CN115050210B - 基于时序预测的停车场智能诱导方法、***及装置 - Google Patents
基于时序预测的停车场智能诱导方法、***及装置 Download PDFInfo
- Publication number
- CN115050210B CN115050210B CN202210634967.XA CN202210634967A CN115050210B CN 115050210 B CN115050210 B CN 115050210B CN 202210634967 A CN202210634967 A CN 202210634967A CN 115050210 B CN115050210 B CN 115050210B
- Authority
- CN
- China
- Prior art keywords
- parking lot
- parking
- destination
- initial
- berth
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006698 induction Effects 0.000 title claims abstract description 50
- 238000012163 sequencing technique Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于时序预测的停车场智能诱导方法、***及装置，方法包括基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合；通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；基于所述停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素进行排序；根据用户最终选择的有效停车场进行停车场诱导。本发明通过对有空余泊位的停车场进行加权评分，提高用户对停车场的可选择性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于时序预测的停车场智能诱导方法、***及装置。
背景技术
随着城市汽车数量的不断增长，对停车位的需求也越来大，大多情况下居民在出行时寻找车位往往会花费大量的时间，停车位置往往也距离目的地较远，这些直接影响了居民的出行便利性。
目前很多停车诱导***，会预测预计到达时间点内目的地停车场是否存在空余泊位，将有空余泊位的停车场推送给用户，但是现有方法无法给用户提供停车场的总体情况，用户往往随机选择某一个停车场，可能会出现选择的停车场停车费过高或者距离太远，对用户造成糟糕的泊车体验。
发明内容
本发明针对现有技术中的缺点，提供了一种基于时序预测的停车场智能诱导方法、***及装置。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种基于时序预测的停车场智能诱导方法，包括以下步骤：
基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合；
通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；
基于所述停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素对所有有效停车场按照评分进行排序，其中，所述排序要素至少包括停车场目的地到停车场的步行距离、停车场在预计到达时间点对应的停车费和停车场在预计到达时间点对应的空余泊位量；
根据用户最终选择的有效停车场进行停车场诱导。
作为一种可实施方式，所述基于所述停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，包括以下步骤：
获取历史停车诱导过程中用户选择的排序要素及每种排序要素对应的选择频率；
对所有排序要素进行归一化处理，得到归一化结果，并将所述选择频率作为评分权值，其中，所述选择频率为历史用户在停车诱导时选择的各个排序要素的次数占历史总停车诱导次数的比值，当用户在意向排序要素中选择一个有效停车场进行停车场诱导，则对应的排序要素的次数加一，历史总停车场诱导的次数累加一，则对应的选择频率随即发生变动；
根据所述归一化结果和所述选择频率，得到有效停车场的加权评分。
作为一种可实施方式，所述加权评分的计算公式为：
其中，Scoreb表示加权评分，b表示有效停车场，num表示排序要素的数量，pernum表示排序要素的选择频率，为归一化结果；
归一化结果表示为：
其中，为归一化结果，xnum为有效停车场每种排序要素的原始值，xmin为有效停车场集合内每种排序要素的原始最小值，xmax为有效停车场集合内每种排序要素的原始最大值，num表示排序要素的数量。
作为一种可实施方式，构建空余泊位时序预测模型，包括以下步骤：
基于获取的上一时段的历史空余泊位量，得到初始空余泊位量数据集；
对所述初始空余泊位量数据集中的元素进行数据预处理操作，得到空余泊位量数据集，其中，所述数据预处理操作包括异常数据处理操作；
采用自回归滑动平均模型构建初始空余泊位时序预测模型并进行训练，得到初始空余泊位时序预测模型；
利用信息准则方法得到滞后阶数，确定所述初始空余泊位时序预测模型的阶数，并使用极大似然估计法得到所述初始空余泊位时序预测模型的参数；
对所述初始空余泊位时序预测模型进行检验，并且当所述初始空余泊位时序预测模型的残差序列为白噪声序列，得到空余泊位时序预测模型。
作为一种可实施方式，所述对所述初始空余泊位时序预测模型进行检验，包括以下步骤：
基于平均绝对百分比误差检验模型，对预测结果进行验证，若误差结果在预设误差范围内，则初始空余泊位时序预测模型满足需求，其中，所述平均绝对百分比误差检验模型为：
其中，r为样本总数，realk为第k个样本的真实值，prek为第k个样本的预测值。
作为一种可实施方式，所述异常数据处理操作，包括以下步骤：
识别所述初始空余泊位量数据集中是否存在数值异常，其中，所述数值异常为初始空余泊位量大于停车场总泊位量或所述初始空余泊位量集合中存在缺失值；
当初始空余泊位量大于停车场总泊位量，进行第一次删除操作，得到第一空余泊位量集合；
采用基于动态阈值的算法，对所述第一空余泊位量集合中同一个时间周期内的数值建立数据队列，对所述数据队列进行异常值识别并删除，得到有效的空余泊位量集合；
当所述初始空余泊位量集合中存在缺失值时，使用二次样条插值法对所述初始空余泊位量集合中的缺失值进行填充。
作为一种可实施方式，所述基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合，包括以下步骤：
基于目的地停车场网络及预设阈值距离范围，在目的地停车场网络内筛选出初始停车场集合，其中，目的地停车场网络的构建，包括以下步骤：
对基于获取到的全市停车场的信息进行批量解析，得到目的地和停车场的经纬度坐标信息；
基于城市中场馆和停车场的经纬度坐标，使用笛卡尔积对目的地和停车场集合建立关系，得到目的地停车场网络。
一种基于时序预测的停车场智能诱导***，包括目的地停车场集合模块、停车场空余泊位预测模块、有效停车场评分模块及停车场诱导模块；
所述目的地停车场集合模块，基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合；
所述停车场空余泊位预测模块，通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；
所述有效停车场评分模块，基于所述停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素对所有有效停车场按照评分进行排序，其中，所述排序要素至少包括停车场目的地到停车场的步行距离、停车场在预计到达时间点对应的停车费和停车场在预计到达时间点对应的空余泊位量；
所述停车场诱导模块，根据用户最终选择的有效停车场进行停车场诱导。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下所述的方法步骤：
基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合；
通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；
基于所述停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素对所有有效停车场按照评分进行排序，其中，所述排序要素至少包括停车场目的地到停车场的步行距离、停车场在预计到达时间点对应的停车费和停车场在预计到达时间点对应的空余泊位量；
根据用户最终选择的有效停车场进行停车场诱导。
一种基于时序预测的停车场智能诱导装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下所述的方法步骤：
基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合；
通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；
基于所述停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素对所有有效停车场按照评分进行排序，其中，所述排序要素至少包括停车场目的地到停车场的步行距离、停车场在预计到达时间点对应的停车费和停车场在预计到达时间点对应的空余泊位量；
根据用户最终选择的有效停车场进行停车场诱导。
本发明由于采用了以上技术方案，具有显著的技术效果：
本发明通过停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对停车场进行加权评分，向用户呈现停车场当前的综合评分，并根据用户的选择进行停车诱导，提高用户的泊车体验。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明示例性方法的整体流程示意图；
图2是本发明***的整体结构示意图；
图3是停车诱导服务数据库E-R图；
图4是数据接入流程。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：
一种基于时序预测的停车场智能诱导方法，如图1所示，包括以下步骤：
S100、基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合；
S200、通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；
S300、基于所述停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素对所有有效停车场按照评分进行排序，其中，所述排序要素至少包括停车场目的地到停车场的步行距离、停车场在预计到达时间点对应的停车费和停车场在预计到达时间点对应的空余泊位量；
S400、根据用户最终选择的有效停车场进行停车场诱导。
在步骤S100中，基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合，包括以下步骤：
基于目的地停车场网络及预设阈值距离范围，在目的地停车场网络内筛选出初始停车场集合，其中，目的地停车场网络的构建，包括以下步骤：
对基于获取到的全市停车场的信息进行批量解析，得到目的地和停车场的经纬度坐标信息；
基于城市中场馆和停车场的经纬度坐标，使用笛卡尔积对目的地和停车场集合建立关系，得到目的地停车场网络。
在实际操作中有以下步骤：
如图4所示，通过城市级停车管理平台的统一数据接口，利用Requests工具和定时器定时发起申请，获取Json格式的回调数据，完成停车场基本建设信息和实时运行情况的数据接入，采用笛卡尔积形式建立目的地集合A与停车场集合B之间的关系，利用第三方地图API批量解析获取目的地坐标和停车场坐标，得到目的地停车场网络，网络中每一条边的权值为场馆a与关联停车场b之间的距离。
在步骤S200中，通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合。
在实际操作中，关于构建空余泊位时序预测模型，有以下步骤：
获取停车场上一时段的历史空余泊位量作为初始空余泊位量数据集，对数据集中的数据进行预处理操作，采用自回归滑动平均模型构建初始空余泊位时序预测模型，自回归滑动平均模型的滞后阶数p和q利用信息准则等方法确定，所述初始空余泊位时序预测模型的参数使用极大似然估计法得到，自回归滑动平均模型的使用现有时间序列数据去预测将来的值，所使用的公式为：
Ct+1＝β0+β1Ct+…+βpCt+1-p+εt+1+α1εt+…+αqεt+1-q
其中，{εt}为白噪声序列，p代表自回归部分的滞后阶数，q代表移动平均部分的滞后阶数，β为AR的系数，α为MA的系数，AR和MA为自回归滑动平均模型的特例，t为模型参数的统计量。
对数据集中的数据进行预处理操作，具体为：
识别所述初始空余泊位量数据集中是否存在数值异常，其中，所述数值异常为初始空余泊位量大于停车场总泊位量或所述初始空余泊位量集合中存在缺失值；
当初始空余泊位量大于停车场总泊位量，进行第一次删除操作，得到第一空余泊位量集合；
采用基于动态阈值的算法，对所述第一空余泊位量集合中同一个时间周期内的数值建立数据队列，对所述数据队列进行异常值识别并删除，得到有效的空余泊位量集合；
当所述初始空余泊位量集合中存在缺失值时，使用二次样条插值法对所述初始空余泊位量集合中的缺失值进行填充。
此外，在构建初始空余泊位时序预测模型之后对模型进行检验，使用平均绝对百分比误差检验模型，对预测结果进行验证，若误差结果在预设误差范围内，则初始空余泊位时序预测模型满足需求，其中，所述平均绝对百分比误差检验模型为：
其中，r为样本总数，realk为第k个样本的真实值，prek为第k个样本的预测值。
在具体实现步骤S300的过程中，获取历史停车诱导过程中用户选择的排序要素及每种排序要素对应的选择频率；对所有排序要素进行归一化处理，得到归一化结果，并将所述选择频率作为评分权值，其中，所述选择频率为历史用户在停车诱导时选择的各个排序要素的次数占历史总停车诱导次数的比值，当用户在意向排序要素中选择一个有效停车场进行停车场诱导，则对应的排序要素的次数加一，历史总停车场诱导的次数累加一，则对应的选择频率随即发生变动；根据所述归一化结果和所述选择频率，得到有效停车场的加权评分。具体可通过以下算法来实现：
获取历史停车诱导过程中用户选择的排序要素及每种排序要素对应的选择频率，将所述选择频率作为评分权值，所述排序要素至少包括行驶距离、停车费和空余泊位量，对各排序要素进行归一化处理，将排序要素压缩到[0,1]区间，使用的归一化计算公式为：
其中，Scoreb表示加权评分，b表示有效停车场，num表示排序要素的数量，pernum表示排序要素的选择频率，为归一化结果；
根据所述归一化结果和所述选择频率，得到有效停车场的加权评分，所述加权评分的计算公式为：
其中，Scoreb表示加权评分，b表示有效停车场，num表示排序要素的数量，pernum表示排序要素的选择频率，为归一化结果。
在步骤S400中，根据用户最终选择的有效停车场进行停车场诱导，在实际操作中，停车场诱导服务在后台接收目的地坐标、行车时间、周边停车场距离阈值、排序方式之后，经过计算并返回停车场名称、停车场坐标、收费价格、停车场与目的地步行距离和时间以及到达时刻空余泊位数，对用户进行停车诱导。
另外，图3为停车诱导服务数据库E-R图，所述停车场诱导服务后台数据库包括空间数据库和运行情况数据库两个部分，通过城市级停车管理平台的统一数据接口获取停车场基本信息、停车场坐标信息以及目的地坐标信息存储在空间数据库中，并构建目的地停车场网络；此外，停车场诱导服务通过定时获取停车场数据构建空余泊位时序预测模型，对到达时刻空余泊位数进行预测，获取停车场历史停车费用以及历史停车诱导过程用户对于排序要素的选择方式，计算各个排序要素的选择频率，存储在运行情况数据库中。
实施例2：
一种基于时序预测的停车场智能诱导***，如图2所示，包括目的地停车场集合模块100、停车场空余泊位预测模块200、有效停车场评分模块300及停车场诱导模块400；
所述目的地停车场集合模块100，基于停车场目的地，获取所述停车目的地在预设阈值距离范围内的初始停车场集合；
所述停车场空余泊位预测模块200，通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；
所述有效停车场评分模块300，基于所述停车场目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素对所有有效停车场按照评分进行排序，其中，所述排序要素至少包括停车场目的地到停车场的步行距离、停车场在预计到达时间点对应的停车费和停车场在预计到达时间点对应的空余泊位量；
所述停车场诱导模块400，根据用户最终选择的有效停车场进行停车场诱导。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (7)
1.一种基于时序预测的停车场智能诱导方法，其特征在于，包括以下步骤：
基于目的地，获取所述目的地在预设阈值距离范围内的初始停车场集合，具体为：基于目的地停车场网络及预设阈值距离范围，在目的地停车场网络内筛选出初始停车场集合，其中，目的地停车场网络的构建，包括：对基于获取到的全市停车场的信息进行批量解析，得到目的地和停车场的经纬度坐标信息；基于城市中场馆和停车场的经纬度坐标，使用笛卡尔积对目的地和停车场集合建立关系，得到目的地停车场网络；
通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；
基于所述目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素对所有有效停车场按照评分进行排序，其中，所述排序要素至少包括目的地到停车场的步行距离、停车场在预计到达时间点对应的停车费和停车场在预计到达时间点对应的空余泊位量，具体为，获取历史停车诱导过程中用户选择的排序要素及每种排序要素对应的选择频率；对所有排序要素进行归一化处理，得到归一化结果，并将所述选择频率作为评分权值，其中，所述选择频率为历史用户在停车诱导时选择的各个排序要素的次数占历史总停车诱导次数的比值，当用户在意向排序要素中选择一个有效停车场进行停车场诱导，则对应的排序要素的次数加一，历史总停车场诱导的次数累加一，则对应的选择频率随即发生变动；根据所述归一化结果和所述选择频率，得到有效停车场的加权评分，其中，所述加权评分的计算公式为：
其中，表示加权评分，b表示有效停车场，num表示排序要素的数量，/>表示排序要素的选择频率，/>为归一化结果；
归一化结果表示为：
其中，为归一化结果，/>为有效停车场每种排序要素的原始值，/>为有效停车场集合内每种排序要素的原始最小值，/>为有效停车场集合内每种排序要素的原始最大值，num表示排序要素的数量；
根据用户最终选择的有效停车场进行停车场诱导。
2.根据权利要求1所述的基于时序预测的停车场智能诱导方法，其特征在于，构建空余泊位时序预测模型，包括以下步骤：
基于获取的上一时段的历史空余泊位量，得到初始空余泊位量数据集；
对所述初始空余泊位量数据集中的元素进行数据预处理操作，得到空余泊位量数据集，其中，所述数据预处理操作包括异常数据处理操作；
采用自回归滑动平均模型构建初始空余泊位时序预测模型并进行训练，得到初始空余泊位时序预测模型；
利用信息准则方法得到滞后阶数，确定所述初始空余泊位时序预测模型的阶数，并使用极大似然估计法得到所述初始空余泊位时序预测模型的参数；
对所述初始空余泊位时序预测模型进行检验，并且当所述初始空余泊位时序预测模型的残差序列为白噪声序列，得到空余泊位时序预测模型。
3.根据权利要求2所述的基于时序预测的停车场智能诱导方法，其特征在于，所述对所述初始空余泊位时序预测模型进行检验，包括以下步骤：
基于平均绝对百分比误差检验模型，对预测结果进行验证，若误差结果在预设误差范围内，则初始空余泊位时序预测模型满足需求，其中，所述平均绝对百分比误差检验模型为：
其中，r为样本总数，为第k个样本的真实值，/>为第k个样本的预测值。
4.根据权利要求2所述的基于时序预测的停车场智能诱导方法，其特征在于，所述异常数据处理操作，包括以下步骤：
识别所述初始空余泊位量数据集中是否存在数值异常，其中，所述数值异常为初始空余泊位量大于停车场总泊位量或所述初始空余泊位量数据集中存在缺失值；
当初始空余泊位量大于停车场总泊位量，进行第一次删除操作，得到第一空余泊位量集合；
采用基于动态阈值的算法，对所述第一空余泊位量集合中同一个时间周期内的数值建立数据队列，对所述数据队列进行异常值识别并删除，得到有效的空余泊位量集合；
当所述初始空余泊位量数据集中存在缺失值时，使用二次样条插值法对所述初始空余泊位量数据集中的缺失值进行填充。
5.一种基于时序预测的停车场智能诱导***，其特征在于，包括目的地停车场集合模块、停车场空余泊位预测模块、有效停车场评分模块及停车场诱导模块；
所述目的地停车场集合模块，基于目的地，获取所述目的地在预设阈值距离范围内的初始停车场集合，具体为：基于目的地停车场网络及预设阈值距离范围，在目的地停车场网络内筛选出初始停车场集合，其中，目的地停车场网络的构建，包括：对基于获取到的全市停车场的信息进行批量解析，得到目的地和停车场的经纬度坐标信息；基于城市中场馆和停车场的经纬度坐标，使用笛卡尔积对目的地和停车场集合建立关系，得到目的地停车场网络；
所述停车场空余泊位预测模块，通过空余泊位时序预测模型，预测所述初始停车场集合中的停车场在预计到达时间点内是否存在空余泊位，并得到有效停车场集合；
所述有效停车场评分模块，基于所述目的地历史停车诱导过程中用于对排序要素的选择频率作为评分权值，对所有有效停车场进行加权评分，并基于用户选择的排序要素对所有有效停车场按照评分进行排序，其中，所述排序要素至少包括目的地到停车场的步行距离、停车场在预计到达时间点对应的停车费和停车场在预计到达时间点对应的空余泊位量，具体为，获取历史停车诱导过程中用户选择的排序要素及每种排序要素对应的选择频率；对所有排序要素进行归一化处理，得到归一化结果，并将所述选择频率作为评分权值，其中，所述选择频率为历史用户在停车诱导时选择的各个排序要素的次数占历史总停车诱导次数的比值，当用户在意向排序要素中选择一个有效停车场进行停车场诱导，则对应的排序要素的次数加一，历史总停车场诱导的次数累加一，则对应的选择频率随即发生变动；根据所述归一化结果和所述选择频率，得到有效停车场的加权评分，其中，所述加权评分的计算公式为：
其中，表示加权评分，b表示有效停车场，num表示排序要素的数量，/>表示排序要素的选择频率，/>为归一化结果；
归一化结果表示为：
其中，为归一化结果，/>为有效停车场每种排序要素的原始值，/>为有效停车场集合内每种排序要素的原始最小值，/>为有效停车场集合内每种排序要素的原始最大值，num表示排序要素的数量；
所述停车场诱导模块，根据用户最终选择的有效停车场进行停车场诱导。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述的基于时序预测的停车场智能诱导方法。
7.一种基于时序预测的停车场智能诱导装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述的基于时序预测的停车场智能诱导方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210634967.XA CN115050210B (zh) | 2022-06-07 | 2022-06-07 | 基于时序预测的停车场智能诱导方法、***及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210634967.XA CN115050210B (zh) | 2022-06-07 | 2022-06-07 | 基于时序预测的停车场智能诱导方法、***及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115050210A CN115050210A (zh) | 2022-09-13 |
| CN115050210B true CN115050210B (zh) | 2023-10-20 |
Family
ID=83159290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210634967.XA Active CN115050210B (zh) | 2022-06-07 | 2022-06-07 | 基于时序预测的停车场智能诱导方法、***及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115050210B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116582134B (zh) * | 2023-07-11 | 2023-10-13 | 江苏盖亚环境科技股份有限公司 | 一种钻测一体化装备数据处理方法 |
| CN116913123B (zh) * | 2023-08-14 | 2024-04-02 | 合肥工业大学智能制造技术研究院 | 一种时空一体化智慧停车诱导方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038488A (zh) * | 2017-02-25 | 2017-08-11 | 浙江大学 | 一种基于泊位预测和停车选择的停车场实时泊位预约方法 |
| CN107134170A (zh) * | 2017-07-04 | 2017-09-05 | 北京悦畅科技有限公司 | 一种停车场车位信息的处理方法和装置 |
| CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
| CN107547269A (zh) * | 2017-08-14 | 2018-01-05 | 浙江大学 | 基于farima的智能变电站通信流量阈值模型的构建方法 |
| CN108984870A (zh) * | 2018-06-29 | 2018-12-11 | 中国科学院深圳先进技术研究院 | 基于arima的冷库温湿度数据预测方法及相关产品 |
| 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 |
| 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 |
| CN111788617A (zh) * | 2018-03-06 | 2020-10-16 | 斯堪尼亚商用车有限公司 | 用于停车区域的识别的方法和控制装置 |
| CN113728212A (zh) * | 2020-03-26 | 2021-11-30 | 百度时代网络技术（北京）有限公司 | 用于自动驾驶车辆的导航路线规划方法 |
| CN114218483A (zh) * | 2021-12-16 | 2022-03-22 | 城云科技（中国）有限公司 | 停车推荐方法及其应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675651B (zh) * | 2019-09-29 | 2021-08-17 | 百度在线网络技术（北京）有限公司 | 停车场推荐方法和装置 |
-
2022
- 2022-06-07 CN CN202210634967.XA patent/CN115050210B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038488A (zh) * | 2017-02-25 | 2017-08-11 | 浙江大学 | 一种基于泊位预测和停车选择的停车场实时泊位预约方法 |
| CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
| CN107134170A (zh) * | 2017-07-04 | 2017-09-05 | 北京悦畅科技有限公司 | 一种停车场车位信息的处理方法和装置 |
| CN107547269A (zh) * | 2017-08-14 | 2018-01-05 | 浙江大学 | 基于farima的智能变电站通信流量阈值模型的构建方法 |
| CN111788617A (zh) * | 2018-03-06 | 2020-10-16 | 斯堪尼亚商用车有限公司 | 用于停车区域的识别的方法和控制装置 |
| 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 |
| CN108984870A (zh) * | 2018-06-29 | 2018-12-11 | 中国科学院深圳先进技术研究院 | 基于arima的冷库温湿度数据预测方法及相关产品 |
| 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 |
| CN113728212A (zh) * | 2020-03-26 | 2021-11-30 | 百度时代网络技术（北京）有限公司 | 用于自动驾驶车辆的导航路线规划方法 |
| CN114218483A (zh) * | 2021-12-16 | 2022-03-22 | 城云科技（中国）有限公司 | 停车推荐方法及其应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115050210A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115050210B (zh) | 基于时序预测的停车场智能诱导方法、***及装置 | |
| US11305780B2 (en) | Road condition status prediction method, device, and server, and storage medium | |
| CN110766269A (zh) | 一种任务分配方法、装置、可读存储介质及终端设备 | |
| CN111428137B (zh) | 一种电动汽车充电设施的推荐方法及推荐装置 | |
| US20200210905A1 (en) | Systems and Methods for Managing Networked Vehicle Resources | |
| EP3514738A1 (en) | Demand prediction apparatus, redistribution plan generation apparatus, user model generation apparatus | |
| CN115330357B (zh) | 智能立体车库数据管理方法、装置、设备及存储介质 | |
| CN111626648B (zh) | 查勘任务调度方法、装置、计算机设备和存储介质 | |
| GB2576312A (en) | Method and system of recommending a place to park | |
| CN113256405B (zh) | 欺诈用户集中区域的预测方法、装置、设备及存储介质 | |
| US20220327650A1 (en) | Transportation bubbling at a ride-hailing platform and machine learning | |
| CN112257936B (zh) | 一种接单区域的推荐方法、装置、电子设备及存储介质 | |
| WO2024146201A1 (zh) | 车位推荐方法、装置、车辆及存储介质 | |
| CN115330281B (zh) | 智慧城市新能源汽车充电服务方法、***、装置和介质 | |
| CN111798283A (zh) | 订单派发方法、装置、电子设备及计算机可读存储介质 | |
| CN110837903A (zh) | 一种轨道交通短期客流预测方法、***及电子设备 | |
| CN115375237A (zh) | 一种冷链物流智能管理方法、***、设备和存储介质 | |
| CN111833595B (zh) | 共享汽车辅助车辆配置方法、电子设备及存储介质 | |
| JP7260463B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
| CN112116170A (zh) | 一种自动规划上班路线的方法及装置 | |
| CN112434877A (zh) | 一种基于云计算的智慧城市数据处理方法及装置 | |
| CN113469475A (zh) | 数据处理方法、装置、存储介质和电子设备 | |
| CN117807283B (zh) | 基于大数据的停车订单分析方法和*** | |
| CN116151401B (zh) | 一种平台派单方法、装置、设备及存储介质 | |
| CN116523231A (zh) | 一种代驾订单的匹配方法、设备、装置及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |