-
公开(公告)号：CN110444041B
公开(公告)日：2021-07-02
申请号：CN201910752168.0
申请日：2019-08-15
Applicant: 同济大学
Abstract: 本发明涉及一种基于分区的停车场精细化管理方法，包括以下步骤：1)考虑停车场的不同服务对象，分别针对不同的停车用户包括租位用户和临时用户挖掘其停车特征；2)为租位用户分配固定用户区域供其停车，通过对租位用户停车需求的统计固定用户区域车位数量；3)为临时用户分配非固定用户区域供其停车，通过考虑车位时空资源和泊位的周转率、利用率确定非固定用户区域车位数量；4)在固定用户区域和非固定用户区域之间设置缓冲区域来提供车位补给；5)提出车位的布局安排原则；6)根据不同区域车位数量以及停车场的实际布局确定精细化管理的分区方案；7)对不同区域设定不同的收费规则以提高停车场管理者的收益。
-
公开(公告)号：CN112193245A
公开(公告)日：2021-01-08
申请号：CN202011015180.2
申请日：2020-09-24
Applicant: 同济大学
Abstract: 本发明涉及一种考虑驾驶员模糊感知的深度学习跟驰预测方法，包括如下步骤：S1、训练用于根据跟驰特征数据预测本车速度深度学习跟驰模型；S2、获取真实跟驰特征时序数据，输入至深度学习跟驰模型得到本车速度预测时序数据；S3、提取待预测时刻前N个时刻的真实跟驰特征时序数据以及本车速度预测时序数据作为第一数据集和第二数据集；S4、确定模糊感知时间窗，将第一数据集中位于模糊感知时间窗内的本车速度替换为第二数据集中对应时刻的本车速度预测值形成预测输入数据；S5、将预测输入数据输入至深度学习跟驰模型得到待预测时刻的本车速度预测值。与现有技术相比，本发明设置不同的模糊感知时间窗可对同一跟驰场景生成异质跟驰行为。
-
公开(公告)号：CN110599236A
公开(公告)日：2019-12-20
申请号：CN201910751621.6
申请日：2019-08-14
Applicant: 同济大学
Abstract: 本发明公开了一种基于GRU模型的短时停车需求预测方法，包括以下步骤：1)获得停车场设施的历史数据，对历史数据进行处理，得到各时间点上的泊位占有率数据。2)利用深度学习Keras框架包，设定GRU神经网络结构，利用Keras包中GridSearch函数获得模型最优参数。3)利用训练集数据训练GRU模型，保存该模型并预测下一个步长的泊位占有率。与现有技术相比，本发明在获取连续停车数据的背景下利用大数据处理技术以及应用深度学习最新的算法，提出了更先进以及更精确的停车信息诱导发布方法，其不仅可以考虑停车需求在时间维度上的关联性，同时其细胞模块有着更简介的控制门结构，能够很大程度上提高训练效率，从而提高停车设施的利用率，提升有泊车需求用户的满意度，同时避免用户的不必要交通，减轻道路的交通压力，还利于交通管理部门在车流高峰时期进行有效的交通管控。
-
公开(公告)号：CN110598992A
公开(公告)日：2019-12-20
申请号：CN201910755938.7
申请日：2019-08-15
Applicant: 同济大学
Abstract: 一种新停车需求规划方法，其特征在于，包括以下步骤：1)构建停车设施停车需求新指标：单位时间的停车需求高峰比、到达量高峰比、停车时长和驶离量高峰比指标；2)连续数据环境下对停车场的步骤1)各个停车高峰比指标数据进行稳定性验证式分析；所述稳定性是指同一停车设施在不同日期的停车特征相似程度；所述稳定性是指随机选取某一天的数据所获得的停车特征能代表停车总体特征的程度，随机选取某一天的停车特征可以代表不同季节特征的程度；3)步骤2)验证后确认了稳定性，据此对各个停车场设计停车规划管理。
-
-
-
Search Results
14
records
(took 0.024 seconds)
