CN108133619A - 停车场停车预测的方法、装置、存储介质及终端设备 - Google Patents

Abstract

本发明提出一种停车场停车预测的方法、装置、存储介质及终端设备，所述方法包括：接收用户终端的停车查询请求；其中，所述停车查询请求包括所述用户的停车目的地和停车时间；统计当前接收的与所述停车查询请求相同的查询请求的查询数量；从导航***中获取满足所述停车目的地的停车场信息；通过停车预测模型对所述查询数量和所述停车场信息进行计算，获得停车预测结果；以及将所述停车预测结果返回给所述用户终端。采用本发明，运营维护成本低、适用性广且预测准确度高。

Description

停车场停车预测的方法、装置、存储介质及终端设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种停车场停车预测的方法、装置、存储介质及终端设备。

背景技术

停车难是当前一二线城市车主普遍面临的出行问题，严重影响车主的出行体验。目前给车主提供停车场实时信息，主要通过在停车场布设停车硬件设备方式，采集停车场车位变化方式，然后联网将设备采集的信息传输至云端，云端再将采集到的信息同步到用户终端。

但是，目前通过硬件设备采集实时停车位信息的方式存在两个明显缺陷：

其一，硬件设备布设和运营维护成本高。为了采集实时信息，需要在停车场布置数万元的传感硬件设备，同时为了保证数据传输的质量，需要线下对这些设备进行维护，两个因素极大地限制了传感硬件设备在停车场的大面积普及。

其二，实时信息覆盖率低。目前，停车场信息实时接入线上比例不超过1％，由于铺设成本及相关市场限制，短期内相关覆盖也很难提升。

发明内容

本发明实施例提供一种停车场停车预测的方法、装置、存储介质及终端设备，以解决或缓解现有技术中的以上技术问题。

第一方面，本发明实施例提供了一种停车场停车预测的方法，包括：

接收用户终端的停车查询请求；其中，所述停车查询请求包括所述用户的停车目的地和停车时间；

统计当前接收的与所述停车查询请求相同的查询请求的查询数量；

从导航***中获取满足所述停车目的地的停车场信息；

通过停车预测模型对所述查询数量和所述停车场信息进行计算，获得停车预测结果；以及

将所述停车预测结果返回给所述用户终端。

结合第一方面，在第一方面的第一种实施方式中，所述停车预测结果包括泊位参数，以及所述方法还包括：

对于所述导航***记录的停车场，计算当前时刻所述停车场的泊位参数；

统计请求在所述当前时刻泊位于所述停车场的停车查询请求的数量；

从所述导航***中，获取在所述当前时刻之前且在预设时间阈值内所述停车场的停车场信息；

根据所述停车查询请求的数量、所述停车场信息和所述停车场的泊位参数，生成训练数据对，并更新于训练数据库；以及

根据更新后的训练数据库的训练数据，对所述停车预测模型进行训练更新。

结合第一方面，第一方面的第二种实施方式中，所述从导航***中获取满足所述停车目的地的停车场信息，包括：

从导航***中，获取以所述停车目的地为搜索信息点的导航地图信息；其中，所述导航地图信息包括以所述停车目的地的中心预设半径内的每一个停车场的停车场信息；以及

从所述导航地图信息中提取所有的停车场的停车场信息。

结合第一方面的第一种实施方式，第一方面的第三种实施方式中，所述计算当前时刻所述停车场的泊位参数，包括：

通过定位***实时统计当前时刻泊位于所述停车场的泊位数量；以及

根据统计到的泊位数量以及所述停车场的车场属性，计算获得在当前时刻泊位于所述停车场的泊位参数；其中，所述车场属性包括停车容量和访问热度。

结合第一方面的第三种实施方式，在第一方面的第四种实施方式中，所述停车场信息包括所述停车场的车场属性以及当前时刻泊位于所述停车场中的泊位数量。

结合第一方面的第三种实施方式，在第一方面的第五种实施方式中，所述方法还包括：

通过定位***，统计在所述当前时刻泊位于所述停车场的车辆的泊位过程所花的平均时长；

根据统计的平均时长，修正所述停车场的泊位参数。

结合第一方面，在第一方面的第六种实施方式中，所述停车预测模型为P＝α₁P₁+α₂P₂+α₃P₃；其中，α₁≥0,α₂≥0,α₃≥0，且α₁+α₂+α₃＝1，以及，P₁为逻辑回归算法，P₂为梯度提升决策算法，P₃为神经网络算法；α₁为所述逻辑回归算法所占的权重系数，α₂为所述梯度提升决策算法所占的权重系数，α₃为所述神经网络算法所占的权重系数。

第二方面，本发明实施例提供一种停车场停车预测的装置，包括

查询请求接收模块，用于接收用户终端的停车查询请求；其中，所述停车查询请求包括所述用户的停车目的地和停车时间；

查询数量统计模块，用于统计当前接收的与所述停车查询请求相同的查询请求的查询数量；

停车场信息获取模块，用于从导航***中获取满足所述停车目的地的停车场信息；

预测计算模块，用于通过停车预测模型对所述查询数量和所述停车场信息进行计算，获得停车预测结果；以及

结果返回模块，用于将所述停车预测结果返回给所述用户终端。

所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，停车场停车预测的结构中包括处理器和存储器，所述存储器用于存储支持停车场停车预测的装置执行上述第一方面中停车场停车预测的方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述停车场停车预测的装置还可以包括通信接口，用于停车场停车预测的装置与其他设备或通信网络通信。

第三方面，本发明实施例提供了一种计算机可读存储介质，用于停车场停车预测的装置所用的计算机软件指令，其包括用于执行上述第一方面中停车场停车预测的方法为停车场停车预测的装置所涉及的程序。

上述技术方案中的任一个技术方案具有如下优点或有益效果：

本发明实施例在接收到用户终端的停车查询请求时，即统计与该查询请求具有相同的停车目的地和停车时间的查询请求的查询数量，以及从导航***中获取满足所述停车目的地的停车场信息，然后输入这两个信息到停车预测模型中计算，获得相应的停车预测结果，进而再将停车预测结果返回给用户终端，无需布设硬件设备于停车场，只需通过导航***的信息以及训练好的停车预测模型即可进行预测计算，运营维护成本低，且由于导航***的信息实时覆盖率高，使得本发明实施例适用性广且预测准确度高。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1是本发明提供的停车场停车预测的方法的一个实施例的流程示意图；

图2是本发明提供的停车场停车预测的方法的模型训练过程的流程示意图；

图3是本发明提供的停车场停车预测的装置的一个实施例的结构示意图；

图4本发明提供的终端设备的一个实施例的结构示意图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

本发明实施例旨在通过大数据和机器学习技术，实时估计停车场的停车难度，为用户出行提供智能辅助决策。由于百度地图、高德地图以及腾讯地图等导航***是市场上常见地最大地图应用产品，是移动互联网的主要入口之一，有丰富的用户定位、出行和交通流数据，因而本发明实施例利用导航***中的地图数据，通过机器学习技术对停车场停车难度进行实时预估，能有效解决停车场实时信息覆盖率低的技术问题，以下将分实施例具体描述本发明的技术方案：

实施例一

请参阅图1，本发明实施例提供了一种停车场停车预测的方法，可以由导航***的服务器执行，也可以由其他服务器执行，包括步骤S10至步骤S50，具体如下：

S10，接收用户终端的停车查询请求；其中，该停车查询请求包括所述用户的停车目的地和停车时间。

具体地，用户终端包括但不限于手机、电脑、可穿戴设备、车载设备等，可以通过网页登录服务器发送请求，也可以通过用户终端装置的客户端软件发送请求给服务器，该客户端软件可为导航***的客户端软件。停车查询请求中的停车目的地可以是停车场也可是某一个地点名称，例如酒店、饭店、商场等。停车时间可以是一个停车时间点也可以是一个停车时间段，例如当日的12：00至13：00的停车时间段，以及，该停车时间可以是当前时刻，也可以是未来的一个时刻或时间段。

S20，统计当前接收的与停车查询请求相同的查询请求的查询数量。

在本发明实施例中，服务器会接收到多个查询请求，以及历史接收到的查询求也会进行存储，请求停车于同一停车目的地和同一停车时间的查询请求的查询数量，用于表示当前有查询数量一样数值的车辆想在该停车时间内停车于该停车目的地。

S30，从导航***中获取满足停车目的地的停车场信息。

在本发明实施例中，停车场信息包括所述停车场的车场属性以及当前时刻泊位于所述停车场中的泊位数量。停车场的车场属性包括停车容量和访问热度，在停车预测模型训练生成或更新的过程中带入停车场的其他属性，例如，建筑年代、面积大小，那么所获取的车场属性也应该包括该信息。

在停车查询请求中的停车目的地不是一个停车场时，可以通过以下操作获取：

从导航***中，获取以所述停车目的地为搜索信息点的导航地图信息；其中，所述导航地图信息包括以所述停车目的地的中心预设半径内的每一个停车场的停车场信息；以及从所述导航地图信息中提取所有的停车场的停车场信息。

需要说明的是，导航***所获取的信息均为POI信息，即导航地图信息，其包括四方面信息，名称、类别、经度纬度、附近的酒店饭店商铺等信息，则从导航***中获取停车场信息的过程，均需要通过ETL处理，即将导航***中的业务数据经过抽取、清洗转换之后加载到当前数据仓库的过程。

另外停车预测模型训练过程利用了前述的停车场信息之外，还可以包括气象信息，例如晴天、下雨、温度、空气指数等，时间信息，例如季节、星期、节假日或工作日等。可以进一步加强预测的准确度。

S40，通过停车预测模型对查询数量和停车场信息进行计算，获得停车预测结果。

在本发明实施例中，停车预测模型可以通过机器学习的方式预先生成，以及也可以因时间或更新条件的触发停车预测模型的更新，具体如图2所示，本发明实例提供的停车预测模型的模型训练更新的过程如下：

其中，可以通过以下S41至步骤S44，获取每一训练数据并更新在训练数据库中，训练数据来源于导航***，例如百度地图、高德地图或腾讯地图等导航***。

S41，对于导航***记录的任一个停车场，计算当前时刻该停车场的泊位参数。

在一个具体示例中，可以通过计算停车场的车位空闲率，判断车位空闲率是否小于空闲阈值，空闲阈值可以根据具体场景选择，然后判断是否停车困难，例如，若是车位空闲率小于空闲阈值，则判定为停车困难，设置泊位参数的数值为1，若是车位空闲率大于空闲阈值，则判定为停车容易，设置泊位参数的数值为0。以及也可以进一步结合该停车场的车场属性来进一步设置该泊位参数的数据以表示停车困难的程度。具体地对于任一个停车场均可以执行以下操作：

通过定位***实时统计当前时刻泊位于停车场的泊位数量；以及，根据统计到的泊位数量以及该停车场的车场属性，计算获得在当前时刻泊位于该停车场的泊位参数；其中，该车场属性包括停车容量和访问热度等。

在另一个具体示例中，还可以结合该停车场的停车所花时长来进一步修正泊位参数，或者直接根据该停车场的停车所花时长来判定停车困难程度进而设置泊位参数，具体地以下者为例，如下：

通过定位***，统计在当前时刻泊位于该停车场的车辆的泊位过程所花的平均时长；以及根据统计的平均时长，修正该停车场的泊位参数。

S42，统计请求在当前时刻泊位于前述停车场的停车查询请求的数量。

S43，从所述导航***中，获取在所述当前时刻之前且在预设时间阈值内前述停车场的停车场信息。

对应前述步骤S30的停车场信息所包含的信息类型，本步骤所获得的停车场信息的信息类型与其一致。其还可以包括气象信息，例如晴天、下雨、温度、空气指数等，时间信息，例如季节、星期、节假日或工作日等。可以进一步加强预测的准确度，用于生成训练数据。

S44，根据所述停车查询请求的数量、获取的停车场信息和计算的停车场的泊位参数，生成训练数据对，并更新训练数据库。

在本发明实施例中，以统计的查询数量、获取的停车场信息为输入数据，以计算出来的停车场的泊位参数为输出数据，形成训练数据对。进而可以根据以上方式大量更新训练数据对于训练数据库中。

S45，根据更新后的训练数据库的训练数据，对停车预测模型进行训练更新。

在本发明实施例中所述停车预测模型包括但不限于由逻辑回归算法、GBDT(梯度提升决策算法)、神经网络算法等其中一者或多者组合成的模型。

优选地，本发明实施例中停车预测模型为P＝α₁P₁+α₂P₂+α₃P₃；其中，α₁≥0,α₂≥0,α₃≥0，且α₁+α₂+α₃＝1，以及，P₁为逻辑回归算法，P₂为梯度提升决策算法，P₃为神经网络算法；α₁为所述逻辑回归算法所占的权重系数，α₂为所述梯度提升决策算法所占的权重系数，α₃为所述神经网络算法所占的权重系数。其中上述三个权重系数可以根据具体应用效果进行调整。

S50，将停车预测结果返回给用户终端。

由于停车目的地可以仅为一个停车场也可以为包括附近的所有停车场，所以返回的停车预测结果可以是一个停车场的泊位参数，该泊位参数用于表示该停车场的停车困难程度，例如数值越高停车越容易，数值越低停车越困难；也可以是多个停车的泊位参数，进一步地还可以根据泊位参数对每一个停车场的信息进行排序，再将排序后的停车预测结果给用户终端。用户终端可以以语音的形式反馈给用户，也可以以显示的方式反馈给用记。

实施例二

请参阅图3，本发明实施例提供一种停车场停车预测的装置，包括

查询请求接收模块10，用于接收用户终端的停车查询请求；其中，所述停车查询请求包括所述用户的停车目的地和停车时间；

查询数量统计模块20，用于统计当前接收的与所述停车查询请求相同的查询请求的查询数量；

停车场信息获取模块30，用于从导航***中获取满足所述停车目的地的停车场信息；

预测计算模块40，用于通过停车预测模型对所述查询数量和所述停车场信息进行计算，获得停车预测结果；以及

结果返回模块50，用于将所述停车预测结果返回给所述用户终端。

进一步地，所述停车预测结果包括泊位参数，以及所述装置还包括：

停车难易计算模块，用于对于所述导航***记录的停车场，计算当前时刻所述停车场的泊位参数；

第二查询统计模块，用于统计请求在所述当前时刻泊位于所述停车场的停车查询请求的数量；

第二信息获取模块，用于从所述导航***中，获取在所述当前时刻之前且在预设时间阈值内所述停车场的停车场信息；

训练数据更新模块，用于根据所述停车查询请求的数量、所述停车场信息和所述停车场的泊位参数，生成训练数据对，并更新于训练数据库；

训练更新模块，用于根据更新后的训练数据库的训练数据，对所述停车预测模型进行训练更新。

进一步地，所述停车场信息获取模块包括：

导航信息获取单元，用于从导航***中，获取以所述停车目的地为搜索信息点的导航地图信息；其中，所述导航地图信息包括以所述停车目的地的中心预设半径内的每一个停车场的停车场信息；以及

信息提取单元，用于从所述导航地图信息中提取所有的停车场的停车场信息。

进一步地，所述停车难易计算模块包括：

泊位数量统计单元，用于通过定位***实时统计当前时刻泊位于所述停车场的泊位数量；以及

计算单元，用于根据统计到的泊位数量以及所述停车场的车场属性，计算获得在当前时刻泊位于所述停车场的泊位参数；其中，所述车场属性包括停车容量和访问热度。

优选地，所述停车场信息包括所述停车场的车场属性以及当前时刻泊位于所述停车场中的泊位数量。

进一步地，所述停车难易计算模块还包括：

时长统计单元，用于通过定位***，统计在所述当前时刻泊位于所述停车场的车辆的泊位过程所花的平均时长；

修正单元，用于根据统计的平均时长，修正所述停车场的泊位参数。

优选地，所述停车预测模型为P＝α₁P₁+α₂P₂+α₃P₃；其中，α₁≥0,α₂≥0,α₃≥0，且α₁+α₂+α₃＝1，以及，P₁为逻辑回归算法，P₂为梯度提升决策算法，P₃为神经网络算法；α₁为所述逻辑回归算法所占的权重系数，α₂为所述梯度提升决策算法所占的权重系数，α₃为所述神经网络算法所占的权重系数。

所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，停车场停车预测的结构中包括处理器和存储器，所述存储器用于存储支持停车场停车预测的装置执行上述第一方面中停车场停车预测的方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述停车场停车预测的装置还可以包括通信接口，用于停车场停车预测的装置与其他设备或通信网络通信。

实施例三

本发明实施例还提供一种终端设备，如图4所示，该设备包括：存储器21和处理器22，存储器21内存储有可在处理器22上运行的计算机程序。处理器22执行所述计算机程序时实现上述实施例中的停车场停车预测的方法。存储器21和处理器22的数量可以为一个或多个。

该设备还包括：

通信接口23，用于处理器22与外部设备之间的通信。

存储器21可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

如果存储器21、处理器22和通信接口23独立实现，则存储器21、处理器22和通信接口23可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器21、处理器22及通信接口23集成在一块芯片上，则存储器21、处理器22及通信接口23可以通过内部接口完成相互间的通信。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。

本发明实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

在本发明实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于指令执行***、输入法或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种停车场停车预测的方法，其特征在于，包括：

接收用户终端的停车查询请求；其中，所述停车查询请求包括所述用户的停车目的地和停车时间；

统计当前接收的与所述停车查询请求相同的查询请求的查询数量；

从导航***中获取满足所述停车目的地的停车场信息；

通过停车预测模型对所述查询数量和所述停车场信息进行计算，获得停车预测结果；以及

将所述停车预测结果返回给所述用户终端。

2.如权利要求1所述的停车场停车预测的方法，其特征在于，所述停车预测结果包括泊位参数，以及所述方法还包括：

对于所述导航***记录的停车场，计算当前时刻所述停车场的泊位参数；

统计请求在所述当前时刻泊位于所述停车场的停车查询请求的数量；

从所述导航***中，获取在所述当前时刻之前且在预设时间阈值内所述停车场的停车场信息；

根据所述停车查询请求的数量、所述停车场信息和所述停车场的泊位参数，生成训练数据对，并更新训练数据库；以及

根据更新后的训练数据库的训练数据，对所述停车预测模型进行训练更新。

3.如权利要求1所述的停车场停车预测的方法，其特征在于，所述从导航***中获取满足所述停车目的地的停车场信息，包括：

从导航***中，获取以所述停车目的地为搜索信息点的导航地图信息；其中，所述导航地图信息包括以所述停车目的地的中心预设半径内的每一个停车场的停车场信息；以及

从所述导航地图信息中提取所有的停车场的停车场信息。

4.如权利要求2所述的停车场停车预测的方法，其特征在于，所述计算当前时刻所述停车场的泊位参数，包括：

通过定位***实时统计当前时刻泊位于所述停车场的泊位数量；以及

根据统计到的泊位数量以及所述停车场的车场属性，计算获得在当前时刻泊位于所述停车场的泊位参数；其中，所述车场属性包括停车容量和访问热度。

5.如权利要求4所述的停车场停车预测的方法，其特征在于，所述停车场信息包括所述停车场的车场属性以及当前时刻泊位于所述停车场中的泊位数量。

6.如权利要求4所述的停车场停车预测的方法，其特征在于，所述方法还包括：

通过定位***，统计在所述当前时刻泊位于所述停车场的车辆的泊位过程所花的平均时长；

根据统计的平均时长，修正所述停车场的泊位参数。

7.如权利要求1所述的停车场停车预测的方法，其特征在于，

所述停车预测模型为P＝α₁P₁+α₂P₂+α₃P₃；其中，α₁≥0,α₂≥0,α₃≥0，且α₁+α₂+α₃＝1，以及，P₁为逻辑回归算法，P₂为梯度提升决策算法，P₃为神经网络算法；α₁为所述逻辑回归算法所占的权重系数，α₂为所述梯度提升决策算法所占的权重系数，α₃为所述神经网络算法所占的权重系数。

8.一种停车场停车预测的装置，其特征在于，包括

查询请求接收模块，用于接收用户终端的停车查询请求；其中，所述停车查询请求包括所述用户的停车目的地和停车时间；

查询数量统计模块，用于统计当前接收的与所述停车查询请求相同的查询请求的查询数量；

停车场信息获取模块，用于从导航***中获取满足所述停车目的地的停车场信息；

预测计算模块，用于通过停车预测模型对所述查询数量和所述停车场信息进行计算，获得停车预测结果；以及

结果返回模块，用于将所述停车预测结果返回给所述用户终端。

9.一种实现停车场停车预测的终端设备，其特征在于，所述终端设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任一所述的停车场停车预测的方法。

10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的停车场停车预测的方法。