一种时空一体化智慧停车诱导方法技术

本发明专利技术公开了一种时空一体化智慧停车诱导方法，涉及城市停车诱导技术领域，通过收集城市区域内的停车场数量、停车诱导屏数量以及待泊车辆的数量；获取停车场历史空余泊位数据，利用随机森林算法训练空余泊位预测模型，实时预测并动态更新每个周期的剩余泊位数据；利用随机森林算法训练路段平均速度预测模型；并基于实时的路况数据，预测每个周期的路段平均速度信息；根据路段长度与平均速度的比值及车辆在交叉口的延误时间计算行程时间；以区域内待泊车辆的停车成本最小为优化目标，建立个性化的停车泊位分配模型，为停车用户提供最合适的停车出行方案；解决了城市内停车实时诱导的问题。的问题。的问题。

【技术实现步骤摘要】
一种时空一体化智慧停车诱导方法


[0001]本专利技术属于停车诱导领域，涉及大数据处理技术，具体是一种时空一体化智慧停车诱导方法。

技术介绍

[0002]随着小汽车拥有量的激增，“停车难”问题日益凸显。如何最大限度利用现有停车资源，为出行车辆提供实时且精准的停车泊位信息，并引导出行车辆找到合适的停车泊位，减少出行车辆因寻找停车泊位的巡游时间，提高区域的停车效率，成为当下需要解决的关键问题；
[0003]目前路面常见的停车诱导屏存在的弊端包括：仅显示附近停车场的位置信息及空余泊位数，缺乏停车行程时间信息；或停车诱导系统较少同时考虑路段的通行能力和停车场的剩余泊位数；
[0004]为此，提出一种时空一体化智慧停车诱导方法。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种时空一体化智慧停车诱导方法，该一种时空一体化智慧停车诱导方法通过收集城市区域内的停车场数量、停车诱导屏数量以及待泊车辆的数量；获取停车场历史空余泊位数据，利用随机森林算法训练空余泊位预测模型，实时预测并动态更新每个周期的剩余泊位数据；利用随机森林算法训练路段平均速度预测模型；并基于实时的路况数据，预测每个周期的路段平均速度信息；根据路段长度与平均速度的比值及车辆在交叉口的延误时间计算行程时间；以区域内待泊车辆的停车成本最小为优化目标，建立个性化的停车泊位分配模型，为停车用户提供最合适的停车出行方案；解决了城市内停车实时诱导的问题。
[0006]为实现上述目的，根据本专利技术的第一方面的实施例提出一种时空一体化智慧停车诱导方法，包括以下步骤：
[0007]步骤一：收集城市区域内的停车场数量、停车诱导屏数量以及待泊车辆的数量；将停车场数量标记为m，将停车诱导屏数量标记为n，以及将待泊车辆标记为p，待泊车辆数量标记为Np；
[0008]步骤二：根据城市区域停车场道闸数据和智慧停车平台数据，获取停车场实时空余泊位数据，根据历史空余泊位数据、实时路况数据、历史路况数据构建停车场最佳泊位供给预测模型，并利用随机森林算法训练最佳空余泊位供给预测模型，根据停车场周边路网交通承载能力，实时预测并动态更新每个周期的停车场可提供的最佳空余泊位数据；每个周期的间隔时间根据实际经验设置；
[0009]步骤三：通过接入互联网路况数据，根据互联网实时路况数据和历史路况数据，并考虑路段的时空关联特性，利用随机森林算法训练路段平均速度预测模型；并基于实时的路况数据，预测每个周期的路段平均速度信息；根据路段长度与平均速度的比值及车辆在
交叉口的延误时间计算行程时间，并动态更新停车诱导屏到达邻近停车场的行程时间信息；
[0010]步骤四：将每个周期的停车场最佳空余泊位数据和行程时间信息实时反馈并显示在停车诱导屏上，或通过智慧停车微信小程序、移动APP反馈至具有停车需求的驾驶人；
[0011]步骤五：对于安装智慧停车微信小程序、移动APP的停车用户，以区域内待泊车辆的停车成本最小为优化目标，并结合每个周期区域内各停车场的空余泊位数和路段通行能力，建立个性化的停车泊位分配模型，为停车用户提供最合适的停车出行方案；
[0012]其中，每个周期的间隔时间根据实际经验设置；
[0013]其中，所述利用随机森林算法训练空余泊位预测模型，实时预测并动态更新每个周期的剩余泊位数据包括以下步骤：
[0014]步骤S1：数据准备；将停车场的每日空余泊位数历史数据按照时间顺序和统计间隔规整为一个时间序列；以一个时间周期间隔为统计周期，统计每个统计周期内停车场的每日空余泊位数；将空余泊位数标记为N
e
；空余泊位数N
e
的计算方式为：N
e
＝N
e.0
+N
in
‑
N
out
；其中，N
e.0
为初始时刻停车场内部的剩余泊位数；N
in
为统计时间段内停车场的驶入车辆数；N
out
为统计时间段内停车场的驶出车辆数；
[0015]步骤S2：划分训练集和测试集；将空余泊位数时间序列S
e
＝{N
e
(1)，N
e
(2)，...，N
e
(k)}按照时间顺序划分为输入和输出；并根据输入和输出获得训练集D；其中，N
e
(t)为第t个统计间隔内的空余泊位数；t＝1，2，3
…
k；
[0016]其中输入和输出的划分方式为：输入为时间周期k前n
lag
个统计周期内的空余泊位数序列，即：{N
e
(t
‑
n
lag
)，N
e
(t
‑
n
lag
‑
1)，...，N
e
(k
‑
2)，N
e
(k
‑
1)}；则模型的输出为第k个统计间隔的空余泊位数N
e
(k)；其中，n
lag
根据实际经验设置；
[0017]其中训练集D＝{(x1，y1)，(x2，y2)，...，(x
k
，y
k
)，...，(x
n
，y
n
)}；其中，x
k
＝{N
e
(t
‑
n
lag
)，N
e
(t
‑
n
lag
‑
1)，...，N
e
(k
‑
2)：N
e
(k
‑
1)}，y
k
＝N
e
(k)；
[0018]步骤S3：数据归一化；
[0019]步骤S4：使用随机森林算法训练空余最佳泊位数预测模型；
[0020]步骤S5；将待预测时间段前n
lag
个统计间隔的空余泊位数时间序列输入到训练完成的随机森林的空余泊位数预测模型，得到未来时间段内的空余泊位数；
[0021]其中，所述数据归一化的方式为按最小
‑
最大归一化方法将训练集和测试集中的空余泊位数进行归一化处理；
[0022]其中，所述使用随机森林算法训练空余泊位数预测模型包括以下步骤：
[0023]步骤P1：从空余泊位数训练数据集D中随机抽取样本集合D
i
；其中，i为抽取次数；
[0024]步骤P2：利用D
i
和CART算法训练决策树f
d
(x)；
[0025]步骤P3：重复步骤P2，直至生成Kd棵树；其中，Kd为样本集合的数量；
[0026]步骤P4：最终的空余泊位数预测输出值为生成的所有决策树的预测输出值的平均值，即本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时空一体化智慧停车诱导方法，其特征在于，包括以下步骤：步骤一：收集城市区域内的停车场数量、停车诱导屏数量以及待泊车辆的数量；将停车场数量标记为m，将停车诱导屏数量标记为n，以及将待泊车辆标记为p，待泊车辆数量标记为Np；步骤二：根据城市区域停车场道闸数据和智慧停车平台数据，获取停车场实时空余泊位数据，根据历史空余泊位数据、实时路况数据、历史路况数据构建停车场最佳泊位供给预测模型，并利用随机森林算法训练最佳空余泊位供给预测模型，根据停车场周边路网交通承载能力，实时预测并动态更新每个周期的停车场可提供的最佳空余泊位数据；每个周期的间隔时间根据实际经验设置；步骤三：通过接入互联网路况数据，根据互联网实时路况数据和历史路况数据，并考虑路段的时空关联特性，利用随机森林算法训练路段平均速度预测模型；并基于实时的路况数据，预测每个周期的路段平均速度信息；根据路段长度与平均速度的比值及车辆在交叉口的延误时间计算行程时间，并动态更新停车诱导屏到达邻近停车场的行程时间信息；步骤四：将每个周期的停车场最佳空余泊位数据和行程时间信息实时反馈并显示在停车诱导屏上，或通过智慧停车微信小程序、移动APP反馈至具有停车需求的驾驶人；步骤五：对于安装智慧停车微信小程序、移动APP的停车用户，以区域内待泊车辆的停车成本最小为优化目标，并结合每个周期区域内各停车场的空余泊位数和路段通行能力，建立个性化的停车泊位分配模型，为停车用户提供最合适的停车出行方案。2.根据权利要求1所述的一种时空一体化智慧停车诱导方法，其特征在于，所述利用随机森林算法训练空余泊位预测模型，实时预测并动态更新每个周期的剩余泊位数据包括以下步骤：步骤S1：数据准备；将停车场的每日空余泊位数历史数据按照时间顺序和统计间隔规整为一个时间序列；以一个时间周期间隔为统计周期，统计每个统计周期内停车场的每日空余泊位数；将空余泊位数标记为N
e
；空余泊位数N
e
的计算方式为：N
e
＝N
e.0
+N
in
‑
N
out
；其中，N
e.0
为初始时刻停车场内部的剩余泊位数；N
in
为统计时间段内停车场的驶入车辆数；N
out
为统计时间段内停车场的驶出车辆数；步骤S2：划分训练集和测试集；将空余泊位数时间序列S
e
＝{N
e
(1)，N
e
(2)，...，N
e
(k)}按照时间顺序划分为输入和输出；并根据输入和输出获得训练集D；其中，N
e
(t)为第t个统计间隔内的空余泊位数；t＝1，2，3
…
k；步骤S3：数据归一化；步骤S4：使用随机森林算法训练空余最佳泊位数预测模型；步骤S5；将待预测时间段前n
log
个统计间隔的空余泊位数时间序列输入到训练完成的随机森林的空余泊位数预测模型，得到未来时间段内的空余泊位数。3.根据权利要求2所述的一种时空一体化智慧停车诱导方法，其特征在于，输入和输出的划分方式为：输入为时间周期k前n
log
个统计周期内的空余泊位数序列，即：{N
e
(t
‑
n
log
)，N
e
(t
‑
n
log
‑
1)，...，N
e
(k
‑
2)，N
e
(k
‑
1)}；则模型的输出为第k个统计间隔的空余泊位数N
e
(k)；其中，n
log
根据实际经验设置；其中训练集D＝{(x1，y1)，(x2，y2)，...，(x
k
，y
k
)，...，(x
n
，y
n
)}；其中，x
k
＝{N
e
(t
‑
n
log
)，N
e
(t
‑
n
log
‑
1)，
…
，N
e
(k
‑
2)，N
e
(k
‑
1)}，y
k
＝N
e
(k)。
4.根据权利要求1所述的一种时空一体化智慧停车诱导方法，其特征在于，所述数据归一化的方式为按最小
‑
最大归一化方法将训练集和测试集中的空余泊位数进行归一化处理。5.根据权利要求1所述的一种时空一体化智慧停车诱导方法，其特征在于，所述使用随机森林算法训练空余泊位数预测模型包括以下步骤：步骤P1：从空余泊位数训练数据集D中随机抽取样本集合D
i
；其中，i为抽取次数；步骤P2：利用D
i
和CART算法训练决策树f
d
(x)；步骤P3：重复步骤P2，直至生成Kd棵树；其中，Kd为样本集合的数量；步骤P4：最终的空余泊位数预测输出值为生成的所有决策树的预测输出值的平均值，即：步骤P5：将待预测时间段前n
lag
个统计间隔的空余泊位数时间序列输入到训练完成的基于随机森林的空余泊位数预测模型，得到未来时间段内的空余泊位数。6.根据权利要求1所述的一种时空一体化智慧停车诱导方法，其特征在于，计算停车诱导屏到达邻近停车场的行程时间包括以下步骤：步骤X1：计算停车诱导屏及待泊车辆到达停车场的路径集合；计算路径集合的方式为：将城市路网...

【专利技术属性】
技术研发人员：汪春，张卫华，吴丛，丁俊美，祝凯，赵世，
申请(专利权)人：合肥工业大学智能制造技术研究院，
类型：发明
国别省市：