本发明专利技术属于收益预测技术领域，尤其涉及一基于时空图学习的停车场收益预测核算方法，通过对停车场的历史数据、实时使用情况和周边环境进行统一建模，使用时空图卷积网络捕获动态时空关系，为停车场运营和管理提供科学的收益预测和精确的核算，并结合多源数据，从历史停车场利用率预测未来收益，从实时运营数据获得与停车场的动态关系，并根据实时交通、政策变化等外部因素动态调整预测结果。
【技术实现步骤摘要】
本专利技术属于收益预测，尤其涉及一基于时空图学习的停车场收益预测核算方法，用于在停车场承包前进行收益评估以及承包后进行收益核算。
技术介绍
1、随着城市化进程的不断推进，停车问题成为城市交通管理中的重要挑战。城市的快速发展带来了车辆数量的激增，然而，停车设施的增长却难以跟上需求的步伐，导致停车难问题日益严重。对于投资者和运营方来说，如何在停车场承包前准确评估其未来收益，以及在运营过程中进行精确的收益核算，是决定其投资与运营成功与否的关键因素。然而，目前大多数停车场收益评估和核算方法主要依赖历史数据和经验，缺乏科学的预测模型，难以在多变的市场环境中提供准确的收益预测和核算。目前，当前停车场收益预测与核算面临以下几个主要挑战：一是数据复杂性：首先，停车场收益受多种因素影响，包括地理位置、城市等级、区域类型、泊位数、出入口数量、周边兴趣点等。这些因素不仅多样，而且相互之间具有复杂的关联性。例如，地理位置和城市等级会影响停车场的使用频率和收费标准，泊位数和出入口数量则直接影响停车场的容纳能力和周转效率。要准确预测收益，必须综合考虑这些多维度因素。其次，市场环境和用户需求是动态变化的，例如，周边商业区的发展、交通政策的调整、季节性变化等，都会对停车场收益产生影响。传统的静态评估方法难以捕捉这些动态变化，导致预测结果不够准确。二是相似车场匹配困难：在进行收益预测时，寻找与目标停车场相似的历史车场数据至关重要，但由于停车场特征多样且数据维度高，传统方法难以有效匹配相似车场。因此，有必要设计一种基于时空图学习的停车场收益预测核算方法。
<
br/>技术实现思路
1、为了解决现有技术中的上述问题，本专利技术提出了基于时空图学习的停车场收益预测核算方法，通过对停车场的历史数据、实时使用情况和周边环境进行统一建模，使用时空图卷积网络（st-gcn）捕获动态时空关系，为停车场运营和管理提供科学的收益预测和精确的核算，并结合多源数据，从历史停车场利用率预测未来收益，从实时运营数据获得与停车场的动态关系，根据实时交通、政策变化等外部因素动态调整预测结果。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于时空图学习的停车场收益预测核算方法，包括以下步骤：
4、s1、停车场数据收集：收集目标停车场和现有停车场的停车场数据以及外部实时特征数据；
5、s2、停车场历史数据预处理：利用停车场的历史数据进行统计分析，获取现有停车场收益的历史变化特征，并将这些特征数据进行标准化处理，并对停车场数据进行处理，对文本型数据进行向量表示；
6、s3、数据集划分：将收集到的停车场数据分为训练集、验证集和测试集，分布用于训练、验证和测试模型；
7、s4、时空图学习：构建时空图，并基于构建好的时空图，使用时空图卷积网络（st-gcn）提取现有停车场及其收益的时空特征，进行时空图学习，得到时空图预测模型；
8、s5、最相似停车场匹配：根据各停车场数据对现有停车场进行聚类，计算目标停车场与现有停车场的各类聚类中心的距离，从而匹配与目标停车场最相似的停车场；
9、s6、目标停车场收益预测：通过分析最相似停车场历史收益数据，利用步骤s4得到时空图预测模型预测目标停车场未来一天的收益情况；
10、s7、实时收益核算：在停车场上线运营后，实时收集收益数据，与预测收益进行对比核算，并将核算结果反馈给时空图预测模型，通过机器学习方法对模型进行再训练和优化。
11、作为本专利技术的进一步技术方案，步骤s1所述停车场数据包括地理位置、城市等级、区域类型、泊位数、出入口数量、周边兴趣点以及不同时段的停车场使用率、收入数据；外部实时特征数据包括每天的天气、道路拥堵情况、节假日数据。
12、作为本专利技术的进一步技术方案，步骤s2的过程为：分别提取工作日和双休日的历史利用率变化特征，每天的收益变化趋势由这一天之前满足条件的所有天的收益数据构成，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；处理后的停车场数据集为，其维度为，是数据集中天的个数，n是停车场的个数。
13、作为本专利技术的进一步技术方案，步骤s4的具体过程为：
14、s41、将停车场分布网表示为图，其中v是节点集，代表所有停车场集合；e是边集，代表所有停车场之间的道路连接，节点特征为，代表每个停车场的历史收益数据，并构造邻接矩阵表示停车场之间的连接关系，各停车场的物理距离来初始化a，得到时空图；
15、s42、基于时空图，使用时空图卷积网络提取空间特征和时间特征，提取的空间特征为，其中，是邻接矩阵加上自连接，是的度矩阵，是权重矩阵，为权重矩阵的维度，是relu激活函数；时间特征为，其中，是时间卷积核，表示卷积操作，为时间卷积的维度；
16、s43、将停车场数据所组成的向量与时间特征组合起来得到综合表示；
17、s44、预测停车场的收益情况：，其中是可学习的参数矩阵，是所有停车场未来一天的收益的预测值，并根据真实停车场收益使用最小均方误差作为损失函数，不断训练网络直到损失值不再减小，保存总损失值最小时的网络模型作为时空图预测模型。
18、作为本专利技术的进一步技术方案，步骤s5的具体过程为：
19、s51、随机初始化k个聚类中心；
20、s52、计算每个停车场到所有聚类中心的欧几里得距离，并将其分配到距离最小的聚类中心，新聚类中心为分配到该聚类中心的所有停车场的均值；
21、s53、重复步骤s52，直到聚类中心收敛或达到最大迭代次数；
22、s54、根据目标停车场与各聚类中心的距离，选择距离最小的聚类中心，在该聚类中心所属的停车场中找出距离目标停车场最近的停车场作为最相似停车场，设目标停车场为，其最相似停车场的匹配优化函数为：，其中是与目标停车场最近的聚类中心。
23、作为本专利技术的进一步技术方案，步骤s6的具体过程为：分析最相似停车场历史收益数据，将停车场的经纬度坐标、距离最近的建筑物的poi信息、所属城市等级、所属区域、业态、泊位数、出口数和入口数输入时空图预测模型中，预测停车场未来一天的收益，将与目标停车场最近的聚类中心所在的聚类簇中的所有停车场的未来一天的收益均值作为目标停车场的收益预测值：。
24、与现有技术相比，本专利技术的有益效果为：
25、本专利技术基于时空图卷积网络（st-gcn）捕获动态时空关系，结合停车场历史收益、实时运营数据、poi信息和外部因素（如天气、政策变化、交通状况等）进行精确的收益预测和核算，一方面，本专利技术能够有效解决停车场收益预测中多因素影响的复杂问题，通过时空图卷积网络（st-gcn），综合考虑相似停车场的空间特征和时间特征，动态捕捉停车场收益变化趋势，从而实现更加精确的收益预测；另一方面，本专利技术通过引入周边poi数据和其他外部因素，能够全面反映停车场周边环境和动态变化的影响，提升预测模型的准确性和可靠性，具体来说，基于po本文档来自技高网
...
【技术保护点】
1.一种基于时空图学习的停车场收益预测核算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于时空图学习的停车场收益预测核算方法，其特征在于，步骤S1所述停车场数据包括地理位置、城市等级、区域类型、泊位数、出入口数量、周边兴趣点以及不同时段的停车场使用率、收入数据；外部实时特征数据包括每天的天气、道路拥堵情况、节假日数据。
3.根据权利要求2所述基于时空图学习的停车场收益预测核算方法，其特征在于，步骤S2的过程为：分别提取工作日和双休日的历史利用率变化特征，每天的收益变化趋势由这一天之前满足条件的所有天的收益数据构成，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；处理后的停车场数据集为，其维度为，是数据集中天的个数，N是停车场的个数。
4.根据权利要求3所述基于时空图学习的停车场收益预测核算方法，其特征在于，步骤S4的具体过程为：
5.根据权利要求4所述基于时空图学习的停车场收益预测核算方法，其特征在于，步骤S5的具体过程为：
6.根据权利要求5所述基于时空图学习的停车场收益预测核算方法，其特征在于，步骤S6的具体过程为：分析最相似停车场历史收益数据，将停车场的经纬度坐标、距离最近的建筑物的POI信息、所属城市等级、所属区域、业态、泊位数、出口数和入口数输入时空图预测模型中，预测停车场未来一天发收益，将与目标停车场最近的聚类中心所在的聚类簇中的所有停车场的未来一天的收益均值作为目标停车场的收益预测值：。
...
【技术特征摘要】
1.一种基于时空图学习的停车场收益预测核算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于时空图学习的停车场收益预测核算方法，其特征在于，步骤s1所述停车场数据包括地理位置、城市等级、区域类型、泊位数、出入口数量、周边兴趣点以及不同时段的停车场使用率、收入数据；外部实时特征数据包括每天的天气、道路拥堵情况、节假日数据。
3.根据权利要求2所述基于时空图学习的停车场收益预测核算方法，其特征在于，步骤s2的过程为：分别提取工作日和双休日的历史利用率变化特征，每天的收益变化趋势由这一天之前满足条件的所有天的收益数据构成，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；处理后的停车场数据集为，其维度为，...
【专利技术属性】
技术研发人员：刘寒松，王永，王国强，刘瑞，李越，
申请(专利权)人：松立控股集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。