CN107146462A - 一种停车场空闲车位数长时预测方法 - Google Patents
一种停车场空闲车位数长时预测方法 Download PDFInfo
- Publication number
- CN107146462A CN107146462A CN201710488492.7A CN201710488492A CN107146462A CN 107146462 A CN107146462 A CN 107146462A CN 201710488492 A CN201710488492 A CN 201710488492A CN 107146462 A CN107146462 A CN 107146462A
- Authority
- CN
- China
- Prior art keywords
- data
- parking stall
- stall number
- idle parking
- period
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种停车场空闲车位数长时预测方法,包括将采集到的泊车数据和相应天气数据进行数据预处理,得到空闲车位数特征数据;空闲车位特征数据归一化处理,切分为训练集和测试集,构建LSTM神经网络;确定待预测的第一个时段的上一时段空闲车位特征数据,并作为LSTM神经网络的输入神经元得到第一个时段的空闲车位数;建立空闲车位数长时预测模型,反复迭代预测,进行反归一化处理,得到停车场空闲车位数长时预测结果。本发明基于用户泊车行为特征,提出基于LSTM神经网络的空闲车位数长时预测模型,支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户,从而帮助用户选择最佳停车场,具有重要的市场价值。
Description
技术领域
本发明属于停车场预测应用技术领域,特别是一种停车场空闲车位数长时预测方法。
背景技术
我国近年来才对智能停车管理***开始使用和研究,但随着我国经济高速发展,机动车保有量也逐年上升,现代城市停车诱导管理***的发展也非常迅速,并开发出了满足大多数停车需求的智能停车诱导管理***。但是由于我国城市交通规划发展理念较为落后,无法满足不断快速变化的交通需求,同时对停车场空闲车位数以及泊车时间预测的理论研究尚处在初级阶段,缺乏实际应用。
上述理论往往只注重从城市中寻找最近的停车场以及停车场内部的车位诱导工作,没有在停车诱导之前对未来某个时刻的空余车位进行预测,往往会浪费用户的时间。目前,驾车出行已经成为人们日常出行的一种常用工具,因为停车而引起的交通问题已经成为了限制我国城市交通发张的重要影响因素,所以提供城市中各个停车场空闲车位数据预测值将是交通管理部门缓解交通拥挤的重要参考。
神经网络是建立在高级动物神经结构特征的基础上,通过模仿神经元相互通信的方式,由很多与动物神经元类似的单元相互连接而成的非线性网络结构。神经网络使用简单的数学模型对动物神经网络行为和特性进行描述,通过一定的算法使其能够模拟动物神经结构所用的智能行为,解决传统算法不能解决的非线性复杂问题。但对于停车场车位的预测技术,之前所采用的预测模型,例如经典RNN,ARIMA,都存在着预测时间段过长导致精确度明显下降的情况。本领域亟待出现更精确高效的技术方案。
发明内容
为了解决上述技术问题,本发明根据停车场空闲车位数实时性的特点,提出了基于LSTM神经网络的空闲车位数长时预测模型,提供一种停车场空闲车位数长时预测方法。
本发明提供的技术方案提供一种停车场空闲车位数长时预测方法,用于支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户,包括以下步骤:
步骤1,采集泊车数据,将采集到的泊车数据和相应天气数据进行数据预处理,得到若干星期中每天所有时段的空闲车位数特征数据,包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长和降雨量;
步骤2,空闲车位特征数据归一化处理;
步骤3,将空闲车位数特征数据切分为训练集和测试集;
步骤4,根据训练集和测试集构建LSTM神经网络;
步骤5,确定待预测的第一个时段的上一时段空闲车位特征数据包括,工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量,并作为LSTM神经网络的输入神经元;
步骤6,将输入神经元带入LSTM神经网络,根据各网络层之间的连接矩阵,得到输出神经元,输出神经元为第一个时段的空闲车位数;
步骤7,建立空闲车位数长时预测模型,反复迭代执行由第k-1个时段的特征数据作为输入神经元,预测下一阶段第k时段的空闲车位数,直至实现预测第N个时段的空闲车位数,对预测结果进行反归一化处理,得到停车场空闲车位数长时预测结果;其中,k表示当前所求时段,通常以5分钟为时段间隔,k-1表示前一个时段,N为最终的目标时段。
而且,时段的长度设为5分钟。
而且,步骤1中,对原始的泊车数据进行预先处理,包括以下子步骤,
步骤1.1,筛选排除停车场空闲车位数数据中具有异常状态的数据;
步骤1.2,筛选排除停车场空闲车位数数据中记录数少于预设相应阈值的数据;
步骤1.3,筛选排除停车场空闲车位数数据中存在若干连续时段具有相同数据的日期的数据;
步骤1.4,筛选排除不成周期性的空闲车位数数据;
步骤1.5,停车场空闲车位数插值,包括对经过以上步骤1.1~1.4的处理后剩下的数据,进行线性插值。
而且,采集泊车数据时,通过采集停车场进出车辆数据,形成动态过车数据表,实现如下,
当发现车辆进出停车场时,触发视频截图;
通过视频截图识别车牌号,并记录下进入和驶离时间;
将识别获得的数据,通过传输存储到远程的数据存储中心内,记录到动态过车数据表。
而且,为对动态过车数据表中重复记录的数据进行剔除,实现如下,
从动态过车数据表中读取车辆的进车记录,做聚类处理后导出为临时表,与进车记录做一一配对;
对进车记录按时间排序;
再次查询动态过车数据表中相应的出车记录,将同一时间段内的进车记录和出车记录进行配对,通过排序和数据剔除操作得到每一辆车的唯一对应的进出停车场记录,形成更新后的动态过车数据表。
而且,数据剔除操作的实现如下,
首先从动态过车数据表中查询出车辆的进车记录,然后寻找相应的驶离记录;
如果未找到相应的出车记录,由于出入车记录无法配对,删除该进车记录;如果寻找到相应的出车记录,则保留该记录;将重复的出入车记录对删除;
最终得到停车场相互匹配的进出车数据。
本发明提出采用LSTM神经网络方法预测停车场空闲车位数,基于用户泊车行为特征,提出基于LSTM神经网络的空闲车位数长时预测模型,支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户,从而帮助用户选择最佳停车场,方便用户出行。本发明能够提高停车位的空间使用效率,增强社会经济效益;节约城市土地资源,创造良好的社会环境,具有重要的市场价值。
附图说明
图1为本发明实施例的泊车数据采集流程图;
图2为本发明实施例的剔除动态过车表中重复出车数据流程图;
图3为本发明实施例的剔除动态过车表中不匹配的进出车数据流程图;
图4为本发明实施例的LSTM长时预测模型迭代过程图。
具体实施方式
下面结合附图与实施例,对本发明技术方案进行更详尽的说明,来实现对基于LSTM神经网络的空闲车位数预测模型的理解和应用。
由于停车场的车位具有实时变化的性质,而且不同的停车场空车位变化情况差别较大,很难以统一的数据模型进行,因此本发明提出采用LSTM神经网络来建立停车场剩余车位预测模型。
LSTM(Long Short Term Memory networks)是一种特殊类型的RNN网络,可以学***。
本发明实施例提供的一种基于LSTM神经网络的空闲车位数预测方法,包括以下步骤:
步骤1,采集泊车数据,将采集到的泊车数据和相应天气数据进行数据预处理,得到若干星期中每天所有时段的特征数据,包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量。
具体实施时,可以将每天划分为每5分钟一个时段,取某个停车场若干天的历史数据,每个时段的数据包括每个时段分别的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量。
考虑到各停车场实际采集数据的有效性,建议具体实施时,对采集的原始泊车数据进行预先处理,包括以下子步骤:
步骤1.1,筛选排除停车场空闲车位数数据中具有异常状态的数据,例如,某日期的空闲车位数最大空闲车位数与最小空闲车位数的差值过小,则不使用这一天的数据,因为这一天各个时段的空闲车位数过于稳定,有可能存在异常状态;
步骤1.2,筛选排除停车场空闲车位数数据中记录数少于预设相应阈值的数据;当少于预设的相应阈值,说明记录数过少,空值较多,该日期即使插值也会造成空闲车位数结果误差较大,因此予以排除;
步骤1.3,筛选排除停车场空闲车位数数据中存在若干连续时段具有相同数据的日期的数据;因为相同数据较多,说明该停车场在很长一段时间没有车进出或数据库更新不及时或数据记录有误,因此会对预测结果影响较大,故排除,例如某停车场某天有连续36个时段空闲车位数、进流量、出流量相同,则不采用这天的数据;
步骤1.4,筛选排除不成周期性的空闲车位数数据;一周数据应有七天,但是经过前期筛选后,可能一周数据某天被筛选掉,那么删除这一整周的数据,即保证每周数据都为七天的数据。
步骤1.5,停车场空闲车位数插值,经过以上步骤1.1~1.4的处理后,对剩下的数据,如果某天的停车场空闲车位数数据中记录数缺失在阈值范围内,例如某停车场某天有2个时段空闲车位数缺少,可以进行线性插值进行完善填补。
步骤2,空闲车位特征数据归一化处理,
归一化处理,通常是通过将输入的原始数据线性映射到[0,1]区间,公式如下,
其中,x指任意的原始数据(包括:星期几、是否节假日、所在时段、剩余车位数、进车流量、出车流量、总流量、停车时长、降雨量),xmin指原始数据中的最小值,xmax指原始数据中的最大值,X`指归一化后的数据;
步骤3,将空闲车位数特征数据切分为训练集和测试集;例如有45000个时段的数据,则按照约4:1的比例进行数据集切分,即约36000条数据作为训练集,约9000条作为测试集,但在切分过程中需保证数据周期性,某一周的七天数据需要完整的划分到训练集或测试集。
步骤4,根据训练集和测试集构建LSTM神经网络;
所述构建LSTM神经网络,具体实现可参考现有技术,为便于实施起见,提供实现过程建议如下:
步骤4.1,设置最大迭代次数T,令当前迭代次数t为0;LTSM神经网络可采用现有技术初始化,例如设置默认LSTM单元、设置Dropout层、实现多层LSTM(调用函数迭代),以及用全零来初始化状态state;
步骤4.2,计算各网络层误差信号(网络层即四个隐藏层);
步骤4.3,更新各网络层权值,包括根据反向传播中当前的导数值和误差信号并利用公式修订权值;
步骤4.4,若t≥T或采用测试集实验得到误差小于事先定义的误差阈值则结束,否则t=t+1,返回执行步骤4.1。
步骤5,确定待预测的第一个时段的上一时段空闲车位特征数据包括,工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量,并作为LSTM神经网络的输入神经元;
步骤6,将输入神经元带入LSTM神经网络,根据各网络层之间的连接矩阵,得到输出神经元,输出神经元为第一个时段的空闲车位数;
步骤7,基于空闲车位数长时预测模型,将预测出来的第一个时段的空闲车位数作为输入神经元,从而预测第二个时段的空闲车位数;将预测出来的第二个时段的空闲车位数作为输入神经元,从而预测第三个时段的空闲车位数…
反复迭代由第k-1个时段的特征数据作为输入神经元,预测下一阶段第k时段的空闲车位数,直至实现预测第N个时段的空闲车位数。其中,k表示当前所求时段,通常以5分钟为时段间隔,k-1表示前一个时段,N为最终的目标时段。具体实施时,本领域技术人员可自行预设N的取值,例如N=288。
例如,根据某天第1个时段的特征数据预测第2个特征数据,根据第2时段预测结果预测第3个特征数据,根据第2时段预测结果预测第3个特征数据,根据第3时段预测结果预测第4个特征数据…
在预测模型计算出来预测结果(即预测所得各时段的空闲车位数)之后,还需要将结果进行反归一化处理,反归一化的公式如下:
x=(xmax-xmin)×X`+xmin
其中,x指任意的原始数据,xmin指原始数据中的最小值,xmax指原始数据中的最大值,X`指归一化后的数据。
如图1所示,泊车数据采集是通过将停车场原始数据(工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量)利用现在技术手段进行采集,然后用过信息传输保存到中心数据库中,同时也为交通管理部门提供必要的交通特征数据、停车分布数据。其中主要采集停车场进出车辆数据,可以形成动态过车数据表,为准确实现采集,本发明实施例提供的进一步具体步骤如下:
步骤1.1:当发现车辆进出停车场时,触发视频截图;
步骤1.2:通过视频截图识别车牌号,并记录下进入(驶离)时间;
步骤1.3:将识别获得的数据,通过传输存储到远程的数据存储中心内,记录到动态过车数据表。
具体实施时,可以利用停车场监控平台已有的数据采集模块(摄像头等)实现视频截图识别车牌号。
为了保证数据的有效性,需要对动态过车数据表中重复记录的数据进行剔除,剔除数据中重复的出车数据流程图如图2所示。具体步骤如下:
步骤2.1:从动态过车数据表中读取车辆的进车记录,做聚类处理(优选地,将相邻记录在1分钟以内的做合并处理)后导出为临时表,便于与进车记录做一一配对;
步骤2.2.:对进车记录按时间排序;
步骤2.3:再次查询动态过车数据表中相应的出车记录,将同一时间段内(通常为5分钟为间隔)的进车记录和出车记录进行配对(左外连接),通过排序和数据剔除操作得到每一辆车的唯一对应的进出停车场记录,形成更新后的动态过车数据表。
为了保证数据的完整性,需要对这些不对称数据进行剔除操作,步骤2.3中进行剔除操作的具体流程如图3所示。具体步骤如下:
步骤3.1:首先从动态过车数据表中查询出车辆的进车记录,然后寻找相应的驶离记录;
步骤3.2:如果未找到相应的出车记录,由于出入车记录无法配对,删除该进车记录;如果寻找到相应的出车记录(有且只有一条),则保留该记录;并且将重复的出入车记录对删除;
步骤3.3:最终得到停车场相互匹配的进出车数据。
根据以上结果,相应可以统计得到任一时段的空闲车位数、进流量、出流量、总流量、平均停车时长。
如图4所示,为LSTM长时预测模型迭代过程图,基于当前时段可以预测后一个时段,基于后一个时段可以预测后两个时段,基于后二个时段可以预测后三个时段,基于后三个时段可以预测后四个时段。具体实现说明如下:
短时综合预测模型只能预测下一个时段,也就是预测五分钟后空闲车位数,这对于用户来说远远不够。当用户将到到达某地的时候,往往会查看目的地附近的停车场,但是此时附近的停车场显示的空闲车位数是当前时刻的,而用户到达该停车场的时间常常会延迟一段时间。当这段时间较长的时候,例如大于十分钟,那么用户看到的空闲车位数就会因为时效性而发生变化,从而影响用户对停车场的选择。
因此,本发明提出通过这种短时迭代的方法建立空闲车位数长时预测模型,可以预测当前时段未来任意时段的空闲车位数。
具体实施时,本发明提供的流程可采用计算机软件技术实现自动运行。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种停车场空闲车位数长时预测方法,其特征在于:用于支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户,包括以下步骤,
步骤1,采集泊车数据,将采集到的泊车数据和相应天气数据进行数据预处理,得到若干星期中每天所有时段的空闲车位数特征数据,包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长和降雨量;
步骤2,空闲车位特征数据归一化处理;
步骤3,将空闲车位数特征数据切分为训练集和测试集;
步骤4,根据训练集和测试集构建LSTM神经网络;
步骤5,确定待预测的第一个时段的上一时段空闲车位特征数据包括,工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量,并作为LSTM神经网络的输入神经元;
步骤6,将输入神经元带入LSTM神经网络,根据各网络层之间的连接矩阵,得到输出神经元,输出神经元为第一个时段的空闲车位数;
步骤7,建立空闲车位数长时预测模型,反复迭代执行由第k-1个时段的特征数据作为输入神经元,预测下一阶段第k时段的空闲车位数,直至实现预测第N个时段的空闲车位数,对预测结果进行反归一化处理,得到停车场空闲车位数长时预测结果;其中,k表示当前所求时段,通常以5分钟为时段间隔,k-1表示前一个时段,N为最终的目标时段。
2.根据权利要求1所述停车场空闲车位数长时预测方法,其特征在于:时段的长度设为5分钟。
3.根据权利要求1所述停车场空闲车位数长时预测方法,其特征在于:步骤1中,对原始的泊车数据进行预先处理,包括以下子步骤,
步骤1.1,筛选排除停车场空闲车位数数据中具有异常状态的数据;
步骤1.2,筛选排除停车场空闲车位数数据中记录数少于预设相应阈值的数据;
步骤1.3,筛选排除停车场空闲车位数数据中存在若干连续时段具有相同数据的日期的数据;
步骤1.4,筛选排除不成周期性的空闲车位数数据;
步骤1.5,停车场空闲车位数插值,包括对经过以上步骤1.1~1.4的处理后剩下的数据,进行线性插值。
4.根据权利要求1或2或3所述停车场空闲车位数长时预测方法,其特征在于:采集泊车数据时,通过采集停车场进出车辆数据,形成动态过车数据表,实现如下,
当发现车辆进出停车场时,触发视频截图;
通过视频截图识别车牌号,并记录下进入和驶离时间;
将识别获得的数据,通过传输存储到远程的数据存储中心内,记录到动态过车数据表。
5.根据权利要求4所述停车场空闲车位数长时预测方法,其特征在于:为对动态过车数据表中重复记录的数据进行剔除,实现如下,
从动态过车数据表中读取车辆的进车记录,做聚类处理后导出为临时表,与进车记录做一一配对;
对进车记录按时间排序;
再次查询动态过车数据表中相应的出车记录,将同一时间段内的进车记录和出车记录进行配对,通过排序和数据剔除操作得到每一辆车的唯一对应的进出停车场记录,形成更新后的动态过车数据表。
6.根据权利要求5所述停车场空闲车位数长时预测方法,其特征在于:数据剔除操作的实现如下,
首先从动态过车数据表中查询出车辆的进车记录,然后寻找相应的驶离记录;
如果未找到相应的出车记录,由于出入车记录无法配对,删除该进车记录;如果寻找到相应的出车记录,则保留该记录;将重复的出入车记录对删除;
最终得到停车场相互匹配的进出车数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710488492.7A CN107146462A (zh) | 2017-06-23 | 2017-06-23 | 一种停车场空闲车位数长时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710488492.7A CN107146462A (zh) | 2017-06-23 | 2017-06-23 | 一种停车场空闲车位数长时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107146462A true CN107146462A (zh) | 2017-09-08 |
Family
ID=59782287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710488492.7A Pending CN107146462A (zh) | 2017-06-23 | 2017-06-23 | 一种停车场空闲车位数长时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107146462A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107642270A (zh) * | 2017-10-12 | 2018-01-30 | 重庆电子工程职业学院 | 一种智能停车***及其工作方法 |
CN108053653A (zh) * | 2018-01-11 | 2018-05-18 | 广东蔚海数问大数据科技有限公司 | 基于lstm的车辆行为预测方法和装置 |
CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
CN108320582A (zh) * | 2018-03-30 | 2018-07-24 | 合肥城市泊车投资管理有限公司 | 一种具备剩余车位统计功能的停车管理*** |
CN108335524A (zh) * | 2018-04-03 | 2018-07-27 | 泉州市海创机械制造有限公司 | 一种智能停车机器人 |
CN108417032A (zh) * | 2018-03-19 | 2018-08-17 | 中景博道城市规划发展有限公司 | 一种城市中心区路边停车需求分析预测方法 |
CN108458716A (zh) * | 2018-02-02 | 2018-08-28 | 北京交通大学 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
CN108961816A (zh) * | 2018-07-19 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于优化lstm模型的道路停车泊位预测方法 |
CN109447164A (zh) * | 2018-11-01 | 2019-03-08 | 厦门大学 | 一种运动行为模式分类方法、***以及装置 |
CN109492808A (zh) * | 2018-11-07 | 2019-03-19 | 浙江科技学院 | 一种室内停车场剩余车位预测方法 |
CN109492817A (zh) * | 2018-11-16 | 2019-03-19 | 杭州电子科技大学 | 一种封闭区域内未来泊位需求数量短时预测方法 |
CN110288184A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 基于时空特征的城市停车场排序方法、装置、终端及介质 |
CN110363319A (zh) * | 2018-03-26 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 资源分配方法、服务器、资源申领方法和客户端 |
CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
WO2019241974A1 (zh) * | 2018-06-21 | 2019-12-26 | 深圳先进技术研究院 | 停车场的数据修补方法、装置、设备及存储介质 |
CN110751853A (zh) * | 2019-10-25 | 2020-02-04 | 百度在线网络技术(北京)有限公司 | 停车位数据的有效性识别方法和装置 |
CN111090571A (zh) * | 2019-12-18 | 2020-05-01 | 中国建设银行股份有限公司 | 信息***的维护方法、装置和计算机存储介质 |
CN112509363A (zh) * | 2020-11-13 | 2021-03-16 | 北京邮电大学 | 一种空闲车位确定方法及装置 |
CN112669474A (zh) * | 2020-12-17 | 2021-04-16 | 安徽省经建技术有限公司 | 一种基于互联网的智慧园区停车管理*** |
CN112863231A (zh) * | 2020-12-31 | 2021-05-28 | 深圳市顺易通信息科技有限公司 | 一种停车场剩余车位校准方法、***、装置及存储介质 |
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***及方法 |
CN113496625A (zh) * | 2021-08-11 | 2021-10-12 | 合肥工业大学 | 一种基于改进bp神经网络的私人停车位共享方法 |
CN113570866A (zh) * | 2021-09-24 | 2021-10-29 | 成都宜泊信息科技有限公司 | 一种停车场管理方法、***、存储介质及电子设备 |
CN113838303A (zh) * | 2021-09-26 | 2021-12-24 | 千方捷通科技股份有限公司 | 停车场推荐方法、装置、电子设备及存储介质 |
CN115050210A (zh) * | 2022-06-07 | 2022-09-13 | 杭州市城市大脑停车***运营股份有限公司 | 基于时序预测的停车场智能诱导方法、***及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
WO2017005061A1 (zh) * | 2015-07-06 | 2017-01-12 | 腾讯科技(深圳)有限公司 | 信息处理方法、客户端、服务平台和计算机存储介质 |
CN106503840A (zh) * | 2016-10-17 | 2017-03-15 | 中国科学院深圳先进技术研究院 | 停车场可用车位预测方法及*** |
CN106548254A (zh) * | 2016-11-16 | 2017-03-29 | 上海理工大学 | 一种有效停车泊位的预测方法 |
CN106846891A (zh) * | 2017-03-02 | 2017-06-13 | 浙江大学 | 一种基于序列分解的公共停车场泊位多步预测方法 |
-
2017
- 2017-06-23 CN CN201710488492.7A patent/CN107146462A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017005061A1 (zh) * | 2015-07-06 | 2017-01-12 | 腾讯科技(深圳)有限公司 | 信息处理方法、客户端、服务平台和计算机存储介质 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106503840A (zh) * | 2016-10-17 | 2017-03-15 | 中国科学院深圳先进技术研究院 | 停车场可用车位预测方法及*** |
CN106548254A (zh) * | 2016-11-16 | 2017-03-29 | 上海理工大学 | 一种有效停车泊位的预测方法 |
CN106846891A (zh) * | 2017-03-02 | 2017-06-13 | 浙江大学 | 一种基于序列分解的公共停车场泊位多步预测方法 |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107642270A (zh) * | 2017-10-12 | 2018-01-30 | 重庆电子工程职业学院 | 一种智能停车***及其工作方法 |
CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
CN108053653A (zh) * | 2018-01-11 | 2018-05-18 | 广东蔚海数问大数据科技有限公司 | 基于lstm的车辆行为预测方法和装置 |
CN108458716A (zh) * | 2018-02-02 | 2018-08-28 | 北京交通大学 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
CN108417032A (zh) * | 2018-03-19 | 2018-08-17 | 中景博道城市规划发展有限公司 | 一种城市中心区路边停车需求分析预测方法 |
CN110363319A (zh) * | 2018-03-26 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 资源分配方法、服务器、资源申领方法和客户端 |
CN110363319B (zh) * | 2018-03-26 | 2023-09-29 | 阿里巴巴集团控股有限公司 | 资源分配方法、服务器、资源申领方法和客户端 |
CN108320582A (zh) * | 2018-03-30 | 2018-07-24 | 合肥城市泊车投资管理有限公司 | 一种具备剩余车位统计功能的停车管理*** |
CN108320582B (zh) * | 2018-03-30 | 2020-01-24 | 合肥城市泊车投资管理有限公司 | 一种具备剩余车位统计功能的停车管理*** |
CN108335524A (zh) * | 2018-04-03 | 2018-07-27 | 泉州市海创机械制造有限公司 | 一种智能停车机器人 |
CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
WO2019241974A1 (zh) * | 2018-06-21 | 2019-12-26 | 深圳先进技术研究院 | 停车场的数据修补方法、装置、设备及存储介质 |
US11295619B2 (en) | 2018-06-21 | 2022-04-05 | Shenzhen Institutes Of Advanced Technology | Parking lot data repair method and apparatus, device and storage medium |
CN108961816A (zh) * | 2018-07-19 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于优化lstm模型的道路停车泊位预测方法 |
CN109447164B (zh) * | 2018-11-01 | 2019-07-19 | 厦门大学 | 一种运动行为模式分类方法、***以及装置 |
CN109447164A (zh) * | 2018-11-01 | 2019-03-08 | 厦门大学 | 一种运动行为模式分类方法、***以及装置 |
CN109492808B (zh) * | 2018-11-07 | 2022-03-29 | 浙江科技学院 | 一种室内停车场剩余车位预测方法 |
CN109492808A (zh) * | 2018-11-07 | 2019-03-19 | 浙江科技学院 | 一种室内停车场剩余车位预测方法 |
CN109492817A (zh) * | 2018-11-16 | 2019-03-19 | 杭州电子科技大学 | 一种封闭区域内未来泊位需求数量短时预测方法 |
CN110288184A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 基于时空特征的城市停车场排序方法、装置、终端及介质 |
CN110751853A (zh) * | 2019-10-25 | 2020-02-04 | 百度在线网络技术(北京)有限公司 | 停车位数据的有效性识别方法和装置 |
CN110751853B (zh) * | 2019-10-25 | 2021-05-18 | 百度在线网络技术(北京)有限公司 | 停车位数据的有效性识别方法和装置 |
CN111090571A (zh) * | 2019-12-18 | 2020-05-01 | 中国建设银行股份有限公司 | 信息***的维护方法、装置和计算机存储介质 |
CN111090571B (zh) * | 2019-12-18 | 2024-01-23 | 中国建设银行股份有限公司 | 信息***的维护方法、装置和计算机存储介质 |
CN112509363A (zh) * | 2020-11-13 | 2021-03-16 | 北京邮电大学 | 一种空闲车位确定方法及装置 |
CN112509363B (zh) * | 2020-11-13 | 2021-12-07 | 北京邮电大学 | 一种空闲车位确定方法及装置 |
CN112669474A (zh) * | 2020-12-17 | 2021-04-16 | 安徽省经建技术有限公司 | 一种基于互联网的智慧园区停车管理*** |
CN112863231A (zh) * | 2020-12-31 | 2021-05-28 | 深圳市顺易通信息科技有限公司 | 一种停车场剩余车位校准方法、***、装置及存储介质 |
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***及方法 |
CN113223291B (zh) * | 2021-03-19 | 2023-10-20 | 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***及方法 |
CN113496625A (zh) * | 2021-08-11 | 2021-10-12 | 合肥工业大学 | 一种基于改进bp神经网络的私人停车位共享方法 |
CN113570866B (zh) * | 2021-09-24 | 2021-12-21 | 成都宜泊信息科技有限公司 | 一种停车场管理方法、***、存储介质及电子设备 |
CN113570866A (zh) * | 2021-09-24 | 2021-10-29 | 成都宜泊信息科技有限公司 | 一种停车场管理方法、***、存储介质及电子设备 |
CN113838303A (zh) * | 2021-09-26 | 2021-12-24 | 千方捷通科技股份有限公司 | 停车场推荐方法、装置、电子设备及存储介质 |
CN113838303B (zh) * | 2021-09-26 | 2023-04-28 | 千方捷通科技股份有限公司 | 停车场推荐方法、装置、电子设备及存储介质 |
CN115050210A (zh) * | 2022-06-07 | 2022-09-13 | 杭州市城市大脑停车***运营股份有限公司 | 基于时序预测的停车场智能诱导方法、***及装置 |
CN115050210B (zh) * | 2022-06-07 | 2023-10-20 | 杭州市城市大脑停车***运营股份有限公司 | 基于时序预测的停车场智能诱导方法、***及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107146462A (zh) | 一种停车场空闲车位数长时预测方法 | |
CN107103758B (zh) | 一种基于深度学习的城市区域交通流量预测方法 | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN109872535A (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN109214863B (zh) | 一种基于快递数据预测城市房屋需求的方法 | |
CN111507762A (zh) | 基于多任务共预测神经网络的城市出租车需求预测方法 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
Chen et al. | Development of opportunity-based accessibility indicators | |
CN116824861B (zh) | 基于城市大脑平台多维数据的共享单车调度方法和*** | |
CN115936240B (zh) | 共享单车需求预测与投放调度方法 | |
US20230057564A1 (en) | Methods for managing cleaning routes in smart cities, internet of things systems, and storage mediums | |
CN109800908A (zh) | 基于lstm模型的信号交叉口运行状态预测方法和*** | |
CN111915076A (zh) | 一种利用人工智能神经网络实现景区观景人员预测的方法 | |
CN115660138A (zh) | 一种维修工单时空调度优化方法以及相关装置 | |
Xi et al. | Hmdrl: Hierarchical mixed deep reinforcement learning to balance vehicle supply and demand | |
CN117391257A (zh) | 一种道路拥堵情况的预测方法及装置 | |
CN113537596A (zh) | 一种城市轨道交通新线站点短时客流预测方法 | |
CN116797126A (zh) | 一种基于双层规划的农村末端物流选址-路径规划方法 | |
CN110619422A (zh) | 一种智能车站客流状况预测方法和*** | |
Jiao et al. | Multi-step traffic flow prediction method based on the Conv1D+ LSTM | |
CN115146840A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170908 |
|
RJ01 | Rejection of invention patent application after publication |