CN117649781B - 基于数据融合的智慧停车监测数据智能处理方法 - Google Patents
基于数据融合的智慧停车监测数据智能处理方法 Download PDFInfo
- Publication number
- CN117649781B CN117649781B CN202410121537.7A CN202410121537A CN117649781B CN 117649781 B CN117649781 B CN 117649781B CN 202410121537 A CN202410121537 A CN 202410121537A CN 117649781 B CN117649781 B CN 117649781B
- Authority
- CN
- China
- Prior art keywords
- parking
- peak
- period
- monitoring
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 247
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及停车决策优化技术领域,具体涉及基于数据融合的智慧停车监测数据智能处理方法,该方法包括:采集车辆目的地所在位置以及各停车场位置的监测周期内各时间段内的空闲车位数、驶入车辆数和驶出车辆数;获取车位流通指数,进而获取各时间段的车位占用超常指数;计算车位流通统计差异指数;计算车位流通整体相似系数,进而获取各监测周期之间的车位流通匹配度;获取高峰停车时段,进而获取高峰错位指数;获取各停车场的各监测周期内各高峰停车时段的高峰匹配置信权重;进而获取各停车场的各监测周期的高峰偏离指数;获取自适应回归项数,进而获取各停车场的停车选择优先级。本发明旨在解决由于车位预测的实时性较差导致停车困难的问题。
Description
技术领域
本申请涉及停车决策优化技术领域,具体涉及基于数据融合的智慧停车监测数据智能处理方法。
背景技术
随着汽车保有量的迅速增加,停车场规模的不断扩大,城市汽车和停车场之间的矛盾也日益突出,停车场停车难,找车难,停车场管理难等问题频频浮现。为了缓解城市的停车难问题,消除寻找车位的烦恼,加快停车场的车辆周转,提高停车场的使用率和经济效益,智慧停车系统快速在各大城市中得到应用。
停车监测是指通过各种技术手段对停车场进行实时监测和管理,以提高停车场的利用率和管理效率。现有的智慧停车系统未考虑到停车位变化的实时性,当车主到达停车场时,很有可能停车位已经被占满,因此,需要根据停车场的历史数据对停车场的可用停车位进行可靠地预测,然后结合车辆的行驶数据进行融合分析,获取最佳选择停车场。
传统的ARIMA自回归差分移动平均模型能够根据停车场的历史停车监测数据对停车场的可用停车位进行预测,但是预测的可靠性与实时性取决于自回归项数,导致对停车场的可用停车位进行预测时无法兼顾可靠性与实时性。
发明内容
为了解决上述技术问题,本发明提供基于数据融合的智慧停车监测数据智能处理方法,以解决现有的问题。
本发明的基于数据融合的智慧停车监测数据智能处理方法采用如下技术方案:
本发明一个实施例提供了基于数据融合的智慧停车监测数据智能处理方法,该方法包括以下步骤:
采集车辆目的地所在位置以及各停车场位置的监测周期内各时间段内的空闲车位数、驶入车辆数和驶出车辆数;
根据空闲车位数、驶入车辆数和驶出车辆数获取停车场在监测周期内各时间段的车位流通指数;根据车位流通指数获取各监测周期的车位流通均值和车位流通标准差,根据车位流通均值和车位流通标准差获取停车场在监测周期内各时间段的车位占用超常指数;根据车位流通均值和车位流通标准差获取停车场各监测周期之间的车位流通统计差异指数;根据停车场各监测周期之间的车位流通指数的整体相似、差异情况获取停车场各监测周期之间的车位流通匹配度;根据车位占用超常指数获取高峰停车时段,根据车位流通匹配度以及对应监测周期获取停车场在监测周期内各高峰停车时段的高峰错位指数;根据高峰错位指数获取各停车场的各监测周期内各高峰停车时段的高峰匹配置信权重;根据车位占用超常指数、高峰错位指数和高峰匹配置信权重获取各停车场的各监测周期的高峰偏离指数;
根据车位流通指数和高峰偏离指数获取自适应回归项数,根据自适应自回归项数获取各停车场的停车选择优先级。
进一步,所述获取停车场在监测周期内各时间段的车位流通指数,包括:
对于各停车场各监测周期内的各时间段,计算驶入车辆数与驶出车辆数之间的差值,计算以自然常数为底、以所述差值为指数的指数函数的计算结果,计算所述计算结果与预设调节因子的和值,将空闲车位数与所述和值的比值作为各停车场各监测周期内各时间段的车位流通指数。
进一步,所述获取各监测周期的车位流通均值和车位流通标准差,根据车位流通均值和车位流通标准差获取停车场在监测周期内各时间段的车位占用超常指数,包括:
对于各停车场的各监测周期内所有时间段,将所有车位流通指数的均值作为各监测周期的车位流通均值,将所有车位流通指数的标准差作为各监测周期的车位流通标准差;
对于各停车场的各监测周期,计算各时间段的车位流通指数与所述车位流通均值的差值,获取数字0和所述差值两者之间的最小值的绝对值,计算所述绝对值与所述车位流通标准差的比值,计算以自然常数为底、以所述比值的负值为指数的指数函数的计算结果,将数字1与所述计算结果的差值作为各停车场的各监测周期内各时间段的车位占用超常指数。
进一步,所述获取停车场各监测周期之间的车位流通统计差异指数,包括:
对于各停车场,计算第个监测周期与第/>个监测周期的车位流通均值之间的差值绝对值作为第一差值绝对值,计算第/>个监测周期与第/>个监测周期的车位流通标准差之间的差值绝对值作为第二差值绝对值,将第一差值绝对值与第二差值绝对值的和值作为停车场中第/>个监测周期与第/>个监测周期的车位流通统计差异指数。
进一步,所述根据停车场各监测周期之间的车位流通指数的整体相似、差异情况获取停车场各监测周期之间的车位流通匹配度,包括:
对于各停车场,将每个监测周期的所有时间段内的车位流通指数按照获取的时间顺序升序排列,构建车位流通序列,将两个监测周期的车位流通序列之间的皮尔逊相关系数记为两个监测周期之间的车位流通整体相似系数;
计算以自然常数为底、以各监测周期之间的车位流通统计差异指数的负值为指数的指数函数的计算结果,计算所述计算结果与所述各监测周期之间的车位流通整体相似系数的乘积作为各监测周期之间的车位流通匹配度。
进一步,所述获取高峰停车时段,根据车位流通匹配度以及对应监测周期获取停车场在监测周期内各高峰停车时段的高峰错位指数,包括:
将车位占用超常指数大于预设车位占用阈值的时间段作为车位占用超常时段,将连续出现的超过两个的车位占用超常时段合并为一个高峰停车时段;
将与各监测周期的车位流通匹配度最高的监测周期记为每个监测周期的车位流通匹配周期;将各监测周期的各高峰停车时段与其车位流通匹配周期内所有高峰停车时段的中间时刻的差值绝对值的最小值对应的高峰停车时段作为各监测周期内各高峰停车时段的匹配高峰时段;
将各监测周期内各高峰停车时段与其匹配高峰时段的开始时刻的差值的绝对值记为各监测周期内各高峰停车时段的高峰开始错位时差;将各监测周期的各高峰停车时段与其匹配高峰时段的结束时刻的差值的绝对值作为各监测周期内各高峰停车时段的高峰结束错位时差;
对于各停车场的各监测周期,计算各高峰停车时段的高峰开始错位时差与高峰结束错位时差的和值,计算监测周期内各高峰停车时段内时间段的个数与各高峰停车时段的匹配高峰时段内时间段个数的差值绝对值,将所述和值与所述差值绝对值的乘积作为各停车场各监测周期内各高峰停车时段的高峰错位指数。
进一步,所述获取各停车场的各监测周期内各高峰停车时段的高峰匹配置信权重,包括:
对于各停车场的各监测周期,计算监测周期内所有高峰停车时段的高峰错位指数的和值,计算所述和值与预设调节因子的和值作为第一和值,计算各高峰停车时段的高峰错位指数与所述第一和值的比值,将数字1与所述比值的差值作为各停车场的各监测周期内各高峰停车时段的高峰匹配置信权重。
进一步,所述获取各停车场的各监测周期的高峰偏离指数,包括:
对于各停车场的各监测周期,计算监测周期内各高峰停车时段中所有时间段的车位占用超常指数的和值,计算各高峰停车时间段的高峰错位指数与所述和值的求和结果,计算各高峰停车时间段的高峰匹配置信权重与所述求和结果的乘积,计算各监测周期内所有所述乘积的均值作为各停车场的各监测周期的高峰偏离指数。
进一步,所述根据车位流通指数和高峰偏离指数获取自适应回归项数,包括:
计算各停车场的各监测周期中所有时间段的车位流通指数的和值,计算各停车场的各监测周期的高峰偏离指数与所述和值的比值,计算各停车场内所有所述比值的求和结果,计算所有停车场内所有求和结果的均值,计算以自然常数为底、以所述均值的负值为指数的指数函数的计算结果,将数字1与所述计算结果的差值作为自回归调整系数;
计算各监测周期内时间段的个数与数字4的比值作为第一比值,计算所述自回归调整系数与所述第一比值的乘积,将所述第一比值与所述乘积的和值的向下取整值作为自适应自回归项数。
进一步,所述获取各停车场的停车选择优先级,包括:
将自适应自回归项数作为自回归差分移动平均模型的自回归项数,使用自回归差分移动平均模型根据每个停车场的历史停车监测数据中的空闲车位数预测下一个时间段的空闲车位数,得到预测空闲车位数;
计算车辆目的地所在位置与各停车场位置之间的欧氏距离,将各停车场的预测空闲车位数与所述欧氏距离的比值的归一化值作为各停车场的停车优先级。
本发明至少具有如下有益效果:
先根据每个停车场的总车位数以及在每个监测周期的每个时间段的历史停车监测数据,计算车位流通指数,获取车位占用超常指数,确定高峰停车时段,后续主要对高峰停车时段进行分析,提高了对停车场空闲车位数量预测的实时性;在对不同监测周期内高峰停车时段之间的差异进行分析之前,先计算每个监测周期与其余监测周期之间的车位流通匹配度,确定与每个监测周期的相似程度最高的监测周期,获取每个监测周期的车位流通匹配周期,再根据每个监测周期与其车位流通匹配周期的所有高峰停车时段的开始时刻、结束时刻以及长度的差异,获取高峰错位指数,进而确定高峰匹配置信系数,得到每个监测周期的高峰偏离指数,减小了偶然因素对评估停车场的空闲车位数量可预测性的影响,提高了停车场的空闲车位数量可预测性评估的可靠性;综合分析停车位的流通性以及难以预测性,根据停车场每个监测周期的高峰偏离指数,结合车位流通指数,计算自适应自回归项数,根据停车场的历史停车监测数据对停车场的可用停车位进行预测,得到每个停车场的预测空闲车位数,确保了对停车场的可用停车位预测的可靠性与实时性,解决了由于车位预测的实时性较差导致停车困难的问题;对每个停车场的预测空闲车位数以及车辆的目的地所在位置进行融合分析,获取最佳选择停车场,解决了停车难的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明提供的基于数据融合的智慧停车监测数据智能处理方法的流程图;
图2为高峰停车时段示意图;
图3为匹配高峰时段示意图;
图4为高峰偏离指数获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于数据融合的智慧停车监测数据智能处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数据融合的智慧停车监测数据智能处理方法的具体方案。
本发明一个实施例提供的基于数据融合的智慧停车监测数据智能处理方法,具体的,提供了如下的基于数据融合的智慧停车监测数据智能处理方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集车辆目的地所在位置以及每个停车场在每个监测周期的每个时间段的历史停车监测数据。
地感线圈车辆检测器是一种基于电磁感应原理的车辆检测器,通常在同一车道的道路路基下埋设环形线圈,通以一定工作电流作为传感器。当车辆通过该线圈或者停在该线圈上时,车辆本身上的铁质将会改变线圈内的磁通,引起线圈回路电感量的变化,检测器通过检测该电感量的变化来判断通行车辆状态。
将以车辆目的地所在位置为中心,以米为半径的圆形区域记为车辆的可选停车区域,本实施例中/>的取值为3000米,进一步的,使用地感线圈车辆检测器在/>个监测周期内对可选停车区域内每个停车场的每个停车位上车辆的驶入、驶出的车辆数进行监测,本实施例中监测周期个数/>的取值为7,为了减小计算量,便于后续分析,将监测周期/>平均划分为/>个时间段,统计每个停车场中所有停车位上车辆的驶入、驶出的车辆数,获取每个停车场在每个监测周期的每个时间段的历史停车监测数据,其中,历史停车监测数据包括空闲车位数、驶入车辆数、驶出车辆数。本实施例中监测周期/>的取值为24小时,/>的取值为96。
至此,获取各监测周期的历史停车监测数据。
步骤S002,根据每个停车场的总车位数以及在每个监测周期的每个时间段的历史停车监测数据,计算车位流通指数,获取车位占用超常指数,确定高峰停车时段,计算监测周期之间的车位流通匹配度,获取车位流通匹配周期以及匹配高峰时段,确定高峰匹配置信权重,得到每个监测周期的高峰偏离指数,结合车位流通指数,计算自适应自回归项数,预测每个停车场的预测空闲车位数。
当停车位的流通性较高时,停车位数量的变化具有自相关性,基本不受外界偶然因素的影响,根据较少的历史数据即可实现对停车场内停车位使用情况的准确预测,因此,停车位的流通性对停车位数量预测的准确性具有重要影响。根据停车场在每个监测周期的每个时间段的空闲车位数、驶入车辆数和驶出车辆数,将车位流通指数表示如下:
其中,为第/>个停车场在第/>个监测周期的第/>个时间段的车位流通指数,为以自然常数为底数的指数函数,目的为确保车位流通指数的值为正数,/>、和/>分别为第/>个停车场在第/>个监测周期的第/>个时间段的空闲车位数、驶入车辆数和驶出车辆数,/>为调节因子,本实施例中的取值为1,目的为防止分母为0。
当空闲车位数越多时,即使在一个时间段内驶入较多的车辆,也能够实现停车位的流通,车位流通指数越大,反之,车位流通指数越小;同时,当驶入车辆数与驶出车辆数的差值越大时,说明停车场的空闲停车位逐渐减少,车位流通指数值越小。
高峰停车时段是车辆流量最大的时间段,停车位供不应求,经常出现停车难的情况。通过分析高峰停车时段停车位的使用情况和停车位数量,能够更好地了解该停车场所处区域的交通状况和停车需求。
由于高峰停车时段的持续时间往往较长,可能占用多个时间段,将每个停车场在每个监测周期的所有时间段内的车位流通指数的平均值记为车位流通均值,将每个停车场在每个监测周期的所有时间段内的车位流通指数的标准差记为车位流通标准差,将每个停车场在每个监测周期的每个时间段的车位占用超常指数表示为:
其中,为第/>个停车场在第/>个监测周期的第/>个时间段的车位占用超常指数,/>为以自然常数为底数的指数函数,/>为取最小值函数,目的为将车位流通指数比车位流通均值大的时间段筛选出来,/>为第/>个停车场在第/>个监测周期的第/>个时间段的车位流通指数,/>为第/>个停车场在第/>个监测周期的所有时间段内的车位流通均值,/>为第/>个停车场在第/>个监测周期的所有时间段内的车位流通标准差。
当监测周期的某一时间段内的车位流通指数与监测周期的所有时间段内的车位流通指数的平均值的差值为负数,且相对于标准差越大时,说明在该时间段内停车位被占用的越多,越难以实现停车位的快速流通,车位占用超常指数值越大。
将车位占用超常指数大于车位占用阈值的时间段判定为车位占用超常时段,本实施例的车位占用阈值/>的取值为0.5,为了防止偶然因素造成的影响,将连续出现的超过两个的车位占用超常时段合并为一个高峰停车时段,高峰停车时段示意图如图2所示。
由于停车场内停车位数量的变化受到节假日的影响,不同监测周期内停车位的变化可能具有较大差异,在对不同监测周期内高峰停车时段之间的差异进行分析之前,需要先获取与每个监测周期的相似程度较高的监测周期。
对于各停车场,将每个监测周期的所有时间段内的车位流通指数按照获取的时间顺序升序排列,构建车位流通序列,将两个监测周期的车位流通序列之间的皮尔逊相关系数记为车位流通整体相似系数,其中,皮尔逊相关系数为公知技术,在此不做赘述;根据所有监测周期的车位流通均值、车位流通标准差以及所有监测周期之间的车位流通相似系数,将每个停车场的每个监测周期与其余各监测周期之间的车位流通匹配度表示如下:
其中,为第/>个停车场的第/>个监测周期与第/>个监测周期之间的车位流通匹配度,/>为以自然常数为底数的指数函数,/>为第/>个停车场的第/>个监测周期与第/>个监测周期之间的车位流通统计差异指数,/>为第/>个停车场的第/>个监测周期与第/>个监测周期之间的车位流通整体相似系数,/>、/>分别为第个停车场在第/>个监测周期、第/>个监测周期的车位流通均值,/>、/>分别为第/>个停车场在第/>个监测周期、第/>个监测周期的车位流通标准差。
当两个监测周期之间的车位流通均值、车位流通标准差的差异越小、车位流通整体相似系数越高时,说明两个监测周期之间停车位数量的变化越具有相似性,越可能处于同一节假日阶段或者工作日阶段,车位流通匹配度越高,两个监测周期之间停车位数量的变化越具有参考性。
将与每个监测周期的车位流通匹配度最高的监测周期记为每个监测周期的车位流通匹配周期。将每个监测周期的每个高峰停车时段与其车位流通匹配周期内所有高峰停车时段的中间时刻的差值绝对值的最小值对应的高峰停车时段记为每个监测周期的每个高峰停车时段的匹配高峰时段。
将每个监测周期的每个高峰停车时段与其车位流通匹配周期内匹配高峰时段的开始时刻的差值的绝对值记为每个监测周期的每个高峰停车时段的高峰开始错位时差;将每个监测周期的每个高峰停车时段与其车位流通匹配周期内匹配高峰时段的结束时刻的差值的绝对值记为每个监测周期的每个高峰停车时段的高峰结束错位时差。匹配高峰时段示意图如图3所示。
由于商场举办的各种活动或者促销活动等偶然因素的影响,停车场的停车位占用也可能仅在某个监测周期的某个时间段出现高峰,为了减小偶然因素的影响,对不同高峰停车时段设置不同的权重,根据每个监测周期的所有高峰停车时段内时间段的个数、高峰开始错位时差、高峰结束错位时差,将每个高峰停车时段的高峰匹配置信权重表示如下:
其中,为第/>个停车场在第/>个监测周期的第/>个高峰停车时段的高峰匹配置信权重,/>为第/>个停车场在第/>个监测周期的第/>个高峰停车时段的高峰错位指数,/>为分母调节因子,经验取值为1,目的为防止分母为0,/>为第/>个停车场在第/>个监测周期的第/>个高峰停车时段的高峰开始错位时差,/>为第/>个停车场在第/>个监测周期的第/>个高峰停车时段的高峰结束错位时差,/>为第/>个停车场在第/>个监测周期的高峰停车时段的个数,/>为第/>个停车场在第/>个监测周期的第/>个高峰停车时段内时间段的个数,/>为第/>个停车场在第/>个监测周期的第/>个高峰停车时段的匹配高峰时段内时间段的个数。
高峰停车时段内时间段的个数代表了高峰停车时段的长度,当高峰停车时段的高峰开始错位时差、高峰结束错位时差越大、与匹配高峰时段内时间段的个数相差越大时,高峰错位指数值越大,说明该高峰停车时段与匹配高峰时段的差异越大,越可能是由偶然因素导致的停车位的占用超过其它时间段,在对高峰偏离指数,即车流量较大时停车场内停车位数量的难以预测性进行评估时,应该设置较小的权重,高峰匹配置信权重值越小。
综合考虑监测周期内每个高峰停车时段的高峰错位指数以及所有时间段的车位占用超常指数,结合每个高峰停车时段的高峰匹配置信权重,将每个监测周期的高峰偏离指数表示如下:
其中,为第/>个停车场在第/>个监测周期的高峰偏离指数,/>为第/>个停车场在第/>个监测周期的高峰停车时段的个数,/>为第/>个停车场在第/>个监测周期的第个高峰停车时段的第/>个时间段的车位占用超常指数,/>为第/>个停车场在第/>个监测周期的第/>个高峰停车时段内时间段的个数,/>为第/>个停车场在第/>个监测周期的第/>个高峰停车时段的高峰错位指数,/>为第/>个停车场在第/>个监测周期的第/>个高峰停车时段的高峰匹配置信权重。
当监测周期的高峰停车时段内各时间段的车位占用超常指数值越大、高峰停车时段的高峰错位指数值越大时,说明高峰期停车位的占用情况与其他时间段的差异越大,高峰偏离指数值越大,在高峰期时越难以根据历史停车监测数据对停车位的数量进行预测。其中,高峰偏离指数获取流程图如图4所示。
根据车位流通指数以及监测周期的高峰偏离指数,将自适应自回归项数表示如下:
其中,为自适应自回归项数,/>为向下取整函数,/>为自回归调整系数,为第/>个停车场在第/>个监测周期的第/>个时间段的车位流通指数,/>为第/>个停车场在第/>个监测周期的高峰偏离指数,/>为可选停车区域内停车场的个数,/>为监测周期的个数,/>为每个监测周期内时间段的个数。
当各监测周期的高峰偏离指数越大时,停车位数量的可预测性越低,为了提高对停车位数量预测的准确性,应该增大自回归项数以根据更多的历史停车监测数据进行预测;当车位流通指数越大时,即使自回归项数较小,对停车位数量的预测不够准确,车主也可以在较短的等待时间内获得流通的停车位,应该设置较小的自回归项数,以提高对停车位数量预测的实时性。
差分阶数经验取值为2,移动平均项数/>经验取值为3,将自适应自回归项数作为自回归差分移动平均模型的自回归项数,使用自回归差分移动平均模型根据每个停车场的历史停车监测数据中的空闲车位数预测下一个时间段的空闲车位数,得到预测空闲车位数。
步骤S003,对每个停车场的预测空闲车位数以及车辆的目的地所在位置进行融合分析,获取最佳选择停车场。
在选择停车场时,不仅要考虑到停车场空闲车位的数量,还应该考虑到车辆目的地与停车场之间的距离,根据每个停车场的预测空闲车位数以及车辆的目的地所在位置,将每个停车场的停车选择优先级表示如下:
其中,为第/>个停车场的停车选择优先级,/>为归一化函数,/>为第/>个停车场的预测空闲车位数,/>为第/>个停车场的位置,/>为车辆的目的地所在位置,为取两个坐标之间的欧氏距离。
当停车场的预测空闲车位数越多、与车辆的目的地所在位置之间距离越小时,应该给予停车场越大的优先级,停车场的停车选择优先级越高。
按照上述方法,计算可选停车区域内所有停车场的停车选择优先级,将停车选择优先级最高的停车场作为最佳选择停车场。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.基于数据融合的智慧停车监测数据智能处理方法,其特征在于,该方法包括以下步骤:
采集车辆目的地所在位置以及各停车场位置的监测周期内各时间段内的空闲车位数、驶入车辆数和驶出车辆数;
根据空闲车位数、驶入车辆数和驶出车辆数获取停车场在监测周期内各时间段的车位流通指数;根据车位流通指数获取各监测周期的车位流通均值和车位流通标准差,根据车位流通均值和车位流通标准差获取停车场在监测周期内各时间段的车位占用超常指数;根据车位流通均值和车位流通标准差获取停车场各监测周期之间的车位流通统计差异指数;根据停车场各监测周期之间的车位流通指数的整体相似、差异情况获取停车场各监测周期之间的车位流通匹配度;根据车位占用超常指数获取高峰停车时段,根据车位流通匹配度以及对应监测周期获取停车场在监测周期内各高峰停车时段的高峰错位指数;根据高峰错位指数获取各停车场的各监测周期内各高峰停车时段的高峰匹配置信权重;根据车位占用超常指数、高峰错位指数和高峰匹配置信权重获取各停车场的各监测周期的高峰偏离指数;
根据车位流通指数和高峰偏离指数获取自适应回归项数,根据自适应自回归项数获取各停车场的停车选择优先级;
其特征在于,所述获取停车场各监测周期之间的车位流通统计差异指数,包括:
对于各停车场,计算第个监测周期与第/>个监测周期的车位流通均值之间的差值绝对值作为第一差值绝对值,计算第/>个监测周期与第/>个监测周期的车位流通标准差之间的差值绝对值作为第二差值绝对值,将第一差值绝对值与第二差值绝对值的和值作为停车场中第/>个监测周期与第/>个监测周期的车位流通统计差异指数;
所述根据停车场各监测周期之间的车位流通指数的整体相似、差异情况获取停车场各监测周期之间的车位流通匹配度,包括:
对于各停车场,将每个监测周期的所有时间段内的车位流通指数按照获取的时间顺序升序排列,构建车位流通序列,将两个监测周期的车位流通序列之间的皮尔逊相关系数记为两个监测周期之间的车位流通整体相似系数;
计算以自然常数为底、以各监测周期之间的车位流通统计差异指数的负值为指数的指数函数的计算结果,计算所述计算结果与所述各监测周期之间的车位流通整体相似系数的乘积作为各监测周期之间的车位流通匹配度;
所述获取高峰停车时段,根据车位流通匹配度以及对应监测周期获取停车场在监测周期内各高峰停车时段的高峰错位指数,包括:
将车位占用超常指数大于预设车位占用阈值的时间段作为车位占用超常时段,将连续出现的超过两个的车位占用超常时段合并为一个高峰停车时段;
将与各监测周期的车位流通匹配度最高的监测周期记为每个监测周期的车位流通匹配周期;将各监测周期的各高峰停车时段与其车位流通匹配周期内所有高峰停车时段的中间时刻的差值绝对值的最小值对应的高峰停车时段作为各监测周期内各高峰停车时段的匹配高峰时段;
将各监测周期内各高峰停车时段与其匹配高峰时段的开始时刻的差值的绝对值记为各监测周期内各高峰停车时段的高峰开始错位时差;将各监测周期的各高峰停车时段与其匹配高峰时段的结束时刻的差值的绝对值作为各监测周期内各高峰停车时段的高峰结束错位时差;
对于各停车场的各监测周期,计算各高峰停车时段的高峰开始错位时差与高峰结束错位时差的和值,计算监测周期内各高峰停车时段内时间段的个数与各高峰停车时段的匹配高峰时段内时间段个数的差值绝对值,将所述和值与所述差值绝对值的乘积作为各停车场各监测周期内各高峰停车时段的高峰错位指数;
所述获取各停车场的各监测周期的高峰偏离指数,包括:
对于各停车场的各监测周期,计算监测周期内各高峰停车时段中所有时间段的车位占用超常指数的和值,计算各高峰停车时间段的高峰错位指数与所述和值的求和结果,计算各高峰停车时间段的高峰匹配置信权重与所述求和结果的乘积,计算各监测周期内所有所述乘积的均值作为各停车场的各监测周期的高峰偏离指数;
所述根据车位流通指数和高峰偏离指数获取自适应回归项数,包括:
计算各停车场的各监测周期中所有时间段的车位流通指数的和值,计算各停车场的各监测周期的高峰偏离指数与所述和值的比值,计算各停车场内所有所述比值的求和结果,计算所有停车场内所有求和结果的均值,计算以自然常数为底、以所述均值的负值为指数的指数函数的计算结果,将数字1与所述计算结果的差值作为自回归调整系数;
计算各监测周期内时间段的个数与数字4的比值作为第一比值,计算所述自回归调整系数与所述第一比值的乘积,将所述第一比值与所述乘积的和值的向下取整值作为自适应自回归项数;
所述获取各停车场的停车选择优先级,包括:
将自适应自回归项数作为自回归差分移动平均模型的自回归项数,使用自回归差分移动平均模型根据每个停车场的历史停车监测数据中的空闲车位数预测下一个时间段的空闲车位数,得到预测空闲车位数;
计算车辆目的地所在位置与各停车场位置之间的欧氏距离,将各停车场的预测空闲车位数与所述欧氏距离的比值的归一化值作为各停车场的停车优先级。
2.如权利要求1所述的基于数据融合的智慧停车监测数据智能处理方法,其特征在于,所述获取停车场在监测周期内各时间段的车位流通指数,包括:
对于各停车场各监测周期内的各时间段,计算驶入车辆数与驶出车辆数之间的差值,计算以自然常数为底、以所述差值为指数的指数函数的计算结果,计算所述计算结果与预设调节因子的和值,将空闲车位数与所述和值的比值作为各停车场各监测周期内各时间段的车位流通指数。
3.如权利要求1所述的基于数据融合的智慧停车监测数据智能处理方法,其特征在于,所述获取各监测周期的车位流通均值和车位流通标准差,根据车位流通均值和车位流通标准差获取停车场在监测周期内各时间段的车位占用超常指数,包括:
对于各停车场的各监测周期内所有时间段,将所有车位流通指数的均值作为各监测周期的车位流通均值,将所有车位流通指数的标准差作为各监测周期的车位流通标准差;
对于各停车场的各监测周期,计算各时间段的车位流通指数与所述车位流通均值的差值,获取数字0和所述差值两者之间的最小值的绝对值,计算所述绝对值与所述车位流通标准差的比值,计算以自然常数为底、以所述比值的负值为指数的指数函数的计算结果,将数字1与所述计算结果的差值作为各停车场的各监测周期内各时间段的车位占用超常指数。
4.如权利要求1所述的基于数据融合的智慧停车监测数据智能处理方法,其特征在于,所述获取各停车场的各监测周期内各高峰停车时段的高峰匹配置信权重,包括:
对于各停车场的各监测周期,计算监测周期内所有高峰停车时段的高峰错位指数的和值,计算所述和值与预设调节因子的和值作为第一和值,计算各高峰停车时段的高峰错位指数与所述第一和值的比值,将数字1与所述比值的差值作为各停车场的各监测周期内各高峰停车时段的高峰匹配置信权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410121537.7A CN117649781B (zh) | 2024-01-30 | 2024-01-30 | 基于数据融合的智慧停车监测数据智能处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410121537.7A CN117649781B (zh) | 2024-01-30 | 2024-01-30 | 基于数据融合的智慧停车监测数据智能处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649781A CN117649781A (zh) | 2024-03-05 |
CN117649781B true CN117649781B (zh) | 2024-04-16 |
Family
ID=90048122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410121537.7A Active CN117649781B (zh) | 2024-01-30 | 2024-01-30 | 基于数据融合的智慧停车监测数据智能处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649781B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107134170A (zh) * | 2017-07-04 | 2017-09-05 | 北京悦畅科技有限公司 | 一种停车场车位信息的处理方法和装置 |
CN113223291A (zh) * | 2021-03-19 | 2021-08-06 | 青岛亿联信息科技股份有限公司 | 停车场空闲车位数量预测系统及方法 |
WO2022199442A1 (zh) * | 2021-03-25 | 2022-09-29 | 江苏航天大为科技股份有限公司 | 一种基于卡警、视频检测器的多路口协调自适应控制方法 |
CN115545975A (zh) * | 2022-09-20 | 2022-12-30 | 重庆大学 | 一种基于景区停车场数据的管理方法、系统及存储介质 |
CN116523350A (zh) * | 2023-07-03 | 2023-08-01 | 万维智能科技有限公司 | 一种基于数据分析的智慧停车场车流规划管理系统 |
CN116597687A (zh) * | 2023-06-06 | 2023-08-15 | 重庆大学 | 一种云控系统下基于停车占用率预测的动态停车分配方法 |
CN117437789A (zh) * | 2023-10-24 | 2024-01-23 | 中建三局云服科技武汉有限公司 | 一种基于城市信息模型多维联动指挥调度的智慧园区系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10026315B2 (en) * | 2015-11-02 | 2018-07-17 | Walmart Apollo, Llc | Apparatus and method for monitoring parking area |
US11935409B2 (en) * | 2021-10-28 | 2024-03-19 | At&T Intellectual Property I, L.P. | Predictive vehicle parking systems |
-
2024
- 2024-01-30 CN CN202410121537.7A patent/CN117649781B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107134170A (zh) * | 2017-07-04 | 2017-09-05 | 北京悦畅科技有限公司 | 一种停车场车位信息的处理方法和装置 |
CN113223291A (zh) * | 2021-03-19 | 2021-08-06 | 青岛亿联信息科技股份有限公司 | 停车场空闲车位数量预测系统及方法 |
WO2022199442A1 (zh) * | 2021-03-25 | 2022-09-29 | 江苏航天大为科技股份有限公司 | 一种基于卡警、视频检测器的多路口协调自适应控制方法 |
CN115545975A (zh) * | 2022-09-20 | 2022-12-30 | 重庆大学 | 一种基于景区停车场数据的管理方法、系统及存储介质 |
CN116597687A (zh) * | 2023-06-06 | 2023-08-15 | 重庆大学 | 一种云控系统下基于停车占用率预测的动态停车分配方法 |
CN116523350A (zh) * | 2023-07-03 | 2023-08-01 | 万维智能科技有限公司 | 一种基于数据分析的智慧停车场车流规划管理系统 |
CN117437789A (zh) * | 2023-10-24 | 2024-01-23 | 中建三局云服科技武汉有限公司 | 一种基于城市信息模型多维联动指挥调度的智慧园区系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117649781A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111268522B (zh) | 一种基于大数据分析的电梯调度方法和系统 | |
CN108182823B (zh) | 一种园区停车位区块化智慧管理与服务引导系统 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN102629418A (zh) | 基于模糊卡尔曼滤波的交通流参数预测方法 | |
CN109344991B (zh) | 一种公交线路最高断面客流预测方法 | |
CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
CN109754637A (zh) | 一种立体停车场空位管理控制方法 | |
CN109658729A (zh) | 一种立体停车场基于大数据分析的控制方法 | |
CN109785658A (zh) | 一种立体停车场车辆预约管理的控制方法 | |
CN109754117A (zh) | 一种立体停车场车辆优先级管理控制方法 | |
CN109658730A (zh) | 一种立体停车场分时管理控制方法 | |
CN117649781B (zh) | 基于数据融合的智慧停车监测数据智能处理方法 | |
CN110400462A (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN106846891B (zh) | 一种基于序列分解的公共停车场泊位多步预测方法 | |
CN106056967A (zh) | 公共停车信息管理方法 | |
CN112200346B (zh) | 一种天气波动过程划分与匹配的短期风电功率预测方法 | |
CN111028519B (zh) | 一种基于视频流量检测器的自适应控制方法 | |
CN115188192B (zh) | 一种基于行程预测的自动控制泊车系统及方法 | |
CN114387816B (zh) | 基于消费者行为预测分析的商城车流引导系统及方法 | |
CN116645809A (zh) | 基于停车场用户行为的停车需求分布分析方法 | |
CN112382087B (zh) | 交通堵塞预测方法 | |
CN109767644A (zh) | 立体停车场基于时间优先级的运行策略的控制方法 | |
CN112949948B (zh) | 电动汽车分时段换电需求区间预测的集成学习方法及系统 |
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 |