英语原文共 13 页
基于关键服务和常规服务公开数据的可用泊位预测
CLAUDIO BADII、PAOLO NESI、AND IRENE PAOLI
摘要
寻找有效的停车位已经成为当代城市交通中一个严重的问题。 选择合适的停车场可能受到多种因素的影响，例如:步行到目的地的距离，驾驶和等待时间，停车价格，可用性和可访问性——而空余的泊位的可用性可能取决于停车位置，该地区是否有事件发生，交通情况和天气条件。本文提出了一套用于预测城市停车场可用停车位数量的指标和技术。为此, 我们在比较不同方法的同时，考虑了三种不同的预测技术。通过Sii-Mobility国家研究项目和Km4City基础设施对佛罗伦萨地区十几个车库收集的数据进行了比较。结果表明，贝叶斯正则化神经网络利用历史数据、天气状况和交通流数据，可以提供一种鲁棒性强的方法来实现对可用泊位的灵活以及快速的预测，在关键情况下具有灵活性和鲁棒性。佛罗伦萨地区智能城市应用程序中采用的可持续移动性解决方案受到了广泛的赞赏。
关键词：智慧城市、可用停车场、预测模型、停车库，机器学习
第1章 绪论
在我国城市中，相对于周边城市空间的发展,机动车的数量越来越多，因此，提供可用停车位的服务对城市交通管理的意义越来越大。司机们在试图找到一个空闲的停车场时浪费了大量的时间，尤其是在高峰时间和特定的城市地区(如医院、车站、公园、体育馆)。在人口密集的城市地区，汽车司机通常要花3.5到14分钟才能找到一个停车位[1];这意味着话费更多的金钱更多的和制造污染，从而影响出行社会成本。因此，寻找可用的停车位可能取决于一些特殊的原因，例如：出行目的、停车场到目的地的距离、车库之间的价格差异、对所选城市区域不熟悉等等。寻找停车位不仅会给司机造成困扰，因此产生的重大负面影响城市交通系统的效率组织和可持续性。寻找合适的泊车位会带来不必要的交通负荷，并可能因车辆排放增加而对环境造成负面影响。这些问题同样适用于带门的停车库。它们在某些区域和时间可能是拥挤的;而在其他地区，由于司机不知道路况，这些路段可能会突然爆满。由于现在很长一段时间，收集实时停车信息是可能的，比如：停车场容量、价格、剩余泊位数量等，从而能够实现建立预测模型。最近研究发现，大数据和人工智能可能会利用其他数据源的相关性，如车库本身的特点、交通流信息以及任何与天气条件相关的信息，来更可靠地计算精确的预测。
本文分析了两种不同类型的停车库的可用车位数(未占用车位数)的预测方法。提供了便于预测的方法，以及处理剧烈变化的情况，例如从医院停车场到郊区停车场。这种方式的优势在于，当剩余泊位数量为0时。或者出现钱缺失数据时，对于这些情况都是可以解决的。该预测模型是在意大利地面流动和运输研究部项目国家智能城市Sii-Mobility研究的背景下创建的 [48]。它利用位于佛罗伦萨/托斯卡纳地区[49]的Km4City基础设施的开放数据和实时数据，并与当前相对应智能城市解决方案。Sii-mobility项目旨在定义可持续流动的解决方案，并提出建议推动道德行为，提供信息交换等。
下一节专门讨论允许的相关工作。为了更好地研究课题的背景，后文介绍最新的文章的结构并且对解决方案进行描述。
1.1相关工作
驾驶员停车行为受多种因素的影响因素——即步行到目的地的距离，开车
等待时间，停车费，服务水平，停车位大小，安全[2]，[3]，停车价格，可用性和可达性[4]。尤其是停车决策过程所有司机都会考虑的两个因素：可用泊位数量和以往寻泊经验。事实上，司机们都意识到了关于停车位的利用率，有45%的人更比那些没有经验的人更易找到停车位 [5]。停车设施可以是室内/室外和公共/私人的。在这种背景下, 驾驶员在规划寻泊路径时选择帕累托最优路径旅行[6]。
更详细地说，停车位是可以位于街道或带大门的停车场。在预测模型方面，车库和街道停车场存在很大不同。事实上， 在停车场中，考虑到在入口处的门票发放情况和出口的输出情况，很容易计算出可用车位的总数。另一方面，对于街道停车，可以通过一些分布式传感器系统来检测占用率。基于这些原因，在文献中有两个截然不同的研究方向。分别关注街道停车预测和车库内的免费可用停车位[7]。Tiexin等人[7]也提出了一些综合的理论模型来预测街道停车，考虑到了两种解决方案在中心商业区的有效性。此外,在[8]中，提出了基于轨迹分析确定人们实际停车位置的解决方案。另一方面，这些数据必须是可用获得的。 旧金山的街道停车问题已经在[9]中得到了解决，它预测了未来[9]中给定地理位置区域的停车位的占用率(定义为已占用停车位的数量除以总可用停车位的数量)。该方法对聚集停车场进行求解，旨在根据不同区域的出行行为，减少停车预测的误差。另一方面，Chen[9]将白天离散为24个区间，对时间序列进行组成成分分析(PCA),对住房率趋势进行建模。因此，采用了四种不同的预测方法(自回归综合移动平均法、线性回归、支持向量回归和前馈神经网络)来研究预测误差。比较表明，前馈神经网络产生的效果最好预测模型，表示一个平均的绝对百分比误差(MAPE)，提前1小时，约3.57%。在这种情况下，只使用历史数据处理定义良好且平稳的情况，而没有考虑上下文数据。因此，该解决方案只有在正常的日子才能很好地工作,这对于经常停车的客户来说是很容易预测的。在同一路径上，在[11]中，对数据采用无监督聚类方法(神经毒气网络[10], [11]), 利用较小的数据样本，时间分辨率为15分钟，识别24小时以上类似的街道停车行为。事实上,在[10]中，不同街道停车位的行为之间存在很强的可变性，但显然缺少个有效的预测模型。在[12][13]中提出的解决方案(这是个方法基 于小波神经网络)已得到改进，目的是预测一个停车场的行为之间存在很强的可变性，但显然缺少一个有效的预测模型。在[12][13]中提出的解决方案(这是一个方法基于小波神经网络)已得到改进目的是预测一个停车场的可用性每一分钟的间隔时间15个小时(从早上6点至晚上10点期间)，使用经堂里训练集和一天作为测试集。同时，在这种情况下预测精度一直在3-10%的范围的均方误差(MSE)。作者表明在临界情况下可用泊位(接近于零预测误差迅速增加，并减少的唯一方法是修改训练集。另-方面，本文想强调的是正是在临界情况下当空闲泊位也越来越少精度高为最终用户提供良好的服务。因此，更需要预测模型和预测服务。
针对街道停车问题，在[14]中提出 了基于传感器数据的车位预测两步方法第一步是基于递归人工神经网络的实时预测方案，第二个模块根据当天的交通量、日类型和时段来估计找到可用停车位的概率。30分钟预测的MAPE值在1-4%之间。 此外，在[15]中提出了一个基于排队理论和马尔可夫链的数学模型，该模型基于连接到自组织网络的车辆之间交换的信息来预测车位占用情况。在30分钟内获得的预测误差(以预测占用率的平均偏差计算)一直在8%的范围内。在同一主题领域，在[40]中，不同数据来源之间的区别，即提出了停车数据、用户数据、开放数据，从而强调了相关性。
开放数据，提供一个独立和可持续的系统，以搜索街道上的停车位。因此，Pflugler等人[40]提出了-种基于神经网络的预测模型，MSE为16%，没有考虑非平稳态度下停车位的临界情况。在[46]中，研究了停车数据、行人数据和汽车交通数据的使用情况，以预测墨尔本市15分钟间隔的可用街道停车情况。
另一方面，解决停车场竖井空闲车位的预测是一个与街道停车预测完全不同的问题。在停车场，提供车位的数量通常很高，而且在车库的入口处有明确的报告，因此它们对可能一起到达的司机有很强的吸引力。它们通常位于靠近吸引人的中心，如商业中心、医院、火车站、剧院和多服务区，在这些地方，大型活动可能会很快使建筑供过于求。因此，预测车库中是否有空闲停车位并不是件容易的事情。他们中的一些人可能有一个稳定的固定行为随着时间的推移(由于服务设施， 如郊区医院)，从而使就业预测更容易。其他可能受到几个因素的影响， 这使得预测随时间推移的空闲可用车位变得更加困难，特别是在停车变得拥挤的危急情况下。此外，与车库有关的数据不容易获得，或者只能在付款时或在车库到达入口处时才能获得。
因此，根据[16] 车库可用地段的数星可能取决于道路交通流量、天气事件、道路状况等，而对可用车位的最佳预测是结合短时数据和历史信息。因此， 利用神经网络模型对北京市14个车库的可用空间进行预测，但预测结果尚未见报道。作者表示他们的预测结果显示了性能方面的问题。Teodorovic和Lucic [17]andYan等人开发了一种智能停车系统，但没有预测出实际的可用停车位数量。而在离散选择模型中，[15]采用了结合在线和历史数据实时预测单个车库(四层665个可用车位)的停车可用性的模型。因此，当可用停车场接近于零时，在不处理临界条件的情况下;平均预测误差小于3%。在[19]中还提出了一个更传统的解决方案，使用历史和实时数据，使用多元线性回归模型预测匹兹堡一个停车场(总共691个停车位)的可用性。在[48]中，作者提出了一个排队模型建立良好的连续时间马尔可夫队列)来描述和预测旧金山单车库停车设施的随机发病率变化，只涉及历史数据占用。
1.2文章概述
本节的重点是介绍一种预测可用泊位数量的解决方案的研究结果。该方案预测佛罗伦萨市和托斯卡纳的一些地区第二天(提前24小时)每15分钟可使用的停车位的数量。可用停车位预测是一个复杂的非线性过程，其动态变化涉及多种因素。停车设施提供几种不同的工作条件。其中一些用于特定的设施(足球场、医院)，另一些用于多功能设施(车站、世博会等)，还有一些位于市郊。可变性和性能是需要解决的问题之一，还有关键时段的精度问题， 也就是当停车位满了，没有可用的停车位时。提出的预测模型是在意大利陆地交通和交通[48]研究部Si-Mobility国家智慧城市研究项目背景下，利用意大利佛罗伦萨地区Km4City[49]基础设施的开放数据和实时数据为智慧城市建立的。Sii-Mobility项目 旨在为可持续的交通出行定义解决方案，提前30分钟/1小时向司机提出停车状况建议，让他们做出有意识的决定，并可能改变自己的计划(通过选择不同的停车位或利用公共交通工具)。
本文组织如下。在第二节中，Sii-Mobility用于数据收集和分析的通用架构是描述。第三节描述了为识别和验证预测而采用的预测方法模型和框架。在第四节中，对介绍了停车服务的典型趋势。在第五部分中报告用于预测的已识别的相关度量和描述。它们与:历史数据、流量有关流;和天气。第六部分着重比较利用内部收集的数据建立的预测模型佛罗伦萨地区的车库，实现了最好的识别结果在预测误差和处理方面的方法时间。结论见第七节。
第2章 Sii-MOBILITY体系结构概述
2.1 Sii-mobility架构简介
该预测算法利用Sii-Mobilty基础设施和体系结构，通过智能城API[20]向控制室、web和移动应用程序提供语义数据聚合层和服务。体系结构如图1所示。城市运营商和数据代理提供可访问的数据。这些数据是通过使用分布式智能城市引|擎调度程序(DISCES)在大数据处理后台办公室调度的Extract Transform and Load (ETL)进程来收集的。其中公开数据由市、托斯卡纳地区(移动监测中心)、南丫岛气象局、ARPAT环境局等提供，私人数据由移动中心等城市运营商提供。对于知识库[21]、[2]的RDF存储，所有数据都以三元组的形式进行清理、协调和转换。将数据收集到RDF图数据库中，通过使用特定的高效推理器，可以根据关系、空间、时间等进行语义搜索SPARQL查询。在特定的区域中发现哪种实体和传感器是可用的有效的。
图 1
所收集的数据包括历史数据和实时数据，数据分析算法可以利用这些数据来估计建议、个人帮助提示，以及基于本文解决方案的起点目标矩阵、交通流星预测和最近的免费停车预测。大多数基于km4city store建模的数据，以及大部分计算出的预测，都可以通过智能城市api (Smart City api)访问移动和web应用程序，其他ap则可以在控制室仪表板上访问。智能城市仪表板必须在城市地图和结构、 实时数据和关键索引上表示。其中，停车、Wi-Fi、交通流量等主要服务的现状及预测。
在监测和预测停车场状况的背景下，sii - mobility监测了托斯卡纳整个地区(3.5个居民区)的二百多个车库，其中佛罗伦萨市约有12个。每个车库的状态每15分钟更新一次，而目标是提前(即提前30分钟和1小时)猜测每个车库的停车状态。通过这种方式，汽车司机将有足够的时间来决定在不同的停车场停车，或者放弃使用私家车的想法，而是决定使用更可持续的解决方案，如公共交通，到达同一个目的地。同一个应用程序提供了多种关于停车和公共交通服务的信息。
第3章 预测模型对比
本节概
资料编号：[5971]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
