CN117935607A - 一种停车位预测方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明公开了一种停车位预测方法、系统、电子设备和存储介质，涉及车载智能导航技术领域。该停车位预测方法包括：根据用户导航数据确定目标停车位置；按照目标停车位置在导航系统内确定停车场属性特征；基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量。可解决因无法提供准确停车位搜索结果而导致的停车效率低下的问题，实现停车位剩余数量的准确动态推算，提高停车效率和用户体验。

Description

一种停车位预测方法、装置、电子设备和存储介质

技术领域

本发明涉及车载智能导航技术领域，尤其涉及一种停车位预测方法、装置、电子设备和存储介质。

背景技术

随着经济的快速发展，人均汽车保有量与日俱增，但停车位需求大于供应且利用率不高，导致城市交通压力与日俱增。因此，能否准确地对剩余停车位数量进行动态推算，提高停车效率已成为交通管理与控制方向的重要问题之一。

目前，许多导航应用程序已经提供了停车位搜索功能，根据地图信息中停车场信息，方便驾驶员搜索目的地附近可以停车的位置。

然而，这些应用程序通常只能提供停车位的位置信息，而无法准确推算停车位的剩余数量，无法帮助用户快速找到可用的停车位，降低了停车效率和用户体验。

发明内容

本发明提供了一种停车位预测方法、系统、电子设备和存储介质，解决了因无法提供准确停车位搜索结果而导致的停车效率低下的问题，实现了停车位剩余数量的准确动态推算，提高了停车效率和用户体验。

第一方面，本发明实施例提供了一种停车位预测方法，包括：

根据用户导航数据确定目标停车位置；

按照目标停车位置在导航系统内确定停车场属性特征；

基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量。

第二方面，本发明实施例还提供了一种停车位预测装置，包括：

停车位置模块，用于根据用户导航数据确定目标停车位置；

停车数据模块，用于按照目标停车位置在导航系统内确定停车场属性特征；

停车位预测模块，用于基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量。

第三方面，本发明实施例还提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明实施例中任一项的停车位预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明实施例中任一项的停车位预测方法。

根据本发明实施例的技术方案，通过根据用户导航数据确定目标停车位置；按照目标停车位置在导航系统内确定停车场属性特征；基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量。通过收集和分析导航系统中的大数据，结合停车场的位置信息和停车位的数量，推算出停车场中剩余的可用停车位数量，帮助用户快速找到可用的停车位，解决了因无法提供准确停车位搜索结果而导致的停车效率低下的问题，实现了停车位剩余数量的准确动态推算，提高了停车效率和用户体验。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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他的附图。

图1为根据本发明实施例提供的一种停车位预测方法的流程图；

图2为本发明实施例提供的另一种停车位预测方法的流程图；

图3为本发明实施例提供的另一种停车位预测方法的流程图；

图4为本发明实施例提供的一种基于数据埋点进行数据采集流程示意图；

图5为根据本发明实施例提供的一种预设停车位预测模型训练流程图；

图6为本发明实施例提供的一种可用停车位数量消息推送和结果展示示意图；

图7为根据本发明实施例提供的一种停车位预测装置的结构示意图；

图8为实现本发明实施例的停车位预测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在一实施例中，图1为根据本发明实施例提供的一种停车位预测方法的流程图，本实施例可适用于帮助用户快速找到可用的停车位的情况，该方法可以由停车位预测装置来执行，该停车位预测装置可以采用硬件和/或软件的形式实现，该停车位预测装置可配置于电子设备中。

如图1所示，本实施例提供的一种停车位预测方法可以包括：

S110、根据用户导航数据确定目标停车位置。

本发明实施例中，目标停车位置可以理解为用户可以进行停车操作的位置，目标停车位置可以包括用户导航路线上停车场中的停车位置，以及用户导航路线终点处停车场中的停车位置。

具体的，可以收集用户导航系统中的大数据作为用户导航数据，用户导航数据可以包括用户车辆位置、速度和行驶轨迹等信息，可以根据收集到的用户导航数据进行处理分析，识别用户导航路线中包含的停车场位置，以及识别出用户车辆在停车场附近的区域，根据用户导航路线中停车场位置以及用户行驶路线确定用户的目标停车位置。

S120、按照目标停车位置在导航系统内确定停车场属性特征。

本发明实施例中，停车场属性特征指的是可以反映停车场中停车位需求、停车位的使用情况和变化趋势等的特征信息。

具体的，可以根据收集到的用户导航数据分析用户目标停车位置处的时间信息、地理信息和路况信息等确定停车场属性特征，来评估目标停车位置的停车位使用情况。目标停车场属性特征可以包括目标停车场的停车位的位置、停车位的容量、停车位的使用率、停车位的类型和时间相关特征等特征信息。

S130、基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量。

本发明实施例中，预设停车位预测模型指的是根据停车位推算性质和用户导航数据的特点提前设定的机器学习模型，可以用来推算停车场剩余停车位数量，预设停车位预测模型可以基于不同停车场的停车场属性特征以及海量用户导航数据训练生成。

具体的，可以将上述得到的停车场属性特征和用户导航数据输入提前设定的停车位预测模型，进行停车场剩余停车位数量预测，得到停车位预测模型输出的目标停车位置处停车场剩余停车位数量，便于用户了解停车场使用情况，预设停车位预测模型可以包括回归模型、神经网络模型、随机森林模型和时间序列模型等。

根据本发明实施例的技术方案，通过根据用户导航数据确定目标停车位置；按照目标停车位置在导航系统内确定停车场属性特征；基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量。通过收集和分析导航系统中的大数据，结合停车场的位置信息和停车位的数量，推算出停车场中剩余的可用停车位数量，帮助用户快速找到可用的停车位，解决了因无法提供准确停车位搜索结果而导致的停车效率低下的问题，实现了停车位剩余数量的准确动态推算，提高了停车效率和用户体验。

在上述实施例基础上，预设停车位预测模型的训练过程包括：

按照预设埋点数据采集导航数据的特征数据，其中，预设维度包括时间维度、地理维度、历史停车数据维度、天气数据维度、路况数据维度、周边设施数据维度以及文本数据维度；

将提取到的各特征数据分别处理为时间特征数据、天气特征数据、车流量特征数据、停车场信息和剩余车位数；

将时间特征数据、天气特征数据、车流量特征数据、停车场信息和剩余车位数据构成训练数据集以及测试数据集；

按照训练数据集对预设结构的机器学习模型进行训练；

将训练完成的机器学习模型作为预设停车位预测模型。

本发明实施例中，预设埋点数据可以理解为根据用户导航数据的特点提前设定的埋点数据采集方式。预设维度指的是根据用户导航数据中的特点提前设定的采集用户导航数据的维度。

具体的，可以按照预设埋点数据采集用户导航数据的特征数据，可以从用户导航应用程序或其他数据源收集与停车位相关的导航数据，导航数据可以包括停车位的位置信息、停车位的使用情况等。进一步的，用户导航数据的采集预设维度可以包括时间维度、地理维度、历史停车数据维度、天气数据维度、路况数据维度、周边设施数据维度以及文本数据维度。示例性的，时间维度可以包括将用户导航数据中的时间戳拆分为小时、分钟等，或者提取出星期几、是否是工作日等特征，通过这些特征捕捉到停车位需求的周期性和季节性变化；历史停车数据维度可以包括将用户导航数据中的特定时间段内的平均停车位占用率、最近一次停车位占用情况等，通过这些特征反映出停车位的使用情况和变化趋势。

可以将上述提取到的用户导航数据的各特征数据分别处理为时间特征数据、天气特征数据、车流量特征数据、停车场信息和剩余车位数。时间特征数据可以包括日期和时间，以及周几、节假日等时间相关的信息；天气特征数据可以包括温度、湿度、降雨量、风速等天气相关的信息；车流量特征数据可以包括进出停车场的车辆数量、车辆类型等信息；停车场信息可以包括停车场总车位数、已停车辆数量等信息。可以将上述得到的时间特征数据、天气特征数据、车流量特征数据、停车场信息和剩余车位数据构成训练数据集以及测试数据集，确保数据集中包含停车位的位置、容量、使用率等特征，以及对应的停车场剩余位数作为目标变量。可以按照上述生成的训练数据集对预设结构的机器学习模型进行训练，并对预设结构的机器学习模型的性能进行评估，可以将训练完成的机器学习模型作为预设停车位预测模型，进行后续停车位剩余数量的预测。

在上述实施例基础上，按照训练数据集对预设结构的机器学习模型进行训练，包括：

提取训练数据集的时间特征数据、天气特征数据、车流量特征数据和停车场信息作为输入参数，以及训练数据集的剩余车位数作为标准值训练机器学习模型；

将测试数据集的时间特征数据、天气特征数据、车流量特征数据和停车场信息作为输入参数由机器学习模型进行处理，并提取机器学习模型的预测车位数；

确定预测车位数与测试数据集的剩余车位数的匹配程度；

在匹配程度满足预设阈值时，确定机器学习模型训练完成。

本发明实施例中，预测车位数可以理解为将测试数据集输入经过训练的机器学习模型所得到的剩余停车位数量。预设阈值可以理解为表征预测车位数与测试数据集的剩余车位数匹配程度的临界值，预设阈值可以基于机器学习模型性质和用户导航大数据特征提取设定的。

具体的，可以提取训练数据集的时间特征数据、天气特征数据、车流量特征数据和停车场信息作为输入参数，以及训练数据集的剩余车位数作为标准值来训练机器学习模型。将测试数据集中的时间特征数据、天气特征数据、车流量特征数据和停车场信息作为输入参数由经过训练的机器学习模型进行处理，并提取机器学习模型输出的预测车位数。可以将预测车位数与测试数据集的剩余车位数进行对比，确定两者的匹配程度，在匹配程度满足预设阈值时，可以表明预测车位数与测试数据集的剩余车位数的匹配程度较高，机器学习模型预测精确度较高，可以确定机器学习模型训练完成。

在上述实施例基础上，预设停车位预测模型包括线性回归模型、决策树回归模型、支持向量回归模型、随机森林网络模型、时间序列模型中至少之一。

具体的，预设停车位预测模型可以包括线性回归模型、决策树回归模型、支持向量回归模型、随机森林网络模型、时间序列模型中至少之一，也可以根据用户导航数据的特点选取适合的机器学习模型。

在上述实施例基础上，匹配程度包括以下至少之一：均方差误差、平均绝对误差。

具体的，对于确定预测车位数与测试数据集的剩余车位数两者的匹配程度，可以选择均方差误差、平均绝对误差等指标来评估，来衡量预设停车位预测模型的预测精度。

在一实施例中，图2为本发明实施例提供的另一种停车位预测方法的流程图，本实施例在上述各实施例的基础上，对根据用户导航数据确定目标停车位置，以及基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量的过程进一步优化和扩展。如图2所示，本实施例提供的另一种停车位预测方法可以包括：

S210、在导航系统内采集用户导航数据。

具体的，可以从用户的导航应用程序或其他数据源收集与停车位相关的导航数据，将收集到的数据作为用户导航数据，用户导航数据可以包括停车位的位置信息、停车位的使用情况、用户车辆位置、车辆速度和用户行驶轨迹等信息。

S220、将用户导航数据内途径的所有停车场位置或导航终点的停车场位置作为沿途停车位置。

本发明实施例中，沿途停车位置可以理解为用户导航路线途径的所以停车场位置。

具体的，可以使用处理器对上述采集的用户导航数据进行分析，得到用户车辆的行驶路线，以及车辆行驶路线途径的所有停车场位置或导航终点的停车场位置作为沿途停车位置，并可以将沿途停车位置作为用户的目标停车位置。

S230、按照目标停车位置在导航系统内确定停车场属性特征。

S240、提取停车场属性特征的目标停车场信息，以及用户导航数据的当前时间、当前天气和当前车流量。

具体的，可以提取停车场属性特征中的目标停车场信息、用户导航数据中的当前时间、当前天气和当前车流量等信息。示例性的，目标停车场信息可以包括目标停车场总车位数、已停车辆数量等信息。当前时间信息可以包括日期和时间，以及周几、节假日等时间相关的信息。当前天气信息可以包括温度、湿度、降雨量、风速等天气相关的信息。当前车流量信息可以包括进出目标停车场的车辆数量、车辆类型等信息。上述信息都可以反映出目标停车场的使用情况以及使用情况变化趋势。

S250、将目标停车场信息、当前时间、当前天气和当前车流量输入预设停车位预测模型，并提取预设停车位预测模型生成的预测车位数量作为可用停车位数量。

具体的，可以将上述得到的目标停车场信息、当前时间、当前天气和当前车流量输入预设停车位预测模型进行训练，预设停车位预测模型预测输出对应目标停车场的剩余可用停车位数量，并将预设停车位预测模型输出结果作为预测车位数量，并可以将预测车位数量作为用户的可用停车位数量，方便用户选择合适的停车位置。

S260、向用户推送可用停车位数量，并在用户的用户终端显示包括可用停车位数量的停车场信息界面。

具体的，可以将预设停车位预测模型预测的可用停车位数量结果推送给用户，并可以将存在可用停车位数量的停车场信息显示在用户的用户终端界面，显示在用户终端的停车场信息可以包括可用停车位数量、总车位数、已停车辆数量、周边信息特征和位置信息等。示例性的，可以在用户的导航应用程序界面中显示目标停车场中可用停车位信息，可以使用绿色分割框标记可用停车位，红色分割框标记已使用停车位，以及使用对话框显示该目标停车场的可用停车位数量。

根据本发明实施例的技术方案，通过在导航系统内采集用户导航数据，将用户导航数据内途径的所有停车场位置或导航终点的停车场位置作为沿途停车位置，按照目标停车位置在导航系统内确定停车场属性特征，提取停车场属性特征的目标停车场信息，以及用户导航数据的当前时间、当前天气和当前车流量，将目标停车场信息、当前时间、当前天气和当前车流量输入预设停车位预测模型，并提取预设停车位预测模型生成的预测车位数量作为可用停车位数量，向用户推送可用停车位数量，并在用户的用户终端显示包括可用停车位数量的停车场信息界面。通过收集和分析导航系统中的大数据，结合停车场的位置信息和停车位的数量，推算出停车场中剩余的可用停车位数量，帮助用户快速找到可用的停车位，解决了因无法提供准确停车位搜索结果而导致的停车效率低下的问题，实现了停车位剩余数量的准确动态推算，提高了停车效率和用户体验。

在一实施例中，图3为本发明实施例提供的另一种停车位预测方法的流程图，在上述各实施例的基础上，本实施例作为优选实施例，并对用户导航数据的采集过程、预设停车位预测模型的训练过程进行具体说明。

如图3所示，本实施例提供的另一种停车位预测方法可以包括：

S310、收集导航系统中的用户导航数据。

具体的，可以从用户导航应用程序或其他数据源收集与停车位相关的导航数据作为用户导航数据，用户导航数据可以包括停车位的位置信息、停车位的使用情况等。用户导航数据的收集方式可以包括数据埋点，示例性的，图4为本发明实施例提供的一种基于数据埋点进行数据采集流程示意图，可以使用数据埋点的方式对用户导航数据进行收集，如图4所示，可以在用户导航应用中采用超文本传输协议(HyperText Transfer Protocol，HTTP)和消息队列遥测传输(Message Queuing Telemetry Transport，MQTT)数据埋点方式进行用户导航数据采集，可以采用HTTP方式对用户操作信息进行采集，用户操作信息可以包括采集用户行为数据和导航过程数据，满足数据上传要求后上传至服务器；也可以采用MQTT方式对用户车辆信息进行采集，用户车辆信息可以包括采集车身信息和环境信息，达到上传周期上传至服务器。S320、对用户导航数据进行处理和分析，确定目标停车位置。

具体的，可以对上述采集的用户导航数据进行处理和分析，通过对用户导航数据进行预处理找出并剔除异常数据，预处理方式可以包括对用户导航数据进行数据清洗、去除异常数据等，示例性的，数据清洗可以包括去除重复数据、填充缺失数据、纠正错误数据等。比如，如果某个时间段内的车流量数据异常，可以通过与其他时间段的数据进行比较，找出异常数据并进行修正。对预处理完的用户导航信息进行分析，确定用户的目标停车位置。

S330、获取目标停车位置的停车位数量信息。

具体的，可以通过目标停车位置布设的传感器，以及目标停车位置安装的摄像头等设备对目标停车位置进行实时监测，得到目标停车位置的停车位使用情况，停车位使用情况包括总停车数量，以及已用停车位数量等，也可以通过目标停车位置的停车场管理系统获取目标停车位置的停车位数量信息。

S340、根据用户车辆位置和目标停车位置的关系，以及用户车辆的行驶轨迹和速度等信息，推算出停车场中剩余的可用停车位数量。

具体的，从预处理后的用户导航大数据中提取特征，示例性的，特征可以包停车位位置、停车位容量和停车位的使用率等。使用机器学习或其他技术，基于提取的特征训练一个停车位剩余数量推算模型，该模型可以是回归模型、分类模型或其他适合的模型。根据实时收集到的用户导航数据和训练好的模型，推算停车位的剩余数量。图5为根据本发明实施例提供的一种预设停车位预测模型训练流程图，如图5所示，预设停车位预测模型训练过程包括：2.1数据收集和准备、2.2创建特征工程、2.3模型选择和设计、3.1模型评估和调优和3.2模型部署和应用。其具体实施步骤包括：

2.1数据收集和准备

模型训练的输入特征可以包括：

时间：包括日期和时间，以及周几、节假日等时间相关的信息。

天气：包括温度、湿度、降雨量、风速等天气相关的信息。

车流量：包括进出停车场的车辆数量、车辆类型等信息。

停车场信息：包括停车场总车位数、已停车辆数量等信息。

输出目标可以包括：

剩余车位数：即停车场当前可用的停车位数量，是模型需要预测的目标。

对数据进行预处理：

数据清洗：对于收集到的数据进行清洗，包括去除重复数据、填充缺失数据、纠正错误数据等。例如，如果某个时间段内的车流量数据异常，可以通过与其他时间段的数据进行比较，找出异常数据并进行修正。

去除异常数据：对于异常数据，可以采取以下方法进行去除：

根据经验和常识判断，去除明显不合理的数据。例如，如果某个时间段内的车流量数据远远超出了正常范围，可以将其视为异常数据并去除。

使用统计方法检测异常数据。例如，可以使用箱线图、离群点检测等方法来检测和去除异常数据。

使用机器学习模型进行异常检测。例如，可以训练一个异常检测模型，用于识别和去除异常数据。

2.2创建特征工程

时间特征：将时间信息转化为特征，例如将时间戳拆分为小时、分钟等，或者提取出星期几、是否是工作日等特征。这些特征可以捕捉到停车位需求的周期性和季节性变化。

地理特征：根据停车位所在位置的地理信息，可以提取出一些有用的特征，如经纬度、所属城市、街道类型等。还可以计算停车位周围的POI(兴趣点)数量、距离最近的公共交通站点等特征。

历史停车数据：利用历史停车数据，可以提取出一些统计特征，如特定时间段内的平均停车位占用率、最近一次停车位占用情况等。这些特征可以反映出停车位的使用情况和变化趋势。

天气特征：将天气数据与停车位数据进行关联，可以提取出一些与停车需求相关的特征，如温度、降水量、风速等。这些特征可以反映出天气对停车需求的影响。

路况特征：将交通数据与停车位数据进行关联，可以提取出一些与停车需求相关的特征，如道路拥堵程度、平均车速等。这些特征可以反映出交通状况对停车需求的影响。

周边设施特征：根据停车位周围的设施信息，可以提取出一些与停车需求相关的特征，如附近商业区的繁忙程度、停车场的数量等。这些特征可以反映出周边环境对停车需求的影响。

文本特征：如果有停车位相关的文本数据，如用户评论、停车位描述等，可以使用自然语言处理技术提取出一些文本特征，如情感分析、关键词提取等。这些特征可以反映出用户对停车位的评价和需求。

进行特征提取：

停车位的位置：可以使用经纬度或其他地理位置信息来表示停车位的位置。这个特征可以用来分析停车位的分布情况，以及停车位与其他特征之间的关系。

停车位的容量：可以根据停车场的总车位数来表示停车位的容量。这个特征可以用来判断停车场的大小和可用性。

停车位的使用率：可以根据进出停车场的车辆数量和停车场的总车位数来计算停车位的使用率。这个特征可以用来评估停车场的拥挤程度和剩余车位的数量。

停车位的类型：可以根据停车位的属性来表示停车位的类型，如普通车位、残疾人车位、电动车充电桩等。这个特征可以用来分析不同类型停车位的使用情况和需求。

时间相关特征：可以根据日期和时间信息提取一些时间相关的特征，如小时、星期几、节假日等。这个特征可以用来分析不同时间段停车位的使用情况和变化趋势。

2.3模型选择和设计

机器学习软件和工具：Microsoft Azure Machine Learning Studio提供了丰富的机器学习算法和工具。它提供了可视化的界面和强大的功能，适合进行停车位预测任务。

数据准备：将预处理后的数据集划分为训练集和测试集。确保数据集中包含停车位的位置、容量、使用率等特征，以及对应的停车场剩余位数作为目标变量。

特征选择：根据问题的需求和数据的特点，选择合适的特征进行训练。可以使用特征工程的方法，如降维、特征组合等，来提取更有意义的特征。

模型选择：根据问题的性质和数据的特点，选择适合的机器学习模型。对于推算停车场剩余位数的问题，可以考虑使用回归模型，如线性回归、决策树回归、支持向量回归等。也可以尝试其他模型，如神经网络、随机森林、时间序列模型等。

模型训练：使用训练集进行模型训练。根据选择的模型，调整模型的超参数，并使用合适的训练算法进行训练。可以使用交叉验证等方法来评估模型的性能，并进行模型调优。

3.1模型评估和调优

数据集划分：将导航大数据划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于模型的调优和选择超参数，测试集用于最终评估模型的性能。

选择评估指标：根据任务需求选择适当的评估指标。对于停车位需求预测任务，可以使用均方根误差(RMSE)、平均绝对误差(MAE)等指标来衡量模型的预测精度。

初始模型训练：使用训练集对初始模型进行训练。根据选择的神经网络架构和优化算法，进行一定数量的训练轮次，获取初始模型的性能。

超参数调优：通过在验证集上进行实验，调整模型的超参数，如学习率、正则化参数、隐藏层节点数等，以提高模型的性能。可以使用网格搜索、随机搜索等方法来搜索超参数的组合。

模型比较：在验证集上比较不同模型的性能。可以尝试不同的神经网络架构、不同的优化算法和不同的超参数组合，选择表现最好的模型。

模型评估：使用测试集对最终选定的模型进行评估。计算选择的评估指标，并与先前的模型进行比较。这可以提供一个对模型在实际场景中的性能的估计。

迭代调优：根据测试集的结果，可以进一步调整模型或尝试其他的模型架构、算法或特征工程方法。通过迭代的过程，不断提升模型的性能和预测能力。

模型评估和调优是一个迭代的过程，需要反复进行实验和改进。同时，还应关注模型的泛化能力，即模型在新数据上的表现，以确保模型的可靠性和稳定性。

3.2模型部署和应用

模型保存：将训练好的模型保存为可加载的格式，如HDF5、ONNX等。这样可以方便在不同的环境中加载和使用模型。

部署环境准备：选择适当的部署环境，如云服务、本地服务器或移动设备等。确保环境中已经安装了所需的软件和库，如深度学习框架(如TensorFlow、PyTorch)、Python等。

模型加载：在部署环境中加载保存的模型。根据具体的深度学习框架和语言，使用相应的函数或库来加载模型。

数据预处理：对输入数据进行预处理，使其与训练时的数据格式相匹配。这可能包括对数据进行归一化、标准化、缩放等处理，以及将数据转换为模型所需的输入格式。

模型推理：使用加载的模型对新的导航数据进行推理。将预处理后的数据输入模型，获取模型的输出结果。

结果解析：根据模型的输出结果，解析得到停车位需求或停车位的可用性等信息。根据具体的任务需求，可能需要进行后续的处理和分析。

结果展示或应用：根据具体的应用场景，将模型的结果进行展示或应用。可以将结果显示在导航应用程序中，提供实时的停车位需求或可用性信息。

持续更新和监控：定期更新模型，以反映最新的导航数据和改进的算法。同时，监控模型的性能和稳定性，及时处理潜在的问题和异常情况。

模型部署和应用需要考虑实时性、性能和可扩展性等因素。对于大规模的导航数据，可能需要使用分布式计算或优化算法来提高模型的推理速度和效率。此外，还需要确保数据的隐私和安全，采取适当的数据保护措施。

S350、将可用停车位数量通过导航系统展示给用户。

具体的，图6为本发明实施例提供的一种可用停车位数量消息推送和结果展示示意图，用户可以导航应用程序了解可用停车位数量信息，如图6所示，可以将推算得到的停车位剩余数量结果展示给用户，示例性的，可以在用户导航应用程序中显示停车位剩余数量的标识、颜色等。

在一实施例中，图7为根据本发明实施例提供的一种停车位预测装置的结构示意图。本实施例可以执行上述实施方式。该实施例可适用于帮助用户快速找到可用的停车位的情况，该装置可以采用硬件/软件的方式来实现，并可配置在电子设备中。

如图7所示，本实施例中提供的停车位预测装置包括：停车位置模块401、停车数据模块402和停车位预测模块403，其中：

停车位置模块401，用于根据用户导航数据确定目标停车位置；

停车数据模块402，用于按照目标停车位置在导航系统内确定停车场属性特征；

停车位预测模块403，用于基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量。

根据本发明实施例的技术方案，通过根据用户导航数据确定目标停车位置；按照目标停车位置在导航系统内确定停车场属性特征；基于预设停车位预测模型、停车场属性特征和用户导航数据确定可用停车位数量。通过收集和分析导航系统中的大数据，结合停车场的位置信息和停车位的数量，推算出停车场中剩余的可用停车位数量，帮助用户快速找到可用的停车位，解决了因无法提供准确停车位搜索结果而导致的停车效率低下的问题，实现了停车位剩余数量的准确动态推算，提高了停车效率和用户体验。

在上述实施例基础上，停车位置模块401，包括：

导航数据采集单元，用于在导航系统内采集用户导航数据。

沿途停车位置确定单元，用于将用户导航数据内途径的所有停车场位置或导航终点的停车场位置作为沿途停车位置。

在上述实施例基础上，预设停车位预测模型的训练过程包括：

按照预设埋点数据采集导航数据的特征数据，其中，预设维度包括时间维度、地理维度、历史停车数据维度、天气数据维度、路况数据维度、周边设施数据维度以及文本数据维度；

将提取到的各特征数据分别处理为时间特征数据、天气特征数据、车流量特征数据、停车场信息和剩余车位数；

将时间特征数据、天气特征数据、车流量特征数据、停车场信息和剩余车位数据构成训练数据集以及测试数据集；

按照训练数据集对预设结构的机器学习模型进行训练；

将训练完成的机器学习模型作为预设停车位预测模型。

在上述实施例基础上，按照训练数据集对预设结构的机器学习模型进行训练，包括：

提取训练数据集的时间特征数据、天气特征数据、车流量特征数据和停车场信息作为输入参数，以及训练数据集的剩余车位数作为标准值训练机器学习模型；

将测试数据集的时间特征数据、天气特征数据、车流量特征数据和停车场信息作为输入参数由机器学习模型进行处理，并提取机器学习模型的预测车位数；

确定预测车位数与测试数据集的剩余车位数的匹配程度；

在匹配程度满足预设阈值时，确定机器学习模型训练完成。

在上述实施例基础上，预设停车位预测模型包括线性回归模型、决策树回归模型、支持向量回归模型、随机森林网络模型、时间序列模型中至少之一。

在上述实施例基础上，匹配程度包括以下至少之一：均方差误差、平均绝对误差。

在上述实施例基础上，停车位预测模块403，包括：

停车场信息提取单元，用于提取停车场属性特征的目标停车场信息，以及用户导航数据的当前时间、当前天气和当前车流量。

可用停车位数量确定单元，用于将目标停车场信息、当前时间、当前天气和当前车流量输入预设停车位预测模型，并提取预设停车位预测模型生成的预测车位数量作为可用停车位数量。

信息界面单元，用于向用户推送可用停车位数量，并在用户的用户终端显示包括可用停车位数量的停车场信息界面。

本发明实施例提供的一种停车位预测装置可执行本发明实施例所提供的任意的停车位预测方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。

在一实施例中，图8为实现本发明实施例的停车位预测方法的电子设备的结构示意图。可以用来实施本发明的实施例的电子设备50，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图8所示，电子设备50包括至少一个处理器51，以及与至少一个处理器51通信连接的存储器，如只读存储器(ROM)52、随机访问存储器(RAM)53等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器51可以根据存储在只读存储器(ROM)52中的计算机程序或者从存储单元58加载到随机访问存储器(RAM)53中的计算机程序，来执行各种适当的动作和处理。在RAM 53中，还可存储电子设备50操作所需的各种程序和数据。处理器51、RAM 52以及RAM 53通过总线54彼此相连。输入/输出(I/O)接口55也连接至总线54。

电子设备50中的多个部件连接至I/O接口55，包括：输入单元55，例如键盘、鼠标等；输出单元57，例如各种类型的显示器、扬声器等；存储单元58，例如磁盘、光盘等；以及通信单元59，例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器51可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器51的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器51执行上文所描述的各个方法和处理，例如停车位预测方法。

在一些实施例中，停车位预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元58。在一些实施例中，计算机程序的部分或者全部可以经由ROM 52和/或通信单元59而被载入和/或安装到电子设备50上。当计算机程序加载到RAM53并由处理器51执行时，可以执行上文描述的停车位预测方法的一个或多个步骤。备选地，在其他实施例中，处理器51可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行停车位预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种停车位预测方法，其特征在于，所述方法包括：

根据用户导航数据确定目标停车位置；

按照所述目标停车位置在导航系统内确定停车场属性特征；

基于预设停车位预测模型、所述停车场属性特征和所述用户导航数据确定可用停车位数量。

2.根据权利要求1所述方法，其特征在于，所述根据用户导航数据确定目标停车位置，包括：

在所述导航系统内采集所述用户导航数据；

将所述用户导航数据内途径的所有停车场位置或导航终点的停车场位置作为所述沿途停车位置。

3.根据权利要求1所述方法，其特征在于，所述预设停车位预测模型的训练过程包括：

按照预设埋点数据采集导航数据的特征数据，其中，所述预设维度包括时间维度、地理维度、历史停车数据维度、天气数据维度、路况数据维度、周边设施数据维度以及文本数据维度；

将提取到的各所述特征数据分别处理为时间特征数据、天气特征数据、车流量特征数据、停车场信息和剩余车位数；

将所述时间特征数据、所述天气特征数据、所述车流量特征数据、所述停车场信息和所述剩余车位数据构成训练数据集以及测试数据集；

按照所述训练数据集对预设结构的机器学习模型进行训练；

将训练完成的所述机器学习模型作为所述预设停车位预测模型。

4.根据权利要求3所述方法，其特征在于，所述按照所述训练数据集对预设结构的机器学习模型进行训练，包括：

提取所述训练数据集的时间特征数据、天气特征数据、车流量特征数据和停车场信息作为输入参数，以及所述训练数据集的所述剩余车位数作为标准值训练所述机器学习模型；

将所述测试数据集的时间特征数据、天气特征数据、车流量特征数据和停车场信息作为输入参数由所述机器学习模型进行处理，并提取所述机器学习模型的预测车位数；

确定所述预测车位数与所述测试数据集的剩余车位数的匹配程度；

在所述匹配程度满足预设阈值时，确定所述机器学习模型训练完成。

5.根据权利要求1所述方法，其特征在于，所述预设停车位预测模型包括线性回归模型、决策树回归模型、支持向量回归模型、随机森林网络模型、时间序列模型中至少之一。

6.根据权利要求4所述方法，其特征在于，所述匹配程度包括以下至少之一：均方差误差、平均绝对误差。

7.根据权利要求1所述方法，其特征在于，所述基于预设停车位预测模型、所述停车场属性特征和所述用户导航数据确定可用停车位数量，包括：

提取所述停车场属性特征的目标停车场信息，以及所述用户导航数据的当前时间、当前天气和当前车流量；

将所述目标停车场信息、所述当前时间、所述当前天气和所述当前车流量输入所述预设停车位预测模型，并提取所述预设停车位预测模型生成的预测车位数量作为所述可用停车位数量；

向用户推送所述可用停车位数量，并在所述用户的用户终端显示包括所述可用停车位数量的停车场信息界面。

8.一种停车位预测装置，其特征在于，所述装置包括：

停车位置模块，用于根据用户导航数据确定目标停车位置；

停车数据模块，用于按照所述目标停车位置在导航系统内确定停车场属性特征；

停车位预测模块，用于基于预设停车位预测模型、所述停车场属性特征和所述用户导航数据确定可用停车位数量。

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计算机程序，所述计算机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权利要求1-7中任一项所述的停车位预测方法。

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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的停车位预测方法。