CN117037524B - 智慧停车场景下车道跟车优化方法及*** - Google Patents

智慧停车场景下车道跟车优化方法及*** Download PDF

Info

Publication number
CN117037524B
CN117037524B CN202311243001.4A CN202311243001A CN117037524B CN 117037524 B CN117037524 B CN 117037524B CN 202311243001 A CN202311243001 A CN 202311243001A CN 117037524 B CN117037524 B CN 117037524B
Authority
CN
China
Prior art keywords
vehicle
parking
model
sub
parking space
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.)
Active
Application number
CN202311243001.4A
Other languages
English (en)
Other versions
CN117037524A (zh
Inventor
赵清成
杨振刚
马勇军
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.)
Suzhou Ebaite Information Technology Co ltd
Original Assignee
Suzhou Ebaite Information 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 Suzhou Ebaite Information Technology Co ltd filed Critical Suzhou Ebaite Information Technology Co ltd
Priority to CN202311243001.4A priority Critical patent/CN117037524B/zh
Publication of CN117037524A publication Critical patent/CN117037524A/zh
Application granted granted Critical
Publication of CN117037524B publication Critical patent/CN117037524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096827—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed onboard
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种智慧停车场景下车道跟车优化方法及***，包括为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径；目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息；基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离。本发明的方法能够根据前车的速度控制车辆的速度以及与前车的距离。

Description

智慧停车场景下车道跟车优化方法及***
技术领域
本发明涉及物联网技术领域，尤其涉及一种智慧停车场景下车道跟车优化方法及***。
背景技术
在现代城市中，交通拥堵和停车难题成为了日益严重的问题，尤其在高峰时段和繁忙区域。为了解决这些问题，智慧停车***应运而生，通过融合先进的计算机视觉、传感器融合和数据分析技术，旨在提升停车场内车辆行驶效率和用户停车体验。车道跟车优化方法作为其中的关键技术之一，在智慧停车***中扮演着重要角色。
CN116168339A-一种基于停车场道闸状态的跟车行为判断方法及***，包括：根据停车场车道监控相机采集的图像，识别获取车场入口和出口区域车辆的出入场事件，同时结合车辆目标出入场过程中道闸状态信息，综合判断停车场出入口是否存在异常跟车行为，可以高效精准的判断出停车场出入口道闸区域的异常跟车行为，为停车场提供了可靠的预警信息，从而可以避免停车场车辆逃费跑单的问题，减少了停车场的经济损失，提升了停车场管理的效率和安全性。
CN106097462B-一种停车场智能车道***及其控制方法，包括MTC设备、闸机、摄像头、地感检测器，ETC设备、ETC***前端检查单元RSU和融合控制器；所述地感检测器包括第一地感、第二地感、第三地感、第四地感和第五地感；所述融合控制器分别与第一地感、第二地感、第五地感、MTC设备、ETC设备、摄像头和闸机连接，用于实现MTC***与ETC***的衔接，融合控制器通过汇总车辆通行过程中产生的信号，进而以设计的规则判决闸机工作状态；第三地感与ETC设备连接，第四地感与MTC设备连接，第五地感还与闸机连接。该停车场智能车道***实现了MTC与ETC***的衔接，保证ETC模式下的车辆高速通行，提升了车辆的通行效率。
现有的停车场车道跟车优化方法往往只关注车辆离开停车场时逃单的问题，而对于车辆在停车场内部停车并未进行合理规划。
发明内容
本发明实施例提供一种智慧停车场景下车道跟车优化方法及***，至少能够解决现有技术中部分问题，也即现有的停车场车道跟车优化方法往往只关注车辆离开停车场时逃单的问题，而对于车辆在停车场内部停车并未进行合理规划的问题。
本发明实施例的第一方面，
提供一种智慧停车场景下车道跟车优化方法，包括：
为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径；
目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息，其中，所述时序预测模型基于第一子模型和第二子模型构建而成，第一子模型的输出结果作为第二子模型的输入；
基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离。
在一种可选的实施方式中，
为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径包括：
基于实时更新的停车场空余车位信息，以及目标车辆的当前位置，求解目标车辆到各个空余车位的最短可行路径；
结合所述目标车辆到各个空余车位的约束条件，为每条最短可行路径分配对应的信息素；
根据所述停车场的车位拓扑图，结合状态转移概率函数，确定目标车辆到下一节点的概率，并根据信息素对应的引导因素对所述信息素进行更新；
循环迭代更新信息素以及确定目标车辆到下一节点的概率，直至达到最大迭代次数，确定最优泊车路径。
在一种可选的实施方式中，
所述目标车辆到各个空余车位的约束条件包括：
所述目标车辆从停车场入口行驶至目标泊车位的直线路径大于转弯路径、所述目标车辆从当前位置行驶至目标泊车位的拥堵系数小于预设拥堵阈值、所述目标泊车位与商场出入口的距离小于预设步行阈值中至少一种。
在一种可选的实施方式中，
目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息之前，所述方法还包括训练时序预测模型：
所述时序预测模型包括第一子模型和第二子模型，所述第一子模型根据预先获取的训练数据集进行在先训练，并且输出的第一输出结果传递至所述第二子模型，所述第二子模型根据所述第一输出结果进行在后训练输出第二输出结果；其中，
根据所述第一输出结果与所述训练数据集中验证数据的第一误差值，基于反向传播算法以及梯度下降优化算法，并引入学习因子，迭代优化所述第一子模型中输入层与隐藏层的第一权重，以及隐藏层与输出层的第二权重，直至所述第一子模型收敛；
将所述第一输出结果作为所述第二子模型的输入特征，并且根据所述第二子模型的激活函数自适应为所述第一输出结果分配自适应权重值；
循环迭代训练所述第二子模型的损失函数，直至所述第二子模型的第二输出结果与验证数据的第二误差值满足预设误差阈值。
在一种可选的实施方式中，
根据所述第一输出结果与所述训练数据集中验证数据的第一误差值，基于反向传播算法以及梯度下降优化算法，并引入学习因子，迭代优化所述第一子模型中输入层与隐藏层的第一权重，以及隐藏层与输出层的第二权重，直至所述第一子模型收敛包括：
按照如下公式所示的方法进行迭代优化：
；
；
；
；
；
；
其中，HiddenLayer表示隐藏层的输出结果，X表示输入层的特征向量，H1、H2分别表示输入层与隐藏层之间的第一权重和隐藏层与输出层之间的第二权重，OutputLayer表示输出层的预测结果；
其中，R1、R2分别表示隐藏层和输出层的误差项，表示更新的第二权重，/>表示更新的第一权重，LR表示学习因子，Q s 表示真实速度信息，Q表示预测速度信息。
在一种可选的实施方式中，
根据所述第二子模型的激活函数自适应为所述第一输出结果分配自适应权重值包括：
其中，D表示第一输出结果对应的自适应权重值，T表示周期时长，M表示隐藏神经元的个数，表示时刻t第i个预测值与预设目标值的损失值，L表示误差函数,/>表示时刻t第i个预测值，/>、/>分别表示输入到隐藏神经元和输出神经元的值。
在一种可选的实施方式中，
基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离包括：
若所述前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且所述前车所在位置不存在空余车位或者不存在车位拓扑图节点，则降低所述目标车辆的速度，并且控制所述目标车辆与前车保持第一距离；
若所述前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且所述前车所在位置存在空余车位或者存在车位拓扑图节点，则降低所述目标车辆的速度，并且控制所述目标车辆与前车保持第二距离；
其中，所述第二距离大于第一距离。
本发明实施例的第二方面，
提供一种智慧停车场景下车道跟车优化***，包括：
第一单元，用于为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径；
第二单元，用于目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息，其中，所述时序预测模型基于第一子模型和第二子模型构建而成，第一子模型的输出结果作为第二子模型的输入；
第三单元，用于基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。
附图说明
图1为本发明实施例智慧停车场景下车道跟车优化方法的流程示意图；
图2为本发明实施例智慧停车场景下车道跟车优化***的结构示意图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例智慧停车场景下车道跟车优化方法的流程示意图，如图1所示，所述方法包括：
S101. 为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径；
车位引导***主要适用于大、中型地下停车场，通常适用于办公楼、火车站和购物中心等公共停车场。这迫使停车场总量和需求不断扩大，商场利用率持续增加，车位引导***逐渐成为停车管理***的一个子***朝着产业化发展。
因为物联网具有所有的信号源，都是可以唯一标识的，停车位引导***信息的采集也就是基于物联网这一特点。因为在实际的停车过程中，需要停车场和车辆互通，所以借助物联网技术可以获取并传输场内的海量数据。停车位引导***中每个车辆都具有唯一的ID标识，该标识属于车辆的独有标签，通过物联网识别技术就可以轻松获取车辆以及停车位的信息。
停车场服务器可以根据停车场的传感器实时获取停车场空余车位信息，并且根据传感器获取的数据进行空余车位实时更新，便于后续进行车位规划。
在一种可选的实施方式中，为了将停车场信息进行数字化，可以将停车场的空间布局以及停车位转换为车位拓扑图，用于后续泊车路径规划以及车辆跟车控制。
示例性地，可以将停车位作为车位拓扑图中的节点，将停车场转弯处作为车位拓扑中的拐点，用于表示停车场的路口，并且根据实际道路情况，将各个节点进行连接。
可选地，为了进行泊位分配和路径规划，实际停车场平面地图需要进行数字化表示，由于拓扑图存储空间占用小且无需关注局部情况，因此可以采用拓扑图的方式对停车场地图进行数字化表示。示例性地，可以用红绿色矩形代表车位，绿色填充的车位表示当前可用泊位，而红色填充则表示泊位被占用，同时将路段上的关键位置进行标注，蓝色方形代表路段之中的行驶点和停车点。每一个空余车位在相邻的路段上都至少有一个对应的停车点，车主可在停车点进行泊车，一旦当前可用车位停入车辆后，其对应的停车点将从图结构中消失，泊位由绿色变为红色，以阻止后续车辆重复占用泊位。
在一种可选的实施方式中，
为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径包括：
基于实时更新的停车场空余车位信息，以及目标车辆的当前位置，求解目标车辆到各个空余车位的最短可行路径；
结合所述目标车辆到各个空余车位的约束条件，为每条最短可行路径分配对应的信息素；
根据所述停车场的车位拓扑图，结合状态转移概率函数，确定目标车辆到下一节点的概率，并根据信息素对应的引导因素对所述信息素进行更新；
循环迭代更新信息素以及确定目标车辆到下一节点的概率，直至达到最大迭代次数，确定最优泊车路径。
示例性地，基于停车场的车位拓扑图，将停车场视为一个有向图，其中每个车位是图中的节点，车位之间的通道是有向边，该图反映了车位之间的相对位置关系和连接方式。
定义状态转移概率函数，该函数用于计算目标车辆从当前节点（车位）移动到下一节点的概率。概率函数的定义应考虑以下因素：节点之间的距离：较近的节点具有较高的转移概率；节点的可达性：只有连接通道的节点才能相互到达；车位的状态：空闲车位的转移概率较高，占用车位的转移概率较低；约束条件：考虑约束条件，如直线路径优先、拥堵系数等。
对于目标车辆从当前节点（车位）到达相邻节点的情况，根据定义的状态转移概率函数计算概率值。概率值可以使用如下方式计算：
根据节点之间的距离和约束条件，确定概率值；考虑车位的状态，如空闲车位和占用车位，分配不同的概率值；通过归一化确保概率值的总和为1，以便进行随机选择。
示例性地，本申请可以通过改进的蚁群算法进行最优泊车路径规划，具体地，可以根据初始化中的各个节点和路段的位置，建立停车场栅格地图；通过分析在停车距离一定的前提下影响停车时间的因素，把信息素更新的参考量由停车距离转换为停车时间， 构建空余车位最短停车路径及最短时间矩阵；
独立行进的蚂蚁在选择下一步要走的节点时，计算下一个待行进节点的状态转移概率，这里选用轮盘赌法做出最后的决定，算法会经过多次的循环，直到蚂蚁无路可走；对每一代蚂蚁的信息素进行更新，直至蚁群算法中蚂蚁搜索代数到达最大迭代次数，此时获得最优路径。
在一种可选的实施方式中，将停车场的车位拓扑图表示为一个有向加权图。每个车位视为图中的节点，每条路径（边）的权重可以是路径的长度、车位状态、拥堵情况等；将目标车辆的当前位置设为起始节点，并初始化其他所有节点的距离为无穷大，创建一个距离字典用于保存目标车辆到各个节点的最短距离，同时创建一个节点集合，用于记录尚未确定最短路径的节点；重复以下步骤直到节点集合为空：
a. 从尚未确定最短路径的节点中选择距离最小的节点（即在字典中具有最小距离值的节点）；
b. 对该节点的所有邻接节点进行检查；
c. 如果通过当前节点到达某邻接节点的距离比字典中已记录的距离小，则更新字典中的距离值；
d. 重复步骤a-c，直至考察完所有邻接节点；
e. 将当前节点从节点集合中移除，表示已确定其最短路径。
在完成所有节点的处理后，根据距离字典中的记录，可以回溯出目标车辆到达各个空余车位的最短路径。
在一种可选的实施方式中，
结合所述目标车辆到各个空余车位的约束条件，为每条最短可行路径分配对应的信息素可以包括为每条最短可行路径的所有边初始化信息素值，初始值可以根据实际情况设置，例如都初始化为相同值；根据目标车辆到各个空余车位的约束条件计算路径适应度，满足条件的路径适应度较高，反之较低；根据路径适应度，为每条路径中的边分配信息素值，适应度高的路径边将获得较高的信息素分配，以增加其在路径选择中的吸引力。
根据信息素蒸发率和路径适应度，对每条路径中的边进行信息素的更新，信息素的更新可以使用以下公式：
其中，表示路径边(i,j)的信息素，EV表示信息素蒸发率，用于控制信息素的衰减，/>表示路径边(i-1,j-1)的信息素，K表示蚂蚁的数量，/>表示第k只蚂蚁在边(i, j)上的信息素增量，/>表示第k只蚂蚁选择的路径长度。
通过根据约束条件计算路径适应度，可以将信息素分配重点放在满足约束条件的路径上，增加了路径的可行性；信息素分配和更新过程将路径的选择引导至适应度较高的路径，可以在考虑约束条件的基础上，优化车辆的泊车路径选择。
在一种可选的实施方式中，
所述目标车辆到各个空余车位的约束条件包括：
所述目标车辆从停车场入口行驶至目标泊车位的直线路径大于转弯路径、所述目标车辆从当前位置行驶至目标泊车位的拥堵系数小于预设拥堵阈值、所述目标泊车位与商场出入口的距离小于预设步行阈值中至少一种。
通过计算目标车辆到各个空余车位的最短可行路径，确保车辆能够以最小的移动次数找到适合的停车位，减少行驶时间和能源消耗；根据目标车辆到各个空余车位的约束条件，为每条最短可行路径分配信息素，信息素代表了路径的吸引力，考虑了路径长度、停车位空余情况等因素，从而能够引导车辆选择合适的路径；这种方式模仿了蚁群算法中蚂蚁在路径选择过程中的信息传递机制。
基于停车场车位拓扑图，结合状态转移概率函数，确定目标车辆到下一节点的概率；状态转移概率考虑了路径的长度和信息素等因素，以便在选择下一步行动时权衡不同的选择，信息素随着车辆选择的路径和效果而进行更新，从而逐步调整路径的吸引力。
通过选择最短路径和结合信息素引导，车辆能够更迅速地找到合适的停车位，减少了在停车场内的搜索时间和车辆行驶的能耗。同时，该方法可以平衡不同车辆之间的路径选择，降低了拥堵现象的发生，提升了整个停车场的交通流畅性。
S102. 目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息；
示例性地，所述时序预测模型基于第一子模型和第二子模型构建而成，第一子模型的输出结果作为第二子模型的输入。
示例性地，在停车场跟车时，由于车道较少而且停车场空间较少，难以超车，只能跟随前车，为了提高跟车体验，可以通过时序预测模型确定前车下一时刻的预测速度信息。
在一种可选的实施方式中，
目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息之前，所述方法还包括训练时序预测模型：
所述时序预测模型包括第一子模型和第二子模型，所述第一子模型根据预先获取的训练数据集进行在先训练，并且输出的第一输出结果传递至所述第二子模型，所述第二子模型根据所述第一输出结果进行在后训练输出第二输出结果；其中，
根据所述第一输出结果与所述训练数据集中验证数据的第一误差值，基于反向传播算法以及梯度下降优化算法，并引入学习因子，迭代优化所述第一子模型中输入层与隐藏层的第一权重，以及隐藏层与输出层的第二权重，直至所述第一子模型收敛；
将所述第一输出结果作为所述第二子模型的输入特征，并且根据所述第二子模型的激活函数自适应为所述第一输出结果分配自适应权重值；
循环迭代训练所述第二子模型的损失函数，直至所述第二子模型的第二输出结果与验证数据的第二误差值满足预设误差阈值。
示例性地，本申请的时序预测模型包括第一子模型和第二子模型，所述第一子模型根据预先获取的训练数据集进行在先训练，并且输出的第一输出结果传递至所述第二子模型，所述第二子模型根据所述第一输出结果进行在后训练输出第二输出结果；本申请的第一子模型和第二子模型均可以是基于时序神经网络模型构建，用于预测下一时刻的信息，例如循环神经网络（RNN）或长短时记忆网络（LSTM）。
在一种可选的实施方式中，
根据所述第一输出结果与所述训练数据集中验证数据的第一误差值，基于反向传播算法以及梯度下降优化算法，并引入学习因子，迭代优化所述第一子模型中输入层与隐藏层的第一权重，以及隐藏层与输出层的第二权重，直至所述第一子模型收敛包括：
按照如下公式所示的方法进行迭代优化：
；
；
；
；
；
；
其中，HiddenLayer表示隐藏层的输出结果，X表示输入层的特征向量，H1、H2分别表示输入层与隐藏层之间的第一权重和隐藏层与输出层之间的第二权重，OutputLayer表示输出层的预测结果；
其中，R1、R2分别表示隐藏层和输出层的误差项，表示更新的第二权重，/>表示更新的第一权重，LR表示学习因子，Q s 表示真实速度信息，Q表示预测速度信息。
在一种可选的实施方式中，
根据所述第二子模型的激活函数自适应为所述第一输出结果分配自适应权重值包括：
其中，D表示第一输出结果对应的自适应权重值，T表示周期时长，M表示隐藏神经元的个数，表示时刻t第i个预测值与预设目标值的损失值，L表示误差函数,/>表示时刻t第i个预测值，/>、/>分别表示输入到隐藏神经元和输出神经元的值。
通过第一子模型和第二子模型的协同训练，可以实现更复杂的时序预测任务；自适应权重分配允许第二子模型动态调整对第一子模型输出的依赖程度，以适应不同的预测问题；基于预设的误差阈值，可以有效控制训练过程的停止，避免过拟合，并得到更准确的预测结果。
S103. 基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离。
在一种可选的实施方式中，
基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离包括：
若所述前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且所述前车所在位置不存在空余车位或者不存在车位拓扑图节点，则降低所述目标车辆的速度，并且控制所述目标车辆与前车保持第一距离；
若所述前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且所述前车所在位置存在空余车位或者存在车位拓扑图节点，则降低所述目标车辆的速度，并且控制所述目标车辆与前车保持第二距离；
其中，所述第二距离大于第一距离。
示例性地，若前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且前车所在位置不存在空余车位或者车位拓扑图节点，执行以下操作：
降低目标车辆的速度，以确保安全跟车；
控制目标车辆与前车保持第一距离，可以是一种相对较小的跟车距离，以确保在紧密交通情况下能够及时刹车；
若前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且前车所在位置存在空余车位或者车位拓扑图节点，执行以下操作：
同样降低目标车辆的速度，以确保安全跟车；
控制目标车辆与前车保持第二距离，这是一个相对较大的跟车距离，以便在前车可能需要停车时有足够的时间和空间做出反应；
第一距离和第二距离的区分：第一距离和第二距离可以根据实际情况来定义，具体的数值可以根据停车场内的车辆密度、速度限制等因素来确定，通常，第一距离较小，适用于高密度的交通情况，而第二距离较大，适用于低密度或有更多空余车位的情况。
图2为本发明实施例智慧停车场景下车道跟车优化***的结构示意图，如图2所示，所述***包括：
第一单元，用于为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径；
第二单元，用于目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息，其中，所述时序预测模型基于第一子模型和第二子模型构建而成，第一子模型的输出结果作为第二子模型的输入；
第三单元，用于基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种智慧停车场景下车道跟车优化方法，其特征在于，包括：
为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径；
目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息，其中，所述时序预测模型基于第一子模型和第二子模型构建而成，第一子模型的输出结果作为第二子模型的输入；
基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离；
为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径包括：
基于实时更新的停车场空余车位信息，以及目标车辆的当前位置，求解目标车辆到各个空余车位的最短可行路径；
结合所述目标车辆到各个空余车位的约束条件，为每条最短可行路径分配对应的信息素；
根据所述停车场的车位拓扑图，结合状态转移概率函数，确定目标车辆到下一节点的概率，并根据信息素对应的引导因素对所述信息素进行更新；
循环迭代更新信息素以及确定目标车辆到下一节点的概率，直至达到最大迭代次数，确定最优泊车路径；
目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息之前，所述方法还包括训练时序预测模型：
所述时序预测模型包括第一子模型和第二子模型，所述第一子模型根据预先获取的训练数据集进行在先训练，并且输出的第一输出结果传递至所述第二子模型，所述第二子模型根据所述第一输出结果进行在后训练输出第二输出结果；其中，
根据所述第一输出结果与所述训练数据集中验证数据的第一误差值，基于反向传播算法以及梯度下降优化算法，并引入学习因子，迭代优化所述第一子模型中输入层与隐藏层的第一权重，以及隐藏层与输出层的第二权重，直至所述第一子模型收敛；
将所述第一输出结果作为所述第二子模型的输入特征，并且根据所述第二子模型的激活函数自适应为所述第一输出结果分配自适应权重值；
循环迭代训练所述第二子模型的损失函数，直至所述第二子模型的第二输出结果与验证数据的第二误差值满足预设误差阈值；
基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离包括：
若所述前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且所述前车所在位置不存在空余车位或者不存在车位拓扑图节点，则降低所述目标车辆的速度，并且控制所述目标车辆与前车保持第一距离；
若所述前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且所述前车所在位置存在空余车位或者存在车位拓扑图节点，则降低所述目标车辆的速度，并且控制所述目标车辆与前车保持第二距离；
其中，所述第二距离大于第一距离。
2.根据权利要求1所述的方法，其特征在于，所述目标车辆到各个空余车位的约束条件包括：
所述目标车辆从停车场入口行驶至目标泊车位的直线路径大于转弯路径、所述目标车辆从当前位置行驶至目标泊车位的拥堵系数小于预设拥堵阈值、所述目标泊车位与商场出入口的距离小于预设步行阈值中至少一种。
3.根据权利要求1所述的方法，其特征在于，根据所述第一输出结果与所述训练数据集中验证数据的第一误差值，基于反向传播算法以及梯度下降优化算法，并引入学习因子，迭代优化所述第一子模型中输入层与隐藏层的第一权重，以及隐藏层与输出层的第二权重，直至所述第一子模型收敛包括：
按照如下公式所示的方法进行迭代优化：
；
；
；
；
；
；
其中，HiddenLayer表示隐藏层的输出结果，X表示输入层的特征向量，H1、H2分别表示输入层与隐藏层之间的第一权重和隐藏层与输出层之间的第二权重，OutputLayer表示输出层的预测结果；
其中，R1、R2分别表示隐藏层和输出层的误差项，表示更新的第二权重，/>表示更新的第一权重，LR表示学习因子，Q s 表示真实速度信息，Q表示预测速度信息。
4.根据权利要求1所述的方法，其特征在于，根据所述第二子模型的激活函数自适应为所述第一输出结果分配自适应权重值包括：
；
其中，D表示第一输出结果对应的自适应权重值，T表示周期时长，表示隐藏神经元的个数，/>表示时刻t第i个预测值与预设目标值的损失值，L表示误差函数,/>表示时刻t第i个预测值，/>、/>分别表示输入到隐藏神经元和输出神经元的值。
5.一种智慧停车场景下车道跟车优化***，其特征在于，包括：
第一单元，用于为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径；
第二单元，用于目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息，其中，所述时序预测模型基于第一子模型和第二子模型构建而成，第一子模型的输出结果作为第二子模型的输入；
第三单元，用于基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离；
为进入停车场的车辆分配车辆ID，结合实时更新的停车场空余车位信息，以及停车场服务器中预先构建的停车场的车位拓扑图，通过停车场服务器为每个车辆ID分配最优泊车路径包括：
基于实时更新的停车场空余车位信息，以及目标车辆的当前位置，求解目标车辆到各个空余车位的最短可行路径；
结合所述目标车辆到各个空余车位的约束条件，为每条最短可行路径分配对应的信息素；
根据所述停车场的车位拓扑图，结合状态转移概率函数，确定目标车辆到下一节点的概率，并根据信息素对应的引导因素对所述信息素进行更新；
循环迭代更新信息素以及确定目标车辆到下一节点的概率，直至达到最大迭代次数，确定最优泊车路径；
目标车辆获取位于最优泊车路径上前车的速度信息与距离信息，结合所述停车场的车位拓扑图，通过时序预测模型确定前车下一时刻的预测速度信息之前，还包括训练时序预测模型：
所述时序预测模型包括第一子模型和第二子模型，所述第一子模型根据预先获取的训练数据集进行在先训练，并且输出的第一输出结果传递至所述第二子模型，所述第二子模型根据所述第一输出结果进行在后训练输出第二输出结果；其中，
根据所述第一输出结果与所述训练数据集中验证数据的第一误差值，基于反向传播算法以及梯度下降优化算法，并引入学习因子，迭代优化所述第一子模型中输入层与隐藏层的第一权重，以及隐藏层与输出层的第二权重，直至所述第一子模型收敛；
将所述第一输出结果作为所述第二子模型的输入特征，并且根据所述第二子模型的激活函数自适应为所述第一输出结果分配自适应权重值；
循环迭代训练所述第二子模型的损失函数，直至所述第二子模型的第二输出结果与验证数据的第二误差值满足预设误差阈值；
基于前车的预测速度信息以及所述车位拓扑图，控制目标车辆的速度以及与前车的距离包括：
若所述前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且所述前车所在位置不存在空余车位或者不存在车位拓扑图节点，则降低所述目标车辆的速度，并且控制所述目标车辆与前车保持第一距离；
若所述前车的下一单位时刻的预测速度信息小于当前时刻的速度信息，并且所述前车所在位置存在空余车位或者存在车位拓扑图节点，则降低所述目标车辆的速度，并且控制所述目标车辆与前车保持第二距离；
其中，所述第二距离大于第一距离。
6.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
CN202311243001.4A 2023-09-26 2023-09-26 智慧停车场景下车道跟车优化方法及*** Active CN117037524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311243001.4A CN117037524B (zh) 2023-09-26 2023-09-26 智慧停车场景下车道跟车优化方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311243001.4A CN117037524B (zh) 2023-09-26 2023-09-26 智慧停车场景下车道跟车优化方法及***

Publications (2)

Publication Number Publication Date
CN117037524A CN117037524A (zh) 2023-11-10
CN117037524B true CN117037524B (zh) 2023-12-22

Family

ID=88630200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311243001.4A Active CN117037524B (zh) 2023-09-26 2023-09-26 智慧停车场景下车道跟车优化方法及***

Country Status (1)

Country Link
CN (1) CN117037524B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09183319A (ja) * 1995-10-31 1997-07-15 Honda Motor Co Ltd 自動走行車
JP2011235737A (ja) * 2010-05-10 2011-11-24 Hitachi Ltd 列車制御システム
CN104794265A (zh) * 2015-04-01 2015-07-22 南京邮电大学 一种基于加速度信息的移动跟随模型设计方法
JP2016024705A (ja) * 2014-07-23 2016-02-08 日産自動車株式会社 車両用運転支援装置
CN109927725A (zh) * 2019-01-28 2019-06-25 吉林大学 一种具有驾驶风格学习能力的自适应巡航***及实现方法
CN113788021A (zh) * 2021-09-03 2021-12-14 东南大学 一种结合前车速度预测的自适应跟车巡航控制方法
CN114537391A (zh) * 2022-02-24 2022-05-27 同济大学 一种基于预报观测器的车辆跟驰伺服控制方法及***
CN115246393A (zh) * 2022-09-22 2022-10-28 毫末智行科技有限公司 控制车辆跟车距离的方法和装置以及电子设备和存储介质
CN116278780A (zh) * 2023-01-31 2023-06-23 华人运通(山东)科技有限公司 汽车制动速度规划方法和电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2018096644A1 (ja) * 2016-11-25 2019-10-17 本田技研工業株式会社 車両用表示制御装置、車両用表示制御方法、および車両用表示制御プログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09183319A (ja) * 1995-10-31 1997-07-15 Honda Motor Co Ltd 自動走行車
JP2011235737A (ja) * 2010-05-10 2011-11-24 Hitachi Ltd 列車制御システム
JP2016024705A (ja) * 2014-07-23 2016-02-08 日産自動車株式会社 車両用運転支援装置
CN104794265A (zh) * 2015-04-01 2015-07-22 南京邮电大学 一种基于加速度信息的移动跟随模型设计方法
CN109927725A (zh) * 2019-01-28 2019-06-25 吉林大学 一种具有驾驶风格学习能力的自适应巡航***及实现方法
CN113788021A (zh) * 2021-09-03 2021-12-14 东南大学 一种结合前车速度预测的自适应跟车巡航控制方法
CN114537391A (zh) * 2022-02-24 2022-05-27 同济大学 一种基于预报观测器的车辆跟驰伺服控制方法及***
CN115246393A (zh) * 2022-09-22 2022-10-28 毫末智行科技有限公司 控制车辆跟车距离的方法和装置以及电子设备和存储介质
CN116278780A (zh) * 2023-01-31 2023-06-23 华人运通(山东)科技有限公司 汽车制动速度规划方法和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于历史行为序列识别的环境车辆驾驶意图及轨迹预测;雷昊;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 》;正文22-44页 *

Also Published As

Publication number Publication date
CN117037524A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN111696370B (zh) 基于启发式深度q网络的交通灯控制方法
CN109598950B (zh) 一种智能网联车辆的匝道协同汇入控制方法及***
CN113327416B (zh) 基于短时交通流预测的城市区域交通信号控制方法
CN111033535B (zh) 用于乘车订单调度的***和方法
US20210110323A1 (en) Optimizing charging, fueling, and parking overheads of fleet vehicles in a maas architecture
CN115343947A (zh) 自主车辆的运动控制决策
CN109272157A (zh) 一种基于门控神经网络的高速公路交通流参数预测方法及***
CN111158401B (zh) 一种分布式鼓励时空数据探索的无人机路径规划***及方法
CN111311959B (zh) 多路口协同控制方法、装置、电子设备及存储介质
US20210348928A1 (en) Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network
CN113362491B (zh) 一种车辆轨迹预测及驾驶行为分析方法
CN110570672B (zh) 一种基于图神经网络的区域交通信号灯控制方法
CN113704956A (zh) 一种基于数字孪生技术的城市道路在线微观仿真方法及***
WO2023186024A1 (zh) 一种自适应停车场可变出入口控制方法
CN111461500B (zh) 一种基于动态电子围栏和强化学习的共享单车***潮汐现象控制方法
CN114360266A (zh) 一种网联车探测状态感知的交叉口强化学习信号控制方法
CN114267191B (zh) 缓解交通拥堵驾驶员控制***、方法、介质、设备及应用
CN116453343A (zh) 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与***
CN113838296B (zh) 一种交通信号控制方法、装置、设备及存储介质
CN115103313A (zh) 基于位置预测的智慧公路任务协同处理方法、***
CN113140108B (zh) 一种网联智能交通***中的云端交通态势预测方法
CN117037524B (zh) 智慧停车场景下车道跟车优化方法及***
CN117373243A (zh) 地下道路的立体路网交通诱导与应急救援协同管理方法
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN116824851A (zh) 一种基于路径的城市快速路走廊交通拥堵溯源方法

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
GR01 Patent grant
GR01 Patent grant