用于提供关于空闲停车位的驻车信息的方法

摘要

本发明涉及一种用于提供关于在至少一条街道内的空闲停车位的驻车信息的方法。在本发明的方法中，对关于可使用的空闲停车位的信息进行调查，其中，由查得的信息产生一个带有历史数据(14)的知识数据库，所述历史数据针对预定的街道和/或预定的时间或者时间段分别包括关于空闲停车位的统计数据。由历史数据(14)和在第一指定时间点针对一条或者多条选择的街道由处于交通中的车辆查得的实时信息(12)求出所述一条或者多条选择的街道的预期的空闲停车位的概率分布(30)。最后生成所述概率分布(30)的可视化显示，该概率分布代表在所述一条或者多条选择的街道内的空闲停车位的驻车信息。

说明书

技术领域

本发明涉及一种用于提供关于在至少一条街道内的空闲停车位的 驻车信息的方法。

背景技术

关于空闲停车位的驻车信息例如被用以为搜索停车位的车辆导航 的驻车引导系统和/或导航设备所使用。现代市内系统按照简单的原则 运行。如果停车位数量以及车辆的流入和流出是已知的话，由此便可 以简单地确定空闲停车位的可用性。通过引路支线和停车位信息的动 态更新的相应标示牌，车辆能够被导航到空闲停车位。由于原理条件， 而由此如下地产生局限性：必须明确限定停车面积以及必须始终准确 地控制车辆的出入。为此需要建筑方面的措施，诸如界栏或者其他的 驶入控制系统(Zufahrtskontrollsystem)。

由于这种局限性，导航只可能用于小数量的空闲停车位。利用必 要的建筑方面的措施，通常只能将立体车库或者围上栅栏的停车面积 整合到驻车引导系统中。然而，却无法考虑街边还要大得多的停车位 或者未圈起来的停车位。

为了搜索空闲停车位，特别是在市中心和人口稠密区中希望沿着 各个街道识别停车位。为此由DE 10 2009 028 024 A1已知：对关于可 使用的空闲停车位的信息与车辆相关数据加以校准。通过这种方式， 首先空闲停车位在它们不够大时不被提供给搜索停车位的车辆。另外， 例如只有(两车之间空出的)大的停车空当或者前后相继排列的停车 位不是仅仅被安排一次，而是根据驻车车辆的大小在必要时安排给两 部车辆。为此而征用一些查寻停车位的车辆，诸如公共短途交通的车 辆，诸如定期运行的公交车或出租车，这些车辆具有至少一个用于识 别停车位的传感器。在这种情况下，传感机构可以以光学的和/或非光 学的传感器为基础。

另外，以社区为基础的应用是已知的，其中，车辆的使用者例如 在其离开停车位时将信息输入一个应用程序(App)。这些信息然后便 被提供给该服务的其他用户。其缺点在于：关于可使用的停车位的信 息几乎只是由使用者将它们提供使用。

在所介绍的两种选择方案中存在的问题是：关于存在一个单独停 车位的信息是非常短暂的，也就是说，在停车场搜索交通 (Parksuchverkehr)很多、一条停车位信息很有益的区域内，一个空 闲停车位通常在极短的时间内就被占用了。

发明内容

本发明的目的是，说明一种得以改进的用于提供关于在至少一条 街道内的空闲停车位的驻车信息的方法。

这个目的通过一种如权利要求1所述特征的方法、一种如权利要 求14所述特征的计算机程序产品以及一种如权利要求15所述特征的 用于提供驻车信息的系统得以实现。在从属权利要求中对一些有益的 设计方案进行了说明。

本发明提供一种用于提供关于在至少一条街道内的空闲停车位的 驻车信息的方法。在此，特别是提供一种借以对沿着街道的空闲停车 位加以考虑的方法。

在所述方法中，对关于可使用的空闲停车位的信息进行调查，其 中，由查得的信息产生一个带有历史数据的知识数据库，所述历史数 据针对预定的街道和/或预定的时间或者时间段分别包括关于空闲停 车位的统计数据。在所述知识数据库中例如存储有：在一个确定的街 道内在某一时间点或者在某一时间段内在总共x个可使用的停车位中 平均y个停车位是空闲的。与此相对，在另一时间点或者在另一时间 段内在同一条街道内只有z＜y个空闲停车位可以使用。由此，在历史 知识数据库中首先包括关于原则上哪些停车位能够用作停车位(所谓 的有效停车位或者停车空当)的信息，以及另一方面包括关于在确定 的时间按平均计算空闲的停车位的信息。

在下一步骤中，由历史数据和在第一指定时间点针对一条或者多 条选择的街道查得的实时信息求出所述一条或者多条选择的街道的预 期的空闲停车位的概率分布。优选通过中央计算机求出预期的空闲停 车位的概率分布。因此，关于可使用的空闲停车位的实时信息由调查 这些信息的、处于交通中的车辆或者有关的街道内的固定传感器传输 给所述中央计算机。

最后生成概率分布的可视化显示，该概率分布代表在所述一条或 者多条选择的街道内的空闲停车位的驻车信息。可以通过中央计算机 进行概率分布的可视化显示，其中，所述可视化显示的结果然后例如 可以在搜索停车位的车辆内的线路引导的范围内用作推荐的基础。

使用在一条或者多条街道内的空闲停车位的概率分布可以为搜索 停车位的车辆提供在搜索停车位的时间点的比较精确的信息以供使 用。

在一个适宜的设计方案中，由处于交通中的车辆利用测量技术获 取关于可使用的空闲停车位的信息。为此可以使用车辆内现有的传感 机构，该传感机构可以以光学的和/或非光学的传感器为基础。特别优 选使用照相机。在这种情况下，特别是考虑车辆的指向侧面的照相机， 这些照相机例如为了在障碍物方面辅助支持泊车入位过程而设置在车 辆内。同样可以使用例如原本设置用于车道偏离警告系统或者车道转 换辅助系统的传感机构。这种传感器例如可以以雷达或者其他非光学 技术为基础。

在一个适宜的设计方案中，通过车辆的照相机检测街边区域并产 生图像序列，该图像序列被车辆的计算机分析处理，以便对被检测的 街边区域的空闲停车位进行识别。在这种情况下适宜地规定：只把有 效的停车位包含在概率的计算当中。有效的停车位被理解为这样的停 车位，即车辆允许正常地停放在该停车位上。有效的停车位例如表示 通向交叉路口的入口、消防通道区等。借助图像处理和附加的传感机 构，如一幅数码地图实施查对，其中，在车辆的行驶期间(两车之间 空出的)空闲停车空当被自动识别并被查对。例如为此可以使用侧向 在车辆中所安装的照相机。

在另一个适宜的设计方案中，由沿着街道设置的传感器利用测量 技术获取关于可使用的空闲停车位的信息。已知的是，这样的传感器 例如用于监视立体车库的(两车之间空出的)停车空当或者其他的受 限制的停车位。

另外，可以规定：通过使用者向终端设备(例如智能手机、笔记 本电脑、平板电脑等，但是也可以是车辆的用户界面)中的输入手动 地产生关于可使用的空闲停车位的信息。例如为此可以提供特殊的应 用程序，在这些应用程序中用户可以报告空闲停车位。例如当用户与 他的车辆驶出一个(两车之间空出的)停车空当时，可以实施一个相 应的用户登记。相应的信息然后在文首述及的驻车计算机上在对实时 信息处理的范围内得到考虑。

所说“实时信息”的概念始终涉及的是一个确定的、目前的时间点。 实时信息不仅被用于与历史数据组合，而且同时还始终被提供给历史 数据，从而历史数据包括自记录范围开始以来关于在确定的时间点确 定的街道内的空闲停车位的调查数据。

关于可使用的空闲停车位的信息适宜地被传输给一个产生和/或 管理知识数据库的中央计算机。一个这样的中央计算机例如可以由提 供驻车信息的服务提供商管理。这样的服务提供商例如也可以是车辆 制造商，该车辆制造商因此能够在它的线路导航的范围内对关于空闲 停车位的信息进行处理。

在另一个设计方案中，作为信息，对关于车辆进入停车位和/或车 辆从停车位退出的第一信息进行调查，其中，由相应车辆进入泊位与 退出泊位之间的停留时间求出泊位退出率。可以有益地在一个排队模 型(Warteschlangenmodell)中对泊位退出率进行处理，这样还可以 求出对概率在以后的时间点的变动的预测。这样的以后的时间点例如 可以是在一个计算出来的线路导航的范围内抵达一条确定的街道内的 时间点。原则上有时可以以历史概率分布为基础做出预测。然而，数 据越接近现实，预测的质量就越高。

另外，可以规定：作为信息，对关于搜索停车位的车辆的停车场 搜索持续时间/率的第二信息进行调查，方式是：在识别出车辆的泊位 进入过程之后，对该车辆在该泊位进入过程之前的运动位置坐标和配 置于相应位置坐标的时标以及瞬时速度进行分析处理。同样如泊位退 出率那样，停车场搜索持续时间/率在排队模型的范围内被用于在以后 的时间点与概率分布相匹配。

为了求出预期的空闲停车位的概率分布，适宜在步骤b)中按贝 叶斯定理对历史数据和实时信息进行处理。贝叶斯定理为了求出概率 分布能够对历史数据和实时信息进行数据融合。

根据另一个设计方案，求出对在第二指定时间点预期的空闲停车 位的概率分布的变化的预测，其中所述第二指定时间点跟随在第一指 定时间点之后，其中为了求出预测对泊位退出率和停车场搜索持续时 间/率进行处理。第二时间点可以包括由线路导航求得的抵达目标区域 中的时间，该目标区域包括一条或者多条预定的街道。

通过对在第一指定时间点求出的概率分布经假设的转变而转变到 该概率分布的一种预期状态进行建模，来实施所述预测，其中，所述 预期状态与符合于历史数据的状态相符。例如借助爱尔朗损失排队模 型来产生所述预测。

上述信息-泊位退出率、停车场搜索持续时间/率-同样也如同关于 空闲停车位的实时信息那样被用于学习历史知识数据库。于是以贝叶 斯定理为基础的数据融合算法既考虑到历史数据库也考虑到实时信 息，通过这种方式给出关于预期的空闲停车位的概率分布以及关于检 测时间点的判断质量的高质量的报告。另外，在时间过程中借助对停 车场搜索交通或者泊位退出频率的判断对概率分布的变化，特别是不 精确性的扩大进行预测。借助这些信息然后可以绘出带有相应的、优 化的概率的地图。这些概率可以提供给最佳的搜寻路线或者决策，哪 里更适宜找到停车位。例如可以回答到底是否能够找到通向可能存在 的空闲停车位的路线的问题。

所述方法的一个优点在于：新型的大批量生产的车辆没有附加的 硬件能够自动识别街边的空闲停车位。为此使用了应用在车辆内的传 感机构。这些信息然后被传输给中央计算机，其中这一点可以通过在 很多车辆内现有的通讯模块不需要附加费用地得以实现。通过在中央 计算机中对历史数据与实时数据的所述融合，然后可以积累在停车位 概率和搜寻持续时间方面的历史知识。可以附加地学习数码地图的停 车位标志，这样不需要为了市场流通的详细的地图。随着时间的推移 可以由越来越完善的历史数据构建这个地图。

另外，本发明提供一种计算机程序产品，该计算机程序产品可以 直接安装在数字计算机或者计算机系统的内部存储器中并包括软件代 码块，当所述产品在计算机或者计算机系统上运行时，利用所述软件 代码块执行如前述权利要求之任一项所述的步骤。

最后本发明提供一种用于提供关于在至少一条街道内的空闲停车 位的驻车信息的系统。该系统包括：

a)用于调查关于可使用的空闲停车位的信息的第一单元，该第一 单元构造为：由查得的信息产生一个带有历史数据的知识数据库，所 述历史数据针对预定的街道和/或预定的时间或者时间段分别包括关 于空闲停车位的统计数据；

b)用于由历史数据和在第一指定时间点针对一条或者多条选择 的、处于交通中的车辆的街道存在的实时信息求出所述一条或者多条 选择的街道的预期的空闲停车位的概率分布的第二单元；

c)用于生成所述概率分布的可视化显示的第三单元，该概率分布 代表在所述一条或者多条选择的街道内的空闲停车位的驻车信息；

所述系统具有同样的优点，正如其在前面结合本发明的方法所阐 述的那样。

另外，所述系统包括用于实施所述方法的优选的设计方案的其他 装置。

附图说明

下文将参照附图所示的实施例进一步详细地阐述本发明。附图中：

图1为用于实施本发明的方法的系统的示意图；和

图2为一条或者多条选择的街道的预期的空闲停车位的概率分布 的结果。

具体实施方式

图1示出了用于提供在一条或多条街道内的空闲停车位的驻车信 息的本发明系统的示意图。该系统包括一个可以由一个或多个计算机 构成的中央计算机10。中央计算机10例如由提供驻车信息的服务提 供商管理。服务提供商例如可以是车辆制造商。

中央计算机10包括一个用于接收关于可使用的空闲停车位的信 息以及用于发送代表确定的街道的预期的空闲停车位的概率分布的信 息的通信接口11。中央计算机10的任务在于：对特别是从处于交通 中的车辆，但也可以从固定设置的传感单元被传输给中央计算机的、 关于可使用的空闲停车位的信息进行处理。

关于可使用的空闲停车位的全部信息或者用于获取这些信息的数 据总体在图1中被标注以附图标记20。在下文中进一步说明的信息由 一个被称为“停车场监视器”的服务机构22、一个进入和退出泊位识别 24和一个用于提供停车场搜索持续时间的服务机构26所构成。相应 的信息可以在经过编辑处理之后被传输给中央计算机10。同样对数据 的编辑处理可以由中央计算机10完成，这样提供信息的车辆和/或传 感机构只需提供原始数据和/或经过预处理的数据。

提供给中央计算机10的信息是提供时间点的实时信息，这些信息 代表着关于在实时时间点一条或者多条选出的街道的可使用的空闲停 车位的情况。实时数据在中央计算机10内被处理成动态数据12。由 中央计算机10在直到实时时间点为止的过去接收到的动态数据12通 过学习方法产生一个历史数据库14。被刚刚提供的实时信息同样在历 史数据库内或者为历史数据库得到处理。历史数据库14内含有的信息 以在下文进一步详细说明的方式与动态数据融合在一起(附图标记 18)，其中作为融合的结果求出想知道的街道或者多条想知道的街道的 预期的空闲停车位的概率分布。此外，在汇合的范围内可以考虑静态 数据16，这些静态数据涉及关于停车位的总数量以及非有效的停车 位、关于停车位的大小或者关于停车空间管理的类型等的信息。为了 能够对想知道的街道的预期的空闲停车位的概率分布进行处理，另外 生成概率分布的可视化显示，该概率分布代表或者表示关于有关街道 内的空闲停车位的驻车信息。可以由计算机单元10本身、或者由一个 计算机或者由代表概率分布的信息被传输到其上的车辆实施所述可视 化显示。在图1中空闲停车位的概率分布被标记附图标记30。

通过停车场监视器22调查一条街道的空闲的和/或被占用的停车 位。优选通过处于交通中的、对街边进行传感探测的车辆进行调查。 优选通过车辆的一个或者多个照相机对街边进行探测，其中，由照相 机产生的图像序列借助图像处理被分析处理，以便在行驶过程中自动 沿着行驶过的街道识别和查对(两车之间空出的)停车空当。在这种 情况下，查对意味着：对一个空位事实上是否能够被鉴定为停车位进 行核实。在对有效的(即：事实上可供驻车过程使用的)停车空当进 行查对的范围内还对它们的间距或者大小进行调查。除了收集由处于 交通中的车辆提供的信息之外，还可以将例如在空闲停车位处被手动 输入到终端设备内的用户信息以及固定设置的传感器的信息传输给计 算单元10。

可以选择性地自动通过车辆的传感器和/或手动地通过用户在相 应用户终端设备中的输入调查关于泊位进入和退出过程的信息(附图 标记24)。例如可以通过车辆发动机的启动、调查目前的位置以及对 转向运动的分析处理探测泊位退出过程。同样驾驶者可以在泊位退出 过程中通过将一个相应的信息输入到一个人-机界面(它是一个车辆内 或者移动终端设备内的界面)内将关于实施泊位退出过程的信息传输 给中央计算机10。这一点以相应的方式也可以应用在泊位进入过程。 如果相应车辆的进入和退出泊位的时间点是已知的话，那么便可以求 出停留时间和由这个停留时间求出所谓的泊位退出率μ。如在下面将 进一步阐述的那样，泊位退出率μ在一个用于提高概率分布的准确性 的排队模型的范围内得到处理。

另一个用于排队模型的输入参数是停车场搜索持续时间λ，该停车 场搜索持续时间也被称为停车场搜索率(Parksuchrate)。可以根据获 得的车辆的位置坐标求出这个停车场搜索持续时间。例如可以根据整 合在车辆内的GPS-接收器求出车辆运动的位置坐标。被称为位置的坐 标保持预定的间距作为所谓的珠子被存储在车辆的一个循环缓存器 中。如果识别出一部车辆进入泊位的话，那么循环缓存器的内容被分 析，以便将停车场搜索持续时间λ的值以及停车场搜索的成功概率配 置给一个停车场搜索过程。当带有位置坐标的相应信息被传输到计算 单元10时，可以在车辆自身的计算单元内或者通过计算单元10实施 为此所需的计算过程。

为了实现对车辆的停车场搜索持续时间λ的配置(赋值)，对循环 缓存器内的位置顺序如下地进行分析。每个珠子含有一个位置x_i，y_i以及一个时标t_i和一个实时速度v_i。在此，i＝1，...，N，其中t_N表示 进入泊位的时间点。现在从时间点N起向后如下地搜索一个“珠子”的 最大顺序，即所述顺序总体上被视为停车场搜索顺序。为此可以应用 本身已知的Friends-2-Friends-方法。在这个方法中利用一个搜索半径 并合并具有如下特征的珠子，即它们的速度在预定的阈值以下以及这 些珠子在搜索半径内彼此远离。在这种情况下，只需以现有的地点位 置为基础的几何计算。

如在文首说明的那样，上述信息被传输给中央计算机10以及一方 面用来学习掌握历史数据库16。其次，实时数据流入数据融合算法18 中。通过融合算法求出概率分布利用贝叶斯定理的本身已知的作用原 理。在这个作用原理中既考虑到历史数据库16的数据也考虑到动态的 实时数据12。融合的结果是预期的空闲停车位的概率分布。另外，还 可以获得这个判断在检测时间点的质量的报告。

另外，在使用排队模型的情况下借助对停车场搜索持续时间λ以 及泊位退出率μ的判断实施对概率分布变化的时间变化的预测，特别 是不精确性的扩大。通过这种方式可以求出对晚于实时时间点的时间 点的预期的空闲停车位的概率分布变化的预测。为了求出预测，在这 种情况下如所阐述的那样对泊位退出率μ和停车场搜索持续时间λ进 行处理。以后的时间点例如可以是通过线路导航求得的抵达一个目标 区域的时间，该目标区域包括一条或多条预定的街道。通过对在第一 指定时间点求出的概率分布经假设的转变而转变到该概率分布的一种 预期状态进行建模，来实施所述预测，其中，所述预期状态与以后的 第二时间点的符合于历史数据的状态相符。

通过这种方式例如可以求出，是否可以找到通往线路导航的目的 地的一个可能存在的空闲停车位的线路。

下文对用于求出确定的街道的预期的空闲停车位的概率分布的途 径加以进一步详细的阐述。

目标就是对一条街道内的空闲停车位的概率分布的预测，该预测 可以在车辆内的路线引导的范围内用作推荐的基础。为此历史数据和， 如果可用的话，关于空闲停车位的实时信息或数据被用作输入数据。 信息涉及被占用的或未被占用的(空闲的)停车位的数量。

如果存在具有在通常类似的影响因素的情况下类似的时标的实时 数据的话，本方法使用用于以历史数据为基础判断空闲停车位的概率 分布参数的统计模型和算法。融合算法以贝叶斯学习方法为基础。

贝叶斯学习方法可以通过所谓的Birth-Death-Markov-过程模型 (也作为爱尔朗损失模型为人所知)和用于对空闲停车位的概率分布 的时间发展和平衡状态进行判断的算法在其精确性方面得以提高。利 用用于时间发展的算法对从直接观察的状态到历史状态的转变进行建 模。利用平衡方法还可以对具有很大的停车场搜索交通的情况加以说 明。

此外，对于爱尔朗损失模型来说作为参数还需要停车场搜索持续 时间，该停车场搜索持续时间可以利用用于判断停车场搜索距离和停 车场搜索持续时间λ的算法由找到一个停车位的车辆的局部笛卡尔坐 标中的所谓的“珠链”、也就是说时间序列求出。为此使用一个“珠子” 的循环缓存器。所述方法提供用于判断所谓的“爱尔朗因数 (Erlang-Faktor)”所需的损耗概率(Verlust-Wahrscheinlichkeit)的 判断。这个爱尔朗因数又被用于概率分布的时间发展用的模型。如果 不能收到关于停车场搜索距离和停车场搜索持续时间的实时数据的 话，作为可选方案，也可以使用统计数据和考察研究作为基础。然而， 所述模型对其不精确的表达进行了考虑。

然后，所述方法在其最佳设计方案中规定了一个从紧连在观察后 的时间点到“松弛”到一个与历史模型相符的状态为止的转变。转变率 视停车场搜索交通或者视泊位退出率μ而定。为了这个转变率考虑到 了用于停车场搜索持续时间或者用于停车场搜索距离的数据、关于驻 车持续时间的数据、关于进入和退出泊位的数据等。

为了实时信息假设如下：作为输入参数一条街道中的n个有效停 车位中数量f的空闲停车位(f≤n)得到监视。被监视的停车位中的 作为“被占用的”(然而是有效的或者有法律效力的)数量因此为b＝n-f。 实时信息在下文中也被称为监视。

对空闲停车位F的概率分布P(F)的预测如其示例性地在图2中 示出的那样对下列事实给与了考虑：一方面监视本身已经具有一定的 不精确性，另一方面自监视起和至一部车辆到达为止泊位进入和退出 过程是可能发生的。监视与搜索停车位的车辆的可能的到达之间的持 续时间界定一个“预测水平面(Prognosehorizont)”。

概率p_f被配置给每个被监视为“空闲的”停车位，即它将依然是空 闲的。如果预测水平面很小的话，p_f通常仅仅略微小于1。对于被监 视为“已占用的”(但是被分类为有效的)停车位来说同样假设如下： 可以配置一个概率p_b，即它们已经(重新)变成空闲的。如果预测水 平面很小的话，p_b通常仅仅略微大于0。这两个概率表明了探测的不 精确性以及停车场搜索交通的影响。

在这种情况下，需考虑的是p_f+p_b≠1。例如如果泊位退出占优势 的话，那么p_b的上升能够比p_f下降得快。在一个较长的预测水平面中 监视的作用下降；两个概率然后接近历史分布，假使这个分布可以被 评估的话。

在本发明采用的使用历史监视的预测方法中，首先观察唯一的历 史监视的情况。如果有K次历史上监视到n个有效停车位中有f_k个空 闲的停车位的话(k＝1，2，…)，那么定义如下：

b_k＝n-f_k                  (1)

$\alpha =1+\underset{k=1}{\overset{K}{\Sigma }}{f}_k---\left(2\right)$

$\beta =1+\underset{k=1}{\overset{K}{\Sigma }}{b}_k---\left(3\right)$

N＝nK               (4)

在假设条件下，还将在下文中对该假设进一步详细阐述，用于空 闲停车位的概率分布的模型假设一个带有概率参数p的二项分布。作 为用于判断出自似然函数的参数p的共轭推力分布所谓的β分布g (q；α；β)是已知的[http://de.wikipedia.org/wiki/Betaverteilung；g  entspricht f in der Notation von wikipedia]。它表示概率g，即参数p 采用值q。在这种情况下(α；β)为共轭推力分布的所谓的超参数。

现在在带有固定参数p的二项分布的模型假设的情况下，与参数 p相关联地为用于空闲停车位数量f的分布密度产生概率密度P

$P\left(f\right)=\left(\begin{array}{c}n\\ f\end{array}\right){\left(p\right)}^n{(1-p)}^{n-f}---\left(5\right)$

然而由于p本身根据β分布具有不精确性，所以P(f)通过推力 分布(A-priori-Verteilung)被求积分。

$P(f;\alpha ,\beta )\underset{0}{\overset{1}{\int }}\left(\begin{array}{c}n\\ f\end{array}\right){\left(p\right)}^n{(1-p)}^{n-f}\mathrm{dg}(p;\alpha ,\beta )---\left(6\right)$

二项分布的模型描述的是比较小的停车场搜索交通的情况(与1/ 驻车持续时间相比)。如果这个条件经常被打破的话，那么经常监视到 被占用的停车位的高百分比。

在考虑到按照“爱尔朗损失(M/M/s/s)”的等待模型的情况下产生 改进的预测。紧接在监视之后的系统特性被建模，作为预期状态到与 历史数据相符的状态的转变或“松弛”。转变率取决于停车场搜索交通 和驻车持续时间(或者泊位退出率μ)。爱尔朗损失模型既适合于描述 高停车场搜索交通情况下或者高占用情况下的历史数据也普遍地适合 于“松弛”的建模。它描述等候队列，在这些等候队列中占用一个被占 用的资源导致直接的中断。这在一个街道内的停车场搜索中，如果所 有的停车位已经被占用以及驾驶者没有返回来的话，就是这种情况。 在文献中对模型进行了非常详细的描述，在此仅仅加以概述：

所述模型可以被视为“Birth-Death-Markov-过程”。占用以停车场 搜索率λ(t)发生以及泊位退出过程为了每个单独的停车位以比率 μ(t)＝1/h(t)发生，其中h/(t)为驻车持续时间的大小。首先假设两个过程 为指数分布地进行。

在街道内存在s个停车位，以及没有产生等候队列。如果一部车 辆寻找停车位以及一个停车位是空闲的话，他占用这个停车位。转变 概率因此满足下列方程式：

$\frac{{\mathrm{dP}}_j}{\mathrm{dt}}=\lambda P_{j-1}+(j+1)\mu P_{j+1}-(\lambda +\mathrm{j\mu })P_j,$如果0＜j＜s     (7)

$\frac{{\mathrm{dP}}_0}{\mathrm{dt}}=\mu P_1-\lambda P_0,\mathrm{falls><mo>=</mo><mn>0</mn><mo>,</mo>}$如果j＝0         (8)

如果j＝s         (9)

另外，参数(“traffic Intensity”或者每个服务器的负荷)

$\rho =\frac{\lambda }{\mathrm{s\mu }}---\left(10\right)$

被定义。

如果停车场搜索与泊位退出的过程保持平衡的话，那就考虑方程 式(7)的固定解答。这些解答满足

λP_j＝(j+1)μP_j+1，j＝0，1，2，...，s-1

或

$P_{j+1}=\frac{\lambda }{(j+1)\mu }{P}_j,j=\mathrm{0,1,2},...,s-1---\left(11\right)$

并且产生概率：

$P_j=\frac{{(\lambda /\mu )}^j/j!}{\underset{k=0}{\overset{s}{\Sigma }}{(\lambda /\mu )}^k/k!},j=\mathrm{0,1,2},...,s.---\left(12\right)$

所有停车位被占用和车辆驶离的概率为：

$P_s=\frac{{(\lambda /\mu )}^s/s!}{\underset{k=0}{\overset{s}{\Sigma }}{(\lambda /\mu )}^k/k!}.---\left(13\right)$

方程式(10)作为“爱尔朗-B-公式”是已知的。

借助下面的方法可以获得对停车场搜索率λ(t)的判断。首先由对 泊位进入和退出过程的监视获得对历史驻车持续时间h(t)的判断和因 此对泊位退出率μ(t)＝1/h(t)的判断。由判断的停车场搜索距离(参照 下文的说明)判断所有有效的、在搜索中经过查验的停车位的总数的 大小Z。因此能够直接判断出损耗概率L(Loss Probabililty)：

L＝1-S/Z                 (14)

利用

P_s＝1-L                  (15)

(s＝一条街道的有效的停车位的数量)可以判断处比率

爱尔朗＝λ/μ□            (16)。

利用爱尔朗因数“Erlang”和h(t)然后可以计算出对停车场搜索率 λ(t)的判断。

对λ(t)的各个判断可以偶然不同。为了获得用于转变方程式7至9 的解答的范围内的停车场搜索率的参数值(用于平衡的转变)，在本发 明的优选的设计方案中可以使用下列方法：

首先制作一个表格，该表格允许从重复的测量Z中推断出一个值 p：为此在一个优选的设计方案中借助专业技术人员熟知的蒙特卡洛 法通过在预定的不同的p的顺序的情况下重复产生的方程式7至10 的实现产生任意多个(优选10.000)N元组[p(i),Z(i)]并被分成关于p 的子组。利用专业技术人员最熟知的方法诸如利用最大似然法、利用 最大后验法(MAP)或者利用矩量法为每个子组确定适合的概率分布 的参数。在这种情况下，在一个优选的设计方案中涉及一个指数分布， 参数α(alpha)表示该指数分布的特征。以这种方式产生一个配置关 系(Zuordnung，赋值)p(α)，该配置关系在一个优选的应用中被存 储为表格。在另外的设计方案中分布可以以类似的方式由大量的参数 表示它的特征，这样可以通过预先规定这些参数获得p。

为了使用(用于解答转变方程式7至9的参数值)，为重复的抽样 Z(i)中的每一个计算出判断值h(t)并配置给时标(由所述时标产生日间 和工作日)。因此形状[t,h(t),Z(i)]的值(N元组)可供使用。数据N 元组与间隔t(例如每小时的和按照工作日的)相关地被分成子组。 利用专业技术人员最熟悉的方法为每个子组确定适合的概率分布的参 数。在这种情况下，在一个优选的设计方案中涉及的是一个指数分布， 一个参数(此处被称为α)完全表示该指数分布的特征。在另外的设 计方案中分布的特征可以由多个参数表示。

这些如此获得的参数值被与上述表格p(α)相比较，该表格将一个 相应的值p配置给参数(例如α)中的每一个值。以此可以获得用于 转变方程式7至9的解答的范围内的停车场搜索率的参数值。

如此获得的参数值描述方程式7至10的参数的“历史的”期望值。 在本发明的另一个设计方案中，通过对(例如在最后一小时内)获取 的多条邻接的街道的实时Z-值进行归纳并如已经说明的那样配置给 一个值p，也可以对实时值进行判断。

利用在非固定的状态时的历史分布实施对实时监视的融合。如果 在时间点t₀处f个空闲停车位被监视的话，则利用上面做过的模型假 设。由f个最初被监视为空闲的停车位中F1个相对预测水平面(依然) 是空闲的。由b(b＝n-f)个最初被分类为被占用的停车位中相对预测 水平面F2个(重新)为空闲的。占用以停车场搜索率λ(t)(整体)发 生以及泊位退出过程以比率(每个停车位)μ(t)＝1/h(t)发生。为了获得 数值Z也可以使用在下面进一步说明的方法。

利用下述算法由珠链确定停车场搜索距离和停车场搜索持续时 间。观察一个有成效的停车场搜索，其中假设存在下述形式的珠链：

{t_j，x_j，y_j}，j＝0，N                   (17)

带有增加的时标

t_j+1＜t_j，j＝0，N-1.            (18)

坐标{x_j,y_j}为局部笛卡尔坐标，如出自GPS-信号。为了使用而假 设：不精确性为以中间值为零的正态分布，以及标准偏差由一个已知 的上限ε(例如约10米)限定。这种类型的珠链可以由值N的循环缓 存器提供使用。珠子N的数量由可用于此的存储容量界定。事件“进 入泊位”相应地相当于珠子

(t_N，x_N，y_N}                   (19)

另外，预先给定一个正常搜索半径R_s和一个扩展搜索半径R_E，例 如带有

R_s＝200米 R_E＝500米             (20)

另外，预先给定人口稠密地带内的典型的最低速度V_urban，该最低 速度应该适用于城市环境：

V_urban＝2米/秒                (21)

为了能够更好地区分搜索距离与有明确目标的路线，界定一个效 率因数F_eff：

F_eff＝４                  (22)

为了给停车场搜索距离和停车场搜索持续时间进行配置(赋值)， 首先构成每个珠子到停车位的欧几里得距离：

所有珠子 For j＝0，N-1 到停车位的欧几里得距离的图像 r_j＝E[{x_j,y_j},{x_N,y_N}]

现在为了两个搜索半径R＝R_E，R＝R_S进行搜索，直到找到距停车 位的距离为r_j＜R的珠子(指数^J)为止。

两个搜索半径 For R＝R_E，R＝R_S{begin loop 所有珠子 For j＝0,N-1，{Begin loop 到停车位的欧几里得距离的图像 IF(R＞r_j)，THEN   J＝j   EXIT   }   }

J_E＝0是可能的，也就是说，整个链条位于扩展搜索半径R_E内或者 甚至在正常搜索半径R_S内。如果这一点有规律地出现的话，那么推荐 使用较大的循环缓存器。现在指数J_S和J_E可供使用以及因此用于j＝J_S和j＝J_E例如t_JE的值{t_j,x_j,y_j}等可供使用。

为了选择两个搜索半径之一，界定并计算出下列内容：

δ＝R_E-R_S               (23)

$V_{\mathrm{eff}}=\frac{\delta }{(t_{J_s}-t_{J_s})}---\left(24\right)$

$\Delta =E\left[\right\{x_{J_s},y_{J_s}\},\{x_{J_E},y_{J_E}\left\}\right]---\left(25\right)$

$<V>=\frac{\Delta }{(t_{J_E}-t_{J_S})}---\left(26\right)$

如果V_eff＜V_urbon且<V>＞F_eff*V_urbon的话，然后应该使用扩展搜索半径 R＝R_E和指数J＝J_E，否则使用标准搜索半径R＝R_S和指数J＝J_S。这个决 定原则的目的是一个模型概念(Modellvorstellung)：当车辆尽管以典 型的城市行驶速度仅仅不重要地越来越接近最终的停车位时，对扩展 搜索进行推测。

为了确定停车场搜索持续时间T定义如下:

T＝t_J-t_N              (27)

利用记录Ma[{x₁,y₁},{x₂,y₂}]两点之间经过的距离被标记为{x₁,y₁} 和{x₂,y₂}。停车场搜索距离相应地以

$X=\underset{j=J}{\overset{j=N}{\Sigma }}\mathrm{Ma}\left[\right\{x_j,y_j\},\{x_{j-1},y_{j-1}\left\}\right]---\left(28\right)$

被界定。

被搜索的停车位的数量Z的配置(赋值)取决于现有信息的质量。 在停车场搜索距离上存在一定数量的有效停车位的情况下

z(j)＝珠子j与珠子j+1之间的有效停车位的数量(29)

然后便得到

$Z=\underset{J}{\overset{N-1}{\Sigma }}z\left(j\right)---\left(30\right)$

通常为此需要至少一个地图匹配和历史数据库的存取。

如果没有对停车场搜索距离上的有效停车位数量的判断的话，还 是可以借助公式(28)获得对所搜索的停车位的数量的判断。为此需 要预先规定停车位密度d(每公里内的有效停车位的数量)。在这种情 况下产生(因为公式(28)中的X的测量单位为米)

Z＝dX/1000                  (31)

如果存在与距离相关的对p的判断的话，通过使用对局部停车位 密度的分别与距离相关的判断代替d便可以使这个公式一般化。

附图标记列表

10     中央计算机

11     接口

12     动态数据

14     历史数据库

16     静态数据

18     融合

20     关于可使用的空闲停车位的信息/数据

22     停车场监视器

24     进入和退出泊位识别

26     停车场搜索时间

30     概率分布