【技術實現步驟摘要】
本專利技術涉及計算機視覺和智慧停車領域，具體涉及一種基于深度學習和客觀賦權法的泊位動態調配方法。
技術介紹
1、隨著城市化進程的不斷推進，機動車保有量持續增長，隨之而來的停車難問題日趨嚴重。停車難不僅會增加巡游交通量導致交通擁堵問題，同時還會帶來環境污染。這制約著城市綜合交通體系的可持續發展，特別是在繁華的商業區、居民密集區以及交通樞紐地帶，停車位的供需矛盾尤為突出。目前，大多數地區采用的停車模式為先到先得。雖然該模式應用十分廣泛，居民熟悉度較高，但該模式缺乏高效的泊位分配策略，且停車場與停車司機之間存在信息壁壘，這使停車難問題不斷加劇。
2、為了解決這一難題，眾多學者開始探索多元化的停車管理模式，其中智能停車模式因其高效、安全、便捷的特點而受到廣泛關注。智能停車分為共享停車和預約停車。共享停車鼓勵居民將閑置的車位有償提供給有需要的居民適用，通過錯時停車提高了泊位利用效率，達到了緩解停車難的目的。而預約停車面向使用公共停車場的居民，依托于預約停車平臺實現泊位信息實時發布，打破了停車場與停車司機之間的信息壁壘，提高了泊位周轉率，從而緩解了停車難問題。
3、預約是實現泊位資源貢獻的前提，已有眾多學者圍繞先預約先服務機制和拍賣預約機制展開了深入研究。研究表明，先預約先服務機制更加公平，但由于缺乏價格管理導致市場效率較低，拍賣預約機制則與之相反。鑒于此，本方法提出了包含先到先得、先預約先服務和拍賣預約的混合停車模式以滿足多元化的停車需求。其中，先到先得模式，針對停車場內的車輛又采用目標檢測的方式，實時輸出停車場的
4、在混合停車模式下三種停車機制(即，先到先得、先預約先服務和拍賣預約)的泊位分配尤為重要，這一問題不僅會影響預約停車平臺的總體收益，還會對居民停車體驗及開車出行成本產生影響。基于此，本方法提出了泊位配比綜合評價指標，在考慮了預約停車平臺總收益、五類居民人均停車評價指數和開車出行成本的情況下，搭建了混合停車模式下泊位配比綜合評價體系，并基于critic客觀賦權法構建了泊位配比綜合評價模型，深入探討了混合停車模式下泊位配比的優化問題，促進城市停車管理的公平性和可持續性發展。
技術實現思路
1、針對現有技術中存在的上述問題，本專利技術提出了一種基于深度學習和客觀賦權法的泊位動態調配方法，設計合理，解決了現有技術的不足，具有良好的效果。
2、一種基于深度學習和客觀賦權法的泊位動態調配方法，包括以下步驟：
3、s1、獲取傳統停車場數據，包括停車場泊位總數和車輛特征，基于改進的centernet網絡模型構建停車場車輛檢測模型，實時監控停車場區域內車輛數量的變化；
4、s2、建立混合停車模式，包括非預約模式和預約模式，所述非預約模式即為先到先得的停車模式，預約模式包括先預約先服務和拍賣預約兩種停車模式；
5、設置兩種參數和，為先到先得停車的停車泊位占比，，為先到先得停車泊位數量，為停車場泊位總數量，為先預約先服務的停車泊位占比，，為先預約先服務停車泊位數量，為預約模式的泊位總數量，拍賣預約的停車泊位占比為；
6、s3、對實行混合停車模式的停車場進行試運行，采用試運行獲取的數據對深度神經網絡進行訓練，訓練后的深度神經網絡能夠預測未來某天停車場的停車泊位占比，記為和；
7、s4、搭建泊位占比綜合評價體系，采用critic客觀賦權法構建混合停車模式泊位占比綜合評價模型，得到三種模式的泊位最優占比，記為和；
8、s5、對和進行比較，若兩者的差值小于等于0.2，則按照和進行泊位動態調配，若兩者的差值大于0.2，則以為基準，對先預約先服務和拍賣預約兩種停車模式進行二次分配。
9、進一步地，所述s1包括以下子步驟：
10、s11、收集固定攝像頭拍攝的停車場中泊位總數量，輸入到預約停車平臺；
11、s12、收集固定攝像頭拍攝下的停車場圖片或視頻，通過人工標注工具對圖片中的車輛進行標注，形成原始數據集；
12、s13、所述改進的centernet網絡模型包括改進后的特征提取網絡resnet-50、上采樣網絡deconv、預測網絡head和改進的損失函數，所述改進后的特征提取網絡resnet-50包括一個rfb初步特征提取模塊、四個resblock模塊resblock_1~resblock_4、一個ca注意力機制模塊，其中rfb模塊由三個1×1的并行卷積模塊、三個3×3的卷積模塊、一個5×5的卷積模塊、擴張卷積層和一個殘差模塊組成；所述預測網絡head包括熱力圖預測網絡、寬高預測網絡和中心點偏置預測網絡；改進的loss損失函數考慮到了邊界框回歸的重疊面積、中心點距離和寬高比；
13、s14、將s12中的原始數據集作為訓練集輸入到改進的centernet中進行訓練，模型訓練分為凍結階段和解凍階段，設置迭代次數為100，學習率為，學習率呈cos函數型衰減，根據訓練中損失函數l的變化趨勢適當設置不同的學習率和批訓練大小，直至達到指定的迭代次數時結束訓練，得到停車場車輛檢測模型；
14、s15、對通過停車場車輛檢測模型檢測出的車輛用方框進行標注，并將停車場電子地圖輸入到預約停車平臺，供用戶和工作人員實時查看；
15、s16、將檢測出的車輛數量進行統計，根據泊位總數減去檢測到的車輛數量得到剩余泊位數，輸出到預約停車平臺進行顯示。
16、進一步地，所述s3中，采集一段時間內檢測到的車輛數量作為停車場歷史停車數據，具體包括以下步驟：
17、s31、對采取混合停車模式的停車場進行試運營，提前開放預約功能，混合停車第一天，記，泊位采用平分配比，即，，并發布在預約停車平臺，用戶即可提前進行預約，當第一天結束時，通過停車場車輛檢測模型統計出當天真實先到先得停車泊位數量?、先預約先服務停車泊位數量?及拍賣預約停車泊位數量，并更新在數據庫中；
18、s32、預測的第天先到先得停車泊位需求量及停車模式泊位占比的計算公式為：
19、；（2）
20、其中，為預測的第天先到先得停車泊位需求量，為傳統停車模式下基于深度神經網絡預測的第天先到先得停車泊位需求量，為第天真實的先預約先服務停車泊位數量，第天真實的拍賣預約停車泊位數量，為預測的第天先到先得停車的停車泊位占比，為第天先預約先服務的停車泊位占比；
21、當第天結束時，將最終真實的先到先得停車泊位占比更新在數據庫中,采用平分的方式獲取第天的預約需求；
22、s33、以此循環，直到第天，停止試運行，從而獲取基于混合停車模式的不同條件下歷史停車數據；
23、s34、對歷史停車數據進行特征提取，包括停車數量、工作日、周末、節假日、天氣、季節信息，構建訓練集。
24、本文檔來自技高網...
【技術保護點】
1.一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述S1包括以下子步驟：
3.根據權利要求2所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述S3中，采集一段時間內檢測到的車輛數量作為停車場歷史停車數據，具體包括以下步驟：
4.根據權利要求3所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述S3中，采用訓練集對深度神經網絡進行訓練，具體包括：
5.根據權利要求4所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述S4包括以下子步驟：
6.根據權利要求5所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述S41中泊位占比綜合評價體系具體為：
7.根據權利要求6所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述S42中，混合停車模式泊位占比綜合評價模型具體為：采用CRITIC客觀賦權法對比S41中七個評價
8.根據權利要求7所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述S5包括以下子步驟：
9.根據權利要求8所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述S52中，首先根據S41計算時，取不同值時七個評價指標對應的值，然后根據S42選取綜合評價指數最高的占比方案，即通過二次分配的方式，達到混合停車模式下泊位占比的次優狀態，實現泊位動態調配。
...【技術特征摘要】
1.一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述s1包括以下子步驟：
3.根據權利要求2所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述s3中，采集一段時間內檢測到的車輛數量作為停車場歷史停車數據，具體包括以下步驟：
4.根據權利要求3所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述s3中，采用訓練集對深度神經網絡進行訓練，具體包括：
5.根據權利要求4所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，所述s4包括以下子步驟：
6.根據權利要求5所述的一種基于深度學習和客觀賦權法的泊位動態調配方法，其特征在于，...
【專利技術屬性】
技術研發人員：高歌，潘發輝，陳蓉，徐文凱，毛新博，劉碩，
申請(專利權)人：山東科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。