巡查时，能够对拥堵路段进行处理，减少因违规停车导致的城市交通拥堵，以及城市资源被长时间的占用。
直接利用布置在城市道路上的监控设备，虽然能够直接发现主干路上的违停情况，但是城市内的很多道路还是存在没有监控设备的情况，所以依赖有限的监控设备，并不能够远程管理整个区域的违停情况，针对这一问题，本申请提供如下技术方案：
进一步的，步骤1包括如下步骤：
步骤11：根据管理区内监控设备的布置位置，确定监视路口的数量和位置，并将监视路口设置为M1、M2…M k …Mm,M k 表示第k个路口，m表示路口总数；其中，监视路口为布置了监控设备的路口；
步骤12：确定管理区的范围，管理区的边界以路口为边界；
步骤13：根据监视路口的位置，将管理区划分为若干个互不重叠的监控区域，监控区域记为KA1、KA2、…KAe…KAf；其中，KAe表示第e个监控区域，f表示监控区域的总数；Ae表示界定KAe的监视路口的集合。
本方案中，将整个管理区内有限的监控设备全部利用起来，利用监控设备，将管理区划分为了一个个小的监控区域，所以就能够利用监控设备收集到的车辆出入数据，对监控区域内的拥堵情况进行判断。如此，本方案中通过合理的利用监控设备，将管理区进行合理的划分，使得调度中心能够很好的掌握整个管理区中各个监控区域的拥堵情况。
因为在路口位置受到交通信号灯，以及交通规则的影响，仅仅利用车辆在路口时的通过速率，以及路口部分是否存在等待通过的车辆，都不能够判断出对应的监管区域内是否存在拥堵，以及拥堵程度，利用前述的数据来判断监控区域内是否存在拥堵，或者判断拥堵程度，其准确性并不高。针对这一问题，本申请提供如下技术方案：
进一步的，步骤2包括如下步骤：
步骤21：用监控设备记录每个监视路口的车辆的出入方向；
步骤22：根据每个监视路口的车辆的出入方向，计算单位时间KAe内进入的车辆数量AAe，和KAe内出来的车辆数量BAe；
步骤23：将KA1、KA2、…KAi…KAf的单位时间内进入的车辆数量和单位时间内出来的车辆数量作为车辆吞吐量数据。
根据本申请提供的方案，采用监视路口作为监控区域的划分标准，因此能够根据每个监视路口的车辆出入方向，掌握每个监控区域内车辆的出入数量，从而大致了解每个监控区域内的交通状况。在单位时间内，如果某个监控区域内驶入的车辆数量较多，而驶出的车辆数量较少，并且这种趋势持续下去，那么可以推断这个监控区域内存在较为严重的交通拥堵，进而通过利用单位时间内监控区域内的车辆通行数据，能够准确地判断不同监控区域的交通拥堵状况。
在给监管者安排巡查路线时，由于监管者数量众多和管理区范围广大，如果将管理区直接划分为与监管者数量相对应的小区域，然后每个监管者负责一个小区域的交通情况，接着在小区域内按照预定的路线进行巡查工作，可能会导致人员分配不均衡。这样一来，部分小区域的工作会过于繁忙，而部分小区域的工作又过于清闲，进而导致整个管理区的交通管理效果不佳。针对这一问题，本申请提供如下技术方案：
步骤3包括如下步骤：
步骤31：调度中心实时获取每个监管者所处在的位置，得到每个监管者的位置信息I1、I2、I3、…Ic…Ij，Ic表示任意一个监管者的位置信息，j表示监管者的数量；
步骤32：调度中心根据每个监控区域的吞吐量数据和每个监管者的位置信息，给每个监管者规划巡查路线；
步骤33：调度中心根据每个监控区域的吞吐量数据，实时更新每个监管者的巡查路线。
本申请所提供的方案中，会根据监管者的位置信息和每个监控区域的吞吐量数据实时更新每个监管者的巡查路线。因此，在安排巡查路线时，本申请考虑了所有监管者所在的位置信息以及每个监管区域的吞吐量数据，从管理区的整体范围以及监管者所在的位置进行全局考虑，从而能够合理地安排各个监管者的巡查任务，改善整个管理区的交通管理效果。
每个监管者在执行巡查任务的情况中，任务的执行情况并不一致，有些监管者可能正在处理任务（例如贴罚单、呼叫拖车），有些监管者可能是正在巡查。因此，在更新巡查任务时，必须考虑到这种多样性，以确保任务安排的合理性和有效性。如果忽略了这种情况，可能会导致需要监管者及时处理的巡查任务被延后，而监管者需要先完成手头上的任务才能执行新的巡查任务。这会导致实际执行情况与预期目标不一致，使得巡查任务无法及时完成，交通违规行为得不到有效处理，交通秩序受到影响。针对这一问题，本申请提供如下技术方案：
进一步的：步骤31中还需要获取每个监管者的状态信息，状态信息包括当前任务的预计完成时间并且如果处于巡查状态，则当前任务的预计完成时间为0。
本申请所提供的方案中，记录了每个监管者当前任务的预计完成时间。通过这种方式，可以了解每个监管者能够执行下一个新任务的时间。在巡查状态下变更巡查路线对监管者的工作（如执行任务）不会造成影响。然而，如果监管者当前正在执行任务，则无法变更其巡查路线。通过记录当前任务的预计完成时间，我们可以更准确地为监管者安排新的巡查路线，并避免由于监管者正在处理当前任务而导致实际巡查结果与预期目标不一致的情况。通过这种方式，我们保证了巡查任务的有效执行。
每个监控区域的车辆吞吐量数据每天都会发生变化，并且不同监控区域之间的车辆吞吐量数据存在较大的差异。因此，直接将车辆吞吐量数据运用到巡查路线的更新中可能会导致计算过程过于繁琐。针对这一问题，本申请提供如下技术方案：
步骤32中：调度中心根据吞吐量对每个监控区域进行分级，并根据每个监控区域的等级更新每个监管者的巡查路线。
本申请中，我们先根据车辆吞吐量数据将监控区域进行分级，将原先复杂多变的吞吐量数据处理为结构更加简单的等级数据。因此，与直接使用吞吐量数据来规划监管者的巡查路线相比，本申请中利用监控区域的等级数据计算时更加简单，从而提高了计算效率。
划分监控区域的等级时，需要尽量的准确，从而能够及时的了解整个监控区域内拥堵情况。针对这一问题，本申请提供了如下技术方案：
步骤32中：监控区域一共具有5个等级，每个等级划分依据与车辆出入监控区域的平均速率、单位时间内进入监控区域的车辆数量，以及单位时间内从监控区域内出来的车辆数量相关。
本申请中，监控区域的等级划分更加具体地考虑了车辆出入监控区域的平均速度、单位时间内进入监控区域的车辆数量，以及单位时间内驶离监控区域的车辆数量。因此，能够充分利用监控设备捕捉到的所有数据用于监控区域的等级划分和监管者的巡查路线规划，最大程度地保证了监控区域等级划分的准确性。
管理区一般而言都非常大，然后监管者的数量也很多，所以很难在短时间内找到符合预期的巡查路线。针对这一问题，本申请提供了如下技术方案：
步骤32中：规划监管路线包括如下步骤：
步骤321：建立H维的搜索空间，搜索空间根据计划时间、监管者数量、各个监管者在计划时间内能够达到预期的监控区域，以及完成监控区域内的任务建立；
步骤322：初始化设置，设定种群规模M，惯性权重ω，学习因子c1和c2，对种群P进行初始化操作，随机生成N个粒子；
设置目标函数f（x），根据目标函数计算出每个粒子的适应度值，其中x表示粒子所代的解，f（x）表示粒子所代表的解带入到目标函数中所计算得到适应度值；
步骤323：计算出个体最优解和全局最优解；
对于每个粒子i，其个体最优解Pi是通过以下公式计算得出的：
Pi=argmax{Di}f(Di)；
argmax{Di}f(Di)表示的是，对于粒子i的当前位置Di，选择一个使得目标函数最大化的位置作为个体最优解Pi;
全局最优解Gg是通过以下公式计算得出的：
Gg=argmax{Pi}f(Pi)；
argmax{Pi}f(Pi)的是，在所有粒子i的个体最优解Pi中，选择一个使得目标函数最大化的位置作为全局最优解Gg；
步骤324：更新粒子速度和位置；
在每次迭代中，每个粒子的速度和位置都会根据其当前位置、个体最优解和全局最优解进行更新，速度更新公式如下：
+/>；
其中，是粒子i在维度d的速度，/>是惯性权重，c1和c2是学习因子，/>是在[0,1]范围内随机生成的值；/>表示在第d维上，粒子i最优解的位置，/>表示在d维上，粒子i的当前位置；/>表示在第d维上，整个种群的全局最优解的位置，即对于所有粒子，其在第d维上的最优位置的集合中，/>为到目前为止找到的最优位置，这个位置也是依据目标函数f的最大值来确定的；
位置更新公式如下：
+/>；
其中，是粒子i在维度d的当前位置，/>是粒子i在维度d的速度；
步骤325：更新最优解；
个体最优解的更新公式如下：
=argmax{/>}f(/>)；
全局最优解的更新公式如下：
=argmax{/>}f(/>)；
其中，f()和f(/>)是目标函数，用来评价粒子位置或粒子最优解的优劣。
本申请所采用的方案中，通过预先设定计划任务响应时间，进而能够确定各监管者在计划任务响应时间内能够覆盖的监控区域及能够完成的任务数量。因此，以此为依据构建了H维搜索空间后，利用粒子群优化算法快速寻找各种可能的巡查路线的优化方案。然后从各种可能的方案中，找到最佳方案。如此，本申请所提供的技术方案中，能够在短时间内，从多种繁复的可能中，寻找到相对而言最优的巡查路线，在保证巡查路线更新速度的基础上，确保巡查路线符合预期要求。
在一些自动生成巡查路线的方式中，在需求进行变动时，就需要重新修改巡查路线的生产方案，所以导致了巡查路线的适应面很窄，不能够适应不同情景下的工作需求。针对这一问题，本申请提供如下技术方案：
进一步的，目标函数：
；
其中，w1、w2、w3、w4、w5、w6分别为加权系数，w1+w2+w3+w4+w5+w6=1；
、/>、/>、/>、/>，分别表示监管者Ic所需要执行的巡查路线中，需要执行任务的监控区域中，对应的5种等级的监控区域的数量。
本申请所提供的方案中，通过设置不同的权重系数w1、w2、w3、w4、w5、w6对不同等级的监控区域进行加权处理。因此，在需要快速响应特定等级的监控区域时，则需要增加该类型区域的权重系数。同时，根据各个等级的监控区域的总数设置相应的权重系数，从而平衡优先处理高等级地区的监控区域时可能导致的监控区域总数处理不足的问题。如此，本申请所提供的技术方案，能够根据不同的需求，更改权重系数，从而适应不同的工作场景。
作为本申请的第二个方面，本申请的一些实施例提供了一种基于人工智能的城市停车管理系统，其特征在于：包括监控设备、移动终端，以及调度中心；其中，调度中心分别与监控设备和移动终端信息连接；监控设备布置在管理区内的各个路口，用于监控路口通过的车辆数量和车辆通行速率；移动终端由监管者随身携带，用于监管者向调度中心发送任务执行状态，以及调度中心下发巡查线路；
调度中心采用前述的基于人工智能的城市停车管理方法来给监管者下发巡查路线。
进一步的，管理区的每个路口都需要设置监控设备。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。
另外，贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
在附图中：
附图标记：
图1是某个城市道路的简图。
图2是图1中所示的区域被以监视路口为边界之后所形成的管理区简图。
图3是图2中某个包含了多条道路的监控区域的范围图；
图4是图2中某个包含了一条道路的监控区域的范围图；
图5是基于人工智能的城市停车管理方法的流程图；
图6是基于人工智能的城市停车管理系统的系统框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本公开。
实施例1：参考图5：
基于人工智能的城市停车管理方法包括如下步骤：
步骤1：确定管理区范围，并记录所有管理区内的路口信息，并根据路口信息将管理区划分为若干个监控区域。
步骤1包括如下步骤：
步骤11：确定管理区的范围，管理区的边界以路口为边界。
参考图1和图2，图1是某个城市道路的简图，其中线条表示道路，线条的交点表示路口，具有黑点的交点表示监视路口，最外侧的虚线圆圈表示该范围的边界。图2是图1中所示的区域被以监视路口为边界之后所形成的管理区简图。图2外侧的虚线为图1的范围的边界。
例如，不同的管理部门，在管理时一般是按照街道，以及相关的行政区划进行范围划分。本申请所构建的技术方案中，在确定管理范围时，则是以路口为边界，采用入口为边界，则更好对车辆的出入进行检测。
步骤12：根据管理区内监控设备的布置位置，确定监视路口的数量和位置，并将监视路口设置为M1、M2…M k …Mm,M k 表示第k个监视路口，m表示监视路口总数；其中，监视路口为布置了监控设备的路口；
在大部分的城市道路中，每个路口都会存在监控设备，但是也通常存在一些路口因为设备老旧，或者其余的因素而没有监控设备，这类路口的数量很少，但是并不能够说明并不存在，因为这些路口没有监控设备，无法获取车辆的出入信息，所以计入这些路口，对于本方案中没有任何用处，所以仅仅计入具有监控设备的路口。
步骤13：根据监视路口的位置，将管理区划分为若干个互不重叠的监控区域，监控区域记为KA1、KA2、…KAe…KAf；其中，KAe表示第e个监控区域，f表示监控区域的总数；Ae表示界定KAe的监视路口的集合。
在条件可以满足的情况下，则是每个路口都有监控设备，所以每个路口都是监视路口，进而每条道路就是一个监控区域，相应的这条道路或者说这个监控区域，可以用这些监视路口来表示；
如图3所示：图3中的内侧虚线圈出了包含了多条道路的监控区域。所以对于图3中虚线圈出的监控区域，界定该区域的监视路口的集合就是与虚线相交的7个监视路口。图3外侧的虚线为图1的范围的边界。
如图4所示，图4中虚线圈出了仅仅包含了一条道路的监控区域。所以对于图4中虚线圈出的监控区域，界定该区域的监视路口的集合就是与虚线相交的2个监视路口。图4外侧的虚线为图1的范围的边界。
参考图2~4可见，在一个监控区域内存在1~2个路口没有监控设备时，则会导致监控区域边的很大，进而导致对于监控区域的划分不能够细致，而且每个小区进入道路的路口也需要有监控设备，不然会导致监控区域还会扩展到小区内。
如此，步骤1中，还包括如下步骤；在每条道路中小区、停车场、商场、楼宇等车辆能够进入区域的路口均设置监控设备，以形成监控路口。
并且，在实际实施的过程中，还会尽量增加监视路口的数量，尽量使得管理区内的每个路口都有监控设备。
步骤2：记录所有路口的车流量数据，车流量数据包括与路口相邻的所有道路之间的车辆交互数据，根据车辆流量数据得到每个监控区域的车辆吞吐量数据；
步骤2包括如下步骤：
步骤21：用监控设备记录每个监视路口的车辆的出入方向。
监控设备布置在监视路口，所以经过监视路口的车辆，能够知道该车辆从那个监控区域进入监视入口，然后再从监视路口进入到那个监控区域。
步骤22：根据每个监视路口的车辆的出入方向，计算单位时间KAe内进入的车辆数量AAe，和KAe内出来的车辆数量BAe；
步骤23：将KA1、KA2、…KAi…KAf的单位时间内进入的车辆数量和单位时间内出来的车辆数量作为车辆吞吐量数据。
步骤2中为了得到更多的信息，还计算了车辆进入监控区域的平均速率和离开监控区域的平均速率。值得注意的是，车辆在路口静止等待交通信号灯的时间是不会用于计算平均速率的，计算的都是车辆行驶时的速率。
下面列举的4个监控区域在一个小时内的车辆吞吐量数据表格：
表1：4个监控区域在一个小时内的车辆吞吐量数据表
1. 2. 进入车辆数量 3. 出来车辆数量 4. 进入车辆的平均速率 5. 出来车辆的平均速率
6. 监控区域KA1 7. AA1 8. BA1 9. VA1 10. VA1’
11. 监控区域KA2 12. AA2 13. BA2 14. VA2 15. VA2’
16. 监控区域KA3 17. AA3 18. BA3 19. VA3 20. VA3’
21. 监控区域KA4 22. AA4 23. BA4 24. VA4 25. VA4’
步骤3：将各个监控区域的车辆吞吐量数据输入至调度中心，调度中心根据监管者的所在位置，调整每个监管者的巡查路线。
步骤3包括如下步骤：
步骤31：调度中心实时获取每个监管者所处在的位置，得到每个监管者的位置信息I1、I2、I3、…Ic…Ij，Ic表示任意一个监管者的位置信息，j表示监管者的数量。
步骤31中还需要获取每个监管者的状态信息，状态信息包括当前任务的预计完成时间并且如果处于巡查状态，则当前任务的预计完成时间为0。
这里当前任务的预计完成时间，可以通过大数据统计来完成，就以简单的违规停车处理任务来统计，监管者达到了预定的管控区域之后，就会向调度中心发送任务的执行情况，进而大致上报违停的车辆数量。所以，根据之前的历史处理数据，自然就能够得到该项任务的大概处理时间，并且监管者在任务执行的过程中，也可以手动更新预计的完成时间。例如，监管者在处理第一辆违停车辆时，后面违停的车辆已经开走了，则此时监管者就可以将预计完成时间减少；如果在处理过程中发现新的违规行为，则也可以将预计完成时间增加。如此可见，这里预计完成时间的设置既可以是根据大数据处理得到的结果，也可以是根据监管者的人工判断。
步骤32：调度中心根据每个监控区域的吞吐量数据和每个监管者的位置信息，给每个监管者规划巡查路线。
步骤32中：调度中心根据吞吐量对每个监控区域进行分级，并根据每个监控区域的等级更新每个监管者的巡查路线。
步骤32中：监控区域一共具有5个等级，每个等级划分依据与车辆出入监控区域的平均速率、单位时间内进入监控区域的车辆数量，以及单位时间内从监控区域内出来的车辆数量相关。
监控区域等级划分可以根据历史数据中的拥堵情况来划分。也就是，调度中心可以将历年的各个监控区域的拥堵情况与该区域的车辆吐吞量数据进行相关性的分析，进而将其划分为5个等级；当然，也可以直接根据吞吐量和车辆速率、以及监控区域的大小来划分。具体的划分方式是一种非常成熟的技术，这里不再赘述。
为了便于理解这里提供一种简单的划分方式来对任意一个监控区域的等级进行划分：
；
其中，P为等级判断值，根据P的大小对监控区域进行划分，u是单位时间内监控区域内的车辆总数；U是历史数据监控区域内车辆总数的平均数；v是单位时间内进、出入监控区域内车辆的平均速度；V是历史数据中进、出入监控区域内车辆的平均速度；c是单位时间内监控区域内车辆的吞吐量，C是历史数据中，单位时间内监控区域内车辆的吞吐量。α1、α2、α3是计算等级判断值的加权参数，为预先设置。
需要注意的时：为了保证数据的有效性，上面所提到的历史数据中，进、出入监控区域内车辆的平均速度、监控区域内车辆总数的平均数、单位时间内监控区域内车辆的吞吐量均为白天，车流量较多的时间段，避免夜晚没有车辆的时间段对于统计数据的影响。
更为具体的，上述提及的进、出入监控区域内车辆的平均速度、监控区域内车辆的吞吐量，以及监控区域内车辆总数的平均数均可以通过监控设备直接获取。具体的获取方式这里不再赘述。
以上仅仅是本申请中提供的一种等级划分方式，在其余的实施例中，还可以根据其余的数据来对监控区域内的拥堵情况进行划分。
步骤32中：规划监管路线包括如下步骤：
步骤321：建立H维的搜索空间，搜索空间根据计划时间、监管者数量、各个监管者在计划时间内能够达到预期的监控区域，以及完成监控区域内的任务建立。
当计划时间固定时：H=h1×h2×h3×…hc…hj;其中，hc表示任意一个监管者c在计划时间内的巡查路线方案的设计数量；相应的，如果计划时间不固定，则需要搜索空间的维度需要重新考虑计划时间变动的情况。
在步骤321中，搜索空间中的每个位置都代表着一种可能的巡查路线规划情况。而可以预见，建立H维空间会受到计划时间、监管者数量，各个监管者在计划时间内能够达到预期的监控区域，以及完成监控区域内的任务建立。
具体的，计划时间就是各监管者在这段时间内需要完成的巡查任务。例如，将计划时间设置为1小时，则在给监管者划分巡查路线时，则是根据监管者在1个小时内能够完成的巡查任务来规定。一般而言，在不考虑监管者任务执行时间的情况下，监管者从地图上的A点，移动至B点的所需要的时间，是能够通过目前的地图软件预测出来的，然后监管者在不同等级的监管区域中，执行任务所花费的时间是能够通过调度中心中各监管者的任务执行的历史数据，来预测出执行任务所需要花费的时间。
所以，以此为思想，就能够知道在不同的计划时间下，所有监管者在执行任务时能够实现的所有可能，进而以此可以建立H维的搜索空间。
步骤322：初始化设置，设定种群规模M，惯性权重ω，学习因子c1和c2，对种群P进行初始化操作，随机生成N个粒子；设置目标函数f（x），根据目标函数计算出每个粒子的适应度值，其中x表示粒子所代的解，f（x）表示粒子所代表的解带入到目标函数中所计算得到适应度值。
目标函数：
；
其中，w1、w2、w3、w4、w5、w6分别为加权系数，w1+w2+w3+w4+w5+w6=1；
、/>、/>、/>、/>，分别表示监管者Ic所需要执行的巡查路线中，需要执行任务的监控区域中，对应的5种等级的监控区域的数量。目标函数中加权系数的设置可以根据需求要进行。
步骤323：计算出个体最优解和全局最优解；
对于每个粒子i，其个体最优解Pi是通过以下公式计算得出的：
Pi=argmax{Di}f(Di)；
argmax{Di}f(Di)表示的是，对于粒子i的当前位置Di，选择一个使得目标函数最大化的位置作为个体最优解Pi;
全局最优解Gg是通过以下公式计算得出的：
Gg=argmax{Pi}f(Pi)；
argmax{Pi}f(Pi)的是，在所有粒子i的个体最优解Pi中，选择一个使得目标函数最大化的位置作为全局最优解Gg；
步骤324：更新粒子速度和位置；
在每次迭代中，每个粒子的速度和位置都会根据其当前位置、个体最优解和全局最优解进行更新，速度更新公式如下：
+/>；
其中，是粒子i在维度d的速度，/>是惯性权重，c1和c2是学习因子，/>是在[0,1]范围内随机生成的值；/>表示在第d维上，粒子i最优解的位置，/>表示在d维上，粒子i的当前位置；/>表示在第d维上，整个种群的全局最优解的位置，即对于所有粒子，其在第d维上的最优位置的集合中，/>为到目前为止找到的最优位置，这个位置也是依据目标函数f的最大值来确定的；
位置更新公式如下：
+/>；
其中，是粒子i在维度d的当前位置，/>是粒子i在维度d的速度；
步骤325：更新最优解；
个体最优解的更新公式如下：
=argmax{/>}f(/>)；
全局最优解的更新公式如下：
=argmax{/>}f(/>)；
其中，f()和f(/>)是目标函数，用来评价粒子位置或粒子最优解的优劣。
步骤33：调度中心根据每个监控区域的吞吐量数据，实时更新每个监管者的巡查路线。
步骤33中，在更新巡查路线时，一般都是在计划时间完成之后，或者在其中一个监管者超期完成了任务之后，或者是某几个监控区域等级发生了很大变化之后。具体的，更新时机，由调度中心手动控制，或者通过设置相应的阈值，在某项数据达到阈值之后，自动控制。
参考图6，实施例2：基于人工智能的城市停车管理系统包括；监控设备、移动终端，以及调度中心；其中，调度中心分别与监控设备和移动终端信息连接；监控设备布置在管理区内的各个路口，用于监控路口通过的车辆数量和车辆通行速率；移动终端由监管者随身携带，用于监管者向调度中心发送任务执行状态，以及调度中心下发巡查线路。调度中心采用前述的基于人工智能的城市停车管理方法来给监管者下发巡查路线。
进一步的，管理区的每个路口都需要设置监控设备。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种基于人工智能的城市停车管理方法，其特征在于：包括如下步骤：
步骤1：确定管理区范围，并记录所有管理区内的路口信息，并根据路口信息将管理区划分为若干个监控区域；
步骤2：记录所有路口的车流量数据，车流量数据包括与路口相邻的所有道路之间的车辆交互数据，根据车辆流量数据得到每个监控区域的车辆吞吐量数据；
步骤3：将各个监控区域的车辆吞吐量数据输入至调度中心，调度中心根据监管者的所在位置，调整每个监管者的巡查路线；
监控区域的车辆吞吐量为监控区域单位时间内进入的车辆数量和单位时间内出来的车辆数量；
步骤31：调度中心实时获取每个监管者所处在的位置，得到每个监管者的位置信息I1、I2、I3、…Ic…Ij，Ic表示任意一个监管者的位置信息，j表示监管者的数量；
步骤32：调度中心根据每个监控区域的吞吐量数据和每个监管者的位置信息，给每个监管者规划巡查路线；
步骤33：调度中心根据每个监控区域的吞吐量数据，实时更新每个监管者的巡查路线；
调度中心根据吞吐量对每个监控区域进行分级，并根据每个监控区域的等级更新每个监管者的巡查路线；
步骤32中：规划监管路线包括如下步骤：
步骤321：建立H维的搜索空间，搜索空间根据计划时间、监管者数量、各个监管者在计划时间内能够达到预期的监控区域，以及完成监控区域内的任务建立；
步骤322：初始化设置，设定种群规模M，惯性权重ω，学习因子c1和c2，对种群P进行初始化操作，随机生成N个粒子；
设置目标函数f（x），根据目标函数计算出每个粒子的适应度值，其中x表示粒子所代表的解，f（x）表示粒子所代表的解带入到目标函数中所计算得到适应度值；
步骤323：计算出个体最优解和全局最优解；
对于每个粒子i，其个体最优解Pi是通过以下公式计算得出的：
Pi=argmax{Di}f(Di)；
argmax{Di}f(Di)表示的是，对于粒子i的当前位置Di，选择一个使得目标函数最大化的位置作为个体最优解Pi;
全局最优解Gg是通过以下公式计算得出的：
Gg=argmax{Pi}f(Pi)；
argmax{Pi}f(Pi)的是，在所有粒子i的个体最优解Pi中，选择一个使得目标函数最大化的位置作为全局最优解Gg；
步骤324：更新粒子速度和位置；
在每次迭代中，每个粒子的速度和位置都会根据其当前位置、个体最优解和全局最优解进行更新，速度更新公式如下：
+/>；
其中，是粒子i在维度d的速度，/>是惯性权重，c1和c2是学习因子，/>是在[0,1]范围内随机生成的值；/>表示在第d维上，粒子i最优解的位置，/>表示在d维上，粒子i的当前位置；/>表示在第d维上，整个种群的全局最优解的位置，即对于所有粒子，其在第d维上的最优位置的集合中，/>为到目前为止找到的最优位置，这个位置也是依据目标函数的最大值来确定的；
位置更新公式如下：
+/>；
其中，是粒子i在维度d的当前位置，/>是粒子i在维度d的速度；
步骤325：更新最优解；
个体最优解的更新公式如下：
=argmax{/>f(/>)}；
全局最优解的更新公式如下：
=argmax{/>f(/>)}；
其中，f()和f(/>)是目标函数，用来评价粒子位置或粒子最优解的优劣；
目标函数：
；
其中，w1、w2、w3、w4、w5、w6分别为加权系数，w1+w2+w3+w4+w5+w6=1；
、/>、/>、/>、/>，分别对应5个监控区域的等级，并分别表示监管者Ic所需要执行的巡查路线中，需要执行任务的监控区域中，对应的5种等级的监控区域的数量。
2.根据权利要求1所述的基于人工智能的城市停车管理方法，其特征在于：步骤1包括如下步骤：
步骤11：根据管理区内监控设备的布置位置，确定监视路口的数量和位置，并将监视路口设置为M1、M2…M k …Mm,M k 表示第k个路口，m表示路口总数；其中，监视路口为布置了监控设备的路口；
步骤12：确定管理区的范围，管理区的边界以监视路口为边界；
步骤13：根据监视路口的位置，将管理区划分为若干个互不重叠的监控区域，监控区域记为KA1、KA2、…KAe…KAf；其中，KAe表示第e个监控区域，f表示监控区域的总数；Ae表示界定KAe的监视路口的集合。
3.根据权利要求2所述的基于人工智能的城市停车管理方法，其特征在于：步骤2包括如下步骤：
步骤21：用监控设备记录每个监视路口的车辆的出入方向；
步骤22：根据每个监视路口的车辆的出入方向，计算单位时间内KAe进入的车辆数量AAe，和KAe内出来的车辆数量BAe；
步骤23：将KA1、KA2、…KAi…KAf的单位时间内进入的车辆数量和单位时间内出来的车辆数量作为车辆吞吐量数据。
4.根据权利要求1所述的基于人工智能的城市停车管理方法，其特征在于：步骤31中还需要获取每个监管者的状态信息，状态信息包括当前任务的预计完成时间并且如果处于巡查状态，则当前任务的预计完成时间为0。
5.根据权利要求1所述的基于人工智能的城市停车管理方法，其特征在于：监控区域一共具有5个等级，每个等级划分依据与车辆出入监控区域的平均速率、单位时间内进入监控区域的车辆数量，以及单位时间内从监控区域内出来的监控数量相关。
6.一种基于人工智能的城市停车管理系统，其特征在于：包括监控设备、移动终端，以及调度中心；其中，调度中心分别与监控设备和移动终端信息连接；监控设备布置在管理区内的各个路口，用于监控路口通过的车辆数量和车辆通行速率；移动终端由监管者随身携带，用于监管者向调度中心发送任务执行状态，以及调度中心下发巡查线路；
调度中心采用权利要求1~5中任一项所述的基于人工智能的城市停车管理方法来给监管者下发巡查路线。
CN202311302635.2A 2023-10-10 2023-10-10 基于人工智能的城市停车管理方法和管理系统 Active CN117037501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311302635.2A CN117037501B (zh) 2023-10-10 2023-10-10 基于人工智能的城市停车管理方法和管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311302635.2A CN117037501B (zh) 2023-10-10 2023-10-10 基于人工智能的城市停车管理方法和管理系统

Publications (2)

Publication Number Publication Date
CN117037501A CN117037501A (zh) 2023-11-10
CN117037501B true CN117037501B (zh) 2023-12-12

Family

ID=88639485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311302635.2A Active CN117037501B (zh) 2023-10-10 2023-10-10 基于人工智能的城市停车管理方法和管理系统

Country Status (1)

Country Link
CN (1) CN117037501B (zh)

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007010494A (ja) * 2005-06-30 2007-01-18 Matsushita Electric Ind Co Ltd ナビゲーション装置
CN103761880A (zh) * 2014-01-15 2014-04-30 福建三鑫隆新材料技术开发股份有限公司 基于井盖的城市汽车流量监控系统
CN105046960A (zh) * 2015-07-10 2015-11-11 潘进 一种对道路拥堵状态分析及违法停车检测的方法及装置
CN105894802A (zh) * 2015-04-10 2016-08-24 杭州远眺科技有限公司 一种基于gps数据的交通拥堵传播路径计算方法
CN206541449U (zh) * 2017-03-06 2017-10-03 辉泰（太仓）汽配有限公司 一种基于智能信号灯的智能交通系统
CN107274022A (zh) * 2017-06-19 2017-10-20 北京易华录信息技术股份有限公司 一种基于互联网的指挥调度方法
CN108389409A (zh) * 2018-05-03 2018-08-10 张梦雅 交通道路监控系统及其监控方法
CN109859479A (zh) * 2019-04-03 2019-06-07 湖南科技学院 一种基于云计算的车辆道路引导疏散方法
CN111429726A (zh) * 2020-04-13 2020-07-17 城云科技（中国）有限公司 一种监控视频违停车辆检测、管理方法及对应的系统
CN111540200A (zh) * 2020-04-22 2020-08-14 广东电网有限责任公司 一种智慧交通管控系统
CN112016735A (zh) * 2020-07-17 2020-12-01 厦门大学 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质
CN112308372A (zh) * 2020-09-22 2021-02-02 合肥工业大学 数据和模型联合驱动的空地巡逻资源动态调度方法和系统
CN112465229A (zh) * 2020-11-30 2021-03-09 安徽力瀚科技有限公司 一种综合应用人工智能技术的警情时空预测系统
CN112991719A (zh) * 2021-01-28 2021-06-18 北京奥泽尔科技发展有限公司 一种基于拥堵画像的交通拥堵预测方法及系统
CN113096425A (zh) * 2021-03-29 2021-07-09 紫清智行科技(北京)有限公司 一种应用于大型场景下的自动驾驶巡逻车的调度方法及系统
CN113593250A (zh) * 2021-07-12 2021-11-02 浙江工贸职业技术学院 一种基于视觉识别的违章停车检测系统
CN113920768A (zh) * 2021-10-09 2022-01-11 四川智胜慧旅科技有限公司 一种适用于自驾型景区的车辆调度方法及系统
CN114418468A (zh) * 2022-03-29 2022-04-29 成都秦川物联网科技股份有限公司 一种智慧城市交通调度策略控制方法和物联网系统
CN114593733A (zh) * 2021-11-19 2022-06-07 海纳云物联科技有限公司 一种巡逻路线设置方法、装置
CN115983536A (zh) * 2022-04-24 2023-04-18 重庆邮电大学工业互联网研究院 一种基于数字孪生的应急警力调度方法及系统
CN116129636A (zh) * 2022-12-28 2023-05-16 天津友美环保科技有限公司 基于车辆行为分析的道路拥堵预测方法、装置、设备及介质
CN116128252A (zh) * 2023-03-10 2023-05-16 讯飞智元信息科技有限公司 交通警力分配方法、装置、设备及可读存储介质
CN116631211A (zh) * 2023-05-24 2023-08-22 重庆邮电大学 一种基于车联网的紧急车辆道路拥堵疏散系统
CN116704743A (zh) * 2022-02-28 2023-09-05 上海博泰悦臻网络技术服务有限公司 提醒拥堵时长的方法、装置、介质及设备
CN116758744A (zh) * 2023-06-21 2023-09-15 山东宜鑫致远信息科技有限公司 基于人工智能的智慧城市运维管理方法、系统及存储介质
CN116798216A (zh) * 2022-03-09 2023-09-22 江苏前沿交通研究院有限公司 一种智慧交通大数据视频管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111609864B (zh) * 2020-05-06 2021-03-26 武汉科技大学 路网约束下多警员协作围捕任务分配及路径规划方法

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007010494A (ja) * 2005-06-30 2007-01-18 Matsushita Electric Ind Co Ltd ナビゲーション装置
CN103761880A (zh) * 2014-01-15 2014-04-30 福建三鑫隆新材料技术开发股份有限公司 基于井盖的城市汽车流量监控系统
CN105894802A (zh) * 2015-04-10 2016-08-24 杭州远眺科技有限公司 一种基于gps数据的交通拥堵传播路径计算方法
CN105046960A (zh) * 2015-07-10 2015-11-11 潘进 一种对道路拥堵状态分析及违法停车检测的方法及装置
CN206541449U (zh) * 2017-03-06 2017-10-03 辉泰（太仓）汽配有限公司 一种基于智能信号灯的智能交通系统
CN107274022A (zh) * 2017-06-19 2017-10-20 北京易华录信息技术股份有限公司 一种基于互联网的指挥调度方法
CN108389409A (zh) * 2018-05-03 2018-08-10 张梦雅 交通道路监控系统及其监控方法
CN109859479A (zh) * 2019-04-03 2019-06-07 湖南科技学院 一种基于云计算的车辆道路引导疏散方法
CN111429726A (zh) * 2020-04-13 2020-07-17 城云科技（中国）有限公司 一种监控视频违停车辆检测、管理方法及对应的系统
CN111540200A (zh) * 2020-04-22 2020-08-14 广东电网有限责任公司 一种智慧交通管控系统
CN112016735A (zh) * 2020-07-17 2020-12-01 厦门大学 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质
CN112308372A (zh) * 2020-09-22 2021-02-02 合肥工业大学 数据和模型联合驱动的空地巡逻资源动态调度方法和系统
CN112465229A (zh) * 2020-11-30 2021-03-09 安徽力瀚科技有限公司 一种综合应用人工智能技术的警情时空预测系统
CN112991719A (zh) * 2021-01-28 2021-06-18 北京奥泽尔科技发展有限公司 一种基于拥堵画像的交通拥堵预测方法及系统
CN113096425A (zh) * 2021-03-29 2021-07-09 紫清智行科技(北京)有限公司 一种应用于大型场景下的自动驾驶巡逻车的调度方法及系统
CN113593250A (zh) * 2021-07-12 2021-11-02 浙江工贸职业技术学院 一种基于视觉识别的违章停车检测系统
CN113920768A (zh) * 2021-10-09 2022-01-11 四川智胜慧旅科技有限公司 一种适用于自驾型景区的车辆调度方法及系统
CN114593733A (zh) * 2021-11-19 2022-06-07 海纳云物联科技有限公司 一种巡逻路线设置方法、装置
CN116704743A (zh) * 2022-02-28 2023-09-05 上海博泰悦臻网络技术服务有限公司 提醒拥堵时长的方法、装置、介质及设备
CN116798216A (zh) * 2022-03-09 2023-09-22 江苏前沿交通研究院有限公司 一种智慧交通大数据视频管理系统
CN114418468A (zh) * 2022-03-29 2022-04-29 成都秦川物联网科技股份有限公司 一种智慧城市交通调度策略控制方法和物联网系统
CN115983536A (zh) * 2022-04-24 2023-04-18 重庆邮电大学工业互联网研究院 一种基于数字孪生的应急警力调度方法及系统
CN116129636A (zh) * 2022-12-28 2023-05-16 天津友美环保科技有限公司 基于车辆行为分析的道路拥堵预测方法、装置、设备及介质
CN116128252A (zh) * 2023-03-10 2023-05-16 讯飞智元信息科技有限公司 交通警力分配方法、装置、设备及可读存储介质
CN116631211A (zh) * 2023-05-24 2023-08-22 重庆邮电大学 一种基于车联网的紧急车辆道路拥堵疏散系统
CN116758744A (zh) * 2023-06-21 2023-09-15 山东宜鑫致远信息科技有限公司 基于人工智能的智慧城市运维管理方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于数据挖掘与移动通信技术的高速公路违法分析研究;李晶;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);C034-654 *
车流量检测技术及相关专利分析;马勇平;;科技视界(第26期);118-119 *

Also Published As

Publication number Publication date
CN117037501A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN111882858B (zh) 一种基于多源数据的高速公路异常事件排队长度预测方法
CN112016735A (zh) 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质
Owais et al. Distributing portable excess speed detectors in AL Riyadh city
CN112926768A (zh) 基于时空注意力机制的地面道路车道级交通流预测方法
CN116798218A (zh) 一种基于数字孪生的城市低碳交通大数据检测方法
CN110276951B (zh) 一种基于移动互联网交通拥堵预警方法
CN111127882A (zh) 一种基于大数据的旅游景区停车场来车数量预测方法
CN117037501B (zh) 基于人工智能的城市停车管理方法和管理系统
CN115394086B (zh) 交通参数的预测方法、装置、存储介质及电子装置
CN116994433A (zh) 一种基于车流量数据的区域停车资源升级整改方法
CN115273468B (zh) 一种交通拥堵控制策略生成方法及装置
Casas et al. Decision Support Systems (DSS) for traffic management assessment: Notes on current methodology and future requirements for the implementation of a DSS
CN105608315A (zh) 公交停靠站安全服务水平定量评价方法及系统
CN115407704A (zh) 一种智慧交通标线控制方法、系统及设备
CN114038202A (zh) 一种基于智慧园区交通流量的停车诱导系统及方法
Kuhn et al. Evaluation of variable speed limit pilot projects for Texas department of transportation
CN109255953B (zh) 基于区域的活动车辆分布展示方法及系统
Dudek et al. Freeway corridor management
Shamlitskiy et al. Transport stream optimization based on neural network learning algorithms
Oskarbski et al. Multi-level transport systems model for traffic management activities
Tsuboi Time Zone Impact for Traffic Flow Analysis of Ahmedabad City in India.
Chan Telecommunications-and information technology–inspired analyses: review of an intelligent transportation systems experience
Srivastava et al. The Impact of Road Side Friction on the Traffic Flow of Arterial Roads in Varanasi
Casas et al. Present and future methodology for the implementation of decision support systems for traffic management

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