CN115019551B - 场库的余位的校正方法、余位预测模型的训练方法和装置 - Google Patents

场库的余位的校正方法、余位预测模型的训练方法和装置 Download PDF

Info

Publication number
CN115019551B
CN115019551B CN202210913345.0A CN202210913345A CN115019551B CN 115019551 B CN115019551 B CN 115019551B CN 202210913345 A CN202210913345 A CN 202210913345A CN 115019551 B CN115019551 B CN 115019551B
Authority
CN
China
Prior art keywords
field
bits
preset time
library
traffic situation
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
Application number
CN202210913345.0A
Other languages
English (en)
Other versions
CN115019551A (zh
Inventor
姜仁坡
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.)
Alibaba China Co Ltd
Original Assignee
Alibaba China Co Ltd
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 Alibaba China Co Ltd filed Critical Alibaba China Co Ltd
Priority to CN202210913345.0A priority Critical patent/CN115019551B/zh
Publication of CN115019551A publication Critical patent/CN115019551A/zh
Application granted granted Critical
Publication of CN115019551B publication Critical patent/CN115019551B/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
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种场库的余位的校正方法、余位预测模型的训练方法和装置。该校正方法包括：获取场库第一预设时间内的周边交通态势的数据，所述周边交通态势用于指示所述场库周边第一预设时间内的交通态势；根据场库的进出场车辆的数据确定场库的动态余位，并利用余位预测模型，根据周边交通态势的数据确定场库的预测余位，其中，余位预测模型利用至少一个场库的周边交通态势的样本数据进行训练得到，周边交通态势用于指示样本场库周边第二预设时间内的交通态势；基于预测余位对动态余位进行校正，得到场库的校正余位。本技术方案能够降低场库的余位的统计误差。

Description

场库的余位的校正方法、余位预测模型的训练方法和装置
技术领域
本说明书涉及数据处理领域，具体涉及一种场库的余位的校正方法、余位预测模型的训练方法和装置。
背景技术
面对土地资源的稀缺和汽车保有量的迅猛增长，并随着城市机动车保有量逐年增加，公共场所停车难已经成为社会难题。当前的一些停车场库仍使用人工盘点来更新场库的闲置车位，该方式效率低下、人力成本高、数据上报延时容易出现统计误差；另一些停车场库虽然使用设备对进出场车辆进行识别，但是仍存在识别误差，且随着场库运营时间的增加，该误差会越来越大，导致场库的余位数据不准确。
通过对场库进行智能化管理以提高场库的利用率的方案，可以解决上述问题，而该方案的关键在于能够精准获知场库在某个时间的空余车位（简称余位）信息（例如余位数量），余位信息对于车主快速便捷停车、场库合理运营以及城市管理人员了解停车资源利用效率等应用场景来说，是一个非常核心的指标，因此，亟待提供一种无需借助人力就能精确计算场库的可用余位数的方案。
发明内容
本说明书的实施例提供了一种场库的余位的校正方法、余位预测模型的训练方法和装置，基于场库的周边交通态势与在停车辆数之间的强相关性，通过余位预测模型来根据场库周边的交通态势以预测场库的余位，从而可以在场库的余位统计工作中，根据场库总车位数与场库内停留车辆数之差得到场库的动态余位，并通过该余位预测模型预测的余位来校正场库的动态余位，使得场库的公布余位相对接近真实值，从而提高场库的余位数据的准确度，如此，能够在节省人力成本的同时降低场库余位的统计误差。
本说明书第一方面提供一种场库的余位的校正方法，该校正方法包括：获取场库第一预设时间内的周边交通态势的数据；根据场库的进出场车辆的数据确定场库的动态余位，并利用余位预测模型，根据周边交通态势的数据确定场库的预测余位；基于预测余位对动态余位进行校正，得到场库的校正余位。余位预测模型利用至少一个场库的周边交通态势的样本数据进行训练得到，周边交通态势用于指示样本场库周边第二预设时间内的交通态势。例如，余位预测模型是基于至少一个场库的周边交通态势的样本数据和人工标注余位进行训练得到的，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位。
在上述方案中，基于交通态势预先训练得到余位预测模型，并通过训练好的余位预测模型和场库的周边交通态势来预测场库的余位数量以对场库的余位（上述的动态余位）进行校正。如此，在场库的运营过程中，因为通过预测模型对场库的余位实时校正，从而使得场库的余位一直趋向于真实值，这样，能够缓解因场库运营时间的增加而导致的场库的余位（此处为场库公布的余位）的统计误差越来越大的问题；此外，该过程中可以不需要人员经常进行盘点，从而大大降低人力成本。
在第一方面的一实施方式中，基于预测余位对动态余位进行校正，得到场库的校正余位的步骤可以包括：将动态余位校正至与预测余位的差值在第一预设值之内。
在第一方面的一实施方式中，将动态余位校正至与预测余位的差值在第一预设值之内的步骤可以包括：每隔第一预设时间对场库的余位进行预测；如果第一预设时间内的动态余位与预测余位的差值大于第一预设值，将动态余位减/或加第二预设值以进行校准，并将校准后的动态余位作为场库在下一第一预设时间的初始时刻的余位数据。
在上述方案中，不仅对第一预设时间的动态余位进行校准，且将校正之后的余位数据用于计算下一第一预设时间的动态余位，即，场库在每个第一预设时间的用于计算动态余位的数据都得到了更新（包括校正），从而降低因运营时间增加而导致场库的余位数据误差累加的速度，以使得场库在每个第一预设时间中公布的余位数据更加准确。
在第一方面的一实施方式中，第二预设值不小于1且第二预设值大于第一预设值的两倍。
在第一方面的一实施方式中，第一方面的校正方法还可以包括：获取在第一预设时间内对场库的余位进行人工盘点的余位数据，并判断余位数据与第一预设时间内的动态余位的差异；如果余位数据与动态余位不等，将余位数据作为动态余位。第一预设时间设置为小于人工盘点的周期。
在上述方案中，可以利用人工盘点的余位数据对动态余位进行强校准，而人工盘点的周期大于预设周期，从而在解放人力的同时，消除因运营时间增加而导致场库的余位数据误差累加过大的风险。
在第一方面的一实施方式中，根据场库的进出场车辆的数据确定场库的动态余位的步骤可以包括：基于场库在第一预设时间内车辆进离场数据和第一预设时间的初始时刻的余位数据，对场库的余位进行动态计算，以获得动态余位。
在第一方面的一实施方式中，第一方面的校正方法还可以包括：获取场库的在停车辆信息，以对位于在停车辆信息中的车辆是否为异常车辆进行识别；基于识别后的异常车辆校正动态余位。
在本说明书第一方面提供的场库的余位的校正方法中，获取场库的在停车辆信息，以确定位于在停车辆信息中的车辆是否为异常车辆的步骤可以包括：将没有场库进入记录但是只有离场记录的异常车辆标记为幽灵车辆；将有场库进入记录且没有离场记录，但是在进入记录之后又在其他场库产生进、离场记录的异常车辆作为离场车辆。
在第一方面的一实施方式中，基于识别后的异常车辆校正动态余位的步骤可以包括：在动态余位中加入对应幽灵车辆的数量；将动态余位中减去对应离场车辆的数量。
在上述方案中，对参与动态余位计算的异常车辆进行识别，以对动态余位进行校正，可以进一步提高场库在每个第一预设时间中公布的余位数据的准确度。
在第一方面的一实施方式中，余位预测模型为场库的总车位数与预估函数的差值，预估函数为预设指数函数与第一预设时间内的预设时刻的在停车辆数的乘积，预设指数函数的底为第一预设时间内的周边交通态势与第一预设时间内的预设时刻的周边交通态势的比值，预设指数函数的指数为基于特征参数建立的加权函数，特征参数包括周边交通态势的数据。
在第一方面的一实施方式中，周边交通态势包括时间、日期、节日、周边路况、天气以及场库的历史车辆进离场记录和历史余位变化记录中的至少两个。
在第一方面的一实施方式中，加权函数由线性回归模型或渐进梯度回归模型确定。
在第一方面的一实施方式中，第一方面的校正方法还可以包括：基于第一预设时间的周边交通态势的数据作为周边交通态势样本数据对余位预测模型进行训练。
在第一方面的一实施方式中，第一方面的校正方法还可以包括：获取样本场库的周边交通态势的样本数据和人工标注余位，其中周边交通态势用于指示样本场库周边第二预设时间内的交通态势，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位；根据周边交通态势和在停车辆数之间的函数关系，确定关于在停车辆数的预估函数；将样本场库的总车位数减去预估函数，得到预测余位，根据预测余位和人工标注余位以训练预测模型。
本说明书第二方面提供一种场库的余位预测模型的训练方法，该训练方法包括：获取样本场库的周边交通态势的样本数据，其中周边交通态势用于指示样本场库周边第二预设时间内的交通态势；根据周边交通态势和样本场库的在停车辆数之间的函数关系，确定样本场库关于在停车辆数的预估函数；将样本场库的总车位数减去预估函数，得到样本场库的预测余位；利用预测余位训练预测模型。例如，该训练方法还包括获取样本场库的人工标注余位，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位，根据预测余位和人工标注余位训练预测模型。
在一实施中，根据周边交通态势和样本场库的在停车辆数之间的函数关系，确定关于在停车辆数的预估函数，包括：基于加权函数对周边交通态势的样本数据进行加权计算，得到加权计算结果，其中加权函数用于表示周边交通态势的样本数据中不同种类的数据具有不同的权重；根据加权计算结果确定预估函数，其中预估函数为第二预设时间的在停车辆数与预设指数函数的乘积，预设指数函数的指数为加权计算结果，预设指数函数的底为第二预设时间内的周边交通态势与预设时刻的周边交通态势的比值。
在第二方面的一实施方式中，第一预设时间内的周边交通态势包括、时间、日期、节日、周边路况、天气以及样本场库的历史车辆进离场记录和历史余位变化记录中的至少两个。
在第二方面的一实施方式中，加权函数模型的计算模型包括线性回归模型或渐进梯度回归模型。
本说明书第三方面提供一种场库的余位的校正装置，该校正装置包括：获取模块，用于获取场库的第一预设时间内的周边交通态势的数据；确定模块，用于根据场库的进出场车辆的数据确定场库的动态余位，并利用余位预测模型，根据周边交通态势的数据确定场库的预测余位，其中余位预测模型利用至少一个场库的周边交通态势的样本数据训练得到，其中周边交通态势用于指示样本场库周边第二预设时间内的交通态势；校正模块，用于基于预测余位对动态余位进行校正，得到场库的校正余位。例如，获取模块还可以获取样本场库的人工标注余位，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位，余位预测模型基于至少一个场库的周边交通态势的样本数据和人工标注余位训练得到。
本说明书第四方面提供一种场库的余位预测模型的训练装置，该训练装置包括：获取模块，用于获取样本场库的周边交通态势的样本数据，其中周边交通态势用于指示样本场库周边第二预设时间内的交通态势；确定模块，用于根据周边交通态势和样本场库的在停车辆数之间的函数关系，确定样本场库关于在停车辆数的预估函数；训练模块，用于将样本场库的总车位数减去预估函数，得到样本场库的预测余位，并利用预测余位训练余位预测模型。例如，获取模块还可以获取样本场库的人工标注余位，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位，训练模块进一步根据预测余位和人工标注余位训练预测模型。
本说明书第五方面提供一种电子设备，该电子设备包括处理器和用于存储处理器可执行指令的存储器。处理器用于执行第一方面的场库的余位的校正方法或第二方面的场库的余位预测模型的训练方法。
本说明书第六方面提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述第一方面的场库的余位的校正方法或第二方面的场库的余位预测模型的训练方法。
本说明书第七方面提供一种计算机程序产品，计算机程序产品中包括指令，指令被计算机设备的处理器执行时，使得计算机设备能够执行上述第一方面的场库的余位的校正方法或第二方面的场库的余位预测模型的训练方法。
附图说明
图1所示为本说明书一示例性实施例提供的场库管理系统的架构示意图。
图2所示为根据本说明书一实施例的场库的余位预测模型的训练方法。
图3所示为根据本说明书一实施例的场库的余位的校正方法。
图4所示为本说明书一示例性实施例提供的余位校正过程的示意性框图。
图5所示为本说明书一示例性实施例提供的余位校正过程的示意性流程图。
图6所示为本说明书一示例性实施例提供的余位预测模型的应用场景的示意性框图。
图7所示为本说明书一示例性实施例提供的场库的余位的校正装置的结构示意图。
图8所示为本说明书一示例性实施例提供的余位预测模型的训练装置的结构示意图。
图9所示为本说明书一示例性实施例提供的用于执行以上实施例的方法的电子设备的框图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
本说明书的实施例适用于场库相关的场景，例如，场库联网业务、智慧停车业务等场景。
示例性系统
图1所示为本说明书一示例性实施例提供的场库管理系统100的架构示意图。场库管理系统100可以包括图像采集设备110、服务器120和输出设备130。
场库是用于供车辆停放的场所，通常在场库的出口和入口设置有图像采集设备110和输出设备130。图像采集设备110用于采集进场和离场的车辆的信息（例如，车牌），图像采集设备110例如可以是摄像机、摄像头或照相机等摄像设备。输出设备130例如可以是显示设备，显示设备可以独立设置，也可以与场库出口和入口设备的闸机（未示出）一体化设置，用于输出或显示余位数量。
服务器120既可以设置在本地，也可以设置在云上，并与图像采集设备110和输出设备130通信连接，用于对进场和离场的车辆进行管理，例如，服务器120可以利用场库收费管理软件，根据图像采集设备110采集的进场或离场车辆的车牌信息和车辆在场库内的停留时间进行收费，并控制闸机打开或关闭。另外，服务器120可以通过进场和离场的数据确定场库的余位数量。服务器120还可以与场库联网平台140通信连接，用于向场库联网平台140上报场库相关的管理信息。例如，服务器120可以通过网卡、移动4G卡、Wifi等联网模块上报场库的余位信息。场库联网是智慧城市中的重要环节，借助场库联网平台140可以将全市的停车场接入智慧停车管理系统，实时分析感知整个城市的停车资源负载情况，能够为交通管理和城市规划提供可靠的决策建议。
场库联网平台140例如可以是用于管理场库的云平台，用于收集场库的进场和离场车辆的信息和场库的余位数量等数据，并将这些数据发布到互联网或移动终端的APP上，以通过互联网或APP引导用户停车。场库联网平台140还可以控制场库内的闸机。场库联网平台140和服务器120可以为独立的设备，也可以为一体化的物理机或设置在云端的虚拟机。
需要说明的是，在应用余位预测模型之前，需要通过样本场库的周边交通态势的样本数据对该余位预测模型进行训练。如此，下面先介绍本说明书中提供的余位预测模型的训练方法，然后对基于该余位预测模型在实际应用中对场库的余位进行校正的方法进行说明。
示例性方法
图2所示为根据本说明书一实施例的场库的余位预测模型的训练方法。该训练方法可以由计算设备（例如，服务器120或场库联网平台140）来执行。如图2所示，该训练方法可以包括如下步骤S210~S240。
S210，获取样本场库的周边交通态势的样本数据，其中周边交通态势用于指示样本场库周边预设时间内的交通态势。例如，该训练方法还包括获取样本场库的人工标注余位，人工标注余位用于指示人工盘点的样本场库在预设时间内的余位。
样本场库可以为人工日常上报余位的车场，这种车场一般会由线下运营人员定期盘点余位，并上报至场库联网平台。有效利用这种车场上报的余位信息能够节省人工成本。本说明书的实施例并不限于此，样本场库也可以是其它具备人工盘点余位能力的场库。样本场库可以为一个或多个场库，例如，样本场库可以为使用该余位预测模型的场库，在这种情况下，样本数据可以是该场库不同时间上报的数据，例如，有些场库原本需要人工日常上报余位，从而累积了大量的历史数据，利用历史数据可以训练专门针对该场库的余位预测模型，后期可以利用余位预测模型的预测结果代替人工盘点的工作，从而能够为该场库节省大量的人力成本。样本场库也可以是该场库之外的其它类似该场库的数据，从而能够有效增加样本数据。当然，样本场库也可是各种各样场库的海量数据，从而能够提高余位预测模型的泛化能力，使得该余位预测模型能够具有普适性。
在一示例中，预设时间可以指某个时刻，例如，当前时刻。在另一示例中，预设时间也可以指某个时段，例如，10分钟或1小时，在这种情况下，样本数据或人工标注余位可以指该时段内的均值或者该时段内的某个时刻的值，例如，中间时刻的值或结束时刻的值。
周边交通态势指某个预设时刻或者预设时间段内，场库周边一定范围内道路上的路面环境以及车辆运行状态和趋势的描述信息，例如，周边交通态势可以包括如下特征参数：时间、日期、节日、周边路况、天气以及样本场库的历史车辆进离场记录和历史余位变化记录中的至少两个。周边交通态势可以用多个级别来表示，例如，四个级别，对于时间而言，可以分为早上、中午、下午和晚上；对于日期而言，例如，可以分为周一、周中（包括周二、周三和周四）、周五和周末；对于节日而言，可以分为春节、端午、五一和国庆；对于周边路况而言，可以分为畅通、适中、缓行、堵塞；对于天气而言，可以分为雨天、阴天、多云、晴天。上述特征参数可以量化为数值或评分，例如，1、2、3或4等。对于历史车辆进离场记录和历史余位变化记录而言，可以用真实数据来表示。本说明书实施例对于上述特征参数的表示方法不作限制。
S220，根据周边交通态势和在停车辆数之间的函数关系，确定关于在停车辆数的预估函数。
具体地，可以将经济学上的需求价格弹性原理应用于停车领域，得到周边交通态势与在停车辆数之间的函数关系，并将余位预测模型定义成在停车辆数与场库的周边交通态势相关的需求弹性函数，即在将周边交通态势可以类比成需求，而在停车辆数可以类比成价格，周边交通态势所表明的停车位需求越大，在停车辆数则越多，反之亦然。可以首先基于加权函数对周边交通态势的样本数据包含的特征参数进行加权计算，得到加权计算结果，并根据加权计算结果确定在停车辆数的预估函数，其中预估函数可以为预设时间内的在停车辆数与预设指数函数的乘积，预设指数函数的指数为上述特征参数的加权计算结果，预设指数函数的底为预设时间内的周边交通态势与该预设时间内的预设时刻的周边交通态势的比值。
由于预设时间内的在停车辆数和周边交通态势与以及该预设时间内的预设时刻的周边交通态势均可以通过上报的场库相关信息得到，因此，余位预测模型是将对余位的求解可以转化为对于上述预设指数函数的指数的求解。
在一实施例中，加权函数的计算模型包括线性回归模型，例如，多元线性回归模型，该模型适用于样本量比较小的场景。例如，预设指数函数的指数（即加权计算结果）为n＝w0x0+w1x1+……+wmxm=WTX，其中，n表示交通态势对余位数量变化的影响系数，X为特征参数向量，WT为特征参数的权重向量。预估函数P=P0(Q/Q0)n，其中，P为真实的在停车辆数，P0为参考的在停车辆数，Q为真实的交通态势，Q0为参考的交通态势。例如，在预设时间为预设时段的情况下，P0为该预设时段的初始时刻的在停车辆数，Q0可以为该预设时段的初始时刻的交通态势。
在另一实施例中，加权函数的计算模型可以包括渐进梯度回归模型，例如，渐进梯度回归树（Gradient Boosting Regression Tree，GBRT）模型，该模型适用于特征参数种类较多并且数据类型多样性的场景，在这种场景下，由于GBRT模型能够有效防止过拟合，因此其泛化效果优于多元线性回归模型的泛化效果。例如，在本说明书的实施例中，当特征参数包括时间、日期、节日、周边路况、天气以及历史车辆进离场记录和历史余位变化记录等多种类型的特征参数时，优先采用GBRT模型来提高余位预测模型的泛化能力。
S230，将样本场库的总车位数减去预估函数，得到预测余位。
具体地，针对每个样本数据，可以得到对应的在停车辆数的估计值，并将总车位数减去该估计值，得到预测余位，例如，预测余位A=T-P=T-P0(Q/Q0)n，其中，A为预测余位的求解结果，即可用余位的数量；T为总车位数，即车场规划的车位数量。
S240，利用预测余位以训练余位预测模型。例如，在获取到人工标注余位的情况下，可以根据预测余位和人工标注余位训练预测模型。需要说明的是，人工标注余位可以为余位的参考值，其可以是人工盘点的真实余位，也可以为其它替代手段例如实时监测等手段获得的真实余位，或者还可以是预设的参考余位。
具体地，针对每个样本数据，当预测余位与人工标注余位之差大于预设阈值，则继续训练余位预测模型，即继续调整上述权重向量WT，直到预测余位与人工标注余位之差小于或等于预设阈值。
根据本说明书的实施例，基于样本场库的周边交通态势的样本数据和对应的人工标注余位进行训练得到余位预测模型，因此，场库的余位能够通过将周边交通态势输入余位预测模型得到，从而能够节省人力成本。
图3所示为根据本说明书一实施例的场库的余位的校正方法。该校正方法可以由计算设备（例如，服务器120或场库联网平台140）来执行。如图3所示，该校正方法可以包括如下步骤S310~S330。
S310，获取场库的第一预设时间内的周边交通态势的数据。
具体地，第一预设时间可以指希望预测余位的时间，例如，可以是当前时间。再如，第一预设时间也可以指未来的某段时间，在这种情况下，周边交通态势的数据可以为该段时间的周边交通态势的预测数据。
在一示例中，预设时间可以指某个时刻，例如，当前时刻。在另一示例中，预设时间也可以指某个时段，例如，10分钟或1小时，在这种情况下，周边交通态势的数据可以为该时段内的均值或者该时段内某个时刻的值，例如，中间时刻的值或结束时刻的值。
周边交通态势的定义如图2的实施例所述，在此不再赘述。
S320，根据场库的进出场车辆的数据确定场库的动态余位，并利用余位预测模型，根据周边交通态势的数据确定场库的预测余位，其中余位预测模型可以利用至少一个场库的周边交通态势的样本数据进行训练得到，周边交通态势用于指示样本场库周边第二预设时间内的交通态势。例如，余位预测模型是基于至少一个场库的周边交通态势的样本数据和人工标注余位进行训练得到的，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位。
具体地，动态余位是指随着场库的进场和出场车辆数据的变化而实时变化的余位。例如，初时的动态余位等于车场总数减去初始的进场车辆数再加上初始的出场车辆数，而当前时间的动态余位等于上一时间的动态余位减去当前时间的进场车辆数再加上当前时间的出场车辆数。
余位预测模型的定义和训练过程如图2的实施例所述，在此不再赘述。通过将该场库的周边交通态势的数据输入余位预测模型，即可得到场库的预测余位。
S330，基于预测余位对动态余位进行校正，得到场库的校正余位。
具体地，预测余位和动态余位可以理解为余位的两种计算结果。一方面，由于余位预测模型可以通过海量的数据计算得到，因此不会受人为因素的影响，但可能会因为模型自身的问题而产生过拟合等系统性风险。另一方面，由于场库管理系统并不能保证精确识别进场和离场车辆，因此动态余位存在统计误差越来越大的问题，例如，根据场库总车位数与场库内停留车辆数之差得到场库可用余位数，场库总车位数是由场库建设时规划好的静态数据，而场库内停留车辆数是动态数据，是可以通过进场和离场数据计算得到的。理想情况下，如果进场和离场数据是准确的，那么场库管理系统就能够精准获知场库内停留车辆数，从而精准地获知场库可用余位数，但现实情况是场库管理系统无法保证100%的识别率，会存在误报和漏报的情况，例如，将非机动车车牌识别成机动车车牌、大型车挂车车牌识别失败等；此外，由于场库管理系统对于进场和离场数据的误识别，随着运行时间的增长，场库管理系统得到的余位数量和真实余位之间的误差会越来越大，因此，在通常情况下，需要场库的运维人员每隔一段时间对场库中的余位进行一次盘点，以将场库的真实余位数据重新录入到场库管理系统中，以实现余位校准。基于预测余位对动态余位进行校正是在动态余位的统计误差越来越大时，根据预测余位对动态余位进行校正，以在节省人力成本的情况下正确引导动态余位接近真实的余位，同时又能避免单纯使用余位预测模型带来的过拟合风险。
在一示例中，可以对预测余位和动态余位进行加权平均得到校正余位。例如，如果场库管理系统的识别精度越高则动态余位的权重越大。再如，训练模型的数据越多，预测余位的权重越大，校正余位越接近于真实值。
在另一示例中，可以通过比较预测余位与动态余位的大小来调整动态余位的大小，如果预测余位大于动态余位，则增加动态余位，如果预测余位小于动态余位，则减小动态余位，以使得动态余位向预测余位靠拢，从而能够使得动态余位接近于真实值。
在上述方案中，基于场库周边交通态势预先训练得到余位预测模型，并通过训练好的余位预测模型和场库的周边交通态势来预测场库的余位数量以对场库的余位（上述的动态余位）进行校正。如此，在场库的运营过程中，因为通过预测模型对场库的余位实时校正，从而使得场库的余位一直趋向于真实值，这样，能够缓解因场库运营时间的增加而导致的场库的余位（此处为场库公布的余位）的统计误差越来越大的问题；此外，该过程中可以不需要人员经常进行盘点，从而大大降低人力成本。
应理解的是，上述步骤S310~S330可以在不同的预设时段内迭代执行，即上一时段的校正后的动态余位为下一时段待校正的动态余位。
在本说明书至少一个实施例提供的场库的余位的校正方法中，基于预测余位对动态余位进行校正，得到场库的校正余位的步骤可以包括：将动态余位校正至与预测余位的差值在第一预设值之内。
为了减少动态余位接近预测余位时的频繁校正，可以根据预测余位与动态余位之间的差值来调整动态余位的大小，若动态余位和预测余位之差大于预设值，则增加或减少动态余位的值。
具体地，可以每隔预设时间对场库的余位进行预测，如果预设时间内的动态余位与预测余位的差值大于第一预设值，将动态余位减/或加第二预设值以进行校准，并将校准后的动态余位作为场库在下一预设时间的初始时刻的余位数据。
例如，在上一时段，动态余位与预测余位之差大于该预设值，则将动态余位减1，在当前时段，动态余位与预测余位之差小于该预设值，则将动态余位加1，这样能够将动态余位校正至与预测余位的差值限制在该预设值之内。
在上述方案中，不仅对预设时间的动态余位进行校准，且将校正之后的余位数据用于计算下一预设时间的动态余位，即，场库在每个预设时间的用于计算动态余位的数据都得到了更新（包括校正），从而降低因运营时间增加而导致场库的余位数据误差累加的速度，以使得场库在每个预设时间中公布的余位数据更加准确。
在本说明书至少一个实施例提供的场库的余位的校正方法中，第二预设值不小于1且第一预设值大于第二预设值的两倍。
在上述方案中，在校准时，第一预设值可以设置为大于第二预设值的两倍，即动态余位的调整幅度可以设置为小于动态余位与预测余位之差的一半，从而能够将动态余位的调整幅度控制在合理的范围内，以避免对动态余位进行过度调整。
本说明书至少一个实施例提供的场库的余位的校正方法，还可以包括：获取对场库的第一预设时间内的余位进行人工盘点的余位数据，并判断余位数据与动态余位的差异；如果余位数据与动态余位不等，将余位数据作为第一预设时间内的动态余位。第一预设时间设置为小于人工盘点的周期。
为了避免余位预测模型由于过拟合等问题影响余位预测的准确性，可以在利用余位预测模型进行余位校正的同时周期性地对场库的余位进行人工盘点，而人工盘点的频率可以远小于利用余位预测模型进行校正的频率。例如，可以每隔10分钟利用余位预测模型进行一次余位校正，而每隔一个月进行一次人工盘点。
在上述方案中，可以利用人工盘点的余位数据对动态余位进行强校准，而人工盘点的周期大于预设周期，从而在解放人力的同时，消除因运营时间增加而导致场库的余位数据误差累加过大的风险。
在本说明书至少一个实施例提供的场库的余位的校正方法中，根据场库的进出场车辆的数据确定场库的动态余位的步骤可以包括：基于场库在第一预设时间内车辆进离场数据和第一预设时间的初始时刻的余位数据，对场库的余位进行动态计算，以获得动态余位。
具体地，每个预设时间的初始时刻的余位数据可以是上一预设时间经过校正后的动态余位的数。在一示例中，可以将该预设时间的初始时刻的余位数据减去该预设时间内的进场数据并加上该预设时间内的离场数据得到该预设时间的动态余位。在另一示例中，可以将初始时刻的余位数据减去从初始时刻到特定时刻的进场数据并加上从初始时刻到特定时刻的离场数据得到该特定时刻的动态余位。
本说明书至少一个实施例提供的场库的余位的校正方法，还可以包括：获取场库的在停车辆信息，以对位于在停车辆信息中的车辆是否为异常车辆进行识别；基于识别后的异常车辆校正动态余位。
具体地，在停车辆信息可以包括在停车辆的标识信息，例如，车牌信息或发动机号，还可以为车主信息、进场和离场时间等信息。异常车辆指可能影响动态余位的准确性的车辆。例如，某个车辆只有离场数据没有入场数据，或者只有进场数据没有离场数据，都有可能影响动态余位的准确性。
在上述方案中，根据在停车辆信息可以识别某个车辆是否异常，并根据异常车辆对动态余位进行校正，能够进一步提高余位的准确性。
在本说明书至少一个实施例提供的场库的余位的校正方法中，获取场库的在停车辆信息，以确定位于在停车辆信息中的车辆是否为异常车辆的步骤可以包括：将没有场库进入记录但是只有离场记录的异常车辆标记为幽灵车辆；将有场库进入记录且没有离场记录，但是在进入记录之后又在其他场库产生进、离场记录的异常车辆作为离场车辆。
具体地，基于识别后的异常车辆校正动态余位的步骤可以包括：在动态余位中加入对应幽灵车辆的数量；将动态余位中减去对应离场车辆的数量。
幽灵车辆可以是指只有离场数据而没有进场数据的车辆，例如，有的车辆进场时由于场库管理系统识别错误导致没有进场数据，这样的车辆的存在会导致根据进场和离场数据计算得到的动态车位的数量大于实际车位的数量，在这种情况下，可以通过将动态车位加1来校正动态车位。相反，还有些车辆由于场库管理系统识别错误只有进场数据没有离场数据，但实际上这些车辆已经离场，因为场库联网平台发现该车辆在其他场库的在停车辆信息中出现，这样的车辆也称为僵尸车辆。这样的车辆的存在会导致根据进场和离场数据计算得到的动态车位的数量小于实际车位的数量，在这种情况下，可以通过将动态车位减1来校正动态车位。
在上述方案中，对参与动态余位计算的异常车辆进行识别，以对动态余位进行校正，可以进一步提高场库在每个第一预设时间中公布的余位数据的准确度。
在本说明书至少一个实施例提供的场库的余位的校正方法中，余位预测模型为场库的总车位数与预估函数的差值，预估函数为预设指数函数与第一预设时间内的预设时刻的在停车辆数的乘积，预设指数函数的底为第一预设时间内的周边交通态势与第一预设时间内的预设时刻的周边交通态势的比值，预设指数函数的指数为基于特征参数建立的加权函数，特征参数包括周边交通态势的数据。
在本说明书至少一个实施例提供的场库的余位的校正方法中，周边交通态势包括时间、日期、节日、周边路况、天气以及场库的历史车辆进离场记录和历史余位变化记录中的至少两个。
在本说明书至少一个实施例提供的场库的余位的校正方法中，加权函数由线性回归模型或渐进梯度回归模型确定。
本说明书至少一个实施例提供的场库的余位的校正方法还可以包括：基于第一预设时间的周边交通态势的数据作为周边交通态势样本数据对余位预测模型进行训练。
本说明书至少一个实施例提供的场库的余位的校正方法还可以包括：获取样本场库的周边交通态势的样本数据和人工标注余位，其中周边交通态势用于指示样本场库周边第二预设时间内的交通态势，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位；根据周边交通态势和样本场库的在停车辆数之间的函数关系，确定样本场库关于在停车辆数的预估函数；将样本场库的总车位数减去预估函数，得到样本场库的预测余位；根据预测余位和人工标注余位训练预测模型。
在本说明书至少一个实施例提供的场库的余位的校正方法中，根据周边交通态势和样本场库的在停车辆数之间的函数关系，确定关于在停车辆数的预估函数，包括：基于加权函数对周边交通态势的样本数据进行加权计算，得到加权计算结果，其中加权函数用于表示周边交通态势的样本数据中不同种类的数据具有不同的权重；根据加权计算结果确定预估函数，其中预估函数为第二预设时间的在停车辆数与预设指数函数的乘积，预设指数函数的指数为加权计算结果，预设指数函数的底为第二预设时间内的周边交通态势与预设时刻的周边交通态势的比值。
图4所示为本说明书一示例性实施例提供的余位校正过程的示意性框图。
在410中，在余位校正的初始阶段，可以通过人工盘点场库的方式得到初始人工盘库结果。
例如，对于新投入使用的场库，初始人工盘库结果可以为场库的规划车位总数。再如，对于已经投入使用一段时间的场库，初始人工盘库结果可以为场库可用车位数，即规划车位总数减去在停车辆数。
在420中，可以利用图像采集设备采集进离场数据。
经过一段时间的使用，场库的余位会随着进场和离场车辆动态变化，从而产生进离场数据，包括车辆的车牌信息以及对应的进离场时间。
在430中，场库管理系统根据进离场数据维护场库的在停车辆列表，其中记录了当前场库停放车辆的信息。该在停车辆列表用于统计
例如，场库管理系统可以定期根据进离场数据动态更新在停车辆列表。
在435中，场库管理系统还可以确定是否存在幽灵车辆，如果存在幽灵车辆，则可以对在停车辆列表进行修正，例如，可以将幽灵车辆添加到在停车辆列表中。
在436中，场库管理系统还可以确定是否存在僵尸车辆，如果存在僵尸车辆，则可以对在停车辆列表进行修正，例如，可以将僵尸车辆从在停车辆列表中删除。
在437中，场库管理系统收集场库的周边交通态势。
在438中，经过一段时间的使用，可以通过人工盘点场库的方式再次得到人工盘点余位，并根据人工盘库余位进行余位校正，即以人工盘库余位替代动态余位。
在439中，场库管理系统将周边交通态势输入余位预测模型，得到预测余位。
在440中，场库管理系统将规划车位总数减去在停车辆列表中的在停车辆数，即可得到动态余位。场库管理系统还可以根据预测余位对动态余位进行校正。可替代地，场库管理系统还可以利用人工盘点余位对动态余位进行校正。
在450中，场库管理系统通过显示屏公布校正后的余位。
可替代地，场库管理系统也可以通过网页或APP公布校正后的余位。
图5所示为本说明书一示例性实施例提供的余位校正过程的示意性流程图。
505，场库管理系统确定场库的规划车位总数。
510，场库管理系统根据初始的进场和离场数据和规划车位总数确定初始动态余位。
如果场库为新投用的车场，则可以在起始的预设时间内通过图像采集设备采集进场和离场的车辆的车牌信息，并根据初始的进场和离场的车辆数和规划车位总数确定初始动态余位，即，初始动态余位=规划车位总数-进场车辆数+离场车辆数。
应理解的是，如果场库为已经投用一段时间的车场，则可以将505和510替代为对车场的余位进行人工盘点得到初始动态余位。
515，场库管理系统收集预设时间的场库周边交通态势。
例如，场库管理系统可以接收气象部门的服务器发送的周边天气数据。
520，场库管理系统将当前预设时间的场库周边交通态势输入余位预测模型，得到当前预设时间的预测余位。
525，场库管理系统根据当前预测时间的进场和离场数据和上一预设时间确定的动态余位来确定当前预设时间的动态余位。
530，场库管理系统判断是否存在异常车辆。如果判断结果为“是”则执行535，如果判断结果为“否”则执行540。
535，场库管理系统根据异常车辆对动态余位进行校正，得到校正后的动态余位。
540，场库管理系统判断预测余位与动态余位之差是否大于预设值。如果判断结果为“是”则执行550，如果判断结果为“否”则执行545。
545，场库管理系统判断动态余位与预测余位之差是否大于预设值。如果判断结果为“是”则执行555，如果判断结果为“否”则在下一预设时间执行520和525。
550，场库管理系统通过将动态余位加1进行余位校正，并继续执行560。
555，场库管理系统通过将动态余位减1进行余位校正。
560，场库管理系统判断是否有人工盘点余位。如果判断结果为“是”则执行570，如果判断结果为“否”则执行575，并且在下一预设时间执行520和525。
570，场库管理系统将人工盘点余位替代校正余位，继结执行575，并且在下一预设时间执行520和525。
应理解的是，并非每个预设时间都需要进行人工盘点，人工盘点的周期可以远大于预设时间，例如，预设时间可以为10分钟，而人工盘点的周期可以为一个月，从而大大降低了人力成本。
575，场库管理系统公布余位。
场管理系统可以通过显示屏的方式公布余位，也可以通过网页或移动终端的应用程序公布余位。
图6所示为本说明书一示例性实施例提供的余位预测模型的应用场景的示意图。
如图6所示，公共车场包括联网的车场和未联网的车场。联网的车场又分为上报余位的车场和未上报余位的车场。
对于上报余位的车场，可以由线下运营人员定期盘点车场的余位，并且收集车场周边的交通态势数据作为训练余位预测模型的样本数据。样本数据又可以分为训练集和验证集。利用训练集训练余位预测模型，并且利用验证集对余位预测模型进行验证，从而得到符合要求的余位预测模型。
在图6所示的余位预测模型的应用场景中，有些已经联网的场库虽然会持续上报场库的余位，但是存在余位不准或者缺失的情况。例如，在未使用本身请提供的余位预测模型并基于交通态势来获取场库余位的情况下，就需要根据进场和离场数据来识别余位的变化，在该方法中，如前文所述，需要场库运维人员定期进行场库余位盘点，导致人力成本高，而且由于人为因素的不确定性，盘点结果的准确度无法得到保障。如图6所示，对于该些上报余位且联网的车场，可以将余位预测模型安装在云端，由云端收集车场周边的交通态势，并将交通态势作为预测集输入余位预测模型进行预测，得到预测余位。
在图6所示的余位预测模型的应用场景中，存在大量的社会场库由于技术原因无法通过云云对接的方式实现联网的情况。针对该种情形，可以采用一种软硬一体的方案（场库联网一体机），通过链接场库出入口设备对进离场事件进行感知，并获取进离场信息，但是如前面所述，单纯基于出入口设备获取的场库的余位信息还是不准确的。对于该些未联网的车场，可以将余位预测模型安装在场库管理系统，由场库管理系统收集车场周边的交通态势，并将交通态势作为预测集输入余位预测模型进行预测，得到预测余位。
示例性装置
图7所示为本说明书一示例性实施例提供的场库的余位的校正装置700的结构示意图。如图7所示，校正装置700包括：获取模块710、确定模块720以及校正模块730。
获取模块710用于获取场库的第一时间内周边交通态势的数据；确定模块720用于根据场库的进出场车辆的数据确定场库的动态余位，并利用余位预测模型，根据周边交通态势的数据确定场库的预测余位，其中余位预测模型可以利用至少一个场库的周边交通态势的样本数据进行训练得到，周边交通态势用于指示样本场库周边第二预设时间内的交通态势；校正模块730用于基于预测余位对动态余位进行校正，得到场库的校正余位。例如，获取模块710还可以获取样本场库的人工标注余位，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位，余位预测模型基于至少一个场库的周边交通态势的样本数据和人工标注余位训练得到。
根据本说明书的实施例，基于交通态势预先训练得到余位预测模型，并通过训练好的余位预测模型和场库的周边交通态势来预测场库的余位数量以对场库的余位（上述的动态余位）进行校正。如此，在场库的运营过程中，因为通过预测模型对场库的余位实时校正，从而使得场库的余位一直趋向于真实值，这样，能够缓解因场库运营时间的增加而导致的场库的余位（此处为场库公布的余位）的统计误差越来越大的问题；此外，该过程中不需要人员经常进行盘点，可以降低人力成本。
在一实施例中，校正模块730用于将动态余位校正至与预测余位的差值在第一预设值之内。
在一实施例中，校正模块730用于每隔第一预设时间对场库的余位进行预测；如果第一预设时间内的动态余位与预测余位的差值大于第一预设值，将动态余位减/或加第二预设值以进行校准，并将校准后的动态余位作为场库在下一第一预设时间的初始时刻的余位数据。
在一实施例中，第二预设值不小于1且第一预设值大于第二预设值的两倍。
可选地，作为另一实施例，校正模块730还用于获取对场库的第一预设时间内余位进行人工盘点的余位数据，并判断余位数据与动态余位的差异。如果余位数据与动态余位不等，将余位数据作为动态余位。第一预设时间设置为小于人工盘点的周期。
在一实施例中，确定模块720用于基于场库在第一预设时间内车辆进离场数据和第一预设时间的初始时刻的余位数据，对场库的余位进行动态计算，以获得动态余位。
可选地，作为另一实施例，校正模块730还用于获取场库的在停车辆信息，以对位于在停车辆信息中的车辆是否为异常车辆进行识别；基于识别后的异常车辆校正动态余位。
在一实施例中，确定模块720用于将没有场库进入记录但是只有离场记录的异常车辆标记为幽灵车辆；将有场库进入记录且没有离场记录，但是在进入记录之后又在其他场库产生进、离场记录的异常车辆作为离场车辆。
在一实施例中，确定模块720用于在动态余位中加入对应幽灵车辆的数量；将动态余位中减去对应离场车辆的数量。
在一实施例中，获取样本场库的周边交通态势的样本数据，其中周边交通态势用于指示样本场库周边第二预设时间内的交通态势。例如，还可以获取人工标注余位，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位；
根据周边交通态势和样本场库的在停车辆数之间的函数关系，确定样本场库关于在停车辆数的预估函数；
将样本场库的总车位数减去预估函数，得到样本场库的预测余位；
利用预测余位训练预测模型。例如，在获取人工标注余位的情况下，根据预测余位和人工标注余位训练预测模型。
在一实施例中，周边交通态势包括时间、日期、节日、周边路况、天气以及场库的历史车辆进离场记录和历史余位变化记录中的至少两个。
在一实施例中，加权函数由线性回归模型或渐进梯度回归模型确定。
可选地，作为另一实施例，校正装置700还包括训练模块740，用于基于第一预设时间的周边交通态势的数据作为周边交通态势样本数据对余位预测模型进行训练。
可选地，作为另一实施例，训练模块740还用于获取样本场库的周边交通态势的样本数据和人工标注余位，其中周边交通态势用于指示样本场库周边第二预设时间内的交通态势，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位；根据周边交通态势和样本场库的在停车辆数之间的函数关系，确定样本场库关于在停车辆数的预估函数；将样本场库的总车位数减去预估函数，得到样本场库的预测余位；根据预测余位和人工标注余位训练预测模型。
在一实施例中，训练模块740基于加权函数对周边交通态势的样本数据进行加权计算，得到加权计算结果，其中加权函数用于表示周边交通态势的样本数据中不同种类的数据具有不同的权重；根据加权计算结果确定预估函数，其中预估函数为第二预设时间的在停车辆数与预设指数函数的乘积，预设指数函数的指数为加权计算结果，预设指数函数的底为第二预设时间内的周边交通态势与预设时刻的周边交通态势的比值。
应当理解，上述实施例中的创建模块710、确定模块720、校正模块70和训练模块740的操作和功能可以参考上述图3实施例中提供的校正方法中的描述，为了避免重复，在此不再赘述。
图8所示为本说明书一示例性实施例提供的余位预测模型的训练装置800的结构示意图。如图8所示，训练装置800包括获取模块810、确定模块820和训练模块830。
获取模块810用于获取样本场库的周边交通态势的样本数据，其中周边交通态势用于指示样本场库周边第二预设时间内的交通态势；确定模块820用于根据周边交通态势和样本场库的在停车辆数之间的函数关系，确定样本场库关于在停车辆数的预估函数。训练模块830用于将样本场库的总车位数减去预估函数，得到样本场库的预测余位；利用预测余位训练余位预测模型。例如，获取模块810还可以获取样本场库的人工标注余位，人工标注余位用于指示人工盘点的样本场库在第二预设时间内的余位，训练模块830进一步根据预测余位和人工标注余位训练预测模型。
在一实施例中，确定模块820用于基于加权函数对周边交通态势的样本数据进行加权计算，得到加权计算结果，其中加权函数用于表示周边交通态势的样本数据中不同种类的数据具有不同的权重；根据加权计算结果确定预估函数，其中预估函数为第二预设时间的在停车辆数与预设指数函数的乘积，预设指数函数的指数为加权计算结果，预设指数函数的底为第二预设时间内的周边交通态势与预设时刻的周边交通态势的比值。
在一实施例中，周边交通态势包括时间、日期、节日、周边路况、天气以及样本场库在的历史车辆进离场记录和历史余位变化记录中的至少两种。
在一实施例中，加权函数的计算模型包括线性回归模型或渐进梯度回归模型。
应当理解，上述实施例中的获取模块810、确定模块820和训练模块830的操作和功能可以参考上述图2实施例中提供的校正方法中的描述，为了避免重复，在此不再赘述。
图9所示为本说明书一示例性实施例提供的用于执行以上实施例的方法的电子设备900的框图。
参照图9，电子设备900包括处理组件910，其进一步包括一个或多个处理器，以及由存储器920所代表的存储器资源，用于存储可由处理组件910执行的指令，例如应用程序。存储器920中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件910被配置为执行指令，以执行上述实施例的校正方法或训练方法。
电子设备900还可以包括一个电源组件被配置为执行电子设备900的电源管理，一个有线或无线网络接口被配置为将电子设备900连接到网络，和一个输入输出（I/O）接口。可以基于存储在存储器920的操作系统操作电子设备900，例如Windows ServerTM、Mac OSXTM、UnixTM、LinuxTM、FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备900的处理器执行时，使得上述电子设备900能够执行上述实施例的校正方法或训练方法。
上述所有可选技术方案，可采用任意结合形成本说明书的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本说明书的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本说明书所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本说明书各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本说明书各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序校验码的介质。
需要说明的是，在本说明书的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本说明书的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所作的任何修改、等同替换等，均应包含在本说明书的保护范围之内。

Claims (13)

1.一种场库的余位的校正方法，其特征在于，包括：
获取所述场库第一预设时间内的周边交通态势的数据，所述周边交通态势用于指示所述场库周边第一预设时间内的交通态势；
根据所述场库的进出场车辆的数据确定所述场库的动态余位，并利用余位预测模型，根据所述周边交通态势的数据确定所述场库的预测余位，其中，所述余位预测模型利用至少一个场库的周边交通态势的样本数据进行训练得到，所述至少一个场库的周边交通态势用于指示样本场库周边第二预设时间内的交通态势；
每隔第一预设时间对所述场库的余位进行预测，其中，如果所述第一预设时间内的所述动态余位与所述预测余位的差值大于第一预设值，将所述动态余位减/或加第二预设值以进行校准，并将校准后的所述动态余位作为所述场库在下一所述第一预设时间的初始时刻的余位数据。
2.根据权利要求1所述的场库的余位的校正方法，其特征在于，还包括:
获取在所述第一预设时间内对所述场库的余位进行人工盘点的余位数据，并判断所述余位数据与所述第一预设时间内的动态余位的差异；
如果所述余位数据与所述动态余位不等，将所述余位数据作为所述动态余位，
其中，所述第一预设时间设置为小于所述人工盘点的周期。
3.根据权利要求1所述的场库的余位的校正方法，其特征在于，所述根据所述场库的进出场车辆的数据确定所述场库的动态余位，包括：
基于所述场库在所述第一预设时间内车辆进离场数据和所述第一预设时间的初始时刻的余位数据，对所述场库的余位进行动态计算，以获得所述动态余位。
4.根据权利要求3所述的场库的余位的校正方法，其特征在于，还包括：
获取所述场库的在停车辆信息，以对位于所述在停车辆信息中的车辆是否为异常车辆进行识别；
基于识别后的所述异常车辆校正所述动态余位。
5.根据权利要求4所述的场库的余位的校正方法，其特征在于，
所述获取所述场库的在停车辆信息，以确定位于所述在停车辆信息中的车辆是否为异常车辆包括：将没有场库进入记录但是只有离场记录的所述异常车辆标记为幽灵车辆；将有场库进入记录且没有离场记录，但是在所述进入记录之后又在其他场库产生进、离场记录的所述异常车辆作为离场车辆；
所述基于识别后的所述异常车辆校正所述动态余位包括：在所述动态余位中加入对应所述幽灵车辆的数量；将所述动态余位中减去对应所述离场车辆的数量。
6.根据权利要求1所述的场库的余位的校正方法，其特征在于，所述余位预测模型为所述场库的总车位数与预估函数的差值，所述预估函数为预设指数函数与所述第一预设时间内的预设时刻的在停车辆数的乘积，
所述预设指数函数的底为所述第一预设时间内的所述周边交通态势与所述第一预设时间内的预设时刻的周边交通态势的比值，所述预设指数函数的指数为基于所述特征参数建立的加权函数，所述特征参数包括所述周边交通态势的数据。
7.根据权利要求1所述的场库的余位的校正方法，其特征在于，还包括：
基于所述第一预设时间的所述周边交通态势的数据作为周边交通态势样本数据对所述余位预测模型进行训练。
8.根据权利要求1至7中的任一项所述的场库的余位的校正方法，其特征在于，还包括：
获取样本场库的周边交通态势的样本数据和人工标注余位，其中所述周边交通态势用于指示所述样本场库周边所述第二预设时间内的交通态势，所述人工标注余位用于指示人工盘点的所述样本场库在所述第二预设时间内的余位；
根据周边交通态势和所述样本场库的在停车辆数之间的函数关系，确定所述样本场库关于所述在停车辆数的预估函数；
将所述样本场库的总车位数减去所述预估函数，得到所述样本场库的预测余位；
根据所述预测余位和所述人工标注余位训练所述预测模型。
9.根据权利要求8所述的校正方法，所述根据所述周边交通态势和所述样本场库的在停车辆数之间的函数关系，确定关于所述在停车辆数的预估函数，包括：
基于加权函数对所述周边交通态势的样本数据进行加权计算，得到加权计算结果，其中所述加权函数用于表示所述周边交通态势的样本数据中不同种类的数据具有不同的权重；
根据所述加权计算结果确定所述预估函数，其中所述预估函数为所述第二预设时间的在停车辆数与预设指数函数的乘积，所述预设指数函数的指数为所述加权计算结果，所述预设指数函数的底为所述第二预设时间内的所述周边交通态势与所述第一预设时间内的预设时刻的周边交通态势的比值。
10.一种场库的余位预测模型的训练方法，其特征在于，包括：
获取样本场库的周边交通态势的样本数据，其中所述周边交通态势用于指示所述样本场库周边第二预设时间内的交通态势；
基于加权函数对所述周边交通态势的样本数据进行加权计算，得到加权计算结果，其中所述加权函数用于表示所述周边交通态势的样本数据中不同种类的数据具有不同的权重；
根据所述加权计算结果确定预估函数，其中所述预估函数为所述第二预设时间的在停车辆数与预设指数函数的乘积，所述预设指数函数的指数为所述加权计算结果，所述预设指数函数的底为所述第二预设时间内的所述周边交通态势与所述第一预设时间内的预设时刻的周边交通态势的比值；
将所述样本场库的总车位数减去所述预估函数，得到所述样本场库的预测余位；
利用所述预测余位训练所述余位预测模型。
11.一种场库的余位的校正装置，其特征在于，包括：
获取模块，用于获取所述场库的第一预设时间内的周边交通态势的数据；
确定模块，用于根据所述场库的进出场车辆的数据确定所述场库的动态余位，并利用余位预测模型，根据所述周边交通态势的数据确定所述场库的预测余位，其中，所述余位预测模型利用至少一个场库的周边交通态势的样本数据进行训练得到，其中所述周边交通态势用于指示所述样本场库周边第二预设时间内的交通态势；
校正模块，用于每隔第一预设时间对所述场库的余位进行预测，其中，如果所述第一预设时间内的所述动态余位与所述预测余位的差值大于第一预设值，将所述动态余位减/或加第二预设值以进行校准，并将校准后的所述动态余位作为所述场库在下一所述第一预设时间的初始时刻的余位数据。
12.一种场库的余位预测模型的训练装置，其特征在于，包括：
获取模块，用于获取样本场库的周边交通态势的样本数据，其中所述周边交通态势用于指示所述样本场库周边第二预设时间内的交通态势；
确定模块，用于基于加权函数对所述周边交通态势的样本数据进行加权计算以得到加权计算结果，并且根据所述加权计算结果确定预估函数，其中，所述加权函数用于表示所述周边交通态势的样本数据中不同种类的数据具有不同的权重，所述预估函数为所述第二预设时间的在停车辆数与预设指数函数的乘积，所述预设指数函数的指数为所述加权计算结果，所述预设指数函数的底为所述第二预设时间内的所述周边交通态势与所述第一预设时间内的预设时刻的周边交通态势的比值；
训练模块，用于将所述样本场库的总车位数减去所述预估函数，得到预测余位，并利用所述预测余位训练所述余位预测模型。
13.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器，
其中，所述处理器用于执行上述权利要求1至9中任一项所述的场库的余位的校正方法，或者用于执行上述权利要求10所述的场库的余位预测模型的训练方法。
CN202210913345.0A 2022-08-01 2022-08-01 场库的余位的校正方法、余位预测模型的训练方法和装置 Active CN115019551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210913345.0A CN115019551B (zh) 2022-08-01 2022-08-01 场库的余位的校正方法、余位预测模型的训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210913345.0A CN115019551B (zh) 2022-08-01 2022-08-01 场库的余位的校正方法、余位预测模型的训练方法和装置

Publications (2)

Publication Number Publication Date
CN115019551A CN115019551A (zh) 2022-09-06
CN115019551B true CN115019551B (zh) 2022-11-15

Family

ID=83065505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210913345.0A Active CN115019551B (zh) 2022-08-01 2022-08-01 场库的余位的校正方法、余位预测模型的训练方法和装置

Country Status (1)

Country Link
CN (1) CN115019551B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009211253A (ja) * 2008-03-03 2009-09-17 Toyota Motor Corp 駐車場情報提供システム、サーバ、情報端末
CN105513414A (zh) * 2015-12-25 2016-04-20 江苏东大金智信息系统有限公司 基于实时交通查询和云模型的停车场车位预测和推荐方法
CN110059884A (zh) * 2019-04-23 2019-07-26 常州市规划设计院(常州市规划编研中心) 一种学校接送中心停车位预估方法
CN110503104A (zh) * 2019-08-29 2019-11-26 桂林电子科技大学 一种基于卷积神经网络的短时剩余车位数量预测方法
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
CN113223291A (zh) * 2021-03-19 2021-08-06 青岛亿联信息科技股份有限公司 停车场空闲车位数量预测系统及方法
CN114519932A (zh) * 2022-01-10 2022-05-20 中国科学院深圳先进技术研究院 一种基于时空关系抽取的区域交通状况集成预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114390079B (zh) * 2022-03-24 2022-06-03 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009211253A (ja) * 2008-03-03 2009-09-17 Toyota Motor Corp 駐車場情報提供システム、サーバ、情報端末
CN105513414A (zh) * 2015-12-25 2016-04-20 江苏东大金智信息系统有限公司 基于实时交通查询和云模型的停车场车位预测和推荐方法
CN110059884A (zh) * 2019-04-23 2019-07-26 常州市规划设计院(常州市规划编研中心) 一种学校接送中心停车位预估方法
CN110503104A (zh) * 2019-08-29 2019-11-26 桂林电子科技大学 一种基于卷积神经网络的短时剩余车位数量预测方法
CN113223291A (zh) * 2021-03-19 2021-08-06 青岛亿联信息科技股份有限公司 停车场空闲车位数量预测系统及方法
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
CN114519932A (zh) * 2022-01-10 2022-05-20 中国科学院深圳先进技术研究院 一种基于时空关系抽取的区域交通状况集成预测方法

Also Published As

Publication number Publication date
CN115019551A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN112470199B (zh) 用于点对点流量预测的系统和方法
CN101187943B (zh) 自动更新系统、自动更新方法及其程序
CN112435469B (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
CN104471573A (zh) 更新高速缓存的数据库查询结果
US10067038B2 (en) Analyzing equipment degradation for maintaining equipment
CN112184939B (zh) 员工考勤情况的判定方法、装置、存储介质及电子设备
RU2751381C2 (ru) Способ прогнозирования динамики дорожного движения в системе дорог
CN117935561B (zh) 一种基于北斗数据的智能交通流分析方法
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
CN109979193A (zh) 一种基于马尔科夫模型的数据异常诊断方法
CN115907181A (zh) 一种城市轨道交通乘客流量预测方法及系统
CN115375205A (zh) 一种用水用户画像的确定方法、装置及设备
CN114283590B (zh) 车流量高峰预测方法及装置、电子设备
GB2584862A (en) System and method for populating a database with occupancy data of parking facilities
CN111800807A (zh) 一种基站用户数量告警的方法及装置
CN115019551B (zh) 场库的余位的校正方法、余位预测模型的训练方法和装置
CN117093943A (zh) 一种用电量监测预警方法及装置
CN114135794B (zh) 一种水网漏损的检测方法及装置
JP4764744B2 (ja) 巡回計画作成プログラムおよび巡回計画作成装置
CN114550028A (zh) 车辆的任务进度获取方法、电子设备、介质及产品
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN112381386A (zh) 一种车辆稽查布控方法、装置、电子设备和存储介质
CN115578854B (zh) 收费站车辆排队长度预测方法、装置、设备及存储介质
CN118279820A (zh) 一种基于长短时记忆网络的车位监控方法和装置以及设备
CN117173898B (zh) 基于停车场流水数据的分时段分目的出行od提取方法

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