一种基于大数据的停车场车位推荐系统及方法与流程

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.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。
6.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。
7.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。
8.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。
9.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。
10.一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。
11.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：++其中，代表驾龄转换值；代表事故率转化值；代表平均车速转化值；代表违章率转化值。
12.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。
13.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：其中，b为车位停车难度矩阵；h为车位信息数据矩阵；为系数向量矩阵；为干扰项矩阵；项矩阵；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的车位停车难度值为：其中，为截距；、、、为系数向量；、、为车位信息特征值；为干扰值；i=1，2，，n；利用最小二乘法估算得出最佳系数向量与干扰值。
14.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。
15.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。
16.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；所述车位偏好模型为：其中，为车位停车初始概率；为历史数据时间区间内包含的时间序列数的数量；为第段时间内车位的停车次数；为第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：其中，为车位停车生长概率；、、均为参数值，；在时，=；获取生长曲线函数拐点，记为m（，），拐点为生长曲线函数增长速度饱和点；在生长曲线函数中，开始阶段随着的增长，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，开始随着的增长的增长较为缓慢，增长速度趋近于0，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%。
17.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；构建判断函数：其中，；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的阈值数量。
18.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：其中，k为车位推荐得分；为归一化的基础车位得分；、、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；、、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。
19.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
20.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
21.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。
22.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。
23.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。
24.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。
25.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。
26.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。
27.一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。
28.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：++其中，代表驾龄转换值；代表事故率转化值；代表平均车速转化值；代表违章率转化值。
29.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：其中，b为车位停车难度矩阵；h为车位信息数据矩阵；为系数向量矩阵；为干扰项矩阵；项矩阵；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的车位停车难度值为：其中，为截距；、、、为系数向量；、、为车位信息特征值；为干扰值；i=1，2，，n；利用最小二乘法估算得出最佳系数向量与干扰值。
30.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；所述车位偏好模型为：其中，为车位停车初始概率；为历史数据时间区间内包含的时间序列数的数量；为第段时间内车位的停车次数；为第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：其中，为车位停车生长概率；、、均为参数值，；在时，=；获取生长曲线函数拐点，记为m（，），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；构建判断函数：其中，；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的阈值数量。
31.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：其中，k为车位推荐得分；为归一化的基础车位得分；、、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；、、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。
32.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：++其中，代表驾龄转换值；代表事故率转化值；代表平均车速转化值；代表违章率转化值。
33.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的车位停车难度值为：其中，为截距；、、、为系数向量；、、为车位信息特征值；为干扰值；i=1，2，，n；获取每个车位的车位停车难度值；设置时间序列数；构建车位偏好模型：其中，为车位停车初始概率；为历史数据时间区间内包含的时间序列数的数量；为第段时间内车位的停车次数；为第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：其中，为车位停车生长概率；、、均为参数值，；在时，=；获取生长曲线函数拐点，记为m（，），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；构建判断函数：其中，；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的阈值数量。
34.获取，并计算得出每个车位的；构建最佳车位推荐模型：其中，k为车位推荐得分；为归一化的基础车位得分；、、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；、、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。
35.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。
36.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。