CN108734972B - 一种大数据环境下停车场占有率的预测方法 - Google Patents

一种大数据环境下停车场占有率的预测方法 Download PDF

Info

Publication number
CN108734972B
CN108734972B CN201810780994.1A CN201810780994A CN108734972B CN 108734972 B CN108734972 B CN 108734972B CN 201810780994 A CN201810780994 A CN 201810780994A CN 108734972 B CN108734972 B CN 108734972B
Authority
CN
China
Prior art keywords
parking lot
time
vehicles
access
parking
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.)
Active
Application number
CN201810780994.1A
Other languages
English (en)
Other versions
CN108734972A (zh
Inventor
刘杰
顾高翔
张颖
吴佳玲
郭鹏
宫龙
朱万明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI SHIMAI INFORMATION TECHNOLOGY CO LTD
Original Assignee
SHANGHAI SHIMAI INFORMATION TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHANGHAI SHIMAI INFORMATION TECHNOLOGY CO LTD filed Critical SHANGHAI SHIMAI INFORMATION TECHNOLOGY CO LTD
Priority to CN201810780994.1A priority Critical patent/CN108734972B/zh
Publication of CN108734972A publication Critical patent/CN108734972A/zh
Application granted granted Critical
Publication of CN108734972B publication Critical patent/CN108734972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的一种大数据环境下停车场占有率的预测方法是利用停车场车辆出入记录，获得停车场的出入口在每个时间段进入和离开的车辆的数量分布，由此构建反映分时段车辆出入停车场的PDFVA分布模型，训练得到各个时段PDFVA分布的参数值，根据每个时段出入停车场车辆数的PDFVA分布模型预测未来各时段停车场出入车辆的数量，以及停车场内车位的占有率和拥挤程度。本发明利用停车场管理处已有的海量车辆分时段出入数据，即能低成本、自动化、便捷地获取指定时间段内出入停车场的车辆数的分布，对分时段的出入车辆数量PDFVA分布模型的参数进行估值，从而实现快速高效地对停车场在未来时刻的出入车辆数和发生拥挤的可能性进行预测。

Description

一种大数据环境下停车场占有率的预测方法
技术领域
本发明涉及一种基于海量停车场出入数据，挖掘每个停车场在每个时段的进出车辆数量，统计分时段的出入车辆数量出现的频率，构建车辆出入概率密度函数PDFVA(英文全称为：Probability Density Function of Vehicle Access)表达每个停车场分时段出入车辆数量的概率，以此为基础对分时段停车场车位的占有率的拥挤程度进行预测。
背景技术
随着城市的快速扩张，机动车成为城市居民交通出行的重要工具，由此带来的各种问题日益受到广泛关注。近年来，由于城市机动车保有量的增加，城市内部公共基础配套设施的建设出现一定程度的滞后，导致城市交通拥挤度急速上升。在停车方面，大城市市区中心地段的停车位供给和需求之间的矛盾日益凸显，车位紧张、停车难的现象已经成为城市管理者需要解决的首要任务。在这一背景下，需要对城市中停车场分时段的出入车辆数据进行统计和分析，通过构建合理科学的模型对停车场车位实时占有率进行预测，以更好地对车辆的停车行为进行预判和调度，合理分配停车资源。
近年来，随着信息技术的发展，数据信息量呈现爆炸式增长，数据来源越来越多，数据量也越来越庞大。其中，由手机、WIFI、物联网、GPS、IC卡、ETC等信息传感器记录的数据已经成为大数据分析中最重要的数据来源，为大数据尤其是交通大数据分析提供了很好的数据支持。因此，利用大数据及其分析技术统计停车场分时段的车辆出入，对日常的停车行为进行分析和挖掘，以此为基础对停车场车位实时占有率和拥挤度进行预测，具有重要的应用价值。
发明内容
本发明的目的是：利用大数据及其分析技术统计停车场分时段的车辆出入，对日常的停车行为进行分析和挖掘，以此为基础对停车场车位实时占有率和拥挤度进行预测。
为了达到上述目的，本发明的总体技术方案是：利用停车场的门禁系统在指定时间范围内的车辆出入记录数据集(即车辆进出停车场与停车场的门禁系统的记录，包括手动IC卡刷卡、ETC、自动识别等车辆监测方法，以下统称为车辆出入记录)，构成车辆分时段出入停车场的记录数据集；以此为基础，对每日分时段内车辆进出停车场的数量进行统计，获取出入车辆数量的概率分布；将车辆进出停车场的过程看作一个独立增量过程，用车辆出入概率密度PDVA来表示指定时间段内车辆的出入事件，以统计得到的分时段出入车辆数量的概率分布训练PDVA分布的参数：根据训练得到的参数，采用PDVA预测指定时间段内出入停车场的车辆的数量，估算其未来的拥挤程度。
具体而言，本发明的技术方案是提供了一种大数据环境下停车场占有率的预测方法，其特征在于，采用PDVA分布的方法对分时段进出停车场的车辆数量进行统计分析，并以此为基础进行预测，包括以下步骤：
步骤1、从停车场管理单位获取各停车场在目标时间段内的车辆出入记录数据集，将车辆出入记录数据集中的车辆出入记录数据分为出和入两部分，将当前停车场的每个出入口的出入车辆以时间间隔t划分，统计得到每个时间间隔内每个出入口进入停车场和离开停车场的车辆的数量，即为分时段进出车辆统计数据；
步骤2、采用步骤1得到的分时段进出车辆统计数据，对PDFVA分布模型进行训练，训练时利用分时段进出车辆统计数据对时齐Poisson分布的参数进行拟合，获得目标时间段内不同时间间隔的参数值，从而得到分时段的车辆进出停车场数量的PDFVA分布程模型；
步骤3、利用步骤2得到的PDFVA分布程模型预测停车场未来的车位占有率和拥挤程度；
步骤4、实时更新停车场分时段进出车辆信息，返回步骤2，对PDFVA分布模型中的参数进行即时的训练更新。
优选地，所述车辆出入记录数据包括停车场编号PID、停车场入口编号EID、车辆编号CID、出入时间TIME、出入类别TYPE、录入方式INPUT，其中，停车场编号PID和入口编号EID组成车辆出入口的唯一编号。
优选地，所述步骤3包括：
步骤3.1、根据车辆进出停车场的长期记录数据，计算当前停车场内的停车数量和车位占有率；
步骤3.2、对下一时刻停车场的车辆数量进行预测，假设当前时间为T0，则下一时刻进入停车场的车辆期望为
Figure BDA0001731575700000021
即对停车场各个出入口在下一时刻进入停车场的车辆数量的期望求和，下一时刻离开停车场的车辆期望为
Figure BDA0001731575700000031
则该停车场在下一时刻的停车数量期望为：
Figure BDA0001731575700000032
对于跨期的停车数量期望可表达为：
Figure BDA0001731575700000033
式中，N(T0)表示(T0时期停车场中的车辆数)，
Figure BDA0001731575700000034
表示时段Ti从出入口EID进入停车场的车辆数期望，
Figure BDA0001731575700000035
表示时段Ti从出入口EID离开停车场的车辆数的期望；
步骤3.3、根据计算得到的停车数量期望E{N(EID，Tn)}计算停车场的拥挤程度，计算方法为：停车场内车辆数量的期望除以停车场的设计容量，得到介于0～1之间的停车场拥挤度指标，当拥挤度指标接近1时，表明停车场即将满载，可能发生拥挤；
步骤3.4、对下一时间段内停车场发生拥挤概率进行测算，假设当前停车场内的车辆数量距离停车场满载还剩余为n个车位，则下一时间段内停车场发生拥挤的条件是在t时间段内出入车辆的净值大于n，其发生拥挤概率的概率表示为P{N(t)＞n}：
Figure BDA0001731575700000036
P{NI(t)＞n+i}表示时段t期间进入停车场的车辆数大于n+i的概率，P{No(t)＝i}表示时段t期间离开停车场的车辆数大于n的概率，m表示时段t期间离开停车场的车辆数的极限，取经验参数。
优选地，在所述步骤3.1中，查询各CID所对应的车辆在当前PID所对应的停车场下最后一次出入记录，若出入记录显示出入类别TYPE为入，则当前车辆仍然在当前停车场中，据此统计当前仍在停车场中的车辆数量和停车场的车位占有率。
优选地，在所述步骤2中，所述时齐Poisson分布的表达式为：
Figure BDA0001731575700000041
式中，P{N(t)＝k)表示在时间间隔t内，车辆进或出出入口发生k次的概率；λ为需拟合的参数，则利用分时段进出车辆统计数据对参数λ进行拟合包括以下步骤：
步骤201、计算每个时间间隔t内车辆通过每个出入口出入停车场数量的期望E{N(t)}：
Figure BDA0001731575700000042
式中，n表示时间间隔t内出入停车场的车辆数量为k在长期时序数据中出现的频次；
步骤202、拟合参数λ，
Figure BDA0001731575700000043
优选地，所述步骤4包括：
步骤4.1、从停车场管理单位获取最新的车辆出入记录数据集，采用步骤3.1的方法，对当前停放在停车场的车辆的数量进行统计；
步骤4.2、将数据以目标时间段为单位，划分成时间间隔为t的时间段，采用步骤1的方法，统计每个时间间隔内每个出入口进入停车场和离开停车场的车辆的数量；
步骤4.3、将重新获得的数据中计算出来的分时段的出入停车场数量与旧数据结合，采用加权的方法为新获得数据赋予较高的权重，逐步淘汰旧数据，重新计算停车场分时段出入车辆数量的PDFVA分布的参数λ，权重赋值方法和表示为：
w＝eΔD
式中，w为每个时间段出入车辆数量记录的权重，ΔD为该记录的时间与当前时间之间的差值，则有：
Figure BDA0001731575700000051
式中，wi，k表示第i个在t时间段内出入停车场的车辆数为k的记录的权重。
本发明基于从停车场管理部门获取的长期车辆出入信息，对其进行整理分类，提取停车场每天每个出入口分时段进入和离开的车辆数量的分布，以此为基础构建车辆分分时段进出停车场的PDFVA分布模型，根据每天每个时段从每个出入口进出的车辆数量的期望得到每个PDFVA分布模型的参数值，通过PDFVA分布模型对停车场未来时段的停车数量和拥挤程度进行预测，并预测停车场在下一时段发生拥挤的概率。
本发明的优点是：充分依托停车场的车辆出入信息，能低成本、自动化、便捷地获取分时段的停车场出入车辆数量的分布，构建分时段的车辆出入停车场的PDFVA分布模型，从而便捷、高效地对停车场未来时段内的停车数量和车位占有率，以及发生拥挤的可能性进行预测。
附图说明
图1为本发明的总体流程图。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。
步骤1、从停车场管理单位获取车辆出入记录数据集，信息录入来源包括手动IC卡刷卡、ETC、自动识别等。将车辆出入记录数据集中的车辆出入记录数据分为出和入两部分，对分时段出入停车场的车辆数进行统计，包括以下步骤：
步骤1.1、从停车场管理处获取分时段车辆出入信息，包括：停车场编号PID、停车场入口编号EID、车辆编号CID、出入时间TIME、出入类别TYPE、录入方式INPUT，其中，停车场编号PID和入口编号EID组成车辆出入口的唯一编号。
在本例中，停车场P1的出入口E1的部分车辆出入信息见表1：
表1 车辆出入信息表(部分)
Figure BDA0001731575700000052
Figure BDA0001731575700000061
步骤1.2、将读取的车辆出入记录数据按照时段、出入口编号和出入形式分类，将每个出入口的出入车辆以时间间隔t划分，提取出每个时间间隔t内出入停车场的车辆信息；
步骤1.3、统计得到每个时间间隔t内每个出入口进入停车场和离开停车场的车辆的数量；
本例中，假设时间间隔t为15分钟，停车场P1的出入口E1、E2、E3部分时段车辆出入数量统计见表2：
表2 分时段车辆出入数量统计
Figure BDA0001731575700000062
Figure BDA0001731575700000071
步骤2、采用分时段进出车辆统计数据，对PDFVA分布模型中的参数进行训练，获得分时段的车辆进出停车场数量的PDFVA分布程模型，包括以下步骤：
步骤2.1、在长时间序列上，记录每天每个出入口在每个时间间隔t内出入停车场的车辆数量，设有停车场P1的出入口E1，指定时间段为t1，则记录每天在t1时间段内从E1出入停车场的车辆数，得到t1时间段内从E1出入停车场的车辆数的分布；
本例中，停车场P1的出入口E1部分时段车辆进入停车场数量分布见表3：
表3 分时段车辆出入数量分布
PID EID Start-TIME End-TIME TYPE 车辆数 频次
...... ...... ...... ...... ...... ......
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 0 0
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 1 1
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 2 5
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 3 6
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 4 9
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 5 8
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 6 15
P1 E1 2017-09-22 08:00:00 2017-09-2208:15:00 IN 7 20
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 8 19
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 9 22
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 10 25
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 11 16
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 12 18
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 13 15
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 14 10
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 15 10
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 16 11
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 17 8
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 18 9
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 19 12
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 20 11
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 21 8
...... ...... ...... ...... ...... ......
步骤2.2、采用分时段的出入停车场车辆数分布拟合PDFVA分布函数；由于本专利将时间划分为以t为单位的小段，因此可以认为在这一小段中，车辆进出停车场的行为服从时齐Poisson分布。基本的时齐Poisson分布表达式为：
Figure BDA0001731575700000081
式(1)中，P{N(t)＝k}表示在时间间隔t内，独立增量时间(车辆进或出出入口)发生k次的概率；λ为待拟合的参数。根据步骤2.1获得的各个时间段内车辆出入数量的分布，对式中的参数λ进行拟合，获得每个时间段内车辆通过每个出入口出入停车场的Poisson分布的λ值，拟合方法为计算每个时间段内车辆通过每个出入口出入停车场数量的期望，已知：
Figure BDA0001731575700000082
则有：
Figure BDA0001731575700000083
式(2)中，E{N(t)}表示时间间隔t内出入停车场的车辆数量的期望。
令f(t)＝eλt，则f[n](t)＝λneλt，因此：
Figure BDA0001731575700000084
式(3)中，
Figure BDA0001731575700000085
为f(t)＝eλt的k阶泰勒展开式，当k～+-∞时，可近似地将
Figure BDA0001731575700000086
等价于eλt，因此：
Figure BDA0001731575700000087
从而有：
Figure BDA0001731575700000088
根据式(5)，参数λ可以由车辆数量的期望除以时间间隔得到。E{N(t)}由步骤2.1获得的指定时间段内出入停车场的车辆数的分布计算得到，计算公式如式(6)所示：
Figure BDA0001731575700000091
式(6)中，n表示时间间隔t内出入停车场的车辆数量为k在长期时序数据中出现的频次。
步骤2.3、对一周7天中每个时间段求其PDFVA分布函数的参数λ值，构建分时段的车辆进出停车场PDFVA过程模型。
在本例中，停车场P1的出入口E1部分时段车辆进入停车场PDFVA模型参数λ见表4：
表4 分时段车辆出入停车场PDFVA模型参数λ取值
PID EID Start-TIME End-TIME TYPE λ
...... ....... ...... ...... ...... ......
P1 E1 2017-09-22 08:00:00 2017-09-22 08:15:00 IN 0.65
P1 E1 2017-09-22 08:15:00 2017-09-22 08:30:00 IN 0.68
P1 E1 2017-09-22 08:30:00 2017-09-22 08:45:00 IN 0.72
P1 E1 2017-09-22 08:45:00 2017-09-22 09:00:00 IN 0.71
P1 E1 2017-09-22 09:00:00 2017-09-22 09:15:00 IN 0.84
P1 E1 2017-09-22 09:15:00 2017-09-22 09:30:00 IN 0.92
P1 E1 2017-09-22 09:30:00 2017-09-22 09:45:00 IN 1.11
P1 E1 2017-09-22 09:45:00 2017-09-22 10:00:00 IN 1.03
P1 E1 2017-09-22 10:00:00 2017-09-22 10:15:00 IN 0.98
P1 E1 2017-09-22 10:15:00 2017-09-22 10:30:00 IN 0.96
P1 E1 2017-09-22 10:30:00 2017-09-22 10:45:00 IN 1.07
P1 E1 2017-09-22 10:45:00 2017-09-22 11:00:00 IN 1.14
P1 E1 2017-09-22 11:00:00 2017-09-22 11:15:00 IN 0.94
P1 E1 2017-09-22 11:15:00 2017-09-22 11:30:00 IN 0.87
P1 E1 2017-09-22 11:30:00 2017-09-22 11:45:00 IN 0.72
P1 E1 2017-09-22 11:45:00 2017-09-22 12:00:00 IN 0.76
...... ...... ...... ...... ...... ......
步骤3、根据获得的分时段的PDFVA过程模型，预测停车场未来的车位占有率和拥挤程度；
步骤3.1、根据车辆进出停车场的长期记录数据，计算当前停车场内的停车数量和车位占有率，若停车场的出入记录数据在时间上足够长，则可以认为所有曾经进入停车场的车辆在其各个出入口EID处均会留下进入停车场的记录，即根据车辆出入停车场记录，查询车辆CID在PID下最后一次出入记录，若出入记录显示TYPE为入，则该车辆当前仍然在停车场中，据此统计当前仍在停车场中的车辆数量和停车场的车位占有率；
在本例中，停车场P1的车位数为120个，当前时刻已占用的车位为97个；
步骤3.2、对下一时刻停车场的车辆数量进行预测，假设当前时刻为T0，下一时刻为T1，则下一时刻进入停车场的车辆期望为：
Figure BDA0001731575700000101
式(7)中，E{NI(EID，T1)}表示下一时刻T1由出入口EID进入停车场的车辆数量的期望，
Figure BDA0001731575700000105
为下一时刻T1由出入口EID进入停车场的车辆数量的期望值。式(7)为对停车场各个出入口在下一时刻进入停车场的车辆数量的期望求和。
下一时刻T1离开停车场的车辆期望为：
Figure BDA0001731575700000102
式(8)中，E{No(EID，T1)}表示下一时刻T1由出入口EID离开停车场的车辆数量的期望，
Figure BDA0001731575700000106
为下一时刻T1由出入口EID离开停车场的车辆数量的期望值。式(8)为对停车场各个出入口在下一时刻离开停车场的车辆数量的期望求和。
则该停车场在下一时刻T1的停车数量期望为：
Figure BDA0001731575700000103
式(9)中，N(T0)表示停车场在T0时刻的停车数量。
由(9)推导可知，对于跨期的停车数量期望可表达为：
Figure BDA0001731575700000104
步骤3.3、根据预测得到的停车场内车辆数量的期望计算停车场的拥挤程度，计算方法为停车场内车辆数量的期望除以停车场的设计容量，得到介于(0～1)之间的停车场拥挤度指标，当拥挤度指标接近1时，表明停车场即将满载，可能发生拥挤；
在本例中，假设当前时间段为2017年9月22日中午12点，则停车场P1在未来的停车数量和拥挤度预测结果见表5：
表5 停车场P1停车数量和拥挤度预测
PID EID Start-TIME End-TIME IN OUT NUM CROWDED
P1 E1 2017-09-22 12:00:00 2017-09-22 12:15:00 9 5 101 0.84
P1 E1 2017-09-22 12:15:00 2017-09-22 12:30:00 8 7 102 0.85
P1 E1 2017-09-22 12:30:00 2017-09-22 12:45:00 12 6 108 0.90
P1 E1 2017-09-22 12:45:00 2017-09-22 13:00:00 8 9 107 0.89
P1 E1 2017-09-22 13:00:00 2017-09-22 13:15:00 7 15 99 0.83
P1 E1 2017-09-22 13:15:00 2017-09-22 13:30:00 6 14 91 0.76
P1 E1 2017-09-22 13:30:00 2017-09-22 13:45:00 7 14 84 0.70
P1 E1 2017-09-22 13:45:00 2017-09-22 14:00:00 8 16 76 0.63
P1 E1 2017-09-22 14:00:00 2017-09-22 14:15:00 7 18 65 0.54
P1 E1 2017-09-22 14:15:00 2017-09-22 14:30:00 8 17 56 0.47
P1 E1 2017-09-22 14:30:00 2017-09-22 14:45:00 6 16 46 0.38
P1 E1 2017-09-22 14:45:00 2017-09-22 15:00:00 5 18 33 0.28
...... ...... ...... ...... ...... ...... ...... ......
步骤3.4、对下一时间段内停车场发生拥挤概率进行测算，假设当前停车场内的车辆数量距离停车场满载还剩余为n个车位，则下一时间段内停车场发生拥挤的条件是在t时间段内出入车辆的净值大于n，其发生拥挤的概率可表示为：
Figure BDA0001731575700000111
P{NI(t)＞n+i}表示时段t期间进入停车场的车辆数大于n+i的概率，P{No(t)＝i}表示时段t期间离开停车场的车辆数大于n的概率，m表示时段t期间离开停车场的车辆数的极限，取经验参数。
在本例中，假设当前时间段为2017年9月22日中午12点，则停车场P1在下一个时间段，即2017年9月22日中午12点到12点15分发生拥挤的概率为0.014。
步骤4、实时更新停车场分时段进出车辆信息，对PDFVA分布模型中的参数进行即时的训练更新；
步骤4.1、从停车场管理单位获取最新的车辆出入停车场的信息记录，采用步骤3.1的方法，对当前停放在停车场的车辆的数量进行统计；
步骤4.2、将数据以天为单位，划分成时间间隔为t的时间段，采用步骤1的方法，统计每个时间间隔内每个出入口进入停车场和离开停车场的车辆的数量；
步骤4.3、将从新获得的数据中计算出来的分时段的出入停车场数量与旧数据结合，采用加权的方法为新获得数据赋予较高的权重，逐步淘汰旧数据，重新计算停车场分时段出入车辆数量的PDFVA分布的λ值，权重赋值方法和表示为：
w＝eΔD
式中，w为每个时间段出入车辆数量记录的权重，ΔD为该记录的时间与当前时间之间的差值，这样，E{N(t)}的表达式需要改为：
Figure BDA0001731575700000121
式(10)中，wi，k表示第i个在t时间段内出入停车场的车辆数为k的记录的权重。
在本例中，假设以截止到2017年10月的停车场车辆出入数据更新已有的PDFVA模型参数，则更新后的λ参数取值见表6。
表6 更新后的分时段车辆出入停车场PDFVA模型参数λ取值
Figure BDA0001731575700000122
Figure BDA0001731575700000131

Claims (4)

1.一种大数据环境下停车场占有率的预测方法，其特征在于，采用PDVA分布的方法对分时段进出停车场的车辆数量进行统计分析，并以此为基础进行预测，包括以下步骤：
步骤1、从停车场管理单位获取各停车场在目标时间段内的车辆出入记录数据集，将车辆出入记录数据集中的车辆出入记录数据分为出和入两部分，将当前停车场的每个出入口的出入车辆以时间间隔t划分，统计得到每个时间间隔内每个出入口进入停车场和离开停车场的车辆的数量，即为分时段进出车辆统计数据；
步骤2、采用步骤1得到的分时段进出车辆统计数据，对PDVA分布模型进行训练，训练时利用分时段进出车辆统计数据对时齐Poisson分布的参数进行拟合，获得目标时间段内不同时间间隔的参数值，从而得到分时段的车辆进出停车场数量的PDVA分布程模型，其中：车辆出入记录数据包括停车场编号PID、停车场入口编号EID、车辆编号CID、出入时间TIME、出入类别TYPE、录入方式INPUT，其中，停车场编号PID和入口编号EID组成车辆出入口的唯一编号；
步骤3、利用步骤2得到的PDVA分布程模型预测停车场未来的车位占有率和拥挤程度，所述步骤3包括：
步骤3.1、根据车辆进出停车场的长期记录数据，计算当前停车场内的停车数量和车位占有率；
步骤3.2、对下一时刻停车场的车辆数量进行预测，假设当前时间为T0，则下一时刻进入停车场的车辆期望为
Figure FDA0002758322830000011
即对停车场各个出入口在下一时刻进入停车场的车辆数量的期望求和，下一时刻离开停车场的车辆期望为
Figure FDA0002758322830000012
则该停车场在下一时刻的停车数量期望为：
Figure FDA0002758322830000013
对于跨期的停车数量期望可表达为：
Figure FDA0002758322830000014
式中，N(T0)表示T0时期停车场中的车辆数，
Figure FDA0002758322830000015
表示时段Ti从出入口EID进入停车场的车辆数期望，
Figure FDA0002758322830000016
表示时段Ti从出入口EID离开停车场的车辆数的期望；
步骤3.3、根据计算得到的停车数量期望E{N(EID,Tn)}计算停车场的拥挤程度，计算方法为：停车场内车辆数量的期望除以停车场的设计容量，得到介于0～1之间的停车场拥挤度指标，当拥挤度指标接近1时，表明停车场即将满载，可能发生拥挤；
步骤3.4、对下一时间段内停车场发生拥挤概率进行测算，假设当前停车场内的车辆数量距离停车场满载还剩余为n个车位，则下一时间段内停车场发生拥挤的条件是在t时间段内出入车辆的净值大于n，其发生拥挤概率的概率表示为P{N(t)>n}：
Figure FDA0002758322830000021
P{NI(t)>n+i}表示时段t期间进入停车场的车辆数大于n+i的概率，P{NO(t)＝i}表示时段t期间离开停车场的车辆数等于i的概率，m表示时段t期间离开停车场的车辆数的极限，取经验参数；
步骤4、实时更新停车场分时段进出车辆信息，返回步骤2，对PDVA分布模型中的参数进行即时的训练更新。
2.如权利要求1所述的一种大数据环境下停车场占有率的预测方法，其特征在于，在所述步骤3.1中，查询各CID所对应的车辆在当前PID所对应的停车场下最后一次出入记录，若出入记录显示出入类别TYPE为入，则当前车辆仍然在当前停车场中，据此统计当前仍在停车场中的车辆数量和停车场的车位占有率。
3.如权利要求1所述的一种大数据环境下停车场占有率的预测方法，其特征在于，在所述步骤2中，所述时齐Poisson分布的表达式为：
Figure FDA0002758322830000022
式中，P{N(t)＝k}表示在时间间隔t内，车辆进或出出入口发生k次的概率；λ为需拟合的参数，则利用分时段进出车辆统计数据对参数λ进行拟合包括以下步骤：
步骤201、计算每个时间间隔t内车辆通过每个出入口出入停车场数量的期望E{N(t)}：
Figure FDA0002758322830000031
式中，n表示时间间隔t内出入停车场的车辆数量为k在长期时序数据中出现的频次；
步骤202、拟合参数λ，
Figure FDA0002758322830000032
4.如权利要求2所述的一种大数据环境下停车场占有率的预测方法，其特征在于，所述步骤4包括：
步骤4.1、从停车场管理单位获取最新的车辆出入记录数据集，采用步骤3.1的方法，对当前停放在停车场的车辆的数量进行统计；
步骤4.2、将数据以目标时间段为单位，划分成时间间隔为t的时间段，采用步骤1的方法，统计每个时间间隔内每个出入口进入停车场和离开停车场的车辆的数量；
步骤4.3、将重新获得的数据中计算出来的分时段的出入停车场数量与旧数据结合，采用加权的方法为新获得数据赋予较高的权重，逐步淘汰旧数据，重新计算停车场分时段出入车辆数量的PDVA分布的参数λ，权重赋值方法和表示为：
w＝eΔD
式中，w为每个时间段出入车辆数量记录的权重，ΔD为该记录的时间与当前时间之间的差值，则有：
Figure FDA0002758322830000033
式中，wi,k表示第i个在t时间段内出入停车场的车辆数为k的记录的权重。
CN201810780994.1A 2018-07-16 2018-07-16 一种大数据环境下停车场占有率的预测方法 Active CN108734972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810780994.1A CN108734972B (zh) 2018-07-16 2018-07-16 一种大数据环境下停车场占有率的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810780994.1A CN108734972B (zh) 2018-07-16 2018-07-16 一种大数据环境下停车场占有率的预测方法

Publications (2)

Publication Number Publication Date
CN108734972A CN108734972A (zh) 2018-11-02
CN108734972B true CN108734972B (zh) 2021-02-26

Family

ID=63927038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810780994.1A Active CN108734972B (zh) 2018-07-16 2018-07-16 一种大数据环境下停车场占有率的预测方法

Country Status (1)

Country Link
CN (1) CN108734972B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009917A (zh) * 2019-04-04 2019-07-12 东南大学 一种分段连续观测的停车场特性调查方法
CN111815095B (zh) * 2019-06-20 2024-07-12 北京嘀嘀无限科技发展有限公司 共享汽车调度方法、电子设备及存储介质
CN111815937B (zh) * 2019-11-22 2022-01-04 北京嘀嘀无限科技发展有限公司 用于超停车辆调度的控制方法、装置、存储介质和电子设备
CN110956341B (zh) * 2019-12-31 2023-06-27 京东城市(北京)数字科技有限公司 停车场流量预测方法、装置、电子设备及存储介质
CN112289041B (zh) * 2020-10-25 2021-12-03 上海智能交通有限公司 基于热点定位和信息共享的智慧停车场管理方法及云平台
CN113380070B (zh) * 2021-06-25 2022-07-22 江苏高速公路联网营运管理有限公司 一种面向大型综合体的车位级停车需求时空特征获取方法
CN113570866B (zh) * 2021-09-24 2021-12-21 成都宜泊信息科技有限公司 一种停车场管理方法、系统、存储介质及电子设备
CN115995159A (zh) * 2021-10-20 2023-04-21 逸驾智能科技有限公司 停车提示设备与方法
CN114067606B (zh) * 2022-01-14 2022-04-12 成都宜泊信息科技有限公司 一种停车场满位等待管理方法、系统、存储介质及设备
CN116434595B (zh) * 2022-12-14 2024-01-26 广东开放大学（广东理工职业学院） 一种基于大数据的室内停车位智能推荐系统
CN116757803B (zh) * 2023-08-10 2024-01-19 浙江小遛信息科技有限公司 共享车辆的还车控制方法和服务器

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105489058A (zh) * 2016-01-15 2016-04-13 成都宜泊信息科技有限公司 停车场的闲时车位的数量和闲时时段的计算方法
CN106779256A (zh) * 2017-03-24 2017-05-31 山东大学 一种基于事件驱动的停车空余泊位数实时预测方法及系统
WO2018086780A1 (de) * 2016-11-11 2018-05-17 Osram Gmbh Beleuchtungssystem mit analysesignalauswertung

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105489058A (zh) * 2016-01-15 2016-04-13 成都宜泊信息科技有限公司 停车场的闲时车位的数量和闲时时段的计算方法
WO2018086780A1 (de) * 2016-11-11 2018-05-17 Osram Gmbh Beleuchtungssystem mit analysesignalauswertung
CN106779256A (zh) * 2017-03-24 2017-05-31 山东大学 一种基于事件驱动的停车空余泊位数实时预测方法及系统

Also Published As

Publication number Publication date
CN108734972A (zh) 2018-11-02

Similar Documents

Publication Publication Date Title
CN108734972B (zh) 一种大数据环境下停车场占有率的预测方法
Kumar et al. Short-term traffic flow prediction using seasonal ARIMA model with limited input data
CN106503840B (zh) 停车场可用车位预测方法及系统
Zhang et al. Deeptravel: a neural network based travel time estimation model with auxiliary supervision
Jenelius Public transport experienced service reliability: Integrating travel time and travel conditions
US10019671B2 (en) Learning mobility user choice and demand models from public transport fare collection data
CN106779256B (zh) 一种基于事件驱动的停车空余泊位数实时预测方法及系统
CN113313303A (zh) 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统
Tiedemann et al. Concept of a data thread based parking space occupancy prediction in a berlin pilot region
Wang et al. A big data approach for smart transportation management on bus network
CN106529711B (zh) 用户行为预测方法及装置
CN110276474A (zh) 一种城市轨道交通车站短时客流预测方法
CN114463972B (zh) 一种基于etc门架通信数据的路段区间交通分析预测方法
CN105427602B (zh) 一种车辆出行主题确定方法及装置
CN111598333B (zh) 客流数据的预测方法及装置
CN112509317B (zh) 基于机器学习算法的公交实时到站预测方法、装置和设备
CN111753910A (zh) 基于lstm的滴滴订单需求预测方法及装置
Jakob et al. Macroscopic Modeling of On‐Street and Garage Parking: Impact on Traffic Performance
CN111105628A (zh) 一种停车场画像构建方法和装置
CN110021161B (zh) 一种交通流向的预测方法及系统
CN116431923A (zh) 一种针对城市道路的交通出行预测方法、设备及介质
CN112150045B (zh) 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测系统
CN116580563B (zh) 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
Dias et al. From data to action: Exploring AI and IoT-driven solutions for smarter cities
JP7346125B2 (ja) 交通予測システム、交通予測装置、および、交通予測方法

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