[发明专利]基于前馈LSTM模型的停车场库推荐方法

说明书

本发明涉及一种基于前馈LSTM模型的停车场库推荐方法。本发明综合考虑前往交通热点区域车辆至停车场的时间花费、停车场内寻找车位的时间花费以及驶离停车场的时间花费，本发明在对车场的便捷指数和通行指数预测时使用了天气数据，可以有效的提高预测的精度。该预测精度的提高有助于提升车主的停车体验，使车主更易接受本发明提出的推荐方案，本发明可有效缓解交通热点区域周边交通通行压力。

技术领域

本发明涉及一种交通热点区域周边停车场库推荐方法，更具体地，涉及一种基于前馈LSTM模型的停车场库推荐方法。

背景技术

随着城市化的深入，城市的人口和交通已经远远超过城市土地和基础设施所能承受的规模。加快建设城市交通基础设施(道路交通系统、地铁轨道交通系统、车站及停车场系统等)，注重提高已有交通设施和设备的运用效率等传统措施受到土地资源、资金以及体制等因素的限制，已经进入边际效益递减的发展阶段，短时间内无法大幅度提高城市的交通容量。尤其在医院等重点交通热点区域，难免形成“经络不通”的城市交通“痛点”。如何在现有基础设施下，利用更多科技手段，动用更多基层系统去解决这些“痛点”成为现在大中型城市交通和民生改善极为重要的课题之一。

对类似于医院周边等城市交通的“栓点”，对其进行综合治理是和城市居民生活息息相关的重要民生话题。这些地方的停车位与局部的停车需求严重不匹配，导致在一些时间段内大量车辆滞留再区域内，形成排队现象，对相应路段的通行效率产生了极大的影响。通常这些区域路况复杂，周边停车场停车能力有限，且很多车场位于写字楼、办公楼等，每日泊位分布是同峰的，由车辆自行寻找车场难度很大。因此对这样的区域来说，进行引流疏导是优选方案。

目前在对车辆进行引流疏导现行通用的做法是通过导示牌等将周边车场的拥堵指数、停车指数、泊位指数等推送给车主，车主根据这些信息自主选择车场进行泊车。在这样的方法中，需要车主对各个指数的含义以及周边地理较为熟悉才能起到较好的引流效果，但实际上很多车主并不清楚这些指数所代表的具体含义，以及对其而言到底哪个车场才是最合适的。同时，在这样的操作中，并没有考虑到引流对区域通行产生的影响，以及车辆接受引流后到达引流车场的效率。

发明内容

本发明要克服现有技术上的上述缺点，提供一种停车场库的推荐方法，既保证车主能快速找到合适的停车场进行泊车，又提高了车辆接受引流后到达引流车场的效率。

本发明的所采取的技术方案为：

步骤一：根据采集到的停车场周边道路的历史信息计算停车场通行指数I_Ck。

步骤二：根据采集到的车辆到达热点区域后再在停车场停放的历史信息计算停车场停车便捷指数I_Ak。

步骤三：根据历史数据分别计算停车场k的便捷指数和通行指数得到样本集：

其中，I_Akj为第j个单位时间时由步骤一计算得到的停车场k的便捷指数，I_Ckj为第j个所述时间时由步骤二计算得到的停车场k的通行指数，W_j为第j个单位时间时对应的天气数据集合。

步骤四：构造输入集Input和输出集Output。

输入集：

对应的输出集：

步骤五：将所述输入集及对应的输出集划分为训练集和测试集，其中，训练集包括前m个输入集及其对应的输出集。所述测试集包括第m+1到第M个输入集及其对应的输出集。对所述训练集和样本集分别进行归一化处理。

步骤六：将归一化后的训练集输入LSTM神经网络模型进行训练，并判断训练误差是否小于预定误差阈值或训练次数是否达到预定次数阈值。如果达到所述阈值，则训练结束。