一种停车场车位占用预测方法技术

本发明专利技术属于交通技术领域，涉及一种停车场车位占用预测方法，先收集停车场的停车数据；再根据收集的停车数据训练车位占用预测模型；最后将当前的车位数据输入训练好的车位占用预测模型，得到车位占用预测区间，并将结果通过相应的APP返给用户，对停车场结构数据进行建模，通过GCN和注意力机制捕获不同区域之间的潜在联系；并通过改进的TFT进行车位占用预测，捕获不同类型输入之间的关系同时输出最终的预测区间供用户进行决策，改进的TFT能够接受并区分多种异构的输入，同时对这些输入综合利用，而且能捕获长距离依赖，车主可以根据预测区间判断预测的置信度，从而决定是否前往目标停车场。标停车场。标停车场。

【技术实现步骤摘要】
一种停车场车位占用预测方法


[0001] 本专利技术属于交通
，涉及一种停车场车位占用预测方法，特别是一种基于Temporal Fusion Transformer（基于transformer的深度神经网络，简称TFT）和GCN（图卷积神经网络）的停车场车位占用预测方法。

技术介绍

[0002]随着经济的发展以及城市人口的增多，城市中的车辆数据急遽增多，随之而来的，人们对车位的需求大幅度增加，希望能够精确快速地找到空闲的停车位。然而，目前停车场的当前停车数据并未向公众开放，同时车位占用信息具有时效性，即使当前存在空闲停车位，也不能保证车辆到达后仍然具有空闲停车位，导致时间的浪费；此外，由于车位占用信息不易获得且具有不确定性，部分空闲的车位不能得到很好的利用。
[0003]针对以上问题，车位占用预测是一个主流的解决方案。对于一个停车场，通过向用户实时提供一定时间段内（如15分钟）的该停车场各个区域车位占用情况的预测数据，用户可以有条理的安排行程，确定停车位置，从而减少用户寻找车位的时间，提高停车场车位利用率。一个好的车位占用预测方法可以为车主和停车场提供了极大的便利。车位占用算法通常是通过对停车场的历史停车数据、当前停车数据（当前占用情况、车场周边车辆情况）以及其他辅助信息（如当前日期）等信息进行建模，从而对一定时间段内的该停车场的占用情况进行预测。
[0004]目前的车位占用预测方法主要有两类，一类是基于统计的方法，该类方法通常采用回归的思想，通过对历史数据进行建模从而拟合车位占用曲线，实现对未来数据的预测，但是该方法预测步长有限，不能捕获到长时间的依赖关系，同时当变量增多时，这些方法的预测精度不佳；另一类是基于深度学习的方法，这类方法通常使用深度神经网络作为主要网络（如LSTM等），以历史停车数据作为输入预测一定步长内的车位占用情况，但是不能对数据进行很好的建模，直接将历史数据拼接作为输入，导致得到的预测模型未能捕获各种类型数据之间的深层依赖关系，同时，在面对长距离依赖时效果还需进一步提高。

技术实现思路

[0005]为解决上述问题，本专利技术设计提出了一种新的停车场车位占用预测方法，通过GCN对停车场各个楼层和区域之间依赖关系进行建模，从而捕获不同类型数据之间的深层联系，有利于对各个楼层和区域的预测；采用Temporal Fusion Transformer接受不同类型的输入信息，同时其输出为范围值，在实际应用中一个范围值向用户展示当前的车位情况，方便用户进行行程安排。
[0006]为实现上述目的，本专利技术实现车位占用预测的具体过程为：S1、收集停车场的停车数据；S2、根据步骤S1收集的停车数据训练车位占用预测模型；S3、将当前的车位数据输入训练好的车位占用预测模型，得到车位占用预测区间，
并将结果通过相应的APP返给用户。
[0007]作为本专利技术的进一步技术方案，步骤S1所述停车数据包括停车场结构、历史停车数据、当前停车数据、车场周边道路车辆情况和辅助信息；其中停车场结构包含停车场、停车楼之间的邻接关系以及各个停车区域之间的邻接关系；历史停车数据包含历史某一时刻中每个区域内的停车数量；当前停车数据为当前时间段内各区域的停车数量；历史停车数据和当前停车数据构成车场停车数据；车场周边道路车辆情况为车场附近车辆数据；辅助信息包含日期信息以及是否为节假日信息。
[0008]作为本专利技术的进一步技术方案，步骤S2的具体过程为：步骤S21、对S1中收集的个时刻的车场停车数据、车场附近车辆数据以及日期和节假日数据进行预处理，得到每个时刻的特征向量，为特征向量的维度，；步骤S22、通过GCN对停车场结构数据进行嵌入，得到每个时刻的停车场结构嵌入特征；步骤S23、将每个时刻的停车场结构嵌入特征连同特征向量作为输入数据训练车位占用预测模型。作为本专利技术的进一步技术方案，步骤S22的具体过程为：将停车楼的一层作为基本单位，其中户外停车场当作一层处理，设停车楼共有层，时刻时每一层的停车场结构可以建模为图结构，,其中表示停车区域的集合，设第层共有个区域，将每个区域作为图的一个顶点则，其中代表第停车场第层的所有区域;表示时刻各个停车区域之间的位置关系，其中为区域之间的权重，按照如下规则初始化：若与相邻，则，反之，；通过时刻各区域的停车数量计算各个停车区域之间的关系权重，设时刻停车区域的停车数量为，定义与其他区域的差异向量,公式中代表第层区域的数量，，使用差异向量与自注意力机制得到与其他节点之间的权重，通过该权重更新中各区域之间的权重，其中为之间的权重；将更新后的图输入到GCN中得到时刻第层的嵌入特征，使用自注意力机制计算不同层之间的注意力权重，得到停车场结构嵌入特征。
[0009]作为本专利技术的进一步技术方案，步骤S23的具体过程为：将每个时刻的特征向量与对应的停车场结构嵌入特征整合得到输入特征向量；车位占用预测模型采用基于transformer的深度神经网络作为主干网络，将输入特征向量输入车位占用预测模型，对经过transformer解码器的特征使用1
×
1卷积得到特征图，其中代表停车楼层的总数，和为特征图的高度和宽度；对于的
每一个通道，将该通道的特征展平后通过一个线性层得到最终的预测区间，最后使用MSE loss损失函数作为损失函数训练模型迭代100次。
[0010]与现有技术相比，本专利技术具有以下优点：（1）对停车场结构数据进行建模，通过GCN和注意力机制捕获不同区域之间的潜在联系；（2）通过改进的TFT进行车位占用预测，捕获不同类型输入之间的关系同时输出最终的预测区间供用户进行决策，改进的TFT能够接受并区分多种异构的输入，同时对这些输入综合利用，而且能捕获长距离依赖，车主可以根据预测区间判断预测的置信度，从而决定是否前往目标停车场。
附图说明
[0011]图1为本专利技术实现车位占用预测的工作流程框图。
[0012]图2为本专利技术所述停车场结构嵌入流程图。
具体实施方式
[0013]下面通过实施例并结合附图对本专利技术作进一步说明。
[0014]实施例：如图1和图2所示，本实施例对车位占用预测具体包括以下步骤：S1、收集停车场的停车数据，停车数据包括停车场结构、历史停车数据、当前停车数据、车场周边道路车辆情况和辅助信息；其中停车场结构包含停车场、停车楼之间的邻接关系以及各个停车区域之间的邻接关系；历史停车数据包含历史某一时刻中每个区域内的停车数量；当前停车数据为当前时间段（如15分钟）内各区域的停车数量；历史停车数据和当前停车数据构成车场停车数据；车场周边道路车辆情况为车场附近车辆数据；辅助信息包含日期信息以及是否为节假日信息；S2、根据步骤S1收集的停车数据训练车位占用预测模型；具体过程为：步骤S21、对S1中收集的个时刻的停车数据（包括每个时刻的车场停车数据、车场附近车辆数量以及日期和节假日）进行预处理，得到每个时刻的特征向量，为特征向量的维度，；步骤S22、通过GCN对停车场结构数据进行嵌入，得到每个时刻的停车场结构嵌入特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种停车场车位占用预测方法，其特征在于，具体过程为：S1、收集停车场的停车数据；所述停车数据包括停车场结构、历史停车数据、当前停车数据、车场周边道路车辆情况和辅助信息；其中停车场结构包含停车场、停车楼之间的邻接关系以及各个停车区域之间的邻接关系；历史停车数据包含历史某一时刻中每个区域内的停车数量；当前停车数据为当前时间段内各区域的停车数量；历史停车数据和当前停车数据构成车场停车数据；车场周边道路车辆情况为车场附近车辆数据；辅助信息包含日期信息以及是否为节假日信息；S2、根据步骤S1收集的停车数据训练车位占用预测模型，具体为：步骤S21、对S1中收集的个时刻的车场停车数据、车场附近车辆数据以及日期和节假日数据进行预处理，得到每个时刻的特征向量，为特征向量的维度，；步骤S22、通过GCN对停车场结构数据进行嵌入，得到每个时刻的停车场结构嵌入特征；步骤S23、将每个时刻的停车场结构嵌入特征连同特征向量作为输入数据训练车位占用预测模型；S3、将当前的车位数据输入训练好的车位占用预测模型，得到车位占用预测区间，并将结果通过相应的APP返给用户。2.根据权利要求1所述停车场车位占用预测方法，其特征在于，步骤S22的具体过程为：将停车楼的一层作为基本单位，其中户外停车场当作一层处理，设停车楼共有层，时刻时每一层的停车场结构可以建模为...

【专利技术属性】
技术研发人员：刘寒松，王永，王国强，刘瑞，谭连盛，
申请(专利权)人：松立控股集团股份有限公司，
类型：发明
国别省市：