本發(fā)明涉及檢測(cè)
技術(shù)領(lǐng)域：
，尤其涉及一種停車場(chǎng)可用車位預(yù)測(cè)方法及系統(tǒng)。
背景技術(shù)：
：停車是當(dāng)前國(guó)內(nèi)城市，特別是大中城市熱點(diǎn)區(qū)域的難題。由于早期規(guī)劃等原因，這些區(qū)域所提供的停車位遠(yuǎn)少于進(jìn)入的車輛，導(dǎo)致車輛在尋找停車位過(guò)程中，花費(fèi)大量時(shí)間，浪費(fèi)不必要的能源，引發(fā)交通擁堵等。由于在短期內(nèi)，增加這些熱點(diǎn)區(qū)域的停車位供應(yīng)比較困難，因此強(qiáng)調(diào)在這些區(qū)域內(nèi)提高停車位利用率就變得很重要，即需要實(shí)時(shí)地將車位信息推送給有需要的車輛，快速幫助車輛停車，這就是我們常說(shuō)的車輛的停車誘導(dǎo)系統(tǒng)。在停車誘導(dǎo)系統(tǒng)中，核心問(wèn)題是如何獲取停車場(chǎng)的實(shí)時(shí)可用車位數(shù)據(jù)，誘導(dǎo)系統(tǒng)將根據(jù)該數(shù)據(jù)向車輛發(fā)布誘導(dǎo)信息。目前獲取停車場(chǎng)實(shí)時(shí)數(shù)據(jù)的方式主要有以下兩種：(1)通過(guò)硬件傳感器方式獲取可用車位數(shù)據(jù)。這種方式的主要手段是在停車場(chǎng)出入口安裝車輛感應(yīng)傳感器，比如地感線圈、地磁傳感器或者攝像頭。這種方式的優(yōu)點(diǎn)是獲取數(shù)據(jù)準(zhǔn)確，缺點(diǎn)是成本很高，短期內(nèi)難以對(duì)城市形成全面的覆蓋，而且當(dāng)前缺乏不同廠家之間互聯(lián)互通的標(biāo)準(zhǔn)，因此該方案在技術(shù)上可行，在實(shí)施上僅適用于較小區(qū)域。如申請(qǐng)?zhí)枮?01310671638.3的專利‘一種城市智能停車系統(tǒng)’公開(kāi)了一種以zigbee網(wǎng)絡(luò)覆蓋城市停車場(chǎng)的技術(shù)方案，需要在每停車場(chǎng)出入口鋪設(shè)zigbee節(jié)點(diǎn)對(duì)車輛出入數(shù)據(jù)監(jiān)測(cè)。又如申請(qǐng)?zhí)枮?01110118098.7的專利‘基于Mesh無(wú)線傳感網(wǎng)絡(luò)的智能停車檢測(cè)裝置’公開(kāi)了一種在每個(gè)車位鋪設(shè)的車輛檢測(cè)傳感器及其組網(wǎng)技術(shù)。(2)通過(guò)歷史數(shù)據(jù)分析預(yù)測(cè)可用車位。該方式主要通過(guò)停車場(chǎng)的歷史停車數(shù)據(jù)進(jìn)行分析，生成數(shù)學(xué)模型，對(duì)停車場(chǎng)未來(lái)一段時(shí)間內(nèi)的停車數(shù)據(jù)進(jìn)行預(yù)測(cè)。這種方式的優(yōu)點(diǎn)是獲取數(shù)據(jù)的成本較低，適用于不同類型的停車場(chǎng)，能夠快速有效的形成城市級(jí)的覆蓋，但缺點(diǎn)在于預(yù)測(cè)的精度不夠準(zhǔn)確，可能生成錯(cuò)誤的誘導(dǎo)信息。如申請(qǐng)?zhí)枮?01210339010.9的專利‘一種停車場(chǎng)有效泊位占有率多步預(yù)測(cè)方法’基于神經(jīng)網(wǎng)絡(luò)和最大李雅普諾夫指數(shù)組合的方法對(duì)停車場(chǎng)歷史數(shù)據(jù)進(jìn)行建模分析并據(jù)此對(duì)未來(lái)多個(gè)時(shí)間區(qū)間內(nèi)的預(yù)測(cè)。在‘城市級(jí)’這個(gè)限定背景下，采用傳感器采集停車場(chǎng)數(shù)據(jù)的方案無(wú)疑將面臨巨大的設(shè)備成本、施工成本和后期維護(hù)成本，推進(jìn)速度也相對(duì)緩慢。相較之下，基于歷史數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)能在犧牲部分精準(zhǔn)度的情況下，具有良好覆蓋速度和覆蓋范圍，使得城市級(jí)的誘導(dǎo)在短期內(nèi)成為現(xiàn)實(shí)。當(dāng)前的歷史數(shù)據(jù)分析技術(shù)比較偏重神經(jīng)網(wǎng)絡(luò)訓(xùn)練，上述的專利‘一種停車場(chǎng)有效泊位占有率多步預(yù)測(cè)方法’需要使用大量的樣本數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練，否則，使用該方法得到的預(yù)測(cè)結(jié)果誤差將非常大。但對(duì)于絕大部分停車場(chǎng)而言，在一開(kāi)始就提供大量的樣本數(shù)據(jù)很不現(xiàn)實(shí)，使得基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法的實(shí)際效果大打折扣，因此在城市級(jí)誘導(dǎo)的早期階段該方法不適宜使用。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述技術(shù)的缺點(diǎn)，本發(fā)明提出一種基于稀疏樣本的停車場(chǎng)可用車位預(yù)測(cè)方法及系統(tǒng)，在停車場(chǎng)只提供較少的停車數(shù)據(jù)支撐下，也能建立置信度較高的數(shù)學(xué)模型，進(jìn)行后續(xù)的預(yù)測(cè)，非常適合在城市級(jí)誘導(dǎo)項(xiàng)目早期使用，取得比較令人滿意的預(yù)測(cè)效果。本發(fā)明實(shí)施例一方面提供了一種停車場(chǎng)可用車位預(yù)測(cè)方法，所述停車場(chǎng)可用車位預(yù)測(cè)方法包括：獲取目標(biāo)停車場(chǎng)在一采樣周期內(nèi)各采樣時(shí)刻的歷史停車數(shù)據(jù)，所述歷史停車數(shù)據(jù)由多個(gè)停車數(shù)據(jù)樣本組成，每個(gè)停車數(shù)據(jù)樣本包括對(duì)應(yīng)的一天內(nèi)各采樣時(shí)刻的車輛停放數(shù)量；計(jì)算所述歷史停車數(shù)據(jù)中任意兩個(gè)停車數(shù)據(jù)樣本之間的相關(guān)系數(shù)；根據(jù)預(yù)設(shè)的相關(guān)性閾值及所述相關(guān)系數(shù)對(duì)所述歷史停車數(shù)據(jù)進(jìn)行分類，得到至少一個(gè)停車數(shù)據(jù)樣本子集；對(duì)各停車數(shù)據(jù)樣本子集進(jìn)行平滑處理，分別得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量；根據(jù)所述車輛平均停放數(shù)量及歷史停車數(shù)據(jù)的采集時(shí)刻信息，分別建立各停車數(shù)據(jù)樣本子集中所有相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型，組成各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型；根據(jù)各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型，估算目標(biāo)停車場(chǎng)在待預(yù)測(cè)時(shí)刻的可用車位。在一實(shí)施例中，計(jì)算所述歷史停車數(shù)據(jù)中任意兩個(gè)停車數(shù)據(jù)樣本之間的相關(guān)系數(shù)，包括：采用皮爾遜相關(guān)系數(shù)法計(jì)算所述歷史停車數(shù)據(jù)中任意兩個(gè)不同的停車數(shù)據(jù)樣本的相關(guān)系數(shù)：其中，為Xi和Xj的相關(guān)系數(shù)，Cov(Xi,Xj)為Xi和Xj的協(xié)方差，為Xi的標(biāo)準(zhǔn)差，為Xj的標(biāo)準(zhǔn)差。在一實(shí)施例中，根據(jù)預(yù)設(shè)的相關(guān)性閾值及所述相關(guān)系數(shù)對(duì)所述歷史停車數(shù)據(jù)進(jìn)行分類，包括：判斷各個(gè)所述相關(guān)系數(shù)是否大于預(yù)設(shè)的相關(guān)性閾值；如果所述相關(guān)系數(shù)大于所述相關(guān)性閾值，則判定所述相關(guān)系數(shù)對(duì)應(yīng)的兩個(gè)停車數(shù)據(jù)樣本具有強(qiáng)相關(guān)性，將具有強(qiáng)相關(guān)性的停車數(shù)據(jù)樣本劃分為一類。在一實(shí)施例中，對(duì)各停車數(shù)據(jù)樣本子集進(jìn)行平滑處理，分別得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量，包括：分別計(jì)算各停車數(shù)據(jù)樣本子集中不同停車數(shù)據(jù)樣本在各采樣時(shí)刻的停車數(shù)據(jù)的樣本均值；根據(jù)所述樣本均值，利用肖維勒法分別剔除各停車數(shù)據(jù)樣本子集內(nèi)停車數(shù)據(jù)樣本中存在的異常數(shù)據(jù)；分別利用各停車數(shù)據(jù)樣本子集在對(duì)應(yīng)采樣時(shí)刻的樣本均值填充剔除異常數(shù)據(jù)后留下的空位，得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量。在一實(shí)施例中，所述相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型為：其中，Δt表示時(shí)間增量，0≤Δt≤ti+1-ti，{N(t)，t＞0}為一計(jì)數(shù)過(guò)程，k表示在Δt內(nèi)所觀察到的車輛停放數(shù)量，且滿足N(0)＝0，0≤N(Δt)≤N(ti+1)-N(ti)，λi為目標(biāo)停車場(chǎng)在[ti，ti+1]對(duì)應(yīng)平穩(wěn)泊松過(guò)程內(nèi)的車輛平均到達(dá)率。在一實(shí)施例中，在建立各停車數(shù)據(jù)樣本子集中所有相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型后，所述停車場(chǎng)可用車位預(yù)測(cè)方法還包括：計(jì)算各平穩(wěn)泊松過(guò)程模型對(duì)應(yīng)的平穩(wěn)泊松過(guò)程的車輛平均到達(dá)率；利用小樣本法對(duì)各車輛平均到達(dá)率進(jìn)行區(qū)間估計(jì)，得到各平穩(wěn)泊松過(guò)程的置信度為95％的車輛平均到達(dá)率的置信區(qū)間[λiL,λiU]。在一實(shí)施例中，所述根據(jù)各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型，估算目標(biāo)停車場(chǎng)在所述待預(yù)測(cè)時(shí)刻的可用車位，包括：獲取所述待預(yù)測(cè)時(shí)刻所屬的兩相鄰采樣點(diǎn)對(duì)應(yīng)的時(shí)間區(qū)間[ti，ti+1]；根據(jù)所述待預(yù)測(cè)時(shí)刻所屬的時(shí)間區(qū)間[ti，ti+1]，判定所述待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的平穩(wěn)泊松過(guò)程模型，并獲取所述平穩(wěn)泊松過(guò)程模型對(duì)應(yīng)的平穩(wěn)泊松過(guò)程的車輛平均到達(dá)率；根據(jù)獲取的車輛平均到達(dá)率及所述待預(yù)測(cè)時(shí)刻，計(jì)算待預(yù)測(cè)時(shí)刻當(dāng)天0點(diǎn)至所述待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型的數(shù)學(xué)期望：根據(jù)所述數(shù)學(xué)期望及所述置信區(qū)間[λiL,λiU]，計(jì)算目標(biāo)停車場(chǎng)在所述待預(yù)測(cè)時(shí)刻的車輛停放數(shù)量所在的區(qū)間[E(N(t))+λiLΔt,E(N(t))+λiUΔt]；根據(jù)目標(biāo)停車場(chǎng)的停車位總數(shù)及所述待預(yù)測(cè)時(shí)刻的車輛停放數(shù)量所在區(qū)間，估計(jì)目標(biāo)停車場(chǎng)在所述待預(yù)測(cè)時(shí)刻的可用車位；其中，s表示時(shí)間，t為待預(yù)測(cè)時(shí)刻，E為數(shù)學(xué)期望，m(t)為非平穩(wěn)泊松過(guò)程的過(guò)程強(qiáng)度函數(shù)。在一實(shí)施例中，在計(jì)算預(yù)測(cè)時(shí)刻當(dāng)天0點(diǎn)至所述待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型的數(shù)學(xué)期望時(shí)，將所述非平穩(wěn)泊松過(guò)程展開(kāi)，所述的數(shù)學(xué)期望按照下式計(jì)算：其中，Q＝ti+1-ti，Δt表示時(shí)間增量。在一實(shí)施例中，所述采樣周期至少包括連續(xù)的一周。在一實(shí)施例中，當(dāng)所述待預(yù)測(cè)時(shí)刻處于停車高峰期時(shí)，λi的取值需取所述置信區(qū)間[λiL,λiU]的上限。在一實(shí)施例中，所述相關(guān)性閾值大于0.9。本發(fā)明實(shí)施例另一方面還提供了一種停車場(chǎng)可用車位預(yù)測(cè)系統(tǒng)，所述停車場(chǎng)可用車位預(yù)測(cè)系統(tǒng)包括：歷史停車數(shù)據(jù)獲取單元，用于獲取目標(biāo)停車場(chǎng)在一采樣周期內(nèi)各采樣時(shí)刻的歷史停車數(shù)據(jù)，所述歷史停車數(shù)據(jù)由多個(gè)停車數(shù)據(jù)樣本組成，每個(gè)停車數(shù)據(jù)樣本包括對(duì)應(yīng)的一天內(nèi)各采樣時(shí)刻的車輛停放數(shù)量；相關(guān)系數(shù)獲取單元，用于計(jì)算所述歷史停車數(shù)據(jù)中任意兩個(gè)停車數(shù)據(jù)樣本之間的相關(guān)系數(shù)；樣本子集生成單元，用于根據(jù)預(yù)設(shè)的相關(guān)性閾值及所述相關(guān)系數(shù)對(duì)所述歷史停車數(shù)據(jù)進(jìn)行分類，得到至少一個(gè)停車數(shù)據(jù)樣本子集；平滑處理單元，用于對(duì)各停車數(shù)據(jù)樣本子集進(jìn)行平滑處理，分別得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量；泊松過(guò)程模型建立單元，用于根據(jù)所述車輛平均停放數(shù)量及歷史停車數(shù)據(jù)的采集時(shí)刻信息，分別建立各停車數(shù)據(jù)樣本子集中所有相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型，組成各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型；可用車位獲取單元，用于根據(jù)各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型，估算目標(biāo)停車場(chǎng)在待預(yù)測(cè)時(shí)刻的可用車位。在一實(shí)施例中，所述相關(guān)系數(shù)獲取單元包括一相關(guān)系數(shù)計(jì)算模塊，用于采用皮爾遜相關(guān)系數(shù)法計(jì)算所述歷史停車數(shù)據(jù)中任意兩個(gè)不同的停車數(shù)據(jù)樣本的相關(guān)系數(shù)：其中，為Xi和Xj的相關(guān)系數(shù)，Cov(Xi,Xj)為Xi和Xj的協(xié)方差，為Xi的標(biāo)準(zhǔn)差，為Xj的標(biāo)準(zhǔn)差。在一實(shí)施例中，所述樣本子集生成單元包括：判斷模塊，用于判斷各個(gè)所述相關(guān)系數(shù)是否大于預(yù)設(shè)的相關(guān)性閾值；分類模塊，用于當(dāng)所述相關(guān)系數(shù)大于所述相關(guān)性閾值時(shí)，將所述相關(guān)系數(shù)對(duì)應(yīng)的兩個(gè)停車數(shù)據(jù)樣本劃分為一類。在一實(shí)施例中，所述平滑處理單元包括：樣本均值計(jì)算模塊，用于分別計(jì)算各停車數(shù)據(jù)樣本子集中不同停車數(shù)據(jù)樣本在各采樣時(shí)刻的停車數(shù)據(jù)的樣本均值；異常數(shù)據(jù)剔除模塊，用于根據(jù)所述樣本均值，利用肖維勒法分別剔除各停車數(shù)據(jù)樣本子集內(nèi)停車數(shù)據(jù)樣本中存在的異常數(shù)據(jù)；數(shù)據(jù)填充模塊，用于分別利用各停車數(shù)據(jù)樣本子集在對(duì)應(yīng)采樣時(shí)刻的樣本均值填充剔除異常數(shù)據(jù)后留下的空位，得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量。在一實(shí)施例中，所述相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型為：其中，Δt表示時(shí)間增量，0≤Δt≤ti+1-ti，{N(t)，t＞0}為一計(jì)數(shù)過(guò)程，k表示在Δt內(nèi)所觀察到的車輛停放數(shù)量，且滿足N(0)＝0，0≤N(Δt)≤N(ti+1)-N(ti)，λi為目標(biāo)停車場(chǎng)在[ti，ti+1]對(duì)應(yīng)平穩(wěn)泊松過(guò)程內(nèi)的車輛平均到達(dá)率。在一實(shí)施例中，所述泊松過(guò)程模型建立單元包括：平均到達(dá)率計(jì)算模塊，用于計(jì)算各平穩(wěn)泊松過(guò)程模型對(duì)應(yīng)的平穩(wěn)泊松過(guò)程的車輛平均到達(dá)率；置信區(qū)間計(jì)算模塊，用于利用小樣本法對(duì)各車輛平均到達(dá)率進(jìn)行區(qū)間估計(jì)，得到各平穩(wěn)泊松過(guò)程的置信度為95％的車輛平均到達(dá)率的置信區(qū)間[λiL,λiU]。在一實(shí)施例中，所述可用車位獲取單元包括：時(shí)間段確認(rèn)模塊，用于獲取所述待預(yù)測(cè)時(shí)刻所屬的兩相鄰采樣點(diǎn)對(duì)應(yīng)的時(shí)間區(qū)間[ti，ti+1]；模型獲取模塊，用于根據(jù)所述待預(yù)測(cè)時(shí)刻所屬的時(shí)間區(qū)間[ti，ti+1]，判定所述待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的平穩(wěn)泊松過(guò)程模型，并獲取所述平穩(wěn)泊松過(guò)程模型對(duì)應(yīng)的平穩(wěn)泊松過(guò)程的車輛平均到達(dá)率；數(shù)學(xué)期望獲取模塊，用于根據(jù)獲取的車輛平均到達(dá)率及所述待預(yù)測(cè)時(shí)刻，計(jì)算待預(yù)測(cè)時(shí)刻當(dāng)天0點(diǎn)至所述待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型的數(shù)學(xué)期望：車輛數(shù)量計(jì)算模塊，用于根據(jù)所述數(shù)學(xué)期望及所述置信區(qū)間[λiL,λiU]，計(jì)算目標(biāo)停車場(chǎng)在所述待預(yù)測(cè)時(shí)刻的車輛停放數(shù)量所在的區(qū)間[E(N(t))+λiLΔt,E(N(t))+λiUΔt]；可用車位計(jì)算模塊，用于根據(jù)目標(biāo)停車場(chǎng)的停車位總數(shù)及所述待預(yù)測(cè)時(shí)刻的車輛停放數(shù)量所在區(qū)間，估計(jì)目標(biāo)停車場(chǎng)在所述待預(yù)測(cè)時(shí)刻的可用車位；其中，s表示時(shí)間，t為待預(yù)測(cè)時(shí)刻，E為數(shù)學(xué)期望，m(t)為非平穩(wěn)泊松過(guò)程的過(guò)程強(qiáng)度函數(shù)。在一實(shí)施例中，所述的數(shù)學(xué)期望按照下式計(jì)算：其中，Q＝ti+1-ti，Δt表示時(shí)間增量。在一實(shí)施例中，所述采樣周期至少包括連續(xù)的一周。在一實(shí)施例中，當(dāng)所述待預(yù)測(cè)時(shí)刻處于停車高峰期時(shí)，λi的取值需取所述置信區(qū)間[λiL,λiU]的上限。在一實(shí)施例中，所述相關(guān)性閾值大于0.9。本發(fā)明實(shí)施例的有益效果在于：在建立停放車輛特征模型和短時(shí)預(yù)測(cè)所需的樣本數(shù)量很少，利用本發(fā)明實(shí)施例建立的預(yù)測(cè)模型預(yù)測(cè)精度較高。對(duì)于建立城市級(jí)的誘導(dǎo)系統(tǒng)而言，在初始階段大量鋪設(shè)傳感器獲取所有停車場(chǎng)數(shù)據(jù)的成本是一個(gè)天文數(shù)字；獲取所有停車場(chǎng)大量的歷史數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在初始階段所花費(fèi)的成本也難以接受，因此至今未有成熟的城市級(jí)誘導(dǎo)系統(tǒng)建成投入使用。而本發(fā)明基于停車行為是一種泊松過(guò)程的前提下，可以通過(guò)很少的樣本數(shù)量對(duì)其過(guò)程參數(shù)進(jìn)行估計(jì)，能夠在成本極低的情況下，實(shí)現(xiàn)可靠度較高的預(yù)測(cè)。本發(fā)明所提出的方法在城市級(jí)誘導(dǎo)早期階段，具有非常大的成本和區(qū)域覆蓋優(yōu)勢(shì)。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實(shí)施例停車場(chǎng)可用車位預(yù)測(cè)方法的流程示意圖；圖2為本發(fā)明實(shí)施例對(duì)停車數(shù)據(jù)樣本子集進(jìn)行平滑處理的流程示意圖；圖3為本發(fā)明實(shí)施例根據(jù)平滑處理后的停車數(shù)據(jù)繪制的停車據(jù)數(shù)據(jù)曲線；圖4為本發(fā)明實(shí)施例估算車輛停放數(shù)量的流程示意圖；圖5為本發(fā)明實(shí)施例停車場(chǎng)可用車位預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)示意圖；圖6為本發(fā)明實(shí)施例樣本子集生成單元3的結(jié)構(gòu)示意圖；圖7為本發(fā)明實(shí)施例平滑處理單元4的結(jié)構(gòu)示意圖；圖8為本發(fā)明實(shí)施例泊松過(guò)程模型建立單元5的結(jié)構(gòu)示意圖；圖9為本發(fā)明實(shí)施例可用車位獲取單元6的結(jié)構(gòu)示意圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。停車行為本質(zhì)是一種社會(huì)活動(dòng)，受人們的工作和生活的影響很大，車主在長(zhǎng)期的開(kāi)車過(guò)程中，通過(guò)實(shí)踐累積的停車經(jīng)驗(yàn)，也能幫助車主在主觀上形成對(duì)特定場(chǎng)所在特定時(shí)間內(nèi)的停車難易程度的感性預(yù)判，這表明停車行為具有一定的規(guī)律可言，可以基于這種規(guī)律進(jìn)行深入分析，提高預(yù)測(cè)水平，降低預(yù)測(cè)成本。據(jù)此，本發(fā)明在歷史停車樣本數(shù)量較少的情況下，基于非平穩(wěn)泊松過(guò)程對(duì)停車行為進(jìn)行建模，并對(duì)模型中的關(guān)鍵參數(shù)做區(qū)間估計(jì)，以此實(shí)現(xiàn)了對(duì)未來(lái)指定時(shí)刻的車輛停放數(shù)據(jù)的預(yù)測(cè)。如圖1所示，本發(fā)明實(shí)施例提供了一種停車場(chǎng)可用車位預(yù)測(cè)方法，主要包括以下步驟：步驟S11、獲取目標(biāo)停車場(chǎng)在一采樣周期內(nèi)各采樣時(shí)刻的歷史停車數(shù)據(jù)，該歷史停車數(shù)據(jù)由多個(gè)停車數(shù)據(jù)樣本組成，每個(gè)停車數(shù)據(jù)樣本包括對(duì)應(yīng)的一天內(nèi)各采樣時(shí)刻的車輛停放數(shù)量。步驟S12、計(jì)算上述歷史停車數(shù)據(jù)中任意兩個(gè)停車數(shù)據(jù)樣本之間的相關(guān)系數(shù)。步驟S13、根據(jù)預(yù)設(shè)的相關(guān)性閾值及所述相關(guān)系數(shù)對(duì)所述歷史停車數(shù)據(jù)進(jìn)行分類，得到至少一個(gè)停車數(shù)據(jù)樣本子集。對(duì)歷史停車數(shù)據(jù)進(jìn)行相關(guān)系數(shù)的計(jì)算，得到相關(guān)系數(shù)矩陣，將矩陣中相關(guān)度高的數(shù)據(jù)進(jìn)行歸類處理，形成具有不同停車特征的類別。步驟S14、對(duì)各停車數(shù)據(jù)樣本子集進(jìn)行平滑處理，分別得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量。步驟S15、根據(jù)歷史停車數(shù)據(jù)的采集時(shí)刻信息及步驟S14中得到的車輛平均停放數(shù)量，分別建立各停車數(shù)據(jù)樣本子集中所有相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型，組成各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型。步驟S16、根據(jù)各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型，估算目標(biāo)停車場(chǎng)在待預(yù)測(cè)時(shí)刻的可用車位。本發(fā)明實(shí)施例在建立停放車輛特征模型和短時(shí)預(yù)測(cè)所需的樣本數(shù)量很少，可以通過(guò)很少的樣本數(shù)量對(duì)其過(guò)程參數(shù)進(jìn)行估計(jì)，能夠在成本極低的情況下，實(shí)現(xiàn)可靠度較高的預(yù)測(cè)。本發(fā)明所提出的方法在城市級(jí)誘導(dǎo)早期階段，具有非常大的成本和區(qū)域覆蓋優(yōu)勢(shì)。一般地，可以通過(guò)調(diào)研、問(wèn)詢或者從停車場(chǎng)管理系統(tǒng)中調(diào)取的方式獲取到停車場(chǎng)的在某一采樣周期內(nèi)的歷史停車數(shù)據(jù)。記X為停車場(chǎng)歷史停車數(shù)據(jù)樣本的樣本總體，其中，X＝{X1，X2，…，Xi，…，Xm}，m為采樣周期所包含的連續(xù)采樣的天數(shù)，Xi為目標(biāo)停車場(chǎng)在采樣周期內(nèi)第i天的停車數(shù)據(jù)樣本，Xi是一個(gè)多維變量，Xi＝{xi,0，xi,1，…}，Xi中的每一個(gè)分量表示目標(biāo)停車場(chǎng)在第i天中某一采樣時(shí)刻的車輛停放數(shù)量。Xi的維度越大，表示停車數(shù)據(jù)采集次數(shù)越多，越能準(zhǔn)確描述停車場(chǎng)的停車特征，比如常見(jiàn)的做法是每小時(shí)采集一次停車數(shù)據(jù)，則維度為24。在獲取歷史停車數(shù)據(jù)后，計(jì)算這些樣本數(shù)據(jù)兩兩之間的相關(guān)系數(shù)，生成樣本數(shù)據(jù)的相關(guān)系數(shù)矩陣。在相關(guān)系數(shù)矩陣中，高度線性相關(guān)的樣本具有相似的停車特征，可以建立統(tǒng)一模型進(jìn)行描述。在步驟S12中計(jì)算相關(guān)系數(shù)時(shí)，可以采用皮爾遜相關(guān)系數(shù)法，來(lái)計(jì)算歷史停車數(shù)據(jù)中任意兩個(gè)不同的停車數(shù)據(jù)樣本之間的相關(guān)系數(shù)：其中，為Xi和Xj的相關(guān)系數(shù)，Cov(Xi,Xj)為Xi和Xj的協(xié)方差，為Xi的標(biāo)準(zhǔn)差，為Xj的標(biāo)準(zhǔn)差。逐一對(duì)兩兩停車樣本數(shù)據(jù)進(jìn)行計(jì)算，可得X的相關(guān)系數(shù)矩陣：其中，自相關(guān)系數(shù)均為1。在一實(shí)施例中，步驟S13中對(duì)所述歷史停車數(shù)據(jù)進(jìn)行分類時(shí)，通常判斷步驟S12中求得的各個(gè)相關(guān)系數(shù)是否大于預(yù)設(shè)的相關(guān)性閾值，如果某一相關(guān)系數(shù)大于所述相關(guān)性閾值，則判定該相關(guān)系數(shù)對(duì)應(yīng)的兩個(gè)停車數(shù)據(jù)樣本具有強(qiáng)相關(guān)性，將具有強(qiáng)相關(guān)性的停車數(shù)據(jù)樣本劃分為一類。設(shè)相關(guān)性閾值為Th，一般常見(jiàn)取值是Th＞0.90，當(dāng)ρXi,Xj＞Th時(shí)，可以認(rèn)為Xi和Xj具有較強(qiáng)的線性相關(guān)性。從用戶角度看，表現(xiàn)為兩個(gè)樣本具有明顯的停車相似特征，即在某個(gè)時(shí)間段內(nèi)，停車有明顯相似的高峰、平峰、谷底的特征。進(jìn)行分類后，得到至少一個(gè)停車數(shù)據(jù)樣本子集，記為Y，Y∈X，Y＝{Y1，Y2，…}。本發(fā)明實(shí)施例將具有強(qiáng)相關(guān)性的樣本歸為一類，對(duì)于每一類樣本進(jìn)行分別處理和建模，從用戶角度看，實(shí)際上是對(duì)工作日、節(jié)假日等不同時(shí)間內(nèi)的停車特征進(jìn)行了分類處理。在一實(shí)施例中，上述的采樣周期至少包括連續(xù)的一周，即至少包括連續(xù)的七天。例如，當(dāng)采樣周期為七天時(shí)，某一商場(chǎng)的停車場(chǎng)在周五至周日的時(shí)候停車數(shù)量較多，在周一至周四的時(shí)候停車數(shù)量較少，而寫(xiě)字樓停車場(chǎng)的停車情況剛好與商場(chǎng)的停車場(chǎng)的停車情況相反，其在周一至周四的時(shí)候停車數(shù)量較多，在周五至周日的時(shí)候停車數(shù)量較少。如果目標(biāo)停車場(chǎng)在周一至周四的停車數(shù)據(jù)樣本的互相關(guān)系數(shù)都大于相關(guān)閾值Th，且周五至周日停車數(shù)據(jù)樣本的互相關(guān)系數(shù)也大于相關(guān)閾值Th，而周一至周四的停車數(shù)據(jù)樣本與周五至周日的停車數(shù)據(jù)樣本的互相關(guān)系數(shù)小于相關(guān)閾值Th，在利用步驟S12對(duì)歷史停車數(shù)據(jù)進(jìn)行分類后，可將周一至周四的停車數(shù)據(jù)樣本分為一類，得到一停車數(shù)據(jù)樣本子集，將周五至周日的停車數(shù)據(jù)樣本分為一類，得到另一停車數(shù)據(jù)樣本子集。本發(fā)明實(shí)施例僅獲取目標(biāo)停車場(chǎng)在連續(xù)七天內(nèi)的歷史停車數(shù)據(jù)來(lái)進(jìn)行說(shuō)明，這是一種稀疏樣本數(shù)據(jù)。此處采樣周期取七天僅用于對(duì)本發(fā)明進(jìn)行解釋說(shuō)明，并非用于對(duì)本發(fā)明的限制，其可以取超過(guò)七天的任意天數(shù)。此處采樣周期取七天僅用于對(duì)本發(fā)明進(jìn)行解釋說(shuō)明，并非用于對(duì)本發(fā)明的限制，其可以取超過(guò)七天的任意天數(shù)。為了避免某些測(cè)量誤差，需要利用步驟S13剔除停車樣本數(shù)據(jù)子集中存在的某些異常數(shù)據(jù)。由于樣本數(shù)據(jù)較少，通?？梢圆捎眯ぞS勒法則進(jìn)行異常數(shù)據(jù)的判斷，主要流程如圖2所示。步驟S141、分別計(jì)算各停車數(shù)據(jù)樣本子集中不同停車數(shù)據(jù)樣本在各采樣時(shí)刻的停車數(shù)據(jù)的樣本均值。例如，一停車數(shù)據(jù)樣本子集中包括周五至周日的停車數(shù)據(jù)樣本，如果每小時(shí)采集一次停車數(shù)據(jù)，則一天中有24個(gè)采樣時(shí)刻，如果在周五的12點(diǎn)停有100輛車，在周六的12點(diǎn)停有150輛車，在周日的12點(diǎn)停有140輛車，那么停車數(shù)據(jù)樣本子集Y在采樣時(shí)刻12點(diǎn)時(shí)的平均值為(100+150+140)/3＝130，按照該計(jì)算方式計(jì)算其余采樣時(shí)刻的停車數(shù)據(jù)的樣本均值，便可得到停車數(shù)據(jù)樣本子集在一天內(nèi)的各采樣時(shí)刻的停車數(shù)據(jù)樣本均值。同理，可計(jì)算另一停車數(shù)據(jù)樣本在一天內(nèi)的各采樣時(shí)刻的停車數(shù)據(jù)樣本均值。步驟S142、根據(jù)所述樣本均值，利用肖維勒法分別剔除各停車數(shù)據(jù)樣本子集內(nèi)停車數(shù)據(jù)樣本中存在的異常數(shù)據(jù)。對(duì)同一類別中的停車數(shù)據(jù)特征進(jìn)行肖維勒法則的濾波，濾波后可構(gòu)造樣本均值曲線。按照下面公式，將各個(gè)停車數(shù)據(jù)樣本子集中滿足該不等式的Yi作為異常數(shù)據(jù)剔除：其中，是樣本均值，Zc為肖維勒系數(shù)，肖維勒表格如下：nZcnZcnZc31.38112.00252.3341.54122.03302.3951.65132.07402.4961.73142.10502.5871.80152.131002.8081.86162.1591.92182.20101.96202.24肖維勒準(zhǔn)則又稱為等概率原則，以正態(tài)分布為前提，假設(shè)多次重復(fù)測(cè)量所得n(n為Y中的樣本數(shù)量)個(gè)測(cè)量值中，某個(gè)測(cè)量值的殘余誤差的絕對(duì)值大于Zcσ，則剔除此數(shù)據(jù)。Zc是一個(gè)與測(cè)量次數(shù)相關(guān)的系統(tǒng)，可以差別獲取。將異常數(shù)據(jù)剔除后，重新計(jì)算Y的樣本均值，得到j(luò)為樣本的維度，完成數(shù)據(jù)的預(yù)處理。步驟S143、分別利用各停車數(shù)據(jù)樣本子集在對(duì)應(yīng)采樣時(shí)刻的樣本均值填充剔除異常數(shù)據(jù)后留下的空位，得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量。在對(duì)停車數(shù)據(jù)樣本子集進(jìn)行平滑處理后，本發(fā)明實(shí)施例可以根據(jù)平滑處理后的停車數(shù)據(jù)繪制停車據(jù)數(shù)據(jù)曲線。圖3為是一個(gè)經(jīng)過(guò)平滑處理后的典型的辦公場(chǎng)所的停車數(shù)據(jù)曲線，該曲線的采樣頻率是每20分鐘/次。本發(fā)明實(shí)施例通過(guò)非平穩(wěn)泊松過(guò)程模型來(lái)對(duì)其建模。非平穩(wěn)泊松過(guò)程描述了一種增量獨(dú)立性，且增量速率不同的計(jì)數(shù)過(guò)程，同普通泊松過(guò)程相比，能夠較好的描述具有明顯高峰、谷底等特征的公共活動(dòng)。但是由于非平穩(wěn)泊松過(guò)程本質(zhì)上是由增量速率不同的平穩(wěn)泊松過(guò)程構(gòu)成，因此，可將該過(guò)程拆分為多個(gè)具有平穩(wěn)增量的平穩(wěn)泊松過(guò)程來(lái)估計(jì)其參數(shù)。基于樣本均值曲線建立非平穩(wěn)泊松過(guò)程模型，將全天停車的過(guò)程用多階段平穩(wěn)泊松過(guò)程擬合，對(duì)每一個(gè)平穩(wěn)泊松過(guò)程，按小樣本法估算其關(guān)鍵參數(shù)的置信區(qū)間。非平穩(wěn)泊松過(guò)程概率函數(shù)的定義為：其中，Δt表示時(shí)間增量；N(t)為一計(jì)數(shù)過(guò)程，表示該計(jì)數(shù)過(guò)程在t時(shí)刻所得到的測(cè)量值；k表示在Δt內(nèi)觀察到的測(cè)量值增量；定義為非平穩(wěn)泊松過(guò)程的過(guò)程強(qiáng)度函數(shù)；λ為目標(biāo)停車場(chǎng)在非平穩(wěn)泊松過(guò)程內(nèi)的車輛平均到達(dá)率。本發(fā)明實(shí)施例按停車數(shù)據(jù)(剔除異常數(shù)據(jù)并且已經(jīng)經(jīng)過(guò)填空之后的數(shù)據(jù))的采樣次數(shù)對(duì)停車數(shù)據(jù)曲線進(jìn)行劃分，在相鄰的兩個(gè)采樣點(diǎn)時(shí)間間隔[ti,ti+1]內(nèi)，可視為一個(gè)平穩(wěn)泊松過(guò)程，則有：m(ti+Δt)-m(ti)＝λiΔt(0≤Δt≤ti+1-ti)(5)在該時(shí)間段內(nèi)的泊松過(guò)程概率函數(shù)為：其中，k表示在Δt內(nèi)所觀察到的車輛停放數(shù)量，且滿足N(0)＝0，0≤N(Δt)≤N(ti+1)-N(ti)；λi為目標(biāo)停車場(chǎng)在[ti，ti+1]對(duì)應(yīng)的平穩(wěn)泊松過(guò)程內(nèi)的車輛平均到達(dá)率。按照式(6)，可建立各停車數(shù)據(jù)樣本子集中所有相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型，然后計(jì)算各平穩(wěn)泊松過(guò)程模型對(duì)應(yīng)的平穩(wěn)泊松過(guò)程的車輛平均到達(dá)率。由于樣本數(shù)量較少，不能基于中心極限定理應(yīng)用正態(tài)分布做區(qū)間估計(jì)，只能基于小樣本法對(duì)各車輛平均到達(dá)率λi進(jìn)行置信度為95％的區(qū)間估計(jì)，分別得到各平穩(wěn)泊松過(guò)程的置信度為95％的車輛平均到達(dá)率的置信區(qū)間[λiL,λiU]。令M＝N(ti+1)-N(ti)，為時(shí)間段Δt內(nèi)的樣本總計(jì)數(shù)，表示從時(shí)刻t到ti+1內(nèi)停車場(chǎng)的車輛增量，令Q＝ti+1-ti為樣本容量，表示時(shí)間間隔，以分鐘為單位，則M服從以Qλi為參數(shù)的泊松分布：M～P(Qλi)(7)令a＝QλiL，a表示總體參數(shù)Qλi的置信區(qū)間下界；令b＝QλiU，b為Qλi的置信區(qū)間上界，當(dāng)M≥1時(shí)，有以下等式成立：其中，α為置信度參數(shù)，1-α為置信度，當(dāng)α＝0.05,置信度為0.95。β的取值一般按等概率法，一般取為：β＝α/2。將α與β代入式(8)及式(9)中，可解得總體參數(shù)Qλi置信度為95％的估計(jì)區(qū)間：[QλiL,QλiU]。然后再將總體參數(shù)除以樣本容量Q，可得λi的置信度為95％的估計(jì)區(qū)間[λiL,λiU]。在建立各停車數(shù)據(jù)樣本子集中所有相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型后，可以組合成各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型。在利用步驟S16估算目標(biāo)停車場(chǎng)在所述待預(yù)測(cè)時(shí)刻的可用車位時(shí)，可以按照?qǐng)D4所示流程進(jìn)行。步驟S161、確定待預(yù)測(cè)時(shí)刻所屬的兩相鄰采樣點(diǎn)對(duì)應(yīng)的時(shí)間區(qū)間[ti，ti+1]。根據(jù)前述步驟S11～步驟S13對(duì)歷史停車數(shù)據(jù)的特征進(jìn)行的分類，可以得到目標(biāo)停車場(chǎng)當(dāng)天停車數(shù)量的動(dòng)態(tài)特征曲線及其非平穩(wěn)泊松過(guò)程模型。將指定的時(shí)刻(即待預(yù)測(cè)時(shí)刻)按照采樣間隔進(jìn)行分段，獲得指定時(shí)刻t所屬的時(shí)間區(qū)間[ti,ti+1]。步驟S162、根據(jù)待預(yù)測(cè)時(shí)刻所屬的時(shí)間區(qū)間[ti，ti+1]，判定待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的平穩(wěn)泊松過(guò)程模型，并獲取該平穩(wěn)泊松過(guò)程模型對(duì)應(yīng)的平穩(wěn)泊松過(guò)程的車輛平均到達(dá)率。步驟S163、根據(jù)步驟S162確定的車輛平均到達(dá)率的估計(jì)區(qū)間計(jì)算待預(yù)測(cè)時(shí)刻可能的停放車輛數(shù)量。此時(shí)，根據(jù)獲取的車輛平均到達(dá)率及待預(yù)測(cè)時(shí)刻，計(jì)算待預(yù)測(cè)時(shí)刻當(dāng)天0點(diǎn)至該待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型的數(shù)學(xué)期望：其中，s表示時(shí)間，t為待預(yù)測(cè)時(shí)刻，E為數(shù)學(xué)期望，m(t)為非平穩(wěn)泊松過(guò)程的過(guò)程強(qiáng)度函數(shù)。步驟S164、根據(jù)λi的置信區(qū)間[λiL,λiU]及步驟S163得到的數(shù)學(xué)期望，計(jì)算目標(biāo)停車場(chǎng)在待預(yù)測(cè)時(shí)刻的車輛停放數(shù)量所在的區(qū)間[E(N(t))+λiLΔt,E(N(t))+λiUΔt]。步驟S165、根據(jù)目標(biāo)停車場(chǎng)的停車位總數(shù)及該待預(yù)測(cè)時(shí)刻的車輛停放數(shù)量所在區(qū)間，估計(jì)目標(biāo)停車場(chǎng)在待預(yù)測(cè)時(shí)刻的可用車位。在一實(shí)施例中，在計(jì)算預(yù)測(cè)時(shí)刻當(dāng)天0點(diǎn)至上述待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型的數(shù)學(xué)期望時(shí)，將所述非平穩(wěn)泊松過(guò)程展開(kāi)，因此有：其中，Q＝ti+1-ti，Δt表示時(shí)間增量。按照式(11)計(jì)算出的E(N(t))是t時(shí)刻停放數(shù)量的估計(jì)值，加上置信區(qū)間后，最終的估計(jì)區(qū)間為：[E(N(t))+λiLΔt,E(N(t))+λiUΔt]。因此，在t時(shí)刻，停車場(chǎng)停放車輛的數(shù)量有95％的概率在[E(N(t))+λiLΔt,E(N(t))+λiUΔt]之間。對(duì)于停車高峰期，λi的取值需取上述置信區(qū)間[λiL,λiU]的上限，即λi，用以保證在此情況下計(jì)算出的車輛停放數(shù)量具有較高的可靠性，不太可能將接近滿位的停車場(chǎng)計(jì)算成還有空位的停車場(chǎng)，避免誤導(dǎo)用戶。同當(dāng)前的技術(shù)相比，本發(fā)明最為顯著的優(yōu)點(diǎn)是用于建立停放車輛特征模型和短時(shí)預(yù)測(cè)所需的樣本數(shù)量很少。對(duì)于建立城市級(jí)的誘導(dǎo)系統(tǒng)而言，在初始階段大量鋪設(shè)傳感器獲取所有停車場(chǎng)數(shù)據(jù)的成本是一個(gè)天文數(shù)字；獲取所有停車場(chǎng)大量的歷史數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在初始階段所花費(fèi)的成本也難以接受，因此至今未有成熟的城市級(jí)誘導(dǎo)系統(tǒng)建成投入使用。而本發(fā)明基于停車行為是一種泊松過(guò)程的前提下，可以通過(guò)很少的樣本數(shù)量對(duì)其過(guò)程參數(shù)進(jìn)行估計(jì)，能夠在成本極低的情況下，實(shí)現(xiàn)可靠度較高的預(yù)測(cè)。并且，本發(fā)明所提出的方法在城市級(jí)誘導(dǎo)早期階段，具有非常大的成本和區(qū)域覆蓋優(yōu)勢(shì)?；谂c圖1所示的停車場(chǎng)可用車位預(yù)測(cè)方法相同的發(fā)明構(gòu)思，本發(fā)明實(shí)施例還提供了一種停車場(chǎng)可用車位預(yù)測(cè)系統(tǒng)，如下面實(shí)施例所述。由于該系統(tǒng)解決問(wèn)題的原理與圖1中停車場(chǎng)可用車位預(yù)測(cè)方法相似，因襲該系統(tǒng)的實(shí)施可以參見(jiàn)圖1的停車場(chǎng)可用車位預(yù)測(cè)方法的實(shí)施，重復(fù)之處不再贅述。在另一實(shí)施例中，本發(fā)明還提供了一種停車場(chǎng)可用車位預(yù)測(cè)系統(tǒng)，其結(jié)構(gòu)示意圖如圖5所示，該預(yù)測(cè)系統(tǒng)包括：歷史停車數(shù)據(jù)獲取單元1、相關(guān)系數(shù)獲取單元2、樣本子集生成單元3、平滑處理單元4、泊松過(guò)程模型建立單元5及可用車位獲取單元6。其中，歷史停車數(shù)據(jù)獲取單元1用于獲取目標(biāo)停車場(chǎng)在一采樣周期內(nèi)各采樣時(shí)刻的歷史停車數(shù)據(jù)，所述歷史停車數(shù)據(jù)由多個(gè)停車數(shù)據(jù)樣本組成，每個(gè)停車數(shù)據(jù)樣本包括對(duì)應(yīng)的一天內(nèi)各采樣時(shí)刻的車輛停放數(shù)量。相關(guān)系數(shù)獲取單元2用于計(jì)算所述歷史停車數(shù)據(jù)中任意兩個(gè)停車數(shù)據(jù)樣本之間的相關(guān)系數(shù)。樣本子集生成單元3用于根據(jù)預(yù)設(shè)的相關(guān)性閾值及所述相關(guān)系數(shù)對(duì)所述歷史停車數(shù)據(jù)進(jìn)行分類，得到至少一個(gè)停車數(shù)據(jù)樣本子集。平滑處理單元4用于對(duì)各停車數(shù)據(jù)樣本子集進(jìn)行平滑處理，分別得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量。泊松過(guò)程模型建立單元5用于根據(jù)所述車輛平均停放數(shù)量及歷史停車數(shù)據(jù)的采集時(shí)刻信息，分別建立各停車數(shù)據(jù)樣本子集中所有相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型，組成各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型?？捎密囄猾@取單元6用于根據(jù)各停車數(shù)據(jù)樣本子集對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型，估算目標(biāo)停車場(chǎng)在待預(yù)測(cè)時(shí)刻的可用車位。在一實(shí)施例中，相關(guān)系數(shù)獲取單元2中包括一相關(guān)系數(shù)計(jì)算模塊，用于采用皮爾遜相關(guān)系數(shù)法(見(jiàn)式(1))計(jì)算所述歷史停車數(shù)據(jù)中任意兩個(gè)不同的停車數(shù)據(jù)樣本的相關(guān)系數(shù)。如圖6所示，樣本子集生成單元3包括：判斷模塊31及分類模塊32。其中，判斷模塊31用于判斷各個(gè)所述相關(guān)系數(shù)是否大于預(yù)設(shè)的相關(guān)性閾值，分類模塊32用于當(dāng)所述相關(guān)系數(shù)大于所述相關(guān)性閾值時(shí)，將所述相關(guān)系數(shù)對(duì)應(yīng)的兩個(gè)停車數(shù)據(jù)樣本劃分為一類。如圖7所示，平滑處理單元4包括：樣本均值計(jì)算模塊41、異常數(shù)據(jù)剔除模塊42及數(shù)據(jù)填充模塊43。其中，樣本均值計(jì)算模塊41用于分別計(jì)算各停車數(shù)據(jù)樣本子集中不同停車數(shù)據(jù)樣本在各采樣時(shí)刻的停車數(shù)據(jù)的樣本均值。異常數(shù)據(jù)剔除模塊42用于根據(jù)所述樣本均值，利用肖維勒法分別剔除各停車數(shù)據(jù)樣本子集內(nèi)停車數(shù)據(jù)樣本中存在的異常數(shù)據(jù)。數(shù)據(jù)填充模塊42用于分別利用各停車數(shù)據(jù)樣本子集在對(duì)應(yīng)采樣時(shí)刻的樣本均值填充剔除異常數(shù)據(jù)后留下的空位，得到各停車數(shù)據(jù)樣本子集的不同停車數(shù)據(jù)樣本在一天內(nèi)各采樣時(shí)刻的車輛平均停放數(shù)量。上述所用的相鄰采樣點(diǎn)之間的平穩(wěn)泊松過(guò)程模型如式(6)所示。如圖8所示，泊松過(guò)程模型建立單元包括：平均到達(dá)率計(jì)算模塊51和置信區(qū)間計(jì)算模塊52。其中，平均到達(dá)率計(jì)算模塊51用于計(jì)算各平穩(wěn)泊松過(guò)程模型對(duì)應(yīng)的平穩(wěn)泊松過(guò)程的車輛平均到達(dá)率；置信區(qū)間計(jì)算模塊52用于利用小樣本法對(duì)各車輛平均到達(dá)率進(jìn)行區(qū)間估計(jì)，得到各平穩(wěn)泊松過(guò)程的置信度為95％的車輛平均到達(dá)率的置信區(qū)間[λiL,λiU]。如圖9所示，可用車位獲取單元6包括：時(shí)間段確認(rèn)模塊61、模型獲取模塊62、數(shù)學(xué)期望獲取模塊63、車輛數(shù)量計(jì)算模塊64及可用車位計(jì)算模塊65。其中，時(shí)間段確認(rèn)模塊61用于獲取所述待預(yù)測(cè)時(shí)刻所屬的兩相鄰采樣點(diǎn)對(duì)應(yīng)的時(shí)間區(qū)間[ti，ti+1]；模型獲取模塊62用于根據(jù)所述待預(yù)測(cè)時(shí)刻所屬的時(shí)間區(qū)間[ti，ti+1]，判定所述待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的平穩(wěn)泊松過(guò)程模型，并獲取所述平穩(wěn)泊松過(guò)程模型對(duì)應(yīng)的平穩(wěn)泊松過(guò)程的車輛平均到達(dá)率；數(shù)學(xué)期望獲取模塊63用于根據(jù)獲取的車輛平均到達(dá)率及所述待預(yù)測(cè)時(shí)刻，按照式(10)計(jì)算待預(yù)測(cè)時(shí)刻當(dāng)天0點(diǎn)至所述待預(yù)測(cè)時(shí)刻對(duì)應(yīng)的非平穩(wěn)泊松過(guò)程模型的數(shù)學(xué)期望：車輛數(shù)量計(jì)算模塊64用于根據(jù)所述數(shù)學(xué)期望及所述置信區(qū)間[λiL,λiU]，計(jì)算目標(biāo)停車場(chǎng)在所述待預(yù)測(cè)時(shí)刻的車輛停放數(shù)量所在的區(qū)間[E(N(t))+λiLΔt,E(N(t))+λiUΔt]；可用車位計(jì)算模塊65用于根據(jù)目標(biāo)停車場(chǎng)的停車位總數(shù)及所述待預(yù)測(cè)時(shí)刻的車輛停放數(shù)量所在區(qū)間，估計(jì)目標(biāo)停車場(chǎng)在所述待預(yù)測(cè)時(shí)刻的可用車位。在利用式(10)計(jì)算數(shù)學(xué)期望時(shí)，可以將所述非平穩(wěn)泊松過(guò)程展開(kāi)，按照式(11)計(jì)算數(shù)學(xué)期望。本發(fā)明實(shí)施例提供的停車場(chǎng)可用車位預(yù)測(cè)系統(tǒng)所用的采樣周期至少包括連續(xù)的一周。當(dāng)待預(yù)測(cè)時(shí)刻處于停車高峰期時(shí)，λi的取值需取所述置信區(qū)間[λiL,λiU]的上限。本發(fā)明實(shí)施例提供的停車場(chǎng)可用車位預(yù)測(cè)系統(tǒng)中的相關(guān)性閾值通常大于0.9。本發(fā)明最為顯著的優(yōu)點(diǎn)是用于建立停放車輛特征模型和短時(shí)預(yù)測(cè)所需的樣本數(shù)量很少。對(duì)于建立城市級(jí)的誘導(dǎo)系統(tǒng)而言，在初始階段大量鋪設(shè)傳感器獲取所有停車場(chǎng)數(shù)據(jù)的成本是一個(gè)天文數(shù)字；獲取所有停車場(chǎng)大量的歷史數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在初始階段所花費(fèi)的成本也難以接受，因此至今未有成熟的城市級(jí)誘導(dǎo)系統(tǒng)建成投入使用。而本發(fā)明基于停車行為是一種泊松過(guò)程的前提下，可以通過(guò)很少的樣本數(shù)量對(duì)其過(guò)程參數(shù)進(jìn)行估計(jì)，能夠在成本極低的情況下，實(shí)現(xiàn)可靠度較高的預(yù)測(cè)。并且，本發(fā)明所提出的方法在城市級(jí)誘導(dǎo)早期階段，具有非常大的成本和區(qū)域覆蓋優(yōu)勢(shì)。本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來(lái)描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過(guò)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。本發(fā)明中應(yīng)用了具體實(shí)施例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。當(dāng)前第1頁(yè)1 2 3