CN112115372A - 一种停车场的推荐方法及装置 - Google Patents
一种停车场的推荐方法及装置 Download PDFInfo
- Publication number
- CN112115372A CN112115372A CN202011295176.6A CN202011295176A CN112115372A CN 112115372 A CN112115372 A CN 112115372A CN 202011295176 A CN202011295176 A CN 202011295176A CN 112115372 A CN112115372 A CN 112115372A
- Authority
- CN
- China
- Prior art keywords
- data
- parking lot
- time sequence
- time
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于机器推荐的技术领域,提供了一种停车场的推荐方法,包括:获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据。将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列。根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。上述方案,通过以时间序列的方式,预测多个时间间隔内的特征数据,并根据特征数据推荐目标停车场至用户。与传统的推荐方法相比,由于本申请是以未来的时间间隔为基准,根据未来的时间间隔对应的不同特征数据进行推荐,故可适应时间的变化。也就提高了推荐精度。
Description
技术领域
本申请属于机器推荐的技术领域,尤其涉及一种停车场的推荐方法、装置、终端设备以及计算机可读存储介质。
背景技术
随着人工智能的发展,智能推荐融入到生活中的角角落落。例如:用户通过智能推荐算法选择心仪的餐厅,通过智能推荐算法选择感兴趣的视频内容等。
然而,对于停车场等推荐场景而言,传统的停车场推荐方法往往基于等候时间优先选择停车场,从而引导用户停车。而由于传统的停车场推荐方法需要用户抵达停车场才能做出决策,导致推荐消息滞后,推荐精度较低。
发明内容
有鉴于此,本申请实施例提供了一种停车场的推荐方法、装置、终端设备以及计算机可读存储介质,可以解决由于传统的停车场推荐方法需要用户抵达停车场才能做出决策,导致推荐消息滞后,推荐精度较低的技术问题。
本申请实施例的第一方面提供了一种停车场的推荐方法,所述方法包括:
获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据;
将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列;时间序列是指以时间顺序为索引的数据集合;所述时间序列中的每个时间间隔对应多种特征数据;
根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。
本申请实施例的第二方面提供了一种停车场的推荐装置,所述装置包括:
获取单元,用于获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据;
预测单元,用于将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列;时间序列是指以时间顺序为索引的数据集合;所述时间序列中的每个时间间隔对应多种特征数据;
推荐单元,用于根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请通过,获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据。将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列。根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。上述方案,通过以时间序列的方式,预测多个时间间隔内的特征数据,并根据特征数据推荐目标停车场至用户。与传统的推荐方法相比,由于本申请是以未来的时间间隔为基准,根据未来的时间间隔对应的不同特征数据进行推荐,故可适应时间的变化。也就提高了推荐精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1示出了本申请提供的一种停车场的推荐方法的示意性流程图;
图2示出了本申请提供的一种停车场的推荐方法中步骤101具体示意性流程图;
图3示出了本申请提供的一种停车场的推荐方法中步骤1011具体示意性流程图;
图4示出了本申请提供的一种停车场的推荐方法中步骤103具体示意性流程图;
图5示出了本申请提供的另一种停车场的推荐方法的示意性流程图;
图6示出了本申请提供的一种停车场的推荐装置的示意图;
图7是本发明一实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
本申请提供的一种停车场的推荐方法适用于多种与时序有关的推荐场景,例如停车场推荐或挂号推荐等等。为了更好地说明本申请的技术方案,本申请仅以停车场推荐为例,对本申请的技术方案进行解释说明。
对于停车场的推荐场景而言,由于每个停车场中的参数都在发生动态变化,例如:未来十分钟的潜在用户或到达时间等等。而传统的推荐算法却无法适应这种动态变化,进而导致推荐精度较低。
有鉴于此,本申请实施例提供了一种停车场的推荐方法、装置、终端设备以及计算机可读存储介质,可以解决上述技术问题。
本申请提供的一种停车场的推荐方法执行主体为终端设备,终端设备可以是服务器、个人计算机或移动终端等等具有计算能力的设备。
请参见图1,图1示出了本申请提供的一种停车场的推荐方法的示意性流程图。
如图1所示,该方法可以包括如下步骤:
步骤101,获取每个停车场的初始数据。
在用户需要进行停车场推荐时,用户触发推荐请求。用户触发推荐请求的方式包括但不限于:①通过在交互终端上触发推荐请求(例如:通过在微信小程序或APP页面中,点击相应控件,触发推荐请求)②通过语音控制触发推荐请求(例如:用户唤醒语音控制功能,并说出目的地等信息)。其中,推荐请求中包括但不限于用户的目的地信息、当前位置信息或费用限值信息等。
推荐请求中的信息可以由用户输入或系统自动获取。示例性地:目的地信息可由用户手动输入或语音输入,也可以是系统获取用户历史目的地信息。当前位置信息可由系统自动获取GPS(Global Positioning System,全球定位系统)信息作为当前位置信息。
作为本申请的一个可选实施例,在用户触发推荐请求后,可每隔固定时间间隔重新发送推荐请求,以动态更新停车场推荐方案,提高推荐精度。
终端设备在接收到推荐请求后,获取每个停车场的未处理的原始数据。原始数据包括但不限于每个停车场的位置数据、每个停车场的停车位总数、每个停车场的剩余停车位数量、每个停车场预约数量、天气数据以及用户的行程时长等一种信息或多种信息之间的组合。
终端设备可通过不同停车场系统或软件的接口,获取不同的原始数据。并将原始数据进行预处理、分析以及时序离散化,得到初始数据。
首先,终端设备对原始数据进行预处理,预处理包括但不限于数据类型的校对、数据有效性检查或数据存储格式统一等等处理过程。
可将预处理后的原始数据直接作为每个停车场的初始数据。也可以将预处理后的原始数据进行分析以及时序离散化后,作为每个停车场的初始数据,过程如下:
作为本申请的一个可选实施例,步骤101包括如下步骤。请参见图2,图2示出了本申请提供的一种停车场的推荐方法中步骤101具体示意性流程图。
步骤101包括:
步骤1011,获取动态时间序列、静态时间序列以及第二数据。
动态时间序列是指时间序列中的特征数据为变量的数据。静态时间序列是指时间序列中的特征数据为定值的数据。
为了更好地解释时间序列,请参见表1:
表1:
时间间隔 | 16:00 至16:05 | 16:05 至16:10 | 16:10 至16:15 | 16:15 至16:20 |
特征数据 | 特征数据A=1 特征数据B=1 特征数据C=1 | 特征数据A=2 特征数据B=1 特征数据C=3 | 特征数据A=3 特征数据B=1 特征数据C=2 | 特征数据A=3 特征数据B=2 特征数据C=1 |
如表1所示,在时间序列中包括多个时间间隔。每个时间间隔的顺序为数据集合的索引。每个时间间隔对应多种特征数据。其中,每个时间间隔对应多种特征数据即可以相同,也可以不同。需要强调的是,表1对时间序列仅仅起实例作用,对时间序列中的时间间隔以及特征数据的类型、数量不做任何限定。需要说明的是,由于本申请涉及的两种模型(预测模型和分类模型)采用的输入数据不同,故将初始数据分为第一数据和第二数据,以便区分。第一数据由动态时间序列和静态时间序列而得,作为预测模型的输入。第二数据由预分析数据而得,作为分类模型的输入。其中,第二数据的形式可以是时间序列,也可以是非时间序列。若第二数据的形式为非时间序列,则可直接将预分析数据作为第二数据。若第二数据的形式为时间序列,则执行如下步骤:
作为本申请的一个可选实施例,步骤1011包括如下步骤。请参见图3,图3示出了本申请提供的一种停车场的推荐方法中步骤1011具体示意性流程图。
步骤1011包括:
步骤1011a,获取动态数据;所述动态数据包括当前日期、天气参数以及车位预设数量。
动态数据包括但不限于当前日期、天气参数以及车位预设数量等一种信息或多种信息之间的组合。
步骤1011b,获取静态数据;所述静态数据包括停车场经纬度以及停车场总车位数量。
静态数据包括但不限于停车场经纬度以及停车场总车位数量等一种信息或多种信息之间的组合。
步骤1011c,获取预分析数据;所述预分析数据包括停车场的潜在用户数、停车场至目的地的时间以及停车场不同时段的费用。
预分析数据是指无法直接获得,需要进行分析的数据。预分析数据包括但不限于停车场的潜在用户数、待推荐停车场步行至目的地的时长、停车场至目的地的时间以及停车场不同时段的费用等一种信息或多种信息之间的组合。示例性地:①在得到目的地信息后,将距离目的地预设距离范围内的停车场作为待推荐停车场以及停车场至目的地的时间。②在得到目的地信息和当前位置信息后,根据目的地信息和当前位置信息计算用户的行车时长以及到达时刻。③根据所有用户的目的地信息,统计每个停车场的潜在用户数。
作为本申请一个可选实施例,统计每个停车场的潜在用户数的方式如下:统计发起推荐请求的所有用户到达时间以及目的地信息,根据到达时间统计每个停车场在不同时间间隔内潜在用户数量。例如:若统计未来10分钟以内潜在的用户数量,则将未来在10分钟以内将要到达,且距离停车场预设距离的目的地信息对应的用户,作为停车场的潜在用户。示例性地:若需要统计未来10分钟以内潜在的用户数量,假设时间间隔为5分钟,以其中一个用户为例,若用户到达目的地的时间为15:58,则将到达目的的时间规整为五分钟的倍数,即16:00。将预设距离内的停车场作为该用户在16:00至16:05以及16:05至16:10这两个时间间隔内将要停靠的停车场(即每个停车场将预设距离范围内每个用户作为潜在用户,无论是否真实停靠)。
步骤1011d,将所述动态数据按照预设时间精度离散化,得到所述动态时间序列。
步骤1011e,将所述静态数据按照预设时间精度离散化,得到所述静态时间序列。
步骤1011f,将所述预分析数据按照预设时间精度离散化,得到所述第二数据。
按照预设时间精度将动态数据、静态数据以及预分析数据离散化为同一时间精度的时间序列数据,即动态时间序列、静态时间序列以及第二数据。
作为本申请一个可选实施例,可采用嵌入法Embedding对动态数据、静态数据以及预分析数据进行离散化。
步骤1012,将所述动态时间序列和所述静态时间序列拼接为全局向量。
步骤1013,将所述全局向量作为每个停车场的所述第一数据。
步骤102,将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列;时间序列是指以时间顺序为索引的数据集合;所述时间序列中的每个时间间隔对应多种特征数据。
预测模型包括但不限于卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)、Transformer模型(预训练模型)以及深度神经网络(Deep Neural Networks,DNN)。
为了更好地解释本申请的技术方案,本申请以transformer模型为例进行解释说明。
首先,针对Transformer模型进行简短说明:Transformer模型是一种新的编码器-解码器架构。Transformer模型中抛弃了传统的CNN和RNN,整个网络结构完全是由Attention机制(注意力机制)组成。
在执行步骤102之前,可通过gluonts框架构建Transformer模型,并预先训练Transformer模型,得到预测模型。在执行步骤102时,获取预存的预测模型,并通过预测模型预测每个停车场的预测时间序列。
预测时间序列为预设时长内的特征数据,例如:十分钟内每隔五分钟的特征数据。第一数据的时长与预测时间序列的时长,或时间间隔可以相同,也可以不同。
需要强调的是,预测时间序列的时长与时间间隔,与第二数据一致。以进行后续的融合操作。
步骤103,根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。
本实施例提供了两种推荐算法:①可根据每个停车场的预测时间序列和第二数据中特征数据的数值以及对应的预设权重,计算每个停车场对应的得分,并根据得分推荐前几名或第一名的停车场至用户。②可通过分类模型对预测时间序列和第二数据进行比对,得到每个停车场对应的得分,并根据得分推荐前几名或第一名的停车场至用户。执行过程如下:
作为本申请的一个可选实施例,步骤103包括如下步骤。请参见图4,图4示出了本申请提供的一种停车场的推荐方法中步骤103具体示意性流程图。
步骤103包括:
步骤1031,分别将同一个停车场对应的所述预测时间序列和所述第二数据进行融合,得到每个停车场的目标时间序列。
步骤1032,将每个停车场的所述目标时间序列进行组合,得到目标时间序列组。
可将目标时间序列进行两两组合,也可以将目标时间序列进行三三组合,得到目标时间序列组。
优选地,由于两两组合形成的目标时间序列组较多,故得到的评分结果较为精确。故本实施例将目标时间序列进行两两组合,得到目标时间序列组。
步骤1033,将每个所述目标时间序列组输入分类模型中,得到由所述分类模型输出的分类结果;所述分类结果用于区分单个所述目标时间序列组中最优目标时间序列。
分类模型输出的分类结果可以是目标时间序列,例如:将一组目标时间序列组输入分类模型中,分类模型输出其中一个目标时间序列。分类模型输出的分类结果可以是罗马数字或英文符号等等可以表征不同目标时间序列的符号。
步骤1034,根据所述分类结果,对每个所述目标时间序列进行评分,得到评分结果。
可计算每个目标时间序列在所有分类结果中的权重,并将权重作为评分结果。也可以将每个目标时间序列在所有分类结果中的数量直接作为评分结果。过程如下:
作为本申请的一个可选实施例,步骤1034包括如下步骤:统计所有分类结果中,每个目标时间序列的数量。将数量作为评分结果。
步骤1035,按照所述评分结果的排名,将预设名次的所述目标时间序列对应的停车场,推荐至用户。
在本实施例中,获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据。将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列。根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。上述方案,通过以时间序列的方式,预测多个时间间隔内的特征数据,并根据特征数据推荐目标停车场至用户。与传统的推荐方法相比,由于本申请是以未来的时间间隔为基准,根据未来的时间间隔对应的不同特征数据进行推荐,故可适应时间的变化。也就提高了推荐精度。
可选地,在上述图1所示实施例的基础上,在所述根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户之后,还包括如下步骤,请参见图5,图5示出了本申请提供的另一种停车场的推荐方法的示意性流程图。本实施例中步骤501至步骤503,与图1所示实施例中步骤101至步骤103相同,具体请参阅图1所示实施例中步骤101至步骤103的相关描述,此处不赘述。
步骤501,获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据。
步骤502,将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列;时间序列是指以时间顺序为索引的数据集合;所述时间序列中的每个时间间隔对应多种特征数据。
步骤503,根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。
步骤504,按照预设频率重复执行所述获取每个停车场的初始数据的步骤以及后续步骤。
由于每个停车场的初始数据处于动态变化的过程,故为了提高推荐准确度,本实施例重复执行步骤501至步骤504。其中,终端设备可按照自身的预设频率重复执行步骤501至步骤504。也可以根据客户端发送推荐请求的频率重复执行步骤501至步骤504,客户端发送推荐请求的频率可通过用户自行设定或系统默认。
在本实施例中,通过按照预设频率重复执行所述获取每个停车场的初始数据的步骤以及后续步骤。以动态更新推荐目标停车场的方案,更好地适应了初始数据处于动态变化的过程,进而提高了推荐准确度。
如图6本申请提供了一种停车场的推荐装置6,请参见图6,图6示出了本申请提供的一种停车场的推荐装置的示意图,如图6所示一种停车场的推荐装置包括:
获取单元61,用于获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据;
预测单元62,用于将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列;时间序列是指以时间顺序为索引的数据集合;所述时间序列中的每个时间间隔对应多种特征数据;
推荐单元63,用于根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。
本申请提供的一种停车场的推荐装置,获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据。将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列。根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。上述方案,通过以时间序列的方式,预测多个时间间隔内的特征数据,并根据特征数据推荐目标停车场至用户。与传统的推荐方法相比,由于本申请是以未来的时间间隔为基准,根据未来的时间间隔对应的不同特征数据进行推荐,故可适应时间的变化。也就提高了推荐精度。
图7是本发明一实施例提供的一种终端设备的示意图。如图7所示,该实施例的一种终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如一种停车场的推荐程序。所述处理器70执行所述计算机程序72时实现上述各个一种停车场的推荐方法或一种目标检测的方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各单元的功能,例如图6所示单元61至63的功能。
示例性的,所述计算机程序72可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述一种终端设备7中的执行过程。例如,所述计算机程序72可以被分割成获取单元和计算单元各单元具体功能如下:
获取单元,用于获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据;
预测单元,用于将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列;时间序列是指以时间顺序为索引的数据集合;所述时间序列中的每个时间间隔对应多种特征数据;
推荐单元,用于根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。
所述一种终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是一种终端设备7的示例,并不构成对一种终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述一种终端设备7的内部存储单元,例如一种终端设备7的硬盘或内存。所述存储器71也可以是所述一种终端设备7的外部存储设备,例如所述一种终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述一种终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述一种终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地,短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种停车场的推荐方法,其特征在于,所述方法包括:
获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据;
将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列;时间序列是指以时间顺序为索引的数据集合;所述时间序列中的每个时间间隔对应多种特征数据;
根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。
2.如权利要求1所述方法,其特征在于,所述获取每个停车场的初始数据,包括:
获取动态时间序列、静态时间序列以及第二数据;
将所述动态时间序列和所述静态时间序列拼接为全局向量;
将所述全局向量作为每个停车场的所述第一数据。
3.如权利要求2所述方法,其特征在于,所述获取动态时间序列、静态时间序列以及第二数据,包括:
获取动态数据;所述动态数据包括当前日期、天气参数以及车位预设数量;
获取静态数据;所述静态数据包括停车场经纬度以及停车场总车位数量;
获取预分析数据;所述预分析数据包括停车场的潜在用户数、停车场至目的地的时间以及停车场不同时段的费用;
将所述动态数据按照预设时间精度离散化,得到所述动态时间序列;
将所述静态数据按照预设时间精度离散化,得到所述静态时间序列;
将所述预分析数据按照预设时间精度离散化,得到所述第二数据。
4.如权利要求1所述方法,其特征在于,所述根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户,包括:
分别将同一个停车场对应的所述预测时间序列和所述第二数据进行融合,得到每个停车场的目标时间序列;
将每个停车场的所述目标时间序列进行组合,得到目标时间序列组;
将每个所述目标时间序列组输入分类模型中,得到由所述分类模型输出的分类结果;所述分类结果用于区分单个所述目标时间序列组中最优目标时间序列;
根据所述分类结果,对每个所述目标时间序列进行评分,得到评分结果;
按照所述评分结果的排名,将预设名次的所述目标时间序列对应的停车场,推荐至用户。
5.如权利要求4所述方法,其特征在于,所述将每个停车场的所述目标时间序列进行组合,得到目标时间序列组,包括:
将所述目标时间序列进行两两组合,得到所述目标时间序列组。
6.如权利要求4所述方法,其特征在于,所述根据所述分类结果,对每个所述目标时间序列进行评分,得到评分结果,包括:
统计所有所述分类结果中,每个所述目标时间序列的数量;
将所述数量作为所述评分结果。
7.如权利要求1所述方法,其特征在于,在所述根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户之后,还包括:
按照预设频率重复执行所述获取每个停车场的初始数据的步骤以及后续步骤。
8.一种停车场的推荐装置,其特征在于,所述装置包括:
获取单元,用于获取每个停车场的初始数据;所述初始数据包括第一数据和第二数据;
预测单元,用于将每个停车场的所述第一数据输入预测模型,得到由所述预测模型输出的每个停车场的所述第一数据对应的预测时间序列;时间序列是指以时间顺序为索引的数据集合;所述时间序列中的每个时间间隔对应多种特征数据;
推荐单元,用于根据每个停车场的所述预测时间序列和所述第二数据,推荐目标停车场至用户。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011295176.6A CN112115372B (zh) | 2020-11-18 | 2020-11-18 | 一种停车场的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011295176.6A CN112115372B (zh) | 2020-11-18 | 2020-11-18 | 一种停车场的推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115372A true CN112115372A (zh) | 2020-12-22 |
CN112115372B CN112115372B (zh) | 2021-04-23 |
Family
ID=73794732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011295176.6A Active CN112115372B (zh) | 2020-11-18 | 2020-11-18 | 一种停车场的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115372B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767740A (zh) * | 2021-02-04 | 2021-05-07 | 广州小鹏自动驾驶科技有限公司 | 一种停车场的选取方法和装置 |
CN112819226A (zh) * | 2021-02-02 | 2021-05-18 | 北京千方科技股份有限公司 | 一种停车场推荐方法、装置、存储介质及终端 |
CN116089744A (zh) * | 2023-04-10 | 2023-05-09 | 松立控股集团股份有限公司 | 一种基于Transformer动态时空关联的医院停车场推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
CN108133619A (zh) * | 2018-02-06 | 2018-06-08 | 百度在线网络技术(北京)有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
US20190258960A1 (en) * | 2017-11-14 | 2019-08-22 | International Business Machines Corporation | Parking availability predictor |
CN110956341A (zh) * | 2019-12-31 | 2020-04-03 | 京东城市(北京)数字科技有限公司 | 停车场流量预测方法、装置、电子设备及存储介质 |
CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
-
2020
- 2020-11-18 CN CN202011295176.6A patent/CN112115372B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190258960A1 (en) * | 2017-11-14 | 2019-08-22 | International Business Machines Corporation | Parking availability predictor |
CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
CN108133619A (zh) * | 2018-02-06 | 2018-06-08 | 百度在线网络技术(北京)有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
CN110956341A (zh) * | 2019-12-31 | 2020-04-03 | 京东城市(北京)数字科技有限公司 | 停车场流量预测方法、装置、电子设备及存储介质 |
CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
Non-Patent Citations (1)
Title |
---|
杨龙龙: "基于泊车大数据的用户行为分析及剩余车位数预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819226A (zh) * | 2021-02-02 | 2021-05-18 | 北京千方科技股份有限公司 | 一种停车场推荐方法、装置、存储介质及终端 |
CN112819226B (zh) * | 2021-02-02 | 2024-05-28 | 北京千方科技股份有限公司 | 一种停车场推荐方法、装置、存储介质及终端 |
CN112767740A (zh) * | 2021-02-04 | 2021-05-07 | 广州小鹏自动驾驶科技有限公司 | 一种停车场的选取方法和装置 |
CN116089744A (zh) * | 2023-04-10 | 2023-05-09 | 松立控股集团股份有限公司 | 一种基于Transformer动态时空关联的医院停车场推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112115372B (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115372B (zh) | 一种停车场的推荐方法及装置 | |
CN110619423B (zh) | 多任务预测方法、装置、电子设备及存储介质 | |
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
CN111046980B (zh) | 一种图像检测方法、装置、设备及计算机可读存储介质 | |
CN115643285B (zh) | 智慧城市停车场推荐方法和物联网系统、装置、存储介质 | |
CN110019616B (zh) | 一种poi现势状态获取方法及其设备、存储介质、服务器 | |
CN107437416A (zh) | 一种基于语音识别的咨询业务处理方法及装置 | |
CN110573837B (zh) | 导航方法、装置、存储介质以及服务器 | |
EP4036796A1 (en) | Automatic modeling method and apparatus for object detection model | |
US20180066950A1 (en) | Computer-implemented method for recommending booths-to-visit | |
CN110597965B (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
CN112199602B (zh) | 岗位推荐方法、推荐平台及服务器 | |
CN108182240B (zh) | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 | |
CN111507541A (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
CN111177568A (zh) | 基于多源数据的对象推送方法、电子装置及存储介质 | |
CN116932919B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
CN114692978A (zh) | 一种基于大数据的社交媒体用户行为预测方法及系统 | |
CN111046156B (zh) | 奖励数据的确定方法、装置和服务器 | |
WO2024051146A1 (en) | Methods, systems, and computer-readable media for recommending downstream operator | |
CN117216393A (zh) | 信息推荐方法、信息推荐模型的训练方法及装置、设备 | |
CN115169852B (zh) | 信息发送方法、装置、电子设备、介质和计算机程序产品 | |
CN113435502B (zh) | 站点流量确定方法、装置、设备及存储介质 | |
CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
CN109299321B (zh) | 一种曲目推荐方法及装置 |
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 |