CN117877313A - 基于物联网感知的停车场管理方法及装置 - Google Patents
基于物联网感知的停车场管理方法及装置 Download PDFInfo
- Publication number
- CN117877313A CN117877313A CN202410280294.1A CN202410280294A CN117877313A CN 117877313 A CN117877313 A CN 117877313A CN 202410280294 A CN202410280294 A CN 202410280294A CN 117877313 A CN117877313 A CN 117877313A
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- zone
- determining
- parking 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
- 238000007726 management method Methods 0.000 title claims abstract description 76
- 230000008447 perception Effects 0.000 title claims abstract description 55
- 238000013439 planning Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 20
- 238000007405 data analysis Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 230000006855 networking Effects 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000011524 similarity measure Methods 0.000 description 6
- 238000013468 resource allocation Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种基于物联网感知的停车场管理方法及装置,方法包括:通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区;本申请能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
Description
技术领域
本申请涉及物联网领域,具体涉及一种基于物联网感知的停车场管理方法及装置。
背景技术
目前,随着经济的不断发展,汽车的普及率越来越高,停车场逐渐成为一项新的建筑必备设施。智能停车场因其人员成本比较低,已经成为停车场发展的必然趋势,智能停车场的营收状况直接关系到停车场能否持续发展。
发明人发现,现有技术中的停车场管理方法多采用人工管理,不能很好地体现智能化优势,往往造成停车场部分片区的集中拥堵,停车效率低下。
发明内容
针对现有技术中的问题,本申请提供一种基于物联网感知的停车场管理方法及装置,能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种基于物联网感知的停车场管理方法,包括:
通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
进一步地,所述通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,包括:
通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行停留时长的数据分析,根据所述数据分析的结果确定对应的车辆停留时间;
根据所述车辆停留时间进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括短时停车片区和长时停车片区。
进一步地,所述根据所述车辆停留时间进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,包括:
将各所述车辆停留时间设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的车辆停留时间相似度度量值;
根据所述车辆停留时间相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
进一步地, 所述通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,还包括:
通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行车辆体尺寸的数据分析,根据所述数据分析的结果确定对应的车辆类型;
根据所述车辆类型进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括大型车停车片区和小型车停车片区。
进一步地,所述根据所述车辆类型进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,包括:
将各所述车辆类型设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的车辆类型相似度度量值;
根据所述车辆类型相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
进一步地,所述通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,还包括:
通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行行人移动方向和速度的数据分析,根据所述数据分析的结果确定对应的行人流向;
根据所述行人流向进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括入场停车片区和乘梯停车片区。
进一步地,所述根据所述行人流向进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,包括:
将各所述行人流向设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的行人流向相似度度量值;
根据所述行人流向相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
第二方面,本申请提供一种基于物联网感知的停车场管理装置,包括:
计划片区确定模块,用于通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
目标片区更新模块,用于根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
入库导航模块,用于在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于物联网感知的停车场管理方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于物联网感知的停车场管理方法的步骤。
第五方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的基于物联网感知的停车场管理方法的步骤。
由上述技术方案可知,本申请提供一种基于物联网感知的停车场管理方法及装置,通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区,由此能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1为本申请实施例中的基于物联网感知的停车场管理方法的流程示意图之一;
图2为本申请实施例中的基于物联网感知的停车场管理方法的流程示意图之二;
图3为本申请实施例中的基于物联网感知的停车场管理方法的流程示意图之三;
图4为本申请实施例中的基于物联网感知的停车场管理方法的流程示意图之四;
图5为本申请实施例中的基于物联网感知的停车场管理方法的流程示意图之五;
图6为本申请实施例中的基于物联网感知的停车场管理方法的流程示意图之六;
图7为本申请实施例中的基于物联网感知的停车场管理方法的流程示意图之七;
图8为本申请实施例中的基于物联网感知的停车场管理装置的结构图;
图9为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
考虑到现有技术中的停车场管理方法多采用人工管理,不能很好地体现智能化优势,往往造成停车场部分片区的集中拥堵、停车效率低下的问题,本申请提供一种基于物联网感知的停车场管理方法及装置,通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区,由此能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
为了能够有效提高用户停车效率和准确率,有利于停车场的智能化管理,本申请提供一种基于物联网感知的停车场管理方法的实施例,参见图1,所述基于物联网感知的停车场管理方法具体包含有如下内容:
步骤S101:通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
可选的,本实施例中,可以利用环境感知技术,如摄像头、传感器等,对停车场内的实时情况进行感知,根据车辆密度、人流情况等因素,智能地调整片区划分,以提高停车场的利用率和安全性。
具体的,本实施例可以安装摄像头覆盖停车场区域,摄像头通过图像识别技术感知停车场内的车辆、行人和其他动态物体。图像数据包括车辆密度、人流情况等。然后,本实施例还可以对收集到的数据进行预处理,包括去噪、数据清洗和归一化等操作。确保数据质量和一致性,为后续算法处理提供良好的基础。从预处理后的数据中提取特征,例如车辆的停留时间、车辆类型、行人流向等。这些特征将有助于算法理解停车场内的各种动态变化。
可选的,本实施例中可以基于机器学习或深度学习的智能划分算法。算法可以采用聚类技术,例如K均值聚类、层次聚类,以识别具有相似特征的区域。也可以使用神经网络等方法,通过学习停车场的复杂动态模式进行划分。
例如,可以使用K均值聚类算法进行停车场的智能划分。算法可以根据车辆停留时间和车辆密度等特征,将停车场划分为若干个簇。例如,短时停车区簇、长时停车区簇等。通过不断优化聚类中心,算法能够在运行时实现停车场的实时划分,适应不同时间段和使用情况下的停车场管理需求。这样的智能划分算法能够提高停车场资源的利用效率,提升用户体验。
在本申请的另一实施例中,停车片区的划分规则也可以由用户自行设置,如设置为A、B、C等区域,例如,停车场包含两个入口和一个出口,每个片区有几十个停车位不等。剩余车位的统计方法为:各区域的出入口均有摄像头监控,车位总数量为N,系统初始运行时剩余数量为M,显然M小于等于N,当有-车辆通过该区域的出入口进入该区域,则剩余数量-1,当有车辆出去,则剩余数量+1。
步骤S102:根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
可选的,本实施例中可以根据监测到的目标片区位置,确定目标片区的范围。这可能是一个矩形、多边形或其他形状,根据具体需求而定。基于监测到的目标片区范围,实时调整初始停车片区的边界。这涉及对初始停车片区的地理位置信息进行更新,以确保边界与目标片区一致。
通过以上步骤,可以实现根据目标片区的实时位置对初始停车片区的边界进行实时调整更新,保持数据库信息的准确性和一致性。这有助于更灵活地应对停车场管理中可能出现的变化和需求调整。
步骤S103:在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
可选的,本实施例可以在路口的引导屏上显示各方向空余车位信息,各方向的数据来自于该方向对应区域的空余车位数量的总和,引导司机自行选择有车位空余的区域。
基于在出入口道闸获取到的用户的车牌信息,根据预设数据库(尤其是更新后的)获取该车辆将要停放的目标片区的位置信息,沿途引导屏上显示该车主的车牌号,并给出引导路线的箭头方向。
车辆将要停放的位置信息:有几类人群可以使用该引导方案,1,有固定车位的车辆;2,访客车辆,由接待方事先安排好车位位置;3,上班族,即经常性停到固定区域的车辆。对于前两种,车辆将要停放的位置很明确,属于事先配置的问题,对于第3种,根据该车辆多次停放的轨迹信息,可总结出该车辆的目标停放区域,如该车辆进出该停车场N次,有M%以上的情况停放在某固定区域,则可认为该车辆的目标区域是这个固定区域。
从上述描述可知,本申请实施例提供的基于物联网感知的停车场管理方法,能够通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区,由此能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
在本申请的基于物联网感知的停车场管理方法的一实施例中,参见图2,还可以具体包含如下内容:
步骤S201:通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行停留时长的数据分析,根据所述数据分析的结果确定对应的车辆停留时间;
步骤S202:根据所述车辆停留时间进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括短时停车片区和长时停车片区。
可选的,本实施例中可以从停车场摄像头采集的数据中获取车辆停留时间信息。这些信息应该包括每辆车在各个预设初始停车片区内的停留时间。然后,对采集到的停留时间数据进行标准化处理,以便在后续聚类算法中更好地比较。这可能涉及到将时间转换为分钟或小时,或者进行其他标准化处理,确保数据在同一尺度上。
接着,本实施例可以选择适当的聚类算法,例如K均值聚类。K均值聚类是一种常用的聚类方法,它可以根据数据的相似性将数据点分为不同的簇。完成聚类后,每个簇代表一个聚类片区,其状态由该区域内车辆的平均停留时间决定。例如,停留时间较短的簇可能代表短时停车区,停留时间较长的簇可能代表长时停车区。
在本申请的基于物联网感知的停车场管理方法的一实施例中,参见图3,还可以具体包含如下内容:
步骤S301:将各所述车辆停留时间设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的车辆停留时间相似度度量值;
步骤S302:根据所述车辆停留时间相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
可选的,本实施例中,可以选择停车场车辆停留时间作为聚类的特征。这可以是车辆在某一片区停留的时间长度。选择K均值聚类算法,该算法适用于将数据点划分为K个簇,并以每个簇的中心表示该簇。在K均值聚类中,初始化聚类中心。可以采用随机选择数据点作为初始中心,或者根据先验知识进行初始化。设定车辆停留时间的相似性度量,例如欧氏距离。这用于计算每个数据点与聚类中心的相似性。根据相似性度量,将每个数据点分配到距离最近的聚类中心所代表的簇中。
完成聚类后,每个簇代表一个聚类片区,其停车时间相似。通过分析每个簇的停车时间特征,可以确定其为目标片区。
通过以上步骤,可以根据车辆停留时间进行K均值聚类计算,智能地确定各个目标片区,有助于停车场的管理和资源分配。
在本申请的基于物联网感知的停车场管理方法的一实施例中,参见图4,还可以具体包含如下内容:
步骤S401:通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行车辆体尺寸的数据分析,根据所述数据分析的结果确定对应的车辆类型;
步骤S402:根据所述车辆类型进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括大型车停车片区和小型车停车片区。
可选的,本实施例中可以从停车场摄像头采集的数据中获取车辆类型信息。这可能包括小型车、中型车、大型车等不同类型的车辆。在车辆类型数据中选择用于聚类的特征。这可以是车辆的尺寸、高度、长度等,以便在后续聚类算法中更好地比较。然后,选择适当的聚类算法,例如K均值聚类。在这里,算法将根据车辆类型的相似性将数据点分为不同的簇。完成聚类后,每个簇代表一个聚类片区,其状态由该区域内车辆的平均类型决定。例如,某簇内以小型车为主可能代表小型车停车区。
通过以上步骤,可以根据车辆类型进行聚类计算,从而智能地确定各个预设初始停车片区的状态,有助于优化停车场的管理和资源分配。
在本申请的基于物联网感知的停车场管理方法的一实施例中,参见图5,还可以具体包含如下内容:
步骤S501:将各所述车辆类型设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的车辆类型相似度度量值;
步骤S502:根据所述车辆类型相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
可选的,本实施例中,选择车辆类型作为聚类的特征。车辆类型可以是轿车、卡车、SUV等。选择K均值聚类算法,该算法适用于将数据点划分为K个簇,并以每个簇的中心表示该簇。在K均值聚类中,初始化聚类中心。可以采用随机选择数据点作为初始中心,或者根据先验知识进行初始化。设定车辆类型的相似性度量。这可以是基于车型的标签相似性,例如卡车与卡车之间的相似性。根据相似性度量,将每个数据点分配到距离最近的聚类中心所代表的簇中。完成聚类后,每个簇代表一个聚类片区,其车辆类型相似。通过分析每个簇的车辆类型特征,可以确定其为目标片区。
通过以上步骤,可以根据车辆类型进行K均值聚类计算,智能地确定各个目标片区,有助于停车场的管理和资源分配。
在本申请的基于物联网感知的停车场管理方法的一实施例中,参见图6,还可以具体包含如下内容:
步骤S601:通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行行人移动方向和速度的数据分析,根据所述数据分析的结果确定对应的行人流向;
步骤S602:根据所述行人流向进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括入场停车片区和乘梯停车片区。
可选的,本实施例中,可以利用停车场摄像头采集行人流向数据。对于每个行人,记录其移动方向、速度、停留时间等相关信息。进行数据清洗,处理异常值和缺失数据。从采集到的数据中提取关键特征,如行人的运动方向、行进速度、停留时间等。选择这些特征用于后续的聚类分析。选择适当的聚类算法,如K均值聚类、层次聚类等,以根据行人流向的相似性将数据点分为不同的簇。完成聚类后,每个簇代表一个聚类片区,其状态由该区域内行人流向的共性决定。例如,某簇内行人主要朝向入场区域,可能代表着入场区域。
通过以上步骤,可以根据行人流向进行聚类计算,智能地确定各个预设初始停车片区的状态,有助于优化停车场的管理和资源分配。
在本申请的基于物联网感知的停车场管理方法的一实施例中,参见图7,还可以具体包含如下内容:
步骤S701:将各所述行人流向设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的行人流向相似度度量值;
步骤S702:根据所述行人流向相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
可选的,本实施例中可以利用停车场摄像头等设备采集行人流向的数据。确保数据的准确性,对异常值和缺失值进行适当处理。选择行人流向作为聚类的特征。流向可以通过行人的运动方向、速度、停留时间等特征来表示。选择K均值聚类算法,该算法适用于将数据点划分为K个簇,并以每个簇的中心表示该簇。在K均值聚类中,初始化聚类中心。可以采用随机选择数据点作为初始中心,或者根据先验知识进行初始化。设定行人流向的相似性度量。这可以是基于运动方向、速度等的相似性计算。根据相似性度量,将每个数据点分配到距离最近的聚类中心所代表的簇中。
可选的,完成聚类后,每个簇代表一个聚类片区,其行人流向相似。通过分析每个簇的行人流向特征,可以确定其为目标片区。
通过以上步骤,可以根据行人流向进行K均值聚类计算,智能地确定各个目标片区,有助于停车场的管理和资源分配。
为了能够有效提高用户停车效率和准确率,有利于停车场的智能化管理,本申请提供一种用于实现所述基于物联网感知的停车场管理方法的全部或部分内容的基于物联网感知的停车场管理装置的实施例,参见图8,所述基于物联网感知的停车场管理装置具体包含有如下内容:
计划片区确定模块10,用于通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
目标片区更新模块20,用于根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
入库导航模块30,用于在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
从上述描述可知,本申请实施例提供的基于物联网感知的停车场管理装置,能够通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区,由此能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
从硬件层面来说,为了能够有效提高用户停车效率和准确率,有利于停车场的智能化管理,本申请提供一种用于实现所述基于物联网感知的停车场管理方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor) 、存储器(memory) 、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现基于物联网感知的停车场管理装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的基于物联网感知的停车场管理方法的实施例,以及基于物联网感知的停车场管理装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,基于物联网感知的停车场管理方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图9是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,基于物联网感知的停车场管理方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤S101:通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
步骤S102:根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
步骤S103:在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
从上述描述可知,本申请实施例提供的电子设备,通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区,由此能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
在另一个实施方式中,基于物联网感知的停车场管理装置可以与中央处理器9100分开配置,例如可以将基于物联网感知的停车场管理装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现基于物联网感知的停车场管理方法功能。
如图9所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图9中所示的所有部件;此外,电子设备9600还可以包括图9中没有示出的部件,可以参考现有技术。
如图9所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于物联网感知的停车场管理方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于物联网感知的停车场管理方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
步骤S102:根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
步骤S103:在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区,由此能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于物联网感知的停车场管理方法中全部步骤的一种计算机程序产品,该计算机程序/指令被处理器执行时实现所述的基于物联网感知的停车场管理方法的步骤,例如,所述计算机程序/指令实现下述步骤:
步骤S101:通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
步骤S102:根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
步骤S103:在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
从上述描述可知,本申请实施例提供的计算机程序产品,通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区,由此能够有效提高用户停车效率和准确率,有利于停车场的智能化管理。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于物联网感知的停车场管理方法,其特征在于,所述方法包括:
通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
2.根据权利要求1所述的基于物联网感知的停车场管理方法,其特征在于,所述通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,包括:
通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行停留时长的数据分析,根据所述数据分析的结果确定对应的车辆停留时间;
根据所述车辆停留时间进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括短时停车片区和长时停车片区。
3.根据权利要求2所述的基于物联网感知的停车场管理方法,其特征在于,所述根据所述车辆停留时间进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,包括:
将各所述车辆停留时间设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的车辆停留时间相似度度量值;
根据所述车辆停留时间相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
4.根据权利要求1所述的基于物联网感知的停车场管理方法,其特征在于,所述通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,还包括:
通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行车辆体尺寸的数据分析,根据所述数据分析的结果确定对应的车辆类型;
根据所述车辆类型进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括大型车停车片区和小型车停车片区。
5.根据权利要求4所述的基于物联网感知的停车场管理方法,其特征在于,所述根据所述车辆类型进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,包括:
将各所述车辆类型设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的车辆类型相似度度量值;
根据所述车辆类型相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
6.根据权利要求1所述的基于物联网感知的停车场管理方法,其特征在于,所述通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,还包括:
通过预设在停车场各预设初始停车片区内的停车场摄像头组采集所述初始停车片区内的图像数据并对所述图像数据进行行人移动方向和速度的数据分析,根据所述数据分析的结果确定对应的行人流向;
根据所述行人流向进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,其中,所述计划片区包括入场停车片区和乘梯停车片区。
7.根据权利要求6所述的基于物联网感知的停车场管理方法,其特征在于,所述根据所述行人流向进行K均值聚类计算,将所述K均值聚类计算得到的各个簇确定为对应的计划片区,包括:
将各所述行人流向设定为聚类特征数据点,并计算各所述聚类特征数据点与预设初始化聚类中心的欧式距离,得到对应的行人流向相似度度量值;
根据所述行人流向相似度度量值的数值大小确定对应的簇,并将各个簇确定为对应的计划片区。
8.一种基于物联网感知的停车场管理装置,其特征在于,所述装置包括:
计划片区确定模块,用于通过停车场摄像头组确定所述停车场各预设初始停车片区内的车辆状态,根据所述车辆状态和设定停车聚类算法确定对应的计划片区,其中,所述车辆状态包括车辆停留时间、车辆类型以及行人流向中的至少一种;
目标片区更新模块,用于根据所述计划片区的范围位置对所述初始停车片区的边界进行实时调整更新,得到经过所述实时调整更新后的目标停车片区并进行数据库更新;
入库导航模块,用于在监测到车辆通过入口闸门时,根据所述车辆的车牌信息和所述数据库确定对应的所述目标停车片区。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述的基于物联网感知的停车场管理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述的基于物联网感知的停车场管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410280294.1A CN117877313B (zh) | 2024-03-12 | 2024-03-12 | 基于物联网感知的停车场管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410280294.1A CN117877313B (zh) | 2024-03-12 | 2024-03-12 | 基于物联网感知的停车场管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117877313A true CN117877313A (zh) | 2024-04-12 |
CN117877313B CN117877313B (zh) | 2024-05-31 |
Family
ID=90595373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410280294.1A Active CN117877313B (zh) | 2024-03-12 | 2024-03-12 | 基于物联网感知的停车场管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117877313B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092204A (zh) * | 2017-06-13 | 2017-08-25 | 深圳市麦谷科技有限公司 | 一种根据车辆活动规律自动采集二押点的方法及系统 |
CN114139794A (zh) * | 2021-11-25 | 2022-03-04 | 合肥工业大学设计院(集团)有限公司 | 基于停车大数据的区域公共停车场充电需求预测方法 |
CN114490904A (zh) * | 2022-01-21 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 停车场入口生成方法、装置、设备及存储介质 |
WO2023004595A1 (zh) * | 2021-07-27 | 2023-02-02 | 中国科学院深圳先进技术研究院 | 一种停车数据修复方法、装置、计算机设备以及存储介质 |
CN117241212A (zh) * | 2023-10-11 | 2023-12-15 | 一汽解放汽车有限公司 | 车辆常驻停车点的确定方法、装置、设备以及存储介质 |
CN117542223A (zh) * | 2024-01-08 | 2024-02-09 | 西安卓越软件开发有限公司 | 基于计算机视觉的停车管理方法及系统 |
-
2024
- 2024-03-12 CN CN202410280294.1A patent/CN117877313B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092204A (zh) * | 2017-06-13 | 2017-08-25 | 深圳市麦谷科技有限公司 | 一种根据车辆活动规律自动采集二押点的方法及系统 |
WO2023004595A1 (zh) * | 2021-07-27 | 2023-02-02 | 中国科学院深圳先进技术研究院 | 一种停车数据修复方法、装置、计算机设备以及存储介质 |
CN114139794A (zh) * | 2021-11-25 | 2022-03-04 | 合肥工业大学设计院(集团)有限公司 | 基于停车大数据的区域公共停车场充电需求预测方法 |
CN114490904A (zh) * | 2022-01-21 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 停车场入口生成方法、装置、设备及存储介质 |
CN117241212A (zh) * | 2023-10-11 | 2023-12-15 | 一汽解放汽车有限公司 | 车辆常驻停车点的确定方法、装置、设备以及存储介质 |
CN117542223A (zh) * | 2024-01-08 | 2024-02-09 | 西安卓越软件开发有限公司 | 基于计算机视觉的停车管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117877313B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10703381B2 (en) | Intelligent vehicle action decisions | |
DE112018007119T5 (de) | Optimieren und vorhersagen der verfügbarkeit von ressourcen in einer umgebung zur gemeinsamen fahrradnutzung | |
CN111114554B (zh) | 行驶轨迹预测方法、装置、终端及存储介质 | |
US11393333B2 (en) | Customizable traffic zone | |
CN110176152A (zh) | 使用停放车辆中的传感器的方法和系统 | |
CN105144264A (zh) | 用云协助来丰富驾驶体验 | |
CN109785611B (zh) | 无人驾驶车辆控制方法、装置、服务器及存储介质 | |
Belkhala et al. | Smart parking architecture based on multi agent system | |
US20230014422A1 (en) | Traffic pattern detection for creating a simulated traffic zone experience | |
CN105046996A (zh) | 用于预测的驾驶需求建模的方法和设备 | |
CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN115497331B (zh) | 一种泊车方法、装置、设备及车辆 | |
JP2020194280A (ja) | 情報処理装置、情報処理方法、プロブラム | |
CN114548755A (zh) | 一种旅游景区防拥堵方法、系统、装置、设备和介质 | |
CN117877313B (zh) | 基于物联网感知的停车场管理方法及装置 | |
CN116129643B (zh) | 一种公交车出行特征识别方法、装置、设备及介质 | |
KR102424823B1 (ko) | 푸시 메시지를 이용한 효율적인 입출차 관리 시스템 | |
US12067878B1 (en) | Crowd sourced real-time parking space detection and notification | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN113269339B (zh) | 一种网约车任务自动创建和分发的方法及系统 | |
Herberth et al. | Identifying atypical travel patterns for improved medium-term mobility prediction | |
CN113095634A (zh) | 一种任务处理方法、装置及设备 | |
CN115966098A (zh) | 一种预测公交车到站时间的方法及设备 | |
CN113793195A (zh) | 网约车订单处理方法、装置、计算机设备及可读存储介质 | |
CN117842806B (zh) | 基于人工智能的用户乘梯控制方法及装置 |
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 |