CN111310987B - 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 PDFInfo
- Publication number
- CN111310987B CN111310987B CN202010076257.0A CN202010076257A CN111310987B CN 111310987 B CN111310987 B CN 111310987B CN 202010076257 A CN202010076257 A CN 202010076257A CN 111310987 B CN111310987 B CN 111310987B
- Authority
- CN
- China
- Prior art keywords
- parking lot
- parking
- correlation information
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 103
- 238000009826 distribution Methods 0.000 claims abstract description 72
- 230000007613 environmental effect Effects 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 74
- 238000012512 characterization method Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 53
- 238000003062 neural network model Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 20
- 230000000306 recurrent effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 229910052731 fluorine Inorganic materials 0.000 description 3
- 125000001153 fluoro group Chemical group F* 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24575—Query processing with adaptation to user needs using context
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- 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
- G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles
-
- 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
- G06N3/048—Activation functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Primary Health Care (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、装置、电子设备及存储介质，涉及人工智能领域，其中的方法可包括：针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合预定条件的任意两个停车场通过边相连；针对任一停车场i，根据停车场i及与停车场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；根据所构建的软分配矩阵，确定出当前时刻停车场i的全局空间相关性信息；根据局部及全局空间相关性信息，确定出当前时刻停车场i的时间相关性信息，根据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。应用本申请所述方案，可提高预测结果的准确性等。
Description
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，将符合预定条件的任意两个停车场通过边相连；
针对任一停车场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；
根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息；
根据所述局部空间相关性信息及所述全局空间相关性信息，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。
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；
所述根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息包括：基于分层图神经网络模型，根据当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并根据所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息；
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
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
其中，所述Ni表示所述邻居停车场的数量；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，所述基于当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并基于所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息包括：
根据当前时刻各停车场的局部空间相关性信息，生成一个N行K列的软分配矩阵，所述N等于所述停车场关联图中的停车场数，所述K等于设定的潜在结点数，所述软分配矩阵中的每一行分别对应于一个停车场，所述软分配矩阵中的每一列分别对应于一个潜在结点，所述软分配矩阵中的每一行中的每个元素分别表示对应的停车场属于对应的潜在结点的概率；
根据所述软分配矩阵，分别确定出各潜在结点的表征向量，并分别确定出各潜在结点之间的边的权重，任意两个潜在结点之间均通过边相连；
根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量；
针对所述停车场i，根据各潜在结点的最终表征向量以及所述软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息。
根据本申请一优选实施例，该方法进一步包括：通过计算Softmax(Wsx′i)得到所述软分配矩阵中的第i行中的各元素，所述第i行表示所述软分配矩阵中的任意一行，所述x′i表示当前时刻所述第i行对应的停车场的局部空间相关性信息，所述Ws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K个潜在结点中的任一潜在结点i的表征向量
其中，所述N表示所述停车场关联图中的停车场数；所述x′j表示当前时刻所述N个停车场中的任一停车场j的局部空间相关性信息；所述S表示所述软分配矩阵。
根据本申请一优选实施例，所述K个潜在结点中的任意两个潜在结点i和潜在结点j之间的边的权重
其中，所述N表示所述停车场关联图中的停车场数；所述S表示所述软分配矩阵；当所述N个停车场中的任意两个停车场m和停车场n之间通过边相连时，所述amn为第一预定取值，否则，为第二预定取值。
根据本申请一优选实施例，所述K个潜在结点中的任一潜在结点i的最终表征向量
其中，所述Qi表示与所述潜在结点i通过边相连的邻居潜在结点数；所述
表示所述Qi个邻居潜在结点中的任一潜在结点j的表征向量；所述Wl表示预先训练得到的模型参数；所述
表示所述潜在结点i与所述潜在结点j之间边的权重；所述σ表示激活函数。
根据本申请一优选实施例，所述当前时刻所述停车场i的全局空间相关性信息
其中，所述
表示所述K个潜在结点中的任一潜在结点j的最终表征向量；所述S表示所述软分配矩阵。
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的局部空间相关性信息及全局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
其中，所述
所述
所述
所述Wz、所述
所述Wr、所述bz、所述
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
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
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
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
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
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，最小化目标函数O；
其中，所述目标函数
所述Nl为大于一的正整数，所述
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。
一种停车场空闲车位预测装置，包括：构建单元以及预测单元；
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，将符合预定条件的任意两个停车场通过边相连；
所述预测单元，用于针对任一停车场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；根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息；根据所述局部空间相关性信息及所述全局空间相关性信息，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，所述构建单元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。
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；
所述预测单元基于分层图神经网络模型，根据当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并根据所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息；
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
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
其中，所述Ni表示所述邻居停车场的数量；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，所述预测单元根据当前时刻各停车场的局部空间相关性信息，生成一个N行K列的软分配矩阵，所述N等于所述停车场关联图中的停车场数，所述K等于设定的潜在结点数，所述软分配矩阵中的每一行分别对应于一个停车场，所述软分配矩阵中的每一列分别对应于一个潜在结点，所述软分配矩阵中的每一行中的每个元素分别表示对应的停车场属于对应的潜在结点的概率；根据所述软分配矩阵，分别确定出各潜在结点的表征向量，并分别确定出各潜在结点之间的边的权重，任意两个潜在结点之间均通过边相连；根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量；针对所述停车场i，根据各潜在结点的最终表征向量以及所述软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息。
根据本申请一优选实施例，所述预测单元通过计算Softmax(Wsx′i)得到所述软分配矩阵中的第i行中的各元素，所述第i行表示所述软分配矩阵中的任意一行，所述x′i表示当前时刻所述第i行对应的停车场的局部空间相关性信息，所述Ws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K个潜在结点中的任一潜在结点i的表征向量
其中，所述N表示所述停车场关联图中的停车场数；所述xj′表示当前时刻所述N个停车场中的任一停车场j的局部空间相关性信息；所述S表示所述软分配矩阵。
根据本申请一优选实施例，所述K个潜在结点中的任意两个潜在结点i和潜在结点j之间的边的权重
其中，所述N表示所述停车场关联图中的停车场数；所述S表示所述软分配矩阵；当所述N个停车场中的任意两个停车场m和停车场n之间通过边相连时，所述amn为第一预定取值，否则，为第二预定取值。
根据本申请一优选实施例，所述K个潜在结点中的任一潜在结点i的最终表征向量
其中，所述Qi表示与所述潜在结点i通过边相连的邻居潜在结点数；所述
表示所述Qi个邻居潜在结点中的任一潜在结点j的表征向量；所述Wl表示预先训练得到的模型参数；所述
表示所述潜在结点i与所述潜在结点j之间边的权重；所述σ表示激活函数。
根据本申请一优选实施例，所述当前时刻所述停车场i的全局空间相关性信息
其中，所述
表示所述K个潜在结点中的任一潜在结点j的最终表征向量；所述S表示所述软分配矩阵。
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的局部空间相关性信息及全局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
其中，所述
所述
所述
所述Wz、所述
所述Wr、所述bz、所述
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
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
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
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
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
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，最小化目标函数O；
所述目标函数
所述Nl为大于一的正整数，所述
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。
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、全局空间相关性信息及时间相关性信息，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，可借助于不同的网络模型来获取停车场的局部空间相关性信息、全局空间相关性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，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为本申请所述分层图神经网络结构及软分配矩阵的示意图；
图4为本申请所述停车场空闲车位预测装置400实施例的组成结构示意图；
图5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，将符合预定条件的任意两个停车场通过边相连。
在102中，针对任一停车场i，分别按照103-105所示方式进行处理。
在103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104中，根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻停车场i的全局空间相关性信息。
在105中，根据局部空间相关性信息及全局空间相关性信息，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。
一个城市内的停车场之间往往具有局部和全局的空间相关性。比如，当一个用户去某个热门的餐馆用餐时，若餐馆的停车位紧缺，往往会选择将车停在周边的其它停车场，这体现了局部的空间相关性。再比如，两个距离较远的工作区在工作时间可能同时处于停车位紧缺的状态，而两个距离较远的休闲区在工作时间则可能同时处于停车位空闲的状态，这体现了全局的空间相关性。
本实施例中，可利用图注意力神经网络模型和分层图神经网络模型建模停车场的局部和全局的空间相关性，得到停车场的最终空间相关性表征，并输入至门循环神经网络模型，来预测停车场未来的空闲车位信息。
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：
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，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。
针对任一停车场i，可首先确定出停车场i的邻居停车场，邻居停车场为停车场关联图中与停车场i通过边相连的停车场，进而可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，确定出当前时刻停车场i的局部空间相关性信息。
具体地，针对各邻居停车场，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；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：
其中，cij＝Attention(Waxi,Waxj)； (3)
Attention表示图注意力机制；Ni表示停车场i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：
其中，Ni表示停车场i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。
按照上述处理方式，针对各停车场，可分别得到当前时刻的局部空间相关性信息。
针对停车场i，还可根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻停车场i的全局空间相关性信息。优选地，可基于分层图神经网络模型，根据当前时刻各停车场的局部空间相关性信息构建出软分配矩阵，并根据软分配矩阵确定出当前时刻停车场i的全局空间相关性信息。
具体地，可根据当前时刻各停车场的局部空间相关性信息，生成一个N行K列的软分配矩阵，N等于停车场关联图中的停车场数，K等于设定的潜在结点数，软分配矩阵中的每一行分别对应于一个停车场，软分配矩阵中的每一列分别对应于一个潜在结点，软分配矩阵中的每一行中的每个元素分别表示对应的停车场属于对应的潜在结点的概率。根据软分配矩阵，分别确定出各潜在结点的表征向量，并分别确定出各潜在结点之间的边的权重，任意两个潜在结点之间均通过边相连。之后，可根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量。进一步地，针对停车场i，可分别根据各潜在结点的最终表征向量以及软分配矩阵，确定出当前时刻停车场i的全局空间相关性信息。
图3为本申请所述分层图神经网络结构及软分配矩阵的示意图。如图3所示，假定上层有K个潜在结点，K的具体取值可根据实际需要而定，如图3中所示的4个。每个潜在结点均可有其对应的物理含义，作为一种可能的实现方式，可理解为不同的停车场类别，如写字楼停车场、购物中心停车场等，那么对于任一停车场，如**商场停车场，可按照现有方式分别得到其属于不同停车场类别的概率，如属于购物中心停车场的概率最高，各概率相加之和为1。
可通过以下方式计算得到软分配矩阵中的第i行中的各元素Si,.，第i行表示软分配矩阵中的任意一行：
Si,·＝Softmax(Wsx′i)； (5)
其中，x′i表示当前时刻第i行对应的停车场的局部空间相关性信息，Ws表示预先训练得到的模型参数。第i行中的各元素相加之和为1。
根据软分配矩阵，可分别确定出各潜在结点的表征向量。
其中，K个潜在结点中的任一潜在结点i的表征向量
可为：
其中，N表示停车场关联图中的停车场数；x′j表示当前时刻N个停车场中的任一停车场j的局部空间相关性信息；S表示软分配矩阵，T表示矩阵转置。
另外，可根据软分配矩阵及停车场关联图，分别确定出各潜在结点之间的边的权重，如图3所示，任意两个潜在结点之间均可通过边相连。
K个潜在结点中的任意两个潜在结点i和潜在结点j之间的边的权重
可为：
其中，N表示停车场关联图中的停车场数；S表示软分配矩阵；当N个停车场中的任意两个停车场m和停车场n之间通过边相连时，amn可为第一预定取值，否则，可为第二预定取值，如第一预定取值可为1，第二预定取值可为0；Sn,j表示软分配矩阵中第n行第j列的元素的取值，其它类推。
进一步地，可根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量，即可对潜在结点进行聚合以得到这些潜在结点的最终表征向量。
K个潜在结点中的任一潜在结点i的最终表征向量
可为：
其中，Qi表示与潜在结点i通过边相连的邻居潜在结点数；
表示Qi个邻居潜在结点中的任一潜在结点j的表征向量；Wl表示预先训练得到的模型参数；
表示潜在结点i与潜在结点j之间边的权重；σ表示激活函数。
这些潜在结点中包含了不同全局信息，可通过软分配矩阵为各停车场从潜在结点中获取自己所需的全局信息。具体地，针对任一停车场i，可根据各潜在结点的最终表征向量以及软分配矩阵，确定出当前时刻停车场i的全局空间相关性信息。
当前时刻停车场i的全局空间相关性信息
可为：
其中，
表示K个潜在结点中的任一潜在结点j的最终表征向量；S表示软分配矩阵。
针对停车场i，可将当前时刻停车场i的局部空间相关性信息及全局空间相关性信息进行拼接，得到拼接结果，即得到同时捕获了局部和全局空间相关性信息的最终空间相关性表征。所述拼接可以是指首尾相连。
可根据拼接结果，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。如前所述，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，结合门机制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
可为：
其中，
Wz、
Wr、bz、
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；
表示门循环神经网络模型的前一时刻的输出；°表示矩阵乘。
由于x″i中包含了当前时刻的空间相关性信息，
中包含了t时刻之前的时空相关性信息，因此得到的
中将同时包含时间和空间相关性信息。
进一步地，可利用
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，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：
其中，τ为大于一的正整数，具体取值可根据实际需要而定；
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；
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；
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，最小化目标函数O。
其中，目标函数
Nl为大于一的正整数，具体取值可根据实际需要而定，
表示Nl个任一样本停车场i在对应时间步的真实空闲车位信息。
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、全局空间相关性信息及时间相关性信息，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，可借助于不同的网络模型来获取停车场的局部空间相关性信息、全局空间相关性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，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4为本申请所述停车场空闲车位预测装置400实施例的组成结构示意图。如图4所示，包括：构建单元401以及预测单元402。
构建单元401，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，将符合预定条件的任意两个停车场通过边相连。
预测单元402，用于针对任一停车场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；根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻停车场i的全局空间相关性信息；根据局部空间相关性信息及全局空间相关性信息，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。
其中，构建单元401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。
另外，预测单元402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，可基于分层图神经网络模型，根据当前时刻各停车场的局部空间相关性信息构建出软分配矩阵，并根据软分配矩阵确定出当前时刻停车场i的全局空间相关性信息，还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402可针对各邻居停车场，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，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。
其中，任一邻居停车场j与停车场i之间的边的权重αij可为：
其中，cij＝Attention(Waxj,Waxj)； (3)
Attention表示图注意力机制；Ni表示邻居停车场的数量；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x′i可为：
其中，Ni表示停车场i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402还可根据当前时刻各停车场的局部空间相关性信息，生成一个N行K列的软分配矩阵，N等于停车场关联图中的停车场数，K等于设定的潜在结点数，软分配矩阵中的每一行分别对应于一个停车场，软分配矩阵中的每一列分别对应于一个潜在结点，软分配矩阵中的每一行中的每个元素分别表示对应的停车场属于对应的潜在结点的概率，根据软分配矩阵，分别确定出各潜在结点的表征向量，并分别确定出各潜在结点之间的边的权重，任意两个潜在结点之间均通过边相连，根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量，针对停车场i，分别根据各潜在结点的最终表征向量以及软分配矩阵，确定出当前时刻停车场i的全局空间相关性信息。
其中，预测单元402可通过计算Softmax(Wsx′i)得到软分配矩阵中的第i行中的各元素，第i行表示软分配矩阵中的任意一行，x′i表示当前时刻第i行对应的停车场的局部空间相关性信息，Ws表示预先训练得到的模型参数。
K个潜在结点中的任一潜在结点i的表征向量
可为：
其中，N表示停车场关联图中的停车场数；x′j表示当前时刻N个停车场中的任一停车场j的局部空间相关性信息；S表示软分配矩阵，T表示矩阵转置。
K个潜在结点中的任意两个潜在结点i和潜在结点j之间的边的权重
可为：
其中，N表示停车场关联图中的停车场数；S表示软分配矩阵；当N个停车场中的任意两个停车场m和停车场n之间通过边相连时，amn为第一预定取值，否则，为第二预定取值，如第一预定取值可为1，第二预定取值可为0；Sn,j表示软分配矩阵中的第n行第j列的元素的取值，其它类推。
K个潜在结点中的任一潜在结点i的最终表征向量
可为：
其中，Qi表示与潜在结点i通过边相连的邻居潜在结点数；
表示Qi个邻居潜在结点中的任一潜在结点j的表征向量；Wl表示预先训练得到的模型参数；
表示潜在结点i与潜在结点j之间边的权重；σ表示激活函数。
当前时刻停车场i的全局空间相关性信息
可为：
其中，
表示K个潜在结点中的任一潜在结点j的最终表征向量；S表示软分配矩阵。
预测单元402可将当前时刻停车场i的局部空间相关性信息及全局空间相关性信息进行拼接，得到拼接结果，并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。
当前时刻停车场i的时间相关性信息
可为：
其中，
Wz、
Wr、bz、
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；
表示门循环神经网络模型的前一时刻的输出；°表示矩阵乘。
预测单元402还可利用
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，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：
其中，τ为大于一的正整数，具体取值可根据实际需要而定；
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；
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；
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。
另外，图4所示装置中还可进一步包括：预处理单元403，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，最小化目标函数O。
其中，目标函数
Nl为大于一的正整数，具体取值可根据实际需要而定，
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。
图4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、全局空间相关性信息及时间相关性信息，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，可借助于不同的网络模型来获取停车场的局部空间相关性信息、全局空间相关性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，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5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5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5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5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，将符合预定条件的任意两个停车场通过边相连；
针对任一停车场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，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；
根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息，包括：基于分层图神经网络模型，根据当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并根据所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息；
根据所述局部空间相关性信息及所述全局空间相关性信息，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，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。
2.根据权利要求1所述的方法，其特征在于，
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。
3.根据权利要求1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。
4.根据权利要求3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 ；
其中，所述；所述表示图注意力机制；所述表示所述邻居停车场的数量；所述表示当前时刻所述停车场i的环境上下文特征；所述表示当前时刻所述邻居停车场j的环境上下文特征；所述表示预先训练得到的模型参数。
5.根据权利要求3所述的方法，其特征在于，
所述表征向量；
其中，所述表示所述邻居停车场的数量；所述表示当前时刻所述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；所述表示预先训练得到的模型参数；所述表示激活函数。
6.根据权利要求1所述的方法，其特征在于，
所述基于当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并基于所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息包括：
根据当前时刻各停车场的局部空间相关性信息，生成一个N行K列的软分配矩阵，所述N等于所述停车场关联图中的停车场数，所述K等于设定的潜在结点数，所述软分配矩阵中的每一行分别对应于一个停车场，所述软分配矩阵中的每一列分别对应于一个潜在结点，所述软分配矩阵中的每一行中的每个元素分别表示对应的停车场属于对应的潜在结点的概率；
根据所述软分配矩阵，分别确定出各潜在结点的表征向量，并分别确定出各潜在结点之间的边的权重，任意两个潜在结点之间均通过边相连；
根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量；
针对所述停车场i，根据各潜在结点的最终表征向量以及所述软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息。
7.根据权利要求6所述的方法，其特征在于，
该方法进一步包括：通过计算得到所述软分配矩阵中的第i行中的各元素，所述第i行表示所述软分配矩阵中的任意一行，所述表示当前时刻所述第i行对应的停车场的局部空间相关性信息，所述表示预先训练得到的模型参数。
8.根据权利要求6所述的方法，其特征在于，
所述K个潜在结点中的任一潜在结点i的表征向量；
其中，所述N表示所述停车场关联图中的停车场数；所述表示当前时刻所述N个停车场中的任一停车场j的局部空间相关性信息；所述S表示所述软分配矩阵。
9.根据权利要求6所述的方法，其特征在于，
所述K个潜在结点中的任意两个潜在结点i和潜在结点j之间的边的权重；
其中，所述N表示所述停车场关联图中的停车场数；所述S表示所述软分配矩阵；当所述N个停车场中的任意两个停车场m和停车场n之间通过边相连时，所述为第一预定取值，否则，为第二预定取值。
10.根据权利要求6所述的方法，其特征在于，
所述K个潜在结点中的任一潜在结点i的最终表征向量；
其中，所述表示与所述潜在结点i通过边相连的邻居潜在结点数；所述表示所述个邻居潜在结点中的任一潜在结点j的表征向量；所述表示预先训练得到的模型参数；所述表示所述潜在结点i与所述潜在结点j之间边的权重；所述表示激活函数。
11.根据权利要求6所述的方法，其特征在于，
所述当前时刻所述停车场i的全局空间相关性信息；
其中，所述表示所述K个潜在结点中的任一潜在结点j的最终表征向量；所述S表示所述软分配矩阵。
12.根据权利要求1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的局部空间相关性信息及全局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。
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；
其中，所述；
所述；
所述；
所述、所述、所述、所述、所述以及所述均为预先训练得到的模型参数；所述表示激活函数；所述表示所述拼接结果；所述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1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：
按照的方式预测出所述停车场i在未来个时间步的空闲车位信息；
其中，所述为大于一的正整数；所述表示当前时刻所述停车场i的时间相关性信息；所述表示预先训练得到的模型参数；所述表示激活函数；所述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；所述表示预测出的所述停车场i在未来第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，最小化目标函数；
其中，所述目标函数，所述为大于一的正整数，所述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。
16.一种停车场空闲车位预测装置，其特征在于，包括：构建单元以及预测单元；
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，将符合预定条件的任意两个停车场通过边相连；
所述预测单元，用于针对任一停车场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；根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息；根据所述局部空间相关性信息及所述全局空间相关性信息，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；
其中，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；
所述预测单元基于分层图神经网络模型，根据当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并根据所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息；
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。
17.根据权利要求16所述的装置，其特征在于，
所述构建单元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。
18.根据权利要求16所述的装置，其特征在于，
所述预测单元针对各邻居停车场，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。
19.根据权利要求18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 ；
其中，所述；所述表示图注意力机制；所述表示所述邻居停车场的数量；所述表示当前时刻所述停车场i的环境上下文特征；所述表示当前时刻所述邻居停车场j的环境上下文特征；所述表示预先训练得到的模型参数。
20.根据权利要求18所述的装置，其特征在于，
所述表征向量；
其中，所述表示所述邻居停车场的数量；所述表示当前时刻所述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；所述表示预先训练得到的模型参数；所述表示激活函数。
21.根据权利要求16所述的装置，其特征在于，
所述预测单元根据当前时刻各停车场的局部空间相关性信息，生成一个N行K列的软分配矩阵，所述N等于所述停车场关联图中的停车场数，所述K等于设定的潜在结点数，所述软分配矩阵中的每一行分别对应于一个停车场，所述软分配矩阵中的每一列分别对应于一个潜在结点，所述软分配矩阵中的每一行中的每个元素分别表示对应的停车场属于对应的潜在结点的概率；根据所述软分配矩阵，分别确定出各潜在结点的表征向量，并分别确定出各潜在结点之间的边的权重，任意两个潜在结点之间均通过边相连；根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量；针对所述停车场i，根据各潜在结点的最终表征向量以及所述软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息。
22.根据权利要求21所述的装置，其特征在于，
所述预测单元通过计算得到所述软分配矩阵中的第i行中的各元素，所述第i行表示所述软分配矩阵中的任意一行，所述表示当前时刻所述第i行对应的停车场的局部空间相关性信息，所述表示预先训练得到的模型参数。
23.根据权利要求21所述的装置，其特征在于，
所述K个潜在结点中的任一潜在结点i的表征向量；
其中，所述N表示所述停车场关联图中的停车场数；所述表示当前时刻所述N个停车场中的任一停车场j的局部空间相关性信息；所述S表示所述软分配矩阵。
24.根据权利要求21所述的装置，其特征在于，
所述K个潜在结点中的任意两个潜在结点i和潜在结点j之间的边的权重；
其中，所述N表示所述停车场关联图中的停车场数；所述S表示所述软分配矩阵；当所述N个停车场中的任意两个停车场m和停车场n之间通过边相连时，所述为第一预定取值，否则，为第二预定取值。
25.根据权利要求21所述的装置，其特征在于，
所述K个潜在结点中的任一潜在结点i的最终表征向量；
其中，所述表示与所述潜在结点i通过边相连的邻居潜在结点数；所述表示所述个邻居潜在结点中的任一潜在结点j的表征向量；所述表示预先训练得到的模型参数；所述表示所述潜在结点i与所述潜在结点j之间边的权重；所述表示激活函数。
26.根据权利要求21所述的装置，其特征在于，
所述当前时刻所述停车场i的全局空间相关性信息；
其中，所述表示所述K个潜在结点中的任一潜在结点j的最终表征向量；所述S表示所述软分配矩阵。
27.根据权利要求16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的局部空间相关性信息及全局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；
其中，所述；
所述；
所述；
所述、所述、所述、所述、所述以及所述均为预先训练得到的模型参数；所述表示激活函数；所述表示所述拼接结果；所述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16所述的装置，其特征在于，
所述预测单元按照的方式预测出所述停车场i在未来个时间步的空闲车位信息；
其中，所述为大于一的正整数；所述表示当前时刻所述停车场i的时间相关性信息；所述表示预先训练得到的模型参数；所述表示激活函数；所述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；所述表示预测出的所述停车场i在未来第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，最小化目标函数；
所述目标函数，所述为大于一的正整数，所述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。
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。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010076257.0A CN111310987B (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 |
| US17/021,979 US11593384B2 (en) | 2020-01-23 | 2020-09-15 | Parking lot free parking space predicting method, apparatus, electronic device and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010076257.0A CN111310987B (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 |
|---|---|
| CN111310987A CN111310987A (zh) | 2020-06-19 |
| CN111310987B true CN111310987B (zh) | 2023-04-07 |
Family
ID=71159805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010076257.0A Active CN111310987B (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) | US11593384B2 (zh) |
| CN (1) | CN111310987B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112201078B (zh) * | 2020-09-30 | 2021-08-10 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于图神经网络的自动泊车停车位检测方法 |
| 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 |
| 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 |
| CN115307780B (zh) * | 2022-09-29 | 2023-01-06 | 中国海洋大学 | 基于时空信息交互融合的海表温度预测方法、系统及应用 |
| CN115643285A (zh) * | 2022-10-14 | 2023-01-24 | 成都秦川物联网科技股份有限公司 | 智慧城市停车场推荐方法和物联网系统、装置、存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05120599A (ja) * | 1991-10-28 | 1993-05-18 | Hitachi Ltd | 駐車予測管理方法及び装置 |
| JP2009211253A (ja) * | 2008-03-03 | 2009-09-17 | Toyota Motor Corp | 駐車場情報提供システム、サーバ、情報端末 |
| CN106960596A (zh) * | 2017-04-28 | 2017-07-18 | 北京同于道科技有限公司 | 一种基于车位管理的推荐方法及系统 |
| JP2018109861A (ja) * | 2017-01-04 | 2018-07-12 | 富士通株式会社 | 駐車場までの経路情報を案内するセンタ装置、システム、プログラム及び方法 |
| CN108986527A (zh) * | 2018-07-17 | 2018-12-11 | 新华三云计算技术有限公司 | 一种停车位引导方法、装置、系统及电子设备 |
| CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
| CN110660219A (zh) * | 2019-09-29 | 2020-01-07 | 百度在线网络技术（北京）有限公司 | 停车场停车预测方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10417749B2 (en) * | 2016-03-22 | 2019-09-17 | Algolux Inc. | Method and system for edge denoising of a digital image |
-
2020
- 2020-01-23 CN CN202010076257.0A patent/CN111310987B/zh active Active
- 2020-09-15 US US17/021,979 patent/US11593384B2/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05120599A (ja) * | 1991-10-28 | 1993-05-18 | Hitachi Ltd | 駐車予測管理方法及び装置 |
| JP2009211253A (ja) * | 2008-03-03 | 2009-09-17 | Toyota Motor Corp | 駐車場情報提供システム、サーバ、情報端末 |
| JP2018109861A (ja) * | 2017-01-04 | 2018-07-12 | 富士通株式会社 | 駐車場までの経路情報を案内するセンタ装置、システム、プログラム及び方法 |
| CN106960596A (zh) * | 2017-04-28 | 2017-07-18 | 北京同于道科技有限公司 | 一种基于车位管理的推荐方法及系统 |
| CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
| CN108986527A (zh) * | 2018-07-17 | 2018-12-11 | 新华三云计算技术有限公司 | 一种停车位引导方法、装置、系统及电子设备 |
| CN110660219A (zh) * | 2019-09-29 | 2020-01-07 | 百度在线网络技术（北京）有限公司 | 停车场停车预测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| Klappenecker,A等."finding available parking spaces made easy".《AD HOC NETWORKS》.2014,第12卷第243-249页. * |
| 刘典 ; 张飞舟 ; .城市停车场实时车位获取与分配研究.计算机工程与应用.2017,(07),第242-244和247页. * |
| 戈军 ; 周莲英 ; .实时停车可用性预测.科学技术与工程.2013,(29),第8678-8683页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111310987A (zh) | 2020-06-19 |
| US11593384B2 (en) | 2023-02-28 |
| US20210232588A1 (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 | |
| CN111310987B (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 | |
| US11651208B2 (en) | Training action selection neural networks using a differentiable credit function | |
| CN110476172A (zh) | 用于卷积神经网络的神经架构搜索 | |
| CN112541302B (zh) | 空气质量预测模型训练方法、空气质量预测方法及装置 | |
| CN110546653B (zh) | 使用管理者和工作者神经网络的用于强化学习的动作选择 | |
| CN110114784B (zh) | 递归环境预测器及其方法 | |
| CN106850289B (zh) | 结合高斯过程与强化学习的服务组合方法 | |
| CN112269930B (zh) | 建立区域热度预测模型、区域热度预测的方法及装置 | |
| Murphy et al. | Risky planning on probabilistic costmaps for path planning in outdoor environments | |
| JP7181415B2 (ja) | 観測値の尤度を使用して環境を探索するためのエージェントを制御すること | |
| CN111982138B (zh) | 预测模型获取及路径规划方法、装置及存储介质 | |
| KR20220026999A (ko) | 목적지 예측 방법, 장치, 전자 기기 및 저장 매체 | |
| 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 | |
| CN111292549B (zh) | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 | |
| CN112000893A (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
| Wang et al. | ASNN-FRR: A traffic-aware neural network for fastest route recommendation | |
| CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
| Xin et al. | Forecasting collector road speeds under high percentage of missing data | |
| Wang et al. | Hybrid neural network modeling for multiple intersections along signalized arterials-current situation and some new results | |
| Gital et al. | LSTM network for predicting medium to long term electricity usage in residential buildings (Rikkos Jos-City, Nigeria) | |
| WO2023178608A1 (zh) | 一种基于多源异构信息网络的目的地推荐方法及系统 | |
| Wang et al. | A lightweight spatiotemporal graph dilated convolutional network for urban sensor state prediction | |
| CN117744950A (zh) | 出行需求分析方法、装置、设备及存储介质 |
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 |