一种基于图神经网络的路边停车可用性预测方法

技术领域

本发明涉及停车预测领域，更确切地说，它涉及一种基于图神经网络的路边停车可用性预测方法。

背景技术

随着我国经济的快速发展，居民物质生活水平日益提高，家庭汽车保有量不断增加。不断增长的汽车数量给城市带来了交通拥堵、停车难的问题。停车难问题降低了城市的运转效能，产生了更多的污染，而且是导致交通拥堵的重要因素。随着城市经济和人口的快速增长，城市的停车难问题将变得愈加严峻。究其原因，可以总结为三个方面：第一，城市机动车数量的快速增长大大超过了城市停车位的建设速度；第二，一些路边停车位信息没有公开，这些停车位无法充分利用；第三，路边停车的管理效能不够高，降低了城市停车位的利用效率。

为了解决这样的问题，很多停车管理和引导系统被开发出来。传统的停车引导系统主要用于大中型停车场内，无法从数据中学习，而且对城市的路边停车位利用率提升也没有帮助。随着大数据技术和人工智能技术的快速发展，智慧城市、城市大脑等新的概念被提出。智慧停车综合管理系统是其中重要一环，该系统基于停车场和路边停车数据，同时结合其他交通数据，运用大数据技术和人工智能技术对城市的停车现状进行科学分析，以做出合理的停车引导决策，构建有序的停车环境，最大程度缓解城市的停车难问题。

对于这些智能停车管理系统，一个核心功能是提前预判各停车区域未来的停车位占用情况，以辅助系统做出合适的停车点推荐和引导，给驾驶员提供有用和即时的停车位信息，帮助改善城市停车位的利用率，加快城市的运转效率，提升城市治理的效果。因此，如何进行准确和快速的路边停车可用性预测是一个值得研究的课题。

申请号为201910934953.8的《停车场停车预测方法和装置》发明公开了一种停车预测方法和装置。其根据停车场周边区域中兴趣点的属性信息以及停车场的地域属性信息，来确定停车场的停车难度，并将停车场的停车难易程度提供给导航终端，从而使得用户通过导航终端即可获知对应停车场的难易程度。该发明的优点是能够对停车场的停车难易程度进行准确预测，提高了停车场的停车难易程度预测的准确性，方便用户根据导航终端提供的停车难易程度进行停车。申请号为202210367921.6的《一种停车预测系统及方法》发明提供了一种停车预测系统及方法，该方法主要是：获取车辆的行驶信息和定位信息，根据车辆的行驶信息和定位信息，基于机器学习训练模型判断车辆是否具有停车意图，在判定车辆有停车意图时，依据车辆的定位信息搜寻周边的可用停车场，向用户发送询问停车的指令，在获取用户的确认回复信息后，显示车辆周边的可用停车场。该方法的优点是，使用机器学习模型判断用户的停车意图，主动获取用户的停车需求，并基于用户的确定需求信息向用户推荐停车场，方便了用户停车。上述两种方法在各自的特定问题上都取得了有效成果，但《停车场停车预测方法和装置》应用于单个停车场，无法同时考虑多个停车场的信息，无法协同多个停车场的停车难易程度做出综合预测。《一种停车预测系统及方法》虽然会推荐多个停车场，但其主要在于提高预测用户停车意图的准确性，而没有提高停车场停车可用性预测的准确性。

发明内容

本发明的目的是克服现有技术中的不足，提出了基于图卷积神经网络(GCN)的停车占有率预测模型——时空残差图卷积神经网络(Residual Spatial-temporal GraphConvolutional Neural Network,RST-GCNN)，该模型以停车事件的时序信息和图空间信息作为输入，使用GCN捕获停车区域间的空间关联信息，同时使用CNN捕获停车数据的长时依赖信息，并通过CNN的并行运算特性提高预测速度。

本发明提供了一种基于图神经网络的路边停车可用性预测方法，包括：

步骤1、构建停车区域图结构数据：从停车点位置信息数据库获取停车点的经纬度坐标，对停车点进行聚合，形成停车区域，以此作为图上的顶点，构建停车区域空间拓扑图；

步骤2，构建停车占有率时序数据：采集停车事件记录，根据停车事件记录计算停车点的占用状态，对停车区域内所有停车点的占用状态进行汇总并求均值，得到特定时刻的停车占有率；

步骤3、构建图卷积模块(GConv)，对停车区域图结构数据进行编码；

步骤4、构建时间卷积模块(TConv)，对停车占有率时序数据进行编码；

步骤5、将图卷积模块(GConv)和时间卷积模块(TConv)进行组合，构建时空残差卷积模块(RSTCB),对停车数据的空间信息和时序信息联合编码；

步骤6、组合多个时空残差卷积模块，构建时空残差图卷积神经网络,捕获停车数据的空间关联信息和长时依赖信息；

步骤7、构建输出层神经网络，基于时空残差图卷积神经网络捕获的时空特征预测未来某一段时间的停车占有率；

步骤8、计算基于图神经网络的停车占有率预测模型的指标结果，对该方法的预测效果做出评估。

作为优选，步骤1包括：

步骤1.1、从传感器记录的停车事件得到停车点id和停车点所属区域；

步骤1.2、根据停车点id从停车点位置信息数据库中获取停车点的经纬度坐标；

步骤1.3、根据停车点所属的区域对所有停车点进行聚合，形成多个停车区域；

步骤1.4、根据停车区域内所有停车点的经纬度坐标计算该区域的中心点坐标；

步骤1.5、根据停车区域的中心点坐标计算区域之间的距离；

步骤1.6、根据距离确定停车区域之间的邻接关系和权重。

作为优选，步骤2包括：

步骤2.1、从停车事件记录得到车辆到达时间和车辆离开时间；

步骤2.2、以固定时间间隔划分一天时间段，每个时间段作为一个时刻，从0开始编号；

步骤2.3、计算车辆到达时间和车辆离开时间所处的时刻；

步骤2.4、对于车辆到达时刻和离开时刻之间的时刻，停车占有状态置为1；

步骤2.5、对每一个停车区域和区域内停车点，重复步骤2.1至步骤2.4；

步骤2.6、对区域内所有停车点的停车占用状态求和并除以停车点总数，得到停车占有率。

作为优选，步骤3中，构建图卷积模块所采用的图卷积计算方法为切比雪夫(Chebyshev)图卷积方法、GCN图卷积方法或图注意力方法。

作为优选，步骤3中，切比雪夫图卷积方法在谱域上进行图卷积运算，其对切比雪夫多项式进行K阶截断，以此作为图卷积核的近似，避免了计算图拉普拉斯的特征值分解，减少了计算开销，同时保证了空间局部性。切比雪夫图卷积的计算公式为：

T

T

…,

其中，I表示单位矩阵，L表示规范化后的图拉普拉斯矩阵,K表示切比雪夫多项式的阶数，

GCN图卷积方法对切比雪夫图卷积方法进行了简化，通过设置近似阶数为1，并将图拉普拉斯矩阵的最大特征值设为2，以及使用重规范化技巧，将图卷积运算变成以下形式：

其中，

图注意力方法直接在空间上聚合邻居节点的信息，邻居节点的注意力系数通过神经网络学习得到：

其中，a表示共享注意力机制，其将两个图节点特征映射成单个标量，W表示共享线性变换的参数；得到注意力系数之后，对邻居节点的特征按照注意力系数加权，得到本节点特征，如以下公式：

其中，N

上述三种图卷积方法都可以作为图卷积模块的图卷积算子，在实际运用时可以根据实际情况进行选择，一般情况下，GCN图卷积方法能取得比较好的结果，图注意力(GAT)方法可以进行并行运算，运算效率很高。

作为优选，步骤4中，通过使用门控线性单元(GLU)作为时间卷积方法构建时间卷积模块，该方法能够有效避免梯度消失问题，捕获更长时的时序依赖信息，同时保持较高的计算速度，计算公式为：

h(X)＝(X*W+b)⊙σ(X*V+c)

其中W和V表示卷积神经网络的权重，b和c表示偏置参数，σ表示sigmoid函数，⊙表示点乘。

作为优选，步骤5中，所述将图卷积模块和时间卷积模块进行组合，包括：将图卷积模块、时间卷积模块和残差连接进行并联，以同时捕获数据的时间序列信息和空间关联信息，而且通过残差连接的方式保留原始信息。这种设计使得在神经网络学习的过程中能够对多种信息进行组合。

作为优选，步骤7中，所述输出层神经网络包括时间卷积模块和全连接层；时间卷积模块在时间维度上进行最后的聚合，全连接层基于提取的时空特征预测未来的停车占有率。

作为优选，步骤8中，所述停车占有率预测模型的指标结果，包括：计算均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)；

均方根误差的计算公式为：

平均绝对误差的计算公式为：

平均绝对百分比误差的计算公式为：

其中，

作为优选，步骤8中，对于平均绝对百分比误差指标，当停车占有率数值在0至0.05之间时，按照原公式得到的指标结果可能非常大，不具有度量意义，此时选择使用掩码MAPE(Masked MAPE,M-MAPE)，其计算公式如下：

本发明的有益效果是：

1.本发明考虑了停车数据的空间信息，通过将空间信息建模成图，使用图卷积神经网络的强大能力学习停车区域间的空间关联，进一步提高了停车占有率预测的准确性。

2.本发明使用卷积神经网络(CNN)提取停车数据的时序依赖信息，在保持较高准确度的同时达到较高的预测速度。

3.本发明提出了RST-GCNN模型，通过构建RSTCB模块同时捕获停车数据的时序依赖和空间关联信息，对后续的时空数据预测模型的设计具有一定启发意义。

附图说明

图1为停车点聚合成的区域分布图；

图2为处理后的邻接矩阵热力图；

图3为多个区域的停车占有率变化图；

图4为RST-GCNN模型图和RSTCB内部结构图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

作为一种实施例，本申请提供了一种基于图神经网络的路边停车可用性预测方法，包括：

步骤1，构建图邻接矩阵。

如图1是对停车点进行区域聚合后的结果。该方法使用凸包算法计算停车区域的边界线，如图中的黑色边线，再根据边界线上的点计算区域的中心点，如图中的星形所示。该算法的具体步骤如下：

其中第6步直线和点的位置关系通过向量外积来判断，当外积小于0时，点在直线的右边，否则在直线的左边。得到区域的中心点坐标后，根据以下公式计算区域之间的距离：

该式为经纬度坐标系下两点的距离公式。其中i，j分别表示两个不同的区域，a表示两个区域的维度之差，b表示两个区域的经度之差，R表示地球半径，这里取值为6378.137，单位为千米(km)。再根据以下公式计算区域之间的邻接关系和权重：

其中σ

步骤2，计算停车占有率。

图3展示了不同区域的停车占有率变化。停车占有率用来统一衡量不同区域的停车位占用状态，其定义如下：

设停车点聚合成N个区域，区域集合记为A＝{a

停车占有率表征了各区域在不同时刻的停车位占用状态，和区域的停车点数量无关，取值范围为0～1，其值越大，区域的停车位占用越多。时刻t对应不同的时间段，比如按照5分钟的间隔将一天划分为288个时刻，以00:00至00:05作为第0时刻，00:05至00:10作为第1时刻，以此类推，23:55至24:00为最后一个时刻。

步骤3，建立时空残差图卷积神经网络模型。

图4展示了RST-GCNN模型。该模型由多个时空残差卷积模块和一个输出层(OutputLayer)组成。

3.1RSTCB模块

该模块由TConv模块和GConv模块构成。输入经过RSTCB模块被分成三路，分别流入TConv模块以提取时间序列信息，流入GConv模块以提取空间信息，以及残差连接保留原始信息。最后三路的输出聚合在一起，再经过ReLU非线性变换得到最终输出。其中TConv模块由1维卷积和GLU模块组成，输入首先经过1维卷积，在时间维度上进行卷积运算以捕获时间序列信息，然后一维卷积的输出被分为两部分P和Q，Q经过非线性函数σ得到控制系数和P相乘，以对输入P中与时间序列动态变化相关的部分进行控制，公式表示如下：

P||Q＝Conv

H＝P⊙σ(Q)

其中||表示串接，这里表示l维卷积的输出被分成两部分，⊙表示点积运算，H为模块的输出结果。

3.2时空残差图卷积神经网络

RST-GCNN模型的输入是历史停车占有率X

其中C

H

其中i表示第i个RSTCB模块，H

经过GConv模块得到图卷积特征：

其中T表示输入H

经过TConv模块后，

当输入的特征维度C

3.3输出层

输出层由一层时间卷积TConv和一层全连接层构成，TConv的卷积核大小设为T

其中H(

其中σ表示sigmoid函数，由于停车占有率的数值范围为0～1，通过sigmoid函数规范全连接层的输出，使得神经网络更容易学习。

该模型使用二元交叉熵损失(BCE)作为损失函数，相比于均方误差损失(MSE)，该损失函数能达到更好的训练效果。其定义如下：

其中o