停车位分配方法、设备及存储介质与流程

本发明涉及人工智能技术，尤其是涉及一种停车位分配方法、设备及存储介质。

背景技术：

随着人们生活水平的提高，汽车成为越来越多人出行的日常代步工具，汽车数量与日俱增，汽车的增长速度远远超过了停车系统的建设速度，造成城市停车问题越来越严重。

目前，造成城市停车问题越来越严重的主要因素之一是停车位的分配不合理，不合理的停车位分配会造成停车资源的浪费，使停车场利用率较低。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种停车位分配方法，能够提高停车场利用效率，节省停车资源的效果。

本发明还提出一种停车位分配方法控制设备。

本发明还提出一种计算机可读存储介质。

根据本发明的第一方面实施例的停车位分配方法，包括：获取当前时段停车位分配影响参数；获取当前时段的效果评价指标值；根据所述当前时段停车位分配影响参数和当前时段的效果评价指标值，预测下一时段的效果评价指标值；获取下一时段停车位分配影响参数；根据所述下一时段的效果评价指标值和所述下一时段停车位分配影响参数，预测下下时段的效果评价指标值；利用所述下一时段的效果评价指标值和所述下下时段的效果评价指标值，确定效用函数的参数系数，以利用所述效用函数分配停车位。

根据本发明实施例的停车位分配方法，至少具有如下有益效果：能够通过获取当前时段停车位分配的影响参数和当前时段的效果评价指标值，并根据上述当前时段停车位分配影响参数和当前时段的效果评价指标值预测下一时段效果评价指标值，利用所述当前时段的效果评价指标值和所述下一时段效果评价指标值，确定最终的效用函数模型参数，解决了停车场利用率低、停车资源浪费的问题，实现了提高停车场利用效率，节省停车资源的效果。

根据本发明的一些实施例，所述预测下一时段的效果评价指标值，包括：

获取当前时段之前的多个时段的停车位分配影响参数及其系数组合和当前时段之前的多个时段的效果评价指标值；

根据所述当前时段之前多个时间段的停车位分配的影响参数及其系数组合和所述当前时段之前多个时间段的效果评价指标值建立神经网络模型；

根据所述神经网络模型获取下一时段的效果评价指标值。

根据本发明的一些实施例，所述停车位分配影响参数包括：停车场数量、已占用的停车位数量、请求停车引导的汽车数量、当前位置到指定停车场的行驶时间、指定停车场到驾驶员目的地的步行距离、停车费、开向停车场的汽车数量、空置停车位的概率、停车舒适度、可用停车位的概率。

根据本发明的一些实施例，所述效果评价指标值包括：驾驶员停车平均行驶距离、平均步行距离、停车路上拥挤程度、停车失败率、停车场利用率、全部停车场占用情况分布均匀度。

根据本发明的一些实施例，所述利用所述下一时段的效果评价指标值和所述下下时段的效果评价指标值，确定效用函数的参数系数，以利用所述效用函数分配停车位，包括：若下下时段效果评价指标值大于下一时段效果评价指标值，根据下一时段停车位分配影响参数确定效用函数参数的系数组合，以利用所述效用函数分配停车位。

根据本发明的一些实施例，所述根据下一时段停车位分配影响参数确定效用函数参数的系数组合，包括：利用遍历法，遍历下一时段停车位分配影响参数的所有系数组合，并结合所述下一时段效果评价指标值，计算下下时段效果评价指标值；将计算得到的下下时段效果评价指标值与下一时段效果评价指标值相比较；将下下时段比下一时段的效果评价指标增加最多的影响参数的系数组合作为下一时段效用函数参数的系数组合；利用下一时段的效用函数分配停车位。

根据本发明的一些实施例，所述神经网络模型的输入层有十六个节点，输出层有六个节点，输入层用于输入所述停车位分配的影响参数和所述当前时段的效果评价指标值，输出层用于输出下一时段的效果评价指标值。

根据本发明的一些实施例，还包括：当停车位分配请求大于目标停车场中的可用停车容量时，进入共享模型；分配车辆到效用函数值最小的邻近停车场。

根据本发明的第二方面实施例的停车位分配方法控制设备，包括：至少一个处理器，以及，与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行所述指令时实现如第一方面所述的停车位分配方法。

根据本发明的第三方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行第一方面所述的停车位分配方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明一实施例提供的停车位分配方法流程图；

图2为本发明另一实施例提供的停车位分配方法流程图；

图3为本发明另一实施例提供的停车位分配方法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

参照图1，为本发明一实施例提供的停车位分配方法流程图；

在一些实施例中，停车位分配方法包括以下步骤：

s100：获取当前时段停车位分配的影响参数；

具体的，当前时段停车位分配的影响参数表示当前停车需求和供应状态，它由可用的停车场数量、已占用的停车位数量以及请求停车引导的汽车数量组成。并且当前时段停车位分配的影响参数是由当前时段之前的多个时段共同决定的。

s200：获取当前时段的效果评价指标值；

具体的，当前时段的效果评价指标值是通过当前时间t之前的r个时间段的分配效果评价指标值决定的，在本实施例中，效果评价指标值为6个，利用如下公式：

yr(t)＝[yt,yt-1,…yt-(r-1)]，其中yt＝[p1(t),p2(t),p3(t),p4(t),p5(t),p6(t)]

其中，yr(t)为当前时段效果评价指标值，p1(t)表示为第1个分配效果评价指标值，同理，p2(t)至p6(t)代表相同含义。

s300：根据当前时段停车位分配影响参数和当前时段的效果评价指标值预测下一时段效果评价指标值；

具体的，停车位分配的影响参数为xr(t)和ur(t)，根据xr(t)、yr(t)、ur(t)共同作为预测下一时段效果评价指标值yr(t+1)。

s400：获取下一时段停车位分配影响参数；

具体的，利用xr(t)并使用支持向量机svm(supportvectormachine)得到xr(t+1)，在利用ur(t)并使用遍历法获得ur(t+1)，xr(t+1)和ur(t+1)共同作为停车位分配的影响参数。

可以理解的，svm(supportvectormachine)是一类按监督学习方式对数据进行二元分类的广义线性分类器，通过svm(supportvectormachine)得到的xr(t+1)，具有算法简单、较好鲁棒性的特点。

s500：根据下一时段的效果评价指标值和下一时段停车位分配影响参数，预测下下时段的效果评价指标值；

具体的，根据下一时段的效果评价指标值yr(t+1)和下一时段停车位分配影响参数xr(t+1)和ur(t+1)，作为神经网络模型的输入，预测出下下时段的效果评价指标值yr(t+2)。

s600：利用下一时段的效果评价指标值和下下时段的效果评价指标值，确定效用函数的参数系数，以利用效用函数分配停车位。

具体的，如果下下时段的效果评价指标值yr(t+2)与下一时段效果评价指标值yr(t+1)的值比较，其值增加最大的，也就是说，下下时段的效果评价指标值比下一时段的效果评价指标值得到最大程度的优化，则证明下一时段的参数预测的下下时段的效果评价指标值更优秀，则选择下一时段的停车位分配的影响参数ur(t+1)中的7个参数的组合，其参数组合的取值范围为7个参数的3^7种组合方式，选择出最佳组合作为效用函数的参数。

具体的，ur(t+1)中7个最佳组合是通过遍历方法进行的，即将从n个元素中取所有可能组合一一枚举出来，称为遍历n个元素。在本实施例中为，寻遍3^7种组合即2187种系数参数组合找到系数参数组合最优的效用函数，系数参数组合最优的效用函数可以理解为效用函数在此系数参数组合下值最小。

可以理解的，本实施例以及其他实施例中的下一时段、下下时段的参照时段为现时段t，即下一时段为t+1时段，下下时段为t+2时段。

参照图2，为本发明另一实施例提供的停车位分配方法流程图；

在一些实施例中，步骤s300具体包括以下步骤：

s310：获取当前时段之前多个时间段的停车位分配的影响参数和当前时段之前多个时间段的效果评价指标值，公式表示为：

yr(t)＝[yt,yt-1,…yt-(r-1)]，其中yt＝[p1(t),p2(t),p3(t),p4(t),p5(t),p6(t)]

其中，pi(t)为t时刻第i个分配效果评价指标值，其中，i＝1、2、3、4、5、6。

s320：根据当前时段之前多个时间段的停车位分配的影响参数和当前时段之前多个时间段的效果评价指标值建立神经网络模型；

具体的，当前时段之前的多个时段的停车位分配影响参数为xr(t)＝[xt,xt-1,…xt-(r-1)]，其中，xt＝[βt,γt,ηt]；

其中，βt为t时刻停车场中的可用停车位数，γt为t时刻停车场中的被占用停车位数，ηt为t时刻的停车请求数。

ur(t)＝[ut，ut-1，…ut-(r-1)]，其中，ut＝[α1(t)，α2(t)，α3(t)，α4(t)，α5(t)，α6(，)，α7(t)]；

其中，αi(t)为t时刻效用方程中第i个参数的系数，其中，i＝1、2、3、4、5、6、7。

具体的，上述多个时段的效果评价指标值为yr(t)＝[yt，yt-1，…yt-(r-1)]，其中，yt＝[p1(t)，p2(t)，p3(t)，p4(t)，p5(t)，p6(t)]，其中，pi(t)为t时刻，第i个分配效果评价指标值，i＝1、2、3、4、5、6，利用上述xr(t)，yr(t)，ur(t)组成的16个参数作为神经网络模型的输入参数即作为神经网络模型的输入层。

使用训练好的神经网络来预测六个性能指标值即上述中的yr(t)函数，并使用支持向量机来预测停车位分配的影响参数中的xr(t)，选择分配效果改善最高的参数组合作为下一阶段泊车引导操作的参数组合。

s330：根据神经网络模型获取下一时段的效果评价指标值。

具体的，在下一时段的效果评价指标值和当前时段停车位分配的影响参数作为神经网络模型输入层的输入参数时，上述神经网络模型的输出层的输出参数yr(t+1)，即当前时段的下个时段效果评价指标值，同时作为下下时段的输入层。

具体的，本发明中的设计了一个3层神经网络，包括输入层、隐含层和输出层，输入层包括16个神经元，输出层包括6个神经元。隐含层的神经元个数，根据经验公式得出，其中h为隐含层的神经元个数，m为输入层节点数目，n为输出层节点数目，a为1-10之间的调节常数。隐含层的激活函数为relu函数。

具体的，隐藏层采用relu函数，relu函数又称为修正线性单元，是一种分段线性函数，其弥补了其他激活函数梯度消失问题，relu函数的公式如下：

其中，z表示函数参数，当z＞0时，函数值为z，当z＜0时，函数值为0。对于relu函数求导为：

使用relu函数的优点为，一方面，在输入为正数的时候，不存在梯度消失问题；另一方面，relu函数具有计算速度快，原因在于relu函数只有线性关系，不管是前向传播还是反向传播，其计算速度都很快，在进行神经网络训练时更具有时效性。

可以理解的，神经网络隐藏层采用relu函数可以增加神经网络的非线性分割能力，是神经网络模型的训练速度和收敛速度更快，更具有实时性和高效性。

可以理解的，本实施例中神经网络输入层的16个神经元分别为当前时间t之前的r个时间段的r维度历史数据，这16个神经元的参数包括停车场数量、已占用的停车位数量以及请求停车引导的汽车数量、6个分配效果评价指标的值、效用函数的7个参数，其中效用函数的7个参数分别对应从汽车的当前位置到指定停车场的行驶时间，从指定停车场到驾驶员目的地的步行距离，停车费，开向停车场的汽车数量，找到空置停车位的概率，找到停车场附近的可用停车位的概率，停车舒适度。神经网络的输出层包括待预测的6个分配效果评价指标的值，其对应于驾驶员停车平均行驶距离、平均步行距离、停车路上拥挤程度、停车失败率、停车场利用率、全部停车场占用情况分布均匀度。

具体的，神经网络的其他参数如训练周期、学习速率、动量项等，采用试错法进行确认。通过保持其他参数不变，在一定范围内缓慢调节控制参数，从而确定其最优值。优化器选择rmsprop，损失函数选择mae即平均绝对误差。神经网络模型具体通过python编程调用keras工具包实现，其中，keras是一个由python编写的开源人工神经网络库，可以进行深度学习模型的设计、调试、评估、应用和可视化，训练模型时的输入数据均通过minmaxscaler工具实现0-1归一化，归一化处理可以提升神经网络模型精度，提升收敛速度，增强应用的失效性。

可以理解的，停车分配效果的好坏可以从多角度综合进行评估。从驾驶员的角度来看，较短的行驶距离和步行距离是优选的。但是，从城市的停车管理角度来看，即使以驾驶员便利为代价，以较少的交通拥堵来优化停车位的使用也是有益的。本实施例通过变异系数法即标准差与平均数的比值综合考虑驾驶员停车平均行驶距离、平均步行距离、停车路上拥挤程度、停车失败率、停车场利用率、全部停车场占用情况分布均匀度，进行停车效果综合评价。

具体的，本实施例建立了一个三层的神经网络，使用提前收集好的数据来训练神经网络以预测下一阶段的6个评价指标的值即yr(t+1)，通过不断训练神经网络来减小输出变量的预测值与输出变量的真实值之间的差距。我们通过支持向量机模型来预测下一阶段的xr(t+1)，最后将预测出来的xr(t+1)，yr(t+1)与3^7种参数组合ur(t+1)分别组成新的输入变量，输入到神经网络，预测下下时段即t+2时段的yr(t+2)。利用遍历法从3^7个结果中选择出总评价指标比历史数据改善最多的结果所对应的ur(t+1)参数组合，作为t+1时刻进行泊位分配的效用函数参数组合。

在一些实施例中，停车位分配的影响参数包括：

停车场数量、已占用的停车位数量、请求停车引导的汽车数量、当前位置到指定停车场的行驶时间、指定停车场到驾驶员目的地的步行距离、停车费、开向停车场的汽车数量、空置停车位的概率、停车舒适度、可用停车位的概率。

本实施例中以当前时段之前的r个时段决定为例，分别为公式：

xr(t)＝[xt,xt-1,…xt-(r-1)]，其中xt＝[βt,γt,ηt]

其中βt为t时刻停车场中的可用停车位数，γt为t时刻停车场中的被占用停车位数，ηt为t时刻的停车请求数；

ur(t)＝[ut,ut-1,…ut-(r-1)]，其中ut＝[α1(t),α2(t),α3(t),α4(t),α5(t),α6(t),α7(t)]

其中，r表示t时刻之前的时间节点αi(t)为t时刻效用方程中第i个参数的系数，其中，i＝1,2,3,4,5,6,7；

在一些实施例中，效果评价指标值包括：驾驶员停车平均行驶距离、平均步行距离、停车路上拥挤程度、停车失败率、停车失败率、停车场利用率、全部停车场占用情况分布均匀度。

本实施例中对效果评价指标值进行了具体的设置，其在神经网络模型训练中起着重要作用，通过当前时段的效果评价指标值和下个时段的效果评价指标值能够确定效用函数所要选择的停车位分配的影响参数u的函数，从而再利用遍历法获取到效用函数最佳的参数组合，最终求得效用函数的最小值，对每个停车场都进行效用函数值的计算，效用值最小的停车场为最优的停车位置。

在一些实施例中，上述步骤s600包括：

步骤s610：若下下时段效果评价指标值yr(t+2)大于当下时段yr(t+1)效果评价指标值，则判断下一时段为需要选取模型参数的时段，根据当前时段停车位分配影响参数确定效用函数的参数，以利用效用函数分配停车位。

更为具体的，如果yr(t+2)与yr(t+1)比较增加值最大，则认为下一时段的停车影响参数ur(t+1)为最佳的停车影响参数，使用遍历法对ur(t+1)中3^7个组合进行最佳组合遍历，最终选出7个最佳参数组合并应用到效用函数上，上述最佳参数组合为能够使效用函数的值最小化的参数组合。

参照图3，为本发明另一实施例提供的停车位分配方法流程图。

在一些实施例中，步骤s610包括：

步骤s611：利用遍历法，遍历下一时段停车位分配影响参数的所有系数组合，计算下下时段效果评价指标值；

具体的，本实施例中采用的效用函数公式为：

v(td,dw,cp,nc,a,pc,sp)＝λ1td+λ2dw+λ3cp+λ4nc+λ5a+λ6pc+λ7sp

其中，v是效用函数的输出值，t是从汽车的当前位置到指定停车场的行驶时间，d是从指定停车场到驾驶员目的地的步行距离，c是停车费，n开向停车场的汽车数量，a找到空置停车位的概率，p是停车舒适度，s是找到停车场附近的可用停车位的概率，上述七项为效用函数的7个参数，λ1至λ7是效用函数的系数。

可以理解的，上述效用函数包括了7个参数和相应的系数组合，即λ1td、λ2dw、λ3cp、λ4nc、λ5a、λ6pc、λ7sp。

s612：将计算得到的下下时段与下一时段效果评价指标相比较；下下时段比下一时段的效果评价指标增加最多的影响参数的系数组合作为下一时段效用函数参数的系数组合；

具体的，将ur(t+1)＝[ut,ut-1,…ut+2-r]求得的最佳参数组合3^7种组合方式中选择最优的组合作为上述效用函数的参数组合，即步骤s611中7个参数和相应系数的组合，最优组合即通过上述7个参数系数组合求得的效用函数值最小。

s613：利用下一时段的效用函数分配停车位。

对于每个停车场，计算停车效用函数值这一时段内每一个停车请求，基于步骤s612计算各停车场停车效用函数的值，指引驾驶员开向具有最低停车效用函数值的停车场。

在一些实施例中，步骤s611中确定最终的效用函数模型参数是利用遍历法选取效用函数模型参数。

具体的，ur(t+1)中7个最佳组合是通过遍历方法进行的，即将从n个元素中取所有可能组合一一枚举出来，称为遍历n个元素。在本实施例中为，寻遍3^7种组合即2187种系数组合找到系数组合最优的效用函数，系数组合最优的效用函数是效用函数在此系数组合下值最小。

在一些实施例中，神经网络模型输入层有十六个节点，输出层有六个节点，输入层输入为停车位分配的影响参数和当前时段的效果评价指标值，输出层为下一时段的效果评价指标值。

在一些实施例中，停车位分配方法还包括：

s700：当停车位分配请求大于目标停车场中的可用停车容量时，进入共享模型；

s800：分配车辆到效用函数值最小的邻近停车场。

具体的，在共享模式下，将汽车导引到分配的最佳停车场时没有可用的停车位，应该导航至次优停车场即效应函数第二低的停车场。重复此过程，直到汽车找到空的停车位。如果汽车无法成功进入所有停车场，则汽车将被拒绝，并且开始处理新的请求。如果两个停车场的停车效用函数的值相同，则将汽车引导至离目的地最近的停车场。如果有两辆车同时到达一个停车场，则该车首先请求停车指导以拥有该停车位。当请求停车的汽车进入导航的停车场时，停车场的状态将在数据库更新。在非共享模式下，如果汽车导引到分配的最佳停车场时没有可用的停车位，则该车将被拒绝，并且开始执行新的请求。

在共享模型下，如果最优停车场已经满了，将引导停车用户到次优停车场，优化体验。

本发明实施例还提供了停车位分配方法控制设备，其特征在于，包括：

至少一个处理器，以及，与至少一个处理器通信连接的存储器；其中，

存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如上述的停车位分配方法。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行上述实施例中的停车位分配方法。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。