CN111210656B - 停车场空闲车位预测方法、装置、电子设备及存储介质 - Google Patents

停车场空闲车位预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111210656B
CN111210656B CN202010076198.7A CN202010076198A CN111210656B CN 111210656 B CN111210656 B CN 111210656B CN 202010076198 A CN202010076198 A CN 202010076198A CN 111210656 B CN111210656 B CN 111210656B
Authority
CN
China
Prior art keywords
parking lot
parking
information
time
current moment
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
CN202010076198.7A
Other languages
English (en)
Other versions
CN111210656A (zh
Inventor
张韦嘉
刘浩
熊辉
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010076198.7A priority Critical patent/CN111210656B/zh
Publication of CN111210656A publication Critical patent/CN111210656A/zh
Priority to US17/024,421 priority patent/US20210233405A1/en
Application granted granted Critical
Publication of CN111210656B publication Critical patent/CN111210656B/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
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了停车场空闲车位预测方法和装置等，涉及人工智能领域，所述方法可包括：针对待处理区域内的停车场构建停车场关联图及信息传播图，图中的各结点分别表示一个停车场，将符合预定条件的停车场通过边相连；针对任一不具有实时传感器的停车场i，根据停车场i及停车场关联图中与停车场i通过边相连的邻居停车场的环境上下文特征，确定出停车场i的局部空间相关性信息；根据信息传播图中的具有实时传感器的邻居停车场的空闲车位信息，确定出停车场i的空闲车位估计信息；根据确定出的两种信息，确定出停车场i的时间相关性信息，根据此信息对停车场i未来的空闲车位信息进行预测。应用本申请所述方案，可提高预测结果的准确性等。

Description

停车场空闲车位预测方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机应用技术，特别涉及人工智能领域的停车场空闲车位预测方法、装置、电子设备及存储介质。
背景技术
驾驶员在有停车需求时通常想知道附近有哪些停车场在不久的将来能够拥有可以停车的空闲车位，相应地，若能够预测出停车场的空闲车位信息，可有效提高驾驶员的停车效率等。
目前，可基于用户的反馈生成标注数据，从而对某个区域的停车困难程度进行预测，但这种方式获取到的标注数据很可能是不准确的，比如用户对于停车困难程度本身并没有一个精确的度量，仅凭借自身的感觉给出一个粗略的评估，而且用户还可能出现一些误操作，也会影响反馈的准确性，由于这些问题，会导致预测结果很不准确。
发明内容
有鉴于此，本申请提供了停车场空闲车位预测方法、装置、电子设备及存储介质。
一种停车场空闲车位预测方法，包括：
针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合第一预定条件的任意两个停车场通过边相连；
针对待处理区域内的停车场构建信息传播图，其中的每个结点分别表示一个停车场，将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连；
针对任一不具有实时传感器的停车场i，分别进行以下处理：
根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻所述停车场i的局部空间相关性信息；
根据所述信息传播图中与所述停车场i通过边相连的邻居停车场的空闲车位信息，确定出当前时刻所述停车场i的空闲车位估计信息；
根据所述空闲车位估计信息及所述局部空间相关性信息，确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
根据本申请一优选实施例，所述将符合预定条件的任意两个停车场通过边相连包括：将任意两个距离小于或等于预定阈值的停车场通过边相连；
所述将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连包括：对于任一不具有实时传感器的停车场i，按照与所述停车场i之间的距离从近到远的顺序对各具有实时传感器的停车场进行排序，并确定出排序后处于第L位的停车场与所述停车场i之间的第一距离，所述L为正整数，若所述第一距离大于所述阈值，则将排在前L位的停车场与所述停车场i通过边相连，否则，将与所述停车场i之间的距离小于或等于所述阈值且具有实时传感器的停车场与所述停车场i通过边相连。
根据本申请一优选实施例，所述确定出当前时刻所述停车场i的局部空间相关性信息包括：基于图注意力神经网络模型确定出当前时刻所述停车场 i的局部空间相关性信息；
所述确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括：基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
根据本申请一优选实施例，所述基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息包括：
针对所述停车场i在所述停车场关联图中的各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重；
根据各邻居停车场与所述停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到所述停车场i的表征向量，将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。
根据本申请一优选实施例，任一邻居停车场j与所述停车场i之间的边的权重
Figure GDA0003152462890000031
其中，所述cij＝Attention(Waxi，Waxj)；所述Attention表示图注意力机制；所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量；所述xi表示当前时刻所述停车场i的环境上下文特征；所述xj表示当前时刻所述邻居停车场j的环境上下文特征；所述Wa表示预先训练得到的模型参数。
根据本申请一优选实施例，所述表征向量
Figure GDA0003152462890000032
其中，所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量；所述xj表示当前时刻所述Ni个邻居停车场中的任一邻居停车场j的环境上下文特征；所述αij表示当前时刻所述邻居停车场j与所述停车场i之间的边的权重；所述Wa表示预先训练得到的模型参数；所述σ表示激活函数。
根据本申请一优选实施例，所述确定出当前时刻所述停车场i的空闲车位估计信息包括：
针对所述停车场i在所述信息传播图中的各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重；
根据各邻居停车场与所述停车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息，确定出当前时刻所述停车场i的空间维度的空闲车位估计信息。
根据本申请一优选实施例，所述当前时刻所述停车场i的空间维度的空闲车位估计信息
Figure GDA0003152462890000033
其中，所述Qi表示所述停车场i在所述信息传播图中的邻居停车场的数量；所述yj表示当前时刻所述Qi个邻居停车场中的任一邻居停车场j的空闲车位信息；所述α′ij表示当前时刻所述邻居停车场j与所述停车场i之间的边的权重。
根据本申请一优选实施例，该方法进一步包括：
针对所述停车场i，根据所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间维度的空闲车位估计信息；
将所述时间维度的空闲车位估计信息与所述空间维度的空闲车位估计信息进行融合，得到最终所需的当前时刻所述停车场i的空闲车位估计信息。
根据本申请一优选实施例，所述当前时刻所述停车场i的时间维度的空闲车位估计信息
Figure GDA0003152462890000041
其中，所述Wtp为预先训练得到的模型参数；所述
Figure GDA00031524628900000414
表示所述门循环神经网络模型的前一时刻的输出。
根据本申请一优选实施例，所述停车场i的融合后的空闲车位估计信息
Figure GDA0003152462890000042
其中，
Figure GDA0003152462890000043
为归一化因子；所述
Figure GDA0003152462890000044
表示当前时刻所述停车场i的空间维度的空闲车位估计信息；所述
Figure GDA0003152462890000045
表示当前时刻所述停车场i的时间维度的空闲车位估计信息；所述H表示预定函数。
根据本申请一优选实施例，所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息之前，进一步包括：将当前时刻所述停车场i的空闲车位估计信息及局部空间相关性信息进行拼接；
所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息包括：根据所述拼接结果以及所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间相关性信息。
根据本申请一优选实施例，所述当前时刻所述停车场i的时间相关性信息
Figure GDA0003152462890000046
其中，所述
Figure GDA0003152462890000047
所述
Figure GDA0003152462890000048
所述
Figure GDA0003152462890000049
所述Wz、所述
Figure GDA00031524628900000410
所述Wr、所述bz、所述
Figure GDA00031524628900000411
以及所述br均为预先训练得到的模型参数；所述σ表示激活函数；所述x″i表示所述拼接结果；所述
Figure GDA00031524628900000412
表示所述门循环神经网络模型的前一时刻的输出。
根据本申请一优选实施例，所述根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括：
按照
Figure GDA00031524628900000413
的方式预测出所述停车场i在未来τ个时间步的空闲车位信息；
其中，所述τ为大于一的正整数；所述
Figure GDA00031524628900000511
表示当前时刻所述停车场i的时间相关性信息；所述Wo表示预先训练得到的模型参数；所述σ表示激活函数；所述
Figure GDA0003152462890000051
表示预测出的所述停车场i在未来第一个时间步的空闲车位信息；所述
Figure GDA0003152462890000052
表示预测出的所述停车场i在未来第τ个时间步的空闲车位信息。
根据本申请一优选实施例，该方法进一步包括：
在进行模型训练时，选择Nl个具有实时传感器的停车场作为样本停车场，基于所述样本停车场的历史空闲车位信息构建标注数据，基于所述标注数据进行训练优化，最小化联合目标函数O；
其中，所述
Figure GDA0003152462890000053
所述
Figure GDA0003152462890000054
所述
Figure GDA0003152462890000055
所述
Figure GDA0003152462890000056
所述Nl为大于一的正整数；所述
Figure GDA0003152462890000057
表示任一样本停车场i在对应时间步的真实空闲车位信息；所述
Figure GDA0003152462890000058
表示t时刻所述样本停车场i的经过预定处理后的真实空闲车位信息；所述
Figure GDA0003152462890000059
表示t时刻所述样本停车场i的空间维度的空闲车位估计信息；所述
Figure GDA00031524628900000510
表示t时刻所述样本停车场i的时间维度的空闲车位估计信息。
一种停车场空闲车位预测装置，包括：构建单元和预测单元；
所述构建单元，用于针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合第一预定条件的任意两个停车场通过边相连；针对待处理区域内的停车场构建信息传播图，其中的每个结点分别表示一个停车场，将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连；
所述预测单元，用于针对任一不具有实时传感器的停车场i，分别进行以下处理：根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻所述停车场i的局部空间相关性信息；根据所述信息传播图中与所述停车场i通过边相连的邻居停车场的空闲车位信息，确定出当前时刻所述停车场i的空闲车位估计信息；根据所述空闲车位估计信息及所述局部空间相关性信息，确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
根据本申请一优选实施例，针对所述停车场关联图，所述构建单元将其中任意两个距离小于或等于预定阈值的停车场通过边相连；
针对所述信息传播图，所述构建单元对于其中任一不具有实时传感器的停车场i，分别按照与所述停车场i之间的距离从近到远的顺序对各具有实时传感器的停车场进行排序，并确定出排序后处于第L位的停车场与所述停车场i之间的第一距离，所述L为正整数，若所述第一距离大于所述阈值，则将排在前L位的停车场与所述停车场i通过边相连，否则，将与所述停车场i 之间的距离小于或等于所述阈值且具有实时传感器的停车场与所述停车场i 通过边相连。
根据本申请一优选实施例，所述预测单元基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息；
所述预测单元基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
根据本申请一优选实施例，所述预测单元针对所述停车场i在所述停车场关联图中的各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场 i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重，根据各邻居停车场与所述停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到所述停车场i的表征向量，将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。
根据本申请一优选实施例，任一邻居停车场j与所述停车场i之间的边的权重
Figure GDA0003152462890000061
其中，所述cij＝Attention(Waxi，Waxj)；所述Attention表示图注意力机制；所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量；所述xi表示当前时刻所述停车场i的环境上下文特征；所述xj表示当前时刻所述邻居停车场j的环境上下文特征；所述Wa表示预先训练得到的模型参数。
根据本申请一优选实施例，所述表征向量
Figure GDA0003152462890000071
其中，所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量；所述xj表示当前时刻所述Ni个邻居停车场中的任一邻居停车场j的环境上下文特征；所述αij表示当前时刻所述邻居停车场j与所述停车场i之间的边的权重；所述Wa表示预先训练得到的模型参数；所述σ表示激活函数。
根据本申请一优选实施例，所述预测单元针对所述停车场i在所述信息传播图中的各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i 的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重，根据各邻居停车场与所述停车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息，确定出当前时刻所述停车场i的空间维度的空闲车位估计信息。
根据本申请一优选实施例，所述当前时刻所述停车场i的空间维度的空闲车位估计信息
Figure GDA0003152462890000072
其中，所述Qi表示所述停车场i在所述信息传播图中的邻居停车场的数量；所述yj表示当前时刻所述Qi个邻居停车场中的任一邻居停车场j的空闲车位信息；所述α′ij表示当前时刻所述邻居停车场j与所述停车场i之间的边的权重。
根据本申请一优选实施例，所述预测单元进一步用于，针对所述停车场 i，根据所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间维度的空闲车位估计信息，将所述时间维度的空闲车位估计信息与所述空间维度的空闲车位估计信息进行融合，得到最终所需的当前时刻所述停车场i的空闲车位估计信息。
根据本申请一优选实施例，所述当前时刻所述停车场i的时间维度的空闲车位估计信息
Figure GDA0003152462890000073
其中，所述Wtp为预先训练得到的模型参数；所述
Figure GDA0003152462890000074
表示所述门循环神经网络模型的前一时刻的输出。
根据本申请一优选实施例，所述停车场i的融合后的空闲车位估计信息
Figure GDA0003152462890000081
其中，
Figure GDA0003152462890000082
为归一化因子；所述
Figure GDA0003152462890000083
表示当前时刻所述停车场i的空间维度的空闲车位估计信息；所述
Figure GDA0003152462890000084
表示当前时刻所述停车场i的时间维度的空闲车位估计信息；所述H表示预定函数。
根据本申请一优选实施例，所述预测单元进一步用于，将当前时刻所述停车场i的空闲车位估计信息及局部空间相关性信息进行拼接，根据拼接结果以及所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间相关性信息。
根据本申请一优选实施例，所述当前时刻所述停车场i的时间相关性信息
Figure GDA0003152462890000085
其中，所述
Figure GDA0003152462890000086
所述
Figure GDA0003152462890000087
所述
Figure GDA0003152462890000088
所述Wz、所述
Figure GDA00031524628900000812
所述Wr、所述bz、所述
Figure GDA00031524628900000813
以及所述br均为预先训练得到的模型参数；所述σ表示激活函数；所述x″i表示所述拼接结果；所述
Figure GDA00031524628900000814
表示所述门循环神经网络模型的前一时刻的输出。
根据本申请一优选实施例，所述预测单元按照
Figure GDA0003152462890000089
的方式预测出所述停车场i在未来τ个时间步的空闲车位信息；
其中，所述τ为大于一的正整数；所述
Figure GDA00031524628900000815
表示当前时刻所述停车场i的时间相关性信息；所述Wo表示预先训练得到的模型参数；所述σ表示激活函数；所述
Figure GDA00031524628900000816
表示预测出的所述停车场i在未来第一个时间步的空闲车位信息；所述
Figure GDA00031524628900000817
表示预测出的所述停车场i在未来第τ个时间步的空闲车位信息。
根据本申请一优选实施例，所述装置中进一步包括：预处理单元，用于进行模型训练，其中，选择Nl个具有实时传感器的停车场作为样本停车场，基于所述样本停车场的历史空闲车位信息构建标注数据，基于所述标注数据进行训练优化，最小化联合目标函数O；
其中，所述
Figure GDA00031524628900000810
所述
Figure GDA00031524628900000811
所述
Figure GDA0003152462890000091
所述
Figure GDA0003152462890000092
所述Nl为大于一的正整数；所述
Figure GDA0003152462890000093
表示任一样本停车场i在对应时间步的真实空闲车位信息；所述
Figure GDA0003152462890000094
表示t时刻所述样本停车场i的经过预定处理后的真实空闲车位信息；所述
Figure GDA0003152462890000095
表示t时刻所述样本停车场i的空间维度的空闲车位估计信息；所述
Figure GDA0003152462890000096
表示t时刻所述样本停车场i的时间维度的空闲车位估计信息。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：可结合停车场的环境上下文特征等确定出停车场的局部空间相关性信息及时间相关性信息，并可利用具有实时传感器的停车场的空闲车位信息对不具有实时传感器的停车场的空闲车位信息进行估计/补全，基于这些信息来对停车场未来的空闲车位信息进行预测，从而提升了预测结果的准确性；另外，可从空间和时间两个维度来对停车场的空闲车位信息进行补全，从而提升了处理结果的准确性，进而进一步提升了后续的预测结果的准确性；另外，可借助于不同网络模型来获取停车场的局部空间相关性信息、空闲车位估计信息及时间相关性信息等，从而提升了获取结果的准确性，进而进一步提升了后续的预测结果的准确性；再有，在对模型进行训练时，可利用具有实时传感器的停车场的历史空闲车位信息来构建标注数据并进行训练优化等，从而使得标注数据更为准确，并可对联合目标函数进行训练，进而提升了模型训练效果等；上述可选方式所具有的其它效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请所述停车场空闲车位预测方法实施例的流程图；
图2为本申请所述停车场关联图的示意图；
图3为本申请所述停车场空闲车位预测装置300实施例的组成结构示意图；
图4为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述停车场空闲车位预测方法实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合第一预定条件的任意两个停车场通过边相连。
在102中，针对待处理区域内的停车场构建信息传播图，其中的每个结点分别表示一个停车场，将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连。
在103中，针对任一不具有实时传感器的停车场i，分别按照104-106所示方式进行处理。
在104中，根据停车场i及停车场关联图中与停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻停车场i的局部空间相关性信息。
在105中，根据信息传播图中与停车场i通过边相连的邻居停车场的空闲车位信息，确定出当前时刻停车场i的空闲车位估计信息。
在106中，根据空闲车位估计信息及局部空间相关性信息，确定出当前时刻停车场i的时间相关性信息，并根据当前时刻停车场i的时间相关性信息对停车场i在未来至少一个时间步的空闲车位信息进行预测。
以北京为例，整个城区内可能拥有数万个停车场，但由于实时传感器造价昂贵，仅有很少的停车场安装有实时传感器，用来实时监测当前的空车位信息，通常是指空闲车位数量，因此对停车场的空闲车位信息进行预测很有必要。
停车场的空闲情况通常具有明显的时空属性。比如停车场在某个时刻车位十分紧张，那么这种紧张的情况往往会持续一段时间，而不是立即消失，因此在时间维度上，若能够拥有停车场的历史空闲车位信息，可以更容易地对未来的空闲车位信息进行预测。在空间维度上，城市的停车场之间也往往具有相关性，比如某个热门的景点往往会导致周边的停车场都处于紧张的状态。
由于停车场的空闲车位信息具有时空相关性，而绝大多数停车场都不具有实时传感器，因此本实施例中考虑利用少部分具有实时传感器的停车场的空闲车位信息，从空间和时间两个维度来对不具有实时传感器的停车场的空闲车位信息进行补全，以达到更好的预测效果。
本实施例中，为了刻画局部的空间相关性，可针对待处理区域(如北京城区)内的停车场构建停车场关联图，停车场关联图中的每个结点分别表示一个停车场，并可将符合第一预定条件的任意两个停车场通过边相连。比如，可将任意两个距离小于或等于预定阈值的停车场通过边相连，即可认为距离相近的停车场具有较强的相关性。
图2为本申请所述停车场关联图的示意图。所述阈值的具体取值可根据实际需要而定，如1km，相应地，则有：
Figure GDA0003152462890000111
即若任意两个停车场之间的距离dits(vi，vj)小于或等于1km，则可将两个停车场通过边相连，否则，不相连。所述距离通常是指路网距离。
针对任一不具有实时传感器的停车场i，可根据停车场i及停车场关联图中与停车场i通过边相连的邻居停车场的环境上下文特征，基于图注意力神经网络模型确定出当前时刻停车场i的局部空间相关性信息。
停车场的环境上下文特征可包括周边人口特征、周边兴趣点(POI，Point ofInterest)分布特征等，具体包括哪些内容可根据实际需要而定。周边可以是指周围预定范围内。其中人口特征可以是指活跃的人数等，如用户在使用地图等app时会上传定位信息，那么可利用定位信息来获知用户的活跃区域等。POI分布特征可包括POI数量及类型等。在实际应用中，可按照预定规则将获取到的环境上下文特征表示为向量的形式。环境上下文特征是动态变化的。
如图2所示，以停车场1为例，停车场2、停车场3、停车场4和停车场 5均为停车场1的邻居停车场。
针对停车场i在停车场关联图中的各邻居停车场，可分别根据当前时刻各邻居停车场及停车场i的环境上下文特征，确定出当前时刻各邻居停车场与停车场i之间的边的权重，并可根据各邻居停车场与停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到停车场i的表征向量，将该表征向量作为当前时刻停车场i的局部空间相关性信息。由于停车场的环境上下文特征是动态变化的，因此上述权重以及表征向量等也是动态变化的。
优选地，对于任一邻居停车场j，其与停车场i之间的边的权重αij可为：
Figure GDA0003152462890000121
其中，cij＝Attention(Waxi，Waxj)； (3)
Attention表示图注意力机制；Ni表示停车场i在停车场关联图中的邻居停车场的数量；xi表示当前时刻停车场i的环境上下文特征；xj表示当前时刻邻居停车场j的环境上下文特征；Wa表示预先训练得到的模型参数。
可根据各邻居停车场与停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到停车场i的表征向量，表征向量x′i可为：
x′i＝σ(∑j∈NiαijWaxj)； (4)
其中，Ni表示停车场i在停车场关联图中的邻居停车场的数量；xj表示当前时刻Ni个邻居停车场中的任一邻居停车场j的环境上下文特征；αij表示当前时刻邻居停车场j与停车场i之间的边的权重；Wa表示预先训练得到的模型参数；σ表示激活函数。
为了从空间层面上充分利用那些具有实时传感器的停车场的空闲车位信息，即传感器数据，还可针对待处理区域内的停车场构建信息传播图，其中的每个结点分别表示一个停车场，并可将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连。
具体地，对于任一不具有实时传感器的停车场i，可分别按照与停车场i 之间的距离从近到远的顺序对各具有实时传感器的停车场进行排序，并确定出排序后处于第L位的停车场与停车场i之间的第一距离，L为正整数，若第一距离大于预定阈值，则可将排在前L位的停车场与停车场i通过边相连，否则，可将与停车场i之间的距离小于或等于所述阈值且具有实时传感器的停车场与停车场i通过边相连。
对于任一不具有实时传感器的停车场i，希望对其有用的空闲车位信息能从具有实时传感器的停车场传播到停车场i，因此可仅从距离停车场i较近的且具有实时传感器的停车场连有向边到停车场i。
相应地，信息传播图的构建公式可表示为：
Figure GDA0003152462890000131
其中，distLnn(pi)表示距离停车场i第L近的具有实时传感器的停车场与停车场i之间的距离，即所述第一距离。相比于公式(1)，公式(5)的建图条件更为宽松，从而可让空闲车位信息更充分的传播，缓解标签数据稀疏问题。L的具体取值可根据实际需要而定，通常大于一。
可采用图注意力神经网络模型从信息传播图中聚合得到停车场i所需的有效空闲车位信息作为其空间补全的传感器数据。即针对停车场i，可根据信息传播图中与停车场i通过边相连的邻居停车场的空闲车位信息，确定出当前时刻停车场i的空闲车位估计信息。
具体地，针对停车场i在信息传播图中的各邻居停车场，可分别根据当前时刻各邻居停车场及停车场i的环境上下文特征，确定出当前时刻各邻居停车场与停车场i之间的边的权重，并可根据各邻居停车场与停车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息，确定出当前时刻停车场i的空间维度的空闲车位估计信息。
如何确定当前时刻各邻居停车场与停车场i之间的边的权重可参照前述相关说明。
当前时刻停车场i的空间维度的空闲车位估计信息
Figure GDA0003152462890000141
可为：
Figure GDA0003152462890000142
其中，Qi表示停车场i在信息传播图中的邻居停车场的数量；yj表示当前时刻Qi个邻居停车场中的任一邻居停车场j的空闲车位信息；α′ij表示当前时刻邻居停车场j与停车场i之间的边的权重。
yj可为经过预定处理后的空闲车位信息，如进行预定的归一化和离散化处理，使其变为一个预定维度(如P维，P为大于一的正整数)的独热(one-hot) 向量，这样得到的
Figure GDA0003152462890000143
将是一个关于空闲车位信息的预定维度分布向量，更好的保存了与之相关的具有实时传感器的停车场的空闲车位信息。
以上得到的是当前时刻停车场i的空间维度的空闲车位估计信息，针对停车场i，还可根据门循环神经网络模型的前一时刻的输出，确定出当前时刻停车场i的时间维度的空闲车位估计信息，并可将时间维度的空闲车位估计信息与空间维度的空闲车位估计信息进行融合，得到最终所需的当前时刻停车场i的空闲车位估计信息。
当前时刻停车场i的时间维度的空闲车位估计信息
Figure GDA0003152462890000144
可为：
Figure GDA0003152462890000145
其中，Wtp为预先训练得到的模型参数；
Figure GDA0003152462890000146
表示门循环神经网络模型的前一时刻的输出。
门循环神经网络模型的前一时刻的输出中包含了停车场i丰富的历史时空信息，可用于估计当前时刻停车场i的空闲车位信息。其中Softmax起到了归一化的作用，保证了
Figure GDA0003152462890000147
也是一个预定维度分布向量。
优选地，可基于一种熵的机制来对得到的时间维度的空闲车位估计信息以及空间维度的空闲车位估计信息进行融合。
停车场i的融合后的空闲车位估计信息
Figure GDA0003152462890000151
可为：
Figure GDA0003152462890000152
其中，
Figure GDA0003152462890000153
为归一化因子；
Figure GDA0003152462890000154
表示当前时刻停车场i的空间维度的空闲车位估计信息；
Figure GDA0003152462890000155
表示当前时刻停车场i的时间维度的空闲车位估计信息。
H表示预定函数，
Figure GDA0003152462890000156
其中的xi(j)表示xi的第j维。
进一步地，可将当前时刻停车场i的空闲车位估计信息及局部空间相关性信息进行拼接，所述拼接可以是指首尾相连。
针对停车场i，可基于门循环神经网络模型确定出当前时刻停车场i的时间相关性信息，并可根据当前时刻停车场i的时间相关性信息对停车场i在未来至少一个时间步的空闲车位信息进行预测。优选地，可根据拼接结果以及门循环神经网络模型的前一时刻的输出，确定出当前时刻停车场i的时间相关性信息，并可根据当前时刻停车场i的时间相关性信息对停车场i在未来至少一个时间步的空闲车位信息进行预测。
当前时刻停车场i的时间相关性信息
Figure GDA00031524628900001517
可为：
Figure GDA0003152462890000157
其中，
Figure GDA0003152462890000158
Figure GDA0003152462890000159
Figure GDA00031524628900001510
Wz、
Figure GDA00031524628900001511
Wr、bz、
Figure GDA00031524628900001512
以及br均为预先训练得到的模型参数；σ表示激活函数；x″i表示拼接结果；
Figure GDA00031524628900001518
表示门循环神经网络模型的前一时刻的输出；
Figure GDA00031524628900001513
表示矩阵乘。
可利用
Figure GDA00031524628900001514
时停车场i在未来至少一个时间步的空闲车位信息进行预测，如可按照以下方式预测出停车场i在未来τ个时间步的空闲车位信息：
Figure GDA00031524628900001515
其中，τ为大于一的正整数，具体取值可根据实际需要而定；
Figure GDA00031524628900001516
表示当前时刻停车场i的时间相关性信息；Wo表示预先训练得到的模型参数；σ表示激活函数；
Figure GDA0003152462890000161
表示预测出的停车场i在未来第一个时间步的空闲车位信息；
Figure GDA0003152462890000162
表示预测出的停车场i在未来第τ个时间步的空闲车位信息。
假设τ的取值为3，那么按照公式(14)，可分别预测出停车场i在未来第一个时间步、第二个时间步以及第三个时间步的空闲车位信息。
一个时间步如可以是15分钟，在实际应用中，如针对停车场i，可每隔 15分钟则按照本实施例所述方式进行一次预测，即预测停车场i在未来三个时间步的空闲车位信息。
另外，在进行模型训练时，可选择Nl个具有实时传感器的停车场作为样本停车场，基于样本停车场的历史空闲车位信息构建标注数据，基于标注数据进行训练优化，训练优化的目标是最小化联合目标函数O。
其中，联合目标函数
Figure GDA0003152462890000163
Figure GDA0003152462890000164
Figure GDA0003152462890000165
Figure GDA0003152462890000166
Nl为大于一的正整数，具体取值可根据实际需要而定。
Figure GDA0003152462890000167
表示Nl个样本停车场中的任一样本停车场i在对应时间步的真实空闲车位信息；
Figure GDA0003152462890000168
表示t时刻样本停车场i的经过预定处理后的真实空闲车位信息，所述预定处理可以包括预定的归一化和离散化处理等；
Figure GDA0003152462890000169
表示t时刻样本停车场i的空间维度的空闲车位估计信息；
Figure GDA00031524628900001610
表示t时刻样本停车场i的时间维度的空闲车位估计信息。O2和O3为交叉熵目标函数，可提升模型训练效果。
通过模型训练，可学习到之前所述的各模型参数等，具体实现为现有技术。
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
总之，采用本申请方法实施例所述方案，可结合停车场的环境上下文特征等确定出停车场的局部空间相关性信息及时间相关性信息，并可利用具有实时传感器的停车场的空闲车位信息对不具有实时传感器的停车场的空闲车位信息进行估计/补全，基于这些信息来对停车场未来的空闲车位信息进行预测，从而提升了预测结果的准确性；另外，可从空间和时间两个维度来对停车场的空闲车位信息进行补全，从而提升了处理结果的准确性，进而进一步提升了后续的预测结果的准确性；另外，可借助于不同网络模型来获取停车场的局部空间相关性信息、空闲车位估计信息及时间相关性信息等，从而提升了获取结果的准确性，进而进一步提升了后续的预测结果的准确性；再有，在对模型进行训练时，可利用具有实时传感器的停车场的历史空闲车位信息来构建标注数据并进行训练优化等，从而使得标注数据更为准确，并可对联合目标函数进行训练，进而提升了模型训练效果等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图3为本申请所述停车场空闲车位预测装置300实施例的组成结构示意图。如图3所示，包括：构建单元301和预测单元302。
构建单元301，用于针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合第一预定条件的任意两个停车场通过边相连；针对待处理区域内的停车场构建信息传播图，其中的每个结点分别表示一个停车场，将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连。
预测单元302，用于针对任一不具有实时传感器的停车场i，分别进行以下处理：根据停车场i及停车场关联图中与停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻停车场i的局部空间相关性信息；根据信息传播图中与停车场i通过边相连的邻居停车场的空闲车位信息，确定出当前时刻停车场i的空闲车位估计信息；根据空闲车位估计信息及局部空间相关性信息，确定出当前时刻停车场i的时间相关性信息，并根据当前时刻停车场i的时间相关性信息对停车场i在未来至少一个时间步的空闲车位信息进行预测。
针对停车场关联图，构建单元301可将其中任意两个距离小于或等于预定阈值的停车场通过边相连。
针对信息传播图，构建单元302可对于其中任一不具有实时传感器的停车场i，分别按照与停车场i之间的距离从近到远的顺序对各具有实时传感器的停车场进行排序，并确定出排序后处于第L位的停车场与停车场i 之间的第一距离，L为正整数，若第一距离大于阈值，则将排在前L位的停车场与停车场i通过边相连，否则，将与停车场i之间的距离小于或等于阈值且具有实时传感器的停车场与停车场i通过边相连。
另外，预测单元302可基于图注意力神经网络模型确定出当前时刻停车场i的局部空间相关性信息，并可基于门循环神经网络模型确定出当前时刻停车场i的时间相关性信息，并根据当前时刻停车场i的时间相关性信息对停车场i在未来至少一个时间步的空闲车位信息进行预测。
具体地，预测单元302可针对停车场i在停车场关联图中的各邻居停车场，分别根据当前时刻各邻居停车场及停车场i的环境上下文特征，确定出当前时刻各邻居停车场与停车场i之间的边的权重，并可根据各邻居停车场与停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到停车场i的表征向量，将该表征向量作为当前时刻停车场i的局部空间相关性信息。
任一邻居停车场j与停车场i之间的边的权重
Figure GDA0003152462890000181
其中，cij＝Attention(Waxi，Waxj)； (3)
Attention表示图注意力机制；Ni表示停车场i在停车场关联图中的邻居停车场的数量；xi表示当前时刻停车场i的环境上下文特征；xj表示当前时刻邻居停车场j的环境上下文特征；Wa表示预先训练得到的模型参数。
表征向量
Figure GDA0003152462890000182
其中，Ni表示停车场i在停车场关联图中的邻居停车场的数量；xj表示当前时刻Ni个邻居停车场中的任一邻居停车场j的环境上下文特征；αij表示当前时刻邻居停车场j与停车场i之间的边的权重；Wa表示预先训练得到的模型参数；σ表示激活函数。
预测单元302还可针对停车场i在信息传播图中的各邻居停车场，分别根据当前时刻各邻居停车场及停车场i的环境上下文特征，确定出当前时刻各邻居停车场与停车场i之间的边的权重，根据各邻居停车场与停车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息，确定出当前时刻停车场i的空间维度的空闲车位估计信息。
其中，当前时刻停车场i的空间维度的空闲车位估计信息
Figure GDA0003152462890000191
Figure GDA0003152462890000192
Qi表示停车场i在信息传播图中的邻居停车场的数量；yj表示当前时刻 Qi个邻居停车场中的任一邻居停车场j的空闲车位信息；α′ij表示当前时刻邻居停车场j与停车场i之间的边的权重。
预测单元302还可针对停车场i，根据门循环神经网络模型的前一时刻的输出，确定出当前时刻停车场i的时间维度的空闲车位估计信息，将时间维度的空闲车位估计信息与空间维度的空闲车位估计信息进行融合，得到最终所需的当前时刻停车场i的空闲车位估计信息。
当前时刻停车场i的时间维度的空闲车位估计信息
Figure GDA0003152462890000193
其中，Wtp为预先训练得到的模型参数；
Figure GDA0003152462890000194
表示门循环神经网络模型的前一时刻的输出。
停车场i的融合后的空闲车位估计信息
Figure GDA0003152462890000195
可为：
Figure GDA0003152462890000196
其中，
Figure GDA0003152462890000197
为归一化因子；
Figure GDA0003152462890000198
表示当前时刻停车场i的空间维度的空闲车位估计信息；
Figure GDA0003152462890000199
表示当前时刻停车场i 的时间维度的空闲车位估计信息；H表示预定函数。
预测单元302可将当前时刻停车场i的空闲车位估计信息及局部空间相关性信息进行拼接，根据拼接结果以及门循环神经网络模型的前一时刻的输出，确定出当前时刻停车场i的时间相关性信息。
当前时刻停车场i的时间相关性信息
Figure GDA00031524628900001910
其中，
Figure GDA00031524628900001911
Figure GDA0003152462890000201
Figure GDA0003152462890000202
Wz、
Figure GDA0003152462890000203
Wr、bz、
Figure GDA0003152462890000204
以及br均为预先训练得到的模型参数；σ表示激活函数；x″i表示拼接结果；
Figure GDA00031524628900002017
表示门循环神经网络模型的前一时刻的输出。
预测单元302还可按照以下方式预测出停车场i在未来τ个时间步的空闲车位信息：
Figure GDA0003152462890000205
其中，τ为大于一的正整数；
Figure GDA0003152462890000206
表示当前时刻停车场i的时间相关性信息；Wo表示预先训练得到的模型参数；σ表示激活函数；
Figure GDA0003152462890000207
表示预测出的停车场i在未来第一个时间步的空闲车位信息；
Figure GDA0003152462890000208
表示预测出的停车场i 在未来第τ个时间步的空闲车位信息。
图3所示装置中还可进一步包括：预处理单元303，用于进行模型训练，其中，可选择Nl个具有实时传感器的停车场作为样本停车场，基于样本停车场的历史空闲车位信息构建标注数据，基于标注数据进行训练优化，最小化联合目标函数O；
其中，
Figure GDA0003152462890000209
Figure GDA00031524628900002010
Figure GDA00031524628900002011
Figure GDA00031524628900002012
Nl为大于一的正整数；
Figure GDA00031524628900002013
表示任一样本停车场i在对应时间步的真实空闲车位信息；
Figure GDA00031524628900002014
表示t时刻样本停车场i的经过预定处理后的真实空闲车位信息；
Figure GDA00031524628900002015
表示t时刻样本停车场i的空间维度的空闲车位估计信息；
Figure GDA00031524628900002016
表示t时刻样本停车场i的时间维度的空闲车位估计信息。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，可结合停车场的环境上下文特征等确定出停车场的局部空间相关性信息及时间相关性信息，并可利用具有实时传感器的停车场的空闲车位信息对不具有实时传感器的停车场的空闲车位信息进行估计/补全，基于这些信息来对停车场未来的空闲车位信息进行预测，从而提升了预测结果的准确性；另外，可从空间和时间两个维度来对停车场的空闲车位信息进行补全，从而提升了处理结果的准确性，进而进一步提升了后续的预测结果的准确性；另外，可借助于不同网络模型来获取停车场的局部空间相关性信息、空闲车位估计信息及时间相关性信息等，从而提升了获取结果的准确性，进而进一步提升了后续的预测结果的准确性；再有，在对模型进行训练时，可利用具有实时传感器的停车场的历史空闲车位信息来构建标注数据并进行训练优化等，从而使得标注数据更为准确，并可对联合目标函数进行训练，进而提升了模型训练效果等。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/ 或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管或者液晶显示器监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (32)

1.一种停车场空闲车位预测方法，其特征在于，包括：
针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合第一预定条件的任意两个停车场通过边相连；
针对待处理区域内的停车场构建信息传播图，其中的每个结点分别表示一个停车场，将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连；
针对任一不具有实时传感器的停车场i，分别进行以下处理：
根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻所述停车场i的局部空间相关性信息；
根据所述信息传播图中与所述停车场i通过边相连的邻居停车场的空闲车位信息，确定出当前时刻所述停车场i的空闲车位估计信息；
根据所述空闲车位估计信息及所述局部空间相关性信息，确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
2.根据权利要求1所述的方法，其特征在于，
所述将符合第一预定条件的任意两个停车场通过边相连包括：将任意两个距离小于或等于预定阈值的停车场通过边相连；
所述将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连包括：对于任一不具有实时传感器的停车场i，按照与所述停车场i之间的距离从近到远的顺序对各具有实时传感器的停车场进行排序，并确定出排序后处于第L位的停车场与所述停车场i之间的第一距离，所述L为正整数，若所述第一距离大于所述阈值，则将排在前L位的停车场与所述停车场i通过边相连，否则，将与所述停车场i之间的距离小于或等于所述阈值且具有实时传感器的停车场与所述停车场i通过边相连。
3.根据权利要求2所述的方法，其特征在于，
所述确定出当前时刻所述停车场i的局部空间相关性信息包括：基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息；
所述确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括：基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
4.根据权利要求3所述的方法，其特征在于，
所述基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息包括：
针对所述停车场i在所述停车场关联图中的各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重；
根据各邻居停车场与所述停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到所述停车场i的表征向量，将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。
5.根据权利要求4所述的方法，其特征在于，
任一邻居停车场j与所述停车场i之间的边的权重
Figure FDA0003152462880000021
其中，所述cij＝Attention(Waxi，Waxj)；所述Attention表示图注意力机制；所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量；所述xi表示当前时刻所述停车场i的环境上下文特征；所述xj表示当前时刻所述邻居停车场j的环境上下文特征；所述Wa表示预先训练得到的模型参数。
6.根据权利要求4所述的方法，其特征在于，
所述表征向量
Figure FDA0003152462880000022
其中，所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量；所述xj表示当前时刻邻居停车场j的环境上下文特征，所述邻居停车场j为所述Ni个邻居停车场中的任一邻居停车场；所述αij表示当前时刻所述Ni个邻居停车场中的邻居停车场j与所述停车场i之间的边的权重；所述Wa表示预先训练得到的模型参数；所述σ表示激活函数。
7.根据权利要求3所述的方法，其特征在于，
所述确定出当前时刻所述停车场i的空闲车位估计信息包括：
针对所述停车场i在所述信息传播图中的各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重；
根据各邻居停车场与所述停车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息，确定出当前时刻所述停车场i的空间维度的空闲车位估计信息。
8.根据权利要求7所述的方法，其特征在于，
所述当前时刻所述停车场i的空间维度的空闲车位估计信息
Figure FDA0003152462880000031
Figure FDA0003152462880000032
其中，所述Qi表示所述停车场i在所述信息传播图中的邻居停车场的数量；所述yj表示当前时刻所述Qi个邻居停车场中的任一邻居停车场j的空闲车位信息；所述α′ij表示当前时刻所述Qi个邻居停车场中的邻居停车场j与所述停车场i之间的边的权重。
9.根据权利要求7所述的方法，其特征在于，
该方法进一步包括：
针对所述停车场i，根据所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间维度的空闲车位估计信息；
将所述时间维度的空闲车位估计信息与所述空间维度的空闲车位估计信息进行融合，得到最终所需的当前时刻所述停车场i的空闲车位估计信息。
10.根据权利要求9所述的方法，其特征在于，
所述当前时刻所述停车场i的时间维度的空闲车位估计信息
Figure FDA0003152462880000033
Figure FDA0003152462880000034
其中，所述Wtp为预先训练得到的模型参数；所述
Figure FDA0003152462880000035
表示所述门循环神经网络模型的前一时刻的输出。
11.根据权利要求9所述的方法，其特征在于，
所述停车场i的融合后的空闲车位估计信息
Figure FDA0003152462880000041
其中，
Figure FDA0003152462880000042
为归一化因子；所述
Figure FDA0003152462880000043
表示当前时刻所述停车场i的空间维度的空闲车位估计信息；所述
Figure FDA0003152462880000044
表示当前时刻所述停车场i的时间维度的空闲车位估计信息；所述H表示预定函数。
12.根据权利要求3所述的方法，其特征在于，
所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息之前，进一步包括：将当前时刻所述停车场i的空闲车位估计信息及局部空间相关性信息进行拼接；
所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息包括：根据拼接结果以及所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间相关性信息。
13.根据权利要求12所述的方法，其特征在于，
所述当前时刻所述停车场i的时间相关性信息
Figure FDA0003152462880000045
Figure FDA0003152462880000046
所述Wz、所述
Figure FDA0003152462880000047
所述Wr、所述bz、所述
Figure FDA0003152462880000048
以及所述br均为预先训练得到的模型参数；所述σ表示激活函数；所述x″i表示所述拼接结果；所述
Figure FDA0003152462880000049
表示所述门循环神经网络模型的前一时刻的输出。
14.根据权利要求3所述的方法，其特征在于，
所述根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括：
按照
Figure FDA00031524628800000410
的方式预测出所述停车场i在未来τ个时间步的空闲车位信息；
其中，所述τ为大于一的正整数；所述
Figure FDA00031524628800000411
表示当前时刻所述停车场i的时间相关性信息；所述Wo表示预先训练得到的模型参数；所述σ表示激活函数；所述
Figure FDA00031524628800000412
表示预测出的所述停车场i在未来第一个时间步的空闲车位信息；所述
Figure FDA00031524628800000413
表示预测出的所述停车场i在未来第τ个时间步的空闲车位信息。
15.根据权利要求14所述的方法，其特征在于，
该方法进一步包括：
在进行模型训练时，选择Nl个具有实时传感器的停车场作为样本停车场，基于所述样本停车场的历史空闲车位信息构建标注数据，基于所述标注数据进行训练优化，最小化联合目标函数O；
其中，所述
Figure FDA0003152462880000051
所述
Figure FDA0003152462880000052
所述
Figure FDA0003152462880000053
所述
Figure FDA0003152462880000054
所述Nl为大于一的正整数；所述
Figure FDA0003152462880000055
表示任一样本停车场i在对应时间步的真实空闲车位信息；所述
Figure FDA0003152462880000056
表示t时刻所述样本停车场i的经过预定处理后的真实空闲车位信息；所述
Figure FDA0003152462880000057
表示t时刻所述样本停车场i的空间维度的空闲车位估计信息；所述
Figure FDA0003152462880000058
表示t时刻所述样本停车场i的时间维度的空闲车位估计信息。
16.一种停车场空闲车位预测装置，其特征在于，包括：构建单元和预测单元；
所述构建单元，用于针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合第一预定条件的任意两个停车场通过边相连；针对待处理区域内的停车场构建信息传播图，其中的每个结点分别表示一个停车场，将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连；
所述预测单元，用于针对任一不具有实时传感器的停车场i，分别进行以下处理：根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻所述停车场i的局部空间相关性信息；根据所述信息传播图中与所述停车场i通过边相连的邻居停车场的空闲车位信息，确定出当前时刻所述停车场i的空闲车位估计信息；根据所述空闲车位估计信息及所述局部空间相关性信息，确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
17.根据权利要求16所述的装置，其特征在于，
针对所述停车场关联图，所述构建单元将其中任意两个距离小于或等于预定阈值的停车场通过边相连；
针对所述信息传播图，所述构建单元对于其中任一不具有实时传感器的停车场i，分别按照与所述停车场i之间的距离从近到远的顺序对各具有实时传感器的停车场进行排序，并确定出排序后处于第L位的停车场与所述停车场i之间的第一距离，所述L为正整数，若所述第一距离大于所述阈值，则将排在前L位的停车场与所述停车场i通过边相连，否则，将与所述停车场i之间的距离小于或等于所述阈值且具有实时传感器的停车场与所述停车场i通过边相连。
18.根据权利要求17所述的装置，其特征在于，
所述预测单元基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息；
所述预测单元基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
19.根据权利要求18所述的装置，其特征在于，
所述预测单元针对所述停车场i在所述停车场关联图中的各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重，根据各邻居停车场与所述停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到所述停车场i的表征向量，将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。
20.根据权利要求19所述的装置，其特征在于，
任一邻居停车场j与所述停车场i之间的边的权重
Figure FDA0003152462880000061
其中，所述cij＝Attention(Waxi，Waxj)；所述Attention表示图注意力机制；所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量；所述xi表示当前时刻所述停车场i的环境上下文特征；所述xj表示当前时刻所述邻居停车场j的环境上下文特征；所述Wa表示预先训练得到的模型参数。
21.根据权利要求19所述的装置，其特征在于，
所述表征向量
Figure FDA0003152462880000071
其中，所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量；所述xj表示当前时刻邻居停车场j的环境上下文特征，所述邻居停车场j为所述Ni个邻居停车场中的任一邻居停车场；所述αij表示当前时刻所述Ni个邻居停车场中的邻居停车场j与所述停车场i之间的边的权重；所述Wa表示预先训练得到的模型参数；所述σ表示激活函数。
22.根据权利要求18所述的装置，其特征在于，
所述预测单元针对所述停车场i在所述信息传播图中的各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重，根据各邻居停车场与所述停车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息，确定出当前时刻所述停车场i的空间维度的空闲车位估计信息。
23.根据权利要求22所述的装置，其特征在于，
所述当前时刻所述停车场i的空间维度的空闲车位估计信息
Figure FDA0003152462880000072
Figure FDA0003152462880000073
其中，所述Qi表示所述停车场i在所述信息传播图中的邻居停车场的数量；所述yj表示当前时刻所述Qi个邻居停车场中的任一邻居停车场j的空闲车位信息；所述α′ij表示当前时刻所述Qi个邻居停车场中的邻居停车场j与所述停车场i之间的边的权重。
24.根据权利要求22所述的装置，其特征在于，
所述预测单元进一步用于，针对所述停车场i，根据所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间维度的空闲车位估计信息，将所述时间维度的空闲车位估计信息与所述空间维度的空闲车位估计信息进行融合，得到最终所需的当前时刻所述停车场i的空闲车位估计信息。
25.根据权利要求24所述的装置，其特征在于，
所述当前时刻所述停车场i的时间维度的空闲车位估计信息
Figure FDA0003152462880000074
Figure FDA0003152462880000075
其中，所述Wtp为预先训练得到的模型参数；所述
Figure FDA0003152462880000081
表示所述门循环神经网络模型的前一时刻的输出。
26.根据权利要求24所述的装置，其特征在于，
所述停车场i的融合后的空闲车位估计信息
Figure FDA0003152462880000082
其中，
Figure FDA0003152462880000083
为归一化因子；所述
Figure FDA0003152462880000084
表示当前时刻所述停车场i的空间维度的空闲车位估计信息；所述
Figure FDA0003152462880000085
表示当前时刻所述停车场i的时间维度的空闲车位估计信息；所述H表示预定函数。
27.根据权利要求18所述的装置，其特征在于，
所述预测单元进一步用于，将当前时刻所述停车场i的空闲车位估计信息及局部空间相关性信息进行拼接，根据拼接结果以及所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间相关性信息。
28.根据权利要求27所述的装置，其特征在于，
所述当前时刻所述停车场i的时间相关性信息
Figure FDA0003152462880000086
Figure FDA0003152462880000087
所述Wz、所述
Figure FDA0003152462880000088
所述Wr、所述bz、所述
Figure FDA0003152462880000089
以及所述br均为预先训练得到的模型参数；所述σ表示激活函数；所述x″i表示所述拼接结果；所述
Figure FDA00031524628800000814
表示所述门循环神经网络模型的前一时刻的输出。
29.根据权利要求18所述的装置，其特征在于，
所述预测单元按照
Figure FDA00031524628800000810
的方式预测出所述停车场i在未来τ个时间步的空闲车位信息；
其中，所述τ为大于一的正整数；所述
Figure FDA00031524628800000811
表示当前时刻所述停车场i的时间相关性信息；所述Wo表示预先训练得到的模型参数；所述σ表示激活函数；所述
Figure FDA00031524628800000812
表示预测出的所述停车场i在未来第一个时间步的空闲车位信息；所述
Figure FDA00031524628800000813
表示预测出的所述停车场i在未来第τ个时间步的空闲车位信息。
30.根据权利要求29所述的装置，其特征在于，
所述装置中进一步包括：预处理单元，用于进行模型训练，其中，选择Nl个具有实时传感器的停车场作为样本停车场，基于所述样本停车场的历史空闲车位信息构建标注数据，基于所述标注数据进行训练优化，最小化联合目标函数O；
其中，所述
Figure FDA0003152462880000091
所述
Figure FDA0003152462880000092
所述
Figure FDA0003152462880000093
所述
Figure FDA0003152462880000094
所述Nl为大于一的正整数；所述
Figure FDA0003152462880000095
表示任一样本停车场i在对应时间步的真实空闲车位信息；所述
Figure FDA0003152462880000096
表示t时刻所述样本停车场i的经过预定处理后的真实空闲车位信息；所述
Figure FDA0003152462880000097
表示t时刻所述样本停车场i的空间维度的空闲车位估计信息；所述
Figure FDA0003152462880000098
表示t时刻所述样本停车场i的时间维度的空闲车位估计信息。
31.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-15中任一项所述的方法。
32.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-15中任一项所述的方法。
CN202010076198.7A 2020-01-23 2020-01-23 停车场空闲车位预测方法、装置、电子设备及存储介质 Active CN111210656B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010076198.7A CN111210656B (zh) 2020-01-23 2020-01-23 停车场空闲车位预测方法、装置、电子设备及存储介质
US17/024,421 US20210233405A1 (en) 2020-01-23 2020-09-17 Parking lot free parking space predicting method, apparatus, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010076198.7A CN111210656B (zh) 2020-01-23 2020-01-23 停车场空闲车位预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111210656A CN111210656A (zh) 2020-05-29
CN111210656B true CN111210656B (zh) 2021-12-24

Family

ID=70787722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010076198.7A Active CN111210656B (zh) 2020-01-23 2020-01-23 停车场空闲车位预测方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20210233405A1 (zh)
CN (1) CN111210656B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11741836B2 (en) * 2020-10-29 2023-08-29 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for performing correlation-based parking availability estimation
WO2023000261A1 (zh) * 2021-07-22 2023-01-26 深圳先进技术研究院 一种区域交通的预测方法以及设备
CN113643564B (zh) * 2021-07-27 2022-08-26 中国科学院深圳先进技术研究院 一种停车数据修复方法、装置、计算机设备以及存储介质
WO2023004595A1 (zh) * 2021-07-27 2023-02-02 中国科学院深圳先进技术研究院 一种停车数据修复方法、装置、计算机设备以及存储介质
CN113570865B (zh) * 2021-09-23 2022-01-28 环球数科集团有限公司 景区车位智能监控方法、装置和计算机设备
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
CN114842667B (zh) * 2022-04-01 2024-01-16 合众新能源汽车股份有限公司 停车导航方法、装置及网络设备
CN115472034A (zh) * 2022-07-20 2022-12-13 中国交通信息科技集团有限公司 一种分层云架构的停车运营管理系统
CN115222158B (zh) * 2022-09-07 2023-01-06 成都秦川物联网科技股份有限公司 一种基于物联网的智慧城市停车场管理方法、系统及装置
CN116187591B (zh) * 2023-04-27 2023-07-07 松立控股集团股份有限公司 基于动态时空趋势的商业停车场剩余车位数量预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427596A (zh) * 2015-11-26 2016-03-23 北京航空航天大学 一种基于时空特征的社区停车位状态检测及服务方法
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
CN106503840A (zh) * 2016-10-17 2017-03-15 中国科学院深圳先进技术研究院 停车场可用车位预测方法及系统
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
CN110599236A (zh) * 2019-08-14 2019-12-20 同济大学 一种基于gru模型的短时停车需求预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012201472A1 (de) * 2012-02-01 2013-08-01 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen
US20160196747A1 (en) * 2012-12-21 2016-07-07 Parkopedia Limited System and Method for Locating Available Parking Spaces
US20180349792A1 (en) * 2017-05-31 2018-12-06 Here Global B.V. Method and apparatus for building a parking occupancy model
US11526798B2 (en) * 2017-11-14 2022-12-13 International Business Machines Corporation Parking availability predictor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427596A (zh) * 2015-11-26 2016-03-23 北京航空航天大学 一种基于时空特征的社区停车位状态检测及服务方法
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
CN106503840A (zh) * 2016-10-17 2017-03-15 中国科学院深圳先进技术研究院 停车场可用车位预测方法及系统
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
CN110599236A (zh) * 2019-08-14 2019-12-20 同济大学 一种基于gru模型的短时停车需求预测方法

Also Published As

Publication number Publication date
CN111210656A (zh) 2020-05-29
US20210233405A1 (en) 2021-07-29

Similar Documents

Publication Publication Date Title
CN111210656B (zh) 停车场空闲车位预测方法、装置、电子设备及存储介质
CN111325382B (zh) 停车场空闲车位预测方法、装置、电子设备及存储介质
CN111310987B (zh) 停车场空闲车位预测方法、装置、电子设备及存储介质
CN111612249B (zh) 用于预测人流量的方法、装置、设备以及存储介质
CN110476172A (zh) 用于卷积神经网络的神经架构搜索
JP7334205B2 (ja) 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム
Rompis et al. Probe vehicle lane identification for queue length estimation at intersections
CN112269930B (zh) 建立区域热度预测模型、区域热度预测的方法及装置
CN111982138B (zh) 预测模型获取及路径规划方法、装置及存储介质
CN112000700A (zh) 地图信息展示方法、装置、电子设备及存储介质
WO2020000860A1 (zh) 降雨量评估方法及装置、电子设备和计算机非易失性可读存储介质
CN110660219A (zh) 停车场停车预测方法和装置
CN112000893B (zh) 常驻区域预测方法、装置、设备及存储介质
JP2021174560A (ja) 経済状態の予測方法、経済状態予測モデルの構築方法及び対応装置
US10012765B2 (en) Geographical condition prediction
CN112101527A (zh) 识别车道变化的方法和装置、电子设备和存储介质
US20210142286A1 (en) Automated Parameterized Modeling And Scoring Intelligence System
CN110930187A (zh) 店铺到访人群挖掘方法、装置、设备和介质
CN113160693A (zh) 一种道路路口的处理方法、装置、设备和存储介质
CN111047107B (zh) 公路通行时间预测方法、装置、电子设备和存储介质
CN112070288A (zh) 出发时间预估方法、装置、设备以及存储介质
CN115687764B (zh) 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置
CN114549051A (zh) 跨区域的人才流动意向分析方法、装置、设备及存储介质
EP4022254A2 (en) Spatio-temporal pose/object database
Ning et al. Research on expressway traffic flow prediction model based on MSTA-GCN

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