一种基于大数据的车位预测推荐算法制造技术

本发明专利技术涉及一种基于大数据的车位预测推荐算法，利用已有的停车场车位数的统计数据来构造预测模型，采用归一化的方法，对车位原始数据进行标准化处理，将数据范围规范至范围内；使用训练样本对网络训练后，用测试样本检验网络的泛化能力；明确泊车驾驶者在进行泊车位选择时的主要考虑因素；结合每个泊车位的步行指标与步行指标构造泊车车位综合指标，根据车位综合指标选择最优泊车位；采用遗传算法对模型进行求解，进而为车主选出了最优停车位。本发明专利技术的优点在于：本发明专利技术中的推荐方法，为C端车主提供打造“车位查询/预测、车位预定、车位推荐、反向寻车、动态计费/快捷支付”的一站式智能停车闭环管理，车位预测与推荐对用户体验起着决定性的作用。

A parking space prediction and recommendation algorithm based on big data

【技术实现步骤摘要】
一种基于大数据的车位预测推荐算法
本专利技术涉及一种车位推荐方法，特别涉及一种基于大数据的车位预测推荐算法。
技术介绍
目前，随着居民汽车拥有量的增加，对停车位的需求越来越大。有些大型停车场有几千个车位，容量大，帮助用户迅速找到车位，减少在停车场的兜转时间，对缓解车辆拥堵、提高停车场的车位利用率都非常有利。目前较为先进的大型停车场一般会将车位分区，同时检测每个车位是否被占用，并用显示屏的方式告知用户每个停车区的剩余车位数，引导用户在不同的区域停车。而即使在某个停车区内，车位数量仍然较多，仍需用户进行人工空余车位寻址停车。此外，空闲车位的位置及空闲车位周边车位的空闲情况对用户能否快速停车有较大影响，也即每个空车位的停车难度是不同的，能否快速停车也依赖于用户的驾驶技术。对于每个车主来说推荐最近的车位是有必要的，对于技术不够娴熟的新手车主，推荐相对容易停车的车位则利于其更快泊车。现在的车位引导只是通过告知用户在不同区域或方向上空余车位的个数，从而引导用户寻找空车位进行停车，并没有向车主推荐车位，让车主可以根据推荐及个人情况快速找到车位而迅速泊车，停车效率极低。
技术实现思路
本专利技术要解决的技术问题是提供一种能够提高室内定位技术准确度的基于大数据的车位预测推荐算法为解决上述技术问题，本专利技术的技术方案为：一种基于大数据的车位预测推荐算法，其创新点在于：包括下述步骤a)首先，利用已有的停车场车位数的统计数据来构造预测模型，以此来推测未来短时内车位数的变化趋势，在构建模型时，首先从数据库中读取车位的历史数据，将数据进行预处理后分为两部分，分别是训练样本与预测样本；b)其次，采用归一化的方法，对车位原始数据进行标准化处理，将数据范围规范至范围内；c)然后，使用训练样本对网络训练后，用测试样本检验网络的泛化能力，第一次训练成功后，保存建好网络的结构及参数，然后输入测试样本实施测试，只有满足测试要求时，才保存最终的网络结构模型，实际预测时，就可以将预测实际要用到的数据从数据库中取出后，经过预处理，输入到车位空余率预测模型中，然后将输出信息进行加工处理后变为预测信息显示传输给诱导显示屏及车载终端；d)再次，明确泊车驾驶者在进行泊车位选择时的主要考虑因素，通过大量的调查数据分析，从泊车微观行为角度出发，得出影响泊车者泊位选择的因素，从泊车者角度出发，所得影响泊位选择的主要因素有：泊车位与目的地的步行时间、从停车场入口到泊车位的行驶时间、泊位两侧车辆占用情况、泊位安全性与遮阳时长，将选取上述五大影响因素中的步行时间与行驶时间作为最优泊车位选择的依据，而不考虑泊车位两侧车位占用情况、安全性、遮阳时长；e)然后，结合每个泊车位的步行指标与步行指标构造泊车车位综合指标，根据车位综合指标选择最优泊车位；f)最后，针对最优停车位选择的问题，选择若干影响因素作为效用函数的特征参量，构建最优停车位选择模型，采用遗传算法对模型进行求解，进而为车主选出了最优停车位。进一步的，所述步骤a中，采用BP神经网络来构造空余停车车位预测的模型。进一步的，所述步骤b中，采取最大最小化的方法对车位数据进行归一化。本专利技术的优点在于：本专利技术中的推荐方法，为C端车主提供打造“车位查询/预测、车位预定、车位推荐、反向寻车、动态计费/快捷支付”的一站式智能停车闭环管理，车位预测与推荐对用户体验起着决定性的作用。具体实施方式下面的实施例可以使本专业的技术人员更全面地理解本专利技术，但并不因此将本专利技术限制在所述的实施例范围之中。本专利技术的基于大数据的车位预测推荐算法通过下述步骤得以实现：包括下述步骤第一步，首先，利用已有的停车场车位数的统计数据来构造预测模型，以此来推测未来短时内车位数的变化趋势，在构建模型时，首先从数据库中读取车位的历史数据，将数据进行预处理后分为两部分，分别是训练样本与预测样本。实际上，影响空余车位变化的因素有很多，譬如季节，天气，节假日，以及停车场周围车流量等，但是由于这些因素难以量化，并且考虑到车位的变化在时间上是渐进的过程，其变化一定存在着某种规律性。所以考虑利用已有的停车场车位数的统计数据来构造预测模型，以此来推测未来短时内车位数的变化趋势。这种研究方法是对历史数据潜在的变化规律的一种探索，从属于对时间序列分析的范畴。时间序列的分析方法有很多，例如传统线性预测方法、传统非线性预测方法以及神经网络预测方法。其中，神经网络预测方法具有处理复杂非线性预测的能力，是目前非线性预测中常用的方法。本项目中空余停车车位的变化无明显的规律性，故决定采用BP神经网络来构造空余停车车位预测的模型。第二步，其次，采用归一化的方法，对车位原始数据进行标准化处理，将数据范围规范至范围内。在实际应用中，由于采集到的数据范围跨度较大，如果直接将采集到的数据输入到神经网络中，可能会出现“过拟合”问题，甚至会导致神经网络麻痹的现象为了防止这些问题的产生，一般需先对数据进行“标准化”处理，常用的标准化方法有零均值标准差标准化方法以及归一化的方法。实践证明，归一化的方法效果更好。采用归一化的方法，对车位原始数据进行标准化处理，将数据范围规范至范围内。采取最大最小化的方法对车位数据进行归一化。第三步，然后，使用训练样本对网络训练后，用测试样本检验网络的泛化能力，第一次训练成功后，保存建好网络的结构及参数，然后输入测试样本实施测试，只有满足测试要求时，才保存最终的网络结构模型，实际预测时，就可以将预测实际要用到的数据从数据库中取出后，经过预处理，输入到车位空余率预测模型中，然后将输出信息进行加工处理后变为预测信息显示传输给诱导显示屏及车载终端。停车诱导及车位预测子系统的数据都来源于信息采集子系统采集到的数据传到系统数据库中的。在构建模型时，首先从数据库中读取车位的历史数据，将数据进行预处理后分为两部分，分别是训练样本与预测样本。使用训练样本对网络训练后，用测试样本检验网络的泛化能力。第一次训练成功后，保存建好网络的结构及参数，然后输入测试样本实施测试。只有满足测试要求时，才保存最终的网络结构模型。实际预测时，就可以将预测实际要用到的数据从数据库中取出后，经过预处理，输入到车位空余率预测模型中，然后将输出信息进行加工处理后变为预测信息显示传输给诱导显示屏及车载终端。此外，考虑到设置空余车位预测仅是在停车场的有效停车泊位数使用紧张时，因此有必要设置一个开关功能，即有效车位数较多时，关闭预测功能，只提供实时车位数；当有效车位数较少时，开启预测功能，同时提供实时车位数和预测信息。在本系统中，假设影响预测功能开启的车位空余率边界值为a，即车位空余率大于a时，关闭预测功能；车位空余率小于或等于a时，开启预测功能。第四步，再次，明确泊车驾驶者在进行泊车位选择时的主要考虑因素，通过大量的调查数据分析，从泊车微观行为角度出发，得出影响泊车者泊位选择的因素，从泊车者角度出发，所得影响泊位选择的主要因素有：泊车位与目的地的步行时间、从停车场入口到泊车位的行本文档来自技高网...

【技术保护点】
1.一种基于大数据的车位预测推荐算法，其特征在于：包括下述步骤/na)首先，利用已有的停车场车位数的统计数据来构造预测模型，以此来推测未来短时内车位数的变化趋势，在构建模型时，首先从数据库中读取车位的历史数据，将数据进行预处理后分为两部分，分别是训练样本与预测样本；/nb)其次，采用归一化的方法，对车位原始数据进行标准化处理，将数据范围规范至范围内；/nc)然后，使用训练样本对网络训练后，用测试样本检验网络的泛化能力，第一次训练成功后，保存建好网络的结构及参数，然后输入测试样本实施测试，只有满足测试要求时，才保存最终的网络结构模型，实际预测时，就可以将预测实际要用到的数据从数据库中取出后，经过预处理，输入到车位空余率预测模型中，然后将输出信息进行加工处理后变为预测信息显示传输给诱导显示屏及车载终端；/nd)再次，明确泊车驾驶者在进行泊车位选择时的主要考虑因素，通过大量的调查数据分析，从泊车微观行为角度出发，得出影响泊车者泊位选择的因素，从泊车者角度出发，所得影响泊位选择的主要因素有：泊车位与目的地的步行时间、从停车场入口到泊车位的行驶时间、泊位两侧车辆占用情况、泊位安全性与遮阳时长，将选取上述五大影响因素中的步行时间与行驶时间作为最优泊车位选择的依据，而不考虑泊车位两侧车位占用情况、安全性、遮阳时长；/ne)然后，结合每个泊车位的步行指标与步行指标构造泊车车位综合指标，根据车位综合指标选择最优泊车位；/nf)最后，针对最优停车位选择的问题，选择若干影响因素作为效用函数的特征参量，构建最优停车位选择模型，采用遗传算法对模型进行求解，进而为车主选出了最优停车位。/n...

【技术特征摘要】
1.一种基于大数据的车位预测推荐算法，其特征在于：包括下述步骤
a)首先，利用已有的停车场车位数的统计数据来构造预测模型，以此来推测未来短时内车位数的变化趋势，在构建模型时，首先从数据库中读取车位的历史数据，将数据进行预处理后分为两部分，分别是训练样本与预测样本；
b)其次，采用归一化的方法，对车位原始数据进行标准化处理，将数据范围规范至范围内；
c)然后，使用训练样本对网络训练后，用测试样本检验网络的泛化能力，第一次训练成功后，保存建好网络的结构及参数，然后输入测试样本实施测试，只有满足测试要求时，才保存最终的网络结构模型，实际预测时，就可以将预测实际要用到的数据从数据库中取出后，经过预处理，输入到车位空余率预测模型中，然后将输出信息进行加工处理后变为预测信息显示传输给诱导显示屏及车载终端；
d)再次，明确泊车驾驶者在进行泊车位选择时的主要考虑因素，通过大量的调查数据分析，从泊车微观行为角度出发，得出影响泊车者泊...

【专利技术属性】
技术研发人员：姚剑，钱泉，
申请(专利权)人：上海剑创信息技术集团有限公司，
类型：发明
国别省市：上海;31