停车场的数据处理方法、装置以及电子设备与流程

本申请涉及数据处理技术领域，尤其是涉及一种停车场的数据处理方法、装置以及电子设备。

背景技术：

目前，汽车消费需求一直迅猛发展，城市停车需求迅速增加，因此，为了满足用户随时停车的需求，在一般情况下停车场的入口都是开放的，为了随时确定停车场的剩余车位数，则需要采用一套完整的车位监控设备来查看当前停车场的剩余车位数量。

但是，由于一套完整的车位监控设备往往采购成本过高，所以很多停车场存在着车场剩余车位数预估困难的难题，尤其是在高峰期车位数紧缺的时候，随意放车进入停车场会造成车场内拥堵的问题。

技术实现要素：

本申请的目的在于提供一种停车场的数据处理方法、装置以及电子设备，以缓解停车场剩余车位数分析较难的技术问题。

第一方面，本申请实施例提供了一种停车场的数据处理方法，所述方法包括：

获取训练集，所述训练集包括第一停车场的第一车流数据及第一车场数据；

利用所述第一车流数据及所述第一车场数据对随机森林模型进行训练，得到目标回归模型；

利用所述目标回归模型确定第二停车场的预测剩余车位数占比。

在一个可能的实现中，所述第一车流数据包括：预设时间段的第一实际车辆进出数量及所述预设时间段结束时的实际车位剩余数，其中，通过预设查询接口获取所述实际剩余车位数。

在一个可能的实现中，利用所述第一车流数据及所述第一车场数据对随机森林模型进行训练，得到目标回归模型的步骤包括：

利用所述第一车流数据及所述第一车场数据对随机森林模型进行训练，并通过网格搜索算法确定所述随机森林模型的预设数量的最佳参数；

利用所述最佳参数得到目标回归模型。

在一个可能的实现中，利用所述目标回归模型确定第二停车场的预测剩余车位数占比的步骤，包括：

获取第二停车场在预设时间段的第二实际车辆进出数量；

基于所述第二实际车辆进出数量，利用所述目标回归模型确定所述第二停车场的预测剩余车位数；

确定所述预测剩余车位数对应的预测剩余车位数占比。

在一个可能的实现中，第二停车场的第二车场数据包括第一总车位数；确定所述预测剩余车位数对应的剩余车位数占比的步骤，包括：

对所述预测剩余车位数及所述第一总车位数进行处理，得到预测剩余车位数占比。

在一个可能的实现中，所述方法还包括：

获取测试集，所述测试集包括所述第一停车场的第三车流数据及第三车场数据；

确定所述第三车流数据及所述第三车场数据的评价指标；

判断所述评价指标是否在预设阈值范围外；

如果所述评价指标在预设阈值范围外，则执行利用所述第一车流数据及所述第一车场数据对随机森林模型进行训练，得到目标回归模型的步骤，直至所述评价指标在预设阈值范围内。

在一个可能的实现中，所述方法还包括：

对第一停车场的实际车位剩余数及第二总车位数进行处理，得到实际剩余车位数占比；

将所述预测剩余车位数占比与所述实际剩余车位数占比进行对比，确定目标回归模型的预测准确度。

第二方面，提供了一种停车场的数据处理装置，所述装置包括：

获取模块，用于获取训练集，所述训练集包括第一停车场的第一车流数据及第一车场数据；

训练模块，用于利用所述第一车流数据及所述第一车场数据对随机森林模型进行训练，得到目标回归模型；

确定模块，用于利用所述目标回归模型确定第二停车场的预测剩余车位数占比。

第三方面，本申请实施例又提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的第一方面所述方法。

第四方面，本申请实施例又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述的第一方面所述方法。

本申请实施例带来了以下有益效果：

本申请实施例提供的一种停车场的数据处理方法、装置以及电子设备，能够获取训练集，所述训练集包括第一停车场的第一车流数据及第一车场数据；利用所述第一车流数据及所述第一车场数据对随机森林模型进行训练，得到目标回归模型；利用所述目标回归模型确定第二停车场的预测剩余车位数占比。本方案中，可以利用训练集对随机森林模型进行训练，得到目标回归模型，由于训练集内的数据包括第一停车场的第一车流数据及第一车场数据，所以可以利用目标回归模型确定第二停车场的预测剩余车位数占比，因此，本申请可以利用训练集对随机森林模型进行离线训练，并利用离线训练得到的目标回归模型实时确定第二停车场的预测剩余车位数占比，便于管理人员根据预测剩余车位数占比确定第二停车场的实际余车位数,缓解了停车场剩余车位数分析较难的技术问题。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的停车场的数据处理方法的流程示意图；

图2为本申请实施例提供的一种停车场的数据处理装置的结构示意图；

图3示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

目前，汽车消费需求一直迅猛发展，城市停车需求迅速增加，因此，为了满足用户随时停车的需求，在一般情况下停车场的入口都是开放的，为了随时确定停车场的剩余车位数，则需要采用一套完整的车位监控设备来查看当前停车场的剩余车位数量。但是，由于一套完整的车位监控设备往往采购成本过高，所以很多停车场存在着车场剩余车位数预估困难的难题，尤其是在高峰期车位数紧缺的时候，随意放车进入停车场会造成车场内拥堵的问题。

基于此，本申请实施例提供了一种停车场的数据处理方法、装置以及电子设备，通过该方法可以缓解停车场剩余车位数分析较难的技术问题。

下面结合附图对本申请实施例进行进一步地介绍。

图1为本申请实施例提供的一种停车场的数据处理方法的流程示意图。

其中，该方法应用于电子设备。如图1所示，该方法包括：

步骤s110，获取训练集；

具体的，训练集包括第一停车场的第一车流数据及第一车场数据，电子设备可以预先获取第一停车场的第一车流数据及第一车场数据，并将第一车流数据及第一车场数据关联到一个表中，例如，第一车流数据包括不同的预设时间段的车辆进出数量等，第一车场数据包括总车位数、地理位置(城市、经纬度及具体地址等)及类型(写字楼、住宅及商场等)；还能获取外部数据，例如，日期数据及天气数据等。

在该步骤中，电子设备获取第一停车场的第一车流数据及第一车场数据作为训练集。

步骤s120，利用第一车流数据及第一车场数据对随机森林模型进行训练，得到目标回归模型；

具体的，还能根据目标回归模型选择重要性最强的多个指标。

步骤s130，利用目标回归模型确定第二停车场的预测剩余车位数占比。

需要说明的是，第二停车场是待预测停车场，可以利用目标回归模型对第二停车场进行预测，并确定第二停车场的预测剩余车位数占比。

本申请实施例中，可以获取训练集，训练集包括第一停车场的第一车流数据及第一车场数据；利用第一车流数据及第一车场数据对随机森林模型进行训练，得到目标回归模型；利用目标回归模型确定第二停车场的预测剩余车位数占比。本方案中，可以利用训练集对随机森林模型进行训练，得到目标回归模型，由于训练集内的数据包括第一停车场的第一车流数据及第一车场数据，所以可以利用目标回归模型确定第二停车场的预测剩余车位数占比，因此，本申请可以利用训练集对随机森林模型进行离线训练，并利用离线训练得到的目标回归模型实时确定第二停车场的预测剩余车位数占比，便于管理人员根据预测剩余车位数占比确定第二停车场的实际剩余车位数，还减小了目标回归模型因数据时效性带来的误差，进而缓解了停车场剩余车位数分析较难的技术问题。

下面对上述步骤进行详细介绍。

在一些实施例中，基于上述步骤s110，第一车流数据可以包括：预设时间段的第一实际车辆进出数量及预设时间段结束时的实际车位剩余数等数据。基于此，第一车流数据包括：预设时间段的第一实际车辆进出数量及预设时间段结束时的实际车位剩余数，其中，通过预设查询接口获取实际剩余车位数。

在一些实施例中，基于上述步骤s120，可以对随机森林模型进行训练和优化，以使电子设备得到目标回归模型。作为一个示例，上述步骤s120可以包括以下步骤：

步骤a)，利用第一车流数据及第一车场数据对随机森林模型进行训练，并通过网格搜索算法确定随机森林模型的预设数量的最佳参数；

步骤b)，利用最佳参数得到目标回归模型。

对于上述步骤a)，具体的，利用第一车流数据及第一车场数据对随机森林模型进行训练，得到决策树的数量、深度及最大节点数等，并通过人工或网格搜索算法确定随机森林模型的预设数量的最佳参数。

对于上述步骤b)，利用最佳参数建立并得到目标回归模型。

本申请实施例中，可以利用第一车流数据及第一车场数据对随机森林模型进行训练，并通过网格搜索算法确定随机森林模型的预设数量的最佳参数；利用最佳参数得到目标回归模型。所以，电子设备可以对随机森林模型进行训练和优化，并得到准确度较高的目标回归模型。

在一些实施例中，可以获取第二停车场在预设时间段的第二实际车辆进出数量，以使电子设备确定预测剩余车位数占比。作为一个示例，上述步骤s130可以包括如下步骤：

步骤c)，获取第二停车场在预设时间段的第二实际车辆进出数量；

步骤d)，基于第二实际车辆进出数量，利用目标回归模型确定第二停车场的预测剩余车位数；

步骤e)，确定预测剩余车位数对应的预测剩余车位数占比。

对于上述步骤c)，具体的，电子设备可以获取第二停车场的第二车流数据及第二车场数据，例如，第二车流数据包括在预设时间段的第二实际车辆进出数量，第二车场数据包括第一总车位数。

对于上述步骤d)，将第二实际车辆进出数量输入目标回归模型，确定第二停车场在该预设时间段的预测剩余车位数。

对于上述步骤e)，电子设备可以根据预测剩余车位数确定预测剩余车位数占比。

本申请实施例中，可以获取第二停车场在预设时间段的第二实际车辆进出数量；基于第二实际车辆进出数量，利用目标回归模型确定第二停车场的预测剩余车位数；确定预测剩余车位数对应的预测剩余车位数占比。所以，电子设备可以基于获取的预设时间段的第二实际车辆进出数量，利用目标回归模型实时确定第二停车场的预测剩余车位数占比，进而确定第二停车场的剩余车位数。

在一些实施例中，可以将预测剩余车位数除以第一总车位数，以使电子设备得到预测剩余车位数占比。作为一个示例，第二停车场的第二车场数据包括第一总车位数；上述步骤e)可以包括如下步骤：

步骤e1)，对预测剩余车位数及第一总车位数进行处理，得到预测剩余车位数占比。

具体的，电子设备将预测剩余车位数除以第一总车位数，得到预测剩余车位数占比。

本申请实施例中，可以对预测剩余车位数及第一总车位数进行处理，得到预测剩余车位数占比，所以，电子设备可以得到准确的预测剩余车位数占比。

在一些实施例中，可以将车流数据及车场数据作为测试集并计算测试集的评价指标，以使电子设备根据评价指标验证目标回归模型是否准确。

作为一个示例，上述方法还可以包括如下步骤：

步骤f)，获取测试集，测试集包括第一停车场的第三车流数据及第三车场数据；

步骤g)，确定第三车流数据及第三车场数据的评价指标；

步骤h)，判断评价指标是否在预设阈值范围外；

步骤i)，如果评价指标在预设阈值范围外，则执行利用第一车流数据及第一车场数据对随机森林模型进行训练，得到目标回归模型的步骤，直至评价指标在预设阈值范围内。

对于上述步骤f)，电子设备可以获取测试集，测试集包括第一停车场的第三车流数据及第三车场数据，例如，第三车流数据包括其他的不同的预设时间段的车辆进出数量等，第三车场数据包括总车位数、地理位置(城市、经纬度及具体地址等)及类型(写字楼、住宅及商场等)。

对于上述步骤g)，需要说明的是，评价指标是用于评价目标回归模型的准确度或预测效果的指标，例如，评价指标包括：均方误差(mean_squared_error)或平均绝对误差mean_absolute_error等。

对于上述步骤h)，示例性的，判断均方误差是否在预设阈值范围外。

对于上述步骤i)，如果均方误差在预设阈值范围外，则说明目标回归模型的效果不佳，需要继续执行利用第一车流数据及第一车场数据对随机森林模型进行训练，得到目标回归模型的步骤，直至均方误差在预设阈值范围内，最终生成离线训练好的目标回归模型。

本申请实施例中，可以获取测试集，测试集包括第一停车场的第三车流数据及第三车场数据；确定第三车流数据及第三车场数据的评价指标；判断评价指标是否在预设阈值范围外；如果评价指标在预设阈值范围外，则执行利用第一车流数据及第一车场数据对随机森林模型进行训练，得到目标回归模型的步骤，直至评价指标在预设阈值范围内。所以，电子设备可以利用评价指标进一步验证目标回归模型，进而得到预测效果较好的目标回归模型。

在一些实施例中，可以将预测剩余车位数占比与实际剩余车位数占比进行对比，以使电子设备确定目标回归模型的预测准确度。作为一个示例，上述方法还可以包括以下步骤：

步骤j)，对第一停车场的实际车位剩余数及第二总车位数进行处理，得到实际剩余车位数占比；

步骤k)，将预测剩余车位数占比与实际剩余车位数占比进行对比，确定目标回归模型的预测准确度。

对于上述步骤j)，具体的，第一停车场的第一车场数据包括第二总车位数，将实际车位剩余数除以第二总车位数，可以得到实际剩余车位数占比。

对于上述步骤k)，电子设备将预测剩余车位数占比与实际剩余车位数占比进行对比，可以确定目标回归模型的预测准确度。

本申请实施例中，可以对第一停车场的实际车位剩余数及第二总车位数进行处理，得到实际剩余车位数占比；将预测剩余车位数占比与实际剩余车位数占比进行对比，确定目标回归模型的预测准确度。所以，通过预测剩余车位数占比与实际剩余车位数占比，电子设备可以确定目标回归模型的预测准确度。

在一些实施例中，作为一个示例，在上述步骤中获取训练集及测试集后，还可以对训练集及测试集内的车流数据及车场数据进行加工，具体包括以下步骤：

数据预处理：对于车流数据及车场数据的缺失值进行填补，对于异常值进行处理。

特征工程：1)归一化处理：消除不同停车场由于总车位数规模造成的量纲差异；2)离散变量转化：将分类变量进行编码从而变为数值型变量。

示例性的，分类变量是指对写字楼、住宅及商场等类型进行离散转化时，将写字楼转化为1、住宅转化为2、商场转化为3等。

图2提供了一种停车场的数据处理装置的结构示意图。如图2所示，停车场的数据处理装置200包括：

获取模块201，用于获取训练集，训练集包括第一停车场的第一车流数据及第一车场数据；

训练模块202，用于利用第一车流数据及第一车场数据对随机森林模型进行训练，得到目标回归模型；

确定模块203，用于利用目标回归模型确定第二停车场的预测剩余车位数占比。

在一些实施例中，第一车流数据包括：预设时间段的第一实际车辆进出数量及预设时间段结束时的实际车位剩余数，其中，通过预设查询接口获取实际剩余车位数。

在一些实施例中，训练模块用于：

利用第一车流数据及第一车场数据对随机森林模型进行训练，并通过网格搜索算法确定随机森林模型的预设数量的最佳参数；

利用最佳参数得到目标回归模型。

在一些实施例中，确定模块包括：

第二获取模块，用于获取第二停车场在预设时间段的第二实际车辆进出数量；

第二确定模块，用于基于第二实际车辆进出数量，利用目标回归模型确定第二停车场的预测剩余车位数；

第三确定模块，用于确定预测剩余车位数对应的预测剩余车位数占比。

在一些实施例中，第二停车场的第二车场数据包括第一总车位数；第三确定模块用于：

对预测剩余车位数及第一总车位数进行处理，得到预测剩余车位数占比。

在一些实施例中，停车场的数据处理装置还用于：

获取测试集，测试集包括第一停车场的第三车流数据及第三车场数据；

确定第三车流数据及第三车场数据的评价指标；

判断评价指标是否在预设阈值范围外；

如果评价指标在预设阈值范围外，则执行利用第一车流数据及第一车场数据对随机森林模型进行训练，得到目标回归模型的步骤，直至评价指标在预设阈值范围内。

在一些实施例中，停车场的数据处理装置还用于：

对第一停车场的实际车位剩余数及第二总车位数进行处理，得到实际剩余车位数占比；

将预测剩余车位数占比与实际剩余车位数占比进行对比，确定目标回归模型的预测准确度。

本申请实施例提供的停车场的数据处理装置，与上述实施例提供的停车场的数据处理方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本申请实施例提供的一种电子设备，如图3所示，电子设备300包括存储器301、处理器302，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。

参见图3，电子设备还包括：总线303和通信接口304，处理器302、通信接口304和存储器301通过总线303连接；处理器302用于执行存储器301中存储的可执行模块，例如计算机程序。

其中，存储器301可能包含高速随机存取存储器(randomaccessmemory，简称ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口304(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线303可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器301用于存储程序，所述处理器302在接收到执行指令后，执行所述程序，前述本申请任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器302中，或者由处理器302实现。

处理器302可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器302中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器302可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，处理器302读取存储器301中的信息，结合其硬件完成上述方法的步骤。

对应于上述停车场的数据处理方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述停车场的数据处理方法的步骤。

本申请实施例所提供的停车场的数据处理装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述停车场的数据处理方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。