CN112509363B - 一种空闲车位确定方法及装置 - Google Patents
一种空闲车位确定方法及装置 Download PDFInfo
- Publication number
- CN112509363B CN112509363B CN202011268794.1A CN202011268794A CN112509363B CN 112509363 B CN112509363 B CN 112509363B CN 202011268794 A CN202011268794 A CN 202011268794A CN 112509363 B CN112509363 B CN 112509363B
- Authority
- CN
- China
- Prior art keywords
- time
- target
- time period
- parking lot
- target parking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种空闲车位确定方法及装置,获取多个连续的第一历史时间段内各个目标停车场的停车数据;将获取的停车数据输入至车辆数目预测模型,得到车辆数目预测模型输出的目标向量;针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,和第二时间段集合内停靠至该目标停车场的车辆的数目,计算目标时间段内离开该目标停车场的车辆的第二数目;计算该目标停车场对应的第一数目与第二数目的目标差值,计算目标时间段的前一个时间段内该目标停车场的空闲车位的数目,与目标差值的差值,得到目标时间段内该目标停车场的空闲车位的数目。后续,可以使得车辆选择空闲车位较多的停车场停车,以减少车辆停车所耗费的时间。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种空闲车位确定方法及装置。
背景技术
随着汽车的普及,公共场所的停车场所需的车位越来越多。现有技术中,车辆在到达停车场之后,根据停车场的指示牌显示的空闲车位的数目,选择是否进入停车场停车。然而,公共场所的停车场能够提供的车位有限,车辆在到达停车场之后,停车场可能不存在空闲车位,车辆需要从该停车场前往其他停车场停车,导致车辆停车耗费的时间较多。
因此,需要预测未来一段时间内停车场的空闲车位的数目,以使得车辆根据停车场的空闲车位的数目,选择空闲车位较多的停车场进行停车,以减少车辆停车所耗费的时间。
然而,现有技术中,并未提供相应的方法,能够预测未来一段时间内停车场的空闲车位的数目。
发明内容
本发明实施例的目的在于提供一种空闲车位确定方法及装置,以实现确定目标时间段内停车场的空闲车位的数目。后续,可以使得车辆根据停车场的空闲车位的数目,选择空闲车位较多的停车场进行停车,以减少车辆停车所耗费的时间。具体技术方案如下:
第一方面,为了达到上述目的,本发明实施例提供了一种空闲车位确定方法,所述方法包括:
获取多个连续的第一历史时间段内各个目标停车场的停车数据;其中,一个目标停车场在一个第一历史时间段内的停车数据包括:在该第一历史时间段内停靠至该目标停车场的车辆的数目、该目标停车场的空闲车位的数目和表示该目标停车场的第一环境特征的向量;
将所述各个目标停车场在所述多个第一历史时间段内的停车数据,输入至预先训练的车辆数目预测模型,得到所述车辆数目预测模型输出的目标向量,其中,所述目标向量中的元素与所述各个目标停车场一一对应,每一元素表示对应的目标停车场在目标间段内停靠的车辆的第一数目;
针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算所述目标时间段内离开该目标停车场的车辆的第二数目;其中,所述第一时间段集合包含所述多个第一历史时间段;所述第二时间段集合包含:从当前时刻之后的第一个时间段至所述目标时间段的各时间段;
计算该目标停车场对应的第一数目与所述第二数目的目标差值,并计算所述目标时间段的前一个时间段内该目标停车场的空闲车位的数目,与所述目标差值的差值,作为所述目标时间段内该目标停车场的空闲车位的数目。
第二方面,为了达到上述目的,本发明实施例提供了一种空闲车位确定装置,所述装置包括:
获取模块,用于获取多个连续的第一历史时间段内各个目标停车场的停车数据;其中,一个目标停车场在一个第一历史时间段内的停车数据包括:在该第一历史时间段内停靠至该目标停车场的车辆的数目、该目标停车场的空闲车位的数目和表示该目标停车场的第一环境特征的向量;
第一确定模块,用于将所述各个目标停车场在所述多个第一历史时间段内的停车数据,输入至预先训练的车辆数目预测模型,得到所述车辆数目预测模型输出的目标向量,其中,所述目标向量中的元素与所述各个目标停车场一一对应,每一元素表示对应的目标停车场在目标间段内停靠的车辆的第一数目;
第二确定模块,用于针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算所述目标时间段内离开该目标停车场的车辆的第二数目;其中,所述第一时间段集合包含所述多个第一历史时间段;所述第二时间段集合包含:从当前时刻之后的第一个时间段至所述目标时间段的各时间段;
第三确定模块,用于计算该目标停车场对应的第一数目与所述第二数目的目标差值,并计算所述目标时间段的前一个时间段内该目标停车场的空闲车位的数目,与所述目标差值的差值,作为所述目标时间段内该目标停车场的空闲车位的数目。
本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现上述任一所述的空闲车位确定方法步骤。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的空闲车位确定方法。
本发明实施例还提供了一种包指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的空闲车位确定方法。
本发明实施例提供的一种空闲车位确定方法,可以获取多个连续的第一历史时间段内各个目标停车场的停车数据;将各个目标停车场在多个第一历史时间段内的停车数据,输入至预先训练的车辆数目预测模型,得到车辆数目预测模型输出的目标向量;针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算目标时间段内离开该目标停车场的车辆的第二数目;计算该目标停车场对应的第一数目与第二数目的目标差值,并计算目标时间段的前一个时间段内该目标停车场的空闲车位的数目,与目标差值的差值,作为目标时间段内该目标停车场的空闲车位的数目。
基于本发明实施例提供的空闲车位确定方法,可以确定目标时间段内停靠至目标停车场的车辆的第一数目,以及目标时间段内离开目标停车场的车辆的第二数目,进而,可以根据目标停车场对应的第一数目、第二数目和目标时间段的前一个时间段内目标停车场的空闲车位的数目,计算目标时间段内目标停车场的空闲车位的数目。后续,可以使得车辆根据停车场的空闲车位的数目,选择空闲车位较多的停车场进行停车,以减少车辆停车所耗费的时间。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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发明的一些实施例,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他的实施例。
图1为本发明实施例提供的一种空闲车位确定方法的流程图;
图2为本发明实施例提供的一种时间段的示意图;
图3为本发明实施例提供的另一种空闲车位确定方法的流程图;
图4为本发明实施例提供的另一种空闲车位确定方法的流程图;
图5为本发明实施例提供的另一种空闲车位确定方法的流程图;
图6为本发明实施例提供的另一种空闲车位确定方法的流程图;
图7为本发明实施例提供的一种空闲车位确定装置的结构图;
图8为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1为本发明实施例提供的一种空闲车位确定方法的流程图,该方法应用于电子设备,电子设备可以为服务器,或者电子设备也可以为终端,电子设备可以用于确定空闲车位的数目。
该方法可以包括以下步骤:
S101:获取多个连续的第一历史时间段内各个目标停车场的停车数据。
其中,一个目标停车场在一个第一历史时间段内的停车数据包括:在该第一历史时间段内停靠至该目标停车场的车辆的数目、该目标停车场的空闲车位的数目和表示该目标停车场的第一环境特征的向量。
S102:将各个目标停车场在多个第一历史时间段内的停车数据,输入至预先训练的车辆数目预测模型,得到车辆数目预测模型输出的目标向量。
其中,目标向量中的元素与各个目标停车场一一对应,每一元素表示对应的目标停车场在目标间段内停靠的车辆的第一数目。
S103:针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算目标时间段内离开该目标停车场的车辆的第二数目。
其中,第一时间段集合包含多个第一历史时间段;第二时间段集合包含:从当前时刻之后的第一个时间段至目标时间段的各时间段。
S104:计算该目标停车场对应的第一数目与第二数目的目标差值,并计算目标时间段的前一个时间段内该目标停车场的空闲车位的数目,与目标差值的差值,作为目标时间段内该目标停车场的空闲车位的数目。
基于本发明实施例提供的空闲车位确定方法,可以确定目标时间段内停靠至目标停车场的车辆的第一数目,以及目标时间段内离开目标停车场的车辆的第二数目,进而,可以根据目标停车场对应的第一数目、第二数目和目标时间段的前一个时间段内目标停车场的空闲车位的数目,计算目标时间段内目标停车场的空闲车位的数目。后续,可以使得车辆根据停车场的空闲车位的数目,选择空闲车位较多的停车场进行停车,以减少车辆停车所耗费的时间。
为了方便理解本发明实施例的技术方案,对本发明实施例中涉及的各时间段进行介绍。参见图2,图2为本发明实施例提供的一种时间段的示意图。
图2中以预设时间点对时间进行划分,每两个相邻的预设时间点所构成的时间段的时长均相同。预设时间点可以由技术人员根据经验设置。T表示当前时刻,T-1表示当前时刻的上一时间点,T+1表示当前时刻的下一时间点。
第一历史时间段包括T时刻之前的多个时间段,第一历史时间段的数目可以由技术人员根据经验设置,例如,第一历史时间段的数目可以为2,或者第一历史时间段的数目也可以为4,但并不限于此。当第一历史时间段的数目为2时,各第一历史时间段可以包括:T-2时刻至T-1时刻的时间段和T-1时刻至T时刻的时间段。此时,第一时间段集合包括:T-2时刻至T-1时刻的时间段和T-1时刻至T时刻的时间段。
目标时间段可以为T时刻之后的任一时间段,例如,目标时间段可以为T时刻至T+1时刻的时间段,或者,目标时间段也可以为T+TP-1时刻至T+TP的时间段。当目标时间段为T时刻至T+1时刻的时间段时,第二时间段集合包括:T时刻至T+1时刻的时间段。当目标时间段为T+TP-1时刻至T+TP时刻的时间段时,第二时间段集合包括:T时刻至T+1时刻的时间段,T+1时刻至T+2(图2中未示出)时刻的时间段,…,T+TP-1时刻至T+TP时刻的时间段。
第一车辆为在T时刻之前到达,且在目标时间段(图2中以T+TP-1时刻至T+TP时刻的时间段为例进行说明)离开目标停车场的车辆。第二车辆为T时刻之后到达,且在目标时间段离开目标停车场的车辆。
在步骤S101中,目标停车场可以为技术人员指定的属于预设范围内的各个停车场。例如,目标停车场可以为同一社区的停车场,或者,目标停车场也可为同一市区的停车场。
针对每一目标停车场,在一个时间段内停靠至该目标停车场的车辆为:在该时间段内到达,并停靠至该目标停车场的所有车辆。在一个时间段内该目标停车场的空闲车位的数目,可以用该时间段内的一个时刻(例如,开始时刻,或者,结束时刻等)该目标停车场的空闲车位的数目表示。
一个目标停车场在一个时间段内的第一环境特征的向量,用于表示该目标停车场在该时间段内的天气信息、该时间段的开始时刻和结束时刻,以及该时间段对应的日期类型。日期类型为工作日或非工作日。当日期类型为非工作日类型时,非工作日类型可以包括:法定节假日和周末。
在步骤S102中,在获取各目标停车场在多个第一历史时间段内的停车数据之后,电子设备可以基于获取到的停车数据和预先训练的车辆数目预测模型,确定每一目标停车场在目标时间段内停靠的车辆的第一数目。
相应的,在步骤S102之前,电子设备可以基于第一训练样本,对初始车辆数目预测模型进行训练,得到训练好的车辆数目预测模型。
第一训练样本可以包括:多个连续的第一样本时间段内各目标停车场的停车数据,以及各目标停车场各自在第二样本时间段内停靠的车辆的数目(可以称为样本数目)。第一样本时间段的时长与第二样本时间段的时长相同,最晚的第一样本时间段的结束时刻不晚于第二样本时间段的开始时刻。
一种实现方式中,电子设备可以将各第一样本时间段内各目标停车场的停车数据输入至初始车辆数目预测模型,得到各目标停车场各自在第二样本时间段内停靠的车辆的数目(可以称为预测数目)。然后,电子设备可以确定表示样本数目与预测数目的差异性的损失函数值,并基于计算得到的损失函数值,对初始车辆数目预测模型的模型参数进行调整,当初始车辆数目预测模型达到收敛条件时,得到训练好的车辆数目预测模型。
进而,电子设备可以基于获取到的各第一历史时间段内各目标停车场的停车数据,以及训练好的车辆数目预测模型,确定各目标停车场各自在目标时间段内停靠的车辆的第一数目。
可以理解的是,当目标时间段为当前时刻之后的第1个时间段时,电子设备可以基于各第一历史时间段内各目标停车场的停车数据,确定各目标停车场各自在目标时间段内停靠的车辆的数目。
当目标时间段不是当前时刻之后的第1个时间段时,电子设备可以先确定各目标停车场各自在当前时刻之后的第1个时间段内停靠的车辆的数目。然后,电子设备可以根据本发明实施例的方法,确定各目标停车场各自在当前时刻之后的第1个时间段内的空闲车位的数目,并获取用于表示各目标停车场各自在当前时刻之后的第1个时间段内的第一环境特征的向量,可以得到当前时刻之后的第1个时间段内各目标停车场的停车数据。进而,电子设备可以基于各第一历史时间段内各目标停车场的停车数据,以及在当前时刻之后的第1个时间段内各目标停车场的停车数据,确定各目标停车场各自在当前时刻之后的第2个时间段内停靠的车辆的数目,以此类推,直至确定出各目标停车场各自在目标时间段内停靠的车辆的数目。
例如,当前时刻为9:00,第一历史时间段包括:8:40至8:50的时间段,8:50至9:00的时间段。当目标时间段为9:00至9:10的时间段时,电子设备可以基于8:40至8:50的时间段和8:50至9:00的时间段内各目标停车场的停车数据,确定各目标停车场各自在目标时间段(即9:00至9:10的时间段)内,停靠的车辆的数目。
当目标时间段为9:10至9:20的时间段时,电子设备可以基于8:40至8:50的时间段和8:50至9:00的时间段内各目标停车场的停车数据,先确定各目标停车场各自在9:00至9:10的时间段内停靠的车辆的数目,进而,确定在9:00至9:10的时间段内各目标停车场的停车数据。然后,基于8:50至9:00的时间段和9:00至9:10的时间段内各目标停车场的停车数据,确定各目标停车场各自在目标时间段(即9:10至9:20的时间段)内,停靠的车辆的数目。
在本发明的一个实施例中,车辆数目预测模型可以包括:LSTM(Long Short-TermMemory,长短期记忆)网络、GCN(Graph Convolution Network,图卷积网络)和全连接网络。其中,全连接网络可以包括两个全连接层。
相应的,参见图3,步骤S102可以包括以下步骤:
S1021:通过长短期记忆网络,对多个第一历史时间段内停靠至各个目标停车场的车辆的数目,和各个目标停车场的空闲车位的数目进行特征提取,得到第一特征向量。
其中,第一特征向量表示:多个第一历史时间段内,停靠至各个目标停车场的车辆的数目之间的时间相关性。
S1022:通过图卷积网络,对多个第一历史时间段内停靠至各个目标停车场的车辆的数目进行特征提取,得到第二特征向量。
其中,第二特征向量表示:多个第一历史时间段内,停靠至各个目标停车场的车辆的数目之间的空间相关性。
S1023:通过全连接网络,对表示多个第一历史时间段内各个目标停车场的第一环境特征的向量进行特征提取,得到第三特征向量。
S1024:计算第一特征向量、第二特征向量和第三特征向量的和值,得到目标向量。
在步骤S103中,针对每一目标停车场,电子设备可以基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算目标时间段内离开该目标停车场的车辆的数目(即第二数目)。
在本发明的一个实施例中,参见图4,步骤S103可以包括以下步骤:
S1031:确定第一时间段集合内停靠至该目标停车场的车辆,作为第一车辆。
S1032:基于第一车辆停靠至该目标停车场的时刻,计算第一车辆中在目标时间段内离开该目标停车场的车辆的数目,作为第三数目。
S1033:基于第二时间段集合内停靠至该目标停车场的第二车辆的数目,计算第二车辆中在目标时间段内离开该目标停车场的车辆的数目,作为第四数目。
S1034:计算第三数目和第四数目的和值,作为目标时间段内离开该目标停车场的车辆的第二数目。
一种实现方式中,针对每一目标停车场,在目标时间段内离开该目标停车场的车辆可以分为两类。一类为在当前时刻之前(即第一时间段集合内)到达该目标停车场,且在目标时间段内离开该目标停车场的车辆(即第一车辆)。另一类为在当前时刻之后(即第二时间段集合内)到达该目标停车场,且在目标时间段内离开该目标停车场的车辆(即第二车辆)。
相应的,针对每一目标停车场,电子设备可以确定第一时间段集合内停靠至该目标停车场的车辆(即第一车辆)。电子设备可以基于第一车辆停靠至该目标停车场的时刻,计算第一车辆中在目标时间段内离开该目标停车场的车辆的数目(即第三数目),并基于第二时间段集合内停靠至该目标停车场的第二车辆的数目,计算第二车辆中在目标时间段内离开该目标停车场的车辆的数目(即第四数目)。
进而,电子设备可以计算第三数目和第四数目的和值,得到目标时间段内离开该目标停车场的车辆的第二数目。
在本发明的一个实施例中,参见图5,步骤S1032可以包括以下步骤:
S10321:基于第一车辆停靠至该目标停车场的时刻,计算第一车辆对应的第一概率和第二概率。
其中,第一概率为:第一车辆在停靠至该目标停车场的时刻,至目标时间段的开始时刻的时间段内离开该目标停车场的概率;第二概率为:第一车辆在停靠至该目标停车场的时刻,至目标时间段的结束时刻的时间段内离开该目标停车场的概率。
S10322:基于第一车辆对应的第一概率、第二概率、第一车辆停靠至该目标停车场的时刻和第一预设公式,计算第一车辆中在目标时间段内离开该目标停车场的车辆的数目,作为第三数目。
其中,第一预设公式为:
O1表示第三数目,N表示第一车辆的总数目,uA表示第u个第一车辆停靠至该目标停车场的时刻,t1表示目标时间段的开始时刻,t2表示目标时间段的结束时刻,Fu(t2,uA)表示第u个第一车辆对应的第二概率,Fu(t1,uA)表示第u个第一车辆对应的第一概率,Fu(t2,uA)-Fu(t1,uA)表示第u个第一车辆在目标时间段内离开该目标停车场的概率。
一种实现方式中,针对每一目标停车场,电子设备可以基于第一车辆停靠至该目标停车场的时刻,计算第一车辆对应的第一概率和第二概率。进而,电子设备可以基于第一车辆对应的第一概率、第二概率、第一车辆停靠至该目标停车场的时刻和上述公式(1),计算得到第一车辆中在目标时间段内离开该目标停车场的车辆的数目(即第三数目)。
电子设备可以通过以下两种方式,计算第一车辆对应的第一概率和第二概率。
方式一,步骤S10321可以包括以下步骤:
步骤一:针对每一第二历史时间段,统计该第二历史时间段内,在该目标停车场的停车时长为各预设时长的车辆的数目,作为第五数目,以及该第二历史时间段内停靠至该目标停车场的车辆的总数目,作为第六数目。
步骤二:针对每一预设时长,计算该预设时长对应的第五数目与第六数目的比值,得到该第二历史时间段内停靠至该目标停车场的车辆,在该目标停车场的停车时长为该预设时长的概率,作为该第二历史时间段内该预设时长对应的第三概率。
步骤三:确定第一时间段集合中,第一车辆停靠至该目标停车场的时刻所属的第一历史时间段,作为第一目标历史时间段,并确定第一目标历史时间段的开始时刻至目标时间段的开始时刻之间的时长,作为第一时长,以及第一目标历史时间段的开始时刻至目标时间段的结束时刻之间的时长,作为第二时长。
步骤四:从各第二历史时间段内,确定与第一目标历史时间段的开始时刻和结束时刻均相同,且与第一目标历史时间段对应的日期类型相同的时间段,作为第二目标历史时间段。
其中,日期类型为工作日或非工作日。
步骤五:确定第二目标历史时间段内,预设时长为第一时长时对应的第三概率,作为第一车辆对应的第一概率,以及预设时长为第二时长时对应的第三概率,作为第一车辆对应的第二概率。
针对步骤一和步骤二,第二历史时间段的时长可以由技术人员根据经验设置。第二历史时间段包括与各日期类型对应的多个时间段。例如,第二历史时间段可以包括:工作日类型对应的第二历史时间段和非工作日类型对应的第二历史时间段。工作日类型对应的第二历史时间段可以包括:周一的8:00至9:00的时间段,周一的9:00至10:00的时间段,周一的10:00至11:00的时间段。非工作日类型对应的第二历史时间段可以包括:周六的8:00至9:00的时间段,周六的9:00至10:00的时间段,周六的10:00至11:00的时间段。
各预设时长为目标时间段的时长的预设倍数,预设时长的数目可以由技术人员根据经验设置,例如预设时长的数目可以为10,或者预设时长的数目也可为20,但并不限于此。当目标时间段的时长为10分钟时,如果预设时长的数目为8,则预设各时长可以包括:10分钟、20分钟、30分钟、40分钟、50分钟、60分钟、70分钟和80分钟;如果预设时长的数目为10,则预设各时长可以包括:10分钟、20分钟、30分钟、40分钟、50分钟、60分钟、70分钟、80分钟、90分钟和100分钟。
针对每一第二历史时间段,在确定出该第二历史时间段内,在一个目标停车场的停车时长为各预设时长的车辆的数目(即第五数目),以及该第二历史时间段内停靠至该目标停车场的车辆的总数目(即第六数目)之后,针对每一预设时长,电子设备可以计算该预设时长对应的第五数目与第六数目的比值,得到该第二历史时间段内停靠至该目标停车场的车辆,在该目标停车场的停车时长为该预设时长的概率,作为该第二历史时间段内该预设时长对应的第三概率。
示例性的,各预设时长包括:10分钟、20分钟和30分钟。在一个第二历史时间段内,在停靠至一个目标停车场的车辆的总数目为10,在该第二历史时间段内,在该目标停车场的停车时长为10分钟的车辆的数目为2,停车时长为20分钟的车辆的数目为3,停车时长为30分钟的车辆的数目为5。
电子设备可以计算停车时长为10分钟的车辆的数目与停靠至该目标停车场的车辆的总数目的比值,得到该第二历史时间段内停靠至该目标停车场的车辆,在该目标停车场的停车时长为10分钟的概率为0.2,即该第二历史时间段内10分钟对应的第三概率为0.2。同理可以计算得到该第二历史时间段内20分钟对应的第三概率为0.3,该第二历史时间段内30分钟对应的第三概率为0.5。
针对步骤三和步骤四,针对每一目标停车场,电子设备可以从第一时间段集合中,确定第一车辆停靠至该目标停车场的时刻所属的时间段(即第一目标历史时间段)。然后,电子设备可以确定第一目标历史时间段的开始时刻至目标时间段的开始时刻之间的时长(即第一时长),以及第一目标历史时间段的开始时刻至目标时间段的结束时刻之间的时长(即第二时长)。
电子设备还可以从第二历史时间段中,确定第一目标历史时间段对应的第二历史时间段(即第二目标历史时间段)。例如,第一目标历史时间段为工作日的9:00至10:00的时间段,电子设备可以从第二历史时间段中,确定日期类型为工作日,且从9:00至10:00的时间段,作为第二目标历史时间段。
在步骤五中,在确定第二目标历史时间段之后,电子设备可以获取第二目标历史时间段内各预设时长各自对应的第三概率,电子设备可以从各第三概率中,确定预设时长为第一时长时对应的第三概率,作为第一车辆对应的第一概率,并确定预设时长为第二时长时对应的第三概率,作为第一车辆对应的第二概率。
可以理解的是,电子设备还可以记录确定出的各第二历史时间段内各预设时长各自对应的第三概率。后续,每一次确定目标时间段内的空闲车位的数目时,只需要从各第三概率中确定第一车辆对应的第一概率和第二概率,不需要再次计算各第二历史时间段内各预设时长各自对应的第三概率,进而,可以提高空闲车位确定方法的效率。
方式二,步骤S10321可以包括以下步骤:
步骤1:确定第一时间段集合中,第一车辆停靠至该目标停车场的时刻所属的第一历史时间段,作为第一目标历史时间段,并确定第一目标历史时间段的开始时刻至目标时间段的开始时刻之间的时长,作为第一时长,以及第一目标历史时间段的开始时刻至目标时间段的结束时刻之间的时长,作为第二时长。
步骤2:将表示该目标停车场在第一目标历史时间段的第二环境特征的向量,输入至预先训练的概率预测模型,得到概率预测模型输出的各预设时长各自对应的第四概率。
其中,一个预设时长对应的第四概率表示:第一车辆在该目标停车场的停车时长为该预设时长的概率。
步骤3:从各第四概率中,确定预设时长为第一时长时的第四概率,作为第一车辆对应的第一概率,以及预设时长为第二时长时的第四概率,作为第一车辆对应的第二概率。
针对步骤1和步骤2,一个目标停车场的在一个时间段内的第二环境特征的向量,用于表示该目标停车场在该时间段内的天气信息、该时间段的开始时刻和结束时刻、该时间段对应的日期类型,以及该目标停车场的位置类型。目标停车场的位置类型用于表示目标停车场所处的地理环境。例如,目标停车场的位置类型可以包括:居民区、车站、商场、办公楼等。
针对每一目标停车场,在基于第一车辆停靠至该目标停车场的时刻所属的第一目标历史时间段,确定出第一时长和第二时长之后,电子设备可以基于表示该目标停车场在第一目标历史时间段的第二环境特征的向量,以及预先训练的概率预测模型,确定各预设时长各自对应的第四概率。
相应的,在步骤2之前,电子设备可以基于第二训练样本对初始概率预测模型进行训练,得到训练好的概率预测模型。
第二训练样本可以包括:表示一个目标停车场在第三样本时间段的第二环境特征的向量,第三样本时间段内停靠至该目标停车场的车辆,在该目标停车场的停车时长为每一预设时长的概率(可以称为样本概率)。
一种实现方式中,电子设备可以将表示该目标停车场在第三样本时间段的第二环境特征的向量,输入至初始概率预测模型,得到第三样本时间段内停靠至该目标停车场的车辆,在该目标停车场的停车时长为每一预设时长的概率(可以称为预测概率)。然后,电子设备可以确定表示样本概率与预测概率的差异性的损失函数值,并基于计算得到的损失函数值,对初始概率预测模型的模型参数进行调整,当初始概率预测模型达到收敛条件时,得到训练好的概率预测模型。
进而,针对每一目标停车场,电子设备可以将表示该目标停车场在第一目标历史时间段的第二环境特征的向量,输入至训练好的概率预测模型,得到概率预测模型输出的第一车辆在该目标停车场的停车时长为每一预设时长的第四概率。概率预测模型可以包括:3个全连接层和1个softmax(归一化)层。
在步骤3中,电子设备可以从各预设时长各自对应的第四概率中,确定预设时长为第一时长时的第四概率,作为第一车辆对应的第一概率,以及预设时长为第二时长时的第四概率,作为第一车辆对应的第二概率。
在本发明的一个实施例中,参见图6,步骤S1033可以包括以下步骤:
S10331:针对第二时间段集合内的每一时间段,计算该时间段内的第二车辆对应的第五概率和第六概率。
其中,一个时间段内的第二车辆对应的第五概率为:该时间段内的第二车辆,在该时间段的开始时刻至目标时间段的结束时刻的时间段内,离开该目标停车场的概率;一个时间段内的第二车辆对应的第六概率为:该时间段内的第二车辆,在该时间段的结束时刻至目标时间段的结束时刻的时间段内,离开该目标停车场的概率。
S10332:基于第二时间段集合内停靠至该目标停车场的第二车辆的数目、第二时间段集合内的每一时间段内的第二车辆对应的第五概率、第六概率和第二预设公式,计算第二车辆中在目标时间段内离开该目标停车场的车辆的数目,作为第四数目。
其中,第二预设公式:
O2表示第四数目,Iτ表示第二时间段集合内的第τ个时间段内的第二车辆的数目,t表示目标时间段的序号,t2表示目标时间段的结束时刻,τ1表示第τ个时间段的开始时刻,τ2表示第τ个时间段的结束时刻,Fτ(t2,τ1)表示第τ个时间段内的第二车辆对应的第五概率,Fτ(t2,τ2)表示第τ个时间段内的第二车辆对应的第六概率,Fτ(t2,τ1)-Fτ(t2,τ2)表示第τ个时间段内的第二车辆,在目标时间段内离开该目标停车场的概率。
针对步骤S10331和步骤S10332,针对第二时间段包含的每一时间段,电子设备可以确定该时间段内的第二车辆对应的第五概率和第六概率。进而,电子设备可以根据第二时间段集合内的每一时间段内的第二车辆对应的第五概率和第六概率、第二时间段集合内的第二车辆的数目和上述公式(2),计算第二车辆中在目标时间段内离开该目标停车场的车辆的数目(即第四数目)。
针对第二时间段集合中的每一时间段,电子设备可以通过以下两种方式,确定该时间段内的第二车辆对应的第五概率和第六概率。
方式一,步骤S10331可以包括以下步骤:
步骤一:确定该时间段的开始时刻至目标时间段的结束时刻之间的时长,作为第三时长,以及该时间段的结束时刻至目标时间段的结束时刻之间的时长,作为第四时长。
步骤二:从各第二历史时间段内,确定与该时间段的开始时刻和结束时刻均相同,且与该时间段对应的日期类型相同的时间段,作为第三目标历史时间段。
步骤三:确定第三目标历史时间段内,预设时长为第三时长时的第三概率,作为该时间段内的第二车辆对应的第五概率,以及预设时长为第四时长时的概率,作为该时间段内的第二车辆对应的第六概率。
方式二,步骤S10331可以包括以下步骤:
步骤1:确定该时间段的开始时刻至目标时间段的结束时刻之间的时长,作为第三时长,以及该时间段的结束时刻至目标时间段的结束时刻之间的时长,作为第四时长。
步骤2:将表示该目标停车场在该时间段的第二环境特征的向量,输入至预先训练的概率预测模型,得到概率预测模型输出的各预设时长各自对应的第七概率。
其中,一个预设时长对应的第七概率表示:该时间段内的第二车辆,在该目标停车场的停车时长为该预设时长的概率。
步骤3:从各第七概率中,确定预设时长为第三时长时的第七概率,作为该时间段内的第二车辆对应的第五概率,以及预设时长为第四时长时的第四概率,作为该时间段内的第二车辆对应的第六概率。
电子设备通过上述两种方式计算第二时间段集合内的每一时间段内的第二车辆对应的第五概率和第六概率的方式,与电子设备计算第一车辆对应的第一概率和第二概率的方式类似,可以参见前述实施例中的详细介绍。
在步骤S104中,针对每一目标停车场,在确定出该目标停车场对应的第一数目和第二数目之后,电子设备可以计算该目标停车场对应的第一数目与第二数目的目标差值,并计算目标时间段的前一个时间段内该目标停车场的空闲车位的数目,与目标差值的差值,得到目标时间段内该目标停车场的空闲车位的数目。
可以理解的是,当目标时间段为当前时刻之后的第1个时间段时,目标时间段的前一个时间段为第一时间段集合中的最后一个第一历史时间段。电子设备可以基于该第一历史时间段内目标停车场的空闲车位的数目,计算目标时间段内该目标停车场的空闲车位的数目。
当目标时间段不是当前时刻之后的第1个时间段时,电子设备可以先计算当前时刻之后的第1个时间段内该目标停车场的空闲车位的数目。然后,电子设备可以根据当前时刻之后的第1个时间段内该目标停车场的空闲车位的数目,计算当前时刻之后的第2个时间段该目标停车场的空闲车位的数目,以此类推,直至确定出目标时间段内该目标停车场的空闲车位的数目。
一种实现方式中,电子设备可以与车辆进行通信,在确定出各目标停车场各自在目标时间段内的空闲车位的数目之后,电子设备可以向车辆发送各目标停车场各自在目标时间段内的空闲车位的数目。后续,车辆可以选择空闲车位较多的停车场进行停车,以减少车辆停车所耗费的时间。
与图1的方法实施例相对应,参见图7,图7为本发明实施例提供的一种空闲车位确定装置的结构图,所述装置包括:
获取模块701,用于获取多个连续的第一历史时间段内各个目标停车场的停车数据;其中,一个目标停车场在一个第一历史时间段内的停车数据包括:在该第一历史时间段内停靠至该目标停车场的车辆的数目、该目标停车场的空闲车位的数目和表示该目标停车场的第一环境特征的向量;
第一确定模块702,用于将所述各个目标停车场在所述多个第一历史时间段内的停车数据,输入至预先训练的车辆数目预测模型,得到所述车辆数目预测模型输出的目标向量,其中,所述目标向量中的元素与所述各个目标停车场一一对应,每一元素表示对应的目标停车场在目标间段内停靠的车辆的第一数目;
第二确定模块703,用于针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算所述目标时间段内离开该目标停车场的车辆的第二数目;其中,所述第一时间段集合包含所述多个第一历史时间段;所述第二时间段集合包含:从当前时刻之后的第一个时间段至所述目标时间段的各时间段;
第三确定模块704,用于计算该目标停车场对应的第一数目与所述第二数目的目标差值,并计算所述目标时间段的前一个时间段内该目标停车场的空闲车位的数目,与所述目标差值的差值,作为所述目标时间段内该目标停车场的空闲车位的数目。
可选的,所述车辆数目预测模型包括:长短期记忆网络、图卷积网络和全连接网络;
所述第一确定模块702,具体用于通过所述长短期记忆网络,对所述多个第一历史时间段内停靠至所述各个目标停车场的车辆的数目,和所述各个目标停车场的空闲车位的数目进行特征提取,得到第一特征向量;其中,所述第一特征向量表示:所述多个第一历史时间段内,停靠至所述各个目标停车场的车辆的数目之间的时间相关性;
通过所述图卷积网络,对所述多个第一历史时间段内停靠至所述各个目标停车场的车辆的数目进行特征提取,得到第二特征向量;其中,所述第二特征向量表示:所述多个第一历史时间段内,停靠至所述各个目标停车场的车辆的数目之间的空间相关性;
通过所述全连接网络,对表示所述多个第一历史时间段内所述各个目标停车场的第一环境特征的向量进行特征提取,得到第三特征向量;
计算所述第一特征向量、所述第二特征向量和所述第三特征向量的和值,得到目标向量。
可选的,所述第二确定模块703,具体用于确定第一时间段集合内停靠至该目标停车场的车辆,作为第一车辆;
基于所述第一车辆停靠至该目标停车场的时刻,计算所述第一车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第三数目;
基于第二时间段集合内停靠至该目标停车场的第二车辆的数目,计算所述第二车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第四数目;
计算所述第三数目和所述第四数目的和值,作为所述目标时间段内离开该目标停车场的车辆的第二数目。
可选的,所述第二确定模块703,具体用于基于所述第一车辆停靠至该目标停车场的时刻,计算所述第一车辆对应的第一概率和第二概率,其中,所述第一概率为:所述第一车辆在停靠至该目标停车场的时刻,至所述目标时间段的开始时刻的时间段内离开该目标停车场的概率;所述第二概率为:所述第一车辆在停靠至该目标停车场的时刻,至所述目标时间段的结束时刻的时间段内离开该目标停车场的概率;
基于所述第一车辆对应的第一概率、第二概率、所述第一车辆停靠至该目标停车场的时刻和第一预设公式,计算所述第一车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第三数目,其中,所述第一预设公式为:
O1表示所述第三数目,N表示所述第一车辆的总数目,uA表示第u个第一车辆停靠至该目标停车场的时刻,t1表示所述目标时间段的开始时刻,t2表示所述目标时间段的结束时刻,Fu(t2,uA)表示所述第u个第一车辆对应的第二概率,Fu(t1,uA)表示所述第u个第一车辆对应的第一概率,Fu(t2,uA)-Fu(t1,uA)表示所述第u个第一车辆在所述目标时间段内离开该目标停车场的概率。
可选的,所述第二确定模块703,具体用于针对每一第二历史时间段,统计该第二历史时间段内,在该目标停车场的停车时长为各预设时长的车辆的数目,作为第五数目,以及该第二历史时间段内停靠至该目标停车场的车辆的总数目,作为第六数目;
针对每一预设时长,计算该预设时长对应的第五数目与所述第六数目的比值,得到该第二历史时间段内停靠至该目标停车场的车辆,在该目标停车场的停车时长为该预设时长的概率,作为该第二历史时间段内该预设时长对应的第三概率;
确定所述第一时间段集合中,所述第一车辆停靠至该目标停车场的时刻所属的第一历史时间段,作为第一目标历史时间段,并确定所述第一目标历史时间段的开始时刻至所述目标时间段的开始时刻之间的时长,作为第一时长,以及所述第一目标历史时间段的开始时刻至所述目标时间段的结束时刻之间的时长,作为第二时长;
从各第二历史时间段内,确定与所述第一目标历史时间段的开始时刻和结束时刻均相同,且与所述第一目标历史时间段对应的日期类型相同的时间段,作为第二目标历史时间段;其中,所述日期类型为工作日或非工作日;
确定所述第二目标历史时间段内,预设时长为所述第一时长时对应的第三概率,作为所述第一车辆对应的第一概率,以及预设时长为所述第二时长时对应的第三概率,作为所述第一车辆对应的第二概率。
可选的,所述第二确定模块703,具体用于确定所述第一时间段集合中,所述第一车辆停靠至该目标停车场的时刻所属的第一历史时间段,作为第一目标历史时间段,并确定所述第一目标历史时间段的开始时刻至所述目标时间段的开始时刻之间的时长,作为第一时长,以及所述第一目标历史时间段的开始时刻至所述目标时间段的结束时刻之间的时长,作为第二时长;
将表示该目标停车场在所述第一目标历史时间段的第二环境特征的向量,输入至预先训练的概率预测模型,得到所述概率预测模型输出的各预设时长各自对应的第四概率,其中,一个预设时长对应的第四概率表示:所述第一车辆在该目标停车场的停车时长为该预设时长的概率;
从各第四概率中,确定预设时长为所述第一时长时的第四概率,作为所述第一车辆对应的第一概率,以及预设时长为所述第二时长时的第四概率,作为所述第一车辆对应的第二概率。
可选的,所述第二确定模块703,具体用于针对所述第二时间段集合内的每一时间段,计算该时间段内的所述第二车辆对应的第五概率和第六概率;其中,一个时间段内的所述第二车辆对应的第五概率为:该时间段内的所述第二车辆,在该时间段的开始时刻至所述目标时间段的结束时刻的时间段内,离开该目标停车场的概率;一个时间段内的所述第二车辆对应的第六概率为:该时间段内的所述第二车辆,在该时间段的结束时刻至所述目标时间段的结束时刻的时间段内,离开该目标停车场的概率;
基于所述第二时间段集合内停靠至该目标停车场的第二车辆的数目、所述第二时间段集合内的每一时间段内的所述第二车辆对应的第五概率、第六概率和第二预设公式,计算所述第二车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第四数目,其中,所述第二预设公式:
O2表示所述第四数目,Iτ表示所述第二时间段集合内的第τ个时间段内的所述第二车辆的数目,t表示所述目标时间段的序号,t2表示所述目标时间段的结束时刻,τ1表示所述第τ个时间段的开始时刻,τ2表示所述第τ个时间段的结束时刻,Fτ(t2,τ1)表示所述第τ个时间段内的所述第二车辆对应的第五概率,Fτ(t2,τ2)表示所述第τ个时间段内的所述第二车辆对应的第六概率,Fτ(t2,τ1)-Fτ(t2,τ2)表示所述第τ个时间段内的所述第二车辆,在所述目标时间段内离开该目标停车场的概率。
可选的,所述第二确定模块703,具体用于确定该时间段的开始时刻至所述目标时间段的结束时刻之间的时长,作为第三时长,以及该时间段的结束时刻至所述目标时间段的结束时刻之间的时长,作为第四时长;
从各第二历史时间段内,确定与该时间段的开始时刻和结束时刻均相同,且与该时间段对应的日期类型相同的时间段,作为第三目标历史时间段;
确定所述第三目标历史时间段内,预设时长为所述第三时长时的第三概率,作为该时间段内的所述第二车辆对应的第五概率,以及预设时长为所述第四时长时的概率,作为该时间段内的所述第二车辆对应的第六概率。
可选的,所述第二确定模块703,具体用于确定该时间段的开始时刻至所述目标时间段的结束时刻之间的时长,作为第三时长,以及该时间段的结束时刻至所述目标时间段的结束时刻之间的时长,作为第四时长;
将表示该目标停车场在该时间段的第二环境特征的向量,输入至预先训练的概率预测模型,得到所述概率预测模型输出的各预设时长各自对应的第七概率,其中,一个预设时长对应的第七概率表示:该时间段内的所述第二车辆,在该目标停车场的停车时长为该预设时长的概率;
从各第七概率中,确定预设时长为所述第三时长时的第七概率,作为该时间段内的所述第二车辆对应的第五概率,以及预设时长为所述第四时长时的第四概率,作为该时间段内的所述第二车辆对应的第六概率。
基于本发明实施例提供的空闲车位确定装置,可以确定目标时间段内停靠至目标停车场的车辆的第一数目,以及目标时间段内离开目标停车场的车辆的第二数目,进而,可以根据目标停车场对应的第一数目、第二数目和目标时间段的前一个时间段内目标停车场的空闲车位的数目,计算目标时间段内目标停车场的空闲车位的数目。后续,可以使得车辆根据停车场的空闲车位的数目,选择空闲车位较多的停车场进行停车,以减少车辆停车所耗费的时间。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现上述实施例中任一所述的空闲车位确定方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
基于本发明实施例提供的电子设备,可以确定目标时间段内停靠至目标停车场的车辆的第一数目,以及目标时间段内离开目标停车场的车辆的第二数目,进而,可以根据目标停车场对应的第一数目、第二数目和目标时间段的前一个时间段内目标停车场的空闲车位的数目,计算目标时间段内目标停车场的空闲车位的数目。后续,可以使得车辆根据停车场的空闲车位的数目,选择空闲车位较多的停车场进行停车,以减少车辆停车所耗费的时间。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一空闲车位确定方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一空闲车位确定方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质和计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种空闲车位确定方法,其特征在于,所述方法包括:
获取多个连续的第一历史时间段内各个目标停车场的停车数据;其中,一个目标停车场在一个第一历史时间段内的停车数据包括:在该第一历史时间段内停靠至该目标停车场的车辆的数目、该目标停车场的空闲车位的数目和表示该目标停车场的第一环境特征的向量;其中,一个目标停车场在一个时间段内的第一环境特征的向量,用于表示该目标停车场在该时间段内的天气信息、该时间段的开始时刻和结束时刻,以及该时间段对应的日期类型;日期类型为工作日或非工作日;
将所述各个目标停车场在所述多个第一历史时间段内的停车数据,输入至预先训练的车辆数目预测模型,得到所述车辆数目预测模型输出的目标向量,其中,所述目标向量中的元素与所述各个目标停车场一一对应,每一元素表示对应的目标停车场在目标间段内停靠的车辆的第一数目;
针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算目标时间段内离开该目标停车场的车辆的第二数目;其中,所述第一时间段集合包含所述多个第一历史时间段;所述第二时间段集合包含:从当前时刻之后的第一个时间段至所述目标时间段的各时间段;
计算该目标停车场对应的第一数目与所述第二数目的目标差值,并计算所述目标时间段的前一个时间段内该目标停车场的空闲车位的数目与所述目标差值的差值,作为所述目标时间段内该目标停车场的空闲车位的数目。
2.根据权利要求1所述的方法,其特征在于,所述车辆数目预测模型包括:长短期记忆网络、图卷积网络和全连接网络;
所述将所述各个目标停车场在所述多个第一历史时间段内的停车数据,输入至预先训练的车辆数目预测模型,得到所述车辆数目预测模型输出的目标向量,包括:
通过所述长短期记忆网络,对所述多个第一历史时间段内停靠至所述各个目标停车场的车辆的数目,和所述各个目标停车场的空闲车位的数目进行特征提取,得到第一特征向量;其中,所述第一特征向量表示:所述多个第一历史时间段内,停靠至所述各个目标停车场的车辆的数目之间的时间相关性;
通过所述图卷积网络,对所述多个第一历史时间段内停靠至所述各个目标停车场的车辆的数目进行特征提取,得到第二特征向量;其中,所述第二特征向量表示:所述多个第一历史时间段内,停靠至所述各个目标停车场的车辆的数目之间的空间相关性;
通过所述全连接网络,对表示所述多个第一历史时间段内所述各个目标停车场的第一环境特征的向量进行特征提取,得到第三特征向量;
计算所述第一特征向量、所述第二特征向量和所述第三特征向量的和值,得到目标向量。
3.根据权利要求1所述的方法,其特征在于,所述针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算所述目标时间段内离开该目标停车场的车辆的第二数目,包括:
确定第一时间段集合内停靠至该目标停车场的车辆,作为第一车辆;
基于所述第一车辆停靠至该目标停车场的时刻,计算所述第一车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第三数目;
基于第二时间段集合内停靠至该目标停车场的第二车辆的数目,计算所述第二车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第四数目;
计算所述第三数目和所述第四数目的和值,作为所述目标时间段内离开该目标停车场的车辆的第二数目。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一车辆停靠至该目标停车场的时刻,计算所述第一车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第三数目,包括:
基于所述第一车辆停靠至该目标停车场的时刻,计算所述第一车辆对应的第一概率和第二概率,其中,所述第一概率为:所述第一车辆在停靠至该目标停车场的时刻,至所述目标时间段的开始时刻的时间段内离开该目标停车场的概率;所述第二概率为:所述第一车辆在停靠至该目标停车场的时刻,至所述目标时间段的结束时刻的时间段内离开该目标停车场的概率;
基于所述第一车辆对应的第一概率、第二概率、所述第一车辆停靠至该目标停车场的时刻和第一预设公式,计算所述第一车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第三数目,其中,所述第一预设公式为:
O1表示所述第三数目,N表示所述第一车辆的总数目,uA表示第u个第一车辆停靠至该目标停车场的时刻,t1表示所述目标时间段的开始时刻,t2表示所述目标时间段的结束时刻,Fu(t2,uA)表示所述第u个第一车辆对应的第二概率,Fu(t1,uA)表示所述第u个第一车辆对应的第一概率,Fu(t2,uA)-Fu(t1,uA)表示所述第u个第一车辆在所述目标时间段内离开该目标停车场的概率。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第一车辆停靠至该目标停车场的时刻,计算所述第一车辆对应的第一概率和第二概率,包括:
针对每一第二历史时间段,统计该第二历史时间段内,在该目标停车场的停车时长为各预设时长的车辆的数目,作为第五数目,以及该第二历史时间段内停靠至该目标停车场的车辆的总数目,作为第六数目;其中,所述第二历史时间段包括与各日期类型对应的多个时间段;
针对每一预设时长,计算该预设时长对应的第五数目与所述第六数目的比值,得到该第二历史时间段内停靠至该目标停车场的车辆,在该目标停车场的停车时长为该预设时长的概率,作为该第二历史时间段内该预设时长对应的第三概率;
确定所述第一时间段集合中,所述第一车辆停靠至该目标停车场的时刻所属的第一历史时间段,作为第一目标历史时间段,并确定所述第一目标历史时间段的开始时刻至所述目标时间段的开始时刻之间的时长,作为第一时长,以及所述第一目标历史时间段的开始时刻至所述目标时间段的结束时刻之间的时长,作为第二时长;
从各第二历史时间段内,确定与所述第一目标历史时间段的开始时刻和结束时刻均相同,且与所述第一目标历史时间段对应的日期类型相同的时间段,作为第二目标历史时间段;其中,所述日期类型为工作日或非工作日;
确定所述第二目标历史时间段内,预设时长为所述第一时长时对应的第三概率,作为所述第一车辆对应的第一概率,以及预设时长为所述第二时长时对应的第三概率,作为所述第一车辆对应的第二概率。
6.根据权利要求4所述的方法,其特征在于,所述基于所述第一车辆停靠至该目标停车场的时刻,计算所述第一车辆对应的第一概率和第二概率,包括:
确定所述第一时间段集合中,所述第一车辆停靠至该目标停车场的时刻所属的第一历史时间段,作为第一目标历史时间段,并确定所述第一目标历史时间段的开始时刻至所述目标时间段的开始时刻之间的时长,作为第一时长,以及所述第一目标历史时间段的开始时刻至所述目标时间段的结束时刻之间的时长,作为第二时长;
将表示该目标停车场在所述第一目标历史时间段的第二环境特征的向量,输入至预先训练的概率预测模型,得到所述概率预测模型输出的各预设时长各自对应的第四概率,其中,一个预设时长对应的第四概率表示:所述第一车辆在该目标停车场的停车时长为该预设时长的概率;一个目标停车场的在一个时间段内的第二环境特征的向量,用于表示该目标停车场在该时间段内的天气信息、该时间段的开始时刻和结束时刻、该时间段对应的日期类型,以及该目标停车场的位置类型;目标停车场的位置类型用于表示目标停车场所处的地理环境;
从各第四概率中,确定预设时长为所述第一时长时的第四概率,作为所述第一车辆对应的第一概率,以及预设时长为所述第二时长时的第四概率,作为所述第一车辆对应的第二概率。
7.根据权利要求5所述的方法,其特征在于,所述基于第二时间段集合内停靠至该目标停车场的第二车辆的数目,计算所述第二车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第四数目,包括:
针对所述第二时间段集合内的每一时间段,计算该时间段内的所述第二车辆对应的第五概率和第六概率;其中,一个时间段内的所述第二车辆对应的第五概率为:该时间段内的所述第二车辆,在该时间段的开始时刻至所述目标时间段的结束时刻的时间段内,离开该目标停车场的概率;一个时间段内的所述第二车辆对应的第六概率为:该时间段内的所述第二车辆,在该时间段的结束时刻至所述目标时间段的结束时刻的时间段内,离开该目标停车场的概率;
基于所述第二时间段集合内停靠至该目标停车场的第二车辆的数目、所述第二时间段集合内的每一时间段内的所述第二车辆对应的第五概率、第六概率和第二预设公式,计算所述第二车辆中在所述目标时间段内离开该目标停车场的车辆的数目,作为第四数目,其中,所述第二预设公式:
O2表示所述第四数目,Iτ表示所述第二时间段集合内的第τ个时间段内的所述第二车辆的数目,t表示所述目标时间段的序号,t2表示所述目标时间段的结束时刻,τ1表示所述第τ个时间段的开始时刻,τ2表示所述第τ个时间段的结束时刻,Fτ(t2,τ1)表示所述第τ个时间段内的所述第二车辆对应的第五概率,Fτ(t2,τ2)表示所述第τ个时间段内的所述第二车辆对应的第六概率,Fτ(t2,τ1)-Fτ(t2,τ2)表示所述第τ个时间段内的所述第二车辆,在所述目标时间段内离开该目标停车场的概率。
8.根据权利要求7所述的方法,其特征在于,所述针对所述第二时间段集合内的每一时间段,计算该时间段内的所述第二车辆对应的第五概率和第六概率,包括:
确定该时间段的开始时刻至所述目标时间段的结束时刻之间的时长,作为第三时长,以及该时间段的结束时刻至所述目标时间段的结束时刻之间的时长,作为第四时长;
从各第二历史时间段内,确定与该时间段的开始时刻和结束时刻均相同,且与该时间段对应的日期类型相同的时间段,作为第三目标历史时间段;
确定所述第三目标历史时间段内,预设时长为所述第三时长时的第三概率,作为该时间段内的所述第二车辆对应的第五概率,以及预设时长为所述第四时长时的概率,作为该时间段内的所述第二车辆对应的第六概率。
9.根据权利要求7所述的方法,其特征在于,所述针对所述第二时间段集合内的每一时间段,计算该时间段内的所述第二车辆对应的第五概率和第六概率,包括:
确定该时间段的开始时刻至所述目标时间段的结束时刻之间的时长,作为第三时长,以及该时间段的结束时刻至所述目标时间段的结束时刻之间的时长,作为第四时长;
将表示该目标停车场在该时间段的第二环境特征的向量,输入至预先训练的概率预测模型,得到所述概率预测模型输出的各预设时长各自对应的第七概率,其中,一个预设时长对应的第七概率表示:该时间段内的所述第二车辆,在该目标停车场的停车时长为该预设时长的概率;一个目标停车场的在一个时间段内的第二环境特征的向量,用于表示该目标停车场在该时间段内的天气信息、该时间段的开始时刻和结束时刻、该时间段对应的日期类型,以及该目标停车场的位置类型;目标停车场的位置类型用于表示目标停车场所处的地理环境;
从各第七概率中,确定预设时长为所述第三时长时的第七概率,作为该时间段内的所述第二车辆对应的第五概率,以及预设时长为所述第四时长时的第四概率,作为该时间段内的所述第二车辆对应的第六概率。
10.一种空闲车位确定装置,其特征在于,所述装置包括:
获取模块,用于获取多个连续的第一历史时间段内各个目标停车场的停车数据;其中,一个目标停车场在一个第一历史时间段内的停车数据包括:在该第一历史时间段内停靠至该目标停车场的车辆的数目、该目标停车场的空闲车位的数目和表示该目标停车场的第一环境特征的向量;其中,一个目标停车场在一个时间段内的第一环境特征的向量,用于表示该目标停车场在该时间段内的天气信息、该时间段的开始时刻和结束时刻,以及该时间段对应的日期类型;日期类型为工作日或非工作日;
第一确定模块,用于将所述各个目标停车场在所述多个第一历史时间段内的停车数据,输入至预先训练的车辆数目预测模型,得到所述车辆数目预测模型输出的目标向量,其中,所述目标向量中的元素与所述各个目标停车场一一对应,每一元素表示对应的目标停车场在目标间段内停靠的车辆的第一数目;
第二确定模块,用于针对每一目标停车场,基于第一时间段集合内车辆停靠至该目标停车场的时刻,以及第二时间段集合内停靠至该目标停车场的车辆的数目,计算目标时间段内离开该目标停车场的车辆的第二数目;其中,所述第一时间段集合包含所述多个第一历史时间段;所述第二时间段集合包含:从当前时刻之后的第一个时间段至所述目标时间段的各时间段;
第三确定模块,用于计算该目标停车场对应的第一数目与所述第二数目的目标差值,并计算所述目标时间段的前一个时间段内该目标停车场的空闲车位的数目与所述目标差值的差值,作为所述目标时间段内该目标停车场的空闲车位的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268794.1A CN112509363B (zh) | 2020-11-13 | 2020-11-13 | 一种空闲车位确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268794.1A CN112509363B (zh) | 2020-11-13 | 2020-11-13 | 一种空闲车位确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112509363A CN112509363A (zh) | 2021-03-16 |
CN112509363B true CN112509363B (zh) | 2021-12-07 |
Family
ID=74957513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011268794.1A Active CN112509363B (zh) | 2020-11-13 | 2020-11-13 | 一种空闲车位确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112509363B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863231B (zh) * | 2020-12-31 | 2022-01-21 | 深圳市顺易通信息科技有限公司 | 一种停车场剩余车位校准方法、系统、装置及存储介质 |
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 |
CN115050188B (zh) * | 2022-08-15 | 2022-10-28 | 中交一公局第六工程有限公司 | 一种室内停车场剩余车位预测方法 |
CN116612458B (zh) * | 2023-05-30 | 2024-06-04 | 易飒(广州)智能科技有限公司 | 基于深度学习的泊车路径确定方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503840A (zh) * | 2016-10-17 | 2017-03-15 | 中国科学院深圳先进技术研究院 | 停车场可用车位预测方法及系统 |
CN106779256A (zh) * | 2017-03-24 | 2017-05-31 | 山东大学 | 一种基于事件驱动的停车空余泊位数实时预测方法及系统 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
CN108961816A (zh) * | 2018-07-19 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于优化lstm模型的道路停车泊位预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10288733B2 (en) * | 2015-04-28 | 2019-05-14 | Robert Bosch Gmbh | Method for forecasting parking area availability of a street section |
-
2020
- 2020-11-13 CN CN202011268794.1A patent/CN112509363B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503840A (zh) * | 2016-10-17 | 2017-03-15 | 中国科学院深圳先进技术研究院 | 停车场可用车位预测方法及系统 |
CN106779256A (zh) * | 2017-03-24 | 2017-05-31 | 山东大学 | 一种基于事件驱动的停车空余泊位数实时预测方法及系统 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
CN108961816A (zh) * | 2018-07-19 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于优化lstm模型的道路停车泊位预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112509363A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112509363B (zh) | 一种空闲车位确定方法及装置 | |
CN107301586B (zh) | 可租用车辆预测方法、装置及服务器 | |
CN105096647A (zh) | 一种车位查询方法和系统 | |
CN105430075A (zh) | 公租车预定方法、装置及系统 | |
CN112115372B (zh) | 一种停车场的推荐方法及装置 | |
CN112185150A (zh) | 确定目标车位的方法、装置、电子设备和计算机可读介质 | |
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 | |
JP6992576B2 (ja) | 駐車場管理装置、駐車場管理方法、および駐車場管理プログラム | |
CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
WO2020254418A1 (en) | System and method for populating a database with occupancy data of parking facilities | |
US20230068677A1 (en) | Methods for construction planning of charging piles in the smart cities and internet of things systems thereof | |
CN110166964A (zh) | 一种待扩容基站的确定方法及装置 | |
CN115930987A (zh) | 一种充电站推荐方法、系统、设备和介质 | |
CN114973745B (zh) | 停车场推荐方法及汽车 | |
CN112509362B (zh) | 一种车位分配方法及装置 | |
Ma et al. | Smart on-street parking system to predict parking occupancy and provide a routing strategy using cloud-based analytics | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
CN113920771A (zh) | 停车位分配方法、装置、设备及可读存储介质 | |
CN109615187B (zh) | 一种od矩阵的评估方法、公交负载模拟方法及装置 | |
CN116822677A (zh) | 轨迹预测方法、装置、电子设备及存储介质 | |
CN111369787A (zh) | 一种车辆轨迹预测方法、装置及电子设备 | |
CN111274230B (zh) | 数据迁移的管理方法、装置、设备及存储介质 | |
CN114141043B (zh) | 一种基于大数据的自动代客泊车需求预测方法和装置 | |
CN117094434A (zh) | 一种预估换电排队车辆数量的方法、系统及服务器 | |
CN117336355A (zh) | 一种常驻用户确定方法、装置、服务器及存储介质 |
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 |