【技术实现步骤摘要】
本专利技术涉及求解停车场最优路线推荐，具体为一种基于图神经网络求解参数化偏微分方程的无监督方法。
技术介绍
1、在现代停车场管理中，尤其是大型停车场，车辆的流动性、车道连接复杂性以及停车位占用情况，都会直接关系到车辆行驶路径的优化效率的提升。
2、然而，由于停车场的交通网络存在多样性和动态性，如车流量变化、车位实时占用情况、车道通行能力等。传统的停车场智能指引系统，无法结合车流量、车道连接性和车位信息变动等多维数据，解决停车最优路径规划实时更新问题。传统的方法在处理多维数据时，常面临计算效率低、结果准确性不足等问题。
3、基于此，提出一种基于图神经网络求解参数化偏微分方程的无监督方法，用于优化停车场路径规划和车位推荐。该方法能够在动态变化的交通网络中，实时对车道通行能力、车位占用率、车辆流量等多维数据进行建模，结合无监督学习策略，生成高效、智能化的停车路径推荐方案，从而显著提升停车场的运营效率和用户体验。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于图神经网络求解参数化偏微分方程的无监督方法，以解决
技术介绍
中提到的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于图神经网络求解参数化偏微分方程的无监督方法，包括：
3、优选的，步骤一、采集交通网络数据，并对数据进行预处理，形成符合图神经网络输入要求的新数据集；
4、步骤二、依据符合图神经网络输入要求的新数据集构建停车场交通图，提取数据
5、步骤三、建立基于图卷积神经网络的特征提取模型，输入最终的交通图，经过多次图卷积操作，对最终的交通图的各节点的特征进行描述和映射，在图卷积网络中引入注意力机制gat，对每个节点的特征进行加权更新，将图卷积网络中的节点特征映射到频域，并采用卷积运算进行进一步的特征提取，从而获得第i时间点的车流量系数clli、停车位系数tcwi和路径规划系数zjlji；
6、步骤四、根据第i时间点的车流量系数clli、停车位系数tcwi和路径规划系数zjlji，计算从某一节点到目标停车位的最优路径成本，生成第一最优路径成本值z，并评估得出停车场最优路径停车位推荐，获得第一策略或第二策略；
7、步骤五、当采集到有车从交通图车位中驶出时，重新生成第j个入库车辆的第一最优路径成本值z或第二最优路径成本值z2，对第j个待停车入库车辆的第一最优路径成本值z或第一最优路径成本值z2，提取第i个待停车入库车辆中第一最优路径成本值z中到第k个路径最终节点的第一总长度zcd、第一绕行层数cs、第一拐弯总次数gw以及第一绕行时间t；和第二最优路径成本值z2中到第k个路径最终节点的第二总长度zcd2、第二绕行层数cs2、第二拐弯总次数gw2以及第二绕行时间t2，构建优化系数yhxs；
8、通过优化系数yhxs构建自监督损失函数模型，无需人工标注数据进行训练，自动学习交通图中的潜在规律，利用车流量、停车位信息和路径信息，输出最优路径推荐。
9、优选的，步骤一包括：
10、s11、通过在停车场内安装摄像头，采集停车场内部的车流量和路径信息，通过在车位上方安装车辆传感器，采集车位信息；
11、s12、通过去除无效数据包括：信号中断数据、采集时间戳缺失的记录和传感器异常故障产生的空值或错误值；
12、s13、通过对数值型数据使用线性插值填充，结合邻近节点和时间段数据进行推测补全；
13、s14、通过将停车场内部车流量数据、路径信息数据和车位信息数据进行关联，形成符合图神经网络输入要求的新数据集。
14、优选的，步骤二包括：
15、s21、通过提取新数据集中的车流量、路径信息和车位信息，构成节点特征，获取路径连接性g,具体公式如下：
16、g＝(v,ei，xi，fi)；
17、v＝{v1，v2，……vn}；
18、式中，v表示停车场内路径节点集合，v1，v2，……vn表示停车场内路径节点，ei表示第i时间路径间的连接权重值，xi表示第i时间车位占用率，fi表示第i时间的车流量值；
19、s22、通过使用多种特征属性包括：车流量、路径连接性、车位空闲率构建多个特征图。
20、优选的，其特征在于s22包括：
21、s221、采用图融合方法，通过加权归一化处理，结合不同特征图：拓扑图、出入度图和路径连接性图，得到最终的交通图。
22、优选的，步骤三包括：
23、s31、通过建立基于图卷积神经网络的特征提取模型，输入最终的交通图，经过多次图卷积操作，对各节点的特征进行描述和映射；
24、s32、通过在图卷积网络中引入注意力机制gat，对每个车流量、路径节点和车位的特征进行加权更新，使得模型关注重要的节点。
25、优选的，步骤s33包括：
26、s331、将图卷积网络中的节点特征映射到频域，并采用卷积运算进行进一步的特征提取，从而获得第i时间点的车流量系数clli、停车位系数tcwi和路径规划系数zjlji，具体公式为：
27、
28、式中，v表示停车场内路径节点集合，ei表示第i时间路径间的连接权重值，xi表示第i时间车位占用率，fi表示第i时间的车流量值。
29、优选的，步骤四包括：
30、s41、通过，第i时间点的车流量系数clli、停车位系数tcwi和路径规划系数zjlji计算从某一节点到目标停车位的第一最优路径成本值z，公式如下：
31、
32、式中，zcd表示第i个待停车入库车辆中到第k个路径最终节点的第一总长度，cs表示第一绕行层数，gw表示第一拐弯总次数，t表示绕行时间，α、β、γ、δ和μ为权重系数，∈表示防止分母为零的平滑参数，通常取一个较小的正数。
33、优选的，s41包括：
34、s411、通过预设第一标准阈值m，并与第一最优路径成本值z，进行对比分析，包括：
35、若第一最优路径成本值z＞第一标准阈值m*130％则表示停车场内第一拥堵异常，且车位稀缺，生成第一策略，关闭停车场入口大门，显示车位已满指示牌，直至第一最优路径成本值z＜第一标准阈值m*130％为止；
36、若第一标准阈值m*129％＞第一最优路径成本值z＞第一标准阈值m则表示第二拥堵异常，且车位稀缺，生成第二策略，重新计算获取第二最优路径成本值z2，公式为：
37、
38、式中，zcd2表示第i个待停车入库车辆第到第k个路径最终节点的第二总长度，cs2表示第二绕行层数，gw2表示第二拐弯总次数，t2表示第二绕行时间；根据第二计算结果z2，触发黄色地标led灯指引车辆去第二停车位；
39、若第一本文档来自技高网...
【技术保护点】
1.一种基于图神经网络求解参数化偏微分方程的无监督方法，包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤一包括：
3.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤二包括：
4.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于S22包括：
5.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤三包括：
6.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤S33包括：
7.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤四包括：
8.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，S41包括：
9.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤五包括：
<...【技术特征摘要】
1.一种基于图神经网络求解参数化偏微分方程的无监督方法，包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤一包括：
3.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤二包括：
4.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于s22包括：
5.根据权利要求1所述的一种基于图神经网络求解参数化偏微分方程的无监督方法，其特征在于，步骤三包括：
6.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。