CN117953718A - 一种医院车辆停车调度方法、***及设备 - Google Patents
一种医院车辆停车调度方法、***及设备 Download PDFInfo
- Publication number
- CN117953718A CN117953718A CN202311859362.1A CN202311859362A CN117953718A CN 117953718 A CN117953718 A CN 117953718A CN 202311859362 A CN202311859362 A CN 202311859362A CN 117953718 A CN117953718 A CN 117953718A
- Authority
- CN
- China
- Prior art keywords
- parking
- user
- space
- demand
- scheduling
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000006870 function Effects 0.000 claims abstract description 69
- 230000002787 reinforcement Effects 0.000 claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 19
- 230000008901 benefit Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种医院车辆停车调度方法、装置及设备,医院车辆停车调度方法通过构建状态空间、动作空间和奖励函数并输入深度强化学习模型中对深度强化学习模型进行训练,使得深度强化学习模型学习到最优的停车调度策略;通过实时采集目标数据源的数据并对目标数据源的数据进行处理,生成突发类停车需求数据,并在接收到用户上传的停车需求信息时,将停车需求信息、医院车位状态和突发类停车需求数据输入训练后的深度强化学习模型,输出第一停车调度方案,使得本发明在接收到用户上传的停车需求信息能够兼顾考虑到当前是否有突发类停车需求,从而能够在发生突发事故使得医院车位需求突然增加时进行灵活调整,提高停车调度方案的合理性和可靠性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种医院车辆停车调度方法、***及设备。
背景技术
现有的医院车辆停车调度通常只根据用户上传的停车需求信息和医院已有的车位配置为用户的车辆进行车位匹配,难以在发生突发事故(如自然灾害、交通事故等)使得医院车位需求突然增加时进行灵活调整,从而在发生突发事故使得医院车位需求突然增加时停车调度方案不合理、不可靠,难以满足需求。
发明内容
为了解决上述提出的至少一个技术问题,本发明提供了一种医院车辆停车调度方法、***及设备,该方法能够在发生突发事故使得医院车位需求突然增加时进行灵活调整,提高医院车辆停车调度方案的合理性和可靠性。
第一方面,本发明提供了一种医院车辆停车调度方法,方法包括:
构建状态空间、动作空间和奖励函数,所述状态空间中包含预设的医院车位状态、预设的各类停车需求类型以及对应的状态特征,所述停车需求类型包括突发类停车需求、门诊类停车需求、急诊类停车需求、工作类停车需求和到访类停车需求,所述动作空间包含给各类所述停车需求类型进行车位分配的动作,所述奖励函数用于计算为各类所述停车需求类型分配到一个车位时的奖励值,为各类所述停车需求类型分配到一个车位时的奖励值从高到低对应的停车需求类型分别为所述突发类停车需求、所述急诊类停车需求、所述门诊类停车需求、所述工作类停车需求、所述到访类停车需求;
将所述状态空间、所述动作空间和所述奖励函数输入深度强化学习模型中对所述深度强化学习模型进行训练,使得所述深度强化学习模型学习到最优的停车调度策略;
实时采集目标数据源的数据并对所述目标数据源的数据进行处理,生成突发类停车需求数据,所述目标数据源的数据包括预设的目标区域的交通流量数据、道路状况数据、气象数据和网络通报数据,所述突发类停车需求数据为空白数据或者包括所述突发类停车需求和对应的所述状态特征;
响应于接收到用户上传的停车需求信息,将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型,输出第一停车调度方案,所述停车需求信息包括用户对应的所述停车需求类型。
作为一种可选的实施方式,所述停车需求信息还包括停车偏好信息,所述停车偏好信息为用户对行驶时间和步行距离的偏好分值;
在所述输出第一停车调度方案之后,所述方法还包括:
根据所述第一停车调度方案和所述停车需求信息生成各用户对应的车位分配决策变量;
根据所述停车偏好信息和所述医院车位信息生成各所述车位分配决策变量对应的主观停车效用和收益值,所述主观停车效用为:
其中,L为所述步行距离,T为所述行驶时间,为用户对所述步行距离的偏好分值,/>为用户对所述行驶时间的偏好分值,Lmin和Lmax分别为用户在各个共享车位停车后所述步行距离的最小值和最大值,Tmin和Tmax分别为用户到各个共享车位停车所需的所述行驶时间的最小值和最大值;所述收益值为:
其中,T0为基准时间,tr1为用户r的所述步行距离对应的步行时间,tr2为用户r的所述行驶时间,ar=1表示用户r被分配到车位,ar=0表示用户r没有被分配到车位,V为预设的负数值;
构建车辆停放调度模型,并构建所述车辆停放调度模型的第一目标函数、第二目标函数和约束条件,所述第一目标函数为:
其中,r表示用户,Rt表示第t次调度车位时所述停车需求信息对应的用户数,为所述车位分配决策变量对应的所述收益值,m表示车位,M为车位总数,/>为用户r对应的所述车位分配决策变量,ρ为个人收益期望值;所述第二目标函数为:
其中为用户r被分配到车位m时对应的所述主观停车效用;
在服从所述约束条件的前提下,优先最大化所述第一目标函数后最大化所述第二目标函数,求解所述车辆停放调度模型,得到第二停车调度方案,并将所述第一停车调度方案中各用户对应的停车调度方案替换为所述第二停车调度方案。
作为一种可选的实施方式,所述响应于接收到用户上传的停车需求信息,将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型包括:
采用预设的基于事件触发的控制律与资源调度协调策略对所述停车需求信息进行监测,在接收到所述停车需求信息时将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型。
作为一种可选的实施方式,所述基于事件触发的控制律与资源调度协调策略的预设包括:
基于参数不确定离散切换模型对所述停车需求信息的事件触发被控***进行建模,然后基于线性矩阵不等式构建所述基于事件触发的控制律与资源调度协调策略。
作为一种可选的实施方式,所述停车需求信息还包括用户类型和用户年龄;
所述根据所述第一停车调度方案和所述停车需求信息生成各用户对应的车位分配决策变量包括:
根据所述用户类型和所述用户年龄计算得到各用户对应的车位分配优先级;
根据所述第一停车调度方案和所述车位分配优先级生成各用户对应的所述车位分配决策变量。
作为一种可选的实施方式,所述根据所述用户类型和所述用户年龄计算得到各用户对应的车位分配优先级包括:
根据所述用户类型计算紧迫程度系数的值;其中,若所述用户类型为探视类或工作类,则所述紧迫程度系数的值为1;若所述用户类型为门诊类,则所述紧迫程度系数的值为2;若所述用户类型为急诊类,则所述紧迫程度系数的值为3;
根据所述用户年龄计算得到年龄段系数的值;其中,若所述用户年龄大于预设年龄,则所述年龄段系数的值为2;若所述用户年龄小于预设年龄,则所述年龄段系数的值为1;
根据所述紧迫程度系数的值和所述年龄段系数的值计算得到所述车位分配优先级,所述车位分配优先级为:
其中,I为所述紧迫程度系数的值,J为所述年龄段系数的值。
作为一种可选的实施方式,所述根据所述第一停车调度方案和所述停车需求信息生成各用户对应的车位分配决策变量包括:
根据所述第一停车调度方案获取各用户对应的可分配车位信息;
根据所述停车需求信息和所述可分配车位信息,通过匈牙利算法生成各用户对应的所述车位分配决策变量。
作为一种可选的实施方式,所述车辆停放调度模型的约束条件包括:
其中,Lm和Tm分别表示用户在车位m停车的步行距离和行驶时长,Lr max和Tr max分别表示用户r可接受的最大步行距离和最大行驶时长,UM为车位的总数量。
第二方面,本发明还提供了一种医院车辆停车调度***,所述医院车辆停车调度***包括:
构建单元,用于构建状态空间、动作空间和奖励函数,所述状态空间中包含预设的医院车位状态、预设的各类停车需求类型以及对应的状态特征,所述停车需求类型包括突发类停车需求、门诊类停车需求、急诊类停车需求、工作类停车需求和到访类停车需求,所述动作空间包含给各类所述停车需求类型进行车位分配的动作,所述奖励函数用于计算为各类所述停车需求类型分配到一个车位时的奖励值,为各类所述停车需求类型分配到一个车位时的奖励值从高到低对应的停车需求类型分别为所述突发类停车需求、所述急诊类停车需求、所述门诊类停车需求、所述工作类停车需求、所述到访类停车需求;
模型训练单元,用于将所述状态空间、所述动作空间和所述奖励函数输入深度强化学习模型中对所述深度强化学习模型进行训练,使得所述深度强化学习模型学习到最优的停车调度策略;
数据处理单元,用于实时采集目标数据源的数据并对所述目标数据源的数据进行处理,生成突发类停车需求数据,所述目标数据源的数据包括预设的目标区域的交通流量数据、道路状况数据、气象数据和网络通报数据,所述突发类停车需求数据为空白数据或者包括所述突发类停车需求和对应的所述状态特征;
停车调度单元,用于响应于接收到用户上传的停车需求信息,将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型,输出第一停车调度方案,所述停车需求信息包括用户对应的所述停车需求类型。
第三方面,本发明还提供了一种电子设备,包括:处理器和存储器,存储器用于存储计算机程序代码,计算机程序代码包括计算机指令,当处理器执行计算机指令时,电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。
第四方面,本发明还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序包括程序指令,程序指令当被电子设备的处理器执行时,使处理器执行如上述第一方面及其任意一种可能实现的方式的方法。
与现有技术相比,本发明的有益效果在于:
本发明提供一种医院车辆停车调度方法,通过构建状态空间、动作空间和奖励函数,并将状态空间、动作空间和奖励函数输入深度强化学习模型中对深度强化学习模型进行训练,使得深度强化学习模型学习到最优的停车调度策略;通过实时采集目标数据源的数据并对目标数据源的数据进行处理,生成突发类停车需求数据,并在接收到用户上传的停车需求信息时,将停车需求信息、医院车位状态和突发类停车需求数据输入训练后的深度强化学习模型,输出第一停车调度方案,使得本发明在接收到用户上传的停车需求信息能够兼顾考虑到当前是否有突发类停车需求,并以此进行停车调度,从而能够在发生突发事故使得医院车位需求突然增加时进行灵活调整,提高医院车辆停车调度方案的合理性和可靠性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1为本申请实施例提供的医院车辆停车调度方法的流程示意图;
图2为本申请实施例提供的医院车辆停车调度方法的对第一停车调度方案进行进一步调整的流程示意图;
图3为本申请实施例提供的医院车辆停车调度方法的车位分配决策变量生成流程示意图;
图4为本申请某一实施例提供的医院车辆停车调度***的结构示意图;
图5为本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下揭露内容提供诸多不同的实施例或实例以实施所提供标的物的不同特征。下文描述组件及布置的具体实例以使本揭露简明。当然,这些仅是实例并不旨在进行限制。举例来说,在以下说明中,第一特征形成在第二特征之上或形成在第二特征上可包括第一特征与第二特征形成为直接接触的实施例,且还可包括额外特征可形成在第一特征与第二特征之间以使得第一特征与第二特征可能不直接接触的实施例。另外,本揭露可在各种实例中重复使用参考编号及/或字母。此重复是出于简明及清晰目的,本质上并不规定所论述的各种实施例及/或配置之间的关系。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
另外,为了更好地说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样能够实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本发明的主旨。
现有的医院车辆停车调度通常只根据用户上传的停车需求信息和医院已有的车位配置为用户的车辆进行车位匹配,难以在发生突发事故(如自然灾害、交通事故等)使得医院车位需求突然增加时进行灵活调整,从而在发生突发事故使得医院车位需求突然增加时停车调度方案不合理、不可靠,难以满足需求。为此,本发明提供一种医院车辆停车调度方法,通过构建状态空间、动作空间和奖励函数,并将状态空间、动作空间和奖励函数输入深度强化学习模型中对深度强化学习模型进行训练,使得深度强化学习模型学习到最优的停车调度策略;通过实时采集目标数据源的数据并对目标数据源的数据进行处理,生成突发类停车需求数据,并在接收到用户上传的停车需求信息时,将停车需求信息、医院车位状态和突发类停车需求数据输入训练后的深度强化学习模型,输出第一停车调度方案,使得本发明在接收到用户上传的停车需求信息能够兼顾考虑到当前是否有突发类停车需求,并以此进行停车调度,从而能够在发生突发事故使得医院车位需求突然增加时进行灵活调整,提高医院车辆停车调度方案的合理性和可靠性。
请参阅图1,图1为本发明实施例提供的一种医院车辆停车调度方法的流程示意图。
一种医院车辆停车调度方法,包括:
S101、构建状态空间、动作空间和奖励函数;
S102、将状态空间、动作空间和奖励函数输入深度强化学习模型中对深度强化学习模型进行训练,使得深度强化学习模型学习到最优的停车调度策略;
S103、实时采集目标数据源的数据并对目标数据源的数据进行处理,生成突发类停车需求数据;
S104、响应于接收到用户上传的停车需求信息,将停车需求信息、医院车位状态和突发类停车需求数据输入训练后的所述深度强化学习模型,输出第一停车调度方案。
其中,在步骤S101中,状态空间中包含预设的医院车位状态、预设的各类停车需求类型以及对应的状态特征,停车需求类型包括突发类停车需求、门诊类停车需求、急诊类停车需求、工作类停车需求和到访类停车需求,动作空间包含给各类所述停车需求类型进行车位分配的动作,奖励函数用于计算为各类停车需求类型分配到一个车位时的奖励值,为各类停车需求类型分配到一个车位时的奖励值从高到低对应的停车需求类型分别为突发类停车需求、急诊类停车需求、门诊类停车需求、工作类停车需求、到访类停车需求。可以理解的是,状态特征为各类停车需求类型的描述。示例性地,停车需求类型为突发类停车需求,突发类停车需求的状态特征为该突发事件的严重程度。
在步骤S102中,构建深度强化学习模型:使用深度强化学习算法,如Deep Q-Networks(DQN)或Proximal Policy Optimization(PPO)等,构建车辆停车调度的深度强化学习模型。将状态空间、动作空间和奖励函数输入模型,通过训练,使模型学习到最优的停车调度策略。使用已有数据对深度强化学习模型进行训练,并不断进行优化。可以通过模拟不同停车事件类型的场景,并根据实际情况进行模型评估和调整。
在步骤S103中,突发类停车需求数据为空白数据或者包括突发类停车需求和对应的状态特征。目标数据源的数据包括预设的目标区域的交通流量数据、道路状况数据、气象数据和网络通报数据,这些数据可以通过传感器、交通摄像头、天气预报机构、当地政府或报道机构等获取。本发明一些实施例将收集到的各种数据进行整合和处理,使用数据处理技术,如数据挖掘、机器学习和人工智能等,从中提取有关交通事故或自然灾害的信息。例如,通过分析交通摄像头的视频流,可以识别交通事故的发生情况;通过分析气象数据,可以预测自然灾害的可能性。可以理解的是,当目标区域发生突发事故时,突发类停车需求数据为突发类停车需求和对应的状态特征(突发事故的严重程度);当目标区域没有发生突发事故时,突发类停车需求数据为空白数据。
在步骤S104中,停车需求信息包括用户对应的停车需求类型。在实际应用中,根据实时的停车事件类型和状态,使用训练好的深度强化学习模型进行决策和调度。模型可以根据当前状态选择最优的停车决策,将车辆指派到合适的停车位。
可选地,在一些实施例中,对于步骤S104,响应于接收到用户上传的停车需求信息,将停车需求信息、医院车位状态和突发类停车需求数据输入训练后的深度强化学习模型可以包括:
采用预设的基于事件触发的控制律与资源调度协调策略对停车需求信息进行监测,在接收到停车需求信息时将所述停车需求信息、医院车位状态和突发类停车需求数据输入训练后的深度强化学习模型。
进一步地,在一些实施例中,基于事件触发的控制律与资源调度协调策略的预设包括:
基于参数不确定离散切换模型对停车需求信息的事件触发被控***进行建模,然后基于线性矩阵不等式构建基于事件触发的控制律与资源调度协调策略。
可以理解的是,本发明实施例为了在保证控制性能的同时高效利用有限资源,提出了一种基于事件触发的控制律与资源调度协调策略。首先,基于参数不确定离散切换模型对具有时变传输延迟的事件触发被控***进行建模,然后在此基础上构造合适的Lyapunov函数并利用线性矩阵不等式可行性一体化设计鲁棒控制律、状态采样事件触发机制及带宽调度策略,使***在随机有界延迟、事件触发采样和传输调度策略共同约束下保持闭环全局渐进稳定。
可以理解的是,步骤S101-S104通过构建状态空间、动作空间和奖励函数,并将状态空间、动作空间和奖励函数输入深度强化学习模型中对深度强化学习模型进行训练,使得深度强化学习模型学习到最优的停车调度策略;通过实时采集目标数据源的数据并对目标数据源的数据进行处理,生成突发类停车需求数据,并在接收到用户上传的停车需求信息时,将停车需求信息、医院车位状态和突发类停车需求数据输入训练后的深度强化学习模型,输出第一停车调度方案,使得本发明在接收到用户上传的停车需求信息能够兼顾考虑到当前是否有突发类停车需求,并以此进行停车调度,从而能够在发生突发事故使得医院车位需求突然增加时进行灵活调整,提高医院车辆停车调度方案的合理性和可靠性。
参照图2,可选地,在一些实施例中,在步骤S104之后,医院车辆停车调度方法还包括步骤S21-S24:
步骤S21、根据第一停车调度方案和停车需求信息生成各用户对应的车位分配决策变量。
其中,停车需求信息还包括停车偏好信息,停车偏好信息为用户对行驶时间和步行距离的偏好分值。
参照图3,可选地,在一些实施例中,停车需求信息还包括用户类型和用户年龄,步骤S21根据第一停车调度方案和停车需求信息生成各用户对应的车位分配决策变量可以包括:
步骤S31、根据用户类型和用户年龄计算得到各用户对应的车位分配优先级;
步骤S32、根据第一停车调度方案和车位分配优先级生成各用户对应的车位分配决策变量。
可以理解的是,本发明实施例在生成各用户对应的车位分配决策变量时,除了停车偏好信息和医院车位信息外还考虑了各用户对应的车位分配优先级,具有以下作用:
1)公平性:设立用户车位分配优先级可以确保每位用户都有公平的机会获得共享车位资源。通过根据用户的需求、使用频率、历史可靠性等因素设定优先级,可以避免个别用户长期占用车位或者优先级低的用户无法使用车位的问题。
2)灵活性:考虑用户车位分配优先级可以根据不同用户的需求和使用情况进行动态分配。例如,高优先级用户可能会在高峰时段或紧急情况下优先得到车位,而低优先级用户则可能在低峰时段获得分配。这样可以更好地利用共享车位资源,提高整体使用效率;
3)用户满意度:通过考虑用户车位分配优先级,可以更好地满足用户的需求,增加用户的满意度和参与度。根据用户的个人喜好、特殊需求或奖励机制,给予他们一定优先级的车位分配,让用户感受到个性化的待遇,增强他们对共享车位服务的信任和忠诚度;
4)管理效率:设置用户车位分配优先级可以帮助管理者更好地管理共享车位***。通过对用户信息和行为进行分析,可以更好地预测和安排车位需求,提前进行合理的分配,减少空置率和混乱局面。
可选地,在一些实施例中,根据用户类型和所述用户年龄计算得到各用户对应的车位分配优先级可以包括:
根据用户类型计算紧迫程度系数的值;其中,若用户类型为探视类或工作类,则紧迫程度系数的值为1;若用户类型为门诊类,则紧迫程度系数的值为2;若用户类型为急诊类,则紧迫程度系数的值为3;
根据用户年龄计算得到年龄段系数的值;其中,若用户年龄大于预设年龄,则年龄段系数的值为2;若用户年龄小于预设年龄,则年龄段系数的值为1;
根据紧迫程度系数的值和年龄段系数的值计算得到车位分配优先级,车位分配优先级为:
其中,I为紧迫程度系数的值,J为年龄段系数的值。
可选地,在一些实施例中,步骤S21根据第一停车调度方案和停车需求信息生成各用户对应的车位分配决策变量还可以包括:
根据第一停车调度方案获取各用户对应的可分配车位信息,然后根据停车需求信息和可分配车位信息,通过匈牙利算法生成各用户对应的所述车位分配决策变量。
可以理解的是,本发明实施例通过匈牙利算法生成各用户对应的车位分配决策变量,具有以下作用:
1)最优配对:匈牙利算法是一种用于解决二分图最大匹配问题的算法,可以确保每个车位被最合适的用户使用。它可以在所有用户和车位之间建立最佳的配对,使得每个配对的满足程度最高,最大程度地减少空闲车位和未分配用户的数量;
2)资源最大化:匈牙利算法可以帮助最大化利用共享车位资源。它通过优化分配策略,将每个车位分配给最适合的用户,使得整体资源利用率最高。这有助于减少车位的闲置时间,提高车位的使用效率,并确保每个用户都能得到相对公平的分配;
3)均衡分配:匈牙利算法能够考虑到用户和车位之间的多个因素,如用户需求、车位容量、用户优先级等,以实现均衡的分配。它为每个用户分配最佳的车位,同时避免某些用户长期占用车位,以公平公正的方式分配共享资源;
4)管理简便:匈牙利算法是一种经典的优化算法,可快速且高效地计算出最佳的配对方案。它可以帮助共享车位***的管理员自动化分配车位,减少人工干预和繁琐的任务。管理员只需提供相应的输入数据,算法将自动为每个用户分配车位。
步骤S22、根据停车偏好信息和医院车位信息生成各车位分配决策变量对应的主观停车效用和收益值。
其中,主观停车效用为:
其中,L为步行距离,T为行驶时间,为用户对步行距离的偏好分值,/>为用户对行驶时间的偏好分值,Lmin和Lmax分别为用户在各个共享车位停车后步行距离的最小值和最大值,Tmin和Tmax分别为用户到各个共享车位停车所需的行驶时间的最小值和最大值。
收益值为:
其中,T0为基准时间,tr1为用户r的步行距离对应的步行时间,tr2为用户r的行驶时间,ar=1表示用户r被分配到车位,ar=0表示用户r没有被分配到车位,V为预设的负数值。
S23、构建车辆停放调度模型,并构建车辆停放调度模型的第一目标函数、第二目标函数和约束条件。
其中,第一目标函数为:
其中,r表示用户,Rt表示第t次调度车位时停车需求信息对应的用户数,为车位分配决策变量对应的所述收益值,m表示车位,M为车位总数,/>为用户r对应的车位分配决策变量,ρ为个人收益期望值。
可以理解的是,表示***的总平均收益。/>用于衡量个人收益/>和***总平均收益/>当ρ=0时表示完全不考虑用户个人的收益,以优化***最大收益为目标;当ρ=1时表示完全只考虑用户个人的收益,不考虑***总平均收益。可选地,用户上传的通车需求信息中还包括对个人收益的期望值,即ρ的值。
第二目标函数为:
其中为用户r被分配到车位m时对应的主观停车效用。
可选地,在一些实施例中,车辆停放调度模型的约束条件包括:
其中,Lm和Tm分别表示用户在车位m停车的步行距离和行驶时长,Lr max和Tr max分别表示用户r可接受的最大步行距离和最大行驶时长,UM为车位的总数量。可以理解的是,表示一个用户至多分配一个车位,/>表示车位的停车后步行距离不能超过用户可接受的最大步行距离,/>表示车位的停车的行驶时长不能超过用户可接受的最大行驶时长,/>表示车位分配决策变量的取值包括0和1。其中,当车位分配决策变量的取值为1时,表示第t次调度车位时用户r被分配到车位m;当车位分配决策变量的取值为0时,表示第t次调度车位时用户r没有被分配到车位m。
S24、在服从约束条件的前提下,优先最大化第一目标函数后最大化第二目标函数,求解车辆停放调度模型,得到第二停车调度方案,并将第一停车调度方案中各用户对应的停车调度方案替换为第二停车调度方案。
根据步骤S23可知,最大化第一目标函数相当于最大化车辆停放调度的收益值,最大化第二目标函数相当于最大化车辆停放调度的主观停车效用。
在一些实施例中,步骤S54优先最大化第一目标函数后最大化第二目标函数,求解车辆停放调度模型可以包括:
1)设置第一目标函数对应的第一权重和第二目标函数对应的第二权重,第一权重和第二权重的和为1;
2)根据第一目标函数、第一权重、第二目标函数和第二权重构建车辆停放调度模型的单目标函数;
3)以最大化单目标函数为目标求解车辆停放调度模型。
具体地,单目标函数为:
其中,W1为第一权重,W2为第二权重。
可以理解的是,本发明实施例根据第一目标函数、第一权重、第二目标函数和第二权重构建车辆停放调度模型的单目标函数并以最大化单目标函数为目标求解车辆停放调度模型,能够简化车辆停放调度模型的求解。
可以理解的是,综合上述步骤S21-S24可知,本发明通过在步骤S101-S104得到第一停车调度方案的基础上根据停车需求信息和第一停车调度方案生成各用户对应的车位分配决策变量,并根据停车需求信息中的停车偏好信息和医院车位信息生成各车位分配决策变量对应的主观停车效用和收益值,然后构建车辆停放调度模型,并根据车位分配决策变量及对应的主观停车效用和收益值构建车辆停放调度模型的第一目标函数、第二目标函数和约束条件,最后在服从约束条件的前提下,优先最大化第一目标函数后最大化第二目标函数,求解车辆停放调度模型,得到第二停车调度方案,并将第一停车调度方案中各用户对应的停车调度方案替换为第二停车调度方案,其中最大化第一目标函数即最大化车辆停放调度的收益值,最大化第二目标函数即最大化车辆停放调度的主观停车效用,从而本发明实现了在第一停车调度方案基础上基于用户的偏好对第一停车调度方案进行优化,以提高用户停车后的收益。
在一个实施例中,本发明还提供了一种医院车辆停车调度***。请参阅图4,图4提供了该医院车辆停车调度***的结构示意图。根据图4可知,该***包括:
构建单元401,用于构建状态空间、动作空间和奖励函数,所述状态空间中包含预设的医院车位状态、预设的各类停车需求类型以及对应的状态特征,所述停车需求类型包括突发类停车需求、门诊类停车需求、急诊类停车需求、工作类停车需求和到访类停车需求,所述动作空间包含给各类所述停车需求类型进行车位分配的动作,所述奖励函数用于计算为各类所述停车需求类型分配到一个车位时的奖励值,为各类所述停车需求类型分配到一个车位时的奖励值从高到低对应的停车需求类型分别为所述突发类停车需求、所述急诊类停车需求、所述门诊类停车需求、所述工作类停车需求、所述到访类停车需求;
模型训练单元402,用于将所述状态空间、所述动作空间和所述奖励函数输入深度强化学习模型中对所述深度强化学习模型进行训练,使得所述深度强化学习模型学习到最优的停车调度策略;
数据处理单元403,用于实时采集目标数据源的数据并对所述目标数据源的数据进行处理,生成突发类停车需求数据,所述目标数据源的数据包括预设的目标区域的交通流量数据、道路状况数据、气象数据和网络通报数据,所述突发类停车需求数据为空白数据或者包括所述突发类停车需求和对应的所述状态特征;
停车调度单元404,用于响应于接收到用户上传的停车需求信息,将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型,输出第一停车调度方案,所述停车需求信息包括用户对应的所述停车需求类型。
在一些实施例中,本发明公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本发明还提供了一种处理器,所述处理器用于执行如上述任意一种可能实现的方式的方法。
本发明还提供了一种电子设备,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如上述任意一种可能实现的方式的医院车辆停车调度方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行如上述任意一种可能实现的方式的医院车辆停车调度方法。
请参阅图5,图5为本申请实施例提供的一种电子设备的硬件结构示意图。
该电子设备2包括处理器21,存储器22,输入装置23,输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合,该连接器包括各类接口、传输线或总线等等,本申请实施例对此不作限定。应当理解,本申请的各个实施例中,耦合是指通过特定方式的相互联系,包括直接相连或者通过其他设备间接相连,例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphics processing unit,GPU),在处理器21是一个GPU的情况下,该GPU可以是单核GPU,也可以是多核GPU。可选的,处理器21可以是多个GPU构成的处理器组,多个处理器之间通过一个或多个总线彼此耦合。可选的,该处理器还可以为其他类型的处理器等等,本申请实施例不作限定。
存储器22可用于存储计算机程序指令,以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地,存储器包括但不限于是随机存储记忆体(random accessmemory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器用于相关指令及数据。
输入装置23用于输入数据和/或信号,以及输出装置24用于输出数据和/或信号。输出装置23和输入装置24可以是独立的器件,也可以是一个整体的器件。
可理解,本申请实施例中,存储器22不仅可用于存储相关指令,本申请实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是,图5仅仅示出了一种电子设备的简化设计。在实际应用中,电子设备还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出装置、处理器、存储器等,而所有可以实现本申请实施例的视频解析装置都在本申请的保护范围之内。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:只读存储器(read-only memory,ROM)或随机存储存储器(random access memory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种医院车辆停车调度方法,其特征在于,所述方法包括:
构建状态空间、动作空间和奖励函数,所述状态空间中包含预设的医院车位状态、预设的各类停车需求类型以及对应的状态特征,所述停车需求类型包括突发类停车需求、门诊类停车需求、急诊类停车需求、工作类停车需求和到访类停车需求,所述动作空间包含给各类所述停车需求类型进行车位分配的动作,所述奖励函数用于计算为各类所述停车需求类型分配到一个车位时的奖励值,为各类所述停车需求类型分配到一个车位时的奖励值从高到低对应的停车需求类型分别为所述突发类停车需求、所述急诊类停车需求、所述门诊类停车需求、所述工作类停车需求、所述到访类停车需求;
将所述状态空间、所述动作空间和所述奖励函数输入深度强化学习模型中对所述深度强化学习模型进行训练,使得所述深度强化学习模型学习到最优的停车调度策略;
实时采集目标数据源的数据并对所述目标数据源的数据进行处理,生成突发类停车需求数据,所述目标数据源的数据包括预设的目标区域的交通流量数据、道路状况数据、气象数据和网络通报数据,所述突发类停车需求数据为空白数据或者包括所述突发类停车需求和对应的所述状态特征;
响应于接收到用户上传的停车需求信息,将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型,输出第一停车调度方案,所述停车需求信息包括用户对应的所述停车需求类型。
2.根据权利要求1所述的一种医院车辆停车调度方法,其特征在于,所述停车需求信息还包括停车偏好信息,所述停车偏好信息为用户对行驶时间和步行距离的偏好分值;
在所述输出第一停车调度方案之后,所述方法还包括:
根据所述第一停车调度方案和所述停车需求信息生成各用户对应的车位分配决策变量;
根据所述停车偏好信息和所述医院车位信息生成各所述车位分配决策变量对应的主观停车效用和收益值,所述主观停车效用为:
其中,L为所述步行距离,T为所述行驶时间,为用户对所述步行距离的偏好分值,/>为用户对所述行驶时间的偏好分值,Lmin和Lmax分别为用户在各个共享车位停车后所述步行距离的最小值和最大值,Tmin和Tmax分别为用户到各个共享车位停车所需的所述行驶时间的最小值和最大值;所述收益值为:
其中,T0为基准时间,tr1为用户r的所述步行距离对应的步行时间,tr2为用户r的所述行驶时间,ar=1表示用户r被分配到车位,ar=0表示用户r没有被分配到车位,V为预设的负数值;
构建车辆停放调度模型,并构建所述车辆停放调度模型的第一目标函数、第二目标函数和约束条件,所述第一目标函数为:
其中,r表示用户,Rt表示第t次调度车位时所述停车需求信息对应的用户数,为所述车位分配决策变量对应的所述收益值,m表示车位,M为车位总数,/>为用户r对应的所述车位分配决策变量,ρ为个人收益期望值;所述第二目标函数为:
其中为用户r被分配到车位m时对应的所述主观停车效用;
在服从所述约束条件的前提下,优先最大化所述第一目标函数后最大化所述第二目标函数,求解所述车辆停放调度模型,得到第二停车调度方案,并将所述第一停车调度方案中各用户对应的停车调度方案替换为所述第二停车调度方案。
3.根据权利要求1所述的一种医院车辆停车调度方法,其特征在于,所述响应于接收到用户上传的停车需求信息,将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型包括:
采用预设的基于事件触发的控制律与资源调度协调策略对所述停车需求信息进行监测,在接收到所述停车需求信息时将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型。
4.根据权利要求3所述的一种医院车辆停车调度方法,其特征在于,所述基于事件触发的控制律与资源调度协调策略的预设包括:
基于参数不确定离散切换模型对所述停车需求信息的事件触发被控***进行建模,然后基于线性矩阵不等式构建所述基于事件触发的控制律与资源调度协调策略。
5.根据权利要求2所述的一种医院车辆停车调度方法,其特征在于,所述停车需求信息还包括用户类型和用户年龄;
所述根据所述第一停车调度方案和所述停车需求信息生成各用户对应的车位分配决策变量包括:
根据所述用户类型和所述用户年龄计算得到各用户对应的车位分配优先级;
根据所述第一停车调度方案和所述车位分配优先级生成各用户对应的所述车位分配决策变量。
6.根据权利要求5所述的一种医院车辆停车调度方法,其特征在于,所述根据所述用户类型和所述用户年龄计算得到各用户对应的车位分配优先级包括:
根据所述用户类型计算紧迫程度系数的值;其中,若所述用户类型为探视类或工作类,则所述紧迫程度系数的值为1;若所述用户类型为门诊类,则所述紧迫程度系数的值为2;若所述用户类型为急诊类,则所述紧迫程度系数的值为3;
根据所述用户年龄计算得到年龄段系数的值;其中,若所述用户年龄大于预设年龄,则所述年龄段系数的值为2;若所述用户年龄小于预设年龄,则所述年龄段系数的值为1;
根据所述紧迫程度系数的值和所述年龄段系数的值计算得到所述车位分配优先级,所述车位分配优先级为:
其中,I为所述紧迫程度系数的值,J为所述年龄段系数的值。
7.根据权利要求2所述的一种医院车辆停车调度方法,其特征在于,所述根据所述第一停车调度方案和所述停车需求信息生成各用户对应的车位分配决策变量包括:
根据所述第一停车调度方案获取各用户对应的可分配车位信息;
根据所述停车需求信息和所述可分配车位信息,通过匈牙利算法生成各用户对应的所述车位分配决策变量。
8.根据权利要求2所述的一种医院车辆停车调度方法,其特征在于,所述车辆停放调度模型的约束条件包括:
其中,Lm和Tm分别表示用户在车位m停车的步行距离和行驶时长,Lr max和Tr max分别表示用户r可接受的最大步行距离和最大行驶时长,UM为车位的总数量。
9.一种医院车辆停车调度***,其特征在于,所述医院车辆停车调度***包括:
构建单元,用于构建状态空间、动作空间和奖励函数,所述状态空间中包含预设的医院车位状态、预设的各类停车需求类型以及对应的状态特征,所述停车需求类型包括突发类停车需求、门诊类停车需求、急诊类停车需求、工作类停车需求和到访类停车需求,所述动作空间包含给各类所述停车需求类型进行车位分配的动作,所述奖励函数用于计算为各类所述停车需求类型分配到一个车位时的奖励值,为各类所述停车需求类型分配到一个车位时的奖励值从高到低对应的停车需求类型分别为所述突发类停车需求、所述急诊类停车需求、所述门诊类停车需求、所述工作类停车需求、所述到访类停车需求;
模型训练单元,用于将所述状态空间、所述动作空间和所述奖励函数输入深度强化学习模型中对所述深度强化学习模型进行训练,使得所述深度强化学习模型学习到最优的停车调度策略;
数据处理单元,用于实时采集目标数据源的数据并对所述目标数据源的数据进行处理,生成突发类停车需求数据,所述目标数据源的数据包括预设的目标区域的交通流量数据、道路状况数据、气象数据和网络通报数据,所述突发类停车需求数据为空白数据或者包括所述突发类停车需求和对应的所述状态特征;
停车调度单元,用于响应于接收到用户上传的停车需求信息,将所述停车需求信息、所述医院车位状态和所述突发类停车需求数据输入训练后的所述深度强化学习模型,输出第一停车调度方案,所述停车需求信息包括用户对应的所述停车需求类型。
10.一种电子设备,其特征在于,所述电子设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的一种医院车辆停车调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311859362.1A CN117953718B (zh) | 2023-12-30 | 2023-12-30 | 一种医院车辆停车调度方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311859362.1A CN117953718B (zh) | 2023-12-30 | 2023-12-30 | 一种医院车辆停车调度方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117953718A true CN117953718A (zh) | 2024-04-30 |
CN117953718B CN117953718B (zh) | 2024-06-18 |
Family
ID=90791379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311859362.1A Active CN117953718B (zh) | 2023-12-30 | 2023-12-30 | 一种医院车辆停车调度方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117953718B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555584A (zh) * | 2019-07-17 | 2019-12-10 | 浙江工业大学 | 一种基于深度强化学习的自动化停车场调度方法 |
WO2020056875A1 (zh) * | 2018-09-20 | 2020-03-26 | 初速度(苏州)科技有限公司 | 一种基于深度强化学习的停车策略 |
CN112750331A (zh) * | 2020-12-30 | 2021-05-04 | 文浩磊 | 一种车辆停车调度方法及*** |
CN113554300A (zh) * | 2021-07-19 | 2021-10-26 | 河海大学 | 一种基于深度强化学习的共享车位实时分配方法 |
CN114038231A (zh) * | 2021-10-25 | 2022-02-11 | 深圳市神州路路通网络科技有限公司 | 停车场利用率调度方法、***、设备以及存储介质 |
CN116704808A (zh) * | 2023-05-23 | 2023-09-05 | 华南理工大学 | 停车位智能动态分配与引导方法、装置、设备及介质 |
-
2023
- 2023-12-30 CN CN202311859362.1A patent/CN117953718B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020056875A1 (zh) * | 2018-09-20 | 2020-03-26 | 初速度(苏州)科技有限公司 | 一种基于深度强化学习的停车策略 |
CN110555584A (zh) * | 2019-07-17 | 2019-12-10 | 浙江工业大学 | 一种基于深度强化学习的自动化停车场调度方法 |
CN112750331A (zh) * | 2020-12-30 | 2021-05-04 | 文浩磊 | 一种车辆停车调度方法及*** |
CN113554300A (zh) * | 2021-07-19 | 2021-10-26 | 河海大学 | 一种基于深度强化学习的共享车位实时分配方法 |
CN114038231A (zh) * | 2021-10-25 | 2022-02-11 | 深圳市神州路路通网络科技有限公司 | 停车场利用率调度方法、***、设备以及存储介质 |
CN116704808A (zh) * | 2023-05-23 | 2023-09-05 | 华南理工大学 | 停车位智能动态分配与引导方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117953718B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Azgomi et al. | A brief survey on smart community and smart transportation | |
CN103839118A (zh) | 一种选址方法和装置 | |
CN105320559A (zh) | 一种云计算***的调度方法和装置 | |
CN110119824B (zh) | 一种充电桩适配调度***及方法 | |
GB2582165A (en) | Managing satellite bearer resources | |
CN110322120B (zh) | 一种基于效益最大化的电动车充电调度方法和*** | |
CN103595815A (zh) | 基于云计算的存储资源分配方法 | |
CN103248622B (zh) | 一种自动伸缩的在线视频服务质量保障方法及*** | |
CN115730790A (zh) | 基于边缘计算的充电配置方法、装置、设备及存储介质 | |
CN108281989A (zh) | 一种风电电力***经济调度方法及装置 | |
CN116467082A (zh) | 一种基于大数据的资源分配方法及*** | |
CN102745192B (zh) | 一种混合动力车辆的分布式控制***的任务分配*** | |
CN117953718B (zh) | 一种医院车辆停车调度方法、***及设备 | |
CN103995749B (zh) | 小区云***的计算任务分配方法和*** | |
CN116130074A (zh) | 一种候诊等待时间预测方法、装置及存储介质 | |
CN113747450B (zh) | 一种移动网络中业务部署方法、装置及电子设备 | |
CN104618480A (zh) | 基于网络链路利用率驱动的云***资源分配方法 | |
CN113793195B (zh) | 网约车订单处理方法、装置、计算机设备及可读存储介质 | |
CN109542355B (zh) | 一种停车场云存储资源的信任计算方法 | |
CN113611150A (zh) | 一种基于LoRa智能停车***车位预订分配方法 | |
CN115080197A (zh) | 计算任务调度方法、装置、电子设备和存储介质 | |
CN117808563B (zh) | 基于区块链智能合约的灯杆异质业务定制接入装置及方法 | |
CN112418625A (zh) | 一种道路养护资源分配方法和装置 | |
CN115348324B (zh) | 一种最优化调度策略的确定方法及装置和电子设备 | |
CN110223525A (zh) | 一种基于云边融合的智能交通控制*** |
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 |