一种基于大数据的停车诱导方法、终端设备及存储介质与流程

本发明涉及大数据分析分析领域，尤其涉及一种基于大数据的停车诱导方法、终端设备及存储介质。
背景技术：
：近年来城市化进程逐渐加快，轿车已然成为居民出行不可或缺的一部分。然而轿车出行量的日益庞大也引发了停车难的问题，有些地区甚至出现了“一位难求”的地步。车位不足引发了违停乱停的交通现象，对道路的畅通和城市的形象造成了影响。技术实现要素：针对上述问题，本发明旨在提供一种基于大数据的停车诱导方法、终端设备及存储介质，以实现对停车场空闲停车位的有效利用，解决车主停车难的问题。具体方案如下：一种基于大数据的停车诱导方法，包括以下步骤：s1：建立停车位点位信息模型，所述停车位点位信息模型中包括与各停车场的入口点位信息和各停车场中的各停车位的点位信息，所述点位信息包括对应位置的经纬度坐标和点位的序号；s2：采集各停车场的车位状况数据，并进行存储；所述车位状况数据包括停车场的每日停车数量，每日空闲停车位的最大值、最小值和均值，各时间段中各停车位的车辆驶入率和驶出率，各时间段中停车场附近的车流量，各时间段车主发起停车请求的数量，和当前时间段的空闲停车位数量；s3：当接收到车主发出停车请求时，确定当前车主点位；s4：在停车位点位模型中，根据预设的辐射范围，查找在当前车主点位的辐射范围之内的所有停车场的入口点位，并计算查找到的所有停车场的入口点位的匹配度；s5：设置停车场筛选阈值s(l)＝{n(o)}，其中，n(o)表示车主o辐射到的停车场数量，根据计算的所有停车场的入口点位的匹配度，将大于或等于停车场筛选阈值的停车场的入口点位对应的停车场设定为初步筛选停车场；s6：计算所有初步筛选停车场的空闲停车位期望值；s7：根据初步筛选停车场的空闲停车位期望值，通过加权算法得到空闲停车位的最终期望值；s8：根据最终期望值，将最终期望值最高的空闲停车位的停车位序号和行程路线发送给车主。进一步的，车主点位v(o)通过以下公式进行计算：v(o)＝{lat(o)，lng(o)}其中，o为车主点位的序号，lat()表示经度，lng()表示纬度。进一步的，匹配度s(p)的计算公式为：s(p)＝{v(o)，v(p)，r(p)，n(p)}其中，p为停车场的序号，v(p)为停车场p的入口点位计算函数，r(p)表示当前时间段对应的时间段内停车场p附近的车流量，n(p)表示停车场当前时间段的空闲停车位数量。进一步的，空闲停车位期望值w(i)的计算公式为：w(i)＝{inavg(i)，outavg(i)，inmax(i)，outmax(i)，inf(t)}其中，i为停车位的序号，inavg()表示车位日驶入量均值，outavg()表示车位日驶出量均值，inmax()表示车位日驶入量最大值，outmax()表示车位日驶出量最大值，inf(t)表示时间段t内影响车位中车辆进出频率的因素。进一步的，步骤s7中所述加权算法为最终期望值＝b*空闲停车位期望值+a*空闲停车位对应的停车场的匹配度，其中，权重b根据停车位被占率和车位出入的频繁程度确定，权重a根据停车场的空闲车位数和空闲车位与停车场入口之间的距离来确定。进一步的，当同一时间段内接收到n名车主发出停车请求时，且计算的n名车主的初步筛选停车场均相同时，使用轮赌原则p(i)＝e(i)/e(sum)来为n名车主分配停车位，其中，p(i)为车位被分配到第i名车主的概率，e(i)为第i名车主对该车位的最终期望值，e(sum)＝e(1)+e(2)+e(3)+…+e(n)为n名车主的所有最终期望值之和。一种基于大数据的停车诱导终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。一种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程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。本发明采用如上技术方案，通过对周边辐射到的停车场结合距离和停车数量及其它车流量影响进行初步筛选，并对停车场内车位各个时间段进出车流量进行数据收集，通过运用大数据技术对各停车位点海量数据的分析，结合不同算法的组合对不同停车位进行匹配计算，从而给出车主最佳的停车位点组和路线方案，能够更好的实现停车场空闲停车位的有效利用，从而解决车主停车难的问题。附图说明图1所示为本发明实施例一的示意图。具体实施方式为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。现结合附图和具体实施方式对本发明进一步说明。实施例一：参考图1所示，本发明提供了一种基于大数据的停车诱导方法，包括以下步骤：s1：建立停车位点位信息模型，所述停车位点位信息模型中包括与各停车场的入口点位信息和各停车场中的各停车位的点位信息。所述点位信息包括对应位置的经纬度坐标和点位的序号。所述经纬度坐标可以采用现有的常用坐标定位方法来进行采集，如通过gps定位来进行采集。需要说明的是，停车场的入口点位信息中包括入口处的经纬度坐标和该停车场入口对应的序号，如图1中停车场a对应的序号为32，停车场b对应的序号为19。此处的需要本领域技术人员可以自行设定。各停车位的点位信息中，由于停车位为通常为长方形，可以选择其与道路相邻的一点为该停车位的点位，其序号可以为各停车场中已设定好的编号，如1028等等。通过建立模型来记录个停车场的入口坐标和其内各停车位的入口坐标，一方面可以根据坐标判断各停车场入口与车主之间的距离，另一方面当选定停车场时，能够为车主规划合适的路线。s2：采集各停车场的车位状况数据，并进行存储。所述车位状况数据包括停车场的每日停车数量，每日空闲停车位的最大值、最小值和均值，各时间段中各停车位的车辆驶入率和驶出率，各时间段中停车场附近的车流量，各时间段车主发起停车请求的数量，和当前时间段的空闲停车位数量。所述车位状况数据可以通过停车场内设置的摄像头或地磁传感器等来进行获取。进一步的，为了在采集的所有车位状况数据中提取有效数据，步骤s2中采集各停车场的车位状况数据后，还进行数据筛选，剔除掉重复数据和无效数据。该实施例中具体为：筛选掉各时间段车主重复发起的停车请求次数，同时排除由于本地服务器延迟和故障原因造成的数据错误上报，提取其中的地磁设备正常运转和本地数据正常上报的有效数据进行存储。该实施例中，搭建了大数据的分析平台，具体包括：搭建springcloud分布式服务，配置eureka注册中心，构建feign客户端组件进行参数传递，配置ribbon负载均衡和hystrix熔断实现服务稳定性。该实施例中，所述车位状况数据可以存储在oracle等关系型数据库中，在其他的实施例中，也可以存储在其他的mysql等本地数据库或云端数据库中，在此不做限制。进一步的，针对车位状况数据的读取率高的数据，可以采用redis数据库进行高效存取，如当前时间段的空闲停车位数量。s3：当接收到车主发出停车请求时，确定当前车主点位v(o)。所述车主点位v(o)通过以下公式进行计算：v(o)＝{lat(o)，lng(o)}其中，o为车主点位的序号，lat()表示经度，lng()表示纬度。s4：在停车位点位模型中，根据预设的辐射范围r，查找在当前车主点位的辐射范围r之内的所有停车场的入口点位，并计算查找到的所有停车场的入口点位的匹配度s(p)。所述匹配度s(p)的计算公式为：s(p)＝{v(o)，v(p)，r(p)，n(p)}其中，p为停车场的序号，v(p)为停车场p的入口点位计算函数，r(p)表示当前时间段对应的时间段内停车场p附近的车流量，n(p)表示停车场当前时间段的空闲停车位数量。s5：设置停车场筛选阈值s(l)＝{n(o)}，其中，n(o)表示车主o辐射到的停车场数量，根据计算的所有停车场的入口点位的匹配度，将大于或等于停车场筛选阈值s(l)的停车场的入口点位对应的停车场设定为初步筛选停车场。表1所示为停车场初步筛选示意表。表1停车场匹配度s筛选结果a25.52通过b20.19通过c0.09淘汰d1.46淘汰e3.26淘汰s6：计算所有初步筛选停车场的空闲停车位期望值w(i)：w(i)＝{inavg(i)，outavg(i)，inmax(i)，outmax(i)，inf(t)}其中，i为停车位的序号，inavg()表示车位日驶入量均值，outavg()表示车位日驶出量均值，inmax()表示车位日驶入量最大值，outmax()表示车位日驶出量最大值，inf(t)表示时间段t内影响车位中车辆进出频率的因素。s7：根据初步筛选停车场的空闲停车位期望值，通过加权算法e(i)＝a*s(p)+b*w(i)得到空闲停车位的最终期望值e，其中加权值a主要考量停车场中空闲停车位数和空闲车位与停车场入口之间的距离，加权值b主要考量车位被占率及车位出入的频繁程度。表2所示为停车位匹配期望示意表。表2s8：根据最终期望值，将最终期望值最高的空闲停车位的停车位序号和行程路线发送给车主。需要说明的是，当同一时间段同一区域n名车主同时发起请求时，依照s7计算出来的最终期望值e，采用轮赌原则p(i)＝e(i)/e(sum)为其分配停车场，其中p(i)为该车位被分配到第i名车主的概率，e(i)为第i名车主对该车位的最终期望值，e(sum)＝e(1)+e(2)+e(3)+…+e(n)为所有最终期望值之和。本发明实施例一通过对周边辐射到的停车场结合距离和停车数量及其它车流量影响进行初步筛选，并对停车场内车位各个时间段进出车流量进行数据收集，通过运用大数据技术对各停车位点海量数据的分析，结合不同算法的组合对不同停车位进行匹配计算，从而给出车主最佳的停车位点组和路线方案，能够更好的实现停车场空闲停车位的有效利用，从而解决车主停车难的问题。实施例二：本发明还提供一种基于大数据的停车诱导终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。进一步地，作为一个可执行方案，所述基于大数据的停车诱导终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于大数据的停车诱导终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述基于大数据的停车诱导终端设备的组成结构仅仅是基于大数据的停车诱导终端设备的示例，并不构成对基于大数据的停车诱导终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于大数据的停车诱导终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于大数据的停车诱导终端设备的控制中心，利用各种接口和线路连接整个基于大数据的停车诱导终端设备的各个部分。所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于大数据的停车诱导终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。本发明还提供一种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程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。所述基于大数据的停车诱导终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)以及软件分发介质等。尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。当前第1页12