本發(fā)明涉及智能交通技術(shù)領(lǐng)域，具體而言，涉及一種停車場(chǎng)泊位預(yù)測(cè)處理方法及裝置。

背景技術(shù)：

在智慧城市領(lǐng)域，尤其是智慧交通出行場(chǎng)景下，停車難已經(jīng)成為不能回避的主要問題。在cbd、交通樞紐、醫(yī)院、體育場(chǎng)等人群密集的地點(diǎn)，往往會(huì)出現(xiàn)停車泊位消息不準(zhǔn)確、繼而帶來出行體驗(yàn)的嚴(yán)重降低。

為了解決以上問題，很多交通領(lǐng)域的行業(yè)專家都考慮利用統(tǒng)計(jì)或者機(jī)器學(xué)習(xí)技術(shù)，根據(jù)目標(biāo)停車場(chǎng)的歷史泊位記錄，發(fā)掘其中蘊(yùn)藏的隱含模式，繼而形成預(yù)測(cè)模型。

城市管理者可以利用以上模型，發(fā)布泊位預(yù)報(bào)給公眾出行者，從而給出行人群提供準(zhǔn)確的數(shù)據(jù)支持，方便智慧城市出行選擇，同時(shí)也可以為公共安全部門對(duì)人群密度監(jiān)控、走向趨勢(shì)等提供了一個(gè)更可靠的標(biāo)準(zhǔn)。

當(dāng)前主要問題在于：現(xiàn)有泊位預(yù)測(cè)方法，均需要利用歷史數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，用訓(xùn)練的結(jié)果(往往反應(yīng)為方程、公式、樹結(jié)構(gòu)或者以上的組合)進(jìn)行新數(shù)據(jù)的預(yù)測(cè)。而這種方法在智慧城市領(lǐng)域往往不能很好的工作，因?yàn)樵擃I(lǐng)域的人群行為、天氣因素、城市建設(shè)情況往往隨著時(shí)間不斷變化(被稱為“概念漂移”)，導(dǎo)致之前構(gòu)造的模型隨著時(shí)間的流逝而不斷降低預(yù)測(cè)準(zhǔn)確率；此外，傳統(tǒng)數(shù)據(jù)挖掘方法需要基于大量歷史樣本才能進(jìn)行預(yù)測(cè)，每次模型更新都需要計(jì)算全量數(shù)據(jù)，而全量數(shù)據(jù)的存儲(chǔ)成本將隨著上線時(shí)間的推移而越來越大，給系統(tǒng)運(yùn)行造成額外成本負(fù)擔(dān)。

針對(duì)相關(guān)技術(shù)中停車場(chǎng)的泊位預(yù)測(cè)方法不能適應(yīng)動(dòng)態(tài)變化而存在缺陷的問題，還未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種停車場(chǎng)泊位預(yù)測(cè)處理方法及裝置，以至少解決相關(guān)技術(shù)中停車場(chǎng)的泊位預(yù)測(cè)方法不能適應(yīng)動(dòng)態(tài)變化而存在缺陷的問題。

根據(jù)本發(fā)明的一個(gè)方面，提供了一種停車場(chǎng)泊位預(yù)測(cè)處理方法，包括：

獲取并整合停車場(chǎng)在預(yù)定歷史時(shí)間內(nèi)的空閑泊位值歷史序列和所述預(yù)定歷史時(shí)間內(nèi)所述停車場(chǎng)的特征數(shù)據(jù)；

根據(jù)所述空閑泊位時(shí)間序列和所述特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型；

根據(jù)所述靜態(tài)預(yù)測(cè)模型對(duì)停車場(chǎng)泊位進(jìn)行預(yù)測(cè)處理。

進(jìn)一步地，根據(jù)所述靜態(tài)預(yù)測(cè)模型對(duì)停車場(chǎng)泊位進(jìn)行預(yù)測(cè)處理包括：根據(jù)所述靜態(tài)預(yù)測(cè)模型確定所述停車場(chǎng)的可用泊位比率；根據(jù)所述可用泊位比率和所述停車場(chǎng)的泊位容量預(yù)測(cè)未來預(yù)定時(shí)間內(nèi)所述停車場(chǎng)的可用泊位數(shù)量。

進(jìn)一步地，根據(jù)所述空閑泊位時(shí)間序列和所述特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型包括：

通過如下公式迭代計(jì)算靜態(tài)預(yù)測(cè)模型w^(k)：

w^(k)＝w^(k-1)+α^(k-1)*x^t*(y-s(a))

a＝x*w^(k-1)；

通過如下公式迭代計(jì)算α^(k)：α^k＝α^(k-1)*λ^(k-1)；

其中,在循環(huán)執(zhí)行次數(shù)大于預(yù)定參數(shù)t，或連續(xù)3次循環(huán)的值，w^(k-2)、w^(k-1)、w^(k)近似相等的情況下跳出循環(huán)，并確定w^(k)的訓(xùn)練結(jié)果為w^history,α^(k)為最后步長(zhǎng)參數(shù)α^history，λ為訓(xùn)練衰減參數(shù)，λ＝0.95，k大于或等于1；

根據(jù)所述靜態(tài)預(yù)測(cè)模型通過以下方式確定停車場(chǎng)的可用泊位比率：

y1＝exp(x^tw^(k))/(1+exp(x^tw^(k)))；

其中，x是時(shí)間序列和特征數(shù)據(jù)的向量形式，w(k)是特征數(shù)據(jù)對(duì)應(yīng)的權(quán)重向量，y為在預(yù)定歷史時(shí)間內(nèi)的空閑泊位值歷史序列和所述預(yù)定歷史時(shí)間內(nèi)所述停車場(chǎng)的特征數(shù)據(jù)下，在所述預(yù)定歷史時(shí)間內(nèi)可用泊位數(shù)占所述停車場(chǎng)總泊位數(shù)的比率，y1是停車場(chǎng)未來預(yù)定時(shí)間段內(nèi)可用泊位數(shù)占所述停車場(chǎng)總泊位數(shù)的比率。

進(jìn)一步地，在根據(jù)所述空閑泊位時(shí)間序列和所述特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型之后，所述方法還包括：定期更新所述靜態(tài)預(yù)測(cè)模型得到所述停車場(chǎng)的動(dòng)態(tài)預(yù)測(cè)模型。

進(jìn)一步地，定期更新所述靜態(tài)預(yù)測(cè)模型得到所述停車場(chǎng)的動(dòng)態(tài)預(yù)測(cè)模型包括：

將每個(gè)新加入的觀測(cè)值為向量xnew，新加入的觀測(cè)值為ynew，對(duì)每個(gè)新加入的觀測(cè)值進(jìn)行如下訓(xùn)練：

初始化w^(k)：將w^history賦值給w⁽⁰⁾，

通過如下公式迭代計(jì)算w^(k)：

w^(k)＝w^(k-1)+α^history*xnew^t*(ynew-s(xnew*w^(k-1)))；

w^(k)為訓(xùn)練更新后的動(dòng)態(tài)預(yù)測(cè)模型。

進(jìn)一步地，所述特征數(shù)據(jù)包括：停車場(chǎng)規(guī)模、是否為立體停車、是否配置etc設(shè)備、停車場(chǎng)的周邊是否有展會(huì)、天氣、溫度。

根據(jù)本發(fā)明的另一方面，還提供了一種停車場(chǎng)泊位預(yù)測(cè)處理裝置，包括：

獲取模塊，用于獲取并整合停車場(chǎng)在預(yù)定歷史時(shí)間內(nèi)的空閑泊位時(shí)間序列和所述預(yù)定歷史時(shí)間內(nèi)所述停車場(chǎng)的特征數(shù)據(jù)；

訓(xùn)練模塊，用于根據(jù)所述空閑泊位時(shí)間序列和所述特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型；

預(yù)測(cè)模塊，用于根據(jù)所述靜態(tài)預(yù)測(cè)模型對(duì)停車場(chǎng)泊位進(jìn)行預(yù)測(cè)處理。

進(jìn)一步地，所述預(yù)測(cè)模塊包括：

確定單元，用于根據(jù)所述靜態(tài)預(yù)測(cè)模型確定所述停車場(chǎng)的可用泊位比率；

預(yù)測(cè)單元，用于根據(jù)所述可用泊位比率和所述停車場(chǎng)的泊位容量預(yù)測(cè)未來預(yù)定時(shí)間內(nèi)所述停車場(chǎng)的可用泊位數(shù)量。

進(jìn)一步地，所述訓(xùn)練模塊還用于：通過如下公式迭代計(jì)算靜態(tài)預(yù)測(cè)模型w^(k)：

w^(k)＝w^(k-1)+α^(k-1)*x^t*(y-s(a))

a＝x*w^(k-1)；

通過如下公式迭代計(jì)算α^(k)：α^k＝α^(k-1)*λ^(k-1)；

其中,在循環(huán)執(zhí)行次數(shù)大于預(yù)定參數(shù)t，或連續(xù)3次循環(huán)的值，w^(k-2)、w^(k-1)、w^(k)近似相等的情況下跳出循環(huán)，并確定w^(k)的訓(xùn)練結(jié)果為w^history,α^(k)為最后步長(zhǎng)參數(shù)α^history，λ為訓(xùn)練衰減參數(shù)，λ＝0.95，k大于或等于1；

所述確定單元還用于根據(jù)所述靜態(tài)預(yù)測(cè)模型通過以下方式確定停車場(chǎng)的可用泊位比率：y1＝exp(x^tw^(k))/(1+exp(x^tw^(k)))；

其中，x是時(shí)間序列和特征數(shù)據(jù)的向量形式，w(k)是特征數(shù)據(jù)對(duì)應(yīng)的權(quán)重向量，y為在預(yù)定歷史時(shí)間內(nèi)的空閑泊位值歷史序列和所述預(yù)定歷史時(shí)間內(nèi)所述停車場(chǎng)的特征數(shù)據(jù)下，在所述預(yù)定歷史時(shí)間內(nèi)可用泊位數(shù)占所述停車場(chǎng)總泊位數(shù)的比率，y1是停車場(chǎng)未來預(yù)定時(shí)間段內(nèi)可用泊位數(shù)占所述停車場(chǎng)總泊位數(shù)的比率。

進(jìn)一步地，所述裝置還包括：更新模塊，用于定期更新所述靜態(tài)預(yù)測(cè)模型得到所述停車場(chǎng)的動(dòng)態(tài)預(yù)測(cè)模型。

通過本發(fā)明，采用獲取并整合停車場(chǎng)在預(yù)定歷史時(shí)間內(nèi)的空閑泊位時(shí)間序列和所述預(yù)定歷史時(shí)間內(nèi)所述停車場(chǎng)的特征數(shù)據(jù)；根據(jù)所述空閑泊位時(shí)間序列和所述特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型；根據(jù)所述靜態(tài)預(yù)測(cè)模型對(duì)停車場(chǎng)泊位進(jìn)行預(yù)測(cè)處理，解決了相關(guān)技術(shù)中停車場(chǎng)的泊位預(yù)測(cè)方法不能適應(yīng)動(dòng)態(tài)變化而存在缺陷的問題，能夠適應(yīng)環(huán)境動(dòng)態(tài)，提高了用戶體驗(yàn)度。

附圖說明

此處所說明的附圖用來提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定。在附圖中：

圖1是根據(jù)本發(fā)明實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)處理方法的流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)處理裝置的框圖；

圖3是根據(jù)本發(fā)明優(yōu)選實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)處理裝置的框圖一；

圖4是根據(jù)本發(fā)明優(yōu)選實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)處理裝置的框圖二；

圖5是根據(jù)本發(fā)明實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)方法的流程圖。

具體實(shí)施方式

下文中將參考附圖并結(jié)合實(shí)施例來詳細(xì)說明本發(fā)明。需要說明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互組合。

本發(fā)明實(shí)施例提供了一種停車場(chǎng)泊位預(yù)測(cè)處理方法，圖1是根據(jù)本發(fā)明實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)處理方法的流程圖，如圖1所示，包括：

步驟s102，獲取并整合停車場(chǎng)在預(yù)定歷史時(shí)間內(nèi)的空閑泊位值歷史序列和該預(yù)定歷史時(shí)間內(nèi)該停車場(chǎng)的特征數(shù)據(jù)；

步驟s104，根據(jù)該空閑泊位時(shí)間序列和該特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型；

步驟s106，根據(jù)該靜態(tài)預(yù)測(cè)模型對(duì)停車場(chǎng)泊位進(jìn)行預(yù)測(cè)處理。

通過上述步驟，獲取并整合停車場(chǎng)在預(yù)定歷史時(shí)間內(nèi)的空閑泊位時(shí)間序列和該預(yù)定歷史時(shí)間內(nèi)該停車場(chǎng)的特征數(shù)據(jù)；根據(jù)該空閑泊位時(shí)間序列和該特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型；根據(jù)該靜態(tài)預(yù)測(cè)模型對(duì)停車場(chǎng)泊位進(jìn)行預(yù)測(cè)處理，解決了相關(guān)技術(shù)中停車場(chǎng)的泊位預(yù)測(cè)方法不能適應(yīng)動(dòng)態(tài)變化而存在缺陷的問題，能夠適應(yīng)環(huán)境動(dòng)態(tài)，提高了用戶體驗(yàn)度。

進(jìn)一步地，根據(jù)該靜態(tài)預(yù)測(cè)模型對(duì)停車場(chǎng)泊位進(jìn)行預(yù)測(cè)處理包括：根據(jù)該靜態(tài)預(yù)測(cè)模型確定該停車場(chǎng)的可用泊位比率；根據(jù)該可用泊位比率和該停車場(chǎng)的泊位容量預(yù)測(cè)未來預(yù)定時(shí)間內(nèi)該停車場(chǎng)的可用泊位數(shù)量。

進(jìn)一步地，根據(jù)該空閑泊位時(shí)間序列和該特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型包括：

通過如下公式迭代計(jì)算靜態(tài)預(yù)測(cè)模型w^(k)：

w^(k)＝w^(k-1)+α^(k-1)*x^t*(y-s(a))

a＝x*w^(k-1)；

通過如下公式迭代計(jì)算α^(k)：α^k＝α^(k-1)*λ^(k-1)；

其中,在循環(huán)執(zhí)行次數(shù)大于預(yù)定參數(shù)t，或連續(xù)3次循環(huán)的值，w^(k-2)、w^(k-1)、w^(k)近似相等的情況下跳出循環(huán)，并確定w^(k)的訓(xùn)練結(jié)果為w^history,α^(k)為最后步長(zhǎng)參數(shù)α^history，λ為訓(xùn)練衰減參數(shù)，λ＝0.95，k大于或等于1；

根據(jù)該靜態(tài)預(yù)測(cè)模型通過以下方式確定停車場(chǎng)的可用泊位比率：

y1＝exp(x^tw^(k))/(1+exp(x^tw^(k)))；

其中，x是時(shí)間序列和特征數(shù)據(jù)的向量形式，w(k)是特征數(shù)據(jù)對(duì)應(yīng)的權(quán)重向量，y為在預(yù)定歷史時(shí)間內(nèi)的空閑泊位值歷史序列和該預(yù)定歷史時(shí)間內(nèi)該停車場(chǎng)的特征數(shù)據(jù)下，在該預(yù)定歷史時(shí)間內(nèi)可用泊位數(shù)占該停車場(chǎng)總泊位數(shù)的比率，y1是停車場(chǎng)未來預(yù)定時(shí)間段內(nèi)可用泊位數(shù)占該停車場(chǎng)總泊位數(shù)的比率。

進(jìn)一步地，在根據(jù)該空閑泊位時(shí)間序列和該特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型之后，該方法還包括：定期更新該靜態(tài)預(yù)測(cè)模型得到該停車場(chǎng)的動(dòng)態(tài)預(yù)測(cè)模型。

進(jìn)一步地，定期更新該靜態(tài)預(yù)測(cè)模型得到該停車場(chǎng)的動(dòng)態(tài)預(yù)測(cè)模型包括：

將每個(gè)新加入的觀測(cè)值為向量xnew，新加入的觀測(cè)值為ynew，對(duì)每個(gè)新加入的觀測(cè)值進(jìn)行如下訓(xùn)練：

初始化w^(k)：將w^history賦值給w⁽⁰⁾，

通過如下公式迭代計(jì)算w^(k)：

w^(k)＝w^(k-1)+α^history*xnew^t*(ynew-s(xnew*w^(k-1)))；

w^(k)為訓(xùn)練更新后的動(dòng)態(tài)預(yù)測(cè)模型。

進(jìn)一步地，該特征數(shù)據(jù)包括：停車場(chǎng)規(guī)模、是否為立體停車、是否配置etc設(shè)備、停車場(chǎng)的周邊是否有展會(huì)、天氣、溫度。

本發(fā)明實(shí)施例還提供了一種停車場(chǎng)泊位預(yù)測(cè)處理裝置，圖2是根據(jù)本發(fā)明實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)處理裝置的框圖，如圖2所示，包括：

獲取模塊22，用于獲取并整合停車場(chǎng)在預(yù)定歷史時(shí)間內(nèi)的空閑泊位時(shí)間序列和該預(yù)定歷史時(shí)間內(nèi)該停車場(chǎng)的特征數(shù)據(jù)；

訓(xùn)練模塊24，用于根據(jù)該空閑泊位時(shí)間序列和該特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型；

預(yù)測(cè)模塊26，用于根據(jù)該靜態(tài)預(yù)測(cè)模型對(duì)停車場(chǎng)泊位進(jìn)行預(yù)測(cè)處理。

圖3是根據(jù)本發(fā)明優(yōu)選實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)處理裝置的框圖一，如圖3所示，預(yù)測(cè)模塊26包括：

確定單元32，用于根據(jù)該靜態(tài)預(yù)測(cè)模型確定該停車場(chǎng)的可用泊位比率；

預(yù)測(cè)單元34，用于根據(jù)該可用泊位比率和該停車場(chǎng)的泊位容量預(yù)測(cè)未來預(yù)定時(shí)間內(nèi)該停車場(chǎng)的可用泊位數(shù)量。

進(jìn)一步地，該訓(xùn)練模塊還用于：通過如下公式迭代計(jì)算靜態(tài)預(yù)測(cè)模型w^(k)：

w^(k)＝w^(k-1)+α^(k-1)*x^t*(y-s(a))

a＝x*w^(k-1)；

通過如下公式迭代計(jì)算α^(k)：α^k＝α^(k-1)*λ^(k-1)；

其中,在循環(huán)執(zhí)行次數(shù)大于預(yù)定參數(shù)t，或連續(xù)3次循環(huán)的值，w^(k-2)、w^(k-1)、w^(k)近似相等的情況下跳出循環(huán)，并確定w^(k)的訓(xùn)練結(jié)果為w^history,α^(k)為最后步長(zhǎng)參數(shù)α^history，λ為訓(xùn)練衰減參數(shù)，λ＝0.95，k大于或等于1；

該確定單元還用于根據(jù)所述靜態(tài)預(yù)測(cè)模型通過以下方式確定停車場(chǎng)的可用泊位比率：y1＝exp(x^tw^(k))/(1+exp(x^tw^(k)))；

其中，x是時(shí)間序列和特征數(shù)據(jù)的向量形式，w(k)是特征數(shù)據(jù)對(duì)應(yīng)的權(quán)重向量，y為在預(yù)定歷史時(shí)間內(nèi)的空閑泊位值歷史序列和該預(yù)定歷史時(shí)間內(nèi)該停車場(chǎng)的特征數(shù)據(jù)下，在該預(yù)定歷史時(shí)間內(nèi)可用泊位數(shù)占該停車場(chǎng)總泊位數(shù)的比率，y1是停車場(chǎng)未來預(yù)定時(shí)間段內(nèi)可用泊位數(shù)占該停車場(chǎng)總泊位數(shù)的比率。

圖4是根據(jù)本發(fā)明優(yōu)選實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)處理裝置的框圖二，如圖4所示，該裝置還包括：

更新模塊42，用于定期更新該靜態(tài)預(yù)測(cè)模型得到該停車場(chǎng)的動(dòng)態(tài)預(yù)測(cè)模型。

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明實(shí)施例進(jìn)行進(jìn)一步說明。

為克服現(xiàn)有泊位預(yù)測(cè)技術(shù)不能適應(yīng)動(dòng)態(tài)變化的缺點(diǎn)，本發(fā)明實(shí)施例提供了一種對(duì)停車場(chǎng)泊位進(jìn)行動(dòng)態(tài)預(yù)測(cè)的方法，對(duì)比傳統(tǒng)預(yù)測(cè)技術(shù)的優(yōu)勢(shì)在于能夠利用實(shí)時(shí)數(shù)據(jù)不斷更新訓(xùn)練預(yù)測(cè)模型，保證模型能夠與時(shí)俱進(jìn)、擁有足夠的實(shí)時(shí)預(yù)測(cè)精度，并且可以減少歷史數(shù)據(jù)存儲(chǔ)，在預(yù)測(cè)準(zhǔn)確率和成本方面都具有優(yōu)勢(shì)。

圖5是根據(jù)本發(fā)明實(shí)施例的停車場(chǎng)泊位預(yù)測(cè)方法的流程圖，如圖5所示，主要分為4個(gè)步驟階段，包括：

步驟s502，數(shù)據(jù)準(zhǔn)備階段：將停車場(chǎng)泊位歷史時(shí)間序列數(shù)據(jù)和停車場(chǎng)相關(guān)特征數(shù)據(jù)進(jìn)行整合，具體來說利用時(shí)間字段進(jìn)行連接，將以上兩種數(shù)據(jù)進(jìn)行連接，并進(jìn)一步獲取形如在“某年-某月-某日-某時(shí)間段”內(nèi)、某種外部條件(停車場(chǎng)規(guī)模、是否立體停車、是否配置etc設(shè)備、周邊是否有展會(huì)、天氣如何、溫度怎樣)下某停車場(chǎng)的剩余泊位指標(biāo)。

步驟s504，模型靜態(tài)構(gòu)建階段：利用以上整合的歷史結(jié)果進(jìn)行模型訓(xùn)練，通過機(jī)器學(xué)習(xí)方法構(gòu)建靜態(tài)預(yù)測(cè)模型parking_model0；

步驟s506，模型動(dòng)態(tài)調(diào)整階段：由于處在智慧城市領(lǐng)域這樣的復(fù)雜系統(tǒng)中，隨著以上靜態(tài)模型的上線，預(yù)測(cè)準(zhǔn)確率必然會(huì)隨時(shí)間的推移而持續(xù)下降。因此需要利用源源不斷的新數(shù)據(jù)(稱為“泊位實(shí)時(shí)時(shí)間序列”)持續(xù)調(diào)整現(xiàn)有模型，形成適應(yīng)最新場(chǎng)景的模型parking_model1。

步驟s508，模型應(yīng)用階段：利用parking_model1對(duì)新進(jìn)入的待預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，根據(jù)當(dāng)前時(shí)刻、天氣、周邊環(huán)境、目標(biāo)停車場(chǎng)最近的可用泊位數(shù)據(jù)，預(yù)測(cè)出未來短時(shí)間、目標(biāo)停車場(chǎng)的可用泊位比率，再乘以目標(biāo)停車場(chǎng)的泊位容量，即可得出未來短時(shí)間該停車場(chǎng)的可用泊位數(shù)量。

獲取并整合停車場(chǎng)的預(yù)定歷史時(shí)間內(nèi)的泊位序列數(shù)據(jù)和所述停車場(chǎng)的特征數(shù)據(jù)；

根據(jù)所述泊位序列數(shù)據(jù)和所述特征數(shù)據(jù)進(jìn)行模型訓(xùn)練得到靜態(tài)預(yù)測(cè)模型；

根據(jù)所述靜態(tài)預(yù)測(cè)模型對(duì)待預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)處理。

與其他泊位預(yù)測(cè)的方式相比，本發(fā)明實(shí)施例中，模型每次更新不需要進(jìn)行全量計(jì)算，解決了計(jì)算復(fù)雜度和存儲(chǔ)壓力問題；預(yù)測(cè)模型不隨著時(shí)間變化的背后推動(dòng)因素失去精確性，解決了精度問題。

本實(shí)施例列舉了上述方法的一種較為簡(jiǎn)單的實(shí)施例，首先給出相關(guān)定義如下：

定義映射函數(shù)s(a),輸入?yún)?shù)a是m維向量，輸出量s(a)也是m維向量

定義兩個(gè)k維向量w⁽¹⁾，w⁽²⁾的距離distance(w⁽¹⁾,w⁽²⁾),

其中w⁽¹⁾j和w⁽²⁾j分別是兩個(gè)向量的第j分量值：

定義兩個(gè)k維向量w⁽¹⁾，w⁽²⁾“近似相等”條件：

distance(w⁽¹⁾,w⁽²⁾)＜一個(gè)外部定義的很小的浮點(diǎn)數(shù)。

令歷史數(shù)據(jù)有m條訓(xùn)練樣本，每條樣本有n個(gè)特征，其形式為：

其中，xij表示第i歷史訓(xùn)練數(shù)據(jù)樣本的第j特征值，yi表示第i訓(xùn)練數(shù)據(jù)的因變量值，這里是該停車場(chǎng)在對(duì)應(yīng)時(shí)刻的空閑比率。

具體實(shí)施步驟如下：

步驟1、將智慧城市運(yùn)營(yíng)方提供了的停車場(chǎng)相關(guān)特征信息和停車場(chǎng)的空閑泊位時(shí)間序列進(jìn)行關(guān)聯(lián)，按照時(shí)間段進(jìn)行結(jié)合和統(tǒng)計(jì)，形成停車泊位分布的時(shí)間切片，匯總信息作為后續(xù)步驟的訓(xùn)練樣本集，格式如下：

步驟2、步驟1完成后，利用以上訓(xùn)練樣本集構(gòu)造機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，也就是求出參數(shù)向量w的各個(gè)分量值。具體的：

初始化循環(huán)計(jì)數(shù)器k＝0；記w^(k)為第k輪循環(huán)后的權(quán)重向量w。

初始化訓(xùn)練步長(zhǎng)參數(shù)α＝0.1；記α(k)為k輪循環(huán)后的步長(zhǎng)參數(shù)。

初始化訓(xùn)練衰減參數(shù)λ＝0.95。

對(duì)n+1維權(quán)重向量w進(jìn)行初始化:對(duì)每個(gè)權(quán)重分量wj生成(0，1)之間的隨機(jī)數(shù)并賦值，此時(shí)w記為w⁽⁰⁾。

進(jìn)入循環(huán)，循環(huán)跳出條件為：循環(huán)執(zhí)行次數(shù)大于外部參數(shù)t，或者之前連續(xù)3次循環(huán)，w^(k-2)、w^(k-1)、w^(k)都彼此“近似相等”：

通過如下公式迭代計(jì)算w^(k)：

w^(k)＝w^(k-1)+α^(k-1)*x^t*(y-s(x*w^(k-1))

通過如下公式迭代計(jì)算α^(k)：

α^k＝α^(k-1)*λ^(k-1)

返回最后的w^(k)作為訓(xùn)練結(jié)果w^history,α^(k)作為最后步長(zhǎng)參數(shù)α^history；靜態(tài)模型parking_model0構(gòu)建完成。

步驟3、步驟2完成后，已經(jīng)構(gòu)建完成了靜態(tài)預(yù)測(cè)模型，隨著新數(shù)據(jù)源源不斷的進(jìn)入(格式和步驟1中保持一致)，進(jìn)行動(dòng)態(tài)調(diào)整：

進(jìn)一步地，令每個(gè)新加入的人工標(biāo)注觀測(cè)記錄為向量xnew，新觀測(cè)的標(biāo)注值為ynew。對(duì)每個(gè)新加入的觀測(cè)進(jìn)行如下訓(xùn)練：

初始化循環(huán)計(jì)數(shù)器k＝0；記w^(k)為第k輪循環(huán)后的權(quán)重向量w。

對(duì)n+1維權(quán)重向量w進(jìn)行初始化:將w^history賦值給w，此時(shí)w記為w⁽⁰⁾。

進(jìn)入循環(huán)，循環(huán)跳出條件為：循環(huán)執(zhí)行次數(shù)大于外部參數(shù)t，或者之前連續(xù)3次循環(huán)，w^(k-2)、w^(k-1)、w^(k)都彼此“近似相等”：

通過如下公式迭代計(jì)算w^(k)：

w^(k)＝w^(k-1)+α^history*xnew^t*(ynew-s(xnew*w^(k-1)))；

返回最后的w^(k)作為訓(xùn)練的結(jié)果，動(dòng)態(tài)模型parking_model1構(gòu)建完成。

步驟4、根據(jù)該動(dòng)態(tài)預(yù)測(cè)模型通過以下方式確定停車場(chǎng)的可用泊位比率：

y1＝exp(x^tw^(k))/(1+exp(x^tw^(k)))。

系統(tǒng)上線后，對(duì)于新觀測(cè)數(shù)據(jù)(記為向量x)，一方面代入當(dāng)前最新訓(xùn)練好的模型parking_model1中的參數(shù)向量w，可以求出目標(biāo)停車場(chǎng)的泊位期望比率和預(yù)期泊位數(shù)；另一方面，可以利用當(dāng)前數(shù)據(jù)去持續(xù)更新動(dòng)態(tài)模型parking_model1，達(dá)到實(shí)時(shí)預(yù)測(cè)的效果。

顯然，本領(lǐng)域的技術(shù)人員應(yīng)該明白，上述的本發(fā)明的各模塊或各步驟可以用通用的計(jì)算裝置來實(shí)現(xiàn)，它們可以集中在單個(gè)的計(jì)算裝置上，或者分布在多個(gè)計(jì)算裝置所組成的網(wǎng)絡(luò)上，可選地，它們可以用計(jì)算裝置可執(zhí)行的程序代碼來實(shí)現(xiàn)，從而，可以將它們存儲(chǔ)在存儲(chǔ)裝置中由計(jì)算裝置來執(zhí)行，并且在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟，或者將它們分別制作成各個(gè)集成電路模塊，或者將它們中的多個(gè)模塊或步驟制作成單個(gè)集成電路模塊來實(shí)現(xiàn)。這樣，本發(fā)明不限制于任何特定的硬件和軟件結(jié)合。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對(duì)于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。