一种医院停车场推荐方法、系统及电子设备技术方案

本发明专利技术属于交通技术领域，涉及一种医院停车场推荐方法、系统及电子设备，先获取基础数据并对进行预处理得到预处理数据，再按照单次停车推荐为一个数据单位构建多视图数据集；并对多视图数据集进行划分得到用于元学习训练的查询数据集和支持数据集；然后构建统一表示模型和设计自监督代理任务设计，并使用双层级元学习策略训练统一表示模型，训练好的统一表示模型接收到用户查询请求后，得到每个停车场的推荐概率，再选择其中前m个概率最大的停车场作为停车场推荐结果输出并返给用户，完成停车场推荐，以自监督学习策略避免了高昂的标注成本，能够将训练好的统一表示模型部署到各种电子设备，为用户实时推荐医院周边停车场。为用户实时推荐医院周边停车场。为用户实时推荐医院周边停车场。

【技术实现步骤摘要】
一种医院停车场推荐方法、系统及电子设备


[0001]本专利技术属于交通
，涉及一种医院停车场推荐方法、系统及电子设备，特别涉及一种基于多视图特征融合的医院停车场推荐方法、系统及电子设备。

技术介绍

[0002]医院周边停车推荐问题是关系民生的重点问题。然而由于涉及到医院位置、道路规划、就医时间和天气情况等地理空间和时间多个维度信息，如何为用户提供实时的停车场推荐系统始终是一个有挑战性的问题。现有的停车场推荐算法通常用统计学的方法分析单一特征维度的可用信息。在多视图、大数据的背景下，数据处理能力和推荐效果均不尽如人意，即使部分使用深度学习的方法（如深度时空网络）的方法能够高效建模大规模数据，但受流行网络模型架构的影响依然存在三个固有的问题：（1）多视图信息不能被有效地表征。停车场推荐系统通常依赖于采集自不同终端的信息，以不同的信息形式存储，具有多视图的属性。多视图数据包括多模态和多特征两类，例如，停车场推荐依赖于用户/车辆到医院周边各个停车场的道路拥堵程度，一般由文本的形式记录；同时，停车场推荐结果应该考虑周边停车场的利用率，对于未安装道闸计数的停车场，可以由监控设备获得的停车场实时画面推断。除了不同信息存储形式（即不同模态），相同模态的数据也包括多种特征。例如，节假日信息、天气信息与道路拥堵程度均可为文本模态，但它们包含彼此异构的特征，同样无法以相同的策略处理；（2）多视图数据间不能有效地通信和融合。现有方法倾向于为每个视图建立特定的模型以充分挖掘视图内信息，但是不同视图数据间不能有效地通信和融合，难以获得合理的推荐结果；（3）高昂的标注和硬件成本造成部署困难。为每个视图建模的方法中，模型规模和视图数量线性相关，模型的部署需要苛刻的硬件环境。另外，尽管深度模型能够挖掘单视图中的深层语义特征，但往往需要大量的标注数据训练，意味着高昂的标注成本。

技术实现思路

[0003]为了解决上述问题，弥补现有方法的不足，本专利技术提供了一种基于多视图特征融合的医院停车场推荐方法、系统及电子设备，为从多个终端设备采集的多视图数据建立一个统一的参数模型，并以双层级（bi
‑
level）的元学习范式训练，内层级学习从当前参数状态开始学习视图特定的表征，外层级利用内层级学到的视图特定的经验，进一步学习一个视图共享的统一特征表示用于最终的停车场推荐。
[0004]为实现上述目的，本专利技术采用如下技术方案：第一方面，本专利技术提供一种医院停车场推荐方法，包括以下步骤：数据获取和预处理：获取基础数据，并对基础数据进行预处理得到预处理数据，其中基础数据包括用户/车辆数据、停车场数据和环境数据；多视图数据集构建：基于基础数据和预处理数据，按照单次停车推荐为一个数据
单位构建多视图数据集；再对多视图数据集进行划分得到用于元学习训练的查询数据集和支持数据集；统一表示模型构建：以Transformer模型为基础，构建包括掩膜输入单元、视觉Transformer单元和针对不同代理任务的输出单元的统一表示模型；自监督代理任务设计：为统一表示模型设计代理任务（pre
‑
text tasks），代理任务包括视图重建任务、视图预测任务和停车场推荐任务，其中视图重建任务、视图预测任务为单视图数据的代理任务，停车场推荐任务为视图共享的代理任务即为目标任务；双层级元学习训练：对于构建好的统一表示模型和设计好的自监督代理任务，使用双层级元学习策略训练统一表示模型，单视图表征的学习与视图共享表征的学习分别由内层级优化和外层级优化实现；停车场推荐结果输出：训练好的统一表示模型接收到用户查询请求后，得到每个停车场的推荐概率，再选择其中前m个概率最大的停车场作为停车场推荐结果输出并返给用户，完成停车场推荐。
[0005]作为本专利技术的进一步技术方案，所述用户/车辆数据包括当前坐标位置（经纬度）和历史停车偏好，历史停车偏好为每个停车场的历史进场次数；停车场数据包括医院周边停车场数目以及每个停车场的坐标位置（经纬度）、名称、所在道路、收费标准、用户评分、用户评价、附近重要建筑和场内实时影像，环境数据包括当前时间；预处理数据包括路径规划信息和天气信息，其中路径规划信息指调用在线地图接口，以用户/车辆当前坐标位置和各个停车场的坐标位置分别为起点和终点得到的总体路程、平均时长、本次导航预计时长和路况；天气信息指调用天气接口，获得的当前时间和坐标位置的天气状况，除二维图像数据外，基础数据和预处理数据均以Json的格式保存和传输。
[0006]作为本专利技术的进一步技术方案，构建多视图数据集包括四组视图数据：第一视图：选择用户信息作为第一视图，用户信息包括当前用户车辆在各个停车场的进场次数、停车场对应的用户评分和用户评价，使用word2vec工具，将第一视图的Json数据拼接后转换为张量形式，处理后的数据尺寸为N
×
D，其中N为周边停车场的个数，D是每条数据的长度；第二视图：选择停车场信息作为第二视图，停车场信息包括停车场影像的当前帧，第二视图的数据尺寸为N
×
W
×
H
×
C，其中W和H表示图像的大小，C表示图像通道数；第三视图：选择道路信息作为第三视图，道路信息包括总体路程、平均时长、本次导航预计时长和路况，将包含第三视图的Json数据拼接并经过word2vec处理，转换为N
×
D的张量形式，其中D是每条数据的长度；第四视图：选择其他辅助信息作为第四视图，其他辅助信息包括天气信息，停车场所在道路、收费标准、附近重要建筑，同样将这些信息拼接转换为N
×
D的张量，其中D是每条数据的长度。
[0007]作为本专利技术的进一步技术方案，所述掩膜输入单元为单个全连接层，掩膜的长度为多视图数据分块后的块总数，对于单个视图输入，对应的掩膜位置是1，其他位置是0，对于多视图输入，掩膜的所有位置均为1；所述视觉Transformer单元包含四个子模块，每个子模块中包括正则化层、多头注意力层、多层感知机和残差结构，正则化层位于输入的数据块和多头注意力层后，用来正则化各层特征。
[0008]作为本专利技术的进一步技术方案，所述视图重建任务将视图特定的表征中恢复出原始视图，使用损失作为该任务的损失函数，用和分别表示输入图像和重建后的图像，表示正则化，表示重建模型，是可学习的特定于视图的参数，图像数量为时，重建目标被定义为：；视图预测任务是期望模型预测出当前输入数据的视图id，该任务中标签是视图id，输出为每个类别的概率，视图预测目标函数采用的交叉熵损失如下：,,其中表示模型预测头的输出，则是每个视图的预测概率；停车场推荐任务是给定一次查询，即一个完整的多视图数据，首先由外层优化学到一个视图共享的统一表示，之后统一表示经过一个带有softmax激活函数的全连接层得到每个停车场被推荐的概率，由于推荐任务缺少真实标签，因此从单个视图的表征过程中定义三种准则作为伪标签，对于第一视图，定义用户准则，即将用户/车辆的历史进场次数作为推荐准则，假设用户在停车场的历史进场次数是，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医院停车场推荐方法，其特征在于，包括以下步骤：数据获取和预处理：获取基础数据，并对基础数据进行预处理得到预处理数据，其中基础数据包括用户/车辆数据、停车场数据和环境数据；多视图数据集构建：基于基础数据和预处理数据，按照单次停车推荐为一个数据单位构建多视图数据集；再对多视图数据集进行划分得到用于元学习训练的查询数据集和支持数据集；统一表示模型构建：以Transformer模型为基础，构建包括掩膜输入单元、视觉Transformer单元和针对不同代理任务的输出单元的统一表示模型；自监督代理任务设计：为统一表示模型设计代理任务，代理任务包括视图重建任务、视图预测任务和停车场推荐任务，其中视图重建任务、视图预测任务为单视图数据的代理任务，停车场推荐任务为视图共享的代理任务即为目标任务；双层级元学习训练：对于构建好的统一表示模型和设计好的自监督代理任务，使用双层级元学习策略训练统一表示模型，单视图表征的学习与视图共享表征的学习分别由内层级优化和外层级优化实现；停车场推荐结果输出：训练好的统一表示模型接收到用户查询请求后，得到每个停车场的推荐概率，再选择其中前m个概率最大的停车场作为停车场推荐结果输出并返给用户，完成停车场推荐。2.根据权利要求1所述医院停车场推荐方法，其特征在于，所述用户/车辆数据包括当前坐标位置和历史停车偏好，历史停车偏好为每个停车场的历史进场次数；停车场数据包括医院周边停车场数目以及每个停车场的坐标位置、名称、所在道路、收费标准、用户评分、用户评价、附近重要建筑和场内实时影像，环境数据包括当前时间；预处理数据包括路径规划信息和天气信息，其中路径规划信息指调用在线地图接口，以用户/车辆当前坐标位置和各个停车场的坐标位置分别为起点和终点得到的总体路程、平均时长、本次导航预计时长和路况；天气信息指调用天气接口，获得的当前时间和坐标位置的天气状况，除二维图像数据外，基础数据和预处理数据均以Json的格式保存和传输。3.根据权利要求2所述医院停车场推荐方法，其特征在于，构建的多视图数据集包括四组视图数据：第一视图：选择用户信息作为第一视图，用户信息包括当前用户车辆在各个停车场的进场次数、停车场对应的用户评分和用户评价，使用word2vec工具，将第一视图的Json数据拼接后转换为张量形式，处理后的数据尺寸为N
×
D，其中N为周边停车场的个数，D是每条数据的长度；第二视图：选择停车场信息作为第二视图，停车场信息包括停车场影像的当前帧，第二视图的数据尺寸为N
×
W
×
H
×
C，其中W和H表示图像的大小，C表示图像通道数；第三视图：选择道路信息作为第三视图，道路信息包括总体路程、平均时长、本次导航预计时长和路况，将包含第三视图的Json数据拼接并经过word2vec处理，转换为N
×
D的张量形式，其中D是每条数据的长度；第四视图：选择其他辅助信息作为第四视图，其他辅助信息包括天气信息，停车场所在道路、收费标准、附近重要建筑，同样将这些信息拼接转换为N
×
D的张量，其中D是每条数据的长度。
4.根据权利要求3所述医院停车场推荐方法，其特征在于，所述掩膜输入单元为单个全连接层，掩膜的长度为多视图数据分块后的块总数，对于单个视图输入，对应的掩膜位置是1，其他位置是0，对于多视图输入，掩膜的所有位...

【专利技术属性】
技术研发人员：刘寒松，尹义龙，王永，王国强，宫永顺，刘瑞，
申请(专利权)人：山东大学，
类型：发明
国别省市：