基于物联网的智慧车位管理系统的制作方法

1.本发明涉及车位管理技术领域，具体为基于物联网的智慧车位管理系统。


背景技术：

2.国家经济的迅猛增长使得国内汽车保有量随之不断增加，这导致了国内多个城市内的停车位数量变得极为紧缺，尤其是在一些特定的节假日里，针对于各大活动场所停车场的停车问题，由于停车人数的众多和停车位的有限，经常会导致用户长时间的等待和停车场的长时间拥堵问题，现有解决停车难的问题方式仍是一味的扩大停车场增加停车位，但城市中多小区定点停车位的数量随时间与人群行为处于不断变化的动态过程，单一固定模式的车位分配方法无法满足不同群体的停车需求，因此，设计实时最优的用户停车调度与车位方案规划的基于物联网的智慧车位管理系统是很有必要的。


技术实现要素：

3.本发明的目的在于提供基于物联网的智慧车位管理系统，以解决上述背景技术中提出的问题。
4.为了解决上述技术问题，本发明提供如下技术方案：基于物联网的智慧车位管理系统，包括车位预测单元、停车调度单元和泊车路径规划单元，所述车位预测单元用于通过融合多种数据对即将停入停车场的未来车流量进行预测，所述停车调度单元用于根据用户期望和实时车位环境进行用户停车的实时动态调度，所述泊车路径规划单元基于用户期望与停车场参数进行车位匹配后，用于规划车辆行驶到目标车位的最优路径，所述车位预测单元、停车调度单元与泊车路径规划单元网络连接。
5.根据上述技术方案，所述车位预测单元包括多模态数据采集模块、未来车流量预测模块和车位预测模块，所述多模态数据采集模块、未来车流量预测模块与车位预测模块电连接，所述多模态数据采集模块用于使用多种传感器结合多模态数据融合方式采集停车场内的各种数据并上传云服务器，所述未来车流量预测模块用于根据数据融合方法计算出精确的设定时段停车网点的车流量，所述车位预测模块用于利用lstm对提取到的停车特征进行计算预测车位请求数量。
6.根据上述技术方案，所述停车调度单元包括用户泊车需求模块、数据中心模块、对比分析判断模块和车位匹配模块，所述用户泊车需求模块与数据中心模块电连接，所对比分析判断模块与车位匹配模块电连接，所述用户泊车需求模块用于用户通过移动端进行停车和停车期望的请求，所述数据中心模块用于实时接收用户的泊车期望与实时的停车场车位信息与参数，所述对比分析判断模块用于进行用户的停车需求数量与该停车场当前的车位数量信息的对比分析，所述车位匹配模块用于根据对比分析结果进行车位的最优调度匹配。
7.根据上述技术方案，所述泊车路径规划单元包括全局路径规划模块和局部路径规划模块，所述全局路径规划模块与局部路径规划模块电连接，所述全局路径规划模块用于
根据停车场整体车位环境规划车位的最优分配路径，所述局部路径规划模块用于根据用户的停车期望结合车位环境进行最近车位的局部最优路径规划。
8.根据上述技术方案，所述智慧车位管理系统的运行方法包括以下步骤：
9.步骤一：针对即将停入停车场的未来车流量进行预测；
10.步骤二：用户在产生泊车需求时，通过移动终端向数据中心发送停车请求并通知停车期望，停车场实时监控车况信息，更新数据库信息并向中心反馈，数据中心进行车位的匹配；
11.步骤三：通过环境交互与停车模型的拟合实现实时最优用户停车调度与方案规划。
12.根据上述技术方案，所述步骤一中，未来车流量预测的具体方法如下：
13.步骤a1：通过多种数据融合方法进行区域内多种类型的停车位信息统计，并上传至云服务器中；
14.步骤a2：应用阿里云esc服务器的弹性伸缩架构进行车位数量的增加和减少计算，并选择释放时间；
15.步骤a3：根据用户动态请求匹配相应的车位数量和服务器的计算处理能力。
16.根据上述技术方案，所述步骤a1中，多模态数据融合是将来自多种模态的信息集成在一起的概念，目的是通过分类方法来预测一个类，不同传感器采集停车场的各种信息，通过多模态数据学习算法计算出各个停车网点的车流量和车位分布信息，对于停车网点的车流量和车位分布计算通常选择特征融合的方式，特征融合是从网络中提取表达融合，而后接入分类层。
17.根据上述技术方案，所述步骤二中，数据中心进行车位匹配的具体方法包括以下步骤：
18.步骤b1：用户产生泊车需求进而出库需求，通过移动终端向数据中心发送停车、出库请求并通知停车和出库期望；
19.步骤b2：停车场实时监控车况信息，更新数据库信息并向数据中心反馈；
20.步骤b3：获取用户停车需求信息和出库需求信息；
21.步骤b4：获取目标停车场车位信息；
22.步骤b5：对比判断用户的停车需求数量与该停车场当前的车位数量信息；
23.步骤b6：当用户的停车需求数量小于该停车场当前的车位数量，将目标停车场的车位直接分配给用户；
24.步骤b7：当用户的停车需求数量大于该停车场当前的车位数量时，利用数据中心根据用户的期望设置权重值；
25.步骤b8：数据中心将权重值进行累加，并同步对所有用户的权重值进行排序；
26.步骤b9：根据上一步的排序，将车位分配给权重值大的用户；
27.步骤b10：同时数据中心使用kmeans算法对剩余的用户以泊车范围为指标进行聚类分类，以就近原则分配用户到相应的停车场p1、p2、p3，并根据聚类结果将相应停车场的信息发送给用户。
28.根据上述技术方案，所述步骤b1中，数据中心负责信息的调度与计算，实时接收用户的泊车期望与实时的停车场车位信息与参数(车位数，权重值，价格)，用户使用移动终端
使用定位或直接输入目标停车场进行搜索，数据中心接收用户请求后根据数据库中的实时停车场信息发送给用户目标停车场以及周围推荐停车场信息，用户此时根据自身需求将自己的泊车期望(停车时间，车位类型等)发送给数据中心；
29.数据中心接收到用户期望后后进行模糊匹配，并接入用户的出库需求，设定同一个时间周期的时间值，匹配同一时间段内有出库需求的用户和有泊车需求的用户，当出库用户离开车位时实时发送车位消息至匹配到的即将进行停车入库的用户，同时当目标停车场有符合条件的车位会直接推送给用户，相反如果目标停车场难以满足要求，数据中心会计算用户期望的权重值并排序，分配给需求能最大满足需求的用户，在用户期望方面，需要对起始时间、停车的范围及时长、对车位需求的种类进行提前定义。
30.根据上述技术方案，所述步骤三中，基于用户期望与停车场参数进行车位匹配后，根据实际环境与用户期望还需要进一步规划车辆行驶到目标车位的最优路径，具体方法为
31.步骤c1：采用网格分解方法构建全局环境地图模型；
32.步骤c2：初始化混合蚁群算法的各项参数；
33.步骤c3：蚂蚁从起始网格开始前进，在选择下一个节点时，派遣寻路蚂蚁探索节点后的障碍情况，然后根据路径上的信息素浓度、距离启发式信息和节点后障碍物的分布情况，选择前进方向，直到蚂蚁抵达终点，抵达终点后，随之进行路径信息素浓度分布的更新；
34.步骤c4：当所有蚂蚁都完成步骤c3之后，利用最优最差奖惩制度进行全局信息素更新，并同时选择路径较优的个蚂蚁路径，进行引导性遗传算法变异，产生的新的更优路径也同时计入路径集合中；
35.步骤c5：复步骤c3和步骤c4至达到设定的迭代次数后完成路径寻优，并发送计算出的车辆行驶到目标车位的最优路径至用户接收端。
36.与现有技术相比，本发明所达到的有益效果是：本发明，通过设置有车位预测单元、停车调度单元和泊车路径规划单元，从同一系统内多个停车场的实时容量出发，基于用户期望(泊车时长、起止时间、停车偏好)，结合停车场参数(车位数量、实时泊车难度、费用)多种因素通过非线性规划与模糊控制实现停车车位与待停放车辆动态智能匹配，根据待处理的停放请求归类并初步划分区域，优先考虑调配同一方位角内的停车网点，选定目标车位到最终停放的过程中，需要对预选车位进行锁定，避免其他车辆再次发出泊车请求，对目标车位进行锁定使其处于不可占用状态，当车辆结束泊车离开停车场后，车位便进行解锁，处于可用状态，从整体上减小车辆停放的周转时间和距离，最大程度提升了停车效率。
附图说明
37.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
38.图1是本发明的系统模块组成示意图。
具体实施方式
39.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。
40.请参阅图1，本发明提供技术方案：基于物联网的智慧车位管理系统，包括车位预测单元、停车调度单元和泊车路径规划单元，车位预测单元用于通过融合多种数据对即将停入停车场的未来车流量进行预测，停车调度单元用于根据用户期望和实时车位环境进行用户停车的实时动态调度，泊车路径规划单元基于用户期望与停车场参数进行车位匹配后，用于规划车辆行驶到目标车位的最优路径，车位预测单元、停车调度单元与泊车路径规划单元网络连接。
41.车位预测单元包括多模态数据采集模块、未来车流量预测模块和车位预测模块，多模态数据采集模块、未来车流量预测模块与车位预测模块电连接，多模态数据采集模块用于使用多种传感器结合多模态数据融合方式采集停车场内的各种数据并上传云服务器，未来车流量预测模块用于根据数据融合方法计算出精确的设定时段停车网点的车流量，车位预测模块用于利用lstm对提取到的停车特征进行计算预测车位请求数量。
42.停车调度单元包括用户泊车需求模块、数据中心模块、对比分析判断模块和车位匹配模块，用户泊车需求模块与数据中心模块电连接，所对比分析判断模块与车位匹配模块电连接，用户泊车需求模块用于用户通过移动端进行停车和停车期望的请求，数据中心模块用于实时接收用户的泊车期望与实时的停车场车位信息与参数，对比分析判断模块用于进行用户的停车需求数量与该停车场当前的车位数量信息的对比分析，车位匹配模块用于根据对比分析结果进行车位的最优调度匹配。
43.泊车路径规划单元包括全局路径规划模块和局部路径规划模块，全局路径规划模块与局部路径规划模块电连接，全局路径规划模块用于根据停车场整体车位环境规划车位的最优分配路径，局部路径规划模块用于根据用户的停车期望结合车位环境进行最近车位的局部最优路径规划。
44.智慧车位管理系统的运行方法包括以下步骤：
45.步骤一：针对即将停入停车场的未来车流量进行预测，根据预测的车流量信息和当前停车场车位信息进行车位预测，能够降低因短时车流量而存在的可能堵塞的问题，提前预知车流量进行车位调度，减少资源浪费；
46.步骤二：用户在产生泊车需求时，通过移动终端向数据中心发送停车请求并通知停车期望，停车场实时监控车况信息，更新数据库信息并向中心反馈，数据中心进行车位的匹配，泊车作业中用户需要输入不同的停车要求，例如目的地地址，未来一次停车的时间范围，停车类型偏好，停车者愿意花费的最高价格，以及从停车位到停车场可以容忍的步行时间等，通过对待泊车用户的不同请求进行分类管理分析，同时结合当下停车点的停车位数量和占用情况为用户决策出最优的停车位，可以更好的针对用户泊车请求的无序性，突发性，抢占性进行处理，并实时更新用户的请求以及车位状态，保证整个停车点的泊车任务高效运行；
47.步骤三：通过环境交互与停车模型的拟合实现实时最优用户停车调度与方案规划。
48.步骤一中，未来车流量预测的具体方法如下：
49.步骤a1：通过多种数据融合方法进行区域内多种类型的停车位信息统计，并上传至云服务器中，服务器的功能是接收区域内泊车点的基本车流量信息和车位分布信息，将
该数据处理后存入阿里云数据库，将停车点的单位时间车流量作为负载数据，作为阿里云伸缩计算的依据；
50.步骤a2：应用阿里云esc服务器的弹性伸缩架构进行车位数量的增加和减少计算，并选择释放时间，数据库可以存储经过多模态数据融合的综合流量算法得出的泊车点车流基本信息，利用lstm模型为各个停车点预测出未来某时刻泊车流量后，阿里云服务器便会执行弹性伸缩服务，释放(收缩)车位，同时并根据预测值和实际值的偏差利用蜜蜂动态车位均衡算法调节，对模型参数进行自适应的更新，将不同停车场的总车位数量作为服务器的负载，通过实时以及预测的车位请求数量，对车位的分配过程(停车场层面)进行管理，避免资源利用不足和过度利用的问题，保持停车场处在负载较小的良好状态；
51.步骤a3：根据用户动态请求匹配相应的车位数量和服务器的计算处理能力。
52.步骤a1中，多模态数据融合是将来自多种模态的信息集成在一起的概念，目的是通过分类方法来预测一个类，不同传感器采集停车场的各种信息，通过多模态数据学习算法计算出各个停车网点的车流量和车位分布信息，对于停车网点的车流量和车位分布计算通常选择特征融合的方式，特征融合是从网络中提取表达融合，而后接入分类层。
53.步骤二中，数据中心进行车位匹配的具体方法包括以下步骤：
54.步骤b1：用户产生泊车需求进而出库需求，通过移动终端向数据中心发送停车、出库请求并通知停车和出库期望；
55.步骤b2：停车场实时监控车况信息，更新数据库信息并向数据中心反馈；
56.步骤b3：获取用户停车需求信息和出库需求信息，泊车请求与泊车期望由用户通过移动端发送；
57.步骤b4：获取目标停车场车位信息，数据中心保证停车场信息的实时更新，工作过程中，数据中心负责信息的调度与计算，实时接收用户的泊车期望与实时的停车场车位信息与参数(车位数，权重值，价格等)；
58.步骤b5：对比判断用户的停车需求数量与该停车场当前的车位数量信息；
59.步骤b6：当用户的停车需求数量小于该停车场当前的车位数量，将目标停车场的车位直接分配给用户；
60.步骤b7：当用户的停车需求数量大于该停车场当前的车位数量时，利用数据中心根据用户的期望设置权重值，用户的停车需求数量大于该停车场当前的车位数量包括多种涵盖的情况：首先是用户期望停车的总订单数大于停车场可用车位数，室内停车订单数大于室内可用车位数，以及室外停车订单数大于室内可用停车数，因此在这些可能呈现的情况下，主要根据用户的期望因素计算出期望的权重值；
61.步骤b8：数据中心将权重值进行累加，并同步对所有用户的权重值进行排序；
62.步骤b9：根据上一步的排序，将车位分配给权重值大的用户，在该停车场范围内，尽可能按照车位请求类型分配车位，当存在特殊情况例如室内停车位不够，则将相应的室内停车请求分配到室外停车场；
63.步骤b10：同时数据中心使用kmeans算法对剩余的用户以泊车范围为指标进行聚类分类，以就近原则分配用户到相应的停车场p1、p2、p3，并根据聚类结果将相应停车场的信息发送给用户。
64.步骤b1中，数据中心负责信息的调度与计算，实时接收用户的泊车期望与实时的
停车场车位信息与参数，用户使用移动终端使用定位或直接输入目标停车场进行搜索，数据中心接收用户请求后根据数据库中的实时停车场信息发送给用户目标停车场以及周围推荐停车场信息；
65.用户此时根据自身需求将自己的泊车期望发送给数据中心，数据中心接收到用户期望后后进行模糊匹配，并接入用户的出库需求，设定同一个时间周期的时间值，匹配同一时间段内有出库需求的用户和有泊车需求的用户，当出库用户离开车位时实时发送车位消息至匹配到的即将进行停车入库的用户，同时当目标停车场有符合条件的车位会直接推送给用户，相反如果目标停车场难以满足要求，数据中心会计算用户期望的权重值并排序，分配给需求能最大满足需求的用户，在用户期望方面，需要对起始时间、停车的范围及时长、对车位需求的种类进行提前定义，从同一系统内多个停车场的实时容量出发，基于用户期望(泊车时长、起止时间、停车偏好)，结合停车场参数(车位数量、实时泊车难度、费用)多种因素通过非线性规划与模糊控制实现停车车位与待停放车辆动态智能匹配，根据待处理的停放请求归类并初步划分区域，优先考虑调配同一方位角内的停车网点，选定目标车位到最终停放的过程中，需要对预选车位进行锁定，避免其他车辆再次发出泊车请求，对目标车位进行锁定使其处于不可占用状态，当车辆结束泊车离开停车场后，车位便进行解锁，处于可用状态，从整体上减小车辆停放的周转时间和距离，最大程度提升了停车效率。
66.步骤三中，基于用户期望与停车场参数进行车位匹配后，根据实际环境与用户期望还需要进一步规划车辆行驶到目标车位的最优路径，具体方法为
67.步骤c1：采用网格分解方法构建全局环境地图模型，由于停车场的特殊性，不规则性，随机性等特点，网格分解法具有简单、直观、通用性强的优点，适用于任何形状的障碍物，并易于进行边缘处理；
68.步骤c2：初始化混合蚁群算法的各项参数，混合蚁群算法概率型的群智能算法，它依据概率转移的规则去寻优；
69.步骤c3：蚂蚁从起始网格开始前进，在选择下一个节点时，派遣寻路蚂蚁探索节点后的障碍情况，然后根据路径上的信息素浓度、距离启发式信息和节点后障碍物的分布情况，选择前进方向，直到蚂蚁抵达终点，抵达终点后，随之进行路径信息素浓度分布的更新；
70.步骤c4：当所有蚂蚁都完成步骤c3之后，利用最优最差奖惩制度进行全局信息素更新，并同时选择路径较优的个蚂蚁路径，进行引导性遗传算法变异，产生的新的更优路径也同时计入路径集合中；
71.步骤c5：复步骤c3和步骤c4至达到设定的迭代次数后完成路径寻优，并发送计算出的车辆行驶到目标车位的最优路径至用户接收端，混合蚁群算法较为科学的解决了停车作业时的路径规划问题，并且得到的最优路径在安全性、时耗性和路径长度上均有十分优秀的成果。
72.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
73.最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。