停车提示设备与方法

技术领域

本发明涉及一种停车场信息获取技术，尤其是涉及对目的地处的可停车状态进行预测的技术。

背景技术

随着社会车辆的增多，对停车需求提出了更高要求，尤其是对于像热门景点这样的目的地的停车是令人头疼的问题，特别是在节假日期间。然而与此同时，也应注意到一些停车场的停车难问题也是动态的，具有时间性或偶然性。因此能提前了解目的地的停车状态对于用户而言是非常有价值的，可以避免因寻找停车位而花费的时间，甚至避免堵车。传统地，用户可以通过地图系统搜索来确定目的地附近的停车场信息，但仅提供停车场的位置信息并不能有效地了解实际停车状态。

发明内容

本发明提出一种可帮助用户及时了解目的地的停车状况的方案，从而为用户出行提供有价值的参考信息。

根据本发明的一个方面，提供一种停车提示方法，包括确定目的地标识；基于所述目的地标识，获取来自至少一个媒体的有关所述目的地的至少一个消息；基于地图数据生成围绕所述目的地的停车场信息；处理所述消息与停车场信息以生成关于该目的地的停车便利性提示。在本发明的一些实施例中，媒体包括一个或多个电子社交媒体和/或电子出版物，并且所述消息包括所述至少一个媒体在一定时间范围内发布的一个或多个消息。此外，在一些实施例中，对某个目的地的停车便利性提示按照日期特征进行分类，例如分为节假日停车便利性提示与平时停车便利性提示，因此所获取的消息包括分别在在一定时间范围内例如1个月内的节假日例如周末发布的消息以及平时发布的消息，并分别基于周末发布的消息或平时发布的消息生成相应的节假日停车便利性提示与平时停车便利性提示。

根据本发明的一个方面，提供一种停车提示设备，包括目的地确认模块，用于确定待评估的目的地标识；消息抓取模块，配置为基于所述目的地标识，获取来自至少一个媒体的有关所述目的地的至少一个消息；停车预测模块，配置为处理所述至少一个消息与围绕所述目的地的停车场信息以以生成关于该目的地的停车便利性提示。

附图说明

图1示意性地示出按照一个示例的停车提示设备的框图；

图2示意性地示出按照一个示例的停车预测模块的框图；

图3A示意性地示出消息的示例；

图3B、3C示意性地示出预测结果的示例；

图4示意性地示出态势感知模块的框图；

图5示意性地示出按照一个示例的停车提示方法的处理流程图；

图6示意性地示出消息处理的流程图。

具体实施方式

下面结合附图对本发明实施例提供的方法和设备进行详细说明。虽然附图中显示了本公开的优选实施方式，然而应该理解，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使本公开更加透彻和完整，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。

根据本发明的停车提示设备和方法可以通过对目的地的停车场和社会消息的学习而实现对目的地停车状况的预测。在本发明的一种实现方式中，可以根据一段时间周期TimeFrame内由一个或多个不同媒体发布的历史消息来判断目的地例如热门景点的停车状况，并通过存储所判断的结果来建立热门景点的停车状况数据库DB。从而在用户将来查询目的地停车状况时直接从数据库中提供预先判断的结果，从而可以快速地为用户提供有价值的停车信息。在本发明的另一种实现方式中，还可以基于用户请求的目的地信息，通过实时地获取最近一段时间周期TimeFrame内由各媒体发布的消息来实时判断目的地的停车状况，从而为用户提供实时停车状况的预测。以下分别描述本发明的示例性的不同实现方式。

【实施方式一】

图1示出了停车状态提示设备100的框图，提示设备100包括目的地确认模块，在本例中实现为图1所示的输入接口200，消息抓取模块300以及停车预测模块400。目的地确认模块用于标识或接收要评估的目的地的标识TID，在本实施方式中，目的地确认模块作为输入接口用于接收用户输入，该输入可以是文字输入或语音输入，以指定用户期望行程的目的地，例如该输入可以是“故宫附近的停车场在哪”，也可以直接输入景点名称或其它可唯一标识目的地的特征的标识TID。在输入了短语文本例如“故宫附近的停车场在哪”的情况下，目的地确认模块200可以从该短语中标识出目的地TID“故宫”。在输入接口200接收语音输入的情况下，可利用输入接口200内部的语音识别模块将用户语音输入转换为文本，并从文本中标识出用户输入的目的地TID。在本发明的一个示例中，提示设备100可以与图1所示的车载地图系统500集成在一起，因此，目的地确认模块/输入接口200可以是地图系统的图形用户界面。作为一个示例，输入接口200可以在用户输入目的地标识过程中提供相应的目的地列表提示，从而方便用户从列表中准确地选择期望的目的地。

在从输入接口200接收到目的地标识TID后，消息抓取模块300通过车辆上的网络接口600从网络资源抓取一个或多个媒体上发布的有关该目的地的至少一个消息MSG，从而形成消息集{MSG

在收到用户输入的目的地标识TID后，停车预测模块400从地图系统500获取围绕目的地TID的周边停车场信息ParkInfo，并处理由消息抓取模块300提供的消息MSG以及停车场信息ParkInfo，从而向用户提供关于该目的地的停车提示TIP。不难理解，由媒体发布的消息MSG中包含的交通状况例如拥堵等信息以及目的地附近的停车场信息，必然有助于理解在目的地的停车的难易程度，因此根据本发明，通过停车预测模块400来处理消息MSG与停车场信息ParkInfo从而可生成是否便利停车的提示。在本发明中，停车提示例如可以是‘好停车’或‘不好停车’等，或者进一步地给出附近方便停车的停车场信息。

图2示出根据本发明一个示例的停车预测模块400的框图。如图所示，停车预测模块400包括停车场获取模块401、态势感知模块402以及停车评估模块403。在从输入接口200接收到用户输入的目的地标识TID相关信息后，停车场获取模块401向地图系统500发送查询请求，请求获取围绕目的地TID的周边停车场信息，例如获取半径500m范围内的停车场信息ParkInfo。基于这些停车场信息ParkInfo，停车场获取模块401可以初步判断在目的地TID是否好停车。按照一种实现方式，停车场获取模块401可以确定停车场信息ParkInfo中包含的m个停车场的属性ParkAttr，属性ParkAttr可以是目的地或附近停车场的地理属性，例如是城市还是郊区；属性ParkAttr还可以是这些m个停车场的停车位容量。停车场获取模块401可基于属性ParkAttr确定是否可以生成停车便利性提示TIP。例如当目的地或附近停车场位于郊区时，或者当m个停车场中某个停车场的停车位数量或其中几个停车场的停车位数量充足，例如大于某一数量阈值时，则停车预测模块400可直接输出在目的地TID‘好停车’的停车提示TIP。

在另一种实现中，可以将停车场信息ParkInfo中包含的m个停车场与数据库中事先标定为‘好停车’的停车场清单进行匹配，从而标识出当前的停车场信息ParkInfo中是否包含‘好停车’的停车场。如果包含的话，所以停车预测模块400可直接输出在目的地TID‘好停车’的停车提示TIP。这里需要指出的是，数据库中事先确定的停车场清单中的停车场是基于目的地或停车场属性等特征预先确定的，例如地处郊区的大型停车场可以标定为“好停车”；也可以是通过数据挖掘以及大数据分析而事先学习而确定的。

如果停车场获取模块401不能仅基于停车场信息ParkInfo例如其中的停车场的属性ParkAttr而直接确定目的地的停车状况时，停车场获取模块401进一步获取更大半径范围例如2公里内的停车场信息ParkInfo，随后按照距离维度进行划分，从而分成多维停车场空间特征。例如对半径2公里范围内的停车场，分别统计半径在500米内、500-1000米、1000-1500米、以及1500-2000米范围停车场数量N

在本发明的另一个示例中，停车预测模块400还可以进一步地基于停车场获取模块401获取的多维停车场信息，而将有关停车场的标识PID提供给消息抓取模块300，从而指示消息抓取模块300从社交媒体上定向获取关于目的地TID及停车场PID的消息MSG，从而形成消息集{MSG}。

态势感知模块402从消息抓取模块300接收所抓取的来自不同媒体的消息集{MSG

态势感知模块402利用自然语言处理(NLP)技术对消息集中的每个消息MSG进行处理以生成情感表达特征Sentiment_Feature和/或主题分类特征Theme_Feature，其中主题分类特征Theme_Feature表征了所抓取的消息主要涉及的评论主题及是否与停车相关联，而情感表达特征Sentiment_Feature表示在所对应的消息中消息发布者对在目的地停车状况的评论。仍以图3A消息为例，对于第一个消息，经态势感知模块300处理后可得到的情感表达特征Sentiment_Feature为：‘故宫，停车也不太方便’，而主题分类特征Theme_Feature为：‘故宫不能停车’；而对于第二消息，经态势感知模块300处理后可得到的情感表达特征Sentiment_Feature为：‘国家大剧院，停车很方便’，而主题分类特征Theme_Feature为：‘国家大剧院可停车’。以此方式，态势感知模块402可对消息集{MSG

图4示出了态势感知模块402的一个示例性配置，用于说明对消息的处理，这里以图3A所示的第一条消息为例予以说明。如图4所示，态势感知模块402包括特征标识模块4021，分段与过滤模块4022、语义分析模块4023以及统计模块4024。特征标识模块4021配置为识别消息集{MSG

分段与过滤模块3002对消息MSG进行分段并确定每段中是否包含与停车相关的语句、词语等表示，从而从消息中过滤出与目的地‘故宫’相关的停车语段，这里的停车语段既可以是消息发布者的主观评论，例如‘堵’、‘停车不方便’等，也可以交通管理部门发布的交通信息，例如‘戒严’、‘禁行’等。在本例中，经过分段与过滤模块4022对MSG的自然语言处理后，得到的分段如下：

[‘欢喜闹元旦’,‘故宫的灯显得格外典雅大气’,‘可惜的是’,‘网上没预定到票’,‘停车也不太方便’,‘只能绕着城墙随便看看了’]。

进一步，经过分段与过滤模块4022的过滤处理后，可确定存在停车相关语段，即“停车也不太方便”。这里可以采用现有技术已知的过滤技术来进行过滤处理，例如，无论是对于外文词汇还是中文词汇，可以采用现有技术中的多种分词器进行关键词的过滤，在此不再赘述。

在分段与过滤模块3002确定了消息中包含有停车相关信息后，语义分析模块4023结合特征标识模块4021确定的目的地标识TID对包含停车评论的语段进行分析，从而获取关于目的地的停车状况的准确理解，在本例中，例如得到‘故宫，停车也不太方便’的用户情感表达特征Sentiment_Feature。此外，语义分析模块4023确定当前消息中的主题，例如采用隐含狄利克雷分布(LDA)来进行主题分类。通常媒体发布消息中包含了至少一个主题，而语义分析模块4023则用于确定整个消息中存在涉及到停车状况的主题，并相应地提取或输出该主题，作为主题特征Theme_Feature；而对消息中可能存在的其它主题，则可不予以考虑。例如，对于图3A所示的消息，通过LDA技术对整个消息分析可确定当前消息的主题涉及“故宫不能停车”。

按照本发明的一个示例，如果语义分析模块4023确定当前消息中不存在停车相关特征时，作为一个示例，停车评估模块可以选择删除消息，或者在另一个示例中，由语义分析模块4023继续基于目的地标识TID来分析当前消息中主要主题，通常该主题表征了相应媒体中的用户对目的地的环境评述，例如在某一媒体中，语义分析模块4023可能会确定其中的某个消息是如下主题：‘故宫人真多呀’。显然这样的主题也必然反映了车流量大，因此也可能会影响到停车难。因此该主题同样对评估目的地停车场有帮助，尽管在整个消息中可能根本没有提及停车难问题。

以此方式，对整个消息集{MSG

按照一个实施例，语义分析模块4023还对用户情感表达特征进行评分，以确定该消息中的评论对停车的影响。这里可以采用经过训练的评分模型ScoreM对用户情感表达特征进行处理，从而生成指示用户关于目的地停车评分，例如在本例中，对于‘故宫，停车也不太方便’，在经过评分模型ScoreM处理后计算得到分值Score例如是0.1634，该值越大，则代表越好停车，而分值越小，则代表越难停车。这里的评分模型ScoreM既可以是经过训练的机器学习模型，通过对可影响到停车评述的词语的学习与训练而得到；在另一实现中，评分模型ScoreM也可以包含标准词及其对应的分值的对照表，通过将Sentiment_Feature中包含的关键词与对照表中的标准词进行匹配而确定其分值Score。

统计模块4024用于分析每个消息的情感表达特征Sentiment_Feature以获取对应于多个指标下的统计数据，例如该指标可包括情感表达特征涉及正面评论的数量comment_pos_num以及正面评论的平均分值comment_pos_mean_score、情感表达特征所涉及的负面评论的数量comment_neg_num以及负面评论的平均分值comment_neg_mean_score等，这里的平均分值基于每个相应的情感表达特征的评分Score计算得到。此外统计模块4024用于分析每个消息的主题表达特征以将其划分成正面主题comment_LDA_pos与负面主题comment_LDA_neg，并确定每个主题Theme的停车关联性，这里的停车关联性可以指示正面主题或负面主题在所对应消息涉及的多个主题中的重要度，因此可以反映在整个消息MSG中发布者对于停车相关主题的关注度。作为示例，可以利用停车相关主题Theme在消息中的出现位置、频次来确定关注度，例如对于停车相关主题(不管是正面主题还是负面主题)在消息中出现位置越早和/或频次越多，则赋予comment_LDA_pos或comment_LDA_neg越大值，否则赋予越小值。

随后，停车评估模块403利用停车预测模型PTM对统计模块4024输出的统计数据comment_pos_num、comment_pos_mean_score、comment_neg_num、comment_neg_mean_score、comment_LDA_pos、comment_LDA_neg以及多维停车空间特征(N

按照本发明的进一步实施例，在停车提示设备100基于模型处理结果给出了关于目的地的停车提示后，还可以进一步给出方便停车的推荐停车场Opt_Park的提示，不管在该目的地的停车是“好停车”还是“不好停车”。例如对于“故宫”作出的‘不好停车’的提示，停车预测模块400基于消息抓取模块300抓取到的如图3A所示的关于“国家大剧院”的消息，通过语义分析模块4023处理后可确定其情感表达特征是“国家大剧院，停车很方便”。由此停车预测模块400可将国家大剧院停车场及停车计费信息(在用户需要时)提示给用户，并可提供距离信息供用户参考。图3C示意性地示出了按照目的地“故宫”而给出附近停车场的提示信息供用户参考，其中可按照停车便利程度进行排序，图中示出了“国家大剧院”、“中山公园”二个停车场Opt_Park。在本发明的另一示例中，还可以直接基于服务器中事先分类的停车场的标签，而给出具体的停车场提示。例如在服务器中事先存储有社会上的停车场信息，其清单如下表一所示：

表一

由此，在停车场获取模块401通过空间搜索而获取目的地‘故宫’周边停车场信息ParkInfo后，停车预测模块400可以在距离优先条件下给出国家大剧院停车场和中山公园停车场的停车提示TIP。此外，在数据库中还可以登记每个停车场的计费和/地理位置信息，由此，在提供给用户的停车提示中可以进一步给出推荐停车场的收费标准以及距离信息，从而更便于用户选择。

这里需要指出的是，本发明的实施方式不限于上述的基于统计数据的停车提示预测，作为另一个示例，停车评估模块403可对停车空间特征以及语义分析模块4023生成的情感特征Sentiment_Feature和/或主题分类特征Theme_Feature整体进行处理，通过经过训练的模型PTM’来生成便利性提示。例如，停车评估模块403利用分词器对Sentiment_Feature中的语句执行分词、选择处理，从而获取该语句中的每一个关键词，并形成关键词序列w。然后，对关键词序列中的每一个关键词执行向量转换，例如通过查找词向量表读出每个关键词对应的词嵌入(Embedding)向量，从而产生词向量序列v。这里所用的词向量表可以利用现有常规的多种训练工具例如用Word2Vec、FastText和Glove等，通过对大量消息语料进行训练而获得。

随后，停车评估模块403对这些词向量序列v进行进一步处理，提取整个序列的序列特征sf，例如可利用一个经过训练的循环神经网络RNN模型来实现特征提取。RNN的优点在于通过每层之间节点的连接结构来记忆之前的信息，并利用这些信息来影响后面节点的输出，因此可以充分地挖掘序列数据中的时序信息以及语义信息，而这些信息对于准确地理解媒体消息所带来的影响很有意义。至于如何设计RNN的结构及每个RNN中的各单元，本领域人员可根据实际情况自行确定。

类似地，停车评估模块403可以生成每个主题分类特征Theme_Feature的序列特征sf’。由此，停车评估模块403将情感特征的序列特征sf以及主题分类特征的序列特征sf’以及停车空间特征(N

在本发明的另一实现方式中，消息抓取模块300还可以进一步分析用户出行的时间特征，例如用户在通过输入接口200输入目的地TID时的当前日期。如果当前日期属于节假日例如周末，则消息抓取模块300可以配置为从网络资源仅获取在一定时间范围TimeFrame内的各个周末由媒体发布的消息MSG，从而停车预测模块400可以基于具有相同时间特征的消息MSG来更准确地预测当前周末的目的地停车状况。

【实施方式二】

在上述实施方式中，可以基于用户的输入而实时预测目的地的停车状况；而在发明的另一实施方式中，考虑到目的地的停车状态在一定的时间内是相对稳定的，因此可以利用本发明的停车提示设备100为大量的目的地预先建立停车状况的分析预测结果，该情形尤其适用于热门景点，然后将预测结果存储在服务器数据库中，该服务器既可以是本地服务器，也可以是远程服务器或云端。由此，当用户希望获取某一景点的停车状况时，可直接通过匹配预先建立的预测结果而快速地向用户展示相应的停车状态。

因此，在期望获取关于多个城市中的多个景点的停车状况时，停车提示设备100利用目的地确认模块200可每次选择其中的一个景点例如景点名称作为待评估的目的地TID。然后与前面结合图1-4的实施方式一相同，由消息抓取模块300抓取在一定时间范围内由一个或多个不同媒体发布的有关该目的地或直接与该目的地停车相关的消息MSG，并且随后由停车预测模块400通过对围绕该目的地的停车场或停车场与消息MSG的处理而生成关于目的地的停车提示TIP以及停车场推荐信息Opt_Park，由停车预测模块400执行的处理与实施方式一相同，这里不再赘述。随后停车提示设备100可以将目的地标识TID及其停车提示TIP以及停车场推荐信息Opt_Park相关联地存储在服务器中。以此方式，停车提示设备100可为多个目的地预先建立相应地停车状况预测结果，例如下表二示意性地示出了预测结果的存储示例：

表二

在另一种实现方式中，也可以按照时间特征为同一目的地建立对应的停车便利性提示，例如，与前述实施方式一类似，停车提示设备100分别按照‘节假日’和‘工作日’建立相应的停车便利性提示TIP。由此在查询时可根据用户出行的当前日期而进行更准确的匹配。

图5示意性地示出按照一个示例的由停车提示设备实施的停车提示处理流程图。如图所示，在步骤501，确定要预测的目的地的标识TID，例如接收用户输入的包含关于目的地的标识信息TID的文本或语音消息并从中标识出用户期望的目的地TID；或者为建立目的地停车状态库，而从多个待预测的目的地例如热门景点中选择其中一个景点。在步骤503，基于所确定的目的地标识TID，从地图系统500获取围绕目的地TID的周边一定半径内的停车场信息ParkInfo。在步骤505，基于这些停车场信息ParkInfo，确定其中包含的一个或m个停车场的属性ParkAttr，包括目的地或停车场的地理属性以及停车场的停车位容量等。通过分析属性ParkAttr确定是否可仅基于属性来生成停车便利性提示TIP。例如当目的地或附近停车场位于郊区时，或者当m个停车场中某个停车场的停车位数量或其中几个停车场的停车位数量充足，例如大于某一数量阈值时，则进入步骤513，直接输出在目的地TID‘好停车’的停车提示TIP。

如果在步骤505确定不能仅基于属性ParkAttr生成停车便利性提示，则进入步骤507，处理停车场信息ParkInfo以便以距离范围作为维度生成多维停车空间特征，例如将该半径范围内或选择更大半径范围内的停车场按照距离维度进行划分，从而分成多维停车场空间特征。例如对半径2公里范围内的停车场，分别统计半径在500米内、500-1000米、1000-1500米、以及1500-2000米范围停车场数量N

在步骤509，基于目的地标识TID获取一个或多个媒体在一定时间范围TimeFrame内发布的有关该目的地TID的一个或多个消息{MSG

此外，本发明的方法还可以进一步包括给出推荐停车场Opt_Park的提示的步骤，不管在该目的地的停车是“好停车”还是“不好停车”，这里既可以通过以目的地为中心由停车提示设备100进行空间搜索来找出候选停车场，也可以通过社会搜索获取关于目的地的候选停车场。从而，停车提示设备100可基于前述处理，从这些候选停车场中选择出可推荐的停车场。

按照本发明，在对目的地停车状况进行实时预测情况下，停车提示设备100将生成的停车提示TIP以及推荐停车场Opt_Park作为用户输入的响应而直接呈现给用户，例如通过地图导航系统呈现给用户。

在建立多个目的地的停车状况数据库的情况下，可以将生成的停车提示TIP以及推荐停车场Opt_Park连同目的地TID相关联地注册到数据库DB中，形成该目的地TID的记录。由此，当通过输入接口200接收到用户期望了解目的地的停车状况的查询输入请求时，停车提示设备100将输入请求中包含的期望目的地的目标标识TID′与数据库DB中所存储的目的地的标识TID进行匹配，并提取所匹配的目的地标识TID所对应的便利性提示TIP和/或推荐停车场Opt_Park，随后停车提示设备100可以将所提取的便利性提示TIP和/或推荐停车场Opt_Park呈现给所述用户。

图6示意性地示出了步骤511中生成消息特征的处理的流程图。在步骤601，识别每条消息MSG中是否包含有目的地信息TID。例如，以图3A所示的消息为例，在确定用户从输入接口中输入了目的地“故宫”时，特征标识模块4021可确定图3A所示消息中包含有‘故宫’标识。

在步骤603，采用自然语言处理技术对每个消息MSG进行自然分段，然后在步骤605，确定每段中是否包含与停车相关的语句、词语等评论，从而从消息中过滤出与目的地‘故宫’相关的停车语段，例如经过过滤处理后，可确定存在停车相关语段，即“停车也不太方便”。如果在步骤605确定其中包含停车评论的语段，在则在步骤607对包含停车评论的语段进行分析，从而获取关于目的地的停车状况的准确理解，在本例中，例如得到‘故宫，停车也不太方便’的用户情感表达特征Sentiment_Feature，并在步骤609，确定当前消息MSG中的主题，例如采用隐含狄利克雷分布(LDA)来进行主题分类。通常消息中可能不只包含一个主题，而在包含停车评论的情况下，在步骤609可确定整个消息中存在涉及到停车状况的主题，并相应地提取或输出该主题，作为主题特征Theme_Feature；而对消息中可能存在的其它主题，则不予以考虑。例如，对于图3A所示的消息，通过LDA技术对整个消息分析可确定当前消息的主题涉及“故宫不能停车”。

如果在步骤605确定当前消息中不存在停车相关语句时，则前进至步骤609，基于目的地标识来分析当前消息中主要主题，通常该主题表征了相应媒体中的用户对目的地的环境评述，例如“故宫人真多呀”。

在步骤611，对用户情感表达特征进行评分，以确定该消息中的评论对停车的影响，并且基于该评分，分析每个消息的情感表达特征Sentiment_Feature以获取对应于多个指标下的统计数据，情感表达特征涉及正面评论的数量comment_pos_num以及正面评论的平均分值comment_pos_mean_score、情感表达特征所涉及的负面评论的数量comment_neg_num以及负面评论的平均分值comment_neg_mean_score等，这里的平均分值基于每个相应的情感表达特征的分值score计算得到。此外在步骤611还分析每个消息的主题分类特征以将其划分成积极主题comment_LDA_pos与负面主题comment_LDA_neg。如前所述这里主题分类特征表征了所对应的消息所要表达的主题及其与停车的关联性，这里的停车关联性可以指示正面主题或负面主题在所对应消息涉及的多个主题中的重要度，因此可以反映在整个消息MSG发布者对于停车相关主题的关注度。利用停车相关主题Theme在消息中的出现位置、频次来确定关注度，例如对于停车相关主题(不管是正面主题还是负面主题)在消息中出现位置越早和/或频次越多，则赋予comment_LDA_pos或comment_LDA_neg越大值，否则赋予越小值。

由此，将在步骤611确定的统计数据comment_pos_num、comment_pos_mean_score、comment_neg_num、comment_neg_mean_score、comment_LDA_pos、comment_LDA_neg提供给预测模型PTM，以便在步骤512，利用预测模型PTM处理该统计数据以及多维停车空间特征(N

以上结合各实施例描述了本发明的一般方案，需要说明的是，上述实施例中的各步骤和模块可以采用硬件、软件、固件或其组合来实现，例如这里所公开的方法可以通过处理器执行存储于存储器中的机器可读程序或指令来实现。例如在本发明的一个应用示例中，这里公开的方法可以由计算设备来实现，该设备包括存储有计算机可读程序的存储器以及处理器，其中处理器执行权利该可读程序以实现本发明提出的目标停车状态的提示方法。在本发明的实现中，存储器可以是任意类型的存储介质，例如硬盘、固态盘、光学存储介质等。

上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基于上述多个实施例，本领域技术人员可以知晓，可以组合上述不同实施例中的不同技术特征从而得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。