CN117217380A - 停车场空余停车位预测方法、装置、电子设备及存储介质 - Google Patents
停车场空余停车位预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117217380A CN117217380A CN202311184122.6A CN202311184122A CN117217380A CN 117217380 A CN117217380 A CN 117217380A CN 202311184122 A CN202311184122 A CN 202311184122A CN 117217380 A CN117217380 A CN 117217380A
- Authority
- CN
- China
- Prior art keywords
- information
- parking lot
- parking space
- parking
- time period
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims description 21
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 14
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能停车领域，揭露一种停车场空余停车位预测方法，包括：对目标停车场的第一信息、第二信息和天气信息进行特征处理，生成时间序列特征；根据初始停车位预测模型时间序列特征训练初始停车位预测模型，获取第二时间段的真实空余停车位对初始停车位预测模型进行优化，生成目标停车位预测模型；获取预测请求中期望到达目标停车场的第三时间段，根据目标停车位预测模型，确定第三时间段对应的空余停车位，将空余停车位反馈至预测请求对应的终端。本发明应用于金融机构、银行机构、证券机构等应用场景，帮助用户到达金融机构、银行机构、证券机构的停车场更好地规划停车，节省时间和资源。
Description
技术领域
本发明涉及人工智能停车领域，尤其涉及一种停车场空余停车位预测方法、装置、电子设备及存储介质。
背景技术
在金融科技领域中，共享停车方案或共享停车APP非常具有实用性和社会意义。
共享停车APP整合商超楼宇与周边住宅小区的停车位资源，充分利用商居停车时空错峰的潮汐特性，例如，上班时段住宅小区的闲置停车位可以共享给周边写字楼使用，得到充分利用。
由于住宅小区车位在工作时段可供使用的车位随着时间的变化而变化，有些车主使用共享停车APP到达目的地停车场后，才发现该目的地停车场已经没有空余停车位或空余停车位十分紧张，从而花费大量时间寻找车位。
例如，用户从位置B准备出发到金融机构A的目的地停车场K，用户在出发前使用共享停车APP查询到目的地停车场K当前剩余50个空余车位，当用户1小时后到达目的地停车场K后，只剩下1位个空余车位，从而造成用户花费大量时间排队和寻找车位。
因此，如何提前预测目的地停车场的空余停车位的准确率是一个亟待解决的问题。
发明内容
鉴于以上内容，有必要提供一种停车场空余停车位预测方法，其目的在于提前准确预测目的地停车场的空余停车位。
本发明提供的停车场空余停车位预测方法，包括：
获取目标停车场在第一时间段内的第一信息和第二信息，所述第一信息包括所述目标停车场的总车位数量、停车价格和所述第一时间段的历史空余停车位，所述第二信息包括所述目标停车场预设范围内的周边停车场的第一信息；
获取所述目标停车场所属区域在所述第一时间段内的天气信息，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征；
根据所述初始停车位预测模型时间序列特征训练初始停车位预测模型，获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型；
接收终端发起的对所述目标停车场的空余停车位的预测请求，获取所述预测请求中期望到达所述目标停车场的第三时间段，利用所述目标停车位预测模型，确定出所述目标停车场在所述第三时间段对应的空余停车位，并反馈至所述终端。
可选的，在所述获取目标停车场在第一时间段内的第一信息和第二信息之后，所述方法还包括：
获取所述第一时间段的属性信息，所述第一时间段的属性信息包括所述第一时间段内每个时间节点是工作日工作时间段，还是非工作日/工作时间段。
可选的，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征。
可选的，所述对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
分别对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行数据量化处理；
对数据量化后的第一信息、第二信息、属性信息和天气信息进行数据清洗；
融合数据清洗后的第一信息、第二信息、属性信息和天气信息，生成所述目标停车场的时间序列特征。
可选的，所述获取所述目标停车场所属区域在所述第一时间段内的天气信息，包括：
从预设的天气平台API接口和/或所述目标停车场所述区域布置的气象传感器对应的数据库，获取所述目标停车场所属区域在所述第一时间段内的天气信息。
可选的，所述历史空余停车位数据包括所述第一时间段内每个时间节点的空余停车位数量，所述每个时间节包括每分钟、每小时和每天中的至少一种。
可选的，所述获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型，包括：
利用所述初始停车位预测模型对所述目标停车场在第二时间段内的空余停车位进行预测，得到所述第二时间段的预测空余停车位；
获取所述目标停车场在第二时间段的真实空余停车位，根据所述预测空余停车位和所述真实空余停车位之间的误差值，对所述初始停车位预测模型进行优化，生成目标停车位预测模型。
为了解决上述问题，本发明还提供一种停车场空余停车位预测装置，所述装置包括：
获取模块，用于获取目标停车场在第一时间段内的第一信息和第二信息，所述第一信息包括所述目标停车场的总车位数量、停车价格和所述第一时间段的历史空余停车位，所述第二信息包括所述目标停车场预设范围内的周边停车场的第一信息；
处理模块，用于获取所述目标停车场所属区域在所述第一时间段内的天气信息，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征；
优化模块，用于根据所述初始停车位预测模型时间序列特征训练初始停车位预测模型，获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型；
反馈模块，用于接收终端发起的对所述目标停车场的空余停车位的预测请求，获取所述预测请求中期望到达所述目标停车场的第三时间段，利用所述目标停车位预测模型，确定出所述目标停车场在所述第三时间段对应的空余停车位，并反馈至所述终端。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的停车场空余停车位预测程序，所述停车场空余停车位预测程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述停车场空余停车位预测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有停车场空余停车位预测程序，所述停车场空余停车位预测程序可被一个或者多个处理器执行，以实现上述停车场空余停车位预测方法。
相较现有技术，本发明获取目标停车场在第一时间段内的第一信息、第二信息和天气信息生成所述目标停车场的时间序列特征，是解决目标停车场在不同时间段内的空余停车位数量的关键信息，特别是对于繁忙的停车场或高峰时段，能够准确地预测空余停车位数量有助于提供给用户更准确的停车场信息，使用户能够提前规划停车，节省时间和精力。
利用初始停车位预测模型时间序列特征训练初始停车位预测模型，并通过实时获取真实停车位数据对其进行优化，最终生成目标停车位预测模型，可以显著提高空余停车位预测的准确性和实时性，为用户提供更好的停车体验和服务。
将预测请求输入目标停车位预测模型生成目标停车场在未来时间段内的空余停车位预测结果，并将这些结果反馈给用户。可以帮助用户更好地规划停车，节省时间和资源。
本发明可以应用于金融机构、银行机构、证券机构等应用场景，帮助用户到达金融机构、银行机构、证券机构的停车场更好地规划停车，节省时间和资源。
附图说明
图1为本发明一实施例提供的停车场空余停车位预测方法的流程示意图；
图2为本发明一实施例提供的停车场空余停车位预测装置的模块示意图；
图3为本发明一实施例提供的实现停车场空余停车位预测方法的电子设备的结构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明的停车场空余停车位预测方法可以应用于金融机构、银行机构、证券机构等应用场景，提前帮助用户到达金融机构、银行机构、证券机构的停车场更好地规划停车，节省时间和资源。
参照图1所示，为本发明一实施例提供的停车场空余停车位预测方法的流程示意图。该方法由电子设备执行。
本实施例中，停车场空余停车位预测方法包括：
S1、获取目标停车场在第一时间段内的第一信息和第二信息，所述第一信息包括所述目标停车场的总车位数量、停车价格和所述第一时间段的历史空余停车位，所述第二信息包括所述目标停车场预设范围内的周边停车场的第一信息。
在本实施例中，目标停车场是指用户在共享停车APP上输入前往目的地的停车场或目的地周边的停车场。
目标停车场的第一时间段是指当前时间点之前已经发生的时间段，例如当前时间点为2023年07月30日0点，那么，以当前时间点往后计算3个月(2023年04月30日0点至2023年07月30日0点)或6个月(2023年01月30日0点至2023年07月30日0点)作为第一时间段。
第一信息包括目标停车场的总车位数量、停车价格和第一时间段的历史空余停车位。
总车位数量是目标停车场内所有可供车辆停放的位置总和。总车位数量是停车场规模的重要指标，影响着目标停车场的最大承载能力；
停车价格对目标停车场的车流量和利润有直接影响。例如，较高的停车价格可能会导致一些车主选择其他停车场，而较低的停车价格可能会吸引更多车辆驶入该停车场；
在一个实施例中，所述历史空余停车位数据包括所述第一时间段内每个时间节点的空余停车位数量，所述每个时间节包括每分钟、每小时和每天中的至少一种。
第一时间段的历史空余停车位是指在第一时间段内目标停车场每个时间节点(例如2023年04月30日0点至2023年07月30日0点，这个3个月的每个小时)的空余停车位数量。历史空余停车位是用于建立目标停车位预测模型的关键数据，通过分析过去的停车场使用情况，可以帮助预测未来停车场的空余停车位数量。
第二信息包括目标停车场预设范围内的周边停车场的第一信息，周边停车场是指与目标停车场相邻或附近的其他停车场。
本发明将以例子H进行举例说明(并不作任何场景限定):
目标停车场为一个金融机构的停车场X，获取停车场X的第一信息：总车位数量为100个，停车价格为每小时10元，过去24小时内每小时的历史空余车位数量如下：[50，45，40，35，30，...，20，15，10，5，2，1]。
获取停车场X周边的银行停车场Y和证券停车场Z的第一信息。
在步骤S1中，通过获取目标停车场在第一时间段内的第一信息和第二信息，是解决目标停车场在不同时间段内的空余停车位数量是一个关键的信息，特别是对于繁忙的停车场或高峰时段。准确地预测空余停车位数量有助于提供给用户更准确的停车场信息，使用户能够提前规划停车，节省时间和精力。从而优化目标停车场资源利用，提供更好的用户体验，减少交通拥堵，改善城市交通状况，并提高停车场管理效率。
S2、获取所述目标停车场所属区域在所述第一时间段内的天气信息，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征。
在本实施例中，天气信息是一个重要的影响因素，直接影响人们对停车场的需求和选择。在恶劣天气条件下(如暴雨、大雪、高温等)，更多的人可能会选择驾车而不是步行、骑车或使用公共交通工具，导致停车场的使用率增加，空余车位减少。因此，通过获取天气信息，可以更好地预测目标停车场在不同天气条件下的使用情况，有助于合理调配停车资源。
对第一信息、第二信息和天气信息进行特征处理，特征处理包括数据量化处理和数据清洗，融合量化处理和数据清洗后的第一信息、第二信息和天气信息，生成目标停车场的时间序列特征。
延续上述例子H，例如，将金融机构停车场X、周边的银行停车场Y和证券停车场Z的第一信息以及天气信息进行特征处理(转化为适合模型训练的格式)，生成停车场X的时间序列特征，该时间序列特征会考虑历史车位数量、周围停车场的信息以及天气情况，例如：金融机构停车场X在2023年04月30日当天的第一信息以及天气信息为[50，45，40，35，30，...，20，15，10，5，2，1，"晴天"]。
将2023年04月30日当天的第一信息、第二信息和天气信息中的非数值数据转化为数值，以便后续的特征处理和模型训练。例如，将停车价格转换为数值表示，如每小时费用为10元，则可以用数字10来表示。对于天气信息，如晴天、雨天等，可以使用编码方式，如用数字1表示晴天，用数字2表示雨天，以此类推，从而得到目标停车场的时间序列特征。
在一个实施例中，所述获取所述目标停车场所属区域在所述第一时间段内的天气信息，包括：
从预设的天气平台API接口和/或所述目标停车场所述区域布置的气象传感器对应的数据库，获取所述目标停车场所属区域在所述第一时间段内的天气信息。
通过天气平台(服务商)提供RESTfu l AP I或其他类型的接口，允许用户或共享停车APP向其服务器发送查询天气请求，并返回特定时间段内的天气信息；
在目标停车场附近一般都布置有气象传感器，这些传感器可以实时监测并记录气象数据，如温度、湿度、降雨量等。通过登录气象传感器对应的数据库，读取这些传感器收集的数据，可以得到所需的第一时间段内的天气信息。
在一个实施例中，所述对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
对所述第一信息、所述第二信息和所述天气信息进行数据量化处理；
对数据量化后的第一信息、第二信息和天气信息进行数据清洗；
融合数据清洗后的第一信息、第二信息和天气信息，生成所述目标停车场的时间序列特征。
数据量化处理包括：将第一信息、第二信息和天气信息中的非数值数据转化为数值，以便后续的特征处理和模型训练。例如，将停车价格转换为数值表示，如每小时费用为10元，则可以用数字10来表示。对于天气信息，如晴天、雨天等，可以使用编码方式，如用数字1表示晴天，用数字2表示雨天，以此类推；
数据清洗包括：有些数据可能存在的缺失数据、异常值或错误数据。例如，在第一信息、第二信息或天气信息中存在缺失值，可以选择填充缺失值或剔除对应的样本。对于异常值的处理，可以考虑使用统计方法或数据插值技术来修正或剔除这些异常值。通过数据清洗确保数据的质量和准确性。
在完成数据量化和数据清洗后，将第一信息、第二信息和天气信息按照时间顺序排列，并结合历史时间段内的数据，生成目标停车场的时间序列特征。例如，可以将历史空余停车位数量、周边停车场的相关信息和天气信息按照时间顺序排列，形成一个时间序列数据。这个时间序列数据将成为目标停车场的特征数据，用于后续的模型训练和预测。
在其它实施例中，在时间序列特征生成后，如果特征之间存在不同量纲的情况，对时间序列特征进行特征归一化，以确保各个特征对模型训练的贡献相对均衡。特征归一化方式包括最小-最大缩放、Z-Score标准化等。
在其它实施例中，在所述获取目标停车场在第一时间段内的第一信息和第二信息之后，所述方法还包括：
获取所述第一时间段的属性信息，所述第一时间段的属性信息包括所述第一时间段内每个时间节点是工作日工作时间段，还是非工作日/工作时间段。
在其它实施例中，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征。
在其它实施例中，所述对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
分别对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行数据量化处理；
对数据量化后的第一信息、第二信息、属性信息和天气信息进行数据清洗；
融合数据清洗后的第一信息、第二信息、属性信息和天气信息，生成所述目标停车场的时间序列特征。
为了提高目标停车位预测模型的准确率，在其它实施例中，在第一信息、第二信息和天气信息的基础上加入属性信息，进一步丰富了目标停车场的时间序列特征，可以产生以下技术效果：
1、通过属性信息，目标停车位预测模型可以知道当前时间节点是否在工作日或非工作日，以及工作时间和非工作时间的停车场使用情况。在工作日和工作时间段，停车场可能面临更高的使用压力，因为更多的人在工作时间内使用停车场。这些信息可以帮助模型更准确地预测在不同时间段停车场的空余停车位数量；
2、加入属性信息后，目标停车位预测模型可以学习到工作日和非工作日、工作时间和非工作时间的停车场使用模式。目标停车位预测模型可以根据这些特征调整不同时间段内各个特征的权重，从而更好地捕捉停车场使用的变化趋势和规律；
3、加入属性信息，停车场管理者可以更好地规划和配置停车场资源。例如，可以在工作日和工作时间段增加停车场的开放时间或增加服务人员，以适应更高的停车需求。而在非工作日或非工作时间段，可以相应减少资源投入，以节省成本。
在其它实施例中，加入属性信息将有助于更全面地描述目标停车场的时间序列特征，考虑到工作日和工作时间的影响，优化停车场资源利用，提高停车位预测的准确性，改善用户体验，同时对停车场的经营管理也有积极的影响。
S3、根据所述初始停车位预测模型时间序列特征训练初始停车位预测模型，获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型。
在本实施例中，将时间序列特征数据作为训练集，将目标停车场在第二时间段的真实空余停车位作为测试集；
初始空余停车位预测模型包括但不限于ARIMA(AutoRegressive IntegratedMoving Average)、LSTM(Long Short-Term Memory)等。ARIMA适用于平稳的时间序列数据，而LSTM适用于非平稳或具有长期依赖性的时间序列数据。
在训练完成后，得到初始停车位预测模型，使用测试集数据对初始停车位预测模型进行评估。通过比较初始停车位预测模型预测的空余停车位数量与实际观测值之间的误差值，可以评估模型的预测性能。评估指标包括均方根误差(Root Mean Squared Error，RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)等。
根据评估结果，对初始停车位预测模型进行优化。需要调整模型的超参数、选择不同的特征组合，以提高初始停车位预测模型的预测准确性和泛化能力，通过反复优化训练过程，最后得到目标停车位预测模型。
延续上述例子H，例如，将金融机构停车场X的时间序列特征作为训练数据，来训练一个候选空余车位检测模型(例如LSTM)。然后，在第二时间段内，实时获取停车场X的真实空余车位数量，记录下来。
获取第二时间段内的实时空余车位数量与候选空余车位数量检测模型的预测结果进行比较，优化候选空余车位检测模型参数，生成更准确的目标空余车位数量检测模型。
在一个实施例中，所述获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型，包括：
利用所述初始停车位预测模型对所述目标停车场在第二时间段内的空余停车位进行预测，得到所述第二时间段的预测空余停车位；
获取所述目标停车场在第二时间段的真实空余停车位，根据所述预测空余停车位和所述真实空余停车位之间的误差值，对所述初始停车位预测模型进行优化，生成目标停车位预测模型。
第二时间段是指当前时间点之前还没有发生的时间段，例如当前时间点为2023年07月30日0点，那么，以当前时间点往前计算3天(2023年07月30日0点至2023年08月02日0点)或1周(2023年07月30日0点至2023年08月06日0点)作为第二时间段。
使用训练得到的初始停车位预测模型对目标停车场在第二时间段内的空余停车位进行预测。将第二时间段内的时间序列特征输入到初始停车位预测模型中，生成预测空余停车位数量。
预测得到的空余停车位数量与第二时间段内的真实空余停车位数量进行对比，计算预测误差得到误差值。
根据误差值，对初始停车位预测模型进行优化。优化的目标是降低预测误差，提高模型的预测准确性。根据预测误差，调整模型的参数、特征选择，或者尝试使用不同的预测模型。优化的过程是一个迭代的过程，直到获得满意的预测性能为止。
经过优化后，得到了目标停车位预测模型。其具有更好的预测性能，能够更准确地预测目标停车场在不同时间段内的空余停车位数量。
在步骤S3中，利用初始停车位预测模型时间序列特征训练初始停车位预测模型，并最终得到目标停车位预测模型，可以实现更准确的停车位预测效果：
1.通过使用时间序列特征和真实停车位数据，初始停车位预测模型可以学习到目标停车场空余停车位数量的趋势和模式。通过对候选模型进行实时优化，根据预测结果与实际空余停车位的差异进行调整，最终生成目标停车位预测模型，预测的准确性得到提高。
2.本发明可以采用不同的预测模型，如ARI MA和LSTM等。ARI MA适用于平稳的时间序列数据，而LSTM适用于非平稳或具有长期依赖性的时间序列数据。通过选择适合目标停车场数据特性的合适模型，可以更好地捕捉时间序列的规律，提高预测效果。
3.实时获取目标停车场在第二时间段的真实空余停车位，用于优化候选模型。实时更新可以反映目标停车场实际情况的变化，保持预测模型的适应性和准确性。
4.利用时间序列特征包括历史空余停车位数据、周边停车场信息和天气数据等，这些特征能够提供丰富的信息，帮助模型更好地理解停车场的空余停车位变化趋势和受影响的因素。
S4、接收终端发起的对所述目标停车场的空余停车位的预测请求，获取所述预测请求中期望到达所述目标停车场的第三时间段，利用所述目标停车位预测模型，确定出所述目标停车场在所述第三时间段对应的空余停车位，并反馈至所述终端。
在本实施例中，在得到目标停车位预测模型后，将目标停车位预测模型投入到了实际生产中使用，并生成共享停车APP。
当接收到用户通过共享停车APP对目标停车场生成空余停车位的预测请求，获取预测请求中期望到达目标停车场的第三时间段(2023年08月06日8点-9点)，目标停车位预测模型基于历史数据、周边停车场信息和天气数据，对输入第三时间段的时间序列特征和天气信息进行预测，得出第三时间段的预测空余停车位数量，将第三时间段的预测空余停车位数量作为目标停车位预测模型的输出结果，将输出结果反馈给预测请求对应的终端用户。用户可以在终端设备上看到预测结果，从而了解在特定时间段内可能可用的停车位数量。
延续上述例子H，例如，用户在某个时间点通过终端向系统请求金融机构停车场X在第二天上午10点的空余车位数量。系统会使用优化后的目标空余车位数量检测模型，结合该时间点的天气信息(假设为晴天)，预测停车场X在第二天上午10点的空余车位数量为8个。然后将这个预测结果反馈给用户的终端。
在步骤S4中，将预测请求的时间序列特征和天气信息作为输入，通过目标停车位预测模型生成目标停车场在未来时间段内的空余停车位预测结果，并将这些结果反馈给用户。可以帮助用户更好地规划停车，节省时间和资源。
如图2所示，为本发明一实施例提供的停车场空余停车位预测装置的模块示意图。
本发明所述停车场空余停车位预测装置100可以安装于电子设备中。根据实现的功能，所述停车场空余停车位预测装置100可以包括获取模块110、处理模块120、优化模块130及反馈模块140。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
获取模块110，用于获取目标停车场在第一时间段内的第一信息和第二信息，所述第一信息包括所述目标停车场的总车位数量、停车价格和所述第一时间段的历史空余停车位，所述第二信息包括所述目标停车场预设范围内的周边停车场的第一信息。
处理模块120，用于获取所述目标停车场所属区域在所述第一时间段内的天气信息，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征。
优化模块130，用于根据所述初始停车位预测模型时间序列特征训练初始停车位预测模型，获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型。
反馈模块140，用于接收终端发起的对所述目标停车场的空余停车位的预测请求，获取所述预测请求中期望到达所述目标停车场的第三时间段，利用所述目标停车位预测模型，确定出所述目标停车场在所述第三时间段对应的空余停车位，并反馈至所述终端。
在一个实施例中，在所述获取目标停车场在第一时间段内的第一信息和第二信息之后，所述方法还包括：
获取所述第一时间段的属性信息，所述第一时间段的属性信息包括所述第一时间段内每个时间节点是工作日工作时间段，还是非工作日/工作时间段。
在一个实施例中，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征。
在一个实施例中，所述对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
分别对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行数据量化处理；
对数据量化后的第一信息、第二信息、属性信息和天气信息进行数据清洗；
融合数据清洗后的第一信息、第二信息、属性信息和天气信息，生成所述目标停车场的时间序列特征。
在一个实施例中，所述获取所述目标停车场所属区域在所述第一时间段内的天气信息，包括：
从预设的天气平台API接口和/或所述目标停车场所述区域布置的气象传感器对应的数据库，获取所述目标停车场所属区域在所述第一时间段内的天气信息。
在一个实施例中，所述历史空余停车位数据包括所述第一时间段内每个时间节点的空余停车位数量，所述每个时间节包括每分钟、每小时和每天中的至少一种。
在一个实施例中，所述获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型，包括：
利用所述初始停车位预测模型对所述目标停车场在第二时间段内的空余停车位进行预测，得到所述第二时间段的预测空余停车位；
获取所述目标停车场在第二时间段的真实空余停车位，根据所述预测空余停车位和所述真实空余停车位之间的误差值，对所述初始停车位预测模型进行优化，生成目标停车位预测模型。
如图3所示，为本发明一实施例提供的实现停车场空余停车位预测方法的电子设备的结构示意图。
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有停车场空余停车位预测程序10，所述停车场空余停车位预测程序10可被所述处理器12执行。图3仅示出了具有组件11-13以及停车场空余停车位预测程序10的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备1的内部存储单元；在另一些实施例中，该非易失性存储介质也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件，例如存储本发明一实施例中的停车场空余停车位预测程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行停车场空余停车位预测程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子设备1与终端(图中未画出)之间建立通信连接。
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的停车场空余停车位预测程序10是多个指令的组合，在所述处理器12中运行时，可以实现：
获取目标停车场在第一时间段内的第一信息和第二信息，所述第一信息包括所述目标停车场的总车位数量、停车价格和所述第一时间段的历史空余停车位，所述第二信息包括所述目标停车场预设范围内的周边停车场的第一信息；
获取所述目标停车场所属区域在所述第一时间段内的天气信息，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征；
根据所述初始停车位预测模型时间序列特征训练初始停车位预测模型，获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型；
接收终端发起的对所述目标停车场的空余停车位的预测请求，获取所述预测请求中期望到达所述目标停车场的第三时间段，利用所述目标停车位预测模型，确定出所述目标停车场在所述第三时间段对应的空余停车位，并反馈至所述终端。
具体地，所述处理器12对上述停车场空余停车位预测程序10的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元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。所述计算机可读介质可以是非易失性的，也可以是非易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
所述计算机可读存储介质上存储有停车场空余停车位预测程序10，所述停车场空余停车位预测程序10可被一个或者多个处理器执行，本发明计算机可读存储介质具体实施方式与上述停车场空余停车位预测方法各实施例基本相同，在此不作赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种停车场空余停车位预测方法，其特征在于，所述方法包括：
获取目标停车场在第一时间段内的第一信息和第二信息，所述第一信息包括所述目标停车场的总车位数量、停车价格和所述第一时间段的历史空余停车位，所述第二信息包括所述目标停车场预设范围内的周边停车场的第一信息；
获取所述目标停车场所属区域在所述第一时间段内的天气信息，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征；
根据所述初始停车位预测模型时间序列特征训练初始停车位预测模型，获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型；
接收终端发起的对所述目标停车场的空余停车位的预测请求，获取所述预测请求中期望到达所述目标停车场的第三时间段，利用所述目标停车位预测模型，确定出所述目标停车场在所述第三时间段对应的空余停车位，并反馈至所述终端。
2.如权利要求1所述的停车场空余停车位预测方法，其特征在于，在所述获取目标停车场在第一时间段内的第一信息和第二信息之后，所述方法还包括：
获取所述第一时间段的属性信息，所述第一时间段的属性信息包括所述第一时间段内每个时间节点是工作日工作时间段，还是非工作日/工作时间段。
3.如权利要求2所述的停车场空余停车位预测方法，其特征在于，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征。
4.如权利要求3所述的停车场空余停车位预测方法，其特征在于，所述对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征，包括：
分别对所述第一信息、所述第二信息、所述属性信息和所述天气信息进行数据量化处理；
对数据量化后的第一信息、第二信息、属性信息和天气信息进行数据清洗；
融合数据清洗后的第一信息、第二信息、属性信息和天气信息，生成所述目标停车场的时间序列特征。
5.如权利要求1所述的停车场空余停车位预测方法，其特征在于，所述获取所述目标停车场所属区域在所述第一时间段内的天气信息，包括：
从预设的天气平台API接口和/或所述目标停车场所述区域布置的气象传感器对应的数据库，获取所述目标停车场所属区域在所述第一时间段内的天气信息。
6.如权利要求1所述的停车场空余停车位预测方法，其特征在于，所述历史空余停车位数据包括所述第一时间段内每个时间节点的空余停车位数量，所述每个时间节包括每分钟、每小时和每天中的至少一种。
7.如权利要求5所述的停车场空余停车位预测方法，其特征在于，所述获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型，包括：
利用所述初始停车位预测模型对所述目标停车场在第二时间段内的空余停车位进行预测，得到所述第二时间段的预测空余停车位；
获取所述目标停车场在第二时间段的真实空余停车位，根据所述预测空余停车位和所述真实空余停车位之间的误差值，对所述初始停车位预测模型进行优化，生成目标停车位预测模型。
8.一种停车场空余停车位预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标停车场在第一时间段内的第一信息和第二信息，所述第一信息包括所述目标停车场的总车位数量、停车价格和所述第一时间段的历史空余停车位，所述第二信息包括所述目标停车场预设范围内的周边停车场的第一信息；
处理模块，用于获取所述目标停车场所属区域在所述第一时间段内的天气信息，对所述第一信息、所述第二信息和所述天气信息进行特征处理，生成所述目标停车场的时间序列特征；
优化模块，用于根据所述初始停车位预测模型时间序列特征训练初始停车位预测模型，获取所述目标停车场在第二时间段的真实空余停车位，对所述初始停车位预测模型进行优化，生成目标停车位预测模型；
反馈模块，用于接收终端发起的对所述目标停车场的空余停车位的预测请求，获取所述预测请求中期望到达所述目标停车场的第三时间段，利用所述目标停车位预测模型，确定出所述目标停车场在所述第三时间段对应的空余停车位，并反馈至所述终端。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的停车场空余停车位预测程序，所述停车场空余停车位预测程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的停车场空余停车位预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有停车场空余停车位预测程序，所述停车场空余停车位预测程序可被一个或者多个处理器执行，以实现如权利要求1至7任一项所述的停车场空余停车位预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311184122.6A CN117217380A (zh) | 2023-09-13 | 2023-09-13 | 停车场空余停车位预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311184122.6A CN117217380A (zh) | 2023-09-13 | 2023-09-13 | 停车场空余停车位预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117217380A true CN117217380A (zh) | 2023-12-12 |
Family
ID=89034781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311184122.6A Pending CN117217380A (zh) | 2023-09-13 | 2023-09-13 | 停车场空余停车位预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217380A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117831338A (zh) * | 2023-12-26 | 2024-04-05 | 武汉理工大学 | 一种基于停车场智能引导终端的数据协同共享方法 |
| CN117874474A (zh) * | 2024-03-13 | 2024-04-12 | 三峡电能有限公司 | 一种基于深度学习的充电场站空闲状态设备数量预测方法 |
| CN117912293A (zh) * | 2024-03-20 | 2024-04-19 | 鲁东大学 | 一种停车场智能管理系统 |
| CN118506603A (zh) * | 2024-04-29 | 2024-08-16 | 武汉市交通规划设计有限公司 | 一种车辆停车管控方法、装置、计算机设备和存储介质 |
-
2023
- 2023-09-13 CN CN202311184122.6A patent/CN117217380A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117831338A (zh) * | 2023-12-26 | 2024-04-05 | 武汉理工大学 | 一种基于停车场智能引导终端的数据协同共享方法 |
| CN117874474A (zh) * | 2024-03-13 | 2024-04-12 | 三峡电能有限公司 | 一种基于深度学习的充电场站空闲状态设备数量预测方法 |
| CN117874474B (zh) * | 2024-03-13 | 2024-05-24 | 三峡电能有限公司 | 一种基于深度学习的充电场站空闲状态设备数量预测方法 |
| CN117912293A (zh) * | 2024-03-20 | 2024-04-19 | 鲁东大学 | 一种停车场智能管理系统 |
| CN117912293B (zh) * | 2024-03-20 | 2024-05-28 | 鲁东大学 | 一种停车场智能管理系统 |
| CN118506603A (zh) * | 2024-04-29 | 2024-08-16 | 武汉市交通规划设计有限公司 | 一种车辆停车管控方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US11074658B1 (en) | Intelligent methods of inspection for property and casualty insurance claims | |
| CN111881158B (zh) | 一种管理报表数据处理方法、装置、计算机系统及可读存储介质 | |
| CN112581182B (zh) | 自动售货设备的销售管理方法及系统 | |
| US20210334914A1 (en) | System and method for determining power production in an electrical power grid | |
| US20180225779A1 (en) | System and method for determining power production in an electrical power grid | |
| CN112862172B (zh) | 国网95598停电投诉预测方法、装置、计算机设备和存储介质 | |
| CN112183916B (zh) | 土地储备生命周期管理系统 | |
| CN111737646A (zh) | 广告推广的效果评估数据处理方法、系统和存储介质 | |
| US20190164065A1 (en) | Systems and Methods Venue Visitation Forecasting | |
| CN115668265A (zh) | 为操纵和调整承保标的的风险驱动组合提供前瞻和后顾度量的风险转移配置器和模拟引擎及其方法 | |
| CN113255996A (zh) | 一种标签化的电费余额管理方法、装置、设备及存储介质 | |
| CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
| Yi Man Li et al. | Predicting Carpark Prices Indices in Hong Kong Using AutoML. | |
| CN115358522A (zh) | 一种企业在线监测系统和方法 | |
| CN107292413A (zh) | 基于大数据和信息融合的电力负荷分析预测系统 | |
| US20160267602A1 (en) | System for generating historical hail evaluation data | |
| CN117408394A (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
| Fan et al. | How does upzoning impact land use and transport: a case study of Seattle | |
| CN115271514A (zh) | 通讯企业的监控方法、装置、电子设备及存储介质 | |
| CN115438812A (zh) | 输电设备全生命管理方法、装置、计算机设备和存储介质 | |
| CN116050856A (zh) | 碳排放数据处理方法、装置、设备及存储介质 | |
| CN110659852B (zh) | 配送单元的配送信息的确定方法、系统、设备和存储介质 | |
| Cao et al. | Long-term and multi-step ahead call traffic forecasting with temporal features mining | |
| KR102478609B1 (ko) | 건물 관리 플랫폼 제공 시스템 및 그 동작 방법 |
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 |