一种停车群体诱导方法及装置与流程

本发明涉及停车诱导技术领域，特别涉及一种停车群体诱导方法及装置。

背景技术：

停车是当前国内城市，特别是大中城市热点区域的难题。由于早期规划等原因，这些区域所提供的停车位远少于进入的车辆，导致车辆在寻找停车位过程中，花费大量时间，浪费不必要的能源，引发交通拥堵等。由于在短期内，增加这些热点区域的停车位供应比较困难，因此强调在这些区域内提高停车位利用率就变得很重要，即需要实时的将车位信息推送给有需要的车辆，快速帮助车辆停车，这就是我们常说的车辆的停车诱导系统。

在当前的停车诱导系统应用中，主要的关注点都在停车信息的实时采集、整合和发布上，该行业的企业大部分都在从事类似的工作。停车信息的实时采集的主要技术手段是车牌识别、地磁识别、超声识别等感知技术，实时发布的主要技术手段主要是停车诱导屏，现在随着移动互联网的发展，实时发布也可以用手机作为载体，向行驶中的车辆推送停车场的实时车位信息。

无论是诱导屏还是手机，当前都只能将大量的数据推送到用户层面，需要用户自行选择目标停车场。这对用户来说，是一个很不好的体验，尤其是在车辆驾驶过程中。这也是影响目前绝大部分互联网停车类APP普及推广的一个重要原因。实际上，借鉴搜索引擎的发展情况，容易发现采用系统主动推荐匹配的方法无疑在这种应用场景下更具有优秀的用户体验，而匹配的精准程度将决定该应用的价值。

近两年来，大学及研究机构认为停车场匹配过程是一个智能决策过程，主要通过构造评价算法体系来进行研究。比如同济大学授权的专利申请号为：201410150943.2公开一种考虑停车时间的停车诱导系统的调控方法，通过计算车辆到达停车场和停车泊位的时间，作为推荐停车场的排序指标。而专利申请号为：201510782673.1提出了一种根据用户停车时长，停车频次所构建的诱导决策方法。

简言之，当前诱导技术的主要关注点是个体诱导，在用户进行诱导请求时，系统通过一个评价函数计算各备选停车场的得分，将得分最高的作为诱导目标推荐给用户，是一种最大化用户期望的决策优化方法。

由于当前诱导技术的主要考虑因素是个体诱导，即以最大化用户个体停车期望为目标，因此没有更为深入的考虑多用户之间停车的相互影响，也没有对区域停车资源整体利用率和整体用户满意度进行优化。目前，在高峰期内，基于个体诱导的技术，如可变信息板(VMS)，或者单纯通过手机APP提示车位信息的效果比较差，往往会导致某些停车场(比如医院，商场，大型写字楼)在一个时间窗口内进入车辆过多，导致该停车场迅速满位，出现局部停车难情况，但此时片区整体的停车资源实际并未得到充分利用，客观上形成了停车资源的浪费，也招来了用户的抱怨。

技术实现要素：

停车诱导最有价值的应用场景莫过于在热点区域的高峰时间段内，尽快的将涌入的车辆分散到区域内的各停车场中。此时，整个区域的停车资源比较紧张，因此这种情况下首先应该考虑的重点不是用户的最大停车期望，而是在用户可接受的停车范围内，如何最大化整个区域内停车位资源的使用率和整体用户的满意度，进而提升停车诱导系统的使用价值。基于此主要目的，本技术方案在于构建一种停车群体诱导方法及装置。

为实现上述目的，本发明提供了一种停车群体诱导方法，包括：

确定目标区域内用户的备选停车场，并根据所述备选停车场相对于对应用户的评价函数获得评价分值；

根据用户和对应所述备选停车场以及所述评价分值构建一节点容量限制的带权二部图G＝(X,Y,W)；其中，X表示用户节点和备选停车场节点的集合；Y表示用户节点和备选停车场节点之间存在的备选关系集合；W表示用户节点和备选停车场节点之间存在的备选关系的评估分值集合；

将所述节点容量限制的带权二部图G＝(X,Y,W)进行扩展，获得具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)；其中，S表示一新增数据源点；E表示一新增数据汇点；SY表示数据源点S到用户的边集合；SW表示边集合SY的权值集合；EY表示停车场到数据汇点E的边集合；EW表示边集合EY的权值集合；

计算所述具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)中从节点S到节点E的网络最大流，同时记录最大流形成条件下的用户和停车场的匹配关系；

根据所述最大流形成条件下的用户和停车场的匹配关系，向用户推送对应的停车场。

可选的，在本发明一实施例中，所述评价函数的表达式为：

其中，PE_j表示用户v_j的备选停车场集合；v_j表示用户集合中第j个用户；d_i表示备选停车场集合PE_j中第i个停车场距离对应用户的距离，T_p表示停车场p的总车位数量，E_p表示停车场p已停放的车位数量，d_p表示停车场P到对应用户的距离，α和β分别为调节因子，来调节距离和可用停车位对评价函数的影响，0＜α＜1,0＜β＜1。

可选的，在本发明一实施例中，所述权值集合EW的函数表达式为：

其中，表示停车场p_i的当前的剩余可用车位数量；第i个停车场的容量；是一个二值开关函数：当停车场剩余车位为0时，停车场对应节点的可用流量应该也为0，该函数将通过强制使得停车场的输出权值为0实现这一目的；停车场p_i的入度d^-(p_i)表示了当前有d^-(p_i)数量的车辆有可能选择该停车场，那么在p_i允许的容量范围内，即的情况下，其最大流就是：是一个拉格朗日系数，

可选的，在本发明一实施例中，所述权值集合SW的函数表达式为：

其中，d⁺(v_j)表示用户v_j的出度；在实际中，用户不可能同时停放到两个不同的停车场，中的可视为容量限制始终为1；是一个拉格朗日系数，

可选的，在本发明一实施例中，所述具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)中从节点S到节点E的网络最大流通过EK算法获得。

为实现上述目的，本发明还提供了一种停车群体诱导装置，包括：

评价分值获取单元，用于确定目标区域内用户的备选停车场，并根据所述备选停车场相对于对应用户的评价函数获得评价分值；

带权二部图构建单元，用于根据用户和对应所述备选停车场以及所述评价分值构建一节点容量限制的带权二部图G＝(X,Y,W)；其中，X表示用户节点和备选停车场节点的集合；Y表示用户节点和备选停车场节点之间存在的备选关系集合；W表示用户节点和备选停车场节点之间存在的备选关系的评估分值集合；

带权二部图扩展单元，用于将所述节点容量限制的带权二部图G＝(X,Y,W)进行扩展，获得具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)；其中，S表示一新增数据源点；E表示一新增数据汇点；SY表示数据源点S到用户的边集合；SW表示边集合SY的权值集合；EY表示停车场到数据汇点E的边集合；EW表示边集合EY的权值集合；

计算单元，用于计算所述具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)中从节点S到节点E的网络最大流，同时记录最大流形成条件下的用户和停车场的匹配关系；

诱导单元，用于根据所述最大流形成条件下的用户和停车场的匹配关系，向用户推送对应的停车场。

可选的，在本发明一实施例中，所述评价分值获取单元涉及的评价函数的表达式为：

其中，PE_j表示用户v_j的备选停车场集合；v_j表示用户集合中第j个用户；d_i表示备选停车场集合PE_j中第i个停车场距离对应用户的距离，T_p表示停车场p的总车位数量，E_p表示停车场p已停放的车位数量，d_p表示停车场P到对应用户的距离，α和β分别为调节因子，来调节距离和可用停车位对评价函数的影响，0＜α＜1,0＜β＜1。

可选的，在本发明一实施例中，所述带权二部图扩展单元涉及的权值集合EW的函数表达式为：

其中，表示停车场p_i的当前的剩余可用车位数量；第i个停车场的容量；是一个二值开关函数：当停车场剩余车位为0时，停车场对应节点的可用流量应该也为0，该函数将通过强制使得停车场的输出权值为0实现这一目的；停车场p_i的入度d^-(p_i)表示了当前有d^-(p_i)数量的车辆有可能选择该停车场，那么在p_i允许的容量范围内，即的情况下，其最大流就是：是一个拉格朗日系数，

可选的，在本发明一实施例中，所述带权二部图扩展单元涉及的权值集合SW的函数表达式为：

其中，d⁺(v_j)用户v_j的出度；在实际中，用户不可能同时停放到两个不同的停车场，中的可视为容量限制始终为1；是一个拉格朗日系数，

可选的，在本发明一实施例中，所述计算单元通过EK算法获得具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)中从节点S到节点E的网络最大流。

上述技术方案具有如下有益效果：

与基于个体诱导的技术相比，本技术方案最明显的优点以区域级停车资源利用率优化以及区域级用户整体满意度提高为目标，建立用户和停车场的带权二部图匹配模型，然后通过对带权二部图进行扩展，引入权值集合函数，将群体诱导的优化问题转化为网络最大流问题，随后基于EK算法进行求解。本发明在区域车位数量较为紧张时，除了能快速帮助用户找到停车场外，还能保证这些用户对推荐停车场整体的满意度最高，大幅提升了停车诱导系统的诱导质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本实施例应用场景示意图之一；

图2为本实施例提出的一种停车群体诱导方法流程图；

图3为本实施例应用场景示意图之二；

图4为本实施例构建的带权二部图示意图；

图5为本实施例扩展后的带权二部图示意图；

图6为本实施例扩展后的带权二部图执行一次EK算法后获得的残留网络示意图；

图7为本实施例提出的一种停车群体诱导装置框图。

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。

首先设立一个简化的应用场景，如图1所示。在一个区域内，随机的分布着一些停车场，记为集合P：

P＝{p_i}(i＝1..n)

也随机分布着一些用户，在本实施例描述中，用户指车辆及其司机。记为集合V：

V＝{v_j}(j＝1..m)

假设用户可容忍的停车范围是r(即某停车场距离用户超过r后，用户前去停车的可能性非常低)。则每个用户的r范围内，会存在一些停车场，由于距离较近，用户去前去停放的可能性较大，我们将用户r范围内的停车场称之为备选停车场，记为集合PE：

PE＝{(v_j,p_i)|d(v_j,p_i)≤r}(j＝1..m,i＝1..n)

其中，d(v_j,p_i)表示用户v_j和停车场p_i的欧氏空间距离。特别地，我们将用户v_j的备选停车场集合简记为：

PE_j＝{(v_j,p_i)|d(v_j,p_i)≤r}(i＝1..n)

这些备选停车场，受其和用户v_j的距离关系和自身可用车位的影响，还可以再通过某种计算方法，进行评分排序，形成有序列表。一般来说，距离越近，可用车位越多的，得分越高。从用户角度看，该序列实际上是表述了他的停车期望，得分越高的停车场，越满足用户此时此地的停车需求。因此该序列我们称之为用户v_j停车期望序列，记为集合

其中，F为停车场p相对于用户v_j的评价函数，实际上量化了用户的停车满意度，我们在稍后会给出该函数的一个具体的实现方式。

用户v_j会VE_j中在选择一个停车场前往停车，当然，如果该停车场的F值越高，用户会越满意，我们记这个选择为表示这个选择对应的目标停车场，表示这个选择对应的用户满意度。

因此，区域内的停车诱导实际上是一个优化问题，在保证用户能在r范围内停放的前提下，尽量提升用户的停车满意度。其优化目标定义如下：

对于停车资源相对充裕的片区或时间段，对上式的求解非常简单，只需每个用户选择对自己而言，值最大的停车场即可，则优化目标求解为：

这实际上就是当前针对个体诱导算法的优化模型。

但是当停车资源相对紧张时，该优化目标就不能如此简单的处理。因为可用车位的数量减少，当某些用户选择对他们而言F值最大的停车场时，将消耗光该停车场的可用车位，可能会使另一些用户的r范围内不再存在可用停车场的情况，即该用户的这种情况会带来用户的抱怨，事实上，这样的情况经常都在发生。

如图3所示，假设每个停车场仅剩余一个可用车位，而如图所示的用户和停车场的选择，都是该用户的最佳选择，这导致了有的用户(图中以星号标识)无法就近停车，不得不跑远再停。

解决高峰期诱导问题的关键在于需要考虑两个约束条件：1)停车场可用车位的约束，2)每个用户都存在r范围内可用的停车场。在保证这两个约束的条件下，最大化用户整体的满意度。

基于上述思路，本实施例提出的一种停车群体诱导方法，如图2所示。包括：

步骤201)：确定目标区域内用户的备选停车场，并根据所述备选停车场相对于对应用户的评价函数获得所述备选停车场的评价分值；

当用户进入该片区，有停车需要时，发起一个明确停车请求。此时系统将根据车辆的位置，行驶方向及车辆周边的停车场可用车位情况，计算出该用户在此时间及空间点上的备选停车场集合，并按照评价分值做降序排列。这是一种典型的基于个体的诱导方法，该方法在停车资源不是特别紧张时，比较奏效。此类方法可参见一些文献，我们在此不再赘述，仅给出一种具体的实现方式：

设F是一个评价函数，当用户发出停车请求时，系统根据这一评价函数来对用户周边的停车场：

其中，PE_j表示用户v_j的备选停车场集合；v_j表示用户集合中第j个用户；d_i表示备选停车场集合PE_j中第i个停车场距离对应用户的距离，T_p表示停车场p的总车位数量，E_p表示停车场p已停放的车位数量，d_p表示停车场P到对应用户的距离，α和β分别为调节因子，来调节距离和可用停车位对评价函数的影响，0＜α＜1,0＜β＜1。

由评价函数不难看出，该评价函数考虑的评价因素是停车场到用户距离和停车场的停放率。在该评价函数中，距离越近，停放率越低(可用车位越多)的车位的停车场，将越可能得到更高的评价值。在实际应用中，可以通过α和β(0＜α＜1,0＜β＜1)，两个因子来调节距离和可用车位对评价函数的影响。

经过F函数的计算后，每个用户都会形成VE集合，VE集合中存放了用户和其备选停车场的匹配关系以及每个备选停车场的评价分值。

步骤202)：根据用户和对应所述备选停车场以及所述备选停车场的评价分值构建一节点容量限制的带权二部图G＝(X,Y,W)；其中，X表示用户节点和备选停车场节点的集合；Y表示用户节点和备选停车场节点之间存在的备选关系集合；W表示用户节点和备选停车场节点之间存在的备选关系的评估分值集合；

在本实施例中，首先定义带权二部图G＝(X,Y,W),其中，X＝P∪V，W＝{w|w＝F(y(p),y(v)),y∈Y}，为边的权值集合，权值为该边的所计算出的评价得分。这样，我们就得到了形如图4所示的带权二部图。

步骤203)：将所述节点容量限制的带权二部图G＝(X,Y,W)进行扩展，获得具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)；其中，S表示一新增数据源点；E表示一新增数据汇点；SY表示数据源点S到用户的边集合；SW表示边集合SY的权值集合；EY表示停车场到数据汇点E的边集合；EW表示边集合EY的权值集合；

在实际中，由于停车场具有容量限制，即当停车场剩余车位为0时，该停车场不能再为其他车辆提供停车服务。同样的，用户也只能在一个停车场停放车辆，因此我们可以将用户也视为一个容量限制为1的节点。在求解具有容量限制的网络最大流问题中，我们可以通过对图进行扩展，将节点的容量限制，转化为边的流量限制，进而利用已有的算法进行求解。在本发明中，我们将已得到的带权二部图进行扩展，G′＝(X,Y,W,S,E,SY,EY,SW,EW)如图5所示。

扩展部分包括一个数据源点S，SY＝{＜S,v＞|v∈V}。一个数据汇点E，EY＝{＜p,E＞|p∈P}。同传统的带权二部图不同，由于不同的车辆可以进入同一停车场节点，也可以进入不同的停车场，因此，停车场p_i同数据汇点E之间的权值集合EW不是常量，而是一种函数关系：

其中：表示停车场p_i的当前的剩余可用车位数量。第i个停车场的容量。是一个二值开关函数：当停车场剩余车位为0时，停车场对应节点的可用流量应该也为0，该函数将通过强制使得停车场的输出权值为0实现这一目的。

停车场p_i的入度d^-(p_i)，表示了当前有d(p_i)数量的车辆有可能选择该停车场，那么在p_i允许的容量范围内，即的情况下，其最大流就是：这里的是一个拉格朗日系数，其构造为：

该系数限定了只有与停车场p_i存在备选关系的用户才能正常向后续节点、即数据汇点E输出流量，反之，该系数为0，将抑制该节点的流量输出。

类似的，数据源点S与各用户v_j之间的权值集合SW为：

其中，与数据汇点E稍有不同的是，由于在实际中，用户不可能同时停放到两个不同的停车场，可视为容量限制始终为1。即另外，数据源点S其合并的流量为用户v_j的出度流量，用d⁺(v_j)表示。是一个拉格朗日系数，

步骤204)：计算所述具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)中从节点S到节点E的网络最大流，同时记录最大流形成条件下的用户和停车场的匹配关系；

通过上述方法，我们将停车诱导问题转换成了易于求解的网络最大流模型。初始的权值二部图转化为一个典型的网络流问题，本发明在EK(EdmondsKarp)算法的基础上，进行对该网络最大流的求解。

首先我们定义该网络的残留网络，同一般的网络最大流问题不同，本发明在数据源点和数据汇点处的流量不是常量，而是一种带有随机性质的函数关系来确定的，因此需要定义其反向流量，并进一步得到残留网络。

以数据汇点E为例，E的正向流量被定义为函数关系其随机特性主要由来实现。在用户v_j未与停车场p_i形成匹配之前，p_i点的输出流量未知，但一旦＜v_j,p_i＞形成匹配，根据w(p_i,E)的函数关系，其输出流量则可常量化为w(v_j,p_i)，该值同时作为后向弧的权值。同时注意到v_j将占据p_i的一个车位，因此p_i的容量将减少1个车位，将对残留网络的流量产生影响。据此我们给出该网络的残留网络的计算方法：

记w'(p_i,E)为＜p_i,E＞边的残留网络流量，则：

相似的，对于数据源点S有：

其中，上式中R_pi取值为1，因为C(0)＝0，所以对数据源点S而言，一旦用户匹配好停车场，其残余流量立刻归零。对于任意＜v_j,p_i＞∈Y的流量，出于同样的原因，其残余流量都是一个两元素集合，w'(v_j,p_i)＝{0,w(v_j,p_i)}。

EK算法实际上是在残留网络中发现增广路径，而增广路径往往需要借助反向流量(后向弧)来发现，在该网络中，由于反向流量是已确定的w(v_j,p_i)形成的，因此同一般的网络最大流中处理相同。

上述的处理过程，实际上是一次EK算法的迭代过程，设用户v₁和停车场p_n，构成了匹配关系＜v₁,p_n＞，则该网络在执行一次针对路径＜S,v₁,p_n,E＞的EK算法后，其残留网络将如图6所示。

现在我们可以基于EK算法求解该网络最大流：

a)采用BFS(广度优先最短路径算法)寻找一条从数据源点S到数据汇点E的最大权值路径，记录＜v_j,p_i＞的匹配情况以及得到的权值总和；其中，权值总和为最大权值路径中每条边的权值的总和；每条边的权值是通过评价函数确定的。

b)构造基于该最大权值路径的残留网络(包括后向弧)，通过残留网络计算方法重新标定弧上的权值w'(p_i,E)，w'(S,v_j)以及w'(v_j,p_i)；

c)在残留网络中，采用BFS算法寻找从数据源点S到数据汇点E的增广路径。具体步骤包括：

i)如果找到了一条增广路径，则记录在该条件下的＜v_j,p_i＞匹配情况以及新路径加入后的权值总和。如果找到的增广路径包含了反向弧，则意味着反向弧连接的＜v_j,p_i＞不满足基于最大流的原则，需要解除该匹配；EK算法重新执行步骤b。

ii)如果残留网络中不再存在从数据源点S到数据汇点E的增广路径，则算法结束。

最终，将得到一组用户和停车场的匹配关系＜v_j,p_i＞，该关系满足我们之前的预想效果：每个用户在可接受的停车范围内有可用车位的停车场。并且，所有用户和停车场的匹配评价分值之和最大，即用户将对这些匹配的停车场比较满意。

步骤205)：根据所述最大流形成条件下的用户和停车场的匹配关系，向用户推送对应的停车场。

通过移动终端，比如手机APP，我们可以将这些已匹配好的停车场及其导航信息逐一发送给用户，帮助他们快速的停放好车辆，最大化区域的停车资源利用率。

如图7所示，为本实施例提出的一种停车群体诱导装置框图。包括：

评价分值获取单元701，用于确定目标区域内用户的备选停车场，并根据所述备选停车场相对于对应用户的评价函数获得所述备选停车场的评价分值；其中，所述评价分值获取单元701涉及的评价函数的表达式为：

其中，PE_j表示用户v_j的备选停车场集合；v_j表示用户集合中第j个用户；d_i表示备选停车场集合PE_j中第i个停车场距离对应用户的距离，T_p表示停车场p的总车位数量，E_p表示停车场p已停放的车位数量，d_p表示停车场P到对应用户的距离，α和β分别为调节因子，来调节距离和可用停车位对评价函数的影响，0＜α＜1,0＜β＜1。

带权二部图构建单元702，用于根据用户和对应所述备选停车场以及所述备选停车场的评价分值构建一节点容量限制的带权二部图G＝(X,Y,W)；其中，X表示用户节点和备选停车场节点的集合；Y表示用户节点和备选停车场节点之间存在的备选关系集合；W表示用户节点和备选停车场节点之间存在的备选关系的评估分值集合；

带权二部图扩展单元703，用于将所述节点容量限制的带权二部图G＝(X,Y,W)进行扩展，获得具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)；其中，S表示一新增数据源点；E表示一新增数据汇点；SY表示数据源点S到用户的边集合；SW表示边集合SY的权值集合；EY表示停车场到数据汇点E的边集合；EW表示边集合EY的权值集合；其中，所述带权二部图扩展单元涉及的权值集合EW的函数表达式为：

其中，表示停车场p_i的当前的剩余可用车位数量；第i个停车场的容量；是一个二值开关函数：当停车场剩余车位为0时，停车场对应节点的可用流量应该也为0，该函数将通过强制使得停车场的输出权值为0实现这一目的；停车场p_i的入度d^-(p_i)表示了当前有d^-(p_i)数量的车辆有可能选择该停车场，那么在p_i允许的容量范围内，即的情况下，其最大流就是：是一个拉格朗日系数，

所述带权二部图扩展单元涉及的权值集合SW的函数表达式为：

其中，d⁺(v_j)表示用户v_j的出度；在实际中，用户不可能同时停放到两个不同的停车场，中的可视为容量限制始终为1；是一个拉格朗日系数，

计算单元704，用于计算所述具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)中从节点S到节点E的网络最大流，同时记录最大流形成条件下的用户和停车场的匹配关系；

对于本实施例来说，所述计算单元704通过EK算法获得具有函数关系权值的带权二部图G′＝(X,Y,W,S,E,SY,EY,SW,EW)中从节点S到节点E的网络最大流。

诱导单元705，用于根据所述最大流形成条件下的用户和停车场的匹配关系，向用户推送对应的停车场。

本案对一个区域内的所有车辆进行群体诱导，其目的是提高区域内停车资源的利用率，同时提高片区内用户整体的满意度。本案由多个诱导周期组成，每个诱导周期持续10～15秒，为片区内已提出诱导请求的用户匹配可用的停车场。本发明已经过数据仿真模拟，能快速得到区域群体诱导的最佳匹配，此时用户的评价值之和最大，即整体用户满意度最高。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一般计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

本领域技术人员还可以了解到本发明实施例列出的各种功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

以上具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。