停车场泊位占用率预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术适用信息技术领域，提供了一种停车场泊位占用率预测方法、装置、设备及存储介质，该方法包括：当接收到停车场在预设时间点的泊位预测请求时，从停车场的历史数据中获取停车场在最后记录时间点的空闲泊位数量，通过预先训练好的混合预测模型和最后记录时间点的空闲泊位数量，对停车场在预设时间点的空闲泊位数量进行预测，根据预测得到的、停车场在预设时间点的空闲泊位数量，获得停车场在预设时间点的泊位占用率并输出，其中，混合预测模型通过小波神经网络和非平稳随机过程结合训练得到，从而实现泊位占用率的中长期预测，有效地降低了泊位占用率预测的计算复杂度，有效地提高了泊位占用率预测的准确度，进而提高了泊位占用率预测的效率。

【技术实现步骤摘要】
停车场泊位占用率预测方法、装置、设备及存储介质
本专利技术属于信息
，尤其涉及一种停车场泊位占用率预测方法、装置、设备及存储介质。
技术介绍
由于车辆数目的激增、以及国内城市早期规划未长远考虑到车辆停放问题，国内大中城市热点区域所提供的停车位远远少于进入的车辆，使得车辆在寻找停车位的过程中，花费大量时间、浪费不必要的能源，甚至引发交通堵塞，在短期内增加这些区域的停车位供应比较困难，所以提高这些区域内的停车位利用率就变得非常重要。提高停车位利用率需要通过将车位信息实时推送给有需要的车辆来帮助车辆快速找到车位，即研究人员提出的停车诱导系统(PGIS，ParkingGuidanceandInformation)。PGIS在对车辆进行诱导时，车辆距离停车场还有一定距离，PGIS需要估算车辆抵达停车场的时间点、以及这个时间点上停车场内空闲泊位的数量，因此PGIS需要实现未来一段时间内停车场的空闲泊位预测，这本质上是一个基于时间序列的预测问题，在这类预测问题上自回归积分滑动平均模型(ARIMA)、小波神经网络(WNN)或者长短期记忆网络(LSTM)都能实现较为准确的短临预测，然而这些模型需要实时数据的支撑，下一时刻预测的精准度同刚过去的几个连续时间步的数据关联性很高，停车场产权分散，不同停车场间的设备难以互联，且缺乏统一的城市级泊位监测平台，使得大量的停车场实时数据难以获得。此外，基于停车场的历史数据进行分析和预测的方法需要结合中长期预测技术实现，目前用于中长期预测的方法主要为最大李雅普诺夫指数法，最大李雅普诺夫指数法的本质是对混沌性的检测，在预测周期持续增长时，会出现很大的偏差，而且该方法每次预测时均需对相空间进行重构，计算复杂度较高。
技术实现思路
本专利技术的目的在于提供一种停车场泊位占用率预测方法、装置、设备及存储介质，旨在解决现有技术中停车场空闲泊位中长期预测的计算复杂度较高、容易出现较大偏差，导致停车场空闲泊位中长期预测的效率不高、准确度不高的问题。一方面，本专利技术提供了一种停车场泊位占用率预测方法，所述方法包括下述步骤：当接收到停车场在预设时间点的泊位预测请求时，从所述停车场的历史数据中获取所述停车场在最后记录时间点的空闲泊位数量；通过预先训练好的混合预测模型和所述最后记录时间点的空闲泊位数量，对所述停车场在所述预设时间点的空闲泊位数量进行预测，所述混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到；根据预测得到的、所述停车场在所述预设时间点的空闲泊位数量，获得所述停车场在所述预设时间点的泊位占用率并输出。另一方面，本专利技术提供了一种停车场泊位占用率预测装置，所述装置包括：泊位数量获取单元，用于当接收到停车场在预设时间点的泊位预测请求时，从所述停车场的历史数据中获取所述停车场在最后记录时间点的空闲泊位数量；泊位预测单元，用于通过预先训练好的混合预测模型和所述最后记录时间点的空闲泊位数量，对所述停车场在所述预设时间点的空闲泊位数量进行预测，所述混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到；以及占用率输出单元，用于根据预测得到的、所述停车场在所述预设时间点的空闲泊位数量，获得所述停车场在所述预设时间点的泊位占用率并输出。另一方面，本专利技术还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述停车场泊位占用率预测方法所述的步骤。另一方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述停车场泊位占用率预测方法所述的步骤。本专利技术在接收到停车场在预设时间点的泊位预测请求时，从停车场的历史数据中获取停车场在最后记录时间点的空闲泊位数量，通过训练好的混合预测模型和该空闲泊位数量，对停车场在预设时间点的空闲泊位数量进行预测，根据预测得到的、停车场在预设时间点的空闲泊位数量，获得停车场在预设时间点的泊位占用率并输出，从而通过由小波神经网络和非平稳随机过程结合的混合预测模型，实现了停车场泊位占用率的中长期预测，有效地降低了停车场泊位占用率中长期预测的计算复杂度，有效地提高了停车场泊位占用率中长期预测的准确度，进而提高了泊位占用率预测的效率。附图说明图1是本专利技术实施例一提供的停车场泊位占用率预测方法的实现流程图；图2是本专利技术实施例一提供的停车场泊位占用率预测方法中混合预测模型训练过程的实现流程图；图3是本专利技术实施例一提供的停车场泊位占用率预测方法中小波神经网络的结构示例图；图4是本专利技术实施例二提供的停车场泊位占用率预测方法的实现流程图；图5是本专利技术实施例三提供的停车场泊位占用率预测装置的结构示意图；图6是本专利技术实施例三提供的停车场泊位占用率预测装置的优选结构示意图；以及图7是本专利技术实施例四提供的计算设备的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。以下结合具体实施例对本专利技术的具体实现进行详细描述：实施例一：图1示出了本专利技术实施例一提供的停车场泊位占用率预测方法的实现流程，为了便于说明，仅示出了与本专利技术实施例相关的部分，详述如下：在步骤S101中，当接收到停车场在预设时间点的泊位预测请求时，从停车场的历史数据中获取停车场在最后记录时间点的空闲泊位数量。本专利技术实施例适用于车载设备或停车管理服务器等计算设备，具体地，适用于这些设备上的停车诱导系统或平台。当用户需要得知停车场在未来某个时间的车位数量时，可发送停车场在预设时间点的泊位预测请求时，预设时间点由用户根据自身的停车时间(或到达停车场的时间)进行设置。在接收到停车场在预设时间点的泊位预测请求时，获取该停车场的历史数据，并从历史数据中获取停车场在最后记录时刻的空闲泊位数量。目前缺乏统一的城市级泊位检测系统、且不同停车场间的设备难以互联，因此停车场的历史数据为停车场过去一段时间内的泊位占用信息，历史数据的更新存在较长的时间间隔，无法实时更新，最后记录时间点为历史数据中最后记录停车场泊位占用信息的时刻，空闲泊位为未被车辆或其它物品占用的停车位。此外，停车场的历史数据还可为过去一段时间内停车场进出车辆的数目和这些数据的记录时间点。在步骤S102中，通过预先训练好的混合预测模型和最后记录时间点的空闲泊位数量，对停车场在预设时间点的空闲泊位数量进行预测，混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到。在本专利技术实施例中，小波神经网络为一步预测模型，在短临预测时预测精准度较高，不会出现预测值跳变较大的情况，但用于中长期预测时随着预测时间越长越容易出现预测值的大幅偏离。平稳随机过程适用于中长期预测，在极大程度上能够抑制预测值的大幅偏离，计算开销小，但容易出现预测值跳变较大的情况。因此，由小波神经网络和平稳随机过程结合得到的混合预测模型，结合了小波神经网络和平稳随机过程的优点，使得小波神经网络和平稳随机过程进行优劣互补，能够有效地降低中长期预测的计算复杂度，提高中长期预测的精准程度。在本专利技术实施例中，可将最后记录时间点到预设时间点本文档来自技高网...

【技术保护点】
一种停车场泊位占用率预测方法，其特征在于，所述方法包括下述步骤：当接收到停车场在预设时间点的泊位预测请求时，从所述停车场的历史数据中获取所述停车场在最后记录时间点的空闲泊位数量；通过预先训练好的混合预测模型和所述最后记录时间点的空闲泊位数量，对所述停车场在所述预设时间点的空闲泊位数量进行预测，所述混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到；根据预测得到的、所述停车场在所述预设时间点的空闲泊位数量，获得所述停车场在所述预设时间点的泊位占用率并输出。

【技术特征摘要】
1.一种停车场泊位占用率预测方法，其特征在于，所述方法包括下述步骤：当接收到停车场在预设时间点的泊位预测请求时，从所述停车场的历史数据中获取所述停车场在最后记录时间点的空闲泊位数量；通过预先训练好的混合预测模型和所述最后记录时间点的空闲泊位数量，对所述停车场在所述预设时间点的空闲泊位数量进行预测，所述混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到；根据预测得到的、所述停车场在所述预设时间点的空闲泊位数量，获得所述停车场在所述预设时间点的泊位占用率并输出。2.如权利要求1所述的方法，其特征在于，对所述停车场在所述预设时间点的空闲泊位数量进行预测的步骤之后，获得所述停车场在所述预设时间点的泊位占用率并输出的步骤之前，所述方法还包括：通过预设的最大李雅普诺夫指数法对所述混合检测模型的预测结果进行检测，以确定所述混合预测模型的预测结果是否具有混沌性；当所述混合预测模型的预测结果不具有混沌性时，跳转至对所述停车场在所述预设时间点的空闲泊位数量进行预测的步骤。3.如权利要求1所述的方法，其特征在于，当接收到停车场在预设时间点的泊位预测请求时，从所述停车场的历史数据中获取所述停车场在最后记录时间点的空闲泊位数量的步骤之前，所述方法还包括：构建小波神经网络，通过采集到的所述停车场的历史训练数据对所述小波神经网络进行训练，获得训练好的所述小波神经网络；将所述历史训练数据对应的时间序列划分多个等距的时间片，确定相邻所述时间片之间所述停车场空闲泊位数量变化所服从的分布类型、分布参数；根据相邻所述时间片之间所述停车场空闲泊位数量变化所服从的分布类型、分布参数，构建中长期预测函数；将所述训练好的小波神经网络和所述中长期预测函数进行加权组合，获得所述混合预测模型，根据所述历史训练数据确定所述混合预测模型中所述小波神经网络、所述中长期预测函数分别对应的权值参数。4.如权利要求3所述的方法，其特征在于，构建小波神经网络，通过采集到的所述停车场的历史训练数据对所述小波神经网络进行训练，获得训练好的所述小波神经网络的步骤，包括：构建所述小波神经网络，所述小波神经网络为：其中，Ej(t)表示所述停车场j在t时刻的空闲泊位数量，f(x)为所述小波神经网络的解析函数，为所述小波神经网络的激励函数，ak为伸缩因子，bk为平移因子，ωk为所述小波神经网络的输出权值，ωik为所述小波神经网络的输入权值；通过所述历史训练数据和预设的梯度下降法，对所述小波神经网络进行训练，直至所述小波神经网络的训练误差小于预设误差阈值，所述小波神经网络的训练误差通过公式计算得到，其中，e为所述训练误差，Ejn(t)为所述历史训练数据中所述停车场j在t时刻的空闲泊位...

【专利技术属性】
技术研发人员：彭磊，李慧云，房祥彦，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东,44