[发明专利]一种大数据环境下停车场占有率的预测方法

权利要求书

1.一种大数据环境下停车场占有率的预测方法，其特征在于，采用PDVA分布的方法对分时段进出停车场的车辆数量进行统计分析，并以此为基础进行预测，包括以下步骤：

步骤1、从停车场管理单位获取各停车场在目标时间段内的车辆出入记录数据集，将车辆出入记录数据集中的车辆出入记录数据分为出和入两部分，将当前停车场的每个出入口的出入车辆以时间间隔t划分，统计得到每个时间间隔内每个出入口进入停车场和离开停车场的车辆的数量，即为分时段进出车辆统计数据；

步骤2、采用步骤1得到的分时段进出车辆统计数据，对PDVA分布模型进行训练，训练时利用分时段进出车辆统计数据对时齐Poisson分布的参数进行拟合，获得目标时间段内不同时间间隔的参数值，从而得到分时段的车辆进出停车场数量的PDVA分布程模型，其中：车辆出入记录数据包括停车场编号PID、停车场入口编号EID、车辆编号CID、出入时间TIME、出入类别TYPE、录入方式INPUT，其中，停车场编号PID和入口编号EID组成车辆出入口的唯一编号；

步骤3、利用步骤2得到的PDVA分布程模型预测停车场未来的车位占有率和拥挤程度，所述步骤3包括：

步骤3.1、根据车辆进出停车场的长期记录数据，计算当前停车场内的停车数量和车位占有率；

步骤3.2、对下一时刻停车场的车辆数量进行预测，假设当前时间为T0，则下一时刻进入停车场的车辆期望为即对停车场各个出入口在下一时刻进入停车场的车辆数量的期望求和，下一时刻离开停车场的车辆期望为则该停车场在下一时刻的停车数量期望为：

对于跨期的停车数量期望可表达为：

式中，N(T0)表示T0时期停车场中的车辆数，表示时段Ti从出入口EID进入停车场的车辆数期望，表示时段Ti从出入口EID离开停车场的车辆数的期望；

步骤3.3、根据计算得到的停车数量期望E{N(EID,Tn)}计算停车场的拥挤程度，计算方法为：停车场内车辆数量的期望除以停车场的设计容量，得到介于0～1之间的停车场拥挤度指标，当拥挤度指标接近1时，表明停车场即将满载，可能发生拥挤；

步骤3.4、对下一时间段内停车场发生拥挤概率进行测算，假设当前停车场内的车辆数量距离停车场满载还剩余为n个车位，则下一时间段内停车场发生拥挤的条件是在t时间段内出入车辆的净值大于n，其发生拥挤概率的概率表示为P{N(t)n}：

P{N_I(t)n+i}表示时段t期间进入停车场的车辆数大于n+i的概率，P{N_O(t)＝i}表示时段t期间离开停车场的车辆数等于i的概率，m表示时段t期间离开停车场的车辆数的极限，取经验参数；

步骤4、实时更新停车场分时段进出车辆信息，返回步骤2，对PDVA分布模型中的参数进行即时的训练更新。

2.如权利要求1所述的一种大数据环境下停车场占有率的预测方法，其特征在于，在所述步骤3.1中，查询各CID所对应的车辆在当前PID所对应的停车场下最后一次出入记录，若出入记录显示出入类别TYPE为入，则当前车辆仍然在当前停车场中，据此统计当前仍在停车场中的车辆数量和停车场的车位占有率。

3.如权利要求1所述的一种大数据环境下停车场占有率的预测方法，其特征在于，在所述步骤2中，所述时齐Poisson分布的表达式为：

式中，P{N(t)＝k}表示在时间间隔t内，车辆进或出出入口发生k次的概率；λ为需拟合的参数，则利用分时段进出车辆统计数据对参数λ进行拟合包括以下步骤：

步骤201、计算每个时间间隔t内车辆通过每个出入口出入停车场数量的期望E{N(t)}：

式中，n表示时间间隔t内出入停车场的车辆数量为k在长期时序数据中出现的频次；

步骤202、拟合参数λ，

4.如权利要求2所述的一种大数据环境下停车场占有率的预测方法，其特征在于，所述步骤4包括：

步骤4.1、从停车场管理单位获取最新的车辆出入记录数据集，采用步骤3.1的方法，对当前停放在停车场的车辆的数量进行统计；

步骤4.2、将数据以目标时间段为单位，划分成时间间隔为t的时间段，采用步骤1的方法，统计每个时间间隔内每个出入口进入停车场和离开停车场的车辆的数量；

步骤4.3、将重新获得的数据中计算出来的分时段的出入停车场数量与旧数据结合，采用加权的方法为新获得数据赋予较高的权重，逐步淘汰旧数据，重新计算停车场分时段出入车辆数量的PDVA分布的参数λ，权重赋值方法和表示为：

w＝e^ΔD

式中，w为每个时间段出入车辆数量记录的权重，ΔD为该记录的时间与当前时间之间的差值，则有：

式中，w_i,k表示第i个在t时间段内出入停车场的车辆数为k的记录的权重。