云數(shù)據(jù)架構(gòu)下的停車(chē)需求預(yù)測(cè)研究

裘瑞清　周后盤(pán)　吳輝　阮益權(quán)　石敏

摘 要： 由于當(dāng)前汽車(chē)保有量過(guò)大，停車(chē)位不能滿足日益增長(zhǎng)的停車(chē)需求，為了降低車(chē)主尋找停車(chē)位的難度，停車(chē)需求預(yù)測(cè)成為了近年來(lái)研究的熱點(diǎn)問(wèn)題。介紹了目前幾種常見(jiàn)的停車(chē)需求預(yù)測(cè)模型，提出停車(chē)需求預(yù)測(cè)中存在的難點(diǎn)，最后提出在停車(chē)需求預(yù)測(cè)中采用人工智能的創(chuàng)新應(yīng)用。

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

中圖分類號(hào)：TP271+.5 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：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(guó)社會(huì)經(jīng)濟(jì)發(fā)展水平的提升，我國(guó)機(jī)動(dòng)車(chē)保有量巨大。從公安部獲悉，截至2017年6月底，我國(guó)汽車(chē)保有量達(dá)到了2.05億輛。全國(guó)停車(chē)位缺口總計(jì)高達(dá)5000萬(wàn)個(gè)，停車(chē)難問(wèn)題已經(jīng)成為一個(gè)迫切需要解決的問(wèn)題。此外，泊位資源浪費(fèi)也是導(dǎo)致停車(chē)難的重要因素之一，如何高效合理的利用泊位是一個(gè)急需解決的問(wèn)題。停車(chē)場(chǎng)泊位需求預(yù)測(cè)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(chē)需求預(yù)測(cè)模型沒(méi)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(cè)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(chē)場(chǎng)影響泊位需求數(shù)量的實(shí)際因素，構(gòu)建新型高效的停車(chē)預(yù)測(cè)模型具有重大意義。

1 目前幾種常見(jiàn)的停車(chē)需求模型介紹

隨著停車(chē)需求預(yù)測(cè)逐漸成為研究的熱點(diǎn)，已經(jīng)有很多種需求預(yù)測(cè)模型應(yīng)用于停車(chē)需求預(yù)測(cè)系統(tǒng)，每種不同的需求預(yù)測(cè)模型都有其自身的優(yōu)點(diǎn)和缺點(diǎn)，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(chē)需求預(yù)測(cè)

時(shí)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(duì)時(shí)間序列的預(yù)測(cè)，有結(jié)構(gòu)清楚簡(jiǎn)潔的優(yōu)點(diǎn)，但也存在著模型參數(shù)過(guò)多的問(wèn)題。

將該方法已應(yīng)用于停車(chē)需求預(yù)測(cè)系統(tǒng)，根據(jù)一段時(shí)間內(nèi)駛?cè)牒婉偝鐾＼?chē)場(chǎng)的車(chē)輛數(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(cè)模型，該模型在優(yōu)化泊位資源及緩解停車(chē)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(shí)間序列模型的停車(chē)需求預(yù)測(cè)

ARMA時(shí)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(jì)學(xué)作為理論基礎(chǔ)來(lái)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(chē)需求預(yù)測(cè)系統(tǒng)，根據(jù)一段時(shí)間內(nèi)某一停車(chē)場(chǎng)進(jìn)出車(chē)輛的統(tǒng)計(jì)進(jìn)行時(shí)間序列模型的構(gòu)建和預(yù)測(cè)，該預(yù)測(cè)模型可行性強(qiáng)，對(duì)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(chē)需求預(yù)測(cè)

主成分分析法是通過(guò)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(jiǎn)化問(wèn)題的需求[5]。

將該方法應(yīng)用于停車(chē)需求預(yù)測(cè)系統(tǒng)，把本來(lái)大量的影響因子，轉(zhuǎn)化為少數(shù)影響因子例如時(shí)間、天氣、特殊事件等，構(gòu)建停車(chē)預(yù)測(cè)模型，可以較好地對(duì)停車(chē)需求進(jìn)行預(yù)測(cè)，但是對(duì)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(chē)需求預(yù)測(cè)

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(jì)方法[7]。修正系數(shù)法又稱為校正系數(shù)法，即對(duì)系數(shù)進(jìn)行修正，是一種提高計(jì)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(chē)需求預(yù)測(cè)系統(tǒng)，利用多元回歸模型和修正系數(shù)法結(jié)合，對(duì)停車(chē)場(chǎng)停車(chē)資源需求進(jìn)行預(yù)測(cè)。

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(shí)會(huì)出現(xiàn)難以量化的問(wèn)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(shí)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(chē)需求預(yù)測(cè)

小波變化是時(shí)間或者空間頻率的局部化分析，通過(guò)對(duì)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(lái)，具有易于實(shí)現(xiàn)、速度快、泛化能力強(qiáng)等特點(diǎn)[11]。

將該方法應(yīng)用到停車(chē)需求預(yù)測(cè)系統(tǒng)，首先采用小波函數(shù)對(duì)有效停車(chē)泊位時(shí)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(duì)分解以后得到的各時(shí)間序列進(jìn)行預(yù)測(cè)，最后結(jié)合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行合成，該方法減少了訓(xùn)練的時(shí)間，同時(shí)也提高了預(yù)測(cè)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(chē)需求預(yù)測(cè)方面存在的難點(diǎn)問(wèn)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(chē)需求的主要因素包括用地布局、社會(huì)經(jīng)濟(jì)的發(fā)展?fàn)顩r、汽車(chē)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(chē)場(chǎng)具體情況方面，影響停車(chē)需求的有停車(chē)場(chǎng)性質(zhì)、停車(chē)場(chǎng)收費(fèi)、停車(chē)場(chǎng)服務(wù)、早晚高峰時(shí)段等。

2.2 泊位需求數(shù)量預(yù)測(cè)的實(shí)時(shí)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(diǎn)，因此這些影響因素的實(shí)時(shí)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(dòng)態(tài)實(shí)時(shí)變化的，獲取實(shí)時(shí)變化的信息是停車(chē)預(yù)測(cè)模型建模的難點(diǎn)之一。再有，在停車(chē)資源管理方面，只有根據(jù)實(shí)時(shí)的泊位需求的預(yù)測(cè)數(shù)量，才能更加科學(xué)合理地優(yōu)化停車(chē)資源的調(diào)度管理。我國(guó)現(xiàn)有的研究中，缺乏泊位需求實(shí)時(shí)預(yù)測(cè)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(huì)出現(xiàn)一些不確定因素，如交通事故、停車(chē)場(chǎng)設(shè)備故障、停車(chē)場(chǎng)封閉、重大社會(huì)活動(dòng)等，也會(huì)很大程度影響泊位需求數(shù)量?，F(xiàn)有的停車(chē)預(yù)測(cè)模型都是假設(shè)在理想情況下對(duì)泊位進(jìn)行預(yù)測(cè)，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(chē)、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(chē)需求建模時(shí)考慮進(jìn)去。

2.4 傳統(tǒng)的數(shù)據(jù)存儲(chǔ)和計(jì)算架構(gòu)

傳統(tǒng)的停車(chē)需求預(yù)測(cè)模型獲取數(shù)據(jù)的方式，一般是通過(guò)實(shí)地調(diào)查并統(tǒng)計(jì)，并將數(shù)據(jù)存儲(chǔ)在傳統(tǒng)數(shù)據(jù)庫(kù)中。

傳統(tǒng)的海量數(shù)據(jù)存儲(chǔ)技術(shù)如硬盤(pán)、DAS、NAS、SAN等存在著服務(wù)器負(fù)擔(dān)過(guò)大，數(shù)據(jù)傳輸實(shí)時(shí)性差，擴(kuò)展性不足，升級(jí)困難等問(wèn)題[15]，無(wú)法滿足停車(chē)需求模型對(duì)多因素、實(shí)時(shí)數(shù)據(jù)的要求。因此采用可以滿足停車(chē)需求預(yù)測(cè)多因素、實(shí)時(shí)性需求的新型數(shù)據(jù)存儲(chǔ)技術(shù)具有重大的意義。目前，云數(shù)據(jù)存儲(chǔ)技術(shù)由于其響應(yīng)速度快、管理高效、安全性好等特點(diǎn)比傳統(tǒng)數(shù)據(jù)存儲(chǔ)技術(shù)更加適合應(yīng)用于停車(chē)需求預(yù)測(cè)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(cè)模型，但是由于影響停車(chē)位數(shù)量的因素?cái)?shù)量多且變化快，且一些因素具有實(shí)時(shí)性，一些預(yù)測(cè)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(chē)預(yù)測(cè)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(shí)時(shí)性；另一方面引入人工智能算法，搭建新型的停車(chē)預(yù)測(cè)模型。

在當(dāng)今大數(shù)據(jù)時(shí)代下，普通的傳統(tǒng)數(shù)據(jù)庫(kù)已經(jīng)不能滿足海量的數(shù)據(jù)存儲(chǔ)。在停車(chē)管理系統(tǒng)中，諸如停車(chē)場(chǎng)信息、停車(chē)位信息、出入車(chē)輛信息等大量數(shù)據(jù)需要存儲(chǔ)和實(shí)時(shí)性調(diào)用。將云數(shù)據(jù)架構(gòu)應(yīng)用于停車(chē)管理系統(tǒng)能，很好的解決了停車(chē)需求預(yù)測(cè)模型影響因素過(guò)多且實(shí)時(shí)性強(qiáng)的問(wèn)題。

3.1 云數(shù)據(jù)架構(gòu)的應(yīng)用

云數(shù)據(jù)庫(kù)屬于云計(jì)算[17]技術(shù)，云數(shù)據(jù)庫(kù)和傳統(tǒng)數(shù)據(jù)庫(kù)相比，擁有更加強(qiáng)大的存儲(chǔ)能力，也能防止多重配置，軟件和硬件的更新升級(jí)更加方便。云計(jì)算還能對(duì)龐大的虛擬計(jì)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(shì)

云數(shù)據(jù)庫(kù)有著實(shí)用價(jià)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(huì)發(fā)展所需求的，云數(shù)據(jù)庫(kù)在很多方面會(huì)代替?zhèn)鹘y(tǒng)數(shù)據(jù)庫(kù)[19]。傳統(tǒng)數(shù)據(jù)庫(kù)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(shí)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(chǔ)需求。在云計(jì)算平臺(tái)海量數(shù)據(jù)的存儲(chǔ)和使用的背景之下，云數(shù)據(jù)庫(kù)逐漸成為主流的新型數(shù)據(jù)庫(kù)發(fā)展方向，對(duì)云數(shù)據(jù)庫(kù)的研究也有著重大的意義[21]。

3.1.2 把云數(shù)據(jù)庫(kù)應(yīng)用到停車(chē)管理系統(tǒng)

使用云數(shù)據(jù)庫(kù)可以充分滿足儲(chǔ)存停車(chē)位狀態(tài)數(shù)據(jù)的需求，實(shí)現(xiàn)泊位數(shù)據(jù)的共享，并能夠滿足用戶停車(chē)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(chǔ)和共享的問(wèn)題。

把停車(chē)場(chǎng)泊位信息、停車(chē)場(chǎng)位置信息、進(jìn)出車(chē)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(chǔ)在停車(chē)管理系統(tǒng)云數(shù)據(jù)庫(kù)中，為泊位共享系統(tǒng)、泊位預(yù)測(cè)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(chē)預(yù)測(cè)模型相對(duì)成熟，如果要提高停車(chē)管理模型的預(yù)測(cè)精確度，一方面可以對(duì)現(xiàn)存的預(yù)測(cè)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(chē)預(yù)測(cè)模型。

3.2.1 優(yōu)化現(xiàn)存預(yù)測(cè)模型

構(gòu)建高效精確的停車(chē)預(yù)測(cè)模型是未來(lái)的方法趨勢(shì)，然而隨著人們對(duì)停車(chē)需求預(yù)測(cè)模型要求的提高，單一的預(yù)測(cè)模型已經(jīng)很難滿足實(shí)際需求，使用多技術(shù)融合，優(yōu)化停車(chē)需求預(yù)測(cè)模型，是一個(gè)切實(shí)有效的解決辦法。

通過(guò)上述預(yù)測(cè)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(cè)模型是相對(duì)精確度更高的一種預(yù)測(cè)模型，所以可以通過(guò)優(yōu)化傳統(tǒng)經(jīng)典的神經(jīng)網(wǎng)絡(luò)，構(gòu)建新型停車(chē)需求預(yù)測(cè)模型，從而提高停車(chē)需求預(yù)測(cè)模型的預(yù)測(cè)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(diǎn)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(chē)需求預(yù)測(cè)技術(shù)，構(gòu)建基于人工智能的停車(chē)需求預(yù)測(cè)模型，通過(guò)人工智能技術(shù)的自我學(xué)習(xí)能力，對(duì)反饋的數(shù)據(jù)誤差進(jìn)行分析，不斷提高停車(chē)需求預(yù)測(cè)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(chē)預(yù)測(cè)模型，指出了當(dāng)前幾種停車(chē)預(yù)測(cè)模型存在的考慮數(shù)據(jù)不全面、數(shù)據(jù)實(shí)時(shí)性差等問(wèn)題。本文提出了應(yīng)用云數(shù)據(jù)架構(gòu)技術(shù)解決停車(chē)需求預(yù)測(cè)系統(tǒng)數(shù)據(jù)需求量過(guò)大和對(duì)數(shù)據(jù)實(shí)時(shí)性要求高的問(wèn)題；同時(shí)，為了提高停車(chē)需求預(yù)測(cè)的精確度，提出在原有停車(chē)預(yù)測(cè)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(gè)高效準(zhǔn)確的停車(chē)需求預(yù)測(cè)系統(tǒng)具有重要意義，停車(chē)需求預(yù)測(cè)已經(jīng)成為一個(gè)熱點(diǎn)研究問(wèn)題，一個(gè)完善的停車(chē)需求系統(tǒng)可以在很大程度上幫助人們的出行停車(chē)，緩解停車(chē)難問(wèn)題和城市交通問(wèn)題。

參考文獻(xiàn)（References）：

[1] 張雷，陳浩，王強(qiáng)等.向量自回歸預(yù)測(cè)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(shí)間序列模型的研究與應(yīng)用[J].自動(dòng)化

技術(shù)與應(yīng)用，2008.27（8）：65-66

[3] 湯巖.時(shí)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(shí)間序列模型的停車(chē)場(chǎng)泊位特性預(yù)測(cè)研究[J].南

京師大學(xué)報(bào)（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(chē)需求預(yù)

測(cè)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(chē)需求預(yù)測(cè)研究[J].

智能城市，2016.5.

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

數(shù)理統(tǒng)計(jì)與管理，1994.4：48-53

[8] 李博，陳丙珍，段東勇等.基于時(shí)間冗余度偵破過(guò)失誤差的修

正系數(shù)法[J].清華大學(xué)學(xué)報(bào)（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(chē)泊位需求預(yù)測(cè)二步驟法[J].

重慶交通大學(xué)學(xué)報(bào)（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(chē)泊位預(yù)測(cè)[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2017.55（2）：388-392

[13] 冉江宇，過(guò)秀成，陳永茂.中心城區(qū)機(jī)動(dòng)車(chē)停車(chē)泊位需求預(yù)

測(cè)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(chǔ)與傳統(tǒng)海量數(shù)據(jù)存儲(chǔ)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(chǔ)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(kù)研究[J].計(jì)算機(jī)光盤(pán)軟件與應(yīng)用，2014.4：

109-110

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

[20] 鄔賀銓.大數(shù)據(jù)時(shí)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