[发明专利]一种智慧园区停车决策优化方法及系统

权利要求书

1.一种智慧园区停车决策优化方法，其特征在于，所述方法包括：

S1：采集智慧园区内历史停车数据的停车影响因子，并对所采集的停车影响因子进行预处理；

S2：构建多影响因子智慧园区停车数量回归模型，其中所述模型以预处理后的停车影响因子为输入，以当前日期停车数量的预测结果为输出；

S3：基于多影响因子智慧园区停车数量回归模型预测停车园区在当前日期的停车数量，并构建停车园区停车特征向量；

S4：基于停车园区停车特征向量构建神经网络停车园区决策优化模型，其中所述决策优化模型以车辆位置以及停车特征向量为输入，以智慧园区内最优停车园区为输出；

S5：利用启发式算法对神经网络停车园区决策优化模型进行训练优化，将车辆位置输入到训练优化后的模型中，模型输出最优停车园区并将最优停车园区位置发送到车辆导航系统中，驾驶员可根据导航信息驾驶车辆到达最优停车园区进行停车，其中所述利用启发式算法对神经网络停车园区决策优化模型进行训练优化，包括：

利用启发式算法计算神经网络停车园区决策优化模型中待停车车辆与停车园区的路径距离，将所计算的路径距离添加到停车园区停车特征向量中，得到输入层的输出表示，并获取训练数据集，利用梯度下降算法对神经网络停车园区决策优化模型中参数进行优化求解，得到训练优化后的神经网络停车园区决策优化模型；基于启发式算法的路径距离求解流程为：

S51：设置起始位置为，终点位置为任意停车园区位置，其中智慧园区已被栅格化为栅格地图；

S52：初始化启发式算法的当前迭代次数，最大迭代次数为，每轮迭代后会得到车辆行驶路径的下一处位置坐标，并将下一处位置坐标作为下一轮迭代的起始位置进行算法迭代，直到达到终点位置；

构建启发式算法的适应度函数：

其中：

为第d轮迭代时第个候选位置坐标，表示该位置坐标的横坐标，为该位置坐标的纵坐标，表示该候选位置坐标的适应度函数，表示第轮迭代后所确定的位置坐标，即第d轮迭代时的起始位置；

S53：第d轮迭代的起始位置向外扩散出若干候选位置坐标，其中第0轮迭代的起始位置为，所扩散的候选位置坐标数为1-4之间的随机数，扩散半径为；

S54：计算所扩散的候选位置坐标的适应度函数值，选取适应度函数值最小的候选位置坐标作为最优候选位置坐标；

连接本轮迭代起始位置与最优候选位置坐标，若连线穿过障碍栅格，则在当前连线的8个方向选取适应度函数次小的候选位置坐标作为次优候选位置坐标，并连接起始位置，重复该步骤；若连线未穿过障碍栅格，则将所连线候选位置坐标作为车辆行驶路径的下一处位置坐标，即下一轮算法迭代的起始位置；

S55：判断此时是否到达终点位置，若到达终点位置则计算当前行驶路径距离，将所计算的路径距离添加到停车园区停车特征向量中；若未到达终点位置，则令，返回步骤S53。

2.如权利要求1所述的一种智慧园区停车决策优化方法，其特征在于，所述S1步骤中采集智慧园区内历史停车数据的停车影响因子，包括：

所述智慧园区内历史停车数据包括智慧园区内不同停车园区的停车历史记录数据，停车历史记录数据包括订单号、车辆车牌号、停车园区的位置、停车开始时间、停车结束时间、停车费用、日期、天气、温度，从历史停车数据中提取不同停车园区的停车影响因子；

所述停车影响因子包括停车园区位置、天气影响因子、停车数量影响因子、节假日影响因子以及温度影响因子，其中所述停车影响因子为基于历史数据的停车影响因子。