开云优惠体育网页版入口

专利名称：一种基于动态高阶图网络的停车场调度优化方法

专利类型：发明专利

专利申请号：CN202410751130.2

专利申请（专利权）人：天津生联智慧开云优惠体育网页版入口发展有限公司
权利人地址：天津市滨海新区中新天津生态城动漫中路355号创研大厦401-406室

专利发明（设计）人：王磊,白松林,童宇鹏,张帆,王军,范臻

专利摘要：本发明涉及停车场调度优化领域，尤其涉及一种基于动态高阶图网络的停车场调度优化方法，包括：利用停车场调度实时数据得到停车场调度实时数据特征张量；根据所述停车场调度实时数据特征张量基于动态高阶图网络得到停车场调度优化数据；利用所述停车场调度优化数据得到停车场调度优化结果，实现多个商业停车场之间的车流量最优管理，保持停车场的稳定运行，提高应急响应速度，保障停车场的安全性。

主权利要求：
1.一种基于动态高阶图网络的停车场调度优化方法，其特征在于，包括：S1、利用停车场调度实时数据得到停车场调度实时数据特征张量；
S1?1、获取停车场调度实时数据的数据种类数量；
S1?2、利用所述数据种类数量建立停车场调度实时数据特征张量的计算式如下：，
其中，X0为停车场调度实时数据特征张量，P为停车场调度实时数据时间长度，N为停车场数量，C为停车场调度实时数据的节点特征数量，R为实数集，是一个由实数构成的高维数组；
S2、根据所述停车场调度实时数据特征张量基于动态高阶图网络得到停车场调度优化数据；
S2?1、根据所述停车场调度实时数据特征张量进行一维卷积处理得到停车场调度实时数据特征张量的初始统一特征卷积的计算式如下：，
其中，X为初始统一特征卷积，C为停车场调度实时数据的节点特征数量，N为停车场数量，T为停车场调度实时数据时间长度，R为实数集，是一个由实数构成的高维数组；
S2?2、利用所述初始统一特征卷积基于动态高阶图网络分别建立停车场调度实时数据的滑窗门控时间卷积与高阶差分空间卷积；
S2?2?1、利用所述初始统一特征卷积进行分割拼接处理得到停车场调度实时数据的滑窗门控时间卷积；
S2?2?1?1、利用所述初始统一特征卷积根据对应停车场调度实时数据时间长度的时间维度进行分割处理得到初始统一特征卷积片段；
S2?2?1?2、利用所述初始统一特征卷积片段基于二维卷积进行拼接处理得到停车场调度实时数据的二维卷积的计算式如下：，
，
其中，SWC为滑动窗口卷积算子，X为初始统一特征卷积，conv2D为二维卷积，S为初始统一特征卷积片段的数量， 为将S个片段沿新的维度拼接的操作,t为每个初始统一特征卷积片段的长度，由停车场调度实时数据时间长度T除以初始统一特征卷积片段的数量S并向上取整得到, 为初始统一特征卷积X在通道维度c、空间维度n上的第s个片段，时间范围是从（s?1）t到st， 为对集合中每一个值进行前述操作，C为停车场调度实时数据的节点特征数量，N为停车场数量；
S2?2?1?3、利用所述停车场调度实时数据的二维卷积基于门控循环单元结构获取停车场调度实时数据的门控单元循环输出结果的计算式如下：，
其中，Xg为停车场调度实时数据的门控单元循环输出结果，GRU为门控循环单元，g为tanh函数，输出范围为[?1,1]，σ为sigmoid函数，输出范围为[0,1]；
S2?2?1?4、利用所述停车场调度实时数据的门控单元循环输出结果基于时间空洞卷积获取停车场调度实时数据的输出张量的计算式如下：，
其中，Xc为停车场调度实时数据的输出张量，conv1D为一维卷积，fr为时间空洞卷积重塑，kernel为扩张因果卷积核参数，为序列的重组长度，R为实数集，是一个由实数构成的高维数组；
利用所述停车场调度实时数据的二维卷积、门控单元循环输出结果与输出张量作为停车场调度实时数据的滑窗门控时间卷积；
S2?2?2、利用所述初始统一特征卷积进行多级处理得到停车场调度实时数据的高阶差分空间卷积；
S2?2?2?1、根据所述初始统一特征卷积获取初始统一特征卷积的高阶特征的计算式如下：，
，
其中， 为h阶差分序列在时间步t的值， 和 分别为在进行了h?1阶差分后的时间序列在时间步t和t?1的值，两者之差就是第h阶差分序列在时间步t的值， 为沿时间维度连接所有差分阶数的高维张量， 为连接操作， 为沿时间维度连接所有差分阶数的高维张量 的维度；
S2?2?2?2、利用所述初始统一特征卷积的高阶特征进行转换合并处理得到初始统一特征卷积的转换合并结果的计算式如下：，
，
，
其中， 为高阶信息张量的维度转换值， 为转换函数， 与 分别为代表左侧与右侧的全局节点嵌入， 为空间节点嵌入， 为 和 维度相同的维数， 与 为初始统一特征卷积的转换合并结果， 为两个线性函数层与一个激活函数层， 为参数；
S2?2?2?3、利用所述初始统一特征卷积的转换合并结果获取初始统一特征卷积的邻接矩阵的计算式如下：，
其中，Ad为邻接矩阵， 为 激活函数；
S2?2?2?4、利用所述初始统一特征卷积的邻接矩阵获取初始统一特征卷积的扩散图卷积的计算式如下：，
其中，Z为扩散图卷积， 与 为参数， 为图卷积网络的阶数，为激活函数；
利用所述初始统一特征卷积的高阶特征、转换合并结果与邻接矩阵作为停车场调度实时数据的高阶差分空间卷积；
S3、利用所述停车场调度优化数据得到停车场调度优化结果。
2.如权利要求1所述的一种基于动态高阶图网络的停车场调度优化方法，其特征在于，利用所述停车场调度优化数据得到停车场调度优化结果包括：利用所述停车场调度优化数据建立停车场调度优化预测结果的计算式如下：,
其中，为模型预测的输出值，Z为扩散图卷积， 与 为卷积核尺寸为 的算子，L为网络的层级数，每一层生成一个输出 ；
根据所述停车场调度优化预测结果与对应停车场调度实时数据建立停车场调度优化损失函数的计算式如下：,
其中，Y为停车场调度实时数据， 为停车场调度优化损失函数， 为阈值参数；
利用所述停车场调度优化损失函数作为停车场调度优化结果。 说明书 : 一种基于动态高阶图网络的停车场调度优化方法技术领域[0001] 本发明涉及停车场调度优化领域，具体涉及一种基于动态高阶图网络的停车场调度优化方法。背景技术[0002] 在城市环境中，商业停车场作为关键设施，对维护城市交通的流畅度起着至关重要的作用。随着城市化的加速和汽车保有量的持续增长，商业停车场面临着越来越大的车流量压力。尤其是对于相互邻近的多个商业停车。行У淖试吹鞫扔牍芾硎且桓鋈找嫱幌缘奶粽。[0003] 目前，大多数停车场管理技术主要集中于单个停车场的管理与调度，而对于多个停车场间的整体协调却关注不足。这些技术常：雎允奔浜涂占湟蛩囟酝３党」芾淼闹匾跋。这种局限性在预测未来需求、应对高峰期或异常情况时，可能导致资源浪费、停车场运营效率不稳定，甚至影响应急响应和安全保障。[0004] 因此，开发一种新技术，用于综合处理多个相邻商业停车场的需求预测、资源调度、日常运营、应急响应及安全配置问题，对于提升商业停车场管理的效率和效果至关重要。发明内容[0005] 针对现有技术的不足，本发明提供了一种基于动态高阶图网络的停车场调度优化方法，通过构建高效的停车场资源调度系统，确保停车场的稳定运行，以及提高应急保障和安保配置效率。[0006] 为实现上述目的，本发明提供了一种基于动态高阶图网络的停车场调度优化方法，包括：[0007] 利用停车场调度实时数据得到停车场调度实时数据特征张量；[0008] 根据所述停车场调度实时数据特征张量基于动态高阶图网络得到停车场调度优化数据；[0009] 利用所述停车场调度优化数据得到停车场调度优化结果。[0010] 优选的，所述利用停车场调度实时数据得到停车场调度实时数据特征张量包括：[0011] 获取停车场调度实时数据的数据种类数量；[0012] 利用所述数据种类数量建立停车场调度实时数据特征张量的计算式如下：[0013] ，[0014] 其中，X0为停车场调度实时数据特征张量，P为停车场调度实时数据时间长度，N为停车场数量，C为停车场调度实时数据的节点特征数量，R为实数集，是一个由实数构成的高维数组。[0015] 进一步的，根据所述停车场调度实时数据特征张量基于动态高阶图网络得到停车场调度优化数据包括：[0016] 根据所述停车场调度实时数据特征张量进行一维卷积处理得到停车场调度实时数据特征张量的初始统一特征卷积的计算式如下：[0017] ，[0018] 其中，X为初始统一特征卷积，C为停车场调度实时数据的节点特征数量，N为停车场数量，T为停车场调度实时数据时间长度，R为实数集，是一个由实数构成的高维数组；[0019] 利用所述初始统一特征卷积基于动态高阶图网络分别建立停车场调度实时数据的滑窗门控时间卷积与高阶差分空间卷积。[0020] 进一步的，利用所述初始统一特征卷积基于动态高阶图网络分别建立停车场调度实时数据的滑窗门控时间卷积与高阶差分空间卷积包括：[0021] 利用所述初始统一特征卷积进行分割拼接处理得到停车场调度实时数据的滑窗门控时间卷积；[0022] 利用所述初始统一特征卷积进行多级处理得到停车场调度实时数据的高阶差分空间卷积。[0023] 进一步的，利用所述初始统一特征卷积进行分割拼接处理得到停车场调度实时数据的滑窗门控时间卷积包括：[0024] 利用所述初始统一特征卷积根据对应停车场调度实时数据时间长度的时间维度进行分割处理得到初始统一特征卷积片段；[0025] 利用所述初始统一特征卷积片段基于二维卷积进行拼接处理得到停车场调度实时数据的二维卷积的计算式如下：[0026] ，[0027] ，[0028] 其中，SWC为滑动窗口卷积算子，X为初始统一特征卷积，conv2D为二维卷积，S为初始统一特征卷积片段的数量， 为将S个片段沿新的维度拼接的操作,t为每个初始统一特征卷积片段的长度，由停车场调度实时数据时间长度T除以初始统一特征卷积片段的数量S并向上取整得到, 为初始统一特征卷积X在通道维度c、空间维度n上的第s个片段，时间范围是从（s?1）t到st，? 为对集合中每一个值进行前述操作，C为停车场调度实时数据的节点特征数量，N为停车场数量；[0029] 利用所述停车场调度实时数据的二维卷积基于门控循环单元结构获取停车场调度实时数据的门控单元循环输出结果的计算式如下：[0030] ，[0031] 其中，Xg为停车场调度实时数据的门控单元循环输出结果，GRU为门控循环单元，g为tanh函数，输出范围为[?1,1]，σ为sigmoid函数，输出范围为[0,1]；[0032] 利用所述停车场调度实时数据的门控单元循环输出结果基于时间空洞卷积获取停车场调度实时数据的输出张量的计算式如下：[0033] ，[0034] 其中，Xc为停车场调度实时数据的输出张量，conv1D为一维卷积，fr为时间空洞卷积重塑，kernel为扩张因果卷积核参数，为序列的重组长度，R为实数集，是一个由实数构成的高维数组；[0035] 利用所述停车场调度实时数据的二维卷积、门控单元循环输出结果与输出张量作为停车场调度实时数据的滑窗门控时间卷积。[0036] 进一步的，利用所述初始统一特征卷积进行多级处理得到停车场调度实时数据的高阶差分空间卷积包括：[0037] 根据所述初始统一特征卷积获取初始统一特征卷积的高阶特征的计算式如下：[0038] ，[0039][0040] 其中， 为h阶差分序列在时间步t的值， 和 分别为在进行了h?1阶差分后的时间序列在时间步t和t?1的值，两者之差就是第h阶差分序列在时间步t的值， 为沿时间维度连接所有差分阶数的高维张量， 为连接操作， 为沿时间维度连接所有差分阶数的高维张量 的维度；[0041] 利用所述初始统一特征卷积的高阶特征进行转换合并处理得到初始统一特征卷积的转换合并结果的计算式如下：[0042] ，[0043] ，[0044] ，[0045] 其中， 为高阶信息张量的维度转换值， 为转换函数， 与 分别为代表左侧与右侧的全局节点嵌入， 为空间节点嵌入， 为 和 维度相同的维数， 与 为初始统一特征卷积的转换合并结果， 为两个线性函数层与一个激活函数层， 为参数；[0046] 利用所述初始统一特征卷积的转换合并结果获取初始统一特征卷积的邻接矩阵的计算式如下：[0047] ，[0048] 其中，Ad为邻接矩阵， 为 激活函数；[0049] 利用所述初始统一特征卷积的邻接矩阵获取初始统一特征卷积的扩散图卷积的计算式如下：[0050] ，[0051] 其中，Z为扩散图卷积， 与 为参数， 为图卷积网络的阶数，为激活函数；[0052] 利用所述初始统一特征卷积的高阶特征、转换合并结果与邻接矩阵作为停车场调度实时数据的高阶差分空间卷积。[0053] 进一步的，利用所述停车场调度优化数据得到停车场调度优化结果包括：[0054] 利用所述停车场调度优化数据建立停车场调度优化预测结果的计算式如下：[0055] ，[0056] 其中，为模型预测的输出值，Z为扩散图卷积， 与 为卷积核尺寸为的 算子，L为网络的层级数，每一层生成一个输出 ；[0057] 根据所述停车场调度优化预测结果与对应停车场调度实时数据建立停车场调度优化损失函数的计算式如下：[0058] ，[0059] 其中，Y为停车场调度实时数据， 为停车场调度优化损失函数， 为阈值参数；[0060] 利用所述停车场调度优化损失函数作为停车场调度优化结果。[0061] 与最接近的现有技术相比，本发明具有的有益效果：[0062] 1、优化资源利用：通过实时需求预测和资源调度，实现多个商业停车场之间的车流量最优管理，减少资源浪费，提高停车体验；[0063] 2、保障服务质量：通过预测未来的需求，提供决策支持，保持停车场的稳定运行，提高服务质量，满足车主的需求；[0064] 3、提升安全性和应急响应能力：通过优化调度过程，保证停车场能在高峰时段或异常情况下，实现车流量的有效管理和调度，提高应急响应速度，保障停车场的安全性。附图说明[0065] 图1是本发明提供的一种基于动态高阶图网络的停车场调度优化方法的流程图。具体实施方式[0066] 下面结合附图对本发明的具体实施方式作进一步的详细说明。[0067] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。实施例1[0068] 本发明提供了一种基于动态高阶图网络的停车场调度优化方法，如图1所示，包括：[0069] S1、利用停车场调度实时数据得到停车场调度实时数据特征张量；[0070] S2、根据所述停车场调度实时数据特征张量基于动态高阶图网络得到停车场调度优化数据；[0071] S3、利用所述停车场调度优化数据得到停车场调度优化结果。[0072] S1具体包括：[0073] S1?1、获取停车场调度实时数据的数据种类数量；[0074] S1?2、利用所述数据种类数量建立停车场调度实时数据特征张量的计算式如下：[0075] ,[0076] 其中，X0为停车场调度实时数据特征张量，P为停车场调度实时数据时间长度，N为停车场数量，C为停车场调度实时数据的节点特征数量，R为实数集，是一个由实数构成的高维数组。[0077] S2具体包括：[0078] S2?1、根据所述停车场调度实时数据特征张量进行一维卷积处理得到停车场调度实时数据特征张量的初始统一特征卷积的计算式如下：[0079] ,[0080] 其中，X为初始统一特征卷积，C为停车场调度实时数据的节点特征数量，N为停车场数量，T为停车场调度实时数据时间长度，R为实数集，是一个由实数构成的高维数组；[0081] S2?2、利用所述初始统一特征卷积基于动态高阶图网络分别建立停车场调度实时数据的滑窗门控时间卷积与高阶差分空间卷积。[0082] 本实施例中，一种基于动态高阶图网络的停车场调度优化方法，其中空间关系定义 ，节点集合 : 中, 表示 个空间节点，关系边集合 :表示节点间的关系，邻接矩阵 : ,描述边连接的强度，特征张量 ，数据表示:在空间关系中,节点 的特征以张量形式表示，即 ，:历史时间序列长度， :空间节点数量，:节点特征数量（如车辆信息、停车场信息、实时流量和天气），短期时空预测，定义:使用历史数据 预测未来特征数据 ，:输入时间窗口长度， :输出时间窗口长度，通常小于 ，预测方法:学习映射函数从 到 ，即 ，其中 为模型参数，目标:减小预测数据 与真实未来数据 之间的差异，提高准确性，优势:相比长期预测，短期预测更加实时高效，适用于需要快速响应的场景。[0083] 本实施例中，一种基于动态高阶图网络的停车场调度优化方法，初始卷积的建立过程过程:特征张量 经过一维卷积处理，从 维映射到 维空间。目的:增加参数数量，增强模型对数据的抽象和理解能力。维度重排:对不同数据源的特征张量执行维度重排，统一到 ，简化后续计算和处理。[0084] S2?2具体包括：[0085] S2?2?1、利用所述初始统一特征卷积进行分割拼接处理得到停车场调度实时数据的滑窗门控时间卷积；[0086] S2?2?2、利用所述初始统一特征卷积进行多级处理得到停车场调度实时数据的高阶差分空间卷积。[0087] 本实施例中，一种基于动态高阶图网络的停车场调度优化方法，所述多级处理包括：高阶特征提。捍邮笨帐葜刑崛「呓滋卣鳎惶卣髯挥牒喜：对提取的特征进行转换和合并；邻接矩阵生成：基于转换后的特征创建动态邻接矩阵；高阶差分空间卷积：应用邻接矩阵处理生成的高阶差分空间卷积。通过这一过程，有效捕捉时空数据中的动态空间关系，提高模型在处理空间变化信息方面的能力。[0088] S2?2?1具体包括：[0089] S2?2?1?1、利用所述初始统一特征卷积根据对应停车场调度实时数据时间长度的时间维度进行分割处理得到初始统一特征卷积片段；[0090] S2?2?1?2、利用所述初始统一特征卷积片段基于二维卷积进行拼接处理得到停车场调度实时数据的二维卷积的计算式如下：[0091] ,[0092] ,[0093] 其中，SWC为滑动窗口卷积算子，X为初始统一特征卷积，conv2D为二维卷积，S为初始统一特征卷积片段的数量， 为将S个片段沿新的维度拼接的操作,t为每个初始统一特征卷积片段的长度，由停车场调度实时数据时间长度T除以初始统一特征卷积片段的数量S并向上取整得到, 为初始统一特征卷积X在通道维度c、空间维度n上的第s个片段，时间范围是从（s?1）t到st，? 为对集合中每一个值进行前述操作，C为停车场调度实时数据的节点特征数量，N为停车场数量。[0094] 本实施例中，一种基于动态高阶图网络的停车场调度优化方法，所述停车场调度实时数据的二维卷积包括每个通道和节点上，沿时间维度将数据切分为S个片段，每个片段长度t，由原始时间长度T除以片段数量S，向上取整得到，将时间片段沿新维度拼接，形成新特征张量，对新特征张量在片段维度和时间维度上执行二维卷积（使用3 3卷积核）。通过这种方法能有效地在时间序列数据中提取时间维度的特征和位置间的相关信息，适用于处理视频、音频等时间序列信号。[0095] S2?2?1?3、利用所述停车场调度实时数据的二维卷积基于门控循环单元结构获取停车场调度实时数据的门控单元循环输出结果的计算式如下：[0096] ，[0097] 其中，Xg为停车场调度实时数据的门控单元循环输出结果，GRU为门控循环单元，g为tanh函数，输出范围为[?1,1]，σ为sigmoid函数，输出范围为[0,1]。[0098] 使用tanh函数对SWC的结果处理，生成新的候选特征，将输入映射到[?1,1]区间；通过sigmoid函数计算更新门控输出，将输入映射到[0,1]区间，用于模拟逻辑门，输出被视为事件发生的概率；通过元素对应的乘法运算结合新的候选特征和更新门输出，从而控制信息的保留与丢弃。通过这种机制，GRU能够有效地在时间序列数据中平衡长期和短期依赖，从而更精确地捕捉时间序列的动态特性。[0099] S2?2?1?4、利用所述停车场调度实时数据的门控单元循环输出结果基于时间空洞卷积获取停车场调度实时数据的输出张量的计算式如下：[0100] ，[0101] 其中，Xc为停车场调度实时数据的输出张量，conv1D为一维卷积，fr为时间空洞卷积重塑，kernel为扩张因果卷积核参数，为序列的重组长度，R为实数集，是一个由实数构成的高维数组。[0102] 原先的时间序列被划分成了S个时间片段，每个片段长度为t，所有时间片段又被重新整合为一个连续的时间序列，以便在保持时间连续性的同时，处理整个序列的时间依赖关系。所以用 代表重组后序列的长度。使用形状为 的张量， 重塑为，以匹配高阶差分空间卷积的输入格式，应用一维卷积，使用扩张因果卷积核（尺寸1 3，空洞大小为2），得到经过处理的特征张量 ，形状调整为 。通过时间空洞卷积，能够在保持较低计算复杂度的同时，有效地扩大时间卷积的接收视野，增强时间序列数据的全局感知能力。[0103] S2?2?1?5、利用所述停车场调度实时数据的二维卷积、门控单元循环输出结果与输出张量作为停车场调度实时数据的滑窗门控时间卷积。[0104] S2?2?2具体包括：[0105] S2?2?2?1、根据所述初始统一特征卷积获取初始统一特征卷积的高阶特征的计算式如下：[0106] ，[0107] ，[0108] 其中， 为h阶差分序列在时间步t的值， 和 分别为在进行了h?1阶差分后的时间序列在时间步t和t?1的值，两者之差就是第h阶差分序列在时间步t的值， 为沿时间维度连接所有差分阶数的高维张量， 为连接操作， 为沿时间维度连接所有差分阶数的高维张量 的维度。[0109] 本实施例中，一种基于动态高阶图网络的停车场调度优化方法，所述h为差分阶数，其对应范围 ，代表进行差分的次数。比如h=0表示没有进行差分，这个时候的差分序列就是原始的时间序列，h=1表示进行了一次差分，h=2表示进行了两次差分，以此类推；所述t为时间步，其对应范围 ，时间序列可以看作是按照时间排序的一系列数据点，每一个数据点都对应一个时间步。[0110] 除原始序列外，将所有阶的差分连接在一起得到沿时间维度连接所有差分阶数的高维张量 ， 表示沿着最后一个维度(在这里是时间维度)将各阶差分张量连接起来，各阶差分的时间维度长度的求和中，第1阶对应的长度为 ，每次差分后时间序列的长度会减小1，第 阶对应的长度为1，所以从第1阶到第 阶的差分时间序列长度之和，根据等差数列求和公式计算为 。高阶特征获取通过差分运算提取时间序列的关键信息，有效消除趋势和季节性影响，提供深入分析的基础。[0111] S2?2?2?2、利用所述初始统一特征卷积的高阶特征进行转换合并处理得到初始统一特征卷积的转换合并结果的计算式如下：[0112] ，[0113] ，[0114] ，[0115] 其中， 为高阶信息张量的维度转换值， 为转换函数， 与 分别为代表左侧与右侧的全局节点嵌入， 为空间节点嵌入， 为 和 维度相同的维数， 与 为初始统一特征卷积的转换合并结果， 为两个线性函数层与一个激活函数层， 为参数。[0116] S2?2?2?3、利用所述初始统一特征卷积的转换合并结果获取初始统一特征卷积的邻接矩阵的计算式如下：[0117] ，[0118] 其中，Ad为邻接矩阵， 为 激活函数。[0119] S2?2?2?4、利用所述初始统一特征卷积的邻接矩阵获取初始统一特征卷积的扩散图卷积的计算式如下：[0120] ，[0121] 其中，Z为扩散图卷积， 与 为参数， 为图卷积网络的阶数，为激活函数，具体使用ReLU激活函数，定义为 ，能够简单且有效地缓解梯度消失的问题，同时加快模型的训练速度。[0122] 利用所述初始统一特征卷积的高阶特征、转换合并结果与邻接矩阵作为停车场调度实时数据的高阶差分空间卷积。[0123] 本实施例中，一种基于动态高阶图网络的停车场调度优化方法，所述转换合并处理依次包括线性变换层、节点嵌入与线性变换层（Linear）。[0124] 本实施例中，一种基于动态高阶图网络的停车场调度优化方法，所述 具有动态和全局性。[0125] S3具体包括：[0126] 3?1、利用所述停车场调度优化数据建立停车场调度优化预测结果的计算式如下：[0127] ，[0128] 其中，为模型预测的输出值，Z为扩散图卷积， 与 为卷积核尺寸为的 算子，L为网络的层级数，每一层生成一个输出 ；[0129] 根据所述停车场调度优化预测结果与对应停车场调度实时数据建立停车场调度优化损失函数的计算式如下：[0130] ，[0131] 其中，Y为停车场调度实时数据， 为停车场调度优化损失函数，代表Huber损失函数，为阈值参数，用于区分“小误差”和“大误差”，当预测偏差绝对值小于 时，损失函数采用平方误差的形式；而当预测偏差绝对值大于 损失函数变为线性函数，有助于限制因异常值导致的过大梯度问题。[0132] 利用所述停车场调度优化损失函数作为停车场调度优化结果。[0133] 本实施例中，一种基于动态高阶图网络的停车场调度优化方法，实际应用流程如下：[0134] 步骤1：数据准备，包括停车场容量、每日进出车辆数、周边人流量、道路状况、天气、周边活动等；形成特征张量 ，其中C表示特征数量，N表示停车场数量，T表示时间长度。[0135] 步骤2：初始卷积，统一特征张量尺寸。[0136] 步骤3：滑窗门控时间卷积，使用滑动窗口卷积处理时间序列数据，整合局部和全局信息；门控结构:控制信息流动，优化参数数量和计算量；空洞卷积:合并数据维度，扩大感知范围。[0137] 步骤4：高阶差分空间卷积，动态邻接矩阵:计算动态邻接矩阵；扩散图卷积:学习时空模式；残差结构:增强学习能力和泛化性能。[0138] 步骤5：最终卷积，对处理后的特征进行最终卷积，实现特征融合。[0139] 步骤6：计算损失，将预测数据 与真实未来数据 对比，计算预测误差。[0140] 步骤7：模型优化，使用梯度下降等优化算法最小化损失函数，优化参数。[0141] 步骤8：模型部署，模型训练完成后，用于新数据预测和调度决策，预测停车场未来需求，据此调整车辆调度。[0142] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD?ROM、光学存储器等）上实施的计算机程序产品的形式。[0143] 本发明是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。[0144] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。[0145] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。[0146] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

专利地区：天津

专利申请日期：2024-06-12

专利公开日期：2024-11-29

专利公告号：CN118313522B