本發(fā)明涉及智能交通管理領(lǐng)域，具體的涉及基于lstm模型的城市停車行為預(yù)測與調(diào)度方法及其系統(tǒng)。

背景技術(shù)：

1、現(xiàn)有的城市智慧停車平臺系統(tǒng)普遍缺乏對停車行為的準(zhǔn)確預(yù)測能力。大多數(shù)系統(tǒng)未能有效整合歷史停車數(shù)據(jù)、天氣變化、周邊環(huán)境和城市發(fā)展規(guī)劃等多維度因素，導(dǎo)致無法準(zhǔn)確預(yù)測未來的停車需求和行為模式?，F(xiàn)有技術(shù)常忽略停車行為的周期性特征，如工作日與周末的差異、特定時間段的停車高峰等，從而限制了預(yù)測的準(zhǔn)確性和實(shí)用性。大多數(shù)現(xiàn)有系統(tǒng)依賴傳統(tǒng)的線性回歸或簡單的統(tǒng)計分析方法，無法捕捉復(fù)雜的非線性關(guān)系，導(dǎo)致預(yù)測精度不足。此外，現(xiàn)有技術(shù)在數(shù)據(jù)處理方面存在以下主要問題：1、數(shù)據(jù)處理不足：大規(guī)模停車數(shù)據(jù)的清洗和歸一化處理能力有限，導(dǎo)致數(shù)據(jù)質(zhì)量差、預(yù)測效果不佳；2、缺乏多源數(shù)據(jù)融合：未能將多維度數(shù)據(jù)（如實(shí)時天氣、周邊環(huán)境等）有效整合，忽視了不同因素對停車行為的復(fù)合作用；3、周期性分析欠缺：對停車行為的周期性特征（如工作日與節(jié)假日的不同停車模式、一天內(nèi)不同時間段的停車需求變化）沒有充分分析利用，有鑒于此，本案由此產(chǎn)生。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個目的是通過基于lstm模型的城市停車行為預(yù)測與調(diào)度方法及其系統(tǒng)解決至少上述問題。

2、為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案如下：基于lstm模型的城市停車行為預(yù)測與調(diào)度方法，包括如下步驟：

3、（1）數(shù)據(jù)收集與預(yù)處理：從指定的數(shù)據(jù)源收集的停車記錄和天氣數(shù)據(jù)，在數(shù)據(jù)處理模塊中進(jìn)行清洗，移除無效或錯誤的記錄；

4、（2）特征提取與工程：從清洗后的數(shù)據(jù)中提取關(guān)鍵特征，對特征進(jìn)行歸一化處理；

5、（3）模型構(gòu)建與訓(xùn)練：使用歷史數(shù)據(jù)對lstm模型進(jìn)行訓(xùn)練，優(yōu)化模型參數(shù)；

6、（4）模型評估與優(yōu)化：使用測試數(shù)據(jù)測試評估模型的預(yù)測準(zhǔn)確性，根據(jù)評估結(jié)果調(diào)整模型結(jié)構(gòu)或參數(shù)；

7、（5）系統(tǒng)集成與部署：將訓(xùn)練好的模型集成到智慧城市的停車管理系統(tǒng)中；

8、（6）模型預(yù)測：lstm模型根據(jù)新的輸入數(shù)據(jù)預(yù)測未來的停車行為；

9、（7）決策支持：基于模型的預(yù)測結(jié)果，決策支持系統(tǒng)提供實(shí)時的停車資源調(diào)度和管理建議，幫助城市管理者優(yōu)化交通流量和停車資源配置。

10、優(yōu)選的，所述步驟（1）中，從停車場管理系統(tǒng)收集停車記錄，從天氣監(jiān)測站收集天氣數(shù)據(jù)，將數(shù)據(jù)轉(zhuǎn)換為適合分析的格式。

11、優(yōu)選的，所述步驟（2）中，所述關(guān)鍵特征為停車數(shù)量和天氣條件，所述天氣條件包括：溫度、濕度、風(fēng)速、降水量，對特征進(jìn)行歸一化處理，將數(shù)據(jù)縮放到[0,?1]范圍內(nèi)。（歸一化處理確保所有特征具有相同的尺度，以避免模型訓(xùn)練過程中的偏差。）

12、優(yōu)選的，所述lstm模型通過周期性門控機(jī)制和天氣感知門控機(jī)制，捕捉停車行為的周期性模式和天氣因素的影響。

13、優(yōu)選的，所述步驟（3）中，構(gòu)建的lstm的模型包括輸入層、隱藏層和輸出層，調(diào)整的超參數(shù)包括學(xué)習(xí)率、批次大小和迭代次數(shù)，隱藏層的節(jié)點(diǎn)數(shù)范圍為20-50，所述批次大小為32-64，學(xué)習(xí)率的范圍為0.001-0.01。

14、優(yōu)選的，所述步驟（4）中，使用均方根誤差和準(zhǔn)確率作為評估指標(biāo)來評估模型的預(yù)測準(zhǔn)確性。

15、基于lstm模型的城市停車行為預(yù)測與調(diào)度系統(tǒng)，包括：

16、數(shù)據(jù)收集模塊，負(fù)責(zé)從多個停車場收集停車記錄和天氣數(shù)據(jù)；

17、數(shù)據(jù)處理和特征提取模塊，對收集的數(shù)據(jù)進(jìn)行清洗、歸一化處理，并提取關(guān)鍵特征；

18、lstm模型，用于學(xué)習(xí)歷史數(shù)據(jù)中的模式并預(yù)測未來的停車行為；

19、決策支持系統(tǒng)，利用模型預(yù)測結(jié)果，為城市管理和交通規(guī)劃提供決策支持。

20、優(yōu)選的，數(shù)據(jù)從停車場和天氣站通過數(shù)據(jù)收集模塊輸入系統(tǒng)，數(shù)據(jù)處理和特征提取模塊處理原始數(shù)據(jù)，并將其轉(zhuǎn)換為適合模型訓(xùn)練的格式，lstm模型接收處理后的數(shù)據(jù)，并進(jìn)行訓(xùn)練和預(yù)測，決策支持系統(tǒng)根據(jù)模型的預(yù)測結(jié)果，提供實(shí)時的停車管理和調(diào)度建議。

21、優(yōu)選的，還包括擴(kuò)展模塊，所述擴(kuò)展模塊與停車專用app、導(dǎo)航軟件、停車誘導(dǎo)指示牌進(jìn)行數(shù)據(jù)共享；使用停車專用app或?qū)Ш杰浖斎肽康牡睾?，目的地信息被傳輸至?shù)據(jù)收集模塊，系統(tǒng)根據(jù)導(dǎo)航位置、預(yù)計到達(dá)時間，對抵達(dá)目的地時周邊的停車資源進(jìn)行預(yù)測，給出達(dá)到目的周邊時的停車場剩余車位預(yù)測數(shù)據(jù)、停車預(yù)計等待時間和最佳停車場推薦；停車誘導(dǎo)指示牌接受系統(tǒng)的實(shí)時數(shù)據(jù)和預(yù)測數(shù)據(jù)，實(shí)時顯示前方各停車場的當(dāng)前剩余車位，以及抵達(dá)目的地時停車場剩余車位預(yù)測數(shù)據(jù)和停車預(yù)計等待時間。

22、優(yōu)選的，還包括布置于智能停車場的智能停車模塊，智能停車場布置有緩沖區(qū)、智能泊車區(qū)和人工泊車區(qū)，對于不具備輔助駕駛功能的車輛或具備輔助駕駛功能但是未開啟自動泊車功能的車輛，由電子指示牌引導(dǎo)其前往人工泊車區(qū)；對于開啟自動泊車功能的車輛，智能停車模塊與車輛的系統(tǒng)進(jìn)行數(shù)據(jù)共享，并給出停車指引，由車輛自動停到系統(tǒng)指定位置，當(dāng)停車資源不緊張時，車輛被引導(dǎo)至智能泊車區(qū)停車；當(dāng)停車資源較為緊張時，車輛自動行駛，緊密排列在緩沖區(qū)內(nèi)，待智能泊車區(qū)出現(xiàn)空閑車位后，智能停車模塊引導(dǎo)車輛行駛至空閑車位，駕駛員通過手機(jī)軟件發(fā)出取車指令或預(yù)計取車時間指令后，智能停車模塊根據(jù)取車時間序列，對車輛進(jìn)行排序調(diào)度。

23、由上述描述可知，本發(fā)明提供的基于lstm模型的城市停車行為預(yù)測與調(diào)度方法及其系統(tǒng)具有如下有益效果：模型通過引入周期性門控機(jī)制，能夠捕捉停車行為的周期性模式，如一天中的高峰時段、一周中的工作日等。模型結(jié)合實(shí)時天氣數(shù)據(jù)，通過天氣感知門控機(jī)制，提高預(yù)測的準(zhǔn)確性，特別是在極端天氣條件下。通過結(jié)合深度學(xué)習(xí)技術(shù)和時間序列分析，模型能夠處理復(fù)雜的非線性關(guān)系，并捕捉長期依賴性。

技術(shù)特征：

1.基于lstm模型的城市停車行為預(yù)測與調(diào)度方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于lstm模型的城市停車行為預(yù)測與調(diào)度方法，其特征在于：所述步驟（1）中，從停車場管理系統(tǒng)收集停車記錄，從天氣監(jiān)測站收集天氣數(shù)據(jù)，將數(shù)據(jù)轉(zhuǎn)換為適合分析的格式。

3.根據(jù)權(quán)利要求1所述的基于lstm模型的城市停車行為預(yù)測與調(diào)度方法，其特征在于：所述步驟（2）中，所述關(guān)鍵特征為停車數(shù)量和天氣條件，所述天氣條件包括：溫度、濕度、風(fēng)速、降水量，對特征進(jìn)行歸一化處理，將數(shù)據(jù)縮放到[0,?1]范圍內(nèi)。

4.根據(jù)權(quán)利要求1所述的基于lstm模型的城市停車行為預(yù)測與調(diào)度方法，其特征在于：所述lstm模型通過周期性門控機(jī)制和天氣感知門控機(jī)制，捕捉停車行為的周期性模式和天氣因素的影響。

5.根據(jù)權(quán)利要求1所述的基于lstm模型的城市停車行為預(yù)測與調(diào)度方法，其特征在于：所述步驟（3）中，構(gòu)建的lstm的模型包括輸入層、隱藏層和輸出層，調(diào)整的超參數(shù)包括學(xué)習(xí)率、批次大小和迭代次數(shù)，隱藏層的節(jié)點(diǎn)數(shù)范圍為20-50，所述批次大小為32-64，學(xué)習(xí)率的范圍為0.001-0.01。

6.根據(jù)權(quán)利要求1所述的基于lstm模型的城市停車行為預(yù)測與調(diào)度方法，其特征在于：所述步驟（4）中，使用均方根誤差和準(zhǔn)確率作為評估指標(biāo)來評估模型的預(yù)測準(zhǔn)確性。

7.基于lstm模型的城市停車行為預(yù)測與調(diào)度系統(tǒng)，其特征在于，包括：

8.根據(jù)權(quán)利要求7所述的基于lstm模型的城市停車行為預(yù)測與調(diào)度系統(tǒng)，其特征在于：數(shù)據(jù)從停車場和天氣站通過數(shù)據(jù)收集模塊輸入系統(tǒng)，數(shù)據(jù)處理和特征提取模塊處理原始數(shù)據(jù)，并將其轉(zhuǎn)換為適合模型訓(xùn)練的格式，lstm模型接收處理后的數(shù)據(jù)，并進(jìn)行訓(xùn)練和預(yù)測，決策支持系統(tǒng)根據(jù)模型的預(yù)測結(jié)果，提供實(shí)時的停車管理和調(diào)度建議。

9.根據(jù)權(quán)利要求7所述的基于lstm模型的城市停車行為預(yù)測與調(diào)度系統(tǒng)，其特征在于：還包括擴(kuò)展模塊，所述擴(kuò)展模塊與停車專用app、導(dǎo)航軟件、停車誘導(dǎo)指示牌進(jìn)行數(shù)據(jù)共享；使用停車專用app或?qū)Ш杰浖斎肽康牡睾?，目的地信息被傳輸至?shù)據(jù)收集模塊，系統(tǒng)根據(jù)導(dǎo)航位置、預(yù)計到達(dá)時間，對抵達(dá)目的地時周邊的停車資源進(jìn)行預(yù)測，給出達(dá)到目的周邊時的停車場剩余車位預(yù)測數(shù)據(jù)、停車預(yù)計等待時間和最佳停車場推薦；停車誘導(dǎo)指示牌接受系統(tǒng)的實(shí)時數(shù)據(jù)和預(yù)測數(shù)據(jù)，實(shí)時顯示前方各停車場的當(dāng)前剩余車位，以及抵達(dá)目的地時停車場剩余車位預(yù)測數(shù)據(jù)和停車預(yù)計等待時間。

10.根據(jù)權(quán)利要求7所述的基于lstm模型的城市停車行為預(yù)測與調(diào)度系統(tǒng)，其特征在于：還包括布置于智能停車場的智能停車模塊，智能停車場布置有緩沖區(qū)、智能泊車區(qū)和人工泊車區(qū)，對于不具備輔助駕駛功能的車輛或具備輔助駕駛功能但是未開啟自動泊車功能的車輛，由電子指示牌引導(dǎo)其前往人工泊車區(qū)；對于開啟自動泊車功能的車輛，智能停車模塊與車輛的系統(tǒng)進(jìn)行數(shù)據(jù)共享，并給出停車指引，由車輛自動停到系統(tǒng)指定位置，當(dāng)停車資源不緊張時，車輛被引導(dǎo)至智能泊車區(qū)停車；當(dāng)停車資源較為緊張時，車輛自動行駛，緊密排列在緩沖區(qū)內(nèi)，待智能泊車區(qū)出現(xiàn)空閑車位后，智能停車模塊引導(dǎo)車輛行駛至空閑車位，駕駛員通過手機(jī)軟件發(fā)出取車指令或預(yù)計取車時間指令后，智能停車模塊根據(jù)取車時間序列，對車輛進(jìn)行排序調(diào)度。

技術(shù)總結(jié)
本發(fā)明涉及智能交通管理領(lǐng)域，具體涉及一種基于LSTM模型的城市停車行為預(yù)測與調(diào)度方法及其系統(tǒng)，包括如下步驟：（1）數(shù)據(jù)收集與預(yù)處理，（2）特征提取與工程、（3）模型構(gòu)建與訓(xùn)練、（4）模型評估與優(yōu)化、（5）系統(tǒng)集成與部署、（6）模型預(yù)測、（7）決策支持；模型通過引入周期性門控機(jī)制，能夠捕捉停車行為的周期性模式，如一天中的高峰時段、一周中的工作日等。模型結(jié)合實(shí)時天氣數(shù)據(jù)，通過天氣感知門控機(jī)制，提高預(yù)測的準(zhǔn)確性，特別是在極端天氣條件下。通過結(jié)合深度學(xué)習(xí)技術(shù)和時間序列分析，模型能夠處理復(fù)雜的非線性關(guān)系，并捕捉長期依賴性。

技術(shù)研發(fā)人員：林志彬,吳劍雄,蔡天文,傅華燦,吳清團(tuán),陳柏菁
受保護(hù)的技術(shù)使用者：晉江智信大數(shù)據(jù)科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19