CN108120999B - 车载导航设备及停车场引导方法 - Google Patents

Abstract

一种车载导航设备及停车场引导方法，所述引导方法包括：在车辆距行程目的地所在处于预设范围时，获取目的地周边停车场的预期停车时间，周边停车场的预期停车时间为车辆在当天及当前时间在该停车场停车所需的停车时间方法；向用户提供所获得的周边停车场的预期停车时间，以供用户选择。相较于与停车时间无直接关系的空位信息，此处提供的具体到当天及当前时间的停车时间可以给予用户更直观且更符合用户实际需求的提示引导信息。因此，使得用户的体验也获得了提升。

Description

车载导航设备及停车场引导方法

技术领域

本发明涉及导航技术的开发，特别涉及车载导航设备及停车场引导方法。

背景技术

目前的导航服务中，已不仅可以向用户提供从起点至终点的路径引导服务，还可以向用户推荐终点附近的停车场并进而提供从终点至停车场的路径引导服务。然而，用户到达停车场往往不意味着能立即达成停车的目的。对于城市停车场，特别是位于城市中心区域的停车场，用户在这些停车场入口排队等候、在停车场内寻找车位已成为普遍现象。因而，如何在导航服务中提供有效的停车场引导服务已成为关注热点。

目前的停车场系统大都能提供动态的空余车位信息。但是，在用户希望尽快达成停车目的时，其所在区域内多个停车场的空余车位信息并不能对用户选择适合的停车场提供真正有效的帮助。

发明内容

本发明解决的问题是提供车载导航设备及停车场引导方法，以使得用户获得可预期的、量化的准确停车提示信息。

为了解决上述问题，本发明提供的一种停车场引导方法，包括：在车辆距行程目的地所在处于预设范围时，获取目的地周边停车场的预期停车时间，周边停车场的预期停车时间为车辆在当天及当前时间在该停车场停车所需的停车时间方法；向用户提供所获得的周边停车场的预期停车时间，以供用户选择。

本发明还提供一种车载导航设备，其依据用户设定的目的地向用户提供导航服务，所述车载导航设备应用上述的停车场引导方法在导航服务中集成停车场引导服务；所述车载导航设备与车联网通信盒通过车辆总线连接，从车联网通信盒处获得车辆运行数据。

与现有技术相比，上述方案具有以下优点：相较于与停车时间无直接关系的空位信息，此处提供的具体到当天及当前时间的停车时间可以给予用户更直观且更符合用户实际需求的提示引导信息。因此，使得用户的体验也获得了提升。

附图说明

图1是根据本发明实施例的停车场引导方法的流程示意图；

图2是根据本发明实施例的车载导航设备与车联网通信盒的通信示意图；

图3是根据本发明实施例的停车场引导方法中收集各车辆运行数据及下发停车时间数据的示意图；

图4是根据本发明实施例的停车场引导方法获得的各停车场停车时间、当天及当前时间所需的停车时间示意图。

具体实施方式

在下面的描述中，阐述了许多具体细节以便使所属技术领域的技术人员更全面地了解本发明。但是，对于所属技术领域内的技术人员明显的是，本发明的实现可不具有这些具体细节中的一些。此外，应当理解的是，本发明并不限于所介绍的特定实施例。相反，可以考虑用下面的特征和要素的任意组合来实施本发明，而无论它们是否涉及不同的实施例。因此，下面的方面、特征、实施例和优点仅作说明之用而不应被看作是权利要求的要素或限定，除非在权利要求中明确提出。

如背景技术提到的，目前停车场系统提供的空余车位信息并不能给予用户选择哪个停车场直观的帮助。一般来说，用户都希望在尽量短的时间内在停车场达成停车目的。由于各个停车场内部结构的不同会导致停车所需时间存在差异，且同一停车场在不同日期的不同时段所需的停车时间也会存在差异。因此，对于达成停车目的来说，对用户选择停车场最重要的参考因素应是时间。

而本发明的停车场引导方法提供了细化分类的时间信息以针对这个问题。参照图1所示，根据本发明实施例的停车场引导方法，包括：步骤s10，在车辆距行程目的地所在处于预设范围时，获取目的地周边停车场的预期停车时间，周边停车场的预期停车时间为车辆在当天及当前时间在该停车场停车所需的停车时间方法；步骤s20，向用户提供所获得的周边停车场的预期停车时间，以供用户选择。

根据本发明的实施例，目的地周边停车场的预期停车时间可以不依赖停车场系统提供，而是依据车辆本身的运行数据来获得。由每次行程的最后位置可以得知车辆是否停在某个停车场，而在停车场中停车完成的最终动作也是熄火。因此，目的地周边停车场的预期停车时间可以基于熄火时间及熄火时的车辆位置来获得。

参照图3所示，具体地，通过云端服务器，对每一辆车，以一次开车的行程为单位收集车辆运行数据，进而获得大量不同的车辆在不同的历史行程中的车辆运行数据。所收集的车辆运行数据至少包括车辆位置及熄火时间。车辆位置可以为GPS位置或其他卫星定位系统的位置。熄火时间可以从车辆的发动机系统获得。参照图2所示，就目前主流的车辆配置来说，这些车辆运行数据一般都可以通过车联网通信盒(Telematics Box，通常称为T盒)获得。车联网通信盒连接于车辆总线(例如CAN)，以获得来自于各个车辆子系统上传到车辆总线的数据。

如上所述，通过每次行程的最后位置可以得知车辆是否停在某个停车场。实质上，就是以车辆熄火时的位置来得知车辆是否停在某个停车场。对某辆车某一次行程中的车辆运行数据，在获知熄火时间后，该时间的车辆位置就是熄火时的位置。将熄火时的位置属于各停车场的车辆运行数据各自归集，就能获得关联于各停车场的车辆运行数据。假设所收集的大量车辆运行数据中的熄火时的位置指向10个停车场，则归集后就能获得关联于10个停车场的车辆运行数据。

接下来，通过云端服务器，对关联于每一个停车场的车辆运行数据分别进行建模处理。以关联于其中任意一个停车场的车辆运行数据为例，通过对这些车辆运行数据的计算来获得针对该停车场的停车时间历史数据。停车时间历史数据可以通过两种方式获得。

方式一：对于室内停车场，考虑到车辆在停车场内部寻找车位及停车入库时的车速都很低，且此时车辆位置已属于该停车场。因此，在车辆的车速低于速度阈值(例如10公里/小时)时且在此期间的车辆位置处于该停车场时，将车速开始低于速度阈值的时间(可被认为是进入停车场的时间)作为计算起点，以该车辆的熄火时间作为计算终点，获得针对该停车场的停车时间。

方式二：对于室外停车场，可以设置触发停车时间计算的虚拟边界。该虚拟边界与实际的地理位置对应且与停车场邻近。在车辆到达该虚拟边界时就开始计时，直至车辆熄火且熄火时的位置属于该停车场。由此获得针对该停车场的停车时间。继续参照图3所示，具体地，可以将地图区域划分为多个地理围栏，每个地理围栏覆盖一定的地图区域(例如对应方圆1公里范围的地图区域)，而该地区区域中的各个地点也属于该地理围栏。各地理围栏所覆盖的地图区域的大小一般都相同。在地理围栏划分完后，将车辆进入该停车场所在的地理围栏的时间作为计算起点。

由于各辆车各次不同行程的日期及时间均不相同，当通过上述的方式计算获得停车时间后，就能获得大量针对该停车场不同日期、不同时间段的停车时间历史数据。由此，通过机器学习的方式，依据这些历史数据可以训练出预测该停车场在各日期、各个时间段的停车时间的预测模型。

上述获得预测模型可以通过例如下述方式来处理：

首先，将上述获得的大量历史数据进行初步的统计分析，以获得可用于导入候选模型算法的训练用数据。该部分的统计分析可以采用分类算法或聚类算法，以从上述的大量历史数据中获得训练用数据。例如，获得的训练用数据中有某一停车场某一天中最长的停车时间的数据、某一停车场每天中午12点的停车时间的数据，等等。分类算法可以采用例如KNN(K-Nearest Neighbor)算法，聚类算法可以采用例如K-means算法。

接着，设置两个数据集：测试集和验证集。验证集中放入训练用数据(来自于历史数据的真实数据)。然后，从训练用数据中再挑选合适的数据相应导入一个或多个模型算法，将候选模型算法输出的预测停车时间的数据放入测试集中。通过比较验证集和测试集中属于同一类的数据来评估候选模型算法预测停车时间的准确度。评估所用的评估指标可依据实际情况进行调整。有关模型算法，可以将例如朴素贝叶斯(Native Bayes)、深度学习(Deep Learning)等作为候选。考虑到训练模型所用的数据量及时间，在不同阶段符合准确度要求的候选模型算法会不同，因而可以多挑选一些候选模型算法训练以进行比较及评估。

最后，依据上述的各种评估过程从候选模型算法中挑选出准确度最符合当前要求的模型算法来作为预测模型。通过将具体的时间信息导入预测模型就能获得预测数据。例如，X月X日上午8点间在某停车场停车所需的停车时间就可由该模型预测出来。

由于这个预测模型的依据是大量精细划分日期及时间段的真实历史数据，因而预测出的停车时间具有相当的准确性。依据此方法，可以获得各个停车场的停车时间的预测模型。各个停车场的预测模型可以由云端服务器下发至各个车辆或存于云端服务器。

以下以一次开车行程的开始直至最终在停车场达成停车的过程为例，进一步说明本发明停车场引导方法的执行过程。

结合参照图1、图3及图4所示，应用上述地理围栏的设置，在用户设置了行程目的地之后，确定行程目的地所在的地理围栏，并进而获得其相邻的各地理围栏。各相邻的地理围栏与行程目的地所在的地理围栏在地图区域上的边界互相邻接。接着，再从各相邻的地理围栏中找到停车场。此处假设所有相邻的地理围栏中总共有三个停车场(停车场1、停车场2及停车场3)。

在车辆进入行程目的地所在地理围栏时，将当天(X月X日)及当前时间(晚上20点)输入至停车场1～3的各相应预测模型，以分别预测出停车场1～3的预期停车时间。例如，图4所示，停车场1的预测模型预测出的预期停车时间为18分钟，停车场2的预测模型预测出的预期停车时间为31分钟，停车场3的预测模型预测出的预期停车时间为40分钟。预测出的这三个停车场的预期停车时间会被提供给用户，以供用户选择。用户凭借这个直观的预期停车时间可以很容易地选择停车场1来停车。而本次在停车场1的实际停车时间也可作为机器学习所依据的数据来继续训练预测模型，以用于下一次的停车时间预测。从而，通过不断迭代来提高预测模型的预测精准度。

上述的停车场引导方法还可以作为软件服务集成于目前的车载导航设备中。继续参照图2和图3所示，根据本发明实施例的导航设备，其除了依据用户设定的目的地向用户提供导航服务外，还可以将上述的停车场引导方法在导航服务中集成为停车场引导服务。该车载导航设备与车联网通信盒通过车辆总线连接。

具体应用例，该车载导航设备内置的地图以预先被划分为多个地理围栏。该车载导航设备在获得用户设置的行程目的地后，确定行程目的地所在地理围栏，并进而找到相邻地理围栏中的各停车场信息。该车载导航设备通过车联网通信盒来获得车辆的实时GPS数据以确定车辆的当前位置。当车辆进入行程目的地所在地理围栏时，该车载导航设备将当天及当前时间的信息、各停车场信息通过车联网通信盒发至云端服务器。云端服务器选择对应的预测模型预测出各停车场的预期停车时间后，再下发至各车辆。该车载导航设备通过车联网通信盒获得预期停车时间后，通过其显示屏呈现给用户。当用户选择某一停车场后，该车载导航设备可以继续规划从车辆当前位置至用户所选择的停车场的路径，并进而提供路径导航服务。

虽然本发明已以较佳实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内所作的各种更动与修改，均应纳入本发明的保护范围内，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (6)

1.一种停车场引导方法，其特征在于，包括：在车辆距行程目的地所在处于预设范围时，获取目的地周边停车场的预期停车时间，周边停车场的预期停车时间为车辆在当天及当前时间在该停车场停车所需的停车时间；向用户提供所获得的周边停车场的预期停车时间，以供用户选择；

其中，周边停车场的预期停车时间通过下述方式获得：收集多个车辆在不同的历史行程中的车辆运行数据，车辆运行数据至少包括车辆位置及熄火时间；依据熄火时间，将熄火时的车辆位置属于各停车场的车辆运行数据各自归集，以获得关联于各停车场的车辆运行数据；对关联于各停车场的车辆运行数据，获得以熄火时间为计算终点的、针对该停车场的停车时间历史数据；依据该停车场不同日期、不同时间段的停车时间历史数据，训练出预测该停车场在各日期、各个时间段的停车时间的预测模型；以该预测模型预测该停车场的预期停车时间。

2.如权利要求1所述的停车场引导方法，其特征在于，将地图区域划分为多个地理围栏，在车辆进入行程目的地所在地理围栏时，获取与目的地所在地理围栏相邻的各地理围栏中的停车场的预期停车时间。

3.如权利要求1所述的停车场引导方法，其特征在于，将本次行程中该停车场的实际停车时间作为建立下一次预测该停车场的停车时间的预测模型所用的历史数据。

4.如权利要求1所述的停车场引导方法，其特征在于，针对该停车场的停车时间的历史数据通过下述任意一种方式获得：将地图区域划分为多个地理围栏，将车辆进入该停车场所在的地理围栏的时间作为计算起点，以该车辆的熄火时间作为计算终点，获得停车时间；或者，在车辆的车速低于速度阈值时且在此期间的车辆位置处于该停车场时，将车速开始低于速度阈值的时间作为计算起点，以该车辆的熄火时间作为计算终点，获得停车时间。

5.如权利要求2或4所述的停车场引导方法，其特征在于，各地理围栏所覆盖的地图区域的大小相同。

6.一种车载导航设备，其依据用户设定的目的地向用户提供导航服务，其特征在于，所述车载导航设备应用权利要求1至5任一项所述的停车场引导方法在导航服务中集成停车场引导服务；所述车载导航设备与车联网通信盒通过车辆总线连接。

Images