CN105489056A - 一种基于od矩阵的停车需求预测方法 - Google Patents

Abstract

本发明提供一种基于OD矩阵的停车需求预测方法，包括以下步骤：步骤一、获取设定时间范围内的电子警察数据，并基于轨迹追踪来获取OD矩阵；步骤二、根据步骤一所获取的OD矩阵，预测停车需求。本发明提出的停车需求预测采用以基于轨迹追踪的OD矩阵为基础，更加体现出出行的实际情况，合理、准确地预测出小区的停车需求，为城市规划、停车规划提供科学的决策支撑。本发明还提供一种用于计算停车需求的计算机系统。

Description

一种基于OD矩阵的停车需求预测方法

技术领域

本发明涉及智能交通与城市规划领域，具体而言涉及一种基于OD矩阵的停车需求预测方法。

背景技术

停车需求是土地开发利用强度、汽车拥有量、车辆出行率以及交通政策等众多因素作用的结果。停车需求预测是城市停车规划不可或缺的重要内容，是确定停车场布局、规模和制定各种停车管理政策的前提。因此，科学的停车需求预测方法是做好停车规划的基础。

发明内容

本发明目的在于提供一种基于OD矩阵的停车需求预测方法。

根据以上目的，本发明的第一方面提出一种基于OD矩阵的停车需求预测方法，包括以下步骤：

步骤一、获取设定时间范围内的电子警察数据，并基于轨迹追踪来获取OD矩阵；

步骤二、根据步骤一所获取的OD矩阵，预测停车需求。

进一步的实施例中，前述步骤一的实现具体包括：

步骤1、获取设定时间范围内的所有电子警察数据，将电子警察数据按照车牌号码进行分组；

步骤2、将分组后得到的所有组均标记为unvisited，再取其中的一条unvisited组p，标记为visited；

步骤3、对于p组的数据按照检测时间进行从小到大的排列；

步骤4、计算步骤3排列后所得到的序列的偏差值，即Δt_i＝t_i+1-t_i，i＝1,……，n；其中t₁为出行的起始时刻，t_n为出行的最终结束时间；

步骤5、取出两次连续检测时间差大于1小时的数据，对于即Δt_k>3600s的Δt_k，进行步骤6；若Δt_k全部小于1小时，则进行Step8；

步骤6、找出Δt_k的t_k及t_k+1，则t_k为出行的结束时刻，其对应的检测设备编号所处的区域ID为出行的D点，t_k+1为下一次出行的起始时刻，其对应的检测设备编号所处的区域ID为出行的O点；

步骤7、将t₁，t_k，t_k+1，……，t_n进行两两配对，即一次出行起点为t₁对应的设备编号所处的区域ID，终点为t_k对应的设备编号所处的区域ID，二次出行的起点为t_k+1对应的设备编号所处的区域ID，终点为t_j对应的设备编号所处的区域ID，最后一次出行的终点为t_n对应的设备编号所处的区域ID；

步骤8、如果所有连续两次检测时间都小于或等于1小时，则出行起点为t₁对应的设备编号所处的区域ID，终点为t_n对应的设备编号所处的区域ID；

步骤9、转步骤2重新进行另一组的处理，直到所有组都标记为visited；进行步骤10；

步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID，将出行的O点的检测时间进行24小时段的分组，分别统计每小时内每个OD对的个数即为OD对的车流量，而OD对的客流量则为车流量的1.5倍。

进一步的实施例中，在所述步骤二中，具体地包括：

通过前述步骤一得到的OD矩阵而获取某一区域i的出行OD数据，并基于下述公式来计算该区域i的停车需求Pi：

Pi＝(1-a)*A*b/R

其中：a为即停即离的出行百分比；A为区域i的车辆出行吸引量，单位为次/天，包括非出租客车、货车出行以及进出城货车、客车出行；b为高峰停车修正系数；R为停车泊位周转率。

进一步的实施例中，前述步骤二中，所述修正系数的确定方式如下：

修正系数＝机动车高峰小时停车量/一天内的平均小时停车量。

进一步的例子中，前述步骤1中的设定时间范围，是指一天，即24小时。

进一步的实施例中，在前述步骤1中，所获取的电子警察数据包括车牌采集数据，车牌采集数据包括数字路网中的路段编号、检测时间、车牌号码、车辆类型、车牌颜色、车牌号码、车速信息。

进一步的实施例中，在前述步骤6中，基于数字路网的数据，首先根据小区与对应路段的关系表、设备与路网中路段的关系表，通过设备编号找路段，再通过路段找小区，即找到对应区域。

进一步的实施例中，在数据输出阶段输出：车辆驶入驶出的区域ID信息即小区信息、OD客流量与人流量、交通工具类型信息。

根据本发明的改进，还提出一种用于预测停车需求的计算机系统，包括：

一个或多个处理器；

存储器，被设置用于存储由所述一个或多个处理器使用的程序模块和数据，这些程序模块被配置成在被一个或多个处理器执行时以下述方式实现基于轨迹追踪的OD矩阵估计以及基于OD矩阵的停车需求预测：

步骤1、获取设定时间范围内的所有电子警察数据，将电子警察数据按照车牌号码进行分组；

步骤2、将分组后得到的所有组均标记为unvisited，再取其中的一条unvisited组p，标记为visited；

步骤3、对于p组的数据按照检测时间进行从小到大的排列；

步骤4、计算步骤3排列后所得到的序列的偏差值，即Δt_i＝t_i+1-t_i，i＝1,……，n；其中t₁为出行的起始时刻，t_n为出行的最终结束时间；

步骤5、取出两次连续检测时间差大于1小时的数据，对于即Δt_k>3600s的Δt_k，进行步骤6；若Δt_k全部小于1小时，则进行Step8；

步骤6、找出Δt_k的t_k及t_k+1，则t_k为出行的结束时刻，其对应的检测设备编号所处的区域ID为出行的D点，t_k+1为下一次出行的起始时刻，其对应的检测设备编号所处的区域ID为出行的O点；

步骤7、将t₁，t_k，t_k+1，……，t_n进行两两配对，即一次出行起点为t₁对应的设备编号所处的区域ID，终点为t_k对应的设备编号所处的区域ID，二次出行的起点为t_k+1对应的设备编号所处的区域ID，终点为t_j对应的设备编号所处的区域ID，最后一次出行的终点为t_n对应的设备编号所处的区域ID；

步骤8、如果所有连续两次检测时间都小于或等于1小时，则出行起点为t₁对应的设备编号所处的区域ID，终点为t_n对应的设备编号所处的区域ID；

步骤9、转步骤2重新进行另一组的处理，直到所有组都标记为visited；进行步骤10；

步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID，将出行的O点的检测时间进行24小时段的分组，分别统计每小时内每个OD对的个数即为OD对的车流量，而OD对的客流量则为车流量的1.5倍；

步骤11、通过前述步骤10得到的OD矩阵而获取某一区域i的出行OD数据，并基于下述公式来计算该区域i的停车需求Pi：

Pi＝(1-a)*A*b/R

其中：a为即停即离的出行百分比；A为区域i的车辆出行吸引量，单位为次/天，包括非出租客车、货车出行以及进出城货车、客车出行；b为高峰停车修正系数；R为停车泊位周转率。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是根据本发明某些实施例的基于OD矩阵的停车需求预测方法的流程图。

图2是电子警察数据的示意图。

图3是区域与对应路段的关系表示意图。

图4是设备与路网中路段的关系表示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图1所示，根据本发明的实施例，一种基于OD矩阵的停车需求预测方法，其实现包括以下步骤：

一种基于OD矩阵的停车需求预测方法，包括以下步骤：

步骤一、获取设定时间范围内的电子警察数据，并基于轨迹追踪来获取OD矩阵；

步骤二、根据步骤一所获取的OD矩阵，预测停车需求。

在一些实施例中，前述步骤一的实现具体包括：

步骤1、获取设定时间范围内的所有电子警察数据，将电子警察数据按照车牌号码进行分组；

步骤2、将分组后得到的所有组均标记为unvisited，再取其中的一条unvisited组p，标记为visited；

步骤3、对于p组的数据按照检测时间进行从小到大的排列；

步骤4、计算步骤3排列后所得到的序列的偏差值，即Δt_i＝t_i+1-t_i，i＝1,……，n；其中t₁为出行的起始时刻，t_n为出行的最终结束时间；

步骤5、取出两次连续检测时间差大于1小时的数据，对于即Δt_k>3600s的Δt_k，进行步骤6；若Δt_k全部小于1小时，则进行Step8；

步骤6、找出Δt_k的t_k及t_k+1，则t_k为出行的结束时刻，其对应的检测设备编号所处的区域ID为出行的D点，t_k+1为下一次出行的起始时刻，其对应的检测设备编号所处的区域ID为出行的O点；

步骤7、将t₁，t_k，t_k+1，……，t_n进行两两配对，即一次出行起点为t₁对应的设备编号所处的区域ID，终点为t_k对应的设备编号所处的区域ID，二次出行的起点为t_k+1对应的设备编号所处的区域ID，终点为t_j对应的设备编号所处的区域ID，最后一次出行的终点为t_n对应的设备编号所处的区域ID；

步骤8、如果所有连续两次检测时间都小于或等于1小时，则出行起点为t₁对应的设备编号所处的区域ID，终点为t_n对应的设备编号所处的区域ID；

步骤9、转步骤2重新进行另一组的处理，直到所有组都标记为visited；进行步骤10；

步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID，将出行的O点的检测时间进行24小时段的分组，分别统计每小时内每个OD对的个数即为OD对的车流量，而OD对的客流量则为车流量的1.5倍。

在一些实施例中，在所述步骤二中，具体地包括：

通过前述步骤一得到的OD矩阵而获取某一区域i的出行OD数据，并基于下述公式来计算该区域i的停车需求Pi：

Pi＝(1-a)*A*b/R

其中：a为即停即离的出行百分比；A为区域i的车辆出行吸引量，单位为次/天，包括非出租客车、货车出行以及进出城货车、客车出行；b为高峰停车修正系数；R为停车泊位周转率。

优选地，前述步骤二中，所述修正系数的确定方式如下：

修正系数＝机动车高峰小时停车量/一天内的平均小时停车量。

在一些实施例中，前述步骤1中的设定时间范围，是指一天，即24小时。

在一些实施例中，在前述步骤1中，所获取的电子警察数据包括车牌采集数据，车牌采集数据包括数字路网中的路段编号、检测时间、车牌号码、车辆类型、车牌颜色、车牌号码、车速信息。

在一些实施例中，在前述步骤6中，基于数字路网的数据，首先根据小区与对应路段的关系表、设备与路网中路段的关系表，通过设备编号找路段，再通过路段找小区，即找到对应区域。

在一些实施例中，在数据输出阶段输出：车辆驶入驶出的区域ID信息即小区信息、OD客流量与人流量、交通工具类型信息。

前述步骤1所提及的设定时间范围，一般是指一天(24小时)的范围。

在前述步骤1中，我们所获取的电子警察数据包括车牌采集数据，包括数字路网中的路段编号、检测时间、车牌号码、车辆类型、车牌颜色、车牌号码、车速等信息，如图2所示。

同时，基于数字路网的数据，我们还可以获得小区(即区域)与对应路段的关系表，如图3所示。

参数	字段	数据类型
			更新时间	UPDATATIME	DATA
交通小区形心	SECTORID	LONG
			样本点数组	SAMPLEPOINT	STRING
样本点对应的路段ID数组(去重复)	SEGMENTID	STRING

在前述步骤6中，我们是先通过设备编号找路段，再通过路段找小区(即区域)。

基于数字路网的数据以及电子警察监控系统布设的原始信息，我们可以得到设备与路网中路段的关系表，如图4所示。

结合前述图1以及内容所示，按照前述步骤1-步骤10的实现，我们将在数据输出阶段输出车辆驶入驶出的区域ID信息(小区)、OD客流量与人流量、交通工具类型等信息，如下表1所示，为城市交通的科学规划和出行规划提供支撑。

表1-数据输出表

参数	字段	类型
			驶出区域ID	OD_O	VARchar2
驶入区域ID	OD_D	VARchar2
			OD客流量	OD_VOLUME_PEOPLE	LONG(9,1)
OD车流量	OD_VOLUME	LONG
			分析时段开始时间	START_TIME	LONG(13)
分析时段结束时间	END_TIME	LONG(13)
			时间段	0～23	LONG
更新时间	UPDATE_TIME	LONG(13)
			星期几	WEEK_TYPE	LONG
是否节假日	IS_HOLIDAY	LONG
			节假日类型	HOLIDAY_TYPE	STRING
交通工具类型编码	VEHICLE_TYPE	LONG

交通工具类型编码:总的0，私家车1，出租车2，公交车3，自行车4，地铁5，轻轨6。

输出信息存储位置：MONGDB中AY_RESULT_CITY_OD，每天更新一次，一天更新24组数据。

在一些实施例中，前述步骤最后输出的数据中，对于没有数据的情况则补0。

根据本发明的改进，还提出一种用于预测停车需求的计算机系统，包括：

一个或多个处理器；

存储器，被设置用于存储由所述一个或多个处理器使用的程序模块和数据，这些程序模块被配置成在被一个或多个处理器执行时以下述方式实现基于轨迹追踪的OD矩阵估计以及基于OD矩阵的停车需求预测：

步骤1、获取设定时间范围内的所有电子警察数据，将电子警察数据按照车牌号码进行分组；

步骤2、将分组后得到的所有组均标记为unvisited，再取其中的一条unvisited组p，标记为visited；

步骤3、对于p组的数据按照检测时间进行从小到大的排列；

步骤4、计算步骤3排列后所得到的序列的偏差值，即Δt_i＝t_i+1-t_i，i＝1,……，n；其中t₁为出行的起始时刻，t_n为出行的最终结束时间；

步骤5、取出两次连续检测时间差大于1小时的数据，对于即Δt_k>3600s的Δt_k，进行步骤6；若Δt_k全部小于1小时，则进行Step8；

步骤6、找出Δt_k的t_k及t_k+1，则t_k为出行的结束时刻，其对应的检测设备编号所处的区域ID为出行的D点，t_k+1为下一次出行的起始时刻，其对应的检测设备编号所处的区域ID为出行的O点；

步骤7、将t₁，t_k，t_k+1，……，t_n进行两两配对，即一次出行起点为t₁对应的设备编号所处的区域ID，终点为t_k对应的设备编号所处的区域ID，二次出行的起点为t_k+1对应的设备编号所处的区域ID，终点为t_j对应的设备编号所处的区域ID，最后一次出行的终点为t_n对应的设备编号所处的区域ID；

步骤8、如果所有连续两次检测时间都小于或等于1小时，则出行起点为t₁对应的设备编号所处的区域ID，终点为t_n对应的设备编号所处的区域ID；

步骤9、转步骤2重新进行另一组的处理，直到所有组都标记为visited；进行步骤10；

步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID，将出行的O点的检测时间进行24小时段的分组，分别统计每小时内每个OD对的个数即为OD对的车流量，而OD对的客流量则为车流量的1.5倍；

步骤11、通过前述步骤10得到的OD矩阵而获取某一区域i的出行OD数据，并基于下述公式来计算该区域i的停车需求Pi：

Pi＝(1-a)*A*b/R

其中：a为即停即离的出行百分比；A为区域i的车辆出行吸引量，单位为次/天，包括非出租客车、货车出行以及进出城货车、客车出行；b为高峰停车修正系数；R为停车泊位周转率。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (9)

1.一种基于OD矩阵的停车需求预测方法，其特征在于，包括以下步骤：

步骤一、获取设定时间范围内的电子警察数据，并基于轨迹追踪来获取OD矩阵；

步骤二、根据步骤一所获取的OD矩阵，预测停车需求。

2.根据权利要求1所述的基于OD矩阵的停车需求预测方法，其特征在于，前述步骤一的实现具体包括：

步骤1、获取设定时间范围内的所有电子警察数据，将电子警察数据按照车牌号码进行分组；

步骤2、将分组后得到的所有组均标记为unvisited，再取其中的一条unvisited组p，标记为visited；

步骤3、对于p组的数据按照检测时间进行从小到大的排列；

步骤4、计算步骤3排列后所得到的序列的偏差值，即Δt_i＝t_i+1-t_i，i＝1,……，n；其中t₁为出行的起始时刻，t_n为出行的最终结束时间；

步骤5、取出两次连续检测时间差大于1小时的数据，对于即Δt_k>3600s的Δt_k，进行步骤6；若Δt_k全部小于1小时，则进行Step8；

步骤6、找出Δt_k的t_k及t_k+1，则t_k为出行的结束时刻，其对应的检测设备编号所处的区域ID为出行的D点，t_k+1为下一次出行的起始时刻，其对应的检测设备编号所处的区域ID为出行的O点；

步骤7、将t₁，t_k，t_k+1，……，t_n进行两两配对，即一次出行起点为t₁对应的设备编号所处的区域ID，终点为t_k对应的设备编号所处的区域ID，二次出行的起点为t_k+1对应的设备编号所处的区域ID，终点为t_j对应的设备编号所处的区域ID，最后一次出行的终点为t_n对应的设备编号所处的区域ID；

步骤8、如果所有连续两次检测时间都小于或等于1小时，则出行起点为t₁对应的设备编号所处的区域ID，终点为t_n对应的设备编号所处的区域ID；

步骤9、转步骤2重新进行另一组的处理，直到所有组都标记为visited；进行步骤10；

步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID，将出行的O点的检测时间进行24小时段的分组，分别统计每小时内每个OD对的个数即为OD对的车流量，而OD对的客流量则为车流量的1.5倍。

3.根据权利要求2所述的基于OD矩阵的停车需求预测方法，其特征在于，在所述步骤二中，具体地包括：

通过前述步骤一得到的OD矩阵而获取某一区域i的出行OD数据，并基于下述公式来计算该区域i的停车需求Pi：

Pi＝(1-a)*A*b/R

其中：a为即停即离的出行百分比；A为区域i的车辆出行吸引量，单位为次/天，包括非出租客车、货车出行以及进出城货车、客车出行；b为高峰停车修正系数；R为停车泊位周转率。

4.根据权利要求3所述的基于OD矩阵的停车需求预测方法，其特征在于，前述步骤二中，所述修正系数的确定方式如下：

修正系数＝机动车高峰小时停车量/一天内的平均小时停车量。

5.根据权利要求2所述的基于OD矩阵的停车需求预测方法，其特征在于，前述步骤1中的设定时间范围，是指一天，即24小时。

6.根据权利要求2所述的基于OD矩阵的停车需求预测方法，其特征在于，在前述步骤1中，所获取的电子警察数据包括车牌采集数据，车牌采集数据包括数字路网中的路段编号、检测时间、车牌号码、车辆类型、车牌颜色、车牌号码、车速信息。

7.根据权利要求2所述的基于OD矩阵的停车需求预测方法，其特征在于，在前述步骤6中，基于数字路网的数据，首先根据小区与对应路段的关系表、设备与路网中路段的关系表，通过设备编号找路段，再通过路段找小区，即找到对应区域。

8.根据权利要求2所述的基于OD矩阵的停车需求预测方法，其特征在于，在数据输出阶段输出：车辆驶入驶出的区域ID信息即小区信息、OD客流量与人流量、交通工具类型信息。

9.一种用于预测停车需求的计算机系统，其特征在于，包括：

一个或多个处理器；

存储器，被设置用于存储由所述一个或多个处理器使用的程序模块和数据，这些程序模块被配置成在被一个或多个处理器执行时以下述方式实现基于轨迹追踪的OD矩阵估计以及基于OD矩阵的停车需求预测：

步骤1、获取设定时间范围内的所有电子警察数据，将电子警察数据按照车牌号码进行分组；

步骤2、将分组后得到的所有组均标记为unvisited，再取其中的一条unvisited组p，标记为visited；

步骤3、对于p组的数据按照检测时间进行从小到大的排列；

步骤4、计算步骤3排列后所得到的序列的偏差值，即Δt_i＝t_i+1-t_i，i＝1,……，n；其中t₁为出行的起始时刻，t_n为出行的最终结束时间；

步骤5、取出两次连续检测时间差大于1小时的数据，对于即Δt_k>3600s的Δt_k，进行步骤6；若Δt_k全部小于1小时，则进行Step8；

步骤6、找出Δt_k的t_k及t_k+1，则t_k为出行的结束时刻，其对应的检测设备编号所处的区域ID为出行的D点，t_k+1为下一次出行的起始时刻，其对应的检测设备编号所处的区域ID为出行的O点；

步骤7、将t₁，t_k，t_k+1，……，t_n进行两两配对，即一次出行起点为t₁对应的设备编号所处的区域ID，终点为t_k对应的设备编号所处的区域ID，二次出行的起点为t_k+1对应的设备编号所处的区域ID，终点为t_j对应的设备编号所处的区域ID，最后一次出行的终点为t_n对应的设备编号所处的区域ID；

步骤8、如果所有连续两次检测时间都小于或等于1小时，则出行起点为t₁对应的设备编号所处的区域ID，终点为t_n对应的设备编号所处的区域ID；

步骤9、转步骤2重新进行另一组的处理，直到所有组都标记为visited；进行步骤10；

步骤10、对于步骤7、步骤8和步骤9获得的出行起点与终点对应的区域ID，将出行的O点的检测时间进行24小时段的分组，分别统计每小时内每个OD对的个数即为OD对的车流量，而OD对的客流量则为车流量的1.5倍；

步骤11、通过前述步骤10得到的OD矩阵而获取某一区域i的出行OD数据，并基于下述公式来计算该区域i的停车需求Pi：

Pi＝(1-a)*A*b/R

其中：a为即停即离的出行百分比；A为区域i的车辆出行吸引量，单位为次/天，包括非出租客车、货车出行以及进出城货车、客车出行；b为高峰停车修正系数；R为停车泊位周转率。