基于机器学习的车位状态预测方法及系统技术方案

本发明专利技术公开一种基于机器学习的车位状态预测方法，基于历史数据，建立回归决策树模型，进而构建改进决策树模型，对每个区域的停车率进行预测，基于停车率和用户喜好度为用户推荐相应的停车区域，获取相应停车区域中每个车位在不同时间段停车状态的历史数据，形成停车状态历史数据集并分别提取特征变量集和目标变量集；将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；根据上一时间段停车区域中每个车位的停车状态数据通过构建好的GPR模型得到本次时间段停车状态的预测值，并进一步构建残差预测GPR模型，得到残差的预测值，并对停车状态预测值进行修正。本发明专利技术方法能够精准的预测出每个车位停车状态，进而对停车有更好的控制。

【技术实现步骤摘要】
基于机器学习的车位状态预测方法及系统
本专利技术涉及人工智能
，尤其涉及一种基于机器学习的车位状态预测方法及系统。
技术介绍
在现有技术中，大部分的停车场是采用停车检测设备对停车位进行监测，根据停车库的不同，通常使用不同类型的感应器来完成停车检测。而检测设备中的感应器本身由于安置位置或地理环境不同，或本身出厂校正偏差，给正确判断停车状态带来挑战，会导致停车检测数据不够精准。随着大数据和人工智能的应用，虽然有一直在尝试采用大数据或者人工智能对停车场的车位进行预测，但是，预测结果不够精准，导致用户停车还是很不方便。
技术实现思路
本专利技术针对现有技术中的缺点，提供了一种基于机器学习的车位状态预测方法及系统。为了解决上述技术问题，本专利技术通过下述技术方案得以解决：一种基于机器学习的车位状态预测方法，包括以下步骤：获取停车场所有时间段所有区域的停车数量和未停车数量的历史数据，形成停车数据历史数据集，其中，停车场根据停车规则被划分为多个停车区域，将24小时划分为若干个等比例时间段；对所本文档来自技高网...

【技术保护点】
1.一种基于机器学习的车位状态预测方法，其特征在于，包括以下步骤：/n获取停车场所有时间段所有区域的停车数量和未停车数量的历史数据，形成停车数据历史数据集，其中，停车场根据停车规则被划分为多个停车区域，将24小时划分为若干个等比例时间段；/n对所述停车数据历史数据集中的所有数据进行归一化处理，通过对归一化处理后的数据进行随机划分，得到训练数据集和测试数据集；/n基于训练数据集中的训练样本，通过迭代算法建立回归决策树模型，基于回归决策树模型构建改进决策树模型；/n将测试数据集样本输入至改进决策树模型，对下一个时间段停车场中所有区域停车数量和未停车数量进行预测，得到每个停车区域的停车率；/n基于停...

【技术特征摘要】
1.一种基于机器学习的车位状态预测方法，其特征在于，包括以下步骤：
获取停车场所有时间段所有区域的停车数量和未停车数量的历史数据，形成停车数据历史数据集，其中，停车场根据停车规则被划分为多个停车区域，将24小时划分为若干个等比例时间段；
对所述停车数据历史数据集中的所有数据进行归一化处理，通过对归一化处理后的数据进行随机划分，得到训练数据集和测试数据集；
基于训练数据集中的训练样本，通过迭代算法建立回归决策树模型，基于回归决策树模型构建改进决策树模型；
将测试数据集样本输入至改进决策树模型，对下一个时间段停车场中所有区域停车数量和未停车数量进行预测，得到每个停车区域的停车率；
基于停车率和用户喜好度为用户推荐相应的停车区域，获取相应停车区域中每个车位在不同时间段停车状态的历史数据，形成停车状态历史数据集并分别提取特征变量集和目标变量集；
将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；
根据相应停车区域中本次时间段的上一个时间段下每个车位的停车状态数据通过构建好的GPR模型得到本次时间段停车状态的预测值，通过所述停车状态的预测值与实际停车状态得到预测残差，并进一步构建残差预测GPR模型，得到残差的预测值，并利用所述残差的预测值对所述停车状态的预测值进行修正，得到修正后的车位状态值。


2.根据权利要求1所述的基于机器学习的车位状态预测方法，其特征在于，所述将测试数据集样本输入至改进决策树模型步骤之前，还包括优化迭代步骤，所述优化迭代步骤具体为：
采用交叉验证法对改进决策树模型的模型参数进行选取，得到优化后的改进决策树模型。


3.根据权利要求1所述的基于机器学习的车位状态预测方法，其特征在于，所述对所述停车数据历史数据集中的所有数据进行归一化处理，具体为：



其中，zk为归一化后的数据；Dk为归一化前实测数据；Dk,min为参数中的最小值，Dk,max为参数中的最大值。


4.根据权利要求1所述的基于机器学习的车位状态预测方法，其特征在于，所述基于训练数据集中的训练样本，通过迭代算法建立回归决策树模型，基于回归决策树模型构建改进决策树模型，具体为：
基于训练数据集，建立回归树模型，将训练数据集记作，其中，x表示输入变量，y表示相对应的输出变量，假设
每棵回归树的叶子为Jm，将输入空间划分为Jm个不相交区域：，并在每
个区域上确定输出的常量值，假设bjm为区域Rjm的常量值，则回归树模型表达式为：






其中，表示Jm个不相交区域，I表示区域判断输出表达式，gm(x)表
示回归树模型；
通过Huber损失函数对建立好的回归树模型进行初始化，得到初始化后的回归树模型，并对初始化后的回归树模型进行训练，初始化后的回归树模型表示为：

；其中，N表示数量，L表示损失函数，x表示输
入变量，y表示相对应的输出变量，f(x)表示一个拟合函数；
对初始化后的回归树模型进行训练，得到回归树模型的梯度下降的步长；
基于确立好的梯度下降的步长，对初始化后的回归树模型进行更新，更新后的回归树模型表示为：



其中，lr表示学习率，x表示输入变量，表示梯度下降的步长，表示回归树模
型，表示更新后的回归树模型，表示更新前的回归树模型；
基于最小化损失函数的期望值对更新后的回归树模型进行不断更新，最终输出稳定的改进决策树模型。


5.根据权利要求4所述的基于机器学习的车位状态预测方法，其特征在于，所述对初始化后的回归树模型进行训练，得到回归树模型的梯度步长，具体为：
迭代生成M棵回归树，，m表示第m棵树；
将样本数据集中的数据记作N，，i表示第i个样本，获得损失函数的负梯度
值，并将所述负梯度值作为残差的估计值rim，残差的估计值表示如下：



其中，fm-1(xi)表示m...

【专利技术属性】
技术研发人员：梁坚，管海慧，柳希广，
申请(专利权)人：浙江创泰科技有限公司，
类型：发明
国别省市：浙江;33