个性化停车位推荐方法和系统与流程

本发明涉及一种个性化停车位推荐方法和系统，属于交通协调控制技术领域。

背景技术：

目前随着私家车的增多，人们对于采用大数据分析为自己的交通出行、出门停车引导的应用需求日益增加。由于交通情况复杂，停车位资源相对稀缺，信息采集不够及时全面，并且通信资源有限，所以使得个性化停车推荐面临较大的挑战。然而大数据、通信技术以及物联网技术的发展，使得人们对于满足自身个性化需求的愿望逐步得以实现。

当下，比较普遍的是集中停车位推荐方式，通过路边的静态或动态的告示牌向用户呈现停车位为资源，或者是通过电子导航的方式将驾驶员引导至某个停车场。然而这两种主流的引导方式都未曾考虑到，不同驾驶员之间的停车需求的不同：不同的驾驶员对停车价格、步行距离、停车时间、停车难易程度的需求都有不同的侧重。同时群体式引导容易造成车辆向少数停车场(或停车位)汇聚，造成局部交通的拥堵。

在动态告示引导系统中，告示牌实时向驾驶员显示停车场位置与空闲车位数给予驾驶员引导信息，这种方式通过驾驶员自己主动决策的方式达到了平衡停车场资源均衡利用的目的。该方式的问题在于，驾驶员掌握的信息不够全面，且人类处理信息决策的能力有限，难以在短时间内得到最优方案。同时驾驶员也不愿意在这个问题上劳心劳力。

现有的电子导航系统中，导航地图可以罗列出目的地附近的停车位的位置并提供导航路径，这种方式往往推荐相近的决策方案给用户，且难易保证数据的质量与决策方案的容错性。因为电子导航系统的数据往往通过平台自身的采集，由于成本以及开放性的诸多因素，难易做到实时性好。目前现有车位信息往往都以停车场信息为对象，不能精确到具体停车位，忽略了停车场内部复杂的环境与停车时间成本，也忽略了如路边停车位、居民区停车位，造成一定程度的资源不充分利用与信息可用性低。

此外两种方式都是依靠综合环境信息为用户提供决策信息或推荐方案，忽略了驾驶员与驾驶员之间的需求差异信息，使之不能为驾驶员提供更满意的服务。如女性驾驶员可能更倾向于选择停车难度小的车位，上班族为了赶时间更倾向于选择停车时间短的车位，出去游玩逛街的人们更倾向于停车后步行距离短的停车位等。停车推荐服务还都停留在向用户被动呈现信息、驾驶员主动选择的层次，而驾驶员由于不充分了解环境、对自身的需求也不是特别清晰，往往不能选择合适的停车位。

技术实现要素：

本发明旨在解决难以寻找符合自身需求的停车位的问题，提出一种个性化停车位推荐方法和系统，解决现有停车位推荐算法中目标不够精确、忽略驾驶员个性化需求的问题。

为了实现上述目标，本发明采用如下的技术方案：

个性化停车位推荐方法，包括以下步骤：

采集原始数据，所述数据包括停车位的位置l、停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率、停车位距目的地步行距离m、停车位距车辆当前位置距离dd、车辆行至停车位k的行径方案i、行径路线的交通状况v、停车位的停车费用f；

确定停车位停车难度指标d和停车位安全性指标s；

根据停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率确定停车成功概率c；

根据车辆行至停车位k的行径方案i以及行径路线的交通状况v确定到达车位k的最小驾驶时间tk；

对到达车位k的最小驾驶时间tk、停车费用f、停车成功概率c、停车位距目的地步行距离m以及停车位停车难度d、停车位安全性s这6个维度的数据使用k-medoids算法进行聚类分析，包括：

采用mahalanobis距离来定义两个车位之间的邻近性，用x与y分别表示两个车位的六维属性构成的向量，表达式如下：

mahalanobis(x,y)＝(x-y)σ^-1(x-y)^t；

协方差矩阵σ的第ij个属性是第i个和第j个属性的协方差，即

选取聚类后每一类的中心点与预先确定的停车位的偏好权重值进行匹配，将得到适合该驾驶员的停车位推荐给特定驾驶员。

进一步优选地，根据停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率确定停车成功概率c的具体方法如下：

停车位所在半径为r的圆内所有空闲的停车位p0与圆内所有停车位p的比值乘以车辆离开频率，即车辆离开频率f定义为：t0时间内圆内两辆车平均离开时间间隔将除以当前停车数量(p-p0)，即若停车位提供预约功能，即可以保证预约成功的车位不被其他人占用(如通过车位锁的方式)，则令停车成功概率c为1。

进一步优选地，根据车辆行至停车位k的行径方案i以及行径路线的交通状况v确定到达车位k的最小驾驶时间tk的具体方法如下：

计算到达车位k的最小驾驶时间tk公式为其中的ddik表示为车辆至车位k，选择路径方案i的距离，vik表示为车辆选择i路径行至车位k的交通状况。

优选地，推荐停车位时只从候选停车位中选择，确定候选停车位的方法包括：以目的地为中心将周围步行特定长度的范围内的所有停车位为候选停车位，这些停车位将会是选中需要分析的对象；还包括判断停车位可用性ak，若ak＝0则将该停车位踢出候选停车位的范围。

优选地，确定所述车位可用性ak的方法为将容许停车的时间段与驾驶员需求停车时间进行比较，如果容许停车时间段包含预先采集的驾驶员需求停车时间段，则车位可用性ak定义为1，否则定义为0。

优选地，将从聚类结果中，通过成本函数将完成聚类后的所有类进行排序，类中心点车位对应的成本函数越小表明，表明该类的结果越优异。通过成本函数得到适合该驾驶员的最优、次最优、次次最优的三类停车位。

进一步地，在这三类停车位中，分别选择空间上密度最大的停车位位置推荐给驾驶员并提供前往该停车位的行驶路线与前往目的地的步行方案。驾驶员可以根据自己的需求在这三个方案中进一步做出选择。

优选地，预先确定停车位的偏好权重值时采用系统默认停车位的权重值或采用用户设置的停车位的权重值。

进一步地，确定所述车位安全性指标s的方法如下：

车停在停车场的安全性指标s为1，停在路边合法停车位的安全性指标s为0.5，违规停车的安全性指标s为0.1。

进一步地，确定停车位停车难度指标d的方法如下：

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。

在另一方面，本发明提供了个性化停车位推荐系统，包括：

原始数据采集模块，用于采集原始数据，所述数据包括停车位的位置l、停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率、停车位距目的地步行距离m、停车位距车辆当前位置距离dd、车辆行至停车位k的行径方案i、行径路线的交通状况v、停车位的停车费用f；

停车难度和安全性指标确定模块，用于确定停车位停车难度指标d和停车位安全性指标s；

停车成功概率c计算模块，用于根据停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率确定停车成功概率c；

到达车位k的最小驾驶时间tk计算模块，用于根据车辆行至停车位k的行径方案i以及行径路线的交通状况v确定到达车位k的最小驾驶时间tk；

k-medoids算法聚类分析模块，用于对到达车位k的最小驾驶时间tk、停车费用f、停车成功概率c、停车位距目的地步行距离m以及停车位停车难度d、停车位安全性s这6个维度的数据使用k-medoids算法进行聚类分析，包括：

采用mahalanobis距离来定义两个车位之间的邻近性，用x与y分别表示两个车位的六维属性构成的向量，表达式如下：

mahalanobis(x,y)＝(x-y)σ^-1(x-y)^t；

协方差矩阵∑的第ij个属性是第i个和第j个属性的协方差，即

路线选择及推荐模块，用于选取聚类后每一类的中心点与预先确定的停车位的偏好权重值进行匹配，将得到适合该驾驶员的停车位推荐给特定驾驶员。

进一步地，还包括：

停车位偏好权重值采集模块，用于系统默认停车位权重值或采集用户设置的停车位的权重值。

本发明所达到的有益效果：

第一，本发明在停车共享云平台的基础上，基于机器学习k‐medoids算法的个性化停车位推荐方法，在满足用户个性化需求的基础上，为用户提供最优的停车位，并提高停车的成功率。解决现有的停车位信息繁杂，用户难以找到合适的停车位进而造成车辆在寻找停车位过程中造成交通拥堵的问题

第二，停车位之间的邻近性采用mahalanobis距离来计算，mahalanobis距离能够消除停车位属性之间的相关性以及值域不同。本发明能够充分考虑不同驾驶员对于停车需求不同的特性，引入用户自定义权重与历史数据调整权重，通过权重改进mahalanobis距离公式，使聚集的类质量更高、更加贴近用户的需求。

第三，尽可能以最低成本，提高停车成功率。选择空间上车位分布密度最大的位置的停车位作为最优推荐，因为每个停车位都有各自的停车成功概率c这样的一个概率值，当驾驶员前往某个停车位时发现已经被占用，可以以最低成本(地理位置最近)前往临近的停车位停车，随着备用停车位增多，停车失败的概率会以指数级别下降。

附图说明

图1是本发明个性化停车位推荐方法的应用场景；

图2为本发明一种基于机器学习k-medoids算法的个性化停车位推荐方法的框架图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

个性化停车位推荐方法，其特征是，包括以下步骤：

(一)采集原始数据，所述数据包括停车位的位置l、停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率、停车位距目的地步行距离m、停车位距车辆当前位置距离dd、车辆行至停车位k的行径方案i、行径路线的交通状况v、停车位的停车费用f；

在具体实施例中可以将原始数据分为停车位固有属性和时变属性，停车位固有属性有：停车位费用f，停车位安全性s，容许停车时间段a；时变属性是受驾驶员、外在环境因素影响的属性，有停车位的位置l0，停车位距目的地步行距离m，停车位距车辆当前位置距离dd,车辆行至停车位的行径方案i，行径路线的交通状况v，停车位停车难度d。

原始数据的一部分如停车位与车辆的位置信息、可能获得的停车位状态，由智慧城市中大量的智能终端设备，如智慧停车位监测节点、智慧停车场的视频监测系统、车载gps系统、手机gps等提供。另一部分数据由各类云服务器提供，百度、高德地图等服务商提供距离计算、路径规划、交通状况等数据，停车场、共享停车运营商以及交通管理部门的信息发布平台则提供停车费用、容许停车时段等相关数据。数据来源渠道丰富、手段多样且质量参差不齐，本专利的重点是如何运用这些数据，故不对数据来源做过多讨论。

(二)确定停车位停车难度指标d、停车位安全性指标s和最小驾驶时间tk；

根据停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率确定停车成功概率c；

确定停车成功概率c具体方法如下：

停车位所在半径为r的圆内所有空闲的停车位p0与圆内所有停车位p的比值乘以车辆离开频率，即车辆离开频率f定义为：t0时间内圆内两辆车平均离开时间间隔将除以当前停车数量(p-p0)，即若停车位提供预约功能，即可以保证预约成功的车位不被其他人占用(如通过车位锁的方式)，则令停车成功概率c为1。

根据车辆行至停车位k的行径方案i以及行径路线的交通状况v确定到达车位k的最小驾驶时间tk；确定到达车位k的最小驾驶时间tk的具体方法如下：

计算到达车位k的最小驾驶时间tk公式为其中的ddik表示为车辆至车位k，选择路径方案i的距离，vik表示为车辆选择i路径行至车位k的交通状况。

(三)对到达车位k的最小驾驶时间tk、停车费用f、停车成功概率c、停车位距目的地步行距离m以及停车位停车难度d、停车位安全性s这6个维度的数据使用k-medoids算法进行聚类分析，包括：

采用mahalanobis距离来定义两个车位之间的邻近性，用x与y分别表示两个车位的六维属性构成的向量，表达式如下：

mahalanobis(x,y)＝(x-y)σ^-1(x-y)^t；

协方差矩阵∑的第ij个属性是第i个和第j个属性的协方差，即：

mahalanobis距离定义如下：

mahalanobis(x,y)＝(x-y)σ^-1(x-y)^t,其中协方差矩阵∑的第ij个属性是第i个和第j个属性的协方差，即

它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是，它考虑到各种特性之间的联系，并且是尺度无关的(scale-invariant)，即独立于测量尺度。

同时引入用户偏好权重w，wk(k＝1,2……，6)权和为1，此时mahalanobis距离被修改为

经过加权修正后的马氏距离将更加符合用户需求。

此外，在计算马氏距离过程中，要求总体样本数大于样本的维数，否则得到的总体样本协方差矩阵逆矩阵不存在，这一点在推荐停车位的计算场景中是符合的，经过处理后的停车位属性维数只有六维，而候选停车位数通常达到几千左右。

使用k-medoids算法对处理后的停车位六维数据进行距离分析，k-medoids聚类算法中的输入聚类的簇的数目为k＝n/nk，n为候选停车位的数量，除以nk是为了保证聚类完成后平均每类有nk个停车位；

k-medoids算法：

输入：n个对象的数据库，期望得到的k个聚类簇

输出：k个簇，使所有对象与其所属簇中心点的偏差总和最小化

方法：

选择k个对象作为初始的簇中心

repeat

(1)将每个剩余的对象，分配到最近的中心点所代表的的簇；

(2)随机选取非中心点orandom；

(3)计算用orandom代替中心点oj形成新聚类的总代价s；

(4)ifs<0then用orandom代替oj，形成新的k个中心点的集合。

until不再发生变化。

(四)选取聚类后每一类的中心点与预先确定的停车位的偏好权重值进行匹配，将得到适合该驾驶员的停车位推荐给特定驾驶员。

对成功聚类后的停车位进行判别，选择最匹配于用户需求的类，判别方法为为第k个类的中心停车位的属性向量，wi为用户设定的偏好权重，最小的s(k)为最匹配的类的中心点，该类为推荐给驾驶员的适用车位类。其中停车成功概率c与车位安全性s与s(k)呈正相关，不符合mins(k)为最优停车位的结论，故在使用判别方法时，需使用c’＝1/c，s’＝1/s，将c’,s’代入判别方法。

优选地，将从聚类结果中，通过成本函数将完成聚类后的所有类进行排序，类中心点车位对应的成本函数越小表明，表明该类的结果越优异。通过成本函数得到适合该驾驶员的最优、次最优、次次最优的三类停车位。

进一步地，在这三类停车位中，分别选择空间上密度最大的停车位位置推荐给驾驶员并提供前往该停车位的行驶路线与前往目的地的步行方案。驾驶员可以根据自己的需求在这三个方案中进一步做出选择。

选择空间上车位分布密度最大的位置的停车位作为最优推荐，目的是为了提高停车成功率。因为每个停车位都有各自的停车成功概率c这样的一个概率值，当驾驶员前往某个停车位时发现已经被占用，可以以最小代价(空间上移动距离最小)再次停车，随着备用停车位增多，停车失败的概率会降到非常低。

优选地，在具体实施例中为了将评判停车位好坏的一些定性标准定量化，定量化的数据将有助于进行大数据分析；同时引入车位可用性ak，通过车位可用性来筛选可供使用的停车位。

优选地，推荐的停车位只从候选停车位中选择。确定候选停车位即以目的地为中心将周围步行特定长度的范围内的所有停车位为候选停车位，这些停车位将会是选中需要分析的对象；具体实施例中可选择步行距离1000米范围内的所有停车位为选中需要分析的对象，同时判断停车位可用性ak，若ak＝0则将该停车位踢出候选停车位的范围，剩下的停车位为候选停车位，其数量为n。

确定所述车位可用性ak的方法为将容许停车的时间段与驾驶员需求停车时间进行比较，如果容许停车时间段包含驾驶员需求停车时间段，则车位可用性ak定义为1，否则定义为0。

为了能够充分考虑不同驾驶员对于停车需求不同的特性，本发明引入用户停车位的偏好权重值。预先确定停车位的偏好权重值时采用系统默认停车位的权重值或采用用户设置的自定义的停车位的权重值，优选地，可根据情况对停车位的偏好权重值进行调整。

在具体实施例中，确定所述车位安全性指标s的方法如下：

车停在停车场的安全性指标s为1，停在路边合法停车位的安全性指标s为0.5，违规停车的安全性指标s为0.1。

在具体实施例中确定停车位停车难度指标d的方法如下：

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。

另一个具体实施例：个性化停车位推荐系统，包括：

原始数据采集模块，用于采集原始数据，所述数据包括停车位的位置l、停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率、停车位距目的地步行距离m、停车位距车辆当前位置距离dd、车辆行至停车位k的行径方案i、行径路线的交通状况v、停车位的停车费用f；

停车难度和安全性指标确定模块，用于确定停车位停车难度指标d和停车位安全性指标s；

停车成功概率c计算模块，用于根据停车位所在特定半径的圆内所有空闲的停车位p0、停车位所在特定半径的圆内所有停车位p以及车辆离开频率确定停车成功概率c；

到达车位k的最小驾驶时间tk计算模块，用于根据车辆行至停车位k的行径方案i以及行径路线的交通状况v确定到达车位k的最小驾驶时间tk；

k-medoids算法聚类分析模块，用于对到达车位k的最小驾驶时间tk、停车费用f、停车成功概率c、停车位距目的地步行距离m以及停车位停车难度d、停车位安全性s这6个维度的数据使用k-medoids算法进行聚类分析，包括：

采用mahalanobis距离来定义两个车位之间的邻近性，用x与y分别表示两个车位的六维属性构成的向量，表达式如下：

mahalanobis(x,y)＝(x-y)σ^-1(x-y)^t；

协方差矩阵σ的第ij个属性是第i个和第j个属性的协方差，即：

路线选择及推荐模块，用于选取聚类后每一类的中心点与预先确定的停车位的偏好权重值进行匹配，将得到适合该驾驶员的停车位推荐给特定驾驶员。

进一步地，停车位偏好权重值采集模块，用于系统默认停车位权重值或采集用户设置的停车位的权重值。

本发明将原始数据中位置l、通过停车位距车辆当前位置距离dd,车辆行至停车位的行径方案i，行径路线的交通状况v等维度的数据转换为用户更加关心的最小驾驶时间tk、停车位距目的地步行距离m。这样的降维处理避免了维灾难现象的发生，也为降低算法复杂度提升算法运算速度达到推荐算法实时性提供了保障。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。