CN110223533A - 一种基于生存分析的夜间驻留停车需求预测方法 - Google Patents
一种基于生存分析的夜间驻留停车需求预测方法 Download PDFInfo
- Publication number
- CN110223533A CN110223533A CN201910530235.4A CN201910530235A CN110223533A CN 110223533 A CN110223533 A CN 110223533A CN 201910530235 A CN201910530235 A CN 201910530235A CN 110223533 A CN110223533 A CN 110223533A
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- time
- night
- resident
- 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
- 230000004083 survival effect Effects 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000011160 research Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000000151 deposition Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 10
- 238000013459 approach Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于生存分析的夜间驻留停车需求预测方法，其中，该方法包括：获取停车场连续停车数据和一些外部因素数据；根据停车特征分析划分停车的日间时段和夜间时段，将夜间停车需求转化为日间停放车辆的驻留部分；将停车事件用生存事件表述，进行相应的数据处理使其形式适用于生存分析方法；采用半参数模型方法，构建多种因素对停车时长影响的Cox比例风险模型；根据模型结果对不同条件下日间驶入车辆停放不同时长的概率进行预测，进一步得到预测的夜间停车需求。本发明提出了一种新的夜间停车需求预测的微观方法，且具有良好的预测精度。根据本发明提出的这种夜间驻留停车需求预测方法，能够为停车场的夜间需求管理提供依据，可用于精细化管理的定价、共享泊位开放、停车分区等方面。
Description
技术领域
本发明涉及静态交通、停车场设计领域，具体涉及一种基于生存分析的夜间驻留停车需求预测方法。
背景技术
随着机动车保有量的不断攀升，停车设施不足已然成为各大城市的通病，精细化的停车管理则成为提高停车设施利用效率、缓解停车难问题的重要手段，作为城市停车设施精细化管理的前提和基础，准确地进行停车需求预测变得十分重要。随着共享停车理念的深入，精细化的停车管理势必要根据停车场主体建筑类型，对白天与夜晚的停车需求进行区分，分别制定相应、合理的车位预留容量方案，从而达到对停车需求全天变化情况的掌握、保障共享停车管理的有序执行。
夜间停车需求又称基本停车需求，主要是由车辆保有量引起的停车需求，时变波动不大。目前专门针对夜间停车需求预测的研究很少，大多包含在全天停车预测中，主要是通过区域注册车辆数估计，或根据区域停车生成率计算等宏观方法。
应用神经网络等人工智能方法虽然理论上能获得较好的预测精度，但是由于该类方法包含一些不可认知(隐含)的过程方法，导致研究者无法进一步对停车需求的变化规律进行掌握，同时也大大降低了预测结果对停车管理决策的指导意义。
发明内容
本发明提出的预测方法，是在现有技术的基础上，考虑到夜间停车需求时变波动不大，主要是由日间驶入车辆波动引起的，即夜间停放车辆是日间驶入车辆的驻留部分，从而将夜间停车需求预测转换为对日间驶入车辆停车时长分布的预测，通过对日间驶入车辆的停车时长进行分析，以预测夜间驻留车辆数，同时能够获取影响停车时长的因素，提高应用价值。
本发明提供了一种基于生存分析的夜间驻留停车需求预测方法，其特征在于，夜间停车需求预测方法思路上的转变，采用生存分析的方法，针对单一建筑类型自备路外停车场，对日间驶入车辆的停车时长进行分析，以预测夜间驻留车辆数，具体步骤为：
步骤1：获取停车场历史停车数据，包括车辆驶入停车场时间和驶离时间，以及其他影响因素例如用户类型、天气、日期等；
步骤2：根据停车特征分析定义并划分日间时段和夜间时段，将在日间时段驶入但未在该时段驶离的车辆定义为夜间驻留车辆，对应的夜间停车需求预测则转换为日间驶入车辆驻留的概率预测；
步骤3：将停车行为表述为生存事件，对应的生存分析研究中的兴趣(关注)事件为白天时段不同时刻下驶入停车场的车辆驶离停车场的行为，将数据处理成适于生存分析的形式；
步骤4：利用生存分析方法中的COX比例风险模型，建立不同影响因素下的停车时长生存模型，获得生存时间曲线及过夜驻留停车概率；
步骤5：根据建立的生存函数模型，预测不同条件下，各时刻驶入车辆停放不同时长的概率，夜间时段的停车需求通过白天各时段驶入车辆数和其停放至夜间时段的概率计算得到。
特别地，所述步骤2中，该问题对应的生存分析问题要素定义如下：
定义1(事件开始的时间)：车辆在白天驶入停车场的时刻；
定义2(事件终止的时间)：车辆驶离停车场的时刻或研究时段结束时刻(晚10点)；
定义3(生存时间)：车辆在停车场停放的时间，即车辆驶离与驶入停车场的时间差；
定义4(结局变量)：存在两种情况，一种是在白天时段内车辆驶离停车场；另一种是车辆在白天时段内驶入但在研究时段内未驶离，即出现驻留现象。
驻留停车的生存函数为：
用T表示生存时间，即车辆在停车场的停放时间，T的分布函数为：
式中，t表示车辆停放时间；f(t)表示生存时间T的概率密度函数。
T的生存函数用S(t)表示，表示车辆在停放存时间为t时仍停留在停车场的概率，也称为可靠度函数或累计生存概率，其公式为：
式中，t表示车辆停放时间；f(t)表示生存时间T的概率密度函数；F(t)表示生存时间T的分布函数。
与生存函数对应的为风险函数，用h(t)表示，表示停放时间为t的车辆在下一个很小的时间段内驶离停车场的概率，对应的累计危险率函数H(t)为：
式中，t表示车辆停放时间；f(t)表示生存时间T的概率密度函数；S(t)表示生存时间T的生存函数。
S(t)与H(t)的关系为：
所述步骤2中，停车时间本身是一个随机变量，其分布形式无法事先获得，且停车时间的长短会受到多个因素的影响，同时停车数据中还存在删截，因此在估计方法上采用Cox比例风险模型，在未知生存时间分布的情况下，分析多个影响因素对生存时间的影响程度。
基本Cox比例风险模型表达式为：
h(t|x1，x2，…，xp)＝h0(t)·g(x1，x2，…，xp)
式中h0(t)为潜在危险率函数，代表x1＝x2＝…＝xp＝0时t时刻的风险函数；g(x)表示各个协变量的效应。在Cox比例机会模型中，假定各个协变量项的效应服从指数分布形式，因此，时间变量T的危险率函数可以写成如下形式：
式中，b＝(b1，b2，…，bp)′为协变量对应的系数(参数)向量，bj(j＝1，2，…，p)为各协变量xj(j＝1，2，…，p)对应的系数，这些系数可以从观测到的数据中估计出来，它们表示对其协变量的影响的大小。
根据生存函数、风险函数和累计危险率函数的等价对应关系，则时间变量T的生存函数S(t)可以如下表示：
式中，H0(t)表示忽略所有协变量影响后的基准车辆驶离累计危险率函数，S0(t)表示忽略所有协变量影响后的基准停车时长生存函数。
所述步骤5中，对应的夜间驻留停车需求量为：
式中，s代表白天内的s时刻；h0(s)代表s时刻驶入的车辆停放至夜间时段的概率；Ns代表s时刻驶入的车辆数。
本发明的优点及积极效果为：
1、提出基于生存分析的停车需求微观预测方法和思路，有效克服了宏观预测方法的不精确和机器学习方法指导意义较弱的缺陷。
2、该方法得到的结果不仅能够预测夜间驻留停车需求量，而且能够扩展到对停车时长的潜在影响因素分析，为停车场的管理提供依据，具有较强的应用价值。
附图说明
图1是本发明夜间驻留停车需求预测方法的逻辑流程图；
图2是实施例一中COX比例风险模型对应的Cox-Snell残差图；
图3是实施例一中晴天、周一、9时驶入停车场的停车时长生存时间概率转移曲线；
图4是实施例一中晴天、周一各时刻驶入停车场的过夜驻留停车概率转移曲线；
图5是实施例一中长期用户9月12日各时刻驻留停车需求预测与实际过夜车辆数柱状图；
图6是实施例一中晴天一周各天各时刻驶入停车场的过夜驻留停车概率转移平面图；
图7是实施例一中晴天一周各天各时刻驶入停车场的过夜驻留停车概率转移曲面图；
图8是实施例一中晴天下，一周各天各时刻过夜驻留概率的平均绝对误差图；
图9是实施例一中过夜驻留停车预测应用的逻辑流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
步骤一：停车场调查对象
上海某科技园位于上海市浦东新区，靠近中环，占据张江高科技园区集电港产业核心区内，是典型的办公建筑。园区建筑面积7.6万平方米，办公面积约6.5万平方米。园区自备路外停车场，总停车位为502个，包括地面停车位181个和地库停车位321个。
选取的数据为该科技园2016.6-2016.11月共6个月的连续停车数据，其中2016.6.1-2016.8.31三个月共超过3万条的停车数据作为模型训练样本，2016.9.1-2016.11.30的停车数据作为测试样本对模型进行性能评价。
通过综合现有关于单一自备停车场停车行为的相关研究文献，结合对停车场基础信息的调研及刷卡数据特征，并考虑数据采集处理的难易程度三个方面，最终考虑的主要协变量可分为三类：固定信息特征、停车行为特征以及环境因素。
表1协变量的定义及说明
步骤二：研究事件转换为生存事件
针对夜间驻留的停车需求而言，希望获得白天时段(早7点至晚10点，共计15个小时)内驶入停车场车辆在多种因素影响下的夜间驻留停车行为变化情况。因此将观测时段定义为日间早7点-晚10点，定义在晚10点后车辆仍停放在停车场为夜间驻留现象。
由于夜间停车需求变化很小，基本保持稳定，因此夜间驻留停车需求或行为的产生即来自于日间驶入停车场的车辆。基于此，针对驻留停车的问题即可转化为针对白天(早7:00-晚10:00)不同时间下驶入停车场的车辆的停放时间持续到晚10点之后的问题。此时，对应的生存分析研究中的兴趣(关注)事件为白天时段不同时刻下驶入停车场的车辆驶离停车场的行为。
步骤三：数据处理
新增一列数据名为删截数据，当车辆在白天时段内驶入且在白天时段内驶离，该列赋值为1，代表该车辆死亡(未发生夜间驻留)，反之车辆在白天时段内驶入但未在白天时段内驶离，该列赋值为0，代表该车辆成为夜间驻留车辆。
将驶入时间、驶离时间及停车时长均以细分时段进行表示，将白天时段(早7点开始至晚10点结束)，每15分钟划分一个时段，共计60个时段。将驶入时间和驶离时间均表示为时段序号，停放时长表示为细分时段的个数，便于后续数据分析。
步骤四：建立COX比例风险模型
针对上述协变量建立Cox比例回归模型，利用SAS软件编程，采用向后逐步回归法对模型中的各协变量进行筛选和参数估计。每步回归中，似然比检验水平设置为0.05，得到Cox比例风险模型协变量系数的参数估计结果，如表2所示。
表2保留的参数最大似然估计分析
从表2中可以看出，影响车辆停放时长的影响因素包括驶入时刻、用户类型、驶入天气和星期，且影响程度最大的是驶入时刻。
表3模型显著性检验(检验全局零假设：BETA＝0)
从模型协变量的显著性检验来看，三种检验的显著性均小于0.05时，表示对应的四个解释变量对模型的影响显著，均为有效变量。
绘制Cox-Snell残差图如图2所示，可以看出，残差值小于3.5时，Cox-Snell残差与近似为一条45°的直线，当残差值大于3.5时，二者有一定的差异。总体来说，Cox比例风险模型有比较好的拟合效果.
模型的检验结果表示模型有效且具有优良的拟合效果，得到不同因素影响下的停车时长生存时间模型的表达式如下：
步骤五：夜间驻留停车需求预测
根据Cox比例风险模型可以进行不同影响因素条件下的停车时长生存时间的可能性预测，即对不同影响因素下过夜驻留停车概率的预测，下面将以三个例子进行预测结果展示。
(1)以晴天，周一早9点驶入停车场的长期用户车辆过夜驻留概率预测为例
基于各个协变量的定义，该题设条件下，长期用户的取值xclient＝1，周一的取值xweekday＝1，晴天的取值xin_Forecast＝0，驶入时刻9点的取值xin_Time＝9，代入Cox比例风险模型中，其停车时长的生存时间曲线如图3所示。
图3中曲线的任意一点代表的是，在该题设条件下，9点驶入停车场的车辆停放至横坐标时长的概率，在95％置信区间下，其在22:00后仍然驻留在停车场的概率为(0.06903，0.07836)，均值为0.07355，即有0.07355的概率会出现过夜驻留停车情况。
在相同条件下，利用测试集数据进行检验。9-11月实际情况统计得到的过夜概率为0.03115，误差约为4.2％。其中9月至11月份9点驶入停车场的最大车辆数量为55辆(统计间隔为15分钟)，即模型预测结果的误差约为2辆，可以认为该模型预测精度良好，满足实际需求。此外，根据Cox比例风险模型，也同样可以预测车辆在其他停车时长的驶离行为，为精细化的停车管理提供信息支持。
(2)以晴天，周一各时刻驶入停车场的长期车辆过夜驻留概率预测为例
本例将进一步拓展模型的使用，预测同一日间不同驶入时刻的车辆发生过夜驻留停车行为的概率。模型的参数设定与例1中相同，xclient＝1，xweekday＝1,xin_Forecast＝0分别预测各个时刻的相应的停车时长达到过夜驻留条件时的生存可能性，其结果如图4所示。
图4中曲线的任意一点表示，在该横坐标时刻驶入停车场的车辆过夜驻留的概率为对应的纵坐标值。计算得到在该条件下，模型各个时刻的过夜停车概率与实际值的全天平均绝对误差约为7.90％，预测精度达到92.10％，研究认为满足预测精度的需要。为了验证研究方法在预测过夜驻留停车需求的可靠性，在测试集内选取相同条件下的9月12日的实际数据进行比较，如表4所示。9月12日全天预测驻留停车数为46，而实际预测驻留停车数为31，误差为15辆，约占停车场容量的3％，可以认为所提出方法的预测效果可靠，满足实际停车管理的要求。
表4九月十二日预测夜间驻留量和实际夜间驻留量
(3)以晴天，一周各天内驶入停车场的长期用户车辆过夜驻留概率预测为例
设定天气参数xin_Forecast＝0，长期用户的取值xclient＝1，分别预测一周内各天的不同时刻驶入停车场车辆的停车时长达到过夜驻留条件时的生存可能性，其结果如图6和图7所示。
计算该条件下的各时刻过夜停车概率与实际值的平均绝对误差如图8所示，可以看到10:00前的误差均在0.05以下，处于较低的水平，而中午时段和20:30以后的时段概率预测误差较大，考虑原因可能与在这些时段内实际驶入的车辆数较少有关。得到全天的平均绝对误差约为6.20％，在可接受的误差允许范围内。
最后，结合当前已有研究对于日间停车需求时变预测方法的应用，提出基于Cox比例风险模型的过夜驻留停车预测流程，如图9所示。
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 (4)
1.一种基于生存分析的夜间驻留停车需求预测方法，其特征在于，具体步骤为：
步骤1：获取停车场历史停车数据，包括车辆驶入停车场时间和驶离时间，以及其他影响因素例如用户类型、天气、日期等；
步骤2：根据停车特征分析定义并划分日间时段和夜间时段，将在日间时段驶入但未在该时段驶离的车辆定义为夜间驻留车辆，对应的夜间停车需求预测则转换为日间驶入车辆驻留的概率预测；
步骤3：将停车行为表述为生存事件，对应的生存分析研究中的兴趣(关注)事件为白天时段不同时刻下驶入停车场的车辆驶离停车场的行为，将数据处理成适于生存分析的形式；
步骤4：利用生存分析方法中的COX比例风险模型，建立不同影响因素下的停车时长生存模型，获得生存时间曲线及过夜驻留停车概率；
步骤5：根据建立的生存函数模型，预测不同条件下，各时刻驶入车辆停放不同时长的概率，夜间时段的停车需求通过白天各时段驶入车辆数和其停放至夜间时段的概率计算得到。
2.如权利要求1所述的一种基于生存分析的夜间驻留停车需求预测方法，其特征在于，所述步骤2中，
该问题对应的生存分析问题要素定义如下：
定义1(事件开始的时间)：车辆在白天驶入停车场的时刻；
定义2(事件终止的时间)：车辆驶离停车场的时刻或研究时段结束时刻(晚10点)；
定义3(生存时间)：车辆在停车场停放的时间，即车辆驶离与驶入停车场的时间差；
定义4(结局变量)：存在两种情况，一种是在白天时段内车辆驶离停车场；另一种是车辆在白天时段内驶入但在研究时段内未驶离，即出现驻留现象。
驻留停车的生存函数为：
用T表示生存时间，即车辆在停车场的停放时间，T的分布函数为：
F(t)＝P(T≤t)＝∫0 tf(u)du
式中，t表示车辆停放时间；f(t)表示生存时间T的概率密度函数。
T的生存函数用S(t)表示，表示车辆在停放存时间为t时仍停留在停车场的概率，也称为可靠度函数或累计生存概率，其公式为：
S(t)＝1-F(t)＝P(T>t)＝∫t ∞f(u)du
式中，t表示车辆停放时间；f(t)表示生存时间T的概率密度函数；F(t)表示生存时间T的分布函数。
与生存函数对应的为风险函数，用h(t)表示，表示停放时间为t的车辆在下一个很小的时间段内驶离停车场的概率，对应的累计危险率函数H(t)为：
式中，t表示车辆停放时间；f(t)表示生存时间T的概率密度函数；S(t)表示生存时间T的生存函数。
S(t)与H(t)的关系为：
3.如权利要求1所述的一种基于生存分析的夜间驻留停车需求预测方法，其特征在于，所述步骤4中，
停车时间本身是一个随机变量，其分布形式无法事先获得，且停车时间的长短会受到多个因素的影响，采用Cox比例风险模型，在未知生存时间分布的情况下，分析多个影响因素对生存时间的影响程度。
基本Cox比例风险模型表达式为：
h(t|x1，x2，…，xp)＝h0(t)·g(x1，x2，…，xp)
式中h0(t)为潜在危险率函数，代表x1＝x2＝…＝xp＝0时t时刻的风险函数；g(x)表示各个协变量的效应。在Cox比例机会模型中，假定各个协变量项的效应服从指数分布形式，因此，时间变量T的危险率函数可以写成如下形式：
式中，b＝(b1，b2，…，bp)′为协变量对应的系数(参数)向量，bj(j＝1，2，…，p)为各协变量xj(j＝1，2，…，p)对应的系数，这些系数可以从观测到的数据中估计出来，它们表示对其协变量的影响的大小。
根据生存函数、风险函数和累计危险率函数的等价对应关系，则时间变量T的生存函数S(t)可以如下表示：
式中，H0(t)表示忽略所有协变量影响后的基准车辆驶离累计危险率函数，S0(t)表示忽略所有协变量影响后的基准停车时长生存函数。
4.如权利要求1所述的一种基于生存分析的夜间驻留停车需求预测方法，其特征在于，所述步骤5中，
对应的夜间驻留停车需求量为：
式中，s代表白天内的s时刻；h0(s)代表s时刻驶入的车辆停放至夜间时段的概率；Ns代表s时刻驶入的车辆数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910530235.4A CN110223533B (zh) | 2019-06-19 | 2019-06-19 | 一种基于生存分析的夜间驻留停车需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910530235.4A CN110223533B (zh) | 2019-06-19 | 2019-06-19 | 一种基于生存分析的夜间驻留停车需求预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110223533A true CN110223533A (zh) | 2019-09-10 |
| CN110223533B CN110223533B (zh) | 2021-04-30 |
Family
ID=67817678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910530235.4A Active CN110223533B (zh) | 2019-06-19 | 2019-06-19 | 一种基于生存分析的夜间驻留停车需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223533B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838243A (zh) * | 2019-11-13 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 车位数据处理方法、装置和计算机可读存储介质 |
| CN111160840A (zh) * | 2019-11-27 | 2020-05-15 | 北京中交兴路信息科技有限公司 | 一种车辆服务站的流量估计方法和系统 |
| CN113269957A (zh) * | 2021-03-19 | 2021-08-17 | 青岛亿联信息科技股份有限公司 | 一种停车场车位调度系统及方法 |
| CN117173898A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于停车场流水数据的分时段分目的出行od提取方法 |
| CN115547037B (zh) * | 2022-09-14 | 2024-05-28 | 华南理工大学 | 高速公路交通事故持续时间预测方法、系统、装置及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160334122A1 (en) * | 2015-01-27 | 2016-11-17 | Patrick Andrew Shiel | Method of controlling ventilation and chilling systems to conserve energy in commercial buildings |
| CN107248317A (zh) * | 2017-07-27 | 2017-10-13 | 武汉市艾派智能科技有限公司 | 一种基于车牌识别系统的停车场空余车位数预测方法 |
-
2019
- 2019-06-19 CN CN201910530235.4A patent/CN110223533B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160334122A1 (en) * | 2015-01-27 | 2016-11-17 | Patrick Andrew Shiel | Method of controlling ventilation and chilling systems to conserve energy in commercial buildings |
| CN107248317A (zh) * | 2017-07-27 | 2017-10-13 | 武汉市艾派智能科技有限公司 | 一种基于车牌识别系统的停车场空余车位数预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 关宏志 等: "停车需求预测方法研究", 《北京工业大学学报》 * |
| 周映雪 等: "基于生存分析的城市道路交通拥堵持续时间研究", 《应用数学和力学》 * |
| 孙展 等: "停车泊位共享可行性时空量化分析方法与应用", 《共享与品质——2018中国城市规划年会论文集》 * |
| 李林波 等: "一致性特征下综合体停车需求预测方法", 《同济大学学报（自然科学版）》 * |
| 陈峻 等: "城市停车设施需求预测研究", 《东南大学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838243A (zh) * | 2019-11-13 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 车位数据处理方法、装置和计算机可读存储介质 |
| CN110838243B (zh) * | 2019-11-13 | 2021-08-17 | 腾讯科技（深圳）有限公司 | 车位数据处理方法、装置和计算机可读存储介质 |
| CN111160840A (zh) * | 2019-11-27 | 2020-05-15 | 北京中交兴路信息科技有限公司 | 一种车辆服务站的流量估计方法和系统 |
| CN111160840B (zh) * | 2019-11-27 | 2023-07-25 | 北京中交兴路信息科技有限公司 | 一种车辆服务站的流量估计方法和系统 |
| CN113269957A (zh) * | 2021-03-19 | 2021-08-17 | 青岛亿联信息科技股份有限公司 | 一种停车场车位调度系统及方法 |
| CN115547037B (zh) * | 2022-09-14 | 2024-05-28 | 华南理工大学 | 高速公路交通事故持续时间预测方法、系统、装置及介质 |
| CN117173898A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于停车场流水数据的分时段分目的出行od提取方法 |
| CN117173898B (zh) * | 2023-11-03 | 2024-02-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于停车场流水数据的分时段分目的出行od提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110223533B (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223533A (zh) | 一种基于生存分析的夜间驻留停车需求预测方法 | |
| WO2023056696A1 (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
| CN108564790B (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
| Zeng et al. | Parking occupancy prediction method based on multi factors and stacked GRU-LSTM | |
| CN116013087B (zh) | 一种基于城市运动车辆检测的车流量统计方法 | |
| CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
| CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
| Wu et al. | Spatial–temporal data-driven full driving cycle prediction for optimal energy management of battery/supercapacitor electric vehicles | |
| CN109544929A (zh) | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 | |
| CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
| CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配系统及方法 | |
| CN114676941A (zh) | 园区综合能源系统电-热负荷联合自适应预测方法及装置 | |
| CN115481813A (zh) | 基于机器学习的新能源公交车能耗预测方法 | |
| CN113821547B (zh) | 快速高效的停车场占有率短时预测方法、系统及存储介质 | |
| Liu | A short-term traffic flow prediction method based on svr | |
| Deng et al. | Prediction of freeway self-driving traffic flow based on bidirectional GRU recurrent neural network | |
| CN110490365A (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
| CN111967686B (zh) | 一种基于用电概率分布函数的随机负荷预测方法 | |
| CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
| CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
| Tian et al. | Deep learning method for traffic accident prediction security | |
| Li et al. | Travel time probability prediction based on constrained LSTM quantile regression | |
| CN105469157A (zh) | 路侧停车需求对停车费率敏感度的空间异质性分析方法 | |
| Jiang et al. | A multi-index prediction method for flight delay based on long short-term memory network model | |
| Liu et al. | Research on passenger flow prediction of bus line based on gradient boosting decision tree |
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 |