一种停车场车位信息的处理方法和装置制造方法及图纸

本发明专利技术公开了一种停车场车位信息的处理方法和装置，包括：从保存指定停车场车位信息的数据库中获取历史剩余车位数信息；将获取到的剩余车位数组成时间序列并对时间序列进行处理，根据处理后的时间序列构建自回归滑动平均模型；将时间变量输入构建的所述自回归滑动平均模型，得到预测的当天以及之后预定天数所述停车场的剩余车位数。本发明专利技术实施例的技术方案能够对停车场的剩余车位数进行预测，方便了车主用户根据剩余车位数进行停车。

【技术实现步骤摘要】
一种停车场车位信息的处理方法和装置
本专利技术涉及计算机
，具体涉及一种停车场车位信息的处理方法和装置。
技术介绍
随着经济的快速发展和人民生活水平的提高，越来越多的人有能力买车，车辆的增多导致了城市的拥堵问题和车位紧张问题，很多时候车主都在为找车位而发愁。因此，有必要提出一种对停车场车位信息进行处理的技术方案以满足用户停车需求。
技术实现思路
本专利技术提供了一种停车场车位信息的处理方法和装置，对停车场的剩余车位数进行预测，方便车主用户停车。根据本专利技术的一个方面，提供了一种停车场车位信息的处理方法，包括：从保存指定停车场车位信息的数据库中获取历史剩余车位数信息；将获取到的剩余车位数组成时间序列并对时间序列进行处理，根据处理后的时间序列构建自回归滑动平均模型；将时间变量输入构建的所述自回归滑动平均模型，得到预测的当天以及之后预定天数所述停车场的剩余车位数。根据本专利技术的又一个方面，提供了一种停车场车位信息的处理装置，包括：信息获取单元，用于从保存指定停车场车位信息的数据库中获取历史剩余车位数信息；模型构建单元，用于将获取到的剩余车位数组成时间序列并对时间序列进行处理，根据处理后的时间序列构建自回归滑动平均模型；预测单元，用于将时间变量输入构建的所述自回归滑动平均模型，得到预测的当天以及之后预定天数所述停车场的剩余车位数。本专利技术的有益效果是：本专利技术实施例的停车场车位信息的处理方法和装置，获取历史剩余车位数信息，将获取到的剩余车位数组成时间序列并对时间序列进行处理后构建自回归滑动平均模型，然后将时间变量输入自回归滑动平均模型即可预测得到停车场的剩余车位数，从而满足了想要到该停车场停车的用户的剩余车位信息获取需求，提高了停车场的服务水平。附图说明图1是本专利技术一个实施例的停车场车位信息的处理方法的流程示意图；图2是本专利技术一个实施例的自回归滑动平均模型构建的流程图；图3是本专利技术一个实施例的停车场车位信息的处理装置的框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。参见图1，一个实施例中停车场车位信息的处理方法包括如下步骤：步骤S101，从保存指定停车场车位信息的数据库中获取历史剩余车位数信息；步骤S102，将获取到的剩余车位数组成时间序列并对时间序列进行处理，根据处理后的时间序列构建自回归滑动平均模型；步骤S103，将时间变量输入构建的所述自回归滑动平均模型，得到预测的当天以及之后预定天数所述停车场的剩余车位数。由图1所示可知，本实施例的停车场车位信息的处理方法，通过获取历史剩余停车位的数量的信息，对剩余停车位信息进行处理后构建自回归滑动平均模型，利用构建的自回归滑动平均模型对未来一天或几天之内该停车场的剩余车位数进行预测，方便停车场管理方掌握剩余车位数，也方便了车主用户到该停车场停车之前，及时了解还有多少剩余车位数，提高了车主用户对停车的满意度，也提高了停车场的市场竞争力。一个实施例中，本实施例的停车场车位信息处理即根据停车场历史剩余车位数预测未来几天该停车场的剩余车位数，基于自回归滑动平均模型实现。自回归滑动平均模型，又称为ARMA模型(Auto-RegressiveMovingAverageMode)，属于时间序列分析中的一种。参见图2，构建自回归滑动平均模型的具体步骤包括：流程开始，先执行步骤S201，步骤S201，获取历史数据；这里的历史数据是指停车场的历史剩余车位数，例如，中关村地区的A停车场在过去N天之内每一分钟的剩余车位数目。这里的N可以等于60，即，获取过去60天的每一分钟的剩余车位数，然后将每一分钟的剩余车位数表示成时间序列。这里的剩余车位数是指空闲的、未停放车辆的车位数。通过获取60天的历史数据(相当于样本)，减小了预测误差，提高了精确度。需要说明的是，本实施例中是以过去60天内的每一分钟的剩余车位数为例进行的示意性说明，在本专利技术的其它实施例中，获取的历史数据不限于此，例如可以获取过去30天内，每半个小时的剩余车位数等。步骤S202，判断是否平稳；是则执行步骤S204，否则执行步骤S203；时间序列平稳是建模的前提，对时间序列进行平稳性的判断也是预测的首要步骤。一般而言，所谓的平稳时间序列是指宽平稳过程。在平稳序列场合，时间序列中各变量的均值等某些特征相同，对这些特征进行估计时，可把各变量的观测值看作同一变量的不同观测值进行处理，增加了样本容量，提高了估计精度。有几种判断方法：第一种是数据图直接检验法。画出时间序列的图像，当每个样本围绕某一水平线上下波动而无明显上升、下降或周期趋势时，则认为时间序列是平稳的。第二种是自相关、偏相关函数检验法。一个零均值平稳序列的自相关函数和偏自相关函数要么是截尾的，要么是拖尾的。因此，如果一个序列零均值化以后的自相关函数或偏自相关函数既不截尾，又不拖尾则可以断定该序列是非平稳的。第三种是特征根检验法。先拟合序列的适应模型，然后求由适应模型的参数组成的特征方程的特征根，若所有的特征根都满足平稳性条件，则可认为该序列是平稳的，否则该序列是非平稳的。在对时间序列进行平稳性判断之后，如果当前的时间序列是不平稳的，则需要进行平稳处理。本实施例中对时间序列进行差分运算处理。步骤S203，差分运算；差分运算具有信息提取的能力，非平稳的序列经过差分运算最后都会显示出其平稳的序列。差分运算的具体计算过程可以参见现有技术在构建ARMA模型时的说明，这里不再重复。步骤S204，白噪声检验；通过则执行结束流程；未通过则执行步骤S205；在经过步骤S203之后，可以得到平稳的时间序列，即差分序列。ARMA模型的建立是一个反复适应的过程，在得到模型之后通过假设检验来检测模型的显著性。模型的显著性检验是基于残差序列的分析得到的，如果残差序列是白噪声，则这样的模型就是有效模型，反之残差序列不是白噪声，说明这样的模型还不够有效，通常需要再选择其他模型进行重新拟合。本实施例中，如果时间序列经过了白噪声的检验就说明时间序列中有用的信息已经被提取完毕了，剩下的是随机扰动，无法预测和使用。差分序列(即，经过了差分运算后的时间序列)如果通过了白噪声检验，则建模就可以终止了，因为没有信息可以继续提取。对于白噪声检验，本实施例中通过假设检验来完成，例如：首先假设设定检验的显著水平为p＝0.05。进行显著检验后发现其统计量为190，查找显著水平表发现其对应的p值远远小于0.01，因为p值(小于0.01)与原假设(p＝0.05)不一致，则推出模型拒绝了假设，所以就认定差分序列为非白噪声。步骤S205，拟合ARMA模型。本步骤中，在确定差分序列的白噪声检验未通过时，将考察其偏自相关的系数的性质，通过相应的计算机软件(像SAS/ETS软件)，计算出其相应的ARMA模型，有关构建ARMA模型的更多细节可以参见现有技术中的说明，这里不再重复。在得到ARMA模型之后，根据此ARMA模型，即可对剩余停车位数据进行预测和估计。例如，在按照图2所示步骤构建了ARMA模型之后，将ARMA模型预测的本文档来自技高网...

【技术保护点】
一种停车场车位信息的处理方法，其特征在于，包括：从保存指定停车场车位信息的数据库中获取历史剩余车位数信息；将获取到的剩余车位数组成时间序列并对时间序列进行处理，根据处理后的时间序列构建自回归滑动平均模型；将时间变量输入构建的所述自回归滑动平均模型，得到预测的当天以及之后预定天数所述停车场的剩余车位数。

【技术特征摘要】
1.一种停车场车位信息的处理方法，其特征在于，包括：从保存指定停车场车位信息的数据库中获取历史剩余车位数信息；将获取到的剩余车位数组成时间序列并对时间序列进行处理，根据处理后的时间序列构建自回归滑动平均模型；将时间变量输入构建的所述自回归滑动平均模型，得到预测的当天以及之后预定天数所述停车场的剩余车位数。2.根据权利要求1所述的方法，其特征在于，获取历史剩余车位数据包括：获取当天之前N天中每一分钟对应的剩余车位数，所述N为大于零的正整数。3.根据权利要求2所述的方法，其特征在于，将获取到的剩余车位数组成时间序列并进行数据处理包括：判断所述时间序列是否满足平稳性条件，否则，进行差分运算；是则，对所述时间序列进行白噪声检验，检验未通过则根据所述时间序列构建自回归滑动平均模型，检验通过则结束。4.根据权利要求1所述的方法，其特征在于，该方法还包括：将预测的当天以及之后预定天数所述停车场的剩余车位数通过网络发送到所述停车场的各停车用户的移动智能终端上。5.根据权利要求2所述的方法，其特征在于，所述N等于60。6.一种停车场车...

【专利技术属性】
技术研发人员：李子彬，刘亚南，罗艳青，
申请(专利权)人：北京悦畅科技有限公司，
类型：发明
国别省市：北京,11