CN108564810B - 一种车位共享***及其方法 - Google Patents

一种车位共享***及其方法 Download PDF

Info

Publication number
CN108564810B
CN108564810B CN201810567234.2A CN201810567234A CN108564810B CN 108564810 B CN108564810 B CN 108564810B CN 201810567234 A CN201810567234 A CN 201810567234A CN 108564810 B CN108564810 B CN 108564810B
Authority
CN
China
Prior art keywords
parking space
parking
module
data
reservation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810567234.2A
Other languages
English (en)
Other versions
CN108564810A (zh
Inventor
宋怀春
潘呈礼
陈志良
莫洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Dajing Network Technology Co ltd
Original Assignee
Changsha Dajing Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha Dajing Network Technology Co ltd filed Critical Changsha Dajing Network Technology Co ltd
Priority to CN201810567234.2A priority Critical patent/CN108564810B/zh
Publication of CN108564810A publication Critical patent/CN108564810A/zh
Application granted granted Critical
Publication of CN108564810B publication Critical patent/CN108564810B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/148—Management of a network of parking areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种车位共享***及其方法，属于车位预约领域，本发明通过使用BP神经网络和混沌蚁群算法相结合对车位出租的数据和预约的数据进行同时处理，从而使得预约车位处理模块能够以最快速度获取车位出租的动态信息，同时根据BP神经网络对出租的车位进行处理，通过混沌蚁群算法对车位预约的最优车位进行处理，从而使得返回的预约的车位更加符合用户的需求，同时对车位出租和车位预约的处理均不是在服务器中，从而可以大大减少服务器的压力和***并发的问题。

Description

一种车位共享***及其方法
技术领域
本发明涉及车位预约领域，特别地，涉及一种车位共享***及其方法。
背景技术
随着汽车保有量的逐年递增，而城市道路和停车位的规划、设置已无法满足日益增长的出行停车需求的矛盾亦日渐突出；随之出现乱停车，高峰时段找不到车位，找车位产生拥堵等一系列社会问题摆在了城市管理者和消费者面前。
目前我国的许多城市实施了应对城市拥堵和停车难的问题这方面的的政策、规划和改扩建，如：“单双号限行制度”，“车辆限牌”，“外地车禁止驶入某些交通繁忙区域”，“大力发展公共交通”等这些应对措施，但城市停车难、行车拥堵的基本现状仍无法根本解决。根据政府部门和城市交通相关部门的统计，城市停车场的数量以及停车位的数量都很有限，也就是说停车位远远小于汽车的总量，不能满足当前用户的停车需求。这就造成了城市交通拥堵的现象，并且越来越严重；为了满足日益增长的交通需求，必须尽快改善城市的交通条件和设施的利用效率的需求迫在眉睫。根据目前发展趋势，据专业人士推测，私家车数量的急剧增加势必会提高对停车场的要求，目前的停车场已经不能满足当前的停车需求，因此“停车经济”具有很好的发展前景。伴随着停车场规模的扩大以及停车位的增加，对停车场的有效管理也越来越重要，所以针对目前对停车场的需求有必要开发一套高效运行的智能停车场管理***。
现有的车位共享***均没有很好的考虑到***并发的问题。车位的预定时，常常会出现两个人同时预定一个车位，从而使得***处理时出现缓慢，或者***出现错误，使得用户预订的车位与原有的车位出现偏差，不能很好的满足用户的需求。因此需要设计出一种能够快速的进行准确的预订，减少***约定车位的偏差，同时能够最快速度的进行车位预订与车位出租进行结合，同时把数据处理不放在服务器，可以减少服务器的压力等。
发明内容
本发明目的在于提供一种车位共享***及其方法，解决现有车位共享***经常出现并发问题、预约车位慢同时不准确和车位出租和车位预约没能紧密对接的技术问题。
为实现上述目的，本发明提供了一种车位共享方法，包括如下步骤：
步骤1：把用户端的车位出租模块的输入数据和车位预约模块的输出数据作为样本确定BP神经网络***的网络结构；
步骤2：初始设定车位混沌蚁群的初始参数，包括车位数量n、迭代次数和停车场S，然后随机形成一个蚁群；
步骤3：把步骤1的样本作为BP神经网络的训练样本，并且开始用步骤2中的车位混沌蚁群算法训练BP神经网络；
步骤4：计算车位混沌蚁群算法的适应度函数E的值，判断它是否是蚁群的最佳位置或者有没有根据适应度函数值得最小原则，在最优反复迭代的过程，如果计算得到的适应度函数值E小于任何蚂蚁当前最佳位置的最小值，更新自己最佳的适应度函数值E，并且把这个最佳值赋给最佳位置值pid(t)中；
步骤5：对步骤4进行迭代处理，判断迭代是否达到最大的迭代值或者规定值，如果达到，输出车位预订的最佳车，如果没有达到，返回步骤4。
所述步骤1中BP神经网络***的网络结构包括车位输入层模块、车位处理层模块和空余车位输出模块，
假设输入层有m个节点，每个节点代表用户输入租车位的节点，即输入矢量是X＝(x1，x2，...，xm)，隐层有p个节点，每个节点代表车位，即对应矢量是Y＝(y1，y2，...，yp)，输出层有n个节点，每个节点代表可使用车位，即输出矢量是O＝(o1，o2，...，on)；假设任何输入层的节点xi和任何隐层的节点yk之间权值是ωik，隐层对应神经元k的阈值为θk；任何隐层的节点yk和任何输出层的节点oj之间权值是ωkj，输出层对应神经元j的阈值为θj，所以得到计算的公式为：
Figure BDA0001684841870000021
f(·)表示关于神经元的激励函数，确定输出的可使用车位，同时在处理时把隐层有p个节点传给车位预约数据处理模块进行同时处理。
所述步骤3中车位混沌蚁群算法为：
在l维度的连续实数空间Rl，车蚁群中的车位数量为n，把所有的车位均放回自身停车场S中，并且他们的最小化函数为f：S→R，在停车场S中的每一个点s是所给问题的适宜解，设第i个车位的位置为si＝(zi1，zi2，...，zil)，i＝1，2，...，n，
在车位状态运动过程中，每一个车位都会被整个车位蚁群组织影响，在数学运算表达式中，一个车位的运动规律是一个关于自己目前位置、自己和同伴的最佳位置和组织变量的函数，该函数是：zid(t)＝g(zid(t-1)，pid(t-1)，yi(t))，其中，g(·)函数表示的是一个非线性函数，t表示的是蚂蚁当前这一步的时刻，t-1表示蚂蚁在上一步的时刻，zid(t)表示的是第i个蚂蚁的d维度状态，这里d＝1，2，...，l，pid(t-1)表示的是第i个蚂蚁与它相邻蚂蚁在t-1步内所找到的最佳位置，yi(t)表示的是组织变量现在的状态，通过改变yi(t)来实现车位蚁群的混沌行为，混沌蚁群优化算法的动力模型是：
Figure BDA0001684841870000031
ri＝0.1+0.2rand(n)
其中a是一个足够大的常数，b是0≤b≤2/3的常数，
Figure BDA0001684841870000032
决定搜索距离，ri表示的是一个小于1组织因数，一般取0≤ri≤0.5，该因数影响收敛速度，rand(n)是一个数字随机信号发生函数。
所述步骤4中适应度函数E为：
Figure BDA0001684841870000033
适应度函数E为神经网络期望输出与计算输出之间的误差大小的函数，M表示的是训练样本集的样本数量，n表示的是BP神经网络输出神经元的数量，
Figure BDA0001684841870000041
表示的是第i个样本和第j个节点的期望输出值，oji是实际输出值。
所述步骤5中的迭代处理的次数为800-8000次。
一种车位共享***，包括用户端、车位预约子***、车位出租子***和车位管理服务器；所述用户端分别经车位预约子***和车位出租子***与车位管理服务器连接；所述用户端用于供用户输入预约车位数据和车位出租数据，并把预约车位数据传给车位预约子***，把车位出租数据传给车位出租子***；所述车位预约子***对预约数据统一进行处理，根据车位出租子***和车位管理服务器提供的车位数据进行处理运算，并对用户的预约需求返回并推荐预约的车位；所述车位出租子***用于统一对用户出租的车位数据进行统一的处理，同时进行车位的实时动态进行分析，并把分析的车位数据传给车位预约子***，同时输出可使用车位并传给车位管理服务器存储；所述车位管理服务器用于存储可使用的车位数据和用户预约的车位数据和用户出租的车位数据。
所述用户端包括车位预约模块和车位出租模块，所述车位预约模块与车位预约子***连接；所述车位出租模块与车位出租子***连接；所述车位预约模块用于供用户输入预约车位的信息，预约车位的信息包括时间、地点和车的类型；所述车位出租模块用于供用户输入出租车位的信息，出租车位的信息包括车位使用时间、车位地点和车位大小。
所述车位预约子***包括预约受理模块、车位预约数据处理模块和车位预约选定模块；所述预约受理模块经车位预约数据处理模块与车位预约选定模块连接，预约受理模块与车位预约模块连接，用于统一接收所有用户预约车位传入的数据，并把数据传给车位预约数据处理模块；所述车位预约数据处理模块根据用户的预约车位数据进行存储，同时根据车位出租子***传入的车位动态数据和车位管理服务器的车位空余数据进行计算处理，返回预约的最优车位，其中，返回的预约车位数据有三个，由用户进行选定其中一个；车位预约选定模块把用户选定的信息传给车位管理服务器进行存储。
所述车位出租子***包括车位输入层模块、车位处理层模块和空余车位输出模块，所述车位输入层模块经车位处理层模块与空余车位输出模块连接；所述车位输入层模块的输入端与车位出租模块连接；所述空余车位输出模块输出端与车位管理服务器连接，所述车位输入层模块接收所有用户出入的出租车位数据，并把接收的数据传给车位处理层模块，所述车位处理层模块对出租的车位数据进行分析处理，得到每个车位的动态信息，同时把动态信息传给车位预约数据处理模块，其中，动态信息为用户出租所有的车位状态信息；所述空余车位输出模块把车位处理层模块输出的车位可以使用的情况数据传给车位管理服务器进行存储。
本发明具有以下有益效果：
本发明通过使用BP神经网络和混沌蚁群算法相结合对车位出租的数据和预约的数据进行同时处理，从而使得预约车位处理模块能够以最快速度获取车位出租的动态信息，同时根据BP神经网络对出租的车位进行处理，通过混沌蚁群算法对车位预约的最优车位进行处理，从而使得返回的预约的车位更加符合用户的需求，同时对车位出租和车位预约的处理均不是在服务器中，从而可以大大减少服务器的压力和***并发的问题。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的方法流程图。
图2是本发明优选实施例的***框图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
一种车位共享方法，如图1所示，包括如下步骤：
步骤1：把用户端的车位出租模块的输入数据和车位预约模块的输出数据作为样本确定BP神经网络***的网络结构。BP神经网络***的网络结构包括车位输入层模块、车位处理层模块和空余车位输出模块，
假设输入层有m个节点，每个节点代表用户输入租车位的节点，即输入矢量是X＝(x1，x2，...，xm)，隐层有p个节点，每个节点代表车位，即对应矢量是Y＝(y1，y2，...，yp)，输出层有n个节点，每个节点代表可使用车位，即输出矢量是O＝(o1，o2，...，on)；假设任何输入层的节点xi和任何隐层的节点yk之间权值是ωik，隐层对应神经元k的阈值为θk；任何隐层的节点yk和任何输出层的节点oj之间权值是ωkj，输出层对应神经元j的阈值为θj，所以得到计算的公式为：
Figure BDA0001684841870000061
f(·)表示关于神经元的激励函数，确定输出的可使用车位，同时在处理时把隐层有p个节点传给车位预约数据处理模块进行同时处理。BP神经网络***主要是对车位出租的数据根据预约的输出数据进行处理。车位输入层模块对出租车位进行统计处理，根据***进行处理，车位处理模块进行处理处理后得到相应的数据。
步骤2：初始设定车位混沌蚁群的初始参数，包括车位数量n、迭代次数和停车场S，然后随机形成一个蚁群。车位混沌蚁群根据车位和停车场的数据进行运算帮用户寻找最优的车位，同时返回的是是三个车位供用户选择，防止用户在选择时，该车位已经被其他的用户预订的问题。因此具有数据提前预备处理。
步骤3：把步骤1的样本作为BP神经网络的训练样本，并且开始用步骤2中的车位混沌蚁群算法训练BP神经网络。车位混沌蚁群算法为：
在l维度的连续实数空间Rl，车蚁群中的车位数量为n，把所有的车位均放回自身停车场S中，并且他们的最小化函数为f：S→R，在停车场S中的每一个点s是所给问题的适宜解，设第i个车位的位置为si＝(zi1，zi2，...，zil)，i＝1，2，...，n，
在车位状态运动过程中，每一个车位都会被整个车位蚁群组织影响，在数学运算表达式中，一个车位的运动规律是一个关于自己目前位置、自己和同伴的最佳位置和组织变量的函数，该函数是：zid(t)＝g(zid(t-1)，pid(t-1)，yi(t))，其中，g(·)函数表示的是一个非线性函数，t表示的是蚂蚁当前这一步的时刻，t-1表示蚂蚁在上一步的时刻，zid(t)表示的是第i个蚂蚁的d维度状态，这里d＝1，2，...，l，pid(t-1)表示的是第i个蚂蚁与它相邻蚂蚁在t-1步内所找到的最佳位置，yi(t)表示的是组织变量现在的状态，通过改变yi(t)来实现车位蚁群的混沌行为，混沌蚁群优化算法的动力模型是：
Figure BDA0001684841870000062
ri＝0.1+0.2rand(n)
其中a是一个足够大的常数，b是0≤b≤2/3的常数，
Figure BDA0001684841870000071
决定搜索距离，ri表示的是一个小于1组织因数，一般取0≤ri≤0.5，该因数影响收敛速度，rand(n)是一个数字随机信号发生函数。车位预约受理模块对预约数据进行统一受理，车位预约数据处理模块对车位的预约数据和车位出租数据进行处理。
步骤4：计算车位混沌蚁群算法的适应度函数E的值，判断它是否是蚁群的最佳位置或者有没有根据适应度函数值得最小原则，在最优反复迭代的过程，如果计算得到的适应度函数值E小于任何蚂蚁当前最佳位置的最小值，更新自己最佳的适应度函数值E，并且把这个最佳值赋给最佳位置值pid(t)中。适应度函数E为：
Figure BDA0001684841870000072
适应度函数E为神经网络期望输出与计算输出之间的误差大小的函数。M表示的是训练样本集的样本数量，n表示的是BP神经网络输出神经元的数量，
Figure BDA0001684841870000073
表示的是第i个样本和第j个节点的期望输出值，oji是实际输出值。
步骤5：对步骤4进行迭代处理，迭代处理的次数为800-8000次。判断迭代是否达到最大的迭代值或者规定值，如果达到，输出车位预订的最佳车，如果没有达到，返回步骤4。
一种车位共享***，包括用户端、车位预约子***、车位出租子***和车位管理服务器；所述用户端分别经车位预约子***和车位出租子***与车位管理服务器连接；所述用户端用于供用户输入预约车位数据和车位出租数据，并把预约车位数据传给车位预约子***，把车位出租数据传给车位出租子***；所述车位预约子***对预约数据统一进行处理，根据车位出租子***和车位管理服务器提供的车位数据进行处理运算，并对用户的预约需求返回并推荐预约的车位；所述车位出租子***用于统一对用户出租的车位数据进行统一的处理，同时进行车位的实时动态进行分析，并把分析的车位数据传给车位预约子***，同时输出可使用车位并传给车位管理服务器存储；所述车位管理服务器用于存储可使用的车位数据和用户预约的车位数据和用户出租的车位数据。
所述用户端包括车位预约模块和车位出租模块，所述车位预约模块与车位预约子***连接；所述车位出租模块与车位出租子***连接。车位预约模块用于供用户输入预约车位的信息，预约车位的信息包括时间、地点和车的类型。车位出租模块用于供用户输入出租车位的信息，出租车位的信息包括车位使用时间、车位地点和车位大小。
所述车位预约子***包括预约受理模块、车位预约数据处理模块和车位预约选定模块。预约受理模块经车位预约数据处理模块与车位预约选定模块连接，预约受理模块与车位预约模块连接，用于统一接收所有用户预约车位传入的数据，并把数据传给车位预约数据处理模块。车位预约数据处理模块根据用户的预约车位数据进行存储，同时根据车位出租子***传入的车位动态数据和车位管理服务器的车位空余数据进行计算处理，返回预约的最优车位，其中，返回的预约车位数据有三个，由用户进行选定其中一个。车位预约选定模块把用户选定的信息传给车位管理服务器进行存储。
车位出租子***包括车位输入层模块、车位处理层模块和空余车位输出模块，所述车位输入层模块经车位处理层模块与空余车位输出模块连接；所述车位输入层模块的输入端与车位出租模块连接；所述空余车位输出模块输出端与车位管理服务器连接，所述车位输入层模块接收所有用户出入的出租车位数据，并把接收的数据传给车位处理层模块，所述车位处理层模块对出租的车位数据进行分析处理，得到每个车位的动态信息，同时把动态信息传给车位预约数据处理模块，其中动态信息为用户出租所有的车位状态信息；所述空余车位输出模块把车位处理层模块输出的车位可以使用的情况数据传给车位管理服务器进行存储。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种车位共享方法，其特征在于，包括如下步骤：
步骤1：把用户端的车位出租模块的输入数据和车位预约模块的输出数据作为样本确定BP神经网络***的网络结构；
步骤2：初始设定车位混沌蚁群的初始参数，包括车位数量n、迭代次数和停车场S，然后随机形成一个蚁群；
步骤3：把步骤1的样本作为BP神经网络的训练样本，并且开始用步骤2中的车位混沌蚁群算法训练BP神经网络；
步骤4：计算车位混沌蚁群算法的适应度函数E的值，判断它是否是蚁群的最佳位置或者有没有根据适应度函数值得最小原则，在最优反复迭代的过程，如果计算得到的适应度函数值E小于任何蚂蚁当前最佳位置的最小值，更新自己最佳的适应度函数值E，并且把这个最佳值赋给最佳位置值pid(t)中；
步骤5：对步骤4进行迭代处理，判断迭代是否达到最大的迭代值或者规定值，如果达到，输出车位预订的最佳车，如果没有达到，返回步骤4；
所述步骤1中BP神经网络***的网络结构包括车位输入层模块、车位处理层模块和空余车位输出模块，
假设输入层有m个节点，每个节点代表用户输入租车位的节点，即输入矢量是X＝(x1，x2，...，xm)，隐层有p个节点，每个节点代表车位，即对应矢量是Y＝(y1，y2，...，yp)，输出层有n个节点，每个节点代表可使用车位，即输出矢量是O＝(o1，o2，...，on)；假设任何输入层的节点xi和任何隐层的节点yk之间权值是ωik，隐层对应神经元k的阈值为θk；任何隐层的节点yk和任何输出层的节点oj之间权值是ωkj，输出层对应神经元j的阈值为θj，所以得到计算的公式为：
Figure FDA0002785761220000011
f(·)表示关于神经元的激励函数，确定输出的可使用车位，同时在处理时把隐层有p个节点传给车位预约数据处理模块进行同时处理；
所述步骤3中车位混沌蚁群算法为：
在l维度的连续实数空间Rl，车蚁群中的车位数量为n，把所有的车位均放回自身停车场S中，并且他们的最小化函数为f：S→R，在停车场S中的每一个点s是所给问题的适宜解，设第i个车位的位置为si＝(zi1，zi2，...，zil)，i＝1，2，...，n，在车位状态运动过程中，每一个车位都会被整个车位蚁群组织影响，在数学运算表达式中，一个车位的运动规律是一个关于自己目前位置、自己和同伴的最佳位置和组织变量的函数，该函数是：zid(t)＝g(zid(t-1)，pid(t-1)，yi(t))，其中，g(·)函数表示的是一个非线性函数，t表示的是蚂蚁当前这一步的时刻，t-1表示蚂蚁在上一步的时刻，zid(t)表示的是第i个蚂蚁的d维度状态，这里d＝1，2，...，l，pid(t-1)表示的是第i个蚂蚁与它相邻蚂蚁在t-1步内所找到的最佳位置，yi(t)表示的是组织变量现在的状态，通过改变yi(t)来实现车位蚁群的混沌行为，混沌蚁群优化算法的动力模型是：
Figure FDA0002785761220000021
ri＝0.1+0.2rand(n)
其中a是一个足够大的常数，b是0≤b≤2/3的常数，
Figure FDA0002785761220000022
决定搜索距离，ri表示的是一个小于1组织因数，一般取0≤ri≤0.5，该因数影响收敛速度，rand(n)是一个数字随机信号发生函数；
所述步骤4中适应度函数E为：
Figure FDA0002785761220000031
适应度函数E为神经网络期望输出与计算输出之间的误差大小的函数，M表示的是训练样本集的样本数量，n表示的是BP神经网络输出神经元的数量，
Figure FDA0002785761220000032
表示的是第i个样本和第j个节点的期望输出值，oji是实际输出值；
所述步骤5中的迭代处理的次数为800-8000次；
实现方法的车位共享***，包括用户端、车位预约子***、车位出租子***和车位管理服务器；所述用户端分别经车位预约子***和车位出租子***与车位管理服务器连接；所述用户端用于供用户输入预约车位数据和车位出租数据，并把预约车位数据传给车位预约子***，把车位出租数据传给车位出租子***；所述车位预约子***对预约数据统一进行处理，根据车位出租子***和车位管理服务器提供的车位数据进行处理运算，并对用户的预约需求返回并推荐预约的车位；所述车位出租子***用于统一对用户出租的车位数据进行统一的处理，同时进行车位的实时动态进行分析，并把分析的车位数据传给车位预约子***，同时输出可使用车位并传给车位管理服务器存储；所述车位管理服务器用于存储可使用的车位数据和用户预约的车位数据和用户出租的车位数据；
所述用户端包括车位预约模块和车位出租模块，所述车位预约模块与车位预约子***连接；所述车位出租模块与车位出租子***连接；所述车位预约模块用于供用户输入预约车位的信息，预约车位的信息包括时间、地点和车的类型；所述车位出租模块用于供用户输入出租车位的信息，出租车位的信息包括车位使用时间、车位地点和车位大小；
所述车位预约子***包括预约受理模块、车位预约数据处理模块和车位预约选定模块；所述预约受理模块经车位预约数据处理模块与车位预约选定模块连接，预约受理模块与车位预约模块连接，用于统一接收所有用户预约车位传入的数据，并把数据传给车位预约数据处理模块；所述车位预约数据处理模块根据用户的预约车位数据进行存储，同时根据车位出租子***传入的车位动态数据和车位管理服务器的车位空余数据进行计算处理，返回预约的最优车位，其中，返回的预约车位数据有三个，由用户进行选定其中一个；车位预约选定模块把用户选定的信息传给车位管理服务器进行存储；
所述车位出租子***包括车位输入层模块、车位处理层模块和空余车位输出模块，所述车位输入层模块经车位处理层模块与空余车位输出模块连接；所述车位输入层模块的输入端与车位出租模块连接；所述空余车位输出模块输出端与车位管理服务器连接，所述车位输入层模块接收所有用户出入的出租车位数据，并把接收的数据传给车位处理层模块，所述车位处理层模块对出租的车位数据进行分析处理，得到每个车位的动态信息，同时把动态信息传给车位预约数据处理模块，其中，动态信息为用户出租所有的车位状态信息；所述空余车位输出模块把车位处理层模块输出的车位可以使用的情况数据传给车位管理服务器进行存储。
CN201810567234.2A 2018-06-05 2018-06-05 一种车位共享***及其方法 Expired - Fee Related CN108564810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810567234.2A CN108564810B (zh) 2018-06-05 2018-06-05 一种车位共享***及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810567234.2A CN108564810B (zh) 2018-06-05 2018-06-05 一种车位共享***及其方法

Publications (2)

Publication Number Publication Date
CN108564810A CN108564810A (zh) 2018-09-21
CN108564810B true CN108564810B (zh) 2021-02-19

Family

ID=63552878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810567234.2A Expired - Fee Related CN108564810B (zh) 2018-06-05 2018-06-05 一种车位共享***及其方法

Country Status (1)

Country Link
CN (1) CN108564810B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107170285B (zh) * 2017-06-23 2019-09-10 深圳市盛路物联通讯技术有限公司 一种智能预约停车泊位的方法及装置
CN109741627A (zh) * 2019-02-26 2019-05-10 湖南正维新能源科技有限责任公司 一种共享停车位数据处理***及其方法
CN113496625B (zh) * 2021-08-11 2022-04-01 合肥工业大学 一种基于改进bp神经网络的私人停车位共享方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652545A (zh) * 2015-10-28 2017-05-10 赵依军 优化处理车位预订请求的方法和***
CN107284443A (zh) * 2016-04-12 2017-10-24 福特全球技术公司 检测可用停车位
CN108010378A (zh) * 2017-12-20 2018-05-08 中国科学院深圳先进技术研究院 停车场泊位占用率预测方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024343A (zh) * 2010-12-20 2011-04-20 东南大学 停车场有效泊位占有率短时预测方法
CN103093643B (zh) * 2013-01-09 2015-06-17 东南大学 一种确定公共停车场泊位数的方法
CN107895504B (zh) * 2017-11-07 2019-12-20 重庆大学 室内停车场车位引导***及其地图重构方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652545A (zh) * 2015-10-28 2017-05-10 赵依军 优化处理车位预订请求的方法和***
CN107284443A (zh) * 2016-04-12 2017-10-24 福特全球技术公司 检测可用停车位
CN108010378A (zh) * 2017-12-20 2018-05-08 中国科学院深圳先进技术研究院 停车场泊位占用率预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN108564810A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108564810B (zh) 一种车位共享***及其方法
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN111985710A (zh) 一种公交乘客出行站点预测方法、存储介质及服务器
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
Schlote et al. Delay-tolerant stochastic algorithms for parking space assignment
CN112488400B (zh) 基于区块链技术与出行计划共享的交通出行行为调控方法
Monteiro et al. On-street parking prediction using real-time data
CN109117993A (zh) 一种车辆路径优化的处理方法
CN110444008B (zh) 一种车辆调度方法及装置
Liu et al. A distributed Markovian parking assist system
CN113762338A (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN114723480B (zh) 一种针对乡村旅游的客流量预测方法及货物调度***
Wang et al. Cross-regional customized bus route planning considering staggered commuting during the COVID-19
Yang The nonlinear effects of multi-scale built environments on CO2 emissions from commuting
CN114638434A (zh) 可变公交区域站点优化方法、设备及计算机存储介质
Cepolina et al. Innovative strategies for urban car-sharing systems and a simulator to assess their performance
CN110222884A (zh) 基于poi数据和客流量的车站可达性评估方法
Parezanović et al. Evaluation of sustainable mobility measures using fuzzy COPRAS method
CN113112097A (zh) 一种电动汽车负荷预测及充电设施布局优化方法
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN113140108A (zh) 一种网联智能交通***中的云端交通态势预测方法
CN116993391A (zh) 一种站点式共享单车***使用需求预测方法
Sun et al. An AHP-Fuzzy comprehensive evaluation model for parking lots in urban CBD area
Kukadapwar et al. Estimation of optimal path on urban road networks using ahp algorithm
Jose et al. A stacked long short-term memory neural networks for parking occupancy rate prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210219