CN110942622B - 一种基于停车场实时运营大数据的停车场规划方法 - Google Patents
一种基于停车场实时运营大数据的停车场规划方法 Download PDFInfo
- Publication number
- CN110942622B CN110942622B CN201811107609.3A CN201811107609A CN110942622B CN 110942622 B CN110942622 B CN 110942622B CN 201811107609 A CN201811107609 A CN 201811107609A CN 110942622 B CN110942622 B CN 110942622B
- Authority
- CN
- China
- Prior art keywords
- parking lot
- data
- parking
- time
- real
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
- G08G1/0125—Traffic data processing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (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
本发明涉及一种基于停车场实时运营大数据的停车场规划方法,具体步骤包括:获取区域内历史道路断面车牌识别数据得到区域车流OD;获取运营商手机大数据,计算全域客流OD;计算全域车辆OD,获得车流分时段的停留与出行时变数据;获取全域停车场流水数据,得到全域停车场的停车现状特征;根据车流分时段的停留与出行时变数据以及全域停车场的停车现状特征计算全域内的潜在泊车需求,进行停车场的运营评估、预测,以及新停车场的规划建设。与现有技术相比,本发明立足于宏观层面,综合考虑居民出行行为和出行需求以及停车场的停车特征,通过对大数据的挖掘,分析区域范围内停车场的供需匹配情况,对于停车场的规划建设和管理均具有重要的意义。
Description
技术领域
本发明涉及城市停车场规划领域,尤其是涉及一种基于停车场实时运营大数据的停车场规划方法。
背景技术
随着我国城市化水平的不断提高,在迈向新型城市化背景下,停车产业在内因和外因的双重刺激下,越来越受到重视,也成为当前城市发展“补短板”过程中不可忽视的一个重要环节。城市化水平已经超过50%以上的各大中城市停车设施供给严重不足,导致停车供需矛盾日益突出,给城市发展带来了一系列的问题,停车难问题的解决迫在眉睫。
目前,传统的技术对于停车场的规划往往是从微观层面,基于区域停车场的历史停车数据和停车特征数据,小范围和短期内预测停车场的供需情况。没有在宏观层面,综合考虑居民出行行为和出行需求以及停车场的停车特征,对停车场的规划进行全局的分析和规划,使得停车场的规划不能符合居民的出行规律以及总体区域的实际停车需求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于停车场实时运营大数据的停车场规划方法。
本发明的目的可以通过以下技术方案来实现:
一种基于停车场实时运营大数据的停车场规划方法,具体步骤包括:
a.获取区域内历史道路断面车牌识别数据得到区域车流OD;
b.获取运营商手机大数据,计算全域客流OD;
c.根据区域车流OD和全域客流OD计算全域车辆OD,由全域车辆OD获得车流分时段的停留与出行时变数据;
d.获取全域停车场流水数据,得到全域停车场的停车现状特征;
e.根据车流分时段的停留与出行时变数据以及全域停车场的停车现状特征计算全域内的潜在泊车需求,进行停车场的运营评估、预测,以及新停车场的规划建设。
进一步地,所述的区域内历史道路断面车牌识别数据包括断面ID、时间周期起始时刻、车牌号码和车型信息。
进一步地,所述的步骤a还包括:获取区域道路交叉口以及路段实际车流量数据对区域车流OD进行校核与修正。
进一步地,所述步骤b具体包括:
b1.获取所有区域出行者在一次完整出行过程中的所有手机信号数据,并根据区域移动网络通信的覆盖情况,建立由虚拟传感器节点和路段构成的虚拟传感器网络;
b2.将虚拟传感器网络和实际全域移动通讯网络进行第一次映射,获取出行者在区域移动通信网络中的活动情况;
b3.将区域移动通信网络和空间地理数据进行第二次映射,计算出行者在真实地理空间上的出行链特征;
b4.根据出行者在真实地理空间上的出行链特征获得客流群体的活动特征数据;
b5.将客流群体的活动特征数据进行扩样计算获得总体人口的相关特征指标,即全域客流OD。
进一步地,步骤c计算全域车辆OD时,引入全域内每个时间段的车流与客流产生、客流吸引之间的相关性权值。
进一步地,所述的步骤c还包括:获取全域道路交叉口以及路段实际车流量数据对全域车流OD进行校核与修正。
进一步地,所述停车现状特征包括停车场进出时变、停车时长分布和饱和度时变。
进一步地,步骤e计算全域内的潜在泊车需求时,引入停车现状与停车场所在用地属性、职住出行占比和设施类型之间的相关性权值。
与现有技术相比,本发明具有以下优点:
1、本发明综合利用历史断面车牌识别数据和路段断面车流OD,获取路网车辆的出行分布特征,避免了传统低比例抽样问卷的随机性和OD反推局限性,保证了车流OD成果的数据精度和可靠性。
2、本发明通过手机大数据出行分析技术,挖掘出行链信息从而获取居民的出行行为特征,并结合客流OD特征与车流OD特征,推算车流总体出行特征与规律,有效提高流量预测的精度。
3、本发明根据各个停车场现在车辆使用特征数据、区域用地数据等数据的挖掘分析,综合考虑停车的相关影响因素,计算全域的潜在泊车需求,实现不同时期不同空间范围下的停车需求和供给的分析与预测以及供需匹配程度的判断。
综上,本发明在宏观层面,综合考虑居民出行行为和出行需求以及停车场的停车特征,通过对大数据的挖掘,分析区域范围内停车场的供需匹配情况对于停车场的规划建设和管理均具有重要的意义。
附图说明
图1为本发明运行平台的结构示意图;
图2为数据交互系统局部结构示意图;
图3为核心数据库局部结构示意图;
图4为本发明的流程示意图;
附图标记:1、数据交互系统,2、核心数据库,3、停车需求大数据挖掘处理分析系统,4、停车场规划建设应用支撑系统,5、停车场运营评估及预测系统8、数据汇聚模块,9、数据交换业务模块,10、文件存储数据库,11、基础数据库,12、成果数据库,13、数据仓库。
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。
如图1所示,本实施例提供了一种基于停车场库实时运营大数据的停车规划平台,包括数据交互系统1、核心数据库2、停车需求大数据挖掘处理分析系统3、停车场规划建设应用支撑系统4、停车场运营评估及预测系统5。
如图2所示,数据交互系统1包括数据汇聚模块8和数据交换业务模块9,通过对各个数据源接入的数据进行汇聚和业务交换。
如图3所示,核心数据库2包括文件存储数据库10、基础数据库11、成果数据库12和数据仓库13,所述数据仓库13的数据将被长期保留,主要供决策分析使用,所涉及的数据操作主要是数据查询。
如图4所示,停车需求大数据挖掘处理分析系统3对平台接入数据进行计算处理,包括原始数据分析、同类数据融合处理、异类数据联合分析,最终对数据进行可视化展示。其中,具体处理过程为:
步骤401:获取区域内历史道路断面车牌识别数据得到区域车流OD(OriginalDestination交通出行量),从断面i出发到断面j的车流量,即为断面i与断面j间的车流OD。
区域内历史道路断面车牌识别数据,包括断面ID、时间周期起始时刻、车牌号码和车型信息;获取区域道路交叉口以及路段实际车流量数据对区域车流OD进行校核与修正,得到最终区域车流OD。
步骤402:获取运营商手机大数据,计算全域客流OD。
1):获取所有区域出行者在一次完整出行过程中的所有手机信号数据,并根据区域移动网络通信的覆盖情况,建立由虚拟传感器节点和路段构成的虚拟传感器网络;
2):将虚拟传感器网络和实际全域移动通讯网络进行第一次映射,具体为通过虚拟传感器网络地理译码得到每个手机信号数据所对应的虚拟传感器节点组成虚拟传感器节点序列,获取出行者在区域移动通信网络中的活动情况;
3):将区域移动通信网络和空间地理数据进行第二次映射,具体为通过运营商基站信号覆盖与GIS基础地图与空间地理数据形成的相互映射关系,计算出行者在真实地理空间上的出行链特征;
4):根据出行者在真实地理空间上的出行链特征获得客流群体的活动特征数据;
5):将客流群体的活动特征数据进行扩样计算获得总体人口的相关特征指标,即全域客流OD。
步骤403:根据区域车流OD和全域客流OD计算全域车辆OD。
计算全域车辆OD时,需要引入全域内每个时间段的车流与客流产生、客流吸引之间的相关性权值。
(1)基于全域客流OD,结合区域职住人口分布变量及区域动态人口分布变量,对随时间变化的区域常规、偶发客流产生和客流吸引进行分析,基于区域车流OD,对随时间变化的断面常规、偶发车流产生与车流吸引进行分析;
(2)基于区域用地类型以及各类POI(Point of interest,兴趣点)分析,结合(1)的分析结果,分析得到各类属性区域不同时段的车流与客流产生、吸引之间的相关性;
(3)计算获得全域不同时段的车流OD;
(4)获取全域道路交叉口以及路段实际车流量数据对全域车流OD进行校核与修正,得到最终全域车流OD;
(5)由全域车辆OD获得车流分时段的停留与出行时变数据,即全域内每个时段需要停车的数量。
步骤404:获取全域停车场流水数据,得到全域停车场的停车现状特征。停车现状特征包括停车场进出时变、停车时长分布和饱和度时变等。
步骤405:根据车流分时段的停留与出行时变数据以及全域停车场的停车现状特征计算全域内的潜在泊车需求,即全域所需要停车位的数量。根据泊车需求进行停车场的运营评估、预测,以及新停车场的规划建设。计算全域内的潜在泊车需求时,还需要引入停车现状与停车场所在用地属性、职住出行占比和设施类别之间的相关性权值:对停车现状与停车场所在用地、职住出行、各类设施等要素之间的相关性进行训练学习;基于不同因素相关性权值与不同时段泊车当量训练结果,估算全域的潜在泊车需求。
最终将规划结果传输至到停车场规划建设应用支撑系统4和停车场运营评估及预测系统5。停车场规划建设应用支撑系统4包括停车需求指标分析与停车规模指标分析两大板块。停车场运营评估及预测系统5包括运营评价指标分析与停车竞争指标分析两大板块。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于停车场实时运营大数据的停车场规划方法,其特征在于,具体步骤包括:
a.获取区域内历史道路断面车牌识别数据得到区域车流OD;
b.获取运营商手机大数据,计算全域客流OD,具体包括:
b1.获取所有区域出行者在一次完整出行过程中的所有手机信号数据,并根据区域移动网络通信的覆盖情况,建立由虚拟传感器节点和路段构成的虚拟传感器网络;
b2.将虚拟传感器网络和实际全域移动通讯网络进行第一次映射,获取出行者在区域移动通信网络中的活动情况;
b3.将区域移动通信网络和空间地理数据进行第二次映射,计算出行者在真实地理空间上的出行链特征;
b4.根据出行者在真实地理空间上的出行链特征获得客流群体的活动特征数据;
b5.将客流群体的活动特征数据进行扩样计算获得总体人口的相关特征指标,即全域客流OD;
c.根据区域车流OD和全域客流OD计算全域车辆OD,由全域车辆OD获得车流分时段的停留与出行时变数据;
d.获取全域停车场流水数据,得到全域停车场的停车现状特征;
e.根据车流分时段的停留与出行时变数据以及全域停车场的停车现状特征计算全域内的潜在泊车需求,进行停车场的运营评估、预测,以及新停车场的规划建设。
2.根据权利要求1所述的基于停车场实时运营大数据的停车场规划方法,其特征在于,所述的区域内历史道路断面车牌识别数据包括断面ID、时间周期起始时刻、车牌号码和车型信息。
3.根据权利要求1所述的基于停车场实时运营大数据的停车场规划方法,其特征在于,所述的步骤a还包括:获取区域道路交叉口以及路段实际车流量数据对区域车流OD进行校核与修正。
4.根据权利要求1所述的基于停车场实时运营大数据的停车场规划方法,其特征在于,步骤c计算全域车辆OD时,引入全域内每个时间段的车流与客流产生、客流吸引之间的相关性权值。
5.根据权利要求1所述的基于停车场实时运营大数据的停车场规划方法,其特征在于,所述的步骤c还包括:获取全域道路交叉口以及路段实际车流量数据对全域车流OD进行校核与修正。
6.根据权利要求1所述的基于停车场实时运营大数据的停车场规划方法,其特征在于,所述停车现状特征包括停车场进出时变、停车时长分布和饱和度时变。
7.根据权利要求1所述的基于停车场实时运营大数据的停车场规划方法,其特征在于,步骤e计算全域内的潜在泊车需求时,引入停车现状与停车场所在用地属性、职住出行比例和设施类型之间的相关性权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107609.3A CN110942622B (zh) | 2018-09-21 | 2018-09-21 | 一种基于停车场实时运营大数据的停车场规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107609.3A CN110942622B (zh) | 2018-09-21 | 2018-09-21 | 一种基于停车场实时运营大数据的停车场规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942622A CN110942622A (zh) | 2020-03-31 |
CN110942622B true CN110942622B (zh) | 2022-11-08 |
Family
ID=69905177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811107609.3A Active CN110942622B (zh) | 2018-09-21 | 2018-09-21 | 一种基于停车场实时运营大数据的停车场规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942622B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112201076B (zh) * | 2020-09-18 | 2022-01-04 | 西安宇视信息科技有限公司 | 一种泊车位数量的确定方法、装置、介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228467A1 (en) * | 2009-03-09 | 2010-09-09 | Andrew Wolfe | Traffic Flow Model to Provide Traffic Flow Information |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8427342B2 (en) * | 2010-04-06 | 2013-04-23 | Bayerishe Motoren Werke Aktiengesellschaft | Method and system for locating an available vehicle parking space |
CN104933480B (zh) * | 2015-06-10 | 2018-03-06 | 江苏省城市规划设计研究院 | 一种基于停车供需调控系数的停车设施供应量预测方法 |
CN105489056B (zh) * | 2015-12-28 | 2018-01-26 | 中兴软创科技股份有限公司 | 一种基于od矩阵的停车需求预测方法 |
CN106205204B (zh) * | 2016-09-12 | 2018-10-23 | 中冶赛迪工程技术股份有限公司 | 基于大数据技术和互联网的城市级智慧停车管理系统 |
-
2018
- 2018-09-21 CN CN201811107609.3A patent/CN110942622B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228467A1 (en) * | 2009-03-09 | 2010-09-09 | Andrew Wolfe | Traffic Flow Model to Provide Traffic Flow Information |
Non-Patent Citations (1)
Title |
---|
沈阳市停车规划与管理对策分析;刘伟东等;《沈阳建筑大学学报(社会科学版)》;20180831(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110942622A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gutiérrez et al. | Transit ridership forecasting at station level: an approach based on distance-decay weighted regression | |
CN112133090A (zh) | 一种基于手机信令数据的多方式交通分布模型构建方法 | |
CN103295414B (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
Wang et al. | Analyzing urban traffic demand distribution and the correlation between traffic flow and the built environment based on detector data and POIs | |
CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN105550789A (zh) | 一种公交出行客流的预测方法 | |
Zhao et al. | Space-time dynamics of cab drivers' stay behaviors and their relationships with built environment characteristics | |
CN103177561A (zh) | 公交实时路况的生成方法及系统 | |
CN103680127A (zh) | 一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法 | |
Liu et al. | Multi-scale urban passenger transportation CO2 emission calculation platform for smart mobility management | |
CN115062873A (zh) | 交通出行方式预测方法和装置、存储介质及电子设备 | |
CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN115100848A (zh) | 一种地面交通拥堵的出行溯源方法和系统 | |
Kan et al. | Understanding space-time patterns of vehicular emission flows in urban areas using geospatial technique | |
Wang et al. | STLoyal: A spatio-temporal loyalty-based model for subway passenger flow prediction | |
CN110942622B (zh) | 一种基于停车场实时运营大数据的停车场规划方法 | |
Chen et al. | Finding next high-quality passenger based on spatio-temporal big data | |
Lee et al. | Simple pre-post analysis overestimates the impacts of new public transit services on ridership: Evidence from a quasi-experimental study of new bus rapid transit in Columbus, Ohio, USA | |
Tao et al. | Big data applications in urban transport research in Chinese cities: an overview | |
Li et al. | Mapping highway mobile carbon source emissions using traffic flow big data: a case study of Guangdong Province, China | |
Li et al. | Method for determining the location of highway passenger transportation hubs using poi data and the dijkstra algorithm in large city | |
Chen et al. | Examining regional mobility patterns of public transit and automobile users based on the smart card and mobile Internet data: a case study of Chengdu, China | |
CN112199384A (zh) | 一种电动汽车充电站可达性评价方法 | |
Zhao et al. | Spatiotemporal analysis of trajectory for a new real-time bus routes updated model |
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 |