本發(fā)明涉及智能停車，尤指一種基于物聯(lián)網(wǎng)的智慧停車管理方法及系統(tǒng)。

背景技術(shù)：

1、在大型商圈和寫字樓的大型停車場中，節(jié)假日的出行使得停車場的壓力極具突出。傳統(tǒng)停車管理系統(tǒng)多采用人工或簡單的電子監(jiān)控手段，難以實(shí)時(shí)、高效地管理停車位，導(dǎo)致停車場利用率低、車主找車位時(shí)間長、停車場內(nèi)部擁堵等問題。這不僅浪費(fèi)了大量時(shí)間和資源，還對車主和停車場管理造成極度的不便，找車位的車輛不斷進(jìn)停車場使得內(nèi)部堵塞，想離開的車難以外出，造成惡性循環(huán)。近年來，物聯(lián)網(wǎng)（iot）技術(shù)的發(fā)展為智慧停車管理提供了新的解決方案。通過在停車場內(nèi)部署各種傳感器和攝像頭，能夠?qū)崟r(shí)獲取停車位的占用信息。

2、現(xiàn)有技術(shù)通過統(tǒng)計(jì)空余車位數(shù)量對車輛進(jìn)行放行，控制停車場負(fù)載壓力和優(yōu)化停車場內(nèi)交通，而實(shí)際上在大型停車場中若執(zhí)行一離開一放入的管理方式又會對停車資源造成浪費(fèi)，在大型停車場中，車輛找尋到單一或極少量的車位并執(zhí)行停車動作需要耗費(fèi)大量的時(shí)間，在大量車輛均執(zhí)行此放行管理方式時(shí)則會造成大量的車位閑置時(shí)間的累積，進(jìn)而無法將停車場的利用率提升，因此如果實(shí)時(shí)保持停車場內(nèi)有合理的找車位數(shù)量，則可以使車輛在離開車位的時(shí)也會有找車位車輛能在短時(shí)間內(nèi)發(fā)現(xiàn)車位并停入，能提高車位利用率的同時(shí)也不會造成停車場擁堵和超負(fù)載。現(xiàn)有技術(shù)中通過人工經(jīng)驗(yàn)去進(jìn)行車輛放行，而實(shí)際上在大型停車場中僅憑人工經(jīng)驗(yàn)并不能的控制平衡停車場擁堵和車位利用率之間的關(guān)系。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述問題，本發(fā)明提供一種基于物聯(lián)網(wǎng)的智慧停車管理方法及系統(tǒng)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：

3、一種基于物聯(lián)網(wǎng)的智慧停車管理方法，包括以下步驟：

4、s1、通過物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)獲取停車位的實(shí)時(shí)占用數(shù)據(jù)，所述實(shí)時(shí)占用數(shù)據(jù)包括占用狀態(tài)、占用車輛信息和車輛離位時(shí)間；

5、s2、獲取停車場內(nèi)的車道圖像和車輛圖像，基于車道圖像和車輛圖像生成車道狀態(tài)矩陣；

6、s3、基于卷積神經(jīng)網(wǎng)絡(luò)對車道狀態(tài)矩陣提取各個車道的擁擠狀態(tài)；

7、s4、通過停車位的實(shí)時(shí)占用數(shù)據(jù)與車輛離場時(shí)刻計(jì)算車輛的離場用時(shí)，以各個車道的擁擠狀態(tài)作為前饋神經(jīng)網(wǎng)絡(luò)的輸入，以平均離場用時(shí)作為輸出，訓(xùn)練生成第一預(yù)測模型；

8、s5、基于第一預(yù)測模型預(yù)測輸出的平均離場用時(shí)與預(yù)設(shè)閾值計(jì)算擁堵值，通過擁堵值的變化斜率值定位擁堵急變節(jié)點(diǎn)，以擁堵急變節(jié)點(diǎn)時(shí)間對應(yīng)的各個車道的擁擠狀態(tài)為bp神經(jīng)網(wǎng)絡(luò)的輸入，以擁堵急變判斷分值為輸出，訓(xùn)練生成第二預(yù)測模型；

9、s6、根據(jù)實(shí)時(shí)各個車道的擁擠狀態(tài)與第二預(yù)測模型輸出的擁堵急變判斷分值實(shí)時(shí)調(diào)整停車場入口的車輛通行數(shù)量。

10、進(jìn)一步地，所述s2包括以下步驟：

11、在停車場內(nèi)設(shè)置若干實(shí)時(shí)圖像獲取設(shè)備并獲取停車場內(nèi)的車道圖像和車輛圖像；

12、對車道圖像進(jìn)行拼接構(gòu)建停車場二維模型；

13、根據(jù)停車場二維模型生成停車場矩陣；

14、根據(jù)車輛圖像獲取車輛在停車場二維模型中的占用信息并通過占用信息中的位置信息映射停車場矩陣，預(yù)設(shè)占用為同一數(shù)值并替換停車場矩陣參數(shù)，生成車道狀態(tài)矩陣。

15、進(jìn)一步地，所述s3包括以下步驟：

16、對生成的車道狀態(tài)矩陣進(jìn)行標(biāo)準(zhǔn)化處理；

17、將標(biāo)準(zhǔn)化后的車道狀態(tài)矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)；

18、通過卷積神經(jīng)網(wǎng)絡(luò)中的卷積層和池化層提取車道狀態(tài)矩陣中的特征信息，包括車道上的車輛密度和車輛移動速度；

19、將提取的特征信息輸入全連接層，輸出各個車道的擁擠狀態(tài)概率；

20、對各個車道的擁擠狀態(tài)概率進(jìn)行閾值判斷，確定各車道的具體擁擠狀態(tài)。

21、進(jìn)一步地，所述s4包括以下步驟：

22、通過停車位的實(shí)時(shí)占用數(shù)據(jù)與車輛離場時(shí)刻數(shù)據(jù)，計(jì)算每輛車的離場用時(shí)；

23、將每輛車的離場用時(shí)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，計(jì)算各個車輛的平均離場用時(shí)；

24、將各個車道的擁擠狀態(tài)作為輸入特征，將對應(yīng)的時(shí)間段的平均離場用時(shí)作為輸出標(biāo)簽，構(gòu)建前饋神經(jīng)網(wǎng)絡(luò)模型；

25、對前饋神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過反向傳播算法調(diào)整模型參數(shù)，最小化預(yù)測離場用時(shí)與實(shí)際離場用時(shí)之間的誤差，生成第一預(yù)測模型。

26、進(jìn)一步地，所述預(yù)設(shè)閾值為停車場車位占用率低于60%時(shí)車輛的平均離場用時(shí)。

27、進(jìn)一步地，所述基于第一預(yù)測模型預(yù)測輸出的平均離場用時(shí)與預(yù)設(shè)閾值計(jì)算擁堵值的公式如下：

28、，

29、其中，表示擁堵值，表示通過第一預(yù)測模型預(yù)測的平均離場用時(shí)，表示預(yù)設(shè)閾值。

30、進(jìn)一步地，所述通過擁堵值的變化斜率值定位擁堵急變節(jié)點(diǎn)包括以下步驟：

31、對擁堵值進(jìn)行時(shí)間序列拼接，生成擁堵值曲線；

32、計(jì)算擁堵值曲線在每個時(shí)間點(diǎn)的變化斜率；

33、設(shè)置斜率閾值，當(dāng)擁堵值變化斜率超過預(yù)設(shè)變化值時(shí)，判定為擁堵急變節(jié)點(diǎn)。

34、進(jìn)一步地，所述bp神經(jīng)網(wǎng)絡(luò)的公式如下：

35、，

36、其中，表示擁堵急變判斷分值，表示各個車道的擁擠狀態(tài)，和分別表示bp神經(jīng)網(wǎng)絡(luò)不同的權(quán)重矩陣，和為bp神經(jīng)網(wǎng)絡(luò)的偏置向量，表示激活函數(shù)。

37、進(jìn)一步地，所述s6包括：

38、將實(shí)時(shí)各個車道的擁擠狀態(tài)輸入至第二預(yù)測模型，輸出的擁堵急變判斷分值，若擁堵急變判斷分值大于或等于預(yù)設(shè)的擁堵門限值，則暫停停車場入口的車輛通行；

39、若擁堵急變判斷分值小于預(yù)設(shè)的擁堵門限值，則恢復(fù)停車場入口的車輛通行。

40、一種基于物聯(lián)網(wǎng)的智慧停車管理系統(tǒng)，包括：

41、數(shù)據(jù)采集模塊，用于通過物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)獲取停車位的實(shí)時(shí)占用數(shù)據(jù)，所述實(shí)時(shí)占用數(shù)據(jù)包括占用狀態(tài)、占用車輛信息和車輛離位時(shí)間；獲取停車場內(nèi)的車道圖像和車輛圖像，基于車道圖像和車輛圖像生成車道狀態(tài)矩陣；

42、車道監(jiān)測模塊，基于卷積神經(jīng)網(wǎng)絡(luò)對車道狀態(tài)矩陣提取各個車道的擁擠狀態(tài)；

43、離場用時(shí)預(yù)測模塊，用于通過停車位的實(shí)時(shí)占用數(shù)據(jù)與車輛離場時(shí)刻計(jì)算車輛的離場用時(shí)，以各個車道的擁擠狀態(tài)作為前饋神經(jīng)網(wǎng)絡(luò)的輸入，以平均離場用時(shí)作為輸出，訓(xùn)練生成第一預(yù)測模型；

44、急變判斷模塊，基于第一預(yù)測模型預(yù)測輸出的平均離場用時(shí)與預(yù)設(shè)閾值計(jì)算擁堵值，通過擁堵值的變化斜率值定位擁堵急變節(jié)點(diǎn)，以擁堵急變節(jié)點(diǎn)時(shí)間對應(yīng)的各個車道的擁擠狀態(tài)為bp神經(jīng)網(wǎng)絡(luò)的輸入，以擁堵急變判斷分值為輸出，訓(xùn)練生成第二預(yù)測模型；

45、入口調(diào)度模塊，用于根據(jù)實(shí)時(shí)各個車道的擁擠狀態(tài)與第二預(yù)測模型輸出的擁堵急變判斷分值實(shí)時(shí)調(diào)整停車場入口的車輛通行數(shù)量。

46、本發(fā)明的有益效果在于：本發(fā)明通過物聯(lián)網(wǎng)傳感器網(wǎng)絡(luò)實(shí)時(shí)獲取停車位的占用數(shù)據(jù)，包括占用狀態(tài)、占用車輛信息和車輛離位時(shí)間，確保數(shù)據(jù)的實(shí)時(shí)性和準(zhǔn)確性?？梢跃_地了解停車場的當(dāng)前使用情況，及時(shí)調(diào)整管理策略。通過獲取停車場內(nèi)的車道圖像和車輛圖像，生成車道狀態(tài)矩陣?；诰矸e神經(jīng)網(wǎng)絡(luò)對車道狀態(tài)矩陣進(jìn)行分析，提取車道的擁擠狀態(tài)，包括車道上的車輛密度和車輛移動速度，從而為后續(xù)提供準(zhǔn)確的數(shù)據(jù)支持。通過前饋神經(jīng)網(wǎng)絡(luò)模型，基于停車位的實(shí)時(shí)占用數(shù)據(jù)和車輛離場時(shí)刻數(shù)據(jù)，計(jì)算車輛的離場用時(shí)，訓(xùn)練生成第一預(yù)測模型。此模型可以準(zhǔn)確預(yù)測車輛的平均離場用時(shí)，并通過設(shè)定的閾值計(jì)算擁堵值，提供擁堵急變的預(yù)警。基于bp神經(jīng)網(wǎng)絡(luò)模型，結(jié)合擁堵值變化斜率定位擁堵急變節(jié)點(diǎn)，預(yù)測擁堵急變判斷分值。根據(jù)該分值，實(shí)時(shí)調(diào)整停車場入口的車輛通行數(shù)量，有效提高了車位利用率且避免了堵塞的形成，實(shí)現(xiàn)停車場擁堵和車位利用率之間的關(guān)系的平衡控制。