[发明专利]一种区域性多场点空余停车位预测方法及系统

说明书

本发明提供一种区域性多场点空余停车位预测方法，包括获取预测周期及其之前的历史周期内的可用停车数据；对所有可用停车数据进行预处理，并将预处理后的历史可用停车数据划为训练集、评估集，以及将预处理后的预测周期可用停车数据划为测试集；构建基于ConvLSTM‑DN网络结构的停车位预测模型，并使用网格搜索法确定ConvLSTM‑DN模型的超参数组合；将训练集和评估集导入已确定超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；在已训练好的停车位预测模型中，使用测试集，得到预测周期之后的下一周期的可用停车数据。实施本发明，不仅考虑了单个停车场历史数据时间上动态的关系，还考虑了不同停车场之间的空间影响，使得预测精度高且较易实现。

技术领域

本发明涉及计算机技术领域，尤其涉及一种区域性多场点空余停车位预测方法及系统。

背景技术

“停车难”已成为困扰许多驾驶员的难题，使得驾驶员到达目的地后快速的找到停车位是十分困难的。据以往经验表明，驾驶员寻找停车位需要平均花费3-15分钟，而巡航停车会进一步加重交通流量的25％-40％，增大交通负荷，极大地影响城市的环境问题。因此，有必要对可用停车位进行准确的预测，用以缓解以上问题。

总所周知，及时准确的可用停车位信息在停车引导系统中起着十分重要的作用，可以引导驾驶员到达目的地后快速的找到停车位，减少不必要的时间浪费。然而，目前很多停车引导系统，都是实时更新停车场的可用停车位数量，导致驾驶员所得到的停车位信息往往与到达目的地时的实际情况有很大的偏差。因此为了避免这种偏差，驾驶员们需要知道未来某一时刻停车场的可用停车位信息，用以提高停车效率。

近年来，有越来越多的学者开始对可用停车位预测开始研究。目前就时间序列分析的发展历史和所使用的统计分析方法来看，预测方法主要分为：(1)基于停车过程分析的数学模型预测方法。例如，2007年，M.Caliskan等人使用泊松分布模拟车辆到达和离开的过程，再根据得到的车辆到达和离开率通过高斯自回归模型来预测未来的可用停车位数；又如，F.Caicedo(2012)提出了一个集中式系统，根据离散Gamma分布的请求分配和模拟停车持续时间计算未来停车可用性概率；又如，Xiao J(2018)年利用连续时间的马尔科夫链M/M/C/C队列模型来模拟可用停车位数量的变化，该模型能够有效的估计出车辆的到达和离开率，再利用估计的参数预测未来的可用停车位数量。(2)基于人工智能相关算法的停车位预测方法。例如，2014年，Yanjie Ji(季彦婕)建立了基于小波网络的APS短期预测模型；又如，Fengquan Yu(2015)选择自回归积分滑动平均模型(ARIMA)预测未占用的停车位，并根据ARIMA模型的一般流程建立了可用停车位预测模型；又如，Y.Zheng(2015)通过回归树、BP神经网络、支持向量机这三种机器学习算法来预测可用停车位；又如，C.Badii(2018)提出了贝叶斯正则化网络(BARNN)，并且结合历史数据，天气条件和交通数数据进行停车位预测；又如，2018年，J.Fan(樊俊凯)使用了一种基于果蝇优化算法的SVR模型，2020年他将短期预测和长期预测集成到LSTM模型中，对可用停车位进行预测。

但是，上述预测方法均存在不足之处，其不足之处在于：在第(1)种基于数学模型的预测方法中，往往不能根据输入的数据做出相应参数调整，而且由于工作高度依赖于到达和离开过程的假设，大多偏重于理论分析，因此难以在实践中实施。在第(2)种基于人工智能相关算法的停车位预测方法中，只讨论了单个停车场历史数据时间上动态的关系，忽略了停车场之间的相互影响，导致预测精度较低。

因此，亟需一种新的停车位预测方法，不仅考虑了单个停车场历史数据时间上动态的关系，还考虑了停车场之间的相互影响，使得预测精度高且较易实现。

发明内容

本发明实施例所要解决的技术问题在于，提供一种区域性多场点空余停车位预测方法及系统，不仅考虑了单个停车场历史数据时间上动态的关系，还考虑了停车场之间的相互影响，使得预测精度高且较易实现。