一种多方共赢的共享合同车位系统技术方案

本发明专利技术公开了一种多方共赢的共享合同车位系统，首先，数据预处理、筛选：收集各个小区、地段的停车记录，收集环境和节假日的数据，对缺失值、异常等现象处理，根据信息熵和相对熵指标筛选合适、符合需求的合同车位，其次，采用神经网络的方式来进行模型的预测，对停车时间进行预测，最后采用综合平衡的策略，通过基于分层处理的近似动态规划算法，使车位的总利用时间最大化。本发明专利技术的有益效果为：使车位的总利用时间最大化，不同于传统的调度算法，系统使合同停车位的利用率提高了50％以上。一方面可以让原本空闲的车位得到利用，让原本空置的停车空间给车位主人产生一定的利润，另一方面也可以缓解停车场周边的停车困难的问题。也可以缓解停车场周边的停车困难的问题。也可以缓解停车场周边的停车困难的问题。

【技术实现步骤摘要】
一种多方共赢的共享合同车位系统


[0001]本专利技术涉及一种多方共赢的共享合同车位系统。

技术介绍

[0002]随着中国经济的飞速发展，我国的私家车数量已达到2.6亿台。据统计显示，由于车辆数目暴增而停车设施的建设却没有随之跟上，高峰期近30％的交通拥堵是因为车辆没有及时找到停车位而导致的。而随着物联网技术的成熟，如今大多数停车场均可通过传感设备记录细粒度的停车数据，利用这些数据，可以提前预知停车位的空闲时间，从而进行更合理的调度安排，这为构建共享系统提供了条件。
[0003]一些研究也为“停车难”这一问题，提出了解决方案：比如，有研究人员在实验中使用了递归神经网络(RNN)，并通过多任务框架有效地在用户之间共享有限的个人数据来进行训练；Facebook开发的Prophet模型，可以用于实现对停车时间的预测，但其没有考虑到多因素对停车行为的影响；也有研究采取LSTM模型，但其聚焦于聚类增强的学习方法，没有考虑到停车行为的周期性；有研究人员设计了一个基于预约的智能停车系统(RSPS)，传感器网络发布可用的停车信息，司机获取后可以按需预订所需的车位；一些研究还提出了设计一个停车引导系统或算法来实现对现有停车场的高效调度，从而减少驾驶员寻找停车位的时间。
[0004]停车问题是一个涉及多因素影响的复杂时间序列预测问题，要能够充分利用附加因素的基础上能够实现高准确率的预测并进行实时且有效的调度是一个大的难题。选择从另一个角度上来解决“停车难”的问题，聚焦于有挖掘价值的合同车位，从而在这样一个新的场景下构建能够多方共赢的停车共享系统。合同车位，指的是个体可以通过签约合同后获得车位的所有权，通常可以认为是小区业主购买的车位。这类车位通常具有周期性足够多的空闲时间，使用情况比较稳定，有利于对其预测。

技术实现思路

[0005]专利技术目的：受到现有停车行为建模研究的启发，针对停车行为具有明显的周期性和容易受到多种因素影响的特点，设计一种多方共赢的共享合同车位系统，一方面可以让原本空闲的车位得到利用，让原本空置的停车空间给车位主人产生一定的利润，另一方面也可以缓解停车场周边的停车困难的问题。
[0006]技术方案：本专利技术一种多方共赢的共享合同车位系统，包括如下步骤，
[0007](1)数据预处理、筛选：收集各个小区、地段的停车记录，收集环境和节假日的数据，对缺失值、异常等现象处理，根据信息熵和相对熵指标筛选合适、符合需求的合同车位；
[0008](2)采用神经网络的方式来进行模型的预测，将环境和时间因素加入到神经网络模块中，对神经网络模块进行了改进设计，对停车时间进行预测；
[0009](3)结合已有的停车时间进行调度安排，采用综合平衡的策略，通过基于分层处理的近似动态规划算法，兼顾调度的用时和效率，使车位的总利用时间最大化。
[0010]进一步的，所述步骤(1)中，通过信息熵筛选车位的具体步骤为：信息熵是用来测量信息分布的一个常用参数，信息熵越大，说明停车行为越有多样化；信息熵越小，说明分布的越集中，停车行为越具有周期性，之后选择信息熵值较小的作为适合参与共享的合同车位，将其作为模型的预测数据。
[0011]进一步的，所述步骤(1)中，通过相对熵筛选车位的具体步骤为：相对熵用于衡量两个概率分布的相似程度，对其经对称化处理后得到变形。相对熵越小，说明分布的相似程度越高。当工作日出行时间和节假日出行时间的概率分布差异较大时，说明两者的出行规律存在明显的分布差异。同理，判断车主在不同环境下的出行是否存在明显的分布差异。
[0012]进一步的，所述步骤(2)神经网络模型进行改进设计，具体步骤如下：神经网络模型基于长短期记忆网络，神经网络模型最终输出空闲停车时间h
t
。长短期记忆网络主要由三个门：遗忘门f
t
、传入门i
t
、输出门o
t
，以及单元状态C
t
构成。遗忘门f
t
根据上一个时刻的输出h
t
‑1以及输入x
t
来判断是否记忆上一个时刻的数据C
t
‑1。传入门i
t
根据上一个时刻的输出h
t
‑1和包含环境、时间、历史数据等信息的特征值得到，用于判断新的信息中哪些信息需要加入单元状态C
t
。输出门o
t
根据上一个模块的输出h
t
‑1和包含环境、时间、历史数据等信息的特征值判断输出单元状态C
t
哪些信息，从而得到输出h
t
。
[0013]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0014]i
t
＝σ(W
i
·
[h
t
‑1,x
tE
]+b
i
)
[0015][0016]o
t
＝σ(W
o
·
[h
t
‑1,x
tE
]+b
o
)
[0017]h
t
＝o
t
*tanh(C
t
)
[0018]其中，x
t
表示t时刻历史停车信息，它融合了历史停车数据D
t
，通过由W
r
和b
r
参数化的全连接层以及sigmoid激活函数得到。其表达式如下。
[0019]x
t
＝σ(W
r
·
D
t
+b
r
)
[0020]其中，包含t时刻的环境、时间、历史数据等信息。其表达式如下。其中，E
t
表示提取得到的环境、时间特征。
[0021][0022]e
t
＝σ(W
e
·
E
t
+b
e
)
[0023]6.进一步的，所述步骤(3)近似动态规划算法，包括以下步骤：
[0024](3
‑
1)假设存在m个停车请求，n个车位且满足n<m的时间段。将第i个可用车位空闲时间段定义为:P
i
＝[x
i
,y
i
),i＝1，...,n。x
i
表示第i个车位开始闲置的时间，即车主的离开车位的时间点。y
i
表示第i个合同停位再次被车主使用的时间点，即车主的返回时间点。定义第j个用户停车请求的时间时间段为R
i
＝[s
i
,f
i
),j＝1,...，m。S
j
表示第j个停车请求开始的时间点。f...

【技术保护点】

【技术特征摘要】
1.一种多方共赢的共享合同车位系统，其特征在于：包括如下步骤，(1)数据预处理、筛选：收集各个小区、地段的停车记录，收集环境和节假日的数据，对缺失值、异常等现象处理，根据信息熵和相对熵指标筛选合适、符合需求的合同车位；(2)采用神经网络的方式来进行模型的预测，将环境和时间因素加入到神经网络模块中，对神经网络模块进行了改进设计，对停车时间进行预测；(3)结合已有的停车时间进行调度安排，采用综合平衡的策略，通过基于分层处理的近似动态规划算法，兼顾调度的用时和效率，使车位的总利用时间最大化。2.根据权利要求1所述的多方共赢的共享合同车位系统，其特征在于：所述步骤(1)中，通过信息熵筛选车位的具体步骤为：信息熵是用来测量信息分布的一个常用参数，信息熵越大，说明停车行为越有多样化；信息熵越小，说明分布的越集中，停车行为越具有周期性，之后选择信息熵值较小的作为适合参与共享的合同车位，将其作为模型的预测数据。3.根据权利要求1所述的多方共赢的共享合同车位系统，其特征在于：所述步骤(1)中，通过相对熵筛选车位的具体步骤为：相对熵用于衡量两个概率分布的相似程度，对其经对称化处理后得到变形。相对熵越小，说明分布的相似程度越高。当工作日出行时间和节假日出行时间的概率分布差异较大时，说明两者的出行规律存在明显的分布差异。同理，判断车主在不同环境下的出行是否存在明显的分布差异。4.根据权利要求1所述的多方共赢的共享合同车位系统，其特征在于：所述步骤(2)神经网络模型进行改进设计，具体步骤如下：神经网络模型基于长短期记忆网络，神经网络模型最终输出空闲停车时间h
t
。长短期记忆网络主要由三个门：遗忘门f
t
、传入门i
t
、输出门o
t
，以及单元状态C
t
构成。遗忘门f
t
根据上一个时刻的输出h
t
‑1以及输入x
t
来判断是否记忆上一个时刻的数据C
t
‑1。传入门i
t
根据上一个时刻的输出h
t
‑1和包含环境、时间、历史数据等信息的特征值得到，用于判断新的信息中哪些信息需要加入单元状态C
t
。输出门o
t
根据上一个模块的输出h
t
‑1和包含环境、时间、历史数据等信息的特征值判断输出单元状态C
t
哪些信息，从而得到输出h
t
。f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)))h
t
＝o

【专利技术属性】
技术研发人员：王帅，梅洛瑜，凌泰炜，冯悦，
申请(专利权)人：东南大学，
类型：发明
国别省市：