CN106503840B - 停车场可用车位预测方法及系统 - Google Patents

Abstract

本发明提供了一种停车场可用车位预测方法及系统，该方法包括：获取目标停车场在一采样周期内各采样时刻的历史停车数据；计算历史停车数据中任意两个停车数据样本之间的相关系数；根据预设的相关性阈值及相关系数对所述历史停车数据进行分类，得到至少一个停车数据样本子集；对各停车数据样本子集进行平滑处理，分别得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量；根据车辆平均停放数量及历史停车数据的采集时刻信息，分别建立所有相邻采样点之间的平稳泊松过程模型，组成各停车数据样本子集对应的非平稳泊松过程模型；根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在待预测时刻的可用车位。

Description

停车场可用车位预测方法及系统

技术领域

本发明涉及检测技术领域，尤其涉及一种停车场可用车位预测方法及系统。

背景技术

停车是当前国内城市，特别是大中城市热点区域的难题。由于早期规划等原因，这些区域所提供的停车位远少于进入的车辆，导致车辆在寻找停车位过程中，花费大量时间，浪费不必要的能源，引发交通拥堵等。由于在短期内，增加这些热点区域的停车位供应比较困难，因此强调在这些区域内提高停车位利用率就变得很重要，即需要实时地将车位信息推送给有需要的车辆，快速帮助车辆停车，这就是我们常说的车辆的停车诱导系统。

在停车诱导系统中，核心问题是如何获取停车场的实时可用车位数据，诱导系统将根据该数据向车辆发布诱导信息。目前获取停车场实时数据的方式主要有以下两种：

(1)通过硬件传感器方式获取可用车位数据。这种方式的主要手段是在停车场出入口安装车辆感应传感器，比如地感线圈、地磁传感器或者摄像头。这种方式的优点是获取数据准确，缺点是成本很高，短期内难以对城市形成全面的覆盖，而且当前缺乏不同厂家之间互联互通的标准，因此该方案在技术上可行，在实施上仅适用于较小区域。如申请号为201310671638.3的专利‘一种城市智能停车系统’公开了一种以zigbee网络覆盖城市停车场的技术方案，需要在每停车场出入口铺设zigbee节点对车辆出入数据监测。又如申请号为201110118098.7的专利‘基于Mesh无线传感网络的智能停车检测装置’公开了一种在每个车位铺设的车辆检测传感器及其组网技术。

(2)通过历史数据分析预测可用车位。该方式主要通过停车场的历史停车数据进行分析，生成数学模型，对停车场未来一段时间内的停车数据进行预测。这种方式的优点是获取数据的成本较低，适用于不同类型的停车场，能够快速有效的形成城市级的覆盖，但缺点在于预测的精度不够准确，可能生成错误的诱导信息。如申请号为201210339010.9的专利‘一种停车场有效泊位占有率多步预测方法’基于神经网络和最大李雅普诺夫指数组合的方法对停车场历史数据进行建模分析并据此对未来多个时间区间内的预测。

在‘城市级’这个限定背景下，采用传感器采集停车场数据的方案无疑将面临巨大的设备成本、施工成本和后期维护成本，推进速度也相对缓慢。相较之下，基于历史数据进行分析和预测能在牺牲部分精准度的情况下，具有良好覆盖速度和覆盖范围，使得城市级的诱导在短期内成为现实。当前的历史数据分析技术比较偏重神经网络训练，上述的专利‘一种停车场有效泊位占有率多步预测方法’需要使用大量的样本数据来进行训练，否则，使用该方法得到的预测结果误差将非常大。但对于绝大部分停车场而言，在一开始就提供大量的样本数据很不现实，使得基于神经网络的预测方法的实际效果大打折扣，因此在城市级诱导的早期阶段该方法不适宜使用。

发明内容

针对上述技术的缺点，本发明提出一种基于稀疏样本的停车场可用车位预测方法及系统，在停车场只提供较少的停车数据支撑下，也能建立置信度较高的数学模型，进行后续的预测，非常适合在城市级诱导项目早期使用，取得比较令人满意的预测效果。

本发明实施例一方面提供了一种停车场可用车位预测方法，所述停车场可用车位预测方法包括：

获取目标停车场在一采样周期内各采样时刻的历史停车数据，所述历史停车数据由多个停车数据样本组成，每个停车数据样本包括对应的一天内各采样时刻的车辆停放数量；

计算所述历史停车数据中任意两个停车数据样本之间的相关系数；

根据预设的相关性阈值及所述相关系数对所述历史停车数据进行分类，得到至少一个停车数据样本子集；

对各停车数据样本子集进行平滑处理，分别得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量；

根据所述车辆平均停放数量及历史停车数据的采集时刻信息，分别建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型，组成各停车数据样本子集对应的非平稳泊松过程模型；

根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在待预测时刻的可用车位。

在一实施例中，计算所述历史停车数据中任意两个停车数据样本之间的相关系数，包括：

采用皮尔逊相关系数法计算所述历史停车数据中任意两个不同的停车数据样本的相关系数：

其中，

为X_i和X_j的相关系数，Cov(X_i,X_j)为X_i和X_j的协方差，

为X_i的标准差，

为X_j的标准差。

在一实施例中，根据预设的相关性阈值及所述相关系数对所述历史停车数据进行分类，包括：

判断各个所述相关系数是否大于预设的相关性阈值；

如果所述相关系数大于所述相关性阈值，则判定所述相关系数对应的两个停车数据样本具有强相关性，将具有强相关性的停车数据样本划分为一类。

在一实施例中，对各停车数据样本子集进行平滑处理，分别得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量，包括：

分别计算各停车数据样本子集中不同停车数据样本在各采样时刻的停车数据的样本均值；

根据所述样本均值，利用肖维勒法分别剔除各停车数据样本子集内停车数据样本中存在的异常数据；

分别利用各停车数据样本子集在对应采样时刻的样本均值填充剔除异常数据后留下的空位，得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量。

在一实施例中，所述相邻采样点之间的平稳泊松过程模型为：

其中，Δt表示时间增量，0≤Δt≤t_i+1-t_i，{N(t)，t＞0}为一计数过程，k表示在Δt内所观察到的车辆停放数量，且满足N(0)＝0，0≤N(Δt)≤N(t_i+1)-N(t_i)，λ_i为目标停车场在[t_i，t_i+1]对应平稳泊松过程内的车辆平均到达率。

在一实施例中，在建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型后，所述停车场可用车位预测方法还包括：

计算各平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；

利用小样本法对各车辆平均到达率进行区间估计，得到各平稳泊松过程的置信度为95％的车辆平均到达率的置信区间[λ_iL,λ_iU]。

在一实施例中，所述根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在所述待预测时刻的可用车位，包括：

获取所述待预测时刻所属的两相邻采样点对应的时间区间[t_i，t_i+1]；

根据所述待预测时刻所属的时间区间[t_i，t_i+1]，判定所述待预测时刻对应的平稳泊松过程模型，并获取所述平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；

根据获取的车辆平均到达率及所述待预测时刻，计算待预测时刻当天0点至所述待预测时刻对应的非平稳泊松过程模型的数学期望：

根据所述数学期望及所述置信区间[λ_iL,λ_iU]，计算目标停车场在所述待预测时刻的车辆停放数量所在的区间[E(N(t))+λ_iLΔt,E(N(t))+λ_iUΔt]；

根据目标停车场的停车位总数及所述待预测时刻的车辆停放数量所在区间，估计目标停车场在所述待预测时刻的可用车位；

其中，s表示时间，t为待预测时刻，E为数学期望，m(t)为非平稳泊松过程的过程强度函数。

在一实施例中，在计算预测时刻当天0点至所述待预测时刻对应的非平稳泊松过程模型的数学期望时，将所述非平稳泊松过程展开，所述的数学期望按照下式计算：

其中，Q＝t_i+1-t_i，Δt表示时间增量。

在一实施例中，所述采样周期至少包括连续的一周。

在一实施例中，当所述待预测时刻处于停车高峰期时，λ_i的取值需取所述置信区间[λ_iL,λ_iU]的上限。

在一实施例中，所述相关性阈值大于0.9。

本发明实施例另一方面还提供了一种停车场可用车位预测系统，所述停车场可用车位预测系统包括：

历史停车数据获取单元，用于获取目标停车场在一采样周期内各采样时刻的历史停车数据，所述历史停车数据由多个停车数据样本组成，每个停车数据样本包括对应的一天内各采样时刻的车辆停放数量；

相关系数获取单元，用于计算所述历史停车数据中任意两个停车数据样本之间的相关系数；

样本子集生成单元，用于根据预设的相关性阈值及所述相关系数对所述历史停车数据进行分类，得到至少一个停车数据样本子集；

平滑处理单元，用于对各停车数据样本子集进行平滑处理，分别得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量；

泊松过程模型建立单元，用于根据所述车辆平均停放数量及历史停车数据的采集时刻信息，分别建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型，组成各停车数据样本子集对应的非平稳泊松过程模型；

可用车位获取单元，用于根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在待预测时刻的可用车位。

在一实施例中，所述相关系数获取单元包括一相关系数计算模块，用于采用皮尔逊相关系数法计算所述历史停车数据中任意两个不同的停车数据样本的相关系数：

其中，

为X_i和X_j的相关系数，Cov(X_i,X_j)为X_i和X_j的协方差，

为X_i的标准差，

为X_j的标准差。

在一实施例中，所述样本子集生成单元包括：

判断模块，用于判断各个所述相关系数是否大于预设的相关性阈值；

分类模块，用于当所述相关系数大于所述相关性阈值时，将所述相关系数对应的两个停车数据样本划分为一类。

在一实施例中，所述平滑处理单元包括：

样本均值计算模块，用于分别计算各停车数据样本子集中不同停车数据样本在各采样时刻的停车数据的样本均值；

异常数据剔除模块，用于根据所述样本均值，利用肖维勒法分别剔除各停车数据样本子集内停车数据样本中存在的异常数据；

数据填充模块，用于分别利用各停车数据样本子集在对应采样时刻的样本均值填充剔除异常数据后留下的空位，得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量。

在一实施例中，所述相邻采样点之间的平稳泊松过程模型为：

其中，Δt表示时间增量，0≤Δt≤t_i+1-t_i，{N(t)，t＞0}为一计数过程，k表示在Δt内所观察到的车辆停放数量，且满足N(0)＝0，0≤N(Δt)≤N(t_i+1)-N(t_i)，λ_i为目标停车场在[t_i，t_i+1]对应平稳泊松过程内的车辆平均到达率。

在一实施例中，所述泊松过程模型建立单元包括：

平均到达率计算模块，用于计算各平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；

置信区间计算模块，用于利用小样本法对各车辆平均到达率进行区间估计，得到各平稳泊松过程的置信度为95％的车辆平均到达率的置信区间[λ_iL,λ_iU]。

在一实施例中，所述可用车位获取单元包括：

时间段确认模块，用于获取所述待预测时刻所属的两相邻采样点对应的时间区间[t_i，t_i+1]；

模型获取模块，用于根据所述待预测时刻所属的时间区间[t_i，t_i+1]，判定所述待预测时刻对应的平稳泊松过程模型，并获取所述平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；

数学期望获取模块，用于根据获取的车辆平均到达率及所述待预测时刻，计算待预测时刻当天0点至所述待预测时刻对应的非平稳泊松过程模型的数学期望：

车辆数量计算模块，用于根据所述数学期望及所述置信区间[λ_iL,λ_iU]，计算目标停车场在所述待预测时刻的车辆停放数量所在的区间[E(N(t))+λ_iLΔt,E(N(t))+λ_iUΔt]；

可用车位计算模块，用于根据目标停车场的停车位总数及所述待预测时刻的车辆停放数量所在区间，估计目标停车场在所述待预测时刻的可用车位；

其中，s表示时间，t为待预测时刻，E为数学期望，m(t)为非平稳泊松过程的过程强度函数。

在一实施例中，所述的数学期望按照下式计算：

其中，Q＝t_i+1-t_i，Δt表示时间增量。

在一实施例中，所述采样周期至少包括连续的一周。

在一实施例中，当所述待预测时刻处于停车高峰期时，λ_i的取值需取所述置信区间[λ_iL,λ_iU]的上限。

在一实施例中，所述相关性阈值大于0.9。

本发明实施例的有益效果在于：在建立停放车辆特征模型和短时预测所需的样本数量很少，利用本发明实施例建立的预测模型预测精度较高。对于建立城市级的诱导系统而言，在初始阶段大量铺设传感器获取所有停车场数据的成本是一个天文数字；获取所有停车场大量的历史数据进行神经网络训练，在初始阶段所花费的成本也难以接受，因此至今未有成熟的城市级诱导系统建成投入使用。而本发明基于停车行为是一种泊松过程的前提下，可以通过很少的样本数量对其过程参数进行估计，能够在成本极低的情况下，实现可靠度较高的预测。本发明所提出的方法在城市级诱导早期阶段，具有非常大的成本和区域覆盖优势。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例停车场可用车位预测方法的流程示意图；

图2为本发明实施例对停车数据样本子集进行平滑处理的流程示意图；

图3为本发明实施例根据平滑处理后的停车数据绘制的停车据数据曲线；

图4为本发明实施例估算车辆停放数量的流程示意图；

图5为本发明实施例停车场可用车位预测系统的结构示意图；

图6为本发明实施例样本子集生成单元3的结构示意图；

图7为本发明实施例平滑处理单元4的结构示意图；

图8为本发明实施例泊松过程模型建立单元5的结构示意图；

图9为本发明实施例可用车位获取单元6的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

停车行为本质是一种社会活动，受人们的工作和生活的影响很大，车主在长期的开车过程中，通过实践累积的停车经验，也能帮助车主在主观上形成对特定场所在特定时间内的停车难易程度的感性预判，这表明停车行为具有一定的规律可言，可以基于这种规律进行深入分析，提高预测水平，降低预测成本。据此，本发明在历史停车样本数量较少的情况下，基于非平稳泊松过程对停车行为进行建模，并对模型中的关键参数做区间估计，以此实现了对未来指定时刻的车辆停放数据的预测。

如图1所示，本发明实施例提供了一种停车场可用车位预测方法，主要包括以下步骤：

步骤S11、获取目标停车场在一采样周期内各采样时刻的历史停车数据，该历史停车数据由多个停车数据样本组成，每个停车数据样本包括对应的一天内各采样时刻的车辆停放数量。

步骤S12、计算上述历史停车数据中任意两个停车数据样本之间的相关系数。

步骤S13、根据预设的相关性阈值及所述相关系数对所述历史停车数据进行分类，得到至少一个停车数据样本子集。

对历史停车数据进行相关系数的计算，得到相关系数矩阵，将矩阵中相关度高的数据进行归类处理，形成具有不同停车特征的类别。

步骤S14、对各停车数据样本子集进行平滑处理，分别得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量。

步骤S15、根据历史停车数据的采集时刻信息及步骤S14中得到的车辆平均停放数量，分别建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型，组成各停车数据样本子集对应的非平稳泊松过程模型。

步骤S16、根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在待预测时刻的可用车位。

本发明实施例在建立停放车辆特征模型和短时预测所需的样本数量很少，可以通过很少的样本数量对其过程参数进行估计，能够在成本极低的情况下，实现可靠度较高的预测。本发明所提出的方法在城市级诱导早期阶段，具有非常大的成本和区域覆盖优势。

一般地，可以通过调研、问询或者从停车场管理系统中调取的方式获取到停车场的在某一采样周期内的历史停车数据。

记X为停车场历史停车数据样本的样本总体，其中，X＝{X₁，X₂，…，X_i，…，X_m}，m为采样周期所包含的连续采样的天数，X_i为目标停车场在采样周期内第i天的停车数据样本，X_i是一个多维变量，X_i＝{x_i,0，x_i,1，…}，X_i中的每一个分量表示目标停车场在第i天中某一采样时刻的车辆停放数量。X_i的维度越大，表示停车数据采集次数越多，越能准确描述停车场的停车特征，比如常见的做法是每小时采集一次停车数据，则维度为24。

在获取历史停车数据后，计算这些样本数据两两之间的相关系数，生成样本数据的相关系数矩阵。在相关系数矩阵中，高度线性相关的样本具有相似的停车特征，可以建立统一模型进行描述。

在步骤S12中计算相关系数时，可以采用皮尔逊相关系数法，来计算历史停车数据中任意两个不同的停车数据样本之间的相关系数：

其中，

为X_i和X_j的相关系数，Cov(X_i,X_j)为X_i和X_j的协方差，

为X_i的标准差，

为X_j的标准差。逐一对两两停车样本数据进行计算，可得X的相关系数矩阵：

其中，自相关系数均为1。

在一实施例中，步骤S13中对所述历史停车数据进行分类时，通常判断步骤S12中求得的各个相关系数是否大于预设的相关性阈值，如果某一相关系数大于所述相关性阈值，则判定该相关系数对应的两个停车数据样本具有强相关性，将具有强相关性的停车数据样本划分为一类。设相关性阈值为Th，一般常见取值是Th＞0.90，当ρ_Xi,Xj＞Th时，可以认为X_i和X_j具有较强的线性相关性。从用户角度看，表现为两个样本具有明显的停车相似特征，即在某个时间段内，停车有明显相似的高峰、平峰、谷底的特征。进行分类后，得到至少一个停车数据样本子集，记为Y，Y∈X，Y＝{Y₁，Y₂，…}。

本发明实施例将具有强相关性的样本归为一类，对于每一类样本进行分别处理和建模，从用户角度看，实际上是对工作日、节假日等不同时间内的停车特征进行了分类处理。

在一实施例中，上述的采样周期至少包括连续的一周，即至少包括连续的七天。

例如，当采样周期为七天时，某一商场的停车场在周五至周日的时候停车数量较多，在周一至周四的时候停车数量较少，而写字楼停车场的停车情况刚好与商场的停车场的停车情况相反，其在周一至周四的时候停车数量较多，在周五至周日的时候停车数量较少。如果目标停车场在周一至周四的停车数据样本的互相关系数都大于相关阈值Th，且周五至周日停车数据样本的互相关系数也大于相关阈值Th，而周一至周四的停车数据样本与周五至周日的停车数据样本的互相关系数小于相关阈值Th，在利用步骤S12对历史停车数据进行分类后，可将周一至周四的停车数据样本分为一类，得到一停车数据样本子集，将周五至周日的停车数据样本分为一类，得到另一停车数据样本子集。本发明实施例仅获取目标停车场在连续七天内的历史停车数据来进行说明，这是一种稀疏样本数据。此处采样周期取七天仅用于对本发明进行解释说明，并非用于对本发明的限制，其可以取超过七天的任意天数。此处采样周期取七天仅用于对本发明进行解释说明，并非用于对本发明的限制，其可以取超过七天的任意天数。

为了避免某些测量误差，需要利用步骤S13剔除停车样本数据子集中存在的某些异常数据。由于样本数据较少，通常可以采用肖维勒法则进行异常数据的判断，主要流程如图2所示。

步骤S141、分别计算各停车数据样本子集中不同停车数据样本在各采样时刻的停车数据的样本均值。

例如，一停车数据样本子集中包括周五至周日的停车数据样本，如果每小时采集一次停车数据，则一天中有24个采样时刻，如果在周五的12点停有100辆车，在周六的12点停有150辆车，在周日的12点停有140辆车，那么停车数据样本子集Y在采样时刻12点时的平均值为(100+150+140)/3＝130，按照该计算方式计算其余采样时刻的停车数据的样本均值，便可得到停车数据样本子集在一天内的各采样时刻的停车数据样本均值。同理，可计算另一停车数据样本在一天内的各采样时刻的停车数据样本均值。

步骤S142、根据所述样本均值，利用肖维勒法分别剔除各停车数据样本子集内停车数据样本中存在的异常数据。对同一类别中的停车数据特征进行肖维勒法则的滤波，滤波后可构造样本均值曲线。按照下面公式，将各个停车数据样本子集中满足该不等式的Y_i作为异常数据剔除：

其中，

是样本均值，Z_c为肖维勒系数，肖维勒表格如下：

n	<![CDATA[Z<sub>c</sub>]]>	n	<![CDATA[Z<sub>c</sub>]]>	n	<![CDATA[Z<sub>c</sub>]]>
						3	1.38	11	2.00	25	2.33
4	1.54	12	2.03	30	2.39
						5	1.65	13	2.07	40	2.49
6	1.73	14	2.10	50	2.58
						7	1.80	15	2.13	100	2.80
8	1.86	16	2.15
						9	1.92	18	2.20
10	1.96	20	2.24

肖维勒准则又称为等概率原则，以正态分布为前提，假设多次重复测量所得n(n为Y中的样本数量)个测量值中，某个测量值的残余误差的绝对值大于Z_cσ，则剔除此数据。Z_c是一个与测量次数相关的系统，可以差别获取。

将异常数据剔除后，重新计算Y的样本均值，得到

j为样本的维度，完成数据的预处理。

步骤S143、分别利用各停车数据样本子集在对应采样时刻的样本均值填充剔除异常数据后留下的空位，得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量。

在对停车数据样本子集进行平滑处理后，本发明实施例可以根据平滑处理后的停车数据绘制停车据数据曲线。图3为是一个经过平滑处理后的典型的办公场所的停车数据曲线，该曲线的采样频率是每20分钟/次。

本发明实施例通过非平稳泊松过程模型来对其建模。非平稳泊松过程描述了一种增量独立性，且增量速率不同的计数过程，同普通泊松过程相比，能够较好的描述具有明显高峰、谷底等特征的公共活动。但是由于非平稳泊松过程本质上是由增量速率不同的平稳泊松过程构成，因此，可将该过程拆分为多个具有平稳增量的平稳泊松过程来估计其参数。基于样本均值曲线建立非平稳泊松过程模型，将全天停车的过程用多阶段平稳泊松过程拟合，对每一个平稳泊松过程，按小样本法估算其关键参数的置信区间。

非平稳泊松过程概率函数的定义为：

其中，Δt表示时间增量；N(t)为一计数过程，表示该计数过程在t时刻所得到的测量值；k表示在Δt内观察到的测量值增量；

定义为非平稳泊松过程的过程强度函数；λ为目标停车场在非平稳泊松过程内的车辆平均到达率。

本发明实施例按停车数据(剔除异常数据并且已经经过填空之后的数据)的采样次数对停车数据曲线进行划分，在相邻的两个采样点时间间隔[t_i,t_i+1]内，可视为一个平稳泊松过程，则有：

m(t_i+Δt)-m(t_i)＝λ_iΔt(0≤Δt≤t_i+1-t_i)  (5)

在该时间段内的泊松过程概率函数为：

其中，k表示在Δt内所观察到的车辆停放数量，且满足N(0)＝0，0≤N(Δt)≤N(t_i+1)-N(t_i)；λ_i为目标停车场在[t_i，t_i+1]对应的平稳泊松过程内的车辆平均到达率。

按照式(6)，可建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型，然后计算各平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率。由于样本数量较少，不能基于中心极限定理应用正态分布做区间估计，只能基于小样本法对各车辆平均到达率λ_i进行置信度为95％的区间估计，分别得到各平稳泊松过程的置信度为95％的车辆平均到达率的置信区间[λ_iL,λ_iU]。

令M＝N(t_i+1)-N(t_i)，为时间段Δt内的样本总计数，表示从时刻t到t_i+1内停车场的车辆增量，令Q＝t_i+1-t_i为样本容量，表示时间间隔，以分钟为单位，则M服从以Qλ_i为参数的泊松分布：

M～P(Qλ_i)  (7)

令a＝Qλ_iL，a表示总体参数Qλ_i的置信区间下界；令b＝Qλ_iU，b为Qλ_i的置信区间上界，当M≥1时，有以下等式成立：

其中，α为置信度参数，1-α为置信度，当α＝0.05,置信度为0.95。β的取值一般按等概率法，一般取为：β＝α/2。

将α与β代入式(8)及式(9)中，可解得总体参数Qλ_i置信度为95％的估计区间：[Qλ_iL,Qλ_iU]。然后再将总体参数除以样本容量Q，可得λ_i的置信度为95％的估计区间[λ_iL,λ_iU]。

在建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型后，可以组合成各停车数据样本子集对应的非平稳泊松过程模型。在利用步骤S16估算目标停车场在所述待预测时刻的可用车位时，可以按照图4所示流程进行。

步骤S161、确定待预测时刻所属的两相邻采样点对应的时间区间[t_i，t_i+1]。

根据前述步骤S11～步骤S13对历史停车数据的特征进行的分类，可以得到目标停车场当天停车数量的动态特征曲线及其非平稳泊松过程模型。将指定的时刻(即待预测时刻)按照采样间隔进行分段，获得指定时刻t所属的时间区间[t_i,t_i+1]。

步骤S162、根据待预测时刻所属的时间区间[t_i，t_i+1]，判定待预测时刻对应的平稳泊松过程模型，并获取该平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率。

步骤S163、根据步骤S162确定的车辆平均到达率的估计区间计算待预测时刻可能的停放车辆数量。此时，根据获取的车辆平均到达率及待预测时刻，计算待预测时刻当天0点至该待预测时刻对应的非平稳泊松过程模型的数学期望：

其中，s表示时间，t为待预测时刻，E为数学期望，m(t)为非平稳泊松过程的过程强度函数。

步骤S164、根据λ_i的置信区间[λ_iL,λ_iU]及步骤S163得到的数学期望，计算目标停车场在待预测时刻的车辆停放数量所在的区间[E(N(t))+λ_iLΔt,E(N(t))+λ_iUΔt]。

步骤S165、根据目标停车场的停车位总数及该待预测时刻的车辆停放数量所在区间，估计目标停车场在待预测时刻的可用车位。

在一实施例中，在计算预测时刻当天0点至上述待预测时刻对应的非平稳泊松过程模型的数学期望时，将所述非平稳泊松过程展开，因此有：

其中，Q＝t_i+1-t_i，Δt表示时间增量。

按照式(11)计算出的E(N(t))是t时刻停放数量的估计值，加上置信区间后，最终的估计区间为：[E(N(t))+λ_iLΔt,E(N(t))+λ_iUΔt]。因此，在t时刻，停车场停放车辆的数量有95％的概率在[E(N(t))+λ_iLΔt,E(N(t))+λ_iUΔt]之间。

对于停车高峰期，λ_i的取值需取上述置信区间[λ_iL,λ_iU]的上限，即λ_i，用以保证在此情况下计算出的车辆停放数量具有较高的可靠性，不太可能将接近满位的停车场计算成还有空位的停车场，避免误导用户。

同当前的技术相比，本发明最为显著的优点是用于建立停放车辆特征模型和短时预测所需的样本数量很少。对于建立城市级的诱导系统而言，在初始阶段大量铺设传感器获取所有停车场数据的成本是一个天文数字；获取所有停车场大量的历史数据进行神经网络训练，在初始阶段所花费的成本也难以接受，因此至今未有成熟的城市级诱导系统建成投入使用。而本发明基于停车行为是一种泊松过程的前提下，可以通过很少的样本数量对其过程参数进行估计，能够在成本极低的情况下，实现可靠度较高的预测。并且，本发明所提出的方法在城市级诱导早期阶段，具有非常大的成本和区域覆盖优势。

基于与图1所示的停车场可用车位预测方法相同的发明构思，本发明实施例还提供了一种停车场可用车位预测系统，如下面实施例所述。由于该系统解决问题的原理与图1中停车场可用车位预测方法相似，因袭该系统的实施可以参见图1的停车场可用车位预测方法的实施，重复之处不再赘述。

在另一实施例中，本发明还提供了一种停车场可用车位预测系统，其结构示意图如图5所示，该预测系统包括：历史停车数据获取单元1、相关系数获取单元2、样本子集生成单元3、平滑处理单元4、泊松过程模型建立单元5及可用车位获取单元6。

其中，历史停车数据获取单元1用于获取目标停车场在一采样周期内各采样时刻的历史停车数据，所述历史停车数据由多个停车数据样本组成，每个停车数据样本包括对应的一天内各采样时刻的车辆停放数量。

相关系数获取单元2用于计算所述历史停车数据中任意两个停车数据样本之间的相关系数。

样本子集生成单元3用于根据预设的相关性阈值及所述相关系数对所述历史停车数据进行分类，得到至少一个停车数据样本子集。

平滑处理单元4用于对各停车数据样本子集进行平滑处理，分别得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量。

泊松过程模型建立单元5用于根据所述车辆平均停放数量及历史停车数据的采集时刻信息，分别建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型，组成各停车数据样本子集对应的非平稳泊松过程模型。

可用车位获取单元6用于根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在待预测时刻的可用车位。

在一实施例中，相关系数获取单元2中包括一相关系数计算模块，用于采用皮尔逊相关系数法(见式(1))计算所述历史停车数据中任意两个不同的停车数据样本的相关系数。

如图6所示，样本子集生成单元3包括：判断模块31及分类模块32。其中，判断模块31用于判断各个所述相关系数是否大于预设的相关性阈值，分类模块32用于当所述相关系数大于所述相关性阈值时，将所述相关系数对应的两个停车数据样本划分为一类。

如图7所示，平滑处理单元4包括：样本均值计算模块41、异常数据剔除模块42及数据填充模块43。其中，样本均值计算模块41用于分别计算各停车数据样本子集中不同停车数据样本在各采样时刻的停车数据的样本均值。异常数据剔除模块42用于根据所述样本均值，利用肖维勒法分别剔除各停车数据样本子集内停车数据样本中存在的异常数据。数据填充模块42用于分别利用各停车数据样本子集在对应采样时刻的样本均值填充剔除异常数据后留下的空位，得到各停车数据样本子集的不同停车数据样本在一天内各采样时刻的车辆平均停放数量。

上述所用的相邻采样点之间的平稳泊松过程模型如式(6)所示。

如图8所示，泊松过程模型建立单元包括：平均到达率计算模块51和置信区间计算模块52。其中，平均到达率计算模块51用于计算各平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；置信区间计算模块52用于利用小样本法对各车辆平均到达率进行区间估计，得到各平稳泊松过程的置信度为95％的车辆平均到达率的置信区间[λ_iL,λ_iU]。

如图9所示，可用车位获取单元6包括：时间段确认模块61、模型获取模块62、数学期望获取模块63、车辆数量计算模块64及可用车位计算模块65。其中，时间段确认模块61用于获取所述待预测时刻所属的两相邻采样点对应的时间区间[t_i，t_i+1]；模型获取模块62用于根据所述待预测时刻所属的时间区间[t_i，t_i+1]，判定所述待预测时刻对应的平稳泊松过程模型，并获取所述平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；数学期望获取模块63用于根据获取的车辆平均到达率及所述待预测时刻，按照式(10)计算待预测时刻当天0点至所述待预测时刻对应的非平稳泊松过程模型的数学期望：车辆数量计算模块64用于根据所述数学期望及所述置信区间[λ_iL,λ_iU]，计算目标停车场在所述待预测时刻的车辆停放数量所在的区间[E(N(t))+λ_iLΔt,E(N(t))+λ_iUΔt]；可用车位计算模块65用于根据目标停车场的停车位总数及所述待预测时刻的车辆停放数量所在区间，估计目标停车场在所述待预测时刻的可用车位。

在利用式(10)计算数学期望时，可以将所述非平稳泊松过程展开，按照式(11)计算数学期望。

本发明实施例提供的停车场可用车位预测系统所用的采样周期至少包括连续的一周。

当待预测时刻处于停车高峰期时，λ_i的取值需取所述置信区间[λ_iL,λ_iU]的上限。

本发明实施例提供的停车场可用车位预测系统中的相关性阈值通常大于0.9。

本发明最为显著的优点是用于建立停放车辆特征模型和短时预测所需的样本数量很少。对于建立城市级的诱导系统而言，在初始阶段大量铺设传感器获取所有停车场数据的成本是一个天文数字；获取所有停车场大量的历史数据进行神经网络训练，在初始阶段所花费的成本也难以接受，因此至今未有成熟的城市级诱导系统建成投入使用。而本发明基于停车行为是一种泊松过程的前提下，可以通过很少的样本数量对其过程参数进行估计，能够在成本极低的情况下，实现可靠度较高的预测。并且，本发明所提出的方法在城市级诱导早期阶段，具有非常大的成本和区域覆盖优势。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施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。

Claims (16)

1.一种停车场可用车位预测方法，其特征在于，所述停车场可用车位预测方法包括：

获取目标停车场在一采样周期内各采样时刻的历史停车数据，所述历史停车数据由多个停车数据样本组成，每个停车数据样本包括对应的一天内各采样时刻的车辆停放数量；

计算所述历史停车数据中任意两个停车数据样本之间的相关系数；

根据预设的相关性阈值及所述相关系数对所述历史停车数据进行分类，得到至少一个停车数据样本子集；

对各停车数据样本子集进行平滑处理，得到停车数据样本子集在一天内的各采样时刻的停车数据样本均值，作为各采样时刻的车辆平均停放数量；

根据所述车辆平均停放数量及历史停车数据的采集时刻信息，分别建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型，组成各停车数据样本子集对应的非平稳泊松过程模型；

根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在待预测时刻的可用车位；

其中，所述相邻采样点之间的平稳泊松过程模型为：

其中，Δt表示时间增量，0≤Δt≤t_i+1-t_i，{N(t)，t＞0}为一计数过程，k表示在Δt内所观察到的车辆停放数量，且满足N(0)＝0，0≤N(Δt)≤N(t_i+1)-N(t_i)，λ_i为目标停车场在[t_i，t_i+1]对应平稳泊松过程内的车辆平均到达率；

其中，在建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型后，所述停车场可用车位预测方法还包括：

计算各平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；

利用小样本法对各车辆平均到达率进行区间估计，得到各平稳泊松过程的置信度为设定阈值的车辆平均到达率的置信区间[λ_iL，λ_iU]；

其中，所述根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在所述待预测时刻的可用车位，包括：

获取所述待预测时刻所属的两相邻采样点对应的时间区间[t_i，t_i+1]；

根据所述待预测时刻所属的时间区间[t_i，t_i+1]，判定所述待预测时刻对应的平稳泊松过程模型，并获取所述平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；

根据获取的车辆平均到达率及所述待预测时刻，计算待预测时刻当天0点至所述待预测时刻对应的非平稳泊松过程模型的数学期望：

根据所述数学期望及所述置信区间[λ_iL，λ_iU]，计算目标停车场在所述待预测时刻的车辆停放数量所在的区间[E(N(t))+λ_iLΔt，E(N(t))+λ_iUΔt]；

根据目标停车场的停车位总数及所述待预测时刻的车辆停放数量所在区间，估计目标停车场在所述待预测时刻的可用车位；

其中，s表示时间，t为待预测时刻，E为数学期望，m(t)为非平稳泊松过程的过程强度函数。

2.根据权利要求1所述的停车场可用车位预测方法，其特征在于，计算所述历史停车数据中任意两个停车数据样本之间的相关系数，包括：

采用皮尔逊相关系数法计算所述历史停车数据中任意两个不同的停车数据样本的相关系数：

其中，为X_i和X_j的相关系数，Cov(X_i，X_j)为X_i和X_j的协方差，为X_j的标准差。

3.根据权利要求1所述的停车场可用车位预测方法，其特征在于，根据预设的相关性阈值及所述相关系数对所述历史停车数据进行分类，包括：

判断各个所述相关系数是否大于预设的相关性阈值；

如果所述相关系数大于所述相关性阈值，则判定所述相关系数对应的两个停车数据样本具有强相关性，将具有强相关性的停车数据样本划分为一类。

4.根据权利要求1所述的停车场可用车位预测方法，其特征在于，对各停车数据样本子集进行平滑处理，分别得到停车数据样本子集在一天内的各采样时刻的停车数据样本均值，作为各采样时刻的车辆平均停放数量，包括：

分别计算各停车数据样本子集中不同停车数据样本在各采样时刻的停车数据的样本均值；

根据所述样本均值，利用肖维勒法分别剔除各停车数据样本子集内停车数据样本中存在的异常数据；

分别利用各停车数据样本子集在对应采样时刻的样本均值填充剔除异常数据后留下的空位，得到停车数据样本子集在一天内的各采样时刻的停车数据样本均值，作为各采样时刻的车辆平均停放数量。

5.根据权利要求1所述的停车场可用车位预测方法，其特征在于，在计算预测时刻当天0点至所述待预测时刻对应的非平稳泊松过程模型的数学期望时，将所述非平稳泊松过程展开，所述的数学期望按照下式计算：

其中，Q＝t_i+1-t_i，Δt表示时间增量。

6.根据权利要求1所述的停车场可用车位预测方法，其特征在于，所述采样周期至少包括连续的一周。

7.根据权利要求1所述的停车场可用车位预测方法，其特征在于，当所述待预测时刻处于停车高峰期时，λ_i的取值需取所述置信区间[λ_iL，λ_iU]的上限。

8.根据权利要求3所述的停车场可用车位预测方法，其特征在于，所述相关性阈值大于0.9。

9.一种停车场可用车位预测系统，其特征在于，所述停车场可用车位预测系统包括：

历史停车数据获取单元，用于获取目标停车场在一采样周期内各采样时刻的历史停车数据，所述历史停车数据由多个停车数据样本组成，每个停车数据样本包括对应的一天内各采样时刻的车辆停放数量；

相关系数获取单元，用于计算所述历史停车数据中任意两个停车数据样本之间的相关系数；

样本子集生成单元，用于根据预设的相关性阈值及所述相关系数对所述历史停车数据进行分类，得到至少一个停车数据样本子集；

平滑处理单元，用于对各停车数据样本子集进行平滑处理，得到停车数据样本子集在一天内的各采样时刻的停车数据样本均值，作为各采样时刻的车辆平均停放数量；

泊松过程模型建立单元，用于根据所述车辆平均停放数量及历史停车数据的采集时刻信息，分别建立各停车数据样本子集中所有相邻采样点之间的平稳泊松过程模型，组成各停车数据样本子集对应的非平稳泊松过程模型；

可用车位获取单元，用于根据各停车数据样本子集对应的非平稳泊松过程模型，估算目标停车场在待预测时刻的可用车位；

其中，所述相邻采样点之间的平稳泊松过程模型为：

其中，Δt表示时间增量，0≤Δt≤t_i+1-t_i，{N(t)，t＞0}为一计数过程，k表示在Δt内所观察到的车辆停放数量，且满足N(0)＝0，0≤N(Δt)≤N(t_i+1)-N(t_i)，λ_i为目标停车场在[t_i，t_i+1]对应平稳泊松过程内的车辆平均到达率；

其中，所述泊松过程模型建立单元包括：

平均到达率计算模块，用于计算各平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；

置信区间计算模块，用于利用小样本法对各车辆平均到达率进行区间估计，得到各平稳泊松过程的置信度为设定阈值的车辆平均到达率的置信区间[λ_iL，λ_iU]；

其中，所述可用车位获取单元包括：

时间段确认模块，用于获取所述待预测时刻所属的两相邻采样点对应的时间区间[t_i，t_i+1]；

模型获取模块，用于根据所述待预测时刻所属的时间区间[t_i，t_i+1]，判定所述待预测时刻对应的平稳泊松过程模型，并获取所述平稳泊松过程模型对应的平稳泊松过程的车辆平均到达率；

数学期望获取模块，用于根据获取的车辆平均到达率及所述待预测时刻，计算待预测时刻当天0点至所述待预测时刻对应的非平稳泊松过程模型的数学期望：

车辆数量计算模块，用于根据所述数学期望及所述置信区间[λ_iL，λ_iU]，计算目标停车场在所述待预测时刻的车辆停放数量所在的区间[E(N(t))+λ_iLΔt，E(N(t))+λ_iUΔt]；

可用车位计算模块，用于根据目标停车场的停车位总数及所述待预测时刻的车辆停放数量所在区间，估计目标停车场在所述待预测时刻的可用车位；

其中，s表示时间，t为待预测时刻，E为数学期望，m(t)为非平稳泊松过程的过程强度函数。

10.根据权利要求9所述的停车场可用车位预测系统，其特征在于，所述相关系数获取单元包括一相关系数计算模块，用于采用皮尔逊相关系数法计算所述历史停车数据中任意两个不同的停车数据样本的相关系数：

其中，为X_i和X_j的相关系数，Cov(X_i，X_j)为X_i和X_j的协方差，为X_j的标准差。

11.根据权利要求9所述的停车场可用车位预测系统，其特征在于，所述样本子集生成单元包括：

判断模块，用于判断各个所述相关系数是否大于预设的相关性阈值；

分类模块，用于当所述相关系数大于所述相关性阈值时，将所述相关系数对应的两个停车数据样本划分为一类。

12.根据权利要求9所述的停车场可用车位预测系统，其特征在于，所述平滑处理单元包括：

样本均值计算模块，用于分别计算各停车数据样本子集中不同停车数据样本在各采样时刻的停车数据的样本均值；

异常数据剔除模块，用于根据所述样本均值，利用肖维勒法分别剔除各停车数据样本子集内停车数据样本中存在的异常数据；

数据填充模块，用于分别利用各停车数据样本子集在对应采样时刻的样本均值填充剔除异常数据后留下的空位，得到停车数据样本子集在一天内的各采样时刻的停车数据样本均值，作为各采样时刻的车辆平均停放数量。

13.根据权利要求9所述的停车场可用车位预测系统，其特征在于，所述的数学期望按照下式计算：

其中，Q＝t_i+1-t_i，Δt表示时间增量。

14.根据权利要求9所述的停车场可用车位预测系统，其特征在于，所述采样周期至少包括连续的一周。

15.根据权利要求9所述的停车场可用车位预测系统，其特征在于，当所述待预测时刻处于停车高峰期时，λ_i的取值需取所述置信区间[λ_iL，λ_iU]的上限。

16.根据权利要求11所述的停车场可用车位预测系统，其特征在于，所述相关性阈值大于0.9。

Images