停车场泊位占用率预测方法、装置、设备及存储介质

摘要

本发明适用信息技术领域，提供了一种停车场泊位占用率预测方法、装置、设备及存储介质，该方法包括：当接收到停车场在预设时间点的泊位预测请求时，从停车场的历史数据中获取停车场在最后记录时间点的空闲泊位数量，通过预先训练好的混合预测模型和最后记录时间点的空闲泊位数量，对停车场在预设时间点的空闲泊位数量进行预测，根据预测得到的、停车场在预设时间点的空闲泊位数量，获得停车场在预设时间点的泊位占用率并输出，其中，混合预测模型通过小波神经网络和非平稳随机过程结合训练得到，从而实现泊位占用率的中长期预测，有效地降低了泊位占用率预测的计算复杂度，有效地提高了泊位占用率预测的准确度，进而提高了泊位占用率预测的效率。

说明书

技术领域

本发明属于信息技术领域，尤其涉及一种停车场泊位占用率预测方法、装置、设备及存储介质。

背景技术

由于车辆数目的激增、以及国内城市早期规划未长远考虑到车辆停放问题，国内大中城市热点区域所提供的停车位远远少于进入的车辆，使得车辆在寻找停车位的过程中，花费大量时间、浪费不必要的能源，甚至引发交通堵塞，在短期内增加这些区域的停车位供应比较困难，所以提高这些区域内的停车位利用率就变得非常重要。

提高停车位利用率需要通过将车位信息实时推送给有需要的车辆来帮助车辆快速找到车位，即研究人员提出的停车诱导系统(PGIS，Parking Guidance andInformation)。PGIS在对车辆进行诱导时，车辆距离停车场还有一定距离，PGIS需要估算车辆抵达停车场的时间点、以及这个时间点上停车场内空闲泊位的数量，因此PGIS需要实现未来一段时间内停车场的空闲泊位预测，这本质上是一个基于时间序列的预测问题，在这类预测问题上自回归积分滑动平均模型(ARIMA)、小波神经网络(WNN)或者长短期记忆网络(LSTM)都能实现较为准确的短临预测，然而这些模型需要实时数据的支撑，下一时刻预测的精准度同刚过去的几个连续时间步的数据关联性很高，停车场产权分散，不同停车场间的设备难以互联，且缺乏统一的城市级泊位监测平台，使得大量的停车场实时数据难以获得。

此外，基于停车场的历史数据进行分析和预测的方法需要结合中长期预测技术实现，目前用于中长期预测的方法主要为最大李雅普诺夫指数法，最大李雅普诺夫指数法的本质是对混沌性的检测，在预测周期持续增长时，会出现很大的偏差，而且该方法每次预测时均需对相空间进行重构，计算复杂度较高。

发明内容

本发明的目的在于提供一种停车场泊位占用率预测方法、装置、设备及存储介质，旨在解决现有技术中停车场空闲泊位中长期预测的计算复杂度较高、容易出现较大偏差，导致停车场空闲泊位中长期预测的效率不高、准确度不高的问题。

一方面，本发明提供了一种停车场泊位占用率预测方法，所述方法包括下述步骤：

当接收到停车场在预设时间点的泊位预测请求时，从所述停车场的历史数据中获取所述停车场在最后记录时间点的空闲泊位数量；

通过预先训练好的混合预测模型和所述最后记录时间点的空闲泊位数量，对所述停车场在所述预设时间点的空闲泊位数量进行预测，所述混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到；

根据预测得到的、所述停车场在所述预设时间点的空闲泊位数量，获得所述停车场在所述预设时间点的泊位占用率并输出。

另一方面，本发明提供了一种停车场泊位占用率预测装置，所述装置包括：

泊位数量获取单元，用于当接收到停车场在预设时间点的泊位预测请求时，从所述停车场的历史数据中获取所述停车场在最后记录时间点的空闲泊位数量；

泊位预测单元，用于通过预先训练好的混合预测模型和所述最后记录时间点的空闲泊位数量，对所述停车场在所述预设时间点的空闲泊位数量进行预测，所述混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到；以及

占用率输出单元，用于根据预测得到的、所述停车场在所述预设时间点的空闲泊位数量，获得所述停车场在所述预设时间点的泊位占用率并输出。

另一方面，本发明还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述停车场泊位占用率预测方法所述的步骤。

另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述停车场泊位占用率预测方法所述的步骤。

本发明在接收到停车场在预设时间点的泊位预测请求时，从停车场的历史数据中获取停车场在最后记录时间点的空闲泊位数量，通过训练好的混合预测模型和该空闲泊位数量，对停车场在预设时间点的空闲泊位数量进行预测，根据预测得到的、停车场在预设时间点的空闲泊位数量，获得停车场在预设时间点的泊位占用率并输出，从而通过由小波神经网络和非平稳随机过程结合的混合预测模型，实现了停车场泊位占用率的中长期预测，有效地降低了停车场泊位占用率中长期预测的计算复杂度，有效地提高了停车场泊位占用率中长期预测的准确度，进而提高了泊位占用率预测的效率。

附图说明

图1是本发明实施例一提供的停车场泊位占用率预测方法的实现流程图；

图2是本发明实施例一提供的停车场泊位占用率预测方法中混合预测模型训练过程的实现流程图；

图3是本发明实施例一提供的停车场泊位占用率预测方法中小波神经网络的结构示例图；

图4是本发明实施例二提供的停车场泊位占用率预测方法的实现流程图；

图5是本发明实施例三提供的停车场泊位占用率预测装置的结构示意图；

图6是本发明实施例三提供的停车场泊位占用率预测装置的优选结构示意图；以及

图7是本发明实施例四提供的计算设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现进行详细描述：

实施例一：

图1示出了本发明实施例一提供的停车场泊位占用率预测方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在步骤S101中，当接收到停车场在预设时间点的泊位预测请求时，从停车场的历史数据中获取停车场在最后记录时间点的空闲泊位数量。

本发明实施例适用于车载设备或停车管理服务器等计算设备，具体地，适用于这些设备上的停车诱导系统或平台。当用户需要得知停车场在未来某个时间的车位数量时，可发送停车场在预设时间点的泊位预测请求时，预设时间点由用户根据自身的停车时间(或到达停车场的时间)进行设置。在接收到停车场在预设时间点的泊位预测请求时，获取该停车场的历史数据，并从历史数据中获取停车场在最后记录时刻的空闲泊位数量。目前缺乏统一的城市级泊位检测系统、且不同停车场间的设备难以互联，因此停车场的历史数据为停车场过去一段时间内的泊位占用信息，历史数据的更新存在较长的时间间隔，无法实时更新，最后记录时间点为历史数据中最后记录停车场泊位占用信息的时刻，空闲泊位为未被车辆或其它物品占用的停车位。此外，停车场的历史数据还可为过去一段时间内停车场进出车辆的数目和这些数据的记录时间点。

在步骤S102中，通过预先训练好的混合预测模型和最后记录时间点的空闲泊位数量，对停车场在预设时间点的空闲泊位数量进行预测，混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到。

在本发明实施例中，小波神经网络为一步预测模型，在短临预测时预测精准度较高，不会出现预测值跳变较大的情况，但用于中长期预测时随着预测时间越长越容易出现预测值的大幅偏离。平稳随机过程适用于中长期预测，在极大程度上能够抑制预测值的大幅偏离，计算开销小，但容易出现预测值跳变较大的情况。因此，由小波神经网络和平稳随机过程结合得到的混合预测模型，结合了小波神经网络和平稳随机过程的优点，使得小波神经网络和平稳随机过程进行优劣互补，能够有效地降低中长期预测的计算复杂度，提高中长期预测的精准程度。

在本发明实施例中，可将最后记录时间点到预设时间点之间的时间间隔划分为多个等距的时间片，将时间片的数量、最后记录时间点、最后记录时间点的空闲泊位数量输入混合预测模型，得到停车场在从最后记录时间点到预设时间点间每个时间片的空闲泊位数量，进而得到停车场在预测时间点的空闲泊位数量。

在步骤S103中，根据预测得到的、停车场在预设时间点的空闲泊位数量，获得停车场在预设时间点的泊位占用率并输出。

在本发明实施例中，根据预测得到的、停车场在预设时间点的空闲泊位数量，可计算得到停车场在预设时间点的泊位占用率，输出停车场在预设时间点的泊位占用率，以帮助用户快速停车。

优选地，如图2所示，混合预测模型的训练过程可通过下述步骤实现：

在步骤S201中，构建小波神经网络，通过采集到的停车场的历史训练数据对小波神经网络进行训练，获得训练好的小波神经网络。

在本发明实施例中，采集停车场用于训练的历史数据，为了便于区分，将用于训练的历史数据称为历史训练数据。优选地，由于人们往往以周为单位进行生活和工作的安排，以周为单位进行历史训练数据的采集，从而有效地提高后续泊位占用率预测的准确度。

在本发明实施例中，小波神经网络的数学模型可表示为：

其中，E_j(t)表示停车场j在预设时间点t时的空闲泊位数量，f(x)为小波神经网络的解析函数，为小波神经网络的激励函数，可将Morlet母小波设置为激励函数，a_k为伸缩因子，b_k为平移因子，ω_k为小波神经网络的输出权值，ω_ik为小波神经网络的输入权值。图3为小波神经网络的结构示例图，图中W₁₁…W_nm为小波神经网络的输入权值，图中W₁…W_m为小波神经网络的输出权值。

在本发明实施例中，训练小波神经网络即根据小波神经网络的预测结果对a_k、b_k、ω_k和ω_ik进行调整。具体地，通过小波神经网络预测停车场在预设时间点t时的空闲泊位数量，将预测得到的空闲泊位数量与历史训练数据中预设时间点t时的空闲泊位数量比较，可得到小波神经网络的预测误差E_jn(t)为历史训练数据中停车场j在t时刻的空闲泊位数量，通过预设的梯度下降法对小波神经网络中a_k、b_k、ω_k和ω_ik进行调整，直至小波神经网络的预测误差小于预设误差阈值。

在步骤S202中，将历史训练数据对应的时间序列划分多个等距的时间片，确定相邻时间片之间停车场空闲泊位数量变化所服从的分布类型、分布参数。

在本发明实施例中，将从历史训练数据对应的时间序列划分为多个等距的时间片{Δt_i|i＝1…n}，n为时间片的数量，从历史训练数据中获取每个时间片上的已占用泊位数量x_i。停车场中泊位的占用与否取决于车辆的到达率和驶离率，且车辆的到达一般被认为是服从泊松分布的，所以从长期来看每个时间片内已占用泊位数量的分布为泊松分布的极限，即正态分布，可表示为其中，μ_i、为x_i正态分布的分布参数，具体地，可通过最大似然法(MLE)求解每个x_i的分布参数μ_i、

在本发明实施例中，随着Δt_i不同x_i的分布参数也不同，因此在历史训练数据的时间轴上，空闲泊位数量变化是一个非平稳的高斯过程。在两个相邻时间片t_i、t_i+1之间空闲泊位数量的变化为Δx_i＝x_i+1-x_i，x_i+1和x_i被视为两个独立同正态分布的变量，所以Δx_i也服从正态分布，且其中，cov(x_i,x_i+1)为x_i+1和x_i的协方差算子。

在步骤S203中，根据相邻时间片之间停车场空闲泊位数量变化所服从的分布类型、分布参数，构建中长期预测函数。

在本发明实施例中，中长期预测函数可表示为其中，E_j(t₀)表示停车场j在t₀时刻的空闲泊位数量，n为t和t₀之间时间片的数量。

在步骤S204中，将训练好的小波神经网络和中长期预测函数进行加权组合，获得混合预测模型，根据历史训练数据确定混合预测模型中小波神经网络、中长期预测函数分别对应的权值参数。

在本发明实施例中，为了将小波神经网络和基于非平稳随机过程构建的中长期预测函数进行优势结合和优劣互补，将训练好的小波神经网络和中长期预测函数进行加权组合，得到混合预测模型，混合预测模型可表示为：

E_j(t)＝a*g(t₀,n)+b*f[g(t₀,n-1)]，其中，a、b分别为小波神经网络、中长期预测函数对应的权值参数，可根据最小二乘法和历史训练数据进行确定，混合预测模型先由中长期预测函数进行预测，再将中长期预测函数所得预测结果的直接前序结果输入到小波神经网络进行一步预测，最后中长期预测函数的预测结果、小波神经网络的预测结果进行线性加权，最终得到的预测结果既有一定的随机性，又不至于出现较大偏离。

在本发明实施例中，通过小波神经网络、非平稳随机过程结合构建的混合预测模型，对停车场在预设时间点的空闲泊位数量进行预测，在实现泊位占用率中长期预测的同时，解决了小波神经网络在中长期预测时预测值大幅偏离的问题，也解决了非平稳随机过程在预测过程中预测值跳变较大的问题，同时避免了采用最大李雅普诺夫指数法进行预测的计算复杂度，从而有效地提高了泊位占用率中长期预测的效率和准确率。

实施例二：

图4示出了本发明实施例二提供的停车场泊位占用率预测方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在步骤S401中，当接收到停车场在预设时间点的泊位预测请求时，从停车场的历史数据中获取停车场在最后记录时间点的空闲泊位数量。

在本发明实施例中，在接收到停车场在预设时间点的泊位预测请求时，获取该停车场的历史数据，并从历史数据中获取停车场在最后记录时刻的空闲泊位数量。目前缺乏统一的城市级泊位检测系统、且不同停车场间的设备难以互联，因此停车场的历史数据为停车场过去一段时间内的泊位占用信息，历史数据的更新存在较长的时间间隔，无法实时更新，最后记录时间点为历史数据中最后记录停车场泊位占用信息的时刻。

在步骤S402中，通过预先训练好的混合预测模型和最后记录时间点的空闲泊位数量，对停车场在预设时间点的空闲泊位数量进行预测，混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到。

在本发明实施例中，可将最后记录时间点到预设时间点之间的时间间隔划分为多个等距的时间片，将时间片的数量、最后记录时间点、最后记录时间点的空闲泊位数量输入混合预测模型，得到停车场在从最后记录时间点到预设时间点间每个时间片的空闲泊位数量，进而得到停车场在预测时间点的空闲泊位数量。具体地，混合预测模型的训练过程可参照实施例一相应步骤的详细描述，在此不再赘述。

在步骤S403中，通过预设的最大李雅普诺夫指数法检测混合检测模型的预测结果是否具有混沌性。

在本发明实施例中，最大李雅普诺夫指数法将计算得到的最大李雅普诺夫指数作为识别混沌特性的主要依据之一。最大李雅普诺夫指数法在检测混合检测模型的预测结果是否具有混沌性时，先利用互信息法和伪领域法确定序列的时间延迟和嵌入维数，在对停车位数据进行相空间重构，最后通过小数据量法求得最大李雅普诺夫指数。具体地，最大李雅普诺夫指数的计算公式可表示为：

V(t)＝Lyapunov[E(t₀),E(t₁),....E(t)]，Lyapunov为最大李雅普诺夫指数算子，E(t₀),E(t₁),....E(t)为t₀到t时刻所预测的泊位数量。当V(t)＞0时认为混合检测模型的预测结果具有混沌性，执行步骤S404，当V(t)≤0时为混合检测模型的预测结果不具有混沌性，跳转至步骤S402，继续通过混沌预测模型进行预测，直至混沌预测模型的预测结果具有混沌性。

在步骤S404中，根据预测得到的、停车场在预设时间点的空闲泊位数量，获得停车场在预设时间点的泊位占用率并输出。

在本发明实施例中，根据预测得到的、停车场在预设时间点的空闲泊位数量，可计算得到停车场在预设时间点的泊位占用率，输出停车场在预设时间点的泊位占用率，以帮助用户快速停车。

在本发明实施例中，通过小波神经网络、非平稳随机过程结合构建的混合预测模型，对停车场在预设时间点的空闲泊位数量进行预测，再通过最大李雅普诺夫指数法对预测结果进行混沌性检测，在实现泊位占用率中长期预测的同时，解决了小波神经网络在中长期预测时预测值大幅偏离的问题，也解决了非平稳随机过程在预测过程中预测值跳变较大的问题，同时避免了采用最大李雅普诺夫指数法进行预测的计算复杂度，从而有效地提高了泊位占用率中长期预测的效率和准确率。

实施例三：

图5示出了本发明实施例三提供的停车场泊位占用率预测装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：

请求接收单元51，用于当接收到停车场在预设时间点的泊位预测请求时，从停车场的历史数据中获取停车场在最后记录时间点的空闲泊位数量。

在本发明实施例中，当用户需要得知停车场在未来某个时间的车位数量时，可发送停车场在预设时间点的泊位预测请求时，预设时间点由用户根据自身的停车时间(或到达停车场的时间)进行设置。在接收到停车场在预设时间点的泊位预测请求时，获取该停车场的历史数据，并从历史数据中获取停车场在最后记录时刻的空闲泊位数量。目前缺乏统一的城市级泊位检测系统、且不同停车场间的设备难以互联，因此停车场的历史数据为停车场过去一段时间内的泊位占用信息，历史数据的更新存在较长的时间间隔，无法实时更新，最后记录时间点为历史数据中最后记录停车场泊位占用信息的时刻，空闲泊位为未被车辆或其它物品占用的停车位。此外，停车场的历史数据还可为过去一段时间内停车场进出车辆的数目和这些数据的记录时间点。

泊位预测单元52，用于通过预先训练好的混合预测模型和最后记录时间点的空闲泊位数量，对停车场在预设时间点的空闲泊位数量进行预测，混合预测模型通过预设的小波神经网络和预设的非平稳随机过程结合训练得到。

在本发明实施例中，小波神经网络为一步预测模型，在短临预测时预测精准度较高，不会出现预测值跳变较大的情况，但用于中长期预测时随着预测时间越长越容易出现预测值的大幅偏离。平稳随机过程适用于中长期预测，在极大程度上能够抑制预测值的大幅偏离，计算开销小，但容易出现预测值跳变较大的情况。因此，由小波神经网络和平稳随机过程结合得到的混合预测模型，结合了小波神经网络和平稳随机过程的优点，使得小波神经网络和平稳随机过程进行优劣互补，能够有效地降低中长期预测的计算复杂度，提高中长期预测的精准程度。

在本发明实施例中，可将最后记录时间点到预设时间点之间的时间间隔划分为多个等距的时间片，将时间片的数量、最后记录时间点、最后记录时间点的空闲泊位数量输入混合预测模型，得到停车场在从最后记录时间点到预设时间点间每个时间片的空闲泊位数量，进而得到停车场在预测时间点的空闲泊位数量。

占用率输出单元53，用于根据预测得到的、停车场在预设时间点的空闲泊位数量，获得停车场在预设时间点的泊位占用率并输出。

在本发明实施例中，根据预测得到的、停车场在预设时间点的空闲泊位数量，可计算得到停车场在预设时间点的泊位占用率，输出停车场在预设时间点的泊位占用率，以帮助用户快速停车。

优选地，如图6所示，停车场泊位占用率预测装置还包括：

网络训练单元61，用于构建小波神经网络，通过采集到的停车场的历史训练数据对小波神经网络进行训练，获得训练好的小波神经网络。

在本发明实施例中，采集历史训练数据，优选地，由于人们往往以周为单位进行生活和工作的安排，以周为单位进行历史训练数据的采集，从而有效地提高后续泊位占用率预测的准确度。

在本发明实施例中，小波神经网络的数学模型可表示为：

其中，E_j(t)表示停车场j在预设时间点t时的空闲泊位数量，f(x)为小波神经网络的解析函数，为小波神经网络的激励函数，可将Morlet母小波设置为激励函数，a_k为伸缩因子，b_k为平移因子，ω_k为小波神经网络的输出权值，ω_ik为小波神经网络的输入权值。图3为小波神经网络的结构示例图，图中W₁₁…W_nm为小波神经网络的输入权值，图中W₁…W_m为小波神经网络的输出权值。

在本发明实施例中，训练小波神经网络即根据小波神经网络的预测结果对a_k、b_k、ω_k和ω_ik进行调整。具体地，通过小波神经网络预测停车场在预设时间点t时的空闲泊位数量，将预测得到的空闲泊位数量与历史训练数据中预设时间点t时的空闲泊位数量比较，可得到小波神经网络的预测误差E_jn(t)为历史训练数据中停车场j在t时刻的空闲泊位数量，通过预设的梯度下降法对小波神经网络中a_k、b_k、ω_k和ω_ik进行调整，直至小波神经网络的预测误差小于预设误差阈值。

数据分析单元62，用于将历史训练数据对应的时间序列划分多个等距的时间片，确定相邻时间片之间停车场空闲泊位数量变化所服从的分布类型、分布参数。

在本发明实施例中，将从历史训练数据对应的时间序列划分为多个等距的时间片{Δt_i|i＝1…n}，n为时间片的数量，从历史训练数据中获取每个时间片上的已占用泊位数量x_i。停车场中泊位的占用与否取决于车辆的到达率和驶离率，且车辆的到达一般被认为是服从泊松分布的，所以从长期来看每个时间片内已占用泊位数量的分布为泊松分布的极限，即正态分布，可表示为其中，μ_i、为x_i正态分布的分布参数，具体地，可通过最大似然法(MLE)求解每个x_i的分布参数μ_i、

在本发明实施例中，随着Δt_i不同x_i的分布参数也不同，因此在历史训练数据的时间轴上，空闲泊位数量变化是一个非平稳的高斯过程。在两个相邻时间片t_i、t_i+1之间空闲泊位数量的变化为Δx_i＝x_i+1-x_i，x_i+1和x_i被视为两个独立同正态分布的变量，所以Δx_i也服从正态分布，且其中，cov(x_i,x_i+1)为x_i+1和x_i的协方差算子。

中长期预测构建单元63，用于根据相邻时间片之间停车场空闲泊位数量变化所服从的分布类型、分布参数，构建中长期预测函数。

在本发明实施例中，中长期预测函数可表示为其中，E_j(t₀)表示停车场j在t₀时刻的空闲泊位数量，n为t和t₀之间时间片的数量。

混合模型生成单元64，用于将训练好的小波神经网络和中长期预测函数进行加权组合，获得混合预测模型，根据历史训练数据确定混合预测模型中小波神经网络、中长期预测函数分别对应的权值参数。

在本发明实施例中，为了将小波神经网络和基于非平稳随机过程构建的中长期预测函数进行优势结合和优劣互补，将训练好的小波神经网络和中长期预测函数进行加权组合，得到混合预测模型，混合预测模型可表示为：

E_j(t)＝a*g(t₀,n)+b*f[g(t₀,n-1)]，其中，a、b分别为小波神经网络、中长期预测函数对应的权值参数，可根据最小二乘法和历史训练数据进行确定，混合预测模型先由中长期预测函数进行预测，再将中长期预测函数所得预测结果的直接前序结果输入到小波神经网络进行一步预测，最后中长期预测函数的预测结果、小波神经网络的预测结果进行线性加权，最终得到的预测结果既有一定的随机性，又不至于出现较大偏离。

优选地，停车场泊位占用率预测装置还包括：

混沌性检测单元，用于通过预设的最大李雅普诺夫指数法对混合检测模型的预测结果进行检测，以确定混合预测模型的预测结果是否具有混沌性；以及

预测跳转单元，用于当混合预测模型的预测结果不具有混沌性时，由泊位预测单元52执行对停车场在预设时间点的空闲泊位数量进行预测的操作。

在本发明实施例中，在计算混合检测模型的预测结果是否具有混沌性时，先利用互信息法和伪领域法确定序列的时间延迟和嵌入维数，在对停车位数据进行相空间重构，最后通过小数据量法求得最大李雅普诺夫指数。具体地，最大李雅普诺夫指数的计算公式可表示为：

V(t)＝Lyapunov[E(t₀),E(t₁),....E(t)]，Lyapunov为最大李雅普诺夫指数算子，E(t₀),E(t₁),....E(t)为t₀到t时刻所预测的泊位数量。当V(t)＞0时认为混合检测模型的预测结果具有混沌性，由占用率输出单元53执行获得停车场在预设时间点的泊位占用率并输出的操作，当V(t)≤0时为混合检测模型的预测结果不具有混沌性，由泊位预测单元52执行对停车场在预设时间点的空闲泊位数量进行预测的操作。

在本发明实施例中，通过小波神经网络、非平稳随机过程结合构建的混合预测模型，对停车场在预设时间点的空闲泊位数量进行预测，在实现泊位占用率中长期预测的同时，解决了小波神经网络在中长期预测时预测值大幅偏离的问题，也解决了非平稳随机过程在预测过程中预测值跳变较大的问题，同时避免了采用最大李雅普诺夫指数法进行预测的计算复杂度，从而有效地提高了泊位占用率中长期预测的效率和准确率。

在本发明实施例中，停车场泊位占用率预测装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。

实施例四：

图7示出了本发明实施例四提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。

本发明实施例的计算设备7包括处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72。该处理器70执行计算机程序72时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器70执行计算机程序72时实现上述各装置实施例中各单元的功能，例如图5所示单元51至53的功能。

在本发明实施例中，通过小波神经网络、非平稳随机过程结合构建的混合预测模型，对停车场在预设时间点的空闲泊位数量进行预测，在实现泊位占用率中长期预测的同时，解决了小波神经网络在中长期预测时预测值大幅偏离的问题，也解决了非平稳随机过程在预测过程中预测值跳变较大的问题，同时避免了采用最大李雅普诺夫指数法进行预测的计算复杂度，从而有效地提高了泊位占用率中长期预测的效率和准确率。

该处理器70执行计算机程序72时实现上述各个方法实施例中的步骤具体可参考前述方法实施例的描述，在此不再赘述。

实施例五：

在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例中的步骤，例如，图1所示的步骤S101至S103。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图5所示单元51至53的功能。

在本发明实施例中，通过小波神经网络、非平稳随机过程结合构建的混合预测模型，对停车场在预设时间点的空闲泊位数量进行预测，在实现泊位占用率中长期预测的同时，解决了小波神经网络在中长期预测时预测值大幅偏离的问题，也解决了非平稳随机过程在预测过程中预测值跳变较大的问题，同时避免了采用最大李雅普诺夫指数法进行预测的计算复杂度，从而有效地提高了泊位占用率中长期预测的效率和准确率。该计算机程序被处理器执行时实现上述各个方法实施例中的步骤具体可参考前述方法实施例的描述，在此不再赘述。

本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。