用于智能停车场实时车流量的监测与预测方法与流程

本发明涉及数据预测，具体涉及用于智能停车场实时车流量的监测与预测方法。

背景技术：

1、智能停车场是一种基于现代化停车场及设备自动化管理的高科技机电一体化产品，通过一系列智能化技术的处理，实现车流量的监测。

2、智能停车场通过视频监控系统或车辆检测器，可以实时的统计停车场内的车辆数量，通过对采集到的车辆数据进行分析，进而监测车流量并发现车流量的规律和趋势。现有的预测方法根据历史记录中的车流量变化情况对未来时刻的车流量进行预测的时候，输入端的因素冗余，可能会导致数据的处理复杂程度增加，使得预测的结果出现一定的误差，使得停车场运营的效率不佳。

技术实现思路

1、为解决上述问题，本发明提供用于智能停车场实时车流量的监测与预测方法。

2、本发明的用于智能停车场实时车流量的监测与预测方法采用如下技术方案：

3、本发明一个实施例提供了用于智能停车场实时车流量的监测与预测方法，该方法包括以下步骤：

4、获取车流量数据序列，所述车流量数据序列包括停车场最近一年内每天每个小时的车流量数据；获取停车场最近一年内每天每个小时的驶出车流量数据和驶入车流量数据；获取最近一年内每天的天气状况序列；

5、根据最近一年内每天的天气状况序列得到最近一年内每天的最终天气因子；根据车流量数据序列得到每天的车流量数据序列，对每天的车流量数据序列进行拟合得到拟合曲线，根据拟合曲线中的拟合车流量数据得到每天的车流量数据序列的拟合曲线的波动程度；根据拟合曲线的波动程度和最终天气因子得到车流量数据变化与最终天气因子变化的相关性；

6、根据每天同一时刻的车流量数据和最终天气因子得到每天的每个时刻的车流量数据受最终天气因子影响的权重；根据车流量数据受最终天气因子影响的权重和任意两天中对应时刻的车流量数据，得到最近一年内任意两天的车流量数据变化的相似性；根据最近一年内每天每个小时的驶出车流量数据和驶入车流量数据，得到最近一年内每天的车流量数据变化的动态稳定性；根据车流量数据变化与最终天气因子变化的相关性、车流量数据变化的相似性及动态稳定性，得到最近一年内任意两天的距离度量；

7、根据任意两天的距离度量对车流量数据序列进行聚类，得到车流量数据序列的若干类簇；根据车流量数据序列的类簇、车流量数据序列及最终天气因子，得到停车场下一个时刻的预测车流量数据。

8、进一步地，所述根据拟合曲线中的拟合车流量数据得到每天的车流量数据序列的拟合曲线的波动程度，包括的具体步骤如下：

9、将任意一天的车流量数据序列的拟合曲线，记为第一曲线；

10、

11、式中，m为第一曲线中拟合车流量数据的个数，ln为第一曲线中第n个拟合车流量数据，为第一曲线中所有拟合车流量数据的均值，lp为第一曲线中所有拟合车流量数据的极差，||表示求绝对值，e为第一曲线的波动程度。

12、进一步地，所述根据拟合曲线的波动程度和最终天气因子得到车流量数据变化与最终天气因子变化的相关性，包括的具体步骤如下：

13、将每天的车流量数据序列的拟合曲线的波动程度按照时序顺序进行排列，得到一个序列，记为波动程度序列，将波动程度序列中第r个波动程度与第r-1个波动程度的差值绝对值，记为波动程度序列的一个波动程度变化值，r∈[2，r]，r为波动程度序列中波动程度的个数，将波动程度序列的所有波动程度变化值构成的集合，记为第一集合；将最近一年内每天的最终天气因子按照时序顺序进行排列，得到一个序列，记为最终天气因子序列，将最终天气因子序列中第w个最终天气因子与第w-1个最终天气因子的差值绝对值，记为最终天气因子序列的一个最终天气因子变化值，w∈[2，w]，w为最终天气因子序列中最终天气因子的个数，将最终天气因子序列的所有最终天气因子变化值构成的集合，记为第二集合；

14、

15、式中，δe1为第一集合，为第二集合，为第一集合和第二集合的协方差，σδe1为第一集合中所有波动程度变化值的标准差，为第二集合中所有最终天气因子变化值的标准差，α为防止分母为0的超参数，ρ为车流量数据变化与最终天气因子变化的相关性。

16、进一步地，所述根据每天同一时刻的车流量数据和最终天气因子得到每天的每个时刻的车流量数据受最终天气因子影响的权重，包括的具体步骤如下：

17、将一天中每个小时分别记为一个时刻，将任意一个时刻记为目标时刻，获取最近一年内每天的目标时刻的车流量数据，将目标时刻的所有车流量数据按照对应天的时序顺序进行排列，得到一个序列，记为第二车流量数据序列，对第二车流量数据序列进行拟合，得到第二车流量数据序列对应的曲线，记为第二曲线；将最近一年内每天的最终天气因子按照时序顺序进行排列，得到一个序列，记为因子序列，对因子序列进行拟合，得到因子序列对应的曲线，记为第三曲线；

18、ω′＝|σ2-σ3|×|h2-h3|

19、式中，σ2为第二曲线中所有拟合车流量数据的方差，σ3为第三曲线中所有拟合最终天气因子的方差，||为取绝对值，h2为第二曲线中所有拟合车流量数据的极差，h3为第三曲线中所有拟合最终天气因子的极差，ω′为目标时刻的车流量数据受最终天气因子影响的初始权重；

20、获取所有时刻的车流量数据受最终天气因子影响的初始权重，将所有时刻的车流量数据受最终天气因子影响的初始权重进行softmax归一化处理，得到目标时刻的车流量数据受最终天气因子影响的权重。

21、进一步地，所述根据车流量数据受最终天气因子影响的权重和任意两天中对应时刻的车流量数据，得到最近一年内任意两天的车流量数据变化的相似性，包括的具体步骤如下：

22、

23、式中，m为一天内时刻的个数，ωi为第i个时刻的车流量数据受最终天气因子影响的权重，la，i为最近一年内第a天的第i个时刻的车流量数据，lb，i为最近一年内第b天的第i个时刻的车流量数据，fa，b为最近一年内第a天和第b天的车流量数据变化的相似性。

24、进一步地，所述根据最近一年内每天每个小时的驶出车流量数据和驶入车流量数据，得到最近一年内每天的车流量数据变化的动态稳定性，包括的具体步骤如下：

25、将最近一年内任意一天的驶入车流量数据与驶出车流量数据的比值，作为最近一年内该天的车流量数据变化的动态稳定性。

26、进一步地，所述根据车流量数据变化与最终天气因子变化的相关性、车流量数据变化的相似性及动态稳定性，得到最近一年内任意两天的距离度量，包括的具体步骤如下：

27、

28、式中，ρ为车流量数据变化与最终天气因子变化的相关性，fc，d为最近一年内第c天和第d天的车流量数据变化的相似性，stc为最近一年内第c天的车流量数据变化的动态稳定性，std为最近一年内第d天的车流量数据变化的动态稳定性，dc，d为第c天和第d天的距离度量。

29、进一步地，所述根据任意两天的距离度量对车流量数据序列进行聚类，得到车流量数据序列的若干类簇，包括的具体步骤如下：

30、对车流量数据序列中的车流量数据进行k均值聚类，得到车流量数据序列的若干类簇，距离度量采用车流量数据所属的天之间的距离度量。

31、进一步地，所述根据车流量数据序列的类簇、车流量数据序列及最终天气因子，得到停车场下一个时刻的预测车流量数据，包括的具体步骤如下：

32、统计每个类簇中每个车流量数据所属天的最终天气因子，得到每个类簇中每个车流量数据对应的最终天气因子；将任意一个类簇中任意一个车流量数据对应的最终天气因子，记为目标最终天气因子，获取目标最终天气因子在该类簇中对应的车流量数据的个数，记为第一个数，获取目标最终天气因子在所有类簇中对应的车流量数据的个数，记为第二个数，将第一个数和第二个数的比值，记为该类簇的一个初始隶属度；根据该类簇中每个车流量数据对应的最终天气因子，得到该类簇的若干初始隶属度，将该类簇中所有初始隶属度的最大值对应的最终天气因子，作为该类簇的天气因子；

33、将该类簇中处于同一天的车流量数据按照时序顺序进行排列，得到若干序列，对每个序列进行拟合，得到该类簇的若干拟合曲线；获取该类簇的所有拟合曲线中对应次序的拟合车流量数据的均值，得到该类簇的所有拟合曲线的均值拟合曲线，记为该类簇的车流量数据变化曲线；根据非线性回归模型得到该类簇的车流量数据变化曲线的预测模型；获取车流量数据序列中最后一个时刻的车流量数据所在的类簇，记为目标类簇，将车流量数据序列中最后一个时刻，记为当前时刻，将目标类簇的天气因子输入到目标类簇的车流量数据变化曲线的预测模型中，输出得到停车场当前时刻的下一个时刻的预测车流量数据。

34、进一步地，所述根据最近一年内每天的天气状况序列得到最近一年内每天的最终天气因子，包括的具体步骤如下：

35、将最近一年内每天的天气状况序列，作为每天的天气状况向量，利用分类网络模型并基于天气状况向量进行训练，将每天的天气状况向量输入到训练完成的分类网络模型，输出得到每天的最终天气因子。

36、本发明的技术方案的有益效果是：本发明在采集到停车场的车流量数据序列、停车场最近一年内每天每个小时的驶出车流量数据和驶入车流量数据及每天的天气状况序列后，通过对天气状况序列进行训练得到最近一年内每天的最终天气因子，用于反映每天的天气状况，使得后续对停车场进行车流量数据预测时更加准确，而后分析车流量数据变化与最终天气因子变化的相关性，通过每天的车流量数据序列的拟合曲线的波动程度、不同天的车流量数据变化的相似性及车流量数据变化的动态稳定性，结合车流量数据变化与最终天气因子变化的相关性，得到车流量数据序列进行聚类时的距离度量，基于对每天的车流量数据序列得到预测模型，通过聚类使得相似数据可以更好的归类，进而使得构建的预测模型更加准确，得到的停车场下一个时刻的预测车流量数据更加符合实际车流量数据，对未来时刻的车流量预测有效减少了常规预测方法中输入成分冗余的情况，更加准确的车流量数据预测可以提高停车场运营的整体效率，减少人力成本并提高服务质量，提升停车场管理的智能化水平。