实现区域关联疏导的城市大脑平台停车管理系统和方法与流程

1.本发明涉及智慧城市技术领域，特别涉及一种实现区域关联疏导的城市大脑平台停车管理系统和方法。


背景技术：

2.城市大脑平台是基于计算机软硬件建立城市空间的数字孪生实体，进而实现信息感知、仿真模拟、资源调度、分布式控制以及动态可视化等功能。城市大脑平台以各类传感器和智能前端设施构建基础层，并通过nb-iot等广域覆盖的无线物联网实现相关事件和数据的感知上报；进而，在支撑层实现数据集成，并融合各种面向细分领域和专业场景的支撑功能和算法进行数据分析；最终，支持在应用层实现各种城市运行相关的业务流程，执行图形化的显示和图表统计，实现预警和辅助决策功能；应用层的指令也通过无线物联网下行传输至基础层的各种智能前端设施，以便控制智能前端设施执行必要的操作。
3.随着城市车辆保有量的不断扩大，停车管理与疏导已经成为城市交通运行的一个关键问题，也是城市大脑平台的一个重要的细分应用场景。现有技术中城市大脑平台与停车相关的功能还局限在停车位空余量统计、热力图绘制等相对简单、固定的层面。现有技术中亟待一种解决方案，使城市大脑平台能够有效治理交通秩序，避免停车供需矛盾不均衡引发违章停车等问题，高效利用停车位空间资源。


技术实现要素：

4.为了改进城市大脑平台的停车管理功能，本发明提供一种实现区域关联疏导的城市大脑平台停车管理系统和方法。本发明能够对一定城市区域范围内的停车位资源进行实时统计监测，以及对本区域车辆的停车需求量进行准确预测，进而实现停车位资源与停车需求量的匹配分析，对于停车位资源不能满足停车需求量的情况下执行实时疏导。
5.本发明提供的一种实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，包括：
6.停车位数据接口，用于接收城市大脑平台基础层的停车位传感器上传的每个停车位的状态数据；
7.区域停车位实时统计模块，用于根据选定的城市空间区域，通过实时统计每个停车位的状态数据，确定所述城市空间区域的可用停车位数量时序向量；
8.热点区域标注模块，用于根据所述城市空间区域的可用停车位数量的时序向量，对热点城市空间区域标注当前的停车资源饱和度；
9.区域关系拓扑模块，用于根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重；
10.区域预测模块，用于根据所述热点城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与热点城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度；
个元素 。并且，计算分类损失：；
19.其中， 是有停车资源饱和度标签指标集， 是one-hot标签
ꢀꢀ
的第
ꢀꢀ
个元素。
20.优选的是，所述停车区域疏导模块面向任一个城市空间区域执行停车疏导时，当最近的一个统计窗口该区域的可用停车位数量低于特定阈值时候，根据区域预测模块为与该区域具有空间联通关系的其他城市空间区域的停车资源饱和度标签，从中选取停车资源饱和度标签与该城市空间区域属于不同类型的其它城市空间区域，作为停车资源疏导的目标区域，进而，根据距离、道路等级、车流量等因素，从目标区域中选取实际的疏导区域。
21.优选的是，所述停车区域疏导模块基于无线物联网向任一个城市空间区域相关的停车提示显示屏，发送疏导消息，基于疏导消息的显示，实现向实际疏导区域的停车疏导。
22.本发明进而提供的一种实现区域关联疏导的城市大脑平台停车管理方法，包括如下步骤：
23.接收城市大脑平台基础层的停车位传感器上传的每个停车位的状态数据；
24.根据选定的城市空间区域，通过实时统计每个停车位的状态数据，确定所述城市空间区域的可用停车位数量时序向量；
25.根据所述城市空间区域的可用停车位数量的时序向量，对城市空间区域标注当前的停车资源饱和度；
26.根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重；
27.根据所述城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度；
28.根据其他城市空间区域的停车资源饱和度，确定面向热点城市空间区域的疏导策略。
29.可见，本发明的城市大脑平台针对停车管理和疏导，以城市空间区域为基本单位，在停车位的可用信息实时采集和统计监测的基础上，通过时序向量和停车资源饱和度标签向量标注实现定量化表征，进而基于城市空间区域的交通、车流等关系拓扑，以深度训练后的神经网络，实现热点城市区域空间相关联的城市区域空间的停车资源饱和度预测和标签分类表示，进而实现针对性的停车疏导。本发明置入了深度学习机制，提升了停车疏导的精确度、预测性和高效性，提升了城市大脑平台在停车管理和疏导方面的水平。
附图说明
30.下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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，还可以根据这些附图获得其他的附图。
31.图1是本发明提供的实现区域关联疏导的城市大脑平台停车管理系统结构图；
32.图2是本发明提供的实现区域关联疏导的城市大脑平台停车管理方法流程图。
具体实施方式
33.为使本发明实施的目的、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更加详细的描述。
34.需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作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。
35.下面参考图1，详细描述本发明提供的一种实现区域关联疏导的城市大脑平台停车管理系统，包括：
36.停车位数据接口101，用于接收城市大脑平台基础层的停车位传感器上传的每个停车位的状态数据；
37.区域停车位实时统计模块102，用于根据选定的城市空间区域，通过实时统计每个停车位的状态数据，确定所述城市空间区域的可用停车位数量时序向量；
38.区域标注模块103，用于根据所述城市空间区域的可用停车位数量的时序向量，对城市空间区域标注当前的停车资源饱和度；
39.区域关系拓扑模块104，用于根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重；
40.区域预测模块105，用于根据所述城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度；
41.停车区域疏导模块106，用于根据其他城市空间区域的停车资源饱和度，确定面向热点城市空间区域的疏导策略。
42.下面对本系统的各模块功能进行具体描述。
43.停车位数据接口101作为城市大脑平台的基础层数据接口，通过nb-iot等无线物联网技术，能够接收停车位传感器上传的每个停车位的状态数据，状态数据表示该停车位处于占用状态或可用状态。停车位传感器可以采用红外、地磁线圈、视频、自动地锁升降位置感知等手段中的任意一种或多种，从而确定自身对应的停车位是否有车辆占用，从而生成表明“占用状态”或“可用状态”的状态数据。进而，该停车位传感器可以集成了无线物联网模组，支持例如nb-iot等协议下的无线物联网通信，可以将以上状态数据连同停车位id号等关联信息一并无线上传给城市大脑平台；停车位传感器可以采用触发机制，即停车位的状态数据发生状态切换时，被触发上传更新后的所述状态数据。停车位数据接口101实时接收上传的所述状态数据及停车位id号等关联信息。根据停车位id号，通过后台数据库的查新，可以获得该停车位所分布的城市空间区域。
44.区域停车位实时统计模块102面向选定的城市空间区域，从所述停车位数据接口101接收停车位的状态数据。所述城市空间区域是在城市空间预定范围（例如整个城市或城市的某个城区）内选定的某幢楼宇、某个小区、某个商业综合体、某条街道、某个学校等不同
空间尺度的空间区域，本发明中将每个城市空间区域抽象为一个基本实体单位，表示为，其中表示城市空间区域的编号，从而，城市大脑平台所应用的全部城市空间区域表示为集合，其中，为城市空间区域总数量。
45.进而，面向任何一个选定的城市空间区域，区域停车位实时统计模块102从停车位数据接口101查询、提取位于在该城市空间区域以内的全部停车位的所述状态数据。进而，所述区域停车位实时统计模块102以预设的时间长度为一个统计窗口（例如每10分钟作为一个统计窗口），逐个统计窗口对该城市空间区域内全部停车位的所述状态数据的进行实时统计，获得每个统计窗口内的可用停车位数量，进而按照统计窗口的时序进行排列，形成所述城市空间区域的可用停车位数量的时序序列。该可用停车位数量的时序序列可以表示为时序向量的形式：
46.其中表示城市空间区域的编号，表示第个城市空间区域对应的可用停车位数量的时序序列向量，至表示按时序排列的第至个统计窗口上该城市空间区域的可用停车位数量，作为时序序列向量的属性值。
47.进而，城市大脑平台所应用的全部城市空间区域的所述可用停车位数量时序序列向量的集合表示为。
48.区域标注模块103，用于根据所述城市空间区域的可用停车位数量的时序向量，对城市空间区域标注当前的停车资源饱和度。具体来说，所述区域标注模块103根据第个城市空间区域对应的可用停车位数量的时序序列向量，将可用停车位数量低于特定阈值的统计窗口标注为热点窗口，进而，根据在该时序序列向量表示的至个统计窗口上热点窗口不同的分布模式，对第个城市空间区域标注停车资源饱和度标签向量，其中，该停车资源饱和度标签向量是一个one-hot标签向量，即：如果第个城市空间区域属于第 类，则, 否则，。并且，, 为所有标签向量类型的集合， 的元素个数记为。
49.进而，城市大脑平台所应用的全部城市空间区域的停车资源饱和度标签集合表示为。
50.区域关系拓扑模块104，用于根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重。具体来说，将所述区域关系拓扑表示为，其中，三元组表示城市空间区域和之间具备的空间联通关系， 表示所有空间联通关系的类型集合， 的元素个数记为；所述城市空间区域之间的空间联通关系可以用城市空间区域之间的道路等级进行区分，且以集合 表示空间联通权重矩阵，其第ij个城市空间区域之间的空间联通关系的权重值表示为
ꢀꢀ
，其度量了城市空间区域
ꢀꢀ
空间联通关系的强度，该权重值与城市空间区域之间的道路车流量成正比。
51.区域预测模块105，用于根据所述城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与城市空间区域具有相互
关系的其他城市空间区域的停车资源饱和度。
52.具体来说，区域预测模块105用于预测与城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度的神经网络模型表示为；其中，输入集合，即为城市大脑平台应用的至个城市空间区域集合及其相关的可用停车位数量时序序列向量集合，停车资源饱和度标签集合，城市空间区域的区域关系拓扑以及相关的空间联通关系的类型集合、标签向量类型集合以及空间联通权重矩阵；是神经网络模型所有参数矩阵构成的参数向量。
53.在该神经网络模型训练过程中，初始化 计算该神经网络模型中
ꢀꢀ
的第
ꢀꢀ
层特征表示：
54.这里，, 是的神经网络模型第
ꢀꢀ
层的输出特征， 是第
ꢀꢀ
层的特征维度, 表示逐元的最大值激活函数, 表示和有关系
ꢀꢀ
的城市区域空间的指标集合， 表示标准化常数，提前给定，例如取
ꢀꢀ
, 表示集合 元素的个数，是第
ꢀꢀ
层的未知权重参数矩阵， 是神经网络模型的隐藏层层数。
55.该神经网络模型的softmax分类层的输出：
56.其中，向量
ꢀꢀ
的第 个元素 。并且，计算分类损失：；
57.其中， 是有停车资源饱和度标签指标集， 是one-hot标签
ꢀꢀ
的第
ꢀꢀ
个元素。采用梯度下降(adam)算法更新模型参数 (即所有的
ꢀꢀ
和 )，优化分类损失，最终获得基于输入集合对城市区域空间进行停车资源饱和度标签分类的神经网络模型。
58.进而，区域预测模块105，用于根据所述城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度，表示为其他城市空间区域的停车资源饱和度标签分类。
59.停车区域疏导模块106，用于根据其他城市空间区域的停车资源饱和度的标签分类，确定面向热点城市空间区域的疏导策略。具体来说，当面向第个城市空间区域执行停车疏导时，当最近的一个统计窗口该区域的可用停车位数量低于特定阈值时候，根据区域预测模块105为与该区域具有空间联通关系的其他城市空间区域的停车资源饱和度标签，从中选取停车资源饱和度标签与第个城市空间区域属于不同类型的其它城市空间区域，作为停车资源疏导的目标区域，进而，根据距离、道路等级、车流量等因素，从目标区域中选取实际的疏导区域。
60.停车区域疏导模块106可以基于无线物联网，向第个城市空间区域相关的停车提示显示屏等设备，发送疏导消息，基于疏导消息的显示，实现向实际疏导区域的停车疏导。
61.参考图2，本发明进而提供的一种实现区域关联疏导的城市大脑平台停车管理方法，包括如下步骤：
62.s101，接收城市大脑平台基础层的停车位传感器上传的每个停车位的状态数据；
63.s102，根据选定的城市空间区域，通过实时统计每个停车位的状态数据，确定所述城市空间区域的可用停车位数量时序向量；
64.s103，根据所述城市空间区域的可用停车位数量的时序向量，对城市空间区域标注当前的停车资源饱和度；
65.s104，根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重；
66.s105，根据所述城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度；
67.s106，根据其他城市空间区域的停车资源饱和度，确定面向热点城市空间区域的疏导策略。
68.可见，本发明的城市大脑平台针对停车管理和疏导，以城市空间区域为基本单位，在停车位的可用信息实时采集和统计监测的基础上，通过时序向量和停车资源饱和度标签向量标注实现定量化表征，进而基于城市空间区域的交通、车流等关系拓扑，以深度训练后的神经网络，实现热点城市区域空间相关联的城市区域空间的停车资源饱和度预测和标签分类表示，进而实现针对性的停车疏导。本发明置入了深度学习机制，提升了停车疏导的精确度、预测性和高效性，提升了城市大脑平台在停车管理和疏导方面的水平。
69.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，包括：停车位数据接口，用于接收城市大脑平台基础层的停车位传感器上传的每个停车位的状态数据，区域停车位实时统计模块，用于根据选定的城市空间区域，通过实时统计每个停车位的状态数据，确定所述城市空间区域的可用停车位数量时序向量；热点区域标注模块，用于根据所述城市空间区域的可用停车位数量的时序向量，对热点城市空间区域标注当前的停车资源饱和度；区域关系拓扑模块，用于根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重；区域预测模块，用于根据所述热点城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与热点城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度；停车区域疏导模块，用于根据其他城市空间区域的停车资源饱和度，确定面向热点城市空间区域的疏导策略。2.根据权利要求1所述的实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，所述停车位数据接口接收表明停车位“占用状态”或“可用状态”的状态数据以及停车位id号。3.根据权利要求2所述的实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，所述区域停车位实时统计模块用于面向任何一个选定的城市空间区域，从停车位数据接口查询、提取位于在该城市空间区域以内的全部停车位的所述状态数据；进而，以预设的时间长度为一个统计窗口，逐个统计窗口对该城市空间区域内全部停车位的所述状态数据的进行实时统计，获得每个统计窗口内的可用停车位数量，进而按照统计窗口的时序进行排列，形成所述城市空间区域的可用停车位数量的时序序列。4.根据权利要求3所述的实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，所述区域标注模块根据每个城市空间区域对应的可用停车位数量的时序序列向量，将可用停车位数量低于特定阈值的统计窗口标注为热点窗口，进而，根据在该时序序列向量表示的统计窗口上热点窗口不同的分布模式，对该城市空间区域标注停车资源饱和度标签向量。5.根据权利要求4所述的实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，所述区域关系拓扑模块通过所述区域关系拓扑表示城市空间区域之间具备的空间联通关系的类型，所述空间联通关系的类型用城市空间区域之间的道路等级区分；并且，所述区域关系拓扑通过空间联通关系权重矩阵的权重值表示2个城市空间区域之间的空间联通关系的强度，所述权重值与城市空间区域之间的道路车流量成正比。6.根据权利要求5所述的实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，区域预测模块的神经网络模型输入为城市大脑平台应用的城市空间区域集合及其相关的可用停车位数量时序序列向量集合，停车资源饱和度标签集合，城市空间区域的区域关系拓扑以及相关的空间联通关系的类型集合、标签向量类型集合以及空间联通权重矩阵，并通过训练确定神经网络模型所有参数矩阵的参数向量，获得对城市区域空间进行停车资源饱和度标签分类的模型。
7.根据权利要求6所述的实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，所述神经网络模型表示为；其中，输入集合，即为城市大脑平台应用的至个城市空间区域集合及其相关的可用停车位数量时序序列向量集合，停车资源饱和度标签集合，城市空间区域的区域关系拓扑以及相关的空间联通关系的类型集合、标签向量类型集合以及空间联通权重矩阵；是神经网络模型所有参数矩阵构成的参数向量；并且在该神经网络模型训练过程中，初始化 计算该神经网络模型中
ꢀꢀ
的第
ꢀꢀ
层特征表示：这里，, 是的神经网络模型第
ꢀꢀ
层的输出特征， 是第
ꢀꢀ
层的特征维度, 表示逐元的最大值激活函数, 表示和有关系
ꢀꢀ
的城市区域空间的指标集合， 表示提前给定的标准化常数，是第
ꢀꢀ
层的未知权重参数矩阵，阵，是神经网络模型的隐藏层层数，该神经网络模型的softmax分类层的输出：；其中，向量
ꢀꢀ
的第 个元素 ;并且，计算分类损失：,其中， 是有停车资源饱和度标签指标集， 是one-hot标签
ꢀꢀ
的第
ꢀꢀ
个元素。8.根据权利要求7所述的实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，所述停车区域疏导模块面向任一个城市空间区域执行停车疏导时，当最近的一个统计窗口该区域的可用停车位数量低于特定阈值时候，根据区域预测模块为与该区域具有空间联通关系的其他城市空间区域的停车资源饱和度标签，从中选取停车资源饱和度标签与该城市空间区域属于不同类型的其它城市空间区域，作为停车资源疏导的目标区域，进而，根据距离、道路等级、车流量等因素，从目标区域中选取实际的疏导区域。9.根据权利要求8所述的实现区域关联疏导的城市大脑平台停车管理系统，其特征在于，所述停车区域疏导模块基于无线物联网向任一个城市空间区域相关的停车提示显示屏，发送疏导消息，基于疏导消息的显示，实现向实际疏导区域的停车疏导。10.一种实现区域关联疏导的城市大脑平台停车管理方法，其特征在于，包括如下步骤：接收城市大脑平台基础层的停车位传感器上传的每个停车位的状态数据；根据选定的城市空间区域，通过实时统计每个停车位的状态数据，确定所述城市空间区域的可用停车位数量时序向量；
根据所述城市空间区域的可用停车位数量的时序向量，对城市空间区域标注当前的停车资源饱和度；根据城市空间区域的相互关系，建立城市空间区域的区域关系拓扑，所述城市空间区域的相互关系包括空间联通类型以及空间联通权重；根据所述城市空间区域的停车资源饱和度以及所述城市空间区域的区域关系拓扑，基于训练的预测神经网络模型，预测与城市空间区域具有相互关系的其他城市空间区域的停车资源饱和度；根据其他城市空间区域的停车资源饱和度，确定面向热点城市空间区域的疏导策略。

技术总结
本发明提供一种实现区域关联疏导的城市大脑平台停车管理系统和方法。该系统包括：停车位数据接口、区域停车位实时统计模块、热点区域标注模块、区域关系拓扑模块、区域预测模块、停车区域疏导模块。本发明能够对一定城市区域范围内的停车位资源进行实时统计监测，以及对本区域车辆的停车需求量进行准确预测，进而实现停车位资源与停车需求量的匹配分析，对于停车位资源不能满足停车需求量的情况下执行实时疏导。行实时疏导。行实时疏导。


技术研发人员：郭志英 鹿馨方 刘元
受保护的技术使用者：北京亦庄智能城市研究院集团有限公司
技术研发日：2023.09.04
技术公布日：2023/10/8