CN106295888B - 一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法 - Google Patents

Abstract

本发明公开了一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法。首先收集实测数据并采用时间序列法进行停车需求预测，然后根据预测结果，确定最大需求峰值；接着确定最小泊位数并据此判定不满足最小共享泊位要求的不可实施共享时段；最后，再根据最小共享时长，最终确定泊位共享的时间窗口。本发明在历史实测数据的基础上，提供一种不影响公共建筑物自身停车需求的配建停车泊位共享时间窗口确定方法，可以为公共建筑物共享停车方案设计提供参考。

Description

一种基于实测数据的公共建筑物配建停车泊位共享时间窗口 确定方法

技术领域

本发明属于城市停车交通管理领域，涉及一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法。

背景技术

随着城市化进程不断加快，城市居民机动车保有量持续增长。在停车需求不断增长的同时，城市新增停车泊位供给总量增长速度均滞后于机动车保有量的增长速度，特别是停车需求聚集的城市中心区，供需总量不平衡更为突出。

城市中心区用地开发强度高，停车需求大，停车高峰时段停车位缺口严重。然而，城市中心区用地往往混合开发，不同类型建筑物的停车吸引不同，且停车需求高峰出现的时间段也有所差异，因此为不同建筑物配建停车泊位之间的共享利用提供了可能，有助于提高停车场泊位整体的利用效率。

当前对于公共建筑物配建停车泊位共享主要侧重于共享实施可行性、共享停车模式等方面的定性研究，缺乏停车场开放共享的最佳时刻确定以及开放时间长度的定量化确定方法，难以有效指导停车共享管理措施的具体实施。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种不影响建筑物自身停车需求的公共建筑物配建停车泊位共享时间窗口确定方法，为公共建筑物共享停车方案设计提供参考。

技术方案：为实现上述目的，本发明采用的技术方案为：

本发明的技术方案包括以下步骤：

一种基于实测数据的公共建筑物配建停车场泊位共享时间窗口确定方法，该方法包括顺序执行的以下步骤：

步骤1、历史实测数据收集与停车需求预测

收集历史的一天以上的停车场泊位随时间变化的占用数量，以每半小时为一个时段的频率进行统计，作为历史的停车需求数据；然后根据历史的停车需求数据，使用时间序列预测方法对停车需求进行预测获得停车需求时变预测结果；

步骤2、最大停车需求峰值确定

根据停车需求时变预测结果，画出全天停车需求预测曲线，根据全天停车需求预测曲线确定当日停车需求最大峰值P_max；

步骤3、确定最小共享泊位数k_share

根据实地设计的要求，确定一个使得对应配建停车场泊位共享具有实施意义的泊位数k₁；然后根据步骤2确定的当日停车需求最大峰值P_max，计算当日停车需求最大峰值P_max的15％对应的泊位数k₂；比较k₁和k₂，取大者作为最小共享泊位数k_share；

步骤4、根据最小共享泊位数k_share初步判定窗口

根据停车需求时变预测结果，对于停车需求值在(P_max-k_share，P_max)间的时段，不实施共享；对于其他时段，进入下一步判定；

步骤5、可共享泊位数临界点编号

在全天停车需求预测曲线上作出停车需求数值等于(P_max-k_share)的直线，作为共享阈值线，对全天停车需求预测曲线与共享阈值线的交点依次进行编号：P(1),P(2),……,P(n)；若上述交点与全天停车需求预测曲线的波峰重合，则该交点不进行编号；另外还将全天停车需求预测曲线上与时间点为0点、24点相对应的点分别编号为P(0)、P(n+1)；

步骤6、根据最小共享时长t_share判定窗口

设定最小共享时长t_share为2h；将上述编号的n+2个点按所在时刻按照从小到大顺序，两两作为一组：P(0)和P(1)一组，P(2)和P(3)一组，……P(n)和P(n+1)一组，对一组内两点所在时间差进行判定，若该两个点的时间之差大于t_share，则在该两点之间的时间段实施共享；否则，不实施共享；其中，若编号的点正好为某一时段的起点，则记该点的时间为该时段起点的时间，否则，该点的时间为下一时段起点的时间。

进一步的，在本发明中，步骤1的时间序列预测方法包括顺序执行的以下步骤：

步骤(1)将收集的所有历史泊位占用数量数据按时间先后顺序排列，作为原始时间序列；

步骤(2)时间序列平稳性检验

对原始时间序列进行平稳性检验，若为平稳序列，则通过检验，并进入下一步；若为非平稳序列，则逐步进行差分运算，每进行一阶差分运算获得的相应的时间序列均进行平稳性检验，直到找到通过平稳性检验的时间序列否则继续下一阶差分运算，记通过平稳性检验的时间序列为平稳时间序列；如：设样本数为l的0阶时间序列为x₁,x₂,x₃,......,x_l，令y_m＝x_m+1-x_m，m＝1,...,l-1，形成一个新的时间序列y₁,y₂,y₃,......,y_l-1，这个时间序列就是一阶差分运算后的序列。若再对1阶时间序列再进行差分运算则为二阶差分运算，形成的新序列即二阶差分运算后的序列，以此类推。先进行一阶差分若得到的新序列是平稳序列，则进行下一步，否则，进行更高阶的差分，直到通过平稳性检验。

步骤(3)计算平稳时间序列的自相关系数ACF和偏自相关系数PACF

第k阶的自相关系数ACF按下式计算：

式中：

x_t——t时刻平稳时间序列的值；

x_t+k——t+k时刻平稳时间序列的值；

——平稳时间序列的平均值；

n——平稳时间序列中数值的个数；

——k阶自相关系数；

第k阶的偏自相关系数PACF按下式计算：

式中：

——k阶偏相关系数；

步骤(4)ARMA模型识别

采用时间序列模型中的ARMA模型作为预测模型，根据ACF和PACF，选择合适的ARMA模型：即根据自相关系数ACF和偏自相关系数PACF的性质,估计ARMA模型自相关阶数p和ARMA模型移动平均阶数q，并选择合适的ARMA模型拟合时间序列。

步骤(5)ARMA模型参数估计

根据上述所选的ARMA模型，估计该ARMA模型中的参数，从而确定该ARMA模型中各参数的数值；

步骤(6)ARMA模型检验

对所选的ARMA模型和其参数进行显著性检验，以确定ARMA模型是否已经提取了有效的信息，若ARMA模型通过显著性检验，则进入下一步；若ARMA模型未通过显著性检验，则返回步骤(4)，重新确定ARMA模型自相关阶数p和ARMA模型移动平均阶数q，直至通过模型检验；

步骤(7)停车需求序列预测

根据通过检验的ARMA模型，进行时间序列的预测，得到停车需求时变预测结果。

有益效果：本发明提供的本发明与现有技术相比，具有以下优点：

1本发明在结合实测历史数据，采用定量化的方法分析公共建筑物配建停车场的共享时间窗口，和现有的方法相比，更具有可操作性。

2本发明所确定的共享时间窗口既不影响公共建筑物自身的停车需求，又不影响管理者对于超过停车需求的多余泊位的灵活使用，和现有的方法相比，更具有科学性。

3本发明只需要进行收集少量的历史停车需求数据即可明确确定出具体的共享时间窗口，具有较强的实际运用价值。

附图说明

图1为本发明的流程图；

图2本发明中为共享时间窗口确定示意图；

图3为实例中预测日的共享窗口确定示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

1.历史实测数据收集与停车需求预测

收集历史的一天以上的停车场泊位随时间变化的占用数量，以每半小时为一个时段的频率进行统计，作为历史的停车需求数据。然后根据历史的停车需求数据，使用时间序列预测方法对停车需求进行预测。

时间序列预测停车需求按以下步骤进行：

(1)将收集的所有历史泊位占用数量数据按时间先后顺序排列，作为原始时间序列。

(2)时间序列平稳性检验

对数据形成的原始时间序列进行平稳性检验，若数据为平稳序列，则通过检验，并进入下一步；若数据为非平稳序列，则应先进行差分运算，直到通过平稳性检验，记为平稳时间序列。

(3)计算时间序列的自相关系数(ACF)和偏自相关系数(PACF)

第k阶的自相关系数ACF按下式计算：

式中：

x_t——t时刻平稳时间序列的值；

x_t+k——t+k时刻平稳时间序列的值；

——平稳时间序列的平均值；

n——平稳时间序列中数值的个数；

——为k阶自相关系数；

第k阶的偏自相关系数PACF按下式计算：

式中：

——k阶偏相关系数；

(4)ARMA模型识别

根据ACF和PACF，选择合适的ARMA模型：即根据上述平稳时间序列的自相关系数ACF和偏自相关系数PACF的性质,估计ARMA模型的自相关阶数p和移动平均阶数q，并选择合适的ARMA模型拟合时间序列。ARMA模型选择和定阶的基本原则如下表1所示。其中，拖尾是指系数始终有非零取值，不会在k大于某个常数之后恒等于零；p阶截尾是指系数在p步之后，结果为零。

表1

(5)ARMA模型参数估计

根据初步识别的模型，估计模型中的参数，从而确定模型中各参数的数值。

(6)ARMA模型检验

对模型和参数进行显著性检验，以确定模型是否已经提取了有效的信息，若模型通过检验，则进入下一步；若模型未通过检验，则返回模型识别阶段，重新确定模型阶数，直至通过模型检验。

检验分两类检验：①模型的显著性检验：模型的显著性检验主要是检验模型的有效性，即为残差序列的白噪声检验。②参数的显著性检验：参数的显著性检验是指检验每个未知参数是否显著非零，如果某个参数不显著，表示该参数所对应的自变量对因变量的影响不明显，可以从拟合模型中剔除。

(7)停车需求序列预测

根据通过检验的模型，进行时间序列的预测，得到停车需求时变预测结果。

2.最大停车需求峰值确定

根据停车需求预测结果，画出预测的全天停车需求预测曲线，根据全天停车需求预测曲线确定当日停车需求最大峰值P_max。

根据历史停车需求数据和停车需求时变预测结果，若总泊位数持续大于最大停车需求，对于大于最大停车需求的这部分泊位，称之为停车场的自由泊位，停车场管理机构和人员可以对自由泊位的用途进行控制。而这些泊位并不属于根据停车需求时变特性进行共享泊位的范畴。因此共享时间窗口确定方法基于停车需求时变预测，并只考虑基于预测的停车需求最大值以内的停车泊位，进行共享时间窗口的确定。

3.确定最小共享泊位数k_share

最小共享泊位数k_share定义为：实施共享停车时，最少应提供的共享泊位数。当可共享的泊位数太少时，共享可操作性不强，实施共享停车所能产生的效果有限，因此，有必要根据实际需求和具体条件确定一个共享泊位数下限，使得对应配建停车场的泊位共享具有实施上的意义。另一方面，根据文献的相关研究，认为当泊位数占用低于峰值的85％时，泊位的提供更加地稳定。所以需要根据步骤2确定的当日停车需求最大峰值，计算峰值的15％对应的泊位数作为共享泊位数下限。设计最终的最小泊位数需要同时满足上述两个要求，所以需要比较两者，取大者作为最终的最小共享泊位数k_share。

4.根据最小共享泊位数k_share初步判定窗口

因为共享窗口需满足最小共享泊位数要求，所以要首先根据最小共享泊位数初步筛选时间窗口。若可提供的共享泊位数小于此值，不实施共享停车。因此根据停车需求时变预测结果，对于需求值在(P_max-k_share，P_max)间的时段，不实施共享；对于其他时段，进入下一步判定。

5.可共享泊位数临界点编号

在停车需求预测曲线图上作出数值等于(P_max-k_share)的直线，作为共享阈值线，对停车需求预测曲线与共享阈值线的交点依次进行编号：P(1),P(2),……,P(n)，若等值点与波峰或波谷重合，不进行编号，并将0点和24点分别编号为P(0)、P(n+1)。

这一步对于停车需求预测曲线与共享阈值线的交点依次进行编号，是因为这些点是可共享泊位数随时间变化的临界点，在这些点的两侧是分别可共享泊位大于最小共享泊位数和小于共享泊位数的状态(除等值点与波峰波谷重合的情况外)，对于这些点编号，方便进行下一步的最小共享时长判断确定共享窗口。另外，对于一般公共建筑物来说，夜间停车需求总是低于白天停车需求，因此本方法假设夜间0(或24)点的停车需求低于共享阈值，即P(0)和P(n+1)点总是位于共享阈值线下方。

上述三个步骤的泊位共享窗口确定如附图2所示。

6.根据最小共享时长t_share判定窗口

停车需求预测曲线上位于共享阈值线以下的各个时间段，即当停车需求值小于P_max-k_share的时间段，停车场的空余泊位充足，这些时间段才有提供共享泊位的可能。而进一步地，则需判断空余泊位充足的状态的持续时间是否足够长，即共享时间窗口是否足够宽，因为过短的时间窗口缺乏实际实施意义。所以需保证共享时长满足一定的最小要求。

最小共享时长t_share定义为：实施共享停车时，最短的连续共享时长。若某时段连续时长小于该指标，不实施共享停车，该指标的取值可以借鉴停车场的平均停车时长等特性。根据文献中对于停车时长的研究，大部分车辆停车时长在1.5小时以内，尤其是白天公共建筑物进行具体活动的停车行为。考虑车辆在共享窗口开启后并不可能立即进入提供泊位共享服务的停车场，即窗口开启后车辆停放存在迟滞性，且车辆也不可能准时在窗口关闭时离开，需增加一定的时长。因此，一般情况下，建议设定最小共享时长为2h。当然，在具体的实际操作中，根据可能存在的特殊情况，这一指标可以进行合理地调整。一般情况下，建议最小共享时长为2h。

为了判断是否满足最小共享时长的要求，应将该n+2个点按所在时刻从小到大顺序，两两作为一组，P(0)和P(1)一组，P(2)和P(3)一组，……P(n)和P(n+1)一组，对一组内两点所在时间差进行判定，若该两个点的时间之差大于t_share，该两点之间的时间段实施共享；否则，不实施共享。因为停车需求是以时段为单位统计，编号点不一定正好完全对应某个时段，所以在其中，若编号的点正好为某时段的起点，则该点的时间为该时段起点的时间，否则，该点的时间为下一时段起点的时间。

下面结合具体实例对本发明作进一步的说明。本实例中，以南京新百商场停车场连续四个工作日的数据为基础数据，半小时为统计时长，进行共享停车窗口确定。

1.使用时间序列预测方法进行停车需求预测并确定峰值；

依据连续四个工作日的数据进行停车需求预测，各个时段的停车需求预测结果如下表2所示。根据预测结果，做出全天停车需求预测曲线，如附图3所示。确定南京新百停车场工作日峰值时段为14:00-14:30，峰值停车需求为207辆。

表2

2.确定最小共享泊位数k_share并据此初步判定窗口

因为停车需求峰值为207，在本案例中，取k_share＝30，由表1和附图3可知，在此阶段，不实施共享的时段为13:30-15:00。

3.可共享泊位数临界点编号

由于停车需求预测曲线与阈值线只有两个交点，对0点、该两点和24点按照规则进行编号，分别编号为P(0)、P(1)、P(2)和P(3)。

4.根据最小共享时长t_share判定窗口

最小共享时长取t_share＝2h。可知，T_P(1)-T_P(0)＝13.5h≥2h＝t_share，T_P(3)-T_P(2)＝9h≥2h＝t_share，即该两个时段都可以实施共享。

因此，共享时间窗口为0:00-13:30,15:00-24:00，不实施共享的时段为13:30-15:00，即为非共享时间窗口时段。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于实测数据的公共建筑物配建停车场泊位共享时间窗口确定方法，其特征在于：该方法包括顺序执行的以下步骤：

步骤1、历史实测数据收集与停车需求预测

收集历史的一天以上的停车场泊位随时间变化的占用数量，以每半小时为一个时段的频率进行统计，作为历史的停车需求数据；然后根据历史的停车需求数据，使用时间序列预测方法对停车需求进行预测获得停车需求时变预测结果；

步骤2、最大停车需求峰值确定

根据停车需求时变预测结果，画出全天停车需求预测曲线，根据全天停车需求预测曲线确定当日停车需求最大峰值P_max；

步骤3、确定最小共享泊位数k_share

根据实地设计的要求，确定一个使得对应配建停车场泊位共享具有实施意义的泊位数k₁；然后根据步骤2确定的当日停车需求最大峰值P_max，计算当日停车需求最大峰值P_max的15％对应的泊位数k₂；比较k₁和k₂，取大者作为最小共享泊位数k_share；

步骤4、根据最小共享泊位数k_share初步判定窗口

根据停车需求时变预测结果，对于停车需求值在(P_max-k_share，P_max)间的时段，不实施共享；对于其他时段，进入下一步判定；

步骤5、可共享泊位数临界点编号

在全天停车需求预测曲线上作出停车需求数值等于(P_max-k_share)的直线，作为共享阈值线，对全天停车需求预测曲线与共享阈值线的交点依次进行编号：P(1),P(2),……,P(n)；若上述交点与全天停车需求预测曲线的波峰或波谷重合，则该交点不进行编号；另外还将全天停车需求预测曲线上与时间点为0点、24点相对应的点分别编号为P(0)、P(n+1)；

步骤6、根据最小共享时长t_share判定窗口

设定最小共享时长t_share为2h；将上述编号的n+2个点按所在时刻按照从小到大顺序，两两作为一组：P(0)和P(1)一组，P(2)和P(3)一组，……P(n)和P(n+1)一组，对一组内两点所在时间差进行判定，若该两个点的时间之差大于t_share，则在该两点之间的时间段实施共享；否则，不实施共享；其中，若编号的点正好为某一时段的起点，则记该点的时间为该时段起点的时间，否则，该点的时间为下一时段起点的时间。

2.根据权利要求1所述的基于实测数据的公共建筑物配建停车场泊位共享时间窗口确定方法，其特征在于：步骤1的时间序列预测方法包括顺序执行的以下步骤：

步骤(1)将收集的所有历史泊位占用数量数据按时间先后顺序排列，作为原始时间序列；

步骤(2)时间序列平稳性检验

对原始时间序列进行平稳性检验，若为平稳序列，则通过检验，并进入下一步；若为非平稳序列，则逐步进行差分运算，每进行一阶差分运算获得的相应的时间序列均进行平稳性检验，直到找到通过平稳性检验的时间序列否则继续下一阶差分运算，记通过平稳性检验的时间序列为平稳时间序列；

步骤(3)计算平稳时间序列的自相关系数ACF和偏自相关系数PACF

第k阶的自相关系数ACF按下式计算：

式中：

x_t——t时刻平稳时间序列的值；

x_t+k——t+k时刻平稳时间序列的值；

——平稳时间序列的平均值；

n——平稳时间序列中数值的个数；

——k阶自相关系数；

第k阶的偏自相关系数PACF按下式计算：

式中：

——k阶偏相关系数；

步骤(4)ARMA模型识别

采用时间序列模型中的ARMA模型作为预测模型，根据ACF和PACF，选择合适的ARMA模型：即根据自相关系数ACF和偏自相关系数PACF的性质,估计ARMA模型自相关阶数p和ARMA模型移动平均阶数q，并选择合适的ARMA模型拟合时间序列；

步骤(5)ARMA模型参数估计

根据上述所选的ARMA模型，估计该ARMA模型中的参数，从而确定该ARMA模型中各参数的数值；

步骤(6)ARMA模型检验

对所选的ARMA模型和其参数进行显著性检验，以确定ARMA模型是否已经提取了有效的信息，若ARMA模型通过显著性检验，则进入下一步；若ARMA模型未通过显著性检验，则返回步骤(4)，重新确定ARMA模型自相关阶数p和ARMA模型移动平均阶数q，直至通过模型检验；

步骤(7)停车需求序列预测

根据通过检验的ARMA模型，进行时间序列的预测，得到停车需求时变预测结果。

Images