1 停车场空余泊位数时段变化规律分析
交通信息普遍具有层次性、周期性、相似性和可预测性，停车场空余泊位数时段变化规律也应有类似特征．分析出停车场空余泊位数的周期性变化规律，将对预知停车场未来时间内的停车状况提供重要依据。作者对上海市静安区停车诱导系统覆盖区域内某停车场的空余泊位数时间变化数据(2004—12—13—2005_05—26)进行了分析，原始数据由上海市城市交通信息中心提供．静安区停车诱导系统的停车场信息采集采用电感线圈检测技术，通过在停车场出入EI埋设检测线圈检测车辆进出停车场的信息，并上传给空余车位数据采集器．为了方便分析，将每小时内多个采集数据取平均值(从原始数据中可知，在1h时间段范围内空余泊位数变化不大)得到该小时内平均的空余泊位数．为了区别工作日和休息日，分别对工作日和休息日(包括双休日、法定节日)的数据进行分析．本文主要对工作日进行分析，休息日的分析方法类似．
首先分析该停车场不同周但相同“星期几”的空余泊位数据时段变化之间的联系．将2005年4月份的4个周四(工作Et)、4个周Et(休息Et、1周工作Et、4个休息Et)的停车场空余泊位数据绘制在同一坐标平面上，可看到曲线之间有着较大的重合与相似.停车信息预报方法
由上面的分析可得到如下结论：
1)连续1周内各工作日的空余停车泊位数之间存在相似性；
2)相同月内4个周四(如04-07、04—14、04-21、04—28)的空余停车泊位数时间变化规律虽然存在相似性，由于 值相对较大些，因此其相似度不如连续1周工作Et的情况．
3)短时期内(如1个月内或更短的连续2周内)的工作Et的空余停车泊位数之间存在相似性；
4)时间间隔较长，如1月份和4月份之间的工作日的空余停车泊位数之间只存在较弱的相似性或不存在相似性．
因此由结论1)、3)，以本周工作Et的空余停车泊位数的变化规律来预测下一周的工作Et的空余停车泊位数的变化规律，以01—10—0卜14的数据与01—17—0卜21的数据进行说明：对0卜10—0卜14各时段(小时计)的数据取平均值，得到各时段1周内(工作Et)的平均值数据，并找出01—10—01—14的各时段的最大值与最小值；同理可对01—17—0卜21数据作同样工作．比较01—10—0卜14的各时段平均值数据与01—17—01—21的各时段平均值数据.
，以上周各工作日的均值作为下周工作日的可能值时只有11、12、13时段误差较大，其余误差均不超过10个泊位；若考虑上下限，即不仅预测均值而且给出可能的上下限变化范围，则只有11、12、13时段在上下限变化范围之外，且超过上下限的范围均较小(分别为2，3，6)．因此，预测可信度较好．另外，还可对本周工作日各时段空余停车泊位数据信息(包括上限、下限、均值)进行聚类，并以下周某天的实际数据进行检验，判断其各时段停车特征是否在预测类别内，若在的话，则通过对本周停车信息聚类即可对下周工作日各时段的停车特征进行预测(属于哪类)，从而为出行前停车决策提供参考信息．应用Fuzzy C-means聚类方法[8]对停车场空余泊位数时段变化规律进行分析，只需设x为各时段空余泊位数数据集合， ∈x为聚类因子(上限、下限、均值)，其中1≤ ≤ ，1≤ ≤P， 是时段个数( =24)，P=3．以01—10—14各时段数据(包括上限、下限、均值)进行说明．定义聚类中心个数为4
仍以前面01—18数据作为检验，可对照表5中01—18实际数据，其各时段停车特征归类基本上和表6相对应，因此可以对上周工作日进行归类预测下周各时段的停车特征类别(属于哪类)，并进行停车信息播报，以方便驾驶员的出行决策．
作者仅选取了一个停车场进行分析，其他停车场可类似分析，并预期有类似结论，但是具体各时段空余泊位数据及其变化将因停车场容量、所处位置、交通紧张程度等不同而不同．
3 结束语
对实际停车场空余泊位数随时间变化规律进行统计分析后得到了一些有意义的结论，在此基础上探讨了停车信息预报的方法，且以Fuzzy Cmeans聚类方法对各时段停车特征进行归类预测，归类结果有助于驾驶员的出行决策．