本發(fā)明屬于交通信息系統(tǒng)領(lǐng)域，尤其涉及一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測方法及系統(tǒng)。

背景技術(shù)：

隨著中國城市車輛的激增，停車需求與供給之間存在的不平衡性引發(fā)了多種交通問題。高峰時段停車需求和供給分布不均，使得停車泊位無法被高效利用，進而增加了城市道路的交通壓力。停車誘導(dǎo)信息系統(tǒng)(Parking Guidance Information System)通過采集停車泊位信息，估計及預(yù)測停車空余泊位數(shù)量及位置，向用戶提供實時準(zhǔn)確的信息，協(xié)助用戶規(guī)劃出行路徑，方便停車場管理者有效管理空余泊位。

國內(nèi)外針對停車空余泊位數(shù)預(yù)測的相關(guān)研究主要包括，基于用戶決策模型的預(yù)測方法及基于時間序列的短時預(yù)測方法研究?；谥悄荏w的停車行為模型將停車行為劃分為四個階段：前往目的地、尋找停車位、停車和離開。整個停車過程被編碼在地理信息系統(tǒng)中。用戶停車決策取決于停車空余泊位數(shù)、停車費用和管理力度。然而，停車決策是一個涉及到多因素的復(fù)雜過程，因此若預(yù)測方法考慮因素不全面會得到不理想的預(yù)測結(jié)果。

此外，很多研究基于人工智能方法從時間序列的角度直接預(yù)測停車空余泊位數(shù)。例如利用小波神經(jīng)網(wǎng)絡(luò)方法、最大Lapunov指數(shù)方法、線性回歸、支持向量機、神經(jīng)網(wǎng)絡(luò)及殘存分析等方法預(yù)測停車位占用率。雖然上面提到的方法已在實測中被驗證，但這些經(jīng)驗方法，普適性較差，無法表征停車動態(tài)行為。

技術(shù)實現(xiàn)要素：

為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明的第一目的是提供一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測方法，該方法基于停車到達和離開的產(chǎn)生機理，考慮過去、現(xiàn)在及未來事件對停車空余泊位數(shù)的影響，實時預(yù)測停車空余泊位數(shù)。本發(fā)明具有適用性強及可實現(xiàn)實時預(yù)測的優(yōu)點。

本發(fā)明的一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測方法，包括：

獲取歷史停車信息并對其進行數(shù)據(jù)修復(fù)及平滑處理；所述歷史停車信息包括歷史車輛到達時間、離開時間、驅(qū)動事件發(fā)生時間及歷史停車空余泊位數(shù)；

基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型；

將當(dāng)前時刻點及下一時刻點均輸入至停車空余泊位數(shù)預(yù)測模型，實時輸出停車空余泊位數(shù)預(yù)測值。

進一步的，該方法還包括：基于皮爾森系數(shù)和絕對差值對平滑處理后的歷史停車信息進行相關(guān)性檢驗。

本發(fā)明通過相關(guān)性檢測來判斷平滑處理后的歷史停車信息之間的相關(guān)性，為準(zhǔn)確構(gòu)建停車空余泊位數(shù)預(yù)測模型，提供了數(shù)據(jù)基礎(chǔ)。

進一步的，所述歷史停車信息還包括停車卡號碼、車牌號碼、入口編號、出口編號及所支付停車費。

本發(fā)明的第二目的是提供一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)。

本發(fā)明的基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)，包括：

歷史停車信息獲取模塊，其用于獲取歷史停車信息并對其進行連續(xù)性的修復(fù)及平滑處理；所述歷史停車信息包括歷史車輛到達時間、離開時間、驅(qū)動事件發(fā)生時間及歷史停車空余泊位數(shù)；

停車空余泊位數(shù)預(yù)測模型建立模塊，其用于基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型；

停車空余泊位數(shù)預(yù)測模塊，其用于將當(dāng)前時刻點及下一時刻點均輸入至停車空余泊位數(shù)預(yù)測模型，實時輸出停車空余泊位數(shù)預(yù)測值。

進一步的，該系統(tǒng)還包括：相關(guān)性檢測模塊，其用于對平滑處理后的歷史停車信息基于皮爾森系數(shù)和絕對差值進行相關(guān)性檢驗。

本發(fā)明通過相關(guān)性檢測來判斷平滑處理后的歷史停車信息之間的相關(guān)性，為準(zhǔn)確構(gòu)建停車空余泊位數(shù)預(yù)測模型，提供了數(shù)據(jù)基礎(chǔ)。

進一步的，所述歷史停車信息還包括停車卡號碼、車牌號碼、入口編號、出口編號及所支付停車費。

本發(fā)明的另一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)。

本發(fā)明的另一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)，包括：

歷史停車信息采集裝置，其被配置為：采集歷史停車信息并傳送至泊位數(shù)預(yù)測服務(wù)器；所述歷史停車信息包括歷史車輛到達時間、離開時間、驅(qū)動事件發(fā)生時間及歷史停車空余泊位數(shù)；

所述泊位數(shù)預(yù)測服務(wù)器，其被配置為：

接收歷史停車信息并對其進行連續(xù)性的修復(fù)及平滑處理；基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型；

將當(dāng)前時刻點及下一時刻點均輸入至停車空余泊位數(shù)預(yù)測模型，實時輸出停車空余泊位數(shù)預(yù)測值。

進一步的，所述泊位數(shù)預(yù)測服務(wù)器，還被配置為：

對平滑處理后的歷史停車信息基于皮爾森系數(shù)和絕對差值進行相關(guān)性檢驗。

本發(fā)明通過相關(guān)性檢測來判斷平滑處理后的歷史停車信息之間的相關(guān)性，為準(zhǔn)確構(gòu)建停車空余泊位數(shù)預(yù)測模型，提供了數(shù)據(jù)基礎(chǔ)。

進一步的，所述歷史停車信息還包括停車卡號碼、車牌號碼、入口編號、出口編號及所支付停車費。

進一步的，該系統(tǒng)還包括顯示裝置，其被配置為實時展示泊位數(shù)預(yù)測服務(wù)器輸出的停車空余泊位數(shù)預(yù)測值。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

本發(fā)明基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型；基于停車到達和離開的產(chǎn)生機理，考慮過去、現(xiàn)在及未來事件對停車空余泊位數(shù)的影響，預(yù)測停車空余泊位數(shù)的停車泊位數(shù)實時預(yù)測方法，本發(fā)明具有適用性強、可實現(xiàn)實時預(yù)測等優(yōu)點。

附圖說明

構(gòu)成本申請的一部分的說明書附圖用來提供對本申請的進一步理解，本申請的示意性實施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當(dāng)限定。

圖1是本發(fā)明的一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測方法的流程圖。

圖2是基于事件驅(qū)動的停車到達和離開分布圖。

圖3(a)是航班到達和離開時序統(tǒng)計(2016年4月3日)。

圖3(b)是停車到達和離開時序統(tǒng)計(2016年4月3日)。

圖4是模型校準(zhǔn)后的停車到達與離開分布圖。

圖5(a)是模型預(yù)測效果的停車到達數(shù)。

圖5(b)是模型預(yù)測效果的停車離開數(shù)。

圖6是本發(fā)明的一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。

圖7是本發(fā)明的另一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

應(yīng)該指出，以下詳細說明都是例示性的，旨在對本申請?zhí)峁┻M一步的說明。除非另有指明，本文使用的所有技術(shù)和科學(xué)術(shù)語具有與本申請所屬技術(shù)領(lǐng)域的普通技術(shù)人員通常理解的相同含義。

需要注意的是，這里所使用的術(shù)語僅是為了描述具體實施方式，而非意圖限制根據(jù)本申請的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復(fù)數(shù)形式，此外，還應(yīng)當(dāng)理解的是，當(dāng)在本說明書中使用術(shù)語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

圖1是本發(fā)明的一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測方法的流程圖。

如圖1所示，本發(fā)明的一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測方法，包括：

步驟1：獲取歷史停車信息并對其進行連續(xù)性的修復(fù)及平滑處理；所述歷史停車信息包括歷史車輛到達時間、離開時間、驅(qū)動事件發(fā)生時間及歷史停車空余泊位數(shù)；

在具體實施過程中，歷史停車信息除了上述信息之外，還包括停車卡號碼、車牌號碼、入口編號、出口編號及所支付停車費。

其中，一個停車場配有若干個入口和若干個出口，配置有停車管理系統(tǒng)，停車場出入口均裝有攝像頭、閘機和自動取卡機。攝像頭可自動識別車輛是否出現(xiàn)并自動讀取車牌信息。停車管理系統(tǒng)負責(zé)分發(fā)和收取停車卡，抬起和放下閘機，還可以訪問駕駛員和停車相關(guān)的信息。停車管理系統(tǒng)為現(xiàn)有的系統(tǒng)，此處將不再累述。

步驟2：基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型。

具體地，假設(shè)停車到達概率(X_a)服從正態(tài)分布：

其中，μ_a是停車車輛到達時間分布的期望，可以通過公式得到，t_event表示事件發(fā)生時間，為t_event與μ_a之間的時間差，對于類似的事件，值相同，σ_a是停車到達時間的標(biāo)準(zhǔn)偏差。

同樣的，得到停車離開概率X_d的分布為：

其中，為t_event與μ_d的時間差，σ_d為停車車輛離開時間的標(biāo)準(zhǔn)偏差。

對涉及到的事件進行編號(i＝1,2,3,…,n)。模型計算在每個時間段t(t＝k×T，T為時間步長，k為當(dāng)前計算中的時間點編號)的停車車輛的到達和離開的概率。則事件i產(chǎn)生的停車到達和離開的概率為：

其中，Φ_a和Φ_d為正態(tài)分布的累積分布函數(shù)，如圖2所示。

考慮過去、現(xiàn)在及未來事件對停車空余泊位數(shù)的影響，預(yù)測停車空余泊位數(shù)，得到停車空余泊位數(shù)預(yù)測模型PSA(k+1)：

其中，PSA(k+1)為在時間點k+1時停車空余泊位數(shù)預(yù)測值；PSA(k)為在時間點k時實際采集的停車空余泊位數(shù)；TA_i和TD_i為由事件i引起的停車到達和離開的車輛總數(shù)；x_a為車輛到達時間；x_d為車輛離開時間。

步驟3：將當(dāng)前時刻點及下一時刻點均輸入至停車空余泊位數(shù)預(yù)測模型，實時輸出停車空余泊位數(shù)預(yù)測值。

將預(yù)處理的實時數(shù)據(jù)運用預(yù)測模型，得到每個時間點k的停車空余泊位數(shù)。基于事件時刻表t_eve，該模型計算得出停車到達概率P_a{kT≤x_a＜(k+1)T}及停車離開概率P_d{kT≤x_d＜(k+1)T}。利用實時測量的停車空余泊位數(shù)PSA(k)，通過公式停車空余泊位數(shù)PSA(k+1)。當(dāng)事件時刻表改變時，在下一個預(yù)測點更新事件時刻表t_event。

在另一實施例中，該方法還包括：對平滑處理后的歷史停車信息基于皮爾森系數(shù)和絕對差值進行相關(guān)性檢驗。

其中，X和Y為不同日期的停車數(shù)據(jù)，r(X,Y)表示皮爾森系數(shù)，其越接近1，X與Y正相關(guān)性越強。

其中，m是X與Y的數(shù)據(jù)長度，d(X,Y)表示對差值，其越小，X與Y相關(guān)性越強。

本發(fā)明通過相關(guān)性檢測來判斷平滑處理后的歷史停車信息之間的相關(guān)性，為準(zhǔn)確構(gòu)建停車空余泊位數(shù)預(yù)測模型，提供了數(shù)據(jù)基礎(chǔ)。

在另一實施例中，本發(fā)明還將處理后的數(shù)據(jù)作為預(yù)測的輸入值。然后，利用最小化均方根誤差(RMSE)，參數(shù)向量通過對比實測停車空余泊位數(shù)PSA^m與預(yù)測結(jié)果PSA進行校驗。得到校準(zhǔn)參數(shù)后，利用另一組數(shù)據(jù)驗證模型，當(dāng)模型預(yù)測結(jié)果與實測數(shù)據(jù)誤差較小時，認為預(yù)測模型可靠并有效，可準(zhǔn)確反映停車空余泊位時序變化。

其中，

現(xiàn)以濟南國際機場停車場作為案例，進行實例驗證。

濟南國際機場停車場有2300個停車泊位，配有三個入口和四個出口。配置有停車管理系統(tǒng)，停車場出入口均裝有攝像頭、閘機和自動取卡機。攝像頭可自動識別車輛是否出現(xiàn)并自動讀取車牌信息。停車管理系統(tǒng)負責(zé)分發(fā)和收取停車卡，抬起和放下閘機，還可以訪問駕駛員和停車相關(guān)的信息。停車信息主要包括停車卡號碼、車牌號碼、到達時間、離開時間、入口編號、出口編號及所支付停車費。系統(tǒng)將停車相關(guān)數(shù)據(jù)存儲在SQL數(shù)據(jù)庫中。

提取了該停車場的車輛到達和離開時間的歷史數(shù)據(jù)。此外，與航班相關(guān)數(shù)據(jù)從機場網(wǎng)站獲得。航班相關(guān)信息包含航班號、出發(fā)地和目的地，以及計劃和實際到達或離開時間。圖3(a)為2016年4月3日的航班到達和起飛的數(shù)量，共238個航班，其中包括120個到達航班和118個起飛航班。如圖所示，航班降落和起飛主要集中在7:00到21:00。雖然有些時段每小時航班量是相似的，但是航班到達和離開的比例不同。例如，在19:00和20:00，航班量相同而比例不同。此現(xiàn)象可能會產(chǎn)生不同數(shù)量的停車到達和離開。

圖3(b)展示了每五分鐘停車車輛的到達及離開。如圖所示，停車分布與航班分布相似，但停車到達和離開之間存在時間差。當(dāng)天首班航班早六點起飛，車輛到達數(shù)量從早五點開始增加，離開車輛六點后開始增加。兩條曲線間明顯的時間間隔表明機場停車行為事件驅(qū)動的行為：航班到達或離開首先引起停車車輛到達，隨后實際航班到達或起飛時間附近引發(fā)停車車輛的離開。

對收集數(shù)據(jù)進行預(yù)處理后，得到數(shù)據(jù)樣本的相關(guān)性數(shù)據(jù)，r值均接近1，d值較低，從而驗證了停車分布模式相關(guān)，基于部分數(shù)據(jù)預(yù)測另外的數(shù)據(jù)是合理可靠的。

進一步，進行模型的校準(zhǔn)。模型評估采用2016年4月3日至2016年4月9日停車數(shù)據(jù)，前三天用作模型校準(zhǔn)，其他用于模型驗證。為了優(yōu)化模型參數(shù)向量，應(yīng)用序列二次規(guī)劃法求解目標(biāo)函數(shù)的最小值。圖4為求解最優(yōu)模型參數(shù)后得到的概率分布。假設(shè)某航班早十點降落，另一輛航班下午四點起飛。結(jié)果顯示，接機車輛集中于飛機降落前25分鐘到達機場，隨后集中于航班降落后47分鐘后離開機場。同樣，送機車輛在航班起飛前1.78小時抵達機場較集中，在航班起飛50分鐘后離開機場較集中。此外，停車車輛離開分布相比于停車車輛到達分布更分散。因此，校準(zhǔn)值是合理的，并應(yīng)用于模型驗證。

進一步，利用模型進行停車空余泊位數(shù)的實時預(yù)測并利用實際值來驗證模型有效性。以2016年4月7日預(yù)測為例。圖5(a)及圖5(b)比較了實際與模型預(yù)測的停車到達和離開的曲線，模型預(yù)測匹配結(jié)果較好，峰值相似。該模型可以準(zhǔn)確地預(yù)測停車空余泊位數(shù)，可嵌入停車誘導(dǎo)信息系統(tǒng)，給予用戶行程規(guī)劃建議。

圖6是本發(fā)明的一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。

如圖6所示，本發(fā)明的基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)，包括：

(1)歷史停車信息獲取模塊，其用于獲取歷史停車信息并對其進行連續(xù)性的修復(fù)及平滑處理；所述歷史停車信息包括歷史車輛到達時間、離開時間、驅(qū)動事件發(fā)生時間及歷史停車空余泊位數(shù)；其中，歷史停車信息還包括停車卡號碼、車牌號碼、入口編號、出口編號及所支付停車費。

(2)停車空余泊位數(shù)預(yù)測模型建立模塊，其用于基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型；

(3)停車空余泊位數(shù)預(yù)測模塊，其用于將當(dāng)前時刻點及下一時刻點均輸入至停車空余泊位數(shù)預(yù)測模型，實時輸出停車空余泊位數(shù)預(yù)測值。

在另一實施例中，該系統(tǒng)還包括：相關(guān)性檢測模塊，其用于對平滑處理后的歷史停車信息基于皮爾森系數(shù)和絕對差值進行相關(guān)性檢驗。

本發(fā)明通過相關(guān)性檢測來判斷平滑處理后的歷史停車信息之間的相關(guān)性，為準(zhǔn)確構(gòu)建停車空余泊位數(shù)預(yù)測模型，提供了數(shù)據(jù)基礎(chǔ)。

本發(fā)明基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型；基于停車到達和離開的產(chǎn)生機理，考慮過去、現(xiàn)在及未來事件對停車空余泊位數(shù)的影響，預(yù)測停車空余泊位的停車泊位實時預(yù)測方法，本發(fā)明具有適用性強、可實現(xiàn)實時預(yù)測等優(yōu)點。

圖7是本發(fā)明的另一種基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。

如圖7所示，本發(fā)明的基于事件驅(qū)動的停車空余泊位數(shù)實時預(yù)測系統(tǒng)，包括：

(1)歷史停車信息采集裝置，其被配置為：采集歷史停車信息并傳送至泊位數(shù)預(yù)測服務(wù)器；所述歷史停車信息包括歷史車輛到達時間、離開時間、驅(qū)動事件發(fā)生時間及歷史停車空余泊位數(shù)。

其中，歷史停車信息還包括停車卡號碼、車牌號碼、入口編號、出口編號及所支付停車費。

(2)所述泊位數(shù)預(yù)測服務(wù)器，其被配置為：

接收歷史停車信息并對其進行連續(xù)性的修復(fù)及平滑處理；基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型；

將當(dāng)前時刻點及下一時刻點均輸入至停車空余泊位數(shù)預(yù)測模型，實時輸出停車空余泊位數(shù)預(yù)測值。

在另一實施例中，所述泊位數(shù)預(yù)測服務(wù)器，還被配置為，其用于對平滑處理后的歷史停車信息基于皮爾森系數(shù)和絕對差值進行相關(guān)性檢驗。

本發(fā)明通過相關(guān)性檢測來判斷平滑處理后的歷史停車信息之間的相關(guān)性，為準(zhǔn)確構(gòu)建停車空余泊位數(shù)預(yù)測模型，提供了數(shù)據(jù)基礎(chǔ)。

在另一實施例中，該系統(tǒng)還包括顯示裝置，其被配置為實時展示泊位數(shù)預(yù)測服務(wù)器輸出的停車空余泊位數(shù)預(yù)測值。

本發(fā)明基于驅(qū)動事件發(fā)生時間，根據(jù)歷史停車信息且假設(shè)停車到達概率服從正態(tài)分布，得到當(dāng)前時刻至下一時刻之間的停車車輛的到達概率和離開概率；再根據(jù)當(dāng)前時刻實際采集的停車空余泊位數(shù)與當(dāng)前時刻點至下一時刻點之間的停車到達概率和離開概率之和的差值，得到停車空余泊位數(shù)預(yù)測模型；基于停車到達和離開的產(chǎn)生機理，考慮過去、現(xiàn)在及未來事件對停車空余泊位數(shù)的影響，預(yù)測停車空余泊位的停車泊位實時預(yù)測方法，本發(fā)明具有適用性強、可實現(xiàn)實時預(yù)測等優(yōu)點。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。