停车场增收机会识别与套餐生成方法、设备及存储介质与流程

本技术涉及智能停车算法，尤其涉及一种停车场增收机会识别与套餐生成方法、设备及存储介质。

背景技术：

1、随着城市机动车保有量持续增长与停车资源供给趋于饱和，停车行业已从增量建设阶段转入存量经营阶段。停车场在白天、夜间、工作日、周末及节假日等不同时段的车位利用率差异显著，大量闲置时段资源未被有效商品化，导致经营收入增长潜力未能充分释放。如何系统性地挖掘分散于各停车场的闲置资源并将其转化为可交易商品，已成为停车经营领域亟需解决的关键问题。

2、在停车运营管理技术方面，已知有方案通过获取停车场在预设时间内的停车统计数据，识别不同用户群体的停车行为模式并生成对应的停车套餐产品。亦有方案通过将当前运营数据与历史运营数据进行对比分析，获取运营指标的差异判断结果，进而确定异常运营指标并生成相应的运营策略建议。在收入分析维度，还有方案通过识别停车场收入的影响因素并按影响方向和程度进行分级，在收入波动超出设定阈值时定位根本原因。

3、然而，上述方案在实际应用中仍存在明显局限。增收机会的识别通常依赖运营人员根据进出场报表、空置率统计和市场经验进行人工判断，难以在大量停车场中及时、准确地发现分散的增收机会。同时，闲置时段的分析缺乏对时段分布和可释放容量的精准预估能力，难以根据区域供需变化动态调整套餐方案，导致增收机会的响应速度滞后于市场变化。

4、上述内容仅用于辅助理解本技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种停车场增收机会识别与套餐生成方法、设备及存储介质，旨在解决现有停车资源增收管理过程中增收机会识别及套餐生成高度依赖人工判断、缺乏自动化闭环处理机制的技术问题。

2、为实现上述目的，本技术提出一种停车场增收机会识别与套餐生成方法，所述的方法包括：

3、获取目标停车场的多源经营数据，在所述多源经营数据提取多维度特征；

4、基于所述多维度特征确定所述目标停车场的增收机会等级；

5、根据所述多维度特征中的时序相关特征预测未来预设周期内的闲置时段分布和可释放容量；

6、根据所述增收机会等级、所述闲置时段分布和所述可释放容量，生成停车套餐草案并预填套餐参数；

7、对所述停车套餐草案执行校验，所述校验至少包括时段冲突校验和容量约束校验；

8、输出校验通过后的停车套餐草案。

9、在一实施例中，所述基于所述多维度特征确定所述目标停车场的增收机会等级的步骤，包括：

10、将所述多维度特征中的各维度特征分别执行归一化处理，得到各维度的归一化得分，所述多维度特征包括时段空置率特征、时段重复性特征、区域需求热度特征、价格敏感度特征和收入波动特征；

11、为各维度分别配置权重，所述权重通过专家赋权法、熵权法或数据驱动赋权法中的至少一种方式确定；

12、根据各维度的归一化得分与对应的权重进行加权求和，计算得到综合评分；

13、根据所述综合评分以及预设的划分阈值，将所述目标停车场划分为多个增收机会等级，其中，所述增收机会等级包括高机会、中机会及低机会；

14、根据划分得到的增收机会等级确定对应的上架优先级，所述高机会对应高上架优先级，所述中机会对应中上架优先级，所述低机会对应低上架优先级或暂缓上架。

15、在一实施例中，所述根据所述综合评分以及预设的划分阈值，将所述目标停车场划分为多个增收机会等级的步骤之后，还包括：

16、获取所述目标停车场至少一关键维度的归一化得分；

17、当所述关键维度的归一化得分低于预设下限值时，将所述增收机会等级下调一个或多个等级，所述关键维度至少包括所述区域需求热度特征。

18、在一实施例中，所述根据所述多维度特征中的时序相关特征预测未来预设周期内的闲置时段分布和可释放容量的步骤，包括：

19、获取所述目标停车场的历史车位占用率时间序列数据；

20、根据所述历史车位占用率时间序列数据以及日历特征，通过时序预测模型预测未来预设周期内各时间粒度的闲置概率或闲置车位数；

21、将连续或相邻的闲置时间片聚合为闲置时段区间，各所述闲置时段区间包含起止时刻；

22、根据各所述闲置时段区间内的闲置车位数确定对应的可释放容量，所述日历特征包括时刻、星期、工作日标识、周末标识及节假日标识中的至少一种。

23、在一实施例中，所述根据所述历史车位占用率时间序列数据以及日历特征，通过时序预测模型预测未来预设周期内各时间粒度的闲置概率或闲置车位数的步骤，包括：

24、获取所述目标停车场的区域需求数据、周边兴趣点数据及竞品停车场空置数据；

25、将所述区域需求数据、所述周边兴趣点数据及所述竞品停车场空置数据作为外生变量输入所述时序预测模型，其中，所述时序预测模型为时序统计模型、梯度提升模型或循环神经网络中的任一种，以及，当所述目标停车场的车位占用数据呈现周期性且规律稳定时，选用所述时序统计模型，当输入特征维度包含外生变量且特征间存在非线性交互关系时，选用所述梯度提升模型，当时间序列存在长程依赖关系且样本量充足时，选用所述循环神经网络。

26、在一实施例中，所述根据所述增收机会等级、所述闲置时段分布和所述可释放容量，生成停车套餐草案并预填套餐参数的步骤，包括：

27、根据所述增收机会等级确定套餐类型及套餐优先级；

28、将所述闲置时段分布按预设时段类型进行归类，映射为工作日白天时段、工作日夜间时段、周末时段或节假日时段中的至少一种，并将连续或相邻的闲置时段聚合为套餐适用时段区间；

29、根据所述可释放容量换算套餐可售容量，所述套餐可售容量按所述可释放容量乘以折减系数并扣除安全缓冲后取整得到；

30、根据所述目标停车场主业务的时租价格及周边市场同类停车资源价格确定基准价，并根据所述区域需求热度特征、所述时段空置率特征及所述价格敏感度特征计算价格调整系数，根据所述基准价和所述价格调整系数生成套餐价格区间；

31、预填所述停车套餐草案的适用时段、可售容量、价格区间及履约限制参数，所述履约限制参数包括入场限制、出场限制及适用车牌范围中的至少一种。

32、在一实施例中，所述输出校验通过后的停车套餐草案的步骤之后，还包括：

33、在所述停车套餐草案经人工确认并写入套餐池后，获取所述停车套餐草案对应的成交结果、履约结果及退款结果；

34、根据所述成交结果、所述履约结果及所述退款结果，更新评分模型和预测模型，其中，以实际车位占用数据及实际可售数据作为新增训练样本，校准可释放容量的折减系数与安全缓冲比例从而更新所述预测模型。

35、在一实施例中，所述获取目标停车场的多源经营数据的步骤之后，还包括：

36、对所述多源经营数据进行异常识别，剔除不符合预设阈值范围的异常数据记录；

37、对剔除异常数据后的各来源经营数据按统一时间粒度进行时序对齐，并对对齐后的数据中缺失的时间片进行插补填充；

38、根据插补填充后的数据计算各预设时间粒度的数据完整率，当所述数据完整率低于预设完整率阈值时，标记对应时间粒度下的经营数据为不可用状态，并触发数据补采指令；

39、将标记为不可用状态的时间粒度信息记录至数据质量日志，所述数据质量日志用于在后续特征提取时跳过对应时间粒度的数据；

40、将经上述处理后的多源经营数据存入清洗后的经营数据库。

41、此外，为实现上述目的，本技术还提出一种停车场增收机会识别与套餐生成设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的停车场增收机会识别与套餐生成方法的步骤。

42、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的停车场增收机会识别与套餐生成方法的步骤。

43、本技术提出的一个或多个技术方案，至少具有以下技术效果：

44、本技术的技术方案，获取目标停车场的多源经营数据，在所述多源经营数据提取多维度特征；基于所述多维度特征确定所述目标停车场的增收机会等级；根据所述多维度特征中的时序相关特征预测未来预设周期内的闲置时段分布和可释放容量；根据所述增收机会等级、所述闲置时段分布和所述可释放容量，生成停车套餐草案并预填套餐参数；对所述停车套餐草案执行校验，所述校验至少包括时段冲突校验和容量约束校验；输出校验通过后的停车套餐草案。

45、本技术的技术方案，实现了增收机会自动识别与套餐高效生成，解决了传统方案中机会发现依赖人工、预测缺乏精度、配置效率低下且参数无法自优化的技术难题，实现了停车资源增收管理从人工经验驱动到数据智能驱动的技术跨越。