CN117272849B - 区域停车场饱和度的预测方法、系统及可读存储介质 - Google Patents
区域停车场饱和度的预测方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN117272849B CN117272849B CN202311562752.2A CN202311562752A CN117272849B CN 117272849 B CN117272849 B CN 117272849B CN 202311562752 A CN202311562752 A CN 202311562752A CN 117272849 B CN117272849 B CN 117272849B
- Authority
- CN
- China
- Prior art keywords
- saturation
- prediction
- model
- parking lot
- date
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 51
- 230000008447 perception Effects 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种区域停车场饱和度的预测方法、系统及可读存储介质。所述预测方法包括：划定选定区域并获取停车场信息；按照第一周期对停车场饱和度进行集计，获得多个分段平均饱和度；区分工作日和非工作日，对多层感知模型进行训练，获得预测模型；当待预测日期为工作日时，获取前预设数目个工作日对应的分段平均饱和度输入；为非工作日时，获取前预设数目个非工作日对应的分段平均饱和度输入；得到待预测日期的分段预测饱和度。本发明充分考虑了不同区域以及工作日与非工作日的停车规律的差异，一方面具有鲁棒性强、准确性高的优点，另一方面能够给出一日内不同时段的停车场饱和度精细变化，为精细化的管控、导航提供了清晰依据。
Description
技术领域
本发明涉及交通数据分析与预测技术领域，尤其涉及一种区域停车场饱和度的预测方法、系统及可读存储介质。
背景技术
随着城市化进程的进展，城市中的人口和车辆数量逐年增加，停车资源的供需矛盾日益突出，城市交通拥堵问题也愈发严重。
停车场饱和度是衡量一个停车场或者停车区域使用效率的重要指标。对于一些热门区域，往往在一些高峰时段会存在停车位紧张的情况，即停车场饱和度过高，从而引起车辆在入口处堆积等对交通畅通损害极大的状况。因此，准确地预测未来短期内的停车场饱和度对于停车场的管理以及对一些热门区域的通行指引具有重要意义，例如预期到未来某一时段中停车场饱和度过高则在指示牌或导航软件中不建议在某些时段自驾前往。
现有的停车场饱和度和趋势预测方法主要包括基于时间序列分析的方法和基于机器学习的方法。机器学习方法则是近年来发展起来的一种新型预测方法，通过训练模型，自动学习历史数据中的规律性，从而对未来的停车场饱和度和趋势进行预测，然而诸多现有技术的预测准确性和实时性却难以满足精细化管理的需求。
发明内容
针对现有技术的不足，本发明的目的在于提供一种区域停车场饱和度的预测方法、系统及可读存储介质。解决现有技术中不同情形下停车场饱和度变化规律的差异导致的预测准确性欠佳的问题。
为实现前述发明目的，本发明采用的技术方案包括：
第一方面本发明提供了一种区域停车场饱和度的预测方法，其包括如下步骤：
划定选定区域，并获取所述选定区域内的停车场信息；
按照第一周期对所述停车场信息对应的停车场饱和度进行集计，获得多个分段平均饱和度；
区分工作日和非工作日，按照时间顺序，利用多个所述分段平均饱和度对多层感知模型进行训练，获得预测模型；
当待预测日期为工作日时，获取所述待预测日期前预设数目个工作日对应的多个分段平均饱和度输入所述预测模型；当所述待预测日期为非工作日时，获取所述待预测日期前预设数目个非工作日对应的多个分段平均饱和度输入所述预测模型；
通过所述预测模型预测所述待预测日期中按照所述第一周期进行分布的分段预测饱和度。
进一步地，所述预测方法中的划定选定区域，并获取所述选定区域内的停车场信息步骤具体包括：
利用地理哈希算法对所述选定区域进行网格化处理，使所述选定区域被划分为多个地理网格；
获取多个停车场的地理位置，并将所述地理位置的坐标与所述地理网格的经纬度范围进行匹配，从而筛选出地理位置在所述地理网格内的停车场及对应的停车位数据，得到所述停车场信息。
进一步地，所述选定区域的划定具体包括：
选定核心热点区域，并基于所述核心热点区域计算周围的第一时长慢行可达圈以及第二时长公共交通可达圈；
将所述核心热点区域、第一时长慢行可达圈以及所述第二时长公共交通可达圈中与所述第一时长慢行可达圈非重叠的区域分别作为不同的所述选定区域，独立地进行所述预测模型的训练与所述分段预测饱和度的预测。
由此通过核心热点区域以及周围的不同换乘出行方式的划分，获得具有不同停车需求变化规律的多个选定区域，从而进行独立的训练和预测，提高了模型针对于不同区域特性的适应性，进而提高了预测结果的准确性。
更进一步地，核心热点区域的获取可以依赖开源的人口热力图、车辆密度统计信息进行划定，或者基于热门地址，例如大型交通枢纽、医疗或教育中心、会展中心等不同热门出行目的地而划定。
进一步地，所述第一周期为24h的整除数，且所述第一周期在0.5h-4h之间。
进一步地，所述分段平均饱和度的获取过程具体包括：
以第二周期定期更新所述停车场的车位占用数，并基于所述停车场的车位总数更新时刻饱和度；
计算所述第一周期内的多个第二周期对应的时刻饱和度的平均值，获得所述分段平均饱和度；
其中，所述第二周期短于所述第一周期，且为所述第一周期的整除数，所述时刻饱和度的计算过程表示为：
；
s为所述时刻饱和度；occ为所述停车场的车位占用数，total为所述车位总数。
进一步地，所述预测模型的训练过程包括：
选择目标日期，以对应的所述分段平均饱和度作为标签集，以所述目标日期前预设数目个日期对应的所述分段平均饱和度作为训练集，并按照时间顺序将所述训练集进行排序；
以排序中的第i至第（z-1）×n+i-1个所述分段平均饱和度作为所述多层感知模型的输入，预测所述目标日期中的第i个第一周期对应的分段平均饱和度的预测值；
基于所述预测值和标签集中对应的真实值的差异计算损失值，并基于所述损失值迭代优化所述多层感知模型的参数；
其中，z为≥2的整数，代表所述预设数目；n代表单个日期内包含的所述第一周期的数目；i的取值为遍历集合[1,2,3,……n]。
进一步地，所述多层感知模型包括第一子模型和第二子模型，所述目标日期包括选定工作日和选定非工作日，所述预测模型的训练过程具体包括：
以所述选定工作日对应的多个所述分段平均饱和度作为第一标签集，至少以所述选定工作日的前预设数目个工作日对应的多个所述分段平均饱和度作为第一训练集，对所述第一子模型进行训练，获得第一预测子模型；
以选定非工作日对应的多个所述分段平均饱和度作为第二标签集，至少以所述选定非工作日的前预设数目个非工作日对应的多个所述分段平均饱和度作为第二训练集，对所述第二子模型进行训练，获得第二预测子模型；
至少所述第一预测子模型和第二预测子模型构成所述预测模型。
进一步地，所述多层感知模型包括m个线性感知层，所述多层感知模型的输入经过线性变换后通过多个所述线性感知层进行输出；
其中，所述线性变换表示为：
；
其中，W是所述多层感知模型的参数；b是0维的向量偏置；X代表所述多层感知模型的输入，Y代表所述线性变换后的结果；n为输入的向量的行数；i为输入的神经元的个数；o为输出神经元的个数；
将通过m层感知器输出的结果输入Relu函数，Relu函数的输出结果为最终输出结果，其中，Relu激活函数表示为：
;
其中，m为正整数；f(x)代表Relu激活函数的输出值；x代表多层感知模型的输出值；
训练所述多层感知模型时的损失函数表示为：
；
其中，MAE代表损失值，代表所述多层感知模型训练时的预测值，/>代表真实标签值。
对应于上述预测方法，本发明的第二方面还提供了一种区域停车场饱和度的预测系统，其包括：
停车场划分模块，用于划定选定区域，并获取所述选定区域内的停车场信息；
饱和度集计模块，用于按照第一周期对所述停车场信息对应的停车场饱和度进行集计，获得多个分段平均饱和度；
模型训练模块，用于区分工作日和非工作日，按照时间顺序，利用多个所述分段平均饱和度对多层感知模型进行训练，获得预测模型；
模型输入模块，用于当待预测日期为工作日时，获取所述待预测日期前预设数目个工作日对应的多个分段平均饱和度输入所述预测模型；当所述待预测日期为非工作日时，获取所述待预测日期前预设数目个非工作日对应的多个分段平均饱和度输入所述预测模型；
饱和度预测模块，用于通过所述预测模型预测所述待预测日期中按照所述第一周期进行分布的分段预测饱和度。
对应的，本发明的第三方面还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，所述计算机程序被运行时执行上述预测方法的步骤。
基于上述技术方案，与现有技术相比，本发明的有益效果至少包括：
本发明所提供的预测方法充分考虑了不同区域以及工作日与非工作日的停车规律的差异，通过进行区域性划分以及日期划分，获取以多个第一周期集计的饱和度历史数据进行按日的多层感知模型的训练，训练获得的预测模型对应地预测待预测日期的按照多个第一周期进行排序的停车场饱和度，例如逐小时饱和度，一方面具有鲁棒性强、准确性高的优点，给出的预测结果更加接近实际情形，另一方面能够给出一日内不同时段的停车场饱和度精细变化，为精细化的管控、导航提供了清晰依据，能够应用于现实的停车场饱和度实时预测，具有较强的实用性。
上述说明仅是本发明技术方案的概述，为了能够使本领域技术人员能够更清楚地了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合详细附图说明如后。
附图说明
图1是本发明一典型实施案例提供的预测方法的整体流程示意图；
图2是本发明一典型实施案例提供的多层感知模型的结构示意图；
图3是本发明一典型实施案例提供的预测方法的预测结果示例图；
图4是本发明一典型对比案例提供的预测方法的预测结果示例图。
具体实施方式
一些现有技术提供了一种停车场饱和度的预测方法，例如中国发明专利CN116524714A提供了一种利用ARIMA时间序列分析模型对建模后的建模结果指标进行停车结果预测的技术方案，然而，这些现有技术往往未考虑到不同区域的停车场的规律特征的不同以及不同日期（例如工作日、周末和节假日）所带来的停车规律的差异，另外现有技术使用公开数据集进行模型训练，并不是实时数据集，难以应用到日常管理中，对于停车场饱和度的预测准确性仍然不足以满足精细化管理的需要。鉴于现有技术中的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
而且，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个与另一个具有相同名称的部件或方法步骤区分开来，而不一定要求或者暗示这些部件或方法步骤之间存在任何这种实际的关系或者顺序。
参见图1所示，本发明实施例提供一种区域停车场饱和度的预测方法，其包括如下步骤：
划定选定区域，并获取所述选定区域内的停车场信息。
按照第一周期对所述停车场信息对应的停车场饱和度进行集计，获得多个分段平均饱和度。
区分工作日和非工作日，按照时间顺序，利用多个所述分段平均饱和度对多层感知模型进行训练，获得预测模型。
当待预测日期为工作日时，获取所述待预测日期前预设数目个工作日对应的多个分段平均饱和度输入所述预测模型；当所述待预测日期为非工作日时，获取所述待预测日期前预设数目个非工作日对应的多个分段平均饱和度输入所述预测模型。
通过所述预测模型预测所述待预测日期中按照所述第一周期进行分布的分段预测饱和度。
作为上述实施方案的一些典型实施案例，本发明的实施例提供了一种基于MLP的区域停车场饱和度评估与预测算法，可通过下述步骤实现：
（1）基于划分的选定区域范围以及停车场位置信息表，确定选定区域内的停车场信息。
（2）按照停车场饱和度的计算公式，计算每个停车场在每一时刻的饱和度。
（3）将每一时刻的饱和度以每小时进行集计，得到每个区域每小时的停车场平均饱和度。
（4）将集计的小时饱和度数据按时间顺序排列，利用数据对多层感知模型进行训练。
（5）选择待预测日期，若待预测日期是工作日，将预测日期前两个工作日的数据作为输入，得到待预测日期一天内二十四小时的平均饱和度分布情况；若待预测日期是非工作日，则选择待预测日期的前两个非工作日的数据作为输入，进行同样的预测。
选定区域的划分不固定，可按照需求基于出行规律进行划分，例如可划分为：核心热点区域、步行15分钟可到达区域，骑行15分钟可到达区域、地铁/公交车30分钟可到达区域（去除其与步行可达区域和骑行可达区域的重叠部分）。当然，具体的时间数值可以适当调整，主要以当地常见的通勤时长作为参照，例如特大型城市时长相应地延长，中性城市时长适当缩减。
上述内容示例了本实施例的整体过程，而关于具体的实施细节，所述步骤（1）具体为：划定需要预测的选定区域，利用地理哈希算法将选定区域划分成地理网格，每个地理网格以字符串编码代替经纬度。对地理网格进行解码后可得到地理网格蕴含的经纬度信息。将统计或由其他数据库获得的每个停车场的位置信息与地理网格的经纬度信息相匹配，选取地理位置在地理网格内的停车场，进而筛选出选定区域内所有的停车场，并获得这些停车场的车位总数、历史记录等数据作为停车场信息。
所述步骤（2）具体为：停车场停车信息包括占用泊位和总泊位，该数据可以每五分钟更新一次。按照公式（1）计算每一时刻各停车场饱和度。
；
其中，s为该时刻的时刻饱和度；occ为该时刻被占用的泊位数，total为对应的停车场的总泊位数。虽然上述饱和度被称之为时刻饱和度，但并不意味着一定是秒级甚至亚秒级实时更新的，通常理解的，以5min左右的时间间隔进行更新已经足以，能够称之为“实时”更新了。
所述步骤（3）具体为：基于停车场数据中的时间信息对饱和度按小时进行集计，得到选定区域内小时集计的分段平均饱和度。
所述步骤（4）具体为：将每天集计后的饱和度按日期时间顺序排列，用三层的感知器对数据进行训练。对于每一天二十四条集计后的饱和度数据，本发明实施例将遍历的目标日期的前两天共计四十八条集计后的分段平均饱和度作为输入特征，前24条数据预测目标日期第1小时的饱和度，第2条到第25条数据预测目标日期第2个小时的饱和度，第3条至第26条数据预测目标日期第3小时的饱和度……低依次类推完成单日24h的全部数据的预测，并且遍历所有可行的日期完成全部训练过程。
需要注意的是，在选择的目标日期为工作日时，选择前两个工作日的数据作为输入，预测选择的目标日期为非工作日时，选择前两个非工作日作为输入。例如，预测日期为周一，若上周四周五不为法定节假日，则选择这两天的数据作为输入日期，若上周五为法定节假日，则选择上周三和周四作为输入日期；当预测日期为周日时，则选择这一周的周六和上周日的数据作为输入日期，当为周六时，可选择上周六日作为输入日期；当面临长假时，同样选择其中一天的前两个非工作日作为输入日期，例如十一长假第一天选择上周的周末两天，第二天选择长假第一天和上周周日（未调休时），第三天选择长假的前两天，以此类推。
但需要指出的是，上述实施案例仅仅是一些常用选择的示例，而非仅限于上述示例的实施方式，具体例如，对停车场饱和度进行集计的第一周期可以如上述所示的每1个小时，亦可替换为接近的其他时长，例如半小时或1.5小时，甚至2小时，通常，在0.5-2之间且能够整除24h的时间段长度均可；此外，上述更新实时数据的时长亦可作相应调整，而非限制于上述示例的5分钟更新一次，依照试验经验，1-10min内的能够整除所述第一周期的第二周期均可；亦或是，本发明中，目标日期的前预设数目个日期作为训练数据以及对应的预测时的数据输入为前预设数目个对应日期，前后的预设数目是相等的且不仅限于上述示例的2个日期，其他例如3个日期甚至4个日期也均是可行的，按照同样的规律进行对应训练与预测即可。
而关于步骤（5）中本发明实施例所采用的模型结构，参见图2所示，本发明所优选的多层感知模型的每一层感知器都为线性层，特征输入后执行一次线性变换，公式（2）为线性变换公式：
；
其中W是模型要学习的参数，b是o维的向量偏置，n为输入向量的行数，i为输入神经元的个数，o为输出神经元的个数，X为所述多层感知模型的输入，Y为所述线性变换后的结果。
前两层感知层采用Relu激活函数对结果进行处理，最后一层感知层直接输出结果，公式（3）为Relu激活函数公式。
;
训练中，使用多日历史数据按照上述输入格式处理为用于训练模型的数据集。在模型训练时，超参数设置如下：
学习率learning_rate=0.0007。
批次大小batch_size=128。
训练迭代次数epoch=100。
优化器使用Adam。
并且，使用平均绝对误差MAE作为模型损失函数，如公式(4)所示：
;
所述步骤（6）具体为：选定要预测的日期，选择目标日期前两天的数据输入训练好的预测模型，最终得到目标日期一天内二十四个小时中每个小时对应的区域停车场平均饱和度。
现有技术方案中利用历史数据对未来一周的饱和度进行预测的技术方案，如果训练数据或者要预测的日期中有节假日，那么现有技术中的模型难以捕捉其特征，会出现预测不精准的问题。而本发明实施例中，将日期分为两类，一类是工作日，一类是法定节假日和周末这种非工作日。预测工作日的饱和度则使用工作日数据训练的子模型，预测节假日则使用节假日训练的子模型，对于最终结果的准确性更加有利。
此外，上述现有技术中并没有涉及到精细化的每小时饱和度的预测（或其他相近的第一周期），本发明中，通过独特的对应方式，按照前述的多个数据的递进对应于目标日期中的每一个小时，获得的模型是特定于小时分段预测的，输出的结果也是一天内每个小时的平均饱和度，并且该方法可实现在一天开始前预测该日的每个小时的平均饱和度，时效性和精细度均较高，结合优异的准确性，能够提供未来某一小时内的管控或导航依据，例如不建议在早8-9点之间导航自驾前往某处。
最后，本发明还配合区域性划分进行训练与预测，若一次输入全市停车场的数据进行训练，由于一个城市每个区域停车特征有所不同，因此全市的模型在预测某些区域的停车场时会有较大误差。而本发明实施例所提供的预测方法按照区域的特征划分来进行训练与预测，训练后得到的模型可预测不同区域的停车场，则进一步地提升了准确性。
以某区域内的停车场为示例性案例，图3示例了利用上述技术方案预测的非工作日的预测曲线和实际曲线，可以看出，偏差极小；作为对比，若不考虑工作日和非工作日的差别，以及不同区域的差别，而是统一进行模型训练与预测，则所同样时间地点所预测得到的曲线图如图4所示，可以看出偏差有所增大，并且最关键的是对照案例中，关于最高峰停车需求的时间的预测（峰值位置）与实际值出现了较大偏移。
基于上述实施案例与对比案例，可以明确，本发明实施例所提供的预测方法充分考虑了不同区域以及工作日与非工作日的停车规律的差异，通过进行区域性划分以及日期划分，获取以多个第一周期集计的饱和度历史数据进行按日的多层感知模型的训练，训练获得的预测模型对应地预测待预测日期的按照多个第一周期进行排序的停车场饱和度，例如逐小时饱和度，一方面具有鲁棒性强、准确性高的优点，给出的预测结果更加接近实际情形，另一方面能够给出一日内不同时段的停车场饱和度精细变化，为精细化的管控、导航提供了清晰依据。
应当理解，上述实施例仅为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种区域停车场饱和度的预测方法，其特征在于，包括：
划定选定区域，并获取所述选定区域内的停车场信息；
按照第一周期对所述停车场信息对应的停车场饱和度进行集计，获得多个分段平均饱和度；
区分工作日和非工作日，按照时间顺序，利用多个所述分段平均饱和度对多层感知模型进行训练，获得预测模型；
当待预测日期为工作日时，获取所述待预测日期前预设数目个工作日对应的多个分段平均饱和度输入所述预测模型；当所述待预测日期为非工作日时，获取所述待预测日期前预设数目个非工作日对应的多个分段平均饱和度输入所述预测模型；
通过所述预测模型预测所述待预测日期中按照所述第一周期进行分布的分段预测饱和度；
所述选定区域的划定具体包括：
选定核心热点区域，并基于所述核心热点区域计算周围的第一时长慢行可达圈以及第二时长公共交通可达圈；
将所述核心热点区域、第一时长慢行可达圈以及所述第二时长公共交通可达圈中与所述第一时长慢行可达圈非重叠的区域分别作为不同的所述选定区域，独立地进行所述预测模型的训练与所述分段预测饱和度的预测；
其中，第一时长短于第二时长；
并且，通过核心热点区域以及周围的不同换乘出行方式的可达圈的划分，获得具有不同停车需求变化规律的多个选定区域，进行独立的训练和预测。
2.根据权利要求1所述的预测方法，其特征在于，具体包括：
利用地理哈希算法对所述选定区域进行网格化处理，使所述选定区域被划分为多个地理网格；
获取多个停车场的地理位置，并将所述地理位置的坐标与所述地理网格的经纬度范围进行匹配，从而筛选出地理位置在所述地理网格内的停车场及对应的停车位数据，得到所述停车场信息。
3.根据权利要求1所述的预测方法，其特征在于，所述第一周期为24h的整除数，且所述第一周期在0.5h-4h之间。
4.根据权利要求1所述的预测方法，其特征在于，所述分段平均饱和度的获取过程具体包括：
以第二周期定期更新所述停车场的车位占用数，并基于所述停车场的车位总数更新时刻饱和度；
计算所述第一周期内的多个第二周期对应的时刻饱和度的平均值，获得所述分段平均饱和度；
其中，所述第二周期短于所述第一周期，且为所述第一周期的整除数，所述时刻饱和度的计算过程表示为：
；
s为所述时刻饱和度；occ为所述停车场的车位占用数，total为所述车位总数。
5.根据权利要求1所述的预测方法，其特征在于，所述预测模型的训练过程包括：
选择目标日期，以对应的所述分段平均饱和度作为标签集，以所述目标日期前预设数目个日期对应的所述分段平均饱和度作为训练集，并按照时间顺序将所述训练集进行排序；
以排序中的第i至第（z-1）×n+i-1个所述分段平均饱和度作为所述多层感知模型的输入，预测所述目标日期中的第i个第一周期对应的分段平均饱和度的预测值；
基于所述预测值和标签集中对应的真实值的差异计算损失值，并基于所述损失值迭代优化所述多层感知模型的参数；
其中，z为≥2的整数，代表所述预设数目；n代表单个日期内包含的所述第一周期的数目；i的取值为遍历集合[1,2,3,……n]。
6.根据权利要求5所述的预测方法，其特征在于，所述多层感知模型包括第一子模型和第二子模型，所述目标日期包括选定工作日和选定非工作日，所述预测模型的训练过程具体包括：
以所述选定工作日对应的多个所述分段平均饱和度作为第一标签集，至少以所述选定工作日的前预设数目个工作日对应的多个所述分段平均饱和度作为第一训练集，对所述第一子模型进行训练，获得第一预测子模型；
以选定非工作日对应的多个所述分段平均饱和度作为第二标签集，至少以所述选定非工作日的前预设数目个非工作日对应的多个所述分段平均饱和度作为第二训练集，对所述第二子模型进行训练，获得第二预测子模型；
至少所述第一预测子模型和第二预测子模型构成所述预测模型。
7.根据权利要求1或5所述的预测方法，其特征在于，所述多层感知模型包括m个线性感知层，所述多层感知模型的输入经过线性变换后通过多个所述线性感知层进行输出；
其中，所述线性变换表示为：
；
其中，W是所述多层感知模型的参数；b是0维的向量偏置；X代表所述多层感知模型的输入，Y代表所述线性变换后的结果；n为输入的向量的行数；i为输入的神经元的个数；o为输出神经元的个数；
将通过m层感知器输出的结果输入Relu函数，Relu函数的输出结果为最终输出结果，其中，Relu激活函数表示为：
；
其中，m为正整数；f（x）代表Relu激活函数的输出值；x代表多层感知模型的输出值；
训练所述多层感知模型时的损失函数表示为：
；
其中，MAE代表损失值，代表所述多层感知模型训练时的预测值，/>代表真实标签值。
8.一种区域停车场饱和度的预测系统，其特征在于，包括：
停车场划分模块，用于划定选定区域，并获取所述选定区域内的停车场信息；所述选定区域的划定具体包括：
选定核心热点区域，并基于所述核心热点区域计算周围的第一时长慢行可达圈以及第二时长公共交通可达圈；
将所述核心热点区域、第一时长慢行可达圈以及所述第二时长公共交通可达圈中与所述第一时长慢行可达圈非重叠的区域分别作为不同的所述选定区域；
其中，第一时长短于第二时长；
饱和度集计模块，用于按照第一周期对所述停车场信息对应的停车场饱和度进行集计，获得多个分段平均饱和度；
模型训练模块，用于区分工作日和非工作日，按照时间顺序，利用多个所述分段平均饱和度对多层感知模型进行训练，获得预测模型；
模型输入模块，用于当待预测日期为工作日时，获取所述待预测日期前预设数目个工作日对应的多个分段平均饱和度输入所述预测模型；当所述待预测日期为非工作日时，获取所述待预测日期前预设数目个非工作日对应的多个分段平均饱和度输入所述预测模型；
饱和度预测模块，用于通过所述预测模型预测所述待预测日期中按照所述第一周期进行分布的分段预测饱和度；
并且，所述模型训练模块、模型输入模块以及饱和度预测模块通过所述核心热点区域以及周围的不同换乘出行方式的可达圈的划分，获得的具有不同停车需求变化规律的多个所述选定区域，独立地进行所述预测模型的训练与所述分段预测饱和度的预测。
9.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被运行时执行权利要求1-7中任意一项所述的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562752.2A CN117272849B (zh) | 2023-11-22 | 2023-11-22 | 区域停车场饱和度的预测方法、系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562752.2A CN117272849B (zh) | 2023-11-22 | 2023-11-22 | 区域停车场饱和度的预测方法、系统及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117272849A CN117272849A (zh) | 2023-12-22 |
| CN117272849B true CN117272849B (zh) | 2024-02-02 |
Family
ID=89210913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311562752.2A Active CN117272849B (zh) | 2023-11-22 | 2023-11-22 | 区域停车场饱和度的预测方法、系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272849B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201419807D0 (en) * | 2014-11-06 | 2014-12-24 | Tomtom Int Bv | Method for estimating the occupancy of a parking lot |
| EP3462427A1 (en) * | 2017-09-27 | 2019-04-03 | Deutsche Telekom AG | Method of predicting the probability of occurrence of vacant parking slots and its realization system |
| CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
| KR20200132067A (ko) * | 2019-05-15 | 2020-11-25 | (주)이지정보기술 | 딥러닝 기반 주차장 이용 패턴 분석을 통한 지능형 주차 안내 서비스 시스템 및 방법 |
| CN114822070A (zh) * | 2022-03-28 | 2022-07-29 | 阿里巴巴（中国）有限公司 | 停车场状态确定方法及电子设备 |
| CN116187591A (zh) * | 2023-04-27 | 2023-05-30 | 松立控股集团股份有限公司 | 基于动态时空趋势的商业停车场剩余车位数量预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10648831B2 (en) * | 2017-08-31 | 2020-05-12 | Here Global B.V. | Method, apparatus, and computer program product for providing an indication of favorability of parking locations |
| CN115643285A (zh) * | 2022-10-14 | 2023-01-24 | 成都秦川物联网科技股份有限公司 | 智慧城市停车场推荐方法和物联网系统、装置、存储介质 |
-
2023
- 2023-11-22 CN CN202311562752.2A patent/CN117272849B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201419807D0 (en) * | 2014-11-06 | 2014-12-24 | Tomtom Int Bv | Method for estimating the occupancy of a parking lot |
| EP3462427A1 (en) * | 2017-09-27 | 2019-04-03 | Deutsche Telekom AG | Method of predicting the probability of occurrence of vacant parking slots and its realization system |
| KR20200132067A (ko) * | 2019-05-15 | 2020-11-25 | (주)이지정보기술 | 딥러닝 기반 주차장 이용 패턴 분석을 통한 지능형 주차 안내 서비스 시스템 및 방법 |
| CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
| CN114822070A (zh) * | 2022-03-28 | 2022-07-29 | 阿里巴巴（中国）有限公司 | 停车场状态确定方法及电子设备 |
| CN116187591A (zh) * | 2023-04-27 | 2023-05-30 | 松立控股集团股份有限公司 | 基于动态时空趋势的商业停车场剩余车位数量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Eleni I.Vlahogianni,etc.A Real-Time Parking Prediction System for Smart Cities.《Journal of Intelligent Transportation Systems》.2015,P1-13. * |
| 基于Transformer的街道停车位数据补全和预测;林滨伟，等;《计算机科学》;1-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117272849A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
| CN112330215B (zh) | 一种城市用车需求量预测方法、设备及存储介质 | |
| CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
| Ma et al. | Short-term traffic flow forecasting by selecting appropriate predictions based on pattern matching | |
| CN113204718A (zh) | 一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法 | |
| CN110310474A (zh) | 一种基于时空残差网络的车流量预测方法及装置 | |
| CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
| CN113327417B (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
| Sun et al. | Analysis of bus trip characteristic analysis and demand forecasting based on GA-NARX neural network model | |
| CN113570867A (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
| CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
| CN113821547B (zh) | 快速高效的停车场占有率短时预测方法、系统及存储介质 | |
| CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
| Liu et al. | Spatiotemporal deep-learning networks for shared-parking demand prediction | |
| Lin et al. | Insights into Travel Pattern Analysis and Demand Prediction: A Data-Driven Approach in Bike-Sharing Systems | |
| CN110659774A (zh) | 大数据方法驱动的停车需求预测方法 | |
| Maleki et al. | Developing a supervised learning-based simulation method as a decision support tool for rebalancing problems in bike-sharing systems | |
| CN116089744B (zh) | 一种基于Transformer动态时空关联的医院停车场推荐方法 | |
| CN117272849B (zh) | 区域停车场饱和度的预测方法、系统及可读存储介质 | |
| Sathyan | Traffic Flow Prediction using Machine Learning Techniques-A Systematic Literature Review | |
| Yun et al. | Stochastic optimization method for coordinated actuated signal systems | |
| CN113077079A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 | |
| Petrov et al. | Training and Applying Artificial Neural Networks in Traffic Light Control: Improving the Management and Safety of Road Traffic in Tyumen (Russia) | |
| Rasaizadi et al. | The ensemble learning process for short-term prediction of traffic state on rural roads | |
| CN115578854B (zh) | 收费站车辆排队长度预测方法、装置、设备及存储介质 |
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 |