CN116758728A - 一种停车位空闲率的预测方法、装置、介质及设备 - Google Patents

一种停车位空闲率的预测方法、装置、介质及设备 Download PDF

Info

Publication number
CN116758728A
CN116758728A CN202310493262.5A CN202310493262A CN116758728A CN 116758728 A CN116758728 A CN 116758728A CN 202310493262 A CN202310493262 A CN 202310493262A CN 116758728 A CN116758728 A CN 116758728A
Authority
CN
China
Prior art keywords
network
parking
predicted
parking lot
parking space
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.)
Pending
Application number
CN202310493262.5A
Other languages
English (en)
Inventor
陈红阳
曹蓉
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310493262.5A priority Critical patent/CN116758728A/zh
Publication of CN116758728A publication Critical patent/CN116758728A/zh
Pending legal-status Critical Current

Links

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • 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
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书公开了一种停车位空闲率的预测方法、装置、介质及设备，可将待预测时刻之前的待预测区域内的各停车场的停车位空闲率输入到停车位空闲率预测模型的特征提取网络，得到用于表征各停车场的停车位空闲率与时间关系的第一特征。以及将待预测区域内的各停车场的空间关系图以及该第一特征输入到图融合网络，得到融合特征。进而将融合特征输入到结果预测网络，以得到在待预测时刻待预测区域内的各停车场的停车位空闲率。基于停车位空闲率与时间的关系，停车位空闲率与空间的关系，以及停车位空闲率与时间和空间的潜在交互关系，同时得到待预测区域内的多个停车场的停车位空闲率预测结果，提高了停车位空闲率的预测效率和预测结果的准确性。

Description

一种停车位空闲率的预测方法、装置、介质及设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种停车位空闲率的预测方法、装置、介质及设备。
背景技术
随着科技的发展，人工智能飞速发展。其中，在交通大数据领域，机器学习模型的应用也非常广泛。
一般的，可使用机器学习模型对一定区域中的停车位空闲率进行预测，以使得驾驶员可根据该预测信息去选取车位进行车辆的停靠。但是，在得到模型的过程中，不仅要考虑区域内的停车场中的停车位空闲率与时间的关系，还要考虑各停车场之间的空间关联。因此，如何同时确定多个停车场的未来停车位空闲率是一个难点问题。
基于此，本申请说明书提供了一种停车位空闲率的预测方法。
发明内容
本说明书提供一种停车位空闲率的预测方法、装置、介质及电子设备，以至少部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种停车位空闲率的预测方法，停车位空闲率预测模型包括：特征提取网络，图融合网络，结果预测网络；所述方法包括：
确定待预测区域以及待预测时刻；
获取所述待预测区域内的各停车场在所述待预测时刻之前的停车位空闲率，作为所述各停车场的历史空闲率；
将所述各停车场的历史空闲率输入所述特征提取网络，得到第一特征；其中，所述第一特征用于表征所述各停车场的历史空闲率与时间的关系；
构建所述待预测区域内的各停车场之间的空间关系图；
将所述空间关系图与所述第一特征输入所述图融合网络，得到融合特征；
将所述融合特征输入所述结果预测网络，得到在所述待预测时刻所述待预测区域内各停车场的停车位空闲率。
可选地，在将所述空间关系图与所述第一特征输入所述图融合网络之前，所述方法还包括：
将所述各停车场的历史空闲率输入所述特征提取网络，得到第二特征；其中，所述第二特征用于表征所述各停车场的历史空闲率的相似性；
将所述空间关系图与所述第一特征输入所述图融合网络，具体包括：
将所述空间关系图、所述第一特征以及第二特征输入所述图融合网络。
可选地，构建所述待预测区域内的各停车场之间的空间关系图，具体包括：
以所述待预测区域内的各停车场为节点，以所述待预测区域内的各停车场之间的距离为边的权重构建所述空间关系图。
可选地，所述图融合网络包括：注意力网络，图卷积网络；
将所述空间关系图、所述第一特征以及第二特征输入所述图融合网络，具体包括：
将所述空间关系图、所述第一特征以及所述第二特征输入所述注意力网络，得到注意力加权后的输出结果；
将所述输出结果以及所述各停车场的历史使用率输入所述图卷积网络。
可选地，所述停车位空闲率预测模型还包括：环境特征提取网络；
在将所述融合特征输入所述结果预测网络之前，所述方法还包括：
获取所述待预测区域内的各停车场在所述待预测时刻之前的环境信息，其中，所述环境信息至少包括：天气信息以及节假日信息；
将所述环境信息输入所述环境特征提取网络，得到环境特征；
将所述融合特征输入所述结果预测网络，具体包括：
将所述第一特征、所述融合特征、所述环境特征以及所述各停车场的历史空闲率输入所述结果预测网络。
可选地，所述停车位空闲率预测模型采用下述方法训练：
获取指定区域内的各停车场在至少两个历史时刻的停车位空闲率；
将所述至少两个历史时刻中最晚的历史时刻各停车场的停车位空闲率作为标签，将其他历史时刻各停车场的停车位空闲率作为样本；
将所述样本输入所述特征提取网络，得到样本特征；其中，所述样本特征用于表征所述各停车场的历史空闲率与时间的关系；
构建所述指定区域内的各停车场之间的空间关系图，作为样本空间关系图；
将所述样本空间关系图与所述样本特征输入所述图融合网络，得到样本融合特征；
将所述样本融合特征输入所述结果预测网络，得到所述指定区域在所述最晚的历史时刻各停车位空闲率预测结果；
以所述各停车位空闲率预测结果与所述标签之间的差异最小为优化目标，对所述停车位空闲率预测模型进行训练。
本说明书提供了一种停车位空闲率的预测装置，停车位空闲率预测模型包括：特征提取网络，图融合网络，结果预测网络；包括：
确定模块，用于确定待预测区域以及待预测时刻；
获取模块，用于获取所述待预测区域内的各停车场在所述待预测时刻之前的停车位空闲率，作为所述各停车场的历史空闲率；
第一输入模块，将所述各停车场的历史空闲率输入所述特征提取网络，得到第一特征；其中，所述第一特征用于表征所述各停车场的历史空闲率与时间的关系；
构建模块，用于构建所述待预测区域内的各停车场之间的空间关系图；
第二输入模块，用于将所述空间关系图与所述第一特征输入所述图融合网络，得到融合特征；
输出模块，用于将所述融合特征输入所述结果预测网络，得到在所述待预测时刻所述待预测区域内各停车场的停车位空闲率。
可选地，所述第一输入模块具体用于，将所述各停车场的历史空闲率输入所述第二特征提取网络，得到第二特征；其中，所述第二特征用于表征所述各停车场的历史空闲率的相似性；将所述空间关系图、所述第一特征以及第二特征输入所述图融合网络。
可选地，所述构建模块具体用于，以所述待预测区域内的各停车场为节点，以所述待预测区域内的各停车场之间的距离为边的权重构建所述空间关系图。
可选地，所述图融合网络包括：注意力网络，图卷积网络；
所述第二输入模块具体用于，将所述空间关系图、所述第一特征以及所述第二特征输入所述注意力网络，得到注意力加权后的输出结果；将所述输出结果以及所述各停车场的历史使用率输入所述图卷积网络。
可选地，所述停车位空闲率预测模型还包括：环境特征提取网络；
所述装置还包括：环境信息输入模块；
所述环境信息输入模块具体用于，获取所述待预测区域内的各停车场在所述待预测时刻之前的环境信息，作为各停车场的环境信息，其中，所述环境信息至少包括：天气信息以及节假日信息；将所述各停车场的环境信息输入所述环境特征提取网络，得到环境特征；
所述输出模块具体用于，将所述第一特征、所述融合特征、所述环境特征以及所述各停车场的历史空闲率输入所述结果预测网络。
可选地，所述装置还包括：训练模块；
所述训练模块具体用于，获取指定区域内的各停车场在至少两个历史时刻的停车位空闲率；将所述至少两个历史时刻中最晚的历史时刻各停车场的停车位空闲率作为标签，将其他历史时刻各停车场的停车位空闲率作为样本；将所述样本输入所述特征提取网络，得到样本特征；其中，所述样本特征用于表征所述各停车场的历史空闲率与时间的关系；构建所述指定区域内的各停车场之间的空间关系图，作为样本空间关系图；将所述样本空间关系图与所述样本特征输入所述图融合网络，得到样本融合特征；将所述样本融合特征输入所述结果预测网络，得到所述指定区域在所述最晚的历史时刻各停车位空闲率预测结果；以所述各停车位空闲率预测结果与所述标签之间的差异最小为优化目标，对所述停车位空闲率预测模型进行训练。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述停车位空闲率的预测方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述停车位空闲率的预测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的停车位空闲率的预测方法中，可将待预测时刻之前的待预测区域内的各停车场的停车位空闲率输入到停车位空闲率预测模型的特征提取网络，得到用于表征各停车场的停车位空闲率与时间关系的第一特征。以及将待预测区域内的各停车场的空间关系图以及该第一特征输入到图融合网络，得到用于表征各停车场的停车位空闲率与时间以及空间关系的融合特征。进而将融合特征输入到停车位空闲率预测模型的结果预测网络，以得到在待预测时刻待预测区域内的各停车场的停车位空闲率。基于停车位空闲率与时间的关系，停车位空闲率与空间的关系，以及停车位空闲率与时间和空间的潜在交互关系，同时得到待预测区域内多个停车场的停车位空闲率预测结果，提高了停车位空闲率的预测效率和预测结果的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
图中：
图1为本说明书中一种停车位空闲率的预测方法的流程示意图；
图2为本说明书提供的停车位空闲率预测模型的示意图；
图3为本说明书提供的各停车场的空间关系图；
图4为本说明书提供的一种停车位空闲率的预测装置示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、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，都属于说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种停车位空闲率的预测方法的流程示意图，具体可包括以下步骤：
S100：确定待预测区域以及待预测时刻。
S102：获取所述待预测区域内的各停车场在所述待预测时刻之前的停车位空闲率，作为所述各停车场的历史空闲率。
执行本说明书的执行主体可为任意具备计算能力的计算设备(如：服务器、终端)，该计算设备中部署有预先训练的停车位空闲率预测模型。该停车位空闲率预测模型包括：特征提取网络，图融合网络，结果预测网络，如图2所示。
则，该计算设备可确定待预测区域以及待预测时刻。该待预测区域与待预测时刻可来自于用户的输入，即用户想要知道在待预测时刻待预测区域的停车位空闲率。或者，该待预测区域可为用户当前时刻所在的区域，待预测时刻可为当前时刻。也就是说，在用户驾驶车辆时，可根据用户的行驶路线实时的进行预测。该地预测区域与待预测时刻也可是预先设置的，根据预设的时间阈值以及地理区域，确定待预测区域以及待预测时刻。
进而为了通过停车位空闲率预测模型确定待预测区域内的各停车场的停车位空闲率与时间的关系，该计算设备可根据待预测区域以及待预测时刻，获取待预测区域内的各停车场在待预测时刻之前的停车位空闲率，作为各停车场的历史空闲率。例如：待预测区域为A市B区，待预测时刻为4月19日18时30分，则该计算设备可获取A市B区的各停车场在4月19日18时30分之前的停车位空闲率，假设A市B区有X、Y以及Z三个停车场，则该计算设备可获取4月19日18时29分停车场X的停车位空闲率为：20％、停车场Y的停车位空闲率为：30％、停车场Z的停车位空闲率为：40％，4月19日18时24分停车场X的停车位空闲率为：19％、停车场Y的停车位空闲率为：20％、停车场Z的停车位空闲率为：20％。
其中，在获取待预测区域内的各停车场在待预测时刻之前的停车位空闲率时，可根据预设时长，获取待预测区域内的各停车场在待预测时刻之前的停车位空闲率，即，从待预测时刻开始每向前预设时长，确定一个采样时刻，并获取采样时刻的各停车场的停车位空闲率。例如：预设的时间间隔为5min，待预测时刻为18时50分，则可获取18时45分、18时40分等时刻的各停车场的停车位空闲率。
需要说明的是，具体获取待预测时刻之前多少个时刻待预测区域内的各停车场的停车位空闲率，具体不做限制，可根据需要获取。例如：假设停车位空闲率预测模型所需要的输入为待预测时刻之前五个时刻的各停车场的历史空闲率，则可获取待预测时刻之前五个时刻的各停车场的历史空闲率。并且，该停车位空闲率是根据各停车场中的所有停车位以及可用(空闲)的停车位确定的。
并且，各停车场的停车位空闲率是根据各停车场中的所有停车位以及可用的(即空闲的)停车位计算得到的。
S104：将所述各停车场的历史空闲率输入所述特征提取网络，得到第一特征；其中，所述第一特征用于表征所述各停车场的历史空闲率与时间的关系。
则该计算设备可将各停车场的历史空闲率输入该停车位空闲率预测模型中的特征提取网络，以得到用于表征各停车场的历史空闲率与时间的关系的第一特征。
S106：构建所述待预测区域内的各停车场之间的空间关系图。
在本说明书的一个或多个实施例中，在上述步骤S100中确定待预测区域以及待预测时刻之后，为了确定待预测区域内的各停车场的停车位空闲率与空间的关系，可构建待预测区域内的各停车场之间的空间关系图。
其中，在构建空间关系图时，可以以待预测区域内的各停车场为节点，以待预测区域内的各停车场之间的距离为边的权重构建空间关系图。沿用上例，A市B区有X、Y以及Z三个停车场，假设停车场X到停车场Y之间的距离为3km，停车场X到停车场Z之间的距离为5km，停车场Z到停车场Y之间的距离为4km，则可构建如图3所示的空间关系图。
需要说明的是，构建空间关系图时，各停车场之间的距离是实际的路程，而非直线距离。可根据待预测区域的电子地图，确定连通两个停车场之间的最短的道路，得到各停车场之间的道路拓扑图。根据该道路拓扑图，确定两个停车场之间的路程，将该路程作为两个停车场在空间关系图中对应的边的权重。当然，也可将停车场之间的行驶时间等作为空间关系图的边的权重。
此外，在构建该空间关系图时，也可先使用邻接矩阵来表示节点(即停车场)之间的关系，邻接矩阵中的元素表示两个节点之间的权重，其中邻接矩阵中的元素 表示节点i到节点j的权重，pij表示连通性或者临近程度，pij的值应该为归一化到0～1之间，也可设置一个距离阈值，仅在小于该距离阈值的节点之间建立边，进而可得到空间关系图。
S108：将所述空间关系图与所述第一特征输入所述图融合网络，得到融合特征。
在得到用于表征待预测区域内的各停车场的停车位空闲率与时间的关系的第一特征以及待预测区域内的各停车场的空间关系图之后，该计算设备可将空间关系图与第一特征输入图融合网络，以得到用于表征各停车场的停车位空闲率与时间以及空间的关系的融合特征。
其中，该图融合网络可包括：注意力网络，图卷积网络。该注意力网络可以使得停车位空闲率待预测模型可以有选择的关注关键部分。该图卷积网络可以将空间关系图的特征与第一特征结合起来，输出融合特征。
则可将空间关系图以及第一特征输入到注意力网络，得到注意力加权后的输出结果。进而可将该输出结果以及各停车场的历史使用率输入图卷积网络，以得到融合特征。
需要说明的是，在将空间关系图和第一特征输入到注意力网络时，由于空间关系图实际上表征的是一个邻接矩阵，因此要确定第一特征与第一特征的点乘结果，也即要将第一特征转换成与空间关系图表征的邻接矩阵一样的矩阵形式，进而将该点乘结果以及空间关系图输入注意力网络。
S110：将所述融合特征输入所述结果预测网络，得到在所述待预测时刻所述待预测区域内各停车场的停车位空闲率。
进而该计算设备可将融合特征以及各停车场的历史使用率输入到结果预测网络，得到在待预测时刻待预测区域内各停车场的停车位空闲率。
沿用上例：待预测区域为A市B区，待预测时刻为4月19日18时30分，则该计算设备可获取A市B区的各停车场在4月19日18时30分之前的停车位空闲率。假设A市B区有X、Y以及Z三个停车场，则该计算设备可获取4月19日18时29分停车场X的停车位空闲率为：20％、停车场Y的停车位空闲率为：30％、停车场Z的停车位空闲率为：40％，4月19日18时24分停车场X的停车位空闲率为：19％、停车场Y的停车位空闲率为：20％、停车场Z的停车位空闲率为：20％。则可将各停车场的停车位空闲率(即4月19日18时29分停车场X的停车位空闲率为：20％、停车场Y的停车位空闲率为：30％、停车场Z的停车位空闲率为：40％和4月19日18时24分停车场X的停车位空闲率为：19％、停车场Y的停车位空闲率为：20％、停车场Z的停车位空闲率为：20％)以及融合特征输入到结果预测网络，进一步假设得到的预测结果为：4月19日18时30分停车场X的停车位空闲率为：50％、停车场Y的停车位空闲率为：70％、停车场Z的停车位空闲率为：40％。
基于图1所示本说明书提供的上述停车位空闲率的预测方法中，可将待预测时刻之前的待预测区域内的各停车场的停车位空闲率输入到停车位空闲率预测模型的特征提取网络，得到用于表征各停车场的停车位空闲率与时间关系的第一特征。以及将待预测区域内的各停车场的空间关系图以及该第一特征输入到图融合网络，得到用于表征各停车场的停车位空闲率与时间以及空间关系的融合特征。进而将融合特征输入到停车位空闲率预测模型的结果预测网络，以得到在待预测时刻待预测区域内的各停车场的停车位空闲率。由于停车场的停车位空闲率不仅和时间存在一定的关系，而且和各停车场的空间位置也存在一定的关系，也即在时间和空间位置存在差异时，各停车场的停车位空闲率是不同的。因此基于停车位空闲率与时间的关系，停车位空闲率与空间的关系，以及停车位空闲率与时间和空间的潜在交互关系，同时得到待预测区域内多个停车场的停车位空闲率预测结果，提高了停车位空闲率对的预测效率和预测结果的准确性。
在本说明书的一个或多个实施例中，由于在一个时刻各停车场的停车位空闲率若是相同的话，在下一个时刻各停车场的停车位空闲率的差异一般不会太大，因此为了提高预测结果的精准度，还可计算待预测时刻之前的同一个时刻的各停车场的停车位空闲率的相似度，以给予模型提示，使得模型可基于待预测时刻之前的同一个时刻的各停车场的停车位空闲率的相似度，确定待预测时刻的各停车场的停车位空闲率的相似度。
则该特征提取网络可包括第一特征提取网络与第二特征提取网络。该第一特征提取网络用于提取第一特征，该第一特征用于表征各停车场的历史空闲率与时间的关系，该第二特征提取网络用于提取第二特征，该第二特征用于表征各停车场的历史空闲率的相似性。则可将各停车场的历史空闲率输入第一特征提取网络，得到第一特征，将各停车场的历史空闲率输入第二特征提取网络，得到第二特征。
在本说明书的一个或多个实施例中，该第一特征提取层可为门控循环单元(GatedRecurrent Unit，GRU)，该第二特征提取网络可为动态时间规整(Dynamic Time Warping，DTW)。
则在第一特征提取层GRU中包括两个门：更新门zt和rt，在将输入xt(即在待预测时刻之前的一个时刻的各停车场的停车位空闲率)与重置门rt和前一个隐藏状态ht-1结合，计算候选隐藏状态表示当前时刻中应更新的信息。然后，通过前一个隐藏状态ht-1和当前候选隐藏状态/>的加权平均值获得隐藏状态ht(即第一特征)，其中权重是更新门zt。这样，可以捕获过去和当前的信息，使GRU能够捕获输入的序列(即在待预测时刻之前的各停车场的停车位空闲率)中的长期依赖关系。
zt＝σ(Wzxt+Uzht-1+bz)
rt＝σ(Wrxt+Urht-1+br)
其中，σ和tanh分别是sigmoid和双曲正切激活函数，W_、U_、b_是可学习的权重和截距项。
则在第二特征提取网络中，可使用公式计算两个节点之间的历史空闲率的相似性。其中，X和Y是两个节点对应的在待预测时刻之前的停车位空闲率，d()是欧几里得距离，可以找到π，使得两个节点对应的在待预测时刻之前的停车位空闲率之间的平方距离之和最小，进而可得到最小和。DTW(X，Y)的值就是该最小和的平方根，则该平方根为两个节点对应的在待预测时刻之前的各停车场的停车位空闲率之间的相似性。
则在上述步骤S108中，可将第一特征、第二特征以及空间关系图输入到图融合网络，得到融合特征。具体的，可将第一特征与第二特征以及空间关系图输入到图融合网络中的注意力网络，得到输出结果，进而将输出结果输入图卷积网络，得到融合特征。
其中，在使用注意力网络时，该注意力网络用于在生成输出时有选择地关注输入序列的特定部分。注意力网络的基本原理是根据其对特定步骤的输出的重要性对每个输入元素进行加权。因此，模型可以有选择地关注输入的最关键部分，同时忽略不太关键的部分。注意力计算如下所示：
其中，Q可为第一特征点乘后的点乘结果，K可为第二特征，V可为空间关系图。dk表示Q和K的维。Q和K的乘积除以它们维度的平方根，有助于在训练过程中稳定梯度。通过使用注意力网络，停车位空闲率预测模型可以同时关注第一特征、第二特征以及空间关系图的不同方面，提取时间和空间信息，最终得到注意力加权后的输出结果。提高了停车位空闲率预测模型的准确性以及全面性。
其次，在使用GCN网络时，采用谱图卷积的方法，首先基于融合特征计算归一化图拉普拉斯矩阵：
其中，D＝diag(di)是度矩阵，di＝∑jAij是第i个节点的度数。卷积操作由下式定义：
其中，C0＝x，/>
为了进一步简化计算并避免过拟合，一般采用图拉普拉斯的一阶近似来计算卷积，最终使用的卷积层运算为：
其中，σ为线性整流函数(ReLU)。
通过注意力网络以及GCN网络，可以有效捕捉时空依赖关系，并提高预测的准确性。同时，注意力网络可以使得停车位空闲率预测模型有选择地关注输入序列的重要部分，从而增强了停车位空闲率预测模型的泛化能力。
进一步的，在不同的环境下，各停车场的停车位空闲率是不同的，也即各停车场的停车位空闲率受环境的影响。因此，在本说明书的一个或多个实施例中，该停车位空闲率预测模型还包括：环境特征提取网络。
则在将融合特征输入所述结果预测网络之前，该计算设备还可获取待预测区域内的各停车场在待预测时刻之前的环境信息。然后将该环境信息输入到环境特征提取网络，得到环境特征。最后将第一特征、融合特征、环境特征以及各停车场的历史空闲率输入结果预测网络，得到在待预测时刻待预测区域内各停车场的停车位空闲率。
其中，环境信息至少包括：天气信息以及节假日信息。
并且，在本说明书的一个或多个实施例中，该环境特征提取网络可为GRU，该结果预测网络可以为多层感知机(Multilayer Perceptron，MLP)。
此外，在本说明书的一个或多个实施例中，还提供了停车位空闲率预测模型的训练方法。
具体的，该计算设备可先获取指定区域内的各停车场在至少两个历史时刻的停车位空闲率，将至少两个历史时刻中最晚的历史时刻各停车场的停车位空闲率作为标签，将其他历史时刻各停车场的停车位空闲率作为样本。然后将样本输入特征提取网络，得到样本特征。以及构建指定区域内的各停车场之间的空间关系图，作为样本空间关系图。然后，将样本空间关系图与样本特征输入图融合网络，得到样本融合特征。并将样本融合特征输入结果预测网络，得到指定区域在最晚的历史时刻各停车场的停车位空闲率预测结果。最后，以各停车位空闲率预测结果与标签之间的差异最小为优化目标，对停车位空闲率预测模型进行训练。也即，调整特征提取网络、图融合网络以及结果预测网络的参数。
其中，所述样本特征用于表征所述各停车场的历史空闲率与时间的关系。
需要说明的是，在对停车位空闲率预测模型进行训练的时候，输入的一个样本可为多个历史时刻的各停车场的停车位空闲率。
在本说明书的一个或多个实施例中，当特征提取网络包括第一特征提取网络以及第二特征提取网络，图融合网络包括注意力网络以及图卷积网络，且该停车位空闲率预测模型还包括环境特征提取网络时，则可先将样本输入第一特征提取网络，得到第一样本特征，将样本输入第二特征提取网络，得到第二样本特征。并构建指定区域内的各停车场的样本空间关系图。然后将第一样本特征点乘第一样本特征后的点乘结果、第二样本特征以及样本空间关系图输入注意力网络，得到注意力加权后的样本输出结果，以及将该样本输出结果输入到图卷积网络，得样本融合特征。
并且，可获取指定区域内的各停车场的环境信息，作为样本环境信息。然后将该样本环境信息输入到环境特征提取网络，得到样本环境特征。
最后将样本融合特征、样本环境特征、第一样本特征以及样本输入结果预测网络，得到指定区域在最晚的历史时刻各停车位空闲率预测结果。并以各停车位空闲率预测结果与标签之间的差异最小为优化目标，对停车位空闲率预测模型进行训练。
即以停车位空闲率预测结果与标签之间的差异最小为优化目标，调整第一特征提取网络、第二特征提取网络、注意力网络、图卷积网络、环境特征提取网络以及结果预测网络的参数。
在本说明书的一个或多个实施例中，预测得到的待预测区域内的各停车场的停车位空闲率可发布到云端，用户可以通过云端与该计算设备的通信以获取预测结果，无需在该计算设备上进行计算和存储。可以提高计算效率，节省存储空间。
并且，可预测得到未来多个时刻待预测区域内的各停车场的停车位空闲率，以使得用户可根据自身的出行需求和实际情况，提前规划出行路线，避免浪费时间和资源，且提高待预测区域的交通效率和质量。
基于上述内容所述的停车位空闲率的预测方法，本说明书实施例还对应的提供一种用于停车位空闲率的预测装置示意图，如图4所示。
图4为本说明书实施例提供的一种用于停车位空闲率的预测装置的示意图，停车位空闲率预测模型包括：特征提取网络，图融合网络，结果预测网络；所述装置包括：
确定模块402，用于确定待预测区域以及待预测时刻；
获取模块406，用于获取所述待预测区域内的各停车场在所述待预测时刻之前的停车位空闲率，作为所述各停车场的历史空闲率；
第一输入模块408，将所述各停车场的历史空闲率输入所述特征提取网络，得到第一特征；其中，所述第一特征用于表征所述各停车场的历史空闲率与时间的关系；
构建模块404，用于构建所述待预测区域内的各停车场之间的空间关系图；
第二输入模块410，用于将所述空间关系图与所述第一特征输入所述图融合网络，得到融合特征；
输出模块414，用于将所述融合特征输入所述结果预测网络，得到在所述待预测时刻所述待预测区域内各停车场的停车位空闲率。
可选地，所述第一输入模块408具体用于，将所述各停车场的历史空闲率输入所述第二特征提取网络，得到第二特征；其中，所述第二特征用于表征所述各停车场的历史空闲率的相似性；将所述空间关系图、所述第一特征以及第二特征输入所述图融合网络。
可选地，所述构建模块404具体用于，以所述待预测区域内的各停车场为节点，以所述待预测区域内的各停车场之间的距离为边的权重构建所述空间关系图。
可选地，所述图融合网络包括：注意力网络，图卷积网络；
所述第二输入模块410具体用于，将所述空间关系图、所述第一特征以及所述第二特征输入所述注意力网络，得到注意力加权后的输出结果；将所述输出结果以及所述各停车场的历史使用率输入所述图卷积网络。
可选地，所述停车位空闲率预测模型还包括：环境特征提取网络；
所述装置还包括：环境信息输入模块412；
所述环境信息输入模块412具体用于，获取所述待预测区域内的各停车场在所述待预测时刻之前的环境信息，作为各停车场的环境信息，其中，所述环境信息至少包括：天气信息以及节假日信息；将所述各停车场的环境信息输入所述环境特征提取网络，得到环境特征；
所述输出模块414具体用于，将所述第一特征、所述融合特征、所述环境特征以及所述各停车场的历史空闲率输入所述结果预测网络。
可选地，所述装置还包括：训练模块400；
所述训练模块400具体用于，获取指定区域内的各停车场在至少两个历史时刻的停车位空闲率；将所述至少两个历史时刻中最晚的历史时刻各停车场的停车位空闲率作为标签，将其他历史时刻各停车场的停车位空闲率作为样本；将所述样本输入所述特征提取网络，得到样本特征；其中，所述样本特征用于表征所述各停车场的历史空闲率与时间的关系；构建所述指定区域内的各停车场之间的空间关系图，作为样本空间关系图；将所述样本空间关系图与所述样本特征输入所述图融合网络，得到样本融合特征；将所述样本融合特征输入所述结果预测网络，得到所述指定区域在所述最晚的历史时刻各停车位空闲率预测结果；以所述各停车位空闲率预测结果与所述标签之间的差异最小为优化目标，对所述停车位空闲率预测模型进行训练。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述内容所述的停车位空闲率的预测方法。
基于上述内容所述的停车位空闲率的预测方法，本说明书实施例还提出了图3所示的电子设备的示意结构图。如图3，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述内容所述的停车位空闲率的预测方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种停车位空闲率的预测方法，其特征在于，停车位空闲率预测模型包括：特征提取网络，图融合网络，结果预测网络；所述方法包括：
确定待预测区域以及待预测时刻；
获取所述待预测区域内的各停车场在所述待预测时刻之前的停车位空闲率，作为所述各停车场的历史空闲率；
将所述各停车场的历史空闲率输入所述特征提取网络，得到第一特征；其中，所述第一特征用于表征所述各停车场的历史空闲率与时间的关系；
构建所述待预测区域内的各停车场之间的空间关系图；
将所述空间关系图与所述第一特征输入所述图融合网络，得到融合特征；
将所述融合特征输入所述结果预测网络，得到在所述待预测时刻所述待预测区域内各停车场的停车位空闲率。
2.如权利要求1所述的方法，其特征在于，在将所述空间关系图与所述第一特征输入所述图融合网络之前，所述方法还包括：
将所述各停车场的历史空闲率输入所述特征提取网络，得到第二特征；其中，所述第二特征用于表征所述各停车场的历史空闲率的相似性；
将所述空间关系图与所述第一特征输入所述图融合网络，具体包括：
将所述空间关系图、所述第一特征以及第二特征输入所述图融合网络。
3.如权利要求1所述的方法，其特征在于，构建所述待预测区域内的各停车场之间的空间关系图，具体包括：
以所述待预测区域内的各停车场为节点，以所述待预测区域内的各停车场之间的距离为边的权重构建所述空间关系图。
4.如权利要求2所述的方法，其特征在于，所述图融合网络包括：注意力网络，图卷积网络；
将所述空间关系图、所述第一特征以及第二特征输入所述图融合网络，具体包括：
将所述空间关系图、所述第一特征以及所述第二特征输入所述注意力网络，得到注意力加权后的输出结果；
将所述输出结果以及所述各停车场的历史使用率输入所述图卷积网络。
5.如权利要求4所述的方法，其特征在于，所述停车位空闲率预测模型还包括：环境特征提取网络；
在将所述融合特征输入所述结果预测网络之前，所述方法还包括：
获取所述待预测区域内的各停车场在所述待预测时刻之前的环境信息，其中，所述环境信息至少包括：天气信息以及节假日信息；
将所述环境信息输入所述环境特征提取网络，得到环境特征；
将所述融合特征输入所述结果预测网络，具体包括：
将所述第一特征、所述融合特征、所述环境特征以及所述各停车场的历史空闲率输入所述结果预测网络。
6.如权利要求1所述的方法，其特征在于，所述停车位空闲率预测模型采用下述方法训练：
获取指定区域内的各停车场在至少两个历史时刻的停车位空闲率；
将所述至少两个历史时刻中最晚的历史时刻各停车场的停车位空闲率作为标签，将其他历史时刻各停车场的停车位空闲率作为样本；
将所述样本输入所述特征提取网络，得到样本特征；其中，所述样本特征用于表征所述各停车场的历史空闲率与时间的关系；
构建所述指定区域内的各停车场之间的空间关系图，作为样本空间关系图；
将所述样本空间关系图与所述样本特征输入所述图融合网络，得到样本融合特征；
将所述样本融合特征输入所述结果预测网络，得到所述指定区域在所述最晚的历史时刻各停车位空闲率预测结果；
以所述各停车位空闲率预测结果与所述标签之间的差异最小为优化目标，对所述停车位空闲率预测模型进行训练。
7.一种停车位空闲率的预测装置，其特征在于，停车位空闲率预测模型包括：特征提取网络，图融合网络，结果预测网络；所述装置具体包括：
确定模块，用于确定待预测区域以及待预测时刻；
获取模块，用于获取所述待预测区域内的各停车场在所述待预测时刻之前的停车位空闲率，作为所述各停车场的历史空闲率；
第一输入模块，将所述各停车场的历史空闲率输入所述特征提取网络，得到第一特征；其中，所述第一特征用于表征所述各停车场的历史空闲率与时间的关系；
构建模块，用于构建所述待预测区域内的各停车场之间的空间关系图；
第二输入模块，用于将所述空间关系图与所述第一特征输入所述图融合网络，得到融合特征；
输出模块，用于将所述融合特征输入所述结果预测网络，得到在所述待预测时刻所述待预测区域内各停车场的停车位空闲率。
8.如权利要求7所述的装置，其特征在于，所述第一输入模块具体用于，将所述各停车场的历史空闲率输入所述第二特征提取网络，得到第二特征；其中，所述第二特征用于表征所述各停车场的历史空闲率的相似性；将所述空间关系图、所述第一特征以及第二特征输入所述图融合网络。
9.如权利要求7所述的装置，其特征在于，所述构建模块具体用于，以所述待预测区域内的各停车场为节点，以所述待预测区域内的各停车场之间的距离为边的权重构建所述空间关系图。
10.如权利要求8所述的装置，其特征在于，所述图融合网络包括：注意力网络，图卷积网络；
所述第二输入模块具体用于，将所述空间关系图、所述第一特征以及所述第二特征输入所述注意力网络，得到注意力加权后的输出结果；将所述输出结果以及所述各停车场的历史使用率输入所述图卷积网络。
11.如权利要求10所述的装置，其特征在于，所述停车位空闲率预测模型还包括：环境特征提取网络；
所述装置还包括：环境信息输入模块；
所述环境信息输入模块具体用于，获取所述待预测区域内的各停车场在所述待预测时刻之前的环境信息，作为各停车场的环境信息，其中，所述环境信息至少包括：天气信息以及节假日信息；将所述各停车场的环境信息输入所述环境特征提取网络，得到环境特征；
所述输出模块具体用于，将所述第一特征、所述融合特征、所述环境特征以及所述各停车场的历史空闲率输入所述结果预测网络。
12.如权利要求7所述的装置，其特征在于，所述装置还包括：训练模块；
所述训练模块具体用于，获取指定区域内的各停车场在至少两个历史时刻的停车位空闲率；将所述至少两个历史时刻中最晚的历史时刻各停车场的停车位空闲率作为标签，将其他历史时刻各停车场的停车位空闲率作为样本；将所述样本输入所述特征提取网络，得到样本特征；其中，所述样本特征用于表征所述各停车场的历史空闲率与时间的关系；构建所述指定区域内的各停车场之间的空间关系图，作为样本空间关系图；将所述样本空间关系图与所述样本特征输入所述图融合网络，得到样本融合特征；将所述样本融合特征输入所述结果预测网络，得到所述指定区域在所述最晚的历史时刻各停车位空闲率预测结果；以所述各停车位空闲率预测结果与所述标签之间的差异最小为优化目标，对所述停车位空闲率预测模型进行训练。
13.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-6任一所述的方法。
14.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1-6任一所述的方法。
CN202310493262.5A 2023-04-28 2023-04-28 一种停车位空闲率的预测方法、装置、介质及设备 Pending CN116758728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310493262.5A CN116758728A (zh) 2023-04-28 2023-04-28 一种停车位空闲率的预测方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310493262.5A CN116758728A (zh) 2023-04-28 2023-04-28 一种停车位空闲率的预测方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN116758728A true CN116758728A (zh) 2023-09-15

Family

ID=87954036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310493262.5A Pending CN116758728A (zh) 2023-04-28 2023-04-28 一种停车位空闲率的预测方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN116758728A (zh)

Similar Documents

Publication Publication Date Title
CN111190427B (zh) 一种轨迹规划的方法及装置
CN112015847B (zh) 一种障碍物的轨迹预测方法、装置、存储介质及电子设备
CN112766468B (zh) 一种轨迹预测方法、装置、存储介质及电子设备
CN110262486B (zh) 一种无人驾驶设备运动控制方法及装置
CN111114543B (zh) 一种轨迹预测方法及装置
CN112629550B (zh) 一种预测障碍物轨迹以及模型训练的方法及装置
CN109887272B (zh) 一种交通人流量的预测方法及装置
CN110488821B (zh) 一种确定无人车运动策略的方法及装置
He et al. STNN: A spatio-temporal neural network for traffic predictions
CN111062372B (zh) 一种预测障碍物轨迹的方法及装置
CN112766551A (zh) 一种交通预测方法、智能终端及计算机可读存储介质
CN111639791A (zh) 交通流预测方法、系统、存储介质及终端
CN112989220A (zh) 一种运动轨迹处理方法、介质、装置及设备
CN113968243B (zh) 一种障碍物轨迹预测方法、装置、设备及存储介质
CN110942181A (zh) 一种障碍物轨迹预测的方法及装置
CN111238523A (zh) 一种运动轨迹的预测方法及装置
CN117215728A (zh) 一种基于代理模型的仿真模拟方法、装置及电子设备
CN117195974A (zh) 一种基于脉冲信号的储备池计算模型的训练方法及装置
CN116758728A (zh) 一种停车位空闲率的预测方法、装置、介质及设备
CN117093862A (zh) 一种模型训练的方法、装置、电子设备及存储介质
CN116612640B (zh) 一种车辆调度方法、装置、存储介质及电子设备
CN114372736A (zh) 一种路线推荐的方法、装置、存储介质及电子设备
CN113947250A (zh) 一种基于有限数据资源的城市细粒度流量预测方法及系统
CN111797740A (zh) 一种模型训练以及视觉定位方法及装置
CN117870696B (zh) 一种基于感知信息融合的路径导航方法、装置及电子设备

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