停车场空闲车位预测方法、装置、电子设备及存储介质转让专利
申请号 : CN202010076198.7
文献号 : CN111210656B
文献日 : 2021-12-24
发明人 : 张韦嘉 , 刘浩 , 熊辉
申请人 : 北京百度网讯科技有限公司
摘要 :
权利要求 :
1.一种停车场空闲车位预测方法,其特征在于,包括:针对待处理区域内的停车场构建停车场关联图,其中的每个结点分别表示一个停车场,将符合第一预定条件的任意两个停车场通过边相连;
针对待处理区域内的停车场构建信息传播图,其中的每个结点分别表示一个停车场,将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连;
针对任一不具有实时传感器的停车场i,分别进行以下处理:根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征,确定出当前时刻所述停车场i的局部空间相关性信息;
根据所述信息传播图中与所述停车场i通过边相连的邻居停车场的空闲车位信息,确定出当前时刻所述停车场i的空闲车位估计信息;
根据所述空闲车位估计信息及所述局部空间相关性信息,确定出当前时刻所述停车场i的时间相关性信息,并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
2.根据权利要求1所述的方法,其特征在于,所述将符合第一预定条件的任意两个停车场通过边相连包括:将任意两个距离小于或等于预定阈值的停车场通过边相连;
所述将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连包括:对于任一不具有实时传感器的停车场i,按照与所述停车场i之间的距离从近到远的顺序对各具有实时传感器的停车场进行排序,并确定出排序后处于第L位的停车场与所述停车场i之间的第一距离,所述L为正整数,若所述第一距离大于所述阈值,则将排在前L位的停车场与所述停车场i通过边相连,否则,将与所述停车场i之间的距离小于或等于所述阈值且具有实时传感器的停车场与所述停车场i通过边相连。
3.根据权利要求2所述的方法,其特征在于,所述确定出当前时刻所述停车场i的局部空间相关性信息包括:基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息;
所述确定出当前时刻所述停车场i的时间相关性信息,并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括:基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息,并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
4.根据权利要求3所述的方法,其特征在于,所述基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息包括:
针对所述停车场i在所述停车场关联图中的各邻居停车场,分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征,确定出当前时刻各邻居停车场与所述停车场i之间的边的权重;
根据各邻居停车场与所述停车场i之间的边的权重,聚合各邻居停车场的环境上下文特征,得到所述停车场i的表征向量,将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。
5.根据权利要求4所述的方法,其特征在于,任一邻居停车场j与所述停车场i之间的边的权重其中,所述cij=Attention(Waxi,Waxj);所述Attention表示图注意力机制;所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量;所述xi表示当前时刻所述停车场i的环境上下文特征;所述xj表示当前时刻所述邻居停车场j的环境上下文特征;所述Wa表示预先训练得到的模型参数。
6.根据权利要求4所述的方法,其特征在于,所述表征向量
其中,所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量;所述xj表示当前时刻邻居停车场j的环境上下文特征,所述邻居停车场j为所述Ni个邻居停车场中的任一邻居停车场;所述αij表示当前时刻所述Ni个邻居停车场中的邻居停车场j与所述停车场i之间的边的权重;所述Wa表示预先训练得到的模型参数;所述σ表示激活函数。
7.根据权利要求3所述的方法,其特征在于,所述确定出当前时刻所述停车场i的空闲车位估计信息包括:针对所述停车场i在所述信息传播图中的各邻居停车场,分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征,确定出当前时刻各邻居停车场与所述停车场i之间的边的权重;
根据各邻居停车场与所述停车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息,确定出当前时刻所述停车场i的空间维度的空闲车位估计信息。
8.根据权利要求7所述的方法,其特征在于,所述当前时刻所述停车场i的空间维度的空闲车位估计信息其中,所述Qi表示所述停车场i在所述信息传播图中的邻居停车场的数量;所述yj表示当前时刻所述Qi个邻居停车场中的任一邻居停车场j的空闲车位信息;所述α′ij表示当前时刻所述Qi个邻居停车场中的邻居停车场j与所述停车场i之间的边的权重。
9.根据权利要求7所述的方法,其特征在于,该方法进一步包括:
针对所述停车场i,根据所述门循环神经网络模型的前一时刻的输出,确定出当前时刻所述停车场i的时间维度的空闲车位估计信息;
将所述时间维度的空闲车位估计信息与所述空间维度的空闲车位估计信息进行融合,得到最终所需的当前时刻所述停车场i的空闲车位估计信息。
10.根据权利要求9所述的方法,其特征在于,所述当前时刻所述停车场i的时间维度的空闲车位估计信息其中,所述Wtp为预先训练得到的模型参数;所述 表示所述门循环神经网络模型的前一时刻的输出。
11.根据权利要求9所述的方法,其特征在于,所述停车场i的融合后的空闲车位估计信息其中, 为归一化因子;所述 表示当前时刻所述停车场i的空间维度的空闲车位估计信息;所述 表示当前时刻所述停车场i的时间维度的空闲车位估计信息;所述H表示预定函数。
12.根据权利要求3所述的方法,其特征在于,所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息之前,进一步包括:将当前时刻所述停车场i的空闲车位估计信息及局部空间相关性信息进行拼接;
所述基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息包括:根据拼接结果以及所述门循环神经网络模型的前一时刻的输出,确定出当前时刻所述停车场i的时间相关性信息。
13.根据权利要求12所述的方法,其特征在于,所述当前时刻所述停车场i的时间相关性信息所述Wz、所述 所述Wr、所述bz、所述 以及所述br均为预先训练得到的模型参数;所述σ表示激活函数;所述x″i表示所述拼接结果;所述 表示所述门循环神经网络模型的前一时刻的输出。
14.根据权利要求3所述的方法,其特征在于,所述根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测包括:按照 的方式预测出所述停车场i在未来τ个时间步的空闲车位信息;
其中,所述τ为大于一的正整数;所述 表示当前时刻所述停车场i的时间相关性信息;
所述Wo表示预先训练得到的模型参数;所述σ表示激活函数;所述 表示预测出的所述停车场i在未来第一个时间步的空闲车位信息;所述 表示预测出的所述停车场i在未来第τ个时间步的空闲车位信息。
15.根据权利要求14所述的方法,其特征在于,该方法进一步包括:
在进行模型训练时,选择Nl个具有实时传感器的停车场作为样本停车场,基于所述样本停车场的历史空闲车位信息构建标注数据,基于所述标注数据进行训练优化,最小化联合目标函数O;
其中,所述
所述
所述
所述
所述Nl为大于一的正整数;所述 表示任一样本停车场i在对应时间步的真实空闲车位信息;所述 表示t时刻所述样本停车场i的经过预定处理后的真实空闲车位信息;所述表示t时刻所述样本停车场i的空间维度的空闲车位估计信息;所述 表示t时刻所述样本停车场i的时间维度的空闲车位估计信息。
16.一种停车场空闲车位预测装置,其特征在于,包括:构建单元和预测单元;
所述构建单元,用于针对待处理区域内的停车场构建停车场关联图,其中的每个结点分别表示一个停车场,将符合第一预定条件的任意两个停车场通过边相连;针对待处理区域内的停车场构建信息传播图,其中的每个结点分别表示一个停车场,将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连;
所述预测单元,用于针对任一不具有实时传感器的停车场i,分别进行以下处理:根据所述停车场i及所述停车场关联图中与所述停车场i通过边相连的邻居停车场的环境上下文特征,确定出当前时刻所述停车场i的局部空间相关性信息;根据所述信息传播图中与所述停车场i通过边相连的邻居停车场的空闲车位信息,确定出当前时刻所述停车场i的空闲车位估计信息;根据所述空闲车位估计信息及所述局部空间相关性信息,确定出当前时刻所述停车场i的时间相关性信息,并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
17.根据权利要求16所述的装置,其特征在于,针对所述停车场关联图,所述构建单元将其中任意两个距离小于或等于预定阈值的停车场通过边相连;
针对所述信息传播图,所述构建单元对于其中任一不具有实时传感器的停车场i,分别按照与所述停车场i之间的距离从近到远的顺序对各具有实时传感器的停车场进行排序,并确定出排序后处于第L位的停车场与所述停车场i之间的第一距离,所述L为正整数,若所述第一距离大于所述阈值,则将排在前L位的停车场与所述停车场i通过边相连,否则,将与所述停车场i之间的距离小于或等于所述阈值且具有实时传感器的停车场与所述停车场i通过边相连。
18.根据权利要求17所述的装置,其特征在于,所述预测单元基于图注意力神经网络模型确定出当前时刻所述停车场i的局部空间相关性信息;
所述预测单元基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息,并根据当前时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信息进行预测。
19.根据权利要求18所述的装置,其特征在于,所述预测单元针对所述停车场i在所述停车场关联图中的各邻居停车场,分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征,确定出当前时刻各邻居停车场与所述停车场i之间的边的权重,根据各邻居停车场与所述停车场i之间的边的权重,聚合各邻居停车场的环境上下文特征,得到所述停车场i的表征向量,将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。
20.根据权利要求19所述的装置,其特征在于,任一邻居停车场j与所述停车场i之间的边的权重其中,所述cij=Attention(Waxi,Waxj);所述Attention表示图注意力机制;所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量;所述xi表示当前时刻所述停车场i的环境上下文特征;所述xj表示当前时刻所述邻居停车场j的环境上下文特征;所述Wa表示预先训练得到的模型参数。
21.根据权利要求19所述的装置,其特征在于,所述表征向量
其中,所述Ni表示所述停车场i在所述停车场关联图中的邻居停车场的数量;所述xj表示当前时刻邻居停车场j的环境上下文特征,所述邻居停车场j为所述Ni个邻居停车场中的任一邻居停车场;所述αij表示当前时刻所述Ni个邻居停车场中的邻居停车场j与所述停车场i之间的边的权重;所述Wa表示预先训练得到的模型参数;所述σ表示激活函数。
22.根据权利要求18所述的装置,其特征在于,所述预测单元针对所述停车场i在所述信息传播图中的各邻居停车场,分别根据当前时刻各邻居停车场及所述停车场i的环境上下文特征,确定出当前时刻各邻居停车场与所述停车场i之间的边的权重,根据各邻居停车场与所述停车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息,确定出当前时刻所述停车场i的空间维度的空闲车位估计信息。
23.根据权利要求22所述的装置,其特征在于,所述当前时刻所述停车场i的空间维度的空闲车位估计信息其中,所述Qi表示所述停车场i在所述信息传播图中的邻居停车场的数量;所述yj表示当前时刻所述Qi个邻居停车场中的任一邻居停车场j的空闲车位信息;所述α′ij表示当前时刻所述Qi个邻居停车场中的邻居停车场j与所述停车场i之间的边的权重。
24.根据权利要求22所述的装置,其特征在于,所述预测单元进一步用于,针对所述停车场i,根据所述门循环神经网络模型的前一时刻的输出,确定出当前时刻所述停车场i的时间维度的空闲车位估计信息,将所述时间维度的空闲车位估计信息与所述空间维度的空闲车位估计信息进行融合,得到最终所需的当前时刻所述停车场i的空闲车位估计信息。
25.根据权利要求24所述的装置,其特征在于,所述当前时刻所述停车场i的时间维度的空闲车位估计信息其中,所述Wtp为预先训练得到的模型参数;所述 表示所述门循环神经网络模型的前一时刻的输出。
26.根据权利要求24所述的装置,其特征在于,所述停车场i的融合后的空闲车位估计信息其中, 为归一化因子;所述 表示当前时刻所述停车场i的空间维度的空闲车位估计信息;所述 表示当前时刻所述停车场i的时间维度的空闲车位估计信息;所述H表示预定函数。
27.根据权利要求18所述的装置,其特征在于,所述预测单元进一步用于,将当前时刻所述停车场i的空闲车位估计信息及局部空间相关性信息进行拼接,根据拼接结果以及所述门循环神经网络模型的前一时刻的输出,确定出当前时刻所述停车场i的时间相关性信息。
28.根据权利要求27所述的装置,其特征在于,所述当前时刻所述停车场i的时间相关性信息所述Wz、所述 所述Wr、所述bz、所述 以及所述br均为预先训练得到的模型参数;所述σ表示激活函数;所述x″i表示所述拼接结果;所述 表示所述门循环神经网络模型的前一时刻的输出。
29.根据权利要求18所述的装置,其特征在于,所述预测单元按照 的方式预测出所述停车场i在未来τ个时间步的空闲车位信息;
其中,所述τ为大于一的正整数;所述 表示当前时刻所述停车场i的时间相关性信息;
所述Wo表示预先训练得到的模型参数;所述σ表示激活函数;所述 表示预测出的所述停车场i在未来第一个时间步的空闲车位信息;所述 表示预测出的所述停车场i在未来第τ个时间步的空闲车位信息。
30.根据权利要求29所述的装置,其特征在于,所述装置中进一步包括:预处理单元,用于进行模型训练,其中,选择Nl个具有实时传感器的停车场作为样本停车场,基于所述样本停车场的历史空闲车位信息构建标注数据,基于所述标注数据进行训练优化,最小化联合目标函数O;
其中,所述
所述
所述
所述
所述Nl为大于一的正整数;所述 表示任一样本停车场i在对应时间步的真实空闲车位信息;所述 表示t时刻所述样本停车场i的经过预定处理后的真实空闲车位信息;所述表示t时刻所述样本停车场i的空间维度的空闲车位估计信息;所述 表示t时刻所述样本停车场i的时间维度的空闲车位估计信息。
31.一种电子设备,其特征在于,包括:至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1‑15中任一项所述的方法。
32.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1‑15中任一项所述的方法。
说明书 :
停车场空闲车位预测方法、装置、电子设备及存储介质
技术领域
背景技术
车效率等。
没有一个精确的度量,仅凭借自身的感觉给出一个粗略的评估,而且用户还可能出现一些
误操作,也会影响反馈的准确性,由于这些问题,会导致预测结果很不准确。
发明内容
相连;
在未来至少一个时间步的空闲车位信息进行预测。
距离从近到远的顺序对各具有实时传感器的停车场进行排序,并确定出排序后处于第L位
的停车场与所述停车场i之间的第一距离,所述L为正整数,若所述第一距离大于所述阈值,
则将排在前L位的停车场与所述停车场i通过边相连,否则,将与所述停车场i之间的距离小
于或等于所述阈值且具有实时传感器的停车场与所述停车场i通过边相连。
息;
括:基于门循环神经网络模型确定出当前时刻所述停车场i的时间相关性信息,并根据当前
时刻所述停车场i的时间相关性信息对所述停车场i在未来至少一个时间步的空闲车位信
息进行预测。
场i之间的边的权重;
部空间相关性信息。
停车场i的环境上下文特征;所述xj表示当前时刻所述邻居停车场j的环境上下文特征;所
述Wa表示预先训练得到的模型参数。
示当前时刻所述邻居停车场j与所述停车场i之间的边的权重;所述Wa表示预先训练得到的
模型参数;所述σ表示激活函数。
之间的边的权重;
前时刻所述邻居停车场j与所述停车场i之间的边的权重。
间维度的空闲车位估计信息;所述H表示预定函数。
及局部空间相关性信息进行拼接;
所述停车场i的时间相关性信息。
型的前一时刻的输出。
所述停车场i在未来第一个时间步的空闲车位信息;所述 表示预测出的所述停车场i在
未来第τ个时间步的空闲车位信息。
化联合目标函数O;
所述 表示t时刻所述样本停车场i的空间维度的空闲车位估计信息;所述 表示t时刻
所述样本停车场i的时间维度的空闲车位估计信息。
理区域内的停车场构建信息传播图,其中的每个结点分别表示一个停车场,将不具有实时
传感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连;
上下文特征,确定出当前时刻所述停车场i的局部空间相关性信息;根据所述信息传播图中
与所述停车场i通过边相连的邻居停车场的空闲车位信息,确定出当前时刻所述停车场i的
空闲车位估计信息;根据所述空闲车位估计信息及所述局部空间相关性信息,确定出当前
时刻所述停车场i的时间相关性信息,并根据当前时刻所述停车场i的时间相关性信息对所
述停车场i在未来至少一个时间步的空闲车位信息进行预测。
序,并确定出排序后处于第L位的停车场与所述停车场i之间的第一距离,所述L为正整数,
若所述第一距离大于所述阈值,则将排在前L位的停车场与所述停车场i通过边相连,否则,
将与所述停车场i 之间的距离小于或等于所述阈值且具有实时传感器的停车场与所述停
车场i 通过边相连。
间步的空闲车位信息进行预测。
确定出当前时刻各邻居停车场与所述停车场i之间的边的权重,根据各邻居停车场与所述
停车场i之间的边的权重,聚合各邻居停车场的环境上下文特征,得到所述停车场i的表征
向量,将所述表征向量作为当前时刻所述停车场i的局部空间相关性信息。
停车场i的环境上下文特征;所述xj表示当前时刻所述邻居停车场j的环境上下文特征;所
述Wa表示预先训练得到的模型参数。
示当前时刻所述邻居停车场j与所述停车场i之间的边的权重;所述Wa表示预先训练得到的
模型参数;所述σ表示激活函数。
定出当前时刻各邻居停车场与所述停车场i之间的边的权重,根据各邻居停车场与所述停
车场i之间的边的权重以及当前时刻各邻居停车场的空闲车位信息,确定出当前时刻所述
停车场i的空间维度的空闲车位估计信息。
前时刻所述邻居停车场j与所述停车场i之间的边的权重。
闲车位估计信息,将所述时间维度的空闲车位估计信息与所述空间维度的空闲车位估计信
息进行融合,得到最终所需的当前时刻所述停车场i的空闲车位估计信息。
间维度的空闲车位估计信息;所述H表示预定函数。
络模型的前一时刻的输出,确定出当前时刻所述停车场i的时间相关性信息。
型的前一时刻的输出。
所述停车场i在未来第一个时间步的空闲车位信息;所述 表示预测出的所述停车场i在
未来第τ个时间步的空闲车位信息。
空闲车位信息构建标注数据,基于所述标注数据进行训练优化,最小化联合目标函数O;
所述 表示t时刻所述样本停车场i的空间维度的空闲车位估计信息;所述 表示t时刻
所述样本停车场i的时间维度的空闲车位估计信息。
的停车场的空闲车位信息对不具有实时传感器的停车场的空闲车位信息进行估计/补全,
基于这些信息来对停车场未来的空闲车位信息进行预测,从而提升了预测结果的准确性;
另外,可从空间和时间两个维度来对停车场的空闲车位信息进行补全,从而提升了处理结
果的准确性,进而进一步提升了后续的预测结果的准确性;另外,可借助于不同网络模型来
获取停车场的局部空间相关性信息、空闲车位估计信息及时间相关性信息等,从而提升了
获取结果的准确性,进而进一步提升了后续的预测结果的准确性;再有,在对模型进行训练
时,可利用具有实时传感器的停车场的历史空闲车位信息来构建标注数据并进行训练优化
等,从而使得标注数据更为准确,并可对联合目标函数进行训练,进而提升了模型训练效果
等;上述可选方式所具有的其它效果将在下文中结合具体实施例加以说明。
附图说明
具体实施方式
到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同
样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
场通过边相连。
个时间步的空闲车位信息进行预测。
数量,因此对停车场的空闲车位信息进行预测很有必要。
够拥有停车场的历史空闲车位信息,可以更容易地对未来的空闲车位信息进行预测。在空
间维度上,城市的停车场之间也往往具有相关性,比如某个热门的景点往往会导致周边的
停车场都处于紧张的状态。
和时间两个维度来对不具有实时传感器的停车场的空闲车位信息进行补全,以达到更好的
预测效果。
第一预定条件的任意两个停车场通过边相连。比如,可将任意两个距离小于或等于预定阈
值的停车场通过边相连,即可认为距离相近的停车场具有较强的相关性。
时刻停车场i的局部空间相关性信息。
围内。其中人口特征可以是指活跃的人数等,如用户在使用地图等app时会上传定位信息,
那么可利用定位信息来获知用户的活跃区域等。POI分布特征可包括POI数量及类型等。在
实际应用中,可按照预定规则将获取到的环境上下文特征表示为向量的形式。环境上下文
特征是动态变化的。
重,并可根据各邻居停车场与停车场i之间的边的权重,聚合各邻居停车场的环境上下文特
征,得到停车场i的表征向量,将该表征向量作为当前时刻停车场i的局部空间相关性信息。
由于停车场的环境上下文特征是动态变化的,因此上述权重以及表征向量等也是动态变化
的。
文特征;Wa表示预先训练得到的模型参数。
车场i之间的边的权重;Wa表示预先训练得到的模型参数;σ表示激活函数。
个停车场,并可将不具有实时传感器的停车场与符合第二预定条件的具有实时传感器的停
车场通过边相连。
停车场与停车场i之间的第一距离,L为正整数,若第一距离大于预定阈值,则可将排在前L
位的停车场与停车场i通过边相连,否则,可将与停车场i之间的距离小于或等于所述阈值
且具有实时传感器的停车场与停车场i通过边相连。
停车场连有向边到停车场i。
闲车位信息更充分的传播,缓解标签数据稀疏问题。L的具体取值可根据实际需要而定,通
常大于一。
通过边相连的邻居停车场的空闲车位信息,确定出当前时刻停车场i的空闲车位估计信息。
的权重,并可根据各邻居停车场与停车场i之间的边的权重以及当前时刻各邻居停车场的
空闲车位信息,确定出当前时刻停车场i的空间维度的空闲车位估计信息。
场i之间的边的权重。
将是一个关于空闲车位信息的预定维度分布向量,更好的保存了与之相关的具有实时传感
器的停车场的空闲车位信息。
空闲车位估计信息,并可将时间维度的空闲车位估计信息与空间维度的空闲车位估计信息
进行融合,得到最终所需的当前时刻停车场i的空闲车位估计信息。
也是一个预定维度分布向量。
估计信息。
闲车位信息进行预测。优选地,可根据拼接结果以及门循环神经网络模型的前一时刻的输
出,确定出当前时刻停车场i的时间相关性信息,并可根据当前时刻停车场i的时间相关性
信息对停车场i在未来至少一个时间步的空闲车位信息进行预测。
的停车场i在未来第一个时间步的空闲车位信息; 表示预测出的停车场i在未来第τ个
时间步的空闲车位信息。
化的目标是最小化联合目标函数O。
预定处理后的真实空闲车位信息,所述预定处理可以包括预定的归一化和离散化处理等;
表示t时刻样本停车场i的空间维度的空闲车位估计信息; 表示t时刻样本停车场i的
时间维度的空闲车位估计信息。O2和O3为交叉熵目标函数,可提升模型训练效果。
申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明
书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须
的。
空闲车位信息对不具有实时传感器的停车场的空闲车位信息进行估计/补全,基于这些信
息来对停车场未来的空闲车位信息进行预测,从而提升了预测结果的准确性;另外,可从空
间和时间两个维度来对停车场的空闲车位信息进行补全,从而提升了处理结果的准确性,
进而进一步提升了后续的预测结果的准确性;另外,可借助于不同网络模型来获取停车场
的局部空间相关性信息、空闲车位估计信息及时间相关性信息等,从而提升了获取结果的
准确性,进而进一步提升了后续的预测结果的准确性;再有,在对模型进行训练时,可利用
具有实时传感器的停车场的历史空闲车位信息来构建标注数据并进行训练优化等,从而使
得标注数据更为准确,并可对联合目标函数进行训练,进而提升了模型训练效果等。
区域内的停车场构建信息传播图,其中的每个结点分别表示一个停车场,将不具有实时传
感器的停车场与符合第二预定条件的具有实时传感器的停车场通过边相连。
出当前时刻停车场i的局部空间相关性信息;根据信息传播图中与停车场i通过边相连的邻
居停车场的空闲车位信息,确定出当前时刻停车场i的空闲车位估计信息;根据空闲车位估
计信息及局部空间相关性信息,确定出当前时刻停车场i的时间相关性信息,并根据当前时
刻停车场i的时间相关性信息对停车场i在未来至少一个时间步的空闲车位信息进行预测。
确定出排序后处于第L位的停车场与停车场i 之间的第一距离,L为正整数,若第一距离大
于阈值,则将排在前L位的停车场与停车场i通过边相连,否则,将与停车场i之间的距离小
于或等于阈值且具有实时传感器的停车场与停车场i通过边相连。
息,并根据当前时刻停车场i的时间相关性信息对停车场i在未来至少一个时间步的空闲车
位信息进行预测。
停车场i之间的边的权重,并可根据各邻居停车场与停车场i之间的边的权重,聚合各邻居
停车场的环境上下文特征,得到停车场i的表征向量,将该表征向量作为当前时刻停车场i
的局部空间相关性信息。
文特征;Wa表示预先训练得到的模型参数。
车场i之间的边的权重;Wa表示预先训练得到的模型参数;σ表示激活函数。
间的边的权重,根据各邻居停车场与停车场i之间的边的权重以及当前时刻各邻居停车场
的空闲车位信息,确定出当前时刻停车场i的空间维度的空闲车位估计信息。
间的边的权重。
与空间维度的空闲车位估计信息进行融合,得到最终所需的当前时刻停车场i的空闲车位
估计信息。
估计信息;H表示预定函数。
车场i的时间相关性信息。
的空闲车位信息; 表示预测出的停车场i 在未来第τ个时间步的空闲车位信息。
建标注数据,基于标注数据进行训练优化,最小化联合目标函数O;
停车场i的空间维度的空闲车位估计信息; 表示t时刻样本停车场i的时间维度的空闲车
位估计信息。
空闲车位信息对不具有实时传感器的停车场的空闲车位信息进行估计/补全,基于这些信
息来对停车场未来的空闲车位信息进行预测,从而提升了预测结果的准确性;另外,可从空
间和时间两个维度来对停车场的空闲车位信息进行补全,从而提升了处理结果的准确性,
进而进一步提升了后续的预测结果的准确性;另外,可借助于不同网络模型来获取停车场
的局部空间相关性信息、空闲车位估计信息及时间相关性信息等,从而提升了获取结果的
准确性,进而进一步提升了后续的预测结果的准确性;再有,在对模型进行训练时,可利用
具有实时传感器的停车场的历史空闲车位信息来构建标注数据并进行训练优化等,从而使
得标注数据更为准确,并可对联合目标函数进行训练,进而提升了模型训练效果等。
刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装
置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所
示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述
的和/或者要求的本申请的实现。
装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进
行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的
显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中,若需要,可以将多
个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设
备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理
器系统)。图4中以一个处理器Y01为例。
法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执
行本申请所提供的方法。
Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块,从而执行服务器的各
种功能应用以及数据处理,即实现上述方法实施例中的方法。
据等。此外,存储器Y02可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少
一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器Y02可
选包括相对于处理器Y01远程设置的存储器,这些远程存储器可以通过网络连接至电子设
备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及
其组合。
者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装
置和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器、发光
二极管显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一
个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可
编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,
并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器
指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、
光盘、存储器、可编程逻辑装置),包括,接收作为机器可读信号的机器指令的机器可读介
质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信
号。
盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供
给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是
任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式
(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界
面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部
件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数
字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网、广
域网、区块链网络和互联网。
算机程序来产生客户端和服务器的关系。
要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。