停车场推荐方法、装置、电子设备及存储介质

技术领域

本申请涉及交通技术领域，具体涉及一种停车场推荐方法及装置、电子设备以及计算机可读存储介质。

背景技术

随着人民生活水平提高，车辆保有率大幅增长，交通拥堵、停车难已成为人们十分关心的问题。及时掌握目的地的停车场信息，对人们的日常驾车出行至关重要。

现有互联网地图服务应用、城市停车应用、互联网停车应用中的停车场推荐功能，主要通过目的地周边停车场的泊位数、停车资费信息、距离信息等诱导车主停车，现有方法往往无法在用户抵达车场时，仍能够确保停车场仍有空闲车位，这样，不仅浪费了用户宝贵的时间，还影响了用户的停车体验。

发明内容

本申请的目的是提供一种停车场推荐方法及装置、一种电子设备以及一种计算机可读存储介质。

本申请第一方面提供一种停车场推荐方法，包括：

获取停车场推荐服务请求，所述停车场推荐服务请求包括当前位置、目的地和当前时间；

从所述目的地周围所有的停车场中确定至少一个目标停车场；

确定车辆到达每个所述目标停车场的预计时刻；

针对每个目标停车场，调用所述预计时刻所属时间周期对应的该目标停车场的预测模型，并利用所述预测模型预测得到该目标停车场在所述预计时刻的空闲车位数量；

根据各个目标停车场的所述空闲车位数量进行停车场推荐。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐方法中，停车场的预测模型的建立过程如下：

获取停车场相关数据，对所述停车场相关数据进行预处理；

针对每个停车场，根据预处理后的停车场相关数据，按照预设时间周期训练得到预测模型，每个预设时间周期对应一个预测模型；

其中，所述预设时间周期分为短周期和长周期，所述短周期对应的预测模型的预测目标为未来1天以内停车场每小时的空闲车位数量，所述长周期对应的预测模型的预测目标为未来7天以内停车场每天的空闲车位数量。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐方法中，所述对所述停车场相关数据进行预处理，包括：

根据所述停车场相关数据，筛选出符合预设评估标准的停车场；

对筛选出的停车场，进行停车场位置修正、停车场类型修正和停车场总车位修正；

对筛选出的停车场中车辆的出场时间进行缺失值填补。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐方法中，所述针对每个停车场，根据预处理后的停车场相关数据，按照预设时间周期训练得到预测模型，包括：

针对每个停车场，将预处理后的停车场相关数据按照预设时间周期分为训练集、检验集和测试集；

针对每个预设时间周期，根据所述训练集训练得到多个机器学习模型；

采用所述检验集检验每个所述机器学习模型在该预测周期预测的平均误差值，将平均误差值最小的模型作为最优模型；

根据所述测试集测试所述最优模型的预测准确率，当所述预测准确率大于一定阈值时，将所述最优模型作为该预设时间周期的预测模型。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐方法中，还包括：

对于每个停车场，定期计算该停车场对应的每个预设时间周期的预测模型的预测准确率；

当预测准确率小于预设阈值时，对该停车场的该预设时间周期的预测模型重新训练，直至预测准确率不小于预设阈值；

预测准确率y的计算公式如下：

y＝1-|a-b|/c；

其中，a表示实际车位占有数，b表示根据预测模型输出的预测空闲车位数量计算得到的预测车位占有数，c表示停车场总车位数。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐方法中，还包括：

在预测各停车场的空闲车位数量时，每个停车场的各个预测模型并行运行。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐方法中，所述从所述目的地周围所有的停车场中确定至少一个目标停车场，包括：

获取所述目的地周围所有的停车场及每个停车场与所述目的地之间的距离；

距离所述目的地在第一预设距离范围内的停车场作为目标停车场；

当第一预设距离范围内不存在停车场时，确定距离所述目的地在第二预设距离范围内的停车场作为目标停车场，第二预设距离大于第一预设距离。

本申请第二方面提供一种停车场推荐装置，包括：

获取模块，用于获取停车场推荐服务请求，所述停车场推荐服务请求包括当前位置、目的地和当前时间；

停车场确定模块，用于从所述目的地周围所有的停车场中确定至少一个目标停车场；

到达时刻确定模块，用于确定车辆到达每个所述目标停车场的预计时刻；

预测模块，用于针对每个目标停车场，调用所述预计时刻所属时间周期对应的该目标停车场的预测模型，并利用所述预测模型预测得到该目标停车场在所述预计时刻的空闲车位数量；

推荐模块，用于根据各个目标停车场的所述空闲车位数量进行停车场推荐。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，还包括：

预测模型建立模块，用于：

获取停车场相关数据，对所述停车场相关数据进行预处理；

针对每个停车场，根据预处理后的停车场相关数据，按照预设时间周期训练得到预测模型，每个预设时间周期对应一个预测模型；

其中，所述预设时间周期分为短周期和长周期，所述短周期对应的预测模型的预测目标为未来1天以内停车场每小时的空闲车位数量，所述长周期对应的预测模型的预测目标为未来7天以内停车场每天的空闲车位数量。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述预测模型建立模块，具体用于：

根据所述停车场相关数据，筛选出符合预设评估标准的停车场；

对筛选出的停车场，进行停车场位置修正、停车场类型修正和停车场总车位修正；

对筛选出的停车场中车辆的出场时间进行缺失值填补。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述预测模型建立模块，具体用于：

针对每个停车场，将预处理后的停车场相关数据按照预设时间周期分为训练集、检验集和测试集；

针对每个预设时间周期，根据所述训练集训练得到多个机器学习模型；

采用所述检验集检验每个所述机器学习模型在该预测周期预测的平均误差值，将平均误差值最小的模型作为最优模型；

根据所述测试集测试所述最优模型的预测准确率，当所述预测准确率大于一定阈值时，将所述最优模型作为该预设时间周期的预测模型。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述预测模块，还用于:

对于每个停车场，定期计算该停车场对应的每个预设时间周期的预测模型的预测准确率；

当预测准确率小于预设阈值时，对该停车场的该预设时间周期的预测模型重新训练，直至预测准确率不小于预设阈值；

预测准确率y的计算公式如下：

y＝1-|a-b|/c；

其中，a表示实际车位占有数，b表示根据预测模型输出的预测空闲车位数量计算得到的预测车位占有数，c表示停车场总车位数。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述预测模块，还用于：

在预测各停车场的空闲车位数量时，每个停车场的各个预测模型并行运行。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述停车场确定模块，具体用于：

确定所述目的地周围所有的停车场及各停车场与目的地之间的距离；

根据每个所述停车场与目的地之间的距离，从目的地周围所有的停车场中确定至少一个目标停车场。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述停车场确定模块，还具体用于：

确定距离目的地在第一预设距离范围内的停车场作为目标停车场；

当第一预设距离范围内不存在停车场时，确定距离目的地在第二预设距离范围内的停车场作为目标停车场，第二预设距离大于第一预设距离。

本申请第三方面提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现本申请第一方面所述的停车场推荐方法。

本申请第四方面提供一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现本申请第一方面所述的停车场推荐方法。

本申请提供的停车场推荐方法、装置、电子设备及存储介质，获取停车场推荐服务请求，从目的地周围所有的停车场中确定至少一个目标停车场；确定车辆到达每个所述目标停车场的预计时刻；针对每个目标停车场，调用所述预计时刻所属时间周期对应的该目标停车场的预测模型，并利用所述预测模型预测得到该目标停车场在所述预计时刻的空闲车位数量；根据各个目标停车场的所述空闲车位数量进行停车场推荐。相较于现有技术，本申请针对每个停车场，可预测短周期和长周期内各时刻点对应的空闲车位数量，每个时间周期对应一个预测模型，预测模型对应的时间粒度更细，提升了预测的精确性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本申请所提供的一种停车场推荐方法的流程图；

图2示出了本申请所提供的一种停车场推荐结果的示意图；

图3示出了本申请所提供的停车场的预测模型的建立过程图；

图4示出了本申请所提供的一种停车场推荐装置的示意图；

图5示出了本申请所提供的一种电子设备的示意图；

图6示出了本申请所提供的一种计算机可读存储介质的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。

另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请实施例提供一种停车场推荐方法及装置、一种电子设备以及计算机可读存储介质，下面结合附图进行说明。

图1示出了本申请实施例提供的一种停车场推荐方法的流程图，如图1所示，具体包括以下步骤S101至S105：

S101、获取停车场推荐服务请求，所述停车场推荐服务请求包括当前位置、目的地和当前时间。

S102、从目的地周围所有的停车场中确定至少一个目标停车场；

实际应用中，目的地周围会有很多停车场，为了方便，通常会选取距离目的地不太远的停车场进行停车，在本申请的一些实施方式中，上述步骤S102可以具体实现为：

确定目的地周围所有的停车场及各停车场与目的地之间的距离；

根据各停车场与目的地之间的距离，从目的地周围所有的停车场中确定至少一个目标停车场。

进一步的，上述根据各停车场与目的地之间的距离，从目的地周围所有的停车场中确定至少一个目标停车场的步骤，具体包括：

确定距离目的地在第一预设距离范围内的停车场作为目标停车场；

当第一预设距离范围内不存在停车场时，确定距离目的地在第二预设距离范围内的停车场作为目标停车场，第二预设距离大于第一预设距离。

例如，第一预设距离设为100米，第二预设距离设为200米，本实施例中，首先选择距离目的地在100米范围内的停车场作为目标停车场，当100米范围内不存在停车场时，选择距离目的地在200米范围内的停车场作为目标停车场。若200米范围内仍不存在停车场，则可以向用户推荐距离目的地更远一些的停车场，即依照距目的地的距离阶梯性遍历，本申请对此不做限定。

本实施例中，根据停车场与目的地距离，阶梯性选择目的地周边的停车场作为目标停车场，目标停车场的选择较为合理，提升了用户体验。

S103、确定车辆到达每个所述目标停车场的预计时刻；

本步骤中，可以采用相关方法预计车辆到达每个目标停车场的时刻，例如根据路况、车辆平均行驶速度等。

S104、针对每个目标停车场，调用所述预计时刻所属时间周期对应的该目标停车场的预测模型，并利用所述预测模型预测得到该目标停车场在所述预计时刻的空闲车位数量；

具体的，针对每个停车场，本申请实施例根据停车场相关的历史数据，预先训练得到了多个时间周期对应的预测模型，时间周期分为短周期和长周期，短周期是指未来1天以内，例如未来第1个小时内、未来第2个小时内～未来第23个小时内。长周期是指未来第1天以上，例如未来第2天内、未来第3天内～未来第7天内。

根据本申请的一些实施方式中，短周期可以以半小时或者是一刻钟为周期，长周期可以以1.5天或者2天为周期，本申请对此不做限定。

本步骤中，确定了车辆到达目标停车场的预设时刻之后，根据预设时刻所属的时间周期确定对应的预测模型，例如，当前时间为9点，车辆从当前位置到达目标停车场的预设时刻为9点38分，确定调用未来1小时内对应的预测模型进行空闲车位数量预测；若车辆从当前位置到达目标停车场的预设时刻为10点38分，确定调用未来第2个小时对应的预测模型进行空闲车位数量预测，以此类推。

应理解，由于车辆到达不同目标停车场的预设时刻不同，因此不同目标停车场对应的预测模型可能为不同时间周期对应的预测模型，不同目标停车场的预测模型均是相互独立的，并行运行，根据到达时刻调用对应时间周期的预测模型，本申请中，对于不同时间周期对应的预测模型分别采用在测试时预测准确率相对较高的模型。例如，对于某个时间周期，可以根据停车场的历史数据，先采用不同的机器学习模型进行训练，再测试各模型的预测准确率，然后筛选其中预测准确率高的作为该时间周期的预测模型。

S105、根据各个目标停车场的所述空闲车位数量进行停车场推荐。

实际应用中，在步骤S105中可将根据每个目标停车场空闲车位的预测数量、预计到达时间等信息对目标停车场进一步分类，将包括分类信息的停车场信息发送至停车场推荐请求方。

具体的分类标签如：距离最近、步行最少、时间最短等，将包括有分类标签信息的停车场信息发送至停车场推荐请求方。

因此，根据本申请的一些实施方式中，不仅基于预测的空闲车位数量，还可以同时基于距离最近、步行最少和时间最短等维度进行停车场推荐，本申请不做限定。图2示出了一种停车场推荐结果的示意图。

本实施例中，推荐的停车场类型更多，在推荐的停车场中增加对应的分类标签，以方便用户选择，可以更好地满足不同用户的需求，提升了用户体验。

在本申请实施例提供的上述停车场推荐方法中，还包括停车场的空闲车位数量预测模型的建立，图3示出了停车场的预测模型的建立过程。

具体的，如图3所示，停车场的预测模型的建立过程如下：

S201、获取停车场相关数据，对所述停车场相关数据进行预处理；

S202、针对每个停车场，根据预处理后的停车场相关数据，按照预设时间周期训练得到预测模型，每个预设时间周期对应一个预测模型；

其中，所述预设时间周期包括至少一个短周期和至少一个长周期，所述短周期对应的预测模型的预测目标为未来1天以内停车场的空闲车位数量，所述长周期对应的预测模型的预测目标为未来1天以上停车场的空闲车位数量，短周期是指未来1天以内，例如未来第1个小时内、未来第2个小时内～未来第23个小时内。长周期是指未来第1天以上，例如未来第2天内、未来第3天内～未来第7天内。上述步骤S201中停车场相关数据包括以下几类数据：

停车场属性，包括停车场空位数、停车场容量、该时间段的平均空位数、是否位于大型商区等。

环境因素，包括天气状况、温度、节假日或是否存在大型活动等。

其它因素(如医院停车场)，包括医院门诊量、住院量等。

上述步骤S201中对停车场相关数据进行预处理，包括：

根据所述停车场相关数据，筛选出符合评估标准的停车场；具体可以根据停车场相关数据的时间跨度、缺失率、延迟情况、数据的稳定性等，筛选出符合评估标准的停车场。

对筛选出的停车场，进行停车场位置修正、停车场类型修正和停车场总车位修正。

对筛选出的停车场中车辆的出场时间进行缺失值填补。具体包括以下两种情况：第一种情况是车辆已出场，此时计算该车辆进场时间段内车辆的平均停车时长作为该车辆的估计停车时长，以此得到车辆的出场时间。第二种情况是车辆未出场，此时填补为当前时间或未来某时间即可。

上述步骤S202中，根据预处理后的停车场相关数据，按照预设时间周期训练得到预测模型，具体包括：

针对每个停车场，将预处理后的停车场相关数据按照预设时间周期分为训练集、检验集和测试集；

针对每个预设时间周期，根据所述训练集训练得到多个机器学习模型；

采用所述检验集检验每个所述机器学习模型在该预测周期预测的平均误差值，将平均误差值最小的模型作为最优模型；

得到最优模型后根据所述测试集测试所述最优模型的预测准确率，当所述预测准确率大于一定阈值时，将所述最优模型作为该预设时间周期的预测模型。

具体的，上述步骤S202中，对每个停车场按照时间段进行模型训练、优化，训练模型又可分为短周期预测模型和长周期预测模型。例如，短周期预测模型包括预测未来第1小时～第23小时的模型，长周期预测模型包括预测未来第1天～第7天的模型。也就是说，每次训练结束时，每个停车场会得到30个预测模型(23个短周期预测模型+7个长周期预测模型)，每个短周期的预测周期是一个小时，每个长周期的预测周期是1天，用以预测未来7天内每个时间点(如每五分钟一个时间点)的空闲车位数。，由此可以根据短周期预测模型预测未来23小时内的各时刻的停车位，根据长周期模型预测未来7天内各时刻的停车位。实际应用中，这30个预测模型在后台持续运行计算输出未来7天的预测数据，确定时间就可以得到相应预测数据。预测模型输出的空闲车位数据是实时滚动变化的。

具体可以采用以下模型训练方法：

对于某个特定的停车场，将该停车场预处理后的停车场相关数据的数据集按照时间先后分为三个部分：训练集、检验集和测试集。

数据集中的每一个样本包括：停车场属性、环境因素和其它因素等。

在训练集里，使用一系列经典机器学习模型(包括随机森林、XGBoost、弹性网络回归、混合线性回归)及深度学习神经网络相关模型(包括模型的集成和叠加使用)，不断调整模型参数及维度，从而训练得到一个稳定高效的预测模型。这个模型可以用来预测未来指定时间的空闲车位数量。

本申请采用自动化挑选每种模型的最优模型，具体的，如图3所示，训练完成后，将各模型应用在检验集上，得出相应的空闲车位数量预测值，总车位数量减去空闲车位数量预测值得到预测车位占有数，并计算该时间段内的平均误差值(总误差和高峰段误差)，误差值＝|实际车位占有数-预测车位占有数|。根据误差值对每个模型进行参数优化，得到优化后的模型，并供后续的预测使用。

利用以上自动化挑选的每种模型的最优模型在测试集上进行预测，得到相应的预测之后，计算预测准确率，筛选其中预测准确率最高的作为该预设时间周期对应的预测模型，预测准确率＝1-|实际车位占有数-预测车位占有数|/停车场容量(即停车场总车位数)，用以评估该模型的应用效果，下表1示出了某停车场各种模型的预测准确率。

表1：某停车场各种模型的预测准确率

预测准确率越接近1，则表示预测值越接近真实值。该指标不仅考虑了误差，还将停车场容量纳入其中，从而标准化了不同大小停车场对误差的影响。

采用本申请的上述模型训练方法，可以得到每个时间周期准确率最高的预测模型，因此相对于现有技术，能够提升预测准确率，进而提高停车场推荐的准确率。

在本申请实施例提供的上述停车场推荐方法中，为了保证空闲车位预测的准确性，还可以利用实际接入的停车动态数据进行实际验证。具体可以设计实现定期回顾预测准确率的机制，定期利用实际数据对已发布预测数据进行跟踪，当预测准确率数据低于某一阈值时，可以及时进行干预，如对该停车场的预测模型重新训练，改进预测效果。因此，根据本申请的一些实施方式中，上述停车场推荐方法中还可以包括以下步骤：

对于每个停车场，定期计算该停车场对应的每个预设时间周期的预测模型的预测准确率；

当预测准确率小于预设阈值时，对该停车场的该预设时间周期的预测模型重新训练，直至预测准确率不小于预设阈值；

预测准确率y的计算公式如下：

y＝1-|a-b|/c；

其中，a表示实际车位占有数，b表示根据预测模型输出的预测空闲车位数量计算得到的预测车位占有数，c表示停车场总车位数。其中，预测车位占有数等于总车位数减去预测空闲车位数量。

为了加快停车场的空闲车位预测的实时性，在本申请实施例提供的上述停车场推荐方法中，还可以包括以下步骤：

在预测各停车场的空闲车位数量时，每个停车场的各个预测模型并行运行。

实际应用中，通常采用交通大数据平台(ODPS)进行空闲车位预测，但基于大数据平台的数据服务环境，实时的数据的查询效率并不高，为加快停车场的车位预测的实时性，可采用以下技术改进：

(1)从ODPS中分离近一个月的停车记录数据至rds(关系型数据库服务)，并对数据表进行优化；由于同时处理的停车场过多，预测服务采用多进程并发的方式来进行数据读取。

其中，ODPS汇聚融合了城市交通多源数据，数据量为千亿级，本申请中的空闲车位预测模型是其模型体系中的一个，ODPS主要用于大体量数据存储，数据分析处理效率不高，rds相对效率更高，可以分离一个月数据到rds，直接用于模型分析预测，以提高处理效率。数据表优化指的是：优化表结构，在新表中删除与预测无关的字段，例如人口编号、车辆类型等；优化数据项，在新表中删除非目标停车场数据以及无效数据，优化目的是减少数据项，提高数据读取效率。

(2)由于同时要处理和计算超过100个停车场的数据，在实际运算过程中尽量减少重复计算和串联运行。在计算车位占有数的过程中，由于车辆进出记录是实时更新的，一周以外的记录不予重复计算，一周以内的记录会持续用来更新车位占有数，以保证计算的准确性。同时多以矩阵形式代替for循环以加速车位计算。在训练模型和预测空闲车位时，不同停车场不同预测周期(例如预测未来1小时和预测未来7天)的模型会并行运行，相同停车场的不同预测模型也是并行运行的。

本实施例提供的停车场推荐方法，获取停车场推荐服务请求，从目的地周围所有的停车场中确定至少一个目标停车场；确定车辆到达每个所述目标停车场的预计时刻；针对每个目标停车场，调用所述预计时刻所属时间周期对应的该目标停车场的预测模型，并利用所述预测模型预测得到该目标停车场在所述预计时刻的空闲车位数量；根据各个目标停车场的所述空闲车位数量进行停车场推荐。相较于现有技术，本申请针对每个停车场，可预测不同长短时间周期对应的空闲车位数量，每个时间周期对应一个预测模型，预测模型对应的时间粒度更细，提升了预测的精确性。在上述的实施例中，提供了一种停车场推荐方法，与之相对应的，本申请还提供一种停车场推荐装置。本申请实施例提供的停车场推荐装置可以实施上述停车场推荐方法，该停车场推荐装置可以通过软件、硬件或软硬结合的方式来实现。例如，该停车场推荐装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。请参考图4，其示出了本申请实施例提供的一种停车场推荐装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

如图4所示，所述停车场推荐装置10，可以包括：

获取模块101，用于获取停车场推荐服务请求，所述停车场推荐服务请求包括当前位置、目的地和当前时间；

停车场确定模块102，用于从目的地周围所有的停车场中确定至少一个目标停车场；

到达时刻确定模块103，用于确定车辆到达每个所述目标停车场的预计时刻；

预测模块104，用于针对每个目标停车场，调用所述预计时刻所属时间周期对应的该目标停车场的预测模型，并利用所述预测模型预测得到该目标停车场在所述预计时刻的空闲车位数量；

推荐模块105，用于根据各个目标停车场的所述空闲车位数量进行停车场推荐。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，还包括：

预测模型建立模块，用于：

获取停车场相关数据，对所述停车场相关数据进行预处理；

针对每个停车场，根据预处理后的停车场相关数据，按照预设时间周期训练得到预测模型，每个预设时间周期对应一个预测模型；

其中，所述预设时间周期分为短周期和长周期，所述短周期对应的预测模型的预测目标为未来1天以内停车场每小时的空闲车位数量，所述长周期对应的预测模型的预测目标为未来7天以内停车场每天的空闲车位数量。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述预测模型建立模块，具体用于：

根据所述停车场相关数据，筛选出符合预设评估标准的停车场；

对筛选出的停车场，进行停车场位置修正、停车场类型修正和停车场总车位修正；

对筛选出的停车场中车辆的出场时间进行缺失值填补。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述预测模型建立模块，具体用于：

针对每个停车场，将预处理后的停车场相关数据按照预设时间周期分为训练集、检验集和测试集；

针对每个预设时间周期，根据所述训练集训练得到多个机器学习模型；

采用所述检验集检验每个所述机器学习模型在该预测周期预测的平均误差值，将平均误差值最小的模型作为最优模型；

根据所述测试集测试所述最优模型的预测准确率，当所述预测准确率大于一定阈值时，将所述最优模型作为该预设时间周期的预测模型。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述预测模块103，还用于：

对于每个停车场，定期计算该停车场对应的每个预设时间周期的预测模型的预测准确率；

当预测准确率小于预设阈值时，对该停车场的该预设时间周期的预测模型重新训练，直至预测准确率不小于预设阈值；

预测准确率y的计算公式如下：

y＝1-|a-b|/c；

其中，a表示实际车位占有数，b表示根据预测模型输出的预测空闲车位数量计算得到的预测车位占有数，c表示停车场总车位数。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述预测模块103，还用于：

在预测各停车场的空闲车位数量时，每个停车场的各个预测模型并行运行。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述停车场确定模块102，具体用于：

确定所述目的地周围所有的停车场及各停车场与目的地之间的距离；

根据每个所述停车场与目的地之间的距离，从目的地周围所有的停车场中确定至少一个目标停车场。

在一种可能的实现方式中，本申请实施例提供的上述停车场推荐装置中，所述停车场确定模块102，还具体用于：

确定距离目的地在第一预设距离范围内的停车场作为目标停车场；

当第一预设距离范围内不存在停车场时，确定距离目的地在第二预设距离范围内的停车场作为目标停车场，第二预设距离大于第一预设距离。

本申请实施例提供的停车场推荐装置，获取停车场推荐服务请求，从目的地周围所有的停车场中确定至少一个目标停车场；确定车辆到达每个所述目标停车场的预计时刻；针对每个目标停车场，调用所述预计时刻所属时间周期对应的该目标停车场的预测模型，并利用所述预测模型预测得到该目标停车场在所述预计时刻的空闲车位数量；根据各个目标停车场的所述空闲车位数量进行停车场推荐。相较于现有技术，本申请针对每个停车场，可预测不同长短时间周期对应的空闲车位数量，每个时间周期对应一个预测模型，预测模型对应的时间粒度更细，提升了预测的精确性。

本申请实施方式还提供一种与前述实施方式所提供的停车场推荐方法对应的电子设备，所述电子设备可以是手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述停车场推荐方法。

请参考图5，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的停车场推荐方法。

其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述停车场推荐方法可以应用于处理器200中，或者由处理器200实现。

处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的停车场推荐方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的停车场推荐方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的停车场推荐方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的停车场推荐方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。