停车场属性预测模型训练方法、停车场推荐方法及装置与流程

本公开涉及人工智能技术领域，尤其涉及自主泊车、智能交通、大数据、深度学习等技术领域。

背景技术：

随着经济、科技的发展，车辆数量越来越多，车辆用户对停车场的需求也与日俱增。

用户通过自驾车出行时，不仅常常需要对行驶路线进行导航，也需要在到达目的地时随时得知周边能够停车的场地以停放自己的车辆。然而，一般情况下，地图导航仅能够查询一个目标地址周围的停车场以及停车场的具体位置，无法了解停车场的具体信息，不能够对停车场是否能够停车进行判断，从而可能会导致用户在驾车时选择错误的停车场而耽误时间和行程。

技术实现要素：

本公开提供了一种停车场属性预测模型训练方法、停车场推荐方法及装置。

根据本公开的一方面，提供了一种停车场属性预测模型训练方法，包括：

确定与目标停车场对应的待训练的停车场属性预测模型；

将目标停车场的特征输入待训练的停车场属性预测模型；

采用待训练的停车场属性预测模型，获得目标停车场的对内对外属性预测结果；

根据目标停车场的实际对内对外属性和对内对外属性预测结果，对待训练的停车场属性预测模型进行训练，获得停车场属性预测模型。

根据本公开的另一方面，提供了一种停车场推荐信息生成方法，包括：

根据用户位置，确定用户周围设定范围内的停车场；

根据用户周围设定范围内的停车场的对内对外属性，生成停车场推荐信息，停车场的对内对外属性为根据本公开任意一项实施例所提供的训练后的停车场属性预测模型预测获得。

根据本公开的另一方面，提供了一种停车场属性模型训练装置，包括：

模型确定模块，用于确定与目标停车场对应的待训练的停车场属性预测模型；

输入模块，用于将目标停车场的特征输入待训练的停车场属性预测模型；

结果模块，用于采用待训练的停车场属性预测模型，获得目标停车场的对内对外属性预测结果；

训练模块，用于根据目标停车场的实际对内对外属性和对内对外属性预测结果，对待训练的停车场属性预测模型进行训练，获得停车场属性预测模型。

根据本公开的另一方面，提供了一种停车场推荐信息生成装置，包括：

位置模块，用于根据用户位置，确定用户周围设定范围内的停车场；

推荐模块，用于根据用户周围设定范围内的停车场的对内对外属性，生成停车场推荐信息，停车场的对内对外属性为根据本公开任意一项实施例所提供的训练后的停车场属性预测模型预测获得。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术，能够根据目标停车场选择对应的待训练停车场属性预测模型，利用目标停车场的特征对待训练的模型进行训练，从而获得的模型能够对停车场的对内对外属性进行预测，获得停车场的对内对外属性，以便用户更好地掌握停车场的具体信息。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例的停车场属性模型预测方法示意图；

图2是根据本公开另一实施例的停车场属性模型预测方法示意图；

图3是根据本公又一实施例的停车场推荐方法示意图；

图4是根据本公开一实施例的停车场属性模型预测装置示意图；

图5是根据本公开另一实施例的停车场属性模型预测装置示意图；

图6是根据本公开又一实施例的停车场属性模型预测装置示意图；

图7是根据本公开又一实施例的停车场属性模型预测装置示意图；

图8是用来实现本公开实施例的停车属性预测模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例提供了一种停车场属性预测模型训练方法，如图1所示，包括：

步骤s11：确定与目标停车场对应的待训练的停车场属性预测模型；

步骤s12：将目标停车场的特征输入待训练的停车场属性预测模型；

步骤s13：采用待训练的停车场属性预测模型，获得目标停车场的对内对外属性预测结果；

步骤s14：根据目标停车场的实际对内对外属性和对内对外属性预测结果，对待训练的停车场属性预测模型进行训练，获得停车场属性预测模型。

在本实施例中，对应于不同的停车场，可设置不同的停车场属性预测模型。在具体实现方式中，对于具有同一特征的停车场，可采用同样的停车场属性预测模型。不同的停车场属性预测模型可以设置不同的模型参数。

比如，在一种具体实现方式中，可根据停车场附属的机构确定对应的停车场属性预测模型。具体可以是：商场附属停车场对应第一类型的停车场属性预测模型；办公楼附属停车场对应第二类型的停车场属性预测模型；医院附属停车场对应第三类型的停车场属性预测模型；景区附属停车场对应第四类型的停车场属性预测模型……

再如，在另一种具体实现方式中，可根据停车场所在区域人流密度、停车场周边道路的交通规则等级、停车场周围的道路拥堵程度等信息中的至少一个，确定对应的停车场属性预测模型。

目标停车场可以是已知对内对外属性的、用于模型训练的样本停车场。

目标停车场的特征可以是与目标停车场的停车信息相关的特征。由于停车场的对内对外属性会直接影响到停车场的停车量、停车用户等停车信息，因此，目标停车场的特征可以是与目标停车场的停车信息相关的数据。

将目标停车场的特征输入待训练的停车场属性预测模型，可以是将目标停车场的特征中的至少一种以及具体的特征种类信息输入待训练的停车场属性预测模型。

将目标停车场的特征输入待训练的停车场属性预测模型，可以是将目标停车场的特征中的至少一种转换成统一单位的数据后，输入待训练的停车场属性预测模型。

在具体实现方式中，可针对不同的停车场，确定必须获取的至少一种特征，在模型训练时，将必须获取的至少一种特征输入待训练的停车场属性预测模型。

本实施例中，目标停车场的对内对外属性预测结果，可以是关于目标停车场是否对外开放的预测结果。若目标停车场具有对外属性，则目标停车场允许所有车辆进入。若目标停车场具有对内属性，则目标停车场仅允许满足一定条件的车辆进入，比如企业内部车辆、企业员工车辆或小区居民车辆等。

目标停车场的对内对外属性预测结果，可以为对内或对外；也可以为对内优先于对外；也可以为限时对外等。

在具体实现方式中，可采用大量的已知对内对外属性的目标停车场对待训练停车场属性预测模型进行优化和训练。

本实施例中，根据目标停车场选择对应的待训练停车场属性预测模型，利用目标停车场的特征对待训练的模型进行训练，从而获得的模型能够对停车场的对内对外属性进行预测，获得停车场的对内对外属性，以便用户更好地掌握停车场的具体信息。停车场的对内对外属性可用于导航时为用户生成停车场推荐信息，有助于在导航时避免为用户推荐因仅对内开放而外部车辆无法停放的停车场。

在一种实施方式中，如图2所示，确定与目标停车场对应的待训练的停车场属性预测模型，包括：

步骤s21：确定目标停车场的垂类；

步骤s22：根据垂类，确定待训练的停车场属性预测模型。

本实施例中，可在获取目标停车场基本信息时，获取目标停车场的垂类。比如，将商场停车场、景点停车场、居民小区停车场、办公楼停车场、学习停车场等分别归为一类。

本实施例中，目标停车场的垂类可以是目标停车场的类别。由于不同的停车场类别对应的停车场的特征相应差异较大，停车场的特征与停车场对内对外属性之间的规律性差异也较大。因此，不同垂类的停车场，对应的停车场属性预测模型应当不同。

在另一种实现方式中，也可以根据停车场周围的车流密度对停车场进行分类。比如，车流密度少的地区，停车场的访问量可能会收到影响，进而对停车场的特征与停车场的对内对外属性产生影响。

在另一种实现方式中，可根据停车场周围设定范围内的停车场数量和车流密度进行分类。

若采用不同垂类的停车场的数据训练同一种停车场属性预测模型，则可能导致模型对不同垂类的停车场属性预测不准确。本实施例根据目标停车场的垂类，训练对应的停车场属性预测模型，能够提高模型训练效果，使得训练后的模型能够更有针对性地实现停车场的属性预测。

在一种实施方式中，确定目标停车场的垂类，还包括：

根据目标停车场的用户固定性确定目标停车场的垂类。

本实施例中，用户固定性具体可以包括时间固定性、身份固定性和数量固定性中的至少一个。

具体例如，用户固定性是用户到达量(或访问量)的固定性、用户停车时间的固定性、用户到达时间的固定性、用户离开时间的固定性和用户id(身份)固定性等中的至少一个。

在具体实现方式中，不同停车场的垂类对应的用户固定性有所不同。比如，针对商场停车场，用户到达量会可能会呈现出下班时间、节假日时间到达量达到高峰的特点。再如，针对公园等景点停车场，用户到达量可能会呈现节假日时间到达高峰、平时到达量相对少的特点。再如，针对办公楼停车场，用户到达时间可能会呈现工作日固定、节假日几乎没有的特点。

在一种具体的实现方式中，停车场基本数据中，包含停车场的父节点，比如，公园停车场的父节点为某公园；商场停车场的父节点为某商场等。可根据目标停车场在基本数据中对应的父节点，确定目标停车场的用户固定性，进而确定停目标车场的垂类。

本实施例中，根据用户固定性，能够确定目标停车场的垂类，进而选择与目标停车场对应的待训练的停车场属性预测模型，从而能够实现对模型的准确训练，进而训练得到的模型能够具有更准确的停车场对内对外属性预测效果。

在一种实施方式中，目标停车场的特征包括下述至少一种：

目标停车场的垂类；

目标停车场的日均访问量；

目标停车场的访问总量；

目标停车场的用户总量；

目标停车场的访问量排名前设定位数的用户；

目标停车场的日均空余车位量；

目标停车场的客观停车指示。

在本实施例中，目标停车场的日均访问量、目标停车场的访问总量可以是不区分用户身份的访问量。比如，针对同一车辆，用户a一个统计周期之内访问了某停车场两次，则计算该停车场的日均访问量、访问总量时，用户a的访问次数在访问总量中对应为2次。

目标停车场的用户总量，具体可以根据用户注册的停车场相关app(应用)账户记录、用户在导航中的行驶轨迹等获取。

目标停车场的日均空余车位量可根据目标停车场提供的数据获取。

目标停车场的客观停车指示，具体可以是设置于目标停车场出口、入口等位置周围的用于指示停车操作的指示牌反应的指示信息。比如，目标停车场入口周围设置有禁止外部车辆入内的停车指示牌，则可确定目标停车场的客观停车指示可能为禁止外部车辆入内。

在具体实现方式中，可根据不同的停车场垂类，确定用于训练待训练的停车场属性预测模型所使用的停车场的特征。从而实现对停车场属性预测模型的针对性训练。

在具体实现方式中，停车场的特征可包含停车场的某种特征的可获得性。比如，对于停车场b，

本实施例中，无法获得目标停车场的日均空余车位量，则在训练模型的过程中，可生成用于表示无法获得目标停车场的日均空余车位量的特征数据，作为模型训练数据。

在本公开一种具体的实现方式中，可根据目标停车场的垂类这一停车场的特征，进行模型训练，使得模型能够仅根据某些目标停车场的垂类确定目标停车场的对内对外属性。根据经验和常识，“购物中心”、“医院”、“旅游景区”、“交通设施”、……，等垂类的停车场均为对外开放，而“公司园区”、“政府机构”、……等垂类的停车场均为仅对内开放，因此，根据停车场的垂类属性以及停车场的名称可以对部分停车场的对内对外开放属性进行判断。

本事实例中，采用停车场的多种特征，对停车场属性预测模型进行训练，从而能够提高模型的训练效果以及训练后的停车场属性预测模型的预测效果。

在一种实施方式中，在目标停车场的特征包括目标停车场的客观停车指示的情况下，停车场属性预测模型训练方法还包括：

获得目标停车场周围与停车标记物有关的图像；

提取图像中的停车标记物；

根据搜索停车标记物，确定客观停车指示。

在具体实现方式中，可另外训练图像识别模型，从目标停车场周围与停车标记物有关的图像中获得客观停车指示。

在另一种具体实现方式中，可在待训练的停车场属性预测模型中添加图像识别等信息识别的相关功能网络，从而能够对输入待训练模型的文字信息、图像信息等不同格式的信息进行处理，生成模型输入数据中的目标停车场的各特征。

本实施例中，能够从目标停车场周围与停车标记物有关的图像中获得目标停车场的客观停车指示，从而能够为模型训练提供客观停车指示相关的特征，提高模型训练效果。

本公开实施例还提供一种停车场推荐信息生成方法，如图3所示，包括：

步骤s31；根据用户位置，确定用户周围设定范围内的停车场；

步骤s32：根据用户周围设定范围内的停车场的对内对外属性，生成停车场推荐信息，停车场的对内对外属性为根据本公开任意一项实施例所提供的训练后的停车场属性预测模型预测获得。

根据用户位置，确定用户周围设定范围内的停车场，具体可以包括：确定用户位置周围设定范围内的停车场以及停车场的对内对外属性。

根据用户周围设定范围内的停车场的对内对外属性，生成停车场推荐信息，具体可以包括：在停车场推荐信息中不提供对内对外属性为对内的停车场。

在一种具体实现方式中，根据用户周围设定范围内的停车场的对内对外属性，生成停车场推荐信息，具体还可以包括：根据用户提供的用户信息和停车场对内对外属性，在停车场推荐信息中提供与用户身份对应的对内停车场。

比如，用户可在导航应用中设置家庭住址和公司地址，根据公司地址和家庭住址，可向用户推荐用户可进入的对内停车场。

再如，用户由于具有会员身份等，可进入部分对内停车场，则可在推荐信息中加入这些具有对内属性的停车场。

本实施例中，采用本公开任意一项实施例提供的停车场属性预测模型预测停车场对内对外属性，提高产品对于对外开放停车场的召回率，能够根据停车场的对内对外属性，生成向用户提供的停车场推荐信息，从而，能够提高停车场推荐信息的准确性，使得推荐的信息具有用户可到达的性质，避免用户根据错误的推荐信息而产生多余行程，保证用户驾车导航终点的可到达。

本公开实施例还提供一种停车场属性模型训练装置，如图4所示，包括：

模型确定模块41，用于确定与目标停车场对应的待训练的停车场属性预测模型；

输入模块42，用于将目标停车场的特征输入待训练的停车场属性预测模型；

结果模块43，用于采用待训练的停车场属性预测模型，获得目标停车场的对内对外属性预测结果；

训练模块44，用于根据目标停车场的实际对内对外属性和对内对外属性预测结果，对待训练的停车场属性预测模型进行训练，获得停车场属性预测模型。

在一种实施方式中，如图5所示，模型确定模块包括：

垂类单元51，用于确定目标停车场的垂类；

垂类信息处理单元52，用于根据垂类，确定待训练的停车场属性预测模型。

在一种实施方式中，垂类单元还用于：

根据目标停车场的用户固定性确定目标停车场的垂类。

在一种实施方式中，目标停车场的特征包括下述至少一种：

目标停车场的垂类；

目标停车场的日均访问量；

目标停车场的访问总量；

目标停车场的用户总量；

目标停车场的访问量排名前设定位数的用户；

目标停车场的日均空余车位量；

目标停车场的客观停车指示。

在一种实施方式中，在目标停车场的特征包括目标停车场的客观停车指示的情况下，如图6所示，停车场属性预测装置还包括：

图像模块61，用于获得目标停车场周围与停车标记物有关的图像；

提取模块62，用于提取图像中的停车标记物；

指示模块63，用于根据搜索停车标记物，确定客观停车指示。

本公开实施例还提供一种停车场推荐信息生成装置，如图7所示，包括：

位置模块71，用于根据用户位置，确定用户周围设定范围内的停车场；

推荐模块72，用于根据用户周围设定范围内的停车场的对内对外属性，生成停车场推荐信息，停车场的对内对外属性为根据本公开任意一项实施例所提供的训练后的停车场属性预测模型预测获得。

本公开实施例可应用于人工智能技术领域，尤其可应用于自主泊车、智能交通、大数据、深度学习等技术领域。

本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序来执行各种适当的动作和处理。在ram803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、rom802以及ram803通过总线804彼此相连。输入输出(i/o)接口805也连接至总线804。

电子设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如停车场属性模型训练方法。例如，在一些实施例中，停车场属性模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到ram803并由计算单元801执行时，可以执行上文描述的停车场属性模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行停车场属性模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。