CN116089744B - 一种基于Transformer动态时空关联的医院停车场推荐方法 - Google Patents

一种基于Transformer动态时空关联的医院停车场推荐方法 Download PDF

Info

Publication number
CN116089744B
CN116089744B CN202310368466.6A CN202310368466A CN116089744B CN 116089744 B CN116089744 B CN 116089744B CN 202310368466 A CN202310368466 A CN 202310368466A CN 116089744 B CN116089744 B CN 116089744B
Authority
CN
China
Prior art keywords
parking lot
data
time
user
real
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
Application number
CN202310368466.6A
Other languages
English (en)
Other versions
CN116089744A (zh
Inventor
刘寒松
王永
王国强
刘瑞
董玉超
谭连盛
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.)
Sonli Holdings Group Co Ltd
Original Assignee
Sonli Holdings Group 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 Sonli Holdings Group Co Ltd filed Critical Sonli Holdings Group Co Ltd
Priority to CN202310368466.6A priority Critical patent/CN116089744B/zh
Publication of CN116089744A publication Critical patent/CN116089744A/zh
Application granted granted Critical
Publication of CN116089744B publication Critical patent/CN116089744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于交通技术领域，涉及一种基于Transformer动态时空关联的医院停车场推荐方法，联合学习多源数据，先利用历史的利用率数据获得利用率全局变化特征，并与实时利用率数据结合共同预测未来时刻的利用率，再根据停车场当前时间利用率与其他时间的动态关系预测未来利用率，并结合道路拥堵情况获得用户与停车场的动态变化关系，评估不同停车场推荐分数，同时考虑用户到停车场的时间和从停车场步行到医院的时间，为用户推荐方便合适的停车场，提升模型的准确性和效率。

Description

一种基于Transformer动态时空关联的医院停车场推荐方法
技术领域
本发明属于交通技术领域，特别涉及一种基于Transformer动态时空关联的医院停车场推荐方法。
背景技术
现有的医院智慧停车***能利用大数据、人工智能等技术，实时分析医院周围停车场的利用率，为患者推荐距离医院近且方便停车的停车场，提升医院患者停车体验，合理规划资源提升医疗服务品质。
针对停车场推荐问题，目前基于深度学习的推荐方法获得了比较好的推荐结果和运行效率，但是仍存在以下问题：（1）在天气不好、节假日、道路拥堵这些情况出现时，推荐结果容易存在误差，影响当前停车场的利用率；（2）停车场的推荐具有时间延迟性，在考虑当前时刻车场的使用情况的同时，难以保证用户到达车场的时间和到时车场的利用率；（3）推荐停车场时考虑用户个人信息较少，比如用户此时的位置、行驶速度等，难以结合用户的个人情况提供更个性化的推荐。
发明内容
为解决现有技术存在的不足，本发明提出一种基于Transformer动态时空关联的医院停车场推荐方法，通过对用户数据、停车场使用率、实时情况统一建模，使用Transformer捕获动态时空关系，为用户提供个性化推荐。
为了实现上述目的，本发明所述基于Transformer的动态时空关联的医院停车场推荐方法，包括以下步骤：
S1、停车场选取与数据收集：选择距离医院500米以内的停车场作为候选停车场，并记录停车场数据，停车场数据集包括名称、位置、价格、不同时刻的利用率、之前一个月在该停车场停过车的用户；
S2、预处理停车场历史数据：利用每天同一时刻的停车场历史利用率数据平均值，获得停车场的历史利用率变化数据；
S3、数据集收集：从不同数据源收集用户数据集和实时外部信息数据集；
S4、数据预处理与数据集划分：对停车场数据集、用户数据集和实时外部信息数据集三个数据集进行数据预处理构造用户特征、停车场特征和实时外部特征，并将数据集划分为训练集、验证集和测试集；
S5、推荐网络提取动态时空特征：采用推荐网络提取动态时空特征，获得利用率特征、停车场推荐特征和步行距离特征三种动态时空特征；
S6、获得推荐分数并训练网络：根据利用率特征、停车场推荐特征和步行距离特征评估每个停车场的推荐分数，为用户推荐分数最高的停车场，根据用户真实选择的停车场使用交叉熵损失函数（Cross Entropy Loss）作为损失函数，不断训练网络直到损失值不再减小，保存最小总损失值时的网络模型；
S7、输出结果：训练好网络模型后，整个推荐网络每天晚上收集当天每个时刻的停车场使用率，并与历史时刻的停车场数据融合，将用户的实时数据和道路实时情况输入推荐网络中，推荐网络根据用户的位置给出推荐的停车场。
作为本发明的进一步技术方案，步骤S2所述历史利用率变化数据包括工作日和双休日的历史利用率变化数据，每天的历史利用率变化趋势由这一天之前满足条件的所有天的利用率数据构成，工作日选取之前所有工作日的数据，双休日选取之前所有双休日的数据，将之前所有天同一时刻利用率的均值作为这一天每个时刻的历史值，从而获得停车场一天不同时刻的利用率变化趋势，处理后的数据集维度为
Figure SMS_1
，/>
Figure SMS_2
是数据集中天的个数，N是停车场的个数，/>
Figure SMS_3
是每一天时间段的个数，第t天的数据表示t天之前的历史变化过程，例如第t天是工作日，停车场i的历史变化数据表示为/>
Figure SMS_4
，表示由1到t-1天所有工作日的每个时刻利用率数据的均值构成的第t天的历史利用率变化数据。
作为本发明的进一步技术方案，步骤S3所述用户数据集包括用户的位置、时间、行驶速度、车辆类型、以及用户选择的停车场结果；实时外部信息数据集包括每个时刻的天气、道路拥堵情况、节假日数据。
作为本发明的进一步技术方案，步骤S4的具体过程为：
对步骤S1和S3获得的三个数据集进行数据预处理与数据集划分：首先根据每条用户数据的请求时间，找到请求时间前两小时的实时停车场数据，并从S2预处理的历史利用率数据中找到对应天对应时刻的前两个小时到后两个小时的历史利用率变化数据，表示这一天之前几天的前两个小时到后两个小时的变化数据，再根据用户的位置利用Haversine公式计算用户到每个停车场的距离，用户的经纬度坐标为
Figure SMS_5
，停车场的坐标为/>
Figure SMS_6
，用户到停车场的距离为：
Figure SMS_7
；
其中，R代表地球的半径，通常取R=6378km，利用欧氏距离分别找到距离用户位置和停车场位置最近的道路节点，记录其所在道路的拥堵情况；将预处理的用户数据、停车场数据和实时数据构造三元组<U，P，C>，将用户的行驶速度和所在车道拥堵情况构成用户特征U，将停车场id、停车场到用户的距离、用户车辆对应的停车价格、所在车道拥堵情况、是否用户在此停过车、历史和实时利用率数据构成停车场特征P，将实时天气和节假日外部信息构成one-hot编码C，然后将数据划分为训练集、验证集和测试集，其中训练集用于训练网络模型，验证集用于训练时验证网络模型的性能，测试集用于测试训练结束后网络模型的性能。
作为本发明的进一步技术方案，步骤S5的具体过程为：
（1）输入每条训练数据，首先根据实时停车场利用率，将利用率高于98%的停车场删除，将剩余的
Figure SMS_8
个停车场作为候选推荐停车场；
（2）将表示天气、节假日的one-hot编码通过多层感知机提取实时外部特征，将实时停车场利用率数据和外部特征拼接，获得随实际变化的停车场实时特征；
（3）采用时间Transformer预测停车场未来利用率，先利用此时对应的前两个小时到后两个小时的历史利用率变化数据获得全局变化趋势特征：将停车场实时特征作为查询信息Q，历史利用率变化数据作为待匹配信息K和融合信息V，通过Attention操作获得当前时刻和历史时刻的权重关系，并根据权重关系融合历史时刻的特征，获得此时停车场利用率的全局变化趋势特征：
Figure SMS_9
；
其中T表示矩阵转置，再利用过去两个小时的利用率数据获得实时变化趋势特征：同样将停车场实时利用率作为Q，过去时刻的利用率数据作为K和V，利用Attention获得当前时刻和过去时刻的关系并融合过去时刻的特征，获得停车场利用率的实时变化特征，将全局变化趋势特征和实时变化趋势特征通过layer_norm标准化保证数据分布的稳定性，并将两个特征按位相加，通过全连接层获得每个停车场未来半个小时的利用率特征
Figure SMS_10
，d是特征维度；
（4）采用空间Transformer获得每个停车场的推荐特征，将每个地点的特征作为Q，将用户特征作为K和V，获得每个地点和用户的交互关系，根据用户实时数据联合考虑用户到每个停车场的预估时间和停车价格，获得停车场的推荐特征
Figure SMS_11
；
（5）将每个停车场到医院门口的步行距离通过多层感知机提取步行距离特征
Figure SMS_12
。
作为本发明的进一步技术方案，步骤S6的具体过程为：
将S5的利用率特征F、停车场推荐特征R、步行距离特征W拼接获得整体特征
Figure SMS_13
，再通过两层全连接层进行线性变换将三种特征融合，通过softmax函数获得每个停车场的推荐分数/>
Figure SMS_14
：
Figure SMS_15
；
其中
Figure SMS_16
、/>
Figure SMS_17
是训练参数，/>
Figure SMS_18
是ReLu激活函数，将推荐分数最高的停车场与用户选择的停车场比较，使用交叉熵作为损失函数：
Figure SMS_19
；
Figure SMS_20
表示真实标签，用户选择此停车场为1，不选择为0，/>
Figure SMS_21
表示停车场i的推荐分数，通过最小化损失函数使用户实际选择的停车场的预测分数最大。
本发明联合学习多源数据，从停车场历史利用率情况预测未来时刻的使用率，从用户实时行驶数据获得与每个停车场的动态关系，根据天气、道路拥堵情况调整推荐结果，由于停车场使用率具有周期性，先利用历史的利用率数据获得利用率全局变化特征，并与实时利用率数据结合共同预测未来时刻的利用率，再基于Transformer捕获动态时空关系，Transformer通过注意力机制捕获数据之间的动态关系，根据停车场当前时间利用率与其他时间的动态关系预测未来利用率，并结合道路拥堵情况获得用户与停车场的动态变化关系图。根据动态时空关系评估不同停车场推荐分数，同时考虑用户到停车场的时间和从停车场步行到医院的时间，为用户推荐方便合适的停车场，提升模型的准确性和效率。
与现有技术相比，本发明的有益效果是：
根据停车场实时空余停车位、实时天气、实时道路拥堵情况调整推荐停车场结果，一方面可以解决停车场车辆实时动态变化问题，结合实时数据捕获实时动态的时空关系，从而实现动态医院停车场推荐学习算法，同时Transformer使用了patch并行计算结构来代替LSTM顺序时间处理模块，加快模型训练速度，实现快速实时医院停车场推荐学习算法；另一方面，由于医院停车场的类型不同、停车需求多样，通过引入动态时空算法计算各个不同医院停车场的特征表示，学习不同停车场本质属性，以精确匹配用户不同停车需求，同时利用停车场利用率、价格、道路拥堵情况、用户到停车场的时间、停车场步行到医院的时间等多源数据进行用户与停车场的匹配，以此提高用户停车满意度，最终得到一个精准且快速、算法结构易于迁移的医院停车场推荐方法。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本公开，并不构成对本发明的不当限定。
图1为本发明提供的一种基于Transformer动态时空关联的医院停车场推荐网络学习流程示意图。
图2为本发明提供的停车场推荐方法用户使用过程示意框图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例1：
如图1所示，本发明实施例中的基于Transformer的动态时空关联的医院停车场推荐方法，包括如下步骤：
S1、停车场选取与数据收集：为节省用户从停车场步行到医院的时间，选取以医院为中心，500米为半径范围内的停车场作为候选停车场，共有N个停车场，并为每个停车场标号id，记录停车场的名称、经纬度坐标
Figure SMS_22
，并记录从停车场到医院大门的步行距离/>
Figure SMS_23
，车场不同车型的价格，之前一个月内在该停车场停过车的用户，以半小时为时间间隔，收集每个时间间隔的停车场使用率数据：/>
Figure SMS_24
；时间段t的使用率
Figure SMS_25
表示一个时间段内已泊车的车位数/>
Figure SMS_26
占停车场总车位数/>
Figure SMS_27
的百分比；
S2、预处理停车场历史数据：此步骤利用整体的利用率数据集，构造每天对应的不同时刻的历史利用率变化趋势，由于工作日和双休日医院停车场的泊车数和高峰时间有所区别，分别提取工作日和双休日的历史利用率变化特征，每天的历史利用率变化趋势由这一天之前满足条件的所有天的利用率数据构成。工作日选取之前所有工作日的数据，双休日选取之前所有双休日的数据，将之前所有天同一时刻利用率的均值作为这一天每个时刻的历史值，获得停车场一天不同时刻的利用率变化趋势，处理后的数据集维度为
Figure SMS_28
，/>
Figure SMS_29
是数据集中天的个数，N是停车场的个数，/>
Figure SMS_30
是每一天时间段的个数，第t天的数据表示t天之前的历史变化过程，例如第t天是工作日，停车场i的历史变化数据表示为/>
Figure SMS_31
，表示由1到t-1天所有工作日的每个时刻利用率数据的均值构成的第t天的历史利用率变化数据；
S3、数据集收集：该步骤为从不同数据源收集数据，根据用户的行驶记录获得用户的位置及时间、行驶速度、车辆类型、以及用户选择的停车场结果构成用户数据集；从城市信息中心获得每个时刻的天气、道路拥堵情况、节假日等数据构成实时数据集；
S4、数据预处理与数据集划分：对步骤S1和S3获得的三个数据集进行数据预处理与数据集划分，首先根据每条用户数据的请求时间，找到请求时间前两个小时的实时停车场数据，并从S2预处理的历史利用率数据中找到对应天对应时刻的前两个小时到后两个小时的历史利用率变化数据，表示这一天之前几天的前两个小时到后两个小时的变化数据，再根据用户的位置利用Haversine公式计算用户到每个停车场的距离，用户的经纬度坐标为
Figure SMS_32
，停车场的坐标为/>
Figure SMS_33
，用户到停车场的距离为：
Figure SMS_34
；
其中，R代表地球的半径，通常取R=6378km；利用欧氏距离分别找到距离用户位置和停车场位置最近的道路节点，记录其所在道路的拥堵情况；将预处理的用户数据、停车场数据和实时特征数据构造三元组<U，P，C>，将用户的行驶速度和所在车道拥堵情况构成用户特征U，将停车场id、停车场到用户的距离、用户车辆对应的停车价格、所在车道拥堵情况、是否用户在此停过车、历史和实时利用率数据构成停车场特征P，将实时天气和节假日外部信息构成one-hot编码C，然后将数据划分为训练集、验证集和测试集，其中训练集用于训练网络模型，验证集用于训练时验证网络模型的性能，测试集用于测试训练结束后网络模型的性能；
S5、推荐网络提取动态时空特征：（1）输入每条训练数据，首先将利用率高于98%的停车场删除，将剩余的
Figure SMS_35
个停车场作为候选推荐停车场；
（2）将表示天气、节假日的one-hot编码通过多层感知机提取实时外部特征，将实时停车场利用率数据和外部特征拼接，获得随实际变化的停车场实时特征；
（3）时间Transformer预测停车场未来利用率，先利用此时对应的前两个小时到后两个小时的历史利用率变化数据获得全局变化趋势特征：将停车场实时特征作为查询信息Q，历史利用率数据作为待匹配信息K和融合信息V，通过Attention操作获得当前时刻和历史时刻的权重关系，并根据权重关系融合历史时刻的特征，获得此时停车场利用率的整体变化趋势特征：
Figure SMS_36
；其中T表示矩阵转置，再利用过去两个小时的利用率数据获得实时变化趋势特征：同样将停车场实时利用率作为Q，过去时刻的利用率数据作为K和V，利用Attention获得当前时刻和过去时刻的关系并融合过去时刻的特征，获得停车场利用率的实时变化特征，将全局变化趋势特征和实时变化特征通过layer_norm标准化保证数据分布的稳定性，并将两个特征按位相加，通过全连接层获得每个停车场未来半个小时的利用率特征/>
Figure SMS_37
，d是特征维度；
（4）空间Transformer获得每个停车场的推荐特征，将每个地点的特征作为Q，将用户特征作为K和V，获得每个地点和用户的交互关系，根据用户实时数据联合考虑用户到每个停车场的预估时间和停车价格，获得停车场推荐特征
Figure SMS_38
；
（5）推荐网络着重推荐步行距离少的停车场，以便节省用户时间和体力，因此将每个停车场到医院门口的步行距离通过多层感知机提取步行距离特征
Figure SMS_39
；
S6、获得推荐分数并训练网络：将步骤S5得到的利用率特征F、停车场推荐特征R、步行距离特征W拼接获得整体特征
Figure SMS_41
，再通过两层全连接层进行线性变换将三种特征融合，通过softmax函数获得每个停车场的推荐分数/>
Figure SMS_44
；其中，/>
Figure SMS_46
、
Figure SMS_42
是训练参数，/>
Figure SMS_43
是ReLu激活函数，Y表示了每个停车场的推荐分数，返回推荐分数最高的停车场id，与用户选择的停车场比较，使用交叉熵损失函数作为损失函数：
Figure SMS_45
；/>
Figure SMS_47
表示真实标签，用户选择此停车场为1，不选择为0，/>
Figure SMS_40
表示停车场i的推荐分数，通过最小化损失函数使用户实际选择的停车场的预测分数最大；
S7、输出结果：训练好网络模型后，整个推荐网络每天晚上收集当天每个时间段的停车场使用率，并与历史时刻的停车场数据融合，将用户的实时数据和道路实时情况输入推荐网络中，推荐网络根据用户的位置给出推荐的停车场。
实施例2：
如图2所示，用户使用实施例1所述停车场推荐方法得到推荐结果，具体为：
（1）用户发送请求：用户发送停车场推荐请求和实时位置；
（2）查询并收集数据：推荐网络收集实时外部数据并查询停车场数据库，实时外部数据包含天气情况、时间信息和道路拥堵情况，停车场数据库包括停车记录、实时利用率和每晚预处理利用率数据，推荐网络从停车场数据库中获得停车场的实时利用率数据和处理好的历史利用率变化数据，从停车场近一个月的停车记录中查询该用户是否在此停过车；其中停车场会实时记录每个时间段的利用率，每天晚上24点收集当天每个时间段的停车场利用率数据，更新到历史停车场利用率数据中，同时重新计算每天同一时刻的利用率均值，保存后以便之后直接使用；
（3）数据预处理：根据步骤（2）查询和收集的数据，利用实施例1中步骤S4选择可推荐的候选停车场，从历史利用率变化数据中选取前两个小时到后两个小时停车场的历史变化数据，根据用户和车场的位置找到坐在道路的拥堵情况；通过该步骤得到用户特征、停车场特征和one-hot编码；
（4）推荐网络提取动态时空特征：将用户特征、停车场特征和one-hot编码输入到训练好的实施例1中步骤S5所述推荐网络中，推荐网络提取利用率特征、停车场推荐特征和步行距离特征三种动态时空特征；
（5）根据推荐分数获得推荐停车场结果：先根据利用率特征、停车场推荐特征和步行距离特征评估每个停车场的推荐分数，再为用户推荐分数最高的停车场，得到推荐停车场结果；
（6）推荐结果返回用户：根据推荐停车场的id查询停车场的名称、位置、用户车辆的停车价格、预估步行距离，将停车场的推荐结果返回给用户，同时采用用户满意度调整模型调研用户对此次推荐结果是否满意，并返回步骤（4）更新模型的训练集再进行优化。
本文中未详细说明的算法和计算过程均为本领域通用技术。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的，因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (3)

1.一种基于Transformer动态时空关联的医院停车场推荐方法，其特征在于，包括以下步骤：
S1、停车场选取与数据收集：选择距离医院500米以内的停车场作为候选停车场，并记录停车场数据，停车场数据集包括名称、位置、价格、不同时刻的利用率、之前一个月在该停车场停过车的用户；
S2、预处理停车场历史数据：利用每天同一时刻的停车场历史利用率数据平均值，获得停车场的历史利用率变化数据；
S3、数据集收集：从不同数据源收集用户数据集和实时外部信息数据集，用户数据集包括用户的位置、时间、行驶速度、车辆类型、以及用户选择的停车场结果；实时外部信息数据集包括每个时刻的天气、道路拥堵情况、节假日数据；
S4、数据预处理与数据集划分：对停车场数据集、用户数据集和实时外部信息数据集三个数据集进行数据预处理，将预处理的用户数据、停车场数据和实时数据构造三元组<U，P，C>，将用户的行驶速度和所在车道拥堵情况构成用户特征U，将停车场id、停车场到用户的距离、用户车辆对应的停车价格、所在车道拥堵情况、是否用户在此停过车、历史和实时利用率数据构成停车场特征P，将实时天气和节假日外部信息构成one-hot编码C，得到用户特征、停车场特征和实时外部特征，并将数据集划分为训练集、验证集和测试集；
S5、推荐网络提取动态时空特征：采用推荐网络提取动态时空特征，获得利用率特征、停车场推荐特征和步行距离特征三种动态时空特征，具体过程为：
（1）输入每条训练数据，首先根据实时停车场利用率，将利用率高于98%的停车场删除，将剩余的
Figure QLYQS_1
个停车场作为候选推荐停车场；
（2）将表示天气、节假日的one-hot编码通过多层感知机提取实时外部特征，将实时停车场利用率数据和外部特征拼接，获得随实际变化的停车场实时特征；
（3）采用时间Transformer预测停车场未来利用率，先利用此时对应的前两个小时到后两个小时的历史利用率变化数据获得全局变化趋势特征：将停车场实时特征作为查询信息Q，历史利用率变化数据作为待匹配信息K和融合信息V，通过Attention操作获得当前时刻和历史时刻的权重关系，并根据权重关系融合历史时刻的特征，获得此时停车场利用率的全局变化趋势特征：
Figure QLYQS_2
，
其中T表示矩阵转置，dk为K的特征维度，再利用过去两个小时的利用率数据获得实时变化趋势特征：同样将停车场实时利用率作为Q，过去时刻的利用率数据作为K和V，利用Attention获得当前时刻和过去时刻的关系并融合过去时刻的特征，获得停车场利用率的实时变化特征，将全局变化趋势特征和实时变化趋势特征通过layer_norm标准化保证数据分布的稳定性，并将两个特征按位相加，通过全连接层获得每个停车场未来半个小时的利用率特征
Figure QLYQS_3
，d是特征维度；
（4）采用空间Transformer获得每个停车场的推荐特征，将每个地点的特征作为Q，将用户特征作为K和V，获得每个地点和用户的交互关系，根据用户实时数据联合考虑用户到每个停车场的预估时间和停车价格，获得停车场的推荐特征
Figure QLYQS_4
；
（5）将每个停车场到医院门口的步行距离通过多层感知机提取步行距离特征
Figure QLYQS_5
；
S6、获得推荐分数并训练网络：根据利用率特征、停车场推荐特征和步行距离特征评估每个停车场的推荐分数，为用户推荐分数最高的停车场，根据用户真实选择的停车场使用交叉熵损失函数（Cross Entropy Loss）作为损失函数，不断训练网络直到损失值不再减小，保存最小总损失值时的网络模型，具体过程为：将S5的利用率特征F、停车场推荐特征R、步行距离特征W拼接获得整体特征
Figure QLYQS_6
，再通过两层全连接层进行线性变换将三种特征融合，通过softmax函数获得每个停车场的推荐分数/>
Figure QLYQS_7
：
Figure QLYQS_8
，
其中
Figure QLYQS_9
、/>
Figure QLYQS_10
是训练参数，/>
Figure QLYQS_11
是ReLu激活函数，将推荐分数最高的停车场与用户选择的停车场比较，使用交叉熵作为损失函数：
Figure QLYQS_12
，
Figure QLYQS_13
表示真实标签，用户选择此停车场为1，不选择为0，/>
Figure QLYQS_14
表示停车场i的推荐分数，通过最小化损失函数使用户实际选择的停车场的预测分数最大；
S7、输出结果：训练好网络模型后，整个推荐网络每天晚上收集当天每个时刻的停车场使用率，并与历史时刻的停车场数据融合，将用户的实时数据和道路实时情况输入推荐网络中，推荐网络根据用户的位置给出推荐的停车场。
2.根据权利要求1所述基于Transformer动态时空关联的医院停车场推荐方法，其特征在于，步骤S2所述历史利用率变化数据包括工作日和双休日的历史利用率变化数据，每天的历史利用率变化趋势由这一天之前满足条件的所有天的利用率数据构成，工作日选取之前所有工作日的数据，双休日选取之前所有双休日的数据，将之前所有天同一时刻利用率的均值作为这一天每个时刻的历史值，从而获得停车场一天不同时刻的利用率变化趋势，处理后的数据集维度为
Figure QLYQS_15
，/>
Figure QLYQS_16
是数据集中天的个数，N是停车场的个数，/>
Figure QLYQS_17
是每一天时间段的个数，第t天的数据表示t天之前的历史变化过程。
3.根据权利要求2所述基于Transformer动态时空关联的医院停车场推荐方法，其特征在于，步骤S4中对停车场数据集、用户数据集和实时外部信息数据集三个数据集进行数据预处理的过程为：首先根据每条用户数据的请求时间，找到请求时间前两小时的实时停车场数据，并从S2预处理的历史利用率数据中找到对应天对应时刻的前两个小时到后两个小时的历史利用率变化数据，表示这一天之前几天的前两个小时到后两个小时的变化数据，再根据用户的位置利用Haversine公式计算用户到每个停车场的距离，用户的经纬度坐标为
Figure QLYQS_18
，停车场的坐标为/>
Figure QLYQS_19
，用户到停车场的距离为：
Figure QLYQS_20
，
其中，R代表地球的半径，利用欧氏距离分别找到距离用户位置和停车场位置最近的道路节点，记录其所在道路的拥堵情况；对数据划分得到的训练集用于训练网络模型，验证集用于训练时验证网络模型的性能，测试集用于测试训练结束后网络模型的性能。
CN202310368466.6A 2023-04-10 2023-04-10 一种基于Transformer动态时空关联的医院停车场推荐方法 Active CN116089744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310368466.6A CN116089744B (zh) 2023-04-10 2023-04-10 一种基于Transformer动态时空关联的医院停车场推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310368466.6A CN116089744B (zh) 2023-04-10 2023-04-10 一种基于Transformer动态时空关联的医院停车场推荐方法

Publications (2)

Publication Number Publication Date
CN116089744A CN116089744A (zh) 2023-05-09
CN116089744B true CN116089744B (zh) 2023-06-16

Family

ID=86210519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310368466.6A Active CN116089744B (zh) 2023-04-10 2023-04-10 一种基于Transformer动态时空关联的医院停车场推荐方法

Country Status (1)

Country Link
CN (1) CN116089744B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304357B (zh) * 2023-05-16 2023-08-11 松立控股集团股份有限公司 一种医院停车场推荐方法、***及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909845A (zh) * 2017-11-14 2018-04-13 北京悦畅科技有限公司 动态推荐最优停车场的方法、装置及***
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949606A (zh) * 2019-04-18 2019-06-28 佛山市百宇行智能科技有限公司 一种智能停车的大数据分析方法
CN110555990B (zh) * 2019-08-29 2021-04-13 桂林电子科技大学 一种基于lstm神经网络的有效停车时空资源预测方法
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
CN112115372B (zh) * 2020-11-18 2021-04-23 中电科新型智慧城市研究院有限公司 一种停车场的推荐方法及装置
CN113851016B (zh) * 2021-10-29 2024-04-30 中国联合网络通信集团有限公司 泊车管理方法、装置、电子设备及存储介质
CN116362370A (zh) * 2022-09-07 2023-06-30 成都秦川物联网科技股份有限公司 智慧城市停车场车位状态预估方法、物联网***及装置
CN115643285A (zh) * 2022-10-14 2023-01-24 成都秦川物联网科技股份有限公司 智慧城市停车场推荐方法和物联网***、装置、存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909845A (zh) * 2017-11-14 2018-04-13 北京悦畅科技有限公司 动态推荐最优停车场的方法、装置及***
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

Also Published As

Publication number Publication date
CN116089744A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN110991713B (zh) 基于多图卷积和gru的不规则区域流量预测方法
Gao et al. Optimize taxi driving strategies based on reinforcement learning
CN108362293B (zh) 一种基于关键点技术的车辆轨迹匹配方法
Lai et al. Urban traffic Coulomb’s law: A new approach for taxi route recommendation
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN113204718A (zh) 一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN112200351A (zh) 一种基于手机信令数据的城市区域客流量预测方法
Tiedemann et al. Concept of a data thread based parking space occupancy prediction in a berlin pilot region
CN112150207A (zh) 基于时空上下文注意力网络的网约车订单需求预测方法
CN116089744B (zh) 一种基于Transformer动态时空关联的医院停车场推荐方法
CN112863182B (zh) 基于迁移学习的跨模态数据预测方法
CN113327417B (zh) 基于3d动态时空残差卷积关联网络的交通流预测方法
US20230057564A1 (en) Methods for managing cleaning routes in smart cities, internet of things systems, and storage mediums
CN115545758A (zh) 城市服务设施自适应增量选址的方法和***
CN115034429A (zh) 基于深度图神经网络的城市出租车接客点推荐方法
Ara et al. Ride Hailing Service Demand Forecast by Integrating Convolutional and Recurrent Neural Networks.
CN115510333A (zh) 一种基于时空感知并结合局部和全局偏好的poi预测方法
CN113902209A (zh) 出行路线推荐方法、边缘服务器、云服务器、设备及介质
CN113077079A (zh) 一种基于数据驱动的轨道交通新线接入客流预测方法
Hassanzadeh et al. Using Neural Network for Predicting Hourly Origin-Destination Matrices from Trip Data and Environmental Information
CN117272849B (zh) 区域停车场饱和度的预测方法、***及可读存储介质
CN110189029A (zh) 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法
Zhao Parking Availability Prediction based on Machine Learning Approaches: A Case Study in the Short North Area

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