预测方法、训练方法、装置、电子设备和可读存储介质制造方法及图纸

本公开提供了一种停车场流量的预测方法、流量预测模型的训练方法、装置、电子设备和计算机可读存储介质，涉及机器学习领域。其中，停车场流量的预测方法包括：将目标停车场的同构特征输入第一层模型，以输出描述流量趋势的描述向量与第一预测向量，第一层模型为语序翻译模型；将描述向量、第一预测向量与目标停车场的异构特征输入第二层模型，并根据描述向量与异构特征得到第二预测向量，第二层模型为记忆网络模型；基于第一预测向量与第二预测向量得到目标停车场的预测流量。通过本公开的技术方案，在考虑到目标停车场类型基础上进行车流量的预测，能够提升停车场车流量预测的准确性。能够提升停车场车流量预测的准确性。能够提升停车场车流量预测的准确性。

【技术实现步骤摘要】
预测方法、训练方法、装置、电子设备和可读存储介质


[0001]本公开涉及机器学习
，尤其涉及一种停车场流量的预测方法、流量预测模型的训练方法、装置、电子设备和计算机可读存储介质。

技术介绍

[0002]在智慧城市的建设中，停车场是不可缺少的构建单元，因此使停车场维持较高的服务水平，是保障交通及周边业态运营效率，方便居民出行的关键。其中，通过对停车场流量的预测，不但可以帮助驾驶者快速找到停车场车位，以缓解或者解决停车场周边区域内的交通拥堵，还可以提升对停车场的资源的调度效率，以降低停车场的运营难度。
[0003]现有的停车场流量预测方案基于停车场历史的流量记录进行车场的流量预测，存在以下问题：
[0004]由于现有的停车场流量预测方案主要基于流入、流出与停车饱和度等特征实现，导致预测准确性差。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]本公开的目的在于提供一种停车场流量的预测方法、流量预测模型的训练方法、装置、电子设备和计算机可读存储介质，至少在一定程度上克服由于相关技术中停车场车流量预测准确性差的问题。
[0007]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0008]根据本公开的一个方面，提供一种停车场流量的预测方法，包括：将目标停车场的时间特征与对应的流量特征输入第一层模型，以输出描述流量趋势的描述向量与第一预测向量，所述第一层模型为语序翻译模型；将所述描述向量、所述第一预测向量与所述目标停车场的异构特征输入第二层模型，以根据所述描述向量与所述异构特征得到第二预测向量；根据所述第二预测向量与所述第一预测向量得到所述目标停车场的预测流量，所述第二层模型为记忆网络模型。
[0009]在一个实施例中，所述记忆网络模型包括注意机制结构和记忆矩阵，其中所述记忆矩阵基于不同的异构特征构成；所述将所述描述向量、所述第一预测向量与所述目标停车场的异构特征输入第二层模型，并根据所述描述向量与所述异构特征得到第二预测向量包括：将所述描述向量与所述异构特征输入所述注意机制结构，并与所述记忆矩阵执行匹配操作；对所述匹配操作的结果进行整合，以生成整合向量，所述整合向量描述所述不同的异构特征下的所述流量趋势；基于所述整合向量与所述目标停车场的异构特征得到所述第二预测向量。
[0010]在一个实施例中，还包括：基于所述目标停车场所处区域的区域类型和/或业态类
型，配置所述目标停车场的异构特征，其中，所述区域类型包括交通枢纽区域、商圈区域、办公区域与住宅区域中的至少一种。
[0011]在一个实施例中，所述基于所述第一预测向量与所述第二预测向量得到所述目标停车场的预测流量包括：对所述第一预测向量与所述第二预测向量进行融合处理，得到融合向量；将所述融合向量与所述目标停车场的个性特征输入第三层模型，以对所述融合向量与所述个性特征执行全连接处理，所述第三层模型为全连接网络模型；基于所述全连接处理的处理结果生成所述预测流量，并使所述第三层模型输出所述预测流量。
[0012]在一个实施例中，所述基于所述第一预测向量与所述第二预测向量得到所述目标停车场的预测流量包括：对所述第一预测向量与所述第二预测向量进行全连接处理；基于所述全连接处理的处理结果生成所述预测流量，并使所述第二层模型输出所述预测流量。
[0013]在一个实施例中，所述语序翻译模型包括Seq2Seq网络，所述将目标停车场的同构特征输入第一层模型，以输出描述流量趋势的描述向量与第一预测向量包括：所述同构特征包括时间特征与对应的流量特征，对所述时间特征与所述流量特征进行预处理，生成对应的预处理向量；将所述预处理向量输入所述Seq2Seq网络的编码器中进行编码，得到所述描述向量；将所述描述向量以及与预测时间相关的预测特征输入所述Seq2Seq网络中的解码器进行解码，得到所述第一预测向量。
[0014]在一个实施例中，所述将目标停车场的时间特征与流量特征输入第一层模型，以输出描述流量趋势的描述向量与第一预测向量包括：对所述时间特征与所述流量特征进行预处理，生成对应的预处理向量；将所述预处理向量输入所述Seq2Seq网络的编码器中进行编码，得到所述描述向量；将所述描述向量以及与预测时间相关的预测特征输入所述Seq2Seq网络中的解码器进行解码，得到所述第一预测向量。
[0015]在一个实施例中，所述将所述描述向量以及与预测时间相关的预测特征输入所述Seq2Seq网络中的解码器进行解码，得到所述第一预测向量，还包括：将所述预测时间的时间特征与前一个时刻的预测结果确定为所述预测特征；将所述描述向量与所述预测特征进行协同解码，得到所述第一预测向量。
[0016]根据本公开的另一个方面，提供一种流量预测模型的训练方法，包括：基于多个停车场的历史数据进行语序翻译模型的模型训练，以生成第一层模型，所述多个停车场包括目标停车场，所述历史数据包括所述多个停车场的同构特征；采用迁移学习的方式，对所述第一层模型的输出数据与目标停车场的异构特征进行记忆网络的模型训练，得到第二层模型；基于所述第一层模型与所述第二层模型生成所述目标停车场的流量预测模型。
[0017]在一个实施例中，所述语序翻译模型包括Seq2Seq网络，所述基于多个停车场的历史数据进行语序翻译模型的模型训练，以所述流量预测模型的生成第一层模型包括：所述停车场的同构特征包括所述目标停车场的第一同构特征与其它停车场的第二同构特征，通过所述第二同构特征进行所述Seq2Seq网络的模型训练，得到基础模型；将所述基础模型的训练结果迁移到待训练的所述第一层模型，并通过所述第一同构特征对所述待训练的所述第一层模型进行模型训练，得到训练后的所述第一层模型。
[0018]在一个实施例中，所述语序翻译模型包括Seq2Seq网络，所述基于多个停车场的历史数据进行语序翻译模型的模型训练，以生成所述流量预测模型的第一层模型包括：所述停车场的同构特征包括所述目标停车场的第一同构特征与其它停车场的第二同构特征，根
据所述第二同构特征生成多个训练任务集；根据所述多个训练任务集生成所述Seq2Seq网络的元学习模型；基于所述第一同构特征对所述元学习模型进行模型学习，得到所述第一层模型。
[0019]在一个实施例中，所述采用迁移学习的方式，对所述第一层模型的输出数据与目标停车场的异构特征进行记忆网络的模型训练，得到第二层模型包括：通过所述第一层模型的训练参数，进行所述记忆网络的模型训练，以得到所述记忆网络中注意力结构的结构参数与记忆矩阵；将所述结构参数与所述记忆矩阵迁移到待训练的所述第二层模型，并通过所述目标停车场的异构特征对所述待训练的所述第二层模型进行模型训练，得到训练后的所述第二层模型。
[0020]在一个实施例中，所述基于所述第一层模型与所述第二层模型生成所述目标停车场的流量预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种停车场流量的预测方法，其特征在于，包括：将目标停车场的同构特征输入第一层模型，以输出描述流量趋势的描述向量与第一预测向量，所述第一层模型为语序翻译模型；将所述描述向量、所述第一预测向量与所述目标停车场的异构特征输入第二层模型，并根据所述描述向量与所述异构特征得到第二预测向量；以及基于所述第二预测向量与所述第一预测向量得到所述目标停车场的预测流量，所述第二层模型为记忆网络模型。2.根据权利要求1所述的停车场流量的预测方法，其特征在于，所述记忆网络模型包括注意机制结构和记忆矩阵，其中所述记忆矩阵基于不同的异构特征构成；所述根据所述描述向量与所述异构特征得到第二预测向量包括：将所述描述向量与所述异构特征输入所述注意机制结构，并与所述记忆矩阵执行匹配操作；对所述匹配操作的结果进行整合，以生成整合向量，所述整合向量描述所述不同的异构特征下的所述流量趋势；基于所述整合向量与所述目标停车场的异构特征得到所述第二预测向量。3.根据权利要求1所述的停车场流量的预测方法，其特征在于，还包括：基于所述目标停车场所处区域的区域类型和/或业态类型，配置所述目标停车场的异构特征，其中，所述区域类型包括交通枢纽区域、商圈区域、办公区域与住宅区域中的至少一种。4.根据权利要求1所述的停车场流量的预测方法，其特征在于，所述基于所述第一预测向量与所述第二预测向量得到所述目标停车场的预测流量包括：对所述第一预测向量与所述第二预测向量进行融合处理，得到融合向量；将所述融合向量与所述目标停车场的个性特征输入第三层模型，以对所述融合向量与所述个性特征执行全连接处理，所述第三层模型为全连接网络模型；基于所述全连接处理的处理结果生成所述预测流量，并使所述第三层模型输出所述预测流量。5.根据权利要求1所述的停车场流量的预测方法，其特征在于，所述基于所述第一预测向量与所述第二预测向量得到所述目标停车场的预测流量包括：对所述第一预测向量与所述第二预测向量进行全连接处理；基于所述全连接处理的处理结果生成所述预测流量，并使所述第二层模型输出所述预测流量。6.根据权利要求1至5中任一项所述的停车场流量的预测方法，其特征在于，所述语序翻译模型包括Seq2Seq网络；所述将目标停车场的同构特征输入第一层模型，以输出描述流量趋势的描述向量与第一预测向量包括：所述同构特征包括时间特征与对应的流量特征，对所述时间特征与所述流量特征进行预处理，生成对应的预处理向量；将所述预处理向量输入所述Seq2Seq网络的编码器中进行编码，得到所述描述向量；
将所述描述向量以及与预测时间相关的预测特征输入所述Seq2Seq网络中的解码器进行解码，得到所述第一预测向量。7.根据权利要求6所述的停车场流量的预测方法，其特征在于，所述编码器包括第一编码器、第二编码器与第三编码器；所述将所述预处理向量输入所述Seq2Seq网络的编码器中进行编码，得到所述描述向量包括：将所述预处理向量输入所述第一编码器，以对所述预测时间之前的多个时间戳的时间特征与对应的流量特征进行编码，生成第一序列；将所述预处理向量输入所述第二编码器，以对所述预设时间之前的多天中，每天相同时刻的时间特征与对应的流量特征进行编码，生成第二序列；将所述预处理向量输入所述第三编码器，以对所述预设时间之前的多周中，每周相同时刻的时间特征与对应的流量特征进行编码，生成第三序列；基于所述第一序列、所述第二序列与所述第三序列得到所述描述向量。8.根据权利要求6所述的停车场流量的预测方法，其特征在于，所述将所述描述向量以及与预测时间相关的预测特征输入所述Seq2Seq网络中的解码器进行解码得到所述第一预测向量包括：将所述预测时间的时间特征与前一个时刻的预测结果确定为所述预测特征；将所述描述向量与所述预测特征进行协同解码，得到所述第一预测向量。9.一种流量预测模型的训练方法，其特征在于，包括：基于多个停车场的历史数据进行语序翻译模型的模型训练，以生成第一层模型，所述多个停车场包...

【专利技术属性】
技术研发人员：郜贺鹏，郑宇，张钧波，袁野，
申请(专利权)人：京东城市北京数字科技有限公司，
类型：发明
国别省市：