基于大数据和深度学习的停车诱导方法和系统与流程

本发明涉及停车导航技术领域，特别是涉及一种基于大数据和深度学习的停车诱导方法和系统。

背景技术：

停车诱导技术是辅助用户选择停车场的技术。

传统的停车诱导方法，将符合用户要求的所有停车场中距离用户预设目的地最近的停车场推荐给用户。并且根据使用的地点不同，一般存在两种情况。

如果用户将车开到目的地后使用停车诱导，如图10a所示，那么从出发地到目的地的距离加上从目的地到被推荐的停车场的距离总会大于(大于的概率非常大)或等于从出发地到被推荐的停车场的距离(因为三角形的两边长之和肯定大于第三边长)，因此会增加用户的开车里程、延长用户的开车时间，从而造成用户成本的增加和用户时间的浪费。

如果用户在出发地或距离目的地较远处使用停车诱导，如图10b所示，那么符合用户要求的停车场必然较远，因此会导致用户将车开到停车场需要较长时间，而在这较长时间内被推荐的停车场内的情况已经发生了变化(例如从有空闲停车位变为无空闲停车位)，那么就会导致用户停车失败。

因此，传统的停车诱导方法存在增加用户成本的问题或者停车失败的问题。

技术实现要素：

基于此，有必要提供一种能够提前且准确为用户推荐停车场的停车诱导方法。

此外，还提供一种停车诱导系统。

一种停车诱导方法，用于辅助用户选择目的地附近的停车场，包括：

获取表示用户到达目的地时间的第一时间；

获取预设的筛选条件；

预测在所述第一时间符合所述预设筛选条件的第一停车场集合；

根据预测结果输出具有最优条件的停车场。

在其中一个实施例中，所述第一时间由用户提供或按照如下方法计算：

获取当前位置和目的地位置；

计算当前位置和目的地位置之间的最优路径的长度，作为第一距离；

根据所述第一距离和车速计算到达目的地所需的第一时长；

将当前时间加上所述第一时长得到所述第一时间。

在其中一个实施例中，获取当前位置的方法为用户输入或定位获得，所述目的地位置为用户预设。

在其中一个实施例中，所述预设的筛选条件包括距离约束条件和车位空闲状况约束条件。

在其中一个实施例中，所述预设的筛选条件由用户设置或当用户没有设置时，调取默认条件。

在其中一个实施例中，所述预测在所述第一时间符合所述预设筛选条件的第一停车场集合的步骤包括：

根据所述距离约束条件筛选出第二停车场集合；

将所述第二停车场集合中、当前时间每一停车场的状况输入对应停车场的已训练深度神经网络进行深度学习，得到所述每一停车场的已训练深度神经网络的输出；

将所述每一停车场的已训练深度神经网络的所述输出作为对应停车场在所述第一时间的空闲状况；

根据所述空闲状况约束条件从第二停车场集合中筛选出第一停车场集合。

在其中一个实施例中，所述空闲状况采用空闲车位的比例、数量或根据所述比例、数量定义的预设状态来表示。

在其中一个实施例中，在预测之前，还包括：采用所述每一停车场的具有所述第一时长跨度的空闲状况数据训练所述每一停车场的深度神经网络：

选取任意一对具有第一时长跨度的起始时间和结束时间；

将所述起始时间的所述每一停车场空闲状况数据和结束时间的所述每一停车场空闲状况数据输入所述每一停车场的深度神经网络进行训练；

重复上述过程，直至得到所述每一停车场的已训练深度神经网络。

在其中一个实施例中，还将所述起始时间的停车场空闲状况数据和结束时间的停车场空闲状况数据存入大数据。

一种停车诱导系统，用于辅助用户选择目的地附近的停车场，包括：

时间获取模块，用于获取表示用户到达目的地时间的第一时间；

条件设置模块，用于获取预设的筛选条件；

预测模块，用于预测在所述第一时间符合所述预设筛选条件的第一停车场集合；

输出模块，根据预测结果输出具有最优条件的停车场；

导航模块，利用导航系统规划从当前位置到达所述具有最优条件的停车场的路线。

在其中一个实施例中，所述时间获取模块包括供用户输入第一时间的输入单元；或所述时间获取模块包括：

位置获取单元，用于获取当前位置和目的地位置；

距离计算单元，用于计算当前位置和目的地位置之间的最优路径的长度，作为第一距离；

时长计算单元，用于根据所述第一距离和车速计算到达目的所需的第一时长；

时间计算单元，用于将当前时间加上所述第一时长得到所述第一时间。

在其中一个实施例中，所述预设的筛选条件包括距离约束条件和车位空闲状况约束条件。

在其中一个实施例中，所述条件设置模块包括用户设置单元和系统设置单元；

所述用户设置单元供用户设置所述预设的筛选条件；

所述系统设置单元设置系统默认条件，用于当用户没有设置筛选条件时，供调取。

在其中一个实施例中，所述预测模块包括：

依距离筛选单元，用于根据所述距离约束条件筛选出第二停车场集合；

深度神经网络处理单元，用于将所述第二停车场集合中、当前时间每一停车场的状况输入对应停车场的已训练深度神经网络进行深度学习，得到所述每一停车场的已训练深度神经网络的输出；并将所述每一停车场的已训练深度神经网络的所述输出作为对应停车场在所述第一时间的空闲状况；

依空闲状况筛选单元，用于根据所述空闲状况约束条件从第二停车场集合中筛选出第一停车场集合。

在其中一个实施例中，所述空闲状况采用空闲车位的比例、数量或根据所述比例、数量定义的预设状态来表示。

在其中一个实施例中，还包括训练模块，用于采用所述每一停车场的具有所述第一时长跨度的空闲状况数据训练所述每一停车场的深度神经网络，包括：

选择单元，用于选取任意一对具有第一时长跨度的起始时间和结束时间；

训练单元，将所述起始时间的所述每一停车场空闲状况数据和结束时间的所述每一停车场空闲状况数据输入所述每一停车场的深度神经网络进行训练；

循环控制单元，用于控制所述选择单元和训练单元重复工作。

在其中一个实施例中，还包括大数据，用于存储所述起始时间的停车场空闲状况数据和结束时间的停车场空闲状况数据。

上述停车诱导方法及系统，通过预估车辆到达目的地的第一时间，并预测在第一时间时各停车场的车位变化，根据预测结果推荐停车场。进而可以利用导航系统规划从当前位置到达所述具有最优条件的停车场的路线。该方法既可以做到提前规划到达停车场的路线，避免人力和时间成本的浪费，又相对准确，在预测算法稳定时，可以大概率避免因提前设定停车场导致停车失败的问题。

附图说明

图1为一实施例的停车诱导方法流程图；

图2为图1中获取第一时间的方法流程图；

图3为图1中预测过程的具体方法流程图；

图4为训练深度神经网络的方法流程图；

图5为一实施例的停车诱导系统模块图；

图6为图5中时间获取模块的一种具体模块图；

图7为图5中条件设置模块的一种具体模块图；

图8为图5中预测模块的一种具体模块图；

图9为图5中训练模块的一种具体模块图；

图10a为传统的诱导方法示意图之一；

图10b为传统的诱导方法示意图之二。

具体实施方式

以下结合实施例和附图进行进一步说明。

如图1所示的为一实施例的停车诱导方法流程图。该方法用于辅助用户选择目的地附近的停车场，包括以下步骤：

步骤S100：获取表示用户到达目的地时间的第一时间。所述第一时间不是用户开车实际到达的时间，而是预计可能到达目的地的时间，与实际到达的时间存在一定的差别，但一般会在合理的误差区间内。预估所述第一时间的目的，是预测在第一时间时停车场的车位状况。

步骤S200：获取预设的筛选条件。预设的筛选条件可以用来筛选目的地附近的停车场，筛选条件一般是符合用户要求的各种条件。筛选条件可以包括距离约束条件和车位空闲状况约束条件。其中距离约束条件是指以目的地为中心、约束距离为半径的范围。车位空闲状况约束条件是指车位数量、比例等。

筛选条件可以由用户自行设置，例如用户选择目的地方圆500米内的停车场、停车位数量在20以上等。当用户没有设置筛选条件时，调取默认条件。默认条件，例如目的地方圆500米内的停车场、停车位数量在20以上等。

步骤S300：预测在所述第一时间符合所述预设筛选条件的第一停车场集合。预测目的地附近的各停车场的车位变化，并根据预设的筛选条件将车位状况变化后的停车场进行筛选，获得所述第一停车场集合。

步骤S400：根据预测结果输出具有最优条件的停车场。从第一停车场集合中选择一个具有最优条件的停车场输出。该最优条件可以是距离近、车位多、环境好等条件中的一种或多种条件的综合评价。输出方式可以是向用户推荐。例如，输出所述第一停车场集合中距离目的地最近的停车场。

上述停车诱导方法，通过预估车辆到达目的地的第一时间，并预测在第一时间时各停车场的车位变化，根据预测结果推荐停车场。进而可以利用导航系统规划从当前位置到达所述具有最优条件的停车场的路线该方法既可以做到提前规划到达停车场的路线，避免人力和时间成本的浪费，又相对准确，在预测算法稳定时，可以大概率避免因提前设定停车场导致停车失败的问题。

上述步骤S100中所述第一时间可以由用户提供。例如用户比较熟悉目的地，知道从出发地到目的地一般花多长时间，则可以由用户提供该第一时间。

上述步骤S100中所述第一时间还可以按照如下方法计算，如图2所示：

步骤S110：获取当前位置和目的地位置。获取当前位置的方法为用户输入或定位(例如GPS定位)获得，所述目的地位置为用户预设。

步骤S120：计算当前位置和目的地位置之间的最优路径的长度，作为第一距离。可以由车载导航系统获得该最优路径。

步骤S130：根据所述第一距离和车速计算到达目的地所需的第一时长。车速可以是一段时间以内的平均车速，也可以是结合其他情况计算所得，例如根据路况等。

步骤S140：将当前时间加上所述第一时长得到所述第一时间。当前时间即选择停车场的时间。当开始采用上述实施例的方法选择停车场时，就开始执行上述处理流程，以处理上述流程的开始时间为当前时间。

如图3所示，上述步骤S300具体可以采用如下处理过程：

步骤S310：根据所述距离约束条件筛选出第二停车场集合。即搜索并筛选在距离范围内的所有停车场，作为第二停车场集合。

步骤S320：将所述第二停车场集合中、当前时间每一停车场的状况输入对应停车场的已训练深度神经网络进行深度学习，得到所述每一停车场的已训练深度神经网络的输出。即通过已训练深度神经网络，根据当前停车场的状况预测第一时长后(即第一时间)的停车场的状况。

步骤S330：将所述每一停车场的已训练深度神经网络的所述输出作为对应停车场在所述第一时间的空闲状况。所述空闲状况可以采用空闲车位的比例、数量或根据所述比例、数量定义的预设状态来表示。例如0％表示完全空闲，50％表示一半空闲，100％表示零空闲；所述停车场的空闲状况也可以用“非常空闲”、“比较空闲”、“不空闲”等预设状态来表示，为了便于计算，这些预设状态可以对应为数字编码，例如“非常空闲”对应1、“比较空闲”对应2、“不空闲”对应3等。

步骤S340：根据所述空闲状况约束条件从第二停车场集合中筛选出第一停车场集合。

从第二停车场集合中筛选出所述第一时间的空闲状况符合所述空闲状况约束条件的停车场加入第一停车场集合。

由于深度学习和深度神经网络的预测精度非常高(这已经在很多应用中得到了印证，例如图像识别、语音识别，而空闲状况与图像数据或语音数据没有本质上的区别。例如将停车场中每个车位作为一个像素点，如果占用则该像素点为黑，否则为白，则每个时间的停车场的空闲状况都可以用一个图像来表示)，所以可以高精度地预测到停车场在车子到达预设目的地时的空闲状况。

在预测步骤S320之前，还包括：采用所述第二停车场集合中、具有所述第一时长跨度的每一停车场空闲状况数据训练对应停车场的深度神经网络，得到所述每一停车场的深度神经网络。深度神经网络一般需要输入大量有效的数据对其进行训练，才能在预测时更加准确。本实施例中，由于需要预测第一时长后的车位状况变化，因此需要输入具有第一时长跨度的停车场空闲状况数据对所述停车场的深度神经网络进行训练。

其中，如图4所示，采用具有所述第一时长跨度的每一停车场的空闲状况数据训练一个深度神经网络，得到所述每一停车场的已训练深度神经网络具体可以包括以下步骤：

步骤S321：初始化一个具有预设层数个中间层的深度神经网络。

将深度神经网络的输入层及输出层的数据结构初始化为所述每一停车场的空闲状况数据的数据结构。或者，也可以将深度神经网络的输入层及输出层的数据结构初始化为所述每一停车场的空闲状况数据可以转化成的数据结构。同时，将深度神经网络初始化出预设层数个中间层。中间层的预设层数可以是任一大于或者等于0且小于或者等于第一时长跨度中除起始时间和结束时间之外的具有停车场空闲状况数据的时间的个数。

步骤S322：选取任意一对具有第一时长跨度的起始时间和结束时间，并在所述起始时间和结束时间之间选取具有停车场空闲状况数据的预设层数个中间时间。选取的一对起始时间和结束时间可以是历史上任意的时间，并且在该时间有相关的停车场空闲状况数据。优选地，可以选取历史上每一天与本次预测对应的出发时间和到达时间。

步骤S323：将所述起始时间的所述每一停车场的空闲状况数据、每一中间时间的所述每一停车场的空闲状况数据和结束时间的所述每一停车场的空闲状况数据分别输入所述深度神经网络的输入层、对应中间层和输出层，对所述深度神经网络进行训练。将所述每一停车场的历史上的实际数据输入到深度神经网络中进行训练，可以获得所述每一停车场的深度神经网络。训练的数据越有效且训练数据量越大，预测的结果越准确。

步骤S324：判断是否对所述深度神经网络进行下一次训练，若是，则回到步骤S322重新执行上述各步骤，否则结束并将所述深度神经网络作为所述每一停车场的已训练深度神经网络。在执行此次预测之前，都可以利用所述每一停车场的已有数据持续对所述深度神经网络进行训练，直到利用验证集对所述深度神经网络进行验证时得到的误差小于阈值为止。

判断的步骤是：

选取距离当前时间最近的一对具有第一时长跨度的起始时间和结束时间；

将所述起始时间的所述每一停车场的空闲状况数据输入所述深度神经网络的输入层，然后通过所述深度神经网络的深度学习得到所述深度神经网络的输出层的输出结果；

将所述输出结果与所述结束时间的所述每一停车场的空闲状况数据进行对比，如果对比得到的误差大于预设阈值，则对所述深度神经网络进行下一次训练，否则结束训练并将所述深度神经网络作为所述每一停车场的已训练深度神经网络。

在预测步骤320之前，深度神经网络也可以是已经训练成型，可以直接在步骤S320中使用。

上述训练过程中所涉及的数据，即起始时间的停车场空闲状况数据和结束时间的停车场空闲状况数据都存入大数据。并且，还将各停车场的实时空闲状况数据都存入大数据。这些大量的数据可以用作大数据分析，进一步帮助提高预测的准确性。

以下还提供一种用于辅助用户选择目的地附近的停车场的停车诱导系统。

如图5所示，所述停车诱导系统包括时间获取模块100、条件设置模块200、预测模块300、输出模块400以及导航模块700。

时间获取模块100用于获取表示用户到达目的地时间的第一时间。所述第一时间不是用户开车实际到达的时间，而是预计可能到达目的地的时间，与实际到达的时间存在一定的差别，但一般会在合理的误差区间内。预估所述第一时间的目的，是预测在第一时间时停车场的车位状况。

条件设置模块200用于获取预设的筛选条件。预设的筛选条件可以用来筛选目的地附近的停车场，筛选条件一般是符合用户要求的各种条件。筛选条件可以包括距离约束条件和车位空闲状况约束条件。其中距离约束条件是指以目的地为中心、约束距离为半径的范围。车位空闲状况约束条件是指车位数量、比例等满足一定的条件。

筛选条件可以由用户自行设置，例如用户选择目的地方圆500米内的停车场、停车位数量在20以上等。当用户没有设置筛选条件时，调取默认条件。

预测模块300用于预测在所述第一时间符合所述预设筛选条件的第一停车场集合。

输出模块400根据预测结果输出具有最优条件的停车场。从第一停车场集合中选择一个具有最优条件的停车场输出。该最优条件可以是距离近、车位多、环境好等条件中的一种或多种条件的综合评价。

导航模块700利用导航系统规划从当前位置到达所述具有最优条件的停车场的路线。

上述停车诱导系统，通过预估车辆到达目的地的第一时间，并预测在第一时间时各停车场的车位变化，根据预测结果推荐停车场。进而可以利用导航系统规划从当前位置到达所述具有最优条件的停车场的路线。该方法既可以做到提前规划到达停车场的路线，避免人力和时间成本的浪费，又相对准确，在预测算法稳定时，可以大概率避免因提前设定停车场导致停车失败的问题。

时间获取模块100可以包括供用户输入第一时间的输入单元，由用户提供该第一时间。例如用户比较熟悉目的地，知道从出发地到目的地一般花多长时间，则可以由用户提供该第一时间。

如图6所示，时间获取模块100也可以包括位置获取单元110、距离计算单元120、时长计算单元130以及时间计算单元140。

位置获取单元110用于获取当前位置和目的地位置。获取当前位置的方法为用户输入或定位获得，所述目的地位置为用户预设。

距离计算单元120用于计算当前位置和目的地位置之间的最优路径的长度，作为第一距离。

时长计算单元130用于根据所述第一距离和车速计算到达目的所需的第一时长。

时间计算单元130用于将当前时间加上所述第一时长得到所述第一时间。

如图7所示，条件设置模块200可以包括用户设置单元210和系统设置单元220。所述用户设置单元210供用户设置所述预设的筛选条件。所述系统设置单元220设置系统默认条件，用于当用户没有设置筛选条件时，供调取。

如图8所示，预测模块300包括依距离筛选单元310、深度神经网络处理单元320以及依空闲状况筛选单元330。

依距离筛选单元310用于根据所述距离约束条件筛选出第二停车场集合；

深度神经网络处理单元320用于将所述第二停车场集合中、当前时间每一停车场的状况输入对应停车场的已训练深度神经网络进行深度学习，得到所述每一停车场的已训练深度神经网络的输出；并将所述每一停车场的已训练深度神经网络的所述输出作为对应停车场在所述第一时间的空闲状况。所述空闲状况采用空闲车位的比例、数量或根据所述比例、数量定义的预设状态来表示。

依空闲状况筛选单元330用于根据所述空闲状况约束条件从第二停车场集合中筛选出第一停车场集合。即从第二停车场集合中筛选出所述第一时间的空闲状况符合所述空闲状况约束条件的停车场加入第一停车场集合。

进一步地，结合图5，所述停车诱导系统还可以包括训练模块500。训练模块500用于采用所述第二停车场集合中、具有所述第一时长跨度的每一停车场空闲状况数据训练对应停车场的深度神经网络，得到所述每一停车场的深度神经网络。如图9所示，训练模块500包括选择单元510、训练单元520以及循环控制单元530。

选择单元510用于选取任意一对具有第一时长跨度的起始时间和结束时间。

训练单元520将所述起始时间的所述每一停车场空闲状况数据和结束时间的所述每一停车场空闲状况数据输入所述每一停车场的深度神经网络进行训练。

循环控制单元530用于控制所述选择单元510和训练单元520重复工作。

进一步地，所述停车诱导系统还可以包括大数据600，用于存储所述起始时间的停车场空闲状况数据和结束时间的停车场空闲状况数据。上述训练过程中所涉及的数据，即起始时间的停车场空闲状况数据和结束时间的停车场空闲状况数据都存入大数据。并且，还将各停车场的实时空闲状况数据都存入大数据。这些大量的数据可以用作大数据分析，进一步帮助提高预测的准确性。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。