CN117592701A - 一种景区智慧停车场管理方法及系统 - Google Patents

一种景区智慧停车场管理方法及系统 Download PDF

Info

Publication number
CN117592701A
CN117592701A CN202311540045.3A CN202311540045A CN117592701A CN 117592701 A CN117592701 A CN 117592701A CN 202311540045 A CN202311540045 A CN 202311540045A CN 117592701 A CN117592701 A CN 117592701A
Authority
CN
China
Prior art keywords
parking
parking space
representing
reserved
new
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.)
Pending
Application number
CN202311540045.3A
Other languages
English (en)
Inventor
傅建明
戴翔
朱均明
朱礼
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.)
Zhejiang Communications Services Co Ltd
Original Assignee
Zhejiang Communications Services 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 Zhejiang Communications Services Co Ltd filed Critical Zhejiang Communications Services Co Ltd
Priority to CN202311540045.3A priority Critical patent/CN117592701A/zh
Publication of CN117592701A publication Critical patent/CN117592701A/zh
Pending legal-status Critical Current

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
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种景区智慧停车场管理方法及系统，属于数据处理技术领域，方法包括：获取历史停车数据；通过基于神经网络的空闲车位预测模型，根据历史停车数据，预测空闲车位的数量；获取空闲车位的实际数量；根据空闲车位的实际数量与预测数量的差值，确定车位预留修正系数；根据空闲车位的实际数量与车位预留修正系数，确定车位预留数量；接收预约车辆的车位预约操作；以停车场收益最大化为目标，通过预约车位分配模型，为预约车辆分配车位，并展示停车路径；接收普通车辆的车辆驶入操作；以停车总用时最小化为目标，通过普通车位分配模型，为普通车辆分配车位，并展示停车路径。

Description

一种景区智慧停车场管理方法及系统
技术领域
本发明属于数据处理技术领域，具体涉及一种景区智慧停车场管理方法及系统。
背景技术
随着社会经济的快速发展和人们生活水平的提高，驾车出行已成为当前生活中最为常见的出行方式之一。然而，随着汽车数量的增多，停车困难的问题成为影响人们出行体验的主要因素之一。
当前的停车场主要还是以自动抬杆、自动计费的方式进行车辆管理，车辆在进入停车场之后自行寻找空车位进行停车，然而，在景区或者商场停车场中自主寻找空车位，导致车辆在停车场内来回穿梭，容易发生碰撞等安全事故，加剧了拥堵情况，延长了寻找停车位的时间，车辆在停车场内的无谓行驶同时也会浪费燃油资源。
进一步地，有部分停车场允许用户以预约的方式进行车位预定，一定程度上缓解了停车焦虑，用户可以提前规划停车需求，避免在停车场内寻找空车位，从而提高了用户体验。然而，当前的预约方式智能程度较低，往往采用预留固定的数量的车位用于预约，无法根据实际情况调整用于预约的车位数量，容易导致某些情况下，普通车位已经停满，而预约车位还有大量剩余，导致车位资源的浪费。
发明内容
为了解决当前车辆在进入停车场之后自行寻找空车位进行停车，然而，在景区或者商场停车场中自主寻找空车位，导致车辆在停车场内来回穿梭，容易发生碰撞等安全事故，加剧了拥堵情况，延长了寻找停车位的时间，车辆在停车场内的无谓行驶同时也会浪费燃油资源，当前的预约方式智能程度较低，往往采用预留固定的数量的车位用于预约，无法根据实际情况调整用于预约的车位数量，容易导致某些情况下，普通车位已经停满，而预约车位还有大量剩余，导致车位资源的浪费的技术问题，本发明提供一种景区智慧停车场管理方法及系统。
第一方面
本发明提供了一种景区智慧停车场管理方法，包括：
S1：获取历史停车数据；
S2：通过基于神经网络的空闲车位预测模型，根据所述历史停车数据，预测空闲车位的数量；
S3：获取空闲车位的实际数量；
S4：根据空闲车位的实际数量与预测数量的差值，确定车位预留修正系数；
S5：根据空闲车位的实际数量与所述车位预留修正系数，确定车位预留数量；
S6：接收预约车辆的车位预约操作；
S7：以停车场收益最大化为目标，通过预约车位分配模型，为所述预约车辆分配车位，并展示停车路径；
S8：接收普通车辆的车辆驶入操作；
S9：以停车总用时最小化为目标，通过普通车位分配模型，为所述普通车辆分配车位，并展示停车路径。
第二方面
本发明提供了一种景区智慧停车场管理系统，包括处理器和用于存储处理器可执行指令的存储器；所述处理器被配置为调用所述存储器存储的指令，以执行第一方面中的景区智慧停车场管理方法。
与现有技术相比，本发明至少具有以下有益技术效果：
(1)在本发明中，根据历史停车数据预测空闲车位的数量，根据预测出来的空闲车位的数量的实际情况适应性地确定出用于预约的车位数量，以便在任何时间段内最大程度地提高停车位的利用率，避免车位资源的浪费，进一步可以更好地管理停车场内的车辆流量，降低了拥堵和排队等待时间，有助于提高交通流畅性。
(2)在本发明中，既可以通过预约车位分配模型为预约车辆分配车位，也可以通过普通车位分配模型为普通车辆分配车位，并展示停车路径，车辆在进入停车场之后可以按照停车路径自动行驶至分配的车位处进行停车，无需在景区停车场盲目地寻找空车位，降低发生碰撞等安全事故的概率，缓解拥堵，降低停车时长，节省燃油资源。
(3)在本发明中，以停车场收益最大化为目标，通过预约车位分配模型为预约车辆分配车位，可以确保停车场在任何给定时间段内都能充分利用，以实现停车场收益最大。
(4)在本发明中，以停车总用时最小化为目标，通过普通车位分配模型为普通车辆分配车位，可以减少停车用时，提高停车场的效率，减少拥堵。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种景区智慧停车场管理方法的流程示意图。
图2是本发明提供的一种景区智慧停车场管理系统的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，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
在一个实施例中，参考说明书附图1，示出了本发明提供的一种景区智慧停车场管理方法的流程示意图。
本发明提供的一种景区智慧停车场管理方法，包括：
S1：获取历史停车数据。
其中，历史停车数据包括：天气数据、工作日数据、节假日数据和停车数量数据。
S2：通过基于神经网络的空闲车位预测模型，根据历史停车数据，预测空闲车位的数量。
具体而言，通过基于神经网络的空闲车位预测模型，可以利用历史停车数据中的车位利用情况、日期、时间、天气等信息，构建一个预测模型，该模型能够精确预测停车场内的空闲车位数量，使停车场管理者能够实时了解和优化资源分配，提高停车效率，减少拥堵，以提供更好的停车体验。
在一种可能的实施方式中，本发明提出了一种全新的神经网络结构，用于预测空闲车位的数量。神经网络包括：输入层、卷积层、池化层、全连接层、空洞卷积层、残差块和输出层。
S2具体包括子步骤S201至S207：
S201：在输入层中，输入历史停车数据。
S202：在卷积层中，提取历史停车数据的数据特征：
其中，表示当前卷积层第j个通道的输出，/>表示前一卷积层第j个通道中第i个卷积核的输出，/>表示当前卷积层的卷积核权重，/>表示当前卷积层的偏置项，Mj表示选择的输入特征映射，fc()表示卷积层激活函数。
在本发明中，通过在卷积层中提取历史停车数据的数据特征，神经网络可以更好地理解输入数据，提高模型性能，降低参数数量，提供平移不变性，并减轻手动特征工程的需求，有助于构建更强大和高效的机器学习模型。
S203：在池化层中，对卷积层提取的特征进行降维压缩：
其中，表示当前池化层第j个通道的输出，fp()表示池化层激活函数，/>表示当前池化层的乘法偏置，fdown()表示下采样函数，/>表示前一池化层第j个通道的输出，/>表示当前池化层的加法偏置。
在本发明中，通过在池化层中对卷积层提取的特征进行降维压缩，可以提高模型的计算效率、泛化性能，增加感受野，增强平移不变性，降低计算复杂度，从而有助于构建更强大和高效的深度学习模型。
S204：在全连接层中，对池化层的输出进行汇总。
在本发明中，全连接层允许网络从原始数据中提取和整合特征，执行非线性建模，匹配维度，传递信息，并生成最终的输出预测，提高了神经网络的表现和适用性，使其能够在各种任务中表现出色。
S205：在空洞卷积层中，通过间隔采样，降低网络复杂度：
其中，fi表示第i个空洞卷积核，i＝1,2,…,I，I表示空洞卷积核的大小，d表示空洞系数，s表示序列元素，xs-d·i表示间隔采样的特征。
在本发明中，采用间隔采样可以有效减少神经网络的参数量，因为不需要对每个输入元素都进行卷积运算，从而减小了网络的尺寸和计算量。这有助于降低模型的存储需求和计算成本。通过控制空洞卷积核的大小和间隔，可以有选择性地扩大或缩小感受野，使网络能够更好地捕捉不同尺度的特征。这有助于提高模型的特征提取能力，使其适应不同复杂度的任务。
S206：在残差块中，对空洞卷积后的特征进行随机丢弃处理，减少过拟合：
el＝Bernoulli(p)
其中，表示第l+1层中第i个节点的输出，fR表示残差块激活函数，Wi l+1表示第l+1层中第i个节点的权重矩阵，el表示伯努利随机变量，Ol表示第l层的输出，p表示丢弃率，表示第l+1层中第i个节点的加性偏置。
在本发明中，随机丢弃是一种正则化技术，通过随机将部分神经元输出置零，可以减少神经网络对训练数据的过度拟合，有助于提高模型的泛化能力，使其在未见过的数据上表现更好。在残差块中，通过丢弃一部分神经元的输出，网络在面对输入中的噪声或变化时更具鲁棒性，有助于模型更好地适应不完美或有干扰的数据。
S207：在输出层中，根据残差块输出的数据特征，输出空闲车位的预测数量。
在本发明中，通过基于神经网络的空闲车位预测模型，根据历史停车数据来精确预测空闲车位的数量，停车场管理者可以更有效地分配停车位，以满足需求的峰谷变化，有助于最大程度地利用停车资源，减少了因车位不足或过剩而导致的浪费。
S3：获取空闲车位的实际数量。
S4：根据空闲车位的实际数量与预测数量的差值，确定车位预留修正系数。
在一种可能的实施方式中，S4具体为：根据以下公式，确定车位预留修正系数：
其中，η1表示车位预留修正系数，r表示空闲车位的实际数量，f表示空闲车位的预测数量。
在本发明中，当空闲车位的实际数量大于预测数量时，通过车位预留系数适当增加车位预留数量，而当空闲车位的实际数量小于预测数量时，通过车位预留系数适当减少车位预留数量，通过动态调整车位预留数量，使其适应实际需求，可以提高资源的有效利用率、降低成本、改善用户体验，并采用数据驱动的方法管理停车资源，有助于更好地应对停车场管理中的不确定性和变化。
S5：根据空闲车位的实际数量与车位预留修正系数，确定车位预留数量。在一种可能的实施方式中，S5具体为：根据以下公式，确定车位预留数量：
s＝η1·η0·r
其中，s表示车位预留数量，η1表示车位预留修正系数，η0表示车位预留转化系数，r表示空闲车位的实际数量。
在本发明中，根据空闲车位的实际数量与预测数量的差值的实际情况，来确定车位预留修正系数，进而确定车位预留数量，，可以提高车位预留的准确性，有助于确保车位的实际供应与需求相匹配，从而减少了由于过多或过少的预留而引起的问题。
S6：接收预约车辆的车位预约操作。
在本发明中，车位预约操作允许停车场管理者更有效地分配和管理停车资源。同时，通过车位预约，用户可以提前安排好停车，避免长时间的等待。这有助于降低用户的焦虑和不必要的等待时间，提高用户的满意度。
S7：以停车场收益最大化为目标，通过预约车位分配模型，为预约车辆分配车位，并展示停车路径。
在本发明中，以停车场收益最大化为目标，通过预约车位分配模型为预约车辆分配车位，可以确保停车场在任何给定时间段内都能充分利用，以实现停车场收益最大。
在一种可能的实施方式中，S7具体包括子步骤S701至S703：
S701：以停车场收益最大化为目标，构建预约车位分配目标函数：
其中，f1()表示预约车位分配目标函数，X表示预约车位分配解向量，X＝{xij}，xij表示第i个预约车辆与第j个预留车位的匹配情况，若匹配成功，xij＝1，若匹配不成功，xij＝0，ti表示第i个预约车辆的预计停车时长，p1表示停车单价，ci表示第i个预约车辆是否需要充电，若需要充电，则ci＝1，若不需要充电，则ci＝0，p2表示充电单价，t0(i)表示第i个预约车辆的发起时间至预约时间的闲置时长，p0表示闲置成本，当非预留车位已停满时，p0＝p1，当非预留车位未停满时，p0＝0，xj表示第j个预留车位的预约状态，若第j个预留车位已被预定，则xj＝1，若第j个预留车位未被预定，则xj＝0，λ表示闲置惩罚系数，第i＝1,2,…,n，n表示预约车辆的总数，j＝1,2,…,s，s表示车位预留数量。
在本发明中，通过构建预约车位分配目标函数，可以最大化停车场的收益，帮助停车场管理者提高收入，使其更具竞争力和可持续性。
进一步地，在构建预约车位分配目标函数的过程中，考虑停车收益、充电服务收益以及闲置成本，促使停车场的收益最大化，考虑充电服务等因素可以帮助停车场更有效地利用其资源，停车场可以获得更多的经济效益，更好地满足用户需求，减少资源浪费，提高环境友好性，提高运营效率，以及增强可持续性。
S702：为预约车位分配模型添加约束条件。
S703：在约束条件的限制下，以预约车位分配目标函数的函数值最大为目标，为预约车辆分配车位，并展示停车路径。
其中，预约车位分配模型的约束条件具体包括预约约束、车位约束、总车位约束和闲置等待时长约束：
预约约束具体为：
其中，预约约束是指一个预约车辆只能占用一个车位。
车位约束具体为：
其中，车位约束是指一个车位只能被一个预约车辆占用。
总车位约束具体为：
其中，总车位约束是指所有预约车辆占用的车位总数不得多于车位预留数量s。
闲置等待时长约束具体为：
t0(i)≤T
其中，T表示最大闲置等待时长。
其中，闲置等待时长约束是指预约车辆的发起时间至预约时间的闲置时长不得大于预设的最大闲置等待时长。
在一种可能的实施方式中，本发明提出了一种全新的车位分配算法，对模拟退火算法与遗传算法进行融合改进，子步骤S703具体包括孙步骤S7031至S7036：
S7031：初始化初始温度T0、最大迭代次数m、终止温度Tm以及种群Q，种群中每个个体均代表一种可行的预约车位分配解向量X，X＝{xij}。
S7032：对种群进行交叉操作，从种群中随机选择两个个体分别作为父体，则对父体进行交叉操作产生新个体，新个体的产生方式如下：
X1,new＝rand×X1+(1-rand)×X2
X2,new＝rand×X2+(1-rand)×X1
其中，X1,new、X2,new表示新个体，X1、X2表示父体，rand表示0至1之间的随机数。
在本发明中，通过交叉操作，可以将两个不同的父体的基因组合并在一起，产生新的个体。这有助于引入遗传多样性，从而增加了种群的多样性，有助于避免早熟收敛和陷入局部最优解。
S7033：计算父体X1与新个体X1,new的预约车位分配目标函数的函数值。
当f1(X1,new)＞f1(X1)时，使用新个体X1,new替换父体X1。
当f1(X1,new)≤f1(X1)时，以第一替换概率P1，使用新个体X1,new替换父体X1：
其中，P1表示第一替换概率，e表示自然对数，f1(X1,new)表示新个体X1,new的预约车位分配目标函数的函数值，f1(X1)表示父体X1的预约车位分配目标函数的函数值，T表示当前温度。
在本发明中，引入了温度参数T，允许在早期阶段接受更多的次优解，从而有助于避免过早陷入局部最优解。当温度较高时，更容易接受较差的解，逐渐减小温度可以逐渐收敛到更好的解。使用P1(第一替换概率)来控制是否接受新个体，有助于在搜索空间中进行随机探索。通过以较高概率接受新解，有机会发现更好的解，而随着温度的逐渐降低，逐渐陷入收敛状态。
类似地，可以计算父体X2与新个体X2,new的预约车位分配目标函数的函数值。
当f1(X2,new)＞f1(X2)时，使用新个体X2,new替换父体X2。
当f1(X2,new)≤f1(X2)时，以第二替换概率P2，使用新个体X2,new替换父体X2：
其中，P2表示第二替换概率，e表示自然对数，f1(X2,new)表示新个体X2,new的预约车位分配目标函数的函数值，f1(X2)表示父体X2的预约车位分配目标函数的函数值，T表示当前温度。
S7034：对种群进行变异操作，从种群中随机选择一个个体作为父体，对父体进行变异操作产生新个体，新个体的产生方式如下：
其中，X3,new表示新个体，X3表示父体，Xmax表示目标函数值最大的个体，Xmin表示目标函数值最小的个体，rand表示0至1之间的随机数。
在本发明中，变异引入了随机性，通过微小的变化生成了新的个体。这有助于增加种群的多样性，避免种群陷入局部最优解，从而更好地探索潜在的解空间，变异操作有助于从当前解中跳出，尤其是当局部最优解的目标函数值较接近时。通过引入随机性，有可能生成更好的解。
S7035：计算父体X3与新个体X3,new的预约车位分配目标函数的函数值。
当f1(X3,new)＞f1(X3)时，使用新个体X3,new替换父体X3。
当f1(X3,new)≤f1(X3)时，以第三替换概率P3，使用新个体X3,new替换父体X3：
其中，P3表示第三替换概率，e表示自然对数，f1(X3,new)表示新个体X3,new的预约车位分配目标函数的函数值，f1(X3)表示父体X3的预约车位分配目标函数的函数值，T表示当前温度。
S7036：判断迭代次数是否达到最大迭代次数m，或者，当前温度是否达到终止温度Tm。若是，输出预约车位分配目标函数的函数值最大的可行解作为最优解。否则，对温度进行更新，返回S7032。
其中，根据以下公式，对温度进行更新：
Ti+1＝αTi
其中，α表示降温系数，Ti+1表示第i+1次迭代时的温度，Ti表示第i次迭代时的温度。
可选地，在降温系数中引入降温振荡因子以及降温调节因子，使得冷却参数在不同的迭代周期中不断在合理的范围内浮动变化：
在前个迭代周期中，降温振荡因子为0.3，降温调节因子为0.95，可以使得冷却参数在不同的迭代周期中不断在合理的取值范围内浮动变化；
在后个迭代周期中，降温振荡因子为0.5，降温调节因子为0.95，可以使得冷却参数在不同的迭代周期中不断在合理的取值范围内浮动变化；
在后个迭代周期中的降温振荡因子大于在前/>个迭代周期中的降温振荡因子，这是由于，在算法后期，已经逐渐逼近于最优解，此时，可以适当的加速收敛，节省算法运算时长，提升算法运行效率。
在本发明中，通过在不同迭代周期中改变降温振荡因子和降温调节因子，算法能够自适应地调整降温速度。在前期，较小的降温振荡因子和较大的降温调节因子有助于更慢地降低温度，允许算法进行广泛的搜索。而在后期，较大的降温振荡因子和较大的降温调节因子可以使降温速度更快，以便加速收敛。降温振荡因子和降温调节因子的组合可以实现在不同迭代周期中平衡全局搜索和局部优化的需要。在前期，算法更侧重于全局搜索，而在后期，则更侧重于局部优化，这有效地克服了陷入局部最优解的问题。
在本发明中，通过随着迭代逐渐减小温度，算法能够更容易地从初始解中逃脱，并在搜索空间中更广泛地探索，以找到全局最优解，温度的逐渐降低有助于引导搜索朝向更优解。
进一步地，通过将模拟退火算法与遗传算法进行融合改进，可以进一步提升跳出局部最优解的能力，能够在搜索过程中平衡全局搜索和局部优化，提升车位分配的合理性与准确性。
S8：接收普通车辆的车辆驶入操作。
S9：以停车总用时最小化为目标，通过普通车位分配模型，为普通车辆分配车位，并展示停车路径。
在本发明中，以停车总用时最小化为目标，通过普通车位分配模型为普通车辆分配车位，可以减少停车用时，提高停车场的效率，减少拥堵。
在一种可能的实施方式中，S9具体包括子步骤S901至S903：
S901：以停车总用时最小化为目标，构建普通车位分配目标函数：
其中，f2()表示普通车位分配目标函数，Y表示普通车位分配解向量，Y＝{yij}，yij表示第i个普通车辆与第j个普通车位的匹配情况，若匹配成功，yij＝1，若匹配不成功，yij＝0，Lj表示第j个普通车位与入口之间的路程中的直线段距离，v1表示车辆直线行驶速度，wj表示第j个普通车位与入口之间的路程中的弯道数，tw表示单位过弯时间，dj表示当前时刻去往第j个普通车位的拥堵系数，td表示拥堵基础时间，bij表示第i个普通车辆停放在第j个普通车位的停车难度系数，tb表示停车基础时间，Dj表示第j个普通车位到景区入口的步行距离，v2表示步行速度，i＝1,2,…,N，N表示普通车辆的总数，j＝1,2,…,M，M表示普通车位数量。
在本发明中，以停车总用时最小化为目标，构建普通车位分配目标函数，通过优化普通车位的分配，可以最小化整个停车场内普通车辆的停车用时，意味着车辆可以更快速地找到合适的停车位，减少了在停车场内寻找车位的时间，提高了停车效率。
在一种可能的实施方式中，当前时刻去往各个普通车位的拥堵系数的计算方式为：
其中，dj表示去往第j个普通车位的拥堵系数，v0表示在停车场中车辆的正常行驶速度，表示当前去往第j个普通车位的路径上车辆的平均行驶速度。
在本发明中，拥堵系数的计算基于当前去往车位的路径上车辆的平均行驶速度，可以实时感知和反映停车场内交通拥堵情况。当道路拥堵时，分配给具有更通畅路径的车位，从而减少拥堵，提高交通流畅性。考虑拥堵系数，车位分配模型可以更好地适应不同时间段和不同路段的交通状况。在高峰期或某些道路拥堵的情况下，优先分配给那些避开拥堵的车位，提高车辆进出的效率。
在一种可能的实施方式中，停车难度系数的计算方式为：
bij＝λ·wi+(1-λ)·Vj+β
其中，bij表示第i个普通车辆停放在第j个普通车位的停车难度系数，wi表示第i个普通车辆的车身宽度，λ表示车身宽度的权重，Vj表示第j个普通车位两侧的空间情况，(1-λ)表示车位两侧的空间情况的权重，当第j个普通车位的两侧均无车辆停放时，Vj＝0，当第j个普通车位的仅有一侧有车辆停放时，Vj＝0.5，当第j个普通车位的两侧均有车辆停放时，Vj＝1。β表示附加难度，当第j个普通车位的两侧均有车辆停放且两侧车辆均为小型车辆时，β＝β1，当第j个普通车位的两侧均有车辆停放且两侧车辆中一侧为小型车辆另一侧为大型车辆时，β＝β2，当第j个普通车位的两侧均有车辆停放且两侧车辆均为大型车辆时，β＝β3，β1＜β2＜β3。
在本发明中，考虑停车难度系数有助于实现更智能的车位分配。通过将车位分配给适合的车辆，可以减少停车难度，提高停车效率。基于停车难度系数的车位分配可以减少停车事故的风险。将车辆分配到适合其大小和车位周围环境的停车位可以减少碰撞和刮擦。考虑停车难度系数有助于实现更安全、高效和智能的车位分配，提高用户满意度，降低运维成本，并优化停车场的整体性能。
S902：为普通车位分配模型添加约束条件。
S903：在约束条件的限制下，以普通车位分配目标函数的函数值最小为目标，为普通车辆分配车位，并展示停车路径。
普通车位分配模型的约束条件具体包括占位约束、车位约束和总车位约束：
占位约束具体为：
其中，占位约束是指一个普通车辆只能占用一个车位。
车位约束具体为：
其中，车位约束是指一个车位只能被一个普通车辆占用。
总车位约束具体为：
其中，St表示停车场总车位，s表示车位预留数量。
其中，总车位约束是指所有普通车辆占用的车位总数不得多于普通车位的数量。
类似地，可以参考上述对于预约车位分配模型的求解方式以对普通车位分配模型进行求解，为避免重复，本发明不再赘述，在一种可能的实施方式中，子步骤S703具体包括孙步骤S7031至S7036：
S7031：初始化初始温度T0、最大迭代次数m、终止温度Tm以及种群Q，种群中每个个体均代表一种可行的普通车位分配解向量Y，Y＝{yij}。
S7032：对种群进行交叉操作，从种群中随机选择两个个体分别作为父体，则对父体进行交叉操作产生新个体，新个体的产生方式如下：
Y1,new＝rand×Y1+(1-rand)×Y2
Y2,new＝rand×Y2+(1-rand)×Y1
其中，Y1,new、Y2,new表示新个体，Y1、Y2表示父体，rand表示0至1之间的随机数。
S7033：计算父体Y1与新个体Y1,new的普通车位分配目标函数的函数值。
当f2(Y1,new)＜f2(Y1)时，使用新个体Y1,new替换父体Y1。
当f2(Y1,new)≥f2(Y1)时，以第一替换概率P1，使用新个体Y1,new替换父体Y1：
其中，P1表示第一替换概率，e表示自然对数，f2(Y1,new)表示新个体Y1,new的普通车位分配目标函数的函数值，f2(Y1)表示父体Y1的普通车位分配目标函数的函数值，T表示当前温度。
类似地，可以计算父体Y2与新个体Y2,new的普通车位分配目标函数的函数值。
当f2(Y2,new)＜f2(Y2)时，使用新个体Y2,new替换父体Y2。
当f2(Y2,new)≥f2(Y2)时，以第二替换概率P2，使用新个体Y2,new替换父体Y2：
其中，P2表示第二替换概率，e表示自然对数，f2(Y2,new)表示新个体Y2,new的普通车位分配目标函数的函数值，f2(Y2)表示父体Y2的普通车位分配目标函数的函数值，T表示当前温度。
S7034：对种群进行变异操作，从种群中随机选择一个个体作为父体，对父体进行变异操作产生新个体，新个体的产生方式如下：
其中，Y3,new表示新个体，Y3表示父体，Ymax表示目标函数值最大的个体，Ymin表示目标函数值最小的个体，rand表示0至1之间的随机数。
S7035：计算父体Y3与新个体Y3,new的普通车位分配目标函数的函数值。
当f2(Y3,new)＜f2(Y3)时，使用新个体Y3,new替换父体Y3。
当f2(Y3,new)≥f2(Y3)时，以第三替换概率P3，使用新个体Y3,new替换父体Y3：
其中，P3表示第三替换概率，e表示自然对数，f2(Y3,new)表示新个体Y3,new的普通车位分配目标函数的函数值，f2(Y3)表示父体Y3的普通车位分配目标函数的函数值，T表示当前温度。
S7036：判断迭代次数是否达到最大迭代次数m，或者，当前温度是否达到终止温度Tm。若是，输出普通车位分配目标函数的函数值最大的可行解作为最优解。否则，对温度进行更新，返回S7032。
其中，根据以下公式，对温度进行更新：
Ti+1＝αTi
其中，α表示降温系数，Ti+1表示第i+1次迭代时的温度，Ti表示第i次迭代时的温度。
与现有技术相比，本发明至少具有以下有益技术效果：
(1)在本发明中，根据历史停车数据预测空闲车位的数量，根据预测出来的空闲车位的数量的实际情况适应性地确定出用于预约的车位数量，以便在任何时间段内最大程度地提高停车位的利用率，避免车位资源的浪费，进一步可以更好地管理停车场内的车辆流量，降低了拥堵和排队等待时间，有助于提高交通流畅性。
(2)在本发明中，既可以通过预约车位分配模型为预约车辆分配车位，也可以通过普通车位分配模型为普通车辆分配车位，并展示停车路径，车辆在进入停车场之后可以按照停车路径自动行驶至分配的车位处进行停车，无需在景区停车场盲目地寻找空车位，降低发生碰撞等安全事故的概率，缓解拥堵，降低停车时长，节省燃油资源。
(3)在本发明中，以停车场收益最大化为目标，通过预约车位分配模型为预约车辆分配车位，可以确保停车场在任何给定时间段内都能充分利用，以实现停车场收益最大。
(4)在本发明中，以停车总用时最小化为目标，通过普通车位分配模型为普通车辆分配车位，可以减少停车用时，提高停车场的效率，减少拥堵。
实施例2
在一个实施例中，参考说明书附图2，示出了本发明提供的一种景区智慧停车场管理系统的结构示意图。
本发明提供的一种景区智慧停车场管理系统，包括处理器201和用于存储处理器201可执行指令的存储器202。处理器201被配置为调用存储器202存储的指令，以执行实施例1中的景区智慧停车场管理方法。
本发明提供的一种景区智慧停车场管理系统可以实现上述实施例1中的景区智慧停车场管理方法的步骤和效果，为避免重复，本发明不再赘述。
与现有技术相比，本发明至少具有以下有益技术效果：
(1)在本发明中，根据历史停车数据预测空闲车位的数量，根据预测出来的空闲车位的数量的实际情况适应性地确定出用于预约的车位数量，以便在任何时间段内最大程度地提高停车位的利用率，避免车位资源的浪费，进一步可以更好地管理停车场内的车辆流量，降低了拥堵和排队等待时间，有助于提高交通流畅性。
(2)在本发明中，既可以通过预约车位分配模型为预约车辆分配车位，也可以通过普通车位分配模型为普通车辆分配车位，并展示停车路径，车辆在进入停车场之后可以按照停车路径自动行驶至分配的车位处进行停车，无需在景区停车场盲目地寻找空车位，降低发生碰撞等安全事故的概率，缓解拥堵，降低停车时长，节省燃油资源。
(3)在本发明中，以停车场收益最大化为目标，通过预约车位分配模型为预约车辆分配车位，可以确保停车场在任何给定时间段内都能充分利用，以实现停车场收益最大。
(4)在本发明中，以停车总用时最小化为目标，通过普通车位分配模型为普通车辆分配车位，可以减少停车用时，提高停车场的效率，减少拥堵。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种景区智慧停车场管理方法，其特征在于，包括：
S1：获取历史停车数据；
S2：通过基于神经网络的空闲车位预测模型，根据所述历史停车数据，预测空闲车位的数量；
S3：获取空闲车位的实际数量；
S4：根据空闲车位的实际数量与预测数量的差值，确定车位预留修正系数；
S5：根据空闲车位的实际数量与所述车位预留修正系数，确定车位预留数量；
S6：接收预约车辆的车位预约操作；
S7：以停车场收益最大化为目标，通过预约车位分配模型，为所述预约车辆分配车位，并展示停车路径；
S8：接收普通车辆的车辆驶入操作；
S9：以停车总用时最小化为目标，通过普通车位分配模型，为所述普通车辆分配车位，并展示停车路径。
2.根据权利要求1所述的景区智慧停车场管理方法，其特征在于，所述神经网络包括：输入层、卷积层、池化层、全连接层、空洞卷积层、残差块和输出层；所述S2具体包括：
S201：在所述输入层中，输入所述历史停车数据，所述历史停车数据包括：天气数据、工作日数据、节假日数据和停车数量数据；
S202：在所述卷积层中，提取所述历史停车数据的数据特征：
其中，表示当前卷积层第j个通道的输出，/>表示前一卷积层第j个通道中第i个卷积核的输出，/>表示当前卷积层的卷积核权重，/>表示当前卷积层的偏置项，Mj表示选择的输入特征映射，fc()表示卷积层激活函数；
S203：在所述池化层中，对所述卷积层提取的特征进行降维压缩：
其中，表示当前池化层第j个通道的输出，fp()表示池化层激活函数，/>表示当前池化层的乘法偏置，fdown()表示下采样函数，/>表示前一池化层第j个通道的输出，/>表示当前池化层的加法偏置；
S204：在所述全连接层中，对所述池化层的输出进行汇总；
S205：在所述空洞卷积层中，通过间隔采样，降低网络复杂度：
其中，fi表示第i个空洞卷积核，i＝1,2,…,I，I表示空洞卷积核的大小，d表示空洞系数，s表示序列元素，xs-d·i表示间隔采样的特征；
S206：在所述残差块中，对空洞卷积后的特征进行随机丢弃处理，减少过拟合：
el＝Bernoulli(p)
其中，表示第l+1层中第i个节点的输出，fR表示残差块激活函数，/>表示第l+1层中第i个节点的权重矩阵，el表示伯努利随机变量，Ol表示第l层的输出，p表示丢弃率，/>表示第l+1层中第i个节点的加性偏置；
S207：在所述输出层中，根据所述残差块输出的数据特征，输出空闲车位的预测数量。
3.根据权利要求1所述的景区智慧停车场管理方法，其特征在于，所述S4具体为：
根据以下公式，确定车位预留修正系数：
其中，η1表示车位预留修正系数，r表示空闲车位的实际数量，f表示空闲车位的预测数量。
4.根据权利要求3所述的景区智慧停车场管理方法，其特征在于，所述S5具体为：
根据以下公式，确定车位预留数量：
s＝η1·η0·r
其中，s表示车位预留数量，η1表示车位预留修正系数，η0表示车位预留转化系数，r表示空闲车位的实际数量。
5.根据权利要求1所述的景区智慧停车场管理方法，其特征在于，所述S7具体包括：
S701：以停车场收益最大化为目标，构建预约车位分配目标函数：
其中，f1()表示预约车位分配目标函数，X表示预约车位分配解向量，X＝{xij}，xij表示第i个预约车辆与第j个预留车位的匹配情况，若匹配成功，xij＝1，若匹配不成功，xij＝0，ti表示第i个预约车辆的预计停车时长，p1表示停车单价，ci表示第i个预约车辆是否需要充电，若需要充电，则ci＝1，若不需要充电，则ci＝0，p2表示充电单价，t0(i)表示第i个预约车辆的发起时间至预约时间的闲置时长，p0表示闲置成本，当非预留车位已停满时，p0＝p1，当非预留车位未停满时，p0＝0，xj表示第j个预留车位的预约状态，若第j个预留车位已被预定，则xj＝1，若第j个预留车位未被预定，则xj＝0，λ表示闲置惩罚系数，第i＝1,2,…,n，n表示预约车辆的总数，j＝1,2,…,s，s表示车位预留数量；
S702：为所述预约车位分配模型添加约束条件；
S703：在约束条件的限制下，以所述预约车位分配目标函数的函数值最大为目标，为预约车辆分配车位，并展示停车路径；
其中，所述预约车位分配模型的约束条件具体包括预约约束、车位约束、总车位约束和闲置等待时长约束：
所述预约约束具体为：
所述车位约束具体为：
所述总车位约束具体为：
所述闲置等待时长约束具体为：
t0(i)≤T
其中，T表示最大闲置等待时长。
6.根据权利要求5所述的景区智慧停车场管理方法，其特征在于，所述S703具体包括：
S7031：初始化初始温度T0、最大迭代次数m、终止温度Tm以及种群Q，种群中每个个体均代表一种可行的预约车位分配解向量X，X＝{xij}；
S7032：对种群进行交叉操作，从种群中随机选择两个个体分别作为父体，则对父体进行交叉操作产生新个体，新个体的产生方式如下：
X1,new＝rand×X1+(1-rand)×X2
X2,new＝rand×X2+(1-rand)×X1
其中，X1,new、X2,new表示新个体，X1、X2表示父体，rand表示0至1之间的随机数；
S7033：计算父体X1与新个体X1,new的预约车位分配目标函数的函数值；
当f1(X1,new)＞f1(X1)时，使用新个体X1,new替换父体X1；
当f1(X1,new)≤f1(X1)时，以第一替换概率P1，使用新个体X1,new替换父体X1：
其中，P1表示第一替换概率，e表示自然对数，f1(X1,new)表示新个体X1,new的预约车位分配目标函数的函数值，f1(X1)表示父体X1的预约车位分配目标函数的函数值，T表示当前温度；
S7034：对种群进行变异操作，从种群中随机选择一个个体作为父体，对父体进行变异操作产生新个体，新个体的产生方式如下：
其中，X3,new表示新个体，X3表示父体，Xmax表示目标函数值最大的个体，Xmin表示目标函数值最小的个体，rand表示0至1之间的随机数；
S7035：计算父体X3与新个体X3,new的预约车位分配目标函数的函数值；
当f1(X3,new)＞f1(X3)时，使用新个体X3,new替换父体X3；
当f1(X3,new)≤f1(X3)时，以第三替换概率P3，使用新个体X3,new替换父体X3：
其中，P3表示第三替换概率，e表示自然对数，f1(X3,new)表示新个体X3,new的预约车位分配目标函数的函数值，f1(X3)表示父体X3的预约车位分配目标函数的函数值，T表示当前温度；
S7036：判断迭代次数是否达到最大迭代次数m，或者，当前温度是否达到终止温度Tm；若是，输出预约车位分配目标函数的函数值最大的可行解作为最优解；否则，对温度进行更新，返回S7032；
其中，根据以下公式，对温度进行更新：
Ti+1＝αTi
其中，α表示降温系数，Ti+1表示第i+1次迭代时的温度，Ti表示第i次迭代时的温度。
7.根据权利要求1所述的景区智慧停车场管理方法，其特征在于，所述S9具体包括：
S901：以停车总用时最小化为目标，构建普通车位分配目标函数：
其中，f2()表示普通车位分配目标函数，Y表示普通车位分配解向量，Y＝{yij}，yij表示第i个普通车辆与第j个普通车位的匹配情况，若匹配成功，yij＝1，若匹配不成功，yij＝0，Lj表示第j个普通车位与入口之间的路程中的直线段距离，v1表示车辆直线行驶速度，wj表示第j个普通车位与入口之间的路程中的弯道数，tw表示单位过弯时间，dj表示当前时刻去往第j个普通车位的拥堵系数，td表示拥堵基础时间，bij表示第i个普通车辆停放在第j个普通车位的停车难度系数，tb表示停车基础时间，Dj表示第j个普通车位到景区入口的步行距离，v2表示步行速度，i＝1,2,…,N，N表示普通车辆的总数，j＝1,2,…,M，M表示普通车位数量；
S902：为所述普通车位分配模型添加约束条件；
S903：在所述约束条件的限制下，以所述普通车位分配目标函数的函数值最小为目标，为普通车辆分配车位，并展示停车路径；
所述普通车位分配模型的约束条件具体包括占位约束、车位约束和总车位约束：
所述占位约束具体为：
所述车位约束具体为：
所述总车位约束具体为：
其中，St表示停车场总车位，s表示车位预留数量。
8.根据权利要求7所述的景区智慧停车场管理方法，其特征在于，所述当前时刻去往各个普通车位的拥堵系数的计算方式为：
其中，dj表示去往第j个普通车位的拥堵系数，v0表示在停车场中车辆的正常行驶速度，表示当前去往第j个普通车位的路径上车辆的平均行驶速度。
9.根据权利要求7所述的景区智慧停车场管理方法，其特征在于，所述停车难度系数的计算方式为：
bij＝λ·wi+(1-λ)·Vj+β
其中，bij表示第i个普通车辆停放在第j个普通车位的停车难度系数，wi表示第i个普通车辆的车身宽度，λ表示车身宽度的权重，Vj表示第j个普通车位两侧的空间情况，(1-λ)表示车位两侧的空间情况的权重，当第j个普通车位的两侧均无车辆停放时，Vj＝0，当第j个普通车位的仅有一侧有车辆停放时，Vj＝0.5，当第j个普通车位的两侧均有车辆停放时，Vj＝1；β表示附加难度，当第j个普通车位的两侧均有车辆停放且两侧车辆均为小型车辆时，β＝β1，当第j个普通车位的两侧均有车辆停放且两侧车辆中一侧为小型车辆另一侧为大型车辆时，β＝β2，当第j个普通车位的两侧均有车辆停放且两侧车辆均为大型车辆时，β＝β3，β1＜β2＜β3。
10.一种景区智慧停车场管理系统，其特征在于，包括处理器和用于存储处理器可执行指令的存储器；所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的景区智慧停车场管理方法。
CN202311540045.3A 2023-11-17 2023-11-17 一种景区智慧停车场管理方法及系统 Pending CN117592701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311540045.3A CN117592701A (zh) 2023-11-17 2023-11-17 一种景区智慧停车场管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311540045.3A CN117592701A (zh) 2023-11-17 2023-11-17 一种景区智慧停车场管理方法及系统

Publications (1)

Publication Number Publication Date
CN117592701A true CN117592701A (zh) 2024-02-23

Family

ID=89921187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311540045.3A Pending CN117592701A (zh) 2023-11-17 2023-11-17 一种景区智慧停车场管理方法及系统

Country Status (1)

Country Link
CN (1) CN117592701A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117912293A (zh) * 2024-03-20 2024-04-19 鲁东大学 一种停车场智能管理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117912293A (zh) * 2024-03-20 2024-04-19 鲁东大学 一种停车场智能管理系统
CN117912293B (zh) * 2024-03-20 2024-05-28 鲁东大学 一种停车场智能管理系统

Similar Documents

Publication Publication Date Title
CN111696370B (zh) 基于启发式深度q网络的交通灯控制方法
CN117592701A (zh) 一种景区智慧停车场管理方法及系统
CN111144568A (zh) 一种多目标城市物流配送路径规划方法
CN113326993B (zh) 一种基于深度强化学习的共享自行车调度方法
CN112231091B (zh) 一种基于强化学习策略的并行云工作流调度方法
Shi et al. Memory-based ant colony system approach for multi-source data associated dynamic electric vehicle dispatch optimization
CN115713856B (zh) 一种基于交通流预测与实际路况的车辆路径规划方法
CN109215344B (zh) 用于城市道路短时交通流量预测的方法和系统
CN113516277B (zh) 一种基于路网动态定价的网联智能交通路径规划方法
CN114495552B (zh) 一种快速停车找车导航方法及其系统
CN112378415B (zh) 一种工器具的调度规划方法、装置及设备
CN113627993A (zh) 一种基于深度强化学习的智能电动汽车充放电决策方法
CN116050672B (zh) 基于人工智能的城市管理方法及系统
CN117541026B (zh) 一种智能物流运输车辆调度方法及系统
CN113344320A (zh) 多目标下的物流机器人配送路径动态自动规划方法及系统
CN115759915A (zh) 基于注意力机制和深度强化学习的多约束车辆路径规划方法
Erdmann et al. Dynamic car-passenger matching based on tabu search using global optimization with time windows
CN116704808A (zh) 停车位智能动态分配与引导方法、装置、设备及介质
Zhang et al. Intelligent scheduling of public traffic vehicles based on a hybrid genetic algorithm
CN116843500A (zh) 充电站规划方法、神经网络模型训练方法、装置和设备
CN112488358A (zh) 一种电动汽车充电路径规划方法和存储介质
Rad et al. A smart hybrid system for parking space reservation in VANET
CN110929950A (zh) 一种电动汽车负荷预测方法及系统
CN116033016A (zh) 一种车载网络中利用路边停放车辆的协作缓存方法
CN114444400A (zh) 一种自主代客泊车群车库位分配方法

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