[发明专利]可用停车位数目变化的预测方法、装置、设备及存储介质

说明书

本发明适用计算机技术领域，提供了一种可用停车位数目变化的预测方法、装置、设备及存储介质，该方法包括：当接收到可用停车位数目变化的预测请求时，获取预测请求对应的待预测时间段，并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合，通过预先确定的预测网络，根据特征数据集合计算待预测时间段对应的预测特征数据，使用预设的还原重构算法计算预测特征数据对应的预测时间序列数据，根据预测特征数据和预测时间序列数据，输出在待预测时间段内可用停车位数目变化、包括可用停车位数目的变化特征和连续变化数据的预测结果，从而提高了预测数据的全面性和准确性，进而提高了可用停车位数目变化的预测准确性。

技术领域

本发明属于计算机技术领域，尤其涉及一种可用停车位数目变化的预测方法、装置、设备及存储介质。

背景技术

停车是当前国内城市的难题，尤其是大中城市的热点难题。由于早期规划等原因，这些区域所提供的停车位远少于进入的车辆，导致车辆在寻找停车位过程中花费大量时间，浪费不必要的能源且有可能引发交通拥堵。由于在短期内，增加这些热点区域的停车位供应比较困难，因此，在这些区域内提高停车位利用率就变得很重要，即需要实时的将车位信息推送给有需要的车辆，快速帮助车辆找到停车位停车，这就是停车诱导信息系统(PGIS)提出的初衷。在PGIS中最为重要的核心问题是实现对未来一定时间内有效停车位的预测，毕竟PGIS对车辆进行诱导时，车辆距离停车场都还有一定距离，因此需要估算车辆抵达停车场的时间点、以及在这个时间点上停车场内可用的停车位数量。

对未来一定时间内停车场有效停车位的预测，目前较为常见的方法主要分为两类，一类是以自回归移动平均模型(ARIMA)为代表的传统时间序列分析方法，另一类是近年来流行的机器学习方法。传统时间序列分析方法主要是通过将时间序列数据分解，分解过程中往往需要平稳性、可逆性、正态分布等假设前提，对于不平稳序列还需要通过差分等手段将非平稳时间序列转换为平稳时间序列，从而实现预测。机器学习方法，如人工神经网络、卡尔曼滤波模型等，主要是通过对海量数据的训练，实现拟合数据特征，从而达到预测的目的。

目前，现有技术通过使用神经网络按照一定的时间步长进行的短临预测，一般在预测的时间步长为5-10分钟时，能做到较为准确的预测，但是也有缺点，首先，大多数神经网络预测只是单一的停车数值预测，并不能反应未来一段时间内的停车位变化情况，其次，不能向用户提示何时可能会出现停车高峰，即何时可用停车位较少或短缺、何时可用停车位较多。这样，如果在停车小高峰时用户恰好到达或即将到达停车场，则将增加用户的等待时间，甚至引发拥堵。

发明内容

本发明的目的在于提供一种可用停车位数目变化的预测方法、装置、设备及存储介质，旨在解决由于现有技术难以反应未来一段时间内数目的变化情况以及需求高峰时间，导致预测数据的全面性和准确性较低的问题。

一方面，本发明提供了一种可用停车位数目变化的预测方法，所述方法包括下述步骤：

当接收到可用停车位数目变化的预测请求时，获取所述预测请求对应的待预测时间段，并获取预先确定的表示可用停车位数目变化的时间序列数据对应的特征数据集合；

通过预先确定的预测网络，根据所述特征数据集合计算所述待预测时间段对应的预测特征数据，以获取在待预测时间段内可用停车位数目的变化特征；

使用预设的还原重构算法计算所述预测特征数据对应的预测时间序列数据，以获取在待预测时间段内可用停车位数目的连续变化状态；

根据所述预测特征数据和所述预测时间序列数据，输出在所述待预测时间段内可用停车位数目变化的预测结果，其中，所述预测结果包括所述可用停车位数目的所述变化特征和所述连续变化数据。

另一方面，本发明提供了一种可用停车位数目变化的预测装置，所述装置包括：