CN111402616B - 智能停车控制方法、***、存储介质、终端 - Google Patents

Abstract

本发明属于智慧交通中的停车场路径规划领域，公开了一种智能停车控制方法、***、存储介质、计算机程序、终端，利用获取到的停车场物理信息构建出叠加数据能量场，完成停车位的推荐；对停车场所有停车位的停车时长进行定期统计，拟合统计结果，将拟合结果与原始数据能量场叠加完成参数的更新；通过实时的停车场物理信息计算出所有道路实时的权值并构建出停车场实时的无向带权图，利用改进后的Dijkstra算法规划出实时的最优路径；对结果进行展示并利用获取到的实时的停车场物理信息对结果进行不断优化直至用户完成停车。本发明有效的解决了大型停车场车位多且分布不规则所带来的问题；具有更好的动态性和实时性。

Description

智能停车控制方法、***、存储介质、终端

技术领域

本发明属于停车位路径规划技术领域，尤其涉及一种智能停车控制方法、***、存储介质、计算机程序、终端。

背景技术

目前，伴随着现代交通工具的日益普及以及人工智能技术的快速发展，智能化交通管理成为了目前社会急需解决的问题。叠加高斯能量场聚类方法和路径规划算法作为智慧停车的核心技术，在推进城市智能化、交通合理化、管理便捷化中，扮演着重要的角色。智慧停车是指将无线通信技术、移动终端技术、GPS定位技术、GIS技术等综合应用于城市停车位的采集、管理、查询、预订与导航服务，实现停车位资源的实时更新、查询、预订与导航服务一体化，实现停车位资源利用率的最大化、停车场利润的最大化和车主停车服务的最优化。智慧停车的"智慧"就体现在:"智能找车位+自动缴停车费"。服务于车主的日常停车、错时停车、车位租赁、汽车后市场服务、反向寻车、停车位导航。

叠加数据能量场聚类方法是一种无监督分类算法，在许多领域都有重要应如：语音识别、字符识别、图像分割、数据压缩、信息检索、大数据挖掘等等。聚类算法的本质是计算样本间相似度，进而通过某种准则将其划分为若干簇，使得同类数据具有最大相似度，不同类别间的数据具有最小相似度。而叠加数据能量场的方法在智慧停车中用于构建离散数值空间，在参数取定的基础上构造叠加数据能量场，叠加强度反应数据密度大小，最后通过数据密度大小对停车位进行选择。叠加数据能量场聚类方法用于智能停车场“智能找车位”这一功能，有利于停车场实现智能管理，提高停车场车位利用率，缓解道路拥堵。

EM是指若干个高斯分布函数进行线性组合，理论上EM可以拟合出自然界中任意类型的分布，因此EM算法被广泛用于同一集合下的数据包含若干个不同分布的情况。对停车场中所有停车位的停车时长进行定期统计，并用EM算法拟合出的结果对叠加的数据能量场进行定期更新，使智能停车***更适用于周围复杂多变的环境，也实现了智能停车***的“主动学习”。

路径规划技术在很多领域都有广泛的应用。在高新科技领域的应用有：机器人的自主无碰行动；无人机的躲避障碍突防飞行。在日常生活领域的应用有： GPS导航；基于GIS***的道路规划；城市道路网规划导航等。在决策管理领域的应用有：物流管理中的车辆问题及类似的资源管理配置问题。凡是可拓扑为点线网络的规划问题基本上都可以采用路径规划的方法解决。路径规划的核心就是算法的设计，路径规划算法目前已经得到了广泛的关注，从传统算法，到后来的结合仿生学发展起来的算法，智能算法已经取得了巨大的进展。不同的智能算法已经取得了巨大进展。不同智能算法特点不同，适用范围和领域也就不同。Dijkstra算法是一种典型的单源路径规划算法，如今被广泛应用于大型停车场的路径规划问题中，可用于停车场“智能找车位”这一功能，实现停车场智能规划停车路径，节省用户停车时间，缓解道路拥堵。

通过上述分析，现有技术存在的问题及缺陷为：传统的智能停车***中存在的动态性性不足，可移植性不强。

解决以上问题及缺陷的难度为：传统的路径规划算法不适用于物理环境复杂的停车场中，且实现停车***的动态性需要耗费大量的计算资源。

解决以上问题及缺陷的意义为：可应用于城市内各个规模的停车场中，尤其是物理环境复杂的大型停车场，且能提供用户实时的车位推荐及路径规划的需求。

发明内容

针对现有技术存在的问题，本发明提供了一种智能停车控制方法、***、存储介质、计算机程序、终端。

本发明是这样实现的，一种智能停车控制方法，所述智能停车控制方法选取车位，通过叠加数据能量场进行车位的选择，在数据能量场的参数优化问题上，通过定期对停车位停车时长统计再利用EM算法拟合统计结果，将拟合的结果与原始数据能量场进行叠加；规划停车路径，采取改进后的动态节点Dijkstra 算法实时地规划出当前位置到推荐车位的最优路径。

进一步，所述智能停车控制方法包括：

第一步，利用获取到的停车场物理信息构建出叠加数据能量场，完成停车位的推荐；

第二步，对停车场所有停车位的停车时长进行定期统计，拟合统计结果，将拟合结果与原始数据能量场叠加完成参数的更新；

第三步，通过实时的停车场物理信息计算出所有道路实时的权值并构建出停车场实时的无向带权图，利用改进后的Dijkstra算法规划出实时的最优路径；

第四步，对结果进行展示并利用获取到的实时的停车场物理信息对结果进行不断优化直至用户完成停车。

进一步，所述智能停车控制方法的停车位推荐模块包括：

(1)对停车场内可能影响车位选择的因素进行统计和量化，停车场中停车位选择的优先程度用空间中叠加能量的大小来表示，叠加能量大则优先程度高，叠加能量小则优先程度低；

(2)将停车场的俯视图看作二维空间G^m，令空间G^m中的每个取值点以某种能量函数f向四周辐射能量，并布满整个空间G^m，能量函数f应满足：以取值点为中心单调递减；函数在整个可行域内积分为一个常数；

(3)选择二维高斯分布作为衰减函数，拟合混合高斯模型场用到的二维高斯函数公式如下：

其中μ₁和μ₂为二维高斯分布的中心点，σ₁和σ₂控制二维高斯分布的衰减速率；

(4)影响因子：车位离用户的距离、车位离个别办公楼入口的距离、道路上车辆的影响以及车位离停车区域出入口距离；将所有影响因子辐射出的高斯能量场叠加起无车辆情况下的混合高斯能量场；

(5)将获取到的停车场道路上的所有车辆信息作为第二影响因子，将每一辆车当作一个独立的能量源，将所有车辆辐射出的能量场叠加作为道路车辆影响因子产生的能量场，将道路车辆影响因子产生的能量场与无车辆情况下的能量场叠加得到当前时刻的总能量场；在总能量场中选取对应能量密度最大的停车位推荐车位。

进一步，所述智能停车控制方法的参数更新包括：

(1)将停车场一个月以来各个停车位的停车时长进行统计；

(2)利用EM算法对所有停车位的停车时长进行拟合，将拟合结果与原始无车情况下的能量场进行叠加，得到更新后的能量场图，完成参数的更新。其中EM算法的具体步骤为：

1)符合混合高斯分布数据的采样；

2)确定最有可能产生该采样数据的混合高斯分布；

3)对采样数据做分类划分；

4)各个类对划分到的样本数据求样本产生的概率；

5)求采样数据产生的概率Q函数，公式如下：

Q_i(z⁽ⁱ⁾):＝p(z⁽ⁱ⁾|x⁽ⁱ⁾；θ)；

6)最大化Q函数来优化混合高斯分布参数，公式如下：

7)循环(3)～(6)步进行多次优化。

进一步，所述智能停车控制方法的路径规划包括：

(1)根据停车场车位分布及道路信息等物理环境对停车场进行建模，将停车场平面示意图转化为有向带权图结构，道路的交叉口、转弯处均代表一个节点，节点分别用n1、n2、……n23表示；

(2)根据当前时刻推荐车位及用户位置，将用户所在位置定义为节点n25，将推荐车位的位置定义为节点n24，模拟出当前时刻的无向带权图，此时n25到 n24之间的最短路径即为***规划的最短路径；

(3)道路的权值设定用于构建停车场的无向带权图，以路段通畅性作为标准，以道路上的车辆数及车辆运行状态来计算权值；车辆运行状态包括侧向行驶的车辆，相向行驶的车辆以及同向行驶的车辆，将不同状态的车辆作为不同程度的影响因子进行量化，分别设为α₁、α₂、α₃；

(4)以A＜ni-nj＞(i,j＝1,2,3,...)表示道路L＜ni-nj＞(i,j＝1,2,3,...)上的权值，M 代表当前道路的车辆数，V₀代表停车场的限速，S＜ni-nj＞(i,j＝1,2,3,...)表示当前道路的距离长度，V＜ni-nj＞(i,j＝1,2,3,...)表示当前道路的预计行驶车速，道路上车速计算公式为：

其中，α₁、α₂、α₃由实际统计得到，权值计算公式为：

(5)利用当前时刻的无向带权图及设定的道路权值计算出当前时刻的邻接矩阵，再利用Dijkstra算法规划出最优路径，其中Dijkstra算法具体步骤如下： s为源节点，m为图中的节点总数，w[q,p]为节点q和节点p之间的边权，将以s节点为起点到o节点的边权和保存在dist[o]中；

1)初始化：将源的距离dist[s]设为0，其他的点距离设为无穷大，同时把所有的点的状态设为未扩展状态；

2)循环m－1次：①在处于未扩展状态的点中取距离最小的节点k，将其状态设为已扩展；②对于每个与k节点相邻的节点v，执行relax(k,v)，如果 dist[k]+w[k,v]＜dist[v]，那么把dist[v]更新成更短的距离dist[k]+w[k,v]，此时到点v的最短路径上，前一个节点即为k；

3)结束，此时对于任意节点u，dist[u]就是s到u的距离；

4)Dijkstra算法就是在不断更新中不断排序，更新到最后的最小路径是所需要的最小路径。

进一步，所述智能停车控制方法的将推荐的车位及路径规划的结果在可视化平台上进行展示，并根据获取到的实时的停车场用户位置、道路上车辆分布状态实时更新展示结果，实现动态的路径规划。

本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求任意一项所述包括：选取车位，通过叠加数据能量场进行车位的选择，在数据能量场的参数优化问题上，通过定期对停车位停车时长统计再利用EM算法拟合统计结果，将拟合的结果与原始数据能量场进行叠加；规划停车路径，采取改进后的动态节点Dijkstra算法实时地规划出当前位置到推荐车位的最优路径。

本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的智能停车控制方法。

本发明的另一目的在于提供一种实施所述的智能停车控制方法的智能停车控制***，所述智能停车控制***包括：

车位推荐模块，用于根据停车场物理模型构造叠加数据能量场并推荐出最优车位；

参数更新模块，用于定期对特定时长下的所有停车位停车时长进行统计，利用EM算法拟合，将拟合结果叠加到原始数据能量场，完成对叠加数据能量场的更新；

路径规划模块，用于根据停车场道路上车辆分布情况合理地规划出用户位置到推荐车位的最优路径；

路径规划结果展示模块，用于将推荐的车位及路径规划的结果在可视化平台上进行展示，并根据用户位置和停车场道路上车辆状态的变化而实时更新结果。

本发明的另一目的在于提供一种终端，所述终端搭载所述的智能停车控制***。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：满足用户实时性需求，可应用于物理环境复杂的大型停车场。下表列出本发明与现有技术相比的结果：

本发明在选取最优车位方面，通过叠加数据能量场进行车位的选择，在数据能量场的参数优化问题上，通过定期对停车位停车时长统计再利用EM算法拟合统计结果，将拟合的结果与原始数据能量场进行叠加即可。在规划停车路径方面，采取改进后的动态节点Dijkstra算法实时地规划出当前位置到推荐车位的最优路径。本发明基于叠加数据能量场的停车位选择方法、基于Dijkstra算法的路径规划方法及EM算法，具体涉及基于叠加数据能量场及Dijkstra算法的智能停车***，可用于智慧交通领域的大型停车场车位推荐及路径规划。

本发明在车位推荐方面的优势在于构建叠加数据能量场，目前大多数的智慧停车***都采取先规划路径再选择车位，这种算法只适用于计算量小且停车位分布规则的小型停车场，在解决停车位多且分布不规则的大型停车场车位推荐问题上并不适用。本发明设计的车位推荐模块采取构建叠加数据能量场的方法，有效的克服了大型停车场车位众多且分布不规则的难题，并在一定程度上克服了解决大型停车场问题面临的计算量大的问题，且有较强的可移植性。

本发明在参数更新方面优势在于采用EM算法拟合数据。考虑到停车场复杂的物理环境及周围地形可能会随时间变化从而影响停车位的选择，为了保证车位推荐的合理性，本发明引入了参数更新模块，通过定期对车位的泊车情况进行统计，并采取EM算法对统计情况进行拟合，完成对车位推荐***的不断更新和完善，实现了智能停车***的“主动学习”。

本发明在路径规划方面的优势在采用改进后的Dijkstra算法。在传统的Dijkstra算法中，图网络的拓扑结构在停车场建模完成后便确定下来，而大量的路径规划工作者也只是在图网络中每条边上的权重值进行由静态到动态的改进，而本发明所采用的路径规划模块不但对Dijkstra算法中用到的图网络在每边权值都进行动态化，还对其拓扑结构也进行动态化改进。通过引入了停车起点 (用户所在位置)和停车终点(推荐车位)实现了真正的路径规划动态化。本发明有效的解决了大型停车场车位多且分布不规则所带来的问题，同时对于车位推荐模块中参数的设定采用了定期更新的策略，同时改进后的Dijkstra算法具有更好的动态性和实时性。适用于停车场中的车位推荐及路径规划等领域。

附图说明

图1是本发明实施例提供的智能停车控制方法流程图。

图2是本发明实施例提供的智能停车控制***的结构示意图；

图中：1、车位推荐模块；2、参数更新模块；3、路径规划模块；4、路径规划结果展示模块。

图3是本发明实施例提供的停车场平面示意图。

图4是本发明实施例提供的当前时刻的停车场车辆分布状态图。

图5是本发明实施例提供的停车场无向带权图。

图6是本发明实施例提供的三种不同车辆行驶状态示意图。

图7是本发明实施例提供的当前时刻的推荐车位及规划路径图。

图8是本发明实施例提供的中间时刻的推荐车位及规划路径图。

图9是本发明实施例提供的最终时刻的推荐车位及规划路径图。

图10是本发明实施例提供的初始叠加数据能量场图。

图11是本发明实施例提供的EM算法的拟合结果是本发明实施例提供的

图12是本发明实施例提供的更新后的叠加数据能量场示意图。

图13是实验仿真的停车场场景图

图14是实验仿真的结果图

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种智能停车控制方法、***、存储介质、计算机程序、终端，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的智能停车控制方法包括以下步骤：

S101：利用获取到的停车场物理信息构建出叠加数据能量场，完成停车位的推荐；

S102：对停车场所有停车位的停车时长进行定期统计，拟合统计结果，将拟合结果与原始数据能量场叠加完成参数的更新；

S103：通过实时的停车场物理信息计算出所有道路实时的权值并构建出停车场实时的无向带权图，利用改进后的Dijkstra算法规划出实时的最优路径；

S104：对结果进行展示并利用获取到的实时的停车场物理信息对结果进行不断优化直至用户完成停车。

如图2所示，本发明实施例提供的智能停车控制***包括：

车位推荐模块1，用于根据停车场物理模型构造叠加数据能量场并推荐出最优车位。

参数更新模块2，用于定期对特定时长下的所有停车位停车时长进行统计，利用EM算法拟合，将拟合结果叠加到原始数据能量场，完成对叠加数据能量场的更新。

路径规划模块3，用于根据停车场道路上车辆分布情况合理地规划出用户位置到推荐车位的最优路径。

路径规划结果展示模块4，用于将推荐的车位及路径规划的结果在可视化平台上进行展示，并根据用户位置和停车场道路上车辆状态的变化而实时更新结果。

在本发明的优选实施例红，车位推荐模块1的过程，其具体步骤及原理如下：

(1)首先对停车场内可能影响车位选择的因素进行统计和量化，设想每个影响因子都是一个能量源，它以某种衰减函数的形式向四周辐射能量，所有影响因子的辐射能量相互叠加，最终形成一个充满整个离散数值空间的能量，称作叠加数据能量。基于该设想，停车场中停车位选择的优先程度可以用空间中叠加能量的大小来表示，叠加能量大则优先程度高，叠加能量小则优先程度低。

(2)将停车场的俯视图看作二维空间G^m，令空间G^m中的每个取值点以某种能量函数f向四周辐射能量，并布满整个空间G^m。为使能量函数的叠加能反应停车场车位的优先程度，能量函数f应满足以下两个条件：

以取值点为中心单调递减；

函数在整个可行域内积分为一个常数；

(3)为满足这两个条件，本发明选择二维高斯分布作为衰减函数，拟合混合高斯模型场用到的二维高斯函数公式如下：

其中μ₁和μ₂为二维高斯分布的中心点，σ₁和σ₂控制二维高斯分布的衰减速率。

(4)设定的影响因子如下：车位离用户的距离、车位离个别办公楼入口的距离、道路上车辆的影响以及车位离停车区域出入口距离。将所有影响因子辐射出的高斯能量场叠加起来便得到无车辆情况下的混合高斯能量场。

(5)将获取到的停车场道路上的所有车辆信息作为第二影响因子，将每一辆车当作一个独立的能量源，将所有车辆辐射出的能量场叠加作为第二影响因子(道路车辆影响因子)产生的能量场，将道路车辆影响因子产生的能量场与无车辆情况下的能量场叠加得到当前时刻的总能量场。在总能量场中选取对应能量密度最大的停车位推荐车位

在本发明的优选实施例中，参数更新模块2具体步骤如下：

(1)将停车场一个月以来各个停车位的停车时长进行统计，如表1所示为选取的停车场中部分停车位的停车时长，将停车位从上到下，从左至右的顺序进行编号，表1第二列列出该停车位当月停车时长。

表1部分车位停车时长

(2)利用EM算法对所有停车位的停车时长进行拟合，将拟合结果与原始无车情况下的能量场进行叠加，得到更新后的能量场图，完成参数的更新。其中EM算法的具体步骤为：

1)符合混合高斯分布数据的采样。

2)确定最有可能产生该采样数据的混合高斯分布。

3)对采样数据做分类划分。

4)各个类对划分到的样本数据求样本产生的概率。

5)求采样数据产生的概率(Q函数)，公式如下：

Q_i(z⁽ⁱ⁾):＝p(z⁽ⁱ⁾|x⁽ⁱ⁾；θ)；

6)最大化Q函数来优化混合高斯分布参数，公式如下：

7)循环(3)～(6)步进行多次优化。

在本发明的优选实施例中，路径规划模块3具体步骤如下：

(1)根据停车场车位分布及道路信息等物理环境对停车场进行建模，将停车场平面示意图转化为有向(无向)带权图结构。道路的交叉口、转弯处均代表一个节点，节点分别用n1、n2、……n23表示。

(2)根据当前时刻推荐车位及用户位置，将用户所在位置定义为节点n25，将推荐车位的位置定义为节点n24，模拟出当前时刻的无向带权图，此时n25到 n24之间的最短路径即为***规划的最短路径。

(3)道路的权值设定用于构建停车场的无向带权图，因此道路权值的确定是路径规划的前提，该模块以路段通畅性作为标准，以道路上的车辆数及车辆运行状态来计算权值。车辆运行状态包括侧向行驶的车辆，相向行驶的车辆以及同向行驶的车辆，将不同状态的车辆作为不同程度的影响因子进行量化，分别设为α₁、α₂、α₃。

(4)以A＜ni-nj＞(i,j＝1,2,3,...)表示道路L＜ni-nj＞(i,j＝1,2,3,...)上的权值，M 代表当前道路的车辆数，V₀代表停车场的限速，S＜ni-nj＞(i,j＝1,2,3,...)表示当前道路的距离长度，V＜ni-nj＞(i,j＝1,2,3,...)表示当前道路的预计行驶车速，道路上车速计算公式为：

其中，α₁、α₂、α₃由实际统计得到。权值计算公式为：

(5)利用当前时刻的无向带权图及设定的道路权值计算出当前时刻的邻接矩阵，再利用Dijkstra算法规划出最优路径，其中Dijkstra算法具体步骤如下：

s为源节点，m为图中的节点总数，w[q,p]为节点q和节点p之间的边权，将以s节点为起点到o节点的边权和保存在dist[o]中。

1)初始化：将源的距离dist[s]设为0，其他的点距离设为无穷大，同时把所有的点的状态设为未扩展状态。

2)循环m－1次：①在处于未扩展状态的点中取距离最小的节点k，将其状态设为已扩展。②对于每个与k节点相邻的节点v，执行relax(k,v)，也就是说，如果dist[k]+w[k,v]＜dist[v]，那么把dist[v]更新成更短的距离dist[k]+w[k,v]，此时到点v的最短路径上，前一个节点即为k。

3)结束，此时对于任意节点u，dist[u]就是s到u的距离。

4)Dijkstra算法有适用于有向图与无向图，但不适用于带负权的图。实际上，Dijkstra算法就是在不断更新中不断排序，更新到最后的最小路径才是我们所需要的最小路径。

在本发明的优选实施例中，将推荐的车位及路径规划的结果在可视化平台上进行展示，并根据获取到的实时的停车场信息(用户位置、道路上车辆分布状态)实时更新展示结果，实现动态的路径规划。

下面结合附图对本发明的技术方案作进一步的描述。

本发明实施例提供的智能停车控制方法具体包括以下步骤：

步骤一，车位推荐模块获取到图4所示当前时刻停车场车辆分布信息及用户位置信息后，再根据图3所示停车场平面示意图，构建出相应的叠加数据能量场，选取数据能量密度最大的停车位作为推荐车位，也就是图7中对应颜色最深的停车位。

步骤二，根据停车场平面示意图构建出如图5所示的无向带权图，考虑到图5所示的道路上三种行车状态，参考当前时刻的车辆分布信息，设定每条道路上的权值，构建出当前时刻下的包含起点和终点的无向带权图，并计算出对应的邻接矩阵，再通过Dijkstra算法规划出如图7所示的停车路径。

步骤三，用户沿着当前规划路径出发，与此同时，车位推荐模块会根据停车场道路通畅等因素对推荐车位进行合理的调整(推荐车位也可能不变)，路径规划模块也不断根据调整后的推荐车位规划处最优路径，如图8所示为用户行驶途中推荐的路径及规划的车位，车位推荐***及路径规划***一直工作持续到用户即将抵达推荐车位的时刻，如图9所示，为最终时刻的推荐车位及规划路径。

步骤四，为保证智能停车***能够“主动学习”，本发明采取参数更新模块对停车场中所有停车位的泊车情况进行定期的统计并用EM算法对统计的数据进行拟合得到图11所示的结果，原始的叠加数据能量场如图10所示，最后将拟合的结果与原始的数据能量场进行叠加得到如图12所示的结果，用新的叠加数据能量场(图12)替换掉原始的叠加数据能量场，完成参数的更新。

采取MATLAB2017B仿真软件对本发明提出的智能停车***进行仿真实验，实验结果如下：

当前时刻以图13为例，其中五角星代表用户所在位置，将捕获到的车辆位置及状态信息以TXT文件的形式传输到车位推荐模块中，其中TXT文件内容如下表所示：

车辆位置	车辆行驶方向
		(221，135)	1
(791，349)	2
		(499，557)	0
(1511，787)	2

其中，车辆位置信息是根据摄像头捕获到的车辆实际位置信息转换到停车场示意图上的坐标信息，车辆的方向信息用0、1、2、3来分别代表车辆行驶方向的北、东、南、西。经过0.3s后，车位推荐模块推荐出最优车位，并将最优车位信息传入路径规划模块中，经过0.4秒后，路径规划模块规划出最优路径，并在MATLAB2017B上以图14所示的形式显示出来。由图14可以看出，本发明提出的智能停车***准确性较好，且平均0.7秒运行一次，在实际部署中满足用户的实时性需求。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种智能停车控制方法，其特征在于，所述智能停车控制方法选取车位，通过叠加数据能量场进行车位的选择，在数据能量场的参数优化问题上，通过定期对停车位停车时长统计再利用EM算法拟合统计结果，将拟合的结果与原始数据能量场进行叠加；规划停车路径，采取改进后的动态节点Dijkstra算法实时地规划出当前位置到推荐车位的最优路径；

所述智能停车控制方法包括：

第一步，利用获取到的停车场物理信息构建出叠加数据能量场，完成停车位的推荐；

第二步，对停车场所有停车位的停车时长进行定期统计，拟合统计结果，将拟合结果与原始数据能量场叠加完成参数的更新；

第三步，通过实时的停车场物理信息计算出所有道路实时的权值并构建出停车场实时的无向带权图，利用改进后的Dijkstra算法规划出实时的最优路径；

第四步，对结果进行展示并利用获取到的实时的停车场物理信息对结果进行不断优化直至用户完成停车；

所述智能停车控制方法的停车位推荐模块包括：

(1)对停车场内可能影响车位选择的因素进行统计和量化，停车场中停车位选择的优先程度用空间中叠加能量的大小来表示，叠加能量大则优先程度高，叠加能量小则优先程度低；

(2)将停车场的俯视图看作二维空间G^m，令空间G^m中的每个取值点以某种能量函数f向四周辐射能量，并布满整个空间G^m，能量函数f应满足：以取值点为中心单调递减；函数在整个可行域内积分为一个常数；

(3)选择二维高斯分布作为衰减函数，拟合混合高斯模型场用到的二维高斯函数公式如下：

其中μ₁和μ₂为二维高斯分布的中心点，σ₁和σ₂控制二维高斯分布的衰减速率；

(4)影响因子：车位离用户的距离、车位离个别办公楼入口的距离、道路上车辆的影响以及车位离停车区域出入口距离；将所有影响因子辐射出的高斯能量场叠加起无车辆情况下的混合高斯能量场；

(5)将获取到的停车场道路上的所有车辆信息作为第二影响因子，将每一辆车当作一个独立的能量源，将所有车辆辐射出的能量场叠加作为道路车辆影响因子产生的能量场，将道路车辆影响因子产生的能量场与无车辆情况下的能量场叠加得到当前时刻的总能量场；在总能量场中选取对应能量密度最大的停车位推荐车位。

2.如权利要求1所述的智能停车控制方法，其特征在于，所述智能停车控制方法的参数更新包括：

(1)将停车场一个月以来各个停车位的停车时长进行统计；

(2)利用EM算法对所有停车位的停车时长进行拟合，将拟合结果与原始无车情况下的能量场进行叠加，得到更新后的能量场图，完成参数的更新，其中EM算法的具体步骤为：

1)符合混合高斯分布数据的采样；

2)确定最有可能产生该采样数据的混合高斯分布；

3)对采样数据做分类划分；

4)各个类对划分到的样本数据求样本产生的概率；

5)求采样数据产生的概率Q函数，公式如下：

Q_i(z⁽ⁱ⁾):＝p(z⁽ⁱ⁾|x⁽ⁱ⁾；θ)；

6)最大化Q函数来优化混合高斯分布参数，公式如下：

7)循环(3)～(6)步进行多次优化。

3.如权利要求1所述的智能停车控制方法，其特征在于，所述智能停车控制方法的路径规划包括：

(1)根据停车场车位分布及道路信息等物理环境对停车场进行建模，将停车场平面示意图转化为有向带权图结构，道路的交叉口、转弯处均代表一个节点，节点分别用n1、n2、……n23表示；

(2)根据当前时刻推荐车位及用户位置，将用户所在位置定义为节点n25，将推荐车位的位置定义为节点n24，模拟出当前时刻的无向带权图，此时n25到n24之间的最短路径即为***规划的最短路径；

(3)道路的权值设定用于构建停车场的无向带权图，以路段通畅性作为标准，以道路上的车辆数及车辆运行状态来计算权值；车辆运行状态包括侧向行驶的车辆，相向行驶的车辆以及同向行驶的车辆，将不同状态的车辆作为不同程度的影响因子进行量化，分别设为α₁、α₂、α₃；

(4)以A＜ni-nj＞(i,j＝1,2,3,...)表示道路L＜ni-nj＞(i,j＝1,2,3,...)上的权值，M代表当前道路的车辆数，V₀代表停车场的限速，S＜ni-nj＞(i,j＝1,2,3,...)表示当前道路的距离长度，V＜ni-nj＞(i,j＝1,2,3,...)表示当前道路的预计行驶车速，道路上车速计算公式为：

其中，α₁、α₂、α₃由实际统计得到，权值计算公式为：

(5)利用当前时刻的无向带权图及设定的道路权值计算出当前时刻的邻接矩阵，再利用Dijkstra算法规划出最优路径，其中Dijkstra算法具体步骤如下：s为源节点，m为图中的节点总数，w[q,p]为节点q和节点p之间的边权，将以s节点为起点到o节点的边权和保存在dist[o]中；

1)初始化：将源的距离dist[s]设为0，其他的点距离设为无穷大，同时把所有的点的状态设为未扩展状态；

2)循环m－1次：①在处于未扩展状态的点中取距离最小的节点k，将其状态设为已扩展；②对于每个与k节点相邻的节点v，执行relax(k,v)，如果dist[k]+w[k,v]＜dist[v]，那么把dist[v]更新成更短的距离dist[k]+w[k,v]，此时到点v的最短路径上，前一个节点即为k；

3)结束，此时对于任意节点u，dist[u]就是s到u的距离；

4)Dijkstra算法就是在不断更新中不断排序，更新到最后的最小路径是所需要的最小路径。

4.如权利要求1所述的智能停车控制方法，其特征在于，所述智能停车控制方法的将推荐的车位及路径规划的结果在可视化平台上进行展示，并根据获取到的实时的停车场用户位置、道路上车辆分布状态实时更新展示结果，实现动态的路径规划。

5.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～4任意一项所述包括：选取车位，通过叠加数据能量场进行车位的选择，在数据能量场的参数优化问题上，通过定期对停车位停车时长统计再利用EM算法拟合统计结果，将拟合的结果与原始数据能量场进行叠加；规划停车路径，采取改进后的动态节点Dijkstra算法实时地规划出当前位置到推荐车位的最优路径。

6.一种实施权利要求1～4任意一项所述的智能停车控制方法的智能停车控制***，其特征在于，所述智能停车控制***包括：

车位推荐模块，用于根据停车场物理模型构造叠加数据能量场并推荐出最优车位；

参数更新模块，用于定期对特定时长下的所有停车位停车时长进行统计，利用EM算法拟合，将拟合结果叠加到原始数据能量场，完成对叠加数据能量场的更新；

路径规划模块，用于根据停车场道路上车辆分布情况合理地规划出用户位置到推荐车位的最优路径；

路径规划结果展示模块，用于将推荐的车位及路径规划的结果在可视化平台上进行展示，并根据用户位置和停车场道路上车辆状态的变化而实时更新结果。

7.一种终端，其特征在于，所述终端搭载权利要求6所述的智能停车控制***。

Images