CN117217782A - 一种多维度的停车场价格调整方法及装置 - Google Patents
一种多维度的停车场价格调整方法及装置 Download PDFInfo
- Publication number
- CN117217782A CN117217782A CN202310920768.XA CN202310920768A CN117217782A CN 117217782 A CN117217782 A CN 117217782A CN 202310920768 A CN202310920768 A CN 202310920768A CN 117217782 A CN117217782 A CN 117217782A
- Authority
- CN
- China
- Prior art keywords
- parking lot
- data
- operation data
- price adjustment
- parking
- 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 48
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 32
- 235000019580 granularity Nutrition 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 238000003062 neural network model Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种多维度的停车场价格调整方法及装置，方法包括：获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据；对各个数据进行数据处理，确定训练集和测试集；建立多层transformer网络模型；利用训练集对网络模型进行训练，并利用测试集进行预测，确定预测价格调整策略。本发明采用两个多层transformer和Multi‑LayersPerceptron网络搭建的神经网络模型，能够很好地提取当前停车场、相关区域内每个停车场和相关区域内整体运营数据的特征，并具有良好的价格调整策略分类的预测效果。
Description
技术领域
本发明涉及智能算法技术领域，具体涉及一种多维度的停车场价格调整方法及装置。
背景技术
随着汽车保有量的增加，城市停车业务蓬勃发展，停车场的数量也随之大幅增长。然而，不同时段的停车场定价也出现了一些问题。如果定价过低，虽然泊位占用率会提高，但停车场的收入却没有多少增长；如果定价过高，虽然单次停车收入会增加，但停车场的泊位占用率会大幅下降，从而停车场收入也不会增加。因此，一个合理的定价方法对停车场的收入尤为重要。
近年来，停车场定价策略得到了广泛关注，业内人士也提出了许多解决方法，大致分为两类：线性定价方法和非线性定价方法。线性定价方法虽然模型简单，但对数据波动性处理能力较弱，因此定价预测结果的稳定性较差。非线性定价方法主要以机器学习和深度学习算法为主，机器学习在预测方面缺少结构化的方法确定参数，容易达到局部最优，影响整体定价预测的稳定性。深度学习在定价预测方面主要采用CNN、LSTM等方法模型取得了较好的分类预测准确度，但是，CNN、LSTM价格调整策略分类算法不能考虑到不同时间和空间维度的影响，特征提取能力不足以表现不同时间粒度在停车场和相关区域内其他停车场的特征。
发明内容
有鉴于此，本发明实施例提供了一种多维度的停车场价格调整方法及装置，解决了由于现有定价方法稳定性差、数据处理能力低、预测维度单一等问题。
根据第一方面，本发明实施例提供了一种多维度的停车场价格调整方法，包括：
获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据；
对各个数据进行数据处理，确定训练集和测试集；
建立多层transformer网络模型；
利用所述训练集对所述网络模型进行训练，并利用所述测试集进行预测，确定预测价格调整策略。
本发明实施例提供的多维度的停车场价格调整方法，利用车场间距离数据计算出相关性权重，对当前停车场运营数据、相关停车场区域内每个停车场运营数据、相关停车场区域内整体运营数据进行one-hot编码和标准化，将当前停车场运营数据、相关停车场区域内每个停车场运营数据分别输入到不同层的transformer encoding网络；然后将每个transformer encoding网络的输出结果和相关停车场区域内整体运营数据三种类型数据进行concatenate操作，最后输入到Multi-Layers Perceptron网络中，学习日间、夜间定价策略与车场运营状态变化规律的特征。采用两个多层transformer和Multi-LayersPerceptron网络搭建的神经网络模型，能够很好地提取当前停车场、相关区域内每个停车场和相关区域内整体运营数据的特征，并具有良好的价格调整策略分类的预测效果。
结合第一方面，在第一方面第一实施方式中，所述获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据，包括：
根据各个所述距离数据计算各个停车场相邻数据，并计算各个停车场之间的相关系数；
根据所述相关系数确定与当前停车场相关联的预设个数相关停车场；
计算各个相关停车场运营指标、相关停车场整体运营指标以及相关停车场运营指标；
根据各个所述指标获取对应停车场的运营数据以及整体运营数据。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述对各个数据进行数据处理，确定训练集和测试集，包括：
对各个数据分别进行one-hot编码和标准化处理，确定处理后的数据；
将处理后的数据按照预设比例进行分割，确定训练集和测试集。
结合第一方面第二实施方式，在第一方面第三实施方式中，所述建立多层transformer网络模型，包括：
将所述训练集中的所述相关停车场的各个停车场的运营数据和所述当前停车场的运营数据，分别输入至不同层次的网络中，提取不同粒度的停车场数据特征；
将所述相关停车场的整体运营数据和两个不同粒度的所述停车场数据特征做拼接操作；
将拼接后的数据输入至多层感知机网络，进行停车场价格分类预测，并计算损失函数，建立多层transformer网络模型。
结合第一方面，在第一方面第四实施方式中，所述利用所述训练集对所述网络模型进行训练，包括：
将所述训练集输入至所述多层transformer网络模型，确定预测标识；
根据所述预测标识以及所述训练集对应的标识，对所述多层transformer网络模型进行训练，确定目标预测模型。
结合第一方面第四实施方式，在第一方面第五实施方式中，所述利用所述测试集进行预测，确定预测价格调整策略，包括：
将所述测试集输入至所述目标预测模型中，确定停车场价格调整策略；
对比所述预测价格调整策略与测试集对应的价格调整策略，确定预测模型的评估指标。
根据第二方面，本发明实施例提供的多维度的停车场价格调整装置，包括：
第一处理模块，用于获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据；
第二处理模块，用于对各个数据进行数据处理，确定训练集和测试集；
第三处理模块，用于建立多层transformer网络模型；
第四处理模块，用于利用所述训练集对所述网络模型进行训练，并利用所述测试集进行预测，确定预测价格调整策略。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的多维度的停车场价格调整方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的多维度的停车场价格调整方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的多维度的停车场价格调整方法的流程图；
图2是根据本发明优选实施例的数据预处理流程图；
图3是根据本发明优选实施例的网络模型结构示意图；
图4是根据本发明优选实施例的网络模型的训练流程图；
图5是根据本发明实施例的多维度的停车场价格调整装置的功能模块示意图；
图6是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。
在本实施例中提供了一种多维度的停车场价格调整方法，可用于电子设备，例如电脑、手机、平板电脑等。在实际应用中，随着我国汽车保有量的大幅增加，城市停车业务蓬勃发展，停车场的数量也随之大幅增长。然而，不同时段的停车场定价也出现了一些问题。如果定价过低，虽然泊位占用率会提高，但停车场的收入却没有多少增长；如果定价过高，虽然单次停车收入会增加，但停车场的泊位占用率会大幅下降，从而停车场收入也不会增加。因此，一个合理的定价方法对停车场的收入尤为重要。
近年来，停车场定价策略得到了广泛关注，业内人士也提出了许多解决方法，大致分为两类：线性定价方法和非线性定价方法。线性定价方法虽然模型简单，但对数据波动性处理能力较弱，因此定价预测结果的稳定性较差。非线性定价方法主要以机器学习和深度学习算法为主，机器学习在预测方面缺少结构化的方法确定参数，容易达到局部最优，影响整体定价预测的稳定性。深度学习在定价预测方面主要采用CNN、LSTM等方法模型取得了较好的分类预测准确度。但是，CNN、LSTM价格调整策略分类算法不能考虑到不同时间和空间维度的影响，特征提取能力不足以表现不同时间粒度在停车场和相关区域内其他停车场的特征。
图1是根据本发明实施例的多维度的停车场价格调整方法的流程图。如图1所示，该流程包括如下步骤：
S11，获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据。本实施例中，利用各个停车场的位置坐标计算各个停车场之间的距离数据，其中距离数据为直线距离；获取一定预设区域内的各个停车场的运营数据以及这些停车场的整体运营数据。需要说明的是，获取的数据是利用现有的采集设备、采集技术进行信息采集，只要能够实现数据的采集即可，本实施例不以此为限。
S12，对各个数据进行数据处理，确定训练集和测试集。通过各个停车场间距离数据计算车场间的相关性，然后根据相关性统计相关车场区域内每个停车场的运营数据和整体运营数据，对其进行one-hot编码和归一化处理，并按照80％、20％的比例拆分成训练集和测试集。详细信息在后续步骤中将进行阐述，本实施例不再进行赘述。
S13，建立多层transformer网络模型。本实施例中，使用两个多层transformer网络、concatenate层和Multi-Layers Perceptron层，对数据进行特征提取，确定多层transformer网络模型。详细信息在后续步骤中将进行阐述，本实施例不再进行赘述。
S14，利用训练集对网络模型进行训练，并利用测试集进行预测，确定预测价格调整策略。本实施例中，将训练集输入到建立好的模型中进行训练，使两个多层transformer网络、concatenate层和Multi-Layers Perceptron层提取当前停车场、相关停车场区域内每个停车场和相关停车场区域内整体三者运营数据特征，从而输出一个价格调整策略分类预测模型(目标预测模型)。并将测试集输入至目标预测模型中，确定模型评估指标。以便后续进行停车场价格调整。详细信息在后续步骤中将进行阐述，本实施例不再进行赘述。
本实施例提供的多维度的停车场价格调整方法，利用车场间距离数据计算出相关性权重，对当前停车场运营数据、相关停车场区域内每个停车场运营数据、相关停车场区域内整体运营数据进行one-hot编码和标准化，将当前停车场运营数据、相关停车场区域内每个停车场运营数据分别输入到不同层的transformer encoding网络；然后将每个transformer encoding网络的输出结果和相关停车场区域内整体运营数据三种类型数据进行concatenate操作，最后输入到Multi-Layers Perceptron网络中，学习日间、夜间定价策略与车场运营状态变化规律的特征。采用两个多层transformer和Multi-LayersPerceptron网络搭建的神经网络模型，能够很好地提取当前停车场、相关区域内每个停车场和相关区域内整体运营数据的特征，并具有良好的调价策略分类的预测效果。
在另一实施例中，还提供了一种多维度的停车场价格调整方法，根据本发明实施例的多维度的停车场价格调整方法的另一流程图，该流程包括如下步骤：
S21，获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据。
本实施例中，上述步骤S21具体还包括如下步骤，具体数据预处理流程如图2所示：
S211，根据各个距离数据计算各个停车场相邻数据，并计算各个停车场之间的相关系数。
本实施例中，停车场间的距离数据是一个n*n的二维矩阵，其中n是停车数量(样本数据有328个停车场)。示例数据如表1所示：
表1停车场间距离数据
停车场相邻矩阵是基于车场间直线距离来计算的，权重参数(相关系数)为：
其中i行和j列的元素(i,j)代表了第i个的停车场到第j个停车场的距离。Wij权重由车场间距离dij(单位：万米)和σ、ε决定，取值分别为：0.1，0.5。
S212，根据相关系数确定与当前停车场相关联的预设个数相关停车场。其中，本实施例中相关联的停车场最多不超过10个。
S213，计算各个相关停车场运营指标、相关停车场整体运营指标以及相关停车场运营指标。
S214，根据各个指标获取对应停车场的运营数据以及整体运营数据。
每个停车场的每天运营数据，如表2所示：
表2当前停车场运营数据
计算相关停车场运营指标，其中涉及到的指标计算公式为：
假设：该车场存在n个相关车场。
车场泊位数：车场1、车场2、……、车场n为：b1、b2、……、bn；
日间单价：车场1、车场2、……、车场n为：p1、p2、……、pn；
夜间单价：车场1、车场2、……、车场n为：q1、q2、……、qn；
故：
相关车场区间的日间停车单价＝(b1*p1+b2*p2+……+bn*pn)/(b1+b2+……+bn)；
相关车场区间的日间停车单价＝(b1*p1+b2*p2+……+bn*pn)/(b1+b2+……+bn)；
相关车场区间的夜间停车单价＝(b1*q1+b2*q2+……+bn*qn)/(b1+b2+……+bn)；
日间单价占比＝该车场的日间单价/相关车场区间的日间停车单价；
夜间单价占比＝该车场的夜间单价/相关车场区间的夜间停车单价；
相关车场区域内每个停车场的运营数据示例如表3所示：
表3相关停车场区域内每个停车场运营数据
计算相关车场区域整体运营指标类似于计算相关车场运营指标公式，这里就不在赘述，相关车场区域内整体运营数据示例如表4所示：
表4相关停车场区域内整体运营数据
车场价格调整策略标注数据，用于训练和测试模型。数据主要由3列组成，其中包括车场id，日间价格调整策略、夜间价格调整策略，数据示例如表5所示：
表5车场价格调整策略标注数据
S22，对各个数据进行数据处理，确定训练集和测试集。
具体地，上述步骤S22具体还包括如下步骤：
S221，对各个数据分别进行one-hot编码和标准化处理，确定处理后的数据。其中，将当前停车场运营数据(按每小时维度采集)、相关停车场区域内每个停车场运营数据(按每天维度采集)以及相关停车场区域内整体运营数据(按每天维度采集)进行one-hot编码和标准化处理。对不同类型的数据进行处理，离散数据(例如星期几、小时、车场类型和时间类型等)需要进行one-hot编码处理，而连续数据(例如单价、周转次数、占用率等)需要进行标准化处理。
S222，将处理后的数据按照预设比例进行分割，确定训练集和测试集。按照80％、20％的比例拆分成训练集和测试集，需要说明的是，本实施例中仅仅以上述比例为例进行说明，具体比例在实际应用中还可以根据实际需求进行调整，本实施例并不以此为限。
S23，建立多层transformer网络模型。详细参见步骤S13，本实施例不再赘述。
S24，利用训练集对网络模型进行训练，并利用测试集进行预测，确定预测价格调整策略。详细参见步骤S14，本实施例不再赘述。
在另一实施例中，还提供了一种多维度的停车场价格调整方法，根据本发明实施例的多维度的停车场价格调整方法，该流程包括如下步骤：
S31，获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据。
详细参见步骤S21，本实施例不再赘述。
S32，对各个数据进行数据处理，确定训练集和测试集。
详细参见步骤S22，本实施例不再赘述。
S33，建立多层transformer网络模型，具体模型结构如图3所示。
本实施例中，上述步骤S33还包括如下步骤：
S331，将训练集中的相关停车场的各个停车场的运营数据和当前停车场的运营数据，分别输入至不同层次的网络中，提取不同粒度的停车场数据特征；具体地，对经过one-hot和normalization处理后的相关停车场区域内每个停车场运营数据(每天维度)和当前停车场运营数据(每小时维度)，分别输入到不同层次的transformer encoding网络中，提取不同粒度的停车场数据特征。
S332，将相关停车场的整体运营数据和两个不同粒度的停车场数据特征做拼接操作；对相关停车场区域内整体运营数据(每天维度)和两个经过transformer encoding处理的不同粒度的停车场数据特征做concatenate操作。
S333，将拼接后的数据输入至多层感知机网络，进行停车场价格调整策略预测，并计算损失函数，建立多层transformer网络模型。对concatenate后的数据，经过多层感知机网络(Multi-Layers Perception)，进行车场价格调整策略分类预测，并计算损失函数，建立多层transformer网络模型。
S34，利用训练集对网络模型进行训练，并利用测试集进行预测，确定预测价格调整策略。
本实施例中，上述步骤S34还包括如下步骤，具体训练流程如图4所示：
S341，将训练集输入至多层transformer网络模型，确定预测标识；
S342，根据预测标识以及训练集对应的标识，对多层transformer网络模型进行训练，确定目标预测模型。
S343，将测试集输入至目标预测模型中，预测停车场价格调整的策略；
S344，对比预测价格调整策略与测试集对应的价格调整策略，确定预测模型的评估指标。
在使用训练集数据进行训练时，主要参数设置如下：batch size为8，训练次数为100，优化器采用了Adam算法，学习率为0.001，损失函数为交叉熵损失函数(categoricalcross entropy)，评估函数包括分类准确率(accuracy)、精确率(precision)和召回率(recall)。同时，训练集和验证集的拆分比例为80％和20％。
在实际应用中，使用测试数据对多维度Transformer网络模型进行评估。分别利用分类准确率(accuracy)、精确率(precision)、召回率(recall)作为分类预测结果的评估指标。预测结果如表6所示：
可以看出，基于车场多维度的Transformer模型在分类预测方面的效果明显优于其他模型。由于单个维度的模型不能很好处理空间、时间等多维度特征，因此基于单个维度的车场价格调整策略在分类预测结果方面表现不佳。经过多维度Transformer神经网络模型提取的数据特征，不仅可以用于停车场价格调整策略分类预测，还可以用于其他业务领域的分类和回归预测功能，例如停车泊位数预测、停车场收入预测和路内车场泊位异常占用分类等。
表6预测结果
本发明实施例提供的多维度的停车场价格调整方法，利用车场间距离数据计算出相关性权重，对当前停车场运营数据、相关停车场区域内每个停车场运营数据、相关停车场区域内整体运营数据进行one-hot编码和标准化，将当前停车场运营数据、相关停车场区域内每个停车场运营数据分别输入到不同层的transformer encoding网络；然后将每个transformer encoding网络的输出结果和相关停车场区域内整体运营数据三种类型数据进行concatenate操作，最后输入到Multi-Layers Perceptron网络中，学习日间、夜间定价策略与车场运营状态变化规律的特征。采用两个多层transformer和Multi-LayersPerceptron网络搭建的神经网络模型，能够很好地提取当前停车场、相关区域内每个停车场和相关区域内整体运营数据的特征，并具有良好的调价策略分类的预测效果。
本实施例提供了一种多维度的停车场价格调整装置，如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明公开了多维度的停车场价格调整装置，如图5所示，包括：
第一处理模块01，用于获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据；
第二处理模块02，用于对各个数据进行数据处理，确定训练集和测试集；
第三处理模块03，用于建立多层transformer网络模型；
第四处理模块04，用于利用训练集对网络模型进行训练，并利用测试集进行预测，确定预测价格调整策略。
本发明实施例提供的多维度的停车场价格调整装置，利用车场间距离数据计算出相关性权重，对当前停车场运营数据、相关停车场区域内每个停车场运营数据、相关停车场区域内整体运营数据进行one-hot编码和标准化，将当前停车场运营数据、相关停车场区域内每个停车场运营数据分别输入到不同层的transformer encoding网络；然后将每个transformer encoding网络的输出结果和相关停车场区域内整体运营数据三种类型数据进行concatenate操作，最后输入到Multi-Layers Perceptron网络中，学习日间、夜间定价策略与车场运营状态变化规律的特征。采用两个多层transformer和Multi-LayersPerceptron网络搭建的神经网络模型，能够很好地提取当前停车场、相关区域内每个停车场和相关区域内整体运营数据的特征，并具有良好的调价策略分类的预测效果。
本发明实施例还提供一种电子设备，请参阅图6，图6是本发明可选实施例提供的一种电子设备的结构示意图，如图6所示，该电子设备可以包括：至少一个处理器601，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(RandomAccess Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图6所描述的装置，存储器604中存储应用程序，且处理器601调用存储器604中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线602可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器604可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器604还可以包括上述种类的存储器的组合。
其中，处理器601可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本申请图实施例中所示的多维度的停车场价格调整方法。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的多维度的停车场价格调整方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种多维度的停车场价格调整方法，其特征在于，包括：
获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据；
对各个数据进行数据处理，确定训练集和测试集；
建立多层transformer网络模型；
利用所述训练集对所述网络模型进行训练，并利用所述测试集进行预测，确定预测价格调整策略。
2.根据权利要求1所述的方法，其特征在于，所述获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据，包括：
根据各个所述距离数据计算各个停车场相邻数据，并计算各个停车场之间的相关系数；
根据所述相关系数确定与当前停车场相关联的预设个数相关停车场；
计算各个相关停车场运营指标、相关停车场整体运营指标以及相关停车场运营指标；
根据各个所述指标获取对应停车场的运营数据以及整体运营数据。
3.根据权利要求2所述的方法，其特征在于，所述对各个数据进行数据处理，确定训练集和测试集，包括：
对各个数据分别进行one-hot编码和标准化处理，确定处理后的数据；
将处理后的数据按照预设比例进行分割，确定训练集和测试集。
4.根据权利要求3所述的方法，其特征在于，所述建立多层transformer网络模型，包括：
将所述训练集中的所述相关停车场的各个停车场的运营数据和所述当前停车场的运营数据，分别输入至不同层次的网络中，提取不同粒度的停车场数据特征；
将所述相关停车场的整体运营数据和两个不同粒度的所述停车场数据特征做拼接操作；
将拼接后的数据输入至多层感知机网络，进行停车场价格调整策略预测，并计算损失函数，建立多层transformer网络模型。
5.根据权利要求1所述的方法，其特征在于，所述利用所述训练集对所述网络模型进行训练，包括：
将所述训练集输入至所述多层transformer网络模型，确定预测标识；
根据所述预测标识以及所述训练集对应的标识，对所述多层transformer网络模型进行训练，确定目标预测模型。
6.根据权利要求5所述的方法，其特征在于，所述利用所述测试集进行预测，确定预测价格调整策略，包括：
将所述测试集输入至所述目标预测模型中，预测停车场价格调整的策略；
对比所述预测价格调整策略与测试集对应的价格调整策略，确定预测模型的评估指标。
7.一种多维度的停车场价格调整装置，其特征在于，包括：
第一处理模块，用于获取各个停车场之间的距离数据、预设区域内各个停车场的运营数据以及整体运营数据；
第二处理模块，用于对各个数据进行数据处理，确定训练集和测试集；
第三处理模块，用于建立多层transformer网络模型；
第四处理模块，用于利用所述训练集对所述网络模型进行训练，并利用所述测试集进行预测，确定预测价格调整策略。
8.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-6中任一项所述的多维度的停车场价格调整方法。
9.一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存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的多维度的停车场价格调整方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920768.XA CN117217782A (zh) | 2023-07-26 | 2023-07-26 | 一种多维度的停车场价格调整方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920768.XA CN117217782A (zh) | 2023-07-26 | 2023-07-26 | 一种多维度的停车场价格调整方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117217782A true CN117217782A (zh) | 2023-12-12 |
Family
ID=89041402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310920768.XA Pending CN117217782A (zh) | 2023-07-26 | 2023-07-26 | 一种多维度的停车场价格调整方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217782A (zh) |
-
2023
- 2023-07-26 CN CN202310920768.XA patent/CN117217782A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161535A (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
| CN111126680A (zh) | 一种基于时间卷积神经网络的道路断面交通流量预测方法 | |
| CN108446312B (zh) | 基于深度卷积语义网的光学遥感图像检索方法 | |
| CN114330868A (zh) | 基于自注意力的个性化增强图卷积网络的客流预测方法 | |
| CN111597348B (zh) | 用户画像方法、装置、计算机设备和存储介质 | |
| CN112258093A (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
| CN110674636B (zh) | 一种用电行为分析方法 | |
| CN105528465A (zh) | 信用状况评估方法及装置 | |
| CN110264270B (zh) | 一种行为预测方法、装置、设备和存储介质 | |
| CN112598076B (zh) | 一种机动车属性识别方法及系统 | |
| CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN114612251A (zh) | 风险评估方法、装置、设备及存储介质 | |
| CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
| CN111126868A (zh) | 一种道路交通事故发生风险确定方法及系统 | |
| CN116011684A (zh) | 一种基于时空图卷积网络的交通流量预测方法 | |
| CN111178633A (zh) | 基于随机森林算法预测景区客流量的方法和装置 | |
| CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
| CN114169054A (zh) | 公路桥梁地震易损性分析方法、装置及终端设备 | |
| CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
| CN116977091A (zh) | 个股投资组合的确定方法、装置、电子设备及可读存储介质 | |
| CN117217782A (zh) | 一种多维度的停车场价格调整方法及装置 | |
| CN113239815B (zh) | 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备 | |
| CN113177603B (zh) | 分类模型的训练方法、视频分类方法及相关设备 | |
| CN115907719A (zh) | 充电站分级运维管理方法及装置 |
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 |