[0001] 本发明涉及充电桩车位管理领域，具体为一种充电桩车位管理方法及系统。

[0002] 在部分停车场中，往往会设置供燃油车停车的普通车位和供电车充电的充电桩车位，但是在实际使用中，部分燃油车车主在停车场中的普通车位满员后，会将燃油车停放在充电桩车位上，这种方式一方面会造成后续电车充电难的问题，另一方面也会影响停车场的收益。

[0003] 因此，部分停车场会在充电桩车位上设置车位锁以阻止燃油车进入，此时车主可以通过扫码录入车辆信息或者通过车牌号拍照识别的方式告知停车场本车辆是否为电车，若是电车则会使车位锁打开，但是这种方式可能会造成在普通车位满员后，若停车场中的电车数量较少，则可能会造成大量的充电桩车位闲置，若不设置车位锁，则可能造成充电桩车位大量被燃油车占据而使电车无法使用，也会影响停车场收益，因此，现有技术难以确定是否需要开放给燃油车使用充电桩车位，从而难以保证停车场的最大收益。

[0021] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。

[0022] 本领域普通技术人员可以理解实现以下实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0023] 为了解决现有技术难以确定是否需要开放给燃油车使用充电桩车位，从而难以保证停车场的最大收益的问题，本发明提供了一种充电桩车位管理方法，通过对停车场中充电桩车位在未来一段时间中任一时刻的占用量进行预测，并在当前待进入车辆为燃油车时，计算允许其进入停车场和不允许其进入停车场的收益，从而以收益最大化的原则判断是否开放充电桩车位供该燃油车使用，如图1所示，该管理方法包括如下步骤：S1、获取包含停车场中充电桩车位最大数量、当前时刻充电桩车位的使用数量、一段时间内充电桩车位的使用数量、充电桩车位的停车单价、充电单价、车辆车牌号、停车时间和停车时长的基础数据；
S2、根据基础数据预测充电桩车位上车辆的停车时长、离开时间和任一时刻相对于当前时刻的离开量；停车场的设置往往用于满足特定群体的停车需求，比如商场附近、住宅区附近等，因此车主在停车之后往往需要在附近完成特定的目的，因此其停车时长往往与停车场的周围环境相关，而且其停车时长具有一定的规律性，并且对停车场中的充电桩车位占用量产生影响，为了准确预测充电桩车位上车辆的停车时长、离开时间和任一时刻相对于当前时刻的离开量，在步骤S2中，具体包括如下步骤：
S21、获取停车场内位于充电桩车位上车辆的车辆车牌号、停车时间和停车时长，并统计任一时刻位于充电桩车位上的车辆的停车时长的历史车辆信息；不同的车主在同一个停车场、同一个时段停车时，其行为具有很高的相似性，因此其停车时长也具有很大的相似性和规律性；
S22、根据历史车辆信息计算车辆在任一时刻任一停车时长的第一概率；第一概率的计算公式为：
；
上式中， 表示在第i个时刻，充电桩车位上车辆停车时长为 时的第一概率， 表示在第i个时刻，充电桩车位上车辆停车时长为 的车辆数， 表示在第i个时刻位于充电桩车位上车辆的车辆总数；
S23、根据历史车辆信息计算任一车牌号所对应车辆在任一时刻的停车时长的第二概率；第二概率的计算公式为：
；
上式中， 表示任一车牌号 所对应车辆在第i个时刻时的停车时长为 的
第二概率， 表示在第i个时刻，车牌号为 的车辆停车时长为 的次数， 表示在第i个时刻，车牌号为 的车辆的停车总次数；
S24、根据对应车辆的第一概率和第二概率预测当前充电桩车位上车辆的离开时间；对于对应车辆的车牌号在任一时刻未曾在停车场中停车时，通过较为普适的第一概率来计算其停车时长和离开时间，若对应车辆的车牌号在任一时刻曾在停车场中停车时，则根据其历史的停车规律，通过第二概率来更加精准的计算其停车时长和离开时间，在步骤S24中，具体包括如下步骤：
S241、依次判断当前时刻充电桩车位上车辆的车牌号是否已存在于当前时刻的历史车辆信息中；
若是，则进入步骤S242；
若否，则进入步骤S243；
S242、选取数值最大的第二概率所对应的停车时长，并根据车辆进入停车场的时间计算该车辆的离开时间；
S243、选取数值最大的第一概率所对应的停车时长，并根据车辆进入停车场的时间计算该车辆的离开时间；
在步骤S242和步骤S243中，离开时间的计算公式为：
；
上式中，表示车辆离开停车场的离开时间， 表示车辆进入停车场的时间，表示数值最大的第二概率或者第一概率所对应的停车时长；
S25、根据车辆的离开时间计算任一时刻充电桩车位上车辆相对于当前时刻充电桩车位上车辆的离开量；离开量的计算公式为：
；
上式中， 表示任一时刻充电桩车位上车辆相对于当前时刻 时，充电桩车位上车辆的离开量， 表示当前时刻即第 个时刻时充电桩车位上的车辆， 表示离开时间在第 个时刻和第 个时刻之间的车辆数。

[0024] S3、根据基础数据构建停车场周围一定范围内影响其充电桩车位的若干个道路的车流量因果模型和天气因果模型，并结合离开量构建神经网络模型以预测任一时刻的充电桩车位占用量；经过大量的实验验证，总结出影响充电桩车位占用量的因素除了与充电桩车位上车辆的离开量存在相关性之外，还与停车场周围一定范围内的道路车流量和天气相关性较大，停车场周围一定范围内影响其充电桩车位的道路，指的是道路上有直接向停车场驶来的车辆或者直接从停车场向该道路驶去的车辆，若该道路与停车场周围一定范围内不存在路口，则说明该道路上的车流量对停车场中的充电桩车位占用量不存在影响，则不以该道路构建车流量因果模型和天气因果模型，在步骤S3中，具体包括如下步骤：S31、以停车场为圆心，建立半径呈梯度设置的若干个初始统计圆；
S32、获取一段时间内初始统计圆内影响停车场充电桩车位的若干个道路上的车流量和天气；为了保证数据来源的合法性，避免侵犯用户隐私，采用一种新的方式获取若干条道路上的车流量，在步骤S32中，具体包括如下步骤：
S321、获取初始统计圆内影响停车场充电桩车位的若干个道路，以及道路上车辆的平均速度和天气；
S322、在道路的机动车道的两侧分别设置信号发射装置和用于采集CSI信号的信号接收装置；信号发射装置和用于采集CSI信号的信号接收装置在设置时一般设置在道路中车辆行驶速度较为平稳的路段，一般不设置在路口，因为路口处的人流和车流比较复杂，影响后续通行时间范围的选取，对后续车流量的统计更容易产生误差，在有车辆经过信号发射装置和信号接收装置之间时，信号会出现明显的变化，其中信号发射装置可以为路由器，信号接收装置只需要接收和输出路由器发出的CSI信号即可；
S323、根据道路上车辆的行驶速度和车长计算车辆经过信号发射装置和信号接收装置之间的通行时间范围；通行时间范围与车辆的车长以及车辆的速度相关，因此，为了进一步说明通行时间范围的计算方式，在步骤S323中，具体包括如下步骤：
S3231、获取道路上车辆的最大速度、最小速度、最大车长和最小车长以获得道路数据；
S3232、根据道路数据计算道路上车辆经过信号发射装置和信号接收装置的通行时间范围；通行时间范围的表达式为： ，其中， ， ，上式
中， 表示最小通行时间， 表示最大通行时间， 和 分别表示道路上车辆车身长度的最大值和最小值， 和 分别表示道路上车辆行驶速度的最大值和最小值。

[0025] S324、设置幅值阈值，识别CSI信号中大于幅值阈值的波峰，并以波峰为中心提取与通行时间范围相对应的CSI信号以获得初级信号；S325、使用低通滤波器对初级信号进行降噪以获得降噪信号；
S326、对降噪信号进行降维处理以获得降维信号；为了对降噪信号进行降维以获得能够充分表征CSI信号变化特征的降维信号，在步骤S326中，具体包括如下步骤：
S3261、根据降噪信号构建样本矩阵；样本矩阵的表达式为：
；
上式中，表示样本矩阵， 表示第i个降噪信号中的第j个时间点的CSI值，样本矩阵有f行和F列；
S3262、构建样本矩阵的列向量；列向量的表达式为：
；
其中， 表示样本矩阵第j列的列向量， 为样本矩阵中第j列的所有数据的平均值， 表示样本矩阵中的第f行第j列的数据；
S3263、计算样本矩阵的协方差矩阵；协方差矩阵的表达式为：
；
其中, ， 为列向量 和 的协方差；
S3264、对协方差矩阵进行奇异值分解，以获得特征值和特征向量，并以数值最大的若干个特征值所对应的特征向量构建特征向量矩阵；特征向量矩阵的表达式为：
，其中，为特征向量矩阵， 表示特征向量矩阵中的第h个特征向
量；
S3265、根据特征向量矩阵和样本矩阵以获得特征信号；特征信号的表达式为：
；
上式中， 为特征信号，为特征向量矩阵， 为样本矩阵；
S3266、计算特征信号中各信号波形与降噪信号的相似度，并将相似度最高的特征信号中的信号波形标记为降维信号；相似度的计算公式为：
；
上式中， 表示相似度， 和 分别表示特征信号中的任一信号波形和
降噪信号， 表示特征信号和降噪信号中的x轴最大值，在特征信号z所代表的矩阵中，共有若干行，每一行则代表一个主成分，图2中显示出最终的特征信号z所代表的矩阵中存在3行，即存在3组如图2中所示的主成分信号，最终获得的降维信号为主成分1所代表的绿色信号，与初始的CSI信号图像最为相似。

[0026] S327、对降维信号进行短时逆傅里叶变换，以获得频谱图；S328、通过卷积神经网络模型对频谱图进行识别以获得频谱图中的车辆数；
S329、根据道路上一段时间内的车辆数计算其车流量；车流量的计算公式为：
；
上式中， 表示在统计圆半径为r的情况下，在m‑t时刻的第 条道路上的车流量， 表示在 时刻所对应的时段中的车辆数， 表示在 时刻所对应的
时段长度。

[0027] S33、根据一段时间内初始统计圆内影响停车场充电桩车位的若干个道路上的车流量建立车流量因果模型；车流量因果模型的表达式为：；
上式中， 表示车流量因果模型中在m时刻且统计半圆为r的情况下，充电桩车位占用量的预测值， 表示对其中的元素向上取整，比如取整符号内的元素为4.2时，经过取整符号运算的结果则为5， 是时间序列变量， 表示在m‑t时刻和
统计圆半径为r情况下的充电桩车位占用量的预测值， 是其格兰杰原
因 的时空关系变量，T是在时刻m前的最大时刻， 和 分别是时间权重和车流量权重， 表示在统计圆半径为r的情况下，在m‑t时刻的第 条道路上的车流量；
S34、根据一段时间内初始统计圆内影响停车场充电桩车位的若干个天气因素建立天气因果模型；天气因果模型的表达式为：
；
上式中， 表示天气因果模型中在m时刻且统计圆半径为r的情况下，充电桩车位占用量的预测值， 是时间序列变量， 表示在m‑t时刻和统计圆
半径为r情况下的充电桩车位占用量的预测值，d表示天气因素的数量，其总数为D，表示在m‑t时刻且在统计圆半径为r的情况下，天气因素d的向量， 和 分别表示时间权重和天气因素权重；
S35、根据车流量因果模型、天气因果模型和离开量构建充电桩车位占用量预测值的神经网络模型；充电桩车位占用量预测值的神经网络模型的表达式为：
；
上式中， 表示神经网络模型中在m时刻且统计圆半径为r的情况下，充电桩车位占用量的预测值， 表示神经网络模型隐含层的第b个神经元，其总数为B， 表示第b个神经元的激活函数， 表示第b个神经元的权重矩阵， 表示第b个神经元的偏置， 表示在m时刻时相对于当前时刻充电桩上车辆的离开量， 表示总偏置；
S36、计算不同统计圆半径下的充电桩车位占用量预测值的误差量；充电桩车位占用量预测值的误差量的计算公式为：
；
上式中， 表示在统计圆半径为r的情况下，充电桩车位占用量预测值的误差量，N表示样本总数， 表示在第m个时刻且统计圆半径为r的情况下，第n个样本的充电桩车位占用量预测值， 为在第m个时刻下充电桩车位占用量预测值；
S37、挑选出充电桩车位占用量预测值的误差量最小时所对应的统计圆半径，并根据此统计圆半径下的充电桩车位占用量预测值的神经网络模型预测一天中任一时刻的充电桩车位占用量。

[0028] S4、获取当前待进入停车场的燃油车车辆用户的请求停车信息，并判断是否需要占用充电桩车位进行停车；判断的方法是停车场内供燃油车停放的普通车位是否满员，如果停车场内的普通车位满员，则判断当前燃油车车辆需要占用充电桩车位进行停车；若是，则进入步骤S5；
若否，则放行当前燃油车车辆用户进入，之后结束，即此时停车场内存在燃油车车辆停放的普通车位，则直接放行当前燃油车车辆用户；
S5、分别计算允许当前燃油车车辆用户进入时的当前车辆收益和不允许当前燃油车车辆用户进入时的充电车辆收益；当前车辆收益和充电车辆收益与当前燃油车车辆用户的离开时间相关，因此，为了进一步阐述当前车辆收益和充电车辆收益的计算方式，在步骤S5中，具体包括如下步骤：
S51、预测当前燃油车车辆用户的离开时间，离开时间通过步骤S2中所提及的步骤进行预测；
S52、获取在离开时间前任一时刻充电桩车位占用量预测值；充电桩车位占用量预测值通过步骤S3中所提及的步骤进行预测；
S53、依次判断各时刻的充电桩车位占用量预测值是否大于充电桩车位最大数量；
若是，则进入步骤S54；
若否，则放行当前燃油车车辆用户进入，之后结束，即在当前燃油车车辆离开停车场前，停车场中存在大量的充电桩车位空余，因此为了提高收益，将多余的充电桩车位供给燃油车停车，充电桩车位上的处于锁闭状态的车位锁可以通过人工或者预定的打开顺序打开，在此不再赘述；
S54、获取充电桩车位占用量预测值等于充电桩车位最大数量时的时间；此时，说明不存在多余的充电桩车位供燃油车使用；
S55、计算允许当前燃油车车辆用户进入到当前车辆离开时的当前车辆收益；当前车辆收益的计算公式为：
；
上式中， 表示车牌号为 的车辆进入到充电桩车位上停车的当前车辆
收益， 表示充电桩车位的停车单价， 表示车牌号为 的车辆的停车时长的预测值；
S56、计算不允许当前燃油车车辆用户进入到当前车辆离开时的充电车辆收益；充电车辆收益的计算公式为：
；
表示充电车辆收益， 表示充电桩车位的停车单价和充电单价之和，
表示车牌号为 的车辆的停车时长的预测值。

[0029] S6、判断当前车辆收益是否大于充电车辆收益；若是，则放行当前燃油车车辆用户进入，之后结束；
若否，则阻止当前燃油车车辆用户进入，之后结束。

[0030] 本发明在实施时，先获取各种相关的基础数据，随后基于离开量、停车场周围一定范围内影响其充电桩车位的若干个道路的车流量因果模型和天气因果模型，最终构建预测任一时刻的充电桩车位占用量的神经网络模型，之后根据实时获取的待进入停车场的燃油车车辆用户的请求停车信息，若存在普通车位则直接放行，若不存在普通车位，则根据预测的该燃油车车辆的离开时间，在该离开时间内若始终存在多余的充电桩车位，则允许燃油车车辆进入充电桩车位停放以获得收益，若在该离开时间内预测到充电桩车位存在满员的情况，则分别计算允许当前燃油车车辆用户进入时的当前车辆收益和不允许当前燃油车车辆用户进入时的充电车辆收益，以收益最高的方式判定是否允许当前燃油车车辆进入到停车场内。

[0031] 与上述实施例提供的充电桩车位管理方法相对应，本实施例还提供实现充电桩车位管理方法的系统，由于本实施例提供的充电桩车位管理系统与上述实施例提供的充电桩车位管理方法相对应，因此前述充电桩车位管理方法的实施方式也适用于本实施例提供的充电桩车位管理系统，在本实施例中不再详细描述。

[0032] 该系统包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现充电桩车位管理方法。

[0033] 以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。