1.一种基于深度学习和客观赋权法的泊位动态调配方法，其特征在于，包括以下步骤：S1、获取传统停车场数据，包括停车场泊位总数和车辆特征，基于改进的CenterNet网络模型构建停车场车辆检测模型，实时监控停车场区域内车辆数量的变化；

S2、建立混合停车模式，包括非预约模式和预约模式，所述非预约模式即为先到先得的停车模式，预约模式包括先预约先服务和拍卖预约两种停车模式；

设置两种参数 和 ， 为先到先得停车的停车泊位占比， ，为先到先得停车泊位数量， 为停车场泊位总数量，为先预约先服务的停车泊位占比， ，为先预约先服务停车泊位数量，为预约模式的泊位总数量，拍卖预约的停车泊位占比为 ；

S3、对实行混合停车模式的停车场进行试运行，采用试运行获取的数据对深度神经网络进行训练，训练后的深度神经网络能够预测未来某天停车场的停车泊位占比，记为 和；

S4、搭建泊位占比综合评价体系，采用CRITIC客观赋权法构建混合停车模式泊位占比综合评价模型，得到三种模式的泊位最优占比，记为 和 ；

S5、对 和 进行比较，若两者的差值小于等于0.2，则按照 和 进行泊位动态调配，若两者的差值大于0.2，则以 为基准，对先预约先服务和拍卖预约两种停车模式进行二次分配；

所述S1包括以下子步骤：

S11、收集固定摄像头拍摄的停车场中泊位总数量，输入到预约停车平台；

S12、收集固定摄像头拍摄下的停车场图片或视频，通过人工标注工具对图片中的车辆进行标注，形成原始数据集；

S13、所述改进的CenterNet网络模型包括改进后的特征提取网络ResNet‑50、上采样网络DeConv、预测网络Head和改进的损失函数，所述改进后的特征提取网络ResNet‑50包括一个RFB初步特征提取模块、四个ResBlock模块ResBlock_1 ResBlock_4、一个CA注意力机制~模块，其中RFB模块由三个1×1的并行卷积模块、三个3×3的卷积模块、一个5×5的卷积模块、扩张卷积层和一个残差模块组成；所述预测网络Head包括热力图预测网络、宽高预测网络和中心点偏置预测网络；改进的Loss损失函数考虑到了边界框回归的重叠面积、中心点距离和宽高比；

S14、将S12中的原始数据集作为训练集输入到改进的CenterNet中进行训练，模型训练分为冻结阶段和解冻阶段，设置迭代次数为100，学习率为 ，学习率呈cos函数型衰减，根据训练中损失函数L的变化趋势适当设置不同的学习率和批训练大小，直至达到指定的迭代次数时结束训练，得到停车场车辆检测模型；

S15、对通过停车场车辆检测模型检测出的车辆用方框进行标注，并将停车场电子地图输入到预约停车平台，供用户和工作人员实时查看；

S16、将检测出的车辆数量进行统计，根据泊位总数减去检测到的车辆数量得到剩余泊位数，输出到预约停车平台进行显示；

所述S4包括以下子步骤：

S41、根据预约停车平台总收益指标、五类用户人均停车评价指数指标和开车出行成本指标，搭建泊位占比综合评价体系；

S42、基于泊位占比综合评价体系，采用CRITIC客观赋权法搭建混合停车模式泊位占比综合评价模型，得出三种停车模式泊位最优占比；

所述S41中泊位占比综合评价体系具体为：

先到先得停车模式的收益 计算公式为：

；（11）

其中， 为先到先得停车的停车泊位占比， 代表停车场泊位总数； 代表先到先得停车模式下司机所需支付的费用；

先预约先服务停车模式的收益 计算公式为：

；（12）

其中，为先预约先服务的停车泊位占比， 为先预约先服务下司机所需支付的费用；

针对停车场采用拍卖预约停车模式的泊位，采用VCG拍卖机制的计算方法，在众多用户拍卖同一个泊位时，假设经过一轮拍卖，预约成功的用户所需支付的最终金额为 ，具体计算公式为：；（13）

其中， 表示用户 预约泊位 的 时段的竞拍价格； 表示拍卖预约成功的用户构成的集合， 表示一轮拍卖后预约停车平台获得的总收益； 表示没有用户 时，经过一轮拍卖后预约停车平台获得的收益；

因此，拍卖预约停车模式收益 为所有竞拍成功用户的最终支付价格之和，具体计算公式为：；（14）

其中， 代表第 位竞拍成功的用户 所需支付的费用；

为了均衡预约停车平台的市场效率和公平性，同时满足多元化的停车需求，即，此时预约停车平台的总收益 计算公式为：；（15）

所述五类用户人均停车评价指数指标包括低收入水平用户人均停车评价指数指标、中等偏低收入水平用户人均停车评价指数指标、中等收入水平用户人均停车评价指数指标、中等偏高收入水平用户人均停车评价指数指标、高收入水平用户人均停车评价指数指标；

第 类用户 的停车评价指数 具体计算公式为：

；（16）

其中， 代表用户 对第 项停车体验评价指标的评分，停车体验评价指标包括便利性、安全性和停车场服务质量，即  =3；

所述用户 的开车出行成本 包括燃油费、停车费、开车时间成本和步行时间成本，其计算公式为：；（17）

其中， 代表开车出行单位里程的燃油费， 代表用户 实际行驶距离， 代表实际出行中所需负担的燃油费；代表用户采用某种停车方式所产生的费用，具体计算公式如式（18）所示， 代表用户 的工资率，即用户月收入与工作时长的比值，单位为元/小时； 代表用户开车出行时间， 代表用户从停车场到目的地的步行时间；

；（18）

其中， 为先到先得中产生的费用， 为先预约先服务中产生的费用， 为拍卖预约中产生的费用；

所述S42中，混合停车模式泊位占比综合评价模型具体为：采用CRITIC客观赋权法对比S41中七个评价指标各自内部的变异性以及评价指标之间的冲突性以计算客观权重，通过客观权重决策出 和 的最优占比，具体步骤如下；

和 以o为步长取值，基于混合停车模式下的泊位占比综合评价体系，计算得到不同占比方案下七个评价指标对应的值，并构成原始矩阵，即，，其中 表示第 个占比方案，为占比方案的数量，表示第 个指标；

针对一个混合停车场的泊位占比问题进行无量纲化处理，首先区分出正向指标和负向指标以确保各项指标权重分配的合理性和综合评价结果的准确性，正向指标代表该指标越大越好，负向指标则相反，7个指标中预约停车平台总收益指标和五类居民人均停车评价指数指标为正向指标，开车出行成本指标为负向指标；指标处理具体计算公式为：（19）

其中， 为第 行第 列指标数据无量刚化处理后的值； 为第 列原始数据值；

、 分别为第 列中的最大值、最小值；

将无量纲化处理得到的矩阵，用于对各指标进行标准差计算，得到指标的变异性，具体计算公式为：；（20）

其中，为第 个指标计算出的标准差；

通过指标之间的相关程度形成相关系数，计算第 个指标与其他指标的冲突性，具体计算公式为：；（21）

其中， 表示第 个指标的冲突性； 为用以评价七个指标与第 个指标之间相关性的相关系数矩阵；

结合该指标变异性 以及各指标间冲突性 计算得到每个指标的客观权重，具体计算公式为：；（22）

式中， 表示第 个指标所包含的指标综合信息量，其值越大代表第 个指标在此次评价中越重要，其所分配到权重也相应越多； 为第 个指标的客观权重值；

根据各指标的客观权重值，计算出混合停车模式下不同泊位占比的综合评价指数 ，得分最高的一组占比值被判定为最优泊位占比方案，其具体计算公式为：（23）。

2.根据权利要求1所述的一种基于深度学习和客观赋权法的泊位动态调配方法，其特征在于，所述S3中，采集一段时间内检测到的车辆数量作为停车场历史停车数据，具体包括以下步骤：S31、对采取混合停车模式的停车场进行试运营，提前开放预约功能，混合停车第一天，记 ，泊位采用平分配比，即 ， ，并发布在预约停车平台，用户即可提前进行预约，当第一天结束时，通过停车场车辆检测模型统计出当天真实先到先得停车泊位数量  、先预约先服务停车泊位数量  及拍卖预约停车泊位数量 ，并更新在数据库中；

S32、预测的第 天先到先得停车泊位需求量及停车模式泊位占比的计算公式为：；（2）

其中， 为预测的第 天先到先得停车泊位需求量， 为传统停车模式下基于深度神经网络预测的第 天先到先得停车泊位需求量， 为第 天真实的先预约先服务停车泊位数量， 第 天真实的拍卖预约停车泊位数量， 为预测的第 天先到先得停车的停车泊位占比， 为第 天先预约先服务的停车泊位占比；

当第 天结束时，将最终真实的先到先得停车泊位占比 更新在数据库中,采用平分的方式获取第 天的预约需求；

S33、以此循环，直到第 天，停止试运行，从而获取基于混合停车模式的不同条件下历史停车数据；

S34、对历史停车数据进行特征提取，包括停车数量、工作日、周末、节假日、天气、季节信息，构建训练集。

3.根据权利要求2所述的一种基于深度学习和客观赋权法的泊位动态调配方法，其特征在于，所述S3中，采用训练集对深度神经网络进行训练，具体包括： 首先进行前向传播，以线性组合的形式输出停车场历史停车数据之间的交互关系 ，计算公式为：；（3）

其中， 是权重矩阵，为输入向量，包含历史停车数量和时间等信息，为偏置项；

将 送入ReLU激活函数，从而实现非线性变化 ，计算公式为：；（4）

其中， 是预测的停车数量；

预测神经网络中损失函数 采用均方差MSE的方式计算预测值与实际值之间的差异，计算公式为：；（5）

其中，是实际停车数量，为样本数量；

计算反向传播误差，即通过链式层将误差反向传播到每一层，计算每一层的误差，具体计算公式为：；（6）

其中， 代表 的导数；

计算损失函数对权重 和偏置 的梯度，具体计算公式为：；（7）

；（8）

通过随机梯度下降SGD更新权重 和偏置 ，具体计算公式为：；（9）

；（10）

其中， 表示更新后的权重， 表示更新后的偏置，表示学习率，控制参数更新的步长；

持续迭代更新网络参数，直至收敛，得到训练完成的深度神经网络；

输入未来某天是否为工作日、天气状况信息，使用训练好的深度神经网络进行预测，预测得到未来某天先到先得停车泊位占比。

4.根据权利要求3所述的一种基于深度学习和客观赋权法的泊位动态调配方法，其特征在于，所述S5包括以下子步骤：S51、基于S1中的历史周期数据，预测出未来某天先到先得的停车泊位占比 ，基于S4得到一组混合停车泊位的最优占比 和 ，判断 和 的差值是否大于0.2，若小于等于

0.2，则混合停车场泊位的最优占比为 和 ，若大于0.2，则执行S52；

S52、以 为基准，对 进行动态调配，进而达到次优状态。

5.根据权利要求4所述的一种基于深度学习和客观赋权法的泊位动态调配方法，其特征在于，所述S52中，首先根据S41计算 时，取不同值时七个评价指标对应的值，然后根据S42选取综合评价指数 最高的占比方案，即通过二次分配的方式，达到混合停车模式下泊位占比的次优状态，实现泊位动态调配。