一种基于事件驱动的停车空余泊位数实时预测方法及系统与流程

本发明属于交通信息系统领域，尤其涉及一种基于事件驱动的停车空余泊位数实时预测方法及系统。

背景技术：

随着中国城市车辆的激增，停车需求与供给之间存在的不平衡性引发了多种交通问题。高峰时段停车需求和供给分布不均，使得停车泊位无法被高效利用，进而增加了城市道路的交通压力。停车诱导信息系统(Parking Guidance Information System)通过采集停车泊位信息，估计及预测停车空余泊位数量及位置，向用户提供实时准确的信息，协助用户规划出行路径，方便停车场管理者有效管理空余泊位。

国内外针对停车空余泊位数预测的相关研究主要包括，基于用户决策模型的预测方法及基于时间序列的短时预测方法研究。基于智能体的停车行为模型将停车行为划分为四个阶段：前往目的地、寻找停车位、停车和离开。整个停车过程被编码在地理信息系统中。用户停车决策取决于停车空余泊位数、停车费用和管理力度。然而，停车决策是一个涉及到多因素的复杂过程，因此若预测方法考虑因素不全面会得到不理想的预测结果。

此外，很多研究基于人工智能方法从时间序列的角度直接预测停车空余泊位数。例如利用小波神经网络方法、最大Lapunov指数方法、线性回归、支持向量机、神经网络及残存分析等方法预测停车位占用率。虽然上面提到的方法已在实测中被验证，但这些经验方法，普适性较差，无法表征停车动态行为。

技术实现要素：

为克服上述现有技术的不足，本发明的第一目的是提供一种基于事件驱动的停车空余泊位数实时预测方法，该方法基于停车到达和离开的产生机理，考虑过去、现在及未来事件对停车空余泊位数的影响，实时预测停车空余泊位数。本发明具有适用性强及可实现实时预测的优点。

本发明的一种基于事件驱动的停车空余泊位数实时预测方法，包括：

获取历史停车信息并对其进行数据修复及平滑处理；所述历史停车信息包括历史车辆到达时间、离开时间、驱动事件发生时间及历史停车空余泊位数；

基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型；

将当前时刻点及下一时刻点均输入至停车空余泊位数预测模型，实时输出停车空余泊位数预测值。

进一步的，该方法还包括：基于皮尔森系数和绝对差值对平滑处理后的历史停车信息进行相关性检验。

本发明通过相关性检测来判断平滑处理后的历史停车信息之间的相关性，为准确构建停车空余泊位数预测模型，提供了数据基础。

进一步的，所述历史停车信息还包括停车卡号码、车牌号码、入口编号、出口编号及所支付停车费。

本发明的第二目的是提供一种基于事件驱动的停车空余泊位数实时预测系统。

本发明的基于事件驱动的停车空余泊位数实时预测系统，包括：

历史停车信息获取模块，其用于获取历史停车信息并对其进行连续性的修复及平滑处理；所述历史停车信息包括历史车辆到达时间、离开时间、驱动事件发生时间及历史停车空余泊位数；

停车空余泊位数预测模型建立模块，其用于基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型；

停车空余泊位数预测模块，其用于将当前时刻点及下一时刻点均输入至停车空余泊位数预测模型，实时输出停车空余泊位数预测值。

进一步的，该系统还包括：相关性检测模块，其用于对平滑处理后的历史停车信息基于皮尔森系数和绝对差值进行相关性检验。

本发明通过相关性检测来判断平滑处理后的历史停车信息之间的相关性，为准确构建停车空余泊位数预测模型，提供了数据基础。

进一步的，所述历史停车信息还包括停车卡号码、车牌号码、入口编号、出口编号及所支付停车费。

本发明的另一种基于事件驱动的停车空余泊位数实时预测系统。

本发明的另一种基于事件驱动的停车空余泊位数实时预测系统，包括：

历史停车信息采集装置，其被配置为：采集历史停车信息并传送至泊位数预测服务器；所述历史停车信息包括历史车辆到达时间、离开时间、驱动事件发生时间及历史停车空余泊位数；

所述泊位数预测服务器，其被配置为：

接收历史停车信息并对其进行连续性的修复及平滑处理；基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型；

将当前时刻点及下一时刻点均输入至停车空余泊位数预测模型，实时输出停车空余泊位数预测值。

进一步的，所述泊位数预测服务器，还被配置为：

对平滑处理后的历史停车信息基于皮尔森系数和绝对差值进行相关性检验。

本发明通过相关性检测来判断平滑处理后的历史停车信息之间的相关性，为准确构建停车空余泊位数预测模型，提供了数据基础。

进一步的，所述历史停车信息还包括停车卡号码、车牌号码、入口编号、出口编号及所支付停车费。

进一步的，该系统还包括显示装置，其被配置为实时展示泊位数预测服务器输出的停车空余泊位数预测值。

与现有技术相比，本发明的有益效果是：

本发明基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型；基于停车到达和离开的产生机理，考虑过去、现在及未来事件对停车空余泊位数的影响，预测停车空余泊位数的停车泊位数实时预测方法，本发明具有适用性强、可实现实时预测等优点。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是本发明的一种基于事件驱动的停车空余泊位数实时预测方法的流程图。

图2是基于事件驱动的停车到达和离开分布图。

图3(a)是航班到达和离开时序统计(2016年4月3日)。

图3(b)是停车到达和离开时序统计(2016年4月3日)。

图4是模型校准后的停车到达与离开分布图。

图5(a)是模型预测效果的停车到达数。

图5(b)是模型预测效果的停车离开数。

图6是本发明的一种基于事件驱动的停车空余泊位数实时预测系统结构示意图。

图7是本发明的另一种基于事件驱动的停车空余泊位数实时预测系统结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

图1是本发明的一种基于事件驱动的停车空余泊位数实时预测方法的流程图。

如图1所示，本发明的一种基于事件驱动的停车空余泊位数实时预测方法，包括：

步骤1：获取历史停车信息并对其进行连续性的修复及平滑处理；所述历史停车信息包括历史车辆到达时间、离开时间、驱动事件发生时间及历史停车空余泊位数；

在具体实施过程中，历史停车信息除了上述信息之外，还包括停车卡号码、车牌号码、入口编号、出口编号及所支付停车费。

其中，一个停车场配有若干个入口和若干个出口，配置有停车管理系统，停车场出入口均装有摄像头、闸机和自动取卡机。摄像头可自动识别车辆是否出现并自动读取车牌信息。停车管理系统负责分发和收取停车卡，抬起和放下闸机，还可以访问驾驶员和停车相关的信息。停车管理系统为现有的系统，此处将不再累述。

步骤2：基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型。

具体地，假设停车到达概率(X_a)服从正态分布：

其中，μ_a是停车车辆到达时间分布的期望，可以通过公式得到，t_event表示事件发生时间，为t_event与μ_a之间的时间差，对于类似的事件，值相同，σ_a是停车到达时间的标准偏差。

同样的，得到停车离开概率X_d的分布为：

其中，为t_event与μ_d的时间差，σ_d为停车车辆离开时间的标准偏差。

对涉及到的事件进行编号(i＝1,2,3,…,n)。模型计算在每个时间段t(t＝k×T，T为时间步长，k为当前计算中的时间点编号)的停车车辆的到达和离开的概率。则事件i产生的停车到达和离开的概率为：

其中，Φ_a和Φ_d为正态分布的累积分布函数，如图2所示。

考虑过去、现在及未来事件对停车空余泊位数的影响，预测停车空余泊位数，得到停车空余泊位数预测模型PSA(k+1)：

其中，PSA(k+1)为在时间点k+1时停车空余泊位数预测值；PSA(k)为在时间点k时实际采集的停车空余泊位数；TA_i和TD_i为由事件i引起的停车到达和离开的车辆总数；x_a为车辆到达时间；x_d为车辆离开时间。

步骤3：将当前时刻点及下一时刻点均输入至停车空余泊位数预测模型，实时输出停车空余泊位数预测值。

将预处理的实时数据运用预测模型，得到每个时间点k的停车空余泊位数。基于事件时刻表t_eve，该模型计算得出停车到达概率P_a{kT≤x_a＜(k+1)T}及停车离开概率P_d{kT≤x_d＜(k+1)T}。利用实时测量的停车空余泊位数PSA(k)，通过公式停车空余泊位数PSA(k+1)。当事件时刻表改变时，在下一个预测点更新事件时刻表t_event。

在另一实施例中，该方法还包括：对平滑处理后的历史停车信息基于皮尔森系数和绝对差值进行相关性检验。

其中，X和Y为不同日期的停车数据，r(X,Y)表示皮尔森系数，其越接近1，X与Y正相关性越强。

其中，m是X与Y的数据长度，d(X,Y)表示对差值，其越小，X与Y相关性越强。

本发明通过相关性检测来判断平滑处理后的历史停车信息之间的相关性，为准确构建停车空余泊位数预测模型，提供了数据基础。

在另一实施例中，本发明还将处理后的数据作为预测的输入值。然后，利用最小化均方根误差(RMSE)，参数向量通过对比实测停车空余泊位数PSA^m与预测结果PSA进行校验。得到校准参数后，利用另一组数据验证模型，当模型预测结果与实测数据误差较小时，认为预测模型可靠并有效，可准确反映停车空余泊位时序变化。

其中，

现以济南国际机场停车场作为案例，进行实例验证。

济南国际机场停车场有2300个停车泊位，配有三个入口和四个出口。配置有停车管理系统，停车场出入口均装有摄像头、闸机和自动取卡机。摄像头可自动识别车辆是否出现并自动读取车牌信息。停车管理系统负责分发和收取停车卡，抬起和放下闸机，还可以访问驾驶员和停车相关的信息。停车信息主要包括停车卡号码、车牌号码、到达时间、离开时间、入口编号、出口编号及所支付停车费。系统将停车相关数据存储在SQL数据库中。

提取了该停车场的车辆到达和离开时间的历史数据。此外，与航班相关数据从机场网站获得。航班相关信息包含航班号、出发地和目的地，以及计划和实际到达或离开时间。图3(a)为2016年4月3日的航班到达和起飞的数量，共238个航班，其中包括120个到达航班和118个起飞航班。如图所示，航班降落和起飞主要集中在7:00到21:00。虽然有些时段每小时航班量是相似的，但是航班到达和离开的比例不同。例如，在19:00和20:00，航班量相同而比例不同。此现象可能会产生不同数量的停车到达和离开。

图3(b)展示了每五分钟停车车辆的到达及离开。如图所示，停车分布与航班分布相似，但停车到达和离开之间存在时间差。当天首班航班早六点起飞，车辆到达数量从早五点开始增加，离开车辆六点后开始增加。两条曲线间明显的时间间隔表明机场停车行为事件驱动的行为：航班到达或离开首先引起停车车辆到达，随后实际航班到达或起飞时间附近引发停车车辆的离开。

对收集数据进行预处理后，得到数据样本的相关性数据，r值均接近1，d值较低，从而验证了停车分布模式相关，基于部分数据预测另外的数据是合理可靠的。

进一步，进行模型的校准。模型评估采用2016年4月3日至2016年4月9日停车数据，前三天用作模型校准，其他用于模型验证。为了优化模型参数向量，应用序列二次规划法求解目标函数的最小值。图4为求解最优模型参数后得到的概率分布。假设某航班早十点降落，另一辆航班下午四点起飞。结果显示，接机车辆集中于飞机降落前25分钟到达机场，随后集中于航班降落后47分钟后离开机场。同样，送机车辆在航班起飞前1.78小时抵达机场较集中，在航班起飞50分钟后离开机场较集中。此外，停车车辆离开分布相比于停车车辆到达分布更分散。因此，校准值是合理的，并应用于模型验证。

进一步，利用模型进行停车空余泊位数的实时预测并利用实际值来验证模型有效性。以2016年4月7日预测为例。图5(a)及图5(b)比较了实际与模型预测的停车到达和离开的曲线，模型预测匹配结果较好，峰值相似。该模型可以准确地预测停车空余泊位数，可嵌入停车诱导信息系统，给予用户行程规划建议。

图6是本发明的一种基于事件驱动的停车空余泊位数实时预测系统结构示意图。

如图6所示，本发明的基于事件驱动的停车空余泊位数实时预测系统，包括：

(1)历史停车信息获取模块，其用于获取历史停车信息并对其进行连续性的修复及平滑处理；所述历史停车信息包括历史车辆到达时间、离开时间、驱动事件发生时间及历史停车空余泊位数；其中，历史停车信息还包括停车卡号码、车牌号码、入口编号、出口编号及所支付停车费。

(2)停车空余泊位数预测模型建立模块，其用于基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型；

(3)停车空余泊位数预测模块，其用于将当前时刻点及下一时刻点均输入至停车空余泊位数预测模型，实时输出停车空余泊位数预测值。

在另一实施例中，该系统还包括：相关性检测模块，其用于对平滑处理后的历史停车信息基于皮尔森系数和绝对差值进行相关性检验。

本发明通过相关性检测来判断平滑处理后的历史停车信息之间的相关性，为准确构建停车空余泊位数预测模型，提供了数据基础。

本发明基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型；基于停车到达和离开的产生机理，考虑过去、现在及未来事件对停车空余泊位数的影响，预测停车空余泊位的停车泊位实时预测方法，本发明具有适用性强、可实现实时预测等优点。

图7是本发明的另一种基于事件驱动的停车空余泊位数实时预测系统结构示意图。

如图7所示，本发明的基于事件驱动的停车空余泊位数实时预测系统，包括：

(1)历史停车信息采集装置，其被配置为：采集历史停车信息并传送至泊位数预测服务器；所述历史停车信息包括历史车辆到达时间、离开时间、驱动事件发生时间及历史停车空余泊位数。

其中，历史停车信息还包括停车卡号码、车牌号码、入口编号、出口编号及所支付停车费。

(2)所述泊位数预测服务器，其被配置为：

接收历史停车信息并对其进行连续性的修复及平滑处理；基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型；

将当前时刻点及下一时刻点均输入至停车空余泊位数预测模型，实时输出停车空余泊位数预测值。

在另一实施例中，所述泊位数预测服务器，还被配置为，其用于对平滑处理后的历史停车信息基于皮尔森系数和绝对差值进行相关性检验。

本发明通过相关性检测来判断平滑处理后的历史停车信息之间的相关性，为准确构建停车空余泊位数预测模型，提供了数据基础。

在另一实施例中，该系统还包括显示装置，其被配置为实时展示泊位数预测服务器输出的停车空余泊位数预测值。

本发明基于驱动事件发生时间，根据历史停车信息且假设停车到达概率服从正态分布，得到当前时刻至下一时刻之间的停车车辆的到达概率和离开概率；再根据当前时刻实际采集的停车空余泊位数与当前时刻点至下一时刻点之间的停车到达概率和离开概率之和的差值，得到停车空余泊位数预测模型；基于停车到达和离开的产生机理，考虑过去、现在及未来事件对停车空余泊位数的影响，预测停车空余泊位的停车泊位实时预测方法，本发明具有适用性强、可实现实时预测等优点。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。