CN107146462A - 一种停车场空闲车位数长时预测方法 - Google Patents

Abstract

本发明提供一种停车场空闲车位数长时预测方法，包括将采集到的泊车数据和相应天气数据进行数据预处理，得到空闲车位数特征数据；空闲车位特征数据归一化处理，切分为训练集和测试集，构建LSTM神经网络；确定待预测的第一个时段的上一时段空闲车位特征数据，并作为LSTM神经网络的输入神经元得到第一个时段的空闲车位数；建立空闲车位数长时预测模型，反复迭代预测，进行反归一化处理，得到停车场空闲车位数长时预测结果。本发明基于用户泊车行为特征，提出基于LSTM神经网络的空闲车位数长时预测模型，支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，从而帮助用户选择最佳停车场，具有重要的市场价值。

Description

一种停车场空闲车位数长时预测方法

技术领域

本发明属于停车场预测应用技术领域，特别是一种停车场空闲车位数长时预测方法。

背景技术

我国近年来才对智能停车管理系统开始使用和研究，但随着我国经济高速发展，机动车保有量也逐年上升，现代城市停车诱导管理系统的发展也非常迅速，并开发出了满足大多数停车需求的智能停车诱导管理系统。但是由于我国城市交通规划发展理念较为落后，无法满足不断快速变化的交通需求，同时对停车场空闲车位数以及泊车时间预测的理论研究尚处在初级阶段，缺乏实际应用。

上述理论往往只注重从城市中寻找最近的停车场以及停车场内部的车位诱导工作，没有在停车诱导之前对未来某个时刻的空余车位进行预测，往往会浪费用户的时间。目前，驾车出行已经成为人们日常出行的一种常用工具，因为停车而引起的交通问题已经成为了限制我国城市交通发张的重要影响因素，所以提供城市中各个停车场空闲车位数据预测值将是交通管理部门缓解交通拥挤的重要参考。

神经网络是建立在高级动物神经结构特征的基础上，通过模仿神经元相互通信的方式，由很多与动物神经元类似的单元相互连接而成的非线性网络结构。神经网络使用简单的数学模型对动物神经网络行为和特性进行描述，通过一定的算法使其能够模拟动物神经结构所用的智能行为，解决传统算法不能解决的非线性复杂问题。但对于停车场车位的预测技术，之前所采用的预测模型，例如经典RNN，ARIMA，都存在着预测时间段过长导致精确度明显下降的情况。本领域亟待出现更精确高效的技术方案。

发明内容

为了解决上述技术问题，本发明根据停车场空闲车位数实时性的特点，提出了基于LSTM神经网络的空闲车位数长时预测模型，提供一种停车场空闲车位数长时预测方法。

本发明提供的技术方案提供一种停车场空闲车位数长时预测方法，用于支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，包括以下步骤：

步骤1，采集泊车数据，将采集到的泊车数据和相应天气数据进行数据预处理，得到若干星期中每天所有时段的空闲车位数特征数据，包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长和降雨量；

步骤2，空闲车位特征数据归一化处理；

步骤3，将空闲车位数特征数据切分为训练集和测试集；

步骤4，根据训练集和测试集构建LSTM神经网络；

步骤5，确定待预测的第一个时段的上一时段空闲车位特征数据包括，工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量，并作为LSTM神经网络的输入神经元；

步骤6，将输入神经元带入LSTM神经网络，根据各网络层之间的连接矩阵，得到输出神经元，输出神经元为第一个时段的空闲车位数；

步骤7，建立空闲车位数长时预测模型，反复迭代执行由第k-1个时段的特征数据作为输入神经元，预测下一阶段第k时段的空闲车位数，直至实现预测第N个时段的空闲车位数，对预测结果进行反归一化处理，得到停车场空闲车位数长时预测结果；其中，k表示当前所求时段，通常以5分钟为时段间隔，k-1表示前一个时段，N为最终的目标时段。

而且，时段的长度设为5分钟。

而且，步骤1中，对原始的泊车数据进行预先处理，包括以下子步骤，

步骤1.1，筛选排除停车场空闲车位数数据中具有异常状态的数据；

步骤1.2，筛选排除停车场空闲车位数数据中记录数少于预设相应阈值的数据；

步骤1.3，筛选排除停车场空闲车位数数据中存在若干连续时段具有相同数据的日期的数据；

步骤1.4，筛选排除不成周期性的空闲车位数数据；

步骤1.5，停车场空闲车位数插值，包括对经过以上步骤1.1～1.4的处理后剩下的数据，进行线性插值。

而且，采集泊车数据时，通过采集停车场进出车辆数据，形成动态过车数据表，实现如下，

当发现车辆进出停车场时，触发视频截图；

通过视频截图识别车牌号，并记录下进入和驶离时间；

将识别获得的数据，通过传输存储到远程的数据存储中心内，记录到动态过车数据表。

而且，为对动态过车数据表中重复记录的数据进行剔除，实现如下，

从动态过车数据表中读取车辆的进车记录，做聚类处理后导出为临时表，与进车记录做一一配对；

对进车记录按时间排序；

再次查询动态过车数据表中相应的出车记录，将同一时间段内的进车记录和出车记录进行配对，通过排序和数据剔除操作得到每一辆车的唯一对应的进出停车场记录，形成更新后的动态过车数据表。

而且，数据剔除操作的实现如下，

首先从动态过车数据表中查询出车辆的进车记录，然后寻找相应的驶离记录；

如果未找到相应的出车记录，由于出入车记录无法配对，删除该进车记录；如果寻找到相应的出车记录，则保留该记录；将重复的出入车记录对删除；

最终得到停车场相互匹配的进出车数据。

本发明提出采用LSTM神经网络方法预测停车场空闲车位数，基于用户泊车行为特征，提出基于LSTM神经网络的空闲车位数长时预测模型，支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，从而帮助用户选择最佳停车场，方便用户出行。本发明能够提高停车位的空间使用效率，增强社会经济效益；节约城市土地资源，创造良好的社会环境，具有重要的市场价值。

附图说明

图1为本发明实施例的泊车数据采集流程图；

图2为本发明实施例的剔除动态过车表中重复出车数据流程图；

图3为本发明实施例的剔除动态过车表中不匹配的进出车数据流程图；

图4为本发明实施例的LSTM长时预测模型迭代过程图。

具体实施方式

下面结合附图与实施例，对本发明技术方案进行更详尽的说明，来实现对基于LSTM神经网络的空闲车位数预测模型的理解和应用。

由于停车场的车位具有实时变化的性质，而且不同的停车场空车位变化情况差别较大，很难以统一的数据模型进行，因此本发明提出采用LSTM神经网络来建立停车场剩余车位预测模型。

LSTM(Long Short Term Memory networks)是一种特殊类型的RNN网络，可以学习长距离依赖。LSTM由Hochreiter&Schmidhuber在1997提出，并在近期被Alex Graves进行了改良和推广。而LSTM作为一种特殊的RNN模型，继承了大部分RNN模型的特性，本发明经过多种网络对比实验和发掘，发现LSTM模型非常适合用于预测停车场剩余空车位这种与时间序列高度相关的问题，能够保证在较长时段的预测过程中精度保持较高的水平。

本发明实施例提供的一种基于LSTM神经网络的空闲车位数预测方法，包括以下步骤：

步骤1，采集泊车数据，将采集到的泊车数据和相应天气数据进行数据预处理，得到若干星期中每天所有时段的特征数据，包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量。

具体实施时，可以将每天划分为每5分钟一个时段，取某个停车场若干天的历史数据，每个时段的数据包括每个时段分别的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量。

考虑到各停车场实际采集数据的有效性，建议具体实施时，对采集的原始泊车数据进行预先处理，包括以下子步骤：

步骤1.1，筛选排除停车场空闲车位数数据中具有异常状态的数据，例如，某日期的空闲车位数最大空闲车位数与最小空闲车位数的差值过小，则不使用这一天的数据，因为这一天各个时段的空闲车位数过于稳定，有可能存在异常状态；

步骤1.2，筛选排除停车场空闲车位数数据中记录数少于预设相应阈值的数据；当少于预设的相应阈值，说明记录数过少，空值较多，该日期即使插值也会造成空闲车位数结果误差较大，因此予以排除；

步骤1.3，筛选排除停车场空闲车位数数据中存在若干连续时段具有相同数据的日期的数据；因为相同数据较多，说明该停车场在很长一段时间没有车进出或数据库更新不及时或数据记录有误，因此会对预测结果影响较大，故排除，例如某停车场某天有连续36个时段空闲车位数、进流量、出流量相同，则不采用这天的数据；

步骤1.4，筛选排除不成周期性的空闲车位数数据；一周数据应有七天，但是经过前期筛选后，可能一周数据某天被筛选掉，那么删除这一整周的数据，即保证每周数据都为七天的数据。

步骤1.5，停车场空闲车位数插值，经过以上步骤1.1～1.4的处理后，对剩下的数据，如果某天的停车场空闲车位数数据中记录数缺失在阈值范围内，例如某停车场某天有2个时段空闲车位数缺少，可以进行线性插值进行完善填补。

步骤2，空闲车位特征数据归一化处理，

归一化处理，通常是通过将输入的原始数据线性映射到[0,1]区间，公式如下，

其中，x指任意的原始数据(包括：星期几、是否节假日、所在时段、剩余车位数、进车流量、出车流量、总流量、停车时长、降雨量)，x_min指原始数据中的最小值，x_max指原始数据中的最大值，X`指归一化后的数据；

步骤3，将空闲车位数特征数据切分为训练集和测试集；例如有45000个时段的数据，则按照约4:1的比例进行数据集切分，即约36000条数据作为训练集，约9000条作为测试集，但在切分过程中需保证数据周期性，某一周的七天数据需要完整的划分到训练集或测试集。

步骤4，根据训练集和测试集构建LSTM神经网络；

所述构建LSTM神经网络，具体实现可参考现有技术，为便于实施起见，提供实现过程建议如下：

步骤4.1，设置最大迭代次数T，令当前迭代次数t为0；LTSM神经网络可采用现有技术初始化，例如设置默认LSTM单元、设置Dropout层、实现多层LSTM(调用函数迭代)，以及用全零来初始化状态state；

步骤4.2，计算各网络层误差信号(网络层即四个隐藏层)；

步骤4.3，更新各网络层权值，包括根据反向传播中当前的导数值和误差信号并利用公式修订权值；

步骤4.4，若t≥T或采用测试集实验得到误差小于事先定义的误差阈值则结束，否则t＝t+1，返回执行步骤4.1。

步骤5，确定待预测的第一个时段的上一时段空闲车位特征数据包括，工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量，并作为LSTM神经网络的输入神经元；

步骤6，将输入神经元带入LSTM神经网络，根据各网络层之间的连接矩阵，得到输出神经元，输出神经元为第一个时段的空闲车位数；

步骤7，基于空闲车位数长时预测模型，将预测出来的第一个时段的空闲车位数作为输入神经元，从而预测第二个时段的空闲车位数；将预测出来的第二个时段的空闲车位数作为输入神经元，从而预测第三个时段的空闲车位数…

反复迭代由第k-1个时段的特征数据作为输入神经元，预测下一阶段第k时段的空闲车位数，直至实现预测第N个时段的空闲车位数。其中，k表示当前所求时段，通常以5分钟为时段间隔，k-1表示前一个时段，N为最终的目标时段。具体实施时，本领域技术人员可自行预设N的取值，例如N＝288。

例如，根据某天第1个时段的特征数据预测第2个特征数据，根据第2时段预测结果预测第3个特征数据，根据第2时段预测结果预测第3个特征数据，根据第3时段预测结果预测第4个特征数据…

在预测模型计算出来预测结果(即预测所得各时段的空闲车位数)之后，还需要将结果进行反归一化处理，反归一化的公式如下：

x＝(x_max-x_min)×X`+x_min

其中，x指任意的原始数据，x_min指原始数据中的最小值，x_max指原始数据中的最大值，X`指归一化后的数据。

如图1所示，泊车数据采集是通过将停车场原始数据(工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量)利用现在技术手段进行采集，然后用过信息传输保存到中心数据库中，同时也为交通管理部门提供必要的交通特征数据、停车分布数据。其中主要采集停车场进出车辆数据，可以形成动态过车数据表，为准确实现采集，本发明实施例提供的进一步具体步骤如下：

步骤1.1：当发现车辆进出停车场时，触发视频截图；

步骤1.2：通过视频截图识别车牌号，并记录下进入(驶离)时间；

步骤1.3：将识别获得的数据，通过传输存储到远程的数据存储中心内，记录到动态过车数据表。

具体实施时，可以利用停车场监控平台已有的数据采集模块(摄像头等)实现视频截图识别车牌号。

为了保证数据的有效性，需要对动态过车数据表中重复记录的数据进行剔除，剔除数据中重复的出车数据流程图如图2所示。具体步骤如下：

步骤2.1：从动态过车数据表中读取车辆的进车记录，做聚类处理(优选地，将相邻记录在1分钟以内的做合并处理)后导出为临时表，便于与进车记录做一一配对；

步骤2.2.：对进车记录按时间排序；

步骤2.3：再次查询动态过车数据表中相应的出车记录，将同一时间段内(通常为5分钟为间隔)的进车记录和出车记录进行配对(左外连接)，通过排序和数据剔除操作得到每一辆车的唯一对应的进出停车场记录，形成更新后的动态过车数据表。

为了保证数据的完整性，需要对这些不对称数据进行剔除操作，步骤2.3中进行剔除操作的具体流程如图3所示。具体步骤如下：

步骤3.1：首先从动态过车数据表中查询出车辆的进车记录，然后寻找相应的驶离记录；

步骤3.2：如果未找到相应的出车记录，由于出入车记录无法配对，删除该进车记录；如果寻找到相应的出车记录(有且只有一条)，则保留该记录；并且将重复的出入车记录对删除；

步骤3.3：最终得到停车场相互匹配的进出车数据。

根据以上结果，相应可以统计得到任一时段的空闲车位数、进流量、出流量、总流量、平均停车时长。

如图4所示，为LSTM长时预测模型迭代过程图，基于当前时段可以预测后一个时段，基于后一个时段可以预测后两个时段，基于后二个时段可以预测后三个时段，基于后三个时段可以预测后四个时段。具体实现说明如下：

短时综合预测模型只能预测下一个时段，也就是预测五分钟后空闲车位数，这对于用户来说远远不够。当用户将到到达某地的时候，往往会查看目的地附近的停车场，但是此时附近的停车场显示的空闲车位数是当前时刻的，而用户到达该停车场的时间常常会延迟一段时间。当这段时间较长的时候，例如大于十分钟，那么用户看到的空闲车位数就会因为时效性而发生变化，从而影响用户对停车场的选择。

因此，本发明提出通过这种短时迭代的方法建立空闲车位数长时预测模型，可以预测当前时段未来任意时段的空闲车位数。

具体实施时，本发明提供的流程可采用计算机软件技术实现自动运行。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种停车场空闲车位数长时预测方法，其特征在于：用于支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，包括以下步骤，

步骤1，采集泊车数据，将采集到的泊车数据和相应天气数据进行数据预处理，得到若干星期中每天所有时段的空闲车位数特征数据，包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长和降雨量；

步骤2，空闲车位特征数据归一化处理；

步骤3，将空闲车位数特征数据切分为训练集和测试集；

步骤4，根据训练集和测试集构建LSTM神经网络；

步骤5，确定待预测的第一个时段的上一时段空闲车位特征数据包括，工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量，并作为LSTM神经网络的输入神经元；

步骤6，将输入神经元带入LSTM神经网络，根据各网络层之间的连接矩阵，得到输出神经元，输出神经元为第一个时段的空闲车位数；

步骤7，建立空闲车位数长时预测模型，反复迭代执行由第k-1个时段的特征数据作为输入神经元，预测下一阶段第k时段的空闲车位数，直至实现预测第N个时段的空闲车位数，对预测结果进行反归一化处理，得到停车场空闲车位数长时预测结果；其中，k表示当前所求时段，通常以5分钟为时段间隔，k-1表示前一个时段，N为最终的目标时段。

2.根据权利要求1所述停车场空闲车位数长时预测方法，其特征在于：时段的长度设为5分钟。

3.根据权利要求1所述停车场空闲车位数长时预测方法，其特征在于：步骤1中，对原始的泊车数据进行预先处理，包括以下子步骤，

步骤1.1，筛选排除停车场空闲车位数数据中具有异常状态的数据；

步骤1.2，筛选排除停车场空闲车位数数据中记录数少于预设相应阈值的数据；

步骤1.3，筛选排除停车场空闲车位数数据中存在若干连续时段具有相同数据的日期的数据；

步骤1.4，筛选排除不成周期性的空闲车位数数据；

步骤1.5，停车场空闲车位数插值，包括对经过以上步骤1.1～1.4的处理后剩下的数据，进行线性插值。

4.根据权利要求1或2或3所述停车场空闲车位数长时预测方法，其特征在于：采集泊车数据时，通过采集停车场进出车辆数据，形成动态过车数据表，实现如下，

当发现车辆进出停车场时，触发视频截图；

通过视频截图识别车牌号，并记录下进入和驶离时间；

将识别获得的数据，通过传输存储到远程的数据存储中心内，记录到动态过车数据表。

5.根据权利要求4所述停车场空闲车位数长时预测方法，其特征在于：为对动态过车数据表中重复记录的数据进行剔除，实现如下，

从动态过车数据表中读取车辆的进车记录，做聚类处理后导出为临时表，与进车记录做一一配对；

对进车记录按时间排序；

再次查询动态过车数据表中相应的出车记录，将同一时间段内的进车记录和出车记录进行配对，通过排序和数据剔除操作得到每一辆车的唯一对应的进出停车场记录，形成更新后的动态过车数据表。

6.根据权利要求5所述停车场空闲车位数长时预测方法，其特征在于：数据剔除操作的实现如下，

首先从动态过车数据表中查询出车辆的进车记录，然后寻找相应的驶离记录；

如果未找到相应的出车记录，由于出入车记录无法配对，删除该进车记录；如果寻找到相应的出车记录，则保留该记录；将重复的出入车记录对删除；

最终得到停车场相互匹配的进出车数据。