一种基于聚类分析的路侧停车位分类方法与流程

1.本发明属于智能交通技术领域，尤其涉及一种基于聚类分析的路侧停车位分类处理 方法。


背景技术：

2.目前智能停车的主要精力都集中在自动收费上，部分开始关注停车引导与反向寻车， 这些技术与功能优化了停车管理，提高了用户的体验。但是智能停车所涵盖的技术远不 止这些，通过数据驱动了解用户停车规律，对泊位的使用属性进行分类，运行效果进行 评价，面向类别，制定差异化停车管理策略，如错时停车，依据这些信息去合理规划停 车位，对提升动态管理政策的前瞻性至关重要。


技术实现要素：

3.针对现有有限的路侧停车资源下，对机动车停车位进行合理规划的问题，本发明提 出了一种基于聚类分析的路侧停车位分类方法，该方法基于高位视频、视频桩和地磁记 录的路侧停车泊位运行订单数据，同时基于一系列正确的数据挖掘流程，建立泊位分类 模型，对停车泊位数据进行分析和评价，可以挖掘车位的占用信息，并以此结果能给与 智能停车管理规划以理论支持，并以此作为依据帮助管理者改善路侧停车位的管理。
4.本发明提出的一种基于聚类分析的路侧停车位分类方法，包括如下步骤：
5.步骤(1)根据路侧停车订单数据，筛选出设有高位视频、视频桩或地磁的泊位， 将这些泊位作为分类目标；
6.步骤(2)根据订单中的状态字段筛选出有效订单，并对订单数据进行清洗和数据 消减，提取进车时间、出车时间及持续时间，并针对提取出的订单进、出车时间和持续 时间进行异常值处理及空缺数据修复；
7.步骤(3)基于一个月历史停车数据，以一小时为间隔计算泊位利用率，生成泊位 的利用率时间序列；
8.步骤(4)根据所有泊位利用率时间序列，综合考虑多种停车数据簇间相似度计算 方法，使用聚合层次聚类算法将时间序列重新划分成多个不同的时间段，并计算该多个 不同时间段内的泊位利用率；
9.步骤(5)以所述多个不同时间段内的利用率为特征，使用“手肘法”确定泊位的 聚类数，使用模糊c均值聚类算法对泊位进行分类。
10.进一步的，所述步骤(2)根据订单中的状态字段筛选出有效订单，对于持续时间 小于1分钟的订单认为是检测设备灵敏度较高造成的非停车行为的混入，这些订单无法 体现车位的使用情况，因此给予删除；对于出车时间小于进车时间的订单认为是异常订 单，给予删除；对持续时间大于2天的订单给予删除。
11.进一步的，所述步骤(3)中所述刻画小时间的泊位利用率，具体为：基于停车订 单数据，定义泊位利用率：
[0012][0013]
其中，u
ij
为泊位i在第j个自然小时的泊位利用率，i表示不同的泊位，j表示不同的采集 时间,i＝1,2,
…
,m,j＝0,2,
…
,23；t
ijkl
为泊位i在第k个日期第l个订单在第j个自然小时的持续 时间，k表示不同日期，l表示不同订单k＝1,2,
…
k,l＝1，2，
…
，l；k表示天数，m表示泊位数 量。
[0014]
进一步的，所述步骤(4)中的多种簇间相似度计算方法包括“重心法”、“方差法”、
ꢀ“
最短距离法”；所述使用聚合层次聚类算法将时间序列划分成n个时间段j',j'＝1，2，
…
，n， 其中n为划分的多个不同时间段的个数，计算该多个不同时间段内的泊位利用率的计算方法 具体为：
[0015][0016]
其中，u
ij'
为泊位i的时间序列划分多个不同时间段后的泊位利用率，len(j')为时间段j' 包含的小时个数。
[0017]
本发明采用上述技术方案，具有以下有益效果：
[0018]
1.无需进行大规模的交通调查，节省了大量的人力和时间。只要停车泊位装有高位 视频、视频桩和地磁等电子设备，就能提取出所研究的停车泊位的运行效率，供用户进 行认知，分析和判断。
[0019]
2.借助数据挖掘中的一些方法，从大量不完整的、有噪声的、模糊的订单数据中提 取出隐含在其中的可信的、又潜在有用的信息。在现有有限的停车场资源的背景下，通 过一系列正确的数据挖掘流程对停车场数据进行分析和评价，可对智能停车的规划和实 践产生积极效果，从而达到避免盲目扩展现有的停车场，节约经济成本的目的。
[0020]
3.建立“用数据规划、用数据决策、用数据管理”的停车管理方法，全面提升城市 停车规划与管理水平。在各种城市停车系统中都具有普适性。本发明为了将有限的道路 资源和停车资源发挥最大化的社会效益，对分类得到的不同类型的停车需求进行差别化 对待，如针对高峰时期停车利用率较高的路段造成的交通拥堵问题，可设置为“限时段
”ꢀ
停车泊位，针对低利用率车位可适当删除等措施。总之，综合改善停车问题，不能只依 靠新增停车设施，应通过停车数据实现车位监控，并针对不同类型车位分类施策，靶向 处理，是停车泊位精细化管理的方向所在。
附图说明
[0021]
图1为基于聚类的路侧停车位分类方法过程示意图；
[0022]
图2为基于重心法的层次聚类算法结果示意图；
[0023]
图3为基于方差法的层次聚类算法结果示意图；
[0024]
图4为基于最短距离法的层次聚类算法结果示意图；
[0025]
图5为基于手肘法的聚类个数选择结果示意图。
具体实施方式
[0026]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明进
行 进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限 定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之 间未构成冲突就可以相互组合。
[0027]
根据本发明的实施例，提出一种基于聚类分析的路侧停车位分类方法，首先需要确 定的是要研究的路侧停车位，然后根据实时反馈的停车订单数据，对泊位利用情况进行 分析，并根据泊位利用情况对泊位进行分类。具体包括如下步骤：
[0028]
步骤(1)根据路侧停车订单数据，筛选出设有高位视频、视频桩或地磁的泊位， 将这些泊位作为分类目标；
[0029]
步骤(2)根据订单中的状态字段筛选出有效订单，并对订单数据进行清洗和数据 消减，提取进车时间、出车时间及持续时间，并针对提取出的订单进出车时间和持续时 间进行异常值处理及空缺数据修复；
[0030]
步骤(3)基于一个月历史停车数据，以一小时为间隔计算泊位利用率，生成泊位 的利用率时间序列；
[0031]
步骤(4)根据所有泊位利用率时间序列，综合考虑“重心法”、“方差法”、“最 短距离法”三种停车数据簇间相似度计算方法，使用聚合层次聚类算法将时间序列划分 成不同的时间段，并计算该时间段内的泊位利用率；
[0032]
步骤(5)以不同时间段内的利用率为特征，使用“手肘法”确定泊位的聚类数， 使用模糊c均值聚类算法对泊位进行分类。
[0033]
进一步的，基于聚类分析的路侧停车位分类方法，所述步骤(2)根据订单中的状 态字段筛选出有效订单，路侧停车的数据是由硬件自动获取的，不可避免的会出现缺失、 不完整和数据的错误。对于持续时间小于1分钟的订单可认为是检测设备灵敏度较高造 成的非停车行为的混入，这些订单无法体现车位的使用情况，因此给予删除。对于出车 时间小于进车时间的订单认为是异常订单，给予删除。有些人员会对车位进行长期占用， 导致车位利用率居高，这一个别行为并不能反映车位的使用情况，因此对持续时间大于 2天的订单给予删除。
[0034]
进一步的，基于聚类分析的路侧停车位分类方法，所述步骤(3)中所述刻画小时 间的泊位利用率，具体为：基于停车订单数据，定义泊位利用率：
[0035][0036]
其中，u
ij
为泊位i在第j个自然小时的泊位利用率，i表示不同的泊位，j表示不同的采集 时间,i＝1，2，
…
，m，j＝1，2，
…
，24；t
ijkl
为泊位i在第k个日期第l个订单在第j个自然小时的持续 时间，k表示不同日期，l表示不同订单k＝1，2，
…
k，l＝1，2，
…
，l；k表示天数。
[0037]
进一步的，基于聚类分析的路侧停车位分类方法，所述步骤(4)考虑的时间段的 划分，利用率以小时为单位划分后，描述一个车位的字段共有24个维度，采用高维数 据进行分类，会花费较多的系统资源，而且人类的出行行为有明显的潮汐特性，因此可 以将时间段划分成如上午、下午、晚上、夜间等，提高特征的表达能力，降低训练复杂 度，同时便于人的感官认知。
[0038]
由于缺少先验知识，非监督的聚类算法较适合。由于是对时间段的划分，初始簇为 24个，数量较少。而聚合层次聚类算法假设每个样本点都是单独的簇类，然后在算法运 行
个数的算法，聚类数的选取考虑手肘法确定，手肘法一般通过比较各点到中心点的距离 和，即误差平方和，定义见聚类算法的代价函数jm。随着聚类数c的增大，样本划分会 更加精细，每个簇的聚合程度会逐渐提高，那么jm自然会逐渐变小。当c小于真实聚类 数时，由于c的增大会大幅增加每个簇的聚合程度，故jm的下降幅度会很大，而当c到 达真实聚类数时，再增加c所得到的聚合程度回报会迅速变小，所以jm的下降幅度会骤 减，然后随着c值的继续增大而趋于平缓，也就是说jm和c的关系图是一个手肘的形状， 而这个肘部对应的c值就是数据的真实聚类数，结果如图5所示。
[0054]
图5基于手肘法的聚类个数选择结果示意图，它是聚类误差平方和随聚类个数变化 的折线图，当聚类个数大于5时，误差平方和下降幅度趋于平缓，因此5即为真实聚类 数。
[0055]
根据本发明的实施例，基于聚类的路侧停车位分类方法过程如图1所示。首先，根 据路侧停车订单数据，筛选出设有高位视频、视频桩或地磁的泊位，将这些泊位作为分 类目标。其次提取进车时间、出车时间及持续时间，并针对提取出的订单进出车时间和 持续时间进行异常值处理及空缺数据修复并生成泊位的利用率时间序列。然后，使用聚 合层次聚类算法将时间序列划分成不同的时间段，并计算该时间段内的泊位利用率。最 后，以不同时间段内的利用率为特征，使用“手肘法”确定泊位的聚类数，使用模糊c 均值聚类算法对泊位进行分类。
[0056]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管 参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然 可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替 换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的 精神和范围。