CN109033170B - 停车场的数据修补方法、装置、设备及存储介质 - Google Patents
停车场的数据修补方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109033170B CN109033170B CN201810641928.6A CN201810641928A CN109033170B CN 109033170 B CN109033170 B CN 109033170B CN 201810641928 A CN201810641928 A CN 201810641928A CN 109033170 B CN109033170 B CN 109033170B
- Authority
- CN
- China
- Prior art keywords
- parking lot
- parking
- similarity
- data
- cluster
- 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
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本发明适用信息技术领域,提供了一种停车场的数据修补方法、装置、设备及存储介质,该方法包括:根据停车场的空间特征和空间相似度度量模型,计算停车场两两之间的空间相似度,根据空间相似度将停车场聚类至不同的停车场簇中,计算停车场簇对应的空间相似概率,计算同一停车场簇中样本停车场两两之间的数据相似度,根据数据相似度和停车场簇对应的空间相似概率,计算停车场簇在空间相似条件下的数据相似概率,当空间相似条件下的数据相似概率超过概率阈值时,通过循环生成式对抗网络对停车场簇中待修补停车场进行数据修补,从而在不依赖待修补停车场的先验知识时对待修补停车场进行较为精准的数据修补,有效地节约了停车场的数据采集成本。
Description
技术领域
本发明属于信息技术领域,尤其涉及一种停车场的数据修补方法、装置、设备及存储介质。
背景技术
由于车辆数目的激增、以及国内城市早期规划未长远考虑到车辆停放问题,国内大中城市热点区域所提供的停车位远远少于进入的车辆,使得车辆在寻找停车位的过程中,花费大量时间、浪费不必要的能源,甚至引发交通堵塞,在短期内增加这些区域的停车位供应比较困难,所以提高这些区域内的停车位利用率就变得非常重要。
提高停车位利用率需要通过将车位信息实时推送给有需要的车辆来帮助车辆快速找到车位,即研究人员提出的停车诱导系统(PGIS,Parking Guidance andInformation)。然而,城市中大部分停车场未记录停车位的历史数据和实时数据,这些停车数据的缺少导致PGIS无法起到停车诱导作用,而短时间内建立一个完备的城市级停车数据网联系统需要耗费高昂的经济成本和时间成本。目前最佳方案是对停车场进行数据修补,以减少为PGIS提供数据所耗费的成本。
目前,交通数据修补领域的研究主要集中在动态交通即交通流数据生成上,对于静态交通数据即停车数据修补的研究则相对贫乏。在现有的数据修补方案中,基于历史时间序列数据进行修补的方法对停车场先验知识有较高的依赖度,当停车场缺少大量停车数据甚至完全没有停车数据的时候,常用的插值法无法起到修补数据的作用,基于空间特征进行数据修补的方法一定程度上可以降低对停车场先验知识的需求,但对于空间维度的选择经常局限于地理空间的经纬度信息,空间特征延展性较低,难以进行较为精准的城市级停车数据修补。
发明内容
本发明的目的在于提供一种停车场的数据修补方法、装置、设备及存储介质,旨在解决现有技术中停车场数据修补方法对停车场先验知识较为依赖,且停车场数据修补的精确度不高的问题。
一方面,本发明提供了一种停车场的数据修补方法,所述方法包括下述步骤:
获取预先采集的城市停车场集合,根据所述城市停车场集合中每个停车场的空间特征和预设的空间相似度度量模型,计算所述停车场两两之间的空间相似度,所述停车场包括待修补停车场和样本停车场;
根据所述停车场两两之间的空间相似度将所述停车场聚类至到不同的停车场簇中,计算所述每个停车场簇分别对应的空间相似概率;
计算所述同一个停车场簇中所述样本停车场两两之间的数据相似度,根据所述样本停车场两两之间的数据相似度和所述停车场簇对应的空间相似概率,计算所述停车场簇在空间相似条件下的数据相似概率;
当所述停车场簇在空间相似条件下的数据相似概率超过预设概率阈值时,根据所述停车场簇中所述样本停车场的停车数据和预设的循环生成式对抗网络,对所述停车场簇中所述待修补停车场进行数据修补。
另一方面,本发明提供了一种停车场的数据修补装置,所述装置包括:
空间相似度计算单元,用于获取预先采集的城市停车场集合,根据所述城市停车场集合中每个停车场的空间特征和预设的空间相似度度量模型,计算所述停车场两两之间的空间相似度,所述停车场包括待修补停车场和样本停车场;
空间相似概率计算单元,用于根据所述停车场两两之间的空间相似度将所述停车场聚类至到不同的停车场簇中,计算所述每个停车场簇分别对应的空间相似概率;
数据相似概率计算单元,用于计算所述同一个停车场簇中所述样本停车场两两之间的数据相似度,根据所述样本停车场两两之间的数据相似度和所述停车场簇对应的空间相似概率,计算所述停车场簇在空间相似条件下的数据相似概率;以及
数据修补单元,用于当所述停车场簇在空间相似条件下的数据相似概率超过预设概率阈值时,根据所述停车场簇中所述样本停车场的停车数据和预设的循环生成式对抗网络,对所述停车场簇中所述待修补停车场进行数据修补。
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上述停车场的数据修补方法所述的步骤。
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上述停车场的数据修补方法所述的步骤。
本发明根据城市停车场集合中停车场的空间特征和预设的空间相似度度量模型,计算停车场两两之间的空间相似度,根据这些空间相似度将停车场聚类至不同的停车场簇,计算停车场簇对应的空间相似概率,计算同一个停车场簇中样本停车场两两之间的数据相似度,根据这些数据相似度和停车场簇对应的空间相似概率,计算停车场簇在空间相似条件下的数据相似概率,当空间相似条件下的数据相似概率超过概率阈值时,通过循环生成式对抗网络对停车场簇中的待修补停车场进行数据修补,从而在不依赖待修补停车场的先验知识时对待修补停车场进行较为精准的数据修补,有效地节约了在待修补停车场设置数据采集设备的经济成本和时间成本。
附图说明
图1是本发明实施例一提供的停车场的数据修补方法的实现流程图;
图2是本发明实施例二提供的停车场的数据修补装置的结构示意图;
图3是本发明实施例二提供的停车场的数据修补装置的优选结构示意图;以及
图4是本发明实施例三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停车场的数据修补方法的实现流程,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,获取预先采集的城市停车场集合,根据城市停车场集合中每个停车场的空间特征和预设的空间相似度度量模型,计算停车场两两之间的空间相似度,停车场包括待修补停车场和样本停车场。
在本发明实施例中,预先采集的城市停车场集合中包括多个停车场和每个停车场的相关信息,这些停车场包括缺少停车数据的停车场和不缺少停车数据的停车场,为了便于区分,在此将缺少停车数据的停车场称为待修补停车场,将不缺少停车数据的停车场称为样本停车场。其中,在城市停车场集合中,待修补停车场的相关信息包括待修补停车场的空间特征,样本停车场的相关信息包括样本停车场的空间特征和停车数据,停车数据为历史停车数据。
在本发明实施例中,在采集城市停车场集合时,采集城市停车场集合中每个停车场所处地理位置的经纬度,采集城市停车场集合中每个停车场预设范围内每类预设地理兴趣点(Point of Interest,简称POI)的数目,由停车场所处地理位置的经纬度和停车场预设范围内每类地理兴趣点的数目构成停车场的空间特征,从而同时考虑到地理空间位置和周边地理兴趣点对停车场的影响,有效地提高了后续计算停车场两两间空间相似度的准确度。其中,停车场所处地理位置的经纬度为二维向量,停车场预设范围内每类地理兴趣点的数目构成h维向量,因此停车场的空间特征为h+2维向量,h为地理兴趣点的类别数量。
优选地,停车场的预设范围为以停车场为中心、以预设的容忍度半径为半径确定的区域范围,从而有效地提高后续计算停车场两两间空间相似度的准确度。其中,容忍度半径为司机能够接收的、停车场与目的地的最远距离。
在本发明实施例中,根据每个停车场的空间特征和预设的空间相似度度量模型,计算城市停车场集合中停车场两两之间的空间相似度,优选地,空间相似度度量模型表示为:
其中,Sspatial(p1,p2)为城市停车场集合中停车场p1和停车场p2的空间相似度,停车场p1和停车场p2的空间特征分别为(η1,ω1)和(η2,ω2),η1和ω1分别为停车场p1所处地理位置的经纬度和对应的地理兴趣点的数目,η2和ω2分别为停车场p2所处地理位置的经纬度和对应的地理兴趣点的数目,α和β为预设的影响系数,从而通过空间相似度度量模型融合了停车场经纬度和其周围地理兴趣点对空间相似度的影响,有效地提高了空间相似度的计算准确度。
在步骤S102中,根据停车场两两之间的空间相似度将停车场聚类至到不同的停车场簇中,计算每个停车场簇分别对应的空间相似概率。
在本发明实施例中,在得到停车场两两之间的空间相似度后,可根据这些空间相似度值和预设的聚类算法(例如K-means算法),对城市停车场集合中的所有停车场进行聚类,以将这些停车场划分至不同的簇中,从而通过对停车场进行聚类有效地降低停车场数据修补的计算量。为了便于描述,将这些簇称为停车场簇。
在本发明实施例中,在城市停车场集合中用户预先标记了空间高度相似的停车场对,在计算每个停车场簇分别对应的空间相似概率时,优选地,获取同一个停车场簇中空间高度相似的停车场对的数目,根据获取的停车场对的数目计算该停车场簇对应的空间相似概率,以提高空间相似概率计算的准确度。进一步优选地,空间相似概率的计算公式表示为:
其中,P(S)为空间相似概率,Uvs为城市停车场集合中空间高度相似的停车场对构成的集合,ppi为停车场簇中第i个空间高度相似的停车场对,Σppi∈Uvs为停车场簇中空间高度相似的停车场对的数目,为停车场簇中所有停车场的排列数,n为停车场簇中停车场的数目。
在步骤S103中,计算同一个停车场簇中样本停车场两两之间的数据相似度,根据样本停车场两两之间的数据相似度和停车场簇对应的空间相似概率,计算停车场簇在空间相似条件下的数据相似概率。
在本发明实施例中,在计算每个停车场簇对应的空间相似概率后,计算同一个停车场簇中样本停车场两两之间的数据相似度,以根据停车场簇对应的空间相似概率和这些数据相似度,计算停车场簇在空间相似条件下的数据相似概率。优选地,样本停车场两两之间数据相似度的计算公式表示为:
在本发明实施例中,停车场簇在空间相似条件下的数据相似概率的计算公式为其中,P(D|S)为停车场簇在空间相似条件下的数据相似概率,P(S)为停车场簇对应的空间相似概率,P(D,S)为停车场簇对应的空间相似与数据相似的联合概率。因此,在计算P(D|S)之前,需要根据停车场簇中样本停车场两两之间的数据相似度计算P(D,S)。
在计算停车场簇对应的空间相似与数据相似的联合概率时,优选地,根据停车场簇中样本停车场两两之间的数据相似度和预设的数据相似度阈值,获取该停车场簇中具有数据相似性的样本停车场,并在具有数据相似性的样本停车场中获取空间高度相似且数据高度相似的停车场对,根据停车场簇中具有数据相似性的样本停车场的数目和这些停车场对的数目,计算停车场簇对应的空间相似与数据相似的联合概率,从而有效地提高该联合概率的计算准确度。其中,用户预先在城市停车场集合中标记出空间高度相似的停车场对和数据高度相似的停车场对。
进一步优选地,停车场簇对应的空间相似与数据相似的联合概率的计算公式表示为:
其中,Um为停车场簇中具有数据相似性的样本停车场构成的集合,m为停车场簇中具有数据相似性的样本停车场的数目,Uspc为数据高度相似的停车场对构成的集合,Uvs为空间高度相似的停车场对构成的集合,表示停车场簇中具有数据相似性的样本停车场在该停车场簇中所占的比例,表示具有数据相似性的样本停车场中空间高度相似且数据高度相似的停车场对所占的比例。
在步骤S104中,当停车场簇在空间相似条件下的数据相似概率超过预设概率阈值时,根据停车场簇中样本停车场的停车数据和预设的循环生成式对抗网络,对停车场簇中待修补停车场进行数据修补。
在本发明实施例中,循环生成式对抗网络(Recurrent GANs,简称RGAN)在原始生成对抗网络(Generative Adversarial Nets,简称GANs)的基础上将生成器网络和鉴别器网络替换为长短期记忆网络(Long-short term memory)。当停车场簇在空间相似条件下的数据相似概率超过预设的概率阈值时,获取同一个停车场簇中与待修补停车场空间相似度最高的样本停车场,通过将该样本停车场的停车数据输入循环生成式对抗网络,以完成对待修补停车场的数据修补。
优选地,在将与待修补停车场空间相似度最高的样本停车场的停车数据输入循环生成式对抗网络后,对循环生成式对抗网络进行训练,由于循环式对抗网络的训练过程并不稳定,通过预设的贝叶斯筛选器对循环生成式对抗网络的输出进行筛选,将通过筛选的循环生成式对抗网络的输出设置为待修补停车场的停车数据,从而有效地提高了停车场数据修补的精确度。
进一步优选地,在通过预设的贝叶斯筛选器对循环生成式对抗网络的输出进行筛选时,将循环生成式对抗网络的输出与待修补停车场所在停车场簇中的停车数据进行混合,计算混合后该停车场簇对应的空间相似与数据相似的联合概率,若混合后的联合概率不低于混合前的联合概率,将循环生成式对抗网络的输出设置为待修补停车场的停车数据,否则继续将与待修补停车场空间相似度最高的样本停车场的停车数据输入循环生成式对抗网络,从而有效地提高停车场数据修补的精确度。
在本发明实施例中,根据城市停车场集合中停车场的空间特征和空间相似度度量模型,计算停车场两两之间的空间相似度,根据这些空间相似度将停车场聚类至不同的停车场簇,计算停车场簇对应的空间相似概率,计算同一个停车场簇中样本停车场两两之间的数据相似度,根据这些数据相似度和停车场簇对应的空间相似概率,计算停车场簇在空间相似条件下的数据相似概率,当空间相似条件下的数据相似概率超过概率阈值时,通过循环生成式对抗网络对停车场簇中的待修补停车场进行数据修补,从而在不依赖待修补停车场的先验知识时对待修补停车场进行较为精准的数据修补,有效地节约了在待修补停车场设置数据采集设备的经济成本和时间成本。
实施例二:
图2示出了本发明实施例二提供的停车场的数据修补装置的结构,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:
空间相似度计算单元21,用于获取预先采集的城市停车场集合,根据城市停车场集合中每个停车场的空间特征和预设的空间相似度度量模型,计算停车场两两之间的空间相似度,停车场包括待修补停车场和样本停车场。
在本发明实施例中,在采集城市停车场集合时,采集城市停车场集合中每个停车场所处地理位置的经纬度,采集城市停车场集合中每个停车场预设范围内每类预设地理兴趣点的数目,由停车场所处地理位置的经纬度和停车场预设范围内每类地理兴趣点的数目构成停车场的空间特征,从而同时考虑到地理空间位置和周边地理兴趣点对停车场的影响,有效地提高了后续计算停车场两两间空间相似度的准确度。
优选地,停车场的预设范围为以停车场为中心、以预设的容忍度半径为半径确定的区域范围,从而有效地提高后续计算停车场两两间空间相似度的准确度。其中,容忍度半径为司机能够接收的、停车场与目的地的最远距离。
在本发明实施例中,根据每个停车场的空间特征和预设的空间相似度度量模型,计算城市停车场集合中停车场两两之间的空间相似度,优选地,空间相似度度量模型表示为:
其中,Sspatial(p1,p2)为城市停车场集合中停车场p1和停车场p2的空间相似度,停车场p1和停车场p2的空间特征分别为(η1,ω1)和(η2,ω2),η1和ω1分别为停车场p1所处地理位置的经纬度和对应的地理兴趣点的数目,η2和ω2分别为停车场p2所处地理位置的经纬度和对应的地理兴趣点的数目,α和β为预设的影响系数,从而通过空间相似度度量模型融合了停车场经纬度和其周围地理兴趣点对空间相似度的影响,有效地提高了空间相似度的计算准确度。
空间相似概率计算单元22,用于根据停车场两两之间的空间相似度将停车场聚类至到不同的停车场簇中,计算每个停车场簇分别对应的空间相似概率。
在本发明实施例中,在得到停车场两两之间的空间相似度后,可根据这些空间相似度值和预设的聚类算法,对城市停车场集合中的所有停车场进行聚类,以将这些停车场划分至不同的停车场簇中,从而通过对停车场进行聚类有效地降低停车场数据修补的计算量。
在本发明实施例中,在城市停车场集合中用户预先标记了空间高度相似的停车场对,在计算每个停车场簇分别对应的空间相似概率时,优选地,获取同一个停车场簇中空间高度相似的停车场对的数目,根据获取的停车场对的数目计算该停车场簇对应的空间相似概率,以提高空间相似概率计算的准确度。进一步优选地,空间相似概率的计算公式表示为:
其中,P(S)为空间相似概率,Uvs为城市停车场集合中空间高度相似的停车场对构成的集合,ppi为停车场簇中第i个空间高度相似的停车场对,Σppi∈Uvs为停车场簇中空间高度相似的停车场对的数目,为停车场簇中所有停车场的排列数,n为停车场簇中停车场的数目。
数据相似概率计算单元23,用于计算同一个停车场簇中样本停车场两两之间的数据相似度,根据样本停车场两两之间的数据相似度和停车场簇对应的空间相似概率,计算停车场簇在空间相似条件下的数据相似概率。
在本发明实施例中,在计算每个停车场簇对应的空间相似概率后,计算同一个停车场簇中样本停车场两两之间的数据相似度,以根据停车场簇对应的空间相似概率和这些数据相似度,计算停车场簇在空间相似条件下的数据相似概率。优选地,样本停车场两两之间数据相似度的计算公式表示为:
在本发明实施例中,停车场簇在空间相似条件下的数据相似概率的计算公式为其中,P(D|S)为停车场簇在空间相似条件下的数据相似概率,P(S)为停车场簇对应的空间相似概率,P(D,S)为停车场簇对应的空间相似与数据相似的联合概率。因此,在计算P(D|S)之前,需要根据停车场簇中样本停车场两两之间的数据相似度计算P(D,S)。
在计算停车场簇对应的空间相似与数据相似的联合概率时,优选地,根据停车场簇中样本停车场两两之间的数据相似度和预设的数据相似度阈值,获取该停车场簇中具有数据相似性的样本停车场,并在具有数据相似性的样本停车场中获取空间高度相似且数据高度相似的停车场对,根据停车场簇中具有数据相似性的样本停车场的数目和这些停车场对的数目,计算停车场簇对应的空间相似与数据相似的联合概率,从而有效地提高该联合概率的计算准确度。其中,用户预先在城市停车场集合中标记出空间高度相似的停车场对和数据高度相似的停车场对。
进一步优选地,停车场簇对应的空间相似与数据相似的联合概率的计算公式表示为:
其中,Um为停车场簇中具有数据相似性的样本停车场构成的集合,m为停车场簇中具有数据相似性的样本停车场的数目,Uspc为数据高度相似的停车场对构成的集合,Uvs为空间高度相似的停车场对构成的集合,表示停车场簇中具有数据相似性的样本停车场在该停车场簇中所占的比例,表示具有数据相似性的样本停车场中空间高度相似且数据高度相似的停车场对所占的比例。
数据修补单元24,用于当停车场簇在空间相似条件下的数据相似概率超过预设概率阈值时,根据停车场簇中样本停车场的停车数据和预设的循环生成式对抗网络,对停车场簇中待修补停车场进行数据修补。
在本发明实施例中,当停车场簇在空间相似条件下的数据相似概率超过预设的概率阈值时,获取同一个停车场簇中与待修补停车场空间相似度最高的样本停车场,通过将该样本停车场的停车数据输入循环生成式对抗网络,以完成对待修补停车场的数据修补。
优选地,在将与待修补停车场空间相似度最高的样本停车场的停车数据输入循环生成式对抗网络后,对循环生成式对抗网络进行训练,由于循环式对抗网络的训练过程并不稳定,通过预设的贝叶斯筛选器对循环生成式对抗网络的输出进行筛选,将通过筛选的循环生成式对抗网络的输出设置为待修补停车场的停车数据,从而有效地提高了停车场数据修补的精确度。
进一步优选地,在通过预设的贝叶斯筛选器对循环生成式对抗网络的输出进行筛选时,将循环生成式对抗网络的输出与待修补停车场所在停车场簇中的停车数据进行混合,计算混合后该停车场簇对应的空间相似与数据相似的联合概率,若混合后的联合概率不低于混合前的联合概率,将循环生成式对抗网络的输出设置为待修补停车场的停车数据,否则继续将与待修补停车场空间相似度最高的样本停车场的停车数据输入循环生成式对抗网络,从而有效地提高停车场数据修补的精确度。
优选地,如图3所示,空间相似度计算单元21包括:
空间特征生成单元311,用于根据每个停车场所处地理位置的经纬度和每个停车场预设范围内每类预设地理兴趣点的数目,生成每个停车场的空间特征。
优选地,数据修补单元24包括:
样本停车场获取单元341,用于在同一个停车场簇中,获取与待修补停车场空间相似度最高的样本停车场;
网络输入单元342,用于将空间相似度最高的样本停车场的停车数据,输入循环生成式对抗网络;以及
数据筛选单元343,用于通过预设的贝叶斯筛选器对循环生成式对抗网络的输出进行筛选,获得待修补停车场的停车数据。
在本发明实施例中,根据城市停车场集合中停车场的空间特征和空间相似度度量模型,计算停车场两两之间的空间相似度,根据这些空间相似度将停车场聚类至不同的停车场簇,计算停车场簇对应的空间相似概率,计算同一个停车场簇中样本停车场两两之间的数据相似度,根据这些数据相似度和停车场簇对应的空间相似概率,计算停车场簇在空间相似条件下的数据相似概率,当空间相似条件下的数据相似概率超过概率阈值时,通过循环生成式对抗网络对停车场簇中的待修补停车场进行数据修补,从而在不依赖待修补停车场的先验知识时对待修补停车场进行较为精准的数据修补,有效地节约了在待修补停车场设置数据采集设备的经济成本和时间成本。
在本发明实施例中,停车场的数据修补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4示出了本发明实施例三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4包括处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。该处理器40执行计算机程序42时实现上述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40执行计算机程序42时实现上述装置实施例中各单元的功能,例如图2所示单元21至24的功能。
在本发明实施例中,根据城市停车场集合中停车场的空间特征和空间相似度度量模型,计算停车场两两之间的空间相似度,根据这些空间相似度将停车场聚类至不同的停车场簇,计算停车场簇对应的空间相似概率,计算同一个停车场簇中样本停车场两两之间的数据相似度,根据这些数据相似度和停车场簇对应的空间相似概率,计算停车场簇在空间相似条件下的数据相似概率,当空间相似条件下的数据相似概率超过概率阈值时,通过循环生成式对抗网络对停车场簇中的待修补停车场进行数据修补,从而在不依赖待修补停车场的先验知识时对待修补停车场进行较为精准的数据修补,有效地节约了在待修补停车场设置数据采集设备的经济成本和时间成本。
实施例四:
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装置实施例中各单元的功能,例如图2所示单元21至24的功能。
在本发明实施例中,根据城市停车场集合中停车场的空间特征和空间相似度度量模型,计算停车场两两之间的空间相似度,根据这些空间相似度将停车场聚类至不同的停车场簇,计算停车场簇对应的空间相似概率,计算同一个停车场簇中样本停车场两两之间的数据相似度,根据这些数据相似度和停车场簇对应的空间相似概率,计算停车场簇在空间相似条件下的数据相似概率,当空间相似条件下的数据相似概率超过概率阈值时,通过循环生成式对抗网络对停车场簇中的待修补停车场进行数据修补,从而在不依赖待修补停车场的先验知识时对待修补停车场进行较为精准的数据修补,有效地节约了在待修补停车场设置数据采集设备的经济成本和时间成本。
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)
1.一种停车场的数据修补方法,其特征在于,所述方法包括下述步骤:
获取预先采集的城市停车场集合,根据所述城市停车场集合中每个停车场的空间特征和预设的空间相似度度量模型,计算所述停车场两两之间的空间相似度,所述停车场包括待修补停车场和样本停车场;
根据所述停车场两两之间的空间相似度将所述停车场聚类至到不同的停车场簇中,计算所述每个停车场簇分别对应的空间相似概率;
计算同一个停车场簇中所述样本停车场两两之间的数据相似度,根据所述样本停车场两两之间的数据相似度和所述停车场簇对应的空间相似概率,计算所述停车场簇在空间相似条件下的数据相似概率;
当所述停车场簇在空间相似条件下的数据相似概率超过预设概率阈值时,根据所述停车场簇中所述样本停车场的停车数据和预设的循环生成式对抗网络,对所述停车场簇中所述待修补停车场进行数据修补。
2.如权利要求1所述的方法,其特征在于,计算所述停车场两两之间的空间相似度的步骤,包括:
根据所述每个停车场所处地理位置的经纬度和所述每个停车场预设范围内每类预设地理兴趣点的数目,生成所述每个停车场的空间特征。
4.如权利要求1所述的方法,其特征在于,计算所述每个停车场簇对应的空间相似概率的步骤,包括:
根据所述城市停车场集合中用户预先标记的空间高度相似的停车场对,获取所述停车场簇中所述停车场对的数目;
根据所述停车场簇中所述停车场对的数目,计算所述停车场簇对应的空间相似概率。
5.如权利要求1所述的方法,其特征在于,根据所述停车场簇中所述样本停车场的停车数据和预设的循环生成式对抗网络,对所述停车场簇中所述待修补停车场进行数据修补的步骤,包括:
在所述同一个停车场簇中,获取与所述待修补停车场空间相似度最高的样本停车场;
将所述空间相似度最高的样本停车场的停车数据,输入所述循环生成式对抗网络;
通过预设的贝叶斯筛选器对所述循环生成式对抗网络的输出进行筛选,获得所述待修补停车场的停车数据。
6.一种停车场的数据修补装置,其特征在于,所述装置包括:
空间相似度计算单元,用于获取预先采集的城市停车场集合,根据所述城市停车场集合中每个停车场的空间特征和预设的空间相似度度量模型,计算所述停车场两两之间的空间相似度,所述停车场包括待修补停车场和样本停车场;
空间相似概率计算单元,用于根据所述停车场两两之间的空间相似度将所述停车场聚类至到不同的停车场簇中,计算所述每个停车场簇分别对应的空间相似概率;
数据相似概率计算单元,用于计算同一个停车场簇中所述样本停车场两两之间的数据相似度,根据所述样本停车场两两之间的数据相似度和所述停车场簇对应的空间相似概率,计算所述停车场簇在空间相似条件下的数据相似概率;以及
数据修补单元,用于当所述停车场簇在空间相似条件下的数据相似概率超过预设概率阈值时,根据所述停车场簇中所述样本停车场的停车数据和预设的循环生成式对抗网络,对所述停车场簇中所述待修补停车场进行数据修补。
7.如权利要求6所述的装置,其特征在于,所述空间相似度计算单元包括:
空间特征生成单元,用于根据所述每个停车场所处地理位置的经纬度和所述每个停车场预设范围内每类预设地理兴趣点的数目,生成所述每个停车场的空间特征。
8.如权利要求6所述的装置,其特征在于,所述数据修补单元包括:
样本停车场获取单元,用于在所述同一个停车场簇中,获取与所述待修补停车场空间相似度最高的样本停车场;
网络输入单元,用于将所述空间相似度最高的样本停车场的停车数据,输入所述循环生成式对抗网络;以及
数据筛选单元,用于通过预设的贝叶斯筛选器对所述循环生成式对抗网络的输出进行筛选,获得所述待修补停车场的停车数据。
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5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5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810641928.6A CN109033170B (zh) | 2018-06-21 | 2018-06-21 | 停车场的数据修补方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810641928.6A CN109033170B (zh) | 2018-06-21 | 2018-06-21 | 停车场的数据修补方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033170A CN109033170A (zh) | 2018-12-18 |
CN109033170B true CN109033170B (zh) | 2021-07-16 |
Family
ID=64610458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810641928.6A Active CN109033170B (zh) | 2018-06-21 | 2018-06-21 | 停车场的数据修补方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033170B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220165155A1 (en) * | 2019-05-08 | 2022-05-26 | Shenzhen Institutes Of Advanced Technology | Parking Guidance Method Based on Temporal and Spatial Features and Its Device, Equipment, and Storage Medium |
CN110674843B (zh) * | 2019-08-27 | 2023-06-02 | 创新先进技术有限公司 | 一种停车场实体的生成方法及系统 |
CN110751853B (zh) * | 2019-10-25 | 2021-05-18 | 百度在线网络技术(北京)有限公司 | 停车位数据的有效性识别方法和装置 |
CN111445075B (zh) * | 2020-03-26 | 2022-11-18 | 深圳先进技术研究院 | 停车场服务区域的确定方法、装置、设备以及存储介质 |
CN112330828B (zh) * | 2020-10-30 | 2023-01-06 | 深圳市元征科技股份有限公司 | 停车场的车辆信息处理方法、装置、终端设备及存储介质 |
CN114049788B (zh) * | 2021-11-12 | 2022-07-29 | 城云科技(中国)有限公司 | 停车盲点识别方法、装置及电子装置、计算机程序产品 |
CN114611597A (zh) * | 2022-03-07 | 2022-06-10 | 山东大学 | 基于rgan的锂离子电池健康状态估计方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009169527A (ja) * | 2008-01-11 | 2009-07-30 | Zenrin Datacom Co Ltd | 駐車可能施設判別システム、駐車可能施設判別方法および駐車可能施設判別装置 |
CN105718470A (zh) * | 2014-12-03 | 2016-06-29 | 高德软件有限公司 | 一种poi数据处理方法和装置 |
CN105741503A (zh) * | 2016-03-04 | 2016-07-06 | 西南交通大学 | 一种现有监控设备下的停车场实时预警方法 |
CN106028446A (zh) * | 2016-07-15 | 2016-10-12 | 西华大学 | 室内停车场定位方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8301482B2 (en) * | 2003-08-25 | 2012-10-30 | Tom Reynolds | Determining strategies for increasing loyalty of a population to an entity |
-
2018
- 2018-06-21 CN CN201810641928.6A patent/CN109033170B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009169527A (ja) * | 2008-01-11 | 2009-07-30 | Zenrin Datacom Co Ltd | 駐車可能施設判別システム、駐車可能施設判別方法および駐車可能施設判別装置 |
CN105718470A (zh) * | 2014-12-03 | 2016-06-29 | 高德软件有限公司 | 一种poi数据处理方法和装置 |
CN105741503A (zh) * | 2016-03-04 | 2016-07-06 | 西南交通大学 | 一种现有监控设备下的停车场实时预警方法 |
CN106028446A (zh) * | 2016-07-15 | 2016-10-12 | 西华大学 | 室内停车场定位方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于ARIMA模型的短时交通流实时自适应预测_韩超;韩超等;《系统仿真学报》;20040731;第16卷(第7期);第1530-1535页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109033170A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033170B (zh) | 停车场的数据修补方法、装置、设备及存储介质 | |
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN104462190B (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
US20160102987A1 (en) | Method for inferring type of road segment | |
CN111932026B (zh) | 基于数据融合和知识图谱嵌入的城市流量模式挖掘方法 | |
CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN111080070A (zh) | 一种基于空间误差的城市土地利用模拟元胞自动机方法 | |
CN109947881B (zh) | 一种poi判重方法、装置、移动终端及计算机可读存储介质 | |
US9788158B1 (en) | Systems and methods to measure the population of mobile devices in a predefined geographical region | |
CN109947948B (zh) | 一种基于张量的知识图谱表示学习方法及系统 | |
Nikolić et al. | Implementation of generic algorithm in map-matching model | |
CN112381313A (zh) | 充电桩地址的确定方法和装置 | |
Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
Liu et al. | A Bayesian approach to residential property valuation based on built environment and house characteristics | |
CN105844303A (zh) | 一种基于局部和全局信息的采样式聚类集成方法 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
AU2020103738A4 (en) | Parking lot data repair method and apparatus, device and storage medium | |
US11295619B2 (en) | Parking lot data repair method and apparatus, device and storage medium | |
CN114792397A (zh) | 一种sar影像城市道路提取方法、系统以及存储介质 | |
CN110991083B (zh) | 一种光伏电站模型确定方法、装置、设备及储存介质 | |
EP4275013A1 (en) | Method, data processing apparatus and computer program product for generating map data | |
WO2020024206A1 (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN113328466A (zh) | 一种电动汽车充电场景生成方法 | |
Parchitelli et al. | A pre-process clustering methods for the waste collection problem | |
Fan et al. | Lane‐Level Road Map Construction considering Vehicle Lane‐Changing Behavior |
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 |