停车场空闲车位预测方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了停车场空闲车位预测方法、装置、电子设备及存储介质，涉及人工智能领域，其中的方法可包括：针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合预定条件的任意两个停车场通过边相连；针对任一停车场i，根据停车场i及与停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻停车场i的局部空间相关性信息；根据所构建的软分配矩阵，确定出当前时刻停车场i的全局空间相关性信息；根据局部及全局空间相关性信息，确定出当前时刻停车场i的时间相关性信息，根据时间相关性信息对停车场i在未来至少一个时间步的空闲车位信息进行预测。应用本申请所述方案，可提高预测结果的准确性等。

Prediction method, device, electronic equipment and storage medium of free parking space in parking lot

【技术实现步骤摘要】
停车场空闲车位预测方法、装置、电子设备及存储介质
本申请涉及计算机应用技术，特别涉及人工智能领域的停车场空闲车位预测方法、装置、电子设备及存储介质。
技术介绍
驾驶员在有停车需求时通常想知道附近有哪些停车场在不久的将来能够拥有可以停车的空闲车位，相应地，若能够预测出停车场的空闲车位信息，可有效提高驾驶员的停车效率等。目前，可基于用户的反馈生成标注数据，从而对某个区域的停车困难程度进行预测，但这种方式获取到的标注数据很可能是不准确的，比如用户对于停车困难程度本身并没有一个精确的度量，仅凭借自身的感觉给出一个粗略的评估，而且用户还可能出现一些误操作，也会影响反馈的准确性，由于这些问题，会导致预测结果很不准确。
技术实现思路
有鉴于此，本申请提供了停车场空闲车位预测方法、装置、电子设备及存储介质。一种停车场空闲车位预测方法，包括：针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合预定条件的任意两个停车场通过边相连；针对任一停车场i，分别进行以下处理：根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻所述停车场i的局部空间相关性信息；根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息；根据所述局部空间相关性信息及所述全局空间相关性信息，确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。根据本申请一优选实施例，所述将符合预定条件的任意两个停车场通过边相连包括：将任意两个距离小于或等于预定阈值的停车场通过边相连。根据本申请一优选实施例，所述确定出当前时刻所述停车场i的局部空间相关性信息包括：基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息；所述根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息包括：基于分层图神经网络模型，根据当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并根据所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息；所述确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括：基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。根据本申请一优选实施例，所述基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息包括：针对各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重；根据各邻居停车场与所述停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到所述停车场i的表征向量，将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。根据本申请一优选实施例，任一邻居停车场j与所述停车场i之间的边的权重其中，所述cij＝Attention(Waxi,Waxj)；所述Attention表示图注意力机制；所述Ni表示所述邻居停车场的数量；所述xi表示当前时刻所述停车场i的环境上下文特征；所述xj表示当前时刻所述邻居停车场j的环境上下文特征；所述Wa表示预先训练得到的模型参数。根据本申请一优选实施例，所述表征向量其中，所述Ni表示所述邻居停车场的数量；所述xj表示当前时刻所述Ni个邻居停车场中的任一邻居停车场j的环境上下文特征；所述αij表示当前时刻所述邻居停车场j与所述停车场i之间的边的权重；所述Wa表示预先训练得到的模型参数；所述σ表示激活函数。根据本申请一优选实施例，所述基于当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并基于所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息包括：根据当前时刻各停车场的局部空间相关性信息，生成一个N行K列的软分配矩阵，所述N等于所述停车场关联图中的停车场数，所述K等于设定的潜在结点数，所述软分配矩阵中的每一行分别对应于一个停车场，所述软分配矩阵中的每一列分别对应于一个潜在结点，所述软分配矩阵中的每一行中的每个元素分别表示对应的停车场属于对应的潜在结点的概率；根据所述软分配矩阵，分别确定出各潜在结点的表征向量，并分别确定出各潜在结点之间的边的权重，任意两个潜在结点之间均通过边相连；根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量；针对所述停车场i，根据各潜在结点的最终表征向量以及所述软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息。根据本申请一优选实施例，该方法进一步包括：通过计算Softmax(Wsx′i)得到所述软分配矩阵中的第i行中的各元素，所述第i行表示所述软分配矩阵中的任意一行，所述x′i表示当前时刻所述第i行对应的停车场的局部空间相关性信息，所述Ws表示预先训练得到的模型参数。根据本申请一优选实施例，所述K个潜在结点中的任一潜在结点i的表征向量其中，所述N表示所述停车场关联图中的停车场数；所述x′j表示当前时刻所述N个停车场中的任一停车场j的局部空间相关性信息；所述S表示所述软分配矩阵。根据本申请一优选实施例，所述K个潜在结点中的任意两个潜在结点i和潜在结点j之间的边的权重其中，所述N表示所述停车场关联图中的停车场数；所述S表示所述软分配矩阵；当所述N个停车场中的任意两个停车场m和停车场n之间通过边相连时，所述amn为第一预定取值，否则，为第二预定取值。根据本申请一优选实施例，所述K个潜在结点中的任一潜在结点i的最终表征向量其中，所述Qi表示与所述潜在结点i通过边相连的邻居潜在结点数；所述表示所述Qi个邻居潜在结点中的任一潜在结点j的表征向量；所述Wl表示预先训练得到的模型参数；所述表示所述潜在结点i与所述潜在结点j之间边的权重；所述σ表示激活函数。根据本申请一优选实施例，所述当前时刻所述停车场i的全局空间相关性信息其中，所述表示所述K个潜在结点中的任一潜在结点j的最终表征向量；所述S表示所述软分配矩阵。根据本申请一优选实施例，所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息之前，进一步包括：将当前时刻所述停车场i的局部空间相关性信息及全局空间相关性信息进行拼接；所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息包括：根据所述拼接结果以及所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间相关性信息。根据本申请一优选实施例，所述当前时刻所述停车场i的时间相关性信本文档来自技高网...

【技术保护点】
1.一种停车场空闲车位预测方法，其特征在于，包括：/n针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合预定条件的任意两个停车场通过边相连；/n针对任一停车场i，分别进行以下处理：/n根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻所述停车场i的局部空间相关性信息；/n根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息；/n根据所述局部空间相关性信息及所述全局空间相关性信息，确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。/n

【技术特征摘要】
1.一种停车场空闲车位预测方法，其特征在于，包括：
针对待处理区域内的停车场构建停车场关联图，其中的每个结点分别表示一个停车场，将符合预定条件的任意两个停车场通过边相连；
针对任一停车场i，分别进行以下处理：
根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征，确定出当前时刻所述停车场i的局部空间相关性信息；
根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息；
根据所述局部空间相关性信息及所述全局空间相关性信息，确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。


2.根据权利要求1所述的方法，其特征在于，
所述将符合预定条件的任意两个停车场通过边相连包括：将任意两个距离小于或等于预定阈值的停车场通过边相连。


3.根据权利要求1所述的方法，其特征在于，
所述确定出当前时刻所述停车场i的局部空间相关性信息包括：基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息；
所述根据基于当前时刻各停车场的局部空间相关性信息构建出的软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息包括：基于分层图神经网络模型，根据当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并根据所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息；
所述确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括：基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息，并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。


4.根据权利要求3所述的方法，其特征在于，
所述基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息包括：
针对各邻居停车场，分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征，确定出当前时刻各邻居停车场与所述停车场i之间的边的权重；
根据各邻居停车场与所述停车场i之间的边的权重，聚合各邻居停车场的环境上下文特征，得到所述停车场i的表征向量，将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。


5.根据权利要求4所述的方法，其特征在于，
任一邻居停车场j与所述停车场i之间的边的权重
其中，所述cij＝Attention(Waxi,Waxj)；所述Attention表示图注意力机制；所述Ni表示所述邻居停车场的数量；所述xi表示当前时刻所述停车场i的环境上下文特征；所述xj表示当前时刻所述邻居停车场j的环境上下文特征；所述Wa表示预先训练得到的模型参数。


6.根据权利要求4所述的方法，其特征在于，
所述表征向量
其中，所述Ni表示所述邻居停车场的数量；所述xj表示当前时刻所述Ni个邻居停车场中的任一邻居停车场j的环境上下文特征；所述αij表示当前时刻所述邻居停车场j与所述停车场i之间的边的权重；所述Wa表示预先训练得到的模型参数；所述σ表示激活函数。


7.根据权利要求3所述的方法，其特征在于，
所述基于当前时刻各停车场的局部空间相关性信息构建出所述软分配矩阵，并基于所述软分配矩阵确定出当前时刻所述停车场i的全局空间相关性信息包括：
根据当前时刻各停车场的局部空间相关性信息，生成一个N行K列的软分配矩阵，所述N等于所述停车场关联图中的停车场数，所述K等于设定的潜在结点数，所述软分配矩阵中的每一行分别对应于一个停车场，所述软分配矩阵中的每一列分别对应于一个潜在结点，所述软分配矩阵中的每一行中的每个元素分别表示对应的停车场属于对应的潜在结点的概率；
根据所述软分配矩阵，分别确定出各潜在结点的表征向量，并分别确定出各潜在结点之间的边的权重，任意两个潜在结点之间均通过边相连；
根据各潜在结点的表征向量以及各潜在结点之间的边的权重确定出各潜在结点的最终表征向量；
针对所述停车场i，根据各潜在结点的最终表征向量以及所述软分配矩阵，确定出当前时刻所述停车场i的全局空间相关性信息。


8.根据权利要求7所述的方法，其特征在于，
该方法进一步包括：通过计算Softmax(Wsx′i)得到所述软分配矩阵中的第i行中的各元素，所述第i行表示所述软分配矩阵中的任意一行，所述x′i表示当前时刻所述第i行对应的停车场的局部空间相关性信息，所述Ws表示预先训练得到的模型参数。


9.根据权利要求7所述的方法，其特征在于，
所述K个潜在结点中的任一潜在结点i的表征向量
其中，所述N表示所述停车场关联图中的停车场数；所述x′j表示当前时刻所述N个停车场中的任一停车场j的局部空间相关性信息；所述S表示所述软分配矩阵。


10.根据权利要求7所述的方法，其特征在于，
所述K个潜在结点中的任意两个潜在结点i和潜在结点j之间的边的权重
其中，所述N表示所述停车场关联图中的停车场数；所述S表示所述软分配矩阵；当所述N个停车场中的任意两个停车场m和停车场n之间通过边相连时，所述amn为第一预定取值，否则，为第二预定取值。


11.根据权利要求7所述的方法，其特征在于，
所述K个潜在结点中的任一潜在结点i的最终表征向量
其中，所述Qi表示与所述潜在结点i通过边相连的邻居潜在结点数；所述表示所述Qi个邻居潜在结点中的任一潜在结点j的表征向量；所述Wl表示预先训练得到的模型参数；所述表示所述潜在结点i与所述潜在结点j之间边的权重；所述σ表示激活函数。


12.根据权利要求7所述的方法，其特征在于，
所述当前时刻所述停车场i的全局空间相关性信息
其中，所述表示所述K个潜在结点中的任一潜在结点j的最终表征向量；所述S表示所述软分配矩阵。


13.根据权利要求3所述的方法，其特征在于，
所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息之前，进一步包括：将当前时刻所述停车场i的局部空间相关性信息及全局空间相关性信息进行拼接；
所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息包括：根据所述拼接结果以及所述门循环神经网络模型的前一时刻的输出，确定出当前时刻所述停车场i的时间相关性信息。


14.根据权利要求13所述的方法，其特征在于，
所述当前时刻所述停车场i的时间相关性信息
其中，所述
所述
所述
所述Wz、所述所述Wr、所述bz、所述以及所述br均为预先训练得到的模型参数；所述σ表示激活函数；所述x″i表示所述拼接结果；所述表示所述门循环神经网络模型的前一时刻的输出。


15.根据权利要求3所述的方法，其特征在于，
所述根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括：
按照的方式预测出所述停车场i在未来τ个时间步的空闲车位信息；
其中，所述τ为大于一的正整数；所述表示当前时刻所述停车场i的时间相关性信息；所述Wo表示预先训练得到的模型参数；所述σ表示激活函数；所述表示预测出的所述停车场i在未来第一个时间步的空闲车位信息；所述表示预测出的所述停车场i在未来第τ个时间步的空闲车位信息。


16.根据权利要求15所述的方法，其特征在于，
该方法进一步包括：
在进行模型训练时，选择Nl个具有实时传感器的停车场作为样本停车场，基于所述样本停车场的历史空闲车位信息构建标注数据，基于所述标注数据进行训练优...

【专利技术属性】
技术研发人员：刘浩，张韦嘉，熊辉，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11