实现区域关联疏导的城市大脑平台停车管理系统和方法与流程

本发明涉及智慧城市，特别涉及一种实现区域关联疏导的城市大脑平台停车管理系统和方法。

背景技术：

1、城市大脑平台是基于计算机软硬件建立城市空间的数字孪生实体，进而实现信息感知、仿真模拟、资源调度、分布式控制以及动态可视化等功能。城市大脑平台以各类传感器和智能前端设施构建基础层，并通过nb-iot等广域覆盖的无线物联网实现相关事件和数据的感知上报；进而，在支撑层实现数据集成，并融合各种面向细分领域和专业场景的支撑功能和算法进行数据分析；最终，支持在应用层实现各种城市运行相关的业务流程，执行图形化的显示和图表统计，实现预警和辅助决策功能；应用层的指令也通过无线物联网下行传输至基础层的各种智能前端设施，以便控制智能前端设施执行必要的操作。

2、随着城市车辆保有量的不断扩大，停车管理与疏导已经成为城市交通运行的一个关键问题，也是城市大脑平台的一个重要的细分应用场景。现有技术中城市大脑平台与停车相关的功能还局限在停车位空余量统计、热力图绘制等相对简单、固定的层面。现有技术中亟待一种解决方案，使城市大脑平台能够有效治理交通秩序，避免停车供需矛盾不均衡引发违章停车等问题，高效利用停车位空间资源。

技术实现思路

1、为了改进城市大脑平台的停车管理功能，本发明提供一种实现区域关联疏导的城市大脑平台停车管理系统和方法。本发明能够对一定城市区域范围内的停车位资源进行实时统计监测，以及对本区域车辆的停车需求量进行准确预测，进而实现停车位资源与停车需求量的匹配分析，对于停车位资源不能满足停车需求量的情况下执行实时疏导。

2、本发明提供的一种实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，包括：

3、停车位数据接口，用于接收城市大脑平台基础层的停车位传感器上传的每个停车位的状态数据；

4、区域停车位实时统计模块，用于根据选定的城市空间区域，通过实时统计每个停车位的状态数据，确定所述城市空间区域的可用停车位数量时序向量；

5、热点区域标注模块，用于根据所述城市空间区域的可用停车位数量的时序向量，对热点城市空间区域标注当前的停车资源饱和度；

6、区域关系拓扑模块，用于根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重；

7、区域预测模块，用于根据所述热点城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与热点城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度；

8、停车区域疏导模块，用于根据其他城市空间区域的停车资源饱和度，确定面向热点城市空间区域的疏导策略。

9、优选的是，所述停车位数据接口接收表明停车位“占用状态”或“可用状态”的状态数据以及停车位id号。

10、优选的是，所述区域停车位实时统计模块用于面向任何一个选定的城市空间区域，从停车位数据接口查询、提取位于在该城市空间区域以内的全部停车位的所述状态数据；进而，以预设的时间长度为一个统计窗口，逐个统计窗口对该城市空间区域内全部停车位的所述状态数据的进行实时统计，获得每个统计窗口内的可用停车位数量，进而按照统计窗口的时序进行排列，形成所述城市空间区域的可用停车位数量的时序序列。

11、优选的是，所述区域标注模块根据每个城市空间区域对应的可用停车位数量的时序序列向量，将可用停车位数量低于特定阈值的统计窗口标注为热点窗口，进而，根据在该时序序列向量表示的统计窗口上热点窗口不同的分布模式，对该城市空间区域标注停车资源饱和度标签向量。

12、优选的是，所述区域关系拓扑模块通过所述区域关系拓扑表示城市空间区域之间具备的空间联通关系的类型，所述空间联通关系的类型用城市空间区域之间的道路等级区分；并且，所述区域关系拓扑通过空间联通关系权重矩阵的权重值表示2个城市空间区域之间的空间联通关系的强度，所述权重值与城市空间区域之间的道路车流量成正比。

13、优选的是，区域预测模块的神经网络模型输入为城市大脑平台应用的城市空间区域集合及其相关的可用停车位数量时序序列向量集合，停车资源饱和度标签集合，城市空间区域的区域关系拓扑以及相关的空间联通关系的类型集合、标签向量类型集合以及空间联通权重矩阵，并通过训练确定神经网络模型所有参数矩阵的参数向量，获得对城市区域空间进行停车资源饱和度标签分类的模型。

14、优选的是，所述神经网络模型表示为；其中，输入集合，即为城市大脑平台应用的至个城市空间区域集合及其相关的可用停车位数量时序序列向量集合，停车资源饱和度标签集合，城市空间区域的区域关系拓扑以及相关的空间联通关系的类型集合、标签向量类型集合以及空间联通权重矩阵；是神经网络模型所有参数矩阵构成的参数向量；并且在该神经网络模型训练过程中，初始化 计算该神经网络模型中  的第  层特征表示：

15、这里，, 是的神经网络模型第  层的输出特征，是第  层的特征维度, 表示逐元的最大值激活函数, 表示和有关系  的城市区域空间的指标集合， 表示提前给定的标准化常数，是第  层的未知权重参数矩阵， 是神经网络模型的隐藏层层数，该神经网络模型的softmax分类层的输出：；其中，向量  的第个元素 。并且，计算分类损失：；

16、其中， 是有停车资源饱和度标签指标集， 是one-hot标签  的第 个元素。

17、优选的是，所述停车区域疏导模块面向任一个城市空间区域执行停车疏导时，当最近的一个统计窗口该区域的可用停车位数量低于特定阈值时候，根据区域预测模块为与该区域具有空间联通关系的其他城市空间区域的停车资源饱和度标签，从中选取停车资源饱和度标签与该城市空间区域属于不同类型的其它城市空间区域，作为停车资源疏导的目标区域，进而，根据距离、道路等级、车流量等因素，从目标区域中选取实际的疏导区域。

18、优选的是，所述停车区域疏导模块基于无线物联网向任一个城市空间区域相关的停车提示显示屏，发送疏导消息，基于疏导消息的显示，实现向实际疏导区域的停车疏导。

19、本发明进而提供的一种实现区域关联疏导的城市大脑平台停车管理方法，包括如下步骤：

20、接收城市大脑平台基础层的停车位传感器上传的每个停车位的状态数据；

21、根据选定的城市空间区域，通过实时统计每个停车位的状态数据，确定所述城市空间区域的可用停车位数量时序向量；

22、根据所述城市空间区域的可用停车位数量的时序向量，对城市空间区域标注当前的停车资源饱和度；

23、根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重；

24、根据所述城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度；

25、根据其他城市空间区域的停车资源饱和度，确定面向热点城市空间区域的疏导策略。

26、可见，本发明的城市大脑平台针对停车管理和疏导，以城市空间区域为基本单位，在停车位的可用信息实时采集和统计监测的基础上，通过时序向量和停车资源饱和度标签向量标注实现定量化表征，进而基于城市空间区域的交通、车流等关系拓扑，以深度训练后的神经网络，实现热点城市区域空间相关联的城市区域空间的停车资源饱和度预测和标签分类表示，进而实现针对性的停车疏导。本发明置入了深度学习机制，提升了停车疏导的精确度、预测性和高效性，提升了城市大脑平台在停车管理和疏导方面的水平。