CN113821547B - 快速高效的停车场占有率短时预测方法、系统及存储介质 - Google Patents
快速高效的停车场占有率短时预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113821547B CN113821547B CN202110987908.6A CN202110987908A CN113821547B CN 113821547 B CN113821547 B CN 113821547B CN 202110987908 A CN202110987908 A CN 202110987908A CN 113821547 B CN113821547 B CN 113821547B
- Authority
- CN
- China
- Prior art keywords
- parking lot
- occupancy
- sequence
- prediction
- data
- 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
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于停车诱导泊位预测领域,为停车场占有率短时预测方法、系统及存储介质,其方法包括:采集多个不同类型的停车场数据,并处理得到每个停车场占有率的时间序列,筛选出用于元学习训练的任务集;构建循环神经网络预测模型,并进行元学习训练以优化模型;从停车场占有率的时间序列中提取停车场占有率变化的趋势特征得到趋势项序列,分析停车场占有率变化的周期性特征拟合得到周期项序列,将两序列差值作为效应项序列,将三个序列作为预测模型的输入,得到目标停车场占有率的预测值。本发明利用循环神经网络处理多维特征在时间维度的非线性变化来进行预测,提高预测模型的训练速度和学习性能,从而提高预测精度的准确性及稳定性。
Description
技术领域
本发明属于智能交通系统中停车诱导泊位预测技术领域,尤其涉及一种停车场占有率短时预测方法、系统及存储介质。
背景技术
随着中国经济社会的飞速发展,城市机动车的保有量不断增长,城市“停车难”的问题越来越突出。智能诱导停车是缓解停车难问题的有效手段。现有的智能诱导停车系统大多只能显示实时的停车位信息,这使得驾驶员到达停车场时停车位已经被占用,或者出现多辆车争抢少量停车位的现象,造成停车诱导失败。比较准确的预测出停车场未来一段时间的泊位使用情况,为驾驶者停车选择提供参考,不仅能有利于出行者更合理的规划行程,也有利于交通管理部门对交通的宏观调控。
停车场占有率是指停车场已占用泊位数占停车场容量的比例,能直观的描述停车场泊位的占用情况。停车场的泊位占用情况受诸多因素的影响,例如停车场管理制度、收费标准、停车场类型、所处地理位置、附近道路的交通流情况、天气、重大事件以及驾驶者的停车选择偏好等诸多因素的影响,使得停车场占有率的变化具有随机性和较复杂的非线性特征,因此难以稳定准确的预测。
目前,国内外进行停车场占有率预测方式主要有基于统计学的方法和机器学习的方法。基于统计学的预测方法计算复杂度较小,但是预测的精度不高且稳定性不足。基于机器学习的方法比基于统计学的方法预测精度更高,但模型复杂,训练时间较长,计算复杂度较大,并且在不同类型停车场预测精度的稳定性和准确性不足。
发明内容
为解决现有技术所存在的技术问题,本发明提供快速高效的停车场占有率短时预测方法、系统及存储介质,利用循环神经网络处理多维特征在时间维度的非线性变化来进行预测,并利用元学习来优化预测模型,提高预测模型的训练速度和学习性能,从而提高预测精度的准确性及稳定性。
本发明的快速高效的停车场占有率短时预测方法,包括以下步骤:
S1、采集多个不同类型的停车场数据,对停车场数据处理得到每个停车场占有率的时间序列;
S2、根据每个停车场占有率的时间序列,筛选出用于元学习训练的训练任务集和测试任务集;
S3、构建循环神经网络预测模型;
S4、对循环神经网络预测模型进行元学习训练,得到预测模型优化后的初始化参数,并对预测模型进行初始化,得到优化后的预测模型;
S5、采用优化后的预测模型对目标停车场占有率进行预测,从停车场占有率的时间序列中提取停车场占有率变化的趋势特征,得到趋势项序列;分析停车场占有率变化的周期性特征,并拟合得到周期项序列;将趋势项序列和周期项序列的差值作为效应项序列,将趋势项序列、周期项序列及效应项序列作为循环神经网络的输入,得到下一个时刻的预测值作为目标停车场占有率的预测值。
本发明的快速高效的停车场占有率短时预测系统,包括:
数据采集模块,用于采集多个不同类型的停车场数据,对停车场数据处理得到每个停车场占有率的时间序列;
任务集筛选模块,根据每个停车场占有率的时间序列,筛选出用于元学习训练的训练任务集和测试任务集;
预测模型构建模块,用于构建循环神经网络预测模型;
预测模型优化模块,用于对循环神经网络预测模型进行元学习训练,得到预测模型优化后的初始化参数,并对预测模型进行初始化,得到优化后的预测模型;
预测模块,采用优化后的预测模型对目标停车场占有率进行预测,从停车场占有率的时间序列中提取停车场占有率变化的趋势特征,得到趋势项序列;分析停车场占有率变化的周期性特征,并拟合得到周期项序列;将趋势项序列和周期项序列的差值作为效应项序列,将趋势项序列、周期项序列及效应项序列作为循环神经网络的输入,得到下一个时刻的预测值作为目标停车场占有率的预测值。
本发明的存储介质,其上存储有计算机指令,当计算机指令被处理器执行时,实现本发明停车场占有率短时预测方法的各步骤。
本发明与现有技术相比,具有如下优点和有益效果:
1、利用时间序列特征分解思想和循环神经网络,构建预测模型,并结合元学习方法,对预测模型进行优化,提高了模型的训练速度,并提升了模型预测精度的稳定性和准确性。
2、训练速度快、预测精度的稳定性和准确性高,该方法综合多维度特征信息,利用循环神经网络处理多维特征在时间维度的非线性变化来进行预测,并利用元学习来优化预测模型,提高预测模型的训练速度和学习性能,从而提高预测精度的准确性及稳定性。
附图说明
图1是本发明实施例中的停车场占有率短时预测方法的流程图;
图2是本发明实施例中的预测模型结构和元学习训练框架图。
具体实施方式
下面将结合附图和实施例,对本发明技术方案做进一步详细描述,显然所描述的实施例是本发明一部分实施例,而不是全部的实施例,本发明的实施方式并不限于此。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。
循环神经网络能较好的处理时间序列的问题,元学习能很好的改善神经网络模型的学习能力,提高训练的速度。因此,本发明利用时间序列特征分解思想和循环神经网络,构建预测模型,并结合元学习方法,对模型进行优化,提高了模型的训练速度,并提升了模型预测精度的稳定性和准确性。
实施例
本实施例提供了一种快速高效的停车场占有率短时预测方法,用于对目标停车场的占有率进行预测,如图1所示,包括以下步骤:
步骤S1、采集多个不同类型的停车场数据,并对所采集的停车场数据进行预处理,对预处理后的停车场数据做进一步处理得到每个停车场占有率的时间序列。
从停车场管理部门收集不同类型的多个停车场的相关数据,具体收集的数据包括:停车场类型、停车场出入记录数据、停车场容量、停车场某一时刻停车泊位占用数量。对所收集的数据进行预处理,包括对停车场出入记录数据中的时间记录错误或重复的数据进行删除,对缺失时间记录的数据用插值法进行修复、平滑。
以某一单位时间长度为时间间隔,将时间划分为不同的时刻,形成时间序列,时间间隔可以根据需求来自行设置,比如:10分钟、半小时或一小时等,本实施例把时间间隔设置为半小时。根据预处理后的停车场出入记录数据,统计出不同时间间隔内进入停车场的数量Ii(i=1,2,…n,n为时间间隔数量)和不同时间间隔内离开停车场的数量Oi(i=1,2,…n,n为时间间隔数量),各个时间间隔末的停车泊位占用数量Zi(i=1,2,…n,n为时间间隔数量)可计算为Zi=Zi-1+Ii-Oi,再根据已知的某一时刻停车场的泊位占用数量,即可得到停车泊位占用数量的序列Z(t)。设停车场容量为C,则各个时刻(即各个时间间隔末)停车场占有率Xi=Zi/C,可得到每个停车场占有率的时间序列X(t)。
本实施例中,以广州市的配建停车场为例,停车场可分为商业区停车场、医院停车场、办公区域停车场、文体设施配建停车场、游览景区停车场、居住小区停车场,每种停车场类型均选取5个停车场,一共30个停车场。采集这些停车场在一个月(30天)的停车场出入记录数据、停车场容量、停车场某一时刻泊位占用数量。
步骤S2、根据每个停车场占有率的时间序列,筛选出用于元学习训练的训练任务集和测试任务集。
用于元学习的训练数据集由多个不同的学习任务组成,称为训练任务集。测试数据集则由目标任务构成,称为测试任务集。在训练任务集中,每个任务均为一种类型的停车场的占有率预测的学习任务,均包含训练数据和测试数据。在测试任务集中,目标任务就是针对目标停车场的占有率预测的学习任务,也包含训练数据和测试数据。
选取不同类型的多个停车场的预测任务作为训练任务,将每个停车场占有率的时间序列数据中80%用于训练,20%用于测试,这些停车场的占有率预测的任务和数据构成训练任务集。将目标停车场的占有率时间序列数据中80%用于训练,20%用于测试;目标停车场的占有率预测的任务和数据构成训练任务集。
本实施例中,针对商业区停车场、医院停车场、办公区域停车场、文体设施配建停车场、游览景区停车场、居住小区停车场,每种类型分别选取2个停车场,一共12个停车场。将所选停车场的占有率预测任务作为训练任务,将每个停车场的占有率时间序列数据中前24天的数据用于训练,后6天的数据用于测试。这些停车场的占有率预测的任务和数据构成训练任务集。从剩下的18个停车场中选一个停车场作为要进行停车场占有率预测的目标停车场,将目标停车场的占有率时间序列数据中前24天的数据用于训练,后6天的数据用于测试。目标停车场的占有率预测的任务和数据构成训练任务集。
步骤S3、构建循环神经网络预测模型
采用循环神经网络构建预测模型,所构建的预测模型包括两层循环神经网络结构;第一层循环神经网络结构的输入为停车场占有率的时间序列X,输出为停车场占有率变化的趋势特征,得到趋势项序列。具体是将当前时刻及之前的若干时刻的停车场占有率的数据作为输入,即输入层有N个输入,N可以根据需要自行设定,本实施例取N=4;隐含层的层数不超过7层,每层神经元个数根据需要自行设定,本实施例取2层隐含层,每层8个神经元;用全连接层作为输出层,实现8到1的转换,实现单输出,得到趋势特征序列。第二层循环神经网络的输入层为3输入,第一个输入为第一层循环神经网络输出的趋势特征序列,第二个输入为利用傅里叶级数对停车场占有率变化的周期性特征进行分析和拟合而得到的周期项序列,第三个输入为对趋势项序列和周期项序列求差得到效应项序列。第二层循环神经网络结构的隐含层的层数不超过7层,每层神经元个数根据需要自行设定,本实施例取2层隐含层,每层8个神经元;第二层循环神经网络结构用全连接层作为输出层,实现8到1的转换,实现单输出,作为预测模型的最终输出。
利用元学习训练得到的预测模型优化后的初始化参数对预测模型进行初始化,目标停车场占有率的时间序列数据中前24天的数据用于训练,即可得到一个优化的预测模型。在目标停车场占有率的时间序列数据中后6天的数据用于测试,对模型预测效果进行测试。
本实施例采用元学习中的MAML学习方法对预测模型进行训练,来优化预测模型的初始化参数。其中总共更新10轮,每轮的每个训练任务中对预测模型参数只更新一次。
定义预测模型的初始化参数为φ,其初始值为φ0,定义在第n个训练任务上更新中的参数为θn,在第n个训练任务之后的模型参数为每轮训练从训练任务集中随机采样N个任务,本实施例中取N=5,于是总的损失函数为:
设元学习的学习率为η,则按如下公式更新参数:
步骤S5、采用优化后的预测模型对目标停车场占有率进行预测
首先,利用循环神经网络LSTM或GRU从停车场占有率的时间序列X(t)中提取停车场占有率变化的趋势特征,得到趋势项序列g(t)。利用停车场占有率的时间序列X(t)前n个时刻的数据预测下一时刻的数据,即将{i-n+1,……i-2,i-1,i}时刻的停车场占有率作为参考,输入循环神经网络LSTM或GRU中,预测出i+1时刻的数据,将预测值作为趋势项序列g(t)。其次,分析停车场占有率变化的周期性特征,并用傅里叶级数进行拟合得到周期项序列s(t)。
本实施例中,选用循环神经网络GRU提取停车场占有率变化的趋势特征,得到趋势项序列g(t)。用前4个时刻的数据预测下一时刻的数据,即将{i-3,i-2,i-1,i}时刻的停车场占有率作为参考,输入循环神经网络GRU中,预测出i+1时刻的数据,将预测值作为趋势项序列g(t)。其次,统计分析停车场占有率的时间变化曲线,分析停车场占有率变化的周期性特征,再用傅里叶级数生成拟合的周期序列s(t),公式如下:
其中,C为常数,T为周期;傅里叶级数的系数[a1,b1,...an,bn]T按照服从均值为0的正态分布进行初始化,采用批量梯度下降法来训练参数,进行拟合。
然后,将趋势项序列g(t)和周期项序列s(t)的差值作为效应项序列h(t),即:
h(t)=|g(t)-s(t)|
最后,将趋势项序列g(t)、周期项序列s(t)、效应项序列h(t)作为循环神经网络的输入,得到下一个时刻目标停车场占有率的预测值y,即为最终的预测值。
基于相同的发明构思,本实施例还提出停车场占有率短时预测系统,包括:
数据采集模块,用于实现步骤S1,采集多个不同类型的停车场数据,对停车场数据处理得到每个停车场占有率的时间序列;
任务集筛选模块,用于实现步骤S2,根据每个停车场占有率的时间序列,筛选出用于元学习训练的训练任务集和测试任务集;
预测模型构建模块,用于实现步骤S3,构建循环神经网络预测模型;
预测模型优化模块,用于实现步骤S4,对循环神经网络预测模型进行元学习训练,得到预测模型优化后的初始化参数,并对预测模型进行初始化,得到优化后的预测模型;
预测模块,用于实现步骤S5,采用优化后的预测模型对目标停车场占有率进行预测,从停车场占有率的时间序列中提取停车场占有率变化的趋势特征,得到趋势项序列;分析停车场占有率变化的周期性特征,并拟合得到周期项序列;将趋势项序列和周期项序列的差值作为效应项序列,将趋势项序列、周期项序列及效应项序列作为循环神经网络的输入,得到下一个时刻的预测值作为目标停车场占有率的预测值。
本实施例还提出相应的存储介质,存储介质上存储有计算机指令,当计算机指令被处理器执行时,实现本实施例的停车场占有率短时预测方法的步骤S1-S5。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.快速高效的停车场占有率短时预测方法,其特征在于,包括以下步骤:
S1、采集多个不同类型的停车场数据,对停车场数据处理得到每个停车场占有率的时间序列;
S2、根据每个停车场占有率的时间序列,筛选出用于元学习训练的训练任务集和测试任务集;
S3、构建循环神经网络预测模型;
S4、对循环神经网络预测模型进行元学习训练,得到预测模型优化后的初始化参数,并对预测模型进行初始化,得到优化后的预测模型;
S5、采用优化后的预测模型对目标停车场占有率进行预测,从停车场占有率的时间序列中提取停车场占有率变化的趋势特征,得到趋势项序列;分析停车场占有率变化的周期性特征,并拟合得到周期项序列;将趋势项序列和周期项序列的差值作为效应项序列,将趋势项序列、周期项序列及效应项序列作为循环神经网络的输入,得到下一个时刻的预测值作为目标停车场占有率的预测值;
步骤S5利用循环神经网络LSTM或GRU从停车场占有率的时间序列X(t)中提取停车场占有率变化的趋势特征,得到趋势项序列g(t);分析停车场占有率变化的周期性特征,并用傅里叶级数进行拟合得到周期项序列s(t);
步骤S5利用停车场占有率的时间序列X(t)前n个时刻的数据预测下一时刻的数据,将{i-n+1,……i-2,i-1,i}时刻的停车场占有率作为参考,输入循环神经网络LSTM或GRU中,预测出i+1时刻的数据,将预测值作为趋势项序列g(t);
步骤S5中周期序列s(t)为:
其中,C为常数,T为周期;傅里叶级数的系数[a1,b1,...an,bn]T按照服从均值为0的正态分布进行初始化,采用批量梯度下降法来训练参数,进行拟合。
2.根据权利要求1所述的停车场占有率短时预测方法,其特征在于,步骤S1中停车场数据包括停车场类型、停车场出入记录数据、停车场容量、停车场某一时刻停车泊位占用数量;设置时间间隔将时间划分为不同的时刻,形成时间序列;
根据停车场出入记录数据,统计出不同时间间隔内进入停车场的数量Ii和不同时间间隔内离开停车场的数量Oi,则各个时间间隔末的停车泊位占用数量为Zi=Zi-1+Ii-Oi,再根据已知的某一时刻停车场的停车泊位占用数量,得到停车泊位占用数量的序列Z(t);设停车场容量为V,则各个时间间隔末停车场占有率Xi=Zi/V,得到每个停车场占有率的时间序列X(t),其中i=1,2,…n,n为前n个时刻。
3.根据权利要求1所述的停车场占有率短时预测方法,其特征在于,步骤S2的训练任务集中,每个任务均为一种类型的停车场的占有率预测的学习任务,均包含训练数据和测试数据;测试任务集中,目标任务为针对目标停车场的占有率预测的学习任务,均包含训练数据和测试数据。
4.根据权利要求1所述的停车场占有率短时预测方法,其特征在于,步骤S3所构建的预测模型包括两层循环神经网络结构;第一层循环神经网络结构的输入为停车场占有率的时间序列X(t),输出为停车场占有率变化的趋势特征,得到趋势项序列;第二层循环神经网络的输入层设有三个输入,第一个输入为第一层循环神经网络输出的趋势特征序列,第二个输入为利用结构傅里叶级数对停车场占有率变化的周期性特征进行分析和拟合而得到的周期项序列,第三个输入为对趋势项序列和周期项序列求差得到效应项序列,第二层循环神经网络结构用全连接层作为输出层。
6.快速高效的停车场占有率短时预测系统,其特征在于,包括:
数据采集模块,用于采集多个不同类型的停车场数据,对停车场数据处理得到每个停车场占有率的时间序列;
任务集筛选模块,根据每个停车场占有率的时间序列,筛选出用于元学习训练的训练任务集和测试任务集;
预测模型构建模块,用于构建循环神经网络预测模型;
预测模型优化模块,用于对循环神经网络预测模型进行元学习训练,得到预测模型优化后的初始化参数,并对预测模型进行初始化,得到优化后的预测模型;
预测模块,采用优化后的预测模型对目标停车场占有率进行预测,从停车场占有率的时间序列中提取停车场占有率变化的趋势特征,得到趋势项序列;分析停车场占有率变化的周期性特征,并拟合得到周期项序列;将趋势项序列和周期项序列的差值作为效应项序列,将趋势项序列、周期项序列及效应项序列作为循环神经网络的输入,得到下一个时刻的预测值作为目标停车场占有率的预测值;
预测模块利用循环神经网络LSTM或GRU从停车场占有率的时间序列X(t)中提取停车场占有率变化的趋势特征,得到趋势项序列g(t);分析停车场占有率变化的周期性特征,并用傅里叶级数进行拟合得到周期项序列s(t);
预测模块利用停车场占有率的时间序列X(t)前n个时刻的数据预测下一时刻的数据,将{i-n+1,……i-2,i-1,i}时刻的停车场占有率作为参考,输入循环神经网络LSTM或GRU中,预测出i+1时刻的数据,将预测值作为趋势项序列g(t);
周期序列s(t)为:
其中,C为常数,T为周期;傅里叶级数的系数[a1,b1,...an,bn]T按照服从均值为0的正态分布进行初始化,采用批量梯度下降法来训练参数,进行拟合。
7.存储介质,其上存储有计算机指令,其特征在于,当计算机指令被处理器执行时,实现权利要求1-5中任一项所述的停车场占有率短时预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987908.6A CN113821547B (zh) | 2021-08-26 | 2021-08-26 | 快速高效的停车场占有率短时预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987908.6A CN113821547B (zh) | 2021-08-26 | 2021-08-26 | 快速高效的停车场占有率短时预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821547A CN113821547A (zh) | 2021-12-21 |
CN113821547B true CN113821547B (zh) | 2023-06-20 |
Family
ID=78913595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110987908.6A Active CN113821547B (zh) | 2021-08-26 | 2021-08-26 | 快速高效的停车场占有率短时预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821547B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230267363A1 (en) * | 2022-02-07 | 2023-08-24 | Lemon Inc. | Machine learning with periodic data |
CN115564078A (zh) * | 2022-09-28 | 2023-01-03 | 电子科技大学长三角研究院(湖州) | 停车场泊位占用率短时域预测方法、系统、设备及终端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024343A (zh) * | 2010-12-20 | 2011-04-20 | 东南大学 | 停车场有效泊位占有率短时预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867407B (zh) * | 2012-09-13 | 2014-07-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
GB201419807D0 (en) * | 2014-11-06 | 2014-12-24 | Tomtom Int Bv | Method for estimating the occupancy of a parking lot |
EP3462427A1 (en) * | 2017-09-27 | 2019-04-03 | Deutsche Telekom AG | Method of predicting the probability of occurrence of vacant parking slots and its realization system |
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 |
-
2021
- 2021-08-26 CN CN202110987908.6A patent/CN113821547B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024343A (zh) * | 2010-12-20 | 2011-04-20 | 东南大学 | 停车场有效泊位占有率短时预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113821547A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN112330215B (zh) | 一种城市用车需求量预测方法、设备及存储介质 | |
CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
CN113821547B (zh) | 快速高效的停车场占有率短时预测方法、系统及存储介质 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN104636828A (zh) | 基于马尔科夫链的公共自行车站点供需预测方法 | |
CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
Li et al. | Deep learning based parking prediction on cloud platform | |
CN111199247B (zh) | 一种公交运行仿真方法 | |
CN109544929A (zh) | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 | |
Tiedemann et al. | Concept of a data thread based parking space occupancy prediction in a berlin pilot region | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
Jakob et al. | Macroscopic Modeling of On‐Street and Garage Parking: Impact on Traffic Performance | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配系统及方法 | |
CN116153125A (zh) | 一种基于ida-rnn模型的空间维度公交到达时间预测方法 | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
CN109543922B (zh) | 用于有桩共享单车站点群的分时段借还量预测方法 | |
CN115034429A (zh) | 基于深度图神经网络的城市出租车接客点推荐方法 | |
Kim et al. | Data-driven parking decisions: Proposal of parking availability prediction model | |
CN111815956A (zh) | 一种高速公路交通流量预测方法 | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 |
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 |