CN108091166A - 可用停车位数目变化的预测方法、装置、设备及存储介质 - Google Patents
可用停车位数目变化的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108091166A CN108091166A CN201711442820.6A CN201711442820A CN108091166A CN 108091166 A CN108091166 A CN 108091166A CN 201711442820 A CN201711442820 A CN 201711442820A CN 108091166 A CN108091166 A CN 108091166A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- time
- available parking
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 95
- 230000015654 memory Effects 0.000 claims description 62
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005469 granulation Methods 0.000 description 16
- 230000003179 granulation Effects 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 4
- 238000000700 time series analysis Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04H—BUILDINGS OR LIKE STRUCTURES FOR PARTICULAR PURPOSES; SWIMMING OR SPLASH BATHS OR POOLS; MASTS; FENCING; TENTS OR CANOPIES, IN GENERAL
- E04H6/00—Buildings for parking cars, rolling-stock, aircraft, vessels or like vehicles, e.g. garages
- E04H6/42—Devices or arrangements peculiar to garages, not covered elsewhere, e.g. securing devices, safety devices, monitoring and operating schemes; centering devices
- E04H6/422—Automatically operated car-parks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用计算机技术领域,提供了一种可用停车位数目变化的预测方法、装置、设备及存储介质,该方法包括:当接收到可用停车位数目变化的预测请求时,获取预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合,通过预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化、包括可用停车位数目的变化特征和连续变化数据的预测结果,从而提高了预测数据的全面性和准确性,进而提高了可用停车位数目变化的预测准确性。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种可用停车位数目变化的预测方法、装置、设备及存储介质。
背景技术
停车是当前国内城市的难题,尤其是大中城市的热点难题。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,浪费不必要的能源且有可能引发交通拥堵。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,在这些区域内提高停车位利用率就变得很重要,即需要实时的将车位信息推送给有需要的车辆,快速帮助车辆找到停车位停车,这就是停车诱导信息系统(PGIS)提出的初衷。在PGIS中最为重要的核心问题是实现对未来一定时间内有效停车位的预测,毕竟PGIS对车辆进行诱导时,车辆距离停车场都还有一定距离,因此需要估算车辆抵达停车场的时间点、以及在这个时间点上停车场内可用的停车位数量。
对未来一定时间内停车场有效停车位的预测,目前较为常见的方法主要分为两类,一类是以自回归移动平均模型(ARIMA)为代表的传统时间序列分析方法,另一类是近年来流行的机器学习方法。传统时间序列分析方法主要是通过将时间序列数据分解,分解过程中往往需要平稳性、可逆性、正态分布等假设前提,对于不平稳序列还需要通过差分等手段将非平稳时间序列转换为平稳时间序列,从而实现预测。机器学习方法,如人工神经网络、卡尔曼滤波模型等,主要是通过对海量数据的训练,实现拟合数据特征,从而达到预测的目的。
目前,现有技术通过使用神经网络按照一定的时间步长进行的短临预测,一般在预测的时间步长为5-10分钟时,能做到较为准确的预测,但是也有缺点,首先,大多数神经网络预测只是单一的停车数值预测,并不能反应未来一段时间内的停车位变化情况,其次,不能向用户提示何时可能会出现停车高峰,即何时可用停车位较少或短缺、何时可用停车位较多。这样,如果在停车小高峰时用户恰好到达或即将到达停车场,则将增加用户的等待时间,甚至引发拥堵。
发明内容
本发明的目的在于提供一种可用停车位数目变化的预测方法、装置、设备及存储介质,旨在解决由于现有技术难以反应未来一段时间内数目的变化情况以及需求高峰时间,导致预测数据的全面性和准确性较低的问题。
一方面,本发明提供了一种可用停车位数目变化的预测方法,所述方法包括下述步骤:
当接收到可用停车位数目变化的预测请求时,获取所述预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合;
通过预先确定的预测网络,根据所述特征数据集合计算所述待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征;
使用预设的还原重构算法计算所述预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态;
根据所述预测特征数据和所述预测时间序列数据,输出在所述待预测时间段内可用停车位数目变化的预测结果,其中,所述预测结果包括所述可用停车位数目的所述变化特征和所述连续变化数据。
另一方面,本发明提供了一种可用停车位数目变化的预测装置,所述装置包括:
数据获取单元,用于当接收到可用停车位数目变化的预测请求时,获取所述预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合;
特征计算单元,用于通过预先确定的预测网络,根据所述特征数据集合计算所述待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征;
数据重构单元,用于使用预设的还原重构算法计算所述预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态;以及
结果输出单元,用于根据所述预测特征数据和所述预测时间序列数据,输出在所述待预测时间段内可用停车位数目变化的预测结果,其中,所述预测结果包括所述可用停车位数目的所述变化特征和所述连续变化数据。
另一方面,本发明还提供了一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如所述可用停车位数目变化的预测方法的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如所述可用停车位数目变化的预测方法的步骤。
本发明当接收到可用停车位数目变化的预测请求时,获取预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合,通过预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征,使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态,根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化的、包括可用停车位数目的变化特征和连续变化数据的预测结果,从而提高了预测数据的全面性和准确性,进而提高了可用停车位数目变化的预测准确性。
附图说明
图1是本发明实施例一提供的可用停车位数目变化的预测方法的实现流程图;
图2是时间序列数据的数据变换的流程图;
图3是LSTM记忆单元的结构示意图;
图4是本发明实施例二提供的可用停车位数目变化的预测装置的结构示意图;
图5是本发明实施例三提供的可用停车位数目变化的预测装置的结构示意图;以及
图6是本发明实施例四提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的可用停车位数目变化的预测方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S101中,当接收到可用停车位数目变化的预测请求时,获取预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合。
本发明实施例适用于移动终端或车载电子设备,以用于预测停车场的可用停车位数目变化。在本发明实施例中,预测请求对应的待预测时间段可以包含在接收到的可用停车位数目变化的预测请求中,也可以独立进行发送。当然,也可以为不同的待预测时间段(例如,5分钟、10分钟、15分钟、20分钟以及半小时、1小时等)设置对应的标记号(例如,a、b、c、d、e、f等),从而降低数据传输量。特征数据集合为表示可用停车位数目变化的时间序列数据的简化后的特征数据组成的数据集合。
优选地,表示可用停车位数目变化的时间序列数据包括历史时间序列数据和当前时间序列数据,从而提高用于后续预测的参考数据量,进而提高预测的准确性。
优选地,接收可用停车位数目变化的预测请求的步骤之前,对表示可用停车位数目变化的时间序列数据进行模糊信息粒化,从而提高数据的可用性,进而方便进行数据的计算。这样,对应的特征数据集合为对表示可用停车位数目变化的时间序列数据进行模糊信息粒化得到的数据。
进一步优选地,在对表示可用停车位数目变化的时间序列数据进行模糊信息粒化时,首先获取预设时间段内(例如,一个月内)可用停车位数目的时间序列数据,根据预设的时间粒度对时间序列数据进行划分,得到子序列数据,然后获取各个子序列数据中可用停车位数目的峰值时刻、最小值、最大值以及各个子序列数据中初始时间点和末尾时间点分别对应的第一停车位数目和第二停车位数目,最后将最小值、最大值、第一数目、第二数目以及峰值时刻组成的数据集合确定为时间序列数据对应的特征数据集合,从而简化了用于计算的参考数据,方便进行后续的计算。其中,时间粒度表示划分得到的子序列数据的长度。
优选地,特征数据集合包含各个子序列数据中可用停车位数目的最小值和最大值分别对应的时间,从而方便进行后续的计算。进一步优选地,特征数据集合为矩阵,从而进一步方便进行后续的计算。
作为示例地,如图2所示,对于停车场j给定的可用的时间序列数据Xj={xt1,xt2,…,xtn},按照实际需求确定一个等间隔的时间粒度T(例如,2分钟)划分时间序列数据,得到多段子序列数据,为便于描述,将每一段子序列数据看做一个粒化窗口,然后获取各个粒化窗口中可用停车位数目的峰值时刻、最小值、最大值以及各个粒化窗口中初始时间点和末尾时间点分别对应的第一数目和第二数目,使用lowk、upk表示第k个粒化窗口内的泊车位最小值和最大值,ak、bk表示第k个粒化窗口内的始末泊车位值,即Pk=(ak,lowk,upk,bk),k=1,2,…,m;由此使用四个特征数据来合理表示原来窗口内的数据,简化了原有的时间序列,即对时间序列数据进行了模糊信息粒化。
在获得low值、up值后,结合每个窗口内的时间属性分别获得low值和up值对应的峰值时刻tlow和tup,得到Y1,Y2,…,Ym,其中Yk=(lowk,t(low)k,upk,t(up)k),k=1,2,…,m。由于格式化时间tlow、tup不便于模型训练,因此可以将格式化时间转为时间戳的形式,并定义时间偏置Tbias=t+(k-1)*60T,其中,t表示预测的那天零时零刻的时间戳,T表示确定的时间粒度,k表示第k个粒化窗口,从而将每个粒化窗口的峰值时刻转化为(0,60T)范围内的数据,转化得到Yk'=(lowk,t′(low)k,upk,t′(up)k),k=1,2,…,m,最后对每一个子序列窗口的模糊信息进行组合,得到矩阵X和Y'。其中:
在步骤S102中,通过预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征。
在本发明实施例中,预测网络为包括多个LSTM记忆单元的长短期记忆神经网络,长短期记忆神经网络是一种特殊的循环神经网络,是做时间序列分析的重要方式,通过在隐藏层加入记忆单元,使其能够与时间序列的短长期相互联系构成记忆网络,其中,LSTM记忆单元包括输入门、输出门和遗忘门,如图3所示。门是一种让信息选择式通过的方法,其含有Sigmoid神经网络层,以决定单元状态中哪些部分需要输出,并经过tanh函数得到想要输出的数据。优选地,记忆单元中门的输出、状态更新的数学函数关系可表示为:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct)。
其中,it、ft、ot分别是输入门、输出门和遗忘门三个不同门的输出,是新的记忆神经元的状态,Ct是最后记忆神经元的状态,ht-1是相连记忆神经元t-1时刻的输出,ht是记忆神经元最后的输出,wf、wi、wo、wc和bf、bi、bo、bc是对应的权重与偏置,这些参数会在网络训练中进行调整,以通过当前的xt预测未来xt+1的值。
优选地,在接收可用停车位数目变化的预测请求之前,对预测网络中的LSTM模块进行训练,以根据训练结果确定预测网络,从而提高预测网络的预测准确性。
进一步优选地,在对预测网络中的LSTM模块进行训练时,首先将长短期记忆神经网络隐藏层的维度设定为N,然后依次在N的每个取值对应的长短期记忆神经网络中,对训练集进行归一化,并使用归一化后的训练集对长短期记忆神经网络进行迭代训练,最后测试得到的所有迭代训练后的长短期记忆神经网络的预测性能,并将性能最优的迭代训练后的长短期记忆神经网络确定为预测网络,从而提高预测网络的预测准确性。其中,N=1,2,3,…,Nmax,Nmax为预设的维度最大值。
在步骤S103中,使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态。
在本发明实施例中,优选地,在得到ak+1,lowk+1,upk+1,bk+1和t'(up)k+1,t'(low)k+1(其中ak+1和bk+1是第k+1个粒化窗口内的起始点和终止点的对应的可用数量,对应的t'(a)k+1=0,t'(b)k+1=60T)等预测特征数据之后,对时间t'升序排列,再使用三次样条插值算法将粒化窗口划分为[t'(a)k+1,t'(up)k+1],[t'(up)k+1,t'(low)k+1],[t'(low)k+1,t'(b)k+1]这三个区间,并首先在[t'(a)k+1,t'(up)k+1]区间构造对应的三次样条插值函数S(xj)=aj(x-xj)3+bj(x-xj)2+cj(x-xj)+dj,(j=0,1,…,n-1),然后还原该区间的曲线,得到该区间的预测特征数据对应的预测时间序列数据。其中,时间步长hj=xj+1-xj。之后,对[t'(up)k+1,t'(low)k+1],[t'(low)k+1,t'(b)k+1]两个区间使用同样的方法,获取这两个区间的预测特征数据对应的预测时间序列数据,由此分别得到每个区间内的预测时间序列数据,最后合并各个区间内的预测时间序列数据,得到完整的预测时间序列数据,从而得到待预测时间段内可用数量的具体变化情况。
在步骤S104中,根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化的预测结果,预测结果包括可用停车位数目的变化特征和连续变化数据。
在本发明实施例中,通过使用给定或预设的时间序列数据和包含LSTM记忆单元的长短期记忆神经网络进行计算,得到用户需要的时间段内(15分钟内)数量的最小值和对应的时间、最大值和对应的时间以及初始时间点和末尾时间点分别对应的第一数目和第二数目等特征数据,从而向用户提示15分钟内何时有最大可用数量以及何时有最小可用数量。之后,通过对这些特征数据进行插值还原,得到用户需要的时间段内完整的可用数量的变化数据,从而让用户清楚的知道15分钟内可用数量的实时变化情况。这样,提高了预测数据的全面性和准确性,进而提高了可用停车位数目变化的预测准确性。
实施例二:
图4示出了本发明实施例二提供的可用停车位数目变化的预测装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
数据获取单元41,用于当接收到可用停车位数目变化的预测请求时,获取预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合。
在本发明实施例中,预测请求对应的待预测时间段可以包含在接收到的可用停车位数目变化的预测请求中,也可以独立进行发送。当然,也可以为不同的待预测时间段(例如,5分钟、10分钟、15分钟、20分钟以及半小时、1小时等)设置对应的标记号(例如,a、b、c、d、e、f等),从而降低数据传输量。特征数据集合为表示可用停车位数目变化的时间序列数据的简化后的特征数据组成的数据集合。
特征计算单元42,用于通过预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征。
在本发明实施例中,预测网络为包括多个LSTM记忆单元的长短期记忆神经网络,长短期记忆神经网络是一种特殊的循环神经网络,是做时间序列分析的重要方法,通过在隐藏层加入记忆单元,使其能够与时间序列的短长期相互联系构成记忆网络,其中,LSTM记忆单元包括输入门、输出门和遗忘门,如图3所示。门是一种让信息选择式通过的方法,其含有Sigmoid神经网络层,以决定单元状态中哪些部分需要输出,并经过tanh函数得到想要输出的数据。优选地,记忆单元中门的输出、状态更新的数学函数关系可表示为:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct)。
其中,it、ft、ot分别是输入门、输出门和遗忘门三个不同门的输出,是新的记忆神经元的状态,Ct是最后记忆神经元的状态,ht-1是相连记忆神经元t-1时刻的输出,ht是记忆神经元最后的输出,wf、wi、wo、wc和bf、bi、bo、bc是对应的权重与偏置,这些参数会在网络训练中进行调整,以通过当前的xt预测未来xt+1的值。
优选地,在接收可用停车位数目变化的预测请求之前,对预测网络中的LSTM模块进行训练,以根据训练结果确定预测网络,从而提高预测网络的预测准确性。
进一步优选地,在对预测网络中的LSTM模块进行训练时,首先将长短期记忆神经网络隐藏层的维度设定为N,然后依次在N的每个取值对应的长短期记忆神经网络中,对训练集进行归一化,并使用归一化后的训练集对长短期记忆神经网络进行迭代训练,最后测试得到的所有迭代训练后的长短期记忆神经网络的预测性能,并将性能最优的迭代训练后的长短期记忆神经网络确定为预测网络,从而提高预测网络的预测准确性。其中,N=1,2,3,…,Nmax,Nmax为预设的维度最大值。
数据重构单元43,用于使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态。
在本发明实施例中,优选地,在得到ak+1,lowk+1,upk+1,bk+1和t'(up)k+1,t'(low)k+1(其中ak+1和bk+1是第k+1个粒化窗口内的起始点和终止点的对应的可用数量,对应的t'(a)k+1=0,t'(b)k+1=60T)等预测特征数据之后,对时间t'升序排列,再使用三次样条插值算法将粒化窗口划分为[t'(a)k+1,t'(up)k+1],[t'(up)k+1,t'(low)k+1],[t'(low)k+1,t'(b)k+1]这三个区间,并首先在[t'(a)k+1,t'(up)k+1]区间构造对应的三次样条插值函数S(xj)=aj(x-xj)3+bj(x-xj)2+cj(x-xj)+dj,(j=0,1,…,n-1),然后还原该区间的曲线,得到该区间的预测特征数据对应的预测时间序列数据。其中,时间步长hj=xj+1-xj。之后,对[t'(up)k+1,t'(low)k+1],[t'(low)k+1,t'(b)k+1]两个区间使用同样的方法,获取这两个区间的预测特征数据对应的预测时间序列数据,由此分别得到每个区间内的预测时间序列数据,最后合并各个区间内的预测时间序列数据,得到完整的预测时间序列数据,从而得到待预测时间段内可用数量的具体变化情况。
结果输出单元44,用于根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化的预测结果,其中,预测结果包括可用停车位数目的变化特征和连续变化数据。
在本发明实施例中,当接收到可用停车位数目变化的预测请求时,通过数据获取单元41获取预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合,然后通过特征计算单元42使用预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征,之后,通过数据重构单元43使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态,最后通过结果输出单元44根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化的、包括可用停车位数目的变化特征和连续变化数据的预测结果,从而提高了预测数据的全面性和准确性,进而提高了可用停车位数目变化的预测准确性。
在本发明实施例中,可用停车位数目变化的预测装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。
实施例三:
图5示出了本发明实施例三提供的可用停车位数目变化的预测装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
序列划分单元51,用于获取预设时间段内可用停车位数目的时间序列数据,根据预设的时间粒度对时间序列数据进行划分,得到子序列数据。
在本发明实施例中,预设时间段的长短可用根据对数据量的需求进行调整,时间粒度表示划分得到的子序列数据的长度。在进行可用停车位数目变化的预测之前,通过序列划分单元51首先获取预设时间段内(例如,一个月内)可用停车位数目的时间序列数据,然后根据预设的时间粒度对时间序列数据进行划分,得到子序列数据,从而方便进行后续的数据计算。
优选地,表示可用停车位数目变化的时间序列数据包括历史时间序列数据和当前时间序列数据,从而提高用于后续预测的参考数据量,进而提高预测的准确性。
特征获取单元52,用于获取各个子序列数据中可用停车位数目的峰值时刻、最小值、最大值以及各个子序列数据中初始时间点和末尾时间点分别对应的第一停车位数目和第二停车位数目。
在本发明实施例中,通过特征获取单元52分别获取各个子序列数据中可用停车位数目的峰值时刻、最小值、最大值以及各个子序列数据中初始时间点和末尾时间点分别对应的第一停车位数目和第二停车位数目,从而得到各个子序列数据中的特征数据,方便进行后续的计算。
数据确定单元53,用于将最小值、最大值、第一数目、第二数目以及峰值时刻组成的数据集合确定为时间序列数据对应的特征数据集合。
在本发明实施例中,通过数据确定单元53将最小值、最大值、第一数目、第二数目以及峰值时刻组成的数据集合确定为时间序列数据对应的特征数据集合,从而简化了用于计算的参考数据,方便进行后续的计算。优选地,特征数据集合为矩阵,从而进一步方便进行后续的计算。
数据获取单元54,用于当接收到可用停车位数目变化的预测请求时,获取预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合。
在本发明实施例中,预测请求对应的待预测时间段可以包含在接收到的可用停车位数目变化的预测请求中,也可以独立进行发送。当然,也可以为不同的待预测时间段(例如,5分钟、10分钟、15分钟、20分钟以及半小时、1小时等)设置对应的标记号(例如,a、b、c、d、e、f等),从而降低数据传输量。特征数据集合为表示可用停车位数目变化的时间序列数据的简化后的特征数据组成的数据集合。
特征计算单元55,用于通过预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征。
在本发明实施例中,预测网络为包括多个LSTM记忆单元的长短期记忆神经网络,长短期记忆神经网络是一种特殊的循环神经网络,是做时间序列分析的重要方法,通过在隐藏层加入记忆单元,使其能够与时间序列的短长期相互联系构成记忆网络,其中,LSTM记忆单元包括输入门、输出门和遗忘门,如图3所示。门是一种让信息选择式通过的方法,其含有Sigmoid神经网络层,以决定单元状态中哪些部分需要输出,并经过tanh函数得到想要输出的数据。优选地,记忆单元中门的输出、状态更新的数学函数关系可表示为:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct)。
其中,it、ft、ot分别是输入门、输出门和遗忘门三个不同门的输出,是新的记忆神经元的状态,Ct是最后记忆神经元的状态,ht-1是相连记忆神经元t-1时刻的输出,ht是记忆神经元最后的输出,wf、wi、wo、wc和bf、bi、bo、bc是对应的权重与偏置,这些参数会在网络训练中进行调整,以通过当前的xt预测未来xt+1的值。
优选地,在接收可用停车位数目变化的预测请求之前,对预测网络中的LSTM模块进行训练,以根据训练结果确定预测网络,从而提高预测网络的预测准确性。
进一步优选地,在对预测网络中的LSTM模块进行训练时,首先将长短期记忆神经网络隐藏层的维度设定为N,然后依次在N的每个取值对应的长短期记忆神经网络中,对训练集进行归一化,并使用归一化后的训练集对长短期记忆神经网络进行迭代训练,最后测试得到的所有迭代训练后的长短期记忆神经网络的预测性能,并将性能最优的迭代训练后的长短期记忆神经网络确定为预测网络,从而提高预测网络的预测准确性。其中,N=1,2,3,…,Nmax,Nmax为预设的维度最大值。
数据重构单元56,用于使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态。
在本发明实施例中,优选地,在得到ak+1,lowk+1,upk+1,bk+1和t'(up)k+1,t'(low)k+1(其中ak+1和bk+1是第k+1个粒化窗口内的起始点和终止点的对应的可用数量,对应的t'(a)k+1=0,t'(b)k+1=60T)等预测特征数据之后,对时间t'升序排列,再使用三次样条插值算法将粒化窗口划分为[t'(a)k+1,t'(up)k+1],[t'(up)k+1,t'(low)k+1],[t'(low)k+1,t'(b)k+1]这三个区间,并首先在[t'(a)k+1,t'(up)k+1]区间构造对应的三次样条插值函数S(xj)=aj(x-xj)3+bj(x-xj)2+cj(x-xj)+dj,(j=0,1,…,n-1),然后还原该区间的曲线,得到该区间的预测特征数据对应的预测时间序列数据。其中,时间步长hj=xj+1-xj。之后,对[t'(up)k+1,t'(low)k+1],[t'(low)k+1,t'(b)k+1]两个区间使用同样的方法,获取这两个区间的预测特征数据对应的预测时间序列数据,由此分别得到每个区间内的预测时间序列数据,最后合并各个区间内的预测时间序列数据,得到完整的预测时间序列数据,从而得到待预测时间段内可用数量的具体变化情况。
结果输出单元57,用于根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化的预测结果,其中,预测结果包括可用停车位数目的变化特征和连续变化数据。
在本发明实施例中,首先通过序列划分单元51、特征获取单元52和数据确定单元53对预设的时间序列数据进行划分、特征提取和特征数据的整合,得到表示可用停车位数目变化的时间序列数据对应的特征数据集合,然后当接收到可用停车位数目变化的预测请求时,通过数据获取单元54获取预测请求对应的待预测时间段,并获取预先确定的特征数据集合,之后,通过特征计算单元55使用预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征,并通过数据重构单元56使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态,最后通过结果输出单元57根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化的、包括可用停车位数目的变化特征和连续变化数据的预测结果,从而提高了预测数据的全面性和准确性,进而提高了可用停车位数目变化的预测准确性。
在本发明实施例中,可用停车位数目变化的预测装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。
实施例四:
图6示出了本发明实施例四提供的计算设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备6包括处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。该处理器60执行计算机程序62时实现上述各个可用停车位数目变化的预测方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,处理器60执行计算机程序62时实现上述各装置实施例中各单元的功能,例如,图4所示单元41至44、图5所示单元51至57的功能。
在本发明实施例中,该处理器60执行计算机程序62时实现上述各个可用停车位数目变化的预测方法实施例中的步骤时,当接收到可用停车位数目变化的预测请求时,获取预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合,通过预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征,使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态,根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化的、包括可用停车位数目的变化特征和连续变化数据的预测结果,从而提高了预测数据的全面性和准确性,进而提高了可用停车位数目变化的预测准确性。
该计算设备6可以为移动终端或车载电子设备,以用于对可用停车位数目变化进行预测,计算设备6中处理器60在执行计算机程序62时实现的步骤具体可参考实施例一中方法的描述,在此不再赘述。
实施例五:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各个可用停车位数目变化的预测方法实施例中的步骤,例如,图1所示的步骤S101至S104。或者,该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能,例如,图4所示单元41至44、图5所示单元51至57的功能。
在本发明实施例中,当接收到可用停车位数目变化的预测请求时,获取预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合,通过预先确定的预测网络,根据特征数据集合计算待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征,使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态,根据预测特征数据和预测时间序列数据,输出在待预测时间段内可用停车位数目变化的、包括可用停车位数目的变化特征和连续变化数据的预测结果,从而提高了预测数据的全面性和准确性,进而提高了可用停车位数目变化的预测准确性。该计算机程序被处理器执行时实现的可用停车位数目变化的预测方法进一步可参考前述方法实施例中步骤的描述,在此不再赘述。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种可用停车位数目变化的预测方法,其特征在于,所述方法包括下述步骤:
当接收到可用停车位数目变化的预测请求时,获取所述预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合;
通过预先确定的预测网络,根据所述特征数据集合计算所述待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征;
使用预设的还原重构算法计算所述预测特征数据对应的预测时间序列数据,以获取在所述待预测时间段内可用停车位数目的连续变化状态;
根据所述预测特征数据和所述预测时间序列数据,输出在所述待预测时间段内可用停车位数目变化的预测结果,其中,所述预测结果包括所述可用停车位数目的所述变化特征和所述连续变化数据。
2.如权利要求1所述的方法,其特征在于,接收可用停车位数目变化的预测请求的步骤之前,所述方法还包括:
获取预设时间段内可用停车位数目的时间序列数据,根据预设的时间粒度对所述时间序列数据进行划分,得到子序列数据;
获取各个子序列数据中可用停车位数目的峰值时刻、最小值、最大值以及各个子序列数据中初始时间点和末尾时间点分别对应的第一停车位数目和第二停车位数目;
将所述最小值、所述最大值、所述第一停车位数目、所述第二停车位数目以及所述峰值时刻组成的数据集合确定为所述时间序列数据对应的特征数据集合。
3.如权利要求2所述的方法,其特征在于,所述预测网络为包括多个LSTM记忆单元的长短期记忆神经网络,所述LSTM记忆单元包括输入门、输出门和遗忘门。
4.如权利要求3所述的方法,其特征在于,接收可用停车位数目变化的预测请求的步骤之前,所述方法还包括:
将所述长短期记忆神经网络的隐藏层维度预设为N,其中所述N=1,2,3,…,Nmax,所述Nmax为预设的维度最大值;
依次在N的每个取值对应的长短期记忆神经网络中,对训练集进行归一化,并使用归一化后的训练集对所述长短期记忆神经网络进行迭代训练;
测试所述得到的所有迭代训练后的长短期记忆神经网络的预测性能,将性能最优的所述迭代训练后的所述长短期记忆神经网络确定为所述预测网络。
5.如权利要求1-4中任一项所述的方法,其特征在于,所述预先确定的表示可用停车位数目变化的所述时间序列数据包括历史时间序列数据和当前时间序列数据。
6.如权利要求5所述的方法,其特征在于,所述特征数据集合为矩阵。
7.一种可用停车位数目变化的预测装置,其特征在于,所述装置包括:
数据获取单元,用于当接收到可用停车位数目变化的预测请求时,获取所述预测请求对应的待预测时间段,并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合;
特征计算单元,用于通过预先确定的预测网络,根据所述特征数据集合计算所述待预测时间段对应的预测特征数据,以获取在待预测时间段内可用停车位数目的变化特征;
数据重构单元,用于使用预设的还原重构算法计算所述预测特征数据对应的预测时间序列数据,以获取在待预测时间段内可用停车位数目的连续变化状态;以及
结果输出单元,用于根据所述预测特征数据和所述预测时间序列数据,输出在所述待预测时间段内可用停车位数目变化的预测结果,其中,所述预测结果包括所述可用停车位数目的所述变化特征和所述连续变化数据。
8.如权利要求7所述的装置,其特征在于,所述装置还包括:
序列划分单元,用于获取预设时间段内可用停车位数目的时间序列数据,根据预设的时间粒度对所述时间序列数据进行划分,得到子序列数据;
特征获取单元,用于获取各个子序列数据中可用停车位数目的峰值时刻、最小值、最大值以及各个子序列数据中初始时间点和末尾时间点分别对应的第一停车位数目和第二停车位数目;以及
数据确定单元,用于将所述最小值、所述最大值、所述第一停车位数目、所述第二停车位数目以及所述峰值时刻组成的数据集合确定为所述时间序列数据对应的特征数据集合。
9.一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711442820.6A CN108091166B (zh) | 2017-12-25 | 2017-12-25 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711442820.6A CN108091166B (zh) | 2017-12-25 | 2017-12-25 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108091166A true CN108091166A (zh) | 2018-05-29 |
CN108091166B CN108091166B (zh) | 2021-02-26 |
Family
ID=62178466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711442820.6A Active CN108091166B (zh) | 2017-12-25 | 2017-12-25 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108091166B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961816A (zh) * | 2018-07-19 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于优化lstm模型的道路停车泊位预测方法 |
CN109146129A (zh) * | 2018-07-03 | 2019-01-04 | 蔚来汽车有限公司 | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 |
CN109215380A (zh) * | 2018-10-17 | 2019-01-15 | 浙江科技学院 | 一种有效停车泊位的预测方法 |
CN109492817A (zh) * | 2018-11-16 | 2019-03-19 | 杭州电子科技大学 | 一种封闭区域内未来泊位需求数量短时预测方法 |
CN109492808A (zh) * | 2018-11-07 | 2019-03-19 | 浙江科技学院 | 一种室内停车场剩余车位预测方法 |
WO2020211606A1 (zh) * | 2019-04-18 | 2020-10-22 | 孙进 | 一种车位分配方法、车位分配系统及存储介质 |
CN112115372A (zh) * | 2020-11-18 | 2020-12-22 | 中电科新型智慧城市研究院有限公司 | 一种停车场的推荐方法及装置 |
CN112435500A (zh) * | 2020-12-01 | 2021-03-02 | 深圳市顺易通信息科技有限公司 | 一种停车场剩余车位的统计方法、装置及终端设备 |
US11436488B2 (en) * | 2018-10-30 | 2022-09-06 | Toyota Jidosha Kabushiki Kaisha | Control device |
CN117831338A (zh) * | 2023-12-26 | 2024-04-05 | 武汉理工大学 | 一种基于停车场智能引导终端的数据协同共享方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009211253A (ja) * | 2008-03-03 | 2009-09-17 | Toyota Motor Corp | 駐車場情報提供システム、サーバ、情報端末 |
CN104169990A (zh) * | 2012-02-01 | 2014-11-26 | 宝马股份公司 | 用于提供关于空闲停车位的驻车信息的方法 |
CN105513414A (zh) * | 2015-12-25 | 2016-04-20 | 江苏东大金智信息系统有限公司 | 基于实时交通查询和云模型的停车场车位预测和推荐方法 |
JP2016212734A (ja) * | 2015-05-12 | 2016-12-15 | 株式会社駐車場綜合研究所 | 駐車場利用情報収集装置、駐車場利用情報収集方法、駐車位置予測方法、駐車場利用情報収集プログラム |
US20170025008A1 (en) * | 2015-07-20 | 2017-01-26 | Dura Operating, Llc | Communication system and method for communicating the availability of a parking space |
CN106652547A (zh) * | 2015-11-02 | 2017-05-10 | 大陆汽车投资(上海)有限公司 | 停车引导方法 |
CN107134170A (zh) * | 2017-07-04 | 2017-09-05 | 北京悦畅科技有限公司 | 一种停车场车位信息的处理方法和装置 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
-
2017
- 2017-12-25 CN CN201711442820.6A patent/CN108091166B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009211253A (ja) * | 2008-03-03 | 2009-09-17 | Toyota Motor Corp | 駐車場情報提供システム、サーバ、情報端末 |
CN104169990A (zh) * | 2012-02-01 | 2014-11-26 | 宝马股份公司 | 用于提供关于空闲停车位的驻车信息的方法 |
JP2016212734A (ja) * | 2015-05-12 | 2016-12-15 | 株式会社駐車場綜合研究所 | 駐車場利用情報収集装置、駐車場利用情報収集方法、駐車位置予測方法、駐車場利用情報収集プログラム |
US20170025008A1 (en) * | 2015-07-20 | 2017-01-26 | Dura Operating, Llc | Communication system and method for communicating the availability of a parking space |
CN106652547A (zh) * | 2015-11-02 | 2017-05-10 | 大陆汽车投资(上海)有限公司 | 停车引导方法 |
CN105513414A (zh) * | 2015-12-25 | 2016-04-20 | 江苏东大金智信息系统有限公司 | 基于实时交通查询和云模型的停车场车位预测和推荐方法 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
CN107134170A (zh) * | 2017-07-04 | 2017-09-05 | 北京悦畅科技有限公司 | 一种停车场车位信息的处理方法和装置 |
Non-Patent Citations (2)
Title |
---|
唐克双,等: "停车场泊位占有率预测方法评价", 《同济大学学报(自然科学版)》 * |
韩印,等: "基于灰色—小波神经网络的有效泊位预测", 《交通运输系统工程与信息》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146129A (zh) * | 2018-07-03 | 2019-01-04 | 蔚来汽车有限公司 | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 |
CN108961816A (zh) * | 2018-07-19 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于优化lstm模型的道路停车泊位预测方法 |
CN109215380A (zh) * | 2018-10-17 | 2019-01-15 | 浙江科技学院 | 一种有效停车泊位的预测方法 |
CN109215380B (zh) * | 2018-10-17 | 2020-07-31 | 浙江科技学院 | 一种有效停车泊位的预测方法 |
US11436488B2 (en) * | 2018-10-30 | 2022-09-06 | Toyota Jidosha Kabushiki Kaisha | Control device |
CN109492808B (zh) * | 2018-11-07 | 2022-03-29 | 浙江科技学院 | 一种室内停车场剩余车位预测方法 |
CN109492808A (zh) * | 2018-11-07 | 2019-03-19 | 浙江科技学院 | 一种室内停车场剩余车位预测方法 |
CN109492817A (zh) * | 2018-11-16 | 2019-03-19 | 杭州电子科技大学 | 一种封闭区域内未来泊位需求数量短时预测方法 |
WO2020211606A1 (zh) * | 2019-04-18 | 2020-10-22 | 孙进 | 一种车位分配方法、车位分配系统及存储介质 |
CN112115372B (zh) * | 2020-11-18 | 2021-04-23 | 中电科新型智慧城市研究院有限公司 | 一种停车场的推荐方法及装置 |
CN112115372A (zh) * | 2020-11-18 | 2020-12-22 | 中电科新型智慧城市研究院有限公司 | 一种停车场的推荐方法及装置 |
CN112435500A (zh) * | 2020-12-01 | 2021-03-02 | 深圳市顺易通信息科技有限公司 | 一种停车场剩余车位的统计方法、装置及终端设备 |
CN117831338A (zh) * | 2023-12-26 | 2024-04-05 | 武汉理工大学 | 一种基于停车场智能引导终端的数据协同共享方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108091166B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108091166B (zh) | 可用停车位数目变化的预测方法、装置、设备及存储介质 | |
CN111709533B (zh) | 机器学习模型的分布式训练方法、装置以及计算机设备 | |
CN110675623B (zh) | 基于混合深度学习的短时交通流量预测方法、系统、装置 | |
US20230049089A1 (en) | Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium | |
CN110163713B (zh) | 一种业务数据处理方法、装置以及相关设备 | |
CN108399564B (zh) | 信用评分方法及装置 | |
CN108648457A (zh) | 一种速度预测的方法、装置和计算机可读存储介质 | |
CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
CN111242602B (zh) | 支付设备的控制方法、装置、计算机可读存储介质和设备 | |
CN114331542A (zh) | 一种电动汽车充电需求预测方法及装置 | |
CN114572229B (zh) | 一种基于图神经网络的车速预测方法、装置、介质及设备 | |
CN116029425B (zh) | 风机出力爬坡事件预测方法、装置和计算机设备 | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN110944295B (zh) | 位置预测方法、装置、存储介质及终端 | |
CN110675074A (zh) | 出行目标点识别方法及装置、模型开发、评价方法及装置 | |
CN114548572A (zh) | 城市路网交通状态的预测方法、装置、设备及介质 | |
CN112561050B (zh) | 一种神经网络模型训练方法及装置 | |
CN116993185A (zh) | 时间序列预测方法、装置、设备及存储介质 | |
CN117081941A (zh) | 基于注意力机制的流量预测方法及其装置、电子设备 | |
CN112446461A (zh) | 一种神经网络模型训练方法及装置 | |
CN116185568A (zh) | 一种容器扩容方法、装置、电子设备及存储介质 | |
CN116151478A (zh) | 改进麻雀搜索算法的短时交通流预测方法、设备和介质 | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |