[发明专利]大数据方法驱动的停车需求预测方法

说明书

本发明提供了一种大数据方法驱动的停车需求预测方法，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；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。采用本方法对停车需求进行预测，能减少人工记录数据成本及所造成的误差，为停车规划和停车资源配置提供参考和技术支持。

技术领域

本发明涉及城市交通和停车规划技术领域，尤其涉及一种大数据方法驱动的停车需求预测方法。

背景技术

随着人民生活水平的提高，国内私家车保有量迅速增长，而与之配套建设的停车服务设施发展规划水平尚未同步，当前各个城市的停车规划方案仍有许多不足，进而导致城市中在部分时段和部分区域出现“停车难”的问题，极大的影响了机动车出行者的出行便利性，同时随着停车难度的提高，“停车乱”现象也逐渐发展为当前道路交通的一大安全隐患。

在停车规划方案的制定中，精准停车需求预测是重要的参考依据，合理的停车规划策略有利于规避城市内各区域停车资源配置中的停车资源短缺或浪费的现象发生，进而有利于促进城市道路交通系统的良性建设，对于城市综合发展具有重要意义。

传统停车调查工作需要投入大量的人力、物力和财力资源成本，同时存在着人工记录数据的操作误差。而随着计算机技术和数据采集存储技术等在交通领域的应用和发展，在交通实际运营管理中产生的大量多源异构的交通大数据尚未得到充分合理的挖掘和分析，因此，如何合理的运用多源异构交通大数据，减少传统停车调查的成本，以及快捷准确地进行城市停车需求的预测是一个亟待解决的问题。

发明内容

本发明提供了一种大数据方法驱动的停车需求预测方法，以准确预测停车需求。

为了实现上述目的，本发明采取了如下技术方案。

本发明提供了一种大数据方法驱动的停车需求预测方法，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；

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。

优选地，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。

优选地，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。