[发明专利]一种基于时空特征的社区停车位状态检测及服务方法

权利要求书

1.一种基于时空特征的社区停车位状态检测及服务方法，其特征在于通过以下步骤实现：

(1)根据停车场实时图像特征以及时空特征确定停车场车位空余状态水平，空余状态水平包括大量，充足，平衡，紧张，不足五类，所述大量是指空余E≥50％，充足是指35％≤E<50％，平衡是指20％≤E<35％，紧张是指10％≤E<20％，不足是指E<10％，依据停车位状态检测算法对停车场空余状态进行检测；

(2)基于停车位状态检测算法检测结果以及累积历史状态数据，在时空维度上提供服务；在时间维度上，依据历史状态以及即时空余状态，通过建立隐马尔科夫模型提供停车位空余状态水平的未来预测，在空间维度上，对目的功能区附近的停车场的车位数量进行空间关联分析，首先确定空间中具有相关性的停车场，然后对该停车场的车位数量进行回归分析，最后依据拟合的函数关系进行预测。

2.根据权利要求1所述的基于时空特征的社区停车位状态检测及服务方法，其特征在于：步骤(1)所述的停车位状态检测算法步骤如下：

(1)对当前图像特征进行场景化标注：首先进行Schilit场景化描述，Schilit场景化描述包括四类场景化描述：时间场景即对时间维度的描述，包括时间、时刻、季节；物理场景，即物理世界中环境资源，包括湿度、温度、阳光、建筑物；计算场景，即物理世界中的计算资源，包括打印机、计算机、网络；场景历史，即现阶段和过去的场景记录，场景描述的是描述用户4W，即What，指事件发生的类型，Where指事件发生的地点，When指事件发生的时间，How指事件的性质即影响程度，然后依据Schilit场景要素将停车场图像场景要素划分为时间，地点，事件，环境，性质五个维度，结合图像特征构成六元组，实现对当前停车图像的场景化标注；

(2)对不同的图像进行空余状态标注，形成分类训练数据集，将空余状态水平划分为大量，充足，平衡，紧张，不足五类，根据具体状态水平进行空余状态标注；

(3)组合前述图像特征及场景化标注的信息形成检测向量，训练SVM分类器；

(4)对新输入图像进行场景化标注以及空余状态标注，输入SVM进行状态检测。

3.根据权利要求1所述的基于时空特征的社区停车位状态检测及服务方法，其特征在于：步骤(2)所述的通过建立隐马尔科夫模型提供停车位空余状态水平的未来预测步骤如下：

(1)定义从状态E_i转化为E_j的状态转移概率为P(E_i→E_j)＝P_ij；

(2)将时态特性引入状态转移概率，定义P(T_k，E_i→E_j)＝P_ij(T_k)；

(3)依据频率代替概率的思想计算状态转移概率，统计在时刻T_k从状态E_i出发的状态转移过程次数C_i，统计时刻T_k从状态E_i转换到E_j的状态转移过程次数C_j，则P_ij(T_k)＝C_j/C_i；

(4)依据前述状态转移概率，构造状态转移矩阵，

(5)定义A_j(k)为时刻k处于状态E_j的概率，依据Bayes条件概率计算方法实现多步预测，A_j(k)为时刻k处于状态E_j的概率。

4.根据权利要求1所述的基于时空特征的社区停车位状态检测及服务方法，其特征在于：步骤(2)所述的对目的功能区附近的停车场的车位数量进行空间关联分析步骤如下：

(1)确定车主目的功能区停车场及周边500m范围内的所有停车场；

(2)计算各停车场与目的停车场的相关系数，确定一定范围区域中具有相关性的停车场；

(3)对具有相关性的停车场的车位数量进行回归分析，拟合出车位数量的函数关系；

(4)依据拟合的函数关系对目的停车场的车位数量进行预测。