CN114049788A - 停车盲点识别方法、装置及电子装置、计算机程序产品 - Google Patents

Abstract

本申请提出了一种停车盲点识别方法，包括：获取目标区域内每一停车场的停车场特征；根据停车场特征归集出对应每一停车场的第一特征集和第二特征集，并根据第一特征集计算各个停车场之间的相似系数，再根据各个停车场的相似系数和第二特征集计算各个停车场之间的第一马氏距离；使用任一聚类方法将各个停车场之间的第一马氏距离按照设定的聚类个数进行聚类得到与聚类个数相同数量的聚类中心，将远离聚类中心超过设定阈值的停车场作为候选停车盲点；当候选停车盲点的停车位占用率低于目标区域中所有停车场停的车位占用率的平均值时，判定该候选停车盲点为停车盲点。该方法通过计算各个停车场之间的马氏距离进行聚类，根据聚类结果识别停车盲点。

Description

停车盲点识别方法、装置及电子装置、计算机程序产品

技术领域

本申请涉及城市级智慧停车领域，特别是涉及一种停车盲点识别方法、装置及电子装置、计算机程序产品。

背景技术

停车难问题早已成为各大城市的通病，智慧停车行业因此也成为了改善停车环境、满足停车需求的良方。智慧停车是各地政府、企业和民众多方共赢的必然选择，也是优化社会资源配置、提升城市形象、推动产业升级和促进生态文明城市建设的必经之途，具有良好的发展前景。从监管运营的角度出发，挖掘各个停车场中的停车盲点，提供相应建议解决经营不善问题具有重要意义，不仅能够缓解停车难问题，也能增强车主的获得感，还能带来更高的经济收益。

在现有技术进行停车盲点识别时，往往从停车场平均利用率，停车场平均收益情况等数值型数据入手，而缺少对其他数据的利用；并且，根据主观经验对停车场平均利用率，停车场平均收益情况等数据利用阈值筛选或者专家判别的方法进行识别，而采用这样的方法时，往往阈值的选择难以找到逻辑上的支撑，无法保障算法的合理性；以及，对数据间的差距用欧式距离来衡量，尽管会在计算欧氏距离之前对数据进行标准化或者归一化来消除量纲的影响，但欧氏距离仍然没有考虑到变量之间的相关性，且使用标准化或归一化后，无法衡量每一类数据的贡献度，即无法消除数据单位造成的影响。

发明内容

本申请实施例提供了一种停车盲点识别方法、装置及电子装置、计算机程序产品，该方法通过提取到目标区域内多个停车场的停车场特征，归集出第一特征集和第二特征集，并根据第一特征集计算出各个停车场之间的相似系数，以及根据第二特征集和该相似系数计算出各个停车场之间的马氏距离，实现通过根据停车场之间的马氏距离的聚类结果识别停车盲点。

第一方面，本申请实施例提供了一种停车盲点识别方法，包括以下步骤：

获取目标区域内每一停车场的停车场特征，所述停车场特征包括平均停车位占用率；

根据所述停车场特征归集出对应每一所述停车场的第一特征集，并根据所述第一特征集计算各个所述停车场之间的相似系数；

根据所述停车场特征归集出对应每一所述停车场的第二特征集，并根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离；

使用任一聚类方法将各个所述停车场之间的所述第一马氏距离按照设定的聚类个数进行聚类得到与所述聚类个数相同数量的聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点；

当所述候选停车盲点的停车位占用率低于所述目标区域中所有停车场停的车位占用率的平均值时，判定所述候选停车盲点为停车盲点。

第二方面，本申请实施例提供了一种停车盲点识别装置，用于实现第一方面中所述的停车盲点识别方法，该装置包括以下模块：

获取模块，用于获取目标区域内每一停车场的停车场特征；

第一计算模块，用于根据所述停车场特征归集出对应每一所述停车场的第一特征集，并根据所述第一特征集计算各个所述停车场之间的相似系数；

第二计算模块，用于根据所述停车场特征归集出对应每一所述停车场的第二特征集，并根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离；

聚类模块，用于使用任一聚类方法将各个所述停车场之间的所述第一马氏距离按照设定的聚类个数进行聚类得到与所述聚类个数相同数量的聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点；

识别模块，用于计算所述候选停车盲点的平均停车位占用率，当所述候选停车盲点的停车位占用率低于所述目标区域的平均停车位占用率时，判定所述候选停车盲点为停车盲点。

第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以如上任意申请实施例所述的停车盲点识别方法。

第四方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行如上任一申请实施例所述的停车盲点识别方法。

第五方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据如上任意申请实施例所述的停车盲点识别方法。

本申请实施例的主要贡献和创新点如下：

本申请实施例提供了停车盲点识别方法、装置及电子装置、计算机程序产品，该方法提取目标区域中每个停车场的停车场特征，归集出每个停车场的第一特征集用于计算各个停车场之间的相似系数，以及归集出每个停车场的第二特征集用于结合上述相似系数计算各个停车场之间的马氏距离，实现了根据各个停车场之间马氏距离的聚类结果识别停车盲点。该方法利用停车场之间的马氏距离来衡量仓库的经营情况，马氏距离表示数据的协方差距离，不受量纲的影响，在计算前无需对数据进行标准化或者归一化处理，即两个停车场之间的马氏距离与原始数据的测量单位无关，此外，马氏距离还可以消除变量之间的相关性的干扰，更加真实准确的反应停车场之间的差异。

将停车领域有关停车场、城市网格作为目标区域、违停事件等海量数据进行充分开发利用，摒弃传统从纯主观上判断停车盲点的方法，从相对客观的角度利用聚类算法模型对停车盲点停车场进行识别，考量停车场之间的马氏距离以消除数据量纲和相关性的影响，并利用T检验来考量模型的效果，以此保证识别的准确率。最后根据模型结果针对不同的停车盲点分析其盲点的原因，并对不同原因给与不同的建议，以此来改善停车场的经营状况，缓解停车难的问题。

在另外一些申请实施例中，本方法还创新地使用假设检验的方法作为聚类模型效果的验证方法，考量目标区域中单个停车场与其余停车场的平均马氏距离，是否与该目标区域内所有停车场与除本身外的停车场的平均马氏距离是否有显著差异。根据大数定理，目标区域内停车场与剩余停车场之间的马氏距离分布近似正态分布，当选择检验其中一个停车场时，由于是目标区域内停车场数量较少，利用T检验的方法进行判断，以计算的T统计量与临界值相比，得出是否拒绝原假设的判断，以此来判断该停车场是否为停车盲点。在此基础上，对聚类后所有识别为停车盲点的停车场进行一一判断，得到聚类模型判断的准确率。并可以以此来调整聚类算法种类和聚类类别个数的选择。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他停车场特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的停车盲点识别方法的流程图；

图2是根据本申请实施例的停车盲点识别装置的结构框图；

图3是根据本申请实施例的电子装置的硬件结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

实施例一

本实施例提供了一种停车盲点识别方法，该方法通过提取目标区域内每一停车场的停车场特征以计算各个停车场计算的马氏距离，并根据各个停车场之间的马氏距离进行聚类得到至少一个聚类中心，将远离该聚类中心超过设定阈值的停车场作为需要重点识别的候选停车盲点，若候选停车盲点的停车位占用率低于目标区域中所有停车场的平均停车位占用率的平均值，判定该候选停车盲点为停车盲点。在本实施例中，该方法，参考图1，包括步骤S1-S5：

步骤S1：获取目标区域内每一停车场的停车场特征，所述停车场特征包括平均停车位占用率。

首先，选取一目标区域，并获取该目标区域内每个停车场的停车场特征。

具体的，停车场的停车场特征主要提取于该停车场的普查数据和历史记录。因此，在一些实施例中，根据所述停车场的普查数据和历史记录提取所述停车场特征。

其中，停车场的普查数据主要包括该停车场的一些基础特征和一些关联特征。例如，普查数据包括该停车场的停车场类型、停车模式、停车位置、定价类型、收费标准、是否配备智能系统、停车场所在地理位置、配建类型、建筑类型以及出入口所在地理位置等基础特征，和该停车场的出入口道路情况、与目标区域中心点的距离等关联特征。基础特征大多都是标称属性的值，也就是一些符号或者事物的名称。因此，在一些实施例中，所述普查数据包括所述停车场的基础特征和关联特征。

具体的，停车场的停车场类型可以分为配建停车场、公共停车场和道路停车位，停车位置可以分为路内和路外，配建类型可以分为住宅类、旅馆类、办公楼、医院、商场等多种场景类型，建筑类型可以分为地面停车场、地下停车场、地上停车楼以及地下停车楼，定价类型可以分为政府定价、市场定价和免费，收费标准为具体的收费规则，停车场所在地理位置包括该停车场的经纬度，出入口所在地理位置包括出口的经纬度和入口的经纬度，出入口道路情况主要包括出口道路等级、出口路网密度、入口道路等级、入口路网密度。其中道路等级在中国主要分为四级，分别为快速路、主干路、次干路以及支路，为方便后续聚类可以将其转化为数值型变量，例如，快速路记为4，主干路记为3，次干路记为2，支路记为1。出口路网密度是根据出口区域内所有道路的总长度和出口区域总面积进行统计计算的，具体的，形成以出口为中心的出口区域，出口路网密度为出口区域内所有道路的长度之和与该出口区域的总面积的比值；入口路网密度同理。

并且，停车场的历史记录主要包括历史停车信息记录、总停车位数、每日剩余停车位数。

其中，历史停车信息记录主要包括：出入该停车场的车辆车牌号、车辆行驶目的、记录时间等，其中车辆行驶目的可以分为进入停车场和离开停车场，记录时间对应车辆行驶目的可以分为进入时间和离开时间。总停车位数表示该停车场总共设有的有效停车位数量，也就是说停车场本来总共设有100个停车位，但因为一些原因导致最终可以停车的停车位只有98个，那么98就是该停车场的总停车位数。每日剩余停车位数主要是停车场每日结算时上传到的该停车场内剩余的停车位数量，例如每日0时做前一日的结算，上传当前剩余的停车位数据量生成一条历史每日剩余停车位数。通常，摄像装置设置在出入库记录车辆的进入停车场和离开停车场的数据。需要说明的是，停车场的历史记录可以人居经验和需求选取任一时间段内的数据，例如选择半年、一年或者两年的历史记录，历史记录的数据量越大，分析得出的准确率就越高。因此，在一些实施例中，停车场的历史记录包括该停车场的历史停车信息记录和历史每日剩余停车位数。

根据停车场的历史记录还可以计算目标时间段内该停车场的多维度统计停车场特征，例如：目标时刻剩余停车位数、车辆平均停车时长、停车位占用率以及停车位周转率等。因此在一些实施例中，多维度统计停车场特征包括历史剩余停车位数、车辆平均停车时长、停车位占用率以及停车位周转率。

其中，停车场的目标时刻剩余停车位数是根据该停车场的历史停车信息记录和每日剩余停车位数计算得到的，例如每日剩余停车位数结合历史停车信息记录中记载的从当日0点到目标时刻的出入该停车场的车辆数量，也就是用当日0点的剩余停车位数减去从当日0点到目标时刻内进入该停车场的车辆数量，再加上从当日0点到目标时刻内离开该停车场的车辆数量，记当日0点剩余停车位数为X_i，从当日0点到目标时刻内驶入该停车场的车辆数量为a_i、离开该停车场的车辆数量为b_i，则目标时刻剩余停车位数x_i+1＝x_i-a_i+b_i。

例如，当前时间为9月10号0点，停车场A的每日剩余停车位数通过上传记录为100个，获取9月10号0点到24点的停车场A历史停车信息记录，即车辆出入该停车场的数据，可以推算出目标时刻为9月10号6点、12点以及18点的目标时刻剩余停车位数。统计9月10号0点至6点候选停车盲点共驶入20辆车，共驶出40辆车，因此9月10号6点的目标时刻剩余停车位数为120个，12点和18点的目标时刻剩余停车位计算方法类似，不再赘述。其中目标时刻可以设定为一天中的任意时间。

其中，车辆平均停车时长等于该停车场中每辆车停车时长的总和除以总车辆数量，记目标时间段内每一辆车的停车时长为t_i，总车辆数量为m，因此该目标时间段内车辆停车时长为：

例如，当前时间为9月10号6点，以9月10号6点至12点为目标时间段，统计该目标时间段内停车场A的车辆平均停车时长。若车辆a在该时间段内同时有驶入驶出数据，则该车辆a的停车时长为驶出时间减去驶入时间，比如驶入时间为7点，驶出时间为10点，则停车时长为3小时；若某车辆b在该时间段内只有驶入数据，则该车辆b的停车时长为时间段结束时间即12点减去驶入时间，比如驶入时间为7点，无驶出时间，则停车时长为5小时；若车辆c在该时间段内只有驶出数据，则该车辆c的停车时长为驶出时间减去时间段结束时间即6点，比如无驶入时间，驶出时间为10点，则停车时长为4小时。该时段内的平均停车时长即为该停车场所有车辆停车时长的平均，比如该停车场A在6点至12点这一目标时间段额你只有车辆a、b、c三辆车进出，则在该时段内的车辆平均停车时长为4小时。

同样的，根据历史停车信息记录，将某时间段内每一个当占用停车位数量变化时的时刻作为变化时刻，对应记录与该变化时刻对应的占用停车位数量，计算出每一变化时刻的停车位占用率，最后将计算得到的每个变化是个的停车位占用率乘以该停车位占用率的持续时间再除以该时间段的总时长，得到该时间段内停车位占用率。

具体的，某一时间段内t_i时刻对应的占用停车位数量为p_i，那么t_i时刻的停车位占用率为t_i/p_i，该时间段内占用停车位数量一共变化了n次，也就是说，(t₁,t₂,t₃,…,t_n)时刻对应的占用停车位为(p₁,p₂,p₃,…,p_n)。因此，该单位时间内停车位占用率为：

例如，当前时间为9月10号6点，此时停车场的占用停车位为50个，总停车位为100个，选取9月10号6点到9月10号12点这一时间段,其中每一小时为单位时间，若6点至7点驶入该停车场10辆车，驶出20辆车，则7点时的占用停车位数量为40个，以此类推，若8点、9点、11点的占用停车位数量分别对应为35、30、20，其中占用停车位数量为20个持续了从9点到11点的两个小时，则该时间段内的停车位占用率为：

实际应用时停车位发生变化就会记录一次，计算时加权平均会相对更复杂。因此，在一些实施例中，所述停车位占用率为目标时间段内每一停车位占用率乘以对应的持续时间的和再除以该时间段的总时长。

另外，计算某停车场在某时间段内的停车位周转率的方法为；该时间段内驶入该停车场的车辆总数除以该停车场的总停车位数量。例如，当前时间为9月10号6点，停车场A的总停车位数量为100个，选取9月10日6点至12点作为目标时间段，统计该时间段内一共有50辆车驶入停车场A，那么该停车场在9月10日6点至12点这一时间段的停车位周转率为50/100＝50％。

步骤S2：根据所述停车场特征归集出对应每一所述停车场的第一特征集，并根据所述第一特征集计算各个所述停车场之间的相似系数。

在该步骤中，从每个停车场的停车场特征中归集出对应每个停车场各自的第一特征集，根据每个停车场各自的该第一特征集计算各个停车场之间的相似系数。

其中，第一特征集中的每个停车场特征代表不同的含义，但两个不同停车场各自的第一特征集中，含义相同的停车场特征是一一对应的，可能数值不同。

具体的，选取停车场的一部分重要的停车场特征归集为该停车场的第一特征集，比如选取停车场类型、停车模式、停车位置、配建类型、建筑类型、定价类型、是否配有智能系统等基本停车场特征，采用匹配系数来计算各个停车场之间的相似系数。

例如停车场A_i重要属性的数据集合为C_ij＝(C_i1,C_i2,C_i3,…,C_in)，另一停车场A_k重要属性的数据集合为C_kj＝(C_k1,C_k2,C_k3,…,C_kn)，则两个停车场的相似系数为:

其中

为异或运算符，即两个不相等的时候取值为1，相等的时候取值为0。例如，停车场A重要属性的数据集合为C_ij＝(配建停车场，自行式停车，住宅类，地下停车场，政府定价，是)，停车场B重要属性的数据集合为C_kj＝(配建停车场，机械式停车，医院，地面停车场，政府定价，是)，因此停车场A和停车场B的相似系数S＝0.5。因此，在一些实施例中，所述第一特征集包括所述停车场的停车场类型、停车位置、配建类型、建筑类型以及定价类型；在另一些实施例中，所述第一特征集还包括停车模式以及是否配有智能系统。

也就是说，在一些实施例中，任意两个所述停车场分别作为第一停车场和第二停车场，所述第一停车场和所述第二停车场之间的所述相似系数为：所述第一停车场的所述第一特征集中每一停车场特征作为第一特征，所述第二停车场的所述第一特征集中每一停车场特征作为第二特征，将含义相同的所述第一特征和所述第二特征进行异或运算得到对应所述第一特征集中每一停车场特征的特征相似度，将所有所述特征相似度相加再除以所述特征相似度的个数得到所述相似系数。

特别的是，如果目标区域包含多个网格，统计每个网格中发生违停事件次数作为各个网格中停车场的停车场特征，并将该停车场特征归集为第一特征集。虽然每个网格中停车场的违停事件次数是相等的，但是聚类的时候不是按网格聚类的，因此会将不同网格下的停车场聚为一类进行比较。那么违停事件次数可作为一个重要的停车场特征，若某网格中发生的违停事件特别多，该网格中停车场却没停满，可作为停车盲点的判断依据。

步骤S3：根据所述停车场特征归集出对应每一所述停车场的第二特征集，并根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离。

从每个停车场的停车场特征中归集出第二特征集，根据该第二特征集和步骤S2中计算得到的各个停车场之间的相似系数，计算各个停车场之间的马氏距离。

第二特征集主要包括停车场的经营数据和相关地理位置信息，具体的，可以选取目标时刻剩余停车位数、车辆平均停车时长、停车位占用率以及停车位周转率等多维度统计停车场特征和出入口道路情况、与目标区域中心点的距离等关联特征作为第二特征集。因此，在一些实施例中，所述第二特征集包括所述停车场的多维度统计停车场特征和关联特征。所述多维度统计停车场特征包括从每个停车场的停车场特征中归集出第一特征集，所述关联特征包括出入口道路情况、与目标区域中心点的距离。

其中，马氏距离是一种有效计算两个未知样本集相似度的方法，可以看作是欧氏距离的一种修正，修正了欧式距离中各个维度尺度不一致且相关的问题。该方法利用了协方差数据，考虑了各变量之间的相关性，并且可以消除量纲的影响，因此无需事先对数据进行标准化或者归一化处理。具体应用时，停车场A

与停车场B

之间的马氏距离为

作为第一马氏距离，其中Σ是多维随机变量的协方差矩阵，如果协方差矩阵是单位向量，也就是各维度独立同分布，相当于马氏距离就变成了欧氏距离。也就是说，在一些实施例中，“根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离”包括：任意两个所述停车场各自所述第二特征集中的每一所述停车场特征以及该两所述停车场的所述相似系数作为各自的向量特征构成向量特征集，根据该两所述停车场各自的所述向量特征集计算该两所述停车场之间的所述第一马氏距离。

在本实施例中，将步骤S1提取到的停车场特征发挥了最大价值，为之后聚类模型夯实了数据基础。

步骤S4：使用任一聚类方法将各个所述停车场之间的所述第一马氏距离按照设定的聚类个数进行聚类得到与所述聚类个数相同数量的聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点。

选择任一聚类方法将各个停车场之间的第一马氏距离按照设定的聚类个数进行聚类，也就是将每个停车场作为离散点，根据离散点之前的第一马氏距离进行聚类，第一马氏距离相近的离散点靠得越近。也就是说，同一聚类中的停车场相似度较高，而不同聚类中的停车场相似度较小，远离每个聚类的聚类中心超过设定阈值的停车场是要进行重点识别的候选停车盲点。在本实施例中，利用聚类算法模型从客观的角度出发识别停车盲点，使识别过程有更加合理的逻辑支撑，模型的识别结果更具说服力。

具体的，聚类算法有多种，例如划分法、层次法、密度算法、目标区域算法以及模型算法等多种方法，在本实施例中采用k-means算法。k-means算法是一种一种迭代求解的聚类分析算法，其步骤是，预将停车场分为K组，则随机选取K个停车场作为初始的聚类中心，然后根据每个停车场与各个组聚类中心之间的第一马氏距离，把每个停车场分配给距离它最近的聚类中心。聚类中心以及分配给它们的停车场就代表一个聚类。每分配一个停车场，聚类的聚类中心会根据聚类中现有的停车场重新计算，这个过程将不断重复直到满足某个终止条件，终止条件可以是没有停车场被重新分配给不同的聚类，没有聚类中心再发生变化，误差平方和达到局部最小。

根据所述k-means算法进行聚类时，需要预先将停车场分为K组，而此处K值的选择是根据聚类后模型的效果来选择的，我们可以采用轮廓系数对聚类的效果进行衡量。其中，所述轮廓系数是聚类效果好坏的一种评价方式，它结合内聚度和分离度两种因素。可以用来在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。

例如，聚类完成后将所有停车场分为了A簇、B簇、C簇停车场，簇A包括100个停车场，簇B包括90个停车场，簇C包括80个停车后，计算簇A中某一个停车场i与簇A中剩余的99个停车场的马氏距离的平均值为D_i，D_i称为停车场i的簇内不相似度，然后计算停车场i与簇B中90个停车场的马氏距离的平均值为L_iB，以及停车场i与簇C中80个停车场的马氏距离的平均值为L_iC，因此，停车场i的簇间不相似度L_i为L_iB和L_iC中最小的值，也就是L_i＝min{L_iB,L_iC}，那么停车场i的轮廓系数就为：

停车场i的轮廓系数S_i越接近1，则说明停车场i的聚类结果越合理。也就是说，某簇中所有停车场的轮廓系数的均值为该簇的轮廓系数，所有簇中停车场的轮廓系数的均值为总体聚类结果的轮廓系数，是该聚类算法是否合理、是否有效的度量。但轮廓系数只能够评价聚类效果的好坏，却无法直接判断聚类准确度，轮廓系数和聚类准确度在数值上只是一种成正相关的关系，实际的聚类准确度需要根据后续T检验来判断。

步骤S5：当所述候选停车盲点的停车位占用率低于所述目标区域中所有停车场停的车位占用率的平均值时，判定所述候选停车盲点为停车盲点。

候选停车盲点的停车位占用率属于该候选停车盲点的一种停车场特征，在步骤S1中已经获取，然后计算该目标区域中所有停车场的停车位占用率的平均值作为停车位平均占用率，当候选停车盲点的停车位占用率小于该停车位平均占用率时，则判定该候选停车盲点为停车盲点。

进一步的，为了对上述利用聚类方法识别的停车盲点进行准确率分析，还采用T检验的方法进行验证。用于判断聚类后效果如何，一般用于判断聚类是否合理的会用轮廓系数和手肘法。但正如前文所述，轮廓系数只能评价聚类结果的好坏，无法准确衡量聚类的准确度。手肘法的核心思想是随着聚类数的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和所有样本的聚类误差自然会逐渐变小；但是用来衡量聚类过程中应该聚成的类别个数的，和轮廓系数一样也只能评价聚类效果的好坏。

而T检验属于参数检验，由于认为各停车场之间的马氏距离在样本量较大的情况下服从正态分布，但实际情况中样本量是较小的，所以在本实施例中采用T检验。T检验是用T分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著，一般用于小样本检验，样本来自正态总体或者近似正态总体，且总体均值已知，样本均值和样本标准差可以通过计算得到。通过利用计算得到的T统计量与规定置信度下的T分布临界值相比较，得到是否拒绝原假设的判断。

其中，利用T检验的方法是指通过判断已经被判定为停车盲点的候选停车盲点距离该目标区域内所有其他停车场的马氏距离的平均值计算得到的第二平均马氏距离，以及将该目标区域内每一停车场与其他停车场的马氏距离的平均值作为第三马氏距离，再计算所有的第三马氏距离的平均值得到的第三平均马氏距离，进行单个样本的T检验判别该候选停车盲点是否的确是停车盲点。其原理是根据大数定理，当停车场容量足够大的时候，停车场之间的马氏距离大致服从正态分布，当选取某一停车场与其他停车场的马氏距离时候，由于目标区域内停车场的数量较少，所以利用T检验来判别上述第二平均马氏距离和第三平均马氏距离是否存在显著差异。T检验统计量为：

为第二平均马氏距离，μ为第三平均马氏距离，S为该候选停车盲点与其他停车场的马氏距离的标准差，n为除该候选停车盲点之外的目标区域内的停车场数量，也就是说，其自由度n为目标区域内的停车场数量减1，查询相应的T分布界值表，将计算得到的T检验统计量值同规定精度下的临界值比较，或者计算其P值，以此来判断是否拒绝原假设，如果T检验统计量超出该临界值或者P值小于设定阈值，则拒绝原假设，将候选停车盲点判定为停车盲点是错误的，反之则表示将候选停车盲点判定为停车盲点是正确的。计算所有被判定为停车盲点的候选停车盲点的T检验统计量，从而计算出使用的聚类方法的聚类准确度。其中，P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。P值就是当原假设为真时，比所得到的样本观察结果更极端的结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，根据小概率原理，就有理由拒绝原假设，P值越小，拒绝原假设的理由越充分。

因此，在一些实施例中，在“判定所述候选停车盲点为停车盲点”后，包括步骤：计算所述候选停车盲点与所述目标区域内其他所有停车场的马氏距离的平均值得到第二平均马氏距离；将所述目标区域内每一停车场与其他所有停车场的马氏距离的平均值作为第三马氏距离，计算所有所述第三马氏距离的平均值得到第三平均马氏距离；计算所述候选停车盲点与所述目标区域内其他所有停车场的马氏距离的标准差；根据所述第二平均马氏距离、所述第三平均马氏距离、所述标准差以及所述目标区域内除所述候选停车盲点之外的停车场数量，计算T检验统计量；查询T分布界值表，将所述T检验统计量与同规定精度下的临界值比较或计算P值，判断将所述候选停车盲点判定为停车盲点是否正确。具体的，本实施例中提到的所有马氏距离都可以是第一马氏距离。

如果根据T检验统计量与同规定精度下的临界值比较或者P值，表示将候选停车盲点判定为停车盲点是不正确判断，反之则表示为正确判断，对所有被判定为停车盲点的候选停车盲点都计算出对应的T检验统计量，再根据正确判断的数量和被判定为停车盲点的所述候选停车盲点的数量计算出该聚类方法的准确度，判断是否达到预计要求，若没有达到，可以重新选择另外的聚类方法和/或另外的聚类个数并重新执行步骤S4，得到一个或多个新的候选停车盲点，若达到要求，则输出最终识别的停车盲点。因此，在一些实施例中，若所述识别准确度没有达到识别阈值，则改变“根据各个所述停车场之间的所述第一马氏距离进行聚类得到至少一聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点”中的所述聚类方法和/或所述聚类个数并重新执行得到新的候选停车盲点，若所述识别准确度达到识别阈值，则输出所述候选停车盲点为停车盲点。

进一步的，在输出停车盲点后，需要根据聚类的情况寻找该停车场盲点的原因，并为监管运营部门提供一定建议。若该停车场在其余指标上与其他停车场表现一致，但是在停车场出入口设置上为支路，或者该停车场距离目标区域中心距离较远，则可能是地理位置的原因导致的停车场经营较差，考虑设置引导牌或者线上推荐等方法进行引流；若该停车场在其余指标上与其他停车场表现一致，但是在停车收费标准上表现不好，则可能是收费标准不合理导致的，可以考虑更改收费标准等。

实施例二

基于相同的构思，本实施例还提供了一种停车盲点识别装置，用于实现实施例一中所描述的停车盲点识别方法，具体参考图2，图2是根据本申请实施例的停车盲点识别装置的结构框图，如图2所示，该装置包括：

获取模块，用于获取目标区域内每一停车场的停车场特征；

第一计算模块，用于根据所述停车场特征归集出对应每一所述停车场的第一特征集，并根据所述第一特征集计算各个所述停车场之间的相似系数；

第二计算模块，用于根据所述停车场特征归集出对应每一所述停车场的第二特征集，并根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离；

聚类模块，用于使用任一聚类方法将各个所述停车场之间的所述第一马氏距离按照设定的聚类个数进行聚类得到与所述聚类个数相同数量的聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点；

识别模块，用于当所述候选停车盲点的停车位占用率低于所述目标区域的平均停车位占用率时，判定所述候选停车盲点为停车盲点。

实施例三

本实施例还提供了一种电子装置，参考图3，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述实施例一中的任意一种停车盲点识别方法的步骤。

具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(Solid State Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(Random Access Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable Programmable Read-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable Programmable Read-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-Only Memory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random AccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(Fast PageMode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic Random Access Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。

处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种停车盲点识别方法。

可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。

传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是当前数据表例如疫情流调文档、停车场特征数据、模板表等，输出的信息可以是停车场特征指纹、指纹模板、文本分类推荐信息、文件模板配置映射表、文件模板配置信息表等。

可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：

获取目标区域内每一停车场的停车场特征，所述停车场特征包括平均停车位占用率；

根据所述停车场特征归集出对应每一所述停车场的第一特征集，并根据所述第一特征集计算各个所述停车场之间的相似系数；

根据所述停车场特征归集出对应每一所述停车场的第二特征集，并根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离；

使用任一聚类方法将各个所述停车场之间的所述第一马氏距离按照设定的聚类个数进行聚类得到与所述聚类个数相同数量的聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点；

当所述候选停车盲点的停车位占用率低于所述目标区域中所有停车场停的车位占用率的平均值时，判定所述候选停车盲点为停车盲点。需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

另外，结合上述实施例一中的任意一种停车盲点识别方法，本申请实施例可一种计算机程序产品来实现。该计算机程序产品该计算机程序产品包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行实现上述实施例一中的任意一种停车盲点识别方法。

并且，结合上述实施例一中的任意一种停车盲点识别方法，本申请实施例可提供一种可读存储介质来实现。该可读存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例一中的任意一种停车盲点识别方法。

通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。

本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。

本领域的技术人员应该明白，以上实施例的各技术停车场特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术停车场特征所有可能的组合都进行描述，然而，只要这些技术停车场特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (16)

1.停车盲点识别方法，其特征在于，包括以下步骤：

获取目标区域内每一停车场的停车场特征，所述停车场特征包括平均停车位占用率；

根据所述停车场特征归集出对应每一所述停车场的第一特征集，并根据所述第一特征集计算各个所述停车场之间的相似系数；

根据所述停车场特征归集出对应每一所述停车场的第二特征集，并根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离；

使用任一聚类方法将各个所述停车场之间的所述第一马氏距离按照设定的聚类个数进行聚类得到与所述聚类个数相同数量的聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点；

当所述候选停车盲点的停车位占用率低于所述目标区域中所有停车场停的车位占用率的平均值时，判定所述候选停车盲点为停车盲点。

2.根据权利要求1所述的停车盲点识别方法，其特征在于，在“判定所述候选停车盲点为停车盲点”后，包括步骤：计算所述候选停车盲点与所述目标区域内其他所有停车场的马氏距离的平均值得到第二平均马氏距离；将所述目标区域内每一停车场与其他所有停车场的马氏距离的平均值作为第三马氏距离，计算所有所述第三马氏距离的平均值得到第三平均马氏距离；计算所述候选停车盲点与所述目标区域内其他所有停车场的马氏距离的标准差；根据所述第二平均马氏距离、所述第三平均马氏距离、所述标准差以及所述目标区域内除所述候选停车盲点之外的停车场数量，计算T检验统计量；查询T分布界值表，将所述T检验统计量与同规定精度下的临界值比较或计算P值，如果所述T检验统计量小于所述临界值或者所述P值不小于设定阈值，则判断将所述候选停车盲点判定为停车盲点是正确判断。

3.根据权利要求2所述的停车盲点识别方法，其特征在于，计算所有被判定为停车盲点的所述候选停车盲点的T检验统计量，根据所述正确判断的数量和被判定为停车盲点的所述候选停车盲点的数量计算识别准确度。

4.根据权利要求3所述的停车盲点识别方法，其特征在于，若所述识别准确度没有达到识别阈值，则改变“根据各个所述停车场之间的所述第一马氏距离进行聚类得到至少一聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点”中的所述聚类方法和/或所述聚类个数并重新执行得到新的候选停车盲点，若所述识别准确度达到识别阈值，则输出所述候选停车盲点为停车盲点。

5.根据权利要求1所述的停车盲点识别方法，其特征在于，所述第二马氏距离和所述第三马氏距离的计算方式与所述第一马氏距离相同。

6.根据权利要求1所述的停车盲点识别方法，其特征在于，任意两个所述停车场分别作为第一停车场和第二停车场，所述第一停车场和所述第二停车场之间的所述相似系数为：所述第一停车场的所述第一特征集中每一停车场特征作为第一特征，所述第二停车场的所述第一特征集中每一停车场特征作为第二特征，将含义相同的所述第一特征和所述第二特征进行异或运算得到对应所述第一特征集中每一停车场特征的特征相似度，将所有所述特征相似度相加再除以所述特征相似度的个数得到所述相似系数。

7.根据权利要求1所述的停车盲点识别方法，其特征在于，“根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离”包括：任意两个所述停车场各自所述第二特征集中的每一所述停车场特征以及该两所述停车场的所述相似系数作为各自的向量特征构成向量特征集，根据所述向量特征集计算两所述停车场之间的所述第一马氏距离。

8.根据权利要求1所述的停车盲点识别方法，其特征在于，“获取目标区域内每一停车场的停车场特征”包括：选定目标区域，根据所述目标区域中每个停车场的普查数据和历史记录提取对应每一所述停车场的停车场特征。

9.根据权利要求8所述的停车盲点识别方法，其特征在于，所述历史记录包括所述停车场的历史停车信息记录、总停车位数、每日剩余停车位数，根据所述历史记录计算所述停车场的目标时刻剩余停车位数、车辆平均停车时长、停车位占用率以及停车位周转率作为提取的所述停车场特征。

10.根据权利要求8所述的停车盲点识别方法，其特征在于，根据所述普查数据提取的所述停车场特征至少包括停车场类型、停车模式、停车位置、定价类型、收费标准、是否配备智能系统、停车场所在地理位置、配建类型、建筑类型以及出入口所在地理位置的基础特征，和出入口道路情况、与目标区域中心点的距离的关联特征。

11.根据权利要求1所述的停车盲点识别方法，其特征在于，所述第一特征集包括所述停车场的停车场类型、停车位置、配建类型、建筑类型以及定价类型。

12.根据权利要求1所述的停车盲点识别方法，其特征在于，所述第二特征集包括所述停车场的目标时刻剩余停车位数、车辆平均停车时长、停车位占用率以及停车位周转率、出入口道路情况、与目标区域中心点的距离。

13.停车盲点识别装置，其特征在于，包括以下模块：

获取模块，用于获取目标区域内每一停车场的停车场特征；

第一计算模块，用于根据所述停车场特征归集出对应每一所述停车场的第一特征集，并根据所述第一特征集计算各个所述停车场之间的相似系数；

第二计算模块，用于根据所述停车场特征归集出对应每一所述停车场的第二特征集，并根据所述第二特征集和各个所述停车场之间的所述相似系数计算各个所述停车场之间的第一马氏距离；

聚类模块，用于使用任一聚类方法将各个所述停车场之间的所述第一马氏距离按照设定的聚类个数进行聚类得到与所述聚类个数相同数量的聚类中心，将远离所述聚类中心超过设定阈值的停车场作为候选停车盲点；

识别模块，用于当所述候选停车盲点的停车位占用率低于所述目标区域中所有停车场停的车位占用率的平均值时，判定所述候选停车盲点为停车盲点。

14.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至12任一所述的停车盲点识别方法。

15.一种计算机程序产品，其特征在于，包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行根据权利要求1至12任一项所述的停车盲点识别方法。

16.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至12任一项所述的停车盲点识别方法。

Images