裘瑞清　周后盤　吳輝　阮益權(quán)　石敏

摘 要： 由于當(dāng)前汽車保有量過大，停車位不能滿足日益增長的停車需求，為了降低車主尋找停車位的難度，停車需求預(yù)測成為了近年來研究的熱點問題。介紹了目前幾種常見的停車需求預(yù)測模型，提出停車需求預(yù)測中存在的難點，最后提出在停車需求預(yù)測中采用人工智能的創(chuàng)新應(yīng)用。

關(guān)鍵詞： 停車需求； 云數(shù)據(jù)架構(gòu)； 預(yù)測模型； 人工智能； 創(chuàng)新應(yīng)用

中圖分類號：TP271+.5 文獻(xiàn)標(biāo)志碼：A 文章編號：1006-8228（2018）08-23-04

Research on parking demand prediction under cloud data architecture

Qiu Ruiqing1， Zhou Houpan1，2， Wu Hui1，2， Ruan Yiquan1， Shi Min1

（1. Smart City Research Center of Hangzhou Dianzi University， Hangzhou， Zhejiang 310018， China；

2. Regional Collaboration Innovation Center of Smart City）

Abstract： The growing demand for parking spaces has become a considerably serious problem in people's daily life due to the fact that it's easier than before to keep cars as personal properties. To solve this problem， prediction for parking demand has been a hot issue in recent years. In this article， several common parking demand prediction models nowadays are introduced， and a summary of difficulties encountered during the model building process is raised and some innovative applications of parking demand prediction with artificial intelligence are put forward.

Key words： parking demand； cloud architecture； prediction model； artificial intelligence； innovative application

0 引言

隨著我國社會經(jīng)濟(jì)發(fā)展水平的提升，我國機(jī)動車保有量巨大。從公安部獲悉，截至2017年6月底，我國汽車保有量達(dá)到了2.05億輛。全國停車位缺口總計高達(dá)5000萬個，停車難問題已經(jīng)成為一個迫切需要解決的問題。此外，泊位資源浪費也是導(dǎo)致停車難的重要因素之一，如何高效合理的利用泊位是一個急需解決的問題。停車場泊位需求預(yù)測系統(tǒng)的出現(xiàn)可以很好地提高泊位的利用率。

目前，一些停車需求預(yù)測模型沒有充分考慮各種影響泊位需求數(shù)量的因素，導(dǎo)致預(yù)測的結(jié)果誤差偏大，所以利用利用更高精確度的新型算法模型，結(jié)合停車場影響泊位需求數(shù)量的實際因素，構(gòu)建新型高效的停車預(yù)測模型具有重大意義。

1 目前幾種常見的停車需求模型介紹

隨著停車需求預(yù)測逐漸成為研究的熱點，已經(jīng)有很多種需求預(yù)測模型應(yīng)用于停車需求預(yù)測系統(tǒng)，每種不同的需求預(yù)測模型都有其自身的優(yōu)點和缺點，下面進(jìn)行介紹和闡述。

1.1 基于VAR向量自回歸模型的停車需求預(yù)測

時間序列向量自回歸模型（VAR）在20世紀(jì)80年代被提出，主要用于對時間序列的預(yù)測，有結(jié)構(gòu)清楚簡潔的優(yōu)點，但也存在著模型參數(shù)過多的問題。

將該方法已應(yīng)用于停車需求預(yù)測系統(tǒng)，根據(jù)一段時間內(nèi)駛?cè)牒婉偝鐾＼噲龅能囕v數(shù)以及剩余泊位量之間的相互關(guān)系，建立向量自回歸預(yù)測模型，該模型在優(yōu)化泊位資源及緩解停車壓力方面取得了較好的效果。在張雷的研究中采用了該方法，得到了0.87的精確度[1]。

1.2 基于ARMA時間序列模型的停車需求預(yù)測

ARMA時間序列模型是一種有限參數(shù)線性模型[2]，也稱為自回歸模型，它是以概率統(tǒng)計學(xué)作為理論基礎(chǔ)來分析隨機(jī)數(shù)據(jù)序列的一種模型[3]。

將該方法應(yīng)用于停車需求預(yù)測系統(tǒng)，根據(jù)一段時間內(nèi)某一停車場進(jìn)出車輛的統(tǒng)計進(jìn)行時間序列模型的構(gòu)建和預(yù)測，該預(yù)測模型可行性強(qiáng)，對數(shù)據(jù)的依賴性小。在張雷的研究中，該方法得到了0.89的精確度[4]。

1.3 基于PCA主要成分分析法模型的停車需求預(yù)測

主成分分析法是通過構(gòu)造原變量的線性組合，轉(zhuǎn)化成一組互不相關(guān)的新變量，并從中選擇少數(shù)盡可能包含原變量信息的新變量，達(dá)到簡化問題的需求[5]。

將該方法應(yīng)用于停車需求預(yù)測系統(tǒng)，把本來大量的影響因子，轉(zhuǎn)化為少數(shù)影響因子例如時間、天氣、特殊事件等，構(gòu)建停車預(yù)測模型，可以較好地對停車需求進(jìn)行預(yù)測，但是對原始的數(shù)據(jù)有較高要求。在朱家友的研究中，該方法得到了0.89的精確度[6]。

1.4 基于多元回歸-修正系數(shù)法模型的停車需求預(yù)測

多元回歸模型是一種廣泛應(yīng)用于經(jīng)濟(jì)、生態(tài)、工程等方面的統(tǒng)計方法[7]。修正系數(shù)法又稱為校正系數(shù)法，即對系數(shù)進(jìn)行修正，是一種提高計算數(shù)據(jù)的精確性的一種方法[8]。

將該方法應(yīng)用到停車需求預(yù)測系統(tǒng)，利用多元回歸模型和修正系數(shù)法結(jié)合，對停車場停車資源需求進(jìn)行預(yù)測。

傳統(tǒng)的多元回歸模型在分析居住區(qū)位置、建筑物類型等強(qiáng)影響因素時會出現(xiàn)難以量化的問題，利用彈性系數(shù)法引入?yún)^(qū)位修正系數(shù)和建筑物類別修正系數(shù)，優(yōu)化多元回歸模型。該方法具有一定的實用性和靈活性。在段滿珍的研究中，該方法得到了0.89的精確度[9]。

1.5 基于小波-ELM神經(jīng)網(wǎng)絡(luò)模型的停車需求預(yù)測

小波變化是時間或者空間頻率的局部化分析，通過對函數(shù)的多尺度細(xì)化，聚焦到函數(shù)的任意細(xì)節(jié)[10]。極限學(xué)習(xí)機(jī)（ELM）則是從單隱藏層的神經(jīng)網(wǎng)絡(luò)發(fā)展而來，具有易于實現(xiàn)、速度快、泛化能力強(qiáng)等特點[11]。

將該方法應(yīng)用到停車需求預(yù)測系統(tǒng)，首先采用小波函數(shù)對有效停車泊位時間序列進(jìn)行小波分解和重構(gòu)，并利用極限學(xué)習(xí)機(jī)對分解以后得到的各時間序列進(jìn)行預(yù)測，最后結(jié)合神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進(jìn)行合成，該方法減少了訓(xùn)練的時間，同時也提高了預(yù)測的結(jié)果。在陳海鵬的研究中，該方法得到了0.986的精確度[12]。

2 停車需求預(yù)測方面存在的難點問題

2.1 影響泊位需求數(shù)量的因素多

在政府宏觀政策方面，影響停車需求的主要因素包括用地布局、社會經(jīng)濟(jì)的發(fā)展?fàn)顩r、汽車產(chǎn)業(yè)的發(fā)展政策、交通發(fā)展的引導(dǎo)性策略等[13]。

從停車場具體情況方面，影響停車需求的有停車場性質(zhì)、停車場收費、停車場服務(wù)、早晚高峰時段等。

2.2 泊位需求數(shù)量預(yù)測的實時性要求

由于上述影響泊位需求數(shù)量的因素有著數(shù)量多、變化快的特點，因此這些影響因素的實時抓取變得格外重要。一些影響因素，例如天氣、交通情況都是動態(tài)實時變化的，獲取實時變化的信息是停車預(yù)測模型建模的難點之一。再有，在停車資源管理方面，只有根據(jù)實時的泊位需求的預(yù)測數(shù)量，才能更加科學(xué)合理地優(yōu)化停車資源的調(diào)度管理。我國現(xiàn)有的研究中，缺乏泊位需求實時預(yù)測的研究[14]。

2.3 不確定因素和突發(fā)事件

除了上述影響泊位需求數(shù)量的各種因素以外，通常會出現(xiàn)一些不確定因素，如交通事故、停車場設(shè)備故障、停車場封閉、重大社會活動等，也會很大程度影響泊位需求數(shù)量。現(xiàn)有的停車預(yù)測模型都是假設(shè)在理想情況下對泊位進(jìn)行預(yù)測，而忽略這些影響泊位需求數(shù)量的突發(fā)事件。這種現(xiàn)象一般表現(xiàn)為由于低估泊位需求數(shù)量，導(dǎo)致局部路段或區(qū)域嚴(yán)重堵車、交通事故頻發(fā)，進(jìn)而導(dǎo)致該區(qū)域交通癱瘓，造成難以估量的損失。因此，這些影響泊位需求數(shù)量的不確定性因素，應(yīng)該在停車需求建模時考慮進(jìn)去。

2.4 傳統(tǒng)的數(shù)據(jù)存儲和計算架構(gòu)

傳統(tǒng)的停車需求預(yù)測模型獲取數(shù)據(jù)的方式，一般是通過實地調(diào)查并統(tǒng)計，并將數(shù)據(jù)存儲在傳統(tǒng)數(shù)據(jù)庫中。

傳統(tǒng)的海量數(shù)據(jù)存儲技術(shù)如硬盤、DAS、NAS、SAN等存在著服務(wù)器負(fù)擔(dān)過大，數(shù)據(jù)傳輸實時性差，擴(kuò)展性不足，升級困難等問題[15]，無法滿足停車需求模型對多因素、實時數(shù)據(jù)的要求。因此采用可以滿足停車需求預(yù)測多因素、實時性需求的新型數(shù)據(jù)存儲技術(shù)具有重大的意義。目前，云數(shù)據(jù)存儲技術(shù)由于其響應(yīng)速度快、管理高效、安全性好等特點比傳統(tǒng)數(shù)據(jù)存儲技術(shù)更加適合應(yīng)用于停車需求預(yù)測系統(tǒng)[16]。

3 創(chuàng)新思路和方向

目前已經(jīng)有比較多的需求預(yù)測模型，但是由于影響停車位數(shù)量的因素數(shù)量多且變化快，且一些因素具有實時性，一些預(yù)測模型出現(xiàn)了精確度下降的情況。要建造精確度更高的停車預(yù)測模型，一方面可以在原有算法模型上進(jìn)行改進(jìn)，添加影響泊位變化的因素，增強(qiáng)數(shù)據(jù)實時性；另一方面引入人工智能算法，搭建新型的停車預(yù)測模型。

在當(dāng)今大數(shù)據(jù)時代下，普通的傳統(tǒng)數(shù)據(jù)庫已經(jīng)不能滿足海量的數(shù)據(jù)存儲。在停車管理系統(tǒng)中，諸如停車場信息、停車位信息、出入車輛信息等大量數(shù)據(jù)需要存儲和實時性調(diào)用。將云數(shù)據(jù)架構(gòu)應(yīng)用于停車管理系統(tǒng)能，很好的解決了停車需求預(yù)測模型影響因素過多且實時性強(qiáng)的問題。

3.1 云數(shù)據(jù)架構(gòu)的應(yīng)用

云數(shù)據(jù)庫屬于云計算[17]技術(shù)，云數(shù)據(jù)庫和傳統(tǒng)數(shù)據(jù)庫相比，擁有更加強(qiáng)大的存儲能力，也能防止多重配置，軟件和硬件的更新升級更加方便。云計算還能對龐大的虛擬計算資源進(jìn)行自我維護(hù)，從而提供更多IT服務(wù)[18]。

3.1.1 云數(shù)據(jù)架構(gòu)優(yōu)勢

云數(shù)據(jù)庫有著實用價值和擴(kuò)展性能較好的特性，而且資源能夠有效分配等。這些特性都是當(dāng)今社會發(fā)展所需求的，云數(shù)據(jù)庫在很多方面會代替?zhèn)鹘y(tǒng)數(shù)據(jù)庫[19]。傳統(tǒng)數(shù)據(jù)庫在一定程度上可以滿足一些傳統(tǒng)的應(yīng)用需求，但是在大數(shù)據(jù)[20]時代背景下，由于其本身的缺陷和不足，逐漸不能滿足海量數(shù)據(jù)的存儲需求。在云計算平臺海量數(shù)據(jù)的存儲和使用的背景之下，云數(shù)據(jù)庫逐漸成為主流的新型數(shù)據(jù)庫發(fā)展方向，對云數(shù)據(jù)庫的研究也有著重大的意義[21]。

3.1.2 把云數(shù)據(jù)庫應(yīng)用到停車管理系統(tǒng)

使用云數(shù)據(jù)庫可以充分滿足儲存停車位狀態(tài)數(shù)據(jù)的需求，實現(xiàn)泊位數(shù)據(jù)的共享，并能夠滿足用戶停車選擇、交通業(yè)務(wù)支撐、決策支持需求，從本質(zhì)上解決泊位信息數(shù)據(jù)不能統(tǒng)一存儲和共享的問題。

把停車場泊位信息、停車場位置信息、進(jìn)出車輛信息、周邊交通信息以及影響泊位需求數(shù)量的其他信息等都存儲在停車管理系統(tǒng)云數(shù)據(jù)庫中，為泊位共享系統(tǒng)、泊位預(yù)測系統(tǒng)、泊位推薦系統(tǒng)等提供數(shù)據(jù)。

3.2 核心算法的應(yīng)用

現(xiàn)有的停車預(yù)測模型相對成熟，如果要提高停車管理模型的預(yù)測精確度，一方面可以對現(xiàn)存的預(yù)測模型進(jìn)行優(yōu)化，另一方面可以用新型高效的算法模型構(gòu)建停車預(yù)測模型。

3.2.1 優(yōu)化現(xiàn)存預(yù)測模型

構(gòu)建高效精確的停車預(yù)測模型是未來的方法趨勢，然而隨著人們對停車需求預(yù)測模型要求的提高，單一的預(yù)測模型已經(jīng)很難滿足實際需求，使用多技術(shù)融合，優(yōu)化停車需求預(yù)測模型，是一個切實有效的解決辦法。

通過上述預(yù)測模型的分析比較不難發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)模型較于傳統(tǒng)預(yù)測模型是相對精確度更高的一種預(yù)測模型，所以可以通過優(yōu)化傳統(tǒng)經(jīng)典的神經(jīng)網(wǎng)絡(luò)，構(gòu)建新型停車需求預(yù)測模型，從而提高停車需求預(yù)測模型的預(yù)測精確度。

3.2.2 人工智能技術(shù)的引入

隨著“機(jī)器學(xué)習(xí)”和“深度學(xué)習(xí)”領(lǐng)域的突破性進(jìn)展，人工智能作為當(dāng)前的熱點研究技術(shù)，以及成功應(yīng)用于眾多領(lǐng)域。將人工智能技術(shù)應(yīng)用于停車需求預(yù)測技術(shù)，構(gòu)建基于人工智能的停車需求預(yù)測模型，通過人工智能技術(shù)的自我學(xué)習(xí)能力，對反饋的數(shù)據(jù)誤差進(jìn)行分析，不斷提高停車需求預(yù)測模型的精確度。

4 總結(jié)

本文主要介紹了幾種當(dāng)前主流的停車預(yù)測模型，指出了當(dāng)前幾種停車預(yù)測模型存在的考慮數(shù)據(jù)不全面、數(shù)據(jù)實時性差等問題。本文提出了應(yīng)用云數(shù)據(jù)架構(gòu)技術(shù)解決停車需求預(yù)測系統(tǒng)數(shù)據(jù)需求量過大和對數(shù)據(jù)實時性要求高的問題；同時，為了提高停車需求預(yù)測的精確度，提出在原有停車預(yù)測模型基礎(chǔ)上進(jìn)行改進(jìn)以及引入人工智能算法的思路。

建立一個高效準(zhǔn)確的停車需求預(yù)測系統(tǒng)具有重要意義，停車需求預(yù)測已經(jīng)成為一個熱點研究問題，一個完善的停車需求系統(tǒng)可以在很大程度上幫助人們的出行停車，緩解停車難問題和城市交通問題。

參考文獻(xiàn)（References）：

[1] 張雷，陳浩，王強(qiáng)等.向量自回歸預(yù)測的泊位共享優(yōu)化算法研

究[J].科學(xué)技術(shù)與工程，2017.17（5）：114-118

[2] 王行建，劉欣.ARMA時間序列模型的研究與應(yīng)用[J].自動化

技術(shù)與應(yīng)用，2008.27（8）：65-66

[3] 湯巖.時間序列分析的研究與應(yīng)用[D].東北農(nóng)業(yè)大學(xué)碩士學(xué)

位論文，2007.

[4] 張雷.基于時間序列模型的停車場泊位特性預(yù)測研究[J].南

京師大學(xué)報（自然科學(xué)版），2017.40（2）：24-30

[5] 岳振中，徐汝華，文杰.基于主成分分析的居住區(qū)停車需求預(yù)

測研究[J].交通與運(yùn)輸（學(xué)術(shù)版），2005.1：72-74

[6] 朱家友，白翰，王臻.基于主成分分析法的停車需求預(yù)測研究[J].

智能城市，2016.5.

[7] 項靜恬，郭世琪.多元回歸模型在實際應(yīng)用中的幾種推廣[J].

數(shù)理統(tǒng)計與管理，1994.4：48-53

[8] 李博，陳丙珍，段東勇等.基于時間冗余度偵破過失誤差的修

正系數(shù)法[J].清華大學(xué)學(xué)報（自然科學(xué)版），2000.40（10）：65-69

[9] 段滿珍，陳光，米雪玉等.居住區(qū)停車泊位需求預(yù)測二步驟法[J].

重慶交通大學(xué)學(xué)報（自然科學(xué)版），2016.35（1）：152-155

[10] 張中華.小波混沌神經(jīng)網(wǎng)絡(luò)研究及其應(yīng)用[D].哈爾濱理工大

學(xué)碩士學(xué)位論文，2009.

[11] 甘露.極限學(xué)習(xí)機(jī)的研究與應(yīng)用[D].西安電子科技大學(xué)碩士

學(xué)位論文，2014.

[12] 陳海鵬，圖曉航，王玉等.基于小波-ELM神經(jīng)網(wǎng)絡(luò)的短期停

車泊位預(yù)測[J].吉林大學(xué)學(xué)報（理學(xué)版），2017.55（2）：388-392

[13] 冉江宇，過秀成，陳永茂.中心城區(qū)機(jī)動車停車泊位需求預(yù)

測框架[J].城市交通，2009.7（6）：59-65

[14] Vlahogianni E I， Kepaptsoglou K， Tsetsos V， et al. A

Real-Time Parking Prediction System for Smart Cities[J]. Journal of Intelligent Transportation Systems，2016.20（2）：192-204

[15] 孟凡淇.云存儲與傳統(tǒng)海量數(shù)據(jù)存儲技術(shù)的比較[J].信息通

信，2014.9：151-151

[16] 周可，王樺，李春花.云存儲技術(shù)及其應(yīng)用[J].中興通訊技術(shù)，

2010.16（4）：24-27

[17] Hayes B. Cloud computing[J]. Communications of the

Acm，2008.51（7）：9-11

[18] 許振霞.云數(shù)據(jù)庫研究[J].計算機(jī)光盤軟件與應(yīng)用，2014.4：

109-110

[19] 成飚.現(xiàn)代云數(shù)據(jù)庫探究[J].軟件導(dǎo)刊，2013.8：3-5

[20] 鄔賀銓.大數(shù)據(jù)時代的機(jī)遇與挑戰(zhàn)[J].信息安全與通信保密，

2013.3：9-10

[21] Chen C， Chen G， Jiang D， et al. Providing scalable

database services on the cloud[C]// International Conference on Web Information Systems Engineering. Springer-Verlag，2010：1-19