CN115640756A - 一种基于多源数据的停车需求预测模型、方法及其应用 - Google Patents

Abstract

本方案提供了一种基于多源数据的停车需求预测模型、方法及其应用，该方案获取至少一单场库的历史停车需求时序数据及历史天气数据，将每一单场库的历史停车需求时序数据输入到CNN‑LSTM模型的卷积神经网络进行卷积处理后得到停车需求卷积数据，停车需求卷积数据输入到CNN‑LSTM模型的长短时记忆网络中进行处理后得到停车需求展平数据，历史天气数据被展平后与所述停车需求展平数据进行合并得到合并特征，合并特征输入到预测头部预测得到每一单场库的未来单位时间的预估停车需求，实现了结合多源数据的单场库的预估停车需求的预测，且还设计了一套可预估区域的区域预估停车需求的方案。

Description

一种基于多源数据的停车需求预测模型、方法及其应用

技术领域

本申请涉及智慧停车领域，特别是涉及一种基于多源数据的停车需求预测模型、方法及其应用。

背景技术

近年来，智慧停车发展步入快车道，许多城市已开始努力破解停车难题，着眼于“停车难”出行痛点，探索布局智慧停车设施建设，然而智慧停车设置的建设离不开对当前区域的停车需求的准确分析，换言之，停车需求预测分析是监管和运营单位确定停车设施布局和规模的前提工作，对缓解停车难问题具有重要意义。

当前区域的停车需求取决于诸多因素，包括但不限于当前区域的汽车流量、已有停车设施的数量，当前区域的地势情况等。目前市面上的停车需求分析方法大部分都是着眼于当前或者已有数据对该区域进行分析，但是当前区域的居民汽车数量是持续增长、区域特质也是不断变化的，当前时刻的停车需求是无法适配于未来的停车需求的，导致此类分析方法分析得到的停车需求难以满足城市停车设施规划的需求。另外，还有些技术着眼于对停车需求进行预测，但是大部分的停车需求预测模型仅着眼于对特定的数据进行预测分析，难以得到全面、客观的预测结果，比如目前行业中使用的停车产生率模型，该停车产生率模型着眼于针对用地类型进行停车需求的预测，且其方案需要针对不同用地类型获得统计值进而合并为区域值，虽然可以加入其它耦合因素提高准确率，但要花费极大的工作量对各类不同性质用地作广泛而详细的调查，且用地类型复杂地区适用性低。

综上所述，目前市面上依旧是缺乏可准确、全面、客观的停车需求预测模型。

发明内容

本申请实施例提供了一种基于多源数据的停车需求预测模型、方法及其应用。

第一方面，本申请实施例提供了一种基于多源数据的停车需求预测模型的构建方法，包括以下步骤：

获取训练数据：获取至少一单场库的历史停车数据及历史天气数据，其中所述历史停车数据包括但不限于剩余泊位时序数据、入场时序数据以及历史违停数据，基于所述历史停车数据计算得到历史停车需求数据，对所述历史停车需求数据进行时序重构后得到以日期为单位的历史停车需求时序数据；

利用所述训练样本对CNN-LSTM模型进行训练得到停车需求预测模型，其中将每一单场库的所述历史停车需求时序数据输入到CNN-LSTM模型的卷积神经网络进行卷积处理后得到停车需求卷积数据，所述停车需求卷积数据输入到CNN-LSTM模型的长短时记忆网络中进行处理后得到停车需求展平数据，所述历史天气数据被展平后与所述停车需求展平数据进行合并得到合并特征，所述合并特征输入到预测头部预测得到每一单场库的未来单位时间的预估停车需求。

第二方面，本申请实施例提供了一种基于多源数据的停车需求预测模型，根据所述的基于多源数据的停车需求预测模型的构建方法构建得到。

第三方面， 本申请实施例提供了一种基于多源数据的停车需求预测方法，包括以下步骤：获取单场库待预测的日期和日期的天气数据，将所述待预测的日期和所述天气数据输入到所述的停车需求预测模型中，输出预估停车需求。

第四方面，本申请实施例提供了一种基于多源数据的停车需求预测方法，包括以下：

确定包括至少两场库的区域，其中所述场库包括已接入场库和未接入场库；

获取区域的区域违停数据、所述已接入场库的历史停车需求以及每一所述场库的POI密度特征；

将所述已接入场库的预估日期和对应的天气数据输入到所述的基于多源数据的停车需求预测模型中得到所述已接入场库的预估停车需求；

将所述未接入场库的POI密度特征输入到邻近预测模型中预测得到未接入场库的预估停车需求，其中所述邻近预测模型通过已接入场库的POI密度特征、历史停车需求以及预估停车需求训练得到；

统计区域内所有场库的预估停车需求以及所述区域违停数据得到区域预估停车需求。

第五方面， 本申请实施例提供了一种基于多源数据的停车需求预测装置，包括：

区域确定单元，用于确定包括至少两场库的区域，其中所述场库包括已接入场库和未接入场库；

数据获取单元，用于获取区域的区域违停数据、所述已接入场库的历史停车需求以及每一所述场库的POI密度特征；

已接入场库预测单元，用于将所述已接入场库的预估日期和对应的天气数据输入到所述的基于多源数据的停车需求预测模型中得到所述已接入场库的预估停车需求；

未接入场库预测单元，用于将所述未接入场库的POI密度特征输入到邻近预测模型中预测得到未接入场库的预估停车需求，其中所述邻近预测模型通过已接入场库的POI密度特征、历史停车需求以及预估停车需求训练得到；

区域预估单元，用于统计区域内所有场库的预估停车需求以及所述区域违停数据得到区域预估停车需求。

第六方面，本申请实施例提供了一种电子装置，包括存储器和处理器，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所述的基于多源数据的停车需求预测模型的构建方法或者所述的基于多源数据的停车需求预测方法。

第七方面，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，所述过程包括根据所述的基于多源数据的停车需求预测模型的构建方法或者所述的基于多源数据的停车需求预测方法。

本发明的主要贡献和创新点如下：

本申请实施例提供了一种通过单场库的多源数据准确客观预测单场库的预估停车需求的停车需求预测模型，该停车需求预测模型综合了单场库的历史停车需求时序数据以及历史天气数据训练得到，可准确地预估单场库的预估停车需求。不仅如此，本方案还提供了一种基于已接入场库的预估停车需求以POI密度特征为参考媒介来获取未接入场库的预估停车需求的方法，进而可以结合多源数据来获取区域的区域预估停车需求，该方案经过实际验证后的误差率小于15%。

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基于多源数据的停车需求预测模型的模型逻辑架构图；

图2是根据本申请一种实施例的基于多源数据的停车需求预测模型的模型结构图；

图3是根据本申请实施例的输入卷积神经网络的历史停车需求时序数据的示意图；

图4是根据本申请实施例的一种基于多源数据的停车需求预测方法的流程示意图；

图5是根据本申请实施例的一种基于多源数据的停车需求预测装置的结构示意图；

图6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

本方案提供了一种基于多源数据的停车需求预测模型、方法及其应用，该方案首先基于区域内已接入的场库的历史停车数据综合历史天气数据对该单场库的单场库停车需求进行预测，并可基于预测得到的单场库停车需求综合各种多源数据利用K近邻算法等得到未接入的场库停车需求，进而得到当前区域的综合停车需求。该方案融合了区域内路网结构、土地利用、场库实时入场车辆数以及历史停车需求等多源数据，实现对网格或单个场库的停车需求预测与特性分析。该方法可计算出区域内停车需求量，为监管单位、运营单位提供停车设施布局和建设的依据支撑。

第一方面，本方案提供了一种基于多源数据的停车需求预测模型的构建方法，包括以下步骤：

获取训练数据：获取至少一单场库的历史停车数据及历史天气数据，其中所述历史停车数据包括但不限于剩余泊位时序数据、入场时序数据以及历史违停数据，基于所述历史停车数据计算得到历史停车需求数据，对所述历史停车需求数据进行时序重构后得到以日期为单位的历史停车需求时序数据；

利用所述训练样本对CNN-LSTM模型进行训练得到停车需求预测模型，其中将每一单场库的所述历史停车需求时序数据输入到CNN-LSTM模型的卷积神经网络进行卷积处理后得到停车需求卷积数据，所述停车需求卷积数据输入到CNN-LSTM模型的长短时记忆网络中进行处理后得到停车需求展平数据，所述历史天气数据被展平后与所述停车需求展平数据进行合并得到合并特征，所述合并特征输入到预测头部预测得到每一单场库的未来单位时间的预估停车需求。

本方案利用以上方案可构建得到可预测单场库未来时刻的停车需求的停车需求预测模型，值得注意的，该停车需求预测模型是针对特定的单场库构建得到的。当用户需要知晓该场库未来时刻的停车需求时，将未来时刻的日期以及该日期的天气输入到所述停车需求预测模型中即可获取该场库未来单位时间的停车需求。

值得一提的是，本方案综合当前单场库的入场时序数据、剩余泊位时序数据以及历史违停数据来计算当前单场库的历史停车需求数据。具体的，在“基于所述历史停车数据计算得到历史停车需求数据”步骤中，根据所述入场时序数据计算单位时间的场库入场数，根据所述剩余泊位时序数据获取单位时间的剩余泊位数，依据当前时间的场库入场数和上一单位时间的剩余泊位数来计算当前时间的停车需求，汇总所有当前时间的停车需求得到历史停车需求数据。

具体的，若上一单位时间的剩余泊位数大于当前单位时间的场库入场数，则当前单位时间的场库入场数为当前单位时间的停车需求；若上一单位时间的剩余泊位数不大于当前单位时间的场库入场数，将当前单位时间的场库入场数和当前单位时间的历史违停数据进行加权合并得到当前单位时间的停车需求；若上一单位时间的剩余泊位数为0时，则获取历史日期的单位时间的停车需求的平均值作为当前单位时间的停车需求。

在本方案中，剩余泊位时序数据指的是当前场库的不同时刻的剩余泊位数，入场时序数据指的是当前场库的不同时刻的场库入场数，历史违停数据指的是当前场库附近区域的不同时刻的车辆违停数。剩余泊位时序数据、入场时序数据以及历史违停数据均可通过运营单位直接或间接得到。历史天气数据知道是不同时刻的天气数据，历史天气数据也可以直接通过天气预测网站获取。

本方案是通过入场时序数据获取场库入场数，在“根据所述入场时序数据计算单位时间的场库入场数”步骤中，将单位时间内的场库入场数据进行累加，减去单位时间内重复进入场库的车辆数，得到单位时间的场库入场数。

且本方案根据单位时间的场库入场数和上一单位时间的剩余泊位数之间的差值进行存量前移后，选择不同的计算停车需求的方案。这样的计算得到的停车需求是符合实际情况的，一般来说，若上一单位时间的剩余泊位数大于当前单位时间的场库入场数，则意味着当前单位时间的驶入场库的车都可以停在场库内，此时当前单位时间的场库入场数为当前单位时间的停车需求；而若上一单位时间的剩余泊位数不大于当前单位时间的场库入场数，则意味着出现了场库饱和的情况，此时停不下的车子就会驶出场库，且会有些车辆选择违停的方式停在该场库的违停区域，则需要将当前单位时间的场库入场数和当前单位时间的历史违停数据进行加权合并得到当前单位时间的停车需求，以体现无违停情况下的最大停车需求。具体的加权合并方法可人为进行设定。若上一单位时间的剩余泊位数为0时，则会在场库的入场大屏上告知或者直接禁止车辆驶入场库，此时场库入场数为0，但并不代表此时场库没有停车需求，此时需要利用历史停车需求数据对该缺失值进行补全，故获取历史日期的单位时间的停车需求的平均值作为当前单位时间的停车需求。

另外，由于本方案是根据时间为单位对停车需求进行预测的，故需要对所述历史停车需求数据进行时序重构后得到以日期为单位的历史停车需求时序数据。

在“对所述历史停车需求数据进行时序重构后得到以日期为单位的历史停车需求时序数据”步骤中，将所述历史停车需求数据重构成以周期天数为边长的平方矩阵，其中所述平方矩阵的列为依据时间排序的周期天数，所述平方矩阵的行为当前日期的多个时间间隔的历史停车需求数据，所述平方矩阵作为历史停车需求时序数据。

本方案利用CNN-LSTM模型对历史停车需求时序数据以及历史天数数据进行训练，所述CNN-LSTM模型包括前后连接的卷积神经网络以及长短时记忆网络，历史停车需求时序数据作为卷积神经网络的卷积层的输入，在卷积神经网络中进行卷积处理后得到停车需求卷积数据，所述停车需求卷积数据输入到CNN-LSTM模型的长短时记忆网络中进行处理后得到停车需求展平数据，所述历史天气数据被展平后与所述停车需求展平数据进行合并得到合并特征，所述合并特征输入到预测头部预测得到每一单场库的未来单位时间的停车需求。

如图1所示，所述CNN-LSTM模型的结构被展示，卷积神经网络包括依次连接的二维卷积层、二维池化层、展平层以及随机失活层，历史停车需求数据被重构成历史停车需求时序数据后输入到卷积神经网络中被处理得到停车需求卷积数据，停车需求卷积数据输入到长短时记忆网络中被处理后经过全连接层和展平层后得到停车需求展平数据；历史天气数据打上标签后经历独热编码后经过展平层得到天气展平数据，天气展平数据和所述停车需求展平数据进行合并后经历全连接层后得到预测结果，预测结果被输出。

如图2所示，所述二维卷积层内包括同于数量同于周期天数的时间窗口，每一时间窗口后接对应的二维池化层、展平层以及随机失活层，所有随机失活层的输出作为停车需求卷积数据。历史停车需求时序数据作为不同的输入元素输入对应的时间窗口，并经过卷积神经网络的处理后得到停车需求卷积数据，停车需求卷积数据输入到长短时记忆网络中被处理得到停车需求展平数据，历史天气数据也被独热编码后得到天气展平数据，天气展平数据和停车需求展平数据进行合并后输入到全连接层中被预测。如图2所示，附图2中左上角的是滤波器的层数，当卷积层使用三维滤波器的时候，存在一个滤波器的深度和单个滤波器的维度问题，每个滤波器的维度为L*L，卷积层内有F个滤波器，F为三维深度。图2中的多个二维卷积层组成了时间分布卷积层，多个最大池化层构成时间分布最大池化层，多个展平层构成时间分布展平层。

具体的，设定重构数据所需的周期天数以及相邻历史停车需求数据的时间间隔，构建时间窗口数量同于周期天数的卷积层，将周期天数内的历史停车需求时序数据输入到所述卷积层进行卷积处理，所述卷积层的多个时间窗口跨越日间和日内维度，以周期天数为28为例，在日间维度中，28表示训练数据的28个连续日，在日内维度中，28则表示28个时间间隔。

如图3所示，将以平方矩阵形式存在的历史停车需求时序数据作为卷积层的输入，输入卷积层的每一时间窗口的历史停车需求时序数据的列为依据时间排序的周期天数，行为不同时间间隔的历史停车需求数据。具体的，输入到第一个时间窗口的历史停车需求时序数据的最后一行为对应日期的第一个时间间隔t的历史停车需求数据，输入到第二个时间窗口的历史停车需求时序数据的最后两行为对应日期的第一个时间间隔t和第二时间间隔t的历史停车需求数据,输入到最后一个时间窗口的历史停车需求时序数据的最后一行为对应日期的全部时间间隔t的历史停车需求数据。

设定卷积层的时间窗口数为28，若选择的第一天为1月1日，则输入到卷积层内的每个输入元素的列是从1月1日的第一列到1月28日的第28列，每列包含的时间范围为28*t,t为历史停车需求数据的时间间隔，第一个输入元素的最后一行历史停车数据是对应日期第一个时间间隔t的历史停车需求数据，第二个输入元素的最后两行历史停车数据是对应日期第一个和第二个时间间隔t的历史停车需求数据，最后一个输入元素的历史停车数据是对应日期最后28个时间间隔t的历史停车需求数据。

所述停车需求卷积数据输入到CNN-LSTM模型的长短时记忆网络中进行处理，并经历全连接层和展平层后得到停车需求展平数据。所述历史天气数据作为辅助数据进行one-hot编码后被展平并作为辅助数据和停车需求展平数据合并得到合并特征，所述合并特征输入到全连接层中进行预测得到未来单位时间的停车需求。

本方案提供的基于多源数据的停车需求预测模型的构建方法构建得到的停车需求预测模型可针对单场库进行停车需求的预测。当需要预测单场库的预估停车需求，则将需要预测的日期和日期的天气输入到停车需求预测模型中进行预测，通过反归一化参数还原预测数据得到预估停车需求。

实施例二，本方案提供了一种根据上述基于多源数据的停车需求预测模型构建得到的停车需求预测模型，该基于多源数据的停车需求预测模型的应用方法如下：

获取单场库待预测的日期和日期的天气数据，

将所述待预测的日期和所述天气数据输入上述经训练得到的停车需求预测模型中，输出预估停车需求。

实施例三，本方案还提供了一种基于多源数据的停车需求预测方法，该停车需求预测方法不仅仅考虑了单场库的预估停车需求，还综合考虑了包含多个场库的区域的区域预估停车需求。区域代表了在实际场景中的地理区域，如街道、社区、交通小区、城管网格等等，在预测分析过程中，使用地理网格作为区域相对应的实际计算参数。

若该区域内含有的场库均是已接入系统管控的已接入场库，则统计所有已接入场库的预估停车需求以及区域内的区域违停数据作为该区域的区域预估停车需求；而若该区域内含有的场库包括接入系统管控的已接入场库和未接入系统管控的未接入场库时，则需要利用已接入场库的预估停车需求来预测未接入场库的预估停车需求，再综合所有场库的预估停车需求和区域违停数据来获取该区域的区域预估停车需求。

具体的，如图4所示本方案针对区域内含有未接入场库的情况进行场库预估停车需求的预测，本方案提供了一种基于多源数据的停车需求预测方法，包括以下步骤：

确定包括至少两场库的区域，其中所述场库包括已接入场库和未接入场库；

获取区域的区域违停数据、所述已接入场库的历史停车需求以及每一所述场库的POI密度特征；

将所述已接入场库的预估日期和对应的天气数据输入到上述基于多源数据的停车需求预测模型中得到所述已接入场库的预估停车需求；

将所述未接入场库的POI密度特征输入到邻近预测模型中预测得到未接入场库的预估停车需求，其中所述邻近预测模型通过已接入场库的POI密度特征、历史停车需求以及预估停车需求训练得到；

统计区域内所有场库的预估停车需求以及所述区域违停数据得到区域预估停车需求。

值得一提的是，本方案中提到的已接入场库指的是接入系统管控的场库，此类已接入场库的预估停车需求可通过上述停车需求预测模型进行预测得到，相对的，未接入场库指的是未接入系统管控的场库，由于此类未接入场库的场库数据是缺失的，故无法通过上述停车需求预测模型进行预估，本方案基于POI密度特征的相似性根据KNN方法从已接入场库的预估停车需求推演出未接入场库的预估停车需求。

在“确定包括至少两场库的区域，其中所述场库包括已接入场库和未接入场库”步骤中，用户可根据实际的管控需求划分对应的区域。示例性的，本方案根据网格数据来划分不同的区域，网格数据可使用街道、城管网格等，这部分数据可从监管单位获取。

在“获取每一所述场库的POI密度特征”步骤中，建立每一所述场库的周围缓冲区，将POI数据分配到各自的所述周围缓冲区内得到每一所述场库的POI数量，根据所述POI数量和所述周围缓冲区的面积计算所述POI密度特征。

在本方案中，以每一场库为圆心，以设定空间距离为半径确定周围缓冲区，根据所述周围缓冲区内的POI密度特征可确定该周围缓冲区的用地性质。

在本方案中,POI密度特征表征该周围缓冲区的各类POI类别。在“根据所述POI数量和所述周围缓冲区的面积计算所述POI密度特征”步骤中，将所述周围缓冲区内每个POI类别的POI数量和POI的总数取商值作为该POI类别的频数密度，综合所有POI类别的频数密度得到POI密度特征。

在本方案的实施例中，POI数据包括餐饮服务、购物服务、生活服务、体育休闲服务、医疗保健服务、风景名胜、商务住宅、政府机构及社会团体、科教文化服务、公司企业类型这些类别，并将生活服务、商务住宅都划入生活居住大类；将公司企业作为公司商务大类；将购物服务、体育休闲服务、风景名胜、餐饮服务都划入消费娱乐大类；将医疗保健服务、政府机构及社会团体、科教文化服务都划入公共服务大类。也就是说，本方案的POI类别包括但不限于生活居住大类、公司商务大类、消费娱乐大类以及公共服务大类，具体的POI类别根据实际需求可调整。每一类的POI数据包括但不限于该POI的名称、坐标、POI类别。

在“获取区域的区域违停数据”步骤中，本方案通过城市管理部门获取该周围缓冲区内的违停数据。

本方案通过已接入场库的多源数据训练所述邻近预测模型，具体的，将所述已接入场库的历史停车需求和预估停车需求按照时间顺序进行排布得到已接入场库的停车需求时间特征，将所述停车需求时间特征和所述POI密度特征进行合并后作为训练样本输入到邻近预测模型进行训练，将未接入场库的POI密度特征输入到所述邻近预测模型中进行预测得到未接入场库的预估停车需求。

本方案提供的邻近预测模型为利用K近邻算法构建的KNN模型，K近邻算法的原理是：如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于该类别，并且具有该类别上样本的特性，故本方案可通过K仅邻算法来预测未接入场库的预估停车需求。

值得一提的是，以上方案是针对有场库的区域进行区域预估停车需求的预测，而对于没有场库的区域则采用网格反距离加权法对区域预估停车需求进行空间插值以获取所有网格停车需求。

网格反距离加权法具体如下：

由于没有场库的区域的停车需求与其周围一定距离内已知场库的停车有关，这种关系与已知场库到被估算区域中心点的距离的 n次幂成反比，故本方案可将这些计算的值进行平均得到，即距离越近的场库权重越大。

计算公式如下：

其中Z ₀ 表示没有场库的区域的停车需求值；Z _i 为第 i( i = 1，2，3··n ) 个已知场库的停车需求值；p 为距离的幂， 它显著影响内插的结果，它的选择标准是最小平均绝对误差；D _i 为距离。

本方案运用CNN-LSTM模型、K近邻算法等技术方法构建了一种停车需求预测方法，实现对区域或单个场库的停车需求预测与特性分析，主要利用区域内路网结构、土地利用、场库实时入场车辆数以及历史停车需求等数据，建立区域内（单个场库或网格）的停车需求估计方法，实现对停车需求的估计与预测。

本方案在对单场库的预估停车需求以及区域的区域预估停车需求进行预测后，选用平均相对误差MAPE对方案进行验证，本方案预的标准误差控制在15%以下，能够取得理论上的使用效果。

具体的验证方法如下：

（1）短时停车需求预测算法验证标准：

平均相对误差MAPE，具体定义为：

其中

表示某场库某时刻（例如一小时后）的停车需求的预测值，x _i 表示对应的停车需求真实值（这里的真实值就跟历史停车需求一样，利用进入车辆数和违停车辆数计算得到），n表示总场库数量。

（2）长时停车需求预测算法验证标准：

平均相对误差MAPE，具体定义为：

其中

表示某场库/某区域某日（例如明天）某时点（在距离上一时点这段时间内）的停车需求的预测值，x _ij 表示对应的停车需求真实值（这里的真实值就跟历史停车需求一样，利用进入车辆数和违停车辆数计算得到），n表示总场库数量，m表示日的总时数（一天内预测了m个时点的停车需求数）。

实施例四

基于相同的构思，参考图5，本申请还提出了一种基于多源数据的停车需求预测装置，包括：

区域确定单元，用于确定包括至少两场库的区域，其中所述场库包括已接入场库和未接入场库；

数据获取单元，用于获取区域的区域违停数据、所述已接入场库的历史停车需求以及每一所述场库的POI密度特征；

已接入场库预测单元，用于将所述已接入场库的预估日期和对应的天气数据输入到上述基于多源数据的停车需求预测模型中得到所述已接入场库的预估停车需求；

未接入场库预测单元，用于将所述未接入场库的POI密度特征输入到邻近预测模型中预测得到未接入场库的预估停车需求，其中所述邻近预测模型通过已接入场库的POI密度特征、历史停车需求以及预估停车需求训练得到；

区域预估单元，用于统计区域内所有场库的预估停车需求以及所述区域违停数据得到区域预估停车需求。

关于该实施例四中提及的内容相同于实施例一至实施例三的内容不再重复进行说明。

实施例五

本实施例还提供了一种电子装置，参考图6，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任一项一种基于多源数据的停车需求预测方法及一种基于多源数据的停车需求预测模型的构建方法的实施例中的步骤。

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（ApplicationSpecificIntegratedCircuit，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（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，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可包括可移除或不可移除（或固定）的介质。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-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，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（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，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-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，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（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，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基于多源数据的停车需求预测方法及一种基于多源数据的停车需求预测模型的构建方法的实施例中的步骤。

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，输入的信息可以是区域信息，已接入场库的场库信息等，输出的信息可以是区域预估停车需求等。

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：

确定包括至少两场库的区域，其中所述场库包括已接入场库和未接入场库；

获取区域的区域违停数据、所述已接入场库的历史停车需求以及每一所述场库的POI密度特征；

将所述已接入场库的预估日期和对应的天气数据输入到上述基于多源数据的停车需求预测模型中得到所述已接入场库的预估停车需求；

将所述未接入场库的POI密度特征输入到邻近预测模型中预测得到未接入场库的预估停车需求，其中所述邻近预测模型通过已接入场库的POI密度特征、历史停车需求以及预估停车需求训练得到；

统计区域内所有场库的预估停车需求以及所述区域违停数据得到区域预估停车需求。

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。

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特征所有可能的组合都进行描述，然而，只要这些技术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 (15)

1.一种基于多源数据的停车需求预测模型的构建方法，其特征在于，包括以下步骤：

获取训练数据：获取至少一单场库的历史停车数据及历史天气数据，其中所述历史停车数据包括但不限于剩余泊位时序数据、入场时序数据以及历史违停数据，基于所述历史停车数据计算得到历史停车需求数据，对所述历史停车需求数据进行时序重构后得到以日期为单位的历史停车需求时序数据；

利用所述训练样本对CNN-LSTM模型进行训练得到停车需求预测模型，其中将每一单场库的所述历史停车需求时序数据输入到CNN-LSTM模型的卷积神经网络进行卷积处理后得到停车需求卷积数据，所述停车需求卷积数据输入到CNN-LSTM模型的长短时记忆网络中进行处理后得到停车需求展平数据，所述历史天气数据被展平后与所述停车需求展平数据进行合并得到合并特征，所述合并特征输入到预测头部预测得到每一单场库的未来单位时间的预估停车需求。

2.根据权利要求1所述的基于多源数据的停车需求预测模型的构建方法，其特征在于，根据所述入场时序数据计算单位时间的场库入场数，根据所述剩余泊位时序数据获取单位时间的剩余泊位数，依据当前时间的场库入场数和上一单位时间的剩余泊位数来计算当前时间的停车需求，汇总所有当前时间的停车需求得到历史停车需求数据。

3.根据权利要求2所述的基于多源数据的停车需求预测模型的构建方法，其特征在于，若上一单位时间的剩余泊位数大于当前单位时间的场库入场数，则当前单位时间的场库入场数为当前单位时间的停车需求；若上一单位时间的剩余泊位数不大于当前单位时间的场库入场数，将当前单位时间的场库入场数和当前单位时间的历史违停数据进行加权合并得到当前单位时间的停车需求；若上一单位时间的剩余泊位数为0时，则获取历史日期的单位时间的停车需求的平均值作为当前单位时间的停车需求。

4.根据权利要求1所述的基于多源数据的停车需求预测模型的构建方法，其特征在于，将所述历史停车需求数据重构成以周期天数为边长的平方矩阵，其中所述平方矩阵的列为依据时间排序的周期天数，所述平方矩阵的行为当前日期的多个时间间隔的历史停车需求数据，所述平方矩阵作为历史停车需求时序数据。

5.根据权利要求1所述的基于多源数据的停车需求预测模型的构建方法，其特征在于，设定重构数据所需的周期天数以及相邻历史停车需求数据的时间间隔，所述CNN-LSTM模型的所述卷积神经网络包括依次连接的二维卷积层、二维池化层、展平层以及随机失活层，所述二维卷积层内包括同于数量同于周期天数的时间窗口，每一时间窗口后接对应的二维池化层、展平层以及随机失活层，所有随机失活层的输出作为停车需求卷积数据，所述停车需求卷积数据输入到CNN-LSTM模型的长短时记忆网络中进行处理，并经历全连接层和展平层后得到停车需求展平数据。

6.根据权利要求5所述的基于多源数据的停车需求预测模型的构建方法，其特征在于，输入卷积层的每一时间窗口的历史停车需求时序数据的列为依据时间排序的周期天数，行为不同时间间隔的历史停车需求数据。

7.一种基于多源数据的停车需求预测模型，其特征在于，根据权利要求1-6任一所述的基于多源数据的停车需求预测模型的构建方法构建得到。

8.一种基于多源数据的停车需求预测方法，其特征在于，包括以下步骤：

获取单场库待预测的日期和日期的天气数据，

将所述待预测的日期和所述天气数据输入到权利要求7所述的停车需求预测模型中，输出预估停车需求。

9.一种基于多源数据的停车需求预测方法，其特征在于，包括以下：

确定包括至少两场库的区域，其中所述场库包括已接入场库和未接入场库；

获取区域的区域违停数据、所述已接入场库的历史停车需求以及每一所述场库的POI密度特征；

将所述已接入场库的预估日期和对应的天气数据输入到权利要求7所述的基于多源数据的停车需求预测模型中得到所述已接入场库的预估停车需求；

将所述未接入场库的POI密度特征输入到邻近预测模型中预测得到未接入场库的预估停车需求，其中所述邻近预测模型通过已接入场库的POI密度特征、历史停车需求以及预估停车需求训练得到；

统计区域内所有场库的预估停车需求以及所述区域违停数据得到区域预估停车需求。

10.根据权利要求9所述的基于多源数据的停车需求预测方法，其特征在于，建立每一所述场库的周围缓冲区，将POI数据分配到各自的所述周围缓冲区内得到每一所述场库的POI数量，根据所述POI数量和所述周围缓冲区的面积计算所述POI密度特征。

11.根据权利要求10所述的基于多源数据的停车需求预测方法，其特征在于，将所述周围缓冲区内每个POI类别的POI数量和POI的总数取商值作为该POI类别的频数密度，综合所有POI类别的频数密度得到POI密度特征。

12.根据权利要求9所述的基于多源数据的停车需求预测方法，其特征在于，将所述已接入场库的历史停车需求和所述预估停车需求按照时间顺序进行排布得到已接入场库的停车需求时间特征，将所述停车需求时间特征和所述POI密度特征进行合并后作为训练样本输入到邻近预测模型进行训练，将未接入场库的POI密度特征输入到所述邻近预测模型中进行预测得到未接入场库的预估停车需求。

13.一种基于多源数据的停车需求预测装置，其特征在于，包括：

区域确定单元，用于确定包括至少两场库的区域，其中所述场库包括已接入场库和未接入场库；

数据获取单元，用于获取区域的区域违停数据、所述已接入场库的历史停车需求以及每一所述场库的POI密度特征；

已接入场库预测单元，用于将所述已接入场库的预估日期和对应的天气数据输入到权利要求7所述的基于多源数据的停车需求预测模型中得到所述已接入场库的预估停车需求；

未接入场库预测单元，用于将所述未接入场库的POI密度特征输入到邻近预测模型中预测得到未接入场库的预估停车需求，其中所述邻近预测模型通过已接入场库的POI密度特征、历史停车需求以及预估停车需求训练得到；

区域预估单元，用于统计区域内所有场库的预估停车需求以及所述区域违停数据得到区域预估停车需求。

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到6任一所述的基于多源数据的停车需求预测模型的构建方法或者权利要求8所述的基于多源数据的停车需求预测方法或者权利要求9所述的基于多源数据的停车需求预测方法。

15.一种可读存储介质，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到6任一所述的基于多源数据的停车需求预测模型的构建方法或者权利要求8所述的基于多源数据的停车需求预测方法或者权利要求9所述的基于多源数据的停车需求预测方法。

Images