基于大数据和深度学习的停车诱导方法和系统技术方案

本发明专利技术涉及一种停车诱导方法及系统，用于辅助用户选择目的地附近的停车场。所述方法包括：获取表示用户到达目的地时间的第一时间；获取预设的筛选条件；预测在所述第一时间符合所述预设筛选条件的第一停车场集合；根据预测结果输出具有最优条件的停车场。所述系统包括时间获取模块、条件设置模块、预测模块、输出模块以及导航模块。上述方法及系统可以避免停车的人力和时间成本的浪费，又相对准确可避免停车失败的问题。

【技术实现步骤摘要】

本专利技术涉及停车导航
，特别是涉及一种基于大数据和深度学习的停车诱导方法和系统。
技术介绍
停车诱导技术是辅助用户选择停车场的技术。传统的停车诱导方法，将符合用户要求的所有停车场中距离用户预设目的地最近的停车场推荐给用户。并且根据使用的地点不同，一般存在两种情况。如果用户将车开到目的地后使用停车诱导，如图10a所示，那么从出发地到目的地的距离加上从目的地到被推荐的停车场的距离总会大于(大于的概率非常大)或等于从出发地到被推荐的停车场的距离(因为三角形的两边长之和肯定大于第三边长)，因此会增加用户的开车里程、延长用户的开车时间，从而造成用户成本的增加和用户时间的浪费。如果用户在出发地或距离目的地较远处使用停车诱导，如图10b所示，那么符合用户要求的停车场必然较远，因此会导致用户将车开到停车场需要较长时间，而在这较长时间内被推荐的停车场内的情况已经发生了变化(例如从有空闲停车位变为无空闲停车位)，那么就会导致用户停车失败。因此，传统的停车诱导方法存在增加用户成本的问题或者停车失败的问题。
技术实现思路
基于此，有必要提供一种能够提前且准确为用户推荐停车场的停车诱导方法。此外，还提供一种停车诱导系统。一种停车诱导方法，用于辅助用户选择目的地附近的停车场，包括：获取表示用户到达目的地时间的第一时间；获取预设的筛选条件；预测在所述第一时间符合所述预设筛选条件的第一停车场集合；根据预测结果输出具有最优条件的停车场。在其中一个实施例中，所述第一时间由用户提供或按照如下方法计算：获取当前位置和目的地位置；计算当前位置和目的地位置之间的最优路径的长度，作为第一距离；根据所述第一距离和车速计算到达目的地所需的第一时长；将当前时间加上所述第一时长得到所述第一时间。在其中一个实施例中，获取当前位置的方法为用户输入或定位获得，所述目的地位置为用户预设。在其中一个实施例中，所述预设的筛选条件包括距离约束条件和车位空闲状况约束条件。在其中一个实施例中，所述预设的筛选条件由用户设置或当用户没有设置时，调取默认条件。在其中一个实施例中，所述预测在所述第一时间符合所述预设筛选条件的第一停车场集合的步骤包括：根据所述距离约束条件筛选出第二停车场集合；将所述第二停车场集合中、当前时间每一停车场的状况输入对应停车场的已训练深度神经网络进行深度学习，得到所述每一停车场的已训练深度神经网络的输出；将所述每一停车场的已训练深度神经网络的所述输出作为对应停车场在所述第一时间的空闲状况；根据所述空闲状况约束条件从第二停车场集合中筛选出第一停车场集合。在其中一个实施例中，所述空闲状况采用空闲车位的比例、数量或根据所述比例、数量定义的预设状态来表示。在其中一个实施例中，在预测之前，还包括：采用所述每一停车场的具有所述第一时长跨度的空闲状况数据训练所述每一停车场的深度神经网络：选取任意一对具有第一时长跨度的起始时间和结束时间；将所述起始时间的所述每一停车场空闲状况数据和结束时间的所述每一停车场空闲状况数据输入所述每一停车场的深度神经网络进行训练；重复上述过程，直至得到所述每一停车场的已训练深度神经网络。在其中一个实施例中，还将所述起始时间的停车场空闲状况数据和结束时间的停车场空闲状况数据存入大数据。一种停车诱导系统，用于辅助用户选择目的地附近的停车场，包括：时间获取模块，用于获取表示用户到达目的地时间的第一时间；条件设置模块，用于获取预设的筛选条件；预测模块，用于预测在所述第一时间符合所述预设筛选条件的第一停车场集合；输出模块，根据预测结果输出具有最优条件的停车场；导航模块，利用导航系统规划从当前位置到达所述具有最优条件的停车场的路线。在其中一个实施例中，所述时间获取模块包括供用户输入第一时间的输入单元；或所述时间获取模块包括：位置获取单元，用于获取当前位置和目的地位置；距离计算单元，用于计算当前位置和目的地位置之间的最优路径的长度，作为第一距离；时长计算单元，用于根据所述第一距离和车速计算到达目的所需的第一时长；时间计算单元，用于将当前时间加上所述第一时长得到所述第一时间。在其中一个实施例中，所述预设的筛选条件包括距离约束条件和车位空闲状况约束条件。在其中一个实施例中，所述条件设置模块包括用户设置单元和系统设置单元；所述用户设置单元供用户设置所述预设的筛选条件；所述系统设置单元设置系统默认条件，用于当用户没有设置筛选条件时，供调取。在其中一个实施例中，所述预测模块包括：依距离筛选单元，用于根据所述距离约束条件筛选出第二停车场集合；深度神经网络处理单元，用于将所述第二停车场集合中、当前时间每一停车场的状况输入对应停车场的已训练深度神经网络进行深度学习，得到所述每一停车场的已训练深度神经网络的输出；并将所述每一停车场的已训练深度神经网络的所述输出作为对应停车场在所述第一时间的空闲状况；依空闲状况筛选单元，用于根据所述空闲状况约束条件从第二停车场集合中筛选出第一停车场集合。在其中一个实施例中，所述空闲状况采用空闲车位的比例、数量或根据所述比例、数量定义的预设状态来表示。在其中一个实施例中，还包括训练模块，用于采用所述每一停车场的具有所述第一时长跨度的空闲状况数据训练所述每一停车场的深度神经网络，包括：选择单元，用于选取任意一对具有第一时长跨度的起始时间和结束时间；训练单元，将所述起始时间的所述每一停车场空闲状况数据和结束时间的所述每一停车场空闲状况数据输入所述每一停车场的深度神经网络进行训练；循环控制单元，用于控制所述选择单元和训练单元重复工作。在其中一个实施例中，还包括大数据，用于存储所述起始时间的停车场空闲状况数据和结束时间的停车场空闲状况数据。上述停车诱导方法及系统，通过预估车辆到达目的地的第一时间，并预测在第一时间时各停车场的车位变化，根据预测结果推荐停车场。进而可以利用导航系统规划从当前位置到达所述具有最优条件的停车场的路线。该方法既可以做到提前规划到达停车场的路线，避免人力和时间成本的浪费，又相对准确，在预测算法稳定时，可以大概率避免因提前设定停车场导致停车失败的问题。附图说明图1为一实施例的停车诱导方法流程图；图2为图1中获取第一时间的方法流程图；图3为图1中预测过程的具体方法流程图；图4为训练深度神经网络的方法流程图；图5为一实施例的停车诱导系统模块图；图6为图5中时间获取模块的一种具体模块图；图7为图5中条件设置模块的一种具体模块图；图8为图5中预测模块的一种具体模块图；图9为图5中训练模块的一种具体模块图；图10a为传统的诱导方法示意图之一；图10b为传统的诱导方法示意图之二。具体实施方式以下结合实施例和附图进行进一步说明。如图1所示的为一实施例的停车诱导方法流程图。该方法用于辅助用户选择目的地附近的停车场，包括以下步骤：步骤S100：获取表示用户到达目的地时间的第一时间。所述第一时间不是用户开车实际到达的时间，而是预计可能到达目的地的时间，与实际到达的时间存在一定的差别，但一般会在合理的误差区间内。预估所述第一时间的目的，是预测在第一时间时停车场的车位状况。步骤S200：获取预设的筛选条件。预设的筛选条件可以用来筛选目的地附近的停车场，筛选条件一般是符合用户要求的各种条件。筛选条件可以包括距离约束条件和车位空闲状况约束条件。本文档来自技高网...

【技术保护点】
一种停车诱导方法，用于辅助用户选择目的地附近的停车场，其特征在于，所述方法包括：获取表示用户到达目的地时间的第一时间；获取预设的筛选条件；预测在所述第一时间符合所述预设筛选条件的第一停车场集合；根据预测结果输出具有最优条件的停车场。

【技术特征摘要】
1.一种停车诱导方法，用于辅助用户选择目的地附近的停车场，其特征在于，所述方法包括：获取表示用户到达目的地时间的第一时间；获取预设的筛选条件；预测在所述第一时间符合所述预设筛选条件的第一停车场集合；根据预测结果输出具有最优条件的停车场。2.根据权利要求1所述的停车诱导方法，其特征在于，所述第一时间由用户提供或按照如下方法计算：获取当前位置和目的地位置；计算当前位置和目的地位置之间的最优路径的长度，作为第一距离；根据所述第一距离和车速计算到达目的地所需的第一时长；将当前时间加上所述第一时长得到所述第一时间。3.根据权利要求2所述的停车诱导方法，其特征在于，获取当前位置的方法为用户输入或定位获得，所述目的地位置为用户预设。4.根据权利要求1所述的停车诱导方法，其特征在于，所述预设的筛选条件包括距离约束条件和车位空闲状况约束条件。5.根据权利要求4所述的停车诱导方法，其特征在于，所述预设的筛选条件由用户设置或当用户没有设置时，调取默认条件。6.根据权利要求4所述的停车诱导方法，其特征在于，所述预测在所述第一时间符合所述预设筛选条件的第一停车场集合的步骤包括：根据所述距离约束条件筛选出第二停车场集合；将所述第二停车场集合中、当前时间每一停车场的状况输入对应停车场的已训练深度神经网络进行深度学习，得到所述每一停车场的已训练深度神经网络的输...

【专利技术属性】
技术研发人员：朱定局，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东;44