一种停车场空闲车位数长时预测方法技术

本发明专利技术提供一种停车场空闲车位数长时预测方法，包括将采集到的泊车数据和相应天气数据进行数据预处理，得到空闲车位数特征数据；空闲车位特征数据归一化处理，切分为训练集和测试集，构建LSTM神经网络；确定待预测的第一个时段的上一时段空闲车位特征数据，并作为LSTM神经网络的输入神经元得到第一个时段的空闲车位数；建立空闲车位数长时预测模型，反复迭代预测，进行反归一化处理，得到停车场空闲车位数长时预测结果。本发明专利技术基于用户泊车行为特征，提出基于LSTM神经网络的空闲车位数长时预测模型，支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，从而帮助用户选择最佳停车场，具有重要的市场价值。

【技术实现步骤摘要】
一种停车场空闲车位数长时预测方法
本专利技术属于停车场预测应用
，特别是一种停车场空闲车位数长时预测方法。
技术介绍
我国近年来才对智能停车管理系统开始使用和研究，但随着我国经济高速发展，机动车保有量也逐年上升，现代城市停车诱导管理系统的发展也非常迅速，并开发出了满足大多数停车需求的智能停车诱导管理系统。但是由于我国城市交通规划发展理念较为落后，无法满足不断快速变化的交通需求，同时对停车场空闲车位数以及泊车时间预测的理论研究尚处在初级阶段，缺乏实际应用。上述理论往往只注重从城市中寻找最近的停车场以及停车场内部的车位诱导工作，没有在停车诱导之前对未来某个时刻的空余车位进行预测，往往会浪费用户的时间。目前，驾车出行已经成为人们日常出行的一种常用工具，因为停车而引起的交通问题已经成为了限制我国城市交通发张的重要影响因素，所以提供城市中各个停车场空闲车位数据预测值将是交通管理部门缓解交通拥挤的重要参考。神经网络是建立在高级动物神经结构特征的基础上，通过模仿神经元相互通信的方式，由很多与动物神经元类似的单元相互连接而成的非线性网络结构。神经网络使用简单的数学模型对动物神经网络行为和特性进行描述，通过一定的算法使其能够模拟动物神经结构所用的智能行为，解决传统算法不能解决的非线性复杂问题。但对于停车场车位的预测技术，之前所采用的预测模型，例如经典RNN，ARIMA，都存在着预测时间段过长导致精确度明显下降的情况。本领域亟待出现更精确高效的技术方案。
技术实现思路
为了解决上述技术问题，本专利技术根据停车场空闲车位数实时性的特点，提出了基于LSTM神经网络的空闲车位数长时预测模型，提供一种停车场空闲车位数长时预测方法。本专利技术提供的技术方案提供一种停车场空闲车位数长时预测方法，用于支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，包括以下步骤：步骤1，采集泊车数据，将采集到的泊车数据和相应天气数据进行数据预处理，得到若干星期中每天所有时段的空闲车位数特征数据，包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长和降雨量；步骤2，空闲车位特征数据归一化处理；步骤3，将空闲车位数特征数据切分为训练集和测试集；步骤4，根据训练集和测试集构建LSTM神经网络；步骤5，确定待预测的第一个时段的上一时段空闲车位特征数据包括，工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量，并作为LSTM神经网络的输入神经元；步骤6，将输入神经元带入LSTM神经网络，根据各网络层之间的连接矩阵，得到输出神经元，输出神经元为第一个时段的空闲车位数；步骤7，建立空闲车位数长时预测模型，反复迭代执行由第k-1个时段的特征数据作为输入神经元，预测下一阶段第k时段的空闲车位数，直至实现预测第N个时段的空闲车位数，对预测结果进行反归一化处理，得到停车场空闲车位数长时预测结果；其中，k表示当前所求时段，通常以5分钟为时段间隔，k-1表示前一个时段，N为最终的目标时段。而且，时段的长度设为5分钟。而且，步骤1中，对原始的泊车数据进行预先处理，包括以下子步骤，步骤1.1，筛选排除停车场空闲车位数数据中具有异常状态的数据；步骤1.2，筛选排除停车场空闲车位数数据中记录数少于预设相应阈值的数据；步骤1.3，筛选排除停车场空闲车位数数据中存在若干连续时段具有相同数据的日期的数据；步骤1.4，筛选排除不成周期性的空闲车位数数据；步骤1.5，停车场空闲车位数插值，包括对经过以上步骤1.1～1.4的处理后剩下的数据，进行线性插值。而且，采集泊车数据时，通过采集停车场进出车辆数据，形成动态过车数据表，实现如下，当发现车辆进出停车场时，触发视频截图；通过视频截图识别车牌号，并记录下进入和驶离时间；将识别获得的数据，通过传输存储到远程的数据存储中心内，记录到动态过车数据表。而且，为对动态过车数据表中重复记录的数据进行剔除，实现如下，从动态过车数据表中读取车辆的进车记录，做聚类处理后导出为临时表，与进车记录做一一配对；对进车记录按时间排序；再次查询动态过车数据表中相应的出车记录，将同一时间段内的进车记录和出车记录进行配对，通过排序和数据剔除操作得到每一辆车的唯一对应的进出停车场记录，形成更新后的动态过车数据表。而且，数据剔除操作的实现如下，首先从动态过车数据表中查询出车辆的进车记录，然后寻找相应的驶离记录；如果未找到相应的出车记录，由于出入车记录无法配对，删除该进车记录；如果寻找到相应的出车记录，则保留该记录；将重复的出入车记录对删除；最终得到停车场相互匹配的进出车数据。本专利技术提出采用LSTM神经网络方法预测停车场空闲车位数，基于用户泊车行为特征，提出基于LSTM神经网络的空闲车位数长时预测模型，支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，从而帮助用户选择最佳停车场，方便用户出行。本专利技术能够提高停车位的空间使用效率，增强社会经济效益；节约城市土地资源，创造良好的社会环境，具有重要的市场价值。附图说明图1为本专利技术实施例的泊车数据采集流程图；图2为本专利技术实施例的剔除动态过车表中重复出车数据流程图；图3为本专利技术实施例的剔除动态过车表中不匹配的进出车数据流程图；图4为本专利技术实施例的LSTM长时预测模型迭代过程图。具体实施方式下面结合附图与实施例，对本专利技术技术方案进行更详尽的说明，来实现对基于LSTM神经网络的空闲车位数预测模型的理解和应用。由于停车场的车位具有实时变化的性质，而且不同的停车场空车位变化情况差别较大，很难以统一的数据模型进行，因此本专利技术提出采用LSTM神经网络来建立停车场剩余车位预测模型。LSTM(LongShortTermMemorynetworks)是一种特殊类型的RNN网络，可以学习长距离依赖。LSTM由Hochreiter&Schmidhuber在1997提出，并在近期被AlexGraves进行了改良和推广。而LSTM作为一种特殊的RNN模型，继承了大部分RNN模型的特性，本专利技术经过多种网络对比实验和发掘，发现LSTM模型非常适合用于预测停车场剩余空车位这种与时间序列高度相关的问题，能够保证在较长时段的预测过程中精度保持较高的水平。本专利技术实施例提供的一种基于LSTM神经网络的空闲车位数预测方法，包括以下步骤：步骤1，采集泊车数据，将采集到的泊车数据和相应天气数据进行数据预处理，得到若干星期中每天所有时段的特征数据，包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量。具体实施时，可以将每天划分为每5分钟一个时段，取某个停车场若干天的历史数据，每个时段的数据包括每个时段分别的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量。考虑到各停车场实际采集数据的有效性，建议具体实施时，对采集的原始泊车数据进行预先处理，包括以下子步骤：步骤1.1，筛选排除停车场空闲车位数数据中具有异常状态的数据，例如，某日期的空闲车位数最大空闲车位数与最小空闲车位数的差值过小，则不使用这一天的数据，因为这一天各个时段的空闲车位数过于稳定，有可能存在异常状态；步骤1.2，筛选排除停车场空闲本文档来自技高网...

【技术保护点】
一种停车场空闲车位数长时预测方法，其特征在于：用于支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，包括以下步骤，步骤1，采集泊车数据，将采集到的泊车数据和相应天气数据进行数据预处理，得到若干星期中每天所有时段的空闲车位数特征数据，包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长和降雨量；步骤2，空闲车位特征数据归一化处理；步骤3，将空闲车位数特征数据切分为训练集和测试集；步骤4，根据训练集和测试集构建LSTM神经网络；步骤5，确定待预测的第一个时段的上一时段空闲车位特征数据包括，工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量，并作为LSTM神经网络的输入神经元；步骤6，将输入神经元带入LSTM神经网络，根据各网络层之间的连接矩阵，得到输出神经元，输出神经元为第一个时段的空闲车位数；步骤7，建立空闲车位数长时预测模型，反复迭代执行由第k‑1个时段的特征数据作为输入神经元，预测下一阶段第k时段的空闲车位数，直至实现预测第N个时段的空闲车位数，对预测结果进行反归一化处理，得到停车场空闲车位数长时预测结果；其中，k表示当前所求时段，通常以5分钟为时段间隔，k‑1表示前一个时段，N为最终的目标时段。...

【技术特征摘要】
1.一种停车场空闲车位数长时预测方法，其特征在于：用于支持将未来某一个指定时段的停车场空闲车位数信息及时呈现给用户，包括以下步骤，步骤1，采集泊车数据，将采集到的泊车数据和相应天气数据进行数据预处理，得到若干星期中每天所有时段的空闲车位数特征数据，包括任一时段的工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长和降雨量；步骤2，空闲车位特征数据归一化处理；步骤3，将空闲车位数特征数据切分为训练集和测试集；步骤4，根据训练集和测试集构建LSTM神经网络；步骤5，确定待预测的第一个时段的上一时段空闲车位特征数据包括，工作日类型、节假日类型、时段数、空闲车位数、进流量、出流量、总流量、平均停车时长、降雨量，并作为LSTM神经网络的输入神经元；步骤6，将输入神经元带入LSTM神经网络，根据各网络层之间的连接矩阵，得到输出神经元，输出神经元为第一个时段的空闲车位数；步骤7，建立空闲车位数长时预测模型，反复迭代执行由第k-1个时段的特征数据作为输入神经元，预测下一阶段第k时段的空闲车位数，直至实现预测第N个时段的空闲车位数，对预测结果进行反归一化处理，得到停车场空闲车位数长时预测结果；其中，k表示当前所求时段，通常以5分钟为时段间隔，k-1表示前一个时段，N为最终的目标时段。2.根据权利要求1所述停车场空闲车位数长时预测方法，其特征在于：时段的长度设为5分钟。3.根据权利要求1所述停车场空闲车位数长时预测方法，其特征在于：步骤1中，对原始的泊车数据进行预先处理，包括以下子步骤，步骤1.1，筛选排除停车场空闲车位数数据...

【专利技术属性】
技术研发人员：呙维，朱欣焰，杨龙龙，章中道，王绪滢，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42