[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114255596A - 一种基于大数据的停车场车位推荐系统及方法 - Google Patents

一种基于大数据的停车场车位推荐系统及方法 Download PDF

Info

Publication number
CN114255596A
CN114255596A CN202210192487.2A CN202210192487A CN114255596A CN 114255596 A CN114255596 A CN 114255596A CN 202210192487 A CN202210192487 A CN 202210192487A CN 114255596 A CN114255596 A CN 114255596A
Authority
CN
China
Prior art keywords
parking
parking space
recommendation
data
module
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
Application number
CN202210192487.2A
Other languages
English (en)
Other versions
CN114255596B (zh
Inventor
王小强
汪雪钟
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.)
Jiangsu Ninebit Information System Co ltd
Original Assignee
Jiangsu Ninebit Information System 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 Jiangsu Ninebit Information System Co ltd filed Critical Jiangsu Ninebit Information System Co ltd
Priority to CN202210192487.2A priority Critical patent/CN114255596B/zh
Publication of CN114255596A publication Critical patent/CN114255596A/zh
Application granted granted Critical
Publication of CN114255596B publication Critical patent/CN114255596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于大数据的停车场车位推荐系统及方法，属于车位推荐技术领域。该系统包括指令信息采集模块、三维校验模块、多源数据分析模块、车位变更预测模块、推荐模块；所述指令信息采集模块的输出端与所述三维校验模块的输入端相连接；所述三维校验模块的输出端与所述多源数据分析模块的输入端相连接；所述多源数据分析模块的输出端与所述车位变更预测模块的输入端相连接；所述车位变更预测模块的输出端与所述推荐模块的输入端相连接。本发明还提供一种基于大数据的停车场车位推荐方法，用以具体分析。本发明能够实现车位的精准推荐，满足当前数字化、精细化的发展需求，进一步满足车主需求。

Description

一种基于大数据的停车场车位推荐系统及方法
技术领域
本发明涉及车位推荐技术领域，具体为一种基于大数据的停车场车位推荐系统及方法。
背景技术
随着经济的迅速发展，私家车的数量迅猛增长，人们在外出工作、游玩等大部分靠私家车出行，造成在城市中停车场车位数量捉襟见肘。供需的不平衡导致越来越多的车主因为车位紧缺造成很大的麻烦，经常需要绕目的地许久才能找寻得到停车位，停车难成为普遍的现象。
在停车场的车位中，由于停车场的地理位置因素，建造过程中必然会出现一些靠墙车位、有承重柱的车位等，这一类车位对于车主的驾驶要求较高，在申请日为2018.10.17的专利CN201811208241.X个性化停车位推荐方法和系统中，提出了对于停车难度的分析，然而其仅仅是通过设置“两边有阻隔侧方位的停车位停车难度指标D为0.8，倒车入库的停车位停车难度指标D为0.6，单边有阻隔停车位停车难度指标D为0.4，两边都没有阻隔停车位停车难度指标D为0.2”的方式，对停车难度进行粗略代入，其对于系统的精度影响较大，并不能够满足当前数字化的发展，对于精确的车位推荐存在较大的干扰，最终的推荐结果对于车主也并不友好。
发明内容
本发明的目的在于提供一种基于大数据的停车场车位推荐系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种基于大数据的停车场车位推荐系统，该系统包括指令信息采集模块、三维校验模块、多源数据分析模块、车位变更预测模块、推荐模块；
所述指令信息采集模块用于采集车主发布的停车指令信息，获取车主计划位置，建立停车推荐区域，并计算车主到达计划位置的时间差值；所述三维校验模块用于获取车辆基本信息，构建车辆三维模型，对比空闲车位，对不符合要求的车位进行删减，减少数据冗杂；所述多源数据分析模块用于获取多源数据，构建车主驾驶熟练度模型、车位停车难度模型，对车主的驾驶熟练度以及车位的停车难度进行分析；所述车位变更预测模块用于建立车位变更预测模型，对车位的停车偏好以及停车时长进行预测；所述推荐模块用于按照车位的最终推荐得分从大到小排序，并依次推荐给车主；
所述指令信息采集模块的输出端与所述三维校验模块的输入端相连接；所述三维校验模块的输出端与所述多源数据分析模块的输入端相连接；所述多源数据分析模块的输出端与所述车位变更预测模块的输入端相连接；所述车位变更预测模块的输出端与所述推荐模块的输入端相连接。
根据上述技术方案，所述指令信息采集模块包括车主定位单元、车主预约单元；
所述车主定位单元用于对车主的当前位置定位，并记录；所述车主预约单元用于获取车主提供的预约停车时间与预约停车地点；
所述车主定位单元的输出端与所述三维校验模块的输入端相连接；所述车主预约单元的输出端与所述三维校验模块的输入端相连接。
根据上述技术方案，所述多源数据分析模块包括多源数据获取单元、车主驾驶熟练度分析单元、车位停车难度分析单元；
所述多源数据获取单元用于获取车主及车位的多源数据；所述车主驾驶熟练度分析单元用于构建车主驾驶熟练度模型，并对车主的驾驶熟练度进行分析；所述车位停车难度分析单元用于构建车位停车难度模型，并对车位的停车难度进行分析；
所述多源数据获取单元的输出端分别与所述车主驾驶熟练度分析单元、所述车位停车难度分析单元的输入端相连接；所述车主驾驶熟练度分析单元、所述车位停车难度分析单元的输出端与所述车位变更预测模块的输入端相连接。
根据上述技术方案，所述车位变更预测模块停车偏好分析单元、停车时长分析单元；
所述停车偏好分析单元用于分析停车场内每个车位的停车偏好情况，并获取停车偏好概率；所述停车时长分析单元用于分析停车场内车主停车的停车时长，并以众数作为预测停车时长；
所述停车偏好分析单元的输出端与所述推荐模块的输入端相连接；所述停车时长分析单元的输出端与所述推荐模块的输入端相连接。
根据上述技术方案，所述推荐模块包括车位推荐得分排序单元、推荐单元；
所述车位推荐得分排序单元用于构建最佳车位推荐模型，并根据最佳车位推荐模型计算车位推荐得分，对计算后的车位推荐得分从大到小进行排序；所述推荐单元用于按照顺序将对应车位推荐给车主；
所述车位推荐得分排序单元的输出端与所述推荐单元的输入端相连接；所述推荐单元的输出端连接到车主端口。
一种基于大数据的停车场车位推荐方法，该方法包括以下步骤：
S1、获取车主停车指令信息数据，采集车主计划位置，以车主计划位置为圆心，以R为半径，建立停车推荐区域A，获取车主到达计划位置的时间差值；
S2、获取车辆基本信息，构建车辆三维模型，对比停车推荐区域A内所有的空闲车位，对不满足车辆大小或高度的车位删除出推荐体系；
S3、获取车主信息数据，提取车主特征，建立车主驾驶熟练度模型，并计算得出车主驾驶熟练度；
S4、获取空闲车位信息，提取车位特征，建立车位停车难度模型，并计算得出每个车位的停车难度；
S5、获取停车推荐区域A内的车位历史数据，建立车位变更预测模型，对车位停车偏好及停车时间进行分析；
S6、建立最佳车位推荐模型，按照车位推荐得分从大到小的顺序将对应车位列表推荐给车主。
根据上述技术方案，在步骤S3中，所述车主驾驶熟练度模型包括：
获取车主信息数据，包括驾龄、事故率、平均车速、违章率；
构建权重比例分别为g1、g2、g3、g4；
构建车主驾驶熟练度模型：
Figure 294222DEST_PATH_IMAGE001
+
Figure 824560DEST_PATH_IMAGE002
+
Figure 436807DEST_PATH_IMAGE003
其中，
Figure 193542DEST_PATH_IMAGE004
代表驾龄转换值；
Figure 690382DEST_PATH_IMAGE005
代表事故率转化值；
Figure 199861DEST_PATH_IMAGE006
代表平均车速转化值；
Figure 858375DEST_PATH_IMAGE007
代表违章率转化值。
在系统中设置函数关系，进行驾龄、事故率、平均车速、违章率的转化，以利于计算；例如驾龄转换可以利用一次函数，因为其转化比例较为简单，随着驾龄增长，其熟练度必然越来越高；而平均车速可以利用抛物线进行转化，因为低车速代表熟练度低的倾向性较大，而正常车速对于熟练度的影响程度较低，也即是说如果一直以较低车速行驶更倾向于判断车主驾驶熟练度低，而以正常车速行驶则较难判断车主的驾驶熟练度情况。
根据上述技术方案，在步骤S4中，所述车位停车难度模型包括：
获取车位信息数据；
构建车位停车难度与车位信息数据之间的模型关系：
Figure 600941DEST_PATH_IMAGE008
其中，B为车位停车难度矩阵；H为车位信息数据矩阵；
Figure 494948DEST_PATH_IMAGE009
为系数向量矩阵；
Figure 265458DEST_PATH_IMAGE010
为干扰项矩阵；
Figure 970240DEST_PATH_IMAGE011
Figure 826200DEST_PATH_IMAGE012
其中，p代表车位信息特征数量；n代表每个特征的n个归一化数据值；
任一个停车车位i的车位停车难度值
Figure 258319DEST_PATH_IMAGE013
为：
Figure 991657DEST_PATH_IMAGE014
其中，
Figure 991974DEST_PATH_IMAGE015
为截距；
Figure 194285DEST_PATH_IMAGE016
、
Figure 100002_DEST_PATH_IMAGE017
、
Figure 915248DEST_PATH_IMAGE018
、
Figure 253825DEST_PATH_IMAGE019
为系数向量；
Figure 804804DEST_PATH_IMAGE020
、
Figure 369778DEST_PATH_IMAGE021
、
Figure 409278DEST_PATH_IMAGE022
为车位信息特征值；
Figure 353095DEST_PATH_IMAGE023
为干扰值；i=1，2，
Figure 960793DEST_PATH_IMAGE018
，n；
利用最小二乘法估算得出最佳系数向量与干扰值。
车位的信息数据可以包括靠墙车位、车位上有柱子等等特征因素。
对于车位停车难度，本发明设立的度量标准为均方差，均方差是指预测值和实际值之间的平均方差。平均方差越小，说明测试值和实际值之间的差距越小，即模型性能更优。因此先利用训练数据固定B与H，然后利用最小二乘法寻找到最优的β和ε，进而获得最优的模型。
根据上述技术方案，在步骤S5中，所述车位变更预测模型包括：
获取停车场历史停车数据，分别构建车位偏好模型、停车时长预测模型；
设置时间序列数
Figure 606538DEST_PATH_IMAGE024
；
所述车位偏好模型为：
Figure 433418DEST_PATH_IMAGE025
其中，
Figure 887533DEST_PATH_IMAGE026
为车位停车初始概率；
Figure 525188DEST_PATH_IMAGE027
为历史数据时间区间内包含的时间序列数的数量；
Figure 940120DEST_PATH_IMAGE028
为第
Figure 196789DEST_PATH_IMAGE024
段时间内车位的停车次数；
Figure 100002_DEST_PATH_IMAGE029
为第
Figure 207208DEST_PATH_IMAGE024
段时间内停车场的总停车次数；
获取时间差值，建立生长曲线函数：
Figure 891130DEST_PATH_IMAGE030
其中，
Figure 245888DEST_PATH_IMAGE031
为车位停车生长概率；
Figure 447193DEST_PATH_IMAGE032
、
Figure 469376DEST_PATH_IMAGE033
、
Figure 432521DEST_PATH_IMAGE034
均为参数值，
Figure 100002_DEST_PATH_IMAGE035
；在
Figure 540155DEST_PATH_IMAGE036
时，
Figure 138626DEST_PATH_IMAGE031
=
Figure 31627DEST_PATH_IMAGE026
；
获取生长曲线函数拐点，记为M（
Figure 447565DEST_PATH_IMAGE037
，
Figure 917861DEST_PATH_IMAGE038
），拐点为生长曲线函数增长速度饱和点；
在生长曲线函数中，开始阶段随着
Figure 953644DEST_PATH_IMAGE024
的增长，
Figure 684840DEST_PATH_IMAGE031
的增长速度逐渐增快，曲线呈现快速上升的态势；在到达一拐点M后，因函数饱和程度的增长达到末期，开始随着
Figure 147045DEST_PATH_IMAGE024
的增长
Figure 245582DEST_PATH_IMAGE031
的增长较为缓慢，增长速度趋近于0，
Figure 310490DEST_PATH_IMAGE031
趋近于100%，曲线呈水平状发展；将增长速度改变点记为拐点。这是因为在开始阶段随着时间的增加，进入停车场的车辆不断增多，车位停车的概率增长速度较快，而时间逐渐增加，车位停车的概率已经到达一定高度，增长逐渐缓慢，增长速度趋近于0，停车概率趋近于100%，但不会到达100%。
获取停车场内所有车的停车时长，选取众数作为停车时间预测时长，记为
Figure 37138DEST_PATH_IMAGE039
；
构建判断函数
Figure 309725DEST_PATH_IMAGE040
：
Figure 754613DEST_PATH_IMAGE041
其中，
Figure 623212DEST_PATH_IMAGE042
；
Figure 610891DEST_PATH_IMAGE043
为设置的车主到达计划位置的时间差值中包含时间序列数
Figure 414899DEST_PATH_IMAGE044
的阈值数量。
根据上述技术方案，在步骤S6中，所述最佳车位推荐模型还包括：
分别获取车主驾驶熟练度数据、车位停车难度数据、车位变更数据的数据组；
构建最佳车位推荐模型：
Figure 471716DEST_PATH_IMAGE045
其中，K为车位推荐得分；
Figure 19372DEST_PATH_IMAGE046
为归一化的基础车位得分；
Figure 100002_DEST_PATH_IMAGE047
、
Figure 422409DEST_PATH_IMAGE048
、
Figure 397319DEST_PATH_IMAGE049
分别为车主驾驶熟练度数据、车位停车难度数据、车位变更数据的数据均值；
Figure 957744DEST_PATH_IMAGE050
、
Figure 168146DEST_PATH_IMAGE051
、
Figure 989471DEST_PATH_IMAGE052
分别为车主驾驶熟练度数据、车位停车难度数据、车位变更数据的标准差；b为车位停车难度值；
按照车位推荐得分的从大到小对车位进行排序，并依次推送给车主。
与现有技术相比，本发明所达到的有益效果是：
本发明首先获取车辆基本信息，构建车辆三维模型，对比停车推荐区域内所有的空闲车位，对不满足车辆大小或高度的车位删除出推荐体系，减少数据冗杂，降低运算复杂度；通过建立车主驾驶熟练度模型，计算得出车主驾驶熟练度；建立车位停车难度模型，计算得出每个车位的停车难度；建立车位变更预测模型，对车位停车偏好及停车时间进行分析；综合上述因素，建立最佳车位推荐模型，按照车位推荐得分从大到小的顺序将对应车位列表推荐给车主，本发明的车位推荐满足当前数字化、精细化的发展需求，能够提供高精度的推荐体系，进一步满足人民出行需要，同时本发明还设置有预约体系，即车主可以提前预知某一区域内的停车情况，可以实现在人未出行时，就获取到车位推荐信息。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于大数据的停车场车位推荐系统及方法的流程示意图；
图2是本发明一种基于大数据的停车场车位推荐方法的生长曲线函数示意图；
图3是本发明一种基于大数据的停车场车位推荐方法的判断函数示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
请参阅图1-图3，本发明提供技术方案：
一种基于大数据的停车场车位推荐系统，该系统包括指令信息采集模块、三维校验模块、多源数据分析模块、车位变更预测模块、推荐模块；
所述指令信息采集模块用于采集车主发布的停车指令信息，获取车主计划位置，建立停车推荐区域，并计算车主到达计划位置的时间差值；所述三维校验模块用于获取车辆基本信息，构建车辆三维模型，对比空闲车位，对不符合要求的车位进行删减，减少数据冗杂；所述多源数据分析模块用于获取多源数据，构建车主驾驶熟练度模型、车位停车难度模型，对车主的驾驶熟练度以及车位的停车难度进行分析；所述车位变更预测模块用于建立车位变更预测模型，对车位的停车偏好以及停车时长进行预测；所述推荐模块用于按照车位的最终推荐得分从大到小排序，并依次推荐给车主；
所述指令信息采集模块的输出端与所述三维校验模块的输入端相连接；所述三维校验模块的输出端与所述多源数据分析模块的输入端相连接；所述多源数据分析模块的输出端与所述车位变更预测模块的输入端相连接；所述车位变更预测模块的输出端与所述推荐模块的输入端相连接。
所述指令信息采集模块包括车主定位单元、车主预约单元；
所述车主定位单元用于对车主的当前位置定位，并记录；所述车主预约单元用于获取车主提供的预约停车时间与预约停车地点；
所述车主定位单元的输出端与所述三维校验模块的输入端相连接；所述车主预约单元的输出端与所述三维校验模块的输入端相连接。
所述多源数据分析模块包括多源数据获取单元、车主驾驶熟练度分析单元、车位停车难度分析单元；
所述多源数据获取单元用于获取车主及车位的多源数据；所述车主驾驶熟练度分析单元用于构建车主驾驶熟练度模型，并对车主的驾驶熟练度进行分析；所述车位停车难度分析单元用于构建车位停车难度模型，并对车位的停车难度进行分析；
所述多源数据获取单元的输出端分别与所述车主驾驶熟练度分析单元、所述车位停车难度分析单元的输入端相连接；所述车主驾驶熟练度分析单元、所述车位停车难度分析单元的输出端与所述车位变更预测模块的输入端相连接。
所述车位变更预测模块停车偏好分析单元、停车时长分析单元；
所述停车偏好分析单元用于分析停车场内每个车位的停车偏好情况，并获取停车偏好概率；所述停车时长分析单元用于分析停车场内车主停车的停车时长，并以众数作为预测停车时长；
所述停车偏好分析单元的输出端与所述推荐模块的输入端相连接；所述停车时长分析单元的输出端与所述推荐模块的输入端相连接。
所述推荐模块包括车位推荐得分排序单元、推荐单元；
所述车位推荐得分排序单元用于构建最佳车位推荐模型，并根据最佳车位推荐模型计算车位推荐得分，对计算后的车位推荐得分从大到小进行排序；所述推荐单元用于按照顺序将对应车位推荐给车主；
所述车位推荐得分排序单元的输出端与所述推荐单元的输入端相连接；所述推荐单元的输出端连接到车主端口。
一种基于大数据的停车场车位推荐方法，该方法包括以下步骤：
S1、获取车主停车指令信息数据，采集车主计划位置，以车主计划位置为圆心，以R为半径，建立停车推荐区域A，获取车主到达计划位置的时间差值；
S2、获取车辆基本信息，构建车辆三维模型，对比停车推荐区域A内所有的空闲车位，对不满足车辆大小或高度的车位删除出推荐体系；
S3、获取车主信息数据，提取车主特征，建立车主驾驶熟练度模型，并计算得出车主驾驶熟练度；
S4、获取空闲车位信息，提取车位特征，建立车位停车难度模型，并计算得出每个车位的停车难度；
S5、获取停车推荐区域A内的车位历史数据，建立车位变更预测模型，对车位停车偏好及停车时间进行分析；
S6、建立最佳车位推荐模型，按照车位推荐得分从大到小的顺序将对应车位列表推荐给车主。
在步骤S3中，所述车主驾驶熟练度模型包括：
获取车主信息数据，包括驾龄、事故率、平均车速、违章率；
构建权重比例分别为g1、g2、g3、g4；
构建车主驾驶熟练度模型：
Figure 774762DEST_PATH_IMAGE001
+
Figure 681538DEST_PATH_IMAGE002
+
Figure 430052DEST_PATH_IMAGE003
其中，
Figure 371463DEST_PATH_IMAGE004
代表驾龄转换值；
Figure 563541DEST_PATH_IMAGE005
代表事故率转化值；
Figure 957613DEST_PATH_IMAGE006
代表平均车速转化值；
Figure 509817DEST_PATH_IMAGE007
代表违章率转化值。
在步骤S4中，所述车位停车难度模型包括：
获取车位信息数据；
构建车位停车难度与车位信息数据之间的模型关系：
Figure 685496DEST_PATH_IMAGE008
其中，B为车位停车难度矩阵；H为车位信息数据矩阵；
Figure 438688DEST_PATH_IMAGE009
为系数向量矩阵；
Figure 444690DEST_PATH_IMAGE010
为干扰项矩阵；
Figure 675951DEST_PATH_IMAGE053
Figure 201742DEST_PATH_IMAGE012
其中，p代表车位信息特征数量；n代表每个特征的n个归一化数据值；
任一个停车车位i的车位停车难度值
Figure 125835DEST_PATH_IMAGE013
为：
Figure 353554DEST_PATH_IMAGE014
其中，
Figure 496829DEST_PATH_IMAGE015
为截距；
Figure 1759DEST_PATH_IMAGE016
、
Figure 955809DEST_PATH_IMAGE017
、
Figure 811769DEST_PATH_IMAGE018
、
Figure 994620DEST_PATH_IMAGE019
为系数向量；
Figure 744270DEST_PATH_IMAGE020
、
Figure 744587DEST_PATH_IMAGE021
、
Figure 196166DEST_PATH_IMAGE022
为车位信息特征值；
Figure 838500DEST_PATH_IMAGE023
为干扰值；i=1，2，
Figure 177077DEST_PATH_IMAGE018
，n；
利用最小二乘法估算得出最佳系数向量与干扰值。
在步骤S5中，所述车位变更预测模型包括：
获取停车场历史停车数据，分别构建车位偏好模型、停车时长预测模型；
设置时间序列数
Figure 223662DEST_PATH_IMAGE024
；
所述车位偏好模型为：
Figure 788636DEST_PATH_IMAGE025
其中，
Figure 562557DEST_PATH_IMAGE026
为车位停车初始概率；
Figure 536066DEST_PATH_IMAGE027
为历史数据时间区间内包含的时间序列数的数量；
Figure 143765DEST_PATH_IMAGE028
为第
Figure 320669DEST_PATH_IMAGE024
段时间内车位的停车次数；
Figure 773647DEST_PATH_IMAGE029
为第
Figure 103128DEST_PATH_IMAGE024
段时间内停车场的总停车次数；
获取时间差值，建立生长曲线函数：
Figure 881728DEST_PATH_IMAGE030
其中，
Figure 280349DEST_PATH_IMAGE031
为车位停车生长概率；
Figure 6576DEST_PATH_IMAGE032
、
Figure 49619DEST_PATH_IMAGE033
、
Figure 123754DEST_PATH_IMAGE034
均为参数值，
Figure 885037DEST_PATH_IMAGE035
；在
Figure 86342DEST_PATH_IMAGE036
时，
Figure 249470DEST_PATH_IMAGE031
=
Figure 228927DEST_PATH_IMAGE026
；
获取生长曲线函数拐点，记为M（
Figure 116987DEST_PATH_IMAGE037
，
Figure 981037DEST_PATH_IMAGE038
），拐点为生长曲线函数增长速度饱和点；
获取停车场内所有车的停车时长，选取众数作为停车时间预测时长，记为
Figure 123306DEST_PATH_IMAGE039
；
构建判断函数
Figure 680189DEST_PATH_IMAGE040
：
Figure 291430DEST_PATH_IMAGE054
其中，
Figure 693593DEST_PATH_IMAGE042
；
Figure 690367DEST_PATH_IMAGE043
为设置的车主到达计划位置的时间差值中包含时间序列数
Figure 418152DEST_PATH_IMAGE044
的阈值数量。
在步骤S6中，所述最佳车位推荐模型还包括：
分别获取车主驾驶熟练度数据、车位停车难度数据、车位变更数据的数据组；
构建最佳车位推荐模型：
Figure 749645DEST_PATH_IMAGE055
其中，K为车位推荐得分；
Figure 221078DEST_PATH_IMAGE046
为归一化的基础车位得分；
Figure 337938DEST_PATH_IMAGE047
、
Figure 971045DEST_PATH_IMAGE048
、
Figure 556878DEST_PATH_IMAGE049
分别为车主驾驶熟练度数据、车位停车难度数据、车位变更数据的数据均值；
Figure 566422DEST_PATH_IMAGE050
、
Figure 537790DEST_PATH_IMAGE051
、
Figure 607377DEST_PATH_IMAGE052
分别为车主驾驶熟练度数据、车位停车难度数据、车位变更数据的标准差；b为车位停车难度值；
按照车位推荐得分的从大到小对车位进行排序，并依次推送给车主。
在本实施例中：
一车主发布指令信息数据，在Y点停车，因此围绕Y点建立停车推荐区域；
获取该车主的车辆信息数据，建立三维模型，并同时获取停车推荐区域内的空闲车位信息，对不满足的车位进行删除；
获取车主信息数据，包括驾龄3年、事故率0%、平均车速65km/h、违章率25%；
构建权重比例分别为g1=0.6、g2=0.1、g3=0.2、g4=0.1；
转换模型分别设置为一次函数、一次函数、抛物线、一次函数；
构建车主驾驶熟练度模型：
Figure 913462DEST_PATH_IMAGE001
+
Figure 726697DEST_PATH_IMAGE002
+
Figure 818150DEST_PATH_IMAGE003
其中，
Figure 793059DEST_PATH_IMAGE004
代表驾龄转换值；
Figure 353485DEST_PATH_IMAGE005
代表事故率转化值；
Figure 704832DEST_PATH_IMAGE006
代表平均车速转化值；
Figure 385212DEST_PATH_IMAGE007
代表违章率转化值。
计算得出车主的车主驾驶熟练度数值为a1；
获取车位信息数据；
任一个停车车位i的车位停车难度值
Figure 910783DEST_PATH_IMAGE013
为：
Figure 817559DEST_PATH_IMAGE056
其中，
Figure 831651DEST_PATH_IMAGE015
为截距；
Figure 586112DEST_PATH_IMAGE016
、
Figure 27458DEST_PATH_IMAGE017
、
Figure 529852DEST_PATH_IMAGE018
、
Figure 550898DEST_PATH_IMAGE019
为系数向量；
Figure 691023DEST_PATH_IMAGE020
、
Figure 37691DEST_PATH_IMAGE021
、
Figure 653480DEST_PATH_IMAGE022
为车位信息特征值；
Figure 258642DEST_PATH_IMAGE023
为干扰值；i=1，2，
Figure 33700DEST_PATH_IMAGE018
，n；
获取每个车位的车位停车难度值；
设置时间序列数
Figure 957794DEST_PATH_IMAGE024
；
构建车位偏好模型：
Figure 201825DEST_PATH_IMAGE025
其中，
Figure 236777DEST_PATH_IMAGE026
为车位停车初始概率；
Figure 866341DEST_PATH_IMAGE027
为历史数据时间区间内包含的时间序列数的数量；
Figure 961336DEST_PATH_IMAGE028
为第
Figure 925619DEST_PATH_IMAGE024
段时间内车位的停车次数；
Figure 764262DEST_PATH_IMAGE029
为第
Figure 513912DEST_PATH_IMAGE024
段时间内停车场的总停车次数；
获取时间差值，建立生长曲线函数：
Figure 779808DEST_PATH_IMAGE030
其中，
Figure 732852DEST_PATH_IMAGE031
为车位停车生长概率；
Figure 109607DEST_PATH_IMAGE032
、
Figure 448184DEST_PATH_IMAGE033
、
Figure 884982DEST_PATH_IMAGE034
均为参数值，
Figure 817997DEST_PATH_IMAGE035
；在
Figure 998443DEST_PATH_IMAGE036
时，
Figure 722685DEST_PATH_IMAGE031
=
Figure 330384DEST_PATH_IMAGE026
；
获取生长曲线函数拐点，记为M（
Figure 992441DEST_PATH_IMAGE037
，
Figure 976577DEST_PATH_IMAGE038
），拐点为生长曲线函数增长速度饱和点；
获取停车场内所有车的停车时长，选取众数作为停车时间预测时长，记为
Figure 289747DEST_PATH_IMAGE039
；
构建判断函数
Figure 442248DEST_PATH_IMAGE040
：
Figure 716235DEST_PATH_IMAGE057
其中，
Figure 363117DEST_PATH_IMAGE042
；
Figure 671739DEST_PATH_IMAGE043
为设置的车主到达计划位置的时间差值中包含时间序列数
Figure 496606DEST_PATH_IMAGE044
的阈值数量。
获取
Figure 523468DEST_PATH_IMAGE043
，并计算得出每个车位的
Figure 442883DEST_PATH_IMAGE031
；
构建最佳车位推荐模型：
Figure 871590DEST_PATH_IMAGE058
其中，K为车位推荐得分；
Figure 365894DEST_PATH_IMAGE046
为归一化的基础车位得分；
Figure 614473DEST_PATH_IMAGE047
、
Figure 603157DEST_PATH_IMAGE048
、
Figure 886371DEST_PATH_IMAGE049
分别为车主驾驶熟练度数据、车位停车难度数据、车位变更数据的数据均值；
Figure 53041DEST_PATH_IMAGE050
、
Figure 788916DEST_PATH_IMAGE051
、
Figure 315712DEST_PATH_IMAGE052
分别为车主驾驶熟练度数据、车位停车难度数据、车位变更数据的标准差；b为车位停车难度值；
获取得到所有空闲车位的车位推荐得分；
按照车位推荐得分的从大到小对车位进行排序，并依次推送给车主。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。

Claims (10)

1.一种基于大数据的停车场车位推荐系统，其特征在于：该系统包括指令信息采集模块、三维校验模块、多源数据分析模块、车位变更预测模块、推荐模块；
所述指令信息采集模块用于采集车主发布的停车指令信息，获取车主计划位置，建立停车推荐区域，并计算车主到达计划位置的时间差值；所述三维校验模块用于获取车辆基本信息，构建车辆三维模型，对比空闲车位，对不符合要求的车位进行删减，减少数据冗杂；所述多源数据分析模块用于获取多源数据，构建车主驾驶熟练度模型、车位停车难度模型，对车主的驾驶熟练度以及车位的停车难度进行分析；所述车位变更预测模块用于建立车位变更预测模型，对车位的停车偏好以及停车时长进行预测；所述推荐模块用于按照车位的最终推荐得分从大到小排序，并依次推荐给车主；
所述指令信息采集模块的输出端与所述三维校验模块的输入端相连接；所述三维校验模块的输出端与所述多源数据分析模块的输入端相连接；所述多源数据分析模块的输出端与所述车位变更预测模块的输入端相连接；所述车位变更预测模块的输出端与所述推荐模块的输入端相连接。
2.根据权利要求1所述的一种基于大数据的停车场车位推荐系统，其特征在于：所述指令信息采集模块包括车主定位单元、车主预约单元；
所述车主定位单元用于对车主的当前位置定位，并记录；所述车主预约单元用于获取车主提供的预约停车时间与预约停车地点；
所述车主定位单元的输出端与所述三维校验模块的输入端相连接；所述车主预约单元的输出端与所述三维校验模块的输入端相连接。
3.根据权利要求1所述的一种基于大数据的停车场车位推荐系统，其特征在于：所述多源数据分析模块包括多源数据获取单元、车主驾驶熟练度分析单元、车位停车难度分析单元；
所述多源数据获取单元用于获取车主及车位的多源数据；所述车主驾驶熟练度分析单元用于构建车主驾驶熟练度模型，并对车主的驾驶熟练度进行分析；所述车位停车难度分析单元用于构建车位停车难度模型，并对车位的停车难度进行分析；
所述多源数据获取单元的输出端分别与所述车主驾驶熟练度分析单元、所述车位停车难度分析单元的输入端相连接；所述车主驾驶熟练度分析单元、所述车位停车难度分析单元的输出端与所述车位变更预测模块的输入端相连接。
4.根据权利要求1所述的一种基于大数据的停车场车位推荐系统，其特征在于：所述车位变更预测模块停车偏好分析单元、停车时长分析单元；
所述停车偏好分析单元用于分析停车场内每个车位的停车偏好情况，并获取停车偏好概率；所述停车时长分析单元用于分析停车场内车主停车的停车时长，并以众数作为预测停车时长；
所述停车偏好分析单元的输出端与所述推荐模块的输入端相连接；所述停车时长分析单元的输出端与所述推荐模块的输入端相连接。
5.根据权利要求1所述的一种基于大数据的停车场车位推荐系统，其特征在于：所述推荐模块包括车位推荐得分排序单元、推荐单元；
所述车位推荐得分排序单元用于构建最佳车位推荐模型，并根据最佳车位推荐模型计算车位推荐得分，对计算后的车位推荐得分从大到小进行排序；所述推荐单元用于按照顺序将对应车位推荐给车主；
所述车位推荐得分排序单元的输出端与所述推荐单元的输入端相连接；所述推荐单元的输出端连接到车主端口。
6.一种基于大数据的停车场车位推荐方法，其特征在于：该方法包括以下步骤：
S1、获取车主停车指令信息数据，采集车主计划位置，以车主计划位置为圆心，以R为半径，建立停车推荐区域A，获取车主到达计划位置的时间差值；
S2、获取车辆基本信息，构建车辆三维模型，对比停车推荐区域A内所有的空闲车位，对不满足车辆大小或高度的车位删除出推荐体系；
S3、获取车主信息数据，提取车主特征，建立车主驾驶熟练度模型，并计算得出车主驾驶熟练度；
S4、获取空闲车位信息，提取车位特征，建立车位停车难度模型，并计算得出每个车位的停车难度；
S5、获取停车推荐区域A内的车位历史数据，建立车位变更预测模型，对车位停车偏好及停车时间进行分析；
S6、建立最佳车位推荐模型，按照车位推荐得分从大到小的顺序将对应车位列表推荐给车主。
7.根据权利要求6所述的一种基于大数据的停车场车位推荐方法，其特征在于：在步骤S3中，所述车主驾驶熟练度模型包括：
获取车主信息数据，包括驾龄、事故率、平均车速、违章率；
构建权重比例分别为g1、g2、g3、g4；
构建车主驾驶熟练度模型：
Figure 496508DEST_PATH_IMAGE001
+
Figure 958714DEST_PATH_IMAGE002
+
Figure 549927DEST_PATH_IMAGE003
其中，
Figure 880414DEST_PATH_IMAGE004
代表驾龄转换值；
Figure 872641DEST_PATH_IMAGE005
代表事故率转化值；
Figure 115534DEST_PATH_IMAGE006
代表平均车速转化值；
Figure 826001DEST_PATH_IMAGE007
代表违章率转化值。
8.根据权利要求7所述的一种基于大数据的停车场车位推荐方法，其特征在于：在步骤S4中，所述车位停车难度模型包括：
获取车位信息数据；
构建车位停车难度与车位信息数据之间的模型关系：
Figure 694600DEST_PATH_IMAGE008
其中，B为车位停车难度矩阵；H为车位信息数据矩阵；
Figure 915235DEST_PATH_IMAGE009
为系数向量矩阵；
Figure 719243DEST_PATH_IMAGE010
为干扰项矩阵；
Figure 776060DEST_PATH_IMAGE011
Figure 199083DEST_PATH_IMAGE012
其中，p代表车位信息特征数量；n代表每个特征的n个归一化数据值；
任一个停车车位i的车位停车难度值
Figure 634743DEST_PATH_IMAGE013
为：
Figure 999865DEST_PATH_IMAGE014
其中，
Figure 527668DEST_PATH_IMAGE015
为截距；
Figure 879014DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
、
Figure 638023DEST_PATH_IMAGE018
、
Figure 49413DEST_PATH_IMAGE019
为系数向量；
Figure 80823DEST_PATH_IMAGE020
、
Figure 235861DEST_PATH_IMAGE021
、
Figure 285594DEST_PATH_IMAGE022
为车位信息特征值；
Figure 602306DEST_PATH_IMAGE023
为干扰值；i=1，2，
Figure 121012DEST_PATH_IMAGE018
，n；
利用最小二乘法估算得出最佳系数向量与干扰值。
9.根据权利要求8所述的一种基于大数据的停车场车位推荐方法，其特征在于：在步骤S5中，所述车位变更预测模型包括：
获取停车场历史停车数据，分别构建车位偏好模型、停车时长预测模型；
设置时间序列数
Figure 423948DEST_PATH_IMAGE024
；
所述车位偏好模型为：
Figure 219866DEST_PATH_IMAGE025
其中，
Figure 566534DEST_PATH_IMAGE026
为车位停车初始概率；
Figure 447902DEST_PATH_IMAGE027
为历史数据时间区间内包含的时间序列数的数量；
Figure 324503DEST_PATH_IMAGE028
为第
Figure 833982DEST_PATH_IMAGE024
段时间内车位的停车次数；
Figure DEST_PATH_IMAGE029
为第
Figure 836704DEST_PATH_IMAGE024
段时间内停车场的总停车次数；
获取时间差值，建立生长曲线函数：
Figure 939789DEST_PATH_IMAGE030
其中，
Figure 99375DEST_PATH_IMAGE031
为车位停车生长概率；
Figure 869885DEST_PATH_IMAGE032
、
Figure 73202DEST_PATH_IMAGE033
、
Figure 788217DEST_PATH_IMAGE034
均为参数值，
Figure DEST_PATH_IMAGE035
；在
Figure 705489DEST_PATH_IMAGE036
时，
Figure 330505DEST_PATH_IMAGE031
=
Figure 721035DEST_PATH_IMAGE026
；
获取生长曲线函数拐点，记为M（
Figure 907035DEST_PATH_IMAGE037
，
Figure 18210DEST_PATH_IMAGE038
），拐点为生长曲线函数增长速度饱和点；
获取停车场内所有车的停车时长，选取众数作为停车时间预测时长，记为
Figure 622367DEST_PATH_IMAGE039
；
构建判断函数
Figure 668952DEST_PATH_IMAGE040
：
Figure 233925DEST_PATH_IMAGE041
其中，
Figure 539005DEST_PATH_IMAGE042
；
Figure 607455DEST_PATH_IMAGE043
为设置的车主到达计划位置的时间差值中包含时间序列数
Figure 589055DEST_PATH_IMAGE044
的阈值数量。
10.根据权利要求9所述的一种基于大数据的停车场车位推荐方法，其特征在于：在步骤S6中，所述最佳车位推荐模型还包括：
分别获取车主驾驶熟练度数据、车位停车难度数据、车位变更数据的数据组；
构建最佳车位推荐模型：
Figure 641325DEST_PATH_IMAGE045
其中，K为车位推荐得分；
Figure 484516DEST_PATH_IMAGE046
为归一化的基础车位得分；
Figure DEST_PATH_IMAGE047
、
Figure 17259DEST_PATH_IMAGE048
、
Figure 920493DEST_PATH_IMAGE049
分别为车主驾驶熟练度数据、车位停车难度数据、车位变更数据的数据均值；
Figure 194480DEST_PATH_IMAGE050
、
Figure 217445DEST_PATH_IMAGE051
、
Figure 588384DEST_PATH_IMAGE052
分别为车主驾驶熟练度数据、车位停车难度数据、车位变更数据的标准差；b为车位停车难度值；
按照车位推荐得分的从大到小对车位进行排序，并依次推送给车主。
CN202210192487.2A 2022-03-01 2022-03-01 一种基于大数据的停车场车位推荐系统及方法 Active CN114255596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210192487.2A CN114255596B (zh) 2022-03-01 2022-03-01 一种基于大数据的停车场车位推荐系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210192487.2A CN114255596B (zh) 2022-03-01 2022-03-01 一种基于大数据的停车场车位推荐系统及方法

Publications (2)

Publication Number Publication Date
CN114255596A true CN114255596A (zh) 2022-03-29
CN114255596B CN114255596B (zh) 2022-05-17

Family

ID=80800114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210192487.2A Active CN114255596B (zh) 2022-03-01 2022-03-01 一种基于大数据的停车场车位推荐系统及方法

Country Status (1)

Country Link
CN (1) CN114255596B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189470A (zh) * 2022-12-20 2023-05-30 齐齐哈尔市英东科技有限公司 一种基于人工智能的计算机数据智能识别系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871270A (zh) * 2014-02-28 2014-06-18 张剑锋 基于云计算和大数据的停车方法和系统
CN105427660A (zh) * 2015-11-24 2016-03-23 上海汽车集团股份有限公司 智能停车信息提供方法及装置
CN108122426A (zh) * 2016-11-28 2018-06-05 东莞职业技术学院 基于物联网的城市停车诱导系统及方法
CN108140313A (zh) * 2015-10-30 2018-06-08 三菱电机株式会社 停车辅助装置及停车辅助方法
CN108986527A (zh) * 2018-07-17 2018-12-11 新华三云计算技术有限公司 一种停车位引导方法、装置、系统及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871270A (zh) * 2014-02-28 2014-06-18 张剑锋 基于云计算和大数据的停车方法和系统
CN108140313A (zh) * 2015-10-30 2018-06-08 三菱电机株式会社 停车辅助装置及停车辅助方法
CN105427660A (zh) * 2015-11-24 2016-03-23 上海汽车集团股份有限公司 智能停车信息提供方法及装置
CN108122426A (zh) * 2016-11-28 2018-06-05 东莞职业技术学院 基于物联网的城市停车诱导系统及方法
CN108986527A (zh) * 2018-07-17 2018-12-11 新华三云计算技术有限公司 一种停车位引导方法、装置、系统及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189470A (zh) * 2022-12-20 2023-05-30 齐齐哈尔市英东科技有限公司 一种基于人工智能的计算机数据智能识别系统及方法
CN116189470B (zh) * 2022-12-20 2023-10-10 北京阳光海天停车管理有限公司 一种基于人工智能的计算机数据智能识别系统及方法

Also Published As

Publication number Publication date
CN114255596B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN108648457B (zh) 一种速度预测的方法、装置和计算机可读存储介质
CN107563566B (zh) 一种基于支持向量机的公交站间运行时间区间预测方法
CN113177657B (zh) 轨道交通客流预测方法及装置
CN109191849B (zh) 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN110174117A (zh) 一种电动汽车充电路线规划方法
CN107832882A (zh) 一种基于马尔科夫决策过程的出租车寻客策略推荐方法
CN102324128A (zh) 基于ic卡记录的公交站间od客流预测方法及装置
CN106767875A (zh) 一种基于天气及司机驾驶经验的路径规划方法
CN103838868B (zh) 一种基于多公交线路运行数据融合的城市公交到站时间预测方法
CN114418606B (zh) 基于时空卷积网络的网约车订单需求预测方法
CN115063978B (zh) 一种基于数字孪生的公交到站时间预测方法
CN107292417A (zh) 基于重污染序列案例库的区域重污染判别预报方法及装置
CN111414719B (zh) 地铁站周边特征提取、交通需求估计方法及装置
CN114255596B (zh) 一种基于大数据的停车场车位推荐系统及方法
CN106777169A (zh) 一种基于车联网数据的用户出行喜好分析方法
CN113537626B (zh) 一种聚合信息差异的神经网络结合时间序列预测的方法
CN112258029B (zh) 地铁站周边共享单车的需求预测方法
CN110867075B (zh) 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法
CN115759329A (zh) 基于卷积神经网络的景区游客人数预测方法
CN113140108B (zh) 一种网联智能交通系统中的云端交通态势预测方法
CN111292535B (zh) 车路协同环境下面向乘客出行的路网交通状态评价方法
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN114495570B (zh) 一种车路协同自主代客泊车停泊诱导方法
CN113409570B (zh) 体力交通可达性的评估方法
CN116629425A (zh) 车辆能耗的计算方法、装置、计算机可读介质及电子设备

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