云數據架構下的停車需求預測研究

裘瑞清　周后盤　吳輝　阮益權　石敏

摘 要： 由于當前汽車保有量過大，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測模型，提出停車需求預測中存在的難點，最后提出在停車需求預測中采用人工智能的創新應用。

關鍵詞： 停車需求； 云數據架構； 預測模型； 人工智能； 創新應用

中圖分類號：TP271+.5 文獻標志碼：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

隨著我國社會經濟發展水平的提升，我國機動車保有量巨大。從公安部獲悉，截至2017年6月底，我國汽車保有量達到了2.05億輛。全國停車位缺口總計高達5000萬個，停車難問題已經成為一個迫切需要解決的問題。此外，泊位資源浪費也是導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。停車場泊位需求預測系統的出現可以很好地提高泊位的利用率。

目前，一些停車需求預測模型沒有充分考慮各種影響泊位需求數量的因素，導致預測的結果誤差偏大，所以利用利用更高精確度的新型算法模型，結合停車場影響泊位需求數量的實際因素，構建新型高效的停車預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

隨著停車需求預測逐漸成為研究的熱點，已經有很多種需求預測模型應用于停車需求預測系統，每種不同的需求預測模型都有其自身的優點和缺點，下面進行介紹和闡述。

1.1 基于VAR向量自回歸模型的停車需求預測

時間序列向量自回歸模型（VAR）在20世紀80年代被提出，主要用于對時間序列的預測，有結構清楚簡潔的優點，但也存在著模型參數過多的問題。

將該方法已應用于停車需求預測系統，根據一段時間內駛入和駛出停車場的車輛數以及剩余泊位量之間的相互關系，建立向量自回歸預測模型，該模型在優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測

ARMA時間序列模型是一種有限參數線性模型[2]，也稱為自回歸模型，它是以概率統計學作為理論基礎來分析隨機數據序列的一種模型[3]。

將該方法應用于停車需求預測系統，根據一段時間內某一停車場進出車輛的統計進行時間序列模型的構建和預測，該預測模型可行性強，對數據的依賴性小。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測

主成分分析法是通過構造原變量的線性組合，轉化成一組互不相關的新變量，并從中選擇少數盡可能包含原變量信息的新變量，達到簡化問題的需求[5]。

將該方法應用于停車需求預測系統，把本來大量的影響因子，轉化為少數影響因子例如時間、天氣、特殊事件等，構建停車預測模型，可以較好地對停車需求進行預測，但是對原始的數據有較高要求。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-修正系數法模型的停車需求預測

多元回歸模型是一種廣泛應用于經濟、生態、工程等方面的統計方法[7]。修正系數法又稱為校正系數法，即對系數進行修正，是一種提高計算數據的精確性的一種方法[8]。

將該方法應用到停車需求預測系統，利用多元回歸模型和修正系數法結合，對停車場停車資源需求進行預測。

傳統的多元回歸模型在分析居住區位置、建筑物類型等強影響因素時會出現難以量化的問題，利用彈性系數法引入區位修正系數和建筑物類別修正系數，優化多元回歸模型。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神經網絡模型的停車需求預測

小波變化是時間或者空間頻率的局部化分析，通過對函數的多尺度細化，聚焦到函數的任意細節[10]。極限學習機（ELM）則是從單隱藏層的神經網絡發展而來，具有易于實現、速度快、泛化能力強等特點[11]。

將該方法應用到停車需求預測系統，首先采用小波函數對有效停車泊位時間序列進行小波分解和重構，并利用極限學習機對分解以后得到的各時間序列進行預測，最后結合神經網絡預測結果進行合成，該方法減少了訓練的時間，同時也提高了預測的結果。在陳海鵬的研究中，該方法得到了0.986的精確度[12]。

2 停車需求預測方面存在的難點問題

2.1 影響泊位需求數量的因素多

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、社會經濟的發展狀況、汽車產業的發展政策、交通發展的引導性策略等[13]。

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

2.2 泊位需求數量預測的實時性要求

由于上述影響泊位需求數量的因素有著數量多、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、交通情況都是動態實時變化的，獲取實時變化的信息是停車預測模型建模的難點之一。再有，在停車資源管理方面，只有根據實時的泊位需求的預測數量，才能更加科學合理地優化停車資源的調度管理。我國現有的研究中，缺乏泊位需求實時預測的研究[14]。

2.3 不確定因素和突發事件

除了上述影響泊位需求數量的各種因素以外，通常會出現一些不確定因素，如交通事故、停車場設備故障、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量。現有的停車預測模型都是假設在理想情況下對泊位進行預測，而忽略這些影響泊位需求數量的突發事件。這種現象一般表現為由于低估泊位需求數量，導致局部路段或區域嚴重堵車、交通事故頻發，進而導致該區域交通癱瘓，造成難以估量的損失。因此，這些影響泊位需求數量的不確定性因素，應該在停車需求建模時考慮進去。

2.4 傳統的數據存儲和計算架構

傳統的停車需求預測模型獲取數據的方式，一般是通過實地調查并統計，并將數據存儲在傳統數據庫中。

傳統的海量數據存儲技術如硬盤、DAS、NAS、SAN等存在著服務器負擔過大，數據傳輸實時性差，擴展性不足，升級困難等問題[15]，無法滿足停車需求模型對多因素、實時數據的要求。因此采用可以滿足停車需求預測多因素、實時性需求的新型數據存儲技術具有重大的意義。目前，云數據存儲技術由于其響應速度快、管理高效、安全性好等特點比傳統數據存儲技術更加適合應用于停車需求預測系統[16]。

3 創新思路和方向

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

在當今大數據時代下，普通的傳統數據庫已經不能滿足海量的數據存儲。在停車管理系統中，諸如停車場信息、停車位信息、出入車輛信息等大量數據需要存儲和實時性調用。將云數據架構應用于停車管理系統能，很好的解決了停車需求預測模型影響因素過多且實時性強的問題。

3.1 云數據架構的應用

云數據庫屬于云計算[17]技術，云數據庫和傳統數據庫相比，擁有更加強大的存儲能力，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行自我維護，從而提供更多IT服務[18]。

3.1.1 云數據架構優勢

云數據庫有著實用價值和擴展性能較好的特性，而且資源能夠有效分配等。這些特性都是當今社會發展所需求的，云數據庫在很多方面會代替傳統數據庫[19]。傳統數據庫在一定程度上可以滿足一些傳統的應用需求，但是在大數據[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據的存儲需求。在云計算平臺海量數據的存儲和使用的背景之下，云數據庫逐漸成為主流的新型數據庫發展方向，對云數據庫的研究也有著重大的意義[21]。

3.1.2 把云數據庫應用到停車管理系統

使用云數據庫可以充分滿足儲存停車位狀態數據的需求，實現泊位數據的共享，并能夠滿足用戶停車選擇、交通業務支撐、決策支持需求，從本質上解決泊位信息數據不能統一存儲和共享的問題。

把停車場泊位信息、停車場位置信息、進出車輛信息、周邊交通信息以及影響泊位需求數量的其他信息等都存儲在停車管理系統云數據庫中，為泊位共享系統、泊位預測系統、泊位推薦系統等提供數據。

3.2 核心算法的應用

現有的停車預測模型相對成熟，如果要提高停車管理模型的預測精確度，一方面可以對現存的預測模型進行優化，另一方面可以用新型高效的算法模型構建停車預測模型。

3.2.1 優化現存預測模型

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

通過上述預測模型的分析比較不難發現，神經網絡模型較于傳統預測模型是相對精確度更高的一種預測模型，所以可以通過優化傳統經典的神經網絡，構建新型停車需求預測模型，從而提高停車需求預測模型的預測精確度。

3.2.2 人工智能技術的引入

隨著“機器學習”和“深度學習”領域的突破性進展，人工智能作為當前的熱點研究技術，以及成功應用于眾多領域。將人工智能技術應用于停車需求預測技術，構建基于人工智能的停車需求預測模型，通過人工智能技術的自我學習能力，對反饋的數據誤差進行分析，不斷提高停車需求預測模型的精確度。

4 總結

本文主要介紹了幾種當前主流的停車預測模型，指出了當前幾種停車預測模型存在的考慮數據不全面、數據實時性差等問題。本文提出了應用云數據架構技術解決停車需求預測系統數據需求量過大和對數據實時性要求高的問題；同時，為了提高停車需求預測的精確度，提出在原有停車預測模型基礎上進行改進以及引入人工智能算法的思路。

建立一個高效準確的停車需求預測系統具有重要意義，停車需求預測已經成為一個熱點研究問題，一個完善的停車需求系統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（References）：

[1] 張雷，陳浩，王強等.向量自回歸預測的泊位共享優化算法研

究[J].科學技術與工程，2017.17（5）：114-118

[2] 王行建，劉欣.ARMA時間序列模型的研究與應用[J].自動化

技術與應用，2008.27（8）：65-66

[3] 湯巖.時間序列分析的研究與應用[D].東北農業大學碩士學

位論文，2007.

[4] 張雷.基于時間序列模型的停車場泊位特性預測研究[J].南

京師大學報（自然科學版），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停車需求預

測研究[J].交通與運輸（學術版），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用中的幾種推廣[J].

數理統計與管理，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

正系數法[J].清華大學學報（自然科學版），2000.40（10）：65-69

[9] 段滿珍，陳光，米雪玉等.居住區停車泊位需求預測二步驟法[J].

重慶交通大學學報（自然科學版），2016.35（1）：152-155

[10] 張中華.小波混沌神經網絡研究及其應用[D].哈爾濱理工大

學碩士學位論文，2009.

[11] 甘露.極限學習機的研究與應用[D].西安電子科技大學碩士

學位論文，2014.

[12] 陳海鵬，圖曉航，王玉等.基于小波-ELM神經網絡的短期停

車泊位預測[J].吉林大學學報（理學版），2017.55（2）：388-392

[13] 冉江宇，過秀成，陳永茂.中心城區機動車停車泊位需求預

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.云存儲與傳統海量數據存儲技術的比較[J].信息通

信，2014.9：151-151

[16] 周可，王樺，李春花.云存儲技術及其應用[J].中興通訊技術，

2010.16（4）：24-27

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

Acm，2008.51（7）：9-11

[18] 許振霞.云數據庫研究[J].計算機光盤軟件與應用，2014.4：

109-110

[19] 成飚.現代云數據庫探究[J].軟件導刊，2013.8：3-5

[20] 鄔賀銓.大數據時代的機遇與挑戰[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