CN107248317A - 一种基于车牌识别***的停车场空余车位数预测方法 - Google Patents

Abstract

本发明公开了一种基于车牌识别***的停车场车位预测方法，包括：步骤1、获取停车场在场车辆数的准确历史数据：获取停车场出入口数据集，基于出口数据集提取出口数据集的有效数据，基于出口数据集的有效数据提取入口数据集的有效数据，基于出入口数据集的有效数据获取停车场在场车辆数的准确历史数据；步骤2、根据步骤1获取的准确历史数据预测停车场空余车位数。本发明剔除了人工干预、复杂环境等对停车场历史数据的干扰，获得停车场准确的历史数据。

Description

一种基于车牌识别***的停车场空余车位数预测方法

技术领域

本发明涉及车位预测技术领域，尤其涉及一种基于车牌识别***的停车场车位预测方法。

背景技术

获取传统停车场空余车位数的方法主要有：1、在停车场的每个(或多个)停车位安装一台检测设备(例如摄像机、地磁感应器、光电开关等)，通过这些检测设备得到空余车位数；2、根据停车场的出入口刷卡记录得到停车场的空余车位数。这两种方法都可以较为准确的获取停车场的空余车位数，但是都需要购买设备，加大了运营成本。

对于既没有在停车位安装检测设备，也没有在出入口安装刷卡***，仅在出入口安装车牌识别***的智能停车场而言，统计停车场内车辆数一般有两种方法：1、人工统计：每隔一段时间由人工通过某种方式统计停车场内的车辆或空车位的数量，得到此时停车场内的空余车位数；2、通过停车场出入口的车牌识别***记录的车辆信息来加减计算得到在场车辆数，由此得到停车场内空余车位数。当停车场内车位较少时，第一种方法具有一定的可行性，此方法可以得到停车场准确的历史车位数，但是当停车场内车位较多时，该方法工作量变大，使其可行性降低，而且此方法时间间隔较长不能得到每时每刻的在场车位数，因此用该方法得到停车场内准确剩余车位数的历史数据是非常困难的。第二种方法可以得到每时每刻的在场车位数，但是由于停车场出入口的复杂环境，以及人工干预等会对得到准确的在场车辆数造成干扰。

发明内容

针对上述问题中存在的不足之处，本发明提供一种基于车牌识别***的停车场空余车位数预测方法。

为实现上述目的，本发明提供一种基于车牌识别***的停车场车位预测方法，包括：

步骤1、获取停车场在场车辆数的准确历史数据：步骤11、基于出入口处的车牌识别***获取停车场入口数据集和出口数据集；

步骤12、在出口数据集中删除未记录车辆信息的无效数据，得到出口数据集的有效数据；所述出口数据集的有效数据包括车辆信息和出口时间；

步骤13、基于出口数据集的有效数据获取入口数据集的有效数据，所述入口数据集的有效数据包括车辆信息和入口时间：

将出口数据集的有效数据与入口数据集进行配对，若配对成功，则根据配对成功车辆的入口时间和出口时间获取停车时长，并采用最小二乘法得到配对成功车辆的停车时长分布曲线；若配对失败，则根据配对失败车辆的出口时间和配对成功车辆的停车时长分布曲线得到配对失败车辆的入口时间；

步骤14、基于出入口数据集的有效数据获取停车场在场车辆数的准确历史数据；

步骤2、根据步骤1获取的准确历史数据预测停车场空余车位数：

根据所述准确历史数据用神经网络先预测某时刻停车场的在场车辆数，然后由总车位数减去此时刻的在场车辆数就得到此时刻空余车位数。

作为本发明的进一步改进，在步骤2中：

所述神经网络为径向基神经网络。

作为本发明的进一步改进，还包括：

步骤3、计算停车场内“僵尸车”的数目：

“僵尸车”为一直在停车场内停放、不出停车场的车辆，在得到的停车场每个时刻在场车辆数后，计算出最大在场车辆数，该最大在场车辆数为停车场的最大有效车位数；若该停车场的最大有效车位数与总车位数相等，则该停车场没有“僵尸车”；若该停车场的最大有效车位数小于总车位数且该停车场车辆数为最大有效车位数时达到饱和，则该停车场的总车位数减去该停车场的最大有效车位数即为停车场内“僵尸车”的数目。

与现有技术相比，本发明的有益效果为：

本发明剔除了人工干预、复杂环境等对停车场历史数据的干扰，获得停车场准确的历史数据，在此基础上对空余车位数进行预测可得到准确的预测结果。

附图说明

图1为本发明一种实施例公开的基于车牌识别***的停车场车位预测方法的流程图；

图2为基于本发明的预测方法获取的某小区停车场准确车辆数的部分历史数据图；

图3为某小区停车场一周训练模型图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。

下面结合附图对本发明做进一步的详细描述：

如图1所示，本发明提供一种基于车牌识别***的停车场车位预测方法，包括：

S1、获取停车场在场车辆数的准确历史数据；

S2、根据S1获取的准确历史数据预测停车场空余车位数。

其中：S1具体包括：

S11、基于出入口处的车牌识别***获取停车场入口数据集和出口数据集，入口数据集包括车辆信息、入口时间和其它无效数据，出口数据集包括车辆信息、出口时间和其它无效数据：

基于出入口处的车牌识别***本发明将停车场入口记录的车辆数据记为停车场入口数据集，将停车场出口记录的车辆数据记为停车场出口数据集；停车场入口数据集中有多种情况，包括：(a)车辆抓拍进场，(b)车辆抓拍未进场，(c)人工放行，(d)非车辆抓拍等；停车场出口数据集包括：(a)车辆第一次抓拍出场，(b)重复抓拍(第一次识别错误或其他原因未出场重新拍照后出场)，(c)车牌无法识别或识别错误，(d)车辆在入口和出口的识别结果不一致或入口漏拍，(e)非车辆抓拍(例如人工触发抓拍、移动值班拍照等，此类数据没有记录车牌、车辆特征等车辆信息，为无效数据)等。

S12、基于出口数据集提取出口数据集的有效数据：在出口数据集中删除未记录车辆信息的无效数据即为出口数据集的有效数据：

在统计停车场在场的历史车辆数时，将停车场入口和出口中没有记录车牌、车辆特征等车辆信息的无效数据删除。然后将删除无效数据的出入口数据集进行分类，入口数据集可以分为进入停车场车辆数据和未进入停车场车辆数据两类，但是很难区分哪辆车是进入停车场的，具有不确定性；出口数据集只有出场车辆数据一类，此即为停车场出口的有效数据集，因为停车场出口有效数据集中的车辆都是从停车场入口进入停车场的，因此停车场出口有效数据集中包含的车辆数据即为停车场入口数据集中的有效车辆数据。停车场出口的有效数据集只记录了所有历史车辆出停车场的时间，因此只需要再从入口数据集中找出与这些车辆相对应的进入停车场的时间就可以得到停车场入口有效数据集，由出入口有效数据集中出入口时间统计出停车场每时每刻在场车辆数。

S13、基于出口数据集的有效数据提取入口数据集的有效数据：

以停车场出口数据集的有效数据中的所有车辆为基准，与入口数据集中的所有车辆进行配对，结果为：(a)配对成功，即在入口数据集的有效数据和出口有效数据集中都记录了同一辆车的信息；(b)配对失败，即在出口数据集的有效数据中记录了某车的信息，但在入口数据集中没有该车的信息。

配对成功车辆数据包括：(a)车辆第一次抓拍出场；(b)重复抓拍。重复抓拍的车辆数据在配对时就是多个出口时间对应同一个入口时间，那么将最后一个出口时间作为其出口时间。配对成功的车辆数据为停车场在场车辆数的第一部分有效数据(简称为第一部分有效数据)，根据所有配对成功车辆的入口时间与出口时间来获得停车场内在场车辆的停车时长，然后用最小二乘法拟合得到停车场在场车辆数的停车时长分布曲线(横轴为停车时长，纵轴为在场车辆数)。

配对失败的车辆数据包括：(a)车牌无法识别或识别错误；(b)车辆在入口和出口的识别结果不一致或入口漏拍。这部分车辆数据为停车场在场车辆数第二部分有效数据(简称为第二部分有效数据)。

第一部分有效数据和第二部分有效数据组成停车场在场车辆数总的有效数据(简称为总有效数据)，总有效数据即为准确历史车辆数，其中第一部分有效数据在总有效数据中所占比例远大于第二部分有效数据在总有效数据中所占比例。

S14、计算入口数据集中有效车辆数据的入口时间：

由于第二部分有效数据中的车辆的出入口时间及停车时长并没有受到人为干预，每个车辆的出入口时间及停车时长都是独立的，第二部分有效数据可以看做是从总有效数据中随机抽取的少量数据，因此第一部分有效数据和第二部分有效数据是独立同分布的。在统计停车场在场车位数总有效数据中车辆的出入口时间及其停车时长时可以分别统计第一部分有效数据和第二部分有效数据中车辆的出入口时间及其停车时长，其中第一部分有效数据中车辆的出入口时间和停车时长在S13中已计算得到，第二部分有效数据中车辆出口时间已知，第二部分有效数据中车辆的停车时长分布与第一部分有效数据中车辆的停车时长分布是相同的，将第二部分有效数据中所有车辆按照第一部分有效数据中车辆的停车时长分布曲线分配停车时长，得到第二部分有效数据中每辆车的停车时长，再用第二部分有效数据中车辆的出口时间减去该车的停车时长就可以得到该车进入停车场的入口时间。

S15、上面得到的第一部分有效数据和第二部分有效数据中车辆的出入口时间合并就得到总有效数据中车辆的出入口时间，然后就可以得到停车场每个时刻在场车辆的数量，即可得到停车场中在场车辆的准确历史数据。至此就完成了由具有确定性的停车场出口有效数据集得到具有不确定性的停车场入口有效数据集的过程。

S2具体包括：

S21、对停车场历史准确数据进行预处理，即对数据进行标记，可以根据数据量的大小、停车场大小、用途等进行标记，数据量大的可以进行详细标记，数据量小的可以进行简略标记，例如：周一到周日、节假日、阴晴雨雪天等，详细标记可以获得更准确的预测值；

S22、根据标记内容，对数据进行平滑，去掉一些噪声；

S23、得到停车场内在场车辆数的准确历史数据后，根据此准确历史数据用径向基神经网络先预测某时刻停车场的在场车辆数，然后由总车位数减去此时刻的车辆数就得到此时刻空余车位数。

本发明还可计算停车场内“僵尸车”的数目：

“僵尸车”为一直在停车场内停放、不出停车场的车辆，在得到的停车场每个时刻在场车辆数后，进而计算出最大在场车辆数，该最大在场车辆数为停车场的最大有效车位数；若该停车场的最大有效车位数与总车位数相等，则该停车场没有“僵尸车”；若该停车场的最大有效车位数小于总车位数且该停车场车辆数为最大有效车位数时达到饱和，则该停车场的总车位数减去该停车场的最大有效车位数即为停车场内“僵尸车”的数目。

用本发明的预测方法，获取的某小区停车场准确车辆数的部分历史数据如图2所示，一周训练模型如图3所示。

本发明提供的一种基于车牌识别***的停车场车位预测方法，剔除了人工干预、复杂环境等对停车场历史数据的干扰，获得停车场准确的历史数据，在此基础上对空余车位数进行预测可得到准确的预测结果。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于车牌识别***的停车场车位预测方法，其特征在于，包括：

步骤1、获取停车场在场车辆数的准确历史数据：步骤11、基于出入口处的车牌识别***获取停车场入口数据集和出口数据集；

步骤12、在出口数据集中删除未记录车辆信息的无效数据，得到出口数据集的有效数据；所述出口数据集的有效数据包括车辆信息和出口时间；

步骤13、基于出口数据集的有效数据获取入口数据集的有效数据，所述入口数据集的有效数据包括车辆信息和入口时间：

将出口数据集的有效数据与入口数据集进行配对，若配对成功，则根据配对成功车辆的入口时间和出口时间获取停车时长，并采用最小二乘法得到配对成功车辆的停车时长分布曲线；若配对失败，则根据配对失败车辆的出口时间和配对成功车辆的停车时长分布曲线得到配对失败车辆的入口时间；

步骤14、基于出入口数据集的有效数据获取停车场在场车辆数的准确历史数据；

步骤2、根据步骤1获取的准确历史数据预测停车场空余车位数：

根据所述准确历史数据用神经网络先预测某时刻停车场的在场车辆数，然后由总车位数减去此时刻的在场车辆数就得到此时刻空余车位数。

2.如权利要求1所述的基于车牌识别***的停车场车位预测方法，其特征在于，在步骤2中：

所述神经网络为径向基神经网络。

3.如权利要求1所述的基于车牌识别***的停车场车位预测方法，其特征在于，还包括：

步骤3、计算停车场内“僵尸车”的数目：

“僵尸车”为一直在停车场内停放、不出停车场的车辆，在得到的停车场每个时刻在场车辆数后，计算出最大在场车辆数，该最大在场车辆数为停车场的最大有效车位数；若该停车场的最大有效车位数与总车位数相等，则该停车场没有“僵尸车”；若该停车场的最大有效车位数小于总车位数且该停车场车辆数为最大有效车位数时达到饱和，则该停车场的总车位数减去该停车场的最大有效车位数即为停车场内“僵尸车”的数目。