基于Prophet的校園停車(chē)數(shù)據(jù)分析及車(chē)位需求預(yù)測(cè)

摘要：隨著校園規(guī)模的擴(kuò)大和師生數(shù)量的增加，停車(chē)問(wèn)題逐漸成為影響校園日常運(yùn)行的重要問(wèn)題。文章首先通過(guò)收集校園停車(chē)數(shù)據(jù)，對(duì)某校園停車(chē)數(shù)據(jù)進(jìn)行了描述性統(tǒng)計(jì)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(duì)數(shù)據(jù)進(jìn)行擬合和預(yù)測(cè)，以揭示停車(chē)需求的時(shí)空分布特征和變化規(guī)律。最后，基于預(yù)測(cè)結(jié)果，提出了優(yōu)化校園停車(chē)管理的建議，旨在提高停車(chē)資源的使用效率，緩解停車(chē)難問(wèn)題。文章的研究結(jié)果不僅可為校園停車(chē)管理提供理論支持，還為其他類(lèi)似場(chǎng)景的停車(chē)需求預(yù)測(cè)提供參考。

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

中圖分類(lèi)號(hào)：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(chē)的普及，校園停車(chē)位的需求日益緊張。停車(chē)位不足不僅給學(xué)生帶來(lái)極大的不便，還給校園交通管理帶來(lái)困擾。只有通過(guò)科學(xué)的預(yù)測(cè)和規(guī)劃，才能有效解決校園停車(chē)問(wèn)題，提高校園交通的便利性和安全性。本文通過(guò)對(duì)進(jìn)入校園車(chē)輛數(shù)量、停車(chē)時(shí)段和停車(chē)習(xí)慣等數(shù)據(jù)進(jìn)行分析，更好地了解停車(chē)需求的變化趨勢(shì)，進(jìn)而對(duì)校園停車(chē)資源進(jìn)行合理規(guī)劃和管理。

國(guó)內(nèi)外校園停車(chē)問(wèn)題一直是一個(gè)備受關(guān)注的熱點(diǎn)話題，在已有的研究成果中，學(xué)者們廣泛探討了停車(chē)需求、停車(chē)管理、停車(chē)政策等方面的問(wèn)題。通過(guò)調(diào)查問(wèn)卷、實(shí)地觀察、數(shù)學(xué)建模等方法，學(xué)者們對(duì)校園停車(chē)的規(guī)劃、設(shè)計(jì)與優(yōu)化提出了許多有價(jià)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(chē)管理和停車(chē)收費(fèi)政策等，針對(duì)局部案例的數(shù)據(jù)分析類(lèi)研究相對(duì)不足。本文旨在利用Prophet模型對(duì)校園停車(chē)數(shù)據(jù)進(jìn)行分析，并預(yù)測(cè)車(chē)位需求。

1研究方法與數(shù)據(jù)

Prophet是Facebook開(kāi)源的一款基于Python和R語(yǔ)言的數(shù)據(jù)預(yù)測(cè)工具。該算法基于時(shí)間序列分解和機(jī)器學(xué)習(xí)的擬合設(shè)計(jì)而成，不僅可以處理時(shí)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(dòng)地預(yù)測(cè)時(shí)間序列未來(lái)的走勢(shì)［1］。算法在擬合模型時(shí)使用了pyStan開(kāi)源工具，能夠在較快的時(shí)間內(nèi)得到須要預(yù)測(cè)的結(jié)果。Prophet是一種加法模型，由趨勢(shì)項(xiàng)、周期項(xiàng)、節(jié)假日項(xiàng)、誤差項(xiàng)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(shì)項(xiàng)，表示時(shí)間序列在非周期上面的變化趨勢(shì)；s（t）為周期項(xiàng)，也可以稱(chēng)為季節(jié)項(xiàng)，在默認(rèn)情況下，以周或年為單位；h（t）為節(jié)假日項(xiàng)，表示當(dāng)天是否存在節(jié)假日；εt為誤差項(xiàng)［3］。

某校園停車(chē)數(shù)據(jù)來(lái)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(chē)牌號(hào)、入場(chǎng)時(shí)間、離場(chǎng)時(shí)間以及識(shí)別出來(lái)的車(chē)牌類(lèi)型等。

2校園停車(chē)數(shù)據(jù)分析

2.1校園停車(chē)數(shù)據(jù)集分析

校園停車(chē)數(shù)據(jù)集與其他通用停車(chē)場(chǎng)數(shù)據(jù)集有所差別。其他停車(chē)場(chǎng)數(shù)據(jù)集的分析主要包括停車(chē)時(shí)長(zhǎng)分析、停車(chē)位置分析、用戶(hù)行為分析和停車(chē)費(fèi)用分析等。而校園停車(chē)數(shù)據(jù)暫時(shí)不涉及停車(chē)費(fèi)用，主要根據(jù)數(shù)據(jù)集中的數(shù)據(jù)分析每天車(chē)輛入場(chǎng)、出場(chǎng)時(shí)間分布，制定交通管理策略；根據(jù)一周車(chē)輛入場(chǎng)分布情況優(yōu)化停車(chē)管理；根據(jù)每天停車(chē)數(shù)據(jù)及相關(guān)的極值分析調(diào)整或拓展停車(chē)位數(shù)量；根據(jù)入場(chǎng)車(chē)輛的類(lèi)型為相關(guān)后勤部門(mén)提供決策依據(jù)。

2.2數(shù)據(jù)可視化分析

本文對(duì)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行如下分析。以進(jìn)入時(shí)間和離開(kāi)時(shí)間為x軸，統(tǒng)計(jì)相關(guān)數(shù)據(jù)為y軸，使用Matplotlib庫(kù)進(jìn)行圖形繪制，其中進(jìn)入時(shí)間為實(shí)線，離開(kāi)時(shí)間為虛線，形成如圖1所示的每天24 h車(chē)輛進(jìn)入和離開(kāi)的可視化圖形。

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

以進(jìn)入時(shí)間為x軸，統(tǒng)計(jì)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(chē)數(shù)據(jù)分布情況。

從圖2中可以看出，周一、二、四、五的停車(chē)數(shù)據(jù)相對(duì)穩(wěn)定，周六、日的停車(chē)數(shù)據(jù)偏少，而周三的停車(chē)數(shù)據(jù)最多，數(shù)據(jù)分布也基本符合工作日停車(chē)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(chǎng)車(chē)次最多。

以日期為x軸，統(tǒng)計(jì)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(chē)數(shù)據(jù)分布情況。另外，本文根據(jù)統(tǒng)計(jì)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(zhuān)場(chǎng)招聘會(huì)。每天停車(chē)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(chē)場(chǎng)的位置和規(guī)模，以滿(mǎn)足不斷增長(zhǎng)的停車(chē)需求。

以日期為x軸，按車(chē)輛類(lèi)型統(tǒng)計(jì)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(lèi)型區(qū)分的停車(chē)分布情況。圖中圓點(diǎn)為內(nèi)部車(chē)，左三角為臨時(shí)車(chē)，右三角為社會(huì)培訓(xùn)車(chē)輛。

從圖4中可以看出，校園停車(chē)的主要車(chē)輛還是以?xún)?nèi)部車(chē)輛為主，其次，是臨時(shí)車(chē)，而社會(huì)培訓(xùn)車(chē)輛最少。

3基于Prophet的車(chē)位需求預(yù)測(cè)

3.1模型的建立和實(shí)驗(yàn)步驟

Prophet可以通過(guò)人工設(shè)定參數(shù)和計(jì)算機(jī)自動(dòng)優(yōu)化來(lái)提高模型預(yù)測(cè)的精度。本文使用Prophet1.1.5作為第三方庫(kù)，使用Python3.9編寫(xiě)預(yù)測(cè)程序，將某校區(qū)停車(chē)數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，2023年02月16日—2023年05月31日的停車(chē)數(shù)據(jù)為訓(xùn)練集，2023年06月01日—2023年06月30日為測(cè)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(cè)30天的未來(lái)數(shù)據(jù)，并與測(cè)試集數(shù)據(jù)做對(duì)比評(píng)估。

3.2對(duì)比與討論

根據(jù)官網(wǎng)的描述，只要用csv.文件存儲(chǔ)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(chēng)是‘y’，第一列表示時(shí)間序列的時(shí)間戳，第二列表示時(shí)間序列的取值。通過(guò)Prophet，可以計(jì)算出yhat、yhat_lower、yhat_upper分別表示時(shí)間序列的預(yù)測(cè)值、預(yù)測(cè)值的下界、預(yù)測(cè)值的上界。在某校區(qū)停車(chē)數(shù)據(jù)的訓(xùn)練集中，本文設(shè)指定日期為ds列，入場(chǎng)車(chē)輛數(shù)量為y列，對(duì)數(shù)據(jù)進(jìn)行歸一化操作，在完成增長(zhǎng)函數(shù)和變點(diǎn)的設(shè)置后，即可用默認(rèn)模型進(jìn)行擬合，并開(kāi)始預(yù)測(cè)。入場(chǎng)車(chē)輛實(shí)際值和預(yù)測(cè)值對(duì)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(shí)際值、預(yù)測(cè)值、置信區(qū)間外，還進(jìn)行了相對(duì)誤差的計(jì)算，在進(jìn)行預(yù)測(cè)操作后，對(duì)比了車(chē)位需求30天預(yù)測(cè)和實(shí)際情況，結(jié)果如圖5所示。

圖5中，細(xì)實(shí)線部分采用Prophet擬合的預(yù)測(cè)值，加粗顯示的點(diǎn)劃線部分是從2023年06月01日—2023年06月30日的實(shí)際值數(shù)據(jù)。Prophet預(yù)測(cè)模型使用趨勢(shì)項(xiàng)來(lái)描述時(shí)序序列的長(zhǎng)期趨勢(shì)，用季節(jié)項(xiàng)來(lái)描述周期性變化，用假日項(xiàng)描述異常事件，再使用誤差項(xiàng)捕捉模型無(wú)法解釋的隨機(jī)波動(dòng)。通過(guò)對(duì)比結(jié)果可以看出，預(yù)測(cè)值與實(shí)際值的趨勢(shì)基本符合，實(shí)際值基本在預(yù)測(cè)的置信區(qū)間內(nèi)，但還是與預(yù)測(cè)絕對(duì)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(yǔ)

本文使用數(shù)據(jù)可視化方法對(duì)某校園停車(chē)數(shù)據(jù)集進(jìn)行了分析，還利用Prophet預(yù)測(cè)模型對(duì)車(chē)位需求進(jìn)行了預(yù)測(cè)。本文通過(guò)對(duì)比實(shí)際值與預(yù)測(cè)值，發(fā)現(xiàn)預(yù)測(cè)的趨勢(shì)與實(shí)際趨勢(shì)基本符合，實(shí)際值大多落在預(yù)測(cè)的置信區(qū)間內(nèi)，這說(shuō)明了Prophet模型在校園停車(chē)數(shù)據(jù)分析及車(chē)位需求預(yù)測(cè)中的有效性［4］。但在一些時(shí)間點(diǎn)上，預(yù)測(cè)值與實(shí)際值之間仍存在較大的絕對(duì)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(cè)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(dòng)等，以更全面地捕捉影響車(chē)位需求的因素，進(jìn)一步提高預(yù)測(cè)精度，為智慧校園的停車(chē)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(cè)研究［J］.計(jì)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(jià)值評(píng)估［J］.財(cái)會(huì)月刊，2022（18）：126-135.

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

［4］季銘，楊金夢(mèng)，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(cè)與分析［J］.體育科技文獻(xiàn)通報(bào)，2024（1）：218-222.

［5］馬曉琴，厲娜，羅紅郊，等.基于Prophet的用戶(hù)用電量短期預(yù)測(cè)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