CN105513414A - 基于实时交通查询和云模型的停车场车位预测和推荐方法 - Google Patents

Abstract

本发明提供了基于实时交通查询和云模型的停车场车位预测和推荐方法，该方法包括实时交通查询反馈和空余泊位预测两个模块，在停车场车位预测方面既考虑了停车场空余泊位数历史规律对预测的指导意义，又顾及了泊位数的实时变化以及未来可能的变化因素，实现了短时停车场空余泊位数变化的自适应预测，同时很好地避开了噪声引起的预测误差问题，能够兼顾预测准确性和实时性的要求。本发明的方法克服了停车场车位预测中随机性、模糊性以及非线性的问题，极大地提高了预测准确性，有助于解决城市的停车难问题，并缓解交通拥堵现象，有利于均衡各停车场的泊位使用率，提高停车场泊位管理效率。

Description

基于实时交通查询和云模型的停车场车位预测和推荐方法

技术领域

本发明属于智慧城市交通***中数据挖掘和信息处理技术领域，具体涉及对城市中停车场的泊位进行预测和推荐的技术。

背景技术

私家车作为大众出行的一种交通工具，在人们的日常生活中扮演着重要的角色，极大地拓宽了人们活动的空间和半径。随着汽车保有量的急速上升，导致人们对城中停车泊位需求的急升。然而由于城中可用于停车的空间有限，出现了停车泊位严重不足的问题。随着私家车数与城中停车位数之间的差值不断拉大，常常出现由于信息不全面，导致驾驶员行驶到目的地的停车场时，该停车场已无空余车位，从而必须长时间等候停车位的出现，且由此造成了交通拥堵和周边的其他停车场尚余空闲车位的局面。空余泊位是指公共停车场内未被占用，可以用于泊车的车位。空余泊位预测是智能停车诱导***的关键技术，其预测的精度决定着停车诱导***的交通协调能力。由此可见，如能够精确的预测停车场的空余泊位信息，作为智能交通***重要组成的停车诱导***将能够对私家车的出行、交通流量规划和诱导产生积极的影响，缓解停车场的停车和周边道路的交通压力。

空余泊位预测技术能够让驾驶员提前感知和掌握停车场若干分钟后的空余泊位数的变化情况，能使驾驶员决定是否需要预定停车位等。同时使用车位预测技术可以对交通流进行调节，避免部分停车场以及相关道路过分拥挤。停车场推荐技术，现有研究主要是考虑目的地附近的天气、路况、经常在附近停车用户的停车场选择、停车场费用、距离目的地远近等因素，向驾驶员进行停车场的推荐。但这些因素不够准确，没有考虑驾驶员的个人偏好和未来停车场的空余泊位数情况。向驾驶员进行停车场的推荐和预约，可以减少驾驶员的等候时间，对交通流量进行调节。当驾驶员了解到短时间后各停车场的大致空余泊位数后，就便于驾驶员综合判断选择拥挤程度较低的停车场，从而达到对交通流进行调节的作用。此外，预先获得未来时段的停车场车位变化情况也有助于停车场的管理工作。

目前对停车场空余泊位数进行预测的方案主要有如下三类方案：1)基于神经网络预测的方法。尤其是基于BP神经网络。2)基于统计理论模型的，包括卡尔曼(Kalman)滤波预测方法、指数平滑预测方法等。3)基于非线性***理论的预测方法，包括基于小波分析的预测方法、基于混沌理论的预测方法等。

这三种方案在实际应用中都存在着不同的问题和缺陷。首先，第一种方案需要依赖对大量的历史数据进行分析，从而校验和修正相关模型的参数，计算量相当大；此外基于BP神经网络的预测方法存在收敛速度慢、容易出现震荡和陷入局部优化等缺点。其次，第二种方案在交通流量比较复杂的城市交通***，无法满足泊位、道路和交通流量等结果预测的准确性和兼顾交通流量的动态实时反馈的要求。最后，第三种方案中，基于非线性***理论的预测方法突出了交通***的非线性特征，然而却以很高的计算复杂性为代价，来获得较好的预测精确性，这影响了其在现实场景中应用的可行性。

发明内容

为解决现有技术中停车场空余泊位数预测模型中预测精度高的计算量较大，难以保证短时预测的实时性和自适应性，而简单的模型又不能很好的拟合实际泊位数，预测精度达不到控制或诱导的要求，且在对停车场的空余泊位数进行预测时存在随机性、模糊性和非线性的问题，本发明提出了基于实时交通查询和云模型的停车场车位预测和推荐方法。

为实现上述发明目的，本发明采取如下技术方案：当驾驶员利用电子地图进行路线导航时，停车场利用电子地图的API接口接收驾驶员的查询访问，然后将目的地附近停车场的当前空余泊位数和预测的驾驶员到达时间内的空余泊位数进行实时反馈和推送。此外，根据对停车场附近交通流量的监控以及停车场内空余泊位数的变化情况，向驾驶员提供停车场推荐和泊位预约功能。另外，本发明根据私家车驾驶员选择的目的地，将查询请求信息用在未来停车场空余泊位数的预测中。而使用云模型进行预测，主要是因为云模型作为定性定量转换的不确定性模型，能够充分体现语言概念的随机性和模糊性，是实现定性定量转换的有效工具，它可以结合停车场的历史数据以及当前实时的变化，预测未来停车场的空余泊位数变化趋势。

基于实时交通查询和云模型的停车场车位预测和推荐方法包括如下功能：1)接收来自驾驶员的查询请求，并根据请求信息调整停车场泊位的预测参数；2)根据当前停车场泊位的相关参数，对停车场当前的空余泊位数以及预测的空余泊位数进行计算；3)根据停车场的相关泊位情况和停车场推荐策略，向驾驶员提供停车场的推荐，并可以进行在线泊位预约等功能。该方法主要包括两个模块，一是实时交通查询反馈模块，二是空余泊位预测模块。

实时交通查询反馈模块：

步骤1-1：驾驶员在出发之前以及行驶途中可利用电子地图进行目的地的路线导航。目的地附近的停车场根据电子地图提供的LBS云服务，从“云端”接收驾驶员的查询信息，并对信息进行处理和利用。

步骤1-2：停车场方面向驾驶员提供推送信息服务，推送内容包括：当前时间驾驶员所选择的目的地附近停车场的空余泊位数；根据驾驶员的导航路线，结合其驾驶速度以及路网流量情况，估算驾驶员到达停车场的时间；在估算的驾驶员到达时间内，预测的停车场的空余泊位数。

步骤1-3：除了步骤1-2的消息推送服务之外，还向驾驶员提供了停车场的推荐和在线泊位预约功能。根据驾驶员选择的目的地，综合驾驶员停车记录中选择停车场的个人偏好、距离目的地远近、停车场费用和预测的驾驶员到达时间内的空余泊位数这四个因素，计算驾驶员选择某一停车场的概率P，向驾驶员推荐其选择概率最大的停车场。驾驶员根据自身情况，可以选择是否要进行泊位预约，预约时需选好到达时间区间并支付一定金额的预约金，若在预约时间内没有到达停车场，则取消预约车位并扣除预约金。设某一段时间里进行预约的车辆数为X，停车场内可供预约的车位总数为M。

步骤1-4：对于选择了某一目的地，但没有进行停车场车位预约的驾驶员，同样利用步骤1-3的四个因素，计算其选择某一停车场的概率P。设四个因素在概率计算中所占权重依次分别是：λ、β、γ、δ，且λ+β+γ+δ＝1，则P＝A×λ+B×β+C×γ+D×δ,其中，A＝{0,1},表示如果驾驶员停车记录中有该停车场，则A＝1，否则A＝0；其中L为该停车场距离目的地的距离，Des_min表示距离驾驶员目的地最近的停车场的距离；其中Pr为该停车场每小时的停车费用，Csot_min表示目的地附近所有停车场中每小时停车费用最低的；即D表示空余率，其中Total表示该停车场总共的泊位数，Re表示在驾驶员到达时间内预测的剩余空余泊位数。

步骤1-5：根据用户利用电子地图的查询结果(电子地图可以计算出驾驶员到达目的地的时间)，可以得到在某一时间到达某一地点的车辆数，设为N。那么在那一段时间里某一停车场的车流量Y是N辆车中选择该停车场概率P最大的车辆的总和。

空余泊位预测模块利用云模型实现对停车场空余泊位的预测，云的数字特征用Ex、En和He表征。Ex表示云滴在论域空间分布的期望，即最能够代表定性概念的点，或者说是这个概念量化的最典型样本；En代表熵，是定性概念的不确定性度量，由概念的随机性和模糊性共同决定，一方面反映了能代表这个定性概念云滴的离散程度，另一方面又是定性概念亦此亦彼性的度量，反映了论域空间中可被概念接受的云滴的取值范围，因此熵必然反映了随机性和模糊性之间的关联性；超熵He是熵的不确定性的度量，即熵的熵，反映了云的离散程度，它的大小间接地反映了云的厚度，由熵的随机性和模糊性共同决定。通过输入这三个数字特征的具体值，以及云滴的个数，通过云发生器，就能够得到一个合乎条件的云滴的分布图。因此，通过不确定性云模型，能够用定量的数值来表示要表达的定性概念的不确定性。

结合历史数据和当前停车场空余泊位数的实时变化信息，利用云模型对停车场的空余泊位数进行预测，结果设为Z，并利用基于交通实时查询反馈的信息，预测停车场未来某一时间段的空余泊位数，结果设为R，具体步骤如下：

步骤2-1：停车场空余泊位数周期变化的实时表示是由历史云来完成的，设A_i(Ex_i，En_i，He_i，i＝1，2，...，m)和B_i分别是由云模型表示的推理规则前件和后件语言变量的原子概念，则可以由前件A_i生成后件历史云B_i。

步骤2-2：停车场空余泊位数预测云的生成。将反映当前趋势的当前云I_t和历史云B_i进行惯性加权得到预测云S_i，用预测云S_i进行停车场空余泊位数的预测。

步骤2-3：在步骤2得到预测云S_i之后，与历史数据生成云模A_i一起进行停车场车位的动态预测，结果即为Z。

步骤2-4：根据步骤1-3、1-5的信息以及步骤2-3的结果，得出最终预测结果R，R＝α×Z-(1-α)×Y-X，0≤α≤1，X≤M。在此假设进行预约的车辆全部都会进入停车场停车，加权系数α利用上个星期同一时间的真实历史记录产生。将历史记录中真实的R，X，Y，Z代入上式，计算出加权系数α。

本发明与现有技术相比，具有以下优点：

利用基于电子地图查询的信息，考虑了停车场空余泊位数未来变化的可能性。而基于云模型的预测综合了模糊性、随机性以及两者之间的关联性，实现了定性概念与定量数值之间的自然转换，非常适合停车场空余泊位数的随机性和非线性性。利用云模型来预测，既考虑了停车场空余泊位数历史规律对预测的指导意义，又顾及泊位数的实时变化，实现了短时停车场空余泊位数变化的自适应预测，同时很好地避开了噪声引起的预测误差问题，能够兼顾预测精度和实时性的要求。即本发明综合考虑了停车场空余泊位数的历史数据信息、当前实时变化信息以及未来的变化信息，使得本发明的预测更加具有可信度和准确性。

本发明采用实时交通流量信息和查询信息，不仅考虑历史规律变化，也注意实时性以及未来可能变化因素，克服了停车场车位预测中随机性、模糊性以及非线性的问题，极大地提高了预测准确性，有助于解决城市的停车难问题，并缓解交通拥堵现象，有利于均衡各停车场的泊位使用率，提高停车场泊位管理效率。

附图说明

图1预测算法功能实现结构图。

图2实时推送内容模板。

图3历史云的生成。

图4一维正向云发生器。

具体实施方式

下面结合附图说明和具体实施方式对本发明的方案做进一步说明。

实施例1：

图1描述的是整个预测算法结构体系框图，包括实时交通查询反馈和空余泊位预测模块。实时交通查询反馈模块具体包括如下步骤：

步骤1-1：驾驶员在出发之前以及行驶途中均可利用电子地图进行导航，目的地附近的停车场根据电子地图提供的LBS云服务，利用电子地图的API接口，从“云端”接收驾驶员的查询访问信息，并对信息进行处理和利用。

步骤1-2：停车场将空余泊位信息实时推送给驾驶员，推送内容的模板如图2所示，主要内容包括：目的地附近的各个停车场名称，当前各个停车场空余的泊位数S，驾驶员预计到达目的地停车场的时间T(min)，在T时间后停车场可能的空余泊位数R。

步骤1-3：根据驾驶员选择的目的地，综合驾驶员停车记录中选择停车场的个人偏好、距离目的地远近、停车场费用和预测的驾驶员到达时间内的空余泊位数这四个因素，计算驾驶员选择某一停车场的概率P，向驾驶员推荐其选择概率最大的停车场。驾驶员根据自身情况，可以选择是否要进行泊位预约，预约时需选好到达时间区间并支付一定金额的预约金，若在预约时间内没有到达停车场，则取消预约车位并扣除预约金。设某一段时间里进行预约的车辆数为X，停车场内可供预约的车位总数为M。设进行预约的车辆数为X，停车场总的可供预约的车位数为M。

步骤1-4：对于选择了某一目的地，但没有进行预约的车辆，同样根据驾驶员停车记录中选择停车场的个人偏好、距离目的地远近、停车场费用和预测的驾驶员到达时间内的空余泊位数这四个因素，计算驾驶员选择某一停车场的概率P，向驾驶员推荐其选择概率最大的停车场。设四个因素在概率计算中所占权重依次分别是：λ、β、γ、δ，λ+β+γ+δ＝1，具体数值可以根据不同的停车场的实际情况，动态的调整比例变化。则P＝A×λ+B×β+C×γ+D×δ,其中，A＝{0,1},表示如果驾驶员停车记录中有该停车场，则A＝1，否则A＝0；其中L为该停车场距离目的地的距离，Des_min表示距离驾驶员目的地最近的停车场的距离；其中Pr为该停车场每小时的停车费用，Cost_min表示目的地附近所有停车场中每小时停车费用最低的；即D表示空余率，其中Total表示该停车场总共的泊位数，Re表示在驾驶员到达时间内预测的剩余空余泊位数。

步骤1-5：根据用户利用电子地图的查询结果(电子地图可以计算出驾驶员到达目的地的时间)，可以得到在某一时间到达某一地点的车辆数，设为N。那么在T时间里某一停车场的车流量Y是N辆车中选择该停车场概率P最大的车辆的总和。计算出车流量Y后，可根据停车场历史停车信息以及当前实时变化信息，利用云模型进行停车场空余泊位的预测，设预测结果为Z。

下面进一步阐明本发明中利用云模型的停车场空余泊位数的预测方法，具体步骤如下：

步骤2-1：停车场的空余泊位数的历史云模型主要是用来表示历史停车场的空余泊位数的变化，它是由时间变量t刺激X条件云发生器得到。设A_i和B_i分别是由云模型表示的推理规则前件和后件语言变量的原子概念，A_i(Ex_i,En_i,He_i,i＝1,2,…,m)由历史数据生成。图3表示历史云的生成过程。而历史云B_i的判定生成过程如下：

步骤(1)：根据A₁,…,A_i,….,A_m构造X条件发生器CG₁,…,CG_i,…,CG_m；

步骤(2)：将x＝t作为条件输入发生器，得到μ₁,…,μ_i,…,μ_m；

步骤(3)：找出最大的μ_i，则μ_i∈A_i；

步骤(4)：A_i的后件B_i为历史云。

步骤2-2：通过云发生器得到反映当前停车场空余泊位数状况的当前云I_t和历史云B_j，通过云的惯性加权得到预测云S_t。已知停车场空余泊位数历史云模型B_i(Ex₁,En₁,He₁)和停车场空余泊位数当前云模型I_t(Ex₂,En₂,He₂)，假设进行加法计算后的预测云模型为S_t(Ex,En,He)，则它们之间的数字特征满足以下公式：

$Ex=\frac{{\mathrm{Ex}}_1{\mathrm{En}}_1+{\mathrm{Ex}}_2{\mathrm{En}}_2}{{\mathrm{En}}_1+{\mathrm{En}}_2}---\left(1\right)$

En＝En₁+En₂(2)

$He=\frac{{\mathrm{He}}_1{\mathrm{En}}_1+{\mathrm{He}}_2{\mathrm{En}}_2}{{\mathrm{En}}_1+{\mathrm{En}}_2}---\left(3\right)$

云发生器(CloudGenerator,CG)即云产生算法，而云模型中最关键的算法莫过于正向云发生器以及逆向云发生器。本发明采用正向正态云发生器(ForwardNormalCloudGenerator)。正向云发生器是从定性到定量的映射，它根据云的数字特征(Ex,En,He)产生云滴，其输入为数字特征(Ex,En,He)以及所要产生的云滴的数目N，输出为每一个云滴的坐标以及其所对应的不确定度drop(x_i，μ_i)，i＝1,2,…,n，具体实现过程算法如图4所示，具体算法如下：

步骤(1)：生成以En为期望值，He²为方差的一个正态随机数En_i＝NORM(En，He²)，NORM是能够产生服从正态分布随机数的函数。

步骤(2)：生成以Ex为期望值，为方差的一个正态随机数

步骤(3)：计算 ${\mathrm{\μ}}_i=e^{\frac{-{(x_i-Ex)}^2}{2{\mathrm{En}}_i^2}}.$

步骤(4)：具有确定度μ_i的x_i成为数域中的一个云滴。

步骤(5)：重复步骤2-1到2-4N次，直到产生要求的N个云滴。

步骤2-3：在得到预测云S_t后，与历史数据生成云模A_i一起进行停车场空余泊位数预测，算法如下：

步骤(1)：输入t刺激前件云A_i的发生器CG_α，产生云滴drop(t,μ_i)。

步骤(2)：将云滴drop(t,μ_i)中的隶属程度值μ_i又刺激后件云S_i的发生器CG_s，产生云滴drop(μ_i,q)。

步骤(3)：随机地获得A_i和S_t上的两个云滴drop(t,μ_i)和drop(μ_i,q)，产生n个云滴。

步骤(4)：采用加权平均法，将作为预测值输出。

那么云模型的预测结果Z＝q。

步骤2-4：根据步骤1-3、1-5的信息以及步骤2-3的结果，整个预测的最终结果为R，R＝α×Z-(1-α)×Y-X，0≤α≤1，X≤M。在此假设进行预约的车辆全部都会进入停车场停车，加权系数α利用上个星期同一时间的真实历史记录产生。将历史记录中真实的R，X，Y，Z代入上式，计算出加权系数α。

Claims (9)

1.基于实时交通查询和云模型的停车场车位预测和推荐方法，其特征在于，该方法分为两个模块，第一个模块是实时交通查询反馈模块，第二个模块是空余泊位预测模块，所述空余泊位预测模块使用云模型进行预测，结合停车场的历史数据以及当前实时的变化，预测未来停车场的空余泊位数变化趋势。

2.根据权利要求1所述的停车场车位预测和推荐方法，其特征在于，所述实时交通查询反馈模块主要流程如下：

步骤1：驾驶员利用电子地图进行目的地的路线导航，目的地附近的停车场根据电子地图提供的LBS云服务，对驾驶员的查询信息进行处理和利用；

步骤2：停车场向驾驶员实时推送停车场泊位信息服务；

步骤3：停车场向驾驶员提供推荐和在线泊位预约服务，综合个人偏好、距离目的地远近、停车场费用、预测的空余泊位数四个因素，向驾驶员推荐其选择概率最大的停车场；

步骤4：对于选择了某一目的地，但没有进行停车场车位预约的驾驶员，综合步骤3的四个因素，计算其选择目的地附近某一停车场的概率；

步骤5：停车场根据估算出的驾驶员到达时间，依据步骤4计算出来的概率，预测在那一段时间里进入停车场的车流量。

3.根据权利要求1所述的停车场车位预测和推荐方法，其特征在于，所述空余泊位预测模块预测流程如下：

步骤1：设A_i和B_i分别是由云模型表示的推理规则前件和后件语言变量的原子概念，由前件A_i生成后件历史云B_i；

步骤2：将反映当前趋势的当前云I_t(Ex₂，En₂，He₂)和历史云B_i(Ex₁，En₁，He₁)进行惯性加权得到预测云S_i(Ex，En，He)，用预测云S_i进行停车场空余泊位数的预测；

步骤3：预测云S_i与历史数据生成云模A_i，一起进行停车场车位的动态预测，预测结果为Z；

步骤4：获取最终的预测结果R，R＝α×Z-(1-α)×Y-X，0≤α≤1，X≤M，加权系数α利用上个星期同一时间的真实历史记录产生，将历史记录中真实的R，X，Y，Z代入上式，计算出加权系数α。

4.根据权利要求2所述的停车场车位预测和推荐方法，其特征在于，所述步骤(2)中停车场推送的内容包括目的地附近的各个停车场名称，当前各个停车场空余的泊位数S，驾驶员预计到达目的地停车场的时间T(min)，在T时间后停车场可能的空余泊位数R。

5.根据权利要求2所述的停车场车位预测和推荐方法，其特征在于，所述步骤3中，驾驶员可根据自身情况选择泊位预约，预约时需选好到达时间区间并支付一定金额的预约金，若在预约时间内没有到达停车场，则取消预约车位并扣除预约金。

6.根据权利要求3所述的停车场车位预测和推荐方法，其特征在于，所述步骤1中的历史云模型由时间变量t刺激X条件云发生器得到，所述历史云B_i的判定生成过程如下：

步骤1：根据A₁,…,A_i,….,A_m构造X条件发生器CG₁,…,CG_i,…,CG_m；

步骤2：将x＝t作为条件输入发生器，得到μ₁,…,μ_i,…,μ_m；

步骤3：找出最大的μ_i，则μ_i∈A_i；

步骤4：A_i的后件B_i为历史云。

7.根据权利要求3所述的停车场车位预测和推荐方法，其特征在于，所述步骤2中，预测云模型S_t(Ex，En，He)、历史云模型B_i(Ex₁，En₁，He₁)和当前云模型I_t(Ex₂，En₂，He₂)之间的数字特征关系为：En＝En₁+En₂；

8.根据权利要求6所述的停车场车位预测和推荐方法，其特征在于，所述云发生器为正向云发生器，具体算法如下：

步骤1：生成以En为期望值，He²为方差的一个正态随机数En_i＝NORM(En，He²)，NORM是能够产生服从正态分布随机数的函数；

步骤2：生成以Ex为期望值，为方差的一个正态随机数x_i＝NORM(Ex，)；

步骤3：计算 ${\mathrm{\μ}}_i=e^{\frac{-{(x_i-Ex)}^2}{{\mathrm{zEn}}_i^2}};$

步骤4：具有确定度μ_i的x_i成为数域中的一个云滴；

步骤5：重复步骤1到4N次，直到产生要求的N个云滴。

9.根据权利要求3所述的停车场车位预测和推荐方法，其特征在于，所述步骤3停车场车位的动态预测算法如下：

步骤1：输入t刺激前件云A_i的发生器CG_a，产生云滴drop(t,μ_i)；

步骤2：将云滴drop(t,μ_i)中的隶属程度值μ_i又刺激后件云S_i的发生器CG_s，产生云滴drop(μ_i,q)；

步骤3：随机地获得A_i和S_t上的两个云滴drop(t,μ_i)和drop(μ_i,q)，产生n个云滴；

步骤4：采用加权平均法，将作为预测值输出；

云模型的预测结果Z＝q。