CN115995149A - 一种基于多源数据的停车供需特征动态评估方法及*** - Google Patents

一种基于多源数据的停车供需特征动态评估方法及*** Download PDF

Info

Publication number
CN115995149A
CN115995149A CN202211579767.5A CN202211579767A CN115995149A CN 115995149 A CN115995149 A CN 115995149A CN 202211579767 A CN202211579767 A CN 202211579767A CN 115995149 A CN115995149 A CN 115995149A
Authority
CN
China
Prior art keywords
parking
data
time
vehicle
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
Application number
CN202211579767.5A
Other languages
English (en)
Inventor
苏跃江
李晓玉
***
袁敏贤
谭静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Transportation Research Institute Co ltd
Original Assignee
Guangzhou Transportation Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Transportation Research Institute Co ltd filed Critical Guangzhou Transportation Research Institute Co ltd
Priority to CN202211579767.5A priority Critical patent/CN115995149A/zh
Publication of CN115995149A publication Critical patent/CN115995149A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于多源数据的停车供需特征动态评估方法及***，该法为：划分停车小区，确定各停车小区的停车资源总供给量；清洗获取的样本停车场的车辆进出数据，获取停车场泊位占用率指标；基于停车普查数据中各停车场的类型分布与用地特征数据，利用周边相同类型与用地性质的样本停车场的泊位占用率指标，推算各停车小区已占用停车泊位规模；对道路高清卡口数据和停车运营数据进行融合分析，判别获取停车小区各时段出行OD，研判各时段h在各停车小区的车辆停车需求；绘制停车供需时变曲线图，测算供需评价指标，综合评价各区域各时段停车的供需情况。该法动态识别对象区域供需时变特征，评估分析区域供需特性，为区域停车策略优化提供参考。

Description

一种基于多源数据的停车供需特征动态评估方法及***
技术领域
本发明涉及交通管理领域，更具体，涉及一种基于多源数据的停车供需特征动态评估方法及***。
背景技术
随着经济的持续快速发展和机动车数量的不断攀升，城市停车供需矛盾逐年突出，“停车难”问题已成为各大城市迫切需要解决的民生问题。缓解城市停车难题，必须精准识别与分析城市现状停车供需的矛盾特性，包括停车规模、时空分布等特征。现实中很难通过汇聚区域中所有不同类型的停车场数据去进行停车供需特性分析，实践中传统依赖人工调查采集或者接入部分智慧停车***数据的方式，以进行停车供需特性分析，但这种方式存在精度较低以及不可持续等缺陷。因此，基于多源时空数据融合与分析技术，利用停车设施普查数据、道路高清卡口数据以及不同区域不同类型停车场分布特征数据，结合部分可获取的样本停车场进出数据，动态识别对象区域时变供需规模与时空分布特征，评估分析区域停车供需特性，为区域停车策略优化提供参考，是本发明研究的重点和目的所在。
目前受制于现状停车需求数据源的局限性，对停车供需特征的研究集中在两个方面：一方面，通过现状居民出行调查或其他停车特征抽样调查，估计对象区域某个时间点的停车供需规模与分布特征，但受调查时间点及调查样本量的限制，在持续性、全面性方面存在缺陷。另一方面，随着智慧停车数据采集***的建立，部分研究得以通过平台介入的停车场动态数据，可以进行细致连续的停车时变特征分析，但受停车场数据样本量的限制，在区域评估的全面性方面存在缺陷。近年来，已有学者尝试利用车牌识别数据分析区域停车需求，很大程度解决了传统停车数据源样本量、时空精度不足带来的问题，但研究局限于时变停车需求，对时变供需匹配性情况的研究不足，缺乏对区域停车供需时变特征的识别与评估的总体考量。
陈峻等总结了停车需求预测模型，提出了静态交通发生率的模型及求解算法；聂婷婷等结合停车设施调查现状数据，运用出行吸引量模型进行需求预测，开展停车供需差距分析；关宏志等基于停车抽样调查数据，利用Logit模型进行了基于个体的停车分析，并利用SP调查数据进行了价格敏感性分析；崔宏海等以交通调查数据为基础进行停车需求预测及供需分析。以上对停车供需特征的识别与评估，主要为基于传统调查的停车需求预测评估，是对对象区域某个时间点停车供需的静态识别与分析，评估持续性与全面性不足。
徐本营等提出了采用交通小区和地块对停车设施供需问题的方法；唐克双等利用停车泊位检测数据，基于BP神经网络等方法进行了停车场泊位占用率的时变特征分析；李林波等等基于某对象停车场历史数据，采用生存分析的方法建立了夜间停车需求预测模型，从微观层面估计车辆停放时段、时长等特征。以上利用平台介入的停车场动态数据进行连续的停车时变特征分析，但受停车场数据样本量的限制，停车场供需特征的分析与评估局限在单个停车场或部分停车场，区域整体评估存在缺陷。
余杰等基于道路卡口监控视频的车牌轨迹识别法来测算停车需求；沙志仁提出一种基于道路卡口数据的停车需求分析方法；马晓甦等利用交通卡口等多元数据，提出一套目标区域停车需求估计以及时空特征模式识别的方法；昝雨尧等结合道路卡口的车牌识别数据、停车场进出车辆数据与出租汽车卫星定位数据，提出基于GBDT算法的停车行为识别方法。以上利用道路卡口的车牌识别数据估计停车需求的方法解决了传统停车数据源样本量不足、无法获取时变特征的问题，但其相关研究注重于停车需求时变特征的识别与评估，缺乏车位供给时变特征的分析，无法全面反映区域供需矛盾特性。
发明内容
为了克服现有技术的不足，本发明首先提出一种基于多源数据的停车供需特征动态评估方法，该方法动态识别对象区域供需时变特征，评估分析区域供需特性，为区域停车策略优化提供参考。
本发明还提出一种基于多源数据的停车供需特征动态评估***。
一种基于多源数据的停车供需特征动态评估方法，包括以下步骤：
STEP1：划分停车小区，确定每个停车小区的停车资源总供给量；
STEP2：清洗获取的样本停车场的车辆进出数据，获取样本停车场泊位占用率指标；
STEP3：基于停车普查数据中各停车场的类型分布与用地特征数据，利用周边相同类型与用地性质的样本停车场的泊位占用率指标，推算各停车小区已占用停车泊位规模；
STEP4：对道路高清卡口数据和停车运营数据进行融合分析，判别获取停车小区各时段出行OD，研判各时段h在各停车小区的车辆停车需求；
STEP5：绘制停车供需时变曲线图，测算供需评价指标，综合评价各区域各时段停车的供需情况。
优选的，所述STEP 1，划分停车小区确定每个停车小区的停车资源总供给量的具体实现过程为：
将目标城市区域划分为若干个停车小区，基于全市停车资源普查数据，分析获取各停车小区内部各类型停车场的泊位空间分布数据；将第i个停车小区的第j个停车场的信息序列标记为Pij，Pij＝{Locationij,Typeij,Landij,Numij}，其中，Locationij为停车场的位置；Typeij为停车场的类型，Typeij＝[1,2，3]，1代表建筑配建停车场、2代表社会公共停车场、3代表路内停车场；Landij为停车场的用地性质，Landij＝[1,2,3,4,5]，1代表居住、2代表办公、3代表商业、4代表公共服务、5代表休闲娱乐；Numij为停车场的泊位总数。
优选的，所述STEP 2中清洗获取的样本停车场的车辆进出数据，其具体实现过程为：
样本停车数据包括社会停车数据和路内停车数据，其中社会停车数据主要为建筑物配建停车场和公共停车场的收费数据；路内停车数据包括高位视频收费数据和POS机收费数据；
社会停车数据清洗是对车辆V在样本停车场Pij的多次出入场信息进行数据拼接、清洗、判断匹配，获取车辆V在样本停车场Pij的出入场信息的步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对多条停车数据进行拼接，形成车辆出入场信息序列
Figure BDA0003983798260000031
Figure BDA0003983798260000032
分别表示车辆V的第n次进场时间和第n次出场时间；
2)分别对出入场序列中的进场时间序列、出场时间序列进行去重、剔除空值处理；
3)按照时间对进场时间序列、出场时间序列进行排序，匹配后分解为多条进出场停车数据
Figure BDA0003983798260000033
路内停车数据清洗包括对高位视频收费数据清洗和POS机收费数据清洗；
其中高位视频收费数据清洗：高位视频收费数据是通过高位视频记录每个泊位车辆进场、出场的时间，获得计时收费数据；数据清洗具体步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对停车数据按照进出场时间进行排序；
2)利用高位视频拍摄最大误差间隔，剔除批量进场、出场导致的异常数据；设定Tg为高位视频拍摄最大误差间隔，若
Figure BDA0003983798260000041
则判定数据异常，第n条与第n+1条进出场停车数据为同一次停车记录，将第n条和第n+1条进出场停车数据合并为
Figure BDA0003983798260000042
POS机收费数据清洗：POS机收费数据是通过POS机收费***记录车辆在收费时段的停车时长，获得的计时收费数据；该数据清洗具体步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对停车数据按照进出场时间进行排序；
2)结合停车场收费时间和收费***最大误差间隔，判断、补全车辆的进出场停车数据；设定停车场开始收费时间为hs、停止收费时间为he，POS收费***最大误差间隔为Ts，根据时间逻辑存在以下三种判定、补全情况：
①
Figure BDA0003983798260000043
且
Figure BDA0003983798260000045
则判定车辆在该停车场通宵过夜，将第n条和第n+1条出入场停车数据为同一次停车记录，车辆进出场停车数据拼接为
Figure BDA0003983798260000046
②
Figure BDA0003983798260000047
或无下一条停车数据，则判定车辆在非收费时段出场，车辆实际出场时间标记为
Figure BDA0003983798260000048
车辆进出场停车数据为
Figure BDA0003983798260000049
③
Figure BDA00039837982600000410
或无上一条停车数据、
Figure BDA00039837982600000411
则判定车辆在非收费时段进场，车辆实际进场时间标记为
Figure BDA00039837982600000412
车辆进出场停车数据为
Figure BDA00039837982600000413
优选的，所述STEP 2中样本停车场各时段泊位占用率的计算过程为：
利用清洗后的停车数据，统计样本停车场时段h的泊位占用量Mij，h和占用率Rij，h指标；泊位占用率计算步骤如下：
1)若
Figure BDA00039837982600000414
则判定车辆V在时段h在样本停车场Pij停放；
2)统计样本停车场Pij在时段h停放的车辆总数，即为泊位占用量Mij,h；
3)计算泊位占用率Rij,h，Rij,h＝Mij,h/Numij；
由于路内停车数据存在非收费时段进出场时间无法准确推断的情况，其非收费时段的泊位占用率指标的推断结果偏小。
优选的，所述STEP 3中推算初始时段停车小区泊位占用规模的过程为：
选取初始时段，利用初始时段h＝0的样本停车场泊位占用率推算停车小区泊位占用量；具体步骤如下：
1)选取初始时段
绘制样本停车场进出场泊位占用率时变分布图，选取总体趋势良好、出行车辆少、停车行为稳定的时段作为初始时段，同时避免选择路内停车的非收费时段作为初始时段；样本停车场的信息序列表示为Pij＝{Locationij,Typeij,Landij,Numij,Mij,h,Rij,h}；
2)推断非样本停车场初始时段泊位占用率
设定停车小区内同类型、同用地性质的停车场泊位利用均衡，非样本停车场的初始时段泊位利用率为其周边距离l范围内的同类型、同用地性质的停车泊位的平均值为：
Figure BDA0003983798260000051
其中，Rij，0为样本停车场的初始时段泊位利用率，
Figure BDA0003983798260000052
为样本停车场周边距离l范围内同类型、同用地性质停车场的泊位利用率的平均值；
3)计算各停车场初始时段泊位占用量
第i个停车小区、第j个停车场初始时段的泊位占用量Mij,0＝Rij,0×Numij；
4)计算停车小区初始时段的泊位占用量
①第i个停车小区的泊位总供给量：
Figure BDA0003983798260000053
②第i个停车小区初始时段的泊位占用量：
Figure BDA0003983798260000054
优选的，所述STEP 4，研判停车小区各时段行驶车辆停车需求，其具体过程为：
对道路高清卡口和停车运营数据进行融合，判别获取区域各时段停车小区出行OD，研判区域各时段行驶车辆停车需求；具体步骤如下：
1)获取卡口感知序列；对卡口数据进行预处理，去除车牌、卡口点位、过车时间这些信息完全一致的记录；去除同一车辆在同一卡口的相邻记录时间小于60秒的记录；去除异常车牌、无牌此类识别结果记录；去除相邻卡口之间的空间移动速度大于路网最大车速阈值的异常数据；提取车辆V的卡口感知序列
Figure BDA0003983798260000063
其中，Kv,q为车辆V第q次被检测的卡口名称，Tv,q为车辆V第q次被卡口检测的时间，mk为被卡口检测的总次数；
2)停车数据转化为停车感知序列；将样本停车场清洗后的停车数据
Figure BDA0003983798260000061
转化为感知序列(K,T)v＝{(Pij,Pij),(Ten,Tex)}；
3)卡口感知序列与停车感知数据融合；以车牌号为唯一ID，将停车感知序列按照感知时间***到卡口感知序列，获取带有停车场出入信息的卡口感知序列；
4)计算卡口感知对时间信息约束阈值；选取识别日均次数大于约束阈值的卡口对组合为卡口对，利用统计学箱型图异常值判别原理，计算卡口时间约束阈值为：
Figure BDA0003983798260000062
式中：
Figure BDA0003983798260000064
卡口对的时间约束阈值；
Figure BDA0003983798260000065
卡口对的行程时间识别最小值；
Figure BDA0003983798260000066
卡口对的行程时间识别最大值；
Figure BDA0003983798260000067
卡口对的路网距离；
Vmax—路网最大运行速度，根据路网实际运行情况取值；
Vmin—路网最小运行速度，根据路网实际运行情况取值；
5)根据卡口时间约束阈值与停车感知序列判别停车行为：
①根据停车感知序列判断辨识车辆停车行为；若车辆V的感知序列中第q条、q+1条记录为停车记录，则将第q条记录作为上一次出行的终点、第q+1条记录作为下一次出行的起点，判别车辆发生停车行为；
②根据时空信息约束判断辨识车辆出行与停车行为；若车辆V的感知序列中的相邻卡口间隔时间超过阈值，则将上一条记录作为终点，下一条记录作为下一次出行的起点，判别车辆发生停车行为；
③根据边界街道剔除过境出行需求；筛选市域主要对外道路并画出相应的对外核查线，假如出行起点或出行终点在核查线外则认为是过境出行需求；
6)按时段提取车辆出发与到达区域信息，第i个停车小区第h个时段的车辆出发量即驶离需求、新增泊位供给量Oi,h，第i个停车小区第h个时段的车辆到达量即行驶车辆的停车需求Di,h。
优选的，所述STEP 5，停车小区各时段停车供需综合评估过程为：
计算停车小区各时段泊位供应量与需求量，综合评价停车小区各时段的停车供需情况；停车小区i、时段h的泊位需求量
Figure BDA0003983798260000071
泊位总供给量Numi，泊位占用率Ri,h＝Qi,h/Numi；绘制各停车小区停车供需比时变图，评估各停车小区各时段的停车供给量与需求量，为停车策略优化提供参考。
一种基于多源数据的停车供需特征动态评估***，所述***包括：
停车小区停车资源总供给量获取模块：划分停车小区，确定每个停车小区的停车资源总供给量；
数据清洗模块：清洗获取的样本停车场的车辆进出数据，获取样本停车场泊位占用率指标；
停车小区已占用停车泊位规模获取模块：基于停车普查数据中各停车场的类型分布与用地特征数据，利用周边相同类型与用地性质的样本停车场的泊位占用率指标，推算各停车小区已占用停车泊位规模；
融合分析模块：对道路高清卡口数据和停车运营数据进行融合分析，判别获取停车小区各时段出行OD，研判各时段h在各停车小区的车辆停车需求；
评价模块：绘制停车供需时变曲线图，测算供需评价指标，综合评价各区域各时段停车的供需情况。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现权所述的基于多源数据的停车供需特征动态评估方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于多源数据的停车供需特征动态评估方法。
与现有技术相比，本发明的有益效果是：发明是基于多源时空数据融合与分析技术，利用停车设施普查数据、道路高清卡口数据以及不同区域不同类型停车场分布特征数据，结合部分可获取的样本停车场进出数据，动态识别对象区域时变供需规模与时空分布特征，评估分析区域停车供需特性，为区域停车策略优化提供参考。本发明具有以下特点：
(1)数据详实且易于获取，样本覆盖范围广，能够实现不同区域时变停车供需特征分析。
(2)具有数据驱动性，算法和关键技术简单成熟，处理效率高。
(3)由于卡口布设密度及可获取的样本停车数据的限制，分析精度有限，但具有较高的容错性。
附图说明
图1为一种基于多源数据的停车供需特征动态评估方法总体框架图。
图2为停车小区出行OD计算流程图。
图3为实施例中社会停车场停车数据清洗前与清洗后样例图。
图4为实施例中清洗前、清洗后某停车场的车辆进出时间分布示例图。
图5为实施例中停车小区泊位占用率分布示例图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步描述。
本发明提出了一种基于多源数据的停车供需特征动态评估方法，动态识别对象区域供需时变特征，评估分析区域供需特性，为区域停车策略优化提供参考，总体研究框架如图1所示。STEP1：划分停车小区，基于停车普查数据确定每个停车小区的停车资源总供给量；STEP2：清洗获取的样本停车场的车辆进出数据，获取样本停车场泊位占用率指标；STEP3：基于停车普查数据中各停车场的类型分布与用地特征数据，利用周边相同类型与用地性质的样本停车场的泊位占用率指标，推算各停车小区已占用停车泊位规模；STEP4：对道路高清卡口数据和停车运营数据进行融合分析，判别获取停车小区各时段出行OD，研判各时段h在各停车小区的车辆停车需求；STEP5：绘制停车供需时变曲线图，测算供需评价指标，综合评价各区域各时段停车的供需情况。
上述各步骤的具体实现过程如下：
STEP 1划分停车小区，确定各停车小区停车资源供给量
将城市区域划分为若干个停车小区，基于全市停车资源普查数据，分析获取各停车小区内部各类型停车场的泊位空间分布数据。将第i个停车小区的第j个停车场的信息序列标记为Pij，Pij＝{Locationij,Typeij,Landij,Numij}，其中，Locationij为停车场的位置；Typeij为停车场的类型，Typeij＝[1,2，3]，1代表建筑配建停车场、2代表社会公共停车场、3代表路内停车场；Landij为停车场的用地性质，Landij＝[1,2,3,4,5]，1代表居住、2代表办公、3代表商业、4代表公共服务、5代表休闲娱乐；Numij为停车场的泊位总数。
本实施例中，停车场类型与用地性质的分类主要参考相关规范，实际应用时可结合停车普查数据的停车场分类情况与停车场实际使用情况分类。
STEP 2获取停车场泊位占用率指标
获取样本停车场车辆进出数据，对数据进行清洗、分析，计算各样本停车场各时段的泊位占用率指标。样本停车数据包括社会停车数据和路内停车数据，其中社会停车数据主要为建筑物配建停车场和公共停车场的收费数据，该数据由停车场企业直接接入交通部门智慧管理平台；路内停车数据包括高位视频收费数据和POS机收费数据，该数据由交通部门直接监管数据。
(1)社会停车数据清洗
数据说明：车辆进出建筑物配建停车场和公共停车场会录入车辆进场时间、出场时间，标记车辆V在样本停车场Pij的第n条停车数据为
Figure BDA0003983798260000091
目前，由于停车场收费流水由入口流水和出口流水组成，进出流水可能存在不统一的情况，采集获得的车辆停车数据存在以下三种显示情况：
Figure BDA0003983798260000092
进出场时间信息齐全，进出场时间均不为空值，存在进出场时间正确上传与错误上传两种情况，NaT表示空值。
Figure BDA0003983798260000093
进场时间未上传为空值，存在出场时间错误上传的情况。
3)
Figure BDA0003983798260000094
出场时间未上传为空值，存在进场时间错误上传的情况。
数据清洗：由于存在未上传和错误上传的情况，需要对车辆V在样本停车场Pij的多次出入场信息进行数据拼接、清洗、判断匹配，获取车辆V在样本停车场Pij的出入场信息。具体步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对多条停车数据进行拼接，形成车辆出入场信息序列
Figure BDA0003983798260000095
2)分别对出入场序列中的进场时间序列、出场时间序列进行去重、剔除空值处理。
3)按照时间对进场时间序列、出场时间序列进行排序，匹配后分解为多条进出场停车数据
Figure BDA0003983798260000101
(2)路内停车数据清洗
路内停车数据包括高位视频收费数据和POS机收费数据。
高位视频收费数据清洗：通过高位视频记录每个泊位车辆进场、出场的时间，实现的计时收费数据。该数据由于路内停车的分段收费模式特性，其数据往往存在批量进场和出场导致的数据异常现象，需要对车辆在停车场的多次进出场信息按照时间拼接，获取修正后的车辆进出场停车数据。具体步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对停车数据按照进出场时间进行排序。
2)利用高位视频拍摄最大误差间隔，剔除批量进场、出场导致的异常数据。设定Tg为高位视频拍摄最大误差间隔，若
Figure BDA0003983798260000102
则判定数据异常，第n条与第n+1条进出场停车数据为同一次停车记录，将第n条和第n+1条进出场停车数据合并为
Figure BDA0003983798260000103
POS机收费数据清洗：POS机收费数据是通过POS机收费***记录车辆在收费时段的停车时长，实现的计时收费数据。由于POS机收费***仅记录收费时段泊位的使用情况，缺失非收费时段进出场信息，因此在收费起始时段和结束时段存在批量进出场情况，需要对车辆在停车场的多次进出场信息进行判断，获取补全和推断后的车辆进出场停车数据。具体步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对停车数据按照进出场时间进行排序。
2)结合停车场收费时间和收费***最大误差间隔，判断、补全车辆的进出场停车数据。设定停车场开始收费时间为hs、停止收费时间为he，POS收费***最大误差间隔为Ts，根据时间逻辑存在以下三种判定、补全情况：
①
Figure BDA0003983798260000104
且
Figure BDA0003983798260000105
则判定车辆在该停车场通宵过夜，将第n条和第n+1条出入场停车数据为同一次停车记录，车辆进出场停车数据拼接为
Figure BDA0003983798260000106
②
Figure BDA0003983798260000111
(或无下一条停车数据)，则判定车辆在非收费时段出场，车辆实际出场时间标记为
Figure BDA0003983798260000112
车辆进出场停车数据为
Figure BDA0003983798260000113
③
Figure BDA0003983798260000114
(或无上一条停车数据)、
Figure BDA0003983798260000115
则判定车辆在非收费时段进场，车辆实际进场时间标记为
Figure BDA0003983798260000116
车辆进出场停车数据为
Figure BDA0003983798260000117
(3)样本停车场各时段泊位占用率计算
利用清洗后的停车数据，统计样本停车场时段h的泊位占用量Mij，h和占用率Rij，h指标。泊位占用率计算步骤如下：
1)若
Figure BDA0003983798260000118
则判定车辆V在时段h在样本停车场Pij停放。
2)统计样本停车场Pij在时段h停放的车辆总数，即为泊位占用量Mij,h。
3)计算泊位占用率Rij,h，Rij,h＝Mij,h/Numij。
由于路内停车数据存在非收费时段进出场时间无法准确推断的情况，其非收费时段的泊位占用率指标的推断结果偏小。
本实施例中，社会停车数据清洗是基于获取的社会停车场的停车数据，实际应用中结合获取的样本停车场的数据格式和收费特征设定参数进行清洗，社会停车场停车数据清洗前与清洗后样例如图3；
其次，在本实施例中，路内停车场的停车数据清洗是基于获取的高位视频和POS机收费数据，停车场收费开始时间为7:30，停止收费时间为21:30，最大误差间隔±30min，实际应用应结合获取的样本停车场的数据格式和收费特征设定参数进行清洗，清洗前、清洗后某停车场的车辆进出时间分布示例如图4；
STEP 3推算初始时段停车小区泊位占用规模
选取初始时段，利用初始时段h＝0的样本停车场泊位占用率推算停车小区泊位占用量。具体步骤如下：
1)选取初始时段
绘制样本停车场进出场泊位占用率时变分布图，选取总体趋势良好、出行车辆少、停车行为稳定的时段作为初始时段，同时避免选择路内停车的非收费时段作为初始时段。样本停车场的信息序列可表示为Pij＝{Locationij,Typeij,Landij,Numij,Mij,h,Rij,h}。
2)推断非样本停车场初始时段泊位占用率
设定停车小区内同类型、同用地性质的停车场泊位利用均衡，非样本停车场的初始时段泊位利用率为其周边距离l范围内的同类型、同用地性质的停车泊位的平均值
Figure BDA0003983798260000121
其中，Rij，0为样本停车场的初始时段泊位利用率，
Figure BDA0003983798260000122
为样本停车场周边距离l范围内同类型、同用地性质停车场的泊位利用率的平均值。
3)计算各停车场初始时段泊位占用量
第i个停车小区、第j个停车场初始时段的泊位占用量Mij,0＝Rij,0×Numij。
4)计算停车小区初始时段的泊位占用量
①第i个停车小区的泊位总供给量：
Figure BDA0003983798260000123
②第i个停车小区初始时段的泊位占用量：
Figure BDA0003983798260000124
在本实施例中，设定停车小区内同类型、同用地性质的停车场泊位利用均衡，计算未知停车场的停车泊位利用率的方法，周边距离l为停车小区的辐射范围，实际应用时可选择其他适用的方法，停车小区泊位占用率分布示例如图5；
STEP 4研判停车小区各时段行驶车辆停车需求
对道路高清卡口和停车运营数据进行融合，判别获取区域各时段停车小区出行OD，研判区域各时段行驶车辆停车需求。具体步骤如下：
1)获取卡口感知序列。对卡口数据进行预处理，去除车牌、卡口点位、过车时间等信息完全一致的记录；去除同一车辆在同一卡口的相邻记录时间小于60秒的记录；去除异常车牌、无牌等识别结果记录；去除相邻卡口之间的空间移动速度大于路网最大车速阈值的异常数据；最终提取车辆V的卡口感知序列
Figure BDA0003983798260000125
其中，Kv,q为车辆V第q次被检测的卡口名称，Tv,q为车辆V第q次被卡口检测的时间，mk为被卡口检测的总次数。
2)停车数据转化为停车感知序列。将样本停车场清洗后的停车数据
Figure BDA0003983798260000126
转化为感知序列(K,T)v＝{(Pij,Pij),(Ten,Tex)}。
3)卡口感知序列与停车感知数据融合。以车牌号为唯一ID，将停车感知序列按照感知时间***到卡口感知序列，获取带有停车场出入信息的卡口感知序列。
4)计算卡口感知对时间信息约束阈值。选取识别日均次数大于约束阈值的卡口对组合为卡口对，利用统计学箱型图异常值判别原理，计算卡口时间约束阈值为：
Figure BDA0003983798260000131
式中：
Figure BDA0003983798260000132
卡口对的时间约束阈值；
Figure BDA0003983798260000133
卡口对的行程时间识别最小值；
Figure BDA0003983798260000134
卡口对的行程时间识别最大值；
Figure BDA0003983798260000135
卡口对的路网距离；
Vmax—路网最大运行速度，根据路网实际运行情况取值；
Vmin—路网最小运行速度，根据路网实际运行情况取值。
5)根据卡口时间约束阈值与停车感知序列判别停车行为：
①根据停车感知序列判断辨识车辆停车行为。若车辆V的感知序列中第q条、q+1条记录为停车记录，则将第q条记录作为上一次出行的终点、第q+1条记录作为下一次出行的起点，判别车辆发生停车行为。
②根据时空信息约束判断辨识车辆出行与停车行为。若车辆V的感知序列中的相邻卡口间隔时间超过阈值，则将上一条记录作为终点，下一条记录作为下一次出行的起点，判别车辆发生停车行为。
③根据边界街道剔除过境出行需求。筛选市域主要对外道路并画出相应的对外核查线，假如出行起点或出行终点在核查线外则认为是过境出行需求。
6)按时段提取车辆出发与到达区域信息，第i个停车小区第h个时段的车辆出发量即驶离需求、新增泊位供给量Oi,h，第i个停车小区第h个时段的车辆到达量即行驶车辆的停车需求Di,h。
在本实施例中，是通过计算频繁卡口感知对时空信息约束阈值的方法推算行驶车辆停车需求的方法，选取识别日均次数大于1000次/天的卡口对组合为卡口对，路网中最低运行速度取5km/h，最高运行速度取120km/h，实际应用时也可以选择其他适用的方法。
STEP 5停车小区各时段停车供需综合评估
计算停车小区各时段泊位供应量与需求量，综合评价停车小区各时段的停车供需情况；停车小区i、时段h的泊位需求量
Figure BDA0003983798260000141
泊位总供给量Numi，泊位占用率Ri,h＝Qi,h/Numi；绘制各停车小区停车供需比时变图，评估各停车小区各时段的停车供给量与需求量，为停车策略优化提供参考。
在本实施例中，是通过绘制各停车小区的停车供需比时变图，评估停车小区的供给与需求情况，实际应用中也可以选择其他适用的指标。
以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于多源数据的停车供需特征动态评估方法，其特征在于，包括：
STEP1：划分停车小区，确定每个停车小区的停车资源总供给量；
STEP2：清洗获取的样本停车场的车辆进出数据，获取样本停车场泊位占用率指标；
STEP3：基于停车普查数据中各停车场的类型分布与用地特征数据，利用周边相同类型与用地性质的样本停车场的泊位占用率指标，推算各停车小区已占用停车泊位规模；
STEP4：对道路高清卡口数据和停车运营数据进行融合分析，判别获取停车小区各时段出行OD，研判各时段h在各停车小区的车辆停车需求；
STEP5：绘制停车供需时变曲线图，测算供需评价指标，综合评价各区域各时段停车的供需情况。
2.根据权利要求1所述的方法，其特征在于，所述STEP 1，划分停车小区确定每个停车小区的停车资源总供给量的具体实现过程为：
将目标城市区域划分为若干个停车小区，基于全市停车资源普查数据，分析获取各停车小区内部各类型停车场的泊位空间分布数据；将第i个停车小区的第j个停车场的信息序列标记为Pij，Pij＝{Locationij,Typeij,Landij,Numij}，其中，Locationij为停车场的位置；Typeij为停车场的类型，Typeij＝[1,2，3]，1代表建筑配建停车场、2代表社会公共停车场、3代表路内停车场；Landij为停车场的用地性质，Landij＝[1,2,3,4,5]，1代表居住、2代表办公、3代表商业、4代表公共服务、5代表休闲娱乐；Numij为停车场的泊位总数。
3.根据权利要求1或2所述的方法，其特征在于，所述STEP 2中清洗获取的样本停车场的车辆进出数据，其具体实现过程为：
样本停车数据包括社会停车数据和路内停车数据，其中社会停车数据主要为建筑物配建停车场和公共停车场的收费数据；路内停车数据包括高位视频收费数据和POS机收费数据；
社会停车数据清洗是对车辆V在样本停车场Pij的多次出入场信息进行数据拼接、清洗、判断匹配，获取车辆V在样本停车场Pij的出入场信息的步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对多条停车数据进行拼接，形成车辆出入场信息序列
Figure FDA0003983798250000011
Figure FDA0003983798250000021
分别表示车辆V的第n次进场时间和第n次出场时间；
2)分别对出入场序列中的进场时间序列、出场时间序列进行去重、剔除空值处理；
3)按照时间对进场时间序列、出场时间序列进行排序，匹配后分解为多条进出场停车数据
Figure FDA0003983798250000022
路内停车数据清洗包括对高位视频收费数据清洗和POS机收费数据清洗；
其中高位视频收费数据清洗：高位视频收费数据是通过高位视频记录每个泊位车辆进场、出场的时间，获得计时收费数据；数据清洗具体步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对停车数据按照进出场时间进行排序；
2)利用高位视频拍摄最大误差间隔，剔除批量进场、出场导致的异常数据；设定Tg为高位视频拍摄最大误差间隔，若
Figure FDA0003983798250000023
则判定数据异常，第n条与第n+1条进出场停车数据为同一次停车记录，将第n条和第n+1条进出场停车数据合并为
Figure FDA0003983798250000024
POS机收费数据清洗：POS机收费数据是通过POS机收费***记录车辆在收费时段的停车时长，获得的计时收费数据；该数据清洗具体步骤如下：
1)提取车辆V在样本停车场Pij的所有停车数据，以车牌号为唯一ID对停车数据按照进出场时间进行排序；
2)结合停车场收费时间和收费***最大误差间隔，判断、补全车辆的进出场停车数据；设定停车场开始收费时间为hs、停止收费时间为he，POS收费***最大误差间隔为Ts，根据时间逻辑存在以下三种判定、补全情况：
①
Figure FDA0003983798250000025
且
Figure FDA0003983798250000026
则判定车辆在该停车场通宵过夜，将第n条和第n+1条出入场停车数据为同一次停车记录，车辆进出场停车数据拼接为
Figure FDA0003983798250000027
②
Figure FDA0003983798250000028
或无下一条停车数据，则判定车辆在非收费时段出场，车辆实际出场时间标记为
Figure FDA0003983798250000029
车辆进出场停车数据为
Figure FDA00039837982500000210
③
Figure FDA00039837982500000211
或无上一条停车数据、
Figure FDA00039837982500000212
则判定车辆在非收费时段进场，车辆实际进场时间标记为
Figure FDA00039837982500000213
车辆进出场停车数据为
Figure FDA00039837982500000214
4.根据权利要求3所述的方法，其特征在于，所述STEP 2中样本停车场各时段泊位占用率的计算过程为：
利用清洗后的停车数据，统计样本停车场时段h的泊位占用量M和占用率R
ij,h ij,h指标；泊位占用率计算步骤如下：
1)若
Figure FDA0003983798250000031
则判定车辆V在时段h在样本停车场Pij停放；
2)统计样本停车场Pij在时段h停放的车辆总数，即为泊位占用量Mij,h；
3)计算泊位占用率Rij,h，Rij,h＝Mij,h/Numij；
由于路内停车数据存在非收费时段进出场时间无法准确推断的情况，其非收费时段的泊位占用率指标的推断结果偏小。
5.根据权利要求4所述的方法，其特征在于，所述STEP 3中推算初始时段停车小区泊位占用规模的过程为：
选取初始时段，利用初始时段h＝0的样本停车场泊位占用率推算停车小区泊位占用量；具体步骤如下：
1)选取初始时段
绘制样本停车场进出场泊位占用率时变分布图，选取总体趋势良好、出行车辆少、停车行为稳定的时段作为初始时段，同时避免选择路内停车的非收费时段作为初始时段；样本停车场的信息序列表示为Pij＝{Locationij,Typeij,Landij,Numij,Mij,h,Rij,h}；
2)推断非样本停车场初始时段泊位占用率
设定停车小区内同类型、同用地性质的停车场泊位利用均衡，非样本停车场的初始时段泊位利用率为其周边距离l范围内的同类型、同用地性质的停车泊位的平均值为：
Figure FDA0003983798250000032
x∈Ix,Ix＝{Typeix＝Typeij,Landix＝Landij,|Locationij-Locationix|<l}
其中，Rij，0为样本停车场的初始时段泊位利用率，
Figure FDA0003983798250000033
为样本停车场周边距离l范围内同类型、同用地性质停车场的泊位利用率的平均值；
3)计算各停车场初始时段泊位占用量
第i个停车小区、第j个停车场初始时段的泊位占用量Mij,0＝Rij,0×Numij；
4)计算停车小区初始时段的泊位占用量
①第i个停车小区的泊位总供给量：
Figure FDA0003983798250000041
②第i个停车小区初始时段的泊位占用量：
Figure FDA0003983798250000042
6.根据权利要求5所述的方法，其特征在于，所述STEP 4，研判停车小区各时段行驶车辆停车需求，其具体过程为：
对道路高清卡口和停车运营数据进行融合，判别获取区域各时段停车小区出行OD，研判区域各时段行驶车辆停车需求；具体步骤如下：
1)获取卡口感知序列；对卡口数据进行预处理，去除车牌、卡口点位、过车时间这些信息完全一致的记录；去除同一车辆在同一卡口的相邻记录时间小于60秒的记录；去除异常车牌、无牌此类识别结果记录；去除相邻卡口之间的空间移动速度大于路网最大车速阈值的异常数据；提取车辆V的卡口感知序列
Figure FDA0003983798250000043
其中，Kv,q为车辆V第q次被检测的卡口名称，Tv,q为车辆V第q次被卡口检测的时间，mk为被卡口检测的总次数；
2)停车数据转化为停车感知序列；将样本停车场清洗后的停车数据
Figure FDA0003983798250000044
转化为感知序列(K,T)v＝{(Pij,Pij),(Ten,Tex)}；
3)卡口感知序列与停车感知数据融合；以车牌号为唯一ID，将停车感知序列按照感知时间***到卡口感知序列，获取带有停车场出入信息的卡口感知序列；
4)计算卡口感知对时间信息约束阈值；选取识别日均次数大于约束阈值的卡口对组合为卡口对，利用统计学箱型图异常值判别原理，计算卡口时间约束阈值为：
Figure FDA0003983798250000045
式中：
Figure FDA0003983798250000046
—(ki,kj)卡口对的时间约束阈值；
Figure FDA0003983798250000047
—(ki,kj)卡口对的行程时间识别最小值；
Figure FDA0003983798250000048
—(ki,kj)卡口对的行程时间识别最大值；
Figure FDA0003983798250000049
—(ki,kj)卡口对的路网距离；
Vmax—路网最大运行速度，根据路网实际运行情况取值；
Vmin—路网最小运行速度，根据路网实际运行情况取值；
5)根据卡口时间约束阈值与停车感知序列判别停车行为：
①根据停车感知序列判断辨识车辆停车行为；若车辆V的感知序列中第q条、q+1条记录为停车记录，则将第q条记录作为上一次出行的终点、第q+1条记录作为下一次出行的起点，判别车辆发生停车行为；
②根据时空信息约束判断辨识车辆出行与停车行为；若车辆V的感知序列中的相邻卡口间隔时间超过阈值，则将上一条记录作为终点，下一条记录作为下一次出行的起点，判别车辆发生停车行为；
③根据边界街道剔除过境出行需求；筛选市域主要对外道路并画出相应的对外核查线，假如出行起点或出行终点在核查线外则认为是过境出行需求；
6)按时段提取车辆出发与到达区域信息，第i个停车小区第h个时段的车辆出发量即驶离需求、新增泊位供给量Oi,h，第i个停车小区第h个时段的车辆到达量即行驶车辆的停车需求Di,h。
7.根据权利要求6所述的方法，其特征在于，所述STEP 5，停车小区各时段停车供需综合评估过程为：
计算停车小区各时段泊位供应量与需求量，综合评价停车小区各时段的停车供需情况；停车小区i、时段h的泊位需求量
Figure FDA0003983798250000051
泊位总供给量Numi，泊位占用率Ri,h＝Qi,h/Numi；绘制各停车小区停车供需比时变图，评估各停车小区各时段的停车供给量与需求量，为停车策略优化提供参考。
8.一种基于多源数据的停车供需特征动态评估***，其特征在于，所述***包括：
停车小区停车资源总供给量获取模块：划分停车小区，确定每个停车小区的停车资源总供给量；
数据清洗模块：清洗获取的样本停车场的车辆进出数据，获取样本停车场泊位占用率指标；
停车小区已占用停车泊位规模获取模块：基于停车普查数据中各停车场的类型分布与用地特征数据，利用周边相同类型与用地性质的样本停车场的泊位占用率指标，推算各停车小区已占用停车泊位规模；
融合分析模块：对道路高清卡口数据和停车运营数据进行融合分析，判别获取停车小区各时段出行OD，研判各时段h在各停车小区的车辆停车需求；
评价模块：绘制停车供需时变曲线图，测算供需评价指标，综合评价各区域各时段停车的供需情况。
9.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1至7任一项所述的基于多源数据的停车供需特征动态评估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，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7任一项所述的基于多源数据的停车供需特征动态评估方法。
CN202211579767.5A 2022-12-06 2022-12-06 一种基于多源数据的停车供需特征动态评估方法及*** Pending CN115995149A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211579767.5A CN115995149A (zh) 2022-12-06 2022-12-06 一种基于多源数据的停车供需特征动态评估方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211579767.5A CN115995149A (zh) 2022-12-06 2022-12-06 一种基于多源数据的停车供需特征动态评估方法及***

Publications (1)

Publication Number Publication Date
CN115995149A true CN115995149A (zh) 2023-04-21

Family

ID=85991471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211579767.5A Pending CN115995149A (zh) 2022-12-06 2022-12-06 一种基于多源数据的停车供需特征动态评估方法及***

Country Status (1)

Country Link
CN (1) CN115995149A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173898A (zh) * 2023-11-03 2023-12-05 深圳市城市交通规划设计研究中心股份有限公司 基于停车场流水数据的分时段分目的出行od提取方法
CN117274886A (zh) * 2023-08-04 2023-12-22 中铁城市规划设计研究院有限公司 一种现状停车供需资源关系的数据分析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274886A (zh) * 2023-08-04 2023-12-22 中铁城市规划设计研究院有限公司 一种现状停车供需资源关系的数据分析方法
CN117274886B (zh) * 2023-08-04 2024-03-19 中铁城市规划设计研究院有限公司 一种现状停车供需资源关系的数据分析方法
CN117173898A (zh) * 2023-11-03 2023-12-05 深圳市城市交通规划设计研究中心股份有限公司 基于停车场流水数据的分时段分目的出行od提取方法
CN117173898B (zh) * 2023-11-03 2024-02-27 深圳市城市交通规划设计研究中心股份有限公司 基于停车场流水数据的分时段分目的出行od提取方法

Similar Documents

Publication Publication Date Title
CN111243277B (zh) 基于车牌识别数据的通勤车辆时空轨迹重构方法及***
Sun et al. Analyzing spatiotemporal traffic line source emissions based on massive didi online car-hailing service data
CN108346292B (zh) 基于卡口数据的城市快速路实时交通指数计算方法
CN115995149A (zh) 一种基于多源数据的停车供需特征动态评估方法及***
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN111008505B (zh) 城市坡道行驶工况构建方法及应用
CN107729938B (zh) 一种基于公交接驳辐射区特征的轨道站点分类方法
CN101710448A (zh) 基于全方位计算机视觉的道路交通状态检测装置
Tiedemann et al. Concept of a data thread based parking space occupancy prediction in a berlin pilot region
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、***
CN110659774B (zh) 大数据方法驱动的停车需求预测方法
Lin et al. Path travel time estimation using attribute-related hybrid trajectories network
CN114091581A (zh) 一种基于稀疏轨迹的车辆运营行为类型识别方法
CN112767686B (zh) 一种基于多源数据融合的公路网汽车排放估算方法
Zhao et al. A machine learning based approach for predicting usage efficiency of shared e-scooters using vehicle availability data
CN116863744A (zh) 一种智能化的泊位调度管理方法及***
CN116415756A (zh) 一种基于vr技术的城市虚拟场景体验管理***
Tian et al. Spatial analysis of commuting carbon emissions in main urban area of Beijing: A GPS trajectory-based approach
Zhao et al. Understanding the spatio-temporally heterogeneous effects of built environment on urban travel emissions
Naji et al. Towards understanding the impact of human mobility patterns on taxi drivers' income based on GPS data: A case study in Wuhan—China
CN114407661A (zh) 基于数据驱动的电动车能耗预测方法、***、设备及介质
CN117473398B (zh) 一种基于运渣车活动的城市扬尘污染源分类方法
Zhao et al. A Parking Utilization Prediction Approach Based on NARNN Model
Riveros et al. Mobility Studies in Villavicencio: Situation and Prospects Towards a Smart Mobility.

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