基于地理空间信息的停车占用率预测方法及系统技术方案

本发明专利技术涉及智慧停车技术领域，提出了基于地理空间信息的停车占用率预测方法及系统，包括获得历史占用率、待预测时间点和待预测街道区段的地理空间信息；所述地理空间信息包括中心性数据、关键兴趣点数据和土地用途数据；将所述历史占用率、待预测时间点和地理空间信息输入到机器学习模型，得到待预测时间点对应的停车占用率；所述机器学习模型根据N天历史数据训练得到。通过上述技术方案，解决了现有技术中停车占用率预测方法准确度低的问题。术中停车占用率预测方法准确度低的问题。术中停车占用率预测方法准确度低的问题。

【技术实现步骤摘要】
基于地理空间信息的停车占用率预测方法及系统


[0001]本专利技术涉及智慧停车
，具体的，涉及基于地理空间信息的停车占用率预测方法及系统。

技术介绍

[0002]在城市地区找到一个位置合适的停车位可能是一项非常具有挑战性的任务。平均而言，停车搜索交通量，即四处寻找适宜停车位的车辆，占某些城市地区总交通量的30％。因此，它产生了深远的社会经济和环境影响，大量的燃料被浪费，越来越多的交通事故与寻找停车位有关。
[0003]帮助减轻停车搜索的一个可行解决方案是提供与停车相关的数据，例如通过在停车场部署智能传感器。理想情况下，这些信息可以以动态停车地图的形式传输到驾驶员的导航系统，以搜索停车位。为了开发更适应性的交通管理和智能停车系统，近年来停车占用率预测受到了广泛关注，通过这种方式，司机可以提前计划他们的行程，允许他们定制目的地和出发时间。一旦接近目的地，司机就可以直接进入一个空停车位。目前，停车占用率预测的准确性比较低，不能满足实际需求。

技术实现思路

[0004]本专利技术提出基于地理空间信息的停车占用率预测方法及系统，解决了相关技术中停车占用率预测方法准确度低的问题。
[0005]本专利技术的技术方案如下：
[0006]第一方面，基于地理空间信息的停车占用率预测方法，包括：
[0007]获得历史占用率、待预测时间点和待预测街道区段的地理空间信息；所述地理空间信息包括中心性数据、关键兴趣点数据和土地用途数据；
[0008]将所述历史占用率、待预测时间点和地理空间信息输入到机器学习模型，得到待预测时间点对应的停车占用率；所述机器学习模型根据N天历史数据训练得到。
[0009]第二方面，基于地理空间信息的停车占用率预测系统，包括：
[0010]第一获得单元，用于获得历史占用率、待预测时间点和待预测街道区段的地理空间信息；所述地理空间信息包括中心性数据、关键兴趣点数据和土地用途数据；
[0011]第一处理单元，用于将所述历史占用率、待预测时间点和地理空间信息输入到机器学习模型，得到待预测时间点对应的停车占用率；所述机器学习模型根据N天历史数据训练得到。
[0012]第三方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于地理空间信息的停车占用率预测方法的步骤。
[0013]本专利技术的工作原理及有益效果为：
[0014]本专利技术通过将待预测街道区段的地理空间信息纳入停车占用预测模型，并对地理
空间信息中的中心性数据、关键兴趣点数据和土地用途数据进行量化，量化结果用于停车占用率的预测，有利于提高预测效果。
附图说明
[0015]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0016]图1为本专利技术方法流程图；
[0017]图2为本专利技术中训练数据集范围对预测性能影响趋势示意图；
[0018]图3为本专利技术中地理空间的重要性示意图；
[0019]图4为预测范围对预测性能的影响趋势示意图；
具体实施方式
[0020]下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本专利技术保护的范围。
[0021]1.数据引用
[0022]1.1停车占用数据
[0023]本文中使用的历史停车占用率数据是由选取国内北方某城市海港新区的历史数据，作为一个城市级智能停车项目的一部分，其总体目标是提高路内外停车效率、城市综合交通管理水平和司机体验，并评估需求响应或分时段分区域停车定价及收费管理等。为了监控停车占用率，在路内停车位配备了传感器，并连续记录停车占用率。数据涵盖了分布在312个路内停车场(6291个停车位)的小时占用情况。
[0024]1.2地理空间数据
[0025]主要是利用开放式街道地图数据来表示街道网络，其提供了一个详细的街道和行人网络，土地使用数据由该城市有关专业部门提供，其中这些数据包括每个地块的土地使用类别。在这项工作中，我们考虑了三类：工业(生产、运输等)、商业(办公楼、商业服务、旅游)和住宅。我们还选择了三类关键兴趣点数据，包括商业、公共交通、旅游景点、业务包括所有注册企业的位置等；公共交通包括城市内火车站、长途汽车站和公共交通站点的位置等。
[0026]1.3数据预处理
[0027]本实施例中，我们共选择了11周的数据记录，每个路内区域的停车场的占用率如下：
[0028][0029]在本文中，我们计算了每天每个停车路段的占用率，计算步长为1h，换句话说，上述方程的分母等于1h＝3600s。
[0030]此外，对所有停车段位置进行地理参考，并将开放式街道地图数据转换为网络数据集。我们考虑了两种类型的网络：一个包括所有行车道路的路网数据，以及一个人行道网络，被定义的网格，为以米为单位的间距。
[0031]1.4地理空间信息的量化过程
[0032]为了将地理空间信息作为预测模型的输入特征，需要以一种有意义的方式进行量化，即通过此量化过程，为每个停车区段的位置分配值来创建地理预测器。下面，我们描述了本文中推导地理空间特征的三种主要方法。
[0033]1.4.1中心性
[0034]中心性是网络分析中的一个基本概念，已被应用于社会网络分析、城市规划和交通等多个领域。特别是在城市地区，对中心性的研究方法是将街道网络的边缘转化为关系图，将城市街道格局表示为空间网络(所谓的折线图)。通过这样做，街道被映射到图节点上，街道片段的交叉点被映射到节点之间的边缘上。在本文中，我们考虑并计算了每个街道区段的3个中心性指数：接近中心性，中间中心性和α中心性。下面是按顺序的指数的数学表达式：
[0035][0036]x＝(I
‑
αA)
‑1e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0037]其中σ
st
为从节点s到节点t的最短路径数，σ
st
(v)为经过v的节点s到节点t的最短路径数；d(w,v)是顶点v和w之间的距离，α是内生因素与外源因素在确定中心性方面的相对重要性，A是邻接矩阵，e是外部状态特征的影响。
[0038]一个节点(在本文中的特指街道区段)的接近中心性量化了该节点与网络中所有其他节点之间最短路径的平均长度。一个节点的得分越高，它就越接近所有其他节点，因此在网络中越处于中心位置，一个节点的中间性中心性衡量的是该节点在两个其他节点之间的最短路径上的次数，在这条最短路径上扮演“桥梁”的角色。因此，高分表示网络中的关键节点。最后，α中心性是特征向量中心性的一种变化，它基于一个概念，即网络中的一个节点如果与相邻的重要节点相连，它就更重要。对于这三个指标，中心性得分越高，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于地理空间信息的停车占用率预测方法，其特征在于，包括：获得历史占用率、待预测时间点和待预测街道区段的地理空间信息；所述地理空间信息包括中心性数据、关键兴趣点数据和土地用途数据；将所述历史占用率、待预测时间点和地理空间信息输入到机器学习模型，得到待预测时间点对应的停车占用率；所述机器学习模型根据N天历史数据训练得到。2.根据权利要求1所述的基于地理空间信息的停车占用率预测方法，其特征在于，所述中心性数据包括：接近中心性数据，中间中心性数据和α中心性数据，所述中心性数据的计算过程包括：将城市街道格局表示为折线图，并待预测街道区段映射到折线图的图节点上；在所述折线图上，计算每个街道区段的接近中心性数据，中间中心性数据和α中心性数据。3.根据权利要求2所述的基于地理空间信息的停车占用率预测方法，其特征在于，所述关键兴趣点数据包括：第一兴趣点数据、第二兴趣点数据和第三兴趣点数据，所述第一兴趣点数据为：以待预测区段为中心、设定值R为半径，确定服务区，位于所述服务区内的商务/服务关键兴趣点数；所述第二兴趣点数据为：待预测区段到火车站、飞机场和公交站点的平均距离；所述第三兴趣点数据为：待预测区段到旅游景点的平均距离。4.根据权利要求1所述的基于地...

【专利技术属性】
技术研发人员：王忠利，尹强，刘爱军，曹家城，林颂，
申请(专利权)人：唐山通宝停车设备有限公司，
类型：发明
国别省市：