CN105427596A

CN105427596A - 一种基于时空特征的社区停车位状态检测及服务方法

Info

Publication number: CN105427596A
Application number: CN201510836101.7A
Authority: CN
Inventors: 吕卫锋; 苏雄; 何滔
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2015-11-26
Filing date: 2015-11-26
Publication date: 2016-03-23
Anticipated expiration: 2035-11-26
Also published as: CN105427596B

Abstract

本发明涉及一种基于时空特征的社区停车位状态检测及服务方法，基于时空特征以及停车场实时图像对停车位空余状态进行检测，并在时间与空间的维度为车主提供停车服务，该发明在智慧社区停车位状态检测与服务方面有广泛的应用。检测算法基于停车场实时图像特征，结合具体时间与停车场地理位置所属功能区类型等停车事件场景化要素确定当前空余状态水平。在时间维度上，服务系统提供停车位空余状态水平的未来预测，在空间维度上，对目的功能区附近的停车场的车位数量进行空间关联分析。本发明对提高停车场车位空余状态检测水平，提升车位管理服务质量具有重要指导意义。

Description

一种基于时空特征的社区停车位状态检测及服务方法

技术领域

本发明涉及一种智能交通系统领域(ITS)停车位状态的检测及服务方法，特别是一种基于时空特征的状态检测以及服务方法。

背景技术

在智能交通领域，车主实时和准确的获取停车场车位状态信息能为车辆出行及停放等提供决策依据，从而达到减缓交通压力，减少排放等目的。停车位检测是指获取停车场的空余车位状态信息，停车位服务是包括停车位状态信息发布，停车位信息查询，停车位预定，车位收费管理等的面向管理人员及车主的服务内容。现有的检测方法多是针对个别停车位的状态检测，采用超声波检测，红外检测，地磁感应线圈等检测方法，价格高昂且施工困难，硬件设备故障率高，利用率低。而现有服务内容仅仅包括即时空余状态信息的数量发布，无法提供停车场实景状况给用户以直观感觉，同时不提供未来状态的预测以及区域内不同停车场车位数量的关联信息，而车主往往更加关心停车场未来的车位空余状态。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供了一种基于时空特征的停车位状态检测及停车位服务方法，该方法检测准确率高，服务内容覆盖范围广，应用价值高。

本发明的技术解决方案：一种基于时空特征的社区停车位状态检测及服务方法，其特点在于通过以下步骤实现：

(1)根据停车场实时图像特征以及时空特征确定停车场车位空余状态水平，空余状态水平包括大量，充足，平衡，紧张，不足五类，所述大量是指空余E≥50％，充足是指35％≤E<50％，平衡是指20％≤E<35％，紧张是指10％≤E<20％，不足是指E<10％，依据停车位状态检测算法对停车场空余状态进行检测；

(2)基于停车位状态检测算法检测结果以及累积历史状态数据，在时空维度上提供服务；在时间维度上，依据历史状态以及即时空余状态，通过建立隐马尔科夫模型提供停车位空余状态水平的未来预测，在空间维度上，对目的功能区附近的停车场的车位数量进行空间关联分析，首先确定空间中具有相关性的停车场，然后对该停车场的车位数量进行回归分析，最后依据拟合的函数关系进行预测。

步骤(1)所述的停车位状态检测算法步骤如下：

(1)对当前图像特征进行场景化标注：首先进行Schilit场景化描述，Schilit场景化描述包括四类场景化描述：时间场景即对时间维度的描述，包括时间、时刻、季节；物理场景，即物理世界中环境资源，包括湿度、温度、阳光、建筑物；计算场景，即物理世界中的计算资源，包括打印机、计算机、网络；场景历史，即现阶段和过去的场景记录，场景描述的是描述用户4W，即What(指事件发生的类型)，Where(指事件发生的地点)，When(指事件发生的时间)，How(指事件的性质即影响程度)，然后依据Schilit场景要素将停车场图像场景要素划分为时间，地点，事件，环境，性质五个维度，结合图像特征构成六元组，实现对当前停车图像的场景化标注；

(2)对不同的图像进行空余状态标注，形成分类训练数据集，将空余状态水平划分为大量，充足，平衡，紧张，不足五类，具体类别比例如表1，根据具体状态水平进行空余状态标注；

(3)组合前述图像特征及场景化标注的信息形成检测向量，训练SVM分类器；

(4)对新输入图像进行场景化标注以及空余状态标注，输入SVM进行状态检测。

通过对温州市龙湾区区府社会停车场2015年3月至6月工作日9:00至17:00的数据进行训练，对7月份的同时段数据进行测试，对空余状态的检测准确性达到81％。

步骤(2)所述的通过建立隐马尔科夫模型提供停车位空余状态水平的未来预测步骤如下：

(1)定义从状态E_i转化为E_j的状态转移概率为P(E_i→E_j)＝P_ij；

(2)将时态特性引入状态转移概率，定义P(T_k，E_i→E_j)＝P_ij(T_k)；

(3)依据频率代替概率的思想计算状态转移概率，统计在时刻T_k从状态E_i出发的状态转移过程次数C_i，统计时刻T_k从状态E_i转换到E_j的状态转移过程次数C_j，则P_ij(T_k)＝C_j/C_i；

(4)依据前述状态转移概率，构造状态转移矩阵；

(5)定义A_j(k)为时刻k处于状态E_j的概率，依据Bayes条件概率计算方法实现多步预测，

A_{j} (k) = Σ_{i = 1}^{n} A_{j} (k - 1) * P_{i j} (T_{k - 1}) .

对温州市龙湾区区府社会停车场2015年3月至6月工作日9:00至11:00的数据构造状态转移矩阵，对7月6日与7月7日数据进行测试，空余状态预测的准确性达到80％。

步骤(2)所述的对目的功能区附近的停车场的车位数量进行空间关联分析步骤如下：

(1)确定车主目的功能区停车场及周边500m范围内的所有停车场(具体距离范围依据不同地域改变)；

(2)计算各停车场与目的停车场的相关系数，确定一定范围区域中具有相关性的停车场；

(3)对具有相关性的停车场的车位数量进行回归分析，拟合出车位数量的函数关系；

(4)依据拟合的函数关系对目的停车场的车位数量进行预测。

以温州市龙湾区万达中心区及其周边停车场作为研究对象，周边停车场包括万达露天停车场，万达与龙祥路地面泊位，万康财富广场停车场，江锦家园停车场，龙湾区图书馆停车场，对2015年7月27日至7月31日数据进行验证，平均相对误差为16.1％。

本发明与现有技术的优点在于：在检测方法上，有效结合了图像底层特征以及停车事件的时空特征，信息利用率高，在服务内容上，从时空维度开展服务研究，服务内容覆盖范围广。

附图说明

图1为本发明的停车位空余状态检测及服务示意图；

图2为本发明的停车场空余状态检测流程图；

图3为本发明的基于马尔科夫的空余状态预测流程图；

图4为本发明的车位数量空间关联分析流程图。

具体实施方式

如图1所示，本发明实现系统包含两大模块即检测模块以及预测模块，检测模块又分为图像特征提取子模块，场景化标注子模块以及检测子模块，预测模块又分为基于马尔科夫的空余状态预测模块以及不同停车场车位数量的空间关联分析模块，检测模块以及预测模块通过历史数据库提供数据支撑。

如图2所示，本发明检测方法具体实施如下：

(1)充分挖掘停车场实时图像与停车事件场景之间的关联性，进行图像的场景化标注，形成向量。

第一步，获取历史图像数据集，对每一张图像，依据Schilit场景要素进行图像场景化标注，具体步骤如下：

(a)将图像进行灰度化，将0-255的灰度区间划分为8个子区间，分别计算图像灰度值在(0-31)，(32-63)，(64-95)，(96-127)，(128-159)，(160-191)，(192-223)，(224-255)八个子区间的频率。

(b)以半小时为间隔划分时间范围，将9:00至17:30划分为18个时间间隔，标记为1-18。

(c)将停车场所属地点按照功能区划分为教学区，工业区，政务区，生活区，商业区，休闲区进行地点功能区类型标注。

(d)统计该时间段停车场附近是否有活动及事件而带来的群体聚集效应，有标注为1，无标注为0。

(e)进行天气状况标注，按照晴天，阴天，雨天分别标注为0，1，2。

(f)进行空余状态标注，空余状态水平包括大量，充足，平衡，紧张，不足五类，分别标注为0，1，2，3，4。

具体状态标注如表1所示：

表1状态与空余比例示意表

状态	空余比例
		大量	E≥50％
充足	35％≤E<50％
		平衡	20％≤E<35％
紧张	10％≤E<20％
		不足	E<10％

具体标注如表2所示：

表2图像场景化标注示意表

feature	图像特征
		time	图片时间
place	图片功能区类型及具体位置
		event	具体事件
weather	天气状况
		state	停车场空余状况

形成六元组，构成支持向量(feature，time，place，event，weather，state)。

第二步，归一化各特征向量因子，训练SVM分类器，确定最优分类面法向量及阈值。对新图像按照第一步进行标注，输入SVM分类器，检测停车场的实时空余状况。

具体分析流程参考图2：首先对图像进行特征提取并场景化标注形成检测向量，依据SVM预测结果对空余状态做出判断。

本发明服务方法具体实施如下：

(1)在时间维度上，基于隐马尔科夫模型进行停车位状态的未来预测，具体的实施方式如下：

(a)统计三个月工作日内T_i时刻的空余状态，确定状态集合E_i。

(b)统计该时间工作日内T_i时刻30分钟后T_i+1的空余状态，确定状态集合E_i+1。

(c)依据各状态的出现频率统计T_i时刻至T_i+1各状态之间的转移概率，构建如下HMM状态转移矩阵。

P (T_{k}) = [\begin{matrix} P_{11} (T_{k}) & P_{12} (T_{k}) & P_{13} (T_{k}) & P_{14} (T_{k}) & P_{15} (T_{k}) \\ P_{21} (T_{k}) & P_{22} (T_{k}) & P_{23} (T_{k}) & P_{24} (T_{k}) & P_{25} (T_{k}) \\ P_{31} (T_{k}) & P_{32} (T_{k}) & P_{33} (T_{k}) & P_{34} (T_{k}) & P_{35} (T_{k}) \\ P_{41} (T_{k}) & P_{42} (T_{k}) & P_{43} (T_{k}) & P_{44} (T_{k}) & P_{45} (T_{k}) \\ P_{51} (T_{k}) & P_{52} (T_{k}) & P_{53} (T_{k}) & P_{54} (T_{k}) & P_{55} (T_{k}) \end{matrix}]

(d)依据状态转移矩阵和T_i时刻的状态，对T_i+1时刻空余状态进行预测，选取最大的转移概率所对应的T_i+1时刻状态作为该时刻预测的空余状态。

(e)对状态进行多步预测，即经过k次状态转移后在第k时刻处于状态E_j的概率。定义A_j(k)为时刻k处于状态E_j的概率，若已知k＝0时刻的状态和具体时间，则依据Bayes条件概率计算方法可逐步计算各时刻的状态，则状态概率的递推算法可表示为：

\{\begin{matrix} A (1) = A (0) * P (T_{0}) \\ A (2) = A (0) * P (T_{0}) * P (T_{1}) \\ .... \\ A (k) = A (0) * P (T_{0}) * P (T_{1}) .. P (T_{k - 1}) \end{matrix}

其中，A(k)表示处于状态E_k的概率，P(T_K)表示T_K时刻的状态转移概率。

具体分析流程参考图3：首先按照频率代替概率的思想计算状态转移矩阵各转移因子，依据各状态之间的转移概率确定各个状态的最大概率值，将该状态作为预测状态。

(2)在空间维度上，对不同的停车场进行车位数量的空间关联分析，确立了以目的功能区为中心的周边停车场车位数量关联分析方法，具体的实施方式如下：

(a)将目的停车场所属类型划分为教学区，工业区，政务区，生活区，商业区，休闲区六种类型。

(b)选取目的停车场周边500m范围内的所有停车场，如选择以温州市龙湾区万达广场为中心的周边500m范围内的所有停车场。

(c)以目的停车场的车位数量变化为参考标准，计算其他所有停车场的车位变化时间序列与目的停车场车位变化时间序列的相关系数，依据相关程度示意表筛选所有的停车场，得到与目的停车场具有一定相关性的停车场集合。

表3相关程度示意表

相关系数绝对值	相关程度
		R>0.95	显著性相关
0.8≤R≤0.95	高度相关
		0.5≤R≤0.8	中度相关
0.3≤R≤0.5	低度相关
		R<0.3	不相关

(d)对集合中停车场的车位变化时间序列进行回归分析，拟合出集合中所有停车场之间的车位数量的函数关系，如设定x，y，z分别代表万达地下停车场，万达露天停车场，龙祥路地面泊位的车位数量，则拟合的函数关系为x＝0.838*y+0.516*z+340。

(e)依据拟合的函数关系以及集合中其他停车场的车位数量，对目标停车场的车位数量进行预测。

具体分析流程参考图4：首先确定用户目的功能区，确立周边500m范围停车场，筛选与车位数量达到中度相关的停车场集合，对集合内停车场车位数量进行回归分析，最后依据拟合的回归方程进行预测。

Claims

1.一种基于时空特征的社区停车位状态检测及服务方法，其特征在于通过以下步骤实现：

2.根据权利要求1所述的基于时空特征的社区停车位状态检测及服务方法，其特征在于：步骤(1)所述的停车位状态检测算法步骤如下：

(1)对当前图像特征进行场景化标注：首先进行Schilit场景化描述，Schilit场景化描述包括四类场景化描述：时间场景即对时间维度的描述，包括时间、时刻、季节；物理场景，即物理世界中环境资源，包括湿度、温度、阳光、建筑物；计算场景，即物理世界中的计算资源，包括打印机、计算机、网络；场景历史，即现阶段和过去的场景记录，场景描述的是描述用户4W，即What，指事件发生的类型，Where指事件发生的地点，When指事件发生的时间，How指事件的性质即影响程度，然后依据Schilit场景要素将停车场图像场景要素划分为时间，地点，事件，环境，性质五个维度，结合图像特征构成六元组，实现对当前停车图像的场景化标注；

(2)对不同的图像进行空余状态标注，形成分类训练数据集，将空余状态水平划分为大量，充足，平衡，紧张，不足五类，根据具体状态水平进行空余状态标注；

3.根据权利要求1所述的基于时空特征的社区停车位状态检测及服务方法，其特征在于：步骤(2)所述的通过建立隐马尔科夫模型提供停车位空余状态水平的未来预测步骤如下：

(1)定义从状态E_i转化为E_j的状态转移概率为P(E_i→E_j)＝P_ij；

(4)依据前述状态转移概率，构造状态转移矩阵，

(5)定义A_j(k)为时刻k处于状态E_j的概率，依据Bayes条件概率计算方法实现多步预测，A_j(k)为时刻k处于状态E_j的概率。

4.根据权利要求1所述的基于时空特征的社区停车位状态检测及服务方法，其特征在于：步骤(2)所述的对目的功能区附近的停车场的车位数量进行空间关联分析步骤如下：

(1)确定车主目的功能区停车场及周边500m范围内的所有停车场；

(4)依据拟合的函数关系对目的停车场的车位数量进行预测。