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

CN116362370A - 智慧城市停车场车位状态预估方法、物联网系统及装置 - Google Patents

智慧城市停车场车位状态预估方法、物联网系统及装置 Download PDF

Info

Publication number
CN116362370A
CN116362370A CN202211631623.XA CN202211631623A CN116362370A CN 116362370 A CN116362370 A CN 116362370A CN 202211631623 A CN202211631623 A CN 202211631623A CN 116362370 A CN116362370 A CN 116362370A
Authority
CN
China
Prior art keywords
parking
parking lot
information
current
platform
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
CN202211631623.XA
Other languages
English (en)
Inventor
邵泽华
权亚强
吴岳飞
刘彬
梁永增
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 Qinchuan IoT Technology Co Ltd
Original Assignee
Chengdu Qinchuan IoT 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 Qinchuan IoT Technology Co Ltd filed Critical Chengdu Qinchuan IoT Technology Co Ltd
Priority to CN202211631623.XA priority Critical patent/CN116362370A/zh
Publication of CN116362370A publication Critical patent/CN116362370A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G08G1/144—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces on portable or mobile units, e.g. personal digital assistant [PDA]
    • 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
    • G08G1/146—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is a limited parking space, e.g. parking garage, restricted space
    • 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
    • G08G1/147—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is within an open public zone, e.g. city centre
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/60—Positioning; Navigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)

Abstract

本说明书实施例提供一种智慧城市停车场车位状态预估方法、物理网系统及装置。所述方法由管理平台执行，所述方法包括：获取用户平台的用户位置，确定满足预设条件的候选停车场；基于用户位置，确定待停车辆到达候选停车场的时间；获取对象平台采集的候选停车场当前已停车辆的预设停车时长；基于当前已停车辆的历史停车信息与当前停车信息，分别构建历史向量和当前向量；基于历史向量和当前向量的相似度，确定历史停车信息与当前停车信息的匹配关系；基于匹配关系，确定当前已停车辆的延时时长；基于预设停车时长和延时时长，确定当前已停车辆的预估停车时长；基于预估停车时长，确定待停车辆到达候选停车场时的空闲车位信息。

Description

智慧城市停车场车位状态预估方法、物联网系统及装置
分案说明
本申请是针对申请日为2022年09月07日、申请号为202211087704.8发明名称为“一种基于物联网的智慧城市停车场管理方法、系统及装置”的中国申请提出的分案申请。
技术领域
本说明书涉及停车场管理领域，特别涉及一种智慧城市停车场车位状态预估方法、物联网系统和装置。
背景技术
目前，越来越多的人们选择驾车出行的方式。随着出行车辆的增加，停车场空位资源紧张，通常需要花费较多的时间寻找空闲车位，可能会影响交通运输和道路车辆管理，同时也给用户带来出行不便。物联网是新一代信息技术的重要组成部分，将各种信息传感设备与网络结合起来而形成的一个巨大网络，可以实现任何时间、任何地点，人、机、物的互联互通，对设计智慧城市停车场管理方法和系统具有重要意义。
因此，希望提供一种智慧城市停车场车位状态预估方法和物联网系统，可以为用户提供空闲车位信息，便于用户高效停放车辆，提升出行体验。
发明内容
本说明书一个或多个实施例提供一种智慧城市停车场车位状态预估方法，所述方法由管理平台执行，所述方法包括：获取用户平台的用户位置，确定满足预设条件的候选停车场；基于用户位置，确定待停车辆到达候选停车场的时间；获取对象平台采集的候选停车场当前已停车辆的预设停车时长；基于当前已停车辆的历史停车信息与当前停车信息，分别构建历史向量和当前向量；基于历史向量和当前向量的相似度，确定历史停车信息与当前停车信息的匹配关系；基于匹配关系，确定当前已停车辆的延时时长；基于预设停车时长和延时时长，确定当前已停车辆的预估停车时长；基于预估停车时长，确定待停车辆到达候选停车场时的空闲车位信息。
本说明书实施例之一提供一种智慧城市停车场车位状态预估物联网系统，所述智慧城市停车场管理物联网系统包括依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；所述管理平台被配置为：获取用户平台的用户位置，确定满足预设条件的候选停车场；基于用户位置，确定待停车辆到达候选停车场的时间；获取对象平台采集的候选停车场当前已停车辆的预设停车时长；基于当前已停车辆的历史停车信息与当前停车信息，分别构建历史向量和当前向量；基于历史向量和所述当前向量的相似度，确定历史停车信息与当前停车信息的匹配关系；基于匹配关系，确定当前已停车辆的延时时长；基于预设停车时长和延时时长，确定当前已停车辆的预估停车时长；基于预估停车时长，确定待停车辆到达候选停车场时的空闲车位信息。
本说明书一个或多个实施例提供一种智慧城市停车场车位状态预估装置，所述装置包括至少一个处理器以及至少一个存储器；至少一个存储器用于存储计算机指令；至少一个处理器用于执行计算机指令中的至少部分指令以实现智慧城市停车场车位状态预估方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的基于物联网的智慧城市停车场管理系统的应用场景示意图；
图2是根据本说明书一些实施例所示的基于物联网的智慧城市停车场管理系统的示例性模块图；
图3是根据本说明书一些实施例所示的基于物联网的智慧城市停车场管理方法的示例性流程图；
图4是根据本说明书一些实施例所示的确定空闲车位信息的示例性流程图；
图5是根据本说明书一些实施例所示的确定空闲车位信息方法的示例性示意图；
图6是根据本说明书一些实施例所示的停车场关联图谱的示例性示意图；
图7是根据本说明书一些实施例所示的确定受欢迎表示向量的示例性示意图；
图8是根据本说明书一些实施例所示的第一图谱的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于物联网的智慧城市停车场管理系统的应用场景示意图。在一些实施例中，所述基于物联网的智慧城市停车场管理系统的应用场景100可以包括处理设备110、网络120、存储设备130、用户终端140、摄像设备150以及射频感应设备160。
在一些实施例中，应用场景100中的组件可以经由网络120以实现彼此连接和/或通信。例如，处理设备110可以通过网络120连接到存储设备130。
处理设备110可以处理与基于物联网的智慧城市停车场管理系统的应用场景100有关的信息和/或数据。例如，处理设备110可以基于用户位置，确定候选停车场。在一些实施例中，处理设备110可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果，并基于这些数据、信息和/或处理结果执行程序指令，以执行本说明书中描述的一个或以上功能。
网络120可以包括提供能够促进基于物联网的智慧城市停车场管理系统的信息和/或数据交换的任何合适的网络。基于物联网的智慧城市停车场管理系统的一个或多个组件之间可以通过网络120交换信息和/或数据。例如，处理设备110可以通过网络120，将推荐信息反馈给用户。
存储设备130可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储从处理设备110、用户终端140等获得的数据和/或信息。例如，存储设备130可以存储用户位置信息、推荐信息等。在一些实施例中，存储设备130可以设置在处理设备110中。
用户终端140可以是用户使用的终端设备。在一些实施例中，用户终端140可以包括移动设备140-1、平板电脑140-2、笔记本电脑140-3等或其任意组合。在一些实施例中，用户终端140可以用于输入和/或输出与应用场景100有关的信息和/或数据。例如，输入用户定位信息、停车请求等。又例如，输出空闲车位信息、推荐信息等。
摄像设备150可以是停车场安装的摄像设备，例如，枪式摄像头、红外夜视防水摄像头、球型摄像头或其他能够捕捉一系列视频或图像的摄像设备。在一些实施例中，摄像设备150可以获取车辆图像信息，识别车牌号确定车辆信息。在一些实施例中，摄像设备150可以将获取的车辆信息和/数据传递给处理设备110。
射频感应设备160可以用于确定车辆进出停车场的信息。示例性的射频感应设备可以包括但不限于射频识别(Radio Frequency Identification，RFID)设备等。在一些实施例中，射频感应设备160可以通过网络120与处理设备110交互。例如，射频感应设备160可以接收处理设备110下发的获取停车场相关数据的指令。
物联网系统是一种包括用户平台、服务平台、管理平台、传感网络平台、对象平台中部分或全部平台的信息处理系统，其中，用户平台是物联网运行体系的主导者。服务平台可以为用户提供输入和输出的服务，是用户和管理平台之间联系的桥梁。管理平台可以实现统筹、协调各功能平台之间的联系和协作。传感网络平台可以实现连接管理平台和对象平台，起着感知信息传感通信和控制信息传感通信的功能。对象平台是对感知信息生成和控制信息进行执行的功能平台。
物联网系统中信息的处理可以分为感知信息的处理流程及控制信息的处理流程。控制信息可以是基于感知信息而生成的信息。
在一些实施例中，将物联网系统应用于城市管理时，可以将其称之为智慧城市物联网系统。
图2是根据本说明书一些实施例所示的基于物联网的智慧城市停车场管理系统的示例性模块图。如图2所示，基于物联网的智慧城市停车场管理系统200包括用户平台210、服务平台220、管理平台230、传感网络平台240和对象平台250。
在一些实施例中，用户平台210可以被配置为终端设备，用户可以通过用户平台210接收停车场管理信息。用户平台210可以与服务平台220进行交互。例如，将用户的停车场空位查询指令下发至服务平台220、接收服务平台220上传的空闲空位信息等。
在一些实施例中，服务平台220可以被配置为第一服务器，设置多个服务分平台，多个服务分平台对应城市的不同区域。多个服务分平台可以对各区域内的停车场相关数据进行处理和运行管理，例如，区域A内的车辆用户可以通过该区域的服务分平台AA1查询该区域内的空闲空位信息。
服务平台220可以与管理平台230进行交互。例如，服务平台220可以下发停车场空位查询指令至管理平台230、接收管理平台230上传的停车场空位信息等。服务平台220可以与用户平台210进行交互。例如，接收用户平台210下发的用户的停车场空位查询指令、上传停车场空位信息至用户平台210。
在一些实施例中，管理平台230可以被配置为第二服务器。管理平台230可以设置多个管理分平台，用于执行基于物联网的智慧城市停车场管理方法。多个管理分平台可以基于城市区域进行划分，各管理分平台与服务分平台一一对应。
在一些实施例中，管理平台230可以与传感网络平台240进行交互。例如，管理平台230可以接收传感网络平台240上传的停车场相关数据进行处理、下发获取停车场相关数据指令至传感网络平台240。在一些实施例中，管理平台230可以与服务平台220进行交互。例如，管理平台230可以接收服务平台220下发的停车场空位查询指令、上传停车场空位信息至服务平台220。
在一些实施例中，管理平台230被配置为基于服务平台获取用户平台的用户位置，确定满足预设条件的候选停车场；基于用户位置，确定待停车辆到达候选停车场的时间；确定待停车辆到达候选停车场时的空闲车位信息；基于空闲车位信息，确定推荐信息；以及基于服务平台将推荐信息发送至用户平台。
在一些实施例中，管理平台230被进一步配置为基于传感网络平台获取对象平台采集的候选停车场当前已停车辆的预设停车时长；基于当前已停车辆的历史停车信息与当前停车信息的匹配关系，确定当前已停车辆的延时时长；基于预设停车时长和延时时长，确定当前已停车辆的预估停车时长；基于当前已停车辆的预估停车时长，确定待停车辆到达候选停车场时的空闲车位信息。
在一些实施例中，管理平台230被进一步配置为基于当前已停车辆的历史停车信息与当前停车信息，分别确定历史向量和当前向量；基于历史向量和当前向量的相似度，将相似度大于阈值的历史向量对应的延时时长进行加权求和，确定当前已停车辆的延时时长。
在一些实施例中，管理平台230被进一步配置为基于空闲车位预测模型对候选停车场的参考信息的处理，确定待停车辆到达候选停车场的空闲车位信息。
在一些实施例中，管理平台230被进一步配置为执行以下操作：将停车场关联图谱输入图神经网络模型，基于候选停车场对应的节点的输出，确定待停车辆到达候选停车场的空闲车位信息。
在一些实施例中，管理平台230被进一步配置为基于第一图谱提取子图谱，对子图谱进行过滤，确定目标子图谱；将目标子图谱输入提取模型，确定受欢迎表示向量。
在一些实施例中，传感网络平台240可以被配置为通信网络和网关。传感网络平台240可以设置多个传感网络分平台，用于获取对象平台250中上传的停车场相关数据。多个传感网络分平台可以基于城市区域进行划分，各传感网络分平台与管理分平台一一对应。
在一些实施例中，传感网络平台240可以与对象平台250进行交互。例如，传感网络平台240可以接收对象平台250上传的停车场相关数据、下发获取停车场相关数据指令至对象平台250。在一些实施例中，传感网络平台240可以与管理平台230进行交互。例如，传感网络平台240可以接收管理平台230下发的获取停车场相关数据指令、上传传感网络分平台的停车场相关数据至对应的管理分平台。
在一些实施例中，对象平台250可以被配置为监控设备，例如，摄像设备、射频感应设备等。在一些实施例中，对象平台250可以与传感网络平台240进行交互。例如，对象平台250可以接收传感网络分平台下发的获取停车场相关数据指令、上传停车场相关数据至相应的传感网络分平台。
对象平台可以用于获取停车场的相关信息，并将停车场的相关信息基于传感网络平台传递至多个管理分平台，以使多个管理分平台基于停车场的相关信息确定空闲车位信息。
图3是根据本说明书一些实施例所示的基于物联网的智慧城市停车场管理方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由管理平台230执行。
步骤310，基于服务平台获取用户平台的用户位置，确定满足预设条件的候选停车场。
用户位置是指用户驾驶车辆时所在的位置。用户位置可以通过经纬度、所处区域街道、附近标志建筑物等描述来表示，例如，用户位置可以表示为北纬39.9度，东经116.3度等。
在一些实施例中，用户平台可以通过用户终端的定位确定用户位置。例如，可以根据用户终端的GPS等定位装置获取用户位置。在一些实施例中，还可以通过用户输入确定用户位置。
预设条件可以包括和用户位置的距离小于阈值。例如，预设条件可以为，停车场距离用户当前位置3km以内。在一些实施例中，预设条件可以由用户设定，也可以通过用户历史选择的停车场确定。例如，用户历史选择的停车场为距离当前位置3km以内的停车场，则可以把距离用户当前位置3km以内作为预设条件。
候选停车场是指满足预设条件的停车场。例如，对于停车场A和停车场B，停车场A满足距离用户当前位置3km以内的预设条件，则停车场A即候选停车场。
在一些实施例中，管理平台可以根据预设条件确定候选停车场。例如，距离当前位置存在多个停车场，分别距离当前位置5km、1km、1.5km、3.5km，则可以将满足预设条件为距离用户当前位置3km以内的停车场，即，距离当前位置1km和1.5km的停车场确定为候选停车场。
步骤320，基于用户位置，确定待停车辆到达候选停车场的时间。
待停车辆是指需要停放在停车场的车辆。例如，若用户正在驾驶车辆寻找可以停放的停车场，则管理平台可以将用户正在驾驶的车辆确定为待停车辆。
在一些实施例中，管理平台可以基于用户位置，通过多种方式确定到达候选停车场的时间。例如，可以根据用户位置和候选停车场之间的距离，以及当前车速确定到达候选停车场的时间。又例如，可以根据用户选择的路线规划，获取实时道路交通情况，进而确定到达候选停车场的时间。
步骤330，确定待停车辆到达候选停车场时的空闲车位信息。
空闲车位信息是指候选停车场的空闲车位的相关信息。空闲车位信息可以包括空闲车位的数量、空闲车位的分布、空闲车位的动态变化信息等。例如，空闲车位信息可以为空闲车位数量20个，空闲车位位于停车场A5和B6区域，预计10分钟后空闲车位数量为15个。
在一些实施例中，管理平台可以通过对与停车场相关的信息进行处理确定空闲车位信息。例如，管理平台可以根据停车场内车辆的停放时间确定空闲车位信息。又例如，管理平台还可以根据停车场的类型、人流量等信息确定空闲车位信息。关于确定空闲车位信息的具体说明，可以参见图4、图5及其相关内容。
步骤340，基于空闲车位信息，确定推荐信息。
推荐信息是指与推荐的候选停车场相关的信息。例如，推荐信息可以包括推荐停车场的名称、空闲车位数量、推荐程度等，推荐程度可以用具体分数，或者不推荐、一般推荐、非常推荐的文本表示。例如，推荐信息为候选停车场A的空闲车位30个，推荐分数为80分。
在一些实施例中，管理平台可以根据空闲车位数量确定推荐信息。例如，可以将空闲车位数量大于阈值的候选停车场确定为推荐停车场，阈值可以由用户预设在一些实施例中，管理平台可以根据空闲车位的分布确定推荐信息。例如，对于空闲车位分布比较集中的候选停车场的推荐程度比较高。
步骤350，基于服务平台将推荐信息发送至用户平台。
在一些实施例中，管理平台可以基于服务平台将推荐信息发送给用户平台。在一些实施例中，可以将不同停车场的推荐信息进行排序展示。例如，可以将不同停车场的推荐信息按照空闲车位数量由多到少进行展示，又例如，可以根据推荐分数高低进行排序展示。在一些实施例中，将推荐信息发送给用户平台时，可以同时发送前往对应停车场的路线规划信息。例如，用户在用户终端点击推荐信息对应的停车场时，用户终端界面自动跳转至地图展示或者导航界面。
本说明书的一些实施例通过用户位置，确定车辆到达候选停车场的时间，进而确定车辆到达候选停车场时的空闲车位信息，可以使得用户提前了解到达停车场时的空闲车位信息，避免了用户花费大量时间寻找车位，提高了用户寻找车位的速度和准确性。
图4是根据本说明书一些实施例所示的确定空闲车位信息的示例性流程图。如图4所示，流程400包括下述步骤。在一些实施例中，流程400可以由管理平台230执行。
步骤410，基于传感网络平台获取对象平台采集的候选停车场当前已停车辆的预设停车时长。
当前已停车辆是指候选停车场当前已经停放的车辆。
预设停车时长是指当前已停车辆的预先设置的停车时长。预设停车时长可以采用时间点或时间段来表示，例如，预设停车时长为从9:00到12:00，预设停车时长为三小时等。
在一些实施例中，管理平台可以基于对象平台确定预设停车时长。例如，管理平台可以获取射频感应设备采集的当前已停车辆的历史停车时长，并计算历史停车时长的平均值作为当前的预设停车时长。又例如，管理平台可以获取摄像设备采集的其他车辆的类型以及对应的历史停车时长，将与当前已停车辆类型相同的其他车辆的历史停车时长作为当前已停车辆的预设停车时长。
步骤420，基于当前已停车辆的历史停车信息与当前停车信息的匹配关系，确定当前已停车辆的延时时长。
历史停车信息是指当前已停车辆在停车场的历史停车信息。历史停车信息可以包括停车场类型(露天、地下、道路两旁、住宅停车场、商场停车场等)、停车日期类型(工作日或节假日)、停车时间段类型(上午、下午、上半夜、凌晨等)、预设停车时长等。
当前停车信息是指当前已停车辆在停车场的当前停车信息。当前停车信息可以包括停车场类型、停车日期类型、停车时间段类型、预设停车时长等。
匹配关系是指与历史停车信息和当前停车信息的是否匹配相关的信息。在一些实施例中，匹配关系可以通过匹配程度表示。匹配程度可以通过数字和/或文字进行表示。
在一些实施例中，管理平台可以基于当前已停车辆的历史停车信息与当前停车信息的相似程度，确定匹配关系。例如，管理平台基于历史停车信息与当前停车信息中包括的信息全都相同，确定匹配关系为匹配程度100％。
延时时长是指当前已停车辆的停车时长超出预设停车时长的时长。例如，若当前已停车辆的停车时长为8小时，预设停车时长为5小时，则延时时长为3小时。延时时长可以采用时间点或时间段来表示，例如，延时时长为从9:00到12:00，延时时长为三小时等。
在一些实施例中，管理平台可以通过对当前已停车辆的历史停车信息与当前停车信息的匹配关系进行分析和处理，确定当前已停车辆的延时时长。例如，管理平台可以建立匹配关系与延时时长的对照表，基于匹配关系查表可得对应的延时时长。
在一些实施例中，管理平台可以基于当前已停车辆的历史停车信息与当前停车信息，分别确定历史向量和当前向量。
历史向量是指历史停车信息对应的向量。在一些实施例中，管理平台可以根据历史停车信息构建历史向量。例如，管理平台可以基于历史停车信息包括的内容构建历史向量
Figure BDA0004006013500000121
其中，c代表停车场类型，d代表停车日期类型，e代表停车时间段类型，f代表预设停车时长。如，向量/>
Figure BDA0004006013500000122
Figure BDA0004006013500000123
表示停车场类型为露天停车场、停车日期类型为节假日、停车时间段类型为上午、预设停车时长3小时。
当前向量是指当前停车信息对应的向量。在一些实施例中，管理平台可以根据当前停车信息构建当前向量。例如，管理平台可以基于当前停车信息包括的内容构建当前向量
Figure BDA0004006013500000124
其中，j代表停车场类型，k代表停车日期类型，m代表停车时间段类型，n代表预设停车时长。如，向量/>
Figure BDA0004006013500000125
Figure BDA0004006013500000126
表示停车场类型为露天停车场、停车日期类型为节假日、停车时间段类型为下午、预设停车时长5小时。
在一些实施例中，管理平台可以基于历史向量和当前向量的相似度，将相似度大于阈值的历史向量对应的延时时长进行加权求和，确定当前已停车辆的延时时长。阈值可以基于经验进行设置。
相似度是指历史向量与当前向量之间的相似程度。在一些实施例中，管理平台可以计算历史向量与当前向量之间的距离，基于向量距离确定相似度。示例性的向量距离可以包括余弦距离、欧式距离、汉明距离等。相似度可以用数值表示，例如，相似度为80％。
在一些实施例中，在将相似度大于阈值的历史向量对应的延时时长进行加权求和时，管理平台可以基于历史向量与当前向量的相似度确定历史向量的权重。例如，相似度大于阈值的历史向量有历史向量
Figure BDA0004006013500000127
其相似度为90％，历史向量/>
Figure BDA0004006013500000128
其相似度为70％。管理平台可以基于下述方法：历史向量/>
Figure BDA0004006013500000129
的相似度/(历史向量/>
Figure BDA00040060135000001210
的相似度+历史向量/>
Figure BDA00040060135000001211
的相似度)，确定历史向量/>
Figure BDA00040060135000001212
的权重为56.25％。
在一些实施例中，在将相似度大于阈值的历史向量对应的延时时长进行加权求和时，管理平台可以基于相似度大于阈值的历史向量对应的候选停车场的受欢迎表示向量与当前的候选停车场的受欢迎表示向量计算相似度，将该相似度作为权重。例如，相似度大于阈值的历史向量有历史向量
Figure BDA0004006013500000131
其对应的候选停车场的受欢迎表示向量为/>
Figure BDA0004006013500000132
当前的候选停车场的受欢迎表示向量为/>
Figure BDA0004006013500000133
管理平台可以计算上述两个受欢迎表示向量的相似度，将计算结果确定为历史向量/>
Figure BDA0004006013500000134
的权重。计算相似度可以基于向量距离确定。示例性的向量距离可以包括余弦距离、欧式距离、汉明距离等。相似度可以用数值表示。
受欢迎表示向量反映停车场的受欢迎程度。受欢迎表示向量可以包括停车场的人流量、停车场评分等信息。停车场受欢迎程度越高，人流量越大，评分也越高。在一些实施例中，受欢迎表示向量可以基于提取模型获得。关于受欢迎表示向量的更多说明，可以参见图7及其相关内容。
基于当前已停车辆的历史停车信息与当前停车信息的对应向量的相似度来确定延时时长，可以提高确定延时时长的准确性，有利于准确确定空闲车位信息。
步骤430，基于预设停车时长和延时时长，确定当前已停车辆的预估停车时长。
预估停车时长是指估计的当前已停车辆从进入停车场到离开停车场的时长。例如，车辆九点进入停车场，预估车辆离开停车场的时间为十二点，则预估停车时长为三小时。
在一些实施例中，管理平台可以将预设停车时长和延时时长之和作为当前已停车辆的预估停车时长。例如，预设停车时长为3小时，延时时长为1.5小时，则可以计算预估停车时长为4.5小时。
步骤440，基于当前已停车辆的预估停车时长，确定待停车辆到达候选停车场时的空闲车位信息。
在一些实施例中，管理平台可以基于当前已停车辆的预估停车时长，确定待停车辆到达候选停车场时的空闲车位信息。例如，管理平台可以根据各个车辆的预估停车时长，确定用户到达停车场时，停车场内空闲车位的数量和分布情况。又例如，管理平台可以根据各个车辆的预估停车时长，确定停车场空闲车位数量的实时变化情况，并可以预计未来时刻的空闲车位数量。
本说明书的一些实施例基于预设停车时长和延时时长确定当前已停车辆的预估停车时长，进而确定车辆到达候选停车场时的空闲车位信息，考虑了部分车辆可能会超时停车，提高了确定空闲车位信息的准确性。
图5是根据本说明书一些实施例所示的确定空闲车位信息方法的示例性示意图。如图5所示，确定空闲车位信息方法的流程500可以包括以下内容。
在一些实施例中，管理平台可以基于空闲车位预测模型对候选停车场的参考信息的处理，确定待停车辆到达候选停车场的空闲车位信息。如图5所示，管理平台可以将参考信息510输入空闲车位预测模型560进行处理，得到输出为空闲车位信息540。
参考信息是指与候选停车场相关的，用于确定空闲车位信息的信息。例如，停车场的地理位置、车位总数等。在一些实施例中，参考信息可以包括候选停车场的基本信息、当前占位比例、附近场所当前的人流量中的至少一种。
候选停车场的基本信息可以指与候选停车场本身相关的信息，例如，停车场位置、类型、停车场总车位数等。
当前占位比例是指当前已停放车辆的车位数占停车场总车位数的比例。
附近场所当前的人流量可以指候选停车场预设范围内的场所在当前时刻的人流量。
在一些实施例中，管理平台可以通过对来自对象平台的信息进行处理，确定候选停车场的参考信息。例如，管理平台可以基于对象平台采集的图像，通过各种可行的方法对图像进行分析和处理，确定候选停车场的参考信息。
在一些实施例中，管理平台还可以通过其它方法确定候选停车场的参考信息。例如，基于人工输入、基于历史数据等。
空闲车位预测模型可以为训练后的机器学习模型。空闲车位预测模型可以包括循环神经网络模型、深度神经网络模型、卷积神经网络模型等中的任意一种或组合。
空闲车位预测模型的输入可以是参考信息，输出可以是空闲车位信息。
在一些实施例中，管理平台可以基于多组训练样本及标签，训练得到空闲车位预测模型。训练样本包括样本参考信息。样本参考信息可以来源于各个停车场的历史参考信息，例如，历史基本信息、历史占位比例、附近场所的历史人流量中的至少一种。标签为样本空闲车位信息。标签可以来源于各个停车场对应的历史空闲车位信息，也可以通过人工标注的方式确定。
训练过程中，管理平台可以通过标签和初始的空闲车位预测模型的输出构建损失函数，基于损失函数通过梯度下降或其他方法迭代更新空闲车位预测模型的参数。当满足预设条件时模型训练完成，得到训练好的空闲车位预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，空闲车位预测模型可以包括图神经网络模型。
在一些实施例中，管理平台可以将停车场关联图谱输入图神经网络模型，基于候选停车场对应的节点的输出，确定待停车辆到达所述候选停车场的空闲车位信息。如图5所示，管理平台可以将停车场关联图谱520输入到图神经网络模型530，通过图神经网络模型530对停车场关联图谱520进行处理确定空闲车位信息540。
停车场关联图谱可以反映候选停车场和附近场所的特征以及候选停车场和附近场所之间的关系。
在一些实施例中，停车场关联图谱可以基于候选停车场的参考信息获取。在一些实施例中，停车场关联图谱可以动态更新。例如，已经构建好的停车场关联图谱，后续可以根据不同的情况(如，建设新的停车场)，对停车场关联图谱进行更新(如，增加、删除等)。
停车场关联图谱可以包括节点和边。在一些实施例中，节点可以包括候选停车场节点和附近场所节点。在一些实施例中，候选停车场节点的特征包括候选停车场的基本信息、当前占位比例。在一些实施例中，附近场所节点的特征包括附近场所的类型、附近场所当前的人流量。附近场所的类型可以基于人工输入进行确定。如图6的停车场关联图谱600所示，候选停车场节点包括停车场1、停车场2、停车场3和停车场4；附近场所节点包括场所A、场所B和场所C。停车场1的特征可以包括基本信息630和当前占位比例640，场所A的特征可以包括类型650和当前的人流量660。
在一些实施例中，停车场关联图谱的边可以用于满足第一预设条件的候选停车场节点的相互连接以及用于满足第一预设条件的候选停车场节点与附近场所节点的连接。如图6所示，边610可以用于停车场1和停车场2的相互连接，边620可以用于停车场1和场所A的连接。第一预设条件可以包括两个场所之间的距离小于阈值。例如，停车场1和场所A之间的距离小于阈值，阈值可以依据经验进行设置。
在一些实施例中，边的特征为与候选停车场节点对应的候选停车场之间的距离，或与候选停车场节点对应的候选停车场和与附近场所节点对应的附近场所之间的距离。例如，边610的特征为停车场1和停车场2之间的距离，如，3km。又例如，边620的特征为停车场1和场所A之间的距离，如，1km。其中，距离可以基于历史数据、人工输入等多种方式获取。
在一些实施例中，图神经网络模型可以基于训练样本及标签训练得到。训练样本包括样本停车场关联图谱，训练样本可以基于各个停车场的历史参考信息获取。训练样本的标签为样本空闲车位信息，标签可以来源于各个停车场对应的历史空闲车位信息，也可以通过人工标注的方式确定。
管理平台在训练初始的图神经网络模型时，基于训练样本的标签和图神经网络模型的输出构建损失函数，基于损失函数迭代更新图神经网络模型的参数，直到预设条件被满足训练完成，得到训练好的图神经网络模型模型。其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
基于多种信息构建停车场关联图谱，可以较好地表示信息之间的关系；使用图神经网络模型对停车场关联图谱进行处理，可以使输出的结果更准确。
在一些实施例中，图神经网络模型的输入还包括候选停车场的受欢迎表示向量，候选停车场的受欢迎表示向量为候选停车场节点的特征。如图5所示，图神经网络模型530的输入还包括受欢迎表示向量550。
关于受欢迎表示向量的更多说明，参见图7及其相关内容。
图神经网络模型的训练可以参照上述图神经网络模型的训练方式进行。训练样本包括样本停车场关联图谱和样本受欢迎表示向量。样本受欢迎表示向量可以来源于各个停车场的历史受欢迎表示向量。标签为样本空闲车位信息，标签可以来源于各个停车场对应的历史空闲车位信息，也可以通过人工标注的方式确定。
将候选停车场的受欢迎表示向量输入图神经网络模型，由于停车场是否受欢迎在一定程度上可以反映停车时长，例如，停车场受欢迎，车辆的停车时长可能更长，因此，可以进一步提高确定空闲车位信息的准确性。
本说明书的一些实施例通过空闲车位预测模型确定空闲车位信息，可以减小计算量，提高确定的速度和准确性。
图7是根据本说明书一些实施例所示的确定受欢迎表示向量的示例性示意图。如图7所示，确定受欢迎表示向量的流程700可以包括以下内容。
在一些实施例中，管理平台可以基于第一图谱提取子图谱，对子图谱进行过滤，确定目标子图谱。如图7所示，管理平台可以基于第一图谱710提取子图谱720，对子图谱720进行过滤，确定目标子图谱730。
第一图谱可以反映候选停车场、附近场所和占位比例等级的特征以及相互之间的关系。
第一图谱可以包括节点和边。在一些实施例中，节点可以包括候选停车场节点、附近场所节点和占位比例等级节点。
如图8的第一图谱800所示，候选停车场节点包括停车场1、停车场2、停车场3、停车场4和停车场5，附近场所节点包括场所A、场所B、场所C和场所D。在一些实施例中，占位比例等级节点可以分为工作日占位比例等级节点(以下简述为工占比节点)和节假日占位比例等级节点(以下简述为假占比节点)。如图8所示，工占比节点包括工占比1、工占比2和工占比3，假占比节点包括假占比1、假占比2和假占比3。
工作日占位比例和节假日占位比例是指工作日和节假日时候选停车场的车辆数量和车位总数的比例，占位比例可以采用百分数形式来表示。工作日占位比例等级和节假日占位比例等级是指工作日占位比例和节假日占位比例对应的等级，可以采用阿拉伯数字表示。
在一些实施例中，管理平台可以基于对象平台获取工作日占位比例等级和节假日占位比例等级。例如，管理平台可以基于对象平台采集的图像计算工作日占位比例和节假日占位比例，并预设占位比例与占位比例等级的对照关系。如，可以预设工作日占位比例等级为1-3级，0-30％、30％-60％、60％-100％的工作日占位比例分别对应1级、2级、3级的工作日占位比例等级。管理平台还可以通过其它的方式进行获取，例如，基于历史数据、基于人工输入等。
在一些实施例中，候选停车场节点的特征可以包括总车位数、当前占用车位数量、当前占用车位比例、停车场类型。在一些实施例中，候选停车场节点的特征还可以包括候选停车场车位的停车时长特征。在一些实施例中，候选停车场车位的停车时长特征可以基于预设停车时长，或延时时长，或预估停车时长进行确定。例如，停车时长特征可以基于候选停车场中的某一个车位所停的车辆的预设停车时长，或延时时长，或预估停车时长进行确定。又例如，停车时长特征可以基于候选停车场中所有车位已停的车辆的预设停车时长之和，或延时时长之和，或预估停车时长之和进行确定。
在一些实施例中，附近场所节点的特征可以包括附近场所的类型、工作日平均人流量等级、节假日平均人流量等级。管理平台可以通过各种可行的方式确定工作日平均人流量等级、节假日平均人流量等级。例如，基于历史数据、基于人工输入等。
在一些实施例中，占位比例等级节点的特征可以包括占位比例等级对应的数值。管理平台可以通过人工预设获取占位比例对应的数值，也可以基于历史数据获得。
在一些实施例中，第一图谱的边可以用于满足第一预设条件的候选停车场节点的相互连接以及满足第一预设条件的候选停车场节点与附近场所节点的连接。第一图谱的边还可以用于满足第二预设条件的候选停车场节点与占位比例等级节点的连接。关于第一预设条件的说明可以参见停车场关联图谱的相关内容，第二预设条件可以包括候选停车场占位情况符合占位比例等级。
如图8所示，停车场1与场所A之间存在边810，停车场2与停车场4之间存在边820，表示停车场1与场所A之间的距离满足第一预设条件、停车场2与停车场4之间的距离满足第一预设条件。停车场1与工占比2之间存在边830，表示停车场1的占位情况符合工占比2的占位比例等级。
在一些实施例中，管理平台可以基于候选停车场的参考信息，通过各种可行的方式构建第一图谱。
子图谱是对第一图谱进行过滤后得到的图谱。子图谱包括节点和边，关于子图谱的节点和边以及各自的特征可以参见第一图谱的内容。
在一些实施例中，管理平台可以基于第一图谱提取子图谱。例如，管理平台可以基于第一图谱的某一停车场节点与其他节点之间的邻度进行过滤，去掉不满足邻度要求的停车场节点和附近场所节点及相关的边，将过滤后得到的图谱作为子图谱。其中，邻度可以指两个节点之间连接的远近关系。如，邻度可以包括1、2、5等。邻度为1表示两个节点之间直接相连。邻度为2表示两个节点之间通过其他一个节点相连。如图8所示，节点停车场1与节点停车场2之间的邻度为1，节点停车场1与场所B之间的邻度为2。
如图7所示，管理平台可以基于图8的节点停车场1，去掉与该停车场节点的邻度大于2的停车场节点和附近场所节点及相关的边，将过滤后的图谱作为子图谱720。子图谱720可以被称为停车场1的子图谱，其中，停车场5、场所C、场所D与停车场1的邻度大于2，因此这些节点以及与节点连接的边被过滤。对其他停车场执行上述步骤，得到每个停车场的子图谱。
目标子图谱是对子图谱进行过滤后得到的图谱。子图谱包括节点和边，关于子图谱的节点和边以及各自的特征可以参见第一图谱的内容。
在一些实施例中，管理平台可以通过对子图谱进行过滤得到目标子图谱。例如，管理平台可以基于当前时间类型对子图谱进行过滤，去掉与时间类型不对应的占位比例等级节点及连接的边，进而得到目标子图谱。如图7所示，目标子图谱730为针对子图谱720进行过滤后得到的子图谱。其中，由于当前时间类型为工作日，因此假占比节点和与之连接的边被过滤。
在一些实施例中，管理平台可以将目标子图谱输入提取模型，确定受欢迎表示向量。如图7所示，管理平台可以将目标子图谱730输入提取模型740，确定受欢迎表示向量750。
提取模型为训练后的机器学习模型。提取模型可以包括循环神经网络模型、卷积神经网络或其他自定义的模型结构等中的任意一种或组合。
提取模型可以基于输入为目标子图谱，输出受欢迎表示向量。
在一些实施例中，提取模型可以基于与相似度判断模型联合训练得到。
相似度判断模型为机器学习模型，相似度判断模型用于判断两个受欢迎表示向量的相似度。相似度判断模型的输入可以为两个目标子图，相似度判断模型的输出可以为两个受欢迎表示向量的相似度。
在一些实施例中，相似度判断模型可以包括两个向量提取层和相似度判断层。向量提取层用于提取受欢迎表示向量，将两个目标子图分别输入两个向量提取层，并输出各自的受欢迎表示向量。相似度判断层用于判断两个受欢迎表示向量的相似度。相似度判断层的输入为两个受欢迎表示向量，输出为两个受欢迎表示向量的相似度。即，相似度判断模型的输入为两个向量提取层的输入，相似度判断层的输出为相似度判断模型的输出。
在一些实施例中，管理平台可以基于大量带有标签的训练数据训练向量提取层和相似度判断层。其中，训练样本为多对距离小于阈值的停车场在同一时间段的提取的历史目标子图，标签为多对停车场在同一时间段所确定的历史受欢迎表示向量的相似度。标签可以来源于历史数据，也可以通过人工标注获得。具体的，可以向向量提取层输入训练样本，即输入多对距离小于阈值的停车场在同一时间段的提取的历史目标子图，得到输出的多对历史受欢迎表示向量。然后将多对历史受欢迎表示向量输入相似度判断层，得到相似度判断层输出的多对停车场在同一时间段所确定的历史受欢迎表示向量的多个相似度。通过训练更新初始向量提取层和初始相似度判断层的参数，当训练的中间向量提取层和中间相似度判断层满足预设条件时，获取训练好的向量提取层和相似度判断层，并将训练好的向量提取层作为提取模型。其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
本说明书的一些实施例通过第一图谱提取子图谱，对子图谱进行过滤，确定目标子图谱，可以依据不同的需求得到不同的目标子图谱；通过提取模型确定受欢迎表示向量，可以降低计算量，提高确定的速度和准确性。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (9)

1.一种智慧城市停车场车位状态预估方法，所述方法由管理平台执行，所述方法包括：
获取用户平台的用户位置，确定满足预设条件的候选停车场；
基于所述用户位置，确定待停车辆到达所述候选停车场的时间；
获取对象平台采集的所述候选停车场当前已停车辆的预设停车时长；
基于所述当前已停车辆的历史停车信息与当前停车信息，分别构建历史向量和当前向量；
基于所述历史向量和所述当前向量的相似度，确定所述历史停车信息与所述当前停车信息的匹配关系；
基于所述匹配关系，确定所述当前已停车辆的延时时长；
基于所述预设停车时长和所述延时时长，确定所述当前已停车辆的预估停车时长；
基于所述预估停车时长，确定所述待停车辆到达所述候选停车场时的空闲车位信息。
2.如权利要求1所述的方法，其特征在于，所述基于所述匹配关系，确定所述当前已停车辆的延时时长包括：
将所述历史向量中与所述当前向量的相似度大于阈值的目标历史向量对应的目标历史延时时长加权求和，确定所述当前已停车辆的延时时长。
3.如权利要求2所述的方法，其特征在于，还包括：
所述目标历史延时时长为多个，对于所述目标历史延时时长中的一个，
基于目标相似度在总和相似度的占比，确定目标历史延时时长的权重，其中，所述目标相似度为所述目标历史延时时长对应的目标历史向量与所述当前向量的相似度，所述总和相似度为所有目标历史向量与所述当前向量的相似度的总和。
4.如权利要求2所述的方法，其特征在于，所述相似度基于向量距离确定，所述向量距离包括余弦距离、欧式距离、汉明距离中的至少一种。
5.如权利要求1所述的方法，其特征在于，所述历史向量和所述当前向量的各个维度的元素值分别代表停车场类型、停车日期类型、停车时间段类型和预设停车时长。
6.如权利要求1所述的方法，其特征在于，还包括：
基于所述空闲车位信息，确定推荐信息，并将所述推荐信息反馈给用户，其中，所述推荐信息包括停车场名称、停车场位置、空闲车位数量和推荐程度。
7.如权利要求1所述的方法，其特征在于，
所述用户位置基于服务平台获取；
所述预设停车时长基于对象平台采集，且通过传感网络平台传输给管理平台；其中，
所述服务平台包括多个服务分平台，所述管理平台包括多个管理分平台，所述传感网络平台包括多个传感网络分平台，所述多个服务分平台、所述多个管理平台，所述多个传感网络分平台与不同的服务区域一一对应。
8.一种智慧城市停车场车位状态预估物联网系统，其特征在于，所述智慧城市停车场车位状态预估物联网系统包括依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；
所述管理平台被配置为：
获取用户平台的用户位置，确定满足预设条件的候选停车场；
基于所述用户位置，确定待停车辆到达所述候选停车场的时间；
获取对象平台采集的所述候选停车场当前已停车辆的预设停车时长；
基于所述当前已停车辆的历史停车信息与当前停车信息，分别构建历史向量和当前向量；
基于所述历史向量和所述当前向量的相似度，确定所述历史停车信息与所述当前停车信息的匹配关系；
基于所述匹配关系，确定所述当前已停车辆的延时时长；
基于所述预设停车时长和所述延时时长，确定所述当前已停车辆的预估停车时长；
基于所述预估停车时长，确定所述待停车辆到达所述候选停车场时的空闲车位信息。
9.一种智慧城市停车场车位状态预估装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现权利要求1～7中任一项所述的方法。
CN202211631623.XA 2022-09-07 2022-09-07 智慧城市停车场车位状态预估方法、物联网系统及装置 Pending CN116362370A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211631623.XA CN116362370A (zh) 2022-09-07 2022-09-07 智慧城市停车场车位状态预估方法、物联网系统及装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211631623.XA CN116362370A (zh) 2022-09-07 2022-09-07 智慧城市停车场车位状态预估方法、物联网系统及装置
CN202211087704.8A CN115222158B (zh) 2022-09-07 2022-09-07 一种基于物联网的智慧城市停车场管理方法、系统及装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202211087704.8A Division CN115222158B (zh) 2022-09-07 2022-09-07 一种基于物联网的智慧城市停车场管理方法、系统及装置

Publications (1)

Publication Number Publication Date
CN116362370A true CN116362370A (zh) 2023-06-30

Family

ID=83616884

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211087704.8A Active CN115222158B (zh) 2022-09-07 2022-09-07 一种基于物联网的智慧城市停车场管理方法、系统及装置
CN202211631623.XA Pending CN116362370A (zh) 2022-09-07 2022-09-07 智慧城市停车场车位状态预估方法、物联网系统及装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211087704.8A Active CN115222158B (zh) 2022-09-07 2022-09-07 一种基于物联网的智慧城市停车场管理方法、系统及装置

Country Status (2)

Country Link
US (1) US11854396B2 (zh)
CN (2) CN115222158B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828489A (zh) * 2024-03-05 2024-04-05 河钢国际科技(北京)有限公司 智能船舶远程动态控制系统
CN118430335A (zh) * 2024-07-02 2024-08-02 招商积余数字科技(深圳)有限公司 停车场车辆通行控制方法、装置和存储介质

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116321004A (zh) * 2023-03-21 2023-06-23 惠州市德赛西威汽车电子股份有限公司 一种确定目标位置的方法、装置、系统及存储介质
CN116013106B (zh) * 2023-03-24 2023-06-27 北京静态交通投资运营有限公司 一种智慧泊车管理方法、系统、终端及存储介质
CN116089744B (zh) * 2023-04-10 2023-06-16 松立控股集团股份有限公司 一种基于Transformer动态时空关联的医院停车场推荐方法
CN116304357B (zh) * 2023-05-16 2023-08-11 松立控股集团股份有限公司 一种医院停车场推荐方法、系统及电子设备
CN117437789B (zh) * 2023-10-24 2024-06-18 中建三局云服科技武汉有限公司 一种基于城市信息模型多维联动指挥调度的智慧园区系统
CN117809481B (zh) * 2024-02-29 2024-05-07 泰安市东信智联信息科技有限公司 一种城市级智慧停车优选推荐系统
CN117807283B (zh) * 2024-03-01 2024-05-24 山东智泊信息科技有限公司 基于大数据的停车订单分析方法和系统
CN117870714B (zh) * 2024-03-12 2024-05-10 泰安市东信智联信息科技有限公司 一种基于物联网技术的城市级智慧停车实时导航系统
CN118038705B (zh) * 2024-04-12 2024-06-18 北京飞利信信息安全技术有限公司 基于hplc的智慧园区管理方法、装置、存储介质及电子设备
CN118298641A (zh) * 2024-04-29 2024-07-05 兰州交通大学 一种基于深度学习的停车场车位数量预测方法
CN118571062A (zh) * 2024-06-22 2024-08-30 广州金魏科技有限公司 利用人工智能模型的策略定制系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10964209B2 (en) * 2003-12-24 2021-03-30 Mark W. Publicover Method and system for traffic and parking management
US20170132541A1 (en) * 2015-11-10 2017-05-11 Charles F. Myers Systems and methods for crowd-sourcing parking space
US11526798B2 (en) * 2017-11-14 2022-12-13 International Business Machines Corporation Parking availability predictor
US10720058B2 (en) * 2018-09-13 2020-07-21 Volvo Car Corporation System and method for camera or sensor-based parking spot detection and identification
CN111210656B (zh) * 2020-01-23 2021-12-24 北京百度网讯科技有限公司 停车场空闲车位预测方法、装置、电子设备及存储介质
CN111310987B (zh) * 2020-01-23 2023-04-07 北京百度网讯科技有限公司 停车场空闲车位预测方法、装置、电子设备及存储介质
US20210279645A1 (en) * 2020-03-06 2021-09-09 Toyota Motor North America, Inc. Methods, systems, and vehicles for determining a wait time at a point of interest
CN111932939A (zh) * 2020-09-22 2020-11-13 常州机电职业技术学院 一种基于大数据的城市智慧停车系统及其工作方法
US12037025B2 (en) * 2020-11-17 2024-07-16 Uatc, Llc Systems and methods for motion forecasting and planning for autonomous vehicles
CN112418696B (zh) * 2020-11-27 2024-06-18 北京工业大学 城市交通动态知识图谱的构建方法及装置
US20220178718A1 (en) * 2020-12-04 2022-06-09 Mitsubishi Electric Automotive America, Inc. Sensor fusion for dynamic mapping
CN114187775B (zh) * 2021-12-06 2023-05-09 广东飞翔云计算有限公司 基于大数据的停车位推荐的方法、装置、设备及存储介质
CN114707077A (zh) * 2022-03-24 2022-07-05 重庆邮电大学工业互联网研究院 一种面向物联网的基于知识图谱的推荐方法
CN114390079B (zh) * 2022-03-24 2022-06-03 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统
CN114820960B (zh) * 2022-04-18 2022-12-16 北京百度网讯科技有限公司 构建图谱的方法、装置、设备和介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828489A (zh) * 2024-03-05 2024-04-05 河钢国际科技(北京)有限公司 智能船舶远程动态控制系统
CN117828489B (zh) * 2024-03-05 2024-05-14 河钢国际科技(北京)有限公司 智能船舶远程动态控制系统
CN118430335A (zh) * 2024-07-02 2024-08-02 招商积余数字科技(深圳)有限公司 停车场车辆通行控制方法、装置和存储介质

Also Published As

Publication number Publication date
CN115222158A (zh) 2022-10-21
US20230067379A1 (en) 2023-03-02
CN115222158B (zh) 2023-01-06
US11854396B2 (en) 2023-12-26

Similar Documents

Publication Publication Date Title
CN116362370A (zh) 智慧城市停车场车位状态预估方法、物联网系统及装置
US10854076B2 (en) Method and system for computing parking occupancy
CN108960590A (zh) 车辆租赁方法、装置、计算机设备和存储介质
CN108162771A (zh) 一种电动汽车智能充电导航方法
CN111612122A (zh) 实时需求量的预测方法、装置及电子设备
CN112200351A (zh) 一种基于手机信令数据的城市区域客流量预测方法
CN109583611B (zh) 基于网约车数据的定制公交站点选址方法
CN109741628B (zh) 一种智能停车路线规划方法
CN108230725A (zh) 停车推荐方法和装置
EP3462427A1 (en) Method of predicting the probability of occurrence of vacant parking slots and its realization system
CN104408968A (zh) 通过rfid车载终端实现停车导航的系统
CN113554353B (zh) 一种避免空间淤积的公共自行车空间调度优化方法
CN114943482B (zh) 一种基于物联网的智慧城市尾气排放管理方法和系统
CN107392389A (zh) 基于arima模型的出租车调度处理方法
CN114693495B (zh) 智慧城市公共交通管理方法、物联网系统、装置及介质
CN103606299A (zh) 基于智能手机的停车位信息共享方法
CN110118567A (zh) 出行方式推荐方法及装置
CN108230720A (zh) 停车管理方法和装置
CN103605725A (zh) 公交车到站时间查询方法、nfc终端和服务器
CN111435470A (zh) 一种出行路线规划方法、存储介质、服务器
CN106875720A (zh) 基于车位数据的车辆找寻时间服务系统及方法
CN118014404A (zh) 基于停车场系统的智能优化方法及系统
CN117456742A (zh) 一种智能停车导引系统及方法
CN110349428A (zh) 识别用户是否正在前往公交站点的方法及装置
CN115660157A (zh) 智慧城市充电桩建造规划方法和物联网系统、装置及介质

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