摘要：隨著校園規(guī)模的擴(kuò)大和師生數(shù)量的增加，停車問題逐漸成為影響校園日常運(yùn)行的重要問題。文章首先通過收集校園停車數(shù)據(jù)，對某校園停車數(shù)據(jù)進(jìn)行了描述性統(tǒng)計分析、數(shù)據(jù)可視化以及關(guān)聯(lián)分析。其次，使用Prophet模型對數(shù)據(jù)進(jìn)行擬合和預(yù)測，以揭示停車需求的時空分布特征和變化規(guī)律。最后，基于預(yù)測結(jié)果，提出了優(yōu)化校園停車管理的建議，旨在提高停車資源的使用效率，緩解停車難問題。文章的研究結(jié)果不僅可為校園停車管理提供理論支持，還為其他類似場景的停車需求預(yù)測提供參考。

關(guān)鍵詞：Prophet模型；數(shù)據(jù)分析；車位需求分析

中圖分類號：TP312文獻(xiàn)標(biāo)志碼：A

0引言

隨著大學(xué)生人數(shù)的增加和私家車的普及，校園停車位的需求日益緊張。停車位不足不僅給學(xué)生帶來極大的不便，還給校園交通管理帶來困擾。只有通過科學(xué)的預(yù)測和規(guī)劃，才能有效解決校園停車問題，提高校園交通的便利性和安全性。本文通過對進(jìn)入校園車輛數(shù)量、停車時段和停車習(xí)慣等數(shù)據(jù)進(jìn)行分析，更好地了解停車需求的變化趨勢，進(jìn)而對校園停車資源進(jìn)行合理規(guī)劃和管理。

國內(nèi)外校園停車問題一直是一個備受關(guān)注的熱點話題，在已有的研究成果中，學(xué)者們廣泛探討了停車需求、停車管理、停車政策等方面的問題。通過調(diào)查問卷、實地觀察、數(shù)學(xué)建模等方法，學(xué)者們對校園停車的規(guī)劃、設(shè)計與優(yōu)化提出了許多有價值的建議和解決方案。然而，目前的研究還存在一些不足之處，大部分研究側(cè)重于停車管理和停車收費(fèi)政策等，針對局部案例的數(shù)據(jù)分析類研究相對不足。本文旨在利用Prophet模型對校園停車數(shù)據(jù)進(jìn)行分析，并預(yù)測車位需求。

1研究方法與數(shù)據(jù)

Prophet是Facebook開源的一款基于Python和R語言的數(shù)據(jù)預(yù)測工具。該算法基于時間序列分解和機(jī)器學(xué)習(xí)的擬合設(shè)計而成，不僅可以處理時間序列中存在異常值的情況，還可以處理部分缺失值的情形，全自動地預(yù)測時間序列未來的走勢［1］。算法在擬合模型時使用了pyStan開源工具，能夠在較快的時間內(nèi)得到須要預(yù)測的結(jié)果。Prophet是一種加法模型，由趨勢項、周期項、節(jié)假日項、誤差項組成［2］，如式（1）所示。

p（t）=g（t）+s（t）+h（t）+εt（1）

其中，g（t）為趨勢項，表示時間序列在非周期上面的變化趨勢；s（t）為周期項，也可以稱為季節(jié)項，在默認(rèn)情況下，以周或年為單位；h（t）為節(jié)假日項，表示當(dāng)天是否存在節(jié)假日；εt為誤差項［3］。

某校園停車數(shù)據(jù)來源于進(jìn)校閘機(jī)記錄的csv.格式數(shù)據(jù)，摘取了2023年2月16日—2023年6月30日的數(shù)據(jù)，共包含16225條進(jìn)出校記錄，數(shù)據(jù)記錄如表1所示。

數(shù)據(jù)集中主要包括了本文所需要的一些基本要素，如日期、入口、車牌號、入場時間、離場時間以及識別出來的車牌類型等。

2校園停車數(shù)據(jù)分析

2.1校園停車數(shù)據(jù)集分析

校園停車數(shù)據(jù)集與其他通用停車場數(shù)據(jù)集有所差別。其他停車場數(shù)據(jù)集的分析主要包括停車時長分析、停車位置分析、用戶行為分析和停車費(fèi)用分析等。而校園停車數(shù)據(jù)暫時不涉及停車費(fèi)用，主要根據(jù)數(shù)據(jù)集中的數(shù)據(jù)分析每天車輛入場、出場時間分布，制定交通管理策略；根據(jù)一周車輛入場分布情況優(yōu)化停車管理；根據(jù)每天停車數(shù)據(jù)及相關(guān)的極值分析調(diào)整或拓展停車位數(shù)量；根據(jù)入場車輛的類型為相關(guān)后勤部門提供決策依據(jù)。

2.2數(shù)據(jù)可視化分析

本文對數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行如下分析。以進(jìn)入時間和離開時間為x軸，統(tǒng)計相關(guān)數(shù)據(jù)為y軸，使用Matplotlib庫進(jìn)行圖形繪制，其中進(jìn)入時間為實線，離開時間為虛線，形成如圖1所示的每天24 h車輛進(jìn)入和離開的可視化圖形。

從圖1中可以看出，停車場在凌晨00：00—07：00時，沒有進(jìn)出車輛，在09：00和13：00時入場車輛數(shù)量達(dá)到了高峰，離場車輛數(shù)量從早上開始逐漸增加，在17：00達(dá)到高峰后逐漸回落，到22：00時再次出現(xiàn)小高峰。這符合學(xué)校停車場的使用模式，即白天使用頻率較高，夜間使用頻率相對較低，學(xué)校正常工作時間一般為08：00—17：00，教師除常規(guī)教學(xué)外，還要開展科研活動到深夜。

以進(jìn)入時間為x軸，統(tǒng)計相關(guān)數(shù)據(jù)為y軸，以條狀圖形式，繪制如圖2所示的一周停車數(shù)據(jù)分布情況。

從圖2中可以看出，周一、二、四、五的停車數(shù)據(jù)相對穩(wěn)定，周六、日的停車數(shù)據(jù)偏少，而周三的停車數(shù)據(jù)最多，數(shù)據(jù)分布也基本符合工作日停車數(shù)量較多的規(guī)律。周三是某校的固定坐班工作日，因此，入場車次最多。

以日期為x軸，統(tǒng)計相關(guān)數(shù)據(jù)為y軸，以折線圖形式，繪制如圖3所示的每天停車數(shù)據(jù)分布情況。另外，本文根據(jù)統(tǒng)計數(shù)據(jù)繪制了最大值、最小值和平均值。

從圖3中可以看出，最大值出現(xiàn)在3月的某一天，最小值出現(xiàn)在3月和5月的2天，經(jīng)核查校歷，發(fā)現(xiàn)最大值的那天有地區(qū)的專場招聘會。每天停車的極值數(shù)據(jù)分析可以幫助決策者決定是否需要擴(kuò)建或調(diào)整停車場的位置和規(guī)模，以滿足不斷增長的停車需求。

以日期為x軸，按車輛類型統(tǒng)計相關(guān)數(shù)據(jù)為y軸，以折線圖的形式繪制如圖4所示的按類型區(qū)分的停車分布情況。圖中圓點為內(nèi)部車，左三角為臨時車，右三角為社會培訓(xùn)車輛。

從圖4中可以看出，校園停車的主要車輛還是以內(nèi)部車輛為主，其次，是臨時車，而社會培訓(xùn)車輛最少。

3基于Prophet的車位需求預(yù)測

3.1模型的建立和實驗步驟

Prophet可以通過人工設(shè)定參數(shù)和計算機(jī)自動優(yōu)化來提高模型預(yù)測的精度。本文使用Prophet1.1.5作為第三方庫，使用Python3.9編寫預(yù)測程序，將某校區(qū)停車數(shù)據(jù)分為訓(xùn)練集和測試集，2023年02月16日—2023年05月31日的停車數(shù)據(jù)為訓(xùn)練集，2023年06月01日—2023年06月30日為測試集，在默認(rèn)參數(shù)的基礎(chǔ)上進(jìn)行了適當(dāng)?shù)膮?shù)優(yōu)化，以訓(xùn)練集為基礎(chǔ)，預(yù)測30天的未來數(shù)據(jù)，并與測試集數(shù)據(jù)做對比評估。

3.2對比與討論

根據(jù)官網(wǎng)的描述，只要用csv.文件存儲2列數(shù)據(jù)集數(shù)據(jù)即可，其中第一列的名字是‘ds’，第二列的名稱是‘y’，第一列表示時間序列的時間戳，第二列表示時間序列的取值。通過Prophet，可以計算出yhat、yhat_lower、yhat_upper分別表示時間序列的預(yù)測值、預(yù)測值的下界、預(yù)測值的上界。在某校區(qū)停車數(shù)據(jù)的訓(xùn)練集中，本文設(shè)指定日期為ds列，入場車輛數(shù)量為y列，對數(shù)據(jù)進(jìn)行歸一化操作，在完成增長函數(shù)和變點的設(shè)置后，即可用默認(rèn)模型進(jìn)行擬合，并開始預(yù)測。入場車輛實際值和預(yù)測值對比結(jié)果如表2所示。

本文在表2中列舉了部分示例數(shù)據(jù)，除了包含實際值、預(yù)測值、置信區(qū)間外，還進(jìn)行了相對誤差的計算，在進(jìn)行預(yù)測操作后，對比了車位需求30天預(yù)測和實際情況，結(jié)果如圖5所示。

圖5中，細(xì)實線部分采用Prophet擬合的預(yù)測值，加粗顯示的點劃線部分是從2023年06月01日—2023年06月30日的實際值數(shù)據(jù)。Prophet預(yù)測模型使用趨勢項來描述時序序列的長期趨勢，用季節(jié)項來描述周期性變化，用假日項描述異常事件，再使用誤差項捕捉模型無法解釋的隨機(jī)波動。通過對比結(jié)果可以看出，預(yù)測值與實際值的趨勢基本符合，實際值基本在預(yù)測的置信區(qū)間內(nèi)，但還是與預(yù)測絕對值存在較大的誤差，這可能和參數(shù)的選定有很大關(guān)系。

4結(jié)語

本文使用數(shù)據(jù)可視化方法對某校園停車數(shù)據(jù)集進(jìn)行了分析，還利用Prophet預(yù)測模型對車位需求進(jìn)行了預(yù)測。本文通過對比實際值與預(yù)測值，發(fā)現(xiàn)預(yù)測的趨勢與實際趨勢基本符合，實際值大多落在預(yù)測的置信區(qū)間內(nèi)，這說明了Prophet模型在校園停車數(shù)據(jù)分析及車位需求預(yù)測中的有效性［4］。但在一些時間點上，預(yù)測值與實際值之間仍存在較大的絕對誤差，在后續(xù)的研究中，可能需要進(jìn)一步優(yōu)化模型的參數(shù)設(shè)置，以提高預(yù)測精度［5］。還可以考慮引入更多的外部變量，如天氣、節(jié)假日、校園活動等，以更全面地捕捉影響車位需求的因素，進(jìn)一步提高預(yù)測精度，為智慧校園的停車管理提供決策支持。

參考文獻(xiàn)

［1］吳文培，宋亞林，魏上斐.基于改進(jìn)Prophet模型的用電量預(yù)測研究［J］.計算機(jī)仿真，2021（11）：473-478.

［2］肖雪嬌，楊峰.互聯(lián)網(wǎng)企業(yè)數(shù)據(jù)資產(chǎn)價值評估［J］.財會月刊，2022（18）：126-135.

［3］辛唯.LSTM-Prophet混合模型在物料儲備需求預(yù)測中的應(yīng)用［J］.現(xiàn)代計算機(jī)，2024（4）：53-57.

［4］季銘，楊金夢，王政.基于Prophet算法的義務(wù)教育階段體育教師人數(shù)的預(yù)測與分析［J］.體育科技文獻(xiàn)通報，2024（1）：218-222.

［5］馬曉琴，厲娜，羅紅郊，等.基于Prophet的用戶用電量短期預(yù)測方法［J］.信息技術(shù)，2023（8）：29-34.

（編輯王雪芬編輯）

Campus parking data analysis and parking space demand prediction based on Prophet

XU" Jiali1， FU" Xiang2*

（1.Information Center， Zhejiang Vocational College of Mechanical and Electrical Technology， Hangzhou"310053， China; 2.School of Modern Information Technology， Zhejiang Vocational College of Mechanical"and Electrical Technology， Hangzhou 310053， China）

Abstract： With the expansion of the campus scale and the increase of the number of teachers and students， parking has gradually become an important issue affecting the daily operation of the campus. This paper first collected campus parking data and conducted descriptive statistical analysis， data visualization and correlation analysis on the parking data of a campus. Secondly， the Prophet model is used to fit and forecast the data to reveal the spatial-temporal distribution characteristics and change laws of parking demand. Finally， based on the prediction results， this paper puts forward suggestions for optimizing campus parking management， aiming to improve the efficiency of parking resources and alleviate parking difficulties. The research results of this paper can not only provide theoretical support for campus parking management， but also provide reference for parking demand prediction in other similar scenarios.

Key words： Prophet model; data analysis; parking space demand analysis