CN115019509A - 基于两阶段注意力lstm的停车场空余车位预测方法及系统 - Google Patents

基于两阶段注意力lstm的停车场空余车位预测方法及系统 Download PDF

Info

Publication number
CN115019509A
CN115019509A CN202210712726.2A CN202210712726A CN115019509A CN 115019509 A CN115019509 A CN 115019509A CN 202210712726 A CN202210712726 A CN 202210712726A CN 115019509 A CN115019509 A CN 115019509A
Authority
CN
China
Prior art keywords
parking lot
parking
vacant
attention
model
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
CN202210712726.2A
Other languages
English (en)
Other versions
CN115019509B (zh
Inventor
赵生捷
李冰
张恒畅
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202210712726.2A priority Critical patent/CN115019509B/zh
Publication of CN115019509A publication Critical patent/CN115019509A/zh
Application granted granted Critical
Publication of CN115019509B publication Critical patent/CN115019509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于两阶段注意力LSTM的停车场空余车位预测方法，包括以下步骤：获取当前停车场的历史数据；对历史数据进行预处理得到特征数据；建立停车场空余车位预测模型，包括基于两阶段注意力机制的修正模型、LSTM模型和Dense层，其中，基于两阶段注意力机制的修正模型的权重参数包括特征注意力权重和时序注意力权重；将特征数据作为模型的输入，停车场空余车位、车辆驶入、驶出数量作为模型的输出，对模型进行训练；更新历史数据，并基于更新后的历史数据进行模型的更新训练；获取用户的查询请求；响应用户的查询请求，调用训练完成的模型得到预测结果并返回所述预测结果。与现有技术相比，本发明具有预测准确性高等优点。

Description

基于两阶段注意力LSTM的停车场空余车位预测方法及系统
技术领域
本发明涉及停车场空余车位预测领域，尤其是涉及一种基于两阶段注意力LSTM的停车场空余车位预测方法及系统。
背景技术
随着社会经济的不断发展，居民拥有的车辆数量大幅增加，因而停车需求也日益迫切。尤其是在节假日等出行高峰期，准确的对停车场空余车位进行预测并将预测信息反馈给用户不仅可以快速的帮助用户找到合适的车位，减少用户的等待时间，提高用户出行体验，还可以缓解交通拥堵。
影响停车场空余车位的因素比较多，例如：时间、天气、是否为节假日、车流量等，因而要想提高预测准确性较为困难。CN 113223291 A公开了一种基于时间序列分析的停车场空闲车位数量预测方法，采用Holt-Winters模型或者ARIMA模型，在预测模型中加入历史数据，在考虑停车场车辆进出情况的季节性特征的情况下进行车位空闲数据预测，能够预测较长一段时间内停车场空闲车位数量在未来较长一段时间的变化。但是，该方法的数据来源只考虑了单一停车场的空余车位数量和季节性影响因素，没有考虑同一区域内多个停车场之间的相互影响以及其他的影响因素，同时，也没有考虑不同影响因素对预测结果准确性的影响程度，导致预测准确性不高。
发明内容
本发明的目的就是为了提供一种基于两阶段注意力LSTM的停车场空余车位预测方法及系统，提高预测准确性。
本发明的目的可以通过以下技术方案来实现：
一种基于两阶段注意力LSTM的停车场空余车位预测方法，包括以下步骤：
获取按照预配置的采样间隔采集到的当前停车场的历史数据，其中，所述历史数据包括停车场空余车位、日期、时间、当前采样间隔内车辆驶入、驶出数量；
对历史数据进行预处理得到特征数据；
建立停车场空余车位预测模型，所述停车场空余车位预测模型包括基于两阶段注意力机制的修正模型、LSTM模型和Dense层，其中，所述基于两阶段注意力机制的修正模型的权重参数包括特征注意力权重和时序注意力权重；
将特征数据作为模型的输入，停车场空余车位、车辆驶入、驶出数量作为模型的输出，对停车场空余车位预测模型进行训练；
基于预配置的时间间隔更新历史数据，并基于更新后的历史数据进行停车场空余车位预测模型的更新训练；
获取用户的查询请求；
响应用户的查询请求，调用训练完成的停车场空余车位预测模型得到预测结果并返回所述预测结果。
所述预配置的采样间隔为10分钟。
所述历史数据还包括节假日标志、停车位空闲率、平均停车时长、天气状况、当前停车场周围预配置范围内空余车位数量。
所述对历史数据进行预处理包括：对日期和时间数据进行one-hot编码，并基于word2vec对其进行特征提取得到日期和时间的特征数据；对其余历史数据进行归一化处理得到其余特征数据。
所述基于两阶段注意力机制的修正模型基于两阶段注意力机制对特征数据进行修正，包括以下步骤：
步骤1)以
Figure BDA0003707463390000021
表示第i个时间步的所有特征数据，特征矩阵X的第i行为
Figure BDA0003707463390000022
则：
XT＝[a1,a2,…,ai,…,at]
步骤2)基于
Figure BDA0003707463390000023
求解第一Query矩阵QA，其中，
Figure BDA0003707463390000024
为第一可变参数，基于训练过程得到；
步骤3)基于
Figure BDA0003707463390000025
求解第一Key矩阵KA，其中，
Figure BDA0003707463390000026
为第二可变参数，基于训练过程得到；
步骤4)基于
Figure BDA0003707463390000027
求解第一Score矩阵A；
步骤5)将A按列进行softmax归一化得到特征注意力权重矩阵
Figure BDA0003707463390000028
Figure BDA0003707463390000029
步骤6)将特征注意力权重矩阵
Figure BDA00037074633900000210
与XT相乘得到经过特征注意力机制处理后的结果
Figure BDA0003707463390000031
Figure BDA0003707463390000032
其中，
Figure BDA0003707463390000033
为第三可变参数，基于训练过程得到；
Figure BDA0003707463390000034
的第j列bj即为经过特征注意力机制处理后第j个输入特征在所有时间步的取值，
Figure BDA0003707463390000035
步骤7)基于
Figure BDA0003707463390000036
求解第二Query矩阵QB，其中，
Figure BDA0003707463390000037
为第四可变参数，基于训练过程得到；
步骤8)基于
Figure BDA0003707463390000038
求解第二Key矩阵KB，其中，
Figure BDA0003707463390000039
为第五可变参数，基于训练过程得到；
步骤9)基于
Figure BDA00037074633900000310
求解第二Score矩阵B；
步骤10)将B按列进行softmax归一化得到时序注意力权重矩阵
Figure BDA00037074633900000311
Figure BDA00037074633900000312
步骤11)将时序注意力权重矩阵
Figure BDA00037074633900000313
与
Figure BDA00037074633900000314
相乘得到经过时序注意力机制处理后的修正结果Y：
Figure BDA00037074633900000315
其中，
Figure BDA00037074633900000316
为第六可变参数，基于训练过程得到。
一种基于两阶段注意力LSTM的停车场空余车位预测系统，包括：
停车场信息上传模块，所述停车场信息上传模块用于上传停车场位置信息、车位数量、收费标准以及停车场空余车位信息；
后台数据集成处理模块，所述后台数据集成处理模块用于管理系统后台数据库，存储停车场信息；监测停车场活跃情况；为停车场信息上传模块、面向用户的查询展示模块提供数据存取接口；为基于两阶段注意力LSTM的停车场空余车位预测模块提供数据支持，存储其输出的预测结果；
基于两阶段注意力LSTM的停车场空余车位预测模块，所述基于两阶段注意力LSTM的停车场空余车位预测模块执行以下步骤：
获取按照预配置的采样间隔采集到的当前停车场的历史数据，其中，所述历史数据包括停车场空余车位、日期、时间、当前采样间隔内车辆驶入、驶出数量，
对历史数据进行预处理得到特征数据，
建立停车场空余车位预测模型，所述停车场空余车位预测模型包括基于两阶段注意力机制的修正模型、LSTM模型和Dense层，其中，所述基于两阶段注意力机制的修正模型的权重参数包括特征注意力权重和时序注意力权重，
将特征数据作为模型的输入，停车场空余车位、车辆驶入、驶出数量作为模型的输出，对停车场空余车位预测模型进行训练，
基于预配置的时间间隔更新历史数据，并基于更新后的历史数据进行停车场空余车位预测模型的更新训练，
获取用户的查询请求，
响应用户的查询请求，调用训练完成的停车场空余车位预测模型得到预测结果并返回所述预测结果；
面向用户的查询展示模块，所述面向用户的查询展示模块用于向用户展示附近停车场预测空余车位数量和预测车辆进出流量。
所述预配置的采样间隔为10分钟。
所述历史数据还包括节假日标志、停车位空闲率、平均停车时长、天气状况、当前停车场周围预配置范围内空余车位数量。
所述对历史数据进行预处理包括：对日期和时间数据进行one-hot编码，并基于word2vec对其进行特征提取得到日期和时间的特征数据；对其余历史数据进行归一化处理得到其余特征数据。
所述基于两阶段注意力机制的修正模型基于两阶段注意力机制对特征数据进行修正，包括以下步骤：
步骤1)以
Figure BDA0003707463390000041
表示第i个时间步的所有特征数据，特征矩阵X的第i行为
Figure BDA0003707463390000042
则：
XT＝[a1,a2,…,ai,…,at]
步骤2)基于
Figure BDA0003707463390000043
求解第一Query矩阵QA，其中，
Figure BDA0003707463390000044
为第一可变参数，基于训练过程得到；
步骤3)基于
Figure BDA0003707463390000045
求解第一Key矩阵KA，其中，
Figure BDA0003707463390000046
为第二可变参数，基于训练过程得到；
步骤4)基于
Figure BDA0003707463390000047
求解第一Score矩阵A；
步骤5)将A按列进行softmax归一化得到特征注意力权重矩阵
Figure BDA0003707463390000048
Figure BDA0003707463390000049
步骤6)将特征注意力权重矩阵
Figure BDA00037074633900000410
与XT相乘得到经过特征注意力机制处理后的结果
Figure BDA00037074633900000411
Figure BDA00037074633900000412
其中，
Figure BDA00037074633900000413
为第三可变参数，基于训练过程得到；
Figure BDA00037074633900000414
的第j列bj即为经过特征注意力机制处理后第j个输入特征在所有时间步的取值，
Figure BDA0003707463390000051
步骤7)基于
Figure BDA0003707463390000052
求解第二Query矩阵QB，其中，
Figure BDA0003707463390000053
为第四可变参数，基于训练过程得到；
步骤8)基于
Figure BDA0003707463390000054
求解第二Key矩阵KB，其中，
Figure BDA0003707463390000055
为第五可变参数，基于训练过程得到；
步骤9)基于
Figure BDA0003707463390000056
求解第二Score矩阵B；
步骤10)将B按列进行softmax归一化得到时序注意力权重矩阵
Figure BDA0003707463390000057
Figure BDA0003707463390000058
步骤11)将时序注意力权重矩阵
Figure BDA0003707463390000059
与
Figure BDA00037074633900000510
相乘得到经过时序注意力机制处理后的修正结果Y：
Figure BDA00037074633900000511
其中，
Figure BDA00037074633900000512
为第六可变参数，基于训练过程得到。
与现有技术相比，本发明具有以下有益效果：
(1)本发明基于两阶段注意力机制，引入特征注意力机制以自动关注有价值的影响因素，降低对预测结果影响程度低的参数权重，引入时序注意力突出特殊日期及时间段对预测结果影响的重要性，提高预测准确性。
(2)本发明采集的数据不仅包括停车场本身的数据，同时还包括周围停车场的空余车位数据，综合考虑一个区域范围内的停车场空余车位变化情况，能够更好的预测本停车场的未来空位情况。
附图说明
图1为本发明的方法流程图；
图2为本发明的停车场空余车位预测模型的网络结构图；
图3为本发明的系统结构示意图；
图4为本发明实施例的预测空余车位展示示意图；
图5为本发明实施例的预测车辆进出流量展示示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种基于两阶段注意力LSTM的停车场空余车位预测系统，如图3所示，包括：
(1)停车场信息上传模块
停车场信息上传模块由停车场管理员使用，首次使用可以注册停车场信息，包括停车场位置信息、车位数量、收费标准等；注册成功后，可以按时向系统上报实时空余车位数量。空余车位上报的模式包括：(1)定时上报，按规定的时间间隔，上报空余车位数量；2)事件触发上报，如果有新的车辆入场或出场，即进行一次空余车位数量上报；3)混合上报，在上述两种情况下均进行信息上报。因此，停车场上传信息类型分为三种：空余车位数量信息、车辆进出场信息、混合上报信息。上述信息按照系统规定格式向指定端口上传，例如，使用json上传空余车位数量信息格式示例如下：
Figure BDA0003707463390000061
其中，type字段为vacant代表上传的信息为空余车位数量类型；id为该停车场的唯一标记符，注册时由系统分配；time字段代表时间戳；num_vacant代表空余车位数量。如上述示例代表在220108160723时刻有57个空余车位。
使用json上传车辆进出信息格式示例如下：
Figure BDA0003707463390000062
其中，type字段为car_event代表上传的信息为车辆进出场信息；id为该停车场的唯一标记符，注册时由系统分配；time字段代表时间戳；event_type字段代表进场或出场。如上述示例代表在220108160821时刻有一辆车进场。
使用json上传混合上报信息格式示例如下：
Figure BDA0003707463390000063
其中，type字段为mix代表上传的信息为混合上报信息；id为该停车场的唯一标记符，注册时由系统分配；time字段代表时间戳；event_type字段代表进场或出场，num_vacant代表空余车位数量。如上述示例代表在220108161830时刻有一辆车进场，当前时刻的空余车位数量为48。
(2)后台数据集成处理模块
后台数据集成处理模块用于管理系统后台数据库，存储停车场基本注册信息、当前空余车位信息、历史车位上报记录；监测停车场活跃情况，对一段时间没有上报车位信息的停车场发送查询请求；给停车场信息上传模块、面向用户的查询展示模块提供数据存取接口；为基于两阶段注意力LSTM的停车场空余车位预测模块提供数据支持，存储其输出的预测结果。
使用关系型数据库保存停车场静态信息，例如停车场名称、地址、车位数量、收费标准等，以及当前空余车位数量信息，另外还需要保存停车场空余车位预测模块输出的预测空余车位信息以及进出场流量数据。
使用分布式的存储系统，如Hadoop，保存停车场实时上传的空余车位信息以及车辆进出场信息。
使用Spring Boot框架开发数据存取API，并采用分布式部署，提高数据存取效率，避免高并发带来系统延迟。
(3)基于两阶段注意力LSTM的停车场空余车位预测模块
所述基于两阶段注意力LSTM的停车场空余车位预测模块执行以下步骤，如图1所示：
获取按照10分钟的采样间隔采集到的当前停车场的历史数据，其中，所述历史数据存储在后台数据集成处理模块中，包括停车场空余车位、日期、时间、当前采样间隔内车辆驶入、驶出数量节假日标志、停车位空闲率、平均停车时长、天气状况、当前停车场周围预配置范围内空余车位数量。
某停车场在时刻i的空余车位数量记为xi，其他相关因素记为yi，yi＝[DNSi,MINSi,HDi,AVARi,AVGTi,WTRi,NBRi,INi,OUTi]，其中，DNSi为日期，MINSi为时间，HDi为节假日标识(以0或1标记)，AVARi为停车位空闲率，AVGTi为平均停车时长，WTRi为天气状况(以6小时降水量代表)，NBRi为当前停车场1km范围内空余车位数量(包含当前停车场的空余车位数量)，INi为该时间间隔内车辆驶入数量，OUTi为该时间间隔内车辆驶出数量。DNS反映了季节因素，MINS反映了时间因素。
为了避免数据跳变，对日期和时间数据进行one-hot编码，并基于word2vec对其进行特征提取得到日期和时间的特征数据；对其余历史数据进行归一化处理得到其余特征数据。将经过处理后的参数记为
Figure BDA0003707463390000081
设特征矩阵为X∈Rt×n，则有
Figure BDA0003707463390000082
其中t代表输入时间步数量，n代表输特征个数。
建立停车场空余车位预测模型，所述停车场空余车位预测模型包括基于两阶段注意力机制的修正模型、LSTM模型和Dense层。不同的输入特征对于可用停车位的影响不同，但是又难以通过人为筛选来决定特征的取舍；同时，输入的时间序列较长，但是不同阶段的数据对于预测的重要程度也不相同，例如预测节假日的可用车位就要重点关注历史数据中节假日的可用车位情况。因此，在停车场空余车位预测模型中使用两阶段注意力机制来获取各个特征的影响权重，并关注重点时间段的数据特征，从而提高预测精度。
基于两阶段注意力机制的修正模型基于特征注意力和时序注意力对特征数据进行修正，包括以下步骤：
步骤1)以
Figure BDA0003707463390000083
表示第i个时间步的所有特征数据，特征矩阵X的第i行为
Figure BDA0003707463390000084
则：
XT＝[a1,a2,…,ai,…,at]
步骤2)基于
Figure BDA0003707463390000085
求解第一Query矩阵QA，其中，
Figure BDA0003707463390000086
为第一可变参数，基于训练过程得到；
步骤3)基于
Figure BDA0003707463390000087
求解第一Key矩阵KA，其中，
Figure BDA0003707463390000088
为第二可变参数，基于训练过程得到；
步骤4)基于
Figure BDA0003707463390000089
求解第一Score矩阵A；
步骤5)将A按列进行softmax归一化得到特征注意力权重矩阵
Figure BDA00037074633900000810
Figure BDA00037074633900000811
步骤6)将特征注意力权重矩阵
Figure BDA00037074633900000812
与XT相乘得到经过特征注意力机制处理后的结果
Figure BDA00037074633900000813
Figure BDA00037074633900000814
其中，
Figure BDA00037074633900000815
为第三可变参数，基于训练过程得到；
Figure BDA00037074633900000816
的第j列bj即为经过特征注意力机制处理后第j个输入特征在所有时间步的取值，
Figure BDA00037074633900000817
步骤7)基于
Figure BDA00037074633900000818
求解第二Query矩阵QB，其中，
Figure BDA00037074633900000819
为第四可变参数，基于训练过程得到；
步骤8)基于
Figure BDA0003707463390000091
求解第二Key矩阵KB，其中，
Figure BDA0003707463390000092
为第五可变参数，基于训练过程得到；
步骤9)基于
Figure BDA0003707463390000093
求解第二Score矩阵B；
步骤10)将B按列进行softmax归一化得到时序注意力权重矩阵
Figure BDA0003707463390000094
Figure BDA0003707463390000095
步骤11)将时序注意力权重矩阵
Figure BDA0003707463390000096
与
Figure BDA0003707463390000097
相乘得到经过时序注意力机制处理后的修正结果Y：
Figure BDA0003707463390000098
其中，
Figure BDA0003707463390000099
为第六可变参数，基于训练过程得到。
将特征数据作为模型的输入，停车场空余车位、车辆驶入、驶出数量作为模型的输出，对停车场空余车位预测模型进行训练。
每隔6小时更新历史数据，并基于更新后的历史数据进行停车场空余车位预测模型的更新训练。
获取用户的查询请求并响应用户的查询请求，调用训练完成的停车场空余车位预测模型得到预测结果并返回所述预测结果。
(4)面向用户的查询展示模块
面向用户的查询展示模块用于向用户展示附近停车场预测空余车位数量和预测车辆进出流量。用户通过点击感兴趣的停车场可以查看该停车场的空余车位及车辆进出流量分析与预测，如图4和图5所示。该模块可以通过APP、小程序等方式实现。

Claims (10)

1.一种基于两阶段注意力LSTM的停车场空余车位预测方法，其特征在于，包括以下步骤：
获取按照预配置的采样间隔采集到的当前停车场的历史数据，其中，所述历史数据包括停车场空余车位、日期、时间、当前采样间隔内车辆驶入、驶出数量；
对历史数据进行预处理得到特征数据；
建立停车场空余车位预测模型，所述停车场空余车位预测模型包括基于两阶段注意力机制的修正模型、LSTM模型和Dense层，其中，所述基于两阶段注意力机制的修正模型的权重参数包括特征注意力权重和时序注意力权重；
将特征数据作为模型的输入，停车场空余车位、车辆驶入、驶出数量作为模型的输出，对停车场空余车位预测模型进行训练；
基于预配置的时间间隔更新历史数据，并基于更新后的历史数据进行停车场空余车位预测模型的更新训练；
获取用户的查询请求；
响应用户的查询请求，调用训练完成的停车场空余车位预测模型得到预测结果并返回所述预测结果。
2.根据权利要求1所述的一种基于两阶段注意力LSTM的停车场空余车位预测方法，其特征在于，所述预配置的采样间隔为10分钟。
3.根据权利要求1所述的一种基于两阶段注意力LSTM的停车场空余车位预测方法，其特征在于，所述历史数据还包括节假日标志、停车位空闲率、平均停车时长、天气状况、当前停车场周围预配置范围内空余车位数量。
4.根据权利要求1所述的一种基于两阶段注意力LSTM的停车场空余车位预测方法，其特征在于，所述对历史数据进行预处理包括：对日期和时间数据进行one-hot编码，并基于word2vec对其进行特征提取得到日期和时间的特征数据；对其余历史数据进行归一化处理得到其余特征数据。
5.根据权利要求1所述的一种基于两阶段注意力LSTM的停车场空余车位预测方法，其特征在于，所述基于两阶段注意力机制的修正模型基于两阶段注意力机制对特征数据进行修正，包括以下步骤：
步骤1)以
Figure FDA0003707463380000021
表示第i个时间步的所有特征数据，特征矩阵X的第i行为
Figure FDA0003707463380000022
则：
XT＝[a1,a2,…,ai,…,at]
步骤2)基于
Figure FDA0003707463380000023
求解第一Query矩阵QA，其中，
Figure FDA0003707463380000024
为第一可变参数，基于训练过程得到；
步骤3)基于
Figure FDA0003707463380000025
求解第一Key矩阵KA，其中，
Figure FDA0003707463380000026
为第二可变参数，基于训练过程得到；
步骤4)基于
Figure FDA0003707463380000027
求解第一Score矩阵A；
步骤5)将A按列进行softmax归一化得到特征注意力权重矩阵
Figure FDA0003707463380000028
Figure FDA0003707463380000029
步骤6)将特征注意力权重矩阵
Figure FDA00037074633800000210
与XT相乘得到经过特征注意力机制处理后的结果
Figure FDA00037074633800000211
Figure FDA00037074633800000212
其中，
Figure FDA00037074633800000213
为第三可变参数，基于训练过程得到；
Figure FDA00037074633800000214
的第j列bj即为经过特征注意力机制处理后第j个输入特征在所有时间步的取值，
Figure FDA00037074633800000215
步骤7)基于
Figure FDA00037074633800000216
求解第二Query矩阵QB，其中，
Figure FDA00037074633800000217
为第四可变参数，基于训练过程得到；
步骤8)基于
Figure FDA00037074633800000218
求解第二Key矩阵KB，其中，
Figure FDA00037074633800000219
为第五可变参数，基于训练过程得到；
步骤9)基于
Figure FDA00037074633800000220
求解第二Score矩阵B；
步骤10)将B按列进行softmax归一化得到时序注意力权重矩阵
Figure FDA00037074633800000221
Figure FDA00037074633800000222
步骤11)将时序注意力权重矩阵
Figure FDA00037074633800000223
与
Figure FDA00037074633800000224
相乘得到经过时序注意力机制处理后的修正结果Y：
Figure FDA00037074633800000225
其中，
Figure FDA00037074633800000226
为第六可变参数，基于训练过程得到。
6.一种基于两阶段注意力LSTM的停车场空余车位预测系统，其特征在于，包括：
停车场信息上传模块，所述停车场信息上传模块用于上传停车场位置信息、车位数量、收费标准以及停车场空余车位信息；
后台数据集成处理模块，所述后台数据集成处理模块用于管理系统后台数据库，存储停车场信息；监测停车场活跃情况；为停车场信息上传模块、面向用户的查询展示模块提供数据存取接口；为基于两阶段注意力LSTM的停车场空余车位预测模块提供数据支持，存储其输出的预测结果；
基于两阶段注意力LSTM的停车场空余车位预测模块，所述基于两阶段注意力LSTM的停车场空余车位预测模块执行以下步骤：
获取按照预配置的采样间隔采集到的当前停车场的历史数据，其中，所述历史数据包括停车场空余车位、日期、时间、当前采样间隔内车辆驶入、驶出数量，
对历史数据进行预处理得到特征数据，
建立停车场空余车位预测模型，所述停车场空余车位预测模型包括基于两阶段注意力机制的修正模型、LSTM模型和Dense层，其中，所述基于两阶段注意力机制的修正模型的权重参数包括特征注意力权重和时序注意力权重，
将特征数据作为模型的输入，停车场空余车位、车辆驶入、驶出数量作为模型的输出，对停车场空余车位预测模型进行训练，
基于预配置的时间间隔更新历史数据，并基于更新后的历史数据进行停车场空余车位预测模型的更新训练，
获取用户的查询请求，
响应用户的查询请求，调用训练完成的停车场空余车位预测模型得到预测结果并返回所述预测结果；
面向用户的查询展示模块，所述面向用户的查询展示模块用于向用户展示附近停车场预测空余车位数量和预测车辆进出流量。
7.根据权利要求6所述的一种基于两阶段注意力LSTM的停车场空余车位预测系统，其特征在于，所述预配置的采样间隔为10分钟。
8.根据权利要求6所述的一种基于两阶段注意力LSTM的停车场空余车位预测系统，其特征在于，所述历史数据还包括节假日标志、停车位空闲率、平均停车时长、天气状况、当前停车场周围预配置范围内空余车位数量。
9.根据权利要求6所述的一种基于两阶段注意力LSTM的停车场空余车位预测系统，其特征在于，所述对历史数据进行预处理包括：对日期和时间数据进行one-hot编码，并基于word2vec对其进行特征提取得到日期和时间的特征数据；对其余历史数据进行归一化处理得到其余特征数据。
10.根据权利要求6所述的一种基于两阶段注意力LSTM的停车场空余车位预测系统，其特征在于，所述基于两阶段注意力机制的修正模型基于两阶段注意力机制对特征数据进行修正，包括以下步骤：
步骤1)以
Figure FDA0003707463380000041
表示第i个时间步的所有特征数据，特征矩阵X的第i行为
Figure FDA0003707463380000042
则：
XT＝[a1,a2,…,ai,…,at]
步骤2)基于
Figure FDA0003707463380000043
求解第一Query矩阵QA，其中，
Figure FDA0003707463380000044
为第一可变参数，基于训练过程得到；
步骤3)基于
Figure FDA0003707463380000045
求解第一Key矩阵KA，其中，
Figure FDA0003707463380000046
为第二可变参数，基于训练过程得到；
步骤4)基于
Figure FDA0003707463380000047
求解第一Score矩阵A；
步骤5)将A按列进行softmax归一化得到特征注意力权重矩阵
Figure FDA0003707463380000048
Figure FDA0003707463380000049
步骤6)将特征注意力权重矩阵
Figure FDA00037074633800000410
与XT相乘得到经过特征注意力机制处理后的结果
Figure FDA00037074633800000411
Figure FDA00037074633800000412
其中，
Figure FDA00037074633800000413
为第三可变参数，基于训练过程得到；
Figure FDA00037074633800000414
的第j列bj即为经过特征注意力机制处理后第j个输入特征在所有时间步的取值，
Figure FDA00037074633800000415
步骤7)基于
Figure FDA00037074633800000416
求解第二Query矩阵QB，其中，
Figure FDA00037074633800000417
为第四可变参数，基于训练过程得到；
步骤8)基于
Figure FDA00037074633800000418
求解第二Key矩阵KB，其中，
Figure FDA00037074633800000419
为第五可变参数，基于训练过程得到；
步骤9)基于
Figure FDA00037074633800000420
求解第二Score矩阵B；
步骤10)将B按列进行softmax归一化得到时序注意力权重矩阵
Figure FDA00037074633800000421
Figure FDA00037074633800000422
步骤11)将时序注意力权重矩阵
Figure FDA00037074633800000423
与
Figure FDA00037074633800000424
相乘得到经过时序注意力机制处理后的修正结果Y：
Figure FDA00037074633800000425
其中，
Figure FDA00037074633800000426
为第六可变参数，基于训练过程得到。
CN202210712726.2A 2022-06-22 2022-06-22 基于两阶段注意力lstm的停车场空余车位预测方法及系统 Active CN115019509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210712726.2A CN115019509B (zh) 2022-06-22 2022-06-22 基于两阶段注意力lstm的停车场空余车位预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210712726.2A CN115019509B (zh) 2022-06-22 2022-06-22 基于两阶段注意力lstm的停车场空余车位预测方法及系统

Publications (2)

Publication Number Publication Date
CN115019509A true CN115019509A (zh) 2022-09-06
CN115019509B CN115019509B (zh) 2023-08-04

Family

ID=83077717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210712726.2A Active CN115019509B (zh) 2022-06-22 2022-06-22 基于两阶段注意力lstm的停车场空余车位预测方法及系统

Country Status (1)

Country Link
CN (1) CN115019509B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050665A (zh) * 2023-03-14 2023-05-02 淄博热力有限公司 供热设备故障预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113053125A (zh) * 2021-03-29 2021-06-29 浙江财经大学 基于前馈lstm模型的停车场库推荐方法
CN113362637A (zh) * 2021-05-04 2021-09-07 温州大学 一种区域性多场点空余停车位预测方法及系统
US20220092979A1 (en) * 2020-09-24 2022-03-24 International Business Machines Corporation Identifying available parking areas
CN114495036A (zh) * 2021-12-27 2022-05-13 浙江零跑科技股份有限公司 一种基于三阶段注意力机制的车辆轨迹预测方法
CN114596726A (zh) * 2021-10-27 2022-06-07 西安理工大学 基于可解释时空注意力机制的停车泊位预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20220092979A1 (en) * 2020-09-24 2022-03-24 International Business Machines Corporation Identifying available parking areas
CN113053125A (zh) * 2021-03-29 2021-06-29 浙江财经大学 基于前馈lstm模型的停车场库推荐方法
CN113362637A (zh) * 2021-05-04 2021-09-07 温州大学 一种区域性多场点空余停车位预测方法及系统
CN114596726A (zh) * 2021-10-27 2022-06-07 西安理工大学 基于可解释时空注意力机制的停车泊位预测方法
CN114495036A (zh) * 2021-12-27 2022-05-13 浙江零跑科技股份有限公司 一种基于三阶段注意力机制的车辆轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张金梦;刘慧君;: "遗传算法优化BP神经网络的泊车位数量预测", 重庆大学学报, no. 03 *
陈群;晏克非;王仁涛;莫一魁;: "基于相空间重构及Elman网络的停车泊位数据预测", 同济大学学报(自然科学版), no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050665A (zh) * 2023-03-14 2023-05-02 淄博热力有限公司 供热设备故障预测方法
CN116050665B (zh) * 2023-03-14 2024-04-02 淄博热力有限公司 供热设备故障预测方法

Also Published As

Publication number Publication date
CN115019509B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN108985475B (zh) 基于深度神经网络的网约车召车需求预测方法
Pevec et al. A data‐driven statistical approach for extending electric vehicle charging infrastructure
CN112330215B (zh) 一种城市用车需求量预测方法、设备及存储介质
US20230060713A1 (en) Methods for recommending parking lots in smart cities, internet of things systems, and storage medium thereof
CN110766280A (zh) 一种车辆调度方法、目标订单预测模型的生成方法和装置
CN104077915A (zh) 乘车趋势预测装置及其方法
CN101243478A (zh) 利用蜂窝数据用于运输规划和工程的方法和系统
CN108596484A (zh) 一种基于网点属性分析的共享汽车调度方法和系统
CN111554408B (zh) 城市内部登革热时空预测方法、系统及电子设备
CN110210664B (zh) 多个个体车辆使用行为短时预测的深度学习方法
CN111062562B (zh) 一种社区网格服务联动处置控制方法及系统
CN110543562A (zh) 一种基于事件图谱的城市治理事件自动分拨方法及系统
CN107301586B (zh) 可租用车辆预测方法、装置及服务器
CN115909748B (zh) 节假日公路交通量预测方法、电子设备及存储介质
CN112561187A (zh) 一种基于cnn-lstm的网约车目标订单预测方法
CN115019509A (zh) 基于两阶段注意力lstm的停车场空余车位预测方法及系统
CN117217380A (zh) 停车场空余停车位预测方法、装置、电子设备及存储介质
CN110955838A (zh) 房源推荐处理方法、装置、终端及计算机可读存储介质
CN111737646A (zh) 广告推广的效果评估数据处理方法、系统和存储介质
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
Borgnat et al. Studying Lyon's Vélo'v: a statistical cyclic model
CN116153088B (zh) 交通需求预测方法、装置和电子设备
CN113269957A (zh) 一种停车场车位调度系统及方法
CN112364293A (zh) 考虑城市职能区的电动汽车所需充电量预测方法和装置
CN115529351A (zh) 一种基于区块链的智慧城市管理系统

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