【技术实现步骤摘要】
本专利技术涉及数字数据处理，特别涉及一种基于神经网络的剩余车位预测方法、装置、设备及介质。
技术介绍
1、由于城市化进程加快，汽车保有量增加，城市停车难问题日益突出，因此需要对城市大型商场停车场剩余车位进行预测，以便更好地规划和管理停车场。但是，停车位的剩余空闲是变动的，有人进有人出，假设现在没有车位，需要设计一个预测剩余车位的功能，比如抓取现有车主的特征，比如以往的停车习惯、是否住附近、从消费订餐信息发现是否只是临时过来吃饭，从而推断这些客户的流动，并且用大数据的方式去预测剩余车位，并且结合当前预约车位的情况来动态调整预测成为需要解决的问题。现有的预测方法准确率较低，无法满足实际需求。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于神经网络的剩余车位预测方法，以解决现有技术中剩余车位预测准确度较低的技术问题。该方法包括：
2、取得目标停车场的预测请求，获取目标停车场的历史停车数据和用户消费数据，将历史停车数据与用户消费数据关联，生成目标停车场对应的用户画像，其中，用户画像包括用户的消费特点和停车习惯；
3、将时间特征、用户画像、节假日特征、目标停车场的收费特征作为特征数据，通过集成学习模型对特征数据进行筛选，提取有效特征后生成筛选后特征数据；
4、将目标停车场的停车位作为第一维度数据、待预测的时间段作为第二维度数据、筛选后特征数据作为第三维度数据构建时间序列模型的数据集，将数据集中数据分为训练集、验证集和测试集，使用训练集对时间序列模型进
5、将剩余车位的预测结果发送至用户终端。
6、本专利技术还提供了一种基于神经网络的剩余车位预测装置，以解决现有技术中剩余车位预测准确度较低的技术问题。该装置包括：
7、用户画像获取模块，用于取得目标停车场的预测请求，获取目标停车场的历史停车数据和用户消费数据，将历史停车数据与用户消费数据关联，生成目标停车场对应的用户画像，其中，用户画像包括用户的消费特点和停车习惯；
8、特征数据提取模块，用于将时间特征、用户画像、节假日特征、目标停车场的收费特征作为特征数据，通过集成学习模型对特征数据进行筛选，提取有效特征后生成筛选后特征数据；
9、车位预测模块，用于将目标停车场的停车位作为第一维度数据、待预测的时间段作为第二维度数据、筛选后特征数据作为第三维度数据构建时间序列模型的数据集，将数据集中数据分为训练集、验证集和测试集，使用训练集对时间序列模型进行训练后，经过验证集进行验证，调整时间序列模型的参数直至时间序列模型满足目标误差，通过时间序列模型使用测试集对剩余车位进行预测；
10、预测结果发送模块，用于将剩余车位的预测结果发送至用户终端。
11、本专利技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的基于神经网络的剩余车位预测方法，以解决了现有技术中剩余车位预测准确度较低的技术问题。
12、本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的基于神经网络的剩余车位预测方法的计算机程序，以解决现有技术中剩余车位预测准确度较低的技术问题。
13、与现有技术相比，本说明书采用的上述至少一个技术方案能够达到的有益效果至少包括：
14、将用户的生活消费习惯引入预测模型中，实现个性化的停车位剩余预测。不同用户的购物时间、消费习惯等因素会影响其停车需求，因此针对每个用户进行个性化预测可以更准确地满足其需求；通过集成学习模型筛选特征数据提高预测的精度，将用户画像和时间维度加入至时间序列模型的特征数据中，能够使预测更加准确，提高了模型预测的准确性。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的剩余车位预测方法，其特征在于，包括：
2.如权利要求1所述的基于神经网络的剩余车位预测方法，其特征在于，将所述目标停车场的停车位作为第一维度数据、待预测的时间段作为第二维度数据、所述筛选后特征数据作为第三维度数据构建时间序列模型的数据集，将所述数据集中数据分为训练集、验证集和测试集，使用所述训练集对所述时间序列模型进行训练后，经过所述验证集验证并调整所述时间序列模型的超级参数直至所述时间序列模型满足目标误差，通过所述时间序列模型使用所述测试集对剩余车位进行预测，包括：
3.如权利要求2所述的基于神经网络的剩余车位预测方法，其特征在于，将时间特征、所述用户画像、节假日特征、所述目标停车场的收费特征作为特征数据，包括：
4.如权利要求1所述的基于神经网络的剩余车位预测方法，其特征在于，将时间特征、所述用户画像、节假日特征、所述目标停车场的收费特征作为特征数据，通过集成学习模型对所述特征数据进行筛选，提取有效特征后生成筛选后特征数据，包括：
5.如权利要求1至4中任意一项所述的基于神经网络的剩余车位预测方法，其特征在
6.如权利要求1至4中任意一项所述的基于神经网络的剩余车位预测方法，其特征在于，还包括：
7.如权利要求1至4中任意一项所述的基于神经网络的剩余车位预测方法，其特征在于，还包括：
8.一种基于神经网络的剩余车位预测装置，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于神经网络的剩余车位预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7中任一项所述的基于神经网络的剩余车位预测方法的计算机程序。
...【技术特征摘要】
1.一种基于神经网络的剩余车位预测方法，其特征在于，包括：
2.如权利要求1所述的基于神经网络的剩余车位预测方法，其特征在于，将所述目标停车场的停车位作为第一维度数据、待预测的时间段作为第二维度数据、所述筛选后特征数据作为第三维度数据构建时间序列模型的数据集，将所述数据集中数据分为训练集、验证集和测试集，使用所述训练集对所述时间序列模型进行训练后，经过所述验证集验证并调整所述时间序列模型的超级参数直至所述时间序列模型满足目标误差，通过所述时间序列模型使用所述测试集对剩余车位进行预测，包括：
3.如权利要求2所述的基于神经网络的剩余车位预测方法，其特征在于，将时间特征、所述用户画像、节假日特征、所述目标停车场的收费特征作为特征数据，包括：
4.如权利要求1所述的基于神经网络的剩余车位预测方法，其特征在于，将时间特征、所述用户画像、节假日特征、所述目标停车场的收费特征作为特征数据，...
【专利技术属性】
技术研发人员：刘松灵，陈科顺，黄传见，
申请(专利权)人：德阳城市智慧之心信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。