一种适用于停车场的智能价格调节系统、方法及存储介质技术方案

本发明专利技术公开了一种适用于停车场的智能价格调节系统、方法及存储介质，所述系统包括：车流数据采集单元、智能监管系统、短期车位预测单元、停车费调整单元、报警系统以及用户端；所述车流数据采集与短期车位预测单元相连；所述智能监管系统分别与报警系统、短期车位预测单元相连，所述短期车位预测单元分别与用户端和停车费调整单元相连；本发明专利技术采用的双层预测模型，预测方法新颖，预测结果准确可靠；增强对搜索空间的覆盖能力，有效减少原有随机因子对算法鲁棒性的影响，充分提高后期收敛速度与算法精度；能够引导用户前往车位利用率低的停车场，有效提高停车场车位的利用率，解决了停车场车位利用不平衡的问题，进而提高了停车场收益。益。益。

【技术实现步骤摘要】
一种适用于停车场的智能价格调节系统、方法及存储介质


[0001]本专利技术涉及模型预测技术以及智能算法
，具体涉及一种适用于停车场的智能价格调节系统、方法及存储介质。

技术介绍

[0002]随着经济的发展，中小城市机动车增长迅速，非机动车在原有的基数上稳步上升，新型的车种不断增加，城市停车位缺口大，配建停车位严重不足，造成停车位的短缺。另外停车场规划不合理，大多停车场泊车位没按照规划设置，地方大的场地泊车位多，有闲置现象，泊车位没有得到充分利用。而场地小的地方因停车位少而泊车紧张。这种没有按照停车利用效率的不合理规划，导致停车位的更加短缺，有车不能泊位，有车不便泊位，有位不能泊车，成为停车场空停车位常见想象。
[0003]尽管当前停车位十分紧张，但许多停车场库使用率低，经济效益差。调查时发现有的停车场停车泊位数不及半数，究其原因是由于停车管理制度不健全，有些停车场收费高无原则；有的车主不愿出停车费而随意在路边停车；有的任意停放就近停车；有的单位停车库不对外，造成停车场闲置，更由于停车场设置不完善经营单一，驾车者不能得到相应的其它的服务而不愿停车。本专利技术旨在提高各个停车场车位的利用率，通过更低的收费标准引导驾车者将车停放在闲置车位较多的停车场，方便用车者的同时，提高停车场的经济收益。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种适用于停车场的智能价格调节系统、方法及存储介质，解决目前普遍存在的各停车场车位使用率不平衡的问题。
[0005]技术方案：本专利技术提供了一种适用于停车场的智能价格调节系统、方法及存储介质，所述系统包括：车流数据采集单元、智能监管系统、短期车位预测单元、停车费调整单元、报警系统以及用户端；所述车流数据采集与短期车位预测单元相连；所述智能监管系统分别与报警系统、短期车位预测单元相连，所述短期车位预测单元分别与用户端和停车费调整单元相连。
[0006]进一步的，所述智能监管系统包括：温度传感器、烟雾传感器及智能监控设备；
[0007]进一步的，所述短期车位预测单元包括：流量预测模型及短期车位剩余量模型；所述流量预测模型及短期车位剩余量模型相连；
[0008]进一步的，所述车流数据采集单元包括：若干个流量相机。
[0009]本专利技术所述的一种适用于停车场的智能价格调节方法，包括以下步骤：
[0010](1)利用若干个流量相机采集前往停车场方向的汽车数量；
[0011](2)通过车流数据采集单元收集到数据建立IAO
‑
IWNN流量预测模型；
[0012](3)采用IAO算法对车流量预测模型参数进行优化；
[0013](4)建立IAO
‑
IWNN流量预测模型，将预测结果输入到短期车位剩余量预测模型中并进行预测，得到预测值；
[0014](5)将短期车位剩余量预测模型结果出入到费用调节模型中，进行停车费价格调整。
[0015]进一步的，所述步骤(3)具体如下：采用改进的天鹰优化算IAO法对改进小波神经网络初始参数进行优化，包括以下步骤：
[0016](31)随机初始化种群位置，种群位置矩阵如下所示：
[0017][0018]X
ij
＝rand
×
(UB
j
‑
LB
j
)+LB
j
,i＝1,2,.....,N j＝1,2,...,Dim
[0019]其中：N表示种群规模，Dim表示搜索空间的维度；
[0020](32)建立扩大搜索阶段数学模型，数学模型如下所示：
[0021][0022][0023]其中，X(t)和X(t+1)分别表示AO算法在第t次和第t+1次迭代中的个体位置，X
best
(t)表示目前最佳个体位置，X
M
(t)表示种群平均位置，T表示最大迭代次数；
[0024](33)建立缩小搜索阶段数据模型，模型公式如下所示：
[0025]X2(t+1)＝X
best
(t)
×
Levy(D)+X
R
(t)+(y
‑
x)*rand
[0026][0027][0028]其中，Levy(D)表示莱维飞行策略，s是值为0.01的常数，u和v是范围在[0,1]之间的随机数；
[0029](34)确定x和y的飞行形状，x和y的飞行形状公式如下所示：
[0030]y＝r
×
cos(θ)
[0031]x＝r
×
sin(θ)
[0032]r＝r1+U
×
D1[0033]θ＝
‑
ω
×
D1+θ1[0034][0035]其中，r是搜索步长，取值范围为[1,20]之间的常数；
[0036](35)建立扩大开发阶段数学模型，数学模型如下所示：
[0037]X3(t+1)＝(X
best
(t)
‑
X
M
(t))
×
a
‑
rand+((UB
‑
LB)
×
rand+LB)
×
δ
[0038]其中，a和δ表示开发的调整参数，且取值都为0.1；
[0039](36)建立缩小开发阶段数学模型，数学模型如下所示：
[0040]X4(t+1)＝QF
×
X
best
(t)
‑
(G1×
X(t)
×
rand)
‑
G2×
Levy(D)+rand
×
G1[0041][0042]G1＝2
×
rand
‑1[0043][0044]其中，QF(t)表示用于平衡搜索策略的质量函数值；G1表示在追踪猎物过程中AO的各种运动；G2表示线性递减的飞行斜率值，取值范围在[0,2]之间；
[0045](37)为了既保证算法对全局最优个体位置的勘探能力，又增强对搜索空间的覆盖，对算法的扩大开发阶段进行改进，改进公式如下所示：
[0046]X3(t+1)＝X
best
(t)+r2×
(X
r
(t)
‑
X
i
(t))+μ
×
(X
best
(t)
‑
X
i
(t))
[0047][0048][0049]其中，r2和r3介于[0,1]之间，X
r
(t)为当前迭代种群中随机天鹰个体；μ为螺旋系数；
[0050](38)为了减少原有随机因子对算法鲁棒性的影响，充分提高后期收敛速度与算法精度，对算法的缩小开发阶段进行改进，改进公式如下所示：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于停车场的智能价格调节系统，其特征在于，包括：车流数据采集单元、智能监管系统、短期车位预测单元、停车费调整单元、报警系统以及用户端；所述车流数据采集与短期车位预测单元相连；所述智能监管系统分别与报警系统、短期车位预测单元相连，所述短期车位预测单元分别与用户端和停车费调整单元相连。2.根据权利要求1所述的一种适用于停车场的智能价格调节系统，其特征在于，所述智能监管系统包括：温度传感器、烟雾传感器及智能监控设备。3.根据权利要求1所述的一种适用于停车场的智能价格调节系统，其特征在于，所述短期车位预测单元包括：流量预测模型及短期车位剩余量模型；所述流量预测模型及短期车位剩余量模型相连。4.根据权利要求1所述的一种适用于停车场的智能价格调节系统，其特征在于，所述车流数据采集单元包括：若干个流量相机。5.一种根据权利要求1所述的一种适用于停车场的智能价格调节方法，其特征在于，包括以下步骤：(1)利用若干个流量相机采集前往停车场方向的汽车数量；(2)通过车流数据采集单元收集到数据建立IAO
‑
IWNN流量预测模型；(3)采用IAO算法对车流量预测模型参数进行优化；(4)建立IAO
‑
IWNN流量预测模型，将预测结果输入到短期车位剩余量预测模型中并进行预测，得到预测值；(5)将短期车位剩余量预测模型结果出入到费用调节模型中，进行停车费价格调整。6.根据权利要求5所述的一种适用于停车场的智能价格调节方法，其特征在于，所述步骤(3)具体如下：采用改进的天鹰优化算IAO法对改进小波神经网络初始参数进行优化，包括以下步骤：(31)随机初始化种群位置，种群位置矩阵如下所示：X
ij
＝rand
×
(UB
j
‑
LB
j
)+LB
j
,i＝1,2,.....,N j＝1,2,...,Dim其中：N表示种群规模，Dim表示搜索空间的维度；(32)建立扩大搜索阶段数学模型，数学模型如下所示：(32)建立扩大搜索阶段数学模型，数学模型如下所示：其中，X(t)和X(t+1)分别表示AO算法在第t次和第t+1次迭代中的个体位置，X
best
(t)表示目前最佳个体位置，X
M
(t)表示种群平均位置，T表示最大迭代次数；
(33)建立缩小搜索阶段数据模型，模型公式如下所示：X2(t+1)＝X
best
(t)
×
Levy(D)+X
R
(t)+(y
‑
x)*randx)*rand其中，Levy(D)表示莱维飞行策略，s是值为0.01的常数，u和v是范围在[0,1]之间的随机数；(34)确定x和y的飞行形状，x和y的飞行形状公式如下所示：y＝r
×
cos(θ)x＝r
×
sin(θ)r＝r1+U
×
D1θ＝
‑
ω
×
D1+θ1其中，r是搜索步长，取值范围为[1,20]之间的常数；(35)建立扩大开发阶段数学模型，数学模型如下所示：X3(t+1)＝(X
best
(t)
‑
X
M
(t))
×
a
‑
rand+((UB
‑
LB)
×
rand+LB)
×
δ其中，a和δ表示开发的调整参数，且取值都为0.1；(36)建立缩小开发阶段数学模型，数学模型如下所示：X4(t+1)＝QF
×
X
best
(t)
‑
(G1×
X(t)
×
rand)
‑
G2×
Levy(D)+rand
×
G1G1＝2
×
rand
‑
1其中，QF(t)表示用于平衡搜索策略的质量函数值；G1表示在追踪猎物过程中AO的各种运动；G2表示线性递减的飞行斜率值，取值范围在[0,2]之间；(37)为了既保证算法对全局最优个体位置的勘探能力，又增强对搜索空间的覆盖，对算法的扩大开发阶段进行改进，改进公式如下所示：X3(t+1)＝X
best
(t)+r2×
(X
r
(t)
‑
X
i
(t))+μ
×
(X...

【专利技术属性】
技术研发人员：郭仁威，周孟雄，汤健康，苏姣月，王夫诚，纪捷，陈帅，林张楠，温文潮，纪润东，孙娜，黄慧，荆佳龙，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：