[发明专利]大数据方法驱动的停车需求预测方法

权利要求书

1.一种大数据方法驱动的停车需求预测方法，其特征在于，包括：

采集并处理区域范围内的实际用地属性信息、浮动车OD数据和停车数据；

根据统计信息网格集计数据，基于多密度聚类算法识别出区域范围内的有效停车小区和待预测停车小区；

根据有效停车小区用地及交通数据建立贝叶斯分类器，计算待预测停车小区的高峰停车小时；具体包括：

基于有效停车小区样本中的用地属性信息及高峰停车小时信息建立贝叶斯分类器，基于建立的贝叶斯分类器，计算待预测停车小区的高峰停车小时；

通过数据融合关联方法将有效停车小区中实际用地属性、停车数据和高峰停车小时对应的浮动车OD数据输入到机器学习的支持向量机模型中建立停车需求预测模型并验证，而后对待预测停车小区进行停车需求预测；具体包括：

依据停车调查数据、用地属性信息和浮动车OD数据的空间分布特征进行多源数据融合关联，按照实际用地属性信息确定每个有效停车小区不同类别用地上的高峰停车数、O点数目和D点数目；

根据所述有效停车小区对应高峰停车小时的高峰停车数、O点数目和D点数目，通过机器学习的支持向量机模型方法建立有效停车小区内OD数据与停车需求之间的关联，通过交叉检验的方法计算得到模型惩罚参数和核函数参数，经验证得到停车需求预测模型，包括：

将有效停车小区样本随机分为训练集和检验集，通过训练集数据建立待验证停车需求预测模型，用于对检验集的停车需求进行计算；具体通过式和建立有效停车小区内OD数据与停车需求之间的关联，通过式和计算得到模型惩罚参数和核函数参数；式中，(x_i,y_i)表示空间特征向量，是由停车小区总OD数量、各类用地上的OD数量及用地面积比对应的高峰停车需求所组成的高维度空间特征向量集合，ω是一个n维的权重向量，即{ω₁,ω₂,…,ω_n}，b是一个称为偏差的单一的数字，C是成本参数，ξ_i,是松弛变量，α_i,是拉格朗日乘子，x_i,x是原始特征函数，x_i,x表示特征空间内两个函数的内积，其内积空间是一个赋范向量空间，σ0，σ是RBF核函数的控制参数,K为核函数；

将建立的待验证停车需求预测模型对检验集中有效停车小区的停车需求进行预测，并与实际的停车需求结果进行对比，通过调整模型参数，当平均相对误差低于一定阈值，则将所述待验证停车需求预测模型作为验证好的停车需求预测模型，进而完成对待预测停车小区停车需求的预测。

2.根据权利要求1所述的方法，其特征在于，所述的采集并处理区域范围内的实际用地属性信息、浮动车OD数据和停车数据，包括：

所述的实际用地属性信息包括：根据土地实际利用功能和特征的区别得到的用地类别；

所述的浮动车OD数据包括：浮动车编号、浮动车出行起点O的经纬度、浮动车出行终点D的经纬度、浮动车出行开始时间、浮动车出行结束时间以及浮动车行程距离；

所述的停车数据包括：所有公共用地上的停车设施上的每个停车场的停车场ID、经纬度坐标、高峰停车小时以及高峰停车数信息。

3.根据权利要求1所述的方法，其特征在于，所述的处理区域范围内的实际用地属性信息、浮动车OD数据和停车数据，包括：

整合所述浮动车OD数据和停车数据，筛除所述区域经纬度区间范围以外的数据，并删除数据格式不正确或为空值的数据，将整合所述浮动车OD数据得到的再生数据中实际行程时间小于零和行程速度大于一定阈值的数据进行删除。

4.根据权利要求2所述的方法，其特征在于，所述的实际用地属性信息包括：居民区用地、行政办公用地、教育科研用地、商业娱乐用地和其他用地。

5.根据权利要求1所述的方法，其特征在于，所述的根据统计信息网格集计数据，基于多密度聚类算法识别出区域范围内的有效停车小区和待预测停车小区，包括：

根据统计信息网格模型对研究区域进行划分，统计每个网格内的OD数据及高峰停车数；

分别计算不同统计信息网格模型边长条件下，高峰停车数与O点数目、高峰停车数与D点数目的相关系数r_O和r_D；

设置均匀网格模型边长，作为停车小区识别网格模型的单元搜索边长；

根据多密度聚类算法将所述区域内空间位置相邻且交通出行强度在相同阈值区间的网格聚合成同一停车小区；

集计各停车小区内浮动车OD数据、停车调查数据，将数据缺失或不足的小区作为待预测停车小区，数据完整的小区作为有效停车小区。