CN114549075A - 一种基于停车和视频大数据的区域停车评价方法 - Google Patents
一种基于停车和视频大数据的区域停车评价方法 Download PDFInfo
- Publication number
- CN114549075A CN114549075A CN202210157752.3A CN202210157752A CN114549075A CN 114549075 A CN114549075 A CN 114549075A CN 202210157752 A CN202210157752 A CN 202210157752A CN 114549075 A CN114549075 A CN 114549075A
- Authority
- CN
- China
- Prior art keywords
- parking
- evaluation
- data
- demand
- time
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 103
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000004793 Polystyrene Substances 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 5
- 230000007306 turnover Effects 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 229920002223 polystyrene Polymers 0.000 claims description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 2
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于停车和视频大数据的区域停车评价方法,属于区域停车大数据技术领域,解决了单因素模糊评价,反映的只是对于一个单一因素所要评价对象的影响,这对于域市公共交通的整体评价来说是远远不够的,同时也会导致整体评价结果偏差较大的问题,进行模糊综合评价集计算,通过所采集的大数据区域内停车资源以及各类建筑配建停车泊位,对所有因素进行一个模糊综合评价,从而得出综合评价集合,综合考量所有因素对评价对象的影响,故模糊综合评价集能较好的对公共区域停车的评价结果进行有效体现,从而达到一个好的评价标准,使外部人员针对于公共区域停车进行配建车位有一个清晰的认知。
Description
技术领域
本发明属于区域停车大数据技术领域,具体是一种基于停车和视频大数据的区域停车评价方法。
背景技术
随着时代的发展,汽车已经成为了人们生活中的必要交通工具,针对于汽车的停放,大多数小区以及建筑物建设停车场,对汽车进行一个有序停放。
基于城市公共交通的快速发展,对区域停车进行评价时,一般采用的方式为将问题分析的变量控制在某一单一因素中,对这一单独的因素进行评价,最终得到的元素隶属度就被叫做单因素模糊评价,但单因素模糊评价,反映的只是对于一个单一因素所要评价对象的影响,这对于域市公共交通的整体评价来说是远远不够的,同时也会导致整体评价结果偏差较大。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于停车和视频大数据的区域停车评价方法。
本发明的目的可以通过以下技术方案实现:基于停车和视频大数据的区域停车评价方法,包括以下步骤:
S1、全面采集区域内停车资源,包括停车资源普查数据、各类建筑配建停车泊位以及智慧停车平台的公共停车泊位数据,按基本车位和出行车位进行分类,并对停车资源进行数字化和动态更新;
S2、区域停车需求分析研判,对小区道闸的车辆出入数据、区域内电警卡口采集到的车辆运行数据以及智慧停车平台采集到的停车数据进行综合分析,利用K-prototype算法构建停车需求分类模型,判别车辆的停车需求类型,进而计算区域内基本停车需求和出行停车需求量;
S3、根据实时采集到的基本车位和出行车位供给数量、基本停车需求和出行停车需求数据,绘制分时段分类型实时停车供需关系曲线;
S4、构建区域停车供需评价指标体系,通过对停车供需影响进行指标权重分析,对区域停车供需进行综合评价。
优选的,步骤S1中停车资源普查数据、各类建筑配建停车泊位以及智慧停车平台的公共停车泊位数据由智慧停车平台、停车场智慧停车管理***、人工普查等多种方式提供,根据提供的数据,外部操作人员进行实时更新,其中所更新的时间判定为一个月更新一次。
优选的,步骤S2中根据采集数据计算基本停车需求和出行停车需求的步骤如下:
S21、将区域内居住小区道闸出入数据标记为Zi,将其他类型建筑的道闸数据标记为Qi,将智慧停车平台采集到的路内停车数据标记为Li,将区域内电警卡口采集到的车辆运行数据标记为Di,其中i代表不同的车辆,i=1、2、……、n;
S22、提取单次停车车辆的停车时间、停车位置、停车时长信息,对停车时间按照日期和时段进行划分,划分为停车日期以及停车时段;
停车日期PDi分为:工作日和周末,即:PDi=[0,1],其中,“0”代表工作日,“1”代表周末。
停车时段PSi分为四个时段,其中,停车时段1是指当日上午7:00-当日上午11:00,用“0”代表;停车时段2是指当日上午11:00-当日下午14:00,用“1”代表;停车时段3是指当日下午14:00-当日下午18:00,用“2”代表;停车时段4是指当日下午18:00-次日早上6:00,用“3”代表,至此,将停车时段划分为四部分,即:PSi=[0,1,2,3]。
停车位置PLi分为:路内停车、路外停车。其中,路内停车是指占用公共道路划定的停车位,用“0”代表。路外停车主要是指需投资建设和建造的专供停放车辆的场所,路外停车可以分为公共停车场和专用停车场。其中,公共停车场用“1”代表。
S23、利用K-prototype算法构建停车需求分类模型,具体步骤如下:
输入停车特征数据X={x1,x2,...,xi,...,xn},其中,x1代表第i辆车的停车特征数据,xi=[xi1,xi2,xi3,xi4]。xi1为数值型变量,xi1=PTi。xi2,xi3和xi4为类别型变量,xi2=PDi,xi3=PSi,xi4=PLi;聚类簇个数k=2。
随机选取k个初始中心点Ql=[ql1,ql2];
计算样本点与k个中心点的距离d(xi,Ql),其中,数值型变量计算欧氏距离,类别型变量计算海明威距离。
将样本点划分到离它最近的中心点所对应的类别中;
更新类别中心,数值型变量样本取值的均值作为新的原型的特征取值,类别型变量样本取值的众数作为新的原型的特征取值;
计算第i次和第i-1次目标函数差值ΔFi,i-1=Fi-F-i1,判断ΔFi,i-1≤ε是否满足,若是,则停止循环,输出聚类结果;若否,则继续步骤S233-S236,直至满足迭代停止条件。
优选的,步骤S3中绘制停车供需曲线图由***根据实时的分类停车供给和需求数据自动绘制,所绘制的曲线图内部时间行列间隔为1小时。
优选的,步骤S4中停车供需评价指标体系由操作人员自行构建,设定指标计算规则,根据采集的数据进行指标计算,评价指标体系可根据需求进行扩展,通过评价指标在停车供需分析中作用对指标进行权重分析,步骤如下:
S41、构建区域停车评价指标体系U=[u1,u2,...,uj],包括:静态停车指标和动态停车指标两大类,其中,静态停车指标包括但不限于停车泊位配比、泊位总量/机动车保有量、停车供给缺口等,动态停车指标主要反映的是停车运营水平,包括但不限于停车周转率、泊位饱和率、泊位利用率、平均停车时长、免费停车比例等;
S42、部分动态指标的计算方法如下:
停车周转率为区域特定时间内实际停车总辆数与停车场停车容量之比;
泊位利用率为区域被利用的泊位数与总停车泊位数之比;
免费停车比例为区域内免费停车的泊位数与区域总停车泊位数之比。
优选的,步骤S4中对公共区域停车供需进行综合评价的步骤如下:
S401、设定停车服务水平评价集V,将停车服务水平划分为一级、二级、三级和四级,即V=[v1,v2,v3,v4]。级数越高,代表服务水平越低。
S402、设定评价矩阵R。设指标集U中第i个元素对评价集V中第j个元素的隶属度为rij,则停车服务水平评价矩阵R可表示为:
S403、确定评价指标权重集A,A=[a1,a2,...,aj],其中,aj为第j个评价指标权重。
S404、利用熵权法来确定aj,计算步骤如下:
设uij为第i个停车评价区域的第j个评价指标值,其中i∈[1,m],j∈[1,n],评价指标矩阵U如下:
S4041、数据标准化处理,使用最小--最大归一化对数据进行处理,如式3所示:
其中,u′ij为归一化处理后的指标值,uij为归一化处理前的指标值,max{u1j,u2j,...,umj}和min{u1j,u2j,...,umj}分别为第j个评价指标的最大值和最小值;
S4042、计算第j个评价指标下,第i个评价区域占该评价指标的比重,如式4所示。
S4043、计算第j个指标的熵值Ej,如式5所示:
S4044、计算各个评价指标的权重,如式6所示:
S405、构建区域停车服务水平评价模型,将评价指标权重集A和评价矩阵R相乘,得到模糊综合评价矩阵B,B=A·R,最终的停车服务水平为模糊综合评价矩阵B中的最大值对应的停车服务水平等级。
优选的,步骤S405中将计算所得模糊综合评价直接输送至外部显示终端内,将模糊综合评价进行显示,供操作人员进行查看验收。
与现有技术相比,本发明的有益效果是:对区域停车进行评价时,需预先采用数据采集的方式对多组不同的数据进行采集,对采集后的因素采用聚类算法进行求值,得到车辆的出行规律值,再通过针对不同的区域,选取不同的指标体系,对出行规律值Ei进行指标权重分析,权重分析出对应的三组集合,再通过对应的三组集合,进行模糊综合评价集计算,通过所采集的大数据区域内停车资源以及各类建筑配建停车泊位,对所有因素进行一个模糊综合评价,从而得出综合评价集合,综合考量所有因素对评价对象的影响,故模糊综合评价集能较好的对公共区域停车的评价结果进行有效体现,从而达到一个好的评价标准,使外部人员针对于公共区域停车进行配建车位有一个清晰的认知。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还用于对根据这些附图获得其他的附图。
图1为本发明方法流程示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于停车和视频大数据的区域停车评价方法,包括以下步骤:
S1、全面采集区域内停车资源,包括停车资源普查数据、各类建筑配建停车泊位以及智慧停车平台的公共停车泊位数据,按基本车位和出行车位进行分类,并对停车资源进行数字化和动态更新;
S2、区域停车需求分析研判,对小区道闸的车辆出入数据、区域内电警卡口采集到的车辆运行数据以及智慧停车平台采集到的停车数据进行综合分析,利用K-prototype算法构建停车需求分类模型,判别车辆的停车需求类型,进而计算区域内基本停车需求和出行停车需求量;
S3、根据实时采集到的基本车位和出行车位供给数量、基本停车需求和出行停车需求数据,绘制分时段分类型实时停车供需关系曲线;
S4、构建区域停车供需评价指标体系,通过对停车供需影响进行指标权重分析,对区域停车供需进行综合评价。
步骤S1中停车资源普查数据、各类建筑配建停车泊位以及智慧停车平台的公共停车泊位数据由智慧停车平台、停车场智慧停车管理***、人工普查等多种方式提供,根据提供的数据,外部操作人员进行实时更新,其中所更新的时间判定为一个月更新一次。
步骤S2中根据采集数据计算基本停车需求和出行停车需求的步骤如下:
S21、将区域内居住小区道闸出入数据标记为Zi,将其他类型建筑的道闸数据标记为Qi,将智慧停车平台采集到的路内停车数据标记为Li,将区域内电警卡口采集到的车辆运行数据标记为Di,其中i代表不同的车辆,i=1、2、……、n;
S22、提取单次停车车辆的停车时间、停车位置、停车时长信息,对停车时间按照日期和时段进行划分,划分为停车日期以及停车时段;
停车日期PDi分为:工作日和周末,即:PDi=[0,1],其中,“0”代表工作日,“1”代表周末。
停车时段PSi分为四个时段,其中,停车时段1是指当日上午7:00-当日上午11:00,用“0”代表;停车时段2是指当日上午11:00-当日下午14:00,用“1”代表;停车时段3是指当日下午14:00-当日下午18:00,用“2”代表;停车时段4是指当日下午18:00-次日早上6:00,用“3”代表,至此,将停车时段划分为四部分,即:PSi=[0,1,2,3]。
停车位置PLi分为:路内停车、路外停车。其中,路内停车是指占用公共道路划定的停车位,用“0”代表。路外停车主要是指需投资建设和建造的专供停放车辆的场所,路外停车可以分为公共停车场和专用停车场。其中,公共停车场用“1”代表,主要包括:交通性停车场、文体性停车场、商业性停车场和货运车停车场,专用停车场用“2”代表,主要包括:居住地停车场、工作地停车场,至此,可以将停车位置划分为三部分,即:PLi=[0,1,2]。
S23、利用K-prototype算法构建停车需求分类模型,具体步骤如下:
S231、输入停车特征数据X={x1,x2,...,xi,...,xn},其中,x1代表第i辆车的停车特征数据,xi=[xi1,xi2,xi3,xi4]。xi1为数值型变量,xi1=PTi。xi2,xi3和xi4为类别型变量,xi2=PDi,xi3=PSi,xi4=PLi;聚类簇个数k=2。
S232、随机选取k个初始中心点Ql=[ql1,ql2];
S233、计算样本点与k个中心点的距离d(xi,Ql),其中,数值型变量计算欧氏距离,类别型变量计算海明威距离。
S234、将样本点划分到离它最近的中心点所对应的类别中;
S235、更新类别中心,数值型变量样本取值的均值作为新的原型的特征取值,类别型变量样本取值的众数作为新的原型的特征取值;
S237、计算第i次和第i-1次目标函数差值ΔFi,i-1=Fi-Fi-1,判断ΔFi,i-1≤ε是否满足,若是,则停止循环,输出聚类结果;若否,则继续步骤S233-S236,直至满足迭代停止条件。
步骤S3中绘制停车供需曲线图由***根据实时的分类停车供给和需求数据自动绘制,所绘制的曲线图内部时间行列间隔为1小时。
步骤S4中停车供需评价指标体系由操作人员自行构建,设定指标计算规则,根据采集的数据进行指标计算,评价指标体系可根据需求进行扩展,通过评价指标在停车供需分析中作用对指标进行权重分析,步骤如下:
S41、构建区域停车评价指标体系U=[u1,u2,...,uj],包括:静态停车指标和动态停车指标两大类,其中,静态停车指标包括但不限于停车泊位配比、泊位总量/机动车保有量、停车供给缺口等,动态停车指标主要反映的是停车运营水平,包括但不限于停车周转率、泊位饱和率、泊位利用率、平均停车时长、免费停车比例等;
S42、部分动态指标的计算方法如下:
停车周转率为区域特定时间内实际停车总辆数与停车场停车容量之比;
泊位利用率为区域被利用的泊位数与总停车泊位数之比;
免费停车比例为区域内免费停车的泊位数与区域总停车泊位数之比。
步骤S4中对公共区域停车供需进行综合评价的步骤如下:
S401、设定停车服务水平评价集V,将停车服务水平划分为一级、二级、三级和四级,即V=[v1,v2,v3,v4]。级数越高,代表服务水平越低。
S402、设定评价矩阵R。设指标集U中第i个元素对评价集V中第j个元素的隶属度为rij,则停车服务水平评价矩阵R可表示为:
S403、确定评价指标权重集A,A=[a1,a2,...,aj],其中,aj为第j个评价指标权重。
S404、利用熵权法来确定aj,计算步骤如下:
设uij为第i个停车评价区域的第j个评价指标值,其中i∈[1,m],j∈[1,n],评价指标矩阵U如下:
S4041、数据标准化处理,使用最小--最大归一化对数据进行处理,如式3所示:
其中,u′ij为归一化处理后的指标值,uij为归一化处理前的指标值,max{u1j,u2j,...,umj}和min{u1j,u2j,...,umj}分别为第j个评价指标的最大值和最小值;
S4042、计算第j个评价指标下,第i个评价区域占该评价指标的比重,如式4所示。
S4043、计算第j个指标的熵值Ej,如式5所示:
S4044、计算各个评价指标的权重,如式6所示:
S405、构建区域停车服务水平评价模型,将评价指标权重集A和评价矩阵R相乘,得到模糊综合评价矩阵B,B=A·R,最终的停车服务水平为模糊综合评价矩阵B中的最大值对应的停车服务水平等级。
步骤S405中将计算所得模糊综合评价直接输送至外部显示终端内,将模糊综合评价进行显示,供操作人员进行查看验收。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:基于停车和视频大数据的区域停车进行评价时,需预先采用数据采集的方式对多组不同的数据进行采集,对采集后的因素采用聚类算法进行求值,得到车辆的出行规律值,再通过针对不同的区域,选取不同的指标体系,对出行规律值进行指标权重分析,权重分析出对应的三组集合,再通过对应的三组集合,进行模糊综合评价集计算,通过所采集的大数据区域内停车资源以及各类建筑配建停车泊位,对所有因素进行一个模糊综合评价,从而得出综合评价集合。
最后应说明的是,以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,用于对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种基于停车和视频大数据的区域停车评价方法,其特征在于,包括以下步骤:
S1、全面采集区域内停车资源,包括停车资源普查数据、各类建筑配建停车泊位以及智慧停车平台的公共停车泊位数据,按基本车位和出行车位进行分类,并对停车资源进行数字化和动态更新;
S2、区域停车需求分析研判,对小区道闸的车辆出入数据、区域内电警卡口采集到的车辆运行数据以及智慧停车平台采集到的停车数据进行综合分析,利用K-prototype算法构建停车需求分类模型,判别车辆的停车需求类型,进而计算区域内基本停车需求和出行停车需求量;
S3、根据实时采集到的基本车位和出行车位供给数量、基本停车需求和出行停车需求数据,绘制分时段分类型实时停车供需关系曲线;
S4、构建区域停车供需评价指标体系,通过对停车供需影响进行指标权重分析,对区域停车供需进行综合评价。
2.根据权利要求1所述的一种基于停车和视频大数据的区域停车评价方法,其特征在于,步骤S1中停车资源普查数据、各类建筑配建停车泊位以及智慧停车平台的公共停车泊位数据由智慧停车平台、停车场智慧停车管理***、人工普查方式提供,根据提供的数据,外部操作人员进行实时更新,其中所更新的时间设定为一个月更新一次。
3.根据权利要求1所述的一种基于停车和视频大数据的区域停车评价方法,其特征在于,步骤S2中根据采集数据计算基本停车需求和出行停车需求的步骤如下:
S21、将区域内居住小区道闸出入数据标记为Zi,将其他类型建筑的道闸数据标记为Qi,将智慧停车平台采集到的路内停车数据标记为Li,将区域内电警卡口采集到的车辆运行数据标记为Di,其中i代表不同的车辆,i=1、2、……、n;
S22、提取单次停车车辆的停车时间、停车位置、停车时长信息,对停车时间按照日期和时段进行划分,划分为停车日期以及停车时段;
停车日期PDi分为:工作日和周末,即:PDi=[0,1],“0”代表工作日,“1”代表周末;
停车时段PSi分为四个时段,其中,停车时段一用“0”代表;停车时段二用“1”代表;停车时段三用“2”代表;停车时段四用“3”代表,至此,将停车时段划分为四部分,即:PSi=[0,1,2,3];
停车位置PLi分为:路内停车、路外停车,其中,路内停车是指占用公共道路划定的停车位,用“0”代表,路外停车主要是指需投资建设和建造的专供停放车辆的场所,路外停车可以分为公共停车场和专用停车场,其中,公共停车场用“1”代表,专用停车场用“2”代表,将停车位置划分为三部分,即:PLi=[0,1,2];
S23、利用K-prototype算法构建停车需求分类模型,具体步骤如下:
S231、输入停车特征数据X={x1,x2,...,xi,...,xn},其中,x1代表第i辆车的停车特征数据,xi=[xi1,xi2,xi3,xi4],xi1为数值型变量,xi1=PTi,xi2,xi3和xi4为类别型变量,xi2=PDi,xi3=PSi,xi4=PLi,聚类簇个数k=2;
S232、随机选取2个初始中心点Ql=[ql1,ql2];
S233、计算样本点与k个中心点的距离d(xi,Ql),其中,数值型变量计算欧氏距离,类别型变量计算海明威距离;
S234、将样本点划分到离它最近的中心点所对应的类别中;
S235、更新类别中心,数值型变量样本取值的均值作为新的原型的特征取值,类别型变量样本取值的众数作为新的原型的特征取值;
S237、计算第i次和第i-1次目标函数差值ΔFi,i-1=Fi-Fi-1,判断ΔFi,i-1≤ε是否满足,若是,则停止循环,输出聚类结果;若否,则继续步骤S233-S236,直至满足迭代停止条件。
4.根据权利要求1所述的一种基于停车和视频大数据的区域停车评价方法,其特征在于,步骤S3中绘制停车供需曲线图由***根据实时的分类停车供给和需求数据自动绘制,所绘制的曲线图内部时间行列间隔为1小时。
5.根据权利要求3所述的一种基于停车和视频大数据的区域停车评价方法,其特征在于,步骤S4中停车供需评价指标体系由操作人员自行构建,设定指标计算规则,根据采集的数据进行指标计算,评价指标体系可根据需求进行扩展,通过评价指标在停车供需分析中作用对指标进行权重分析,步骤如下:
S41、构建区域停车评价指标体系U=[u1,u2,...,uj],包括:静态停车指标和动态停车指标两大类,动态停车指标主要反映的是停车运营水平;
S42、部分动态指标的计算方法如下:
停车周转率为区域特定时间内实际停车总辆数与停车场停车容量之比;
泊位利用率为区域被利用的泊位数与总停车泊位数之比;
免费停车比例为区域内免费停车的泊位数与区域总停车泊位数之比。
6.根据权利要求5所述的一种基于停车和视频大数据的区域停车评价方法,其特征在于,步骤S4中对公共区域停车供需进行综合评价的步骤如下:
S401、设定停车服务水平评价集V,将停车服务水平划分为一级、二级、三级和四级,即V=[v1,v2,v3,v4],级数越高,代表服务水平越低;
S402、设定评价矩阵R,设指标集U中第i个元素对评价集V中第j个元素的隶属度为rij,则停车服务水平评价矩阵R可表示为:
S403、确定评价指标权重集A,A=[a1,a2,...,aj],其中,aj为第j个评价指标权重;
S404、利用熵权法来确定aj,计算步骤如下:
设uij为第i个停车评价区域的第j个评价指标值,其中i∈[1,m],j∈[1,n],评价指标矩阵U如下:
S4041、数据标准化处理,使用最小--最大归一化对数据进行处理,如式3所示:
其中,u′ij为归一化处理后的指标值,uij为归一化处理前的指标值,max{u1j,u2j,...,umj}和min{u1j,u2j,...,umj}分别为第j个评价指标的最大值和最小值;
S4042、计算第j个评价指标下,第i个评价区域占该评价指标的比重,如式4所示:
S4043、计算第j个指标的熵值Ej,如式5所示:
S4044、计算各个评价指标的权重,如式6所示:
S405、构建区域停车服务水平评价模型,将评价指标权重集A和评价矩阵R相乘,得到模糊综合评价矩阵B,B=A·R,最终的停车服务水平为模糊综合评价矩阵B中的最大值对应的停车服务水平等级。
7.根据权利要求6所述的一种基于停车和视频大数据的区域停车评价方法,其特征在于,步骤S405中将计算所得模糊综合评价直接输送至外部显示终端内,将模糊综合评价进行显示,供操作人员进行查看验收。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157752.3A CN114549075A (zh) | 2022-02-21 | 2022-02-21 | 一种基于停车和视频大数据的区域停车评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157752.3A CN114549075A (zh) | 2022-02-21 | 2022-02-21 | 一种基于停车和视频大数据的区域停车评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549075A true CN114549075A (zh) | 2022-05-27 |
Family
ID=81675964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210157752.3A Pending CN114549075A (zh) | 2022-02-21 | 2022-02-21 | 一种基于停车和视频大数据的区域停车评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549075A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151619A (zh) * | 2023-02-03 | 2023-05-23 | 合肥工业大学智能制造技术研究院 | 一种基于视频分析的路内停车安全评价方法 |
CN117274886A (zh) * | 2023-08-04 | 2023-12-22 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
-
2022
- 2022-02-21 CN CN202210157752.3A patent/CN114549075A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151619A (zh) * | 2023-02-03 | 2023-05-23 | 合肥工业大学智能制造技术研究院 | 一种基于视频分析的路内停车安全评价方法 |
CN117274886A (zh) * | 2023-08-04 | 2023-12-22 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
CN117274886B (zh) * | 2023-08-04 | 2024-03-19 | 中铁城市规划设计研究院有限公司 | 一种现状停车供需资源关系的数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503840B (zh) | 停车场可用车位预测方法及*** | |
WO2018214675A1 (zh) | 一种量化分析城市建成环境对道路行程时间影响的方法 | |
CN110493816B (zh) | 一种用于轨交地铁车站客流量的实时预测方法 | |
CN114549075A (zh) | 一种基于停车和视频大数据的区域停车评价方法 | |
WO2019237522A1 (zh) | 车辆租赁方法、装置、计算机设备和存储介质 | |
CN112598182A (zh) | 一种轨道交通智能调度方法及*** | |
CN107729938B (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
Tiedemann et al. | Concept of a data thread based parking space occupancy prediction in a berlin pilot region | |
CN105825310A (zh) | 基于信息熵的出租车寻客路线推荐方法 | |
CN107832779B (zh) | 一种轨道站点分类*** | |
CN112016735B (zh) | 一种基于交通违法热点预测的巡逻路线规划方法、***和可读存储介质 | |
CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
Tavafoghi et al. | A queuing approach to parking: Modeling, verification, and prediction | |
Chepuri et al. | Travel time reliability analysis on selected bus route of mysore using GPS data | |
CN115995149A (zh) | 一种基于多源数据的停车供需特征动态评估方法及*** | |
US20220319323A1 (en) | Method for identifying road risk based on networked vehicle-mounted adas | |
CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、***和存储介质 | |
RASHIDI et al. | Approximation and short-term prediction of bus dwell time using AVL data | |
Clifton et al. | Representing weather in travel behaviour models: A case study from Sydney, AUS | |
CN112258029B (zh) | 地铁站周边共享单车的需求预测方法 | |
CN116415756B (zh) | 一种基于vr技术的城市虚拟场景体验管理*** | |
CN116090785B (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
CN113380071B (zh) | 一种面向大型综合体的车位级停车需求状态评价方法 |
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 |