CN115019509B - 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 PDFInfo
- Publication number
- CN115019509B CN115019509B CN202210712726.2A CN202210712726A CN115019509B CN 115019509 B CN115019509 B CN 115019509B CN 202210712726 A CN202210712726 A CN 202210712726A CN 115019509 B CN115019509 B CN 115019509B
- Authority
- CN
- China
- Prior art keywords
- parking lot
- parking
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 56
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 229940030850 avar Drugs 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
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/>则:
XT=[a1,a2,…,ai,…,at]
步骤2)基于求解第一Query矩阵QA,其中,/>为第一可变参数,基于训练过程得到;
步骤3)基于求解第一Key矩阵KA,其中,/>为第二可变参数,基于训练过程得到;
步骤4)基于求解第一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
步骤6)将特征注意力权重矩阵与XT相乘得到经过特征注意力机制处理后的结果
其中,为第三可变参数,基于训练过程得到;/>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,/>
步骤7)基于求解第二Query矩阵QB,其中,/>为第四可变参数,基于训练过程得到;
步骤8)基于求解第二Key矩阵KB,其中,/>为第五可变参数,基于训练过程得到;
步骤9)基于求解第二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
步骤11)将时序注意力权重矩阵与/>相乘得到经过时序注意力机制处理后的修正结果Y:
其中,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/>则:
XT=[a1,a2,…,ai,…,at]
步骤2)基于求解第一Query矩阵QA,其中,/>为第一可变参数,基于训练过程得到;
步骤3)基于求解第一Key矩阵KA,其中,/>为第二可变参数,基于训练过程得到;
步骤4)基于求解第一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
步骤6)将特征注意力权重矩阵与XT相乘得到经过特征注意力机制处理后的结果
其中,为第三可变参数,基于训练过程得到;/>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,/>
步骤7)基于求解第二Query矩阵QB,其中,/>为第四可变参数,基于训练过程得到;
步骤8)基于求解第二Key矩阵KB,其中,/>为第五可变参数,基于训练过程得到;
步骤9)基于求解第二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
步骤11)将时序注意力权重矩阵与/>相乘得到经过时序注意力机制处理后的修正结果Y:
其中,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:
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:
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:
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设特征矩阵为X∈Rt×n,则有/>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/>则:
XT=[a1,a2,…,ai,…,at]
步骤2)基于求解第一Query矩阵QA,其中,/>为第一可变参数,基于训练过程得到;
步骤3)基于求解第一Key矩阵KA,其中,/>为第二可变参数,基于训练过程得到;
步骤4)基于求解第一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
步骤6)将特征注意力权重矩阵与XT相乘得到经过特征注意力机制处理后的结果
其中,为第三可变参数,基于训练过程得到;/>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,/>
步骤7)基于求解第二Query矩阵QB,其中,/>为第四可变参数,基于训练过程得到;
步骤8)基于求解第二Key矩阵KB,其中,/>为第五可变参数,基于训练过程得到;
步骤9)基于求解第二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
步骤11)将时序注意力权重矩阵与/>相乘得到经过时序注意力机制处理后的修正结果Y:
其中,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 (8)
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;
其中,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/>则:
XT=[a1,a2,…,ai,…,at]
步骤2)基于求解第一Query矩阵QA,其中,/>为第一可变参数,基于训练过程得到;
步骤3)基于求解第一Key矩阵KA,其中,/>为第二可变参数,基于训练过程得到;
步骤4)基于求解第一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
步骤6)将特征注意力权重矩阵与XT相乘得到经过特征注意力机制处理后的结果/>
其中,为第三可变参数,基于训练过程得到;/>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,/>
步骤7)基于求解第二Query矩阵QB,其中,/>为第四可变参数,基于训练过程得到;
步骤8)基于求解第二Key矩阵KB,其中,/>为第五可变参数,基于训练过程得到;
步骤9)基于求解第二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
步骤11)将时序注意力权重矩阵与/>相乘得到经过时序注意力机制处理后的修正结果Y:
其中,为第六可变参数,基于训练过程得到。
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。
5.一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;
其中,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/>则:
XT=[a1,a2,…,ai,…,at]
步骤2)基于求解第一Query矩阵QA,其中,/>为第一可变参数,基于训练过程得到;
步骤3)基于求解第一Key矩阵KA,其中,/>为第二可变参数,基于训练过程得到;
步骤4)基于求解第一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
步骤6)将特征注意力权重矩阵与XT相乘得到经过特征注意力机制处理后的结果/>
其中,为第三可变参数,基于训练过程得到;/>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,/>
步骤7)基于求解第二Query矩阵QB,其中,/>为第四可变参数,基于训练过程得到;
步骤8)基于求解第二Key矩阵KB,其中,/>为第五可变参数,基于训练过程得到;
步骤9)基于求解第二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
步骤11)将时序注意力权重矩阵与/>相乘得到经过时序注意力机制处理后的修正结果Y:
其中,为第六可变参数,基于训练过程得到。
6.根据权利要求5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。
7.根据权利要求5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。
8.根据权利要求5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。
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 CN115019509A (zh) | 2022-09-06 |
CN115019509B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11488474B2 (en) * | 2020-09-24 | 2022-11-01 | International Business Machines Corporation | Identifying available parking areas |
-
2022
- 2022-06-22 CN CN202210712726.2A patent/CN115019509B/zh active Active
Patent Citations (5)
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 |
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 (1)
Title |
---|
遗传算法优化BP神经网络的泊车位数量预测;张金梦;刘慧君;;重庆大学学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115019509A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697854B (zh) | 多维度的城市道路交通状态评估方法 | |
US20230060713A1 (en) | Methods for recommending parking lots in smart cities, internet of things systems, and storage medium thereof | |
CN115019509B (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 | |
CN112561187B (zh) | 一种基于cnn-lstm的网约车目标订单预测方法 | |
CN112422671A (zh) | 一种停车场推荐方法及系统 | |
EP3462427A1 (en) | Method of predicting the probability of occurrence of vacant parking slots and its realization system | |
CN113313309B (zh) | 一种用于新能源汽车的充电方法及系统 | |
DE112019002896T5 (de) | Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm | |
CN108596484A (zh) | 一种基于网点属性分析的共享汽车调度方法和系统 | |
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 | |
US20110145507A1 (en) | Method of reducing response time for delivery of vehicle telematics services | |
CN116432985B (zh) | 一种基于物联网的智慧社区信息处理方法及系统 | |
CN113177780A (zh) | 一种数据处理方法、装置、网络设备及可读存储介质 | |
CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及系统 | |
WO2020254418A1 (en) | System and method for populating a database with occupancy data of parking facilities | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN114254250A (zh) | 一种考虑时空非平稳性的网约车出行需求预测方法 | |
CN115050188B (zh) | 一种室内停车场剩余车位预测方法 | |
CN112906993A (zh) | 一种高速公路绿通车过站查验时间预测方法 | |
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 | |
CN117455554B (zh) | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 | |
CN116343461B (zh) | 一种车辆调度方法、装置及设备 | |
CN113570172B (zh) | 一种出租车空载巡航路线推荐的方法、装置和系统 | |
CN112863231B (zh) | 一种停车场剩余车位校准方法、系统、装置及存储介质 | |
CN114202254B (zh) | 一种城市轨道交通通勤分布估计方法及系统 |
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 |