CN111325382A - 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
CN111325382A
CN111325382A CN202010076242.4A CN202010076242A CN111325382A CN 111325382 A CN111325382 A CN 111325382A CN 202010076242 A CN202010076242 A CN 202010076242A CN 111325382 A CN111325382 A CN 111325382A
Authority
CN
China
Prior art keywords
parking lot
parking
current moment
correlation information
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010076242.4A
Other languages
English (en)
Other versions
CN111325382B (zh
Inventor
刘浩
张韦嘉
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 CN202010076242.4A priority Critical patent/CN111325382B/zh
Publication of CN111325382A publication Critical patent/CN111325382A/zh
Priority to US17/021,831 priority patent/US11574259B2/en
Application granted granted Critical
Publication of CN111325382B publication Critical patent/CN111325382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian 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
    • G06N3/044—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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (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，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，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。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第一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，执行以下预定处理：
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；
将执行次数加一，所述执行次数初始为零；若所述执行次数等于预定第二阈值，则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，否则，将所述表征向量作为所述停车场i的环境上下文特征，重复执行所述预定处理。
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 BDA0002378558640000031
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
Figure BDA0002378558640000032
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：
根据当前时刻所述停车场i的局部空间相关性信息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 BDA0002378558640000033
所述
Figure BDA0002378558640000034
所述
Figure BDA0002378558640000035
所述
Figure BDA0002378558640000036
其中，所述Wz、所述
Figure BDA0002378558640000038
所述Wr、所述bz、所述
Figure BDA0002378558640000039
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表示当前时刻所述停车场i的局部空间相关性信息；所述
Figure BDA0002378558640000037
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 BDA0002378558640000041
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 BDA0002378558640000042
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 BDA0002378558640000043
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 BDA0002378558640000044
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
Figure BDA0002378558640000045
所述Nl为大于一的正整数，所述
Figure BDA0002378558640000046
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，所述构建单元将任意两个距离小于或等于预定第一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，执行以下预定处理：
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；
将执行次数加一，所述执行次数初始为零；若所述执行次数等于预定第二阈值，则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，否则，将所述表征向量作为所述停车场i的环境上下文特征，重复执行所述预定处理。
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 BDA0002378558640000051
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
Figure BDA0002378558640000052
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所述停车场i的局部空间相关性信息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 BDA0002378558640000061
所述
Figure BDA0002378558640000062
所述
Figure BDA0002378558640000063
所述
Figure BDA0002378558640000064
其中，所述Wz、所述
Figure BDA0002378558640000065
所述Wr、所述bz、所述
Figure BDA0002378558640000066
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表示当前时刻所述停车场i的局部空间相关性信息；所述
Figure BDA0002378558640000067
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 BDA0002378558640000068
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 BDA0002378558640000069
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 BDA00023785586400000610
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 BDA00023785586400000611
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
Figure BDA00023785586400000612
所述Nl为大于一的正整数，所述
Figure BDA00023785586400000613
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103-104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。
本实施例中，可根据各停车场的环境上下文特征，通过图注意力神经网络模型确定出各停车场的局部空间相关性信息，基于门循环神经网络模型确定出各停车场的时间相关性信息，以此得到同时包含停车场空间和时间相关性的隐向量，用来预测停车场未来的空闲车位信息。
现实世界中，在几何空间上离得较近的停车场之间往往会相互影响并产生相关性，并且这种相关性是动态变化的。比如某区域分布有住宅区和写字楼，那么这两者的附属停车场的空闲车位信息在平时很可能表现出不同的变化趋势，然而若附近正在举行一场演唱会，那么其周边一定距离内的停车场可能在这段时间内都处于车位紧缺的状态，若能够捕捉到停车场之间的这种空间动态相关性，便能够更好的对停车场进行预测。
为此，本实施例中首先通过构建一个停车场关联图将可能相关的停车场关联起来。即可针对待处理区域(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第一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。所述第一阈值的具体取值可根据实际需要而定，如1km，相应地，则有：
Figure BDA0002378558640000091
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。
这样，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，针对停车场i，可执行以下预定处理：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；将执行次数加一，所述执行次数初始为零；若执行次数等于预定第二阈值，则将得到的表征向量作为当前时刻停车场i的局部空间相关性信息，否则，将得到的表征向量作为停车场i的环境上下文特征，重复执行所述预定处理。
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 BDA0002378558640000101
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：
Figure BDA0002378558640000102
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。
之后可将设置的参数即执行次数加一，执行次数初始为零，并确定加一后的执行次数是否等于预定第二阈值，第二阈值的具体取值可根据实际需要而定，如2，由于得到的执行次数为1，小于2，因此可将得到的表征向量作为停车场i的环境上下文特征，重复执行所述预定处理，即重复公式(2)～公式(4)等过程。本实施例中，对于各停车场的处理是同时进行的，因此在用停车场i的表征向量对停车场i的环境上下文特征进行更新的同时，其它各停车场的环境上下文特征也会被更新，这样，重复公式(2)～公式(4)时，所用的环境上下文特征均为更新后的环境上下文特征。
重复完成后，执行次数变为2，等于第二阈值，得到了捕获多阶(2阶)邻居相关性的停车场i的表征向量，可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。
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。
针对任一停车场i，还可根据当前时刻停车场i的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，可根据当前时刻停车场i的局部空间相关性信息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
Figure BDA0002378558640000111
可为：
Figure BDA0002378558640000121
其中，
Figure BDA0002378558640000122
Figure BDA0002378558640000123
Figure BDA0002378558640000124
Wz、
Figure BDA0002378558640000125
Wr、bz、
Figure BDA0002378558640000126
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表示当前时刻停车场i的局部空间相关性信息；
Figure BDA0002378558640000127
表示门循环神经网络模型的前一时刻的输出；
Figure BDA00023785586400001216
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，
Figure BDA0002378558640000128
中包含了t时刻之前的时空相关性信息，因此得到的
Figure BDA0002378558640000129
中将同时包含时间和空间相关性信息。
可利用
Figure BDA00023785586400001210
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：
Figure BDA00023785586400001211
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 BDA00023785586400001212
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 BDA00023785586400001213
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 BDA00023785586400001214
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(9)，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，即预测的空闲车位信息与真实空闲车位信息之间的均方误差(MSE，MeanSquare Error)。
其中，目标函数
Figure BDA00023785586400001215
Nl为大于一的正整数，具体取值可根据实际需要而定，
Figure BDA0002378558640000131
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。
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，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以及预测单元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，将符合预定条件的任意两个停车场通过边相连。
预测单元302，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。
其中，构建单元301可将任意两个距离小于或等于预定第一阈值的停车场通过边相连。
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。另外，预测单元302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。
具体地，预测单元302可针对停车场i，执行以下预定处理：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；将执行次数加一，执行次数初始为零；若执行次数等于预定第二阈值，则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，否则，将该表征向量作为停车场i的环境上下文特征，重复执行所述预定处理。
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 BDA0002378558640000141
其中，cij＝Attention(Waxi,Waxi)； (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。
表征向量
Figure BDA0002378558640000142
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302还可根据当前时刻停车场i的局部空间相关性信息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 BDA0002378558640000151
可为：
Figure BDA0002378558640000152
其中，
Figure BDA0002378558640000153
Figure BDA0002378558640000154
Figure BDA0002378558640000155
Wz、
Figure BDA0002378558640000156
Wr、bz、
Figure BDA0002378558640000157
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表示当前时刻停车场i的局部空间相关性信息；
Figure BDA0002378558640000158
表示门循环神经网络模型的前一时刻的输出；
Figure BDA00023785586400001514
表示矩阵乘。
预测单元302还可利用
Figure BDA0002378558640000159
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：
Figure BDA00023785586400001510
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 BDA00023785586400001511
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 BDA00023785586400001512
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 BDA00023785586400001513
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，最小化目标函数O。
其中，目标函数
Figure BDA0002378558640000161
Nl为大于一的正整数，具体取值可根据实际需要而定，
Figure BDA0002378558640000162
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，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 (22)

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；
根据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第一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，执行以下预定处理：
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；
将执行次数加一，所述执行次数初始为零；若所述执行次数等于预定第二阈值，则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，否则，将所述表征向量作为所述停车场i的环境上下文特征，重复执行所述预定处理。
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 FDA0002378558630000021
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。
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 FDA0002378558630000022
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。
7.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的时间相关性信息包括：
根据当前时刻所述停车场i的局部空间相关性信息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。
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的时间相关性信息
Figure FDA0002378558630000031
所述
Figure FDA0002378558630000032
所述
Figure FDA0002378558630000033
所述
Figure FDA0002378558630000034
其中，所述Wz、所述
Figure FDA0002378558630000035
所述Wr、所述bz、所述
Figure FDA0002378558630000036
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表示当前时刻所述停车场i的局部空间相关性信息；所述
Figure FDA0002378558630000037
表示所述门循环神经网络模型的前一时刻的输出。
9.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 FDA0002378558630000038
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 FDA0002378558630000039
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 FDA00023785586300000310
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 FDA00023785586300000311
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。
10.根据权利要求9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，最小化目标函数O；
其中，所述目标函数
Figure FDA0002378558630000041
所述Nl为大于一的正整数，所述
Figure FDA0002378558630000042
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。
11.一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。
12.根据权利要求11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第一阈值的停车场通过边相连。
13.根据权利要求11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。
14.根据权利要求13所述的装置，其特征在于，
所述预测单元针对所述停车场i，执行以下预定处理：
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；
将执行次数加一，所述执行次数初始为零；若所述执行次数等于预定第二阈值，则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，否则，将所述表征向量作为所述停车场i的环境上下文特征，重复执行所述预定处理。
15.根据权利要求14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 FDA0002378558630000051
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。
16.根据权利要求14所述的装置，其特征在于，
所述表征向量
Figure FDA0002378558630000052
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。
17.根据权利要求13所述的装置，其特征在于，
所述预测单元根据当前时刻所述停车场i的局部空间相关性信息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。
18.根据权利要求17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 FDA0002378558630000053
所述
Figure FDA0002378558630000061
所述
Figure FDA0002378558630000062
所述
Figure FDA0002378558630000063
其中，所述Wz、所述
Figure FDA0002378558630000064
所述Wr、所述bz、所述
Figure FDA0002378558630000065
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表示当前时刻所述停车场i的局部空间相关性信息；所述
Figure FDA0002378558630000066
表示所述门循环神经网络模型的前一时刻的输出。
19.根据权利要求13所述的装置，其特征在于，
所述预测单元按照
Figure FDA0002378558630000067
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 FDA0002378558630000068
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 FDA0002378558630000069
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 FDA00023785586300000610
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。
20.根据权利要求19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，最小化目标函数O；
所述目标函数
Figure FDA00023785586300000611
所述Nl为大于一的正整数，所述
Figure FDA00023785586300000612
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。
21.一种电子设备，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1-10中任一项所述的方法。
22.一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1-10中任一项所述的方法。
CN202010076242.4A 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 CN111325382B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010076242.4A CN111325382B (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
US17/021,831 US11574259B2 (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
CN202010076242.4A CN111325382B (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
CN111325382A true CN111325382A (zh) 2020-06-23
CN111325382B CN111325382B (zh) 2022-06-28

Family

ID=71172687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010076242.4A Active CN111325382B (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) US11574259B2 (zh)
CN (1) CN111325382B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112201075A (zh) * 2020-09-18 2021-01-08 厦门路桥信息股份有限公司 停车场车位可用性预测方法及系统
CN113643564A (zh) * 2021-07-27 2021-11-12 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
CN114822070A (zh) * 2022-03-28 2022-07-29 阿里巴巴（中国）有限公司 停车场状态确定方法及电子设备
CN115019543A (zh) * 2022-05-19 2022-09-06 北京星火北斗科技有限公司 一种智能停车方法、系统、电子设备、可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI815592B (zh) * 2022-08-05 2023-09-11 財團法人資訊工業策進會 生產量預估裝置及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180313660A1 (en) * 2017-04-27 2018-11-01 International Business Machines Corporation Finding available parking spaces using cognitive algorithms
CN109492817A (zh) * 2018-11-16 2019-03-19 杭州电子科技大学 一种封闭区域内未来泊位需求数量短时预测方法
CN110189537A (zh) * 2019-05-08 2019-08-30 深圳先进技术研究院 基于时空特征的停车诱导方法、装置、设备及存储介质
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
CN110555990A (zh) * 2019-08-29 2019-12-10 桂林电子科技大学 一种基于lstm神经网络的有效停车时空资源预测方法
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
CN110619442A (zh) * 2019-09-26 2019-12-27 浙江科技学院 一种基于强化学习的车辆泊位预测方法
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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5155763A (en) * 1990-12-11 1992-10-13 International Business Machines Corp. Look ahead method and apparatus for predictive dialing using a neural network
JP4224521B2 (ja) * 2005-04-12 2009-02-18 パイオニア株式会社 駐車支援装置、駐車支援方法、駐車支援プログラム、駐車場管理装置、駐車場管理方法、駐車場管理プログラム、および記録媒体
US8484151B1 (en) * 2010-12-29 2013-07-09 Google Inc. Predicting parking availability
US9070093B2 (en) * 2012-04-03 2015-06-30 Xerox Corporation System and method for generating an occupancy model
US9551113B1 (en) * 2016-01-28 2017-01-24 Polivka Parking Solutions, Llc Method and apparatus for constructing a parking lot
US10417749B2 (en) * 2016-03-22 2019-09-17 Algolux Inc. Method and system for edge denoising of a digital image
CN105869580B (zh) * 2016-06-15 2018-05-22 京东方科技集团股份有限公司 色温调节方法及装置、背光源、显示设备
EP3534295A1 (en) * 2018-03-02 2019-09-04 Parkbob GmbH System and method for identifying parking spaces and parking occupancy based on satellite and/or aerial images
US11501572B2 (en) * 2018-03-26 2022-11-15 Nvidia Corporation Object behavior anomaly detection using neural networks
CN108648492A (zh) * 2018-06-26 2018-10-12 深兰科技（上海）有限公司 一种车辆引导的方法、装置、服务器和可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180313660A1 (en) * 2017-04-27 2018-11-01 International Business Machines Corporation Finding available parking spaces using cognitive algorithms
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
CN109492817A (zh) * 2018-11-16 2019-03-19 杭州电子科技大学 一种封闭区域内未来泊位需求数量短时预测方法
CN110189537A (zh) * 2019-05-08 2019-08-30 深圳先进技术研究院 基于时空特征的停车诱导方法、装置、设备及存储介质
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
CN110555990A (zh) * 2019-08-29 2019-12-10 桂林电子科技大学 一种基于lstm神经网络的有效停车时空资源预测方法
CN110619442A (zh) * 2019-09-26 2019-12-27 浙江科技学院 一种基于强化学习的车辆泊位预测方法
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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112201075A (zh) * 2020-09-18 2021-01-08 厦门路桥信息股份有限公司 停车场车位可用性预测方法及系统
CN113643564A (zh) * 2021-07-27 2021-11-12 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
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
CN114822070A (zh) * 2022-03-28 2022-07-29 阿里巴巴（中国）有限公司 停车场状态确定方法及电子设备
CN115019543A (zh) * 2022-05-19 2022-09-06 北京星火北斗科技有限公司 一种智能停车方法、系统、电子设备、可读存储介质
CN115019543B (zh) * 2022-05-19 2023-09-22 北京星火北斗科技有限公司 一种智能停车方法、系统、电子设备、可读存储介质

Also Published As

Publication number Publication date
US20210232986A1 (en) 2021-07-29
US11574259B2 (en) 2023-02-07
CN111325382B (zh) 2022-06-28

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
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
JP2021531541A (ja) ジオロケーションの予測のためのシステムおよび方法
JP2018537773A (ja) デュエリングディープニューラルネットワーク
CN110114784B (zh) 递归环境预测器及其方法
CN110909942B (zh) 训练模型的方法及系统和预测序列数据的方法及系统
EP3552156B1 (en) Neural episodic control
CN111982138B (zh) 预测模型获取及路径规划方法、装置及存储介质
CN114357105B (zh) 地理预训练模型的预训练方法及模型微调方法
CN110660219A (zh) 停车场停车预测方法和装置
CN112269930B (zh) 建立区域热度预测模型、区域热度预测的方法及装置
US11379741B2 (en) Method, apparatus and storage medium for stay point recognition and prediction model training
US11829447B2 (en) Resident area prediction method, apparatus, device, and storage medium
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
CN113895460B (zh) 行人轨迹预测方法、装置及存储介质
CN111047107B (zh) 公路通行时间预测方法、装置、电子设备和存储介质
JP7139556B2 (ja) 経済状態のモニタリング方法、経済状態モニタリングモデルの構築方法及び対応装置
CN115859631A (zh) 交通对象行为预测方法、装置、设备及存储介质
CN116205308A (zh) 预测模型的训练及预测方法、装置、电子设备及存储介质
CN111753037A (zh) 信息表征方法、装置、电子设备及存储介质
CN116246460A (zh) 路段通行时长的确定方法、装置、电子设备和介质
CN115271157A (zh) 基于Transformer的多任务交通流预测方法、装置、终端及存储介质

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