CN117523900A - 一种停车场占有率预测方法及*** - Google Patents
一种停车场占有率预测方法及*** Download PDFInfo
- Publication number
- CN117523900A CN117523900A CN202311298567.7A CN202311298567A CN117523900A CN 117523900 A CN117523900 A CN 117523900A CN 202311298567 A CN202311298567 A CN 202311298567A CN 117523900 A CN117523900 A CN 117523900A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- parking lot
- berth
- parking
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 41
- 230000001537 neural effect Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- 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
-
- 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
-
- 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
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种停车场占有率预测方法及***,涉及数据分析及预测技术领域,方法包括:通过所述泊车信息平台提取目标停车场内的实时停车场内状态信息;获取目标停车场内的多个变化特征;遍历泊位日历时间长度信息库,确定泊位时长数据,遍历泊位占用时间信息库,确定泊位占用时间数据;获取多个时段的预测泊位占有率;通过将所述多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率;基于所述多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度,解决了现有技术中存在的停车场预测工作由于不够严谨且完备性不足而导致预测准确度较差的问题,实现了关于停车场管理工作无法合理化精准管控。
Description
技术领域
本发明涉及数据分析及预测技术领域,具体涉及一种停车场占有率预测方法及***。
背景技术
随着社会经济的高速发展以及人们对出行需求的不断提升,城市中的汽车保有量也越来越高,停车困难逐渐成为影响人们开车出行的最大原因。停车场的建设无疑成为解决停车位问题的关键,而当前技术中存在的停车场没有经过***的设计,也无法对即将到来的车辆停车情况进行分析和预测,导致频频出现车位不够用,等待时间过长等问题。
现有技术中存在的停车场预测工作由于不够严谨且完备性不足而导致预测准确度较差的问题,使得最终关于停车场管理工作无法合理化精准管控。
发明内容
本申请提供了一种停车场占有率预测方法及***,解决了现有技术中存在的停车场预测工作由于不够严谨且完备性不足而导致预测准确度较差的问题,实现了关于停车场管理工作无法合理化精准管控。
鉴于上述问题,本申请提供了一种停车场占有率预测方法。
第一方面,本申请提供了一种停车场占有率预测方法,方法包括:通过所述泊车信息平台提取目标停车场内的实时停车场内状态信息;获取目标停车场内的多个变化特征,所述多个变化特征是基于所述实时停车场内状态信息进行时间序列分类所获;将所述多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将所述实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据;将所述泊位时长数据、所述泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率;通过将所述多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率;基于所述多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度。
第二方面,本申请提供了一种停车场占有率预测***,***包括:坐标系构建模块:构建载体坐标系和导航坐标系;加速度数据获取模块:基于所述载体坐标系和所述导航坐标系,通过加速度传感器对目标车辆进行加速度数据获取,得到加速度数据集;姿态参考基准数据集获取模块:根据多个所述加速度数据集获取多个偏移量数据,对所述偏移量数据进行提取,获得姿态参考基准数据集;三维姿态映射模块:使用所述三维姿态映射模块对所述姿态参考基准数据集进行筛选和优化处理,得到补偿轴向加速度数据集;姿态角获取模块:对所述补偿轴向加速度数据集进行计算,得到姿态角;当前姿态判断模块:根据所述姿态角判断目标车辆当前姿态,并进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种停车场占有率预测方法及***,通过泊车信息平台提取目标停车场内的实时停车场内状态信息,再获取目标停车场内的多个变化特征,多个变化特征是基于实时停车场内状态信息进行时间序列分类所获,然后将多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据,再将泊位时长数据、泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率,通过将多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率,最后基于多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度,解决了现有技术中存在的停车场预测工作由于不够严谨且完备性不足而导致预测准确度较差的问题,实现了关于停车场管理工作无法合理化精准管控。
附图说明
图1为本申请提供了一种停车场占有率预测方法流程示意图;
图2为本申请提供了一种停车场占有率预测***结构示意图。
附图标记说明:状态信息模块11,变化特征模块12,占用时间模块13,神经网络模块14,数据降噪模块15,泊车调度模块16。
具体实施方式
本申请通过提供一种停车场占有率预测方法及***,通过泊车信息平台提取目标停车场内的实时停车场内状态信息,再获取目标停车场内的多个变化特征,多个变化特征是基于实时停车场内状态信息进行时间序列分类所获,然后将多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据,再将泊位时长数据、泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率,通过将多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率,最后基于多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度。解决了现有技术中存在的停车场预测工作由于不够严谨且完备性不足而导致预测准确度较差的问题,实现了关于停车场管理工作无法合理化精准管控。
实施例一
如图1所示,本申请提供了一种停车场占有率预测方法及***,方法包括:
通过所述泊车信息平台提取目标停车场内的实时停车场内状态信息;
泊车信息平台是通过对目标停车场进行实时监控,并将目标停车场中的停车信息进行收集记录,通过对泊车信息平台进行信息搜索,并根据平台信息进行遍历,获取所需信息,将获取的信息进行整合分析,进而判断目标停车场内的实时停车场内状态信息。泊车信息由多项停车信息组成,包括目标停车场的进场车辆数据和目标停车场的离场车辆数据,通过对进场车辆数据和离场车辆数据进行数字计算,等够得到停留在目标停车场的车辆数量。将得到的停留在目标停车场的车辆数量作为停车场状态信息进行输出,表示目标停车场的停车情况,实时停车场内状态信息的获取,为后续将多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据提供数据基础。
获取目标停车场内的多个变化特征,所述多个变化特征是基于所述实时停车场内状态信息进行时间序列分类所获;
目标停车场的变化特征表示目标停车场车位停车情况与不同时间段之间的关系,并根据目标停车场车位停车情况与不同时间段之间的关系进行分析,获取目标停车场车位停车情况与不同时间段之间的动态变化对应情况,通过对动态变化对应情况进行特征分析,得到动态变化特征,即目标停车场的变化特征。时间序列分类是指将实时停车场内状态信息按照时间关系进行分类,将实时停车场内状态信息的时间信息进行获取,并将时间信息进行归类,设置时间段,将同一时间段的实时停车场内状态信息进行归纳,即完成时间序列分类。目标停车场内多个变化特征的获取,为后续将多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据提供数据基础。
将所述多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将所述实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据;
将多个变化特征进行关键字提取,获取关键字提取结果,将关键字作为索引的关键字信息在泊位日历时间长度信息库中遍历,获取遍历结果,并将遍历结果进行输出,得到泊位时长数据。其中,泊位时长数据中的日历泊位小时数为每个泊位在册天数与二十四相乘,二十四代表一天中二十四小时,将天数与小时数相乘得到日历泊位小时数,并将日历泊位小时数作为泊位时长数据进行输出,再将实时停车场内状态信息进行关键字提取,得到实时停车场内状态信息的关键字,将提取的关键字作为搜索关键字在泊位占用时间信息库中进行相关信息检索,对泊位占用时间信息库进行遍历,得到与关键字相匹配的搜索结果,得到泊位占用时间数据,泊位占用时间数据与实时停车场内状态信息具有对应关系。其中,泊位日历时间长度信息库根据历史泊位时长数据进行收集构建,泊位占用时间信息库根据历史泊位占用时间数据进行收集构建,泊位时长数据和泊位占用时间数据的获取,为后续将泊位时长数据、泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率提供数据基础。
将所述泊位时长数据、所述泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率;
预测神经子网络是指基于神经网络进行构建的网络,具有对数据发展进行预测的能力,预测神经子网络基于BP神经网络进行构建,对泊位日历时间长度信息库进行搜索获取相应的泊位时长数据,对泊位占用时间信息库进行搜索获取泊位占用时间数据,将泊位占用时间数据和泊位时长数据作为原始数据进行预测神经子网络的构建,并将原始数据进行筛选,挑选出符合预测神经子网络的原始数据,并将不符合要求的数据如数值过为极端、数值不方便计算等数据进行剔除,经筛选后得到的原始数据为训练数据,并将训练数据进行归一化处理,将训练数据的单位数值等进行统一,方便后续对各项数据进行计算。预测神经子网络有为三层结构,包括输入层、输出层和隐含层,且输入层和隐含层含有多个预测单元,通过预测单元对数据进行数值处理实现预测。将训练数据中的泊位占用时间和泊位时长设为输入变量,将泊位占有率设为输出变量,对输入层和隐含层的单元进行幅值,并根据训练数据对其进行训练,将输出层得到的输出数据与训练样本中的样本输出数据进行对比,并对对比结果进行分析,根据分析结果对预测单元数据进行调整。通过预测神经子网络获取多个时段的预测泊位占有率,为后续通过将多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率提供数据基础。
通过将所述多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率;
数据降噪为消除数据中的噪声成分,将信号特征进行真实性还原的一种处理方式,通过将有害噪声进行去除,还原出原始信息并满足工程设计和实际应用的需求。通过预测神经子网络获取的多个时段的预测泊位占有率具有大量的干扰因素,在使用多个时段的有效预测泊位占有率进行后续处理时,会由于大量干扰因素而出现无法对多个时段的有效预测泊位占有率进行有效解析,并根据解析结果对相应的目标停车场的全时段进行泊车调度产生阻碍,无法对目标停车场的全时段泊车进行合理的调度,所以需要对多个时段的有效预测泊位占有率提供相应的降噪处理。先对噪声数据进行确定,根据多个时段的预测泊位占有率中的无意义信息进行选取,将占有率信息以外的信息都作为无意义信息,将无意义信息进行剔除,将无意义信息剔除之后的无意义信息进行还原,重新组合成为多个时段的预测泊位占有率数据特征,根据组合的特征对多个时段的预测泊位占有率进行确定,判断该降噪后的多个时段的预测泊位占有率数据是否发生数据改变,并将数据特征进行还原,得到多个时段的预测泊位占有率,多个时段的预测泊位占有率的获取为后续基于多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度提供数据基础。
基于所述多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度。
根据多个时段的有效预测泊位占有率对目标停车场进行泊车位占有率分析,获得各个车位的占有情况,并将车辆占有率情况进行反馈,在车辆停车高峰期时段中有效预测泊位占有率相较于平常时段较为特殊,在车辆停车高峰时段中,对目标停车场的泊车调度相对影响较弱,所以在停车高峰时段中,需要对目标停车场提前进行泊车调度准备,相较于普通时段更早对目标停车场进行相应调度,并且在停车高峰时段中除对目标停车场进行调度外,还设置相应的进出场管理方式,通过多个时段的预测泊位占有率精准判断高峰时段开始和结束时间,并根据开始结束时间进行进出场调整,如延长提前手机缴停车费时间等,与基于多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度,能够使停车场停车管理更加完善。
进一步而言,所述方法还包括:
通过所述泊车信息平台提取目标停车场的实时进场数据、实时出场数据;
基于所述实时进场数据、所述实时出场数据进行状态赋值,确定实时状态数值,其中,所述实时状态数值等于1或0;
当所述实时状态数值等于0时,则视为目标停车场内为空闲状态;
将所述空闲状态添加至所述实时停车场内状态信息中。
在对泊车信息平台进行目标停车场内的实时停车场内状态信息提取时,需要将停车场状态进行设定。通过泊车信息平台提取目标停车场的实时进场数据和实时出场数据,其中,泊车信息平台包括实时停车场内状态信息,停车场内状态信息包括实时进场数据、实时出场数据。基于实时进场数据和实时出场数据,并根据实时进场数据和实时出场数据对停车状态进行幅值,将实时状态的值定为1或0,其中,实时状态数值等于1时,则表示目标停车场内为占有状态;实时数值为0时,表示目标停车场为空闲状态,空闲状态是指没有一辆车停放在目标停车场内,并将目标停车场的空闲状态添加至实时停车场内状态信息中,停车场状态信息的获取,为后续将多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据提供数据基础。
进一步而言,所述方法还包括:
当所述实时状态数值等于1时,则视为目标停车场内为占有状态;
基于所述占有状态通过所述泊车信息平台确定车位占有数量;
通过所述车位占有数量记录车位占有时长数据,根据所述车位占有时长数据确定车位占有时序数据;
基于所述车位占有时长数据、所述车位占有时序数据反向对所述占有状态进行数据扩充,将扩充结果添加至所述实时停车场内状态信息中。
当实时状态数值判定为1时,则表示目标停车场为占有状态,在目标停车场中有车辆停放,并通过车位占有数量对车位占有时长数据进行记录,获取与车位占有数量相对应的车位占有时长数据,再根据车位占有时长数据对车位占有时序数据进行确定,其中,车位占有时序表示当前车位被占有的时间顺序,根据车位占有时序可以确定车位的占有情况与时间前后之间的关系,根据车位占有时长数据,车位占有时序数据对占有状态数据进行相应扩充,获得扩充结果,得到扩充后的实时停车场内状态信息。在将实时状态数值为1的情况进行具体分析后,得到目标停车场的具体停车情况,包括所剩车位信息和车位占有数据,车位占有数据又包括车位占用时长信息和时序数据,并将时序数据和时长信息进行添加,能够使实时停车场内状态信息更加完整,使后续根据实时停车场内状态信息进行判断更加准确合理。
进一步而言,所述方法还包括:
提取所述实时停车场内状态信息的占有状态作为第一坐标系;
将所述实时停车场内状态信息中的占有时间作为第二坐标系;
基于所述第一坐标系、所述第二坐标系建立目标停车场内泊车信息坐标系;
将所述实时停车场内状态信息中每一个时间节点以及其所对应的车位占有状态填入所述泊车信息坐标系内,根据时间序列进行时段分类,获取所述目标停车场内的多个变化特征。
对目标停车场进行预测,需要获取目标停车场的特征,获取目标停车场的特征需要对目标停车场进行特征分析并进行特征提取。构建平面直角坐标系,将目标停车场的实时停车场内状态信息的占有状态进行提取,获取提取结果,并将提取结果作为纵坐标,即第一坐标系;将实时停车场内状态信息中的占有时间进行提取,获得提取结果,并将提取结果作为横坐标,即第二坐标系,将横纵坐标系分别填入直角坐标系中进行直角坐标系表示,得到基于第一坐标系、第二坐标系建立的目标停车场内泊车信息坐标系,该直角坐标系表示目标停车场中占有时间与占有状态的对应关系,在不同时间段中,停车场的占有状态会呈现出不同的特征,将时间序列进行分段,得到分段结果,并将分段结果进行标记,对分段时间序列进行段分类,得到多个类型的时间段,并将时间段中的占有状态进行获取,将占有状态与时间进行特征分析,得到占有状态与时间之间特征,并将相邻时间段的占有特征进行对比,获得多个目标停车场的变化特征,将变化特征进行输出,变化特征的获取,为后续将多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据提供数据基础。
进一步而言,所述方法还包括:
所述预测神经子网络包含数据输入层、隐含层、输出层;
对所述泊位时长数据、泊位占用时间数据进行数据标注,获得构建数据集,其中,所述构建数据集内包括训练集和验证集;
采用所述训练集和所述验证集对所述预测神经子网络进行监督训练和验证,直到所述预测神经子网络或准确率达到预设要求,构建所述预测神经子网络。
对预测神经子网络进行构建时,预测神经子网络包括三层,输入层、隐含层和输出层。在对数据进行获取时,先将泊位时长数据、泊位占用时间数据进行数据标注,获取构建数据集,构建数据集包括泊位时长数据和泊位占用时间数据,且构建数据集包括训练集和验证集,训练集用来对预测神经子网络进行数据训练,验证集用来对训练数据得到的结果进行验证,将得到结果根据验证集进行预测子网络的修正和优化。采用训练集和验证集对预测神经子网络进行监督和验证,设定准确率,将预测神经子网络输出结果进行准确率验证,对预测神经子网络进行训练集输入,将得到的结果集与验证集进行比对,得到错误和正确的选项,并计算结果集的正确率,如果正确率无法大于等于准确率,则将预测神经子网络进行参数调整,直至正确率达到准确率为止,预测神经子网络的构建,为后续将泊位时长数据、泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率提供数据基础。
进一步而言,所述方法还包括:
基于所述多个时段的预测泊位占有率进行无效时段数据筛选,确定噪声数据;
通过消除所述噪声数据进行噪点去除还原目标停车场内的泊位占有时段特征;
根据所述泊位占有时段特征确定所述多个时段的有效预测泊位占有率。
在对数据进行降噪的过程中,需要将无效时段数据进行去除,再根据去除无效时段数据后的预测泊位占有率进行还原。通过大数据获取噪声数据,并将获取的噪声数据进行收集,得到样本噪声数据集,通过对样本噪声数据集进行筛选,将不符合预测数据的样本噪声进行剔除,得到噪声数据集,对噪声数据集进行特征提取,获取噪声数据集中个噪声数据的特征,并将特征进行聚类分析,获取噪声数据的类别情况,并将多个类别的噪声数据进行相应的标识,获取多种噪声数据集。对多个时段的预测泊位占有率进行特征提取,并与多种噪声数据特征进行特征匹配,获取与多种噪声数据相匹配的特征,得到特征匹配结果,根据特征匹配结果得到多个时段的预测泊位占有率中的噪声数据,即多个时段的无效预测泊位占有率,将无效预测泊位占有率从多个时段的预测泊位占有率中进行剔除,得到有效预测泊位占有率,将消除噪声数据进行噪点去除还原目标停车场内的泊位占有时段特征,根据特征对有效预测泊位占有率进行验证,得到验证结果,根据验证结果对有效预测泊位占有率进行补全,得到完整的多个时段的有效预测泊位占有率,为后续基于多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度提供基础。
实施例二
基于与前述实施例中一种停车场占有率预测方法相同的发明构思,如图2所示,本申请提供了一种停车场占有率预测***,所述***包括:
状态信息模块11:所述状态信息模块11用于通过所述泊车信息平台提取目标停车场内的实时停车场内状态信息;
变化特征模块12:所述变化特征模块12用于获取目标停车场内的多个变化特征,所述多个变化特征是基于所述实时停车场内状态信息进行时间序列分类所获;
占用时间模块13:所述占用时间模块13用于将所述多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将所述实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据;
神经网络模块14:所述神经网络模块14用于将所述泊位时长数据、所述泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率;
数据降噪模块15:所述数据降噪模块15用于通过将所述多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率;
泊车调度模块16:所述泊车调度模块16用于基于所述多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度。
进一步而言,所述***还包括:
实时数据提取模块:所述实时数据提取模块用于通过所述泊车信息平台提取目标停车场的实时进场数据、实时出场数据;
实时数据状态赋值模块:所述实时数据状态赋值模块用于基于所述实时进场数据、所述实时出场数据进行状态赋值,确定实时状态数值,其中,所述实时状态数值等于1或0;
空闲状态模块:所述空闲状态模块用于当所述实时状态数值等于0时,则视为目标停车场内为空闲状态;
停车场内状态信息添加模块:所述停车场内状态信息添加模块用于将所述空闲状态添加至所述实时停车场内状态信息中。
进一步而言,所述***还包括:
占有状态模块:所述占有状态模块用于当所述实时状态数值等于1时,则视为目标停车场内为占有状态;
车位占有数量模块:所述车位占有数量模块用于基于所述占有状态通过所述泊车信息平台确定车位占有数量;
车位占有时序数据模块:所述车位占有时序数据模块用于通过所述车位占有数量记录车位占有时长数据,根据所述车位占有时长数据确定车位占有时序数据;
占有状态数据扩充模块:所述占有状态数据扩充模块用于基于所述车位占有时长数据、所述车位占有时序数据反向对所述占有状态进行数据扩充,将扩充结果添加至所述实时停车场内状态信息中。
进一步而言,所述***还包括:
第一坐标系模块:所述第一坐标系模块用于提取所述实时停车场内状态信息的占有状态作为第一坐标系;
第二坐标系模块:所述第二坐标系模块用于将所述实时停车场内状态信息中的占有时间作为第二坐标系;
泊车信息坐标系建立模块:所述泊车信息坐标系建立模块用于基于所述第一坐标系、所述第二坐标系建立目标停车场内泊车信息坐标系;
时段分类模块:所述时段分类模块用于将所述实时停车场内状态信息中每一个时间节点以及其所对应的车位占有状态填入所述泊车信息坐标系内,根据时间序列进行时段分类,获取所述目标停车场内的多个变化特征。
进一步而言,所述***还包括:
预测神经子网络模块:所述预测神经子网络模块用于所述预测神经子网络包含数据输入层、隐含层、输出层;
构建数据集模块:所述构建数据集模块用于对所述泊位时长数据、泊位占用时间数据进行数据标注,获得构建数据集,其中,所述构建数据集内包括训练集和验证集;
预测神经子网络构建模块:所述预测神经子网络构建模块用于采用所述训练集和所述验证集对所述预测神经子网络进行监督训练和验证,直到所述预测神经子网络或准确率达到预设要求,构建所述预测神经子网络。
进一步而言,所述***还包括:
无效时段数据筛选模块:所述无效时段数据筛选模块用于基于所述多个时段的预测泊位占有率进行无效时段数据筛选,确定噪声数据;
泊位占有时段特征还原模块:所述泊位占有时段特征还原模块用于通过消除所述噪声数据进行噪点去除还原目标停车场内的泊位占有时段特征;
泊位占有率预测模块:所述泊位占有率预测模块用于根据所述泊位占有时段特征确定所述多个时段的有效预测泊位占有率。
本说明书通过前述对一种停车场占有率预测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种停车场占有率预测方法,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种停车场占有率预测方法,其特征在于,所述方法应用于一种停车场占有率预测***,所述一种停车场占有率预测***与泊车信息平台通信连接,所述方法包括:
通过所述泊车信息平台提取目标停车场内的实时停车场内状态信息;
获取目标停车场内的多个变化特征,所述多个变化特征是基于所述实时停车场内状态信息进行时间序列分类所获;
将所述多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将所述实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据;
将所述泊位时长数据、所述泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率;
通过将所述多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率;
基于所述多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度。
2.如权利要求1所述的方法,其特征在于,通过所述泊车信息平台提取目标停车场内的实时停车场内状态信息,方法还包括:
通过所述泊车信息平台提取目标停车场的实时进场数据、实时出场数据;
基于所述实时进场数据、所述实时出场数据进行状态赋值,确定实时状态数值,其中,所述实时状态数值等于1或0;
当所述实时状态数值等于0时,则视为目标停车场内为空闲状态;
将所述空闲状态添加至所述实时停车场内状态信息中。
3.如权利要求2所述的方法,其特征在于,方法还包括:
当所述实时状态数值等于1时,则视为目标停车场内为占有状态;
基于所述占有状态通过所述泊车信息平台确定车位占有数量;
通过所述车位占有数量记录车位占有时长数据,根据所述车位占有时长数据确定车位占有时序数据;
基于所述车位占有时长数据、所述车位占有时序数据反向对所述占有状态进行数据扩充,将扩充结果添加至所述实时停车场内状态信息中。
4.如权利要求1所述的方法,其特征在于,所述获取目标停车场内的多个变化特征,方法还包括:
提取所述实时停车场内状态信息的占有状态作为第一坐标系;
将所述实时停车场内状态信息中的占有时间作为第二坐标系;
基于所述第一坐标系、所述第二坐标系建立目标停车场内泊车信息坐标系;
将所述实时停车场内状态信息中每一个时间节点以及其所对应的车位占有状态填入所述泊车信息坐标系内,根据时间序列进行时段分类,获取所述目标停车场内的多个变化特征。
5.如权利要求1所述的方法,其特征在于,方法还包括:
所述预测神经子网络包含数据输入层、隐含层、输出层;
对所述泊位时长数据、泊位占用时间数据进行数据标注,获得构建数据集,其中,所述构建数据集内包括训练集和验证集;
采用所述训练集和所述验证集对所述预测神经子网络进行监督训练和验证,直到所述预测神经子网络或准确率达到预设要求,构建所述预测神经子网络。
6.如权利要求1所述的方法,其特征在于,通过将所述多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率,方法还包括:
基于所述多个时段的预测泊位占有率进行无效时段数据筛选,确定噪声数据;
通过消除所述噪声数据进行噪点去除还原目标停车场内的泊位占有时段特征;
根据所述泊位占有时段特征确定所述多个时段的有效预测泊位占有率。
7.一种停车场占有率预测***,其特征在于,所述***应用于一种停车场占有率预测***,所述一种停车场占有率预测***与泊车信息平台通信连接,所述***包括:
状态信息模块:通过所述泊车信息平台提取目标停车场内的实时停车场内状态信息;
变化特征模块:获取目标停车场内的多个变化特征,所述多个变化特征是基于所述实时停车场内状态信息进行时间序列分类所获;
占用时间模块:将所述多个变化特征作为索引数据,遍历泊位日历时间长度信息库,确定泊位时长数据,将所述实时停车场内状态信息作为索引数据,遍历泊位占用时间信息库,确定泊位占用时间数据;
神经网络模块:将所述泊位时长数据、所述泊位占用时间数据同步至预测神经子网络,获取多个时段的预测泊位占有率;
数据降噪模块:通过将所述多个时段的预测泊位占有率进行数据降噪确定多个时段的有效预测泊位占有率;
泊车调度模块:基于所述多个时段的有效预测泊位占有率对目标停车场的全时段进行泊车调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311298567.7A CN117523900A (zh) | 2023-10-09 | 2023-10-09 | 一种停车场占有率预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311298567.7A CN117523900A (zh) | 2023-10-09 | 2023-10-09 | 一种停车场占有率预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117523900A true CN117523900A (zh) | 2024-02-06 |
Family
ID=89753849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311298567.7A Pending CN117523900A (zh) | 2023-10-09 | 2023-10-09 | 一种停车场占有率预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523900A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014404A (zh) * | 2024-04-08 | 2024-05-10 | 绿城科技产业服务集团有限公司 | 基于停车场***的智能优化方法及*** |
-
2023
- 2023-10-09 CN CN202311298567.7A patent/CN117523900A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014404A (zh) * | 2024-04-08 | 2024-05-10 | 绿城科技产业服务集团有限公司 | 基于停车场***的智能优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493608B (zh) | 非法营运车辆的识别方法及***和计算机可读的存储介质 | |
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
CN104169990B (zh) | 用于提供关于空闲停车位的驻车信息的方法 | |
CN109697854B (zh) | 多维度的城市道路交通状态评估方法 | |
CN111311918B (zh) | 一种基于视觉分析的交通管理方法及装置 | |
CN117523900A (zh) | 一种停车场占有率预测方法及*** | |
CN114463972B (zh) | 一种基于etc门架通信数据的路段区间交通分析预测方法 | |
CN110598999B (zh) | 基于个体数据的交通出行分析方法、***及存储介质 | |
CN109903555B (zh) | 一种基于大数据的公交乘客下车数据预测方法及*** | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
CN107862072B (zh) | 基于大数据技术分析车辆入城套牌作案的方法 | |
CN111199247B (zh) | 一种公交运行仿真方法 | |
CN116206451A (zh) | 一种智慧交通车流数据分析方法 | |
CN112488043B (zh) | 一种基于边缘智能的无人机车辆目标检测方法 | |
CN114023076A (zh) | 一种基于多源异构数据的特定车辆追踪方法 | |
CN110633314A (zh) | 车联网数据处理方法及装置 | |
CN112150814B (zh) | 基于智能交通的信息处理方法、装置及智能交通*** | |
CN116128160A (zh) | 一种铁路车站高峰客流预测方法、***及设备和介质 | |
CN114757447B (zh) | 一种多模型混合的客运枢纽站客流量预测方法及*** | |
CN113450592B (zh) | 一种基于循环神经网络的停车场占有率预测方法 | |
CN114565031A (zh) | 基于经纬度的车队识别方法、装置及计算机设备 | |
CN113421067A (zh) | 一种共享自行车品牌识别与数量管理方法及*** | |
Koniaev-Gurchenko et al. | Automated evaluation of smart city data from cloud-system | |
CN116108368B (zh) | 一种基于深度学习混合模型的沉积微相识别方法和装置 | |
CN118195459B (zh) | 基于多源数据的物流运输管理方法及*** |
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 |