提高实时停车空余泊位统计准确度的停车管理方法及系统

技术领域

本发明属于智慧停车技术领域，具体涉及一种提高实时停车空余泊位统计准确度的停车管理方法及系统。

背景技术

提高停车场实时空余泊位数量信息的准确度，可用于停车场内部更精细的运营管理、发布更准确的泊位信息，便于车主停车决策，以及为城市停车规划和智慧停车系统等提供更精确的数据支撑。

目前大部分停车场通过在出入口检测车辆驶入驶出来统计场内的车辆占用数量，即以某一时间点作为起始点，在原有场内车辆停放数量的基础上，若有车辆驶入则增加相应辆数，若有车辆驶出则减少相应辆数，用总泊位数量减去停放车辆数即可得到实时的空余泊位数量。但是这种方法容易受多种因素影响而产生误差，如停车场岗亭端的人为车辆放行和电脑误操作、停电断网等设备故障期间数据无法统计、车辆检测识别错误产生虚假数据，且部分误差会在系统存留成为累积的异常数据，造成偏差越来越大。例如因多种原因造成的仅有进场记录而缺失了出场记录的车辆数据，在系统里会被一直视为泊位占用状态而成为“僵尸数据”，随着这类数据的累积，系统统计的场内车辆停放数量会偏大，甚至超过停车场的总泊位数，使得计算的空余泊位呈现“负盈余”，即显示剩余泊位数量为负数。

现有停车场会采用以下方法对空余泊位偏差数据进行矫正，包括：1、在场内加装泊位监测硬件：统计精度高，但成本高昂且布设不便，适用性不广。2、组织人力定期排查：可以更新统计数据，清除累积误差，但人力成本大，更新频率不高，不适用于大型停车场。3、优化出入口检测设备和算法精度：能减少部分车辆错误检测数据，但无法消除人工误操作和系统设备故障等产生的累积误差。4、采用机器学习等停车流量预测算法：应对波动性较大数据时准确性不高，且直接使用的历史停车流量数据本身可能累积了误差，进一步降低了预测的准确性。

发明内容

针对现有技术中的缺陷，本发明提供一种提高实时停车空余泊位统计准确度的停车管理方法及系统，提高停车场空余泊位数据统计的准确性。

第一方面，一种提高实时停车空余泊位统计准确度的停车管理方法，包括以下步骤：

获取停车场记录的多天车辆出入数据，对该车辆出入数据进行抽样统计分析，得到各天车辆的停放时长概率分布；

依据该车辆停放时长概率分布对停车场的停放量进行扩样，估算停车场每天的总停放量；

利用层次聚类法分析停车场记录的停放量与估算得到的停放量的偏差，估算停车场中停放量的平均偏移量；

根据停车场的泊位容量对停放量进行约束性修正；

用停车场泊位总量减去约束性修正后得到的停放量，得到实时的空余泊位数量。

优选地，所述获取停车场记录的多天车辆出入数据，对该车辆出入数据进行抽样统计分析，得到各天车辆的停放时长概率分布具体包括：

获取停车场记录的多天车辆出入数据，提取车辆出入数据中车牌号码、驶入时间和驶出时间；

根据同一车牌的驶入时间和驶出时间计算车辆的停放时长；

采用抽样统计法，根据各个车辆的停放时长，计算各天车辆的停放时长概率分布。

优选地，所述采用抽样统计法，根据各个车辆的停放时长，计算各天车辆的停放时长概率分布具体包括：

设置抽样周期，将车辆出入数据按抽样周期划分为多个数据集；

设置停车时长划分区间长度，将全天按照停车时长划分区间长度划分为多个区间；

将各个数据集内车辆的停放时长对应归入不同的区间，统计得到各个数据集内各个停车时长的停放量；

对各个数据集中停车时长的停放量进行归一化处理，得到所述各天车辆的停放时长概率分布。

优选地，所述依据该车辆停放时长概率分布对停车场的停放量进行扩样，估算停车场每天的停放量具体包括：

获取停车场记录的、与抽样周期相同时段的车辆异常出入数据，提取所述车辆异常出入数据中车牌号码和驶入时间；

设定停放时长阈值，剔除驶入时间与当前时间的差值大于停放时长阈值的车辆异常出入数据；

根据车辆停放时长概率分布，对剔除后的车辆异常出入数据进行扩样，得到停车场每天的总停放量。

优选地，所述利用层次聚类法分析停车场记录的停放量与估算得到的停放量的偏差，估算停车场中停放量的平均偏移量具体包括：

计算所述估算得到的停车场每天的总停放量和停车场记录的实际停放量的差值，以得到每天的数据偏差量；

采用HAC层次聚类法对得到的数据偏差量进行聚类和分簇：

根据分簇结果估算当前的平均偏移量：

根据平均偏移量，对实际的停放量进行平移修正。

优选地，所述采用HAC层次聚类法对得到的数据偏差量进行聚类和分簇具体包括：

设定距离阈值；

采用欧几里得距离计算任意两天的数据偏差量的距离；

采用Average-linkage簇平均值作为两组簇之间的距离；

进行迭代计算；所述迭代计算包括将距离小于距离阈值的数据偏差量合并成簇，或者距离小于距离阈值的两个簇进行合并，当两个数据偏差量的最小距离或者是两个簇的最小距离大于距离阈值，迭代结束，输出各个簇的分组。

优选地，所述根据分簇结果估算当前的平均偏移量具体包括：

设置最大簇的组成数量占所有数据偏差量的数量的占比阈值k；

获取最大的簇,计算该簇的占比K；

若K>k，则取最大的簇中数据偏差量的平均值作为所述平均偏移量。

优选地，所述根据平均偏移量，对实际的停放量进行平移修正具体包括：

获取停车场记录的停车流量序列数据，按照预设的时间间隔计算每个时间间隔内停车场记录的停放量，得到停车流量时间序列数据；

将停车流量时间序列数据按平均偏移量进行整体平移。

优选地，所述根据停车场的泊位容量对停放量进行约束性修正具体包括：

获得停车流量时间序列数据中最大停放量和最小停放量；

若最大停放量和最小停放量的差值大于预设的泊位容量时，对停车流量时间序列数据进行比例压缩；

对经过比例压缩后的停车流量时间序列数据进行平移修正，使其同时满足预设的上下限的物理约束。

第二方面，一种提高实时停车空余泊位统计准确度的停车管理系统，包括：

抽样统计分析单元：用于获取停车场记录的多天车辆出入数据，对该车辆出入数据进行抽样统计分析，得到各天车辆的停放时长概率分布；

估算单元：用于依据该车辆停放时长概率分布对停车场的停放量进行扩样，估算停车场每天的总停放量；

聚类单元：用于利用层次聚类法分析停车场记录的停放量与估算得到的停放量的偏差，估算停车场中停放量的平均偏移量；

修正单元：用于根据停车场的泊位容量对停放量进行约束性修正；用停车场泊位总量减去约束性修正后得到的停放量，得到实时的空余泊位数量。

由上述技术方案可知，本发明提供的提高实时停车空余泊位统计准确度的停车管理方法及系统，适用于目前大部分停车场现有的设备条件，可直接部署在停车场原有系统或云端平台，得到准确度高的停车场空余泊位数据，具有建设成本低，系统部署升级简单，受波动性停车流量数据影响小，可以消除系统累积统计误差等优点。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为实施例一提供的提高实时停车空余泊位统计准确度的停车管理方法的流程图。

图2为实施例一提供的整体平移修正的示意图。

图3a为实施例一提供的需要满足的约束性条件示意图。

图3b为实施例一提供的约束性修正的示意图。

图4a为实施例一提供的超出上限进行向下平移修正的示意图。

图4b为实施例一提供的超出下限进行向上平移修正的示意图。

图5为实施例一提供的矫正后的停放量。

图6为实施例二提供的各停放时长的停放量示意图。

图7为实施例二提供的车辆停放时长概率示意图。

图8为实施例二提供的各天各停放时长区间的停放量示意图。

图9为实施例二提供的当天进出场车次数据示意图。

图10为实施例二提供的原始记录车次数据示意图。

图11为实施例二提供的7天的各自偏差量示意图。

图12为实施例二提供的整体平移的示意图。

图13为实施例二提供的约束性修正的示意图。

图14为实施例二提供的进行比例压缩后的示意图。

图15为实施例二提供的上限约束性修正示意图。

图16为实施例二提供的下限约束性修正示意图。

图17为实施例二提供的矫正后的停放量示意图。

图18为实施例三提供的提高实时停车空余泊位统计准确度的停车管理系统的模块框图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。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发明所属领域技术人员所理解的通常意义。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

实施例一：

一种提高实时停车空余泊位统计准确度的停车管理方法，参见图1，包括以下步骤：

S1：获取停车场记录的多天车辆出入数据，对该车辆出入数据进行抽样统计分析，得到各天车辆的停放时长概率分布，具体包括：

S11：获取停车场记录的多天车辆出入数据，提取车辆出入数据中车牌号码、驶入时间和驶出时间；

具体地，获取停车场记录的指定日期前的多天车辆出入数据，车辆出入数据可以由历史订单数据得出，车辆出入数据包括驶入时间和驶出时间。

S12：根据同一车牌的驶入时间和驶出时间计算车辆的停放时长；

具体地，按同一车牌的出入记录，计算各车辆每次在停车场内的停放时长，若同一车牌存在重复进场记录，则将该车牌的车辆出入数据按驶入驶出时间顺序划分成多条子车辆出入数据，分别计算每条子车辆出入数据中车辆的停放时长。

S13：采用抽样统计法，根据各个车辆的停放时长，计算各天车辆的停放时长概率分布，具体包括：

S131：设置抽样周期，将车辆出入数据按抽样周期划分为多个数据集；

具体地，抽样周期如果设置为24小时，则相当于将车辆出入数据按天划分为多个数据集。

S132：设置停车时长划分区间长度，将全天按照停车时长划分区间长度划分为多个区间；

具体地，停车时长划分区间长度如果设置为1小时，则可划分为1h、2h、...、24h、大于24h等多个区间。

S133：将各个数据集内车辆的停放时长对应归入不同的区间，统计得到各个数据集内各个停车时长的停放量；

具体地，选取数据集内有进场或出场记录的数据作为所述车辆出入数据，即抽样数据，避免长期累积异常数据带来的偏差。将各车辆的停放时长归入上述区间内，例如小于1h归入1h区间，1～2h归入2h区间，...，超过24h归入大于24h区间，从而统计数据集内各个停车时长的停放量。

S134：对各个数据集中停车时长的停放量进行归一化处理，得到所述各天车辆的停放时长概率分布。

具体地，停放时长概率分布包括各停放时长车辆数量占数据集中总车辆数量的比例，即得到的各个数据集内各停放时长概率为：

S2：依据该车辆停放时长概率分布对停车场的停放量进行扩样，估算停车场每天的总停放量，具体包括：

S21：获取停车场记录的、与抽样周期相同时段的车辆异常出入数据，提取所述车辆异常出入数据中车牌号码和驶入时间，计算各车辆每次在停车场内的停放时长；

具体地，车辆异常出入数据既包括了有驶入时间和驶出时间的车辆出入数据，还包括了只有驶入时间，没有驶出时间的数据。

S22：设定停放时长阈值，剔除停放时长大于停放时长阈值的车辆异常出入数据；

具体地，停放时长阈值可以设置为24小时，那么就会剔除停放时长超过24小时的数据，从而避免可能存在的长期累积异常数据的影响。而停放时长阈值以内的数据由于记录时期较接近，累积异常数据较少，其可靠性较高。

S23：根据车辆停放时长概率分布，对剔除后的车辆异常出入数据进行扩样，得到停车场每天的总停放量。

具体地，步骤S23依据步骤S1得到的车辆停放时长概率分布，对停放时长阈值内停车场记录的停放量进行扩样，扩样估计的总停放量为：

S3：利用层次聚类法分析停车场记录的停放量与估算得到的停放量的偏差，估算停车场中停放量的平均偏移量，具体包括：

S31：计算所述估算得到的停车场每天的总停放量和停车场记录的实际停放量的差值，以得到每天的数据偏差量；

具体地，步骤S31将步骤S2估算得到的停车场每天的总停放量与停车场原始记录的实际停放量的差值作为每天的数据偏差量，即d

S32：采用HAC层次聚类法(Hierarchical Agglomerative Clustering)对得到的数据偏差量进行聚类和分簇，具体包括：

S321：设定距离阈值；

具体地，距离阈值h作为两个数据偏差量或两个簇相近而合并的条件。

S322：采用欧几里得距离计算任意两天的数据偏差量的距离；

具体地，数据偏差量间的距离

S323：采用Average-linkage簇平均值作为两组簇之间的距离；

具体地，两组簇之间的距离可以表示为

S324：进行迭代计算；所述迭代计算包括将距离小于距离阈值的数据偏差量合并成簇，或者距离小于距离阈值的两个簇进行合并，当两个数据偏差量的最小距离或者是两个簇的最小距离大于距离阈值，迭代结束，输出各个簇的分组。

具体地，步骤S324进行迭代计算，每次迭代遍历计算任意两个数据偏差量的欧氏距离或任意两簇之间的簇平均距离，并对最小的距离进行判断，若dis

S33：根据分簇结果估算当前的平均偏移量，具体包括：

S331：设置最大簇的组成数量占所有数据偏差量的数量的占比阈值k；

S332：获取最大的簇,计算该簇的占比K；

具体地，获取最大的簇[a

S333：若K>k，则取最大的簇中数据偏差量的平均值作为所述平均偏移量。

具体地，若K>k，则取最大的簇的数据偏差量的平均值作为平均偏移量：

S34：根据平均偏移量，对实际的停放量进行平移修正，具体包括：

S341：获取停车场记录的停车流量序列数据，按照预设的时间间隔计算每个时间间隔内停车场记录的停放量，得到停车流量时间序列数据；

具体地，获取停车场记录的停车流量序列数据，按一定时间间隔计算每个时间间隔内停车场记录的停放量，例如取一段24小时时长范围的停放量，以1h分段，则分为24个时刻，计算每个时间间隔内停车场记录的停放量，得到停车流量时间序列数据。

S342：将停车流量时间序列数据按平均修正量进行整体平移。

具体地，将停车流量时间序列数据按平均偏移量进行整体平移，假设原停放量为[X

S4：根据停车场的泊位容量对停放量进行约束性修正，具体包括：

S41：获得停车流量时间序列数据中最大停放量和最小停放量；

具体地，假设泊位容量为A，获取最大停放量H

S42：若最大停放量和最小停放量的差值大于预设的泊位容量时，对停车流量时间序列数据进行比例压缩；

具体地，若H

S43：对经过比例压缩后的停车流量时间序列数据进行平移修正，使其同时满足预设的上下限的物理约束。

具体地，步骤S43对停车流量时间序列数据进行平移修正，使其同时满足上下限的物理约束。即若H

S5：用停车场泊位总量减去修正后得到的实时车辆停放量，得到实时的空余泊位数量。

具体地，经过前面步骤修正的停放量为H

该提高实时停车空余泊位统计准确度的停车管理方法，适用于目前大部分停车场现有的设备条件，可直接部署在停车场原有系统或云端平台，得到准确度高的停车场空余泊位数据，具有建设成本低，系统部署升级简单，受波动性停车流量数据影响小，可以消除系统累积统计误差等优点。

实施例二：

本实施例提供了例子进行说明，本发明的方法包括以下步骤：

1、获取停车场待矫正日期前的7天历史订单数据，提取车牌号码及驶入驶出时间记录；

2、按同一车牌的驶入驶出时间记录，计算各车辆每次在停车场内的停放时长。

3、对上述车辆停放时长进行统计，采用抽样法估算停车场各天的不同停放时长的概率分布：

1)以24h为单位作为抽样的周期时长，以每天0：00-24:00为统计时段，则将历史数据按天划分为7个数据集；

2)以1h为停放时长区间划分长度，划分为1h、2h......24h、大于24h的停放时长区间；

3)将各停放量归入上述区间内，得到数据集中各停放时长的停放量，参见图6和表1所示：

表1：

4)对每天各停放时长对应的停放量进行归一化处理，计算各停放时长车次占抽样时段总停放量的比例，得到停车场各天的车辆停放时长概率，参见图7和表2所示：

表2：

4、选取各天的场内记录的原始停放数据，设24h为停放时长阈值，将阈值内的停放量数据作为较可靠的数据，依据抽样停车时长概率进行扩样，从而估算当天的实际总停放量：

1)取停车场各天原始记录的场内停放数据作为扩样数据，统计各天各停放时长区间的停放量，参见图8和表3所示：

表3：

2)将停放时长在24h以下的数据作为扩样数据，剔除停放时长超过24h的停放数据。

3)依据抽样估算的各天停放时长概率分布，对场内当天原始记录停放时长小于24h的停放量数据进行扩样，参见图9-10和表4-6所示：

表4：

表5：

表6：

5、将7天历史数据各天的抽样法估算停放量与原始记录停放量的差作为各天的数据偏量，得到7天数据的各自偏差量：d

6、采用HAC层次聚类法对7天历史数据的偏差量d

1)设距离阈值h＝10作为两个数值或两个簇相近而合并的阈值条件；

2)采用欧几里得距离计算数值之间的距离。

3)采用Average-linkage簇平均值作为两组簇之间的距离。

4)进行迭代计算，案例中的7个修正值形成两个簇分组：a[86,92,96，97,99,99]、b[125]。

7、依据偏差量的最大簇，估算当前停车流量数据的整体平均偏移量：

1)设置最大簇的组成数量占所有数值数量的占比阈值k＝0.4；

2)取偏差量数据分组中最大簇a[86,92,96，97,99,99],最大簇组成数为6，K＝6/7＝0.86>0.4，满足占比阈值。

3)取最大簇的平均值作为平均修正量。

8、根据平均修正量，对停车流量序列数据进行平移修正。

1)以1h为分段则共分为24个时刻点，统计每个时刻的停车场内记录的车辆停放数量，得到待矫正时刻前24h时长的停车流量的时间序列数据。

2)将时间序列数据按平均修正量进行整体平移，设原数据为[X

9、根据停车泊位总容量的物理限制，对平移修正后的停车流量数据进行约束性修正：

1)案例中停车场总泊位数A＝300个，遍历取得停车流量序列的最大数H

2)进行容量限制约束性修正，若H

3)若HL-HS＞A，则超出泊位总容量限制，对流量曲线进行比例压缩，参见图14和表7。

表7：

4)对流量曲线的进行上下限约束性平移修正，使其同时满足上下限的物理约束。

5)进行上下限约束性修正，即Hi-h2i，参见图15-16和表8-9：

表8：

表9：

10、将停车流量序列最后一个时刻的数据作为待矫正的实时场内停放量数据，案例中停车场的待矫正原始统计实停放量X＝256，经过矫正后的停放量为H＝161，则停车场原始统计实时空余泊位数为w＝A-X＝300-256＝44，矫正后的实时空余泊位数为W＝A-H＝300-161＝139，则将停车场实时空余泊位数由44个矫正为139个，参见图17。

实施例三：

一种提高实时停车空余泊位统计准确度的停车管理系统，参见图18，包括：

抽样统计分析单元：用于获取停车场记录的多天车辆出入数据，对该车辆出入数据进行抽样统计分析，得到各天车辆的停放时长概率分布；

估算单元：用于依据该车辆停放时长概率分布对停车场的停放量进行扩样，估算停车场每天的总停放量；

聚类单元：用于利用层次聚类法分析停车场记录的停放量与估算得到的停放量的偏差，估算停车场中停放量的平均偏移量；

修正单元：用于根据停车场的泊位容量对停放量进行约束性修正；用停车场泊位总量减去约束性修正后得到的停放量，得到实时的空余泊位数量。

该提高实时停车空余泊位统计准确度的停车管理系统，适用于目前大部分停车场现有的设备条件，可直接部署在停车场原有系统或云端平台，得到准确度高的停车场空余泊位数据，具有建设成本低，系统部署升级简单，受波动性停车流量数据影响小，可以消除系统累积统计误差等优点。

本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。