CN104537071A - 停车场收益分析方法及*** - Google Patents

Abstract

本发明公开了一种停车场收益分析方法及***：获取停车场训练集数据；将所述训练集数据中分类属性的数据转换为数值属性的数据；利用数值预测算法，对转换后的训练集数据构建模型，得到收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系，达到了自动分析停车场收益值与影响因子中各因子之间的关系，进而提高了工作效率的目的。

Description

停车场收益分析方法及***

技术领域

本发明涉及数据挖掘技术领域，特别是涉及一种停车场收益分析方法及***。

背景技术

通常，停车场管理者希望透过停车场报表，不仅可以看到停车场的经营状况，又能够看到隐藏在停车场报表数据背后的有用信息，比如停车场收益值与影响收益情况的影响因子中各因子之间的关系，然后借助这些关系信息进一步提高停车场的收益值。然而，现有的挖掘停车场数据中停车场收益值与影响因子中各因子之间的关系的方法中，需要人工亲自对报表数据进行分析，这样的方式浪费时间，工作效率低。

发明内容

有鉴于此，本发明提供了一种停车场收益分析方法及***，以达到自动分析停车场收益值与影响因子中各因子之间的关系，进而提高工作效率的目的。

为解决上述技术问题，本发明提供一种停车场收益分析方法，包括：

获取停车场训练集数据；

将所述训练集数据中分类属性的数据转换为数值属性的数据；

利用数值预测算法，对转换后的训练集数据构建模型，得到收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系；

其中，所述训练集数据包括：数值属性的收益值和分类属性的影响因子，所述影响因子至少包括：停车区域标识、附加业务标识、收费标准标识、车辆类型标识及车主相关信息。

上述方法中，优选的，得到收益模型之后，还包括：

以曲线图形式显示所述收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系。

上述方法中，优选的，得到收益模型之后，还包括：

利用测试集数据测试所述收益模型，直至所述收益模型的结果准确度达到预设准确度下限值。

上述方法中，优选的，得到收益模型之后，还包括：

确定待预测的影响因子；

将所述待预测的影响因子代入所述收益模型，得到预测收益值。

上述方法中，优选的，所述预测收益值以报表形式显示。

上述方法中，优选的，当所述数值预测算法为线性回归算法时，通过以下步骤对转换后的训练集数据构建模型，得到收益模型：

将所述收益值作为因变量，所述影响因子中各因子作为自变量，利用线性回归算法，构建所述收益值与所述影响因子中各因子之间的线性表达式，得到的线性表达式为收益模型。

上述方法中，优选的，在将所述训练集数据中分类属性的数据转换为数值属性的数据之前，还包括:

确定所述训练集数据中的冗余数据；

删除所述冗余数据，以实现对所述训练集数据的降维操作。

上述方法中，优选的，在将所述训练集数据中分类属性的数据转换为数值属性的数据之前，还包括:

确定所述训练集数据中的异常值和/或孤立点；

删除所述异常值和/或孤立点，以实现对所述训练集数据的去噪操作。

本发明还提供了一种停车场收益分析***，包括：

数据获取单元，用于获取停车场训练集数据；

转换单元，用于将所述训练集数据中分类属性的数据转换为数值属性的数据；

模型构建单元，用于利用数值预测算法，对转换后的训练集数据构建模型，得到收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系；

其中，所述训练集数据包括：数值属性的收益值和分类属性的影响因子，所述影响因子至少包括：停车区域标识、附加业务标识、收费标准标识、车辆类型标识及车主相关信息。

上述***中，优选的，还包括：

显示单元，用于以曲线图形式显示所述收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系。

以上本发明提供的停车场收益分析方法及***中，先获取包括收益值和影响因子的停车场训练集数据，然后将训练集数据中分类属性的数据转换为数值属性的数据，以适应后续建模的需求，最后再利用数值预测算法，对转换后的训练集数据构建模型，得到收益模型，通过这个收益模型，分析人员可以找出中收益值与影响因子中各因子之间的关系，并给出提高停车场收益的合理建议供管理人员做出决策，以提高停车场的收益；上述内容提供了一种全自动的基于停车场训练集数据的收益分析技术方案，达到自动分析停车场收益值与影响因子中各因子之间的关系，进而提高工作效率的目的。

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，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明一种停车场收益分析方法实施例1的流程图；

图2为本发明一种停车场收益分析方法实施例2的流程图；

图3为本发明一种停车场收益分析方法实施例3的一种流程图；

图4为本发明一种停车场收益分析方法实施例3的另一种流程图；

图5为本发明一种停车场收益分析***实施例1的结构框图。

具体实施方式

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，都属于本发明保护的范围。

本发明的核心是提供一种停车场收益分析方法及***，以达到自动分析得到停车场收益值与影响因子中各因子之间的关系，进而提高工作效率的目的。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

参考图1，示出了本发明一种停车场收益分析方法实施例1的流程图，该方法可以包括如下步骤：

步骤S100、获取停车场训练集数据；

其中，所述训练集数据包括：数值属性的收益值和分类属性的影响因子，所述影响因子至少包括：停车区域标识、附加业务标识、收费标准标识、车辆类型标识及车主相关信息；

需要特别说明的是，本发明中的停车场数据会涉及到三个数据集：停车场训练集数据、测试集数据和检验集数据，其中，停车场训练集数据和测试集数据通常采用划分的方法取自相同的停车场数据集，而检验集数据来自不同停车场数据环境。

本发明中，主要针对停车场的历史数据进行分析，将本发明提供的分析方法作为停车场报表的附加功能，也就是基于停车场管理***报表功能进行扩展，增加停车场收益分析体系；

其中，停车区域标识和附加业务标识统称停车场区域标识，停车场区域标识作为一个广泛概念，可以细分为以下两个方面:停车场所在区域，主要是指该区域的大环境，对应停车区域标识；停车场所在区域的附加服务场所，诸如超市，商场，饮食店面等，对应附加业务标识；

当然，影响因子除了上述三种因子，还可以是其它影响停车场收益值的因子，比如停车场硬件设施和环境、时间标识、优惠信息等一系列因子，其中，时间标识包括平常时间标识和节假日时间标识，本实施例仅仅是针对实际应用中影响程度较高的几个因子进行了举例，并不局限于哪一种，只要是能够影响到停车场收益值的因子都可以引入；

步骤S101、将所述训练集数据中分类属性的数据转换为数值属性的数据；

考虑到停车场数据中存在大量的分类属性，如停车场名称，区域，车辆类型，品牌等，停车场收益是数值属性，并且数值分析比较有利于提高分析速度和效率，以这个角度看，可以先通过装箱或者MDL技术对数据属性进行转换，再将所述停车场数据中分类属性的数据转换为数值属性的数据，使得数据作为输入变量进入模型，然后再使用数值预测算法建立收益模型。

步骤S102、利用数值预测算法，对转换后的训练集数据构建模型，得到收益模型，以便用户分析停车场收益与所述影响因子中各因子之间的关系。

通过收益模型解读停车场收益与单个影响因子之间的关系，参数展现各个因子的影响强度，并转换为可理解的规则形式反馈给***使用者，即得到收益模型之后，还包括：

以曲线图形式显示所述收益模型，作为停车场收益的宏观体现，并且预测未来时间段内停车场的收益值，以便分析人员通过收益模型找出停车场收益与所述影响因子中各因子之间的关系，并给出提高车场收益的合理建议供管理人员做出决策。这里需要说明的是，由于收益模型的因变量是数值数型，故一般情况下是以曲线图去描述数值的走势；

上述采用曲线图的显示方式，是为了便于更直观地展现停车场的历史收益情况和未来走势，这仅仅只是举个例子，当然，也可以采用条形图的显示方式，只是采取曲线图更容易直观地的描述收益的走势，事实上，只要是以直观、简单的方式显示，比如规则、决策树或图形等可视化形式，就都可以采用。

本发明中，考虑使用最简单且常用的线性回归算法，构建停车场收益与相关因子之间的模型，具体地，通过以下步骤对转换后的训练集数据构建模型，得到收益模型：

将所述收益值作为因变量，所述影响因子中各因子对应的数据作为自变量，利用线性回归算法，构建所述收益值与所述影响因子中各因子之间的线性表达式，得到的线性表达式为收益模型。

为了保证收益模型的准确度和通用性，在得到上述收益模型之后，还需要利用测试数据集不断地修正收益模型中的参数，直到收益模型表现良好为止，具体地，在得到收益模型之后，还包括：

利用测试集数据测试所述收益模型，直至所述收益模型的结果准确度达到预设准确度下限值；

并且，还可以利用检验集数据作为收益模型的输入产生收益预测值，根据模型预测收益值和实际收益值之间的误差判断模型在其他数据环境下的表现，当误差在设定范围内时，可忽略该误差，表明收益模型性能好，反之，则需要重新考虑利用其他算法构建模型；

其中，训练数据集和测试数据集通常由留一法从同一数据集中抽取，而检验数据集则是取自不同数据集。因为在实际应用中，收益模型在不同数据集中可能表现出不稳定性，甚至是截然相反的检验结果，只有通过不断地更改和修正模型，不断地测试并反馈，才能产生健壮的模型，这一过程可能会产生过度拟合的情况，需要利用检验数据集对模型进行检验，避免过度拟合的风险；

对于上述步骤S102中得到的收益模型，其准确度只是一个理想值，并未经过检验数据集的检验，这时，可以借助检验数据集，对最终模型进行检验，避免模型对数据集的过度依赖；

上述所述收益模型的结果准确度达到预设准确度下限值，可以认为此时收益模型表现良好，考虑到需要保障有较高的准确度，这个预设准确度下限值优选为95％，当然，在实际应用中，针对不同的用户群体，其对结果准确度的要求也不一样，这里可以由本领域技术人员依据具体情况进行设定。

停车场管理***作为停车场的软服务，近年来得到快速发展。相关新技术的应用一方面为停车场管理者提供便捷的服务，另一方面提高了行业的竞争水平。大数据技术的蓬勃发展，使得行业嗅到无限生机。从车场服务的形态及模式来看，不再是停留在传统的方式、渠道及网络资源形式，而是围绕着以消费为主线的物联化、自助化、商业化的“线上+线下”服务的挖掘为中心展开的具体应用。以停车场报表服务为例，管理者希望看到的不仅是停车场的经营状况，更加希望能够看到隐藏在数据背后的有用信息，希望借助这些信息进一步提升车场的收益，然而，目前真正提供这一功能的产品并不多。

本发明旨在扩展停车管理***的报表模块，通过数据挖掘领域的相关算法，针对停车场数据，构建停车场收益与相关影响因子的数学模型，挖掘隐藏在数据背后的商业规律，结合业务理解分析模型的现实意义，为停车场管理者提供更合理的改进策略，提高停车场的收益。

通过以上本发明提供的停车场收益分析方法中得到收益模型，用户可以方便地得到停车场收益与所述影响因子中各因子之间的关系；上述内容提供了一种全自动的基于停车场训练集数据的收益分析技术方案，达到自动分析得到停车场收益值与影响因子中各因子之间的关系，进而提高工作效率的目的。

参考图2，示出了本发明一种停车场收益分析方法实施例2的流程图，该方法可以包括如下步骤：在得到收益模型之后，还包括：

步骤S200、确定待预测的影响因子；其中，待预测的影响因子优选为对收益值影响强度较大的因子；

步骤S201、将所述待预测的影响因子代入所述收益模型，得到预测收益值。具体地，将未来某段时间内的停车场数据作为收益模型中影响因子的输入值，预测该时间段的收益值。

本发明中，所述预测收益值以报表形式显示，即停车场数据经过收益模型处理后，得到的预测收益值以报表的形式展现；

举个例子，对停车场11月份的收益情况进行了预测，得到预测收益值，比如这个预测收益值为10万，当得到11月份的实际收益值时，比如为8万，然后比较10万与8万得到相对误差为20％；比如停车场管理者等用户可以针对预测收益值与实际收益值之间的差距，利用收益模型，分析造成这种差距的具体原因，进而为停车场经营者提供针对性策略和建议，如改变停车场收费策略、设置停车场的相关硬件设施，或考虑停车场与周边商圈进行绑定服务等。

停车场管理者想要的是结果，并不在乎结果的产生过程，而结果的可读性是整个分析方法最终的环节。首先结合模型结果和业务进行分析，考虑是否同现实吻合，其次，在报表模块中以直观方式展示结果，可以采用规则，或者条形图形式描述。

参考图3，示出了本发明一种停车场收益分析方法实施例3的一种流程图，在将所述停车场数据中分类属性的数据转换为数值属性的数据之前，还包括:

步骤S300、确定所述训练集数据中的冗余数据；

具体地，通过线性相关分析确定各个因变量之间的相关程度，确定停车场数据中的冗余数据；

步骤S301、删除所述冗余数据，以实现对所述训练集数据的降维操作。

其中，降维是指减少进入模型构建阶段的影响因子的数量，因为有些因子相关性较高，对收益值的影响会出现重叠现象，需要去除这部分的因子；

由于停车场报表中数据冗杂，很多数据维度在体系中无用，如账户信息、持卡人姓名和编号都不会作为影响停车场收益的因素，事实上也是如此。另外，部分影响因子可能存在相关性，影响模型的建立。通过降维，使得影响因子更加精简，降低模型过度拟合的风险。

即使进行了降维操作，数据还需要进一步处理，去噪过程清除数据记录中的异常值和孤立点，消除因人为因素导致的异常操作而引起的垃圾数据；

参考图4，示出了本发明一种停车场收益分析方法实施例3的另一种流程图，在将所述训练集数据中分类属性的数据转换为数值属性的数据之前，还包括:

步骤S400、确定所述训练集数据中的异常值和/或孤立点；

步骤S401、删除所述异常值和/或孤立点，以实现对所述训练集数据的去噪操作。

其中，去噪指去除数据中的噪声点，即一些因错误操作保存或者是非常特殊的数据，因为这些数据只是特例，如果不去除，会对模型的准确度带来很大的影响；

本发明中，对停车场管理***的历史数据采用主成分分析(principle components analysis)，选择影响方差最大的维度作为主变量，剩余维度可考虑有选择地删除或者保留，利用k-means等聚类算法对数据进行简单过滤，删除表现异常的数据。

综上，本发明中，本实施例针对停车场数据中的冗余数据进行降维和去噪两步清除预处理，当然，优选的，在分析过程中均执行降维操作和去噪操作，以使收益模型达到充分高的准确度。

与上述本发明一种停车场收益分析方法实施例1相对应，本发明还提供一种停车场收益分析***实施例1，参考图5，该停车场收益分析***500可以包括：

数据获取单元501，用于获取停车场训练集数据；

其中，所述训练集数据包括：数值属性的收益值和分类属性的影响因子，所述影响因子至少包括：停车区域标识、附加业务标识、收费标准标识、时间标识、车辆类型标识及车主相关信息；

转换单元502，用于将所述训练集数据中分类属性的数据转换为数值属性的数据；

模型构建单元503，用于利用数值预测算法，对转换后的训练集数据构建模型，得到收益模型，以便用户分析停车场收益与所述影响因子中各因子之间的关系。

优选的，停车场收益分析***500还包括：

显示单元，用于以曲线图形式显示所述收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系，且以便分析人员直观地了解停车场过去时间段内的收益情况，并提供未来一段时间内的收益预测值。

综上，本发明主要针对停车场的历史数据进行建模，挖掘影响停车场收益的关键因素，从而为停车场经营者提供针对性策略和建议，如改变停车场收费策略、设置停车场的相关硬件设施，或考虑停车场与周边商圈进行绑定服务等。将这一分析体系作为停车场报表的附加功能，通过预处理对数据进行降维、去噪以及转换，利用数据挖掘相关算法构建停车场收益与影响因子之间的模型，加工并提炼出理性的经营策略，供停车场经营者进行决策分析。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于***类实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的停车场收益分析方法及***进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种停车场收益分析方法，其特征在于，包括：

获取停车场训练集数据；

将所述训练集数据中分类属性的数据转换为数值属性的数据；

利用数值预测算法，对转换后的训练集数据构建模型，得到收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系；

其中，所述训练集数据包括：数值属性的收益值和分类属性的影响因子，所述影响因子至少包括：停车区域标识、附加业务标识、收费标准标识、车辆类型标识及车主相关信息。

2.如权利要求1所述的方法，其特征在于，得到收益模型之后，还包括：

以曲线图形式显示所述收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系。

3.如权利要求1所述的方法，其特征在于，得到收益模型之后，还包括：

利用测试集数据测试所述收益模型，直至所述收益模型的结果准确度达到预设准确度下限值。

4.如权利要求1所述的方法，其特征在于，得到收益模型之后，还包括：

确定待预测的影响因子；

将所述待预测的影响因子代入所述收益模型，得到预测收益值。

5.如权利要求4所述的方法，其特征在于，所述预测收益值以报表形式显示。

6.如权利要求1所述的方法，其特征在于，当所述数值预测算法为线性回归算法时，通过以下步骤对转换后的训练集数据构建模型，得到收益模型：

将所述收益值作为因变量，所述影响因子中各因子作为自变量，利用线性回归算法，构建所述收益值与所述影响因子中各因子之间的线性表达式，得到的线性表达式为收益模型。

7.如权利要求1所述的方法，其特征在于，在将所述训练集数据中分类属性的数据转换为数值属性的数据之前，还包括:

确定所述训练集数据中的冗余数据；

删除所述冗余数据，以实现对所述训练集数据的降维操作。

8.如权利要求1所述的方法，其特征在于，在将所述训练集数据中分类属性的数据转换为数值属性的数据之前，还包括:

确定所述训练集数据中的异常值和/或孤立点；

删除所述异常值和/或孤立点，以实现对所述训练集数据的去噪操作。

9.一种停车场收益分析***，其特征在于，包括：

数据获取单元，用于获取停车场训练集数据；

转换单元，用于将所述训练集数据中分类属性的数据转换为数值属性的数据；

模型构建单元，用于利用数值预测算法，对转换后的训练集数据构建模型，得到收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系；

其中，所述训练集数据包括：数值属性的收益值和分类属性的影响因子，所述影响因子至少包括：停车区域标识、附加业务标识、收费标准标识、车辆类型标识及车主相关信息。

10.如权利要求9所述的***，其特征在于，还包括：

显示单元，用于以曲线图形式显示所述收益模型，以便分析人员通过所述收益模型找出停车场收益与所述影响因子中各因子之间的关系。