一种基于图神经网络的路边停车可用性预测方法技术

本发明专利技术涉及一种基于图神经网络的路边停车可用性预测方法，包括：构建停车区域图结构数据和停车占有率时序数据；构建图卷积模块和时间卷积模块，并组合为时空残差卷积模块；构建时空残差图卷积神经网络，捕获停车数据的空间关联信息和长时依赖信息，并构建输出层神经网络，基于时空残差图卷积神经网络捕获的时空特征预测未来某一段时间的停车占有率。本发明专利技术的有益效果是：本发明专利技术考虑了停车数据的空间信息，通过将空间信息建模成图，使用图卷积神经网络的强大能力学习停车区域间的空间关联，进一步提高了停车占有率预测的准确性。一步提高了停车占有率预测的准确性。一步提高了停车占有率预测的准确性。

【技术实现步骤摘要】
一种基于图神经网络的路边停车可用性预测方法


[0001]本专利技术涉及停车预测领域，更确切地说，它涉及一种基于图神经网络的路边停车可用性预测方法。

技术介绍

[0002]随着我国经济的快速发展，居民物质生活水平日益提高，家庭汽车保有量不断增加。不断增长的汽车数量给城市带来了交通拥堵、停车难的问题。停车难问题降低了城市的运转效能，产生了更多的污染，而且是导致交通拥堵的重要因素。随着城市经济和人口的快速增长，城市的停车难问题将变得愈加严峻。究其原因，可以总结为三个方面：第一，城市机动车数量的快速增长大大超过了城市停车位的建设速度；第二，一些路边停车位信息没有公开，这些停车位无法充分利用；第三，路边停车的管理效能不够高，降低了城市停车位的利用效率。
[0003]为了解决这样的问题，很多停车管理和引导系统被开发出来。传统的停车引导系统主要用于大中型停车场内，无法从数据中学习，而且对城市的路边停车位利用率提升也没有帮助。随着大数据技术和人工智能技术的快速发展，智慧城市、城市大脑等新的概念被提出。智慧停车综合管理系统是其中重要一环，该系统基于停车场和路边停车数据，同时结合其他交通数据，运用大数据技术和人工智能技术对城市的停车现状进行科学分析，以做出合理的停车引导决策，构建有序的停车环境，最大程度缓解城市的停车难问题。
[0004]对于这些智能停车管理系统，一个核心功能是提前预判各停车区域未来的停车位占用情况，以辅助系统做出合适的停车点推荐和引导，给驾驶员提供有用和即时的停车位信息，帮助改善城市停车位的利用率，加快城市的运转效率，提升城市治理的效果。因此，如何进行准确和快速的路边停车可用性预测是一个值得研究的课题。
[0005]申请号为201910934953.8的《停车场停车预测方法和装置》专利技术公开了一种停车预测方法和装置。其根据停车场周边区域中兴趣点的属性信息以及停车场的地域属性信息，来确定停车场的停车难度，并将停车场的停车难易程度提供给导航终端，从而使得用户通过导航终端即可获知对应停车场的难易程度。该专利技术的优点是能够对停车场的停车难易程度进行准确预测，提高了停车场的停车难易程度预测的准确性，方便用户根据导航终端提供的停车难易程度进行停车。申请号为202210367921.6的《一种停车预测系统及方法》专利技术提供了一种停车预测系统及方法，该方法主要是：获取车辆的行驶信息和定位信息，根据车辆的行驶信息和定位信息，基于机器学习训练模型判断车辆是否具有停车意图，在判定车辆有停车意图时，依据车辆的定位信息搜寻周边的可用停车场，向用户发送询问停车的指令，在获取用户的确认回复信息后，显示车辆周边的可用停车场。该方法的优点是，使用机器学习模型判断用户的停车意图，主动获取用户的停车需求，并基于用户的确定需求信息向用户推荐停车场，方便了用户停车。上述两种方法在各自的特定问题上都取得了有效成果，但《停车场停车预测方法和装置》应用于单个停车场，无法同时考虑多个停车场的信息，无法协同多个停车场的停车难易程度做出综合预测。《一种停车预测系统及方法》虽然
会推荐多个停车场，但其主要在于提高预测用户停车意图的准确性，而没有提高停车场停车可用性预测的准确性。

技术实现思路

[0006]本专利技术的目的是克服现有技术中的不足，提出了基于图卷积神经网络(GCN)的停车占有率预测模型——时空残差图卷积神经网络(Residual Spatial
‑
temporal Graph Convolutional Neural Network,RST
‑
GCNN)，该模型以停车事件的时序信息和图空间信息作为输入，使用GCN捕获停车区域间的空间关联信息，同时使用CNN捕获停车数据的长时依赖信息，并通过CNN的并行运算特性提高预测速度。
[0007]本专利技术提供了一种基于图神经网络的路边停车可用性预测方法，包括：
[0008]步骤1、构建停车区域图结构数据：从停车点位置信息数据库获取停车点的经纬度坐标，对停车点进行聚合，形成停车区域，以此作为图上的顶点，构建停车区域空间拓扑图；
[0009]步骤2，构建停车占有率时序数据：采集停车事件记录，根据停车事件记录计算停车点的占用状态，对停车区域内所有停车点的占用状态进行汇总并求均值，得到特定时刻的停车占有率；
[0010]步骤3、构建图卷积模块(GConv)，对停车区域图结构数据进行编码；
[0011]步骤4、构建时间卷积模块(TConv)，对停车占有率时序数据进行编码；
[0012]步骤5、将图卷积模块(GConv)和时间卷积模块(TConv)进行组合，构建时空残差卷积模块(RSTCB),对停车数据的空间信息和时序信息联合编码；
[0013]步骤6、组合多个时空残差卷积模块，构建时空残差图卷积神经网络,捕获停车数据的空间关联信息和长时依赖信息；
[0014]步骤7、构建输出层神经网络，基于时空残差图卷积神经网络捕获的时空特征预测未来某一段时间的停车占有率；
[0015]步骤8、计算基于图神经网络的停车占有率预测模型的指标结果，对该方法的预测效果做出评估。
[0016]作为优选，步骤1包括：
[0017]步骤1.1、从传感器记录的停车事件得到停车点id和停车点所属区域；
[0018]步骤1.2、根据停车点id从停车点位置信息数据库中获取停车点的经纬度坐标；
[0019]步骤1.3、根据停车点所属的区域对所有停车点进行聚合，形成多个停车区域；
[0020]步骤1.4、根据停车区域内所有停车点的经纬度坐标计算该区域的中心点坐标；
[0021]步骤1.5、根据停车区域的中心点坐标计算区域之间的距离；
[0022]步骤1.6、根据距离确定停车区域之间的邻接关系和权重。
[0023]作为优选，步骤2包括：
[0024]步骤2.1、从停车事件记录得到车辆到达时间和车辆离开时间；
[0025]步骤2.2、以固定时间间隔划分一天时间段，每个时间段作为一个时刻，从0开始编号；
[0026]步骤2.3、计算车辆到达时间和车辆离开时间所处的时刻；
[0027]步骤2.4、对于车辆到达时刻和离开时刻之间的时刻，停车占有状态置为1；
[0028]步骤2.5、对每一个停车区域和区域内停车点，重复步骤2.1至步骤2.4；
[0029]步骤2.6、对区域内所有停车点的停车占用状态求和并除以停车点总数，得到停车占有率。
[0030]作为优选，步骤3中，构建图卷积模块所采用的图卷积计算方法为切比雪夫(Chebyshev)图卷积方法、GCN图卷积方法或图注意力方法。
[0031]作为优选，步骤3中，切比雪夫图卷积方法在谱域上进行图卷积运算，其对切比雪夫多项式进行K阶截断，以此作为图卷积核的近似，避免了计算图拉普拉斯的特征值分解，减少了计算开销，同时保证了空间局部性。切比雪夫图卷积的计算公式为：
[0032]T0(L)＝I,
...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的路边停车可用性预测方法，其特征在于，包括：步骤1、构建停车区域图结构数据：从停车点位置信息数据库获取停车点的经纬度坐标，对停车点进行聚合，形成停车区域，以此作为图上的顶点，构建停车区域空间拓扑图；步骤2、构建停车占有率时序数据：采集停车事件记录，根据停车事件记录计算停车点的占用状态，对停车区域内所有停车点的占用状态进行汇总并求均值，得到特定时刻的停车占有率；步骤3、构建图卷积模块，对停车区域图结构数据进行编码；步骤4、构建时间卷积模块，对停车占有率时序数据进行编码；步骤5、将图卷积模块和时间卷积模块进行组合，构建时空残差卷积模块，对停车数据的空间信息和时序信息联合编码；步骤6、组合多个时空残差卷积模块，构建时空残差图卷积神经网络,捕获停车数据的空间关联信息和长时依赖信息；步骤7、构建输出层神经网络，基于时空残差图卷积神经网络捕获的时空特征预测未来某一段时间的停车占有率；步骤8、计算基于图神经网络的停车占有率预测模型的指标结果，对该方法的预测效果做出评估。2.根据权利要求1所述的基于图神经网络的路边停车可用性预测方法，其特征在于，步骤1包括：步骤1.1、从传感器记录的停车事件得到停车点id和停车点所属区域；步骤1.2、根据停车点id从停车点位置信息数据库中获取停车点的经纬度坐标；步骤1.3、根据停车点所属的区域对所有停车点进行聚合，形成多个停车区域；步骤1.4、根据停车区域内所有停车点的经纬度坐标计算该区域的中心点坐标；步骤1.5、根据停车区域的中心点坐标计算区域之间的距离；步骤1.6、根据距离确定停车区域之间的邻接关系和权重。3.根据权利要求2所述的基于图神经网络的路边停车可用性预测方法，其特征在于，步骤2包括：步骤2.1、从停车事件记录得到车辆到达时间和车辆离开时间；步骤2.2、以固定时间间隔划分一天时间段，每个时间段作为一个时刻，从0开始编号；步骤2.3、计算车辆到达时间和车辆离开时间所处的时刻；步骤2.4、对于车辆到达时刻和离开时刻之间的时刻，停车占有状态置为1；步骤2.5、对每一个停车区域和区域内停车点，重复步骤2.1至步骤2.4；步骤2.6、对区域内所有停车点的停车占用状态求和并除以停车点总数，得到停车占有率。4.根据权利要求3所述的基于图神经网络的路边停车可用性预测方法，其特征在于，步骤3中，构建图卷积模块所采用的图卷积计算方法为切比雪夫图卷积方法、GCN图卷积方法或图注意力方法。5.根据权利要求4所述的基于图神...

【专利技术属性】
技术研发人员：陈观林，张胜，杨武剑，翁文勇，李甜，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：